2020, Vol. 40文章信息
- 艾萨迪拉·玉苏甫, 玉米提·哈力克, 阿不都拉·阿不力孜, 买尔当·克依木
- Asadilla YUSUP, ümüt HALIK, Abdulla ABLIZ, Maierdang KEYIMU
- 基于地面LiDAR数据的塔里木河下游胡杨林结构参数反演
- Terrestrial laser scanning for retrieving the structural parameters of Populus euphratica riparian forests in the lower reaches of the Tarim River, China
- 生态学报. 2020, 40(13): 4555-4565
- Acta Ecologica Sinica. 2020, 40(13): 4555-4565
- http://dx.doi.org/10.5846/stxb201911162475
-
文章历史
- 收稿日期: 2019-11-16
- 修订日期: 2020-04-18
2. 新疆维吾尔自治区绿洲生态教育部重点实验室, 乌鲁木齐 830046;
3. 新疆大学旅游学院, 乌鲁木齐 830046;
4. 中国科学院生态环境研究中心, 城市与区域生态国家重点实验室, 北京 100085
2. Ministry of Education Key Laboratory of Oasis Ecology, Xinjiang Uighur Autonomous Region, Urumqi 830046, China;
3. College of Tourism, Xinjiang University, Urumqi 830046, China;
4. State Key Laboratory of Urban and Regional Ecology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085, China
胡杨(Populus euphratica Oliv.)属于杨柳科(Salicaceae)杨属(Populus)的阔叶落叶乔木, 集中生长在沙漠中河流两岸, 是我国西北干旱区乃至中亚荒漠区内陆河流域沿河植被的主体, 具有耐旱、耐寒、耐盐碱特征, 维持干旱区生态系统结构、功能及稳定性的关键种群, 归类为国家二级保护濒危树种[1]。我国胡杨林总面积为39.5×104 hm2, 占全球胡杨林面积的61%, 主要分布在塔里木河(简称塔河)、黑河流域、柴达木盆地西部、河西走廊等地区域；新疆的胡杨林面积占全国的91%, 其中89%分布于塔里木盆地[1-2]。由于人类对水土资源开发利用的不合理, 自20世纪70年代开始, 塔河下游断流了近30 a, 地下水位下降, 胡杨林植被大面积衰败, 土地沙漠化加剧, 区域生态环境严重受损[3-4]。基于此, 我国政府累计投资107亿元用于塔河流域的综合治理, 自2000年5月至2019年11月, 已对塔河下游实施了20次人工生态输水, 累计输水量达81.5×108 m3[5-6]。生态输水后, 塔河下游河道两岸地下水位逐步抬升, 使为优势种的荒漠河岸植被日趋复苏, 区域生态退化得到遏止[7]。国内外对胡杨林的研究主要集中在干旱胁迫和人工输水对胡杨生理、生态的影响[8]、胡杨林群落结构、多样性和稳定性[9-10]、胡杨种群分布格局[11]、胡杨叶片功能性状[12-13]及光合作用、蒸腾、耗水量等生理活动的问题上[14-15]。
植被结构参数是区域地表过程、生态与水文模型中常用的基本参数[16], 也是生态环境演变研究的重要依据。因此, 对胡杨林结构参数、长势动态、时空分布格局进行定点监测, 为时时掌握塔河流域荒漠河岸林生态系统结构与功能的变化提供基础数据。由于塔河下游自然条件恶劣, 传统的野外测树方法耗时费力, 需要大量人力和物力。此外, 胡杨林林分结构变化缓慢微妙, 常受水胁迫的影响, 不同水环境条件下植被长势差异大、结构复杂, 树形结构参数不易精确监测。因此, 找出一种高效、快速地获取胡杨树形和林分结构参数的科学方法具一定的实践意义。
激光雷达(Light Detection and Ranging, LiDAR)作为主动遥感的一个分支, 其独有的穿透性能够到达森林冠层之下, 比光学遥感更优势的获取森林垂直结构参数[17], 能够获取目标物表面的三维点云数据(Point cloud)。根据平台的不同, LiDAR分为机载激光雷达(Areal Laser Scanning, ALS)和地面激光雷达(Terrestrial Laser Scanning, TLS)两大类。ALS能获取大区域监测数据, 但树冠层下结构信息难以完整获取, 而TLS可填补这一点, 能够较完整的获取森林结构参数[18]。目前LiDAR主要应用在森林单木分割、植被类型分类[19-21], 森林生态参数反演[22-23], 生物量、蓄积量和碳储量估算[24-25], 森林干扰因素监测[26-27]等领域。
