CN117035174A - 一种木麻黄单木地上生物量的估算方法与系统 - Google Patents

一种木麻黄单木地上生物量的估算方法与系统 Download PDF

Info

Publication number
CN117035174A
CN117035174A CN202310977446.9A CN202310977446A CN117035174A CN 117035174 A CN117035174 A CN 117035174A CN 202310977446 A CN202310977446 A CN 202310977446A CN 117035174 A CN117035174 A CN 117035174A
Authority
CN
China
Prior art keywords
biomass
casuarina
model
casuarina equisetifolia
equisetifolia
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
Application number
CN202310977446.9A
Other languages
English (en)
Inventor
古丽再排尔·安外尔
聂森
叶功富
徐惠昌
钟鹏燕
余锦林
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.)
FUJIAN ACADEMY OF FORESTRY
Original Assignee
FUJIAN ACADEMY OF FORESTRY
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 FUJIAN ACADEMY OF FORESTRY filed Critical FUJIAN ACADEMY OF FORESTRY
Priority to CN202310977446.9A priority Critical patent/CN117035174A/zh
Publication of CN117035174A publication Critical patent/CN117035174A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Mining & Mineral Resources (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Husbandry (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明属于木麻黄地上生物量监测技术领域，公开了一种木麻黄单木地上生物量的估算方法与系统，对样本地的木麻黄单木进行实地测量并获取样本地的木麻黄单木参数，根据木麻黄单木参数估算实测地的木麻黄地上生物量；以实地测量样本地的木麻黄单木所在位置作为参考，采用无人机激光雷达获取待估算区域内木麻黄单木的LiDAR点云数据，对木麻黄单木的LiDAR点云数据进行预处理获取样地参数；以实测地的木麻黄地上生物量作为为响应变量，样地参数作为预测变量，建立样地参数与实测地的木麻黄地上生物量预测模型，采用线性拟合验证木麻黄地上生物量预测模型，获取最优木麻黄地上生物量估测结果。本发明能快速实现整个区域木麻黄地上生物量的估算，并对数据进行分割，可准确、有效、完整地获取木麻黄单木参数。

Description

一种木麻黄单木地上生物量的估算方法与系统
技术领域
本发明属于木麻黄地上生物量监测技术领域，尤其涉及一种木麻黄单木地上生物量的估算方法与系统。
背景技术
目前，气候变化已成为全球最为关注的话题，由于受自然以及人类活动的影响，排放到大气中的二氧化碳浓度过高会引发一系列气候变化问题，如温室气体效应、全球变暖、热岛效应等，是人类所面临的重大生态环境问题。木麻黄是木麻黄科木麻黄属常绿乔木，喜光不耐阴、耐旱亦耐水湿、耐贫瘠、耐沙埋，适应性强，不拘土质，生长速度快，萌芽力强。木麻黄是海岸防风、固沙造林的速生优良树种，在改善生态环境方面发挥着巨大的作用。众所周知，木麻黄在全球碳循环具有重要的意义，特别是在降低二氧化碳排放量的问题上，因此，如何有效、准确地测量木麻黄中储存和潜在的碳的能力，以及优化木麻黄的固碳能力日益受到广泛关注。
如何快速、准确、高效、低成本地获取木麻黄单木参数和木麻黄地上生物量估测是林业研究重点关注的问题，也对木麻黄生态环境监测和陆地生态系统的生产力相关研究中具有重大的意义。虽然传统的木麻黄测量方法和光学遥感数据采集过程中具有数据获取便利、覆盖地域广、数据更新快等优点，在木麻黄资源调查中占有重要优势容易，但容易受到天气、地表覆盖等外界因素的干扰，从而使得遥感信息的损失，对光照条件的依赖较强，致使同一类型的木麻黄出现“同物异谱”的现象，使得光学遥感数据的精度已经无法满足高精度的木麻黄参数获取需求，给生物量等各种木麻黄参数的估算带来较大局限性。由于激光雷达(LightDetectionandRanging,LiDAR)技术的问世，可以有效地弥补光学遥感技术的缺陷，无人机激光雷达具有很强的穿透能力，可以快速、高效、灵活、精细、低成本的获取木麻黄的空间结构信息和树冠层下的地形信息，进而能够准确提取木麻黄单木参数和木麻黄地上生物量估测。
通过上述分析，现有技术存在的问题及缺陷为：
1)依赖外部条件：传统的木麻黄测量方法和光学遥感数据采集过程中通常依赖于天气和地表覆盖等外部条件。例如，云层和雾气可能降低光学遥感的能力，而地表覆盖(如雪，植被等)可能对结果产生影响。这种情况下的数据获取可能会受到限制，导致数据的不准确和不完整。
2)同物异谱现象：光学遥感数据获取过程中，同一类型的木麻黄可能会出现“同物异谱”的现象。这是因为在不同的光照条件下，同一类型的木麻黄可能会呈现出不同的光谱特征，这使得光学遥感数据的精度不能满足高精度的木麻黄参数获取需求。
3)数据的局限性：传统的木麻黄测量方法和光学遥感数据采集过程中，由于受到以上因素的影响，可能会限制数据的质量和精度，这使得对于木麻黄的生物量等各种参数的估算存在较大局限性。
4)无法获取详细的结构信息：测量方法和光学遥感技术可能无法获取到木麻黄的详细空间结构信息和树冠层下的地形信息。这些信息是非常重要的，因为它们可以帮助我们更好地理解木麻黄的生长情况和环境状况，以及它们在全球碳循环中的作用。
5)无法提供实时数据：传统的木麻黄测量方法可能需要花费大量的时间和人力，而且可能无法提供实时的数据。这可能会导致数据的延迟，从而影响我们对木麻黄的理解和保护工作。
发明内容
针对现有技术存在的问题，本发明提供了一种木麻黄单木地上生物量的估算方法与系统。
本发明是这样实现的，一种木麻黄单木地上生物量的估算方法，利用实地测量方法和无人机激光雷达技术，实现对木麻黄单木地上生物量的精确估算；首先，通过实地测量获取木麻黄单木的位置和参数，然后使用这些参数估算实测地的木麻黄地上生物量；接着，以实地测量的位置为参考，使用无人机激光雷达获取木麻黄单木的LiDAR点云数据，并对这些数据进行预处理，获取样地参数；以实测地的木麻黄地上生物量作为响应变量，样地参数作为预测变量，建立预测模型；最后，通过线性拟合对预测模型进行验证，获取最优的木麻黄地上生物量估测结果。
进一步，所述木麻黄单木地上生物量的估算方法包括：
步骤一，对待估算区域内所有样本地的木麻黄单木进行定位，以获取每木麻黄单木的位置坐标，对样本地的木麻黄单木进行实地测量并获取样本地的木麻黄单木参数，根据木麻黄单木参数估算实测地的木麻黄地上生物量；
步骤二，以实地测量样本地的木麻黄单木所在位置作为参考，采用无人机激光雷达获取待估算区域内木麻黄单木的LiDAR点云数据，对木麻黄单木的LiDAR点云数据进行预处理获取样地参数；
步骤三，以实测地的木麻黄地上生物量作为为响应变量，样地参数作为预测变量，建立样地参数与实测地的木麻黄地上生物量预测模型；
步骤四，采用线性拟合验证木麻黄地上生物量预测模型，获取最优木麻黄地上生物量估测结果。
进一步，步骤一具体的实现方法为：
使用测量工具以确定每棵木麻黄的位置坐标，同时，通过使用直尺、卷尺工具，可以实地测量木麻黄的单木参数，这些参数可以用于后续的生物量估算。
进一步，步骤二具体的实现方法为：
无人机激光雷达系统可以在飞过待估算区域时，通过发射和接收激光脉冲，获取每棵木麻黄的LiDAR点云数据；这些数据包含了每个激光脉冲的返回信息；预处理包括噪声去除、地面点分离和树冠分割步骤，以便获取更准确的样地参数。
进一步，步骤三具体的实现方法为：
使用回归分析或机器学习算法来建立预测模型；使用多元线性回归模型，以实测地的木麻黄地上生物量作为响应变量，样地参数作为预测变量；或者，可以使用更复杂的机器学习模型以提高预测的精度。
进一步，步骤四具体的实现方法为：
使用线性拟合的方法来验证预测模型，将预测的木麻黄地上生物量与实测的生物量进行比较，通过计算相关系数、均方误差统计指标，来评估模型的预测性能；如果这些指标满足预设的准则，则可以认为模型是有效的，可以用于获取最优的木麻黄地上生物量估测结果。
进一步，步骤三具体包括：
数据准备：将从步骤一和步骤二获取的数据整合在一起，形成一个数据集；这个数据集包含每个样地的LiDAR特征和相应的实地测量的木麻黄地上生物量；
特征选择：对于更复杂的数据集，可能需要进行特征选择以减少噪音和过拟合；可以使用相关性分析、主成分分析(PCA)或其他特征选择方法来识别和选择最有预测力的特征；
模型选择：选择一个适合任务的预测模型；选择包括线性回归、决策树、随机森林、支持向量机；模型的选择取决于数据的性质和预测目标；
模型训练：使用样地参数作为输入，实测地的木麻黄地上生物量作为输出，训练选定的模型；
模型评估：在训练模型后，需要评估模型的性能；包括计算训练误差和验证误差，并检查模型是否出现过拟合或欠拟合。
进一步，步骤四具体包括：
模型验证：将预测模型应用于一个独立的测试集，测试集应包含样地参数和实测地的木麻黄地上生物量；计算模型的预测值和实际值之间的差异，通常使用均方误差或根均方误差评价指标；
