CN114593713A - 一种潮滩植被区地形反演方法及系统 - Google Patents
一种潮滩植被区地形反演方法及系统 Download PDFInfo
- Publication number
- CN114593713A CN114593713A CN202210233157.3A CN202210233157A CN114593713A CN 114593713 A CN114593713 A CN 114593713A CN 202210233157 A CN202210233157 A CN 202210233157A CN 114593713 A CN114593713 A CN 114593713A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- plant height
- tidal flat
- terrain
- target area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012795 verification Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 12
- 241000196324 Embryophyta Species 0.000 description 127
- 238000005070 sampling Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 17
- 238000011160 research Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 14
- 150000003839 salts Chemical class 0.000 description 6
- 241000202758 Scirpus Species 0.000 description 5
- 238000012876 topography Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001466077 Salina Species 0.000 description 1
- 241001302809 Schoenoplectus triqueter Species 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种潮滩植被区地形反演方法及系统,属于地质测量技术领域,潮滩植被区地形反演方法包括:获取目标区域的遥感图像;根据遥感图像生成含地面植物高度的数字地表高程模型和正射影像;在目标区域内,随机选取若干个样方,记录每个样方的中心坐标,并测量每个样方的平均植物株高及每个样方的植被指数;根据每个样方的平均植物株高和植被指数,建立植物株高反演模型。根据植物反演模型和正射影像,确定目标区域的植物株高的空间分布数据;根据植物株高的空间分布数据,将目标区域表面覆盖植物的株高准确地从含地面植物高度的数字地表高程模型中滤除,从而得到高精度的植被覆盖下的潮滩地形。
Description
本申请是名为《一种潮滩地形反演的方法及系统》的专利申请的分案申请,原申请的申请日为2021年03月02日,申请号为202110228043.5。
技术领域
本发明属于地质测量技术领域,涉及一种基于倾斜摄影三维重建技术和低空植被遥感技术的潮滩植被层下的地形反演方法及系统。
背景技术
滩面高程是潮滩地貌形态特征的体现,通过不同时刻滩面高程观测可以反映该区域潮滩的冲淤动态和地貌演变规律,同时它也是影响潮滩动态和盐沼植被分布的重要因素。研究表明厘米级的滩涂高程变化就会导致滩涂水动力、近岸地貌形态和植被群落组成结构发生巨大改变,因此高精度、大面积的潮滩地形数据是分析潮滩地貌演变和盐沼植被演替的必要基础,对滩涂演变规律掌握、海岸带资源利用保护具有重要意义。目前,潮滩地形监测方法通常分为遥感监测和地面监测两类。遥感方法包括立体像对匹配、水边线提取、合成孔径雷达干涉技术测量等,它们具有大范围测量能力,但是精度相对较低、时效性差。地面监测常用方法有全站仪测量、基于全球导航卫星系统(GlobalNavigation SatelliteSystem,GNSS)和实时动态差分技术(Real-time kinematic,RTK)的GNSS-RTK测量、基于非接触式高速激光测量技术的三维激光扫描(Terrestrial Laser Scanner,TLS)测量等,它们具有较高的精度,但是测量面积小、仪器和人力成本高、测量效率低。常用的RTK技术定位快速准确,水平和垂直精度极高,但是每次仅能获取单点数据,测量效率和地形空间分辨率低。TLS技术具有较高的垂直和空间精度,能够有效获取平面高程数据,但是TLS扫描范围有限,难以覆盖大面积植被区、花费的时间和经济成本较高,此外由于激光无法穿透高盖度植被,导致TLS观测技术难以准确获得植被覆盖下的潮滩地形。Dai等用无人机测量了潮滩无植被覆盖的光滩地形,表明使用无人机定期监测光滩是可行的。然而自然潮滩的潮间带区域往往覆盖有盐沼植物,通过无人机遥感只能测量到植物冠层的高程,为了获得准确地形,必须进行植被滤除去除盐沼植被株高的干扰,才能准确获得植被层下的潮滩滩面高程。目前,植被滤除主要是借鉴激光点云数据的滤波算法,需要有较多的激光点穿透植被落到地面上,而盐沼植被密度较高,光线不易穿透,植被滤除精度会大幅度降低,难以支持科学研究和海岸保护政策制定的需要。因此,现有的方法均无法获得高精度的滩涂植被下层地形数据,亟需一种可滤除植被的潮滩地形监测方法。
发明内容
本发明的目的是提供一种潮滩植被区地形反演方法及系统,基于倾斜摄影三维重建技术和低空植被遥感技术,解决了在落潮时间短观测时间有限的潮滩植被覆盖区,植被下层地形无法被准确测量的问题,提高了植被覆盖下潮滩地形监测的准确性。
本发明目的的基本实现思路为:1)利用无人机拍摄目标区域的遥感图像获取正射影像和数字地表高程模型;2)结合现场植被调查获取的部分植物株高,通过建立植物株高反演模型得到目标区域植被株高的空间分布情况;3)利用模型滤除植被高度数据,得到大面积、更高精度的植被覆盖下的潮滩地形数据。
为实现上述目的,本发明提供了如下方案:
一种潮滩植被区地形反演方法,所述潮滩植被区地形反演方法包括:
利用无人机搭载相机按照设定飞行路线拍摄目标区域的遥感影像;飞行高度不高于80m,航向重叠率和旁向重叠率大于60%,在目标区四个顶角设立4个地面控制点;所述相机为可见光或多、高光谱相机;
根据所述遥感影像,生成含地面植物高度的数字地表高程模型和含有植被信息的正射影像。地表高程模型必须用可见光相机所摄影像生成以保证地形精度,正射影像可用可见光相机影像或另载多光谱相机影像。
根据所述正射影像计算植被指数,并获取植被指数的空间分布数据;
在所述目标区域内,随机选取若干个样方,记录每个所述样方的中心坐标,并测量每个所述样方的平均植物株高及每个样方的植被指数;
根据每个样方的平均植物株高和植被指数,建立基于VI的植物株高反演模型;所述植物株高反演模型的表达式为:h=a×VI+b,其中,VI为植被指数;h为平均植物株高;a,b为植物株高反演系数;
根据所述植物株高反演模型和所述植被指数的空间分布数据,反演植物株高,确定所述目标区域的植物株高的空间分布数据;
根据所述植物株高的空间分布数据,将所述目标区域表面覆盖的植物株高数据从所述含地面植物高度的数字地表高程模型中滤除,得到植被覆盖下的潮滩地形。
可选地,所述植被指数包括可见光差异植被指数;所述正射影像包含红、绿和蓝三个可见光波段信息;
根据以下公式,确定可见光差异植被指数:
可选地,所述根据所述植物株高的空间分布数据,将所述目标区域表面覆盖的植物株高数据从所述含地面植物高度的数字地表高程模型中滤除,得到植被覆盖下的潮滩地形,具体包括:
采用地理信息系统软件,将含地面植物高度的数字地表高程模型与植物株高的空间分布数据相减,得到植被覆盖下的潮滩地形。
可选地,所述潮滩植被区地形反演方法还包括:
在所述目标区域内随机选取验证点,测量所述验证点的坐标和高程值,将所述验证点处实测的高程值与反演的所述植被覆盖下的潮滩地形在所述验证点坐标处的高程值做比较,得到比较结果;
根据比较结果评估所述植被覆盖下的潮滩地形的精度。
为实现上述目的,本发明还提供了如下方案:
一种潮滩植被区地形反演系统,所述潮滩植被区地形反演系统包括:
遥感图像获取模块,用于利用无人机搭载相机按照设定飞行路线拍摄目标区域的遥感影像;
遥感图像处理模块,用于根据所述遥感图像生成含地面植物高度的数字地表高程模型和正射影像,并利用正射影像计算植被指数及植被指数的空间分布数据;
植物株高数据获取模块,用于在所述目标区域内,随机选取若干个样方,记录每个所述样方的中心坐标,并测量每个所述样方的平均植物株高及每个样方的植被指数。
植物株高的空间数据获取模块,用于根据每个样方的平均植物株高和植被指数,建立基于VI的植物株高反演模型,根据所述植物株高反演模型和所述植被指数的空间分布数据,反演植物株高,确定所述目标区域的植物株高的空间分布数据;所述植物株高反演模型的表达式为:h=a×VI+b,其中,VI为植被指数;h为平均植物株高;a,b为植物株高反演系数;
潮滩地形获取模块,用于根据所述植物株高的空间分布数据,将所述目标区域表面覆盖的植物株高数据从所述含地面植物高度的数字地表高程模型中滤除,得到植被覆盖下的潮滩地形。
可选地,所述植被指数包括可见光差异植被指数,所述正射影像包含红、绿和蓝三个可见光波段信息;
根据以下公式,确定可见光差异植被指数:
可选地,所述潮滩植被区地形反演系统还包括:
潮滩地形的精度评估模块,用于在所述目标区域内随机选取验证点,测量所述验证点的坐标和高程值,将所述验证点处实测的高程值与反演的所述植被覆盖下的潮滩地形在所述验证点坐标处的高程值做比较,得到比较结果;根据比较结果评估所述植被覆盖下的潮滩地形的精度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
通过拍摄目标区域的无人机遥感图像获取正射影像和含地面植物高度的数字地表高程模型,结合现场植被调查获取植物株高和正射影像计算的植被指数,通过建立植物株高反演模型来计算潮滩植被株高空间数据,从而在含地面植物高度的数字地表高程模型中将植被高度数据滤除,得到植被覆盖下的潮滩地形数字高程。
1)通过反演潮滩植被株高空间分布情况,达到了滤除植被的效果,克服了以往技术中对植被高度造成的误差无能为力的缺陷,在潮滩植被区较以往技术可提升60%的地形精度。
2)本发明借助无人机搭载可见光相机拍摄影像,可实现大范围面积遥感图像的采集,相较其他技术节约了成本和物力,具有大范围推广的潜力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种潮滩植被区地形反演方法流程图;
图2为本发明实施例1所建立的株高反演模型精度曲线;
图3为本发明实施例2提供的一种潮滩植被区地形反演系统框图。
符号说明:
遥感图像获取模块-T1,遥感图像处理模块-T2,植物株高数据获取模块-T3,植物株高的空间数据获取模块-T4,潮滩地形获取模块-T5,潮滩地形的精度评估模块-T6。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种潮滩植被区地形反演方法及系统,利用拍摄目标区域的无人机遥感图像获取正射影像和数字地表高程模型,并结合现场植被调查获取的部分植物株高,通过建立植物株高反演模型反演出目标区域潮滩植被株高的空间分布情况,从而能够有效的滤除植被高度数据,得到大面积、更高精度的植被覆盖下的潮滩地形数据,提高了植被覆盖下的潮滩地形反演的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
请参阅图1,本实施例提供了一种潮滩植被区地形反演方法,包括:
步骤S1:获取目标区域的遥感图像。
其中,为了保证潮滩地形的反演精度,可以获取高重叠度和高分辨率的目标区域无人机遥感图像,遥感图像是无人机搭载的含红、绿、蓝波段可见光相机按照设定飞行路线拍摄所述目标区域而获得。
需要注意的是,飞行前先给电池和备用电池充好电,测试设备是否正常工作,并使用飞行控制(以下简称飞控)软件提前规划好飞行线路使用飞控软件(如大疆的DJ GS)提前规划好飞行线路时,可先在地理信息平台(例如Google Earth等)通过经纬度确定监测区域的边界,保存为kml或者shp格式的面状文件,并导入飞控软件,通过设置相应参数,规划飞行线路。无人机飞行时,摄像头保持垂向采集研究区航拍相片,飞行高度建议不高于80m,飞行的航向重叠度和旁向重叠度不小于70%。
如果所用无人机非使用RTK定位的无人机,那无人机获取遥感图像之前,必须在观测区设置地面控制点(Ground Control Point,GCP),校准无人机飞行的坐标系和高程,若使用RTK无人机可免地面控制点。通常在观测区四角的平坦地点布设4个GCP,此外也可根据实际地形情况,按米字形结构适当增加GCP。控制点设置采用红色十字或者红白相间田字方格等有明显的交叉点的地面控制点,GCP尺寸应能从无人机图像上识别交叉点,有条件的可以设立固定桩。使用RTK(Real-Time Kinematic,实时动态技术)测量交叉点中心坐标。
另外,拍摄的时间应根据潮汐表进行确定,选取小潮汛低潮期进行无人机飞行,一般选取潮位低于研究区平均高程、时间大于4小时的时间段来进行飞行,阴天无风天气为佳。
步骤S2:根据所述遥感图像获取含地面植物高度的数字地表高程模型和正射影像。
利用无人机三维建模软件(Pix4D、PhotoScan或Inpho),通过基于运动结构算法的点云生成、GCP坐标校正、创建网格、生成纹理等处理后,获取研究区的数字地表高程模型(Digital Surface Model,DSM)和正射影像。DSM是包含地面植物高度的数字地表高程模型,而正射影像包含了红绿蓝三个波段的光谱信息。
步骤S3:获取所述目标区域的植物株高数据。
在所述目标区域内,随机选取若干个采样区域,记录每个所述采样区域的中心坐标,测量每个所述采样区域的平均植物株高。根据各采样区域的平均植物株高,确定所述目标区域的植物株高数据。本实施例中,可以随机选取不少于10个代表不同植物群落高度的采样区域。
考虑到人工进入目标区域会导致航拍的采样点的地表和植物发生变化,所以一般要求现场植被监测在无人机飞行后展开。在研究区(目标区域)内,随机选取30-50个样点,样点应包括不同高度的植物群落,并利用RTK记录样点坐标,每个样点设置1m×1m样方,测量样方内平均植物株高。平均株高测量时,如果植被密度低可以测量所有植株,密度高时可以使用5点法选取植物,测量每株株高后取平均值。
步骤S4:根据所述植物株高数据和所述正射影像获取所述目标区域的植物株高的空间分布数据。
步骤S4具体包括:
根据所述正射影像计算植被指数;植被指数包括可见光差异植被指数。
所述正射影像包含红、绿和蓝三个可见光波段信息,所述可见光差异植被指数的计算公式为:
根据所述植被指数,确定所述目标区域的植被指数的空间分布数据。
一般选择利用软件ENVI 5.3计算研究区的VI空间分布。
提取各采样区域的VI和对应的平均植物株高,根据公式h=a×VI+b,拟合出a,b的值,建立基于VI的植物株高反演模型;其中,VI为植被指数;h为平均植物株高;a,b为植物株高反演系数。
根据所述VI的空间分布和所述基于VI的植物株高反演模型,利用ArcGIS的栅格计算器,获得所述目标区域的植物株高的空间分布数据。
需要说明的是,本实施例中,VI可以是可见光差异植被指数(Visible-bandDifference Vegetation Index,VDVI)或其他植被指数,采用可见光差异植被指数来构建株高反演模型仅仅是为了能够使本领域技术人员能够清楚的了解是如何根据植物株高数据和正射影像获取目标区域的植物株高的空间数据的,这里可见光差异植被指数(VDVI)对本发明的方案不具有任何限定,本发明还可以采用其他的植被指数及相应的公式来构建株高反演模型,例如RVI——比值植被指数;NDVI——归一化植被指数;DVI——差值环境植被指数;EVI——增强型植被指数等。
步骤S5:根据所述植物株高的空间分布数据,将所述目标区域表面覆盖的植物株高数据从所述含地面植物高度的数字地表高程模型中滤除,得到植被覆盖下的潮滩地形。
利用地理信息系统软件(例如ArcGIS,ENVI,Global Mapper,Matlab等),将DSM(含地面植物高度的数字地表高程模型)和植物株高空间分布数据相减,即可获得植被下潮滩地形的数字高程模型(Digital Elevation Model,DEM),DEM即地形表面形态的数字化表达。
步骤S6:在获取到所述目标区域地形DEM之后,可以对潮滩地形的精度评估,即步骤S6,具体为:
在所述目标区域内随机选取验证点,测量所述验证点的坐标和高程值,将所述验证点处实测的高程值与所述植被覆盖下的潮滩地形在所述验证点坐标处DEM的高程值做比较,得到比较结果。
根据比较结果评估所述植被覆盖下的潮滩地形精度。
可以使用RTK在研究区随机选点测量坐标和高程,并将这些验证点的高程与滤除植被后获得的目标区域整体地形DEM中对应坐标点处的高程比较,计算误差。
为了便于本领域技术人员能够更加理解本实施例的方案,现以上海崇明东滩团结沙自然潮滩为例进行说明:
崇明东滩鸟类国家级自然保护区是长江口规模最大、发育最完善的河口型潮汐滩涂湿地,其中保护区南部的团结沙自然潮滩包含了光滩和盐沼植被两种生境,盐沼植物主要为藨草属(Scirpus spp.)的海三棱藨草(Scirpus mariqueter)和藨草(Scirpustriqueter)混生,植被盖度变化范围为20%-90%。
(1)无人机低空航拍及图像处理
使用大疆Phantom 4Pro四悬翼无人机对研究区进行了无人机航测,航向重叠度80%,飞行高度为60m,地面分辨率为2cm/像素,航拍区域的面积约为0.3km2,涵盖了前沿植被带和光滩带。使用DJI GO 3.1.5控制自动飞行与正射拍照。同时在研究区八个基本方向设立了8个0.5×0.5m的地面控制点(Ground Control Point,GCP),使用RTK(Trimble R8GNSS接收机)收集了GCP中心的坐标(采用WGS1984坐标系统)和高程(采用吴淞高程系统)的RTK测量值,通过GCP的校正,将无人机航测的成果变换到指定参考系中。利用Pix4DMapper4.4.3软件对野外拍摄获取的无人机影像进行数据处理,在该软件中,通过点云生成、GCP坐标校正、创建网格、生成纹理等处理后,生成研究区区域的DSM和包含红、绿、蓝波段信息的正射遥感影像。
(2)现场植被调查
在无人机飞行结束后对研究区的光滩区和植被区展开现场的高程和植被观测:
高程观测使用RTK(Trimble R8 GNSS)接收机测量了光滩区14个地面点和植被区域30个地面点的坐标和高程,用于后期无人机影像反演地形的精度验证。
植被观测时,在藨草属分布的植被区随机选取了30个样点,以每个样点为中心设立1×1m的样方,使用RTK(Trimble R8 GNSS接收机)测量每个样点的坐标,并现场5点法选取样方内10株植物测量株高,后计算平均株高。
(3)潮滩数字地表高程模型生成及地形反演
无人机图像经过Pix4D Mapper4.4.3软件处理后生成的研究区的高精度DSM显示了潮滩滩面的数字高程信息。在光滩表面没有建筑或植被遮挡,该区域的DSM即为光滩区地形的DEM。
对于植被区,由于有盐沼植被遮挡,DSM显示的是潮滩植被冠层的高程,而不是滩面的高程信息。为了获取植被区DEM,首先使用ENVI 5.3提取无人机正射遥感影像中的波段信息,基于无人机影像的红、绿、蓝三个波段的像素值,计算空间VDVI。
将VDVI指数与盐沼植被株高建立株高反演模型。如图2所示,藨草属植物株高与VDVI指数之间具有显著正相关关系(R2=0.71,RMSE=4.07cm),表现为随株高的增加,VDVI指数值也呈现增大趋势。通过数据拟合得到的相关曲线为h=195.22×VDVI+19.48,即为该地区株高反演模型。其中,R2为决定系数,越接近1表明数据拟合效果越好。RMSE为均方根误差,描述的是数据离散程度,其值越小表示所建模型准确度越高,模型的模拟和预测能力越强。
在ENVI 5.3中通过株高反演模型将整个研究区的空间VDVI指数分布反演为整个研究区的空间植被株高,再利用ArcGIS 10.5将植被株高从植被区的DSM中滤除,获得潮滩地形的植被区地形的DEM。
(4)精度验证
以RTK野外现场测量的滩面高程数据为真实值,无人机图像反演的地形结果为测量值,利用Matlab 2019计算均方根误差(RootMean Square Error,RMSE)进行地形精度验证,评估无人机地形测量和植被滤除的效果。
在使用株高反演模型滤除植被后,植被区地形精度显著提升,RMSE从0.33m减小至0.14m,地形反演精度提高了约60%。对于包含植被区和光滩的整个研究区的地形反演结果而言,通过植被滤除后,地形精度RMSE为0.12m,与未进行植被滤除时的反演精度(RMSE为0.28m)相比,精度大大提高。
本实施例中,通过无人机快速获得目标区域航拍图像,再配合简单的野外现场监测,通过建立植物株高反演模型能够准确的将表面覆盖的植被层滤除,得到更高精度的植被覆盖潮滩的地形反演结果。由于是利用无人机进行航拍,因而可以大面积拍摄图像,也就能实现大面积潮滩的地形反演。除此之外,无人机相对于激光扫描装置成本低,易操作,可控性强。
最后可总结得出本实施例的优势:1)潮滩植被区地形反演精度显著优于其他技术。以实施案例为例,在植被区的地形RMSE植被过滤前为0.33m,过滤后为0.14m,过滤后提升了60%的地形精度,该精度优于使用TLS技术的潮滩地形监测结果。该技术很好地克服了TLS等技术难以准确滤除潮滩盐沼植被高度的技术瓶颈。
2)无人机的监测范围更大。TLS设备的扫描范围仅有2-3km,在潮滩上的有效范围不超过半径1km,且远距离的扫描精度较低。RTK为单点数据,虽然精度高,但不适合大范围地形监测。而无人机扫描范围可以通过更换电池持续飞行不断扩展,精度不会随范围的扩展有任何改变。
3)无人机监测的人力成本和经济成本显著降低。传统的RTK技术完全依靠观测人员通过行走获得指定地点的数据,而TLS观测技术需要将仪器运输到扫描区域进行工作,TLS及它的标靶、三脚架等相关配套设备重达数十斤重,若在泥泞难行的潮滩环境中操作,非常费时费力。无人机通过远程操控,不受地域条件限制,方便易行,效率高。其次,无人机地形监测技术更加经济和高效。TLS设备价格通常在百万元级别,无人机的设备价格通常在万元-几十万级别,且无人机观测的人力成本也大大低于TLS观测技术。
实施例2
如图3所示,本实施例提供了一种潮滩植被区地形反演系统,包括:
遥感图像获取模块T1,用于利用无人机搭载可见光相机按照设定飞行路线拍摄目标区域的遥感影像。
遥感图像处理模块T2,用于根据所述遥感图像生成含地面植物高度的数字地表高程模型和正射影像,并利用正射影像计算植被指数及植被指数的空间分布数据。
植物株高数据获取模块T3,用于在所述目标区域内,随机选取若干个样方,记录每个所述样方的中心坐标,并测量每个所述样方的平均植物株高及每个样方的植被指数。
植物株高的空间数据获取模块T4,用于根据每个样方的平均植物株高和植被指数,建立基于VI的植物株高反演模型,根据所述植物株高反演模型和所述植被指数的空间分布数据,反演植物株高,确定所述目标区域的植物株高的空间分布数据;所述植物株高反演模型的表达式为:h=a×VI+b,其中,VI为植被指数;h为平均植物株高;a,b为植物株高反演系数。
潮滩地形获取模块T5,用于根据所述植物株高的空间分布数据,将所述目标区域表面覆盖的植物株高数据从所述含地面植物高度的数字地表高程模型中滤除,得到植被覆盖下的潮滩地形。
其中,植物株高的空间数据获取模块T4具体包括:
植被指数计算单元,用于根据所述正射影像计算植被指数;本实施例采用了可见光差异植被指数VDVI,其计算公式为:
植被指数的空间分布获取单元,用于根据所述植被指数,确定所述目标区域的植被指数的空间分布数据。
基于VI的植物株高的反演模型建立单元,用于提取各样方的所述植被指数和对应的平均植物株高,并根据公式h=a×VI+b,拟合出a,b的值,建立基于VI的植物株高反演模型;其中,本实施例VI选择了可见光差异植被指数VDVI;h为平均植物株高;a,b为植物株高反演系数。
植物株高的空间分布计算单元,用于根据所述VI的空间分布和所述基于VI的植物株高反演模型,确定所述目标区域的植物株高的空间分布数据。
所述潮滩植被区地形反演系统还包括潮滩地形的精度评估模块T6。所述潮滩地形的精度评估模块T6用于在所述目标区域内随机选取验证点,测量所述验证点的坐标和高程值,将所述验证点处的高程值与反演的所述植被覆盖下的潮滩地形在所述验证点坐标处的高程值做比较,得到比较结果;根据比较结果评估所述植被覆盖下的潮滩地形的精度。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种潮滩植被区地形反演方法,其特征在于,所述潮滩植被区地形反演方法包括:
利用无人机搭载相机,按照设定飞行路线拍摄目标区域的遥感影像;所述相机为可见光或多光谱相机、高光谱相机;
根据所述遥感影像,生成含地面植物高度的数字地表高程模型及含有植被信息的正射影像;
根据所述正射影像计算植被指数,并获取植被指数的空间分布数据;
在所述目标区域内,随机选取若干个样方,记录每个所述样方的中心坐标,并测量每个样方的平均植物株高及每个样方的植被指数;
根据每个样方的平均植物株高和植被指数,建立基于VI的植物株高反演模型;所述植物株高反演模型的表达式为:h=a×VI+b,其中,VI为植被指数;h为平均植物株高;a,b为植物株高反演系数;
根据所述植物株高反演模型和所述植被指数的空间分布数据,确定所述目标区域的植物株高的空间分布数据;
根据所述植物株高的空间分布数据,将所述目标区域表面覆盖的植物株高数据从所述含地面植物高度的数字地表高程模型中滤除,得到植被覆盖下的潮滩地形。
3.根据权利要求1所述的潮滩植被区地形反演方法,其特征在于,所述根据所述植物株高的空间分布数据,将所述目标区域表面覆盖的植物株高数据从所述含地面植物高度的数字地表高程模型中滤除,得到植被覆盖下的潮滩地形,具体包括:
采用地理信息系统软件,将含地面植物高度的数字地表高程模型与植物株高的空间分布数据相减,得到植被覆盖下的潮滩地形。
4.根据权利要求1所述的潮滩植被区地形反演方法,其特征在于,所述潮滩植被区地形反演方法还包括:
在所述目标区域内随机选取验证点,测量所述验证点的坐标和高程值,将所述验证点处实测的高程值与反演的所述植被覆盖下的潮滩地形在所述验证点坐标处的高程值做比较,得到比较结果;
根据比较结果评估所述植被覆盖下的潮滩地形的精度。
5.一种潮滩植被区地形反演系统,其特征在于,所述潮滩植被区地形反演系统包括:
遥感图像获取模块,用于利用无人机搭载相机按照设定飞行路线拍摄目标区域的遥感影像;
遥感图像处理模块,用于根据所述遥感图像生成含地面植物高度的数字地表高程模型和正射影像,并利用正射影像计算植被指数及植被指数的空间分布数据;
植物株高数据获取模块,用于在所述目标区域内,随机选取若干个样方,记录每个所述样方的中心坐标,并测量每个所述样方的平均植物株高及每个样方的植被指数。
植物株高的空间数据获取模块,用于根据每个样方的平均植物株高和植被指数,建立基于VI的植物株高反演模型,根据所述植物株高反演模型和所述植被指数的空间分布数据,反演植物株高,确定所述目标区域的植物株高的空间分布数据;所述植物株高反演模型的表达式为:h=a×VI+b,其中,VI为植被指数;h为平均植物株高;a,b为植物株高反演系数;
潮滩地形获取模块,用于根据所述植物株高的空间分布数据,将所述目标区域表面覆盖的植物株高数据从所述含地面植物高度的数字地表高程模型中滤除,得到植被覆盖下的潮滩地形。
7.根据权利要求5所述的潮滩植被区地形反演系统,其特征在于,所述潮滩植被区地形反演系统还包括:
潮滩地形的精度评估模块,用于在所述目标区域内随机选取验证点,测量所述验证点的坐标和高程值,将所述验证点处实测的高程值与反演的所述植被覆盖下的潮滩地形在所述验证点坐标处的高程值做比较,得到比较结果;根据比较结果评估所述植被覆盖下的潮滩地形的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210233157.3A CN114593713A (zh) | 2021-03-02 | 2021-03-02 | 一种潮滩植被区地形反演方法及系统 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228043.5A CN113029105A (zh) | 2021-03-02 | 2021-03-02 | 一种潮滩地形反演的方法及系统 |
CN202210233157.3A CN114593713A (zh) | 2021-03-02 | 2021-03-02 | 一种潮滩植被区地形反演方法及系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228043.5A Division CN113029105A (zh) | 2021-03-02 | 2021-03-02 | 一种潮滩地形反演的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114593713A true CN114593713A (zh) | 2022-06-07 |
Family
ID=76465191
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210233157.3A Pending CN114593713A (zh) | 2021-03-02 | 2021-03-02 | 一种潮滩植被区地形反演方法及系统 |
CN202110228043.5A Pending CN113029105A (zh) | 2021-03-02 | 2021-03-02 | 一种潮滩地形反演的方法及系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228043.5A Pending CN113029105A (zh) | 2021-03-02 | 2021-03-02 | 一种潮滩地形反演的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114593713A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 云南大学 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN109325433A (zh) * | 2018-09-14 | 2019-02-12 | 东北农业大学 | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 |
CN111241912A (zh) * | 2019-12-18 | 2020-06-05 | 安徽易刚信息技术有限公司 | 一种基于机器学习算法的多植被指数的水稻产量估测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108050994B (zh) * | 2017-11-28 | 2019-08-16 | 河海大学 | 基于倾斜摄影三维重建技术的淤泥质潮滩地形演变方法 |
CN110163138B (zh) * | 2019-05-13 | 2022-03-11 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
CN110738134B (zh) * | 2019-09-24 | 2023-04-18 | 云南师范大学 | 面向无人机可见光影像的土壤信息提取方法及装置 |
-
2021
- 2021-03-02 CN CN202210233157.3A patent/CN114593713A/zh active Pending
- 2021-03-02 CN CN202110228043.5A patent/CN113029105A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 云南大学 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN109325433A (zh) * | 2018-09-14 | 2019-02-12 | 东北农业大学 | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 |
CN111241912A (zh) * | 2019-12-18 | 2020-06-05 | 安徽易刚信息技术有限公司 | 一种基于机器学习算法的多植被指数的水稻产量估测方法 |
Non-Patent Citations (2)
Title |
---|
戴玮琦: "无人机技术在潮滩地貌演变研究中的应用", 《水科学进展》, vol. 30, no. 3 * |
谢卫明: "高浊度河口潮滩动力地貌过程及植被影响研究", 《中国博士学位论文全文数据库(基础科学辑)》, pages 95 - 105 * |
Also Published As
Publication number | Publication date |
---|---|
CN113029105A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107063197B (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
Baltsavias et al. | Digital surface modelling by airborne laser scanning and digital photogrammetry for glacier monitoring | |
Jorayev et al. | Imaging and photogrammetry models of Olduvai Gorge (Tanzania) by Unmanned Aerial Vehicles: A high-resolution digital database for research and conservation of Early Stone Age sites | |
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 | |
Yoo et al. | Beach volume change using UAV photogrammetry Songjung beach, Korea | |
Riquelme et al. | Digital landform reconstruction using old and recent open access digital aerial photos | |
CN111951392A (zh) | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 | |
Sherwood et al. | Rapid, remote assessment of Hurricane Matthew impacts using four-dimensional structure-from-motion photogrammetry | |
Gonçalves et al. | Monitoring Local Shoreline Changes by Integrating UASs, Airborne LiDAR, Historical Images and Orthophotos. | |
Cilek et al. | Generation of high-resolution 3-D maps for landscape planning and design using UAV technologies | |
AGUILAR et al. | 3D coastal monitoring from very dense UAV-Based photogrammetric point clouds | |
Liu et al. | Architecture planning and geo-disasters assessment mapping of landslide by using airborne LiDAR data and UAV images | |
CN114593713A (zh) | 一种潮滩植被区地形反演方法及系统 | |
Susam | Topographical Analyses of Unmanned Aerial Vehicle-Based Very High-Resolution Digital Surface Models for Archaeological Sites | |
Li et al. | Using UAV imagery to generate DEMs of the intertidal zone | |
Hnila et al. | Quality Assessment of Digital Elevation Models in a Treeless High-Mountainous Landscape: A Case Study from Mount Aragats, Armenia | |
Pal et al. | Modeling and analysis of digital surface models using high-resolution UAV images | |
Mora-Félix et al. | The use of RPAS for the development of land surface models for natural resources management: a review | |
Chetverikov et al. | ERROR ESTIMATION OF DEM OF ORTHOTRANSFORMATION OF AERIAL IMAGES OBTAINED FROM UAVS ON THE MOUNTAINOUS LOCAL SITE IN THE VILLAGE SHIDNYTSYA | |
Mancini et al. | Unmanned Aerial System Applications to Coastal Environments | |
Yin | Analysis of coastal erosion between different flights of UAV | |
El-Sammany et al. | Creating a Digital Elevation Model (DEM) from SPOT 4 Satellite Stereo-Pair Images for Wadi Watiier Sinai Peninsula, Egypt | |
Xu et al. | Application of airborne laser radar technology of UAV based on river embankment survey | |
Sestras et al. | The Use of Budget UAV Systems and GIS Spatial Analysis in Cadastral and Construction Surveying for Building Planning | |
SENSING | www. sgem. org |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220607 |