CN112362591B - 基于数字高程模型的植被反演的方法 - Google Patents
基于数字高程模型的植被反演的方法 Download PDFInfo
- Publication number
- CN112362591B CN112362591B CN202011384791.4A CN202011384791A CN112362591B CN 112362591 B CN112362591 B CN 112362591B CN 202011384791 A CN202011384791 A CN 202011384791A CN 112362591 B CN112362591 B CN 112362591B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- point cloud
- inversion
- biomass
- model
- 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 43
- 239000002028 Biomass Substances 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 7
- 239000004744 fabric Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000004181 pedogenesis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- 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)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Electromagnetism (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
一种基于数字高程模型的植被反演的方法，以激光雷达为手段获取植被信息，并在此基础上建立植被信息的数值模型以及反演数值模型，从而反演植被生物量；所述判定基于数字高程模型的植被反演的步骤如下：获取点云数据；激光点云数据的处理；标准化点云直接插值获CHM；分水岭法进行草木分割；建立生物量反演模型；反演植被生物量。该方法考虑到激光雷达在遥感技术中的潜力，选用最优的算法和参数设置，提高了判定指数的精度。
Description
技术领域
本发明涉及激光雷达应用技术领域，特别是一种基于数字高程模型的植被反演的方法。
背景技术
植被是覆盖地标的植物群落，在土壤形成上有着重要的作用，植物生物量是指某一时刻单位面积内实存生活的有机物质总量。
遥感测量植被的生物量具有大面积同步观测时效性、周期性、数据综合性和可比性、约束性、经济社会效益等优势，将三维激光雷达数据运用于检测植被的生态参数，作为现有的监测数据的补充测量手段，则可以充分发挥遥感测量的优势，对于生态保护也有指导意义。
激光雷达(light detection and ranging，LiDAR)技术是获取精度较高数字高程模型的常见手段，它属于主动遥感技术，具有精度高、灵活性好、受天气因素影响小等优势；激光雷达技术通过主动发射激光束，接收从地面反射回探测器的光波，计算出探测器与目标之间的距离，通过激光雷达获取到的数字高程进行遥感场景的分类、识别等任务时，能够很好地辨别出地物的差异，尤其是在分辨建筑物与地面、树木与草地等任务中起到很好的效果。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种能够克服传统植被指数模型法对不同形态的植被之间缺乏的一致性和稳定性的缺点,并且进一步提高植被生物量估算精度的基于数字高程模型的植被反演的方法。
本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是一种基于数字高程模型的植被反演的方法，该方法以激光雷达为手段获取植被信息，并在此基础上建立植被信息的数值模型以及反演数值模型，从而反演植被生物量。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的基于数字高程模型的植被反演的方法，该方法的具体步骤如下：
(1)通过激光雷达扫描植被获取激光点云数据；
(2)对获取的激光点云数据进行处理，获取标准化点云；
(3)对标准化点云进行直接插值得到CHM；
(4)采用分水岭法对标准化点云进行单木分割；
(5)建立地上生物量反演模型；
(6)植被生物量的反演。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的基于数字高程模型的植被反演的方法，步骤(2)中对激光点云数据的处理包括
(2.1)点云数据的配准；
(2.2)利用CSF算法获得DEM；
X代表“布料”中的粒子在t时刻的位置，Fext(X，t)代表外部驱动因素，Fint(X，t)代表内部驱动因素；
m为粒子的重量，设为1；Δt为时间步长，G为常数；
(2.3)分类出地面点云，计算标准化植被点云。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的基于数字高程模型的植被反演的方法，步骤(3)中标准化点云直接插值获CHM的方法为：
X是真值，u是正态分布的值，
是零均值标准化。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的基于数字高程模型的植被反演的方法，步骤(4)中分水岭法进行单木分割包括
(4.1)求取图像的边界；
θ(x，y)＝tan-1(Gy(x，y)/Gx(x，y))
G为像素点，x为水平方向的梯度值，y为竖直方向的梯度值，θ为角度；
(4.2)在图像中进行对前景和后景进行标注区别；
(4.3)计算分割函数，获取分割图像；
FL(pt)＝-&t(1-pt)rlog(pt)
FL(pt)是损失函数，&t为损失函数的系数，(1-pt)r为调节因子。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的基于数字高程模型的植被反演的方法，步骤(5)中，建立地上生物量反演模型的方法为使用估测样地平均高和估测样地冠平均值构成的自然对数形式的多元线性回归方程获取地上生物量：
ln AGB＝2.297+1.492*ln(AvgHE)-1.554*ln(CE)
AvgHE为估测样地平均高，CE为估测样地冠平均值，AGB为地上生物量。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的基于数字高程模型的植被反演的方法，步骤(6)中，植被生物量的反演的方法为把激光雷达提取的估测量带入步骤(3)中的公式，即可得到反演的地上生物量。
与现有技术相比，本发明的有益效果：
本发明将分水岭法单木分割引入到植被生物量估算模型，建立包含估测地样高度和估测地冠平均值自然综合算法模型，进一步提高了植被生物量遥感监测的精度，并克服了传统植被指数模型法对不同形态的植被之间缺乏的一致性和稳定性的缺点。
附图说明
图1为本发明的一种流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，一种基于数字高程模型的植被反演的方法，其特征在于：该方法步骤如下：
(1)获取激光点云数据；
(2)激光点云数据的处理；
(2.1)点云数据的配准；
(2.2)利用CSF算法获得DEM；
X代表“布料”中的粒子在t时刻的位置，Fext(X，t)代表外部驱动因素(如重力、碰撞等)，Fint(X，t)代表内部驱动因素(如粒子间的内部联系)；数字高程模型(DigitalElevation Model)，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达)，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字地形模型(Digital Terrain Model，简称DTM)的一个分支，其它各种地形特征值均可由此派生；
m为粒子的重量，通常设为1；Δt为时间步长，G为常数；
(2.3)分类出地面点云，计算标准化植被点云；
(3)标准化点云直接插值获CHM，CHM指的是冠层高度模型；
X是真值，u是正态分布的值，
是零均值标准化；
(4)分水岭法进行单木分割；
(4.1)求取图像的边界；
θ(x，y)＝tan-1(Gy(x，y)/Gx(x，y))
G为像素点，x为水平方向的梯度值，y为竖直方向的梯度值，θ为角度；
(4.2)在图像中进行对前景和后景进行标注区别；
(4.3)计算分割函数，获取分割图像；
FL(pt)＝-&t(1-pt)rlog(pt)
FL(pt)是损失函数，&t为损失函数的系数，(1-pt)r为调节因子；
(5)建立地上生物量反演模型；
使用估测样地平均高和估测样地冠平均值构成的自然对数形式的多元线性回归方程获取地上生物量：
ln AGB＝2.297+1.492*ln(AvgHE)-1.554*ln(CE)
AvgHE为估测样地平均高，CE为估测样地冠平均值，AGB为地上生物量；
(6)植被生物量的反演
把激光雷达提取的估测量带入步骤(3)中的公式，即可得到反演的地上生物量。
本发明的有益效果：
将分水岭法单木分割引入到植被生物量估算模型，建立包含估测地样高度和估测地冠平均值自然综合算法模型，进一步提高了植被生物量遥感监测的精度，并克服了传统植被指数模型法对不同形态的植被之间缺乏的一致性和稳定性的缺点。
本申请的发明点在于：
以激光雷达为手段，采用单木分割法，建立反演模型，获取植被生物量方法，具有使用科学意义。
以上显示和说明的发明的基本原理、方法和优势均不限于本实施案例。在不脱离本发明的精神和范围内，对本发明进行的任何修改、润色、等同替换和改进等，均应纳入本发明的保护范围内。
Claims (1)
1.一种基于数字高程模型的植被反演的方法，其特征在于：该方法以激光雷达为手段获取植被信息，并在此基础上建立植被信息的数值模型以及反演数值模型，从而反演植被生物量；
该方法的具体步骤如下：
(1)通过激光雷达扫描植被获取激光点云数据；
(2)对获取的激光点云数据进行处理，获取标准化点云；
(3)对标准化点云进行直接插值得到CHM；
(4)采用分水岭法对标准化点云进行单木分割；
(5)建立地上生物量反演模型；
(6)植被生物量的反演；
步骤(2)中对激光点云数据的处理包括
(2.1)点云数据的配准；
(2.2)利用CSF算法获得DEM；
X代表“布料”中的粒子在t时刻的位置，Fext(X，t)代表外部驱动因素，Fint(X，t)代表内部驱动因素；
m为粒子的重量，设为1；Δt为时间步长，G为常数；
(2.3)分类出地面点云，计算标准化植被点云；
步骤(3)中标准化点云直接插值获CHM的方法为：
X是真值，u是正态分布的值，
是零均值标准化；
步骤(4)中分水岭法进行单木分割包括
(4.1)求取图像的边界；
θ(x，y)＝tan-1(Gy(x，y)/Gx(x，y))
G为像素点，x为水平方向的梯度值，y为竖直方向的梯度值，θ为角度；
(4.2)在图像中进行对前景和后景进行标注区别；
(4.3)计算分割函数，获取分割图像；
FL(pr)＝-&t(1-pt)rlog(pt)
FL(pt)是损失函数，&t为损失函数的系数，(1-pt)r为调节因子；
步骤(5)中，建立地上生物量反演模型的方法为使用估测样地平均高和估测样地冠平均值构成的自然对数形式的多元线性回归方程获取地上生物量：
ln AGB＝2.297+1.492*ln(AvgHE)-1.554*ln(GE)
AvgHE为估测样地平均高，CE为估测样地冠平均值，AGB为地上生物量；
步骤(6)中，植被生物量的反演的方法为把激光雷达提取的估测量带入步骤(3)中的公式，即可得到反演的地上生物量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011384791.4A CN112362591B (zh) | 2020-11-30 | 2020-11-30 | 基于数字高程模型的植被反演的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011384791.4A CN112362591B (zh) | 2020-11-30 | 2020-11-30 | 基于数字高程模型的植被反演的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112362591A CN112362591A (zh) | 2021-02-12 |
| CN112362591B true CN112362591B (zh) | 2023-03-14 |
Family
ID=74536478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011384791.4A Active CN112362591B (zh) | 2020-11-30 | 2020-11-30 | 基于数字高程模型的植被反演的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112362591B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113218310B (zh) * | 2021-04-16 | 2022-08-12 | 华中师范大学 | 基于三维激光点云的尾矿库干滩重要参数提取方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102650587A (zh) * | 2012-05-11 | 2012-08-29 | 中国农业大学 | 基于sebal-hj模型的农作物生物量反演方法 |
| CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
| CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
| CN109325433A (zh) * | 2018-09-14 | 2019-02-12 | 东北农业大学 | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 |
| CN111950336A (zh) * | 2020-04-14 | 2020-11-17 | 成都理工大学 | 基于背包式激光雷达的植被冠层生态水估算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| UY36789A (es) * | 2015-07-13 | 2017-01-31 | Agerpoint Inc | Sistemas y métodos modulares para determinar rendimientos de cultivos con sensores georreferenciados de alta resolución |
-
2020
- 2020-11-30 CN CN202011384791.4A patent/CN112362591B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102650587A (zh) * | 2012-05-11 | 2012-08-29 | 中国农业大学 | 基于sebal-hj模型的农作物生物量反演方法 |
| CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
| CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
| CN109325433A (zh) * | 2018-09-14 | 2019-02-12 | 东北农业大学 | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 |
| CN111950336A (zh) * | 2020-04-14 | 2020-11-17 | 成都理工大学 | 基于背包式激光雷达的植被冠层生态水估算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于布模拟算法在LiDAR点云中生成数字高程模型;张凡等;《激光与光电子学进展》;20191217;全文 * |
| 运用激光雷达数据的单木树冠提取算法对帽儿山林场单木参数估测的影响;李岩等;《东北林业大学学报》;20191120;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112362591A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110221311B (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
| Maas et al. | Automatic forest inventory parameter determination from terrestrial laser scanner data | |
| Yu et al. | Automatic detection of harvested trees and determination of forest growth using airborne laser scanning | |
| CN108594262A (zh) | 一种结合无人机和地基激光雷达提取树高的方法 | |
| NO337638B1 (no) | Fremgangsmåte for bestemmelse av bestandatributter og dataprogram for utførelse av fremgangsmåten | |
| JP2008046837A (ja) | 森林資源調査方法および森林資源調査装置 | |
| Lv et al. | Research on the technology of LIDAR data processing | |
| CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
| CN108872964A (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
| Watt et al. | The influence of LiDAR pulse density on the precision of inventory metrics in young unthinned Douglas-fir stands during initial and subsequent LiDAR acquisitions | |
| CN112668534B (zh) | 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 | |
| CN106383998A (zh) | 一种基于地面激光雷达扫描的树木胸径自动计算方法 | |
| CN112014542B (zh) | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 | |
| CN108896021A (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 | |
| CN111950336A (zh) | 基于背包式激光雷达的植被冠层生态水估算方法 | |
| CN109191519A (zh) | 一种树木树干体积估算模型构建方法、体积估算方法及系统 | |
| CN109146951A (zh) | 一种基于无人机激光雷达孔隙度模型估测银杏人工林叶面积指数的方法 | |
| CN112362591B (zh) | 基于数字高程模型的植被反演的方法 | |
| CN115290054A (zh) | 一种基于影像点云的林分蓄积量估算及预估方法 | |
| CN110569805A (zh) | 一种基于无人机影像点云的人工林单木提取及立地质量评价的方法 | |
| CN117368118A (zh) | 一种基于多光谱和点云数据处理的矿区生物量监测方法 | |
| CN109084680A (zh) | 基于移动终端三维扫描图像采集处理的单株树木树干体积估算方法及系统 | |
| Wang et al. | A novel method based on kernel density for estimating crown base height using UAV-Borne LiDAR data | |
| CN115854895A (zh) | 一种基于目标立木形态的非接触式立木胸径测量方法 | |
| CN115223061A (zh) | 基于uav数据的桉树人工林短时间跨度生长量提取方法 |
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 |