线性拟合：将模型的预测值和实际值进行线性拟合，生成一个线性模型；线性拟合的目标是最小化预测值和实际值之间的差异；线性拟合的结果可以用于评估预测模型的偏差和方差，以及预测值和实际值之间的相关性；
结果评估：根据线性拟合的结果，评估预测模型的性能；如果预测模型的性能不满足预设的准则，可以返回步骤三，尝试使用不同的特征、模型，或者调整模型的参数；
最优估测结果：如果预测模型的性能满足预设的准则，那么模型的预测值就是最优的木麻黄地上生物量估测结果。
本发明的另一目的在于提供一种用于上述的木麻黄单木地上生物量的估算方法的木麻黄单木地上生物量的估算系统，包括：
坐标获取模块，用于对待估算区域内所有样本地的木麻黄单木进行定位，以获取每木麻黄单木的位置坐标；
木麻黄单木参数获取模块，用于对样本地的木麻黄单木进行实地测量并获取样本地的木麻黄单木参数；
生物量估算模块，用于根据木麻黄单木参数估算实测地的木麻黄地上生物量；
点云数据获取模块，用于以实地测量样本地的木麻黄单木所在位置作为参考，采用无人机激光雷达获取待估算区域内木麻黄单木的LiDAR点云数据，对木麻黄单木的LiDAR点云数据进行预处理获取样地参数；
预测模型构建模块，用于以实测地的木麻黄地上生物量作为为响应变量，样地参数作为预测变量，建立样地参数与实测地的木麻黄地上生物量预测模型；
模型验证模块，用于采用线性拟合验证木麻黄地上生物量预测模型，获取最优木麻黄地上生物量估测结果。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、本发明应用激光雷达获取木麻黄单木的LiDAR点云数据并对数据进行分割，可准确、有效、完整地获取木麻黄单木参数，能有效地减少在木麻黄调查中对时间、人力及经济成本的消耗与浪费；本发明的生物量估算从实地测量的木麻黄单木参数尺度和无人机拍摄的林分样地参数尺度上进行建立回归关系，从而快速实现整个区域木麻黄地上生物量的估算，降低了木麻黄地上生物量估算成本的同时，也提升了生物量估算精度。
第二、该方法每个步骤的主要优点和积极效果如下:
第一步为建立预测模型提供了可靠的数据基础，利于提高模型的准确性和适用性。
第二步为预测模型提供更丰富和精确的参数,利于提高模型精度。
第三步显著提高模型对木麻黄生物量的预测精度,为木麻黄资源管理提供更准确的数据支持。
第四步结合木麻黄生物量分布特征,可以进一步提高模型对木麻黄生物量分布的模拟和预测能力，这有助于产出更加准确的生物量估测结果。
综上,该方法通过关注关键物种木麻黄,在每个步骤中强调获取和利用木麻黄相关参数,可以显著提高对木麻黄生物量的预测精度,获得更准确的生物量估测结果。但整体而言,该方法需要进一步完善,扩展模型至其他树种,并采用更严格的模型测试方法,才可以产出稳定和准确的木麻黄生物量结果,为科学管理提供强有力的数据支持。
通过分析每个步骤的优点,我们可以发现该方法的优势在于可以产出准确的木麻黄生物量结果,但需要进一步提高模型的通用性,采用更严谨的验证方法,并扩充相关数据,才可以满足木麻黄资源管理的需求，这为方法的完善提供了方向。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
1.提高估算准确性：通过结合木麻黄的特征参数和生物量分布特征，提高了单木与木麻黄地上生物量估算的准确性，为木麻黄资源管理和生态保护提供更准确的数据支持。
2.适应性强：本方法可广泛应用于不同类型的木麻黄生态系统，具有较强的通用性和适应性，同时可以根据实际需要针对性地调整和优化预测模型。
附图说明
图1是本发明实施例提供的木麻黄单木地上生物量的估算方法的流程图；
图2是本发明实施例提供的多元线性方程进行拟合优化和检验效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供的木麻黄单木地上生物量的估算方法包括：
S101，对待估算区域内所有样本地的木麻黄单木进行定位，以获取每木麻黄单木的位置坐标，对样本地的木麻黄单木进行实地测量并获取样本地的木麻黄单木参数，根据木麻黄单木参数估算实测地的木麻黄地上生物量；
S102，以实地测量样本地的木麻黄单木所在位置作为参考，采用无人机激光雷达获取待估算区域内木麻黄单木的LiDAR点云数据，对木麻黄单木的LiDAR点云数据进行预处理获取样地参数；
S103，以实测地的木麻黄地上生物量作为为响应变量，样地参数作为预测变量，建立样地参数与实测地的木麻黄地上生物量预测模型；
S104，采用线性拟合验证木麻黄地上生物量预测模型，获取最优木麻黄地上生物量估测结果。
本发明实施例提供的方法的每个步骤的实现方案和详细的信号和数据处理过程。
步骤一：定位和获取木麻黄单木参数
实地测量是一个很直接的过程，可以使用测量工具，如磁性定位仪、测距仪、高度计等，以确定每棵木麻黄的位置坐标。同时，通过使用直尺、卷尺等工具，可以实地测量木麻黄的单木参数，如树高、胸径、冠幅等。这些参数可以用于后续的生物量估算。
步骤二：获取和预处理LiDAR点云数据
无人机激光雷达系统可以在飞过待估算区域时，通过发射和接收激光脉冲，获取每棵木麻黄的LiDAR点云数据。这些数据包含了每个激光脉冲的返回信息，如位置坐标、强度等。预处理包括噪声去除、地面点分离和树冠分割等步骤，以便获取更准确的样地参数。
步骤三：建立预测模型
在这一步，可以使用回归分析或机器学习算法来建立预测模型。例如，可以使用多元线性回归模型，以实测地的木麻黄地上生物量作为响应变量，样地参数(例如，LiDAR点云数据中的最高点、平均高度、点云密度等)作为预测变量。或者，可以使用更复杂的机器学习模型，如随机森林、支持向量机等，以提高预测的精度。
步骤四：验证预测模型
在这一步，可以使用线性拟合的方法来验证预测模型。具体来说，可以将预测的木麻黄地上生物量与实测的生物量进行比较，通过计算相关系数、均方误差等统计指标，来评估模型的预测性能。如果这些指标满足预设的准则(例如，相关系数高于某个阈值)，则可以认为模型是有效的，可以用于获取最优的木麻黄地上生物量估测结果。
这些步骤需要结合专业的设备、软件和技术知识，以获得准确且可靠的结果。在处理信号和数据时，可能需要进行噪声去除、校准、归一化等操作，以确保数据的质量。此外，可能还需要进行数据可视化、分析和解释，以便理解和应用结果。
通过将木麻黄的特征参数和生物量分布特征结合到估算方法中，可以改进技术方案，提高单木与木麻黄地上生物量估算的准确性，为木麻黄资源管理提供更准确的数据支持。
步骤三：建立预测模型
该步骤的目标是建立一个预测模型，该模型使用样地参数(从LiDAR点云数据中提取的特征)作为输入(预测变量)，并预测实测地的木麻黄地上生物量(响应变量)。以下是这个步骤的细化：
数据准备：将从步骤一和步骤二获取的数据整合在一起，形成一个数据集。这个数据集包含每个样地的LiDAR特征(例如，最高点、平均高度、点云密度等)和相应的实地测量的木麻黄地上生物量。
特征选择：对于更复杂的数据集，可能需要进行特征选择以减少噪音和过拟合。可以使用相关性分析、主成分分析(PCA)或其他特征选择方法来识别和选择最有预测力的特征。
模型选择：选择一个适合任务的预测模型。选择包括线性回归、决策树、随机森林、支持向量机等。模型的选择取决于数据的性质和预测目标。
模型训练：使用样地参数作为输入，实测地的木麻黄地上生物量作为输出，训练选定的模型。涉及到优化模型的参数以最小化预测误差。
模型评估：在训练模型后，需要评估模型的性能。包括计算训练误差和验证误差，并检查模型是否出现过拟合或欠拟合。
这个步骤的结果是一个预测模型，它能够根据样地参数预测木麻黄地上生物量。
步骤四：验证预测模型和获取最优估测结果
此步骤的目标是使用线性拟合来验证木麻黄地上生物量的预测模型，并获取最优的估测结果。以下是这个步骤的细化：
模型验证：将预测模型应用于一个独立的测试集，测试集应包含样地参数(预测变量)和实测地的木麻黄地上生物量(响应变量)。计算模型的预测值和实际值之间的差异，通常使用均方误差(MSE)或根均方误差(RMSE)等评价指标。
线性拟合：将模型的预测值和实际值进行线性拟合，生成一个线性模型。线性拟合的目标是最小化预测值和实际值之间的差异。线性拟合的结果可以用于评估预测模型的偏差和方差，以及预测值和实际值之间的相关性。
结果评估：根据线性拟合的结果，评估预测模型的性能。如果预测模型的性能不满足预设的准则，可以返回步骤三，尝试使用不同的特征、模型，或者调整模型的参数。
最优估测结果：如果预测模型的性能满足预设的准则，那么模型的预测值就是最优的木麻黄地上生物量估测结果。
这个步骤的结果是一个经过验证和优化的预测模型，以及最优的木麻黄地上生物量估测结果。
本发明实施例提供的一种用于上述的木麻黄单木地上生物量的估算方法的木麻黄单木地上生物量的估算系统，包括：
坐标获取模块，用于对待估算区域内所有样本地的木麻黄单木进行定位，以获取每木麻黄单木的位置坐标；
木麻黄单木参数获取模块，用于对样本地的木麻黄单木进行实地测量并获取样本地的木麻黄单木参数；
生物量估算模块，用于根据木麻黄单木参数估算实测地的木麻黄地上生物量；
点云数据获取模块，用于以实地测量样本地的木麻黄单木所在位置作为参考，采用无人机激光雷达获取待估算区域内木麻黄单木的LiDAR点云数据，对木麻黄单木的LiDAR点云数据进行预处理获取样地参数；
预测模型构建模块，用于以实测地的木麻黄地上生物量作为为响应变量，样地参数作为预测变量，建立样地参数与实测地的木麻黄地上生物量预测模型；
模型验证模块，用于采用线性拟合验证木麻黄地上生物量预测模型，获取最优木麻黄地上生物量估测结果。
实施例1：
在一个以木麻黄为主要树种的热带木麻黄生态系统中，采用本方法进行单木与木麻黄地上生物量估算。首先，对实地测量的样本地进行单木参数测量，重点关注木麻黄的生物量参数。然后，使用无人机激光雷达获取待估算区域内单木的LiDAR点云数据，对木麻黄的LiDAR点云数据进行预处理。接着，建立基于样地参数的木麻黄地上生物量预测模型，并针对木麻黄的特征进行模型优化。最后，采用线性拟合验证预测模型，得到最优木麻黄地上生物量估测结果。
实施例2：
在一个以木麻黄与其他树种混合分布的亚热带木麻黄生态系统中，应用本方法进行单木与木麻黄地上生物量估算。首先，对待估算区域内的样本地进行实地测量，获取包括木麻黄在内的各种树种的单木参数。接着，利用无人机激光雷达获取待估算区域内单木的LiDAR点云数据，并针对木麻黄及其他树种进行预处理。然后，建立包含木麻黄及其他树种的样地参数与实测地木麻黄地上生物量预测模型。最后，采用线性拟合验证预测模型，并结合木麻黄及其他树种的生物量分布特征对模型进行改进和优化，以提高估算结果的准确性。
样地 棵树 正确分割的数目 过分分割的数目 欠分割的数目 AR/％ CE/％ OE/％
1 51 42 5 4 82.35 9.80 7.84
2 54 44 4 6 81.48 7.41 11.11
3 56 47 6 3 83.93 10.71 5.36
总样方 161 133 16 13 82.61 9.94 8.07
提取树高与实测树高 线性回归方程 R RMSE/m
木麻黄 y＝0.9074x+1.5878 0.86 0.49
提取冠幅平均值与实测冠幅平均值
木麻黄 y＝0.9073x+1.5875 0.86 0.49
本发明提出一种基于无人机激光雷达木麻黄单木地上生物量估算方法，以桉树人工林作为研究区，通过野外样地调查数据以及使用低成本、灵活、精细的无人机激光雷达技术对桉树人工林进行数据采集，通过对无人机激光雷达数据进行处理、分析以及实现样地野外调查，以木麻黄单木参数提取为核心进行估算，最终以实现研究区木麻黄地上生物量估算，所述估算方法包括以下步骤：
步骤1：对待估算区域(研究区)内所有样本地的木麻黄单木进行定位，以获取每木麻黄单木的位置坐标，对实测区内所有样地的立木(木麻黄单木)进行定位与量测，胸高位置为1.3m处，以2.5cm的胸径作为起测基准。首先采用罗盘确定样地方向，然后利用皮尺量测出样地大小，并对各样地的四个角点和中心点进行坐标定位，最后对所有样地内的每立木进行测量。测量的木麻黄单木参数主要包括木麻黄单木胸径、树高、枝下高、冠幅，其中使用钢围尺测量胸径，使用手持激光测高仪测量树高和枝下高，采用投影法量测树冠，并借助皮尺测量出树冠投影到地面的南北、东西方向的长度，并计算它们的平均值，即得到冠幅，利用GPS定位仪进行四个角点及每立木定位，获得样地内每木麻黄单木的坐标；
对样本地的木麻黄单木进行实地测量并获取样本地的木麻黄单木参数，根据木麻黄单木参数估算实测地的木麻黄地上生物量；所述木麻黄单木参数主要包括木麻黄单木胸径、树高、枝下高和冠幅，木麻黄单木参数估算实测地的木麻黄地上生物量分别满足如下；
叶(WL)＝0.8005×(D2H)0.0697；
枝(WB)＝0.0460×(D2H)0.5644；
干(WS)＝0.0545×(D2H)0.8337；
根(WR)＝0.0206×(D2H)0.6730；
WAGB＝WL+WB+WS+WR；
其中，WL、WB、Ws、WR分别为木麻黄单木的叶、枝、干、根的生物量；WAGB为木麻黄单木的地上生物量，D为胸径(单位：cm)；H为树高(单位：m)；
步骤2：以实地测量样本地的木麻黄单木所在位置作为参考，采用无人机激光雷达获取待估算区域内木麻黄单木的LiDAR点云数据，对木麻黄单木的LiDAR点云数据进行预处理获取样地参数；对木麻黄单木的LiDAR点云数据进行预处理包括如下步骤：
步骤20：LiDAR点云数据以LAS格式存储，获取所存储的LiDAR点云数据，以估算区域内样本地的木麻黄单木最大树高为最大值，选取13m树高为最大值，以2m为植被点云的分割阈值为最小值，故以2m树高为最小值，将高于13m的像元视为异常值，不参与分割；低于2m的像元不参与分割；基于CHM的分水岭分割对取样地木麻黄单木LiDAR点云数据进行分割，获取取样地木麻黄单木的点云分割数据；
步骤21：对取样地木麻黄单木分割的点云分割数据进行高程归一化处理，其目的是消除地形起伏对木麻黄分布的影响，从而确保木麻黄单木参数提取的准确性，再对归一化后的点云分割数据进行栅格化处理；
步骤22：采用中值滤波对栅格化处理的数据进行无效值填充，然后通过高斯平滑窗口对数据进行平滑处理，获取木麻黄单木的样地参数；对数据进行平滑处理以提高CHM的质量，从而提高木麻黄单木分割的准确率，采用中值滤波对点云数据进行了优化，得到分辨率为0.2m的CHM的分水岭分割图像；由于高斯平滑窗口对数据进行平滑处理时，对CHM分割结果受高斯平滑因子的影响，高斯平滑因子越大，平滑程度高，可能出现欠分割现象，反之则出现过分割情况，高斯平滑因子的值通常取0.5～1.5之间，本实施例的高斯平滑因子默认为1，当高斯平滑因子越小时，分割的株数越多，反之分割的株树越少，总体上需要使分割株数与实测株数相近；
步骤23：根据样地参数分别计算样地木麻黄单木的算术平均高AvgHA、冠幅加权平均高LorCHA、胸径加权平均高DBHA；其中，
AvgHA为木麻黄单木的算术平均高；HAi为木麻黄单木树高；N为木麻黄单木总株数；
LorCHA为木麻黄单木的冠幅加权平均高；CA＝(π×CE2)/4；CA为木麻黄单木冠层面积，CE为木麻黄单木冠幅。将树冠形状看作一个的圆形，故利用圆的面积公式计算冠幅，基于激光雷达的木麻黄单木分割主要是确定树冠顶点(得到树高)和树冠边界(得到冠幅大小)，故将冠幅用于计算林分平均高，对木麻黄地上生物量的估算具有一定的影响，将冠幅加权平均高、算术平均高、平均冠幅与实测地上生物量建立回归方程；
步骤3：以实测地的木麻黄地上生物量作为为响应变量，样地参数作为预测变量，建立样地参数与实测地的木麻黄地上生物量预测模型，该木麻黄地上生物量预测模型满足：
式中的AGPp表示样地木麻黄地上生物量，Api表示已知样地pi的木麻黄地上生物量(Api等同于木麻黄单木参数估算实测地的木麻黄地上生物量，由WAGB＝WL+WB+WS+WR进行计算获得)，k为大于等于1的样本数量，Wp，pi为距离权重，其中，
Dpi,p为样本地内木麻黄单木之间的空间距离。
步骤4：采用线性拟合验证木麻黄地上生物量预测模型，获取最优木麻黄地上生物量估测结果，在本发明中，采用线性拟合验证木麻黄地上生物量预测模型的过程包括如下过程：
步骤40：从样地参数中选取出一个数据样本作为测试集，其余的全部数据样本用于训练集，重复此过程，获得k组训练集和测试集，采用留一交叉验证法(Leave-One-OutCrossValidation,LOOCV)依次进行训练和测试，直到把所有数据样本被用于一次测试集，即可完成验证，最后计算k个样本数据记录的预测误差的平均值，计算k个样本数据记录的预测误差的平均值包括证决定系数R2、均方根误差RMSE(RootMeanSquareError)；以小样方(10m×10m)为单位选取样地参数作为预测变量，采用点云分位数法对样地点云按照小样方大小选取高度变量、高度百分位数、冠层密度分位数、叶面积指数等k个(例如：选35个)样地参数，并计算其样地内所有小样方的样地参数的平均值作为预测变量，以便构建木麻黄地上生物量预测模型
步骤41：将预测误差的平均值用于线性拟合实测地的木麻黄地上生物量，获得木麻黄地上生物量线性回归方程，作为木麻黄地上生物量预测模型；所述将预测误差的平均值用于线性拟合实测地的木麻黄地上生物量主要采用自然对数形式对实测地的木麻黄地上生物量进行拟合；采用自然对数形式对实测地的木麻黄地上生物量进行拟合主要分别对木麻黄单木的算术平均高AvgHA、冠幅加权平均高LorCHA和胸径加权平均高DBHA对应的生物量进行拟合计算；其中，算术平均高AvgHA、冠幅加权平均高LorCHA、胸径加权平均高DBHA对应的生物量进行拟合计算分别满足表1。
表1：实测生物量与LiDAR木麻黄单木分割结果的线性回归方程
其中，AGB1为算术平均高AvgHA对应的生物量，AGB2为冠幅加权平均高LorCHA对应的生物量，AGB2为胸径加权平均高DBHA对应的生物量；R2愈大，表示拟合性能愈好，RMSE越小，说明回归越准确，精度越高；
步骤42：筛选预测变量并使用多元线性方程进行拟合优化，直到满足预测变量个数最少时，得到最优的木麻黄地上生物量预测模型；所述木麻黄地上生物量多元线性方程满足：
AGB＝-16.324+4.134*Hp+27.143*LAI；
其中，AGB为木麻黄地上生物量预测值，Hp为样地参数中的预测变量的高度百分位数，LAI为叶面积指数。
使用样地实测生物量进行多元线性方程进行拟合优化和检验，结果表明，如图2所示，MLR回归模型R2＝0.865，RMSE为8.547t/ha，，本发明的估算方法对预测样地生物量具有较高精度。
本发明通过样地实测的木麻黄地上生物量与激光雷达数据提取的样地平均树高、冠幅加权平均高、平均冠幅建立回归线性模型，并对模型的精度进行验证，从而得到最优的预测模型，用于预测以木麻黄单木参数为响应变量的整个实测区的木麻黄地上生物量，由于无法直接从激光雷达的LiDAR点云数据中获取木麻黄单木胸径信息，但胸径与树高、冠幅的关系密切，因此可以通过建立实测地上生物量与样地参数(无人机获取的LiDAR点云数据)进行估测算术平均树高、冠幅加权平均高以及平均冠幅的建立回归关系；基于木麻黄单木参数的地上生物量估算＝采用线性回归方法估测算术平均高(AvgHA)自然对数形式的拟合效果最佳(R2＝0.851，RMSE＝0.312t/ha)；基于样地参数的木麻黄地上生物量估算，使用筛选后的预测变量进行多元线性方程进行拟合优化，直到满足预测变量个数最少时，得到最优的木麻黄地上生物量预测模型，从而估算出研究区木麻黄地上生物量AGB。
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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种木麻黄单木地上生物量的估算方法，其特征在于，通过实地测量获取木麻黄单木的位置和参数，然后使用这些参数估算实测地的木麻黄地上生物量；接着，以实地测量的位置为参考，使用无人机激光雷达获取木麻黄单木的LiDAR点云数据，并对这些数据进行预处理，获取样地参数；以实测地的木麻黄地上生物量作为响应变量，样地参数作为预测变量，建立预测模型；最后，通过线性拟合对预测模型进行验证，获取最优的木麻黄地上生物量估测结果。
2.如权利要求1所述的木麻黄单木地上生物量的估算方法，其特征在于，包括：
步骤一，对待估算区域内所有样本地的木麻黄单木进行定位，以获取每木麻黄单木的位置坐标，对样本地的木麻黄单木进行实地测量并获取样本地的木麻黄单木参数，根据木麻黄单木参数估算实测地的木麻黄地上生物量；
步骤二，以实地测量样本地的木麻黄单木所在位置作为参考，采用无人机激光雷达获取待估算区域内木麻黄单木的LiDAR点云数据，对木麻黄单木的LiDAR点云数据进行预处理获取样地参数；
步骤三，以实测地的木麻黄地上生物量作为为响应变量，样地参数作为预测变量，建立样地参数与实测地的木麻黄地上生物量预测模型；
步骤四，采用线性拟合验证木麻黄地上生物量预测模型，获取最优木麻黄地上生物量估测结果。
3.如权利要求1所述的木麻黄单木地上生物量的估算方法，其特征在于，步骤一具体的实现方法为：
使用测量工具以确定每棵木麻黄的位置坐标，同时，通过使用直尺、卷尺工具，可以实地测量木麻黄的单木参数，这些参数可以用于后续的生物量估算。
4.如权利要求1所述的木麻黄单木地上生物量的估算方法，其特征在于，步骤二具体的实现方法为：
无人机激光雷达系统可以在飞过待估算区域时，通过发射和接收激光脉冲，获取每棵木麻黄的LiDAR点云数据；这些数据包含了每个激光脉冲的返回信息；预处理包括噪声去除、地面点分离和树冠分割步骤，以便获取更准确的样地参数。
5.如权利要求1所述的木麻黄单木地上生物量的估算方法，其特征在于，步骤三具体的实现方法为：
使用回归分析或机器学习算法来建立预测模型；使用多元线性回归模型，以实测地的木麻黄地上生物量作为响应变量，样地参数作为预测变量；或者，可以使用更复杂的机器学习模型以提高预测的精度。
6.如权利要求1所述的木麻黄单木地上生物量的估算方法，其特征在于，步骤四具体的实现方法为：
使用线性拟合的方法来验证预测模型，将预测的木麻黄地上生物量与实测的生物量进行比较，通过计算相关系数、均方误差统计指标，来评估模型的预测性能；如果这些指标满足预设的准则，则可以认为模型是有效的，可以用于获取最优的木麻黄地上生物量估测结果。
7.如权利要求1所述的木麻黄单木地上生物量的估算方法，其特征在于，步骤三具体包括：
数据准备：将从步骤一和步骤二获取的数据整合在一起，形成一个数据集；这个数据集包含每个样地的LiDAR特征和相应的实地测量的木麻黄地上生物量；
特征选择：对于更复杂的数据集，可能需要进行特征选择以减少噪音和过拟合；可以使用相关性分析、主成分分析(PCA)或其他特征选择方法来识别和选择最有预测力的特征；
模型选择：选择一个适合任务的预测模型；选择包括线性回归、决策树、随机森林、支持向量机；模型的选择取决于数据的性质和预测目标；
模型训练：使用样地参数作为输入，实测地的木麻黄地上生物量作为输出，训练选定的模型；
模型评估：在训练模型后，需要评估模型的性能；包括计算训练误差和验证误差，并检查模型是否出现过拟合或欠拟合。
8.如权利要求1所述的木麻黄单木地上生物量的估算方法，其特征在于，步骤四具体包括：
模型验证：将预测模型应用于一个独立的测试集，测试集应包含样地参数和实测地的木麻黄地上生物量；计算模型的预测值和实际值之间的差异，通常使用均方误差或根均方误差评价指标；
线性拟合：将模型的预测值和实际值进行线性拟合，生成一个线性模型；线性拟合的目标是最小化预测值和实际值之间的差异；线性拟合的结果可以用于评估预测模型的偏差和方差，以及预测值和实际值之间的相关性；
结果评估：根据线性拟合的结果，评估预测模型的性能；如果预测模型的性能不满足预设的准则，可以返回步骤三，尝试使用不同的特征、模型，或者调整模型的参数；
最优估测结果：如果预测模型的性能满足预设的准则，那么模型的预测值就是最优的木麻黄地上生物量估测结果。
9.一种用于实施权利要求1～8任意一项所述的木麻黄单木地上生物量的估算方法的木麻黄单木地上生物量的估算系统，其特征在于，所述木麻黄单木地上生物量的估算系统包括：
坐标获取模块，用于对待估算区域内所有样本地的木麻黄单木进行定位，以获取每木麻黄单木的位置坐标；
木麻黄单木参数获取模块，用于对样本地的木麻黄单木进行实地测量并获取样本地的木麻黄单木参数；
生物量估算模块，用于根据木麻黄单木参数估算实测地的木麻黄地上生物量；
点云数据获取模块，用于以实地测量样本地的木麻黄单木所在位置作为参考，采用无人机激光雷达获取待估算区域内木麻黄单木的LiDAR点云数据，对木麻黄单木的LiDAR点云数据进行预处理获取样地参数；
预测模型构建模块，用于以实测地的木麻黄地上生物量作为为响应变量，样地参数作为预测变量，建立样地参数与实测地的木麻黄地上生物量预测模型；
模型验证模块，用于采用线性拟合验证木麻黄地上生物量预测模型，获取最优木麻黄地上生物量估测结果。
