依据BP神经网络的机载LiDAR数据估算林分平均高

以东北虎豹国家公园范围内的针叶纯林为研究对象,结合2018年9月机载LiDAR点云数据和同步地面调查数据,提取半径为15 m的圆形采样尺度下的LiDAR点云特征变量为数据基础,采用BP神经网络算法、逐步回归法分别构建林分算术平均高模型和林分加权平均高模型,实现对林分平均高的估测.其中在利用BP神经网络算法构建模型时分别选择了贝叶斯正则化算法和L-M算法作为神经网络训练算法.结果表明:BP神经网络算法对数据具有更好地解释能力,其构建的林分平均高模型相关系数(R2)均在87％以上,高于逐步回归法构建的林分平均树高模型;林分加权平均高模型精度更高,用样地加权平均高作为实测值时,采用逐步回归算法、BP神经网络L-M算法、BP神经网络贝叶斯正则化算法构建的模型的检验样地数据的决定系数(R2)分别为0.858、0.919、0.908,树高估测精度(P)分别为88.6％、89.8％、91.2％,与以林分算术平均高作为实测值构建的估测模型相比,决定系数(R2)分别提升了4.9％、3.7％、3.4％,估测精度(P)分别提升了2.9％、2.4％、1.5％;BP神经网络的不同训练函数之间无明显性能差异,两种不同训练方法构建的林分平均高模型的决定系数R2及树高估测精度(P)略有差异,但整体相差较小.     

利用LiDAR离散点云估测针叶林叶面积指数

通过对小光斑激光雷达离散点云数据进行处理,提取了6个变量参数分别用于估测针叶林叶面积指数,为了提高模型估测精度及弥补单变量模型的不足,在单变量模型的基础上尝试多变量组合共同用于估测森林叶面积指数,经过对比得出单变量模型中OGF模型最好,拟合相关性R=0.897,预测精度p=0.959;多变量预测模型结果差异不大,拟合相关性均＞0.905,估测精度均＞0.957。同时为了验证模型的推广性,对点云数据进行随机稀释操作获得4种不同密度的点云数据,分别用于验证点云密度对OGF模型及OGF与LPI组合模型的影响,结果表明点云密度对模型结果的影响不大,即使在0.125倍点云密度时模型仍能较好的估测针叶林叶面积指数,满足生产需要。     

利用大光斑激光雷达估测小兴安岭平均树高

研究通过获取覆盖中国黑龙江省小兴安岭的GLAS第三激光器Laser3I数据,并用IDL和MATLAB对GLAS波形数据进行处理来提取树高,利用小兴安岭二类调查数据做精度检验,得到精度为92.67%。结果显示：大光斑激光雷达能够高精度地提取树高,可为林业生产及时提供必要的数据支持。     

基于TLS数据的单木胸径和树高提取研究

利用TLS测量森林参数(树高、胸径和林分密度等)不仅节省人力,而且还能提高工作效率,目前已成为快速获取树木几何参数的有效方法之一。本文利用地基激光雷达数据,提出了一种半自动方式提取单木参数的方法。首先,利用发射脉冲与接收回波脉冲的形状偏差和强度对原始点云数据中的“飞点”和噪点进行滤除;然后,配准各站点云数据;接下来采用不同目标回波过滤方法滤除部分树叶点和其他非树干点;抽稀、合并各站点云数据,对合并后的点云数据水平分层并生成对应的灰度影像;对灰度影像采用Hough变换方法估测单木位置和胸径;对Hough变换检测层数较少的结果采用椭圆拟合方法重新检测;最后,结合Hough变换和椭圆拟合检测结果从点云数据中提取单木位置、胸径和树高。用小兴安岭凉水自然保护区的白桦天然次生林对算法进行了检验,5块多站扫描样地单木识别的平均精度为72.16%,将所提取的单木位置、胸径和树高与外业实际测量数据对比,结果一致性较高。5块多站扫描样地的胸径和树高均方根误差分别为2.38、2.55、3.58、2.21、1.92 cm和4.31、3.87、2.34、5.00、3.47 m。      

基于近邻几何特征的TLS林分点云分类研究

目的在地面激光雷达点云分类任务中多存在特征维度较高的问题,然而当点云数量较多,分类任务中构造较高维度的特征往往需要较多的计算成本和运行内存。为了解决这一问题,本研究提出用近邻点构造5个几何特征训练成熟分类器,以期在将林分点云分为地面、树干与枝叶3个类别的同时达到降低特征维度的目的。方法在构造特征的过程中采用近邻值为140的快速KDtree搜索近邻点,获得近邻点后利用其计算协方差矩阵特征值、法向量、曲率、方差和最大高程差构造5个几何特征训练分类器。为了检验本研究构造的特征在林分点云分类中的稳定性,分类器分别采用随机森林和xgboost做比较研究。本研究的实验数据均来自地面激光雷达扫描获得的单站蒙古栎人工林点云数据。结果使用随机森林和xgboost分类器训练的模型在测试集中正确估计样本数量和样本总量的比值分别为0.932 1和0.936 3。这两个分类器在地面、树干和枝叶这3个类别中的查准率达到0.97、0.93、和0.91以上,且在这3个类别中的分类结果中xgboost较随机森林均有千分级的优势。结论结果表明本研究构造的特征能够完成林分点云分类任务,在保证点云分类准确率的基础上,既减少了特征维度,又有助于提高特征计算效率,具有较高的稳定性。本研究的分类结果可为林分参数反演和生物量估计等研究奠定基础。      

基于机载LiDAR的四次多项式拟合法估测单木冠幅

小光斑激光雷达已被广泛用来估测森林参数,为了进一步提高其估测单木的精度,选取了内蒙古依根试验区野外测量的单木数据和机载LiDAR数据,提出了四次多项式拟合法。该方法首先以单木顶点为中心在CHM上提取东西、南北2个方向的高程数据。然后分别得到2组数据的四次多项式拟合曲线,曲线中两凹点之间的水平距离为该方向的冠幅值。最终将2个方向的均值作为单木冠幅估测值,冠幅估测值的平均绝对误差为0.99m。     

基于机载LiDAR数据的玉米叶面积指数反演

以机载LiDAR离散点云数据为数据源,基于植被冠层孔隙率与叶面积指数的关系,提出一种反演大田玉米叶面积指数的方法。对反演LAI和实测LAI进行对比分析,结果表明:基于Axelsson改进的不规则三角格网加密方法可以将地面点和非地面点分开,结合高分辨率影像能够提取出玉米冠层点云;基于孔隙率反演LAI,尼尔逊参数的选择对结果影响很大,利用扫描天顶角模拟尼尔逊参数,LAI反演结果接近于真实情况。利用机载LiDAR点云数据能精确地反演大田玉米LAI,该研究方法适用于中等高度的农作物,可以扩展到甜菜、甘蔗等其他中等高度农作物。     

基于影像滤除地面激光雷达数据中绿色植被点云的方法研究

基于地面激光雷达扫描时配置的高分辨率相机所获取的影像数据,变换影像数据的颜色空间之后分别在色相通道和饱和度通道中根据阈值检测出绿色植被的分布区域,通过融合两个通道的阈值检测结果提高检测准确度,通过对检测区域进行腐蚀和膨胀运算消除检测区域中的数据噪点,最终通过二维检测区域和三维点云数据的配准实现滤除绿色植被所对应的点云数据。利用地面激光雷达实际测量的点云数据和影像数据开展试验,获得了较好的试验结果,表明方法有效可行。     

基于变量优选的机载激光雷达对林分平均高的反演

森林高度是反映森林数量和质量的重要指标,是森林经营管理的重要基础数据,准确获取森林高度信息一直是林业遥感研究的目标。本研究以广西高峰林场的105块地面实测样地数据和机载激光雷达(Light detection and ranging, LiDAR)数据为基础,从点云数据中提取35个特征变量,分别采用支持向量机-递归特征消除法(SVM-RFE)、轻量级梯度提升机(LightGBM)和主成分分析(PCA)法进行特征筛选,并结合参数模型(LR)和非参数模型(RFR、KNN)对林分平均高进行反演。研究结果表明,不同特征选择方法和估测模型的组合精度差异较大。其中,利用LightGBM进行特征筛选结合KNN回归反演效果最佳,建模的R²和RMSE分别为0.83和1.64 m,验证的R²和RMSE分别为0.81和1.56 m。此外,在SVM-RFE、LightGBM和PCA这3种特征筛选方法中LightGBM的效果最好,无论在RFR模型还是在KNN模型中均能得到较高的R²,优于SVM-RFE和PCA。     

森林区域机载LiDAR点云数据的改进八叉树滤波算法研究

目的利用机载LiDAR点云数据能准确获取地物点三维坐标的特点,本文对森林区域LiDAR数据进行滤波分析,旨在提高点云滤波精度。方法基于改进的八叉树模型,将复杂地形分解为大量山坡地形,通过改变节点尺寸,既保留了点云的原始信息,又增强了点云数据分割的准确性。针对森林区域地形起伏不定的实际情况,在滤波算法中引入坡度判断,在一定程度上改善了山坡低矮植被易被错分为地面点的情况。结果对于3组不同地形下的点云数据,滤波总错误率分别为4.57%、4.75%和5.83%。这一结果对森林区域不同地形下的点云滤波具有一定的实用性。结论本文提出的改进八叉树滤波算法可以充分利用数据结构特征实现快速、高精度的滤波,从而节约时间成本和运行成本,也为后续森林参数的提取奠定基础。      

基于机载激光雷达影像的天山云杉林树高提取及蓄积量反演

【目的】研究提取影像高程数据建立模型反演天山云杉林分蓄积量,获得便捷、快速提取森林蓄积信息的技术方法,为研究山地天然林精准监测与评价提供技术途径。【方法】以新疆天山中部北坡天格尔森林公园天山云杉(Picea Schrenkiana var.tianshanica)为研究对象,机载激光雷达航拍影像与样地每木检尺为数据源,使用点云分类与克里金插值法对激光雷达影像高程数据进行提取获得天山云杉树高,根据样地实测数据构建胸径-树高模型,并根据胸径-树高模型天山云杉林林分蓄积量进行反演。【结果】激光雷达影像分辨率较高,经过点云分类后,采用克里金插值法提取的树高平均精度可达89.64%,幂函数曲线模型拟合度最高,R²为0.908,结合二元材积公式,基于激光雷达影像估测蓄积量与样地实测蓄积量对比,精度达到87.43%。【结论】采用克里金插值法对天山云杉林树高信息的提取效果较好,建立胸径-树高模型弥补了激光雷达不能对胸径直接测量的缺陷,反演天山云杉林林分蓄积量,该模型可满足对新疆山地天然林数字经营管理的标准。     

基于机载LiDAR数据的林分平均高及郁闭度反演

以内蒙古大兴安岭森林生态系统国家野外科学观测研究站为研究区,通过2012年8月至9月获取的机载激光雷达数据与地面同步调查样地数据,构建林分平均高反演模型和林分内郁闭度反演模型。结果表明:混交林、阔叶林和针叶林的林分平均高估测精度依次为95.66%、94.11%和90.71%,林分郁闭度估测精度依次为92.73%、56.62%和85.19%。不同森林类型的林分平均高与郁闭度反演精度存在显著性差异。     

基于LiDAR数据的单木提取算法研究

有效了解森林生长变化信息对森林资源的保护以及生态环境的研究具有重要意义。近年来,激光雷达数据是森林清查中主要的LiDAR数据源。但是现有机载LiDAR数据单木分割算法在密集林区应用精度较低,尤其在中下层冠层单木提取精度不高,存在漏检的现象。针对以上问题,采用归一化割（normalized cut,Ncut）方法直接对激光点云数据进行初始分割,然后设定冠层的形状参数与点云数量阈值,利用全局最大值重复Ncut方法,对林区下层冠层进行探测,实现单木的精确提取。结果表明,与只利用归一化割方法提取单木结果相比,本研究方法使单木提取误判率由22.66%降至3.9%,识别率由原先的68.49%提升至86.63%,有效规避了上层冠木对下层遮盖导致的下层单木漏检情况,提高了在冠层中间层和下层树木的识别率,可为今后森林清查、森林资源管理提供分割方法的选择,也为森林分类、单木分割提供样例。     

基于ICESat-GLAS的坡地最大树高估测模型比较研究

地形坡度对星载LiDAR(lightdetection and ranging)估测最大树高具有较大的影响。为了提高坡度条件下树高的反演精度,通过建立坡地条件下5种不同的最大树高估测模型,前3个模型分别使用不同DEM(digital elevation model)数据的地形指数来量化地形坡度的Xing模型,第4个模型使用波形参数-未改进边缘长度来量化地形坡度,第5个模型与第4个模型类似,用改进边缘长度来替换未改进边缘长度。结果可知,波形参数模型的精度要高于使用DEM数据的地形指数的Xing模型的精度,第5个模型的精度要高于第4个模型的精度。表明波形参数量化地形坡度的能力要优于DEM数据的地形指数,而改进边缘长度模型更适合估测坡地的最大树高。     

基于移动LiDAR 点云的树木三维重建

【目的】树木三维结构的描述是进行农林生态研究的重要科学基础,而移动激光雷达的使用将有利于快速、高效的农林树木三维结构重建。【方法】文章利用同时定位与构图技术实现基于移动激光雷达点云的农林样地树木三维重建,并以地基激光雷达数据为参考,验证三维重建精度,同时对比树木胸径,分析移动激光雷达在农林树木三维重建中的有效性和可行性。【结果】同时定位与构图技术可实现移动激光雷达点云的树木三维重建,其中,水平方向重建精度为0.038 m,垂直方向重建精度为0.017 m;以地基激光雷达数据拟合出的树干胸径为真实值,移动激光雷达点云拟合出的树干胸径为观测值,两者的相关系数为0.715 6,均方根误差(RMSE)和平均绝对误差(MAE)分别为0.011、0.01 m。【结论】移动激光雷达可实现农林树木三维结构快速重建,且基于重建结果可实现树干胸径准确提取。因此,移动激光雷达对提高农林树木测量效率具有积极作用。     

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。     

基于光束法空中三角测量理论测量林分平均高度的方法

提出了利用航片计算林分平均高的方法。该方法是根据光束法空中三角测量理论,首先生成DEM和DSM模型,再从DEM和DSM模型中生成DVHM模型,最后从DVHM模型中生成林分平均高,并用固定样地林分平均高对DVHM模型生成的林分平均高进行了检验,结果表明：实测固定样地平均高与DVHM计算固定样地林分平均高差值最大为6．8m,最小为-0．3m,实测值与计算值之间存在着一定的线性关系。     

基于形态学的机载LiDAR点云滤波研究

SMRF算法又称改善的简单形态学滤波算法,该算法相比以往算法有较高的滤波精度,效率高.该研究从点云格网化、迭代开运算和原始点云滤波3个方面分析SMRF算法的优势,并针对该算法最大窗口半径参数确定难的问题,提出了基于高次曲线极值的滤波窗口探测的形态学机栽云滤波,通过程序自动寻找最优最大滤波窗口半径,摆脱了以往需要人工确定形态学滤波开运算的最大滤波窗口问题.实验表明该方法是可行的,这不仅降低了参数输入的门槛,而且滤波精度较高,这对机载激光雷达点云数据后处理向着自动化处理发展具有重要的意义.     

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。