CN115249330B - 一种植被连接度的评价方法及系统 - Google Patents

一种植被连接度的评价方法及系统 Download PDF

Info

Publication number
CN115249330B
CN115249330B CN202211077160.7A CN202211077160A CN115249330B CN 115249330 B CN115249330 B CN 115249330B CN 202211077160 A CN202211077160 A CN 202211077160A CN 115249330 B CN115249330 B CN 115249330B
Authority
CN
China
Prior art keywords
plaque
connectivity
vegetation
sub
node
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
Application number
CN202211077160.7A
Other languages
English (en)
Other versions
CN115249330A (zh
Inventor
张英
翟亮
乔庆华
刘佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN202211077160.7A priority Critical patent/CN115249330B/zh
Publication of CN115249330A publication Critical patent/CN115249330A/zh
Application granted granted Critical
Publication of CN115249330B publication Critical patent/CN115249330B/zh
Priority to US18/460,829 priority patent/US20240135567A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Graphics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种植被连接度的评价方法及系统，该方法包括：采集研究区植被斑块矢量数据，对所述植被斑块矢量数据进行几何中心提取，并将所述几何中心构建成网络节点组合；根据分割合并算法，将网络节点构建成相连但不重叠的Delaunay三角网；计算Delaunay三角网中每一节点所属斑块与相邻节点所属斑块的连接度并汇总，得到每一节点所属斑块与相邻斑块之间的整体连接度；将每个斑块的整体连接度作为权重，利用核密度函数，对每个独立斑块的连接度进行空间一体化表达处理，得到研究区植被连接度的空间计量结果。本发明所提供的一种植被连接度的评价方法及系统能够考虑相邻斑块之间作用的关系，构建基于核密度Kernel Density Estimation(KDE)的空间一体化表达方式。

Description

一种植被连接度的评价方法及系统
技术领域
本发明涉及生态质量评价技术领域，具体涉及一种植被连接度的评价方法及系统。
背景技术
植被是景观的重要组成部分，在控制水土流失、改善小气候、提供绿荫休憩用地等方面发挥着重要作用。维持植被良好的连接度，是保护生态系统稳定性和整体性的关键因素之一，也是实现生态功能效果的重要保障。因此，在生态修复中，提升植被连接度常被作为生态修复的重要目标。
植被作为一种生态景观，对于其连接性的度量可以参考景观生态学上对于连接度、连通性、连片性等相关评价方法，常用的方法主要有以下几种：（1）廊道评价法。廊道作为破碎景观中起着连接不同生境栖息地之间通道，起着沟通桥梁的作用。围绕廊道的评价，如景观廊道密度指数、廊道连接生境数量等方法，多是基于生态功能实现意义上的连接度评价方法。（2）基于图论的景观网格模型指数，这些模型将复杂的景观简化为节点和链接构成的网络。比较常用的有整体指数Integral index of connectivity (IIC), 可能连通性指数 Probability of Connectivity（PC）。（3）基于图论的连片性指数，这类指数往往不考虑景观功能，单纯从结构的角度来进行评价，目前主要用于耕地集中连片性的评价工作中。但是这类处理方式往往是把两个地块的连接关系作0-1的简单处理，忽略了两者之间距离大小的影响。从计算结果的表达上看，这几类模型均是斑块的独立核算，没有考虑空间关系的表达，表达的结果是以分散的斑块为基础的空间可视化。
发明内容
本发明提供的一种植被连接度的评价方法及系统，能够解决上述过程中的技术问题。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供了一种植被连接度的评价方法，包括以下步骤：
S1：采集研究区植被斑块矢量数据，对所述植被斑块矢量数据进行几何中心提取，并将所述几何中心构建成网络节点组合；
S2：根据分割合并算法，将网络节点组合构建成相连但不重叠的Delaunay三角网；
S3：计算Delaunay三角网中每一节点所属斑块与相邻节点所属斑块的连接度并汇总，得到每一节点所属斑块与相邻斑块之间的整体连接度；
S4：将每个斑块的整体连接度作为权重，利用核密度函数，对每个独立斑块的连接度进行空间一体化表达处理，得到研究区植被连接度的空间计量结果。
在一些实施例中，所述S1中“采集研究区植被斑块矢量数据”还包括：
S11：利用高分辨率遥感影像，通过目视解译、面向对象提取、监督分类、非监督分类、深度学习的方式，或者通过直接收集研究区的植被解译斑块，获得研究区的植被斑块矢量数据。
在一些实施例中，所述S1中“对所述植被斑块矢量数据进行几何中心提取”还包括：
S12：根据植被斑块矢量数据各顶点的坐标，计算植被斑块几何中心坐标，表达式为：
Figure 965427DEST_PATH_IMAGE002
其中，x和y分别为斑块几何中心的横坐标和纵坐标；xi为顶点i的横坐标值，yi为顶点i的纵坐标值，n为植被斑块顶点的数量。
在一些实施例中，所述S2具体包括以下步骤：
S21：利用递归算法，对步骤S1构建的所有网络节点组合数据进行分割，将原始数据域分成多个子块，使每个子块包含相等数量的点集；
S22：根据格雷厄姆凸壳算法对每一子块生成边界；
S23：对于每一子块进行三角剖分，并用局部优化LOP算法进行优化；
S24：寻找子块凸壳边界的底线和顶线，并从底线开始自下而上进行合并，生成Delaunay三角网。
在一些实施例中，所述S22中“格雷厄姆凸壳算法”的具体过程为：
S221：找出每个点集中纵坐标最小的点；
S222：将纵坐标最小点和点集中其他各点用线段连接，并计算这些线段与水平线的夹角；
S223：按夹角大小对数据点进行排序，如果夹角相同，则按距离大小排序；
S224：按照排序连接所有数据点，得到一个多边形。
在一些实施例中，所述S23的具体过程为：
S230：将每一子块的点集进行三角剖分，形成多个三角形的集合；
S231：将每一子块的三角形集合中任意两个具有共同边的三角形合成一个四边形；
S232：根据最大空圆准则，检查四边形中任一顶点是否在其他三个顶点组成的三角形的外接圆之内；
S233：如果在，将四边形的对角线对调，完成局部优化过程的处理。
在一些实施例中，所述S3包括以下步骤：
S31：根据Delaunay三角网中每一节点与相邻节点的距离以及每一节点所属斑块与相邻节点所属斑块的面积，计算三角网中相邻节点所属斑块之间的连接度，计算公式为：
Figure 11094DEST_PATH_IMAGE004
S32：汇总每个节点所属斑块和相邻斑块的连接度，得到每个斑块的整体连接度，计算公式为：
Figure 596796DEST_PATH_IMAGE006
其中，
Figure 574110DEST_PATH_IMAGE008
为斑块i和相邻斑块j之间的植被连接度；
Figure 674790DEST_PATH_IMAGE010
、
Figure 464761DEST_PATH_IMAGE012
分别为斑块i、斑块j的面积；
Figure 967286DEST_PATH_IMAGE014
为斑块i和斑块j的几何中心之间的最小距离；
Figure 115502DEST_PATH_IMAGE016
为斑块i和相邻斑块间的整体连接度。
在一些实施例中，所述S4还包括：
利用核密度估计方程计算每一斑块的核函数，并进行归一化处理，得到核密度概率密度函数，计算公式为：
Figure 906740DEST_PATH_IMAGE018
其中，
Figure 300069DEST_PATH_IMAGE020
为估值点x处的核密度函数，n为带宽范围内点的数量；k为核的权重函数，h为带宽，即以x为原点的曲面在空间上延展的宽度，h的取值会影响到图形的光滑程度；x-xi是密度估值点x到xi之间的距离。
第二方面，本发明提供了一种植被连接度的评价系统，包括：
节点构建模块，用于采集研究区植被斑块矢量数据，对所述植被斑块矢量数据进行几何中心提取，并将所述几何中心构建成网络节点组合；
分割合并模块，用于根据分割合并算法，将网络节点组合构建成相连但不重叠的Delaunay三角网；
连接度计算模块，用于计算Delaunay三角网中每一节点所属斑块与相邻节点所属斑块的连接度并汇总，得到每一节点所属斑块与相邻斑块之间的整体连接度；
表达计量模块，用于将每个斑块的整体连接度作为权重，利用核密度函数，对每个独立斑块的连接度进行空间一体化表达处理，得到研究区植被连接度的空间计量结果。
在一些实施例中，所述分割合并模块包括：
节点分割子模块，用于利用递归算法，对步骤S1构建的所有网络节点组合数据进行分割，将原始数据域分成多个的子块，使每个子块包含相等数量的点集；
边界创建子模块，用于根据格雷厄姆凸壳算法对每一子块生成边界；
局部优化子模块，用于对于每一子块进行三角剖分，并用局部优化LOP算法进行优化；
边界合并子模块，用于寻找子块凸壳边界的底线和顶线，并从底线开始自下而上进行合并，生成Delaunay三角网。
本申请的有益效果是：
本申请提供一种植被连接度的评价方法及系统，在评价植被生态空间连接度的时候，引入斑块距离这个影响因素，同时能够结合图论景观指数和图论连片性指数，构建了植被空间连接度的定量评价指标。根据该项指标，可以在空间上定量测算植被连通程度，找出植被连接断裂点，作为生态修复的重点区域。通过提升植被连接度，促进生物多样性和物种在空间上的迁徙移动。此外，为了在表达上更加直观，我们引入核密度函数，基于植被连接度密度创建插值面，实现植被连接度的空间概率分布可视化表达。
附图说明
图1为本申请的一种植被连接度的评价方法流程图；
图2为本申请步骤S1的子流程图；
图3为本申请步骤S2的子流程图；
图4为本申请步骤S3的子流程图；
图5为植被斑块的几何中心示例图；
图6为三角网构建示例图；
图7为区域植被连接度空间一体化表达示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅用于解释本公开，而非对本申请的限定。基于所描述的本申请的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
图1为本申请的一种植被连接度的评价方法流程图。
一种植被连接度的评价方法，结合图1，包括以下步骤：
