CN113688772A - 一种边坡生态修复监测方法 - Google Patents
一种边坡生态修复监测方法 Download PDFInfo
- Publication number
- CN113688772A CN113688772A CN202111028561.9A CN202111028561A CN113688772A CN 113688772 A CN113688772 A CN 113688772A CN 202111028561 A CN202111028561 A CN 202111028561A CN 113688772 A CN113688772 A CN 113688772A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- slope
- image data
- monitoring
- image
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000012010 growth Effects 0.000 claims description 41
- 238000010586 diagram Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 18
- 241000894007 species Species 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 36
- 230000000694 effects Effects 0.000 abstract description 23
- 230000007774 longterm Effects 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 34
- 238000007726 management method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000011835 investigation Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 206010039509 Scab Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000035613 defoliation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012360 testing method 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
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
一种边坡生态修复监测方法,包括如下步骤:S1:边坡影像数据获取,通过影像设备获取边坡的二维时序可见光影像数据;S2:图像的预处理,对所述影像数据初步筛选,按照边坡全貌整体分析、边坡植被细部分析、边坡三维模型重构的用途进行分类;其特征在于:S3:植被影像数据分析:通过对二维影像数据的植被指数反演提取植被水平结构参数;通过对二维影像的三维模型重构提取植被垂直结构参数。发明所述的方法可以利用影像数据得出具体真实的植被评价指标数值,对边坡进行长期追踪监测,进而全面、客观、定量地反映边坡生态修复的具体效果与程度。
Description
技术领域
本发明涉及地质灾害防治的技术领域,特别是边坡生态修复监测的技术领域。
背景技术
边坡是指一切与工程活动有关的裸露坡面,分为天然边坡与人工边坡。我国是一个多山的国家,因而在进行公路、铁路、水库、矿山、水利水电等大型基础设施建设时,不可避免地会涉及大规模边坡开挖。庞大的建设工程打破了边坡原有的受力平衡状态和生态环境景观,严重破坏了沿线的土壤、植被,形成了大量裸露边坡。这些处于陡立、裸露、废弃状态的边坡,极易引发崩塌、滑坡、泥石流等地质灾害,甚至威胁人的生命安全。
在“统筹山水林田湖草系统治理”的生态文明建设思想的引领下,推进边坡综合治理和植被恢复工作,让生态系统的“疮疤”得到修复,有效提高边坡的安全性和观赏性,是当前我国生态环境治理的一项重要工作。
边坡生态修复效果评价是对边坡生态环境治理成效进行全面调查与客观分析,其主体工作与核心环节是对边坡植被状况的调查。与自然演替的植被群落不同,人工重建的边坡植被在前期规划设计、中期施工种植、后期管理养护等方面均具有明显的目标期望性和人为干预性。因此,对人工植被的生长情况进行科学监测与准确评估十分重要,不仅是指示当前边坡植被生长状况、水土保持状况及景观改善状况的有效依据,更是优化现有技术方法、调整后续工程实践的前提基础。
目前,各项生态护坡技术日趋成熟,综合利用植生带、纤维毯等毯垫技术,植生袋、生态袋等枕袋技术,挂网等辅助固土技术以及厚层基材、客土、液压等喷播技术的生态护坡工程在各地都已被广泛应用。但相对于工程技术的广泛应用和快速发展,目前有关边坡生态修复效果的评价研究还较落后,存在诸多问题与不足,如评价指标缺少定量指标数据、评价方法缺少现代信息技术支撑、评价时效缺少持续追踪监测、评价结果缺少与工程实践的互馈等。
边坡生态修复过程中的植被生长态势监测具有如下特点与难点:一是高边坡较陡峭、安全隐患大,不适宜采用人工攀爬等措施进行植物调查;二是与普通农作物监测相比,边坡植物不仅要关注植物覆盖率等参数指标,更要注重边坡生态系统的全面修复,即关注乔灌草的搭配及与周围环境的融合度;三是由于边坡立地条件差,因此需要在播种时采取先锋植物与乡土植物相搭配的原则,喷播后需要投入更多的管理养护措施。因此,边坡生态修复监测需要对植物生长状况进行精细化调查,建立一种科学可行且简单易行的边坡生态修复效果动态监测评价方法十分重要,以便指导后续工程实践的调整,同时为其他同类工程提供参考。
要解决上述边坡生态修复工程中的监测评价难题,实现对边坡植被长势的精确判断与分析,需要充分结合现代信息技术,选择科学、合理、可行性高的量化评价指标,对人工植被恢复做出正确的预判,使得生态护坡的前期设计、中期施工、后期养护、监管和验收等阶段能有科学可靠的监测与评价方法。本发明通过提出一种基于近景摄影测量的边坡生态修复动态监测评价方法和系统来实现上述目的,为营造出安全、美观的边坡环境提供理论基础和借鉴依据。
发明内容
针对上述技术问题,本发明提出一种边坡生态修复监测方法,包括如下步骤:S1:边坡影像数据获取,通过影像设备获取边坡的二维时序可见光影像数据;S2:图像的预处理,对所述影像数据初步筛选,按照边坡全貌整体分析、边坡植被细部分析、边坡三维模型重构的用途进行分类;S3:植被影像数据分析:通过对二维影像数据的植被指数反演提取植被水平结构参数;通过对二维影像的三维模型重构提取植被垂直结构参数。
在一个实施方式中,步骤S2进一步包括:对不同时序的所述影像数据进行统一的裁剪与校畸处理。
在一个实施方式中,步骤S3进一步包括:通过植被指数运算,区分边坡的植被与非植被地物,获得植被覆盖率及植株冠幅。
在一个实施方式中,步骤S3进一步包括:对植被指数反演的图像,选取二值化划分阈值,将图像中的像元区分为“植被”与“非植被”两类,消除干扰,再统计不同像元个数,得出监测区域的植被覆盖率数值。
在一个实施方式中,所述植被指数反演采用增强型绿蓝差异植被指数,以增强植被在绿蓝波段值的差异。
在一个实施方式中,步骤S3进一步包括:通过特征点匹配、生成高密度点云、生成表面网格、生成表面纹理映射得到边坡三维模型以反映边坡全貌和植被总体生长状况。
在一个实施方式中,步骤S3进一步包括:通过运动恢复结构算法将从不同角度拍摄的二维影像组合在一起重建三维场景结构,从模型中提取植株高度。
在一个实施方式中,还包括步骤S4:对边坡进行长期监测,重复上述步骤S1~S3,输出边坡植被生长状况时序监测模拟图,反映植被生长状况监测指标的动态变化。
在一个实施方式中,输出的监测模拟图包括:边坡植被覆盖度变化模拟图、边坡典型物种株高变化模拟图和/或边坡典型物种冠幅变化模拟图。
附图说明
图1是本发明的边坡生态修复监测方法的流程示意图。
图2是本发明示例性示出的可见光相机实拍影像图。
图3是本发明示例性示出的影像裁剪、校畸预处理图。
图4是本发明示例性示出的可见光植被指数图。
图5是本发明示例性示出的黑白二值化处理图。
图6是本发明示例性示出的边坡三维模型示意图。
图7是本发明示例性示出的边坡正射影像图。
图8是本发明示例性示出的边坡黑白二值化图。
图9是本发明示例性示出的植被高度测量图。
图10是本发明示例性示出的植被冠幅测量图。
图11是本发明示例性示出的边坡植被覆盖度变化模拟图。
图12是本发明示例性示出的监测边坡典型物种株高变化模拟图。
图13是本发明示例性示出的监测边坡典型物种冠幅变化模拟图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特征细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应理解,本文中术语“和/或”,仅仅是一种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。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
本发明的主要目的在于克服现有监测评价方法的不足,提供一种能对边坡生态修复效果进行多时序高效监测和评价的方法。
本发明的解决方案是:提供一种基于近景摄影测量的边坡生态修复动态监测评价方法和系统,获取监测边坡实际状况的二维光学影像数据;采用图像处理技术得到植被指数,有效区分植被与非植被地物,计算得出准确的植被覆盖率等植被生长水平结构参数;采用目视判读或监督分类方法,有效区分不同种类的边坡植物,选取典型的边坡物种进行长期持续监测与记录;基于多幅二维图像实现监测边坡的三维模型重构,从三维模型中提取植被高度等植被生长垂直结构参数,获取各物种的生长态势监测数据;基于多参数的时序监测与定量评价,实现边坡生态修复效果的综合评价,进而为后续工程实践提供有效指导。
所述近景摄影测量影像数据,包括利用手持相机、无人机搭载光学相机、高清监控相机获取的所监测边坡的实拍影像数据。由于边坡工程调查精细度要求高,卫星遥感影像无法满足边坡植被的调查需求,因而近景摄影测量方式成为边坡植被调查的主要途径。在实地调研中,人工携带相机进行拍照、测量和记录,能够真实、直观地记录下边坡现状,视觉上直观体现边坡植被生长效果及景观生态样貌,判别各物种在特定生境下的生长状况;但由于高陡边坡的地形限制,人工拍摄存在风险,获取的影像范围和精度存在局限,很难完整的记录边坡全貌。以无人机为搭载平台获取高分辨率影像数据的测量系统,有效弥补了人工调查的不足,在获取影像过程中不受天气、回归周期限制,能够在任意时间内收集具有足够空间分辨率的影像数据,为监测植被提供了新途径,大幅提升生态监测力度和准度。高清监控使得视频监控的成像清晰度得到极大提升,采用全景拼接技术可以将多个摄像机画面所采集的高清影像数据无缝拼接成完整全景画面,清晰呈现大范围边坡的监控场景,通过远程高清监控影像数据可以实时地掌握边坡生态修复状况的细节信息。多种边坡植被近景摄影测量方式并不是互相冲突的,地表实测、高清监控、无人机航测等多源数据的获取能够起到互相补充与印证的作用,进一步提升调查效率及结果的准确性。
所述边坡生态修复效果中的植被水平结构评价,表征植被在水平空间上的现状特征,描述区域植被总体生长状况。植被水平结构中最主要的参数是植被覆盖度,可以理解为植被的水平密度,能最直观地反映出研究区植物生长的总体状况,同时对于各种植物群落的水平评价包含物种多样性、群落均匀度及季相变化等指标。
所述基于二维图像的多物种边坡植被分类,用于监测不同种类的边坡植物在边坡生态修复过程中的生长状况,即监测评估先锋植物与乡土植物的生态特性及对特定边坡环境的适应情况。从二维影像数据或三维全景模型中提取并统计分析不同种类边坡植物的生长高度、冠幅、种群密度等植物生长指标,相较于人工目视估测等传统调查方法,可以有效提高调查结果的准确性与时效性。
所述边坡生态修复效果中的植被垂直结构评价,表征植被在垂直空间上的现状特征,即群落中各种植物由于生长范围和适应能力不同,各自占据着不同深度的一定空间,形成群落的垂直结构,一般从上到下可分为乔木层、灌木层、草本地被层。植被高度与乔灌草比重是垂直结构评价中较为常见的指标。
所述对边坡生态修复的多时序持续动态监测,由同一地点、同一角度、同一相机所拍摄的不同时间的时序影像数据,能直观反映出边坡生态修复工程实施前后的植被覆盖率变化、植被高度变化及整体景观美感度变化。
本发明的工作原理:针对监测边坡进行持续观测,利用手持相机拍摄、无人机航拍、高清监控等方式获取监测边坡的二维时序影像数据,保证边坡监测数据的完整性和准确性;基于获取的可见光影像数据,利用二维图像处理和三维重构技术分别提取边坡植被水平结构参数与垂直结构参数,从而实现对边坡生态修复效果的高效率、高精度、多时序测量;基于对边坡植被的动态监测与评价,得出适宜生长的边坡的植物种类与配种方案,指导浇水、施肥、补种等管理养护工程的调整与优化。
与现有技术相比,本发明的有益效果是:
1、采用手持相机拍摄、无人机航拍、高清监控等多种近景摄影测量方式,可以使影像获取更加全面具体。与卫星遥感影像相比,无人机航拍具有影像获取速度快、清晰度高、受自然环境约束小、运行维护成本低等优势,而将无人机航拍与人工实地拍摄、高清视频监控相结合,可以起到影像数据的互相补充与校准的作用,大幅提升边坡生态监测力度和准度。
2、对边坡生态修复工程进行全过程、多时序监测,针对当前边坡生态修复效果评价方法中普遍缺少对生态修复期间整个过程的动态监测,而只关注工程实施前后对比的不足,本发明所述的方法可以对边坡生态修复工程进行高效率的持续监测,从而及时掌握边坡植被生长动态,利用评价结果对生态修复后续工作给出指导性作用。
3、利用二值化的图像处理方式对边坡生态修复效果给出客观、精准的量化评价,改善以往评价方法中多依靠目视判别、专家评价等方法得出主观性的“好”、“差”结论,本发明所述的方法可以利用影像数据得出具体真实的植被评价指标数值,进而全面、客观、定量地反映边坡生态修复的具体效果与程度。
4、建立生态修复效果评价与生态修复工程实践之间的互馈机制,边坡生态修复效果的监测与评价结果可以直观反映不同种类植物的生长速度与状态,进而指示当前生态环境条件下各物种的生长适宜程度,为工程防护措施的调整、水源养分的供给、植物材料的补种提供科学指导与可靠依据。
实施例
如图1所示,本发明提出的边坡生态修复监测方法,是基于近景摄影测量的影像数据,包括以下步骤:
步骤S1:边坡影像数据获取。以多种来源方式获取边坡影像数据,包括人工拍摄影像、无人机航拍、高清视频监控等,可以及时、快速、准确、持续地监测边坡植被生长动态。针对高陡危险边坡、高密度植物群落,极大地降低了植被调查难度。同时,多源的影像数据可以起到相互印证与补充的作用,保证原始影像数据的全面性与准确性。
步骤S2:图像的预处理。是指对获取的多源影像数据进行初步筛选、分类、校对,分为用于边坡全貌整体分析、边坡植被细部分析、边坡三维模型重构等多种用途。此外,由于在影像采集的过程中,会受到镜头畸变、阳光阴影等的干扰,因而在数据分析之前需要对影像进行必要的图像裁剪、校畸及色彩强化等处理。
步骤S3:植被影像数据分析。边坡植被重建在稳固坡面、保持水土、改善和美化生态环境等方面具有重要作用,也是边坡生态修复的首要目标与基本评价准则。所述的边坡植被影像数据分析包括植被水平结构评价与垂直结构评价两方面,分别关注边坡植被在水平空间上的总体生长状况及在垂直空间上的生长状况。
所述的植被水平结构评价过程包括基于边坡二维影像数据的植被指数反演及从中提取植被覆盖率、植株冠幅等植被水平结构参数。植被指数是指根据绿色植被在不同波段的光谱特性,经线性及非线性组合运算构成对植被长势有指示意义的各种数值。经植被指数运算后,可以有效区分植被与非植被地物,进而计算植被覆盖率等数值。
所述的植被垂直结构评价包括基于二维影像的三维模型重构及从模型中提取植株高度等垂直结构参数。三维重建对研究边坡植被形态、提取植被参数具有重要意义,利用运动恢复结构算法可以将大量从不同角度拍摄的二维影像组合在一起重建三维场景结构,真实反映边坡表面形态,并以数字化形式表达,从而表征边坡植被生长状况。
传统的边坡生态修复效果评价多采用目视判读及专家评价的方式进行,带有评价者的主观性,难以实现对边坡生态修复效果的精准、客观评价。本方法所述的边坡植被评价指标可以从相关图像或模型中提取客观、真实、准确的数值,排除人为主观干扰,减小评价结果的个人主观偏好,提高评价结果的相对可信度。
步骤S4:所述边坡生态修复动态监测评价,即对实施生态修复措施后的边坡进行长期监测,重复上述步骤S1~S3。目前边坡生态修复工程的管理养护年限一般为2~3年,在此期间,需要及时准确掌握人工植被的生长动态,对边坡整体植被覆盖率及典型物种长势进行长期追踪观测,进而对边坡生态修复工程实施后的效果进行综合评价。
步骤S5:所述评价结果用以指导管理养护措施及同类工程,指在对边坡生态修复进程进行多时序动态监测与评价后,应及时根据实时评价结果,指导后续监管方案的制定和监管时机的选择,对于评价过程中发现的新问题与新情况也可及时、快速、适当地调整管理养护措施。同时,评价结果可以用于评估当前工程技术措施在特定区域的适用性,为同类边坡生态修复工程提供安全防护、土壤重构、植物种子配比等方面的参考。
如图2-图5所示,为本发明的植被指数反演数据处理过程,具体包括:
图2:可见光相机实拍影像图。所述的实拍影像需保证每次拍摄时的当日时间、天气、范围及相机角度等参数大致相同,保证对比时序影像数据时的科学性。可以采用固定相机镜头或标定场地的方式,保证每个监测点每次拍摄的范围保持一致。
图3:影像裁剪、校畸预处理图。所述的影像预处理图,是为准确选取监测区域、消除相机镜头畸变等的影响而进行的步骤,对不同时序的原始影像数据进行统一的裁剪与校畸处理,可以最大限度地保证数据的可靠性。
图4:可见光植被指数图。利用健康植被在可见光波段的明显光谱特性(即绿色植被在绿光波段有较强的反射作用,在蓝光和红光波段有吸收作用),对不同波段的信息进行组合运算,将植被在不同波段的反射和吸收特性放大,产生对植被长势有指示意义的数值图像,进而凸显植被信息。基于监测对象的可见光影像,利用可见光植被指数分区植被像元与非植被像元,可以高效、快速地提取植被信息。
植被指数计算可通过Arc GIS或ENVI软件实现,本发明所示图像采用增强型绿蓝差异植被指数E-NGBDI得到,E-NGBDI增强了植被在绿蓝波段值的差异,具有较高的提取精度,计算公式如下:
其中ρgreen ρblue分别表示影像在绿、蓝波段的反射率或像元值。
图5:黑白二值化处理图。在植被指数图像的基础上,选取合理的二值化划分阈值,将图像中的每个像元精准区分为“植被”与“非植被”两类,其中白色代表植被像元,黑色代表非植被像元。经多次调试选择合适的划分阈值,最大程度地消除阳光、阴影等的干扰,进而统计黑白像元个数,得出监测区域的植被覆盖率数值。
如图6-图10所示,为本发明的边坡三维模型重构处理过程,具体包括:
图6:边坡三维模型示意图。基于二维图像通过特征点匹配、生成高密度点云、生成表面网格、生成表面纹理映射等过程得到,可以直观反映边坡全貌。
图7:边坡正射影像图。基于边坡三维模型生成高分辨率边坡正射影像,反映区域边坡植被总体生长状况,所示正射影像地面分辨率为1.63mm/pix。
图8:边坡黑白二值化图像。将所得植被指数影像图区分为黑白二值,其中黑色像元代表非植被区域,包括裸岩、建筑、地表等,白色像元代表绿色植被区域。分别统计黑白像元个数,从而可以得到调查监测区域的总体植被覆盖度。
图9和图10:植被高度及冠幅测量图。在三维模型中测量得到,通过连续定期测量对应参数,可以有效准确监测多种植物的长势变化。
如图11至图13所示的为本发明的边坡植被生长状况时序监测模拟图,可反映上述各植被生长状况监测指标的动态变化。
图11:监测边坡总体植被覆盖度变化模拟图。春季植物生长季施工后,植被覆盖率迅速增长,至施工后180天左右达到第一个峰值,后经秋冬落叶季植被覆盖率逐渐下降,至次年生长季又逐渐上升。
图12:监测边坡典型物种a、b株高变化模拟图。物种a代表先锋植物,在边坡生态修复工程实施初期迅速生长,起到固着土壤、改善边坡立地条件的效果;物种b代表乡土植物,初期生长速度低于物种b,但后期生长更快、长势更好。
图13:监测边坡典型物种a、b冠幅变化模拟图。模拟物种a、b为落叶植物,冠幅变化所示生长特性与株高变化一致,但在秋冬落叶季会经历冠幅数值的迅速下降。
综合整体植被覆盖率、个体植物高度及冠幅等评价指标,可以快速得知不同物种植被的生长状况,做出相应管理养护决策。
本发明中,试验所得到的数据能够反映边坡生态修复具体状态与效果,进而指示当前边坡工程存在的问题及改进方向与具体措施。同时,也可为同类边坡工程提供示范。
最后应该说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前叙述实施对本发明进行了详细的说明,本领域的技术人员应当理解,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行同等替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神与范围。
Claims (9)
1.一种边坡生态修复监测方法,包括如下步骤:
S1:边坡影像数据获取,获取边坡的二维时序可见光影像数据;
S2:图像的预处理,对所述影像数据初步筛选,按照边坡全貌整体分析、边坡植被细部分析、边坡三维模型重构的用途进行分类;其特征在于:
S3:植被影像数据分析:
通过对二维影像数据的植被指数反演提取植被水平结构参数;
通过对二维影像的三维模型重构提取植被垂直结构参数。
2.根据权利要求1的方法,其特征在于:步骤S2进一步包括:对不同时序的所述影像数据进行统一的裁剪与校畸处理。
3.根据权利要求1的方法,其特征在于:步骤S3的植被指数反演提取植被水平结构参数进一步包括:通过植被指数运算,区分边坡的植被与非植被地物,获得植被覆盖率及植株冠幅。
4.根据权利要求2的方法,其特征在于:步骤S3的植被指数反演提取植被水平结构参数进一步包括:对植被指数反演的图像,选取二值化划分阈值,将图像中的像元区分为“植被”与“非植被”两类,消除干扰,再统计不同像元个数,得出监测区域的植被覆盖率数值。
5.根据权利要求4的方法,其特征在于:步骤S3的植被指数反演植被采用增强型绿蓝差异植被指数,以增强植被在绿蓝波段值的差异。
6.根据权利要求1的方法,其特征在于:步骤S3进一步包括:通过特征点匹配、生成高密度点云、生成表面网格以及生成表面纹理映射得到边坡三维模型以反映边坡全貌和植被总体生长状况。
7.根据权利要求1的方法,其特征在于:步骤S3进一步包括:通过运动恢复结构算法将从不同角度拍摄的二维影像组合在一起重建三维场景结构,从模型中提取植株高度。
8.根据权利要求1的方法,其特征在于:还包括步骤S4:对边坡进行长期监测,重复上述步骤S1至S3,输出边坡植被生长状况时序监测模拟图,反映植被生长状况监测指标的动态变化。
9.根据权利要求8的方法,其特征在于:输出的监测模拟图包括:边坡植被覆盖度变化模拟图、边坡典型物种株高变化模拟图和/或边坡典型物种冠幅变化模拟图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028561.9A CN113688772A (zh) | 2021-09-02 | 2021-09-02 | 一种边坡生态修复监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028561.9A CN113688772A (zh) | 2021-09-02 | 2021-09-02 | 一种边坡生态修复监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113688772A true CN113688772A (zh) | 2021-11-23 |
Family
ID=78585090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111028561.9A Pending CN113688772A (zh) | 2021-09-02 | 2021-09-02 | 一种边坡生态修复监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688772A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239750A (zh) * | 2022-09-19 | 2022-10-25 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
CN117470098A (zh) * | 2023-11-02 | 2024-01-30 | 深圳大学 | 边坡安全智能监测系统及监测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103398660A (zh) * | 2013-08-05 | 2013-11-20 | 河北工业大学 | 用于获取焊缝高度信息的结构光视觉传感器参数标定方法 |
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
CN110060292A (zh) * | 2019-04-03 | 2019-07-26 | 广州地理研究所 | 一种基于多尺度融合的土地利用面积计算方法 |
CN110927118A (zh) * | 2019-10-28 | 2020-03-27 | 航天新气象科技有限公司 | 植被指数测量仪、控制方法及测量方法 |
CN111091079A (zh) * | 2019-12-04 | 2020-05-01 | 生态环境部南京环境科学研究所 | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN112287892A (zh) * | 2020-11-23 | 2021-01-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 |
CN113095303A (zh) * | 2021-06-04 | 2021-07-09 | 成都数之联科技有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
CN113175918A (zh) * | 2020-01-08 | 2021-07-27 | 北京林业大学 | 一种智能手机测定植被盖度及密度的技术方法 |
CN113240648A (zh) * | 2021-05-18 | 2021-08-10 | 北京师范大学 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
-
2021
- 2021-09-02 CN CN202111028561.9A patent/CN113688772A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103398660A (zh) * | 2013-08-05 | 2013-11-20 | 河北工业大学 | 用于获取焊缝高度信息的结构光视觉传感器参数标定方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
CN110060292A (zh) * | 2019-04-03 | 2019-07-26 | 广州地理研究所 | 一种基于多尺度融合的土地利用面积计算方法 |
CN110927118A (zh) * | 2019-10-28 | 2020-03-27 | 航天新气象科技有限公司 | 植被指数测量仪、控制方法及测量方法 |
CN111091079A (zh) * | 2019-12-04 | 2020-05-01 | 生态环境部南京环境科学研究所 | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 |
CN113175918A (zh) * | 2020-01-08 | 2021-07-27 | 北京林业大学 | 一种智能手机测定植被盖度及密度的技术方法 |
CN112287892A (zh) * | 2020-11-23 | 2021-01-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 |
CN113240648A (zh) * | 2021-05-18 | 2021-08-10 | 北京师范大学 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
CN113095303A (zh) * | 2021-06-04 | 2021-07-09 | 成都数之联科技有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239750A (zh) * | 2022-09-19 | 2022-10-25 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
CN115239750B (zh) * | 2022-09-19 | 2022-12-20 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
CN116011879A (zh) * | 2023-02-01 | 2023-04-25 | 长江水利委员会长江科学院 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
CN116011879B (zh) * | 2023-02-01 | 2023-07-04 | 长江水利委员会长江科学院 | 生态系统稳定性评估方法、装置、电子设备及存储介质 |
CN117470098A (zh) * | 2023-11-02 | 2024-01-30 | 深圳大学 | 边坡安全智能监测系统及监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113688772A (zh) | 一种边坡生态修复监测方法 | |
Hancock et al. | Characterising forest gap fraction with terrestrial lidar and photography: An examination of relative limitations | |
Fournier et al. | Modelling light obstruction in three conifer forests using hemispherical photography and fine tree architecture | |
