无校正点的机载LiDAR农作物点云数据精度评价

农作物高度是农业遥感应用中极为重要的参数,目前已能够使用机载激光雷达获取准确的农作物高度信息,但对其获取点云数据精度的评价是困扰研究人员的问题之一。在分析机载激光雷达点云获取与定位模型的基础上,从系统误差和随机误差2个方面进行误差分析,结合具体试验设计得到定量化描述与分析激光测距误差和动态时延误差。利用点云脚点的空间拓扑关系,得到拟合高程模型真值与平面模型拟合方程,以此为基础进行无校正点的点云数据精度评价。结果表明,高程精度最大残差值为5.60 cm,均方根误差为0.94 cm,平面精度最大残差值为2.78 cm,均方根误差为8.63 cm,这与定位定姿系统(positioning and orientation system,简称POS)数据精度报告相近,该结果可为研究无校正点条件下作物高度的高精度测量提供参考和借鉴。     

基于K-means聚类与RBFNN的点云DEM构建方法

因无人机机载激光雷达(Light detection and ranging,Li DAR)数据具有离散性,在生成数字高程模型(Digital elevation model,DEM)时需选择有效插值方法。以荒漠植被区为研究背景,使用零-均值标准化方法归一化点云回波强度,利用肘方法确定最佳聚类数目,采用K-means方法对点云强度值聚类得到地面点云。在此基础上,采用克里金(Kriging)方法插值抽稀率为20%和80%的地面点云数据,且将点云高程作为变量,建立RBF神经网络预测模型,并通过线性回归检验方法对模型进行精度分析,采用Delaunay三角网内插生成高精度DEM。结果表明:采用K-means方法实现最佳聚类数目为4的聚类,得到地面点云48 722个,在点云较优抽稀率20%的情况下,径向基函数神经网络(Radical basis function neural network,RBFNN)训练时间为56 s,点云高程预测的决定系数R~2为0. 887,均方根误差RMSE为0. 168 m。说明使用RBFNN对K-means聚类滤波得到的地面点云进行高程预测效果较好,可为基于点云构建高精度DEM提供参考。