CN109117811B - 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 - Google Patents
一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 Download PDFInfo
- Publication number
- CN109117811B CN109117811B CN201810974668.4A CN201810974668A CN109117811B CN 109117811 B CN109117811 B CN 109117811B CN 201810974668 A CN201810974668 A CN 201810974668A CN 109117811 B CN109117811 B CN 109117811B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- green
- image
- vegetation coverage
- coverage rate
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Instructional Devices (AREA)
Abstract
本申请提供一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法,包括:S1、在系统所展示的三维地图上确定待估算区域范围;S2、确定无人机执行命令的坐标,高度及飞行轨迹;S3、无人机校对位置,执行拍摄命令,上传拍摄图像;S4、图像拼接,得到待估算区域范围的完整正射图像;S5、提取拍摄图像中的植被信息,构建植被指数模型;S6、采用改进的熵阈值法,计算阈值;S7、利用阈值计算植被覆盖率;S8利用植被覆盖率确定植被覆盖率等级。本申请通过对估算过程的改进,在简化操作过程的同时,有效提高城市植被覆盖率的估算精度及估算效率。
Description
技术领域
本发明涉及城市植被覆盖率测量、估算领域,特别是涉及一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法。
背景技术
城市是人类活动最为集中的区域,探讨城市植被的独特性质对于城市规划和城市环境保护具有重要的实践意义。城市植被是城市里覆盖着的生活植物。它包括城市里的公园、校园、寺庙、广场、球场、医院、街道、农田及空闲地等场所拥有的森林、灌木、绿篱、花坛、草地、树木、作物等所有植物的总和。
通常用城市植被覆盖率来表明城市绿化规划目标或所取得的绿化成果指标。20世纪以来,城市发展越来越快,人口数量也越来越多,然而在大多数的城市发展过程中,原有的城市植被所在地绝大多数被占用,自然植被、农田作物覆盖的面积则大量减少,因此,如何在有限的土地上,紧跟城市化的进程,提高城市植被覆盖率是城市环境建设的重要课题。
传统的地面测量方法主要有:目测法、采样法、仪器测量法。目测法主要通过在地面选取样方,依靠人的经验进行估计,这种方法很难保证测量的准确性与可靠性。采样法通过在样方内采样辅助工具进行统计测量,缺点是操作过于复杂,时间长。仪器测量法主要有空间定量计法、移动光量计法和数码相机摄影测量法,缺点是需要人实地拍摄,操作时间长。此外,还包括传统的航空遥感测量方法,传统的以卫星、航空器为平台的数据获取方法已经广泛应用,但是受天气影响较大,较难拍摄到符合要求的高分辨率影像。在此基础上,还可以采用无人机低空遥感测量方法,飞行高度一般在1km以下,能够获取规则重叠度影像,具有成本低、精度高、分辨率高、效率高等特点,能够弥补卫星光学遥感和普通航空摄影经常受云层遮挡获取不到影像的缺陷。
无人机低空遥感测量技术的发展,为植被覆盖率的测量提供了一个新的发展方向,尤其是为城市植被覆盖率的大范围精确调查提供了可能。
发明内容
本发明提供一种基于低空遥感测量技术估算城市植被覆盖率系统及方法,通过对估算过程的改进,在简化操作过程的同时,有效提高城市植被覆盖率的估算精度及估算效率。
本发明的技术方案是:一种基于低空遥感测量技术估算城市植被覆盖率的系统,包括:
待估算区域录入模块,用于在系统所展示的三维地图上确定待估算区域范围,系统根据录入的待估算区域范围,计算待估算区域范围边界处的坐标,坐标为全球的经、纬度坐标,系统确定待估算区域范围内重要建筑物的坐标位置、图像特征;
拍摄控制模块,用于根据待估算区域范围及无人机镜头的拍摄范围,确定一个或多个无人机需要执行拍摄命令的全部坐标位置,无人机的拍摄高度及飞行轨迹;
