CN117607063B - 一种基于无人机的森林垂直结构参数测量系统和方法 - Google Patents
一种基于无人机的森林垂直结构参数测量系统和方法 Download PDFInfo
- Publication number
- CN117607063B CN117607063B CN202410098627.9A CN202410098627A CN117607063B CN 117607063 B CN117607063 B CN 117607063B CN 202410098627 A CN202410098627 A CN 202410098627A CN 117607063 B CN117607063 B CN 117607063B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- zenith
- calculating
- branches
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003287 optical effect Effects 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000000691 measurement method Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 43
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 9
- 230000000873 masking effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012821 model calculation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000036855 Left sided atrial isomerism Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910001868 water Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Analytical Chemistry (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于无人机的森林垂直结构参数测量系统，包括：数据采集模块，其包括无人机、具有鱼眼镜头的微型相机，微型相机固定在无人机上，其中对于每块样地，无人机保持水平坐标和方位朝向不变，依次升到需要进行数据采集的高度，由微型相机拍照进行数据采集；相机校正模块，其用于确定微型相机的光学中心和投影函数；参数解算模块，其基于微型相机的光学中心和投影函数，针对数据采集模块采集的数据进行参数解算。本发明还对应提出一种基于无人机的森林垂直结构参数测量方法。本发明的系统和方法极大的提高了观测效率，提升了采样高度和采样间隔密度，避免了背景干扰，保障了测量精度。
Description
技术领域
本发明涉及森林垂直结构参数的地面测量技术领域，更具体地，涉及一种基于无人机的森林垂直结构参数测量系统和方法。
背景技术
由于不同植被对阳光、养料和水分等生长因素的自然选择，森林群落中不同植被种群分别占据了不同空间，从冠层顶部到林下层具备丰富的垂直分层特征，形成了独特的“乔-灌-草”垂直分层结构。森林结构参数主要包括植被覆盖度(Fraction of VegetationCoverage, FVC)、叶面积指数(Leaf AreaIndex, LAI)和聚集度指数（Clumping Index,CI）等，森林垂直结构参数观测就是将这些参数的测量在不同高度上开展。这些参数深刻地反映着森林的碳、氮、水循环及光合作用，对于陆地生态系统建模、遥感分层结构参数产品验证、栖息地质量评价、量化森林生态系统结构与功能等方面有着重要的作用。
目前森林垂直结构参数的地面测量主要包括直接测量和间接测量两种方式：直接测量通过对森林分段砍伐的方式对其结构参数按高度进行统计计算，这是一种破坏性方法，需要除去所有叶片，对劳动力需求高，实际测量中很少被采用。间接方法多依靠鱼眼相机或其它光学设备在不同高度对林冠层进行数据采集实现。
近年来，无人机技术在遥感领域得到了广泛应用，如气象监测、资源调查、航拍测量等。但现有的无人机观测技术多是搭载CCD传感器在中等尺度进行下视成像，而对于森林垂直结构参数地面数据的获取，则没有相关技术。
对于鱼眼相机数据的后期处理，包括数据读取、图像掩膜、图像分类、垂直结构参数计算等步骤。目前已有一些商业或开源软件及程序包可以进行上述操作，如Gap LightAnalyzer、CAN_EYE、CIMES等，然而，目前的科研人员或者产业领域应用人员用这些工具进行森林垂直结构参数计算时仍面临着诸多问题。
（1）很多操作需要手动完成。现有的数据处理系统每个计算周期仅支持输入某样地单一高度的数据进行计算，不支持对多样地、多高度的数据进行批量处理。数据读取时，每次都需要人工从数据库中找到各样地内各垂直测量单元的同一高度数据作为输入。掩膜、分类等过程也需要逐高度人工交互进行。当采样高度间隔和样地数较多时，这种方式会消耗大量的时间和人工成本。
