CN108959705B - 一种预测亚热带森林生物量的方法 - Google Patents
一种预测亚热带森林生物量的方法 Download PDFInfo
- Publication number
- CN108959705B CN108959705B CN201810538163.3A CN201810538163A CN108959705B CN 108959705 B CN108959705 B CN 108959705B CN 201810538163 A CN201810538163 A CN 201810538163A CN 108959705 B CN108959705 B CN 108959705B
- Authority
- CN
- China
- Prior art keywords
- biomass
- model
- trunk volume
- sample
- forest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种预测大面积亚热带森林生物量的混合效应模型,属于森林管理技术领域,涉及一种森林生物量的提取技术。利用相对便捷的数据获取途径和较少的资金人员投入,设计一种针对大面积亚热带森林生物量的提取技术。该技术主要由激光雷达数据特征变量的提取、地面样地数据树干材积估算、基于植被类型的模型构建与模型验证、基于树干材积和生物量相对生长模型的生物量计算五个阶段构成。该技术提升了激光雷达方法在大尺度森林的生物量估算精度,为机载激光雷达在大面积亚热带森林的林业勘察应用中提供简化的技术解决方案。
Description
技术领域
本发明属于森林管理技术领域,涉及一种森林生物量的提取技术,尤其是涉及一种针对大面积亚热带森林生物量的提取技术。基于激光雷达和植被类型发明一种预测大面积亚热带森林生物量的混合效应预测模型。
背景技术
亚热带森林在全球碳循环中发挥着重要作用,在变化的气候条件下对其生态功能的深入了解需要对其森林结构进行准确的估算。激光雷达是一种先进的遥感技术,可以提供比光学或雷达图像更高的精度来估算森林结构信息。但是,激光雷达在亚热带森林的应用往往局限于小面积小范围小尺度。
大面积森林在分类和结构上更加多样化,使得激光雷达的衍生指标和各种森林属性之间具有更复杂的关系,导致使用机载激光雷达预测大面积森林属性的准确性降低。如前人使用机载激光雷达估计热带森林生物量时,决定系数有的高达0.85(Asner等2010年发表在《Proceedings of the National Academy of Sciences of the United States ofAmerica》和Asner等2012年发表在《Carbon Balance and Management》),有的却低至0.38,且相对误差高达50%(Chen等人2015年发表在《Remote Sensing》)。研究结果的差异性表明,机载激光雷达需要更多的研究进行广泛的测试,不能把前人研究结论简单地延伸到新的研究对象中,不同森林类型其结构变量的估算需要各自开发有效的方法。考虑到大面积森林在分类和结构上的多样化增大准确估算的难度,基于植被类型的森林结构变量估算或许可以提高准确性。
森林生物量固定了陆地植被碳储量的82.5%,其不仅是陆地生态***碳收支评估中的重要指标,也是研究诸多林业和生态问题(如物质循环、能量流动等)的基础。目前专利多运用光学遥感反演进而估算生物量如《一种基于光谱曲线特征分异的森林生物量遥感反演方法》(公布号:CN106291582A)和《一种荒漠草原绿色生物量遥感监测升尺度方法》(公布号:CN106294991A),尚未有将激光雷达运用于大面积森林生物量的专利。将激光雷达运用于生物量估算时,可通过激光雷达基于植被类型估算树干材积,再运用相对生物量模型估算生物量。
综上,开发一种基于激光雷达和植被类型预测大面积亚热带森林生物量的混合效应模型十分必要。
发明内容
发明目的:提供一种基于激光雷达和植被类型预测大面积亚热带森林生物量的混合效应模型,有效提高精度,降低成本。
为达到上述目的,本发明采用以下技术方案:
一种基于激光雷达和植被类型预测大面积亚热带森林树干材积的混合效应模型,其特征在于,包括以下步骤:
1)利用传感器进行激光雷达数据的获取、数据前处理以及特征变量的提取;
2)在待测区域设计样地进行地面样地数据的获得及树干材积的估算,并确定样地水平的植被类型;
3)将地面实测汇总的树干材积信息作为因变量,激光雷达的特征变量作为自变量,并基于植被类型,建立最佳非线性参数回归模型的混合效应模型;
4)使用10倍交叉验证(CV)评估混合效应模型性能;
5)基于由激光雷达估算的树干材积和由解析木建立的生物量相对生长模型B=aV+b计算生物量。
在步骤1)中,采用传感器获取亚热带丘陵森林待测区域内的LiDAR点云数据,传感器记录完整的激光脉冲返回波形信息。使用Tiffs(激光雷达数据过滤和森林工具箱)软件对激光雷达点云数据进行处理以分离地面回波,分类结果通过手动编辑完善;再通过内插地面回波生成1米数字地形模型(DTM)。通过每个激光点的Z坐标减去其下面对应的DTM单元的高度来计算每个激光点的高度。根据LiDAR点云数据计算激光点高度的14个特征变量:3个统计变量(平均值Hmean、标准差Hstd和峰度Hkurt);10个高度百分位数变量:Hptc10、Hptc20、…、Hptc100;1个平均高度的均方值Hqm(高点具有更高权重)。通过所有高度的回波来计算激光雷达指标以表征水平和垂直冠层结构。
在步骤2)中,在待测区域范围内设置多个方形样地,样地调查过程中,对于胸径≥5厘米的树木和胸径≥2厘米的竹子,逐一测定单木的树种、树高和胸径;根据单木调查数据和异速生长模型估计树干材积;根据样地信息汇总得到每块样地的单位树干材积(立方米/公顷)。根据中国国家植被分类***确立样地水平的植被类型。包括常绿阔叶林、针叶林、针阔混交林、竹林。
在步骤3)中,将地面实测汇总的树干材积信息作为因变量,激光雷达获取的预测指标作为自变量,并基于植被类型,建立非线性参数回归的混合效应模型,包括简单幂模型(SPM,simple power model)和多元幂模型(MPM,multiplicative power model)。二者具有相同的模型公式:
其中Hi是从一组激光雷达点生成的步骤(1)中描述的各个激光雷达指标。n是模型中的激光雷达度量的数量。对于简单幂模型,n=1;对于多元幂模型,n≥2。
为了开发非线性多元幂模型以预测树干材积,我们选择了激光雷达指标如下:首先,对树干材积和激光雷达指标进行对数转换,然后在对数尺度上使用前向逐步回归以选择具有统计意义的变量。将包含和排除变量的p值阈值分别设置为0.2和0.1,有意地高于统计软件包中的典型值0.05,以降低去除重要的激光雷达指标的风险。必要时,通过去除任何统计学上不显著(p值>0.05)的变量来重新设计模型。
在步骤4)中,使用10倍交叉验证(CV)评估模型性能,其步骤如下:(1)样地随机分为10份;(2)使用任意9份样方观测的树干材积来校准模型,以预测剩余1份样方的树干材积;(3)重复前面的步骤共10次,依次预测得到剩下9份样方的树干材积。(4)基于观测和预测的树干材积,计算交叉验证的确定系数(R2)和相对均方根误差(RRMSE)如下:
其中,yi是样地观测的树干材积,是模型预测的树干材积,n是样方的数量(n=140),是140个样方观测的平均树干材积。当使用混合效应模型时,若预测模型中不包括校准模型样地中存在的植被类型,则使用没有随机项的混合效应模型用于预测。
在步骤5)中,在生物量相对生长模型的建立中,包括以下步骤:1)测定解析木的生物量B;2)根据步骤(2)所述的单木调查方法和异速生长模型得到观测的树干材积V;3)根据实测的生物量B和观测的树干材积B,建立生物量相对生长模型B=aV+b。将由前四个步骤所得的由激光雷达估算的树干材积V,代入建立的生物量相对生长模型B=aV+b计算出生物量B。
本发明针对中国东南部约19000km2的丘陵亚热带森林,基于机载激光雷达数据预测模拟森林树干材积,进而运用生物量相对生长模型估算生物量。以福建西部丘陵地区大面积亚热带森林为方法实施对象,首先从激光雷达数据中提取14个特征变量,同时进行地面森林树干材积的观测,而后在结合植被类型的前提下建立二者的混合效应模型,最后结合生物量相对生长模型估算整个研究区的生物量。本发明利用机载激光雷达技术提出了从数据采集到森林生物量获取的方法流程,提升了激光雷达方法在大尺度森林的生物量估算精度,为机载激光雷达在大面积亚热带森林的林业勘察应用中提供简化的技术解决方案。
与现有技术相比,本发明实地样地来自面积超过19000km2的地区,比其他典型研究大100-1000倍;另外,研究区域的大面积意味着植被多样性的增加和模型预测的挑战,故本发明与现有技术相比,使用了包括植被类型的混合效应模型。本发明为亚热带森林地区的首次大面积实施。试验结果表明,通过本发明对中国大面积亚热带森林进行的树干材积估算,取得了较高的精度:R2=0.49,RRMSE=64.3%。
附图说明
图1是试验区和样地分布图。
图2是一种基于混合效应模型的树干材积预测值与重叠区样地实测值得对比散点图(虚线为1:1线;实线为观察值与预测值之间的线性回归线)。
具体实施方式
下面结合实例对本发明做进一步详细的说明。
实施例1
一种基于激光雷达和植被类型预测大面积亚热带森林树干材积的混合效应模型,包括以下步骤:
1)试验区概况
研究区位于福建省,为整个龙岩市。全省大部分地区山多,幅员辽阔。在龙岩,大部分土地是山区和丘陵。。
2)激光雷达数据获取及预处理
在Cessna208飞机上使用LeicaALS70传感器收集机载激光雷达数据(2013年11-12月),飞行高度为3500米,飞行速度为230-280公里/小时。传感器激光发射使用79-234kHz的脉冲重复频率,扫描速率为12-32Hz,扫描角度为50度。最小侧劈是25%,平均点密度是1.2点/m2,每个激光返回点内包含三维坐标值、强度值和返回类型信息。
3)地面调查数据的获得
表1研究区植被类型
2013年在龙岩地区内设置140个方形样地(大小:25.82m×25.82m)。样地西南角用GNSS(全球导航卫星***)进行标记和测量,误差小于10米。其他角落按照顺时针顺序使用指南针和磁带。边长的测量考虑边坡的影响(边长=25.82m/cos(θ),其中θ是地形坡度)。穿越样方四角和两侧的关闭误差小于1%。样地调查过程中,对于胸径≥5厘米的树木和胸径≥2厘米的竹子,逐一测定单木的树种、树高和胸径;根据单木调查数据和异速生长模型得到观测的树干材积;根据样地信息汇总得到每块样地的单位树干材积。根据中国国家植被分类***确立样地水平的植被类型(表1)。
4)特征变量提取
表2 LiDAR激光点云高度特征变量汇总
根据LiDAR点云数据计算了14个特征变量:3个高度统计变量(平均值Hmean、标准差Hstd、偏度Hskew和峰度Hkurt);10个高度百分位数变量:Hptc10、Hptc20、…、Hptc100;平均高度的均方值Hqm(高点具有更高权重)。14个特征变量的含义及计算公式见表2。
5)统计建模
将地面实测汇总的树干材积信息作为因变量,激光雷达获取的预测指标作为自变量,并一种基于植被类型,建立非线性参数回归模型的混合效应模型,包括简单幂模型(SPM,simple power model)和多元幂模型(MPM,multiplicative power model)。二者具有相同的模型公式:
其中Hi是从一组激光雷达点生成的(4)中描述的各个激光雷达指标。N是模型中的激光雷达度量的数量。对于简单幂模型,n=1;对于多元幂模型,n≥2。
为了开发非线性多元幂模型以预测树干材积,我们选择了激光雷达指标如下:首先,对树干材积和激光雷达指标进行对数转换,然后在对数尺度上使用前向逐步回归以选择具有统计意义的变量。将包含和排除变量的p值阈值分别设置为0.2和0.1,有意地高于统计软件包中的典型值0.05,以降低去除重要的激光雷达指标的风险。必要时,通过去除任何统计学上不显著(p值>0.05)的变量来重新设计模型。
6)模型验证
使用10倍交叉验证(CV)评估模型性能,其步骤如下:(1)样地随机分为10份;(2)使用任意9份样方观测的树干材积来校准模型,以预测剩余1份样方的树干材积;(3)重复前面的步骤共10次,依次预测得到剩下9份样方的树干材积。(4)基于观测和预测的树干材积,计算交叉验证的确定系数(R2)和相对均方根误差(RRMSE)如下:
其中,yi是样地观测的树干材积,是模型预测的树干材积,n是样方的数量(n=140),是140个样方观测的平均树干材积。当使用混合效应模型时,若预测模型中不包括校准模型样地中存在的植被类型,则使用没有随机项的混合效应模型用于预测。
表3混合效应模型精度评价
混合效应模型的精度评价见表3。树干材积模型预测值与重叠区样地实测值的对比散点图及1:1线图见图2。
7)242棵解析木数据的获得
表4生物量相对生长模型
注:B为地上生物量,kg/棵;V为树干材积,m3/棵。
通过样地调查和242棵解析木获取得到生物量相对生长模型(表4)。
8)方法运算结果
试验结果表明,通过本发明对中国大面积亚热带森林进行的树干材积估算,在Hpct30取得了较高的精度:R2=0.49,RRMSE=64.3%,最后再结合生物量相对生长模型估算中国大面积亚热带森林的生物量。
Claims (1)
1.一种基于激光雷达和植被类型预测亚热带森林生物量的方法,其特征在于,包括以下步骤:
1)利用传感器进行激光雷达数据的获取,对获取的数据进行前处理以及特征变量的提取;
利用传感器进行激光雷达数据的获取,具体包括:采用传感器获取亚热带丘陵森林待测区域内的激光雷达点云数据,传感器记录完整的激光脉冲返回波形信息;
对获取的数据进行前处理,具体包括:使用激光雷达数据过滤和森林工具箱Tiffs软件对激光雷达点云数据进行处理以分离地面回波;再通过内插地面回波生成1米数字地形模型DTM,通过每个激光点的Z坐标减去其下面对应的DTM单元的高度来计算每个激光点的高度;
特征变量的提取,具体包括:提取激光点的高度的14个特征变量:3个统计变量包括平均值Hmean、标准差Hstd和峰度Hkurt;10个高度百分位数变量:Hptc10、Hptc20、…、Hptc100;1个平均高度的均方值Hqm,其中高点具有更高权重;
2)在亚热带丘陵森林待测区域设计样地进行地面样地数据的获得及树干材积的估算,并确定样地的植被类型;
具体为,在亚热带丘陵森林待测区域范围内设置多个方形样地,样地调查过程中,对于胸径≥5厘米的树木和胸径≥2厘米的竹子,逐一测定单木的树种、树高和胸径;根据单木调查数据估计单木的树干材积;根据样地信息汇总得到每块样地的树干材积;所述植被类型包括常绿阔叶林、针叶林、针阔混交林、竹林;
3)将样地信息汇总得到的每块样地的树干材积作为因变量,激光点的高度的特征变量作为自变量,并基于植被类型,建立非线性参数回归的混合效应模型;
其中,非线性参数回归的混合效应模型的公式为:
其中,当n=1时,为简单幂模型;当n≥2时,为多元幂模型;
其中,开发多元幂模型以预测树干体积,选择Hi的步骤如下:
对每块样地的树干材积和Hi进行对数转换,然后在对数尺度上使用前向逐步回归以选择具有统计意义的变量,将包含和排除变量的p值阈值分别设置为0.2和0.1;
4)使用10倍交叉验证CV评估并校准非线性参数回归的混合效应模型;
其步骤如下:(1)将样地随机分为10份样方;(2)使用任意9份样方的每块样地的树干材积来校准非线性参数回归的混合效应模型,以预测剩余1份样方的树干材积;(3)重复前面的步骤(2)9次,依次预测得到剩下9份样方的树干材积;(4)基于样地信息汇总得到的每块样地的树干材积和预测的每块样地的树干材积,计算交叉验证的确定系数R2和相对均方根误差RRMSE如下:
