林业科学  2015, Vol. 51 Issue (6): 81-92   PDF    
DOI: 10.11707/j.1001-7488.20150610
0

文章信息

曹林, 佘光辉
Cao Lin, She Guanghui
基于机载小光斑全波形LiDAR的亚热带林分特征反演
Inversion of Forest Stand Characteristics Using Small-Footprint Full-Waveform Airborne LiDAR in a Subtropical Forest
林业科学, 2015, 51(6): 81-92
Scientia Silvae Sinicae, 2015, 51(6): 81-92.
DOI: 10.11707/j.1001-7488.20150610

文章历史

收稿日期：2014-08-04
修回日期：2014-10-18

作者相关文章

曹林
佘光辉

引用本文
曹林, 佘光辉. 2015. 基于机载小光斑全波形LiDAR的亚热带林分特征反演[J]. 林业科学, 51(6): 81-92.
Cao Lin, She Guanghui. 2015. Inversion of Forest Stand Characteristics Using Small-Footprint Full-Waveform Airborne LiDAR in a Subtropical Forest. Scientia Silvae Sinicae, 51(6): 81-92.  DOI: 10.11707/j.1001-7488.20150610
基于机载小光斑全波形LiDAR的亚热带林分特征反演
曹林, 佘光辉    
南京林业大学南方现代林业协同创新中心，南京 210037
收稿日期：2014-08-04；修回日期：2014-10-18
基金项目：江苏省高校自然科学研究项目(14KJB220002)；国家自然科学基金青年科学基金项目(31400492)；江苏省高校优势学科建设工程资助项目(PAPD)。
通讯作者：佘光辉
摘要：[目的] 研究通过集成波形信号处理、空间解析和重构建模以及综合波形信息提取方法,探索基于小光斑全波形LIDAR特征变量高精度反演林分特征的新方法。[方法] 以江苏南部丘陵地区的亚热带天然次生林为研究对象,在预处理和分析小光斑全波形LIDAR数据的基础上,首先基于体元空间框架分解和提取波形的振幅能量信息,并构建伪垂直波形模型; 然后,从中提取空间位置信息(即点云)及几何辐射变量,计算LiDAR点云和波形特征变量,并通过相关性分析筛选特征变量; 最后,结合地面实测林分特征参数构建反演模型并验证精度。[结果] 1) 各LiDAR特征变量对Lorey's树高的敏感性最高,对蓄积量和地上生物量次之,对胸高断面积最低,而返回脉冲总能量和返回脉冲峰值点数对胸高断面积的敏感性却高于其他林分特征因子; 在点云特征变量组中,平均高、高度百分位数及冠层上部的返回点云密度与各林分特征之间的相关性较高,而在波形特征变量组中,能量中值高度的均值、返回脉冲长度的标准差和冠层粗糙度的标准差与各林分特征之间的相关性较高; 2) Lorey's树高的模型估算精度最高(RMSE为实测均值的7.26%),而蓄积量、地上生物量和胸高断面积的模型估算精度略低且较相近(RMSE为实测均值的15.91%~19.82%); 模型自变量的数量都在3个以内,选中的自变量为高度百分位数、冠层返回点云密度、返回脉冲长度和冠层粗糙度的标准差; 3) 各林分特征实测值与交叉验证估算值的拟合结果表明,Lorey's树高的拟合效果最好(R2=0.85),地上生物量(R2=0.68)和蓄积量(R2=0.59)次之,而胸高断面积(R2=0.45)最低; 4) Lorey's 树高、蓄积量和地上生物量的空间分布状况基本一致,源于它们内在的相关性; 相比其他3个特征变量,胸高断面积的空间分布不够连续,这可能是由于其预测模型精度较低所致。[结论] 各林分特征综合回归模型的拟合效果和精度都高于仅使用点云特征变量拟合模型的精度,表明了波形特征变量提取森林中下层信息的潜力。点云特征变量描述了森林冠层及上部的三维结构及密度信息,而波形特征变量则获得了森林冠层及以下部分完整的垂直分布和能量信息,二者互补可提升林分特征反演的精度。
关键词： 小光斑全波形LiDAR    林分特征    反演    点云特征变量    波形特征变量    体元    
Inversion of Forest Stand Characteristics Using Small-Footprint Full-Waveform Airborne LiDAR in a Subtropical Forest
Cao Lin, She Guanghui    
Co-Innovation Center for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037
Abstract: [Objective] By integration the methods of waveform signal processing, spatial information analyzing and re-construction, and the comprehensive information extraction, a novel approach for the inversion of forest stand characteristics, based on the metrics extracted from the small-footprint full-waveform LiDAR data, was explored in this research.[Method] The subtropical secondary forests in the hilly area of southern Jiangsu were set as a research objective, and based on the pre-processing and analysis of small-footprint full-waveform LiDAR data, the voxel spatial framework was firstly decomposed and the waveform amplitude information was extracted to form a pseudo-vertical waveform model; then, the spatial location and geometric variables were extracted to calculated the point-cloud and waveform based metrics, following by an analysis of correlations for selecting metrics; finally, the inversion models were built by coupling the field-measured forest stand characteristics and validated for accuracy. [Result] 1) For all the LiDAR metrics, Lorey's tree height has the highest sensitivity, following by the volume and above-ground biomass. The basal area has the lowest sensitivity. Whereas, the total return amplitude and the number of peaks have a higher sensitivity of basal area than other metrics. In the group of point-cloud metrics, mean height, height percentiles and upper canopy return point cloud density have a relatively higher correlation with each forest stand characteristic than other metrics; whereas in the group of waveform metrics, the average of medium energy, the standard deviation of return waveform width and the canopy roughness have a high relationship with the forest stand characteristics. 2) Lorey's tree height has the highest estimation accuracy (RMSE=7.26% of the mean of field-measured value), whereas volume, above-ground biomass and basal area have a relatively similar low accuracy (RMSE=15.91%-19.82% of the mean of field-measured value). The number of independent variables was less than 3, and the selected metrics were height percentiles, canopy return point-cloud density, return waveform width and the canopy roughness. 3) The fitted results of the field-measured forest stand characteristics and the cross-validated estimated values showed that Lorey's tree height fitted best (R2=0.85), followed by above-ground biomass (R2=0.68) and volume (R2=0.59), whereas basal area has the lowest R2=0.45. 4) Lorey's tree height, volume and above-ground biomass have a similar spatial distribution, which may be attributed to their inner correlations. Compared with other 3 metrics, the spatial distribution of basal area appeared discontinuous, which may be resulted from the low prediction accuracy.[Conclusion] The results and accuracies of the fitted combo regression model of each forest stand characteristic were better and higher than the point-cloud metrics based models, demonstrated that waveform metrics has a potential to extract the information of the medium and lower level of forest stands. The point-cloud metrics described the forest canopy and the upper 3-D structure and density information, whereas the waveform metrics acquired the canopy and the complete vertical distribution and energy information of the lower part forest. The combination of them enhances the inversion accuracy of the forest stand characteristics.
Key words: small-footprint full-waveform LiDAR    forest stand characteristics    inversion    point-cloud based metrics    waveform based metrics    voxel    

