CN111414891B - 基于激光雷达与光学遥感的输电线路通道树高反演方法 - Google Patents
基于激光雷达与光学遥感的输电线路通道树高反演方法 Download PDFInfo
- Publication number
- CN111414891B CN111414891B CN202010266169.7A CN202010266169A CN111414891B CN 111414891 B CN111414891 B CN 111414891B CN 202010266169 A CN202010266169 A CN 202010266169A CN 111414891 B CN111414891 B CN 111414891B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- tree
- remote sensing
- tree height
- 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
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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于激光雷达与光学遥感的输电线路通道树高反演方法,属于遥感技术领域。该方法包括数据预处理、树木分类、植被指数相关性分析、构建不同种类的机器学习模型、训练各类机器学习模型、评估各种模型、树高预测等步骤。本发明方法相比于用单一的遥感数据对输电线路通道树高进行反演,本发明方法采用大光斑激光雷达与光学遥感数据联合,能充分发挥多源遥感的优势,且对不同种类的树木分别构建树高反演模型,能实现更高精度的树高反演效果。
Description
技术领域
本发明属于遥感技术领域,具体涉及一种基于激光雷达与光学遥感的输电线路通道树高反演方法。
背景技术
随着高空间分辨率遥感影像、雷达以及激光雷达数据的不断涌现,遥感技术在电力设备巡检方面的应用由最初的信息提取,障碍类型识别方面向更加精细的方向发展,已经开始用于输电线路通道走廊森林参数提取研究。其中树高是一个重要的树障因子,是决定输电线路通道树木隐患的重要因素。对于光学遥感的多光谱影像以及高光谱影而言,通过提取影像各波段的反射率、植被指数、纹理因子等变量,采用皮尔逊相关系数法提取与树高相关性高的波段或变量,建立传统的回归模型是比较常见的方法。
激光雷达是近年来迅速发展的主动遥感技术,对于森林具有很强的穿透能力,在森林垂直结构信息提取方面相比于光学遥感而言具有显著的优势,为了同时获取森林的水平和垂直结构信息,结合激光雷达与光学遥感数据的森林参数反演方法得到了快速的发展,成为了近年的研究热点。
近年来,冠幅树高模型的研究受到了国内外的关注,研究表明冠幅与树高有着良好的数学关系。然而更多的只是从光学遥感中提取出冠幅进行单一的分析,或者运用激光雷达GLAS数据来反演树高,没有充分利用光学遥感中的植被指数与树高之间的关系对树木进行具体的分类后再建立不同种类树木的机器学习树高预测模型,因而树高预测的精度还有进一步提升的空间。
发明内容
本发明的目的是针对现有树高预测方面的不足,提出了一种基于激光雷达与光学遥感的输电线路通道树高反演方法,所述方法能联合激光雷达与光学遥感数据的优势对不同种类树木分别建立各自的最优机器学习预测模型,有效提升了树高预测的精度,对于输电线路通道的树障安全隐患可以起到更加精确的预防监测作用。
为实现上述目的,本发明采用的技术方案如下:
基于激光雷达与光学遥感的输电线路通道树高反演方法,包括以下步骤:
步骤1、获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据;
步骤2、对原始GLAS数据以及光学遥感影像数据进行预处理及归一化;
步骤3、从归一化后的GLAS波形数据中提取出波形特征参数,从归一化后的ASTERGDEM数据中提取出地形特征参数,从归一化后的光学遥感影像数据中提取出树木的各类植被指数,根据各类植被指数运用支持向量机的方法将树木分成不同的种类,所述的种类包括乔木、灌木和针叶树类;
步骤4、运用面向对象的遥感影像分析法从遥感影像中提取出输电线路通道树木的冠幅,并建立实测冠幅与影像提取冠幅之间的线性回归模型,从而通过提取影像冠幅进而反演出实测冠幅;
步骤5、对不同的植被指数与树高进行相关性分析,并对数据集进行划分,划分出训练集和测试集;
步骤6、构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型,将划分出的训练集输入到上述4个机器学习模型中进行学习;对构建的模型进行精度验证,对模型建模和验证的精度采用决定系数R2和均方根误差RMSE两个指标来评价,对于每种树木,选择R2最接近1,且RMSE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
进一步,优选的是,步骤1中,收集实测数据的样方为450个,每个样方的半径为8m。
进一步,优选的是,所述步骤2的具体过程为:
从激光雷达GLAS数据中提取全波形数据后,对波形依次进行解压缩、电压值转换、波形平滑和噪声估计的预处理;
