CN108007438B - 无人机航空摄影遥感湿地植物生物量的估测方法 - Google Patents
无人机航空摄影遥感湿地植物生物量的估测方法 Download PDFInfo
- Publication number
- CN108007438B CN108007438B CN201711248362.2A CN201711248362A CN108007438B CN 108007438 B CN108007438 B CN 108007438B CN 201711248362 A CN201711248362 A CN 201711248362A CN 108007438 B CN108007438 B CN 108007438B
- Authority
- CN
- China
- Prior art keywords
- wetland
- plant
- model
- biomass
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000002028 Biomass Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 39
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 238000011084 recovery Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008635 plant growth Effects 0.000 claims description 2
- 230000008571 general function Effects 0.000 claims 1
- 230000008676 import Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 89
- 238000011160 research Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 235000014676 Phragmites communis Nutrition 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 244000273256 Phragmites communis Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001035 drying Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 244000207867 Pistia stratiotes Species 0.000 description 2
- 235000006440 Pistia stratiotes Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000205574 Acorus calamus Species 0.000 description 1
- 235000011996 Calamus deerratus Nutrition 0.000 description 1
- 241000195628 Chlorophyta Species 0.000 description 1
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无人机航空摄影遥感湿地植物生物量的估测方法,采用无人机作为遥感摄影平台,通过无人机连续拍摄待估测湿地的影像,同时对待估测湿地植物生物量样本进行实地采集并计算生物量,利用数字摄影测量技术对待估测湿地影像进行处理,获取高分辨率的待估测湿地地面正射影像;进而建立待估测湿地地表植物群落高度变化模型影像和可见光植被指数模型影像;根据采样点植物生物量、地表植物群落高度值和可见光植被指数值,建立植物生物量与植物群落高度、可见光植被指数VDVI的回归模型,通过回归模型对湿地植物生物量进行估测;本发明方法能快速估测出大面积的湿地植物的生物量,大大提高了工作效率和质量,并且更准确,成本更低。
Description
技术领域
本发明涉及一种自然资源调查中的湿地植物生物量估测技术,具体为一种无人机航空摄影遥感湿地植物生物量的估测方法。
背景技术
如何科学快速的估测大面积湿地植物的生物量一直是生态学难以解决的问题。当前研究主要通过采集植物样品来估测生物量,然而该方法工程量大耗费时间长,并且很难应用于大面积的湿地。而且有研究表明氮磷积累量与生物量呈显著正相关关系,因而对湿地植物的生物量进行大规模估测对湿地生态系统的植物配置及植物净水能力的评估具有重要意义。
目前,卫星遥感技术被广泛的应用于大面积农作物和植被生物量估测,但是鲜有研究涉及到植物氮磷吸收能力的评估,并且由于受卫星遥感影像的空间和时间分辨率限制,获取到的湖泊和河流局域尺度上的湿地植被信息存在较大误差。同时,很难适用于季节变化明显的湿地植物生物量估测,所以建立的生物量反演模型往往由于拟合程度不高,导致精度不够。
