CN115512244B - 一种单株树木碳储量确定方法及系统 - Google Patents

一种单株树木碳储量确定方法及系统 Download PDF

Info

Publication number
CN115512244B
CN115512244B CN202210996705.8A CN202210996705A CN115512244B CN 115512244 B CN115512244 B CN 115512244B CN 202210996705 A CN202210996705 A CN 202210996705A CN 115512244 B CN115512244 B CN 115512244B
Authority
CN
China
Prior art keywords
tree
point cloud
cloud data
dimensional laser
laser point
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
CN202210996705.8A
Other languages
English (en)
Other versions
CN115512244A (zh
Inventor
庞勇
杜黎明
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.)
Research Institute Of Forest Resource Information Techniques Chinese Academy Of Forestry
Original Assignee
Research Institute Of Forest Resource Information Techniques Chinese Academy Of Forestry
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 Research Institute Of Forest Resource Information Techniques Chinese Academy Of Forestry filed Critical Research Institute Of Forest Resource Information Techniques Chinese Academy Of Forestry
Priority to CN202210996705.8A priority Critical patent/CN115512244B/zh
Publication of CN115512244A publication Critical patent/CN115512244A/zh
Application granted granted Critical
Publication of CN115512244B publication Critical patent/CN115512244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明提供了一种单株树木碳储量确定方法及系统，涉及树木碳储量计算技术领域，包括：获取通过机载激光扫描技术或无人机激光扫描技术对待测区域进行扫描得到的待测区域的全域三维激光点云数据；对全域三维激光点云数据进行单木分割，得到多个单木三维激光点云数据后进行补偿；基于多个单木三维激光点云补偿数据，确定待测区域内每株树木的激光雷达生物量指数，进而确定待测区域内每株树木的森林地上生物量和单株树木碳储量。可见，本发明通过数据补偿，能够利用通过机载激光扫描技术或无人机激光扫描技术获得的激光雷达点云数据，确定大规模森林内每株树木的森林地上生物量，进而完成森林的树木碳储量分布刻画。

Description

一种单株树木碳储量确定方法及系统
技术领域
本发明涉及树木碳储量计算技术领域，特别是涉及一种单株树木碳储量确定方法及系统。
背景技术
森林地上生物量(AGB)估算是量化碳储量和固存率，以及评估气候变化的主要方法。目前，地基激光雷达技术(Terrestrial Laser Scanning，TLS)结合单木的树冠和树高参数，能够在单木尺度上完成精确的AGB估计。然而，TLS高成本的数据获取方式难以实现大区域的森林生物量制图。相比于TLS，机载激光扫描技术(Airborne Laser Scanning，ALS)或无人机激光扫描技术(Unmanned aerial vehicle Laser Scanning，ULS)能够通过获取的三维激光点云精确描述大规模森林冠层，对其进行单木分割能够计算出每株树的三维结构参数，为森林甚至更大尺度的生物量制图带来了新的机遇。但是，不同于TLS的观测视角和工作模式，ALS和ULS仅对树冠上层具有准确的刻画，受森林冠层遮挡的影响只能利用林隙获取少量的树冠下层点云。树冠下层点云的严重缺失使得ALS和ULS获取的三维激光点云难以应用现有的激光雷达生物量指数(LBI)精确计算森林地上生物量。
发明内容
本发明的目的是提供一种单株树木碳储量确定方法及系统，能够利用通过机载激光扫描技术或无人机激光扫描技术获得的激光雷达点云数据，确定大规模森林内每株树木的地上生物量，进而完成森林的单木尺度碳储量制图。
为实现上述目的，本发明提供了如下方案：
一种单株树木碳储量确定方法，包括：
获取待测区域的全域三维激光点云数据；所述全域三维激光点云数据是通过机载激光扫描技术或无人机激光扫描技术对待测区域进行扫描得到的；
对所述全域三维激光点云数据进行单木分割，得到待测区域内每株树木的单木三维激光点云数据；
根据多个所述单木三维激光点云数据，确定待测区域内每株树木的树高；
分别对多个所述单木三维激光点云数据进行补偿，得到多个单木三维激光点云补偿数据；
基于每株树木的树高和单木三维激光点云补偿数据，确定待测区域内每株树木的激光雷达生物量指数；
根据待测区域内每株树木的激光雷达生物量指数，确定每株树木的森林地上生物量；
根据多个所述森林地上生物量，确定待测区域内每株树木的碳储量。
可选的，在所述根据多个所述森林地上生物量，确定待测区域内每株树木的碳储量之后，还包括：
根据待测区域内每株树木的碳储量，构建待测区域的碳储量分布图。
可选的，所述对所述全域三维激光点云数据进行单木分割，得到待测区域内每株树木的单木三维激光点云数据，包括：
采用均值漂移算法对全域三维激光点云数据进行聚类处理，得到多个超体素；
采用K-近邻算法对多个所述超体素进行处理，构建相似度矩阵，并通过基于(尼斯特罗姆)的近似得到矩阵的解，得到多个单木体素聚类结果；
将每个单木体素聚类结果映射为三维激光点云数据，得到待测区域内每株树木的单木三维激光点云数据。
可选的，所述分别对多个所述单木三维激光点云数据进行补偿，得到多个单木三维激光点云补偿数据，包括：
确定待测区域内任一树木为当前树木；
以预设间隔高度ΔH为间隔，对当前树木单木三维激光点云数据进行分层，得到多个层三维激光点云数据；
基于多个所述层三维激光点云数据，确定当前树木的最大横截面高度；
获取当前树木的最低检测点高度；
基于所述最大横截面高度和所述最低检测点高度，对所述当前树木的单木三维激光点云数据进行补偿，得到所述当前树木的单木三维激光点云补偿数据。
可选的，所述基于多个所述层三维激光点云数据，确定当前树木的最大横截面高度，包括：
采用Delaunay三角剖分算法，计算每个层三维激光点云数据围成的面积；
确定面积最大的层的中心高度为当前树木的最大横截面高度。
可选的，所述基于所述最大横截面高度和所述最低检测点高度，对所述当前树木的单木三维激光点云数据进行补偿，得到所述当前树木的单木三维激光点云补偿数据，包括：
将当前树木的最大横截面对应的层三维激光点云数据投影在同一平面上；所述平面平行于地平面；
利用alpha-shape算法检测所述平面上多个投影点的边界点；
利用随机抽样一致性算法将多个所述边界点进行拟合，得到一个拟合圆；
以拟合圆的半径为底面半径，以当前树木的最大横截面对应的层中单木的投影点为底面圆心，以所述最大横截面高度和所述最低检测点高度之差为高，在当前树木的最大横截面对应的层之下构建圆柱形区域为待补偿区域；
确定当前树木单木三维激光点云数据中最大横截面高度之上的点云数据密度；
根据所述点云数据密度在所述待补偿区域内填充点云数据；
将当前树木单木三维激光点云数据中最大横截面高度之上的点云数据，以及在所述待补偿区域内填充的点云数据，确定为所述当前树木的单木三维激光点云补偿数据。
可选的，所述激光雷达生物量指数为：
其中，LBI为激光雷达生物量指数；Hi为树冠第i层的高度值，HT为单株树木的树高，UL(H)为单棵树叶面积体密度分布函数，r(H)为高度H单株树木的冠形半径；ΔH为间隔高度；
所述森林地上生物量为：
其中，AGB为森林地上生物量；α、β和k均为输入参数。
一种单株树木碳储量确定系统，包括：
全域三维激光点云数据获取模块，用于获取待测区域的全域三维激光点云数据；所述全域三维激光点云数据是通过机载激光扫描技术或无人机激光扫描技术对待测区域进行扫描得到的；
单木分割模块，用于对所述全域三维激光点云数据进行单木分割，得到待测区域内每株树木的单木三维激光点云数据；
结构参数确定模块，用于根据多个所述单木三维激光点云数据，确定待测区域内每株树木的树高；
点云数据补偿模块，用于分别对多个所述单木三维激光点云数据进行补偿，得到多个单木三维激光点云补偿数据；
激光雷达生物量指数确定模块，用于基于每株树木的树高和单木三维激光点云补偿数据，确定待测区域内每株树木的激光雷达生物量指数；
森林地上生物量确定模块，用于根据待测区域内每株树木的激光雷达生物量指数，确定每株树木的森林地上生物量；
单株树木碳储量确定模块，用于根据多个所述森林地上生物量，结合树种信息，确定待测区域内每株树木的碳储量。
可选的，所述系统还包括：
树木碳储量分布图构建模块，用于根据待测区域内每株树木的碳储量，构建待测区域的碳储量分布图。
可选的，所述单木分割模块包括：
超体素确定单元，用于采用均值漂移算法对全域三维激光点云数据进行聚类处理，得到多个超体素；
单木体素聚类单元，用于采用K-近邻算法对多个所述超体素进行处理，构建相似度矩阵，并通过基于的近似得到矩阵的解，得到多个单木体素聚类结果；
单木三维激光点云数据获取单元，用于将每个单木体素聚类结果映射为三维激光点云数据，得到待测区域内每株树木的单木三维激光点云数据。
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：
本发明提供了一种单株树木碳储量确定方法及系统，包括：获取待测区域的全域三维激光点云数据；全域三维激光点云数据是通过机载激光扫描技术或无人机激光扫描技术对待测区域进行扫描得到的；对全域三维激光点云数据进行单木分割，得到待测区域内每株树木的单木三维激光点云数据；分别对多个单木三维激光点云数据进行补偿，得到多个单木三维激光点云补偿数据；基于多个单木三维激光点云补偿数据，确定待测区域内每株树木的激光雷达生物量指数，进而确定待测区域内每株树木的森林地上生物量和碳储量。可见，本发明通过数据补偿，能够利用通过机载激光扫描技术或无人机激光扫描技术获得的激光雷达点云数据，确定大规模森林内每株树木的森林地上生物量，进而完成森林的树木碳储量分布刻画。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中单株树木碳储量确定方法流程图；
图2为本发明实施例中单木三维激光点云数据的补偿原理图；
图3为本发明实施例中模型参数的均值和标准偏差随样本单木数量的变化规律示意图；图3(a)为本发明实施例中模型各参数均值随样本数量的变化规律示意图；图3(b)为本发明实施例中模型各参数标准差随样本数量的变化规律示意图；
图4为本发明实施例中不同模型估算AGB与解析木实测AGB的回归图；图4(a)为本发明实施例中解析木模型获取的生物量与实测生物量的回归图；图4(b)为本发明实施例中选择单木模型获取的生物量与实测生物量的回归图；图4(c)为本发明实施例中解析木与选择单木融合模型获取的生物量与实测生物量的回归图；图4(d)为本发明实施例中基于LiDAR预测的DBH计算生物量与实测生物量的回归图；
图5为本发明实施例中待测区域的树木碳储量分布图。
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单株树木碳储量确定方法及系统，能够利用通过机载激光扫描技术或无人机激光扫描技术获得的激光雷达点云数据，确定大规模森林内每株树木的森林地上生物量，进而完成森林的树木碳储量分布刻画。
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
如图1所示，本发明提供了一种单株树木碳储量确定方法，包括：
步骤101：获取待测区域的全域三维激光点云数据；全域三维激光点云数据是通过机载激光扫描技术或无人机激光扫描技术对待测区域进行扫描得到的。
步骤102：对全域三维激光点云数据进行单木分割，得到待测区域内每株树木的单木三维激光点云数据。
步骤102包括：
步骤1021：采用meanshift算法对全域三维激光点云数据进行聚类处理，得到多个超体素。
步骤1022：采用K-近邻算法对多个超体素进行处理，构建相似度矩阵，并通过基于的近似得到矩阵的解，得到多个单木体素聚类结果。
步骤1023：将每个单木体素聚类结果映射为三维激光点云数据，得到待测区域内每株树木的单木三维激光点云数据。
步骤102中，采用基于的谱聚类(/>-based spectralclustering，NSC)方法进行机载点云的单木分割。首先，采用均值漂移方法对归一化后的激光雷达点云进行聚类，将其转换为不同大小的超体素，以减少数据量，提高计算效率。然后，采用K-近邻(K-Nearest Neighbor，KNN)方法构造基于体素的相似度图，体素之间的关系采用稀疏邻接矩阵描述，并通过基于/>的近似得到矩阵的解。同时，在基于/>的近似过程中引入了基于K近邻的采样(K-Nearest Neighbor sampling,KNNS)方法，以减小计算压力。最后，使用特征间隙启发式方法结合计算的特征值和特征向量确定分割单木的数量，并通过将结果映射回原始点云获得分割后的各单木点云集合和单木结构参数。基于单木结构参数对分割结果进一步进行后处理来提高分割精度，并根据最终分割结果更新每株单木的树高、冠幅及坐标。
步骤103：根据多个单木三维激光点云数据，确定待测区域内每株树木的树高。
步骤104：分别对多个单木三维激光点云数据进行补偿，得到多个单木三维激光点云补偿数据。
步骤104包括：
步骤1041：确定待测区域内任一树木为当前树木。
步骤1042：以预设间隔高度ΔH为间隔，对当前树木单木三维激光点云数据进行分层，得到多个层三维激光点云数据。
步骤1043：基于多个层三维激光点云数据，确定当前树木的最大横截面高度。
步骤1043包括：
步骤10431：采用Delaunay三角剖分算法，计算每个层三维激光点云数据围成的面积。
步骤10432：确定面积最大的层的中心高度为当前树木的最大横截面高度。
步骤1044：对单木点云进行投影并选取最大横截面边界缓冲区范围内的点，获取当前树木的最低检测点高度。
步骤1045：基于最大横截面高度和最低检测点高度，对当前树木的单木三维激光点云数据进行补偿，得到当前树木的单木三维激光点云补偿数据。
步骤1045包括：
步骤10451：将当前树木的最大横截面对应的层三维激光点云数据投影在同一平面上；平面平行于地平面。
步骤10452：利用alpha-shape算法检测平面上多个投影点的边界点。
步骤10453：利用随机抽样一致性算法将多个边界点进行拟合，得到一个拟合圆。
步骤10454：以拟合圆的半径为底面半径，以当前树木的最大横截面对应的层中单木的投影点为底面圆心，以最大横截面高度和最低检测点高度之差为高，在当前树木的最大横截面对应的层之下构建圆柱形区域为待补偿区域。
步骤10455：确定当前树木单木三维激光点云数据中最大横截面高度之上的点云数据密度。
步骤10456：根据点云数据密度在待补偿区域内填充点云数据。
步骤10457：将当前树木单木三维激光点云数据中最大横截面高度之上的点云数据，以及在待补偿区域内填充的点云数据，确定为当前树木的单木三维激光点云补偿数据。
如图2，ALS对单株树的最低树冠检测点(Lowest crown detection point,LCDP)通常位于有效枝条上，可以间接表示有效树冠的高度。同时，对于针叶树种而言，从每株单木的最高点到最大横截面积高(Hcmax)之间一般具有相似的空间结构。为此，本发明提出利用圆柱模拟的方法获取单木树冠最大截面积高至最低探测点之间的完整点云。具体步骤如下：
首先，自动计算单木树冠的最大横截面高度。将每棵树的机载点云按指定的高度间隔ΔH进行划分(综合考虑点云密度和树高，ΔH一般定义为0.5m)，并采用Delaunay三角剖分计算每层的面积，然后选择横截面积最大层的高度Hcmax。
其次，检测每株单木的最低树冠检测点。将横截面积最大层的高度Hcmax所在层中的所有树冠点云投影到XOY平面，并采用alpha-shape算法检测投影点的边界点，然后通过随机抽样一致性算法(Random sampling consistency，RANSAC)结合圆模型进行拟合，获取圆的中心点作为基准点P。如果拟合获取的圆的半径为R，那么与基准点P之间的平面距离在R±Δ(根据经验值，Δ＝R/3)范围内的点中高度最低的点即为最低树冠检测点LCDP，最低树冠检测点高度为HLCDP。
