CN110148116A - 一种森林生物量估算方法及其*** - Google Patents
一种森林生物量估算方法及其*** Download PDFInfo
- Publication number
- CN110148116A CN110148116A CN201910295160.6A CN201910295160A CN110148116A CN 110148116 A CN110148116 A CN 110148116A CN 201910295160 A CN201910295160 A CN 201910295160A CN 110148116 A CN110148116 A CN 110148116A
- Authority
- CN
- China
- Prior art keywords
- data
- biomass
- region
- point cloud
- forest
- 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
Links
- 239000002028 Biomass Substances 0.000 title claims abstract description 108
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 8
- 239000002023 wood Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 2
- 235000007164 Oryza sativa Nutrition 0.000 claims description 2
- 235000009566 rice Nutrition 0.000 claims description 2
- 238000004611 spectroscopical analysis Methods 0.000 claims 1
- 210000005252 bulbus oculi Anatomy 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000009499 grossing Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 244000062793 Sorghum vulgare Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 235000019713 millet Nutrition 0.000 description 3
- 239000010269 danmu Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000166124 Eucalyptus globulus Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种森林生物量估算方法及其***。所述方法包括步骤：获取待测区域的森林参数计算出样点的森林生物量；获取LiDAR点云数据，并对所述LiDAR点云数据进行分离，根据所述地面点生成数字高程模型；对所述LiDAR点云数据进行归一化处理，得到归一化的LiDAR点云数据；将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据；根据所述多光谱数据计算出该区域的植被指数分布数据；将所述森林生物量与树木高度栅格数据以及植被指数分布数据采用生物量回归公式估算出待测区域的森林生物量。本发明综合了无人机多光谱数据的光谱信息和无人机LiDAR数据的森林三维结构信息，利用实测点的真实数据进行反演估算，大大提高了反演的精度。
Description
技术领域
本发明涉及遥感反演技术领域，尤其涉及的是一种森林生物量估算方法及其***。
背景技术
传统的森林资源调查主要是以实地测量来获取相关资料，该方法存在耗时耗力，主观性强，查耗时费力，破坏性大，往往只局限于小范围现存生物量和林分生物量估测，不适合大面积的森林调查。而遥感技术的出现，为大范围森林资源调查提供了可能。但常用的卫星光学遥感影像仅能提供森林的光谱信息，难以获取重要的三维结构信息，而且部分影像分辨率较低，易受天气的影响，使其在获取森林生物量中存在精度不高的问题。
新兴的LiDAR技术则在获取森林水平分布信息的同时，也能够提供被动光学遥感所不能反映的森林垂直结构信息，在反映地面生物量上具有较好的优势。但由于LiDAR无法提供森林的光谱、植被指数等信息，在反演森林的生物量上仍存在着一定的局限性。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种森林生物量估算方法及其***，旨在解决现有技术中对森林生物量的估算方法具有一定的局限性的问题。
本发明解决上述技术问题所采用的技术方案如下：
一种森林生物量的估算方法，其中，包括步骤：
通过获取待测区域的森林参数计算出样点的森林生物量；
获取待测区域的LiDAR点云数据，并对所述LiDAR点云数据进行分离，得到地面点；根据所述地面点生成数字高程模型；