而无人机(UAV)航测技术属于低空遥感技术,其在获取影像过程中不受大气因素的干扰,可以获得不同季节的航拍数据。具有使用成本低、操作简单、获取影像速度快、地面分辨率高、可获得地表植物群落高度等传统遥感技术所无法比拟的优势。它可以获得具有丰富的纹理特征和高空间分辨率的航拍影像。通过运用PhotoScan、SAGA-GIS等软件处理后得到地表植物群落高度。并且在可见光通道中,绿色植被在绿光通道反射率高,在红光、蓝光通道反射率低,通过绿光通道与红光、蓝光通道间的运算能够增强植被与周围地物的差异,故可以基于可见光通道建立可见光植被指数。该项技术对湿地植物生物量的估测有更高的准确性和可行性。
发明内容
为了克服现有的湿地植物生物量统计的诸多不便,提高工作效率和估测的准确性,本发明的目的是提供一种无人机航空摄影遥感湿地植物生物量的估测方法,该方法具备高精度、低成本、周期短等优势,可在云下飞行,保证影像的清晰度。
本发明目的是这样实现的:采用无人机作为遥感平台,无人机上集成有高分辨率数码相机、GPS系统;通过无人机连续拍摄待估测湿地的影像,同时对待估测湿地植物生物量样本进行实地采集并计算采样点植物生物量,测量采样点GPS位置;
利用数字摄影测量技术对待估测湿地影像进行处理,获取高分辨率的待估测湿地地面正射影像;进而建立待估测湿地地表植物群落高度变化模型影像和可见光植被指数模型影像;利用地理信息系统软件的影像处理功能,使地表植物群落高度变化模型影像和可见光植被指数模型影像分辨率相同,把植物生物量样本的采样点位置对应到待估测湿地地表植物群落高度变化模型影像和可见光植被指数模型影像中,提取每一个采样点在模型影像中的地表植物群落高度值和可见光植被指数值;根据采样点植物生物量、地表植物群落高度值和可见光植被指数值,建立植物生物量与植物群落高度、可见光植被指数(VDVI)的回归模型,通过回归模型对湿地植物生物量进行估测。
其中所述高分辨率的待估测湿地地面正射影像获取方法如下:通过对无人机航摄影像进行质量优化和GPS轨迹信息导入处理,利用运动恢复结构算法和多视角立体重构法,对影像进行拼接处理,生成稀疏点云数据,输入地面控制点的经纬度坐标及高程,引入控制点,确定将要生成正射影像的坐标系,然后对稀疏点云进行加密,形成稠密点云,再基于稠密点云数据生成三角网模型,以三角网模型作为参考,使影像上所有的点云数据处于同一平面内,生成地面正射影像。
由于高分辨率的地面正射影像是地表植物群落高度变化模型影像和可见光植被指数模型影像生成的基础数据,因此,高分辨率的地面正射影像的生成是进行建模分析至关重要的一步,首先将航摄影像数据导入图像处理软件Lightroom中对影像的参数进行调节,提高影像数据质量,然后提取无人机搭载的航线轨迹记录仪中的航测GPS轨迹信息,并导入质量处理后的影像,对应相同时刻匹配影像的GPS信息,给所有影像赋上对应的GPS信息,将处理后的影像数据利用软件AgisoftPhotoscan中自带的运动恢复结构算法和多视角立体重构算法,对影像进行拼接处理,生成稀疏点云数据,输入地面控制点的经纬度坐标及高程,引入控制点,确定将要生成正射影像的坐标系,让所有生成的点云数据处于同一坐标系下,然后对稀疏点云进行加密,形成稠密点云,再基于稠密点云数据生成三角网模型,以三角网模型作为参考,使影像上所有的点云数据处于同一平面内,最后生成高分辨率的地面正射影像。
所述待估测湿地地表植物群落高度变化模型影像获取方法如下:将加密获得的稠密点云数据生成数字表面模型DSM,然后利用稠密点云分类出基础的地面变化模型,再把数字表面模型DSM跟基础的地面变化模型利用内插法生成地表变化模型DEM,将数字表面模型DSM和地表变化模型DEM叠加相减得到地表植物群落高度变化模型CHM,即获得待估测湿地地表植物群落高度变化模型影像。
具体为将利用软件AgisoftPhotoscan加密获得的稠密点云数据生成数字表面模型(Digital Surface Model, DSM),然后利用稠密点云分类出基础的地面变化模型,再把DSM跟基础的地面变化模型利用内插法生成地表变化模型DEM,之后利用软件SAGA-GIS的影像数据运算功能将数字表面模型DSM和地表变化模型DEM叠加相减得到地表植物群落高度变化模型(Canopy Height Model, CHM),即获得待估测湿地地表植物群落高度变化模型影像。
所述待估测湿地可见光植被指数模型影像获取方法如下:利用遥感图像处理平台(软件ENVI)中植被指数模型建立功能,采用可见光植被指数公式对待估测湿地地面正射影像进行可见光波段运算,生成可见光植被指数(VDVI)模型影像。
所述待估测湿地植物生物量样本实地采集方法:首先在选定区域内根据植物长势高、中、矮的标准确定具有代表性的若干个样地,样地面积为1×1 m2;每个样地用五点取样法选取五个采样点进行生物量样本采集,样地内选取样方的面积大小为0.2×0.2 m2(总面积为0.04m2),湿地植物生物量收集为地上生物量,然后记录样地中心GPS位置信息,保证选取样点和无人机拼接影像相对应;利用烘干法计算湿地植物的生物量,将其用于回归模型建立分析。
