基于LiDAR点云能量信息的樟子松郁闭度反演方法

为提高小光斑激光雷达估测针叶林郁闭度的精度,采用回归分析法建立多变量回归模型,通过对小光斑激光 雷达点云数据进行处理,分别提取3 个数量比值变量、3 个能量比值变量,并建立郁闭度单变量反演模型,接着在单 变量的基础上进行多元线性回归分析,建立郁闭度多变量反演模型,最后用剩余数据对所建立的反演模型进行精 度评价。结果表明:在郁闭度单变量反演模型中I2反演模型最好, 拟合相关性为R2 =0.818, Adj R2 =0.810, RMSE = 0.016,模型精度为P =0.978;多变量反演模型中LPI' 和I'3 组合的模型最好, 拟合相关性为R2 = 0.898, AdjR2= 0.889, RMSE =0.012,模型精度为P =0.972。由最终所得模型可知,能量比值变量模型所得结果相对数量比值变 量模型结果要好且稳定,多变量反演模型的拟合相关性及精度都比单变量模型要高。本研究所提取的参数相对较 少,且能量比值变量的提取有一定的局限性,未来研究中应提取更多的高效参数且进一步加强能量比值变量的探究。      

基于三维激光点云的靶标探测系统研究与试验

【目的】使用R-Fans-32三维激光雷达(LiDAR)研究植株三维激光点云与植株叶面积之间的关系,为变量喷雾系统提供数据支撑。【方法】假设植株激光点云数量与叶面积之间存在线性关系。搭建基于三维激光点云的靶标探测的试验系统,先测量靶标植株的高度来探究该探测系统的精度,激光雷达以10Hz的扫描频率和1m的探测距离实现对10株番茄的三维点云数据的获取,激光雷达上位机软件Ctrlview实现对三维激光点云数据的储存。利用Cloud Compare软件对储存的点云数据进行处理,利用LiDAR360软件对植株进行高度测量和点云数量的获取。对采集的植株点云进行数量统计,利用CL-202植物叶面积测量仪对采摘的靶标植株叶片测量叶面积,验证植株点云与叶面积之间的关系。【结果】激光雷达探测所得到的番茄植株的高度与手工测量值的最大相对误差为7.92%。利用线性函数拟合植株点云数量与叶面积,拟合度为0.7805,最大相对误差为5.64%。【结论】设计了一种用于探究基于激光点云的变量喷雾系统可行性的试验系统,依据三维激光点云计算植株的叶面积精度良好,R-Fans-32三维激光雷达可作为变量喷雾系统的探测部件。     

基于无人机激光雷达的人工林碳储量线性与非线性估测模型比较

  目的  森林碳储量是生态系统结构与功能的重要指标，掌握森林碳储量现状有利于森林资源管理。激光雷达能够用于监测森林资源，但是存在森林参数估测的模型多、变量不确定和缺乏林分三维结构解析意义的变量等问题，因此，需要选择合适的林分解析变量和模型。  方法  借助无人机激光雷达点云数据与样地调查数据，以内蒙古自治区赤峰市喀喇沁旗旺业甸人工林为研究对象，分别使用多元线性模型与多元乘幂模型以不同变量对林分碳储量进行估测，选出最优模型并进行精度评价。  结果  研究表明:（1）模型方法而言，非线性模型的检验效果优于线性模型的检验效果:非线性模型（R2为0.66 ~ 0.86，rRMSE为23.51% ~ 9.91%），线性模型（R2为0.52 ~ 0.85，rRMSE为27.70% ~ 12.38%）。（2）模型使用平均高、郁闭度为基础变量，以穷举法筛选出来的变量组合，估算森林参数得出最佳模型，其中非线性模型以激光点云平均高、郁闭度、高度变动系数和叶面积变动系数的估算精度最高（R2=0.86，rRMSE=9.91%）。  结论  通过激光雷达估测人工林碳储量时，加入垂直结构变量可以提高模型拟合效果，非线性模型比线性模型更适合人工林碳储量的估测。      

应用遥感数据反演针叶林有效叶面积指数

以红壤丘陵典型区千烟洲及其周边为研究区,利用陆地卫星TM图像数据和同期野外实测的37个针叶林样地有效叶面积指数数据,分析了遥感植被指数与湿地松、杉木林、马尾松和针叶林总体之间的相关关系,进而分别建立了遥感植被指数与不同林型针叶林有效叶面积指数间的线性与非线性回归模型.研究表明,遥感植被指数与不同林型针叶林有效叶面积指数存在较好的相关性,但不同林型之间的相关系数存在一定差异;所建立的针叶林有效叶面积指数遥感反演模型以三次曲线回归方程拟合精度最高.     

云南红豆杉单木生物量模型选择与树冠调控

拟合并选择云南红豆杉单木生物量模型,明确树冠结构调控技术。以3年生福建省明溪县云南红豆杉原料林为对象,采用4种自变量类型模型,并导入树冠结构特征变量拟合生物量模型;经配对t检验、偏差检验与估算预测精度,优选系列单木生物量模型。比较导入树冠结构特征前后模型的拟合与预测效果,明确并验证树冠结构调控技术。结果表明,采用D²H变量拟合的模型效果最优,其次为DH变量,然后是D²变量,最后是D、H变量。采用D²H变量较D、H变量明显提高模型的拟合与预测效果。导入树冠结构特征后明显提高模型拟合与预测效果。冠幅、冠形率显著影响红豆杉系列单株生物量,促进系列生物量的树冠结构调控重点与方向是促进冠幅宽大;经验证,树冠结构调控技术显著提高系列单木生物量是可行的。自变量类型显著影响模型的拟合与预测效果,选择自变量类型以优化红豆杉单木生物量模型是必要和可行的。导入树冠结构特征因子明显提高单木生物量模型的拟合效果与预测精度。选出4个最优红豆杉单木生物量模型,其决定系数不小于0.862,预测精度均不小于95.18%,M_APE均不大于16.95%,可以用于生产中的生物量预测。     

运用融合纹理和机载LiDAR特征模型估测森林地上生物量

针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。     

红壤丘陵区针叶林有效叶面积指数遥感反演模型

以红壤丘陵典型区千烟洲及其周边为研究区，利用陆地卫星TM图像数据和同期野外实测5的37个针叶林样地有效叶面积指数数据，分析了遥感植被指数(NDVI)与湿地松、杉木林、马尾松和针叶林总体之间的相关关系，进而分别建立了NDVI与不同林型针叶林有效叶面积指数间的线性与非线性回归模型。研究表明，NDVI与不同林型针叶林的有效叶面积指数存在较好的相关性，但不同林型之间的相关系数存在一定差异；所建立的针叶林有效叶面积指数遥感反演模型以三次曲线回归方程拟合精度最高。     

应用地基激光雷达对毛竹林有效叶面积指数的提取及敏感性分析

以宜兴市3种不同宽度(5、8、12 m)带状采伐毛竹林为研究对象,利用地基激光雷达(TLS)多站扫描获取的样地毛竹林完整点云数据,采用体元冠层分析方法对样地毛竹林有效叶面积指数进行提取,并评估有效叶面积指数的估测值对去噪和体元大小的敏感性,遴选有效叶面积指数的估测参数.结果表明:利用体元化的点云数据对3块样地的有效叶面积指数提取精度分别为86.33％、88.04％、86.22％;点云去噪后,有效叶面积指数估算的精度分别提高了16.55％、15.59％、14.57％;有效叶面积指数估测值对体元大小十分敏感,通过与实测叶面积指数对比,适合有效叶面积指数估测的体元大小为0.03 m.     

应用遥感数据反演针叶林有效叶面积指数研究

以红壤丘陵典型区千烟洲及其周边为研究区,利用陆地卫星TM图像数据和同期野外实测的37个针叶林样地有效叶面积指数数据,分析了遥感植被指数与湿地松、杉木林、马尾松和针叶林总体之间的相关关系,进而分别建立了遥感植被指数与不同林型针叶林有效叶面积指数间的线性与非线性回归模型.研究表明,遥感植被指数与不同林型针叶林有效叶面积指数存在较好的相关性,但不同林型之间的相关系数存在一定差异;所建立的针叶林有效叶面积指数遥感反演模型以三次曲线回归方程拟合精度最高.     

基于最优权重的落叶松单木叶面积组合预测模型

最优权重组合预测模型是将各种模型组合起来并分配它们适当的权重系数进行组合预测的模型,减少单项模型预测的风险性,提高预测精度。以落叶松单木叶面积为例,通过拟合一元线性、多元非线性和多元线性等各种单项基础模型,构建最优权重组合预测模型。结果表明,胸径是预测落叶松单木叶面积的最佳变量,增加树冠率或高径比可提高模型解释力,改进异速生长方程是最佳单项模型,R~2达0.927;最优权重算法组合模型优于单项模型及平均值组合模型,落叶松叶面积最优权重组合模型的估测值与实测值之间的平均绝对相对误差和均方根误差均低于单项模型,R~2达0.930。构建的最优权重组合预测模型适合估测落叶松单木叶面积,估测精度高,可应用于长白落叶松人工林叶面积指数估测。     

点云数据三维树木模型建立及三维绿量的估算

利用三维激光扫描仪所采集的点云数据模拟三维树木模型及利用模型进行三维绿量的估算。探讨了如何采集点云数据以及模型在三维绿量估算中的应用,主要包括点云数据的去噪处理、点云数据的匹配、树木三维模型的建立。结果表明,利用该方法建立树木的三维模型及进行三维绿量的估算取得了较理想的结果,能够满足三维绿量的计算精度。     

基于PROSAC算法的TLS林分树干提取研究

树干是树木的重要组成部分,对于林业调查研究具有重要意义。为了能从海量点云数据中快速精准提取林分树干,基于地面激光雷达单站点云数据,通过SOR滤波与体素化滤波对点云进行去噪和下采样处理,然后利用MLS移动最小二乘算法对数据进行平滑与孔洞修复,最后针对八叉树体元数据采用结合点法线的PROSAC算法建模提取林分树干。研究表明:PROSAC算法能适应条件复杂的林地,提取林分树干精度高、速度快、抗噪性强,可以提取多姿态树干点云,有极大的应用价值。本算法能快速精准地提取直径较大的树干点,且连续性较好,在保证算法效率与数据精度的基础上,能够获取连续性较好与姿态各异的林分树干点云。     

基于彩色点云图像的不同成熟阶段番茄果实数量的测定方法

【目的】为测定温室中番茄不同成熟阶段的果实数量,提出一种基于彩色点云图像的测定方法。【方法】在移动平台上搭载KinectV2.0采集温室中行栽番茄的图像信息合成番茄植株点云,再将二视角的番茄植株点云合成1个点云,并通过深度信息截取得到近处番茄植株点云,将标注的点云数据输入到PointRCNN目标检测网络训练预测模型,并识别番茄植株点云中的番茄果实,最后利用基于特征矩阵训练的支持向量机(Support vector machine, SVM)分类器对已经识别出来的果实进行成熟阶段分类,获得不同成熟阶段番茄果实的数量。【结果】基于PointRCNN目标检测网络的方法识别番茄果实数量的精确率为86.19%,召回率为83.39%;基于特征矩阵训练的SVM分类器,针对番茄果实成熟阶段的预测结果在训练集上准确率为94.27%,测试集上准确率为96.09%。【结论】基于彩色点云图像的测定方法能够较为准确地识别不同成熟阶段的番茄果实,可以为评估温室番茄产量提供数据支撑。     

基于三维点云的玉米果穗几何建模

果穗是玉米产量的构成器官,为构建高精度玉米果穗几何模型,提出了一种基于三维点云数据的玉米果穗几何建模方法。针对玉米果穗形态结构特征,选取Artec Spider三维扫描仪搭建玉米果穗点云数据快速获取系统并获取果穗点云,然后通过点云配准、重采样和孔洞修补操作得到高质量果穗三维点云,最后基于Voronoi图的网格重建方法重构果穗网格模型。结果表明,所重建的玉米果穗具有较高的真实感,且与基于计算机视觉算法相比精度大幅提高。基于三维点云的玉米果穗几何建模对于玉米果穗的种质资源保存、基于三维数据的果穗考种、玉米器官三维模板资源库构建等工作具有重要的推动作用。     

基于FPFH特征和NDT算法的树木点云配准

为了提高海量林地三维点云数据配准的效率和精度,提出了一种基于快速点特征直方图(fast point feature histograms,FPFH)初始匹配与正态分布变换(normal distributions transform,NDT)精确配准相结合的配准算法。首先计算2个待配准点云的法向量,再使用k-d树结构对点云的FPFH特征进行加速计算。然后,根据2个点云相似的FPFH特征,使用采样一致性初始配准算法(sample consensus initial alignment,SAC-IA)求解初始变换矩阵、完成初始配准。最后,用DNT算法对点云体素化,并使用点云密度概率分布函数进行点云数据的精确配准。结果表明,FPFH-NDT算法的平均配准误差(相应点对的平均距离)为0.032 3 m,运行时间为256.376 s;在0.05~0.1 m的点云采样阈值范围内,FPFH-NDT算法的配准误差基本不受采样阈值变化的影响,其值稳定在0.03 m左右;当采样阈值>0.1 m时,配准误差随采样阈值的增大而增大;算法的配准时间整体上随点云采样阈值增大而减少。传统ICP算法的平均配准误差和时间分别为 0.526 3 m 和14.5 s;FPFH-ICP算法的平均配准误差和时间分别为0.042 5 m和289.346 s。FPFH-NDT算法与传统ICP算法相比在配准精度上有了很大的提高,与FPFH-ICP算法相比,在保证点云的配准精度的基础上,FPFH-NDT算法降低了算法的运行时间,提高了点云配准效率。     

基于不同预测变量的橡胶树地上生物量模型

在海南岛范围内,橡胶林种植面积很大,但对于这种经济树种大多评估它的生产效益和经济效益,很少建立生物量估计模型。基于海南岛54株实测生物量数据,建立橡胶树不同组合自变量非线性回归模型和非线性度量误差模型。由于生物量与自变量之间存在非线性关系,在拟合模型时采用最小二乘建模技术。模型的选择基于解释系数（Pseudo-R²）、均方根误差（RMSE）和平均预测误差（MPE）。结果表明,通用模型的解释系数（Pseudo-R²）和平均预测误差（MPE）分别为0.70~0.94、-0.8%~1.1%,选择基于胸径和木材基本密度的二元模型为最优通用模型。以最优通用模型地上生物量估计值为总量,构建各分项生物量相容性模型,其中树干生物量模型的Rseudo-R²、RMSE值分别为0.92、28.4 kg,拟合效果优于树枝和树叶生物量模型。总体来看,添加树高、树冠和木材基本密度因子进行橡胶树地上生物量模型的构建十分必要。     

基于LiDAR的温室番茄冠层几何参数提取

【目的】准确获取温室番茄作物行中单株冠层数据,为分析作物生长状态和为对靶喷药提供冠层数据支持。【方法】采用三维激光雷达(LiDAR)搭建番茄植株冠层检测平台,使用导轨以0.05 m/s的速度移动三维激光雷达,利用雷达上位机软件Ctrlview保存双侧扫描的A、B 2组共40株番茄植株点云。双侧点云使用ICP(迭代最近点)算法进行配准,利用基于特征值的平面拟合法去除地面,使用均值漂移算法(Meanshift)分割番茄行中的单株点云,获取冠层参数,与人工测量值比较验证精度,将单株点云在MATLAB中使用alpha shape算法进行重建并进行体积的获取,使用凸包算法作物参考值对比。【结果】该检测平台在激光雷达前进方向与垂直前进方向的测量误差分别为-2.65%、-3.95%;获取到的单株番茄植株高度与人工测量值相比,平均绝对误差分别为0.025和0.031 m;重建后求取的体积与凸包算法相比平均误差下降了约15.3%,与人工获取相比相差不大,各指标良好。【结论】番茄行点云分割结果与人工测量相比A、B 2组的均方根误差RMSE分别为0.039和0.043,冠层体积获取与参考值对比V_RMSE为0.011 3,激光雷达在获取作物外形轮廓信息中具有一定的准确性和可靠性,该方法用于温室环境下单株作物冠层数据的获取。     

基于三维激光点云的树木胸径自动提取方法

胸径是评价林木生长状况的重要参数之一。针对接触式人工测量自动化程度低和基于点云的现有算法提取树木胸径精度不高的问题,提出一种基于点云数据的自动准确获取树木胸径的新方法。该方法以树木点云数据为基础,运用蚁群算法和B样条曲线拟合技术,实现树木胸径的自动准确提取。对实验区树木测量计算,结果表明,利用该方法提取树木胸径的均方根误差为±0.19 cm,平均绝对误差为0.15 cm,相对于基于点云的传统算法提取精度分别提高了50%和60.7%。该方法基于高精度点云数据,实现了树木胸径的无损自动提取,在精准林业领域具有推广价值。