CN112669363B - 城市绿地三维绿量测算方法 - Google Patents
城市绿地三维绿量测算方法 Download PDFInfo
- Publication number
- CN112669363B CN112669363B CN202011299064.8A CN202011299064A CN112669363B CN 112669363 B CN112669363 B CN 112669363B CN 202011299064 A CN202011299064 A CN 202011299064A CN 112669363 B CN112669363 B CN 112669363B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- green space
- plant species
- dimensional
- 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
Landscapes
- Image Processing (AREA)
Abstract
城市绿地三维绿量测算方法,基于高分辨率全色影像的DN值、纹理特征和空间几何特征、高光谱图像的光谱特征以及激光雷达的点云数据,用于识别植物轮廓和物种前提下,面向对象的城市绿地三维绿量反演方法,能快速和精确的计算大面积范围内的城市绿地的三维绿量,并精确计算得到每一种植物、每一株植物的地上三维绿量,对于城市绿地的资源监测和环境因子调查具有重要意义,克服了现有的方法在城市绿地三维绿量测定过程中对测量环境要求高、工作量大、精度低等难题,提高了工作效率。
Description
技术领域
本发明涉及城市绿地三维绿量测算领域,具体涉及一种城市绿地三维绿量测算方法。
背景技术
三维绿量是指所有生长植物的茎叶所占据的空间体积。三维绿量通过对茎叶体积的计算,来揭示植物绿色三维体积(或者叶面积指数)与植物生态功能水平的相关性,进而来说明植物体本身、植物群落乃至城市森林的生态功能和环境效益。三维绿量作为绿化指标突破了原有二维绿化指标的局限性,可以更加准确地反映城市绿地空间构成的合理性,即明确城市绿化在空间结构方面的差异,且三维绿量指标也可以体现出整个城市的生态效益水平,因而可用于更全面、准确地描述城市绿地的空间结构、定量研究城市绿地与环境的相关关系、分析绿化的环境效益和城市绿化需求总量、以及不同城市功能区的绿化结构优化设计等方面。因此,高效准确地测量城市绿地的三维绿量对城市森林生态环境效益评价、城市绿地的构建以及城市绿地学科的发展具有重要意义。
近几年,我国的许多城市围绕城市森林三维绿量研究做了大量的工作,而传统的立木三维绿量的计算主要包括两种:1)地面激光和全站仪测定,采用“三维激光扫描仪”、“无棱镜全站仪测定”和“二位激光扫描机”来对乔木进行,即利用激光扫描系统所获得的点云数据进行求算,形成完整单株乔木树冠点云数据,再计算得到单株乔木的三维绿量。2)航空航天遥感。采用卫星、飞机等航空航天飞行器搭载成像仪传感器获取地面的遥感影像,人工调查样方中三维绿量总值,利用回归方程推算其他树冠因子,用简单几何体近似树冠计算其体积。中国专利文献CN 103185557A记录了一种树木三维绿量测量方法及系统,绿量计算器获取无棱镜全站仪实时采集的采样点信息;提取层数相同的采样点组合图层,根据图层内的采样点坐标生成弧段多边形;计算相邻图层中,上图层的弧段多边形的投影与下图层的弧段多边形的重叠区所形成的树冠体积;计算相邻图层中,上图层的弧段多边形的投影与下图层的弧段多边形的非重叠区所形成的树冠体积;计算树冠总体积,所述树冠总体积为重叠区所形成的树冠体积与非重叠区所形成的树冠体积之和。此方法工作量大,无法在区域尺度上大面积计算树木的三维绿量总和,需要人工对单株树进行观测计算,且对环境也有严格要求(近地面风速小于0.5m/s)。
中国专利文献CN 107622228A记录了一种基于无人机遥感影像的三维绿量测算方法,通过对无人机遥感影像进行拼接解译,可以获得树种信息,通过改进后的Logistic曲线方程及各树木的冠径信息可以得到其冠高信息,再结合树木的树冠形状,可得到各树木的三维绿量及研究区域内的三维绿量。但该专利并未涉及树木识别自动化的方法,如果人工标定工作量巨大,而用Logistic曲线方程推算出来的冠高信息也并不准确。
总的来说,现有的方法都存在工作量大、精度低等问题。因此,为了克服现有的方法在城市绿地三维绿量测定过程中不可避免地带来的很多麻烦,并提高工作效率,如何引入新的实用化的绿量测量技术和方法,以提高测量的效率,是三维绿量测定的关键问题。
发明内容
本发明所要解决的技术问题是提供一种城市绿地三维绿量测算方法,基于植物轮廓和物种识别的前提下,快速、精确的计测大面积范围内的城市绿地三维绿量,并精确计算得到每一种植物、每一株植物的地上三维绿量,对于城市绿地的资源监测和环境因子调查具有重要意义。
为解决上述技术问题,本发明所采用的技术方案是:
城市绿地三维绿量测算方法,包括以下步骤:
步骤一、获取目标区域的全色影像、高光谱影像数据和激光雷达数据,并对数据进行预处理;
步骤二、在地面设置若干样地,在样地中记录不同植物的测量数据,数据包括目标区域绿地中植物物种的种类,不同种类乔木和灌木的冠幅和树高,测算植物物种的三维绿量;
步骤三、将高光谱图像进行分割,筛选出影像数据中只包含植被的区域,构成目标区域森林影像数据,包括目标区域森林中的所有乔木、灌木和草地;
步骤四、利用全色影像,对植物区域的影像进行边缘检测,对植物物种的冠层轮廓进行识别并计算出平均冠径;
利用高光谱影像可见光、红边波段和近红外波段进行组合,定位、识别和聚集数据中最纯的像元,获取植物区域影像中纯净的端元波谱曲线,用于提取目标区域绿地中不同植物物种的端元波谱特征曲线并录入库;
步骤五、对激光雷达数据进行预处理,并与植物物种边缘检测的结果进行叠加,计算出植物物种的高度;
步骤六、实测目标区域各植物物种的三维绿量,建立不同物种三维绿量及激光雷达获得的树高、树冠的模型,区分不同植物物种所属模型;
步骤七、根据步骤四中构建的高光谱影像下不同植物物种的端元波谱特征曲线,将影像中的所有数据进行分类,然后与全色影像植物物种的冠层轮廓监测结果进行叠加,识别定义每个轮廓的物种类别;
步骤八、根据步骤六中建立的植物物种三维绿量的模型,结合步骤七中的识别结果,通过计算,获取目标区域绿地的三维绿量;
上述步骤一中数据的预处理包括:分别对全色影像和高光谱影像进行辐射定标,、大气校正、地形校正、镶嵌和拼接,对激光雷达点云数据做归一化处理。
上述的步骤三中图像分割的具体过程为:
利用归一化植被指数NDVI和大津Otsu算法对图像进行分割。
首先,计算NDVI,公式为:
NDVI=(ρNIR-ρRED)/(ρNIR+ρRED)
式中,ρNIR为近红波段的反射率,ρRED为红波段的反射率;
其次,利用大津Otsu算法进行图像分割,步骤如下:
设NDVI图像的灰度级为L(G=1,2,3,…,L),处在灰度级i的像元个数用ni表示,NDVI的总像元个数为:
直方图归一化后为:
式中,p(i)表示图像中灰度级为i的像元出现的概率;
用T表示阈值,将归一化图像中的像元按灰度级T划分为两类:C1≤T和C2>T,两类出现的概率为:
假设两类像元的均值分别为m1和m2,NDVI图像全局像元均值为mg,那么:
w1*m1+w2*m2=mg
w1+w2=1
此时方差为:
δ2=p1(m1-mg)2+p2(m2-mg)2
即:
δ2=p1p2(m1-m2)2
上式中,δ2为类间方差,类间方差为最大值时,对应的阈值T为NDVI图像的最佳分割阈值。
上述的步骤四具体过程为:
首先,基于索贝尔Sobel算子进行边缘检测,实现轮廓识别,具体步骤为:
首先,设定Sobel算子,公式为:
其次,利用全色高分辨率影像的像元集合Z与A和B做平面卷积,分别实现经横向及纵向边缘检测的图像灰度值Gx和Gy的计算,公式如下:
通过下式,可计算全色高分辨率影像的每一个像元的横向及纵向灰度大小:
使用近似值:
|f(Gx,Gy)|=|Gx|+|Gy|
设置阈值为h,像元值f(Gx,Gy)大于h,即被标记为边缘点,这些边缘点的集合,即为轮廓识别的结果;
然后在全色影像轮廓识别的基础上,参照样地植物物种类型和地理位置,将某一乔木或灌木植物物种的冠幅高光谱影像作为数据集,通过高通滤波器模板对高光谱数据集G进行分离,得到噪声Gn和信号Gs,则有:
G=Gn+GS
通过最大化变换后数据的信噪比,即最大化信号协方差与噪声协方差的比值,得到变换矩阵V;
式中:YN和YS分别为变换后数据的噪声和信号,Coy(·)表示协方差,CN和CS分别为数据的噪声和信号的协方差,CN=Cov(GN),CS=Cov(GS),上式优化问题可等价为:
式中,C表示数据的总体协方差,C=CN+CS,根据拉格朗日乘子法,上式的最优解为:
CV=λCNV
