CN110988909B - 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 - Google Patents
基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 Download PDFInfo
- Publication number
- CN110988909B CN110988909B CN201911414981.3A CN201911414981A CN110988909B CN 110988909 B CN110988909 B CN 110988909B CN 201911414981 A CN201911414981 A CN 201911414981A CN 110988909 B CN110988909 B CN 110988909B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- point cloud
- coverage
- vegetation coverage
- chm
- 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 32
- 239000004576 sand Substances 0.000 title claims abstract description 21
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 5
- 238000002592 echocardiography Methods 0.000 claims description 5
- 230000000750 progressive effect Effects 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 12
- 238000011835 investigation Methods 0.000 abstract description 11
- 238000011084 recovery Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000647168 Artemisia wellbyi Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000005747 Carum carvi Nutrition 0.000 description 1
- 240000000467 Carum carvi Species 0.000 description 1
- 241000362324 Corethrodendron scoparium Species 0.000 description 1
- 241001563696 Orinus Species 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WHGYBXFWUBPSRW-FOUAGVGXSA-N beta-cyclodextrin Chemical compound OC[C@H]([C@H]([C@@H]([C@H]1O)O)O[C@H]2O[C@@H]([C@@H](O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O[C@H]3O[C@H](CO)[C@H]([C@@H]([C@H]3O)O)O3)[C@H](O)[C@H]2O)CO)O[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@@H]3O[C@@H]1CO WHGYBXFWUBPSRW-FOUAGVGXSA-N 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开一种利用地基激光雷达进行高寒脆弱区沙地样方尺度的植被盖度的测定方法,属于森林资源监测和生态因子调查领域。植被盖度是指植物枝叶所覆盖土地的垂直投影面积,本研究提出结合二维冠层高度模型(CHM)和三维点云的植被盖度提取方法,针对样方尺度,讨论了适宜提取高寒沙地区域的灌丛植被盖度的分辨率,选择合适分辨率的冠层高度模型进行样方尺度植被盖度的精准提取。本发明通过对沙地人工植被三维点云信息的获取和处理,能够在减少样地传统调查的基础上精准获取样地植被盖度信息,从而对于高寒沙地区域的植被恢复状况有更好的把握,并为多维信息表达的沙地植被恢复和生态功能恢复提供技术支持。
Description
技术领域
本发明属于森林资源动态监测技术领域,具体涉及一种基于TLS进行高寒脆弱区沙地植被样方尺度的植被盖度测定方法。
背景技术
植被盖度是森林资源调查的重要因子,也是反映森林结构和环境的重要因子。对高寒脆弱地区的植被盖度的精确提取,对该地区从植被水平覆盖角度推进生态服务功能与价值精确核算、提高生物多样性监测精度具有重要实践参考意义。通常对于植被盖度参数的获取主要依赖于野外调查及大比例尺航片判读等,其工作量较大,主观性大。Smith等表示采用快速的野外调查方法会使植被盖度测量的偏差达到20%,而通过大比例尺航片判读获取的植被盖度常用作验证数据。
近年来,激光雷达(Light Detection and Ranging,LiDAR)作为一种新兴的主动遥感技术,越来越多地运用于森林资源调查。而地基激光雷达(Terrestrial LiDAR,TLS)的出现和发展,克服了传统野外调查和监测需要大量人力物力的不利影响,特别是在青藏高原高寒缺氧和偏远地区,具有明显的数据获取优势,其获取的毫米级精度的点云数据,在样地尺度的植被盖度提取方面有着独特的优势。研究表明,利用高密度点云数据进行植被盖度估算,平均每平方米一个点的密度就可以得到较好的计算精度(90%以上)。但发现利用TLS对于低高度生态系统的植被盖度的研究较少,且受到区域环境和植被结构参数评价指标的影响,精准确定该地区的植被盖度仍具有一定的挑战性。
发明内容
发明目的:针对现有技术存在的不足,本发明的目的是提供一种基于TLS进行高寒脆弱区沙地植被的植被盖度测定方法。通过对沙地人工植被三维点云信息的获取和处理,能够在减少样地传统调查的基础上精准获取样地植被盖度信息,从而对于高寒沙地区域的植被恢复状况有更好的把握,并为多维信息表达的沙地植被恢复和生态功能恢复提供技术支持。
技术方案:为了实现上述发明目的,本发明采用的技术方案如下:
一种利用地基激光雷达(TLS)进行高寒脆弱区沙地样方尺度的植被盖度的测定方法,其特征在于:对TLS获取的点云数据进行高精度的冠层高度模型(CHM)提取,对CHM的分辨率进行一定的细化,结合低高度生态系统植被的基本结构特征(即低高度)和三维点云提取的植被盖度,选择合适的CHM分辨率进行植被盖度精准估算。具体包括以下步骤:
(1)采用地基激光雷达扫描仪获取待检测区域内的LiDAR点云数据;
(2)数据预处理:进行扫描多站点云数据间的配准,通过选取控制点进行粗拼接,然后通过迭代最近点算法进行自动精拼接;对拼接完的数据进行样地数据的截取;
(3)利用激光接收回波的强度信息和波形数据,并结合设备获取对应的高分辨率的光学影像进行滤波分类;并得到样地的不同分辨率的冠层高度模型(CHM);
(4)对不同分辨率下的CHM进行像元高度阈值判断,统计高于高度阈值的像元个数,得出植被盖度随CHM分辨率的变化图;
(5)对三维点云数据,利用回波信息计算冠层回波占所有回波的比例,计算基于三维点云数据的植被盖度。
(6)将基于点云数据和基于CHM栅格数据的植被盖度进行比较,得到植被盖度的比较值。
进一步地,步骤(1)所述地基激光雷达扫描仪为Riegl VZ-400iLiDAR传感器,传感器记录完整的激光脉冲信息,主要包括激光脉冲的回波信息、点云三维信息、点云强度信息和RGB图像附色信息。步骤(2)所述地基点云拼接软件为Riscan Pro,步骤(3)所述点云滤波分析处理软件为LiDAR 360。
进一步地,步骤(2)所述迭代最近点算法通过寻找目标点集与参考点之间的对应关系,进而计算出两个点集之间的最优平移T和旋转R变换参数,将不同坐标系下的点云模型转换到同一坐标系下,使两者之间的配准误差达到最小。
进一步地,步骤(3)滤波分类的具体步骤为:首先,通过统计滤波(SOR)移除噪点和离群点;接着,基于渐进三角网加密(PTD)的滤波方法对地面点和非地面点进行分离;然后,将地面点和去噪后的数据点分别按照TIN插值法得到数字高程模型DEM和数字表面模型DSM,通过CHM=DSM-DEM计算得到冠层高度模型CHM。
所述统计滤波(SOR)的原理是对所有点进行统计分析,计算每个点和其相邻点之间的平均距离,如果距离不在一定范围内,就会被视为噪点而被移除。渐进三角网加密的滤波方法(PTD)的原理是通过形态学开运算得到初始地面种子点,再利用平面拟合移除残差值较大的种子点,通过剩余的地面种子点构建三角网并进行加密得到最终地面点。不规则三角网插值(TIN)的原理是使用Delaunay三角剖分算法,从最近的临近点组成的多个三角形共同形成表面上提取栅格的单元值。
进一步地,步骤(4)中,利用栅格来计算植被盖度,植被盖度的输出范围为0到1,0表示没有植被覆盖/完全裸露,1表示有植被覆盖;首先,CHM的分辨率是指在x和y方向根据一定的距离将点云空间均匀划分为不同的栅格,用高度阈值来区分地面点和灌丛植被点,只有高度大于高度阈值的点才会被判定为植被点,并参与计算。
进行高度阈值判断统计植被点像元时,会发现CHM中会存在无效值,且无效值随着CHM分辨率的提高而不断增加。无效值是指某像元的高度值比相邻像元不正常的低,但这种现象是LiDAR数据的真实表达,且不仅仅是在低矮灌木和树冠边缘回波,树冠内部的地面回波也会导致这种无效值的出现。发现CHM分辨率提升到某一程度时,CHM图像开始出现空洞,无效值激增,这也有冠层间隙(canopy gaps)的影响,因为研究区灌丛相对稀疏,冠层间的间隙是客观存在的。因此认为当某一分辨率下的CHM出现空洞时,提取的植被盖度是最为准确的。当然,由于选择了一定的高度阈值,一定程度上低估了该区域的植被盖度,所以相对可靠的植被盖度应该是一个范围。
进一步地,步骤(5)中,基于三维点云的方法,利用点云的回波信息计算冠层回波的比例,由于本次采集的点云数据均为第一次回波点云,采用第一回波覆盖指数(firstecho cover index,FCI)进行计算植被盖度。计算公式如下:
式中,FCI指第一次回波覆盖指数,可以近似表示垂直冠盖度(vertical canopycove);
First canopy表示第一次回波的冠层点云,
First All表示第一次回波的全部点云,这里采用高度阈值来区分冠层点云。
基于点云的植被盖度提取结果比基于CHM的要低,这是因为基于CHM的方法需要进行栅格化处理,而同时包含冠层和地面回波的栅格极容易被插值视为冠层。从样方点云数据的完整程度以及样方内植被均匀程度两方面的影响对基于CHM提取的植被盖度进行评估。
有益效果:与现有技术相比,本发明具有以下优点:
本发明通过TLS对高寒脆弱区的植被样地进行三维点云信息的获取和处理,得到点云数据进行植被盖度参数的精准提取,通过获取冠层高度模型信息,并结合点云分析技术,类比现有技术中多种LiDAR点云数据处理方法和植被盖度提取方法,得到适合高寒脆弱区低矮灌丛的植被盖度提取办法。
本发明从二维栅格图像和三维点云两个层面进行精度对比,将传统的地面调查和光学遥感估算的方法进行了技术革新。从而对于高寒脆弱区的植被资源分布有更好的把握,达到减少样地调查和提高参数提取精度的目标,并为多维信息表达的沙地植被恢复和生态功能恢复提供技术支持。
附图说明
图1是样地所在位置图和三维点云随高度显示图;
图2为选择的样方的位置图及TLS站点设置图;
图3为各样方基于不同分辨率的CHM提取的植被盖度分布图;
图4为个分辨率下CHM出现无效值和空洞的示意图;
图5为各样方基于三维点云提取的植被盖度分布图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,实施例在以本发明技术方案为前提下进行实施,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例的实施地点位于雅鲁藏布江中游山南地区泽当至桑耶镇的公路北侧(91.324°E,29.181°N),海拔约为3590m,属高原温带半干旱季风气候区。气候以温暖半干旱为特点,年降水量为300~450mm,年均气温6.3~8.7℃,冬春寒冷多风,夏季温暖湿润,雨热同季。自2008年始,林业部门对该样地进行了围栏保护,样地(图1b)主要种群为藏沙蒿(Artemisia wellbyi Hemsl.et Pears.ex Deasy),旁边有小沙丘,其上主要有花棒(Hedysarum scoparium Fisch.et Mey.)和固沙草(Orinus thoroldii(Stapf ex Hemsl.)Bor),样地以北为大面积流动沙丘。
具体包括以下步骤:
(1)采用地基激光雷达扫描仪获取样地的LiDAR点云数据(图1c)。地基激光雷达扫描仪为Riegl VZ-400i LiDAR传感器,传感器记录完整的激光脉冲信息,主要包括激光脉冲的回波信息、点云三维信息、点云强度信息和RGB图像附色信息。
(2)数据预处理:先进行扫描多站点云数据间的配准,通过选取控制点进行粗拼接,然后通过迭代最近点(Itetative Closest Point,ICP)算法进行自动精拼接;ICP算法是通过寻找目标点集与参考点之间的对应关系,进而计算出两个点集之间的最优平移T和旋转R变换参数,将不同坐标系下的点云模型转换到同一坐标系下,使两者之间的配准误差达到最小进行精拼接,得到整个样地的三维点云数据,截取12块样方进行数据分析,如图2所示。
(3)滤波分类:分类利用激光接收回波的强度信息和波形数据,并结合设备获取对应的高分辨率的光学影像进行滤波分类;
滤波分类的具体步骤为:首先,通过统计滤波(SOR)移除噪点和离群点,接着,基于渐进三角网加密的滤波方法(PTD)对地面点和非地面点进行分离。然后将地面点和去噪后的数据点分别按照TIN插值法得到数字高程模型DEM和数字表面模型DSM(分辨率为与DEM相同),通过CHM=DSM-DEM的公式,得到冠层高度模型CHM(分辨率一致)。
统计滤波(SOR)的原理是对所有点进行统计分析,计算每个点和其相邻点之间的平均距离,如果距离不在一定范围内,就会被视为噪点而被移除。渐进三角网加密的滤波方法(PTD)的原理是通过形态学开运算得到初始地面种子点,再利用平面拟合移除残差值较大的种子点,通过剩余的地面种子点构建三角网并进行加密得到最终地面点。不规则三角网插值(TIN)的原理是使用Delaunay三角剖分算法,从最近的临近点组成的多个三角形共同形成表面上提取栅格的单元值。
(4)对不同分辨率下的CHM进行像元高度阈值判断,统计高于高度阈值的像元个数,得出植被盖度随CHM分辨率的变化图;
利用栅格来计算植被盖度,输出范围0到1,0表示没有植被覆盖/完全裸露,1表示有植被覆盖;首先,CHM的分辨率是指在x和y方向根据一定的距离将点云空间均匀划分为不同的栅格,用高度阈值来区分地面点和灌丛植被点,只有高度大于高度阈值的点才会被判定为植被点,并参与计算。
本实施例如图3所示基于二维的CHM栅格数据,通常而言,CHM的分辨率越高,得到的植被盖度越准确,先选择从1cm到10cm的分辨率范围,以1cm为一个梯度对12块样方进行CHM数据获取,设定0.1m的高度阈值对植被盖度进行提取,结果如图3a所示,从10cm到1cm,植被盖度虽在减小,但变化幅度不大。随后选择的从1cm到0.2cm(图3b),下降幅度却达到30%-50%。
这是因为进行高度阈值判断统计植被点像元时,发现CHM中会存在无效值,且无效值随着CHM分辨率的提高而不断增加。无效值是指某像元的高度值比相邻像元不正常的低,但这种现象是LiDAR数据的真实表达,且不仅仅是在低矮灌木和树冠边缘回波,树冠内部的地面回波也会导致这种无效值的出现。发现CHM分辨率提升到某一程度时,CHM图像开始出现空洞(图4),无效值激增,当然这也有冠层间隙(canopy gaps)的影响,因为研究区灌丛相对稀疏,冠层间的间隙是客观存在的。因此认为当某一分辨率下的CHM出现空洞时,提取的植被盖度是最为准确的。当然,由于选择了一定的高度阈值,一定程度上低估了该区域的植被盖度,所以相对可靠的植被盖度是一个范围。
(5)对三维点云数据,利用回波信息计算冠层回波占所有回波的比例,计算基于三维点云数据的植被盖度。
基于三维点云的方法,利用点云的回波信息计算冠层回波的比例,由于本次采集的点云数据均为第一次回波点云,采用第一回波覆盖指数(first echo cover index,FCI)进行计算植被盖度。计算公式如下:
式中,FCI是指第一次回波覆盖指数,可以近似表示垂直冠盖度(vertical canopycove),本发明中近似看作植被盖度。First canopy表示第一次回波的冠层点云,First All表示第一次回波的全部点云,这里采用高度阈值来区分冠层点云。
(6)将基于点云数据和基于CHM栅格数据的植被盖度进行比较,得到植被盖度的比较值。
本实施例将基于点云数据和基于CHM栅格数据提取12块样地的植被盖度进行比较(1cm的分辨率),如图5所示,总的来说,基于点云提取的植被盖度要略小于基于CHM提取的,且两者吻合程度不高,R2只有0.333,发现其差异是受到样方点云数据完整度以及样方内植被均匀情况的影响,数据完整度高以及植被均匀程度高的样方(8-12号)与基于CHM提取的植被盖度高度相关。
本发明以本实施例为例,并不是CHM的分辨率约小,得到的植被盖度就越精确,本案例中的植被盖度的最大值是2cm分辨率CHM下的植被盖度值,最小值是1cm分辨率CHM下的植被盖度值,原因是受到冠层间隙和高度阈值的影响。当然CHM的优化也是可以进行的,即区分无效值和冠层间隙,填充无效值保留冠层间隙从未达到提高CHM反映冠层表面精准度的目的,但是经验证,提升的精度不是很明显,没有达到的预期。因此认为当某一分辨率下的CHM出现空洞时,提取的植被盖度具有一定的可靠性。本发明通过借鉴和类比现有技术中多种LiDAR点云数据处理方法,得到适合高寒脆弱区的样地尺度植被盖度参数的提取办法,既能满足传统调查要求的需求指标,减少了传统地面测量的需求,在满足测量要求的同时提高了提取效率和精度。
基于CHM数据提取植被盖度的原理和航片目视解译类似,可以作为植被盖度的验证数据。通过本发明,希望在样地尺度,基于TLS点云数据的CHM栅格图像精准获取高寒脆弱区的植被盖度参数验证数据,并结合基于TLS三维点云数据提取的植被盖度参数进行综合评价,从而建立基于TLS点云的高寒脆弱区的样地尺度植被盖度的标准方法,这也是TLS点云植被结构多维测度亟待解决的基础与关键问题。因为植被盖度和植被结构分布的研究对高寒脆弱区的植被恢复和防风固沙有着极大的作用。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于TLS进行高寒脆弱区沙地植被的植被盖度测定方法,其特征在于:对TLS获取的点云数据进行高精度的冠层高度模型提取,对冠层高度模型的分辨率进行细化,结合低高度生态系统植被的基本结构特征和三维点云提取的植被盖度,选择合适的CHM分辨率进行植被盖度的估算;包括以下步骤:
(1)采用地基激光雷达扫描仪获取待检测区域内的LiDAR点云数据;
(2)数据预处理:进行扫描多站点云数据间的配准,通过选取控制点进行粗拼接,然后通过迭代最近点算法进行自动精拼接;对拼接完的数据进行样地数据的截取;
(3)利用激光接收回波的强度信息和波形数据,并结合设备获取对应的高分辨率的光学影像进行滤波分类;并得到样地的不同分辨率的冠层高度模型CHM;
(4)对不同分辨率下的冠层高度模型进行像元高度阈值判断,统计高于高度阈值的像元个数,得出植被盖度随冠层高度模型分辨率的变化图;
利用栅格来计算植被盖度,植被盖度的输出范围为0到1,0表示没有植被覆盖/完全裸露,1表示有植被覆盖;CHM的分辨率是指在x和y方向根据一定的距离将点云空间均匀划分为不同的栅格,用高度阈值来区分地面点和灌丛植被点,高度大于高度阈值的点被判定为植被点,并参与计算;
进行高度阈值判断统计植被点像元时,CHM中存在某像元的高度值比相邻像元不正常的低的无效值,无效值随着CHM分辨率的提高而不断增加;CHM分辨率提升到某一程度时,CHM图像开始出现空洞,无效值激增,当某一分辨率下的CHM出现空洞时,提取的植被盖度是最为准确,由于选择了一定的高度阈值,低估了该区域的植被盖度,所以可靠的植被盖度是一个范围;
(5)对三维点云数据,利用回波信息计算冠层回波占所有回波的比例,计算基于三维点云数据的植被盖度;
基于三维点云的方法,利用点云的回波信息计算冠层回波的比例,所述点云数据为第一次回波点云,采用第一回波覆盖指数FCI计算植被盖度,计算方式如下:
式中,FCI为第一次回波覆盖指数,近似表示垂直冠盖度;
First canopy为第一次回波的冠层点云;
First All为第一次回波的全部点云,采用高度阈值来区分冠层点云;
(6)将基于点云数据和基于CHM栅格数据的植被盖度进行比较,得到植被盖度的比较值。
2.根据权利要求1所述的基于TLS进行高寒脆弱区沙地植被的植被盖度测定方法,其特征在于:步骤(1)所述地基激光雷达扫描仪为Riegl VZ-400iLiDAR传感器,传感器记录完整的激光脉冲信息,主要包括激光脉冲的回波信息、点云三维信息、点云强度信息和RGB图像附色信息。
3.根据权利要求1所述的基于TLS进行高寒脆弱区沙地植被的植被盖度测定方法,其特征在于:步骤(2)所述迭代最近点算法通过寻找目标点集与参考点之间的对应关系,进而计算出两个点集之间的最优平移T和旋转R变换参数,将不同坐标系下的点云模型转换到同一坐标系下,使两者之间的配准误差达到最小。
4.根据权利要求1所述的基于TLS进行高寒脆弱区沙地植被的植被盖度测定方法,其特征在于:步骤(3)滤波分类的具体步骤为:首先,通过统计滤波移除噪点和离群点;接着,基于渐进三角网加密的滤波方法对地面点和非地面点进行分离;然后,将地面点和去噪后的数据点分别按照TIN插值法得到数字高程模型DEM和数字表面模型DSM,通过CHM=DSM- DEM计算得到冠层高度模型CHM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414981.3A CN110988909B (zh) | 2019-12-31 | 2019-12-31 | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414981.3A CN110988909B (zh) | 2019-12-31 | 2019-12-31 | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110988909A CN110988909A (zh) | 2020-04-10 |
CN110988909B true CN110988909B (zh) | 2023-06-27 |
Family
ID=70079984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911414981.3A Active CN110988909B (zh) | 2019-12-31 | 2019-12-31 | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988909B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066739A (zh) * | 2020-08-05 | 2022-02-18 | 北京万集科技股份有限公司 | 背景点云滤除方法、装置、计算机设备和存储介质 |
CN112396229B (zh) * | 2020-11-16 | 2022-10-18 | 中国科学院东北地理与农业生态研究所 | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 |
CN112700346A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度的确定方法、装置、存储介质和设备 |
CN112859108B (zh) * | 2021-01-28 | 2024-03-22 | 中国科学院南京土壤研究所 | 一种利用地面激光雷达数据提取复杂地形条件下林下植被覆盖度的方法 |
CN113945945B (zh) * | 2021-08-26 | 2024-04-09 | 北京师范大学 | 一种林下植被叶面积指数估算方法 |
CN114548277B (zh) * | 2022-02-22 | 2023-09-08 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106248003A (zh) * | 2016-08-24 | 2016-12-21 | 电子科技大学 | 一种三维激光点云提取植被冠层聚集度指数的方法 |
CN108195736A (zh) * | 2017-12-19 | 2018-06-22 | 电子科技大学 | 一种三维激光点云提取植被冠层间隙率的方法 |
CN109061601A (zh) * | 2018-08-09 | 2018-12-21 | 南京林业大学 | 一种基于无人机激光雷达反演人工林森林结构参数的方法 |
CN110221311A (zh) * | 2019-06-11 | 2019-09-10 | 南京林业大学 | 基于tls和uav自动化提取高郁闭林分树高的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI117490B (fi) * | 2004-03-15 | 2006-10-31 | Geodeettinen Laitos | Menetelmä puustotunnusten määrittämiseksi laserkeilaimen, kuvainformaation ja yksittäisten puiden tulkinnan avulla |
-
2019
- 2019-12-31 CN CN201911414981.3A patent/CN110988909B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106248003A (zh) * | 2016-08-24 | 2016-12-21 | 电子科技大学 | 一种三维激光点云提取植被冠层聚集度指数的方法 |
CN108195736A (zh) * | 2017-12-19 | 2018-06-22 | 电子科技大学 | 一种三维激光点云提取植被冠层间隙率的方法 |
CN109061601A (zh) * | 2018-08-09 | 2018-12-21 | 南京林业大学 | 一种基于无人机激光雷达反演人工林森林结构参数的方法 |
CN110221311A (zh) * | 2019-06-11 | 2019-09-10 | 南京林业大学 | 基于tls和uav自动化提取高郁闭林分树高的方法 |
Non-Patent Citations (4)
Title |
---|
三维激光扫描点云拼接技术研究;罗寒,宋丹妮,程明跃;《工程勘察》;20180801;57-60 * |
基于地基扫描与机载成像激光雷达的森林参数反演研究;李丹;《中国优秀硕士学位论文全文数据库 农业科技辑》;20140715;4-37 * |
基于地基激光雷达的矿山植被生态参数提取研究;吕国屏;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190515;4-30 * |
综合机载与车载LiDAR数据的建筑物三维重建;谢秋平;《中国优秀硕士学位论文全文数据库 信息科技辑》;20161115;5-47 * |
Also Published As
Publication number | Publication date |
---|---|
CN110988909A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Kattenborn et al. | Automatic single tree detection in plantations using UAV-based photogrammetric point clouds | |
Simonse et al. | Automatic determination of forest inventory parameters using terrestrial laser scanning | |
