[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111913185B - 针对高寒脆弱区低矮灌丛样地调查的tls测度方法 - Google Patents

针对高寒脆弱区低矮灌丛样地调查的tls测度方法 Download PDF

Info

Publication number
CN111913185B
CN111913185B CN202010660812.4A CN202010660812A CN111913185B CN 111913185 B CN111913185 B CN 111913185B CN 202010660812 A CN202010660812 A CN 202010660812A CN 111913185 B CN111913185 B CN 111913185B
Authority
CN
China
Prior art keywords
scanning
points
data sets
data
vegetation
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
Application number
CN202010660812.4A
Other languages
English (en)
Other versions
CN111913185A (zh
Inventor
李海东
田佳榕
张孝飞
马伟波
赵立君
王楠
苏敬
廖承锐
徐雁南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Forestry University
Nanjing Institute of Environmental Sciences MEP
Original Assignee
Nanjing Forestry University
Nanjing Institute of Environmental Sciences MEP
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Forestry University, Nanjing Institute of Environmental Sciences MEP filed Critical Nanjing Forestry University
Priority to CN202010660812.4A priority Critical patent/CN111913185B/zh
Publication of CN111913185A publication Critical patent/CN111913185A/zh
Application granted granted Critical
Publication of CN111913185B publication Critical patent/CN111913185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • 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
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Graphics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种针对高寒脆弱区低矮灌丛样地调查的TLS测度方法，属于森林资源和生态效益评估领域。通过地基激光雷达对样地分不同扫描点进行扫描，对不同扫描点组合配准的数据集进行参数提取，以所有扫描点配准的数据集为参照，比较各扫描点的重要性，为样地扫描点的选取提供选择依据。本发明基于单扫描和多扫描模式下的TLS架站方式，对高寒脆弱区低矮灌丛进行植被结构数据采集，以坡度和地形起伏因子作为环境条件，分析架站方式的不同对于高寒脆弱区低矮灌丛数量、高度和冠幅三个直观植被生长参数提取的影响。本发明可为生态脆弱、环境恶劣的高原地区的植被样地调查降低风险和成本，同时提高采集效率和数据质量。

