Application Status and Development Trend of Multi-source Remote Sensing Data in Forest Resource Monitoring

ZHANG Juan, LIAO Juyang, LIU Yan, WANG Ling, LI Qiaoyun, WU Linshi, HUANG Yaqi

PDF(1297 KB)
PDF(1297 KB)
Chinese Agricultural Science Bulletin ›› 2023, Vol. 39 ›› Issue (19) : 159-164. DOI: 10.11924/j.issn.1000-6850.casb2022-0503

Application Status and Development Trend of Multi-source Remote Sensing Data in Forest Resource Monitoring

Author information +
History +

Abstract

In this paper, the application status and development trend of multi-source remote sensing in forest resource monitoring are described. Compared with traditional forest resource monitoring, which involves a large amount of manpower to carry out field investigation, satellite remote sensing and UAV remote sensing have obvious advantages in forest resource monitoring. In the forest resource monitoring research based on multi-source remote sensing data, this paper focuses on the comparison of the application of five kinds of multi-source remote sensing on forest resource monitoring, including: forest disease and insect monitoring, stand height measurement, forest canopy structure measurement, tree species composition and forest classification, and forest biomass measurement. Resource satellite, microwave remote sensing, imaging spectroscopy and new technologies and methods of forest resource monitoring in three-dimensional remote sensing, such as deep learning intelligent classification and multi-source remote sensing fusion technology, will become new means for multi-source remote sensing forest resource monitoring in the future. The application of differential GPS, three-dimensional remote sensing and hyperspectral images combined with mathematical computer technology can improve the accuracy of different levels of forest resource estimation. The automation and informatization of UAV remote sensing will be the development trend of UAV remote sensing application in forest resource monitoring. In addition, the long endurance capability and multiple types of sensors will further improve the accurate monitoring of forest resources by UAV remote sensing.

Key words

multi-source remote sensing / forest resource monitoring / satellite remote sensing / UAV remote sensing

Cite this article

Download Citations
ZHANG Juan , LIAO Juyang , LIU Yan , WANG Ling , LI Qiaoyun , WU Linshi , HUANG Yaqi. Application Status and Development Trend of Multi-source Remote Sensing Data in Forest Resource Monitoring. Chinese Agricultural Science Bulletin. 2023, 39(19): 159-164 https://doi.org/10.11924/j.issn.1000-6850.casb2022-0503

0 引言

党的十八大报告提出将生态文明作为“五位一体”建设目标之一,加大了对生态环境的重视和保护力度,使得森林资源监测逐步转向生态文明的目标,因此,进行森林资源监测对保护生态安全具有重要意义。西方发达国家森林资源监测起步较早[1],并已将遥感作为森林资源监测数据获取的常规方法[2-3]。以德国为代表,德国的森林资源监测与生态环境综合监测一起实施,以高分辨率遥感影像为底图开展森林资源监测工作,减少了大量的外业调查工作量[4]。20世纪70年代中国开始全国森林资源连续清查。传统森林资源监测主要依靠人工外业调查,工作任务繁重的同时也增加了外业人员的危险。如今,利用多源遥感技术,极大提高了监测效率。同时,原始森林山区等难以依靠人工开展监测的地区,多源遥感能够发挥其数据优势,使得监测成为可能,极大减轻工作负担,并降低危险性。笔者阐述多源遥感数据在森林资源监测中的应用现状及未来可能的发展趋势,并对森林资源监测技术方法进行合理展望。

1 多源遥感应用于森林资源监测现状

森林资源是森林、林木、林地,以及依托其生存的野生动物、植物和微生物的总称。森林资源监测需要以调查为基础,多次连续的调查或清查就是监测,森林调查是森林资源数据采集的主要手段[5]。近几十年来,随着科学技术的进步与发展,世界各国陆续发射多颗遥感卫星占领有限太空资源,并将卫星获取的影像服务于山水林田湖草沙等自然资源监测。已有较多的系列卫星能够用于森林资源监测任务,如中国的高分系列卫星。同时,为满足日益更加精细化的林业要求,逐步引入无人机遥感或航空遥感开展森林资源监测。