本文利用地面激光扫描(TLS)技术, 获取生长态势复杂的荒漠河岸林点云数据, 定量反演胡杨单木结构参数及种群结构信息, 提升与完善传统树木测量方法, 力求方法上有所创新, 满足荒漠河岸林生态系统长期定位监测的需要。
1 材料与方法 1.1 研究区概况野外工作在新疆若羌县阿拉干村(40°08′50″N, 88°21′28″E)国家级公益林管护站范围内设置的长期监测样地内进行。此地位于塔里木河下游中段, 新疆生产站设兵团农二师34团以南90 km处, 塔克拉玛干沙漠与库鲁克沙漠之间, 属暖温带荒漠极端干旱气候区, 年均降水量仅为20—50 mm, 年均蒸发量却高达2500—3000 mm[28], 植被类型单一, 主要是由胡杨为建群种的荒漠河岸植被[29]。
1.2 研究方法 1.2.1 样方设置根据胡杨种群分布特征, 选择了离河道不同距离的8个50 m×50 m样方(L1—L8)。地下水位数据由塔里木河流域管理局布设的6个长期监测井(G2—G7)和研究团队自己安装的6个气压式Baro—Diver地下水位监测仪(D1—D6)来获取, 见图 1。
|
| 图 1 塔里木河下游阿拉干断面样地分布情况 Fig. 1 Distribution of sample plots in Arghan transect in the lower reaches of the Tarim River TLS：地面激光雷达Terrestrial laser scanning；L：下游样方Lower reaches sample plots；G：地下水位监测井Ground water monitoring well；D：气压式地下水位监测井Baro-Diver ground water monitoring well |
利用奥地利瑞格公司生产的Riegl VZ-1000型地面激光雷达扫描仪(TLS), 其测距范围为2.5—1400 m, 最大扫描速度为3.0×105点/s, 扫描精度为±5 mm/100 m, 视场范围为360°×100°, 角度分辨率1.8″, GPS误差2 m(详见: www.riegl.com/nc/products)。野外TLS扫描工作于2018年7月18日至28日进行, 根据样方L1—L8的微地貌条件, 植被茂密程度, 在每个样方内架设6—8个扫描站点, 每站的扫描时间约为10—20 min(粗扫10 min/站, 精扫20 min/站), 测站间重叠度大于50%, 扫描时平均风速小于3级风(< 3.3 m/s)。其中样方L3, 从地面30 m高的观测塔上进行了精细扫描, 获取了较大面积的样方点云数据, 因此只布设了3个站点, 8个样方共获取49个站点的点云数据。为了验证TLS获取数据的精度, 在每个样方内分别选8—10棵胡杨, 利用布鲁莱斯(Blume-Leiss)测高仪、胸径尺、皮尺对筛选样木进行每木检尺实测, 记录其树高(Tree height, TH)、胸径(Diameter at breast height, DBH)、冠幅直径(Crown diameter, CD)、冠幅面积(Canopy area, CA)等参数, 样方具体参数和TLS扫描站点信息见表 1。
| 样地 Plot | 离河道距离 Distance from rive/m | 单木株数 Number of trees/N | 实测株数 Number of measured trees/N | 实测树高 Measured TH/m | 实测胸径 Measured DBH/cm | 实测冠幅 Measured CD/m | 扫描站点数 Num. of scan sites | 扫描时风速 Wind speed/ (m/s) | |||||||
| 最小值 Min | 最大值 Max | 最小值 Min | 最大值 Max | 最小值 Min | 最大值 Max | 粗扫 Rough | 精扫 Fine | ||||||||
| L1 | 20 | 95 | 10 | 5.9 | 7.9 | 24.64 | 28.70 | 6.10 | 11.65 | 5 | 1 | 1.4 | |||
| L2 | 100 | 69 | 10 | 8.1 | 10.4 | 28.70 | 49.00 | 5.57 | 7.86 | 5 | 1 | 2.1 | |||
| L3 | 200 | 36 | 8 | 6.2 | 13.0 | 27.50 | 32.10 | 5.40 | 8.23 | 2 | 1 | 2.0 | |||
