CN115620171A - 树林蓄积量评估方法、装置、设备及存储介质 - Google Patents

树林蓄积量评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115620171A
CN115620171A CN202211636828.7A CN202211636828A CN115620171A CN 115620171 A CN115620171 A CN 115620171A CN 202211636828 A CN202211636828 A CN 202211636828A CN 115620171 A CN115620171 A CN 115620171A
Authority
CN
China
Prior art keywords
image
model
area
elevation
digital
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.)
Granted
Application number
CN202211636828.7A
Other languages
English (en)
Other versions
CN115620171B (zh
Inventor
郭朝贺
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.)
Sinochem Agriculture Holdings
Original Assignee
Sinochem Agriculture Holdings
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 Sinochem Agriculture Holdings filed Critical Sinochem Agriculture Holdings
Priority to CN202211636828.7A priority Critical patent/CN115620171B/zh
Publication of CN115620171A publication Critical patent/CN115620171A/zh
Application granted granted Critical
Publication of CN115620171B publication Critical patent/CN115620171B/zh
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
    • G06V20/13—Satellite images
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种树林蓄积量评估方法、装置、设备及存储介质，涉及影像数据处理技术领域，包括：获取待评估区域的正射影像以及数字表面模型；对正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域；基于各单株图像区域、裸地图像区域以及数字表面模型，生成数字高程模型；基于数字高程模型和数字表面模型，计算得到待评估区域的蓄积量。本发明通过根据正射影像中的裸地图像区域和若干个单株图像区域，结合数字表面模型中的高程数据，生成待评估区域的数字高程模型，从而基于所述数字高程模型和所述数字表面模型，直接计算得到待评估区域的蓄积量，无需人工进行采样测量，有效提高待评估区域蓄积量评估的准确性和效率。

Description

树林蓄积量评估方法、装置、设备及存储介质
技术领域
本发明涉及影像数据处理技术领域，尤其涉及一种树林蓄积量评估方法、装置、设备及存储介质。
背景技术
当前传统的林木监管模式通常是采用布设样点的方式来评估蓄积量，具体地，事先划定多个100米×100米的地面样方，人工在每个地面样方中进行采样，进而根据人工测量采样的植株的株高、胸径等参数，计算得到采样样方的平均株高、平均胸径等参数，然后根据平均株高和平均胸径，计算得到每个采样样方的蓄积量，最后通过加和的方式对整个栽植号的蓄积量进行评估。然而，人工测量采样株高、胸径等参数的工作量较大且人工测量误差较大，再者，桉树人工林往往种植位置偏远，给林木监管工作带来了更多的不确定性，导致对林场蓄积量评估的效率和准确率较低。
发明内容
本发明提供一种树林蓄积量评估方法、装置、设备及存储介质，旨在提高林场蓄积量评估的效率和准确率。
本发明提供一种树林蓄积量评估方法，包括：
获取待评估区域的正射影像以及数字表面模型；
对所述正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域；
基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型；
基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量。
根据本发明提供的一种树林蓄积量评估方法，所述基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型，包括：
基于所述数字表面模型，计算得到各所述单株图像区域中的树顶高程数据；
将各所述单株图像区域中的树顶高程数据进行栅格重采样，得到各个栅格单元的采样高程数据；
基于各所述栅格单元中的采样高程数据，计算得到相邻栅格单元之间的高程变化值；
在所述裸地图像区域中选取目标生长点，并在所述数字表面模型中提取得到所述目标生长点的高程数据；
基于所述相邻栅格单元之间的高程变化值以及所述目标生长点的高程数据，遍历计算得到各所述栅格单元对应的地面高程值；
基于各所述栅格单元对应的地面高程值，形成所述数字高程模型。
根据本发明提供的一种树林蓄积量评估方法，所述基于所述相邻栅格单元之间的高程变化值以及所述目标生长点的高程数据，遍历计算得到各所述栅格单元对应的地面高程值，包括：
在各所述栅格单元中选取目标栅格单元，并将所述目标生长点的高程数据作为所述目标栅格单元的地面高程数据；
基于所述目标栅格单元的地面高程数据以及所述相邻栅格单元之间的高程变化值，计算得到与所述目标栅格单元相邻的各个栅格单元对应的地面高程数据；
分别将与所述目标栅格单元相邻的各个栅格单元作为新的目标栅格单元，返回执行所述基于所述目标栅格单元的地面高程数据以及所述相邻栅格单元之间的高程变化值，计算得到与所述目标栅格单元相邻的各个栅格单元对应的地面高程数据的步骤，直至计算得到全部栅格单元对应的地面高程值。
根据本发明提供的一种树林蓄积量评估方法，所述对所述正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域，包括：
将所述正射影像图输入至图像分割模型，得到所述图像分割模型输出的目标分割结果，其中，所述目标分割结果包括林木图像区域和所述裸地图像区域；所述图像分割模型是根据训练影像样本以及所述训练影像样本对应的样本分割标签训练得到；
对所述林木图像区域进行单株分割处理，得到各所述单株图像区域。
根据本发明提供的一种树林蓄积量评估方法，所述图像分割模型是基于如下步骤训练得到：
获取若干个训练影像样本；
对于任意一个训练影像样本，将所述训练影像样本输入至初始分割模型，得到所述初始分割模型输出的预测结果；
基于所述预测结果和所述训练影像样本对应的样本分割标签，计算得到模型损失值；
基于每一次迭代得到的模型损失值，对所述初始分割模型的模型参数进行更新，得到所述图像分割模型。
根据本发明提供的一种树林蓄积量评估方法，所述基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量，包括：
将所述数字高程模型和所述数字表面模型进行做差处理，得到各所述单株图像区域的高度信息；
基于预先设置的径高比回归方程，计算得到各所述高度信息对应的胸径信息；
基于各所述高度信息以及各所述高度信息对应的胸径信息，计算得到所述待评估区域的蓄积量。
根据本发明提供的一种树林蓄积量评估方法，所述获取待评估区域的正射影像以及数字表面模型，包括：
获取待评估区域的遥感影像；
对所述遥感影像进行空三处理，得到所述正射影像以及所述数字表面模型。
本发明还提供一种树林蓄积量评估装置，包括：
获取模块，用于获取待评估区域的正射影像以及数字表面模型；
分割模块，用于将所述正射影像进行图像分割处理，得到裸地图像区域和若干个单株图像区域；
生成模块，用于基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型；
计算模块，用于基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述树林蓄积量评估方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述树林蓄积量评估方法。
本发明提供的树林蓄积量评估方法、装置、设备及存储介质，通过根据正射影像中的裸地图像区域和若干个单株图像区域，结合数字表面模型中的高程数据，生成待评估区域的数字高程模型，从而基于所述数字高程模型和所述数字表面模型，直接计算得到待评估区域的蓄积量，无需人工进行采样测量，有效提高待评估区域蓄积量评估的准确性和效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图逐一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的树林蓄积量评估方法的流程示意图；
图2是本发明一个实施例提供的栅格单元的示意图；
图3是本发明提供的树林蓄积量评估装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
在本发明一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明一个或多个实施例。在本发明一个或多个实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本发明一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”。
图1是本发明提供的树林蓄积量评估方法的流程示意图。如图1所示，该树林蓄积量评估方法包括：
步骤11，获取待评估区域的正射影像以及数字表面模型；
需要说明的是，正射影像是具有正射投影性质的遥感影像。遥感影像因成像时受传感器内部状态变化（例如，光学系统畸变和扫描系统非线性等）、外部状态（例如，姿态变化）及地表状况（例如，地球曲率和地形起伏等）的影响，均有程度不同的畸变和失真，因此，需要对遥感影像的校正处理。进一步需要说明的是，数字表面模型是指包含地表建筑物、桥梁和树木等高程数据的DSM（Digital Surface Model）模型。具体地，首先获取无人机采集到的待评估区域的遥感影像，进而将遥感影像进行空三处理，其中，空三处理的整个运算过程被称为空间三角测量，空三处理是较为成熟的图像处理方法，在此不再赘述，从而生成所述正射影像以及所述数字表面模型，在本实施例中，所述数字表面模型包括待评估区域中树木和裸地的高程数据。
步骤12，对所述正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域；
需要说明的是，所述单株图像区域表示包含单棵树木的图像区域。
作为一种可实施方式，利用预先设置的图像分割算法，对所述正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域，其中，图像分割算法包括分水岭算法、区域聚类法和模板匹配等方法，
另外地，为了提高图像分割的精确度，作为一种可实施方式，具体地，首先将正射影像进行初始分割处理，得到林木图像区域以及裸地图像区域，例如，利用深度学习模型进行初始分割处理，进而再利用预先设置的图像分割算法对林木图像区域进一步进行图像分割处理，得到林木图像区域中的若干个单株图像区域。
步骤13，基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型；
需要说明的是，DEM（Digital Elevation Model，数据高程模型）是通过有限的地面高程数据实现对地面地形的数字化模拟。由于森林中地面被树木遮盖，因此无法直接获取得到地面的高程数据。在生长条件较为均一的人工林，林木顶端的高程起伏变化能够表征地势的变化趋势。
作为一种可实施方式，具体地，在各所述数字表面模型中提取得到全部单株图像区域中各个像素点对应的高程数据，进而将单株图像区域中最大的高程数据作为单株图像区域的树顶高程数据，进而根据各个单株图像区域的树顶高程数据，计算得到相邻的单株图像区域之间的高程变化值，进而在所述裸地图像区域中选取与单株图像区域邻近的目标点，并在所述数字表面模型中提取得到所述目标点的高程数据，进一步地，在各个单株图像区域中选取与目标点邻近的目标单株图像区域，并将目标点的高程数据作为目标单株图像区域的地面高程数据，进一步地，根据目标单株图像区域的地面高程数据以及相邻的单株图像区域之间的高程变化值，遍历计算得到全部单株图像区域的地面高程数据，从而形成数字高程模型。
作为另一种可实施方式，为了减少遍历的计算量，在得到各个单株图像区域的树顶高程数据之后，将各所述单株图像区域中的树顶高程数据进行栅格重采样，得到各个栅格单元中的各个树顶高程数据，其中，所述栅格重采样是将输入图像的像元值或推导值赋予输出图像中每个像元的过程，进而根据各所述栅格单元中的各个树顶高程数据，计算得到各个栅格单元的采样高程数据，进一步地，基于各所述栅格单元中的采样高程数据，计算得到相邻栅格单元之间的高程变化值，进而在所述裸地图像区域中选取与单株图像区域邻近的目标点，并在所述数字表面模型中提取得到所述目标点的高程数据，并将目标点的高程数据作为与目标点邻近的目标栅格单元的地面高程数据，进一步地，根据目标栅格单元的地面高程数据以及相邻栅格单元之间的高程变化值，遍历计算得到全部单株图像区域的地面高程数据，从而形成数字高程模型。
步骤14，基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量。
具体地，计算所述数字高程模型和所述数字表面模型之间的差值，从而得到各个单株图像区域中林树的高度信息，进而根据高度和胸径之间的回归方程，计算各所述高度信息对应的胸径信息，进一步地，基于各所述高度信息以及各所述高度信息对应的胸径信息，计算得到各单株图像区域对应的蓄积量，进一步地，将各单株图像区域对应的蓄积量进行相加，得到所述待评估区域的蓄积量。
本发明实施例通过上述方案，实现了根据正射影像中的裸地图像区域和若干个单株图像区域，结合数字表面模型中的高程数据，生成待评估区域的数字高程模型，从而基于所述数字高程模型和所述数字表面模型，直接计算得到待评估区域的蓄积量，无需人工进行采样测量，有效提高待评估区域蓄积量评估的准确性和效率。
在本发明的一个实施例中，上述步骤12：对所述正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域，包括：
步骤121，将所述正射影像图输入至图像分割模型，得到所述图像分割模型输出的目标分割结果，其中，所述目标分割结果包括林木图像区域和所述裸地图像区域；所述图像分割模型是根据训练影像样本以及所述训练影像样本对应的样本分割标签训练得到；
需要说明的是，所述图像分割模型是基于语义分割技术对应的深度神经模型，通过预先收集的大量训练影像样本以及各所述训练影像样本对应的样本分割标签来迭代训练图像分割模型，从而可利用图像分割模型提取正射影像的低层、中层和高层特征，从而实现对图像进行端到端的像素级分类，提高了图像分割的精度和效率。
具体地，将所述正射影像图输入至图像分割模型，以根据所述图像分割模型的输出结果，确定所述正射影像对应的林木图像区域和裸地图像区域。可以理解地，根据预先收集的若干个训练影像样本以及各所述训练影像样本对应的样本分割标签迭代训练得到图像分割模型，从而可利用图像分割模型对正射影像进行精准分割，得到分割后的林木图像区域和裸地图像区域。
步骤122，对所述林木图像区域进行单株分割处理，得到各所述单株图像区域；
需要说明的是，所述单株分割处理表示将林木图像区域进行单棵树木分割的处理方式。
具体地，按照预先设置的图像分割算法，对所述林木图像区域进行单株分割处理，得到各所述单株图像区域，在本实施例中，优选地，利用分水岭算法对对所述林木图像区域进行单株分割处理，需要说明的是，分水岭算法是较为图像分割较为成熟的算法，在此不再赘述。
本发明实施例通过上述方案，首先利用图像分割模型识别到林木图像区域以及裸地图像区域，进而对林木图像区域再进一步分割得到各个单株图像区域，从而有效提高图像区域分割的准确性。
在本发明的一个实施例中，所述图像分割模型是基于如下步骤训练得到：
获取若干个训练影像样本；对于任意一个训练影像样本，将所述训练影像样本输入至初始分割模型，得到所述初始分割模型输出的预测结果；基于所述预测结果和所述训练影像样本对应的样本分割标签，计算得到模型损失值；基于每一次迭代得到的模型损失值，对所述初始分割模型的模型参数进行更新，得到所述图像分割模型。
具体地，获取若干个训练影像样本，例如，可在网络上搜索得到影像样本或者通过无人机拍摄得到影像样本，进而对于任意一个训练影像样本，将所述训练影像样本输入至初始分割模型，得到初始分割模型输出的预测结果，进而通过预先设置的目标损失函数，计算所述预测结果和所述训练影像样本的样本分割标签之间的模型损失值，目标损失函数可以根据实际需求进行设置，例如，Dice损失函数或L1损失函数等。在计算获得模型损失值之后，再利用误差反向传播算法更新初始分割模型中的模型参数，本次训练过程结束，之后再进行下一次训练。在训练的过程中，判断模型参数更新后的初始分割模型是否均满足预设训练结束条件，若满足，则将模型参数更新后的初始分割模型作为图像分割模型，若不满足，则继续训练模型，其中，所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等。
本发明通过上述方案，实现了通过对图像分割模型进行训练，有利于将图像分割模型的损失值控制在预设的范围内，从而有利于提高图像分割模型进行图像分割的精度。
在本发明的一个实施例中，上述步骤13：基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型，包括：
步骤131，基于所述数字表面模型，计算得到各所述单株图像区域中的树顶高程数据；
需要说明的是，所述树顶高程数据表示单株图像区域中树木顶端的高程数据。具体地，针对每一个单株图像区域均执行以下步骤：
在所述数字表面模型中，提取得到所述单株图像区域中各个像素点对应的高程数据，进而将单株图像区域内的各个高程数据进行比较，并根据比较结果确定高程极大值数据，进一步地，将所述高程极大值数据作为所述树顶高程数据。
步骤132，将各所述单株图像区域中的树顶高程数据进行栅格重采样，得到各个栅格单元的采样高程数据；
需要说明的是，所述栅格重采样包括最邻近法、双线性内插法和三次卷积插值法等方法。
具体地，按照预先设置的栅格单元大小，对各所述单株图像区域中的树顶高程数据进行栅格重采样并映射至二维平面上，为了能够减少高程数据的数量，以提高计算效率，可设置的栅格单元大小比实际的种植间距大，从而得到映射至二维平面中各个栅格单元的各个树顶高程数据，进一步地，对于任意一个栅格单元中的各个树顶高程数据，按照预设计算方式计算得到栅格单元的采样高程数据，其中，预设计算方式包括选取最大的树顶高程数据和计算平均值等方法，在本实施例中，为了降低林木高度变化的影响，优选地，计算栅格单元中的各个树顶高程数据对应的高程平均值，从而将该高程平均值作为该栅格单元中的采样高程数据。
可以理解地，假设桉树的种植间距是3米×4米或者4米×4米，当栅格单元大小是5米×5米，会存在多个单株图像区域重采样映射至同一个栅格单元中，进而基于各个单株图像区域对应的树顶高程数据，计算得到高程平均值，并将所述高程平均值作为栅格单元中的采样高程数据。
步骤133，基于各所述栅格单元中的采样高程数据，计算得到相邻栅格单元之间的高程变化值；
需要说明的是，在生长条件较为均一的人工林，林木顶端的高程数据的起伏变化表征了地势的变化趋势。具体地，分别计算各个相邻栅格单元的采样高程数据之间的差值，并将差值作为各个相邻栅格单元之间的高程变化值。
步骤134，在所述裸地图像区域中选取目标生长点，并在所述数字表面模型中提取得到所述目标生长点的高程数据；
具体地，由于相邻区域的地势变化基本不大，在本实施例中，优选地，在裸地图像区域中，选取与林木图像区域邻接的点作为目标生长点，需要说明的是，所述目标生长点的数量可根据实际情况设置，为了提高计算的效率，可以选取多个目标生长点，进一步地，在所述在所述数字表面模型中提取得到所述目标生长点的高程数据，需要说明的是，裸地图像区域中各个像素点的高程数据即为真实的地面高程数据。
步骤135，基于所述相邻栅格单元之间的高程变化值以及所述目标生长点的高程数据，遍历计算得到各所述栅格单元对应的地面高程值；
步骤136，基于各所述栅格单元对应的地面高程值，形成所述数字高程模型。
具体地，由于目标生长点是林场图像区域的邻接点，可在各个栅格单元中选取与所述目标生长点较近的栅格单元作为所述目标栅格单元，进而将所述目标生长点的高程数据作为所述目标栅格单元的地面高程数据，从而根据所述相邻栅格单元之间的高程变化值以及所述目标栅格单元的地面高程数据，计算得到与目标栅格单元相邻的各个栅格单元的地面高程数据，将与目标栅格单元相邻的各个栅格单元作为新的目标栅格单元，返回执行根据所述相邻栅格单元之间的高程变化值以及所述目标栅格单元的地面高程数据，计算得到与目标栅格单元相邻的各个栅格单元的地面高程数据的步骤，循环直至计算得到所有目标栅格单元的地面高程数据，从而形成整个林木图像区域的数字高程模型。
本发明实施例通过上述方案，实现了根据各个单株图像区域中的树顶高程数据之间的变化趋势以及裸地图像区域中的高程数据，来确定地势的变化趋势，从而得到数字高程模型，为后续计算蓄积量奠定基础。
在本发明的一个实施例中，上述步骤135：基于所述相邻栅格单元之间的高程变化值以及所述目标生长点的高程数据，遍历计算得到各所述栅格单元对应的地面高程值，包括：
步骤1351，在各所述栅格单元选取目标栅格单元，并将所述高程数据作为所述目标栅格单元的地面高程数据；
步骤1352，基于所述目标栅格单元的地面高程数据以及所述相邻栅格单元之间的高程变化值，计算得到与所述目标栅格单元相邻的各个栅格单元对应的地面高程数据；
步骤1353，分别将与所述目标栅格单元相邻的各个栅格单元作为新的目标栅格单元，返回执行所述基于所述目标栅格单元的地面高程数据以及所述相邻栅格单元之间的高程变化值，计算得到与所述目标栅格单元相邻的各个栅格单元对应的地面高程数据的步骤，直至计算得到全部栅格单元对应的地面高程值。
具体地，在各所述栅格单元选取与目标生长点距离较近的栅格单元作为目标栅格单元，进而将所述目标生长点的高程数据作为所述目标栅格单元的地面高程数据，进一步地，进而基于所述相邻栅格单元之间的高程变化值，确定所述目标栅格单元和与目标栅格单元相邻的各个栅格单元所对应的目标高程变化值，进一步地，基于所述目标栅格单元的地面高程数据以及各个目标高程变化值，分别计算得到与目标栅格单元相邻的各个栅格单元对应的地面高程数据，进一步地，将与目标栅格单元相邻的各个栅格单元作为新的目标栅格单元，返回执行所述基于所述目标栅格单元的地面高程数据以及所述相邻栅格单元之间的高程变化值，计算得到与所述目标栅格单元相邻的各个栅格单元对应的地面高程数据的步骤，循环直至计算得到全部栅格单元对应的地面高程值。
可以理解地，如图2所示，图2是本发明一个实施例提供的栅格单元的示意图，1号栅格单元是目标栅格单元，将目标生长点的高程数据作为1号栅格单元的地面高程数据，进而基于1号栅格单元的地面高程数据和所述相邻栅格单元之间的高程变化值，可计算得到2号、3号和4号栅格单元的地面高程数据，进而将2号、3号和4号栅格单元作为新的目标栅格单元，计算分别与2号、3号和4号栅格单元相邻的且还未计算到地面高程数据的各个栅格单元对应的地面高程值，直至计算得到全部栅格单元对应的地面高程值。
本发明实施例通过上述方案，实现了根据林木的高程数据之间的变化趋势，结合裸地图像区域的高程数据，逐个将周边区域的地面高程值解算出来，从而最终获取整个林木图像区域的地面高程值，为后续计算蓄积量奠定了基础。
在本发明的一个实施例中，所述基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量，包括：
步骤141，将所述数字高程模型和所述数字表面模型进行做差处理，得到各所述单株图像区域的高度信息；
需要说明的是，所述数字高程模型包括若干个单株图像区域中各个像素点对应的地面高程数据，所述数字表面模型包括若干个单株图像区域中各个像素点的高程数据，所述单株图像区域的高度信息表示单株图像区域内林树的高度。
具体地，针对任意一个单株图像区域均执行以下步骤：在数字高程模型中提取单株图像区域内各个像素点的高程数据，将最大的高程数据作为该树顶高程数据中的树顶高程数据，进而对于树顶高程数据对应的目标像素点，在所述数字表面模型中提取中该目标像素点的地面高程数据，进而计算树顶高程数据与所述地面高程数据之间的差值，得到单株图像区域的高度信息。
步骤142，基于预先设置的径高比回归方程，计算得到各所述高度信息对应的胸径信息；
需要说明的是，所述径高比回归方程是根据预先收集的大量林树的高度信息和胸径信息构建的回归方程。具体地，分别将各所述高度信息代入至所述径高比回归方程中，计算得到各所述高度信息对应的胸径信息，其中，径高比回归方程可表示是y=0.7267x+0.8258，x表示高度信息，y表示胸径信息，需要说明的是，不同地区的径高比回归方程不尽相同。
步骤143，基于各所述高度信息以及各所述高度信息对应的胸径信息，计算得到所述待评估区域的蓄积量。
具体地，基于各所述高度信息以及各所述高度信息对应的胸径信息，利用预先设置的蓄积量计算方程，计算得到各所述单株图像区域中树木的蓄积量，所述蓄积量计算方程是根据预先收集大量的树高信息、胸径信息和蓄积量构建得到，进一步地，将各所述单株图像区域的蓄积量进行相加，以将相加得到的结果作为所述待评估区域的蓄积量。例如，蓄积量计算方程的表达式如下：
V=2.6124×10-5×D1.651977×H1.375138
其中，V表示待评估区域的蓄积量，D表示胸径信息，H表示高度信息，需要说明的是，不同地区的蓄积量的计算公式不尽相同。
本发明实施例通过上述方案，通过根据数字高程模型中各个单株图像区域的地面高程数据和所述数字表面模型中各个单株图像区域的高程数据，准确计算得到各个单株图像区域中树的高度信息，从而根据高度信息，快速计算得到胸径信息，进而根据高度信息和胸径信息，即可准确计算得到待评估区域的积蓄量。
下面对本发明提供的树林蓄积量评估装置进行描述，下文描述的树林蓄积量评估装置与上文描述的树林蓄积量评估方法可相互对应参照。
图3是本发明提供的树林蓄积量评估装置的结构示意图，如图3所示，本发明实施例的一种树林蓄积量评估装置，该装置包括：
获取模块31，用于获取待评估区域的正射影像以及数字表面模型；
分割模块32，用于将所述正射影像进行图像分割处理，得到裸地图像区域和若干个单株图像区域；
生成模块33，用于基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型；
计算模块34，用于基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量。
所述生成模块33还用于：
基于所述数字表面模型，计算得到各所述单株图像区域中的树顶高程数据；
将各所述单株图像区域中的树顶高程数据进行栅格重采样，得到各个栅格单元的采样高程数据；
基于各所述栅格单元中的采样高程数据，计算得到相邻栅格单元之间的高程变化值；
在所述裸地图像区域中选取目标生长点，并在所述数字表面模型中提取得到所述目标生长点的高程数据；
基于所述相邻栅格单元之间的高程变化值以及所述目标生长点的高程数据，遍历计算得到各所述栅格单元对应的地面高程值；
基于各所述栅格单元对应的地面高程值，形成所述数字高程模型。
所述生成模块33还用于：
在各所述栅格单元中选取目标栅格单元，并将所述目标生长点的高程数据作为所述目标栅格单元的地面高程数据；
基于所述目标栅格单元的地面高程数据以及所述相邻栅格单元之间的高程变化值，计算得到与所述目标栅格单元相邻的各个栅格单元对应的地面高程数据；
分别将与所述目标栅格单元相邻的各个栅格单元作为新的目标栅格单元，返回执行所述基于所述目标栅格单元的地面高程数据以及所述相邻栅格单元之间的高程变化值，计算得到与所述目标栅格单元相邻的各个栅格单元对应的地面高程数据的步骤，直至计算得到全部栅格单元对应的地面高程值。
所述分割模块32还用于：
将所述正射影像图输入至图像分割模型，得到所述图像分割模型输出的目标分割结果，其中，所述目标分割结果包括林木图像区域和所述裸地图像区域；所述图像分割模型是根据训练影像样本以及所述训练影像样本对应的样本分割标签训练得到；
对所述林木图像区域进行单株分割处理，得到各所述单株图像区域。
所述树林蓄积量评估装置还包括：
获取若干个训练影像样本；
对于任意一个训练影像样本，将所述训练影像样本输入至初始分割模型，得到所述初始分割模型输出的预测结果；
基于所述预测结果和所述训练影像样本对应的样本分割标签，计算得到模型损失值；
基于每一次迭代得到的模型损失值，对所述初始分割模型的模型参数进行更新，得到所述图像分割模型。
所述计算模块34还用于：
将所述数字高程模型和所述数字表面模型进行做差处理，得到各所述单株图像区域的高度信息；
基于预先设置的径高比回归方程，计算得到各所述高度信息对应的胸径信息；
基于各所述高度信息以及各所述高度信息对应的胸径信息，计算得到所述待评估区域的蓄积量。
所述获取模块31还用于：
获取待评估区域的遥感影像；
对所述遥感影像进行空三处理，得到所述正射影像以及所述数字表面模型。
在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同技术效果，在此不再对本实施例中与方法实施例相同部分及有益效果进行具体赘述。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、存储器(memory)420、通信接口(Communications Interface)430和通信总线440，其中，处理器410，存储器420，通信接口430通过通信总线440完成相互间的通信。处理器410可以调用存储器420中的逻辑指令，以执行树林蓄积量评估方法，该方法包括：获取待评估区域的正射影像以及数字表面模型；对所述正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域；基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型；基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量。
此外，上述的存储器420中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的树林蓄积量评估方法，该方法包括：获取待评估区域的正射影像以及数字表面模型；对所述正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域；基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型；基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各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等同替换；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和范围。

Claims (10)

1.一种树林蓄积量评估方法，其特征在于，包括：
获取待评估区域的正射影像以及数字表面模型；
对所述正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域；
基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型；
基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量。
2.根据权利要求1所述的树林蓄积量评估方法，其特征在于，所述基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型，包括：
基于所述数字表面模型，计算得到各所述单株图像区域中的树顶高程数据；
将各所述单株图像区域中的树顶高程数据进行栅格重采样，得到各个栅格单元的采样高程数据；
基于各所述栅格单元中的采样高程数据，计算得到相邻栅格单元之间的高程变化值；
在所述裸地图像区域中选取目标生长点，并在所述数字表面模型中提取得到所述目标生长点的高程数据；
基于所述相邻栅格单元之间的高程变化值以及所述目标生长点的高程数据，遍历计算得到各所述栅格单元对应的地面高程值；
基于各所述栅格单元对应的地面高程值，形成所述数字高程模型。
3.根据权利要求2所述的树林蓄积量评估方法，其特征在于，所述基于所述相邻栅格单元之间的高程变化值以及所述目标生长点的高程数据，遍历计算得到各所述栅格单元对应的地面高程值，包括：
在各所述栅格单元中选取目标栅格单元，并将所述目标生长点的高程数据作为所述目标栅格单元的地面高程数据；
基于所述目标栅格单元的地面高程数据以及所述相邻栅格单元之间的高程变化值，计算得到与所述目标栅格单元相邻的各个栅格单元对应的地面高程数据；
分别将与所述目标栅格单元相邻的各个栅格单元作为新的目标栅格单元，返回执行所述基于所述目标栅格单元的地面高程数据以及所述相邻栅格单元之间的高程变化值，计算得到与所述目标栅格单元相邻的各个栅格单元对应的地面高程数据的步骤，直至计算得到全部栅格单元对应的地面高程值。
4.根据权利要求1所述的树林蓄积量评估方法，其特征在于，所述对所述正射影像进行区域分割，得到裸地图像区域和若干个单株图像区域，包括：
将所述正射影像图输入至图像分割模型，得到所述图像分割模型输出的目标分割结果，其中，所述目标分割结果包括林木图像区域和所述裸地图像区域；所述图像分割模型是根据训练影像样本以及所述训练影像样本对应的样本分割标签训练得到；
对所述林木图像区域进行单株分割处理，得到各所述单株图像区域。
5.根据权利要求4所述的树林蓄积量评估方法，其特征在于，所述图像分割模型是基于如下步骤训练得到：
获取若干个训练影像样本；
对于任意一个训练影像样本，将所述训练影像样本输入至初始分割模型，得到所述初始分割模型输出的预测结果；
基于所述预测结果和所述训练影像样本对应的样本分割标签，计算得到模型损失值；
基于每一次迭代得到的模型损失值，对所述初始分割模型的模型参数进行更新，得到所述图像分割模型。
6.根据权利要求1所述的树林蓄积量评估方法，其特征在于，所述基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量，包括：
将所述数字高程模型和所述数字表面模型进行做差处理，得到各所述单株图像区域的高度信息；
基于预先设置的径高比回归方程，计算得到各所述高度信息对应的胸径信息；
基于各所述高度信息以及各所述高度信息对应的胸径信息，计算得到所述待评估区域的蓄积量。
7.根据权利要求1所述的树林蓄积量评估方法，其特征在于，所述获取待评估区域的正射影像以及数字表面模型，包括：
获取待评估区域的遥感影像；
对所述遥感影像进行空三处理，得到所述正射影像以及所述数字表面模型。
8.一种树林蓄积量评估装置，其特征在于，包括：
获取模块，用于获取待评估区域的正射影像以及数字表面模型；
分割模块，用于将所述正射影像进行图像分割处理，得到裸地图像区域和若干个单株图像区域；
生成模块，用于基于各所述单株图像区域、所述裸地图像区域以及所述数字表面模型，生成数字高程模型；
计算模块，用于基于所述数字高程模型和所述数字表面模型，计算得到所述待评估区域的蓄积量。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述树林蓄积量评估方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述树林蓄积量评估方法。
CN202211636828.7A 2022-12-20 2022-12-20 树林蓄积量评估方法、装置、设备及存储介质 Active CN115620171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211636828.7A CN115620171B (zh) 2022-12-20 2022-12-20 树林蓄积量评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211636828.7A CN115620171B (zh) 2022-12-20 2022-12-20 树林蓄积量评估方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115620171A true CN115620171A (zh) 2023-01-17
CN115620171B CN115620171B (zh) 2023-03-14

Family

ID=84880476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211636828.7A Active CN115620171B (zh) 2022-12-20 2022-12-20 树林蓄积量评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115620171B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815850A (zh) * 2017-01-22 2017-06-09 武汉地普三维科技有限公司 基于激光雷达技术获取甚高郁闭度森林蓄积量的方法
CN106815847A (zh) * 2017-01-12 2017-06-09 非凡智慧（宁夏）科技有限公司 基于激光雷达点云的树木分割方法及单棵树提取方法
CN109446983A (zh) * 2018-10-26 2019-03-08 福州大学 一种基于两期无人机影像的针叶林采伐蓄积量估算方法
RU2773144C1 (ru) * 2021-06-29 2022-05-31 Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки
CN115223061A (zh) * 2022-06-30 2022-10-21 桂林理工大学 基于uav数据的桉树人工林短时间跨度生长量提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815847A (zh) * 2017-01-12 2017-06-09 非凡智慧（宁夏）科技有限公司 基于激光雷达点云的树木分割方法及单棵树提取方法
CN106815850A (zh) * 2017-01-22 2017-06-09 武汉地普三维科技有限公司 基于激光雷达技术获取甚高郁闭度森林蓄积量的方法
CN109446983A (zh) * 2018-10-26 2019-03-08 福州大学 一种基于两期无人机影像的针叶林采伐蓄积量估算方法
RU2773144C1 (ru) * 2021-06-29 2022-05-31 Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки
CN115223061A (zh) * 2022-06-30 2022-10-21 桂林理工大学 基于uav数据的桉树人工林短时间跨度生长量提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周小成;何艺;黄洪宇;许雪琴;: "基于两期无人机影像的针叶林伐区蓄积量估算" *
曾伟生;孙乡楠;王六如;王威;蒲莹;: "基于机载激光雷达数据估计林分蓄积量及平均高和断面积" *
李亚东;冯仲科;明海军;李长青;曹明兰;: "无人机航测技术在森林蓄积量估测中的应用" *

Also Published As

Publication number Publication date
CN115620171B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN106529469B (zh) 基于自适应坡度的无人机载LiDAR点云滤波方法
CN110992473A (zh) 一种基于车载激光扫描点云的树木枝干建模方法及系统
CN113344956B (zh) 基于无人机航摄三维建模的地物轮廓提取分类方法
CN113204061B (zh) 一种构建格点风速订正模型的方法及装置
CN108151679A (zh) 一种土地面积测量的方法及系统
CN114723149A (zh) 土壤墒情预测方法、装置、电子设备及存储介质
CN112365575B (zh) 地平面数据测量方法、装置、可移动设备和可读存储介质
CN107767454A (zh) 一种实景三维移动快速建模方法、装置及系统
CN112585505A (zh) 确定用于农学决策支持的位置特定的天气信息
CN115700370A (zh) 碳储量计算方法、装置、电子设备和存储介质
CN115880487A (zh) 基于深度学习方法的林木激光点云枝叶分离方法
CN112393735B (zh) 定位方法及装置、存储介质、电子装置
CN117592005B (zh) Pm2.5浓度卫星遥感估算方法、装置、设备及介质
CN115049793A (zh) 基于数字孪生的输电线路树木生长可视化预测方法及装置
CN114419367A (zh) 一种农作物高精度制图方法及系统
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
CN115620171B (zh) 树林蓄积量评估方法、装置、设备及存储介质
CN116051777B (zh) 超高层建筑提取方法、设备和可读存储介质
CN117409322A (zh) 一种空地遥感结合的区域森林自然资源生态估测方法及系统
CN117114147A (zh) 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置
CN109919990B (zh) 利用深度感知网络和视差遥感影像进行森林高度预测方法
CN115937466A (zh) 一种融合gis的三维模型生成方法、系统及存储介质
CN114494586B (zh) 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法
CN112991300B (zh) 一种基于邻域特征的单木骨架提取及可视化方法
CN113516764B (zh) 基于数字高程模型的湖库水下三维地形模拟方法及装置

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