尤號田，邢艷秋，彭 濤，丁建華

1. 桂林理工大學測繪地理信息學院，廣西 桂林 541004； 2. 東北林業(yè)大學森林作業(yè)與環(huán)境研究中心，黑龍江 哈爾濱 150040

針葉林作為森林的主要組成部分，在調(diào)節(jié)全球氣候、維持大氣平衡及全球碳循環(huán)等方面均發(fā)揮著重要的作用。森林冠層描述了林木枝、葉的分布狀況，控制著森林與外界的水分、能量及大氣交換，對于研究多種森林生物物理活動具有重要意義[1-3]。作為森林冠層結(jié)構(gòu)定量化描述參數(shù)，葉面積指數(shù)(leaf area index,LAI)定義為單位地表面積上所有葉片表面積的一半[4-6]，在森林生長預測[7]、火災預警[8]及生態(tài)過程模擬[9]等方面均發(fā)揮著重要的作用。

激光雷達(light detection and ranging，LiDAR)作為一種新型的主動遙感技術(shù)，不僅能夠獲得地物的結(jié)構(gòu)信息，同時也能獲得地物的回波強度信息。其中，強度信息作為與地表反射直接相關(guān)的信息源，具有結(jié)構(gòu)信息不可比擬的優(yōu)勢，現(xiàn)已廣泛應用于多種森林參數(shù)的估測研究中，如森林類型分類[10]、樹種識別[11]、森林孔隙度估測[12-14]、森林LAI估測[15-16]、森林生物量估測[17]等。

然而，激光雷達強度在獲取過程中受多種因素的影響，如傳感器與目標物之間的距離、入射角、地物反射率及大氣衰減等。近年來，研究人員針對強度影響因素校正進行了不斷的嘗試并獲得了不錯的結(jié)果。如：文獻[12，18]利用距離對LiDAR點云強度數(shù)據(jù)進行校正，進而估測了森林LAI，雖獲得了不錯的估測結(jié)果，但卻未對強度距離校正前后LAI估測結(jié)果差異進行深入研究;文獻[19]同樣利用距離對LiDAR點云強度進行校正，從中提取單束激光穿透指數(shù)用于估測白樺林LAI，結(jié)果經(jīng)驗模型估測精度R2=0.80，MAD=0.11，理論模型估測精度R2=0.77，RMSE=0.16，但同樣未對強度校正前后估測結(jié)果的差異進行深入研究。與上述研究有所不同，文獻[20]對強度校正前后估測結(jié)果差異進行了研究，利用距離、入射角及反射率對LiDAR點云強度進行校正，從中提取激光穿透指數(shù)用于估測森林LAI，結(jié)果發(fā)現(xiàn)強度校正后森林LAI的估測精度R2=0.825，RMSE=0.165，結(jié)果遠高于強度未校正時的估測結(jié)果(R2=0.726，RMSE=0.258)，但卻未對單個因素校正前后的影響進行深入分析。綜上分析可知，單因素強度校正森林LAI估測影響結(jié)果未知，不能實現(xiàn)強度數(shù)據(jù)有針對性的校正，會造成多因素綜合強度校正效率較低、人力物力浪費，甚至會在一定程度降低估測精度。因此，各影響因素強度校正影響的定量化研究顯得尤為重要，對于提高強度校正效率及森林參數(shù)估測精度具有重要意義。

先前基于機載LiDAR點云數(shù)據(jù)森林LAI估測研究多以比爾朗伯定律為基礎，通過對點云數(shù)據(jù)進行分類處理進而計算比值參數(shù)，如：激光穿透指數(shù)(laser penetration index，LPI)，用于替代比爾朗博定律內(nèi)的森林孔隙度。由比值參數(shù)的性質(zhì)可知，LPI通常是由兩類數(shù)據(jù)經(jīng)過比值運算得到，而在比值運算的過程中會對數(shù)據(jù)間的某些差異產(chǎn)生一定程度的影響，因而在反映強度校正前后數(shù)據(jù)差異時可能存在一定的不足[21]。為了與LPI參數(shù)形成對比，本研究同時引入了一個新的變量參數(shù)，即冠層總強度(canopy intensity sum，CIS)，定義為森林冠層部分所有離散LiDAR點云強度之和[22]，由其定義可知，冠層總強度參數(shù)只與森林冠層的強度有關(guān)，因而，理論上而言能夠更加直觀地反映強度校正對森林LAI估測的影響。

