CN115908700B - 基于地面激光雷达点云数据的林冠截留模型的构建方法 - Google Patents

基于地面激光雷达点云数据的林冠截留模型的构建方法 Download PDF

Info

Publication number
CN115908700B
CN115908700B CN202211312394.5A CN202211312394A CN115908700B CN 115908700 B CN115908700 B CN 115908700B CN 202211312394 A CN202211312394 A CN 202211312394A CN 115908700 B CN115908700 B CN 115908700B
Authority
CN
China
Prior art keywords
vegetation
canopy
point cloud
cloud data
volume
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211312394.5A
Other languages
English (en)
Other versions
CN115908700A (zh
Inventor
李顺
黄超
吴志伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202211312394.5A priority Critical patent/CN115908700B/zh
Priority to LU503276A priority patent/LU503276B1/en
Publication of CN115908700A publication Critical patent/CN115908700A/zh
Application granted granted Critical
Publication of CN115908700B publication Critical patent/CN115908700B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于地面激光雷达点云数据的林冠截留模型的构建方法，包括：基于地面激光雷达获取植被的LiDAR三维结构点云数据并计算植被体积；将所述植被体积中的植被体元作为输入，将郁闭度、植被持水能力以及饱和植被的平均蒸发速率融入到Gash模型中，构建基于地面激光雷达的林冠截留模型。本发明通过提取LiDAR林分三维结构参数，对林冠截留模型进行改进，提高林冠截留的估计精度；进一步揭示林分尺度上森林水文的过程机制，为森林生态系统水土保持和水源涵养功能修复管理提供科学依据和技术支撑。

Description

基于地面激光雷达点云数据的林冠截留模型的构建方法
技术领域
本发明涉及林冠截留模型技术领域，特别是涉及基于地面激光雷达点云数据的林冠截留模型的构建方法。
背景技术
林冠截留是森林对降水的初次分配过程，影响蒸散发、土壤入渗等其他水文过程的水分输入，在地表径流形成和土壤水分收支平衡中具有重要作用。
目前国内外对林火干扰下的森林水文过程研究主要关注的是大尺度上流域蒸散发和径流影响的研究，但目前对林分尺度上的水文过程对林火干扰的响应研究较少，尤其是对林冠截留变化的影响，大多为定性描述，对于林火干扰下的林分结构属性改变及其对应的林冠截留过程变化，需做进一步深入研究。
森林干扰及植被的恢复是驱动林分结构特征变化和林冠截留变化的重要因素，森林干扰过程对林冠截留功能的影响，不仅表现在干扰对林冠截留的影响，还包括干扰后植被的恢复对林冠结构的变化对林冠截留功能的影响。对于森林生态系统管理者而言，掌握不同森林干扰事件及其植被恢复演替过程的林分结构和水文过程变化规律十分必要，对于科学规划火干扰后的生态系统健康和水土保持功能具有重要意义。由于不同林分干扰强度不同，森林恢复的过程不同，因此，除了分析林火干扰强度对林冠截留变化的影响外，还需进一步探索长时间序列下的林冠截留随植被恢复演替阶段的变化规律，以评估不同植被恢复阶段林冠结构对林冠截留功能的影响。
在基于遥感的林冠截留模型中，林冠结构特性是导致林冠截留异质分布的重要驱动因素，对截留估计具有重要影响。但光学遥感只能获取植被的平面参数，林分植被垂直结构的变异性难以表征，使得具有不同冠层垂直结构属性的林分，在模型输入时LAI和FVC等参数差异不明显，因而在应用于定量评价森林降水截留作用时受到很大限制，因此需要对现有基于光学遥感的林冠截留模型方法进行改进。
本发明提供了基于地面激光雷达点云数据的林冠截留模型的构建方法，以解决上述问题。
发明内容
本发明的目的是通过提取LiDAR林分三维结构参数，对林冠截留模型进行改进，提高林冠截留的估计精度，进一步揭示林分尺度上森林水文的过程机制，为森林生态系统水土保持和水源涵养功能修复管理提供科学依据和技术支撑。
为实现上述目的，本发明提供了如下方案：
基于地面激光雷达点云数据的林冠截留模型的构建方法，包括：
基于地面激光雷达获取植被的LiDAR三维结构点云数据并计算植被体积，其中所述LiDAR三维结构点云数据包括：树干体积、树冠体积、林冠容重、枝条倾角和叶倾角；
将所述植被体积中的植被体元作为输入，将郁闭度、植被持水能力以及饱和植被的平均蒸发速率融入到Gash模型中，构建基于地面激光雷达的林冠截留模型。
本发明的有益效果为：
本发明相较于传统卫星光学遥感监测或定位观测，激光雷达的优势在于能够穿透森林冠层，测量精度高，度量标准化，分辨率高，获取精确植被的三维结构信息，这对于提高森林水文功能参数反演精度具有重要作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供基于地面激光雷达点云数据的林冠截留模型的构建方法，包括：
基于地面激光雷达获取植被的LiDAR三维结构点云数据并计算所述植被体积，其中所述LiDAR三维结构点云数据包括：树干体积、树冠体积、林冠容重、枝条倾角和叶倾角；
将所述植被体积中的植被体元作为输入，将郁闭度、植被持水能力以及饱和植被的平均蒸发速率融入到Gash模型中，构建基于地面激光雷达的林冠截留模型。
在修正Gash解析模型，林冠持水能力(Sc)、树干持水能力(St)、树干茎流系数(pt)以及饱和林冠的平均蒸发速率是影响林冠截留的重要参数，同时这些参数也与林冠结构具有密切的线性相关性。通过LiDAR数据中提取和反演与这些参数具有线性相关特征的林分三维结构参数作为模型输入，并与实测数据进行回归分析，确定各参数的反演精度。
数据收集与处理：
(1)水文气象数据的收集
林外降雨的测定：在样地外空旷的场地设置微型气象站，监测气温、相对湿度、风速、气压、太阳辐射、降雨量等参数。其中采用翻斗式雨量筒测降雨量，计量为0.2mm。气温和大气相对湿度采用温湿度计进行测量，每半小时记录一次数据。由数据采集器CR1000进行数据采集和分析。降雨事件定义：使用翻斗式自计雨量计，半小时降雨量不足0.2mm时认为是无效降雨，当两场降雨的时间间隔小于8h时，记做一次降雨事件；当两场降雨的时间间隔大于8h时，记做两次降雨事件。
穿透雨的测定：在样地中随机安装若干个翻斗式雨量筒作为林内穿透雨量的收集器，每个雨量筒全天候自动检测一次降雨事件的林内穿透雨量，并且把间隔时间超过8小时的降雨事件分割为两次不同的降雨时间。每次降雨过后，记录每个雨量筒内降雨量，取均值作为穿透雨量。
树干茎流量的测定：根据样地条件，按胸径划分径级，每个径级中选择2-3株，采用包裹式集水法收集树干茎流。将直径为2.0cm的聚乙烯橡胶软管开口向上，在标准木树干1.3m处呈螺旋形往下缠绕，缠绕时与水平面成30度角，缠绕树干2-3圈固定，并用玻璃胶在树干接缝处封严，将导管引入到自动翻斗式雨量计的进水口，测量树干茎流。
(2)激光雷达数据采集与处理
本发明采用移动背包激光雷达扫描仪LiBackpack DGC50(数字绿土，中国)，对测区采取自下而上的扫描模式，获取详细的林冠三维结构点云数据。
本实施例，在20m×30m样地中，采用移动背包激光雷达扫描仪，扫描路线选择“Z”型路线进行，点云数据的初步处理在LiDAR 360软件中完成。最终获取整个样地标准的las点云数据，主要记录了从目标地物反射回来的激光脉冲信息，包括空间坐标(X，Y，Z)，反射强度，回波次数，扫描角度等。考虑到不同季节林分三维结构参数可能有变化，本项目对每个样地分春季(4月)，夏季(7月)，秋季(10月)，冬季(1月)进行激光雷达扫描。为比较激光雷达技术与传统光学遥感在估计林冠截留上的差异，在进行激光雷达扫描后，同时对部分样地进行鱼眼照片采集，获得该林分水平参数。主要林分参数提取和反演在R软件lidR数据包和ArcGIS10.6中处理完成。
地面激光雷达获取高密度的点云数据，包含三维空间坐标(X,Y,Z)，激光反射强度信息。将获取的点云数据进行去噪、裁剪、重采样、地面点滤波处理等初步处理。针对LiDAR点云数据集，通过构建体元模型对林分结构各部分进行测量，按照1cm3进行体素化(voxelization)，将空间分为1cm3体素网格，将包含在单元体素网格内的点云数据集合并成1个体元，通过统计体元数量对植被各部分结构参数进行精确测量。包括：树干体积、树冠体积、林冠容重、枝条倾角、叶倾角等。
通过LiDAR植被点云数据计算植被体积，引入植被体积参数(Vveg)，Vveg为单位体积内包含植被的体元(voxel)数量，其中树干体积为VT、林冠体积为VC，林下层植被体积为VU，因此总的植被体积为Vveg＝VT+VC+VU。假设V0表示单位立体上总的空间体积，单位体积上植被体积占比指数(VVI)可表示为即VVI为林分内植被体积占总的空间体积之比。引入Vveg参数后，可将植被的水平和垂直结构部分纳入统计，以期提高模型中各参数的估计精度。
林冠持水能力是估计林冠截留精度的关键参数，在原模型中，林冠持水能力(S)采用Leyton方法，通过室内实验(浸泡法)分别获得单位体积样本枝干的持水能力(Sb)和叶片的持水能力(Sl)，然后通过测量冠层郁闭度(c)或叶面积指数(LAI)间接获得林冠持水能力(Sc)，通过测量树高，胸径获得树干持水能力(St)。同时原模型假设林冠水平上的植被持水能力与植被表面积是线性相关的。因此，通过LiDAR数据对植被枝叶的体积进行分别计算，通过反演获得植被各部分持水能力。本研究引入植被持水能力(Sveg)来表示单位体积内植被的总持水能力，代替原模型中单位面积上的林冠持水能力(Sc)和树干持水能力(St)，通过LiDAR获得植被各部分体元表面积，再结合室内实验获取的单位表面积枝叶持水能力参数，反演获得总的植被持水能力。
植被持水能力(Sveg)包括树干持水能力(Svt)和林冠持水能力(Svc)，则Sveg＝Svt+Svc，各部分植被持水能力结合室内实验获得的枝叶持水能力参数可表达为：
(1)树干持水能力Svt＝SbAT；Sb为单位表面积枝干持水能力，由室内实验获得，AT为树干的表面积，通过LiDAR点云数据计算树干体元获得。
(2)林冠持水能力Svc＝SbAB+SlAL；其中Sl为单位表面积叶片持水能力，AB和AL分别为林冠中枝叶的表面积，分别由点云枝叶分离后枝叶的体元获得。
基于LiDAR植被体积参数，引入单位体积饱和植被的平均蒸发速率代替原模型中单位覆盖面积平均蒸发速率/>来表征单位体积内饱和植被的蒸发速率，包括树干和林冠。则单位体积饱和植被的平均蒸发速可表示为：/>
同时包含了植被所有部分的平均蒸发速率，包括饱和树干平均蒸发速率和饱和林冠平均蒸发速率/>以及林下层植被的平均蒸发速率在植被体积变化的情况下，单位体积饱和植被平均蒸发速率与降雨平均强度的比值/>为常量。
在基于LiDAR数据的Gash模型参数化过程中，通过LiDAR构建的植被体元作为模型输入，使模型中对林冠和树干的截留、持水和蒸发速率参数的估计能够考虑植被垂直结构部分的差异，以此来提高模型各参数估计的精确度。基于LiDAR的植被体元数据，对Gash模型的参数做出以下调整和假设：
1)林冠未饱和的加湿阶段(PG<P′G)，该过程主要为林冠参与截留过程，因此可将原模型中郁闭度改为林冠体积占总空间体积的比例，则林冠的截留量可表示为：
2)当总降雨量使冠层达到饱和阶段(PG>P′G)，但树干还未达到饱和(PG<P″G)，此时林冠截留和树干茎流计算过程分别为：
其中林冠达到饱和所需的降雨量P′G，由下式计算得到：
3)当总降雨量使树干达到饱和阶段(PG>P″G)，此时树干茎流计算为：
It＝Svt
树干达到饱和所需的降雨量P″G根据下式来计算：
结合研究期间实测的林外降雨、树干茎流和林内穿透雨量数据作为模型精度的验证数据，根据冠层水量平衡公式，林冠截留可由林外降雨与树干茎流和林内穿透雨量的关系确定，树干持水能力和树干茎流系数由树干茎流量与降雨量的关系确定。
将获得的不同林分林冠截留、树干茎流和林内穿透雨量模型改进前后的模拟值，与实测值进行对比，然后用决定系数(R2)和均方根误差(RMSE)来分析模型改进前后不同林火干扰强度下的模拟精度。具有较高R2和较低RMSE的被认为具有更优的模拟精度。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.基于地面激光雷达点云数据的林冠截留模型的构建方法，其特征在于，包括：
基于地面激光雷达获取植被的LiDAR三维结构点云数据并计算植被体积，其中所述LiDAR三维结构点云数据包括：树干体积、树冠体积、林冠容重、枝条倾角和叶倾角；
将所述植被体积中的植被体元作为输入，将郁闭度、植被持水能力以及饱和植被的平均蒸发速率融入到Gash模型中，构建基于地面激光雷达的林冠截留模型；
所述基于地面激光雷达的林冠截留模型包括：林冠未饱和的加湿阶段、总降雨量使冠层达到饱和阶段但树干未达到饱和阶段、总降雨量使树干达到饱和阶段；
所述林冠未饱和的加湿阶段的林冠截留量为：
其中，Ic为林冠未饱和的加湿阶段的林冠截留量，V0为单位观测样地总体积，为每次降雨观测到的林外降雨量，m为未饱和阶段观测的降雨次数，VC为林冠体积；
所述总降雨量使冠层达到饱和阶段但树干未达到饱和阶段的林冠截留量为：
其中，n为饱和阶段降雨观测次数，为饱和林冠的平均蒸发速率，/>为降雨平均强度，为林冠达到饱和所需降雨量；
所述总降雨量使树干达到饱和阶段的林冠截留量为：
It＝Svt
其中，It为总降雨量使树干达到饱和阶段的林冠截留量，Svt为树干持水能力。
2.根据权利要求1所述的基于地面激光雷达点云数据的林冠截留模型的构建方法，其特征在于，获取所述植被的LiDAR三维结构点云数据，包括：
基于所述地面激光雷达获取植被的点云数据，将所述植被的点云数据进行去噪、裁剪、重采样、地面点滤波处理，得到LiDAR点云数据集；通过所述LiDAR点云数据集，构建体元模型，获得体元数量，通过所述体元数量对所述植被各部分结构参数进行测量，获取所述植被的LiDAR三维结构点云数据；其中，所述LiDAR三维结构点云数据中包含空间三维坐标信息和激光反射强度信息。
3.根据权利要求2所述的基于地面激光雷达点云数据的林冠截留模型的构建方法，其特征在于，构建所述体元模型，获得体元数量，包括：
将所述植被的点云数据按照预置单位面积进行体素化，将空间分为1cm3的体素网格，获得所述体元模型，将包含在单元体素网格内的所述点云数据合并成单位数量体元，统计所述体元数量。
4.根据权利要求1所述的基于地面激光雷达点云数据的林冠截留模型的构建方法，其特征在于，计算所述植被体积的方法为：
Vveg＝VT+VC+VU
其中，Vveg为单位体积内包含植被的体元数量，VT为树干体积、VC为林冠体积，VU为林下层植被体积。
5.根据权利要求4所述的基于地面激光雷达点云数据的林冠截留模型的构建方法，其特征在于，获取所述植被持水能力，包括：
通过所述LiDAR三维结构点云数据获得植被各部分体元表面积，结合室内实验获取的单位面积枝叶持水能力参数，反演获取所述植被持水能力；其中，所述植被各部分持水能力包括树干持水能力Svt和林冠持水能力Svc。
6.根据权利要求5所述的基于地面激光雷达点云数据的林冠截留模型的构建方法，其特征在于，所述树干持水能力Svt＝SbAT；
其中，Sb为单位表面积枝干持水能力，由室内实验获得，AT为树干的表面积，通过LiDAR点云数据计算树干体元获得；
所述林冠持水能力Svc＝SbAB+SlAL；
其中，Sl为单位表面积叶片持水能力，AB为林冠中枝干部分的表面积，AL为林冠中叶片部分的表面积，分别由点云枝叶分离后枝叶的体元获得。
7.根据权利要求1所述的基于地面激光雷达点云数据的林冠截留模型的构建方法，其特征在于，获取所述饱和植被的平均蒸发速率，包括：
通过植被体积与饱和林冠的平均蒸发速率模型，得到单位体积饱和植被的平均蒸发速率，将所述单位体积饱和植被的平均蒸发速率代替原有Gash模型中单位覆盖面积平均蒸发率，得到单位体积内所述饱和植被的平均蒸发速率；其中所述饱和植被的平均蒸发速率包括饱和树干平均蒸发速率、饱和林冠平均蒸发速率以及林下层植被的平均蒸发速率。
CN202211312394.5A 2022-10-25 2022-10-25 基于地面激光雷达点云数据的林冠截留模型的构建方法 Active CN115908700B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211312394.5A CN115908700B (zh) 2022-10-25 2022-10-25 基于地面激光雷达点云数据的林冠截留模型的构建方法
LU503276A LU503276B1 (en) 2022-10-25 2022-12-29 Construction method of canopy interception model based on ground-based lidar point cloud data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211312394.5A CN115908700B (zh) 2022-10-25 2022-10-25 基于地面激光雷达点云数据的林冠截留模型的构建方法

Publications (2)

Publication Number Publication Date
CN115908700A CN115908700A (zh) 2023-04-04
CN115908700B true CN115908700B (zh) 2024-03-29

Family

ID=86488938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211312394.5A Active CN115908700B (zh) 2022-10-25 2022-10-25 基于地面激光雷达点云数据的林冠截留模型的构建方法

Country Status (2)

Country Link
CN (1) CN115908700B (zh)
LU (1) LU503276B1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912860A (zh) * 2016-04-12 2016-08-31 四川大学 基于gis的林冠截留模型
CN109061601A (zh) * 2018-08-09 2018-12-21 南京林业大学 一种基于无人机激光雷达反演人工林森林结构参数的方法
CN111768505A (zh) * 2020-07-01 2020-10-13 江西师范大学 一种平面点集形状重建方法、装置及电子设备
CN111950336A (zh) * 2020-04-14 2020-11-17 成都理工大学 基于背包式激光雷达的植被冠层生态水估算方法
CN115203640A (zh) * 2021-04-12 2022-10-18 中国科学院空天信息创新研究院 地表蒸散发量的确定方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912860A (zh) * 2016-04-12 2016-08-31 四川大学 基于gis的林冠截留模型
CN109061601A (zh) * 2018-08-09 2018-12-21 南京林业大学 一种基于无人机激光雷达反演人工林森林结构参数的方法
CN111950336A (zh) * 2020-04-14 2020-11-17 成都理工大学 基于背包式激光雷达的植被冠层生态水估算方法
CN111768505A (zh) * 2020-07-01 2020-10-13 江西师范大学 一种平面点集形状重建方法、装置及电子设备
CN115203640A (zh) * 2021-04-12 2022-10-18 中国科学院空天信息创新研究院 地表蒸散发量的确定方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Two-Dimensional LiDAR Sensor-Based Three-Dimensional Point Cloud Modeling Method for Identification of Anomalies inside Tube Structures for Future Hypersonic Transportation;Jongdae Baek;《Sensors》;20201217;第20卷(第24期);1-16 *
基于机载雷达数据的青海云杉(Picea crassifolia)林降雨截留空间模拟;高婵婵 等;《中国沙漠》;20160315;第36卷(第2期);515-521 *
我国植被冠层降水截留研究进展;吕爱锋 等;《南水北调与水利科技(中英文)》;20220714;第20卷(第4期);724-736 *

Also Published As

Publication number Publication date
LU503276B1 (en) 2023-06-30
CN115908700A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
Deguchi et al. The influence of seasonal changes in canopy structure on interception loss: application of the revised Gash model
CN108717044B (zh) 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法
CN108981616B (zh) 一种由无人机激光雷达反演人工林有效叶面积指数的方法
CN108872964B (zh) 基于无人机LiDAR数据的银杏人工林郁闭度提取方法
CN108876917A (zh) 一种森林地上生物量遥感估测通用模型构建方法
CN113177744A (zh) 一种城市绿地系统碳汇量估算方法及系统
CN110378926B (zh) 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法
CN108896021B (zh) 基于航空摄影测量点云提取人工林林分结构参数的方法
CN108205718B (zh) 一种粮食作物抽样测产方法及系统
CN115796344A (zh) 一种区域尺度上森林植被碳储量的估算方法
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
CN115952702A (zh) 一种基于forcchn模型和遥感数据的森林nep的计算方法
CN115908700B (zh) 基于地面激光雷达点云数据的林冠截留模型的构建方法
CN117035174A (zh) 一种木麻黄单木地上生物量的估算方法与系统
CN116030350A (zh) 一种基于点云技术的城市绿地植被碳汇量计算方法及系统
CN105974091B (zh) 林下草本植被枯枝落叶层丰富度的遥感量化探测方法
Jian et al. Based on remote sensing processing technology estimating leaves stomatal density of Populus euphratica
CN114781199A (zh) 水源涵养对气候变化的响应分析方法、装置、介质和设备
RU2424540C2 (ru) Способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования
CN115587687A (zh) 一种城建施工项目测绘数据管理方法、系统及存储介质
CN114005027A (zh) 一种基于无人机影像的城市单木检测系统及方法
Cai Vegetation Observation in the Big Data Era: Sentinel-2 data for mapping the seasonality of land vegetation
Sims Principles of National Forest Inventory Methods
CN114279378B (zh) 一种立木材积获取方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant