[发明专利]一种基于机载低密度LiDAR山地复杂林区林分密度提取方法

说明书

本发明所要解决的问题是，提高山地复杂林区时林分密度估计精度。利用机载LiDAR点云估计森林植被结构参数的研究越来越多，如地上生物量、蓄积量、林分平均高等。但是林分密度的估计仍然精度不高，特别是在地形复杂的山区。本发明探索了众多变量，最后发现点云密度变量为林分密度相关性较高的变量，并利用此变量建立非线性林分密度回归模型，实现林分密度快速而较高精度的估计。

技术领域

本发明涉及植被遥感领域，尤其是一种基于机载低密度LiDAR山地复杂林区分林分密度提取方法。

背景技术

利用LiDAR数据可以从两个方面估测林分密度，一方面是基于高密度点云（通常大于4点/m²）数据的单木尺度分割，提取单木树冠，从而统计出林分密度；另一方面是根据林分尺度提取，林分参数则通过样地点云metrics参数和林分属性的统计关系来估计出来。其中第二种方式metrics涉及到了树冠的高度变量，如mean height平均高度和树冠密度变量metrics（通过在某个高度以上相对于总回波点数量比值来刻画回波的频率）等。但是这些变量只有少数留在了最终的估测模型中。在已有的方法中出现了大量的针对不同类型森林和树种的模型。但是，在这方面大部分的结构变量可以获得中等或者较高的相关性，而林分密度估计精度相对较低，还值得更多的探索。

发明内容

针对上述问题，本发明提出了一种基于机载低密度LiDAR的山区复杂林分密度提取方法

机载低密度点云与同步获取的航空影像数据，首先获取同步数据集以及对应的样地数据集，本发明需要用到一部分地面样地数据和同步数据集完成研究区森林林分密度的估计，因此，要完成必要的预处理，包括数据集之间的空间位置匹配，保证提取精度。探索了众多变量，最后发现点云密度变量为林分密度相关性较高的变量，并利用此变量建立单变量非线性的林分密度经验模型，该模型简单方便，可以快速地实现复杂森林地区林分密度较高精度的估计。

具体实施方式

首先，在研究区获取机载LiDAR数据以及收集地面样地数据集，本发明需要用到一部分地面样地数据和同步数据集构建回归模型完成研究区森林林分密度的估计，因此，准确的预处理是必要的步骤。完成地面样地数据、机载LiDAR数据的几何配准，保证提取精度。

接着，提取LiDAR数据中的metrics变量，包括百分位高度（10百分位、20百分位、…、100百分位）、不同百分位高度密度（10百分位高度密度、20百分位高度密度、…、100百分位高度密度）、skewness、kurtosis、standard error、meanHt、stdHt等。分析每个变量与林分密度的关系，发现点云数量Count变量与林分密度关系较为紧密，特别是

D=Count2/Count0，其中Count2为地面点为2m以上的点云数量，count0为所有地上地面点数量。

建立D与实际林分密度的非线性回归模型，则研究区的林分密度参数可以通过建立的模型来估计。