无人机机载激光雷达提取果树单木树冠信息

定株管理是未来果园精准生产管理的趋势,果树单木树冠信息的提取是定株管理的关键。该研究利用无人机采集的苹果园激光探测与测量数据（Light Detection and Ranging,LiDAR）检测和测量每棵果树的树冠面积和树冠直径,并评价空间分辨率对果树单木树冠检测与提取结果的影响。该方法主要使用反距离权重插值法间接生成冠层高度模型（Canopy Height Model,CHM）;使用局部极大值滤波算法和标记控制分水岭分割算法（Marked-Controlled Watered Segmentation,MCWS）对果树进行单木树冠检测与提取。通过与参考数据的比较,评估了该方法的精度,并定量分析了空间分辨率对于单木树冠检测与信息提取结果的敏感性。结果表明,该方法可有效实现果树单木树冠检测与信息提取,代表果树检测精度的F1得分为95.03%,树冠轮廓提取准确率为86.39%,树冠面积的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.81和20.56%,树冠直径的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.85和14.79%,树冠面积和直径不同程度地被高估。此外,冠层高度模型的空间分辨率接近果树平均树冠直径的1/10时精度最高,可以有效检测果树单木树冠及提取树冠轮廓,从而准确提取果树单木树冠信息。     

地基激光雷达提取大田玉米植株表型信息

玉米个体表型信息对于玉米的高产高效发育规律研究、玉米遗传育种中基因型的确定具有重要意义,该文针对传统的玉米表型信息提取方法费时、费力、效率低下、主观性强等问题,提出一种基于TLS(terrestriallaserscanning,地面激光扫描)技术的大田玉米个体表型信息提取方法。利用地基激光雷达获取毫米级精度的玉米个体植株三维点云数据并进行海量点云数据预处理,构建玉米叶片三角网模型和叶片骨架点云;基于叶片三角网提取绿叶叶面积,基于叶片骨架点云提取叶长和叶倾角,基于未去穗的玉米植株点云提取株高。试验结果与实地手动测量值相比,真实叶面积、叶长、株高、叶倾角的均方根误差(RMSE)分别为12.69 cm~2、1.31 cm、1.30 cm和5.12°,平均绝对百分比误差(MAPE)分别为2.38%、1.32%、0.61%和8.96%。试验结果表明本文提出的基于TLS提取玉米个体表型参数的方法精度较高,具有可行性,为辅助玉米育种、生长监测等提供了一种有效手段。     

自动测量胸径和树高便携设备的研制与测量精度分析

胸径和树高测量是评价立地质量和林木生长状况的重要依据,该文以图像自动识别原理、摄影测量原理、相似三角形几何原理和三角函数原理为理论基础,研制了可测量胸径和树高的多功能便携式微型超站仪,该设备集成电荷藕合器件图像传感器、倾角传感器、激光测距传感器、中央处理器、存储器、液晶显示屏,测量时可获取测站点到待测点的倾角和距离2个参数值,并记录存储测量时的图像信息,通过仪器的嵌入式操作程序,实现胸径的自动测量、树高测量、任意处直径自动测量、基本测量等4项基本功能。通过试验验证,215株立木的单次胸径测量的平均绝对误差为0.369 cm,平均相对误差为2.08%。101株立木的单次树高测量的平均相对误差为1.44%。胸径测量精度达到97.92%,树高测量精度达到98.56%,符合国家森林资源连续清查中的测量精度要求。该设备为森林资源调查提供了参考。     

激光雷达实时提取甘蔗垄间导航线

针对高地隙底盘悬挂机具田间作业存在车轮压苗严重的现象,该研究以甘蔗为研究对象,提出一种基于固态激光雷达的作物行垄间导航线实时提取方法。首先通过三维激光雷达（Light Detection And Ranging,LiDAR）实时获取高地隙底盘正前方甘蔗行点云,利用点云变换、直通滤波和半径滤波对点云进行预处理,获取作物行点云数据;然后提出基于感兴趣区域（Region Of Interest,ROI）的导航线实时提取算法,对预处理后的首帧点云进行处理,标定ROI;最后在ROI中进行作物行识别和导航线提取。田间试验表明,该算法有很好的鲁棒性,能够适应甘蔗垄间低遮挡与高遮挡环境,且在断垄的情况下依然可以提取导航线,高地隙底盘速度为0.5和1.0 m/s的工况下,该算法与人工提取的导航线平均误差不超过1.213°,导航线提取总体准确率不低于93.2%,处理一帧10 m′5 m的点云平均耗时不超过22.5 ms。该算法能够为田间管理机械垄间对行行走提供可靠、实时的导航路径。通过与机器视觉算法对比,证明了该算法的优越性。该算法相比于机器视觉算法提取导航线的平均误差角降低2.832°,准确率提高44.7个百分点,平均耗时减少175.9 ms,该算法在导航线提取平均误差角、准确率和处理时间上均优于机器视觉算法。     

基于机载激光雷达点云数据的河网提取方法研究

在介绍机载激光雷达数据的具体处理流程、分析机载激光雷达数据特征的基础上,结合高程数据和影像数据总结出了基于点云数据的大范围复杂流域的提取方案,同时设计了提取流程并应用该流程对实验数据进行了河网提取。将采用本研究方案提取的河网结果与全手工处理所得的结果进行对比分析后发现,本研究提出的基于机载激光雷达点云数据的河网提取精度误差为3.8%,符合实际生产要求。基于机载激光雷达技术提取河网不仅信息丰富而且提取精度和效率显著提高,同时它作为一种全新数据采集技术,为数字流域三维可视化提供了新的技术支撑。     

基于无人机倾斜航空影像的树冠体积测算方法

树冠是结构复杂的不规则体,对树冠体积的精确测定一直是树木测量研究中的难点问题。该文以消费级多旋翼无人机对目标树木进行倾斜摄影获取的多角度航空影像为基础,通过空三加密处理生成目标树木的三维点云模型;用等高线法分割树冠点云,并确定树冠最优分割层数;用投影法对点云数据进行转化,并选取测算点计算树高和树冠任意横截面积;对分割后各规则体的体积进行累加获得树冠体积。结果表明:8棵目标树木的树高测算值相对误差为1.46%～4.10%,平均相对误差为2.88%;树冠体积测算值的相对误差为6.95%～12.39%,平均相对误差为9.42%;精度均可满足林业调查中对于树高和树冠体积测量结果的要求。利用无人机倾斜航空影像建立单木的三维点云模型并进行树冠体积测算的方法是可行且有效的,该方法可为研究单木树冠几何参数的提取提供参考。     

基于骨架提取算法的作物表型参数提取方法

作物育种表型分析研究中,株型参数的获取多以人工测量为主,比较耗时费力。该文基于最小二乘法和遗传算法相结合,提出了一种用于计算作物表型参数的骨架提取方法。以玉米作物为例,首先为去噪后的作物二值图像进行单像素细化,利用角点检测归类算法,检测出特征点;依据骨架图像茎叶角点,利用图像分割将作物茎和叶分离,并对应图像中作物的茎和叶骨架,得到玉米作物空间离散点的实际三维坐标;融合最小二乘法和遗传算法,绘制出离散点的空间拟合曲线,即茎和叶的平滑骨架,从而提取出玉米作物的表型参数。田间试验分析表明,使用该算法能够有效地得到玉米作物的平滑骨架,而且与前人方法相比,测量得到表型参数中,株高误差减小了35%,叶长误差减小了70%,叶倾角误差减小了20%,有效地提高了作物表型参数的测量精度。该研究为提高作物表型参数尤其是株型参数精度提供了参考。     

利用轻小型飞机遥感数据建立人工林特征参数模型

目前获取森林特征参数的主要方法是外业测量,工作量大、效率低。该文以中国自主研发的轻小型航空遥感系统为数据获取工具,以油松人工林为研究对象,通过对获取森林的激光雷达（light detection and ranging,LIDAR）点云数据去噪,分类,提取等过程获得单木的树高数据,对获取的航空影像数据进行预处理,匹配,拼接,分割及冠幅提取获得单木的冠幅数据,再与外业抽样调查的单木的树高、胸径建立回归模型,同时验证模型精度。试验结果表明：通过LIDAR点云数据提取的树高与实测的树高具有极显著的相关性,所建立的模型预测精度达97.5%,通过影像提取的冠幅与实测的胸径也具有极显著的相关性,预测精度达91.6%,基本上能够满足林业生产的要求。     

融合无人机载激光雷达与多光谱遥感数据的冬小麦叶面积指数反演

为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,LiDAR)在农作物长势监测方面的潜力,探究机载LiDAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载LiDAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机...     

基于无人机图像分析的树木胸径预测

树木胸径是林木资产评估中的重要参数,该文利用图像分析技术预测树木胸径可为资产评估提供参考。以银杏和法国梧桐为试验树种,通过拟合无人机正射图像中的单株树木树冠面积与胸径的关系预测树木胸径值。首先利用二型模糊聚类方法对无人机采集的纯林样地正射图像中的单株树冠进行分割,获取树冠像素面积,然后利用地面参照物计算出树冠的实际面积,并与测量的胸径值进行拟合,得出树冠面积与胸径的函数关系,林区中其他树木胸径值可基于该函数关系和其树冠面积计算得出。试验结果显示无人机正射图像中的银杏及法桐树冠面积与胸径均呈对数关系,且该文计算所得的银杏1.2 m处的胸径与实际胸径之间的平均误差约为0.31 cm,法桐1 m处的胸径与实际胸径之间的平均误差为0.27 cm,均在行业允许的1 cm误差范围内,该文提出的基于无人机正射图像分析技术预测树木胸径较为准确,可为中小尺度林地资产评估提供参考。     

用机载LiDAR点云数据估测海南博鳌人工经济林单木参数

激光雷达是目前发展迅速的一种主动遥感技术,其发射的激光脉冲能穿透树林冠层,实现森林三维结构特征的获取。为验证机载激光扫描器提取森林单木参数的可行性,该研究以海南省博鳌机场周边人工林为研究对象,使用机载激光扫描器Mapper5000（中国）获取的点云数据,探索对人工经济林单木参数估测的可行性。根据研究区的地形和林木结构特征,分别对槟榔和橡胶2个树种进行单木参数提取,使用K-means分层聚类对不同样地的林木进行单木分割,提取样地内单木树高、冠幅、胸径、材积和地上生物量。结果表明,2个树种的单木分割正检率均在85%以上,总体平均正检率在89.98%以上;单木树高、冠幅、胸径、材积、地上生物量估测结果的决定系数均达到0.8以上,说明该点云数据对提高森林参数估测精度有积极作用,机载激光雷达技术在森林资源精细调查中有较大的应用潜力,同时也可应用于相关果树生长情况监测,为数字果园的发展提供技术支撑。     

基于无人机平台的柑橘树冠信息提取

为了快速获取柑橘树冠信息,提升柑橘园精准管理,该研究基于无人机平台获取了柑橘数码和多光谱影像,分析了无人机影像反演柑橘树冠信息的效果。首先利用无人机数码影像及分水岭算法进行柑橘单木分割,然后构建柑橘树冠层高度模型,提取柑橘株数、株高、冠幅投影面积等结构参数信息,进而利用无人机多光谱影像获取柑橘的8种常用植被指数,采用全子集分析法筛选柑橘冠层氮素含量的敏感植被指数,构建基于多元线性回归的冠层氮素遥感反演模型,进行以冠幅为基本单元的柑橘树冠层氮素含量遥感制图。研究结果表明：柑橘的单木识别准确率在93%以上,召回率在95%以上,平均F值为96.52%;柑橘树的反演株高与实测株高具有较强的相关性,决定系数R2为0.87,均方根误差为31.9 cm;单株冠幅投影面积与人工绘制的冠幅面积的决定系数,除果园A在12月的结果较低（R2为0.78）外,其余均在0.94及以上;采用全子集分析法筛选的柑橘冠层氮素敏感植被指数为归一化植被指数（NDVI）、绿色归一化植被指数和冠层结构不敏感指数,所建立的多元回归模型的决定系数R2达0.82,均方根误差为0.22%,相对误差为6.59%。综上,无人机影像在柑橘树冠参数信息提取方面具有较好的应用效果,能够快速有效地提取柑橘树冠参数信息。该研究可为使用无人机平台进行果园精准管理提供技术支撑。     

树冠遮挡条件下全站仪测量树高及材积方法

树高、材积是森林调查中最重要的测树因子,对森林资源调查和林业科学研究有着重要的意义。为了解决林区遮挡条件下无法精确量测树高进而无法确定单木材积的问题,该研究运用全站仪进行森林样地外业数据采集,对内蒙古赤峰市旺业甸林场的188株落叶松和146株白桦进行量测。对每一株立木分别量测胸径、最高可观测处干径和该处距地面的距离以及这2处之间的中间位置的干径和该处距地面的距离,然后分别利用相似三角形法、简单生长经验方程法和孔兹干曲线方程法估算出树高及材积。试验的最高可观测的位置做了以下4种情况的假设:1/3树高、1/2树高、2/3树高和9/10树高。对这4种情况分别求得树高及材积,最后分别对其进行精度分析,得到随着最高可观测部分的增高以及观测点数的增加,测算出的树高及材积会越来越精准。其中运用生长经验方程,测算树高和材积的精度都能达到70%~80%;运用孔兹干曲线法测算树高和材积的精度都能达到70%~90%。该方法可用于林区遮挡条件下单株立木材积的测量,对实际生产有一定的参考意义。     

便携式高精度立木胸径测量装置研制与试验

立木胸径是森林资源调查中最重要的测量指标。为了实现高效、精准、简便地测量立木胸径,适应复杂树形和不同径级的树木,节省内外业勘测成本,该研究研制了一款立木胸径测量装置。基于隧道磁阻旋转编码器构建适合低成本、轻小型机电结构和高分辨力处理算法的方法,同时开发了由嵌入式软件、Android端应用和Web端应用构成的系统软件,通过多功能按键组合设计了特殊树形和大径级树木的作业流程。在单木勘查作业过程中,装置的机电结构会将立木胸径由机械量先转换为磁信号再转换成电信号,之后由嵌入式软件中集成的处理算法把电信号换算成胸径测量数据。完成所有单木勘查作业后,装置内的蓝牙将数据传输至Android端应用进行存储再上传到Web端的数据库中。为验证装置的测量精度和作业效率,选取包含多个树种的196株立木和一块包含42株立木的小样地进行试验。试验结果表明：该装置对不同径级的立木都具有较高的测量精准度（总平均绝对误差为0.08 cm、平均绝对百分比误差为0.37%、均方根误差为0.12 cm和相对均方根误差为0.54%）;人均每株立木测量耗时为9.3 s（约为传统围尺方法的1/3）,作业效率高。该装置解决了传统围尺在数据量测、记录和入库上的短板,降低了人力成本,比非接触式、卡测类、电子拉绳类仪器的制造成本低几百到上万元,造价仅为260元,且携带方便（质量仅为230 g）,符合国家森林资源连续清查技术规定的精度要求,在森林资源调查中具有宽广的应用前景。     

基于深度学习与激光点云的橡胶林枝干重建及参数反演

树木的几何建模在林木性状评价、森林动态经营管理与可视化研究中具有重要意义。现今,从激光雷达（Light Detection And Ranging,LiDAR）数据中重建树体三维模型并精准获取林木空间枝干结构参数是数字林业发展的必然趋势。该研究提出了一种深度学习与计算机图形学相融合的树木骨架重建与参数反演方法。该方法以PR107、CATAS 7-20-59、CATAS 8-79三个品种的橡胶树为实验对象,首先,采用背包移动激光雷达获取三个橡胶树品种的样地数据,并通过体素剖分和数据增广策略来构建橡胶树训练样本集。其次,构造由四层特征编码层和特征解码层所组成的点云分类深度学习网络,并包含优化的PointConv模块与不同尺度的特征插值模块,以实现在多尺度条件下,全面考虑点云的全局和局部优化特征,引导网络实现枝叶点云的精确分类。最后,面向分类后的枝干点云,运用计算机图形学的空间连通性算法与圆柱拟合策略,重建树木骨架模型,并自动解决叶子点云与对应的一级枝干归属问题,进而在叶团簇尺度下开展对单株树的精细描述与参数反演。通过对三块橡胶树测试样地的验证和与实测值的比对表明,该研究提出的深度学习网络枝叶分类总体准确率在90.32%以上。骨架重建与叶团簇分析结果显示,PR107品种橡胶树具有较为发散的树冠、最大的分枝夹角和叶团簇体积;CATAS 7-20-59品种橡胶树冠呈花瓶型,分枝夹角和叶团簇体积较小;而CATAS 8-79品种橡胶树尽管胸径最粗,但不耐寒害处于落叶期导致冠积最小。同时,反演得到的橡胶树一级枝干直径与实测值比对为：决定系数R2不低于0.94,均方根误差（Root Mean Square Error,RMSE）小于3.01 cm;主枝干与一级枝干的分枝角为：决定系数R2不低于0.91,均方根误差RMSE不高于4.94°。同时发现橡胶树一级枝干的直径与对应的叶团簇体积呈正相关分布。该研究将人工智能的理论模型应用于林木的激光点云数据处理中,为林木激光点云的智能化分析与处理提供了新颖的解决思路。     

基于无人机多光谱遥感的台风灾后玉米倒伏信息提取

为快速获取台风过后玉米倒伏信息,该研究以生态无人农场大田玉米作为研究对象,利用无人机搭载多光谱相机获取玉米田块图像。采用主成分分析（Principal Component Analysis,PCA）变换多光谱图像,保留信息量最多的前3 个主成分波段;应用最小噪声分离变换（Minimum Noise Fraction Rotation,MNF）对48项纹理特征降维,保留信息量最多的前6项特征;计算选择10种植被指数;对多光谱图像进行低通、高通滤波,将以上特征作为全特征集。使用支持向量机递归（Support Vector Machines-Recursive Feature Elimination,SVM-RFE）、 ReliefF和套索算法（Least Absolute Shrinkage and Selection Operator,Lasso）筛选出3种特征子集,建立5种监督分类模型,对4种数据集进行训练。ReliefF特征子集训练的5种监督分类模型测试集最低分类准确率为89.02%,SVM-RFE和Lasso特征子集训练的5种监督分类模型测试集最低分类准确率均为95.38%,与全特征相比仅相差0.58%,表明通过特征筛选方法可在取得较高分类精度同时大幅减少特征输入数量;运用3种特征筛选方法与不同分类模型的最佳组合提取验证区域玉米倒伏信息,通过混淆矩阵验证结果可知,K最邻近模型结合SVM-RFE特征筛选方法分类精度最高,达93.49%,Kappa系数为0.9,表明了分类模型普适性较强。该研究使用最少特征数量参与分类,且获得最高分类识别精度,可为无人机多光谱技术快速、准确提取台风灾后玉米倒伏信息提供技术支持。