机载小光斑激光雷达(small-footprint airborne LiDAR)是通过发射激光脉冲至地物表面并分析其返回信号的一种主动遥感技术。在林业中，可以通过该技术获得丰富的森林冠层三维结构和强度返回信息，在精确估算森林生物物理特性及结构参数方面具有很大潜力(Dubayah et al.，2000; Lefsky et al.，2002; 曹林等，2013)。研究表明，在某些结构较单一的森林类型内，通过机载小光斑LiDAR技术获取的高度信息精度甚至高于地面实测数据(Næsset et al.，2002)。

在机载小光斑LiDAR 技术的近20年发展历程中，绝大多数LiDAR系统获取的是每束发射脉冲的多个返回信号(n≤5)，并以“离散点云”的形式来反映和记录物体(如森林)的三维结构及返回信号强度。该类LiDAR技术被成功应用于森林参数的高精度提取，在林业发达国家已逐渐成为了行业标准(Parrish et al.，2011)。然而，由于电子器件的限制，该LiDAR系统只能区分垂直距离大于“最小脉冲区分距离”(minimal pulse separation distance)的地物(Ussyshkin et al.，2011)。近年来，机载小光斑全波形LiDAR 传感器逐步商用化并开始应用于林业研究中(2004 年奥地利Riegl 公司推出了世界上第一台商业机载小光斑全波形LiDAR数字测量系统)，该技术可获得物体(如森林冠层)完整的后向散射信号，并可记录更为详细的几何和物理能量信息，从而在一定程度上弥补了“离散点云”技术的弱点(Heinzel et al.，2011)。理论上，借助特定的波形信号处理及信息提取方法，可从“全波形”数据中挖掘出更为丰富的森林冠层描述特征变量(Mallet et al.，2009)；然而，目前基于小光斑全波形LIDAR技术提取森林信息的研究大多限于数据定标、波形分解以及树种分类(Wagner，2010；Reitberger et al.，2009；Fieber，2013)，进行林分特征反演的研究很少。以往研究对于落入样地范围内的原始脉冲波形信息只进行了简单统计汇总(Sumnall et al.，2012；Allouis et al.，2013)，抑制和模糊化了原始数据中的部分振幅能量信息；同时，由于从小光斑波形中提取出的特征变量多为与脉冲能量相关的简单描述性统计量(Xu et al.，2012；Höfle et al.，2008)，故应用于估算森林参数时精度往往不高，且难于从机制上解释它们与森林生物物理特性间的相互关系。

本研究以江苏南部丘陵地区的亚热带天然次生林为研究对象，在预处理和分析小光斑全波形LIDAR数据的基础上：1)基于体元空间框架分解和提取波形的振幅能量信息，并构建伪垂直波形模型；2)从中提取空间位置信息(即点云)及几何辐射变量，计算LiDAR点云和波形特征变量，并通过相关性分析筛选特征变量；3)结合地面实测林分特征参数构建反演模型并验证精度。本研究旨在通过集成波形信号处理、空间解析和重构建模以及综合(几何、能量和空间信息)波形信息提取方法，在减少入射激光脉冲的方向性对波形特征提取影响的同时，充分挖掘小光斑全波形返回信号中关于森林冠层结构特征的信息，探索基于小光斑全波形LIDAR特征变量高精度反演林分特征的新方法。

1 研究区概况与数据获取1.1 研究区概况

研究区选取在国营常熟虞山林场。该林场坐落于江苏省常熟市城区西北郊(120°42'9″ E，31°40'4″ N)，总面积1 422 hm2，高程20～261 m。研究区所处区域为典型的北亚热带季风气候区，年平均降水量为1 062.5 mm，其中6月(171.3 mm)和7月(147.0 mm)的降水量最大。虞山林场的森林面积为1 064.23 hm2(森林覆盖率为74.84%)，主要森林类型为北亚热带次生混交林，主要针叶树种为马尾松(Pinus massoniana)、杉木(Cunninghamia lanceolata)和湿地松(Pinus elliottii)等，主要阔叶树种为麻栎(Quercus acutissima)、枫香(Liquidambar formosana)等落叶阔叶树种以及青冈栎(Cyclobalanopsis glauca)、冬青(Ilex chinensis)和樟树(Cinnamomum camphora)等常绿阔叶树种(潘百红等，2007)。

1.2 小光斑全波形LiDAR数据获取

本研究使用的原始数据获取装置为Riegl LMS-Q680i全波形激光传感器，该传感器集成于LiCHy(LiDAR，CCD and Hyperspectral Airborne Observation)系统内(Pang et al.，2013)。数据获取时间为2013年8月17日。传感器记录了完整的激光脉冲返回波形信息，其时间采样间隔为1 ns(即每个采样单元间隔为15 cm)。激光发射脉冲所在波段为近红外(波长为1 055 nm)，脉冲发射频率(pulse reflection frequency，PRF)为360 kHz，扫描频率(scanning frequency，SF)为112 s-1，扫描角为±30°；遥感平台的飞行高度为900 m，飞行速度为55 m·s-1，旁向重叠度为60%；地面光斑直径约为25 cm，平均地面光斑距离约为0.48 m(重叠区域密度更高)。最终获取的数据格式为LAS 1.3(美国摄影测量与遥感协会)标准格式。

1.3 地面实测数据获取

依据虞山林场历史森林资源调查数据中的树种组成、年龄和立地分层选取了65个30 m×30 m(900 m2)的正方形样地(图 1)。样地调查时间为2012年7—8月以及2013年8月。样地的4个角点通过Trimble GeoXH6000 H and helds手持GPS定位，该设备集成了GPS和GLONASS系统，并配备了双频GNSS天线(Trimble Navigation Limited，2013)，通过接收JSCORS高精度实时差分信号，提升其水平定位精度到0.5 m以内。样地的方向和倾角通过罗盘仪测定，边界长度通过皮尺量测。在各个样地中，记录每株树(胸径大于5 cm)的树种，并量测胸径、树高、枝下高、冠幅等因子。其中胸径采用围尺量测，树高信息通过Vertex IV超声波测高器获取，冠幅则在2个主方向上使用皮尺测量其投影距离。

图 1 虞山林场航空正射影像及样地的空间分布 Fig. 1 The orthophoto of Yushan forest farm and the spatial distribution of the sample plots

借助实测的单木信息，汇总得到4个样地级(plot-level)林分特征，即胸高断面积(m2·hm-2)、Lorey’s树高(m)、蓄积量(m3·hm-2)和地上生物量(Mg·hm-2)(表 1)。其中，Lorey’s树高是以每株树的胸高断面积为权重加权求和得到的平均树高；蓄积量则依据《江苏省森林资源规划设计调查操作细则(2007)》中的“江苏省立木一元材积式”，借助实测的单木胸径，汇总得到样地级蓄积量，再转换为单位面积(每公顷)蓄积量；地上生物量的计算依据当地(或邻近区域)的异速生长方程，借助实测的单木胸径和树高获得单木组分生物量，最后汇总得到样地级的地上生物量(汪企明等，1990; 冯宗炜等，1999; 钱国钦，2000; 许剑辉等，2011)。

表 1 样地级林分特征汇总 Tab.1 The summary of plot-level stand characteristics
2 研究方法

本研究使用的原始数据为小光斑全波形LiDAR数据，点云数据从波形数据中提取。其目的并不是研究是否可以从波形中提取更高密度的点云信息，而是探索从2个不同角度(3D空间结构信息提取的角度和波形几何与能量信息提取的角度)充分挖掘LiDAR原始波形中的森林冠层信息，从而(结合地面实测数据)间接估算各林分特征。同时，在提取样地波形信息时，本研究通过样地边界位置以及计算得出的光斑落地位置，从而确定光斑是否落在样地中。对于样地边缘光斑，只保留完整光斑(如果光斑正好落在边界线上，则去除)。本研究的技术路线参见图 2。