根据上式从大到小排列特征值,取前d个特征值对应的特征向量,可得到转换矩阵:
V=[V1,V2,…,Vd]
运用排除了噪声波段的MNF结果,通过PPI提取高光谱影像中的纯净像元,PPI的原理是:通过将n维散点图迭代映射为一个随机单位向量来计算,每次映射的极值,即处于单位向量末端的像元被记录下来,每个像元被标记为极值的总次数也被记录下来,生成一副“像元纯度图像”,通过设定阈值,来提取纯净的像元;
通过PPI提取高光谱数据集中对应样地区域植被的纯净像元,生成一副“像元纯度图像”,通过设定阈值,将不同乔木和灌木植物物种的纯净的像元提取,生成一条完整的端元波谱曲线并录入端元波谱数据库。
在轮廓识别的基础上,树冠投影面积中的平均半径,具体方法为:
将树冠投影轮廓最外沿的多边形m定义为此多边形有Pn个顶点,顶点Pn(n=1,2,…,m)沿边界正向排列,坐标依次为(x1,y1),(x2,y2),…,(xn,yn),树冠投影轮廓的平均半径/>为:
上述的步骤五的具体过程为:去除雷达原始点云数据的噪声点,使用滤波去除非地面点,然后计算每个像元内激光点高度的平均值,预设空间分辨率,生成数字地表模型和数字高程模型,将数字地表模型和数字高程模型进行差值运算得到高程归一化后的数字冠层高度模型,与边缘检测结果进行叠加,提取植物物种边缘检测中的最高点作为该植物的树高。
上述的步骤六中,实测样地各种植物物种的三维绿量,建立不同物种三维绿量与激光雷达获得的树高(d)、树冠平均冠径的模型,区分不同植物物种所属三维绿量几何模型,具体如下:
表1树冠三维绿量几何模型
其中,三维绿量计算公式中的表示平均冠径,d表示冠高。
上述的步骤七中数据分类采用波谱角分类方法,波谱角分类是在n维空间中把未知谱线与样本波谱曲线(即步骤四的端元波谱曲线)进行比较,选取最相似的曲线作为识别依据,从而进行归类的分类方法,即广义余弦夹角法。该方法将光谱曲线作为光谱空间的向量,通过计算两个向量之间的夹角,即计算待识别光谱与参考光谱之间的“角度”,进而确定二者的相似性,波谱角计算公式如下:
式中:α为未知波谱空间向量t与样本波谱空间向量r之间的夹角对比结果,ti和ri分别代表第i个波段上未知波谱t和样本波谱r的数值,参考波谱库中的端元光谱,n为波段数。计算结果值为0~π/2,值越接近0,表示测试像元与参考光谱越接近,对于一个像元光谱,与所有的参考光谱都计算光谱角,其所属地物类别即为所有计算结果中α最小参考光谱所代表的地物类别。
上述的城市绿地三维绿量测算方法,还包括以下步骤:
步骤九、建立反演模型对目标区域绿地三维绿量进行反演,评价模型拟合的效果和精度。
上述的反演模型采取决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价模型,计算公式如下:
式中,xi为目标区域绿地三维绿量实测值,为目标区域绿地三维绿量实测平均值,/>为目标区域绿地三维绿量的模型估测值,n为样地的数量,i为目标区域单一样地。
本发明提供的一种城市绿地三维绿量测算方法,公开一种综合高分辨率全色数据、高光谱影像数据和激光雷达点云数据联合反演计算城市绿地三维绿量的方法,具体地说,是指一种:
1)对高分辨率全色影像进行几何校正、拼接预处理,对高光谱影像进行几何校正、大气校正预处理,对激光雷达点云数据进行滤波,插值生成数字地形模型,点云数据归一化处理;
2)分别基于预处理后的数据,提取高分辨率全色影像(DN值、纹理特征和空间几何特征)、高光谱数据(光谱特征)和激光雷达数据(点云结构特征);
3)结合地面实测数据,构建不同树种类型的三维绿量几何模型;
4)基于提取的影像特征,对不同树种树冠进行轮廓识别,对不同树种进行树种类型识别并获取平均冠径;
5)基于点云结构特征获取不同树种的高度;
6)基于识别结果和构建的三维绿量几何模型反演计算城市绿地的三维绿量;
本发明能对城市绿地的三维绿量快速精准测算,与使用其他相近遥感方法进行地上三维绿量估算结果相比,其方便、快速且精度高,是基于植物轮廓和物种识别前提下,面向对象的城市绿地三维绿量反演方法,能快速和精确的计测大面积范围内的城市绿地三维绿量,并精确计算得到每一种植物、每一株植物的地上三维绿量,对于城市绿地的资源监测和环境因子调查具有重要意义。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为NDVI计算结果及Ostu阈值分割图像;
图2为Sobel算子的植物轮廓识别结果示意图;
图3为基于波谱角和轮廓检测的植物物种识别结果示意图;
图4为城市绿地三维绿量测算结果;
图5为本发明中预处理后的全色影像和高光谱影像;
图6为经过MNF和PPI后不同植被类型的端元波谱数据示意图。
具体实施方式
如图1-6中所示,城市绿地三维绿量测算方法,包括以下步骤:
步骤一、获取目标区域的全色影像、高光谱影像数据和激光雷达数据,并对数据进行预处理;
步骤二、在地面设置若干样地,在样地中记录不同植物的测量数据,数据包括城市绿地区域中植物物种的种类,不同种类乔木和灌木的冠幅和树高,测算植物物种的三维绿量;
步骤三、将高光谱图像进行分割,筛选出影像数据中只包含植被的区域,构成城市森林影像数据,包括城市森林中的所有乔木、灌木和草地;
步骤四、利用全色影像,对植物区域的影像进行边缘检测,对植物物种的冠层轮廓进行识别并计算出平均冠径;
利用高光谱影像可见光、红边波段和近红外波段进行组合,定位、识别和聚集数据中最纯的像元,获取植物区域影像中纯净的端元波谱曲线,用于提取城市绿地中不同植物物种的端元波谱特征曲线并录入库;
步骤五、对激光雷达数据进行预处理,并与植物物种边缘检测的结果进行叠加,计算出植物物种的高度;
步骤六、实测目标区域各植物物种的三维绿量,建立不同物种三维绿量及激光雷达获得的树高、树冠的模型,区分不同植物物种所属模型;
步骤七、根据步骤四中构建的高光谱影像下不同乔木和灌木植物物种的端元波谱特征曲线,将影像中的所有数据进行分类,然后与全色影像植物物种的冠层轮廓监测结果进行叠加,识别定义每个轮廓的物种类别;
步骤八、根据步骤六中建立的植物物种三维绿量的模型,结合步骤七中的识别结果,通过计算,获取城市绿地的三维绿量;
步骤九、利用建立的反演模型对城市绿地三维绿量进行反演,并采取决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价模型你和的效果和精度。计算公式如下:
式中,xi为目标城市绿地的三维绿量实测值,为目标城市绿地三维绿量实测平均值,/>为目标城市绿地三维绿量的模型估测值,n为样地的数量,i为目标城市单一样地。
实施例1:
1、本实施例试验区位于上海市奉贤区邬桥苗圃基地(121.41°E,30.96°N),面积约3.83hm2。其植被类型丰富。其中植物包括:垂丝海棠(Malus halliana Koehne)、红花檵木(Loropetalum chinense(R.Br.)Oliver var.rubrum Yieh)、胡颓子(Elaeagnus pungensThunb.)、鸡爪槭(Acerpalmatum Thunb.)、荚蒾(Viburnum dilatatum Thunb.)、金边黄杨(Euonymus japonicus Thunb.var.aurea-marginatus Hort.)、金边马褂木(Liriodendrontulipifera‘ureomarginatum’)、金叶皂荚(Gleditsia triacaanthos‘sunburst’)、木槿(Hibiscus syriacus Linn.)、七叶树(Aesculus chinensis Bunge)等;
2、借助无人机采集高分辨率影像、高光谱数据和激光雷达数据;
3、在研究区范围内设置28个方形样地(10×10m2)。样地中心点坐标使用GPS(Trimble GeoXH6000)测定,GPS通过接收广域差分信号定位,精度优于0.5m,并在样地中记录树种并计数,同时测量每木的冠幅和树高,估测树冠形状,建立相应三维绿量几何模型,如表1中所示;
表1树冠几三维绿量几何模型
其中,三维绿量计算公式中的表示平均冠径,d表示冠高。
4、如图5中所示,数据预处理时,对高分辨率全色影像进行拼接,生成一幅完整的研究区高分辨率影像,同时结合地面实测控制点数据,采用二次多项式模型对影像进行几何精校正。借助传感器辐射定标数据对原始高光谱数据进行辐射定标,并利用经验线性模型结合地面实测标靶光谱数据进行大气校正,同时,利用地面实测控制点对高光谱影像进行几何精校正;
5、如图1中所示,利用经过预处理的高光谱影像,进行NDVI的计算,得到NDVI分布图,利用Otsu法,求得阈值,本实例中为0.3,对NDVI进行分割,得到分布图中的植被区域;
6、利用经过预处理的高分辨率全色影像,根据步骤5中的植被区域进行裁剪,得到全色影像的植被分布区;
7、如图2中所示,对全色影像的植被分布区,进行Sobel边缘检测,识别不同植物物种的树冠轮廓以及草地轮廓;
8、如图6中所示,在识别植物物种的轮廓基础上,对应实地调查的样地中已经标记的植物种类进行标定,对标定轮廓内的高光谱影像进行处理,包括MNF去噪和PPI纯净像元提取,提取不同典型乔木和灌木物种的端元波谱曲线,并录入库;
9、如图3中所示,对其他未标定轮廓内的高光谱影像进行提取,将未知植物的波谱曲线与录入库的端元波谱曲线进行比对,利用波谱角比对的方法,对未知物种进行识别;
10、如图4中所示,对激光雷达数据进行处理,去除LiDAR原始点云数据的噪音点,基于滤波方法去除非地面点;通过计算每个像元内激光点高度的平均值,在设定空间分辨率为0.5m的前提下,生成数字地表模型和数字高程模型;数字地表模型与数字高程模型的结果进行差值运算即得到高程归一化后的数字冠层高度模型,与边缘检测结果进行叠加,计算出植物物种的高度;
表2单株三维绿量计算结果
11、如表2中所示,利用冠径、冠高数据和表1中7个关系模型进行计算,获得影像区域的城市绿地内的三维绿量为8142m3,单位面积平均三维绿量为0.59m3/m,获得每一种植物、每一株植物的三维绿量;
12、采用采用R2、RMSE和rRMSE评价模型拟合的效果及估测精度,分别为0.73,8.65和10.36%,效果理想。
Claims (7)
1.城市绿地三维绿量测算方法,其特征是在于,包括以下步骤:
步骤一、获取目标区域的全色影像、高光谱影像数据和激光雷达数据,并对数据进行预处理;
步骤二、在目标区域地面设置若干样地,在样地中记录不同植物的测量数据,数据包括目标区域绿地中植物物种的种类,不同种类乔木和灌木的冠幅和树高,测算植物物种的三维绿量;
步骤三、将高光谱图像进行分割,筛选出影像数据中的植被区域,包括目标区域中的所有乔木、灌木和草地;
步骤四、利用全色影像,对植物区域的影像进行边缘检测,对植物物种的冠层轮廓进行识别并计算出平均冠径;
利用高光谱影像可见光、红边波段和近红外波段进行组合,定位、识别和聚集数据中最纯的像元,获取植物区域影像中纯净的端元波谱曲线,用于提取目标区域绿地中不同乔木和灌木植物物种的端元波谱特征曲线并录入库;
步骤五、对激光雷达数据进行预处理,并与植物物种边缘检测的结果进行叠加,计算出植物物种的高度;
步骤六、实测目标区域各植物物种的三维绿量,建立不同物种三维绿量及激光雷达获得的树高、树冠的模型,区分不同植物物种所属模型;
步骤七、根据步骤四中构建的高光谱影像下不同植物物种的端元波谱特征曲线,将影像中的所有数据进行分类,然后与全色影像植物物种的冠层轮廓监测结果进行叠加,识别定义每个轮廓的物种类别;
步骤八、根据步骤六中建立的植物物种三维绿量的模型,结合步骤七中的识别结果,通过计算,获取目标区域绿地的三维绿量;
所述的步骤四的具体过程为:
基于索贝尔Sobel算子进行边缘检测,然后进行轮廓识别,具体步骤为:
首先,设定Sobel算子,公式为:
其次,利用全色高分辨率影像的像元集合Z与A和B做平面卷积,分别实现经横向及纵向边缘检测的图像灰度值Gx和Gy的计算,公式如下:
最后,计算全色高分辨率影像的每一个像元的横向及纵向灰度大小,公式为:
使用近似值:
|f(Gx,Gy)|=|Gx|+|Gy|
设置阈值为h,像元值f(Gx,Gy)大于h,即被标记为边缘点,这些边缘点的集合,即为轮廓识别的结果;
然后在全色影像轮廓识别的基础上,参照样地植物物种类型和地理位置,将某一乔木或灌木植物物种的冠幅高光谱影像作为数据集,通过高通滤波器模板对高光谱数据集G进行分离,得到噪声GN和信号Gs,则有:
G=GN+GS
通过最大化变换后数据的信噪比,即最大化信号协方差与噪声协方差的比值,得到变换矩阵V;
式中,YN和YS分别为变换后数据的噪声和信号,Cov(·)表示协方差,CN和CS分别为数据的噪声和信号的协方差,CN=Cov(GN),CS=Cov(GS),上式优化问题可等价为:
式中,C表示数据的总体协方差,C=CN+CS,根据拉格朗日乘子法,上式的最优解为:
CV=λCNV
根据上式从大到小排列特征值,取前d个特征值对应的特征向量,可得到转换矩阵:
V=[V1,V2,…,Vd]
运用排除了噪声波段的MNF结果,通过PPI提取高光谱数据集中对应样地区域植被的纯净像元,生成一副“像元纯度图像”,通过设定阈值,将不同乔木和灌木植物物种的纯净的像元提取,生成一条完整的端元波谱曲线并录入端元波谱数据库;
轮廓识别后,还需计算树冠投影面积中的平均半径,具体方法为:
将树冠投影轮廓最外沿的多边形m定义为此多边形有Pn个顶点,顶点Pn(n=1,2,…,m)沿边界正向排列,坐标依次为(x1,y1),(x2,y2),…,(xn,yn),树冠投影轮廓的平均半径/>为:
2.根据权利要求1所述的城市绿地三维绿量测算方法,其特征在于,所述步骤一中数据的预处理包括:分别对全色影像和高光谱影像进行辐射定标、大气校正、地形校正、镶嵌和拼接,对激光雷达点云数据做归一化处理。
3.根据权利要求2所述的城市绿地三维绿量测算方法,其特征在于,所述的步骤三中图像分割的具体过程为:
利用归一化植被指数NDVI和大津Otsu算法对图像进行分割;
首先,计算NDVI,公式为:
NDVI=(ρNIR-ρRED)/(ρNIR+ρRED)
式中,ρNIR为近红波段的反射率,ρRED为红波段的反射率;
其次,利用大津Otsu算法进行图像分割,步骤如下:
设NDVI图像的灰度级为L(G=1,2,3,…,L),处在灰度级i的像元个数用ni表示,NDVI的总像元个数为:
直方图归一化后为:
式中,p(i)表示图像中灰度级为i的像元出现的概率;
用T表示阈值,将归一化图像中的像元按灰度级T划分为两类:C1≤T和C2>T,两类出现的概率为:
假设两类像元的均值分别为m1和m2,NDVI图像全局像元均值为mg,那么:
w1*m1+w2*m2=mg
w1+w2=1
此时方差为:
δ2=N1(m1-mg)2+N2(m2-mg)2
即:
δ2=N1N2(m1-m2)2
式中,δ2为类间方差,类间方差为最大值时,对应的阈值T为NDVI图像的最佳分割阈值。
4.根据权利要求3所述的城市绿地三维绿量测算方法,其特征在于,所述的步骤五的具体过程为:首先,去除雷达原始点云数据的噪声点,使用滤波去除非地面点;其次,计算每个像元内激光点高度的平均值,预设空间分辨率,生成数字地表模型和数字高程模型;最后,将数字地表模型和数字高程模型进行差值运算得到高程归一化后的数字冠层高度模型,与边缘检测结果进行叠加,提取植物物种边缘检测中的最高点作为该植物的树高。
5.根据权利要求4所述的城市绿地三维绿量测算方法,其特征在于,所述的步骤七中高光谱影像数据分类采用波谱角分类方法。
6.根据权利要求1所述的城市绿地三维绿量测算方法,其特征是:还包括步骤九、建立反演模型对目标区域绿地三维绿量进行反演,评价模型拟合的效果和精度。
7.根据权利要求6所述的城市绿地三维绿量测算方法,其特征是:所述的反演模型采取决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价模型,计算公式如下:
式中,xi为目标区域绿地三维绿量实测值,为目标区域绿地区域三维绿量实测平均值,/>为目标区域绿地三维绿量的模型估测值,n为样地的数量,i为目标区域单一样地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299064.8A CN112669363B (zh) | 2020-11-18 | 2020-11-18 | 城市绿地三维绿量测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299064.8A CN112669363B (zh) | 2020-11-18 | 2020-11-18 | 城市绿地三维绿量测算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669363A CN112669363A (zh) | 2021-04-16 |
CN112669363B true CN112669363B (zh) | 2023-07-21 |
Family
ID=75403439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299064.8A Active CN112669363B (zh) | 2020-11-18 | 2020-11-18 | 城市绿地三维绿量测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669363B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023149963A1 (en) | 2022-02-01 | 2023-08-10 | Landscan Llc | Systems and methods for multispectral landscape mapping |
CN116210571B (zh) * | 2023-03-06 | 2023-10-20 | 广州市林业和园林科学研究院 | 一种立体绿化遥感智能灌溉方法及系统 |
CN117337751A (zh) * | 2023-11-17 | 2024-01-05 | 成都电科星拓科技有限公司 | 一种可实现任意形状绿地养护的浇灌系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622228A (zh) * | 2017-08-28 | 2018-01-23 | 辽宁远天城市规划有限公司 | 一种基于无人机遥感影像的三维绿量测算方法 |
-
2020
- 2020-11-18 CN CN202011299064.8A patent/CN112669363B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622228A (zh) * | 2017-08-28 | 2018-01-23 | 辽宁远天城市规划有限公司 | 一种基于无人机遥感影像的三维绿量测算方法 |
Non-Patent Citations (1)
Title |
---|
基于遥感影像的城市空间三维绿量(绿化三维量)定量研究;周廷刚,罗红霞,郭达志;生态学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669363A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112669363B (zh) | 城市绿地三维绿量测算方法 | |
CN113592882B (zh) | 一种基于无人机多源遥感的树冠提取方法 | |
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
CN109031344B (zh) | 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 | |
Pyysalo et al. | Reconstructing tree crowns from laser scanner data for feature extraction | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN112131946B (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN112577906B (zh) | 城市绿地土壤含水率检测方法 | |
CN112729130A (zh) | 卫星遥感测量树木冠层高度的方法 | |
CN112396019A (zh) | 一种基于无人机的植被分布识别方法、系统及可读存储介质 | |
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 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
Chen et al. | Site quality assessment of a Pinus radiata plantation in Victoria, Australia, using LiDAR technology | |
CN111487643B (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
CN113935366A (zh) | 点云单木分割自动分类方法 | |
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 | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
CN116206211A (zh) | 综合时序遥感信息和KL-divergence的地物类型识别方法 | |
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 | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery |
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 |