CN113204998B - 一种基于单木尺度的机载点云森林生态估测方法及系统 - Google Patents
一种基于单木尺度的机载点云森林生态估测方法及系统 Download PDFInfo
- Publication number
- CN113204998B CN113204998B CN202110358250.2A CN202110358250A CN113204998B CN 113204998 B CN113204998 B CN 113204998B CN 202110358250 A CN202110358250 A CN 202110358250A CN 113204998 B CN113204998 B CN 113204998B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- tree
- forest
- height
- biomass
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000002023 wood Substances 0.000 title claims description 36
- 239000002028 Biomass Substances 0.000 claims abstract description 60
- 238000009825 accumulation Methods 0.000 claims abstract description 42
- 210000000481 breast Anatomy 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000000638 solvent extraction Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 11
- 241000894007 species Species 0.000 description 22
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 244000166124 Eucalyptus globulus Species 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 2
- 235000011613 Pinus brutia Nutrition 0.000 description 2
- 241000018646 Pinus brutia Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012789 harvest method Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229930014251 monolignol Natural products 0.000 description 1
- 125000002293 monolignol group Chemical group 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于单木尺度的机载点云森林生态估测方法及系统，包括将林区的机载点云分块，对每一个分块点云数据进行滤波处理，由地面点云生成高分辨率DEM，并利用DEM获得剔除地形影响的点云数据；按照预设大小的规则格网，将点云数据进行规则划分，并统计落入每个格网内点云的最高值，由此进行单木提取；从高分卫星图像中提取森林区域，并利用光谱和纹理信息进行树种识别；同时结合实地勘测数据，建立不同树种的树高‑胸径关系模型；根据不同树种，由单木树高计算胸径参数，将树高和胸径带入已有的生物量和蓄积量模型，获得单木的生物量和蓄积量，最后将点云块内所有的单木累加，得到整个区域内的生物量和蓄积量，获取生态估测结果。
Description
技术领域
本发明属于森林生态学和测绘遥感学的交叉领域，尤其涉及基于单木尺度的机载点云森林生态估测方法及系统。
背景技术
生物量是指某一时刻单位面积内实存生活的有机物质(干重)总量，蓄积量是指一定面积森林中现存各种活立木的材积总量。生物量和蓄积量作为森林生态系统的基本属性数据，是描述森林生态系统功能和生产力的重要生物物理参数，准确地获取森林生物量和蓄积量对研究陆地生态系统具有重要意义(李德仁等，2012)。传统的收获法(包括皆伐法、平均木法和相对生长法)可以精确测量森林的生物量，但实地勘测耗时费力，且将树木伐倒对森林生态系统具有较大的破坏性，只适合应用于较小尺度的森林生物量测定。随着“3S”技术的快速发展，遥感方法已应用于森林生物量的估测，该方式可有效减少生物量获取耗费的人力和时间，保证数据的空间完整性和时间一致性，在大尺度生物量估测中具有不可替代的优势。传统的光学遥感技术结合地面调查，对森林垂直结构分布只能提供有限信息，且在森林郁闭度大的地区，光谱差异趋于很小，导致光谱信号饱和。激光雷达(LiDAR)是通过发射激光束照射物体表面并分析其返回信号的一种主动遥感系统，所发出的激光脉冲能够穿透森林冠层到达地表，从而获取植被的三维结构特征，并通过建立生物量与三维结构参数(林分高度等)之间的关系模型来估测生物量。