无人机,用于根据拍摄控制模块发送的拍摄坐标,飞行轨迹,自主飞行到指定坐标处,根据区域范围内重要建筑物的坐标位置校对飞行位置是否正确,当飞行坐标正确时,调整悬停高度,执行垂直拍摄命令;每次拍摄结束后,将拍摄图像上传至服务器;
图像拼接模块,用于基于空中三角测量原理,使用基于无人机图像的专业制图软件自动对数据库中存储的单幅拍摄图像进行正射纠正处理,输出供分析的高精度正射图像,将其存储到数据库,并且,根据正射图像的经、纬度信息进行图像拼接,得到待估算区域范围的完整正射图像;
植被指数计算模块,用于提取完整正射图像中的植被信息,分析完整正射图像中的绿色植被与非植被的光谱特性,构建既能增强绿色植被信息又能弱化土壤信息的植被指数模型;从完整正射图像中提取红、绿、蓝3个波段的信息,归一化红绿蓝差异指数,构建基于可见光红、绿、蓝3个波段的植被指数NRGBDI,公式为:其中,RED、GREEN、BLUE分别表示红、绿、蓝3个波段的反射率;
阈值计算模块,指定坐标处将植被指数NRGBDI大于阈值的认定为绿色植被,将植被指数NRGBDI小于阈值的认定为非绿色植被。阈值的计算采用改进的熵阈值法:设图像总像素数M,灰度范围为0~L-1,灰度值为n,灰度值为i的像素数目为mi,利用灰度值将图像分为目标植被A与背景B两类,由此,图像中涉及目标植被A的概率分布为:涉及背景B的概率分布为:其中,Pi=mi/M;此后,采用所述改进的熵阈值法定义目标植被A和背景B的局部熵分别为: 拍摄图像的目标植被A和背景B熵的总和为:当取得最大值时,对应的灰度值n即为计算最终得到的阈值N;
植被覆盖率计算模块,用于利用阈值计算模块得到的阈值N,将植被指数NRGBDI>N的像元认定为绿色植被,将植被指数NRGBDI≤N的认定为非绿色植被,统计绿色植被的像元个数为C,非绿色植被的像元个数为D,则植被覆盖率为:
植被覆盖率评级模块,用于利用植被覆盖率计算模块计算得到的植被覆盖率F,根据城市植被覆盖率评级表,确定相应的植被覆盖率等级。
优选的,所述无人机的拍摄高度是1000m。
优选的,将拍摄图像上传至服务器的同时,将拍摄经度、纬度、时间、拍摄高度上传至服务器端数据库。
优选的,所述基于无人机图像的专业制图软件可以是Pixel-Grid、DPGrid、Inpho、IPS 软件中的一种。
优选的,所述城市植被覆盖率评级表包括五个等级,第一级为F<20%的低度植被覆盖率,第二级为20%≤F<40%的中度植被覆盖率,第三级为40%≤F<60%的中高度植被覆盖率,第四级为60%≤F<80%的高度植被覆盖率,第五级为F≥80%的极高度植被覆盖率。
一种基于低空遥感测量技术估算城市植被覆盖率的方法,包括以下步骤:
S1、在系统所展示的三维地图上确定待估算区域范围,系统根据录入的待估算区域范围,计算待估算区域范围边界处的坐标,坐标为全球的经、纬度坐标,系统确定待估算区域范围内重要建筑物的坐标位置、图像特征;
S2、根据待估算区域范围及无人机镜头的拍摄范围,确定一个或多个无人机需要执行拍摄命令的全部坐标位置,无人机的拍摄高度及飞行轨迹;
S3、无人机根据拍摄坐标,飞行轨迹,自主飞行到指定坐标处,根据待估算区域范围内重要建筑物的坐标位置校对飞行位置是否正确,当飞行坐标正确时,调整悬停高度,执行垂直拍摄命令;每次拍摄结束后,将拍摄图像上传至服务器;
S4、基于空中三角测量原理,使用基于无人机图像的专业制图软件自动对数据库中存储的单幅拍摄图像进行正射纠正处理,输出供分析的高精度正射图像,将其存储到数据库,并且,根据正射图像的经、纬度信息进行图像拼接,得到待估算区域范围的完整正射图像;
S5、提取完整正射图像中的植被信息,分析完整正射图像中的绿色植被与非植被的光谱特性,构建既能增强绿色植被信息又能弱化土壤信息的植被指数模型;从完整正射图像中提取红、绿、蓝3个波段的信息,归一化红绿蓝差异指数,构建基于可见光红、绿、蓝 3个波段的植被指数NRGBDI,公式为:其中,RED、GREEN、BLUE分别表示红、绿、蓝3个波段的反射率;
S6、计算阈值,将植被指数NRGBDI大于阈值的认定为绿色植被,将植被指数NRGBDI小于阈值的认定为非绿色植被。阈值的计算采用改进的熵阈值法:设图像总像素数M,灰度范围为0~L-1,灰度值为n,灰度值为i的像素数目为mi,利用灰度值将图像分为目标植被A与背景B两类,由此,图像中涉及目标植被A的概率分布为:涉及背景B的概率分布为:其中,Pi=mi/M;此后,采用所述改进的熵阈值法定义目标植被A和背景B的局部熵分别为: 拍摄图像的目标植被A和背景B熵的总和为:当取得最大值时,对应的灰度值n即为计算最终得到的阈值N;
