论文部分内容阅读
红树林是生长于热带和亚热带海岸潮间带的稀有木本胎生植物,兼具陆地和海洋生态特征,是世界上最重要的沿海生态系统之一,其红树植物组成的潮滩湿地木本生物群,为大量的鱼类、蟹类、鸟类和其他寻找食物、庇护所、繁殖和护理区域的生物提供了天然的栖息地,保护海岸线免受洪水、海浪和风暴的侵袭,在海岸带的环境保护、生态平衡以及生物多样性保护方面发挥着重要作用。红树林结构参数,如:树高、冠幅等,是红树林生长状况的基本量化参数,对于描述红树林的生长、物候信息和死亡至关重要,也是进行红树林资源动态变化监测及保护的基础数据。因此,红树林结构参数的高精度估测对于红树林资源动态变化监测及保护工作的高效开展与实施具有重要的意义。本文以广东省廉江市高桥红树林保护区为研究区,以无人机激光雷达离散点云数据为基础数据,首先对原始点云数据进行去噪、重叠点移除、分类、点云归一化等处理,利用插值算法生成不同分辨率（0.5m,0.25m,0.1m）的冠层高度模型（Canopy Height Model,CHM）,并从中提取点云高度、强度、密度等相关参数,分别采用四种单木分割算法（分水岭算法、区域增长算法、最近邻算法（K-Nearest Neighbor,KNN）、区域卷积神经网络（Regions with CNN features,R-CNN）算法）进行红树林单木分割并探究CHM分辨率对单木分割精度的影响,之后利用随机森林、支持向量机和决策树算法分别进行红树林单木树种识别从而选择较优红树林识别算法,最后在单木分割的基础上利用野外测量数据建立红树林树高、冠幅估测模型,进而实现红树林单木结构参数估测,研究所得结果及主要结论如下:（1）单木分割结果与林分密度密切相关,整体表现为低林分密度分割结果优于中林分密度优于高林分密度分割结果,其中在低林分密度和中林分密度情况下,基于R-CNN的单木分割算法精度最高,F分别为0.931和0.712,其次是区域增长算法,F分别为0.891和0.673,KNN结果次之,F分别0.893和0.633,分水岭算法单木分割结果精度最低,F分别为0.852和0.660;而在高林分密度情况下,红树林单木分割结果精度却相反,分水岭算法分割结果优于KNN算法,KNN算法分割结果优于区域增长算法,区域增长算法分割结果优于R-CNN算法。结果表明R-CNN算法较适于低林分密度和中林分密度红树林单木分割,分水岭算法则较适于高林分密度红树林单木分割。（2）CHM空间分辨率对红树林单木分割结果影响不同,其中0.25m CHM单木分割结果精度最高,F为0.830,而0.5m CHM单木分割结果精度最低,F最低为0.156,结果表明:CHM空间分辨率对红树林单木分割具有影响,但不是分辨率越高单木分割精度越高,因而在未来研究中应选择合适的空间分辨率进行单木分割以获取最高的单木分割精度。（3）基于LiDAR点云高度及强度参数的随机森林、支持向量机和决策树算法均能实现红树林单木树种识别,整体分类精度均在84%以上,其中基于随机森林算法的红树林单木树种分类结果精度最高,总体精度为92.43%,Kappa系数为0.91,其次为支持向量机,总体精度为87.71%,Kappa系数为0.85,决策树分类精度最差,总体精度为84.14%,Kappa系数为0.80。在红树林树种分类结果中,不同树种分类精度存在差异,其中,无瓣海桑树种分类精度最高,在三种分类算法中用户精度均达到94%以上,产品精度均达到97%以上,而桐花树种分类精度最差,三种分类算法中用户精度均在80%以下,最差为59.09%,说明桐花树种错分严重。结果表明,基于无人机LiDAR点云能够实现红树林单木树种识别,但在未来研究中应着重探究适合桐花树种分类的参数及算法以进一步提高红树林树种分类的精度。（4）不同单木分割算法在不同林分密度下树高估测精度趋势一致,而不同林分密度不同单木分割算法冠幅估测精度趋势不一致,但均随CHM空间分辨率的提高,冠幅面积估测精度也随之提升。对于树高估测而言,四种单木分割方法估测精度均符合:低林分密度＞高林分密度＞中等林分密度;而对于冠幅估测而言,在分水岭算法估测结果中,低林分密度＞高林分密度＞中等林分密度;在区域增长算法估测结果中,中等林分密度＞高林分密度＞低林分密度;在KNN算法估测结果中,低林分密度＞中等林分密度＞高林分密度;在R-CNN算法估测结果中,低林分密度＞中等林分密度＞高林分密度。