CN104180754A

CN104180754A - 基于激光雷达综合波形模型反演森林生物物理特性的方法

Info

Publication number: CN104180754A
Application number: CN201410362870.3A
Authority: CN
Inventors: 曹林; 代劲松
Original assignee: Nanjing Forestry University
Current assignee: Nanjing Forestry University
Priority date: 2014-07-28
Filing date: 2014-07-28
Publication date: 2014-12-03
Anticipated expiration: 2034-07-28
Also published as: CN104180754B

Abstract

一种基于激光雷达综合波形模型反演森林生物物理特性的方法，通过进行树冠分割和单木范围内的波形信息汇总，然后再汇总林分尺度上，使得反演尺度变换更为灵活合理；借助数字地形和高度误差阈值来判断地面返回脉冲，从而间接提升冠层返回脉冲的判别效果；从多个维度上提取综合波形特征信息，从而更加深入挖掘了波形数据中丰富的森林冠层信息。借助以上自主开发技术及创新内容，本发明在提升森林生物物理特性估算精度的同时也为其在机理上解释提供了理论及方法支撑。有效地避免了由于舍弃了原始波形数据中记录丰富的森林连续垂直分布信息从而大大降低了波形数据的应有价值的缺陷。

Description

基于激光雷达综合波形模型反演森林生物物理特性的方法

技术领域

本发明可应用在小尺度和中等尺度的森林资源调查、碳汇估算以及森林生态学研究的监测领域，本发明涉及一种利用机载小光斑全波形激光雷达传感器获取的波形数据计算森林生物物体特性的方法，具体地说，是指一种在数据校正的基础上，通过提取激光脉冲返回信号中波形的几何和能量信息并结合单木分割方法用以建模估算如Lorey’s树高、胸高断面积和蓄积量这样的典型森林生物物体特性的方法。

背景技术

机载小光斑激光雷达(small-footprint airborne，LiDAR)是通过发射激光脉冲至地物表面并分析其返回信号的一种主动遥感技术。在林业应用中，可以通过该技术获得丰富的森林冠层三维结构和强度返回信息，在精确估算森林生物物理特性及结构参数方面具有很大的潜力。研究表明，在某些结构较单一的森林类型内，通过机载小光斑LiDAR技术获取的高度信息精度甚至高于地面实测数据。

在机载小光斑LiDAR技术的近20年发展历程中，绝大多数LiDAR系统获取的是每束发射脉冲的多个返回信号(n≤5)，并以“离散点云”的形式来反映和记录物体(如森林)的三维结构及返回信号强度。该类LiDAR技术被成功应用于森林参数的高精度提取，其代表研究为2002年在《Remote Sensing of Environment》第80卷上发表“Predicting forest stand characteristics with airborne scanninglaser using a practical two-stage procedure and field data”，文中提出了基于高度百分位数，冠层密度参数等“小光斑”离散点云特征变量反演北寒带森林生物物理特性的方法。以及Lim等在《Canadian Journal ofRemote Sensing》第29卷上发表“Lidar remote sensing of biophysicalproperties of tolerant northern hardwood forests”，文中使用了最大激光高度、平均激光高度以及通过强度信息筛选过的平均激光高度等特征变量反演了加拿大东部温带森林的生物物理特性。然而，由于电子器件的限制，该LiDAR系统只能区分垂直距离大于“最小脉冲区分距离”的地物。

近年来，机载小光斑“全波形”LiDAR传感器逐步商用化并开始应用于林业研究中(2004年奥地利Riegl公司推出了世界上第一台商业机载小光斑全波形LiDAR数字测量系统)。该技术可获得物体(如森林冠层)完整的后向散射信号，并记录了更为详细的几何和物理能量信息，从而一定程度上弥补了“离散点云”技术的弱点。理论上，借助特定的波形信号处理及信息提取方法，可从“全波形”数据中挖掘更为丰富的森林冠层描述特征变量。近年来为数不多的基于机载小光斑“全波形”LiDAR技术反演森林生物物理特性的研究为Kronseder等发表在《International Journal of Applied Earth Observation andGeoinformation》第18卷的“Above ground biomass estimation acrossforest types at different degradation levels in Central Kalimantan usingLiDAR”，该研究首先从原始“波形”数据上直接提取“点云”，再利用点云特征变量来估算森林生物物理特性。由于基于LiDAR点云的特征变量提取技术已较为成熟，故此方法相对简单快捷。但是由于舍弃了原始波形数据中记录丰富的森林连续垂直分布信息，大大降低了波形数据的应有价值。

发明内容

本发明提供一种基于激光雷达综合波形模型反演森林生物物理特性的方法，通过进行树冠分割和单木范围内的波形信息汇总(然后再汇总林分尺度上)，使得反演尺度变换更为灵活合理；借助数字地形(DTM)和高度误差阈值来判断地面返回脉冲，从而间接提升冠层返回脉冲的判别效果；从多个维度上提取综合波形特征信息，从而更加深入挖掘了波形数据中丰富的森林冠层信息。借助以上自主开发技术及创新内容，本发明在提升森林生物物理特性估算精度的同时也为其在机理上解释提供了理论及方法支撑。有效地避免了由于舍弃了原始波形数据中记录丰富的森林连续垂直分布信息从而大大降低了波形数据的应有价值的缺陷。

为实现上述目的，本发明的技术方案为：

一种基于激光雷达综合波形模型反演森林生物物理特性的方法，步骤如下：

步骤1：借助机载小光斑全波形LiDAR的传感器进行数据采集，数据采集中获得的LiDAR波形数据参数包括有脉冲发射频率、扫描频率和激光脉冲的光斑半径，由此所述的机载小光斑全波形LiDAR的传感器记录了每束激光脉冲返回的完整的LiDAR波形信息；

步骤2：进行LiDAR波形数据的预处理，进行LiDAR波形数据的预处理的具体方式为首先把每束激光脉冲返回的完整的LiDAR波形信息导出后载入LiDAR信息处理系统，LiDAR的信息处理系统就对该LiDAR波形信息进行噪声水平估计和数据平滑的处理，所述的噪声水平估计和数据平滑的处理的具体方式为把LiDAR波形信息转换到频率域，再将频率比设定的基准频率更高的低值部分作为噪声水平的判断标准，然后对转换到频率域的LiDAR波形信号还原，再用高斯滤波器进行平滑处理，然后进入高斯拟合(分解)及波形数据点云化的处理，所述的高斯拟合(分解)及波形数据点云化的处理的具体方式为对进行平滑处理后所得的波形数据采用非线性最小二乘法进行拟合，然后通过基于局部最大峰值的检测滤波算法从进行拟合处理后的波形数据中提取离散点云，每个离散点中记录了每束激光脉冲返回的完整的LiDAR波形信息的高度和能量强度信息；然后进入生成数字地形的处理，所述的生成数字地形的处理的具体方式为首先对从进行拟合处理后的波形数据中提取出的离散点云进行分类，然后对末次回波进行迭代选权滤波法处理用以去除非地面点，最后使用迭代选权滤波法后的末次回波数据并借助自然邻近法插值生成数字地形模型；

步骤3：进行LiDAR波形数据校正，所述的进行LiDAR波形数据校正的具体方式为到LiDAR的信息处理系统根据公式(1)和公式(2)导出校正后返回波内每个高斯波的波宽和校正后返回波内每个高斯波内每个高斯波的能量强度

W_{i}^{c} = W_{i} / W^{e} - - - (1)

I_{i}^{c} = (I_{i} \cdot s_{i}^{k}) / (I^{e} \cdot s_{0}^{k}) - - - (2)

上式中，为校正后返回波内每个高斯波的波宽，为校正后返回波内每个高斯波内每个高斯波的能量强度，W_i为原始返回波内每个高斯波的波宽，W^e为发射波的波宽，I_i为原始返回波的能量强度，I^e为发射波的能量强度，传感器到反射物体的距离，为标称距离，k为变化系数，i为正整数；

进入单木容积内的原始波形信息汇总的处理，所述的单木容积内的原始波形信息汇总的处理的第一步为单木分割的处理，所述的单木分割的处理的具体方式为LiDAR的信息处理系统将地面以上点云插值生成数字表面模型DSM，然后数字表面模型DSM减去数字地形模型DTM从而得到归一化植被高度CHM，再通过高斯滤波器结合公式(3)对归一化植被高度CHM进行平滑处理后得到植被的高斯二维分布函数G(x,y)，公式(3)如下所示：

G (x, y) = \frac{1}{\sqrt{2 π}} e^{- \frac{x^{2} + y^{2}}{2 σ^{2}}} - - - (3)

σ为标准差,x为植被的横坐标，y为植被的纵坐标，然后借助局部最大值法从高斯二维分布函数G(x,y)中提取单木树冠，即在设定高度以上的像元内布设种子并允许其爬向最大坡度的方向，当种子到达的某一像元内高度都高于周边像元时，则将此像元作为树顶，树顶所对应的种子的爬行区域为冠幅,所述的单木容积内的原始波形信息汇总的处理的第二步为LiDAR的信息处理系统借助在单木分割的处理中提取的冠幅和树高参数，在椭圆柱体范围内汇总其中的所有原始波形脉冲能量，构成单木综合脉冲，再借助数字地形模型DTM对单木综合脉冲进行归一化处理；

步骤4：进入计算单木综合波形的特征参数并汇总至样地尺度的处理，所述的计算单木综合波形的特征参数并汇总至样地尺度的处理的第一步为LiDAR的信息处理系统通过设置差异阈值来对比数字地形模型DTM提取高度和对应位置上最后一个波峰所在高度，依此判断地形对应的波峰位置从而推测冠层对应的波峰，提取包括地面到脉冲能量质心的距离HOME、波形起点到地面距离所表示的波形距离WD、地面到脉冲能量质心的距离HOME同波形距离WD的比值所表示的高度中位数比、波形起点到第一波峰的距离所表示的冠层外层粗糙度ROUGH、波形起点到第一波峰连线的波形垂直角度所表示的前坡度角FS以及冠层高度和地面到脉冲能量质心的距离HOME的差值除以冠层高的值VDR所构成的特征变量，特征变量是用来作为后续建模的备选因子；所述的计算单木综合波形的特征参数并汇总至样地尺度的处理的第二步为LiDAR的信息处理系统把特征变量汇总为样地尺度上的均值和标准差；

步骤5：进行对各生物物理特性的特征变量敏感性分析、反演模型构建和精度验证，LiDAR的信息处理系统首先借助Pearson’s相关系数分析2组LiDAR特征变量对于生物物理特性的敏感性r，具体如公式(4)所示：

r = \frac{Σ_{i = 1}^{n} (x_{i} - {\overset{&OverBar;}{x}}_{i}) (y_{i} - {\overset{&OverBar;}{y}}_{i})}{\sqrt{Σ_{i = 1}^{n} {(x_{i} - {\overset{&OverBar;}{x}}_{i})}^{2} \cdot Σ_{i = 1}^{n} {(y_{i} - {\overset{&OverBar;}{y}}_{i})}^{2}}} - - - (4)

其中，x_i为地面实测的某生物物理特性，y_i为某LiDAR特征变量，为x_i的平均值，为y_i的平均值，n为样地数量，然后应用逐步回归法构建预测模型，逐步回归的实施过程是每一步都要对已引入回归方程的变量计算其偏回归平方和,然后选一个偏回归平方和最小的变量,在预先给定的F水平下进行P<0.05的显著性检验,P值为用于检验显著性的参数，如果显著便保留该变量；相反,则要剔除该变量，为了保证模型因变量和自变量之间的线性相关关系，自然对数变换被应用于所有的因变量和自变量，所述的预测模型因变量位地面调查的生物物理特性，所述的自变量为LiDAR提取的特征变量，接着预测模型采用决定系数R²、均方根误差RMSE和相对均方根误差rRMSE并结合公式(5)、公式(6)和公式(7)进行评价：

R^{2} = 1 - \frac{Σ_{i = 1}^{n} {(x_{i} - {\hat{x}}_{i})}^{2}}{Σ_{i = 1}^{n} {(x_{i} - {\overset{&OverBar;}{x}}_{i})}^{2}} - - - (5)

其中，x_i为地面实测的某生物物理特征，为x_i的平均值，为模型估算的某生物物理特征，n为样地数量。

RMSE = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {(x_{i} - {\hat{x}}_{i})}^{2}} - - - (6)

rRMSE = \frac{RMSE}{{\overset{&OverBar;}{x}}_{i}} \times 100 % - - - (7) .

所述的机载小光斑全波形LiDAR传感器的遥感平台为运-5/12且飞行高度为900m且速度为55 m/s这样的飞机；所述的步骤1中的脉冲发射频率为400kHz、在扫描角范围为-30°到+30°的条件下的扫描频率为114 lines/sec以及激光脉冲的光斑半径范围为29cm到30cm；所述的步骤1中的所述的机载小光斑全波形LiDAR传感器的采样间隔为1ns。

所述的步骤4中的差异阈值0.5m。

相比现有技术，本发明的扩展和改进如下：

1)对原始波形数据进行了数据校正；

2)在单木尺度上汇总波形信号；

3)提升了冠层返回脉冲的判别效果；

4)从多个维度上丰富了波形特征信息的提取。

附图说明

图1为本发明的实现流程示意图。

图2为本发明的提取的主要综合波形特征变量示意图。

图3为虞山林场航空正射影像及样地的空间分布图。

图4为本发明的实施例中的森林生物物理特征因子估算结果的针对胸高断面积的验证图。

图5为本发明的实施例中的森林生物物理特征因子估算结果的针对Lorey’s树高的验证图。

图6为本发明的实施例中的森林生物物理特征因子估算结果的针对蓄积量的验证图。

具体实施方法

本发明拟解决的技术问题如下：

1)基于发射脉冲波形和距离(传感器到反射物体)对接受脉冲波形的波宽和脉冲强度进行校正。这将有利于减小方向和距离对于能量削弱效应的影响，同时有利于对不同传感器或多期LiDAR波形数据进行比对。

2)使得样地尺度上的原始波形信号汇总更为灵活、合理，并利于机理上的解释。针对样地尺度上简单合成波形从而模糊化或减弱原始波形信号的问题，本发明通过进行树冠分割和单木范围内的波形信息汇总(然后再汇总林分尺度上)的方法使得尺度变换更为灵活合理，提升估算精度的同时也便于从机理上解释科学现象。

3)提升了冠层返回脉冲的判别效果。即借助波形提取的(地面)点云所拟合的数字地形(DEM)，并借助高度阈值来判断地面返回脉冲，从而进一步分辨冠层返回脉冲。而以往的技术大多不进行地面返回脉冲的判定，从而误差较大。

4)从多个维度上丰富了波形特征信息的提取。即从波形的几何特征(如冠层外层粗糙度和前坡度角等)、能量特性(如波峰数量、返回波形能量等)以及高度相关信息(如HOME、波形距离等)入手，提取波形特征变量并用于参数反演。而以往的技术大多只提取了简单的描述性统计量，未能充分挖掘波形数据中丰富的森林冠层信息。

传统的森林生物物理特性的测定方法需要大量地面调查，且往往仅能获得“点”上的数据，很难及时准确地获取区域或更大范围的“面”上连续空间分布信息。基于LiDAR技术的遥感方法有效地减少了地面实测的人力和时间耗费，且在较高精度下保证了数据的空间完整性和时间一致性。小光斑全波形LiDAR精确获取了单木冠层内的返回信号变化，记录了包括较小能量信号在内的所有回波信号；通过对波形数据进行处理，能够检测到更多的目标物特征信息，从而更为丰富地反映不同森林类型的生物物理特性。本发明基于发射脉冲波形和距离(传感器到反射物体)对接受脉冲波形的波宽和脉冲强度进行校正。这将有利于减小方向和距离对于能量削弱效应的影响，同时有利于对不同传感器或多期LiDAR波形数据进行比对。通过进行树冠分割和单木范围内的波形信息汇总(然后再汇总林分尺度上)，使得反演尺度变换更为灵活合理；借助数字地形(DTM)和高度误差阈值来判断地面返回脉冲，从而间接提升冠层返回脉冲的判别效果；从多个维度上提取综合波形特征信息，从而更加深入挖掘了波形数据中丰富的森林冠层信息。借助以上自主开发技术及创新内容，本发明在提升森林生物物理特性估算精度的同时也为其在机理上解释提供了理论及方法支撑。前期实验验证结果表明，通过本发明构建的北亚热带天然次生混交林的各森林生物物理特性(即平均树高、胸高断面积和蓄积)的优化反演模型(与其他同样基于小光斑LiDAR波形数据的信息提取方法相比)可将模型“决定系数”R²提高10％；并可高精度估算各生物物理特性(将“相对均方根误差”rRMSE降低10％)。

下面通过具体实施例对本发明做进一步说明：

以获取一个北亚热带天然次生混交林为主要森林类型的林区内森林生物物理特性估算为例。林区海拔20-261m，面积约1000公顷。主要树种为针叶的马尾松(Pinus massoniana)和杉木(Cunninghamialanceolata)，以及阔叶的麻栎(Quercus acutissima)和枫香(Liquidambar formosana)。林区内根据树种组成、林龄和立地状况等布设了65个方形样地(30×30 m)，每个样地内人工实测了胸径、树高等森林参数，然后汇总为样地尺度上的平均胸径、Lorey’s树高、胸高断面积和蓄积(借助二元材积表)。每个样地的西南角坐标都通过差分GPS技术获取并记录。

结合图1、图2、图3、图4、图5和图6所示，本发明的基于激光雷达综合波形模型反演森林生物物理特性的方法，步骤如下：

步骤2：进行LiDAR波形数据的预处理，进行LiDAR波形数据的预处理的具体方式为首先把每束激光脉冲返回的完整的LiDAR波形信息导出到LiDAR的信息处理系统，该LiDAR的信息处理系统就对该LiDAR波形信息进行噪声水平估计和数据平滑的处理，所述的噪声水平估计和数据平滑的处理的具体方式为把LiDAR波形信息转换到频率域，再将频率比设定的基准频率更高的低值部分作为噪声水平的判断标准，然后对转换到频率域的LiDAR波形信息还原，再用高斯滤波器进行平滑处理，然后进入高斯拟合(分解)及波形数据点云化的处理，所述的高斯拟合(分解)及波形数据点云化的处理的具体方式为对进行平滑处理后所得的波形数据采用非线性最小二乘法进行拟合，然后通过基于局部最大峰值的检测滤波算法从进行拟合处理后的波形数据中提取离散点云，每个离散点中记录了每束激光脉冲返回的完整的LiDAR波形信息的高度和能量强度信息；然后进入生成数字地形的处理，所述的生成数字地形的处理的具体方式为首先对从进行拟合处理后的波形数据中提取出的离散点云进行分类，然后对末次回波进行迭代选权滤波法处理用以去除非地面点，最后使用迭代选权滤波法后的末次回波数据并借助自然邻近法插值生成数字地形模型；

W_{i}^{c} = W_{i} / W^{e} - - - (1)

I_{i}^{c} = (I_{i} \cdot s_{i}^{k}) / (I^{e} \cdot s_{0}^{k}) - - - (2)

G (x, y) = \frac{1}{\sqrt{2 π}} e^{- \frac{x^{2} + y^{2}}{2 σ^{2}}} - - - (3)

r = \frac{Σ_{i = 1}^{n} (x_{i} - {\overset{&OverBar;}{x}}_{i}) (y_{i} - {\overset{&OverBar;}{y}}_{i})}{\sqrt{Σ_{i = 1}^{n} {(x_{i} - {\overset{&OverBar;}{x}}_{i})}^{2} \cdot Σ_{i = 1}^{n} {(y_{i} - {\overset{&OverBar;}{y}}_{i})}^{2}}} - - - (4)

R^{2} = 1 - \frac{Σ_{i = 1}^{n} {(x_{i} - {\hat{x}}_{i})}^{2}}{Σ_{i = 1}^{n} {(x_{i} - {\overset{&OverBar;}{x}}_{i})}^{2}} - - - (5)

RMSE = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {(x_{i} - {\hat{x}}_{i})}^{2}} - - - (6)

rRMSE = \frac{RMSE}{{\overset{&OverBar;}{x}}_{i}} \times 100 % - - - (7)

由公式(7)可见，rRMSE为RMSE(均方根误差)与(实测值均值)的百分比。

本实施例的步骤4具体说来为首先借助统计相关性分析(即通过逐个特征变量与生物物理特性进行Pearson’s相关分析，借助相关系数比较其相关度高低，结果参见表1。构建预测模型(并验证精度)：将敏感性高的变量带入逐步多元线性回归模型，在符合统计前提和显著性检验的情况下，依据选取(最大的)决定系数(R²)和(最小的)均方根误差(RMSE)来逐步筛选最优模型(常用森林生物物理特性因子与波形特征变量的相关关系。最后，本研究将借助模型拟合决定系数(R²)和相对均方根误差(rRMSE)(即均方根误差与实测值均值的百分比)评价估算精度(多元模型及其精度评估结果见表2)。所述的机载小光斑全波形LiDAR传感器的遥感平台为运-5/12且飞行高度为900m且速度为55 m/s这样的飞机；所述的步骤1中的脉冲发射频率为400kHz、在扫描角范围为-30°到+30°的条件下的扫描频率为114 lines/sec以及激光脉冲的光斑半径范围为29cm到30cm；所述的步骤1中的所述的机载小光斑全波形LiDAR传感器的采样间隔为1ns。所述的步骤4中的差异阈值0.5m，表1为3个常用森林生物物理特性因子与波形特征变量的相关关系，表2为基于综合波形特征变量的预测模型及其精度评估参数，表1和表2如下所示：

表1

注释:μ＝均值；σ＝标准差.

表2

注释:显著性等级:NS＝不显著(>0.05)；*<0.05；**<0.01；***<0.001。

实验验证结果表明，通过本发明构建的北亚热带天然次生混交林的各森林生物物理特性(即平均树高、胸高断面积和蓄积)的优化反演模型(与其他同样基于小光斑LiDAR波形数据的信息提取方法相比)可将模型“决定系数”R²提高10％；并可高精度估算各生物物理特性(将“相对均方根误差”rRMSE降低10％)。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims

1.一种基于激光雷达综合波形模型反演森林生物物理特性的方法，其特征在于，步骤如下：

步骤1：借助机载小光斑全波形LiDAR的传感器进行数据采集，数据采集中获得的LiDAR波形数据参数包括有脉冲发射频率、扫描频率和激光脉冲的光斑半径，由此所述的机载小光斑全波形LiDAR的传感器记录了每束激光脉冲返回的完整的LiDAR波形信息，所述的LiDAR带有高斯滤波器；

步骤2：进行LiDAR波形数据的预处理，进行LiDAR波形数据的预处理的具体方式为首先把每束激光脉冲返回的完整的LiDAR波形信息导出到LiDAR的信息处理系统，LiDAR的信息处理系统就对该LiDAR波形信息进行噪声水平估计和数据平滑的处理，所述的噪声水平估计和数据平滑的处理的具体方式为把LiDAR波形信息转换到频率域，再将频率比设定的基准频率更高的低值部分作为噪声水平的判断标准，然后对转换到频率域的LiDAR波形信息进行还原，再用高斯滤波器进行平滑处理，然后进入高斯拟合(分解)及波形数据点云化的处理，所述的高斯拟合(分解)及波形数据点云化的处理的具体方式为对进行平滑处理后所得的波形数据采用非线性最小二乘法进行拟合，然后通过基于局部最大峰值的检测滤波算法从进行拟合处理后的波形数据中提取离散点云，每个离散点中记录了每束激光脉冲返回的完整的LiDAR波形信息的高度和能量强度信息；然后进入生成数字地形的处理，所述的生成数字地形的处理的具体方式为首先对从进行拟合处理后的波形数据中提取出的离散点云进行分类，然后对末次回波进行迭代选权滤波法处理用以去除非地面点，最后使用迭代选权滤波法后的末次回波数据并借助自然邻近法插值生成数字地形模型；

W_{i}^{c} = W_{i} / W^{e} - - - (1)

I_{i}^{c} = (I_{i} \cdot s_{i}^{k}) / (I^{e} \cdot s_{0}^{k}) - - - (2)

G (x, y) = \frac{1}{\sqrt{2 π}} e^{- \frac{x^{2} + y^{2}}{2 σ^{2}}} - - - (3)

r = \frac{Σ_{i = 1}^{n} (x_{i} - {\overset{&OverBar;}{x}}_{i}) (y_{i} - {\overset{&OverBar;}{y}}_{i})}{\sqrt{Σ_{i = 1}^{n} {(x_{i} - {\overset{&OverBar;}{x}}_{i})}^{2} \cdot Σ_{i = 1}^{n} {(y_{i} - {\overset{&OverBar;}{y}}_{i})}^{2}}} - - - (4)

R^{2} = 1 - \frac{Σ_{i = 1}^{n} {(x_{i} - {\hat{x}}_{i})}^{2}}{Σ_{i = 1}^{n} {(x_{i} - {\overset{&OverBar;}{x}}_{i})}^{2}} - - - (5)

RMSE = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {(x_{i} - {\hat{x}}_{i})}^{2}} - - - (6)

rRMSE = \frac{RMSE}{{\overset{&OverBar;}{x}}_{i}} \times 100 % - - - (7) .

2.根据权利要求1所述的基于激光雷达综合波形模型反演森林生物物理特性的方法，其特征在于所述的机载小光斑全波形LiDAR传感器的遥感平台为运-5/12且飞行高度为900m且速度为55 m/s这样的飞机；所述的步骤1中的脉冲发射频率为400kHz、在扫描角范围为-30°到+30°的条件下的扫描频率为114 lines/sec以及激光脉冲的光斑半径范围为29cm到30cm；所述的步骤1中的所述的机载小光斑全波形LiDAR传感器的采样间隔为1ns。

3.根据权利要求1所述的基于激光雷达综合波形模型反演森林生物物理特性的方法，其特征在于所述的步骤4中的差异阈值0.5m。