以SPOT5图像为研究对象,试验了4种图像分割方案,采用基于最终测量精度准则的多指标评价和基于欧氏距离的相似度综合评价两种方法,对分割效果进行评价,其中多指标包括圆度(RO)、紧致度(CO)、形状指数(SI)、最小包络椭圆短半径(RE)、椭圆度(EF)、形状因子(P2A)、面积相对误差(RA)、周长相对误差(RP)、中心位置绝对位移(DC)9个指标,相似度采用面积(A)、周长(P)、RO、CO、SI、RE、EF、P2A等8个因子计算。结果表明,原始图像直接用于分割的效果远好于经直方图均衡化后的图像。在图像分割过程中,输入图层的权重很大程度上影响分割效果,根据各输入图层标准差设置权重的分割效果,略好于根据图层信息量设置权重的分割效果。采用图像分割的方法自动提取小班边界,经适当后处理后编制工作手图用于森林资源规划设计调查,不但大量节省野外小班勾绘工作时间、降低劳动强度、提高工作效率,而且大幅度地提高了小班勾绘的准确性,确保面积调查精度。

目的 探究如何有效利用机载激光雷达冠层高度模型（CHM）自动区划小班，提高小班区划工作效率。 方法 在高光谱影像树种信息的辅助下，使用机载激光雷达数据生成的CHM进行两种空间尺度的分割和优化来自动区划小班。先对1 m空间分辨率CHM数据进行过分割，再对降尺度处理并平滑后的5 m空间分辨率CHM数据进行欠分割，结合两种尺度分割结果并优化得到最终区划结果。将自动区划结果与人工区划小班、数字正射影像（DOM）屏幕勾绘小班以及主伐作业小班为三类参考小班对比，采用最终测量精度（UMA）准则的圆度（RO），紧致度（CO），形状指数（SI），最小包络圆短半径（RE），椭圆度（EF）和形状因子（P2A）8个指标，及自动区划小班与参考小班的交并比（IOU）指标，定量评价自动区划小班边界勾绘的准确程度。并利用样地实测数据和CHM数据计算自动区划结果平均胸径、平均树高和冠层平均高的可解释性方差，验证自动区划结果的内部一致性和外部差异性精度。 结果 自动区划结果与参考小班的UMA形状、面积等特征较接近，与人工区划小班最相近。自动区划小班与人工区划、屏幕勾绘、主伐作业小班交并比大于70%的比例分别为46%，37%，43%，交并比大于50%的比例分别为61%，54%，55%。自动区划结果平均胸径可解释性方差为97%，平均树高可解释性方差为98%，和人工区划小班相同，说明其内部一致性高且和相邻小班差异大。冠层平均高可解释性方差为84.81%，比人工区划小班提高了1.77%。 结论 利用两种空间尺度的CHM与高光谱树种分类图的分割和优化方法自动区划的小班在内部一致性及边界的精准度方面有明显优势，更符合小班边界处林木的分布情况，小班边界准确，且工作效率高，有助于森林的精细化管理。

目的 以2016年9月广西壮族自治区高峰林场实验区获取的机载LiDAR点云数据为基础，通过提取30 m×30 m空间林分尺度下的LiDAR点云特征变量实现对林分平均高的估测。 方法 首先将105块实测林分平均高度的样地数据按照3：1的比例随机划分为训练样本（79）和检验样本（26），采用随机森林回归（RFR）和支持向量回归（SVR）两种机器学习算法对79个训练样本与对应的林分LiDAR点云特征变量回归建模。建模方案包括随机森林模型、支持向量机模型及随机森林+支持向量机组合模型。其次利用26个检验样本数据评价模型预测精度。最后统计3个模型中训练样本和检验样本对应的精度评价指标，以一个预测精度高、泛化能力强的模型作为最终模型进行林分平均高制图。 结果 表明：随机森林模型的训练样本和检验样本的决定系数（R²）分别为0.886 1和0.837 5，均方根误差（RMSE）分别为1.22和1.56；支持向量机模型的训练样本和检验样本的决定系数（R²）分别为0.886 4和0.840 9，均方根误差（RMSE）分别为1.21和1.54；组合模型的训练样本和检验样本的决定系数（R²）分别为0.859 8和0.853 2，均方根误差（RMSE）分别为1.35和1.48； 结论 组合模型的泛化能力及预测精度最好，支持向量机次之，最后为随机森林。利用组合模型可有效完成研究区林分平均高制图。

目的 点云密度是影响无人机激光雷达数据获取和预处理成本和效率的关键因素，探明点云密度对林分尺度无人机激光雷达森林参数估测精度的影响，有助于优化无人机激光雷达森林应用技术方案。［方法］以马尾松、桉树人工林为研究对象，采用百分比重采样方法，对密度为247点·m⁻²的原始点云按40%、20%、8%、4%和2%的比例降低点云密度，得到1个全密度原始点云数据集和5个稀疏密度点云数据集；每个数据集独立进行点云分类、地面点滤波和数字高程模型生成、点云高度归一化等预处理并提取激光雷达变量；对于同一森林类型的同一个森林参数(林分蓄积量、断面积、平均高和平均直径)的估测，各个数据集都采用相同的乘幂模型结构式进行模型拟合，然后比较分析模型优度统计指标的差异，包括：决定系数(R²)，相对根方根误差(rRMSE)和平均预报误差(MPE)；采用配对样本t检验方法对各个数据集的森林参数估测结果和激光变量的差异进行统计分析。［结果］当点云密度分别稀疏至100、50、…、5点∙m⁻²时，各个森林参数估测模型的精度保持基本一致；各个稀疏密度点云数据集的森林参数估测值的均值与原始点云数据集的估测值的均值不存在显著性差异(p≥0.05)；各个稀疏密度点云数据集激光变量的均值和原始点云数据集激光变量的均值基本上不存在显著性差异(p>0.05)。［结论］在无人机激光雷达森林资源调查监测应用中，点云密度可低至5点∙m⁻²。然而，本试验结果仍需通过不同飞行高度获取不同密度点云数据予以验证。