| L4 | 400 | 42 | 8 | 7.6 | 11.8 | 30.30 | 51.50 | 6.26 | 9.16 | 5 | 1 | 2.5 | |||
| L5 | 600 | 63 | 10 | 4.2 | 8.0 | 19.80 | 54.40 | 4.90 | 9.10 | 5 | 1 | 1.6 | |||
| L6 | 800 | 50 | 10 | 6.1 | 7.7 | 20.00 | 40.90 | 3.87 | 6.95 | 7 | 1 | 1.7 | |||
| L7 | 1000 | 123 | 10 | 5.4 | 9.1 | 22.00 | 27.30 | 3.68 | 6.03 | 6 | 1 | 1.2 | |||
| L8 | 1200 | 34 | 8 | 3.6 | 7.6 | 63.00 | 86.00 | 6.70 | 10.20 | 6 | 1 | 1.1 | |||
利用RiSCAN PRO 2.2软件对多站扫描数据进行拼接, 平均标准误差为0.8 cm。利用北京数字绿土公司开发的Lidar360 3.0软件对数据进行预处理, 具体技术路线与工作步骤如图 2所示。
|
| 图 2 TLS样地单木结构参数提取流程图 Fig. 2 Flow chart of tree parameters extraction by TLS |
利用大疆精灵PHANTOM 4无人机(Unmanned Aerial Vehicle, UAV)对各样方进行50 m高程的低空航拍, 样方L1的影像, 通过ArcMap 10.2软件对UAV影像进行矢量化处理, 获取各样方内的胡杨单木株数信息。对TLS获取的多站扫描数据进行拼接和预处理, 生成点云高程图, 从蓝色到红色表示高度的增加；利用三角网滤波算法分类出地面点和植被点；利用三角网算法生成数字高程模型/ Digital Elevation Model, DEM和数字表面模型/ Digital Surface Model, DSM；从DSM减去DEM得到冠层高度模型/ Canopy Height Model, CHM, 由该模型生成单木种子点并对样方进行单木分割, 获取胡杨株数、TH、CD、CA值。考虑地形起伏对提取DBH的影响, 对点云数据进行归一化处理, 每个点的高程值Zi减去对应DEM值；切取Z轴上1.2—1.4 m范围内的点云, 利用Hough变换法拟合点云提取DBH值[18](图 3)。胡杨龄级按照王世绩等研究结果进行划分为5个级别, 分别为I级幼龄林：DBH≤5 cm；Ⅱ级中龄林：5 cm＜DBH≤15 cm；Ⅲ级近熟林：15 cm＜DBH≤30 cm；Ⅳ级成熟林：30 cm＜DBH≤50 cm；Ⅴ级过熟林(或老龄树)：DBH＞50 cm[1]。
|
| 图 3 TLS数据处理步骤 Fig. 3 Processing steps of TLS point cloud data |
对8个样方内实际统计的513棵胡杨进行TLS扫描和UAV航摄, TLS点云数据能够准确分割出了501棵, 占总株数的97%；UAV影像分割出的单木株数为458棵, 占总株数的89%, 表明地面TLS的单木识别效率比低空UAV的好(图 4)。各样方内分布的胡杨株数有所差异, 经换算得知, 样方L1的胡杨分布密度为380株/hm2(由95株/50 m×50 m而换算), TLS单木分割比率为94%；样方L2—L8的胡杨分布密度分别为270、180、158、225、192、324、74株/hm2, TLS单木分割率为95%、100%、100%、98%、98%、97%和100%；可知, 各样方胡杨分布密度的大小对TLS单木分割结果的影响不明显。
|
| 图 4 胡杨实测株数与TLS、UAV单木识别对比 Fig. 4 Comparison of hand, TLS and UAV segmented P. euphratica tree number |
从TLS单木分割结果中获取了每棵胡杨的树高/TH；拟合胸径部位的点云数据获取了胸径/DBH；将单棵树的点云投影到平面来提取了树冠直径/CD和冠幅面积/CA；其中, TLS对DBH的提取比率为90%外, 对TH、CD和CA的提取比率均达到97%(表 3)。为了检验数据的精度, 对TLS获取值与实测数据进行了比较。TLS获取的TH、DBH、CD、CA值和地面实测值之间的拟合度R2较高, 分别为0.95、0.97、0.77和0.83, 其Pearson相关系数均大于0.90, 呈现非常显著(图 5)。
| 单木参数 Tree parameters | 提取参数株数 Extracted trees number/N | 漏检株数 Missed extract trees number/N | 提取比率 Extraction ratio/% | 平均值 Average value |
