LiDAR不同強(qiáng)度校正法對樟子松葉面積指數(shù)估測的影響

尤號田，邢艷秋，彭 濤，丁建華

1. 桂林理工大學(xué)測繪地理信息學(xué)院，廣西 桂林 541004； 2. 東北林業(yè)大學(xué)森林作業(yè)與環(huán)境研究中心，黑龍江 哈爾濱 150040

針葉林作為森林的主要組成部分，在調(diào)節(jié)全球氣候、維持大氣平衡及全球碳循環(huán)等方面均發(fā)揮著重要的作用。森林冠層描述了林木枝、葉的分布狀況，控制著森林與外界的水分、能量及大氣交換，對于研究多種森林生物物理活動具有重要意義[1-3]。作為森林冠層結(jié)構(gòu)定量化描述參數(shù)，葉面積指數(shù)(leaf area index,LAI)定義為單位地表面積上所有葉片表面積的一半[4-6]，在森林生長預(yù)測[7]、火災(zāi)預(yù)警[8]及生態(tài)過程模擬[9]等方面均發(fā)揮著重要的作用。

激光雷達(dá)(light detection and ranging，LiDAR)作為一種新型的主動遙感技術(shù)，不僅能夠獲得地物的結(jié)構(gòu)信息，同時(shí)也能獲得地物的回波強(qiáng)度信息。其中，強(qiáng)度信息作為與地表反射直接相關(guān)的信息源，具有結(jié)構(gòu)信息不可比擬的優(yōu)勢，現(xiàn)已廣泛應(yīng)用于多種森林參數(shù)的估測研究中，如森林類型分類[10]、樹種識別[11]、森林孔隙度估測[12-14]、森林LAI估測[15-16]、森林生物量估測[17]等。

然而，激光雷達(dá)強(qiáng)度在獲取過程中受多種因素的影響，如傳感器與目標(biāo)物之間的距離、入射角、地物反射率及大氣衰減等。近年來，研究人員針對強(qiáng)度影響因素校正進(jìn)行了不斷的嘗試并獲得了不錯的結(jié)果。如：文獻(xiàn)[12，18]利用距離對LiDAR點(diǎn)云強(qiáng)度數(shù)據(jù)進(jìn)行校正，進(jìn)而估測了森林LAI，雖獲得了不錯的估測結(jié)果，但卻未對強(qiáng)度距離校正前后LAI估測結(jié)果差異進(jìn)行深入研究;文獻(xiàn)[19]同樣利用距離對LiDAR點(diǎn)云強(qiáng)度進(jìn)行校正，從中提取單束激光穿透指數(shù)用于估測白樺林LAI，結(jié)果經(jīng)驗(yàn)?zāi)Ｐ凸罍y精度R2=0.80，MAD=0.11，理論模型估測精度R2=0.77，RMSE=0.16，但同樣未對強(qiáng)度校正前后估測結(jié)果的差異進(jìn)行深入研究。與上述研究有所不同，文獻(xiàn)[20]對強(qiáng)度校正前后估測結(jié)果差異進(jìn)行了研究，利用距離、入射角及反射率對LiDAR點(diǎn)云強(qiáng)度進(jìn)行校正，從中提取激光穿透指數(shù)用于估測森林LAI，結(jié)果發(fā)現(xiàn)強(qiáng)度校正后森林LAI的估測精度R2=0.825，RMSE=0.165，結(jié)果遠(yuǎn)高于強(qiáng)度未校正時(shí)的估測結(jié)果(R2=0.726，RMSE=0.258)，但卻未對單個因素校正前后的影響進(jìn)行深入分析。綜上分析可知，單因素強(qiáng)度校正森林LAI估測影響結(jié)果未知，不能實(shí)現(xiàn)強(qiáng)度數(shù)據(jù)有針對性的校正，會造成多因素綜合強(qiáng)度校正效率較低、人力物力浪費(fèi)，甚至?xí)谝欢ǔ潭冉档凸罍y精度。因此，各影響因素強(qiáng)度校正影響的定量化研究顯得尤為重要，對于提高強(qiáng)度校正效率及森林參數(shù)估測精度具有重要意義。

先前基于機(jī)載LiDAR點(diǎn)云數(shù)據(jù)森林LAI估測研究多以比爾朗伯定律為基礎(chǔ)，通過對點(diǎn)云數(shù)據(jù)進(jìn)行分類處理進(jìn)而計(jì)算比值參數(shù)，如：激光穿透指數(shù)(laser penetration index，LPI)，用于替代比爾朗博定律內(nèi)的森林孔隙度。由比值參數(shù)的性質(zhì)可知，LPI通常是由兩類數(shù)據(jù)經(jīng)過比值運(yùn)算得到，而在比值運(yùn)算的過程中會對數(shù)據(jù)間的某些差異產(chǎn)生一定程度的影響，因而在反映強(qiáng)度校正前后數(shù)據(jù)差異時(shí)可能存在一定的不足[21]。為了與LPI參數(shù)形成對比，本研究同時(shí)引入了一個新的變量參數(shù)，即冠層總強(qiáng)度(canopy intensity sum，CIS)，定義為森林冠層部分所有離散LiDAR點(diǎn)云強(qiáng)度之和[22]，由其定義可知，冠層總強(qiáng)度參數(shù)只與森林冠層的強(qiáng)度有關(guān)，因而，理論上而言能夠更加直觀地反映強(qiáng)度校正對森林LAI估測的影響。