Description

针对高寒脆弱区低矮灌丛样地调查的TLS测度方法
技术领域
本发明属于森林资源和生态效益评估技术领域，具体涉及一种针对高寒脆弱区低矮灌丛样地调查的TLS测度方法。
背景技术
灌丛、草原和草甸是高寒地区的主要植被类型，其植株低矮，但分布广泛，并在全球碳循环，防止土地退化和生物多样性保护中扮演着重要的角色。20世纪80年代以来，草原，草甸均发生了严重的退化，并伴有灌丛化的特征，造成了生物多样性、保水能力和土壤养分的损失。
对于该类型的植被，通常结合野外调查和光学遥感数据来估算生物量和固碳量。近年来，能够提供三维信息的激光雷达技术在植被调查方面逐渐取代传统的光学遥感技术。激光雷达系统主要分为机载激光扫描系统(ALS)和地面激光扫描系统(TLS)。ALS适用于区域尺度的数据采集，但其低密度点云难以充分表达植被信息，且基于ALS的数据采集受到环境条件和专业操作者的极大限制。TLS可以提供精确到毫米级的植被垂直结构信息，对于样方尺度上的植被信息采集具有独特的优势，如树干的检测和制图、胸径、树高和生物量估算。然而，迄今为止，激光雷达作为植被调查工具主要用于林业，在低高度植被的应用研究很少。
在森林调查中，TLS扫描方法分为单扫描(Single-Scan，SS)和多扫描(Multiple-Scan，MS)模式，对扫描方法的研究大多是比较两种模式的精度差异。对于低高度植被调查，Li等(2019)利用TLS的MS模式评估了地形对植被恢复的影响，通过配准18个扫描点获得点云数据。Xu et al(2020)利用5个扫描点配准的TLS数据估算了草地地上生物量。这些研究均采用MS模式配准的TLS数据，以获得更完整的样地信息。但是，很少有研究提供确定扫描点的位置的标准，以及探索影响数据采集完整性的因素。另外，在一些环境条件恶劣的地区(如青藏高原地区)，植被调查的风险和成本高，效率和数据质量不高。所以根据样地所在区域的地形特征和植被覆盖度科学合理布设扫描点显得尤为重要。
发明内容
发明目的：针对现有技术存在的不足，本发明的目的是提供一种为生态脆弱、环境恶劣的高原地区的植被样地调查降低风险和成本，同时提高采集效率和数据质量的针对高寒脆弱区低矮灌丛样地调查的TLS测度方法。
技术方案：为了实现上述发明目的，本发明采用的技术方案如下：
一种针对高寒脆弱区低矮灌丛样地调查的TLS测度方法，通过地基激光雷达对样地分不同扫描点进行扫描，对不同扫描点组合配准的数据集进行参数提取，以所有扫描点配准的数据集为参照，比较各扫描点的重要性，为样地扫描点的选取提供选择建议。
作为优选，所述扫描点包括1个中心扫描点和N个外围扫描点，所述数据集包括中心扫描点单独形成的数据集，1+N个扫描点形成的参考数据集，以及任意N个扫描点组合形成的N+1个数据集。在采集样地TLS数据时，首先在样地中心确定一个中心扫描点，再确定外围N个扫描点位于样地四个角附近。
作为优选，具体包括以下步骤：
(1)地基激光雷达扫描仪采集样地区域内的LiDAR点云数据，并在样地内记录实测数据；
(2)数据配准：将不同的扫描点组合并配准获取不同的数据集进行粗拼接和自动精拼接；
(3)滤波分类：对不同的数据集的数据分别进行滤波分类，并对滤波得到的地面点进行插值生成数字高程模型；
(4)对不同的数据集的数据分别根据数字高程模型对数据进行归一化处理，得到归一化后的点云数据，同时通过数字高程模型获取不同扫描点所在的位置的地形特征；
(5)对不同的数据集的数据分别对归一化后的点云进行目视解译，提取所需要的植被参数；
(6)以所有扫描点配准的数据集为参照，比较不同的数据集提取的植被参数值，得到各扫描点的重要情况，并结合扫描点的地形特征给出扫描点选择建议。
作为优选，步骤(1)中，LiDAR点云数据包括激光脉冲的回波信息、点云三维信息、点云强度信息和RGB图像附色信息；所述样地实测数据包括样地的地形特征和植被覆盖度，所述地形特征包括地形的坡度和起伏。
作为优选，步骤(2)中，将不同的扫描点组合并配准获取不同的数据集通过选取控制点进行粗拼接，然后通过迭代最近点算法进行自动精拼接。
作为优选，步骤(3)中，滤波分类的具体步骤为：首先，通过统计滤波移除噪点和离群点；接着，基于渐进三角网加密的滤波方法对地面点和非地面点进行分离；然后，将地面点按照TIN插值法得到数字高程模型(DEM)。
作为优选，步骤(4)点云归一化的具体步骤为：识别每个点的三维坐标(X，Y，Z)，识别对应水平位置的地面点(X，Y，Z0)，将每一个Z值减去对应的Z0值得到新的三维坐标(X，Y，Z1)，即为归一化后的点云。
作为优选，步骤(5)中所述植被参数具体包括植株数量、高度和冠幅三个参数，其中冠幅包括南北和东西两个方向的冠幅，最后取平均值。
作为优选，步骤(6)中，数据集之间的比较包括：
(a)中心扫描点单独形成的数据集和参考数据集之间的比较，该比较以距离中心扫描点不同距离为影响因子，确定扫描方式的最优扫描范围；
(b)任意N个扫描点组合形成的数据集与参考数据集之间的比较，该比较确定不同扫描点的重要性，结合地形特征得出科学的扫描点设置方法。
作为优选，步骤(6)中所述的以所有扫描点配准的数据集为参照，比较不同的数据集提取的植被参数值，是通过比较植株数量获取的比例，以及高度和冠幅的均方根误差RMSE。
有益效果：与现有技术相比，本发明具有以下优点：
本发明通过地基激光雷达对低高度植被样地进行不同扫描点的数据扫描，对比分析了SS和MS两种扫描模式的适用性。此外，分析了地形特征对扫描点设置的影响，提供了两种扫描模式的扫描点设置方法的标准建议。该发明有助于提高资源调查的效率，能较快的把握高寒脆弱区植被资源分布，减少了实地调查工作，降低了调查的成本，并为多维信息表达的沙地植被恢复和生态功能恢复提供数据和技术支持。
本发明通过借鉴和类比现有技术中对于TLS在森林样地尺度的资源调查方法。结合低高度植被的特征，得到适合该植被类型的基于TLS的样地调查扫描方法，填补了目前使用TLS在该植被类型的样地调查中，缺少科学布设扫描点的标准建议的空白，纠正了盲目增加扫描点以获取较为完整的样地信息的错误方法，提高了数据调查的效率，尤其是对于高寒脆弱区(青藏高原地区)的植被调查。
附图说明
图1是本发明的方法流程图；
图2是样地所在地形图及样地扫描点示意图；
图3为样地1的样方分布图；
图4为地形特征示意图；
图5为基于SS扫描方式和参考数据集下的植被参数提取情况；
图6样地2各扫描点的地形特征以及植被分布情况；
图7样地2不同扫描点的重要性误差分析。
具体实施方式
下面结合具体实施例，进一步阐明本发明，实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
本实施例以青藏高原为例的高寒脆弱生态区为样地，对于使用TLS技术对低矮植被的样方调查方面，提出一种扫描方式的标准设立方法，用以解决因扫描点设置不合理导致的数据缺失问题。通过SS和MS两种扫描模式，并地形特征(即坡度和地形起伏)对扫描点设置的影响，通过样方内植被数量、高度、冠幅进行参数比较，从而对样地扫描点的选取提出合理建议。
本实施例的实施样地1位于雅鲁藏布江中游山南地区泽当至桑耶镇的公路北侧(91.324°E，29.181°N)，实施样地2位于贡加县雅鲁藏布江第三阶地的拉萨机场附近(90.532°E，29.202°N)，海拔约为3560-3730m，属高原温带半干旱季风气候区。气候以温暖半干旱为特点，年降水量为300～450mm，年均气温6.3～8.7℃，冬春寒冷多风，夏季温暖湿润，雨热同季。样地1的大小为100m×100m，植被覆盖度约为60％，坡度较缓为3.8°，地势平坦，无地形起伏；样地2的大小为50m×50m，植被覆盖度为35％，坡度较大为56.2°，地形变化较大。
具体包括以下步骤：
(1)采用地基激光雷达扫描仪获取样地的LiDAR点云数据，地基激光雷达扫描仪采用Riegl VZ-400i LiDAR传感器，并在样地内记录样地实测数据，主要包括样地的地形特征(包括地形的坡度和起伏)和植被覆盖度(图5)。于2017年6月30日，对1号样地进行数据采集；于2017年7月1日，对2号样地进行数据采集。首先在样地中心架设1站扫描点，再在四个角上分别架设了4站外围扫描点(图2)。传感器记录完整的激光脉冲信息，主要包括激光脉冲的回波信息、点云三维信息、点云强度信息和RGB图像附色信息，本发明的结论是以RieglVZ-400iLiDAR传感器为例，不同扫描仪得到的结果可能存在差异，但是不影响实验结论。
(2)数据配准：将不同的扫描点组合并配准获取不同的数据集，点云配准软件为Riscan Pro。通过选取控制点进行粗拼接，然后通过迭代最近点算法(Itetative ClosestPoint，ICP)进行自动精拼接，该方法通过寻找目标点集与参考点之间的对应关系，进而计算出两个点集之间的最优平移T和旋转R变换参数，将不同坐标系下的点云模型转换到同一坐标系下，使两者之间的配准误差达到最小，得到整个样地的三维点云数据。此外，不同的数据集包括中心扫描点单独形成的数据集(1个)、所有5个扫描点形成的参考数据集(1个)、以及任意四个扫描点组合形成的数据集(5个)。为了方便书写，用DS1-(r)和DS2-(r)分别代表2个样地的参考数据集，DS1-(n)和DS2-(n)代表2个样地内第n个扫描点单独组成的数据集，而DS1-(n-)和DS2-(n-)代表2个样地内除了第n个扫描点其余四个扫描点组成的数据集。
其中对于样地1，本发明将中心扫描点单独形成的数据集代表SS扫描方式，与参考数据集进行比较，由于样地1植被数量较多，本发明按照与中心扫描点不同距离划分3类小样方，分别为20m(样方9-12)、35m(样方5-8)、50m(样方1-4)如(图3)
(3)滤波分类：点云滤波分析处理软件为LiDAR 360。首先，通过统计滤波移除噪点和离群点；接着，基于渐进三角网加密的滤波方法对地面点和非地面点进行分离；然后，将地面点按照TIN插值法得到数字高程模型DEM(分辨率为0.02m)。(分不同的数据集/小样方)
统计滤波(SOR)的原理是对所有点进行统计分析，计算每个点和其相邻点之间的平均距离，如果距离不在一定范围内，就会被视为噪点而被移除。渐进三角网加密的滤波方法(PTD)的原理是通过形态学开运算得到初始地面种子点，再利用平面拟合移除残差值较大的种子点，通过剩余的地面种子点构建三角网并进行加密得到最终地面点。不规则三角网插值(TIN)的原理是使用Delaunay三角剖分算法，从最近的临近点组成的多个三角形共同形成表面上提取栅格的单元值。
(4)根据数字高程模型对数据进行归一化处理，得到归一化后的点云数据(分不同的数据集/小样方)，同时通过数字高程模型获取不同扫描点所在的位置的地形特征。
点云归一化的具体步骤为：识别每个点的三维坐标(X，Y，Z)，识别对应水平位置的地面点(X，Y，Z0)，将每一个Z值减去对应的Z0值得到新的三维坐标(X，Y，Z1)，即为归一化后的点云。
(5)对归一化后的点云进行目视解译，提取所需要的植被参数(分不同的数据集/小样方)。植被参数具体包括植被数量、高度和冠幅三个参数。其中冠幅包括南北和东西两个方向的冠幅，最后取平均值。
(6)以所有扫描点配准的数据集为参照，比较不同的数据集提取的植被参数值，得到各扫描点的重要情况，并结合扫描点的地形特征给出标准建议。
以所有扫描点配准的数据集为参照，比较不同的数据集提取的植被参数值，是通过比较植被数量获取的比例，以及高度和冠幅的RMSE(均方根误差)。
数据集的比较包括：
(a)中心扫描点单独形成的SS数据集和参考数据集之间的比较，该比较以距离中心扫描点不同距离为影响因子(分3类小样方进行比较)，探究SS扫描方式的最优扫描范围。
(b)任意四个扫描点组合形成的MS数据集与参考数据集之间的比较，该比较则确定不同扫描点的重要性，结合地形特征得出科学的扫描点设置方法。
本实施例中，通过对样地1的三类小样方进行植被参数调查，并和参考数据集进行比较，即从DS1-(5)、DS2-(5)、DS1-(r)和DS2-(r)中提取的植被数量(N)、高度平均值(H-mean)和冠幅平均值(CW-mean)的结果(图5)。在样地1中，提取的植被数比例(Ns/Nr)依次为样方9-12(97.9％)＞样方5-8(94.8％)＞样方1-4(40.6％)，而H-mean和CW-mean的RMSE与植被数量的顺序相同，因此9-12样地提取的植被参数误差最小，这说明基于单扫描点的SS模式采集的数据完整性会受到距离中心扫描点的距离的影响。距离越近，数据采集越完整，但在设置样方时应考虑扫描盲区(半径约为2m的圆形区域，这和测量使用时支架高度有关)。样方9-12的植被H-mean和CW-mean分别为0.95m(RMSE＝0.186m)和1.23m(RMSE＝0.208m)，因此基于SS采集的中心扫描点20m范围内的数据提取的植被参数精度约为80％。而灌丛的采样面积大小通常为5m×5m～20m×20m(中国环境保护部，2014)，因此距离中心扫描点20m以内的数据可以满足样方设置的面积要求。而样地2中，所有植被的H-mean和CW-mean分别为2.86m(RMSE＝0.4m)和4.24m(RMSE＝0.854m)，这证明了陡坡区域由SS扫描模式提取的植被参数也可以提供约80％的准确率。因此，坡度不是影响植被数据采集的主要因素，遮挡(植被间的遮挡以及地形起伏导致的遮挡)效应才是主要影响因素。
根据DEM数据(图6a)提取了样地2内5个扫描点的地形特征，扫描点1、2、5的地形特征为迎风坡，扫描点3为背风坡，扫描点4为坡峰。通过植被分布图可以看出，迎风坡和坡峰处的植被数量明显多于背风坡(图6b)。通过比较DS2-(r)和DS2-(n-)提取的植被参数(图7)，所有四个扫描点组合的数据集(DS2-(n-))都能识别样地2内的所有的植被。DS2-(5-)中出现了CW-mean的最大RMSE(0.191m)，但H-mean的RMSE相对较小(0.026m)，说明由4个周边扫描点组成的数据集缺少样地2中心的植被信息，尤其是冠幅信息。对于其他数据集，H-mean的RMSE按照DS2-(1-)(0.009m)＜DS2-(2-)(0.087m)＜DS2-(3-)(0.127m)＜DS2-(4-)(0.152m)的顺序排列，CW-mean的RMSE按照DS2-(1-)(0.064m)＜DS2-(2-)(0.083m)＜DS2-(4-)(0.140m)＜DS2-(3-)(0.148m)的顺序排列，所以除中心扫描点5外，周边4个扫描点采集数据的重要性依次为扫描点#4＞#3＞#2＞#1。因此，对于坡度较大且有波动的样地2，首先每个扫描点对数据采集均有贡献。但部分扫描点(如扫描点1)贡献较小，可以被其他扫描点(如扫描点2)替代，因为扫描点1和2的位置都属于迎风坡，且扫描点2周围植被较多(图6b)。扫描点4位于坡峰(图6a)，具有良好的扫描视野，是将迎风坡和背风坡相结合的连接扫描点，弥补了因地形起伏带来的信息缺失。而扫描点3主要提供背风坡的植被信息，虽然扫描点4位于坡峰，但距离背风坡上的植被较远，其完整的植被信息不能通过单一扫描点4获取，所以扫描点3的数据采集是非常必要的。而中心扫描点5由于在样地2中的特殊位置，采集整体植被信息的能力较强。因此，对于灌木等低高度植被，中心扫描点对植被的高识别率(95％)和点云的高精度三维坐标信息，使得样地中大部分植被都可以被识别。
本发明通过以上试验，对于低高度植被，根据不同的数据采集要求和样地不同情况提出了以下扫描点设置方法：
(1)SS的扫描方式适合快速获取样地中的植被信息，对植被参数提取精度要求较低。此外，中心扫描点的位置应考虑地形的起伏，而不是坡度，最好选择样地中心处的坡峰位置，这样可以减少地形的遮挡效应。
(2)当采集数据需要高精度的植被参数时，可以采用MS的扫描方式。首先，在样地设置扫描点之前，本发明需要调查地形和植被情况，并根据(1)中的方式优先确定中心扫描点。其次，周边扫描点的确定需要考虑很多因素，主要包括在扫描方向上地形和植被造成的遮挡效应。结果显示扫描点#3和#4比#1和#2对数据采集的影响更大，这表明地形造成的遮挡效应影响更大。因此，周边扫描点需要位于具有不同地形特征的区域(包括迎风坡、背风坡、坡峰)，并在样地周围均匀分布。
本发明提出一种基于单扫描(Single-Scan，SS)和多扫描(Multiple-Scan，MS)模式相结合的TLS改进架站方式，对高寒脆弱区低矮灌丛进行植被结构数据采集，以坡度和地形起伏因子作为环境条件，分析本架站方式在高寒脆弱区低矮灌丛数量、高度和冠幅三个植被参数中的优势。本发明可为生态脆弱、环境恶劣的高原地区的植被样地调查降低风险和成本，同时提高采集效率和数据质量。
(3)以本研究使用的设备为例(RIEGLVZ-400i)，本发明需要注意的是样地的大小或扫描点之间的距离。对于SS的扫描方式，样地(正方形)的大小不应超过50m，否则样地边缘处的信息不可靠。另外，MS扫描模式下，相邻扫描点之间的距离也不能超过50m，以保证点云的可重复性和互补性。
本发明通过中心扫描点的单站数据集与参考数据集之间的比较，证实了SS模式在低高度植被实地调查中具有较强的适用性。同时提取并比较不同数据集下的植被参数(数量、高度、冠宽)，分析了地形特征对扫描点设置的影响，证实了MS模式在数据的完整度和精度方面具有更加广泛的应用性，但是样本地块的大小以及地形和植被造成的遮挡效应会影响精度。因此，本发明为基于TLS的低高度植被的样地调查提供了较完备的扫描点设置方法，大大降低了采集数据时因大量布设扫描点带来的成本浪费问题，大大提高了采集的效率以及数据的质量。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种针对高寒脆弱区低矮灌丛样地调查的TLS测度方法，其特征在于：通过地基激光雷达对样地分不同扫描点进行扫描，对不同扫描点组合配准的数据集进行参数提取，以所有扫描点配准的数据集为参照，比较各扫描点的重要性，为样地扫描点的选取提供选择依据；所述扫描点包括1个中心扫描点和N个外围扫描点，所述数据集包括中心扫描点单独形成的数据集，1+N个扫描点形成的参考数据集，以及任意N个扫描点组合形成的N+1个数据集；
具体包括以下步骤：
(1)地基激光雷达扫描仪采集样地区域内的LiDAR点云数据，并在样地内记录实测数据；
LiDAR点云数据包括激光脉冲的回波信息、点云三维信息、点云强度信息和RGB图像附色信息；所述样地实测数据包括样地的地形特征和植被覆盖度，所述地形特征包括地形的坡度和起伏；
(2)数据配准：将不同的扫描点组合并配准获取不同的数据集进行粗拼接和自动精拼接；
(3)滤波分类：对不同的数据集的数据分别进行滤波分类，并对滤波得到的地面点进行插值生成数字高程模型；
(4)对不同的数据集的数据分别根据数字高程模型对数据进行归一化处理，得到归一化后的点云数据，同时通过数字高程模型获取不同扫描点所在的位置的地形特征；
(5)对不同的数据集的数据分别对归一化后的点云进行目视解译，提取所需要的植被参数；
所述植被参数具体包括植株数量、高度和冠幅三个参数，其中冠幅包括南北和东西两个方向的冠幅，最后取平均值
(6)以所有扫描点配准的数据集为参照，比较不同的数据集提取的植被参数值，得到各扫描点的重要情况，并结合扫描点的地形特征给出扫描点选择建议；数据集之间的比较包括：
(a)中心扫描点单独形成的数据集和参考数据集之间的比较，该比较以距离中心扫描点不同距离为影响因子，确定扫描方式的最优扫描范围；
(b)任意N个扫描点组合形成的数据集与参考数据集之间的比较，该比较确定不同扫描点的重要性，结合地形特征得出扫描点设置方法；
以所有扫描点配准的数据集为参照，比较不同的数据集提取的植被参数值，是通过比较植株数量获取的比例，以及高度和冠幅的均方根误差RMSE。
2.根据权利要求1所述的针对高寒脆弱区低矮灌丛样地调查的TLS测度方法，其特征在于：步骤(2)中，将不同的扫描点组合并配准获取不同的数据集通过选取控制点进行粗拼接，然后通过迭代最近点算法进行自动精拼接。
3.根据权利要求1所述的针对高寒脆弱区低矮灌丛样地调查的TLS测度方法，其特征在于：步骤(3)中，滤波分类的具体步骤为：首先，通过统计滤波移除噪点和离群点；接着，基于渐进三角网加密的滤波方法对地面点和非地面点进行分离；然后，将地面点按照TIN插值法得到数字高程模型。
4.根据权利要求1所述的针对高寒脆弱区低矮灌丛样地调查的TLS测度方法，其特征在于：步骤(4)点云归一化的具体步骤为：识别每个点的三维坐标(X,Y,Z)，识别对应水平位置的地面点(X,Y,Z0)，将每一个Z值减去对应的Z0值得到新的三维坐标(X,Y,Z1)，即为归一化后的点云。
CN202010660812.4A 2020-07-09 2020-07-09 针对高寒脆弱区低矮灌丛样地调查的tls测度方法 Active CN111913185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010660812.4A CN111913185B (zh) 2020-07-09 2020-07-09 针对高寒脆弱区低矮灌丛样地调查的tls测度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010660812.4A CN111913185B (zh) 2020-07-09 2020-07-09 针对高寒脆弱区低矮灌丛样地调查的tls测度方法

