基于机载激雷达的森林地上生物量估测研究
发布时间：2021-04-07 11:22
森林地上生物量（Above Ground Biomass,AGB）是衡量生态系统生产力的重要标志,也是研究森林生态系统物质循环的基础。激光雷达技术不仅能获取森林的垂直结构信息且具有不存在信号饱和的优点。机器学习方法能提高森林地上生物量的预测精度,同时还可以克服传统回归方程泛化能力差的缺点。在使用激光雷达技术和机器学习方法预测森林地上生物量时存在较多的特征变量,不同的特征变量也会导致预测精度存在差异,多数前人研究中仅使用一种特征选择方法。因此,本文以美国缅因州的佩诺布斯科特森林为研究对象,选取森林的百分位密度和百分位高度作为估测森林地上生物量的特征,借助Python和Scikit-learn编程平台使用Spearman相关系数法、LightGBM（Light Gradient Boosting Machine）算法和随机森林-递归特征消除法三种特征选择方法对特征进行筛选,并使用线性回归模型、随机森林算法和支持向量机算法对样地的森林地上生物量进行预测,旨在对比分析出较优的方法,为森林资源调查人员提供参考。论文研究内容和结论如下:（1）使用Spearman相关系数法、LightGBM算法和随...
【文章来源】：西安科技大学陕西省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
佩诺布斯科特森林位置示意图
2研究区域概况及数据预处理92.2数据预处理2.2.1实测数据（1）佩诺布斯科特实验森林的范围如表2.1所示：表2.1佩诺布斯科特森林范围坐标西经(o)东经(o)北纬(o)南纬(o)坐标基准-68.64-68.5844.8744.82WGS84（2）样地布设：在佩诺布斯科特森林，设置了12组50m*200m的样地，每个样地又被划分成16个25m*25m的子样地。单个样地划分如图2.2示。图2.2样地布设示意图（摘自https://www.nrs.fs.fed.us/）（3）实测生物量数据获取：观测者在树木高为1.3m处量测样区树木的胸径，同时记录树木的树种信息，状态信息（活或死）。然后利用树木的胸径，依据2004年Jenkins提出的异速方程计算出树木的生物量[45]。异速方程计算公式如下：01((ln(()))()BBdbhcmbiomasskge+=(2.1)其中，01B,B为相应的系数，可以查表得出，其数值依据树种的变化而变化，dbh为树木胸径，由实际测量获得。2.2.2LiDAR数据（1）LiDAR工作原理。LiDAR是一种遥感手段，它使用脉冲激光来测量到地球的距离（可变距离）。这些光脉冲与机载系统记录的其他数据相结合，可生成有关地球形状及其表面特征的精确的三维信息。LiDAR仪器主要由激光，扫描仪和专用GPS接收器组成。飞机和直升机是在广阔区域中获取激光雷达数据的最常用平台。LiDAR主要用来测量地形和测深。地形激光雷达通常使用近红外激光来绘制地形图，而测深雷达则使用能穿透水的绿光来测量海底和河床高。（2）LiDAR数据介绍。佩诺布斯科特实验森林的激光雷达数据是由美国国家航空航天局戈达德飞行中心进行航飞和处理。数据采集时间为2012年6月19--21日，飞行
西安科技大学全日制工程硕士学位论文10的重叠度为30%，飞行高度为300m。激光雷达数据常用的存储格式有las格式，栅格形式以及自定义格式，本次数据存储形式采用常见的las格式。las是一种文件格式，是由美国摄影测量与遥感学会（ASPRS）指定的一种开放的二进制格式，旨在交换和归档激光雷达点云数据。该格式被广泛使用，并被视为激光雷达数据的行业标准。最初的las版本为1.0是2003年5月9日发布，经过后续的不断完善，最新的激光点云格式采用的是las1.4版本于2011年11月14日推出。本次数据存储采用的是las1.1格式，由三部分二进制文件组成，分别是：公用文件头块、变量长度记录和点数据记录。公用头文件块主要记录点云的序列号和坐标范围，变量长度记录记录投影信息、元数据、用户应用程序数据等。部分森林区域激光雷达点云如图2.3所示，依据高度不同渲染不同的颜色，红色为地面，黄色为树木。图2.3研究区激光雷达数据（3）森林指标。由图2.3可以看出，点云数据显然不利于处理，因此利用Fusion软件对激光雷达点云进行处理，得到百分位高度、百分位密度的森林指标信息，并以tif形式保存相应的数据。Fusion软件是由太平洋西北研究中心和美国华盛顿大学科学家共同编写的用于可视化和处理激光点云数据的软件，由于其方便、高效、免费的特点，在激光点云处理方面得到了大规模的使用。处理结果如图2.4所示，其中图2.4(a)--(j)是百分位密度数据，由0%-90%，图2.5(a)--(j)是百分位高度数据，由10%-100%，图2.5(k)是高度平均值数据，图2.5(l)是高度标准差数据。
【参考文献】：
期刊论文
[1]森林生物量模型研究综述[J]. 欧光龙,胥辉. 西南林业大学学报(自然科学). 2020(01)
[2]基于光学多光谱与SAR遥感特征快速优化的大区域森林地上生物量估测[J]. 张少伟,惠刚盈,韩宗涛,孙珊珊,田昕. 遥感技术与应用. 2019(05)
[3]基于梯度提升树算法的夏玉米叶面积指数反演[J]. 张宏鸣,刘雯,韩文霆,刘全中,宋荣杰,侯贵河. 农业机械学报. 2019(05)
[4]黄河三角洲孤岛刺槐林地上生物量的估算——基于无人机机载激光雷达[J]. 李桂林,王红,宋音,杨世琪. 中国农学通报. 2018(26)
[5]集成学习之随机森林算法综述[J]. 王奕森,夏树涛. 信息通信技术. 2018(01)
[6]运用融合纹理和机载LiDAR特征模型估测森林地上生物量[J]. 胡凯龙,刘清旺,李世明,庞勇,李梅. 东北林业大学学报. 2018(01)
[7]基于多目标优化的软件缺陷预测特征选择方法[J]. 陈翔,沈宇翔,孟少卿,崔展齐,鞠小林,王赞. 计算机科学与探索. 2018(09)
[8]基于机载全波形LiDAR数据的森林地上生物量估测算法研究[J]. 邢艳秋,姚松涛,李梦颖,谢杰,闫灿. 森林工程. 2017(04)
[9]模拟干旱对亚热带森林土壤微生物生物量及群落结构的影响[J]. 聂园园,周贵尧,邵钧炯,周灵燕,刘瑞强,翟德苹,周旭辉. 复旦学报(自然科学版). 2017(01)
[10]机载LiDAR数据估算样地和单木尺度森林地上生物量[J]. 李旺,牛铮,王成,高帅,冯琦,陈瀚阅. 遥感学报. 2015(04)
博士论文
[1]基于机器学习方法的珠三角地区商场空调全年负荷预测研究[D]. 郑林涛.华南理工大学 2019
[2]基于决策森林的回归模型方法研究及应用[D]. 闫云凤.浙江大学 2019
[3]随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014
硕士论文
[1]森林生物量遥感估测模型构建中的特征选择方法对比研究[D]. 于晓辉.浙江农林大学 2019
[2]基于机器学习树模型的GNSS-R海面风场反演研究[D]. 骆黎明.中国科学院大学(中国科学院国家空间科学中心) 2019
[3]基于机载LiDAR反演森林参数的研究[D]. 霍达.东北林业大学 2015
本文编号：3123398
【文章来源】：西安科技大学陕西省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
佩诺布斯科特森林位置示意图
2研究区域概况及数据预处理92.2数据预处理2.2.1实测数据（1）佩诺布斯科特实验森林的范围如表2.1所示：表2.1佩诺布斯科特森林范围坐标西经(o)东经(o)北纬(o)南纬(o)坐标基准-68.64-68.5844.8744.82WGS84（2）样地布设：在佩诺布斯科特森林，设置了12组50m*200m的样地，每个样地又被划分成16个25m*25m的子样地。单个样地划分如图2.2示。图2.2样地布设示意图（摘自https://www.nrs.fs.fed.us/）（3）实测生物量数据获取：观测者在树木高为1.3m处量测样区树木的胸径，同时记录树木的树种信息，状态信息（活或死）。然后利用树木的胸径，依据2004年Jenkins提出的异速方程计算出树木的生物量[45]。异速方程计算公式如下：01((ln(()))()BBdbhcmbiomasskge+=(2.1)其中，01B,B为相应的系数，可以查表得出，其数值依据树种的变化而变化，dbh为树木胸径，由实际测量获得。2.2.2LiDAR数据（1）LiDAR工作原理。LiDAR是一种遥感手段，它使用脉冲激光来测量到地球的距离（可变距离）。这些光脉冲与机载系统记录的其他数据相结合，可生成有关地球形状及其表面特征的精确的三维信息。LiDAR仪器主要由激光，扫描仪和专用GPS接收器组成。飞机和直升机是在广阔区域中获取激光雷达数据的最常用平台。LiDAR主要用来测量地形和测深。地形激光雷达通常使用近红外激光来绘制地形图，而测深雷达则使用能穿透水的绿光来测量海底和河床高。（2）LiDAR数据介绍。佩诺布斯科特实验森林的激光雷达数据是由美国国家航空航天局戈达德飞行中心进行航飞和处理。数据采集时间为2012年6月19--21日，飞行
西安科技大学全日制工程硕士学位论文10的重叠度为30%，飞行高度为300m。激光雷达数据常用的存储格式有las格式，栅格形式以及自定义格式，本次数据存储形式采用常见的las格式。las是一种文件格式，是由美国摄影测量与遥感学会（ASPRS）指定的一种开放的二进制格式，旨在交换和归档激光雷达点云数据。该格式被广泛使用，并被视为激光雷达数据的行业标准。最初的las版本为1.0是2003年5月9日发布，经过后续的不断完善，最新的激光点云格式采用的是las1.4版本于2011年11月14日推出。本次数据存储采用的是las1.1格式，由三部分二进制文件组成，分别是：公用文件头块、变量长度记录和点数据记录。公用头文件块主要记录点云的序列号和坐标范围，变量长度记录记录投影信息、元数据、用户应用程序数据等。部分森林区域激光雷达点云如图2.3所示，依据高度不同渲染不同的颜色，红色为地面，黄色为树木。图2.3研究区激光雷达数据（3）森林指标。由图2.3可以看出，点云数据显然不利于处理，因此利用Fusion软件对激光雷达点云进行处理，得到百分位高度、百分位密度的森林指标信息，并以tif形式保存相应的数据。Fusion软件是由太平洋西北研究中心和美国华盛顿大学科学家共同编写的用于可视化和处理激光点云数据的软件，由于其方便、高效、免费的特点，在激光点云处理方面得到了大规模的使用。处理结果如图2.4所示，其中图2.4(a)--(j)是百分位密度数据，由0%-90%，图2.5(a)--(j)是百分位高度数据，由10%-100%，图2.5(k)是高度平均值数据，图2.5(l)是高度标准差数据。
【参考文献】：
期刊论文
[1]森林生物量模型研究综述[J]. 欧光龙,胥辉. 西南林业大学学报(自然科学). 2020(01)
[2]基于光学多光谱与SAR遥感特征快速优化的大区域森林地上生物量估测[J]. 张少伟,惠刚盈,韩宗涛,孙珊珊,田昕. 遥感技术与应用. 2019(05)
[3]基于梯度提升树算法的夏玉米叶面积指数反演[J]. 张宏鸣,刘雯,韩文霆,刘全中,宋荣杰,侯贵河. 农业机械学报. 2019(05)
[4]黄河三角洲孤岛刺槐林地上生物量的估算——基于无人机机载激光雷达[J]. 李桂林,王红,宋音,杨世琪. 中国农学通报. 2018(26)
[5]集成学习之随机森林算法综述[J]. 王奕森,夏树涛. 信息通信技术. 2018(01)
[6]运用融合纹理和机载LiDAR特征模型估测森林地上生物量[J]. 胡凯龙,刘清旺,李世明,庞勇,李梅. 东北林业大学学报. 2018(01)
[7]基于多目标优化的软件缺陷预测特征选择方法[J]. 陈翔,沈宇翔,孟少卿,崔展齐,鞠小林,王赞. 计算机科学与探索. 2018(09)
[8]基于机载全波形LiDAR数据的森林地上生物量估测算法研究[J]. 邢艳秋,姚松涛,李梦颖,谢杰,闫灿. 森林工程. 2017(04)
[9]模拟干旱对亚热带森林土壤微生物生物量及群落结构的影响[J]. 聂园园,周贵尧,邵钧炯,周灵燕,刘瑞强,翟德苹,周旭辉. 复旦学报(自然科学版). 2017(01)
[10]机载LiDAR数据估算样地和单木尺度森林地上生物量[J]. 李旺,牛铮,王成,高帅,冯琦,陈瀚阅. 遥感学报. 2015(04)
博士论文
[1]基于机器学习方法的珠三角地区商场空调全年负荷预测研究[D]. 郑林涛.华南理工大学 2019
[2]基于决策森林的回归模型方法研究及应用[D]. 闫云凤.浙江大学 2019
[3]随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014
硕士论文
[1]森林生物量遥感估测模型构建中的特征选择方法对比研究[D]. 于晓辉.浙江农林大学 2019
[2]基于机器学习树模型的GNSS-R海面风场反演研究[D]. 骆黎明.中国科学院大学(中国科学院国家空间科学中心) 2019
[3]基于机载LiDAR反演森林参数的研究[D]. 霍达.东北林业大学 2015
本文编号：3123398
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3123398.html
教材专著
