论文部分内容阅读
森林分布极为广泛并且地形复杂多样,以传统方法对森林结构参数进行调查,需要耗费大量的人力、物力和财力。无人机和计算机视觉技术的快速发展,使得快捷、较低成本、较高精度地获取森林结构参数成为可能。本研究以针阔混交林和水杉纯林为研究对象,研究了基于无人机影像的单木识别与单木结构参数提取。主要研究内容和结果如下:(1)探讨树冠高度模型(Canopy Height Model,CHM)的分辨率、平滑滤波和局部最大值算法的窗口大小对单木识别的影响。此外,检验局部最大值算法在针阔混交林和水杉纯林中的单木识别效果。结果表明:1)识别单木数与平滑窗口大小和移动窗口大小均成反比,当窗口大小相同时,CHM的分辨率越高,识别的单木数就越多;2)单木尺度的评价比样地尺度更能够反映单木识别的精度;3)局部最大值算法在水杉纯林中的单木识别效果比在针阔混交林中好。(2)通过单木位置结合CHM获得树高(H),将其与实测树高对比,3个样地的R~2分别为0.9668,0.7703和0.7304,RMSE分别为1.4058m,2.361m和2.5447m,r RMSE分别为10.64%,9.28%和11.45%。利用2种算法进行树冠提取。结果表明:无论是分水岭分割算法还是“Forest CAS”算法,在针阔混交林中的提取精度都比在水杉纯林中低,并且“Forest CAS”算法在3个样地中的精度都比分水岭分割算法高;将提取冠幅(CD)与实测冠幅对比,3个样地的R~2分别为0.7188,0.7355和0.7488,RMSE分别为0.7152m,0.4038m和0.5285m,r RMSE分别为17.79%,9.43%和12.4%。(3)利用54组实测数据拟合得到树高—胸径模型、冠幅—胸径模型和树高&冠幅—胸径模型。其中,DBH=-0.0008*(H*CD)~2+0.3748*H*CD+1.8592的拟合度最高,R~2为0.7485。将提取到的树高和冠幅代入到模型中得到反演胸径,然后与实测胸径对比,R~2,RMSE,r RMSE分别为0.6356,3.6876cm为11.31%。