CN117347974B - 一种灌丛植被地上生物量的估测方法及装置 - Google Patents
一种灌丛植被地上生物量的估测方法及装置 Download PDFInfo
- Publication number
- CN117347974B CN117347974B CN202311641197.2A CN202311641197A CN117347974B CN 117347974 B CN117347974 B CN 117347974B CN 202311641197 A CN202311641197 A CN 202311641197A CN 117347974 B CN117347974 B CN 117347974B
- Authority
- CN
- China
- Prior art keywords
- bush
- biomass
- aerial vehicle
- unmanned aerial
- brush
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002028 Biomass Substances 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 46
- 230000008859 change Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 230000001788 irregular Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 73
- 238000007637 random forest analysis Methods 0.000 description 12
- 241000196324 Embryophyta Species 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 241000223025 Caragana microphylla Species 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 102000027426 receptor tyrosine kinases Human genes 0.000 description 4
- 108091008598 receptor tyrosine kinases Proteins 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 241001061906 Caragana Species 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000270955 Achnatherum calamagrostis Species 0.000 description 1
- 235000016140 Artemisia frigida Nutrition 0.000 description 1
- 240000004573 Artemisia frigida Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001070941 Castanea Species 0.000 description 1
- 235000014036 Castanea Nutrition 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 241001677764 Cleistogenes squarrosa Species 0.000 description 1
- 235000004035 Cryptotaenia japonica Nutrition 0.000 description 1
- 244000146493 Cryptotaenia japonica Species 0.000 description 1
- 241000220485 Fabaceae Species 0.000 description 1
- 241001633663 Iris pseudacorus Species 0.000 description 1
- 241000511730 Leymus chinensis Species 0.000 description 1
- 241001420622 Meris Species 0.000 description 1
- 241000283898 Ovis Species 0.000 description 1
- 241000667100 Stipa krylovii Species 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/40—Correcting position, velocity or attitude
- G01S19/41—Differential correction, e.g. DGPS [differential GPS]
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及地上生物量估测领域,公开了一种灌丛植被地上生物量的估测方法及装置,其中方法包括:获取灌丛化草原的地面测量数据、无人机影像数据、点云数据和卫星数据;基于所述地面测量数据和地上生物量‑体积模型,构建实测灌丛地上生物量样本集;根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型;基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量;基于所述卫星数据提取所述灌丛样地的卫星特征参数;根据所述第一灌丛样地的第一灌丛地上生物量和卫星特征参数,构建卫星地上生物量估测模型;基于所述卫星地上生物量估测模型估测第二灌丛样地的第二灌丛地上生物量。
Description
技术领域
