作品编号：D959（二等奖）
作品名称：基于LiDAR和资源三号数据的广西高峰林场森林资源三维动态监测
作者单位：福建师范大学地理科学学院
小组成员：王若琦，康晓莹，许媛媛
指导老师：陈耀亮，陆灯盛
图1 研究区域
图2 作品制作流程图
3.1 数据预处理
图3 数据预处理——ZY-3 MUX 多光谱数据预处理
3.2基于资源三号ZY-3高分辨率多光谱数据的林地机器学习分类及动态变化
3.3 联合资源三号ZY-3立体像对和LiDAR数据的树高提取
3.4 林地森林资源的三维动态变化分析
4.1训练样本优化
4.2.特征变量的提取
表1 研究所用植被指数
植被指数
公式
归一化差值植被指数 (NDVI)
(NIR-Red)/(NIR+Red)
归一化差值水体指数 (NDWI)
(Green-NIR)/(Green+NIR)
归一化差值红外指数 (NDII)
(NIR-SWIR)/(NIR+SWIR)
MERIS陆地叶绿素指数(MTCI)
(NIR-VRG1)/(VRG1-Red)
红边归一化植被指数1(NDRE1)
(VRG2-VRG1)/(VRG2+VRG1)
红边归一化植被指数2(NDRE2)
(VRG3-VRG1)/(VRG3+VRG1)
4.3 基于R语言的变量筛选
表2 筛选之后的分类特征变量
变量类型
具体特征
植被指数
RVI
光谱变量
B1-B4
地形变量
海拔、坡度、坡向
纹理变量
XB4Me, TXB2Hom, TXB3Sec,TXB1Cor, TXB4Cor
（注释：TX:基于光谱的纹理变量；B1-B4分别是蓝绿红近红外4个波段；Cor:相关性，Ent:信息熵，Hom:同质性，Dis:异质性，Std:标准差，Me:平均值，Sec:二阶矩，Con:对比度；纹理变量后的数字代表窗口大小）
图4 筛选变量Boruta算法
图5 变量重要性排序图
4.3 基于机器学习的随机森林分类算法
图6 2016年随机森林分类结果图
图7 2016年随机森林分类结果图
4.4基于ZY-3数据DSM提取
图8 2016、2018年DSM提取结果
4.5 联合LiDAR和ZY-3立体成像数据的树高提取
图9 2016年、2018年的树高提取平面图
图10 2016年、2018年的树高提取3D立体图
4.6 森林资源的三维动态监测
4.6.1水平结构的土地覆盖类型变化
图11 Change detection statistics结果图
4.6.2垂直结构的树高动态变化
图12 2016-2018年树高变化图（上为原图，下为密度分割后图）
图13 2016-2018年DSM差值变化统计图
4.6.3 桉树树高的分析
图14 2016-2018年林场桉树树高变化
（1）为进一步分析桉树树高增加和减少的具体情况，在ENVI中利用band math工具，分别将树高增加部分和减少部分提取出来，结果如下图所示。
图15 Band Math提取桉树树高增高、减少部分图
（2）对桉树树高增加和减少部分进行统计分析，得到以下结果。
表3 2016-2018年桉树树高变化像元数统计
表4 2016－2018年桉树树高增加值统计表
统计结果表明，从2016-2018年，桉树砍伐面积占桉树总面积的1/3左右。根据桉树树高变化统计数据，综合考虑其占比极低及实际情况等，将2016-2018年期间树高增加值大于30m的视为存在误差或错误的数据，经过计算，从2016-2018年，桉树树高增加部分树高平均增加值为7.43m。
4.6.4 八角树高分析
（1）将小班数据中的八角提取出来，另存为矢量文件，并用该矢量数据对2018DSM-2016DSM的结果进行裁切，得到2016-2018年期间八角树高变化的数据，结果如下图所示。
图16 2016-2018年林场八角树高变化
（2）为进一步分析八角树高增加和减少的具体情况，在ENVI中利用band math工具，分别将树高增加部分和减少部分提取出来，结果如下图所示。