对光学遥感数据依次进行大气校正、几何纠正、影像裁剪和影像镶嵌的预处理;
检查GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据中是否存在重复观测、缺失值、异常值,若存在重复值将重复值删除,缺失值和异常值用均值进行填充,并对数据进行处理使其接近正态分布;
运用零均值归一化方法对所有经过预处理后的数据进行归一化处理,将原始数据映射到均值为0、标准差为1的分布上。
进一步,优选的是,对数据进行处理使其接近正态分布的方法为:当数据出现右偏时对所有数据取对数,当数据出现左偏时先对数据取相反数之后再取对数。
进一步,优选的是,所述步骤3的具体过程为:
步骤3.1、采用高斯分解方法从GLAS波形数据中提取出波形长度、波形前缘长度和波形后缘长度;
步骤3.2、利用ASTERGDEM提取3×3窗口的地形指数以及地形标准差;
步骤3.3、植被指数的获取:对不同波段的反射率进行数学运算,从而形成一些表征植被参数的值即为植被指数,具体数学计算方法如表1所示:
表1
植被指数 | 计算公式 |
归一化植被指数(NDVI) | NDVI=(NIR-R)/(NIR+R) |
差值植被指数(DVI) | DVI=NIR-R |
增强性植被指数(EVI) | EVI=2.5(NIR-R)/(NIR+6R-7.5B+1) |
归一化差异绿度植被指数(NDGI) | NDGI=(G-R)/(G+R) |
比值植被指数(RVI) | <![CDATA[R<sub>800</sub>/R<sub>670</sub>]]> |
简单比值指数(SR) | NIR/R |
三角形植被指数(TVI) | 0.5[120(NIR-G)-200(R-G)] |
其中,NIR表示近红外波段,R表示可见光红波段,G表示可见光绿波段,B表示可见光蓝波段,R800、R670分别表示波段为800nm和670nm的可见光红波段;
步骤3.4、树木的分类:将上述植被指数作为特征变量运用支持向量机的方法对树木进行分类。
进一步,优选的是,所述步骤4的具体过程为:
步骤4.1、运用均值漂移算法(Mean Shift),将空间特征带宽hs设为10,颜色特征带宽hr设为6,最少区域面积M设为20,从遥感影像中提取出树木的冠幅,之后运用边界平滑算法对提取的冠幅进行平滑处理;
步骤4.2、建立实测冠幅与影像冠幅之间的一元线性回归模型,运用随机梯度下降的方法求解回归系数,当迭代次数大于20000时停止迭代。
进一步,优选的是,所述步骤5的具体过程为:
步骤5.1、所用的相关性分析方法为皮尔逊相关性分析,逐个分析每个植被指数与树高之间相关性程度,通过估算样本的协方差和标准差,可得到样本皮尔逊系数,皮尔逊系数计算公式如下:
根据皮尔逊相关系数界值表,n=60时,当|r|>0.250时,表示在0.05水平上显著,|r|>0.325时,表示在0.01水平上显著,|r|>0.408时,表示在0.001水平上显著;将|r|>0.408的植被指数用于后续数据集的划分;
步骤5.2、数据集的划分:运用随机抽样的方法,将数据集划分为训练集和测试集,训练集和测试集的比例为75%和25%。
对于450个样方,则训练集为338,测试集为112。
进一步,优选的是,步骤6构建4种机器学习模型的输入变量均为波形长度、波形前缘长度、波形后缘长度、地形指数、地形标准差、通过影像冠幅反演的实测冠幅以及皮尔逊系数|r|>0.408的植被指数,模型的详细构建过程为:
步骤6.1、多元线性回归模型:将训练集带入构建多元线性回归模型,使用随机梯度下降算法不断缩小损失函数,当损失函数不再减小时,计算得到对应的回归系数值,最后计算模型的决定系数R2及其在测试集上的RMSE值;
步骤6.2、SVM模型:将训练集带入构建SVM回归模型,在建模时运用网格搜索法对参数C、ε、y做调优处理,使用网格搜索法选择SVM回归中的最佳C值、epsilon值和gamma值,最后计算模型的决定系数R2及其在测试集上的R MSE值;
步骤6.3、随机森林模型:将训练集带入构建随机森林模型,通过10折交叉验证的网格搜索算法得到最优的决策树个数、树的最大深度以及每颗决策树叶节点的最小样本量,最后计算模型的决定系数R2及其在测试集上的RMSE值;
步骤6.4、BP神经网络模型:将训练集带入构建BP神经网络模型,之后运用猫群算法优化BP神经网络权值和阈值,使之保持在最优水平,最后计算模型的决定系数R2及其在测试集上的RMSE值;
对于每种树木,选择R2最接近1,且RESE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
R2越接近1,RESE越小,说明模型精度效果越好,本发明以此确定出不同种类树木的最优模型用于反演树高。
本发明方法首先获取输电线路通道树木光学遥感影像数据与激光雷达GLAS数据以及树木的实测数据,并分别进行预处理和归一化;从光学遥感数据中提取各类植被指数,运用面向对象的遥感影像分析法提取出树木的冠幅,从GLAS波形数据中提取出波形特征参数,ASTER GDEM数据中提取中地形特征参数;根据各类植被指数运用有监督分类的各类方法对树木进行分类;对树高与不同的植被指数进行相关性分析;将波形特征参数、地形特征参数、冠幅以及相关性较高的植被指数作为模型的输入变量分别建立多元线性回归模型、SVM、随机森林、BP神经网络等4种机器学习回归模型并对其进行精度的验证;将预测精度最高的模型作为最终树高的反演模型。
