尤號田 ，邢艷秋 ，王 錚 ，霍 達(dá) ，王 蕊

(1.東北林業(yè)大學(xué) 森林作業(yè)與環(huán)境研究中心，黑龍江 哈爾濱 150040；2.吉林省基礎(chǔ)地理信息中心，吉林 長春 130062 )

基于LiDAR離散點(diǎn)云能量信息的針葉林葉面積指數(shù)反演方法

尤號田1，邢艷秋1，王 錚2，霍 達(dá)1，王 蕊1

(1.東北林業(yè)大學(xué) 森林作業(yè)與環(huán)境研究中心，黑龍江 哈爾濱 150040；2.吉林省基礎(chǔ)地理信息中心，吉林 長春 130062 )

葉面積指數(shù)是森林的重要結(jié)構(gòu)參數(shù)，對于研究與植被葉片相關(guān)的生物物理活動具有重要意義。為了提高針葉林葉面積指數(shù)的估測精度，以吉林省長春市凈月潭國家森林公園為研究區(qū)，通過對小光斑激光雷達(dá)離散點(diǎn)云進(jìn)行濾波分類處理、擬合波形數(shù)據(jù)，從中提取5個能量參數(shù)，分別用于估測針葉林樣方的葉面積指數(shù)，通過分析得出I2預(yù)測模型最好，R=0.911，P=0.968。結(jié)果表明小光斑激光雷達(dá)離散點(diǎn)云的能量信息能夠較好地估計針葉林的葉面積指數(shù)，未來應(yīng)加大小光斑激光雷達(dá)能量參數(shù)的應(yīng)用。

針葉林；葉面積指數(shù)；離散點(diǎn)云；擬合波形；能量參數(shù)

葉面積指數(shù)（Leaf Area Index，LAI）描述了單位面積內(nèi)植被和土地之間的關(guān)系，對于研究與地表植被相關(guān)的生物物理活動，如光合作用、呼吸作用、蒸騰作用、碳和養(yǎng)分循環(huán)等，具有重要意義，自提出以來就廣泛應(yīng)用于林業(yè)、農(nóng)業(yè)、生態(tài)、生物等領(lǐng)域[1-7]。目前，由于研究目的不同，研究人員通常根據(jù)各自研究需要來定義LAI，所以到現(xiàn)在為止LAI仍沒有統(tǒng)一的定義，但研究者最廣泛采用的定義是單位地表面積上所有葉片表面積的一半[8-12]。因小光斑激光雷達(dá)光斑直徑較小，通常在1 m以下，能夠提供更詳細(xì)的森林水平和垂直結(jié)構(gòu)信息，所以現(xiàn)已成功用于森林LAI研究中。通過對先前小光斑激光雷達(dá)估測LAI的研究進(jìn)行分析發(fā)現(xiàn)現(xiàn)，階段絕大多數(shù)類似研究只用到點(diǎn)云的數(shù)量信息，而忽略了點(diǎn)云所攜帶的能量信息，造成信息資源的極大浪費(fèi)，甚至?xí)e失森林結(jié)構(gòu)參數(shù)的有效估測參數(shù)。

為了最大限度的利用激光雷達(dá)離散電云攜帶的信息并探索森林LAI的有效估測參數(shù)，本研究對長春凈月潭國家森林公園的激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行分類并擬合波形處理，從中提取I1、I2、I3、HOME和HOCME5個能量參數(shù)，分別對森林樣方LAI進(jìn)行估計，通過對比分析找到估測長春凈月潭國家森林公園LAI的最優(yōu)能量參數(shù)。

1 研究區(qū)與研究方法

1.1 研究區(qū)域概況

本研究區(qū)為長春市凈月潭國家森林公園（E125°21′，N43°52′)， 距 市 中 心 9.5 km， 屬 長白山余脈，低山丘陵地形，海拔220～406 m。研究區(qū)內(nèi)森林面積約為100 km2，主要由人工林和天然次生林組成，其中人工林占總森林面積的80%。樹種主要以白樺Betula platyphylla、樟子松Pinus sylvestris、赤松Pinus densif l oraSieb、興安落葉松Larix gmelinii、紅松Korean Pine、榆樹Ulmus pumilaL、蒙古櫟Quercus monglica、胡桃楸Juglans mandshurica、國槐Sophora japonica為主。

1.2 研究方法

1.2.1 野外數(shù)據(jù)收集與處理

2012年10月8日至16日期間對長春凈月潭公園實(shí)驗(yàn)區(qū)進(jìn)行野外數(shù)據(jù)采集，共選取了24個樟子松圓形樣方，根據(jù)林分密度不同，分別設(shè)計了半徑為10 m和15 m兩種規(guī)格的樣方。用手持GPSTrimble GeoXH 6000對樣地中心點(diǎn)進(jìn)行定位并記錄其坐標(biāo)，用胸徑尺對樣地內(nèi)每木1.3 m處的胸徑進(jìn)行測量，用超聲波測高儀Vertex IV對每木的樹高、枝下高進(jìn)行測量，用皮尺測量每木東西南北兩個方向的冠幅。為了全面考慮樣方內(nèi)樹木的分布情況、樣方葉面積指數(shù)測定的準(zhǔn)確性，本次研究用配有三星NV3型號相機(jī)的180°魚眼鏡頭分別在樣方的中心點(diǎn)、東西南北4個方向的5 m、10 m處分別拍攝5張半球影像，并且所有半球形影像均在上午7：00～9：00和16:00～18:00的時間段拍攝。樣方內(nèi)灌木和雜草的高度范圍在0.3 m～1.3 m，若不剔除會對葉面積指數(shù)的測定結(jié)果產(chǎn)生一定的影響，所以魚眼鏡頭的離地高度為1.5 m。用WinSCANOPY 2010軟件對得到的半球影像進(jìn)行分析，將同一樣方內(nèi)所有半球影像所得葉面積指數(shù)的均值作為實(shí)測值。WinSCANOPY 2010 For Canopy Analys冠層分析儀提供了LAI(2000)-Lin、LAI(2000)-Log等20種葉面積指數(shù)，高登濤等（2006）發(fā)現(xiàn)LAI(2000)-Log與傳統(tǒng)方法所得的葉面積指數(shù)相關(guān)性最高[13]，宋子煒等(2008，2009)也得出了同樣的結(jié)論[14-15]，所以本實(shí)驗(yàn)采用LAI(2000)-Log作為野外實(shí)測葉面積指數(shù)。

1.2.2 小光斑激光雷達(dá)點(diǎn)云數(shù)據(jù)收集

本研究所采用的LiDAR數(shù)據(jù)是由搭載在飛機(jī)上的ALS70型傳感器于2012年5月31日掃描得到，ALS70型傳感器能夠記錄三次回波脈沖，即：首次回波脈沖、末次回波脈沖和單次回波脈沖（如圖1所示）。實(shí)驗(yàn)區(qū)由9條南北向的航線覆蓋，密度約為2～4個脈沖/m2。激光器所用波長1 064 nm，激光發(fā)散角0.3 mrad，掃描頻率40.3 Hz，飛行相對高度為500 m，光斑直徑為0.28 m。

1.2.3 LiDAR數(shù)據(jù)預(yù)處理

激光雷達(dá)飛行數(shù)據(jù)除包含有用點(diǎn)云外還會包含部分噪聲點(diǎn)，噪聲點(diǎn)一般為孤立點(diǎn)，包含一些明顯高于地物的激光點(diǎn)或明顯低于地表的激光點(diǎn)。為了有效的去除噪聲點(diǎn)，本研究采用孤立點(diǎn)算法對點(diǎn)云進(jìn)行處理，即以某一點(diǎn)云為球心，若半徑25 m的球形空間內(nèi)沒有其它點(diǎn)云存在則判斷當(dāng)前點(diǎn)云為噪聲點(diǎn)，最后輔助一定的人工修正。