目前，机载点云数据在森林生物量与蓄积量估测方面的研究主要集中于样地级别的模型构建，对基于单木尺度的准确估测研究较少。例如，刘亚男等(2019)研究森林平均高和地面生物量，使用到多光谱卫星图像、SAR图像和DEM数据，结合实测少量样点数据，得到整个样地的高程信息，并由此计算地面生物量；牛挣等(2020)研究利用Sentinel-1，Sentinel-2和Landsat-8数据结合星载点云ICESat-2，分别使用深度学习和随机森林模型恢复整个区域的高程信息，最后由实测样本点验证方法的有效性；曹林等(2013)较早指出激光雷达作为主动遥感技术，可以自主设计数据获取时间和范围，并获取点云高度、密度、分布、强度及波形信息，从而得到森林的三维结构参数，在森林生物物理参数反演、生物量及碳储量估测领域具有很好的应用前景。李旺等(2015)利用机载激光雷达点云数据，从样地和单木尺度估测了森林地上生物量，在指定对数形式的模型中，样地尺度模型估测效果明显优于单木尺度模型，且按树木类型分别进行估测可以提高单木地上生物量的估测精度。
总体而言，目前机载点云数据在森林生物量和蓄积量的估测方面仍存在以下问题：①基于机载点云样方尺度的生物量和蓄积量模型构建，缺乏理论依据，其适用性难以保障；②不同地形条件、不同点云密度等情况下，林区单木的快速、准确和自动化提取方法尚不完善；③在将机载点云数据与高分遥感数据结合，提高森林生物量和蓄积量估测精度方面，还有待解决。
发明内容
本发明针对现有技术的不足，提出一种基于单木尺度的机载点云森林生物量和蓄积量估测方法。
本发明的技术方案提供一种基于单木尺度的机载点云森林生态估测方法，包括以下步骤：
步骤1，将林区的机载点云分块，对每一个分块点云数据进行滤波处理，由地面点云生成高分辨率DEM，并利用DEM获得剔除地形影响的点云数据；
步骤2，按照预设大小的规则格网，将点云数据进行规则划分，并统计落入每个格网内点云的最高值，由此进行单木提取；
步骤3，从高分卫星图像中提取森林区域，并利用光谱和纹理信息进行树种识别；同时结合实地勘测数据，建立不同树种的树高-胸径关系模型；
步骤4，根据不同树种，由单木树高计算胸径参数，将树高和胸径带入已有的生物量和蓄积量模型，获得单木的生物量和蓄积量，最后将点云块内所有的单木累加，得到整个区域内的生物量和蓄积量，获取生态估测结果。
而且，在步骤1中，使用自适应分区的点云滤波方法实现林区点云的地面点和非地面点分离，包括首先由面片基元和点基元自适应地表达不同区域的点云，以描述地面和非地面点之间的差异，然后使用多尺度形态学滤波。
而且，在步骤2中，按照预设大小的规则格网将剔除地形影响后的点云数据进行划分，统计各网格内点云的最高值并生成高度图像，然后使用预设尺寸的窗口遍历高度图像，检索局部极值点作为提取的单木位置，该极值点的像素值为单木高程。
而且，在步骤3中，从采用二次曲线模型拟合，构建了不同树种的树高-胸径拟合模型如下，
D＝e1·H2+e2·H+e3
其中，D为单木的胸径，H为单木的树高；针对不同树种，树高-胸径拟合模型中的参数e1、e2、e3不同。
而且，在步骤4中，由树高和胸径计算生物量和蓄积量的公式如下：
其中，V为单木的蓄积量，单位m3；W为单木的生物量，单位kg；不同树种蓄积量模型中的参数a1…a6，生物量模型中的c1…c3不同
另一方面，本发明还提供一种基于单木尺度的机载点云森林生态估测系统，用于实现如上所述的一种基于单木尺度的机载点云森林生态估测方法。
而且，包括以下模块，
第一模块，用于将林区的机载点云分块，对每一个分块点云数据进行滤波处理，由地面点云生成高分辨率DEM，并利用DEM获得剔除地形影响的点云数据；
第二模块，用于按照预设大小的规则格网，将点云数据进行规则划分，并统计落入每个格网内点云的最高值，由此进行单木提取；
第三模块，用于从高分卫星图像中提取森林区域，并利用光谱和纹理信息进行树种识别；同时结合实地勘测数据，建立不同树种的树高-胸径关系模型；
第四模块，用于根据不同树种，由单木树高计算胸径参数，将树高和胸径带入已有的生物量和蓄积量模型，获得单木的生物量和蓄积量，最后将点云块内所有的单木累加，得到整个区域内的生物量和蓄积量，获取生态估测结果。
或者，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于单木尺度的机载点云森林生态估测方法。
或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于单木尺度的机载点云森林生态估测方法。
本发明通过林区机载激光扫描数据单木的自动提取，基于光谱和纹理信息的遥感图像树种识别，单木尺度的生物量和蓄积量估测模型等，发展了基于单木尺度的机载点云森林生态估测方法，克服了传统收获法实地勘测耗时费力、光学遥感中光谱信号饱和的问题，提高了森林生物量和蓄积量估测的效率和自动化程度；同时，结合高分卫星图像数据，提升了从机载点云中提取单木的准确度；本发明为森林生物量和蓄积量的准确估测、点云数据在林区的应用等工作提供了重要的支撑。
附图说明
图1是本发明实施例的方法整体流程图。
具体实施方式
本发明主要基于计算几何、模式识别和图像处理的理论和技术，提出了一种基于单木尺度的机载点云森林生态估测方法。本发明主要包括：①建立基于机载点云单木尺度的生物量和蓄积量估测流程；②机载点云单木的自动提取方法；③融合机载点云和高分卫星图像，提升森林生物量和蓄积量估测的精度。
本发明利用林区单木点云的高程分布特征，在水平面划分格网，将散乱无序的点云转换为高程图像，进而利用图像中局部极值点检测，实现单木的自动提取，该方法可以处理大范围机载点云数据；同时结合高分卫星图像，优化点云中的单木提取结果并对单木树种进行分类，然后由树高计算胸径参数，由此得到单木的生物量和蓄积量，最后将单木累加获得整个林区的生物量和蓄积量。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。本发明实施例提供的基于单木尺度的机载点云森林生态估测方法能够用计算机软件技术实现流程，参见图1，包括以下步骤：
步骤1，将机载点云分割为点云块，对每一个分块点云数据进行滤波处理，由地面点云生成高分辨率的DEM，并利用DEM获得剔除地形影响的点云数据。
实施例中，将机载点云分为1km*1km的点云块，由地面点云生成2m分辨率的DEM。具体实施时，可根据需要设置点云块大小以及DEM分辨率。
具体实施时，针对单一滤波方法在基元复杂场景中适应能力较差的问题，建议使用自适应分区的点云滤波方法实现林区点云的地面点和非地面点分离。首先由面片基元和点基元自适应地表达不同区域的点云，以此稳健地描述地面和非地面点之间的差异，然后使用多尺度形态学滤波方法提高算法的性能。
实验结果表明，在各种复杂场景、多样地形以及点云密度低且分布不均匀等情况下，该方法可以稳健提取地面点云，且能够很好地保持地形特征，由滤波后的地面点生成的高分辨率DEM。最后将原始点云中所有点的高程减去对应位置的DEM高程，获得剔除地形起伏影响的林区点云数据。本步骤可以得到DEM和剔除地形影响的点云。
步骤2，按照一定大小的规则格网，将点云数据进行规则划分，并统计落入每个格网内点云的最高值，由此进行单木提取。
进一步地，优选按照一定大小的规则格网将剔除地形影响后的点云数据进行划分，统计各网格内点云的最高值并生成高度图像，然后使用预设尺寸(优选建议为3×3)的窗口遍历高度图像，检索局部极值点作为提取的单木位置，该极值点的像素值即为单木高程。此外，为评价单木提取的精度，具体实施时可以在点云块内选择部分区域进行实地勘测单木的数量，跟利用步骤2在对应区域的提取结果进行比较分析。
实施例中，按照一定大小的规则格网将剔除地形影响后的点云数据进行划分，统计各网格内点云的最高值并生成高度图像，然后使用3×3的窗口遍历高度图像，检索局部极值点作为提取的单木位置，该极值点的像素值即为单木高程，实施例中格网大小优先选为1.0m。此外，为评价单木提取的精度，在点云块内选择部分区域进行实地勘测单木的数量，跟步骤2在对应区域的提取结果进行比较分析。单木提取过程如下式所示：
if(hi,j≥hi+m,j+n&&hi,j>h),return(i,j,hi,j)；(1)
其中，hi,j为高度图像第i行、第j列的像素值，即该位置的高程；同理，hi+m,j+n为第i+m行、第j+n列的像素值，m和n的取值范围均为[-1 1]，以此实现3×3窗口的遍历，当图像中某点的像素值不小于周边的8个像素值，且大于h时，该点即为提取的单木位置，记录(i,j)作为单木的位置，hi,j作为该单木的高度，得到单木提取的结果，本实施例中h优选取值为5m。
步骤3，从高分卫星图像中提取森林区域，并利用光谱和纹理信息进行树种识别；同时结合已有的实地勘测数据，建立不同树种的树高-胸径关系模型。
林区植被具有明显的光谱特征，使用NDVI指数可以容易地将植被从卫星图像中提取出来，然后充分利用高分图像的纹理信息识别不同的树种。实施例为建立不同树种的树高-胸径对应关系，预先对各树种分别实地勘测了上千棵，得到按径阶统计树高和胸径的大量样本，本发明经分析提出采用二次曲线模型拟合，下式给出了不同树种的树高-胸径拟合参数。
D＝e1·H2+e2·H+e3 (2)
其中，D为单木的胸径，单位cm；H为单木的树高，单位m；针对不同树种，树高-胸径拟合模型中的参数e1、e2、e3不同，具体如下，桉树：e1＝0.0714443862，e2＝-0.7656644605，e3＝7.0722221529；松树：e1＝0.0714443862，e2＝-0.7656644605，e3＝7.0722221529；杉树：e1＝0.0820954705，e2＝-0.4868823999，e3＝6.1988556706。
步骤4，根据不同树种，由单木树高H计算胸径参数D，将树高H和胸径D带入已有的生物量和蓄积量模型，获得单木的生物量和蓄积量，最后将点云块内所有的单木累加，得到整个区域内的生物量和蓄积量，获取生态估测结果。
由高分卫星图像实现树种的分类，然后根据不同树种，将树高和胸径带入已有的生物量和蓄积量模型，获得单木的生物量和蓄积量，最后将点云块内所有的单木累加，得到整个区域内的生物量和蓄积量。由树高和胸径计算生物量和蓄积量的公式如下：
其中，V为单木的蓄积量，单位m3；W为单木的生物量，单位kg；不同树种蓄积量模型中的参数a1…a6，生物量模型中的c1…c3不同，具体如下，桉树：a1＝0.000079542，a2＝1.9431，a3＝22.561，a4＝-0.086556，a5＝1.2549，a6＝0.73965，c1＝0.07059，c2＝2.06806，c3＝0.53754；松树：a1＝0.000062342，a2＝1.8551，a3＝31.559，a4＝-0.031859，a5＝1.2056，a6＝0.95682，c1＝0.06084，c2＝1.89738，c3＝0.74731；杉树：a1＝0.000058777，a2＝1.96998，a3＝24.472，a4＝-0.060127，a5＝1.5326，a6＝0.89646，c1＝0.04531，c2＝1.91502，c3＝0.71202。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
在一些可能的实施例中，提供一种基于单木尺度的机载点云森林生态估测系统，包括以下模块，
第一模块，用于将林区的机载点云分块，对每一个分块点云数据进行滤波处理，由地面点云生成高分辨率DEM，并利用DEM获得剔除地形影响的点云数据；
第二模块，用于按照预设大小的规则格网，将点云数据进行规则划分，并统计落入每个格网内点云的最高值，由此进行单木提取；
第三模块，用于从高分卫星图像中提取森林区域，并利用光谱和纹理信息进行树种识别；同时结合实地勘测数据，建立不同树种的树高-胸径关系模型；
第四模块，用于根据不同树种，由单木树高计算胸径参数，将树高和胸径带入已有的生物量和蓄积量模型，获得单木的生物量和蓄积量，最后将点云块内所有的单木累加，得到整个区域内的生物量和蓄积量，获取生态估测结果。
在一些可能的实施例中，提供一种基于单木尺度的机载点云森林生态估测系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于单木尺度的机载点云森林生态估测方法。
在一些可能的实施例中，提供一种基于单木尺度的机载点云森林生态估测系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于区域风格一致性的妆容风格迁移方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种基于单木尺度的机载点云森林生态估测方法，其特征在于，包括以下步骤：
步骤1，将林区的机载点云分块，对每一个分块点云数据进行滤波处理，由地面点云生成高分辨率DEM，并利用DEM获得剔除地形影响的点云数据；
步骤2，按照预设大小的规则格网，将点云数据进行规则划分，并统计落入每个格网内点云的最高值，由此进行单木提取；
步骤3，从高分卫星图像中提取森林区域，并利用光谱和纹理信息进行树种识别；同时结合实地勘测数据，建立不同树种的树高-胸径关系模型；
包括采用二次曲线模型拟合，构建了不同树种的树高-胸径拟合模型如下，
D＝e1·H2+e2·H+e3
其中，D为单木的胸径，H为单木的树高；针对不同树种，树高-胸径拟合模型中的参数e1、e2、e3不同；
步骤4，根据不同树种，由单木树高计算胸径参数，将树高和胸径带入已有的生物量和蓄积量模型，获得单木的生物量和蓄积量，最后将点云块内所有的单木累加，得到整个区域内的生物量和蓄积量，获取生态估测结果；
其中采用由树高和胸径计算生物量和蓄积量的公式如下：
其中，V为单木的蓄积量，单位m3；W为单木的生物量，单位kg；不同树种蓄积量模型中的参数a1…a6，生物量模型中的c1…c3不同。
2.根据权利要求书1所述一种基于单木尺度的机载点云森林生态估测方法，其特征在于：在步骤1中，使用自适应分区的点云滤波方法实现林区点云的地面点和非地面点分离，包括首先由面片基元和点基元自适应地表达不同区域的点云，以描述地面和非地面点之间的差异，然后使用多尺度形态学滤波。
3.根据权利要求书1所述一种基于单木尺度的机载点云森林生态估测方法，其特征在于：在步骤2中，按照预设大小的规则格网将剔除地形影响后的点云数据进行划分，统计各网格内点云的最高值并生成高度图像，然后使用预设尺寸的窗口遍历高度图像，检索局部极值点作为提取的单木位置，该极值点的像素值为单木高程。
4.一种基于单木尺度的机载点云森林生态估测系统，其特征在于：用于实现如权利要求1-3任一项所述的一种基于单木尺度的机载点云森林生态估测方法。
5.根据权利要求4所述基于单木尺度的机载点云森林生态估测系统，其特征在于：包括以下模块，
第一模块，用于将林区的机载点云分块，对每一个分块点云数据进行滤波处理，由地面点云生成高分辨率DEM，并利用DEM获得剔除地形影响的点云数据；
第二模块，用于按照预设大小的规则格网，将点云数据进行规则划分，并统计落入每个格网内点云的最高值，由此进行单木提取；
第三模块，用于从高分卫星图像中提取森林区域，并利用光谱和纹理信息进行树种识别；同时结合实地勘测数据，建立不同树种的树高-胸径关系模型；
第四模块，用于根据不同树种，由单木树高计算胸径参数，将树高和胸径带入已有的生物量和蓄积量模型，获得单木的生物量和蓄积量，最后将点云块内所有的单木累加，得到整个区域内的生物量和蓄积量，获取生态估测结果。
6.根据权利要求5所述基于单木尺度的机载点云森林生态估测系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-3任一项所述的一种基于单木尺度的机载点云森林生态估测方法。
7.根据权利要求5所述基于单木尺度的机载点云森林生态估测系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-3任一项所述的一种基于单木尺度的机载点云森林生态估测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110358250.2A CN113204998B (zh) | 2021-04-01 | 2021-04-01 | 一种基于单木尺度的机载点云森林生态估测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110358250.2A CN113204998B (zh) | 2021-04-01 | 2021-04-01 | 一种基于单木尺度的机载点云森林生态估测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113204998A CN113204998A (zh) | 2021-08-03 |
| CN113204998B true CN113204998B (zh) | 2022-03-15 |
Family
ID=77026065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110358250.2A Active CN113204998B (zh) | 2021-04-01 | 2021-04-01 | 一种基于单木尺度的机载点云森林生态估测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113204998B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11481904B1 (en) * | 2022-01-04 | 2022-10-25 | Natural Capital Exchange, Inc. | Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images |
| CN114781011B (zh) * | 2022-04-07 | 2023-02-03 | 武汉大学 | 一种像素级全球森林碳储量高精度计算方法及系统 |
| CN115512244B (zh) * | 2022-08-19 | 2024-01-05 | 中国林业科学研究院资源信息研究所 | 一种单株树木碳储量确定方法及系统 |
| CN116912696A (zh) * | 2023-07-27 | 2023-10-20 | 广州双木林业有限公司 | 基于树木模型的树林检测方法、系统、设备及存储介质 |
| CN117253141A (zh) * | 2023-08-29 | 2023-12-19 | 北京观微科技有限公司 | 森林调查样地的样地数据确定方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧（宁夏）科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
| CN110378925A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 |
| CN112258512A (zh) * | 2020-10-16 | 2021-01-22 | 北京字节跳动网络技术有限公司 | 点云分割方法、装置、设备和存储介质 |
| CN112347894A (zh) * | 2020-11-02 | 2021-02-09 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108139758A (zh) * | 2015-10-09 | 2018-06-08 | 深圳市大疆创新科技有限公司 | 基于显著性特征的载运工具定位 |
-
2021
- 2021-04-01 CN CN202110358250.2A patent/CN113204998B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧（宁夏）科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
| CN110378925A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 |
| CN112258512A (zh) * | 2020-10-16 | 2021-01-22 | 北京字节跳动网络技术有限公司 | 点云分割方法、装置、设备和存储介质 |
| CN112347894A (zh) * | 2020-11-02 | 2021-02-09 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| "A DEEP LEARNING APPROACH FOR URBAN UNDERGROUND OBJECTS";Z. Zong.et al;《The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;20190920;全文 * |
| "利用机载激光雷达技术估测东北林区典型针叶林的蓄积量";袁钰娜等;《应用生态学报》;20210315;第32卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113204998A (zh) | 2021-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113204998B (zh) | 一种基于单木尺度的机载点云森林生态估测方法及系统 | |
| Li et al. | A new method for segmenting individual trees from the lidar point cloud | |
| Næsset et al. | Laser scanning of forest resources: the Nordic experience | |
| Chen et al. | Isolating individual trees in a savanna woodland using small footprint lidar data | |
| CN104656098B (zh) | 一种遥感森林生物量反演的方法 | |
| Chen et al. | Lidar remote sensing of vegetation biomass | |
| Kulawardhana et al. | Fusion of lidar and multispectral data to quantify salt marsh carbon stocks | |
| CN104155638B (zh) | 一种基于LiDAR伪垂直波形模型的树种分类方法 | |
| Stone et al. | Determining an optimal model for processing lidar data at the plot level: results for a Pinus radiata plantation in New South Wales, Australia | |
| CN111950336B (zh) | 基于背包式激光雷达的植被冠层生态水估算方法 | |
| Chen et al. | Site quality assessment of a Pinus radiata plantation in Victoria, Australia, using LiDAR technology | |
| Khare et al. | Satellite remote sensing technologies for biodiversity monitoring and its conservation | |
| CN112380994A (zh) | 一种基于时序分类与空间分析的人工林空间模式识别方法 | |
| Zhu et al. | Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering | |
| CN114862872B (zh) | 一种基于Faster R-CNN的红树林单木分割方法 | |
| Kumar et al. | Characterization and classification of vegetation canopy structure and distribution within the Great Smoky Mountains National Park using LiDAR | |
| Zadorozhniuk | UAV data collection parameters impact on accuracy of Scots pine stand mensuration. | |
| Selim et al. | Automatic detection of forest trees from digital surface models derived by aerial images | |
| CN111913185B (zh) | 针对高寒脆弱区低矮灌丛样地调查的tls测度方法 | |
| Marinelli et al. | Fusion of high and very high density lidar data for 3d forest change detection | |
| Yusup et al. | Trunk volume estimation of irregular shaped Populus euphratica riparian forest using TLS point cloud data and multivariate prediction models | |
| Mkaouar et al. | Detection of forest strata volume using LiDAR data | |
| Michez et al. | Characterization of forests with LiDAR technology | |
| Yoshii et al. | Integrating UAV and Lidar Data for Retrieving Tree Volume of Hinoki Forests | |
| Martinez et al. | Multi-sensor approach to leaf area index estimation using statistical machine learning models: A case on mangrove forests |
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 |