基于UAV-LiDAR的人工林林分郁闭度估测.pdf

doi：10.11707/j.1001-7488.LYKX20210955基于 UAV-LiDAR 的人工林林分郁闭度估测*杨晓慧1吴金卓2刘浩然1钟浩1林文树1（1.东北林业大学机电工程学院哈尔滨 150040；2.东北林业大学土木与交通学院哈尔滨 150040）摘要：【目的】提取无人机激光雷达（UAV-LiDAR）点云数据特征变量，结合样地实测数据构建林分郁闭度估测模型，为快速准确估测人工林林分郁闭度提供基础数据和技术参考。【方法】以东北林业大学城市林业示范基地为研究区，基于多旋翼无人机激光雷达获取的点云数据进行人工针叶林和阔叶林林分郁闭度反演，根据点云的三维坐标和能量值计算高度、强度、冠层特征变量并采用主成分分析法降维，处理后的变量与利用植物冠层分析仪获取的郁闭度进行逐步回归分析，建立人工针叶林和阔叶林林分郁闭度估测模型，在 ArcGIS 平台上应用估测模型和反距离权重插值法进行林分郁闭度反演制图。【结果】冠层特征变量对针叶林郁闭度的估测精度影响最显著，强度特征变量对阔叶林郁闭度的估测精度影响最显著。人工阔叶林郁闭度的估测精度（Adj R2=0.725，RMSE=0.005）优于人工针叶林（Adj R2=0.722，RMSE=0.007）。应用估测模型和反距离权重插值法估测整个样地的郁闭度范围在 0.810.87 之间，筛选 10 个检验点的郁闭度与实测郁闭度显示出较高相关性（r=0.859）。【结论】结合多组 LiDAR 特征变量估测林分郁闭度能够充分挖掘 LiDAR 数据包含的冠层结构特性，提升估测精度。关键词：无人机激光雷达；林分郁闭度；特征变量；主成分分析；逐步回归中图分类号：S758.1文献标识码：A文章编号：10017488(2023)08001210Estimation on Canopy Closure for Plantation Forests Based on UAV-LiDARYang Xiaohui1Wu Jinzhuo2Liu Haoran1Zhong Hao1Lin Wenshu1（1.College of Mechanical and Electrical Engineering,Northeast Forestry UniversityHarbin 150040；2.College of Civil Engineering and Transportation,Northeast Forestry UniversityHarbin 150040）Abstract：【Objective】This study aims to construct stand canopy closure estimation models based on the extracted featurevariables from the UAV-LiDAR point cloud data and the measured data of the sample plots,which would provide basic data andtechnical reference for rapid and accurate estimation of artificial forest canopy closure.【Method】Taking the Urban ForestryDemonstration Base of Northeast Forestry University as the study area,the inversion of the forest closure for the artificialconiferous forests and broad-leaved forests was carried out based on the point cloud data obtained by multi-rotor UAV LiDAR.The height,intensity and canopy characteristic variables were calculated according to the three-dimensional coordinates and energyvalues of the point cloud,and the principal component analysis method was used to reduce the data dimension.Then,a stepwiseregression procedure was conducted on the canopy closure obtained by the plant canopy analyzer and the processed variables,andthe canopy closure estimation models for artificial coniferous forests and broad-leaved forests were established,respectively.Finally,the estimation models and inverse distance weight interpolation method were applied on the ArcGIS platform to perfomcanopy closure inversion mapping.【Result】Canopy characteristic variables had the most significant effect on the canopy closureestimation accuracy of coniferous forests,while intensity characteristic variables had the most significant effect on the estimationaccuracy of broad-leaved forests.The canopy closure estimation accuracy of artificial broad-leaved forests (Adj R2=0.725,RMSE=0.005)was superior to that of artificial coniferous forests(Adj R2=0.722,RMSE=0.007).The canopy closure of theentire plot estimated by the estimation models and inverse distance weighted interpolation method ranged between 0.81 and 0.87,and the canopy closure of 10 testing points showed a high correlation with the measured canopy closure (r=0.859).【Conclusion】Combining multiple sets of LiDAR feature variables to estimate forest canopy closure can fully exploit the canopystructure characteristics contained in LiDAR data and improve the estimation accuracy.Key words：UAV-LiDAR；canopy closure；characteristic variables；principal component analysis；stepwise regression 收稿日期：20211228；修回日期：20220611。基金项目：国家自然科学基金项目（31971574）；黑龙江省自然科学基金联合引导项目（LH2020C049）。*林文树为通讯作者。第 59 卷 第 8 期林业科学 Vol.59，No.82 0 2 3 年 8 月SCIENTIA SILVAE SINICAEAug.，2 0 2 3 作为森林生态系统的重要组成部分，人工林不仅改善了我国森林资源短缺的问题，而且也为国民经济建设提供了大量木材和林副产品，在发挥经济效益的同时对维持生态系统平衡、减缓全球气候变暖等起着重要作用（银彬吾等，2019）。冠层是森林与外界环境相互作用最直接和最活跃的界面层，是植物进行呼吸作用、蒸腾作用和光合作用等生理过程的主要场所，本身承载了森林生物多样性的主体部分。郁闭度是森林冠层的主要参数，是反映森林结构和森林环境的重要因子，在水土流失、水源涵养、林分质量评价、森林景观建设等方面有着广泛应用。林分郁闭度的传统测定方法主要有目测法、树冠投影法、样点法、鱼眼照片法和光学遥感法等，其中，地面实测方法获取的数据通常只在小范围内具有代表性且测量过程耗时耗力（孙钊等，2020），光学遥感因穿透性低一定程度上影响森林垂直结构参数估测。激光雷达（light detection and ranging，LiDAR）是一种新兴的主动遥感技术，能够有效穿透森林，在多时空尺度上获取森林生态系统高分辨率的三维地形、植被结构参数、叶面积指数等参数。Lefsky 等（2002）提出的地基激光雷达技术（terrestrial laser scanning，TLS）可用于测量单木三维结构和植被冠层结构；机载激光雷达技术（airborne laser scanning，ALS）的出现使得提取高精度森林结构参数成为可能（瞿帅等，2018）；星载激光雷达覆盖范围广，可用于大区域林业资源调查研究。无人机激光雷达相比上述 3 种平台具有灵活性高、成本低、效率高、受地形影响小、影像重叠率大、分辨率高、姿态角大、相幅小、不受云雾干扰等特点（王娟等，2020；Salam et al.,2014），近年来在森林结构参数提取中得到越来越多的应用（Davies et al.,2014）。随着遥感技术的不断发展，国内外已有利用激光雷达数据进行林分郁闭度估测的研究报道。李丹（2012）基于配准后的多站地基激光雷达数据，设定不同高度阈值提取乔木样地郁闭度，估测精度达 83.91%。赵勋等（2020）以机载 LiDAR 点云数据为基础，采用首次回波归一化后 2 m 以上点云密度与所有点云密度之比估测郁闭度，估测值与实测值之间的 R2达 0.478。Arume 等（2018）利用机载激光扫描（ALS）数据，设定不同高度阈值和回波计算郁闭度，并与基于数字半球照片（digital hemispherical photographs，DHP）和 Crown模型（CCRCrown）的估测值进行了比较。Garca 等（2012）采用地球科学测高系统（geoscience laser altimetrysystem，GLAS）数 据 中 的 冠 层 基 高 度（canopy baseheight，CBH）估算林分郁闭度，精度达 89%。吴项乾（2018）结合单木分割方法，先由 UAV-LiDAR 点云生成冠层高度模型（canopy height model，CHM），再将基于点云提取的特征变量逐步引入郁闭度估测模型，R2max达 0.78。汪霖等（2019）以地面实测数据、无人机高分影像、激光雷达点云数据为主要信息源，采用局部最大值法和种子点分割法提取林分郁闭度并对其精度进行了检验。Aicardi 等（2017）将TLS 点云与UAV影像点云数据结合，建立了一个具有高分辨率和高精度的森林数据集提取高郁闭度森林区域关键参数。综上可知，目前林分郁闭度估测大多基于地基或机载雷达数据进行，关于东北地区人工林林分郁闭度的研究较少，特别是林分高度、强度、冠层特征变量对针、阔叶林郁闭度反演过程贡献率方面的研究鲜见报道。鉴于此，本研究选取我国东北地区具有代表性 的 兴 安 落 叶 松（Larix gmelinii）、樟 子 松（Pinussylvestris var.mongolica）、黑皮油松（Pinustabuliformis）、蒙 古 栎（Quercus mongolica）、白 桦（Betula platyphylla）为研究对象，基于 UAV-LiDAR 获取的高密度点云数据，结合植物冠层分析仪获取的40 个样本郁闭度实测值，采用 30 个样本应用统计模型法进行针叶林和阔叶林林分郁闭度建模，采用 10个样本验证其精度，比较影响针、阔叶林郁闭度的雷达特征变量并进行郁闭度制图，以期为快速准确估测人工林林分郁闭度提供基础数据和技术参考。1研究区概况东 北 林 业 大 学 城 市 林 业 示 范 基 地（1273512739E，45424544N，海拔 136140 m）地处黑龙江省哈尔滨市中心城区，占地面积 44 hm2，属中温带大陆性季风气候，年降雨量400800 mm，年均气温3.5（刘浩然等，2021）。基地内栽种有兴安落叶松、樟子松、黑皮油松、胡桃楸（Juglans mandshurica）、蒙古栎、水曲柳（Fraxinus mandshurica）、白桦等针叶和阔叶树种，目前已形成小面积纯林块状混交。基地地形坡度平缓，林木较为密集，郁闭度较高（范伟伟等，2020）。研究区地理位置及样地空间分布见图 1。2研究方法 2.1数据选择与预处理 2.1.1地面数据采集2021 年 5 月，在研究区选取 4块针叶林样地，包括 2 块兴安落叶松样地、1 块黑皮油松样地、1 块樟子松样地；2 块阔叶林样地，包括 1 块白桦样地、1 块蒙古栎样地（表 1）。采用 WinSCANOPY2010a 植物冠层分析仪获取林木冠层半球图像，得到第 8 期杨晓慧等：基于 UAV-LiDAR 的人工林林分郁闭度估测13 各样地实测郁闭度。具体做法是在针叶林和阔叶林样地内分别随机建立 20 个半径为 10 m 的圆形样方，利用 GPS 记录各样方地理位置，坐标参考 WGS-84。在光线均匀、避免直射的天空条件下于各样方内随机选取 3 个拍摄点，通过 WinSCANOPY 2010a 植物冠层分析仪配有三星 NV3 型号相机的 180鱼眼镜头拍摄林分冠层获取其半球图像，鱼眼镜头竖直向上并与水平面垂直。为消除灌木和杂草的影响，鱼眼镜头离地高度设为 1.5 m。2.1.2激光雷达数据采集2021 年 5 月，使用四轴大疆经纬 M300 RTK 无人机搭载禅思 L1 激光扫描仪获取激光点云数据。无人机载激光雷达数据获取参数如下：飞行高度 100 m，飞行速度 5 ms1，飞行间隔60 m，旁向重叠 50%，主航线角度 25，平均点密度约197 ptsm2，采样频率 160 kHz，采取实时真彩色点云上色模式。