遥感技术与应用, 2021, 36(2): 420-430 doi: 10.11873/j.issn.1004-0323.2021.2.0420

数据与图像处理

数字表面模型（DSM）参数指示林窗特征的有效性研究

赵亮,1, 刘宇,1,2, 罗勇1,3

1.中国科学院地理科学与资源研究所，生态系统网络观测与模拟重点实验室，北京 100101

2.中国科学院大学，北京 100049

3.成都理工大学地球科学学院，四川 成都 610059

The Efficiency of Parameters Derived from the Digital Surface Model (DSM) in Indicating the Forest Gap Features

Zhao Liang,1, Liu Yu,1,2, Luo Yong1,3

1.Key Laboratory of Ecosystem Observation and Modelling, Institute of Geographical Sciences and Natural Resource Research, Chinese Academy of Sciences, Beijing 100101, China

2.University of Chinese Academy of Sciences，Beijing 100049，China

3.College of Earth Sciences College，Chengdu University of Technology，Chengdu 610059，China

通讯作者: 刘宇（1981-），男，贵州六盘水人，博士，副研究员，主要从事景观生态学、生态遥感和生态系统评估研究。Email: liuyu@igsnrr.ac.cn

收稿日期: 2019-12-04   修回日期: 2021-02-25   网络出版日期: 2021-05-24

基金资助: 中国科学院大科学培育专项项目“全球干旱区生态系统大科学计划”.  121311KYSB20170004

Received: 2019-12-04   Revised: 2021-02-25   Online: 2021-05-24

作者简介 About authors

赵亮（1991-），男，四川南充人，博士研究生，主要从事生态环境遥感研究Email:zhaoliangcdut@163.com , E-mail：zhaoliangcdut@163.com

摘要

林窗的空间格局不仅对林下物种多样性有重要作用，而且也是量化不同林型结构特征的重要指标。近年来，灵活便捷的小型无人机航拍技术的快速发展为获取高分辨率的森林冠层三维结构信息提供了可低成本获取的途径。利用航拍影像提取林窗斑块来计算景观指数是描述林窗格局有效的传统方法，但提取细小林窗往往难度大，尤其是在需要处理大量航拍数据时会大大增加时间成本。基于无人机航拍的RGB影像，在三维建模获取的高精度数字表面模型（DSM）的基础上建立森林高差模型（DSMr），进而提出基于高差模型的信息熵（H）、标准差（STD）、偏度系数（SK）、峰度系数（EK）、纹理参数（GLCM，GLDV）来快速反映林窗空间分布格局的方法，并以黄土高原中部恢复较好的天然林和北部人工刺槐林窗数据检验其有效性。研究结果显示：SK、EK、GLCM、GLDV与林窗格局指数有一定的相关性，两类样方DSMr的SK和EK均与边界密度（ED）显著负相关，SK与斑块密度指数（PD）呈现出显著负相关关系，纹理参数均与景观形状指数（LSI）显著正相关。因此，DSMr参数能有效指示林窗的结构和分布格局，为林窗的生态过程与效应研究提供了更加快捷的变量。

关键词： 无人机 ; 三维建模 ; 高精度数字表面模型 ; 林窗 ; 格局指数 ; 相对数字高差模型

Abstract

Spatial pattern of forest gap mitigates the diversity of understory species， and is also an effective structural indicator to quantify the characteristics of forest types. Recently， the rapid development of photography technology combined with flexible and convenient small Unmanned Aerial Vehicle（UAV） provides a low-cost way to obtain high-resolution and 3D structural information of forest canopies. Traditionally， the pattern metrics describing the pattern of the forest gaps was calculated based on the gap mapping by using aerial imagery . However， it is difficult to extract small forest gaps， especially when it is necessary to process a large amount of aerial data， which will greatly increase the time cost. Based on the RGB images acquired from UAV aerial photography， the relative height model （DSMr） was established on the basis of high-resolution Digital Surface Model （DSM） constructed by 3D modeling. We put forward a method that can quickly reflect the spatial distribution pattern of forest gaps based on the parameters including information entropy （H）， standard deviation （STD）， skewness coefficient （SK）， kurtosis coefficient （EK） and texture parameter （GLCM，GLDV） of the DSMr. Then the validity of metrics are tested by using the forest gap data of a well restored natural forest site a in the central Loess Plateau and a forest site shaped by plantations （Robinia pseudoacacia） in the north Loess Plateau. The results showed that the SK， EK， GLCM and GLDV have a positive correlation with the traditional pattern indices of forest gap. Both the SK and EK are significantly negatively correlated with the edge density index （ED）； the SK is negatively correlated with the patch density （PD）. The texture parameters are positively correlated with landscape shape index （LSI）. In summary， DSMr parameters can effectively indicate the structure and distribution pattern of forest gaps， and the quantification of three-dimensional structure of forest gaps provides more readily available variables for researches of forest gaps.

Keywords： UAV ; 3D modeling ; High-precision digital surface model ; Forest gap ; pattern metrics ; Relative height model

PDF (8852KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

赵亮, 刘宇, 罗勇. 数字表面模型（DSM）参数指示林窗特征的有效性研究. 遥感技术与应用[J], 2021, 36(2): 420-430 doi:10.11873/j.issn.1004-0323.2021.2.0420

Zhao Liang, Liu Yu, Luo Yong. The Efficiency of Parameters Derived from the Digital Surface Model (DSM) in Indicating the Forest Gap Features. Remote Sensing Technology and Application[J], 2021, 36(2): 420-430 doi:10.11873/j.issn.1004-0323.2021.2.0420

1 引 言

林窗是森林生态系统中小尺度干扰事件的产物，以及调控森林结构、林下物种多样性、碳收支的生态变量［1-3］，也是促进森林更新、养分循环、水源涵养的重要推动力［4］。林窗的演变经历复杂的冠层动力学模式［1，5-6］，即干扰因素按特定频率和方向驱动林窗周期性地收缩、扩张，直至达到平衡态［7-10］。复杂的演化过程导致林窗的大小、形状、结构以及空间分布具有复杂性和多样性。林窗的形态和空间结构复杂度影响林下植物物种的竞争或促进关系，决定了生物多样性和木本再生［2，11］，目前已有大量研究表明，林窗大小和形状复杂度与林下物种多样性有显著相关关系［11-14］。此外，林窗对森林结构异质性、树种数量动态、树种组成、地表微地形等森林生态特征的形成和变化也具有显著影响［15］。因此，精细的林窗测量对监测森林健康状况、林下物种丰富度及解决生态学问题非常重要。

传统地面林窗测量方法包括树冠垂直投影、半球照片等方法［2，16］。这些方法测量精度低、范围小，无法有效量化林窗的空间分布，且成本高。缺少大范围精确测量林窗特征的便捷和成本低廉的手段限制了林窗的研究［17-18］，导致与林窗大小、频率、空间分布等相关的一系列生态学问题无法解决［1］。虽然冠层塔吊（Canopy crane）观测系统可以长期近距离地观测冠层结构和功能 ［19-20］，但设备价格昂贵，监测范围较小。机载激光雷达能够获取高精度的遥感数据用于识别林窗［1，21］，但成本高昂。

轻量级无人机由于兼具及时和低成本的优点，近年来在生态监测中得到广泛应用。Getzin等［2，11］使用无人机获取高分辨率的影像，通过目视解译识别获取较高分辨率的林窗分布，用于量化冠层空隙的分布格局和评估林下生物多样性。然而人工识别的方法无法消除肉眼的局限和人为误差，且耗费大量人力。隋丹丹等［20］和王悦等［22］利用空隙光学特征，基于监督分类提取鼎湖山森林林窗，但该方法无法消除冠层起伏造成的阴影影响，且分类精度难以保证。此外，小面积林窗是林窗的重要组成［23］，其形状结构和分布格局等都对林下物种丰富度具有积极意义［2，24-25］，而目视解译和监督分类方法很难准确提取小面积林窗。

为此，实验采用基于高精度无人机航拍获得RGB影像进行三维建模，提出基于相对高差模型分布特征参数来量化林窗空间形状结构和分布格局。以黄土高原天然林和人工林样地为测试区，将该方法获得的森林高差特征参数与基于林窗斑块的景观指数进行比较，以检验林高差分布参数反映林窗结构特征的有效性。

2 研究区

实验选择了陕西省富县任家台林区子午岭林场（109°11′E、36°5′N）和安塞区大南沟小流域（109°17′E、36°56′N）两个试验区。两地相距约90 km，地形气温、降水量等差异较小。两地地貌类型均为梁状黄土丘陵沟壑区，土壤类型主要为黄绵土，气候属于暖温带中温带过渡区大陆性半干旱季风气候。

子午岭林场历史时期人类活动频繁，经过近200 a来的自然恢复成为今日的林区景观［26］。子午岭林场海拔920~1 680 m，年均气温9 ℃，年均降雨量576.7 mm。乔木主要为山杨（Populus davidiana）、白桦（Betula platyphylla）、辽东栎（Quercus liaotungensis）等。灌木主要为绒线菊（Spiraca sp.）、酸枣刺（Ziziphus guguba）、狼牙刺（Sophora viciif olia）、虎榛子（Ostryopsis davidiana）等；草本有大披针苔草（Carex lenceolata）、黄菅草（Themeda japonica）、铁杆蒿（Artemisia gmelinii）等；林下草灌多为虎榛子、绒线菊和大披针苔草。

大南沟小流域海拔1 075~1 370 m，年平均气温9 ℃，年均降雨量549 mm，6~9月集中了全年降雨量的75%，且以暴雨居多。流域内垦殖指数高，自然植被破坏殆尽，土地利用类型以农地、果园、林地、灌木地和荒草地为主［27］。该流域是退耕还林还草工程的典型小流域，森林类型主要为人工刺槐林（Robinia pseudoacacia），分布有少量柳树（Salix spp.）、杨树（Populus spp.），灌木以柠条（Caragana microphylla）等本土物种为主。

3 研究方法

3.1　无人机影像采集和三维建模

采用大疆Inspire 1无人机采集影像，采集时间为2017年9月。起飞位置选在区内视野开阔的位置，飞行高度100 m，属于低空拍摄，获取影像不受大气因素干扰。航向重叠设置为90%和旁向重叠率60%，获取的影像具为RGB数字影像。分别获得了任家台700 m×700 m样区192张照片和大南沟样区383张照片，使用Agisoft photoScan 1.2软件处理数据。经过照片对齐（Align Photos）、生成密集点云处理（Build Dense cloud ），生成正射影像图（DOM）和数字表面模型（DSM）。任家台DOM分辨率0.04 m，DSM分辨率0.08 m。大南沟DOM分辨率为0.05 m，DSM分辨率为0.09 m。大南沟和任家台各选取12块林木生长状况较好、地势平缓的网格单元作为分析样方，网格单元的大小为40 m×40 m，各样地DSM和DOM的分布如图1和图2。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   任家台各样方正射影像和数字表面模型

Fig.1   Digital Surface Model and orthographic images of each study plot in Renjiatai


图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   大南沟各样方正射影像和数字表面模型

Fig.2   Digital Surface Model and orthographic images of each study plot in Danangou


3.2　基于分类的森林林窗斑块格局定量

基于类型尺度选择了边界/斑块密度指数、形状指数、聚集度指数3种景观指数描述林窗形态和分布。目视解译大南沟和任家台24块样地的正射影像获取林窗斑块数据。各样地的林窗景观指数采用Fragstats4.2软件计算，选取的景观指数如表1。

表1   选择景观指数及其计算公式

Table 1  Description of selected landscape metrics

指数类型指数名称计算公式

边界/斑块密度指数

Edge/patch density

斑块面积比（PLAND）

PLAND=Ai/A

Ai为景观类型i的总面积，A为景观面积(m2 )

边界密度(ED)

ED=(E/A)×100

E为景观中或景观类型边界总长度(m)；A 为整个景观面积(m2 )

斑块密度（PD）

PD=N/A

N为景观类型的斑块数量，A为景观总面积

形状指数

Shape indices

邻近指数（CONTIG）

CONTIG=[(∑r=1nCijr)aij-1]/(V-1)

Cijr为景观类型i中斑块j的像元r的邻接值；aij为斑块ij的面积；V是3×3窗口内全部栅格邻接值之和；窗口中心和对角线上邻接栅格赋值1，与其上下左右相邻的栅格赋值为2

景观形状指数（LSI）

LSI=0.25E/A

E为景观中或景观类型边界总长度(m)；A 为整个景观面积(m2 )

聚集度指数

Aggregation indices

欧式最近邻距离（ENN）

ENN=∑i=1m∑j=1nhijN

hij为从斑块ij到它最近同类斑块之间的距离，N为斑块数量

聚集度指数（AI）

AI=2Inn+∑i=1n∑j=1nPijIn(Pij)

N为斑块数量，pij为斑块类型i第j个斑块的周长(m)

新窗口打开| 下载CSV


3.3　数字表面高差模型特征量化

DSM反映森林冠层表面分布状况，然而地形起伏对冠层表面模型产生干扰，无法有效量化森林表层特征。为了消除地形干扰，对DSM进行如下处理：对DSM计算5 m×5 m邻域的最大值，所得邻域最大值（DSMc）与原始DSM相减得到相对高差（DSMr）数据，对每块样的DSMr进行标准化处理，计算各样地DSMr的分布参数。选择纹理（GLCM，GLDV）、信息熵（H）、偏度峰度（SK，EK）和标准差（STD）作为量化DSMr的分布参数。

