CN110554406B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110554406B
CN110554406B CN201910857028.XA CN201910857028A CN110554406B CN 110554406 B CN110554406 B CN 110554406B CN 201910857028 A CN201910857028 A CN 201910857028A CN 110554406 B CN110554406 B CN 110554406B
Authority
CN
China
Prior art keywords
point cloud
aerial vehicle
unmanned aerial
height
forest
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
Application number
CN201910857028.XA
Other languages
English (en)
Other versions
CN110554406A (zh
Inventor
曹林
杨康
刘浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201910857028.XA priority Critical patent/CN110554406B/zh
Publication of CN110554406A publication Critical patent/CN110554406A/zh
Application granted granted Critical
Publication of CN110554406B publication Critical patent/CN110554406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了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，属于森林资源监测、生态因子调查及生物多样性研究等领域。本发明借助无人机对次生林采集影像数据，对影像数据进行影像匹配，影像拼接，获取稀疏点云；对稀疏点云加密，获取加密点云；借助无人机搭载的激光雷达获取的数字地形模型对加密点云进行归一化，获取归一化摄影测量点云数据；对归一化摄影测量点云数据提取点云特征变量；优选点云特征变量，借助地面实测数据建立多元回归模型反演林分特征，实现了高质量地反演森林结构参数。

Description

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
技术领域
本发明属于森林资源监测、生态因子调查及生物多样性研究等领域，更具体地说，涉及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。
背景技术
实时、定量、精确地监测森林结构参数，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。传统的森林结构参数调查方法主要依赖于在地面上对树高，胸径等森林结构信息进行调查，其工作量较大，且会耗费大量的人力和物力成本。无人机摄影测量技术作为主动遥感技术，通过搭载可见光(RGB)/多光谱相机，能够灵活地、低成本地获取森林的影像点云数据、光谱信息及冠层三维结构信息。基于无人机摄影测量技术逐步应用于森林信息获取中。摄影测量技术通过飞行平台搭载航摄仪器获取连续的高分辨率影像，利用影像匹配算法生成三维摄影测量点云，提供森林冠层结构信息。无人机以其低成本、高灵活性的优势，为获取高空间分辨率和高时间分辨率的影像数据提供技术支持，结合无人机和摄影测量技术可实现对森林结构参数的反演。
近年来，基于摄影测量点云对森林结构参数进行反演的研究为：Naesset 2002年在《Scandinavian Journal of Forest Research》第17卷发表的“Determination of MeanTree Height of Forest Stands by Digital Photogrammetry”，该研究借助摄影测量数据，构建了回归模型以反演森林结构参数。Panagiotidis等2016年在《InternationalJournal of Remote Sensing》第38卷上发表的“Determining tree height and crowndiameter from high-resolution UAV imagery”，借助了无人机摄影测量点云数据，构建冠层高度模型来提取树高和冠幅信息。然而，以上方法均未使用高精度的数字地形模型以归一化点云数据，同时，更未深入利用三维结构特征变量进行结构参数反演。
发明内容
针对现有技术存在的上述问题，本发明所要解决的技术问题在于提供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，使用高精度的数字地形模型以归一化点云数据，同时利用三维结构特征变量进行结构参数反演，实现高质量地反演森林结构参数。
为了解决上述技术问题，本发明所采用的技术方案如下：
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，包括：借助无人机对次生林采集影像数据，对影像数据进行影像匹配，影像拼接，获取稀疏点云；对稀疏点云加密，获取加密点云；借助无人机搭载的激光雷达获取的数字地形模型对加密点云进行归一化，获取归一化摄影测量点云数据；对归一化摄影测量点云数据提取点云特征变量；优选点云特征变量，借助地面实测数据建立多元回归模型反演林分特征，并检验精度。
优选地，所述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，包括如下步骤：
1)借助无人机采集具有一定重叠率的影像数据，在地面设置并采集控制点；设置地面样地，并在样地中记录单个树木的胸径和树高、统计和记录Lorey’s树高和蓄积量，作为地面实测数据；
2)对获取的无人机影像数据进行特征点提取，然后进行影像匹配，影像拼接，获取稀疏点云；
3)利用空中三角加密的方法对稀疏点云加密，获取加密点云；
4)借助机载激光雷达获取的数字地形模型对加密点云数据进行归一化，获取归一化摄影测量点云数据；
5)对归一化摄影测量点云数据提取点云特征变量，包括高度特征变量、密度特征变量和剖面特征变量；
6)优选点云特征变量，借助地面实测数据建立多元回归模型反演林分特征；
7)检验多元回归模型精度。
优选地，步骤2)中，首先将控制点坐标导入数字影像，进行几何校正，并提取每幅影像的特征点；通过光束法平差进行影像外方位元素的解析，完成图像标定，并生成稀疏点云。
优选地，步骤4)中，借助无人机搭载的激光雷达点云，通过滤波算法去除非地面点，然后利用反距离加权法对地面点进行插值，生成数字高程模型；并利用生成的数字高程模型，对加密点云进行归一化，生成归一化摄影测量点云数据。
优选地，所述数字高程模型的空间分辨率为1m。
优选地，步骤5)中，所述高度特征变量描述的是与点云高度相关高度百分位数(H25，H50，H75，H95)，高度平均值(Hmean)，高度最大值(Hmax)，高度最小值(Hmin)和高度变异系数(Hcv)；所述密度特征变量描述的是相应高度等级以上的点云数量与总点云数的比值(d3，d5，d7，d9)。
优选地，步骤5)中，所述剖面特征变量包括：冠层高度分布剖面的Weibull分布函数拟合参数(α，β)以及冠层开放层、透光层、低光层和封闭层各结构类别体积所占比值。
优选地，步骤6)中，通过相关性分析优选特征变量，选择特征变量与森林参数之间相关性大于0.2的作为建模候选特征变量；通过构建多元逐步回归建立各森林参数反演模型，如果自变量使统计量F值过小且t检验达不到显著水平(p＞0.1)，则不允许进入模型；F值较大且t检验达到显著水平(p＜0.05)则允许进入模型；
优选地，步骤7)中，使用决定系数(R2)、调整决定系数(Adj-R2)均方根误差(RMSE)和相对均方根误差(rRMSE)来评价多元回归模型精度。
有益效果：相比于现有技术，本发明的优点为：
(1)以往方法都未利用高精度的数字地形模型，得到的归一化点云数据精度不高，进而影响了点云特征变量及预测模型的效果，而本方法则是借助机载激光雷达点云提取高精度数字地形模型，提高了归一化点云数据的精度；
(2)本方法全面提取了点云三维结构特征变量，并进行了特征变量优选，从而实现高质量地反演森林结构参数，通过本发明对次生林结构参数反演，与使用其他相近遥感方法进行反演相比，其总体精度提升了5％以上；
(3)本发明不仅有效降低了森林调查的成本，方法也易于进行移植。
附图说明
图1为样地实测值与预测模型估算值的散点图(虚线为1∶1线)；a代表Lorey’s树高，b代表蓄积量。
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。
实施例1：
实验区位于江苏省南京市紫金山余脉牛山，地理坐标范围为118.81°E-118.82°E，32.08°N-32.09°N，总面积约为14hm2，高程为16-40m。该区属北亚热带湿润气候，平均降雨量1106.5毫米，相对湿度76％，无霜期237天。研究区土壤类型大多为黄棕壤和石灰岩土，林木多为过成熟林，林分结构稳定，且成林时间较长，目前年生长率较低。主要森林为亚热带常绿落叶混交林，主要树种为榉树(Zelkova serrata)、构树(Broussonetia papyrifera)、女贞(Ligustrum lucidum)、青檀(Pteroceltis tatarinowii)等阔叶树，另有少量雪松(Cedrus deodara)、圆柏(Juniperuts chinensis)、柳杉(Cryptomeria japonicavar.sinensis)等针叶树。
借助无人机采集具有一定重叠率的影像数据，航向重叠度为90％，旁向重叠度为80％。在地面设置并采集控制点。设置地面样地，并在样地中记录胸径、树高信息，统计各森林参数，包括Lorey’s树高和蓄积量。
数据预处理时，首先将控制点坐标导入数字影像，进行几何校正，并提取每幅影像的特征点。通过光束法平差进行影像外方位元素的解析，完成图像标定，并生成稀疏点云。然后通过空中三角加密的方法对点云进行加密，生成加密点云。借助无人机搭载的激光雷达点云，通过滤波算法去除非地面点，然后利用反距离加权法对地面点进行插值，生成数字高程模型(空间分辨率为1m)。并利用生成的数字高程模型，对加密点云进行归一化，生成归一化摄影测量点云数据。
特征变量提取。本研究基于归一化摄影测量点云数据，提取高度特征变量、密度特征变量和剖面特征变量。高度特征变量描述的是与点云高度相关高度百分位数(H25，H50，H75，H95)，高度平均值(Hmean)，高度最大值(Hmax)，高度最小值(Hmin)和高度变异系数(Hcv)。密度特征变量描述的是相应高度等级以上的点云数量与总点云数的比值(d3，d5，d7，d9)。冠层高度分布剖面是包含枝叶及非光合作用组织在垂直结构上点云密度的分布情况，用一定高度间隔内点云数量与总点云数的比值表示。并通过双参数(α，β)的Weibull函数拟合冠层高度分布剖面。冠层容积特征变量是将一个样地的点云体积化后，再划分成垂直列的体素，并且每列进一步分为四个冠层结构类。每个冠层结构类别根据高度间隔的体积百分比来计算，并进一步分为开放层(Open gap)，透光层(Oligophotic)，低光层(Euphotic)和封闭层(Closed gap)四个冠层结构类别。特征变量汇总见表1。
表1点云特征变量表
Figure BDA0002198056920000051
通过相关性分析优选特征变量，选择特征变量与森林参数之间相关性大于0.2的作为建模候选特征变量。
通过构建多元逐步回归建立各森林参数反演模型，如果自变量使统计量F值过小且t检验达不到显著水平(p＞0.1)，则不允许进入模型；F值较大且t检验达到显著水平(p＜0.05)则允许进入模型。预测模型结果见表2。模型预测结果与样地实测值对比图见图1。图1表明这两个森林结构参数预测精度较高。说明该发明能够有效降低成本、提高效率并以较高精度获取森林结构参数。
表2预测模型结果及精度评价表
森林结构参数 反演模型 R2 Adj-R2 rRMSE(％)
Lorey’s树高 H＝-0.197H25+1.345H50-13.188d3+7.54 0.86 0.80 9.5
蓄积量 V＝35.885H25+316.087d5+1304.183d9-590.207 0.76 0.67 36.95
使用决定系数(R2)、调整决定系数(Adj-R2)均方根误差(RMSE)和相对均方根误差(rRMSE)来评价回归模型的精度。

Claims (6)

1.一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，其特征在于，包括如下步骤：
1）借助无人机对次生林采集具有一定重叠率的影像数据，在地面设置并采集控制点；设置地面样地，并在样地中记录单个树木的胸径和树高、统计和记录Lorey’s树高和蓄积量，作为地面实测数据；
2）将控制点坐标导入数字影像，进行几何校正，对无人机影像数据的特征点进行提取；通过光束法平差进行影像外方位元素的解析，完成图像标定，生成稀疏点云；
3）利用空中三角形加密的方法对稀疏点云加密，获取加密点云；
4）借助无人机搭载的激光雷达点云，通过滤波算法去除非地面点，然后利用反距离加权法对地面点进行插值，生成数字高程模型；利用该模型对加密点云进行归一化，获取归一化摄影测量点云数据；
5）提取归一化摄影测量点云数据的点云特征变量，包括高度特征变量、密度特征变量和剖面特征变量；
6）优先点云特征变量，借助地面实测数据建立多元回归模型反演林分特征；
7）检验多元回归模型精度。
2.根据权利要求1所述的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，其特征在于，步骤4）中，所述数字高程模型的空间分辨率为1m。
3.根据权利要求1所述的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，其特征在于，步骤5）中，所述高度特征变量描述的是与点云高度相关高度百分位数，高度平均值，高度最大值，高度最小值和高度变异系数；所述密度特征变量描述的是相应高度等级以上的点云数量与总点云数的比值。
4.根据权利要求1所述的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，其特征在于，步骤5）中，所述剖面特征变量包括：冠层高度分布剖面的Weibull分布函数拟合参数以及冠层开放层、透光层、低光层和封闭层各结构类别体积所占比值。
5.根据权利要求1所述的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，其特征在于，步骤6）中，通过相关性分析优选特征变量，选择特征变量与森林参数之间相关性大于0.2的作为建模候选特征变量；通过构建多元逐步回归建立各森林参数反演模型，如果自变量使统计量F值过小且t检验达不到显著水平，则不允许进入模型；F值较大且t检验达到显著水平则允许进入模型。
6.根据权利要求1所述的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，其特征在于，步骤7）中，使用决定系数、调整决定系数均方根误差和相对均方根误差来评价多元回归模型精度。
CN201910857028.XA 2019-09-10 2019-09-10 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 Active CN110554406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910857028.XA CN110554406B (zh) 2019-09-10 2019-09-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910857028.XA CN110554406B (zh) 2019-09-10 2019-09-10 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

Publications (2)

Publication Number Publication Date
CN110554406A CN110554406A (zh) 2019-12-10
CN110554406B true CN110554406B (zh) 2023-07-04

Family

ID=68739948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910857028.XA Active CN110554406B (zh) 2019-09-10 2019-09-10 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

Country Status (1)

Country Link
CN (1) CN110554406B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767864A (zh) * 2020-06-30 2020-10-13 北部湾大学 一种反演红树林群落对地貌沉积过程的响应方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108007438A (zh) * 2017-12-01 2018-05-08 云南大学 无人机航空摄影遥感湿地植物生物量的估测方法
CN108896021A (zh) * 2018-08-03 2018-11-27 南京林业大学 基于航空摄影测量点云提取人工林林分结构参数的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108007438A (zh) * 2017-12-01 2018-05-08 云南大学 无人机航空摄影遥感湿地植物生物量的估测方法
CN108896021A (zh) * 2018-08-03 2018-11-27 南京林业大学 基于航空摄影测量点云提取人工林林分结构参数的方法

Also Published As

Publication number Publication date
CN110554406A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
Guo et al. Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping
Kalisperakis et al. Leaf area index estimation in vineyards from UAV hyperspectral data, 2D image mosaics and 3D canopy surface models
Bareth et al. A comparison of UAV-and TLS-derived plant height for crop monitoring: using polygon grids for the analysis of crop surface models (CSMs)
Bendig et al. UAV-based imaging for multi-temporal, very high resolution crop surface models to monitor crop growth variability
CN104656098B (zh) 一种遥感森林生物量反演的方法
CN111553245A (zh) 基于机器学习算法和多源遥感数据融合的植被分类方法
Noordermeer et al. Direct and indirect site index determination for Norway spruce and Scots pine using bitemporal airborne laser scanner data
CN109212505B (zh) 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法
CN108594262A (zh) 一种结合无人机和地基激光雷达提取树高的方法
CN110988909B (zh) 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法
CN108981616B (zh) 一种由无人机激光雷达反演人工林有效叶面积指数的方法
CN112287892A (zh) 基于无人机高光谱和机器学习算法的乔木生物量测算方法
CN108896021B (zh) 基于航空摄影测量点云提取人工林林分结构参数的方法
He et al. Using LiDAR data to measure the 3D green biomass of Beijing urban forest in China
Liu et al. Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements
CN111091079A (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
Song et al. Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data
Hu et al. Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China
CN112906719A (zh) 基于消费级深度相机的立木因子测量方法
CN110610438B (zh) 一种农作物冠层叶柄夹角计算方法及系统
Pádua et al. UAS-based imagery and photogrammetric processing for tree height and crown diameter extraction
CN114140691B (zh) 基于无人机可见光图像预测作物倒伏角度和形态的方法
Yin et al. Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges
Wei et al. Dynamic simulation of leaf area index for the soybean canopy based on 3D reconstruction

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