1.1 卫星遥感应用于森林资源监测

国内遥感起步于20世纪70年代末期,但后续发展十分迅速,遥感技术在森林资源监测中被广泛使用,并具有良好的应用前景。多光谱数据是林业应用的主要数据,目前科研院所和生产单位广泛使用遥感技术,能够有效将森林类型区别出来,如阔叶林、针叶林、针阔混交林。卫星遥感技术在森林资源监测中具有重要的地位,利用卫星遥感开展森林资源监测可以减少人、财、物的耗损,提高了大面积森林资源的监测效率[6]。森林资源监测常用的遥感数据源包括Landsat TM系列、SPOT系列、ALOS系列、资源系列,以及国产高分系列卫星数据等。卫星遥感应用于森林资源监测的一般流程如图1所示,利用预处理之后的高分辨率遥感数据,根据建立好的解译标志、指标体系,建立解译标志库,利用计算机自动解译提取森林资源变化图斑,目视解译勾绘森林资源变化图斑,通过外业实地调查结果对卫星遥感提取结果进行精度评估,形成标准化成果,为森林资源监测的应用提供对照与数据基础。其中,遥感影像判别的解译标志为直接特征(大小、形状、色调、阴影),以及地物和其周围环境表现出的间接特征(纹理、位置和布局)等[7],常见的指标体系如表1所示。卫星遥感搭载的传感器有多种,根据森林资源监测需求,可选择不同的卫星遥感数据源开展森林资源监测(表2)。
图1 卫星遥感应用于森林资源监测技术流程

Full size|PPT slide

表1 卫星遥感应用于森林资源监测常见指标体系
一级 二级 三级
林地 有林地 针叶林地
阔叶林地
混交林地
疏林地
未成林地
灌木林地
苗圃地
无立木林地
宜林地 宜林荒山荒地
宜林沙荒地
辅助生产林地
非林地 农地
水域
未利用地
其他土地
表2 常见卫星遥感应用于森林资源监测
传感器 输出数据 应用
高光谱遥感 全波段光谱信息 森林资源类型分类[8],森林病虫害监测[9],森林树种分类[10],森林冠层结构[11-12]
高分辨率遥感 高空间分辨率影像 森林提取[13],森林郁闭度提取[13],森林小班蓄积量估测[14]
多光谱遥感 多波段光谱信息 森林土地覆盖信息[15],森林类型[15],植被覆盖度[15],森林参数模型[15]
星载雷达 高程数据文件、陆地测高数据文件等 森林林分树高[16-17],森林结构参数[18],森林地上生物量[19]

1.2 无人机遥感应用于森林资源监测

无人机遥感是一种灵活机动的,能够快速获取更高分辨率的森林资源信息的先进新兴航空遥感技术[20]。在森林资源监测中,根据研究对象和尺度的需要,固定翼无人机和旋翼无人机被广泛使用。无人机遥感获得森林资源高分辨率影像后的处理流程如图2所示。对高分辨率影像进行图像预处理后,生成数字正射影像(DOM)、数字高程模型(DEM)、数字地表模型(DSM),对生成的DOM开展图像分类,利用DEM、DSM计算得到冠层高度模型(GHM),输出林木信息[21-24]。利用无人机遥感,可以获取大量的森林资源数据,改善传统森林资源监测中周期长、精度差、成本高的弊端。无人机遥感平台能够搭载多种传感器,根据森林资源监测需求,选择不同的传感器来获取森林资源数据(表3)。
图2 无人机遥感应用于森林资源监测技术流程

Full size|PPT slide

表3 常见无人机搭载传感器应用于森林资源监测
传感器 输出数据 应用
高光谱传感器 全波段光谱信息 森林病虫害监测[25-26],树种组成识别[27-28]
可见光传感器 数字正射影像(DOM),数字表面模型(DSM) 森林病虫害监测[29],林分树高测定[30-31],森林冠层结构与属性测定[32-33]
树种组成识别[3,34],森林生物量测定[22]
多光谱传感器 多波段光谱信息 森林冠层结构与属性测定[35],森林病虫害监测[36]
热红外相机 温度图谱 森林冠层结构与属性测定[37],森林病虫害监测[38]
激光雷达 点云,数字地表模型(DSM),数字地面模型(DTM) 森林冠层结构与属性测定[39-40],森林生物量测定[41]

1.3 多源遥感应用于森林资源监测

森林资源监测围绕着森林资源可持续发展,掌握森林资源相关信息,采集所需要的信息,具体的森林资源监测内容视监测类型而异,森林资源监测内容包括森林病虫害监测、林分树高测定、森林冠层结构测定、树种组成及森林分类、森林生物量测定、森林蓄积量及分布、林地立地状况等[5]

1.3.1 森林病虫害监测

森林病虫害降低木材质量,影响着树木的生长发育及更新,造成森林资源的严重损失和生态环境破坏,成为了目前森林面临的三大灾害之一。当森林病虫害发生时,会在林木上显示出特别的病理状态,如黄化、枯萎、反射率等特征变化等[42]。森林病虫害监测主要将人工调查和卫星遥感影像手段结合,能够实时监测病虫害动态,控制灾害的发生与发展,降低林木损伤程度。徐海舟等[9]利用非成像高光谱遥感结合地面实测数据开展森林病虫害监测,得到较高的实验结果精度。但是对于国家森林公园或重点林场大范围的森林资源监测,卫星遥感一定程度上满足不了需求,无人机遥感可以通过搭载高分辨率相机和多种传感器提供更高的精度[29]

1.3.2 林分树高测定

林分树高测定是森林资源监测一项必须开展的工作[43]。杨坤等[31]使用最大类间方差法对数字正射影像进行点云分割,得到树木顶端高度和地面平均高度,取得了较好的精度。姚相坤等[44]采用地基激光雷达技术对水曲柳、兴安落叶松2种人工林开展多站全方位扫描,基于提取的单木因子构建的树高模型,拟合结果调整绝对系数R2均在0.8以上。张煜星等[23]基于无人机遥感搭载的激光雷达开展平均林分树高计算,得到林地小班的树高等级分布,用森林资源二类调查数据作为验证对比,取得了75.1%的精度。

1.3.3 森林冠层结构测定

精确估计森林冠层结构是森林生态系统研究中一个重要的组成部分,将卫星遥感应用于大范围的森林冠层结构监测,可在一定程度上完成大范围、多时空动态、快速无损坏的森林冠层结构测定。于泉洲等[11-12]结合地面调查数据,基于Hyperion高光谱数据定量分析森林冠层光谱特征,很好地阐明森林冠层结构组成对于光谱特征的影响。Jawed等[32]利用无人机航拍图像获取毛榉林树参数估计,结果表明无人机影像可以有效并快速地获取中大型森林冠层。孙钊[33]以无人机影像为遥感数据源,开展杉木林树冠参数估测,以实测样地数据结果作为验证,结果表明无人机遥感在森林冠层参数信息获取上是可行的。

1.3.4 树种组成及森林分类

对林分树种组成进行识别以及森林分类时,地面观测不能很好地获取森林冠幅轮廓、纹理、结构等信息,而空中观测能解决地面观测的不足[34]。代华兵[14]利用SPOT 5高分辨率遥感数据开展森林分类,综合应用光谱、纹理信息以及历史调查数据,其森林分类精度达到87%以上。Lisein等[45]利用无人机遥感开展多时段调查,并利用随机森林分类对树种组成进行识别分类,得到良好结果。Sankey等[27]融合无人机激光雷达和高光谱数据,开展多种树种的分类识别,认为激光雷达和高分辨率影像融合方法较单一传感器数据在树种组成分类上具有更好的效果。

1.3.5 森林生物量测定

森林生物量监测对于森林生态系统研究具有重要意义,也是森林资源监测中重要指标之一[46]。陈小艺等[15]基于卫星遥感数据,反演森林生物量与森林参数之间的模型,得到与历史记录数据吻合的汪清县生物量分布情况。洪奕丰[47]使用机载雷达数据开展了落叶松单木、林分、经营单位、宏观区域等多尺度的生物量反演,实现了森林生物量大范围、快速准确的获取。Naik等[48]基于星载多时相多光谱遥感数据对森林地上生物量进行预测和估算,结果表明基于多时相数据的生物量模型比单一模型更有效。苟睿坤等[49]利用国产高分辨率卫星影像数据,使用主成分回归模型对油松人工林地上生物量进行反演,实现了实验样地森林生物量较高精度估算。

1.4 3S技术体系

地理信息系统(Geographic Information System,GIS)、遥感(Remote Sensing,RS)与全球定位系统(Global Positioning System,GPS)在森林资源监测中应用广泛,简称3S技术。RS提供了重要的数据源,GIS是RS的重要分析工具,GPS为RS提供经纬度信息,也是GIS的重要数据源。3S技术在森林资源监测中是必不可少的一套成熟的技术体系。森林资源监测中常用的遥感图像处理软件主要有ArcGIS、ENVI、ERDAS,可以处理多种遥感数据源,包括GF、TM、SPOT、IKNOS、QuickBird等,进行辐射定标、正射校正、地理配准、图像融合等分析处理,提供了强大的空间数据分析能力。ArcGIS和ENVI是多源遥感应用于森林资源监测工作中必不可少的数据分析处理工具。

2 多源遥感应用于森林资源监测的发展趋势

遥感将是森林资源监测的重要方向之一。遥感技术的进步将继续推动森林资源精准监测进一步发展。森林资源监测不是单一的技术,多源遥感应用于森林资源监测的发展是多种技术乃至多种学科交叉集成。

2.1 开发森林资源监测新方法、新技术

研究资源卫星、微波遥感、成像光谱技术及三维遥感在森林资源监测提取中的新技术、新方法,如深度学习智能分类、多源遥感融合技术等,从宏观、中观、微观多层次开展基于多源遥感的森林资源监测新手段。

2.2 提高森林资源估测精度

应用差分GPS(DGPS)、三维遥感以及高光谱,结合数学和高性能计算机,研究从森林到林班、小班、单木等不同层级的森林资源估测方法和模型,提高森林资源估测精度。

2.3 继续推动精准林业

自冯仲科等[50]提出精准林业以来,如何更加精准地开展森林资源监测广受关注。无人机遥感相比卫星遥感具有更高空间分辨率和时间分辨率,但无人机续航能力不具备卫星遥感采集范围广的优势[51];同时,无人机数据处理软件不具备实时自动化、传感器载荷量有限等,限制了无人机的广泛使用。未来无人机遥感将会有更好的续航能力、遥感数据分析工具、多类型传感器,为森林资源监测提供更有效的科技平台支撑。

3 展望

当前,国内投入大量资源开展生态修复。然而,生态修复需掌握森林资源恢复进程和森林资源健康质量信息。

3.1 加强指标体系建设

随着生态文明建设的提出,“绿水青山就是金山银山”已是林业发展的重要思路之一,森林资源监测指标也应随之发生改变。监测指标应逐步实现多目标、多功能的森林资源综合监测;评价指标应逐步实现对林业可持续发展的评价,定期发布森林资源指标信息,形成社会合力推进绿色发展。

3.2 加大新技术研发和引进

应继续加强遥感、全球定位系统、地理信息系统的综合研究应用,尽快取得突破性进展。同时,向国外学习森林资源监测中的新思路、新方法。进一步提高森林资源监测的标准,提高森林资源监测和评价水平。现有的研究多偏向于树种均匀、结构单一的林区,复杂背景的森林环境对使用卫星遥感开展森林资源监测造成了一定阻碍,应加大复杂森林环境背景下的多源遥感森林资源监测研究力度。

3.3 打通森林资源成果共享壁垒

森林资源监测数据比较分散,数据可交流性较差,使森林资源监测数据利用率低下。数据的标准化、规范化,以及质量、精度等是森林资源监测数据共享壁垒的问题之一。应建立一套森林资源监测标准规范,确保森林资源监测数据的兼容、共享。加大森林资源监测数据网络化程度,避免资源重复生产,提高森林资源监测数据的共享程度。