| 树高Tree height(TH) | 501 | 12 | 97 | 7.50 m |
| 胸径Diameter at breast height (DBH) | 465 | 45 | 90 | 28.90 cm |
| 树冠直径Crown diameter(CD) | 501 | 12 | 97 | 4.63 m |
| 冠幅面积Crown area(CA) | 501 | 12 | 97 | 18.85 m2 |
|
| 图 5 TLS估算数据与实测数据的拟合验证 Fig. 5 Comparison of TLS estimated and field measured value of tree structure parameters |
通过胡杨各参数进行相关性分析得知, TH与CD、CA之间的Pearson相关性系数分别为0.73、0.67, 相关性显著；但DBH与TH, CD之间的相关性系数为0.23和0.45, 相关性不显著(表 4)。
| 树高TH | 胸径DBH | 冠幅直径 CD | 冠幅面积CA | |
| 树高TH | 1 | |||
| 胸径DBH | 0.237** | 1 | ||
| 冠幅直径CD | 0.732** | 0.445** | 1 | |
| 冠幅面积CA | 0.668** | 0.460** | 0.971** | 1 |
| **.在0.01水平(双侧)上显著相关 | ||||
基于相关性分析结果, 进一步对300棵胡杨的TH和CD值进行了方程拟合, 散点图有一定的规律性。基于此, 用线性函数、对数函数、二次函数、幂函数和指数函数进行回归模拟。其中, 幂函数曲线拟合度R2最高为0.639, 显著性检验概率P < 0.01, 相关性显著(表 5)。因此, TH=2.6274×CD0.706可以近似模拟胡杨树高与冠幅之间的数学关系。利用该模型对其他200棵胡杨的TH值进行预测, 拟合度R2为0.61。
| 模型Model | 方程Equation | R2 | F | Sig. | β0 | β1 | β2 |
| 线性函数Linear | y=β0+β1x+β2x2 | 0.603 | 408 | 0.000 | 2.412 | 1.161 | |
| 对数函数Logarithmic | y=β0+β1ln(x) | 0.600 | 404 | 0.000 | 1.012 | 4.584 | |
| 二次函数Quadratic | y=β0+β1χ+β2χ2 | 0.619 | 217 | 0.000 | 0.655 | 1.988 | -8.8×10-2 |
| 幂函数Power | y=β0(xβ1X) | 0.639 | 477 | 0.000 | 2.627 | 0.706 | |
| 指数函数Exponential | y=β0 eβ1X | 0.582 | 374 | 0.000 | 3.388 | 0.170 |
随离河道距离的增加, 地下水位下降, 单位面积胡杨林分密度有减少趋势。在离河道20 m处, 地下水位为2.4 m, 林分密度为380株/hm2, 而离河道1200 m处, 地下水位埋深在8 m以下, 林分密度为74株/hm2, 见图 6。为了探讨不同地下水埋深对胡杨单木结构参数的影响, 进行单因素方差分析, 单木结构参数为因变量, 地下水埋深为控制变量。结果显示, 地下水埋深在2—4 m范围内, TH、DBH、CD平均值没有显著差异, 分别为7.2 m、24.5 cm、4.1 m；地下水埋深在4—6 m区域, TH、DBH、CD平均值相对较高, 均为9.6 m、32.6 cm、5.6 m；地下水埋深在6—8 m处, TH急剧下降、DBH变大、CD略变小, 均为5.9 m、41.4 cm、4.3 m, 见图 7。
|
| 图 6 随离河道距离的林分密度变化 Fig. 6 Tree density change trend with the distance of river |
|
| 图 7 不同地下水埋深下的单木参数对比 Fig. 7 Compared tree parameters in different ground water level |
根据王世绩等[1]的胡杨径级划分标准来分组统计得知, 各样方内幼龄(I)和中龄(Ⅱ)胡杨株数所占的比例较小, 分别为7.2%和10.9%, 主要分布在地下水埋深2—4 m的河岸或古河道附近区域；近熟林(Ⅲ)和成熟林(Ⅳ)所占的比例最大, 分别为47.9%和29.5%, 在各样方内普遍分布；过熟林(Ⅴ)株数只占4.5%, 比例最少, 集中分布在离河道1000 m以外的地下水埋深较低的区域, 见图 8。
|
| 图 8 胡杨径级随河道距离的变化 Fig. 8 DBH level change trend of P. euphratica with the distance of river |
本研究利用地面激光扫描(TLS)技术, 有效的获取了塔河下游不同长势的胡杨单木结构参数, 并结合研究区地下水埋深条件, 分析了在不同离河道距离的水胁迫下胡杨的生长与空间分布状况。研究结果不仅体现了TLS技术在荒漠稀疏植被生态研究中的优越性, 而且为塔河流域河岸林生态系统研究提供了有效的基础数据和技术支撑。
从本文结果来看, 通过CHM单木分割方法, 利用TLS点云数据能够准确的分割出样地内90%以上的胡杨单株, 并有效的获取胡杨TH、DBH、CD、CA等树形参数。影响TLS扫描精度的各种因素中, 扫描站点的布设很重要, 如果测站间的扫描重叠度小于50%, 容易形成扫描盲区, 而不能获取完整的数据。通过分析单木分割中检漏的树木位置发现, 大部分检漏树主要分布在样方边缘, 而且DBH值偏小, 没能完整扫描, 从而产生单木分割误差。在野外测量时, 风速的大小也对扫描精度产生影响, 塔河下游风沙天气较为频发, 所以TLS数据采集时尽量避免风的影响。当风强达到3级时, 树木枝叶轻微摆动, 不能获取有效的数据。因此本研究中, TLS野外扫描工作基本上在风速低于3.3 m/s的时间段进行的, 故数据精度基本上没有受到风的影响。林分密度对TLS单木分割精度的影响较小, 由于长期受干旱缺水的影响, 塔河下游的胡杨基本上以单株线性随机分布格局为主, 且种群分布比较稀疏[30]。Hopkinson等研究表明, TLS的单木分割功能更适合于单层的、树冠间很少有重叠的稀疏林[31]。
TLS获取的单木参数与实测值之间的拟合度较高, 从高分辨率点云数据中能够较准确的获取TH值；大部分胡杨树干横切面接近于圆形, 因此Hough变换拟合点云形成的圆直径值与实测DBH值基本吻合, 其差异较小。但是, TLS获取的和实测的CD值拟合度相对较低, 主要原因是部分胡杨树冠相互交叠, 难以准确分开冠幅；除此之外, 传统人工实测方法中也容易产生误差。通过胡杨各参数进行统计分析可知, TH与CD之间存在相关性关系[32], 基于此构建的关系模型相对于其他同类算法更好地预测TH值。胡杨DBH与年龄有明显的正相关性[33], 通过对DBH值进行龄级划分得知, 近熟林和成熟林所占的比列最大, 表明研究区胡杨种群生长与更新良好。
TLS技术能够精细构建胡杨高密度三维点云结构, 但是原始点云数据冗余大, 需要进行精简处理[34]。不同的预处理方法会影响数据处理速度和单木分割效果。除此之外, TLS较适合样方尺度的森林植被监测, 在整个流域大尺度森林监测中还是有一定的局限性。因此在后续的研究中, 应考虑TLS与机载激光雷达(ALS)融合使用, 从而获取大尺度、高精度的荒漠河岸林结构参数。
4 结论(1) 利用地面激光扫描仪(TLS)对塔河下游阿拉干断面离河道不同距离的8个胡杨林样方进行监测, 获取了胡杨单木株数和树形结构参数。通过实测统计的胡杨株数对比可知, TLS点云数据比UAV低空影像更准确的获取单木株数信息。TLS能够高精度的获取胡杨TH、DBH、CD、CA等结构参数, 通过其与地面实测数据的对比验证, 拟合精度较高, 分别达到95%, 97%, 77%和84%。
(2) 单木结构参数之间的相关性分析结果表明, TH与CD、CA之间有显著相关性。在此基础上, 构建的TH与CD关系模型为TH=2.6274×CD0.706, 预测结果拟合度R2为0.61。
(3) 随离河道距离的增加, 地下水位的下降, 单位面积林分密度逐渐减少。不同地下水埋深条件下胡杨树形参数之间有差异, 地下水埋深在4—6 m的区域, TH、DBH、CD平均值相对较高。
(4) 研究区胡杨种群径级划分结果可知, DBH在15—30 cm的近熟林最多, 约占总胡杨数的一半。胡杨种群发展趋势稳定, 人工输水工程的生态效益逐步呈现。
(5) 激光雷达能够客观反映胡杨林树形结构参数, 可替代耗力、耗费、耗时的传统手测方法, 为时时掌握胡杨林生长发育、长势动态变化以及多尺度、多时相生态耗水研究提供高精度信息, 为干旱区荒漠河岸林的有效保护与可持续管理提供科学依据。
致谢: 新疆国土资源信息中心借用激光雷达仪器设备, 中测瑞格测量技术新疆分公司魏万海先生在数据处理方面给予指导, 新疆畜牧科学院工程咨询中心艾力亚·艾尼瓦尔、新疆大学资源与环境科学学院研究生买吾拉夏·木巴热克、巴比尔江·迪力夏提在野外工作中给予帮助, 特此致谢。| [1] | |
| [2] |
赵正帅, 郑亚琼, 梁继业, 韩占江, 李志军. 塔里木河流域胡杨和灰叶胡杨克隆分株空间分布格局. 应用生态学报, 2016, 27(2): 403-411. |
| [3] |
新疆维吾尔自治区人民政府, 中华人民共和国水利部. 塔里木河流域近期综合治理规划报告. 北京: 中国水利水电出版社, 2002.
