基于无人机高分影像的冠幅提取与树高反演

以湖南省攸县黄丰桥林场无人机(UAV)高分影像和地面样地调查数据为基础,利用Definiense Cognition 8.0软件,对影像进行多尺度分割,确定最佳的冠幅分割参数,同时进行平滑处理,利用平滑后的影像冠幅与实测树高,建立冠幅树高曲线估计模型和非线性联立方程组反演模型。建立的非线性联立方程组模型拟合效果最佳,决定系数R~2为0.854 2,最佳拟合曲线模型分别为CW=0.127+1.068*PCW和H=-1.910+4.861*CW-0.819*CW~2+0.049*CW~3;模型的CV和MPSE均在10%以内,是树高反演的一种有效手段。     

基于哑变量非线性联立方程组模型的林木参数遥感反演

以湖南省攸县黄丰桥林场Worldview-2影像和地面样地调查数据为基础,采用Mean shift算法对影像进行多尺度分割,提取杉木人工林林木冠幅信息,共提取有效林木冠幅227个,并对提取的冠幅边界信息进行平滑处理。分析调查数据中实测冠幅与影像提取冠幅之间的相关性,结合实测胸径、树高与冠幅的关系,应用曲线估计、非线性联立方程组以及基于哑变量的非线性联立方程组分别建立树高和胸径的最优估算模型,并进行了精度评价。结果表明:将树高与胸径作为哑变量,并进行数量化分级建立的影像冠幅与胸径、树高的非线性误差变量联立方程组模型的拟合效果要优于其他2种方法,树高和胸径模型决定系数R2H和R2D分别为0.899和0.913。模型的适用性检验表明,模型的变动系数、平均百分标准误差均在10%以内,具有较强的稳健性。     

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。     

杉木人工林目标树经营技术参数的研究

对浙江省杉木Cunninghamia lanceolata主要分布区51个不同发育阶段杉木人工林典型样地调查,分析不同优势木高杉木人工林的径级结构,并利用126株优势木数据,建立杉木人工林优势木的胸径、树高、冠幅之间关系,得出胸径与树高相关关系的最佳回归方程为:Y=0.361 8X+4.497 9,模型的拟合度R^2=0.796 5(X表示胸径,Y表示树高);胸径和冠幅的相关关系的最佳回归方程为:Y=0.137 9X+0.858 9,模型的拟合度R^2=0.881 6(X表示胸径,Y表示冠幅)。通过对3株50年生杉木人工林大径级林分优势木的树干解析,研究大径级杉木人工林优势木的胸径、树高与材积的生长规律,结果显示生长率都呈现逐年降低趋势,树高较为明显。树高、胸径、材积生长率最大值出现在10年生时分别为5.278 7%,15.069%,25.895%;而50年生时仅为0.273 3%,0.186 9%,0.921 7%。研究提出杉木人工林目标树经营的发育阶段划分、合理密度、目标树数量等关键经营技术参数,为杉木人工林的目标树经营提供理论依据。     

基于高分辨率卫星图像的立木材积表的编制

以QuickBird卫星图像和杉木为研究对象 ,在对图像进行精处理的基础上 ,通过在图像上测定出杉木冠幅 ,建立了胸径和冠幅的一元回归模型 :D1 3=2 2 2 1 4 393Ck,由不同冠幅值计算出的胸径查一元材积表 ,据此编制出一元卫星图像立木材积表 ;根据图像上测算出树高和冠幅 ,建立了二元回归模型 :V =- 0 2 4 6 0 5 0 0 1380 6Ck 0 0 35 2 6 3H ,据此编制出了卫星图像二元立木材积表。杉木在图像上的高是通过建立杉木树高与胸径关系模型 :H =D21 3(1 74 6 0 2 15D1 3) 2 测算得来     

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。     

基于Landsat长时间序列的森林扰动参数提取与树高估算

【目的】研究基于遥感影像的森林扰动信息定量提取及其对树高估算的影响,为遥感反演森林参数(树高、生物量)提供参考和借鉴。【方法】选取黑龙江省凉水国家级自然保护区为研究区,以1984—2006年33期Landsat TM/ETM+多光谱遥感影像为数据源,对其进行缨帽变换提取缨帽角(TCA)和缨帽距离(TCD)2个扰动监测指数,采用时间轨迹分析方法(LandTrendr)对TCA与TCD指数进行时间序列重构,分别提取扰动发生的前一年(DBYEA)、扰动发生前的光谱值(DBVAL)、扰动持续时间(DDUR)、扰动量级(DMAG)、扰动后开始修复的时间(RBYEAR)、扰动后开始修复的光谱值(RBVAL)、修复量级(RMAG)和修复持续时间(RDUR)8个时间序列扰动参数。基于单时相Landsat影像光谱信息与单时相Landsat影像光谱信息+森林扰动参数2组变量分别采用随机森林(RF)算法估算树高。【结果】采用单时相Landsat影像光谱信息结合基于TCA和TCD提取的16个时间序列扰动参数建立的树高反演模型预估精度比采用单时相Landsat影像光谱信息建立的树高反演模型预估精度提高6.34%,均方根误差(RMSE)降低0.50 m。树高反演模型中基于TCA提取的时间序列扰动参数变量重要性高于基于TCD提取的时间序列扰动参数变量重要性。【结论】基于LandTrendr提取的森林时间序列扰动参数能够增强反射率与树高之间的相关性,提高遥感树高模型的反演精度,基于TCA提取的森林时间序列扰动参数对树高的解释能力高于基于TCD提取的森林时间序列扰动参数。     

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。     

基于无人机LiDAR的杉木树冠上部外轮廓模拟与可视化研究

[目的 ]基于无人机激光雷达(LiDAR)点云数据提取杉木树冠上部结构参数(树冠顶点、树高、冠幅和上部冠长),并进行树冠上部外轮廓模拟与可视化,为树种识别提供树木冠形特征。[方法 ]利用LASTools开源工具从激光雷达点云数据生成无孔洞的冠层高度模型,使用LiDAR360软件,采用局部最大值法检测树冠顶点,基于CHM种子点对点云进行单木分割,并在ArcGIS下手动选取杉木单株点云样本,用Python编程对"欠分割"样本进行单木纯化(之后全部编程方式自动化处理);提取纯化后单株样本的树冠上部结构参数(树冠顶点、树高、冠幅和上部冠长),再对单木点云按照一定高度间隔进行分层切片,使用宽度百分位数法提取单木树冠上部的相对着枝深度、枝条长度作为模型变量,以相对着枝深度分层分别建模与验证样本按照3倍标准差法剔除异常外轮廓点,选取二次多项式、幂函数和指数函数3个基础模型进行模型拟合与验证,最后采用最优拟合模型进行样地尺度的三维可视化。[结果 ]无人机激光雷达综合单木检测率为79.63%,结合实测参数与提取结果进行相关分析,树高线性回归R2为0.890 5,冠幅线性回归R2为0.845 6;二次抛物线、幂函数和对数函数拟合R2分别为0.807 0、0.817 0、0.806 0,幂函数对杉木树冠上部外轮廓的拟合效果更优。[结论 ]在高林分密度条件下,单木点云的有效提取纯化对客观描绘树冠形状非常重要;基于无人机激光雷达拟合的杉木树冠上部外轮廓反映了杉木的树冠上部形态,可为杉木的树种识别提供参考。     

杉木相容性立木材积表系列模型研建

以我国南方地区最重要的针叶树种杉木(Cunninghamia lanceolata)为研究对象,采用误差变量联立方程组方法,建立了相容性二元立木材积方程、胸径和地径一元立木材积方程、树高胸径回归模型及地径胸径回归模型。利用3种树高模型和2种地径模型组合了4个相容性立木材积表系列模型联立方程组,通过6项指标进行综合评价,结果表明由最简单的树高模型和地径模型构成的相容性系列材积模型就能取得良好效果,其二元材积表、胸径一元材积表和地径一元材积表的平均预估误差分别为1.31%、3.66%和7.39%,可用于不同目的的杉木林蓄积量估计。     

基于机载激光雷达点云数据的马尾松单木材积估测

为提高森林单木材积估测精度和效率,选取贵州省织金县城郊典型马尾松林为研究对象,基于机载激光雷达点云和样地调查数据,以提取的树高、冠幅、树冠投影面积和树冠体积等单木结构参数为变量,构建基于机载激光雷达点云数据的马尾松单木材积估测模型。结果表明：1)基于点云数据提取的马尾松单木树高和冠幅因子与实际调查数据之间存在良好的相关性,决定系数R²在0.7以上,精度相对较高,可用于构建马尾松单木材积模型。2)在经典非线性CAR模型基础上,利用枚举法对树高、冠幅、树冠投影面积、树冠体积等4个变量组合构建的11个模型中,包含树高、冠幅及树冠体积三个林分因子的模型表现最佳,R²为0.774 1。3)树高、冠幅及树冠体积被确定为马尾松单木材积估测的关键因子,其中,树高的贡献最大且与单木材积呈极显著正相关关系(P<0.001)。利用机载激光雷达点云数据提取单木结构参数,并基于非线性CAR模型构建单木材积模型估测马尾松单木材积的方法是可行的,该方法不仅能满足森林资源调查的精度要求,且能有效提高调查效率。     

基于无人机可见光遥感的单木树高提取方法研究

利用目前流行的高分辨率可见光无人机遥感影像生成树木冠层高度模型,采用分水岭分割算法提取单木树高的研究具有重要理论和实践意义。以位于云南省富民县的天然云南松纯林为研究对象,通过大疆Phantom 4 Pro无人机获取低空可见光遥感影像,利用Pix4D Mapper对无人机影像进行预处理及三维重建,生成三维点云,利用LiDAR360处理三维点云,构建DSM,DEM并生成CHM;采用分水岭分割算法对不同郁闭度条件下获得的CHM进行单木分割及树高提取,对提取结果进行精度评价。结果表明:分水岭分割算法能够准确分割CHM,利用无人机可见光遥感影像进行单木树高提取是可行的;将基于无人机可见光影像提取的树高值与野外实地调查得到的树高值进行对比,R²为0.893,RMSE为1.23m,估测精度为87.58%;同时,林分郁闭度会对单木树高估测产生影响,根据不同郁闭度条件下提取的3组样木树高与实地测量树高的决定系数(R²)分别是0.857,0.939和0.921,RMSE分别为1.450,1.097,0.896m,在低郁闭度林分内树高估测的精度显著高于高郁闭度林分。     

杉木相容性立木材积表系列模型研建

以我国南方地区最重要的针叶树种杉木（Cunninghamia lanceolata）为研究对象,采用误差变量联立方程组方法,建立了相容性二元立木材积方程、胸径和地径一元立木材积方程、树高胸径回归模型及地径胸径回归模型。利用3种树高模型和2种地径模型组合了4个相容性立木材积表系列模型联立方程组,通过6项指标进行综合评价,结果表明由最简单的树高模型和地径模型构成的相容性系列材积模型就能取得良好效果,其二元材积表、胸径一元材积表和地径一元材积表的平均预估误差分别为1.31%、3.66%和7.39%,可用于不同目的的杉木林蓄积量估计。     

基于机载激光雷达的国外松片林蓄积量反演研究

该文基于金坛区碳汇监测山区调查点范围内,第250,77号国外松林小班的LiDAR数据和样地实测数据,利用冠层高度模型与点云分割相结合的方法实现单木识别,以实测胸径作为因变量,估测树高作为自变量,通过建立非线性回归方程的方式进行林分胸径反演和公顷蓄积量估算.结果表明:机载LiDAR估测的国外松数据与实测数据具有较好的相关性,通过设置3组反演模型并进行方程优选,确认当LiDAR估测树高范围在14—22 m时,推荐y=-2.1849x2+13.569x-17.605(R2=0.8063)作为胸径反演最优方程.将250号LiDAR估测树高代入方程反算胸径,并根据《江苏省主要树种一元材积表》计算公顷蓄积量,获LiDAR估测胸径为26.6 cm,估测公顷蓄积量为157.2 m3/hm2,估测精度符合《森林资源规划设计调查技术规程(GB/T 26424-2010)》中的允许误差要求.     

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。     

基于多角度卫星遥感的胡杨林结构参数获取

【目的】基于多角度卫星遥感(MISR)和无人机(UAV)摄影测量技术,采用简单几何光学模型(SGM)和广义简约梯度(GRG)优化方法,反演获取塔里木河下游胡杨林主要结构参数(树高、冠幅、林分密度和覆盖度)。【方法】以塔里木河下游典型河岸林为研究对象,基于野外调查、UAV倾斜摄影测量和MISR数据,构建训练集,采用SGM对场景反射进行分解模拟,获取Walthall背景反射模型参数,评价参数敏感性,建立参数回归方程,运用GRG优化算法反演得到测试集结构参数,利用无人机测量数据进行精度验证和评价。【结果】从UAV倾斜摄影测量数据中提取的树高、冠幅、林分密度数据与实测数据相比,UAV获取的树高、冠幅、林分密度与实测数据的R²分别为0.90、0.84、0.94,均方根误差(RMSE)分别为0.45 m、0.68 m、4.25株·hm^-2。SGM对训练集样地红光模拟反射值与卫星观测反射值的R²最大值为0.99、最小值为0.72、平均值为0.92;反演获取的训练样地树高和覆盖度与参考值相比,覆盖度R²达0.99,...     

基于多尺度遥感影像纹理特征的森林蓄积量反演

以国产"高分一号"卫星(以下简称GF-1)获取的遥感影像数据与少量研究区样地数据为数据源,构建以光谱信息与多尺度纹理特征为特征变量的森林蓄积量反演模型,探讨不同尺度下提取的纹理特征对森林蓄积量估测模型准确度的影响,通过对特征变量的优选,寻求一种提高森林蓄积量反演模型的准确度的方法。首先,对覆盖研究区域的GF-1遥感影像进行重采样,得到覆盖研究区域的不同分辨率的影像序列,基于不同窗口大小的灰度共生矩阵提取影像序列的纹理特征,与遥感影像光谱信息共同作为特征变量;然后,使用随机森林(random forest,RF)算法构建森林蓄积量反演模型,对研究区域的森林蓄积量进行估测,分析不同特征变量与窗口大小对森林蓄积量反演模型准确度的影响;最后,通过比较特征变量重要性,确定森林蓄积量反演模型的最佳特征变量与窗口大小选择,对研究区进行森林蓄积量反演,得到研究区域的森林蓄积量分布图。当使用从8m分辨率遥感影像提取的纹理特征与光谱信息作为特征变量时,森林蓄积量反演模型准确度明显优于使用其他特征变量。其中,当灰度共生矩阵窗口大小设置为9×9时,森林蓄积量反演模型准确度最高,为R~2=0.70,RMSE=6.317。在根据重要性对从多尺度遥感影像提取的纹理特征进行选择后,所构建的森林蓄积量反演模型的准确度为R~2=0.74,RMSE=6.439。使用较高分辨率遥感影像提取的纹理特征作为特征变量,可以有效的提升森林蓄积量反演模型的准确度。将基于不同分辨率遥感影像提取到的纹理特征作为特征变量,其模型准确度优于使用单一分辨率遥感影像所提取的纹理特征。     

基于无人机影像的树顶点和树高提取及其影响因素分析

对基于无人机影像生成的树冠高度模型(Canopy Height Model,CHM),采用局部最大值算法进行树顶点和树高提取的可行性进行了探讨。此外,还探讨了分辨率、窗口大小对于树顶点提取的影响。以密集的针阔混交林为样地,利用SfM(Structure from Motion)算法结合无人机影像对研究区进行三维重建,得到点云、数字表面模型(Digital Surface Model,DSM)、数字高程模型(Digital Elevation Model,DEM)等一系列三维数据并生成CHM。然后,对不同分辨率的CHM使用不同的平滑窗口大小、移动窗口大小组合进行树顶点的提取并对结果进行精度评价。当CHM分辨率为0.4m,平滑窗口大小为3×3像元,移动窗口大小为3×3像元时,树顶点的提取精度最高,F测度为77.08%。将基于该组合提取正确的37个树顶点对应的提取树高与实地测量得到的树高对比,R~2为0.966 9,RMSE为1.411 4m,rRMSE=10.69%。研究结果表明:利用无人机影像可以较好地提取复杂树林的树顶点和树高;基于局部最大值算法提取树顶点,需要根据实际情况确定CHM的分辨率、平滑窗口大小和移动窗口大小,以获得最佳提取结果。     

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%。     

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。