在四个实验森林中,Lidar衍生的结构复杂性数据

科学领域:

• 生态学和生态系统科学 生态学和生态系统科学
• 森林和野地火灾管理 森林和野地火灾管理
• 地理空间分析和遥感技术

背景情况:

• 生态系统的结构复杂性,包括生物和非生物元素,影响关键功能,如光传导,息地供应和生物多样性.
• 准确地描述森林结构对于预测生态系统对野火等干扰的适应性和增强野火行为模型至关重要.
• QUIC-Fire模型整合了森林结构复杂度指标,用于实时预测火灾蔓延,但其性能依赖于高质量的本地化数据输入.

研究的目的:

• 开发和提供全面的,高质量的数据产品,量化多个美国农业部森林服务实验森林的森林结构复杂性.
• 建立林业,野火,水文,土壤科学和文化资源领域跨学科研究的基础.
• 通过提供基本的结构数据,提高先进的野火模型的可用性和适应性.

主要方法:

• 在叶落季节使用空中激光扫描 (ALS) 来捕获详细的点云数据,最大限度地减少叶子干扰.
• 激光雷达数据经过严格的处理,包括异常点检测,过,地面/非地面分类,以及地形和森林结构指标的计算.
• 获得了像素级和树级的指标,包括DEM,斜率,侧面,树冠高度,叶子高度多样性 (FHD) 和个体树检测 (ITD) 的指标.

主要成果:

• 创建了一套像素级的地形数据产品 (DEM,斜率,角度,TPI,TRI,粗度,流动方向).
• 计算了广泛的森林结构复杂度指标,包括树冠高度,FHD,垂直分布比 (VDR),树冠粗度和树冠覆盖.
• 从单个树段 (ITS) 和ITD算法创建了协调的树级数据产品,并使其公开可访问.

结论:

• 开发的激光雷达衍生数据产品提供关键的,高分辨率的森林结构和地形信息.
• 这些公开可访问的数据集有助于改进野火建模,并支持跨不同科学学科的合作研究.
• 数据产品提高了南方研究站焦点区域内有效生态系统管理和弹性评估的能力.