表 1研究样地内 5 种人工林概况Tab.1Basic information of five kinds of plantation in the sample plots森林类型Forest type林龄Age/a平均树高Average height/m平均胸径Average DBH/cm林分密度Stand density/（treehm2）蓄积量Volume/(m3hm2)白桦Betula platyphylla6119.118.198682.9蒙古栎Quercus mongolica6014.717.22 690181.0兴安落叶松Larix gmelinii6218.019.81 120160.8樟子松Pinus sylvestris var.mongolica6417.822.11 140195.6黑皮油松Pinus tabuliformis6917.620.6954146.2 2.1.3数据预处理首先，对 LiDAR 原始点云数据进行去噪、裁剪处理，通过 CloudCompare 软件中的布料模拟滤波（cloth simulation filter,CSF）方法获得地面文件，并将分类的地面点插值以生成数字高程模型（digital elevation model，DEM）、数字表面模型（digitalsurface model，DSM），利用 DEM 进行高度（z）归一化获得高度归一化点云数据（艾萨迪拉玉苏甫等，2020；尤号田等，2020）。然后，应用 Matlab 平台构建冠层体积模型（canopy volume model，CVM）计算冠层体积分布，采用 PCM 点云数据处理软件中基于 CHM 的方法进行单木分割，分割后的点云导入 CloudCompare 软件中进行树冠点云提取，以计算冠层密度、冠层回波的偏度和峭度等。对采集的树冠球形真彩色图像，将其转换为灰度图像并绘制灰度图像直方图，结合树干剔除效果，调整分割阈值以确定合适阈值点（图 2），取 3个拍摄点的平均值作为该样方的郁闭度实测值。各样方郁闭度测量值见表 2。2.2技术流程首先基于点云三维坐标获得冠层高度模型 CHM和树冠点云，由 CHM、回波能量值、树冠点云计算高度、强度、冠层 3 类特征变量，然后采用主成分分析法和逐步回归法将处理后的特征变量与植物冠层分析仪获取的郁闭度进行建模，最后评价模型精度和适应性并进行郁闭度制图（图 3）。2.2.1LiDAR 特征变量提取与标准化离散点云归一化后，计算样地尺度的激光雷达特征变量，包括树 s0100200300 km林区道路Forest roads研究样地Study plots扫描路线Scanning route扫描起始点Scanning starting pointN图 1研究区地理位置及样地空间分布Fig.1Geographical location of the study area and spatial distribution of the sample plots14林业科学59 卷 木高度和强度特征变量；应用 Matlab 平台构建冠层体积模型，计算冠层体积分布；基于单木分割提取样地冠层信息，计算冠层密度、冠层回波的偏度和峭度等。冠层体积分布（canopy volume distribution,CVD）是描 表 2各样方郁闭度测量值Tab.2Measured value of canopy closure of each quadrate样方编号 Sample plot No.12345678910针叶林 Coniferous forest0.860.860.840.840.860.860.860.860.840.86阔叶林 Broad-leaved forest0.840.840.860.840.840.850.850.850.840.84样方编号 Sample plot No.11121314151617181920针叶林 Coniferous forest0.840.840.860.840.840.850.850.850.840.84阔叶林 Broad-leaved forest0.830.830.830.840.840.820.810.830.840.84 c 树干剔除Remove the tree trunkb 阈值图像分割Thresholding image segmentationa 原始图像Original image图 2图像二值化Fig.2Image binarization 单木分割 Individual tree segmentationLiDAR 原始点云Original LiDARpoint cloud树木冠层半球图像Tree canopyhemisphere image逐步回归Stepwise regression数字高程模型Digital elevationmodel数字表面模型Digital surfacemodel图像二值化Image binaryzation冠层高度模型Canopy heightmodel主成分分析Principal component analysis郁闭度实测值Measured value ofcanopy closure离散点云数据Discrete point cloud data树木冠层提取Tree canopyextraction冠层特征变量Canopy characteristicvariables模型适应性评价Model adaptabilityevaluation滤波 Filtering插值 Interpolation高度归一化 Height normalization相差 Subtracting高度特征变Height characteristicvariables强度特征变量Intensity characteristicvariable图 3技术流程Fig.3Technical flow chart第 8 期杨晓慧等：基于 UAV-LiDAR 的人工林林分郁闭度估测15 述三维点云形态的重要指标，通过对每块样地的点云集合进行三维分析，获取基于三维体的冠层体积分布点云变量，步骤如下：按照三维坐标，将点云分为若干个 5 m5 m0.5 m 的小三维体，若小三维体含有点云，则该小三维体属于“非空三维体”，反之为“空三维体”；将位于冠层以上的“空三维体”定义为“孔隙体”（Open），反之定义为“封闭体”（Close）；将位于上 65%区域的“非空三维体”定义为“透光体”（Euphotic），反之定义为“遮光体”（Oligophotic）；汇总所有三维体，形成冠层体积分布图并汇总计算CVD 内 4 种类别三维体分别占有的体积比例（以某针叶样本为例，见图 4）。考虑到地面存在干扰点，滤除0.3 m 以内的地面点（Vose et al.,1995）。本研究计算高度、强度、冠层 3 类特征变量（表 3）。利用 IBMSPSS Statistics 软件对提取完成的 3 类特征变量进行标准化处理。2.2.2主成分分析本研究共计算 30 组26 个特征变量，在每组特征变量内部，变量之间可能存在相关 表 3LiDAR 特征变量及其描述Tab.3LiDAR characteristic variables and descriptions特征变量Characteristic variable变量描述 Variable descriptionelev_asd归一化点云平均绝对偏差：总差异与给定点之间的总差值 Mean absolute deviation of normalized point cloud：the difference between the total difference and given pointselev_AIH_25th归一化点云累计高程百分数的25分位数 The 25th quantile of normalized point cloud cumulative elevationpercentageelev_aihInterDis归一化累计高程四分位数间距 Normalized cumulative elevation interquartile spacingelev_cv首次回波归一化点云变异系数 Coefficient of variation of first echo normalized point cloudelev_interDis归一化四分位数间距 Normalized interquartile spacingelev_mad归一化绝对偏差中值 Median value of normalized absolute deviationelev_mean归一化平均值 Normalized meanelev_median归一化中值 Normalized medianelev_std归一化标准差 Normalized standard deviationelev_crr归一化冠层起伏比率 Normalized canopy fluctuation ratioint_asd首次回波平均绝对偏差 Mean absolute deviation of first echoint_cv首次回波归一化点云强度的变异系数 Variation coefficient of normalized point cloud intensity of first echoint_interDis首次回波四分位数间距 Interquartile interval of first echoint_mad首次回波绝对偏差中值 Median absolute deviation of first echoint_mean首次回波平均值 Mean of first echoint_median首次回波中值 Median of first echoint_std首次回波标准差 Standard deviation of first echoint_percentile_25th首次回波强度百分数 First echo intensity percentageint_AII_25th首次回波累计强度百分数 Cumulative intensity percentage of first echoint_Skewness/kurtosis首次回波所有激光雷达点强度分布的偏度/峭度 Skewness/kurtosis of intensity distribution of all LiDAR pointsin the first echoOpen/closed在冠层容积模型中无体元区域的上层/下层 In the canopy volume model,the upper/lower layer of the regionwithout voxel of free regionEuphotic/oligophotic在冠层容积模型中有体元区域的上65%区域和下35%区域的比值 The ratio of upper 65%and lower 35%ofvoxel regions in the canopy volume modelelev_density_30th、elev_density_60th冠层密度参数 Canopy closure parametersHskewness/Hkurtosis冠层首次回波的偏度/峭度 Skewness/kurtosis of canopy first echo pointCC2m首次回波中高于2 m的激光返回点占所有返回点的比例 The first return points above 2 m accounts for thepercentage of all return points第110个变量记为高度特征变量，第1120记为强度特征变量，第2126记为冠层特征变量。The first 10 variables were denoted as heightcharacteristic variables,the 11th-20th were denoted as intensity characteristic variables,and the 21th-26th were denoted as canopy characteristic variables.20181614121086422015105005101520距离 Distance/m距离 Distance/m距离 Distance/m图 4冠层体积模型Fig.4Canopy volume model16林业科学59 卷 性，若对每个指标分别进行分析，则不能完全利用数据中的信息，因此采用 IBM SPSS Statistics 软件，在保证主成分分析有效的前提下（KMO 检验系数0.5，巴特利球体检验 P0.05），分组对高度、强度、冠层特征变量进行分析，减少分析指标的同时，尽可能多地保留原始变量信息且使变量彼此不相关，作为新的综合指标。主成分选取上，每组保留特征值大于 1 的主成分。主成分载荷矩阵 Ui与因子载荷矩阵 Ai和特征值i之间的关系为：Ui=Aii。（1）将 Ui与每组特征变量的标准化值 Zxi相乘即得主成分 F 的表达式：F=ni=1UiZxi。（2）2.2.3逐步回归分析针对针叶林和阔叶林，利用提取的多组 LiDAR 特征变量结合多元逐步回归方法构建郁闭度估测模型，形式如下（吴项乾等，2020）：y=b0+b1q1+b2q2+.+bnqn+。（3）式中：y 为因变量；q 为自变量；b 为常数；为误差。以地面实测林分郁闭度为因变量，以高度、强度和冠层特征变量为自变量，应用逐步进入法（stepwise）将激光雷达特征变量按照与实测林分郁闭度相关性由高到低的顺序引入方程，在保证每一步引入变量检验值 F 达到显著水平（P 0.05）的前提下，筛选出高相关性变量，剔除低相关性变量，以得到最优模型。2.2.4回归模型精度评价选取精度和真实程度高的变量组合作为反演模型。本研究采用反映自变量与因变量之间相关性的判定系数 R2、调整判定系数Adj R2、均方根误差 RMSE（root mean square error）和相对均方根误差 rRMSE（relative root mean square error）评价回归模型精度（洪奕丰等，2019）。R2越高，则二者之间相关性越高；但样本容量一定时，增加解释变量必定使自由度减少，Adj R2可在模型的复杂程度和衡量模型的优良程度上取一个平衡，使模型趋于简单；RMSE 反映实测值与预测值之间标准误差大小，与评价对象本身的数值关系很大，RMSE 越小，则模型预测效果越好；rRMSE 为 RMSE 与预测值算数平均值的比值，反映模型总体预测精度，rRMSE 越小，表明模型预测精度越高（刘浩等，2018）。各评价指标计算公式如下：R2=1ni=1(XiXi)2ni=1(XiXi)2；（4）AdjR2=1(1R2)(n1)(nk1)；（5）RMSE=vt1nni=1(XiXi)2；（6）rRMSE=RMSEXi100%。（7）XX式中：n 为样地数量；X 为鱼眼镜头测得的林分郁闭度；为实测郁闭度的平均值；为模型估测的林分郁闭度；k 为自变量个数。3结果与分析 3.1主成分分析本研究提取高度、强度和冠层特征变量并将 3 类特征变量标准化。经主成分分析，针叶林样本的高度特征变量得到 3 个主成分 F1c、F2c、F3c，强度特征变量得到 4 个主成分 F4c、F5c、F6c、F7c，冠层特征变量得到2 个主成分 F8c、F9c；阔叶林样本的高度、强度和冠层特征变量分别得到 3、3 和 2 个主成分，分别记为 F1b、F2bF8b。由式（2）得出各组特征变量的主成分得分及排名，以针叶林的高度特征变量得到的 3 个主成分为例，X、Z 轴分别代表第一和第二主成分，Y 轴代表第三主成分，颜色不同的 3 类点在空间中的位置表示兴安落叶松、黑皮油松、樟子松 3 类针叶树种的第一、第二和第三主成分得分，结果见图 5。642024321012 3210123第三主成分 Third principal component第二主成分Second principal component第一主成分First principal component树种 Tree species樟子松 Pinus sylvestris var.mongolica兴安落叶松 Larix gmelinii黑皮油松 Pinus tabuliformis樟子松 Pinus sylvestris var.mongolica兴安落叶松 Larix gmelinii黑皮油松 Pinus tabuliformis图 5针叶林高度特征变量主成分得分Fig.5Principal component score of height characteristic variablesfor coniferous forests 3.2逐步回归分析经逐步回归法分析，得到针叶林（式 8）、阔叶林（式 9）林分郁闭度估测的回归方程：Yc=0.843 624+0.003 488 24F3c0.003 716 44F5c+0.008 053 18F8c；（8）第 8 期杨晓慧等：基于 UAV-LiDAR 的人工林林分郁闭度估测17 Yb=0.840 406+0.002 777 94F3b0.003 708 24F4b+0.003 340 92F8b。（9）回归方程的精度如表 4 所示。在针叶林郁闭度估测中，回归方程的 Adj R2=0.722，模型拟合优度较高，显著水平 P=0.000 60.05，模型显著性较高，变量 F8c前的系数绝对值最大，表明冠层特征变量在针叶林郁闭度预测中贡献最大；在阔叶林郁闭度估测中，回归模型的 Adj R2=0.725，模型拟合优度高，P=0.000 60.05，模型显著，强度特征变量对阔叶林郁闭度预测精度影响最显著。3.3精度评价将提取的特征变量进行主成分分析，代入回归方程可得郁闭度估测值。针、阔叶林各选择 5 个样方作为验证样本，通过回归方程预测的林分郁闭度与WinSCANOPY 2010a 植物冠层分析仪获得的郁闭度的交叉验证结果见图 6。针叶林与地面实测郁闭度建立的预测模型精度为 R2=0.72，阔叶林与地面实测郁闭度建立的预测模型精度为 R2=0.77，筛选 10 个检验点的郁闭度与实测郁闭度显示出较高相关性（r=0.859）。通过反演模型计算得到的林分郁闭度与实测郁闭度较均匀地分布在拟合线两侧，表明模型可用来反演研究区典型针、阔叶林林分郁闭度，反演结果精度较高。预测值 Forecast value测量值 Measured value0.870.860.850.840.830.820.810.820.830.84y=0.715x+0.240R2=0.72y=0.766x+0.198R2=0.770.850.860.87预测值 Forecast value测量值 Measured value0.870.860.850.840.830.820.810.820.830.840.850.860.87图 6林分郁闭度预测模型交叉验证结果Fig.6Cross validation results of forest canopy closure prediction model 利用 ArcGIS 的反距离权重插值法将激光雷达估测郁闭度与地面实测郁闭度可视化。由图 7 可知，郁闭度范围在 0.810.87 之间，样地郁闭度呈东北西南高、西北东南低的趋势，与每块矩形样地的走向基本一致。无人机激光雷达数据在预测林分郁闭度方面优势明显，多变量模型能充分发掘森冠层信息，结合多组UAV-LiDAR 特征变量估测林分郁闭度能够取得较好效果。4讨论本 研 究 基 于 无 人 机 激 光 雷 达 点 云 数 据和WinSCANOPY 2010a 植物冠层分析仪样地实测数据，采用逐步回归法构建人工林林分郁闭度估测模型，基本满足郁闭度反演需要，可实现基于无人机激光雷达点云数据的林分郁闭度快速估测。谷金英等（2014）提取遥感光谱因子和地形因子，基于多元回归分析法对林地郁闭度进行反演，精度达 81.6%；吴飏等（2012）利用 Spot5 数据结合 96 个纹理特征估测林分郁闭度，主成分分析与逐步回归分析结果显示，近红外波段的光谱和纹理特征与郁闭度相关性最显著，加入纹理特征后估测精度可达 84.32%；李擎等（2019）基于 GF-2号遥感影像，采用主成分法进行天山云杉（Piceaschrenkiana）林郁闭度估测研究，以纹理特征+光谱信息+地形因子为自变量构建的估测模型拟合度为0.823。本研究在点云高度、冠层特征变量基础上引入回波强度特征变量，针叶林