CN115830457A - 基于激光雷达检测的复杂林分生物量估测系统及方法 - Google Patents
基于激光雷达检测的复杂林分生物量估测系统及方法 Download PDFInfo
- Publication number
- CN115830457A CN115830457A CN202310045679.5A CN202310045679A CN115830457A CN 115830457 A CN115830457 A CN 115830457A CN 202310045679 A CN202310045679 A CN 202310045679A CN 115830457 A CN115830457 A CN 115830457A
- Authority
- CN
- China
- Prior art keywords
- biomass
- formula
- follows
- tree
- forest stand
- 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
- 239000002028 Biomass Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 239000002023 wood Substances 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000006185 dispersion Substances 0.000 claims abstract description 9
- 206010061274 Malocclusion Diseases 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 42
- 241000894007 species Species 0.000 claims description 26
- 241001236255 Pinus albicaulis Species 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 210000000481 breast Anatomy 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 241000218691 Cupressaceae Species 0.000 claims description 3
- 241000219000 Populus Species 0.000 claims description 3
- 241000124033 Salix Species 0.000 claims description 3
- 235000016639 Syzygium aromaticum Nutrition 0.000 claims description 3
- 244000223014 Syzygium aromaticum Species 0.000 claims description 3
- 210000000038 chest Anatomy 0.000 claims description 3
- 238000000546 chi-square test Methods 0.000 claims description 3
- 241000721662 Juniperus Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 241001236247 Pinus bungeana Species 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 1
- 208000028257 Joubert syndrome with oculorenal defect Diseases 0.000 description 1
- 240000005308 Juniperus chinensis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012729 kappa analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于激光雷达检测的复杂林分生物量估测系统及方法，属于复杂林分生物量估测技术领域；所要解决的技术问题为：提供一种基于激光雷达检测的复杂林分生物量估测方法及估测系统硬件结构的改进；解决该技术问题采用的技术方案为：控制搭载有多光谱传感器和坐标定位模块的无人机，基于差分定位原则采集待测区域内的影像数据；将影像数据上获取到训练样本和验证样本，采用转换离散度算法进行评价，对波谱角分类结果和验证样本采用Kappa系数分析算法进行评估，将获得白皮松的波谱存入波谱库存储，通过多光谱分类数据与LIDAR点云数据相结合，将LIADR点云数据按照各树种筛选出来并进行各树种单木生物量计算；本发明应用于复杂林分生物量估测。
Description
技术领域
本发明提供一种基于激光雷达检测的复杂林分生物量估测系统及方法，属于复杂林分生物量估测技术领域。
背景技术
过去对于复杂林分生物量的计算，主要是通过实地调查来获取胸径、树高，胸径易获得，但是树高在获取时不但困难还容易受到各种误差的影响（受制于植物本身因素、地形因素、人为误差、仪器误差等因素），导致在森林资源清查时，费时费力、测量计算的主观性较强。
目前获取树木光谱信息一般采用机载或卫星传感器，其在获取影像时空间分辨率较低，在影像中收集训练样本数据波谱时存在一定的困难，或者是采集波谱曲线时，单单只是采集了波谱，没有赋予平面位置；同时，在对研究区进行多光谱识别树种时，研究区内同一树种，由于树种密度、年龄、阴影等差异及不同树种由于周边环境的因素影响，训练样本的选择以及数量也会对树种的分类产生一定的影响，对于树种的分类准确度有一定影响。
随着卫星导航系统（GNSS）、惯性导航系统的小型化、低成本发展，无人机依靠其航线规划灵活、低成本、可靠性及便捷性，能够提供高分辨率数据；无人机携带多光谱遥感设备可以在林业中对多样化的林区进行光谱特征分类，通过从观测样本的属性中选取对判断目标具有差异的特征，并将这些差异特征建立判断标准，利用光谱角分类（SAM）算法，在N维空间中，把未知谱线与样本波谱进行比较、归类；通过比较参考光谱矢量与每个像元矢量之间的夹角，从而将观测样本划分为不同的类别，最后获得树种空间分布及树种面积分类统计。由于影像只能提供2D数据，不能提供树木的垂直结构信息，因此当前研究更多是集中在林分层面，获取的是林分的平均值或总和；在复杂林分中多光谱数据可以识别树种，但缺少树木的垂直结构信息。
与光学遥感估算林分水平的森林生物量不同，无人机携带激光扫描（LS）设备，如地面激光扫描（TLS）和无人机激光扫描（UAV-LS），可快速获得森林垂直方向结构参数，但其不能在复杂林分中识别出各类树种，同时受到研究区场地条件、树木结构以及低矮植被的影响，无人机激光扫描(UAV-LS)采集数据容易受到冠层影响，缺少冠层以下信息，地面激光扫描(TLS)采集数据容易受到冠层影响，缺少冠层以上信息，在进行数据采集时，容易被被遮挡造成点云密度相对较低，而点云密度是影响单木生物量参数准确获取的关键因素。利用单一数据源在复杂林分中计算各类树种的单木生物量存在较大的困难。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于激光雷达检测的复杂林分生物量估测方法及估测系统硬件结构的改进。
为了解决上述技术问题，本发明采用的技术方案为：基于激光雷达检测的复杂林分生物量估测系统，包括监测无人机和监测上位机，所述监测无人机包括机身机架，在机身机架的端部等距设置有多台动力电机，所述动力电机的驱动端安装有快拆桨，所述机身机架的两侧还设置有差分天线和U-BLOX天线，在机身机架的中部安装有控制器，所述控制器的底部可拆卸的设置有多光谱传感器和坐标定位模块，在控制器内部还设置有毫米波雷达和电池；
所述控制器通过导线分别与动力电机、差分天线、多光谱传感器、坐标定位模块、毫米波雷达相连；
所述控制器的电源输入端与电池相连；
所述差分天线通过无线网络与监测上位机无线连接。
所述坐标定位模块的型号为CGCS2000。
基于激光雷达检测的复杂林分生物量估测方法，包括如下检测步骤：
步骤一：控制搭载有多光谱传感器和坐标定位模块的无人机，基于差分定位原则采集待测区域内的影像数据；
步骤二：根据实地调查及采集的影像数据，对训练样本进行选择和处理：
步骤2.1：计算样本数采用多项分布算法，计算公式为：
式中：n是抽样总数；
是树的类别占总树种的百分比；B是置信度为
自由度为1的卡方检验值；k是分类类别数；α是期待的显著性水平；
是该类的期待分类误差比百分比；
步骤2.2：将多光谱图像上获取到训练样本和评价样本，采用转换离散度算法进行评价，采用的转换离散度计算公式为：
式中：
是两个类别的离散度，计算公式为：
式中，U为样本均值向量，∑为协方差矩阵，
为协方差矩阵的逆矩阵，
为矩阵A对角元素之和，i和j分别表示两个地物类型；
步骤2.3：将波谱角分类结果和验证样本采用Kappa系数分析算法进行评估，计算公式为：
式中：r为误差矩阵中总列数；
为误差矩阵中第i行、第i列上像元数量；
分别为第i行和第i列的总像元数量；N为总的用于精度评估的像元数量；
步骤2.4：对得到的白皮松光谱分辨率进行识别，获得白皮松的波谱，存入波谱库存储；
步骤三：改善无人机的飞行路径，进行多角度飞行，选用合适的飞行高度提升点云密度，获取单木参数，并将UAV-LS采集的点云数据和TLS采集的点云数据进行融合，预测体积误差；
步骤四：将多光谱数据与激光雷达LIDAR数据相结合，对复杂林分中单木进行生物量计算，根据光谱角分类后的结果，把多光谱分类数据和LIDAR点云数据相结合，将各树种LIDAR点云数据进行分类，并将分类后的数据进行各树种生物量计算。
所述步骤三中预测体积误差的具体方法为：
评估TLS与UAV-LS+TLS所获取的胸径DBH参数之间关系，评估UAV-LS与UAV-LS+TLS所获取的树高之间关系，采用一致性相关系数CCC和RMSE算法，根据系数CCC检测度量值的偏移和增益偏移，计算公式为：
式中：
是两个度量值的相关系数，
分别是相应的方差和均值；
采用RMSE算法量化建模体积偏差的大小和平均符号差MSD以评估偏差。
所述步骤四中对各树种生物量计算的具体方法为：
针对待测区域内蓄积量的计算采用单木二元材积模型蓄积量，计算公式为：
式中：abc为模型参数，D为胸径，H为树高；
针对生物量计算中柳树、杨树、丁香树、白皮松采用单木生物量模型进行计算：
针对地上部分总生物量的计算公式为：
WT=a(D2H)b；
针对地下部分生物量的计算公式为：
WR=WT/3.85；
针对生物量的计算公式为：
W=WT+WR；
式中a、b为模型参数，D为胸径，H为树高；
针对圆柏采用柏木类生物量模型进行计算：
针对树干生物量的计算公式为：
WS=a(D2H)b；
针对树枝生物量的计算公式为：
WB=c+d(D2H)；
针对树叶生物量的计算公式为：
WL=e+f(D2H)；
针对地上部分总生物量的计算公式为：
WT=WS+WB+WL；
针对地下生物量的计算公式为：
WR=g+h(D2H)；
针对生物量的计算公式为：
W=WT+WR；
式中a、b、c、d、e、f、g、h为模型参数，D为胸径，H为树高。
本发明相对于现有技术具备的有益效果为：本发明实现了研究区无人机多光谱数据和雷达数据的融合，首先通过多光谱结合实地调查对树种进行分类；其次将多光谱分类数据结合光探测和测距（LIDAR）点云数据进行点云树种划分；然后根据划分后的点云树种进行各树种胸径（DBH）间和树高间的比较，从而计算各树种单木生物量，实现整体林分的分类与单木生物量测度；本发明将两种数据优势进行互补，实现研究区的生物量高精度计算检测。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明针对复杂林分生物量估测方法的步骤流程图；
图2为本发明针对白皮松检测的波谱曲线图；
图3为本发明针对多光谱和LIDAR数据进行结合的树种分类示意图；
图4为本发明估测系统的结构示意图。
具体实施方式
如图1至图3所示，本发明将研究区的多光谱数据与光探测和测距(LIDAR)数据相结合，利用多光谱识别树种的优势，通过多光谱结合实地调查对树种进行分类；将多光谱分类数据结合光探测和测距（LIDAR）点云数据进行点云树种划分；接着根据划分后的点云树种计算各树种单木生物量，实现整体林分的分类与单木生物量测度。
本发明使用无人机获取的白皮松波谱反射率可以有效的识别白皮松，获得的白皮松波谱可以进入波谱库存储；如图4所示，在进行无人机与传感器模块等硬件连接时连接顺序依次为：对折叠脚架进行组装，安装快拆桨，对载荷模块进行安装，最后安装智能电池并将飞机连接至电脑端。在无人机管家连接千寻账号以后，无人机机身上的差分天线开始获取高精度差分信号。传感器获取数据的同时，会记录下实时位置信息。航飞结束以后，生成所搭载传感器航摄数据文件与对应的POS数据，相同坐标系下，将无人机采集的多光谱数据和激光雷达数据相结合对研究区生物量进行联合计算。
本发明将无人机多光谱数据与LIDAR数据进行融合，利用多光谱数据识别树种以及LIDAR数据在获取单木三维结构的的优越性，实现研究区生物量的各树种单木生物量计算。
更具体的，本发明采用差分定位的技术手段采集研究区内的数据，将无人机搭载多光谱传感器结合千寻CORS网络提供的CGCS2000坐标系统，赋予影像数据平面位置。此次影像数据经处理后的精度为空间分辨率为7.8cm，获取了高空间分辨率。
根据实地调查及正射影像图，在对研究区有所了解的情况下，选择的训练样本能准确地代表整个区域内每个类别的光谱特征差异，同一类别的训练样本都是均质的，不包含其他类别，也不是其他类别之间的边界或混合像元。其中样本数采用Congalton和Green所介绍的一种多项分布（multionmial distribution）算法，计算公式为：
式中：n是抽样总数；
是树的类别占总树种的百分比；B是置信度为
（k是分类类别数，α是期待的显著性水平）、自由度为1的卡方检验值；
是该类的期待分类误差比百分比。
将多光谱图像上获取到训练样本和评价样本采用的是统计法中的转换离散度(Transformed Divergence)法进行评价。转换离散度计算公式为：
式中：
是两个类别的离散度，计算公式为：
式中，U为样本均值向量，∑为协方差矩阵，
为协方差矩阵的逆矩阵，
为矩阵A对角元素之和，i和j分别表示两个地物类型。
最后将波谱角分类结果和验证样本采用Kappa分析（Kappa系数法）进行评估，计算公式为：
式中：r为误差矩阵中总列数；
为误差矩阵中第i行、第i列上像元数量；
分别为第i行和第i列的总像元数量；N为总的用于精度评估的像元数量。
得出白皮松的光谱分辨率可以有效的识别出白皮松，获得的白皮松的波谱，可以进入波谱库存储。
然后通过改善飞行路径、多角度飞行、选用合适的飞行高度来提升点云密度，高效、精准获取单木参数。无人机点云数据和全站扫描仪点云数据都使用的是千寻网络提供CGCS2000坐标系统，二者有相同的地理参考相同的坐标系，在软件中可以直接融合。研究将UAV-LS采集的点云数据和TLS采集的点云数据进行融合，对于单木参数的精度提取有了很大的提升，为体积提供合理的预测误差。为了评估TLS与UAV-LS+TLS所获取的胸径(DBH)参数之间关系及UAV-LS与UAV-LS+TLS所获取的树高之间关系，使用了一致性相关系数（CCC）和 RMSE，CCC相对于Pearson相关系数的优势在于其能检测度量值的偏移和增益偏移。计算公式如下：
式中：
是两个度量值的相关系数，
分别是相应的方差和均值。RMSE用于量化建模体积偏差的大小和平均符号差（MSD）以评估偏差。
最后，本发明联合无人机多光谱与激光雷达技术对复杂林分中单木进行生物量计算。将多光谱数据与LIDAR数据相结合，两种数据优势进行互补进行单木生物量计算。利用光谱角分类后的结果，结合多光谱分类数据和LIDAR点云数据，将各树种LIDAR点云数据进行分类，将分类后的数据进行各树种生物量计算。
研究区域内蓄积量计算采用了单木二元材积模型蓄积量，计算公式为：
式中：abc为模型参数，D为胸径，H为树高；
生物量计算中柳树、杨树、丁香树、白皮松采用了单木生物量模型：
地上部分总生物量计算公式为：
WT=a(D2H)b；
地下部分生物量计算公式为：
WR=WT/3.85；
生物量计算公式为：
W=WT+WR；
上式中a、b为模型参数，D为胸径，H为树高；
圆柏采用了柏木类生物量模型：
树干生物量计算公式为：
WS=a(D2H)b；
树枝生物量计算公式为：
WB=c+d(D2H)；
树叶生物量计算公式为：
WL=e+f(D2H)；
地上部分总生物量计算公式为：
WT=WS+WB+WL；
地下生物量计算公式为：
WR=g+h(D2H)；
生物量计算公式为：
W=WT+WR；
上式中a、b、c、d、e、f、g、h为模型参数，D为胸径，H为树高。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (5)
1.基于激光雷达检测的复杂林分生物量估测系统，其特征在于：包括监测无人机和监测上位机，所述监测无人机包括机身机架，在机身机架的端部等距设置有多台动力电机，所述动力电机的驱动端安装有快拆桨，所述机身机架的两侧还设置有差分天线和U-BLOX天线，在机身机架的中部安装有控制器，所述控制器的底部可拆卸的设置有多光谱传感器和坐标定位模块，在控制器内部还设置有毫米波雷达和电池；
所述控制器通过导线分别与动力电机、差分天线、多光谱传感器、坐标定位模块、毫米波雷达相连；
所述控制器的电源输入端与电池相连；
所述差分天线通过无线网络与监测上位机无线连接。
2.根据权利要求1所述的基于激光雷达检测的复杂林分生物量估测系统，其特征在于：所述坐标定位模块的型号为CGCS2000。
3.基于激光雷达检测的复杂林分生物量估测方法，其特征在于：包括如下检测步骤：
步骤一：控制搭载有多光谱传感器和坐标定位模块的无人机，基于差分定位原则采集待测区域内的影像数据；
步骤二：根据实地调查及采集的影像数据，对训练样本进行选择和处理：
步骤2.1：计算样本数采用多项分布算法，计算公式为：
式中：n是抽样总数；
是树的类别占总树种的百分比；B是置信度为
自由度为1的卡方检验值；k是分类类别数；α是期待的显著性水平；
是该类的期待分类误差比百分比；
步骤2.2：将多光谱图像上获取到训练样本和评价样本，采用转换离散度算法进行评价，采用的转换离散度计算公式为：
式中：
是两个类别的离散度，计算公式为：
式中，U为样本均值向量，∑为协方差矩阵，
为协方差矩阵的逆矩阵，
为矩阵A对角元素之和，i和j分别表示两个地物类型；
步骤2.3：将波谱角分类结果和验证样本采用Kappa系数分析算法进行评估，计算公式为：
式中：r为误差矩阵中总列数；
为误差矩阵中第i行、第i列上像元数量；
分别为第i行和第i列的总像元数量；N为总的用于精度评估的像元数量；
步骤2.4：对得到的白皮松光谱分辨率进行识别，获得白皮松的波谱，存入波谱库存储；
步骤三：改善无人机的飞行路径，进行多角度飞行，选用合适的飞行高度提升点云密度，获取单木参数，并将UAV-LS采集的点云数据和TLS采集的点云数据进行融合，预测体积误差；
步骤四：将多光谱数据与激光雷达LIDAR数据相结合，对复杂林分中单木进行生物量计算，根据光谱角分类后的结果，把多光谱分类数据和LIDAR点云数据相结合，将各树种LIDAR点云数据进行分类，并将分类后的数据进行各树种生物量计算。
4.根据权利要求3所述的基于激光雷达检测的复杂林分生物量估测方法，其特征在于：所述步骤三中预测体积误差的具体方法为：
评估TLS与UAV-LS+TLS所获取的胸径DBH参数之间关系，评估UAV-LS与UAV-LS+TLS所获取的树高之间关系，采用一致性相关系数CCC和RMSE算法，根据系数CCC检测度量值的偏移和增益偏移，计算公式为：
式中：
是两个度量值的相关系数，
分别是相应的方差和均值；
采用RMSE算法量化建模体积偏差的大小和平均符号差MSD以评估偏差。
5.根据权利要求3所述的基于激光雷达检测的复杂林分生物量估测方法，其特征在于：所述步骤四中对各树种生物量计算的具体方法为：
针对待测区域内蓄积量的计算采用单木二元材积模型蓄积量，计算公式为：
式中：abc为模型参数，D为胸径，H为树高；
针对生物量计算中柳树、杨树、丁香树、白皮松采用单木生物量模型进行计算：
针对地上部分总生物量的计算公式为：
WT=a(D2H)b；
针对地下部分生物量的计算公式为：
WR=WT/3.85；
针对生物量的计算公式为：
W=WT+WR；
式中a、b为模型参数，D为胸径，H为树高；
针对圆柏采用柏木类生物量模型进行计算：
针对树干生物量的计算公式为：
WS=a(D2H)b；
针对树枝生物量的计算公式为：
WB=c+d(D2H)；
针对树叶生物量的计算公式为：
WL=e+f(D2H)；
针对地上部分总生物量的计算公式为：
WT=WS+WB+WL；
针对地下生物量的计算公式为：
WR=g+h(D2H)；
针对生物量的计算公式为：
W=WT+WR；
式中a、b、c、d、e、f、g、h为模型参数，D为胸径，H为树高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310045679.5A CN115830457A (zh) | 2023-01-30 | 2023-01-30 | 基于激光雷达检测的复杂林分生物量估测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310045679.5A CN115830457A (zh) | 2023-01-30 | 2023-01-30 | 基于激光雷达检测的复杂林分生物量估测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115830457A true CN115830457A (zh) | 2023-03-21 |
Family
ID=85520668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310045679.5A Pending CN115830457A (zh) | 2023-01-30 | 2023-01-30 | 基于激光雷达检测的复杂林分生物量估测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115830457A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116009041A (zh) * | 2023-03-27 | 2023-04-25 | 太原理工大学 | 一种基于卡方检验的鲁棒自适应gnss高精度定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
| CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
| CN115294147A (zh) * | 2022-06-17 | 2022-11-04 | 南宁师范大学 | 一种基于无人机激光雷达单木与森林地上生物量估算方法 |
-
2023
- 2023-01-30 CN CN202310045679.5A patent/CN115830457A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
| CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
| CN115294147A (zh) * | 2022-06-17 | 2022-11-04 | 南宁师范大学 | 一种基于无人机激光雷达单木与森林地上生物量估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| XUGANG LIAN 等: "Biomass Calculations of Individual Trees Based on Unmanned Aerial Vehicle Multispectral Imagery and Laser Scanning Combined with Terrestrial Laser Scanning in Complex Stands" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116009041A (zh) * | 2023-03-27 | 2023-04-25 | 太原理工大学 | 一种基于卡方检验的鲁棒自适应gnss高精度定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Applicability of personal laser scanning in forestry inventory | |
| Liang et al. | Terrestrial laser scanning in forest inventories | |
| CN109212505B (zh) | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 | |
| CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
| 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 | |
| Weiser et al. | Individual tree point clouds and tree measurements from multi-platform laser scanning in German forests | |
| Noordermeer et al. | Predicting and mapping site index in operational forest inventories using bitemporal airborne laser scanner data | |
| CN112859011B (zh) | 一种单波长机载测深雷达波形信号提取方法 | |
| Stone et al. | Alternatives to LiDAR-derived canopy height models for softwood plantations: a review and example using photogrammetry | |
| Tesfamichael et al. | Investigating the impact of discrete-return lidar point density on estimations of mean and dominant plot-level tree height in Eucalyptus grandis plantations | |
| Hyyppä et al. | Direct and automatic measurements of stem curve and volume using a high-resolution airborne laser scanning system | |
| Li et al. | An iterative-mode scan design of terrestrial laser scanning in forests for minimizing occlusion effects | |
| 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 | |
| Wallerman et al. | Estimating field-plot data of forest stands using airborne laser scanning and SPOT HRG data | |
| CN115512244A (zh) | 一种单株树木碳储量确定方法及系统 | |
| CN116127327A (zh) | 森林地上生物量反演方法、装置、设备以及存储介质 | |
| CN115700370A (zh) | 碳储量计算方法、装置、电子设备和存储介质 | |
| Putman et al. | Automated estimation of standing dead tree volume using voxelized terrestrial lidar data | |
| CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
| US11074707B2 (en) | Method and system of antenna measurement for mobile communication base station | |
| CN114078211A (zh) | 基于激光雷达智能检测树木倒伏的方法 | |
| Bohlin et al. | Deciduous forest mapping using change detection of multi-temporal canopy height models from aerial images acquired at leaf-on and leaf-off conditions | |
| CN116385871B (zh) | 一种森林生物量遥感估算方法、系统、设备及介质 | |
| CN115372281A (zh) | 一种土壤物理结构和化学构成的监测系统及方法 | |
| CN115019216A (zh) | 实时地物检测和定位计数方法、系统及计算机 |
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: 20230321 |
|
| RJ01 | Rejection of invention patent application after publication |