|
| [4] |
阿依加马力·克然木, 玉米提·哈力克, 塔依尔江·艾山, 买尔当·克依木, 祖皮艳木·买买提, 艾力亚尔·艾尼瓦尔. 流域水文变化对胡杨荒漠河岸林林窗及形成木特征的影响. 生态学报, 2019, 39(17): 6322-6331. |
| [5] |
邓铭江, 杨鹏年, 周海鹰, 徐海量. 塔里木河下游水量转化特征及其生态输水策略. 干旱区研究, 2017, 34(4): 717-726. |
| [6] |
杨轶. 水生态文明描绘人水和谐美丽画卷. 中国水利, 2019(19): 72-73. |
| [7] |
徐海量, 樊自立, 杨鹏年, 玉米提·哈力克, 艾力西尔·库尔班, 阿不都米吉提·阿不力克, 凌红波, 赵新风, 张鹏. 塔里木河近期治理评估及对编制流域综合规划的建议. 干旱区研究, 2016, 33(2): 223-229. |
| [8] |
马晓东, 钟小莉, 桑钰. 干旱胁迫下胡杨实生幼苗氮素吸收分配与利用. 生态学报, 2018, 38(20): 7508-7519. |
| [9] |
徐梦辰, 陈永金, 刘加珍, 王丹, 刘亚琦. 塔里木河中游水文影响下的胡杨种群格局动态. 生态学报, 2016, 36(9): 2646-2655. |
| [10] |
韩路, 王海珍, 牛建龙, 王家强, 柳维扬. 荒漠河岸林胡杨群落特征对地下水位梯度的响应. 生态学报, 2017, 37(20): 6836-6846. |
| [11] |
周莹莹, 陈亚宁, 朱成刚, 陈亚鹏, 陈晓林. 塔里木河下游胡杨(Populus euphratica)种群结构. 中国沙漠, 2018, 38(2): 315-323. |
| [12] |
黄文娟, 李志军, 杨赵平, 梁继业, 白冠章. 胡杨异形叶结构型性状及其与胸径关系. 生态学杂志, 2010, 29(12): 2347-2352. |
| [13] |
热孜也木·阿布力孜, 玉米提·哈力克, 塔依尔江·艾山, 祖皮艳木·买买提, 热依拉·木民. 塔里木河下游胡杨叶片性状特征及其对水分胁迫的响应. 东北林业大学学报, 2019, 47(5): 46-51. |
| [14] |
高冠龙, 冯起, 张小由, 鱼腾飞. 黑河下游影响荒漠河岸胡杨林蒸腾的冠层与大气耦合分析. 高原气象, 2018, 37(1): 234-239. |
| [15] |
Keyimu M, Halik Ü, Kurban A. Estimation of water consumption of riparian forest in the lower reaches of Tarim River, northwest China. Environmental Earth Sciences, 2017, 76(16): 547. |
| [16] |
苏阳, 祁元, 王建华, 徐菲楠, 张金龙. 基于LiDAR数据的额济纳绿洲胡杨(Populus euphratica)河岸林植被覆盖分类与植被结构参数提取. 中国沙漠, 2017, 37(4): 689-697. |
| [17] |
何兴元, 任春颖, 陈琳, 王宗明, 郑海峰. 森林生态系统遥感监测技术研究进展. 地理科学, 2018, 38(7): 997-1011. |
| [18] |
郭庆华, 苏艳军, 胡天宇, 刘瑾. 激光雷达森林生态应用——理论、方法及实例. 北京: 高等教育出版社, 2018.
|
| [19] |
Liang X L, Kankare V, Hyyppä J, Wang Y S, Kukko A, Haggren H, Yu X W, Kaartinen H, Jaakkola A, Guan F Y, Holopainen M, Vastaranta M. Terrestrial laser scanning in forest inventories. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 115: 63-77. |
| [20] |
Ma Q, Su Y J, Tao S L, Guo Q H. Quantifying individual tree growth and tree competition using bi-temporal airborne laser scanning data:a case study in the Sierra Nevada Mountains, California. International Journal of Digital Earth, 2018, 11(5): 485-503. |
| [21] |
Li W K, Guo Q H, Jakubowski M K, Kelly M. A new method for segmenting individual trees from the LiDAR point cloud. Photogrammetric Engineering & Remote Sensing, 2012, 78(1): 75-84. |
| [22] |
郭庆华, 刘瑾, 陶胜利, 薛宝林, 李乐, 徐光彩, 李文楷, 吴芳芳, 李玉美, 陈琳海, 庞树鑫. 激光雷达在森林生态系统监测模拟中的应用现状与展望. 科学通报, 2014, 59(6): 459-478. |
| [23] |
Huang Y M, Hou S L, Ling H B, Xu H L. Trunk volume prediction of individual Populus euphratica trees based on point clouds analysis. Ecological Indicators, 2018, 95: 964-971. |
| [24] |
Véga C, Vepakomma U, Morel J, Bader J L, Rajashekar G, Jha C S, Ferêt J, Proisy C, Pélissier R, Dadhwal V K. Aboveground-biomass estimation of a complex tropical forest in India using LiDAR. Remote Sensing, 2015, 7(8): 10607-10625. |
| [25] |
Li M Q, Im J, Quackenbush L J, Liu T. Forest biomass and carbon stock quantification using airborne LiDAR data:a case study over Huntington Wildlife Forest in the Adirondack Park. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(7): 3143-3156. |
| [26] |
刘峰, 谭畅, 王红, 龙江平. 基于LiDAR的亚热带次生林林窗对幼树更新影响分析. 农业机械学报, 2017, 48(3): 198-204. |
| [27] |
Li Y M, Guo Q H, Su Y J, Tao S L, Zhao K G, Xu G C. Retrieving the gap fraction, element clumping index, and leaf area index of individual trees using single-scan data from a terrestrial laser scanner. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 308-316. |
| [28] |
Halik Ü, Aishan T, Betz F, Kurban A, Rouzi A. Effectiveness and challenges of ecological engineering for desert riparian forest restoration along China's largest inland river. Ecological Engineering, 2019, 127: 11-22. |
| [29] |
Keyimu M, Halik Ü, Betz F, Dulamsuren C. Vitality variation and population structure of a riparian forest in the lower reaches of the Tarim River, NW China. Journal of Forestry Research, 2018, 29(3): 749-760. |
| [30] |
王希义, 彭淑贞, 徐海量, 凌红波, 岳俊生. 基于生物量的塔里木河下游胡杨(Populus euphratica)生态服务价值评估. 生态学报, 2019, 39(4): 1441-1451. |
| [31] |
Hopkinson C, Lovell J, Chasmer L, Jupp D, Kljun N, van Gorsel E. Integrating terrestrial and airborne LiDAR to calibrate a 3D canopy model of effective leaf area index. Remote Sensing of Environment, 2013, 136: 301-314. |
| [32] |
Aishan T, Halik Ü, Betz F, Gärtner P, Cyffka B. Modeling height-diameter relationship for Populus euphratica in the Tarim riparian forest ecosystem, Northwest China. Journal of Forestry Research, 2016, 27(4): 889-900. |
| [33] |
买尔当·克依木, 玉米提·哈力克, Betz F, 古力比亚·乌买尔, 古丽卡玛尔·迪力木拉提. 输水影响下胡杨胸径生长量时空变化. 森林与环境学报, 2016, 36(2): 148-154. |
| [34] |
李增元, 刘清旺, 庞勇. 激光雷达森林参数反演研究进展. 遥感学报, 2016, 20(5): 1138-1150. |