CN117253141A - 森林调查样地的样地数据确定方法、装置及电子设备 - Google Patents
森林调查样地的样地数据确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117253141A CN117253141A CN202311101919.5A CN202311101919A CN117253141A CN 117253141 A CN117253141 A CN 117253141A CN 202311101919 A CN202311101919 A CN 202311101919A CN 117253141 A CN117253141 A CN 117253141A
- Authority
- CN
- China
- Prior art keywords
- sample
- tree
- detected
- forest
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000011835 investigation Methods 0.000 title claims abstract description 52
- 210000000481 breast Anatomy 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 210000000038 chest Anatomy 0.000 claims description 7
- 241000894007 species Species 0.000 description 115
- 230000008569 process Effects 0.000 description 12
- 238000005070 sampling Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013480 data collection Methods 0.000 description 6
- 239000002023 wood Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种森林调查样地的样地数据确定方法、装置及电子设备，涉及数据处理技术领域，该方法包括：获取待测森林调查样地的点云数据和遥感数据；根据点云数据，确定待测森林调查样地中待测树木的树高，并根据遥感数据，确定待测树木的树种；将树高输入至树种对应的树高‑胸径回归模型中，得到待测树木的胸径；将树高、树种及胸径，确定为待测森林调查样地的样地数据。该方法基于待测森林调查样地中待测树木的树种与树高，采用树高‑胸径回归模型，准确确定该待测树木的胸径，进而能够自动确定该待测森林调查样地的样地数据，可有效提高数据处理效率，实现了样地数据的智能采集。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种森林调查样地的样地数据确定方法、装置及电子设备。
背景技术
森林调查样地是在森林中选择特定区域，对特定区域内所有树木的位置、坡度、坡向、树种类型、树高、胸径等指标进行系统性的观察、测量和记录得到的，是一种对森林生态系统进行研究和评估的基本单位；该区域范围及范围内的所有树木总体构成样地，样地内的树木称为样木。
现有的森林调查样地的样地数据采集方法是通过人工野外采集，采集步骤包括样地设计、样地选取、样地建立、样地调查、数据记录及数据汇总等。样地设计和样地选取是在野外调查前，根据研究或管理目的确定调查的样地大小和形状，样地形状可以是正方形、矩形或圆形等；在室内确定样地位置后，通过固定人员分组进行野外调查和调查结果记录；最后，在室内进行所有样地调查数据的汇总分析。人工野外采集受限于偏远地区到达难、支持资源消耗高及数据采集误差大，导致数据处理效率较低。
发明内容
本发明提供一种森林调查样地的样地数据确定方法、装置及电子设备，用以解决现有的森林调查样地的样地数据采集方法中通过人工野外采集，受限于偏远地区到达难、支持资源消耗高及数据采集误差大，导致数据处理效率较低的缺陷，该方法基于待测森林调查样地中待测树木的树种与树高，采用树高-胸径回归模型，能够自动确定该待测森林调查样地的样地数据，可有效提高数据处理效率。
本发明提供一种森林调查样地的样地数据确定方法，包括：
获取待测森林调查样地的点云数据和遥感数据；
根据所述点云数据，确定所述待测森林调查样地中待测树木的树高，并根据所述遥感数据，确定所述待测树木的树种；
将所述树高输入至所述树种对应的树高-胸径回归模型中，得到所述待测树木的胸径，所述树高-胸径回归模型是基于树种样本、树高样本和胸径样本构建得到的；
将所述树高、所述树种及所述胸径，确定为所述待测森林调查样地的样地数据。
根据本发明提供的一种森林调查样地的样地数据确定方法，所述树种样本对应的树高-胸径回归模型的构建步骤如下：获取森林调查样地样本中树木样本的树高样本、树种样本和胸径样本；将所述树种样本作为条件、所述树高样本作为自变量及所述胸径样本作为因变量，构建所述树种样本对应的树高-胸径回归模型。
根据本发明提供的一种森林调查样地的样地数据确定方法，所述获取森林调查样地样本中树木样本的树高样本、树种样本和胸径样本，包括：获取所述森林调查样地样本的样地实测位置信息及点云数据样本；根据所述点云数据样本，确定所述森林调查样地样本的样地实际位置信息；根据所述样地实际位置信息和所述样地实测位置信息，确定所述森林调查样地样本中树木样本的树高样本、树种样本和胸径样本。
根据本发明提供的一种森林调查样地的样地数据确定方法，所述根据所述样地实际位置信息和所述样地实测位置信息，确定所述森林调查样地样本中树木样本的树高样本、树种样本和胸径样本，包括：在所述样地实际位置信息与所述样地实测位置信息匹配的情况下，获取所述森林调查样地样本中树木样本的树高样本、树种样本和胸径样本；在所述样地实际位置信息与所述样地实测位置信息不匹配的情况下，将所述样地实际位置信息对所述样地实测位置信息进行配准，获取所述树木样本的树高样本、树种样本和胸径样本。
根据本发明提供的一种森林调查样地的样地数据确定方法，所述获取所述森林调查样地样本中树木样本的树高样本、树种样本和胸径样本，包括：获取所述森林调查样地样本中树木样本的树木实测位置信息；根据所述点云数据样本，确定所述树木样本的树木实际位置信息；在所述树木实测位置信息与所述树木实际位置信息匹配的情况下，获取所述树木样本的树高样本、树种样本和胸径样本；在所述树木实测位置信息与所述树木实际位置信息不匹配的情况下，将所述树木实际位置信息对所述树木实测位置信息进行配准，获取所述树木样本的树高样本、树种样本和胸径样本。
根据本发明提供的一种森林调查样地的样地数据确定方法，所述根据所述点云数据，确定所述待测森林调查样地中待测树木的树高，包括：对所述点云数据进行分类，得到地面点云数据和非地面点云数据；根据所述地面点云数据和所述非地面点云数据，确定所述待测森林调查样地中待测树木的树高。
根据本发明提供的一种森林调查样地的样地数据确定方法，所述获取待测森林调查样地的点云数据，包括：获取所述待测森林调查样地的初始点云数据；对所述初始点云数据进行去噪处理，得到所述点云数据。
本发明还提供一种森林调查样地的样地数据确定装置，包括：
获取模块，用于获取待测森林调查样地的点云数据和遥感数据；
处理模块，用于根据所述点云数据，确定所述待测森林调查样地中待测树木的树高，并根据所述遥感数据，确定所述待测树木的树种；将所述树高输入至所述树种对应的树高-胸径回归模型中，得到所述待测树木的胸径，所述树高-胸径回归模型是基于树种样本、树高样本和胸径样本构建得到的；将所述树高、所述树种及所述胸径，确定为所述待测森林调查样地的样地数据。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述森林调查样地的样地数据确定方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述森林调查样地的样地数据确定方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述森林调查样地的样地数据确定方法。
本发明提供的森林调查样地的样地数据确定方法、装置及电子设备，通过获取待测森林调查样地的点云数据和遥感数据；根据点云数据，确定待测森林调查样地中待测树木的树高，并根据遥感数据，确定待测树木的树种；将树高输入至树种对应的树高-胸径回归模型中，得到待测树木的胸径；将树高、树种及胸径，确定为待测森林调查样地的样地数据。该方法基于待测森林调查样地中待测树木的树种与树高，采用树高-胸径回归模型，能够自动确定该待测森林调查样地的样地数据，可有效提高数据处理效率。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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获得其他的附图。
图1是本发明提供的森林调查样地的样地数据确定方法的流程示意图；
图2是本发明提供的森林调查样地的样地数据确定装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
森林调查样地是解森林生态系统和资源状况的数据基础，对于保护生物多样性、应对气候变化、维护生态系统服务等方面具有重要意义，主要体现在以下几个方面：
第一方面：了解森林结构和物种组成
通过对样地的调查，可以获得森林中各树种的分布情况、数量、大小、年龄和空间分布等信息，有助于了解森林的结构、动态和物种多样性，并为制定科学的森林经营和保护方案提供基础数据。
第二方面：监测森林生长和变化
通过对样地进行长时间序列的调查，可以跟踪和监测森林的生长和动态变化，有助于了解森林的健康状况、生长速度、自然更新情况以及受到的威胁和压力，根据这些变化数据，还可以及时采取相应的管理措施，保护森林资源的可持续利用。
第三方面：评估生态系统服务
森林是一个复杂的生态系统，提供了许多重要的生态系统服务，如气候调节、水源涵养、土壤保持、生物多样性维护等，通过森林调查样地的样地数据，可以评估和监测这些生态系统服务的提供情况，为制定生态保护和可持续发展策略提供科学依据。
第四方面：辅助决策和规划
森林调查样地数据为决策者和规划者提供了重要的基础信息，可用于评估森林资源的可持续利用潜力、制定森林经营和保护计划、制定灾害风险管理策略等，样地数据还有助于评估不同管理干预措施的效果，并为决策者提供参考和依据。
此外，森林调查样地数据在林业遥感中同样具有突出的作用，能够分类森林类型、估计森林参数、监测森林变化，促进了林业遥感应用的精确性和可信度。主要体现在以下几个方面：
第一方面：森林调查样地的样地数据作为训练样本开展树种分类任务，通过森林调查样地的样地数据的位置和属性信息，可以对遥感影像进行解译和分类，识别不同的森林类型和植被覆盖，这样可以在大范围内快速获取森林类型的空间分布信息。
第二方面：森林调查样地的样地数据提供了实地测量和观测的详细数据，如树木直径、树种、生长状况等，这些数据可以用于建立遥感与森林参数之间的关系模型，通过对遥感影像进行解译和分析，可以估计森林参数，如树木高度、生物量、叶面积指数等，对森林资源管理和生态系统评估提供重要参考。
第三方面：森林调查样地的样地数据可以用于监测森林的变化和演化，通过定期调查样地并收集数据，可以了解森林结构、物种组成、生长状况等的变化，这些数据可以与多期遥感影像进行对比，分析森林的动态变化，如森林覆盖变化、人为干扰、病虫害等，为森林管理和保护提供依据。
然而，现有的森林调查样地的样地数据采集方法是通过人工野外采集，面临的具体问题如下：问题1、偏远地区到达难：某些森林地区可能具有复杂的地形、高海拔或疏远的地理位置，使样地访问变得困难，此外，野外工作可能存在自然灾害、危险动植物、荒野环境、气候条件等安全性挑战，需要采取相应的措施确保调查人员的安全；问题2、支持资源消耗高：对大规模的森林调查样地的样地数据采集需要考虑时间和成本，样地的收集、测量和数据记录需要大量的人力和物力投入，此外，长期监测和维护样地也需要持续的时间和资源支持；问题3、森林调查样地的样地数据采集误差大：森林调查样地的样地数据的采集需要使用精确和有效的技术，例如，测量树木直径和高度可能涉及使用测量仪器和技术，需要训练和经验，同时，对植被组成和土壤特性的调查也需要熟悉的技术和方法，以确保数据的准确性和一致性。
为解决上述人工野外采集方法受限于偏远地区到达难、支持资源消耗高及数据采集误差大，导致数据处理效率较低的问题，本发明实施例提供了一种森林调查样地的样地数据确定方法、装置及电子设备，通过获取待测森林调查样地的点云数据和遥感数据；根据点云数据，确定待测森林调查样地中待测树木的树高，并根据遥感数据，确定待测树木的树种；将树高输入至树种对应的树高-胸径回归模型中，得到待测树木的胸径；将树高、树种及胸径，确定为待测森林调查样地的样地数据。该方法基于待测森林调查样地中待测树木的树种与树高，采用树高-胸径回归模型，准确确定该待测树木的胸径，进而能够自动确定该待测森林调查样地的样地数据，可有效提高数据处理效率，实现了样地数据的智能采集。
需要说明的是，本发明实施例涉及的执行主体可以是森林调查样地的样地数据确定装置，也可以是电子设备，可选的，该电子设备可以包括：计算机、移动终端及可穿戴设备等。
下面以电子设备为例对本发明实施例进行进一步地说明。
如图1所示，是本发明提供的森林调查样地的样地数据确定方法的流程示意图，可以包括：
101、获取待测森林调查样地的点云数据和遥感数据。
其中，点云数据又为激光点云数据，是无人机通过三维激光对待测森林调查样地进行扫描后获取的三维数据。
遥感数据指的是高分辨率多光谱数据，是无人机通过多光谱传感器对待测森林调查样地进行同步成像后获取的一种遥感影像数据。
电子设备获取待测森林调查样地的点云数据和遥感数据，以备后续分别确定待测树木的树高和树种。
在一些实施例中，电子设备获取待测森林调查样地的点云数据，可以包括：电子设备获取待测森林调查样地的初始点云数据；该电子设备对初始点云数据进行去噪处理，得到点云数据。
初始点云数据中可能包含极低点、极高点、噪音点、孤立点等异常点，这些异常点会导致该初始点云数据不够准确，此时，电子设备可采用离群值检测的方法，计算该初始点云数据中的每个点与最近邻点之间的距离，基于预设距离阈值，将与其他点相隔较远的点标记为异常点，实现了对初始点云数据的去噪处理，去除了初始点云数据中的异常点，得到准确性较高的点云数据。
102、根据点云数据，确定待测森林调查样地中待测树木的树高，并根据遥感数据，确定待测树木的树种。
电子设备根据待测森林调查样地的点云数据，确定待测森林调查样地中待测树木的点云数据，接着，该电子设备根据该待测树木的点云数据，确定该待测树木的树高。
电子设备可对待测森林调查样地的遥感数据进行分析，以得到准确性较高的待测树木的树种。
需要说明的是，电子设备确定待测树木的树高与该电子设备确定待测树木的树种的时序不限。
在一些实施例中，电子设备根据点云数据，确定待测森林调查样地中待测树木的树高，可以包括：电子设备对点云数据进行分类，得到地面点云数据和非地面点云数据；该电子设备根据地面点云数据和非地面点云数据，确定待测森林调查样地中待测树木的树高。
电子设备在根据点云数据，确定待测森林调查样地中待测树木的树高的过程中，可以采用不规则三角网(Triangular Irregular Network，TIN)滤波方法对去除异常点之后的点云数据进行分类，得到地面点云数据和非地面点云数据；然后，再采用线性三角网差值的方法，根据该地面点云数据和该非地面点云数据，对待测树木的冠层高度模型(CanopyHeight Model，CHM)进行提取，得到准确性较高的树高。
其中，TIN滤波方法是一种激光点云滤波方法，该方法通过构建三角形网格来平滑点云数据，可有效保留点云数据的细节，提高点云数据的准确性。
线性三角网差值的方法是通过构建三角形网格来对分类后的点云数据进行插值，可根据已知的点云数据对待测树木的位置信息进行估计，从而实现对缺失点的补充或对稀疏点云数据的填充，示例性的，电子设备可通过对地面点云数据和非地面点云数据的差值进行插值处理，从而实现CHM提取，来获取待测森林调查样地中待测树木的树高。
可选的，在电子设备对点云数据进行分类，得到地面点云数据和非地面点云数据之后，该方法还可以包括：电子设备对点云数据进行单木分割，得到至少一棵待测树木。
其中，单木分割指的是在点云数据集中的情况下，将每棵单独的待测树木从点云数据中提取出来并进行分割的过程。
电子设备对点云数据进行单木分割的过程中，首先使用聚类的方法对分类后的点云数据进行聚类分析，将相邻的点云数据归为一个点云簇，这样可得到至少一个点云簇；然后，从每个点云簇中提取特征，如高度、形状和密度等，这些特征信息可以辅助电子设备区分待测树木和其他物体；接着，该电子设备根据特征信息，建立分类器或根据预设分割阈值进行分割判断，并将相邻的属于同一棵树木的点云簇进行合并，再对合并结果进行优化调整，以得到至少一棵树木的点云数据，进而得到至少一棵待测树木。
此外，对于大面积的点云数据，可能需要重复进行单木分割这一过程，以确保所有待测树木都被准确分割出来。
可选的，电子设备根据遥感数据，确定待测树木的树种，可以包括：电子设备获取森林调查样地样本的树种样本；该电子设备对遥感数据进行图像分割处理，得到待测森林调查样地中的待测树木；该电子设备根据树种样本，对待测树木进行分类处理，得到待测树木的树种。
中低分辨率遥感数据中的一个像素包含不同的地类，而高分辨率遥感数据中同一个地类往往包含不同的像素，为避免阴影和林窗中的裸露地表对树种分类精度产生影响，电子设备可对获取的遥感数据进行图像分割处理，得到待测森林调查样地中的待测树木；然后，数据采集人员在采集了森林调查样地样本的树种样本之后，可将该树种样本输入至电子设备中；接着，该电子设备根据树种样本，对该待测树木进行分类处理，得到该待测树木的树种。
可选的，电子设备对遥感数据进行图像分割处理，得到待测森林调查样地中的待测树木，可以包括：电子设备基于智能化影像分析软件(eCognition)，使用多尺度分割的方法对遥感数据进行图像分割，得到待测森林调查样地中的待测树木。
其中，地类指的是林区内的不同土地种类，地类一般可分为林业用地和非林业用地两大类。
林窗指的是森林中因自然枯死、风倒或人为砍伐等因素导致树木死亡，形成林中空地的现象。
此外，在电子设备根据树种样本，对待测树木进行树种分类处理的过程中，首先，该电子设备基于图像分割的结果，计算待测森林调查样地中的待测树木的特征信息，然后，该电子设备将数据采集人员采集的树种样本作为分类样本，采用支持向量机(SupportVector Machine，SVM)的方法对待测树木进行分类处理，得到待测树木的树种。
其中，SVM的方法是一种监督学习算法，主要用于分类和回归问题，SVM的方法将数据映射到高维空间中，寻找一个超平面来将不同类别的数据分开，并尽可能地使不同类别的点距离超平面最大化，SVM方法对于树种的分类具有较好的效果，也就是说，采用SVM的方法，可得到准确性较高的待测树木的树种。
103、将树高输入至树种对应的树高-胸径回归模型中，得到待测树木的胸径。
其中，树高-胸径回归模型是基于树种样本、树高样本和胸径样本构建得到的。
基于森林中不同树种的树木样本，电子设备可预先获取不同树种样本的树高-胸径回归模型，即该树高-胸径回归模型的数量为至少两个。电子设备在根据遥感数据确定的待测树木的树种之后，可将该树种与所有的树种样本进行匹配，并确定与该树种匹配的树种样本；然后，该电子设备获取与该树种匹配的树种样本的树高-胸径回归模型，并将根据点云数据确定的待测树木的树高，输入至该树种样本对应的树高-胸径回归模型中，得到该树高-胸径回归模型输出的待测树木的胸径，以备后续确定待测森林调查样地的样地数据。
可选的，电子设备在确定与树种匹配的树种样本之前，还可以进行以下步骤：确定样地位置、确定样木位置和手动补充样木。
其中，确定样地位置也就是电子设备根据区域范围、样地数量、样地形状等条件，通过分层抽样的方法自动确定待测森林调查样地的样地数据的位置；分层抽样的方法首先是根据区域内遥感数据确定的待测树木的树种，将待测森林调查样地的样地数据总体划分为若干个不同的层次或子群，然后从每个层次或每个子群中进行独立的随机抽样。
确定样木位置是电子设备根据点云数据的单木分割结果，采用自动计算的方式，将分割后单木的点云簇中的树高最大值所在位置，确定为待测树木的位置。
手动补充样木是针对点云数据进行单木分割时可能会遗漏较小树木的情况，电子设备可利用二三维可视化工具，获取遥感数据和点云数据的剖面视图，接着，可通过人工辅助的手段，对照遥感数据和点云数据的剖面视图来手动补充遗漏的待测树木。
在一些实施例中，电子设备可预先获取不同树种样本的树高-胸径回归模型，针对与待测树木的树种匹配的树种样本对应的树高-胸径回归模型的构建步骤如下：电子设备获取森林调查样地样本中树木样本的树高样本、树种样本和胸径样本；该电子设备将树种样本作为条件、树高样本作为自变量及胸径样本作为因变量，构建树种样本对应的树高-胸径回归模型。
数据采集人员在采集了森林调查样地样本的树高样本、树种样本和胸径样本之后，再将该树高样本、该树种样本和该胸径样本输入至电子设备中；接着，该电子设备获取该树高样本、该树种样本和该胸径样本，并将该树种样本作为条件，将该树高样本作为自变量，将该胸径样本作为因变量，来构建该树种样本对应的树高-胸径回归模型。
需要说明的是，任一树种样本的树高-胸径回归模型的构建过程都是类似的，此处不作具体限定。
此外，数据采集人员在采集了森林调查样地样本的树高样本、树种样本和胸径样本之后，由于树高样本、树种样本和胸径样本会不够准确，所以，电子设备可基于点云数据样本中提取的树木样本的实际树高样本，对森林调查样地样本进行全面配准，具体的，在对树高样本和实际树高样本回归分析的基础上，利用迭代回归误差最小值原理，实现对上述森林调查样地样本的全面配准，进而得到较为准确的树高样本、树种样本和胸径样本。
其中，在利用迭代回归误差最小值原理，实现对上述森林调查样地样本的全面配准的过程中，可先确定树高样本和实际树高样本的误差，若该误差大于预设误差阈值，则说明树高样本、树种样本和胸径样本不够准确，此时，可基于实际树高样本对上述森林调查样地样本进行全面配准。
可选的，全面配准可以包括样地样本整体配准和/或树木样本局部配准。
在一些实施例中，电子设备获取森林调查样地样本中树木样本的树高样本、树种样本和胸径样本，可以包括：电子设备获取森林调查样地样本的样地实测位置信息及点云数据样本；该电子设备根据点云数据样本，确定森林调查样地样本的样地实际位置信息；该电子设备根据样地实际位置信息和样地实测位置信息，确定森林调查样地样本中树木样本的树高样本、树种样本和胸径样本。
其中，森林调查样地样本的样地实测位置信息是由数据采集人员实地采集的。
电子设备在采集森林调查样地样本的样地实测位置信息及点云数据样本之后，可先根据该点云数据样本，确定该森林调查样地样本的样地实际位置信息，进而结合样地实测位置信息，确定森林调查样地样本中树木样本的树高样本、树种样本和胸径样本。
在一些实施例中，电子设备根据样地实际位置信息和样地实测位置信息，确定森林调查样地样本中树木样本的树高样本、树种样本和胸径样本，可以包括以下其中一种实现方式：
实现方式1：在样地实际位置信息与样地实测位置信息匹配的情况下，获取森林调查样地样本中树木样本的树高样本、树种样本和胸径样本。
在数据采集人员实地采集的样地实测位置信息与根据点云数据样本确定的样地实际位置信息匹配的情况下，说明样地实际位置信息和样地实测位置信息匹配，此时，电子设备可获得较为准确的森林调查样地样本中树木样本的树高样本、树种样本和胸径样本。
实现方式2：电子设备在样地实际位置信息与样地实测位置信息不匹配的情况下，将样地实际位置信息对样地实测位置信息进行配准，获取树木样本的树高样本、树种样本和胸径样本。
示例性的，数据采集人员在实地采集森林调查样地样本的样地实测位置信息的过程中，该数据采集人员使用的采集系统工具可能会受到操作失误或森林遮蔽的影响而存在系统误差，导致样地实际位置信息与样地实测位置信息不匹配，因此，电子设备可基于样地实际位置信息，对样地实测位置信息进行样地样本整体配准，具体过程为：该电子设备基于点云数据样本中提取的树木样本的实际树高样本和数据采集人员采集的树高样本的回归分析，利用自动配准的方法对样地实测位置信息进行平移或旋转，然后，计算平移或旋转后的实际树高样本和树高样本的差值标准差，当该差值标准差最小时停止平移或旋转，以实现对样地实测位置信息的样地样本整体配准，可有效消除样地采集时的系统误差，进而得到准确性较高的树高样本、树种样本和胸径样本。
其中，自动配准的方法是电子设备通过从待配准的数据样本(样地实测位置信息)中提取树高样本，也就是找到样地实测位置信息中具有重要几何结构的特征；然后，该电子设备将待配准的样地实测位置信息与点云数据样本进行特征匹配，即找到两者之间具有相似特征的对应关系；接着，该电子设备基于匹配的对应关系，通过计算实际树高样本和树高样本之间的相似性度量，例如差值标准差，来评估实际树高样本和树高样本之间的几何差异和匹配的质量；最后，该电子设备通过优化算法，估计出使得相似性度量最小的变换参数，对样地实测位置信息进行平移或旋转，得到森林调查样地样本的整体配准结果。
在样地实际位置信息与样地实测位置信息匹配的情况下，电子设备根据上述实现方式1，可以得到准确性较高的树高样本、树种样本和胸径样本；在样地实际位置信息与样地实测位置信息不匹配的情况下，该电子设备可以根据上述实现方式2，对样地实测位置信息进行配准，进而得到准确性较高的树高样本、树种样本和胸径样本。
在一些实施例中，基于上述实现方式1或实现方式2，电子设备获取森林调查样地样本中树木样本的树高样本、树种样本和胸径样本，可以包括：电子设备获取森林调查样地样本中树木样本的树木实测位置信息；该电子设备根据点云数据样本，确定树木样本的树木实际位置信息；该电子设备在树木实测位置信息与树木实际位置信息匹配的情况下，获取树木样本的树高样本、树种样本和胸径样本；该电子设备在树木实测位置信息与树木实际位置信息不匹配的情况下，将树木实际位置信息对树木实测位置信息进行配准，获取树木样本的树高样本、树种样本和胸径样本。
电子设备可先获取数据采集人员输出的树木样本的树木实测位置信息；然后，该电子设备根据之前获取的点云数据样本，确定树木样本的树木实际位置信息；接着，该电子设备将该树木实测位置信息和树木实际位置信息进行匹配，并在匹配的情况下，将数据采集人员采集的样本数据确定为训练树高-胸径回归模型所需的树高样本、树种样本和胸径样本。如果不匹配，那么，可以将树木实际位置信息对树木实测位置信息进行配准，获取该树木样本的树高样本、树种样本和胸径样本。
示例性的，数据采集人员在实地采集森林调查样地样本中树木样本的树木实测位置信息的过程中，由于人为误差，可能会出现一些记录错误，导致树木实测位置信息与树木实际位置信息不匹配，因此，电子设备可基于树木实际位置信息，对树木实测位置信息进行树木样本局部配准的具体过程为：首先，该电子设备可以利用二三维可视化和测量工具，将树木实测位置信息对应的树高样本和树冠样本，同点云数据样本中的实际树高样本和实际树冠样本进行对比分析；接着，通过人工辅助的手段进行部分错误树木样本的局部配准，来消除人工记录带来的局部误差，得到森林调查样地样本中树木样本的局部配准结果。
综上，基于样地样本整体配准和/或树木样本局部配准，电子设备可得到准确性较高的树高样本、树种样本和胸径样本，进而使该电子设备构建的树高-胸径回归模型较为准确。
104、将树高、树种及胸径，确定为待测森林调查样地的样地数据。
电子设备进行样地数据统计，对于待测的每个森林调查样地中的所有待测树木，计算该所有待测树木的树种的众数，以及树高和胸径的平均值，作为待测森林调查样地的样地数据。
在本发明实施例中，获取待测森林调查样地的点云数据和遥感数据；根据点云数据，确定待测森林调查样地中待测树木的树高，并根据遥感数据，确定待测树木的树种；将树高输入至树种对应的树高-胸径回归模型中，得到待测树木的胸径；将树高、树种及胸径，确定为待测森林调查样地的样地数据。该方法基于待测森林调查样地中待测树木的树种与树高，采用树高-胸径回归模型，准确确定该待测树木的胸径，进而能够自动确定该待测森林调查样地的样地数据，可有效提高数据处理效率，实现了样地数据的智能采集。
下面对本发明提供的森林调查样地的样地数据确定装置进行描述，下文描述的森林调查样地的样地数据确定装置与上文描述的森林调查样地的样地数据确定方法可相互对应参照。
如图2所示，是本发明提供的森林调查样地的样地数据确定装置的结构示意图，可以包括：
获取模块201，用于获取待测森林调查样地的点云数据和遥感数据；
处理模块202，用于根据该点云数据，确定该待测森林调查样地中待测树木的树高，并根据该遥感数据，确定该待测树木的树种；将该树高输入至该树种对应的树高-胸径回归模型中，得到该待测树木的胸径，该树高-胸径回归模型是基于树种样本、树高样本和胸径样本构建得到的；将该树高、该树种及该胸径，确定为该待测森林调查样地的样地数据。
可选的，获取模块201包括获取单元2011和处理单元2012，该树种样本对应的树高-胸径回归模型的构建步骤如下：获取单元2011，具体用于获取森林调查样地样本中树木样本的树高样本、树种样本和胸径样本；
处理单元2012，具体用于将该树种样本作为条件、该树高样本作为自变量及该胸径样本作为因变量，构建该树种样本对应的树高-胸径回归模型。
可选的，获取单元2011，具体用于获取该森林调查样地样本的样地实测位置信息及点云数据样本；根据该点云数据样本，确定该森林调查样地样本的样地实际位置信息；根据该样地实际位置信息和该样地实测位置信息，确定该森林调查样地样本中树木样本的树高样本、树种样本和胸径样本。
可选的，获取单元2011，具体用于在该样地实际位置信息与该样地实测位置信息匹配的情况下，获取该森林调查样地样本中树木样本的树高样本、树种样本和胸径样本；在该样地实际位置信息与该样地实测位置信息不匹配的情况下，将该样地实际位置信息对该样地实测位置信息进行配准，获取该树木样本的树高样本、树种样本和胸径样本。
可选的，获取单元2011，具体用于获取该森林调查样地样本中树木样本的树木实测位置信息；根据该点云数据样本，确定该树木样本的树木实际位置信息；在该树木实测位置信息与该树木实际位置信息匹配的情况下，获取该树木样本的树高样本、树种样本和胸径样本；在该树木实测位置信息与该树木实际位置信息不匹配的情况下，将该树木实际位置信息对该树木实测位置信息进行配准，获取该树木样本的树高样本、树种样本和胸径样本。
可选的，处理模块202，具体用于对该点云数据进行分类，得到地面点云数据和非地面点云数据；根据该地面点云数据和该非地面点云数据，确定该待测森林调查样地中待测树木的树高。
可选的，获取单元2011，具体用于获取该待测森林调查样地的初始点云数据；
处理单元2012，具体用于对该初始点云数据进行去噪处理，得到该点云数据。
如图3所示，是本发明提供的电子设备的结构示意图，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行森林调查样地的样地数据确定方法，该方法包括：获取待测森林调查样地的点云数据和遥感数据；根据该点云数据，确定该待测森林调查样地中待测树木的树高，并根据该遥感数据，确定该待测树木的树种；将该树高输入至该树种对应的树高-胸径回归模型中，得到该待测树木的胸径，该树高-胸径回归模型是基于树种样本、树高样本和胸径样本构建得到的；将该树高、该树种及该胸径，确定为该待测森林调查样地的样地数据。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的森林调查样地的样地数据确定方法，该方法包括：获取待测森林调查样地的点云数据和遥感数据；根据该点云数据，确定该待测森林调查样地中待测树木的树高，并根据该遥感数据，确定该待测树木的树种；将该树高输入至该树种对应的树高-胸径回归模型中，得到该待测树木的胸径，该树高-胸径回归模型是基于树种样本、树高样本和胸径样本构建得到的；将该树高、该树种及该胸径，确定为该待测森林调查样地的样地数据。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的森林调查样地的样地数据确定方法，该方法包括：获取待测森林调查样地的点云数据和遥感数据；根据该点云数据，确定该待测森林调查样地中待测树木的树高，并根据该遥感数据，确定该待测树木的树种；将该树高输入至该树种对应的树高-胸径回归模型中，得到该待测树木的胸径，该树高-胸径回归模型是基于树种样本、树高样本和胸径样本构建得到的；将该树高、该树种及该胸径，确定为该待测森林调查样地的样地数据。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种森林调查样地的样地数据确定方法，其特征在于，包括：
获取待测森林调查样地的点云数据和遥感数据；
根据所述点云数据，确定所述待测森林调查样地中待测树木的树高，并根据所述遥感数据，确定所述待测树木的树种；
将所述树高输入至所述树种对应的树高-胸径回归模型中，得到所述待测树木的胸径，所述树高-胸径回归模型是基于树种样本、树高样本和胸径样本构建得到的；
将所述树高、所述树种及所述胸径，确定为所述待测森林调查样地的样地数据。
2.根据权利要求1所述的方法，其特征在于，所述树种样本对应的树高-胸径回归模型的构建步骤如下：
获取森林调查样地样本中树木样本的树高样本、树种样本和胸径样本；
将所述树种样本作为条件、所述树高样本作为自变量及所述胸径样本作为因变量，构建所述树种样本对应的树高-胸径回归模型。
3.根据权利要求2所述的方法，其特征在于，所述获取森林调查样地样本中树木样本的树高样本、树种样本和胸径样本，包括：
获取所述森林调查样地样本的样地实测位置信息及点云数据样本；
根据所述点云数据样本，确定所述森林调查样地样本的样地实际位置信息；
根据所述样地实际位置信息和所述样地实测位置信息，确定所述森林调查样地样本中树木样本的树高样本、树种样本和胸径样本。
4.根据权利要求3所述的方法，其特征在于，所述根据所述样地实际位置信息和所述样地实测位置信息，确定所述森林调查样地样本中树木样本的树高样本、树种样本和胸径样本，包括：
在所述样地实际位置信息与所述样地实测位置信息匹配的情况下，获取所述森林调查样地样本中树木样本的树高样本、树种样本和胸径样本；
在所述样地实际位置信息与所述样地实测位置信息不匹配的情况下，将所述样地实际位置信息对所述样地实测位置信息进行配准，获取所述树木样本的树高样本、树种样本和胸径样本。
5.根据权利要求4所述的方法，其特征在于，所述获取所述森林调查样地样本中树木样本的树高样本、树种样本和胸径样本，包括：
获取所述森林调查样地样本中树木样本的树木实测位置信息；
根据所述点云数据样本，确定所述树木样本的树木实际位置信息；
在所述树木实测位置信息与所述树木实际位置信息匹配的情况下，获取所述树木样本的树高样本、树种样本和胸径样本；
在所述树木实测位置信息与所述树木实际位置信息不匹配的情况下，将所述树木实际位置信息对所述树木实测位置信息进行配准，获取所述树木样本的树高样本、树种样本和胸径样本。
6.根据权利要求1所述的方法，其特征在于，所述根据所述点云数据，确定所述待测森林调查样地中待测树木的树高，包括：
对所述点云数据进行分类，得到地面点云数据和非地面点云数据；
根据所述地面点云数据和所述非地面点云数据，确定所述待测森林调查样地中待测树木的树高。
7.根据权利要求1或6所述的方法，其特征在于，所述获取待测森林调查样地的点云数据，包括：
获取所述待测森林调查样地的初始点云数据；
对所述初始点云数据进行去噪处理，得到所述点云数据。
8.一种森林调查样地的样地数据确定装置，其特征在于，包括：
获取模块，用于获取待测森林调查样地的点云数据和遥感数据；
处理模块，用于根据所述点云数据，确定所述待测森林调查样地中待测树木的树高，并根据所述遥感数据，确定所述待测树木的树种；将所述树高输入至所述树种对应的树高-胸径回归模型中，得到所述待测树木的胸径，所述树高-胸径回归模型是基于树种样本、树高样本和胸径样本构建得到的；将所述树高、所述树种及所述胸径，确定为所述待测森林调查样地的样地数据。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述森林调查样地的样地数据确定方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述森林调查样地的样地数据确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311101919.5A CN117253141B (zh) | 2023-08-29 | 2023-08-29 | 森林调查样地的样地数据确定方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311101919.5A CN117253141B (zh) | 2023-08-29 | 2023-08-29 | 森林调查样地的样地数据确定方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117253141A true CN117253141A (zh) | 2023-12-19 |
| CN117253141B CN117253141B (zh) | 2024-08-13 |
Family
ID=89134039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311101919.5A Active CN117253141B (zh) | 2023-08-29 | 2023-08-29 | 森林调查样地的样地数据确定方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117253141B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3865764B1 (ja) * | 2006-08-15 | 2007-01-10 | アルスマエヤ株式会社 | 森林資源調査方法および森林資源調査装置 |
| CN102062860A (zh) * | 2009-11-18 | 2011-05-18 | 中国科学院遥感应用研究所 | 基于单木位置与地表信息的地基激光雷达数据配准方法 |
| CN109446983A (zh) * | 2018-10-26 | 2019-03-08 | 福州大学 | 一种基于两期无人机影像的针叶林采伐蓄积量估算方法 |
| JP6828211B1 (ja) * | 2020-07-20 | 2021-02-10 | 九電ビジネスソリューションズ株式会社 | 森林資源解析装置、森林資源解析方法および森林資源解析プログラム |
| CN112948764A (zh) * | 2019-12-11 | 2021-06-11 | 上海市园林科学规划研究院 | 一种城市绿化快速测算树高的方法 |
| CN113204998A (zh) * | 2021-04-01 | 2021-08-03 | 武汉大学 | 一种基于单木尺度的机载点云森林生态估测方法及系统 |
| 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 |
| CN114281871A (zh) * | 2022-03-01 | 2022-04-05 | 国家林业和草原局调查规划设计院 | 航空激光雷达估算山地林区chm树高的精度验证方法 |
| CN114781011A (zh) * | 2022-04-07 | 2022-07-22 | 武汉大学 | 一种像素级全球森林碳储量高精度计算方法及系统 |
-
2023
- 2023-08-29 CN CN202311101919.5A patent/CN117253141B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3865764B1 (ja) * | 2006-08-15 | 2007-01-10 | アルスマエヤ株式会社 | 森林資源調査方法および森林資源調査装置 |
| CN102062860A (zh) * | 2009-11-18 | 2011-05-18 | 中国科学院遥感应用研究所 | 基于单木位置与地表信息的地基激光雷达数据配准方法 |
| CN109446983A (zh) * | 2018-10-26 | 2019-03-08 | 福州大学 | 一种基于两期无人机影像的针叶林采伐蓄积量估算方法 |
| CN112948764A (zh) * | 2019-12-11 | 2021-06-11 | 上海市园林科学规划研究院 | 一种城市绿化快速测算树高的方法 |
| JP6828211B1 (ja) * | 2020-07-20 | 2021-02-10 | 九電ビジネスソリューションズ株式会社 | 森林資源解析装置、森林資源解析方法および森林資源解析プログラム |
| CN113204998A (zh) * | 2021-04-01 | 2021-08-03 | 武汉大学 | 一种基于单木尺度的机载点云森林生态估测方法及系统 |
| 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 |
| CN114281871A (zh) * | 2022-03-01 | 2022-04-05 | 国家林业和草原局调查规划设计院 | 航空激光雷达估算山地林区chm树高的精度验证方法 |
| CN114781011A (zh) * | 2022-04-07 | 2022-07-22 | 武汉大学 | 一种像素级全球森林碳储量高精度计算方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| YAO W等: "Tree species classification and estimation of stem volume and DBH based on single tree extraction by exploiting airborne full-waveform LiDAR data", 《REMOTE SENSING OF ENVIRONMENT》, vol. 123, 1 August 2012 (2012-08-01) * |
| 刘鲁霞;庞勇;李增元;: "基于地基激光雷达的亚热带森林单木胸径与树高提取", 林业科学, no. 02, 15 February 2016 (2016-02-15) * |
| 周小成;何艺;黄洪宇;许雪琴;: "基于两期无人机影像的针叶林伐区蓄积量估算", 林业科学, no. 11, 15 November 2019 (2019-11-15) * |
| 范伟伟;刘浩然;徐永胜;林文树;: "基于地基激光雷达和手持式移动激光雷达的单木结构参数提取精度对比", 中南林业科技大学学报, no. 08, 31 December 2022 (2022-12-31) * |
| 谢天义等: "应用多维遥感信息协同的森林树种分类", 《东北林业大学学报》, vol. 51, no. 3, 31 March 2023 (2023-03-31), pages 1 - 3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117253141B (zh) | 2024-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | Lidar sheds new light on plant phenomics for plant breeding and management: Recent advances and future prospects | |
| Zermas et al. | 3D model processing for high throughput phenotype extraction–the case of corn | |
| Jiang et al. | High throughput phenotyping of cotton plant height using depth images under field conditions | |
| Malambo et al. | Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data | |
| Goodbody et al. | Digital aerial photogrammetry for assessing cumulative spruce budworm defoliation and enhancing forest inventories at a landscape-level | |
| Stereńczak et al. | Influence of selected habitat and stand factors on bark beetle Ips typographus (L.) outbreak in the Białowieża Forest | |
| Jiang et al. | Quantitative analysis of cotton canopy size in field conditions using a consumer-grade RGB-D camera | |
| Chen et al. | An object-based method for urban land cover classification using airborne lidar data | |
| CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
| Estornell et al. | Tree extraction and estimation of walnut structure parameters using airborne LiDAR data | |
| WO2014054042A1 (en) | Device and method for detecting plantation rows | |
| Yancho et al. | Fine-scale spatial and spectral clustering of UAV-acquired digital aerial photogrammetric (DAP) point clouds for individual tree crown detection and segmentation | |
| Sun et al. | Remote estimation of grafted apple tree trunk diameter in modern orchard with RGB and point cloud based on SOLOv2 | |
| Liu et al. | Analysis of cotton height spatial variability based on UAV-LiDAR | |
| CN115700370A (zh) | 碳储量计算方法、装置、电子设备和存储介质 | |
| Putman et al. | Automated estimation of standing dead tree volume using voxelized terrestrial lidar data | |
| CN114548277B (zh) | 基于点云数据的地面点拟合、作物高度提取的方法及系统 | |
| Hu et al. | A robust deep learning approach for the quantitative characterization and clustering of peach tree crowns based on UAV images | |
| Wei et al. | Dynamic simulation of leaf area index for the soybean canopy based on 3D reconstruction | |
| Sangjan et al. | Phenotyping architecture traits of tree species using remote sensing techniques | |
| CN117171533B (zh) | 一种地理测绘作业数据实时采集处理方法及系统 | |
| Sun et al. | Feasibility study on the estimation of the living vegetation volume of individual street trees using terrestrial laser scanning | |
| 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 | |
| Popescu et al. | Estimation of biomass components by airborne laser scanning | |
| CN117253141B (zh) | 森林调查样地的样地数据确定方法、装置及电子设备 |
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 |