CN116665081B - 一种滨海植被地上生物量的估算方法、计算机设备及介质 - Google Patents
一种滨海植被地上生物量的估算方法、计算机设备及介质 Download PDFInfo
- Publication number
- CN116665081B CN116665081B CN202310943342.6A CN202310943342A CN116665081B CN 116665081 B CN116665081 B CN 116665081B CN 202310943342 A CN202310943342 A CN 202310943342A CN 116665081 B CN116665081 B CN 116665081B
- Authority
- CN
- China
- Prior art keywords
- biomass
- target area
- vegetation
- arbor
- area
- 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
Links
- 239000002028 Biomass Substances 0.000 title claims abstract description 274
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004364 calculation method Methods 0.000 claims abstract description 123
- 239000002023 wood Substances 0.000 claims description 44
- 210000000481 breast Anatomy 0.000 claims description 36
- 210000000038 chest Anatomy 0.000 claims description 23
- 235000008216 herbs Nutrition 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 241000894007 species Species 0.000 description 55
- 241000196324 Embryophyta Species 0.000 description 32
- 230000011218 segmentation Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000012010 growth Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000000611 regression analysis Methods 0.000 description 9
- 235000005638 Austrian pine Nutrition 0.000 description 8
- 235000008565 Pinus banksiana Nutrition 0.000 description 8
- 244000019397 Pinus jeffreyi Species 0.000 description 8
- 235000013264 Pinus jeffreyi Nutrition 0.000 description 8
- 235000008578 Pinus strobus Nutrition 0.000 description 8
- 235000008585 Pinus thunbergii Nutrition 0.000 description 8
- 235000014030 Podocarpus spicatus Nutrition 0.000 description 8
- 235000017985 rocky mountain lodgepole pine Nutrition 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 4
- 241001493421 Robinia <trematode> Species 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000218631 Coniferophyta Species 0.000 description 2
- 240000007472 Leucaena leucocephala Species 0.000 description 2
- 235000010643 Leucaena leucocephala Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000034373 developmental growth involved in morphogenesis Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 240000007263 Pinus koraiensis Species 0.000 description 1
- 235000011615 Pinus koraiensis Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种滨海植被地上生物量的估算方法、计算机设备及介质,涉及植被生物量估算领域,方法包括:首先根据倾斜摄影点云数据计算目标区域的郁闭度,根据目标区域的郁闭度对目标区域进行区域类型识别,得到目标区域的区域类型;对于不同区域类型的目标区域,采用不同方法得到目标区域内每颗乔木的生物量计算参数或生物量计算参数组,然后根据目标区域内每颗乔木的生物量计算参数或生物量计算参数组计算目标区域的乔木地上生物量,再将乔木地上生物量、灌木地上生物量以及草本植物地上生物量相加,得到目标区域的地上生物量,提高了植被的地上生物量准确性。
Description
技术领域
本发明涉及植被生物量估算领域,特别是涉及一种滨海植被地上生物量的估算方法、计算机设备及介质。
背景技术
植被生物量是反映生态系统生态质量的一个重要标准,其是指某一时刻单位面积内实存生活的有机物质(干重)总量。对滨海生态系统典型植被群落的地上部分生物量进行调查统计,据此可以判断样地内各种群生物量在总生物量中所占的比例,是表征滨海生态系统群落健康和评估植被碳储量的最为重要指标之一。目前估算生物量的方法主要包括生物量拓展因子法、蓄积量法和异速生长方程法。但不论是哪种方法都极度依赖于株高、胸径、冠幅等单株三维信息属性的量测。而由于滨海生态系统主要分布于我国东部大陆海岸线及海岛地区,交通相对不便,且受海洋性气候影响较大,导致植被种类、生长状况等与内陆有很大的差异,特别是一些偏远海岛由于人类活动干扰小,形成了群落结构复杂,郁闭性高等特点。利用遥感影像无法获取林下信息等关键生态指标。因此,对于生物量的调查目前仍以现场人工调查为主,不但费时费力,精度也难以保证,在很大程度上影响了我国“蓝碳”评估工作推进。
发明内容
本发明的目的是提供一种滨海植被地上生物量的估算方法、计算机设备及介质,可减少人力消耗,提高生物量计算精度。
为实现上述目的,本发明提供了如下方案:
一种滨海植被地上生物量的估算方法,所述滨海植被地上生物量的估算方法包括:
获取目标区域的倾斜摄影点云数据;所述倾斜摄影点云数据由无人机携带相机基于倾斜摄影测量得到;
根据所述倾斜摄影点云数据计算所述目标区域的郁闭度;
根据所述目标区域的郁闭度对所述目标区域进行区域类型识别,得到所述目标区域的区域类型;所述区域类型包括单木区域、冠幅不重叠区域和冠幅重叠区域;
当所述目标区域为所述单木区域时,根据所述倾斜摄影点云数据确定所述目标区域内每颗乔木的生物量计算参数或生物量计算参数组;所述生物量计算参数包括胸径,所述生物量计算参数组包括树高和胸径;
当所述目标区域为所述冠幅不重叠区域时,根据所述倾斜摄影点云数据确定所述目标区域内每颗乔木的树高与冠幅;对于所述目标区域内每颗乔木,将所述乔木的树高与冠幅输入至训练好的胸径预测模型中,得到所述乔木的胸径;所述训练好的胸径预测模型是以样本乔木的样本树高与样本冠幅为输入,以所述样本乔木的样本胸径为标签,训练得到的模型;
当所述目标区域为所述冠幅重叠区域时,采用雷达对所述目标区域进行扫描,得到雷达数据,并将所述倾斜摄影点云数据和所述雷达数据进行配准,得到所述目标区域内每颗乔木的生物量计算参数或生物量计算参数组;
根据所述目标区域内每颗乔木的生物量计算参数或生物量计算参数组计算所述目标区域的乔木地上生物量;
采用雷达对所述目标区域内乔木冠层下方的区域进行扫描,得到所述目标区域内每颗灌木的灌木生物量计算参数或灌木生物量计算参数组以及草本植物的草本植物生物量计算参数;所述灌木生物量计算参数包括地径;所述灌木生物量计算参数组包括地径和株高;所述草本植物生物量计算参数为所述目标区域内草本植物的总面积;
根据所述目标区域内每颗灌木的所述灌木生物量计算参数或灌木生物量计算参数组计算所述目标区域内灌木地上生物量;
根据所述草本植物生物量计算参数计算所述目标区域内草本植物地上生物量;
将所述乔木地上生物量、所述灌木地上生物量以及所述草本植物地上生物量相加,得到所述目标区域的地上生物量。
可选的,根据所述目标区域内每颗乔木的生物量计算参数或生物量计算参数组计算所述目标区域的乔木地上生物量,具体包括:
确定所述目标区域内每颗乔木的树种类型;
根据所述目标区域内每颗乔木的树种类型以及每颗乔木的生物量计算参数或生物量计算参数组计算每颗乔木的地上生物量;
将所述目标区域内所有乔木的地上生物量相加得到所述目标区域的乔木地上生物量。
可选的,确定所述目标区域内每颗乔木的树种类型,具体包括:
获取所述目标区域内每颗乔木的类别参数;所述类别参数包括冠幅大小、表面体积、粗糙度、植被指数和纹理指数;
将所述类别参数输入至训练好的树种类型识别模型中,得到所述目标区域内每颗乔木的树种类型;所述训练好的树种类型识别模型是以样本植被的样本类别参数为输入,以所述样本植被的树种类型为标签,训练得到的模型。
可选的,所述根据所述目标区域内每颗乔木的树种类型以及每颗乔木的生物量计算参数或生物量计算参数组计算每颗乔木的地上生物量,具体包括:
根据所述目标区域内每颗乔木的树种类型从或/>或中选取相应的生物量计算公式;
根据选取生物量计算公式计算每颗乔木的地上生物量;其中,M1为目标区域内每颗乔木的地上生物量;D为胸径;H为树高;a、b、c为参数。
可选的,根据所述目标区域内每颗灌木的所述灌木生物量计算参数或灌木生物量计算参数组计算所述目标区域内灌木地上生物量,具体包括:
根据或/>计算所述目标区域每颗灌木的地上生物量;其中,M2为目标区域内每颗灌木的地上生物量;L为地径;K为株高;e、f、g为参数;
将所有灌木的地上生物量相加,得到所述目标区域内灌木地上生物量。
可选的,根据所述草本植物生物量计算参数计算所述目标区域内草本植物地上生物量,具体包括:
根据计算目标区域内草本植物的地上生物量,其中,M3为目标区域内草本植物的地上生物量;W为单位面积内草本植物的地上生物量;A为目标区域内草本植物的总面积。
可选的,所述根据所述倾斜摄影点云数据计算所述目标区域的郁闭度,具体包括:
根据或/>计算所述目标区域的郁闭度;其中,CC为目标区域的郁闭度,Ctree为树冠的垂直投影面积,Ctotal为目标区域的森林总面积,Ntree为目标区域内植被点云数,Ntotal为目标区域点云总点数;所述树冠的垂直投影面积、所述目标区域的森林总面积、所述目标区域内植被点云数和所述目标区域点云总点数为倾斜摄影点云数据。
可选的,所述根据所述目标区域的郁闭度对所述目标区域进行区域类型识别,得到所述目标区域的区域类型,具体包括:
当所述目标区域的郁闭度小于第一设定值时,所述目标区域的区域类型为单木区域;
当所述目标区域的郁闭度大于或等于所述第一设定值且小于或等于第二设定值时,所述目标区域的区域类型为冠幅不重叠区域;所述第一设定值小于所述第二设定值;
当所述目标区域的郁闭度大于所述第二设定值时,将所述目标区域内每两两相邻的植被,记为i和j,将植被i的树干顶点和植被j的树干顶点的水平距离作为所述植被i和所述植被j的距离;
当所述距离小于所述植被i和所述植被j的半径之和时,记为所述植被i和所述植被j冠幅重叠;所述半径之和为第一冠幅和第二冠幅之和;所述第一冠幅为所述植被i冠幅的一半;所述第二冠幅为与所述植被i的冠幅相邻方向所述植被j冠幅的一半;
遍历所述目标区域内所有相邻的植被,得到所有相邻植被记为冠幅重叠的数量;
当所述数量大于设定阈值时,所述目标区域的区域类型为冠幅重叠 区域;当所述数量不大于设定阈值时,所述目标区域的区域类型为冠幅不重叠区域。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述滨海植被地上生物量的估算方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适用于由处理器加载并执行上述滨海植被地上生物量的估算方法。
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:本发明提供了一种滨海植被地上生物量的估算方法、计算机设备及介质,该方法包括:获取目标区域的倾斜摄影点云数据;倾斜摄影点云数据由无人机携带相机基于倾斜摄影测量得到;根据倾斜摄影点云数据计算目标区域的郁闭度;根据目标区域的郁闭度对目标区域进行区域类型识别,得到目标区域的区域类型;区域类型包括单木区域、冠幅不重叠区域和冠幅重叠区域;当目标区域为不同区域类型时,采用不同方法得到每颗乔木的生物量计算参数或生物量计算参数组,然后计算目标区域的乔木地上生物量;然后采用雷达对目标区域内乔木冠层下方的区域进行扫描,得到每颗灌木的灌木生物量计算参数或灌木生物量计算参数组以及草本植物的草本植物生物量计算参数,基于上述参数分别计算得到目标区域内灌木地上生物量和草本植物地上生物量,最后将乔木地上生物量、灌木地上生物量以及草本植物地上生物量相加,得到目标区域的地上生物量。本发明通过郁闭度确定目标区域的区域类型,对于每种区域类型,采用不同的方法得到目标区域内每颗植被的生物量计算参数或生物量计算参数组,从而使得通过生物量计算参数或生物量计算参数组计算得到的地上生物量更加准确。
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为本发明实施例提供的滨海植被地上生物量的估算方法流程示意图;
图2为本发明实施例提供的郁闭度区分算法;
图3为本发明实施例提供的乔木生物量反演流程示意图;
图4为本发明实施例提供的回归分析流程示意图;
图5是本发明提供的一种计算机设备的结构示意图。
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滨海植被地上生物量的估算方法、计算机设备及介质,通过郁闭度确定目标区域的区域类型,对于每种区域类型,采用不同的方法得到目标区域内每颗植被的生物量计算参数或生物量计算参数组,从而使得通过生物量计算参数或生物量计算参数组计算得到的地上生物量更加准确。
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。
如图1所示,本发明提供了一种滨海植被地上生物量的估算方法,所述滨海植被地上生物量的估算方法包括:
S1:获取目标区域的倾斜摄影点云数据;所述倾斜摄影点云数据由无人机携带相机基于倾斜摄影测量得到。
S2:根据所述倾斜摄影点云数据计算所述目标区域的郁闭度。
S3:根据所述目标区域的郁闭度对所述目标区域进行区域类型识别,得到所述目标区域的区域类型;所述区域类型包括单木区域、冠幅不重叠区域和冠幅重叠区域。
S4:当所述目标区域为所述单木区域时,根据所述倾斜摄影点云数据确定所述目标区域内每颗乔木的生物量计算参数或生物量计算参数组;所述生物量计算参数包括胸径,所述生物量计算参数组包括树高和胸径;当所述目标区域为所述冠幅不重叠区域时,根据所述倾斜摄影点云数据确定所述目标区域内每颗乔木的树高与冠幅;对于所述目标区域内每颗乔木,将所述乔木的树高与冠幅输入至训练好的胸径预测模型中,得到所述乔木的胸径;所述训练好的胸径预测模型是以样本乔木的样本树高与样本冠幅为输入,以所述样本乔木的样本胸径为标签,训练得到的模型;当所述目标区域为所述冠幅重叠区域时,采用雷达对所述目标区域进行扫描,得到雷达数据,并将所述倾斜摄影点云数据和所述雷达数据进行配准,得到所述目标区域内每颗乔木的生物量计算参数或生物量计算参数组。
S5:根据所述目标区域内每颗乔木的生物量计算参数或生物量计算参数组计算所述目标区域的乔木地上生物量。
S6:采用雷达对所述目标区域内乔木冠层下方的区域进行扫描,得到所述目标区域内每颗灌木的灌木生物量计算参数或灌木生物量计算参数组以及草本植物的草本植物生物量计算参数;所述灌木生物量计算参数包括胸径;所述灌木生物量计算参数组包括胸径和株高;所述草本植物生物量计算参数为所述目标区域内草本植物的总面积。
S7:根据所述目标区域内每颗灌木的所述灌木生物量计算参数或灌木生物量计算参数组计算所述目标区域内灌木地上生物量。
S8:根据所述草本植物生物量计算参数计算所述目标区域内草本植物地上生物量。
S9:将所述乔木地上生物量、所述灌木地上生物量以及所述草本植物地上生物量相加,得到所述目标区域的地上生物量。
在本实施例中,步骤S1具体包括:实地勘探,布设像控点,确定飞行路线,获取完整的海岛植被冠层结构。倾斜摄影测量以无人机平台搭载数码相机,在空中多角度对地面拍摄获取影像数据,并基于多视影像对地表同名点坐标进行密集匹配,快速获取地表的三维数据。基于空三加密和影像密集匹配算法,根据特征值与灰度值对所有影像同名点进行匹配,并从影像中抽取更多的特征点构成密集点云(倾斜摄影点云数据)。
单木区域的树高、冠幅和胸径均可通过倾斜摄影点云数据读取;冠幅不重叠区域的树高和冠幅可通过倾斜摄影点云数据读取,胸径不可通过倾斜摄影点云数据读取;冠幅重叠区域的树高、冠幅和胸径均不可通过倾斜摄影点云数据读取。
步骤S5中根据所述目标区域内每颗乔木的生物量计算参数或生物量计算参数组计算所述目标区域的乔木地上生物量,具体包括:
确定所述目标区域内每颗乔木的树种类型。
根据所述目标区域内每颗乔木的树种类型以及每颗乔木的生物量计算参数或生物量计算参数组计算每颗乔木的地上生物量;
将所述目标区域内所有乔木的地上生物量相加得到所述目标区域的乔木地上生物量。
其中,所述确定所述目标区域内每颗乔木的树种类型,具体包括:
获取所述目标区域内每颗乔木的类别参数;所述类别参数包括冠幅大小、表面体积、粗糙度、植被指数和纹理指数。
将所述类别参数输入至训练好的树种类型识别模型中,得到所述目标区域内每颗乔木的树种类型;所述训练好的树种类型识别模型是以样本植被的样本类别参数为输入,以所述样本植被的树种类型为标签,训练得到的模型。
具体地:基于无人机获取的正射影像与雷达数据进行树种分类。对获取的点云文件(点云文件包括类别参数)进行抽稀,重采样,去噪、分类等操作,分离出地面点与植被点。由于森林结构复杂,不同的树种大都具有不同的光谱、纹理特征,部分植被还可能存在“同物异谱”或“异物同谱”的现象。如果依据相同的单木分割标准,分割效果往往并不理想。因此,在本实施例中,可按照样地(目标区域)不同的树种类型,选取不同的分类标准对树种进行分类,如冠幅大小、表面体积、粗糙度、植被指数、纹理指数等类别参数。在本实施例中,可通过阈值分割、随机森林、支持向量机等机器学习或PointNet、PointNet++等深度学习算法实现树种的识别与分类,即构建树种类型识别模型,并对乔木部分不同树种的点云数据进行提取,得到训练集,训练集包括若干植被的类别参数,以及每一植被的林分类型。以不同种类树木的单木点云为训练数据,即以上述类别参数为模型的输入,以树种的林分类型为标签,对模型进行训练,得到训练好的树种类型识别模型。
数据归一化,点云初步单木分割。依据不同树种之间的不同特点,选取合适的分割阈值,根据归一化点云分析点的高程值以及与其他点间的距离,获取单木位置,树高及冠幅等属性,将每棵树的高程最大值标记为单木冠层种子点。根据分割结果计算森林郁闭度与树间距,通过对比树冠半径之和与相邻种子点之间的距离对不同郁闭度的树木进行分类,识别出目标区域的区域类型,并根据不同的区域制定不同的应对方案。在本实施例中,单木冠幅直径由横向冠幅与纵向冠幅拟合获取。
所述根据所述倾斜摄影点云数据计算所述目标区域的郁闭度,具体包括:
根据或/>计算所述目标区域的郁闭度;其中,CC为目标区域的郁闭度,Ctree为树冠的垂直投影面积,Ctotal为目标区域的森林总面积,Ntree为目标区域内植被点云数,Ntotal为目标区域点云总点数;所述树冠的垂直投影面积、所述目标区域的森林总面积、所述目标区域内植被点云数和所述目标区域点云总点数为倾斜摄影点云数据。
所述根据所述目标区域的郁闭度对所述目标区域进行区域类型识别,得到所述目标区域的区域类型,具体包括:
当所述目标区域的郁闭度小于第一设定值时,所述目标区域的区域类型为单木区域。
当所述目标区域的郁闭度大于或等于所述第一设定值且小于或等于第二设定值时,所述目标区域的区域类型为冠幅不重叠区域;所述第一设定值小于所述第二设定值。
当所述目标区域的郁闭度大于所述第二设定值时,所述目标区域的区域类型为高郁闭度区域;将所述目标区域内每两两相邻的植被,记为i和j,将植被i的树干顶点和植被j的树干顶点的水平距离作为所述植被i和所述植被j的距离。
当所述距离小于所述植被i和所述植被j的半径之和时,记为所述植被i和所述植被j冠幅重叠;所述半径之和为第一冠幅和第二冠幅之和;所述第一冠幅为所述植被i冠幅的一半;所述第二冠幅为与所述植被i的冠幅相邻方向所述植被j冠幅的一半。
遍历所述目标区域内所有相邻的植被,得到所有相邻植被记为冠幅重叠的数量。
当所述数量大于设定阈值时,所述目标区域的区域类型为冠幅重叠区域;当所述数量不大于设定阈值时,所述目标区域的区域类型为冠幅不重叠区域。
具体地,所述第二设定值为0.8。第一设定值为0.5。若CC数值大于0.8,则认为该目标区域为高郁闭度区,若CC数值介于0.5到0.8之间,则认为该目标区域为低郁闭度区,若CC数值低于第一设定值0.5且两树间距大于10米,则认为该目标区域为散生木(单木区域)。
由于郁闭度高的地区不一定冠层重叠,对CC值高于0.8的样地进行树间距检测。设相邻的种子点为i和j(i=1、2、n...,j=1、2、n...),n为样地种子点的数量,首先选取一起始种子点,从样地左上角开始检测相邻种子点的距离,即从样地左上角开始检测与起始种子点最邻近的种子点的水平距离,并基于分割的冠幅半径,判断冠幅是否重叠。若种子点间距不小于两树冠幅半径之和,则认为两树冠幅不重叠,并将该种子点标记为0,反之将种子点标记为1,采用该算法实现重叠树木的检测。为防止重复检测,计算后剔除已检测种子点。上述水平距离为点云数据中两个树木坐标的水平距离。设定阈值为总数目的80%,当标记的种子点的数量超过总数目的80%时,则目标区域为冠幅重叠区域,若未超过或等于总数目的80%时,则目标区域为冠幅不重叠区域。算法详细流程见图2。其计算公式如下:
。
其中,Ri表示单木i的冠幅半径,Rj表示单木j的冠幅半径,Rij表示单木i与单木j的半径之和,Dij表示种子点i与种子点j之间的水平距离,Xi、Yi,Xj,Yj分别表示种子点i、j的水平方向上的地理坐标。
在根据上述过程识别得到目标区域的区域类型后,对于目标区域为不同区域类型时,采用不同方法,得到乔木的生物量计算参数或生物量计算参数组。
当目标区域为单木区域时:对于分散单木数据,仅通过倾斜摄影测量即可获取单木的树高、冠幅、胸径等详细信息。基于不同树种的异速生长方程可直接对单木的生物量进行计算。且如果分散的单木数据数量足够多,也可为后续的回归分析提供数据基础。
当目标区域为冠层不重叠区域时:对于冠层不重叠的植被地区(针叶林为主),由于其单木之间的特征比较明显,通过标记控制的局域最大值分水岭算法进行单木分割可达到较高的精度,但是倾斜摄影测量往往无法对植被下层的特征进行很好的描述。地基雷达可对植被冠层下的数据进行探测,并且由于激光可以穿透水体,能够对植被水下三维特征进行构建。但由于雷达数据昂贵,大范围的使用地基雷达数据往往不是很好的选择。由于倾斜摄影在冠层不重叠的植被地区单木分割效果较为明显,可获取准确的单木树高和冠幅数据,因此,在本实施例中,可以选取分割效果较好的样地(目标区域),布设像控点,使用地基或船载雷达获取样地单木胸径等数据,并利用样地80%的胸径数据进行模型训练。以胸径为因变量,树高与冠幅作为自变量,获取冠幅、树高与胸径之间的二元模型,其余20%的胸径数据进行精度验证。若精度达到要求,即可通过该胸径模型对整片森林该树种的胸径进行估算,获取该树种所有单木的胸径信息。并结合单木的树高、冠幅等信息,基于异速生长方程对该树种的生物量进行计算。
其中,本实施例基于MATLAB软件进行胸径反演模型的拟合,分别采用指数函数模型、幂函数模型、一元多项式模型、二元多项式模型来构建胸径反演模型,胸径拟合的基本模型如下:
。
式中:Y表示胸径,X表示树高、冠幅等属性,a,b,c为反演参数。
对胸径反演模型的拟合效果采用决定系数(R2)与均方根误差(RMSE)2个指标进行评价。其中决定系数(R2)表示模型的拟合程度,均方根误差(RMSE)表示模型的回归效果,按规定,决定系数(R2)应大于0.5,且决定系数(R2)越高,拟合效果越好;均方根误差(RMSE)值越小越好。公式如下所示:
。
式中:yi表示原始值,表示模型拟合值,/>原始值的平均值。
在胸径反演模型拟合之后,采用验证集进行胸径反演模型的误差分析,包括误差值和误差率,公式如下所示:
。
式中:表示误差值,X表示反演值,a表示实测值,/>表示误差率。
当目标区域为冠层重叠区域时:冠层重叠的植被区域由于郁闭度比较强(阔叶林为主),遮挡情况严重。倾斜摄影测量无法获取准确的单木冠幅区域,分割效果差强人意。此时则需要结合地基雷达来完成单木分割,获取准确的冠幅、胸径等信息,并根据林分信息获取详细的森林参数,为后续的回归分析奠定基础。地基雷达主要获取森林冠层以下的植被信息,如乔木的胸径,灌木的高度及地径等信息。部分森林参数计算公式如下所示:
。
其中,V1、V2为点云的高度变量,V3、V4代表的是点云的强度变量。V1为高度的平均绝对偏差,其中Z为每一统计单元(一统计单元对应一目标区域)内第i个点云点(此处点为样地内每个点云点坐标的高程值点)的高度值,为每一统计单元内所有点云点的平均高度,n为每一统计单元内的总点云点数。V2为冠层起伏率,其中,mean为每统计单元内冠层高度模型的冠层平均高度,min为每一统计单元内所有点云点的最小高度值,max为每一统计单元内所有点云点的最大高度值。V3代表强度值的平均绝对偏差,其中,l为每一统计单元内第i个点云点的强度值,/>为每一统计单元内所有点云点的平均强度。V4为某一统计单元内,所有点云点的强度值变异系数;lstd为每一统计单元内所有点云点强度值的标准差,lmean为每一统计单元内所有点云点的平均强度。
在本实施例中,可将上述森林参数作为自变量,生物量作为因变量,制作生物量预测模型。可对相似结构的其他样地进行生物量反演。
在本实施例中,还可根据郁闭度的植被情况划分样地,进行数据补测。即通过地基雷达或者船载激光雷达对目标区域内乔木冠层下方的区域进行扫描,得到所述目标区域内每颗灌木的灌木生物量计算参数或灌木生物量计算参数组以及草本植物的草本植物生物量计算参数。由于滨海地区水源丰富,根据调查的不同环境可选择采用地基雷达或者船载激光雷达两种调查方案。由于郁闭度强的地区森林结构相比于郁闭度低的地区更加复杂,在样地可布设更多的观测点进行多站扫描。地基激光雷达通过一定数量的扫描观测站点以及观测标靶,把不同站点所获取的三维点云进行拼接,得到样地内植被冠层下的详细三维结构特征。
对地基雷达或船载雷达获取到的点云文件进行粗差剔除、抽稀,重采样,去噪等操作,并将点云数据转为相同的格式,样方(目标区域)内的点云数据,以地面雷达数据为基准,通过迭代最邻近点的配准方法,对倾斜摄影测量获取的数据进行配准,实现数据融入,以地基雷达数据为基准对机载点云进行配准,结合两种数据获取较为准确的单木位置。由于融合后点云数据密度较大,对融合后的点云数据进行抽稀,最终获取高精度的滨海植被三维结构模型。
地基雷达可获取高精度的数字高程模型,无人机倾斜摄影可获取厘米级的数字表面模型,两者做差,相比于传统的遥感影像,可大大提高树种冠层高度模型(Canopy HeightModel,CHM)的精度。单木分割效果很大程度上取决于CHM的质量,所以在CHM生成完毕后需要对无效值进行填充,在CHM中,将每个栅格单元值替换为其领域内的激光点云高度最大值,使CHM变为CMM(树冠最大模型)。CMM的粗糙会引起树冠顶点的误判,因此需要应用高斯滤波对CMM进行处理,得到GCMM(改进后的植被冠层高度模型)。
基于改进后的植被冠层高度模型,通过局域最大值算法获取不同树种单木树顶的位置并生成种子点,由于部分地区结构复杂,部分区域可能需要人工对种子点的位置进行修改。基于标记控制的分水岭算法与种子点数据对滨海植被再次进行单木分割,获取单木树高、冠幅等属性。分割后的单木数据可基于DBSCAN聚类算法进行树干的探测,并通过设置计算距地面1.3米处树干点构成的圆心的半径DBH,即单木的胸径信息。对分割结果进行精度评价。精度评价公式如下:
。
其中,Ad代表准确率,Ar代表召回率,F代表F测度,Nc表示被正确分割的树冠个数,Nr表示参考图中树冠个数总数,Nd代表自动分割结果中树冠个数的总数。
基于不同树种的异速生长方程与回归模型计算整片海岛乔木部分的生物量,并根据换算关系获取乔木地下部分生物量。由于地基或船载雷达可获取详细的林下信息,对灌木的三维信息也有较好的描述,可以通过单株灌木的生长参数,如地径、株高、冠幅、冠幅投影面积、冠幅投影体积等,方便、快速地估算灌木生物量。草本植物可通过同样方法获取单位面积内的生物量,并用单位面积内的生物量乘以草本植物覆盖的总面积进行生物量的估算。最终叠加所有植被的地上生物量得到整块滨海地区的生物量信息。
根据所述目标区域内每颗乔木的树种类型以及每颗乔木的生物量计算参数或生物量计算参数组计算每颗乔木的地上生物量,具体包括:
根据所述目标区域内每颗乔木的树种类型从或/>或中选取相应的生物量计算公式。
根据选取生物量计算公式计算每颗乔木的地上生物量;其中,M1为目标区域内每颗乔木的地上生物量;D为胸径(单位为cm);H为树高;a、b、c为参数。
根据所述目标区域内每颗灌木的所述灌木生物量计算参数或灌木生物量计算参数组计算所述目标区域内灌木地上生物量,具体包括:
根据或/>计算所述目标区域每颗灌木的地上生物量;其中,M2为目标区域内每颗灌木的地上生物量;L为地径(单位为cm);K为株高;e、f、g为参数。
将所有灌木的地上生物量相加,得到所述目标区域内灌木地上生物量。
根据所述草本植物生物量计算参数计算所述目标区域内草本植物地上生物量,具体包括:
根据计算目标区域内草本植物的地上生物量,其中,M3为目标区域内草本植物的地上生物量;W为单位面积内草本植物的地上生物量;A为目标区域内草本植物的总面积。其中,单位面积内草本植物的地上生物量可通过样方法获取。/>
上述异速生长方程表示为生物量与胸径、树高之间的函数关系。由于气候环境的影像,不同地区的同一种树木生长速度也有很大的差异。同一树种已发布的异速生长方程有很多种,在本实施例中,按地域的不同进行异速生长方程的选取。
在本实施例中,所述方法还包括:
根据计算所述目标区域内碳储量;其中,C为目标区域碳储量;Mi为目标区域第i种植被类型植被的地上生物量;i表示植被类型;n为目标区域的植被类型总数量;ai为第i种植被类型的植被转换系数。植被类型包括乔木、灌木和草本植物。
具体地,根据不同树种组成、年龄和种群结构,按照植物干重有机物中碳所占的比重使植物生物量转化为碳储量。其中,树种组成、年龄和种群结构不同,转化率(林分转换系数)也不同,但差异不大,一般在0.45~0.5之间变化。在本实施例中,a取0.5。
在本实施例中,还可根据获取的全部数据,选取合适的森林参数进行逐步回归分析,构建各个变量的预测模型,针对树种、环境相似的岛屿,可根据此模型估算岛屿植被地上生物量、蓄积量、胸高断面积等参数。需要说明的是,本实施例中的训练模型只针对单一树种,反演时也只对样地该类树木的生物量进行反演,可极大提高生物量反演精度。目的在于获取类似于异速生长模型的该类树木的普适模型。乔木的生物量反演模型流程如图3所示。生物量计算可选取的森林参数及其意义如表1所示:
表1 各生物量模型变量及其意义
其中,表1中植被指数:
归一化绿红差异指数(NGRDI)的计算公式如下:
NGRDI=(DNG-DNR)/(DNG+DNR)。
归一化绿蓝差异指数(NGBDI)的计算公式如下:
NGBDI=(DNG-DNB)/(DNG+DNB)。
可见大气阻力指数(VARI)的计算公式如下:
VARI=(DNG-DNR)/(DNG+DNR-DNB)。
可见差异植被指数(VDVI)的计算公式如下:
VDVI=(2DNG-DNR-DNB)/(2DNG+DNR+DNB)。
过剩绿色指数(EXG)的计算公式如下:
EXG=(2DNG-DNR)/(DNG+DNR+DNB)。
纹理指数:
均值()的计算公式如下:
。
均匀度(Hom)的计算公式如下:
。
异质性(Dis)的计算公式如下:
。
相关性(Cor)的计算公式如下:
。
方差()的计算公式如下:
。
熵(Ent)的计算公式如下:
。
对比度(Con)的计算公式如下:
Con=。
下面以青岛市即墨市东部海域的田横岛为例,对上述过程进行具体介绍:
首先进行实地勘探,布设像控点,确定飞行路线,获取完整的海岛植被冠层结构。本次无人机飞行数据为2021年1月于田横岛上由无人机搭载倾斜摄影相机获得,飞行高度100m,飞行姿态以单相机倾角45度环绕飞行,获取的点云数据密度为27点/平方米。倾角45度为相机镜头视线与所拍物体固定正面夹角为45度。
田横岛乔木部分主要以刺槐和黑松为主,黑松属针叶林,树冠轮廓较为明显,冠幅大都不重叠。刺槐属阔叶林,树冠之间遮挡严重,冠幅大都重叠,对于道路以及房屋旁的散生木,大都属于单木,仅通过倾斜摄影即可获得详细的单木属性。根据灰度共生矩阵计算两树种的纹理特征,根据波段运算计算两树种的光谱特征。发现两树种纹理特征与光谱特征有明显的区别,使用随机森林算法对两树种的树木进行分类,并按类别提取出不同类别树种的点云。
根据郁闭度区分算法对海岛不同郁闭度的植被地区进行分类,识别出其的区域类型:单木区域、冠幅重叠区域、冠幅不重叠区域。
选取田横岛典型的森林类型,共布设32个样地进行调查,单个样地为50m×50m正方形样地,采用地基雷达在样地四周以及中心区域进行多角度的扫描,每次扫描3min以获取样地内详细的林下结构。样地应包括单木、冠幅重叠、冠幅不重叠的三种植被类型,识别每一样地的区域类型。在样地调查过程中,每个样地随机选取典型树木,采取每木检尺法获取这些树木的胸径、树高、冠幅等信息,并利用GPS定位系统获取这些树木的X、Y坐标。与地基雷达或倾斜摄影获取的数据进行比较,确定地基雷达与倾斜摄影获取的数据无误,并通过该数据对比单木分割的精度。
对地基雷达获取到的点云文件进行粗差剔除、抽稀,重采样,去噪等操作,并将点云数据转为相同的格式,样方内的点云数据,以地基雷达数据为基准,通过迭代最邻近点的配准方法,对倾斜摄影测量获取的数据进行配准,最终获取高精度的海岛植被三维结构模型。对融合后的点云文件进行抽稀,重采样,去噪、分类等操作,分离出地面点与植被点,获取样地的数字高程模型以及数字表面模型,并基于正射影像对模型进行平滑,修补等处理。基于修改后的数字高程模型以及数字表面模型获取森林用地的冠层高度模型。
基于植被的冠层高度模型,通过局域最大值算法获取单木树顶的位置并生成种子点,由于海岛植被种类结构复杂,部分区域可能需要人工对种子点的位置进行修改。基于分水岭算法与种子点数据再次对植被进行单木分割,获取单木树高、冠幅等属性。分割后的单木数据可基于DBSCAN聚类算法进行树干的探测,获取单木1.3m处的胸径信息。此时散生木、黑松样地内的树木以及刺槐木已全部分割完成。
获取黑松树高、冠幅与胸径之间的预测模型。对于冠层不重叠的样地区域,剔除其他种类的树木,基于线性回归、支持向量机、随机森林等方法进行回归分析。选取80%的数据作为训练集,制作样本数据。对冠幅、树高与胸径之间的关系进行回归分析,确定树高、冠幅与胸径之间的回归模型,并使用剩余20%的数据集进行精度验证。若精度达到要求,即可通过该模型对全部该树种的单木胸径进行预测,获取黑松全部单木的胸径信息。
对于冠幅重叠的植被地区,可通过不同的软件对样地植被指数、纹理指数、高度变量、强度变量、郁闭度、叶面积指数等森林参数进行提取,并选取合适的森林参数迭代获取不同树种的生物量的预测模型。
冠层重叠的区域根据回归模型对岛屿其他相似样地生物量进行预测。冠层重叠以及散生木区域基于不同树种的异速生长方程计算整片森林地区该树种乔木部分的生物量,黑松以及刺槐的生物量计算公式如下表所示(公式来自第二次森林普查):
树种为黑松时,其地上生物量M1计算公式如下:
MS=-25.244+4.7759D;
MB=1.0395+0.0140(D2H);
ML=0.4234+0.0122(D2H);
M1=MS+MB+ML。
黑松的地下生物量MR计算公式如下:
MR=0.0180D2.7546。
黑松全树生物量Mhs计算公式如下:
Mhs=0.1425(D2H)0.9181。
树种为刺槐时,其地上生物量M2计算公式如下:
MS=0.312+0.016(D2H);
MB=0.161+0.003(D2H);
ML=0.091+0.003(D2H);
M2=MS+MB+ML。
刺槐的地下生物量MR计算公式如下:
MR=0.0180D2.7546。
刺槐全树生物量Mch计算公式如下:
Mch=0.1425(D2H)0.9181。
其中,MS为树干生物量(kg);MB为树枝生物量(kg);ML为树叶生物量(kg);D为胸径(cm);H为树高;样地的总森林地上生物量计算为样地中所有胸径大于6cm的单木生物量之和。
计算灌木、草本植物的生物量,叠加获取整片海滨地区的生物量。选取合适的森林参数进行逐步回归分析,构建各个变量的预测模型,针对树种、环境相似的岛屿,可根据此模型估算岛屿森林地上生物量、蓄积量、胸高断面积等参数。回归分析流程如图4所示。
本发明具有以下有益效果:
相比于传统的遥感生物量估测方法,本发明基于多源(无人机+地面站)激光点云数据的不同郁闭度(单木、冠层不重叠、冠层重叠)进行植被生物量估算,采用倾斜摄影测量结合地面雷达可准确获取样地的真实三维数据,大大提高了滨海植被生物量的估测精度。且传统的生物量估算方法大都需要实地勘测单木树高及胸径,耗费大量的时间以及人力物力,并且对于林下灌木、草本植物生物量大都忽略不计,对于滨海植被生物量的估测具有极大的不确定性。
滨海地区环境复杂,水域众多,许多水生植物根系都在水中,外业测量单木信息并不现实,由于雷达数据可穿透水体,可获取乔木完整植被水下的根系结构,这为滨海植被的监测提供了新的思路。通过地基或船载雷达进行林下或水下植被的三维重建,可将大量的外业工作转为内业进行处理,并根据一定的解译规则,可精确的获取单个树木及林下灌木的三维结构,为后续的生物量计算以及机器学习奠定了基础。由于雷达数据相对昂贵,且部分区域仅通过倾斜摄影即可满足人们的需求,根据海岛森林郁闭度的不同情况,将滨海植被分为单木、冠幅重叠与冠幅不重叠三种区域,并基于三种不同的区域制定不同的应对方法,既防止了数据的浪费,又降低了数据的获取成本。
本发明选取分类效果较好的样地计算获取植被森林参数,通过机器学习进行回归分析,训练海岛生物量的预测模型,为估算其他相似海滨地区的植被生物量提供了解决思路。对于陌生的海岛,由于生物量模型大都以胸径和树高为参数,可以通过无人机倾斜摄影获取岛屿的三维模型,并基于获取的三维数据进行树种区分,根据郁闭度不同的植被类型选取不同的计算方法,为后续的生物量估算奠定了基础。
相比于传统的模型预测,本发明集中于样方水平反演生物量,这种方法虽然简便,但精度往往会随着森林异质性的增强而降低。本实施例把注意力集中在树种水平,首先进行树种的分类,剔除掉样方内的其他树种,降低森林的异质性,然后进行模型的训练,相比于传统的方法,精度得到了极大的改善。并且针对于相似地区含有该树种的样地,具有较强的移植性,为建立该树种其他类型的异速生长方程提供可能。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述滨海植被地上生物量的估算方法的步骤。
请参见图5,图5是本申请提供的一种计算机设备的结构示意图。如图5所示,计算机设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,计算机设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图5所示的计算机设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现上述实施例所述的滨海植被地上生物量的估算方法,这里将不再进行赘述。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适用于由处理器加载并执行上述实施例所述的滨海植被地上生物量的估算方法,这里将不再进行赘述。
上述程序可被部署在一个计算机设备上执行,或者被部署位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。
上述计算机可读存储介质可以是上述计算机设备的内部存储单元,例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(smartmediacard,SMC),安全数字(securedigital,SD)卡,闪存卡(flashcard)等。进一步地,该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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。
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。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种滨海植被地上生物量的估算方法,其特征在于,所述滨海植被地上生物量的估算方法包括:
获取目标区域的倾斜摄影点云数据;所述倾斜摄影点云数据由无人机携带相机基于倾斜摄影测量得到;
根据所述倾斜摄影点云数据计算所述目标区域的郁闭度;
根据所述目标区域的郁闭度对所述目标区域进行区域类型识别,得到所述目标区域的区域类型;区域类型包括单木区域、冠幅不重叠区域和冠幅重叠区域;
当目标区域为单木区域时,根据倾斜摄影点云数据确定目标区域内每颗乔木的生物量计算参数或生物量计算参数组;生物量计算参数包括胸径,生物量计算参数组包括树高和胸径;
当目标区域为冠幅不重叠区域时,根据倾斜摄影点云数据确定目标区域内每颗乔木的树高与冠幅;对于目标区域内每颗乔木,将乔木的树高与冠幅输入至训练好的胸径预测模型中,得到乔木的胸径;训练好的胸径预测模型是以样本乔木的样本树高与样本冠幅为输入,以样本乔木的样本胸径为标签,训练得到的模型;
当目标区域为冠幅重叠区域时,采用雷达对目标区域进行扫描,得到雷达数据,并将倾斜摄影点云数据和雷达数据进行配准,得到目标区域内每颗乔木的生物量计算参数或生物量计算参数组;
根据目标区域内每颗乔木的生物量计算参数或生物量计算参数组计算目标区域的乔木地上生物量;
采用雷达对目标区域内乔木冠层下方的区域进行扫描,得到目标区域内每颗灌木的灌木生物量计算参数或灌木生物量计算参数组以及草本植物的草本植物生物量计算参数;灌木生物量计算参数包括地径;灌木生物量计算参数组包括地径和株高;草本植物生物量计算参数为目标区域内草本植物的总面积;
根据目标区域内每颗灌木的灌木生物量计算参数或灌木生物量计算参数组计算目标区域内灌木地上生物量;
根据所述草本植物生物量计算参数计算所述目标区域内草本植物地上生物量;
将所述乔木地上生物量、所述灌木地上生物量以及所述草本植物地上生物量相加,得到所述目标区域的地上生物量。
2.根据权利要求1所述的滨海植被地上生物量的估算方法,其特征在于,根据所述目标区域内每颗乔木的生物量计算参数或生物量计算参数组计算所述目标区域的乔木地上生物量,具体包括:
确定所述目标区域内每颗乔木的树种类型;
根据所述目标区域内每颗乔木的树种类型以及每颗乔木的生物量计算参数或生物量计算参数组计算每颗乔木的地上生物量;
将所述目标区域内所有乔木的地上生物量相加得到所述目标区域的乔木地上生物量。
3.根据权利要求2所述的滨海植被地上生物量的估算方法,其特征在于,确定所述目标区域内每颗乔木的树种类型,具体包括:
获取所述目标区域内每颗乔木的类别参数;所述类别参数包括冠幅大小、表面体积、粗糙度、植被指数和纹理指数;
将所述类别参数输入至训练好的树种类型识别模型中,得到所述目标区域内每颗乔木的树种类型;所述训练好的树种类型识别模型是以样本植被的样本类别参数为输入,以所述样本植被的树种类型为标签,训练得到的模型。
4.根据权利要求2所述的滨海植被地上生物量的估算方法,其特征在于,所述根据所述目标区域内每颗乔木的树种类型以及每颗乔木的生物量计算参数或生物量计算参数组计算每颗乔木的地上生物量,具体包括:
根据所述目标区域内每颗乔木的树种类型从或/>或/>中选取相应的生物量计算公式;
根据选取生物量计算公式计算每颗乔木的地上生物量;其中,M1为目标区域内每颗乔木的地上生物量;D为胸径;H为树高;a、b、c为参数。
5.根据权利要求1所述的滨海植被地上生物量的估算方法,其特征在于,根据所述目标区域内每颗灌木的所述灌木生物量计算参数或灌木生物量计算参数组计算所述目标区域内灌木地上生物量,具体包括:
根据或/>计算所述目标区域每颗灌木的地上生物量;其中,M2为目标区域内每颗灌木的地上生物量;L为地径;K为株高;e、f、g为参数;
将所有灌木的地上生物量相加,得到所述目标区域内灌木地上生物量。
6.根据权利要求1所述的滨海植被地上生物量的估算方法,其特征在于,根据所述草本植物生物量计算参数计算所述目标区域内草本植物地上生物量,具体包括:
根据计算目标区域内草本植物的地上生物量,其中,M3为目标区域内草本植物的地上生物量;W为单位面积内草本植物的地上生物量;A为目标区域内草本植物的总面积。
7.根据权利要求1所述的滨海植被地上生物量的估算方法,其特征在于,所述根据所述倾斜摄影点云数据计算所述目标区域的郁闭度,具体包括:
根据或/>计算所述目标区域的郁闭度;其中,CC为目标区域的郁闭度,Ctree为树冠的垂直投影面积,Ctotal为目标区域的森林总面积,Ntree为目标区域内植被点云数,Ntotal为目标区域点云总点数;所述树冠的垂直投影面积、所述目标区域的森林总面积、所述目标区域内植被点云数和所述目标区域点云总点数为倾斜摄影点云数据。
8.根据权利要求1所述的滨海植被地上生物量的估算方法,其特征在于,所述根据所述目标区域的郁闭度对所述目标区域进行区域类型识别,得到所述目标区域的区域类型,具体包括:
当所述目标区域的郁闭度小于第一设定值时,所述目标区域的区域类型为单木区域;
当所述目标区域的郁闭度大于或等于所述第一设定值且小于或等于第二设定值时,所述目标区域的区域类型为冠幅不重叠区域;所述第一设定值小于所述第二设定值;
当所述目标区域的郁闭度大于所述第二设定值时,将所述目标区域内每两两相邻的植被,记为i和j,将植被i的树干顶点和植被j的树干顶点的水平距离作为所述植被i和所述植被j的距离;
当所述距离小于所述植被i和所述植被j的半径之和时,记为所述植被i和所述植被j冠幅重叠;所述半径之和为第一冠幅和第二冠幅之和;所述第一冠幅为所述植被i冠幅的一半;所述第二冠幅为与所述植被i的冠幅相邻方向所述植被j冠幅的一半;
遍历所述目标区域内所有相邻的植被,得到所有相邻植被记为冠幅重叠的数量;
当所述数量大于设定阈值时,所述目标区域的区域类型为冠幅重叠区域;当所述数量不大于设定阈值时,所述目标区域的区域类型为冠幅不重叠区域。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序适用于由处理器加载并执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943342.6A CN116665081B (zh) | 2023-07-31 | 2023-07-31 | 一种滨海植被地上生物量的估算方法、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943342.6A CN116665081B (zh) | 2023-07-31 | 2023-07-31 | 一种滨海植被地上生物量的估算方法、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116665081A CN116665081A (zh) | 2023-08-29 |
CN116665081B true CN116665081B (zh) | 2023-10-13 |
Family
ID=87712186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310943342.6A Active CN116665081B (zh) | 2023-07-31 | 2023-07-31 | 一种滨海植被地上生物量的估算方法、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665081B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033484A (zh) * | 2019-04-22 | 2019-07-19 | 福州大学 | 一种结合uav影像和tls点云的高郁闭森林样地树高提取方法 |
CN110221311A (zh) * | 2019-06-11 | 2019-09-10 | 南京林业大学 | 基于tls和uav自动化提取高郁闭林分树高的方法 |
CN110276757A (zh) * | 2019-06-25 | 2019-09-24 | 北京林业大学 | 一种基于倾斜像片进行高郁闭度人工林区域单木生物量制图技术 |
CN112287892A (zh) * | 2020-11-23 | 2021-01-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7917346B2 (en) * | 2008-02-19 | 2011-03-29 | Harris Corporation | Geospatial modeling system providing simulated tree trunks and branches for groups of tree crown vegetation points and related methods |
ES2945141T3 (es) * | 2017-03-23 | 2023-06-28 | Nec Corp | Aparato y método de cálculo de índices de vegetación y programa informático |
-
2023
- 2023-07-31 CN CN202310943342.6A patent/CN116665081B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033484A (zh) * | 2019-04-22 | 2019-07-19 | 福州大学 | 一种结合uav影像和tls点云的高郁闭森林样地树高提取方法 |
CN110221311A (zh) * | 2019-06-11 | 2019-09-10 | 南京林业大学 | 基于tls和uav自动化提取高郁闭林分树高的方法 |
CN110276757A (zh) * | 2019-06-25 | 2019-09-24 | 北京林业大学 | 一种基于倾斜像片进行高郁闭度人工林区域单木生物量制图技术 |
CN112287892A (zh) * | 2020-11-23 | 2021-01-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 |
Non-Patent Citations (4)
Title |
---|
Leaf density-based modelling of phototropic crown dynamics and long-term predictive application to European beech;Robert Beyer等;Ecological Modelling;全文 * |
倾斜摄影测量技术提取南方人工林单木参数;尹田;中国优秀硕士学位论文全文数据库;全文 * |
基于无人机可见光影像的毛竹林郁闭度估测方法;王雨阳,等;浙江农林大学学报;全文 * |
基于无人机影像匹配点云的苗圃单木冠层三维分割;陈崇成;李旭;黄洪宇;;农业机械学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116665081A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381861B (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
Guerra-Hernández et al. | Comparison of ALS-and UAV (SfM)-derived high-density point clouds for individual tree detection in Eucalyptus plantations | |
CN110378909B (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
Koukoulas et al. | Mapping individual tree location, height and species in broadleaved deciduous forest using airborne LIDAR and multi‐spectral remotely sensed data | |
CN113034689A (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
CN107479065B (zh) | 一种基于激光雷达的林窗立体结构量测方法 | |
Bucksch et al. | Breast height diameter estimation from high-density airborne LiDAR data | |
Kim et al. | Estimation of carbon storage based on individual tree detection in Pinus densiflora stands using a fusion of aerial photography and LiDAR data | |
CN109766824B (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
Putman et al. | Automated estimation of standing dead tree volume using voxelized terrestrial lidar data | |
Ferraz et al. | Canopy density model: A new ALS-derived product to generate multilayer crown cover maps | |
Li et al. | A new approach for estimating living vegetation volume based on terrestrial point cloud data | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
CN112906719A (zh) | 基于消费级深度相机的立木因子测量方法 | |
Korpela et al. | The performance of a local maxima method for detecting individual tree tops in aerial photographs | |
CN116665081B (zh) | 一种滨海植被地上生物量的估算方法、计算机设备及介质 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
Yun et al. | Stratifying forest overstory and understory for 3-D segmentation using terrestrial laser scanning data | |
CN114005027A (zh) | 一种基于无人机影像的城市单木检测系统及方法 | |
CN112241440B (zh) | 一种基于LiDAR点云数据的三维绿量估算及管理方法 | |
CN114386828A (zh) | 海岛景观三维指数构建方法 | |
Leeuwen et al. | Stem detection and measuring DBH using terrestrial laser scanning. | |
Ghebremichael | Airborne LiDAR and terrestrial laser scanner (TLS) in assessing above ground biomass/carbon stock in tropical rainforest of Ayer Hitam forest reserve, Malaysia | |
Smreček et al. | Automated tree detection and crown delineation using airborne laser scanner data in heterogeneous East-Central Europe forest with different species mix |
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 |