本发明涉及地上生物量估测领域,尤其涉及一种灌丛植被地上生物量的估测方法及装置。
背景技术
在过去近150年间,受到全球气候变化和人类土地利用方式改变等因素的影响,全球草地分布区中灌木植物大面积扩张,其盖度和生物量不断增加,使得原本成片分布的草原被灌丛植被大量侵占生态位,分为不同的斑块大小,这种植被景观称为灌丛化草原。在全球,灌丛化草原占干旱半干旱区域总面积的10-20%,灌丛群落的广泛分布,改变了原有草原生态系统的物种组成、群落结构以及生产力水平,进而影响了整个生态系统的结构和功能。灌丛植被地上生物量是衡量草地生产力的重要指标,也是评价干旱和半干旱生态系统功能的重要基础。灌丛化现象在中国内蒙古草原区中十分普遍,小叶锦鸡儿(Caraganamicrophylla)是当地最具代表性的植物,约有510万公顷,且近年来有逐渐加快入侵草原的趋势,因此及时监测小叶锦鸡儿地上生物量对研究灌丛化草原生态系统、正确评估其生态学效应、估算陆地生态系统碳储量以及保护和恢复区域生态环境具有十分重要的意义和价值。
目前常用于测定灌丛植被生物量的方法包括地面收割法和卫星遥感估测。收割法相对准确,但效率较低,且面临破坏植被和生态的问题;卫星遥感的方法能够实现大范围的估测,但也存在空间分辨率低,像元难以与地面实测数据匹配等问题。
发明内容
本发明实施例提供一种灌丛植被地上生物量的估测方法及装置,可以在保证灌丛AGB估测效率的同时,提升估测结果的准确性。
第一方面,本发明实施例公开了一种灌丛植被地上生物量的估测方法,所述方法包括:
获取灌丛化草原的地面测量数据、无人机影像数据、点云数据和卫星数据;
基于所述地面测量数据和地上生物量-体积模型,构建实测灌丛地上生物量样本集;
根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型;
基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量;
基于所述卫星数据提取所述第一灌丛样地的卫星特征参数;
根据所述第一灌丛样地的第一灌丛地上生物量和卫星特征参数,构建卫星地上生物量估测模型;
基于所述卫星地上生物量估测模型估测第二灌丛样地的第二灌丛地上生物量。
可选地,所述根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型,包括:
对所述无人机影像数据进行预处理,生成所述灌丛化草原的无人机正射影像;
基于所述无人机正射影像识别所述灌丛化草原中单株灌丛的位置和轮廓;
根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述点云数据进行匹配,得到单株灌丛点云;
根据所述单株灌丛点云和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型。
可选地,所述根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述点云数据进行匹配,得到单株灌丛点云,包括:
对所述点云数据进行去噪处理,得到第一点云数据;
对所述第一点云数据进行分类处理,识别所述第一点云数据中的地面点云数据;
基于所述地面点云数据生成数字高程模型;
基于所述数字高程模型对所述地面点云数据进行归一化处理,得到第二点云数据;
根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述第二点云数据进行匹配,得到单株灌丛点云。
可选地,所述基于所述无人机正射影像识别所述灌丛化草原中单株灌丛的位置和轮廓,包括:
采用多尺度分割算法将所述无人机正射影像分为对象单元;
根据每个对象单元的红光波段、绿光波段、蓝光波段和亮度的均值及标准差,构建灌木区域和非灌木区域的特征变化数据集;
基于所述特征变化数据集确定各个对象单元的类别,并将类别为灌丛的对象单元确定为单株灌丛;
对所述单株灌丛的中心点和边界分别进行位置测量,确定所述单株灌丛的位置和轮廓。
可选地,所述基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量,包括:
基于所述无人机地上生物量估测模型,估测无人机飞行区内的单株灌丛地上生物量;
基于所述单株灌丛地上生物量计算第一灌丛样地的第一灌丛地上生物量。
可选地,所述基于所述地面测量数据和地上生物量-体积模型,构建实测灌丛地上生物量样本集,包括:
采用实时差分定位测量技术对所述灌丛化草原的灌丛中心点位置进行测量,并标记灌丛编号;
针对每一个灌丛,沿灌丛边界进行位置测量,记录灌丛轮廓点位;
将连续的灌丛轮廓点为相连,生成灌丛的多边形轮廓;
基于所述灌丛的多边形轮廓,提取每个灌丛样本的高度和不规则冠幅面积;
针对每一个灌丛样本,基于所述灌丛样本的高度和不规则冠幅面积,计算灌丛样本体积;
基于所述灌丛样本体积和地上生物量-体积模型,计算各个灌丛样本的地上生物量;
根据所述灌丛样本的地上生物量,构建实测灌丛地上生物量样本集。
可选地,所述地上生物量-体积模型为:,其中,AGB为地上生物量,V为灌丛体积。
第二方面,本发明实施例公开了一种灌丛植被地上生物量的估测装置,所述装置包括:
获取模块,用于获取灌丛化草原的地面测量数据、无人机影像数据、点云数据和卫星数据;
第一构建模块,用于基于所述地面测量数据和地上生物量-体积模型,构建实测灌丛地上生物量样本集;
第二构建模块,用于根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型;
第一估测模块,用于基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量;
特征提取模块,用于基于所述卫星数据提取所述第一灌丛样地的卫星特征参数;
第三构建模块,用于根据所述第一灌丛样地的第一灌丛地上生物量和卫星特征参数,构建卫星地上生物量估测模型;
第二估测模块,用于基于所述卫星地上生物量估测模型估测第二灌丛样地的第二灌丛地上生物量。
第三方面,本发明实施例公开了一种电子设备,所述电子设备包括处理器、存储器以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,所述处理器执行所述计算机程序时实现前述的灌丛植被地上生物量的估测方法。
第四方面,本发明实施例公开了一种机器可读介质,其上存储有指令,当所述指令由装置的一个或多个处理器执行时,使得装置执行如前述的灌丛植被地上生物量的估测方法。
本发明实施例包括以下优点:
本发明实施例提供的灌丛植被地上生物量的估测方法,将构建地面-无人机、无人机-卫星两个阶段的随机森林模型,也即本发明中的无人机地上生物量估测模型和卫星地上生物量估测模型,将无人机影像数据、点云数据和卫星数据相结合,实现了空天地协同的灌丛AGB遥感估测,在保证灌丛AGB估测效率的同时,提升了估测结果的准确性,为灌丛化草原生态系统草地资源调查和生态监测提供了科学方法和依据。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种灌丛植被地上生物量的估测方法实施例的步骤流程图;
图2是本发明的一种灌丛植被地上生物量的估测流程示意图;
图3是本发明的一个实验区的位置示意图;
图4是本发明的一个实验区的单株灌丛识别结果;
图5是本发明的无人机AGB估测模型的精度评价示意图;
图6是本发明的卫星AGB估测模型的精度评价示意图;
图7是本发明的一种灌丛植被地上生物量的估测装置实施例的结构框图;
图8是本发明的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中的术语“和/或”用于描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本发明实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
方法实施例
参照图1,示出了本发明的一种灌丛植被地上生物量的估测方法实施例的步骤流程图,所述方法可以包括如下步骤:
步骤101、获取灌丛化草原的地面测量数据、无人机影像数据、点云数据和卫星数据。
步骤102、基于所述地面测量数据和地上生物量-体积模型,构建实测灌丛地上生物量样本集。
步骤103、根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型。
步骤104、基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量。
步骤105、基于所述卫星数据提取所述第一灌丛样地的卫星特征参数。
步骤106、根据所述第一灌丛样地的第一灌丛地上生物量和卫星特征参数,构建卫星地上生物量估测模型。
步骤107、基于所述卫星地上生物量估测模型估测第二灌丛样地的第二灌丛地上生物量。
其中,点云数据可以通过激光雷达采集得到,卫星数据可以为高分六号(GF-6)WFV数据。可以理解的是,为了保证数据的时空同步和统一性,无人机影像数据和点云数据应来自于相同架次的飞行,及一台无人机同时搭载RGB相机和激光雷达载荷;并且,获取与无人机、地面测量数据同步的卫星数据。在实际应用中,可以选择天气情况良好、适于飞行的时间段在灌丛化草原上空开展无人机飞行以获取影像数据和点云数据。
灌丛化草原的地面测量数据可以基于实时差分定位(Real-Time kinematic,RTK)测量技术、载波相位差分技术等实时定位测量方法,对灌丛化草原的灌丛植被进行无损化精确定位和圈存,获取灌丛样本的地面测量数据。
地上生物量-体积模型用于反映地上生物量(Aboveground Biomass,AGB)与灌丛体积之间的迎合关系。实测灌丛地上生物量样本集用于反映实际测量的各个灌丛样本的AGB。
在本发明实施例中,基于地面测量数据和地上生物量-体积模型,可以计算出每个灌丛样本的AGB,进而构建实测灌丛地上生物量样本集。例如,可以先基于地面测量数据计算出各个灌丛样本的灌丛体积,然后将灌丛体积代入到地上生物量-体积模型中,计算出每个灌丛样本的AGB。实测灌丛地上生物量样本集可以包括各个灌丛样本的AGB,还可以包括各个灌丛样本的位置、轮廓、灌丛体积等数据。
接下来,根据无人机影像数据、点云数据和实测灌丛地上生物量样本集,构建无人机地上生物量估测模型。示例性地,可以基于无人机影像数据识别单株灌丛,并基于单株灌丛的位置、轮廓等信息将单株灌丛与点云数据进行匹配,得到单株灌丛的点云数据。然后,从单株灌丛的点云数据中提取高度分位数、冠层密度、强度等灌丛点云特征。基于单株灌丛的实测灌丛地上生物量样本集和灌丛点云特征,构建随机森林模型,即可得到本发明实施例中的无人机地上生物量估测模型。
作为一种示例,模型构建和AGB估计均在Rstudio软件中实现,主要用到的软件包为randomForest和VSURF。对灌丛点云特征进行重要性评估,可以选取面积、周长、长冠幅、短冠幅、冠层起伏率、密度特征共六个特征参数用于建模。进一步地,可以设置无人机地上生物量估测模型中模型关键参数的mtry=6,以及ntree=500。其中,模型参数mtry用于指定节点中用于二叉树的变量个数。模型参数ntree用于指定随机森林所包含的决策树数目。
基于无人机地上生物量估测模型,就可以估测出第一灌丛样地的第一灌丛AGB。其中,第一灌丛样地可以是从灌丛化草原中选取的任一样地。示例性地,可以在无人机飞行范围内随机取点,布置16m×16m的正方形样地,选择有灌丛分布的点位布设样地。在AGB估测过程中,可以先利用无人机地上生物量估测模型估测第一灌丛样地范围内的所有单株灌丛AGB,将第一灌丛样地范围内的所有单株灌丛AGB进行累加,就可以得到第一灌丛样地的第一灌丛AGB。
基于卫星数据,可以提取出第一灌丛样地的卫星特征参数。所述卫星特征参数可以包括但不限于:归一化植被指数(NDVI)、比值植被指数(RVI)、宽动态范围植被指数(WDRVI)、土壤调节植被指数(SAVI)、差值植被指数(DVI)、增强型植被指数(EVI)、MERIS陆地叶绿素指数(MTCI)、归一化红遍指数(NDREI)、归一化红边1植被指数(NDVIre1)和归一化红边2植被指数(NDVIre2),基于灰度共生矩阵(GLCM)的均值、方差、同质性、对比度、相异性、熵、二阶矩和相关性等8个纹理特征。其中,纹理特征是针对每个波段的。
在本发明实施例中,可以先对卫星数据进行预处理,然后再提取第一灌丛样地的卫星特征参数。例如,获取与无人机、地面实测数据同步的高分六号(GF-6)WFV数据。在ENVI5.3软件中,基于Sentinel-2卫星数据对GF-6数据进行几何校正,并通过FLAASH模块完成大气校正,处理得到GF-6数据各个波段的地表反射率产品,选用共6个波段用于后续AGB估测。从GF-6 WFV数据中提取6个波段的地表反射率特征和8个纹理特征,以及10个植被指数,所有卫星特征参数共计64个。
根据第一灌丛样地的第一灌丛地上生物量和卫星特征参数,就可以构建卫星地上生物量估测模型。本发明实施例中的卫星地上生物量估测模型也是一种随机森林模型。示例性地,可以在Rstudio软件中用randomForest和VSURF软件包实现参数调优和特征选择。其中选择6个卫星特征参数:蓝波段反射率、NDVIre1、绿波段反射率、DVI、绿波段纹理均值、NDREI。mtry和ntree两个模型关键参数分别为3和300。
基于卫星地上生物量估测模型就可以估测第二灌丛样地的第二灌丛地上AGB。其中,第二灌丛样地可以是灌丛化草原上的任一灌丛样地。
本发明实施例提供的灌丛植被地上生物量的估测方法,将构建地面-无人机、无人机-卫星两个阶段的随机森林模型,也即本发明中的无人机地上生物量估测模型和卫星地上生物量估测模型,将无人机影像数据、点云数据和卫星数据相结合,实现了空天地协同的灌丛AGB遥感估测,在保证灌丛AGB估测效率的同时,提升了估测结果的准确性,为灌丛化草原生态系统草地资源调查和生态监测提供了科学方法和依据。
在本发明的一种可选实施例中,步骤103所述根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型,包括:
步骤S11、对所述无人机影像数据进行预处理,生成所述灌丛化草原的无人机正射影像;
步骤S12、基于所述无人机正射影像识别所述灌丛化草原中单株灌丛的位置和轮廓;
步骤S13、根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述点云数据进行匹配,得到单株灌丛点云;
步骤S14、根据所述单株灌丛点云和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型。
在本发明实施例中,可以先对无人机影像数据进行预处理,生成灌丛化草原的无人机正射影像。例如,对无人机影像数据中连续拍摄的相片进行空间三角测量、拼接、正射校正等预处理步骤,生成飞行区域的无人机数字正射影像(Digital Orthophoto Map,DOM)、数字表面模型(Digital SurfaceModel, DSM)等数据产品。预处理主要步骤包括导入照片、对其照片、三维重建、生成密集点云、DOM、DSM制作等,所有步骤优选在AgisoftMetashape软件中完成。
接下来,基于无人机正射影像识别出灌丛化草原中单株灌丛的位置和轮廓。例如,采用图像分割和面向对象分类的方法识别无人机正射影像中的单株灌丛,获取无人机影像范围内的所有单株灌丛的位置和轮廓。
基于单株灌丛的位置和轮廓,对单株灌丛和点云数据进行匹配,就可以得到单株灌丛点云。最后,根据单株灌丛点云和实测灌丛地上生物量样本集,构建无人机地上生物量估测模型。示例性地,从单株灌丛的点云数据中提取高度分位数、冠层密度、强度等灌丛点云特征。基于单株灌丛的实测灌丛地上生物量样本集和灌丛点云特征,构建随机森林模型,即可得到本发明实施例中的无人机地上生物量估测模型。
可选地,步骤S13所述根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述点云数据进行匹配,得到单株灌丛点云,包括:
子步骤S131、对所述点云数据进行去噪处理,得到第一点云数据;
子步骤S132、对所述第一点云数据进行分类处理,识别所述第一点云数据中的地面点云数据;
子步骤S133、基于所述地面点云数据生成数字高程模型;
子步骤S134、基于所述数字高程模型对所述地面点云数据进行归一化处理,得到第二点云数据;
子步骤S135、根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述第二点云数据进行匹配,得到单株灌丛点云。
在本发明实施例中,提取单株灌丛点云之前,可以先对灌丛化草原的点云数据进行预处理,具体可以包括去噪处理、分类处理和归一化处理。
示例性地,无人机激光雷达获取的点云数据首先经过航带配准和拼接,形成完整区块的点云数据,接下来,进行点云去噪处理,去除电线、鸟类飞行等产生的噪声点云。下一步,对去噪后的第一点云数据进行分类,区分不同类型的点云,主要为植被点云、地面点云两类,基于分类后的地面点云数据生成高精度数字高程模型(Digital Elevation Model,DEM)。最后,对地面点云数据进行高程归一化处理,即每个点的高程值减去对应位置的DEM高程值,得到经过分类和归一化的灌丛化草原点云数据,也即本发明实施例中的第二点云数据。其中,无人机激光雷达点云数据的预处理流程可以在LiDAR360软件中完成。
根据单株灌丛的位置和轮廓,对无人机正射影像中的单株灌丛和所述第二点云数据进行匹配,即可得到单株灌丛点云。
可选地,步骤S12所述基于所述无人机正射影像识别所述灌丛化草原中单株灌丛的位置和轮廓,包括:
子步骤S121、采用多尺度分割算法将所述无人机正射影像分为对象单元;
子步骤S122、根据每个对象单元的红光波段、绿光波段、蓝光波段和亮度的均值及标准差,构建灌木区域和非灌木区域的特征变化数据集;
子步骤S123、基于所述特征变化数据集确定各个对象单元的类别,并将类别为灌丛的对象单元确定为单株灌丛;
子步骤S124、对所述单株灌丛的中心点和边界分别进行位置测量,确定所述单株灌丛的位置和轮廓。
在本发明实施例中,可以采用面向对象分类方法提取无人机正射影像中的单株灌丛。具体地,可以先采用多尺度分割算法将影像分为对象单元,然后结合红光波段(Red,R)、绿光波段(Green,G)、蓝光波段(Blue,B)、亮度(Brightness,Br)的均值(Mean)以及标准差(Standard Deviation,SD)构建灌木(T)区域和非灌木(F)区域的特征变化数据集,最后采用样本的最邻近(K-Nearest Neighbor,KNN)分类算法对不同对象单元进行分类,分为灌丛和非灌丛两类,灌丛一类即为单株灌丛的提取结果。最后,对提取出的单株灌丛的中心点和边界分别进行位置测量,即可确定单株灌丛的位置和轮廓。例如,采用RTK对灌丛中心点的精确位置进行测量,并标记灌丛编号。其次,沿灌丛边界进行位置测量,即对灌丛进行圈存,记录用于描述灌丛轮廓的点位,点位同时包含高程信息。在导出测量结果后,将连续的轮廓点连接起来,形成灌丛轮廓的不规则多边形,即可得到灌丛的轮廓。
在本发明的一种可选实施例中,步骤104所述基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量,包括:
步骤S21、基于所述无人机地上生物量估测模型,估测无人机飞行区内的单株灌丛地上生物量;
步骤S22、基于所述单株灌丛地上生物量计算第一灌丛样地的第一灌丛地上生物量。
其中,第一灌丛样地为无人机飞行区内有灌丛分布的任一样地。
在本发明实施例中,可以基于无人机地上生物量估测模型,估测出无人机飞行区内的单株灌丛地上生物量。然后,基于单株灌丛AGB计算第一灌丛样地的第一灌丛AGB。示例性地,将第一灌丛样地范围内的单株灌丛AGB进行累加,即可得到第一灌丛样地的第一灌丛AGB。
在本发明的一种可选实施例中,步骤102所述基于所述地面测量数据和地上生物量-体积模型,构建实测灌丛地上生物量样本集,包括:
步骤S31、采用实时差分定位测量技术对所述灌丛化草原的灌丛中心点位置进行测量,并标记灌丛编号;
步骤S32、针对每一个灌丛,沿灌丛边界进行位置测量,记录灌丛轮廓点位;
步骤S33、将连续的灌丛轮廓点为相连,生成灌丛的多边形轮廓;
步骤S34、基于所述灌丛的多边形轮廓,提取每个灌丛样本的高度和不规则冠幅面积;
步骤S35、针对每一个灌丛样本,基于所述灌丛样本的高度和不规则冠幅面积,计算灌丛样本体积;
步骤S36、基于所述灌丛样本体积和地上生物量-体积模型,计算各个灌丛样本的地上生物量;
步骤S37、根据所述灌丛样本的地上生物量,构建实测灌丛地上生物量样本集。
在构建实测灌丛地上生物样本集的过程中,首先,可以采用RTK对灌丛中心点的精确位置进行测量,并标记灌丛编号。其次,沿灌丛边界进行位置测量,即对灌丛进行圈存,记录用于描述灌丛轮廓的点位,点位同时包含高程信息。在导出测量结果后,将连续的轮廓点连接起来,形成灌丛轮廓的不规则多边形。基于灌丛的多边形轮廓,提取每个灌丛的高度(H)、不规则冠幅面积(S)共2项特征参数,计算灌丛体积(V),计算公式为:
(1)
将灌丛样本体积代入到地上生物量-体积模型中,就可以计算出每个灌丛样本的AGB,进而构建实测灌丛地上生物量样本集。实测灌丛地上生物量样本集可以包括各个灌丛样本的AGB,还可以包括各个灌丛样本的位置、轮廓、灌丛体积等数据。
可选地,所述地上生物量-体积模型为:,其中,AGB为地上生物量,V为灌丛体积。模型相关系数 r 为0.92,置信度为0.01。
参照图2,示出了本发明实施例提供的一种灌丛植被地上生物量的估测流程示意图。如图2所示,本发明实施例通过地面灌丛AGB实测,对灌丛化草原中的灌丛样本实测灌丛AGB并进行RTK圈存,通过计算灌丛体积和AGB-体积模型,构建实测灌丛AGB样本数据集。针对无人机数据,本发明实施例将灌丛化草原的无人机正射影像和激光雷达点云数据进行了数据配准,并通过面向对象分类、点云分类与归一化处理,提取出了单株灌丛点云数据,并利用单株灌丛点云的特征参数,如几何特征、高度、强度特征等,与实测灌丛AGB样本数据集协同构建随机森林回归模型,即可得到本发明实施例中的无人机AGB估测模型。进一步地,本发明实施例对GF6-WFV卫星影像进行了数据预处理,基于无人机AGB估测模型和提取的卫星特征参数,如波段反射率、植被指数、纹理特征等,构建随机森林回归模型,得到本发明实施例中的卫星AGB估测模型。利用该卫星AGB估测模型,即可实现对灌丛样地的灌丛AGB的估测。
参照图3,示出了本发明实施例的一个实验区的位置示意图。如图3所示,本例的实验区位于内蒙古自治区锡林郭勒盟西南角的镶黄旗,地理位置为113°22′- 114°45′E,41°56′- 42°45′N,是我国北方较为典型的灌丛化草原分布区。研究区属于中温带半干旱大陆性季风气候,四季分明,冬季寒冷干燥多风,夏季炎热,雨热同期。年平均气温3.1℃,气温变化较大,年降水量267.90 mm,且降水量在各季节分布不均匀,多集中在6-8月。研究区地形南高北低,北部邻近浑善达克沙地南缘,常见固定、半固定沙丘,中部以平原、谷地、盆地为主,南部为丘陵和低山。境内多季节性河流,地带性土壤为栗钙土,北部由于浑善达克沙地的侵入,砂性较重。研究区域主要草本植物有克氏针茅(Stipakrylovii Roshev)、羊草(Leymus chinensis),糙隐子草(Cleistogenes squarrosa)、冷蒿(Artemisia frigida)等,优势灌木种为小叶锦鸡儿。小叶锦鸡儿在草原区分布广泛,是豆科锦鸡儿属,多生长在草原、沙地和丘陵坡地,生长特性为喜光、耐高温与耐寒,不耐涝,对土壤适应性强,其生理生态学特征和生长特性与研究区的生境条件相适应,成为该区域干旱半干旱地区防风固沙、保持水土的首选植物,也是该区域最具代表性的景观植物。
参照图4,示出了本发明实施例中实验区的单株灌丛识别结果。在本发明实施例中,采用面向对象的分类算法提取无人机正射影像中的单株灌丛,其中,面向对象的KNN算法的分类精度如表1所示:
参照图5,示出了本发明实施例中无人机AGB估测模型的精度评价示意图。图6示出了本发明实施例中卫星AGB估测模型的精度评价示意图。由图5和图6可以看出,本发明实施例中构建的无人机AGB估测模型和卫星AGB估测模型均具有较高的估测精度。
综上,本发明实施例提供的灌丛植被地上生物量的估测方法,将构建地面-无人机、无人机-卫星两个阶段的随机森林模型,也即本发明中的无人机地上生物量估测模型和卫星地上生物量估测模型,将无人机影像数据、点云数据和卫星数据相结合,实现了空天地协同的灌丛AGB遥感估测,在保证灌丛AGB估测效率的同时,提升了估测结果的准确性,为灌丛化草原生态系统草地资源调查和生态监测提供了科学方法和依据。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
装置实施例
参照图7,示出了本发明的一种灌丛植被地上生物量的估测装置实施例的结构框图,如图7所示,所述装置具体可以包括:
获取模块701,用于获取灌丛化草原的地面测量数据、无人机影像数据、点云数据和卫星数据;
第一构建模块702,用于基于所述地面测量数据和地上生物量-体积模型,构建实测灌丛地上生物量样本集;
第二构建模块703,用于根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型;
第一估测模块704,用于基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量;
特征提取模块705,用于基于所述卫星数据提取所述第一灌丛样地的卫星特征参数;
第三构建模块706,用于根据所述第一灌丛样地的第一灌丛地上生物量和卫星特征参数,构建卫星地上生物量估测模型;
第二估测模块707,用于基于所述卫星地上生物量估测模型估测第二灌丛样地的第二灌丛地上生物量。
可选地,所述第二构建模块,包括:
预处理子模块,用于对所述无人机影像数据进行预处理,生成所述灌丛化草原的无人机正射影像;
灌丛识别子模块,用于基于所述无人机正射影像识别所述灌丛化草原中单株灌丛的位置和轮廓;
数据匹配子模块,用于根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述点云数据进行匹配,得到单株灌丛点云;
第一构建子模块,用于根据所述单株灌丛点云和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型。
可选地,所述数据匹配子模块,包括:
去噪单元,用于对所述点云数据进行去噪处理,得到第一点云数据;
分类单元,用于对所述第一点云数据进行分类处理,识别所述第一点云数据中的地面点云数据;
生成单元,用于基于所述地面点云数据生成数字高程模型;
归一化单元,用于基于所述数字高程模型对所述地面点云数据进行归一化处理,得到第二点云数据;
匹配单元,用于根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述第二点云数据进行匹配,得到单株灌丛点云。
可选地,所述灌丛识别子模块,包括:
分割单元,用于采用多尺度分割算法将所述无人机正射影像分为对象单元;
数据集构建单元,用于根据每个对象单元的红光波段、绿光波段、蓝光波段和亮度的均值及标准差,构建灌木区域和非灌木区域的特征变化数据集;
类别确定单元,用于基于所述特征变化数据集确定各个对象单元的类别,并将类别为灌丛的对象单元确定为单株灌丛;
测量单元,用于对所述单株灌丛的中心点和边界分别进行位置测量,确定所述单株灌丛的位置和轮廓。
可选地,所述第一估测模块,包括:
估测子模块,用于基于所述无人机地上生物量估测模型,估测无人机飞行区内的单株灌丛地上生物量;
计算子模块,用于基于所述单株灌丛地上生物量计算第一灌丛样地的第一灌丛地上生物量。
可选地,所述第一构建模块,包括:
位置测量子模块,用于采用实时差分定位测量技术对所述灌丛化草原的灌丛中心点位置进行测量,并标记灌丛编号;
轮廓记录子模块,用于针对每一个灌丛,沿灌丛边界进行位置测量,记录灌丛轮廓点位;
轮廓生成子模块,用于将连续的灌丛轮廓点为相连,生成灌丛的多边形轮廓;
特征提取子模块,用于基于所述灌丛的多边形轮廓,提取每个灌丛样本的高度和不规则冠幅面积;
体积计算子模块,用于针对每一个灌丛样本,基于所述灌丛样本的高度和不规则冠幅面积,计算灌丛样本体积;
地上生物量计算子模块,用于基于所述灌丛样本体积和地上生物量-体积模型,计算各个灌丛样本的地上生物量;
第二构建子模块,用于根据所述灌丛样本的地上生物量,构建实测灌丛地上生物量样本集。
可选地,所述地上生物量-体积模型为:,其中,AGB为地上生物量,V为灌丛体积。
综上,本发明实施例提供的灌丛植被地上生物量的估测装置,将构建地面-无人机、无人机-卫星两个阶段的随机森林模型,也即本发明中的无人机地上生物量估测模型和卫星地上生物量估测模型,将无人机影像数据、点云数据和卫星数据相结合,实现了空天地协同的灌丛AGB遥感估测,在保证灌丛AGB估测效率的同时,提升了估测结果的准确性,为灌丛化草原生态系统草地资源调查和生态监测提供了科学方法和依据。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,参照图8,包括:处理器801、存储器802以及存储在所述存储器802上并可在所述处理器上运行的计算机程序8021,所述处理器801执行所述程序时实现前述实施例的灌丛植被地上生物量的估测方法。
本发明实施例还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由装置(服务器或者终端)的处理器执行时,使得装置能够执行前文图1所对应实施例中灌丛植被地上生物量的估测方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机程序产品或者计算机程序实施例中未披露的技术细节,请参照本申请方法实施例的描述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上对本发明所提供的一种灌丛植被地上生物量的估测方法及装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种灌丛植被地上生物量的估测方法,其特征在于,所述方法包括:
获取灌丛化草原的地面测量数据、无人机影像数据、点云数据和卫星数据;
基于所述地面测量数据和地上生物量-体积模型,构建实测灌丛地上生物量样本集;
根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型;
基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量;
基于所述卫星数据提取所述第一灌丛样地的卫星特征参数;
根据所述第一灌丛样地的第一灌丛地上生物量和卫星特征参数,构建卫星地上生物量估测模型;
基于所述卫星地上生物量估测模型估测第二灌丛样地的第二灌丛地上生物量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型,包括:
对所述无人机影像数据进行预处理,生成所述灌丛化草原的无人机正射影像;
基于所述无人机正射影像识别所述灌丛化草原中单株灌丛的位置和轮廓;
根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述点云数据进行匹配,得到单株灌丛点云;
根据所述单株灌丛点云和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述点云数据进行匹配,得到单株灌丛点云,包括:
对所述点云数据进行去噪处理,得到第一点云数据;
对所述第一点云数据进行分类处理,识别所述第一点云数据中的地面点云数据;
基于所述地面点云数据生成数字高程模型;
基于所述数字高程模型对所述地面点云数据进行归一化处理,得到第二点云数据;
根据所述单株灌丛的位置和轮廓,对所述无人机正射影像中的单株灌丛和所述第二点云数据进行匹配,得到单株灌丛点云。
4.根据权利要求2所述的方法,其特征在于,所述基于所述无人机正射影像识别所述灌丛化草原中单株灌丛的位置和轮廓,包括:
采用多尺度分割算法将所述无人机正射影像分为对象单元;
根据每个对象单元的红光波段、绿光波段、蓝光波段和亮度的均值及标准差,构建灌木区域和非灌木区域的特征变化数据集;
基于所述特征变化数据集确定各个对象单元的类别,并将类别为灌丛的对象单元确定为单株灌丛;
对所述单株灌丛的中心点和边界分别进行位置测量,确定所述单株灌丛的位置和轮廓。
5.根据权利要求1所述的方法,其特征在于,所述基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量,包括:
基于所述无人机地上生物量估测模型,估测无人机飞行区内的单株灌丛地上生物量;
基于所述单株灌丛地上生物量计算第一灌丛样地的第一灌丛地上生物量。
6.根据权利要求1所述的方法,其特征在于,所述基于所述地面测量数据和地上生物量-体积模型,构建实测灌丛地上生物量样本集,包括:
采用实时差分定位测量技术对所述灌丛化草原的灌丛中心点位置进行测量,并标记灌丛编号;
针对每一个灌丛,沿灌丛边界进行位置测量,记录灌丛轮廓点位;
将连续的灌丛轮廓点相连,生成灌丛的多边形轮廓;
基于所述灌丛的多边形轮廓,提取每个灌丛样本的高度和不规则冠幅面积;
针对每一个灌丛样本,基于所述灌丛样本的高度和不规则冠幅面积,计算灌丛样本体积;
基于所述灌丛样本体积和地上生物量-体积模型,计算各个灌丛样本的地上生物量;
根据所述灌丛样本的地上生物量,构建实测灌丛地上生物量样本集。
7.根据权利要求6所述的方法,其特征在于,所述地上生物量-体积模型为:,其中,AGB为地上生物量,V为灌丛体积。
8.一种灌丛植被地上生物量的估测装置,其特征在于,所述装置包括:
获取模块,用于获取灌丛化草原的地面测量数据、无人机影像数据、点云数据和卫星数据;
第一构建模块,用于基于所述地面测量数据和地上生物量-体积模型,构建实测灌丛地上生物量样本集;
第二构建模块,用于根据所述无人机影像数据、所述点云数据和所述实测灌丛地上生物量样本集,构建无人机地上生物量估测模型;
第一估测模块,用于基于所述无人机地上生物量估测模型,估测第一灌丛样地的第一灌丛地上生物量;
特征提取模块,用于基于所述卫星数据提取所述第一灌丛样地的卫星特征参数;
第三构建模块,用于根据所述第一灌丛样地的第一灌丛地上生物量和卫星特征参数,构建卫星地上生物量估测模型;
第二估测模块,用于基于所述卫星地上生物量估测模型估测第二灌丛样地的第二灌丛地上生物量。
9.一种电子设备,其特征在于,所述电子设备包括处理器、存储器以及存储在所述存储上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的灌丛植被地上生物量的估测方法。
10.一种机器可读存储介质,其上存储有指令,当所述指令由装置的一个或多个处理器执行时,使得装置执行如权利要求1至7中任一项所述的灌丛植被地上生物量的估测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641197.2A CN117347974B (zh) | 2023-12-04 | 2023-12-04 | 一种灌丛植被地上生物量的估测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641197.2A CN117347974B (zh) | 2023-12-04 | 2023-12-04 | 一种灌丛植被地上生物量的估测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117347974A CN117347974A (zh) | 2024-01-05 |
CN117347974B true CN117347974B (zh) | 2024-02-13 |
Family
ID=89359796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311641197.2A Active CN117347974B (zh) | 2023-12-04 | 2023-12-04 | 一种灌丛植被地上生物量的估测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117347974B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867180A (zh) * | 2015-05-28 | 2015-08-26 | 南京林业大学 | 一种集成uav与lidar的森林林分特征反演方法 |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
KR20210063016A (ko) * | 2019-11-22 | 2021-06-01 | 주식회사 공간정보 | 작물 재배면적 추출방법 및 프로그램 |
CN116127327A (zh) * | 2023-04-07 | 2023-05-16 | 广东省科学院广州地理研究所 | 森林地上生物量反演方法、装置、设备以及存储介质 |
CN117150902A (zh) * | 2023-08-31 | 2023-12-01 | 北京市生态环境监测中心 | 结合背包点云和卫星遥感数据的生物量反演方法和系统 |
-
2023
- 2023-12-04 CN CN202311641197.2A patent/CN117347974B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867180A (zh) * | 2015-05-28 | 2015-08-26 | 南京林业大学 | 一种集成uav与lidar的森林林分特征反演方法 |
KR20210063016A (ko) * | 2019-11-22 | 2021-06-01 | 주식회사 공간정보 | 작물 재배면적 추출방법 및 프로그램 |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
CN116127327A (zh) * | 2023-04-07 | 2023-05-16 | 广东省科学院广州地理研究所 | 森林地上生物量反演方法、装置、设备以及存储介质 |
CN117150902A (zh) * | 2023-08-31 | 2023-12-01 | 北京市生态环境监测中心 | 结合背包点云和卫星遥感数据的生物量反演方法和系统 |
Non-Patent Citations (3)
Title |
---|
基于多种特征参量的水稻生物量估算研究;张灿;中国优秀硕士电子期刊;全文 * |
基于无人机和决策树算法的榆树疏林草原植被类型划分和覆盖度生长季动态估计;韩东;王浩舟;郑邦友;王锋;;生态学报;38(18);第6656-6662页 * |
灌丛化草原小叶锦鸡儿灌丛地上生物量测量方法研究;戎荣, 孙斌, 武志涛等;草业学报;第32卷(第1期);第36-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117347974A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020103026A4 (en) | A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images | |
Sasaki et al. | Object-based classification of land cover and tree species by integrating airborne LiDAR and high spatial resolution imagery data | |
Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN111340826B (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
Wang | A multi-scale approach for delineating individual tree crowns with very high resolution imagery | |
CN109033937B (zh) | 通过无人机影像进行植物数量统计方法及系统 | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
CN115641412B (zh) | 基于高光谱数据的三维语义地图的生成方法 | |
CN111563430A (zh) | 一种基于卷积神经的公益林地类图像智能识别方法及系统 | |
CN113221806A (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
CN109740570A (zh) | 一种基于地形指数和物候差异的梯田遥感识别方法 | |
Katoh et al. | Application of high-resolution airborne data using individual tree crowns in Japanese conifer plantations | |
Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
Wright et al. | Landsat TM spectral information to enhance the land cover of Scotland 1988 dataset | |
CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
CN117347974B (zh) | 一种灌丛植被地上生物量的估测方法及装置 | |
CN115019190B (zh) | 基于航空遥感平台的地形破碎区复杂地类信息提取方法 | |
Dehkordi et al. | Performance Evaluation of Temporal and Spatial-Temporal Convolutional Neural Networks for Land-Cover Classification (A Case Study in Shahrekord, Iran) | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
Brandtberg et al. | High-spatial-resolution remote sensing |
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 |