空间上DN值的反复出现表现为纹理特征。采用灰度共生矩阵（GLCM，Gray Level Co-occurrence Matrix）、灰度差分矢量（GLDV，Gray Level Difference Vector）两种纹理提取算法计算DSMr的纹理。GLCM表示在给定窗口范围内根据设定的间隔和方向统计相邻灰度出现的频数。GLDV基本思路来源于GLCM，它描述的是在给定窗口范围内相邻灰度值的绝对差值的概率分布［28］。

信息熵（H）由美国数学家Shannon于1948年提出，定义为离散随机事件出现的概率，用来测度系统的复杂性和均衡性［29］。系统越有序，H越低；反之，系统越混乱，H就越高。H公式定义如下：

H=∑inPilogPi

其中：H为信息熵，将DSMr的值从小到大等间距分为50段，Pi为第i段高差的所占的频率。

偏度系数（SK）是体现分布对称、偏离程度的指标，SK为正值表示左偏，SK为负值表示右偏，SK的绝对值越大则偏离程度越大。峰度系数（EK）是体现离散程度，曲线陡峭程度的指标，EK为正值表示高差分布较集中，为尖峰态，EK为负值表示高差分布较分散，为低峰态。SK、EK计算公式如下：

SK=EX-μ3σ3
EK=EX-μ4σ4

其中：X为样本DSMr每个单元格的值，μ为X的均值，σ为X的标准差。

DSM最大邻域采用ArcGIS10.6软件的邻域分析工具计算。GLCM、GLDV由eCognition8.7软件的纹理特征工具计算，将DSMr按样地边界分割，然后把计算每块样的灰度共生矩阵的信息熵（GLCM__Entropy）、灰度差分矢量的信息熵（GLCM__Entropy）。各块样地DSMr的H、SK、EK和STD由MATLAB R2014a软件编写脚本语言计算。

3.4　数据统计分析

对任家台天然林、大南沟人工林林窗的景观指数与DSMr的分布参数进行相关性分析，验证DSMr的分布参数反映林窗特征的有效性。将DSMr分布参数与景观指数应的相关关系作为其有效性的测度。选择H、STD、SK、EK来衡量DSMr值分布的参数，H、STD主要描述DSMr值的差异性特征，SK、EK主要描述DSMr值分布的聚散性特征，林窗的边界/斑块密度指数主要度量林窗的面积、边长、数量的特征。因此实验中主要考虑H、STD、SK、EK与边界/斑块密度指数的相关关系。GLCM、GLDV用于度量DSMr的空间分布特征，因此选择GLCM、GLDV与LSI和AI进行相关分析。

4 结果分析

4.1　林窗空间分布格局

任家台和大南沟各样地林窗空间分布如图3所示。各样地林窗分布均匀且无明显的聚集特征，近似随机分布，但样地间林窗的形状和大小有明显差异。两样地林窗均以小林窗为主（图4），任家台和大南沟面积小于2 m2的林窗数量分别达林窗总数的57.87%、58.45%。任家台林窗总面积和林窗斑块平均面积均略大于大南沟，两地林窗总面积分别占样地总面积的6.62%和5.74%，斑块平均面积分别为3.08 m2和2.66 m2。由图4可看出任家台和大南沟的林窗以8 m2为界线：当林窗面积小于8 m2时，随面积增加两地林窗累积面积基本一致；当林窗面积大于8 m2时，随面积增加任家台林窗累积面积大于大南沟。因此，任家台和大南沟的林窗分布格局具有差异，量化林窗格局特征还应综合考虑两地的情况。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   任家台天然林样地（1~12）、大南沟人工林样各样方（13~24）林窗

Fig.3   Spatial distribution of forest gaps of plots in Renjiatai (1~12) and Danangou (13~24)


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   林窗面积、数量频率分布图

Fig.4   Forest gaps area, quantity frequency distribution


4.2　高差模型信息熵、标准差与林窗格局的相关关系

任家台和大南沟的信息熵（H）、标准差（STD）与边界/斑块密度指数的相关关系如图5所示。两地的H、STD与PLAND、PD相关关系均不显著，H和STD与ED仅在任家台林场显著正相关。因此，H和STD不能有效指示林窗的边界/斑块密度指数。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   H、STD与边界/斑块密度指数的相关关系

Fig.5   Correlation between information entropy, standard deviation and edge/patch density indices