（2）没有考虑木质组分（树木枝干）对LAI计算的影响。以往方法在计算LAI时没有对叶片和木质组分作区分，而是归为一类，使得计算结果并不是真实LAI，而是包含了木质组分的植被面积指数（Plant Area Index, PAI），影响了计算精度。
（3）现有分类方法多采用交互式阈值分割的方法，分类结果受主观因素影响大，且每计算一个高度的结构参数都需要人工进行一次交互分类，消耗大量时间和人工成本。
（4）方向性聚集指数对于理解冠层中的辐射传输过程具有重要意义，众多方法在设置天顶环或者方位角扇区时不支持或不灵活，无法获得某一高度下特定天顶环、特定方位角扇区或特定方位单元内的聚集指数。
发明内容
针对背景技术中的问题，本发明提出一种基于无人机的森林垂直结构参数测量系统，包括：数据采集模块，其包括无人机、具有鱼眼镜头的微型相机，微型相机固定在无人机上，其中对于每块样地，无人机保持水平坐标和方位朝向不变，依次升到需要进行数据采集的高度，由微型相机拍照进行数据采集；相机校正模块，其用于确定微型相机的光学中心和投影函数；参数解算模块，其基于微型相机的光学中心和投影函数，针对数据采集模块采集的数据进行参数解算。
本发明还提出一种基于无人机的森林垂直结构参数测量方法，包括：S1，在无人机上搭载具有鱼眼镜头的微型相机，在每块样地内按需均匀选择N个垂直测量单元其中对于每块样地，无人机保持水平坐标和方位朝向不变，依次升到需要进行数据采集的高度，由微型相机拍照进行数据采集；S2，确定相机的光学中心和投影函数；S3，基于微型相机的光学中心和投影函数，针对数据采集模块采集的数据进行参数解算。S4，将照片内容分为天空、树叶和枝条三类；S5，计算森林垂直结构参数。
本发明的方法具有如下技术效果。
（1）相比于传统观测策略，基于无人机的方式极大的提高了观测效率，提升了采样高度和采样间隔密度，避免了以往攀爬观测塔架或塔吊吊笼方式带来的高人身风险，相比直接砍伐或升降杆观测等方式也避免破坏植被和节省了人力消耗。
（2）无人机观测方式避免了观测平台本身导致的背景干扰，保障了测量精度。传统观测方式会使得塔架、吊笼等采样设备的背景出现在鱼眼照片中，使得结构参数计算精度降低。特别是对于FVC，普遍利用0-10°天顶角的孔隙率计算得来，当天顶出现遮挡时，FVC的计算精度会大打折扣。而无人机观测方式的鱼眼相机固定在无人机顶部，排除了上述背景干扰。
（3）数据处理模块实现了多样地多高度数据批量处理，而传统软件仅支持单次对单个样地的单个高度数据进行处理，极大的节省了时间和人工成本。
（4）使用U-Net结合SVM的方法实现了对天空、枝条、叶片的自动分类，相比传统的交互式阈值分割方式极大的减少了人工操作，也排除了人为主观因素对结果的影响。同时这种分类方式剔除了木质组分对LAI廓线计算的影响，获得了更准确的LAI。
（5）实现各个高度下特定天顶角、方位角、方位单元聚集指数的计算。
附图说明
为了更容易理解本发明，将通过参照附图中示出的具体实施方式更详细地描述本发明。这些附图只描绘了本发明的典型实施方式，不应认为对本发明保护范围的限制。
图1为本发明的系统的一个实施方式的流程图。
图2为本发明的系统的数据采集模块的结构图。
图3为一个样地分割的示意图。
图4为本系统在某一垂直测单元拍摄的部分冠层高度的鱼眼照片。
图5为样地冠层的植被覆盖度FVC的垂直轮廓线的提取结果。
图6为样地冠层的聚集度指数CI的垂直轮廓线的提取结果。
图7为样地冠层的叶面积指数LAI的垂直廓线的提取结果。
附图标记
1-无人机；2-微型相机；3-鱼眼镜头；4-扩展支架。
具体实施方式
下面参照附图描述本发明的实施方式，以便于本领域的技术人员可以更好的理解本发明并能予以实施，但所列举的实施例不作为本发明的限定，在不冲突的情况下，下述的实施例及实施例中的技术特征可以相互组合，其中相同的部件用相同的附图标记表示。
本发明的基于无人机的森林垂直结构参数测量系统，所述系统包括数据采集模块、相机校正模块和参数解算模块。
如图1所示，数据采集模块包括：无人机1、微型相机2、鱼眼镜头3、扩展支架4及相机蓝牙快门。
无人机1优选地选择微型多旋翼式无人机，以保证能够在森林冠层内进行稳定的垂直起降及悬停。无人机翼展小于0.5 m, 以减小与枝叶发生碰撞的风险。无人机配备GPS定位模块，无人机控制器可获取飞机与地面的相对高度数据。无人机上部安装有扩展支架4，用于固定微型相机2，微型相机2优选地固定在无人机1的上部。扩展支架4的中部有万向轴，可调节角度使得微型相机2的主光轴与天顶方向一致。
微型相机2在可见光范围进行成像，配备GPS模块并能够将经纬度信息存储在照片的EXIF文件中，具备一定的防抖能力。鱼眼镜头3安装在微型相机2上，组成微型鱼眼相机，鱼眼镜头的视场角为180°。微型相机2通过置扩展支架4卡扣固定在无人机上。微型相机2具有蓝牙模块，其由地面的蓝牙控制器控制，来控制微型相机2的相机蓝牙快门，从而实现微型相机的远程拍照。
具体测量时，首先需要使用者对现场环境进行初步了解，包括该区域是否限制无人机飞行、是否有GPS信号遮挡、是否有合适的起飞地形以及能够使无人机穿越冠层的林窗等，选择满足上述条件的样地。
每块样地内按需均匀选择N个垂直测量单元（例如图3所示的样地分割示意图，可将一90m×90 m的样地均匀分成3×3个边长30 m的正方形地块，将每个地块中心位置作为一个垂直测量单元，则N = 9），随后开始数据采集。对每个垂直测量单元，无人机起飞前首先在地面（0m）高度进行上视拍照成像。之后起飞无人机，无人机保持水平坐标和方位朝向不变，依次升到需要进行数据采集的高度，高度数据通过无人机的GPS模块传输到无人机控制器上进行数值读取。无人机到达指定高度后由微型鱼眼相机的蓝牙快门控制拍照，每个高度至少拍照两次直至到达冠层顶部，该垂直测量单元的测量工作结束。对该样地所有剩余的垂直测量单元基于上述过程进行采样。微型鱼眼相机拍摄的照片储存在存储卡中。
相机校正模块用于确定微型相机的光学中心和投影函数。
光学中心的确定过程如下：将带有多个细孔（如3个）的遮光片盖在镜头上，多次旋转（如10次）并拍照，利用单个细孔多次旋转成像的坐标值求出中心坐标，再对多个细孔的中心坐标求均值，得到光学中心。
投影函数的确定过程如下：投影函数的确定利用多组像素坐标值及对应的天顶角关系得到最优拟合函数来实现，具体而言，可以用鱼眼相机对棋盘格标定板进行拍照的方式，找出不少于三组像素坐标与对应天顶角的实测值，代入如下公式进行最小二乘拟合：
，
其中，R为天顶角，P1、P2、P3分别为一阶、二阶、三阶投影系数，为像素坐标。
参数解算模块进行参数解算。参数解算模块包括：数据读取单元、照片掩膜单元、图像数据分类单元和参数解算单元。
数据读取单元读取多样地数据，每块样地具有如下参数：经纬度范围、名称、样地内垂直采样单元个数、采样区间、采样高度间隔及各个高度拍照张数。
具体地，按样地划分多个数据文件夹，各样地文件夹内按拍照高度存储多个子文件夹。每块样地具有如下参数：经纬度范围、名称、样地内垂直采样单元个数、采样区间、采样高度间隔及各个高度拍照张数。之后从原始照片数据中读取EXIF文件中的经纬度信息，按预先给定的经纬度范围，将照片按样地划分为不同的文件夹。在各样地文件夹内，依据照片原始编号顺序（拍照顺序），样地内垂直采样单元个数、采样区间、采样高度间隔及各采样高度拍照张数信息，对照片按高度划分为多个子文件夹存储，子文件夹按拍照高度命名。
照片掩膜单元进行照片掩膜。受采样位置的局限，照片可能出现不可规避建筑、塔架等背景，需要对它们进行掩膜来避免影响计算精度，该过程采用人机交互的方式进行。在照片中勾选要掩膜的多边形区域后，照片掩膜单元读取矢量多边形坐标，将该区域范围内的像元值设置为0，完成掩膜过程。
图像数据分类单元将照片内容分为天空、树叶和枝条三类，分两步完成。首先用U-Net模型将背景和枝叶进行二分，之后利用SVM模型区分出树叶和枝条。相对于U-Net模型，SVM方法能够对叶片和枝条有更精准的区分。具体实现中，首先要进行训练样本库的制作，从鱼眼相机采集的原始数据中随机裁剪大量训练样本（不同树种、不同高度拍摄），如2000张长宽均为256像素的样本。用语义分割标注工具（如Labelme、LabelStudio等）人工勾画出天空、树叶、枝条三类，得到样本集。将样本集中的树叶和枝条类合并，其中80%的样本对U-net模型进行训练，20%用于模型验证。从样本集中随机抽取树叶和枝条像素5000个，其中80%作为SVM模型的训练样本，20%用于验证模型精度。使用训练好的U-Net模型首先将天空背景和枝叶进行二分，再由生成的SVM模型将树叶和枝条进行二分。
参数解算单元计算植被结构参数廓线。下面将以某一样地为例说明植被覆盖度FVC、聚集度指数CI及叶面积指数LAI等植被结构参数廓线的计算方法。
植被覆盖度FVC可通过计算0-10°天顶角范围内的植被像元与总像元之比获得。具体而言，1）利用U-Net模型计算得到的二分类图像对同一高度所有照片的植被覆盖度FVC进行计算，并求均值，即得到该高度的植被覆盖度FVC；2）对样地所有高度进行上述计算，即可得到该样地的植被覆盖度FVC廓线。
对于聚集度指数CI，包括对不同高度各个天顶角方向的，每个方位角方向的，某个方位单元的/>以及整体聚集度指数CI的计算。
首先将SVM模型计算得到的分类结果中枝条和天空两类合并为一类，叶片单独一类。利用相机校正模块得到的相机光学中心和投影函数，将图像按固定的天顶角和方位角间隔进行划分，如划分间隔均为2.5°，计算每一个小单元叶片的孔隙率。
对于的计算，首先划定计算/>的每个天顶环区间，例如将[0°, 60°]范围的天顶角从0°开始按10°区间分为6个天顶环，每个天顶环的聚集指数用孔隙率对数平均法计算，公式如下：
，
其中指天顶角方向为/>的孔隙率。
对于的计算，首先划定计算/>的每个方位角区间，例如将[0°, 360°]范围的方位角从0°开始按10°区间分为36个方位扇区，计算公式同/>。
对于的计算，首先划定每个扇形区域的大小，如按天顶和方位向均为10°进行划分，计算公式同/>。
对于整体聚集度指数CI可对积分获得，公式如下：
，
其中为冠层叶片沿着某一天顶角的投影系数，计算中常假设为0.5。
对冠层所有采样高度进行上述计算，即可得该样地、/>、/>以及CI的垂直廓线。
对于叶面积指数LAI，计算时首先将SVM模型计算得到的分类结果中枝条和天空两类合并为一类，叶片单独一类。将合并结果按多个天顶环进行划分，例如将[0°, 60°]范围的天顶角从0°开始按10°区间分为6个天顶环。对于划分好的数据，计算叶片在每个天顶环叶片的孔隙率。利用孔隙率数据、相机光学中心和投影函数数据，基于Beer-Lambert定律计算出样地每个天顶环的有效，计算公式如下：
，
利用Miller公式对每个天顶环的进行积分，得到整个冠层的/>。
，
由CI对有效叶面积指数LAI进行校正，得到真实叶面积指数LAI，公式如下：
，
对冠层所有采样高度进行上述计算，即可得该样地叶面积指数LAI的垂直廓线。将上述获取的不同高度FVC、、/>、/>、CI、/>、LAI按样地分别存储在不同的Excel表格中。
根据本发明的另一方面，提出一种基于无人机的森林垂直结构参数测量方法。
S1，在无人机上搭载具有鱼眼镜头的微型相机，在每块样地内按需均匀选择N个垂直测量单元（例如图3，可将一90m×90 m的样地均匀分成3×3个边长30 m的正方形地块，将每个地块中心位置作为一个垂直测量单元，则N = 9），开始数据采集工作：首先在地面（0m）高度进行上视拍照成像。之后起飞无人机，无人机保持水平坐标和方位朝向不变，依次升到需要进行数据采集的高度，高度数据通过无人机的GPS模块传输到无人机控制器上进行数值读取。无人机到达指定高度后由微型鱼眼相机进行拍照，每个高度至少拍照两次直至到达冠层顶部，该垂直测量单元的测量工作结束。对该样地所有剩余的垂直测量单元基于上述过程进行采样。
S2，确定相机的光学中心和投影函数。其过程如前所述一样，在此不再赘述。
S3，基于微型相机的光学中心和投影函数，针对数据采集模块采集的数据进行参数解算。解算包括对采集的照片进行照片掩膜。参数解算模块包括照片掩膜单元，其读取照片中要掩膜的多边形区域的矢量多边形坐标，将该区域范围内的像元值设置为0，完成掩膜过程。
S4，将照片内容分为天空、树叶和枝条三类。其过程如前所述一样，在此不再赘述。
S5，计算植被结构参数：植被覆盖度FVC、聚集度指数CI及叶面积指数LAI。然后获得轮廓线。其过程如前所述一样，在此不再赘述。
本发明利用无人机技术实现森林垂直结构参数数据采集与处理。与现有技术相比，本发明无需测量人员携带测量仪器到达指定高度测量，加快了测量效率，降低了人身安全风险，也节省了人力消耗；无人机采样方式使得森林垂直结构参数测量的采样高度和采样间隔密度大大提升，可在地面到冠层顶的任意高度进行采样；本发明采用微型鱼眼相机固定在无人机顶部的方式进行上视成像，避免了传统观测方式中观测平台出现在照片中带来的背景干扰，提高了参数解算精度；利用无人机内置的GPS模块读取成像高度数据，无需使用皮尺等进行高度测量，减少了人工操作。
数据处理模块实现了多样地、多高度数据批量处理，极大的节省了时间和人工成本；使用U-Net结合SVM模型的方法实现了对天空、枝条、叶片的自动分类，相比传统的交互式阈值分割方式，极大的减少了人工操作，也排除了人为主观因素对结果的影响；并且剔除了木质组分对LAI计算的影响，获得了更准确的LAI；实现了各个高度下特定天顶角、方位角、方位单元聚集指数的计算。
本发明已在河北省塞罕坝林场和吉林省长白山进行多次实验验证，实验中兼顾了多种森林类型，包括落叶林、混交林、落叶阔叶林、常绿林等，具有很好的效果。
下面是2023年8月于河北省塞罕坝基于本系统和方法进行的森林垂直结构参数测量的实例：
本次测量选取了一块边长为90m 的正方形样地，样地内以落叶针叶林为主，按图3方式在样地内选取了9个垂直测量单元（红点所示位置），对于每一个测量单元，均在0-22 m范围内以2m和5m为间隔进行数据采样。图4为本系统在某一垂直测单元拍摄的部分冠层高度的鱼眼照片。数据采集和后处理均按前文所述方法进行。本实例对该样地冠层的植被覆盖度FVC、聚集度指数CI及叶面积指数LAI的垂直廓线进行了提取（见图5, 图6, 图7），结果很好的展现了三种结构参数在垂直方向的累积分布。
以上所述的实施例，只是本发明较优选的具体实施方式，本说明书使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (7)
1.一种基于无人机的森林垂直结构参数测量系统，其特征在于，包括：
数据采集模块，其包括无人机、具有鱼眼镜头的微型相机，微型相机固定在无人机上，无人机配备GPS定位模块，能够获取飞机与地面的相对高度数据，其中对于每块样地，无人机保持水平坐标和方位朝向不变，依次升到需要进行数据采集的高度，由微型相机拍照进行数据采集；
相机校正模块，其用于确定微型相机的光学中心和投影函数，相机校正模块确定微型相机的光学中心的过程包括：将带有多个细孔的遮光片盖在镜头上，旋转并拍照，利用单个细孔多次旋转成像的坐标值求出中心坐标，再对多个细孔的中心坐标求均值，得到光学中心；相机校正模块确定投影函数的过程包括：用微型相机对棋盘格标定板进行拍照的方式，找出不少于三组像素坐标与对应天顶角的实测值，代入如下公式进行最小二乘拟合：
，其中，R为天顶角，P1、P2、P3分别为一阶、二阶、三阶投影系数，/>为像素坐标；
参数解算模块，其基于微型相机的光学中心和投影函数，针对数据采集模块采集的数据进行参数解算；
其中，参数解算模块包括图像数据分类单元，图像数据分类单元将照片内容分为天空、树叶和枝条三类，过程包括：首先用U-Net模型将背景和枝叶进行二分，之后利用SVM模型区分出树叶和枝条；
参数解算模块通过计算0-10°天顶角范围内的植被像元与总像元之比获得植被覆盖度FVC；
参数解算模块通过如下过程计算聚集度指数CI：将SVM模型计算得到的分类结果中枝条和U-Net模型得到的分类结果中天空两类合并为一类，叶片单独一类；利用相机校正模块得到的相机光学中心和投影函数，将图像按固定的天顶角和方位角间隔进行划分，计算每一个小单元叶片的孔隙率；计算不同高度各个天顶角方向的/>：划定计算参数的每个天顶环区间，每个天顶环的聚集指数用孔隙率对数平均法计算，公式如下：
，
其中指天顶角方向为/>的孔隙率；对于各个方位向/>的计算，首先划定计算参数的每个方位角区间，计算方法及公式同/>；对于特定方位单元/>的计算，首先划定每个扇形区域的大小，计算方法及公式同/>；对/>积分获得整体聚集度指数CI，公式如下：
，
其中为冠层叶片沿着某一天顶角的投影系数；
参数解算模块通过如下过程计算叶面积指数LAI：将SVM模型计算得到的分类结果中枝条和U-Net模型得到的分类结果中天空两类合并为一类，叶片单独一类；将合并结果按多个天顶环进行划分；对于划分好的数据，计算叶片在每个天顶环叶片的孔隙率，利用孔隙率数据、相机光学中心和投影函数数据，基于Beer-Lambert定律计算出样地每个天顶环的有效，计算公式如下：
，
利用Miller公式对每个天顶环的进行积分，得到整个冠层的/>，
，
由CI对有效叶面积指数LAI进行校正，得到真实叶面积指数LAI，公式如下：
。
2.根据权利要求1所述的基于无人机的森林垂直结构参数测量系统，其特征在于，每块样地采集后的数据具有如下参数：经纬度范围、名称、样地内垂直采样单元个数、采样区间、采样高度间隔及各个高度拍照张数。
3.根据权利要求1所述的基于无人机的森林垂直结构参数测量系统，其特征在于，参数解算模块包括照片掩膜单元，其读取照片中要掩膜的多边形区域的矢量多边形坐标，将该区域范围内的像元值设置为0，完成掩膜过程。
4.根据权利要求1所述的基于无人机的森林垂直结构参数测量系统，其特征在于，参数解算模块包括图像数据分类单元，图像数据分类单元将照片分为天空、树叶和枝条三类：
1）从微型相机采集的原始数据中随机裁剪训练样本；
2）用语义分割标注工具勾画出天空、树叶、枝条三类，得到样本集；
3）将样本集中的树叶和枝条类合并，其中80%的样本对U-net模型进行训练，20%用于模型验证；
4）从样本集中随机所需数量的抽取树叶和枝条像素，其中80%作为SVM模型的训练样本，20%用于验证模型精度；
5）使用训练好的U-Net模型首先将天空背景和枝叶进行二分，再由生成的SVM模型将树叶和枝条进行二分。
5.根据权利要求4所述的基于无人机的森林垂直结构参数测量系统，其特征在于，参数解算模块通过如下过程计算植被覆盖度FVC：
利用U-Net模型计算得到的二分类图像对样地同一高度所有照片的植被覆盖度FVC进行计算，并求均值，即得到该高度的植被覆盖度FVC。
6.一种基于无人机的森林垂直结构参数测量方法，其特征在于，包括：
S1，在无人机上搭载具有鱼眼镜头的微型相机，在每块样地内按需均匀选择N个垂直测量单元其中对于每块样地，无人机保持水平坐标和方位朝向不变，无人机配备GPS定位模块，能够获取飞机与地面的相对高度数据，无人机依次升到需要进行数据采集的高度，由微型相机拍照进行数据采集；
S2，确定相机的光学中心和投影函数，确定微型相机的光学中心的过程包括：将带有多个细孔的遮光片盖在镜头上，旋转并拍照，利用单个细孔多次旋转成像的坐标值求出中心坐标，再对多个细孔的中心坐标求均值，得到光学中心；确定投影函数的过程包括：用微型相机对棋盘格标定板进行拍照的方式，找出不少于三组像素坐标与对应天顶角的实测值，代入如下公式进行最小二乘拟合：
，其中，R为天顶角，P1、P2、P3分别为一阶、二阶、三阶投影系数，/>为像素坐标；
S3，基于微型相机的光学中心和投影函数，针对数据采集模块采集的数据进行参数解算；
S4，将照片内容分为天空、树叶和枝条三类：首先用U-Net模型将背景和枝叶进行二分，之后利用SVM模型区分出树叶和枝条；
S5，计算森林垂直结构参数，包括：
通过计算0-10°天顶角范围内的植被像元与总像元之比获得植被覆盖度FVC；
通过如下过程计算聚集度指数CI：将SVM模型计算得到的分类结果中枝条和U-Net模型得到的分类结果中天空两类合并为一类，叶片单独一类；利用相机校正模块得到的相机光学中心和投影函数，将图像按固定的天顶角和方位角间隔进行划分，计算每一个小单元叶片的孔隙率；计算不同高度各个天顶角方向的/>：划定计算参数的每个天顶环区间，每个天顶环的聚集指数用孔隙率对数平均法计算，公式如下：
，
其中指天顶角方向为/>的孔隙率；对于各个方位向/>的计算，首先划定计算参数的每个方位角区间，计算方法及公式同/>；对于特定方位单元/>的计算，首先划定每个扇形区域的大小，计算方法及公式同/>；对/>积分获得整体聚集度指数CI，公式如下：
，
其中为冠层叶片沿着某一天顶角的投影系数；
通过如下过程计算叶面积指数LAI：将SVM模型计算得到的分类结果中枝条和U-Net模型得到的分类结果中天空两类合并为一类，叶片单独一类；将合并结果按多个天顶环进行划分；对于划分好的数据，计算叶片在每个天顶环叶片的孔隙率，利用孔隙率数据、相机光学中心和投影函数数据，基于Beer-Lambert定律计算出样地每个天顶环的有效，计算公式如下：
，
利用Miller公式对每个天顶环的进行积分，得到整个冠层的/>，
，
由CI对有效叶面积指数LAI进行校正，得到真实叶面积指数LAI，公式如下：
。
7.根据权利要求6所述的方法，其特征在于，
步骤S2包括：将带有多个细孔的遮光片盖在镜头上，旋转并拍照，利用单个细孔多次旋转成像的坐标值求出中心坐标，再对多个细孔的中心坐标求均值，得到光学中心；用微型相机对棋盘格标定板进行拍照的方式，找出不少于三组像素坐标与对应天顶角的实测值，对天顶角进行最小二乘拟合，确定投影函数；
步骤S3包括：读取照片中要掩膜的多边形区域的矢量多边形坐标，将该区域范围内的像元值设置为0，完成掩膜；
步骤S4包括：从微型相机采集的原始数据中随机裁剪训练样本；用语义分割标注工具勾画出天空、树叶、枝条三类，得到样本集； 将样本集中的树叶和枝条类合并，其中80%的样本对U-net模型进行训练，20%用于模型验证； 从样本集中随机所需数量的抽取树叶和枝条像素，其中80%作为SVM模型的训练样本，20%用于验证模型精度；使用训练好的U-Net模型首先将天空背景和枝叶进行二分，再由生成的SVM模型将树叶和枝条进行二分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410098627.9A CN117607063B (zh) | 2024-01-24 | 2024-01-24 | 一种基于无人机的森林垂直结构参数测量系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410098627.9A CN117607063B (zh) | 2024-01-24 | 2024-01-24 | 一种基于无人机的森林垂直结构参数测量系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117607063A CN117607063A (zh) | 2024-02-27 |
| CN117607063B true CN117607063B (zh) | 2024-04-19 |
Family
ID=89948394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410098627.9A Active CN117607063B (zh) | 2024-01-24 | 2024-01-24 | 一种基于无人机的森林垂直结构参数测量系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117607063B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103983230A (zh) * | 2014-05-29 | 2014-08-13 | 福州大学 | 一种地面叶面积指数间接测量验证方法 |
| CN104240236A (zh) * | 2014-08-26 | 2014-12-24 | 中山大学 | 一种鱼眼镜头标定后鱼眼图像校正的方法 |
| CN105389538A (zh) * | 2015-10-09 | 2016-03-09 | 南京大学 | 一种基于点云半球切片估算森林叶面积指数的方法 |
| CN108981616A (zh) * | 2018-08-15 | 2018-12-11 | 南京林业大学 | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 |
| CN109269430A (zh) * | 2018-08-12 | 2019-01-25 | 浙江农林大学 | 基于深度提取模型的多株立木胸径被动测量方法 |
| CN110472525A (zh) * | 2019-07-26 | 2019-11-19 | 浙江工业大学 | 一种时间序列遥感植被指数的噪声检测方法 |
| CN111523511A (zh) * | 2020-05-08 | 2020-08-11 | 中国科学院合肥物质科学研究院 | 一种用于枸杞采收夹持装置的视频图像枸杞枝条检测方法 |
| CN112819066A (zh) * | 2021-01-28 | 2021-05-18 | 北京林业大学 | 一种Res-UNet单木树种分类技术 |
| CN112857269A (zh) * | 2021-03-15 | 2021-05-28 | 南宁师范大学 | 一种新型的叶面积指数仪及其叶面积指数测量方法 |
| CN115272848A (zh) * | 2022-07-18 | 2022-11-01 | 西南交通大学 | 多云多雾耕地保护区内建筑物智能变化检测方法 |
| WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
| CN115965865A (zh) * | 2022-12-26 | 2023-04-14 | 中国电子科技集团公司第三十八研究所 | 一种基于机场掩膜的遥感图像飞机目标检测方法 |
| CN116229454A (zh) * | 2023-01-09 | 2023-06-06 | 安徽大学 | 基于多类型图像和U-Net重组数据集的苹果真菌侵染种类鉴定方法 |
| WO2023099665A1 (en) * | 2021-12-02 | 2023-06-08 | Luxembourg Institute Of Science And Technology | Method for near real-time flood detection at large scale in a geographical region covering both urban areas and rural areas and associated computer program product |
| CN116309786A (zh) * | 2023-01-12 | 2023-06-23 | 新疆大学 | 一种基于三维聚集指数模型的作物叶面积指数图像分析算法 |
| CN116295135A (zh) * | 2023-04-21 | 2023-06-23 | 中国科学院沈阳应用生态研究所 | 一种基于无人机的防护林带分层叶面积密度测定装置和方法 |
| CN116645603A (zh) * | 2023-05-10 | 2023-08-25 | 杭州师范大学 | 一种大豆种植区识别和面积测算方法 |
| CN117058522A (zh) * | 2023-08-15 | 2023-11-14 | 桂林航天工业学院 | 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法 |
-
2024
- 2024-01-24 CN CN202410098627.9A patent/CN117607063B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103983230A (zh) * | 2014-05-29 | 2014-08-13 | 福州大学 | 一种地面叶面积指数间接测量验证方法 |
| CN104240236A (zh) * | 2014-08-26 | 2014-12-24 | 中山大学 | 一种鱼眼镜头标定后鱼眼图像校正的方法 |
| CN105389538A (zh) * | 2015-10-09 | 2016-03-09 | 南京大学 | 一种基于点云半球切片估算森林叶面积指数的方法 |
| CN109269430A (zh) * | 2018-08-12 | 2019-01-25 | 浙江农林大学 | 基于深度提取模型的多株立木胸径被动测量方法 |
| CN108981616A (zh) * | 2018-08-15 | 2018-12-11 | 南京林业大学 | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 |
| CN110472525A (zh) * | 2019-07-26 | 2019-11-19 | 浙江工业大学 | 一种时间序列遥感植被指数的噪声检测方法 |
| CN111523511A (zh) * | 2020-05-08 | 2020-08-11 | 中国科学院合肥物质科学研究院 | 一种用于枸杞采收夹持装置的视频图像枸杞枝条检测方法 |
| CN112819066A (zh) * | 2021-01-28 | 2021-05-18 | 北京林业大学 | 一种Res-UNet单木树种分类技术 |
| CN112857269A (zh) * | 2021-03-15 | 2021-05-28 | 南宁师范大学 | 一种新型的叶面积指数仪及其叶面积指数测量方法 |
| WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
| WO2023099665A1 (en) * | 2021-12-02 | 2023-06-08 | Luxembourg Institute Of Science And Technology | Method for near real-time flood detection at large scale in a geographical region covering both urban areas and rural areas and associated computer program product |
| CN115272848A (zh) * | 2022-07-18 | 2022-11-01 | 西南交通大学 | 多云多雾耕地保护区内建筑物智能变化检测方法 |
| CN115965865A (zh) * | 2022-12-26 | 2023-04-14 | 中国电子科技集团公司第三十八研究所 | 一种基于机场掩膜的遥感图像飞机目标检测方法 |
| CN116229454A (zh) * | 2023-01-09 | 2023-06-06 | 安徽大学 | 基于多类型图像和U-Net重组数据集的苹果真菌侵染种类鉴定方法 |
| CN116309786A (zh) * | 2023-01-12 | 2023-06-23 | 新疆大学 | 一种基于三维聚集指数模型的作物叶面积指数图像分析算法 |
| CN116295135A (zh) * | 2023-04-21 | 2023-06-23 | 中国科学院沈阳应用生态研究所 | 一种基于无人机的防护林带分层叶面积密度测定装置和方法 |
| CN116645603A (zh) * | 2023-05-10 | 2023-08-25 | 杭州师范大学 | 一种大豆种植区识别和面积测算方法 |
| CN117058522A (zh) * | 2023-08-15 | 2023-11-14 | 桂林航天工业学院 | 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Retrieval and validation of vertical LAI profile derived from airborne and spaceborne LiDAR data at a deciduous needleleaf forest site;Yao Wang etal;《GIScience & Remote Sensing 》;20230524;第60卷(第1期);2214987 * |
| 智能手机农作物叶面积指数测量算法改进;汪梓鑫 等;《遥感学报》;20230225;第27卷(第02期);441-455 * |
| 森林垂直结构参数实测与遥感研究进展:以叶面积指数和聚集指数为例;方红亮;《科学通报》;20210816;第66卷(第24期);3141-3153 * |
| 真实和有效叶面积指数及聚集指数的尺度效应;方红亮;《地球信息科学学报》;20210412;第23卷(第07期);1155-1168 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117607063A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aber et al. | Small-format aerial photography and UAS imagery: Principles, techniques and geoscience applications | |
| CN106403904B (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及系统 | |
| CN110046613B (zh) | 一种作物冠层原位生长表型监测装置及三维重建方法 | |
| CN108195736B (zh) | 一种三维激光点云提取植被冠层间隙率的方法 | |
| CN107449400B (zh) | 一种森林地上生物量的测量系统及测量方法 | |
| CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
| CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
| JP2003009664A (ja) | 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体 | |
| CN110598532B (zh) | 一种树木病虫害监控系统及方法 | |
| US11769225B2 (en) | Image processing apparatus, image processing method, and program | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
| CN116645321B (zh) | 植被叶倾角演算统计方法、装置、电子设备及存储介质 | |
| CN112881294B (zh) | 一种基于无人机的红树林林分健康度评价方法 | |
| CN109765932A (zh) | 一种荒漠灌丛盖度无人机调查方法 | |
| CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
| CN113325872A (zh) | 植物的巡查方法及装置、系统、飞行器 | |
| JP2008175537A (ja) | 作物情報を算出するリモートセンシングにおける検量線の作成方法 | |
| CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
| CN113591729A (zh) | 结合rgb-dsm图像和深度学习的城市森林单木树冠检测方法 | |
| CN106683092B (zh) | 测算蓝莓树冠郁闭度的装置和方法 | |
| CN117607063B (zh) | 一种基于无人机的森林垂直结构参数测量系统和方法 | |
| CN110823187A (zh) | 一种基于航拍测量待测面积的控制方法及装置 | |
| CN110986884A (zh) | 一种基于无人机航测数据预处理及植被快速识别方法 | |
| JP2011027600A (ja) | リモートセンシングにおける検量線の作成方法 | |
| CN102628689A (zh) | 作物覆盖度自动在线观测方法及装置 |
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 |