1.2.4 LiDAR點(diǎn)云數(shù)據(jù)能量標(biāo)定

小光斑激光雷達(dá)離散點(diǎn)云記錄的回波能量信息與很多因素相關(guān)，如：脈沖入射角、脈沖發(fā)射能量、目標(biāo)與飛行器之間的距離等。若想準(zhǔn)確得到地物的回波能量信息需要對影響因素進(jìn)行測定進(jìn)而對能量信息進(jìn)行校正，但這個過程十分復(fù)雜。同時考慮到本研究只涉及點(diǎn)云能量的相對值，因此用激光雷達(dá)方程[16]對點(diǎn)云的能量進(jìn)行近似校正。

式（1）中，Pr為目標(biāo)接受到的能量，Pt為激光器發(fā)射的能量，Dr為接收器直徑，R為目標(biāo)與飛行器之間的距離，βt為脈沖發(fā)散角，Ω為圓錐形的立體角，ρ表示目標(biāo)物的發(fā)射率，As表示散射體有接收的在脈沖方向上的投影面積，ηsys表示系統(tǒng)衰減系數(shù)，ηatm表示大氣的衰減系數(shù)。

因?yàn)楸狙芯繀^(qū)的飛行實(shí)驗(yàn)均在一次完成，且飛機(jī)為水平飛行，所以認(rèn)為飛行中的硬件參數(shù)，如：Pt、Dr、Ω和ηsys等沒有發(fā)生變化，也認(rèn)為大氣衰減系數(shù)在飛行過程中沒有發(fā)生變化，因此目標(biāo)的回波能量可以近似看成只與R有關(guān)。目標(biāo)與飛行器的距離與地形和飛行器的掃描角度相關(guān)，最近研究表明，當(dāng)掃描角度小于10°時激光雷達(dá)的回波強(qiáng)度不受掃描角度的影響[17-19]，而本研究的掃描角度為8°或9°，所以可以忽略其影響，因此最終認(rèn)為R只與目標(biāo)的高程有關(guān)。

假定距離飛行器之間距離R0處的能量為P0，由激光雷達(dá)方程可得平均飛行高度Rr處的激光雷達(dá)回波能量為Pr，即

用公式（2）對所有點(diǎn)云的能量進(jìn)行校正。

1.2.5 小光斑LiDAR數(shù)據(jù)處理

對經(jīng)過預(yù)處理后的LiDAR點(diǎn)云數(shù)據(jù)采用不規(guī)則三角網(wǎng)（Triangular Iirregular Network,TIN）濾波算法進(jìn)行點(diǎn)云分類，TIN模型是一種重要的表示數(shù)字高程的模型，經(jīng)常用來存儲空間離散點(diǎn)之間的鄰近關(guān)系。不規(guī)則三角網(wǎng)濾波算法是以TIN模型為基礎(chǔ)，利用點(diǎn)云高程差臨界值條件和滿足該條件的臨近點(diǎn)云數(shù)量等參數(shù)來過濾地物點(diǎn)，即首先選擇一些地面最低點(diǎn)作為種子點(diǎn)構(gòu)建最初的TIN

