CN112881294B - 一种基于无人机的红树林林分健康度评价方法 - Google Patents
一种基于无人机的红树林林分健康度评价方法 Download PDFInfo
- Publication number
- CN112881294B CN112881294B CN202110040607.2A CN202110040607A CN112881294B CN 112881294 B CN112881294 B CN 112881294B CN 202110040607 A CN202110040607 A CN 202110040607A CN 112881294 B CN112881294 B CN 112881294B
- Authority
- CN
- China
- Prior art keywords
- mangrove
- forest
- unmanned aerial
- aerial vehicle
- mangrove forest
- 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
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于无人机的红树林林分健康度评价方法,该方法首先通过无人机获取可见光数据;然后,利用像素级种类识别结果以及三维点云重建结果,计算样地物种多样性以及单株植株冠幅和树高;进一步,获取冠幅大小比数、混交度和角尺度的林分结构指标;最后,根据筛选的红树林生态信息指标评估红树林生态系统的健康度。本发明方法中借助无人机开展红树林林分结构健康评估,操作简单,实时性强。获取的红树林的健康程度信息可用于各种政策和保护措施的制定,便于红树林的高效保护和恢复。
Description
技术领域
本发明属于红树林遥感监测技术领域,具体涉及一种基于无人机的红树林林分健康度评价方法。
背景技术
林分结构是林分在未遭受破坏的情况下,林分内部存在的比较稳定的结构规律。林分结构的分析与调整,是恢复森林功能和结构,实现森林可持续经营的重要部分。特别地,对于红树林生态系统,单一树种造林恢复红树林面积的弊端近些年已受到关注,合理的林分结构的重要性开始显现。不同的红树植物种类对生境的要求和适应性不同,群落结构单一的红树林易被外界环境影响。尽管近年来人工造林的抚育管理手段得到广泛应用,红树林面积有所恢复,但是林地树种较单一,其中人工引种造成的外来种入侵现象尤为明显,造成红树林林分结构的整体水平较差,亟需红树林林分结构评价与科学的林分结构优化调整方案。因此,需要对红树林的林分结构健康度进行及时高效的评估。
由于红树林环境较为复杂,可进入性差,通过实地样方调查评估红树林林分结构健康度耗时耗力,同时获取的信息与样地的设定关系较强,无法反映全部红树林生态系统的特征。随着近些年无人机的大规模应用,无人机在森林制图、作物管理和植被监测方面带来的高效率广受关注。综上,应用无人机进行红树林林分结构快速评估,对于实现红树林生态健康的动态监测评估与无人机遥感的应用发展都具有现实意义。
发明内容
有鉴于此,本发明的目的是提供一种基于无人机的红树林林分健康度评价方法,包括以下步骤:
S1:采集红树林生态系统的无人机可见光遥感数据,并进行预处理;
S2:对获取的无人机可见光遥感数据进行植物种类识别得到整个红树林样地的种类识别结果图,以及经过三维点云重建获取飞行区域的红树植物数字表面模型,结合拟合的数字高程模型,获取植被高度信息;
S3:基于整个红树林样地的种类识别结果图和植被高度信息获取红树林生态信息,主要包括物种多样性、单株植株冠幅和树高;
S4:基于单株植物的冠幅和树高确定单木相对位置,计算冠幅大小比数、混交度和角尺度参数;
S5:基于物种多样性、冠幅大小比数、混交度和角尺度参数构建林分结构健康度评价模型;
S6:根据林分结构健康度评价模型,确定红树林林分结构健康度的评价标准,判断红树林林分健康度。
在S1中,采集红树林生态系统的无人机可见光遥感数据时,无人机选型为大疆精灵Phantom 4 RTK,其水平方向和高度方向上的定位精度均为厘米级,像素为5472×3648。飞行参数选取为高度为80m,飞行速度为3m/s,航向重叠度为90%,旁向重叠度为80%,镜头垂直向下拍摄正射影像,单次作业时间平均为18min,同时,对无人机可见光遥感数据预处理时,根据无人机云台相机镜头畸变参数,对图像进行畸变校正。
在S2中,具体进行以下步骤:
S21:对预处理后的无人机可见光遥感数据进行裁切,以适配识别模型的图片输入尺寸;
S22:利用已优化的基于SegNet网络框架的红树植物种类识别模型,对裁切后的无人机可见光遥感数据进行识别、分类,识别后拼接得到整个红树林样地的种类识别结果图;
S24:根据无人机飞行参数(如高度、图像航向重叠度和旁向重叠度等)对无人机可见光遥感数据进行三维点云重建获取红树植物数字表面模型(Digital Surface Model,DSM),之后结合拟合的数字高程模型(Digital Elevation Model,DEM),获取植被高度信息(Canopy Height Model,CHM)。
在S3中,具体进行以下步骤:
S31:基于整个红树林样地的种类识别结果图,根据无人机飞行高度、相机焦距以及成像尺寸,计算各种红树植物的面积,获取整个红树林生态系统的范围大小以及样地的物种多样性参数;
S32:基于植被高度信息,利用局部最大值提取算法以及区域生长算法进行单木分割,获取红树林单株植株冠幅和树高信息。
在S4中,具体进行以下步骤:
S41:依据单株植物的冠幅和树高,获取各单株红树植物的经纬度信息;
S42:根据经纬度信息,依据各个红树植物的空间结构关系,计算冠幅大小比数、混交度和角尺度参数。
在S5中,具体进行以下步骤:
S51:采用乘除法对冠幅大小比数、混交度和角尺度以及物种多样性进行多目标规划,其中,选取混交度、冠幅大小比数和物种多样性中数值较大,作为分子;选取角尺度数值较小的,作为分母,得到以下公式:
式中,F(A)代表红树林单株林分结构评价得分,F(Xi)和F(Yj)是选取的指标参数;
S52:根据红树林单株林分结构评价得分,构建林分结构健康度评价模型:
式中,N代表林分内林木总数,A代表林分结构评分。
在S6中,具体进行以下步骤:
S61:根据结构健康度评价模型,获取原生红树林生态系统的林分结构评分A0;
S62:以原生红树林生态系统的林分结构评分A0作为参考健康度评估依据,判断红树林的健康度,若林分结构评分A≥A0,红树林健康度优秀;若林分结构评分A<A0,红树林健康度不佳,有待提高。
本发明的有益效果是:
本发明设计的基于无人机的红树林林分健康度评价方法,针对红树林生态系统健康评价缺失且现有健康度评价方法费时费力的问题,通过无人机获取可见光数据,利用像素级种类识别结果以及三维点云重建结果,计算红树林面积、物种多样性以及单株植株冠幅和树高信息,进一步获取冠幅大小比数、混交度和角尺度等林分结构指标。最后,根据上述指标评估红树林生态系统的健康度。本发明方法中基于无人机获取红树林生态系统的生态信息参数,并利用获取的生态信息参数快速计算样地的林分结构评分,操作简单且实时性好。获取的林分结构评分可准确评估红树林系统的健康程度,辅助有关部分及时了解红树林的健康状态,合理做出保护政策,实现红树林的高效保护和恢复。
附图说明
图1为本发明基于无人机的红树林林分健康度评价方法流程图。
图2为本发明实施例福田天然红树林核心区的林分结构示意图。
图3为本发明实施例坝光白骨壤单一物种红树林的林分结构示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
针对现有红树林监测方式耗时耗力且精度不高的问题,可通过无人机可见光数据对。本发明提供了一种基于无人机的红树林林分健康度评价方法,具体的过程如图1所示,包括:
S1:采集红树林生态系统的无人机可见光遥感数据,并进行预处理;
S2:对获取的无人机可见光遥感数据进行植物种类识别得到整个红树林样地的种类识别结果图,以及经过三维点云重建获取飞行区域的红树植物数字表面模型,结合拟合的数字高程模型(Digital Elevation Model,DEM),获取植被高度信息(Canopy HeightModel,CHM);
S3:基于整个红树林样地的种类识别结果图和植被高度信息获取红树林生态信息,主要包括物种多样性、单株植株冠幅和树高;
S4:基于单株植物的冠幅和树高确定单木相对位置,计算冠幅大小比数、混交度和角尺度参数;
S5:基于物种多样性、冠幅大小比数、混交度和角尺度参数构建林分结构健康度评价模型。
S6:根据林分结构健康度评价模型,确定红树林林分结构健康度的评价标准,判断红树林林分健康度。
进一步地,在S1中,采集红树林生态系统的无人机可见光遥感数据时,无人机选型为大疆精灵Phantom 4 RTK,其水平方向和高度方向上的定位精度均为厘米级,像素为5472×3648。飞行参数选取为高度为80m,飞行速度为3m/s,航向重叠度为90%,旁向重叠度为80%,镜头垂直向下拍摄正射影像,单次作业时间平均为18min,同时,对无人机可见光遥感数据预处理时,根据无人机云台相机镜头畸变参数,对图像进行畸变校正。
进一步地,在S2中,具体进行以下步骤:
S21:对预处理后的无人机可见光遥感数据进行裁切,以适配识别模型的图片输入尺寸;
S22:利用已优化的基于SegNet网络框架的红树植物种类识别模型,对裁切后的无人机可见光遥感数据进行识别、分类,识别后拼接得到整个红树林样地的种类识别结果图;
S24:根据无人机飞行参数(如高度、图像航向重叠度和旁向重叠度等)对无人机可见光遥感数据进行三维点云重建获取红树植物数字表面模型(Digital Surface Model,DSM),之后结合拟合的数字高程模型(Digital Elevation Model,DEM),获取植被高度信息(Canopy Height Model,CHM)。
进一步地,在S3中,具体进行以下步骤:
S31:基于整个红树林样地的种类识别结果图,根据无人机飞行高度、相机焦距以及成像尺寸,计算各种红树植物的面积,获取整个红树林生态系统的范围大小以及样地的物种多样性参数;
S32:基于植被高度信息,利用局部最大值提取算法以及区域生长算法进行单木分割,获取红树林单株植株冠幅和树高信息。
进一步地,在S4中,具体进行以下步骤:
S41:依据单株植物的冠幅和树高,获取各单株红树植物的经纬度信息;
S42:根据经纬度信息,依据各个红树植物的空间结构关系,计算冠幅大小比数、混交度和角尺度参数。
进一步地,在S5中,具体进行以下步骤:
S51:采用乘除法对冠幅大小比数、混交度和角尺度以及物种多样性进行多目标规划,其中,选取混交度、冠幅大小比数和物种多样性中数值较大,作为分子;选取角尺度数值较小的,作为分母,得到以下公式:
式中,F(A)代表红树林单株林分结构评价得分,F(Xi)和F(Yj)是选取的指标参数;
S52:根据红树林单株林分结构评价得分,构建林分结构健康度评价模型:
式中,N代表林分内林木总数,A代表林分结构评分。
进一步地,在S6中,具体进行以下步骤:
S61:根据结构健康度评价模型,获取原生红树林生态系统的林分结构评分A0;
S62:以原生红树林生态系统的林分结构评分A0作为参考健康度评估依据,判断红树林的健康度,若林分结构评分A≥A0,红树林健康度优秀;若林分结构评分A<A0,红树林健康度不佳,有待提高。
具体地,在S41中获取单株红树植物经纬度信息时,可使用ArcGIS软件,在基于DSM的冠幅结果(包含经纬度和冠幅信息)和种类识别结果(包含种类信息)的融合图层上,点选各种类别红树植物的经纬度。
具体地,在S61中,根据构建的林分结构健康度评价模型,福田红树林核心区的林分结构如图2所示,林分结构评分A0是4.493063109。
具体地,在S63中,根据构建的林分结构健康度评价模型,坝光地区白骨壤单一物种红树林的林分结构如图3所示,林分结构评分A是2.973173068,因为坝光地区白骨壤林地的林分结构评分A<A0,该样地的林分结构健康度不佳,有待提高。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于无人机的红树林林分健康度评价方法,其特征在于,包括以下步骤:
S1:采集红树林生态系统的无人机可见光遥感数据,并进行预处理;
S2:对获取的无人机可见光遥感数据进行植物种类识别得到整个红树林样地的种类识别结果图,以及经过三维点云重建获取飞行区域的红树植物数字表面模型,结合拟合的数字高程模型,获取植被高度信息;
在S2中,具体进行以下步骤:
S21:对预处理后的无人机可见光遥感数据进行裁切,以适配识别模型的图片输入尺寸;
S22:利用已优化的基于SegNet网络框架的红树植物种类识别模型,对裁切后的无人机可见光遥感数据进行识别、分类,识别后拼接得到整个红树林样地的种类识别结果图;
S23:根据无人机飞行参数对无人机可见光遥感数据进行三维点云重建获取红树植物数字表面模型,之后结合拟合的数字高程模型,获取植被高度信息;
S3:基于整个红树林样地的种类识别结果图和植被高度信息获取红树林生态信息,主要包括物种多样性、单株植株冠幅和树高;
在S3中,具体进行以下步骤:
S31:基于整个红树林样地的种类识别结果图,根据无人机飞行高度、相机焦距以及成像尺寸,计算各种红树植物的面积,获取整个红树林生态系统的范围大小以及样地的物种多样性参数;
S32:基于植被高度信息,利用局部最大值提取算法以及区域生长算法进行单木分割,获取红树林单株植株冠幅和树高信息;
S4:基于单株植物的冠幅和树高确定单木相对位置,计算冠幅大小比数、混交度和角尺度参数;
在S4中,具体进行以下步骤:
S41:依据单株植物的冠幅和树高,获取各单株红树植物的经纬度信息;
S42:根据经纬度信息,依据各个红树植物的空间结构关系,计算冠幅大小比数、混交度和角尺度参数;
S5:基于物种多样性、冠幅大小比数、混交度和角尺度参数构建林分结构健康度评价模型;
在S5中,具体进行以下步骤:
S51:采用乘除法对冠幅大小比数、混交度和角尺度以及物种多样性进行多目标规划,其中,选取混交度、冠幅大小比数和物种多样性中数值较大,作为分子;选取角尺度数值较小的,作为分母,得到以下公式:
式中,F(A)代表红树林单株林分结构评价得分,F(Xi)和F(Yj)是选取的指标参数;
S52:根据红树林单株林分结构评价得分,构建林分结构健康度评价模型:
式中,N代表林分内林木总数,A代表林分结构评分;
S6:根据林分结构健康度评价模型,确定红树林林分结构健康度的评价标准,判断红树林林分健康度。
2.根据权利要求1所述红树林林分健康度评价方法,其特征在于,在S1中,采集红树林生态系统的无人机可见光遥感数据时,无人机选型为大疆精灵Phantom 4 RTK,其水平方向和高度方向上的定位精度均为厘米级,像素为5472×3648;飞行参数选取为高度为80m,飞行速度为3m/s,航向重叠度为90%, 旁向重叠度为80%,镜头垂直向下拍摄正射影像,单次作业时间平均为18min,同时,对无人机可见光遥感数据预处理时,根据无人机云台相机镜头畸变参数,对图像进行畸变校正。
3.根据权利要求1所述红树林林分健康度评价方法,其特征在于,在S6中,具体进行以下步骤:
S61:根据结构健康度评价模型,获取原生红树林生态系统的林分结构评分A0;
S62:以原生红树林生态系统的林分结构评分A0作为参考健康度评估依据,判断红树林的健康度,若林分结构评分A≥A0,红树林健康度优秀;若林分结构评分A<A0,红树林健康度不佳,有待提高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110040607.2A CN112881294B (zh) | 2021-01-13 | 2021-01-13 | 一种基于无人机的红树林林分健康度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110040607.2A CN112881294B (zh) | 2021-01-13 | 2021-01-13 | 一种基于无人机的红树林林分健康度评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881294A CN112881294A (zh) | 2021-06-01 |
CN112881294B true CN112881294B (zh) | 2023-01-24 |
Family
ID=76045142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110040607.2A Active CN112881294B (zh) | 2021-01-13 | 2021-01-13 | 一种基于无人机的红树林林分健康度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881294B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063437B (zh) * | 2022-06-16 | 2023-04-28 | 广西壮族自治区气象科学研究所 | 一种红树林冠层可见光图像指数特征分析方法及系统 |
CN116844074A (zh) * | 2023-07-25 | 2023-10-03 | 北京爱科农科技有限公司 | 一种果园三维场景及重点区域的全景展示联动的方法 |
CN117079130B (zh) * | 2023-08-23 | 2024-05-14 | 广东海洋大学 | 一种基于红树林生境的智能信息管理方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829462A (zh) * | 2019-01-16 | 2019-05-31 | 中南大学 | 一种基于语义分割的多种花卉识别方法 |
CN110309762A (zh) * | 2019-06-26 | 2019-10-08 | 扆亮海 | 一种基于航空遥感的林业健康评价系统 |
-
2021
- 2021-01-13 CN CN202110040607.2A patent/CN112881294B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112881294A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112881294B (zh) | 一种基于无人机的红树林林分健康度评价方法 | |
Wing et al. | Prediction of understory vegetation cover with airborne lidar in an interior ponderosa pine forest | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
CN112861837B (zh) | 一种基于无人机的红树林生态信息智慧提取方法 | |
Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
Röder et al. | Application of optical unmanned aerial vehicle-based imagery for the inventory of natural regeneration and standing deadwood in post-disturbed spruce forests | |
Li et al. | Ultrahigh-resolution boreal forest canopy mapping: Combining UAV imagery and photogrammetric point clouds in a deep-learning-based approach | |
Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
Ramli et al. | Homogeneous tree height derivation from tree crown delineation using Seeded Region Growing (SRG) segmentation | |
Li et al. | Individual tree delineation in windbreaks using airborne-laser-scanning data and unmanned aerial vehicle stereo images | |
Liu et al. | An efficient approach based on UAV orthographic imagery to map paddy with support of field-level canopy height from point cloud data | |
Ahongshangbam et al. | Drone‐based photogrammetry‐derived crown metrics for predicting tree and oil palm water use | |
Thomas et al. | Impacts of abrupt terrain changes and grass cover on vertical accuracy of UAS-SfM derived elevation models | |
Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
CN116645321B (zh) | 植被叶倾角演算统计方法、装置、电子设备及存储介质 | |
Albuquerque et al. | Remotely piloted aircraft imagery for automatic tree counting in forest restoration areas: a case study in the Amazon | |
CN116486282A (zh) | 一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质 | |
CN111412899A (zh) | 一种应用无人机测绘对河流进行监测和评估的方法 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
Wijesingha | Geometric quality assessment of multi-rotor unmanned aerial vehicle borne remote sensing products for precision agriculture | |
Wang et al. | Canopy extraction and height estimation of trees in a shelter forest based on fusion of an airborne multispectral image and photogrammetric point cloud | |
Davis et al. | Best practices for incorporating UAS image collection into wetland monitoring efforts: a guide for entry level users | |
Costa et al. | Benthic Habitats of Fish Bay, Coral Bay and the St. Thomas East End Reserve | |
Wang et al. | Citrus canopy volume estimation using UAV oblique photography | |
Witte et al. | Quantifying riparian vegetation and stream bank form through the use of airborne laser scanning and digital video data |
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 |