高郁闭度人工林无人机激光雷达单木分割方法优化

【目的】针对高郁闭度林分条件下基于LiDAR点云数据单木分割林木提取困难、总体精度较低等问题,提出一种基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法,为开展无人机LiDAR技术森林资源调查提供技术参考,为提高单木分割总体精度提供新策略。【方法】利用无人机激光雷达数据,采用分水岭算法、基于点云的局部最大值聚类算法和基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法对高郁闭度思茅松人工林进行单木分割,并分析分水岭算法中4种CHM空间分辨率和3种DSM插值方法对单木分割效果的影响,与无人机高分辨率影像单木树冠目视解译结果进行比较,以探测率r、准确率p和F得分为指标对单木分割精度进行验证和评价。【结果】在幼龄林中,冠层起伏率较大,分水岭算法对单层林的分割效果优于基于点云的局部最大值聚类算法;在中龄林和近熟林中,冠层起伏率较小,分水岭算法易将思茅松树枝识别为树冠,基于点云的局部最大值聚类算法的分割效果优于分水岭算法;基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法充分考虑不同龄组的林分结构差异,精度最高(F=0.75),优于分水岭...     

基于体元逐层聚类的TLS点云数据单木分割算法

为了提高地基激光雷达(Terrestrial Laser Scanning,TLS)点云数据的单木分割精度及分割效率,以落叶期的蒙古栎人工林为研究对象,以TLS为基础数据,在三维点云数据体元化的基础上提出一种基于体元逐层聚类的单木分割算法,通过分析体元在竖直方向的z值序列准确获取单木的位置,然后利用模糊C均值算法以单木位置为初始聚类中心从最底层体元开始进行逐层聚类,最终实现样地水平蒙古栎单木分割。研究结果表明,通过分析体元在竖直方向的z值序列能准确获取单木的位置,本研究提出的单木分割算法能够实现样地水平单木的精确分割。     

基于分层叠加的机载LiDAR点云单木分割

【目的】提出一种基于分层叠加的单木分割算法,以充分利用高密度激光雷达点云信息,提高林分中下层单木分割精度。【方法】区别于传统将冠顶点作为聚类种子点的单木分割算法,基于分层叠加的单木分割算法以点云水平切片后各层的局部最大值为种子点进行分层聚类,并通过分层叠加与迭代优化,减少枝杈等因素导致的过分割现象,在保证上层树单木分割精度的同时提高对中下层单木的提取能力。【结果】基于分层叠加的单木分割算法在不同密度落叶松林分均有较高单木分割精度,提取单木与实测单木总体匹配成功率最高达94%,在中高密度林分匹配成功率最高达92%,相较其他算法,对中下层单木的匹配率可提高20%～40%;在单木树高提取精度方面,单木提取树高与实测树高相关系数为0.8,相对均方根误差为8.45%,提取冠幅与实测冠幅相关系数最高为0.83,相对均方根误差为16.5%。【结论】通过分层聚类、聚类种子点优化选取,充分利用林分各层次点云信息,可提高单木分割精度,为森林经营管理提供高精度数据支持。     

基于机载LiDAR的单木结构参数及林分有效冠的提取

【目的】基于机载激光雷达(LiDAR)数据提取单木树冠三维结构参数(树冠顶点位置、树高、冠幅和冠长),并在此基础上对林分有效冠进行提取,为进一步研究林分尺度上的有效冠结构及其动态提供依据,以更好掌握并改进林业经营措施。【方法】采用一定规则下的局部最大值窗口搜索树冠顶点,进行单木树冠顶点探测和单木树高提取;以树冠顶点为标记,利用标记控制分水岭分割算法提取单木冠幅;采用垂直方向点云高程检测方法获取枝下高位置,提取冠长;在标记控制分水岭分割出的树冠边界,提取树冠接触高,取平均值作为该样地的林分有效冠高。【结果】树冠分割正确率为88.5%;结合样地实测参数对提取值进行相关性分析,树高R~2=0.886 2,冠幅R~2=0.786 4,冠长R~2=0.800 0,树高、冠幅和冠长精度分别为90.34%、86.80%和89.90%;同一林分内单木接触高相对比较稳定,对提取的林分有效冠高进行单因素方差分析,无显著差异。【结论】基于机载LiDAR数据,采用可变大小的动态窗口搜索局部最大值点,能提高单木结构参数的提取精度;利用树冠顶点标记控制分水岭算法,将高空间分辨率航片作为辅助数据,可完成较高精度的单木冠幅提取;垂直方向点云高程检测方法可提取单木冠长;LiDAR点云数据可对林分有效冠进行提取,在同一林分中,不同样本数量对接触高提取的变异性影响不大,有效冠高大致相同。机载LiDAR数据具有良好的单木树冠三维结构参数提取能力,能够满足现代林业调查对单木结构参数提取的需要,实现对林分有效冠的提取。     

基于双尺度体元覆盖密度的TLS点云数据单木识别算法

针对现有的地基激光雷达(Terrestrial Laser Scanning,TLS)点云数据单木识别算法存在抗噪性差的问题,本文提出一种基于双尺度体元覆盖密度的TLS点云数据单木识别算法。首先选择内蒙古根河林场的兴安落叶松天然次生林为研究对象,利用徕卡C10三维激光扫描仪获取单测站点云数据;然后通过计算双尺度体元覆盖密度滤除非树干点;最后通过分析体元水平坐标(x,y)位置处的体元z值序列确定滤波后点云数据中的单木位置。研究结果表明:该算法二次滤波结果的平均噪声比为1.66%;滤波后保留的单木数量是实际单木数量的88.94%;滤波后点云数据的单木识别率98.3%,漏检率1.69%,过检率0.56%,实际点云数据的单木识别精度为87.43%。与已有的单测站点云数据单木识别的研究相比,本文提出的单木识别算法简单、抗噪性强且单木识别精度更高,这对于实现复杂密集林分样地单测站点云数据单木的准确识别具有重要意义。     

基于机载LiDAR点云多层聚类的单木信息提取及其精度评价

【目的】针对已有三维点云数据单木分割方法提取下层林木困难、准确提取林木数量占总体比例偏低导致提取工作有效性不高、提取效果受点云密度和林分结构复杂程度影响等问题,改进单木提取策略和算法,为Li DAR单木提取技术向生产实践应用转化提供支撑。【方法】以机载Li DAR点云数据为基础,提出一种基于分层聚类的三维立体单木分割方法,并对点云分层、分割、单木匹配等环节进行算法改进,实现空间异质性较高林分的单木分割和信息提取。【结果】改进后的算法可在高密度、高空间异质性林分中进行单木分割和信息提取,并能更合理地与地面实测林木信息匹配,可匹配的林木比例最高达88.70%,单木树高、林分平均高精度最高分别达92.38%、99.84%,树高基尼指数、树高变异系数精度最高达89.65%。【结论】通过多水平分层和纵向聚类融合,可提升对于林下层尤其是更新层林木的提取能力;构建提取有效性指标,更加关注成果的适用性;评价指标中加入空间结构精确度指标,可充分发挥Li DAR对空间结构的反演能力。     

基于无人机激光雷达点云数据的单木分割研究

[目的]探索不同树种在样地和单木尺度上无人机激光雷达点云数据的单木分割效果,选取哈尔滨城市林业示范基地阔叶林(水曲柳)和针叶林(樟子松)两块样地为研究对象,对样地内树木点云进行单木分割并评价其分割效果,为后续单木结构参数的提取提供数据支持,同时丰富森林资源信息的调查手段.[方法]通过无人机激光雷达获得样地树木点云数据,...     

基于FCM和分水岭算法的无人机影像中林分因子提取

【目的】研究高精度小型无人机获取林分调查因子方法,将林分调查因子在低空无人机影像上识别并提取出来,获取树高、冠径等测树因子,建立林分因子测量方法,实现经济、高效、快捷、精准的森林资源调查和监测,及时掌握森林资源及相关林分因子的时空变化特征。【方法】以东北林业大学城市林业示范基地樟子松人工林为研究对象,以多旋翼无人机影像为数据源,基于FCM聚类算法和分水岭分割算法以及形态学运算、阈值分割、图像平滑、灰度化、二值化等一系列数字图像处理技术,提取樟子松人工林林分因子。FCM聚类算法和阈值分割法用于提取树梢标记图像,分水岭分割算法对树梢标记图像进行迭代处理从而获得单木树冠分割图像,根据单木树冠分割结果提取单木特征进而计算各林分因子值。【结果】在林地提取中,根据影像的颜色特征绿度分割成功地将林地部分与非林地部分分离开来,确定单木树冠分割范围。在单木树冠分割中,阈值分割法和FCM聚类算法均可有效将树梢标记从林地图像中提取出来;将基于标记的分水岭分割算法用于单木树冠分割取得较好效果,大多数单木树冠被单独分割出来,但某些区域仍然存在一定的欠分割或过分割问题。在林分因子提取中,提取的林分因子包括林分郁闭度、林地面积、立木株数和平均冠幅,其中林分郁闭度的测量精度为96.67%,林地面积的测量精度为81.23%,立木株数和平均冠幅的测量精度与单木树冠分割中的树梢提取方法(阈值分割法和FCM聚类算法)及分水岭分割中的2个参数(形态学腐蚀的结构元素大小和中值滤波的窗口大小)有关。针对2种树梢提取方法,分别进行参数组合试验,结果显示2种树梢提取方法使用适当参数组合所得各林分因子测量精度均在80%以上,平均测量精度均在90%以上,其中阈值分割法的最高平均测量精度为94.49%,FCM聚类算法的最高平均测量精度为93.17%。【结论】利用无人机拍摄的人工林影像进行森林资源调查,将先进的计算机科学技术和无人机技术应用到林业领域中,可有效提高森林资源调查的效率和精度。本研究提出的林分因子提取方法适用于高郁闭度林分,测量精度满足实际需求。     

基于区域合并的Mean Shift算法识别单木研究

为准确识别森林单木,采用区域合并的MeanShift算法对机载点云进行单木分割。首先,以点云三维特征空间为特征向量,选择核带宽度及收敛阈值,采用MeanShift算法对点云进行初始过分割;其次,以过分割点簇为对象,选择分割尺度、平滑度和紧凑度参数,采用基于区域邻接图的最优层次合并方法对点簇进行合并。最后,剔除3.5m高度以下和异常点云,以点云中心点为单木位置,计算森林密度。实验结果表明,基于区域合并的MeanShift算法能够检测到89%以上的单木,单木识别精度达91.6%,避免了生成CHM的初始误差。     

点云数据双向选择单木提取与地面数据匹配方法

【目的】基于双向选择判断原理,提出一种将激光雷达(LiDAR)点云数据提取到的单木信息与地面实测单木信息进行匹配的方法,以得到更为合理的信息匹配结果。【方法】采用机载LiDAR点云数据分割单木,提取单木位置、数量、树高和冠幅等信息,从LiDAR提取单木位置出发,依据树高和距离正向确定候选地面实测单木,再根据候选地面实测单木位置和距离信息逆向确认LiDAR提取单木是否为最合适的匹配对象木。【结果】以匹配精度、匹配后的单木树高和冠幅精度为判断指标,与邻域最高匹配法、最邻近匹配法和双因素匹配法相比,在匹配精度一致的情况下,双向选择判断法匹配的单木树高精度可从75.21%提升至91.01%,冠幅精度从60.50%提升至68.64%;在保证匹配信息精度一致的情况下,双向选择判断法可将匹配精度从传统方法的33.52%提升至61.11%。【结论】点云数据双向选择单木提取与地面数据匹配方法可快速、高效地将激光雷达点云数据提取到的单木信息与地面实测单木信息进行匹配,与传统方法相比,能够在高密度、多林层林分中发挥更高优势。     

基于无人机可见光影像的华山松人工林计测参数提取

针对无人机在森林资源监测中的便携性特点,利用无人机RGB三波段影像进行森林计测参数(株数、树高及蓄积量)的提取及精度验证。以华山松人工林为研究对象,以无人机RGB影像为主要信息源,在前期进行5块0.08hm~2华山松人工林标准地单木定位的基础上,采用冠层高度模型(CHM)最大值法和点云分割方法,提取华山松人工林计测参数,建立无人机RGB影像的华山松人工林单木二元材积模型。研究结果表明:1)采用CHM最大值分割法较点云分割方法精度高,单木株数分割精度分别为87.17%和80.79%;提取得到的树高与其地面实测所得树高的R~2相比较,使用CHM方法,R~2为0.71;而使用点云算法,R~2为0.69。2)基于CHM最大值法提取的单株冠幅和树高所建立的二元材积模型,其决定系数(R~2)为0.94,均方根误差(RMSE)为0.033 8m~3;与基于云南省华山松人工林二元材积表的标准地实测蓄积量调查结果相比,基于无人机RGB数据的5块标准地蓄积量监测精度分别为79.72%,81.64%,83.57%,82.49%,80.28%,平均精度达81.54%。基于无人机RGB影像的华山松人工林在森林计测参数提取中,CHM最大值分割法优于点云分割,所建立的树高和冠幅二元材积模型,可为华山松单层人工林无人机遥感监测提供参考。     

基于无人机可见光遥感的单木树高提取方法研究

利用目前流行的高分辨率可见光无人机遥感影像生成树木冠层高度模型,采用分水岭分割算法提取单木树高的研究具有重要理论和实践意义。以位于云南省富民县的天然云南松纯林为研究对象,通过大疆Phantom 4 Pro无人机获取低空可见光遥感影像,利用Pix4D Mapper对无人机影像进行预处理及三维重建,生成三维点云,利用LiDAR360处理三维点云,构建DSM,DEM并生成CHM;采用分水岭分割算法对不同郁闭度条件下获得的CHM进行单木分割及树高提取,对提取结果进行精度评价。结果表明:分水岭分割算法能够准确分割CHM,利用无人机可见光遥感影像进行单木树高提取是可行的;将基于无人机可见光影像提取的树高值与野外实地调查得到的树高值进行对比,R²为0.893,RMSE为1.23m,估测精度为87.58%;同时,林分郁闭度会对单木树高估测产生影响,根据不同郁闭度条件下提取的3组样木树高与实地测量树高的决定系数(R²)分别是0.857,0.939和0.921,RMSE分别为1.450,1.097,0.896m,在低郁闭度林分内树高估测的精度显著高于高郁闭度林分。     

基于激光点云数据的森林单木位置提取研究

以河北塞罕坝林场落叶松林地为研究对象，通过选取样地布设水泥桩和反射片，针对森林单木提取精度不高等问题，开展基于激光点云数据的森林单木位置提取方法研究，为森林资源调查的单木定位和数量统计提供参考。通过将采集的森林地面点云数据，采用反射片模式与各个测站点云数据进行配准，提出一种改进的体素空间邻域和RANSAC圆柱拟合方法，分3种不同大小的样地进行单木位置提取实验，结果表明，该方法的单木位置提取效果较好，提取精度均在93%以上。     

机载激光雷达和航空数码影像单木树高提取

用激光雷达(LiDAR)数据和航空数码影像相结合进行单木水平树高反演.对研究区的LiDAR点云数据进行滤波和分类,根据地形特点、地表植被状况以及其他地类的分布,采用Tin Filter滤波算法提取地面回波点和植被回波点.用面向对象的方法对高空间分辨率(25 cm)的航空数码影像进行单株木检测.通过多尺度、树冠模式的分割创建影像对象和类层次,用最邻近距离和成员函数法进行影像对象的分类,并基于分类结果进行再分割.对分割后的树冠多边形进行边缘优化,以准确识别单株木.将植被回波点和影像分割后得到的树冠多边形进行叠加,计算多边形内的LiDAR数据最大高程差值,与实测树高进行相关分析,建立单木树高估测回归方程,平均估测精度为74.89%.     

基于地基激光雷达胸径提取的单木位置精确测量

[目的 ]为将单木位置匹配至更精确的树干中心处,本研究发展了一种基于地基激光雷达提取胸径中心位置的空间校正方法。[方法 ]对高密度地基激光雷达点云数据,使用霍夫变换的方法提取单木胸径及圆心点,以外业调查的胸径数据作为精度控制基础,再用空间点校正方法将外业测量的样地单木相对空间位置匹配至提取的单木胸径中心点处,最后通过数字冠层高度模型特征分析实现单木位置的地理位置匹配。[结果 ]以黑龙江佳木斯孟家岗林场为研究区,对比分析3种不同株数密度的落叶松样地,提取胸径误差在1 cm之内,高、中、低株数密度样地单木位置在空间点校正时胸径误差2 cm误差范围内位置正确匹配率分别为91%、92.5%、98.6%。全部匹配的外业调查单木相对空间位置误差控制在1 m之内,且与机载激光雷达数字冠层模型影像地理位置匹配误差在0.5 m内。[结论 ]基于地基激光雷达提取胸径匹配单木空间位置的方法,极大地提高了单木空间位置测量精度。此方法的发展,不仅为局部样地单木分割等提供精确位置信息,也为大范围遥感数据提供可靠地面基础位置验证数据,是可靠的单木位置测量和多源数据匹配方法。     

基于单木位置特征的多源树木三维点云配准方法

【目的】针对不同观测平台获得的树木三维点云特征少、重叠率低、配准较难的问题,以不同视角不同平台的森林点云数据为输入,根据单木平面位置分布一致性原则,提出一种适用于多类型数据的无标记森林点云自动配准方法,实现以单木对象为语义特征的点对匹配。【方法】首先从不同类型点云数据中分别提取单木平面位置：对于侧视型点云,基于点云主方向离散度与主方向竖直角度偏差剔除部分非主干点云,采用体素点云剖分的连通分量分割方法识别单木主干,统计单木主干点云体素垂直分布最大值点作为单木平面位置;对于俯视型点云,采用标记分水岭算法分割冠层高度模型,提取单木并识别冠层顶点作为单木平面位置。然后以提取的单木平面位置为特征点,基于Laplace谱图匹配理论获取配准矩阵,完成4自由度点云粗配准。最后,采用主干点云匹配完成侧视与侧视点云的精配准,采用全局点云最近点迭代法与主干点云匹配完成侧视与俯视点云的精配准。【结果】侧视-侧视点云配准精度优于侧视-俯视点云,侧视-侧视点云粗配准平均误差为0.24 m,精配准平均误差为0.08 m;侧视-俯视点云粗配准平均误差为1.07 m,全局点云最近点迭代法平均误差为0.44 m,机载激光...     

基于地基激光雷达的亚热带森林单木胸径与树高提取

【目的】以云南省普洱市天然林与杉木人工林为研究对象,针对云南省山区森林树种繁多、林下灌木草本茂密的林分环境,根据森林中树木的形态特征,利用地基激光雷达(TLS)扫描数据提取样地尺度单木胸径与树高,为森林调查工作提供参考。【方法】将获取的多站地基激光雷达扫描数据分为多站拼接及单站2种分析方式,采用Hough变换算法及树干的形态特征对样地内单木进行识别与胸径提取,根据树干生长方向及单木在垂直方向上的分布提取树高。【结果】1)对于多站拼接数据,即使在林分条件最为复杂的原始林,单木识别率仍可达到81%;对于单站数据,随着扫描距离增加,单木识别率降低,实际操作时单站布设比多站拼接简单;2)多站拼接胸径及胸高断面积估测结果更接近于样地真实值,多个单站平均结果比只使用一站扫描数据提取的结果更加适合估测样地胸径及胸高断面积,半径10 m比半径5 m及15 m范围内数据更加适合估测样地胸径及胸高断面积;3)天然林单木树高估测结果为R~2=0.77,RMSE=1.46 m;人工林单木树高估测结果为R~2=0.94,RMSE=0.96 m。【结论】本研究根据树干垂直向特征,设置的一系列参数可以剔除Hough变换算法在非树干处的识别圆,可提高单木识别及胸径、树高的估测精度。受扫描站布设及林分条件影响,人工林的估测结果好于天然林。多站拼接相比单站扫描更加接近于样地实测结果,多个单站平均更能代表样地实际情况,只用一站数据具有一定的偶然性。     

基于形态学阈值标记分水岭算法的高分辨率影像单木树冠提取

随着遥感技术的不断发展,利用高空间分辨率遥感影像提取单木树冠,成为获取树冠信息的一种重要手段。结合数学形态学和最大类间方差法提取自适应的分割阈值,分别对前景和背景进行标记,以此构建了改进的分水岭分割方法。选取林区高分辨率的无人机影像为数据源,分别根据传统的分水岭方法和改进的分水岭方法进行实验分析,并从冠层面积、单木树冠分割的数量和质量方面进行精度评价。结果证明:基于形态学阈值标记的分水岭算法具有显著改善过分割的作用,树冠分割结果精度可达64.62%,表明该方法切实可行,且效果较好。     

融合机载和背包激光雷达的桉树单木因子估测

以海南省五指山市4块人工桉树林共计157株桉树为例,融合背包激光雷达和机载激光雷达点云数据对桉树单木因子进行了估测,探究融合数据在森林资源调查中的适用性。估测结果与实际样地数据对比表明,融合点云数据在胸径的估测上,R²=0.982,RMSE=0.868cm;在树高的估测上,R²=0.895,RMSE=2.005m,优于只使用背包激光雷达数据获取树高精度(R²=0.835,RMSE=2.458m)。基于背包激光雷达点云数据获取的单木胸径精度较高,融合点云数据可改善单一背包点云数据对树高上的估测。     

基于无人机数据的人工林森林参数估测

无人机凭借低成本、高精度的优势在森林资源调查中被广泛应用,基于无人机高分影像及点云数据的森林主要参数估测及评价方法研究,可以为无人机技术在人工林调查中的推广应用提供科学参考。选取南京林业大学树木园内东方杉(Taxodium mucronatum)人工实验林为研究对象,以2018年无人机高分影像、点云数据以及地面实测数据为主要信息源,通过局部最大值以及种子点分割的方法对株数、树高、冠幅、郁闭度等森林参数进行提取,并进行精度检验。研究结果表明:1)提取的株树探测率为0.92,株数准确率为0.97,F参数为0.95。2)单木树高估测的决定系数(R~2)为0.795 7,均方根误差(RMSE)为0.594 0;单木冠幅直径的决定系数(R~2)为0.800 8,均方根误差(RMSE)为0.897 8。3)提取的总冠幅的提取率达到0.95,准确率达到0.93,f参数达到0.94。4)提取的样地郁闭度相对误差只有0.32%。基于无人机高分数据及少量地面实测数据的人工林主要参数估测,可以在很大程度上替代全林实测,在人工林中具有较大的推广价值。