因此，本研究分別采用距離、入射角及距離和入射角對機載LiDAR點云強度進行校正，從中提取冠層總強度和強度比值兩種不同類型的參數(shù)變量，用于森林LAI的估測研究，從而實現(xiàn)各影響因素強度校正對不同類型參數(shù)估測森林LAI的影響進行量化，以期為未來機載LiDAR強度數(shù)據(jù)林業(yè)應用提供針對性的校正意見與建議。

1 研究區(qū)與數(shù)據(jù)介紹

1.1 研究區(qū)概況

本研究以長春凈月潭國家森林公園(125°21′E，43°52′N)為研究區(qū)。該公園位于長春市東南部，地貌為低山丘陵，高程為220～406.5 m，北部高程較高且變化較大，南部則高程較低且變化較小。研究區(qū)處于地帶類型的過渡區(qū)，因而植被組成相對豐富多樣，園區(qū)內(nèi)種植了大量的人工林，總面積高達80 km2，森林覆蓋率在96%以上。其中，樟子松(pinus sylvestris)作為研究區(qū)的主要組成樹種，成片分布于研究區(qū)內(nèi)。

1.2 機載LiDAR離散點云數(shù)據(jù)

2012年5月31日對研究區(qū)進行機載LiDAR數(shù)據(jù)采集，研究區(qū)總共有9條南北航向的離散點云數(shù)據(jù)所覆蓋，相鄰航帶之間的重疊度在40%左右。本次LiDAR數(shù)據(jù)采集所用傳感器為Leica ALS70，絕對航高為560 m，激光脈沖波長為1064 nm，掃描角在±20°以內(nèi)，掃描頻率為40.3 Hz，光斑直徑為0.28 m。LiDAR數(shù)據(jù)除包含地物的X、Y、Z坐標數(shù)據(jù)外，還同時存儲了地物的強度、航向及對應的掃描角數(shù)據(jù)。

1.3 野外數(shù)據(jù)

2014年7月在研究區(qū)樟子松林分內(nèi)隨機選取了30塊半徑為10 m的樣方。首先利用天寶GeoXH 6000 GPS和南方NTS 312B全站儀測定樣方中心點的坐標、高程及坡度等信息，同時利用三星NV3魚眼鏡頭在每個樣方的中心點、4個主方向距中心點5 m處各采集一張半球影像。根據(jù)野外調(diào)查發(fā)現(xiàn)，樣方內(nèi)林下植被高度絕大多數(shù)在1.5 m以下，為了減少林下植被對半球影像估測結(jié)果的影響，在采集半球影像時將魚眼鏡頭的高度設定為地面以上1.5 m，同時為了簡化后續(xù)處理，半球影像拍攝時應指向正北向，且避免太陽直射。之后利用WinSCANOPY 2010軟件對采集到的半球影像進行處理，最終取其均值作為樣方實測LAI。野外樣地基本統(tǒng)計量描述見表1。

2 研究方法

2.1 機載LiDAR點云數(shù)據(jù)預處理

原始機載LiDAR數(shù)據(jù)通常會包含噪聲點，因此在進行點云數(shù)據(jù)處理之前先利用孤立點算法對其進行去噪處理。接著對去除噪后的點云數(shù)據(jù)進行重疊點移除操作，以消除相鄰航帶旁向重疊對點云密度造成的影響，并使點云掃描角在±10°以內(nèi)。之后利用不規(guī)則三角網(wǎng)濾波算法實現(xiàn)地面點及非地面點的分類處理，并利用不規(guī)則三角網(wǎng)插值算法將得到的地面點插值生成數(shù)字高程模型(digital elevation model，DEM)，進而完成非地面點的高程歸一化。最終將1.5 m以上的非地面點歸為植被點，將1.5 m以下的非地面點和地面點統(tǒng)稱為地面點。

表1 野外樣地基本統(tǒng)計量描述

2.2 LiDAR強度數(shù)據(jù)校正

2.2.1 雷達方程

機載LiDAR系統(tǒng)的工作原理與雷達系統(tǒng)相似，因而LiDAR系統(tǒng)測得的強度數(shù)據(jù)同樣遵循雷達方程，如式(1)所示

(1)

式中，Pr為LiDAR傳感器接收的強度值；Pt為LiDAR傳感器發(fā)射的能量值；Dr為傳感器光圈的直徑；R為傳感器到目標物體之間的距離；βt為激光脈沖的發(fā)散度；ηsys為LiDAR系統(tǒng)的系統(tǒng)誤差；ηatm為大氣的衰減系數(shù)；σ為被照射物體的后向散射橫截面。