CN202310977446.9A 2023-08-04 2023-08-04 一种木麻黄单木地上生物量的估算方法与系统 Pending CN117035174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310977446.9A CN117035174A (zh) 2023-08-04 2023-08-04 一种木麻黄单木地上生物量的估算方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310977446.9A CN117035174A (zh) 2023-08-04 2023-08-04 一种木麻黄单木地上生物量的估算方法与系统

Publications (1)

Publication Number Publication Date
CN117035174A true CN117035174A (zh) 2023-11-10

Family

ID=88642285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310977446.9A Pending CN117035174A (zh) 2023-08-04 2023-08-04 一种木麻黄单木地上生物量的估算方法与系统

Country Status (1)

Country Link
CN (1) CN117035174A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117908048A (zh) * 2024-01-25 2024-04-19 上海兰桂骐技术发展股份有限公司 一种基于无人机激光雷达数据高通量测量玉米生物量的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117908048A (zh) * 2024-01-25 2024-04-19 上海兰桂骐技术发展股份有限公司 一种基于无人机激光雷达数据高通量测量玉米生物量的方法

Similar Documents

Publication Publication Date Title
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
CN114037911B (zh) 一种顾及生态分区的大尺度森林高度遥感反演方法
CN109212505B (zh) 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法
CN108872964B (zh) 基于无人机LiDAR数据的银杏人工林郁闭度提取方法
CN108896021B (zh) 基于航空摄影测量点云提取人工林林分结构参数的方法
CN114091613B (zh) 一种基于高分联合组网数据的森林生物量估算方法
CN108981616B (zh) 一种由无人机激光雷达反演人工林有效叶面积指数的方法
CN114740180A (zh) 基于多源遥感数据的土壤有机碳估算方法及装置
CN112861435B (zh) 一种红树林质量遥感反演方法及智能终端
CN115294147A (zh) 一种基于无人机激光雷达单木与森林地上生物量估算方法
CN115796344A (zh) 一种区域尺度上森林植被碳储量的估算方法
CN109061601A (zh) 一种基于无人机激光雷达反演人工林森林结构参数的方法
CN116881812A (zh) 基于多源遥感数据和随机森林法估测森林碳储量的方法
CN117035174A (zh) 一种木麻黄单木地上生物量的估算方法与系统
CN109946714A (zh) 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法
CN110032939A (zh) 一种基于高斯混合模型的遥感时序数据拟合方法
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
CN113269825A (zh) 基于地基激光雷达技术林木胸径值提取的方法
Pawłuszek et al. Landslides identification using airborne laser scanning data derived topographic terrain attributes and support vector machine classification
CN116381700A (zh) 一种森林冠层高度遥感估测方法及计算机可读介质
CN109212553A (zh) 无人机LiDAR和随机森林提取银杏生物物理特性的方法
CN116773516A (zh) 一种基于遥感数据的土壤碳含量分析系统
CN116879176A (zh) 基于遥感技术区域生态环境监测和森林密度估测方法
CN115775357A (zh) 基于高光谱及机器学习的植被等效水厚度估算方法
KR102453056B1 (ko) 라이다 데이터를 이용한 훼손지 식생 복원모델 산출시스템 및 방법, 이를 실행하는 프로그램 기록매체

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