CN110196432B - 基于小光斑机载雷达的落叶林树级参数测定方法 - Google Patents
基于小光斑机载雷达的落叶林树级参数测定方法 Download PDFInfo
- Publication number
- CN110196432B CN110196432B CN201910351128.5A CN201910351128A CN110196432B CN 110196432 B CN110196432 B CN 110196432B CN 201910351128 A CN201910351128 A CN 201910351128A CN 110196432 B CN110196432 B CN 110196432B
- Authority
- CN
- China
- Prior art keywords
- tree
- layer
- canopy
- forest
- laser radar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 74
- 230000008569 process Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 20
- 230000001976 improved effect Effects 0.000 abstract description 14
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 230000001965 increasing effect Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 210000000481 breast Anatomy 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 244000046139 Acer saccharum Species 0.000 description 2
- 240000000024 Cercis siliquastrum Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 244000274906 Quercus alba Species 0.000 description 2
- 235000009137 Quercus alba Nutrition 0.000 description 2
- 240000004885 Quercus rubra Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000283070 Abies balsamea Species 0.000 description 1
- 235000007173 Abies balsamea Nutrition 0.000 description 1
- 235000010319 Acer grandidentatum Nutrition 0.000 description 1
- 235000010328 Acer nigrum Nutrition 0.000 description 1
- 235000002629 Acer saccharinum Nutrition 0.000 description 1
- 235000004421 Acer saccharum Nutrition 0.000 description 1
- 235000010157 Acer saccharum subsp saccharum Nutrition 0.000 description 1
- 240000006432 Carica papaya Species 0.000 description 1
- 235000009467 Carica papaya Nutrition 0.000 description 1
- 235000018893 Cercis canadensis var canadensis Nutrition 0.000 description 1
- 235000000131 Cercis siliquastrum Nutrition 0.000 description 1
- 241000209022 Cornus florida Species 0.000 description 1
- 240000006766 Cornus mas Species 0.000 description 1
- 235000008496 Drimys aromatica Nutrition 0.000 description 1
- 241001070947 Fagus Species 0.000 description 1
- 244000222296 Fagus americana Species 0.000 description 1
- 235000018241 Fagus americana Nutrition 0.000 description 1
- 241000546273 Lindera <angiosperm> Species 0.000 description 1
- 241000218314 Liriodendron tulipifera Species 0.000 description 1
- 240000002262 Litsea cubeba Species 0.000 description 1
- 235000012854 Litsea cubeba Nutrition 0.000 description 1
- 241000218378 Magnolia Species 0.000 description 1
- 240000003293 Magnolia grandiflora Species 0.000 description 1
- 235000008512 Magnolia grandiflora Nutrition 0.000 description 1
- 241000169285 Magnolia tripetala Species 0.000 description 1
- 235000009135 Quercus rubra Nutrition 0.000 description 1
- 235000017368 Quercus rubra var. ambigua Nutrition 0.000 description 1
- 235000017499 Quercus rubra var. rubra Nutrition 0.000 description 1
