CN112287892A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112287892A CN112287892A CN202011322693.8A CN202011322693A CN112287892A CN 112287892 A CN112287892 A CN 112287892A CN 202011322693 A CN202011322693 A CN 202011322693A CN 112287892 A CN112287892 A CN 112287892A
- Authority
- CN
- China
- Prior art keywords
- arbor
- biomass
- hyperspectral
- aerial vehicle
- unmanned aerial
- 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及生态环境监测领域,公开了一种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,用以更好的实现目标区域类型乔木的生物量监测。本发明先利用无人机获取目标区域陆生植物的高光谱影像,并基于高光谱影像就建模,提取数字表面模型的高程信息;再从原始影像照片中提取光谱信息,依据陆生植物生态环境监测植被分类的类型,结合目标区域中各类植物的高层信息、特征波段和植被指数,采用机器学习算法进行定量反演模型训练,得到反演模型;再利用反演模型对目标区域的植被类型进行分类,从而提取到乔木的分类数据;最后利用提取到乔木的分类数据,并结合地上生物量公式,计算得到乔木生物量。本发明适用于乔木生物量测算。
Description
技术领域
本发明涉及生态环境监测领域,特别涉及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。
背景技术
森林生物量是森林生态系统长期生产与代谢过程中积累的结果,是森林生态系统运转的能量基础和物质来源。森林生物量包括林木的生物量(根、茎、叶、花果、种子和凋落物等的总重量)和林下植被层的生物量。通常以单位面积或单位时间积累的干物质量或能量来表示。森林群落的生物量是森林生态系统结构优劣和功能高低的最直接的表现,其大小受光合作用、呼吸作用、死亡、收获和人类活动等因素的影响,是森林演替、人类活动、自然干扰、气候变化和大气污染等因素的综合结果,是评价森林生态系统结构和功能的重要指标,是森林生态系统环境质量的综合体现,是生态环境监测工作的重点之一。
对于利用无人机高光谱影像(光谱通道大于100个,光谱分辨率为3.5nm±0.5nm)和机器学习算法改进典型乔木生物量的计算方法的应用将是改善和提高生态环境监测技术的关键之一。随着无人机机载设备种类的完善,包括高分辨率、高光谱、合成孔径雷达(SAR)等多种传感器的搭载,以及无人机空域的逐步开放,将会形成全天候、全方位、全时序的监测体系。同时伴随着机器学习算法的日渐成熟和相关数据库的不断完善,会大大提高影响分类方法的效率和精度。因此影像获取的时效性改进了,影像分析方法的准确性改进了,将会为生态环境监测技术带来革命性的变化。
发明内容
本发明要解决的技术问题是:提供一种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,用以更好的实现目标区域类型乔木的生物量监测。
为解决上述问题,本发明采用的技术方案是: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,包括如下步骤:
S1.按照目标区域面积和分类成果精度要求开展地面植被类型的实测工作,调查各点位的典型陆生植被的分布信息;
S2.以无人机搭载高光谱相机对目标区域陆生植物均进行航拍,得到目标区域不同角度、高程的多幅原始影像照片,并按均匀分布和不同高程进行控制点测量;
S3.对所述多幅原始影像照片进行坐标系配准、区域整体平差和多视角影像密集匹配;
S4.对匹配后的影像进行图像点云数据提取,并根据云数据生成TIN三角网,再进行纹理贴图,从而生成数字正射影像DOM和数字表面模型DSM;
S5.提取数字表面模型DSM中各类植物的高程信息,作为影像分类的一个指标和乔木地上生物量计算的树高数据及复核参考;
S6.提取所述原始影像照片中的高光谱信息,所述高光谱信息用于衡量各类植物的特征波段和植被指数;
S7.依据陆生植物生态环境监测植被分类的类型,结合目标区域中各类植物的高程信息、特征波段和植被指数,采用机器学习算法进行定量反演模型训练,得到反演模型;
S8.利用目标区域的调查数据对反演模型进行精度评价,得到满足精度要求以及满足实际陆生植物生态环境监测和调查结果的反演模型;
S9.利用反演模型对目标区域陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类,从而提取到乔木的分类数据;
S10.利用提取到乔木的分类数据,并结合地上生物量公式,计算得到乔木生物量。
进一步的,步骤S1中典型陆生植被的分布信息包括种类、位置、数量、胸径和高度。
进一步的,步骤S2航拍的影像必须具有一定的重叠度,其中,纵向重叠度至少60%,旁向重叠度至少30%。
进一步的,控制点的选择要按照高程起伏和航拍目标区域分布综合考虑设置,且用RTK精准测量,精度到厘米级别。
进一步的,步骤S3包括以下步骤:
步骤31.利用倾斜摄影建模软件对多幅初始影像照片进行处理;
步骤32.利用RTK已测的控制点对影像进行坐标系配准;
步骤33.倾斜摄影软件对影像进行区域整体平差和多视角影像密集匹配。
进一步的,步骤S6在提取高光谱信息之前,还需要对原始影像照片中进行预处理,包括镜头校准、辐射定标、大气校正、反射率校正、拼接和匀色。
进一步的,步骤S7分别选取50%、55%、60%、65%、70%、75%、80%七种比例的样本点数据进行定量反演模型训练时,分别选取剩下的50%、45%、40%、35%、30%、25%、20%样本点数据进行定量反演模型的测试。
进一步的,步骤S7中所述机器学习算法为随机森林RF。
本发明的有益效果是:无人机高光谱遥感具备了时效性强、空间分辨率高、光谱分辨率高、参数指标全等优势。其中无人机高光谱影像具有100多个光谱通道,且光谱分辨率为3.5nm±0.5nm,较多光谱数据能建立更为精细化、敏感性更强的各类植被指数,对于植被的分类具有更高的准确性。同时基于高空间分辨率影像构建的三维模型能精确的测量体积、面积和长度等指标,能输出DEM数字高程模型、DOM数字正射影像和DSM数字表面模型等通用格式的数据类型,具有可操作性强,设备成本较低,采样速率快、精度和分辨率高等特点。
机器学习算法(随机森林RF)能区别于传统的遥感影像分类方法,具有训练速度快,泛化能力强,抗干扰能力强,可以平衡误差和维持准确度,能够解决分类与回归两种类型的问题,能处理高维度的数据,在训练完之后,能区分出重要特征等优势。较传统的影像分类算法大大提高了分类特性和分类精度,后续定量反演模型还可以随着实测样本的扩充和丰富进一步的调试和完善,构建出适宜于研究区分类精度最高和计算效率最高的定量反演模型,因此利用随机森林RF方法作为陆生植物生态环境监测分类处理方法在生态环境监测中具有明显的优势。
基于无人机高光谱和机器学习算法(随机森林RF)的乔木地上生物量测算方法,大大提高了陆生植物生态环境监测工作中准确、高效、定量获取、分析、计算和处理不同典型乔木生物量数据的能力,同时也革命性的改变了监测成果的展示效果和方式。总体来说,基于无人机高光谱和机器学习算法(随机森林RF)的乔木地上生物量测算方法的应用可以填补生态环境监测工作中对植被地上生物量监测内容无大尺度、快速、定量、精准监测方法和手段的技术空白,并大幅度提高了外业监测工作的自动化程度。
附图说明
图1是基于无人机高光谱和机器学习算法的乔木生物量测算流程图。
具体实施方式
本发明针对现有技术中采用的卫星遥感数据源结合传统分类方法及单纯野外实地调查等几种监测方法都存在适用性较差,准确性较低的问题,提供一种基于无人机高光谱和机器学习算法(随机森林RF)的乔木地上生物量测算方法的陆生植物生态监测方法,如图1所示包括以下步骤:
第一步,按照研究区域范围、植被分布特点和成果分类精度要求开展地面植被类型的调查工作,设计样地布设方案,实测记录各调查点位典型植被的种类、位置、数量、胸径和高度等分布信息。其中植被类型要求记录到生物学分类的基本单元种(物种);位置坐标采用RTK测量,精度到厘米级别;植被高度采用激光测距仪/激光测高仪,精度到分米级别;乔木胸径采用胸径尺测量,且仅测量大于5cm胸径的乔木;植被数量测量并记录无人机影像可见的乔木、灌木和草本,其中乔木记录胸径大于5cm的树种棵数;灌木单株记录株数,丛生记录丛数;草本记录覆盖面积。并按植被种类对应记录且每种植被类型的数量应不少于50个调查单元。同时要求地面调查点位应保证在研究区内位置均匀分布、植被类型均匀分布,点位涉及或覆盖的区域至少超过研究区范围的20%。
第二步,系统可以采用多旋翼或固定翼无人机搭载机载高光谱相机对目标区域按照设计航带、高度和架次进行正射拍摄,同时在研究区范围内采集均匀分布和不同高程的控制点。说明下,采用多旋翼或固定翼无人机,根据工作经费、工作周期及研究区域大小而定,两种机型均可以实现目标精度的三维建模要求。
第三步,预先设计好控制点的数量和分布,用于无人机低空遥感影像的校准。控制点测量后系统将对目标区域获取的不同角度、高程的多幅原始影像照片(RGB影像)进行坐标系配准、区域整体平差和多视角影像密集匹配。其中,航拍的影像必须具有一定的重叠度,纵向重叠度至少60%,旁向重叠度至少30%控制点的选择要按照高程起伏和航拍目标区域分布综合考虑设置,且用RTK精准测量,精度到厘米级别。
进行坐标系配准、区域整体平差和多视角影像密集匹配,的具体步骤可包括:
步骤31.利用倾斜摄影建模软件对多幅初始影像照片进行处理;
步骤32.利用RTK已测的控制点对影像进行坐标系配准;
步骤33.倾斜摄影软件对影像进行区域整体平差和多视角影像密集匹配
第四步,系统对匹配后的影像进行密集点云数据提取,提取的点云密度以达到三维建模精度和比例尺为准。利用密集点云数据生成TIN三角网,再进行照片(RGB影像)纹理贴图,生成1:500或1:000大比例的数字正射影像(DOM)和数字表面模型(DSM),如果DOM和DSM模型存在悬浮物或拉花等现象,需要对三维模型进行重编辑和重建模,以保证监测区域的三维模型精度。
第五步,通过生成的准确的DSM模型提取研究区的高程信息,作为影像分类的一个指标和乔木地上生物量计算的树高数据及复核参考。
第六步,提取所述原始影像照片中的高光谱信息。在提取高光谱信息之前,无人机高光谱影像需进行镜头校准、辐射定标、大气校正、反射率校正、拼接、匀色等预处理流程。
高光谱信息可用于衡量各类植物的特征波段和植被指数,其中,特征波段:通过R语言或ENVI软件在高光谱影像的众多波段中选择包含相应典型植被主要特征光谱的波段子集,且该相应典型植被的波段子集能在一个含有多种目标对象的组合中,能够最大限度地区别于其它植被;植被指数:利用高光谱数据的众多波段,通过R软件或ENVI软件构建适应不同典型植被的且敏感性最强的植被指数公式,一方面可以参考已有文献中的植被指数公式,另一方面可以自主创新波段运算建立新的植被指数。
第七步,按照实际陆生植物生态环境监测的要求和原则,依据陆生植物生态环境监测植被分类的类型(包括草本、灌木、乔木,其中乔木又进一步区分为几种典型的树种),结合目标区域中各类植物的高程信息、特征波段和植被指数,至少选取50%、55%、60%、65%、70%、75%、80%等七种比例的样本点数据采用随机森林RF进行定量反演模型训练,可适当增减不同比例,不仅限于上述七种。同时,至少对应选取50%、45%、40%、35%、30%、25%、20%样本点数据进行定量反演模型的测试。通过两种方法、不同训练样本和测试样本及分类参数指标的调试等工作,按照预测模型精度进行排序。
第八步、系统采用混淆矩阵,计算随机森林RF不同训练样本和测试样本数量的定量反演模型精度,采用总分类精度和Kappa系数对模型的分类精度进行评价,选出分类精度最高且满足实际陆生植物生态环境监测和调查结果的定量反演模型。
第九步,对目标区域陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类和提取,提取其中典型乔木的分类信息,包括树高和位置分布等情况。
第十步,可按照中国林木生物量数据库(Luo et al.,2019),采用中国林木生物量数据库的附录A表中对应的树种的地上生物量公式进行计算。按照中国林木生物量数据库(Luo et al.,2019),采用附录A表中对应的相应树种的地上生物量公式进行计算。一般常用幂函数:
y=α·xβ
构建林木的生物量模型,其中y为林木器官生物量(kg);x为胸径D(cm)或者胸径与树高H(m)的组合式D2H(m3);α和β为模型参数,用R2表示模型的拟合优度(Warton et al.,2006)。本说明以单棵青冈树为例,根据野外采集的胸径D和模型提取的树高H,计算得出单棵青冈树的枝、干、叶生物量(干重)分别为BM枝、BM叶、BM干。
本步骤应根据研究区域的特性和规定树种进行生物量公式的选择,若无对应树种,可依据地区相近、科属相近、形态相近等原则选择相近树种公式进行计算,若无相近树种也可以构建样本区域典型树种树高模型进行推算。
第十一步,按照上述同样的方法处理同一目标区域的第二期影像,得出第二期的各典型乔木的树高和和位置分布情况等。
最后,对两期的分类和计算结果进行叠加对比分析,计算出不同典型乔木地上生物量的动态变化情况,对陆生植物生态环境监测的数据定量化工作提供技术支持。无人机高光谱遥感和机器学习算法(随机森林RF)具有可操作性强,学习改进能力强、设备成本较低,参数指标丰富、采样速率快、精度和分辨率均较高等优势。利用其作为乔木地上生物量测算方法在生态环境监测中具有明显的优势。总体来说,基于无人机高光谱遥感和机器学习算法(随机森林RF)的陆生植物生态监测方法的应用可以填补生态环境监测工作中对植被地上生物量监测内容无大尺度、快速、定量、精准监测方法和手段的技术空白,并大幅度提高了外业监测工作的自动化程度。
下面结合附图及实施例对本发明的方法作进一步描述,实施例仅仅是为了帮助读者更好地理解本发明的方法,并不用以限制本发明权利要求的保护范围。
本发明提供的基于无人机高光谱(光谱通道大于100个,光谱分辨率为3.5nm±0.5nm)和机器学习算法(随机森林RF)的乔木地上生物量测算方法,大大提高了陆生植物生态环境监测工作中准确、高效、定量获取、分析、计算和处理不同植被生物量监测指标数据的能力,同时也革命性的改变了监测成果的展示效果和方式。填补生态环境监测工作中对植被地上生物量监测内容无大尺度、快速、定量、精准监测方法和手段的技术空白,并大幅度提高了外业监测工作的自动化程度,为陆生植物生态环境监测信息化奠定坚实的基础。
如图1所示,本例中,首先选定一个10000m*10000m的生态敏感区地作为监测目标区域,按照研究区域面积和分类成果精度要求开展地面植被类型的实测工作,调查测量记录各点位的典型陆生植被的种类、位置、数量、胸径和高度等信息。要求地面调查植被的范围在研究区内位置均匀分布、树种类型均匀分布、同时覆盖涉及至少20km2的面积。
第二步,了解监测目标区域的地形地貌、植被覆盖、水系分布等情况,结合三维模型比例尺、成果精度等要求预先规划好无人机航测的航带、架次和高程。采用多旋翼或固定翼无人机搭载机载高光谱相机对目标区域进行正射拍摄。同时按照均匀分布和不同高程的要求进行控制点测量,保证影像获取后三维建模后的精度。图像采集工具为机载高光谱相机(光谱通道大于100个,光谱分辨率为3.5nm±0.5nm),相机镜头像素与飞行高度、成果比例尺及精度相匹配。
其中2.1:控制点测量需做100个大小为2m*2m的控制点标志牌,均匀放置于监测区域和不同高程(起伏较大的位置要放置,高度阶梯渐进的位置要放置),并通过RTK对100个控制点的中心点进行绝对坐标的测量和记录。用无人机低空飞行对监测区域进行航测,获取初始影像照片。
其中2.2:对监测区域的航测参数为,飞行高度多旋翼200m内,固定翼800m至1000m;飞行航带多旋翼12个,固定翼6个;地面分辨率多旋翼0.3m以内,固定翼1m以内;比例尺多旋翼1:500,固定翼1:1000;拍摄角度均为正射;纵向航带重叠度至少大于60%,旁向至少大于30%。
第三步,利用倾斜摄影三维建模软件对所获的初始影像照片进行处理,依靠测量的地面控制点进行坐标系配准,然后区域整体平差和多视角影像密集匹配。
第四步,生成密集点云,再进一步生成TIN三角网,通过纹理贴图,从而生成1:500或1:000大比例的数字正射影像(DOM)和数字表面模型(DSM)。并从数字表面模型(DSM)的高程信息,作为影像分类的一个指标和乔木地上生物量计算的树高数据及复核参考。
第五步,无人机高光谱影像需进行镜头校准、辐射定标、大气校正、反射率校正、拼接、匀色等预处理流程,分类参数包括特征波段、各类植被指数和高程数据,并通过多重共线性测试,采用随机森林RF进行分类。
第六步,按照实际陆生植物生态环境监测的要求和原则,按照草本、灌木、乔木,其中乔木分类树种1、树种2、树种3、树种4),结合高光谱信息、高空间分辨率信息和高程数据,选取50%、55%、60%、65%、70%、75%、80%等七种比例的样本点数据采用随机森林RF进行定量反演模型训练,可适当增减不同比例,不仅限于上述七种。同时,对应选取50%、45%、40%、35%、30%、25%、20%样本点数据进行定量反演模型的测试。通过不同训练样本和测试样本及分类参数指标的调试等工作,得出表1所示的训练模型精度和预测模型精度。
不同训练样本和测试样本的成果精度(案例)
表1
第七步,系统采用混淆矩阵,计算随机森林RF不同训练样本和测试样本数量的定量反演模型精度,采用总分类精度和Kappa系数对各模型的分类精度进行评价,选出分类精度最高且满足实际陆生植物生态环境监测和调查结果的定量反演模型。其中训练样本为75%和测试样本为25%的模型最好,其总分类精度为80.15%,Kappa系数为0.774。
第八步,对目标区域陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类。提取其中典型乔木的主要信息,包括树高和位置分布等情况。
第九步,按照中国林木生物量数据库(Luo et al.,2019),采用附录A表中对应的树种的地上生物量公式进行计算典型乔木地上生物量。最后,按照同样的方法处理同一目标区域的第二期影像,得出第二期的各类典型乔木树高和位置分布等情况,并对两期的分类和计算结果进行叠加对比分析,测算出不同典型乔木地上生物量的动态变化情况。第二期影像的总分类精度为82.51%,Kappa系数为0.798,满足精度要求。具体两期数据变化结果见表2:
目标区域典型乔木地上生物量两期动态监测变化值
表2 kg m-2
无人机高光谱遥感与机器学习算法(RF)分类方法是一种操作性强,成本低,精度较高的综合的计算机图像人工智能处理方法。可以从对实物拍摄的照片中提取目标区域的点云数据,从而生成TIN三角网、DEM/DOM等数据,实现快速的三维模型重建。融合了高光谱信息、高空间分辨率信息和高程数据。利用机器学习算法(RF)可以实现目标影像的智能分类,保证较高的分类精度,从而完整地、高精度地获取不同时期监测目标区域不同典型乔木的变化情况。新监测方法具有采样速率快、精度和分辨率较高、无接触测量等优势。由此,我们相信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在生态环境监测中拥有较好的应用前景,不仅可以实现陆生植物生物量动态监测的定量化、高效化和数字化的处理、分析和展示,而且大大提高了陆生植物生态环境监测工作的自动化、信息化能力,为陆生植物调查、陆生植物环境保护措施设计等提供较为详实的资料。
Claims (8)
1.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,其特征在于,包括如下步骤:
S1.按照目标区域面积和分类成果精度要求开展地面植被类型的实测工作,调查各点位的典型陆生植被的分布信息;
S2.以无人机搭载高光谱相机对目标区域陆生植物均进行航拍,得到目标区域不同角度、高程的多幅原始影像照片,并按均匀分布和不同高程进行控制点测量;
S3.对所述多幅原始影像照片进行坐标系配准、区域整体平差和多视角影像密集匹配;
S4.对匹配后的影像进行图像点云数据提取,并根据云数据生成TIN三角网,再进行纹理贴图,从而生成数字正射影像DOM和数字表面模型DSM;
S5.提取数字表面模型DSM中各类植物的高程信息,作为影像分类的一个指标和乔木地上生物量计算的树高数据及复核参考;
S6.提取所述原始影像照片中的高光谱信息,所述高光谱信息用于衡量各类植物的特征波段和植被指数;
S7.依据陆生植物生态环境监测植被分类的类型,结合目标区域中各类植物的高程信息、特征波段和植被指数,采用机器学习算法进行定量反演模型训练,得到反演模型;
S8.利用目标区域的调查数据对反演模型进行精度评价,得到满足精度要求以及满足实际陆生植物生态环境监测和调查结果的反演模型;
S9.利用反演模型对目标区域陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类,从而提取到乔木的分类数据;
S10.利用提取到乔木的分类数据,并结合地上生物量公式,计算得到乔木生物量。
2.如权利要求1所述的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,其特征在于,步骤S1中典型陆生植被的分布信息包括种类、位置、数量、胸径和高度。
3.如权利要求1所述的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,其特征在于,步骤S2航拍的影像必须具有一定的重叠度,其中,纵向重叠度至少60%,旁向重叠度至少30%。
4.根据权利要求1所述的基于无人机低空遥感和面向对象分类的水土保持监测方法,其特征在于,控制点的选择要按照高程起伏和航拍目标区域分布综合考虑设置,且用RTK精准测量,精度到厘米级别。
5.如权利要求4所述的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,其特征在于,步骤S3包括以下步骤:
步骤31.利用倾斜摄影建模软件对多幅初始影像照片进行处理;
步骤32.利用RTK已测的控制点对影像进行坐标系配准;
步骤33.倾斜摄影软件对影像进行区域整体平差和多视角影像密集匹配。
6.如权利要求1所述的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,其特征在于,步骤S6在提取高光谱信息之前,还需要对原始影像照片中进行预处理,包括镜头校准、辐射定标、大气校正、反射率校正、拼接和匀色。
7.如权利要求1所述的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,其特征在于,步骤S7分别选取50%、55%、60%、65%、70%、75%、80%七种比例的样本点数据进行定量反演模型训练时,分别选取剩下的50%、45%、40%、35%、30%、25%、20%样本点数据进行定量反演模型的测试。
8.如权利要求1所述的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,其特征在于,步骤S7中所述机器学习算法为随机森林RF。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322693.8A CN112287892B (zh) | 2020-11-23 | 2020-11-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322693.8A CN112287892B (zh) | 2020-11-23 | 2020-11-23 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287892A true CN112287892A (zh) | 2021-01-29 |
CN112287892B CN112287892B (zh) | 2022-12-06 |
Family
ID=74425190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011322693.8A Active CN112287892B (zh) | 2020-11-23 | 2020-11-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287892B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818880A (zh) * | 2021-02-05 | 2021-05-18 | 郑州科技学院 | 基于深度学习的航拍图像植被提取与分类方法 |
CN113030903A (zh) * | 2021-03-05 | 2021-06-25 | 深圳大学 | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 |
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 |
CN113688772A (zh) * | 2021-09-02 | 2021-11-23 | 浙江大学 | 一种边坡生态修复监测方法 |
CN113762226A (zh) * | 2021-11-09 | 2021-12-07 | 成都理工大学 | 基于高光谱分辨率调整提升树种识别精度的方法及系统 |
CN113963278A (zh) * | 2021-10-27 | 2022-01-21 | 厦门精图信息技术有限公司 | 基于KingMap RS遥感平台的智慧林业综合管理系统、方法及设备 |
CN114140691A (zh) * | 2021-11-25 | 2022-03-04 | 华中农业大学 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
CN114220028A (zh) * | 2021-12-08 | 2022-03-22 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱影像和机器学习算法模型研发的珍稀树种识别方法 |
CN116665081A (zh) * | 2023-07-31 | 2023-08-29 | 自然资源部第一海洋研究所 | 一种滨海植被地上生物量的估算方法、计算机设备及介质 |
CN117192075A (zh) * | 2023-08-31 | 2023-12-08 | 交科院环境科技(北京)有限公司 | 无人机在公路建设场景中的水土保持监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
-
2020
- 2020-11-23 CN CN202011322693.8A patent/CN112287892B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
Non-Patent Citations (1)
Title |
---|
吴剑等: "基于无人机多源遥感数据海岛植被叶面积指数协同反演研究", 《海洋技术学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818880B (zh) * | 2021-02-05 | 2022-09-30 | 郑州科技学院 | 基于深度学习的航拍图像植被提取与分类方法 |
CN112818880A (zh) * | 2021-02-05 | 2021-05-18 | 郑州科技学院 | 基于深度学习的航拍图像植被提取与分类方法 |
CN113030903A (zh) * | 2021-03-05 | 2021-06-25 | 深圳大学 | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 |
CN113030903B (zh) * | 2021-03-05 | 2023-08-29 | 深圳大学 | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 |
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 |
CN113688772A (zh) * | 2021-09-02 | 2021-11-23 | 浙江大学 | 一种边坡生态修复监测方法 |
CN113963278A (zh) * | 2021-10-27 | 2022-01-21 | 厦门精图信息技术有限公司 | 基于KingMap RS遥感平台的智慧林业综合管理系统、方法及设备 |
CN113762226A (zh) * | 2021-11-09 | 2021-12-07 | 成都理工大学 | 基于高光谱分辨率调整提升树种识别精度的方法及系统 |
CN114140691A (zh) * | 2021-11-25 | 2022-03-04 | 华中农业大学 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
CN114140691B (zh) * | 2021-11-25 | 2024-04-23 | 华中农业大学 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
CN114220028B (zh) * | 2021-12-08 | 2022-12-06 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱影像和机器学习算法模型研发的珍稀树种识别方法 |
CN114220028A (zh) * | 2021-12-08 | 2022-03-22 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱影像和机器学习算法模型研发的珍稀树种识别方法 |
CN116665081A (zh) * | 2023-07-31 | 2023-08-29 | 自然资源部第一海洋研究所 | 一种滨海植被地上生物量的估算方法、计算机设备及介质 |
CN116665081B (zh) * | 2023-07-31 | 2023-10-13 | 自然资源部第一海洋研究所 | 一种滨海植被地上生物量的估算方法、计算机设备及介质 |
CN117192075A (zh) * | 2023-08-31 | 2023-12-08 | 交科院环境科技(北京)有限公司 | 无人机在公路建设场景中的水土保持监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112287892B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287892B (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 | |
Jin et al. | A review of data assimilation of remote sensing and crop models | |
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 | |
Le Maire et al. | Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content, leaf mass per area, leaf area index and leaf canopy biomass | |
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 | |
Lu et al. | Mapping vegetation biophysical and biochemical properties using unmanned aerial vehicles-acquired imagery | |
Husin et al. | Application of ground-based LiDAR for analysing oil palm canopy properties on the occurrence of basal stem rot (BSR) disease | |
Tian et al. | Estimating zero-plane displacement height and aerodynamic roughness length using synthesis of LiDAR and SPOT-5 data | |
CN114595975A (zh) | 基于深度学习模型的无人机遥感松材线虫病害监测方法 | |
Navarro-Cerrillo et al. | Hyperspectral and multispectral satellite sensors for mapping chlorophyll content in a Mediterranean Pinus sylvestris L. plantation | |
CN108195767A (zh) | 河口湿地外来种监测方法 | |
CN111667183A (zh) | 一种耕地质量监测方法及系统 | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
He et al. | Using LiDAR data to measure the 3D green biomass of Beijing urban forest in China | |
CN111738066A (zh) | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 | |
Prasetyo et al. | Rice productivity prediction model design based on linear regression of spectral value using NDVI and LSWI combination on landsat-8 imagery | |
Wu et al. | Estimation of cotton canopy parameters based on unmanned aerial vehicle (UAV) oblique photography | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Raza et al. | Comparative geospatial approach for agricultural crops identification in interfluvial plain-a case study of Sahiwal district, Pakistan | |
Liu et al. | Maize height estimation using combined unmanned aerial vehicle oblique photography and LIDAR canopy dynamic characteristics | |
Calou et al. | Estimation of maize biomass using unmanned aerial vehicles | |
Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
Couteron et al. | Linking remote-sensing information to tropical forest structure: The crucial role of modelling | |
RU2424540C2 (ru) | Способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования | |
CN115019205A (zh) | 一种基于无人机多光谱影像的油菜花期spad和lai估测方法 |
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 |