因此，本研究分別采用距離、入射角及距離和入射角對機(jī)載LiDAR點(diǎn)云強(qiáng)度進(jìn)行校正，從中提取冠層總強(qiáng)度和強(qiáng)度比值兩種不同類型的參數(shù)變量，用于森林LAI的估測研究，從而實(shí)現(xiàn)各影響因素強(qiáng)度校正對不同類型參數(shù)估測森林LAI的影響進(jìn)行量化，以期為未來機(jī)載LiDAR強(qiáng)度數(shù)據(jù)林業(yè)應(yīng)用提供針對性的校正意見與建議。

1 研究區(qū)與數(shù)據(jù)介紹

1.1 研究區(qū)概況

本研究以長春凈月潭國家森林公園(125°21′E，43°52′N)為研究區(qū)。該公園位于長春市東南部，地貌為低山丘陵，高程為220～406.5 m，北部高程較高且變化較大，南部則高程較低且變化較小。研究區(qū)處于地帶類型的過渡區(qū)，因而植被組成相對豐富多樣，園區(qū)內(nèi)種植了大量的人工林，總面積高達(dá)80 km2，森林覆蓋率在96%以上。其中，樟子松(pinus sylvestris)作為研究區(qū)的主要組成樹種，成片分布于研究區(qū)內(nèi)。

1.2 機(jī)載LiDAR離散點(diǎn)云數(shù)據(jù)

2012年5月31日對研究區(qū)進(jìn)行機(jī)載LiDAR數(shù)據(jù)采集，研究區(qū)總共有9條南北航向的離散點(diǎn)云數(shù)據(jù)所覆蓋，相鄰航帶之間的重疊度在40%左右。本次LiDAR數(shù)據(jù)采集所用傳感器為Leica ALS70，絕對航高為560 m，激光脈沖波長為1064 nm，掃描角在±20°以內(nèi)，掃描頻率為40.3 Hz，光斑直徑為0.28 m。LiDAR數(shù)據(jù)除包含地物的X、Y、Z坐標(biāo)數(shù)據(jù)外，還同時(shí)存儲了地物的強(qiáng)度、航向及對應(yīng)的掃描角數(shù)據(jù)。

1.3 野外數(shù)據(jù)

2014年7月在研究區(qū)樟子松林分內(nèi)隨機(jī)選取了30塊半徑為10 m的樣方。首先利用天寶GeoXH 6000 GPS和南方NTS 312B全站儀測定樣方中心點(diǎn)的坐標(biāo)、高程及坡度等信息，同時(shí)利用三星NV3魚眼鏡頭在每個樣方的中心點(diǎn)、4個主方向距中心點(diǎn)5 m處各采集一張半球影像。根據(jù)野外調(diào)查發(fā)現(xiàn)，樣方內(nèi)林下植被高度絕大多數(shù)在1.5 m以下，為了減少林下植被對半球影像估測結(jié)果的影響，在采集半球影像時(shí)將魚眼鏡頭的高度設(shè)定為地面以上1.5 m，同時(shí)為了簡化后續(xù)處理，半球影像拍攝時(shí)應(yīng)指向正北向，且避免太陽直射。之后利用WinSCANOPY 2010軟件對采集到的半球影像進(jìn)行處理，最終取其均值作為樣方實(shí)測LAI。野外樣地基本統(tǒng)計(jì)量描述見表1。

2 研究方法

2.1 機(jī)載LiDAR點(diǎn)云數(shù)據(jù)預(yù)處理

原始機(jī)載LiDAR數(shù)據(jù)通常會包含噪聲點(diǎn)，因此在進(jìn)行點(diǎn)云數(shù)據(jù)處理之前先利用孤立點(diǎn)算法對其進(jìn)行去噪處理。接著對去除噪后的點(diǎn)云數(shù)據(jù)進(jìn)行重疊點(diǎn)移除操作，以消除相鄰航帶旁向重疊對點(diǎn)云密度造成的影響，并使點(diǎn)云掃描角在±10°以內(nèi)。之后利用不規(guī)則三角網(wǎng)濾波算法實(shí)現(xiàn)地面點(diǎn)及非地面點(diǎn)的分類處理，并利用不規(guī)則三角網(wǎng)插值算法將得到的地面點(diǎn)插值生成數(shù)字高程模型(digital elevation model，DEM)，進(jìn)而完成非地面點(diǎn)的高程歸一化。最終將1.5 m以上的非地面點(diǎn)歸為植被點(diǎn)，將1.5 m以下的非地面點(diǎn)和地面點(diǎn)統(tǒng)稱為地面點(diǎn)。

表1 野外樣地基本統(tǒng)計(jì)量描述

2.2 LiDAR強(qiáng)度數(shù)據(jù)校正

2.2.1 雷達(dá)方程

機(jī)載LiDAR系統(tǒng)的工作原理與雷達(dá)系統(tǒng)相似，因而LiDAR系統(tǒng)測得的強(qiáng)度數(shù)據(jù)同樣遵循雷達(dá)方程，如式(1)所示

(1)

