CN114429455A - 一种基于机载激光点云辅助影像植被三维变化检测方法 - Google Patents
一种基于机载激光点云辅助影像植被三维变化检测方法 Download PDFInfo
- Publication number
- CN114429455A CN114429455A CN202210008313.6A CN202210008313A CN114429455A CN 114429455 A CN114429455 A CN 114429455A CN 202210008313 A CN202210008313 A CN 202210008313A CN 114429455 A CN114429455 A CN 114429455A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- points
- point
- laser
- point cloud
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T2207/10024—Color image
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机载激光点云辅助影像植被三维变化检测方法,包括如下步骤:机载激光雷达(LiDAR)点云数据和影像数据获取,用商业化软件生成彩色点云并分类地表点。根据激光点距地表距离分类出低矮植被层、中植被层和高植被层,并识别出其中的植被。归一化植被地物的高程值,采用直接对比法计算两期植被的平面和高度变化,从而获得植被三维变化信息。本发明统计植被的三维变化,实现了植被三维变化的计算,精度可以达到95%以上,比现行的技术方法可以节省大量的人力测绘和调查工作,效率可以提高2倍以上,并且提供了一种针对地面上的植被吸收碳量计算中植被体积的计算方法,为我国早日实现碳中和目标提供技术支撑。
Description
技术领域
本发明涉及一种基于机载激光点云辅助影像植被三维变化检测方法,本发明所属技术领域为自然资源遥感和测绘科学技术领域,尤其适用于生态城市的植被覆盖信息自动化获取,并为计算城市植被碳汇提供数据支撑。
背景技术
气候变化是人类面临的全球性问题,随着各国二氧化碳排放,温室气体猛增,对生命系统形成威胁。在这一背景下,世界各国以全球协约的方式减排温室气体,我国由此提出碳达峰和碳中和目标。通过植物造树造林、节能减排等形式,抵消自身产生的二氧化碳排放量,实现二氧化碳“零排放”而达到碳中和目标。另一方面,在生态城市的建设中,人们对城市植被行的管理日益细化。需要对全市植被进行统一管理,除了常规的养护,还要知道植被的面积和高度的变化。植被体积变化的统计,也为二氧化碳吸收量计算提供基本数据。若采用传统的方法,人工使用仪器设备逐棵树的采集数据和调查,数以百万计的树木极其耗时耗力,效率低下。所以研究出一种自动获得变化信息的方法势在必行。随着近年来机载激光雷达(LiDAR)技术的蓬勃发展,使国内外学者基于LiDAR点云进行城市三维信息提取研究成为可能。其中,基于两期机载LiDAR点云进行植被三维变化信息自动获取,可以直接获取到树木是否移除、新增和生长等信息,给园林管理部门提供四维的植被信息,以提高管理水平和效率,为规划管理决策支撑。
机载LiDAR是整合全球卫星定位系统(GNSS)和惯性测量装置(IMU)技术的激光扫描,激光扫描仪搭载在飞机上,可以获得道城市大面积地物的三维坐标和其他有关信息。LiDAR传感器发射的激光脉冲能部分穿透树冠遮挡,直接获取高精度三维点云数据,辅助同时采集的影像可以对点云赋色。三维点云数据经过分类、聚类等后处理,可以生成不同地物的数字高程模型(DEM)和数字地表模型(DSM)。基于多期数据即可提取植被三维空间的变化信息。
发明内容
本发明针对现有技术中的不足,本发明提出一种基于机载激光点云辅助影像植被三维变化检测方法,在采集植被信息时采用全自动方式,不要任何的人为干预,能够高效自动获取植被的变化信息,给城市园林管理部门提供四维的植被信息,为计算城市植被碳汇提供数据支撑。
为实现上述目的,本发明采用以下技术方案:
一种基于机载激光点云辅助影像植被三维变化检测方法,包括如下步骤:
步骤一,数据获取:包括分别收集两个或两个以上时相的机载激光雷达点云数据,两个时相间隔一年以上,获取季节一致;收集与激光点云数据同期的影像数据。要求激光点云数据和影像数据通过验收,即符合国家行业规范的质量标准;
步骤二,彩色点云生成和地面点分类:根据步骤一搜集的激光雷达点云数据和影像数据,影像数据生成彩色点云以辅助区分地面植被和其他地物,根据激光雷达点云分类出地表点。自动分类完成后,对自动分类出的地面点类根据激光点云的前视图进行手动修正,前视图能够显示激光点云的高度,保证分类的正确性。基于地表点自动构建数字高程模型DEM,DEM通过格网形式呈现;
步骤三,激光点云分层:根据激光点云到地表的高度,激光点云分为低矮植被层、中植被层和高植被层,对高于地面点0.5米之内的激光点归为低矮植被层,对高于地面点0.5米并低于2米的激光点归为中植被被层;高于地面点2米以上的点归为高植被层;
步骤四,识别低矮植被层中属于植被的激光点:低矮植被层主要有铺装地表、裸地和草地,铺装地表包括道路、水泥地块;草地属于植被点,按照规则算法将低矮植被层中不是植被的点区分出来;
第五步,识别中植被层和高植被层中属于植被的激光点:中植被层中主要有灌木和其它中层零星地物,中层零星地物包括垃圾箱、电动自行车、行人等。灌木和比较矮小的树木属于植被点,按照规则算法将中植被层中不是植被的点区分出来。高植被层中主要有树木的树冠、房屋建筑和其它高层零星地物,高层零星地物包括铁塔、电杆、路灯等。树木属于植被点,按照规则算法将高植被层中不是植被的点区分出来;
步骤六,植被激光点合并,高程点归一化:合并所有植被点,并按三维空间分布进一步聚类,设定聚类体的点数少于20个为零星点,分离出零星点。对植被激光点进行地物高程归一化,即将植被激光点的高程值减去地表激光点的高程值,从而获取植被激光点的实际高度。任意一植被激光点P归一化后的高程值为:
Z归一化后=ZP-ZDEM
判断LiDAR点落在DEM格网的行列号,用LiDAR点的高程值ZP减去DEM高程值ZDEM,得到归一化之后的高程值。
步骤七,植被三维变化信息提取:对归一化之后激光点云数据过滤掉零星点,并建立植被表面模型。以前一期的激光点模型为基准,后一期的激光点模型“减去”前一期的激光点模型,获得植被的平面尺度和高尺度的三维变化。
进一步地,步骤四包括如下子步骤:
(1)植被指数计算:若激光点云本身除了具有RGB颜色值,还具有近红外颜色值信息,用以下公式计算归一化差值植被指数:
ND=(NIR-R)/(NIR+R) -1<=ND<=+1
其中,ND为归一化差值植被指数,值在正负1之间;NIR为近红外颜色值;R为红色颜色值。若点云只具有RGB颜色值信息,用以下公式计算视觉波段差异值植被指数:
VBD=(2*G-R-B)/(2*G+R+B) -1<=VBD<=+1
其中,VBD为视觉波段差异值植被指数,值在正负1之间;R为红色颜色值,G为绿色颜色值;B为蓝色颜色值。
(2)识别植被点:事先为每个植被指数计算方法定义了一个阈值,如果某点的差值小于阈值,则该点为非植被点;相反,如果某点的差值大于阈值,则该点为植被点。
进一步地,步骤五包括如下子步骤:
(1)计算中植被层和高植被层激光点云的法向量:法向量依据其周围点是否可以拟合为平面,并指向该平面朝向采集设备轨迹线的方向,机载激光扫描法向量一般与竖直方向成锐角分布。首先需要计算中植被层和高植被层激光点的法向量。
(2)特征聚类:中植被层中的植被大多是灌木,而高植被层中的植被以大型树木为主。灌木和乔木的点云呈簇团状,且法向量的方向没有规律。基于这一特征可以把植被与其他地物分开,其他地物例如:房屋建筑。采用空间聚类的方法,把在一定距离内的激光点聚成一个整体,一定距离可以为0.5m到1m之间的任一数值,根据法向量方向没有规律的特性把植被和非植被分开。
(3)用分水岭方法进一步识别树木:机载点云中,树木都有最高点即树梢,然后呈近似圆锥型点云高度下降。分水岭方法为,假设从地表高度开始涨水,直到水涨到树冠的一定高度,使根据水的淹没树木彼此能够区分出来。通过这样的方法进一步识别单棵树木,使树木与建筑进一步区分。
进一步地,步骤七中的三维变化分为以下几种情况:
(1)当前一期有植被,而后一期没有植被,确定为植被移除;
(2)当前一期没有植被,而后一期有植被,确定为植被为新增;
(3)当前一期和后一期都有植被,比较植被的高度变化,分为增高、不变、降低三种情况。
本发明的有益效果是:城市植被信息的统计,传统的方法是采用卫星影像统计植被的覆盖率,辅助大比例尺地形图,再配合地面的调查,可以获得样地的树高,采用数学模型计算植被的体积,精度只有85%左右。随着机载LiDAR技术的应用,采集的点云数据使自动化获得植被三维信息成为可能。本专利的方法统计植被的三维变化,首先实现了植被三维变化的计算,精度可以达到95%以上,比现行的技术方法可以节省大量的人力测绘和调查工作,效率可以提高2倍以上;而且,提供了一种针对地面上的植被吸收碳量计算中植被体积的计算方法,为我国早日实现碳中和目标提供技术支撑。
附图说明
图1为本发明一种基于机载激光点云辅助影像植被三维变化检测方法的流程图。
图2(a)为2017年激光点云数据高程渲染的俯视图,图2(b)为2019年激光点云数据高程渲染的俯视图。
图3(a)为2019年分类后的地表点云透视图渲染图,图3(b)为2019年分类后的彩色点云透视图。
图4(a)为2019年部分数据植被分离出的低植被点,图4(b)为2019年部分数据植被分离出的中植被和高植被点。
图5(a)表示植被移除三维变化结果;图5(b)表示植被新增三维变化结果;图5(c)表示植被增高三维变化结果;图5(d)表示植被降低三维变化结果。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
根据图1所示的方法流程,以“南京市江北某地区植被三维变化信息检测”为应用实例,对本发明进一步阐明:
步骤一,数据获取:2017年和2019年,分别利用机载激光扫描仪,在南京江北某地区进行数据采集,数据为同一地区,面积9平方千米。采集到的激光点云图见图2。2017年的数据航飞时间为2017年3月2日,分辨率约为每平方米1.5个点,共10428812个点,如图2(a)所示。2019年数据航飞时间为2019年4月6日,分辨率约为每平方米15个点,共181208261个点,如图2(b)所示。数据经过质量检查,两期数据平面和高程配准良好。
步骤二,利用TerraSolid软件对地面点分类,并把获得的彩色影像数据,恢复空间姿态投影到点云上,根据点云中各点处的位置把影像色彩赋给点云,以2019年的点为例生成地面点,如图3(a)所示,并生成彩色点云,如图3(b)所示。
步骤三,激光点云分层:根据各各点云到地表的高度值(用h表示,单位为m),激光点云分为低矮植被层、中植被层和高植被层,具体h的阈值如下:
低矮植被层:0m<h≤0.5m;
中植被层:0.5m<h≤2m;
高植被层:2m<h;
步骤四,识别低矮植被层中属于植被的激光点:低矮植被层中主要有铺装地表、裸地和草地,所述铺装地表包括道路、水泥地块。草地属于植被点,按照规则和算法把低矮植被层中不是植被的点区分出来。
第四步包括如下子步骤:
(1)因为点云只附着了RGB颜色值,用以下公式计算视觉波段差异值植被指数(VBD):
VBD=(2*G-R-B)/(2*G+R+B) -1<=VBD<=+1
其中,VBD为视觉波段差异值植被指数,值在正负1之间;R为红色颜色值;G为绿色颜色值;B为蓝色颜色值;
(2)识别植被点:根据数据的具体情况,VBD植被指数的阈值设定为0.08,若某点的VBD值小于该阈值,则该点为非植被点;相反,则该点为植被点。需要说明的是,由于数据没有红外波段,只能使用可视化差异指数,对于人为的绿色地物,该可视化差异指数不敏感,需要手工滤除这部分数据。若有红外波段,就不存在这一问题。以2019年数据为例,图4(a)中灰度深的点为分离出的低矮植被点。
第五步,中植被层中主要有灌木和其它中层零星地物,例如:垃圾箱、自行车、行人等,这些地物较小,且呈点状分布。灌木和较矮小的树木属于植被点,按照规则和算法把中植被层中不是植被的点区分出来。高植被层中主要有树木的树冠、房屋建筑和其它高层零星地物,高层零星地物包括铁塔、电杆、路灯等。树木属于植被点,按照规则和算法把高植被层中不是植被的点区分出来。
步骤五包括如下子步骤:
(1)计算激光点云的法向量:法向量依据其周围点是否可以拟合为平面,并指向该平面朝向采集设备方向,机载激光扫描法向量一般与竖直方向成锐角分布。首先需要计算中植被层和高植被层激光点的法向量。
(2)特征聚类:中植被层中的植被大多是灌木,而高植被层中的植被以大型树木为主。灌木和乔木的点云呈簇团状,连片或不连片,且法向量的方向没有规律。基于这一特征可以把植被与其他地物分开,其他地物例如:房屋建筑。采用空间聚类的方法,把在一定距离内的激光点聚成一个整体。根据法向量方向没有规律的特性把植被和非植被分开。
(3)用分水岭方法进一步识别树木:机载点云中,树木都有最高点即树梢,然后呈近似圆锥形点云高度下降。用分水岭方法进一步识别树木假设从地表高度开始涨水,直到水涨到树冠的一定高度,使根据水的淹没树木彼此能够区分出来,使树木与建筑进一步区分。以2019年数据为例,图4(b)中灰度最深的为分离出高植被点,灰度次深的为分离出的中植被点。
第六步,植被激光点合并,高程点归一化:合并所有植被点,并按三维空间分布进一步聚类,设定聚类体的点数少于20个为零星点,分离出零星点。对植被进行地物高程点归一化。将植被点的高程值减去地表点的高程值,从而获取植被点的实际高度。任意一植被点P归一化的高程值为:
Z归一化后=ZP-ZDEM
判断LiDAR点落在DEM格网的行列号,用LiDAR点的高程值(ZP)减去DEM高程值(ZDEM),得到归一化之后的高程值(Z归一化后)。
第七步,植被三维变化信息提取:对归一化之后激光点云数据过滤掉零星点,并建立植被表面模型。以2017年的激光点模型为基准,2019年的激光点模型“减去”2017年的激光点模型,获得植被的平面尺度和和高尺度的三维变化。分为以下几种情况:
(1)当2017年有植被,而2019年没有植被,确定为植被移除。具体如图5(a)所示,是实施区域中部分代表性区域。灰度最深的点代表2017年有植被而此处2019年植被被移除,灰度次深的点代表2019年有的植被。
(2)当2017年没有植被,而2019年有植被,确定为植被为新增。如图5(b)所示,是实施区域中部分代表性区域。灰度最深的点代表2019年新增植被而此处2017年没有植被,灰度次深的点代表2017年有的植被。
(3)当2017年和2019年都有植被,属于植被覆盖不变的区域。可以比较植被的高度变化,分为增高、不变、降低三种情况。以1m为增高与降低的判断阈值,如图5(c)显示植被增高的情况,灰度最深的点表示2017年植被数据,灰度次深的点表示2019年增高的植被;如图5(d)显示植被降低的情况,灰度最深的点表示2019年植被数据,灰度次深的点表示2017年降低的植被。
这样,就检测出项目实施区域的植被三维变化信息。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (4)
1.一种基于机载激光点云辅助影像植被三维变化检测方法,其特征在于,包括如下步骤:
步骤一,数据获取:包括分别收集两个或两个以上时相的机载激光雷达LiDAR点云数据,两个时相间隔一年以上,获取季节一致;收集与激光点云数据同期的影像数据;
步骤二,彩色点云生成和地面点分类:根据步骤一搜集的激光雷达点云数据和影像数据,影像数据生成彩色点云以辅助区分地面植被和其他地物,根据激光雷达点云分类出地表点,自动分类完成后,对自动分类出的地面点类根据激光点云的前视图进行手动修正,前视图能够显示激光点云的高度,保证分类的正确性;基于地表点自动构建数字高程模型DEM,DEM通过格网形式呈现;
步骤三,激光点云分层:根据激光点云到地表的高度,激光点云分为低矮植被层、中植被层和高植被层,对高于地面点0.5米之内的激光点归为低矮植被层,对高于地面点0.5米并低于2米的激光点归为中植被被层;高于地面点2米以上的点归为高植被层;
步骤四,识别低矮植被层中属于植被的激光点:低矮植被层主要有铺装地表、裸地和草地,铺装地表包括道路、水泥地块;草地属于植被点,将低矮植被层中不是植被的点区分出来;
步骤五,识别中植被层和高植被层中属于植被的激光点:中植被层中包括灌木和其它中层零星地物,中层零星地物包括垃圾箱、电动自行车、行人,灌木和比较矮小的树木属于植被点,将中植被层中不是植被的点区分出来。高植被层中主要有树木的树冠、房屋建筑和其它高层零星地物,高层零星地物包括铁塔、电杆、路灯,树木属于植被点,将高植被层中不是植被的点区分出来;
步骤六,植被激光点合并,高程点归一化:合并所有植被点,并按三维空间分布进一步聚类,设定聚类体的点数少于20个为零星点,分离出零星点;对植被激光点进行地物高程归一化,即将植被激光点的高程值减去地表激光点的高程值,从而获取植被激光点的实际高度。任意一植被激光点P归一化后的高程值为:
Z归一化后=ZP-ZDEM
判断LiDAR点落在DEM格网的行列号,用LiDAR点的高程值ZP减去DEM高程值ZDEM,得到归一化之后的高程值;
步骤七,植被三维变化信息提取:对归一化之后激光点云数据过滤掉零星点,并建立植被表面模型。以前一期的激光点模型为基准,后一期的激光点模型“减去”前一期的激光点模型,获得植被的平面尺度和高尺度的三维变化。
2.根据权利要求1所述的一种基于机载激光点云辅助影像植被三维变化检测方法,其特征在于,步骤四包括如下子步骤:
(1)植被指数计算:若激光点云本身除了具有RGB颜色值,还具有近红外颜色值信息,用以下公式计算归一化差值植被指数:
ND=(NIR-R)/(NIR+R)-1<=ND<=+1
其中,ND为归一化差值植被指数,值在正负1之间;NIR为近红外颜色值;R为红色颜色值。若点云只具有RGB颜色值信息,用以下公式计算视觉波段差异值植被指数:
VBD=(2*G-R-B)/(2*G+R+B)-1<=VBD<=+1
其中,VBD为视觉波段差异值植被指数,值在正负1之间;R为红色颜色值,G为绿色颜色值;B为蓝色颜色值;
(2)识别植被点:事先为每个植被指数计算方法定义了一个阈值,如果某点的差值小于阈值,则该点为非植被点;相反,如果某点的差值大于阈值,则该点为植被点。
3.根据权利要求1所述的一种基于机载激光点云辅助影像植被三维变化检测方法,其特征在于,步骤五包括如下子步骤:
(1)计算中植被层和高植被层激光点云的法向量:法向量依据其周围点是否可以拟合为平面,并指向该平面朝向采集设备轨迹线的方向,机载激光扫描法向量与竖直方向成锐角分布。首先需要计算中植被层和高植被层激光点的法向量;
(2)特征聚类:中植被层中的植被大多是灌木,而高植被层中的植被包括大型树木。灌木和乔木的点云呈簇团状,且法向量的方向没有规律。基于这一特征可以把植被与其他地物(例如:房屋建筑)分开。采用空间聚类的方法,把在一定距离内的激光点聚成一个整体。根据法向量方向没有规律的特性把植被和非植被分开;
(3)用分水岭方法进一步识别树木:机载点云中,树木都有最高点即树梢,然后呈近似圆锥型点云高度下降。用现有分水岭方法,假设从地表高度开始涨水,直到水涨到树冠的一定高度,使根据水的淹没树木形成孤岛,彼此能够区分出来。通过这样的方法进一步识别单棵树木,使树木与建筑进一步区分。
4.根据权利要求1所述的一种基于机载激光点云辅助影像植被三维变化检测方法,其特征在于,步骤七中,三维变化分为以下几种情况:
(1)当前一期有植被,而后一期没有植被,确定为植被移除;
(2)当前一期没有植被,而后一期有植被,确定为植被为新增;
(3)当前一期和后一期都有植被,比较植被的高度变化,分为增高、不变、降低三种情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008313.6A CN114429455A (zh) | 2022-01-05 | 2022-01-05 | 一种基于机载激光点云辅助影像植被三维变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210008313.6A CN114429455A (zh) | 2022-01-05 | 2022-01-05 | 一种基于机载激光点云辅助影像植被三维变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429455A true CN114429455A (zh) | 2022-05-03 |
Family
ID=81311152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210008313.6A Pending CN114429455A (zh) | 2022-01-05 | 2022-01-05 | 一种基于机载激光点云辅助影像植被三维变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429455A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998419A (zh) * | 2022-08-02 | 2022-09-02 | 西安科技大学 | 一种基于地形点云的沟壑体积变化切片方法 |
CN115936953A (zh) * | 2023-01-06 | 2023-04-07 | 深圳润澄金景科技服务有限公司 | 碳汇计算方法、电子设备及存储介质 |
-
2022
- 2022-01-05 CN CN202210008313.6A patent/CN114429455A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998419A (zh) * | 2022-08-02 | 2022-09-02 | 西安科技大学 | 一种基于地形点云的沟壑体积变化切片方法 |
CN114998419B (zh) * | 2022-08-02 | 2022-11-04 | 西安科技大学 | 一种基于地形点云的沟壑体积变化切片方法 |
CN115936953A (zh) * | 2023-01-06 | 2023-04-07 | 深圳润澄金景科技服务有限公司 | 碳汇计算方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
Chen et al. | Assessing tower flux footprint climatology and scaling between remotely sensed and eddy covariance measurements | |
Morton et al. | Final report for LCM2007-the new UK land cover map. Countryside survey technical report no 11/07 | |
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
Klingberg et al. | Mapping leaf area of urban greenery using aerial LiDAR and ground-based measurements in Gothenburg, Sweden | |
CN102721644B (zh) | 一种水环境遥感数据处理方法及装置 | |
CN114021348B (zh) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 | |
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 | |
CN108197583A (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN114429455A (zh) | 一种基于机载激光点云辅助影像植被三维变化检测方法 | |
CN104502919A (zh) | 利用机载激光雷达点云提取城市植被三维覆盖的方法 | |
CN111091079B (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
CN106778629B (zh) | 大棚识别方法及装置 | |
Han et al. | Extraction of multilayer vegetation coverage using airborne LiDAR discrete points with intensity information in urban areas: A case study in Nanjing City, China | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN108896021B (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
Yiğit et al. | Investigation of the rainwater harvesting potential at the Mersin University, Turkey | |
CN110070038B (zh) | 一种基于城市绿化覆盖面积测算城市绿地率的方法 | |
CN114119863A (zh) | 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法 | |
CN112241661A (zh) | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 | |
CN111353402B (zh) | 一种油棕林遥感提取方法 | |
CN115661634A (zh) | 城市生态网络空间要素精准识别方法 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
Tian et al. | A Process-Oriented Method for Rapid Acquisition of Canopy Height Model From RGB Point Cloud in Semiarid Region |
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 |