采用所述数字高程模型对所述LiDAR点云数据进行归一化处理，得到归一化的LiDAR点云数据；
将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据；
获取待测区域的多光谱数据，根据所述多光谱数据计算出该区域的植被指数分布数据；
将所述森林生物量与树木高度栅格数据以及植被指数分布数据采用生物量回归公式估算出待测区域的森林生物量。
所述森林生物量估算方法，其中，所述步骤获取待测区域的多光谱数据，根据所述多光谱数据计算出该区域的植被指数分布数据，具体包括：
根据航拍地理坐标控制点，对待测区域的无人机数据影像进行影像拼接；
对所述拼接后的无人机数据影像进行辐射校正，计算出待测区域内植被的归一化植被指数。
所述森林生物量估算方法，其中，所述步骤将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据，具体包括：
将LiDAR点云数据进行归一化处理，得到树木对于地面的绝对高度；
对归一化处理后的LiDAR点云数据，按照预定分层设置进行水平分层；所述预定分层设置是指从指定位置开始，以一定的分层间隔进行分层；
对分层得到的每一层均使用K-Means聚类方法进行点云聚类，得到集群；
设置集群多边形，将所述集群多边形进行堆叠，得到堆叠图；
采用固定大小的窗口在所述堆叠图中识别出局部最大值，得到单木参数；
将所述单木参数作为种子点，采用PCS算法对所述种子点进行点云单木分割，对所述分割结果进行编辑，得到树木高度栅格数据。
所述森林生物量估算方法，其中，所述生物量回归公式为：
其中，AGB 为地面生物量，H为树木高度，NDVI为归一化植被指数。
所述森林生物量估算方法，其中，所述步骤对所述拼接后的无人机数据影像进行辐射校正，计算待测区域内植被的归一化植被指数，其中，辐射校正包括：绿波段校正、近红外波段校正、红边波段校正、红波段校正。
所述森林生物量估算方法，其中，所述归一化植被指数的计算公式为：
其中，和分别表示近红外波段和红光波段的反射率。
所述森林生物量估算方法，其中，所述预定分辨率是0.3-0.6米的分辨率。
所述森林生物量估算方法，其中，所述指定位置为0.5-0.7米的位置，分层间隔为1米。
所述森林生物量估算方法，其中，所述固定大小为1.0-2.0米。
一种地面生物量估算***，其中，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器存储有地面生物量估算程序，所述地面生物量估算程序被所述处理器执行时实现以下步骤：
获取待测区域样点的森林生物量；
获取待测区域的LiDAR点云数据，并对所述LiDAR点云数据进行分离，得到地面点；
根据所述地面点生成数字高程模型；
采用所述数字高程模型对所述LiDAR点云数据进行归一化处理，得到归一化的LiDAR点云数据；
将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据；
获取待测区域的多光谱数据，根据所述多光谱数据计算出该区域的植被指数分布数据；
将所述森林生物量与树木高度栅格数据以及植被指数分布数据采用生物量回归公式估算出待测区域的森林生物量。
有益效果：本发明通过融合无人机多光谱和LiDAR数据的地面生物量估算方法，其综合了无人机多光谱数据的光谱信息和无人机LiDAR数据的森林三维结构信息，利用实测点的真实数据进行反演估算，大大提高了反演的精度。
附图说明
图1是本发明中一种森林生物量估算方法较佳实施例的流程图。
图2是本发明中森林生物量估算***较佳实施例的功能原理框图。
图3是无人机多光谱和lidar数据的地面生物量估算***结构示意图。
图4是图3中不同波长范围内树木的反射率图。
图5是实施例中待测区域航拍地理坐标控制点标识示意图。
图6是实施例中待测区域的影像拼接图。
图7是实施例中待测区域无人机数据影像绿波段辐射校正图。
图8是实施例中待测区域无人机数据影像近红外波段辐射校正图。
图9是实施例中待测区域无人机数据影像红边波段辐射校正图。
图10是实施例中待测区域无人机数据影像红波段辐射校正图。
图11是实施例中待测区域NDVI分布图。
图12是实施例中待测区域去噪前LiDAR点云图。
图13是实施例中待测区域去噪后LiDAR点云图。
图14是实施例中待测区域滤波后的底面点图。
图15是实施例中待测区域滤波后的非底面点展示图。
图16是实施例中待测区域生成的0.5米DEM图。
图17是实施例中待测区域归一化前的点云图。
图18是实施例中待测区域归一化后的点云图。
图19是实施例中待测区域基于层堆叠算法生成的种子点展示图。
图20是实施例中待测区域基于种子点的点云单木分割结果展示图。
图21是对图20优化后的点云单木分割结果展示图。
图22是实施例中待测区域树木高度栅格图。
图23是实施例中待测区域NDVI栅格配准控制点展示图。
图24是实施例中待测区域生物量指数图。
图25是通过回归公式计算出的回归结果图。
图26是实施例中待测区域估算生物量分布图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明提供了一种森林生物量估算方法的一些实施例。
如图1所示，本发明的森林生物量估算方法，包括以下步骤：
