CN113156394B - 基于激光雷达的森林资源监测方法、装置和存储介质 - Google Patents
基于激光雷达的森林资源监测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN113156394B CN113156394B CN202110346537.3A CN202110346537A CN113156394B CN 113156394 B CN113156394 B CN 113156394B CN 202110346537 A CN202110346537 A CN 202110346537A CN 113156394 B CN113156394 B CN 113156394B
- Authority
- CN
- China
- Prior art keywords
- data
- forest
- accumulation
- point cloud
- global
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000009825 accumulation Methods 0.000 claims abstract description 158
- 238000007726 management method Methods 0.000 claims abstract description 73
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 238000012806 monitoring device Methods 0.000 claims abstract description 14
- 238000011161 development Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000011835 investigation Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 16
- 238000010972 statistical evaluation Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000006837 decompression Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 241000894007 species Species 0.000 description 17
- 238000012545 processing Methods 0.000 description 12
- 230000018109 developmental process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 210000000481 breast Anatomy 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请涉及一种基于激光雷达的森林资源监测方法、装置和存储介质，其中方法包括：根据激光点云数据进行特征变量提取，获得样地特征变量数据和全域特征变量数据；根据样地特征变量数据与地面调查样地，建立激光雷达蓄积量估测模型；将全域特征变量数据通过森林资源管理数据进行分析，获得树种(组)集合；将树种(组)集合输入激光雷达林分蓄积量估测模型进行计算，获得全域森林蓄积量估测信息，并将全域森林蓄积量估测信息进行推导，获得测树因子集合。将森林蓄积量、测树因子信息更新至森林资源管理矢量数据，并以基于“互联网+”技术的开发信息管理系统管理森林资源。本申请能提高森林蓄积量监测的精准度和时效性，实现森林资源的年度出数。
Description
技术领域
本申请涉及资源监测技术领域，特别是涉及基于激光雷达的森林资源监测 方法、装置和存储介质。
背景技术
我国的森林资源监测体系，包含国家监测和地方监测两个层级。从狭义来 讲，这两个层级主要是以一类森林资源连续清查和二类森林资源规划设计调查 组成。但由于这两套体系相对独立运行，导致两者衔接难度大，客观上造成森 林资源的两套数据，而且其监测期跨度大，不能实现年度出数，难以满足自然 资源资产离任审计、“林长制”等森林资源管理年度绩效考核评价等工作的信息需求。从广义来讲，监测体系中还包括营造林、林木采伐、林地征占用等资源 变化监测，生态公益林保护、野生动植物保护、湿地保护、防火防害等专项调 查监测。这些专项监测同样面临数据无缝衔接的问题。
随着林地“一张图”的全面铺开和年度更新的常态化，逐步解决了森林资 源监测体系基础数据的问题。国家林业和草原局、各省也在“一张图”基础上 为实现年度考核对森林资源监测体系一直有试点和实践，虽然都努力为实现森 林资源数据的及时更新、快速查询、科学分析提供技术支撑，努力促进森林资 源管理走向全面数字化、信息化，但仍表现出其局限性。一是仍然没有解决森林资源的关键测树因子之一——森林蓄积的精细化监测问题；二是在时效性、 可视化和适用性等方面与新时代下生态文明建设对森林资源动态监测的需求相 比仍有较大差距。
目前针对相关技术中森林资源监测体系精细化程度低和时效性差，尚未提 出有效的解决方案。
发明内容
本申请实施例提供了一种基于激光雷达的森林资源监测方法、装置和存储 介质，以至少解决相关技术中森林资源监测体系精准度低和时效性差的问题。
第一方面，本申请实施例提供了一种基于激光雷达的森林资源监测方法， 其特征在于，包括：
获取森林的激光点云数据、地面调查样地以及森林资源管理数据；
根据所述激光点云数据进行特征变量提取，获得样地特征变量数据和全域 特征变量数据；
根据所述样地特征变量数据与地面调查样地，建立激光雷达蓄积量估测模 型；
将所述全域特征变量数据通过森林资源管理数据进行分析，获得树种(组) 集合；
将所述树种(组)集合输入激光雷达林分蓄积量估测模型进行计算，获得 全域森林蓄积量估测信息，并将所述全域森林蓄积量估测信息进行推导，获得 测树因子集合；
将所述森林蓄积量信息更新至森林资源管理矢量数据，并以基于“互联网+” 技术的开发信息管理系统管理森林资源。
在其中一个实施例中，所述根据所述激光点云数据进行特征变量提取，获 得样地特征变量数据和全域特征变量数据包括：
将所述激光点云数据进行预处理，获得第一点云数据；其中，所述预处理 包括解压、差分、POS数据解算、激光检校、点云数据生成、点云数据坐标转 换、点云数据姿态校正，航带间接边中至少一种；
将所述地面调查样地数据进行分析，获得样地蓄积量变量；
将所述森林资源管理数据进行数据更新，获得矢量本底数据。
在其中一个实施例中，所述将所述激光点云数据进行预处理，获得第一点 云数据包括：
将所述第一点云数据进行去噪处理，获得第二点云数据；
将所述第二点云数据进行点云精分类，获得第三点云数据；
将所述第三点云数据按样地位置提取样地点云数据，获得第四点云数据；
将所述第三点云数据进行特征变量提取，获得全域激光雷达特征变量数据；
将所述第四点云数进行特征变量提取，获得样地激光雷达特征变量数据。
在其中一个实施例中，所述将所述树种(组)集合输入激光雷达蓄积量估 测模型进行计算，获得全域森林蓄积量估测信息之前包括：
建立激光雷达蓄积量估测模型，将所述样地激光雷达特征变量数据以及所 述样地蓄积量变量按预设树种分类进行多元逐步线性回归，获得激光雷达林分 蓄积量估测模型，所述激光雷达林分蓄积量估测模型的输入为所述全域激光雷 达特征变量数据以及矢量本底数据，输出为全域森林蓄积量估测信息。
在其中一个实施例中，所述根据所述样地特征变量数据与地面调查样地， 建立激光雷达蓄积量估测模型包括：
获取所述激光雷达蓄积量估测模型的统计评价指标；
检测所述统计评价指标是否在指标范围内；
若所述统计评价指标在指标范围内，则采用所述激光雷达蓄积量估测模型 进行计算。
在其中一个实施例中，所述将所述树种(组)集合输入激光雷达林分蓄积 量估测模型进行计算，获得全域森林蓄积量估测信息还包括：
获得所述全域森林蓄积量估测信息和系统抽样产出森林蓄积量的残差值；
检测所述残差值是否在检验值范围内；
若所述残差值在检验值范围内，则所述全域森林蓄积量估测信息符合森林 资源监测要求。
在其中一个实施例中，根据所述森林蓄积量估测信息，采用基于“互联网+” 森林资源管理系统更新森林蓄积量等数据。
第二方面，本申请实施例提供了一种基于激光雷达的森林资源监测装置， 包括：
数据获取模块，用于获取森林的激光点云数据、地面调查样地以及森林资 源管理数据；
特征提取模块，用于根据所述激光点云数据进行特征变量提取，获得样地 特征变量数据和全域特征变量数据；
模型建立模块，用于根据所述样地特征变量数据与地面调查样地，建立激 光雷达蓄积量估测模型；
数据分析模块，用于将所述全域特征变量数据通过森林资源管理数据进行 分析，获得树种(组)集合；
计算模块，用于将所述树种(组)集合输入激光雷达林分蓄积量估测模型 进行计算，获得全域森林蓄积量估测信息，并将所述全域森林蓄积量估测信息 进行推导，获得测树因子集合；
管理模块，用于将所述森林蓄积量信息更新至森林资源管理矢量数据，并 以基于“互联网+”技术的开发信息管理系统管理森林资源。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以 及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执 行所述计算机程序时实现如上述第一方面所述的基于激光雷达的森林资源监测 方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计 算机程序，该程序被处理器执行时实现如上述第一方面所述的基于激光雷达的 森林资源监测方法。
相比于相关技术，本申请实施例提供的基于激光雷达的森林资源监测方法， 通过获取森林的激光图像数据以及监测数据，计算激光点云数据和特征变量数 据获得森林蓄积量估测信息，提高森林资源监测体系监测森林蓄积量的精准度 和时效性。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请 的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分， 本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限 定。在附图中：
图1是根据相关技术的应用环境图；
图2是根据本申请实施例的基于激光雷达的森林资源监测方法的流程图；
图3是根据本申请实施例的另一种基于激光雷达的森林资源监测方法的流 程图；
图4是根据本申请实施例的基于激光雷达的森林资源监测方法的激光雷达 林分蓄积量估测模型示意图；
图5是根据本申请实施例的基于激光雷达的森林资源监测装置的结构框图；
图6为根据本申请实施例的基于激光雷达的森林资源监测设备的硬件结构 示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用 以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通 技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本 申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于 本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些 附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过 程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关 的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些 设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或 特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短 语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的 实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施 例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属 技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一 个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申 请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖 不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、 产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单 元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理 的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本 申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系， 表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在 A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或” 的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请提供的基于激光雷达的森林资源监测方法，可以应用于如图1所示 的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服 务器104通过获取森林的激光点云数据、地面调查样地以及森林资源管理数据； 根据所述激光点云数据进行特征变量提取，获得样地特征变量数据和全域特征 变量数据；根据所述样地特征变量数据与地面调查样地，建立激光雷达蓄积量 估测模型；将所述全域特征变量数据通过森林资源管理数据进行分析，获得树种集合；将所述树种集合输入激光雷达林分蓄积量估测模型进行计算，获得全 域森林蓄积量估测信息；根据所述全域森林蓄积量估测信息，获得测树因子集合，将所述森林蓄积量信息更新至森林资源管理矢量数据，并以基于“互联网+” 技术的开发信息管理系统管理森林资源。其中，终端102可以但不限于是各种 个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器 104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
其中，所述激光雷达(Light Detection And Ranging，LiDAR)是一项通过由传 感器所发出的激光来测定传感器与目标物之间距离的主动遥感技术。LiDAR通 过主动获取三维坐标信息来定量估测森林参数，尤其在林木高度测量与林分垂 直结构信息获取方面具有其它遥感技术无可比拟的优势，这奠定了LiDAR用于 森林定量估测的理论基础。经过30多年的发展，激光雷达技术在林业中的应用已逐渐成熟。
激光雷达在国外林业方面的应用已经做过大量试验，许多研究已经证明机 载小光斑LiDAR数据在森林资源调查中的重要性，通过激光扫描数据可以准确 地估测林分特征，测量森林冠层结构，如树高、胸高断面积以及林分蓄积量。 与被动光学相比，林分垂直结构信息丰富，可有效避免普通光学影像反演中蓄 积量饱和问题，对同物异谱同谱异物、时相、数据源敏感度低，结果可重复。 芬兰已采用LiDAR技术进行了全面森林资源调查。
国内LiDAR在林业方面的研究起步于2000年初，中国林业科学研究院、 北京林业大学、中国测绘科学研究院等科研院校起步较早，研究了基于LiDAR 的森林结构特征变量的提取及树高、胸径、蓄积量等相关森林结构参数反演估 测的机理等问题，奠定了通过LiDAR获取森林蓄积量的理论基础，但受LiDAR 数据源获取和地面样地数量的限制，LiDAR在林业中的学术研究多为小区域范 围，且样地设置多为典型类型布设，未见反演结果与国家森林资源连续清查机 械系统布样产出结果的对比。基于遥感途径的森林资源监测方法与传统系统抽样调查方法的相容性问题一直未得到系统的回答。同时散生四旁蓄积作为森林 资源的重要组成部分，在以往单纯遥感途径的监测过程中，一直被忽略不计。
本实施例还提供了一种基于激光雷达的森林资源监测方法。图2是根据本 申请实施例的基于激光雷达的森林资源监测方法的流程图，如图2所示，该流 程包括如下步骤：
步骤S201，获取森林的激光点云数据、地面调查样地以及森林资源管理数 据。
步骤S202，根据所述激光点云数据进行特征变量提取，获得样地特征变量 数据和全域特征变量数据。
具体地，将所述激光点云数据进行预处理，获得第一点云数据；其中，所 述预处理包括解压、差分、POS数据解算、激光检校、点云数据生成、点云数 据坐标转换、点云数据姿态校正，航带间接边中至少一种；将所述地面调查样 地数据进行分析，获得样地蓄积量变量；将所述森林资源管理数据进行数据更 新，获得矢量本底数据。
进一步地，将所述地面调查样地数据根据国家标准《森林资源连续清查技 术规程》(GB/T 38590-2020)和《国家森林资源连续清查技术规定》中相关要 求获得样地蓄积量变量。将所述森林资源管理“一张图”数据根据《森林督查 暨森林资源管理“一张图”年度更新技术规定》要求，利用遥感判读、经营资 料等数据更新“一张图”图斑和管理因子等至调查当年度，获得矢量本底数据。
在一个实施例中，激光点云数据预处理符合测绘标准《机载激光雷达数据 处理技术规范》(CH/T 8024-2011)要求，预处理应完成POS数据和地面基站数 据等原始数据进行解压、差分、POS数据解算、激光检校生成第一图像数据， 将所述第一图像数据进行三维重建，获得激光点云数据，将激光点云数据进行坐标转换以及姿态校正，并将激光点云数据噪声点剔除，航带间接边等处理。
具体地，将所述第一点云数据进行去噪处理，获得第二点云数据；将所述 第二点云数据进行点云精分类，获得第三点云数据；将所述第三点云数据按样 地位置提取样地点云数据，获得第四点云数据；将所述第三点云数据进行特征 变量提取，获得全域激光雷达特征变量数据；将所述第四点云数进行特征变量 提取，获得样地激光雷达特征变量数据。
在一个实施例中，将所述第一点云数据进行噪声剔除获得第二点云数据， 将所述第二点云数据通过自动滤波算法进行点云分类，区分所述第二点云数据 的地面点和非地面点，在非地面点中区分植被与非植被，获得第三点云数据。 将所述第三点云数据按样地位置提取样地点云数据，获得第四点云数据；将所 述第三点云数据进行特征变量提取，获得全域激光雷达特征变量数据；将所述第四点云数进行特征变量提取，获得样地激光雷达特征变量数据。进一步编辑 分类为地面点、植被点、建筑点、水系点，叠加辅助影像作为参考，达到植被 和非植被点的精细分离，分类精度达95％以上。所述激光点云数据处理完成后 采用海量点云并行处理软件(软著登字第4354107号，软著登字第6626819号，)， 实现数据自动分发、计算资源调度、流程化变量提取、节点计算结果自动收回、 结果标准化输出等功能，高效提取98个森林结构参数特征变量，其中，98个森 林结构参数特征变量中包括：高度相关变量46个、密度相关变量10个以及强 度相关变量42个。
步骤S203，根据所述样地特征变量数据与地面调查样地，建立激光雷达蓄 积量估测模型。
所述根据所述样地特征变量数据与地面调查样地，建立激光雷达蓄积量估 测模型包括：获取所述激光雷达蓄积量估测模型的统计评价指标；检测所述统 计评价指标是否在指标范围内；若所述统计评级指标在指标范围内，则采用所 述激光雷达蓄积量估测模型进行计算。
所述将所述树种(组)集合输入蓄积量估测模型进行计算，获得全域森林 蓄积量估测信息之前包括：建立蓄积量估测模型，将所述样地激光雷达特征变 量数据以及所述样地蓄积量变量按预设树种分类进行多元逐步线性回归，获得 激光雷达林分蓄积量估测模型，所述激光雷达林分蓄积量估测模型的输入为所 述全域激光雷达特征变量数据以及矢量本底数据，输出为全域森林蓄积量估测 信息。
具体地，获得所述全域森林蓄积量估测信息和系统抽样产出森林蓄积量的 残差值；检测所述残差值是否在检验值范围内；若所述残差值在检验值范围内， 则所述全域森林蓄积量估测信息符合森林资源监测要求。在一个实施例中，按 传统森林资源监测的系统抽样产出蓄积与基于激光雷达蓄积量估测产出蓄积吻 合率为98.3％，符合森林资源监测要求，验证了基于激光雷达的监测方法与传统 方法的相容性。
所述建立多元逐步线性回归模型，将所述特征变量数据以及所述监测数据 作为相应变量进行逐步回归，获得激光雷达蓄积量估测模型包括：获取所述激 光雷达蓄积量估测模型的统计评价指标；检测所述统计评价指标是否在指标范 围内；若所述统计评价指标在指标范围内，则采用所述激光雷达蓄积量估测模 型进行计算。
步骤S204，将所述全域特征变量数据通过森林资源管理数据进行分析，获 得树种(组)集合。
具体地，收集监测年度森林经营档案如采伐、占用、病虫害等资料，收集 森林资源“一张图”矢量数据，收集历次国家森林资源连续清查固定样地资料 及监测区当地现用的立木材积表、林木生长率表、形高表(或树高-断面积-蓄积 量表)、立地类型表、地位指数表等，收集传统光学遥感影像数据，采集监测年度当期激光雷达数据，外业实地调查样地的数据。森林经营档案及“一张图” 数据整理规范后导入标准化空间数据库；传统光学遥感数据按《森林资源调查 卫星遥感影像图制作技术规程》(LY/T 1954-2011)标准处理并提取归一化植被 指数(NDVI)；样地数据包括历史样地和当期采集样地，历史样地和当期采集 样地处理包括样地、样木数据的分析、逻辑检查，立木类型分类筛选、样地坐标转换及位置核实，并结合样地树种(组)类型和胸径资料，通过林木材积表 获得样地蓄积结果。在一个实施例中，采用机载平台搭配高性能、多通道激光 扫描系统采集激光点云数据，数据采集过程符合测绘行业标准《机载激光雷达 数据获取技术规范》(CH/T 8023-2011)要求，并且点云密度应大于4点每平方米，精度要求(均相对于邻近基础控制点)平面位置中误差平地、丘陵地不应 超过±0.24米，山地、高山地不应超过±0.32米。高程中误差要求：平地、丘 陵地不应超过±0.1米，山地、高山地不应超过±0.2米。外业实地调查样地设置应尽可能覆盖区域植被类型，可采用系统抽样布点或典型样地设置，样地定 位必须采用高精度DGPS差分设备，样地调查内容、调查方法、结果统计按《国 家森林资源连续清查技术规定》执行。
步骤S205，将所述树种(组)集合输入激光雷达林分蓄积量估测模型进行 计算，获得全域森林蓄积量估测信息，并将所述全域森林蓄积量估测信息进行 推导，获得测树因子集合。
步骤S206，将所述森林蓄积量信息更新至森林资源管理矢量数据，并以基 于“互联网+”技术的开发信息管理系统管理森林资源。
在一个实施例中，采用多元逐步回归方法建立激光雷达林分蓄积量估测模 型，因变量为监测数据，自变量为特征变量数据；运用逐步进入法和观察调整 决定系数adjR2变化情况来选择进入模型的合适变量。建模过程中采用随机分组 10次10折交叉验证方法确定最优模型参数；模型的评价和检验是评价模型好坏 的关键工作，以调整确定系数(adjR2)、估计值的标准差(SEE)、均方根误差(RMSE)、 相对均方根误差(rRMSE)、平均预估误差(MPE)5项指标作为基本评价指标。 DW检验确定变量自相关性。VIF检验共线性问题。
式中：
yi监测数据中实地调查样地的蓄积量；
模型估测的森林蓄积量估测信息；
监测数据中实地调查样地的蓄积量平均值；
n监测数据中实地调查样地的数量；
p、k均为特征变量数据中的特征变量个数。
R2表示根据自变量的变异来解释因变量的变异部分，R2值越大、越接近于1， 预测值于真实值拟合越好，但并不能武断得出回归方程有意义的结论，还需要 对回归方程进行一系列的检验。一组数据对于回归直线是否有意义，可通过方 差分析即F检验来确定，F值过小达不到显著水平，说明自变量对因变量的解释 力很差；RMSE是均方误差的平方根，用来衡量预测值与真实值之间的误差情况； rRMSE是统计评价指标，反映模型精度情况，通常rRMSE<10％认为模型精度非常 好，10％<rRMSE<20％认为模型精度好，20％<rRMSE<30％认为模型精度一般rRMSE>30％ 认为模型精度差；杜宾-沃森DW检验的参数用D值表示，取值范围为0<D<4, 当残差与自变量相互独立时，D＝2。当D值接近2时，则认为随机误差项基本 上是相互独立的，不存在自相关问题。。
所述方法还包括：根据所述森林蓄积量估测信息，采用基于“互联网+”森 林资源管理系统更新森林蓄积量等数据。
具体地，以监测数据为因变量，特征变量数据作为自变量，根据实施区域 的地形地貌特征及主要树种(组)分类型建立最佳森林激光雷达林分蓄积量估 测模型，并反演得到的森林蓄积量估测信息。四旁蓄积量通过普通光学遥感数 据提取的NDVI结果，根据合理的NDVI筛选阈值和资源“一张图”地类信息筛选出其空间关联的激光雷达变量点，并通过相应估测模型反演蓄积量，汇总 得到森林蓄积量估测信息并更新森林蓄积量数据，根据所述森林蓄积量数据将 资源一张图数据库进行更新。
如图4所示，在其中一些实施例中，基于激光雷达的森林资源监测方法采 用多元逐步回归方法建立分地貌分树种(组)的12个激光雷达林分蓄积量估测 模型，模型调整决定系数adjR2在0.63～0.93范围，均值0.86；相对均方误rRMSE 在14％～32％范围，均值22.5％，获得森林蓄积量估测模型综合评价指标好，蓄 积量反演精度较高。相比于现行监测体系中森林蓄积量产出方式效率和时效性大大提高，并且估测范围更为全面。
本发明利用森林的激光点云数据以及实地调查样地数据，计算激光点云数 据和特征变量数据获得森林蓄积量估测信息，提高森林资源监测体系监测森林 蓄积量的精准度和时效性。通过基于“互联网+”技术的动态监测平台，实现森 林资源监测两大重要指标——森林面积和森林蓄积及时年度出数，并可以通过手机、平板等多终端保持基础数据的现势性。
本发明还包括基于“互联网+”技术的开发信息管理系统，系统以全过程质 量管理思想，实现强化数据整合、规范工作流程、应用高新技术、注重服务基 层、共享数据平台等森林资源管理目标，系统功能包括：
及时发布变化图斑：将遥感判读结果在省级森林资源管理“一张图”年度 更新系统中发布，业务员利用移动终端管理系统逐一核实确认变化图斑；
内外业一体化核查：基层负责落实林业经营活动以及对遥感判读提取的变 化图斑进行逐一核实，对不能内业核实的图斑、森林督查图斑及其它有疑问图 斑，利用管理系统开展在线举证及外业实地核查；
规范成果生成：根据业务员通过管理系统反馈的现地验证和补充上传的变 化线索，采用数据网上处理、审核、质量检查方法规范生成最终成果；
便捷成果分析和报告提交：通过管理系统更新矢量本底数据，在线统计产 出森林督查、森林资源管理“一张图”成果所需的统计报表；并生成自查报告 模板；
日常管理广泛应用：通过管理系统多终端设备实现日常森林资源动态变化 情况外业巡查、变化线索提交、地块信息在线查询等业务。
本实施例还提供了一种基于激光雷达的森林资源监测方法。图3是根据本 申请实施例的另一种基于激光雷达的森林资源监测方法的流程图，如图3所示， 该流程包括如下步骤：
步骤S301，数据采集，获取林业经营资料、森林资源一张图、传统光学遥 感数据、机载激光雷达数据、无人机激光雷达数据、地面背包激光雷达数据、 历史样地数据收集的数据以及典型样地采集的数据。
步骤S302，数据处理，根据森林资源一张图以及传统光学遥感数据，判读 区划变化图斑；根据机载激光雷达数据、无人机激光雷达数据和地面背包激光 雷达数据获得激光点云数据，将大数据量点云并行处理，多尺度激光雷达数据匹配，将所述激光点云数据进行特征变量提取，获得特征变量数据；将历史样 地数据收集、的数据以及典型样地采集的数据进行样地数据整理，根据整理后 的数据以及林木材积表获得胸径树高关系。
步骤S303，分析反演，将传统光学遥感数据进行基于机器学习的树种识别， 并将识别后的数据输入至基于深度学习的激光雷达林分蓄积量估测模型；将特 征变量数据进行高密度激光雷达单木分割，并将分割后的数据输入至基于深度 学习的激光雷达林分蓄积量估测模型；根据胸径树高关系获得样地蓄积量，并将样地蓄积量输入至基于深度学习的激光雷达林分蓄积量估测模型。基于深度 学习的激光雷达林分蓄积量估测模型根据输入的数据输出森林蓄积量估测信息。 根据林业经营资料和区划变化图斑的判读结果，获得经营资料与判读结果的对 比分析，根据对比分析进行现地核实变化以及森林蓄积量估测信息，获得当期 森林资源一张图，并将当期森林资源一张图发送至森林资源信息与服务平台。
步骤S304，以基于“互联网+”技术的开发信息管理系统管理森林资源，实 现森林资源数据的实时动态更新和日常管理。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如 一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻 辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步 骤。
本实施例还提供了一种基于激光雷达的森林资源监测装置，该装置用于实 现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的， 术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。 尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本申请实施例的基于激光雷达的森林资源监测装置的结构框图， 如图5所示，该装置包括：数据获取模块410、特征提取模块420、模型建立模 块430、数据分析模块440、计算模块450和管理模块460。
数据获取模块410，用于获取森林的激光点云数据、地面调查样地以及森林 资源管理数据。
特征提取模块420，用于根据所述激光点云数据进行特征变量提取，获得样 地特征变量数据和全域特征变量数据。
模型建立模块430，用于根据所述样地特征变量数据与地面调查样地，建立 激光雷达蓄积量估测模型。
数据分析模块440，用于将所述全域特征变量数据通过森林资源管理数据进 行分析，获得树种集合。
计算模块450，用于将所述树种集合输入激光雷达林分蓄积量估测模型进行 计算，获得全域森林蓄积量估测信息，并将所述全域森林蓄积量估测信息进行 推导，获得测树因子集合。
管理模块460，用于将所述森林蓄积量信息更新至森林资源管理矢量数据， 并以基于“互联网+”技术的开发信息管理系统管理森林资源。
特征提取模块420，用于将所述激光点云数据进行预处理，获得第一点云数 据；将所述森林资源管理数据进行数据更新，获得矢量本底数据。
特征提取模块420，用于将所述第一点云数据进行去噪处理，获得第二点云 数据；将所述第二点云数据进行点云精分类，获得第三点云数据；将所述第三 点云数据按样地位置提取样地点云数据，获得第四点云数据；将所述第三点云 数据进行特征变量提取，获得全域激光雷达特征变量数据；将所述第四点云数进行特征变量提取，获得样地激光雷达特征变量数据。
模型建立模块430，用于建立蓄积量估测模型，将所述样地激光雷达特征变 量数据以及所述样地蓄积量变量按预设树种分类进行多元逐步线性回归，获得 激光雷达林分蓄积量估测模型，所述激光雷达林分蓄积量估测模型的输入为所 述全域激光雷达特征变量数据以及矢量本底数据，输出为全域森林蓄积量估测信息。
模型建立模块430，用于获取所述激光雷达蓄积量估测模型的统计评价指标； 检测所述统计评价指标是否在指标范围内；若所述统计评价指标在指标范围内， 则采用所述激光雷达蓄积量估测模型进行计算。
模型建立模块430，用于获得所述全域森林蓄积量估测信息和实际森林蓄积 量的残差值；检测所述残差值是否在检验值范围内；若所述残差值在检验值范 围内，则所述全域森林蓄积量估测信息正确。
计算模块450，用于根据所述森林蓄积量估测信息，更新森林蓄积量数据。
管理模块460，用于将所述森林蓄积量信息更新至森林资源管理矢量数据， 并以基于“互联网+”技术的开发信息管理系统管理森林资源。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以 通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言， 上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合 的形式分别位于不同的处理器中。
另外，结合图2描述的本申请实施例基于激光雷达的森林资源监测方法可 以由基于激光雷达的森林资源监测设备来实现。图6为根据本申请实施例的基 于激光雷达的森林资源监测设备的硬件结构示意图。
基于激光雷达的森林资源监测设备可以包括处理器81以及存储有计算机程 序指令的存储器82。
具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施 本申请实施例的一个或多个集成电路。
其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而非 限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱 动器、固态驱动器(Solid State Drive，简称为SSD)、闪存、光盘、磁光盘、磁 带或通用串行总线(UniversalSerial Bus，简称为USB)驱动器或者两个或更多 个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除(或 固定)的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。 在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。在特定实施例 中，存储器82包括只读存储器(Read-Only Memory，简称为ROM)和随机存 取存储器(Random Access Memory，简称为RAM)。在合适的情况下，该ROM 可以是掩模编程的ROM、可编程ROM(ProgrammableRead-Only Memory，简 称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory，简称为EPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组 合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-AccessMemory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM)、扩 展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件， 以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上 述实施例中的任意一种基于激光雷达的森林资源监测方法。
在其中一些实施例中，基于激光雷达的森林资源监测设备还可包括通信接 口83和总线80。其中，如图5所示，处理器81、存储器82、通信接口83通过 总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的 通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、 数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者，将基于激光雷达的森林资源监测设备的部 件彼此耦接在一起。总线80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(AddressBus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、 局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口 (Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构 (Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标 准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand) 互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro Channel Architecture，简称为MCA)总线、外围组件互连(Peripheral ComponentInterconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行 高级技术附件(SerialAdvanced Technology Attachment，简称为SATA)总线、 视频电子标准协会局部(VideoElectronics Standards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的 情况下，总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定 的总线，但本申请考虑任何合适的总线或互连。
该基于激光雷达的森林资源监测设备可以基于获取到的森林数据，执行本 申请实施例中的基于激光雷达的森林资源监测方法，从而实现结合图1描述的 基于激光雷达的森林资源监测方法。
另外，结合上述实施例中的基于激光雷达的森林资源监测方法，本申请实 施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有 计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意 一种基于激光雷达的森林资源监测方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对 上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技 术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的 普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改 进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权 利要求为准。
Claims (8)
1.一种基于激光雷达的森林资源监测方法，其特征在于，包括：
获取森林的激光点云数据、地面调查样地以及森林资源管理数据；
根据所述激光点云数据进行特征变量提取，获得样地特征变量数据和全域特征变量数据；
根据所述样地特征变量数据与地面调查样地，建立激光雷达蓄积量估测模型；
将所述全域特征变量数据通过森林资源管理数据进行分析，获得树种（组）集合；
将所述树种（组）集合输入激光雷达林分蓄积量估测模型进行计算，获得全域森林蓄积量估测信息，并将所述全域森林蓄积量估测信息进行推导，获得测树因子集合；
将所述森林蓄积量及测树因子信息更新至森林资源管理矢量数据，并以基于“互联网+”技术的开发信息管理系统管理森林资源；
其中，所述根据所述激光点云数据进行特征变量提取，获得样地特征变量数据和全域特征变量数据包括：
将所述激光点云数据进行预处理，获得第一点云数据；其中，所述预处理包括解压、差分、POS数据解算、激光检校、点云数据生成、点云数据坐标转换、点云数据姿态校正、航带间接边中至少一种；
将地面调查样地数据进行分析，获得样地蓄积量变量；
将所述森林资源管理数据进行数据更新，获得矢量本底数据；
在将所述树种（组）集合输入激光雷达林分蓄积量估测模型进行计算，获得全域森林蓄积量估测信息之前，所述方法还包括，将样地激光雷达特征变量数据以及所述样地蓄积量变量按预设树种（组）分类进行多元逐步线性回归，获得所述激光雷达林分蓄积量估测模型，所述激光雷达林分蓄积量估测模型的输入为全域激光雷达特征变量数据以及所述矢量本底数据，输出为全域森林蓄积量估测信息；
将森林资源管理“一张图”数据根据《森林督查暨森林资源管理“一张图”年度更新技术规定》要求，利用遥感判读、经营资料更新“一张图”图斑和管理因子至调查当年度，获得所述矢量本底数据。
2.根据权利要求1所述的基于激光雷达的森林资源监测方法，其特征在于，所述将所述激光点云数据进行预处理，获得第一点云数据包括：
将所述第一点云数据进行去噪处理，获得第二点云数据；
将所述第二点云数据进行点云精分类，获得第三点云数据；
将所述第三点云数据按样地位置提取样地点云数据，获得第四点云数据；
将所述第三点云数据进行特征变量提取，获得所述全域特征变量数据；
将所述第四点云数进行特征变量提取，获得所述样地特征变量数据。
3.根据权利要求1所述的基于激光雷达的森林资源监测方法，其特征在于，所述根据所述样地特征变量数据与地面调查样地，建立激光雷达蓄积量估测模型包括：
获取所述激光雷达蓄积量估测模型的统计评价指标；
检测所述统计评价指标是否在指标范围内；
若所述统计评价指标在指标范围内，则采用所述激光雷达蓄积量估测模型进行计算。
4.根据权利要求1所述的基于激光雷达的森林资源监测方法，其特征在于，将所述树种（组）集合输入激光雷达林分蓄积量估测模型进行计算，获得全域森林蓄积量估测信息还包括：获得所述全域森林蓄积量估测信息和系统抽样产出森林蓄积量的残差值；检测所述残差值是否在检验值范围内；
若所述残差值在检验值范围内，则所述全域森林蓄积量估测信息符合森林资源监测要求。
5.根据权利要求1所述的基于激光雷达的森林资源监测方法，其特征在于，所述方法还包括：
根据所述森林蓄积量估测信息，基于“互联网+”森林资源管理系统更新森林蓄积量及测树因子数据。
6.一种基于激光雷达的森林资源监测装置，其特征在于，包括：
数据获取模块，用于获取森林的激光点云数据、地面调查样地以及森林资源管理数据；
特征提取模块，用于根据所述激光点云数据进行特征变量提取，获得样地特征变量数据和全域特征变量数据；
模型建立模块，用于根据所述样地特征变量数据与地面调查样地，建立激光雷达蓄积量估测模型；
数据分析模块，用于将所述全域特征变量数据通过森林资源管理数据进行分析，获得树种（组）集合；
计算模块，用于将所述树种（组）集合输入激光雷达林分蓄积量估测模型进行计算，获得全域森林蓄积量估测信息，并将所述全域森林蓄积量估测信息进行推导，获得测树因子集合；
管理模块，用于将所述森林蓄积量更新至森林资源管理矢量数据，并以基于“互联网+”技术的开发信息管理系统管理森林资源；
其中，所述特征提取模块还用于将所述激光点云数据进行预处理，获得第一点云数据；其中，所述预处理包括解压、差分、POS数据解算、激光检校、点云数据生成、点云数据坐标转换、点云数据姿态校正、航带间接边中至少一种；将地面调查样地数据进行分析，获得样地蓄积量变量；将所述森林资源管理数据进行数据更新，获得矢量本底数据；
所述计算模块还用于将样地特征变量数据以及所述样地蓄积量按预设树种（组）分类进行多元逐步线性回归，获得所述激光雷达林分蓄积量估测模型，所述激光雷达林分蓄积量估测模型的输入为全域激光雷达特征变量数据以及所述矢量本底数据，输出为全域森林蓄积量估测信息；将森林资源管理“一张图”数据根据《森林督查暨森林资源管理“一张图”年度更新技术规定》要求，利用遥感判读、经营资料更新“一张图”图斑和管理因子至调查当年度，获得所述矢量本底数据。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的基于激光雷达的森林资源监测方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任一项所述的基于激光雷达的森林资源监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110346537.3A CN113156394B (zh) | 2021-03-31 | 2021-03-31 | 基于激光雷达的森林资源监测方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110346537.3A CN113156394B (zh) | 2021-03-31 | 2021-03-31 | 基于激光雷达的森林资源监测方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113156394A CN113156394A (zh) | 2021-07-23 |
| CN113156394B true CN113156394B (zh) | 2024-04-12 |
Family
ID=76885714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110346537.3A Active CN113156394B (zh) | 2021-03-31 | 2021-03-31 | 基于激光雷达的森林资源监测方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113156394B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114817616B (zh) | 2022-06-29 | 2022-09-16 | 四川省林业和草原调查规划院(四川省林业和草原生态环境监测中心) | 一种森林蓄积量连续监测方法、系统及其执行方法 |
| CN114841625B (zh) * | 2022-06-30 | 2022-11-08 | 四川省林业和草原调查规划院(四川省林业和草原生态环境监测中心) | 一种国家森林资源连续清查云平台及样地监测方法 |
| CN116523352B (zh) * | 2023-07-05 | 2023-09-22 | 浙江榧圣农业科技有限公司 | 一种森林资源信息的管理方法及系统 |
| CN116977852A (zh) * | 2023-07-25 | 2023-10-31 | 广州方圆生态科技有限公司 | 基于人工智能的森林蓄积量检测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104867180A (zh) * | 2015-05-28 | 2015-08-26 | 南京林业大学 | 一种集成uav与lidar的森林林分特征反演方法 |
| CN108776850A (zh) * | 2018-06-06 | 2018-11-09 | 浙江农林大学 | 一种森林蓄积量的精确预估方法 |
| CN109031344A (zh) * | 2018-08-01 | 2018-12-18 | 南京林业大学 | 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 |
| CN109061601A (zh) * | 2018-08-09 | 2018-12-21 | 南京林业大学 | 一种基于无人机激光雷达反演人工林森林结构参数的方法 |
| CN109164460A (zh) * | 2018-09-10 | 2019-01-08 | 南京林业大学 | 一种基于机载激光雷达数据的森林蓄积量分布估测方法 |
| CN109212553A (zh) * | 2018-09-14 | 2019-01-15 | 南京林业大学 | 无人机LiDAR和随机森林提取银杏生物物理特性的方法 |
| CN109344550A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统 |
| CN112363134A (zh) * | 2020-10-16 | 2021-02-12 | 湖南科技大学 | 一种基于机载低密度LiDAR山地复杂林区林分密度提取方法 |
| CN112381133A (zh) * | 2020-11-11 | 2021-02-19 | 西南林业大学 | 一种森林地上生物量遥感估测中合理样本数的确定方法 |
-
2021
- 2021-03-31 CN CN202110346537.3A patent/CN113156394B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104867180A (zh) * | 2015-05-28 | 2015-08-26 | 南京林业大学 | 一种集成uav与lidar的森林林分特征反演方法 |
| CN108776850A (zh) * | 2018-06-06 | 2018-11-09 | 浙江农林大学 | 一种森林蓄积量的精确预估方法 |
| CN109031344A (zh) * | 2018-08-01 | 2018-12-18 | 南京林业大学 | 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 |
| CN109061601A (zh) * | 2018-08-09 | 2018-12-21 | 南京林业大学 | 一种基于无人机激光雷达反演人工林森林结构参数的方法 |
| CN109164460A (zh) * | 2018-09-10 | 2019-01-08 | 南京林业大学 | 一种基于机载激光雷达数据的森林蓄积量分布估测方法 |
| CN109212553A (zh) * | 2018-09-14 | 2019-01-15 | 南京林业大学 | 无人机LiDAR和随机森林提取银杏生物物理特性的方法 |
| CN109344550A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统 |
| CN112363134A (zh) * | 2020-10-16 | 2021-02-12 | 湖南科技大学 | 一种基于机载低密度LiDAR山地复杂林区林分密度提取方法 |
| CN112381133A (zh) * | 2020-11-11 | 2021-02-19 | 西南林业大学 | 一种森林地上生物量遥感估测中合理样本数的确定方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于机载激光雷达数据估计林分蓄积量及平均高和断面积;曾伟生等;林业资源管理(第02期);79-86 * |
| 森林资源"一张图"在广西森林资源管理平台中的应用;刘志斌;;林业资源管理;20200815(第04期);148-154 * |
| 激光雷达技术估测森林生物量的研究现状及展望;曹林等;南京林业大学学报(自然科学版);20130515;第37卷(第03期);163-168 * |
| 运用机载激光雷达数据和立地质量分级对亚热带森林蓄积量遥感反演;张国飞等;东北林业大学学报;第48卷(第07期);60-65 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113156394A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113156394B (zh) | 基于激光雷达的森林资源监测方法、装置和存储介质 | |
| Lau et al. | Quantifying branch architecture of tropical trees using terrestrial LiDAR and 3D modelling | |
| Singh et al. | Effects of LiDAR point density and landscape context on estimates of urban forest biomass | |
| Wilkes et al. | Using discrete‐return airborne laser scanning to quantify number of canopy strata across diverse forest types | |
| Guerra-Hernández et al. | Using GEDI lidar data and airborne laser scanning to assess height growth dynamics in fast-growing species: a showcase in Spain | |
| CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
| Seidel et al. | Relationship between tree growth and physical dimensions of Fagus sylvatica crowns assessed from terrestrial laser scanning | |
| Pirotti et al. | A comparison of tree segmentation methods using very high density airborne laser scanner data | |
| Sačkov et al. | Integration of tree allometry rules to treetops detection and tree crowns delineation using airborne lidar data | |
| Beyene et al. | Forest inventory and aboveground biomass estimation with terrestrial LiDAR in the tropical forest of Malaysia | |
| Wan et al. | Quantification of occlusions influencing the tree stem curve retrieving from single-scan terrestrial laser scanning data | |
| CN113269825A (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
| Arslan et al. | A comparative study for obtaining effective Leaf Area Index from single Terrestrial Laser Scans by removal of wood material | |
| Pitkänen et al. | Using auxiliary data to rationalize smartphone-based pre-harvest forest mensuration | |
| CN111060922B (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
| Khairiah et al. | Monitoring model of payment for environmental service (PES) implementation in Cidanau Watershed with stands density approach | |
| CN115062859B (zh) | 一种对长爪沙鼠的密度进行预测的方法和装置 | |
| CN116883834A (zh) | 一种赤松单木地上生物量遥感估算方法及系统 | |
| Wężyk et al. | Use of airborne laser scanning data for a revision and update of a digital forest map and its descriptive database: a case study from the Tatra National Park | |
| Liu et al. | Nonscalability of fractal dimension to quantify canopy structural complexity from individual trees to forest stands | |
| Sun et al. | Multi-station LiDAR scanning-based hierarchical features for generation of an allometric stem volume model | |
| CN110554406A (zh) | 一种基于无人机立体摄影测量点云的次生林结构参数反演的方法 | |
| Ibanez et al. | Estimating DBH of trees employing multiple linear regression of the best LiDAR-derived parameter combination automated in python in a natural broadleaf forest in the Philippines | |
| Eker et al. | A primary test results of a handheld mobile laser scanner in extraction of tree parameters | |
| Sims | Principles of National Forest Inventory Methods |
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 |