References

[1]
郑云峰, 尹准生, 刘诚. 德国森林资源经营管理与监测对我国林业的启示[J]. 中南林业调查规划, 2020, 39(2):1-4.
[2]
WARD Kathleen T, JOHNSON Gary R. Geospatial methods provide timely and comprehensive urban forest information[J]. Urban forestry & urban greening, 2006, 6(1):15-22.
[3]
BAENA Susana, MOAT Justin, WHALEY Oliver, et al. Identifying species from the air: UAVs and the very high resolution challenge for plant conservation[J]. PloS one, 2017, 12(11).
[4]
王忠仁, 韩爱惠. 德国奥地利森林资源监测与经营管理的特点及启示[J]. 林业资源管理, 2007(3):103-108.
[5]
亢新刚, 胥辉, 刘健, 等. 森林经理学(第4版)[M]. 北京: 中国林业出版社, 2011:178-179.
[6]
毛学刚, 范文义, 李明泽, 等. 黑龙江长白山森林生物量的时空变化分析[J]. 植物生态学报, 2011, 35(4):371-379.
森林生物量碳储量的空间分布及其变化信息, 对揭示地表空间变化规律及驱动因子、分析评价森林生产力及生态功能具有重要意义。该文以20世纪70年代、80年代、90年代和21世纪初4个时期的遥感数据和同期的森林资源清查样地数据为基础, 应用遥感信息模型, 估算了黑龙江长白山地区的森林生物量, 分析了该地区森林生物量的时空动态变化, 以及森林生物量随高程、坡度和坡向的变化规律。结果表明: 该地区4个时期的森林平均生物量分别为81.56、44.27、48.27和54.82 t&middot;hm<sup>&ndash;2</sup>。4个时期总的森林生物量分别为5.37 &times; 10<sup>8</sup>、2.83 &times; 10<sup>8</sup>、3.06 &times; 10<sup>8</sup>和3.46 &times; 10<sup>8</sup> t。20世纪70年代到21世纪初森林平均生物量和总的森林生物量都呈现出先降低后增加的趋势, 呈先下降趋势的主要原因是20世纪70&ndash;80年代以森林采伐为主, 后增加趋势的主要原因是实施天然林保护工程起到了很大的作用。该地区4个时期森林生物量随高程、坡度和坡向都表现出一致性的变化规律, 森林生物量随高程和坡度变化都呈先增加后减少的趋势, 导致这一现象的主要原因是, 高程、坡度和坡向变化引起了局地气候条件的变化, 从而直接影响森林生长环境, 造成森林分布的变化。森林生物量在200&ndash;400 m高程所占的比例最大, 约为35%, 在坡度5&deg;&ndash;15&deg;所占的比例接近50%。森林生物量在南坡和西南坡所占的比例最小, 为7%; 平坡所占的比例最大, 为28%; 南坡次之, 为19%。
[7]
林辉, 童显德, 黄忠义. 遥感技术在我国林业中的应用与展望[J]. 遥感信息, 2002(1):39-43,51.
[8]
蒋仟. 基于图像质量评价的高光谱森林监测波段选择研究[D]. 长沙: 中南林业科技大学, 2019.
[9]
徐海舟, 周国英, 臧卓, 等. 基于地面高光谱遥感的降香黄檀黑痣病病情指数反演[J]. 植物保护, 2016, 42(5):47-52.
[10]
吴见, 彭道黎. 高光谱遥感林业信息提取技术研究进展[J]. 光谱学与光谱分析, 2011, 31(9):2305-2312.
[11]
于泉洲, 王绍强, 黄昆, 等. 基于Hyperion高光谱数据的温带森林不同冠层结构的光谱特征分析[J]. 光谱学与光谱分析, 2015, 35(7):1980-1985.
[12]
于泉洲, 周蕾, 王绍强, 等. 基于EO-1 Hyperion的中国典型森林冠层高光谱特征分析[J]. 云南大学学报(自然科学版), 2018, 40(5):947-954.
[13]
谭耀华, 王长委. 国产高分辨率遥感数据在城市森林资源监测中的应用[J]. 测绘通报, 2019(5):113-115,154.
为了满足城市森林资源精细化管理的需求,需要不断拓展国产高分辨率遥感卫星数据的应用范围。本文对国产高分辨率遥感卫星数据进行真实性检验并分析其数据特性,在此基础上开展基于国产高分辨率遥感卫星数据的城市森林资源监测的应用研究,并开发了相应的软件系统,对实现城市森林资源的自动化监测具有较高的实用价值和研究意义。
[14]
代华兵. SPOT5遥感数据在森林资源监测中的应用研究[D]. 南宁: 广西大学, 2006.
[15]
陈小艺, 王铮. 基于遥感技术的汪清县森林资源动态监测研究与实践[J]. 测绘与空间地理信息, 2016, 39(3):125-129.
[16]
崔成玲. 激光测高卫星全波形数据的森林树高提取研究[D]. 北京: 中国矿业大学, 2016.
[17]
张琪. 星载极化干涉SAR树高反演技术研究[D]. 北京: 北京理工大学, 2016.
[18]
蔡龙涛. 国产星载激光雷达全链路森林回波仿真及森林结构参数反演研究[D]. 哈尔滨: 东北林业大学, 2021.
[19]
邱赛. ICESat-GLAS波形与HJ-1A高光谱影像联合反演森林地上生物量的研究[D]. 哈尔滨: 东北林业大学, 2016.
[20]
李德仁, 李明. 无人机遥感系统的研究进展与应用前景[J]. 武汉大学学报(信息科学版), 2014, 39(5):505-513,540.
[21]
BIRDAL A C, AVDAN U, TÜRK T. Estimating tree heights with images from an unmanned aerial vehicle[J]. Geomatics, natural hazards and risk, 2017, 8(2):1144-1156.
[22]
OTERO Viviana, VAN DE KERCHOVE Ruben, SATYANARAYANA Behara, et al. Managing mangrove forests from the sky: Forest inventory using field data and Unmanned Aerial Vehicle (UAV) imagery in the Matang Mangrove Forest Reserve, peninsular Malaysia[J]. Forest ecology and management, 2018, 411:35-45.
[23]
张煜星, 王雪军, 刘明博. 基于无人机遥感影像的DSM及遥感数据林分平均高提取[J]. 林业资源管理, 2017(2):23-27,52.
[24]
李祥, 郑淯文, 戴楚彦, 等. 基于无人机影像的森林信息获取研究进展[J]. 世界林业研究, 2017, 30(4):41-46.
[25]
NASI, ROOPE, HONKAVAARA, et al. Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level[J]. Remote sensing, 2015, 7(11):15467-15493.
[26]
CALDERON R, NAVAS-CORTES J, PABLO Z T. Early detection and quantification of verticillium wilt in olive using hyperspectral and thermal imagery over large areas[J]. Remote sensing, 2015, 7(5):5584-5610.
[27]
SANKEY T, DONAGER J, MCVAY J, et al. UAV lidar and hyperspectral fusion for forest monitoring in the southwestern USA[J]. Remote sensing of environment, 2017, 195:30-43.
[28]
NEVALAINE O, HONKAVAARA E, Tuominen S, et al. Individual tree detection and classification with UAV-based photogrammetric point clouds and hyperspectral imaging[J]. Remote sensing, 2017, 9(3).
[29]
LEHMANN J R K, NIEBERDING F, PRINZ T, et al. Analysis of unmanned aerial system-based CIR images in forestry- A new perspective to monitor pest infestation levels[J]. Forests, 2015, 6(12):594-612.
[30]
IZUKA K, YONEHARA T, ITOH M, et al. Estimating tree height and diameter at breast height (DBH) from digital surface models and orthophotos obtained with an unmanned aerial system for a Japanese cypress (Chamaecyparis obtusa) Forest[J]. Remote sensing, 2017, 10(2).
[31]
杨坤, 赵艳玲, 张建勇, 等. 利用无人机高分辨率影像进行树木高度提取[J]. 北京林业大学学报, 2017, 39(8):17-23.
[32]
CHIANUCCI F, DISPERATI L, GUZZI D, et al. Estimation of canopy attributes in beech forests using true colour digital images from a small fixed-wing UAV[J]. International journal of applied earth observation and geoinformation, 2019.
[33]
孙钊. 基于无人机航拍图像的杉木树冠参数提取与模型研建[D]. 北京: 北京林业大学, 2020.
[34]
杨龙, 孙中宇, 唐光良, 等. 基于微型无人机遥感的亚热带林冠物种识别[J]. 热带地理, 2016, 36(5):833-839.
通过微型无人机平台搭载微单相机监测亚热带地区森林生态系统冠层,发现在低空飞行时(飞行高度100m),仅能识别马尾松、湿地松和大叶相思3 个冠层树种;但在超低空飞行时(高度50 m)的影像分辨率较高,通过提取冠层的轮廓、纹理、结构、颜色等信息,能成功分辨出近20 种冠层物种,甚至可以识别出部分林隙中的林下物种。根据微型无人机遥感,可提取多种亚热带林冠信息,为森林保护或生态系统管理提供有效帮助。
[35]
KASPER J, TRI R, MATTHEW M C, et al. Using multi-spectral UAV imagery to extract tree crop structural properties and assess pruning effects[J]. Remote sensing, 2018, 10(6).
[36]
DASH J P, WATT M S, PEARSE G D, et al. Assessing very high resolution UAV imagery for monitoring forest health during a simulated disease outbreak[J]. ISPRS Journal of photogrammetry and remote sensing, 2017, 131:1-14.
[37]
SMIGAJ M, GAULTON R, SUAREZ J C, et al. Use of miniature thermal cameras for detection of physiological stress in conifers[J]. Remote sensing, 2017, 9(9).
[38]
SMIGAJ M, GAULTON R, BARR S L, et al. UAV-borne thermal imaging for forest health monitoring: detection of disease-induced canopy temperature Increase[J]. The international archives of the photogrammetry, remote sensing and spatial information sciences, 2015, XL-3/W3:349-354.
. Climate change has a major influence on forest health and growth, by indirectly affecting the distribution and abundance of forest pathogens, as well as the severity of tree diseases. Temperature rise and changes in precipitation may also allow the ranges of some species to expand, resulting in the introduction of non-native invasive species, which pose a significant risk to forests worldwide. The detection and robust monitoring of affected forest stands is therefore crucial for allowing management interventions to reduce the spread of infections. This paper investigates the use of a low-cost fixed-wing UAV-borne thermal system for monitoring disease-induced canopy temperature rise. Initially, camera calibration was performed revealing a significant overestimation (by over 1 K) of the temperature readings and a non-uniformity (exceeding 1 K) across the imagery. These effects have been minimised with a two-point calibration technique ensuring the offsets of mean image temperature readings from blackbody temperature did not exceed ± 0.23 K, whilst 95.4% of all the image pixels fell within ± 0.14 K (average) of mean temperature reading. The derived calibration parameters were applied to a test data set of UAV-borne imagery acquired over a Scots pine stand, representing a range of Red Band Needle Blight infection levels. At canopy level, the comparison of tree crown temperature recorded by a UAV-borne infrared camera suggests a small temperature increase related to disease progression (R = 0.527, p = 0.001); indicating that UAV-borne cameras might be able to detect sub-degree temperature differences induced by disease onset.\n
[39]
GUO Q, SU Y, HU T, et al. An integrated UAV-borne lidar system for 3D habitat mapping in three forest ecosystems across China[J]. International journal of remote sensing, 2017, 38(8-10):2954-2972.
[40]
许子乾, 曹林, 阮宏华, 等. 集成高分辨率UAV影像与激光雷达点云的亚热带森林林分特征反演[J]. 植物生态学报, 2015, 39(7):694-703.