图 2 研究技术路线 Fig. 2 Technological route of this research
2.1 LiDAR数据预处理

波形数据的处理流程可分为以下步骤：1)去噪，即将原始波形(图 3a)中出现频率较高的低值部分作为噪音去除(图 3b)；2)平滑，通过高斯滤波器对每列去噪后的波形再进行平滑(图 3c)；3)提取峰值，借助邻域最大值法提取波形峰值点(图 3d)；4)体元框架内构建伪垂直波形模型，通过体元划分样地所在的三维空间，在每个体元内保留最大振幅能量值，最后取每一个体元柱构成垂直波形模型(图 4)。构建伪垂直波形模型的目的是为了减少入射激光脉冲的方向性(该方向性在航迹交叠处尤为明显)对波形信号的减弱作用，即一种信号增强的方法。依据脉冲光斑和采样间隔，将体元的大小设置为0.25 m×0.25 m×0.15 m。针对以上步骤，通过大量试验比较，本研究最终确定了去除累积频率低于70%的低值部分，采用宽度为5个采样间隔的高斯滤波器，而邻域最大值法则对比了邻近范围内4个采样间隔的脉冲振幅分布。

图 3 波形数据预处理 Fig. 3 The pro-process of full-waveform data a. 原始波形数据 Raw full-waveform data; b. 去除噪音 Remove noise; c. 高斯平滑 Gaussian smoothing; d. 峰值点提取 Extract peaks.
图 4 基于体元框架伪垂直波形模型示意 Fig. 4 The illustration of forming pseudo-vertical full-waveform model using voxel framework a. 处理后的脉冲(振幅能量强度)在1/4样地内可视化 The visualization of processed waveforms in a 1/4 plot (amplitude); b. 一列伪垂直波 A pseudo-vertical waveform.

数字高程模型(DEM)的提取是获取森林相对高度的重要前提。本文采用Kraus滤波算法滤选非地面点(Kraus et al.，1998)，其核心是基于线性最小二乘内插法的迭代过程。考虑到研究区内植被覆盖度较高的特点，本研究在Kraus滤波的基础上，进一步采用移动窗口过滤法(中值滤波，窗口大小为5×5)去除非地面点。基于Kraus滤波后得到的地面激光点(ground points)，通过计算每个像元内激光点高度的平均值，生成空间分辨率为1 m的DEM(该分辨率是对研究区内的LiDAR点云分布密度、DEM计算时间及后续运算效率的权衡)。通过计算与DEM的高度信息差值(相对高度=绝对高度-DEM)，从而实现了点云和波形高度信息的归一化。

2.2 LiDAR特征变量提取2.2.1 点云特征变量提取

借助各样地点云数据(高度信息已归一化)，本研究提取了15个点云特征变量，即高度百分位数(h10，h25，h50，h75，h90，h95)、冠层返回点云密度(d2，d4，d6，d8)、最小和平均高度(hmin /hmean)、高度的变异(hcv)和覆盖度(CC2m /CCmean)(表 2)。由于首次回波(first return)对森林生物物理特性的预测能力比所有回波(all returns)更强(Kim et al.，2009)，故以上提取的LiDAR数据变量都只基于首次回波。同时，为了去除下层植被对冠层分析的干扰，地表以上2 m内的点云都被去除(Næsset et al.，2001)。

表 2 点云和波形特征变量描述① Tab.2 The description of point-cloud and full-waveform based LiDAR metrics
2.2.2 波形特征变量提取

波形特征变量提取是通过时空分析获取返回脉冲几何和能量特性的过程。本研究提取了15个波形特征变量，即能量中值高度(HOME)、返回脉冲长度(WD)、高度与中位数比(HTMR)、垂直分布率(VDR)、冠层粗糙度(ROUGH)、返回脉冲起始角(FS)、返回脉冲总能量(RWE)和返回脉冲峰值点数(NP)(Duong，2010)(表 2)。以上特征变量除VDR(只计算了均值)外，其他变量都同时计算了样地范围内的均值(μ)和标准差(σ)。这些变量从高度分布、冠层外层分布及脉冲特征3个角度描述了返回波形的几何和能量特性。

2.3 特征变量优化筛选和统计建模

首先借助Pearson’s相关系数(绝对值)分析2组LiDAR特征变量对于各林分特征的敏感性，公式如下：

$r = \frac{{\sum\limits_{i = 1}^n {\left({{x_i} - {{\overline x }_i}} \right)\left({{y_i} - {{\overline y }_i}} \right)} }}{{\sqrt {\sum\limits_{i = 1}^n {{{\left({{x_i} - {{\overline x }_i}} \right)}^2} \cdot {{\sum\limits_{i = 1}^n {\left({{y_i} - {{\overline y }_i}} \right)} }^2}} } }}$ (1)

式中：xi为地面实测的某林分特征；yi为某LiDAR特征变量；${{{\overline x }_i}}$为xi的平均值；${\overline y _i}$为yi的平均值。

