激光雷达数据在森林参数获取中的应用

由于激光雷达技术可直接获取地物的三维空间坐标信息, 使得激光雷达数据在森林参数估测方面具有独特的优势。文中首先介绍了激光雷达的一般工作原理, 然后总结了国外近年来激光雷达数据在森林参数(树高、冠幅、生物量、碳储量)获取方面的应用, 以及国内林业工作者在激光雷达数据应用方面所做的尝试, 最后对激光雷达数据在森林参数获取方面的前景进行了展望。     

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。      

基于机载LiDAR落叶松树冠几何形状三维重建关键技术研究

森林冠层的三维重建研究能够更加直观反映森林空间结构,提高森林参数的测量精度。目前小光斑激光雷达已经广泛应用于林业研究中。为建立落叶松树冠三维形状模型,以长春净月潭实验区落叶松机载LiDAR(LiDAR,Light Detection And Ranging)数据为基础,采用K-means算法提取建模参数。该算法以单木树冠顶点作为初始聚类中心,经过4次迭代估测出单木树高和单木树冠直径,通过与试验区的单木实测数据对比,进行相关性分析,得到估测树高和估测树冠与实测数据相关系数分别为0.892 4和0.769 0,经过验证,估测树高和估测树冠的精度为94.06%和82.21%。利用激光雷达提取出的单木坐标、树高、树冠和冠基高采用旋转抛物线方法重建森林尺度三维模型呈现森林结构。     

应用高斯聚类的单木分割及树高和冠幅的提取

针对机载激光雷达点云中基于栅格化的冠层高度模型(CHM)所导致的原始点云数据丢失问题,提出了一种应用高斯模型聚类的单木信息提取方法。采用形态学开运算和高斯平滑方法形成高斯冠层最大模型(GCMM)能减少无关局部最大值对单木分割的影响,利用局部最大值法初步探测树冠顶点,通过最速下降法建立混合高斯模型得到树木位置和冠幅。利用聚类分析划分临近点云归属,进而实现单木参数准确提取,并提取单木最高点为树高。将点云分割方法应用于美国蓝岭地区6块圆形针叶林样地(r=30 m)。结果表明:单木分割F为0.89,正确分割单木树高提取精度95%,冠幅提取精度91%。结合实测数据对提取到的树高和冠幅进行相关性分析,树高R2=0.92,平均误差为-0.83 m;冠幅R2=0.84,平均误差为-0.42 m。相比于分水岭算法,高斯模型聚类方法F提高了11.2%,正确分割单木树高及冠幅提取精度提高了5.5%、5.8%,树高R2提高0.08,平均误差减少0.58 m;冠幅R2提高0.11,平均误差减少0.63 m。     

基于无人机激光雷达的刺槐人工林森林健康指标的构建

利用无人机激光雷达LiDAR(Light detecting and ranging)数据,提取能反映植被垂直和水平结构变化的LiDAR特征变量,通过相关性分析和层次聚类方法构建森林健康指标来识别黄河三角洲刺槐人工林的健康状况.结果表明,森林健康指标由LADcv(叶面积密度的变异系数)、weibull_α(Weibul...     

运用融合纹理和机载LiDAR特征模型估测森林地上生物量

针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。     

基于ROS系统的仓库巡逻机器人

为了更好地保障仓库货物的安全,降低企业的运行成本,提高企业生产效率及产品质量,项目小组设计了一款基于ROS系统的仓库巡逻机器人,并对该仓库巡逻机器人进行了实验测试.实验测试结果表明:该机器人可以通过激光雷达进行地图构建和自主巡逻;通过报警系统与自身定位完成对仓库内的异常情况进行反馈和报警等相关任务;实现了自主导航、自主...     

基于LiDAR点云能量信息的樟子松郁闭度反演方法

为提高小光斑激光雷达估测针叶林郁闭度的精度,采用回归分析法建立多变量回归模型,通过对小光斑激光 雷达点云数据进行处理,分别提取3 个数量比值变量、3 个能量比值变量,并建立郁闭度单变量反演模型,接着在单 变量的基础上进行多元线性回归分析,建立郁闭度多变量反演模型,最后用剩余数据对所建立的反演模型进行精 度评价。结果表明:在郁闭度单变量反演模型中I2反演模型最好, 拟合相关性为R2 =0.818, Adj R2 =0.810, RMSE = 0.016,模型精度为P =0.978;多变量反演模型中LPI' 和I'3 组合的模型最好, 拟合相关性为R2 = 0.898, AdjR2= 0.889, RMSE =0.012,模型精度为P =0.972。由最终所得模型可知,能量比值变量模型所得结果相对数量比值变 量模型结果要好且稳定,多变量反演模型的拟合相关性及精度都比单变量模型要高。本研究所提取的参数相对较 少,且能量比值变量的提取有一定的局限性,未来研究中应提取更多的高效参数且进一步加强能量比值变量的探究。      

基于机载小光斑LiDAR技术的亚热带森林参数信息优化提取

借助机载小光斑LiDAR 点云和地面调查的73 个样地数据,以亚热带天然次生林为研究对象,首先采用主成 分分析法、逐步回归法和贝叶斯模型平均法,分别优化筛选LiDAR 提取变量;在此基础上,拟合最优模型估算各森 林参数并评价精度; 最后基于最优模型进行蓄积量的升尺度制图。结果表明:通过主成分分析法筛选出的最优 LiDAR 提取变量为平均高度(hmean)、60%冠层返回密度变量(d6 )和高度变异系数(hcv ),且这3 个变量在逐步回归 法和贝叶斯模型平均法中多被选中;逐步回归法拟合模型效果最好(R2 为0.39 ~ 0.84),而贝叶斯模型平均法(R2 为0.32 ~0.77)和主成分分析法(R2 为0.26 ~0.74)次之;就各森林参数而言,Lorey爷s 树高(R2 为0.74 ~0.84)和优 势树高(R2为0.73 ~0.82)的估算精度最高,胸径(R2 为0.48 ~0.57)和蓄积(R2 为0.46 ~ 0.55)次之,而株数(R2 为 0.35 ~0.44)和胸高断面积(R2 为0.29 ~0.39)最低。      

Forest Road Detection Using LiDAR Data

We developed a three-step classification approach for forest road extraction utilizing LiDAR data. The first step employed the IDW method to interpolate LiDAR point data （first and last pulses） to achieve DSM, DTM and DNTM layers （at 1 m resolution）. For this interpolation RMSE was 0.19 m. In the second step, the Support Vector Machine （SVM） was employed to classify the LiDAR data into two classes, road and non-road. For this classification, SVM indicated the merged distance layer with intensity data and yielded better identification of the road position. Assessments of the obtained results showed 63% correctness, 75% completeness and 52% quality of classification. In the next step, road edges were defined in the LiDAR-extracted layers, enabling accu- rate digitizing of the centerline location. More than 95% of the Li- DAR-derived road was digitized within 1.3 m to the field surveyed nor- rnal. The proposed approach can provide thorough and accurate road inventory data to support forest management.