基于三维激光扫描的树木三维绿量测定

利用三维激光扫描仪获取单株树木的点云数据,通过点云数据的处理提取测树因子,将树冠分割为多个不规则的台体,对每个台体的体积加和,近似为树冠体积。同时将绿视率引入三维绿量的计算中,以树冠不同视角绿视率加权平均和与树冠体积相乘计算树木三维绿量。实验选取了6个树种、共13棵树的点云数据,以树冠体积和绿视率2种方法计算三维绿量,结果表明：单纯以树冠体积计算平均三维绿量,针叶树大于阔叶树;而通过绿视率计算,阔叶树绿视率为55.41%,平均三维绿量为253.02 m3,而针叶树绿视率为30.75%,平均三维绿量为146.75 m3,不论是绿视率或者三维绿量,阔叶树均大于针叶树,与传统方法相比更符合树木的实际情况。     

基于SfM的针叶林无人机影像树冠分割算法

利用无人机影像进行森林资源调查具有作业快速便捷、数据分辨率较高、影像细节丰富的特点,可较好地识别单木,获取树木位置、冠幅等信息。但是,厘米级的影像分辨率使基于光谱信息的传统分割算法在提取树冠时出现破碎化现象,产生过分割结果。同时,在非落叶季由于无人机影像难以观测到茂密林冠下层地形,故在地形起伏较大的林区难以实现基于树木冠层高度模型(CHM)的单木分割方法。针对上述问题,结合传统二维图像处理和Sf M三维建模,提出了一种无需高度归一化的无人机影像树冠三维分割提取算法,首先利用Sf M技术从高重叠航片建立三维表面模型,利用高程和图像信息检测初始树木位置,再采取k NN自适应邻域分水岭分割的方式对中心单木进行精确的树冠参数提取。在北京市百花山国家级自然保护区的落叶松林地进行了高分辨率无人机影像实验,采用正射影像目视解译结果和多种基于图像、点云的自动分割算法结果进行验证和评价。结果表明,本文方法对树木总体检出率在91%以上,冠幅提取精度在81%以上,优于传统的全局分水岭方法和其他树冠分割算法。     

基于Mask R-CNN的单株柑橘树冠识别与分割

针对在复杂果园背景中难以识别分割单株果树树冠的问题，研究了基于Mask R-CNN 神经网络模型实现单株柑橘树冠识别与分割的方法。通过相机获取柑橘园图像数据，利用Mask R-CNN神经网络实现单株柑橘树冠的识别与分割，根据测试集的预测结果评估模型的性能和可适应性，并分析模型的影响因素。结果表明：参与建模的果园单株树冠识别分割准确率为97%，识别时间为0.26s，基本上可满足果园精准作业过程中的树冠识别要求；未参与建模果园的单株树冠识别分割准确率为89%，说明模型对不同品种、不同环境的果园具有一定的适应性；与SegNet模型相比，本文模型准确率、精确率和召回率均约高5个百分点，说明在非目标树冠较多的复杂果园图像中具有较好的识别分割效果。本研究可为对靶喷药、病虫害防护、长势识别与预估等果园精准作业提供重要依据。     

基于三维激光点云数据的树冠体积估算研究

树冠体积是预估树木生物量的重要参数之一。为了实现对树木冠体体积无损高精度量测,随机抽取了6个树种、共计30棵树木的三维激光点云数据作为数据源,对树冠体积的求算方法进行研究。首先,对三维激光点云数据进行匹配、拼接、去噪及压缩等处理,提取冠体点云数据;其次,提取每一棵样木树冠的边缘特征点;最后,应用不规则三角网TIN的原理算法计算冠体体积。本文所提取的边缘特征点能够最大限度地维持树冠冠体的整体不变形,还能够继续去除部分冗余数据,缩短了不规则三角网TIN的构建时间,提高了计算效率;此外,树种包含有针叶树和阔叶树,在冠形上既有针叶树所特有的冠体体态特征,又有阔叶树的冠体体态特征,其研究结果具有一定的代表性。本文采用的方法与已有文献计算结果对比表明:均方根误差为0.832,平均绝对误差为0.49,平均相对误差为1.75%,可看出二者之间差异较小;同时在30个样木中随机抽取5个样木的人工测量结果与本研究相比较,取得的精度相对较好。采用本研究所得结果精度较高,能够满足生产需求。     

基于改进α-shape算法的三维点云树冠体积计算方法

为准确测量树冠体积,深入研究三维绿量和区域碳循环,针对现有点云数据测量树冠体积方法存在的高估与低估问题,提出了一种顾及点云边界密度、变阈值α-shape边界提取方法,并通过实验分析确定最优线性迭代步长和分层间距,实现了对树冠体积的精确计算。首先,对树冠点云数据进行等间距切片处理;然后,采用改进α-shape算法提取点云切片更为真实、自然的边界多边形;最后,计算切片面积和各层点云间的台体体积,并累加台体体积,获得树冠体积。实验表明：树冠体积计算的准确性与树冠内部枝叶结构和点云密度相关;无论对于高密度还是低密度树冠,采用改进α-shape算法的树冠体积计算结果不仅具有良好的稳定性,而且相较于已有其他方法更为准确,避免了Graham凸包算法的高估问题,与体元累加法相比也更利于树冠总体占用空间的计算。     

基于三维激光扫描点云的树冠体积计算方法

针对树冠形状不规则,树冠体积难以测量和计算的问题,提出一种基于三维激光扫描点云的树冠体积计算方法——体元模拟法,即以固定大小的体元模拟不规则的树冠形状.首先将树冠沿树高方向以k为步长进行等距离分段,把每一段树冠的点投影到垂直于树高方向的平面上,再对该平面划分成大小为k×k的像元,根据投影到各个像元内点的数量,判断该像元的有效性,统计有效像元的数量T,则树冠体积为T个k×k×k的体元之和.经试验,当体元边长等于冠径的1/10时,计算的树冠体积达到稳定.该算法对于任何树种不用考虑树冠的形状,减少了人为判别导致的差异,适用于三维激光扫描树木树冠体积的计算.     

地基激光雷达提取单木冠层结构因子研究

在传统森林计测中,由于树木冠层的形态各异、结构复杂,往往难以精确获取结构因子。本文以地基激光雷达为工具,通过对单木扫描获取点云数据,基于球极平面投影和Lambert方位角等面积投影法计算冠层孔隙度,运用不规则面投影法和体元法提取树冠的体积和表面积,并对结果进行了对比分析。选取北京林业大学校园内6株立木为研究对象,结果表明,对于冠层孔隙度,球极平面投影的结果均小于Lambert方位角等面积投影,平均误差为0.03;对于体积和表面积,运用不规则面投影法和体元法得到树冠体积相对误差为5.32%~12.43%,平均相对误差为9.29%,提取的树冠表面积的相对误差为1.40%~5.21%,平均相对误差为3.33%。2种方法得到的结果差别不是很显著。因此利用地基激光雷达获取点云数据,通过对单木一次扫描提取冠层孔隙度、树冠体积和表面积,为计算树木的三维绿量、生物量、光合作用能力等提供了更可靠的数据支持。     

手持式精准立木树高测量装置设计与试验

为解决森林资源调查中树高测量误差大,复杂林分环境树高测量难,倾斜立木树干长度测量不准等问题,以测量学、测树学、电子信息技术、传感器技术和图像处理技术为基础,研制了手持式精准立木树高测量装置。该装置集成了中央处理器、激光测距仪、高清摄像头、高精度陀螺仪传感器、液晶显示屏、存储器等元器件,利用激光测距传感器获取测量装置与被测树根间的距离,同时获取该装置的仰角信息,再利用图像中心确定树顶位置后获取第2个仰角信息,通过距离信息和角度信息解算测量树高。使用设备贴紧树干测量树干倾斜角度,对于干型弯曲的树木,利用边缘检测算法识别图像树干轮廓边缘,以轮廓近似法提取树干轮廓边缘点,获得树干边缘离散点坐标信息,将线性拟合求得的直线斜率转换为树干倾斜角,利用角度补偿算法完成长势倾斜立木的树长测量。试验结果表明树高测量精度可达98.04%,倾斜立木测量精度为96.89%,满足国家森林资源调查的精度要求。     

基于多源遥感数据的输电线走廊树种分类

针对目前树冠提取中受背景影响和易出现过度分割的问题,首先,采用可见光差异植被指数和双边滤波对传统的单木树冠分割方法进行了改进;然后,以单木树冠为对象提取多维特征,并利用XGBoost算法进行特征重要性排序和特征选择;最后,使用随机森林、支持向量机、人工神经网络3种非参数分类器,设计了12种分类方案,进行了单木树种分类和精度评价。结果表明,改进的单木分割方法可以有效提高树冠提取精度,得到的树冠分割精度在80%以上;将Li DAR数据和航空正射影像相结合,采用XGBoost算法进行特征选择后,使用ANN分类器的分类方案精度最高,总体精度为86.19%,说明多源数据协同作用和特征选择可以提高树种分类精度,在单木尺度上ANN分类器对现有树种类型的分类能力最强。     

基于M-K聚类法的果树上下冠层体积比测算

果树冠层体积是决定果园施药量的重要指标。针对机载LiDAR探测技术(ALS)在冠层体积测量中存在下冠层信息缺失的问题,提出运用图像处理的方法对果树上下冠层体积比进行测量。该方法运用结合马氏距离和K-means算法的M-K聚类法对图像目标区域进行分割,通过旋转积分法求得上下冠层的像素体积之比。为解决该方法对单侧冠层图像处理存在误差(25.3%)较大的问题,对果树不同侧面的多幅图像进行测算,并对结果进行算术平均以提升方法的准确性与稳定性。运用所述方法对果园内23棵苹果树、20棵樱桃树进行实验,并将结果与人工测量结果进行对比分析,结果表明,该方法与人工法的测量结果间具有较好的一致性,两种果树的决定系数分别为0.775和0.832,能够用于果树冠层体积比的测量。     

面向立木识别的有效K 均值聚类算法研究

针对林区自动对靶施药过程中,当立木生长密集时,获取的点云数据聚类准确率低、效率低的问题,提出优化后的K-均值聚类算法,数据获取方式基于2D激光扫描。针对立木点云信息聚类前需对相关数据进行滤波,提出窗口滤波算法,选取产生混合像素点的树干边缘,提取3次连续扫描的混合像素及其近邻点组成滤波窗口,进行最大阈值滤波,结果显示50次试验中仅有2个混合像素点未被滤除,混合噪声的滤除率高。在K-均值算法优化方面,针对算法需预先确定聚类数和初始聚类中心的不足,提出利用斜率变化确定聚类数的方法,试验对5个不同距离下5组立木分别进行100次测量,结果显示错误测量次数仅为3次,并可在试验前期通过人工方式去除,算法合理有效;对哈夫曼树法确定立木扫描点聚类中心的性能进行了试验分析,3种不同树干分布类型下分别运用随机抽样法和哈夫曼树法进行K-均值聚类,前者平均正确率仅为76.4%,后者则为95.5%;同时分析了Ⅰ型分布下2种算法聚类的迭代次数和耗时,5个不同距离下,随机抽样法的平均迭代次数明显高于哈夫曼树法,平均运行耗时上,哈夫曼树法则高于随机抽样法,前者变化范围为120~220 ms,后者为50~85 ms,该范围为林区测绘的可接受范围。试验证明,基于斜率变化确定聚类数和基于哈夫曼树法确定聚类中心的K-均值算法是林区立木点云聚类的有效算法,可应用于林区的立木检测。     

基于无人机影像匹配点云的苗圃单木冠层三维分割

近年来较多的树冠提取算法以激光雷达数据为基础,然而激光点云数据量大、冗余多而且采集成本高。本文基于无人机影像匹配点云提取单木树冠轮廓,研究一种成本可控、能够补充甚至部分替代激光雷达的小范围森林制图方案。以福建省三明市某林场内苗圃地作为研究对象,在稠密的无人机影像匹配点云中截取2个25 m×25 m的样地作为测试样本。预处理后,首先构建植被冠层高度模型,以局部最大值法探测树冠位置并标记为种子点;从这些种子点形成的初始区域开始生长,迭代计算直到全部的影像匹配点云归并完毕;最后,将算法提取的树冠轮廓导入Arc GIS中获取树冠轮廓矢量边界,并与手绘参考树冠叠加,利用F测度实现精度的评定。依此方案,在2个林分范围内的树冠提取F测度均达到了89%以上,单木冠幅提取的误差在0.14 m以内。结果表明,该方案简单有效、精度可靠,适用于小范围、高精度的植被制图。     

基于立方体格网法的树冠体积计算与预估模型建立

以北京地区10种常见乔木为研究对象,通过三维激光扫描仪获取其点云数据,利用树冠表面三角网配合立方体格网法计算其树冠体积,与点云中提取所得的林木因子分析建立树冠体积和胸径、树高、平均冠幅、冠高的预估方程,并检验其精度。以银杏为研究目标进行了实验,结果表明:银杏的树冠体积与胸径、树高、平均冠幅、冠高均显著相关,通过分析选取了银杏树冠体积的三因子(胸径、平均冠幅、冠高)最优模型,并对模型进行了检验,检验结果表明,模型拟合效果较好,预估精度达到90.5%,可以使用该模型进行银杏的体积估算;同时对所选其他树种进行三因子模型拟合,模型检验结果表明,三因子模型均能够较好地对该树种的树冠体积进行估测。     

激光测距在果树冠层三维重构中的应用

随着计算机技术的发展和果园果树精细管理的现实需求,果树冠层的三维重构问题成为研究热点。本文采用激光传感器在不同高度对果树靶标冠层进行水平扫描测距;将从果树不同方位测得的探测点坐标进行坐标转换,得到同一坐标系下的果树冠层三维点云;采用插值法重构模型树冠层三维轮廓。试验结果表明重构的冠层轮廓较为准确地反映了果树的外形轮廓。本文研究为采用激光传感器测距技术进行果树冠层三维重构与体积测量提供了前期研究基础。     

丘陵山地果树冠层体积激光测量方法与试验

树冠体积是农药变量喷施、肥料精准施用和果产预估等果园精细管理的重要因素。为了克服丘陵山地果园地面不平整和果树种植不规整等因素对果树冠层体积激光测量方法的影响,搭建了果树冠层体积激光测量平台,基于AHRS和DGPS实现定位定姿,通过空间坐标转换直接求取果树冠层激光扫描点在大地坐标系下的三维数据;并采用切片技术提取冠层点云的面、线信息,以累加方式计算果树冠层体积。测得的大地坐标系下的丘陵山地荔枝树冠层激光点云能较真实地反映果树冠层的形状特征;以3棵人工修剪的圆柱形绿篱树为靶标,冠层体积激光测量与人工测量相对误差约为5%。试验结果表明,依据果树冠层点云测量冠层体积具有较高的准确性和可靠性。     

基于机器视觉的果树树冠体积测量方法研究

针对人工测量精度低、费时费力,而基于三维激光扫描技术、超声波技术等自动测量方法成本高、操作复杂的不足,提出了基于机器视觉的果树树冠体积测量方法,搭建了可移植性果树树冠体积自动测量平台。基于机器视觉实现待测树冠图像获取,通过图像处理算法获得树冠图像面积特征,并采用最小二乘法和五点参数标定法获得普适性树冠面积与体积相关关系模型,从而得到树冠体积,通过对梨树以及桂花树样本的试验,可以发现预测树冠体积平均误差分别为13.73%和10.18%。对于不具备系列样本无法构建模型的树冠,采用单点测量法,根据树冠轮廓拟合椭球结构体,然后根据体积求算补偿公式,完成体积测量,测量误差在10%左右。表明树冠形态特征的图像提取算法可行有效,通过面积以及轮廓特征量均能很好地表达树冠体积特征。     

基于LiDAR数据与光谱影像融合的单木提取方法

针对现有的机载数据单木分割方法对林型的普适度不高,尤其在高郁闭度阔叶林地带提取精度偏低的问题,选用海南省海口市热带阔叶林地带的光谱影像和LiDAR数据,先采用基于距离阈值的单木分割方法,利用高分光谱影像分割得到的树冠边缘,对初始探测树顶点进行位置约束。获得单木顶点的精确定位后,采用基于种子点的单木分割方法分割,完成了阔叶林的单木提取。结果显示,与已有的基于单木间相对间距单木分割方法相比,本研究通过选取最佳分割尺度结合光谱影像进行精确定位,改善了原有单一尺度分割方法导致的过分割现象,将单木识别精确率由0.67提升至0.92。该方法在使用遥感对森林单木进行分割工作中,可以更好地识别单木,对不同林型适用度较高,可以为后续的单木信息提取工作提供数据基础。     

田间茶树冠层三维信息获取及其高度和轮廓表达方法

茶树的冠层信息是茶树田间管理的重要内容,也是茶叶机械化作业机具设计的重要依据。针对传统的作物冠层信息获取方法费时费力、主观性强且易造成损伤等问题,提出了一种茶树冠层高度和轮廓的获取与估计方法。首先,通过3D LiDAR从多个站点采集茶园的点云数据,对原始点云进行姿态矫正、ROI划分、配准、降噪以及高程归一化预处理,得到高程归一化的茶树点云。其次,通过反距离权重插值法、不规则三角网插值法在不同空间分辨率下生成茶树的冠层高度模型（Canopy height model, CHM）,其中,空间分辨率0.05m下不规则三角网插值生成的茶树CHM具有较好的插值精度,模型产生的凹坑也相对较少。最后,分别以90~100间的21个百分位数提取CHM的栅格值作为茶树冠层高度与实测值比较,结果表明,第98.5百分位数时估计值最为准确,与真值间的相关系数为0.88,平均绝对误差为3.17cm,均方根误差为4.16cm。此外,在高程归一化的茶树点云中提取20处冠层断面点云,分别采用椭圆模型、高斯模型和二次多项式模型拟合了冠层轮廓点云,其中,二次多项式模型能更好地反映茶树冠层轮廓特征,点云与拟合曲线间平均最小距离的均值为2.60cm,方差为0.21cm2。研究可为茶园现代化管理和茶叶机械化作业机具的设计提供理论支持。