CN112668534B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112668534B CN112668534B CN202110009455.XA CN202110009455A CN112668534B CN 112668534 B CN112668534 B CN 112668534B CN 202110009455 A CN202110009455 A CN 202110009455A CN 112668534 B CN112668534 B CN 112668534B
- Authority
- CN
- China
- Prior art keywords
- model
- vegetation
- height
- vegetation height
- digital
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012843 least square support vector machine Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
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，属于植被高度建模、林下地形测量及数字高程模型的范畴。其技术特点是基于数字正射影像DOM与数字表面模型DSM，通过分析提取与林区植被高度相关的光谱特征因子和几何特征因子，采用非线性相关的MIC指数和MAS指数，以及Pearson线性相关系数，评价其相关性作为特征因子筛选依据。利用两种支持向量回归算法，建立林区植被高度机器学习模型(VHM)，最后将DSM改正为DEM，确定林区植被高度模型。可用于航空摄影测量下的高精度的林下地形测绘、植被高度建模、DEM建模，属于林业、地理信息数据处理技术领域。
Description
技术领域
本发明涉及一种基于航空摄影测量技术反演林区植被高度的方法，特别是一种基于数字正射影像和数字表面模型反演林区植被高度模型的方法，可用于航空摄影测量下的高精度的林下地形测绘、植被高度建模、DEM建模，属于林业、地理信息数据处理技术领域。
背景技术
传统光学遥感技术手段在森林覆盖区难以准确获取林下地形，只能测量森林冠层顶部高程。针对林区植被高度与林下地形测绘，目前的工作主要集中于合成孔径雷达干涉测量(InSAR) 、机载激光雷达点云测量及相关滤波算法与分类研究，航空影像主要用于地物分类研究，无人机影像和LiDAR数据相结合用于可见光在林区的垂直透光性研究。雷达能量波仅能够部分穿透并不是十分茂密的植被地区，而含有大量高郁闭度的林区植被，大部分返回信号所进行的仍是表面测量。航空摄影测量是获取省级基础地理信息数据的重要手段，是地形测绘行业应用的主要方式。然而即便是在立体观察的条件下，全面准确估计出所有植被高度也十分困难。当前林区植被高度的确定所面临的挑战主要是：林区植被高度目前仍依赖于人工实地调绘或主观判断，无法准确判读，因人而异，误差过大，效率低下。林区植被高度估计缺乏有效的模型，且无法进行数字高程建模（DEM）的植被改正。
本发明是我们提出的基于数字正射影像和数字表面模型反演林区植被高度的全新技术方案，不同于现有技术方案，本发明采用光谱特征因子和几何特征因子来建立因子与植被高度之间的相关模型，通过机器学习支持向量回归，建立林区植被高度预测模型，计算出结点的植被高度，并将数字表面模型改正为数字高程模型，并达到优于1米的高程精度。
发明内容
针对航空摄影测量信号未能穿透植被到达地面，只能获得数字表面模型（DSM），传统光学遥感技术手段在森林覆盖区难以准确获取林下地形，精度较低，且都不能获得植被高度模与DEM模型，本发明一种基于数字正射影像和数字表面模型反演林区植被高度模型，可用于航空摄影测量下的高精度的林下地形测绘、植被高度建模、DEM建模，属于林业、地理信息数据处理技术领域。
本发明解决其技术问题采取的技术方案是：基于数字正射影像DOM与数字表面模型DSM，通过分析提取与林区植被高度相关的光谱特征因子和几何特征因子，给出它们之间非线性相关的MIC指数和MAS指数，以及Pearson线性相关系数，评价其相关性作为因子筛选依据。采用两种支持向量回归算法，建立林区植被高度机器学习模型(VHM)，最后将DSM改正为DEM。
本发明基于数字正射影像和数字表面模型反演林区植被高度模型，提出建立植被高度模型的支持向量回归方法，利用光谱特征因子、几何特征因子，能够快速、高精度的建立植被高度VHM模型，模型预报精度可达±1米，可为林区地形测绘、VHM与DEM建模提供低价高效的技术方案，可用于航空摄影测量下的高精度的林下地形测绘、植被高度建模、DEM建模。
本发明的关键技术特征和流程包括以下内容：
(A) 植被高度模型特征因子的提取，对DSM结点进行分类，确定植被高度控制点；提取相关光谱特征因子、Lab颜色特征因子、几何特征因子；
(B)MIC相关性，根据提取的特征因子，计算MIC指数、MAS指数、SQRT(MIC)、Pearson相关系数，并进行对比评价；
(C) 机器学习-支持向量机建模，采用高斯径向基核函数，建立支持向量机（SVM）回归模型，确定优化准则；
(D)；采用动态最小二乘支持向量机（DLSSVM）学习算法和支持向量回归学习（V-SVR）算法建立预测模型；
(E) 进行模型对比，确定新的优化准则，建立支持向量回归植被高度模型SVR-VHM；
(F) 选取影像数据，计算结合点植被高度模型VHM，并确定DEM模型。
附图说明
图1为本发明的方法流程图。
具体实施方式
为能够清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行阐述。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，其特征在于，具体实施中包括以下步骤：
l）根据可见光植被指数，对DSM结点进行分类，将结点分为植被点、地物点、地面点，地面点的植被高度赋为0，并作为控制点；
2）植被点与地面点相邻时，植被点的植被高度为与相邻地面点的高差，由DSM计算，如果相邻地面点有多个，则取高差的平均值，此类植被点作为控制点；
3）在立体观察下，通过目视解译均衡采集少量植被高度点作为植被高度控制点；
4）植被高度模型特征因子的提取，提取相关光谱特征因子、Lab颜色特征因子、几何特征因子；
5）计算MIC相关性，根据提取的特征因子，计算MIC指数、MAS指数、SQRT(MIC)、Pearson相关系数，并进行对比评价；
6）机器学习-支持向量机建模，利用支持向量机（SVM）回归模型，采用高斯径向基核函数，在不同的优化准则下，采用动态最小二乘支持向量机（DLSSVM）学习算法和支持向量回归学习（V-SVR）算法，建立植被高度预测模型；
7）进行模型对比，确定新的优化准则，建立支持向量回归植被高度模型SVR-VHM；
8）确定植被高度模型，依据SVR-VHM模型，选取影像数据，计算结合点植被高度模型VHM，并将数字表面模型DSM改正为数字高程DEM模型；
9）对植被高度模型VHM及数字高程模型DEM进行卷积滤波，平滑滤除离群点；
10）根据检核点高程数据，计算模型外符合精度。
Claims (1)
1.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，其特征在于，提出了植被高度模型VHM的概念，以航空正射影像和数字表面模型为基础数据，在其基础上提取影像光谱特征与模型几何特征作为特征因子，采用非线性MIC指数、MAS指数、SQRT(MIC)，以及Pearson线性相关系数评价特征因子与植被高度的相关性，引入支持向量机的最小二乘优化准则，建立支持向量回归植被高度模型SVR-VHM，实现基于数字正射影像和数字表面模型反演林区植被高度，其精度优于1米；包括以下步骤：
(1)提取植被高度控制点：根据可见光植被指数，对数字表面模型结点进行分类，将结点分为植被点、地物点、地面点，地面点的植被高度赋为0，并作为控制点；植被点与地面点相邻的情况，植被点的植被高度为与相邻地面点的高差，由数字表面模型计算，如果相邻地面点有多个，则取高差的平均值；根据树木的阴影长度、树木冠幅与树木高度的关系，推算树木高度；在立体观察下，通过目视解译均衡采集少量植被高度点作为植被高度控制点；
(2)植被高度模型特征因子的提取，根据影像RGB灰度值，提取光谱特征因子：可见光波段差异植被指数、归一化绿蓝差异指数、归一化绿红差异指数、RmG指数、GmB指数、ExG指数与ExR指数及其差值指数、Lab颜色特征因子；基于数字表面模型，提取几何特征因子：数字表面模型结点所在位置的坐标与高程值、结点与其周边相邻8个点的高差、邻域内高度标准差、拟合曲面的法线方向、构造曲面表面粗糙度与曲率；
(3)计算植被高度与模型特征因子的相关性指标：根据提取的植被高度与特征因子数据，计算非线性MIC指数、MAS指数、SQRT(MIC)，以及Pearson线性相关系数，并进行对比评价，将较高相关性的特征因子作为机器学习模型的输入；
(4)建立机器学习-支持向量机回归模型：利用支持向量机(SVM)回归模型，采用高斯径向基核函数，在不同的优化准则下，采用动态最小二乘支持向量机(DLSSVM)学习算法和支持向量回归学习(V-SVR)算法，并通过结果对比，取得相对较优的回归模型结构，建立支持向量回归植被高度模型SVR-VHM；
(5)建立植被高度模型与数字高程模型：根据支持向量回归植被高度SVR-VHM模型，基于数字正射影像和数字表面模型数据，计算同位结点植被高度，建立植被高度模型，并从数字表面模型中移去植被高度，进而确定数字地形模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110009455.XA CN112668534B (zh) | 2021-01-05 | 2021-01-05 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110009455.XA CN112668534B (zh) | 2021-01-05 | 2021-01-05 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112668534A CN112668534A (zh) | 2021-04-16 |
| CN112668534B true CN112668534B (zh) | 2022-08-23 |
Family
ID=75413149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110009455.XA Expired - Fee Related CN112668534B (zh) | 2021-01-05 | 2021-01-05 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668534B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362359A (zh) * | 2021-06-18 | 2021-09-07 | 天津市勘察设计院集团有限公司 | 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法 |
| SE2100172A1 (en) * | 2021-11-09 | 2023-05-10 | Saab Ab | Method, system and computer program product for forming a digital surface model based on treetops |
| CN114494396B (zh) * | 2021-12-28 | 2023-06-09 | 广州极飞科技股份有限公司 | 作业对象高度确定方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110109111A (zh) * | 2019-04-28 | 2019-08-09 | 西安电子科技大学 | 极化干涉sar稀疏植被高度反演方法 |
| CN110321826A (zh) * | 2019-06-26 | 2019-10-11 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种基于植株高度的无人机边坡植被分类方法 |
| CN110598619A (zh) * | 2019-09-06 | 2019-12-20 | 中国农业科学院农业资源与农业区划研究所 | 一种利用无人机影像进行果树识别和计数的方法和系统 |
| CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10839264B2 (en) * | 2018-11-09 | 2020-11-17 | International Business Machines Corporation | Scalable feature classification for laser scanning data and digital elevation models |
-
2021
- 2021-01-05 CN CN202110009455.XA patent/CN112668534B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110109111A (zh) * | 2019-04-28 | 2019-08-09 | 西安电子科技大学 | 极化干涉sar稀疏植被高度反演方法 |
| CN110321826A (zh) * | 2019-06-26 | 2019-10-11 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种基于植株高度的无人机边坡植被分类方法 |
| CN110598619A (zh) * | 2019-09-06 | 2019-12-20 | 中国农业科学院农业资源与农业区划研究所 | 一种利用无人机影像进行果树识别和计数的方法和系统 |
| CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| Seamline optimisation for urban aerial ortho‐image mosaicking using graph cuts;Zhang Yunsheng等;《Photogrammetric Record》;20180325;第131-147页 * |
| 融合数字表面模型的无人机遥感影像城市土地利用;宋晓阳 等;《地球信息科学》;20180531;第703-711页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112668534A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Goodbody et al. | Digital aerial photogrammetry for updating area-based forest inventories: A review of opportunities, challenges, and future directions | |
| Lindberg et al. | Individual tree crown methods for 3D data from remote sensing | |
| US11995886B2 (en) | Large-scale environment-modeling with geometric optimization | |
| CN107451982B (zh) | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 | |
| WO2017168472A1 (ja) | 位置推定装置、位置推定方法及び制御プログラム | |
| 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 | |
| Kwong et al. | Tree height mapping and crown delineation using LiDAR, large format aerial photographs, and unmanned aerial vehicle photogrammetry in subtropical urban forest | |
| Zeybek | Classification of UAV point clouds by random forest machine learning algorithm | |
| Melin et al. | Assessing the performance of aerial image point cloud and spectral metrics in predicting boreal forest canopy cover | |
| Bandyopadhyay et al. | Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery | |
| Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
| CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
| Mesas-Carrascosa et al. | Combining LiDAR intensity with aerial camera data to discriminate agricultural land uses | |
| CN113869370A (zh) | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 | |
| Demir | Using UAVs for detection of trees from digital surface models | |
| Hollaus et al. | Full-waveform airborne laser scanning systems and their possibilities in forest applications | |
| CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
| Morsy et al. | Clustering of multispectral airborne laser scanning data using Gaussian decomposition | |
| Wang et al. | Lidar ground filtering algorithm for urban areas using scan line based segmentation | |
| Tahar et al. | Individual tree crown detection using UAV orthomosaic | |
| Deng et al. | A method for forest vegetation height modeling based on aerial digital orthophoto map and digital surface model | |
| CN114004740B (zh) | 基于无人机激光雷达点云的建筑物墙线提取方法 | |
| Bennet | 2.1 AIRBORNE LASER SCANNING FOR ARCHAEOLOGICAL PROSPECTION | |
| Berveglieri et al. | Forest cover change analysis based on temporal gradients of the vertical structure and density |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220823 |