基于高光谱和机载LiDAR技术的云南松受云南切梢小蠹危害程度分类诊断研究

以石林县黑龙潭片区常受云南切梢小蠹危害的云南松为研究对象,人工调查120株云南松冠层枯稍率,并记录其坐标位置。利用无人机搭载高光谱成像仪采集研究区云南松高光谱数据,根据样本位置提取其冠层光谱反射率,分析冠层光谱,并利用小波变换法提取了16个光谱特征。基于样本冠层枯稍率与光谱特征数据,采用BP神经网络法训练分类诊断模型,以此作为研究区云南切梢小蠹对云南松危害程度分类诊断模型。利用无人机搭载LiDAR系统采集研究区云南松LiDAR数据,根据归一化切割方法,对云南松单株树冠进行分割提取,将分割提取结果与高光谱数据融合提取单株云南松冠层光谱。最终利用训练好的诊断模型分类诊断研究区云南松受云南切梢小蠹危害程度并将结果可视化。结果表明：共分割提取出11029株云南松,分类结果为健康10142株、轻度危害490株、中度危害266株、重度危害131株。选用120株样本对分类结果进行精度验证,总体分类精度为90.83%,分类精度较高。     

机载通信导航设备综合自动测试系统的设计

针对飞机机载通信导航设备维修保障存在的问题,介绍了机载通信导航设备综合测试系统的硬件组成,提出了"类ATLAS语言"的设计思想,给出了具体的实现方法。使用效果表明:系统操作简单,检测精度高,取得了较好的经济效益。     

基于机载LiDAR数据的农作物叶面积指数估算方法研究

叶面积指数(LAI)是农作物长势监测及估产的重要参数,激光雷达能够提供精确的农作物冠层结构信息,可弥补光学遥感在提取冠层结构信息方面的不足。因此,本文旨在挖掘激光雷达所能提取的农作物垂直结构信息,并研究冠层结构参数与农作物叶面积指数之间的关系,从而估算整个研究区的叶面积指数。首先,基于机载激光雷达数据提取平均高度(Hmean)、最大高度(H_(max))、最小高度(H_(min))、高度百分位数(H_(25th)、H_(50th)、H_(75th)、H_(90th))、激光穿透力指数(LPI)、回波点云密度、孔隙率(fgap)、叶倾角(MTA)等结构参数;然后,利用Pearson相关性分析法对以上参数与地面实测LAI进行相关性分析,并选择与LAI相关性高的参数;最后,对选择的敏感性参数进行回归分析,构建激光雷达参数与实测LAI的LiDAR-LAI估算模型,估算整个研究区的农作物冠层LAI。精度评价结果表明:预测LAI与实测LAI之间的相关系数为0.79,均方根误差为0.47,说明激光雷达所提取的农作物冠层结构参数可用于估算空间上连续、大面积的农作物LAI。     

2020 -01期目录

  目的  探讨纹理变量及其相应参数配置范围,阐明各纹理变量随输入参数的变化规律,以便指导高分光学影像纹理在林业上的应用。  方法  以福建省将乐国有林场不同坡向不同龄组的杉木人工林为例,基于QuickBird影像的全色波段进行灰度共生矩阵（GLCM）纹理的计算与分析。  结果  结果表明:（1）除均值外的所有GLCM纹理变量对阴坡的3个龄组的区分能力均强于阳坡,且纹理变量优选需同时考虑衡量指标和纹理变量之间的相关程度。（2）窗口大小是统计组和有序组纹理最关键的输入参数,合适的窗口大小与影像的分辨率以及研究对象的空间尺度有关,对比度组纹理与窗口大小无关,可随意设置。（3）应用统计组和有序组纹理,无需关注像元间距,而应用对比度组纹理,不可忽视像元间距。（4）应用统计组纹理,像元间距越大越需关注计算方向;而对比度组和有序组纹理则相反,即像元间距越小越需关注计算方向。（5）作为最不受研究人员重视的灰度量化等级,推荐采用32或者64。  结论  高分光学影像的纹理信息对光谱重叠度较高的地物具有一定的区分能力,能部分“弥补”阴影导致的光谱信号损失,但在应用中需对纹理变量及其输入参数进行优化选择和配置。该文的研究结论能够为高分光学影像纹理信息的优化应用提供实用的参考借鉴。      

城市绿地空气微生物浓度的变化特征研究

文章通过对北京市元大都遗址公园内不同类型绿地空气微生物浓度变化特征的研究,结果表明:在不同时间段和不同类型绿地,各林地内的细菌浓度、霉菌浓度和放线菌浓度变化幅度较大,且差异显著。       

气载细菌内毒素的国内外研究现状

本文简单介绍了气载细菌内毒素的形成及生物学作用,并从人的生活环境及动物舍环境两方面介绍了国内外对气载内毒素的研究现状,使得人们对气载内毒素有一个初步认识,便于更好的控制环境、改善环境质量。     

基于激光点云的三维虚拟果园构建方法

针对果园管理数字化程度低、构建方法较为单一等问题,本研究提出了一种基于激光点云的三维虚拟果园构建方法。首先采用手持式三维点云采集设备（3D-BOX）结合即时定位与地图构建-激光测距与测绘（Simultaneous Localization and Mapping-Lidar Odometry and Mapping,SLAM-LOAM）算法获取果园点云数据集;然后通过统计滤波算法完成点云数据离群点与噪声点的去除,并结合布料模拟算法（Cloth Simulation Filtering,CSF）与DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法,实现地面去除与果树聚类分割,进而使用VoxelGrid滤波器降采样;最后利用Unity3D引擎,构建虚拟果园漫游场景,将作业机械的实时GPS（Global Positioning System）数据从WGS-84坐标系转换为高斯投影平面坐标系,并通过LineRenderer显示实时轨迹,实现作业机械运动轨迹控制与作业轨迹的可视化展示。为验证虚拟果园构建方法的有效性,在海棠果园与芒果园开展果园构建方法测试。结果表明,所提出的点云数据处理方法对海棠果树与芒果树聚类分割的准确率分别达到了95.3%与98.2%;通过与实际芒果园的果树行距、株距对比,虚拟芒果园的平均行间误差约为3.5%,平均株间误差约为6.6%。并且将Unity3D构建出的虚拟果园与实际果园相比,该方法能够有效复现果园三维实际情况,得到了较好的可视化效果,为果园的数字化建模与管理提供了一种技术方案。     

Mapping of urban roadside trees – A case study in the tree register update process in Helsinki City

This case study describes a method for utilizing leaf-off airborne laser scanning (ALS) data for mapping characteristics of urban trees. ALS data were utilized to detect and update all street trees in the tree inventory of the City of Helsinki, Finland. The inventory consists of roughly 20,000 street trees with mean diameter at breast height (DBH) of 24 cm and mean height of 10.6 m. The large number of trees makes the manual updating process very laborious. The automatic mapping procedure presented in this paper detected 88.8% of all trees in the inventory. Tree height was predicted with root mean square error (RMSE) of 1.27 meters and tree DBH with RMSE of 6.9 cm. The presented method provides a practical and cost–effective tool for the mapping of urban tree characteristics. The cost–efficiency was further enhanced because the used ALS data were originally collected for other urban planning purposes.     

机载LiDAR和高光谱融合实现普洱山区树种分类

[目的]通过机载遥感影像对普洱山区进行植被分类研究,为山区森林经营规划与可持续经营方案的制图提供高效应用途径。[方法]将2014年4月航拍的机载AISA Eagle II高光谱和Li DAR同步数据融合,利用点云数据提取的数字冠层高度模型(CHM)得到树种的垂直结构信息,结合经过主成分分析(PCA)的高光谱降维影像,选用支持向量机(SVM)分类器进行分类。[结果]普洱市万掌山实验区主要树种分为思茅松、西南桦、刺栲、木荷等。融合影像数据分类的总体精度和Kappa系数分别为80.54%、0.78,比单一高光谱影像数据分类精度分别提高6.55%、0.08,其中主要经营树种思茅松的制图精度达到了90.24%。[结论]该方法对山区主要树种的识别是有效的,将机载Li DAR与高光谱影像融合可以有效改善分类精度。     

Using multi-source data to map and model the predisposition of forests to wind disturbance

Natural disturbances such as wind are known to cause threats to ecosystem services as well as sustainable forest ecosystem management. The objective of this research was to better understand and quantify drivers of predisposition to wind disturbance, and to model and map the probability of wind-induced forest disturbances (P_DIS) in order to support forest management planning. To accomplish this, we used open-access airborne light detection and ranging (LiDAR) data as well as multi-source National Forest Inventory (NFI) data to model P_DIS in southern Finland. A strong winter storm occurred in the study area in December 2011. High spatial resolution aerial images, acquired after the disturbance event, were used as reference data. Potential drivers associated with P_DIS were examined using a multivariate logistic regression model. The model based on LiDAR provided good agreement with detected areas susceptible to wind disturbance (73%); however, when LiDAR was combined with multi-source NFI data, the results were more promising: prediction accuracy increased to 81%. The strongest predictors in the model were mean canopy height, mean elevation, and stem volume of the main tree species (Norway spruce and Scots pine). Our results indicate that open-access LiDAR data can be used to model and map the probability of predisposition to wind disturbance, providing spatially detailed, valuable information for planning and mitigation purposes.