CN113009481A - 一种基于干涉sar雷达的森林地物成像反演方法 - Google Patents
一种基于干涉sar雷达的森林地物成像反演方法 Download PDFInfo
- Publication number
- CN113009481A CN113009481A CN202110057861.3A CN202110057861A CN113009481A CN 113009481 A CN113009481 A CN 113009481A CN 202110057861 A CN202110057861 A CN 202110057861A CN 113009481 A CN113009481 A CN 113009481A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- tree
- height
- point
- ground
- 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
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于干涉SAR雷达的森林地物成像反演方法,本发明利用点云滤波算法实现地形信息的提取,对原始点云数据进行中值滤波去噪,将初始地面种子点作为构建初始不规则三角网的种子点,重复对未划入地面点云的点进行坡度及高差阈值的判断,至不再有新的地面点加入三角网时,获得最终地面点云,大大提高了地面点云判断的准确率,提高了去噪的效率;本发明的反演方法能够有效地减小误差,简单易行,尤其适用于反演森林参数,对于树高的反演结果更加接近实际高度,能更有利于遥感图像的实际应用。
Description
技术领域
本发明属于SAR雷达应用技术领域,具体地涉及一种基于干涉SAR雷达的森林地物成 像反演方法。
背景技术
森林作为陆地生态***的重要组成部分,覆盖了大约30%的地球陆表,在地球生态*** 和人类生产生活中扮演着重要的角色.近几十年来,随着人们对全球气候变化、碳循环研 究和人类可持续发展问题的普遍关注,森林生态***受到了世界各国政府和科学家的高度 重视,及时掌握森林资源的现状及其变化规律,对于生态***和人类生活至关重要。
对于森林资源的监测,从尺度上可分为国家级的宏观监测和落实到山头地块的精细监 测。传统的调查方法是以抽样理论为基础,以地面调查为主要方法进行。传统调查方法存 在的主要问题是,地面测量工作量大、更新周期长,全国难以取得统一时间、时空连续的 森林资源调查成果.针对这些问题,遥感技术作为新的工具和技术被引入到森林资源的监 测调查体系;伴随着遥感森林资源调查技术的持续发展,树种/林地类型、森林高度、蓄积 量、生物量等关键的森林资源监测因子已能够采用遥感技术得到。
采用遥感技术进行森林资源调查的方法,从传感器的角度可以分为光学遥感(多光谱、 高光谱)、激光雷达和合成孔径雷达(Synthetic Aperture Rader,SAR)三类.其中,激 光雷达的精度最高,但只适用于小区域的森林资源调查,大区域应用的成本较高。光学遥 感获取的则主要是森林冠层表面的信息,在林地类型分类、树种识别等方面具有优势,但 在森林高度、蓄积量等定量估测方面有其局限性。SAR具备全天时、全天候的观测能力,且 波长相对较长,对于森林等植被叶簇具有一定的穿透能力,因此可获取与森林垂直结构参 数更相关的遥感观测量.因此,相比于光学遥感和激光雷达技术,SAR在森林资源定量参数 估测和大区域森林类型快速制图方面具有优势。
SAR在大区域遥感数据快速获取和森林参数定量化反演方面具有独特优势,使其在森林 资源调查中可以发挥重要的作用.经过近30年的发展,SAR森林资源监测技术已经在林地 类型分类及变化检测、森林高度反演和森林蓄积量/生物量估测等方面取得了诸多的进展。
虽然SAR技术快速发展,但仍存在不足之处,比如:SAR图像数据斑点噪声大,较之其 他来源的噪声更难以有效地去除且严重干扰了地物信息的提取与SAR图像的应用效果,噪 声严重时,甚至可导致信息的消失。
发明内容
本发明的目的是提供一种基于干涉SAR雷达的森林地物成像反演方法,解决现有技术 中存在的SAR图像数据斑点噪声大,难以有效去除且严重干扰了地物信息的提取与SAR图 像的应用效果的问题。
本发明所采用的技术方案是:
本发明提出一种基于干涉SAR雷达的森林地物成像反演方法,包括以下步骤:
步骤1、获取待测目标的一组SAR图像数据,利用点云滤波算法实现地形信息的提取, 将非地面点从原始点云中剔除;采用渐近不规则三角网加密滤波算法,具体步骤如下:
1)对原始点云数据进行中值滤波去噪,去除噪声点云,避免对后续步骤算法的影响;
2)点云格网化,设定一格网尺寸,根据点云中空间点的x、y坐标将去噪后点云划分入规则格网内,并将每一规则格网内高程最低点作为初始地面种子点;
3)将初始地面种子点作为构建初始不规则三角网的种子点,在构建初始不规则三角网 过程中,引入坡度阈值判断,即在构建三角网时先进行相邻构网节点的坡度计算,如果小 于坡度阈值则该点加入构网,否则标记为非地面点,以后步骤中不再参与运算,最终获得 初始不规则三角网;
4)在初始不规则三角网基础上,对未划入地面点云的点进行坡度及高差阈值的判断, 如果满足条件则划入地面点,对地面不规则三角网进行迭代加密;
5)重复步骤4),当不再有新的地面点加入三角网时,停止迭代,得到满足条件的三角 网点云,即为最终地面点云。
步骤2、单木参数提取及林分参数提取,单木参数主要包含单木树高、冠幅以及单木位 置,林分参数主要包括株树密度及林分平均高;
2.1、单木参数提取:
在点云滤波处理的基础上得到林区点云数据包含的地面点云和非地面点云,林区非地 面点云基本相当于植被点云,对原始植被点云进行高程归一化处理,则输出点云中每个空 间点的高程即为该点相对于地面的绝对高度,然后利用归一化点云进行单木点云分割,最 终依据单木点云分割结果进行树高和冠幅的提取;
采用基于归一化植被点云高度分层的K-Means聚类点云分割算法进行单木点云分割, 具体步骤如下:
1)点云归一化:将点云滤波得到的植被点云数据以水平X、Y坐标为依据,根据生成的DEM影像分辨率尺寸划分到不同格网,每个落在格网内的植被点高程减去对应DEM格网的值,即得到归一化后的植被点云,此时植被点云中点的高度就相当于植被高度。
2)单木点云分割:按照归一化后植被点云高度分布情况,将植被点云分成若干层,在 每一层设定一邻域检测窗口尺寸,进行高度局部最大值检测,对每一层的植被点云以局部 最大值点为初始聚类中心进行三维空间点K-Means聚类,在每层点云聚类完成之后,从最 上层开始,判断相邻上下2层各聚类点云中各聚类中心间水平距离是否小于设定的聚类中 心距离阈值,如果小于阈值则合并上下2层中对应的聚类点云,直到所有层比较合并完毕, 最终得到单木分割点云;
3)参数提取:对得到的单木分割点云,统计每个单木点云的最高点高度,将其作为提 取的树高,并将该点的水平坐标作为单木定位坐标,计算每个单木分割点云投影到水平面 上的凸包面积,以该面积为树冠近圆形投影面积,计算圆直径作为单木平均冠幅;
2.2、林分参数提取
1)株树密度:以方形样地为调查区域,根据样地单木分割结果,统计出样地的林木株 树,通过式(1)计算出样地的株树密度值;
N=n/S (1)
式中,N为株树密度(株/hm2);n是样地内树木株数;S是样地面积(hm2);
2)林分平均高:林分平均高提取方法,样地归一化植被点云数据上四分位数处的高度 与实测树高相关性高;
先选定一定数量的样地调查数据作为训练样本,计算样地归一化植被点云上四分位高 度,具体计算为:对样地范围内的归一化植被点云根据高度进行排序,然后计算总高度的 上四分位处的高度,即为样地归一化植被点云上四分位高度,再将其与实测林分平均高建 立线性回归方程,然后用预留检验样本进行精度验证;最终根据样地点云及回归方程实现 待测样地的林分平均高提取;
其中,实测林分平均树高计算采用断面积加权计算方法,计算公式如下:
式中,H为林分平均高,hi为第i棵树的树高,gi为第i棵树的胸高断面积,k为林分株数。
本发明的有益效果是:
(1)本发明利用点云滤波算法实现地形信息的提取,对原始点云数据进行中值滤波去 噪,可以去除由于***误差或者飞鸟激光反射点等噪声点云,避免对后续步骤算法的影响, 将初始地面种子点作为构建初始不规则三角网的种子点,重复对未划入地面点云的点进行 坡度及高差阈值的判断,至不再有新的地面点加入三角网时,获得最终地面点云,大大提 高了地面点云判断的准确率,提高了去噪的效率。
(2)采用一种基于归一化植被点云高度分层的K-Means聚类点云分割算法进行单木点 云分割,对原始植被点云进行高程归一化处理,则输出点云中每个空间点的高程即为该点 相对于地面的绝对高度,然后利用归一化点云进行单木点云分割,最终依据单木点云分割 结果获得树高和冠幅。本发明的反演方法能够有效地减小误差,简单易行,尤其适用于反 演森林参数,对于树高的反演结果更加接近实际高度,能更有利于遥感图像的实际应用。
具体实施方式
为了加深对本发明的理解,下面结合实施例对本发明作进一步详细的说明。以下实施 例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
一种基于干涉SAR雷达的森林地物成像反演方法,包括以下步骤:
步骤1、获取待测目标的一组SAR图像数据,利用点云滤波算法实现地形信息的提取, 将非地面点从原始点云中剔除;采用渐近不规则三角网加密滤波算法,具体步骤如下:
1)对原始点云数据进行中值滤波去噪,去除噪声点云,避免对后续步骤算法的影响;
2)点云格网化,设定一格网尺寸,根据点云中空间点的x、y坐标将去噪后点云划分入规则格网内,并将每一规则格网内高程最低点作为初始地面种子点;
3)将初始地面种子点作为构建初始不规则三角网的种子点,在构建初始不规则三角网 过程中,引入坡度阈值判断,即在构建三角网时先进行相邻构网节点的坡度计算,如果小 于坡度阈值则该点加入构网,否则标记为非地面点,以后步骤中不再参与运算,最终获得 初始不规则三角网;
4)在初始不规则三角网基础上,对未划入地面点云的点进行坡度及高差阈值的判断, 如果满足条件则划入地面点,对地面不规则三角网进行迭代加密;
5)重复步骤4),当不再有新的地面点加入三角网时,停止迭代,得到满足条件的三角 网点云,即为最终地面点云。
步骤2、单木参数提取及林分参数提取,单木参数主要包含单木树高、冠幅以及单木位 置,林分参数主要包括株树密度及林分平均高;
2.1、单木参数提取:
在点云滤波处理的基础上得到林区点云数据包含的地面点云和非地面点云,林区非地 面点云基本相当于植被点云,对原始植被点云进行高程归一化处理,则输出点云中每个空 间点的高程即为该点相对于地面的绝对高度,然后利用归一化点云进行单木点云分割,最 终依据单木点云分割结果进行树高和冠幅的提取;
采用基于归一化植被点云高度分层的K-Means聚类点云分割算法进行单木点云分割, 具体步骤如下:
1)点云归一化:将点云滤波得到的植被点云数据以水平X、Y坐标为依据,根据生成的DEM影像分辨率尺寸划分到不同格网,每个落在格网内的植被点高程减去对应DEM格网的值,即得到归一化后的植被点云,此时植被点云中点的高度就相当于植被高度。
2)单木点云分割:按照归一化后植被点云高度分布情况,将植被点云分成若干层,在 每一层设定一邻域检测窗口尺寸,进行高度局部最大值检测,对每一层的植被点云以局部 最大值点为初始聚类中心进行三维空间点K-Means聚类,在每层点云聚类完成之后,从最 上层开始,判断相邻上下2层各聚类点云中各聚类中心间水平距离是否小于设定的聚类中 心距离阈值,如果小于阈值则合并上下2层中对应的聚类点云,直到所有层比较合并完毕, 最终得到单木分割点云;
3)参数提取:对得到的单木分割点云,统计每个单木点云的最高点高度,将其作为提 取的树高,并将该点的水平坐标作为单木定位坐标,计算每个单木分割点云投影到水平面 上的凸包面积,以该面积为树冠近圆形投影面积,计算圆直径作为单木平均冠幅;
2.2、林分参数提取
1)株树密度:以方形样地为调查区域,根据样地单木分割结果,统计出样地的林木株 树,通过式(1)计算出样地的株树密度值;
N=n/S (1)
式中,N为株树密度(株/hm2);n是样地内树木株数;S是样地面积(hm2);
2)林分平均高:林分平均高提取方法,样地归一化植被点云数据上四分位数处的高度 与实测树高相关性高;
先选定一定数量的样地调查数据作为训练样本,计算样地归一化植被点云上四分位高 度,具体计算为:对样地范围内的归一化植被点云根据高度进行排序,然后计算总高度的 上四分位处的高度,即为样地归一化植被点云上四分位高度,再将其与实测林分平均高建 立线性回归方程,然后用预留检验样本进行精度验证;最终根据样地点云及回归方程实现 待测样地的林分平均高提取;
其中,实测林分平均树高计算采用断面积加权计算方法,计算公式如下:
式中,H为林分平均高,hi为第i棵树的树高,gi为第i棵树的胸高断面积,k为林分株数。
选取扬州市某区的方形森林样地为调查区域进行监测,选取任意3组监测点进行实时 监测,监测数据如下表:
通过上表可准确掌握林地的高度和林分密度,监测数据更接近实际,本发明的反演方 法能够有效地减小误差,简单易行,尤其适用于反演森林参数,对于树高的反演结果更加 接近实际高度,能更有利于遥感图像的实际应用。
要说明的是,以上所述实施例是对本发明技术方案的说明而非限制,所属技术领域普 通技术人员的等同替换或者根据现有技术而做的其他修改,只要没超出本发明技术方案的 思路和范围,均应包含在本发明所要求的权利范围之内。
Claims (2)
1.一种基于干涉SAR雷达的森林地物成像反演方法,其特征在于:包括以下步骤:
步骤1、获取待测目标的一组SAR图像数据,利用点云滤波算法实现地形信息的提取,将非地面点从原始点云中剔除;
采用渐近不规则三角网加密滤波算法,具体步骤如下:
1)对原始点云数据进行中值滤波去噪,去除噪声点云;
2)点云格网化,设定一格网尺寸,根据点云中空间点的x、y坐标将去噪后点云划分入规则格网内,并将每一规则格网内高程最低点作为初始地面种子点;
3)将初始地面种子点作为构建初始不规则三角网的种子点,在构建初始不规则三角网过程中,引入坡度阈值判断,即在构建三角网时先进行相邻构网节点的坡度计算,如果小于坡度阈值则该点加入构网,否则标记为非地面点,以后步骤中不再参与运算,最终获得初始不规则三角网;
4)在初始不规则三角网基础上,对未划入地面点云的点进行坡度及高差阈值的判断,如果满足条件则划入地面点,对地面不规则三角网进行迭代加密;
5)重复步骤4),当不再有新的地面点加入三角网时,停止迭代,得到满足条件的三角网点云,即为最终地面点云;
步骤2、单木参数提取及林分参数提取,单木参数主要包含单木树高、冠幅以及单木位置,林分参数主要包括株树密度及林分平均高;
2.1、单木参数提取:
在步骤1点云滤波处理的基础上得到林区点云数据包含的地面点云和非地面点云,林区非地面点云基本相当于植被点云,对原始植被点云进行高程归一化处理,则输出点云中每个空间点的高程即为该点相对于地面的绝对高度,然后利用归一化点云进行单木点云分割,最终依据单木点云分割结果进行树高和冠幅的提取;
采用基于归一化植被点云高度分层的K-Means聚类点云分割算法进行单木点云分割,具体步骤如下:
1)点云归一化:将点云滤波得到的植被点云数据以水平X、Y坐标为依据,根据生成的DEM影像分辨率尺寸划分到不同格网,每个落在格网内的植被点高程减去对应DEM格网的值,即得到归一化后的植被点云,此时植被点云中点的高度就相当于植被高度;
2)单木点云分割:按照归一化后植被点云高度分布情况,将植被点云分成若干层,在每一层设定一邻域检测窗口尺寸,进行高度局部最大值检测,对每一层的植被点云以局部最大值点为初始聚类中心进行三维空间点K-Means聚类,在每层点云聚类完成之后,从最上层开始,判断相邻上下2层各聚类点云中各聚类中心间水平距离是否小于设定的聚类中心距离阈值,如果小于阈值则合并上下2层中对应的聚类点云,直到所有层比较合并完毕,最终得到单木分割点云;
3)参数提取:对得到的单木分割点云,统计每个单木点云的最高点高度,将其作为提取的树高,并将该点的水平坐标作为单木定位坐标,计算每个单木分割点云投影到水平面上的凸包面积,以该面积为树冠近圆形投影面积,计算圆直径作为单木平均冠幅;
2.2、林分参数提取
1)株树密度:以方形样地为调查区域,根据样地单木分割结果,统计出样地的林木株树,通过式(1)计算出样地的株树密度值;
N=n/S (1)
式中,N为株树密度(株/hm2);n是样地内树木株数;S是样地面积(hm2);
2)林分平均高:林分平均高提取方法,样地归一化植被点云数据上四分位数处的高度与实测树高相关性高;
先选定一定数量的样地调查数据作为训练样本,计算样地归一化植被点云上四分位高度,具体计算为:对样地范围内的归一化植被点云根据高度进行排序,然后计算总高度的上四分位处的高度,即为样地归一化植被点云上四分位高度,再将其与实测林分平均高建立线性回归方程,然后用预留检验样本进行精度验证;最终根据样地点云及回归方程实现待测样地的林分平均高提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110057861.3A CN113009481A (zh) | 2021-01-15 | 2021-01-15 | 一种基于干涉sar雷达的森林地物成像反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110057861.3A CN113009481A (zh) | 2021-01-15 | 2021-01-15 | 一种基于干涉sar雷达的森林地物成像反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113009481A true CN113009481A (zh) | 2021-06-22 |
Family
ID=76384219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110057861.3A Pending CN113009481A (zh) | 2021-01-15 | 2021-01-15 | 一种基于干涉sar雷达的森林地物成像反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009481A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266987A (zh) * | 2022-03-03 | 2022-04-01 | 水利部长江勘测技术研究所 | 一种无人机高边坡危岩体智能识别方法 |
CN114548277A (zh) * | 2022-02-22 | 2022-05-27 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及*** |
CN115063677A (zh) * | 2022-06-10 | 2022-09-16 | 安徽农业大学 | 一种基于点云信息的麦田倒伏程度识别方法和装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102401898A (zh) * | 2011-08-25 | 2012-04-04 | 北京理工大学 | 一种合成孔径雷达森林遥感数据的定量化模拟方法 |
CN103996175A (zh) * | 2014-05-13 | 2014-08-20 | 西安电子科技大学 | 森林或城市区域高分辨干涉相位滤波方法 |
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 |
CN105005047A (zh) * | 2015-07-17 | 2015-10-28 | 武汉大学 | 后向散射优化的森林复杂地形校正及树高反演方法、*** |
CN107479065A (zh) * | 2017-07-14 | 2017-12-15 | 中南林业科技大学 | 一种基于激光雷达的林窗立体结构量测方法 |
CA3028602A1 (en) * | 2016-08-01 | 2018-02-08 | Mitsubishi Electric Corporation | Synthetic-aperture radar device |
CN109061601A (zh) * | 2018-08-09 | 2018-12-21 | 南京林业大学 | 一种基于无人机激光雷达反演人工林森林结构参数的方法 |
CN109164459A (zh) * | 2018-08-01 | 2019-01-08 | 南京林业大学 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
CN109711446A (zh) * | 2018-12-18 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
CN109816779A (zh) * | 2019-01-30 | 2019-05-28 | 北京林业大学 | 一种使用智能手机重建人工林森林模型获取单木参数的方法 |
CN109946714A (zh) * | 2019-04-03 | 2019-06-28 | 海南省林业科学研究所 | 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法 |
CN110109111A (zh) * | 2019-04-28 | 2019-08-09 | 西安电子科技大学 | 极化干涉sar稀疏植被高度反演方法 |
CN110223314A (zh) * | 2019-06-06 | 2019-09-10 | 电子科技大学 | 一种基于树冠三维点云分布的单木分割方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及*** |
CN111091079A (zh) * | 2019-12-04 | 2020-05-01 | 生态环境部南京环境科学研究所 | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
-
2021
- 2021-01-15 CN CN202110057861.3A patent/CN113009481A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102401898A (zh) * | 2011-08-25 | 2012-04-04 | 北京理工大学 | 一种合成孔径雷达森林遥感数据的定量化模拟方法 |
CN103996175A (zh) * | 2014-05-13 | 2014-08-20 | 西安电子科技大学 | 森林或城市区域高分辨干涉相位滤波方法 |
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 |
CN105005047A (zh) * | 2015-07-17 | 2015-10-28 | 武汉大学 | 后向散射优化的森林复杂地形校正及树高反演方法、*** |
CA3028602A1 (en) * | 2016-08-01 | 2018-02-08 | Mitsubishi Electric Corporation | Synthetic-aperture radar device |
CN107479065A (zh) * | 2017-07-14 | 2017-12-15 | 中南林业科技大学 | 一种基于激光雷达的林窗立体结构量测方法 |
CN109164459A (zh) * | 2018-08-01 | 2019-01-08 | 南京林业大学 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
CN109061601A (zh) * | 2018-08-09 | 2018-12-21 | 南京林业大学 | 一种基于无人机激光雷达反演人工林森林结构参数的方法 |
CN109711446A (zh) * | 2018-12-18 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
CN109816779A (zh) * | 2019-01-30 | 2019-05-28 | 北京林业大学 | 一种使用智能手机重建人工林森林模型获取单木参数的方法 |
CN109946714A (zh) * | 2019-04-03 | 2019-06-28 | 海南省林业科学研究所 | 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法 |
CN110109111A (zh) * | 2019-04-28 | 2019-08-09 | 西安电子科技大学 | 极化干涉sar稀疏植被高度反演方法 |
CN110223314A (zh) * | 2019-06-06 | 2019-09-10 | 电子科技大学 | 一种基于树冠三维点云分布的单木分割方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及*** |
CN111091079A (zh) * | 2019-12-04 | 2020-05-01 | 生态环境部南京环境科学研究所 | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
Non-Patent Citations (2)
Title |
---|
于大洋 等: "基于干涉极化SAR数据的森林树高反演", 《清华大学学报(自然科学版)》 * |
邵为真 等: "基于不规则三角网的渐进加密滤波算法研究", 《北京测绘》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548277A (zh) * | 2022-02-22 | 2022-05-27 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及*** |
CN114548277B (zh) * | 2022-02-22 | 2023-09-08 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及*** |
CN114266987A (zh) * | 2022-03-03 | 2022-04-01 | 水利部长江勘测技术研究所 | 一种无人机高边坡危岩体智能识别方法 |
CN115063677A (zh) * | 2022-06-10 | 2022-09-16 | 安徽农业大学 | 一种基于点云信息的麦田倒伏程度识别方法和装置 |
CN115063677B (zh) * | 2022-06-10 | 2023-10-10 | 安徽农业大学 | 一种基于点云信息的麦田倒伏程度识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Stem–leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data | |
CN112381861B (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
Hamraz et al. | A robust approach for tree segmentation in deciduous forests using small-footprint airborne LiDAR data | |
Yun et al. | Individual tree crown segmentation from airborne LiDAR data using a novel Gaussian filter and energy function minimization-based approach | |
CN113009481A (zh) | 一种基于干涉sar雷达的森林地物成像反演方法 | |
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN111898688B (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
Hladik et al. | Salt marsh elevation and habitat mapping using hyperspectral and LIDAR data | |
Van Leeuwen et al. | Retrieval of forest structural parameters using LiDAR remote sensing | |
Brolly et al. | Algorithms for stem mapping by means of terrestrial laser scanning | |
Baltensweiler et al. | Terrestrial laser scanning improves digital elevation models and topsoil pH modelling in regions with complex topography and dense vegetation | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
CN107832681A (zh) | 联合LiDAR点云和同步遥感影像的森林单木树高估算方法 | |
Li et al. | Retrieval of tree branch architecture attributes from terrestrial laser scan data using a Laplacian algorithm | |
CN110988909B (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN109961470B (zh) | 一种基于激光点云的活立木叶属性精准估测方法 | |
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 | |
CN107479065A (zh) | 一种基于激光雷达的林窗立体结构量测方法 | |
CN109946714A (zh) | 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法 | |
Zhang et al. | A noise-removal algorithm without input parameters based on quadtree isolation for photon-counting LiDAR | |
Liang et al. | Mapping urban impervious surface with an unsupervised approach using interferometric coherence of SAR images | |
Zhu et al. | Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering | |
Yusup et al. | Trunk volume estimation of irregular shaped Populus euphratica riparian forest using TLS point cloud data and multivariate prediction models | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
Chai et al. | A novel solution for extracting individual tree crown parameters in high-density plantation considering inter-tree growth competition using terrestrial close-range scanning and photogrammetry technology |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230317 |
|
AD01 | Patent right deemed abandoned |