然后应用逐步回归法构建各林分特征的预测模型。逐步回归分析的实施过程是每一步都要对已引入回归方程的变量计算其偏回归平方和，然后选一个偏回归平方和最小的变量，在预先给定的F水平下进行显著性检验(P<0.05)，如果显著则保留该变量; 相反，则要剔除。为了保证模型因变量(地面调查的林分特征)和自变量(LiDAR提取特征变量)之间的线性相关关系，本研究将自然对数变换应用于所有的因变量和自变量；同时，为保证自变量之间的低信息重叠，本研究通过控制因子κ(最大特征根的平方根除以最小特征根所得到的值)进一步筛选模型。κ通过PCA分析计算相关关系矩阵得到，其值低于30则表明自变量之间相关性较低(Næsset，2002)。

最后，通过AIC(akaike information criterion)指数选择最优模型，该指数越低，则模型变动性越小，模型越精简(Akaike，1974)。

回归模型采用决定系数(R2)、均方根误差(RMSE)和相对均方根误差(rRMSE)进行评价：

${R^2} = 1 - \frac{{\sum\limits_{i = 1}^n {{{\left({{x_i} - {{\hat x}_i}} \right)}^2}} }}{{\sum\limits_{i = 1}^n {{{\left({{x_i} - {{\overline x }_i}} \right)}^2}} }}$ (2)
${\rm{RMSE}} = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {{{\left({{x_i} - {{\hat x}_i}} \right)}^2}} } $ (3)
${\rm{rRMSE}} = \frac{{{\rm{RMSE}}}}{{{{\overline x }_i}}} \times 100\% $。 (4)

式中：xi为地面实测的某林分特征；${{{\overline x }_i}}$为xi的平均值；${{\hat x}_i}$为模型估算的某林分特征；n为样地数量。

由式(4)可见，rRMSE为RMSE(均方根误差)与${{{\overline x }_i}}$(实测值均值)的百分比。

本研究采用交叉验证法构建散点图来验证各林分特征估算模型的精度。该方法是在模型参数已经确定的情况下，随机选取所有样地中的一个样地作为验证样地(代入后续拟合的模型进行验证)，而余下的n-1个样地数据进行建模(拟合得到模型系数)。按照此方法依次对每个样地进行验证。

3 结果与分析3.1 LiDAR特征变量敏感性分析

由Pearson’s相关系数(绝对值)分析结果(图 5)可知，各LiDAR特征变量对Lorey’s树高的敏感性最高，对蓄积量和地上生物量次之，而对胸高断面积最低，而返回脉冲总能量(RWEμ/RWEσ)和返回脉冲峰值点数(NPμ/NPσ)对胸高断面积的敏感性却高于其他3个林分特征因子。在点云特征变量组中，平均高(hmean)、高度百分位数(h10~h95)及冠层上部的返回点云密度(d6~d8)与各林分特征之间的相关性较高；而在波形特征变量组中，能量中值高度的均值(HOMEμ)、返回脉冲长度的标准差(WDσ)和冠层粗糙度的标准差(ROUGHσ)与各林分特征之间的相关性较高。

图 5 点云及波形特征变量与各林分特征之间的Pearson’s相关系数分析 Fig. 5 The analysis of Pearson’s coefficients between point-cloud and waveform based metrics
3.2 林分特征估算模型及精度分析

由表 3可见，各林分特征的多元回归估算模型拟合效果总体较好(R2=0.51～0.89)，其中以Lorey’s树高拟合效果最佳，蓄积量和地上生物量次之，而胸高断面积最低。此结果与Pearson’s相关系数分析结果一致。Lorey’s树高的模型估算精度最高(rRMSE=7.26%)，而另外3个林分特征的精度略低且较相近(rRMSE=15.91%～19.82%)。从模型自变量选择的角度分析各林分特征估算方程可知：模型自变量的数量都在3个以内；选中的自变量为高度百分位数(h50和h95)、冠层返回点云密度(d6)、返回脉冲长度(WDμ/WDσ)和冠层粗糙度的标准差(RHσ即ROUGHσ)。这些敏感因子在Pearson’s相关系数分析时与各林分特征也都呈现出高的相关性。

表 3 多元回归预测模型及精度评价 Tab.3 The multi-regression predictive models and their accuracy assessments

由各林分特征实测值与交叉验证估算值的散点关系(图 6)可知，Lorey’s树高的拟合效果最好(R2=0.85)，且拟合的线性方程紧贴1∶1验证线，地上生物量(R2=0.68)和蓄积量(R2=0.59)次之，而胸高断面积(R2=0.45)最低。

图 6 各林分特征实测值与交叉验证估算值的散点关系(虚线为1∶1验证线) Fig. 6 The scatter plot of field-measured forest characteristics and the estimates from cross validation (The dotted line is 1∶1 validation line)
3.3 林分特征空间分布制图

借助逐步回归预测模型对研究区的4个林分特征进行空间分布制图，其像元大小与样地大小一致(30 m×30 m)(图 7)。由于样地数据采集和建模时并未考虑竹林和林茶复合经营等森林类型，故这些区域也被掩膜去除。由图 7可见，就整个研究区而言，Lorey’s 树高、蓄积量和地上生物量的分布状况基本一致，源于它们内在的相关性(Lefsky et al.，2005)；相比其他3个特征变量，胸高断面积的空间分布不够连续，这可能是由于其预测模型精度较低所致。

图 7 研究区内各林分特征的空间分布及像元统计(像元大小：30 m×30 m) Fig. 7 The spatial distribution of forest characteristics and the statistics of the pixels in the research area (Pixel size: 30 m×30 m)

坡度较陡区域的各林分特征总体较低，而在夏季日温相对较低且水源充足的北坡山谷则较高。低海拔平坦区域由于土层厚且养分条件好，马尾松为主的针叶林及本土树种为主的阔叶林生长较好，故数值较高；而山顶由于土层薄，人工种植的杉木林生长欠佳，数值较低。图中显示整个研究区内各林分特征的分布范围大多小于样地内的数值分布范围(表 1)，可见本研究使用的样地对于整个研究区林分特征的变异具有充足的解释能力，可以满足反演制图需要。

4 结论与讨论

在预处理小光斑全波形LIDAR数据的基础上，本研究从2个不同角度(3D空间结构信息提取的角度和波形几何与能量信息提取的角度)挖掘LiDAR原始波形中的森林冠层结构和返回能量信息，分别提取了点云特征变量(n=15)和波形特征变量(n=15)作为候选因子，首先结合地面调查林分特征信息进行Pearson’s相关系数分析，然后构建多元回归预测模型并验证精度。Pearson’s相关系数分析表明，各LiDAR特征变量对于树高(垂直)信息的敏感性最佳，对蓄积和生物量次之，而对于冠层以下的(水平)信息(即胸高断面积)的敏感性最差。然而，部分波形特征变量(特别是描述返回脉冲特性的变量，如脉冲总能量和返回脉冲峰值点数)对于胸高断面积的敏感性相对较好，表明了利用这些波形特征变量提取森林中下层信息的潜力。

从多元回归模型的自变量组成来看，各林分特征估算模型都包含了上述2组特征变量，可见它们对预测模型都具有一定的贡献。选中的自变量为高度百分位数(h50和h95)、冠层返回点云密度(d6)、返回脉冲长度(WDμ/WDσ)和冠层粗糙度的标准差(ROUGHσ)。本研究选用h95(而非hmax，即最大高)的原因是为了避免较高物体(如鸟类和电线等)以及大气异物对植被信息获取的影响(Magnussen et al.，1998)。Ferster等(2009)应用小光斑LiDAR离散点云数据估算加拿大沿海森林的结构参数，发现冠层返回密度(特别是d6)作为参数的模型估算结果要优于仅使用高度信息的估测，并可解释65%的北美花旗松(Pseudotsuga menziesii)林结构变异，与本研究的模型拟合结果相符。Lefsky等(2005)利用从大光斑全波形LiDAR(ICESat)中提取的返回脉冲长度较好地估算了地上生物量(R2=0.73)，与本研究所拟合生物量估算模型的精度(R2=0.74)相当，可见返回脉冲长度(WD)同样适用于小光斑全波形LiDAR的生物量估算。冠层粗糙度(ROUGH)记录了返回波形起点到第一个波峰的距离，描述了冠层上层粗糙度并反映了脉冲能量(随着穿透冠层深度的增加)的衰减效应(Harding，2005)，在本研究中与高度和密度信息结合，对冠层的能量和结构信息进行了较为完整的描述。

本研究构建的各林分特征多元回归预测模型的拟合效果和精度高于仅使用点云特征变量拟合模型的精度。如曹林等(2014)在同一研究区利用离散点云LiDAR数据和多个统计模型估算了森林参数，其中胸高断面积估算模型的R2为0.26～0.39，Lorey’s树高的R2为0.74～0.84，蓄积量的R2为0.46～0.55，均低于本研究的估算精度(R2分别为0.51，0.89，0.65)。付甜等(2011)在南亚热带(云南中部)应用机载激光雷达离散点云数据估算了树高和各组分生物量，其中基于所有样地的地上生物量估算模型R2为0.37，分森林类型后估算模型R2为0.43～0.68，略低于本研究的估算精度(R2为0.74)。这表明：点云特征变量描述了森林冠层及上部的三维结构及密度信息，而波形特征变量则获得了森林冠层及以下部分完整的垂直分布和能量信息，二者互补可提升林分特征反演的精度。Næsset(2002)基于LiDAR对挪威东南部的森林结构参数进行了估算，结果显示各森林参数估算模型的决定系数(R2)分别为：平均高0.82～0.95、优势高0.74～0.93、胸高断面积0.69～0.89、蓄积0.80～0.93，都略高于本研究得出的各模型决定系数。与挪威的亚寒带森林相比，亚热带森林多为复层林，其森林结构更为复杂(树高和密度的变动大)，故LiDAR提取信息精度偏低且变异性高。

本研究从原始LiDAR波形中提取了点云和波形2组特征变量。从敏感性分析结果(图 5)来看，点云特征变量相对波形特征变量而言，与各林分特征的相关性更好。然而，这并不能说明从冠层3D空间结构(点云特征)入手提取信息的方法完全优于从波形几何与能量(波形特征)角度提取信息。理论上，由于波形数据记录了完整的植被几何和物理能量垂直返回信息，故在林分特征信息提取上潜力更大，但或许由于波形预处理算法(特别是在去噪和平滑过程中)的不确定性，以及本研究对于波形信息挖掘的深入性限制，其表现并不完美。故后续研究工作的重点将为：探索适用性更好的波形预处理算法以及更强表达力的波形特征变量，进一步提升林分特征信息提取精度。

参考文献(References)
[1] 曹林, 佘光辉, 代劲松, 等. 2013. 激光雷达技术估测森林生物量和碳储量的研究现状及展望. 南京林业大学学报: 自然科学版, 37 (3): 163-169.
(Cao L, She G H, Dai J S, et al. 2013. Status and prospects of the LiDAR-based biomass estimation. Journal of Nanjing Forestry University:Natural Sciences Edition, 37(3): 163-169[in chinese]).(1)
[2] 曹林, 代劲松, 徐建新, 等. 2014. 基于机载小光斑LiDAR技术的亚热带森林参数信息优化提取. 北京林业大学学报, 36(5): 13-21.
(Cao L, Dai J S, Xu J X, et al. 2014. Optimized extraction of forest parameters in subtropical forests based on airborne small footprint LiDAR technology. Journal of Beijing Forestry University, 36(5): 13-21[in chinese]).(1)
[3] 冯宗炜, 王效科, 吴刚. 1999. 中国森林生态系统的生物量和生产力.北京: 科学出版社, 99-179.
(Feng Z W, Wang X K, Wu G. 1999. Biomass and productivity of Chinese forest ecosystem. Beijing: Science Press, 99-179.[in chinese])(1)
[4] 付甜, 庞勇, 黄庆丰, 等. 2011. 亚热带森林参数的机载激光雷达估测. 遥感学报, 15(5): 1099-1104.
(Fu T, Pang Y, Huang Q F, et al. 2011. Prediction of subtropical forest parameters using airborne laser scanner. Journal of Remote Sensing, 15(5): 1099-1104[in chinese]).(1)
[5] 潘百红, 张正明,曹铁如. 2007. 江苏虞山国家森林公园的天然植被.中南林业科技大学学报, 27(4): 123-128.
(Pan B H, Zhang Z M, Cao T R.2007. Natural vegetation of Yusan national forest park in Jiangsu Province, China. Journal of Central South University of Forestry & Technology, 27(4): 123-128[in chinese]).(1)
[6] 钱国钦. 2000. 枫香人工林净生产量动态变化研究.江西农业大学学报, 22(3): 399-404.
(Qian G Q. 2000. Studies on the dynamic change of the net production quantity of liquidambar formosana plantation. Acta Agriculturae Universitatis Jiangxiensis, 22(3): 399-404[in chinese]).(1)
[7] 汪企明, 石有光.1990.江苏省湿地松人工林生物量的初步研究.植物生态学与地植物学学报,14(1): 1-11.
(Wang Q M, Shi Y G. 1990. A preliminary study on the biomass and production of slash pine plantation in Jiangsu province. Acta Phytoecologica et Geobotanica Sinica, 14(1): 1-11[in chinese]).(1)
[8] 许剑辉,汪茂林,黄庆丰, 等. 2011.天然麻栎单木地上生物量模型研究.安徽林业科技,37(4): 3-6.
(Xu J H, Wang M L, Huang Q F, et al. 2011. Study on aboveground biomass model of natural individual trees of Quercus acutissima. Anhui Forestry Science and Technology, 37(4): 3-6[in chinese]).(1)
[9] Akaike H. 1974. A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6): 716-723.(1)
[10] Allouis T, Durrieu S, Véga C, et al. 2013. Stem volume and above-ground biomass estimation of individual pine trees from lidar data: contribution of full-waveform signals. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(2): 924-934.(1)
[11] Drake J B, Dubayah R O, Clark D B, et al. 2002. Estimation of tropical forest structural characteristics using large-footprint lidar. Remote Sensing of Environment, 79(2): 305-319.(2)
[12] Dubayah R, Drake J. 2000. Lidar remote sensing for forestry. Journal of Forestry, 98(6):44-46.(1)
[13] Duong H. 2010.Van processing and application of ICESat large footprint full waveform laser range data. Delft(Netherlands): PhD Dissertation (Delft University of Technology).(1)
[14] Ferster C J, Coops N C, Trofymow J A. 2009. Aboveground large tree mass estimation in a coastal forest in British Columbia using plot-level metrics and individual tree detection from lidar. Canadian Journal of Remote Sensing, 35(3): 270-275.(1)
[15] Fieber K D, Davenport I J, Ferryman J M, et al. 2013. Analysis of full-waveform LiDAR data for classification of an orange orchard scene. ISPRS Journal of Photogrammetry and Remote Sensing, 82: 63-82.(1)
[16] Harding D J. 2005. ICESat waveform measurements of within-footprint topographic relief and vegetation vertical structure. Geophysical Research Letters, 32(21): 1-4.(2)
[17] Heinzel J, Koch B. 2011. Exploring full-waveform LiDAR parameters for tree species classification. International Journal of Applied Earth Observation and Geoinformation, 13(1): 152-160.(1)
[18] Höfle B, Hollaus M, Lehner H, et al. 2008. Area-based parameterization of forest structure using full-waveform airborne laser scanning data. SilviLaser 2008: 8th International Conference on LiDAR Applications in Forest Assessment and Inventory, Edinburgh, United Kingdom, September 17-19.(1)
[19] Kim Y, Yang Z Q, Cohen W B, et al. 2009. Distinguishing between live and dead standing tree biomass on the North Rim of Grand Canyon National Park, USA using small-footprint Lidar data. Remote Sensing of Environment, 113(11): 2499-2510.(1)
[20] Kraus K, Pfeifer N. 1998. Determination of terrain models in wooded areas with airborne laser scanner data. ISPRS Journal of Photogrammetry and Remote Sensing, 53(4): 193-203.(1)
[21] Lefsky M A, Cohen W B, Parker G G, et al. 2002. Lidar remote sensing for ecosystem studies. Bioscience, 52(1): 19-30.(1)
[22] Lefsky M A, David J H, Michael K, et al. 2005. Estimates of forest canopy height and aboveground biomass using ICESat. Geophysical Research Letters, 32(22):1-4.(2)
[23] Lim K, Treitz P, Baldwin K, et al. 2003. Lidar remote sensing of biophysical properties of tolerant northern hardwood forests. Canadian Journal of Remote Sensing, 29(5): 658-678.(1)
[24] Magnussen S, Boudewyn P. 1998. Derivations of stand heights from airborne laser scanner data with canopy-based quantile estimators. Canadian Journal of Forest Research, 28(7): 1016-1031.(1)
[25] Mallet C, Bretar F. 2009. Full-waveform topographic lidar: state-of-the-art. ISPRS Journal of Photogrammetry and Remote Sensing, 64(1):1-16.(1)
[26] Næsset E, Bjerknes K O. 2001. Estimating tree heights and number of stems in young forest stands using airborne laser scanner data. Remote Sensing of Environment, 78(1): 328-340.(1)
[27] Næsset E, Økland T. 2002. Estimating tree height and tree crown properties using airborne scanning laser in a boreal nature reserve. Remote Sensing of Environment, 79(1):105-115.(2)
[28] Næsset E. 2002. Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data. Remote Sensing of Environment, 80(1): 88-99.(2)
[29] Pang Y, Li Z Y, Ju H B, et al. 2013. LiCHy: CAF's LiDAR, CCD and hyperspectral airborne observation system. SilviLaser 2013: 13th International Conference on LiDAR Applications for Assessing Forest Ecosystems, Beijing, China, October 9-11.(1)
[30] Parrish C E, Jeong I, Nowak R D, et al. 2011. Empirical comparison of full-waveform lidar algorithms: range extraction and discrimination performance. Photogrammetric Engineering & Remote Sensing, 77(8): 825-838.(1)
[31] Ranson K J, Sun G, Kovacs K, et al. 2004. Landcover attributes from ICESat GLAS data in central Siberia. IGARSS 2004: IEEE International Geoscience and Remote Sensing Symposium Meetings, Anchorage, Alaska, September 20-24.(1)
[32] Reitberger J, Schnorr C, Krzystek P, et al. 2009. 3D segmentation of single trees exploiting full waveform Lidar data. ISPRS Journal of Photogrammetry and Remote Sensing, 64(6): 561-574.(1)
[33] Sumnall M J, Hill R A, Hinsley S A. 2012. The estimation of forest inventory parameters from small-footprint waveform and discrete return airborne LiDAR data. SilviLaser 2012: 12th International Conference on LiDAR Applications for Assessing Forest Ecosystems, Vancouver, Canada, September 16-18.(1)
[34] Sun G, Ranson K J, Kimes D S, et al. 2008. Forest vertical structure from GLAS: an evaluation using LVIS and SRTM data. Remote Sensing of Environment, 112(1): 107-117.(1)
[35] Ussyshkin V, Theriault L. 2011. Airborne lidar: advances in discrete return technology for 3D vegetation mapping. Remote Sensing, 3(3): 416-434.(1)
[36] Wagner W. 2010. Radiometric calibration of full-waveform small-footprint airborne laser scanner measurements: basic physical concepts. ISPRS Journal of Photogrammetry and Remote Sensing, 65(6):505-513.(1)
[37] Xu G C, Pang Y, Li Z Y, et al. 2012. Individual trees species classification using relative calibrated full-waveform LiDAR data. SilviLaser 2012: 12th International Conference on LiDAR Applications for Assessing Forest Ecosystems, Vancouver, Canada, September 16-18.(1)