南方丘陵區(qū)林下植被覆蓋度無(wú)人機(jī)多角度遙感測(cè)量

王瑞璠 ，魏倪彬 ，張倉(cāng)皓 ，鮑甜甜 ，劉健 ，余坤勇 ，王帆 *

1. 福建農(nóng)林大學(xué)林學(xué)院，福建 福州 350002；2. 福建農(nóng)林大學(xué)/3s技術(shù)與資源優(yōu)化利用福建省高等學(xué)校重點(diǎn)實(shí)驗(yàn)室，福建 福州 350002

林下植被指在森林系統(tǒng)中位于喬木冠層下的灌草植被（Yolanda et al.，2018；焦桐等，2014），是森林生態(tài)系統(tǒng)中重要的組成部分。林下植被覆蓋度是描述地表覆蓋林下植被情況的重要參數(shù)，可作為探查水土流失情況的指標(biāo)（Chen et al.，2021；Pandey et al.，2021；Sharda et al.，2021）?？焖佾@取林下植被覆蓋度的空間分布可為水土流失精準(zhǔn)治理提供數(shù)據(jù)參考。

搭載近距離觀測(cè)平臺(tái)的無(wú)人機(jī)系統(tǒng)可在精細(xì)尺度上得到地面植被高分辨率圖像，為林下植被覆蓋度的遙感量化提供技術(shù)支撐（Yang et al.，2017；Tolga，2019；Hartley et al.，2020；Anderson et al.，2021）。由于無(wú)人機(jī)影像本身為二維數(shù)據(jù)，很難直接顯示森林垂直結(jié)構(gòu)，但無(wú)人機(jī)影像蘊(yùn)含較豐富的三維信息。Li et al.（2020）利用無(wú)人機(jī)相片擬合點(diǎn)云，在高維視角中尋求信息并將其投回二維平面，以此提出了一種估算林下植被覆蓋度的方法。然而現(xiàn)有研究中，無(wú)人機(jī)估算植被參數(shù)大多基于正射影像（韓文霆等，2021；徐逸等，2021；楊蜀秦等，2021；張倉(cāng)皓等，2020），單角度無(wú)人機(jī)（包括點(diǎn)云）數(shù)據(jù)只能表征地物在一個(gè)方向的投影，缺乏足夠的信息來(lái)反映其空間結(jié)構(gòu)（Forrest et al.，2008）。多角度觀測(cè)可以得到地物多方面信息，提高信息豐度（Yan et al.，2019）。相對(duì)于單一角度遙感，多角度遙感信息能提取出更詳盡可靠的空間參數(shù)，從而降低定量過(guò)程中的不確定性（Yao et al.，2021；閻廣建等，2021）。Lin et al.（2021）探討了從無(wú)人機(jī)多角度相片所生成的點(diǎn)云來(lái)估算森林葉面積指數(shù)的方法，Yan et al.（2019）利用無(wú)人機(jī)多角度圖像研究多角度遙感在植被精細(xì)分類(lèi)中的應(yīng)用，其結(jié)果證明多角度方案對(duì)植被參數(shù)的估算具有良好的效果。但地形起伏地區(qū)林下植被覆蓋度無(wú)人機(jī)多角度遙感量化機(jī)制尚未得到充分闡釋。

無(wú)人機(jī)測(cè)量林下植被需要反演林下地形。地形反演是指剔除非地面點(diǎn)后對(duì)地面點(diǎn)進(jìn)行建模（Meng et al.，2017）。無(wú)人機(jī)影像包括林冠層與林下植被信息，需要利用高程差分離出林下植被信息。合理剔除冠層點(diǎn)的能力決定林下地形反演的精度（Na et al.，2020）。山地地形起伏通常會(huì)造成高程突變（Kláp?tě et al.，2020），從而導(dǎo)致植被的離散分布（江海英等，2020）。Zhang et al.（2016）從點(diǎn)云的角度對(duì)植被與非植被進(jìn)行區(qū)分。通過(guò)確認(rèn)植被形態(tài)與地形緩急，按情景翻轉(zhuǎn)點(diǎn)云并模擬布料下落，排除植被點(diǎn)，得出真實(shí)地形；植被離散意味著區(qū)域地表裸露程度高，利用點(diǎn)云布料濾波（Cloth Simulation Filter，CSF）算法，能較準(zhǔn)確地保留地面點(diǎn)云，保證地形反演精度。而植被連續(xù)區(qū)域地形信息不明確，無(wú)人機(jī)點(diǎn)云數(shù)據(jù)只能表達(dá)森林表層信息，反演地形精度較差。地圖森林密度算法（Map Forest Density）利用點(diǎn)云密度分離樹(shù)冠與地面，并利用兩者高程差模擬冠層高度模型（Canopy Height Model，CHM），從而得到地形信息。該方式對(duì)林下地形整體趨勢(shì)把握較好，可為植被連續(xù)型區(qū)域的地形反演提供可行技術(shù)。

鑒于此，本文試圖選取長(zhǎng)汀縣河田鎮(zhèn)作為研究區(qū)域，基于無(wú)人機(jī)多角度遙感數(shù)據(jù)，運(yùn)用圖像處理與空間分析的思想，從而總結(jié)提出地形起伏區(qū)小尺度植被形態(tài)識(shí)別與地形反演方法，同時(shí)闡明無(wú)人機(jī)量化林下植被覆蓋度的多角度耦合機(jī)質(zhì)，旨在提出一種適合南方丘陵區(qū)林下植被覆蓋度的遙感量化方法，為無(wú)人機(jī)定量林下植被提供理論依據(jù)與數(shù)據(jù)參考。

1 研究區(qū)域概況

河田鎮(zhèn)位于福建省西部，地處 25°35′—25°46′N(xiāo)，116°16′—116°30′E 之間，總面積約 296 km2。全地多山地丘陵地貌，地形起伏較大且河網(wǎng)密布，年降雨量1700 mm，土壤以紅壤為主。研究區(qū)主要喬木為馬尾松（Pinus massoniana），其占所有林地面積的80%左右，林下植被則以芒萁（Dicranopteris dichotoma）為主(王敬哲等,2020)。根據(jù)當(dāng)?shù)厍闆r，選取平坦地形（坡度5°—10°）樣地4個(gè)，其中中郁閉度樣地（郁閉度0.3—0.5）2個(gè)，低郁閉度（郁閉度＜0.3）樣地2個(gè)；緩坡地形（坡度10°—20°）樣地6個(gè)，其中中郁閉度樣地2個(gè)，低郁閉度樣地4個(gè)；陡坡地形（坡度20°—25°）樣地4個(gè)，其中中郁閉度樣地2個(gè)，低郁閉度樣地2個(gè)，共14個(gè)20 m×20 m馬尾松林實(shí)驗(yàn)樣地，其分布如圖1所示。

圖1 實(shí)驗(yàn)樣地示意圖Fig. 1 Schematic diagram of experimental plot

本研究認(rèn)為，當(dāng)喬木冠層連續(xù)面積超過(guò)總面積40%情況下，認(rèn)定該樣地植被為連續(xù)型，反之則為離散型，具體圖示如圖2所示（為使描述準(zhǔn)確，示意圖采用DSM數(shù)據(jù)表示）。

圖2 植被類(lèi)型示例圖Fig. 2 Sample graph of vegetation types

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)來(lái)源

2.1.1 地面數(shù)據(jù)

地面數(shù)據(jù)用于無(wú)人機(jī)定量林下植被覆蓋度結(jié)果的精度驗(yàn)證與誤差評(píng)估（趙長(zhǎng)森等，2019）。本研究使用尼康D7000單反相機(jī)，拍攝前對(duì)相機(jī)光圈優(yōu)先模式、自動(dòng)曝光、自動(dòng)對(duì)焦、ISO 100和植物與風(fēng)景場(chǎng)景等參數(shù)進(jìn)行設(shè)置。沿實(shí)驗(yàn)樣地對(duì)角線，每隔3 m在距地面約1.5 m處（Niederheiser et al.，2021），分別拍攝林下植被與林冠層相片（Maalek，2021）。相片分辨率為4000×6000 pixels。同時(shí)在每個(gè)樣地放置4個(gè)白板并記錄其位置與高程信息。

2.1.2 無(wú)人機(jī)數(shù)據(jù)

鏡頭傾斜視角過(guò)大會(huì)導(dǎo)致同名點(diǎn)匹配關(guān)系較低（Lin et al.，2021），因此，研究設(shè)置3個(gè)傾斜角度（10°、20°、30°）。采用搭載 Mica Sense Red Edge多光譜鏡頭（可見(jiàn)光+近紅外+紅邊波段）的大疆精靈4無(wú)人機(jī)系統(tǒng)，通過(guò)正交飛行方式在無(wú)風(fēng)且陽(yáng)光充足（11:00—02:00）時(shí)段采集無(wú)人機(jī)傾斜視角和天頂視角（0°）的多光譜影像數(shù)據(jù)。無(wú)人機(jī)飛行高度50—70 m，航向和側(cè)向的重疊率均為85%，其影像分辨率為0.05 m。為保證樣地影像的完整性，實(shí)際拍攝范圍在樣地邊界做了 15 m外延。采用PhotoScan（https://www.agisoft.com）軟件對(duì)無(wú)人機(jī)可見(jiàn)光波段進(jìn)行預(yù)處理，生成數(shù)字正射影像圖（Digital Orthophoto Map，DOM）及±10°/±20°/±30°的傾斜攝影影像圖。通過(guò)白板數(shù)據(jù)校正與紋理參數(shù)調(diào)整，完成傾斜攝影影像在樣地中心的角度校正，從而確保對(duì)植物垂直投影面積的有效提取。

2.2 研究方法

2.2.1 整體技術(shù)流程

本研究先期預(yù)處理無(wú)人機(jī)相片從而得到正射影像與傾斜攝影影像及其點(diǎn)云數(shù)據(jù)，而后利用半高斯擬合法分離出綠色像元。此時(shí)綠色像元包括林冠層與林下植被層。將點(diǎn)云數(shù)據(jù)柵格化得到樣地表面模型，利用區(qū)域最大值法區(qū)分植被形態(tài)，并依照形態(tài)各自反演地形得到高程模型，利用兩者高程差分離出林下植被，并依照公式進(jìn)行林下植被覆蓋度計(jì)算，最后利用地面調(diào)查數(shù)據(jù)驗(yàn)證精度。

具體流程如圖3所示。

圖3 植被參數(shù)估算流程示意圖Fig. 3 Flow chart of vegetation inversion technology

2.2.2 地形反演方法

地形反演用來(lái)剔除樹(shù)冠以突出圖像綠色中林下植被信息。布料濾波算法是將點(diǎn)云翻轉(zhuǎn)并模擬布料下落，并假定布料最先觸碰到的物體為地面，通過(guò)多個(gè)布料下落結(jié)果擬合地面高程；地圖森林密度算法利用點(diǎn)云高程密度的不同擬合出樹(shù)冠高度，得到數(shù)字高程模型。

利用ArcGIS空間分析模塊中的焦點(diǎn)統(tǒng)計(jì)工具，對(duì)數(shù)字表面模型數(shù)據(jù)進(jìn)行山頂點(diǎn)分析，通過(guò)分析頂點(diǎn)緩沖區(qū)重疊率，判斷該地區(qū)植被是否連續(xù)（Na et al.，2020）。若植被為離散型分布，采用開(kāi)源的布料模擬濾波算法工具獲取數(shù)字高程模型；若植被為連續(xù)型分布，則植被與地面之間的區(qū)別不明顯，采用地圖森林密度算法（Map Forest Density）反演地形，該算法由 ENVI 5.5.3提供（https://www.l3harrisgeospatial.com/docs/SampleLiDARForestDen sity.html）。

2.2.3 林下植被覆蓋度計(jì)算公式與估算方法

本研究以高程2 m為閾值，區(qū)分林冠層和林下植被（Li et al.，2020）。林下植被覆蓋度（Understory vegetation cover，CUV）計(jì)算公式如下：

式中：

PAll——相片總像元；

PGreen——綠色植被所占據(jù)的像元。

準(zhǔn)確分離出林下植被是量化林下植被覆蓋度的關(guān)鍵。作為一種針對(duì)無(wú)人機(jī)影像中綠色覆蓋的估計(jì)方法，基于直方圖的半高斯擬合閾值法（HAGFVC）主要解決分離無(wú)人機(jī)綠色與非綠色像元的問(wèn)題（Li et al.，2018），可精準(zhǔn)提取林下植被。

單角度無(wú)人機(jī)圖像測(cè)量林下植被，首先采用基于直方圖的半高斯擬合（HAGFVC）方法分離植被與非植被點(diǎn)，隨后利用地形反演后林冠層和林下植被的高程差，分離林冠層與林下植被層。長(zhǎng)汀林下植被主要為芒萁，芒萁的高度一般不超過(guò)1.3 m，故設(shè)置高度閾值為2 m，分離出林下植被范圍。

式中：

H(x)——半高斯分布函數(shù)；

μ——均值；

σ——標(biāo)準(zhǔn)差。

多角度無(wú)人機(jī)圖像測(cè)量林下植被，則以正射影像為基礎(chǔ)數(shù)據(jù)，首先計(jì)算正射影像中林下植被范圍，再分別計(jì)算10°、20°、30°影像林下植被范圍，對(duì)比傾斜攝影影像林下植被范圍與正射影像林下植被范圍的不同，并計(jì)算不同處的像元數(shù)量。將其與正射影像得到林下范圍疊加，采用SLIC函數(shù)超像素分割疊加結(jié)果以求二值化更貼合植被形態(tài)，同時(shí)對(duì)二值掩模圖像進(jìn)行形態(tài)學(xué)膨脹。使用15×15（Li et al.，2020）的膨脹參數(shù)，從而得到膨脹的掩模圖像，即可得到較準(zhǔn)確的林下植被覆蓋度。

2.2.4 地面數(shù)據(jù)計(jì)算方法

本研究使用MATLAB 2018a內(nèi)置的SLIC函數(shù)實(shí)現(xiàn)超像素分割（Achanta et al.，2012）。將每個(gè)相機(jī)拍攝的RGB圖像分割成超像素圖像，每個(gè)超像素圖像結(jié)果大約包含10000個(gè)分割結(jié)果，保留每個(gè)分割結(jié)果中的平均顏色。該方法能降低相片曝光程度，并較好勾勒出植被形態(tài)。利用閾值分割將林下植被范圍顯示出來(lái)，從而得到單點(diǎn)的林下植被覆蓋度。

利用ArcGIS 10.2的克里金插值模塊擬合變異函數(shù)，從而對(duì)樣地的郁閉度與林下植被覆蓋度進(jìn)行內(nèi)插。再結(jié)合地理統(tǒng)計(jì)分析，得到樣地郁閉度與林下植被覆蓋度的平均值?？死锝鸩逯担ê》嫉龋?020）的通用公式為：

式中：

Z(Xi)——i處位置的實(shí)測(cè)郁閉度與林下植被覆蓋度；

λi——i處的權(quán)重；

n——實(shí)測(cè)值數(shù)量；

X0——預(yù)測(cè)位置。

3 結(jié)果與分析

3.1 基于無(wú)人機(jī)遙感影像反演地形

通過(guò)局部最大值分析先期判斷植被形態(tài)，并依據(jù)植被形態(tài)采用不同方法反演各樣地地形。典型樣地處理結(jié)果如表1所示。

表1 典型樣地處理結(jié)果Table 1 Treatment results of typical sample plots

為驗(yàn)證地形反演精度，利用無(wú)人機(jī) RTK測(cè)得樣地白板高程。將 14個(gè)樣地實(shí)測(cè)高程與反演高程做回歸分析，反演精度用決定系數(shù)R2與均方根誤差RMSE表示（陳秋計(jì)等，2020）。

表2顯示各樣地植被形態(tài)、地形因子與地形反演精度情況，其中，地形起伏是樣地中最大高程與最低高程之差，RMSEcloth是由RTK所測(cè)白板高程與布料濾波算法反演地形后所得白板高程計(jì)算得到，RMSEmap是由白板高程與地圖森林密度算法反演地形后白板高程計(jì)算得到。由表可知，樣地平均坡度集中于5—10°與17—22°區(qū)間，地形起伏多在2—10 m區(qū)間。RMSEcloth值在0.069—3.528 m之間，其中RMSEcloth＞1部分均為植被連續(xù)型樣地，同時(shí)，RMSEmap值在0.210—1.856 m之間，但該方法反演地形植被離散型樣地結(jié)果整體低于布料濾波算法。若植被離散型樣地采用布料濾波算法，植被連續(xù)型樣地采用地圖布料濾波算法，則離散型樣地平均RMSE為0.400 m，連續(xù)型樣地平均RMSE為0.518 m，兩者RMSE均未超過(guò)1 m。此時(shí)，各植被形態(tài)樣地按照其技術(shù)路線反演地形，其驗(yàn)證結(jié)果如圖4所示。

圖4 地形反演精度Fig. 4 Accuracy of terrain inversion

表2 樣地信息與地形情況Table 2 Plot information and topography

圖4表明不同植被形態(tài)樣地采用相應(yīng)方法反演地形，其結(jié)果具有較高的精度，同時(shí)展示出本文方法對(duì)不同植被形態(tài)樣地蘊(yùn)含的地形特征均具有較好的自適應(yīng)性。由此可認(rèn)為本文中數(shù)字表面模型與數(shù)字高程模型的高程差能夠較精準(zhǔn)地分離出冠層與地面，為林冠層與林下植被的分離提供良好的數(shù)據(jù)支撐。

3.2 單一角度無(wú)人機(jī)遙感定量林下植被

林下植被計(jì)算如圖5所示：圖5a所示為剔除冠層的無(wú)人機(jī)正射影像；圖5b所示無(wú)人機(jī)影像進(jìn)行超像素分割后結(jié)果；圖5c所示為利用半高斯擬合閾值法分割圖5b后得到的二維掩膜圖像，圖5d所示對(duì)二維掩膜圖像進(jìn)行形態(tài)學(xué)上膨脹方法所得出結(jié)果。

圖5 林下植被覆蓋范圍計(jì)算Fig. 5 Calculation of understory vegetation coverage

為驗(yàn)證單一角度定量植被精度，將實(shí)測(cè)參數(shù)與估算得到的植被參數(shù)進(jìn)行線性回歸分析，其結(jié)果如圖6所示。

由圖6所示，在各角度無(wú)人機(jī)影像定量林下植被的結(jié)果中，20°無(wú)人機(jī)遙感影像反演得到的植被參數(shù)精度最高，R2為0.459，RMSE為0.166；正射影像的精度次之，R2為0.445，RMSE為0.169；10°影像精度次之，R2為0.413，RMSE為0.190；30°影像精度最差，R2為0.337，RMSE為0.243。

圖6 各角度線性回歸結(jié)果Fig. 6 Linear regression results of each angle

3.3 多角度耦合無(wú)人機(jī)遙感影像定量林下植被

以正射影像林下信息為基礎(chǔ)，加之傾斜攝影影像林下信息進(jìn)行補(bǔ)充，最終得到林下植被覆蓋度與郁閉度的多角度估算結(jié)果。將實(shí)測(cè)參數(shù)與估算得到的植被參數(shù)進(jìn)行線性回歸分析驗(yàn)證多角度定量植被精度，結(jié)果如圖7所示。

圖7 多角度UVC線性回歸結(jié)果Fig. 7 Multi angle linear regression results of UVC

多角度耦合精度較高，R2為0.675， RMSE為0.102。將多角度無(wú)人機(jī)影像定量林下植被的結(jié)果與單一角度對(duì)比，多角度估算精度明顯提高，其中多角度 R2較傾斜 0°R2提高 51%，較傾斜 10°R2提高65%，較傾斜 20°R2提高 44%；較傾斜 30°R2提高94%。多角度RMSE較傾斜0°RMSE降低39%；較傾斜 10°RMSE降低 41%；較傾斜 20°RMSE降低45%；較傾斜30°RMSE降低58%。

4 討論

4.1 植被形態(tài)對(duì)林下地形反演精度的影響

在本研究中，林下地形反演方法需依據(jù)該區(qū)域植被形態(tài)而定。植被離散型地區(qū)采用點(diǎn)云布料濾波算法濾除植被點(diǎn)云得到地面；植被連續(xù)型區(qū)域采用地圖森林密度算法擬合冠層并降低冠高來(lái)擬合地面。不同形態(tài)得到的反演精度也不同。本研究結(jié)果表明，提取地形起伏區(qū)植被高度信息上離散植被區(qū)域的反演精度更高，其平均RMSE為0.400 m；植被連續(xù)型區(qū)域精度略低，其平均RMSE為0.518 m，這主要是由于植被形態(tài)與地形差異所致。

本研究發(fā)現(xiàn)布料濾波算法反演植被離散型區(qū)域地形顯著有效，精度也較高。原因是植被離散意味著植被間裸露的地面較多，暴露的地形信息也較明顯。利用布料濾波算法移除植被點(diǎn)云，利用空間插值算法填補(bǔ)移除植被后的空白，即可較精準(zhǔn)地得到地面點(diǎn)云，從而得到數(shù)字高程模型。但是，同時(shí)也發(fā)現(xiàn)，點(diǎn)云布料濾波算法并不適用于植被連續(xù)型區(qū)域。因?yàn)橹脖贿B續(xù)型區(qū)域中地面裸露較少或者不裸露，地形信息顯示不明顯。由于無(wú)人機(jī)點(diǎn)云數(shù)據(jù)只能體現(xiàn)森林表面，樹(shù)冠高會(huì)干擾布料下落，導(dǎo)致樹(shù)冠點(diǎn)云剔除不完全，反演地形的結(jié)果較差。此時(shí)，地圖森林密度算法從數(shù)據(jù)角度擬合地形，擬合結(jié)果趨于保守。結(jié)果體現(xiàn)林下地形整體趨勢(shì)較好，單個(gè)點(diǎn)的精度稍差一些。但較之布料濾波算法而言，該方法對(duì)植被連續(xù)型區(qū)域的地形反演顯著有效。

4.2 無(wú)人機(jī)多角度對(duì)林下植被覆蓋度量化的影響

無(wú)人機(jī)單一角度影像顯示的林下植被信息并不全面，導(dǎo)致單一角度影像定量林下植被的精度不高。本研究發(fā)現(xiàn)，20°影像反定量林下植被精度最高，正射影像的精度次之，10°影像精度再次之，30°影像計(jì)算出的林下植被覆蓋度精度最低。導(dǎo)致該現(xiàn)象的原因是不同角度影像會(huì)顯示出不同的林下植被。

以正射影像為基準(zhǔn)，10°影像可能由于偏轉(zhuǎn)角度過(guò)低，樹(shù)冠對(duì)林下植被的遮蔽仍然存在，導(dǎo)致精度不高；30°影像可能由于偏轉(zhuǎn)角度的過(guò)大導(dǎo)致點(diǎn)云匹配錯(cuò)位，其柵格化結(jié)果與0°影像柵格化結(jié)果存在較大差距，導(dǎo)致精度較低；而 20°影像可能是偏轉(zhuǎn)角度較適宜，樹(shù)冠遮蔽情況較少，其DSM數(shù)據(jù)與正射影像擬合的DSM數(shù)據(jù)差距也不大，所以精度最高，但也不足以精準(zhǔn)計(jì)算林下植被覆蓋度。

多角度遙感可以提取在相近時(shí)間段內(nèi)獲取目標(biāo)地物多個(gè)角度的觀測(cè)影像。利用不同觀測(cè)角度得到的影像，可以填補(bǔ)單角度信息的空白，因此，多角度影像耦合提高了林下植被的信息豐度，定量林下植被的精度也顯著增加。

5 結(jié)論

以長(zhǎng)汀縣河田鎮(zhèn)為研究區(qū)域，以無(wú)人機(jī)多角度遙感數(shù)據(jù)為基礎(chǔ)，依據(jù)植被形態(tài)反演出林下地形，利用高程差分離出林下植被，在傾斜攝影影像中提取正射影像未顯現(xiàn)的林下信息，利用形態(tài)學(xué)膨脹彌合樹(shù)冠遮擋的誤差，計(jì)算林下植被覆蓋度。同時(shí)結(jié)合地面采集數(shù)據(jù)驗(yàn)證精度并評(píng)判定量結(jié)果。結(jié)果表明：本論文提出的植被形態(tài)劃分標(biāo)準(zhǔn)在小尺度上評(píng)判植被形態(tài)較準(zhǔn)確，并且針對(duì)不同植被類(lèi)型樣地提出的地形反演方法精度達(dá)到分離冠層與地面的要求；無(wú)人機(jī)單角度測(cè)量林下植被覆蓋度的精度不足以準(zhǔn)確評(píng)判樣地林下植被情況，而無(wú)人機(jī)多角度影像耦合得到的信息憑借其充足的信息豐度能夠較精準(zhǔn)地測(cè)量林下植被覆蓋度，可為林下植被定量估測(cè)提供理論依據(jù)與技術(shù)支持。

本研究在樣地選取時(shí)，過(guò)多集中于研究區(qū)域的北部，所能體現(xiàn)的空間異質(zhì)信息不足。在后續(xù)的研究中，將繼續(xù)補(bǔ)充河田鎮(zhèn)其他區(qū)域的數(shù)據(jù)，以保證研究樣地在空間上的多樣性。同時(shí)，針對(duì)無(wú)人機(jī)點(diǎn)云只能獲取表層數(shù)據(jù)的問(wèn)題，后續(xù)研究將考慮利用激光雷達(dá)采集樣地?cái)?shù)據(jù)，探求森林內(nèi)部信息。