4.3　高差分布偏度、峰度与林窗格局的相关关系

任家台和大南沟的DSMr均为右偏（SK>0），峰度均呈尖峰态（EK>0），SK和EK与各边界/斑块密度指数的相关关系具有较好的一致性（图6）。SK和EK与两地的ED均有显著（p<0.01）负相关关系，即SK与EK在两地均能用于指示林窗的ED。两地的SK均与PD指数显著负相关关系，而EK仅与大南沟样地的PD显著负相关，因此仅有SK能有效指示两地PD。两地的SK、EK与林窗的PLAND相关关系均较差，仅有EK与任家台的PLAND相关性显著，因此SK和EK不能用于指示林窗的PLAND。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   SK、EK与边界/斑块密度指数的相关关系

Fig.6   Correlation between skewness coefficient, kurtosis coefficient and edge/patch density indices


SK和EK越大表示DSMr的小值数量越多且集中程度越高，而较大的值分布越稀疏。DSMr的高值主要源于林窗区域，因此SK和EK与林窗的面积、边界、数量为负相关关系。边界/斑块密度指数PLAND、ED、PD分别代表林窗的面积、边界、数量特征，因此SK和EK与边界/斑块密度指数的相关性符号符合SK和EK的特征。

4.4　高差模型纹理与林窗格局的相关性

纹理参数与形状指数的相关关系如图7，任家台和大南沟的GLCM、GLDV与LSI均显著正相关，任家台的GLCM、GLDV与ENN显著负相关，但大南沟的GLCM、GLDV与ENN均无显著相关关系。表明GLCM、GLDV在任家台和大南沟均能有效指示LSI。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   纹理参数与形状指数相关关系

Fig.7   Correlation between texture parameters and shape indices


纹理参数与聚集度指数的相关关系如图8，任家台的GLCM、GLDV与ENN和AI均显著负相关，大南沟GLCM、GLDV与ENN和AI的相关关系均不显著。因此，GLCM、GLDV指示ENN和AI不具有普遍有效性，GLCM、GLDV不能用于指示ENN和AI。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   纹理参数与聚集度指数相关关系

Fig.8   Correlation between texture parameters and Aggregation indices


5 讨 论

林窗作为林冠动力学各阶段的镶嵌体［1］，其形态结构对森林及林下植被发育状况具有重要的指示作用［2，11］。林窗的三维结构是林窗长期发育形成的形态特征，对林下物质能量的交换至关重要［7，30］。传统的表达方式仅刻画了林窗的二维平面特征，制约了林窗表达林下生物发育状况及森林健康状况的效果。DSM表达了林窗和林冠三维空间形态结构［31-34］，H、STD、SK、EK、GLCM、GLDV等参数被广泛应用于表征DSM/DEM的空间三维特征［35-37］。实验DSMr的SK、EK、GLCM、GLDV与部分林窗景观指数存在显著相关关系，表明这些参数用来指示林窗的结构和分布格局有效。

任家台林场是长时间发育形成的天然林，大南沟林地是近年来营造的人工林。天然林兼具物种丰富度高、结构稳定、人为干扰小等特点，而人工林往往林相单一、结构简单、生物多样性较低、抗逆性较差、自然和人为干扰剧烈［38］。由于两地森林的发育的方向和时间迥异，导致林窗的空间分布和形态结构产生差异，因此本研究采用两地的DSMr参数指示林窗格局更可靠。

林窗的大小、形状、分布频率对林窗内植物的更新及多样性的维持具有重要意义［14，24］。林窗内有效资源可利用性影响林下生物的更新［24-25，39］，林窗的形状复杂度与林下物种多样性也有显著的相关性［11-14］。实验中两样地的纹理参数均与LSI显著负相关，SK和EK与ED显著正相关，SK和PD显著正相关。因此，纹理参数、SK、EK均能有效指示林窗的分布与结构。

实验验证了DSMr参数指示林窗格局的有效性，但仍有许多问题需要进一步深入探索。由于三维的林窗景观指数应用较少，在此仍采用二维林窗景观指数来指示DSMr参数，这可能限制了DSMr参数指示林窗的表达效果。因此，在今后的相关研究中需要进一步发展量化林窗的DSMr参数，并与林下生物多样性、小气候等相结合定量研究林窗的生态效应。

6 结 论

研究发现SK、EK、纹理因子对林窗的景观指数有积极的指示作用，任家台和大南沟样地的SK和EK均与ED显著负相关，SK均与PD指数显著负相关关系，纹理参数均与LSI显著正相关。因此，DSMr参数能有效指示林窗的结构和分布特征。林窗三维结构的量化为林窗的生态过程及效应的研究提供了更加丰富的变量。

参考文献

Boyd D S， Hill R A， Hopkinson C， et al.

Landscape-scale Forest Disturbance Regimes in Southern Peruvian Amazonia

［J］. Ecological Applications， 2013， 23（7）： 1588-1602. doi：10.1890/12-0371.1.

[本文引用: 5]

Getzin S， Nuske R S， Wiegand K.

Using Unmanned Aerial Vehicles （UAV） to Quantify Spatial Gap Patterns in Forests

［J］. Remote Sensing， 2014， 6（8）： 6988-7004. doi：10.3390/rs6086988.

[本文引用: 5]

An Shuqing， Hong Bigong， Li Chaoyang， et al.

Environmental and Vegetation Studies of the Gaps of Secondary Forests on Zijin Mountain

［J］. Chinese Journal of Applied Ecology， 1997， 8（3）： 245-249.

[本文引用: 1]

安树青， 洪必恭， 李朝阳， 等.

紫金山次生林林窗植被和环境的研究

［J］. 应用生态学报， 1997， 8（3）： 245-249.

[本文引用: 1]

Guan Yuyu， Fei Fei， Guan Qingwei， et al.

Advances in Studies of Forest Gap Ecology

［J］. Scientia Silvae Sinicae， 2016， 52（4）： 91-99.

[本文引用: 1]

管云云， 费菲， 关庆伟， 等.

林窗生态学研究进展

［J］. 林业科学， 2016， 52（4）： 91-99.

[本文引用: 1]

Richards J D， Hart J L.

Canopy Gap Dynamics and Development Patterns in Secondary Quercus Stands on the Cumberland Plateau， Alabama， USA

［J］. Forest Ecology and Management， 2011， 262（12）： 2229-2239. doi：10.1016/j.foreco.2011.08.015.

[本文引用: 1]

Torimaru T， Itaya A， Yamamoto S I.

Quantification of Repeated Gap Formation Events and Their Spatial Patterns in Three Types of Old-growth Forests： Analysis of Long-term Canopy Dynamics Using Aerial Photographs and Digital Surface Models

［J］. Forest Ecology and Management， 2012， 284（3）： 1-11. doi：10.1016/j.foreco.2012.07.044.

[本文引用: 1]

Schliemann S A， Bockheim J G.

Methods for Studying Treefall Gaps： A Review

［J］. Forest Ecology and Management， 2011，261（7）：1143-1151. doi：10.1016/j.foreco.2011.01.011.

[本文引用: 2]

Hicke J A， Allen C D， Desai A R， et al.

Effects of Biotic Disturbances on Forest Carbon Cycling in the United States and Canada

［J］. Global Change Biology， 2015， 18（1）： 7-34. doi：10.1111/j.1365-2486.2011.02543.x.

Seaquist J W， Hickler T， Eklundh L， et al.

Disentangling the Effects of Climate，Topography，Soil and Vegetation on Stand-scale Species Richness in Temperate Forests

［J］. Forest Ecology and Management，2015，349：36-44. doi：10.1016/j.foreco. 2015.04.008.

Rowland E L， White A S.

Topographic and Compositional Influences on Disturbance Patterns in a Northern Maine Old-growth Landscape

［J］.Forest Ecology and Management，2010，259（12）： 2399-2409. doi：10.1016/j.foreco.2010.03.016.

[本文引用: 1]

Getzin S， Wiegand K， Schöning I.

Assessing Biodiversity in Forests Using very High-resolution Images and Unmanned Aerial Vehicles

［J］.Methods in Ecology and Evolution， 2012， 3（2）： 397-404. doi：10.1111/j.2041-210X.2011.00158.x.

[本文引用: 5]

Bagaram M， Giuliarelli D， Chirici G， et al.

UAV Remote Sensing for Biodiversity Monitoring： Are Forest Canopy Gaps Good Covariates？

［J］. Remote Sensing， 2018， 10（9）： 1397. doi：10.3390/rs10091397.

Devagiri G M， Khaple A K， Mohan S， et al.

Species Diversity， Regeneration and Dominance as Influenced by Canopy Gaps and Their Characteristics in Tropical Evergreen Forests of Western Ghats，India

［J］.Journal of Forestry Research，2016，27（4）：799-810. doi：10.1007/s11676-016-0223-4.

Li Qiang， Wang Bin， Deng Yun， et al.

Correlation between Spatial Distribution of Forest Canopy Gaps and Plant Diversity Indices in Xishuangbanna Tropical Forests

［J］. Biodiversity Science， 2019， 27（3）： 273-285.

[本文引用: 3]

李强， 王彬， 邓云， 等.

西双版纳热带雨林林窗空间分布格局及其特征数与林窗下植物多样性的相关性

［J］. 生物多样性， 2019， 27（3）： 273-285.

