CN111414867A - 一种植物地上生物量测算方法 - Google Patents
一种植物地上生物量测算方法 Download PDFInfo
- Publication number
- CN111414867A CN111414867A CN202010215660.7A CN202010215660A CN111414867A CN 111414867 A CN111414867 A CN 111414867A CN 202010215660 A CN202010215660 A CN 202010215660A CN 111414867 A CN111414867 A CN 111414867A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- ground
- visible light
- map
- feature
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种植物地上生物量的测算方法,包括;S1:获取可见光图像数据和地面实测植被地上生物量;S2:建立三维实景图;S3:从三维实景图提取地物高程图和地物分布图,获取两种图的地理位置信息一致;S4:将地物分布图分为植被及非植被分布图区,计算植被分布图区可见光的光谱指数、纹理特征量;在地物高程图中提取出相应的非植被高程图区;S5:对非植被高程图区中的空白区进行数据插补,得到地面高程图;S6:将S3和S5的地物高程图相减得到植被的高度数据分布;S7:获取植被的冠层高度数据,对可见光的光谱指数、纹理特征量以及冠层高度等进行区域统计,得到相关特征量;S8:筛选特征量并结合地面实测植被地上生物量计算出植被地上生物量。
Description
技术领域
本发明涉及一种植物地上生物量测算方法。
背景技术
陆地植物生物量是研究生态系统能量变化和碳储量变化的一个非常重要的指标,因此,对其进行准确测算是非常具有意义的。植物生物量分为地上生物量和地下生物量,地上生物量是指植物在每单位面积上所含的地表以上的干重,目前对其测算的方法主要有地面测量法和遥感估测法。其中,地面测量法虽然精度高,结果可靠,但是其耗时费力,适合小规模,且对植物具有破坏性。遥感估测法主要依赖卫星遥感图像和地面实测生物量数据,通过回归统计法或机器学习算法等构建生物量模型,进而实现较大范围的生物量估算和动态分析,但是其估算精度低,而且空间变异性大。
近年来无人机遥感的快速发展,产生了利用无人机遥感图像测算地上生物量的方法,比如,在中国发明专利(CN105842707A)中公开了一种基于无人机遥感图像的草地地上生物量测算方法及装置,其利用无人机遥感图像在一定程度上解决了地面测量费时费力和遥感估测精度差等问题,但是在实际中仍然存在遥感装置的成本高和估算精度差以及方法稳定性低等问题,比如,获取遥感图像的传感器造价成本高,难以通过低成本的普通可见光相机实现,另外,地上生物量计算模型的类型和变量选择未必最优,因此其测算精度有待进一步的提升。
发明内容
为解决以上技术问题,本发明提供以下技术方案:
一种植物地上生物量的测算方法,包括以下步骤:
S1:获取研究区的可见光图像数据集和地面实测植被地上生物量,并对应记录以上数据的地理位置信息;
S2:对可见光图像数据集进行三维重建,得到三维实景模型;
S3:在同一地理坐标系下,从三维实景模型提取研究区的地物高程图和地物分布图;
S4:将地物分布图通过图像识别和分类,将其分为植被分布图区和非植被分布图区,根据非植被分布图区,从S3的地物高程图中提取出相应的非植被高程图区;
S5:结合非植被高程数据,对非植被高程图区中的空白区进行数据插补,以获取植被区的地面高程,从而得到完整的地面高程图;
S6:将S3的地物高程图减去S5得到的地面高程图,得到植被的高度分布图;
S7:对植被的高度分布图进行区域统计,以获取植被的冠层平均高度、最大/最小高度以及冠层体积结构特征量,同时,结合S4获得的植被分布图区对S3的地物分布图中的植被光谱和纹理量进行区域统计计算,获得植被的光谱特征量和纹理特征量;
S8:将植被光谱特征、纹理特征以及结构特征量与地上生物量之间的相关性大小进行比较,从光谱特征、纹理特征以及结构特征中各自筛选出相关性最好的特征量,利用这三个特征量与地面实测植被地上生物量建立反演模型,从而计算出研究区的植被地上生物量。
进一步地,在S1中,所述可见光图像数据集是通过可见光传感器获得的.
进一步地,所述可见光传感器是无人机可见光传感器或手机可见光传感器。
进一步地,所述可见光图像数据集建立三维实景模型的过程是通过摄影测量法实现。
进一步地,反演模型包括线性回归模型、非线性回归或机器学习模型。
本发明的有益效果是:
本发明的植物地上生物量测算方法中具有以下优点:
1.采样成本低,且效率高
本方法在外业采样部分,主要采用可见光图像传感器即可实现图像数据的收集,包括手机相机,无人机相机等。相比于目前应用在生物量监测方面的激光雷达或高光谱相机等传感器,这种可见光传感器的成本较低,实现简单方便。相比于传统地面实测生物量法,该方法在不伤害植物的基础上,能实现短时间大范围的地上生物量测算,这大大提高了精确测量生物量的效率。2.测算精度高,数据可信度高
本方法无论是高精度的三维实景建模环节,还是植物特征量与地上生物量之间多种优化算法模型的建立环节,都在很大程度上提高了植物生物量测算的精度,实验证明,所测的生物量数据可信度高。3.实现动态化生物量监测,且应用广泛
鉴于本方法图像数据获取的低成本和灵活性以及结果的可信度高等特点,因此可满足动态化植物生物量监测要求,同时既能应用于小范围的植物地上生物量测算,还能搭载于各种形式的飞行器在大范围内实现植物生物量的调查,因此其应用范围十分广泛。
附图说明
图1是本发明中植物地上生物量的测算方法流程图;
具体实施方式
见图1,本发明还提供一种植物地上生物量的测算方法,包括以下步骤:
S1:获取研究区的可见光图像数据集和地面实测植被地上生物量,并对应记录以上数据的地理位置信息;
进一步地,在S1中,所述可见光图像数据集是通过可见光传感器获得的,所述可见光传感器是无人机可见光传感器或手机可见光传感器等。
S2:对可见光图像数据集进行三维重建,得到三维实景模型;;
具体地,所述可见光图像数据集建立三维实景模型的过程是通过摄影测量法实现。
S3:在同一地理坐标系下,从三维实景模型提取研究区的地物高程图和地物分布图;
其中,地物高程图包含所有地物的高程数据,反映的是目标区包含地表土壤和植被等所有地物表面高程信息,地物分布图反映研究区中地物分布状况。
S4:将地物分布图通过图像识别和分类,将其分为植被分布图区和非植被分布图区,根据非植被分布图区,从S3的地物高程图中提取出相应的非植被高程图区;。
S5:结合非植被高程数据,对非植被高程图区中的空白区进行数据插补,以获取植被区的地面高程,从而得到完整的地面高程图;
S6:将S3的地物高程图减去S5得到的地面高程图,得到植被的高度分布图;
S7:对植被的高度分布图进行区域统计,以获取植被的冠层平均高度、最大/最小高度以及冠层体积等结构特征量,同时,结合S4获得的植被分布图区对S3的地物分布图中的植被光谱和纹理量进行区域统计计算,获得植被的光谱特征量和纹理特征量;
S8:将植被光谱特征、纹理特征以及结构特征量与地上生物量之间的相关性大小进行比较,从光谱特征、纹理特征以及结构特征中各自筛选出相关性最好的特征量,利用这三个特征量与地面实测植被地上生物量建立反演模型,从而计算出研究区的植被地上生物量;其中,反演模型包括但不限于线性回归模型、非线性回归或机器学习模型等。
本发明具有以下优点:
1.采样成本低,且效率高。
本方法在外业采样部分,主要采用可见光图像传感器即可实现图像数据的收集,包括手机相机,无人机相机等。相比于目前应用在生物量监测方面的激光雷达或高光谱相机等传感器,这种可见光传感器的成本较低,实现简单方便。相比于传统地面实测生物量法,该方法在不伤害植物的基础上,能实现短时间大范围的地上生物量测算,这大大提高了精确测量生物量的效率。
2.测算精度高,数据可信度高。
本方法无论是高精度的三维实景建模环节,还是植物特征量与地上生物量之间多种优化算法模型的建立环节,都在很大程度上提高了植物生物量测算的精度,实验证明,所测的生物量数据可信度高。
3.实现动态化生物量监测,且应用广泛。
鉴于本方法图像数据获取的低成本和灵活性以及结果的可信度高等特点,因此可满足动态化植物生物量监测要求。同时既能应用于小范围的植物地上生物量测算,还能搭载于各种形式的飞行器在大范围内实现植物生物量的调查,因此其应用范围十分广泛。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种植物地上生物量的测算方法,其特征在于:包括以下步骤:
S1:获取研究区的可见光图像数据集和地面实测植被地上生物量,并对应记录以上数据的地理位置信息;
S2:对可见光图像数据集进行三维重建,得到三维实景模型;
S3:在同一地理坐标系下,从三维实景模型提取研究区的地物高程图和地物分布图;
S4:将地物分布图通过图像识别和分类,将其分为植被分布图区和非植被分布图区,根据非植被分布图区,从S3的地物高程图中提取出相应的非植被高程图区;
S5:结合非植被高程数据,对非植被高程图区中的空白区进行数据插补,以获取植被区的地面高程,从而得到完整的地面高程图;
S6:将S3的地物高程图减去S5得到的地面高程图,得到植被的高度分布图;
S7:对植被的高度分布图进行区域统计,以获取植被的冠层平均高度、最大/最小高度以及冠层体积结构特征量,同时,结合S4获得的植被分布图区对S3的地物分布图中的植被光谱和纹理量进行区域统计计算,获得植被的光谱特征量和纹理特征量;S8:将植被光谱特征、纹理特征以及结构特征量与地上生物量之间的相关性大小进行比较,从光谱特征、纹理特征以及结构特征中各自筛选出相关性最好的特征量,利用这三个特征量与地面实测植被地上生物量建立反演模型,从而计算出研究区的植被地上生物量。
2.根据权利要求1的所述测算方法,其特征在于:在S1中,所述可见光图像数据集是通过可见光传感器获得的。
3.根据权利要求2的所述测算方法,其特征在于:所述可见光传感器是无人机可见光传感器或手机可见光传感器。
4.根据权利要求1的所述测算方法,其特征在于:所述可见光图像数据集建立三维实景模型的过程是通过摄影测量法实现。
5.根据权利要求1的所述测算方法,其特征在于:反演模型包括线性回归模型、非线性回归或机器学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215660.7A CN111414867A (zh) | 2020-03-24 | 2020-03-24 | 一种植物地上生物量测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215660.7A CN111414867A (zh) | 2020-03-24 | 2020-03-24 | 一种植物地上生物量测算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111414867A true CN111414867A (zh) | 2020-07-14 |
Family
ID=71494715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010215660.7A Pending CN111414867A (zh) | 2020-03-24 | 2020-03-24 | 一种植物地上生物量测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414867A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860328A (zh) * | 2020-07-21 | 2020-10-30 | 杭州时光坐标影视传媒股份有限公司 | 一种基于双向反射函数和森林场景光照效果建模的生物量估算方法 |
CN113063742A (zh) * | 2021-03-24 | 2021-07-02 | 和数科技(浙江)有限公司 | 一种植被生物量测量方法、系统、存储介质及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839979A (zh) * | 2010-04-22 | 2010-09-22 | 中国农业大学 | 作物冠层植被指数测量方法及装置 |
CN105513096A (zh) * | 2015-11-18 | 2016-04-20 | 青岛农业大学 | 一种冬小麦生物量估算方法 |
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 |
US20200034616A1 (en) * | 2018-07-26 | 2020-01-30 | Scientific Cal Ag, Inc. | Method of Crop Analysis using Drone with Flying and Driving Capability |
-
2020
- 2020-03-24 CN CN202010215660.7A patent/CN111414867A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839979A (zh) * | 2010-04-22 | 2010-09-22 | 中国农业大学 | 作物冠层植被指数测量方法及装置 |
CN105513096A (zh) * | 2015-11-18 | 2016-04-20 | 青岛农业大学 | 一种冬小麦生物量估算方法 |
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 |
US20200034616A1 (en) * | 2018-07-26 | 2020-01-30 | Scientific Cal Ag, Inc. | Method of Crop Analysis using Drone with Flying and Driving Capability |
Non-Patent Citations (3)
Title |
---|
ALEXANDER N. V. GRAHAM ET AL: ""Effect of ground surface interpolation methods on the accuracy of forest attribute modelling using unmanned aerial systems-based digital aerial photogrammetry"", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
杨俊 等: ""小麦生物量及产量与无人机图像特征参数的相关性"", 《农业工程学报》 * |
许子乾等: ""集成高分辨率UAV影像与激光雷达点云的亚热带森林林分特征反演"", 《植物生态学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860328A (zh) * | 2020-07-21 | 2020-10-30 | 杭州时光坐标影视传媒股份有限公司 | 一种基于双向反射函数和森林场景光照效果建模的生物量估算方法 |
CN113063742A (zh) * | 2021-03-24 | 2021-07-02 | 和数科技(浙江)有限公司 | 一种植被生物量测量方法、系统、存储介质及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108020211B (zh) | 一种无人机航空摄影估测入侵植物生物量的方法 | |
CN110221311B (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
CN114037911B (zh) | 一种顾及生态分区的大尺度森林高度遥感反演方法 | |
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 | |
Piras et al. | Detailed geological mapping in mountain areas using an unmanned aerial vehicle: application to the Rodoretto Valley, NW Italian Alps | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN113034689A (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
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 | |
CN113920262B (zh) | 一种增强边缘取样与改进Unet模型的矿区FVC计算方法及系统 | |
CN114781011A (zh) | 一种像素级全球森林碳储量高精度计算方法及系统 | |
CN109670789B (zh) | 一种用于生产建设项目水土保持的遥感监测系统 | |
Zhou et al. | Comparison of UAV-based LiDAR and digital aerial photogrammetry for measuring crown-level canopy height in the urban environment | |
CN111414867A (zh) | 一种植物地上生物量测算方法 | |
Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
Spanò et al. | GIS-based detection of terraced landscape heritage: Comparative tests using regional DEMs and UAV data | |
Yang et al. | Airborne LiDAR and photogrammetric point cloud fusion for extraction of urban tree metrics according to street network segmentation | |
CN117611978A (zh) | 一种土地资源测绘数据库的构建方法及系统 | |
Chen et al. | Urban land surface temperature retrieval from high spatial resolution thermal infrared image using a modified split-window algorithm | |
Lei et al. | Using high-resolution imagery acquired with an autonomous unmanned aerial vehicle for urban construction and planning | |
CN112686988B (zh) | 三维建模方法、装置、电子设备及存储介质 | |
Brigante et al. | USE OF MULTISPECTRAL SENSORS WITH HIGH SPATIAL RESOLUTION FOR TERRITORIAL AND ENVIRONMENTAL ANALYSIS. | |
Liu et al. | The geomorphometry of rainfall-induced landslides in taiwan obtained by airborne lidar and digital photography | |
Sohail et al. | Spatio-temporal analysis of land use dynamics and its potential implications on land surface temperature in lahore district, punjab, pakistan | |
CN109871552B (zh) | 一种不同深度的土壤温度估算方法 | |
Huang et al. | Integration of remote sensing and GIS for evaluating soil erosion risk in Northwestern Zhejiang, China |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |