CN109164459A - 一种结合激光雷达和高光谱数据对森林树种分类的方法 - Google Patents
一种结合激光雷达和高光谱数据对森林树种分类的方法 Download PDFInfo
- Publication number
- CN109164459A CN109164459A CN201810864245.7A CN201810864245A CN109164459A CN 109164459 A CN109164459 A CN 109164459A CN 201810864245 A CN201810864245 A CN 201810864245A CN 109164459 A CN109164459 A CN 109164459A
- Authority
- CN
- China
- Prior art keywords
- laser radar
- spectral data
- hat width
- data
- species
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结合激光雷达和高光谱数据对森林树种分类的方法,属于森林资源监测技术领域。本发明首先对获取的激光雷达点云数据进行去噪、归一化,然后通过激光雷达点云数据中的点云距离的差异提取研究区内的单木冠幅,然后提取高光谱数据中作为分类的变量特征,结合提取的单木冠幅,将高光谱特征在冠幅内进行统计与汇总,以汇总过后的特征均值作为训练样本对树种利用随机森林算法进行分类,具有效率高、精度高的优点,本发明的方法不仅利于特征变量的机理解释,也易于通过方法移植应用于天然林和次生林等。
Description
技术领域
本发明属于森林资源监测技术领域,更具体地说,涉及一种结合激光雷达和高光谱数据对森林树种分类的方法。
背景技术
精确的森林树种分类,对于森林资源监测、生态因子调查及生物多样性研究有重要意义。同时,这些信息也可以用于掌握森林树种资源分布及动态变化,对于森林的经营管理、生态环境保护及气候变化缓解方面提供数据支持。常规的树种分类主要依赖于野外调查及大比例尺航片或卫片判读等,其工作量较大,且不利于森林树种信息的更新。
近年来,基于激光雷达和高光谱技术逐步应用于森林信息获取中。激光雷达技术作为一种主动遥感技术,受天气环境等的影响较小,能够较好地获取森林的植被高程信息及冠层三维结构信息。高光谱技术以被动遥感的方式可以获得多种不同时相和空间尺度的植被生物物理和化学特征,提供丰富的光谱信息来提高树种的区分。通过激光雷达数据所记录的单木三维结构可以有效的在森林中提取出单木,同时利用高光谱数据的单木光谱信息可以实现对森林树种的精准分类。基于激光雷达和高光谱数据对森林树种进行分类的研究为: Thomson等2005年在《International Journal of Remote Sensing》第26卷上发表的“Mapping woodland species composition and structure using airborne spectraland LiDAR data”,该研究借助激光雷达和高光谱数据,通过提取的冠层高度模型和光谱特征变量,结合非监督分类方法对针阔混交林进行了树种分类。刘怡君等在2016年《林业科学研究》第29卷上发表的“机载LiDAR和高光谱融合实现普洱山区树种分类”,该研究采用机载激光雷达和高光谱数据,并基于支持向量机分类方法,对普洱市万掌山的主要树种进行分类。然而,以上方法都是人工勾绘树冠边界然后基于冠幅内高光谱特征变量进行分类,并未充分利用激光雷达的三维结构信息进行单木分割,且并未综合冠幅内的激光雷达和高光谱特征变量进行分类。同时,更未见全面深入计算高光谱特征进行森林树种分类的方法。
发明内容
发明目的:针对现有技术存在的上述问题,本发明的目的在于提供一种利用激光雷达的三维结构信息进行单木分割,并综合冠幅内的激光雷达和高光谱特征变量对森林树种进行分类的方法。
技术方案:为了解决上述问题,本发明所采用的技术方案如下:
一种结合激光雷达和高光谱数据对森林树种分类的方法,通过激光雷达点云数据中的点云距离的差异提取研究区内的单木冠幅,然后提取高光谱数据中作为分类的变量特征,结合提取的单木冠幅,将高光谱特征在冠幅内进行统计与汇总,以汇总过后的特征均值作为训练样本对树种利用随机森林算法进行分类。
包括以下步骤:
(1)借助飞机采集激光雷达和高光谱数据,在地面设置样地,并在样地中记录树种并计数,同时对样地中单木位置进行定位以用于模型训练样本选择;
(2)通过激光雷达点云数据计算归一化点云数据,并对原始高光谱数据进行辐射定标和校正,实现遥感数据的预处理;
(3)基于点云的距离判断聚类方法对单木的冠幅进行提取;
(4)提取高光谱影像特征并筛选特征变量;
(5)通过随机森林算法利用单木冠幅尺度的高光谱特征对森林树种进行分类。
所述单木冠幅的提取是利用树与树之间的相对水平距离对点云从高到低来进行单木的分割,具体包括:事先根据实际冠幅大小设置阈值,大于阈值的点将不会被分割到目标单木里,小于阈值的点按照最小距离规则分割到对应的单木上,同一棵树的点云所覆盖的水平范围即单木的冠幅范围,从而完成单木冠幅的提取。
所述遥感数据预处理的具体步骤为:首先去除激光雷达原始点云数据的噪音点,基于滤波方法去除非地面点,然后通过计算每个像元内激光点高度的平均值,生成数字高程模型,并利用生成的数字高程模型,计算归一化点云数据;借助传感器辐射定标数据对原始高光谱数据进行辐射定标,并利用经验线性模型结合地面实测标靶光谱数据进行大气校正,同时,利用地面实测控制点对高光谱影像进行几何精校正。
所述数字高程模型的空间分辨率为0.5m。
所述步骤4中提取的高光谱影像特征包括原始光谱波段、纹理特征、植被指数和主成分变换的前十主成分。
所述纹理特征包括相关度、对比度、相异性、信息熵、均匀度、均值、二阶矩、偏斜度和方差,所述植被指数包括简单比值植被指数、修正型简单比值植被指数、归一化植被指数、修正型归一化植被指数、土壤调节植被指数、红边胁迫指数、植被衰减指数和植被水含量指数。
所述步骤4中通过随机森林算法的变量重要性度量筛选特征变量。
有益效果:相比于现有技术,本发明的有益效果为:
(1)现有技术中都是人工勾绘树冠边界然后基于冠幅内高光谱特征变量进行分类,而本方法利用激光雷达的三维结构信息进行单木分割,且综合了冠幅内的激光雷达和高光谱特征变量进行分类,由于单木冠幅信息直接决定了分类过程中分类对象的像元“纯净度”,因此本方法增强了森林树种分类的能力和精度。现有技术中,如Dalponte等2015年在《Remote sensing of environment》第123卷上发表的“Tree species classificationin the Southern Alps based on the fusion of very high geometrical resolutionmultispectral/hyperspectral images and LiDAR data”,该方法借助激光雷达和高光谱数据,通过直接融合激光雷达和高光谱特征进行树种分类,其分类精度为76.5%;又如Dalponte等2014年在《Remote sensing of environment》第140卷上发表的“Tree crowndelineation and tree species classification in boreal forests usinghyperspectral and ALS data”,该方法借助激光雷达和高光谱数据,通过半自动方法在高光谱影像上勾绘冠幅并提取冠幅内激光雷达和高光谱特征进行树种分类,其分类精度为79.0%。验证结果表明,通过本发明对城市森林的主要树种(即香樟、银杏、水杉、湿地松和杨梅)进行分类,与上述其它相近的遥感方法进行分类相比,其分类精度提升了 5%以上,并且分类效率更高。
(2)本发明的方法不仅利于特征变量的机理解释,也易于进行方法移植(即在天然林和次生林中也可以进行应用)。
附图说明
图1为冠幅提取示意图;
其中,a图为点云示意图,b图为点云聚类后效果图,c图为冠幅提取示意图;
图2为五个主要树种光谱反射率示意图;
其中,a图代表香樟树种的反射率均值及其标准偏差,b图代表银杏树种的反射率均值及其标准偏差,c图代表水杉树种的反射率均值及其标准偏差,d图代表湿地松树种的反射率均值及其标准偏差,e图代表杨梅树种的反射率均值及其标准偏差,f图代表五个树种的冠层平均光谱反射率。
具体实施方式
下面结合具体实施例对本发明进一步进行描述。
以下实施例的实施地点位于江苏省常熟市虞山国家森林公园内宝岩生态园,占地面积约为9.86hm2,气候为亚热带季风气候,年平均温度15.4℃,雨水集中在6~9月份,年平均降水量约为1047.7mm,森林类型属于城市人工林,主要针叶树种为水杉(Metasequoiaglyptostroboides)和湿地松(Pinus elliottii)等,主要阔叶树种为杨梅(Myricarubra)、香樟 (Cinnamomum camphora)和银杏(Ginkgo biloba Linn)等。
实施例1
一种结合激光雷达和高光谱数据对森林树种分类的方法,包括以下步骤:
(1)采集遥感数据:借助航空飞机采集激光雷达和高光谱数据。在地面设置样地,并在样地中记录树种并计数。同时,对样地中单木位置进行定位以用于模型训练样本选择及精度验证。
(2)遥感数据预处理:数据预处理时,首先去除激光雷达原始点云数据的噪音点,基于滤波方法去除非地面点,然后通过计算每个像元内激光点高度的平均值,生成数字高程模型(DEM)(空间分辨率为0.5m)。并利用生成的数字高程模型,计算归一化点云数据。借助传感器辐射定标数据对原始高光谱数据进行辐射定标,并利用经验线性模型结合地面实测标靶光谱数据进行大气校正,同时利用地面实测控制点对高光谱影像进行几何精校正。
(3)单木冠幅提取:本发明采用了基于点云的距离判断聚类方法对单木的冠幅进行提取,该方法是利用树与树之间的相对水平距离对点云从高到低来进行单木的分割。归一化过后的点云中每个点的高程值就代表该点距离地表面的高度,一定阈值内的最高点将被认为是树顶点。由于树顶的间距大于树冠底部的间距,按照从高到底的顺序利用点云中的点与树顶的相对水平距离把一棵树的点云聚集到一起而区别于与其相邻的其它树的点云。由于随着点高度的降低,相邻树冠之间的间距会减小,导致分割点的难度就会越来越大,特别是在树冠重叠的地方难度会更大。为了解决这种问题,使点云从高到底有序的进行分割,事先根据实际冠幅大小设置阈值,大于阈值的点将不会被分割到目标单木里,小于阈值的点按照最小距离规则分割到对应的单木上,同一棵树的点云所覆盖的水平范围即为单木的冠幅范围,从而完成单木冠幅的提取(见图1的a~c),在本实施例中,树冠的平均半径约 2m,设置阈值为2m。
单木冠幅提取的精度可以用以下3个指标衡量:
式中,r为冠幅的探测率,p为探测出的冠幅的准确率,F为总体精度(包含未探测出的树冠和探测出但地面实测并不存在的树冠),Nt为影像上探测出且与地面实测相匹配的冠幅数量,N0为影像上未探测出但地面实测存在的冠幅数量,Nc为影像上探测出但地面实测并不存在的冠幅数量。
经过计算,本实施例中单木冠幅提取精度为探测率85.7%,准确率96.0%,总体精度 90.9%。
(4)提取高光谱影像特征并筛选特征变量;提取高光谱影像特征,光谱特征包括原始光谱波段(band1-band64)、纹理特征(相关度CR、对比度CO、相异性DI、信息熵EN、均匀度HO、均值ME、二阶矩SM、偏斜度SK和方差VA)、植被指数(简单比值植被指数SR、修正型简单比值植被指数MSR、归一化植被指数NDVI、修正型归一化植被指数 MNDVI、土壤调节植被指数SAVI、红边胁迫指数RVSI、植被衰减指数PSRI、植被水含量指数WBI)、主成分变换的前十主成分(PC1-PC10)。
通过随机森林算法的变量重要性度量筛选特征变量,即筛选特征变量重要性前九的特征变量作为分类候选变量。在本实施例中,分类候选变量分别为主成分变换的第三主成分 PC3、主成分变换的第一主成分PC1、归一化植被指数NDVI、主成分变换的第二主成分PC2、土壤调节植被指数SAVI、信息熵EN、均值ME、简单比值植被指数SR和修正型简单比值植被指数MSR。
(5)通过随机森林算法利用单木冠幅尺度的高光谱特征对森林树种进行分类:随机森林分类器是一种决策树的非参数集合,通过训练数据的引导样本进行训练。在原始训练集中用bootstrap方法随机获得多个子集,再对每个子集进行决策树的建模,在不进行决策树修剪的情况下,可以快速大量的生成决策树,进而组成随机森林。本实施例采用随机森林算法对汇总于250个单木冠幅内的高光谱影像信息进行分类。五树种分类混淆矩阵见表1,其中五个树种分类中银杏的分类精度最高,精度为96.7%;其次是杨梅,分类精度达到93.4%,接下来是水杉的分类精度为83.3%;香樟与湿地松的分类精度略低于以上三个树种,分类精度分别为80%和66.7%,因此,本方法对于树种分类可以取得较高的精度。五个主要树种光谱反射率见图2中的a~e,五个树种的冠层平均光谱反射率见图2中的f。由图中可以看出,五种植被光谱曲线区别较为明显,尤其是近红外波段,因此利用植被冠层的光谱反射特型可以进行树种的分类。
表1五树种分类混淆矩阵
注:表中林木株数已转化为百分数。
Claims (8)
1.一种结合激光雷达和高光谱数据对森林树种分类的方法,其特征在于,通过激光雷达点云数据中的点云距离的差异提取研究区内的单木冠幅,然后提取高光谱数据中作为分类的变量特征,结合提取的单木冠幅,将高光谱特征在冠幅内进行统计与汇总,以汇总过后的特征均值作为训练样本对树种利用随机森林算法进行分类。
2.根据权利要求1所述的结合激光雷达和高光谱数据对森林树种分类的方法,其特征在于,包括以下步骤:
(1)借助飞机采集激光雷达和高光谱数据,在地面设置样地,并在样地中记录树种并计数,同时对样地中单木位置进行定位以用于模型训练样本选择;
(2)通过激光雷达点云数据计算归一化点云数据,并对原始高光谱数据进行辐射定标和校正,实现遥感数据的预处理;
(3)基于点云的距离判断聚类方法对单木的冠幅进行提取;
(4)提取高光谱影像特征并筛选特征变量;
(5)通过随机森林算法利用单木冠幅尺度的高光谱特征对森林树种进行分类。
3.根据权利要求1或2所述的结合激光雷达和高光谱数据对森林树种分类的方法,其特征在于,所述单木冠幅的提取是利用树与树之间的相对水平距离对点云从高到低来进行单木的分割,具体包括:事先根据实际冠幅大小设置阈值,大于阈值的点将不会被分割到目标单木里,小于阈值的点按照最小距离规则分割到对应的单木上,同一棵树的点云所覆盖的水平范围即单木的冠幅范围,从而完成单木冠幅的提取。
4.根据权利要求2所述的结合激光雷达和高光谱数据对森林树种分类的方法,其特征在于,所述遥感数据预处理的具体步骤为:首先去除激光雷达原始点云数据的噪音点,基于滤波方法去除非地面点,然后通过计算每个像元内激光点高度的平均值,生成数字高程模型,并利用生成的数字高程模型,计算归一化点云数据;借助传感器辐射定标数据对原始高光谱数据进行辐射定标,并利用经验线性模型结合地面实测标靶光谱数据进行大气校正,同时,利用地面实测控制点对高光谱影像进行几何精校正。
5.根据权利要求4所述的结合激光雷达和高光谱数据对森林树种分类的方法,其特征在于,所述数字高程模型的空间分辨率为0.5m。
6.根据权利要求2所述的结合激光雷达和高光谱数据对森林树种分类的方法,其特征在于,所述步骤4中提取的高光谱影像特征包括原始光谱波段、纹理特征、植被指数和主成分变换的前十主成分。
7.根据权利要求6所述的结合激光雷达和高光谱数据对森林树种分类的方法,其特征在于,所述纹理特征包括相关度、对比度、相异性、信息熵、均匀度、均值、二阶矩、偏斜度和方差,所述植被指数包括简单比值植被指数、修正型简单比值植被指数、归一化植被指数、修正型归一化植被指数、土壤调节植被指数、红边胁迫指数、植被衰减指数和植被水含量指数。
8.根据权利要求2所述的结合激光雷达和高光谱数据对森林树种分类的方法,其特征在于,所述步骤4中通过随机森林算法的变量重要性度量筛选特征变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864245.7A CN109164459A (zh) | 2018-08-01 | 2018-08-01 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864245.7A CN109164459A (zh) | 2018-08-01 | 2018-08-01 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109164459A true CN109164459A (zh) | 2019-01-08 |
Family
ID=64898507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810864245.7A Pending CN109164459A (zh) | 2018-08-01 | 2018-08-01 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109164459A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210420A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工业大学 | 基于融合高光谱图像和dsm数据的分类方法 |
CN110223314A (zh) * | 2019-06-06 | 2019-09-10 | 电子科技大学 | 一种基于树冠三维点云分布的单木分割方法 |
CN111738371A (zh) * | 2020-08-26 | 2020-10-02 | 西南石油大学 | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 |
CN112819066A (zh) * | 2021-01-28 | 2021-05-18 | 北京林业大学 | 一种Res-UNet单木树种分类技术 |
CN113009481A (zh) * | 2021-01-15 | 2021-06-22 | 扬州哈工科创机器人研究院有限公司 | 一种基于干涉sar雷达的森林地物成像反演方法 |
CN113222914A (zh) * | 2021-04-27 | 2021-08-06 | 南方电网数字电网研究院有限公司 | 一种基于配准点云的树障隐患快速检测方法 |
CN113222917A (zh) * | 2021-04-29 | 2021-08-06 | 桂林理工大学 | 机载激光雷达点云数据chm的dbi树顶点探测方法 |
CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
CN113640244A (zh) * | 2021-07-28 | 2021-11-12 | 湖南师范大学 | 一种基于可见近红外光谱的果树品种鉴别方法 |
CN114021688A (zh) * | 2021-11-09 | 2022-02-08 | 丰睿 | 一种城区道路绿化树种资源调查的数据采集存储器及其使用方法 |
CN115131678A (zh) * | 2022-07-01 | 2022-09-30 | 杭州万林数链科技服务有限公司 | 一种用于数字化智慧林业的区块链架构构建方法及系统 |
CN116485822A (zh) * | 2023-04-28 | 2023-07-25 | 中建一局集团第三建筑有限公司 | 一种高郁闭度人工林单木树冠分层分割方法 |
CN116773464A (zh) * | 2023-08-21 | 2023-09-19 | 内蒙古师范大学 | 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法 |
Citations (1)
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 |
-
2018
- 2018-08-01 CN CN201810864245.7A patent/CN109164459A/zh active Pending
Patent Citations (1)
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 |
Non-Patent Citations (3)
Title |
---|
LI W ET AL.: "A New Method for Segmenting Individual Trees from the LiDAR Point Cloud", 《PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING》 * |
申鑫 等: "基于高分辨率与高光谱遥感影像的北亚热带马尾松及次生落叶树种的分类", 《植物生态学报》 * |
赵旦: "基于激光雷达和高光谱遥感的森林单木关键参数提取", 《万方数据库》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210420A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工业大学 | 基于融合高光谱图像和dsm数据的分类方法 |
CN110223314A (zh) * | 2019-06-06 | 2019-09-10 | 电子科技大学 | 一种基于树冠三维点云分布的单木分割方法 |
CN110223314B (zh) * | 2019-06-06 | 2021-09-24 | 电子科技大学 | 一种基于树冠三维点云分布的单木分割方法 |
CN111738371A (zh) * | 2020-08-26 | 2020-10-02 | 西南石油大学 | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 |
CN111738371B (zh) * | 2020-08-26 | 2020-11-27 | 西南石油大学 | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 |
CN113009481A (zh) * | 2021-01-15 | 2021-06-22 | 扬州哈工科创机器人研究院有限公司 | 一种基于干涉sar雷达的森林地物成像反演方法 |
CN112819066A (zh) * | 2021-01-28 | 2021-05-18 | 北京林业大学 | 一种Res-UNet单木树种分类技术 |
CN113222914A (zh) * | 2021-04-27 | 2021-08-06 | 南方电网数字电网研究院有限公司 | 一种基于配准点云的树障隐患快速检测方法 |
CN113222917A (zh) * | 2021-04-29 | 2021-08-06 | 桂林理工大学 | 机载激光雷达点云数据chm的dbi树顶点探测方法 |
CN113222917B (zh) * | 2021-04-29 | 2022-06-14 | 桂林理工大学 | 机载激光雷达点云数据chm的dbi树顶点探测方法 |
CN113640244A (zh) * | 2021-07-28 | 2021-11-12 | 湖南师范大学 | 一种基于可见近红外光谱的果树品种鉴别方法 |
CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
CN114021688A (zh) * | 2021-11-09 | 2022-02-08 | 丰睿 | 一种城区道路绿化树种资源调查的数据采集存储器及其使用方法 |
CN114021688B (zh) * | 2021-11-09 | 2024-03-26 | 丰睿 | 一种城区道路绿化树种资源调查的数据采集存储器及其使用方法 |
CN115131678A (zh) * | 2022-07-01 | 2022-09-30 | 杭州万林数链科技服务有限公司 | 一种用于数字化智慧林业的区块链架构构建方法及系统 |
CN115131678B (zh) * | 2022-07-01 | 2023-03-07 | 杭州万林数链科技服务有限公司 | 一种用于数字化智慧林业的区块链架构构建方法及系统 |
CN116485822A (zh) * | 2023-04-28 | 2023-07-25 | 中建一局集团第三建筑有限公司 | 一种高郁闭度人工林单木树冠分层分割方法 |
CN116485822B (zh) * | 2023-04-28 | 2023-12-08 | 中建一局集团第三建筑有限公司 | 一种高郁闭度人工林单木树冠分层分割方法 |
CN116773464A (zh) * | 2023-08-21 | 2023-09-19 | 内蒙古师范大学 | 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法 |
CN116773464B (zh) * | 2023-08-21 | 2023-11-07 | 内蒙古师范大学 | 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109164459A (zh) | 一种结合激光雷达和高光谱数据对森林树种分类的方法 | |
Miraki et al. | Individual tree crown delineation from high-resolution UAV images in broadleaf forest | |
Guerra-Hernández et al. | Comparison of ALS-and UAV (SfM)-derived high-density point clouds for individual tree detection in Eucalyptus plantations | |
Lu et al. | Linear mixture model applied to Amazonian vegetation classification | |
Song et al. | Estimating average tree crown size using spatial information from Ikonos and QuickBird images: Across-sensor and across-site comparisons | |
CN108921885A (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN105389538B (zh) | 一种基于点云半球切片估算森林叶面积指数的方法 | |
CN108846352A (zh) | 一种植被分类与识别方法 | |
CN114463403A (zh) | 一种基于点云数据和图像识别技术的树木碳汇量计算方法 | |
CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
Peerbhay et al. | Detecting bugweed (Solanum mauritianum) abundance in plantation forestry using multisource remote sensing | |
King et al. | Modelling and mapping damage to forests from an ice storm using remote sensing and environmental data | |
Kuzmin et al. | Automatic segment-level tree species recognition using high resolution aerial winter imagery | |
Xu et al. | Spatial pattern analysis of Haloxylon ammodendron using UAV imagery-A case study in the Gurbantunggut Desert | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
Amalisana et al. | Land cover analysis by using pixel-based and object-based image classification method in Bogor | |
Zhang et al. | UAV‐derived imagery for vegetation structure estimation in rangelands: validation and application | |
Phua et al. | Estimation of above-ground biomass of a tropical forest in Northern Borneo using high-resolution satellite image | |
Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
Mirik et al. | Evaluating biomass of Juniper Trees (Juniperus pinchotii) from imagery-derived canopy area using the support vector machine classifier | |
Brandtberg et al. | High-spatial-resolution remote sensing | |
Yuan et al. | Research on vegetation information extraction from visible UAV remote sensing images | |
Khorrami et al. | A new method for detecting individual trees in aerial LiDAR point clouds using absolute height maxima | |
CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
Li et al. | Tree species classification based on WorldView-2 imagery in complex urban environment |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |