基于UAV遥感的单木冠幅提取及胸径估算模型研究

在森林资源调查中冠幅和胸径是重要的测树因子,自动获取冠幅和胸径值可以提高森林资源调查效率。以云南松为研究对象,基于无人机影像自动提取单木冠幅参数,拟合不同密度等级样地的单木冠幅和树冠面积与胸径的关系以估测单株胸径。首先利用标记控制分水岭分割算法对样地冠层高度模型(CHM)中的单株树冠进行分割,获取最大、最小冠幅和树冠面积,并与实测数据进行精度评价,然后将提取冠幅与树冠面积与实测胸径进行拟合,建立不同密度等级样地的一元回归模型和二元回归模型。结果表明:单木树冠分割准确率为86.26%,冠幅相对误差平均值为6.04%,冠幅面积的相对误差平均值为11.23%;在拟合的模型中,冠幅树冠面积-胸径模型的拟合效果最好,决定系数均在0.7以上,该模型验证数据相对误差均不超过5%,符合A类森林资源调查胸径误差值低于5%的要求。提出的基于无人机影像提取冠幅及预测树木胸径的方法较为准确,可推动森林资源调查自动化发展。     

基于无人机可见光影像的亚高山针叶林树冠参数信息自动提取

树冠是树木获取光能并进行能量转换的主要场所,在监测树木长势,估算树木生物量等方面具有重要作用。及时准确获取树冠参数信息有助于研究树木生长状况和森林变化动态,有效改善森林经营管理。无人机遥感具有快速机动、云下飞行、影像分辨率高、成本低等优势,非常适合于亚高山针叶林树冠遥感影像的获取。论文以贡嘎山雅家埂局部范围亚高山针叶林为研究对象,采用固定翼无人机获取可见光遥感影像,基于面向对象方法自动提取了亚高山针叶林的东西冠幅、南北冠幅、单元面积树木数和郁闭度等参数。以目视解译结果作为参考数据进行验证,东西冠幅和南北冠幅的提取精度分别是0.765 1和0.855 6,单元面积树木数和郁闭度的提取精度分别是0.99和0.92。研究结果表明,基于无人机遥感影像的树冠参数信息自动提取方法高效可靠,能够满足亚高山针叶林生长状况快速评价与动态遥感监测的需求。     

基于FCM和分水岭算法的无人机影像中林分因子提取

【目的】研究高精度小型无人机获取林分调查因子方法,将林分调查因子在低空无人机影像上识别并提取出来,获取树高、冠径等测树因子,建立林分因子测量方法,实现经济、高效、快捷、精准的森林资源调查和监测,及时掌握森林资源及相关林分因子的时空变化特征。【方法】以东北林业大学城市林业示范基地樟子松人工林为研究对象,以多旋翼无人机影像为数据源,基于FCM聚类算法和分水岭分割算法以及形态学运算、阈值分割、图像平滑、灰度化、二值化等一系列数字图像处理技术,提取樟子松人工林林分因子。FCM聚类算法和阈值分割法用于提取树梢标记图像,分水岭分割算法对树梢标记图像进行迭代处理从而获得单木树冠分割图像,根据单木树冠分割结果提取单木特征进而计算各林分因子值。【结果】在林地提取中,根据影像的颜色特征绿度分割成功地将林地部分与非林地部分分离开来,确定单木树冠分割范围。在单木树冠分割中,阈值分割法和FCM聚类算法均可有效将树梢标记从林地图像中提取出来;将基于标记的分水岭分割算法用于单木树冠分割取得较好效果,大多数单木树冠被单独分割出来,但某些区域仍然存在一定的欠分割或过分割问题。在林分因子提取中,提取的林分因子包括林分郁闭度、林地面积、立木株数和平均冠幅,其中林分郁闭度的测量精度为96.67%,林地面积的测量精度为81.23%,立木株数和平均冠幅的测量精度与单木树冠分割中的树梢提取方法(阈值分割法和FCM聚类算法)及分水岭分割中的2个参数(形态学腐蚀的结构元素大小和中值滤波的窗口大小)有关。针对2种树梢提取方法,分别进行参数组合试验,结果显示2种树梢提取方法使用适当参数组合所得各林分因子测量精度均在80%以上,平均测量精度均在90%以上,其中阈值分割法的最高平均测量精度为94.49%,FCM聚类算法的最高平均测量精度为93.17%。【结论】利用无人机拍摄的人工林影像进行森林资源调查,将先进的计算机科学技术和无人机技术应用到林业领域中,可有效提高森林资源调查的效率和精度。本研究提出的林分因子提取方法适用于高郁闭度林分,测量精度满足实际需求。     

基于航空影像的树冠提取方法研究

用高空间分辨率遥感影像对单木树冠进行自动提取和轮廓描绘是近年来林业遥感领域研究的热点。本文以覆盖实验区的航空影像为例,采用面向对象的多尺度分割方法,逐级对植被对象、树冠对象和分树种模式进行分割,有效地提取了影像中的树冠大小信息。     

天山云杉林无人机可见光影像树冠信息提取方法研究

高精度轻小型无人机森林树冠参数信息提取方法是森林资源监测和生态功能评估的重要基础。以新疆山地森林优势树种天山云杉为研究对象,在南山实习林场采集积雪背景下无人机遥感影像并进行预处理,对比分析3种方法(以光谱为特征空间的面向对象法、以光谱+纹理为特征空间的面向对象法、随机森林法)提取天山云杉林树冠参数信息的精度。结果表明:3种方法提取天山云杉林分郁闭度精度均高于93%,其中以光谱为特征空间的面向对象法最优,精度可达93.73%;3种方法自动提取单木树冠面积与目视解译结果的R~2均大于0.91,虽然随机森林法的统计指标最优,但面向对象法可获得完整的单木树冠闭合曲线,故以光谱+纹理为特征空间的面向对象法效果较优;面向对象法的最优分割尺度为29,纹理特征的加入会导致郁闭度提取精度降低0.66%,但会优化单木树冠面积提取效果。     

基于改进的Faster R-CNN模型的树冠提取研究

树冠信息是森林资源调查中的重要内容。传统的树冠冠幅测量方法为实地调查,该方法测量结果在特定的地形和森林环境中误差较大,且人力消耗大、操作繁琐、耗时长。无人机影像技术和深度学习的发展为树冠测量提供了新的方法和实现思路。利用无人机获取了临安东部青山湖绿道两块纯水杉林样地的正射影像图,通过改进目前先进的目标检测方法Faster R-CNN进行树冠的识别和冠幅的提取。基于改进的Faster R-CNN模型准确率和决定系数达到了92.92%和0.84,分别比改进前的模型提高了5.31%和0.12。这说明了无人机和目标检测技术识别树冠的可行性,这一方法和传统的调查方法相比,具有高效、便捷和低成本的优势。     

基于三维激光点云数据获取树木几何参数的研究

无人机(Unmanned Aerial Vehicle,UAV)遥感可快捷获取高分辨率正射影像。本文探讨利用无人机采集高分辨率影像,生成三维点云数据获取树高和冠幅,并与实测数据对比。实验地点选择北京市京西林场,采用无人机搭载激光雷达扫描系统获取点云数据,使用LiDAR360软件进行数据处理分析,获取树木位置、株数、树高、树冠直径等信息,并与实测数据对比,结果表明:最大类间方差法可分割树木点云数据;利用三维点云技术可获取树木高度及冠幅;树高提取平均精度为94%,冠幅提取平均精度为89%。     

基于无人机可见光影像的华山松人工林计测参数提取

针对无人机在森林资源监测中的便携性特点,利用无人机RGB三波段影像进行森林计测参数(株数、树高及蓄积量)的提取及精度验证。以华山松人工林为研究对象,以无人机RGB影像为主要信息源,在前期进行5块0.08hm~2华山松人工林标准地单木定位的基础上,采用冠层高度模型(CHM)最大值法和点云分割方法,提取华山松人工林计测参数,建立无人机RGB影像的华山松人工林单木二元材积模型。研究结果表明:1)采用CHM最大值分割法较点云分割方法精度高,单木株数分割精度分别为87.17%和80.79%;提取得到的树高与其地面实测所得树高的R~2相比较,使用CHM方法,R~2为0.71;而使用点云算法,R~2为0.69。2)基于CHM最大值法提取的单株冠幅和树高所建立的二元材积模型,其决定系数(R~2)为0.94,均方根误差(RMSE)为0.033 8m~3;与基于云南省华山松人工林二元材积表的标准地实测蓄积量调查结果相比,基于无人机RGB数据的5块标准地蓄积量监测精度分别为79.72%,81.64%,83.57%,82.49%,80.28%,平均精度达81.54%。基于无人机RGB影像的华山松人工林在森林计测参数提取中,CHM最大值分割法优于点云分割,所建立的树高和冠幅二元材积模型,可为华山松单层人工林无人机遥感监测提供参考。     

九棵树法提取林分调查因子原理与应用

提出一种九棵树多边形样地调查方法来建立林分调查因子模型,利用固定翼无人机拍摄北京松山影像数据,处理并区划后,根据九棵树法多边形样地算法估测各林分调查因子,再通过随机抽取18块样地作为检测数据,人工野外根据传统每木检尺方法计算平均胸径、平均高、林分密度以及林分蓄积量模型,然后通过经纬度、坡度、坡向、海拔等信息在影像中定位并利用九棵树法测得各林分因子调查数据,将测得数据与传统方法进行精度验证。经过精度分析,各林分调查因子相对误差介于8.80%~12.57%,相关系数介于0.624~0.927,满足森林资源二类调查需求,该方法可以替代传统每木检尺方法获取森林调查因子,将无人机融入九棵树多边形样地算法,弥补了利用传统方法耗材耗力浪费资源而用遥感影像测量精度有限制的局限性,适用于小尺度精准林业作业,既保证精度有可以极大程度减少野外人工作业量,为指定森林经营方案提供了新的方向。     

基于分层叠加的机载LiDAR点云单木分割

【目的】提出一种基于分层叠加的单木分割算法,以充分利用高密度激光雷达点云信息,提高林分中下层单木分割精度。【方法】区别于传统将冠顶点作为聚类种子点的单木分割算法,基于分层叠加的单木分割算法以点云水平切片后各层的局部最大值为种子点进行分层聚类,并通过分层叠加与迭代优化,减少枝杈等因素导致的过分割现象,在保证上层树单木分割精度的同时提高对中下层单木的提取能力。【结果】基于分层叠加的单木分割算法在不同密度落叶松林分均有较高单木分割精度,提取单木与实测单木总体匹配成功率最高达94%,在中高密度林分匹配成功率最高达92%,相较其他算法,对中下层单木的匹配率可提高20%～40%;在单木树高提取精度方面,单木提取树高与实测树高相关系数为0.8,相对均方根误差为8.45%,提取冠幅与实测冠幅相关系数最高为0.83,相对均方根误差为16.5%。【结论】通过分层聚类、聚类种子点优化选取,充分利用林分各层次点云信息,可提高单木分割精度,为森林经营管理提供高精度数据支持。     

树冠提取技术研究进展

树冠是预估树木生长量的基本参数之一, 树冠的提取在森林资源管理中越来越受到重视, 但准确获得树冠的形状和边缘信息比较困难。目前, 国内外树冠提取研究主要是利用高分辨率影像、航空像片、数码相机影像以及雷达等介质, 以面向对象多尺度分割技术为主, 兼有专家分类、三维扫描、BP神经网络等方法。文中介绍了树冠提取技术的主要方法, 总结了树冠提取技术中存在的问题及发展前景。     

基于树高和树冠因子的立木材积与地上生物量相容模型研究

【目的】无人机机载激光雷达能够准确地测定单木、林分乃至大尺度森林结构参数(树高和树冠因子)。为应用无人机激光雷达技术准确估测森林蓄积量、生物量和碳储量提供计量依据和技术支撑。【方法】以150株实测马尾松生物量样本数据为研究对象,采用非线性回归估计方法和度量误差联立方程组方法,分析立木材积和地上生物量与树高、树冠因子的相关性,并在此基础上研究建立基于树高和树冠因子的立木材积与地上生物量相容模型。【结果】单株材积和地上生物量与树高因子的相关性最为紧密,其次才是树冠因子;基于树高和冠幅因子的二元材积和地上生物量模型预估精度较高,达到92%以上,再考虑冠长因子的三元模型预估精度改进不大;基于树高和冠幅因子的二元立木材积与地上生物量相容模型估计效果更好,相对于一元相容模型系统而言,二元相容模型拟合效果有较大幅度提高,预估精度达到92%以上。【结论】采用度量误差联立方程组方法可以有效解决基于树高和树冠因子的立木材积与地上生物量相容问题,并且预估精度达到92%以上,所建二元立木材积与地上生物量相容模型可为应用激光雷达技术反演森林蓄积量和生物量提供计量依据。     

基于激光雷达技术的郑州市行道树空间围合度研究

行道树作为城市道路空间的重要组成部分,对于提升城市道路品质和改善道路空间宜人度发挥着重要作用。选取郑州市作为研究区域,基于激光雷达技术,对道路及行道树样本进行定量化调查分析,利用宽高比、树冠占有率以及天空视图3个指标对行道树空间围合度进行研究。结果表明,样本行道树的平均宽高比为3.21,平均树冠占有率为30.83%,平均天空视图数值为0.43。其中,影响空间围合度的因素主要有道路宽度、道路等级、道路板式。研究结果将为城市行道树空间结构的优化及调控提供科学依据。     

基于UAV高分影像的杨树冠幅提取及相关性研究

[目的]以无人机高清影像为数据源,结合样地实地调查数据,研究杨树冠幅提取及其与胸径和林分蓄积量的相关性,为无人机森林调查技术提供一种思路和方法。[方法]基于无人机高分影像及实地调查数据,采用面向对象法,对杨树林木冠幅进行分割与提取,通过实地测量数据建立冠幅-胸径模型,利用一元材积表计算样地蓄积量,并进行相关性分析与精度检验。[结果]影像分割效果良好,但提取得到的冠幅比实际值偏小,研究区最适宜的杨树冠幅分割尺度为10,平滑度0.1,紧致度0.5。杨树冠幅与胸径建立相关模型,其中一元线性方程拟合效果最好,相关系数为0.75。通过模型计算的样地蓄积与实测样地蓄积进行双侧T检验,结果 sig=0.0580.05,两组数据差异不显著。[结论]采用面向对象法,通过无人机高分影像能自动分割并提取了杨树林木冠幅信息,提取效果良好;利用影像提取林木平均冠幅,通过冠幅-胸径相关关系模型得到林木胸径,进而推算林分蓄积的方法可以满足森林资源调查精度要求。     

Measuring loblolly pine crowns with drone imagery through deep learning

In modeling forest stand growth and yield,crown width,a measure for stand density,is among the parameters that allows for estimating stand timber volumes.However,accurately measuring tree crown size in the field,in particu-lar for mature trees,is challenging.This study demonstrated a novel method of applying machine learning algorithms to aerial imagery acquired by an unmanned aerial vehi-cle (UAV) to identify tree crowns and their widths in two loblolly pine plantations in eastern Texas,USA.An ortho mosaic image derived from UAV-captured aerial photos was acquired for each plantation (a young stand before canopy closure,a mature stand with a closed canopy).For each site,the images were split into two subsets:one for training and one for validation purposes.Three widely used object detection methods in deep learning,the Faster region-based convolutional neural network (Faster R-CNN),You Only Look Once version 3 (YOLOv3),and single shot detection(SSD),were applied to the training data,respectively.Each was used to train the model for performing crown recogni-tion and crown extraction.Each model output was evaluated using an independent test data set.All three models were successful in detecting tree crowns with an accuracy greater than 93％,except the Faster R-CNN model that failed on the mature site.On the young site,the SSD model performed the best for crown extraction with a coefficient of determination(R2) of 0.92,followed by Faster R-CNN (0.88) and YOLOv3(0.62).As to the mature site,the SSD model achieved a R2 as high as 0.94,follow by YOLOv3 (0.69).These deep leaning algorithms,in particular the SSD model,proved to be successfully in identifying tree crowns and estimat-ing crown widths with satisfactory accuracy.For the pur-pose of forest inventory on loblolly pine plantations,using UAV-captured imagery paired with the SSD object deten-tion application is a cost-effective alternative to traditional ground measurement.     

无人机RGB影像中人工林单木位置的提取

从无人机RGB影像中提取单木位置时,由于树冠与非树冠植被的颜色相似,以及树冠之间存在粘连的问题,导致单木位置提取精度不高。针对这些问题,提出一种结合冠层高度模型(CHM)和形态学细化算法的人工林单木位置提取方法。首先根据无人机RGB影像生成数字正射影像(DOM)、数字高程模型(DEM)、数字表面模型(DSM),利用可见光波段差异植被指数(VDVI)对DOM进行植被与非植被的分离;其次利用DSM和DEM构建人工林区的CHM,从高程差异上将树冠与非树冠植被进行分离;最后,为提高单木位置提取精度,利用形态学图像细化算法去除树冠之间的粘连,提取单木位置并进行精度验证。以昆明理工大学呈贡校区内的一片人工林为试验区域,分别采用本研究方法和直接基于VDVI的方法对人工林区单木位置进行提取。本研究方法提取的单木位置准确率为91.67%,漏提率为8.33%,错提率为0.24%;而直接基于VDVI提取的单木位置准确率为88.05%,漏提率为11.95%,错提率为21.58%。试验结果表明,本研究方法提取的人工林单木位置精度更高。     

幼年赤桉胸径与冠幅、树高、材积的相关性分析

对试验地的1470株赤桉进行树高、胸径、冠幅的测量,并计算出样木的单株材积。把胸径分别和冠幅、树高及株材积进行相关性分析并且建立数学模型,用SPSS软件对所选模型进行曲线估计。结果表明：其中幂方程的 R2最大,F 值亦为最大,说明赤桉胸径与树高的幂关系显著,可确定赤桉胸径与树高的最优回归方程为H=1.804D0.673。胸径—冠幅,胸径—材积的最优模型分别为CW=0.674D0.561,V=0.0001614D2.341。分别对3组最优模型进行适应性检验,结果表明：材积的3个最优回归模型预测误差均在＆#177;3%以内,方程预测精度较高,可用于估算立木树高、冠幅、材积。     

基于无人机影像的森林生物量估测与制图

【目的】森林生物量的精确测定,对于全球气候变化和碳循环研究具有重要的意义。【方法】以东北林业大学城市林业示范基地为研究区域,首先利用无人机平台获取整个研究区域的高分辨率无人机影像;然后在研究区域四种人工林样地中分别选取20 m×20 m的4块建模样方和4块测试样方,通过每木检尺法实测建模样方内林木的树高和胸径数据,建立H-DBH(树高-胸径)估算模型,并结合已有的DBH-SB(胸径-树干生物量)模型得到测试样方的森林生物量数据;在处理后的数字冠层高度模型(DCHM)基础上利用局部最大值法提取树高与树冠中心点位置,建立一种结合无人机影像提取树高与H-SB(树高-树干生物量)经验模型的森林生物量制图方法。【结果】不同样方的H-DBH模型R2均大于0.70,测试样方的总地上生物量平均值为6915.85 kg,总的估测精度为87%。通过ArcGIS软件结合本研究提出的方法快速得到了整个研究区域的地上生物量分布图,估测总地上生物量为4396.18 t。【结论】研究结果可为快速准确的进行森林生物量的估测提供基础数据和技术参考。