Kamthonkiat et al. | Geoinformatics in mangrove monitoring: damage and recovery after the 2004 Indian Ocean tsunami in Phang Nga, Thailand | |
CN110298322A (zh) | 一种基于遥感数据的耕地提取方法及系统 | |
CN116228041A (zh) | 一种废弃矿山生态修复后碳指标计算方法 | |
CN103792542A (zh) | 一种基于地面激光雷达技术的危岩落石调查方法 | |
Koeser et al. | Testing the accuracy of imaging software for measuring tree root volumes | |
Zou et al. | Estimation of canopy and woody components clumping indices at three mature picea crassifolia forest stands | |
Kwak et al. | Evaluation for damaged degree of vegetation by forest fire using Lidar and a digital aerial photograph | |
Lai et al. | Correcting for the clumping effect in leaf area index calculations using one-dimensional fractal dimension | |
Gärtner et al. | 3D-laser scanning: a new method to analyze coarse tree root systems | |
Trier et al. | Semi-automatic mapping of cultural heritage from airbone laser scanning data | |
Manić et al. | Remote Sensing and Nuclear Techniques for Soil Erosion Research in Forest Areas: Case Study of the Crveni Potok Catchment | |
Miller | Estimation of individual tree metrics using structure-from-motion photogrammetry. | |
Lee et al. | Analysis on the applicability of simulated image from SPOT 4 HRVIR image | |
Edgell | Quantifying dune ecomorphodynamics using UAV-based structure from motion photogrammetry | |
Davis | Refinement of a drone-based method for estimating coarse woody debris and biomass residue following forest harvest | |
Bournez et al. | Impact of level of details in the 3D reconstruction of trees for microclimate modeling | |
Korpela | Incorporation of allometry into single-tree remote sensing with lidar and multiple aerial images | |
Bayle et al. | Alpine greening deciphered by forest stand and structure dynamics in advancing treelines | |
Kaarto et al. | Changes in agroforestry in the Taita Hills, Kenya, based on multitemporal airborne laser scanning data | |
Chun et al. | Biomass estimation of Gwangneung catchment area with Landsat ETM+ image | |
CN118397075B (zh) | 基于鱼眼相机山地森林有效叶面积指数的计算方法 | |
Witzmann et al. | Modeling of solar radiation and sub-canopy light regime on forest inventory plots of mixed conifer and deciduous temperate forests using point clouds from personal laser scanning |
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 |