CN116778303B - 一种基于无人机遥感的植被覆盖度测量方法 - Google Patents
一种基于无人机遥感的植被覆盖度测量方法 Download PDFInfo
- Publication number
- CN116778303B CN116778303B CN202311075529.5A CN202311075529A CN116778303B CN 116778303 B CN116778303 B CN 116778303B CN 202311075529 A CN202311075529 A CN 202311075529A CN 116778303 B CN116778303 B CN 116778303B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- data
- unmanned aerial
- aerial vehicle
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 238000005286 illumination Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000000691 measurement method Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 27
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- 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
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及植被覆盖测量技术领域,且公开了一种基于无人机遥感的植被覆盖度测量方法,通过网格划分和地面控制点确定,无人机预飞行获取多源数据,从而提高测量精度,残差系数的计算将路径差、拍照差、大气干扰、光照干扰纳入考虑,权衡不同因素,获得准确的残差系数,此外,对飞行阻力和转向阻力的考量使得飞行过程更贴近实际,进一步提升结果可靠性,修正系数的引入能够避免极端结果的出现,增强了方法的稳定性,重复计算步骤进一步提高了残差系数的精准性,为系统整体可靠性提供了保障,评估标准的设定能够快速判断结果合理性,进一步增强了方法的可靠性。
Description
技术领域
本发明涉及植被覆盖测量技术领域,具体为一种基于无人机遥感的植被覆盖度测量方法。
背景技术
植被覆盖度是描述地表被植被覆盖程度的指标,通常用于环境监测、生态学研究以及土地利用规划,利用卫星或无人机获取的遥感影像进行分析,通过图像处理和分类算法来测量植被覆盖度。常见的遥感影像包括多光谱和高光谱影像,可以通过不同的波段来识别和区分不同类型的植被。
在基于无人机遥感的植被覆盖度测量方法中,残差值可以用于评估测量结果的准确性和模型的拟合程度。
在一般的作业中,残差值的选择多为考虑外部因素,但是在实际的飞行遥感测量中,无人机的自身因素也会对残差值造成一定的干扰,进而导致残差值不准确,影响后续的图像定位结果。
发明内容
本发明提供了一种基于无人机遥感的植被覆盖度测量方法,具备将外部气象数据与无人机自身数据结合的有益效果,解决了上述背景技术中所提到导致残差值不准确,影响后续的图像定位结果的问题。
本发明提供如下技术方案:一种基于无人机遥感的植被覆盖度测量方法,包括以下步骤:
S1、对测量区域进行网格划分,并确定地面控制点,获取校准基本值;
S2、启动无人机对制定的地面控制点进行预飞行,分别获取无人机的相关数据和测量区域的气象相关数据,所述无人机的相关数据记为第一数据组,所述测量区域的气象相关数据记为第二数据组;
S3、将第一数据与第二数据组结合并进行计算,进而获取残差系数,具体计算公式如下:
;
式中为路径差系数,由第一数据和第二数据结合计算获取,/>为其权重系数,式中/>为拍照差值系数,由第一数据和第二数据结合计算获取,/>为其权重值,式中/>为大气干扰系数,由第二数据计算获取,/>为其权重系数,式中/>为光照干扰系数,由第二数据计算获取,/>其权重系数;
式中为修正系数,/>,且/>,且的值由客户自行选取设置;
S4、重复S2~S3步骤若干次,以提高残差系数的精准性;
S5、再次启动无人机,驱动其按照预先划分好的区域,沿着制定的地面控制点进行遥感检测以获取检测值;
S6、将检测值与残差系数/>结合计算获取其结果,将结果与校准基本值进行比较,当二者出现差值/>时,将差值/>与评估标准进行比较,以确定差值/>是否合理。
作为本发明所述基于无人机遥感的植被覆盖度测量方法的一种可选方案,其中:所述路径差系数代表无人机在飞行实际路径与预计距离的差值系数;
所述拍照差值系数代表无人机在进行拍照时所产生的成像差值系数;
所述大气干扰系数代表无人机在飞行过程中受到的大气数据干扰系数;
所述光照干扰系数代表无人机在飞行过程中因为光照对成像造成干扰系数。
作为本发明所述基于无人机遥感的植被覆盖度测量方法的一种可选方案,其中:所述第一数据组包括无人机的平移能力系数、旋转能力系数/>以及拍照缩放清晰度系数/>;
所述第二数据组包括风力强度系数、气压强度系数/>、光照强度系数/>以及大气散射系数/>。
作为本发明所述基于无人机遥感的植被覆盖度测量方法的一种可选方案,其中:所述S3步骤中拍照差值系数通过以下公式计算获取:
;
式中为第一数据中的无人机的平移能力系数,/>为第一数据中的无人机旋转能力系数,/>为第一数据中的拍照缩放清晰度系数;
式中为第二数据中的光照强度系数,/>为第二数据中的大气散射系数;
和/>分别为与其进行乘积运算的数据的权重值,分别代表其在计算中所占的比重,并且/>,且/>,/>和/>的值由客户自行选取设置。
作为本发明所述基于无人机遥感的植被覆盖度测量方法的一种可选方案,其中:所述飞行阻力系数和转向阻力系数/>分别通过以下公式计算获取:
;
;
式中为第一数据中的无人机的平移能力系数,/>为第一数据中的无人机旋转能力系数,/>为第二数据中的风力强度系数,/>为第二数据中的气压强度系数。
作为本发明所述基于无人机遥感的植被覆盖度测量方法的一种可选方案,其中:所述S3步骤中拍照差值系数通过以下公式计算获取:
;
式中为第一数据中的无人机的平移能力系数,/>为第一数据中的无人机旋转能力系数,/>为第一数据中的拍照缩放清晰度系数;
式中为第二数据中的,/>为第二数据中的;
和/>分别为与其进行乘积运算的数据的权重值,分别代表其在计算中所占的比重,并且/>,且/>,/>和/>的值由客户自行选取设置。
作为本发明所述基于无人机遥感的植被覆盖度测量方法的一种可选方案,其中:所述S3步骤中大气干扰系数通过下述公式计算获取:
;
式中为第二数据中的风力强度系数,/>为风力强度系数/>的权重值,/>为第二数据中的气压强度系数,/>为气压强度系数/>的权重值;
式中,且/>,/>和/>的值由客户自行选取设置;
所述S3步骤中的光照干扰系数通过下述公式计算获取:
;
式中为第二数据组中的光照强度系数,/>为第二数据组中的大气散射系数。
作为本发明所述基于无人机遥感的植被覆盖度测量方法的一种可选方案,其中:所述S6步骤中差值通过下述公式计算获取:
;
式中为无人机遥感检测后获取的检测值,/>为计算获取的残差系数。
作为本发明所述基于无人机遥感的植被覆盖度测量方法的一种可选方案,其中:所述评估标准包括第一阙值和第一阈值,具体评估方式如下:
当差值第一阙值时,代表无人机遥感检测结果误差值低;
当差值/>第一阈值时,代表无人机遥感检测结果误差值适中;
当差值第一阈值时,代表无人机遥感检测结果误差值高。
本发明还提供一种基于无人机遥感的植被覆盖度测量系统,包括上述说明书中所提及的基于无人机遥感的植被覆盖度测量方法,其中:包括以下模块:
区域划分模块, 负责对测量区域进行网格划分,确定地面控制点;
采集模块,对预定的地面控制点进行预飞行,获取无人机相关数据组成的第一数据组和测量区域的气象相关数据组成的第二数据组,通过正常飞行获取检测值;
计算模块,将第一数据组和第二数据组的数据进行结合和计算,得出残差系数,并根据需要,重复执行预飞行、数据获取和残差系数计算步骤,以提高残差系数/>的精准性;
对比模块,将检测值与残差系数/>结合,进行综合计算,得出测量结果,将结果与校准基本值进行比较,根据预设的评估标准判断结果的合理性。
本发明具备以下有益效果:
1、该基于无人机遥感的植被覆盖度测量方法,通过网格划分和地面控制点确定,无人机预飞行获取多源数据,从而提高测量精度,残差系数的计算将路径差、拍照差、大气干扰、光照干扰纳入考虑,权衡不同因素,获得准确的残差系数,此外,对飞行阻力和转向阻力的考量使得飞行过程更贴近实际,进一步提升结果可靠性,修正系数的引入能够避免极端结果的出现,增强了方法的稳定性,重复计算步骤进一步提高了残差系数的精准性,为系统整体可靠性提供了保障,评估标准的设定能够快速判断结果合理性,进一步增强了方法的可靠性。
2、该基于无人机遥感的植被覆盖度测量方法,数据采集过程自动化,利用无人机技术可以快速覆盖大面积区域,遥感数据获取高效迅速,通过对多源数据的计算和综合,一次飞行即可获得较为准确的测量结果,提高了测量的效率,各因素的权重可由用户自行设定,根据不同需求进行调整,使方法适应多样化的应用场景,重复计算步骤进一步提高精准性的同时,也不会明显增加整体测量时间,实现了高效的数据处理流程,整体而言,这种基于无人机遥感的植被覆盖度测量方法在可靠性和高效性方面都呈现出显著的优势。
附图说明
图1为本发明方法流程示意图。
图2为本发明系统流程示意图。
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。
实施例1:
请参阅图1-图2,一种基于无人机遥感的植被覆盖度测量方法,其特征在于:包括以下步骤:
S1、对测量区域进行网格划分,并确定地面控制点,获取校准基本值;
S2、启动无人机对制定的地面控制点进行预飞行,分别获取无人机的相关数据和测量区域的气象相关数据,所述无人机的相关数据记为第一数据组,所述测量区域的气象相关数据记为第二数据组;
S3、将第一数据与第二数据组结合并进行计算,进而获取残差系数,具体计算公式如下:
;
式中为路径差系数,由第一数据和第二数据结合计算获取,/>为其权重系数,式中/>为拍照差值系数,由第一数据和第二数据结合计算获取,/>为其权重值,式中/>为大气干扰系数,由第二数据计算获取,/>为其权重系数,式中/>为光照干扰系数,由第二数据计算获取,/>其权重系数;
式中为修正系数,/>,且/>,且的值由客户自行选取设置;
S4、重复S2~S3步骤若干次,以提高残差系数的精准性;
S5、再次启动无人机,驱动其按照预先划分好的区域,沿着制定的地面控制点进行遥感检测以获取检测值;
S6、将检测值与残差系数/>结合计算获取其结果,将结果与校准基本值进行比较,当二者出现差值/>时,将差值/>与评估标准进行比较,以确定差值/>是否合理。
所述路径差系数代表无人机在飞行实际路径与预计距离的差值系数;
所述拍照差值系数代表无人机在进行拍照时所产生的成像差值系数;
所述大气干扰系数代表无人机在飞行过程中受到的大气数据干扰系数;
所述光照干扰系数代表无人机在飞行过程中因为光照对成像造成干扰系数。
所述第一数据组包括无人机的平移能力系数、旋转能力系数/>以及拍照缩放清晰度系数/>;
所述第二数据组包括风力强度系数、气压强度系数/>、光照强度系数/>以及大气散射系数/>。
本实施例中:本方法首先将测量区域划分为网格单元,并选定地面控制点,设置地面控制点的作用在于对测量提供参考基准进而确立校准基本值。
其次,本方法通过让无人机进行预飞行,别获取无人机的相关数据和测量区域的气象相关数据,进而通过上述两组数据分别构建成像定位必要的第一数据数和第二数据。
之后,本方法将获取到的第一数据和第二数据进行结合计算获取残差系数,并多次进行检测以最大程度的提高残差系数/>的精确性,避免其对后续计算结果的准确性造成干扰,再通过该残差系数/>与正常遥感检测获取的检测值/>进行结合并与校准基本值进行结合,获取差值。
通过差值与评估标准进行对比,获取最终结果。
本方法通过上述流程通过多因素残差系数计算,综合考虑路径差、拍照差、大气干扰和光照干扰等因素,提高了测量精度,并且通过结合第二数据组中的气象相关数据对无人机数据进行校准,减少大气影响,使测量结果更准确,过多次精化计算不断优化残差系数提升了测量结果的稳定性和准确性,通过将检测值与经过多次精化计算得出的残差系数结合,与校准基本值进行比较判断测量结果的可靠性提高了实验结果的信赖度,最终实现了对植被覆盖度的高精度测量,使得结果具备更高科研应用价值。
实施例2:
请参阅图1-图2,所述S3步骤汇总路径差系数通过以下公式计算获取:
;
式中为飞行阻力系数,由第一数据和第二数据结合计算获取,飞行阻力系数代表了无人机在飞行过程中因为外部因素和自身性能因素所导致的飞行时受到的阻力系数,/>为其权重系数,代表飞行阻力系数/>在计算中所占的比重;
式中为转向阻力系数,由第一数据和第二数据结合计算获取,转向阻力系数代表了无人机在飞行过程中因为外部因素和自身性能因素所导致的转向时受到的阻力系数,/>为其权重系数,代表转向阻力系数/>在计算中所占的比重;
式中,且/>,/>和/>的值由客户自行选取设置;
式中为修正系数,用于修正结果值过大或过小以导致运算结果极端化,其具体值由客户自行选取设置。
本实施例中:该方法引入了飞行阻力系数和转向阻力系数,以捕捉无人机飞行过程中由外部因素和飞行性能引起的阻力影响。
结合路径差系数、拍照差值系数、大气干扰系数和光照干扰系数,将飞行阻力系数和转向阻力系数一同考虑。这种综合计算更加全面地反映了无人机在飞行过程中受到的各种影响,提高了测量的精确性和可靠性。
飞行阻力系数和转向阻力系数的权重,可由用户自行设置。这使得方法能够适应不同环境和实际情况,确保结果的灵活性和准确性。
方法通过引入飞行阻力系数和转向阻力系数,综合考虑多种因素,加权计算,允许个性化参数设置,并应用修正系数,从而进一步提升了植被覆盖度测量方法的准确性、适用性和可靠性。
实施例3:
请参阅图1-图2,所述飞行阻力系数和转向阻力系数/>分别通过以下公式计算获取:
;
;
式中为第一数据中的无人机的平移能力系数,/>为第一数据中的无人机旋转能力系数,/>为第二数据中的风力强度系数,/>为第二数据中的气压强度系数。
本实施例中:飞行阻力系数由平移能力系数和风力强度系数组合计算,平移能力系数代表无人机在平移过程中的能力,风力强度系数和气压强度系数表示第二数据组中的风力和气压强度,该计算将无人机的平移能力、环境风力和气压因素综合考虑,获得飞行阻力系数。
转向阻力系数则由旋转能力系数和风力强度系数以及气压强度系数综合计算,旋转能力系数表征无人机在转向过程中的性能,通过结合旋转能力和环境因素,获得了转向阻力系数。
方法引入了飞行和转向能力的考量,通过综合平移、旋转能力以及环境因素,这一方法更全面地捕捉了无人机飞行过程中的多种影响因素,提高了测量的精确性和可靠性。
实施例4:
请参阅图1-图2,所述S3步骤中拍照差值系数通过以下公式计算获取:
;
式中为第一数据中的无人机的平移能力系数,/>为第一数据中的无人机旋转能力系数,/>为第一数据中的拍照缩放清晰度系数;
式中为第二数据中的光照强度系数,/>为第二数据中的大气散射系数;
和/>分别为与其进行乘积运算的数据的权重值,分别代表其在计算中所占的比重,并且/>,且/>,/>和/>的值由客户自行选取设置。
本实施例中:拍照差值系数的计算涉及多个因素,其中涵盖了无人机的平移能力系数、旋转能力系数、拍照缩放清晰度系数、权重值表各数据在计算中的相对重要性可以由用户根据需求进行设定。
通过将平移能力、旋转能力、拍照清晰度、环境数据和权重因素综合考虑,该方法计算拍照差值系数,以更准确地描述无人机飞行和拍照过程中的差异情况,并以此改善植被覆盖度测量的准确性和可靠性。
实施例5:
请参阅图1-图2,所述S3步骤中大气干扰系数通过下述公式计算获取:
;
式中为第二数据中的风力强度系数,/>为风力强度系数/>的权重值,/>为第二数据中的气压强度系数,/>为气压强度系数/>的权重值;
式中,且/>,/>和/>的值由客户自行选取设置。
本实施例中:大气干扰系数的计算涉及风力强度系数和气压强度系数,通过乘以各自的权重值进行加权计算,风力强度系数代表无人机在飞行过程中受到的风的影响,气压强度系数则代表气压变化对飞行的干扰,权重值分别表示风力和气压强度的相对重要性,用户可以根据需求设定这些值。
通过将风力强度、气压强度和其对应的权重进行综合计算,这一方法计算大气干扰系数,从而更准确地反映无人机飞行过程中大气因素的影响,使本方法更加精确地评估植被覆盖度,提升了测量结果的准确性和可信度。
实施例6:
请参阅图1-图2,所述S3步骤中的光照干扰系数通过下述公式计算获取:
;
式中为第二数据组中的光照强度系数,/>为第二数据组中的大气散射系数。
本实施例中:光照干扰系数的计算仅涉及第二数据组中的两个参数,即光照强度系数和大气散射系数,这两个参数相乘,用于确定光照在无人机飞行和图像采集过程中对成像造成的干扰。光照强度系数反映环境光照的变化,而大气散射系数则衡量大气中的散射对光照的影响。
方法的效果在于增强了对植被覆盖度测量的准确性,通过综合考虑路径差、拍照差、大气干扰和光照干扰等因素,使得方法在实际应用中能够更加精确地评估植被覆盖的情况,提高了测量结果的可信度和应用价值。
实施例7:
请参阅图1-图2,所述S6步骤中差值通过下述公式计算获取:
;
式中为无人机遥感检测后获取的检测值,/>为计算获取的残差系数。
所述评估标准包括第一阙值和第一阈值,具体评估方式如下:
当差值第一阙值时,代表无人机遥感检测结果误差值低;
当差值/>第一阈值时,代表无人机遥感检测结果误差值适中;
当差值第一阈值时,代表无人机遥感检测结果误差值高。
本实施例中:差值通过计算公式获得,考虑了无人机检测值与校准基本值之间的差异,同时综合考虑了之前的残差系数。
方法的效果在于提供了全面的结果评估机制,不仅提供了数值结果,还将结果与预设的阈值相对比,使研究者能够更准确地判定测量结果的可信度和适用性,进一步增强了该方法在植被覆盖度测量领域的实用性和应用价值。
本发明还提供一种基于无人机遥感的植被覆盖度测量系统,包括上述说明书中所提及的基于无人机遥感的植被覆盖度测量方法,包括以下模块:
区域划分模块, 负责对测量区域进行网格划分,确定地面控制点;
采集模块,对预定的地面控制点进行预飞行,获取无人机相关数据组成的第一数据组和测量区域的气象相关数据组成的第二数据组,通过正常飞行获取检测值;
计算模块,将第一数据组和第二数据组的数据进行结合和计算,得出残差系数,并根据需要,重复执行预飞行、数据获取和残差系数计算步骤,以提高残差系数/>的精准性;
对比模块,将检测值与残差系数/>结合,进行综合计算,得出测量结果,将结果与校准基本值进行比较,根据预设的评估标准判断结果的合理性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于无人机遥感的植被覆盖度测量方法,其特征在于:包括以下步骤:
S1、对测量区域进行网格划分,并确定地面控制点,获取校准基本值;
S2、启动无人机对制定的地面控制点进行预飞行,分别获取无人机的相关数据和测量区域的气象相关数据,所述无人机的相关数据记为第一数据组,所述测量区域的气象相关数据记为第二数据组;
其中第一数据组包括无人机的平移能力系数、旋转能力系数/>以及拍照缩放清晰度系数/>;
第二数据组包括风力强度系数、气压强度系数/>、光照强度系数/>以及大气散射系数/>;
S3、将第一数据与第二数据组结合并进行计算,进而获取残差系数,具体计算公式如下:
;
式中为路径差系数,由第一数据和第二数据结合计算获取,/>为其权重系数,式中为拍照差值系数,由第一数据和第二数据结合计算获取,/>为其权重值,式中/>为大气干扰系数,由第二数据计算获取,/>为其权重系数,式中/>为光照干扰系数,由第二数据计算获取,/>其权重系数;
式中为修正系数,/>,且/>,且/>的值由客户自行选取设置;
路径差系数代表无人机在飞行实际路径与预计距离的差值系数,拍照差值系数/>代表无人机在进行拍照时所产生的成像差值系数,大气干扰系数/>代表无人机在飞行过程中受到的大气数据干扰系数,光照干扰系数/>代表无人机在飞行过程中因为光照对成像造成干扰系数;路径差系数/>通过以下公式计算获取:
;
式中为飞行阻力系数,由第一数据和第二数据结合计算获取,飞行阻力系数/>代表了无人机在飞行过程中因为外部因素和自身性能因素所导致的飞行时受到的阻力系数,/>为其权重系数,代表飞行阻力系数/>在计算中所占的比重;
式中为转向阻力系数,由第一数据和第二数据结合计算获取,转向阻力系数/>代表了无人机在飞行过程中因为外部因素和自身性能因素所导致的转向时受到的阻力系数,/>为其权重系数,代表转向阻力系数/>在计算中所占的比重;
式中,且/>,/>和/>的值由客户自行选取设置;
式中为修正系数,用于修正结果值过大或过小以导致运算结果极端化,其具体值由客户自行选取设置;
飞行阻力系数和转向阻力系数/>分别通过以下公式计算获取:
,
;
式中为第一数据中的无人机的平移能力系数,/>为第一数据中的无人机旋转能力系数,/>为第二数据中的风力强度系数,/>为第二数据中的气压强度系数;
拍照差值系数通过以下公式计算获取:
;
式中为第一数据中的无人机的平移能力系数,/>为第一数据中的无人机旋转能力系数,/>为第一数据中的拍照缩放清晰度系数;
式中为第二数据中的光照强度系数,/>为第二数据中的大气散射系数;
和/>分别为与其进行乘积运算的数据的权重值,分别代表其在计算中所占的比重,并且/>,且/>,/>和/>的值由客户自行选取设置;
大气干扰系数通过下述公式计算获取:
;
式中为第二数据中的风力强度系数,/>为风力强度系数/>的权重值,/>为第二数据中的气压强度系数,/>为气压强度系数/>的权重值;
式中,且/>,/>和/>的值由客户自行选取设置;
光照干扰系数通过下述公式计算获取:
;
式中为第二数据组中的光照强度系数,/>为第二数据组中的大气散射系数;
S4、重复S2~S3步骤若干次,以提高残差系数的精准性;
S5、再次启动无人机,驱动其按照预先划分好的区域,沿着制定的地面控制点进行遥感检测以获取检测值;
S6、将检测值与残差系数/>结合计算获取其结果,将结果与校准基本值进行比较,当二者出现差值/>时,将差值/>与评估标准进行比较,以确定差值/>是否合理。
2.根据权利要求1所述的基于无人机遥感的植被覆盖度测量方法,其特征在于:S6步骤中差值通过下述公式计算获取:
;式中/>为无人机遥感检测后获取的检测值,为计算获取的残差系数。
3.根据权利要求2所述的基于无人机遥感的植被覆盖度测量方法,其特征在于:所述评估标准包括第一阙值和第一阈值,具体评估方式如下:
当差值第一阙值时,代表无人机遥感检测结果误差值低;
当差值/>第一阈值时,代表无人机遥感检测结果误差值适中;
当差值第一阈值时,代表无人机遥感检测结果误差值高。
4.一种基于无人机遥感的植被覆盖度测量系统,包括权利要求1-3任一所述的基于无人机遥感的植被覆盖度测量方法,其特征在于:包括以下模块:
区域划分模块, 负责对测量区域进行网格划分,确定地面控制点;采集模块,对预定的地面控制点进行预飞行,获取无人机相关数据组成的第一数据组和测量区域的气象相关数据组成的第二数据组,通过正常飞行获取检测值;计算模块,将第一数据组和第二数据组的数据进行结合和计算,得出残差系数/>,并根据需要,重复执行预飞行、数据获取和残差系数计算步骤,以提高残差系数/>的精准性;对比模块,将检测值/>与残差系数/>结合,进行综合计算,得出测量结果,将结果与校准基本值进行比较,根据预设的评估标准判断结果的合理性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311075529.5A CN116778303B (zh) | 2023-08-25 | 2023-08-25 | 一种基于无人机遥感的植被覆盖度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311075529.5A CN116778303B (zh) | 2023-08-25 | 2023-08-25 | 一种基于无人机遥感的植被覆盖度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778303A CN116778303A (zh) | 2023-09-19 |
CN116778303B true CN116778303B (zh) | 2023-10-31 |
Family
ID=87989938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311075529.5A Active CN116778303B (zh) | 2023-08-25 | 2023-08-25 | 一种基于无人机遥感的植被覆盖度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778303B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012105973A1 (en) * | 2011-02-02 | 2012-08-09 | Michigan Aerospace Corporation | Atmospheric measurement system and method |
CN109615166A (zh) * | 2018-11-01 | 2019-04-12 | 中国农业科学院农业资源与农业区划研究所 | 一种草原植被退化遥感监测方法和装置 |
CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
WO2021258758A1 (zh) * | 2020-06-22 | 2021-12-30 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN116309670A (zh) * | 2023-05-06 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
-
2023
- 2023-08-25 CN CN202311075529.5A patent/CN116778303B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012105973A1 (en) * | 2011-02-02 | 2012-08-09 | Michigan Aerospace Corporation | Atmospheric measurement system and method |
CN109615166A (zh) * | 2018-11-01 | 2019-04-12 | 中国农业科学院农业资源与农业区划研究所 | 一种草原植被退化遥感监测方法和装置 |
CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
WO2021258758A1 (zh) * | 2020-06-22 | 2021-12-30 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN116309670A (zh) * | 2023-05-06 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
Non-Patent Citations (2)
Title |
---|
基于全球气象再分析资料的InSAR对流层延迟改正研究;唐伟;廖明生;张丽;张路;;地球物理学报(02);全文 * |
基于无人机大样方草地植被覆盖度及生物量估算方法研究;刘艳慧;蔡宗磊;包妮沙;刘善军;;生态环境学报(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116778303A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6680788B2 (ja) | 空の観察領域内の雲を特定及び監視するための検出装置及び方法 | |
KR101926544B1 (ko) | 기상 예측 모델을 이용한 기상 관측 방법, 시스템 및 컴퓨터 프로그램 | |
US11294098B2 (en) | Solar irradiance intensity estimation apparatus, solar irradiance intensity estimation system, and solar irradiance intensity estimation method | |
CN111444801A (zh) | 一种无人机红外目标实时检测方法 | |
CN111932519A (zh) | 天气预测方法、装置、计算机设备和存储介质 | |
JP2007129277A (ja) | 画像処理装置 | |
CN116612103B (zh) | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 | |
CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
WO2020027167A1 (en) | System, method, and non-transitory, computer-readable medium containing instructions for image processing | |
Varjo et al. | Image based visibility estimation during day and night | |
Seiz et al. | Cloud mapping with ground‐based photogrammetric cameras | |
CN116778303B (zh) | 一种基于无人机遥感的植被覆盖度测量方法 | |
Gomes et al. | Implementation of an intelligent sensor for measurement and prediction of solar radiation and atmospheric temperature | |
WO2021212319A1 (zh) | 红外图像处理方法、装置、系统及可移动平台 | |
CN112381882A (zh) | 一种搭载高光谱设备的无人机影像自动化校正方法 | |
CN108614803A (zh) | 一种气象数据质量控制方法及系统 | |
CN111914933A (zh) | 降雪检测方法、装置、计算机设备和可读存储介质 | |
Hawkinson et al. | A comparison of GOES sounder–and cloud lidar-and radar-retrieved cloud-top heights | |
CN111693462A (zh) | 一种高光谱地物反射率测量系统 | |
US20230186594A1 (en) | Information processing apparatus, information processing method, and non-transitory computer readable medium | |
CN116124716A (zh) | 基于近感高光谱的水质监测方法及装置 | |
CN111785094B (zh) | 平流雾检测方法、装置、计算机设备和可读存储介质 | |
CN115331124A (zh) | 一种基于无人机遥感的入侵植物生物量估算方法 | |
RU2589463C1 (ru) | Устройство для определения общего балла облачности на основе прямых цифровых широкоугольных снимков видимой полусферы неба | |
CN113240759A (zh) | 一种基于色温的能见度确定方法、装置、设备及存储介质 |
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 |