[本文引用: 3]

Koukoulas S， Blackburn G A.

Quantifying the Spatial Properties of Forest Canopy Gaps Using LiDAR Imagery and GIS

［J］. International Journal of Remote Sensing， 2004， 25（15）： 3049-3072. doi：10.1080/01431160310001657786.

[本文引用: 1]

Proulx R， Parrott L.

Measures of Structural Complexity in Digital Images for Monitoring the Ecological Signature of an Old-growth Forest Ecosystem

［J］.Ecological Indicators， 2008， 8（3）： 270-284. doi：10.1016/j.ecolind.2007.02.005.

[本文引用: 1]

Negrón-Juárez R I， Chambers J Q， Marra D M， et al.

Detection of Subpixel Treefall Gaps with Landsat Imagery in Central Amazon Forests

［J］. Remote Sensing of Environment， 2011， 115（12）： 3322-3328. doi：10.1016/j.rse.2011.07.015.

[本文引用: 1]

Davidson E A， de Araújo A C， Artaxo P， et al.

The Amazon basin in Transition

［J］. Nature， 2012， 481（7381）： 321. doi：10.1038/nature10717.

[本文引用: 1]

Stork O， Welzl H， Cremer H.

The Amazon Basin in Transition Increased Intermale Aggression and Neuroendocrine Response in Mice Deficient for the Neural Cell Adhesion Molecule （NCAM）

［J］. European Journal of Neuroscience， 1997， 9（6）： 1117-25. doi：10.1111/j.1460-9568.1997.tb01464.x.

[本文引用: 1]

Dandan Sui， Wang Yue， Lian Juyu， et al.

Gap Distribution Patterns in the South Subtropical Evergreen Broad-leaved Forest of Dinghushan

［J］. Biodiversity Science， 2017， 25（4）： 382-392.

[本文引用: 2]

隋丹丹， 王悦， 练琚愉， 等.

鼎湖山南亚热带常绿阔叶林林窗分布格局及其成因

［J］. 生物多样性， 2017， 25（4）： 382-392.

[本文引用: 2]

Vepakomma U， St-Onge B， Kneeshaw D.

Spatially Explicit Characterization of Boreal Forest Gap Dynamics Using Multi-temporal Lidar Data

［J］. Remote Sensing of Environment， 2008， 112（5）： 2326-2340. doi： 10.1016/j.rse.2007.10.001.

[本文引用: 1]

Wang Yue， Lian Juyu， Zhang Zhaocheng， et al.

Forest Plots Gap and Canopy Structure Analysis based on Two UAV Images

［J］. Tropical Geography， 2019， 39（4）： 382-392.

[本文引用: 1]

王悦， 练琚愉， 张昭臣， 等.

基于两种无人机航拍影像的林窗和林冠提取分析

［J］. 热带地理， 2019， 39（4）： 382-392.

[本文引用: 1]

Tang Hui， Zhu Jiaojun， Kang Hongzhang， et al.

A Research Review on Forest Gap Disturbance

［J］. Chinese Journal of Ecology， 2007， 26（4）： 587-594.

[本文引用: 1]

谭辉， 朱教君， 康宏樟， 等.

林窗干扰研究

［J］. 生态学杂志， 2007， 26（4）： 587-594.

[本文引用: 1]

Li Bingbing， Qing Yan， Liu Yaqian， et al.

Effects of Gap Size on Regeneration of Pinus tabulaeformis Plantation in the Yanshan Mountain

［J］. Scientia Silvae Sinicae， 2012， 48（6）： 147-151.

[本文引用: 3]

李兵兵， 秦琰， 刘亚茜， 等.

燕山山地油松人工林林隙大小对更新的影响

［J］. 林业科学， 2012， 48（6）： 147-151.

[本文引用: 3]

Zhang Xiangjun， Wang Qingcheng， Hao Longfei， et al.

Effect of Gap Thinning on the Regeneration and Plant Species Diversity in Larix Olgensis Plantation

［J］. Scientia Silvae Sinicae， 2011， 47（8）： 7-13.

[本文引用: 2]

张象君， 王庆成， 郝龙飞， 等.

长白落叶松人工林林隙间伐对林下更新及植物多样性的影响

［J］. 林业科学， 2011， 47（8）： 7-13.

[本文引用: 2]

Qin Juan， Shangguan Zhouping.

Physiological-ecological Effects of Populus Davidiana-Quercus Liaotungensis Mixed Forest in Ziwuling Forest Area

［J］. Chinese Journal of Applied Ecology，2006，17（6）：972-976.

[本文引用: 1]

秦娟，上官周平.

子午岭林区山杨-辽东栎混交林的生理生态效应

［J］. 应用生态学报， 2006，17（6）：972-976.

[本文引用: 1]

Fu Bojie， Qiu Yang， Wang Jun， et al.

Effect Simulations of Land Use Change on the Runoff and Erosion for a Gully Catchment of the Loess Plateau， China

［J］. Acta Geographica Sinica， 2002， 57（6）： 717-722.

[本文引用: 1]

傅伯杰， 邱扬， 王军， 等.

黄土丘陵小流域土地利用变化对水土流失的影响

［J］. 地理学报， 2002， 57（6）： 717-722.

[本文引用: 1]

Meng Shili， Pang Yong， Zhang Zhongjun， et al.

Estimation of Aboveground Biomass in a Temperate Forest Using Texture Information from WorldView-2

［J］. Journal of Remote Sensing， 2017， 21（5）： 812–824.

[本文引用: 1]

蒙诗栎， 庞勇， 张钟军， 等.

WorldView-2纹理的森林地上生物量反演

［J］. 遥感学报， 2017， 21（5）： 812-824.

[本文引用: 1]

Shannon C E.

A Mathematical Theory of Communication

［J］. Bell Labs Technical Journal， 1948， 27（3）： 379-423. doi：10.1002/j.1538-7305.1948.tb01338.x.

[本文引用: 1]

Hu L， Zhu J.

Determination of the Tridimensional Shape of Canopy Gaps Using two Hemispherical Photographs

［J］. Agricultural and Forest Meteorology， 2009， 149（5）： 862-872. doi：10.1016/j.agrformet.2008.11.008.

[本文引用: 1]

Lisein J， Pierrot-Deseilligny M， Bonnet S， et al.

A Photogrammetric Workflow for the Creation of a Forest Canopy Height Model from Small Unmanned Aerial System Imagery

［J］. Forests， 2013， 4（4）： 922-944. doi：10.3390/f4040922.

[本文引用: 1]

Reinartz P， Müller R， Lehner M， et al.

Accuracy Analysis for DSM and Orthoimages Derived from SPOT HRS Stereo Data Using Direct Georeferencing

［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2006， 60（3）： 160-169. doi：10.1016/j.isprsjprs.2005.12.003.

Perko R， Raggam H， Deutscher J， et al.

Forest Assessment Using High Resolution SAR Data in X-band

［J］. Remote Sensing， 2011， 3（4）： 792-815. doi：10.3390/rs3040792.

Maier B， Tiede D， Dorren L. Characterising Mountain Forest Structure Using Landscape Metrics on LiDAR-based Canopy Surface Models［M］. Berlin， Heidelberg：Object-based Image Analysis. Springer，2008：625-643. doi：10.1007/978-3-540-77058-9_34.

[本文引用: 1]

Ruiz L Á， Recio J A， Crespo-Peremarch P， et al.

An Object-based Approach for Mapping Forest Structural Types based on Low-density LiDAR and Multispectral Imagery

［J］. Geocarto International， 2018， 33（5）： 443-457. doi：10.1080/10106049.2016.1265595.

[本文引用: 1]

Zhao W， Xiong L， Ding H， et al.

Automatic Recognition of Loess Landforms Using Random Forest Method

［J］. Journal of Mountain Science， 2017， 14（5）： 885-897. doi：10.1007/s11629-016-4320-9.

Giannetti F， Chirici G， Gobakken T， et al.

A New Approach with DTM-independent Metrics for Forest Growing Stock Prediction Using UAV Photogrammetric Data

［J］. Remote Sensing of Environment， 2018， 213： 195-205. doi：10.1016/j.rse.2018.05.016.

[本文引用: 1]

Ren Xinyu， Yingying Lü， Wu Yinwei， et al.

Differences in Fragmentation Processes between Western Natural Forests and Southeastern Forest Plantations in the United States： A Case Study Comparing the States Washington and Mississippi State

［J］. Acta Ecologica Sinica， 2017， 37（2）： 474-484.

[本文引用: 1]

任芯雨， 吕莹莹， 巫颖伟， 等.

人工林与天然林破碎化过程差异对比——以美国华盛顿州和密西西比州为例

［J］. 生态学报， 2017， 37（02）： 474-484.

[本文引用: 1]

Díaz I A， Godoy‐Güinao J， Mellado‐Mansilla D， et al.

Advanced Canopy Regeneration： An Unrecognized Mechanism of Rorest Dynamics

［J］. Ecology， 2021， 102（1）： e03222. doi：10.1002/ecy.3222.

[本文引用: 1]

/

〈 〉