Publications (2)

Publication Number Publication Date
CN111913185A CN111913185A (zh) 2020-11-10
CN111913185B true CN111913185B (zh) 2024-04-02

Family

ID=73228022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010660812.4A Active CN111913185B (zh) 2020-07-09 2020-07-09 针对高寒脆弱区低矮灌丛样地调查的tls测度方法

Country Status (1)

Country Link
CN (1) CN111913185B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112859108B (zh) * 2021-01-28 2024-03-22 中国科学院南京土壤研究所 一种利用地面激光雷达数据提取复杂地形条件下林下植被覆盖度的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7212670B1 (en) * 2002-05-03 2007-05-01 Imagetree Corp. Method of feature identification and analysis
CN105931234A (zh) * 2016-04-19 2016-09-07 东北林业大学 一种地面三维激光扫描点云与影像融合及配准的方法
CN107966709A (zh) * 2017-11-15 2018-04-27 成都天麒科技有限公司 一种基于激光雷达测绘的植保作业方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8244026B2 (en) * 2008-01-09 2012-08-14 Tiltan Systems Engineering Ltd. Apparatus and method for automatic airborne LiDAR data processing and mapping using data obtained thereby
JP6987797B2 (ja) * 2016-03-11 2022-01-05 カールタ インコーポレイテッド リアルタイムオンラインエゴモーション推定を有するレーザスキャナ

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7212670B1 (en) * 2002-05-03 2007-05-01 Imagetree Corp. Method of feature identification and analysis
CN105931234A (zh) * 2016-04-19 2016-09-07 东北林业大学 一种地面三维激光扫描点云与影像融合及配准的方法
CN107966709A (zh) * 2017-11-15 2018-04-27 成都天麒科技有限公司 一种基于激光雷达测绘的植保作业方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Influence of Scanner Position and Plot Size on the Accuracy of Tree Detection and Diameter Estimation Using Terrestrial Laser Scanning on Forest Inventory Plots;Gollob, C 等;Remote Sensing;第11卷(第13期);第1-30页 *
TLS技术在竹林调查中的研究与应用——以竹阔混交林竞争研究为例;夏明鹏;中国优秀硕士学位论文全文数据库信息科技辑(第02期);第1-83页 *
基于地基激光雷达技术的南方不同森林类型参数提取;赵灿灿;中国优秀硕士学位论文全文数据库信息科技辑(第02期);第1-7页 *
基于地基激光雷达的亚热带森林单木胸径与树高提取;刘鲁霞;庞勇;李增元;;林业科学;第52卷(第02期);第26-37页 *
基于地面激光扫描林分调查技术的标定;梁子瑜 等;林业资源管理(第03期);第128-135页 *
激光雷达技术在矿山生态环境监测中的应用;吕国屏 等;生态与农村环境学报;第33卷(第07期);第577-585页 *

Also Published As

Publication number Publication date
CN111913185A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
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
CN111091079B (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
CN104656098B (zh) 一种遥感森林生物量反演的方法
CN111368736B (zh) 基于sar和光学遥感数据的水稻精细化估产方法
CN109031344B (zh) 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法
CN113204998B (zh) 一种基于单木尺度的机载点云森林生态估测方法及系统
CN103398957B (zh) 基于高光谱与激光雷达提取叶面积垂直分布的方法
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
CN114387516B (zh) 一种针对复杂地形环境下中小田块的单季稻sar识别方法
CN112729130A (zh) 卫星遥感测量树木冠层高度的方法
CN116665073A (zh) 一种基于多源数据的玉米产量遥感估测方法
CN109978047A (zh) 一种田间小麦茎蘖数提取方法
CN108981616B (zh) 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
CN111913185B (zh) 针对高寒脆弱区低矮灌丛样地调查的tls测度方法
Wezyk The integration of the terrestrial and airborne laser scanning technologies in the semi-automated process of retrieving selected trees and forest stand parameters Integração das tecnologias terrestre e aerotransportada de scanner laser no processo semi
CN117765387A (zh) 一种适用于复杂环境的耕地非粮化遥感监测方法
Sun et al. Individual tree segmentation and biomass estimation based on UAV Digital aerial photograph
CN112381029B (zh) 一种基于欧氏距离的机载LiDAR数据建筑物提取方法
Huang et al. Integration of remote sensing and GIS for evaluating soil erosion risk in Northwestern Zhejiang, China
Yu et al. Detection and volume estimation of mining subsidence based on multi-temporal LiDAR data
Rowell et al. Estimating plot-scale biomass in a western North American mixed-conifer forest from lidar-derived tree stems
CN110794377A (zh) 一种基于机载LiDAR数据自动提取树木变化信息方法
CN112859108B (zh) 一种利用地面激光雷达数据提取复杂地形条件下林下植被覆盖度的方法
Xiao et al. Construction of terrain information extraction model in the karst mountainous terrain fragmentation area based on UAV remote sensing
Gao et al. Compare analysis of vegetation cover change in Jianyang city based on RVI and NDVI

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