機(jī)載激光雷達(dá)脈沖能夠穿透部分森林冠層,獲取森林的三維結(jié)構(gòu)信息,是目前林業(yè)遙感當(dāng)中最具應(yīng)用潛力的主動遙感技術(shù)之一。盡管目前國內(nèi)外學(xué)者已經(jīng)在機(jī)載激光雷達(dá)森林參數(shù)反演方面取得了一些不錯的科研成果,然而理論和實踐遠(yuǎn)未成熟,核心算法仍有待提高,技術(shù)體系仍有待完善。因此,本文以黑河綜合遙感聯(lián)合試驗獲取的張掖市大野口流域的機(jī)載激光雷達(dá)數(shù)據(jù)和樣地調(diào)查數(shù)據(jù)為研究對象,系統(tǒng)化的研究了機(jī)載激光雷達(dá)森林參數(shù)提取的技術(shù)流程,針對各個重要環(huán)節(jié)均做了深入的比較和分析,找出了反演過程當(dāng)中最優(yōu)的算法和參數(shù)設(shè)置,提出了一個反演森林參數(shù)的激光雷達(dá)指標(biāo)。研究取得的主要結(jié)論如下:(1)布料模擬濾波算法(CSF,Cloth Simulation Filter)在本研究區(qū)濾波效果好于常用的不規(guī)則三角網(wǎng)濾波算法(TIN,Triangular Irregular Networks)和漸進(jìn)形態(tài)濾波算法(PMF,Progressive Morphological Filter)。通過三種濾波算法生成的DEM和試驗區(qū)差分GPS測量的結(jié)果對比,CSF算法可以獲取最大誤差1.9m,平均誤差0.138m/m²的DEM,可以滿...

【文章頁數(shù)】：159 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 機(jī)載激光雷達(dá)技術(shù)概要
        1.2.1 測距原理及系統(tǒng)組成
        1.2.2 主要技術(shù)參數(shù)
        1.2.3 點(diǎn)云及處理流程
    1.3 國內(nèi)外研究進(jìn)展
        1.3.1 機(jī)載激光單木因子提取研究
        1.3.2 機(jī)載激光雷達(dá)林分因子提取研究
        1.3.3 機(jī)載激光雷達(dá)在林業(yè)中的其他應(yīng)用
    1.4 存在的問題與不足
    1.5 主要研究內(nèi)容
    1.6 技術(shù)路線
第二章 研究區(qū)概況及數(shù)據(jù)預(yù)處理
    2.1 研究區(qū)概況
        2.1.1 地理概況
        2.1.2 地質(zhì)地貌特征
        2.1.3 水文氣候特征
        2.1.4 礦產(chǎn)及土壤特征
        2.1.5 植被資源
    2.2 樣地數(shù)據(jù)處理
        2.2.1 樣地數(shù)據(jù)獲取
        2.2.2 樣地數(shù)據(jù)分析
    2.3 LiDAR數(shù)據(jù)處理
        2.3.1 LiDAR數(shù)據(jù)獲取
        2.3.2 LiDAR數(shù)據(jù)預(yù)處理
第三章 點(diǎn)云濾波分析
    3.1 引言
    3.2 研究方法
        3.2.1 濾波算法
        3.2.2 精度評價
        3.2.3 處理流程
    3.3 結(jié)果與分析
        3.3.1 濾波結(jié)果分析
        3.3.2 濾波精度分析
    3.4 小結(jié)
第四章 CHM插值研究
    4.1 引言
    4.2 研究方法
        4.2.1 數(shù)據(jù)預(yù)處理
        4.2.2 插值算法
        4.2.3 處理流程
    4.3 結(jié)果與分析
        4.3.1 插值效果分析與比較
        4.3.2 IDW插值參數(shù)優(yōu)化
        4.3.3 CHM插值法和傳統(tǒng)方法的效果比較
    4.4 小結(jié)
第五章 點(diǎn)云分割算法研究
    5.1 引言
    5.2 研究方法
        5.2.1 試驗區(qū)數(shù)據(jù)預(yù)處理
        5.2.2 單木分割算法及精度評價指標(biāo)
        5.2.3 處理流程
    5.3 結(jié)果與分析
        5.3.1 分水嶺算法
        5.3.2 點(diǎn)云聚類分割
    5.4 小結(jié)
第六章 基于單木分割的林分參數(shù)反演
    6.1 引言
    6.2 研究方法
        6.2.1 林分平均高
        6.2.2 株數(shù)密度
        6.2.3 胸高斷面積
        6.2.4 地上生物量
    6.3 結(jié)果與分析
        6.3.1 林分平均高反演
        6.3.2 株數(shù)密度反演
        6.3.3 胸高斷面積反演
        6.3.4 地上生物量反演
    6.4 模型應(yīng)用
        6.4.1 模型應(yīng)用思路
        6.4.2 預(yù)測結(jié)果及統(tǒng)計
    6.5 小結(jié)
第七章 基于樣地的林分參數(shù)反演
    7.1 引言
    7.2 研究方法
        7.2.1 多元線性回歸模型
        7.2.2 LASSO回歸特征選擇
        7.2.3 支持向量機(jī)模型
        7.2.4 人工神經(jīng)網(wǎng)絡(luò)模型
        7.2.5 模型評價方法
    7.3 技術(shù)路線
    7.4 結(jié)果與分析
        7.4.1 變量共線性檢驗
        7.4.2 LASSO變量篩選
        7.4.3 林分平均高反演
        7.4.4 林分胸高斷面積反演
        7.4.5 林分地上生物量反演
    7.5 小結(jié)
第八章 基于TCH的林分參數(shù)反演
    8.1 引言
    8.2 研究方法
        8.2.1 TCH生成方法
        8.2.2 林分平均高反演
        8.2.3 林分胸高斷面積反演
        8.2.4 地上生物量反演
    8.3 不同CHM高度閾值林分參數(shù)反演結(jié)果
        8.3.0 TCH生成結(jié)果分析
        8.3.1 林分平均高反演
        8.3.2 林分胸高斷面積反演
        8.3.3 地上生物量反演
        8.3.4 TCH林分參數(shù)反演模型優(yōu)選結(jié)果
    8.4 不同CHM像素大小林分參數(shù)反演結(jié)果
        8.4.1 TCH與 CHM像素大小的關(guān)系
        8.4.2 林分平均高反演
        8.4.3 林分胸高斷面積反演
        8.4.4 地上生物量反演
    8.5 TCH模型優(yōu)選與應(yīng)用
    8.6 小結(jié)
第九章 結(jié)論
    9.1 主要結(jié)論
    9.2 不足與展望
參考文獻(xiàn)
致謝
個人簡歷



本文編號：3848843