表面模型，然后通過迭代不斷向TIN表面模型中加入新的非地面點(diǎn)直至沒有新的非地面點(diǎn)加入為止，即完全將地面點(diǎn)和非地面點(diǎn)分開，具體操作方法與過程見毛建華等基于TIN的LIDAR點(diǎn)云過濾算法一文[20]。將地面點(diǎn)通過TIN插值算法生成數(shù)字地面模型，所有點(diǎn)云的高程減去數(shù)字地面模型的高程從而實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)高程歸一化。在點(diǎn)云歸一化的基礎(chǔ)上分別對點(diǎn)云進(jìn)行兩種操作：①對非地面點(diǎn)進(jìn)一步細(xì)分，將高程大于1.5 m的點(diǎn)記為上層植被點(diǎn)。分別統(tǒng)計樣方所有點(diǎn)云、非地面點(diǎn)、上層植被點(diǎn)的點(diǎn)云能量值。將樣方點(diǎn)云、地面點(diǎn)按首次、末次和單次回波脈沖進(jìn)行分類，分別統(tǒng)計各類脈沖的點(diǎn)云能量值。②以0.5 m為層間距將樣方點(diǎn)云數(shù)據(jù)進(jìn)行分層處理，分別統(tǒng)計各層的點(diǎn)云能量信息并進(jìn)行波形擬合。由野外調(diào)查數(shù)據(jù)可知樣方的最大分層數(shù)量為50層，所以此擬合波形最多只包含50個點(diǎn)，相對大光斑LiDAR的544個點(diǎn)要少很多，但因此擬合的波形為點(diǎn)云能量隨高度的變化，與大光斑LiDAR的波形意義在某種程度上具有一定的相似性，所以稱為小光斑LiDAR偽波形數(shù)據(jù)。因?yàn)榇蠊獍呒す饫走_(dá)的波形記錄了激光打到目標(biāo)物表面時回波能量的高度分布，因此波形可以看成能量隨高度和時間的變化。

1.2.6 參數(shù)提取

本研究總共提取了6個參數(shù)變量，分別為I1、I2、I3、冠基高（Crown Base Height）、半能量高（Height of Medium Energy，HOME）及冠層半能量高（Height of Canopy Medium Energy,HOCME），其中I1、I2和I3從點(diǎn)云操作①提取得到，具體計算公式如式(3)～式(5)所示。CBH、HOME和HOCME從點(diǎn)云操作②提取，而且CBH是用于求解HOCME的過程變量，在計算森林樣方平均冠基高度時分兩種情況：（1）若林下植被較矮最低枝下高較高時，點(diǎn)云數(shù)據(jù)在林下植被和最低枝下高之間會出現(xiàn)零點(diǎn)云層數(shù)據(jù)，這樣樣方數(shù)量擬合出的波形中間會出現(xiàn)連續(xù)零值，此種情況下取連續(xù)非零值的起始點(diǎn)為冠基高度層，從地面層到冠基高層的距離即為冠基高；（2）若林下植被較高與森林樣方最低枝下高之間有重合時，點(diǎn)云數(shù)據(jù)在整個樣方層內(nèi)會連續(xù)出現(xiàn)，這樣樣方分層點(diǎn)云數(shù)量擬合出來的波形會連續(xù)而沒有零點(diǎn)，因此會對準(zhǔn)確獲取樣方冠基高造成一定的影響，所以本研究取點(diǎn)云數(shù)量由多到少再由少到多的拐點(diǎn)層為冠基高層，地面點(diǎn)到冠基高層之間的距離為冠基高。半能量高定義為樣方所有點(diǎn)云能量之和一半的高。冠層半能量高指冠基高度至樣方最高非零層之間所有點(diǎn)云能量一半的高。因參數(shù)HOME和HOCME為有量綱參數(shù)，而LAI為無量綱參數(shù)，所以在進(jìn)行建模之前需對HOME和HOCME進(jìn)行中心化以消除量綱，分別記為HOMEc和HOCMEc。

式中：Nvg為樣方內(nèi)植被點(diǎn)云的數(shù)量，Nall為樣方內(nèi)全部點(diǎn)云的數(shù)量，Nuvg為樣方內(nèi)1.5 m以上的上層植被點(diǎn)云的數(shù)量，Nop為樣方內(nèi)單次回波脈沖的數(shù)量，Ngr∩op為樣方內(nèi)單次回波中地面回波的數(shù)量，Iuvg為樣方內(nèi)1.5 m以上的上層植被點(diǎn)云中單個點(diǎn)云的能量強(qiáng)度，I為樣方內(nèi)全部點(diǎn)云中單個點(diǎn)云的能量強(qiáng)度，Ivg為樣方內(nèi)植被點(diǎn)云中單個點(diǎn)云的能量強(qiáng)度，Igr∩op為單次回波中地面回波單個點(diǎn)云的能量強(qiáng)度，Iop為單次回波單個點(diǎn)云的能量強(qiáng)度。

1.2.7 模型精度評價

用野外測量剩余的8塊樣地來進(jìn)行精度評價，其中模型擬合相關(guān)性主要用AdjR2和RMSE評價，預(yù)測精度用P評價。AdjR2和P值越大表明結(jié)果越好，RMSE值越小表明結(jié)果越好。AdjR2、RMSE和P的具體計算公式如（6）～（8）所示。

式中，n為采樣樣方的數(shù)量；p為回歸模型中自變量的數(shù)量；y為樣方的實(shí)測平均樹高/m，y?為樣方平均樹高估計值/m。

2 結(jié)果與分析

2.1 LiDAR數(shù)據(jù)處理結(jié)果

2.2.1 點(diǎn)云分類結(jié)果（圖1）

圖1 本研究所用激光雷達(dá)點(diǎn)云數(shù)據(jù)Fig.1 LiDAR point cloud data used in this study

2.1.2 點(diǎn)云分層及波形擬合

圖2為LiDAR點(diǎn)云數(shù)據(jù)分層處理后的結(jié)果，其中圖a）為樣方內(nèi)所有點(diǎn)云示意圖，根據(jù)野外調(diào)查結(jié)果可知以0.5 m為層間隔此樣方總共可分40層，分別對每層點(diǎn)云的能量值進(jìn)行統(tǒng)計并擬合，可得圖（b）和圖（ c）。

圖2 點(diǎn)云分層處理及波形擬合Fig.2 Point cloud layering processing and fi tted waveform

2.2 參數(shù)提取

圖3 為波形參數(shù)提取示意圖，由圖可知從圖（a）和（b）中可以提取冠基高度，從圖（c）中可以提取半能量高、冠層半能量高。其中圖（a）對應(yīng)樣方平均冠基高度提取的第一種情況；圖（b）對應(yīng)樣方平均冠基高度提取的第二種情況。

2.3 LAI模型建立

圖3 波形參數(shù)示意Fig.3 Extracted waveform parameters

用 1.2.6 節(jié) 所 提I1、I2、I3、HOME 和HOCME5參數(shù)分別和野外實(shí)測LAI進(jìn)行回歸分析建立LAI預(yù)測模型，結(jié)果如表1所示。通過對表1進(jìn)行分析可知，I2模型的擬合相關(guān)性最好，R=0.911，Adj R2=0.829；HOMEc 模型的擬合相關(guān)性最低，R=0.808，Adj R2=0.653。

2.4 模型精度評價

如表2所示，8塊檢驗(yàn)樣地I1、I2、I3、HOME和HOCME的平均預(yù)測精度分別為0.972、0.968、0.938、0.886和0.872，結(jié)果表明在五種預(yù)測模型中I1模型的估測精度最高，I2次之，HOCME模型的估測精度最低，且I1和I2模型的所有樣地預(yù)測精度均高于0.928。

綜合反演模型的擬合相關(guān)性及估測精度考慮，最終認(rèn)為I2預(yù)測模型最好，即LAI=39.881*I2^3-49.098*I2^2+13.257，R=0.911，P=0.968。

表 1 葉面積指數(shù)單變量反演模型及精度評價Table 1 Single variable inversion models and accuracy evaluation of leaf area index

表2 檢驗(yàn)樣地的LAI反演結(jié)果和精度評價Table 2 LAI inversion results and accuracy evaluation of tested sample plots

3 結(jié)論與討論

本研究以長春市凈月潭國家森林公園為研究區(qū)，通過對小光斑LiDAR數(shù)據(jù)進(jìn)行處理并擬合波形數(shù)據(jù)，從中提取相應(yīng)的能量參數(shù)，應(yīng)用能量參數(shù)對森林的LAI進(jìn)行了反演。研究結(jié)論如下：

應(yīng)用離散點(diǎn)云的能量信息可以準(zhǔn)確估計森林的LAI；

在本研究所提能量參數(shù)范圍內(nèi)對不同參數(shù)的反演模型進(jìn)行比較可知，I2的反演模型最好，R=0.911，P=0.968；

與先前類似研究結(jié)果相比，能量參數(shù)的估測精度要比點(diǎn)云結(jié)構(gòu)參數(shù)的估測精度要高；

野外數(shù)據(jù)和飛行數(shù)據(jù)存在較長的時間差，這是造成估測結(jié)果不準(zhǔn)確的一個主要原因。飛行數(shù)據(jù)采集是在樹木的生長期，而野外數(shù)據(jù)采集是在樹木的凋落期，這個時間差會對樟子松LAI的準(zhǔn)確估測產(chǎn)生一定的影響。

為了探索點(diǎn)云能量信息在估測森林LAI時的應(yīng)用潛能，本研究對點(diǎn)云進(jìn)行處理、擬合波形數(shù)據(jù)，并從中提取I1、I2、I3、HOME和 HOCME5個能量參數(shù)，分別估測森林樣方的LAI，最終得出I2預(yù)測模型最好，擬合相關(guān)性為0.911，R2=0.829，Adj R2=0.803，預(yù)測精度為0.968。與先前研究相比，估測精度有一定提高，如Sasaki等[21]估計了闊葉林的LAI，結(jié)果表明估測精度最高時的Adj R2=0.797，RMSE=0.231； 駱 社 周[22]用 Beer-Lambert模型估計了森林的LAI，結(jié)果表明LAI估測精度最高時R2=0.77；本研究結(jié)果表明離散點(diǎn)云的能量參數(shù)能較好的估測森林的LAI，未來可以嘗試將更多能量參數(shù)應(yīng)用到森林LAI估測研究中來及將點(diǎn)云能量信息推廣到其他更多森林結(jié)構(gòu)參數(shù)的估測研究去。

[1] 徐全芝,張萬昌,劉三超,等.黑河流域葉面積指數(shù)的遙感反演[J].干旱區(qū)研究,2003,20(04):281-285.

[2] 劉志理, 金光澤.小興安嶺三種林型葉面積指數(shù)的估測[J].應(yīng)用生態(tài)學(xué)報, 2012, 23(009): 2437-2444.

[3] 周宇宇,唐世浩,朱啟疆,等.長白山自然保護(hù)區(qū)葉面積指數(shù)測量及結(jié)果[J].資源科學(xué),2003,25(6):38-42.

[4] A Barilotti, S Turco, G Alberti. LAI determination in forestry ecosystem by lidar data analysis[J]. Proceedings of Workshop on 3D Remote Sensing in Forestry, Vienna, Austria,2006:248-252.

[5] 許章華,劉 健,龔從宏,等.馬尾松毛蟲寄主有效葉面積指數(shù)遙感反演模型研究[J].中南林業(yè)科技大學(xué)學(xué)報,2012,32(10): 72-78.

[6] 張 雨,林 輝,臧 卓,等.高光譜遙感影像森林信息提取方法比較[J].中南林業(yè)科技大學(xué)學(xué)報,2013,33(1): 75-79.

[7] 鄒 杰,閻廣建.森林冠層地面葉面積指數(shù)光學(xué)測量方法研究進(jìn)展[J].應(yīng)用生態(tài)學(xué)報, 2010,(11):2971-2979.

[8] Chen J M, Black T A. Measuring leaf-area index of plant canopies with branch architecture[J]. Agricultural and Forest Meteorology,1991, 57(13):1-12 .

[9] Fassnacht Karin S, Gower Stith T, Norman John M,et al.A comparison of optical and direct methods for estimating foliage surface area index in forests[J]. Agricultural and Forest Meteorology, 1994,71(12):183-207.

[10] Stenberg Pauline, Linder Sune, Smolander Heikki,et al.Performance of the LAI-2000 plant canopy analyzer in estimating leaf-area index of some scots pine stands[J].Tree Physiology,1994,14:981-995.

[11] Chen J M. Optically-based methods for measuring seasonal variation of leaf area index in boreal conifer stands[J].Agricultural and Forest Meteorology,1996,80(24):135-163.

[12] Chen J M , Pavlic G , Brown L,et al. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements[J].Remote Sensing of Environment ,2002,80:165-184.

[13] 高登濤, 韓明玉, 李丙智, 等. 冠層分析儀在蘋果樹冠結(jié)構(gòu)光學(xué)特性方面的研究 [J]. 西北農(nóng)業(yè)學(xué)報, 2006, 15(3): 166-170.

[14] 宋子煒, 郭小平, 趙廷寧, 等. 北京山區(qū)油松林光輻射特征及冠層結(jié)構(gòu)參數(shù)[J]. 浙江林學(xué)院學(xué)報, 2009, 26(1): 38-43.

[15] 宋子煒, 郭小平, 趙廷寧, 等. 北京市順義區(qū)公路綠化植物群落的光環(huán)境特性[J]. 生態(tài)學(xué)報, 2008, 28(8): 3779-3788.

[16] Wanger W, Ullrich A, Ducic V,et al.Gaussian decomposition and calibration of a novel small-footprint full-waveform digitising airborne laser scanner[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2006, 60(2): 100-112.

[17] Coren F, Sterzai P. Radiometric correction in laser scanning[J].International Journal of Remote Sensing, 2006, 27(15): 3097-3104.

[18] Holmgren J. Estimation of forest variables using airborne laser scanning, [M]. Ume? : Sveriges lantbruksuniv., 2003, 1401-6230

[19] Morsdorf F, Frey O, Meier E,et al. Assessment of the inf l uence of flying altitude and scan angle on biophysical vegetation products derived from airborne laser scanning[J]. International Journal of Remote Sensing, 2008, 29(5): 1387-1406.

[20] 毛建華,何 挺,曾齊紅,等.基于TIN的LIDAR點(diǎn)云過濾算法[J].激光雜志,2007,28(6):36-38.

[21] Sasaki Takeshi, Imanishi Junichi, Ioki Keiko,et al.Estimation of leaf area index and canopy openness in broadleaved forest using an airborne laser scanner in comparison with high-resolution near-infrared digital photography[J]. Landscape Ecol Eng, 2008,4: 47-55

[22] 駱社周. 激光雷達(dá)遙感森林葉面積指數(shù)提取方法研究與應(yīng)用[D]. 北京:中國地質(zhì)大學(xué), 2012.

A method of leaf area index retrieval for coniferous forests based on LiDAR discrete point cloud intensity information

YOU Hao-tian1, XING Yan-qiu1, WANG Zheng2, HUO Da1, WANG Rui1
(1.Forest Operations and Environment Research Center, Northeast Forestry University, Harbin 150040, Heilongjiang, China;2. Jilin Provincial Geomatics Center, Changchun 130062, Jilin, China)

Leaf area index is an important structure parameter of forest. It plays a signif i cant role in the researches associated with vegetation biophysical activities. In order to improve the estimation precision of forest leaf area index of coniferous forest, by taking Jingyuetan National Forest Park in Changchun city as the studied area, the discrete spot excimer laser radar points cloud of the studied area were treated in fi lter classif i cation and fi tting the waveform data, thus extracting fi ve energy parameters. The fi ve parameters were used to estimate the leaf area index of coniferous forest. The analysis results show that the I2 model was the most suitable, whose relativity was 0.911 and the precision was 0.968. It is suggested that the energy information of small footprint LiDAR points cloud can be well used to estimate leaf area index of coniferous forest, and the small footprint LiDAR energy parameters should widely used in the future.

coniferous forest; leaf area index; discrete points cloud; fi tted waveform; energy parameters

S771.8

A

1673-923X(2014)10-0039-06

2013-09-13

中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金支撐項(xiàng)目（DL12EB07）；國家自然科學(xué)基金支撐項(xiàng)目（41171274）資助

尤號田（1985-），河北保定人，博士研究生，主要從事激光雷達(dá)森林結(jié)構(gòu)參數(shù)定量研究；E-mail：wuliu2007_02@163.com

[本文編校：文鳳鳴]