所述植物生物量与植物群落高度、可见光植被指数(VDVI)的回归模型建立方法如下:将从地表植物群落高度变化模型影像和可见光植被指数模型影像中提取到的对应于采样点位置的地表植物群落高度值和可见光植被指数值,通过软件SPSS建立可见光植被指数与地表植物群落高度的一元函数关系;再利用SPSS建立采样点生物量与可见光植被指数、地表植物群落高度的二元线性模型;将一元函数关系代入二元线性模型中得出生物量与可见光植被指数的总函数关系式;最后在软件ENVI中键入总函数关系式后处理可见光植被指数模型影像得到生物量空间分布模型,实现湿地植物生物量估测。
其中一元函数关系y1=A1x1+C1(y1为地表植物群落高度,x1为VDVI值),生物量与植被指数、地表植物群落高度的二元线性模型y2=A2y1+B2x1+C2 (其中y2为生物量,y1为地表植物群落高度,x1为VDVI值)。将二元线性模型的地表植物群落高度y1用一元函数关系的植被指数y1进行替换,替换公式为:y2=A2(A1x1+C1)+B2x1+C2,整合后得出生物量与植被指数的总函数关系式;最后在软件ENVI中键入总函数关系式后处理植被指数模型影像得到生物量空间分布模型,对生物量空间分布模型的所有像元值进行加和可以得到整个研究区的生物量,如果对某一种(或几种)植物所占像元值加和就可以得到这一种(或这几种)植物总的生物量,实现湿地植物生物量估测。
本项发明与现有技术相比具有以下优点:
(1)进行植物群落高度和植被指数双变量拟合,精度更高,适用性更广;
(2)无人机航拍能很好地应用于湖泊等中尺度范围的生物量估测,易于推广。
附图说明
图1为湿地植物生物量采样方式示意图;
图2为处理生成的高分辨率地面正射影像模型示意图;
图3为处理生成的表面高度变化模型影像模型示意图;
图4为处理生成的可见光植被指数(VDVI)影像模型示意图;
图5为估测模型检验的标准化残差函数关系示意图;
图6为估测模型检验分析的折线差异示意图;
图7为生物量空间分布模型示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,下面结合附图和实施例对本发明做进一步说明,但本发明并不用于限制所述内容,实施例中方法如无特殊说明均为常规方法。
实施例1:
本实施例中采用的无人机航空摄影遥感平台及参数如下:
无人机搭载的相机传感器最大像素为7360×4912,固定光圈大小为f/4.0,ISO值为100,快门速度为1/1000S,且调用相机参数补偿几何失真,镜头参数为固定焦距35mm;无人机使用大疆M600 Pro六旋翼飞行平台,并利用调参软件DJI Assistan2校准;天空端GPS使用HOLUX M241-A轨迹记录仪,无人机上集成有惯性导航系统;
本实施例为了获取有效的数据,数据采集之前对飞行任务进行整体规划设计,以确保数据获取的有效性和飞行的安全性。
考虑到飞行测绘规定的横向重叠率应高于50%,旁向重叠率应高于20%,并且采集的影像数据处理之后,获取的高度数据、可见光植被指数(VDVI)数据与实测生物量的样点数据一一对应,且对应面积尽可能相近,因而本实施例中采集影像数据保持飞行速度为4m/S,飞行航高为100m,通过地面分辨率GSD与航高关系式计算地面分辨率,关系式如下:
式中,a是像元尺寸,GSD为地面分辨率,f为镜头焦距,h为航高。
经过计算,像元大小为4.8256μm,飞行航高为100m,根据公式计算地面分辨率为1.4cm。
本实施例估测区位于云南省滇池原山地湖滨湿地,昆明市滇池治理生态建设工作指挥部附近(北纬24°88′81″,东经102°77′44″),估测区植物以芦苇为优势种,有少量菖蒲、大薸、绿藻等;获取湿地植物生物量数据、高度数据和可见光植被指数(VDVI)数据作为估测模型的建模数据,具体操作如下:
1、湿地植物生物量获取:通过无人机连续拍摄滇池湿地的影像,在无人机飞行过程中,同时开展湿地植物生物量采集工作,测量参数主要包括湿地植物生物量、采样点GPS位置;湿地植物采集的方法为:在选定区域内根据芦苇长势高、中、矮的标准以及芦苇高密度集群生长的特点确定具有代表性的13个样地,样地面积为1×1 m2;每个样地用五点取样法选取五个采样点进行生物量采集(如图1所示),样地内选取样方的面积大小为0.2×0.2m2(总面积为0.04 m2),湿地植物生物量收集为地上生物量,然后记录样地中心GPS位置信息和采样点GPS位置信息,保证植物生物量样本的采样点能对应到待估测湿地地表植物群落高度变化模型影像和可见光植被指数模型影像中;利用烘干法计算湿地植物的生物量,将地上部分置于烘箱内,每个样品在85℃下恒温烘干至其达到恒重,称重并记录数值(如表1所示),将其用于建模分析与估测模型验证;
表1生物量统计表
2、高分辨率的地面正射影像获取
地表植物群落高度变化模型影像和可见光植被指数模型影像的生成都要基于高分辨率的地面正射影像,才能获得建模的高度数据和VDVI数据;本实施例中高分辨率的地面正射影像处理方法如下:
无人机采集的影像数据会受到环境因素的影响,在采集过程中,会发生积云遮蔽太阳光线的情况,造成部分影像曝光不足,如前一张拍的相片是在太阳光照射的情况下拍摄的,后一张相片由于云层刚好在这个时候挡住太阳,使得整个光环境较前一张相片发生变化,而相机本身的自动调节还没有跟上,使得后一张相片比前一张相片昏暗,因此利用图像处理软件Lightroom对影像进行调参处理,使照片达到合适的曝光度,且所有照片处于同一曝光度下,保证所有影像质量上的优化;
接着本实施例中利用天空端GPS自带软件EZtour提取无人机搭载的HOLUX M241-A轨迹记录仪中的航测GPS轨迹信息,并导入质量处理后的影像,对应相同时刻匹配影像的GPS信息,给所有影像赋上对应的GPS信息,该处理方式是在AgisoftPhotoscan软件平台中实现的。
然后将处理后的影像导入软件AgisoftPhotoscan中,利用软件内置的运动恢复结构算法和多视角立体重构算法法对影像进行拼接处理。首先,生成稀疏点云数据,设置精确度参数为Highest,其他参数选择默认;然后输入地面控制点的经纬度坐标及高程(如表2所示),引入控制点,控制点的选择一般为研究区的四个角,目的是确定将要生成正射影像的坐标系;接着对稀疏点云进行加密,形成稠密点云,设置质量参数为High,其他参数选择默认;再基于稠密点云数据生成三角网模型,设置表面类型参数为Height field,数据源选择稠密点云,精确度参数为High;最后以三角网模型作为参考,使影像上所有的点云数据处于同一平面内,生成正射影像(如图2所示),以上处理均在软件AgisoftPhotoscan中实现。
表2控制点的经纬度坐标及高程表
3、湿地植物群落高度数据获取:将利用软件AgisoftPhotoscan加密获得的稠密点云数据生成数字表面模型(Digital Surface Model,DSM),然后利用稠密点云分类出基础的地面变化模型,再把DSM跟基础的地面变化模型利用内插法生成地表变化模型DEM,之后利用软件SAGA-GIS的影像数据运算功能将DSM和DEM叠加相减得到地表植物群落高度变化模型(Canopy Height Model,CHM),即获得待估测湿地地表植物群落高度变化模型影像(如图3所示);之后在地表植物群落高度变化模型影像上获得对应生物量的采样点的高度数据(如表3所示),将其用于估测模型的建模分析;
表3湿地植物群落高度数据表
4、可见光植被指数(VDVI)数据的获取:将生成的高分辨率的地面正射影像导入遥感图像处理平台ENVI中,在Basic Tools 菜单中选择Band Math,在输入表达式对话框中输入相应植被指数VDVI的波段运算表达式:(2*float(b2)-( float(b1)+ float(b3)))/ (2*float(b2)+( float(b1)+ float(b3))),为避免数据溢出,输入波段的数据类型选择浮点型。之后选择遥感影像的波段,其中指定红光波段为b1、绿光波段为b2、蓝光波段为b3,输出植被指数模型。然后通过Enhance改变图像像元的亮度值来改变图像像元的对比度,选择Linear 2%,对图像DN值分布在2%~98%之间的做线性拉伸,将绝大多数异常值在拉伸时舍掉,从而提高图像质量,生成最终的可见光植被指数(VDVI)模型影像(如图4所示),之后在可见光植被指数(VDVI)模型影像上获取对应生物量的采样点的可见光植被指数(VDVI)数据(如表4所示),将其用于估测模型的建模分析。
表4可见光植被指数(VDVI)数据表
本实施例的估测模型建立(含模型验证),具体操作如下:
(1)植物生物量与植物群落高度、可见光植被指数(VDVI)的回归模型的建立:将获取得到的湿地植物地表植物群落高度数据和可见光植被指数(VDVI)数据导入数学统计软件IBM SPSS中,利用软件IBM SPSS的曲线估计功能,处理后得到VDVI与地表植物群落高度模型y1=145.667+251.609x1(R2=0.754,P<0.05,其中y1为地表植物群落高度,x1为VDVI);又通过软件IBM SPSS同样的处理获取的湿地植物生物量、湿地植物地表植物群落高度数据和可见光植被指数(VDVI)数据,得到关于植物生物量与植物群落高度、可见光植被指数的二元线性模型y2=5.036y1+3732.066x1+166.436(R2=0.908,P<0.05,其中y2为生物量,y1为地表植物群落高度,x1为VDVI);对VDVI和地表植物群落高度进行变量替换,把二元线性模型的地表植物群落高度y1用一元函数关系的植被指数y1进行替换后,替换公式为:
y2=5.036×(145.667+251.609x1)+3732.066x1+166.436,整合之后得到生物量与植被指数的总函数关系式y2=4999.163x1+850.015;
(2)生物量估测模型验证:将样地八到样地十三收集到30个芦苇样本,用于模型复检;其结果如表5、6所示。利用模型估测的生物量与实测生物量中,最大相对误差14%,最小相对误差为1%,平均误差7%,数据表明整个实验的精度较高,且方法科学可行;我们以模型估测数据为X轴,以外业实测数据为Y轴,建立标准化残差函数关系,结果如图5所示;再生成折线差异图,如图6所示。
表5模型复检结果
表6模型复检结果
(3)构建生物量估测模型:依据变量替换后得到的植被指数与生物量的总函数关系式y2=4999.163x1+850.015,通过ArcGis分析,得到直观的反应出本次研究区域的生物量分布情况的生物量分布模型图(如图7所示),图上颜色为深蓝色的地方生物量较高,在这些区域分布着大量芦苇,介于绿色、黄色之间的有些是大薸,有些是杂草,而颜色最浅的地方是水体,但是因为水体上有水华存在,所以其也存在生物量;通过颜色对比可直观看出生物量分布情况,而且对生物量空间分布模型的所有像元值进行加和可以得到整个研究区的生物量,如果对某一种(或几种)植物所占像元值加和就可以得到这一种(或这几种)植物总的生物量。从本研究中可以看出生物量与地表植物群落高度、植被指数构建的关系具有很好的相关性,最终实现了本实施例中研究区的湿地植物生物量及其分布的估测目的。
以上所述仅为本发明示意性的具体实施方式,并非用以限定本发明的范围。任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合,均应属于本发明保护的范围。
Claims (2)
1.一种无人机航空摄影遥感湿地植物生物量的估测方法,其特征在于:采用无人机作为遥感摄影平台,无人机上集成有高分辨率数码相机和GPS系统;通过无人机连续拍摄待估测湿地的影像,同时对待估测湿地植物生物量样本进行实地采集并计算采样点植物生物量,测量采样点位置的GPS信息;
利用数字摄影测量技术对待估测湿地影像进行处理,获取高分辨率的待估测湿地地面正射影像;进而建立待估测湿地地表植物群落高度变化模型影像和可见光植被指数模型影像;利用地理信息系统软件的影像处理功能,使地表植物群落高度变化模型影像和可见光植被指数模型影像分辨率相同,把植物生物量样本的采样点位置对应到待估测湿地地表植物群落高度变化模型影像和可见光植被指数模型影像中,提取每一个采样点在模型影像中的地表植物群落高度值和可见光植被指数值;根据采样点植物生物量、地表植物群落高度值和可见光植被指数值,建立植物生物量与植物群落高度、可见光植被指数的回归模型,通过回归模型对湿地植物生物量进行估测;
其中所述高分辨率的待估测湿地地面正射影像获取方法如下:通过对无人机航摄影像进行质量优化和GPS轨迹信息导入处理,利用运动恢复结构算法和多视角立体重构法,对影像进行拼接处理,生成稀疏点云数据,输入地面控制点的经纬度坐标及高程,引入控制点,确定将要生成正射影像的坐标系,然后对稀疏点云进行加密,形成稠密点云,再基于稠密点云数据生成三角网模型,以三角网模型作为参考,使影像上所有的点云数据处于同一平面内,生成地面正射影像;
所述待估测湿地地表植物群落高度变化模型影像获取方法如下:将加密获得的稠密点云数据生成数字表面模型DSM,然后利用稠密点云分类出基础的地面变化模型,再把数字表面模型DSM跟基础的地面变化模型利用内插法生成地表变化模型DEM,将数字表面模型DSM和地表变化模型DEM叠加相减得到地表植物群落高度变化模型CHM,即获得待估测湿地地表植物群落高度变化模型影像;
所述待估测湿地可见光植被指数模型影像获取方法如下:利用遥感图像处理平台中植被指数模型建立功能,采用可见光植被指数公式对待估测湿地地面正射影像进行可见光波段运算,生成可见光植被指数模型影像;
所述植物生物量与植物群落高度、可见光植被指数的回归模型建立方法如下:将从地表植物群落高度变化模型影像和可见光植被指数模型影像中提取到的对应于采样点位置的地表植物群落高度值和可见光植被指数值,通过数学统计软件SPSS建立可见光植被指数与植物群落高度的一元函数关系;再利用数学统计软件SPSS建立采样点植物生物量与可见光植被指数、植物群落高度的二元线性模型;将一元函数关系代入二元线性模型中得出植物生物量与可见光植被指数的总函数关系式;最后在遥感图像处理平台中键入总函数关系式后处理可见光植被指数模型影像得到生物量空间分布模型,实现湿地植物生物量估测。
2.根据权利要求1所述的无人机航空摄影遥感湿地植物生物量的估测方法,其特征在于,待估测湿地植物生物量样本实地采集方法如下:根据植物长势确定植物高、中、矮的标准,在选定湿地区域内根据植物高、中、矮的标准确定若干个样地,样地面积为1×1 m2;每个样地用五点取样法选取五个采样点进行生物量样本采集,样地内选取样方的面积大小为0.2×0.2 m2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711248362.2A CN108007438B (zh) | 2017-12-01 | 2017-12-01 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711248362.2A CN108007438B (zh) | 2017-12-01 | 2017-12-01 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108007438A CN108007438A (zh) | 2018-05-08 |
CN108007438B true CN108007438B (zh) | 2020-07-24 |
Family
ID=62056045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711248362.2A Expired - Fee Related CN108007438B (zh) | 2017-12-01 | 2017-12-01 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108007438B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109459392B (zh) | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
CN109765932A (zh) * | 2019-01-31 | 2019-05-17 | 交通运输部天津水运工程科学研究所 | 一种荒漠灌丛盖度无人机调查方法 |
CN110554406B (zh) * | 2019-09-10 | 2023-07-04 | 南京林业大学 | 一种基于无人机立体摄影测量点云的次生林结构参数反演的方法 |
CN110823813A (zh) * | 2019-11-19 | 2020-02-21 | 深圳市智绘科技有限公司 | 林区地面生物量估测方法 |
CN111414867A (zh) * | 2020-03-24 | 2020-07-14 | 北京大学深圳研究生院 | 一种植物地上生物量测算方法 |
CN111429509A (zh) * | 2020-03-24 | 2020-07-17 | 北京大学深圳研究生院 | 一种目标物高度的集中测算方法 |
CN112418075B (zh) * | 2020-11-20 | 2024-01-26 | 北京艾尔思时代科技有限公司 | 一种基于冠层高度模型的玉米倒伏区域检测方法及系统 |
CN112434617B (zh) * | 2020-11-26 | 2021-08-13 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
CN113029105A (zh) * | 2021-03-02 | 2021-06-25 | 华东师范大学 | 一种潮滩地形反演的方法及系统 |
CN113063742A (zh) * | 2021-03-24 | 2021-07-02 | 和数科技(浙江)有限公司 | 一种植被生物量测量方法、系统、存储介质及终端 |
CN113188522A (zh) * | 2021-04-16 | 2021-07-30 | 晋能控股煤业集团有限公司 | 一种基于消费级无人机的植被多样性探测方法 |
CN113936214B (zh) * | 2021-10-19 | 2023-06-02 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
CN114241331B (zh) * | 2021-12-16 | 2024-04-05 | 中国科学院南京地理与湖泊研究所 | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 |
CN116229289A (zh) * | 2022-12-13 | 2023-06-06 | 河南省农业科学院农业经济与信息研究所 | 一种基于无人机的冬小麦生物量快速高精准估测方法 |
CN117830823B (zh) * | 2023-11-15 | 2024-07-02 | 西藏自治区农牧科学院水产科学研究所 | 一种城市水生态保护的水面率值域测算方法 |
CN118015473A (zh) * | 2024-04-08 | 2024-05-10 | 山东科技大学 | 一种基于多光谱无人机的田间花生生物量反演方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656098A (zh) * | 2015-02-03 | 2015-05-27 | 南京林业大学 | 一种遥感森林生物量反演的方法 |
CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
CN104867180A (zh) * | 2015-05-28 | 2015-08-26 | 南京林业大学 | 一种集成uav与lidar的森林林分特征反演方法 |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
CN105842707A (zh) * | 2015-01-15 | 2016-08-10 | 兰州大学 | 基于无人机遥感图像的草地地上生物量测算方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015075700A1 (en) * | 2013-11-25 | 2015-05-28 | First Resource Management Group Inc. | Apparatus for and method of forest-inventory management |
-
2017
- 2017-12-01 CN CN201711248362.2A patent/CN108007438B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842707A (zh) * | 2015-01-15 | 2016-08-10 | 兰州大学 | 基于无人机遥感图像的草地地上生物量测算方法及装置 |
CN104656098A (zh) * | 2015-02-03 | 2015-05-27 | 南京林业大学 | 一种遥感森林生物量反演的方法 |
CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
CN104867180A (zh) * | 2015-05-28 | 2015-08-26 | 南京林业大学 | 一种集成uav与lidar的森林林分特征反演方法 |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108007438A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108007438B (zh) | 无人机航空摄影遥感湿地植物生物量的估测方法 | |
CN108020211B (zh) | 一种无人机航空摄影估测入侵植物生物量的方法 | |
Eltner et al. | Image-based surface reconstruction in geomorphometry–merits, limits and developments | |
CN107063197B (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
Ye et al. | Glacier changes on the Tibetan Plateau derived from Landsat imagery: mid-1970s–2000–13 | |
Harder et al. | Accuracy of snow depth estimation in mountain and prairie environments by an unmanned aerial vehicle | |
CN104463470B (zh) | 基于无人机航拍的潮间带生境调查方法 | |
CN106600589B (zh) | 一种基于海岸线区域遥感图的星载光谱仪指向配准方法 | |
Yoo et al. | Beach volume change using UAV photogrammetry Songjung beach, Korea | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
Agugiaro et al. | Estimation of solar radiation on building roofs in mountainous areas | |
CN113032977A (zh) | 基于无人机逆建模技术的土石方量测算方法 | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
Senn et al. | On‐site geometric calibration of RPAS mounted sensors for SfM photogrammetric geomorphological surveys | |
Zhang et al. | Quality of terrestrial data derived from UAV photogrammetry: A case study of Hetao irrigation district in northern China | |
Yijing et al. | Construction and analysis of 3D scene model of landscape space based on UAV oblique photography and 3D laser scanner | |
CN110310370B (zh) | 一种gps与srtm点面融合的方法 | |
Rusli et al. | Accuracy assessment of DEM from UAV and TanDEM-X imagery | |
CN112950763A (zh) | 一种变电站工程中实景建模的方法 | |
CN114459436A (zh) | 一种基于无人机的土地整治项目验收方法 | |
Şmuleac et al. | Using Ground Control Points (GCP) and UAV poind cloud processinf in Water Management | |
Kugler et al. | Supporting microclimate modelling with 3D UAS data acquisition | |
Hussein et al. | Quantifying the Reliability of Volumetric and Areal Calculation with UAV-Generated DEMs: A Comparative Study with Ground Truth Data | |
Girod | Improved measurements of cryospheric processes using advanced photogrammetry | |
Del Pizzo et al. | Coastal monitoring assessment using a low-cost PPK-UAV setup for photogrammetric survey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200724 |