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 229920002334 Spandex Polymers 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035613 defoliation Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000011120 plywood Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000004759 spandex Substances 0.000 description 1
- 235000012069 sugar maple Nutrition 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
基于小光斑机载雷达的落叶林树级参数测定方法,涉及森林资源监测技术领域,其包括对落叶林区域进行激光雷达扫描并采集数据,将得到的数据进行预处理和分析从而分离出不同高度的冠层,采用基于数字表面模型(DSM)的方法对每个孤立冠层进行不同分辨率阈值的分割,将每一层分割的树段跨层合并,并描绘出单独的树,从中提取树级参数即完成相应落叶林树级参数的测定。本发明提供的方法可以显著提高林下叶层树的平均检出率和平均总体准确度,并且获取的所有树木的总精度得到提高,该方法为有效、鲁棒的单树分割提供了一种很有前景的解决方案。
Description
技术领域
本发明涉及森林资源监测技术领域,尤其指一种基于小光斑机载雷达的落叶林树级参数测定方法。
背景技术
森林资源清查的主要目的是通过调查各类森林资源的分布和质量变化情况来进行森林管理和决策分析(如改良采伐、森林存量、生长预测和造林设计等应用)。传统的方法是通过人工对标准样地进行大量的实地勘测,并利用样本数据中单棵树木的胸径、冠层直径和树高等树级参数来估算整个森林的林分信息,不仅耗费大量的人力资源和时间成本,其得到的参数也存在一定的误差。
在过去的几十年中,机载激光雷达已广泛应用于林业领域,以尽量减少具有劳动密集型和成本消耗型特点的传统的森林清查工作。由于激光雷达能够以前所未有的空间和时间分辨率捕捉三维(3D)点云数据,这使得森林清查工作对树级信息的提取需求有了多方面的增长,以提高森林评估、监测和管理活动的准确性。
目前,对于单树检测方面的主要技术有:基于冠层高度模型(CHM) 或基于数字表面模型(DSM)的方法,以及最近出现的直接使用原始激光雷达点云方法的技术,但这些技术和方法往往无法检测结构复杂森林中的林下叶层树,而且很难检测冠层边缘,通常会过度简化冠层几何形状,可以说这些方法都有一个固有的缺点,即在单树的分割过程中,由于只关注表面数据,导致缺失林下叶层树信息,进一步而言,现有的方法对上下层林冠实施相同分辨率阈值的分割过程,忽略了它们的激光雷达点密度不同的事实,导致了下层树的过度分割。这些方法的林下叶层树的总体精度(通常在60%左右)总是低于上层林树(通常约90%或以上),造成这一缺陷的主要原因是高层树冠的遮挡效应,大大降低了激光雷达脉冲对低植被层的穿透,这导致了描绘下层植被的点密度和分辨率要低得多,使得对于落叶林的资源清查工作缺乏准确性。
发明内容
本发明所要解决的问题是,提供一种基于小光斑机载雷达的落叶林树级参数测定方法,以提高林下叶层树的平均检出率和平均总体准确度,并且提高获取的所有树木的总精度。
为了解决上述技术问题,本发明采用如下技术方案:一种基于小光斑机载雷达的落叶林树级参数测定方法,包括对落叶林区域进行激光雷达扫描并采集数据,将得到的数据进行预处理和分析从而分离出不同高度的冠层,采用基于DSM的方法对每个孤立冠层进行不同分辨率阈值的分割,将每一层分割的树段跨层合并,并描绘出单独的树,从中提取树级参数即完成相应落叶林树级参数的测定。
优选地,对落叶林区域进行激光雷达扫描并采集数据的方法是:根据不同区域,设置满足要求的飞行高度、飞行速度和飞行航线,采集小光斑机载雷达数据,得到激光雷达点云数据。
更优选地,将得到的激光雷达点云数据进行预处理和分析的方法包括以下步骤:
1)通过滤波方法将激光雷达点分为地面点和非地面点,建立基于地面点的1米分辨率数字高程模型DEM,采用最近邻法进行补空,采用平均法进行插值;
2)对激光雷达点云数据的点间距进行均匀化,生成分辨率为标称点间距NPS的网格,再选择每个网格单元内的最高高程点LSP对激光雷达点云进行滤波,最后对LSP进行平滑处理。
更优选地,采用标准偏差为标称点间距NPS,半径为3×NPS的高斯平滑滤波器对激光雷达点云数据进行处理。
更优选地,分离出不同高度的冠层的方法包括以下步骤:
1)利用激光雷达获得的DEM计算各层位的地面高度,然后将每个点云垂直分层成多个冠层,按激光雷达点数量由多到小将其编码为第1层—第5层;
2)剔除低于5m的低植被层数;
3)将第4层和第5层内的激光雷达点合并到第3层点云。
更优选地,采用基于DSM的方法对每个孤立冠层进行不同分辨率阈值的分割的方法包括以下步骤:
1)确定LSP中的全局最大高程GMX,假设该高程代表给定区域内最高树的顶点;
2)从GMX位置生成垂直剖面并向外扩展;
3)对每个剖面使用树隙识别和局部极小值LM识别,确定可能代表树冠边界的剖面沿线的单个LSP;
4)创建一个边界点的凸包,描绘树冠;
5)将包围在凸包内的所有LSP聚集起来,并将它们指定为当前最高的树冠;
6)反复应用1)到5)的过程,直到所有LSP都聚集到树冠中。
更优选地,在剖面生成过程中,根据雷达检测到的冠层半径动态确定平滑表示树冠层所需的剖面数,这一过程从8个等距角剖面开始,在树冠边界和半径确定后,从而每个树冠剖面被确定,最大树冠半径r用于确定由角间距分隔的两个最大树冠半径轮廓之间的弦高x,如下所示:
在剖面生成过程中,将每一层的分辨率阈值TH设为变量,其值计算如下:
THi=Ai×NPS (2);
其中i表示层数,THi表示层i的阈值为NPS的A倍。
更优选地,将每一层分割的树段跨层合并,并描绘出单独的树,最后提取树级参数的方法包括以下步骤:
1)对每一层实施基于DSM的分割后,系统遍历相邻层内的所有树段,将满足连通域合并标准的区域连接起来;
2)利用连接生长树CGT分析方法建立连接生长树,剩下的连通区域构成最终的分割结果;
3)通过连通域合并标准合并处于不同高度层的垂直相邻树冠段,提取单个树冠。
本发明的有益效果在于:利用小光斑机载激光雷达数据进行多阈值单树分割的方法来提取落叶林树级参数,其通过多分辨率阈值法可提高具有低点密度特性的林下叶层树的检测率,而树段跨层组合充分利用了树的垂直信息,减少了过度分割,提高了树检测的精度,由于用于分割的被编码的冠层是根据激光雷达返回数确定的,没有对树冠形状或大小的先验假设,从而能动态捕获冠层的局部信息,并利用其提高冠层轮廓的刻画。
该方法具有较强的鲁棒性,能够有效地描述机载激光雷达数据中单树的轮廓,树的平均检测率为79.5%,测得树的平均正确率为87.6%,总体平均准确率为82.6%,与基于DSM的树分割相比,下层树的整体精度提高了11.7个百分点,从65.2%提高到76.9%,所得到的树级参数对森林管理具有实际指导意义,为有效、鲁棒的单树分割提供了一种很有前景的解决方案。
附图说明
图1为本发明中基于小光斑机载雷达的落叶林树级参数测定方法(多阈值分割)流程图;
图2-a为从一棵树返回多个激光雷达点的示例图;
图2-b为对271个样地块的各层激光雷达点的分布统计图;
图3为根据激光雷达点返回数对一个样地块分层的示例图,其中 (a)为分层前,(b)为分层后;
图5为改进的基于DSM分割方法的流程图;
图6-a为相邻垂直层段组合示意图;
图6-b为连通生长树演示(CGT),每棵树的根节点都用网格填充,如R5、R8;
图7为跨层组合流程图;
图8-a为TH1阈值对各层分割精度的影响;
图8-b为TH2阈值对各层分割精度的影响;
图8-c为TH3阈值对各层分割精度的影响;
图9-a为一个样地块的多层分割的可视化的第1层的分割结果 (激光雷达获得的树的数量分别为8棵);
图9-b为一个样地块的多层分割的可视化的第2层的分割结果 (激光雷达获得的树的数量分别为16棵);
图9-c为一个样地块的多层分割的可视化的第3层的分割结果 (激光雷达获得的树的数量分别为3棵);
图9-d为一个样地块的多层分割的可视化的整个地块的分割结果(激光雷达获得的树的数量分别为11棵);
图10为248个样地块按照树冠类别分组得到得分割结果统计;
图11-a为一个多阈值树分割的举例说明(优势树);
图11-b为一个多阈值树分割的举例说明(优势树);
图11-c为一个多阈值树分割的举例说明(次优势树);
图11-d为一个多阈值树分割的举例说明(过顶树);
图12为248个样地上匹配的激光雷达衍生树和实地勘察树的树高和树冠周长分布。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
本实施例的实施地点是Robinson森林(坐标:37°28'23"N 83° 08'36"W),位于肯塔基州东南部布里西特、佩里和诺特县坎伯兰高原崎岖不平的东段。该区域是一个多样化的、相邻的混合中生林,约有80个树种,包括北部红栎(Quercus rubra L.)、白栎(Quercusalba L.)、黄杨(Liriodendron tulipifera L.)、美洲山毛榉(Fagus grandifoliaEhrh.)、东部铁杉(Tsuga canadensis(L.)Carrière) 和糖槭(Acer saccharum Marsh.)等优势树和次优势树。林下植物包括东洋紫荆(Cercis canadensis L.)、山茱萸(CornusfloridaL.)、山胡椒(Lindera benzoin L.)、木瓜(Asimina triloba(L.)Dunal)、伞形木兰(Magnolia tripetala(L.)L.)和大叶木兰(Magnolia macrophyllaMichx.)等,森林总面积约7440公顷,其中植被250万株(±13.5%),其中60%以上为林下植被。
如图1所示,本实施例基于小光斑机载雷达的落叶林树级参数测定方法,包括对落叶林区域进行激光雷达扫描并采集数据,将得到的数据进行预处理和分析从而分离出不同高度的冠层,采用基于DSM 的方法对每个孤立冠层进行不同分辨率阈值的分割,将每一层分割的树段跨层合并,并描绘出单独的树,从中提取树级参数即完成相应落叶林树级参数的测定。
上述实施方式利用小光斑机载激光雷达数据进行多阈值单树分割的方法来提取落叶林树级参数,其通过多分辨率阈值法可提高具有低点密度特性的林下叶层树的检测率,而树段跨层组合充分利用了树的垂直信息,减少了过度分割,提高了树检测的精度,由于用于分割的被编码的冠层是根据激光雷达返回数确定的,没有对树冠形状或大小的先验假设,从而能动态捕获冠层的局部信息,并利用其提高冠层轮廓的刻画。
该方法具有较强的鲁棒性,能够有效地描述机载激光雷达数据中单树的轮廓,树的平均检测率为79.5%,测得树的平均正确率为87.6%,总体平均准确率为82.6%,与基于DSM的树分割相比,下层树的整体精度提高了11.7个百分点,从65.2%提高到76.9%,所得到的树级参数对森林管理具有实际指导意义,为有效、鲁棒的单树分割提供了一种很有前景的解决方案。
作为优选地,对落叶林区域进行激光雷达扫描并采集数据的方法是:根据不同区域,设置满足要求的飞行高度、飞行速度和飞行航线,采集小光斑机载雷达数据,得到激光雷达点云数据,中型或大型光斑 (20-70m)激光雷达数据有利于描述林冠在光斑分辨率下的垂直分布,而小型光斑(10s cm)激光雷达在单树的尺度上既提供了垂直信息又能提供水平信息。2013年夏季,在整个Ronbinson森林实地调查了 271个面积为0.04公顷的圆形样地块,对地块中心进行了地理坐标参照定位,误差最高为5米。在从圆形地块收集激光雷达数据之前,安装了1.2×1.2米的白色胶合板,以提高反射率。在安装板的过程中,将其中心点放置在地块钢筋标桩的准确位置,以正确地定位地块中心点的准确位置。在每个样地块中,对所有胸径>12.5厘米的树记录其物种、胸径、树高、树冠类(优势树、次优势树、中等树或底层树)、状态(活树或枯树)和树干类型(单个或多个)。记录每个样地块的场地参数,包括坡度、坡向、位置等。下述表1显示了研究区域271个地块的属性统计数据。
表1研究区域271个样地块的属性统计
本实施例中的雷达数据是来自肯塔基大学林业学院提供的由同一激光雷达系统(Leica ALS60)收集的两个独立数据集的组合。在采集过程中,系统设置为200kHz脉冲重复率和40°视场,平均飞行速度设置为105节,50%的飞行带重叠。其中一个数据集是2013年春季(落叶季节)为获取地形属性而收集的低密度(~2pt/m2)数据集,是肯塔基州地理信息局(Kentucky Department of Geographic information)全州范围高程数据集获取计划的一部分。另一个数据集为高密度(~50pt/m2),收集于2013年夏季(树叶茂盛季节),平均海拔214米。在两个季节的数据收集中,每个激光雷达脉冲分别捕获最多4和5个返回值,而只有飞行带中部的90-95%用于生成数据集。两个数据集都由供应商使用TerraScan软件进行预处理。
进一步,将得到的激光雷达点云数据进行预处理和分析的方法包括以下步骤:
1)通过滤波方法将激光雷达点分为地面点和非地面点,建立基于地面点的1米分辨率数字高程模型(DEM),采用最近邻法进行补空,采用平均法进行插值;
2)对激光雷达点云数据的点间距进行均匀化,生成分辨率为标称点间距NPS的网格,然后选择每个网格单元内的最高高程点(激光雷达表面点,LSP)对激光雷达点云进行滤波。
3)利用激光雷达获得的DEM计算出各层位的地面高度;
4)在进一步分析中剔除低植被层数(<5m),根据植被结构的变异性(茎密度和树高),在剩余的LSP数据集中创建了几个不含植被的间隙,并在以后的分析中使用。
5)最后,对LSPs进行平滑处理,在保持重要植被模式的同时,减小了冠层内植被高程的微小变化。采用标准偏差为标称点间距 (NPS),半径为3×NPS的高斯平滑滤波器。
再进一步,对于分离出不同高度的冠层的方法,首先,激光脉冲的直径是有限的(~10厘米或更大)。对于小光斑激光脉冲,可能只有直径的一部分脉冲抵达某个物体。脉冲的这一部分将从那里反射,其余的脉冲将继续运动,直到它遇到其他物体,导致脉冲的其他部分反射。接收到反射激光脉冲后,当入射脉冲达到设定的阈值时,探测器被触发,并对飞行时间进行测量。所接收到的激光脉冲在反射激光波形的不同阶段均为高于阈值的回波。因此,对返回到生成坐标的每个点都测量了范围(如图2-a所示)。
因此,激光雷达回波点的分布在一定程度上反映了叶片重叠的程度。在林上层和林下叶层,有更多的返回点的地方,树叶更密集,反之亦然,因此雷达返回点的分布情况描绘了植被垂直结构的特征。如图3所示,不同冠层的点云可以描述不同高度的树冠。
由于激光雷达的穿透性和多回波特性,这为它用来获取植被结构提供了机会,利用271个样地块的激光雷达回波数将每个点云垂直分层成多个冠层,并将其编码为第1-5个(如图2-b所示)。将总高度小于5m的层作为地面灌木剔除掉。对于没有足够大尺寸的树的样地块,不对其进行分层;对于树冠结构非常复杂的地块,最多可分为五层。对此统计了271个样地块中每一层的点数,得知随着激光雷达返回数的增加,激光雷达点数量减少。第一层激光雷达点数最多,到第三层,激光雷达点数所占百分比降低到小于5%(如图2-b所示)。三层以下的点密度过低,不足以表征植被特征。因此,本实施例中将第4层和第5层内的激光雷达返回点合并到第3层点云。基于激光雷达返回数的分层策略有利于利用基于DSM的方法对树的下冠层进行分割,因为该方法在树的分割过程中主要关注表面点。
再进一步,采用基于DSM的方法对每个孤立冠层进行不同分辨率阈值的分割的方法包括以下步骤:
1)确定LSP中的全局最大高程GMX,假设该高程代表给定区域内最高树的顶点;
2)从GMX位置生成垂直剖面并向外扩展;
3)对每个剖面使用树隙识别和局部极小值(LM)识别,确定可能代表树冠边界的剖面沿线的单个LSP;
4)创建一个边界点的凸包,描绘树冠;
5)将包围在凸包内的所有LSP聚集起来,并将它们指定为当前最高的树冠;
6)反复应用1)到5)的过程,直到所有LSP都聚集到树冠中。其中,直径小于最小可检测冠宽(此处设置为1.5m,MDCW)的冠的簇,被视为噪声。
对于上述分割方法,在其在剖面生成过程中,根据雷达检测到的冠层半径动态确定平滑表示树冠层所需的剖面数。这一过程从8个等距角剖面开始(每个45°)。在树冠边界和半径确定后,从而每个树冠剖面被确定,最大树冠半径(r)用于确定由角间距(如图4 所示)分隔的两个最大树冠半径轮廓之间的弦高(x),如下所示:
当弦高大于NPS时,角间距减小一半,剖面数增加一倍。
另外,对于提出的基于DSM的分割方法,将点间距均匀化,生成分辨率等于NPS的网格,获得的激光雷达表面点(LSPs)进行分割。然而,固定分辨率的网格不适合多层分割,因为点间距(或点密度)对于上层林冠和下层林冠是不一致的。因此,假设通过实现多分辨率阈值分割可以获得更好的性能。为了得到不同的分割分辨率,在生成剖面的过程中,可将每一层的分辨率阈值(TH)设为变量,而不是都严格地等于NPS的常数,其值计算如下:
THi=Ai×NPS (2);
其中i表示层数,THi表示层i的阈值为NPS的A倍。改进的基于DSM的分割方法流程图如图5所示。
再进一步,将每一层分割的树段跨层合并,并描绘出单独的树,最后提取树级参数的方法包括以下步骤:
a.对每一层实施基于DSM的分割后,系统遍历相邻层内的所有树段,将满足连通域合并标准的区域连接起来;
b.利用连接生长树(CGT)分析方法建立连接生长树,剩下的连通区域构成最终的分割结果;该算法的关键是确定合理的合并准则。本实施例提出了连接体元和连通元相交率的概念,给出了通用的合并准则,提高了合并效果。垂直相邻层的树段组合包含如下情况,如图 6-a所示:
·出现新的连通区域,如R1、R2、R3、R4;
·连通区域面积增加(或保持不变),如R5、R6;
·两个或多个小的连接区域合并成一个较大的区域,如R7和R8。
大面积连通区域Ri中包含的垂直相邻连通区域数量可以划分为:
·0,表示Ri是新生成的连通区域,如R1;
·1,表示所连接区域已经存在,且只可能增加面积,如R6;
·2,表示两个小的连通区域生长并融合到Ri中,如R8;
·>2,表示有几个小的连通区域生长并合并到Ri中,但合并序列模糊,不利于分析。通常,可以通过添加阈值来防止这种情况。
利用CGT分析方法可以建立图6-b中的树结构。它演示了不同层中节点的组合,其中每个节点表示阈值下的连接区域。
而上述连接体元和连通元相交率的概念下的通用的合并准则具体如下:假设激光雷达点云在坐标(x,y,z)处的连通区域为E(x,y,z),分割阈值为THi。为了引入合并标准,首先定义以下新度量:
1.连通体元
定义在同一水平位置(x,y)不合并的最大连通区域的点云子集为连接体元:EV=E(x,y;TH1),…,E(x,y;THK),其中,TH1>…>THK, K为分割阈值序列。连接体元件满足以下条件:
1)如果连接区域E(x’,y’;THi)独立于E(x,y;THi),即E(x,y;THi)∩E(x’,y’;THi)=ф,则E(x’,y’;THi)∩E(x,y;THi+1)=ф,i=1,2,…k-1;
2)如果任何E(x,y;TH’)(TH’>TH1或TH’<THk)添加到Ev中,则Ev不再满足条件1),那么Ev描述独立子节点的生长过程,形成不规则的梯形体,称为连接体元,如图6-b所示的R2 和R6。
2.连通元相交率
其中,S(x,y;THi+1)和S(x,y;THi)分别是根节点和子节点的面积, Sinter是它们的交叉区域。ΔS1和ΔS2都是连接体元相交面积的比率。
基于以上,连接体元与连通域的合并标准为:
如果[(ΔS1>ε)∪(ΔS2>ε)=1,则允许连接体合并;否则,它们被视为独立的,禁止合并。其中,ε是范围区间[0.5,1.0]的一个常数标准值,在本项研究案例中,设置0.8作为理想值。
c.在森林历遍过程中,通过合并处于不同高度层的垂直相邻树冠段,提取单个树冠(如图7所示)。
对于上述实施例中的树级参数测定方法可进行评估以验证多阈值分割的准确性,具体地,可采用局部最大值算法对树梢进行识别,然后采用赵开广等人提出的半自动方法[Zhao K,Suarez J C,Garcia M,et al.Utility of multitemporal lidar for forestand carbon monitoring: Tree growth,biomass dynamics,and carbon flux.RemoteSensing of Environment,2018,204:883-897.]匹配激光雷达衍生树和现场勘测树。给定两个数据集(如A和B),数据集A中的任何点都可以在数据集B中找到最近的点,反之亦然。但数据集B中的标识点在数据集 A中有一个最近的点,该点不一定是原始A点。这种方法是Hausdorff distance概念的一种变换形式,可以用来进行树匹配。在本研究中,我们将一个数据集中的一个树位置与另一个数据集中的另一个树位置配对,前提是两个树位置是彼此最接近的点——这是Yu等人最初提出的一个规则[Yu,X.,J.,Kukko,A.,Maltamo,M., Kaartinen,H.Change detection techniques for canopy height growthmeasurements using airborne laser scanner data.Photogramm.Eng.Remote.Sens.2006,72:1339–1348.]。两个位置(x1、y1、z1)和(x2、 y2、z2)之间的距离使用特定距离度量计算:
其中,(x1,y1,z1)表示激光雷达衍生树的树顶位置,(x2,y2) 和z2分别表示在现场勘测的树干位置和树高。用户定义的参数w是垂直高度差对平面距离之差的权重;这里,w使用0.5的值作为简单的经验选择。利用方程(5)的距离度量,运行上述匹配方法,自动获得配对树的初步列表。作为进一步的步骤,它使用Hungarian分配算法选择一组距离最小的对——激光雷达获取的或现场勘测树的位置出现不超过一次——并将数据集视为匹配的树[Hamraz,H., Contreras,M.A.,&Zhang,J.A robust approach for tree segmentationin deciduous forests using small-footprint airborne LiDAR data. InternationalJournal of Applied Earth Observation and Geoinformation, 2016,52,532-541.]。
匹配树(MT)的数量表征了分割质量;遗漏错误(OE)和误匹配错误(CE)的数量分别代表了欠分割和过分割。该方法的有效性根据以下三个公式——Re(Recall)、Pr(Precision)和F(F-score)——进行评估:
其中,Re是对树检测率、Pr为被检测树的正确性,F为测量的总体精度,这些指标在考虑CE和OE的基础上得到。
本实施例是基于在Robinson森林的271个样地中,选取23个 (Hamraz等人[Hamraz,H.,Contreras,M.A.,&Zhang,J.A robust approach for tree segmentation indeciduous forests using small-footprint airborne LiDAR data.InternationalJournal of Applied Earth Observation and Geoinformation,2016,52,532-541.]提出的基于DSM的树木分割实验数据集)作为数据集,测试分辨率阈值对不同冠层分割的影响,然后在剩余的248个样地中使用获得的最佳阈值进行多阈值树分割实验。
本实施例中使用的激光雷达点云是Robinson森林数据集的一部分,NPS等于0.85英尺。由于森林下叶层的激光雷达回波的点密度较低,分割分辨率应足够大,以保证足够的LSPs代表植被特征。本实施例将每层的分辨率阈值(TH)设置为可变的,而不是严格等于NPS,并对不同分辨率阈值对每层分割精度的影响进行了交叉检验。利用式(2),测试三层中某一层的分割阈值,同时固定另外两层的分割阈值,即,THi等于NPS,并循环进行。实验结果如图8-a、8-b、 8-c所示。
图8-a、8-b、8-c显示了在23个样地块中使用多个分辨率阈值的树分割的精度得分。其中当三层的分辨率阈值增加时,Pr趋于轻微下降,而Re的增加则会对Pr进行补偿,从而得到稳定的F值。对于第一层、第二层和第三层的分辨率阈值TH1、TH2及TH3,当其分别超过1.2*NPS、1.5*NPS和2*NPS时,指标趋于稳定。因此,在本实施例中,将三个层的分割分辨率阈值分别设置为1.2*NPS、1.5* NPS和2*NPS。对于林下叶层树,平均分割精度分数随TH2和TH3 的增加而增加。当TH3达到2*NPS时,平均F的得分超过70%,增加了近10个百分点。这一观察结果表明,多阈值方法在不影响上层树分割的情况下,提高了对林下叶层树分割的敏感性,这也是多阈值程序良好运行的一个标志。
在确定了三层的最优分割阈值后,将该方法应用于271个样地块剩余的248个,并与基于DSM的方法进行比较。图9-a、9-b、9-c、 9-d显示了使用248个样地块中的一个进行多分辨率阈值树分割的结果。由于一些树冠合并到其他层的树冠中,因此许多树冠在跨层合并后会发生变化。由于相邻树的遮挡和部分树冠的隐藏,许多树冠外形看起来不像圆形的。由于林下树的点密度低,第2层和3层分割的树冠呈分散点状。通过比较图9-a和图9-d可以得出结论,采用多阈值分割方法可以更好地检测林下叶层树。通过比较各层和整个地块的分割结果,基于多阈值分割的跨层组合规则能够有效地实现分割段的跨层合并。
如图10所示,其显示了248个样地块的分割得分的统计结果,与基于DSM的树分割方法的指标相比,对于上层林树,Re从92.0%变为94.6%,增加了2.6个百分点,Pr从87.1%变为88.5,增加了1.4 个百分点,F从88.5%变为90.9%,增加了2.4个百分点。对于林下树,Re从52.3%变为73.4%,增加了21.1个百分点,Pr从88.5%变为86.7%,增加了1.8个百分点,F从65.2%变为76.9%,增加了11.7 个百分点。对所有树而言,Pr从87.3%略微增加0.3个百分点至87.6%, Re和F分别增加了13和7.5个百分点,分别从66.5%变为79.5%和从75.1%变为82.6%。
通过比较上层树和林下叶层树的分割得分,可以得出以下结论:
(1)对于树的检测率Re,后者的改进幅度较大,说明多阈值分割能够有效地检测下层植被;
(2)对于被测树的正确率Pr,林下叶层树的检测精度随检测率的增加而降低。其主要原因有是,一方面,下层树的检测率得到提高,检测到的树的数量增加;另一方面,由于较高植被层的遮挡作用,降低了激光雷达脉冲穿透率和下层植被的点密度,限制了分割精度的提高。相比基于DSM的方法,这两个因素导致了林下树的检测精度的下降;
(3)对于整体分割精度F,后者提高更多。虽然检测率的准确度略有下降,但检测率有所提高,从而提高了整体分割的精度。这证明了多阈值方法在林下叶层树分割中的有效性。
通过比较所有树的总体精度F,多阈值树分割方法具有更高的得分。由于落叶林中密集的重叠树冠而缺少明显的峰谷,基于DSM和其他基于CHM的算法在落叶林中的表现可能不好。然而,本实施例提出的方法对不同的林冠层实现了多阈值分割,并根据植被结构的特点将各层的树段结合起来,从而实现了对低层植被的有效分割。
针对本实施例中单树的描绘和树级参数的提取,对每棵树进行分割,确定其点云和边界点,计算边界长度作为林冠周长(图11-a、11-b、 11-c、11-d)。图中显示了三层树段的跨层组合,其中不同灰度的三个点云分别代表树的三个分割段。树段的跨层组合有效地避免了树的过度分割,提高了树的检测率和分割精度。与上层林树相比,下层林树有更多的稀疏点。因此,为了有效地勾画出林下树,应提高低层点云的分割分辨率,以保证有足够的点代表林下树木。通过对与现场树匹配的激光雷达衍生树进行检测,可以很容易地确定树的高度。如图 12所示,所有匹配树的树冠周长(CP)和高度表明,大多数树木的树冠周长范围为10-40m,高度范围为10-30m。
另外,本实施例还提供本方法与其他树分割方法的比较,具体地,一些类似的研究采用直接处理原始的机载激光雷达点云的树分割方法,并报告了分割精度得分。WanqianYan et al.(2018)[Yan W,Guan H,Cao L,et al.An Automated Hierarchical Approachfor Three-Dimensional Segmentation of Single Trees Using UAV LiDARData.Remote Sensing,2018,10.1999.10.3390/rs10121999.]开发了一种自动化的分层单树分割方法,平均正确性、完整性和整体准确度分别达到0.90、0.88和0.89。然而,该研究区域内的树几乎同时种植,导致它们在形状和大小上具有相似性,树木的分割相对简单。Ayrey et al.(2017)[Ayrey,E.,Fraver,S.,Kershaw Jr,J.A.,Kenefic,L.S.,Hayes, D.,Weiskittel,A.R.,&Roth,B.E.Layer Stacking:A Novel Algorithm for IndividualForest Tree Segmentation from LiDAR Point Clouds. Canadian Journal of RemoteSensing,2017,1-13.]采用了分层堆叠法,在开阔落叶林中检测到79%的树,在密闭阔叶林中检测到72%的树。两个林分的误匹配率分别为29%和34%。Hamraz等(2017)[Hamraz H,Contreras M A,Zhang J.Vertical stratification of forest canopy forsegmentation of understory trees within small-footprint airborne LiDAR pointclouds.ISPRS Journal of Photogrammetry&Remote Sensing,2017, 130:385-392.]提出了一种基于分层使能的树分割方法,对Robinson森林数据集的上、下两层树的检出率分别为~95%和~68%。Paris et al.(2016)[Paris C,Valduga D,Bruzzone L.AHierarchical Approach to Three-Dimensional Segmentation of LiDAR Data atSingle-Tree Level in a Multilayered Forest.IEEE Transactions on Geoscience&Remote Sensing,2016,54(7):4190-4203.]对针叶树林分的97%和92%的优势树和77%的次优势树进行了正确检测,误匹配率为7%。然而,由于树冠形状清晰,与落叶树相比,针叶林的树木分割相对简单。研究表明,与落叶林和混交林相比,针叶林具有更好的树木分割性能[Hu,B.,Li, J.,Jing,L.,Judah,A.Improving the efficiency and accuracy ofindividual tree crown delineation from high-density LiDAR data.InternationalJournal of Applied Earth Observation and Geoinformation,2014,26: 145-155.]。Duncanson et al.(2014)[Duncanson,L.,Cook,B.,Hurtt,G., &Dubayah,R.Anefficient,multi-layered crown delineation algorithm for mapping individualtree structure across multiple ecosystems.Remote Sensing of Environment,2014,154,378-386.]提出了一种多层冠层分割方法,该方法能够正确地分离出密闭的落叶林中70%优势树、58%次优势树、35%中间树和21%灌木。胡等(2014)[Hu,B.,Li,J.,Jing,L.,Judah,A.Improving the efficiency and accuracy of individual tree crowndelineation from high-density LiDAR data.International Journal of AppliedEarth Observation and Geoinformation,2014,26:145-155.]提出了一种利用树冠先验知识的自动化方法,该方法分别正确描述了混材和落叶树种两个林分约74%和72%的树。更早的研究报告了约 50%[Weinacker,H.,Koch,B.,Heyder,U.,&Weinacker,R.Development of filtering,segmentation and modelling modules for lidar andmultispectral data as a fundament of an automatic forest inventory system.International Archives of Photogrammetry,Remote Sensing and SpatialInformation Sciences,2004,36(Part 8),W2.和Koch,B.,Heyder,U., &Weinacker,H.Detection of individual tree crowns in airborne LiDAR data.PhotogrammetricEngineering&Remote Sensing,2006,72(4),357 –363.]和65%的[Jing,L.,Hu,B.,Li,J.,Noland,T.Automated delineation of individual tree crowns from LiDAR data bymulti-scale analysis and segmentation.Photogrammetric engineering and remotesensing2012,78:1275-1284.]树检测精度,这些研究使用了类似的评估测量,并考虑了漏匹配和误匹配。这些结果显示了改进,特别是对于林下叶层树。需要指出的是,上述研究是在不同地点使用不同的激光雷达采集系统进行的,现场测量协议和评估方法略有不同。
本实施例中利用莱卡ALS60系统的测试数据验证了多阈值分割方法。以271个样地中的23个为试验数据集,交叉检验了不同阈值对冠层分割精度的影响,并利用获得的最优阈值对其余248个样地进行了多阈值树分割实验。实验结果表明,该方法与基于DSM的树分割相比准确率、整体精度都有较大的提高。
上述实施例为本发明较佳的实现方案,除此之外,本发明还可以其它方式实现,在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。
Claims (6)
1.基于小光斑机载雷达的落叶林树级参数测定方法,其特征在于:对落叶林区域进行激光雷达扫描并采集数据,将得到的数据进行预处理和分析从而分离出不同高度的冠层,采用基于DSM的方法对每个孤立冠层进行不同分辨率阈值的分割,将每一层分割的树段跨层合并,并描绘出单独的树,从中提取树级参数即完成相应落叶林树级参数的测定;对落叶林区域进行激光雷达扫描并采集数据的方法是:根据不同区域,设置满足要求的飞行高度、飞行速度和飞行航线,采集小光斑机载雷达数据,得到激光雷达点云数据;将得到的激光雷达点云数据进行预处理和分析的方法包括以下步骤:
1)通过滤波方法将激光雷达点分为地面点和非地面点,建立基于地面点的1米分辨率数字高程模型DEM,采用最近邻法进行补空,采用平均法进行插值;
2)对激光雷达点云数据的点间距进行均匀化,生成分辨率为标称点间距NPS的网格,再选择每个网格单元内的最高高程点LSP对激光雷达点云进行滤波,最后对LSP进行平滑处理。
2.根据权利要求1所述的基于小光斑机载雷达的落叶林树级参数测定方法,其特征在于:采用标准偏差为标称点间距NPS,半径为3×NPS的高斯平滑滤波器对激光雷达点云数据进行处理。
3.根据权利要求2所述的基于小光斑机载雷达的落叶林树级参数测定方法,其特征在于,分离出不同高度的冠层的方法包括以下步骤:
1)利用激光雷达获得的DEM计算各层位的地面高度,然后将每个点云垂直分层成多个冠层,按激光雷达点数量由多到小将其编码为第1层—第5层;
2)剔除低于5m的低植被层数;
3)将第4层和第5层内的激光雷达点合并到第3层点云。
4.根据权利要求3所述的基于小光斑机载雷达的落叶林树级参数测定方法,其特征在于,采用基于DSM的方法对每个孤立冠层进行不同分辨率阈值的分割的方法包括以下步骤:
1)确定LSP中的全局最大高程GMX,假设该高程代表给定区域内最高树的顶点;
2)从GMX位置生成垂直剖面并向外扩展;
3)对每个剖面使用树隙识别和局部极小值LM识别,确定可能代表树冠边界的剖面沿线的单个LSP;
4)创建一个边界点的凸包,描绘树冠;
5)将包围在凸包内的所有LSP聚集起来,并将它们指定为当前最高的树冠;
6)反复应用1)到5)的过程,直到所有LSP都聚集到树冠中。
6.根据权利要求5所述的基于小光斑机载雷达的落叶林树级参数测定方法,其特征在于:将每一层分割的树段跨层合并,并描绘出单独的树,最后提取树级参数的方法包括以下步骤:
1)对每一层实施基于DSM的分割后,系统遍历相邻层内的所有树段,将满足连通域合并标准的区域连接起来;
2)利用连接生长树CGT分析方法建立连接生长树,剩下的连通区域构成最终的分割结果;
3)通过连通域合并标准合并处于不同高度层的垂直相邻树冠段,提取单个树冠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910351128.5A CN110196432B (zh) | 2019-04-28 | 2019-04-28 | 基于小光斑机载雷达的落叶林树级参数测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910351128.5A CN110196432B (zh) | 2019-04-28 | 2019-04-28 | 基于小光斑机载雷达的落叶林树级参数测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110196432A CN110196432A (zh) | 2019-09-03 |
CN110196432B true CN110196432B (zh) | 2021-04-02 |
Family
ID=67752234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910351128.5A Active CN110196432B (zh) | 2019-04-28 | 2019-04-28 | 基于小光斑机载雷达的落叶林树级参数测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110196432B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369621B (zh) * | 2020-03-11 | 2023-03-24 | 西安应用光学研究所 | 系留式升空平台图像定位解算方法 |
CN111428784A (zh) * | 2020-03-23 | 2020-07-17 | 湖南工学院 | 采用机载激光雷达对落叶林树级参数测定的鲁棒分割方法 |
CN112084280B (zh) * | 2020-09-04 | 2023-07-21 | 广州南方智能技术有限公司 | 一种多尺度地形的裁剪及拼接方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010032495A1 (ja) * | 2008-09-16 | 2010-03-25 | 株式会社アドイン研究所 | 樹木情報計測方法、樹木情報計測装置、プログラム |
CN104820830A (zh) * | 2015-05-08 | 2015-08-05 | 南京林业大学 | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 |
CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧(宁夏)科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447767B (zh) * | 2016-09-30 | 2019-01-15 | 信阳师范学院 | 一种基于点云数据的树干三维干轴曲线构建的树干参数提取方法 |
-
2019
- 2019-04-28 CN CN201910351128.5A patent/CN110196432B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010032495A1 (ja) * | 2008-09-16 | 2010-03-25 | 株式会社アドイン研究所 | 樹木情報計測方法、樹木情報計測装置、プログラム |
CN104820830A (zh) * | 2015-05-08 | 2015-08-05 | 南京林业大学 | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 |
CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧(宁夏)科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110196432A (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110196432B (zh) | 基于小光斑机载雷达的落叶林树级参数测定方法 | |
Liang et al. | International benchmarking of terrestrial laser scanning approaches for forest inventories | |
Hamraz et al. | A robust approach for tree segmentation in deciduous forests using small-footprint airborne LiDAR data | |
Wu et al. | Individual tree crown delineation using localized contour tree method and airborne LiDAR data in coniferous forests | |
Li et al. | A dual growing method for the automatic extraction of individual trees from mobile laser scanning data | |
Lee et al. | Adaptive clustering of airborne LiDAR data to segment individual tree crowns in managed pine forests | |
Strîmbu et al. | A graph-based segmentation algorithm for tree crown extraction using airborne LiDAR data | |
Pascual et al. | Object-based semi-automatic approach for forest structure characterization using lidar data in heterogeneous Pinus sylvestris stands | |
Bienert et al. | Application of terrestrial laser scanners for the determination of forest inventory parameters | |
Maltamo et al. | Predicting tree attributes and quality characteristics of Scots pine using airborne laser scanning data | |
Gatziolis et al. | Challenges to estimating tree height via LiDAR in closed-canopy forests: A parable from Western Oregon | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
US8577611B2 (en) | System and method for analyzing trees in LiDAR data using views | |
Kandare et al. | Effects of forest structure and airborne laser scanning point cloud density on 3D delineation of individual tree crowns | |
CN111626269B (zh) | 一种实用的大空间范围滑坡提取方法 | |
CN111428784A (zh) | 采用机载激光雷达对落叶林树级参数测定的鲁棒分割方法 | |
Wang et al. | Aerial LIDAR point cloud voxelization with its 3D ground filtering application | |
Farid et al. | Using airborne lidar to discern age classes of cottonwood trees in a riparian area | |
Panagiotidis et al. | Detection of fallen logs from high-resolution UAV images | |
Lin et al. | Three-level frame and RD-schematic algorithm for automatic detection of individual trees from MLS point clouds | |
Wang et al. | Combining trunk detection with canopy segmentation to delineate single deciduous trees using airborne LiDAR data | |
Tesfamichael et al. | A semi-variogram approach for estimating stems per hectare in Eucalyptus grandis plantations using discrete-return lidar height data | |
Zhu et al. | Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering | |
Bortolot | Using tree clusters to derive forest properties from small footprint lidar data | |
WO2023147138A1 (en) | Forestry management system and method |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190903 Assignee: Beijing Dongfang Baolian Technology Co.,Ltd. Assignor: HUNAN INSTITUTE OF TECHNOLOGY Contract record no.: X2023980052699 Denomination of invention: A method for determining tree level parameters of deciduous forests based on small spot airborne radar Granted publication date: 20210402 License type: Common License Record date: 20231215 |
|
EE01 | Entry into force of recordation of patent licensing contract |