小光斑激光雷达数据估测森林树高研究进展

小光斑激光雷达可以同时获得森林的垂直及水平结构参数,因光斑直径较小,可以做到森林单木结构参数的准确估计,进而推广到样方甚至更大区域森林结构参数的估计,近年来在林业中得到广泛应用。文中主要从树高估计方面对小光斑激光雷达在林业中的应用进行研究,通过对先前类似文献进行归纳总结发现,在小光斑激光雷达估测森林树高方面仍存在着一些问题,从而限制了森林树高估测精度的提高,如点云分类算法、点云密度、森林郁闭度、单木的准确分割等,还对小光斑激光雷达估计森林树高中所存在的问题进行了概括,并提出了改进建议。     

机载全波形 LiDAR 数据处理及林业应用研究综述

随着激光雷达技术的发展,近几年对小光斑全波形激光雷达数据处理方法及其应用的研究已成为国内外相关领域关注的热点。文中阐述小光斑全波形激光雷达的组成及数据特点,介绍波形数据的处理流程,并在此基础上概述小光斑全波形激光雷达波形数据在林业中的应用; 基于国内外研究现状,详细论述了波形分解和提取森林结构参数的理论及方法,分析了小光斑全波形激光雷达波形数据处理的局限性及其在林业中的应用前景。     

基于小波变换的ICESAT-GlAS波形处理

小波变换在信号处理方面的优势越来越明显,但是小波中的小波基不是唯一的,所以采用不同的小波基即使处理同一组数据其结果也会不同。为了确定那种小波基更适合于大光斑激光雷达,通过对MATLAB中常用的小波基参数特性的比较分析最终确定选用Daubechies小波基和Symlets小波基,并分别通过对ICESAT-GLAS波形进行小波分解、阈值处理和小波重构来实现波形去噪过程。结果表明:用Symlets小波基中的sym7小波基比用Daubechies小波基中的db1小波基去噪后波形信噪比要高,而均方根误差则比用Daubechies小波基中的db1小波基的低,由此看来Symlets小波基中sym7小波基更适合于处理大光斑激光雷达波形数据。     

ICESat-GLAS激光天顶角对反演森林冠层高度的影响

为了量化激光天顶角对ICESat-GLAS波形数据反演森林冠层高度的影响,以吉林省汪清林业局经营区为例,基于ICESat-GLAS波形数据及DEM数据,在Allouis模型和Nie模型基础上,分别引入激光天顶角,对光斑内坡度引起的高度距离(GroundExtent)进行修正,建立森林冠层高度估测模型,并通过模型对坡度的校正能力、天顶角引起的GroundExtent理论误差以及大气延迟增量三个方面讨论分析天顶角在反演森林冠层高度中的影响。结果表明:天顶角的引入能够提高模型的估测精度,决定系数(R2)分别提高了6.56%、4.26%,且能更好地校正地形坡度;在外部条件相同的情况下,由天顶角(1°)引起的GroundExtent理论误差在0.122~1.100m范围内;在天顶延迟约为2.3m时,天顶角(1°)对大气延迟增量的影响为0.04~3.50mm。由此可知天顶角对估测森林冠层高度存在一定的影响,引入激光天顶角的冠层估测模型能更准确地反演森林冠层高度。     

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。     

基于双目立体视觉SLAM的林下实时定位

[目的]在林下环境中受到树木冠层的遮挡,易造成全球导航卫星系统卫星信号失锁,不能满足林下实时定位的需求.本研究引入双目立体视觉SLAM技术,在移动过程中根据周围环境中路标点的位置变化实时确定传感器的空间位置和姿态,以期在林下环境中达到实时定位的目的.[方法]实验过程中使用双目相机按照10 Hz的采集频率对3块边长为40...     

基于OSC的土壤全氮近红外光谱测定

采集农田、林地和盐碱地不同类型的土壤样本,采用偏最小二乘法结合OSC方法建立土壤有机质反演模型,运用交叉验证和外部验证相结合的评价方法进行比较分析。结果显示：采用平滑＋MSC＋OSC方法对光谱进行预处理,可以提高预测模型的精度。OSC因子个数和PLS主因子个数分别为6和4时,交叉验证决定系数R2为0.990 1,均方根误差为0.297 5,外部验证决定系数R2为0.926 1,均方根误差为0.283 6,模型达到最优。表明对光谱进行OSC预处理后建模是可行的,OSC降低与浓度阵无关的光谱信号,并且减少建立模型的主因子个数,进一步提高模型的精度和稳定性。     

基于极限学习机的单木枝叶点云分类

[目的]在林业测量中,利用树木的三维激光点云数据提取其结构信息以及模型拟合三维重建较为普遍,而林木枝叶三维点云分割则是林木参数提取以及三维重建的前提。[方法]利用扫描的单木三维点云数据,提取了单木点云的空间特征、反射强度、RGB色彩特征等多维特征,为提高分类的效率,通过随机森林算法按照其特征重要程度排序,除去冗杂的特征,保留RGB色彩、反射强度、法向分布特征作为分割依据。采用极限学习机(Extreme Learning Machine,ELM)对训练样本进行学习,并对原始数据进行枝叶点云的分类识别试验,分类正确率达到98.99%。[结果]在同等试验条件下,分别采用BP(Back Propatation)神经网络、LVQ(Learning Vector Quantization)神经网络、决策树(Decision Tree)、朴素贝叶斯(Naïve Bayes Classifier,NBC)、支持向量机(Support Vector Machine,SVM)进行分类,分类,其正确率分别为94.30%、91.26%、96.95%、85.67%、98.16%。[结论]试验结果表明极限学习机的分类效果较好。     

基于近红外光谱的紫丁香叶片叶绿素含量的估测研究

近红外具有快速无损检测特点,利用该特点能够对紫丁香叶片叶绿素的含量进行估测。采用的试验方法是采取东北林业大学城市示范实验林场中的紫丁香叶片60片,从中随机抽取40片作为建模集,其余20片为验证集,并用偏最小二乘法建立建模集的叶片的近红外光谱和叶绿素含量的关系模型。再利用该模型来估测验证集紫丁香的叶绿素含量。本次试验,建模集的预测集和校验集的R2分别达到0.86和0.73,相关系数均达到85%以上,并且验证集的R2值达到0.82,相关系数为90.85%,说明近红外技术具有应用于叶片叶绿素含量估测的潜力。     

森林工程专业地理信息系统课程教学改革探索

结合森林工程专业学习地理信息系统课程的教学要求,提出课程教学改革具体目标,从森林工程专业GIS课程教学目标、教学内容体系改革和考核方法改革等方面进行总结分析,实践表明,教学改革取得了良好的效果.