S1：采集研究区植被斑块矢量数据，对所述植被斑块矢量数据进行几何中心提取，并将所述几何中心构建成网络节点组合；
在一些实施例中，结合图2即本申请步骤S1的子流程图，步骤S1中“采集研究区植被斑块矢量数据”还包括：
S11：利用高分辨率遥感影像，通过目视解译、面向对象提取、监督分类、非监督分类、深度学习的方式，或者通过直接收集研究区的植被解译斑块，获得研究区的植被斑块矢量数据；
在一些实施例中，结合图5即植被斑块的几何中心示例图，步骤S1中“对所述植被斑块矢量数据进行几何中心提取”还包括：
S12：根据植被斑块矢量数据各顶点的坐标，计算植被斑块几何中心坐标，表达式为：
Figure 63626DEST_PATH_IMAGE002
其中，x和y分别为斑块几何中心的横坐标和纵坐标；xi为顶点i的横坐标值，yi为顶点i的纵坐标值，n为植被斑块顶点的数量；
具体的，本方法首先通过对研究区的植被斑块矢量数据的获取，获取的方式为利用高分辨率遥感影像，通过目视解译、面向对象提取、监督分类、非监督分类、深度学习，或者通过直接收集研究区的植被解译斑块；同时由于植被斑块形状各异，其几何中心要考虑到具体情况。一般而言，由n个顶点组成的斑块，其几何中心坐标为各顶点坐标的平均值。通过求各顶点的中心，可以得到斑块几何中心坐标。
S2：根据分割合并算法，将网络节点组合构建成相连但不重叠的Delaunay三角网；
在一些实施例中，结合图3即本申请步骤S2的子流程图，以及图6即三角网构建示意图，步骤S2具体包括以下步骤：
S21：利用递归算法，对步骤S1构建的所有网络节点组合数据进行分割，将原始数据域分成多个子块，使每个子块包含相等数量的点集；
S22：根据格雷厄姆凸壳算法对每一子块生成边界；
在一些实施例中，所述步骤S22中“格雷厄姆凸壳算法”的具体过程为：
S221：找出每个点集中纵坐标最小的点；
S222：将纵坐标最小点和点集中其他各点用线段连接，并计算这些线段与水平线的夹角；
S223：按夹角大小对数据点进行排序，如果夹角相同，则按距离大小排序；
S224：按照排序连接所有数据点，得到一个多边形。
具体的，利用格雷厄姆凸壳算法生成每一子块的边界。具体的算法过程为：(1)找出点集中纵坐标最小的点(假设为 P1)。(2)将P1和其他各点用线段连接，并计算这些线段与水平线的夹角。 (3)按夹角大小对数据点进行排序，如果夹角相同，则按距离排序。设得到的点序列为 P1,P2,…,Pn。(4)依次连接所有点，得到一个多边形。根据“凸多边形的各顶点必须在该多边形的任意一条边的同一侧”这一定理，删去边界序列中的非凸壳顶点，最后得到凸壳点集。(5)依次连接各点，得到每一分割域的凸壳边界。
S23：对于每一子块进行三角剖分，并用局部优化LOP算法进行优化；
在一些实施例中，所述步骤S23的具体过程为：
S230：将每一子块的点集进行三角剖分，形成多个三角形的集合；
S231：将每一子块的三角形集合中任意两个具有共同边的三角形合成一个四边形；
S232：根据最大空圆准则，检查四边形中任一顶点是否在其他三个顶点组成的三角形的外接圆之内；
S233：如果在，将四边形的对角线对调，完成局部优化过程的处理。
具体的，在利用格雷厄姆凸壳算法生成每一子块的边界之后，首先利用三角剖分，将每一子块剖分成多个三角形的集合，再将具有共同边的三角形合成为一个个四边形，接着根据最大空圆准则，检查每个四边形当中的任意顶点是否在其他三个顶点组成的三角形的外接圆之内，若在，则将上述四边形的对角线对调，即完成局部优化过程的处理。
S24：寻找子块凸壳边界的底线和顶线，并从底线开始自下而上进行合并，最终形成Delaunay三角网。
具体的，在上述步骤完成后，即可找到每一子块凸壳的边界，并从底线开始自下而上进行三角形合并，最终形成Delaunay三角网。
S3：计算Delaunay三角网中每一节点所属斑块与相邻节点所属斑块的连接度并汇总，得到每一节点所属斑块与相邻斑块之间的整体连接度；
在一些实施例中，结合图4即本申请步骤S3的子流程图，所述步骤S3具体包括以下步骤：
S31：根据Delaunay三角网中每一节点与相邻节点的距离以及每一节点所属斑块与相邻节点所属斑块的面积，计算三角网中相邻节点所属斑块之间的连接度，计算公式为：
