基于机载LiDAR的数据模型和点密度的森林生物量估算研究外文翻译资料

 2022-12-22 17:46:56

Garcia et al. Carbon Balance Manage (2017) 12:4

DOI 10.1186/s13021-017-0073-1

RESEARCH Open Access

Impact of data model and point density

on aboveground forest biomass estimation from airborne LiDAR

Mariano Garcia1,2* , Sassan Saatchi1, Antonio Ferraz1, Carlos Alberto Silva1,3,4, Susan Ustin5, Alexander Koltunov5 and Heiko Balzter2,6

Abstract

Background: Accurate estimation of aboveground forest biomass (AGB) and its dynamics is of paramount impor- tance in understanding the role of forest in the carbon cycle and the effective implementation of climate change mitigation policies. LiDAR is currently the most accurate technology for AGB estimation. LiDAR metrics can be derived from the 3D point cloud (echo-based) or from the canopy height model (CHM). Different sensors and survey con- figurations can affect the metrics derived from the LiDAR data. We evaluate the ability of the metrics derived from the echo-based and CHM data models to estimate AGB in three different biomes, as well as the impact of point density on the metrics derived from them.

Results: Our results show that differences among metrics derived at different point densities were significantly dif- ferent from zero, with a larger impact on CHM-based than echo-based metrics, particularly when the point density was reduced to 1 point mminus;2. Both data models-echo-based and CHM-performed similarly well in estimating AGB at the three study sites. For the temperate forest in the Sierra Nevada Mountains, California, USA, R2 ranged from 0.79 to

0.8 and RMSE (relRMSE) from 69.69 (35.59%) to 70.71 (36.12%) Mg haminus;1 for the echo-based model and from 0.76 to

0.78 and 73.84 (37.72%) to 128.20 (65.49%) Mg haminus;1 for the CHM-based model. For the moist tropical forest on Barro Colorado Island, Panama, the models gave R2 ranging between 0.70 and 0.71 and RMSE between 30.08 (12.36%) and 30.32 (12.46) Mg haminus;1 [between 0.69–0.70 and 30.42 (12.50%) and 61.30 (25.19%) Mg haminus;1] for the echo-based [CHM- based] models. Finally, for the Atlantic forest in the Sierra do Mar, Brazil, R2 was between 0.58–0.69 and RMSE between

37.73 (8.67%) and 39.77 (9.14%) Mg haminus;1 for the echo-based model, whereas for the CHM R2 was between 0.37–0.45 and RMSE between 45.43 (10.44%) and 67.23 (15.45%) Mg haminus;1.

Conclusions: Metrics derived from the CHM show a higher dependence on point density than metrics derived from the echo-based data model. Despite the median of the differences between metrics derived at different point

densities differing significantly from zero, the mean change was close to zero and smaller than the standard deviation except for very low point densities (1 point mminus;2). The application of calibrated models to estimate AGB on metrics derived from thinned datasets resulted in less than 5% error when metrics were derived from the echo-based model. For CHM-based metrics, the same level of error was obtained for point densities higher than 5 points mminus;2. The fact that reducing point density does not introduce significant errors in AGB estimates is important for biomass monitor-

ing and for an effective implementation of climate change mitigation policies such as REDD due to its implications for the costs of data acquisition. Both data models showed similar capability to estimate AGB when point density was greater than or equal to 5 point mminus;2.

*Correspondence: mariano.gar.alo@gmail.com; mga11@le.ac.uk

2 Department of Geography, Centre for Landscape and Climate Research, University of Leicester, Leicester LE1 7RH, UK

Full list of author information is available at the end of the article

copy; The Author(s) 2017. This article is distributed under the terms of the Creative Commons Attribution 4.0 International License (http://creativecommons.org/licenses/by/4.0/), which permits unrestricted use, distribution, and reproduction in any medium,

provided you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons license,

and indicate if changes were made.

Keywords: Airborne LiDAR data, Aboveground biomass, Point density, Data thinning, Echo-based, Canopy height model

Background

Forests provide essential ecosystem services at a range of scales and represent a major sink of atmospheric car- bon, yet can turn into a significant carbon source due to deforestation and forest degradation. Therefore, identify- ing the role of forests as carbon sinks or sources is key to understanding the carbon cycle [1]. Likewise, develop- ment of precise forest monitoring systems is essential for the effective implementation of climate change mitiga-

tion policies such as REDD (reducing emissions from

deforestation and degradation), which require accurate mapping of aboveground biomass (AGB) and its changes. Numerous studies have proved the ability of LiDAR data to provide accurate estimations of field-measured AGB across different ecosystems [2–5] given its capa- bility of providing detailed 3D measurements of forest structure. Nevertheless, the accuracy of the LiDAR esti- mation is subject to the accuracy of the field measure- ments and allometric equations used

剩余内容已隐藏，支付完成后下载完整资料

基于机载LiDAR的数据模型和点密度的森林生物量估算研究

摘要

背景：准确估算地上森林生物量及其动态变化对理解森林在碳循环中的作用和有效实施气候变化减排政策有着至关重要的影响。激光雷达是目前最精确的AGB估算技术。激光雷达测量可以从三维点云(基于回波)或冠层高度模型(CHM)导出。不同的传感器和测量参数会影响从LiDAR数据中得到的度量。我们评估了基于回声和CHM数据模型的度量方法在三个不同的生物群落中估计AGB的能力，以及点密度对从它们导出的度量的影响。

结果：我们的结果表明，在不同的点密度下得出的度量指标的差异与零显著不同，对基于CHM的度量的影响比基于回声的度量更大，特别是当点密度降到1分mminus;2时。这两种数据模型基于回声的和基于CHM的在三个研究地点估算AGB方面都表现良好。美国加利福尼亚州内华达山脉的温带森林，R2从0.79到基于回声的模式从69.69(35.59%)到70.71(36.12%)mg haminus;1，基于CHM模型的从 73.84 (37.72%) 到 128.20 (65.49%) Mg haminus;1。对于巴拿马巴罗科罗拉多岛的潮湿热带森林，模型给出的R2介于0.70至0.71之间，RMSE介于30.08(12.36%)和30.32(12.46)mg haminus;1之间，[0.69~0.70至30.42(12.50%)和61.30(25.19%)mg haminus;1]为基于回声的[CHM]模型。最后，对于巴西塞拉多马的大西洋森林，R2介于0.58~0.69之间，RMSE介于0.58~0.69之间。基于回波的模型为37.73(8.67%)和39.77(9.14%)mg haminus;1，CHM的R2在0.37~0.45之间，RMSE在45.43(10.44%)~67.23(15.45%)mg haminus;1之间。

结论：来自CHM的度量比基于回波的数据模型所导出的度量对点密度的依赖性更高。尽管在不同的点导出的度量之间的差异的中位数密度与零显著不同,除极低密度(1点mminus;2)外，平均变化接近于零，小于标准差。将校准模型应用于从稀疏数据集导出的度量来估计AGB时，当度量是从基于回声的模型导出时，误差小于5%。对于基于CHM的度量标准，当点密度大于5点mminus;2时，获得了相同的误差水平。降低点密度不会在AGB估计值中引入重大误差，这对生物量监测很重要由于REDD等减缓气候变化的政策对数据获取成本的影响，因此需要有效地执行这种政策。当点密度大于或等于5点mminus;2时，两种数据模型都显示出相似的估计AGB的能力。

关键词：机载LiDAR数据、地上生物量、点密度、数据细化、基于回波的冠层高度模型

摘要：森林在一定范围内提供基本的生态系统服务，是大气碳的主要汇库，然而，由于森林砍伐和森林退化，可能成为一个重要的碳源。因此，确定森林作为碳汇或碳源的作用是理解碳循环的关键。同样，发展精确的森林监测系统对于有效地实施气候变化对策至关重要例如REDD(减少森林砍伐和退化)，这就需要精确地绘制地上生物量及其变化的地图。大量的研究已经证明了LiDAR数据能够提供对现场测量AGB的精确估计，在不同的生态系统中，鉴于其提供详细的森林结构三维测量的能力。然而，LiDAR系统的精度取决于用于导出AGB的现场测量和异速测量方程的准确性，这些公式随后被用于基于激光雷达的校准模型.传感器特性和飞行规划参数影响林冠组件空间分布的LiDAR测量和它们由此衍生出的植被结构指标。同样，由LiDAR数据导出的数字高程模型(DEM)和数字表面模型(DSM)也受到采集参数的影响.这些效应将通过从DSM中减去DEM而传播到冠层高度模型(CHM)。在不同的研究中，研究了LiDAR测量参数对从机载LiDAR数据推导生物物理性质的影响。例如，结论是使用不同的传感器或改变飞行高度和脉冲重复频率(Prf)在不同采样点间的LiDAR指标差异显著，对植被垂直分布和冠层密度有显著影响。然而，Hopkinson发现，激光脉冲峰值功率浓度是影响回波强度和频率分布的最重要因素，虽然对矮高的植被有不同的影响。扫描角度也显示影响框架覆盖(FC)估计，但对于小扫描角度的影响不太明显。在大多数这些研究中，调查结构对LiDAR信息的影响是通过收集具有不同测量参数的新数据来评估的。然而，获取设置的变化，如飞行高度或PRF导致同时变化多个LiDAR参数，如足迹大小，点密度或脉冲功率。这使得很难概括出改变单个参数对结果点云的影响。为了分离出每一次特征对由此产生的点云的影响以及由此估计的高度，Disney等人模拟通过一次修改单个参数定义的不同场景的不同点云，采用蒙特卡罗射线跟踪(MCRT)模型进行冠层散射。其中一些研究表明，反演的植被高度总体上随着飞行高度的增加或PRF的减少而增加，而相反的影响也有报道，这是单位面积脉冲能量减少的结果。可以使用两种不同的数据模型，基于回声和CHM栅格模型来表示激光雷达植被测量。前者用三维点云表示森林结构，后者则将这些信息归纳为栅格，其中每个像素表示包含在其中的点的最大高度。CHM方法大幅度减少了数据量，而牺牲了所提供的信息的损失。一些研究已经评估了基于回声和CHM的模型对恢复林隙的影响或最近，关于AGB的估计。然而，这些研究并没有评估不同的获取参数对每个数据模型得出的度量的影响。在需要以一定间隔重复采集的碳监测的情况下,每项调查都可能使用不同的传感器或飞行配置。另外，为了维护REDD-MRV LiDAR数据的成本效率，应规划最优的调查结构配给。点密度，随着足迹大小，决定了激光雷达数据集的空间分辨率。它可能是计划一次激光雷达收购时最重要的参数，对购置成本有重大影响，由于研究区域的最低点密度是通常的目标，以便最大限度地扩大空间覆盖范围。因此，评价点密度和数据模型对AGB估计的影响成为MRV过程中的一个重要问题。这项研究旨在评估基于回声和CHM数据模型在不同生物群落中对三种森林的AGB估计的潜力，以及他们是如何受到点密度的影响。具体目标是：(1)评估点密度对每个数据模型导出的度量的影响；(2)评价小区大小对度量的影响；(3)评价这些数据模型在不同植被类型森林中估算AGB值的能力；(4)评价了点密度对导出经验模型的影响。

结果

点密度对度量的影响

表1、表2和表3显示了对空假设的双边wil-coxon符号秩检验的结果从原始数据和稀疏数据得出的度量标准之间没有统计学上的显着差异。在所有这三个站点中，点密度的降低导致了，对于大多数的度量标准，从原始的和稀疏数据集派生的指标之间的显著差异。这些结果也是通过对原始数据集和稀疏数据集之间的均值差异进行的双边单样本t检验(结果未显示)来支持的。点密度降低对来自CHM的度量的影响比从基于回波的模型得到的影响更大。点密度对测量指标的影响通常也显示出不同小区大小的相似行为，从0.09公顷到1公顷。虽然在这三个研究地点观察到了类似的模式，但它们之间存在一些差异，反映它们植被结构的差异。例如，从基于回声的模式得到的冠层波形(AUCW)下的区域在加利福尼亚的内华达山脉(以下简称SNM)和巴罗科罗拉多岛上显示出显著的差异。 巴拿马(BCI在此之后)，而在巴西的塞拉多(SDM在此之后)的差异没有统计学意义。同样，对于SNM中的任何点密度或数据模型，分数覆盖(FC)或高度标准差(StdH)的差异与零有显着性差异，在BCI和SDM中，差异是仅在最低点密度(1点mminus;2)时才有显着性意义。尽管统计检验在不同的密集关系下得出的度量结果有显著差异，但这些差异的幅度通常很低。在这三个地点，冠层高度值随点密度的减小而减小。根据最高点密度估计的最大高度与稀疏数据之间的平均差异是可以忽略的，

除了最低点密度(1点mminus;2)，它可能大于一米。此外，在大多数情况下，差异的标准差大于平均值。因此，最大冠层高度的平均差异(plusmn;标准差)在minus;0.02m(plusmn;0.20m)和1.16m(plusmn;0.87m)之间。minus;0.03 m(plusmn;0.66 m)和0.84 m(plusmn;1.73 m)，0(plusmn;0.94 m)SDM为0.97 m(plusmn;1.37m)。同样的趋势是不管使用什么数据模型，尽管从CHM衍生的度量的差异更大。在其他与植被垂直分布有关的指标中，也观察到了从基于回声的模型导出的同样的模式。

minus;0.09m(plusmn;0.10m)与0.06m(plusmn;0.20m)之间的差异，BCI在minus;0.08m(plusmn;0.37m)~0.11m(plusmn;0.48m)之间，SDM在minus;0.52 m(plusmn;0.56m)与0.96m(plusmn;0.66m)之间。高度-CHM衍生的RICS受以下因素的影响更大点密度SNM分别为0.29m(plusmn;0.23m)和5.09m(plusmn;3.49m)，0.25(plusmn;0.50m)。BCI和0.14m（plusmn;0.12m）中的5.19m（plusmn;1.93m）和SDM为4.82 m(plusmn;1.20m)。这些差异是不同的从显着意义上说，与基于回声的模型导出的度量不同的是，标准偏差小于平均值。在所有情况下，最大的差异在最低点密度(1点mminus;2)。在高度变化系数的情况下，当所有三个站点都是从基于回声的模式派生出来时，差异通常并不显著但从基于CHM的模型中得到的结果却变得非常重要。在高度标准差的情况下，每个研究地点都有不同的行为，SNM与SDM差异有显着性(Plt;0.05)。当该指标从CHM中导出时，这三个地点的差异是显著的。此外，高度的标准差小于15厘米当从基于回声的模型导出时，从SNM和BCI的CHM中提取出来，它们大于1 m。对于AUCW，随着点密度的减小，得到了较小的值，尤其是从CHM衍生出来的。最后，在FC的例子中，当从基于回波的模型导出时，所有三个站点的差异都小于2%，尽管对SNM研究网站有统计学意义。当FC来自CHM时，差异稍大，SNM值为5%，BCI值为14%，SDM值为2%。图中的箱形图1示出了平均冠层高度的变化的概要FC后来用来模拟AGB，从每个研究地点的每个数据模型中导出作为点密度函数的数据模型。这些变量用于从LiDAR数据中模拟AGB。

小区大小对度量的影响

研究地点和所使用的数据模型之间，与地块大小相关的结构变异性的影响各不相同。AUCW、Vari-tion系数和StdH等变量在每个研究地点表现出不同的行为特征.相同模式对小区大小的影响在模型上，SNM和SDM的结果略有改善，但对BCI没有影响。

图3显示了与现场测量相比，来自不同模型和分辨率的估计AGB的散点图。 当模型使用基于回声的度量标准进行校准时，点几乎重叠，而在基于CHM的模型中观察到较高的差异。 这一趋势在三个研究地点得到了观察。

讨论

点密度对度量的影响

从基于回波的模型导出的高度指标受点密度降低的影响要小于从CHM导出的高度指标，特别是当点密度被减少到1点m-2。 这是由事实上，考虑到所有冠层回报（hgt; 2 m），计算点云的度量; 而对于CHM，用于计算它们的每个像素的高度表示其中的最高回报。 插值对CHM产生的影响也有助于点密度对从CHM导出的量度的影响。 我们发现由LiDAR估算的植被高度随着点密度的降低而减少，这是由于激光脉冲撞击冠层顶部的概率较低以及侵入地面的影响DEM产生的较少。这与迪斯尼等人获得的结果一致。Leitold等人还报道了在SdM中观察到的平均CHM高度与点密度的降低，为同一研究领域。然而，他们发现了更大的差异，这可能是由于我们应用了不同的过滤算法来对细化数据的地面收益进行分类。对于基于回波的模型，变异系数没有显示出任何显着差异，但是对于CHM而言。 这也可能是植被数据在计算每个数据模型的度量时的不同考虑的结果，即基于回波的模型对于基于CHM的度量的所有像素的回报高于2m。 对于AUCW森林结构似乎是衡量指标变化的决定性因素。 在BCI中，其值比其他两个研究地点大2-3倍，并且点密度的降低对获得的值产生更大的影响。 CHM模型比基于回波的模型受到的影响更大，因为它仅捕获上冠层的变化。虽然统计测试表明，从不同点密度得出的度量的中值差异显着不同于零，但在大多数情况下平均变化非常低，除非点密度降低到1点m-2。 此外，标准变化的偏差大于平均值本身，因此，点密度的变化不会导致度量变化的显着趋势。

几位作者指出，难以比较不同研究地点的结果，传感器特性和调查配置。 然而，我们使用不同的传感器和飞行规格对不同森林类型的结果显示了类似的结果，给我们结果的稳健性带来了信心。应该牢记，我们只是通过随机删除LiDAR返回来降低点密度。 通过这种方式，我们只改变了可用于计算高度和植被密度指标的收益数量，但与飞行参数变化相关的其他影响（如足迹尺寸或脉冲穿透力）未发生变化。 然而，在操作情景中，通过改变PRF或飞行高度可降低点密度，这使得其他参数（如占地面积大小）随着点密度而变化。飞行和传感器配置对不同回波类别的不同影响也可能影响一些导致植被垂直分布的指标。尽管应用于点密度降低的方法有局限性，但我们的结果与其他研究收集不同数据下收集不同数据集的结果一致配置。

小区大小对度量的影响

对于大多数指标，每个研究地点的地块大小变化显示出不同的影响。迪斯尼等人。显示了植被垂直分布对收益分配的影响。改变阴谋的大小改变了结构模式的衡量标准。我们的研究结果表明，描述冠层高度（Hmax）和垂直分布的指标，通过整个冠层如AUCW，P25H，高度的CV或StdH的CV值比代表平均身高或其他身高相关的指标百分。这种效果也取决于数据模型和研究网站。根据年龄和植被类型分层的不同冠层结构对冠层高度的显着影响也在其他研究中得到了描述，正如预期的那样，最大冠层高度显示出显着的差异，因为这个度量标准代表了给定地块的一个单一测量值。平均身高或身高百分位数等指标不受地块大小影响的事实表明我们的研究地点在不同尺度上的结构具有一定的同质性。一般而言，身高百分位数或平均身高的差异低于1米，小于基于回波的模型得出的变化的标准差，而从CHM得出的差异略高。在FC中观察到同样的情况，变化小于2％。

地上生物量模拟

所用的两个数据模型在估计AGB方面表现几乎相同，这与Chirici等人获得的结果一致。他发现数据模型对结果没有显着影响。表7显示，无论使用何种数据模型，R2和

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24994]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章