Aschoff et al. | Describing forest stands using terrestrial laser-scanning | |
CN111091079B (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
Ma et al. | DEM refinement by low vegetation removal based on the combination of full waveform data and progressive TIN densification | |
CN107479065B (zh) | 一种基于激光雷达的林窗立体结构量测方法 | |
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 | |
Balenović et al. | Quality assessment of high density digital surface model over different land cover classes | |
Rahman et al. | Tree crown delineation from high resolution airborne lidar based on densities of high points | |
Bandyopadhyay et al. | Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery | |
Alba et al. | Automatic detection of changes and deformation in rock faces by terrestrial laser scanning | |
Pascu et al. | Estimating forest stand structure attributes from terrestrial laser scans | |
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 | |
Alba et al. | Filtering vegetation from terrestrial point clouds with low-cost near infrared cameras | |
Kulawardhana et al. | Airborne lidar remote sensing applications in non-forested short stature environments: a review | |
Wallerman et al. | Forest height estimation using semi-individual tree detection in multi-spectral 3D aerial DMC data | |
CN101464148A (zh) | 三维影像侦测、编修及重建系统 | |
Liu et al. | Architecture planning and geo-disasters assessment mapping of landslide by using airborne LiDAR data and UAV images | |
Xue et al. | Flood monitoring by integrating normalized difference flood index and probability distribution of water bodies | |
Wezyk | The integration of the terrestrial and airborne laser scanning technologies in the semi-automated process of retrieving selected trees and forest stand parameters Integração das tecnologias terrestre e aerotransportada de scanner laser no processo semi | |
CN113724381B (zh) | 一种基于高分遥感影像的动态三维场景快速重建方法 | |
CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
Göpfert et al. | Assessment of LiDAR DTM accuracy in coastal vegetated areas |
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 |