5)由解析木建立生物量相对生长模型,包括以下步骤:1)测定解析木的生物量;2)根据测定的解析木的生物量和树干材积,建立生物量相对生长模型B=aV+b;
将预测的树干材积V,代入所建立的生物量相对生长模型B=aV+b计算出生物量B。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810538163.3A CN108959705B (zh) | 2018-05-30 | 2018-05-30 | 一种预测亚热带森林生物量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810538163.3A CN108959705B (zh) | 2018-05-30 | 2018-05-30 | 一种预测亚热带森林生物量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959705A CN108959705A (zh) | 2018-12-07 |
CN108959705B true CN108959705B (zh) | 2023-04-07 |
Family
ID=64492604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810538163.3A Active CN108959705B (zh) | 2018-05-30 | 2018-05-30 | 一种预测亚热带森林生物量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959705B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710889B (zh) * | 2018-12-13 | 2023-02-03 | 北京林业大学 | 一种基于树木年轮精确估计森林生产力的取样方法 |
CN110162872B (zh) * | 2019-05-17 | 2022-11-29 | 中国科学院城市环境研究所 | 一种融合样地数据与森林资源清查数据的生物量估算方法 |
CN110245420A (zh) * | 2019-06-14 | 2019-09-17 | 海南省林业科学研究所 | 沿海防护林生物量和碳储量监测计量的方法 |
CN110276757A (zh) * | 2019-06-25 | 2019-09-24 | 北京林业大学 | 一种基于倾斜像片进行高郁闭度人工林区域单木生物量制图技术 |
CN111814397B (zh) * | 2020-07-03 | 2023-03-24 | 中国科学院城市环境研究所 | 结合源解析与机器学习的森林生物量估算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1502047A (zh) * | 2001-02-09 | 2004-06-02 | �����ѧ��ҵ�о���֯ | 激光雷达***和方法 |
CN105913016A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种通过条带LiDAR数据升尺度估算森林生物量的方法 |
CN106408608A (zh) * | 2016-09-30 | 2017-02-15 | 信阳师范学院 | 一种从地面激光雷达点云数据中提取树干直径的方法 |
CN106931883A (zh) * | 2017-03-30 | 2017-07-07 | 信阳师范学院 | 一种基于激光点云数据的树干材积获取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011159855A1 (en) * | 2010-06-16 | 2011-12-22 | Yale University | Forest inventory assessment using remote sensing data |
-
2018
- 2018-05-30 CN CN201810538163.3A patent/CN108959705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1502047A (zh) * | 2001-02-09 | 2004-06-02 | �����ѧ��ҵ�о���֯ | 激光雷达***和方法 |
CN105913016A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种通过条带LiDAR数据升尺度估算森林生物量的方法 |
CN106408608A (zh) * | 2016-09-30 | 2017-02-15 | 信阳师范学院 | 一种从地面激光雷达点云数据中提取树干直径的方法 |