该研究集成高分辨率无人机(UAV)影像和激光雷达(LiDAR)点云数据估算亚热带天然次生林林分基本特征变量。首先, 基于LiDAR点云和反距离加权插值法构建林下高精度数字高程模型(DEM); 然后利用UAV影像对序列构建植被冠层上层三维点云, 并借助DEM进行高度信息归一化, 提取高度和冠层点云密度相关的特征变量; 最后, 构建预测模型并估算Lorey&#x02019;s高、林分密度、胸高断面积、蓄积量。结果表明: 联合提取的特征变量与Lorey&#x02019;s高的敏感性最高, 蓄积量次之, 林分密度和胸高断面积最低; 利用UAV灵活快速的手段获取森林冠层信息, 辅以高精度LiDAR数据获取的地形信息, 两者互补实现一种可重复的快速、廉价和灵活的林分特征的反演方式。
[41]
刘峰, 谭畅, 雷丕锋. 中亚热带森林单木地上生物量的机载激光雷达估测[J]. 应用生态学报, 2014, 25(11):3229-3236.
以雪峰山武冈林场为研究对象,利用遥感数据和地面实测样地数据,研究机载激光雷达(LiDAR)估测中亚热带森林乔木层单木地上生物量的能力.利用条件随机场和最优化方法实现LiDAR点云的单木分割,以单木尺度为对象提取的植被点云空间结构、回波特征以及地形特征等作为遥感变量,采用回归模型估测乔木层地上生物量.结果表明: 针叶林、阔叶林和针阔混交林的单木识别率分别为93%、86%和60%;多元逐步回归模型的调整决定系数分别为0.83、0.81和0.74,均方根误差分别为28.22、29.79和32.31 t&middot;hm<sup>-2</sup>;以冠层体积、树高百分位值、坡度和回波强度值构成的模型精度明显高于以树高为因子的传统回归模型精度.以单木为对象从LiDAR点云中提取的遥感变量有助于提高森林生物量估测精度.&nbsp;&nbsp;
[42]
OTSU K, PLA M, VAYREDA J, et al. Calibrating the severity of forest defoliation by pine processionary moth with landsat and UAV imagery[J]. Sensors, 2018, 18(10).
[43]
SELKOWITZ D J, GREEN G, PETERSON B, et al. A multi-sensor lidar, multi-spectral and multi-angular approach for mapping canopy height in boreal forest regions[J]. Remote sensing of environment, 2012, 121:458-471.
[44]
姚相坤, 苍甜甜, 张一帆, 等. 基于地基激光雷达构建人工林树高模型的研究[J]. 森林工程, 2022, 38(1):93-100.
[45]
LISEIN, MICHEZ, CLAESSENS, et al. Discrimination of deciduous tree species from time series of unmanned aerial system imagery[J]. PloS one, 2015, 10(11):e0141006.
[46]
CALDERS K, NEWNHAM G, BURT A, et al. Nondestructive estimates of above-ground biomass using terrestrial laser scanning[J]. Methods in ecology and evolution, 2015, 6(2):198-208.
[47]
洪奕丰. 长白落叶松生物量组分多尺度遥感反演[D]. 北京: 中国林业科学研究院, 2019.
[48]
NAIK P, DALPONTE M, BRUZZONE L, et al. Prediction of forest aboveground biomass using multitemporal multispectral remote sensing data[J]. Remote sensing, 2021, 13(7).
[49]
苟睿坤, 陈佳琦, 段高辉, 等. 基于GF-2的油松人工林地上生物量反演[J]. 应用生态学报, 2019, 30(12):4031-4040.
油松是黄土高原地区重要的造林树种.快速准确地估测其地上生物量,对开展该地区森林资源动态监测等具有重要作用.本研究选取陕西省黄龙山林区石堡林场的油松人工林为对象,结合国产卫星高分二号(GF-2)的多光谱遥感影像与野外同时段实测样地数据,对其地上生物量进行了估算.提取了5种植被指数和8种纹理信息,基于普通回归、逐步回归、岭回归、拉索回归与主成分回归5种方法在4种纹理窗口(3×3、5×5、7×7和9×9)下建模,使用留一法交叉验证测试了每个模型的估算精度.结果表明: 提取的遥感因子之间存在着较为严重的多重共线性关系,大部分遥感因子与油松人工林地上生物量有较为显著的相关性;GF-2数据在石堡林场油松人工林地上生物量的反演中可以实现较高精度,其中估算效果最好的是使用了9×9纹理窗口的主成分回归模型,估算效果最差的是使用了3×3纹理窗口的普通回归模型.利用国产高分辨率卫星影像对油松人工林地上生物量进行反演研究,可以为西北地区林业部门进行森林生物量监测、资源管理与可持续经营提供科学依据.
[50]
冯仲科, 张晓勤. 发展我国的数字林业体系[J]. 北京林业大学学报, 2000(5):102-103.
[51]
AASEN H, HONKAVAARA E, LUCIEER A, et al. Quantitative remote sensing at ultra-high resolution with UAV spectroscopy: A review of sensor technology, measurement procedures, and data correction workflows[J]. Remote sensing, 2018, 10(7).
Share on Mendeley
PDF(1297 KB)

872

Accesses

0

Citation

Detail

Sections
Recommended

/