CN116203537A - 基于星载光子计数激光雷达的森林冠层高度提取方法 - Google Patents
基于星载光子计数激光雷达的森林冠层高度提取方法 Download PDFInfo
- Publication number
- CN116203537A CN116203537A CN202211004463.6A CN202211004463A CN116203537A CN 116203537 A CN116203537 A CN 116203537A CN 202211004463 A CN202211004463 A CN 202211004463A CN 116203537 A CN116203537 A CN 116203537A
- Authority
- CN
- China
- Prior art keywords
- ground
- noise
- signal
- point cloud
- points
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/483—Details of pulse systems
- G01S7/486—Receivers
- G01S7/4861—Circuits for detection, sampling, integration or read-out
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于星载光子计数激光雷达的森林冠层高度提取方法,属于光子点云数据处理技术领域。本发明包括步骤:首先进行光子点云数据的信号和噪声数据的准确划分;然后基于分离出的信号数据,采用局部地形的迭代滤波算法拟合地面曲线,并通过梯度下降法的突变检测和EMD的分解与重构功能对伪地面点进行剔除,达到准确识别地面点与非地面点数据的目的;最后采用动态分箱统计方法从非地面点中提取冠顶点,根据冠顶点与地面点的高程差来计算冠层高度。本发明实现不同地形场景的信号和噪声的精确分割并确定噪声阈值;在保证地面信号不失真前提下进一步滤除伪地面点和调整冠顶点,大幅度提升了树高提取精度。
Description
技术领域
本发明涉及基于星载光子计数激光雷达的森林冠层高度提取方法,属于光子点云数据处理技术领域。
背景技术
近年来温室效应及全球气候变暖日益严峻,森林生态系统由于其稳定的固碳能力而受到国际社会的广泛关注。因此,开展森林生态系统的碳分布及碳汇估算对研究全球气候变化进程具有实质性意义。其中,森林冠层高度作为森林垂直结构参数的重要部分,在森林碳储量估算中发挥着不可或缺的作用。作为新型星载多波束微脉冲光子计数激光雷达,ICESat-2/ATLAS可提供窄带状高程剖面点云,通过冠顶及地面光子的精确识别可提取较高精度的森林垂直结构参数[7]。ATLAS减小了光斑直径,提升了沿轨采样密度,相比ICESat-1全波形数据在一定程度上减小了地形的影响。然而,ICESat-2光子数据自身脉冲信号较弱,在返回信号时极易受太阳背景噪声等干扰,形成密集且均匀的场景噪声。因此如何对光子点云数据进行准确去噪,并在不同地形条件下均能提取较高精度的森林冠层高度成为研究的重点和难点。
目前很多的光子点云数据处理方法是基于ICESat-2机载模拟试验数据来进行开发的,如多波束激光雷达据(Multiple Altimeter Beam Experimental Lidar,MABEL)、多极化光子计数激光雷达数据(Slope Imaging Multi-polarization Photon-countingLidar,SIMPLE)、Sigma Space和MATLAS数据。夏少波等对光子点云以局部距离统计和最小二乘曲线拟合来进行去噪和滤波,但该方法适用信噪比较高数据(即噪声较少的场景),接近地表却低于地表的噪声信号难以剔除,造成相应的滤波误差影响树高估测精度。Tang提出的基于体素的空间滤波算法(参考文献为:Tang H,Swatantran A,Barrett T,etal.Voxel-Based Spatial Filtering Method for Canopy Height Retrieval fromAirborne Single-Photon Lidar[J].Remote Sensing,2016,8(9)),同样也仅适应于高信噪比的光子数据。Popescu提出的基于窗格的聚类统计滤波精去噪(参考文献为:PopescuSC,Zhou T,Nelson R,et al.Photon counting LiDAR:An adaptive ground and canopyheight retrieval algorithm for ICESat-2data[J].Remote Sensing of Environment,2018,208:154-170),该算法对处理低信噪比数据得到较大进展,冠层高度提取时采用动态分箱统计相继来识别地面点及冠顶点;但在冠层覆盖率极高且地表返回信号稀疏情况下易误分伪地面点而导致滤波误差。针对上述问题,Nie Sheng提出缓冲和镜像策略以及椭圆搜索的DBSCAN密度聚类去噪算法(参考文献为:Nie Sheng,Wang Cheng,Xi Xiaohuan,LuoShezhou,Li Guoyuan,Tian Jinyan,Wang Hongtao.Estimating the vegetation canopyheight using micro-pulse photon-counting LiDAR data.[J].Optics express,2018,26(10)),结合渐进不规则三角网加密的方式迭代识别地面点以及百分位统计法获取冠顶点,该方法虽有效解决了边缘效应和滤波误差问题,但在剔除冠层内部噪声方面有待提高。Zhu Xiaoxiao通过高程统计直方图粗去噪、多方位椭圆搜索的聚类统计精去噪和区间统计终去噪逐次将噪声信号滤除(参考文献为:Xiaoxiao Zhu,Sheng Nie,Cheng Wang,Xiaohuan Xi,Zhenyue Hu.(2018)A Ground Elevation and Vegetation HeightRetrieval Algorithm Using Micro-Pulse Photon-Counting Lidar Data.RemoteSensing 10:12,pages 1962);去噪完成后依据局部密度统计及EMD分解与重构实现地面点和非地面点分类,最后结合百分位数统计法从非地面点中识别出冠层顶点,该算法有效地剔除了噪声且滤除了伪地面点,提高了冠层高度提取精度。同时,基于椭圆搜索统计点云在不同方位的空间特征,发现剖面点云于水平方向较为集中,进而ZhuXiaoxiao提出改进的OPTICS亦可提取高精度信号(参考文献为:Zhu X,Nie S,Wang C,et al.A Noise RemovalAlgorithm Based on OPTICS for Photon-Counting LiDAR Data[J].IEEE Geoscienceand Remote Sensing Letters,2020)。秦磊改进DBSCAN算法并提出离群点检测法(参考文献为:秦磊,邢艳秋,黄佳鹏,等.ICESat-2机载实验光子云数据自适应去噪及分类算法[J].遥感学报,2020,24(12):1476-1487),实现冠上、冠内及地下分层精去噪,然而该算法仍有多项参数取值不确定,对不同信噪比下去噪缺少适应性,易造成光子点云类型识别有误。在以上的剖面点云冠层高度提取研究中,多数学者以光子分类后得到地面光子点和冠顶光子点,并拟合出相应地形表面和冠层表面,进而以其高度差来定义为森林高度。此外,部分研究也直接利用冠顶光子减去所对应地形表面实现植被高度提取。但是,森林覆盖区域的ICESat-2/ATLAS光斑仅返回几个信号光子,不仅呈离散分布,而且在冠层中的垂直位置不确定,因此接收到的冠层顶部光子不一定位于真正的树冠顶部,导致以上方法提取的森林高度通常比真实高度低。已有研究表明基于光子数据的植被高度与常规机载LiDAR点云的95%百分位高度呈现高度相关性。此观点对更高精度的冠顶光子识别具有较好的借鉴意义。
由于MABEL机载实验数据有限且采集成本高,并且与ICESat-2的数据仍有较大的差别。目前ICESat-2采用DRAGANN和表面探测(Surface Finding)的点云处理算法对原始光子点云进行处理,具体理论可参考ICESat-2/ATL08产品资料基础理论算法文档(AlgorithmTheoretical Basis Document,ATBD)。在此基础上已公开发布ATL08产品数据,但算法对参数自适应不够成熟,细节仍需继续完善,直接将MABEL机载实验数据处理算法应用到星载ICESat-2/ATLAS数据上仍存在不少问题。因此本发明借鉴ATBD中点云处理算法并对其进行改进,使其具备较强的自适应性,在复杂地形条件下仍能获取精度较高的森林参数。
发明内容
针对上述提到的现有技术中存在的问题,本发明提供了基于星载光子计数激光雷达的森林冠层高度提取方法,能准确剔除光子点云噪声并提取高精度的森林冠层高度。
本发明的技术方案是:基于星载光子计数激光雷达的森林冠层高度提取方法,首先进行光子点云数据的信号和噪声数据的准确划分;然后基于分离出的信号数据,采用局部地形的迭代滤波算法拟合地面曲线,并通过梯度下降法的突变检测和EMD的分解与重构功能对伪地面点进行剔除;最后采用动态分箱统计方法从非地面点中提取冠顶点,根据冠顶点与地面点的高程差来计算冠层高度。
作为本发明的进一步方案,所述方法的具体步骤如下:
Step1、数据预处理:对原始点云进行坐标投影转换及分段处理,形成适宜跨度的高程剖面点云;
Step2、点云去噪及分类:通过点云精去噪及滤波分类实现噪声、地面、冠层及冠顶光子的识别;
Step3、冠层高度提取:通过计算冠顶点和地面点的高程差来计算冠层高度。
作为本发明的进一步方案,所述Step1包括:
Step1.1、基于ICESat-2/ATL03的原始三维点云数据经坐标投影转换形成高程剖面点云数据;
Step1.2、然后按照10km跨度对带状剖面作分段处理,每个分段单元称作Seg-Km处理段;同时,为保证本发明所提取冠层高度与ICESat-2/ATL08产品作精度对比时光子点坐标匹配准确,那么相对应的ATL08数据也作Seg-Km处理;此外,为解决基于局部统计参数的去噪方法在边缘效应方面所表现问题,此处统计参数即光子密度,通常在Seg-Km处理段的去噪中结合移动窗口法处理,分箱跨度设为3.4km的同时,沿横向轨道,每个分箱前后位置设200m缓冲区。
作为本发明的进一步方案,所述Step2中,点云去噪包括如下具体步骤:
Step2.1.1、调试滤波器参数及逐点作局部密度统计:经数据测试后发现滤波器参数P与信噪比SNR存在正相关,进而构建关系模型,如公式(1),实现滤波器参数P自适应;然后对剖面点云内所有光子构建K-D Tree索引结构,结合公式(2)计算搜索半径后依托该结构逐点统计光子密度,形成局部密度直方图;
P=Int(2.96273*SNR+2.24325) (1)
式中,P为邻域点数,SNR为粗略估计的信噪比,通过统计剖面点云的高程频率直方图,然后以频数中位数为阈值,频率低于此阈值为噪声,反之为信号,求各自均值并作除法即获取SNR,Int为取整函数;
式中,R为自适应搜索半径,P为邻域点数,NTotal为Seg_Km处理分段内每个移动窗口下的光子总数,其中移动窗口的跨度为200m+3.4km+200m,Int为取整函数;
Step2.1.2、高斯分解及参数优化、双峰高斯参数筛选:以高斯低通滤波对直方图曲线作滤波处理并对其进行高斯分解,然后通过列文伯格-马夸尔特L-M对高斯分量作参数优化,并以如下条件对信号高斯和噪声高斯作最终筛选:标记左侧最高峰为噪声高斯,其他高斯分量则按αi×σi进行排序且首个满足μi-μ1≥2σ1的标记为信号高斯;
Step2.1.3、噪声阈值的准确提取:通过获取的噪声高斯及信号高斯参数后结合公式(3)进行双峰特征的重构并利用二阶求导来提取唯一波谷点为信噪阈值;
式中,(αi,μi,σi)依次是优化后的噪声高斯和信号高斯参数,即振幅、均值和标准差。
作为本发明的进一步方案,所述Step2中,点云分类包括如下具体步骤:
Step2.2.1、定义由中值滤波算法和移动平均算法合成的迭代滤波器,且基于局部地形条件进行,因此将设置滤波器的移动窗口跨度;
Step2.2.2、对Seg-Km处理段进行去趋势处理,首先基于中值滤波处理后的原始信号在高程阈值进行下进行去噪;而对保留信号则进行保形分段三次Hermite插值及迭代滤波处理,以此提取地形趋势线,最后将去噪后的剖面点云与地形趋势线作差以实现去趋势;
Step2.2.3、以全部去趋势数据为初始值并结合迭代滤波器持续更新拟合点输入,进而获取潜在地面点上界和下界,对区间内地面点以迭代滤波器细化,同时结合线性插值法将地面点插值至原始分辨率即可获取地面曲线,采用了EMD-DISPO滤波器和梯度法来对地面曲线中不同情况下的伪地面光子作进一步剔除;
Step2.2.4、以分箱统计方法统计百分位数在[96,99]范围内的光子为冠层顶部光子;剖面点云的分箱跨度通常设为20m。
作为本发明的进一步方案,所述Step2.2.3中,采用一种DISPO滤波器与经验模态分解EMD时空尺度滤波器相结合的方法EMD-DISPO对伪地面点进行剔除,如公式(4)所示;
EMD算法按时间域对数据进行分解,然后采用时间尺度降噪法或阈值降噪法对分解结果进行去噪、重构,在这个过程中时间尺度降噪法易导致原始信号失真,阈值降噪法难以解决自适应阈值求解问题,引进DISPO算法先对分解信号中的明显噪声进行滤波,再进行重构则可解决上述问题,原始信号及重构信号函数如下所示;
式中,H(x)和H1(x)分别表示原始信号与重构信号,imfi1/i2(x)表示单分量IMF函数,r(x)表示趋势项,N表示EMD分解地面曲线过程中形成的IMF分量总数;H(x)等式中的i1表示各IMF分量标号,在EMD重构地面曲线时,imf1(x)被剔除,保留的IMF分量序号在[2,N/2]的通过DISPO作滤波处理,在[N/2,N]则不作滤波处理;那么H1(x)等式中的i2表示需作DISPO滤波处理的各IMF分量标号,而j则是不作滤波处理的各IMF分量标号。
作为本发明的进一步方案,所述Step2.2.3中,当Seg_Km数据处理分段内存在林地和非林地两种地类,林地冠层下地面光子和非林地下噪声光子密度相似,地面曲线拟合时易将非林地下噪声光子拟合成地面,形成地形变化突变;EMD-DISPO不适用于类似突变信号的处理;采用梯度下降法对地面点突变区间的幅度和位置进行检测,并根据梯度信息计算相应的平移序列与原始信号作差得到更精确的地面曲线。
作为本发明的进一步方案,所述Step3中,所述冠层高度提取包括如下具体步骤:
Step3.1、冠层顶部比冠层内部稍低,因此在计算冠层高度前,需对Step2.2.4过程中提取的冠层顶部光子作进一步筛选,对其构建K-D Tree空间索引,统计15m局部范围内的邻域点数,将偏离[3,10]范围的光子点云重新标记为噪声,其余为最终冠顶光子;
Step3.2、以Step3.1提取的最终冠顶光子为插值点,采用保形分段三次Hermite插值算法对Step2.2.3获取的地面曲线作插值,以此获取地面曲线中对应位置的地面光子;
Step3.3、最后计算冠顶光子和插值地面光子的高差来提取冠层高度。
本发明的有益效果是:
1、本发明改进了ICESat-2/ATBD中DRAGANN和Surface Finding的点云处理算法,实现了高程剖面光子点云处理过程中的参数自适应,并提高了森林冠层高度提取精度;
2、本发明在对剖面点云数据进行预处理剔除光子点云去噪时,对滤波器参数P不采用固定值,通过构建参数P与信噪比之间的相关模型来实现不同地理条件自适应P值,提高去噪算法的普适性;
3、本发明提出的TS-SCABR滤波器不仅具有自适应的搜索能力,还能实现不同地形场景的信号和噪声的精确分割并确定噪声阈值;
4、本发明在保证地面信号不失真前提下进一步滤除伪地面点和调整冠顶点识别,大幅度提升了树高提取精度,树高提取精度由85.2%(ICESat-2/ATL08树高提取精度)提高至96.8%,对未来大尺度森林高度的高精度反演具有重要的意义。
附图说明
图1为本发明ICESat-2平台工作原理示意图;
图2为本发明中试验区地理位置分布;
图3为本发明中的实验流程图;
图4为本发明中的ICESat-2/ATL03光子点云分段处理规则示意图;
图5为本发明中的高信噪比下原始DRAGANN的阈值提取结果示意图;
图6为本发明中的高信噪比下TS-SCABR的阈值提取结果示意图;
图7为本发明中的低信噪比下原始DRAGANN阈值提取结果示意图;
图8为本发明中的低信噪比下TS-SCABR的阈值提取结果示意图;
图9为本发明中的低信噪比下的点云去噪结果示意图;
图10为本发明中的高信噪比下的点云去噪结果示意图;
图11为本发明中的梯度下降法辅助平移序列去地形突变;
图12为本发明中的原迭代移动曲面滤波效果示意图;
图13为本发明中的高信噪比与低信噪下的点云分类结果示意图;
图14为本发明中的估测树高的精度验证示意图。
具体实施方式
实施例1:本实施例采用ICESat-2作为ICESat-1的后续卫星,搭载了高级地形激光测高仪(Advanced Topographic Laser Altimeter System,ATLAS)。参考图1可知,ATLAS采用了微脉冲光子计数激光雷达(Micro-Pulse Photon Counting Lidar,MPCL)技术,在交轨通道引导下以10kHZ重复频率发射6束激光脉冲,持续时间为1ns,在沿参考地面轨道(Reference Ground Track,RGT)方向可获取3组直径17m强弱光斑条带组合,每组跨轨间隔约3.3km,光斑沿轨方向间隔约0.7m,进而以RGT为中心线获取了6条地面轨迹,组内跨轨间隔约90m。ATLAS通过向探测目标发射激光脉冲,接着经地物散射、反射后被卫星接收器接收,随后对回波光子事件的计数和相关处理,从而在背景噪声和暗计数中将真实的距离数据提取出来。目前I-SIPS(ICESat-2 Science Investigator-led Processing System)已提供Level-0至Level-3四级共21种数据产品(ATL00~ATL21)。本发明的研究主体基于Level-2层级数据产品ATL03展开。ATL08是在ATL03基础上生成的Level-3A产品,即是全球陆地植被高度,本发明中将用于对比反演的冠层高度。所有数据均在在冰雪数据中心(https://icesat-2.gsfc.nasa.gov/icesat-2-data/)免费下载;
如图1-图14所示,基于星载光子计数激光雷达的森林冠层高度提取方法,所述方法的具体步骤如下:
Step1、数据预处理:对原始点云进行坐标投影转换及分段处理,形成适宜跨度的高程剖面点云;
所述Step1的具体步骤如下:
Step1.1、基于ATL03的原始三维点云(即横向沿轨距离、纵向沿轨距离与高程三维)数据经坐标投影转换形成高程剖面点云数据;
Step1.2、然后按照10km跨度对带状剖面作分段处理,每个分段单元称作Seg-Km处理段;同时,为保证本发明所提取冠层高度与ICESat-2/ATL08产品作精度对比时光子点坐标匹配准确,那么相对应的ATL08数据也作Seg-Km处理。此外,为解决密度聚类去噪基于局部统计参数(此处参数即光子密度)的去噪方法在边缘效应方面所表现问题,通常在Seg-Km处理段的去噪中结合移动窗口法处理,分箱跨度设为3.4km且的同时,沿横向轨道,每个分箱前后位置设200m缓冲区。
Step2、点云去噪及分类:通过点云精去噪及滤波分类实现噪声、地面、冠层及冠顶点光子的识别;
本发明改进了ICESat-2/ATBD中DRAGANN和Surface Finding的光子点云处理算法,实现了高程剖面光子点云处理过程中的参数自适应,并提高了森林冠层高度提取精度;
原先ICESat-2/AIL08数据产品的噪声去除处理采用的是差分渐进高斯自适应去噪算法(Differential,Regressive,and Gaussian Adaptive Nearest Neighbor,DRAGANN)。该算法首先构建K-D Tree空间索引,引入邻域点数P来计算搜索半径R,然后进行逐点范围搜索,生成信号局部密度直方图。通常光子点云数据中噪声光子相比信号光子的局部密度低,尤其在MABEL机载模拟试验后表明,在直方图左侧将形成高而窄的噪声峰,在直方图右侧形成低而宽的信号峰。
式中,R为自适应搜索半径,P为邻域点数且经验设参20,NTotal表示Seg-Km处理段内移动窗口下的光子总数。
在生成直方图后,采用Savitzky-Golay滤波算法对其进行平滑处理,生成近似“双峰”分布的光滑曲线,接着通过双峰高斯拟合(下述公式)来识别噪声峰和信号峰,进而以双峰阈值分割法来识别去噪阈值。
式中,(αi,μi,σi)依次是优化后的噪声高斯和信号高斯参数,即振幅、均值和标准差。
在对ICESat-2/ATL03数据进行处理的过程中,本发明研究发现DRAGANN算法存在以下问题:1)DRAGANN算法采用固定P值构建局部密度直方图,图中的噪声与信号峰易混淆,难以准确划分去噪阈值;2)在不同的时空条件下往往表现出光子点云信噪比差异,而信噪比差异则进一步导致局部密度直方图整体形态的不同。因此,除所概况的“噪声峰高而窄、信号峰低而宽”的直方图形态之外,本发明则新归纳出“噪声峰低而窄、信号峰宽而高”的直方图形态。在后一种情况下,受地物复杂条件影响,大多数信号呈现“多峰”分布。若按照DRAGANN算法中双峰高斯拟合,很难准确的拟合噪声峰和信号峰。
针对上述问题,本发明基于DRAGANN原理论提出了基于空间聚类与双峰重构的阈值分割(Threshold Segmentation based on Spatial Clustering and BimodalReconstruction,TS-SCABR)去噪算法;所述去噪算法包括如下具体步骤:
Step2.1.1、调试滤波器参数及逐点作局部密度统计:自适应获取邻域点数P值;因考虑参数P的设置在不同自然条件(即地形起伏与太阳辐射)下的自适应性极大影响着局部密度统计精度。因此,本发明采用了450个样本进行测试,结果表明参数P与信噪比SNR存在正相关,并构建了关系模型,如公式(3)所示,实现滤波器参数P自适应,然后对剖面点云内所有光子构建K-D Tree索引结构,结合公式(4)计算搜索半径后依托该结构逐点统计光子密度,形成局部密度直方图;
P=Int(2.96273*SNR+2.24325) (3)
其中,P为邻域点数,SNR为粗略估计的信噪比,通过统计剖面点云的高程频率直方图,然后以频数中位数为阈值,频率低于此阈值为噪声,反之为信号,求各自均值并作除法即可获取SNR,Int为取整函数;本发明通过构建参数P与信噪比之间的相关模型来实现不同地区动态P值的目的,提高去噪算法的普适性;
式中,R为自适应搜索半径,P为邻域点数,NTotal为Seg_Km处理分段内每个移动窗口下的光子总数,其中移动窗口的跨度为200m+3.4km+200m,Int为取整函数;
Step2.1.2、高斯分解及参数优化、双峰高斯参数筛选:以高斯低通滤波对直方图曲线作滤波处理并对其进行高斯分解,然后通过列文伯格-马夸尔特L-M对高斯分量作参数优化,并以如下条件对信号高斯和噪声高斯作最终筛选:标记左侧最高峰为噪声高斯,其他高斯分量则按αi×σi进行排序且首个满足μi-μ1≥2σ1的标记为信号高斯;
Step2.1.3、噪声阈值的准确提取:通过获取的噪声高斯及信号高斯参数后结合公式(5)进行双峰特征的重构并利用二阶求导来提取唯一波谷点为信噪阈值;
式中,(αi,μi,σi)依次是优化后的噪声高斯和信号高斯参数,即振幅、均值和标准差。
实现光子点云精去噪之后,ICESat-2基础理论算法文档中采用表面探测的基础原理进行点云分类;
所述Step2中,点云分类包括如下具体步骤:
Step2.2.1、定义由中值滤波算法和移动平均算法合成的迭代滤波器,且基于局部地形条件进行,因此将设置滤波器的移动窗口跨度;
Step2.2.2、对Seg-Km处理段进行去趋势处理,首先基于中值滤波处理后的原始信号在特定的高程阈值下进行去噪;而对保留信号则进行保形分段三次Hermite插值及迭代滤波处理,以此提取地形趋势线。最后将去噪后的剖面点云与地形趋势线作差以实现去趋势。
Step2.2.3、以全部去趋势数据为初始值并结合迭代滤波器持续更新拟合点输入,进而获取潜在地面点上界和下界,对区间内地面点以迭代滤波器细化,同时结合线性插值法将地面点插值至原始分辨率即可获取地面曲线。此外,本发明采用了EMD-DISPO滤波器和梯度法来对地面曲线中不同情况下的伪地面光子作进一步剔除。
Step2.2.4、以分箱统计方法统计百分位数在[96,99]范围内的光子为冠层顶部光子;剖面点云的分箱跨度通常设为20m。
作为本发明的进一步方案,在植被覆盖率高的地区,激光脉冲可能无法穿透植被冠层。此种情形下地表仅能返回少量的信号光子,同时在地表附近又存在较多的噪声信号。如果噪声信号被识别成地面光子,将极大影响地表曲线的的拟合精度;所述Step2.2.3中,采用一种Digital smoothing polynomialD(ISPO)滤波器与经验模态分解EMD(EmpiricalMode Decomposition)时空尺度滤波器相结合的方法EMD-DISPO对伪地面点进行剔除,如公式(6)所示;
EMD算法按时间域对数据进行分解,然后采用时间尺度降噪法或阈值降噪法对分解结果进行去噪、重构,在这个过程中时间尺度降噪法易导致原始信号失真,阈值降噪法难以解决自适应阈值求解问题,引进DISPO算法先对分解信号中的明显噪声进行滤波,再进行重构则可解决上述问题。原始信号及重构信号函数如下所示;
式中,H(x)和H1(x)分别表示原始信号与重构信号,imfi1/i2(x)表示单分量IMF函数,r(x)表示趋势项,N表示EMD分解地面曲线过程中形成的IMF分量总数;H(x)等式中的i1表示各IMF分量标号,在EMD重构地面曲线时,imf1(x)被剔除,保留的IMF分量序号在[2,N/2]的通过DISPO作滤波处理,在[N/2,N]则不作滤波处理;那么H1(x)等式中的i2表示需作DISPO滤波处理的各IMF分量标号,而j则是不作滤波处理的各IMF分量标号。
作为本发明的进一步方案,所述Step2.2.3中,当Seg_Km数据处理分段内存在林地和非林地两种地类,林地冠层下地面光子和非林地下噪声光子密度相似,地面曲线拟合时易将非林地下噪声光子拟合成地面,形成地形变化突变;EMD-DISPO不适用于类似突变信号的处理;采用梯度法对地面点突变区间的幅度和位置进行检测,并根据梯度信息计算相应的平移序列与原始信号作差得到更精准的地面曲线。
Step3、冠层高度提取:通过计算冠顶点和地面点的高程差来计算冠层高度。
所述Step3中,所述冠层高度提取包括如下具体步骤:
Step3.1、通常冠层顶部比冠层内部稍低,因此在计算冠层高度前,需对Step2.2.4过程中提取的冠层顶部光子作进一步筛选,对其构建K-D Tree空间索引,统计15m局部范围内的邻域点数,将偏离[3,10]范围的光子点云重新标记为噪声,其余为最终冠顶光子;
Step3.2、以Step3.1提取的最终冠顶光子为插值点,采用保形分段三次Hermite插值算法对Step2.2.3获取的地面曲线作插值,以此获取地面曲线中对应位置的地面光子;
Step3.3、最后计算冠顶光子和插值地面光子的高差来提取冠层高度。
本发明利用不同地形条件下实测树高数据来验证ICESat-2提取冠层高度,实测数据一部分为美国科学基金会国家生态观测网(National Ecological ObservatoryNetwork,NEON)运行下的机载观测平台(Airborne Observation Platform,AOP)提供的冠层高度模型(Canopy Height Model,CHM)产品,空间分辨率为1m。CHM样本分别分布在美国亚拉巴马、马萨诸塞、佐治亚及加利福尼亚等州5个NEON站点。其地形起伏较为缓和(表1)。另外一部分实测数据为中国云南省香格里拉市的25个实测样地数据,这部分数据主要通过人工探测、地基三维激光及无人机激光雷达等方式获取。香格里拉位于地处青藏高原东南缘横断山脉东部,海拔高差4000m左右,该地区数据用于验证算法在复杂地形地区(表1)的树高计算精度。具体验证样地分布如图2所示。
表1.试验地相关地表信息
注:上述所涉及坡度参数是基于30m SRTM DEM经表面分析后提取所得坡度范围及均值,植被覆盖度则是根据GlobeLand30(http://www.globallandcover.com)一级土地利用分类产品计算获取。
(1)、为了进一步的说明本发明的效果,本实施例做了阈值分割精度对比分析,具体内容如下所示:
因为若要实现DRAGANN的精去噪,理论下需要具备两个核心条件:1)局部密度直方图在形态上具备显著分割条件;2)不同信噪比下均可保证对信号峰和噪声峰的精准识别。本发明由此对不同信噪比场景中DRAGANN处理时易缺失上述哪一条件进行探究,并针对各自的条件缺失情况提出相应的改进方法。图5-a是高信噪比场景下形态多表现为“噪声峰低而窄、信号峰宽而高”的局部密度直方图示例,其已具备良好的信噪分割条件,但经Savitzky-Golay平滑后其主成分之一的噪声峰被滤除,进而导致去噪阈值向信号峰方向发生偏移(图5-b)。原因在于Savitzky-Golay的平滑力度常受到多项式阶数影响,而此类直方图自身形态特征则导致多项式阶数设置敏感。考虑到其平滑力度不便控制的问题,本发明首先改用了高斯低通滤波进行平滑,然后对平滑结果进行高斯分解以及L-M算法优化高斯分量,最后在特定条件下筛选出可代表信号峰和噪声峰的高斯分量并进行双峰高斯再拟合,由此即可提取准确的去噪阈值(图6)。图7-a则为低信噪比场景下形态多表现为“噪声峰高而窄、信号峰低而宽”的局部密度直方图示例,其信号峰和噪声峰混交,此时所提取的去噪阈值要么导致信号光子被滤除,要么保留部分噪声光子(图7-b)。此种情况往往是由于P=20取值不当所致,进而本发明结合公式(1)对P值进行调整,同等数据不同P值下,图8-a体现出更良好的分割条件。与此同时,配合图6中的改进方法对局部密度直方图作类似处理,即可提取准确的去噪阈值(图8-b)。总之,在实现参数P的动态获取以及调整信噪峰识别方式之后,本发明算法在提取去噪阈值方面更具准确性和普适性,对尽可能剔除场景内噪声具有重要意义。
(2)、为了进一步的说明本发明的效果,本实施例做了点云去噪结果对比分析,具体内容如下所示:
受太阳背景噪声影响,白天ICESat-2采集的光子点云信噪比低,夜晚采集的数据信噪比较高。数据的噪声广泛分布于数据的不同位置,其中接近地表但低于地表的噪声、冠层上空噪声集群和森林内部噪声最难剔除。在分析ICESat-2数据后发现ALT08数据中存在滤除信号点的问题(图9-a和图10-a),其中高信噪比数据中信号被滤除的最为严重。信号被滤除与未正确确立噪声峰与信号峰的分割阈值有关。TS-SCABR算法则有效解决了不同场景的点云去噪问题,极大的保留信号数据且剔除了噪声(图9-b和图10-b);其中,本发明的点云去噪方面是基于ICESat-2/ATL08数据产品的官方算法DNRGANN进行改进,那么为便于区分表达,则对改进后的去噪算法改称为基于空间聚类和双峰重构的阈值分割算法(Threshold Segmentation based on Spatial Clustering and BimodalReconstruction(TS-SCABR));
(3)、为了进一步的说明本发明的效果,本实施例做了点云分类结果对比分析,具体内容如下所示:
在山地等地形起伏较大的场景下,剖面点云将同时存在了光子高程变化所形成的数据趋势和地形趋势,而在地形趋势的影响下剖面点云易发生基线偏移(BaselineShift),此时采用迭代滤波器识别地面曲线误差较大。若要从剖面点云中剔除地形趋势而集中分析数据趋势的波动特征,则需进行去趋势(Detrend)处理。除此之外,通过去趋势过程所拟合的地形趋势线,可消除大气中部分未剔除噪声集群。该类型噪声的密度特征同信号光子类似,在聚类算法下极易被标记为信号光子。已有学者提出了基于距离的离群检测法实现该噪声的剔除,但需要对信号作距离统计,去噪过程较为复杂。本发明根据地形趋势线,然后限定趋势线上下界适宜范围作为非噪声点区间进一步去噪。其上界限阈值通常设为150m,下界限阈值则设为Seg-Km处理段数据标准偏差的2倍。
在对剖面点云实现去趋势处理后,通过迭代滤波器有效地识别了地面点上下界,并由EMD-DISPO滤波后提取了地面曲线。当地面点出现明显突变时(图11),以梯度下降法进行突变幅度和位置检测,然后关于横轴(H=0m)生成相应的平移序列,那么即利用原信号与平移序列作减法,以及EMD-DISPO滤波来消除信号失真,最终完成了去突变操作。通过去突变处理剔除了伪地面点,极大提高了地面曲线的精确度。
ICESat-2/ATBD中的冠顶曲线拟合方式与地面曲线拟合相似,但实际上冠顶曲线本身较地面曲线的起伏波动更显著,因此同样以迭代移动曲面滤波进行地面及冠顶拟合,地面曲线接近实际而冠顶曲线则往往失真,不能更好依附于实际的冠层顶部(图12),而且该情况在地物类型复杂的环境下将尤为突出。在此背景下,所以本发明采用了动态分箱统计来识别冠顶点。具体地,按20m跨度分箱提取[96,99]百分位数冠层光子为冠顶点。其中,Xiaoxiao Zhu等人(参考文献为:Xiaoxiao Zhu,Sheng Nie,Cheng Wang,Xiaohuan Xi,Zhenyue Hu.(2018)A Ground Elevation and Vegetation Height Retrieval AlgorithmUsing Micro-Pulse Photon-Counting Lidar Data.Remote Sensing 10:12,pages 1962)也凭经验总结到百分位统计冠顶点时,白昼和夜晚高程各在[96,100]和[99,100]区间应划分为冠层噪声,而[96,99]区间才可划分为冠顶点的结论。此外,为适应迭代移动曲面滤波方法识别地面曲线而作去趋势处理仍存在缺陷,即地形坡度变化较大区域(山顶点及山谷点)常导致冠层点的局部展宽或重叠现象,进而重塑了局部冠层点的疏密程度。因此,为降低伪冠顶点对冠层高度提取的影响,也选用了邻域统计对冠顶点作进一步筛选。在系列的算法改进后,本发明已能在不同信噪比下实现点云的精准分类(图13-a和图13-b),对提取高冠层高度精度具有重要意义。
(4)、为了进一步的说明本发明的效果,本实施例做了林冠高度提取精度对比分析,具体内容如下所示:
本发明选取了150个采样点的树高数据对提取的林冠高度进行检验。如图14-a反映了实测数据与ICESat-2/ATL08数据产品之间的线性相关关系,均方根误差RMSE为4.018m和判定系数R2为0.85212。如图14-b则反映实测数据同本发明算法估测之间的线性相关关系,均方根误差RMSE为2.013m和判定系数R2为0.96834。对比评价系数RMSE及R2可知,本发明中的算法进一步提高了林冠高度提取精度。
综上所述,在ICESat-2官方文档(ATL08_ATBD)的基础上,本发明提出了一种具较高适应性、准确性及系统性的森林冠层高度提取方法。在与不同地形条件下的实测数据和ATL08产品的双重对比后,可得如下结论:
1)类似DRAGANN的聚类去噪算法,其核心聚类统计参数的普适性尤为重要;DRAGANN原先的P=20参考值仅能满足少数高信噪比场景下的点云去噪条件,但在低信噪比下却易导致局部密度直方图缺失适宜的信噪分割条件(信噪峰混淆交叉)。本发明通过不同信噪比下数据试验后确立了P与信噪比的定量关系模型,并以此来计算特定场景下的聚类统计参数。此外,在保证剖面点云的局部密度直方图具备信噪分割条件的同时,如何精准定位信噪峰的位置也需要系统的机制,本发明将RBF滤波和高斯分解运用于双峰高斯拟合之前,通过先分解后重构的方式有效避免了原先易出现问题:①高信噪比场景下噪声峰特征不明显而被滤除,进而双峰拟合位置出现偏移;②在地面地物类型复杂的场景下,信号光子间存在较大差异,迫使信号峰呈明显“多峰”分布,此时若未对多信号峰进行合理筛选,双峰高斯拟合偏将相对明显的那一峰拟入,进而对于拟合双峰波谷处的去噪阈值则存在较大误差。
2)在地面曲线识别方面:①进一步考虑了植被覆盖率较高的场景下,地面光子返回较少的情况,采用EMD-DISPO对伪地面点(冠层光子或是位于接近地面且低于地面的噪声)进行剔除;②考虑了林地与非林地交叉地带,曲面识别易出现突变的问题并采用梯度法进行针对性处理。冠顶识别方面则是以分箱统计的方式对[96,99]百分位的冠层光子进行统计,结果表明此识别方法可行。
3)对不同地形下的所提取森林冠层高度进行综合验证,与ATL08植被冠层高度产品相比,估测精度由85.2%提升至96.8%,由此可知原文档算法仍有较大优化空间,而本发明的改进算法则在不同起伏地形下具备较好普适性,对后续大尺度森林冠层高度反演具重要意义。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.基于星载光子计数激光雷达的森林冠层高度提取方法,其特征在于:首先进行光子点云数据的信号和噪声数据的准确划分;然后基于分离出的信号数据,采用局部地形的迭代滤波算法拟合地面曲线,并通过梯度下降法的突变检测和EMD的分解与重构功能对伪地面点进行剔除;最后采用动态分箱统计方法从非地面点中提取冠顶点,根据冠顶点与地面点的高程差来计算冠层高度。
2.根据权利要求1所述的基于星载光子计数激光雷达的森林冠层高度提取方法,其特征在于:所述方法的具体步骤如下:
Step1、数据预处理:对原始点云进行坐标投影转换及分段处理,形成适宜跨度的高程剖面点云;
Step2、点云去噪及分类:通过点云精去噪及滤波分类实现噪声、地面、冠层及冠顶光子的识别;
Step3、冠层高度提取:通过计算冠顶点和地面点的高程差来计算冠层高度。
3.根据权利要求2所述的基于星载光子计数激光雷达的森林冠层高度提取方法,其特征在于:所述Step1包括:
Step1.1、基于ICESat-2/ATL03的原始三维点云数据经坐标投影转换形成高程剖面点云数据;
Step1.2、然后按照10km跨度对带状剖面作分段处理,每个分段单元称作Seg-Km处理段;同时,为保证所提取冠层高度与ICESat-2/ATL08产品作精度对比时光子点坐标匹配准确,那么相对应的ATL08数据也作Seg-Km处理;此外,为解决基于局部统计参数的去噪方法在边缘效应方面所表现问题,此处统计参数即光子密度,通常在Seg-Km处理段的去噪中结合移动窗口法处理,分箱跨度设为3.4km的同时,沿横向轨道,每个分箱前后位置设200m缓冲区。
4.根据权利要求2所述的基于星载光子计数激光雷达的森林冠层高度提取方法,其特征在于:所述Step2中,点云去噪包括如下具体步骤:
Step2.1.1、调试滤波器参数及逐点作局部密度统计:经数据测试后发现滤波器参数P与信噪比SNR存在正相关,进而构建关系模型,公式(1),实现滤波器参数P自适应;然后对剖面点云内所有光子构建K-D Tree索引结构,结合公式(2)计算搜索半径后依托该结构逐点统计光子密度,形成局部密度直方图;
P=Int(2.96273*SNR+2.24325) (1)
式中,P为邻域点数,SNR为粗略估计的信噪比,通过统计剖面点云的高程频率直方图,然后以频数中位数为阈值,频率低于此阈值为噪声,反之为信号,求各自均值并作除法即获取SNR,Int为取整函数;
式中,R为自适应搜索半径,P为邻域点数,NTotal为Seg_Km处理分段内每个移动窗口下的光子总数,其中移动窗口的跨度为200m+3.4km+200m,Int为取整函数;
Step2.1.2、高斯分解及参数优化、双峰高斯参数筛选:以高斯低通滤波对直方图曲线作滤波处理并对其进行高斯分解,然后通过列文伯格-马夸尔特L-M对高斯分量作参数优化,并以如下条件对信号高斯和噪声高斯作最终筛选:标记左侧最高峰为噪声高斯,其他高斯分量则按αi×σi进行排序且首个满足μi-μ1≥2σ1的标记为信号高斯;
Step2.1.3、噪声阈值的准确提取:通过获取的噪声高斯及信号高斯参数后结合公式(3)进行双峰特征的重构并利用二阶求导来提取唯一波谷点为信噪阈值;
式中,(αi,μi,σi)依次是优化后的噪声高斯和信号高斯参数,即振幅、均值和标准差。
5.根据权利要求2所述的基于星载光子计数激光雷达的森林冠层高度提取方法,其特征在于:所述Step2中,点云分类包括如下具体步骤:
Step2.2.1、定义由中值滤波算法和移动平均算法合成的迭代滤波器,且基于局部地形条件进行,因此将设置滤波器的移动窗口跨度;
Step2.2.2、对Seg-Km处理段进行去趋势处理,首先基于中值滤波处理后的原始信号在高程阈值进行下进行去噪;而对保留信号则进行保形分段三次Hermite插值及迭代滤波处理,以此提取地形趋势线,最后将去噪后的剖面点云与地形趋势线作差以实现去趋势;
Step2.2.3、以全部去趋势数据为初始值并结合迭代滤波器持续更新拟合点输入,进而获取潜在地面点上界和下界,对区间内地面点以迭代滤波器细化,同时结合线性插值法将地面点插值至原始分辨率即可获取地面曲线,采用了EMD-DISPO滤波器和梯度法来对地面曲线中不同情况下的伪地面光子作进一步剔除;
Step2.2.4、以分箱统计方法统计百分位数在[96,99]范围内的光子为冠层顶部光子;剖面点云的分箱跨度通常设为20m。
6.根据权利要求5所述的基于星载光子计数激光雷达的森林冠层高度提取方法,其特征在于:所述Step2.2.3中,采用一种DISPO滤波器与经验模态分解EMD时空尺度滤波器相结合的方法EMD-DISPO对伪地面点进行剔除,如公式(4)所示;
EMD算法按时间域对数据进行分解,然后采用时间尺度降噪法或阈值降噪法对分解结果进行去噪、重构,在这个过程中时间尺度降噪法易导致原始信号失真,阈值降噪法难以解决自适应阈值求解问题,引进DISPO算法先对分解信号中的明显噪声进行滤波,再进行重构则可解决上述问题,原始信号及重构信号函数如下所示;
式中,H(x)和H1(x)分别表示原始信号与重构信号,imfi1/i2(x)表示单分量IMF函数,r(x)表示趋势项,N表示EMD分解地面曲线过程中形成的IMF分量总数;H(x)等式中的i1表示各IMF分量标号,在EMD重构地面曲线时,imf1(x)被剔除,保留的IMF分量序号在[2,N/2]的通过DISPO作滤波处理,在[N/2,N]则不作滤波处理;那么H1(x)等式中的i2表示需作DISPO滤波处理的各IMF分量标号,而j则是不作滤波处理的各IMF分量标号。
7.根据权利要求5所述的基于星载光子计数激光雷达的森林冠层高度提取方法,其特征在于:所述Step2.2.3中,当Seg_Km数据处理分段内存在林地和非林地两种地类,林地冠层下地面光子和非林地下噪声光子密度相似,地面曲线拟合时易将非林地下噪声光子拟合成地面,形成地形变化突变;EMD-DISPO不适用于类似突变信号的处理;采用梯度下降法对地面点突变区间的幅度和位置进行检测,并根据梯度信息计算相应的平移序列与原始信号作差得到更精确的地面曲线。
8.根据权利要求2所述的基于星载光子计数激光雷达的森林冠层高度提取方法,其特征在于:所述Step3中,所述冠层高度提取包括如下具体步骤:
Step3.1、冠层顶部比冠层内部稍低,因此在计算冠层高度前,需对提取的冠层顶部光子作进一步筛选,对其构建K-D Tree空间索引,统计15m局部范围内的邻域点数,将偏离[3,10]范围的光子点云重新标记为噪声,其余为最终冠顶光子;
Step3.2、以Step3.1提取的最终冠顶光子为插值点,采用保形分段三次Hermite插值算法对获取的地面曲线作插值,以此获取地面曲线中对应位置的地面光子;
Step3.3、最后计算冠顶光子和插值地面光子的高差来提取冠层高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211004463.6A CN116203537A (zh) | 2022-08-22 | 2022-08-22 | 基于星载光子计数激光雷达的森林冠层高度提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211004463.6A CN116203537A (zh) | 2022-08-22 | 2022-08-22 | 基于星载光子计数激光雷达的森林冠层高度提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116203537A true CN116203537A (zh) | 2023-06-02 |
Family
ID=86511848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211004463.6A Pending CN116203537A (zh) | 2022-08-22 | 2022-08-22 | 基于星载光子计数激光雷达的森林冠层高度提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116203537A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935199A (zh) * | 2023-09-18 | 2023-10-24 | 铁正检测科技有限公司 | 一种公路施工水平度智能检测方法及系统 |
CN117520733A (zh) * | 2024-01-05 | 2024-02-06 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
CN117970859A (zh) * | 2024-04-02 | 2024-05-03 | 山西顺达胜业通信工程有限公司 | 一种低功耗广域物联网下的设备智能控制方法 |
-
2022
- 2022-08-22 CN CN202211004463.6A patent/CN116203537A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935199A (zh) * | 2023-09-18 | 2023-10-24 | 铁正检测科技有限公司 | 一种公路施工水平度智能检测方法及系统 |
CN116935199B (zh) * | 2023-09-18 | 2023-11-28 | 铁正检测科技有限公司 | 一种公路施工水平度智能检测方法及系统 |
CN117520733A (zh) * | 2024-01-05 | 2024-02-06 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
CN117520733B (zh) * | 2024-01-05 | 2024-03-19 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
CN117970859A (zh) * | 2024-04-02 | 2024-05-03 | 山西顺达胜业通信工程有限公司 | 一种低功耗广域物联网下的设备智能控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116203537A (zh) | 基于星载光子计数激光雷达的森林冠层高度提取方法 | |
US8670591B2 (en) | Foliage penetration based on 4D LIDAR datasets | |
Jing et al. | Automated delineation of individual tree crowns from LiDAR data by multi-scale analysis and segmentation | |
CN105488770B (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN108037514A (zh) | 一种使用激光点云进行树障安全检测方法 | |
CN111665517B (zh) | 一种基于密度统计的单光子激光测高数据去噪方法及装置 | |
CN104155638A (zh) | 一种基于LiDAR伪垂直波形模型的树种分类方法 | |
Huang et al. | Forest Canopy Height Extraction Method Based on ICESat-2/ATLAS Data | |
CN104598922A (zh) | 基于模糊c均值的全极化sar图像分类方法 | |
CN102722640A (zh) | 一种顾及邻近波形信息的机载激光波形数据分解算法 | |
Zhang et al. | A noise-removal algorithm without input parameters based on quadtree isolation for photon-counting LiDAR | |
Li et al. | A fast progressive TIN densification filtering algorithm for airborne LiDAR data using adjacent surface information | |
Zhang et al. | Ground photon extraction from photon-counting LiDAR data using adaptive cloth simulation with terrain index | |
CN116165635A (zh) | 多级滤波算法的日间条件下不同波束光子云数据去噪方法 | |
CN111189430B (zh) | 一种基于随机森林分类器的星载激光足印高程提取方法 | |
Charalampidis et al. | Removal of nonprecipitation echoes in weather radar using multifractals and intensity | |
Xiong et al. | Automated reconstruction of subsurface interfaces in Promethei Lingula near the Martian south pole by using SHARAD data | |
CN114862872B (zh) | 一种基于Faster R-CNN的红树林单木分割方法 | |
CN113281716B (zh) | 一种光子计数激光雷达数据去噪方法 | |
Menaka et al. | Change detection in deforestation using high resolution satellite image with Haar wavelet transforms | |
CN111077532A (zh) | 一种基于反卷积和高斯分解的地物空间信息获取方法 | |
Mu et al. | Canopy lidar point cloud data k-means clustering watershed segmentation method | |
Boursier et al. | Automatic detection of coronal mass ejections on LASCO-C2 synoptic maps | |
CN113205564A (zh) | 一种sar智能目标边缘重构方法 |
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 |