Figure 913901DEST_PATH_IMAGE004
S32：汇总每个节点所属斑块和相邻斑块的连接度，得到每个斑块的整体连接度，计算公式为：
Figure 926857DEST_PATH_IMAGE006
其中，
Figure 74941DEST_PATH_IMAGE008
为斑块i和相邻斑块j之间的植被连接度；
Figure 4589DEST_PATH_IMAGE010
、
Figure 212716DEST_PATH_IMAGE012
分别为斑块i、斑块j的面积；
Figure 463700DEST_PATH_IMAGE014
为斑块i和斑块j的几何中心之间的最小距离；
Figure 212213DEST_PATH_IMAGE016
为斑块i和相邻斑块间的整体连接度。
具体的，在得到植被斑块构建的植被连接网络之后即可对各植被斑块之间的连接度进行计算，在利用计算公式算得每一块斑块与相邻斑块之间的连接度后，将结果进行汇总，从而得到每个斑块相对于相邻斑块的整体连接度。
S4：将每个斑块的整体连接度作为权重，利用核密度函数，对每个独立斑块的连接度进行空间一体化表达处理，得到研究区植被连接度的空间计量结果；
在一些实施例中，所述步骤S4还包括：
利用核密度估计方程计算每一斑块的核函数，并进行归一化处理，得到核密度概率密度函数，计算公式为：
Figure 993438DEST_PATH_IMAGE018
其中，
Figure 372466DEST_PATH_IMAGE020
为估值点x处的核密度函数，n为带宽范围内点的数量；k为核的权重函数，h为带宽，即以x为原点的曲面在空间上延展的宽度，h的取值会影响到图形的光滑程度；x-xi是密度估值点x到xi之间的距离。
具体的，由于植被连接度不是单一斑块水平的表达，而应该是和相邻斑块相互作用下的空间一体化表达。因此，本方法考虑相邻斑块之间作用的关系，构建基于核密度Kernel Density Estimation(KDE)的空间一体化表达方式。核密度估计，是采用平滑的峰值函数(即“核”)来拟合观察到的数据点，从而对真实的概率分布曲线进行模拟。它是一种用于估计概率密度函数的非参数方法，假设有独立同分布F的n个样本点，设其概率密度函数为f，在某一事物的概率分布已知的情况下，如果某个数在观察中出现了，我们可以认为这个数的概率密度很大，和这个数比较近的数的概率密度也会比较大，而那些远离这个数的概率密度会比较小。基于这种想法，针对观察中的第一个数，我们可以用K去拟合概率密度。对每一个观察数拟合出的多个概率密度分布函数，取平均或根据权重来设置重要程度。需要说明的是，核密度的估计并不是找到真正的分布函数，而是通过核函数将每个数据点的数据和带宽当作核函数的参数，得到N个核函数，再线性叠加和归一化处理，就得到了核密度概率密度函数。
图7为区域植被连接度空间一体化表达示意图，综上所述，步骤S1中提取到的植被斑块几何中心为图7中的编号1-7，每个编号代表了一个植被斑块的几何中心，图7中的d12、d24、d34等参数为相邻斑块几何中心的最短距离，根据步骤S3的计算即可得出每个斑块的整体连接度，从而绘制出区域植被连接度空间一体化表达示意图。
本申请第二方面还提供了一种植被连接度的评价系统，包括：
节点构建模块，用于采集研究区植被斑块矢量数据，对所述植被斑块矢量数据进行几何中心提取，并将所述几何中心构建成网络节点组合；
分割合并模块，用于根据分割合并算法，将网络节点组合构建成相连但不重叠的Delaunay三角网；
连接度计算模块，用于计算Delaunay三角网中每一节点所属斑块与相邻节点所属斑块的连接度并汇总，得到每一节点所属斑块与相邻斑块之间的整体连接度；
表达计量模块，用于将每个斑块的整体连接度作为权重，利用核密度函数，对每个独立斑块的连接度进行空间一体化表达处理，得到研究区植被连接度的空间计量结果。
在一些实施例中，所述三角网创建模块包括：
节点分割子模块，用于利用递归算法，对步骤S1构建的所有网络节点组合数据进行分割，将原始数据域分成多个的子块，使每个子块包含相等数量的点集；
边界创建子模块，用于根据格雷厄姆凸壳算法对每一子块生成边界；
局部优化子模块，用于对于每一子块进行三角剖分，并用局部优化LOP算法进行优化；
边界合并子模块，用于寻找子块凸壳边界的底线和顶线，并从底线开始自下而上进行合并，生成Delaunay三角网。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
虽然结合附图描述了本申请的实施方式，但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内，以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种植被连接度的评价方法，其特征在于，包括以下步骤：
S1：采集研究区植被斑块矢量数据，对所述植被斑块矢量数据进行几何中心提取，并将所述几何中心构建成网络节点组合；
S2：根据分割合并算法，将网络节点组合构建成相连但不重叠的Delaunay三角网；
所述S2具体包括以下步骤：
S21：利用递归算法，对步骤S1构建的所有网络节点组合数据进行分割，将原始数据域分成多个子块，使每个子块包含相等数量的点集；
S22：根据格雷厄姆凸壳算法对每一子块生成边界；
S23：对于每一子块进行三角剖分，并用局部优化LOP算法进行优化；
S24：寻找子块凸壳边界的底线和顶线，并从底线开始自下而上进行合并，生成Delaunay三角网；
S3：计算Delaunay三角网中每一节点所属斑块与相邻节点所属斑块的连接度并汇总，得到每一节点所属斑块与相邻斑块之间的整体连接度；
所述S3包括以下步骤：
S31：根据Delaunay三角网中每一节点与相邻节点的距离以及每一节点所属斑块与相邻节点所属斑块的面积，计算三角网中相邻节点所属斑块之间的连接度，计算公式为：
Figure QLYQS_1
；
S32：汇总每个节点所属斑块和相邻斑块的连接度，得到每个斑块的整体连接度，计算公式为：
Figure QLYQS_2
；
其中，
Figure QLYQS_3
为斑块i和相邻斑块j之间的植被连接度；
Figure QLYQS_4
、
Figure QLYQS_5
分别为斑块i、斑块j的面积；
Figure QLYQS_6
为斑块i和斑块j的几何中心之间的最小距离；
Figure QLYQS_7
为斑块i和相邻斑块间的整体连接度；
S4：将每个斑块的整体连接度作为权重，利用核密度函数，对每个独立斑块的连接度进行空间一体化表达处理，得到研究区植被连接度的空间计量结果；
所述S4还包括：
利用核密度估计方程计算每一斑块的核函数，并进行归一化处理，得到核密度概率密度函数，计算公式为：
Figure QLYQS_8
其中，
Figure QLYQS_9
为估值点x处的核密度函数，n为带宽范围内点的数量；k为核的权重函数，h为带宽，即以x为原点的曲面在空间上延展的宽度，h的取值会影响到图形的光滑程度；x-xi是密度估值点x到xi之间的距离。
2.根据权利要求1所述的一种植被连接度的评价方法，其特征在于，所述S1中“采集研究区植被斑块矢量数据”还包括：
S11：利用高分辨率遥感影像，通过目视解译、面向对象提取、监督分类、非监督分类、深度学习的方式，或者通过直接收集研究区的植被解译斑块，获得研究区的植被斑块矢量数据。
3.根据权利要求2所述的一种植被连接度的评价方法，其特征在于，所述S1中“对所述植被斑块矢量数据进行几何中心提取”还包括：
S12：根据植被斑块矢量数据各顶点的坐标，计算植被斑块几何中心坐标，表达式为：
Figure QLYQS_10
，
其中，x和y分别为斑块几何中心的横坐标和纵坐标；xi为顶点i的横坐标值，yi为顶点i的纵坐标值，n为植被斑块顶点的数量。
4.根据权利要求1所述的一种植被连接度的评价方法，其特征在于，所述S22中“格雷厄姆凸壳算法”的具体过程为：
S221：找出每个点集中纵坐标最小的点；
S222：将纵坐标最小点和点集中其他各点用线段连接，并计算这些线段与水平线的夹角；
S223：按夹角大小对数据点进行排序，如果夹角相同，则按距离大小排序；
S224：按照排序连接所有数据点，得到一个多边形。
5.根据权利要求4所述的一种植被连接度的评价方法，其特征在于，所述S23的具体过程为：
S230：将每一子块的点集进行三角剖分，形成多个三角形的集合；
S231：将每一子块的三角形集合中任意两个具有共同边的三角形合成一个四边形；
S232：根据最大空圆准则，检查四边形中任一顶点是否在其他三个顶点组成的三角形的外接圆之内；
S233：如果在，将四边形的对角线对调，完成局部优化过程的处理。
6.一种植被连接度的评价系统，其特征在于，包括：
节点构建模块，用于采集研究区植被斑块矢量数据，对所述植被斑块矢量数据进行几何中心提取，并将所述几何中心构建成网络节点组合；
分割合并模块，用于根据分割合并算法，将网络节点组合构建成相连但不重叠的Delaunay三角网；
所述分割合并模块包括：
分割子模块，用于利用递归算法，对步骤S1构建的所有网络节点组合数据进行分割，将原始数据域分成多个子块，使每个子块包含相等数量的点集；
边界生成子模块，用于根据格雷厄姆凸壳算法对每一子块生成边界；
算法优化子模块，用于对于每一子块进行三角剖分，并用局部优化LOP算法进行优化；
三角网生成子模块，用于寻找子块凸壳边界的底线和顶线，并从底线开始自下而上进行合并，生成Delaunay三角网；
连接度计算模块，用于计算Delaunay三角网中每一节点所属斑块与相邻节点所属斑块的连接度并汇总，得到每一节点所属斑块与相邻斑块之间的整体连接度；
所述连接度计算模块包括：
相邻连接度计算子模块，用于根据Delaunay三角网中每一节点与相邻节点的距离以及每一节点所属斑块与相邻节点所属斑块的面积，计算三角网中相邻节点所属斑块之间的连接度，计算公式为：
Figure QLYQS_11
；
汇总子模块，用于汇总每个节点所属斑块和相邻斑块的连接度，得到每个斑块的整体连接度，计算公式为：
Figure QLYQS_12
；
其中，
Figure QLYQS_13
为斑块i和相邻斑块j之间的植被连接度；
Figure QLYQS_14
、
Figure QLYQS_15
分别为斑块i、斑块j的面积；
Figure QLYQS_16
为斑块i和斑块j的几何中心之间的最小距离；
Figure QLYQS_17
为斑块i和相邻斑块间的整体连接度；表达计量模块，用于将每个斑块的整体连接度作为权重，利用核密度函数，对每个独立斑块的连接度进行空间一体化表达处理，得到研究区植被连接度的空间计量结果；
所述表达计量模块包括：
归一化子模块，用于利用核密度估计方程计算每一斑块的核函数，并进行归一化处理，得到核密度概率密度函数，计算公式为：
Figure QLYQS_18
其中，
Figure QLYQS_19
为估值点x处的核密度函数，n为带宽范围内点的数量；k为核的权重函数，h为带宽，即以x为原点的曲面在空间上延展的宽度，h的取值会影响到图形的光滑程度；x-xi是密度估值点x到xi之间的距离。
7.根据权利要求6所述的一种植被连接度的评价系统，其特征在于，所述分割合并模块包括：
节点分割子模块，用于利用递归算法，对步骤S1构建的所有网络节点组合数据进行分割，将原始数据域分成多个的子块，使每个子块包含相等数量的点集；
边界创建子模块，用于根据格雷厄姆凸壳算法对每一子块生成边界；
局部优化子模块，用于对于每一子块进行三角剖分，并用局部优化LOP算法进行优化；
边界合并子模块，用于寻找子块凸壳边界的底线和顶线，并从底线开始自下而上进行合并，生成Delaunay三角网。
CN202211077160.7A 2022-09-05 2022-09-05 一种植被连接度的评价方法及系统 Active CN115249330B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211077160.7A CN115249330B (zh) 2022-09-05 2022-09-05 一种植被连接度的评价方法及系统
US18/460,829 US20240135567A1 (en) 2022-09-05 2023-09-05 Method and system for evaluating vegetation connectivity

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211077160.7A CN115249330B (zh) 2022-09-05 2022-09-05 一种植被连接度的评价方法及系统

Publications (2)

Publication Number Publication Date
CN115249330A CN115249330A (zh) 2022-10-28
CN115249330B true CN115249330B (zh) 2023-04-28

Family

ID=83700630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211077160.7A Active CN115249330B (zh) 2022-09-05 2022-09-05 一种植被连接度的评价方法及系统

Country Status (2)

Country Link
US (1) US20240135567A1 (zh)
CN (1) CN115249330B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036930B (zh) * 2023-07-03 2024-09-13 中铁电气化局集团有限公司 基于三维点云数据的绿地景观评价方法和电子设备
CN117935061B (zh) * 2024-03-21 2024-05-31 四川省能源地质调查研究所 基于数据分析的地质区域环境综合评价系统
CN118097069B (zh) * 2024-04-29 2024-07-09 中铁四局集团有限公司 山区地形网格模型的植被过滤方法、装置及计算机设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2888742C (en) * 2013-09-23 2015-09-15 Jason G. Tatge Farming data collection and exchange system
CN106910180B (zh) * 2015-12-22 2019-08-20 成都理想境界科技有限公司 一种图像质量评估方法及装置
CN110288202A (zh) * 2019-05-31 2019-09-27 武汉大学 一种城市公园绿地设施状态评估优化方法
CN110852579A (zh) * 2019-10-25 2020-02-28 北京林业大学 一种基于景观连接度指数评价水文连通度的方法
CN111274700B (zh) * 2020-01-20 2022-12-02 中国测绘科学研究院 一种基于矢量数据的生境网络构建方法
CN112417233B (zh) * 2020-12-16 2022-08-02 湖北大学 一种顾及空间密度差异的热力图生成方法及系统
CN113269403B (zh) * 2021-04-29 2023-06-30 西安交通大学 一种支持生境双向变化的景观连通度获取方法及系统

Also Published As

Publication number Publication date
CN115249330A (zh) 2022-10-28
US20240135567A1 (en) 2024-04-25

Similar Documents

Publication Publication Date Title
CN115249330B (zh) 一种植被连接度的评价方法及系统
CN106327577B (zh) 基于局部曲率熵和四叉树结构的三维地形曲面优化方法
Schillaci et al. 2.4. 2. Terrain analysis and landform recognition
Lohani et al. Application of airborne scanning laser altimetry to the study of tidal channel geomorphology
CN104049245B (zh) 基于LiDAR点云空间差异分析的城市建筑物变化检测方法
US8208715B2 (en) Target detecting, editing and rebuilding method and system by 3D image
Yang et al. Filtering of airborne LiDAR bathymetry based on bidirectional cloth simulation
Lagacherie et al. Geo-MHYDAS: A landscape discretization tool for distributed hydrological modeling of cultivated areas
CN106446910B (zh) 一种复杂地质曲面特征提取与重构方法
Li et al. An automatic tree skeleton extracting method based on point cloud of terrestrial laser scanner
Wu et al. 3D Tree reconstruction from simulated small footprint waveform lidar
Suleiman et al. 3D urban visibility analysis with vector GIS data
Tseng et al. Extraction of building boundary lines from airborne LiDAR point clouds
CN104268941A (zh) 仿真三维地图的热区形成方法及装置
CN118247280B (zh) 一种基于多源遥感数据的河流断面形态迁移模拟方法
Zhao et al. A new algorithm for the automatic extraction of valley floor width
Dehvari et al. Removing non-ground points from automated photo-based DEM and evaluation of its accuracy with LiDAR DEM
Matkan et al. Spatial analysis for outlier removal from LiDAR data
Wang et al. Reconstruction of power pylons from LiDAR point clouds based on structural segmentation and parameter estimation
Ghazal et al. Change Detection Study Of Al Razaza Lake Region Utilizing RemoteSensing And GIS Technique
CN116630823A (zh) 一种InSAR地形产品水体高程编辑处理方法
Lau et al. Completing fragmentary river networks via induced terrain
CN109872281A (zh) 一种波形信息辅助下的渐进加密三角网LiDAR点云滤波方法
Li et al. Efficient shrub modelling based on terrestrial laser scanning (TLS) point clouds
Chen et al. Integrating topographic features and patch matching into point cloud restoration for terrain modelling

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