CN117150902A - 结合背包点云和卫星遥感数据的生物量反演方法和系统 - Google Patents

结合背包点云和卫星遥感数据的生物量反演方法和系统 Download PDF

Info

Publication number
CN117150902A
CN117150902A CN202311110369.3A CN202311110369A CN117150902A CN 117150902 A CN117150902 A CN 117150902A CN 202311110369 A CN202311110369 A CN 202311110369A CN 117150902 A CN117150902 A CN 117150902A
Authority
CN
China
Prior art keywords
vegetation
biomass
sample
land
knapsack
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
CN202311110369.3A
Other languages
English (en)
Inventor
鹿海峰
徐光彩
刘保献
翟婉璐
张蔷
鄢诗宇
秦丽欢
苏日娜
李令军
张衡
左勇
曾铭扬
王兰兰
杨超
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.)
Beijing Digital Green Earth Technology Co ltd
Beijing Ecological Environment Monitoring Center
Original Assignee
Beijing Digital Green Earth Technology Co ltd
Beijing Ecological Environment Monitoring Center
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 Beijing Digital Green Earth Technology Co ltd, Beijing Ecological Environment Monitoring Center filed Critical Beijing Digital Green Earth Technology Co ltd
Priority to CN202311110369.3A priority Critical patent/CN117150902A/zh
Publication of CN117150902A publication Critical patent/CN117150902A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明提供了结合背包和卫星遥感数据的生物量反演方法和系统，其中，结合背包点云和卫星遥感数据的生物量反演方法包括：使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对样地植被进行调查，得到样地植被地表生物量。获取样地的卫星遥感数据，提取与地表植被生物量密切相关联的特征因子，使用随机森林回归算法构建其与样地实际生物量间的关系，建立生物量回归方程。结合区域尺度的遥感卫星数据和生物量回归方程反演得到城市的植被地表生物量。本发明的技术方案能解决现有技术中消耗人力物力大，且难以实现单木生物量的精确测算的问题。

Description

结合背包点云和卫星遥感数据的生物量反演方法和系统
技术领域
本发明涉及生物量计算技术领域，尤其涉及一种结合背包点云和卫星遥感数据的生物量反演方法和系统。
背景技术
生物量集中体现了生态系统的功能指标和能量获取能力，因此对生态系统的结构和功能的形成具有显著意义。植被地表生物量是生物量的重要组成部分，因此植被地表生物量也成为生态环境质量监测和状况评价的重要指标，其调查成果反映了区域内森林资源与生态状况，是对生态环境质量进行综合评价的重要依据。
在城市中城市地表生物量不仅与城市自然资源调查、不同类型生态系统结构功能以及不同区域生态环境突出问题密切相关，同时也是开展气候变化、碳循环以及碳储量等研究的重要内容。因此，如何开展城市植被地表生物量估算，对于加强生态环境保护统一监管、全面推进生态环境综合评估与生态环境风险预警具有重要意义。现有的城市植被地表生物量的估算和反演方法，大多基于遥感技术构建模型进行地表生物量。以遥感技术多尺度的对地观测能力，能够大幅减少人力、物力且能满足精度要求，也逐渐取代传统的人工量测方法。目前，业界多运用传统的光学遥感技术对植被地表生物量进行反演，其中以卫星遥感影像及通过无人机获取的光谱影像作为数据源居多。利用卫星遥感数据进行生物量反演时，一般通过数据融合，提取植被指数，并结合实测样地数据，建立估算模型，其中地面实测数据大部分为人工测量，少部分为地物波谱仪测得；使用无人机光谱数据反演植被生物量多通过影像提取树冠面积，结合样地调查人工测量胸径，进行生物量模型构建。
现有的基于遥感技术进行植被地表生物量反演估算主要存在以下几个方面的问题：
(1)普通卫星遥感影像的空间分辨率较低、定位精度差，对于植被树木生长密集的区域可控性较弱，无法实现单木生物量的精确测量；
(2)基于无人机光谱技术进行测量只能采集到植被上方数据，构建模型的参数少，且结合地面样地人工或手持激光雷达实测DBH，所耗人力大、耗时长，无法实现大尺度区域全物种植被生物量的精确量测；
(3)目前已有的综合多源遥感数据反演生物量的融合方法包括多种卫星遥感影像融合、卫星影像结合地面实测数据以及机载LiDAR获取的点云数据融合等，均存在包括单木生物量估算精度低、定位差、植被物种多样性无法兼顾、生物量估算范围小、所耗时长及人力物力成本高等的一种或多种问题。
发明内容
本发明提供一种结合背包点云和卫星遥感数据的生物量反演方案，旨在解决现有技术中生物量估算范围小，消耗人力物力大，且难以实现单木生物量的精确测量的问题。
为解决上述问题，根据本发明的第一方面，本发明提出了一种结合背包点云和卫星遥感数据的生物量反演方法，包括：
使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对样地的地表植被进行生物量调查，得到样地植被地表生物量；
获取样地的卫星遥感数据，提取卫星遥感数据中与样地植被地表生物量相关联的多个特征因子；
使用随机森林回归算法构建所述特征因子与所述样地植被地表生物量之间的生物量回归模型，根据卫星遥感数据和生物量回归模型反演得到城市的植被地表生物量。
优选的，上述生物量反演方法中，使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对城市中的地表植被进行生物量调查的步骤，包括：
使用分层抽样法结合城市的地理因素，按照预定比例选取城市的样地；
使用外业调查设备调查样地的地表植被，得到地表植被的植被特征参数；以及，
使用背包激光雷达系统对样地的地表植被进行移动扫描，得到地表植被的三维背包点云；
根据地表植被的植被特征参数和三维背包点云，计算得到样地植被地表生物量。
优选的，上述生物量反演方法中，使用外业调查设备调查样地的地表植被，得到地表植被的植被特征参数的步骤，包括：
以样地中心的乔木为起点，沿预定调查方向从样地中心到样地边缘调查乔木的植被特征参数；
对样地中已调查的乔木和植被特征参数进行标记和记录；
在样地中心的乔木周围预定半径范围内，调查灌木的植被特征参数；
记录调查的灌木和灌木的植被特征参数；
以及，
在样地范围内选择多个草本调查样方，记录草本调查样方内所有草本的植被特征参数。
优选的，上述生物量反演方法中，根据地表植被的植被特征参数和三维背包点云，计算得到样地植被地表生物量的步骤，包括：
从地表植被的三维背包点云中提取得到植被三维信息；
对地表植被的植被三维信息与植被特征参数进行匹配；
当植被三维信息与植被特征参数匹配成功时，使用异速生长模型计算样地内乔木层地表生物量；
根据样地内灌木层的植被特征参数，选择对应的生物量模型计算得到样地内灌木层的生物量；
根据样地内每一草本调查样方所有草本的植被特征参数和草本调查样方的面积，计算得到样地内的草本层生物量。
优选的，上述生物量反演方法中，使用背包激光雷达系统对样地的地表植被进行移动扫描，得到地表植被的三维背包点云的步骤，包括：
使用背包激光雷达系统的双激光雷达传感器对地表植被进行移动扫描，得到地表植被的三维背包点云；
使用背包激光雷达系统的全景相机对地表植被进行移动扫描，得到地表植被的全景影像；以及
使用背包激光雷达系统的GNSS天线接收卫星原始观测值，得到激光雷达系统位置信息。
优选的，上述生物量反演方法中，使用背包激光雷达系统的双激光雷达传感器对地表植被进行移动扫描，得到地表植被的三维背包点云的步骤，包括：
使用激光雷达系统的双激光雷达传感器对地表植被进行移动扫描，得到地表植被的三维背包点云；
根据SLAM算法对地表植被的三维背包点云逐帧进行空间特征提取，得到地表植被周围环境的显著地物；
依据前后两帧点云的相同地物进行点云拼接，完成所述样地的整体地图构建；
对样地的整体地图与激光雷达系统的位置信息进行数据关联；
使用关联的数据对激光雷达系统进行位置估计和地图更新。
优选的，上述生物量反演方法中，提取卫星遥感数据中与样地植被地表生物量相关联的多个特征因子的步骤，包括：
从卫星遥感数据中提取城市的单波段光谱反射率、植被指数和纹理因子特征等特征因子；
对单波段光谱反射率、植被指数和纹理因子等特征因子分别与城市植被地表生物量进行相关性分析；
根据相关性分析的关联结果，从单波段光谱反射率、植被指数和纹理因子等特征因子中提取得到多个特征因子；
对多个特征因子进行标准化处理。
优选的，上述生物量反演方法中，使用随机森林回归算法构建特征因子与样地植被地表生物量之间的生物量回归模型，根据卫星遥感数据和生物量回归模型反演得到城市的植被地表生物量的步骤，包括：
使用随机森林回归算法构建特征因子与样地植被地表生物量之间的生物量回归模型；
以多个特征因子作为生物量回归模型的自变量，以植被地表生物量作为生物量回归模型的因变量，反演得到城市的植被地表生物量；
当生物量回归模型收敛时，将反演得到的城市的植被地表生物量与植被地表生物量验证集进行对比，根据对比结果计算生物量回归模型的评价精度。
根据本方面的第二方面，本发明还提供了一种结合背包点云和卫星遥感数据的生物量反演系统，包括：
生物量调查模块，用于使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对样地的地表植被进行生物量调查，得到样地植被地表生物量；
特征因子提取模块，用于获取样地的卫星遥感数据，提取卫星遥感数据中与样地地表植被生物量相关联的多个特征因子；
回归模型构建模块，用于使用随机森林回归算法构建特征因子与样地植被地表生物量之间的生物量回归模型；
生物量反演模块，用于根据卫星遥感数据和生物量回归模型反演得到城市的植被地表生物量。
优选的，上述生物量反演系统中，生物量调查模块包括：
样地选取子模块，用于使用分层抽样法结合城市的地理因素，按照预定比例选取城市的样地；
植被调查子模块，用于使用外业调查设备调查样地的地表植被，得到地表植被的植被特征参数；以及，
移动扫描子模块，用于使用背包激光雷达系统对地表植被进行移动扫描，得到地表植被的三维背包点云；
生物量计算子模块，用于根据地表植被的植被特征参数和三维背包点云，计算得到样地植被地表生物量。
综上，本发明提供的结合背包点云和卫星遥感数据的生物量反演方案，通过使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对城市的地表植被进行生物量调查，这样使用外业调查设备和背包激光雷达系统相结合的方式，将背包三维点云与人工实测植被数据补充与验证，得到样地植被地表生物量，提高样地植被地表生物量的测量精度，同时降低了人力成本，提高了生产效率。另外，使用背包激光雷达系统扫描城市地表植被，能够实现高精度三维点云数据的提取，定位精度高；再结合卫星遥感数据中与城市地表植被相关联的多个特征因子，以该多个特征因子作为生物量回归模型的自变量，以植被地表生物量作为因变量，从而根据生物量回归模型反演得到城市的植被地表生物量，能够构建尺度上推的方法，从而使用背包式激光雷达结合卫星遥感数据，实现城市大尺度范围内全物种生物量的推演估算。综上，本发明提供的技术方案能够解决现有技术中普通卫星遥感影像空间分辨率低，定位精度差，无人机光谱技术只能采集植被上方数据，耗费人力物力大，提取单木物种单一，难以实现大尺度区域全物种植被生物量的精确测量的问题。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明实施例提供的一种结合背包点云和卫星遥感数据的生物量反演方法的流程示意图；
图2是图1所示实施例提供的一种地表植被的生物量调查方法的流程示意图；
图3是图2所示实施例提供的一种使用外业调查设备进行地表植被的调查方法的流程示意图；
图4是图2所示实施例提供的第一种使用激光雷达系统进行地表植被的扫描方法的流程示意图；
图5是图2所示实施例提供的第二种使用激光雷达系统进行地表植被的扫描方法的流程示意图；
图6是图2所示实施例提供的一种样地植被地表生物量的计算方法的流程示意图；
图7是图1所示实施例提供的一种特征因子的提取方法的流程示意图；
图8是图1所示实施例提供的一种植被地表生物量的反演方法的流程示意图；
图9是本发明实施例提供的一种各类植被样地调查范围的结构示意图；
图10是本发明实施例提供的一种SLAM算法的数据关联方法的流程示意图；
图11是本发明实施例提供的一种背包激光雷达系统的三维背包点云的结构示意图；
图12是本发明实施例提供的一种结合背包点云和卫星遥感数据的生物量反演系统的结构示意图；
图13是图12所示实施例提供的一种生物量反演模块的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明实施例的主要解决的技术问题是：
现有的城市植被地表生物量的估算和反演方法，大多基于遥感技术构建模型进行地表生物量。基于遥感技术进行植被地表生物量反演估算主要存在以下几个方面的问题：
(1)普通卫星遥感影像的空间分辨率较低、定位精度差，对于植被树木生长密集的区域可控性较弱，无法实现单木生物量的精确测量；
(2)基于无人机光谱技术进行测量只能采集到植被上方数据，构建模型的影响因素少，且结合地面样地人工或手持激光雷达实测DBH，所耗人力大，无法实现大尺度区域全物种植被生物量的精确量测；
(3)目前已有的综合多源遥感数据反演生物量的融合方法包括多种卫星遥感影像融合、卫星影像结合地面实测数据以及机载LiDAR获取的点云数据融合等，均存在包括单木生物量估算精度低、定位差、植被物种多样性无法兼顾、生物量估算范围小、所耗时长及人力物力成本高等的一种或多种问题。
为了解决上述问题，本发明下述实施例提供了结合背包点云和卫星遥感数据的生物量反演方案，通过针对城市植被地表生物量，包括：使用背包激光雷达扫描系统辅以人工量测的方式开展植被地表生物量外业调查，获取样地植被地表生物量，获取扫描范围内的高分辨率全景影像以及高精度三维点云数据。利用多光谱遥感数据提取得到多个特征因子，构建生物量回归模型，开展城市植被地表生物量遥感估算，并基于生物量回归模型获取该市逐年植被地表生物量及其变化情况。该方法实现了背包激光雷达扫描技术与卫星遥感技术的结合，背包激光雷达相对于手持及机载激光雷达获取点云数据更平整细腻，采用模块化设计，集成度更高，能够实时解算相对坐标点云，点云密度更高。该方法提高了特定物种单木定位及其生物量估算精度，并兼顾了地表生物多样性，从而得到全市区域内的高精度和高可靠性的植被地表生物量成果，且相对节约人力成本，提高了外业调查效率。
为实现上述目的，参见图1，图1为本发明实施例提供的一种结合背包点云和卫星遥感数据的生物量反演方法的流程示意图。如图1所示，该结合背包点云和卫星遥感数据的生物量反演方法，包括：
S110：使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对样地的地表植被进行生物量调查，得到样地植被地表生物量。
外业调查通常采用分层抽样调查法，该分层抽样调查法综合面积、树种、树龄、郁闭度、海拔、坡度和坡向等地理因素，按照一定比例从某城市中各个区中选取样地，样地内的乔木、灌木和林下草地均进行调查，其生物量之和认定为样地植被地表生物量。通过采用人工调查使用的外业调查设备与背包激光雷达扫描相结合的方式，能够综合提高植被信息观测精度与准确度。
具体地，作为一种优选的实施例，如图2所示，上述生物量反演方法中，步骤S110：使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对样地的地表植被进行生物量调查的步骤，包括：
S111：使用分层抽样法结合城市的地理因素，按照预定比例选取城市的样地。分层抽样法是指从一个能够分成不同子总体(或称为层)的总体中，按预定比例从不同层中随机抽取样品(个体)的方法。这种方法的优点是，样本的代表性比较好，抽样误差比较小。在样地选取过程中，结合城市中的各种地理因素，例如抽样面积、树种、树龄、郁闭度、海拔、坡度和坡向等，能够综合选取城市中具有代表性的样地。另外，为进一步保证植被地表生物量调查的准确性，需要选择不少于总样方数10％的样方进行进一步地表植被的调查。
S112：使用外业调查设备调查样地的地表植被，得到样地的地表植被的植被特征参数。该地表植被包括样地内的乔木、灌木和林下草地等。通过对地表植被进行调查，得到植被特征参数，该植被特征参数包括单木的树种、树高、胸径和冠幅等植被特征参数；其中，选用的外业调查设备包括激光测高仪和胸径尺等设备。
S113：使用背包激光雷达系统对样地的地表植被进行移动扫描，得到地表植被的三维背包点云。其中，能够采用LiBackpack DGC50背包激光雷达系统对林地样方内的地表植被进行移动扫描，得到地表植被的三维背包点云。背包激光雷达系统的数据获取与传统的无人机激光雷达以及地基激光雷达系统不同，其点云数据能够实现即时地自动拼接，不需要后期进行大量手工拼接，从而大大提高数据的获取效率。
S114：根据地表植被的植被特征参数和三维背包点云，计算得到样地植被地表生物量。采用外业调查能够得到的植被特征参数，例如树种、树高、胸径和冠幅等，采用背包激光雷达系统扫描地表植被得到的三维背包点云，能够精确提取地表植被的三维信息，通过对三维背包点云进行处理，得到地表植被的植被特征参数，与上述外业调查设备得到的植被特征参数进行匹配，即可计算得到样地植被地表生物量。
其中，作为一种优选的实施例，如图3所示，上述生物量反演方法中，步骤S112：使用外业调查设备调查样地的地表植被，得到样地的地表植被的植被特征参数的步骤，包括：
S1121：以样地中心的乔木为起点，沿预定调查方向从样地中心到样地边缘调查乔木的植被特征参数。结合图9所示的植被样地调查范围可知，为了便于定位观测，在山区和平原样地需要设置圆形样地，该圆形样地选取林木植被分布相对均匀的地块，以地块中间的高大乔木作为样地中心(0.0)点，测量其胸径等植被特征参数，并在测量处用喷漆标记。
S1122：对样地中已调查的乔木和植被特征参数进行标记和记录。
针对乔木及其植被特征参数的调查，通常需要首先统计该市乔木树种
在具体实施中，调查统计了某市乔木树种14331株，涉及75个树种，主要包括杨树、侧柏、国槐、油松、榆树、板栗、杏树、栾树、核桃、刺槐、柳树、银杏和五角枫等。如图9所示，该样地的外圆为每个样地乔木的测量范围，中心乔木编号0.0，在中心乔木处以北向为正方向，沿顺时针方向由近及远调查，采用激光测高仪和胸径尺等外业调查设备测量乔木类植被树高和胸径等植被特征参数，记录外圆范围内每一株乔木的方位角以及该乔木到中心乔木的距离等信息。调查后可喷漆标记胸径测量位置并在树上按次序标记树号，以便于后续复测。若样地所在位置的坡度较大，可调整坡度抵消水平误差。其中，样地的边界木遵从首个180°边界木计数，第二个180°边界木不计数原则。
S1123：在样地中心的乔木周围预定半径范围内，调查灌木的植被特征参数。
S1124：记录调查的灌木和灌木的植被特征参数。
在具体实施中，共调查某市灌木10310株，涉及34个灌木树种，主要灌木树种为荆条、绣线菊和扁担杆等。在样地中心乔木周围、半径为3m的红色样圆内对灌木层进行调查，如图9所示，采用千分卡尺逐株(丛)记录地面以上3cm处的灌木基径，并记录灌木种名、高度和株数等植被特征参数。
S1125：在样地范围内选择多个草本调查样方，记录草本调查样方内所有草本的植被特征参数。
结合图9所示的样地范围可知，在大样圆内选择草本分布较为均匀的地点，设置1m*1m的3个样方，在每个样方内记录草本的种类、高度以及盖度等植被特征参数。
在使用外业调查设备调查样地对应的地表植被，得到该地表植被的植被特征参数后，还需要结合背包激光雷达对地表植被进行移动扫描，从而得到更加准确的样地植被地表生物量。
该设备集成了全景相机、GNSS天线、双激光雷达传感器，同步获取样地点云、全景影像数据并能够跟踪GNSS信号，LiDAR精度可达±3cm，无论扫描环境中是否存在GNSS信息，均可获取扫描范围内的高分辨率全景影像以及高精度三维点云数据，可以实现地表植被的精确测量，并极大提高定位精度。
具体地，作为一种优选的实施例，如图4所示，上述步骤S113：使用背包激光雷达系统对样地的地表植被进行移动扫描，得到地表植被的三维背包点云的步骤，包括：
S1131：使用背包激光雷达系统的双激光雷达传感器对地表植被进行移动扫描，得到地表植被的三维背包点云。
该背包激光雷达系统能够采用LiBackpack DGC50背包激光雷达系统，对林地样方进行移动扫描，获得地表植被的三维背包点云。该LiBackpack DGC50背包激光雷达系统的精度能够达到±3cm；无论扫描环境是否存在GNSS信息均可获取扫描范围内的高分辨率全景影像以及高精度三维点云数据，都能够实现地表植被的精确测量，并极大提高定位精度。
S1132：使用背包激光雷达系统的全景相机对地表植被进行移动扫描，得到地表植被的全景影像。因为LiBackpack DGC50背包激光雷达系统集成了全景相机、GNSS天线和双激光雷达传感器，能够同步获取样地的三维背包点云、全景影像数据并能够根据GNSS信号。因此使用背包激光雷达系统的全景相机能够获得地表植被的准确的全景影像。
以及
S1133：使用背包激光雷达系统的GNSS天线接收背包激光雷达系统的GNSS信号。
因为本申请实施例的背包激光雷达系统选用LiBackpack DGC50背包激光雷达系统。该背包激光雷达系统集成了全景相机、GNSS天线和双激光雷达传感器，采用该背包激光雷达系统对地表植被进行移动扫描，能够同步获得地表植被的三维背包点云、全景影像并能够跟踪GNSS信号，LiDAR精度可达±3cm，无论扫描环境中是否存在GNSS信息，均可获取扫描范围内的高分辨率全景影像以及高精度三维点云数据，可以实现地表植被的精确测量，并极大提高定位精度。
另外，该LiBackpack DGC50背包激光雷达系统能够在水平和垂直两个方向分别设置有VLP16激光雷达传感器，该传感器的有效范围为100米，具备耗电低(～8W)、重量轻(830克)、占用空间少(直径约为103毫米×72毫米)以及双重回传功能等优点。使用该背包激光雷达系统能够同时选配高分辨率全景相机以及高精度GNSS设备。全景相机能够获取观测区真彩色影像，分辨率达4320*2160，帧率为25。GNSS天线能够跟踪GPS、GLONASS和BeiDou信号，GNSS天线中的GPS可跟踪L1 C/A、L1C、L2C、L2P和L5等信号，GLONASS可跟踪L1 C/A、L2C、L2P、L3和L5等信号，BeiDou可跟踪B1和B2等信号。通过使用上述背包激光雷达系统，能够准确定位地表植被的三维背包点云和全景影像以及位置信息，从而获取高精度的植被特征参数。
具体地，作为一种优选的实施例，如图5所示，上述生物量反演方法中，步骤S113：使用背包激光雷达系统的双激光雷达传感器对地表植被进行移动扫描，得到地表植被的三维背包点云的步骤包括：
S1134：使用激光雷达系统的双激光列达传感器对地表植被进行移动扫描，得到地表植被的三维背包点云。激光雷达系统能够结合同步定位与制图构建SLAM算法，实现对地表植被的地图构建和更新。另外，由于背包激光雷达系统的数据获取与地基激光雷达系统和无人机激光雷达系统不同，其获取的三维点云数据能够实现即时地自动拼接，不需要后期进行大量手工拼接，从而能够大大提高数据的获取效率。由于其能够不依赖于GPS信号，为缺失GPS信号的环境下的(如室内和林下)激光雷达数据的获取提供了一种新的手段。其中，背包激光雷达系统获取的三维背包点云如图11所示。
S1135：根据SLAM算法对地表植被的三维背包点云逐帧进行空间特征提取，得到地表植被周围环境的显著地物。SLAM算法是一种常用于机器人或自动驾驶车辆的定位和制图构建技术。通过SLAM算法能够在位置环境中结合地物特征和自身姿态对周围环境进行定位和导航，该SLAM算法是背包激光雷达系统的核心。通过将SLAM算法对地表植被的三维背包点云进行空间特征提取，能够得到该地表植被周围环境的显著地物，从而能够在背包激光雷达系统的周围环境中结合地物特征和自身姿态对周围环境进行定位和导航。
S1136：依据前后两帧三维背包点云的相同地物进行点云拼接，完成样地的整体地图构建。
S1137：对样地的整体地图与激光雷达系统的位置信息进行数据关联。
S1138：使用关联的数据对激光雷达系统进行位置估计和地图更新。
SLAM算法主要是根据在离散时间域(时间间隔为t)上的一系列激光雷达观测Ot(距离和角度)来反算传感器的位置xt并更新地图观测数据mt，即P(mt,xt|o1:t)。SLAM算法的主要过程分为以下四个主要部分：特征提取、数据关联、状态估计和地图更新。其中，特征提取的主要目的是通过识别观测环境中的显著地物来完成逐帧点云数据的拼接，然后使用拼接的数据对地表植被进行状态估计和地图更新。
移动过程中采集到多帧点云数据，SLAM算法是对一帧一帧的点云数据进行分析识别。当前后两帧同时扫到了A物体，将两中A物体的点云数据进行分析，判断出这是同一物体A，据此对前后两帧的数据进行拼接。整个地图构建便是这样一帧一帧拼合形成。
其中，数据关联的步骤如图10所示，包括：
S201：激光雷达扫描；
S202：空间特征提取。
S203：数据关联。
S204：扩展卡尔曼滤波器更新地图观测。
S205：扩展卡尔曼滤波器再次观测，该再次观测结合上述S203关联的数据。
S206：扩展卡尔曼滤波器新观测。
S207：位置更新，将更新的位置输入至卡尔曼滤波器，重新执行步骤S204。
另外作为一种优选的实施例，如图6所示，上述图2所示的生物量反演方法中，步骤S114：根据地表植被的植被特征参数和三维背包点云，计算得到样地植被地表生物量的步骤，包括：
S1141：从地表植被的三维背包点云中提取得到植被三维信息。地表植被的三维背包点云包括乔木的植被三维信息，使用该植被三维信息能够精确测算得到乔木的植被地表生物量，同时采用差分GPS信息能够记录得到样地中每个树木的位置。
S1142：对地表植被的植被三维信息与植被特征参数进行匹配。上述外业调查设备得到的植被特征参数包地表植被的树种、树高、胸径和冠幅等数据，采用背包激光雷达系统扫描地表植被后，能够得到上述植被三维信息，对该植被三维信息进行数据解算和真彩赋色等预处理，对上述指标三维信息提取得到单木位置、单木树高、单木胸径和单木冠幅等植被特征参数，就使用基于上述三维背包点云得到的植被特征参数与上述外业调查设备得到的植被特征参数进行匹配，从而得到更加准确的植被特征信息。
S1143：当植被三维信息与植被特征参数匹配成功时，使用异速生长模型计算样地内乔木层地表生物量。
在对扫描得到的三维背包点云进行数据解算和真彩色赋色等预处理后，使用LiDAR360软件对三维背包点云进行处理，得到植被三维信息，从该植被三维信息中提取单木位置、单木树高、单木胸径和单木冠幅等植被特征参数，将基于植被三维信息提取到的植被特征参数与外业调查设备实测得到的植被特征参数进行匹配。当匹配成功时，基于单木的树种、胸径、树高、冠幅等植被特征参数，通过异速生长模型计算单木地表生物量，对样地内所有单木生物量求和，就能够计算得到样地内乔木层地表生物量。
S1144：根据样地内灌木层的植被特征参数，选择对应的生物量模型计算得到样地内灌木层的生物量。
针对样地内灌木层生物量的计算，因为灌木生物量模型的测定因子一般包括地径、高度、冠幅和分枝数等，选择相应的生物量计算模型计算各等级组灌木的生物量，再分别乘以各组丛(株)数，得到样地灌木的生物量，最后根据面积换算获取整个大样方的灌木层生物量。
S1145：根据样地内每一草本调查样方所有草本的植被特征参数和草本调查样方的面积，计算得到样地内的草本层生物量。
针对样地内草本层生物量的计算，通过收获草本层地上生物量并称取鲜重，取样后带回实验室，使用鼓风干燥箱烘干并用电子天平称重，就能够得到草本层生物量，根据面积换算获取整个大样方的草本层生物量。
图1所示实施例提供的结合背包点云和卫星遥感数据的生物量反演方法，还包括：
S120：获取样地的卫星遥感数据，提取卫星遥感数据中与样地植被地表生物量相关联的多个特征因子。
本发明能够选用Sentinel-2号多光谱遥感卫星的卫星遥感数据，结合城市通过人工调查与背包激光雷达调查得到的实地调查样地生物量为数据源，通过卫星遥感数据提取该市区域内单波段光谱反射率、植被指数和纹理因子等三大类特征因子，对所有特征因子与植被生物量值进行相关性分析。就能够选取得到相关联的多个特征因子。
作为一种优选的实施例，如图7所示，上述生物量反演方法中，步骤S120：提取卫星遥感数据中与城市地表植被相关联的多个特征因子的步骤，包括：
S121：从卫星遥感数据中提取样地的单波段光谱反射率、植被指数和纹理因子特征。本发明能够选用Sentinel-2号多光谱遥感卫星的卫星遥感数据作为数据源，通过卫星遥感数据提取该市区域内单波段光谱反射率、植被指数和纹理因子等三大类特征因子。
S122：对单波段光谱反射率、植被指数和纹理因子特征分别与样地植被地表生物量进行线性相关分析。
S123：根据线性相关分析的关联结果，从单波段光谱反射率、植被指数和纹理因子特征中提取得到多个特征因子。对上述所有三大类特征因子与植被生物量进行相关分析，以多个相关性最高的特征因子(例如18个特征因子)作为自变量，就能够得到生物量回归模型的自变量。
S124：对多个特征因子进行标准化处理。
具体地，通过多光谱遥感影像进行预处理、然后进行植被指数选取、模型特征变量筛选和植被生物量反演模型建立。利用SPSS软件对各特征变量与植被生物量值之间进行相关性分析，根据特征变量值与样地生物量之间的相关性大小，选出参与建模最佳特征变量。具体地，本申请实施例中根据相关性分析的关联结果，最终选定单波段光谱反射率B2、B3、B4、B5、B11和B12等6个波段反射率，从植被指数中选取EVI、mNDVIre、NDII、NDVI、NDVIre1、NDVIre2、NDVIre3、RVI和RVIre等9个植被指数，从15×15窗口大小下的纹理因子中选取对比度(Contrast)、相异性(Dissimilarity)和同质性(Homogeneity)等3个纹理因子，一共18个特征因子作为最终建模的自变量。将上述18个特征因子合成一幅多波段数影像，其中每个波段代表一个特征变量。另外，还需要对上述特征因子合成的多波段数影像进行标准化，消除由于各个特征变量数值的数量级不同对模型精度的影响。在得到上述与地表植被的生物量强相关的多个植被特征因子后，以上述相关性最高的特征因子作为自变量，以实地调查的样地植被地表生物量为因变量，通过随机森林机器学习算法构建尺度上推方法，就能够实现城市地上生物量反演。
图1所示实施例提供的结合背包点云和卫星遥感数据的生物量反演方法，在获取与城市地表植被相关联的多个特征因子后，还包括：
S130：使用随机森林回归算法构建特征因子与样地植被地表生物量之间的生物量回归模型，根据卫星遥感数据和生物量回归模型反演得到城市的植被地表生物量。
作为一种优选的实施例，如图8所示，上述步骤S130：使用随机森林回归算法构建生物量回归模型，根据多个特征因子、样地植被地表生物量和生物量回归模型反演得到城市的植被地表生物量，包括：
S131：使用随机森林回归算法构建特征因子与样地植被地表生物量之间的生物量回归模型。使用随机森林回归算法构建生物量回归模型，随机森林(Random Forest，RF)回归算法是目前精度最高的机器学习算法之一，基于随机森林构建的回归模型，其预测结果稳定且不易产生“过拟合”现象。
S132：以多个特征因子作为生物量回归模型的自变量，以植被地表生物量作为生物量回归模型的因变量，反演得到城市的植被地表生物量。具体地，该生物量回归模型是由多个决策树组成的组合回归模型，模型为{h(x,θk),k＝1,2,…,k}，其中θk是独立同分布的随机矢量，X是输入变量。本申请实施例中将地面实测的样地植被地表生物量数据作为因变量Y，将18个特征因子作为自变量X。本申请实施例中生物量回归模型的实现通过R语言软件实现。
S133：当生物量回归模型收敛时，将反演得到的城市的植被地表生物量与植被地表生物量验证集进行对比，根据对比结果计算生物量回归模型的评价精度。
本申请实施例提供的技术方案，随机森林回归算法是由多个决策树组成的组合回归模型，该生物量回归模型为{h(x,θk),k＝1,2,…,k}，其中，θk是独立同分布的随机矢量，X是输入变量。本项目将地面实测的样地生物量数据作为因变量Y，将18个特征变量(即上述18个特征因子)作为自变量X。生物量回归模型的实现是通过R语言软件实现的，具体地：首先，通过对原始的训练样本采用自助式(bootstrap)方式进行重复、有放回地随机抽取，未被抽取到的数据称为“袋外”(out ofbag)数据；其次，再从点云变量中随机选取若干变量建立决策树，选取的数量一般为变量总数的1/3；最后，重复以上过程生成若干棵决策树，随着重复次数的增加，“袋外”的数据误差也在逐渐减少，最后趋于稳定。通过对误差值与决策树数量的对比，决定采用合适的重复次数，完成回归计算。
在使用随机森林回归算法，以18个特征变量栅格作为输入数据，以城市林地范围对输入变量进行掩膜，逐像素计算植被生物量的值，最终能够计算得出该市植被生物量反演值，并与官方公布数据进行对比，就能够计算模型总体评价精度。
综上，本发明实施例提供的结合背包点云和卫星遥感数据的生物量反演方法，通过使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对城市的地表植被进行生物量调查，这样使用外业调查设备和背包激光雷达系统相结合的方式，将背包三维点云与人工实测植被数据补充与验证，得到样地植被地表生物量，提高样地植被地表生物量的测量精度，同时降低了人力成本，提高了生产效率，另外，使用背包激光雷达系统扫描城市地表植被，能够实现多种三维点云数据的提取，定位精度高；再结合卫星遥感数据中与城市地表植被生物量相关联的多个特征因子，以该多个特征因子作为生物量回归模型的自变量，以植被地表生物量作为因变量，从而根据生物量回归模型反演得到城市的植被地表生物量，能够构建尺度上推的方法，从而使用背包式激光雷达结合卫星遥感数据，实现城市大尺度范围内全物种生物量的推演估算。综上，本发明提供的技术方案能够解决现有技术中普通卫星遥感影像空间分辨率低，定位精度差，无人机光谱技术只能采集植被上方数据，耗费人力物力大，难以实现大尺度区域全物种植被生物量的精确测量的问题。
另外，基于上述方法实施例的同一构思，本发明实施例还提供结合背包点云和卫星遥感数据的生物量反演系统，用于实现本发明的上述方法，由于该系统实施例解决问题的原理与方法相似，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
参见图12，图12为本发明实施例提供的一种结合背包点云和卫星遥感数据的生物量反演系统的结构示意图。如图12所示，该结合背包点云和卫星遥感数据的生物量反演系统，包括：
生物量调查模块110，用于使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对样地的地表植被进行生物量调查，得到样地植被地表生物量；
植被特征因子提取模块120，用于获取样地的卫星遥感数据，提取卫星遥感数据中与样地地表植被生物量相关联的多个特征因子；
回归模型构建模块130，用于使用随机森林回归算法构特征因子与样地植被地表生物量之间的建生物量回归模型；
生物量反演模块140，用于根据卫星遥感数据和生物量回归模型反演得到城市的植被地表生物量。
综上，本发明实施例提供的结合背包点云和卫星遥感数据的生物量反演系统，生物量调查模块110使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对城市的地表植被进行生物量调查，这样使用外业调查设备和背包激光雷达系统相结合的方式，将背包三维点云与人工实测植被数据补充与验证，得到样地植被地表生物量，能够在提高样地植被地表生物量的测量精度的同时降低人力成本，从而提高生产效率，另外，使用背包激光雷达系统扫描城市地表植被，能够实现两种或两种以上三维点云数据的提取，定位精度高；再通过植被特征因子提取模块120结合卫星遥感数据中与城市地表植被生物量相关联的多个特征因子，回归模型构建模块130以该多个特征因子作为生物量回归模型的自变量，以植被地表生物量作为因变量，能够根据生物量回归模型反演得到城市的植被地表生物量，构建尺度上推的方法，从而通过生物量反演模型140使用背包式激光雷达结合卫星遥感数据，实现城市大尺度范围内全物种生物量的推演估算。综上，本发明提供的技术方案能够解决现有技术中普通卫星遥感影像空间分辨率低，定位精度差，无人机光谱技术只能采集植被上方数据，耗费人力物力大，难以实现大尺度区域全物种植被生物量的精确测量的问题。
作为一种优选的实施例，如图13所示，上述生物量反演系统中生物量调查模块140包括：
样地选取子模块141，用于使用分层抽样法结合城市的地理因素，按照预定比例选取城市的样地。
植被调查子模块142，用于使用外业调查设备调查样地对应的地表植被，得到地表植被的植被特征参数。以及，
移动扫描子模块143，用于使用背包激光雷达系统对地表植被进行移动扫描，得到地表植被的三维背包点云。
生物量计算子模块144，用于根据地表植被的植被特征参数和三维背包点云，计算得到样地植被地表生物量。
综上，与现有技术比，本申请上述实施例提供的技术方案，具有以下技术效果：
(1)本申请提供的技术方案将背包激光雷达系统扫描点云与人工实测得到的植被数据相补充与验证，能够在提高样地生物量测量精度的同时，一定程度上降低人力成本，提高了生产效率。
(2)本申请使用的背包式激光点云扫描能够实现乔木层多种单木三维信息提取，定位精度高。
(3)本申请构建尺度上推方法，实现背包式激光雷达结合卫星遥感影像的城市大尺度全物种地上生物量估算生产全流程。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种结合背包点云和卫星遥感数据的生物量反演方法，其特征在于，包括：
使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对样地的地表植被进行生物量调查，得到样地植被地表生物量；
获取所述样地的卫星遥感数据，提取所述卫星遥感数据中与样地植被地表生物量相关联的多个特征因子；
使用随机森林回归算法构建所述特征因子与所述样地植被地表生物量之间的生物量回归模型，根据所述卫星遥感数据和所述生物量回归模型反演得到城市的植被地表生物量。
2.根据权利要求1所述的生物量反演方法，其特征在于，所述使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对样地的地表植被进行生物量调查的步骤，包括：
使用分层抽样法结合城市的地理因素，按照预定比例选取所述城市的样地；
使用所述外业调查设备调查所述样地的地表植被，得到所述样地的地表植被的植被特征参数；以及，
使用所述背包激光雷达系统对所述样地的地表植被进行移动扫描，得到所述地表植被的三维背包点云；
根据所述地表植被的植被特征参数和三维背包点云，计算得到所述样地植被地表生物量。
3.根据权利要求2所述的生物量反演方法，其特征在于，所述使用所述外业调查设备调查所述样地的地表植被，得到所述样地的地表植被的植被特征参数的步骤，包括：
以样地中心的乔木为起点，沿预定调查方向从样地中心到样地边缘调查所述乔木的植被特征参数；
对所述样地中已调查的乔木和所述植被特征参数进行标记和记录；
在所述样地中心的乔木周围预定半径范围内，调查灌木的植被特征参数；
记录调查的所述灌木和所述灌木的植被特征参数；
以及，
在样地范围内选择多个草本调查样方，记录所述草本调查样方内所有草本的植被特征参数。
4.根据权利要求2所述的生物量反演方法，其特征在于，所述根据所述地表植被的植被特征参数和三维背包点云，计算得到所述样地植被地表生物量的步骤，包括：
从所述地表植被的三维背包点云中提取得到植被三维信息；
对所述地表植被的植被三维信息与所述植被特征参数进行匹配；
当所述植被三维信息与所述植被特征参数匹配成功时，使用异速生长模型计算所述样地内乔木层地表生物量；
根据所述样地内灌木层的植被特征参数，选择对应的生物量模型计算得到所述样地内灌木层的生物量；
根据所述样地内每一草本调查样方所有草本的植被特征参数和所述草本调查样方的面积，计算得到所述样地内的草本层生物量。
5.根据权利要求2所述的生物量反演方法，其特征在于，所述使用所述背包激光雷达系统对所述样地的地表植被进行移动扫描，得到所述地表植被的三维背包点云的步骤，包括：
使用所述背包激光雷达系统的双激光雷达传感器对所述地表植被进行移动扫描，得到所述地表植被的三维背包点云；
使用所述背包激光雷达系统的全景相机对所述地表植被进行移动扫描，得到所述地表植被的全景影像；以及
使用所述背包激光雷达系统的GNSS天线接收所述背包激光雷达系统的GNSS信号。
6.根据权利要求5所述的生物量反演方法，其特征在于，使用所述背包激光雷达系统的双激光雷达传感器对所述地表植被进行移动扫描，得到所述地表植被的三维背包点云的步骤，包括：
使用所述激光雷达系统的双激光雷达传感器对所述地表植被进行移动扫描，得到所述地表植被的三维背包点云；
根据SLAM算法对所述地表植被的三维背包点云逐帧进行空间特征提取，得到所述地表植被周围环境的显著地物；
依据前后两帧三维背包点云的相同地物进行点云拼接，完成所述样地的整体地图构建；
对所述样地的整体地图与所述激光雷达系统的位置信息进行数据关联；
使用关联的数据对所述激光雷达系统进行位置估计和地图更新。
7.根据权利要求1所述的生物量反演方法，其特征在于，所述提取所述卫星遥感数据中与样地植被地表生物量相关联的多个特征因子的步骤，包括：
从所述卫星遥感数据中提取所述样地的单波段光谱反射率、植被指数和纹理因子特征；
对所述单波段光谱反射率、植被指数和纹理因子特征分别与所述样地植被地表生物量进行相关性分析；
根据相关性分析的关联结果，从所述单波段光谱反射率、植被指数和纹理因子特征中提取得到所述多个特征因子；
对所述多个特征因子进行标准化处理。
8.根据权利要求1所述的生物量反演方法，其特征在于，所述使用随机森林回归算法构建所述特征因子与所述样地植被地表生物量之间的生物量回归模型，根据所述卫星遥感数据和所述生物量回归模型反演得到所述城市的植被地表生物量的步骤，包括：
使用随机森林回归算法构建所述特征因子与所述样地植被地表生物量之间的生物量回归模型；
以所述多个特征因子作为所述生物量回归模型的自变量，以所述植被地表生物量作为所述生物量回归模型的因变量，反演得到所述城市的植被地表生物量；
当所述生物量回归模型收敛时，将反演得到的所述城市的植被地表生物量与植被地表生物量验证集进行对比，根据对比结果计算所述生物量回归模型的评价精度。
9.一种结合背包点云和卫星遥感数据的生物量反演系统，其特征在于，包括：
生物量调查模块，用于使用外业调查设备和背包激光雷达系统，根据分层抽样调查法对样地的地表植被进行生物量调查，得到样地植被地表生物量；
特征因子提取模块，用于获取所述样地的卫星遥感数据，提取所述卫星遥感数据中与所述样地地表植被生物量相关联的多个特征因子；
回归模型构建模块，用于使用随机森林回归算法构建所述特征因子与所述样地植被地表生物量之间的生物量回归模型；
生物量反演模块，用于根据所述卫星遥感数据和所述生物量回归模型反演得到城市的植被地表生物量。
10.根据权利要求9所述的生物量反演系统，其特征在于，所述生物量调查模块，包括：
样地选取子模块，用于使用分层抽样法结合所述城市的地理因素，按照预定比例选取所述城市的样地；
植被调查子模块，用于使用所述外业调查设备调查所述样地的地表植被，得到所述地表植被的植被特征参数；以及，
移动扫描子模块，用于使用所述背包激光雷达系统对所述样地的地表植被进行移动扫描，得到所述地表植被的三维背包点云；
生物量计算子模块，用于根据所述地表植被的植被特征参数和三维背包点云，计算得到所述样地植被地表生物量。
CN202311110369.3A 2023-08-31 2023-08-31 结合背包点云和卫星遥感数据的生物量反演方法和系统 Pending CN117150902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311110369.3A CN117150902A (zh) 2023-08-31 2023-08-31 结合背包点云和卫星遥感数据的生物量反演方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311110369.3A CN117150902A (zh) 2023-08-31 2023-08-31 结合背包点云和卫星遥感数据的生物量反演方法和系统

Publications (1)

Publication Number Publication Date
CN117150902A true CN117150902A (zh) 2023-12-01

Family

ID=88886218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311110369.3A Pending CN117150902A (zh) 2023-08-31 2023-08-31 结合背包点云和卫星遥感数据的生物量反演方法和系统

Country Status (1)

Country Link
CN (1) CN117150902A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117347974A (zh) * 2023-12-04 2024-01-05 中国林业科学研究院资源信息研究所 一种灌丛植被地上生物量的估测方法及装置
CN117387581A (zh) * 2023-12-12 2024-01-12 北京麦麦趣耕科技有限公司 油樟生物量估算方法、装置以及存储介质
CN118446032A (zh) * 2024-07-08 2024-08-06 西南林业大学 样地尺度森林地上生物量精准估测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117347974A (zh) * 2023-12-04 2024-01-05 中国林业科学研究院资源信息研究所 一种灌丛植被地上生物量的估测方法及装置
CN117347974B (zh) * 2023-12-04 2024-02-13 中国林业科学研究院资源信息研究所 一种灌丛植被地上生物量的估测方法及装置
CN117387581A (zh) * 2023-12-12 2024-01-12 北京麦麦趣耕科技有限公司 油樟生物量估算方法、装置以及存储介质
CN117387581B (zh) * 2023-12-12 2024-02-13 北京麦麦趣耕科技有限公司 油樟生物量估算方法、装置以及存储介质
CN118446032A (zh) * 2024-07-08 2024-08-06 西南林业大学 样地尺度森林地上生物量精准估测方法及系统
CN118446032B (zh) * 2024-07-08 2024-08-30 西南林业大学 样地尺度森林地上生物量精准估测方法及系统

Similar Documents

Publication Publication Date Title
Brede et al. Non-destructive tree volume estimation through quantitative structure modelling: Comparing UAV laser scanning with terrestrial LIDAR
CN117150902A (zh) 结合背包点云和卫星遥感数据的生物量反演方法和系统
Liang et al. Terrestrial laser scanning in forest inventories
Liang et al. Automatic stem mapping using single-scan terrestrial laser scanning
Jaakkola et al. A low-cost multi-sensoral mobile mapping system and its feasibility for tree measurements
CN104867180B (zh) 一种集成uav与lidar的森林林分特征反演方法
Næsset et al. Laser scanning of forest resources: the Nordic experience
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
Xu et al. Comparison of conventional measurement and LiDAR-based measurement for crown structures
CN112287892A (zh) 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
Stal et al. Assessment of handheld mobile terrestrial laser scanning for estimating tree parameters
CN105389538A (zh) 一种基于点云半球切片估算森林叶面积指数的方法
Li et al. An iterative-mode scan design of terrestrial laser scanning in forests for minimizing occlusion effects
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
CN109359631A (zh) 一种基于卷积神经网络的海冰类型遥感分类方法
He et al. Research and application of lidar technology in cadastral surveying and mapping
Chen et al. 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing
Calou et al. Estimation of maize biomass using unmanned aerial vehicles
CN116773516A (zh) 一种基于遥感数据的土壤碳含量分析系统
Chen et al. Extraction of Forestry Parameters Based on Multi-Platform LiDAR
KR101103340B1 (ko) 가시빈도분석을 이용한 지리정보 분석방법
Gaden Assessing potential of UAV multispectral imagery for estimation of AGB and carbon stock in conifer forest over UAV RGB imagery
Obeng-Manu Assessing the accuracy of UAV-DTM generated under different forest canopy density and its effect on estimation of aboveground carbon in Asubima forest, Ghana
Madhibha Assessment of above ground biomass with terrestrial lidar using 3D quantitative structure modelling in tropical rain forest of Ayer Hitam forest reserve, Malaysia
Liu et al. The reconstruction of three-dimensional tree models from terrestrial LiDAR

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