S8、利用植被覆盖率F,根据城市植被覆盖率评级表,确定相应的植被覆盖率等级。
优选的,所述无人机的拍摄高度是1000m。
优选的,将拍摄图像上传至服务器的同时,将拍摄经度、纬度、时间、拍摄高度上传至服务器端数据库。
优选的,所述基于无人机图像的专业制图软件可以是Pixel-Grid、DPGrid、Inpho、IPS 软件中的一种。
优选的,所述城市植被覆盖率评级表包括五个等级,第一级为F<20%的低度植被覆盖率,第二级为20%≤F<40%的中度植被覆盖率,第三级为40%≤F<60%的中高度植被覆盖率,第四级为60%≤F<80%的高度植被覆盖率,第五级为F≥80%的极高度植被覆盖率。
本发明的有益效果:本发明使用无人机低空遥感测量技术,既代替了人工作业,同时还弥补了卫星光学遥感和普通航空摄影经常受云层遮挡获取不到影像的缺陷。所采用的基于低空遥感测量技术估算城市植被覆盖率的系统及方法,能够实现在地图上对低空拍摄过程进行精确定位,同时利用适用于城市植被覆盖率估算的改进的植被指数NRGBDI计算方法和改进的熵阈值法对城市绿色植被与非绿色植被进行分类,估算城市特定区域内的植被覆盖率。在简化操作过程的同时,有效提高城市植被覆盖率的估算精度及估算效率。
附图说明
图1是本发明的一种基于低空遥感测量技术估算城市植被覆盖率的系统示意图;
图2是本发明的一种基于低空遥感测量技术估算城市植被覆盖率的方法示意图;
具体实施方式
下面结合附图对本发明作进一步说明:
参阅图1所示,本发明实施例提供一种基于低空遥感测量技术估算城市植被覆盖率的系统,包括:
待估算区域录入模块,用于在系统所展示的三维地图上确定待估算区域范围,系统根据录入的待估算区域范围,计算待估算区域范围边界处的坐标,坐标为全球的经、纬度坐标,系统确定待估算区域范围内重要建筑物的坐标位置、图像特征;
拍摄控制模块,用于根据待估算区域范围及无人机镜头的拍摄范围,确定一个或多个无人机需要执行拍摄命令的全部坐标位置,无人机的拍摄高度及飞行轨迹;
无人机,用于根据拍摄控制模块发送的拍摄坐标,飞行轨迹,自主飞行到指定坐标处,根据区域范围内重要建筑物的坐标位置校对飞行位置是否正确,当飞行坐标正确时,调整悬停高度,执行垂直拍摄命令;每次拍摄结束后,将拍摄图像上传至服务器;
图像拼接模块,用于基于空中三角测量原理,使用基于无人机图像的专业制图软件自动对数据库中存储的单幅拍摄图像进行正射纠正处理,输出供分析的高精度正射图像,将其存储到数据库,并且,根据正射图像的经、纬度信息进行图像拼接,得到待估算区域范围的完整正射图像;
植被指数计算模块,用于提取完整正射图像中的植被信息,分析完整正射图像中的绿色植被与非植被的光谱特性,构建既能增强绿色植被信息又能弱化土壤信息的植被指数模型;从完整正射图像中提取红、绿、蓝3个波段的信息,归一化红绿蓝差异指数,构建基于可见光红、绿、蓝3个波段的植被指数NRGBDI,公式为:其中,RED、GREEN、BLUE分别表示红、绿、蓝3个波段的反射率;
阈值计算模块,指定坐标处将植被指数NRGBDI大于阈值的认定为绿色植被,将植被指数NRGBDI小于阈值的认定为非绿色植被。阈值的计算采用改进的熵阈值法:设图像总像素数M,灰度范围为0~L-1,灰度值为n,灰度值为i的像素数目为mi,利用灰度值将图像分为目标植被A与背景B两类,由此,图像中涉及目标植被A的概率分布为:涉及背景B的概率分布为:其中,Pi=mi/M;此后,采用所述改进的熵阈值法定义目标植被A和背景B的局部熵分别为: 拍摄图像的目标植被A和背景B熵的总和为:当取得最大值时,对应的灰度值n即为计算最终得到的阈值N;
植被覆盖率计算模块,用于利用阈值计算模块得到的阈值N,将植被指数NRGBDI>N的像元认定为绿色植被,将植被指数NRGBDI≤N的认定为非绿色植被,统计绿色植被的像元个数为C,非绿色植被的像元个数为D,则植被覆盖率为:
植被覆盖率评级模块,用于利用植被覆盖率计算模块计算得到的植被覆盖率F,根据城市植被覆盖率评级表,确定相应的植被覆盖率等级。
优选的,所述无人机的拍摄高度是1000m。
优选的,将拍摄图像上传至服务器的同时,将拍摄经度、纬度、时间、拍摄高度上传至服务器端数据库。
优选的,所述基于无人机图像的专业制图软件可以是Pixel-Grid、DPGrid、Inpho、IPS 软件中的一种。
优选的,所述城市植被覆盖率评级表包括五个等级,第一级为F<20%的低度植被覆盖率,第二级为20%≤F<40%的中度植被覆盖率,第三级为40%≤F<60%的中高度植被覆盖率,第四级为60%≤F<80%的高度植被覆盖率,第五级为F≥80%的极高度植被覆盖率。
参阅图2所示,本发明实施例提供一种基于低空遥感测量技术估算城市植被覆盖率的方法,包括以下步骤:
S1、在系统所展示的三维地图上确定待估算区域范围,系统根据录入的待估算区域范围,计算待估算区域范围边界处的坐标,坐标为全球的经、纬度坐标,系统确定待估算区域范围内重要建筑物的坐标位置、图像特征;
S2、根据待估算区域范围及无人机镜头的拍摄范围,确定一个或多个无人机需要执行拍摄命令的全部坐标位置,无人机的拍摄高度及飞行轨迹;
S3、无人机根据拍摄坐标,飞行轨迹,自主飞行到指定坐标处,根据待估算区域范围内重要建筑物的坐标位置校对飞行位置是否正确,当飞行坐标正确时,调整悬停高度,执行垂直拍摄命令;每次拍摄结束后,将拍摄图像上传至服务器;
S4、基于空中三角测量原理,使用基于无人机图像的专业制图软件自动对数据库中存储的单幅拍摄图像进行正射纠正处理,输出供分析的高精度正射图像,将其存储到数据库,并且,根据正射图像的经、纬度信息进行图像拼接,得到待估算区域范围的完整正射图像;
S5、提取完整正射图像中的植被信息,分析完整正射图像中的绿色植被与非植被的光谱特性,构建既能增强绿色植被信息又能弱化土壤信息的植被指数模型;从完整正射图像中提取红、绿、蓝3个波段的信息,归一化红绿蓝差异指数,构建基于可见光红、绿、蓝 3个波段的植被指数NRGBDI,公式为:其中,RED、GREEN、BLUE分别表示红、绿、蓝3个波段的反射率;
S6、计算阈值,将植被指数NRGBDI大于阈值的认定为绿色植被,将植被指数NRGBDI小于阈值的认定为非绿色植被。阈值的计算采用改进的熵阈值法:设图像总像素数M,灰度范围为0~L-1,灰度值为n,灰度值为i的像素数目为mi,利用灰度值将图像分为目标植被A与背景B两类,由此,图像中涉及目标植被A的概率分布为:涉及背景B的概率分布为:其中,Pi=mi/M;此后,采用所述改进的熵阈值法定义目标植被A和背景B的局部熵分别为: 拍摄图像的目标植被A和背景B熵的总和为:当取得最大值时,对应的灰度值n即为计算最终得到的阈值N;
S8、利用植被覆盖率F,根据城市植被覆盖率评级表,确定相应的植被覆盖率等级。
优选的,所述无人机的拍摄高度是1000m。
优选的,将拍摄图像上传至服务器的同时,将拍摄经度、纬度、时间、拍摄高度上传至服务器端数据库。
优选的,所述基于无人机图像的专业制图软件可以是Pixel-Grid、DPGrid、Inpho、IPS 软件中的一种。
优选的,所述城市植被覆盖率评级表包括五个等级,第一级为F<20%的低度植被覆盖率,第二级为20%≤F<40%的中度植被覆盖率,第三级为40%≤F<60%的中高度植被覆盖率,第四级为60%≤F<80%的高度植被覆盖率,第五级为F≥80%的极高度植被覆盖率。
本发明的有益效果:本发明使用无人机低空遥感测量技术,既代替了人工作业,同时还弥补了卫星光学遥感和普通航空摄影经常受云层遮挡获取不到影像的缺陷。所采用的基于低空遥感测量技术估算城市植被覆盖率的系统及方法,能够实现在地图上对低空拍摄过程进行精确定位,同时利用适用于城市植被覆盖率估算的改进的植被指数NRGBDI计算方法和改进的熵阈值法对城市绿色植被与非绿色植被进行分类,估算城市特定区域内的植被覆盖率。在简化操作过程的同时,有效提高城市植被覆盖率的估算精度及估算效率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于低空遥感测量技术估算城市植被覆盖率的系统,包括:
待估算区域录入模块,用于在系统所展示的三维地图上确定待估算区域范围,系统根据录入的待估算区域范围,计算待估算区域范围边界处的坐标,坐标为全球的经、纬度坐标,系统确定待估算区域范围内重要建筑物的坐标位置、图像特征;
拍摄控制模块,用于根据待估算区域范围及无人机镜头的拍摄范围,确定一个或多个无人机需要执行拍摄命令的全部坐标位置,无人机的拍摄高度及飞行轨迹;
无人机,用于根据拍摄控制模块发送的拍摄坐标,飞行轨迹,自主飞行到指定坐标处,根据区域范围内重要建筑物的坐标位置校对飞行位置是否正确,当飞行坐标正确时,调整悬停高度,执行垂直拍摄命令;每次拍摄结束后,将拍摄图像上传至服务器;
图像拼接模块,用于基于空中三角测量原理,使用基于无人机图像的专业制图软件自动对数据库中存储的单幅拍摄图像进行正射纠正处理,输出供分析的高精度正射图像,将其存储到数据库,并且,根据正射图像的经、纬度信息进行图像拼接,得到待估算区域范围的完整正射图像;
植被指数计算模块,用于提取完整正射图像中的植被信息,分析完整正射图像中的绿色植被与非植被的光谱特性,构建既能增强绿色植被信息又能弱化土壤信息的植被指数模型;从完整正射图像中提取红、绿、蓝3个波段的信息,归一化红绿蓝差异指数,构建基于可见光红、绿、蓝3个波段的植被指数NRGBDI,公式为:其中,RED、GREEN、BLUE分别表示红、绿、蓝3个波段的反射率;
阈值计算模块,将植被指数NRGBDI大于阈值的认定为绿色植被,将植被指数NRGBDI小于阈值的认定为非绿色植被;阈值的计算采用改进的熵阈值法:设图像总像素数M,灰度范围为0~L-1,灰度值为n,灰度值为i的像素数目为mi,利用灰度值将图像分为目标植被A与背景B两类,由此,图像中涉及目标植被A的概率分布为:涉及背景B的概率分布为:其中,Pi=mi/M;此后,采用所述改进的熵阈值法定义目标植被A和背景B的局部熵分别为: 拍摄图像的目标植被A和背景B熵的总和为:当取得最大值时,对应的灰度值n即为计算最终得到的阈值N;
植被覆盖率计算模块,用于利用阈值计算模块得到的阈值N,将植被指数NRGBDI>N的像元认定为绿色植被,将植被指数NRGBDI≤N的认定为非绿色植被,统计绿色植被的像元个数为C,非绿色植被的像元个数为D,则植被覆盖率为:
植被覆盖率评级模块,用于利用植被覆盖率计算模块计算得到的植被覆盖率F,根据城市植被覆盖率评级表,确定相应的植被覆盖率等级;
所述系统能够实现在地图上对低空拍摄过程进行精确定位,同时利用适用于城市植被覆盖率估算的改进的植被指数NRGBDI计算方法和改进的熵阈值法对城市绿色植被与非绿色植被进行分类,估算城市特定区域内的植被覆盖率。
2.根据权利要求1所述的一种基于低空遥感测量技术估算城市植被覆盖率的系统,其特征在于:所述无人机的拍摄高度是1000m。
3.根据权利要求2所述的一种基于低空遥感测量技术估算城市植被覆盖率的系统,其特征在于:将拍摄图像上传至服务器的同时,将拍摄经度、纬度、时间、拍摄高度上传至服务器端数据库。
4.根据权利要求1所述的一种基于低空遥感测量技术估算城市植被覆盖率的系统,其特征在于:所述基于无人机图像的专业制图软件可以是Pixel-Grid、DPGrid、Inpho、IPS软件中的一种。
5.根据权利要求1所述的一种基于低空遥感测量技术估算城市植被覆盖率的系统,其特征在于:所述城市植被覆盖率评级表包括五个等级,第一级为F<20%的低度植被覆盖率,第二级为20%≤F<40%的中度植被覆盖率,第三级为40%≤F<60%的中高度植被覆盖率,第四级为60%≤F<80%的高度植被覆盖率,第五级为F≥80%的极高度植被覆盖率。
6.一种基于低空遥感测量技术估算城市植被覆盖率的方法,包括以下步骤:
S1、在系统所展示的三维地图上确定待估算区域范围,系统根据录入的待估算区域范围,计算待估算区域范围边界处的坐标,坐标为全球的经、纬度坐标,系统确定待估算区域范围内重要建筑物的坐标位置、图像特征;
S2、根据待估算区域范围及无人机镜头的拍摄范围,确定一个或多个无人机需要执行拍摄命令的全部坐标位置,无人机的拍摄高度及飞行轨迹;
S3、无人机根据拍摄坐标,飞行轨迹,自主飞行到指定坐标处,根据待估算区域范围内重要建筑物的坐标位置校对飞行位置是否正确,当飞行坐标正确时,调整悬停高度,执行垂直拍摄命令;每次拍摄结束后,将拍摄图像上传至服务器;
S4、基于空中三角测量原理,使用基于无人机图像的专业制图软件自动对数据库中存储的单幅拍摄图像进行正射纠正处理,输出供分析的高精度正射图像,将其存储到数据库,并且,根据正射图像的经、纬度信息进行图像拼接,得到待估算区域范围的完整正射图像;
S5、提取完整正射图像中的植被信息,分析完整正射图像中的绿色植被与非植被的光谱特性,构建既能增强绿色植被信息又能弱化土壤信息的植被指数模型;从完整正射图像中提取红、绿、蓝3个波段的信息,归一化红绿蓝差异指数,构建基于可见光红、绿、蓝3个波段的植被指数NRGBDI,公式为:其中,RED、GREEN、BLUE分别表示红、绿、蓝3个波段的反射率;
S6、计算阈值,将植被指数NRGBDI大于阈值的认定为绿色植被,将植被指数NRGBDI小于阈值的认定为非绿色植被;阈值的计算采用改进的熵阈值法:设图像总像素数M,灰度范围为0~L-1,灰度值为n,灰度值为i的像素数目为mi,利用灰度值将图像分为目标植被A与背景B两类,由此,图像中涉及目标植被A的概率分布为:涉及背景B的概率分布为:其中,Pi=mi/M;此后,采用所述改进的熵阈值法定义目标植被A和背景B的局部熵分别为: 拍摄图像的目标植被A和背景B熵的总和为:当取得最大值时,对应的灰度值n即为计算最终得到的阈值N;
S8、利用植被覆盖率F,根据城市植被覆盖率评级表,确定相应的植被覆盖率等级;
所述方法能够实现在地图上对低空拍摄过程进行精确定位,同时利用适用于城市植被覆盖率估算的改进的植被指数NRGBDI计算方法和改进的熵阈值法对城市绿色植被与非绿色植被进行分类,估算城市特定区域内的植被覆盖率。
7.根据权利要求6所述的一种基于低空遥感测量技术估算城市植被覆盖率的方法,其特征在于:所述无人机的拍摄高度是1000m。
8.根据权利要求7所述的一种基于低空遥感测量技术估算城市植被覆盖率的方法,其特征在于:将拍摄图像上传至服务器的同时,将拍摄经度、纬度、时间、拍摄高度上传至服务器端数据库。
9.根据权利要求6所述的一种基于低空遥感测量技术估算城市植被覆盖率的方法,其特征在于:所述基于无人机图像的专业制图软件可以是Pixel-Grid、DPGrid、Inpho、IPS软件中的一种。
10.根据权利要求6所述的一种基于低空遥感测量技术估算城市植被覆盖率的方法,其特征在于:所述城市植被覆盖率评级表包括五个等级,第一级为F<20%的低度植被覆盖率,第二级为20%≤F<40%的中度植被覆盖率,第三级为40%≤F<60%的中高度植被覆盖率,第四级为60%≤F<80%的高度植被覆盖率,第五级为F≥80%的极高度植被覆盖率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974668.4A CN109117811B (zh) | 2018-08-24 | 2018-08-24 | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974668.4A CN109117811B (zh) | 2018-08-24 | 2018-08-24 | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117811A CN109117811A (zh) | 2019-01-01 |
CN109117811B true CN109117811B (zh) | 2021-07-30 |
Family
ID=64860775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810974668.4A Active CN109117811B (zh) | 2018-08-24 | 2018-08-24 | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117811B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334583A (zh) * | 2019-05-09 | 2019-10-15 | 王志杰 | 一种小区域土壤植被覆盖率测量方法、装置及电子设备 |
CN110312085A (zh) * | 2019-06-06 | 2019-10-08 | 武汉易科空间信息技术股份有限公司 | 基于多个无人机航拍技术的图像融合方法及系统 |
CN110765931A (zh) * | 2019-10-22 | 2020-02-07 | 黑龙江惠达科技发展有限公司 | 检测秸秆覆盖率的方法、装置、存储介质和农机 |
CN110926475B (zh) * | 2019-12-03 | 2021-04-27 | 北京邮电大学 | 一种无人机航点生成方法、装置及电子设备 |
CN111209358A (zh) * | 2019-12-24 | 2020-05-29 | 武汉蜜蜂云科技有限公司 | 一种景区片区内设备数量统计方法及装置 |
CN111412899B (zh) * | 2020-03-09 | 2022-03-04 | 暨南大学 | 一种应用无人机测绘对河流进行监测和评估的方法 |
CN111553904B (zh) * | 2020-04-29 | 2022-11-22 | 厦门大学 | 基于无人机的区域人数统计方法及系统 |
CN111612894B (zh) * | 2020-05-25 | 2023-04-25 | 江苏师范大学科文学院 | 基于航拍图像与cim的植被模型辅助生成方法与系统 |
CN112016484B (zh) * | 2020-08-31 | 2024-04-05 | 深圳市赛为智能股份有限公司 | 植物侵扰评估方法、装置、计算机设备及存储介质 |
CN112213265B (zh) * | 2020-09-29 | 2023-10-10 | 水利部牧区水利科学研究所 | 基于无人机遥感技术的植被覆盖监测系统 |
CN113240648A (zh) * | 2021-05-18 | 2021-08-10 | 北京师范大学 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
CN114112987B (zh) * | 2021-11-23 | 2024-05-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 冬小麦判识阈值确定方法以及冬小麦判识方法 |
CN114216445A (zh) * | 2021-12-08 | 2022-03-22 | 中国电建集团成都勘测设计研究院有限公司 | 一种野外快速测定植被覆盖度的水土保持监测方法 |
CN115687850A (zh) * | 2022-11-01 | 2023-02-03 | 北京市农林科学院智能装备技术研究中心 | 一种农田的灌溉需水量计算方法及装置 |
CN117236564B (zh) * | 2023-11-08 | 2024-02-02 | 北京弘象科技有限公司 | 针对农田干旱的评估解决方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
US9984455B1 (en) * | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
CN108363983A (zh) * | 2018-03-06 | 2018-08-03 | 河南理工大学 | 一种基于无人机影像与重建点云的城市植被分类方法 |
-
2018
- 2018-08-24 CN CN201810974668.4A patent/CN109117811B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9984455B1 (en) * | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN108363983A (zh) * | 2018-03-06 | 2018-08-03 | 河南理工大学 | 一种基于无人机影像与重建点云的城市植被分类方法 |
Non-Patent Citations (2)
Title |
---|
"基于低空可见光谱的植被覆盖率计算";卞雪 等;《水土保持通报》;20171031;第37卷(第5期);第270-275页 * |
"基于可见光波段无人机遥感的植被信息提取";汪小钦等;《农业工程学报》;20150331;第31卷(第5期);第152-159页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109117811A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117811B (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 | |
Manyoky et al. | Unmanned aerial vehicle in cadastral applications | |
Khokthong et al. | Drone-based assessment of canopy cover for analyzing tree mortality in an oil palm agroforest | |
Mumbone | Innovations in boundary mapping: Namibia, customary land and UAV's | |
Suziedelyte Visockiene et al. | Unmanned aerial vehicles for photogrammetry: analysis of orthophoto images over the territory of Lithuania | |
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 | |
Raczynski | Accuracy analysis of products obtained from UAV-borne photogrammetry influenced by various flight parameters | |
CN115331130B (zh) | 基于地理标志物辅助导航的无人机巡检方法和无人机 | |
CN113610040B (zh) | 一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法 | |
Azzola et al. | UAV photogrammetry for cultural heritage preservation modeling and mapping Venetian Walls of Bergamo | |
CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
Casian et al. | Possibilities of using the UAV photogrammetry in the realization of the topo-cadastral documentation. | |
Maan et al. | Tree species biomass and carbon stock measurement using ground based-LiDAR | |
Trevoho et al. | Aerial data application for construction of large-scale plans | |
Mtui | Tropical rainforest above ground biomass and carbon stock estimation for upper and lower canopies using terrestrial laser scanner and canopy height model from unmanned aerial vehicle (UAV) imagery in Ayer-Hitam, Malaysia | |
CN115375766A (zh) | 一种基于语义地图的无人机城市内自主定位方法 | |
CN115018973A (zh) | 一种低空无人机点云建模精度的无靶标评估方法 | |
CN113650783A (zh) | 固定翼倾斜摄影地籍测图方法、系统及设备 | |
Obeng-Manu | Assessing the accuracy of UAV-DTM generated under different forest canopy density and its effect on estimation of aboveground carbon in Asubima forest, Ghana | |
Volkmann | Small unmanned aerial system mapping versus conventional methods | |
Smeaton | Surveying applications of photogrammetric UAVs-a comparison with conventional survey techniques | |
Lawas | Complementary use of aiborne LiDAR and terrestrial laser scanner to assess above ground biomass/carbon in Ayer Hitam tropical rain forest reserve | |
Dhruwa et al. | Generation of 3-D Large-Scale Maps using LiDAR Point Cloud Data | |
Mihajlovski et al. | Geomatic techniques for the environment | |
Vörös et al. | The rising role of drones in the training of cartographers at Eötvös Loránd University (ELTE) |
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 |