论文部分内容阅读
为了探讨一种成本低、时效性好、信息丰富,又能大范围作业的森林资源调查方法,在辽宁省抚顺市清原满族自治县大孤家林场设置373 km2的研究区,采用运5小型运输机获取数字航空影像数据和机载激光雷达数据,设置96个样地。影像数据经匀光匀色处理后,利用Agisoft Photo Scan Professional软件进行空三加密生成密集匹配点云,构建格网和纹理后进行正射单片纠正和拼接生成DOM数据。雷达数据使用Lastools软件插值生成DEM(Li DAR＿DEM),利用Li DAR＿DEM在R/Rstudio软件中对密集匹配点云进行归一化处理。3种数据源(DOM、密集匹配点云、DOM+密集匹配点云)提取和选择特征变量,结合样地实测数据,利用4种机器学习方法(Cubist、KNN、随机森林和SVR)对研究区内的日本落叶松(Larix kaempferi)蓄积量进行估测,采用十折交叉验证法进行模型适应性评价。经过12个试验后,采用最优模型和最佳数据对研究区内的日本落叶松林进行蓄积量估测与制图。结果表明:(1)DOM+密集匹配点云作数据源的估测结果最好,密集匹配点云次之,DOM最差。应用Cubist模型时,DOM+密集匹配点云的R2=0.95,RMSE=29 m3/hm2,相对误差≤±25%的样本占比90.22%;密集匹配点云的R2=0.88,RMSE=45 m3/hm2,相对误差≤±25%样本占比80.43%;DOM的R2=0.56,RMSE=87m3/hm2,相对误差≤±25%样本占比52.17%。在其他3个模型中,DOM+密集匹配点云的拟合效果也是最好,密集匹配点云次之,DOM最差。(2)Cubist模型表现最好。DOM+密集匹配点云为数据源时,Cubist模型(R2=0.95,RMSE=29 m3/hm2)优于随机森林模型(R2=0.92,RMSE=39 m3/hm2)、KNN模型(R2=0.88,RMSE=44m3/hm2)和SVR模型(R2=0.87,RMSE=45m3/hm2);其相对误差≤±25%的样本占比(90.32%)大于随机森林模型(89.25%)、KNN模型(87.10%)和SVR模型(81.72%)。密集匹配点云为数据源时,Cubist模型(R2=0.88,RMSE=45 m3/hm2)优于SVR模型(R2=0.87,RMSE=46 m3/hm2)、随机森林模型(R2=0.86,RMSE=48 m3/hm2)和KNN模型(R2=0.84,RMSE=51 m3/hm2。DOM为数据源时,Cubist模型(R2=0.56,RMSE=87 m3/hm2)优于KNN模型(R2=0.37,RMSE=102m3/hm2)、随机森林模型(R2=0.35,RMSE=103 m3/hm2)和SVR模型(R2=0.30,RMSE=105m3/hm2)。(3)以DOM+密集匹配点云为数据源,利用Cubist模型回归建模估测研究区内日本落叶的平均单位面积蓄积量(183.9 m3/hm2)与样地实测值(203.74 m3/hm2)十分接近,相对误差9.74%。在既有高精度DEM支持下,数字航空影像提取密集匹配点云,结合其光谱和纹理信息,能够进行落叶松人工林蓄积量精准估测与制图,在森林资源调查监测中具有广阔的应用前景。