最后，以拟合获取的圆为底，以Hcmax-HLCDP为高，以每株单木Hcmax以上的平均点云密度为模拟点的点密度进行点云补偿。模拟点云和Hcmax以上的原始点云共同参与单木LBI的计算。
步骤105：基于每株树木的树高和单木三维激光点云补偿数据，确定待测区域内每株树木的激光雷达生物量指数；
激光雷达生物量指数为：
其中，LBI为激光雷达生物量指数；Hi为树冠第i层的高度值，HT为单株树木的树高，UL(H)为单棵树叶面积体密度分布函数，单位为m2/m3；r(H)为高度H单株树木的冠形半径；ΔH为间隔高度。
步骤106：根据多个激光雷达生物量指数，确定待测区域内每株树木的森林地上生物量。
森林地上生物量为：
其中，AGB为森林地上生物量；α、β和k均为输入参数。
本发明从单木分割结果中选择分割精度较高且与实测数据匹配效果较好的若干单木，根据实测DBH(单木胸径)结合异速生长方程计算参考AGB，以此来替代解析木实测AGB进行回归获取参数。样本单木数量的确定是模型参数回归的前提。在点云密度符合单木分割要求时，低株数密度的森林往往能够取得更高的分割和匹配精度。为此，本发明拟从低株数密度的针叶林点云中选取单木分割精度高，DBH的分布范围广且与实测数据完全匹配的70株单木。首先，将所有单木按照实测DBH分为10级，使每个级别包含7株单木。然后，根据本发明所提出的方法计算每株单木的LBI和树高，并结合实测DBH计算参考AGB。最终，通过每次在每个级别中选择1至7株单木构成样本集合并进行参数回归，分析相同样本数量获取的参数之间的决定系数R2和均方根误差(RMSE：root mean square error)的变化(值和标准偏差随样本单木数量的变化规律示意图如图3所示)，由此确定参数回归所需的最少样本单木数量，在选择合适样本单木的基础上能够极大的减少野外测量的工作量。
步骤107：根据多个森林地上生物量，结合树种信息和碳密度，确定待测区域内每株树木的碳储量。
步骤108：根据待测区域内每株树木的碳储量，构建待测区域的碳储量分布图；碳储量分布图如图5。
本发明通过对机载激光雷达获取的单木树冠点云进行模拟补偿，成功将激光雷达生物量指数应用于该数据中，实现了单木尺度的森林生物量的精准估测。补偿前后的精度对比如表2所示。
同时，通过野外测量的少量样本结构参数，结合通用的异速生长方程即可实现生物量估测模型的参数回归，极大的减少了野外测量的工作量。现有的基于机载激光雷达数据的单木生物量估测往往基于树高和冠幅间接获取单木DBH，并结合异速生长方程实现。如图4，本发明综合利用树高和树冠的形状和尺度特征直接计算生物量，在增加树冠特性利用率的基础上减少了多重误差的累积，能够实现更高精度的生物量计算。同时，对于样地、林分和更大尺度的生物量估测可通过简单的单木叠加实现。
如图3(a)和图3(b)显示，用于参数回归的样本数量的增加并未对参数的均值产生显著的影响，但是，回归参数之间的标准偏差随着样本数量的增加呈现了显著下降的趋势，说明较少的样本单木进行参数回归容易产生较大的随机误差，选取较多的单木进行参数回归更能产生稳定的计算模型。当样本数量达到21时，a，β和κ在变化基本趋于稳定，当样本数量达到35时，各项参数的标准偏差达到最低值。因此，最终确定从单木分割结果中选择35株单木用于模型参数的回归。表1不同样本单木回归获取的模型参数表，图4为利用表1中的参数计算的20株解析木的生物量与采用破坏性收获方法获取的实测生物量的回归。同时，所有的解析木在采集过程中均被分为了优势木、劣势木和平均木，在散点图中分别以不同形式的符号表示。从图4(a)-4(d)中可以看出，通过解析木进行模型参数回归，R2＝0.97，RMSE＝11.66kg，rRMSE＝16.33％；从单木分割结果中选择35株样本单木进行模型参数回归，R2＝0.98，RMSE＝15.93kg，rRMSE＝22.31％，相比于解析木回归模型获取的结果，R2提高了0.01，RMSE升高了4.27kg，rRMSE提高了5.98％；综合采用解析木和选择单木进行模型参数回归，R2＝0.98，RMSE＝11.88kg，rRMSE＝16.64％。总体而言，解析木回归获取的模型更接近1:1，但选择单木模型也取得了较高的计算精度。相比于从LiDAR获取的单木树高和冠幅预测DBH，再结合异速生长模型计算的生物量的方法(R2＝0.95，RMSE＝15.89kg，rRMSE＝22.25％)具有明显的精度优势。
表2显示了对单木树冠点云进行补偿前后，利用LBI计算的生物量与实测生物量回归的精度对比。可以看出经过对树冠点云进行补偿，各模型的计算精度均存在显著的提高，R2平均提高了0.06，RMSE平均降低了17.77kg，rRMSE平均降低了24.9％。因此，本发明提出的方法完全能够应用于机载激光雷达进行单木尺度生物量的估测。
图5显示了区域尺度的单木碳储量分布图。通过利用计算获取的每株单木的生物量乘以相应林分的含碳率可获取每株单木的碳储量，进而获取区域尺度的单木碳储量分布图，其中左下角对碳储量分布图的局部进行了放大显示，每个像元表示单木的位置，像元的值为对应单木的碳储量。
表1不同样本单木回归获取的模型参数表
表2.单木树冠点云补偿前后的精度对比表
此外，本发明还提供了一种单株树木碳储量确定系统，包括：
全域三维激光点云数据获取模块，用于获取待测区域的全域三维激光点云数据；所述全域三维激光点云数据是通过机载激光扫描技术或无人机激光扫描技术对待测区域进行扫描得到的。
单木分割模块，用于对所述全域三维激光点云数据进行单木分割，得到待测区域内每株树木的单木三维激光点云数据。
结构参数确定模块，用于根据多个所述单木三维激光点云数据，确定待测区域内每株树木的树高。
点云数据补偿模块，用于分别对多个所述单木三维激光点云数据进行补偿，得到多个单木三维激光点云补偿数据。
激光雷达生物量指数确定模块，用于基于每株树木的树高和单木三维激光点云补偿数据，确定待测区域内每株树木的激光雷达生物量指数。
森林地上生物量确定模块，用于根据待测区域内每株树木的激光雷达生物量指数，确定每株树木的森林地上生物量；
单株树木碳储量确定模块，用于根据多个所述森林地上生物量，结合树种信息，确定待测区域内每株树木的碳储量。
树木碳储量分布图构建模块，用于根据待测区域内每株树木的碳储量，构建待测区域的碳储量分布图。
其中，单木分割模块包括：
超体素确定单元，用于采用均值漂移算法对全域三维激光点云数据进行聚类处理，得到多个超体素；
单木体素聚类单元，用于采用K-近邻算法对多个所述超体素进行处理，构建相似度矩阵，并通过基于的近似得到矩阵的解，得到多个单木体素聚类结果；
单木三维激光点云数据获取单元，用于将每个单木体素聚类结果映射为三维激光点云数据，得到待测区域内每株树木的单木三维激光点云数据。
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，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种单株树木碳储量确定方法，其特征在于，包括：
获取待测区域的全域三维激光点云数据；所述全域三维激光点云数据是通过机载激光扫描技术或无人机激光扫描技术对待测区域进行扫描得到的；
对所述全域三维激光点云数据进行单木分割，得到待测区域内每株树木的单木三维激光点云数据，具体包括：采用均值漂移算法对全域三维激光点云数据进行聚类处理，得到多个超体素；采用K-近邻算法对多个所述超体素进行处理，构建相似度矩阵，并通过基于的近似得到矩阵的解，得到多个单木体素聚类结果；将每个单木体素聚类结果映射为三维激光点云数据，得到待测区域内每株树木的单木三维激光点云数据；
根据多个所述单木三维激光点云数据，确定待测区域内每株树木的树高；
分别对多个所述单木三维激光点云数据进行补偿，得到多个单木三维激光点云补偿数据，具体包括：确定待测区域内任一树木为当前树木；以预设间隔高度ΔH为间隔，对当前树木单木三维激光点云数据进行分层，得到多个层三维激光点云数据；基于多个所述层三维激光点云数据，确定当前树木的最大横截面高度；获取当前树木的最低检测点高度；基于所述最大横截面高度和所述最低检测点高度，对所述当前树木的单木三维激光点云数据进行补偿，得到所述当前树木的单木三维激光点云补偿数据；
基于每株树木的树高和单木三维激光点云补偿数据，确定待测区域内每株树木的激光雷达生物量指数；
所述激光雷达生物量指数为：
其中，LBI为激光雷达生物量指数；Hi为树冠第i层的高度值，HT为单株树木的树高，UL(H)为单棵树叶面积体密度分布函数，r(H)为高度H单株树木的冠形半径；ΔH为间隔高度；
所述森林地上生物量为：
其中，AGB为森林地上生物量；α、β和k均为输入参数；
根据多个所述待测区域内每株树木的激光雷达生物量指数，确定每株树木的森林地上生物量；
根据多个所述森林地上生物量，确定待测区域内每株树木的碳储量。
2.根据权利要求1所述的一种单株树木碳储量确定方法，其特征在于，在所述根据多个所述森林地上生物量，确定待测区域内每株树木的碳储量之后，还包括：
根据待测区域内每株树木的碳储量，构建待测区域的碳储量分布图。
3.根据权利要求1所述的一种单株树木碳储量确定方法，其特征在于，所述基于多个所述层三维激光点云数据，确定当前树木的最大横截面高度，包括：
采用Delaunay三角剖分算法，计算每个层三维激光点云数据围成的面积；
确定面积最大的层的中心高度为当前树木的最大横截面高度。
4.根据权利要求3所述的一种单株树木碳储量确定方法，其特征在于，所述基于所述最大横截面高度和所述最低检测点高度，对所述当前树木的单木三维激光点云数据进行补偿，得到所述当前树木的单木三维激光点云补偿数据，包括：
将当前树木的最大横截面对应的层三维激光点云数据投影在同一平面上；所述平面平行于地平面；
利用alpha-shape算法检测所述平面上多个投影点的边界点；
利用随机抽样一致性算法将多个所述边界点进行拟合，得到一个拟合圆；
以拟合圆的半径为底面半径，以当前树木的最大横截面对应的层中单木的投影点为底面圆心，以所述最大横截面高度和所述最低检测点高度之差为高，在当前树木的最大横截面对应的层之下构建圆柱形区域为待补偿区域；
确定当前树木单木三维激光点云数据中最大横截面高度之上的点云数据密度；
根据所述点云数据密度在所述待补偿区域内填充点云数据；
将当前树木单木三维激光点云数据中最大横截面高度之上的点云数据，以及在所述待补偿区域内填充的点云数据，确定为所述当前树木的单木三维激光点云补偿数据。
5.一种单株树木碳储量确定系统，其特征在于，包括：
全域三维激光点云数据获取模块，用于获取待测区域的全域三维激光点云数据；所述全域三维激光点云数据是通过机载激光扫描技术或无人机激光扫描技术对待测区域进行扫描得到的；
单木分割模块，用于对所述全域三维激光点云数据进行单木分割，得到待测区域内每株树木的单木三维激光点云数据，具体包括：采用均值漂移算法对全域三维激光点云数据进行聚类处理，得到多个超体素；采用K-近邻算法对多个所述超体素进行处理，构建相似度矩阵，并通过基于的近似得到矩阵的解，得到多个单木体素聚类结果；将每个单木体素聚类结果映射为三维激光点云数据，得到待测区域内每株树木的单木三维激光点云数据；
结构参数确定模块，用于根据多个所述单木三维激光点云数据，确定待测区域内每株树木的树高，具体包括：确定待测区域内任一树木为当前树木；以预设间隔高度为间隔，对当前树木单木三维激光点云数据进行分层，得到多个层三维激光点云数据；基于多个所述层三维激光点云数据，确定当前树木的最大横截面高度；获取当前树木的最低检测点高度；基于所述最大横截面高度和所述最低检测点高度；
点云数据补偿模块，用于分别对多个所述单木三维激光点云数据进行补偿，得到多个单木三维激光点云补偿数据；
激光雷达生物量指数确定模块，用于基于每株树木的树高和单木三维激光点云补偿数据，确定待测区域内每株树木的激光雷达生物量指数；
所述激光雷达生物量指数为：
其中，LBI为激光雷达生物量指数；Hi为树冠第i层的高度值，HT为单株树木的树高，UL(H)为单棵树叶面积体密度分布函数，r(H)为高度H单株树木的冠形半径；ΔH为间隔高度；
所述森林地上生物量为：
其中，AGB为森林地上生物量；α、β和k均为输入参数；
森林地上生物量确定模块，用于根据待测区域内每株树木的激光雷达生物量指数，确定每株树木的森林地上生物量；
单株树木碳储量确定模块，用于根据多个所述森林地上生物量，结合树种信息，确定待测区域内每株树木的碳储量。
6.根据权利要求5所述的一种单株树木碳储量确定系统，其特征在于，所述系统还包括：
树木碳储量分布图构建模块，用于根据待测区域内每株树木的碳储量，构建待测区域的碳储量分布图。
7.根据权利要求5所述的一种单株树木碳储量确定系统，其特征在于，所述单木分割模块包括：
超体素确定单元，用于采用均值漂移算法对全域三维激光点云数据进行聚类处理，得到多个超体素；
单木体素聚类单元，用于采用K-近邻算法对多个所述超体素进行处理，构建相似度矩阵，并通过基于的近似得到矩阵的解，得到多个单木体素聚类结果；
单木三维激光点云数据获取单元，用于将每个单木体素聚类结果映射为三维激光点云数据，得到待测区域内每株树木的单木三维激光点云数据。
CN202210996705.8A 2022-08-19 2022-08-19 一种单株树木碳储量确定方法及系统 Active CN115512244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210996705.8A CN115512244B (zh) 2022-08-19 2022-08-19 一种单株树木碳储量确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210996705.8A CN115512244B (zh) 2022-08-19 2022-08-19 一种单株树木碳储量确定方法及系统

Publications (2)

Publication Number Publication Date
CN115512244A CN115512244A (zh) 2022-12-23
CN115512244B true CN115512244B (zh) 2024-01-05

Family

ID=84501395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210996705.8A Active CN115512244B (zh) 2022-08-19 2022-08-19 一种单株树木碳储量确定方法及系统

Country Status (1)

Country Link
CN (1) CN115512244B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965619B (zh) * 2023-02-09 2023-07-25 中科海慧（北京）科技有限公司 一种基于三维激光点云数据的森林地上碳汇量计算方法
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
CN117036944B (zh) * 2023-08-09 2024-03-01 中科海慧（天津）科技有限公司 基于点云数据和图像识别的树木碳汇量计算方法及系统
CN118366043A (zh) * 2024-06-18 2024-07-19 武汉大学 一种基于激光点云数据的碳储量估算方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204998A (zh) * 2021-04-01 2021-08-03 武汉大学 一种基于单木尺度的机载点云森林生态估测方法及系统
JP6931501B1 (ja) * 2021-05-24 2021-09-08 株式会社マプリィ 単木モデリングシステム及び単木モデリング方法
WO2021232467A1 (zh) * 2020-05-19 2021-11-25 北京数字绿土科技有限公司 点云单木分割方法、装置、设备及计算机可读介质
CN114463403A (zh) * 2021-12-29 2022-05-10 江苏集萃未来城市应用技术研究所有限公司 一种基于点云数据和图像识别技术的树木碳汇量计算方法
KR20220066783A (ko) * 2020-11-16 2022-05-24 (주)평화엔지니어링 산림 바이오매스의 산정방법
CN114781011A (zh) * 2022-04-07 2022-07-22 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884664B (zh) * 2019-01-14 2022-12-02 武汉大学 一种城市地上生物量光学微波协同反演方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021232467A1 (zh) * 2020-05-19 2021-11-25 北京数字绿土科技有限公司 点云单木分割方法、装置、设备及计算机可读介质
KR20220066783A (ko) * 2020-11-16 2022-05-24 (주)평화엔지니어링 산림 바이오매스의 산정방법
CN113204998A (zh) * 2021-04-01 2021-08-03 武汉大学 一种基于单木尺度的机载点云森林生态估测方法及系统
JP6931501B1 (ja) * 2021-05-24 2021-09-08 株式会社マプリィ 単木モデリングシステム及び単木モデリング方法
CN114463403A (zh) * 2021-12-29 2022-05-10 江苏集萃未来城市应用技术研究所有限公司 一种基于点云数据和图像识别技术的树木碳汇量计算方法
CN114781011A (zh) * 2022-04-07 2022-07-22 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

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
基于LiDAR点云的单棵树木提取方法研究;林怡;季昊巍;叶勤;;计算机测量与控制(第06期);全文 *
基于三维激光点云数据获取树木几何参数的研究;王天罡;贾红波;梁兵琳;张丽华;李虹;朱佳琦;;陕西林业科技(第02期);全文 *
基于三维激光点云的城市绿化树种材积及树干碳储量无损精确测算;徐诗宇;施拥军;冯晟斐;;浙江农林大学学报(第06期);全文 *
基于无人机激光雷达遥感的亚热带常绿阔叶林群落垂直结构分析;解宇阳;王彬;姚扬;杨琅;高媛;张志明;林露湘;;生态学报(03);全文 *
基于车载激光点云的行道树固碳量估算研究;赵颖怡;胡庆武;;林业资源管理(02);全文 *
激光雷达技术估测森林生物量的研究现状及展望;曹林;佘光辉;代劲松;徐建新;;南京林业大学学报(自然科学版)(第03期);全文 *
激光雷达森林参数反演研究进展;李增元;刘清旺;庞勇;;遥感学报(05);全文 *
长白落叶松单木参数与生物量机载LiDAR估测;刘峰;谭畅;张贵;刘京轩;;农业机械学报(第09期);全文 *

Also Published As

Publication number Publication date
CN115512244A (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN115512244B (zh) 一种单株树木碳储量确定方法及系统
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
Lindberg et al. Estimation of stem attributes using a combination of terrestrial and airborne laser scanning
Vauhkonen Estimating crown base height for Scots pine by means of the 3D geometry of airborne laser scanning data
Maltamo et al. Predicting tree attributes and quality characteristics of Scots pine using airborne laser scanning data
CN109031344B (zh) 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法
Bienert et al. A voxel-based technique to estimate the volume of trees from terrestrial laser scanner data
CA2781604C (en) Method and apparatus for analyzing tree canopies with lidar data
CN110333554B (zh) Nriet暴雨智能相似分析方法
Holmgren et al. Prediction of stem attributes by combining airborne laser scanning and measurements from harvesters
Li et al. Retrieval of tree branch architecture attributes from terrestrial laser scan data using a Laplacian algorithm
CN108594262A (zh) 一种结合无人机和地基激光雷达提取树高的方法
CN108896021A (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
CN113269825B (zh) 基于地基激光雷达技术林木胸径值提取的方法
CN108872964A (zh) 基于无人机LiDAR数据的银杏人工林郁闭度提取方法
CN111060922A (zh) 基于机载激光雷达点云空间分布特征的树木点云提取方法
CN118115882B (zh) 一种基于多源感知融合的农业机器人巡检识别方法
Zhou et al. Tree crown detection in high resolution optical and LiDAR images of tropical forest
Hao et al. A hierarchical region-merging algorithm for 3-D segmentation of individual trees using UAV-LiDAR point clouds
CN116127327A (zh) 森林地上生物量反演方法、装置、设备以及存储介质
CN116381700A (zh) 一种森林冠层高度遥感估测方法及计算机可读介质
CN115830457A (zh) 基于激光雷达检测的复杂林分生物量估测系统及方法
CN111814666B (zh) 一种复杂林分下的单木参数提取方法、系统、介质及设备
CN117091706A (zh) 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法
CN117035174A (zh) 一种木麻黄单木地上生物量的估算方法与系统

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