CN112819066A - 一种Res-UNet单木树种分类技术 - Google Patents
一种Res-UNet单木树种分类技术 Download PDFInfo
- Publication number
- CN112819066A CN112819066A CN202110120005.8A CN202110120005A CN112819066A CN 112819066 A CN112819066 A CN 112819066A CN 202110120005 A CN202110120005 A CN 202110120005A CN 112819066 A CN112819066 A CN 112819066A
- Authority
- CN
- China
- Prior art keywords
- classification
- tree species
- tree
- network
- unet
- 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.)
- Pending
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000011835 investigation Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 241000894007 species Species 0.000 claims description 80
- 238000000034 method Methods 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 claims description 2
- 239000006002 Pepper Substances 0.000 claims description 2
- 235000016761 Piper aduncum Nutrition 0.000 claims description 2
- 235000017804 Piper guineense Nutrition 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims description 2
- 235000008184 Piper nigrum Nutrition 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims 5
- 238000013527 convolutional neural network Methods 0.000 claims 4
- 238000002474 experimental method Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 claims 1
- 238000009499 grossing Methods 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种Res‑UNet单木树种分类技术，发明基于高空间分辨率CCD和LiDAR数据，采用改进的Rse‑UNet深度学习网络进行人工林单木树种分类，实现了复杂林分下的单木树种高精度高效分类，为森林资源调查及树种分布信息获取提供了新路径，适用于人工林单木树种分布信息的获取，属于机器学习在林业应用技术领域范畴，关键技术要点包括：1.构建改进的Rse‑UNet深度学习网络，结合实地调查和CCD影像构建分类样本数据集进行模型训练，并对影像进行预测，完成树种分布制图；2.使用机载LiDAR点云数据完成基于距离判别聚类算法单木树冠分割；3.将树种分类结果和单木树冠分割结果叠加，实现单木树种分类。
Description
一、技术领域
本发明涉及一种机器学习与森林资源调查的交叉领域中的Res-UNet单木树种分类技术，利用机载CCD影像和LiDAR点云数据相结合，对人工林实现单木级别的树种分类方法，适用于人工林单木树种分布信息的获取，属于机器学习技术在林业领域的应用。
二、技术背景
树种识别对林木可持续性经营管理和生态环境保护有重要意义。单木尺度的树种识别为林木的精细调查提供了更加详细的树种信息，也为森林单木参数和结构信息的提取奠定了基础，是森林资源监测中极为基础和关键的指标之一。
传统的树种识别方法采用人工实地调查，工作量较大，成本高且耗时耗力，不利于进行区域制图和森林树种信息的更新。随着遥感技术的不断发展，机载高分辨率影像获取更加方便快捷，且成本大幅降低，具有较高的空间分辨率，有利于精细的树种分类。机载激光雷达技术(Light Detection and Ranging，LiDAR)受天气影响较小，对冠层穿透能力较强，能够直接、快速获取大面积、高精度的植被三维信息，被广泛应用于单木树冠分割。因此，结合高空间分辨率影像和LiDAR数据进行单木树种分类成为可能。目前，对于高分影像树种分类主要包括基于像元的分类和面向对象的分类，其中基于像元的分类方法忽略空间结构关系和上下文语义信息，且对于含有较少波段的高分辨率遥感影像，会造成空间数据的大量冗余，产生椒盐现象。面向对象的分类方法多使用传统的机器学习算法如支持向量机等来进行树种分类，此类方法需要特征的提取、分析与有效特征的筛选，往往难以提取高质量的特征。随着深度学习的发展，越来越多的学者开始使用神经网络自动提取特征取得了显著的成功，证明了深度学习是一种行之有效的分类工具。然而，研究者对于树种分类的研究，多集中在林分或区域尺度，单木树种分类研究较少，将深度学习应用于高分影像解译，尤其是复杂林分下的单木树种分类还是相关的实用成果还属于空白。同时，受制于林业数据获取的难度，目前依赖于大样本数据训练的深度学习方法在林业树种分类实际应用中受到限制，难以推广使用。
因此，本发明构建了基于少量样本的一种适合树种分类的Res-UNet深度学习网络，结合机载CCD影像和LiDAR点云数据实现单木树种的高效率的精细化分类，为复杂林分单木树种分类提供新思路，为我国森林资源的可视化、科学化经营管理提供关键技术支撑。
三、发明内容
为了解决传统树种分类时存在的低精度和低效率，且多集中在林分或区域尺度的问题，本发明旨在提供一种Res-UNet单木树种分类技术，在机载CCD影像上，将ResNet网络引入U-Net网络中加深网络的深度，并在网络的输出端加入CRF后处理操作，优化分类结果图，实现了CCD影像在复杂林分中的树种分类；结合LiDAR点云数据的树冠分割结果，应用叠置分析方法，实现单木树种分类。通过本发明，提出一种复杂林分单木尺度树种分类与制图方法，利用机载CCD影像和LiDAR点云数据实现森林单木树种的便捷、快速、准确分类，提升工作效率和精度，克服传统树种分类方法的缺点，填补目前我国林业行业面临的复杂林分下的单木树种高精度分类相关的技术的空白，为我国森林资源调查、生物多样性研究提供技术支撑。
本发明的实现过程如下：实地调查过程中设置样地，确定样地内样木种类，使用手持GNSS定位仪实地测量记录样地及各单木精确位置；利用机载CCD影像和同步获取的LiDAR数据为基础数据，进行影像预处理，结合地面调查构建分类带标签；搭建Res-UNet网络，输入处理过的CCD数据，训练深度学习模型，完成林分树种分类；应用距离判别聚类算法对机载LiDAR数据进行单木树冠分割，使用叠加分析方法对林分树种分类图和单木树冠分布图进行分割得到单木树冠分布图。
本发明与其他树种分类方法相比具有以下优点：
(1)与传统人力野外调查相比，大大降低时间、人力等成本，提高效率。
(2)基于ResNet网络和U-Net网络的独特优势，将二者结合，提出适用于高分影像树种分类的Res-UNet网络模型，并在网络的输出端加入CRF后处理操作，优化分类结果图。与传统高分数据分类方法相比，分类精度更高，减少混分现象，分类结果更准确。
(3)本方法是一种复杂林分下单木尺度树种分类与制图方法，可以实现任何区域人工林的单木树种分类，具有可以移植性。填补了目前复杂林分下的单木树种高精度高效分类实用成果的空白，为我国森林资源调查、生物多样性研究提供技术支撑。
四、附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的Res-UNet单木树种分类技术流程图；
图2是本发明实施例中的Res-UNet的深度网络的方法流程图。
五、具体实施方式：
本发明：一种Res-UNet单木树种分类技术，基于本发明中的实施例，本领域普通技术人员在没有作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。所述方法包括以下步骤：
具体的，图1示出了本发明实施例中的Res-UNet单木树种分类技术流程图，图2示出了本发明实施例中的Res-UNet的深度网络的方法流程图，具体包括如下步骤：
S101、通过Res-UNet深度网络获取树种分类结果。
本发明所使用的CCD影像由机载CCD数码相机(DigiCAM-60)获取，像素为6千万，镜头焦距为50mm，包含红光(Red)、绿光(Green)和蓝光(Blue)3个波段，影像空间分辨率0.2m；LiDAR数据由机载激光雷达扫描仪LMS-Q680i获取，点云密度为10p/m2。
(1)：对获取原始CCD影像数据进行常规的预处理，LiDAR数据预处理，包括裁剪、去噪、地面点分类、生成数字高程模型和数字表面模型、生成冠层高度模型，最后将冠层高度模型和CCD影像进行配准。
(2)：构建样本数据，在CCD影像中裁剪出850幅包含分类系统中所有树种的1024×1024像元大小的影像，结合试验区矢量数据、CCD影像和实地调查地面解译标志进行目视解译和制作标签，将影像和标签进行旋转和翻转操作生成共1695个样本；为了节省内存、加快模型读取影像的速度，使用相关软件将样本转化成TFRecord形式，输入模型进行训练；从CCD影像中选择包含所有地物类型的3313×1184像元的影像作为测试集。在此基础上使用分层抽样的方法，按照一定的比例将构建的带标签立方体样本划分为训练数据集、验证数据集、测试数据集。
(3)：Res-UNet网络构建，如图2左侧为下采样，即特征提取部分，使用四个残差单元进行特征提取，卷积大小为3×3，同时为了使得下采样的输出与上采样对应层具有相同的通道数，将每个残差单元的输出再进行一次残差操作；在上采样部分，使用线性插值操作代替U-Net网络的反卷积，使用三次残差单元和线性插值操作，恢复特征图的空间信息，在每次插值之后，将结果和下采样中输出通道相同的对应结果一起送入下一个残差单元；接着使用一个残差单元和一个1×1的卷积输出树种的类别信息，生成端到端的分类图。
(4)：模型参数随机初始化，通过误差反向传播完成模型的训练，该步骤采用Adam优化器完成网络的训练。
(5)：模型训练完成后，将影像数据逐个输入得到整幅图像的类别信息中，从而得到树种分类图；根据测试样本及样本对应的类别标签得到树种分类的精度评价报告。
S102、采用距离判别聚类算法利用LiDAR数据提取单木树冠。
将机载LiDAR点云数据中最高的点作为树顶点，然后通过距离迭代判断分割出点云中的单木，完成单木树冠分割，获得单木树冠分布图。
S103、分割、分类结果叠加，得到单木级别树种分类。
使用相关GIS软件对分类结果添加投影信息，然后采用多项式纠正模型和最邻近重采样方法于林分级树种分类图和单木树冠分布图进行地理配准，在于林分级树种分类图和单木树冠分布图中分别均匀选取30个控制点对，平均误差限定在一个像元内，以确保两结果具有较好的匹配效果；基于林分级树种分类图和单木树冠分布图，使用叠加分析获得单木树种分类图。
为验证该方法有效性和测量精度，采用实地调查数据对单木树种分类结果进行精度评价。
表1单木树种分类精度评价报告
使用该方法在试验区的树种分类总体精度为80.05％，单木树种分类精度为73.13％，绝大多数的单木都能实现正确分类，在郁闭度较大的情况下取得了相对较好的分类效果。总的来说，改进的Rse-UNet网络能够提取树种深层次的空间特征，避免网络退化问题，提高树种分类精度；距离判别聚类算法能够满足树冠提取的要求，将二者结合，很好的实现了南方人工林的单木树种分类，因此，该精度可满足一般单木树种分类的应用需求。
Claims (9)
1.一种Res-UNet单木树种分类技术，其特征是：
使用Res-UNet网络对高空间分辨率CCD数据进行复杂异质人工林林分级的树种分类，获得林分级树种分类图；应用距离判别聚类算法对机载LiDAR数据进行单木树冠分割，得到单木树冠分布图；基于林分级树种分类图和单木树冠分布图，使用叠加分析获得单木树种分类图。
2.如权利要求1所述Res-UNet单木树种分类技术，其特征是：使用Res-UNet网络对高空间分辨率CCD数据进行复杂异质人工林林分级的树种分类包括：
根据实地调查数据和CCD数据构建训练及验证数据集，完成深度学习模型训练；利用训练好的模型对CCD影像每个像元所属类别进行预测，得到整个区域的树种分布图。
3.如权利要求1所述Res-UNet单木树种分类技术，其特征是：应用距离判别聚类算法对机载LiDAR数据进行单木树冠分割包括：
使用距离判别聚类算法对同步获取的LiDAR点云数据进行单木树冠分割，得到单木树冠。
4.如权利要求1所述Res-UNet单木树种分类技术，其特征是：基于林分级树种分类图和单木树冠分布图，使用叠加分析获得单木树种分类图包括：
应用叠置分析方法对林分级树种分类图和单木树冠分布图进行叠加和分割，获得研究区单木级树种分布图。
5.如权利要求2所述所述Res-UNet单木树种分类技术，其特征是：
本发明实施例基于深度网络的U-Net和ResNet网络的基本结构上作了相关性改进和调整，将U-Net和ResNet网络相结合，构建改进的Res-UNet网络模型，将U-Net网络的卷积层使用ResNet的残差单元表示，能够更好地提取影像的深层次空间和光谱特征，在上采样中，使用双线性插值代替反卷积，有效地减少了需要训练的模型参数，降低模型复杂度，并在网络的输出端加入条件随机场后处理(Conditional Random Field,CRF)操作，通过梯度反向传播优化模型参数减小阔叶树种的混分现象，使得分类边界更加清晰平滑；改进的Res-UNet网络在进行特征提取时能够提取影像多尺度、更深层次的树种信息，同时在网络加深过程中避免网络退化问题，可以有效地实现复杂林分的单木树种分类，为单木树种分类提供新思路。
6.如权利要求3所述所述Res-UNet单木树种分类技术，其特征是：
把点云数据中最高的点作为树顶点，然后通过距离迭代判断分割出点云中的单木，完成单木树冠分割过程；该方法按照从高点到低点进行点云分割，首先设置一个阈值，当目标顶点水平距离大于该阈值时，该点被当做点云集群之外的点云；本实施例使用距离判别聚类算法进行基于点云的单木树冠分割，结合实测冠幅数据并经过反复实验，在最优的分割效果下，距离阈值设置为1.5，离地面高度设置为6。
7.如权利要求5所述所述Res-UNet单木树种分类技术，其特征是：
将U-Net网络的卷积层使用ResNet的残差单元表示，在每个残差单元中都包含三个卷积核大小为3×3的卷积层；在下采样网络结构中，使用四个步长为2的残差单元进行特征提取；在上采样网络中，使用线性插值代替反卷积操作，步长为1；在进行特征融合时，在网络的输出端，使用1×1的卷积层得到通道数为分类类别数的特征图，以实现输入数据端到端的分类；在网络的输出端加入CRF(Conditional Random Field)后处理，平滑树种分割图。
8.如权利要求7所述所述Res-UNet单木树种分类技术，其特征是：
对于高空间分辨率影像树种分类主要包括基于像元的分类和面向对象的分类；基于像元的分类方法主要考虑像元的波段光谱强度信息，忽略空间结构关系和上下文语义信息，对于含有较少波段的高空间分辨率遥感影像会造成空间数据冗余，产生椒盐现象，而面向对象的分类方法多使用传统的机器学习算法如支持向量机等进行树种分类，需要特征提取、分析与有效特征的筛选，往往难以提取高质量特征；随着机器学习的发展，利用深度学习实现的高分影像分类精度逐渐提高，研究中经常使用的网络主要有卷积神经网络CNN和全卷积神经网络FCN两大类；本实施例使用的高空间分辨率的CCD红光(Red)、绿光(Green)和蓝光(Blue)3个波段影像包含的光谱信息相对较少，因此有效提取和恢复空间信息很关键；ResNet网络作为CNN的一种变体，因其独特的残差单元结构被应用于树种分类中。但在进行遥感影像树种分类时，不考虑像素与像素之间的空间关系，缺乏空间一致性，提取不到更有用的空间和光谱特征；在FCN中使用跳跃连接形成的改进的U-Net网络在一定程度上能够提升网络的特征提取能力，但在网络加深时容易造成网络退化问题。
9.如权利要求8所述所述Res-UNet单木树种分类技术，其特征是：
应用发明实施例提出的Res-UNet网络的树种分类，能够在保证提取影像的深层次空间和光谱特征的同时避免网络退化问题，实现90.03％的分类总体精度，同时结合LiDAR点云数据，通过距离判别聚类算法，对于高郁闭度下单木树冠的分割与分类的研究提供了解决方法；距离判别聚类算法得到的树冠分割结果生产者精度为73.83％、用户精度80.05％，两者结合可以依靠少量样本有效地实现复杂林分的单木树种分类，最终能够实现73.13％的单木树种分类精度，在郁闭度较大的情况下取得了相对较好的分类效果，精度可满足一般单木树种分类的应用需求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110120005.8A CN112819066A (zh) | 2021-01-28 | 2021-01-28 | 一种Res-UNet单木树种分类技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110120005.8A CN112819066A (zh) | 2021-01-28 | 2021-01-28 | 一种Res-UNet单木树种分类技术 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112819066A true CN112819066A (zh) | 2021-05-18 |
Family
ID=75859887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110120005.8A Pending CN112819066A (zh) | 2021-01-28 | 2021-01-28 | 一种Res-UNet单木树种分类技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819066A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591766A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
| CN114663787A (zh) * | 2022-03-28 | 2022-06-24 | 北京林业大学 | 一种融合无人机chm和rgb影像的单木分割方法 |
| CN115345889A (zh) * | 2022-10-13 | 2022-11-15 | 西南科技大学 | 一种肝脏及其肿瘤图像的分割方法 |
| WO2023085996A1 (en) * | 2021-11-09 | 2023-05-19 | Saab Ab | Method, system and computer program product for forming a digital surface model based on treetops |
| CN116433748A (zh) * | 2023-06-14 | 2023-07-14 | 南开大学 | 一种林地多源数据融合的森林碳储量确定方法及系统 |
| CN117607063A (zh) * | 2024-01-24 | 2024-02-27 | 中国科学院地理科学与资源研究所 | 一种基于无人机的森林垂直结构参数测量系统和方法 |
| CN118015277A (zh) * | 2024-02-22 | 2024-05-10 | 武汉大学 | 一种基于深度学习的三维点云树木结构分割方法及系统 |
| CN118350554A (zh) * | 2024-06-17 | 2024-07-16 | 日照市自然资源和规划局 | 一种基于林业生态大数据的森林资源分析方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832681A (zh) * | 2017-10-16 | 2018-03-23 | 福州大学 | 联合LiDAR点云和同步遥感影像的森林单木树高估算方法 |
| CN109164459A (zh) * | 2018-08-01 | 2019-01-08 | 南京林业大学 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
| CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
| CN110263735A (zh) * | 2019-06-25 | 2019-09-20 | 北京林业大学 | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 |
| CN110378926A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 |
| CN111091030A (zh) * | 2018-10-24 | 2020-05-01 | 中国测绘科学研究院 | 树种的识别方法、装置、计算机设备和可读存储介质 |
| CN111462134A (zh) * | 2020-03-31 | 2020-07-28 | 武汉大学 | 高分遥感影像和激光雷达点云融合的单木分割方法及系统 |
-
2021
- 2021-01-28 CN CN202110120005.8A patent/CN112819066A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832681A (zh) * | 2017-10-16 | 2018-03-23 | 福州大学 | 联合LiDAR点云和同步遥感影像的森林单木树高估算方法 |
| CN109164459A (zh) * | 2018-08-01 | 2019-01-08 | 南京林业大学 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
| CN111091030A (zh) * | 2018-10-24 | 2020-05-01 | 中国测绘科学研究院 | 树种的识别方法、装置、计算机设备和可读存储介质 |
| CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
| CN110378926A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 |
| CN110263735A (zh) * | 2019-06-25 | 2019-09-20 | 北京林业大学 | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 |
| CN111462134A (zh) * | 2020-03-31 | 2020-07-28 | 武汉大学 | 高分遥感影像和激光雷达点云融合的单木分割方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| KAILI CAO 等: ""An improved res-unet model for tree species classification using airborne high-resolution images"", 《REMOTE SENSING》 * |
| 冯静静: ""基于LiDAR点云数据与高分辨率影像的单木参数提取"", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591766A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
| WO2023085996A1 (en) * | 2021-11-09 | 2023-05-19 | Saab Ab | Method, system and computer program product for forming a digital surface model based on treetops |
| CN114663787A (zh) * | 2022-03-28 | 2022-06-24 | 北京林业大学 | 一种融合无人机chm和rgb影像的单木分割方法 |
| CN115345889A (zh) * | 2022-10-13 | 2022-11-15 | 西南科技大学 | 一种肝脏及其肿瘤图像的分割方法 |
| CN116433748A (zh) * | 2023-06-14 | 2023-07-14 | 南开大学 | 一种林地多源数据融合的森林碳储量确定方法及系统 |
| CN116433748B (zh) * | 2023-06-14 | 2023-08-22 | 南开大学 | 一种林地多源数据融合的森林碳储量确定方法及系统 |
| CN117607063A (zh) * | 2024-01-24 | 2024-02-27 | 中国科学院地理科学与资源研究所 | 一种基于无人机的森林垂直结构参数测量系统和方法 |
| CN117607063B (zh) * | 2024-01-24 | 2024-04-19 | 中国科学院地理科学与资源研究所 | 一种基于无人机的森林垂直结构参数测量系统和方法 |
| CN118015277A (zh) * | 2024-02-22 | 2024-05-10 | 武汉大学 | 一种基于深度学习的三维点云树木结构分割方法及系统 |
| CN118350554A (zh) * | 2024-06-17 | 2024-07-16 | 日照市自然资源和规划局 | 一种基于林业生态大数据的森林资源分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
| CN111898543B (zh) | 一种融合几何感知与图像理解的建筑物自动提取方法 | |
| WO2021197341A1 (zh) | 一种基于单目影像的道路标志标线的更新方法 | |
| CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
| CN110837839B (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
| CN111104850B (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
| CN113902792B (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
| CN103743750B (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
| CN114663787A (zh) | 一种融合无人机chm和rgb影像的单木分割方法 | |
| Dong et al. | Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm | |
| CN113280764A (zh) | 基于多星协同技术的输变电工程扰动范围定量监测方法及系统 | |
| Alidoost et al. | Y-shaped convolutional neural network for 3d roof elements extraction to reconstruct building models from a single aerial image | |
| Sun et al. | Feasibility study on the estimation of the living vegetation volume of individual street trees using terrestrial laser scanning | |
| CN113222025B (zh) | 一种基于激光雷达的可行区域标签生成方法 | |
| Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
| Sun et al. | GABLE: A first fine-grained 3D building model of China on a national scale from very high resolution satellite imagery | |
| Huang et al. | A Stepwise Refining Image-Level Weakly Supervised Semantic Segmentation Method for Detecting Exposed Surface for Buildings (ESB) From Very High-Resolution Remote Sensing Images | |
| CN117437489A (zh) | 基于决策树模型的城市绿地提取方法 | |
| CN116052110B (zh) | 一种路面标线缺损智能定位方法及系统 | |
| Gu et al. | Surveying and mapping of large-scale 3D digital topographic map based on oblique photography technology | |
| Tan et al. | LiDAR-Based Automatic Pavement Distress Detection and Management Using Deep Learning and BIM | |
| Sun et al. | Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210518 |
|
| WD01 | Invention patent application deemed withdrawn after publication |