由式(1)可知，LiDAR系統(tǒng)記錄的強度值受LiDAR傳感器設置參數(shù)、大氣傳輸及照射物體特性的影響[23]。在假定被照射物體為理想朗伯體反射的時候，傳感器接收的能量與cosα成正比，所以被照射物體的后向散射橫截面可以表示為cosα的函數(shù)，具體如式(2)所示[24-25]

(2)

式中，ρ為被照射物體的反射率；α為入射角。

實際上，自然界中絕大多數(shù)物體均不是理想朗伯體反射，但因物體表面的具體反射特性不易獲得，同時也為了簡化計算過程，依然采用理想朗伯體反射假設。將式(2)與式(1)進行合并，式(1)可以表達為式(3)

(3)

因研究區(qū)的LiDAR數(shù)據(jù)均是在一次飛行任務中獲得，所以式(3)中的部分參數(shù)認為是相同的，如Pt、Dr、ηsys和ηatm，同時因森林冠層真實的反射率數(shù)據(jù)不可獲得，因此忽略反射率的影響，統(tǒng)一將上述參數(shù)表示為常數(shù)C(文獻[25，27])，式(3)可以簡化為式(4)

(4)

因而，本研究只對傳感器與目標物體間的距離及入射角對LiDAR強度數(shù)據(jù)產(chǎn)生的影響進行校正研究。

2.2.2 距離校正

由式(4)可知，LiDAR傳感器接收的強度值與傳感器和目標物體間的距離及入射角有關(guān)。為了單獨研究強度數(shù)據(jù)距離校正對森林LAI估測產(chǎn)生的影響，在此先假定入射角為常數(shù)，因此距離校正公式可簡化為式(5)和式(6)

(5)

(6)

式中，IR為校正后的強度數(shù)據(jù)；Iraw為原始的強度數(shù)據(jù)，由點云數(shù)據(jù)直接獲得；R為傳感器到目標物體之間的距離；Rref為參考距離，取值1500 m；R′為點云數(shù)據(jù)的高程值，由點云數(shù)據(jù)直接獲得；θ為點云數(shù)據(jù)的掃描角，由點云數(shù)據(jù)直接獲得。

此距離校正方法現(xiàn)已成功用于多種機載LiDAR強度數(shù)據(jù)的校正與應用研究中[3,17,28]。

2.2.3 入射角校正

入射角定義為激光入射方向與物體表面法線之間的夾角。由定義可以看出，入射角不僅與激光的掃描角有關(guān)，而且還與激光脈沖接觸表面的地形(坡度和坡向)有關(guān)。當表面完全水平時，入射角等于掃描角；當物體表面存在坡度時，入射角是掃描角、坡度和坡向共同作用的結(jié)果，計算過程見式(7)所示

α=arccos[cosθcosφ+sinθsinφcos(β-θh)]

(7)

式中，α為入射角；φ為坡度，由DEM衍生得到的坡度專題圖計算得到；β為坡向，由DEM衍生得到的坡向?qū)ｎ}圖計算得到；θh為水平投影角，由脈沖及飛行器位置共同計算得到，具體計算過程參見文獻[27]。有關(guān)公式的詳細推導過程參見文獻[27]。入射角校正與距離校正相似，即假定傳感器與目標物體間的距離為常數(shù)，因此校正的強度和入射角的余弦值成反比，如式(8)所示

(8)

式中，IA為入射角校正后的強度；αref為參考入射角，取值0°。

現(xiàn)階段有關(guān)植被LiDAR強度入射角校正所采用的入射角有以下3種：①忽略地形的影響，完全采用掃描角；②考慮地形的影響，采用DEM與掃描角共同衍生得到入射角；③考慮地形及植被表面的影響，采用DEM和掃描角衍生得到地面點入射角，同時利用數(shù)字表面模型和掃描角衍生得到植被點的入射角。從理論上講，第3種入射角強度校正所得結(jié)果最為準確，但因森林冠層結(jié)構(gòu)復雜，使得數(shù)字表面模型求得的入射角相對較大，會導致植被點云強度過矯正[27,29]。同時研究表明當掃描角小于15°時，掃描角強度校正對結(jié)果的影響不大，甚至可以忽略不計[30-31]。因而，出于簡化計算的目的，部分先前研究常采用由DEM和掃描角共同衍生得到的入射角對機載LiDAR點云強度數(shù)據(jù)進行校正進而估測森林結(jié)構(gòu)參數(shù)[20，32]，但卻均未考慮由DEM和掃描角共同衍生得到的入射角對森林植被點云強度校正的適用性。為了量化此入射角對森林植被點云強度校正的影響，進而為后續(xù)研究提供針對性的校正意見與建議，本研究僅對由DEM和掃描角共同衍生得到的入射角進行研究。