CN106931883A (zh) * | 2017-03-30 | 2017-07-07 | 信阳师范学院 | 一种基于激光点云数据的树干材积获取方法 |
Non-Patent Citations (3)
Title |
---|
Above ground biomass and tree species richness estimation with airborne lidar in tropical Ghana forests;Gaia Vaglio Laurin et al;《International Journal of Applied Earth Observation and Geoinformation》;20160719;全文 * |
亚热带森林参数的机载激光雷达估测;付甜 等;《遥感学报》;20110925;全文 * |
基于激光雷达和外推模型的森林地上生物量估算研究;郑朝菊;《中国优秀博硕士学位论文全文数据库(电子期刊) 农业科技辑》;20180215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108959705A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959705B (zh) | 一种预测亚热带森林生物量的方法 | |
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN104656098B (zh) | 一种遥感森林生物量反演的方法 | |
CN109031344B (zh) | 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法 | |
Chen et al. | Estimating basal area and stem volume for individual trees from lidar data | |
CN105913017A (zh) | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 | |
CN104155638B (zh) | 一种基于LiDAR伪垂直波形模型的树种分类方法 | |
CN104457626A (zh) | 一种基于激光雷达点云技术的植物叶面积指数测定方法 | |
CN109061601A (zh) | 一种基于无人机激光雷达反演人工林森林结构参数的方法 | |
CN109212505A (zh) | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 | |
Pennypacker et al. | Seeing the fields and forests: Application of surface-layer theory and flux-tower data to calculating vegetation canopy height | |
CN105913016A (zh) | 一种通过条带LiDAR数据升尺度估算森林生物量的方法 | |
CN108872964A (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
CN104502919A (zh) | 利用机载激光雷达点云提取城市植被三维覆盖的方法 | |
CN104062644A (zh) | 一种从激光雷达高斯回波数据中提取树高的方法 | |
CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
CN108896021A (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
CN109948106B (zh) | 一种利用激光点云计算林分高度累计百分比的方法 | |
JP2015200615A (ja) | レーザー計測結果解析システム | |
CN116881812A (zh) | 基于多源遥感数据和随机森林法估测森林碳储量的方法 | |
CN113281716A (zh) | 一种光子计数激光雷达数据去噪方法 | |
Paul-Limoges et al. | Estimation of aerodynamic roughness of a harvested Douglas-fir forest using airborne LiDAR | |
CN109212553A (zh) | 无人机LiDAR和随机森林提取银杏生物物理特性的方法 | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与*** | |
Ediriweera et al. | LiDAR remote sensing of structural properties of subtropical rainforest and eucalypt forest in complex terrain in North-eastern Australia |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |