基于无人机影像的高郁闭度杉木纯林树冠参数提取

  目的  冠幅是树冠结构的重要特征因子,直接影响树木的生产力和生命力,郁闭度是反映森林冠层结构与密度以及评价森林经营管理采伐强度的重要指标之一。利用无人机可以云下飞行,易于获取图像,精度高,低成本等优势,研究无人机影像上提取树冠参数的方法,使无人机影像提取林木树冠参数的操作系统化,实现精准高效的森林资源清查和监测。  方法  以福建将乐林场杉木人工纯林为研究对象,采用四旋翼无人机影像为数据源,基于面向对象分类的方法,将杉木纯林的树冠参数从无人机影像中提取出来。面向对象分类的方法需要先利用ESP工具选取最优分割尺度,然后根据影像的分割结果将树冠对象聚为一类,进而统计每个树冠对象栅格像素个数计算出树冠冠幅面积以及林分郁闭度。  结果  面向对象分类有效地对高郁闭度林分进行了树冠的提取。在分割尺度为70时,单木树冠分割效果最好,树冠被单独分割出来,但也存在一定的过分割以及未分割的问题,以至于部分单木的丢失。分割结束后,对分割对象进行特征空间的优化,选取适当的分类特征,最终将研究区分为树冠和林隙两类。通过统计每个对象栅格点数,计算得出的林分因子包括林分郁闭度,树冠面积。以地面实测数据作为参考,冠幅面积提取精度为0.829 1,林分郁闭度测量精度为0.973 1。  结论  研究结果表明,基于无人机高分辨率影像的树冠参数提取在高郁闭度林分同样适用,能有效提高森林资源调查的效率并且能够满足森林资源调查的精度。      

基于U-Net和分水岭算法的无人机单木树冠提取方法

高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础,而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割,以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点,提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象,在南山实习林场采集积雪背景下无人机遥感影像作为试验数据,构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先,从无人机遥感影像中选取1 000张训练样本,128张测试样本,并对样本进行标注,通过数据增强将1 000张训练样本扩增为16 000张,按照4∶1分为训练集和验证集,对U-Net模型进行训练,在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后,利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后,在深度神经网络U-Net单木树冠提取的基础上,采用MCW算法对提取结果进行优化,并对单木树冠提取效果进行精度评估。结果表明,U-Net+MCW算法对于单木尺度的F测度为74.04%,比单一使用U-Net模型提高了28.52%,以该方法提取遥感影像中的天山云杉树冠信息为基础,计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此,U-Net+MCW算法能够有效解决自然光照条件下,由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素,导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题,是一种低成本、高效率的单木树冠提取方法,能够满足中小尺度山地森林资源调查和监测要求。     

机载与星载高分遥感影像单木树冠分割方法和适宜性对比

目的应用高分辨率遥感影像快速准确提取单木树冠信息,对现代森林管理具有重要意义。面向对象的多尺度分割方法能有效地解决基于像元特征分析的局限,是单木树冠提取的重要技术途径。本文对比分析了不同遥感平台和人工林树种的树冠提取精度,探究实验方法针对不同尺度影像数据和树种的优势及适用性,并结合调查目的为影像数据的选取提供参考。方法以广西壮族自治区高峰林场为研究区,选取低空无人机CCD、机载CCD和星载高分二号遥感影像数据,针对树冠区域与背景区域的对比度效果不佳的问题,首先采用小波变换进行图像增强处理,去除影像噪声,增强树冠与背景的对比度;然后应用面向对象的多尺度分割方法,排除背景区域的干扰,针对树冠区域进行单木树冠的快速提取;最后对3种影像下提取的杉木和桉树人工林单木树冠的流程和方法,以及树冠提取精度进行研究分析。结果采用小波变换对无人机和机载平台影像增强效果显著,无人机平台下桉树和杉木实验区单木分割精度分别为87%和93.3%,冠幅估测精度为84.2%和85.1%;机载平台下桉树和杉木实验区单木分割精度为89%和91.1%,冠幅估测精度为83.9%和84.4%;而小波变换对星载平台影像增强效果不佳,桉树和杉木实验区的单木分割精度为82%和89%,冠幅估测精度为72.3%和73.3%。结论在无人机和机载平台下,应用多尺度分割得到的树冠提取精度相接近;在星载平台下,直接应用多尺度分割进行单木树冠提取,受影像自身空间分辨率的局限,提取精度低于前两种平台,但也能够满足森林调查的基本需求。      

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。     

基于无人机影像的天山云杉林单木树冠信息提取

【目的】 研究树冠信息估测出林分密度、生长量等森林调查指标,判断林木生长优良状况提供参考,【方法】 基于无人机遥感影像,以新疆农业大学实习林场主伐迹地下天山云杉林(Picea Schrenkiana var tianshanica)为研究对象,采用高斯-拉普拉斯算子(Laplacian of Gaussian,LOG)结合最大类间方差寻找最优阈值(Otsu)对影像进行处理,并利用标记控制分水岭分割方法分别提取疏、中、密3种不同郁闭度的天山云杉单木树冠信息。【结果】 利用优化后的标记控制分水岭分割方法较好的解决了过分割问题,对单木树冠信息提取的F测度在疏、中、密林区分别是98.26%、92.91%和87.57%。【结论】 使用的方法提取单木树冠信息精度较高,可以评价对天山云杉林的生长状况,可对主伐迹地下天山云杉林的更新和恢复提供可靠的技术支撑。     

基于树冠形态特征因子的云南红豆杉单木生物量模型拟合

以3年生福建省明溪县云南红豆杉原料林为研究对象,以地径、树高为基础自变量,导入冠幅、冠形率、树冠率等树冠形态特征自变量,用逐步回归的方法优选系列单木生物量理想数学模型。采用独立样本的检验方法,对优选模型进行t检验与偏差检验,估算预测精度。结果表明：导入树冠形态特征自变量后明显提高单木生物量模型的判定系数,且模型较未导入树冠形态特征有着更好偏差与预测精度表现。树冠形态结构显著影响红豆杉单株生物量;冠幅和冠形率明显促进枝叶生物量、茎干生物量、地上生物量,树冠率、冠幅明显促进红豆杉总生物量。在系列红豆杉单木模型导入树冠形态特征因子是必要的,可提高系列生物量模型的预测效果。系列优选的生物量模型均通过t检验、偏差检验,模型的预测精度均在92.36%以上,可以用于生产中的生物量预测。     

不同方法提取无人机影像树冠信息效果分析

以无人机航空拍摄的影像为数据源,采用目视解译和面向对象法提取胡杨、柽柳树冠信息,获得树木冠幅及林分郁闭度.结果表明,单木冠幅、林分冠幅、样地郁闭度的实测值、面向对象法估测值和目视解译法估测值无显著差异（P＞0．05）,表明面向对象与目视解译法都可有效获取单木冠幅、林分冠幅和样地郁闭度信息;面向对象法与目视解译法估测精度无显著差异（P＞0．05）,表明这两种方法获取森林单木冠幅、林分冠幅、样地郁闭度参数效果相当.但基于无人机航拍数据的面向对象树冠提取,能克服人机对话目视解译速度慢、误差大小因人而异的弊端,具有进行大面积林分调查因子定量提取的优势.     

基于标记控制区域生长法的单木树冠提取

根据2009年激光雷达数据、正射影像图及二类调查数据,选取凉水国家自然保护区针叶林和阔叶林样地进行单木树冠提取研究,包括利用动态窗口局域最大值法对单木位置进行探测,以及采用标记控制区域生长法进行树冠边界的勾绘,分别从样地和单木两个层次进行评价。结果表明:样地尺度上,针叶林和阔叶林的树冠面积相对误差的平均值分别为8.74%和-8.24%。单木尺度上,针叶林样地的生产者精度在62.2%~77.3%浮动,用户精度在71.5%~83.9%浮动;而阔叶林样地的生产者精度达到76.1%~91.2%,用户精度达到78.5%~92.5%。阔叶林样地勾绘精度浮动较大,但略优于针叶林样地的勾绘精度,是由于阔叶林样地中树冠分布较稀疏所致;而位置匹配但过度生长的情况过多是针叶林样地树冠提取精度不高的主要原因。     

结合航空影像纹理和光谱特征的单木冠幅提取

随着航空摄影测量技术的不断发展与进步,为提高森林资源调查的工作效率,航空影像已经成功应用到林业资源监测中,但在单木冠幅提取上,研究多考虑影像光谱信息,使得分类结果存在偏差。本文提出同时结合航空影像的纹理及光谱特征,利用面向对象的影像分割方法,通过多次实验对比结果确定最优分割尺度,同时在结合正态分布法确定各光谱及纹理特征信息范围的基础上,提取单木冠幅信息。以2012年鹫峰国家森林公园航空像片为数据源,以ENVI5.0为数据处理平台,对影像进行面向对象的分割,提取试验区域内32株树木的冠幅,并结合传统外业实测数据以及立体像对观测数据进行精度分析。试验结果表明:文章所提出的方法试验精度达到90.05%,与传统立体像对量测方法精度相近,但数据获取速度快,满足林业调查基本需求。      

基于快鸟影像树冠特征的天山云杉材积反演1）

基于QuickBird高分辨率遥感影像,利用面向对象分类法提取了果子沟林场实验区的低林分密度的天山云杉的树冠信息,以实测数据为真值检验遥感方法提取的树冠大小的精度;在此基础上建立了基于遥感影像树冠与实测胸径的关系模型,利用模型估计的胸径和一元材积模型,计算云杉单木材积。结果表明：研究区内天山云杉的树冠遥感方法分类的生产者精度为914．7％,用户精度为90．9％。基于实测胸径和提取冠幅面积所建立的回归方程的决定系数R2＝0．7533,树冠面积提取精度为89．17％,胸径的预估精度为87．91％,材积的预估精度为87．36％。     

果树冠层形态特征测量与分析研究进展

冠层是果树最先接触外界环境与光照的部位,是果树光合作用和呼吸作用的直接通道。果树冠层的形态特征不仅直接塑造了果树丰富的外观造型,同时也间接反映了果树的生长状况和产量潜力。综述了国内外研究者提出的针对果树冠层形态特征的多种测量技术和分析方法,并对今后果树冠层形态特征分析的主要研究目标进行展望,以期为相关人员进一步开展果树冠层形态特征研究和应用提供有益的参考。     

基于腾讯街景的林地郁闭度提取方法研究

从腾讯街景中提取全景图像集,通过图像拼接技术将圆柱形全景图转换成方位角鱼眼图像,结合图像增强、图像二值化等数字图像处理技术以提取上海市植物园林地的郁闭度,把提取结果与通过非监督分类法计算得出的郁闭度以及实地勘测的郁闭度进行比较,以验证该方法的可行性和准确性。结果表明：腾讯街景法的绝对误差平均值(0.027)和标准差(0.031)均小于非监督分类法的,说明腾讯街景法的绝对误差离散程度小、相对稳定。腾讯街景法的R²为0.977,RMSE为0.054,为较优的估测方法。腾讯街景法的拟合线斜率为0.952,表明腾讯街景法的整体估测值偏小;而非监督分类法的拟合线斜率为1.013,则表明非监督分类法的整体估测值偏大。     

基于高分辨率影像的蔡家河流域人工林Crop Science单木提取与缺失检测

以北京市延庆区蔡家河流域人工林为研究对象,以蔡家河流域平原造林区的高分辨遥感影像为数据源,利用ENVI 5.4的Crop Science工具包分别对阔叶林和针叶试验林样区进行单木提取、缺失单木检测,并对研究结果进行精度评价和对比分析。结果表明：Crop Science对人工幼林进行单木提取效果较好,总体精度达到94%以上;缺失单木的识别受林木排列规整程度影响较大,排列越规整,提取效果越好。本研究探索了一种基于高分辨率遥感数据进行人工林地单木定位、计数及缺失单木查找的简便可行的方法,有利于林业管护人员快速获取高精度林木监测信息。     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。     

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (R ²) value of 0.33 and root mean square error (RMSE) value of 0.21% during model calibration, and R ² value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R ² value of 0.38 and RMSE value of 0.20% during model calibration, and R ² value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R ² value of 0.57 and RMSE value of 0.17% during model calibration, and R ² value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.     

基于MODIS遥感数据的呼伦贝尔土地荒漠化信息提取

[目的]基于MODIS遥感数据,对呼伦贝尔地区土地荒漠化信息进行提取。[方法]基于空间分辨率为1 km的MODIS遥感数据,选取可以反映不同荒漠化特征的5个指标进行反演,并采用决策树分类方法对呼伦贝尔地区土地荒漠化信息进行提取。[结果]呼伦贝尔地区土地荒漠化面积为33 862 km2,占全区总面积的20.36%,且主要以沙质荒漠化为主;通过野外验证及高分辨率解译数据采点验证,此评价方法总体精度达89%以上。[结论]使用文中评价方法进行荒漠化监测,不仅能够对大尺度的荒漠化地区进行监测,而且具有较好的评价效果。     

基于MODIS遥感数据的呼伦贝尔土地荒漠化信息提取(英文)

[目的]基于MODIS遥感数据,对呼伦贝尔地区土地荒漠化信息进行提取。[方法]基于空间分辨率为1km的MODIS遥感数据,选取可以反映不同荒漠化特征的5个指标进行反演,并采用决策树分类方法对呼伦贝尔地区土地荒漠化信息进行提取。[结果]呼伦贝尔地区土地荒漠化面积为33862km2,占全区总面积的20.36%,且主要以沙质荒漠化为主;通过野外验证及高分辨率解译数据采点验证,此评价方法总体精度达89%以上。[结论]使用文中评价方法进行荒漠化监测,不仅能够对大尺度的荒漠化地区进行监测,而且具有较好的评价效果。     

基于多源遥感数据的连云港海域赤潮信息提取研究

[目的]利用多元遥感数据提取连云港海域赤潮信息。[方法]以小尺度连云港海州湾赤潮为研究对象,选用2005年10月8日IRS-P6数据、2006年5月20日Landsat 5-TM数据、2006年10月6日MODIS 1B数据以及2009年4月22日HY-1B的2级数据为遥感数据源,对其进行几何校正、大气校正、图像裁剪等预处理后,结合同步观测的连云港赤潮监控区站位环境数据,采用二次滤波法、叶绿素a浓度法、波段比值法提取海州湾赤潮信息。[结果]2005年10月8日,连云港海域暴发面积约20.0 km2的赤潮;2006年5月20日,连云港海域赤潮处于消亡阶段;2006年10月6日,赤潮暴发规模大,面积约436.5 km2;2009年4月22日,连云港海域赤潮零星分布,面积约10.8 km2。[结论]该研究为连云港环境监测相关部门实施有效地赤潮预测与预警提供了技术思路。