式中，Pr為LiDAR傳感器接收的強(qiáng)度值；Pt為LiDAR傳感器發(fā)射的能量值；Dr為傳感器光圈的直徑；R為傳感器到目標(biāo)物體之間的距離；βt為激光脈沖的發(fā)散度；ηsys為LiDAR系統(tǒng)的系統(tǒng)誤差；ηatm為大氣的衰減系數(shù)；σ為被照射物體的后向散射橫截面。

由式(1)可知，LiDAR系統(tǒng)記錄的強(qiáng)度值受LiDAR傳感器設(shè)置參數(shù)、大氣傳輸及照射物體特性的影響[23]。在假定被照射物體為理想朗伯體反射的時(shí)候，傳感器接收的能量與cosα成正比，所以被照射物體的后向散射橫截面可以表示為cosα的函數(shù)，具體如式(2)所示[24-25]

(2)

式中，ρ為被照射物體的反射率；α為入射角。

實(shí)際上，自然界中絕大多數(shù)物體均不是理想朗伯體反射，但因物體表面的具體反射特性不易獲得，同時(shí)也為了簡化計(jì)算過程，依然采用理想朗伯體反射假設(shè)。將式(2)與式(1)進(jìn)行合并，式(1)可以表達(dá)為式(3)

(3)

因研究區(qū)的LiDAR數(shù)據(jù)均是在一次飛行任務(wù)中獲得，所以式(3)中的部分參數(shù)認(rèn)為是相同的，如Pt、Dr、ηsys和ηatm，同時(shí)因森林冠層真實(shí)的反射率數(shù)據(jù)不可獲得，因此忽略反射率的影響，統(tǒng)一將上述參數(shù)表示為常數(shù)C(文獻(xiàn)[25，27])，式(3)可以簡化為式(4)

(4)

因而，本研究只對傳感器與目標(biāo)物體間的距離及入射角對LiDAR強(qiáng)度數(shù)據(jù)產(chǎn)生的影響進(jìn)行校正研究。

2.2.2 距離校正

由式(4)可知，LiDAR傳感器接收的強(qiáng)度值與傳感器和目標(biāo)物體間的距離及入射角有關(guān)。為了單獨(dú)研究強(qiáng)度數(shù)據(jù)距離校正對森林LAI估測產(chǎn)生的影響，在此先假定入射角為常數(shù)，因此距離校正公式可簡化為式(5)和式(6)

(5)

(6)

式中，IR為校正后的強(qiáng)度數(shù)據(jù)；Iraw為原始的強(qiáng)度數(shù)據(jù)，由點(diǎn)云數(shù)據(jù)直接獲得；R為傳感器到目標(biāo)物體之間的距離；Rref為參考距離，取值1500 m；R′為點(diǎn)云數(shù)據(jù)的高程值，由點(diǎn)云數(shù)據(jù)直接獲得；θ為點(diǎn)云數(shù)據(jù)的掃描角，由點(diǎn)云數(shù)據(jù)直接獲得。

此距離校正方法現(xiàn)已成功用于多種機(jī)載LiDAR強(qiáng)度數(shù)據(jù)的校正與應(yīng)用研究中[3,17,28]。

2.2.3 入射角校正

入射角定義為激光入射方向與物體表面法線之間的夾角。由定義可以看出，入射角不僅與激光的掃描角有關(guān)，而且還與激光脈沖接觸表面的地形(坡度和坡向)有關(guān)。當(dāng)表面完全水平時(shí)，入射角等于掃描角；當(dāng)物體表面存在坡度時(shí)，入射角是掃描角、坡度和坡向共同作用的結(jié)果，計(jì)算過程見式(7)所示

α=arccos[cosθcosφ+sinθsinφcos(β-θh)]

(7)

式中，α為入射角；φ為坡度，由DEM衍生得到的坡度專題圖計(jì)算得到；β為坡向，由DEM衍生得到的坡向?qū)ｎ}圖計(jì)算得到；θh為水平投影角，由脈沖及飛行器位置共同計(jì)算得到，具體計(jì)算過程參見文獻(xiàn)[27]。有關(guān)公式的詳細(xì)推導(dǎo)過程參見文獻(xiàn)[27]。入射角校正與距離校正相似，即假定傳感器與目標(biāo)物體間的距離為常數(shù)，因此校正的強(qiáng)度和入射角的余弦值成反比，如式(8)所示

(8)

式中，IA為入射角校正后的強(qiáng)度；αref為參考入射角，取值0°。

現(xiàn)階段有關(guān)植被LiDAR強(qiáng)度入射角校正所采用的入射角有以下3種：①忽略地形的影響，完全采用掃描角；②考慮地形的影響，采用DEM與掃描角共同衍生得到入射角；③考慮地形及植被表面的影響，采用DEM和掃描角衍生得到地面點(diǎn)入射角，同時(shí)利用數(shù)字表面模型和掃描角衍生得到植被點(diǎn)的入射角。從理論上講，第3種入射角強(qiáng)度校正所得結(jié)果最為準(zhǔn)確，但因森林冠層結(jié)構(gòu)復(fù)雜，使得數(shù)字表面模型求得的入射角相對較大，會導(dǎo)致植被點(diǎn)云強(qiáng)度過矯正[27,29]。同時(shí)研究表明當(dāng)掃描角小于15°時(shí)，掃描角強(qiáng)度校正對結(jié)果的影響不大，甚至可以忽略不計(jì)[30-31]。因而，出于簡化計(jì)算的目的，部分先前研究常采用由DEM和掃描角共同衍生得到的入射角對機(jī)載LiDAR點(diǎn)云強(qiáng)度數(shù)據(jù)進(jìn)行校正進(jìn)而估測森林結(jié)構(gòu)參數(shù)[20，32]，但卻均未考慮由DEM和掃描角共同衍生得到的入射角對森林植被點(diǎn)云強(qiáng)度校正的適用性。為了量化此入射角對森林植被點(diǎn)云強(qiáng)度校正的影響，進(jìn)而為后續(xù)研究提供針對性的校正意見與建議，本研究僅對由DEM和掃描角共同衍生得到的入射角進(jìn)行研究。

2.2.4 距離和入射角校正

為了驗(yàn)證距離及入射角綜合強(qiáng)度校正對森林LAI估測的影響，本研究在距離和入射角單獨(dú)校正的基礎(chǔ)上綜合考慮二者共同校正的影響，其強(qiáng)度校正過程如式(9)所示

(9)

式中，IRA為距離和入射角共同校正后的強(qiáng)度；其余變量所代表的意義同上。

2.3 強(qiáng)度參數(shù)提取

本文分別選取了兩種不同類型的參數(shù)用于驗(yàn)證LiDAR強(qiáng)度校正前后對森林LAI估測的影響，其中一種為冠層總強(qiáng)度參數(shù)；一種為強(qiáng)度比值參數(shù)。

2.3.1 冠層總強(qiáng)度參數(shù)提取

冠層總強(qiáng)度參數(shù)最早由文獻(xiàn)[22]從大光斑全波形激光雷達(dá)系統(tǒng)中提出，之后由文獻(xiàn)[33]引入機(jī)載LiDAR離散點(diǎn)云數(shù)據(jù)森林結(jié)構(gòu)參數(shù)估測研究。由CIS定義可知，在機(jī)載LiDAR離散點(diǎn)云應(yīng)用中，冠層總強(qiáng)度參數(shù)與多種因素有關(guān)，如：樣方點(diǎn)云密度和樣方面積。為了消除點(diǎn)云密度及面積對CIS計(jì)算結(jié)果的影響，本研究在計(jì)算CIS的過程中充分考慮了樣方點(diǎn)云密度及樣方坡度的差異，具體計(jì)算過程如式(10)所示

(10)

2.3.2 強(qiáng)度比值參數(shù)提取

為了與冠層總強(qiáng)度參數(shù)形成對比，本研究同時(shí)采用強(qiáng)度比值參數(shù)，即激光穿透指數(shù)。LPI在計(jì)算的過程中充分考慮了激光在森林冠層內(nèi)部的傳輸，現(xiàn)已廣泛應(yīng)用于森林郁閉度及森林葉面積指數(shù)的估測研究[1,34]。有關(guān)此變量的詳細(xì)解釋見文獻(xiàn)[35]，其計(jì)算過程如式(11)所示

(11)

式中，LPI為由強(qiáng)度數(shù)據(jù)計(jì)算得到的激光穿透指數(shù)；∑Iground為樣方地面總強(qiáng)度，由樣方地面點(diǎn)云原始或校正強(qiáng)度計(jì)算得到；∑Ivegetation為樣方冠層總強(qiáng)度，由樣方植被點(diǎn)云原始或校正強(qiáng)度計(jì)算得到。

2.4 森林LAI反演及精度評價(jià)

為了更加直觀地體現(xiàn)點(diǎn)云強(qiáng)度校正對森林LAI估測的影響，本研究采用一元線性回歸對森林LAI進(jìn)行建模，具體如式(12)所示

y=ax+b

(12)

式中，y為實(shí)測森林LAI；a為擬合系數(shù)；x為CIS或-ln(LPI)；b為常數(shù)項(xiàng)。同時(shí)由比爾朗伯定律可知，LAI與-ln(LPI)線性相關(guān)，所以在用LPI對森林LAI進(jìn)行估測時(shí)應(yīng)先對其進(jìn)行對數(shù)變化[20]。

因研究所用樣本數(shù)量相對較少，為了在有限樣本條件下獲得較為穩(wěn)定可靠的森林LAI估測結(jié)果，本研究采用留一交叉驗(yàn)證用于森林LAI估測模型的建立及精度評價(jià)。其中，模型決定系數(shù)(coefficient of determination，R2)和均方根誤差(root mean square error，RMSE)用作估測模型精度評價(jià)的指標(biāo)。

3 結(jié)果分析與討論

3.1 基于距離校正強(qiáng)度參數(shù)森林LAI估測結(jié)果

3.1.1 冠層總強(qiáng)度參數(shù)估測結(jié)果

距離強(qiáng)度校正前后CIS參數(shù)森林LAI估測結(jié)果如圖1所示。通過對圖1所示森林LAI估測結(jié)果進(jìn)行分析可知，對CIS參數(shù)而言，強(qiáng)度距離校正能夠提高森林LAI的估測精度。具體如圖1(a)所示，強(qiáng)度距離校正前森林LAI的估測精度R2=0.646，RMSE=0.226，強(qiáng)度經(jīng)距離校正后森林LAI的估測精度R2=0.714，RMSE=0.203(圖1(b))，相較強(qiáng)度距離校正前R2增加了0.068，RMSE減少了0.023。

圖1 野外實(shí)測LAI與CIS變量預(yù)測LAI關(guān)系Fig.1 The relationships between the field-measured LAI and CIS predicted LAI

3.1.2 強(qiáng)度比值參數(shù)估測結(jié)果

距離強(qiáng)度校正前后LPI參數(shù)森林LAI估測結(jié)果如圖2所示。通過對圖2所示LPI參數(shù)強(qiáng)度校正前后森林LAI估測結(jié)果進(jìn)行對比分析發(fā)現(xiàn)，對LPI參數(shù)而言，強(qiáng)度經(jīng)距離校正雖對森林LAI的估測結(jié)果有影響，但影響不大。如圖2(a)所示，強(qiáng)度校正前LPI森林LAI估測結(jié)果R2=0.794，RMSE=0.172；如圖2(b)所示，強(qiáng)度校正后LPI森林LAI估測結(jié)果R2=0.795，RMSE=0.172，相較強(qiáng)度校正前估測精度R2僅增加了0.001，RMSE則保持不變。

圖2 野外實(shí)測LAI與LPI變量預(yù)測LAI關(guān)系Fig.2 The relationships between the field-measured LAI and LPI predicted LAI

對圖1和圖2所示結(jié)果進(jìn)行綜合分析可知，無論是CIS參數(shù)還是LPI參數(shù)，點(diǎn)云強(qiáng)度距離校正均能提高森林LAI估測精度，只是在增長量上稍有差異，具體為CIS參數(shù)估測結(jié)果增量高于LPI估測結(jié)果增量。結(jié)果表明，強(qiáng)度距離校正能夠提高森林LAI估測精度，且強(qiáng)度比值參數(shù)在一定程度上減弱了強(qiáng)度距離校正對森林LAI估測的影響。這一結(jié)果與先前研究在某種意義上具有一致性，先前研究認(rèn)為傳感器與目標(biāo)之間的距離是所有強(qiáng)度數(shù)據(jù)影響因素中最為重要的因素，距離強(qiáng)度校正能在一定程度上提高估測結(jié)果精度[36]。

3.2 基于入射角校正強(qiáng)度參數(shù)森林LAI估測結(jié)果

3.2.1 冠層總強(qiáng)度參數(shù)估測結(jié)果

入射角強(qiáng)度校正后CISA參數(shù)森林LAI估測結(jié)果如圖3所示。對CIS參數(shù)而言，強(qiáng)度經(jīng)入射角校正后森林LAI的反演精度非但沒能得到提高，反而出現(xiàn)了一定程度的下降。如圖3所示，強(qiáng)度經(jīng)入射角校正后的估測精度R2=0.610，RMSE=0.237，相較強(qiáng)度校正前估測結(jié)果R2降低了0.036，RMSE增加了0.011。

圖3 野外實(shí)測LAI與CISA預(yù)測LAI關(guān)系Fig.3 The relationships between the field-measured LAI and CISA predicted LAI

3.2.2 強(qiáng)度比值參數(shù)估測結(jié)果

入射角強(qiáng)度校正后LPIA參數(shù)森林LAI估測結(jié)果如圖4所示。對LPI參數(shù)而言，入射角強(qiáng)度校正在一種程度上降低了森林LAI的估測精度，但結(jié)果差異不明顯。如圖4所示，強(qiáng)度經(jīng)入射角校正森林LAI的估測結(jié)果R2=0.793，RMSE=0.173，相較強(qiáng)度校正前森林LAI估測結(jié)果而言，R2降低了0.001，RMSE增大了0.001。

通過對圖3和圖4所示結(jié)果進(jìn)行綜合分析可知，無論是CIS參數(shù)還是LPI參數(shù)，強(qiáng)度經(jīng)入射角校正對森林LAI估測的影響均為負(fù)，且CIS參數(shù)估測結(jié)果的降低量要大于LPI參數(shù)估測結(jié)果的降低量。結(jié)果表明，由DEM和掃描角計(jì)算得到的入射角不適于樟子松冠層點(diǎn)云強(qiáng)度校正，同時(shí)強(qiáng)度比值參數(shù)在一定程度上減弱了入射角強(qiáng)度校正對森林LAI估測產(chǎn)生的影響。

圖4 野外實(shí)測LAI與LPIA預(yù)測LAI關(guān)系Fig.4 The relationships between the field-measured LAI and LPIA predicted LAI

本研究入射角強(qiáng)度校正影響為負(fù)，可以從以下兩個方面來解釋：

(1) 研究所采用強(qiáng)度校正入射角均是由DEM和掃描角共同衍生得到，而未對森林不同點(diǎn)云強(qiáng)度入射角校正進(jìn)行差異化處理。眾所周知，森林內(nèi)成片的林木樹冠表面會形成一個連續(xù)的、類似DEM的表面，稱為數(shù)字表面模型(digital surface model,DSM)，這個DSM與林木的生長狀況及林木冠層起伏密切相關(guān)。由DEM和掃描角共同衍生得到的入射角適用于森林地面點(diǎn)強(qiáng)度校正，卻不適用于森林冠層植被點(diǎn)的強(qiáng)度校正，主要是因?yàn)樵谕籜、Y處，DEM和DSM衍生得到的坡度坡向數(shù)據(jù)差異相對較大，因而由DSM和掃描角衍生得到的入射角不能等同由DEM和掃描角共同衍生得到的入射角，所以用由DEM和掃描角共同衍生得到的入射角對林木冠層點(diǎn)云強(qiáng)度數(shù)據(jù)進(jìn)行校正存在一定的不足。

(2) 研究采用雷達(dá)方程校正入射角的影響時(shí)，物體表面被假定為理想的朗伯體反射，因此物體反射強(qiáng)度和cosα成一定的比例[24]，而現(xiàn)實(shí)自然界內(nèi)的絕大多數(shù)物體并不完全遵循朗伯體反射，物體非朗伯體反射部分的存在在一定程度上也會造成校正結(jié)果的不準(zhǔn)確性。綜上所述，在未來林業(yè)LiDAR強(qiáng)度校正研究中，應(yīng)采用更為合適的校正算法對森林不同點(diǎn)云強(qiáng)度數(shù)據(jù)進(jìn)行差異化校正，進(jìn)而提高森林結(jié)構(gòu)參數(shù)估測精度。

強(qiáng)度校正對于兩種不同類型參數(shù)估測結(jié)果的影響程度因其性質(zhì)不同而互有差異。強(qiáng)度經(jīng)距離和入射角校正對冠層總強(qiáng)度參數(shù)的影響相對較大，而對強(qiáng)度比值參數(shù)的影響相對較小。如前所述，強(qiáng)度比值參數(shù)是由地面總強(qiáng)度和樣方總強(qiáng)度經(jīng)過比值運(yùn)算得到，比值運(yùn)算在一定程度上減弱了強(qiáng)度校正對森林LAI估測產(chǎn)生的影響；而冠層總強(qiáng)度參數(shù)為強(qiáng)度的簡單加和，在一定程度上很好地保留了強(qiáng)度校正的影響。文獻(xiàn)[21]曾得出類似結(jié)論，認(rèn)為圖像方差之間的比值運(yùn)算能夠消除光學(xué)影像中物體和背景之間的對比差異。因此，未來應(yīng)根據(jù)研究目的的不同選用合適的參數(shù)變量。

3.3 基于距離和入射角校正強(qiáng)度參數(shù)森林LAI估測結(jié)果

3.3.1 冠層總強(qiáng)度參數(shù)估測結(jié)果

距離和入射角強(qiáng)度校正CISRA參數(shù)森林LAI估測結(jié)果如圖5所示。對CIS參數(shù)而言，強(qiáng)度經(jīng)距離和入射角校正能夠提高森林LAI的估測精度。如圖5所示，強(qiáng)度經(jīng)距離和入射角校正后森林LAI的估測精度R2=0.681，RMSE=0.214，較強(qiáng)度校正前森林LAI估測結(jié)果R2提高了0.035，RMSE降低了0.012。

圖5 野外實(shí)測LAI與CISRA預(yù)測LAI關(guān)系Fig.5 The relationships between the field-measured LAI and CISRA predicted LAI

綜合對比分析圖1、圖3和圖5所示結(jié)果可知，強(qiáng)度經(jīng)距離和入射角校正CISRA森林LAI的估測精度低于強(qiáng)度經(jīng)距離校正的結(jié)果，但高于強(qiáng)度經(jīng)入射角校正的結(jié)果。究其原因是主要距離校正對森林LAI的估測為正的影響，入射角校正對森林LAI的估測為負(fù)的影響，所以二者綜合校正的結(jié)果雖為正，但估測精度卻低于單獨(dú)距離校正的估測精度。結(jié)果表明：對樟子松而言，強(qiáng)度距離校正森林LAI估測結(jié)果最優(yōu)，入射角的引入非但沒能提高結(jié)果精度，反而降低了估測精度。

3.3.2 強(qiáng)度比值參數(shù)估測結(jié)果

距離和入射角強(qiáng)度校正LPIRA參數(shù)森林LAI估測結(jié)果如圖6所示。對LPI參數(shù)而言，強(qiáng)度經(jīng)距離和入射角校正對森林LAI估測精度的影響不大，但整體卻表現(xiàn)為負(fù)的影響。如圖6所示，強(qiáng)度經(jīng)距離和入射角校正森林LAI估測結(jié)果R2=0.794，RMSE=0.173，較強(qiáng)度校正前森林LAI估測結(jié)果僅在RMSE上增大了0.001，R2則保持不變。

圖6 野外實(shí)測LAI與LPIRA預(yù)測LAI關(guān)系Fig.6 The relationships between the field-measured LAI and LPIRA predicted LAI

通過對圖2、圖4和圖6所示結(jié)果進(jìn)行綜合分析發(fā)現(xiàn)，強(qiáng)度經(jīng)距離和入射角校正LPIRA森林LAI估測結(jié)果低于強(qiáng)度距離校正估測結(jié)果，卻優(yōu)于強(qiáng)度入射角校正估測結(jié)果，總體精度處于二者之間。與此同時(shí)，強(qiáng)度經(jīng)距離、入射角、距離和入射角校正與強(qiáng)度未校正LPI參數(shù)森林LAI估測結(jié)果差異不大，甚至可以忽略不計(jì)。

4 結(jié) 論

本文分別采用距離、入射角及距離和入射角分別對機(jī)載LiDAR點(diǎn)云強(qiáng)度數(shù)據(jù)進(jìn)行校正，從中提取冠層總強(qiáng)度和強(qiáng)度比值兩種不同類型參數(shù)，分別用于量化各因素強(qiáng)度校正對樟子松LAI估測的影響，得出以下結(jié)論：

(1) 不同因子強(qiáng)度校正對森林LAI估測結(jié)果的影響不同。具體而言，距離校正能夠提高森林LAI的估測精度，但由DEM和掃描角共同衍生得到的入射角校正非但不能提高森林LAI的估測精度，反而降低了估測精度。相較而言，強(qiáng)度經(jīng)距離和入射角綜合校正雖能提高森林LAI的估測精度，但結(jié)果卻低于距離單獨(dú)校正的結(jié)果。

(2) 強(qiáng)度校正對森林LAI估測結(jié)果影響程度與所用變量參數(shù)類型密切相關(guān)。對強(qiáng)度比值參數(shù)而言，強(qiáng)度校正前后對森林LAI估測結(jié)果的影響不大；而對冠層總強(qiáng)度參數(shù)而言，強(qiáng)度校正前后森林LAI估測結(jié)果的差異較為明顯。

本研究所得結(jié)論是在地形結(jié)構(gòu)相對平坦，樹種結(jié)構(gòu)較為單一區(qū)域得出，至于地形復(fù)雜區(qū)域結(jié)論的適用性有待進(jìn)一步驗(yàn)證。因此，在未來的研究中應(yīng)逐漸擴(kuò)大研究范圍，以驗(yàn)證上述結(jié)論在地形結(jié)構(gòu)相對復(fù)雜、林種組成多樣區(qū)域的適用性。

[1] SUMNALL M J, FOX T R, WYNNE R H, et al. Estimating Leaf Area Index at Multiple Heights within the Understory Component of Loblolly Pine Forests from Airborne Discrete-return LiDAR[J]. International Journal of remote Sensing, 2016, 37(1): 78-99.

[2] BRéDA N J J. Ground-based Measurements of Leaf Area Index: A Review of Methods, Instruments and Current Controversies[J]. Journal of Experimental Botany, 2003, 54(392): 2403-2417.

[3] GATZIOLIS D. Dynamic Range-Based Intensity Normalization for Airborne, Discrete Return LiDAR Data of Forest Canopies[J]. Photogrammetric Engineering & Remote Sensing, 2011, 77(3): 251-259.

[4] CHEN J M, BLACK T A. Measuring Leaf Area Index of Plant Canopies with Branch Architecture[J]. Agricultural and Forest Meteorology, 1991, 57(1-3): 1-12.

[5] CHEN J M, PAVLIC G, BROWN L, et al. Derivation and Validation of Canada-wide Coarse-resolution Leaf Area Index Maps Using High-resolution Satellite Imagery and Ground Measurements[J]. Remote Sensing of Environment, 2002, 80(1): 165-184.

[6] 尤號田, 邢艷秋, 王錚, 等. 利用LiDAR離散點(diǎn)云估測針葉林葉面積指數(shù)[J]. 西北林學(xué)院學(xué)報(bào), 2014, 29(3): 41-47.

YOU Haotian, XING Yanqiu, WANG Zheng, et al. Estimation of the Leaf Area Index of Coniferous Forests Using LiDAR Discrete Point Cloud[J]. Journal of Northwest Forestry University, 2014, 29(3): 41-47.

[7] WOODGATE W, DISNEY M, ARMSTON J D, et al. An Improved Theoretical Model of Canopy Gap Probability for Leaf Area Index Estimation in Woody Ecosystems[J]. Forest Ecology and Management, 2015, 358: 303-320.

[8] FINNEY M A. FARSITE: Fire Area Simulator-model Development and Evaluation[R]. RMRS-RP-4, USDA Forest Service, 1998.

[9] MORSDORF F, K?TZ B, MEIER E, et al. Estimation of LAI and Fractional Cover from Small Footprint Airborne Laser Scanning Data Based on Gap Fraction[J]. Remote Sensing of Environment, 2006, 104(1): 50-61.

[10] WANG Cheng, GLENN N F. Integrating LiDAR Intensity and Elevation Data for Terrain Characterization in A Forested Area[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(3): 463-466.

[11] KIM S, MCGAUGHEY R J, ANDERSEN H E, et al. Tree Species Differentiation Using Intensity Data Derived from Leaf-on and Leaf-off Airborne Laser Scanner Data[J]. Remote Sensing of Environment, 2009, 113(8): 1575-1586.

[12] HOPKINSON C, CHASMER L. Testing LiDAR Models of Fractional Cover Across Multiple Forest Ecozones[J]. Remote Sensing of Environment, 2009, 113(1): 275-288.

[13] ZHAO Kaiguang, POPESCU S. LiDAR-based Mapping of Leaf Area Index and Its Use for Validating GLOBCARBON Satellite LAI Product in a Temperate Forest of the Southern USA[J]. Remote Sensing of Environment, 2009, 113(8): 1628-1645.

[14] 尤號田, 邢艷秋, 冉慧, 等. 基于LiDAR點(diǎn)云能量信息的樟子松郁閉度反演方法[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2014, 36(6): 30-35.

YOU Haotian, XING Yanqiu, RAN Hui, et al. Inversion Method for the Crown Density of Mongolian Scotch Pine from Point Cloud Data of Small-footprint LiDAR[J]. Journal of Beijing Forestry University, 2014, 36(6): 30-35.

[15] LOVELL J L, JUPP D L B, CULVENOR D S, et al. Using Airborne and Ground-based Ranging LiDAR to Measure Canopy Structure in Australian Forests[J]. Canadian Journal of Remote Sensing, 2003, 29(5): 607-622.

[16] SOLBERG S. Comparing Discrete Echoes Counts and Intensity Sums from ALS for Estimating Forest LAI and Gap Fraction[C]∥Proceedings of the SilviLaser 2008: the 8th International Conference on LiDAR Applications in Forest Assessment and Inventory. Edinburgh: Heriot-Watt University, 2008: 301-304.

[18] HEISKANEN J, KORHONEN L, HIETANEN J, et al. Use of Airborne LiDAR for Estimating Canopy Gap Fraction and Leaf Area Index of Tropical Montane Forests[J]. International Journal of Remote Sensing, 2015, 36(10): 2569-2583.

[19] 邢艷秋, 霍達(dá), 尤號田, 等. 基于機(jī)載LiDAR單束激光穿透指數(shù)的白樺林LAI估測[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2016, 27(11): 3469-3478.

XING Yanqiu, HUO Da, YOU Haotian, et al. Estimation of Birch Forest LAI Based on Single Laser Penetration Index of Airborne LiDAR Data[J]. Chinese Journal of Applied Ecology, 2016, 27(11): 3469-3478.

[20] 駱社周, 王成, 張貴賓, 等. 機(jī)載激光雷達(dá)森林葉面積指數(shù)反演研究[J]. 地球物理學(xué)報(bào), 2013, 56(5): 1467-1475.

LUO Shezhou, WANG Cheng, ZHANG Guibin, et al. Forest Leaf Area Index (LAI) Inversion Using Airborne LiDAR Data[J]. Chinese Journal of Geophysics, 2013, 56(5): 1467-1475.

[21] SONG C. Estimating Tree Crown Size with Spatial Information of High Resolution Optical Remotely Sensed Imagery[J]. International Journal of Remote Sensing, 2007, 28(15): 3305-3322.

[22] MEANS J E, ACKER S A, HARDING D J, et al. Use of Large-footprint Scanning Airborne LiDAR to Estimate Forest Stand Characteristics in the Western Cascades of Oregon[J]. Remote Sensing of Environment, 1999, 67(3): 298-308.

[23] JELALIAN A V. Laser Radar Systems[M]. Boston: Artech House, 1992: 3-10.

[24] JUTZI B, STILLA U. Range Determination with Waveform Recording Laser Systems Using a Wiener Filter[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2006, 61(2): 95-107.

[25] H?FLE B, PFEIFER N. Correction of Laser Scanning Intensity Data: Data and Model-driven Approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(6): 415-433.

[26] RONCAT A, BERGAUER G, PFEIFER N.B-spline Deconvolution for Differential Target Cross-section Determination in Full-waveform Laser Scanning Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(4): 418-428.

[27] YAN W Y, SHAKER A. Radiometric Correction and Normalization of Airborne LiDAR Intensity Data for Improving Land-cover Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(12): 7658-7673.

[28] KORPELA I, ?RKA H O, HYYPPJ, et al. Range and AGC Normalization in Airborne Discrete-return LiDAR Intensity Data for Forest Canopies[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(4): 369-379.

[29] KAASALAINEN S, JAAKKOLA A, KAASALAINEN M, et al. Analysis of Incidence Angle and Distance Effects on Terrestrial Laser Scanner Intensity: Search for Correction Methods[J]. Remote Sensing, 2011, 3(10): 2207-2221.

[30] COREN F, STERZAI P. Radiometric Correction in Laser Scanning[J]. International Journal of Remote Sensing, 2006, 27(15): 3097-3104.

[31] KUKKO A, KAASALAINEN S, LITKEY P. Effect of Incidence Angle on Laser Scanner Intensity and Surface Data[J]. Applied Optics, 2008, 47(7): 986-992.

[32] MORSDORF F, FREY O, MEIER E, et al. Assessment of the Influence of Flying Altitude and Scan Angle on Biophysical Vegetation Products Derived from Airborne Laser Scanning[J]. International Journal of Remote Sensing, 2008, 29(5): 1387-1406.

[33] HALL S A, BURKE I C, BOX D O, et al. Estimating Stand Structure Using Discrete-return LiDAR: An Example from Low Density, Fire Prone Ponderosa Pine Forests[J]. Forest Ecology and Management, 2005, 208(1-3): 189-209.

[34] JENSEN J L R, HUMES K S, VIERLING L A, et al. Discrete Return LiDAR-based Prediction of Leaf Area Index in Two Conifer Forests[J]. Remote Sensing of Environment, 2008, 112(10): 3947-3957.

[35] PEDUZZI A, WYNNE R H, FOX T R, et al. Estimating Leaf Area Index in Intensively Managed Pine Plantations Using Airborne Laser Scanner Data[J]. Forest Ecology and Management, 2012, 270: 54-65.

[36] HOPKINSON C. The Influence of Flying Altitude, Beam Divergence, and Pulse Repetition Frequency on Laser Pulse Return Intensity and Canopy Frequency Distribution[J]. Canadian Journal of Remote Sensing, 2007, 33(4): 312-324.