CN116893428B - 基于激光点云的森林资源调查与监测方法及系统 - Google Patents

基于激光点云的森林资源调查与监测方法及系统 Download PDF

Info

Publication number
CN116893428B
CN116893428B CN202311161762.5A CN202311161762A CN116893428B CN 116893428 B CN116893428 B CN 116893428B CN 202311161762 A CN202311161762 A CN 202311161762A CN 116893428 B CN116893428 B CN 116893428B
Authority
CN
China
Prior art keywords
tree
point cloud
features
forest
acquiring
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
Application number
CN202311161762.5A
Other languages
English (en)
Other versions
CN116893428A (zh
Inventor
李奕莹
闫振国
秦昂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Institute of Geological Surveying and Mapping
Original Assignee
Shandong Institute of Geological Surveying and Mapping
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Institute of Geological Surveying and Mapping filed Critical Shandong Institute of Geological Surveying and Mapping
Priority to CN202311161762.5A priority Critical patent/CN116893428B/zh
Publication of CN116893428A publication Critical patent/CN116893428A/zh
Application granted granted Critical
Publication of CN116893428B publication Critical patent/CN116893428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
    • 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
    • G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
    • G01S17/875—Combinations of systems using electromagnetic waves other than radio waves for determining attitude
    • 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
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于激光点云的森林资源调查与监测方法及系统，涉及林业监测技术领域，其中森林资源调查与监测方法包括，获取目标林区的地基激光雷达数据及无人机机载激光雷达数据，提取目标林区的三维激光点云；获取树木结构特征确定粗分单木区域，裁剪单木区域的三维激光点云进行聚类完成细分单木分割；构建树种识别模型进行树种识别，生成目标林区的森林资源调查结果；通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，生成监测预警。本发明通过部分激光点云的聚类进行精准的单木分割，满足森林资源调查中获取森林单木的精度需求，同时获取冠幅变化实现森林资源生长状态的动态监测，有利于森林资源的管理利用。

Description

基于激光点云的森林资源调查与监测方法及系统
技术领域
本发明涉及林业监测技术领域，更具体的，涉及一种基于激光点云的森林资源调查与监测方法及系统。
背景技术
森林是我国重要的战略资源，不仅关系着地方经济发展，还关系着社会与自然和谐相处等重大问题。森林资源监管系统建设是对森林资源有效保护和科学管理的重要措施。目前，森林资源监管系统的信息化建设虽然己取得一定成果，但在森林资源监测手段创新和系统信息化管理等方面还存在不足。激光雷达快速准确地获取森林中单木的三维结构信息，对林区资源监测及分类准确性的提高具有重要意义。随着无人机技术、激光雷达等信息技术的发展，如何加强对森林资源有效监管，提高森林资源监管的信息化水平，已成为目前需要迫切解决的问题，
目前，森林资源监测涉及内容多、专业性强，人员专业素质要求高。虽然无人机等先进技术逐渐推广应用，但样地因子的调查仍需人工现场完成，导致监测人员调查任务繁重，工作强度大，调查效率不高。加上不同行业监测标准不一，导致不同类型的资源监测成果存在一定程度的差异；各类重要监测成果与森林资源管理调查成果无法协调统一。因此，如何使用深度学习方法结合点云数据生成冠层高度模型实现高精度森林资源调查是需要解决的问题之一。
发明内容
为了解决上述技术问题，本发明提出了一种基于激光点云的森林资源调查与监测方法及系统。
本发明第一方面提供了一种基于激光点云的森林资源调查与监测方法，包括：
获取目标林区的地基激光雷达数据及无人机机载激光雷达数据，将获取的激光雷达数据进行预处理并实现地基与机载点云配准，提取目标林区的三维激光点云；
根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正；
基于深度学习方法构建树种识别模型，将修正后的树木结构特征作为模型输入，通过特征整合进行树种识别分类，根据树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果；
通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，根据所述冠幅变化生成监测预警信息。
本方案中，将获取的激光雷达数据进行预处理并实现地基与机载点云配准，提取目标林区的三维激光点云，具体为：
通过站点及航带将所述地基激光雷达数据及机载激光雷达数据进行数据拼接，获取站点或航带对应激光雷达数据的重叠度，将重叠度符合预设要求的站点或航带进行拼接；
获取激光雷达数据拼接过程中的拼接误差，根据所述拼接误差判断站点或航带的拼接效果，所述拼接误差在预设范围时进行下一站拼接，直到所有站点或航带拼接完毕；
将拼接后的激光雷达数据利用小波变换进行去噪，根据点云欧式距离计算设置阈值函数进行噪点滤波，获取去噪后的激光雷达数据，并将地面点进行滤除，进行归一化处理；
获取预处理后的激光雷达数据，通过动态图卷积网络获取局部特征，将所述局部特征进行相似度对比，预设关键点数量，根据所述关键点数量获取相似度最低的局部特征所在点作为关键点；
将预处理后的地基激光雷达数据及机载激光雷达数据作为源点云及目标点云，在所述源点云及目标点云中关键点特征进行表示获取空间特征，将所述空间特征与局部特征进行匹配；
获取匹配矩阵，根据所述匹配矩阵进行地基激光雷达数据及机载激光雷达数据的点云配准，提取配准后目标林区的三维激光点云。
本方案中，根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，具体为：
获取目标林区的三维激光点云，进行投影后生成对应的点云图像，根据所述点云图像进行边缘分割获取树高及冠幅特征；
根据所述冠幅特征对点云图像进行裁剪优化，去除枝叶区域，通过裁剪优化后的点云图像获取树干位置，获取树干位置对应三维激光点云的水平分布，将所述水平分布转化为灰度图像；
在所述灰度图像中进行亚像素级定位获取边缘信息，根据所述边缘信息通过最小二乘椭圆拟合发对边缘进行迭代拟合，获取拟合椭圆的几何中心，基于所述几何中心确定半径，生成胸径特征；
根据树高特征、冠幅特征及胸径特征生成树木结构特征，利用历史三维激光点云提取对应的树木结构特征构建训练样本集合，通过所述训练样本集合训练R-CNN网络，对树木单木进行分割；
根据锚框回归生成各树木结构特征，并对对应特征区域进行特征标注，实现单木区域的初步粗划分。
本方案中，裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正，具体为：
获取粗分单木区域，在所述粗分单木区域的不同特征区域中分别根据水平距离阈值进行聚类，在各特征区域中选取区域顶点；
通过单木对应的树木结构特征提取树木拟合椭圆几何中心之间距离设置水平距离阈值，利用所述区域顶点自上而下计算与最邻近点云的距离，判断所述距离是否小于所述水平距离阈值；
若小于，则更新特征区域的轮廓信息，若大于，则获取距离差值，若所述距离差值小于预设阈值时，则更新特征区域的轮廓信息；
根据特征区域的轮廓信息更新单木区域的边界信息，通过迭代完成全部点云的聚类，根据更新后单木区域的边界信息完成细分单木分割，并对所述树木结构特征进行修正。
本方案中，基于深度学习方法构建树种识别模型，具体为：
基于多层感知机构建树种识别模型，获取修正后的树木结构特征，导入所述树种识别模型，利用卷积层获取不同特征区域的几何特征，并根据不同特征区域的几何特征设置对应数量的隐藏层，通过全连接层进行连接；
在所述树种识别模型中设置注意力层，利用注意力机制获取不同特征区域几何特征的自注意力权重，表征几何特征的重要程度；
将加权后的几何特征再次通过卷积及最大池化操作进行特征简化，对简化后的几何特征进行降维处理，导入全连接层；
通过Softmax函数计算树木类别的概率，根据所述概率确定树种识别分类结果，将目标林区的树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果。
本方案中，通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，根据所述冠幅变化生成监测预警信息，具体为：
根据修正后树木结构特征提取修正后的树高特征及冠幅特征，利用所述修正后的树高特征及冠幅特征获取监测目标点，生成监测目标点集；
通过目标林区多期森林资源调查结果获取细分单木分割结果，根据所述细分单木分割结果对所述监测目标点集进行数据填充；
获取监测目标点集的数据变化特征提取冠幅变化，将所述冠幅变化与预设变化阈值范围进行对比，当所述冠幅变化不符合预设变化阈值范围时，则生成监测预警信息。
本发明第二方面还提供了一种基于激光点云的森林资源调查与监测系统，该系统包括：存储器、处理器，所述存储器中包括基于激光点云的森林资源调查与监测方法程序，所述基于激光点云的森林资源调查与监测方法程序被所述处理器执行时实现如下步骤：
获取目标林区的地基激光雷达数据及无人机机载激光雷达数据，将获取的激光雷达数据进行预处理并实现地基与机载点云配准，提取目标林区的三维激光点云；
根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正；
基于深度学习方法构建树种识别模型，将修正后的树木结构特征作为模型输入，通过特征整合进行树种识别分类，根据树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果；
通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，根据所述冠幅变化生成监测预警信息。
本发明公开了一种基于激光点云的森林资源调查与监测方法及系统，包括，获取目标林区的地基激光雷达数据及无人机机载激光雷达数据，提取目标林区的三维激光点云；获取树木结构特征确定粗分单木区域，裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对树木结构特征进行修正；构建树种识别模型进行树种识别分类，生成目标林区的森林资源调查结果；通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，生成监测预警信息。本发明通过部分激光点云的聚类进行精准的单木分割，满足森林资源调查中获取森林单木的精度需求，同时获取冠幅变化实现森林资源生长状态的动态监测，有利于森林资源的管理利用。
附图说明
图1示出了本发明一种基于激光点云的森林资源调查与监测方法的流程图；
图2示出了本发明利用树木结构特征确定粗分单木区域的流程图；
图3示出了本发明利用点云聚类完成细分单木分割的流程图；
图4示出了本发明一种基于激光点云的森林资源调查与监测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于激光点云的森林资源调查与监测方法的流程图。
如图1所示，本发明第一方面提供了一种基于激光点云的森林资源调查与监测方法，包括：
S102，获取目标林区的地基激光雷达数据及无人机机载激光雷达数据，将获取的激光雷达数据进行预处理并实现地基与机载点云配准，提取目标林区的三维激光点云；
S104，根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正；
S106，基于深度学习方法构建树种识别模型，将修正后的树木结构特征作为模型输入，通过特征整合进行树种识别分类，根据树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果；
S108，通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，根据所述冠幅变化生成监测预警信息。
需要说明的是，由于单个站点或者航带扫描的点云数据有限，需要将多个站点或者航带的点云数据进行拼接，通过站点及航带将所述地基激光雷达数据及机载激光雷达数据进行数据拼接，获取站点或航带对应激光雷达数据的重叠度，将重叠度符合预设要求的站点或航带进行拼接；对于机载激光雷达数据，提取光脉冲发射角度、距离、回波强度等信息，结合自身IMU数据及GNSS数据确定位置信息。获取激光雷达数据拼接过程中的拼接误差，根据所述拼接误差判断站点或航带的拼接效果，所述拼接误差在预设范围时进行下一站拼接，直到所有站点或航带拼接完毕。
将拼接后的激光雷达数据利用小波变换进行去噪，根据点云欧式距离计算设置阈值函数进行噪点滤波，获取去噪后的激光雷达数据，并将地面点进行滤除，进行归一化处理；获取预处理后的激光雷达数据，通过动态图卷积网络DGCNN获取局部特征，通过构建局部邻居图维持了局部结构，然后将类卷积应用在节点与其邻居相连的边上；将所述局部特征进行相似度对比，预设关键点数量，根据所述关键点数量获取相似度最低的局部特征所在点作为关键点，即选取区别特征最高的局部特征；将预处理后的地基激光雷达数据及机载激光雷达数据作为源点云及目标点云，在所述源点云及目标点云中关键点特征进行表示获取空间特征，将所述空间特征与局部特征进行匹配；获取匹配矩阵，根据所述匹配矩阵进行地基激光雷达数据及机载激光雷达数据的点云配准，提取配准后目标林区的三维激光点云。
图2示出了本发明利用树木结构特征确定粗分单木区域的流程图。
根据本发明实施例，根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，具体为：
S202，获取目标林区的三维激光点云，进行投影后生成对应的点云图像，根据所述点云图像进行边缘分割获取树高及冠幅特征；
S204，根据所述冠幅特征对点云图像进行裁剪优化，去除枝叶区域，通过裁剪优化后的点云图像获取树干位置，获取树干位置对应三维激光点云的水平分布，将所述水平分布转化为灰度图像；
S206，在所述灰度图像中进行亚像素级定位获取边缘信息，根据所述边缘信息通过最小二乘椭圆拟合发对边缘进行迭代拟合，获取拟合椭圆的几何中心，基于所述几何中心确定半径，生成胸径特征；
S208，根据树高特征、冠幅特征及胸径特征生成树木结构特征，利用历史三维激光点云提取对应的树木结构特征构建训练样本集合，通过所述训练样本集合训练R-CNN网络，对树木单木进行分割；
S210，根据锚框回归生成各树木结构特征，并对对应特征区域进行特征标注，实现单木区域的初步粗划分。
需要说明的是，在所述灰度图像中进行亚像素级定位获取边缘信息，灰度图像坐标系为,边缘信息对应的局部坐标系为（/>），边缘信息是灰度分布从暗转亮变化过程中，导数发生最大变化所对应的位置，两个坐标系位置转换关系为：
；
其中亚像素级定位表示为：，/>表示像素位置上的强烈程度，/>表示灰度图像坐标系中某个像素的位置，/>表示模型参数向量，/>表示局部坐标系中某个像素的位置，/>表示亮区域中的强烈程度的峰值，/>表示灰度图像坐标系与局部坐标系中x轴夹角，/>表示模型方差，/>表示实际边缘信息对应的位置函数，/>表示局部坐标系中原点/>在图像坐标系中的位置。采用梯度下降法优化亚像素级定位表示函数，求取/>，获得/>,得到边缘亚像素位置，保证树木胸径的精度。
设为点云分布边缘上的点，依据最小二乘原理，所拟合的目标函数为：
；
其中，表示目标函数，/>表示椭圆的基本参数，/>表示点云分布边缘上的取点个数，根据椭圆的一般方程获取椭圆的几何中心，基于所述几何中心确定半径，生成胸径特征。
通过R-CNN网络对树木单木进行分割，R-CNN网络分为特征提取网络及区域候选网络，在特征提取网络中经过卷积及池化操作进行特征图的提取，将特征图导入区域候选网络，生成待检测目标的候选区域及得分，利用锚框回归及回归修正获取特征区域。
图3示出了本发明利用点云聚类完成细分单木分割的流程图。
根据本发明实施例，裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正，具体为：
S302，获取粗分单木区域，在所述粗分单木区域的不同特征区域中分别根据水平距离阈值进行聚类，在各特征区域中选取区域顶点；
S304，通过单木对应的树木结构特征提取树木拟合椭圆几何中心之间距离设置水平距离阈值，利用所述区域顶点自上而下计算与最邻近点云的距离，判断所述距离是否小于所述水平距离阈值；
S306，若小于，则更新特征区域的轮廓信息，若大于，则获取距离差值，若所述距离差值小于预设阈值时，则更新特征区域的轮廓信息；
S308，根据特征区域的轮廓信息更新单木区域的边界信息，通过迭代完成全部点云的聚类，根据更新后单木区域的边界信息完成细分单木分割，并对所述树木结构特征进行修正。
需要说明的是，通过对特征区域中的三维激光点云进行聚类，只使用部分点云而非全部点云参与运算，减小了运算量，提高了效率。
基于多层感知机构建树种识别模型，获取修正后的树木结构特征，导入所述树种识别模型，利用卷积层获取不同特征区域的几何特征，并根据不同特征区域的几何特征设置对应数量的隐藏层，通过全连接层进行连接；在所述树种识别模型中设置注意力层，利用注意力机制获取不同特征区域几何特征的自注意力权重，表征几何特征的重要程度；将加权后的几何特征再次通过卷积及最大池化操作进行特征简化，对简化后的几何特征进行降维处理，导入全连接层；通过Softmax函数计算树木类别的概率，根据所述概率确定树种识别分类结果，将目标林区的树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果。
需要说明的是，根据修正后树木结构特征提取修正后的树高特征及冠幅特征，利用所述修正后的树高特征及冠幅特征获取监测目标点，生成监测目标点集；通过目标林区多期森林资源调查结果获取细分单木分割结果，根据所述细分单木分割结果对所述监测目标点集进行数据填充；获取监测目标点集的数据变化特征提取冠幅变化，将所述冠幅变化与预设变化阈值范围进行对比，当所述冠幅变化不符合预设变化阈值范围时，则生成监测预警信息。
根据本发明实施例，构建目标林地的森林资源数据库，具体为：
根据目标林地的定期森林资源调查结果为数据基础构建森林资源数据库，通过所述定期森林资源调查结果根据预设评价体系对目标林地进行评价，获取评价结果，根据所述评价结果自适应设置变化阈值范围；
获取监测预警信息，提取监测预警区域，获取监测预警信息的异常因素，基于所述异常因素利用数据检索获取对应的植被修复实例，在所述植被修复实例中利用相似度计算获取匹配程度高的植被修复方法；
根据所述植被修复方法对监测预警区域进行调整修复，获取植被修复实例对应的平均修复速率，并提取对应的植被特征，使用监测预警区域的植被特征进行相似度对比，根据相似度生成权重信息；
通过所述权重信息对平均修复速率进行加权，根据加权后的平均修复速率设置预设时间后的变化阈值范围，进行森连资源监控。
图4示出了本发明一种基于激光点云的森林资源调查与监测系统的框图。
本发明第二方面还提供了一种基于激光点云的森林资源调查与监测系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于激光点云的森林资源调查与监测方法程序，所述基于激光点云的森林资源调查与监测方法程序被所述处理器执行时实现如下步骤：
获取目标林区的地基激光雷达数据及无人机机载激光雷达数据，将获取的激光雷达数据进行预处理并实现地基与机载点云配准，提取目标林区的三维激光点云；
根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正；
基于深度学习方法构建树种识别模型，将修正后的树木结构特征作为模型输入，通过特征整合进行树种识别分类，根据树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果；
通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，根据所述冠幅变化生成监测预警信息。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于激光点云的森林资源调查与监测方法程序，所述基于激光点云的森林资源调查与监测方法程序被处理器执行时，实现如上述任一项所述的基于激光点云的森林资源调查与监测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.基于激光点云的森林资源调查与监测方法，其特征在于，包括以下步骤：
获取目标林区的地基激光雷达数据及无人机机载激光雷达数据，将获取的激光雷达数据进行预处理并实现地基与机载点云配准，提取目标林区的三维激光点云；
根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正；
基于深度学习方法构建树种识别模型，将修正后的树木结构特征作为模型输入，通过特征整合进行树种识别分类，根据树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果；
通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，根据所述冠幅变化生成监测预警信息；
根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，具体为：
获取目标林区的三维激光点云，进行投影后生成对应的点云图像，根据所述点云图像进行边缘分割获取树高及冠幅特征；
根据所述冠幅特征对点云图像进行裁剪优化，去除枝叶区域，通过裁剪优化后的点云图像获取树干位置，获取树干位置对应三维激光点云的水平分布，将所述水平分布转化为灰度图像；
在所述灰度图像中进行亚像素级定位获取边缘信息，根据所述边缘信息通过最小二乘椭圆拟合发对边缘进行迭代拟合，获取拟合椭圆的几何中心，基于所述几何中心确定半径，生成胸径特征；
根据树高特征、冠幅特征及胸径特征生成树木结构特征，利用历史三维激光点云提取对应的树木结构特征构建训练样本集合，通过所述训练样本集合训练R-CNN网络，对树木单木进行分割；
根据锚框回归生成各树木结构特征，并对对应特征区域进行特征标注，实现单木区域的初步粗划分；
裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正，具体为：
获取粗分单木区域，在所述粗分单木区域的不同特征区域中分别根据水平距离阈值进行聚类，在各特征区域中选取区域顶点；
通过单木对应的树木结构特征提取树木拟合椭圆几何中心之间距离设置水平距离阈值，利用所述区域顶点自上而下计算与最邻近点云的距离，判断所述距离是否小于所述水平距离阈值；
若小于，则更新特征区域的轮廓信息，若大于，则获取距离差值，若所述距离差值小于预设阈值时，则更新特征区域的轮廓信息；
根据特征区域的轮廓信息更新单木区域的边界信息，通过迭代完成全部点云的聚类，根据更新后单木区域的边界信息完成细分单木分割，并对所述树木结构特征进行修正。
2.根据权利要求1所述的基于激光点云的森林资源调查与监测方法，其特征在于，将获取的激光雷达数据进行预处理并实现地基与机载点云配准，提取目标林区的三维激光点云，具体为：
通过站点及航带将所述地基激光雷达数据及机载激光雷达数据进行数据拼接，获取站点或航带对应激光雷达数据的重叠度，将重叠度符合预设要求的站点或航带进行拼接；
获取激光雷达数据拼接过程中的拼接误差，根据所述拼接误差判断站点或航带的拼接效果，所述拼接误差在预设范围时进行下一站拼接，直到所有站点或航带拼接完毕；
将拼接后的激光雷达数据利用小波变换进行去噪，根据点云欧式距离计算设置阈值函数进行噪点滤波，获取去噪后的激光雷达数据，并将地面点进行滤除，进行归一化处理；
获取预处理后的激光雷达数据，通过动态图卷积网络获取局部特征，将所述局部特征进行相似度对比，预设关键点数量，根据所述关键点数量获取相似度最低的局部特征所在点作为关键点；
将预处理后的地基激光雷达数据及机载激光雷达数据作为源点云及目标点云，在所述源点云及目标点云中关键点特征进行表示获取空间特征，将所述空间特征与局部特征进行匹配；
获取匹配矩阵，根据所述匹配矩阵进行地基激光雷达数据及机载激光雷达数据的点云配准，提取配准后目标林区的三维激光点云。
3.根据权利要求1所述的基于激光点云的森林资源调查与监测方法，其特征在于，基于深度学习方法构建树种识别模型，具体为：
基于多层感知机构建树种识别模型，获取修正后的树木结构特征，导入所述树种识别模型，利用卷积层获取不同特征区域的几何特征，并根据不同特征区域的几何特征设置对应数量的隐藏层，通过全连接层进行连接；
在所述树种识别模型中设置注意力层，利用注意力机制获取不同特征区域几何特征的自注意力权重，表征几何特征的重要程度；
将加权后的几何特征再次通过卷积及最大池化操作进行特征简化，对简化后的几何特征进行降维处理，导入全连接层；
通过Softmax函数计算树木类别的概率，根据所述概率确定树种识别分类结果，将目标林区的树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果。
4.根据权利要求1所述的基于激光点云的森林资源调查与监测方法，其特征在于，通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，根据所述冠幅变化生成监测预警信息，具体为：
根据修正后树木结构特征提取修正后的树高特征及冠幅特征，利用所述修正后的树高特征及冠幅特征获取监测目标点，生成监测目标点集；
通过目标林区多期森林资源调查结果获取细分单木分割结果，根据所述细分单木分割结果对所述监测目标点集进行数据填充；
获取监测目标点集的数据变化特征提取冠幅变化，将所述冠幅变化与预设变化阈值范围进行对比，当所述冠幅变化不符合预设变化阈值范围时，则生成监测预警信息。
5.基于激光点云的森林资源调查与监测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于激光点云的森林资源调查与监测方法程序，所述基于激光点云的森林资源调查与监测方法程序被所述处理器执行时实现如下步骤：
获取目标林区的地基激光雷达数据及无人机机载激光雷达数据，将获取的激光雷达数据进行预处理并实现地基与机载点云配准，提取目标林区的三维激光点云；
根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正；
基于深度学习方法构建树种识别模型，将修正后的树木结构特征作为模型输入，通过特征整合进行树种识别分类，根据树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果；
通过目标林区多期森林资源调查结果获取细分单木分割结果对应的冠幅变化，根据所述冠幅变化生成监测预警信息；
根据所述三维激光点云获取树木结构特征，利用所述树木结构特征确定粗分单木区域，具体为：
获取目标林区的三维激光点云，进行投影后生成对应的点云图像，根据所述点云图像进行边缘分割获取树高及冠幅特征；
根据所述冠幅特征对点云图像进行裁剪优化，去除枝叶区域，通过裁剪优化后的点云图像获取树干位置，获取树干位置对应三维激光点云的水平分布，将所述水平分布转化为灰度图像；
在所述灰度图像中进行亚像素级定位获取边缘信息，根据所述边缘信息通过最小二乘椭圆拟合发对边缘进行迭代拟合，获取拟合椭圆的几何中心，基于所述几何中心确定半径，生成胸径特征；
根据树高特征、冠幅特征及胸径特征生成树木结构特征，利用历史三维激光点云提取对应的树木结构特征构建训练样本集合，通过所述训练样本集合训练R-CNN网络，对树木单木进行分割；
根据锚框回归生成各树木结构特征，并对对应特征区域进行特征标注，实现单木区域的初步粗划分；
裁剪单木区域的三维激光点云进行聚类完成细分单木分割，并对所述树木结构特征进行修正，具体为：
获取粗分单木区域，在所述粗分单木区域的不同特征区域中分别根据水平距离阈值进行聚类，在各特征区域中选取区域顶点；
通过单木对应的树木结构特征提取树木拟合椭圆几何中心之间距离设置水平距离阈值，利用所述区域顶点自上而下计算与最邻近点云的距离，判断所述距离是否小于所述水平距离阈值；
若小于，则更新特征区域的轮廓信息，若大于，则获取距离差值，若所述距离差值小于预设阈值时，则更新特征区域的轮廓信息；
根据特征区域的轮廓信息更新单木区域的边界信息，通过迭代完成全部点云的聚类，根据更新后单木区域的边界信息完成细分单木分割，并对所述树木结构特征进行修正。
6.根据权利要求5所述的基于激光点云的森林资源调查与监测系统，其特征在于，基于深度学习方法构建树种识别模型，具体为：
基于多层感知机构建树种识别模型，获取修正后的树木结构特征，导入所述树种识别模型，利用卷积层获取不同特征区域的几何特征，并根据不同特征区域的几何特征设置对应数量的隐藏层，通过全连接层进行连接；
在所述树种识别模型中设置注意力层，利用注意力机制获取不同特征区域几何特征的自注意力权重，表征几何特征的重要程度；
将加权后的几何特征再次通过卷积及最大池化操作进行特征简化，对简化后的几何特征进行降维处理，导入全连接层；
通过Softmax函数计算树木类别的概率，根据所述概率确定树种识别分类结果，将目标林区的树种识别分类结果结合对应的树木结构特征生成目标林区的森林资源调查结果。
CN202311161762.5A 2023-09-11 2023-09-11 基于激光点云的森林资源调查与监测方法及系统 Active CN116893428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311161762.5A CN116893428B (zh) 2023-09-11 2023-09-11 基于激光点云的森林资源调查与监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311161762.5A CN116893428B (zh) 2023-09-11 2023-09-11 基于激光点云的森林资源调查与监测方法及系统

Publications (2)

Publication Number Publication Date
CN116893428A CN116893428A (zh) 2023-10-17
CN116893428B true CN116893428B (zh) 2023-12-08

Family

ID=88312456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311161762.5A Active CN116893428B (zh) 2023-09-11 2023-09-11 基于激光点云的森林资源调查与监测方法及系统

Country Status (1)

Country Link
CN (1) CN116893428B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198190A (zh) * 2017-12-28 2018-06-22 北京数字绿土科技有限公司 一种基于点云数据的单木分割方法及装置
CN109446986A (zh) * 2018-10-28 2019-03-08 南京林业大学 一种面向树木激光点云的有效特征抽取与树种识别方法
CN110378909A (zh) * 2019-06-24 2019-10-25 南京林业大学 基于Faster R-CNN的面向激光点云的单木分割方法
CN111898688A (zh) * 2020-08-04 2020-11-06 沈阳建筑大学 一种基于三维深度学习的机载LiDAR数据树种分类方法
AU2020103026A4 (en) * 2020-10-27 2020-12-24 Nanjing Forestry University A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
CN112698347A (zh) * 2020-12-02 2021-04-23 北京华益瑞科技有限公司 地表植被参数监测装置、系统及方法
CN113205543A (zh) * 2021-05-27 2021-08-03 南京林业大学 一种基于机器学习的激光雷达点云树干提取方法
CN113205548A (zh) * 2021-04-01 2021-08-03 广西壮族自治区自然资源遥感院 一种林区无人机和地基点云的自动化配准方法及系统
CN114663787A (zh) * 2022-03-28 2022-06-24 北京林业大学 一种融合无人机chm和rgb影像的单木分割方法
CN114862872A (zh) * 2022-05-10 2022-08-05 桂林理工大学 一种基于Faster R-CNN的红树林单木分割方法
CN115100232A (zh) * 2022-06-30 2022-09-23 江苏集萃未来城市应用技术研究所有限公司 一种基于融合LiDAR点云数据的单木分割方法
CN115390040A (zh) * 2022-07-15 2022-11-25 电子科技大学 一种基于分割几何特征的树林点云枝叶分离方法
CN115880487A (zh) * 2021-09-27 2023-03-31 南京林业大学 基于深度学习方法的林木激光点云枝叶分离方法
CN115965619A (zh) * 2023-02-09 2023-04-14 中科海慧（北京）科技有限公司 一种基于三维激光点云数据的森林地上碳汇量计算方法
CN116597199A (zh) * 2023-04-14 2023-08-15 山东科技大学 基于机载LiDAR的点云树种分类方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11275941B2 (en) * 2018-03-08 2022-03-15 Regents Of The University Of Minnesota Crop models and biometrics
CN113592882B (zh) * 2021-08-09 2022-06-03 中国林业科学研究院资源信息研究所 一种基于无人机多源遥感的树冠提取方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198190A (zh) * 2017-12-28 2018-06-22 北京数字绿土科技有限公司 一种基于点云数据的单木分割方法及装置
CN109446986A (zh) * 2018-10-28 2019-03-08 南京林业大学 一种面向树木激光点云的有效特征抽取与树种识别方法
CN110378909A (zh) * 2019-06-24 2019-10-25 南京林业大学 基于Faster R-CNN的面向激光点云的单木分割方法
CN111898688A (zh) * 2020-08-04 2020-11-06 沈阳建筑大学 一种基于三维深度学习的机载LiDAR数据树种分类方法
AU2020103026A4 (en) * 2020-10-27 2020-12-24 Nanjing Forestry University A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
CN112698347A (zh) * 2020-12-02 2021-04-23 北京华益瑞科技有限公司 地表植被参数监测装置、系统及方法
CN113205548A (zh) * 2021-04-01 2021-08-03 广西壮族自治区自然资源遥感院 一种林区无人机和地基点云的自动化配准方法及系统
CN113205543A (zh) * 2021-05-27 2021-08-03 南京林业大学 一种基于机器学习的激光雷达点云树干提取方法
CN115880487A (zh) * 2021-09-27 2023-03-31 南京林业大学 基于深度学习方法的林木激光点云枝叶分离方法
CN114663787A (zh) * 2022-03-28 2022-06-24 北京林业大学 一种融合无人机chm和rgb影像的单木分割方法
CN114862872A (zh) * 2022-05-10 2022-08-05 桂林理工大学 一种基于Faster R-CNN的红树林单木分割方法
CN115100232A (zh) * 2022-06-30 2022-09-23 江苏集萃未来城市应用技术研究所有限公司 一种基于融合LiDAR点云数据的单木分割方法
CN115390040A (zh) * 2022-07-15 2022-11-25 电子科技大学 一种基于分割几何特征的树林点云枝叶分离方法
CN115965619A (zh) * 2023-02-09 2023-04-14 中科海慧（北京）科技有限公司 一种基于三维激光点云数据的森林地上碳汇量计算方法
CN116597199A (zh) * 2023-04-14 2023-08-15 山东科技大学 基于机载LiDAR的点云树种分类方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
任艳中 ; 王弟 ; 李轶涛 ; 王晓军 ; .无人机遥感在森林资源监测中的应用研究进展.中国农学通报.2020,(08),全文. *
刘清旺 ; 李世明 ; 李增元 ; 符利勇 ; 胡凯龙 ; .无人机激光雷达与摄影测量林业应用研究进展.林业科学.2017,(07),全文. *
基于车载LiDAR数据的行道树信息提取与动态分析;董亚涵;李永强;孙渡;李鹏鹏;范辉龙;;地理与地理信息科学(第04期);全文 *
无人机遥感技术在森林资源调查中的应用研究进展;贾慧;杨柳;郑景飚;;浙江林业科技(第04期);全文 *
李世明 ; 王志慧 ; 韩学文 ; 贾可 ; .森林资源变化遥感监测技术研究进展.北京林业大学学报.2011,(03),全文. *
车载LiDAR点云相连行道树精细分割;张西童;李永强;毛杰;李有鹏;黄腾达;;测绘科学(第08期);全文 *

Also Published As

Publication number Publication date
CN116893428A (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
US10740606B2 (en) Method for assigning particular classes of interest within measurement data
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN113705478B (zh) 一种基于改进YOLOv5的红树林单木目标检测方法
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
US20140099000A1 (en) Device and method for detecting plantation rows
CN109446986B (zh) 一种面向树木激光点云的有效特征抽取与树种识别方法
CN116310849B (zh) 基于三维形态特征的树木点云单体化提取方法
CN115452759A (zh) 一种基于卫星遥感数据的河湖健康指标评价方法及系统
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN115019163A (zh) 基于多源大数据的城市要素识别方法
CN114898118A (zh) 基于多源点云的输电线路房屋拆迁量自动统计方法及系统
CN111814666B (zh) 一种复杂林分下的单木参数提取方法、系统、介质及设备
Khadanga et al. Tree census using circular hough transform and grvi
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
Othmani et al. Tree species classification based on 3D bark texture analysis
CN116893428B (zh) 基于激光点云的森林资源调查与监测方法及系统
CN117197174A (zh) 基于遥感数据的水体信息提取方法、装置、设备及介质
Meng et al. Canopy structure attributes extraction from LiDAR data based on tree morphology and crown height proportion
CN116381700A (zh) 一种森林冠层高度遥感估测方法及计算机可读介质
CN111507423B (zh) 输电线路通道清理的工程量测算方法
CN115035417A (zh) 一种基于Sentinel-2卫星影像的海草分布图生成方法
CN115063698A (zh) 斜坡地表变形裂缝自动识别与信息提取方法及系统
CN112800826A (zh) 一种基于遥感影像分类的城市变化监测方法及系统
CN113657275A (zh) 一种林草火点自动检测方法
CN113408895A (zh) 基于像元尺度的生态质量指数构建方法及系统

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