本发明同时提供一种基于激光雷达与光学遥感的输电线路通道树高反演系统,包括:
数据采集模块,用于获取光学遥感影像数据源、激光雷达GLAS数据、AST ERGDEM数据以及地面树木高度和胸径的实测数据;
第一处理模块,用于对原始GLAS数据以及光学遥感影像数据进行预处理及归一化;
第二处理模块,用于从归一化后的GLAS波形数据中提取出波形特征参数,从归一化后的ASTERGDEM数据中提取出地形特征参数,从归一化后的光学遥感影像数据中提取出树木的各类植被指数,根据各类植被指数运用支持向量机的方法将树木分成不同的种类,所述的种类包括乔木、灌木和针叶树类;
第三处理模块,用于运用面向对象的遥感影像分析法从遥感影像中提取出树木的冠幅,并建立实测冠幅与影像提取冠幅之间的线性回归模型,从而通过提取影像冠幅进而反演出实测冠幅;
第四处理模块,用于对不同的植被指数与树高进行相关性分析,并对数据集进行划分,划分出训练集和测试集;
模型构建及反演模块,用于构建多元线性回归、支持向量机、随机森林与B P神经网络4种机器学习回归模型,将划分出的训练集输入到上述4个机器学习模型中进行学习;对构建的模型进行精度验证,对模型建模和验证的精度采用决定系数R2和均方根误差RMSE两个指标来评价,对于每种树木,选择R2最接近1,且RMSE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
本发明同时提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上述基于PCA-SVM模型的配网选线方法的步骤。
本发明与现有技术相比,其有益效果为:
1、本发明将激光雷达GLAS数据与光学遥感数据联合,通过提取激光雷达与光学遥感中与树高相关性高的因子建立树高预测模型实现更高精度的树高反演,充分发挥了多源遥感的优势。
2、本发明将不同种类的树木进行分类,建立适合每一种树木的树高反演模型,且建立多种机器学习模型进行比较,具有一定的应用价值。
3、本发明与《基于大光斑雷达数据与光学遥感数据估算江西省森林树高和森林生物量》,作者廖凯涛的硕士毕业论文的显著区别是,本发明是将树木进行了具体的分类后然后通过GLAS数据、ASTER GDEM数据与植被指数相结合的方式进行树高反演的。本发明对乔木树高反演的R2和RMSE分别为0.75和0.089,对灌木树高反演的R2和RMSE分别为0.78和0.103,对针叶树类的树高反演的R2和RMSE分别为0.76和0.096,相比于与上述论文均有所提升。
附图说明
图1为本发明基于激光雷达与光学遥感的输电线路通道树高反演方法的实施流程;
图2是本发明基于激光雷达与光学遥感的输电线路通道树高反演系统的结构示意图;
图3为本发明电子设备结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
基于激光雷达与光学遥感的输电线路通道树高反演方法实施流程图如图1所示,包括以下步骤:
步骤1、获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据;
步骤2、对原始GLAS数据以及光学遥感影像数据进行预处理及归一化;
步骤3、从归一化后的GLAS波形数据中提取出波形特征参数,从归一化后的ASTERGDEM数据中提取出地形特征参数,从归一化后的光学遥感影像数据中提取出树木的各类植被指数,根据各类植被指数运用支持向量机的方法将树木分成不同的种类,所述的种类包括乔木、灌木和针叶树类;
步骤4、运用面向对象的遥感影像分析法从遥感影像中提取出树木的冠幅,并建立实测冠幅与影像提取冠幅之间的线性回归模型,从而通过提取影像冠幅进而反演出实测冠幅;
步骤5、对不同的植被指数与树高进行相关性分析,并对数据集进行划分,划分出训练集和测试集;
步骤6、构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型,将划分出的训练集输入到上述4个机器学习模型中进行学习;对构建的模型进行精度验证,对模型建模和验证的精度采用决定系数R2和均方根误差RMSE两个指标来评价,对于每种树木,选择R2最接近1,且RMSE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
优选,步骤1中,收集实测数据的样方为450个,每个样方的半径为8m。
优选,所所述步骤2的具体过程为:
从激光雷达GLAS数据中提取全波形数据后,对波形依次进行解压缩、电压值转换、波形平滑和噪声估计的预处理;
对光学遥感数据依次进行大气校正、几何纠正、影像裁剪和影像镶嵌的预处理;
检查GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据中是否存在重复观测、缺失值、异常值,若存在重复值将重复值删除,缺失值和异常值用均值进行填充,并对数据进行处理使其接近正态分布;
运用零均值归一化方法对所有经过预处理后的数据进行归一化处理,将原始数据映射到均值为0、标准差为1的分布上。
其中,对数据进行处理使其接近正态分布的方法为:当数据出现右偏时对所有数据取对数,当数据出现左偏时先对数据取相反数之后再取对数。
优选,所述步骤3的具体过程为:
步骤3.1、采用高斯分解方法从GLAS波形数据中提取出波形长度、波形前缘长度和波形后缘长度;
步骤3.2、利用ASTERGDEM提取3×3窗口的地形指数以及地形标准差;
步骤3.3、植被指数的获取:对不同波段的反射率进行数学运算,从而形成一些表征植被参数的值即为植被指数,具体数学计算方法如表1所示:
表1
植被指数 | 计算公式 |
归一化植被指数(NDVI) | NDVI=(NIR-R)/(NIR+R) |
差值植被指数(DVI) | DVI=NIR-R |
增强性植被指数(EVI) | EVI=2.5(NIR-R)/(NIR+6R-7.5B+1) |
归一化差异绿度植被指数(NDGI) | NDGI=(G-R)/(G+R) |
比值植被指数(RVI) | <![CDATA[R<sub>800</sub>/R<sub>670</sub>]]> |
简单比值指数(SR) | NIR/R |
三角形植被指数(TVI) | 0.5[120(NIR-G)-200(R-G)] |
其中,NIR表示近红外波段,R表示可见光红波段,G表示可见光绿波段,B表示可见光蓝波段,R800、R670分别表示波段为800nm和670nm的可见光红波段;
步骤3.4、树木的分类:将上述植被指数作为特征变量运用支持向量机的方法对树木进行分类。
进一步地,所述步骤4的具体过程为:
步骤4.1、运用均值漂移算法(Mean Shift),将空间特征带宽hs设为10,颜色特征带宽hr设为6,最少区域面积M设为20从遥感影像中提取出树木的冠幅,之后运用边界平滑算法对提取的冠幅进行平滑处理;
步骤4.2、建立实测冠幅与影像冠幅之间的一元线性回归模型,运用随机梯度下降的方法求解回归系数,当迭代次数大于20000时停止迭代;
进一步地、所述步骤5的具体过程为:
步骤5.1、所用的相关性分析方法为皮尔逊相关性分析,逐个分析每个植被指数与树高之间相关性程度,通过估算样本的协方差和标准差,可得到样本皮尔逊系数,皮尔逊系数计算公式如下:
根据皮尔逊相关系数界值表,n=60时,当|r|>0.250时,表示在0.05水平上显著,|r|>0.325时,表示在0.01水平上显著,|r|>0.408时,表示在0.001水平上显著;将|r|>0.408的植被指数用于后续数据集的划分;
步骤5.2、数据集的划分:运用随机抽样的方法,将450个样方划分为训练集和测试集,训练集和测试集的比例为75%和25%,即训练集为338,测试集为112。
进一步地、步骤6构建4种机器学习模型的输入变量均为波形长度、波形前缘长度、波形后缘长度、地形指数、地形标准差、通过影像冠幅反演的实测冠幅以及皮尔逊系数|r|>0.408的植被指数,模型的详细构建过程为:
步骤6.1、多元线性回归模型:将训练集带入构建多元线性回归模型,使用随机梯度下降算法不断缩小损失函数,当损失函数不再减小时,计算得到对应的回归系数值,最后计算模型的决定系数R2及其在测试集上的RMSE值;
步骤6.2、SVM模型:将训练集带入构建SVM回归模型,在建模时运用网格搜索法对参数C、ε、y做调优处理,使用网格搜索法选择SVM回归中的最佳C值、epsilon值和gamma值,最后计算模型的决定系数R2及其在测试集上的R MSE值;
步骤6.3、随机森林模型:将训练集带入构建随机森林模型,通过10折交叉验证的网格搜索算法得到最优的决策树个数、树的最大深度以及每颗决策树叶节点的最小样本量,最后计算模型的决定系数R2及其在测试集上的RMSE值;
步骤6.4、BP神经网络模型:将训练集带入构建BP神经网络模型,之后运用猫群算法优化BP神经网络权值和阈值,使之保持在最优水平,最后计算模型的决定系数R2及其在测试集上的RMSE值;
对于每种树木,选择R2最接近1,且RESE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
R2越接近1,RESE越小,说明模型精度效果越好,以此确定出不同种类树木的最优模型用于反演树高。
如图2所示,基于激光雷达与光学遥感的输电线路通道树高反演系统,包括:
数据采集模块101,用于获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据;
第一处理模块102,用于对原始GLAS数据以及光学遥感影像数据进行预处理及归一化;
第二处理模块103,用于从归一化后的GLAS波形数据中提取出波形特征参数,从归一化后的ASTERGDEM数据中提取出地形特征参数,从归一化后的光学遥感影像数据中提取出树木的各类植被指数,根据各类植被指数运用支持向量机的方法将树木分成不同的种类,所述的种类包括乔木、灌木和针叶树类;
第三处理模块104,用于运用面向对象的遥感影像分析法从遥感影像中提取出树木的冠幅,并建立实测冠幅与影像提取冠幅之间的线性回归模型,从而通过提取影像冠幅进而反演出实测冠幅;
第四处理模块105,用于对不同的植被指数与树高进行相关性分析,并对数据集进行划分,划分出训练集和测试集;
模型构建及反演模块106,用于构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型,将划分出的训练集输入到上述4个机器学习模型中进行学习;对构建的模型进行精度验证,对模型建模和验证的精度采用决定系数R2和均方根误差RMSE两个指标来评价,对于每种树木,选择R2最接近1,且RMSE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
本发明实施例提供的基于激光雷达与光学遥感的输电线路通道树高反演方法,该系统将激光雷达GLAS数据与光学遥感数据联合,通过提取激光雷达与光学遥感中与树高相关性高的因子建立树高预测模型实现更高精度的树高反演,充分发挥了多源遥感的优势。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图3为本发明实施例提供的电子设备结构示意图,参照图3,该电子设备可以包括:处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204,其中,处理器201,通信接口202,存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令,以执行如下方法:
用于获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据;
对原始GLAS数据以及光学遥感影像数据进行预处理及归一化;
从归一化后的GLAS波形数据中提取出波形特征参数,从归一化后的ASTE RGDEM数据中提取出地形特征参数,从归一化后的光学遥感影像数据中提取出树木的各类植被指数,根据各类植被指数运用支持向量机的方法将树木分成不同的种类,所述的种类包括乔木、灌木和针叶树类;
运用面向对象的遥感影像分析法从遥感影像中提取出树木的冠幅,并建立实测冠幅与影像提取冠幅之间的线性回归模型,从而通过提取影像冠幅进而反演出实测冠幅;
对不同的植被指数与树高进行相关性分析,并对数据集进行划分,划分出训练集和测试集;
构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型,将划分出的训练集输入到上述4个机器学习模型中进行学习;对构建的模型进行精度验证,对模型建模和验证的精度采用决定系数R2和均方根误差R MSE两个指标来评价,对于每种树木,选择R2最接近1,且RMSE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
此外,上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应用实例
1、数据获取:GLAS数据从美国美国冰雪数据中心(National Snow and I ce DataCenter,NSIDC)网站(http://nsidc.org/data/icesat/index.html)下载;L andsat影像数据从地理空间数据云网站(http://www.gscloud.cn/)下载;ASTER-GDEM数据从NASA数据分布平台Reverb(http://reverb.echo.nasa.gov/reverb)下载,数据的空间分辨率为30m,数据的格式为Geo TIFF,参考地理坐标为WGS84;实测数据来源于林业资源调查局网站,每个数据调查点记录有:样地地理坐标、地貌、海拔、坡向、土壤名称、土层厚度、林种、平均树龄、平均胸径、平均树高、森林群落和郁闭度等信息。总共采集450个样方点的数据用于建模分析,其中338个样方为训练集,112个样方为测试集。
2、树木分类:用于分类的450个样方中,103个样方准确分类为乔木,125个样方准确分类为灌木,132个样方准确分类为针叶树类,应用此360个分类正确的样方用于树高的反演。
3、不同种类数目树高反演模型建立:相关系数|r|>0.408的植被指数为NDVI、NDGI、RVI,将此4个模型同波形长度、波形前缘长度、波形后缘长度、地形指数、地形标准差、通过影像冠幅反演的实测冠幅一起作为输入变量构建不同种类树高反演模型。所得模型结果如表1、2、3所示:
表1乔木机器学习模型
表2灌木机器学习模型
表3针叶树类机器学习模型
由以上表1~3所示结果根据上述最优模型确认步骤,可得出乔木和针叶树类的最佳树高反演模型为随机森林模型,灌木的最佳反演树高模型为SVM模型。本发明相比于现有算法模型(未对树木进行具体分类),R2和RMSE均有所优化。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于激光雷达与光学遥感的输电线路通道树高反演方法,其特征在于,包括以下步骤:
步骤1、获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据;
步骤2、对原始GLAS数据以及光学遥感影像数据进行预处理及归一化;
步骤3、从归一化后的GLAS波形数据中提取出波形特征参数,从归一化后的ASTERGDEM数据中提取出地形特征参数,从归一化后的光学遥感影像数据中提取出树木的各类植被指数,根据各类植被指数运用支持向量机的方法将树木分成不同的种类,所述的种类包括乔木、灌木和针叶树类;
步骤4、运用面向对象的遥感影像分析法从遥感影像中提取出树木的冠幅,并建立实测冠幅与影像提取冠幅之间的线性回归模型,从而通过提取影像冠幅进而反演出实测冠幅;
步骤5、对不同的植被指数与树高进行相关性分析,并对数据集进行划分,划分出训练集和测试集;
步骤6、构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型,将划分出的训练集输入到上述4个机器学习模型中进行学习;对构建的模型进行精度验证,对模型建模和验证的精度采用决定系数R2和均方根误差RMSE两个指标来评价,对于每种树木,选择R2最接近1,且RMSE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
2.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法,其特征在于,步骤1中,收集实测数据的样方为450个,每个样方的半径为8m。
3.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法,其特征在于,所述步骤2的具体过程为:
从激光雷达GLAS数据中提取全波形数据后,对波形依次进行解压缩、电压值转换、波形平滑和噪声估计的预处理;
对光学遥感数据依次进行大气校正、几何纠正、影像裁剪和影像镶嵌的预处理;
检查GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据中是否存在重复观测、缺失值、异常值,若存在重复值将重复值删除,缺失值和异常值用均值进行填充,并对数据进行处理使其接近正态分布;
运用零均值归一化方法对所有经过预处理后的数据进行归一化处理,将原始数据映射到均值为0、标准差为1的分布上。
4.根据权利要求3所述的基于激光雷达与光学遥感的输电线路通道树高反演方法,其特征在于,对数据进行处理使其接近正态分布的方法为:当数据出现右偏时对所有数据取对数,当数据出现左偏时先对数据取相反数之后再取对数。
5.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法,其特征在于,所述步骤3的具体过程为:
步骤3.1、采用高斯分解方法从GLAS波形数据中提取出波形长度、波形前缘长度和波形后缘长度;
步骤3.2、利用ASTERGDEM提取3×3窗口的地形指数以及地形标准差;
步骤3.3、植被指数的获取:对不同波段的反射率进行数学运算,从而形成一些表征植被参数的值即为植被指数,具体数学计算方法如表1所示:
表1
其中,NIR表示近红外波段,R表示可见光红波段,G表示可见光绿波段,B表示可见光蓝波段,R800、R670分别表示波段为800nm和670nm的可见光红波段;
步骤3.4、树木的分类:将上述植被指数作为特征变量运用支持向量机的方法对树木进行分类。
6.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法,其特征在于,所述步骤4的具体过程为:
步骤4.1、运用均值漂移算法,将空间特征带宽hs设为10,颜色特征带宽hr设为6,最少区域面积M设为20,从遥感影像中提取出树木的冠幅,之后运用边界平滑算法对提取的冠幅进行平滑处理;
步骤4.2、建立实测冠幅与影像冠幅之间的一元线性回归模型,运用随机梯度下降的方法求解回归系数,当迭代次数大于20000时停止迭代。
7.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法,其特征在于,所述步骤5的具体过程为:
步骤5.1、所用的相关性分析方法为皮尔逊相关性分析,逐个分析每个植被指数与树高之间相关性程度,通过估算样本的协方差和标准差,可得到样本皮尔逊系数,皮尔逊系数计算公式如下:
根据皮尔逊相关系数界值表,n=60时,当|r|>0.250时,表示在0.05水平上显著,|r|>0.325时,表示在0.01水平上显著,|r|>0.408时,表示在0.001水平上显著;将|r|>0.408的植被指数用于后续数据集的划分;
步骤5.2、数据集的划分:运用随机抽样的方法,将数据集划分为训练集和测试集,训练集和测试集的比例为75%和25%。
8.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法,其特征在于,步骤6构建4种机器学习模型的输入变量均为波形长度、波形前缘长度、波形后缘长度、地形指数、地形标准差、通过影像冠幅反演的实测冠幅以及皮尔逊系数|r|>0.408的植被指数,模型的详细构建过程为:
步骤6.1、多元线性回归模型:将训练集带入构建多元线性回归模型,使用随机梯度下降算法不断缩小损失函数,当损失函数不再减小时,计算得到对应的回归系数值,最后计算模型的决定系数R2及其在测试集上的RMSE值;
步骤6.2、SVM模型:将训练集带入构建SVM回归模型,在建模时运用网格搜索法对参数C、ε、y做调优处理,使用网格搜索法选择SVM回归中的最佳C值、epsilon值和gamma值,最后计算模型的决定系数R2及其在测试集上的RMSE值;
步骤6.3、随机森林模型:将训练集带入构建随机森林模型,通过10折交叉验证的网格搜索算法得到最优的决策树个数、树的最大深度以及每颗决策树叶节点的最小样本量,最后计算模型的决定系数R2及其在测试集上的RMSE值;
步骤6.4、BP神经网络模型:将训练集带入构建BP神经网络模型,之后运用猫群算法优化BP神经网络权值和阈值,使之保持在最优水平,最后计算模型的决定系数R2及其在测试集上的RMSE值;
对于每种树木,选择R2最接近1,且RESE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
9.基于激光雷达与光学遥感的输电线路通道树高反演系统,其特征在于,包括:
数据采集模块,用于获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据;
第一处理模块,用于对原始GLAS数据以及光学遥感影像数据进行预处理及归一化;
第二处理模块,用于从归一化后的GLAS波形数据中提取出波形特征参数,从归一化后的ASTERGDEM数据中提取出地形特征参数,从归一化后的光学遥感影像数据中提取出树木的各类植被指数,根据各类植被指数运用支持向量机的方法将树木分成不同的种类,所述的种类包括乔木、灌木和针叶树类;
第三处理模块,用于运用面向对象的遥感影像分析法从遥感影像中提取出树木的冠幅,并建立实测冠幅与影像提取冠幅之间的线性回归模型,从而通过提取影像冠幅进而反演出实测冠幅;
第四处理模块,用于对不同的植被指数与树高进行相关性分析,并对数据集进行划分,划分出训练集和测试集;
模型构建及反演模块,用于构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型,将划分出的训练集输入到上述4个机器学习模型中进行学习;对构建的模型进行精度验证,对模型建模和验证的精度采用决定系数R2和均方根误差RMSE两个指标来评价,对于每种树木,选择R2最接近1,且RMSE最小的模型作为该树木用于反演树高的最优模型;若出现一个模型R2最接近1,另外一个模型RMSE最小的情况时,则选择最接近1的模型作为该树木用于反演树高的最优模型;之后采用该最优模型进行反演树高。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述基于PCA-SVM模型的配网选线方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266169.7A CN111414891B (zh) | 2020-04-07 | 2020-04-07 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266169.7A CN111414891B (zh) | 2020-04-07 | 2020-04-07 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414891A CN111414891A (zh) | 2020-07-14 |
CN111414891B true CN111414891B (zh) | 2023-04-14 |
Family
ID=71494758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010266169.7A Active CN111414891B (zh) | 2020-04-07 | 2020-04-07 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414891B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487879B (zh) * | 2020-08-05 | 2023-01-17 | 中国科学院空天信息创新研究院 | 一种基于数据增广和深度学习的玉米生长参数主被动遥感反演方法 |
CN112232522B (zh) * | 2020-11-19 | 2022-09-30 | 山东科技大学 | 一种深部巷道支护方案智能推荐及动态优化方法 |
CN112464172B (zh) * | 2020-12-10 | 2024-03-29 | 中国科学院空天信息创新研究院 | 生长参数主被动遥感反演方法及装置 |
CN112711989B (zh) * | 2020-12-15 | 2024-03-05 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
CN112668534B (zh) * | 2021-01-05 | 2022-08-23 | 长沙理工大学 | 基于数字正射影像和数字表面模型反演林区植被高度的方法 |
CN113205565A (zh) * | 2021-04-13 | 2021-08-03 | 武汉大学 | 基于多源数据的森林生物量遥感制图方法 |
CN113920438B (zh) * | 2021-12-14 | 2022-03-04 | 武汉大学 | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 |
CN114037911B (zh) * | 2022-01-06 | 2022-04-15 | 武汉大学 | 一种顾及生态分区的大尺度森林高度遥感反演方法 |
CN117709204B (zh) * | 2024-02-05 | 2024-05-07 | 国网湖北省电力有限公司经济技术研究院 | 一种极端环境下杆塔稳定性评价方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760565A (zh) * | 2014-02-10 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 一种区域尺度森林冠层高度遥感反演方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN109031344A (zh) * | 2018-08-01 | 2018-12-18 | 南京林业大学 | 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法 |
CN109344550A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统 |
-
2020
- 2020-04-07 CN CN202010266169.7A patent/CN111414891B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760565A (zh) * | 2014-02-10 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 一种区域尺度森林冠层高度遥感反演方法 |
CN109031344A (zh) * | 2018-08-01 | 2018-12-18 | 南京林业大学 | 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN109344550A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111414891A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414891B (zh) | 基于激光雷达与光学遥感的输电线路通道树高反演方法 | |
CN102959354B (zh) | 用于利用LiDAR数据来分析树冠层的方法和装置 | |
CN112668400A (zh) | 一种植被识别方法及应用 | |
Pearse et al. | Comparison of models describing forest inventory attributes using standard and voxel-based lidar predictors across a range of pulse densities | |
CN111985543A (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
CN113505635A (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
CN112364681B (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
CN111639587A (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
CN114002162A (zh) | 土壤有机碳含量估算方法、设备、存储介质及程序产品 | |
Räty et al. | Fusing diameter distributions predicted by an area-based approach and individual-tree detection in coniferous-dominated forests | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
CN111507423B (zh) | 输电线路通道清理的工程量测算方法 | |
CN114782835A (zh) | 作物倒伏面积比例检测方法及装置 | |
CN114863190B (zh) | 建筑物年份识别方法及装置 | |
Wang et al. | Arial images and LiDAR fusion applied in forest boundary detection | |
CN118015463A (zh) | 烟碱含量高光谱监测模型构建方法及应用 | |
Wang et al. | Tree height inversion combining light detection and ranging and optical remote sensing data | |
CN117933825A (zh) | 基于多光谱无人机的森林保护修复生态成效评估方法 |
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 |