2.2.4 距離和入射角校正

為了驗證距離及入射角綜合強度校正對森林LAI估測的影響，本研究在距離和入射角單獨校正的基礎上綜合考慮二者共同校正的影響，其強度校正過程如式(9)所示

(9)

式中，IRA為距離和入射角共同校正后的強度；其余變量所代表的意義同上。

2.3 強度參數(shù)提取

本文分別選取了兩種不同類型的參數(shù)用于驗證LiDAR強度校正前后對森林LAI估測的影響，其中一種為冠層總強度參數(shù)；一種為強度比值參數(shù)。

2.3.1 冠層總強度參數(shù)提取

冠層總強度參數(shù)最早由文獻[22]從大光斑全波形激光雷達系統(tǒng)中提出，之后由文獻[33]引入機載LiDAR離散點云數(shù)據(jù)森林結(jié)構(gòu)參數(shù)估測研究。由CIS定義可知，在機載LiDAR離散點云應用中，冠層總強度參數(shù)與多種因素有關(guān)，如：樣方點云密度和樣方面積。為了消除點云密度及面積對CIS計算結(jié)果的影響，本研究在計算CIS的過程中充分考慮了樣方點云密度及樣方坡度的差異，具體計算過程如式(10)所示

(10)

2.3.2 強度比值參數(shù)提取

為了與冠層總強度參數(shù)形成對比，本研究同時采用強度比值參數(shù)，即激光穿透指數(shù)。LPI在計算的過程中充分考慮了激光在森林冠層內(nèi)部的傳輸，現(xiàn)已廣泛應用于森林郁閉度及森林葉面積指數(shù)的估測研究[1,34]。有關(guān)此變量的詳細解釋見文獻[35]，其計算過程如式(11)所示

(11)

式中，LPI為由強度數(shù)據(jù)計算得到的激光穿透指數(shù)；∑Iground為樣方地面總強度，由樣方地面點云原始或校正強度計算得到；∑Ivegetation為樣方冠層總強度，由樣方植被點云原始或校正強度計算得到。

2.4 森林LAI反演及精度評價

為了更加直觀地體現(xiàn)點云強度校正對森林LAI估測的影響，本研究采用一元線性回歸對森林LAI進行建模，具體如式(12)所示

y=ax+b

(12)

式中，y為實測森林LAI；a為擬合系數(shù)；x為CIS或-ln(LPI)；b為常數(shù)項。同時由比爾朗伯定律可知，LAI與-ln(LPI)線性相關(guān)，所以在用LPI對森林LAI進行估測時應先對其進行對數(shù)變化[20]。

因研究所用樣本數(shù)量相對較少，為了在有限樣本條件下獲得較為穩(wěn)定可靠的森林LAI估測結(jié)果，本研究采用留一交叉驗證用于森林LAI估測模型的建立及精度評價。其中，模型決定系數(shù)(coefficient of determination，R2)和均方根誤差(root mean square error，RMSE)用作估測模型精度評價的指標。

3 結(jié)果分析與討論

3.1 基于距離校正強度參數(shù)森林LAI估測結(jié)果

3.1.1 冠層總強度參數(shù)估測結(jié)果

距離強度校正前后CIS參數(shù)森林LAI估測結(jié)果如圖1所示。通過對圖1所示森林LAI估測結(jié)果進行分析可知，對CIS參數(shù)而言，強度距離校正能夠提高森林LAI的估測精度。具體如圖1(a)所示，強度距離校正前森林LAI的估測精度R2=0.646，RMSE=0.226，強度經(jīng)距離校正后森林LAI的估測精度R2=0.714，RMSE=0.203(圖1(b))，相較強度距離校正前R2增加了0.068，RMSE減少了0.023。

圖1 野外實測LAI與CIS變量預測LAI關(guān)系Fig.1 The relationships between the field-measured LAI and CIS predicted LAI

3.1.2 強度比值參數(shù)估測結(jié)果

距離強度校正前后LPI參數(shù)森林LAI估測結(jié)果如圖2所示。通過對圖2所示LPI參數(shù)強度校正前后森林LAI估測結(jié)果進行對比分析發(fā)現(xiàn)，對LPI參數(shù)而言，強度經(jīng)距離校正雖對森林LAI的估測結(jié)果有影響，但影響不大。如圖2(a)所示，強度校正前LPI森林LAI估測結(jié)果R2=0.794，RMSE=0.172；如圖2(b)所示，強度校正后LPI森林LAI估測結(jié)果R2=0.795，RMSE=0.172，相較強度校正前估測精度R2僅增加了0.001，RMSE則保持不變。

圖2 野外實測LAI與LPI變量預測LAI關(guān)系Fig.2 The relationships between the field-measured LAI and LPI predicted LAI

對圖1和圖2所示結(jié)果進行綜合分析可知，無論是CIS參數(shù)還是LPI參數(shù)，點云強度距離校正均能提高森林LAI估測精度，只是在增長量上稍有差異，具體為CIS參數(shù)估測結(jié)果增量高于LPI估測結(jié)果增量。結(jié)果表明，強度距離校正能夠提高森林LAI估測精度，且強度比值參數(shù)在一定程度上減弱了強度距離校正對森林LAI估測的影響。這一結(jié)果與先前研究在某種意義上具有一致性，先前研究認為傳感器與目標之間的距離是所有強度數(shù)據(jù)影響因素中最為重要的因素，距離強度校正能在一定程度上提高估測結(jié)果精度[36]。

3.2 基于入射角校正強度參數(shù)森林LAI估測結(jié)果

3.2.1 冠層總強度參數(shù)估測結(jié)果

入射角強度校正后CISA參數(shù)森林LAI估測結(jié)果如圖3所示。對CIS參數(shù)而言，強度經(jīng)入射角校正后森林LAI的反演精度非但沒能得到提高，反而出現(xiàn)了一定程度的下降。如圖3所示，強度經(jīng)入射角校正后的估測精度R2=0.610，RMSE=0.237，相較強度校正前估測結(jié)果R2降低了0.036，RMSE增加了0.011。

圖3 野外實測LAI與CISA預測LAI關(guān)系Fig.3 The relationships between the field-measured LAI and CISA predicted LAI

3.2.2 強度比值參數(shù)估測結(jié)果

入射角強度校正后LPIA參數(shù)森林LAI估測結(jié)果如圖4所示。對LPI參數(shù)而言，入射角強度校正在一種程度上降低了森林LAI的估測精度，但結(jié)果差異不明顯。如圖4所示，強度經(jīng)入射角校正森林LAI的估測結(jié)果R2=0.793，RMSE=0.173，相較強度校正前森林LAI估測結(jié)果而言，R2降低了0.001，RMSE增大了0.001。

通過對圖3和圖4所示結(jié)果進行綜合分析可知，無論是CIS參數(shù)還是LPI參數(shù)，強度經(jīng)入射角校正對森林LAI估測的影響均為負，且CIS參數(shù)估測結(jié)果的降低量要大于LPI參數(shù)估測結(jié)果的降低量。結(jié)果表明，由DEM和掃描角計算得到的入射角不適于樟子松冠層點云強度校正，同時強度比值參數(shù)在一定程度上減弱了入射角強度校正對森林LAI估測產(chǎn)生的影響。

圖4 野外實測LAI與LPIA預測LAI關(guān)系Fig.4 The relationships between the field-measured LAI and LPIA predicted LAI

本研究入射角強度校正影響為負，可以從以下兩個方面來解釋：

(1) 研究所采用強度校正入射角均是由DEM和掃描角共同衍生得到，而未對森林不同點云強度入射角校正進行差異化處理。眾所周知，森林內(nèi)成片的林木樹冠表面會形成一個連續(xù)的、類似DEM的表面，稱為數(shù)字表面模型(digital surface model,DSM)，這個DSM與林木的生長狀況及林木冠層起伏密切相關(guān)。由DEM和掃描角共同衍生得到的入射角適用于森林地面點強度校正，卻不適用于森林冠層植被點的強度校正，主要是因為在同一X、Y處，DEM和DSM衍生得到的坡度坡向數(shù)據(jù)差異相對較大，因而由DSM和掃描角衍生得到的入射角不能等同由DEM和掃描角共同衍生得到的入射角，所以用由DEM和掃描角共同衍生得到的入射角對林木冠層點云強度數(shù)據(jù)進行校正存在一定的不足。

(2) 研究采用雷達方程校正入射角的影響時，物體表面被假定為理想的朗伯體反射，因此物體反射強度和cosα成一定的比例[24]，而現(xiàn)實自然界內(nèi)的絕大多數(shù)物體并不完全遵循朗伯體反射，物體非朗伯體反射部分的存在在一定程度上也會造成校正結(jié)果的不準確性。綜上所述，在未來林業(yè)LiDAR強度校正研究中，應采用更為合適的校正算法對森林不同點云強度數(shù)據(jù)進行差異化校正，進而提高森林結(jié)構(gòu)參數(shù)估測精度。

強度校正對于兩種不同類型參數(shù)估測結(jié)果的影響程度因其性質(zhì)不同而互有差異。強度經(jīng)距離和入射角校正對冠層總強度參數(shù)的影響相對較大，而對強度比值參數(shù)的影響相對較小。如前所述，強度比值參數(shù)是由地面總強度和樣方總強度經(jīng)過比值運算得到，比值運算在一定程度上減弱了強度校正對森林LAI估測產(chǎn)生的影響；而冠層總強度參數(shù)為強度的簡單加和，在一定程度上很好地保留了強度校正的影響。文獻[21]曾得出類似結(jié)論，認為圖像方差之間的比值運算能夠消除光學影像中物體和背景之間的對比差異。因此，未來應根據(jù)研究目的的不同選用合適的參數(shù)變量。

3.3 基于距離和入射角校正強度參數(shù)森林LAI估測結(jié)果

3.3.1 冠層總強度參數(shù)估測結(jié)果

距離和入射角強度校正CISRA參數(shù)森林LAI估測結(jié)果如圖5所示。對CIS參數(shù)而言，強度經(jīng)距離和入射角校正能夠提高森林LAI的估測精度。如圖5所示，強度經(jīng)距離和入射角校正后森林LAI的估測精度R2=0.681，RMSE=0.214，較強度校正前森林LAI估測結(jié)果R2提高了0.035，RMSE降低了0.012。

圖5 野外實測LAI與CISRA預測LAI關(guān)系Fig.5 The relationships between the field-measured LAI and CISRA predicted LAI

綜合對比分析圖1、圖3和圖5所示結(jié)果可知，強度經(jīng)距離和入射角校正CISRA森林LAI的估測精度低于強度經(jīng)距離校正的結(jié)果，但高于強度經(jīng)入射角校正的結(jié)果。究其原因是主要距離校正對森林LAI的估測為正的影響，入射角校正對森林LAI的估測為負的影響，所以二者綜合校正的結(jié)果雖為正，但估測精度卻低于單獨距離校正的估測精度。結(jié)果表明：對樟子松而言，強度距離校正森林LAI估測結(jié)果最優(yōu)，入射角的引入非但沒能提高結(jié)果精度，反而降低了估測精度。

3.3.2 強度比值參數(shù)估測結(jié)果

距離和入射角強度校正LPIRA參數(shù)森林LAI估測結(jié)果如圖6所示。對LPI參數(shù)而言，強度經(jīng)距離和入射角校正對森林LAI估測精度的影響不大，但整體卻表現(xiàn)為負的影響。如圖6所示，強度經(jīng)距離和入射角校正森林LAI估測結(jié)果R2=0.794，RMSE=0.173，較強度校正前森林LAI估測結(jié)果僅在RMSE上增大了0.001，R2則保持不變。

圖6 野外實測LAI與LPIRA預測LAI關(guān)系Fig.6 The relationships between the field-measured LAI and LPIRA predicted LAI

通過對圖2、圖4和圖6所示結(jié)果進行綜合分析發(fā)現(xiàn)，強度經(jīng)距離和入射角校正LPIRA森林LAI估測結(jié)果低于強度距離校正估測結(jié)果，卻優(yōu)于強度入射角校正估測結(jié)果，總體精度處于二者之間。與此同時，強度經(jīng)距離、入射角、距離和入射角校正與強度未校正LPI參數(shù)森林LAI估測結(jié)果差異不大，甚至可以忽略不計。

4 結(jié) 論

本文分別采用距離、入射角及距離和入射角分別對機載LiDAR點云強度數(shù)據(jù)進行校正，從中提取冠層總強度和強度比值兩種不同類型參數(shù)，分別用于量化各因素強度校正對樟子松LAI估測的影響，得出以下結(jié)論：

(1) 不同因子強度校正對森林LAI估測結(jié)果的影響不同。具體而言，距離校正能夠提高森林LAI的估測精度，但由DEM和掃描角共同衍生得到的入射角校正非但不能提高森林LAI的估測精度，反而降低了估測精度。相較而言，強度經(jīng)距離和入射角綜合校正雖能提高森林LAI的估測精度，但結(jié)果卻低于距離單獨校正的結(jié)果。

(2) 強度校正對森林LAI估測結(jié)果影響程度與所用變量參數(shù)類型密切相關(guān)。對強度比值參數(shù)而言，強度校正前后對森林LAI估測結(jié)果的影響不大；而對冠層總強度參數(shù)而言，強度校正前后森林LAI估測結(jié)果的差異較為明顯。

本研究所得結(jié)論是在地形結(jié)構(gòu)相對平坦，樹種結(jié)構(gòu)較為單一區(qū)域得出，至于地形復雜區(qū)域結(jié)論的適用性有待進一步驗證。因此，在未來的研究中應逐漸擴大研究范圍，以驗證上述結(jié)論在地形結(jié)構(gòu)相對復雜、林種組成多樣區(qū)域的適用性。

[1] SUMNALL M J, FOX T R, WYNNE R H, et al. Estimating Leaf Area Index at Multiple Heights within the Understory Component of Loblolly Pine Forests from Airborne Discrete-return LiDAR[J]. International Journal of remote Sensing, 2016, 37(1): 78-99.

[2] BRéDA N J J. Ground-based Measurements of Leaf Area Index: A Review of Methods, Instruments and Current Controversies[J]. Journal of Experimental Botany, 2003, 54(392): 2403-2417.

[3] GATZIOLIS D. Dynamic Range-Based Intensity Normalization for Airborne, Discrete Return LiDAR Data of Forest Canopies[J]. Photogrammetric Engineering & Remote Sensing, 2011, 77(3): 251-259.

[4] CHEN J M, BLACK T A. Measuring Leaf Area Index of Plant Canopies with Branch Architecture[J]. Agricultural and Forest Meteorology, 1991, 57(1-3): 1-12.

[5] 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(1): 165-184.

[6] 尤號田, 邢艷秋, 王錚, 等. 利用LiDAR離散點云估測針葉林葉面積指數(shù)[J]. 西北林學院學報, 2014, 29(3): 41-47.

YOU Haotian, XING Yanqiu, WANG Zheng, et al. Estimation of the Leaf Area Index of Coniferous Forests Using LiDAR Discrete Point Cloud[J]. Journal of Northwest Forestry University, 2014, 29(3): 41-47.

[7] WOODGATE W, DISNEY M, ARMSTON J D, et al. An Improved Theoretical Model of Canopy Gap Probability for Leaf Area Index Estimation in Woody Ecosystems[J]. Forest Ecology and Management, 2015, 358: 303-320.

[8] FINNEY M A. FARSITE: Fire Area Simulator-model Development and Evaluation[R]. RMRS-RP-4, USDA Forest Service, 1998.

[9] MORSDORF F, K?TZ B, MEIER E, et al. Estimation of LAI and Fractional Cover from Small Footprint Airborne Laser Scanning Data Based on Gap Fraction[J]. Remote Sensing of Environment, 2006, 104(1): 50-61.

[10] WANG Cheng, GLENN N F. Integrating LiDAR Intensity and Elevation Data for Terrain Characterization in A Forested Area[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(3): 463-466.

[11] KIM S, MCGAUGHEY R J, ANDERSEN H E, et al. Tree Species Differentiation Using Intensity Data Derived from Leaf-on and Leaf-off Airborne Laser Scanner Data[J]. Remote Sensing of Environment, 2009, 113(8): 1575-1586.

[12] HOPKINSON C, CHASMER L. Testing LiDAR Models of Fractional Cover Across Multiple Forest Ecozones[J]. Remote Sensing of Environment, 2009, 113(1): 275-288.

[13] ZHAO Kaiguang, POPESCU S. LiDAR-based Mapping of Leaf Area Index and Its Use for Validating GLOBCARBON Satellite LAI Product in a Temperate Forest of the Southern USA[J]. Remote Sensing of Environment, 2009, 113(8): 1628-1645.

[14] 尤號田, 邢艷秋, 冉慧, 等. 基于LiDAR點云能量信息的樟子松郁閉度反演方法[J]. 北京林業(yè)大學學報, 2014, 36(6): 30-35.

YOU Haotian, XING Yanqiu, RAN Hui, et al. Inversion Method for the Crown Density of Mongolian Scotch Pine from Point Cloud Data of Small-footprint LiDAR[J]. Journal of Beijing Forestry University, 2014, 36(6): 30-35.

[15] LOVELL J L, JUPP D L B, CULVENOR D S, et al. Using Airborne and Ground-based Ranging LiDAR to Measure Canopy Structure in Australian Forests[J]. Canadian Journal of Remote Sensing, 2003, 29(5): 607-622.

[16] SOLBERG S. Comparing Discrete Echoes Counts and Intensity Sums from ALS for Estimating Forest LAI and Gap Fraction[C]∥Proceedings of the SilviLaser 2008: the 8th International Conference on LiDAR Applications in Forest Assessment and Inventory. Edinburgh: Heriot-Watt University, 2008: 301-304.

[18] HEISKANEN J, KORHONEN L, HIETANEN J, et al. Use of Airborne LiDAR for Estimating Canopy Gap Fraction and Leaf Area Index of Tropical Montane Forests[J]. International Journal of Remote Sensing, 2015, 36(10): 2569-2583.

[19] 邢艷秋, 霍達, 尤號田, 等. 基于機載LiDAR單束激光穿透指數(shù)的白樺林LAI估測[J]. 應用生態(tài)學報, 2016, 27(11): 3469-3478.

XING Yanqiu, HUO Da, YOU Haotian, et al. Estimation of Birch Forest LAI Based on Single Laser Penetration Index of Airborne LiDAR Data[J]. Chinese Journal of Applied Ecology, 2016, 27(11): 3469-3478.

[20] 駱社周, 王成, 張貴賓, 等. 機載激光雷達森林葉面積指數(shù)反演研究[J]. 地球物理學報, 2013, 56(5): 1467-1475.

LUO Shezhou, WANG Cheng, ZHANG Guibin, et al. Forest Leaf Area Index (LAI) Inversion Using Airborne LiDAR Data[J]. Chinese Journal of Geophysics, 2013, 56(5): 1467-1475.

[21] SONG C. Estimating Tree Crown Size with Spatial Information of High Resolution Optical Remotely Sensed Imagery[J]. International Journal of Remote Sensing, 2007, 28(15): 3305-3322.

[22] MEANS J E, ACKER S A, HARDING D J, et al. Use of Large-footprint Scanning Airborne LiDAR to Estimate Forest Stand Characteristics in the Western Cascades of Oregon[J]. Remote Sensing of Environment, 1999, 67(3): 298-308.

[23] JELALIAN A V. Laser Radar Systems[M]. Boston: Artech House, 1992: 3-10.

[24] JUTZI B, STILLA U. Range Determination with Waveform Recording Laser Systems Using a Wiener Filter[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2006, 61(2): 95-107.

[25] H?FLE B, PFEIFER N. Correction of Laser Scanning Intensity Data: Data and Model-driven Approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(6): 415-433.

[26] RONCAT A, BERGAUER G, PFEIFER N.B-spline Deconvolution for Differential Target Cross-section Determination in Full-waveform Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(4): 418-428.

[27] YAN W Y, SHAKER A. Radiometric Correction and Normalization of Airborne LiDAR Intensity Data for Improving Land-cover Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(12): 7658-7673.

[28] KORPELA I, ?RKA H O, HYYPPJ, et al. Range and AGC Normalization in Airborne Discrete-return LiDAR Intensity Data for Forest Canopies[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(4): 369-379.

[29] KAASALAINEN S, JAAKKOLA A, KAASALAINEN M, et al. Analysis of Incidence Angle and Distance Effects on Terrestrial Laser Scanner Intensity: Search for Correction Methods[J]. Remote Sensing, 2011, 3(10): 2207-2221.

[30] COREN F, STERZAI P. Radiometric Correction in Laser Scanning[J]. International Journal of Remote Sensing, 2006, 27(15): 3097-3104.

[31] KUKKO A, KAASALAINEN S, LITKEY P. Effect of Incidence Angle on Laser Scanner Intensity and Surface Data[J]. Applied Optics, 2008, 47(7): 986-992.

[32] MORSDORF F, FREY O, MEIER E, et al. Assessment of the Influence 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.

[33] HALL S A, BURKE I C, BOX D O, et al. Estimating Stand Structure Using Discrete-return LiDAR: An Example from Low Density, Fire Prone Ponderosa Pine Forests[J]. Forest Ecology and Management, 2005, 208(1-3): 189-209.

[34] JENSEN J L R, HUMES K S, VIERLING L A, et al. Discrete Return LiDAR-based Prediction of Leaf Area Index in Two Conifer Forests[J]. Remote Sensing of Environment, 2008, 112(10): 3947-3957.

[35] PEDUZZI A, WYNNE R H, FOX T R, et al. Estimating Leaf Area Index in Intensively Managed Pine Plantations Using Airborne Laser Scanner Data[J]. Forest Ecology and Management, 2012, 270: 54-65.

[36] HOPKINSON C. The Influence of Flying Altitude, Beam Divergence, and Pulse Repetition Frequency on Laser Pulse Return Intensity and Canopy Frequency Distribution[J]. Canadian Journal of Remote Sensing, 2007, 33(4): 312-324.