森林资源调查与监测是国家森林资源管理与经营的数据支撑和重要依据,而测树仪器与测树方法是决定森林资源调查工作效率和数据质量的重要因素。目前现有测树仪器数据采集方式落后、成本高、内外业工作量大,而传统人工地面调查方法耗时费力,调查效率低,难以适应现代林业发展的要求。随着技术的进步,尤其是摄影测量技术、激光雷达扫描技术、遥感技术、无人机技术的快速发展,越来越多的林业工作者针对如何利用先进的技术方法快速高效获取森林资源调查信息进行了研究。本文根据森林资源调查和森林计测的不同需求,从地面、无人机、遥感卫星三种尺度应用多种平台设备获取不同数据源,从而对测树因子的科学提取展开研究。本文尝试改进传统森林资源调查信息获取技术,旨在为森林资源调查数据获取提供新途径,提高森林资源调查效率,降低调查成本,从而为实现森林资源调查的数字化、自动化、智能化、一体化提供理论基础和技术支撑。文章主要研究内容及结论归纳如下:(1)地面影像与激光雷达测树因子提取利用单片解算原理自主研发了单片激光摄影测树仪,实现了胸径、树高、林分结构参数的测定,经实验验证,胸径、树高测量平均绝对误差(Mean Absolute Error,MAE)分别为0.6cm和0.37m,精度分别为97.45%和97.18%,角尺度、大小比数测量精度分别为97.50%、97.14%,混交度测量结果与传统方法相同。利用CCD超站仪单像片解算和多像片拼接方法,实现了胸径、树高和材积的测定,并详细验证了影响仪器测量精度的因素,分别从仪器系统误差、距离和倾角、摄影模式等方面进行了验证和分析。经实验验证,利用本文使用型号的CCD超站仪进行树高和材积测量的精度分别为98.41%和98.01%,最优观测距离为15m,最优观测角度为0°。经过实验及分析,得出CCD超站仪进行立木材积测定的规则,即,在条件允许的情况下,应优先考虑增加观测距离,其次为调整观测角度,最后为增加像片数量。设计了一种3D地面标识球,提出了一种利用智能手机“环形摄影”进行森林样地任意连续摄影观测的方案,实现平坦林区的三维场景还原,进而能够提取林木的胸径、坐标位置。经分别对不同“环形”半径的单圈模式和组合模式的还原效果进行分析,认为采用半径为12m/8m的多路径组合方式为优选方案。经实验验证,实现了样地内树木位置还原,胸径测量平均绝对误差(MAE)为1.96cm,精度为90.27%。利用地基二维激光雷达扫描原理和即时定位与地图构建(SLAM)技术设计了一种低成本手持式二维激光雷达扫描测树仪,通过连续移动测量模式实现了林木树心坐标和株数密度测定,通过单站固定测量模式实现了林木胸径测定。经实验验证,测量林木坐标点位误差稳定小于5cm,胸径测量平均绝对误差(MAE)为1.06cm,精度为 96.20%。(2)无人机影像与激光雷达点云测树因子提取以黑龙江省苇河林业局万山林场和新兴林场为试验区,分别利用搭载普通数码相机和激光雷达传感器的多旋翼无人机系统进行航飞实验,获取研究区域的无人机高重叠率像片(航向重叠率为80%,旁向重叠率为60%)与高密度激光雷达点云(>50点/m2)。使用无人机激光点云实现了小班尺度下单木树高、冠幅、坐标位置等单木因子的提取和郁闭度、林分平均高、株数密度、叶面积指数、蓄积量等林分因子的提取。采用LiDAR360软件对激光雷达点云数据预处理,获得数字高程模型(Digital Elevation Model,DEM)、数字表面模型(Digital Surface Model,DSM)和冠层高度模型(Canopy Height Model,CHM)。分别利用基于CHM和基于点云的方法进行单木分割提取树高和冠幅等单木因子,通过对两种方法进行比较分析,两种方法单木分割正确率基本相当,基于CHM分割方法精度(低郁闭度针叶林平均F得分为0.94,中高郁闭度针叶林平均F得分为0.76,中高郁闭度阔叶林平均F得分为0.57)略优于基于点云分割方法(低郁闭度针叶林平均F得分为0.90,中高郁闭度针叶林平均F得分为0.70,中高郁闭度阔叶林平均F得分为0.55);基于点云方法提取树高平均精度(95.38%)和冠幅平均精度(74.09%)优于基于CHM方法提取树高平均精度(90.42%)和提取冠幅平均精度(68.01%)。基于CHM利用高度阈值法提取样地树冠总面积,使用面积比值法提取样地林分郁闭度,基于点云提取点云高度、密度和强度的统计变量,并由高度变量建模获取林分平均高,利用基于比尔-朗伯定律方法提取叶面积指数,最后以点云高度、密度、强度统计变量、郁闭度和叶面积指数为自变量,利用多元线性逐步回归方法建立与蓄积量的回归关系,得到无人机激光雷达点云蓄积量最优估测模型为 lnM=0.4901nLAI+1.2261nh30+1.296,模型 R2为 0.84,RMSE 为 16.78m3/ha,rRMSE为 11.39%。使用无人机影像实现了小班尺度下单木树高、冠幅、坐标位置等单木因子的提取和郁闭度、株数密度、林分平均冠幅、林分平均高、蓄积量等林分因子的提取。利用高重叠率像片通过特征点提取、匹配和点云加密生成SfM密集点云,进而获得DOM、DSM、DEM和CHM。利用面向对象多尺度分割方法结合DOM与CHM进行单木分割,提取树高和冠幅。通过SfM点云与部分LiDAR地面点云结合生成的CHM提取林分郁闭度、林分平均高、林分平均冠幅,进而以样地平均CHM和郁闭度CC为自变量,建立林分平均高的非线性模型H=2.521CHM0.646CC-0.997,模型R2为0.722,RMSE为1.497m。最后,以林分平均高、平均冠幅、郁闭度、林分平均CHM为自变量,利用建立无人机影像蓄积量反演模型M=0.277H2629 C-0.423CC1.655,模型R2为0.737,RMSE 为 21.72m3/ha。(3)Landsat-8遥感影像反演蓄积量以无人机载LiDAR估测的蓄积量LiM为样本,结合Landsat-8遥感数据进行林场尺度的蓄积量反演。分别使用传统的多元线性逐步回归方法与随机森林和量子粒子群优化最小二乘支持向量机2种机器学习方法建立Landsat-8 OLI提取的特征变量与蓄积量LiM的外推反演模型。经实验验证,机器学习方法反演精度优于传统多元线性回归方法,最优森林蓄积量外推反演模型为随机森林,经检验样本验证得到随机森林模型的R2为0.75,RMSE为29.39m3/ha。以随机森林方法估测新兴林场蓄积量,并制作蓄积量分布图。本文针对三种不同尺度,应用多种平台设备获取不同数据源,实现测树因子的提取展开研究,对森林资源管理与经营具有较大现实意义。本文提出的主要技术方法对提高当前我国森林资源调查与监测技术水平、降低野外劳动强度和生产成本具有重要意义,对满足不同尺度、不同精度和不同成本预算的森林资源调查需求,实现森林资源调查信息的快速、高效获取或更新具有指导和借鉴意义。