S100、通过获取待测区域的森林参数计算出样点的森林生物量。
在待测区域中选择典型样区，对样区内的乔木、小乔木、草地、建筑物等进行实地生物量调查，记录该样区内的生物量。
S200、获取待测区域的LiDAR点云数据，并对所述LiDAR点云数据进行分离，得到地面点；根据所述地面点生成数字高程模型。
具体来说，利用无人机搭载平台搭载1台激光雷达扫描仪，对待测区域进行扫描，得到该区域的LiDAR点云数据，由于激光雷达扫描设备的精度、被测物体的特性以及周围的环境因素都会使得噪点的出现。LiDAR中的噪点主要分为高空噪点和低空噪点。其中，高空噪点主要来自于空气中的粗大颗粒以及空中的飞行物如鸟类等。低噪点主要是由于测量中的多路径效应带来的。由于噪点会对后续的数据处理造成影响，因此在进行处理前必须对原始LiDAR点云数据进行去噪。
对去噪后的LiDAR点云数据进行滤波处理，从海量的点云数据中将地面点与非地面点进行分离。利用不规则三角网方法对地面点计算生成数字高程模型（DEM）。采用不规则三角网方法能够有效的去除大部分地面点效率高、稳健性较好的优势。
S300、采用所述数字高程模型对所述LiDAR点云数据进行归一化处理，得到归一化的LiDAR点云数据。
具体来说，为了消除地形对点云数据处理过程的影响，去噪和滤波之后的点云需要进行归一化处理，点云的归一化，是通过将去噪后的点云数据减去地面点生成的DEM的高度而进行的一种处理。
S400、将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据。
具体来说，所述步骤S400包括：
S410、将LiDAR点云数据进行归一化处理，得到树木对于地面的绝对高度；
S420、对归一化处理后的LiDAR点云数据，按照预定分层设置进行水平分层；所述预定分层设置是指从指定位置开始，以一定的分层间隔进行分层；
S430、对分层得到的每一层均使用K-Means聚类方法进行点云聚类，得到集群；
S440、设置集群多边形，将所述集群多边形进行堆叠，得到堆叠图；
S450、采用固定大小的窗口在所述堆叠图中识别出局部最大值，得到单木参数；
S460、将所述单木参数作为种子点，采用PCS算法对所述种子点进行点云单木分割，对所述分割结果进行编辑，得到树木高度栅格数据。
本发明中基于层堆叠种子点对归一化的LiDAR点云数据进行分割，识别出局部最大值作为种子点，然后基于种子点采用PCS (Point Cloud Segmentation)算法进行点云分割，最终得到独立的每一棵树。
层堆叠算法基本思想:（1）在进行分割前，需要将原始点云进行归一化，消除地形对分割的影响，得到树木对于地面的绝对高度。（2）点云水平分层，从0.5米开始以1米为分层间隔直至分层到最高点。（3）点云聚类，将聚类算法应用于每一层，目的是去除一些不需要的低矮植被。另外，最下面的3层需要先进行密度扫描，通过密度和用户定义的每个集群的最少点数，将点聚集成群。采用3*3像元窗口平滑1米分辨率的CHM栅格，使用3米固定窗口半径识别局部最大值作为树高。把局部最大值作为种子点，每一层都使用K-Means聚类方法，把点云聚类到离它最近的种子点上，重新计算集群的中心作为新种子点，再聚类所有点云到离它最近的种子点，一直迭代重复此过程，直到种子点位置不再变化。(4)集群多边形，在每一个集群周围设置一个0.5米的多边形缓冲区。主要有两个目的:首先，距主集群0.5米以外的点可能会被错分在该群中，而与另一个集群分离。其次，作为连接点和矢量化集群的一种手段，缓冲区的大小可以通过反复试验和视觉评估定性的来确定树冠的最佳尺寸，并且最佳尺寸可能因脉冲密度和森林类型而略有不同。(5)重叠维恩图，堆叠每层多边形，生成大量0.5米分辨率的栅格化重叠多边形。重叠图确定了树冠中高密度的区域，多个多边形重叠表明存在一棵树。（6）平滑堆叠图，将每一层进行堆叠后以1.5米窗口大小进行平滑。(7)采用1.5米固定窗口大小在堆叠图中识别检测局部最大值，这些局部最大值就代表树木的中心，也是整个冠层中重叠度最高的点。
进一步，该分割方法需要输入几个重要参数，首先CHM的分辨率与脉冲间隔、点云密度有关。文中数据点云密度均为10 pts/m2左右，于是本发明采用0.5米分辨率CHM。最小树间距也非常重要，它跟据不同森林状况下树的平均间距进行设置。另外高斯平滑程度会影响分割出的树木，平滑因子越大，平滑程度越高，反之高斯平滑因子越小，平滑程度越小。如果平滑程度过高易出现欠分割，平滑程度过低易出现过分割，因此高斯平滑因子的大小很重要。平滑半径即高斯平滑使用的窗口大小，应与平均冠幅直径大小相当。分割后可获取获取单木位置、树高、树冠直径、树冠面积和树冠体积等参数。将去燥、分离地面点以及归一化后的点云转为0.5m分辨率的栅格数据，即为树木高度栅格数据。
S500、获取待测区域的多光谱数据，根据所述多光谱数据计算出该区域的植被指数分布数据；
具体来说，由于LiDAR数据只提供地面的三维结构信息，而与生物量具有强相关性的植被生长情况信息则难以提供。因此，本发明结合无人机多光谱数据计算的归一化植被指数来描述植被的生长状况信息。
所述归一化植被指数（NDVI）的计算公式为：
其中，和分别表示近红外波段和红光波段的反射率。
归一化植被指数（NDVI）是反映农作物长势和营养信息的重要参数之一，归一化植被指数与生物量之间具有较强的相关性，常被用于大面积的地面生物量估算。
S600、将所述森林生物量与树木高度栅格数据以及植被指数分布数据采用生物量回归公式估算出待测区域的森林生物量。
所述生物量回归公式为：
其中，AGB 为地面生物量，H为树木高度，NDVI为归一化植被指数。从中可引出了一个新的指数，生物量指数（AGBI），其与地面生物量具有更高的相关性，具体如下公式：
所以，地面生物量与生物量指数的拟合公式如公式如下所示：
本发明还提供了一种森林生物量估算***的较佳实施例：
如图2所示，本发明实施例的森林生物量估算***，包括：处理器10，以及与所述处理器10连接的存储器20，
所述存储器20存储有森林生物量估算程序，所述森林生物量估算程序被所述处理器10执行时实现以下步骤：
所述存储器存储有地面生物量估算程序，所述地面生物量估算程序被所述处理器执行时实现以下步骤：
获取待测区域样点的森林生物量；
获取待测区域的LiDAR点云数据，并对所述LiDAR点云数据进行分离，得到地面点；
根据所述地面点生成数字高程模型；
采用所述数字高程模型对所述LiDAR点云数据进行归一化处理，得到归一化的LiDAR点云数据；
将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据；
获取待测区域的多光谱数据，根据所述多光谱数据计算出该区域的植被指数分布数据；
将所述森林生物量与树木高度栅格数据以及植被指数分布数据采用生物量回归公式估算出待测区域的森林生物量。
下面通过一个具体实施例，对本发明所提供的一种森林生物量估算方法及***做进一步的解释：
该实施例的***架构包括1个无人机搭载平台，1台激光雷达扫描仪，1台多光谱影像传感器，1个GPS接收机，如图3所示。通过无人机载激光雷达扫描仪多光谱影像传感器，获取LiDAR点云数据以及多光谱影像数据。其中，多光谱影像传感器获取多光谱影像数据时，植被会对不同波段的光进行反射，反射率如图4所示。
1. 无人机多光谱影像数据处理流程如下：
（1）无人机数据影像拼接几何校正，根据航拍地理坐标控制点如图5所示，对无人机数据影像进行拼接，图像结果如图6所示。
（2）无人机数据影像辐射校正，包括绿波段辐射校正、近红外波段校正，红边波段校正、红波段校正，校正结果如图7-10所示。
（3）无人机影像数据计算归一化植被指数（NDVI），结果如图11所示。
2．无人机激光点云数据处理流程如下：
（1）去除空中噪点，提高数据质量；如图12所示，其为去噪前的LiDAR点云图，图13是去噪后的LiDAR点云图。
（2）从点云数据中分离地面点，如图14所示其为滤波后的地面点图，图15为滤波后的非地面点图。
（3）基于地面点生成DEM，图16为生成的0.5米DEM图
（4）利用DEM对点云进行归一化，去除地形影响， 如图17，为去噪后的点云数据并未进行归一化处理。图18是对左图进行归一化处理后的点云数据，其中每个点的Z值是点与地面的真实垂直距离，当点在树顶时，它的Z值即为树高。
（5）层堆叠生成种子点，采用层堆叠算法从归一化的点云数据中提取单木位置（种子点文件为逗号分隔的CSV文件，其中包含四列，依次为：树ID、X、Y、Z坐标），以这些信息作为种子点，对点云进行单木分割。如图19所示。
（6）基于种子点对点云进行单木分割，获取单木位置、树高、树冠直径、树冠面积和树冠体积。单木分割结果如图20所示。
（7）通过ALS编辑工具对单木分割的结果进行检查，同时，对种子点进行增加、删除等人工交互编辑，并基于编辑后的种子点再次对点云进行分割，结果如图21所示。
（8）将去燥、分离地面点以及归一化后的点云转为0.5m分辨率的栅格数据，即为树木高度栅格图。如图22所示。
（9）利用树木高度栅格图对NDVI栅格图进行精确配准。如图23所示。
（10）根据生物量调查点的X、Y坐标，配置对应的种子点文件，csv格式，如下表一所示。
表一
| TreeID | TreeLocationX | TreeLocationY | TreeLocationZ |
| 1 | 225397.939 | 2521767.749 | 5 |
| 2 | 225404.607 | 2521766.955 | 6 |
| 3 | 225420.72 | 2521735.919 | 7 |
| 4 | 225486.767 | 2521680.314 | 8 |
| 5 | 225618.834 | 2521571.57 | 10 |
| 6 | 225759.509 | 2521099.765 | 12 |
| 7 | 225687.277 | 2521068.015 | 13 |
| 8 | 225284.078 | 2521420.229 | 6 |
（11）在lidar360中打开这个种子点文件，根据这些种子点以及已进行单木分割后的点云（可获取单木位置、树高等），读取这些种子点相邻最近的单木树高（或者最合适的树高，需人工检查）。如表二所示。
表二
| TreeID | TreeLocationX | TreeLocationY | NDVI | Bio | TreeHeight |
| 1 | 225397.939 | 2521767.749 | 0.185 | 1 | 0.377 |
| 2 | 225404.607 | 2521766.955 | -0.207 | 0 | 0 |
| 3 | 225420.72 | 2521735.919 | 0.729 | 600 | 7.204 |
| 4 | 225486.767 | 2521680.314 | 0.548 | 30 | 4.297 |
| 5 | 225618.834 | 2521571.57 | 0.762 | 300 | 6.283 |
| 6 | 225759.509 | 2521099.765 | 0.788 | 1000 | 6.122 |
| 7 | 225687.277 | 2521068.015 | 0.689 | 200 | 4.758 |
| 8 | 225284.078 | 2521420.229 | 0.467 | 10 | 0.061 |
2、生物量计算计算流程
（1）将树木高度栅格图与配准好的NDVI图相乘得到生物量指数图。如图24所示。
（2）实地生物量采样
在研究区内共实地采集10余个样点，实地生物量采样样例如下：
杂草；地理坐标：22.782071,114.334434；生物量：0.50kg；桉树，高度12米，胸径30公分；地理坐标：22.774872,114.328818；生物量：约680kg；小乔木，高度2米，胸径8公分；地理坐标：22.783026,114.326606；生物量：约30kg。
（3）根据实地生物量调查值与生物量指数值进行回归，计算出回归公式。回归结果如图25所示。
（4）根据回归公式估算生物量并成图，如图26所示。
综上所述，本发明所提供的一种森林生物量估算方法及其***，所述方法包括步骤：通过获取待测区域的森林参数计算出样点的森林生物量；获取待测区域的LiDAR点云数据，并对所述LiDAR点云数据进行分离，得到地面点；根据所述地面点生成数字高程模型；采用所述数字高程模型对所述LiDAR点云数据进行归一化处理，得到归一化的LiDAR点云数据；将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据；获取待测区域的多光谱数据，根据所述多光谱数据计算出该区域的植被指数分布数据；将所述森林生物量与树木高度栅格数据以及植被指数分布数据采用生物量回归公式估算出待测区域的森林生物量。本发明通过融合无人机多光谱和LiDAR数据的地面生物量估算方法，其综合了无人机多光谱数据的光谱信息和无人机LiDAR数据的森林三维结构信息，利用实测点的真实数据进行反演估算，大大提高了反演的精度。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种森林生物量估算方法，其特征在于，包括步骤：
通过获取待测区域的森林参数计算出样点的森林生物量；
获取待测区域的LiDAR点云数据，并对所述LiDAR点云数据进行分离，得到地面点；根据所述地面点生成数字高程模型；
采用所述数字高程模型对所述LiDAR点云数据进行归一化处理，得到归一化的LiDAR点云数据；
将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据；
获取待测区域的多光谱数据，根据所述多光谱数据计算出该区域的植被指数分布数据；
将所述森林生物量与树木高度栅格数据以及植被指数分布数据采用生物量回归公式估算出待测区域的森林生物量。
2.根据权利要求1所述森林生物量估算方法，其特征在于，所述步骤获取待测区域的多光谱数据，根据所述多光谱数据计算出该区域的植被指数分布数据，具体包括：
根据航拍地理坐标控制点，对待测区域的无人机数据影像进行影像拼接；
对所述拼接后的无人机数据影像进行辐射校正，计算出待测区域内植被的归一化植被指数。
3.根据权利要求1所述森林生物量估算方法，其特征在于，所述步骤将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据，具体包括：
将LiDAR点云数据进行归一化处理，得到树木对于地面的绝对高度；
对归一化处理后的LiDAR点云数据，按照预定分层设置进行水平分层；所述预定分层设置是指从指定位置开始，以一定的分层间隔进行分层；
对分层得到的每一层均使用K-Means聚类方法进行点云聚类，得到集群；
设置集群多边形，将所述集群多边形进行堆叠，得到堆叠图；
采用固定大小的窗口在所述堆叠图中识别出局部最大值，得到单木参数；
将所述单木参数作为种子点，采用PCS算法对所述种子点进行点云单木分割，对所述分割结果进行编辑，得到树木高度栅格数据。
4.根据权利要求1所述森林生物量估算方法，其特征在于，所述生物量回归公式为：
其中，AGB 为地面生物量，H为树木高度，NDVI为归一化植被指数。
5.根据权利要求2所述森林生物量估算方法，其特征在于，所述步骤对所述拼接后的无人机数据影像进行辐射校正，计算待测区域内植被的归一化植被指数，其中，辐射校正包括：绿波段校正、近红外波段校正、红边波段校正、红波段校正。
6.根据权利要求2所述森林生物量估算方法，其特征在于，所述归一化植被指数的计算公式为：
其中，和分别表示近红外波段和红光波段的反射率。
7.根据权利要求1所述森林生物量估算方法，其特征在于，所述预定分辨率是0.3-0.6米的分辨率。
8.根据权利要求3所述森林生物量估算方法，其特征在于，所述指定位置为0.5-0.7米的位置，分层间隔为1米。
9.根据权利要求1所述森林生物量估算方法，其特征在于，所述固定大小为1.0-2.0米。
10.一种地面生物量估算***，其特征在于，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器存储有地面生物量估算程序，所述地面生物量估算程序被所述处理器执行时实现以下步骤：
获取待测区域样点的森林生物量；
获取待测区域的LiDAR点云数据，并对所述LiDAR点云数据进行分离，得到地面点；
根据所述地面点生成数字高程模型；
采用所述数字高程模型对所述LiDAR点云数据进行归一化处理，得到归一化的LiDAR点云数据；
将所述归一化的LiDAR点云数据转为预定分辨率的栅格数据，得到树木高度栅格数据；
获取待测区域的多光谱数据，根据所述多光谱数据计算出该区域的植被指数分布数据；
将所述森林生物量与树木高度栅格数据以及植被指数分布数据采用生物量回归公式估算出待测区域的森林生物量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295160.6A CN110148116A (zh) | 2019-04-12 | 2019-04-12 | 一种森林生物量估算方法及其*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295160.6A CN110148116A (zh) | 2019-04-12 | 2019-04-12 | 一种森林生物量估算方法及其*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110148116A true CN110148116A (zh) | 2019-08-20 |
Family
ID=67588570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910295160.6A Pending CN110148116A (zh) | 2019-04-12 | 2019-04-12 | 一种森林生物量估算方法及其*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110148116A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781862A (zh) * | 2019-11-07 | 2020-02-11 | 航天信德智图（北京）科技有限公司 | 一种基于多光谱影像的森林乔木灌木识别方法 |
| CN110823813A (zh) * | 2019-11-19 | 2020-02-21 | 深圳市智绘科技有限公司 | 林区地面生物量估测方法 |
| CN111462134A (zh) * | 2020-03-31 | 2020-07-28 | 武汉大学 | 高分遥感影像和激光雷达点云融合的单木分割方法及*** |
| CN111489388A (zh) * | 2020-04-20 | 2020-08-04 | 黑龙江工程学院 | 一种基于有效冠信息的生物量反演方法 |
| CN111754515A (zh) * | 2019-12-17 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 堆叠物品的顺序抓取方法和装置 |
| CN112215169A (zh) * | 2020-10-10 | 2021-01-12 | 华中农业大学 | 基于低空无人机被动遥感的作物株高及生物量自适应高精度解算方法 |
| CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及*** |
| CN112560661A (zh) * | 2020-12-10 | 2021-03-26 | 首都师范大学 | 叶面积指数的计算方法、装置、电子设备及可读存储介质 |
| CN112730306A (zh) * | 2020-12-21 | 2021-04-30 | 合肥工业大学智能制造技术研究院 | 一种云团三维空间分布测量方法、装置及*** |
| CN114120158A (zh) * | 2021-11-29 | 2022-03-01 | 四川省自然资源科学研究院 | 基于超低空遥感的叶面积统计方法、装置及存储介质 |
| CN114463512A (zh) * | 2021-12-24 | 2022-05-10 | 广州极飞科技股份有限公司 | 点云数据的处理方法、矢量化方法及装置 |
| CN115629393A (zh) * | 2022-11-30 | 2023-01-20 | 北京市农林科学院智能装备技术研究中心 | 生物量估算方法、装置、***、电子设备及存储介质 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393180A (zh) * | 2011-10-19 | 2012-03-28 | 中国林业科学研究院资源信息研究所 | 一种从LiDAR点云数据中自动提取林分上层树木参数的方法 |
| CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
| CN107085710A (zh) * | 2017-04-26 | 2017-08-22 | 长江空间信息技术工程有限公司(武汉) | 一种基于多光谱LiDAR数据的单木自动提取方法 |
| CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
| US20190034725A1 (en) * | 2016-01-29 | 2019-01-31 | Global Surface Intelligence Limited | System and method for earth observation and analysis |
-
2019
- 2019-04-12 CN CN201910295160.6A patent/CN110148116A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393180A (zh) * | 2011-10-19 | 2012-03-28 | 中国林业科学研究院资源信息研究所 | 一种从LiDAR点云数据中自动提取林分上层树木参数的方法 |
| CN104778451A (zh) * | 2015-03-31 | 2015-07-15 | 中国科学院上海技术物理研究所 | 一种考虑草地高度因子的草地生物量遥感反演方法 |
| US20190034725A1 (en) * | 2016-01-29 | 2019-01-31 | Global Surface Intelligence Limited | System and method for earth observation and analysis |
| CN107085710A (zh) * | 2017-04-26 | 2017-08-22 | 长江空间信息技术工程有限公司(武汉) | 一种基于多光谱LiDAR数据的单木自动提取方法 |
| CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨秋丽: "机载LiDAR单木分割方法对比及其影响因素分析", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781862A (zh) * | 2019-11-07 | 2020-02-11 | 航天信德智图（北京）科技有限公司 | 一种基于多光谱影像的森林乔木灌木识别方法 |
| CN110823813A (zh) * | 2019-11-19 | 2020-02-21 | 深圳市智绘科技有限公司 | 林区地面生物量估测方法 |
| CN111754515B (zh) * | 2019-12-17 | 2024-03-01 | 北京京东乾石科技有限公司 | 堆叠物品的顺序抓取方法和装置 |
| CN111754515A (zh) * | 2019-12-17 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 堆叠物品的顺序抓取方法和装置 |
| CN111462134A (zh) * | 2020-03-31 | 2020-07-28 | 武汉大学 | 高分遥感影像和激光雷达点云融合的单木分割方法及*** |
| CN111489388A (zh) * | 2020-04-20 | 2020-08-04 | 黑龙江工程学院 | 一种基于有效冠信息的生物量反演方法 |
| CN112215169A (zh) * | 2020-10-10 | 2021-01-12 | 华中农业大学 | 基于低空无人机被动遥感的作物株高及生物量自适应高精度解算方法 |
| CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及*** |
| CN112434617B (zh) * | 2020-11-26 | 2021-08-13 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及*** |
| CN112560661A (zh) * | 2020-12-10 | 2021-03-26 | 首都师范大学 | 叶面积指数的计算方法、装置、电子设备及可读存储介质 |
| CN112730306A (zh) * | 2020-12-21 | 2021-04-30 | 合肥工业大学智能制造技术研究院 | 一种云团三维空间分布测量方法、装置及*** |
| CN114120158A (zh) * | 2021-11-29 | 2022-03-01 | 四川省自然资源科学研究院 | 基于超低空遥感的叶面积统计方法、装置及存储介质 |
| CN114463512A (zh) * | 2021-12-24 | 2022-05-10 | 广州极飞科技股份有限公司 | 点云数据的处理方法、矢量化方法及装置 |
| CN115629393A (zh) * | 2022-11-30 | 2023-01-20 | 北京市农林科学院智能装备技术研究中心 | 生物量估算方法、装置、***、电子设备及存储介质 |
| 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 |
| CN116127327B (zh) * | 2023-04-07 | 2023-07-11 | 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148116A (zh) | 一种森林生物量估算方法及其*** | |
| US20230039554A1 (en) | Tree crown extraction method based on unmanned aerial vehicle multi-source remote sensing | |
| Popescu et al. | Measuring individual tree crown diameter with lidar and assessing its influence on estimating forest volume and biomass | |
| Zhang et al. | Assessment of defoliation during the Dendrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images | |
| FI112402B (fi) | Menetelmä puustotunnusten määrittämiseksi sekä tietokoneohjelma menetelmän suorittamiseksi | |
| CA2556056C (en) | Method for determination of stand attributes and a computer program for performing the method | |
| CN108594262A (zh) | 一种结合无人机和地基激光雷达提取树高的方法 | |
| CN114463403A (zh) | 一种基于点云数据和图像识别技术的树木碳汇量计算方法 | |
| KR101080985B1 (ko) | 항공 라이다 성과를 이용한 수고 및 개체 수 확인방법 | |
| Aubry-Kientz et al. | Multisensor data fusion for improved segmentation of individual tree crowns in dense tropical forests | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及*** | |
| CN112669363A (zh) | 城市绿地三维绿量测算方法 | |
| Alba et al. | Filtering vegetation from terrestrial point clouds with low-cost near infrared cameras | |
| Tsoulias et al. | An approach for monitoring temperature on fruit surface by means of thermal point cloud | |
| Grishin et al. | Procedure for locating trees and estimating diameters using LiDAR data | |
| Tahar et al. | Individual tree crown detection using UAV orthomosaic | |
| CN115909113A (zh) | 一种无人机遥感监测调查林业有害生物的方法 | |
| CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
| CN113514402B (zh) | 一种冬小麦叶绿素含量的预测***及方法 | |
| CN113379738A (zh) | 一种基于图像的疫木检测与定位方法及*** | |
| CN111563472A (zh) | 一种烟羽林地快速火烧迹地提取方法及装置 | |
| CN112381029A (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
| Viau et al. | The use of airborne LIDAR and multispectral sensors for orchard trees inventory and characterization | |
| CN112577907B (zh) | 城市绿地树木树冠缺损率计算方法 | |
| RU2773144C1 (ru) | Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |