基于无人机高分影像的冠幅提取与树高反演
基于无人机影像的树木株数提取
Vol. 37 No. 1Jan. ,2021第37卷第1期2021年1月森林工程FOREST ENGINEERING基于无人机影像的树木株数提取胡馨月,倪海明,戚大伟(东北林业大学理学院,哈尔滨150040)摘要:为了充分挖掘无人机图像,快速有效地提取树木信息,利用无人机数据生成的正射影像作为研究对象,提出一种Mean Shift 算法和分水岭分割算法相结合的林木株数提取方法。
该方法利用Mean Shift 算法对从RGB 图像中提取的G 通道图像进行有效地聚类和平滑处理,然后将其输入到结合形态学运算以及欧氏距离变换的分水岭分割算法中进行单木检测和 树木株数提取。
实验结果表明:与目视解译并计数的10块样地结果相比,本文研究方法的树木株数提取精度在92.74%左右。
该方法可以有效地检测单木及提取树木株数,并且具有较好的提取精度。
关键词:树木株数;无人机影像;分水岭分割;Mean Shift 算法中图分类号:S757.2;TP79 文献标识码:A 文章编号:1006 -8023(2021 )01 -0006 -07Tree Counts Extraction Based on UAV ImageryHU Xinyue , NI Haiming , QI Dawei *(College of Science , Northeast Forestry University , Harbin 150040, China)Abstract : To fully explore unmanned aerial vehicle ( UAV ) imagery and extract forest information efficiently , this study used anorthophoto derived from UAV data to propose a tree counts extraction method combining the Mean Shift algorithm and watershed seg mentation algorithm. The method utilized the Mean Shift algorithm to efficiently cluster and smooth the G channel images extracted from RGB images. These images were then fed into the watershed method which combined morphology operation and Euclidean distance forindividual treetop detection and tree count extraction. The result showed that the tree counts extraction accuracy of the algorithm in this paper was approximately 92.74% when the result was compared to ten manually marked and counted plots. The result demonstratedthat this method was efficient to detect individual tree and extract tree counts , and had better detection accuracy.Keywords : Tree counts ; UAV imagery ; watershed segmentation ; Mean Shift algorithm0引言森林是陆地生态系统的重要组成部分,是人类 赖以生存和发展的重要自然资源之一⑷。
基于UAV无人机影像的树高反演研究
摘要经过几十年的发展,我国已经初步形成了规模化的遥感对地观测体系,反演遥感技术越来越成熟,利用反演可以解决诸多问题。
森林是我们人类赖以生存的重要资源之一,我国同时也是一个资源大国,但森林覆盖率却远远低于世界平均水平,林业资源在很多方面都应用广泛,因此我们需要尽可能的掌握林业资源的信息,同时需要林业调查周期要求更短,数据要求更精细,无人机遥感系统具有机动性、快速、分辨率高、适用范围更广等优点,适合林业调查的工作要求,能增强林业调查工作能力。
传统的森林调查对于测量工作人员来说劳动强度大,经常会遇到按设计方案实施所得的结果能否不能够达到工程要求的问题。
反观,无人机应用还可以减少外业作业时间降低劳动程度,提高工作效率。
总之,本文介绍了对利用获取的无人机影像反演的原理,通过采用ENVI软件和PHOTOSCAN以及LiDAR360软件平台,按照无人机影像处理的流程,使用通过无人机获取的影像处理生成的高精度数字表面模型和数字高程模型而后来得到冠层高程模型,提取林分树高森林参数信息,并对提取的结果与外业调查、目视判读做出了对比和分析,单木树高分割以及提取的森林参数信息可以达到非常高的精度,对无人机图像在森林资源调查中的应用做了一些研究,为其他森林信息的提取提供了思路,并对调查和监测森林资源在一定程度上进行技术指导。
关键词:无人机影像;反演;树高;单木分割ABSTRACTAfter decades of development, China has initially formed a large-scale remote sensing earth observation system,Inversion of remote sensing technology is becoming more and more mature. Inversion can solve many problems.Forest is one of the most importantresources for human survival. China is also a resource giant country,But the forest coverage rate is far lower than the average level in the world.Forest resources are widely used in many aspects, so we need to master the information of forest resources as much as possible,the forestry survey cycle is shorter and the data requirements are more detailed,the UA V remote sensing system has the advantages of maneuverability, high speed, high resolution and wide application,it’s suitable for forestry survey work requirements, it can enhance the ability of forestry investigation work.The traditional forest survey is very hard for the survey staff and people often meet the problems of whether the results obtained by the design plan can meet the requirements of the project.The application of UA V can also reduce the operation time, reduce labor level and improve work efficiency.In this paper, the principle of using remote sensing inversion is introduced.,through the use of ENVI software and Agisoft Photoscan software platform, according to the UA V image processing process,forest parameters such as crown width, tree height, were extracted on the basis of DEM and DSM data,and the results of extraction are compared with those of field investigation and visual interpretation.In a word, using high precision digital surface model and Digital Orthophoto Image generated by UA V image, combined with object-oriented classification method, multi-scale segmentation and spatial analysis technology, the forest parameter information extracted from single tree crown and single tree tree height can reach very high precision. In this paper, the application of unmanned aerial vehicles (UA V) images in the investigation of forest resources was tried, and the methods of forest DSM, DEM ,CHM production and information extraction were discussed, which provided some ideas for the extraction of other forest information, and the technical guidance to the investigation and monitoring of forest resources to a certain extent.Key words:UAV image;Inver sion;Tree height;Single wood segmentationⅡ目录摘要 (Ⅰ)Abstract (Ⅱ)第1章绪论 (1)1.1目的和意义 (1)1.2无人机影像的树高反演的研究现状 (2)1.2.1国内研究现状 (2)1.2.2国外研究现状 (2)1.3本文研究的主要内容 (3)1.4本文研究的技术路线 (3)第2章无人机航空摄影测量 (4)2.1无人机航空摄影测量的组成 (4)2.2无人机航空摄影测量遥感传感器的的类型 (4)2.3无人机航空摄影测量的特点 (4)2.4无人机航空摄影测量的现状 (5)2.5无人机航测基本流程 (6)2.6无人机影像数据处理 (6)2.7无人机航空摄影测量在地形图测绘中的应用 (6)2.8无人机航空摄影测量在地形图测绘中的重要性 (7)2.9本章小结 (8)第3章研究区概况 (9)3.1研究区概况 (9)3.1.1地理位置 (9)3.1.2 植被与土壤 (9)3.1.3气候与水文 (10)3.2实验数据获取 (11)3.2.1无人机影像获取 (11)3.2.2地面数据获取 (11)3.3无人机数据预处理 (12)3.4像控点布设与量测 (12)3.5DEM/DSM生成平台 (13)3.6本章小结 (13)第4章森林信息提取方法 (15)4.1树冠信息提取 (15)4.2林分郁闭度提取 (15)4.3株数密度提取 (16)4.3.1株数密度地面调查方法 (17)4.3.2株数密度遥感处理调查方法 (17)4.4本章小结 (17)第5章树高信息提取 (19)5.1树高提取 (19)5.1.1点云数据生成 (19)5.1.2数字高程模型和数字表面模型生成 (19)5.1.3冠层高度模型生成 (21)5.2单木树高提取 (22)5.2.1单木分割方法 (22)5.2.2单木树高提取结果 (23)5.3本章小结 (24)结论 (25)参考文献 (26)致谢 (27)第1章绪论1.1 无人机树高反演研究的目的和意义中国是一个资源丰富的大国,森林是陆地生态系统的主体,和资源监测中发挥着重要作用。
基于无人机平台的柑橘树冠信息提取
第37卷第1期农业工程学报V ol.37 No.168 2021年1月Transactions of the Chinese Society of Agricultural Engineering Jan. 2021基于无人机平台的柑橘树冠信息提取束美艳,李世林,魏家玺,车荧璞,李保国,马韫韬※(中国农业大学土地科学与技术学院,北京100193)摘要:为了快速获取柑橘树冠信息,提升柑橘园精准管理,该研究基于无人机平台获取了柑橘数码和多光谱影像,分析了无人机影像反演柑橘树冠信息的效果。
首先利用无人机数码影像及分水岭算法进行柑橘单木分割,然后构建柑橘树冠层高度模型,提取柑橘株数、株高、冠幅投影面积等结构参数信息,进而利用无人机多光谱影像获取柑橘的8种常用植被指数,采用全子集分析法筛选柑橘冠层氮素含量的敏感植被指数,构建基于多元线性回归的冠层氮素遥感反演模型,进行以冠幅为基本单元的柑橘树冠层氮素含量遥感制图。
研究结果表明:柑橘的单木识别准确率在93%以上,召回率在95%以上,平均F值为96.52%;柑橘树的反演株高与实测株高具有较强的相关性,决定系数R2为0.87,均方根误差为31.9 cm;单株冠幅投影面积与人工绘制的冠幅面积的决定系数,除果园A在12月的结果较低(R2为0.78)外,其余均在0.94及以上;采用全子集分析法筛选的柑橘冠层氮素敏感植被指数为归一化植被指数(NDVI)、绿色归一化植被指数和冠层结构不敏感指数,所建立的多元回归模型的决定系数R2达0.82,均方根误差为0.22%,相对误差为6.59%。
综上,无人机影像在柑橘树冠参数信息提取方面具有较好的应用效果,能够快速有效地提取柑橘树冠参数信息。
该研究可为使用无人机平台进行果园精准管理提供技术支撑。
关键词:无人机;图像处理;多光谱;柑橘;株高;冠幅投影面积;冠层氮素含量doi:10.11975/j.issn.1002-6819.2021.01.009中图分类号:S779 文献标志码:A 文章编号:1002-6819(2021)-01-0068-09束美艳,李世林,魏家玺,等. 基于无人机平台的柑橘树冠信息提取[J]. 农业工程学报,2021,37(1):68-76.doi:10.11975/j.issn.1002-6819.2021.01.009 Shu Meiyan, Li Shilin, Wei Jiaxi, et al. Extraction of citrus crown parameters using UA V platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 68-76. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2021.01.009 0 引 言柑橘是世界重要的经济作物[1]。
基于无人机影像的单木参数提取与胸径反演研究
【CN109948484A】基于无人机影像DSM提取植物高度的系统及方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910173584.5(22)申请日 2019.03.07(71)申请人 景遥(上海)信息技术有限公司地址 201702 上海市青浦区双联路158号2层M区235室(72)发明人 孟陈 李俊祥 杨卫军 张超 吴昊 李鸿威 (51)Int.Cl.G06K 9/00(2006.01)G06F 16/29(2019.01)(54)发明名称基于无人机影像DSM提取植物高度的系统及方法(57)摘要本发明公开了基于无人机影像DSM提取植物高度的系统及方法,本方法基于无人机摄影影像的DSM (数字表面模型)提取技术,利用植被滤波的数字高程模型提取以及基于计算机深度学习的植被冠型自动识别,能够准确获取植被高度数据,相比激光雷达遥测方式大大降低了测量成本。
权利要求书1页 说明书3页 附图1页CN 109948484 A 2019.06.28C N 109948484A权 利 要 求 书1/1页CN 109948484 A1.基于无人机影像DSM提取植物高度的系统,包括:无人机、定位装置、通信装置、控制系统和计算处理单元,其特征在于:所述计算处理单元用于将遥感影像的坐标统一为2000国家大地坐标体系坐标体系,并采用航空摄影测量软件进行空三、平差、正射以及匀光匀色处理,纠正几何变形。
2.根据权利要求1所述的基于无人机影像DSM提取植物高度的系统,其特征在于:所述定位装置接入北斗卫星定位系统,用于获取无人机的经纬度坐标信息,所述通信装置用于与无人机无线通讯,并接收无人机发送的地面遥感影像。
3.根据权利要求1所述的基于无人机影像DSM提取植物高度的系统,其特征在于:所述控制系统用于接收通信装置发送的数据集,并将数据集发送至计算处理单元中进行分析计算,且同时对无人机航迹进行控制。
4.基于无人机影像DSM提取植物高度的方法,其特征在于:包括以下步骤:(1)、设计规划无人机在作业区航迹与飞行参数,使其沿制定的路线在某一高度飞行,利用挂载的高分辨率数码相机摄取作业区影像,并回传至地面控制中心;(2)、利用航空摄影测量处理软件对影像进行处理,将影像精度调整至0.5-1.5像素,获得高分辨率的地面影像;(3)、逐像素数字表面模型制作:利用数字表面模型算法软件生成逐像素的数字表面模型;(4)、逐波数字高程模型制作:利用数字表面模型算法软件内置的植被与建筑滤波算法,制作数字高程模型;(5)、对步骤3和步骤4分别生成的数字表面模型和数字高程模型进行相减操作,生成待提取区域的树木冠层高度模型;(6)、冠层识别:在植被冠层高度模型中冠层高度的辅助下,利用计算机卷积神经网络对植被冠层自动识别并矢量化;(7)、树高提取:利用ArcGIS软件自动获得树高参数。
基于高分辨率遥感林分树高的估算研究
树高 。 精度达 9 0 %以上I l l ; R i a n o 利用 激光雷达模 拟林火行
为提取可燃物空间参数 , 树高的估算精度达到 9 2 . 3 %; 韦雪
花囝 通过轻小 型机载 L i D A R数据能有效提取林 分平均高 、
图 2 太 阳与卫星位 于树木 同侧且太 阳高度角
大于卫星高度角
由图 1 、 2 、 3可知 ,如果卫 星能拍摄 到树木 阴影 的顶
端, 则卫星影像 上就能量测树 木阴影 的长 度 , 进 而估算树
木实际高度。当卫星与太 阳位于树木 同侧时 : 如果卫星 高 度角大于太 阳高度 角 , A v 覆盖 A i 的下 部 ,卫星能拍摄到
利用森林资源调查数据证明了此方法 的有效性 。
关 键词 : 树高; 估算 ; 高分辨率遥感
中图 分类 号 : P 2 2 8 . 3
文 献标 识码 : A
文 章编 号 : 1 0 0 2 — 3 3 5 6 ( 2 0 1 4 ) 0 3 — 0 0 4 1 — 0 3
造成的卫 星拍摄盲 区) , 即亮圆部分 , 为太 阳照射形成 的
像上树影的起点是树 冠顶点在地面 的垂直投影点 , 树 影延 伸 的方 向就是光线的方 向 ,可通过太 阳方位角计算 出来 。 树冠 的顶点是树冠被 太阳照射后反射率最大 的地方 , 可利
用最大值滤波方法提取 出影像上树冠的顶点 。 树影的终点
为树影 中轴线向外延 伸与边界 的交点 ( 图6 ) 。通过 A r e g i s
A v 可能覆盖 A i 的上部 , 此 时卫 星无法拍摄到树木 阴影 的
基于无人机高光谱图像的枸杞冠层叶绿素含量反演
基于无人机高光谱图像的枸杞冠层叶绿素含量反演基于无人机高光谱图像的枸杞冠层叶绿素含量反演摘要:随着无人机技术的发展和高光谱遥感成像技术的成熟,我们可以利用无人机高光谱图像来监测和分析植物的生长状况。
本文以枸杞为研究对象,通过获取无人机高光谱图像并运用反射光谱特征提取方法,实现了枸杞冠层叶绿素含量的精确反演,并与传统手段进行了对比。
结果表明,基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法具有较高的准确性和实用性。
1. 引言枸杞是一种重要的药用和经济作物,其叶绿素含量对于枸杞植株的健康生长和产量具有重要意义。
传统上,通过野外调查和实验室分析的方法来测量枸杞植株叶绿素含量,需要大量的人力和时间成本。
而基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法,可以实现大范围、高效率的监测和分析,为农业生产提供了有力的技术支持。
2. 材料与方法2.1 研究区域和样地选择在研究中选择某农场作为观测区域,根据实际情况选择了若干枸杞样地,确保样地的生长状态基本相似。
2.2 采集无人机高光谱图像数据采用多光谱无人机进行航拍,确保获取到大范围的高分辨率高光谱图像。
利用高光谱传感器观察枸杞植株的反射光谱,获取到植株冠层的光谱特征。
2.3 枸杞冠层叶绿素含量反演模型构建通过对采集到的高光谱图像数据进行处理和分析,建立枸杞冠层叶绿素含量反演模型。
选取光谱指数、特征波段等作为输入参数,通过回归分析确定反演模型的回归系数。
3. 结果与分析在枸杞样地分析中,利用无人机高光谱图像反演得到的冠层叶绿素含量与实际测量结果进行对比,结果表明两者具有较高的相关性。
枸杞样地内叶绿素含量高的区域在图像上表现为反射光谱较高的区域,而叶绿素含量低的区域在图像上表现为反射光谱较低的区域。
该结果验证了基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法的可行性和准确性。
4. 对比与讨论与传统的野外调查和实验室分析方法相比,基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法具有多项优势。
运用无人机激光雷达数据提取落叶松树冠特征因子及树冠轮廓模拟
第47卷第11期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Vol.47No.112019年11月JOURNALOFNORTHEASTFORESTRYUNIVERSITYNov.20191)国家自然科学基金项目(31470640)ꎬ国家重点研发计划(2017YFD0600902-5)ꎮ第一作者简介:全迎ꎬ女ꎬ1994年9月生ꎬ东北林业大学林学院ꎬ硕士研究生ꎮE-mail:quanying@nefu.edu.cnꎮ通信作者:李明泽ꎬ东北林业大学林学院ꎬ教授ꎮE-mail:ming ̄zelee@163.comꎮ收稿日期:2019年3月11日ꎮ责任编辑:王广建ꎮ运用无人机激光雷达数据提取落叶松树冠特征因子及树冠轮廓模拟1)全迎㊀李明泽㊀甄贞㊀郝元朔(东北林业大学ꎬ哈尔滨ꎬ150040)㊀㊀摘㊀要㊀为探究无人机激光雷达(UAVLS)获取单木树冠三维结构的能力ꎬ利用无人机载激光雷达数据ꎬ对人工长白落叶松进行单木树冠特征因子的提取以及树冠轮廓的模拟ꎬ并与机载激光雷达(ALS)单木树冠特征因子的提取进行比较ꎮ结果表明:利用UAVLS数据1ʒ1匹配的单木数量远高于利用ALS数据匹配的单木数量ꎬ且UAV ̄LS单木位置探测的精度达到0.3381mꎬ比ALS提高了0.1851mꎻUAVLS单木树高的提取精度达到0.5785mꎬ比ALS提高了1.2945mꎻ对于冠幅及冠基高的提取ꎬUAVLS也有更高的精度ꎮ与ALS相比ꎬUAVLS不仅具有更高的单木探测精度ꎬ也具有更高的单木树冠结构参数提取精度ꎻ3种树冠轮廓模型拟合的R2均高于0.75ꎬ表明3种常用的轮廓模型都能够很好的描述从UAVLS数据中获取的树冠外部轮廓ꎬ其中二次抛物线模型具有最强的模拟效果(MAE=0.2564ꎬMRAE=4.59%)ꎮ因此ꎬ无人机激光雷达数据提取单木树冠结构ꎬ可以提高林业调查的效率ꎮ关键词㊀无人机ꎻ激光雷达ꎻ树冠特征因子ꎻ树冠ꎻ长白落叶松分类号㊀S758.1ModelingCrownCharacteristicAttributesandProfileofLarixolgensisUsingUAV ̄borneLiDAR//QuanYingꎬLiMingzeꎬZhenZhenꎬHaoYuanshuo(NortheastForestryUniversityꎬHarbin150040ꎬP.R.China)//JournalofNortheastForestryUniversityꎬ2019ꎬ47(11):52-58.Weevaluatedthecapabilitiesofanunmannedaerialvehiclelaserscanning(UAVLS)systemtoextractcrownstruc ̄turalinformationofLarixolgensisꎬandcomparedtheextractionofcrowncharacteristicattributesbyUAVLSandairbornelaserscanning(ALS).ThenumberofindividualtreesmatchingbyUAVLSdataismuchhigherthanthatbyALSdata.TheaccuracyofUAVLSfortreepositiondetectionis0.3381mꎬ0.1851mhigherthanthatofALS.Theaccuracyoftreeheightreaches0.5785mꎬ1.2945mhigherthanthatofALS.UAVLSalsohashigheraccuracyfortheextractionofcrownwidthandcrownbaseheight.ComparedwithALSꎬUAVLSnotonlyhasthehigherdetectionaccuracyofindividualtreeꎬbutalsohasthehigherextractionaccuracyoftreecrownstructural.TheR2fittedbythethreecrownprofilemodelsishigherthan0.75ꎬindicatingthatthethreecommonlyusedprofilemodelscanwelldescribethecrownprofileobtainedfromUAVLSda ̄taꎬandtheparabolamodelhasthestrongestpredictionability(MAE=0.2564ꎬMRAE=4.59%).Overallꎬextractingindi ̄vidualtreecrownstructurebyUAV ̄borneLiDARcanimprovetheefficiencyofforestrysurvey.Keywords㊀Unmannedaerialvehicle(UAV)ꎻLiDARꎻCrowncharacteristicattributesꎻCrownꎻLarixolgensis㊀㊀树冠是树木重要组成部分ꎬ也是树木进行光合㊁呼吸㊁蒸腾等生理活动的主要场所[1]ꎮ树冠在空间中的大小和形状构成了树冠的三维结构ꎬ树冠的三维结构不仅反映树木的生长状态ꎬ也是反映树木间竞争和树木活力的重要指示[2]ꎮ因此ꎬ准确的描述树冠结构可以更好的对树木生长进行了解和预测ꎮ树冠的大小可由冠长㊁冠基高㊁冠幅㊁横截面积㊁树冠体积及表面积等特征因子进行描述ꎻ树冠的形状可由特定形式的树冠轮廓模型进行描述ꎮ树冠特征因子是构建林分生长与收获模型的重要变量ꎬ二维树冠因子易于测量ꎬ而三维因子往往需要通过枝解析测量计算或通过树冠轮廓模型的积分得到ꎮ对于树冠轮廓的研究ꎬ起初用椭圆体或锥体来近似的代表针叶树树冠形状[3]ꎮ然而ꎬ不同的针叶树种树冠形状不尽相同ꎬ很难用这些简单的几何体进行特定的描述ꎮ因此ꎬ研究者开始逐渐采用相对复杂的数学方程进行特定树种的树冠轮廓模拟ꎮ郭艳荣等[4]采用线性函数㊁指数函数㊁对数函数等对杉木不同龄组树冠形态进行了模拟ꎮ有关专家用分段抛物线方程㊁分段单分子式方程和分段幂函数方程㊁Kozak方程及Weibull方程等ꎬ分别对黑龙江人工红松和落叶松的冠形进行了模拟[5-6]ꎮ对于构建树冠轮廓模型所需变量的测量ꎬ大多采用将树木伐倒后进行枝解析的方法来获取树冠的外部轮廓ꎮ由此可见ꎬ在传统林业测量中ꎬ获取树冠的详细结构信息的方法十分复杂ꎬ虽然测量精度很高ꎬ但是测量效率无法得到改善ꎮ随着遥感技术的发展ꎬ尤其是主动遥感技术的出现ꎬ人们渴望利用遥感手段代替部分人工测量以提高林业调查的效率ꎮ激光雷达(LiDAR)作为一种主动遥感技术ꎬ可以穿透森林冠层获得树冠的三维结构信息ꎬ已经被广泛应用于样地及单木尺度调查因子的估算ꎮ点云处理软件以及单木分割算法都为激光雷达在林业上的应用提供了支撑[7-10]ꎮ无人机(UAV)是近年来新兴的一种遥感平台ꎬ具有高效㊁灵活便捷的特点ꎬ与卫星遥感和航空遥感平台相比ꎬ具有更低的数据采集成本和更精细尺度的测量结果[11]ꎮ无人机平台可以搭载多种类型的传感器ꎬGetzinetal.[12]利用无人机载相机获取的高分辨率影像提取了温带森林的林窗信息ꎻSaarinenetal.[13]利用无人机载摄影测量点云及高光谱影像评估了样地尺度的森林生物多样性ꎮ近年来ꎬ很多研究者已经开发出了集成的无人机激光扫描系统ꎬ为林业精细化测量提供了有力的支撑[14-15]ꎮ综上所述ꎬ无人机激光雷达用于森林结构参数的提取具有独特的优势ꎬ尤其是冠层垂直结构的获取方面ꎮ本研究利用无人机激光雷达数据进行人工长白落叶松(Larixolgensis)单木树冠三维结构的提取ꎬ对点云数据进行单木位置探测及树冠分割后ꎬ提取树高㊁冠幅㊁冠基高等树冠特征因子ꎮ利用二次抛物线㊁单分子式㊁幂函数方程构建长白落叶松树冠轮廓模型ꎬ探讨无人机激光雷达在获取树冠结构精细尺度的信息适用性ꎮ1㊀研究区域及实测数据研究区位于黑龙江省尚志市帽儿山林场(127ʎ18ᶄ~127ʎ41ᶄ6ᵡEꎬ45ʎ2ᶄ20ᵡ~45ʎ18ᶄ16ᵡN)3号实验站ꎬ对3号站长白落叶松人工纯林进行激光雷达的数据采集ꎬ研究区内布设的两块标准地(20mˑ30m)用于与激光雷达数据进行实测验证ꎮ实测数据采集于2015 2017年ꎬ对标准地内所有林木进行每木检尺ꎬ包括胸径(DBH)㊁树高(HT)㊁冠幅(CW)㊁第一活枝高(HBLC)等ꎮ此外ꎬ对标准地四角点进行GPS定位ꎬ标准地内每木进行了相对定位ꎬ并结合高分辨率无人机像片对单木位置进行匹配校准ꎬ用于后续与探测单木进行匹配检验ꎮ两个标准地在2015年共有落叶松样木302株ꎬ用于与2015年采集的机载激光雷达数据进行匹配ꎬ其中由于2015年数据的缺失ꎬ采用2016年对应的实测冠幅与活枝高数据近似代替ꎮ2017年由于标准地变动ꎬ两个标准地共有落叶松样木323株ꎬ用来与2017年采集的无人机激光雷达数据进行匹配ꎮ实测落叶松的详细统计信息见表1ꎮ表1㊀实测落叶松单木因子的基本统计信息样地统计量2017年树高/m胸径/cm冠幅/m活枝高/m2015年树高/m胸径/cm2016年冠幅/m活枝高/m样地1最小值5.703.700.402.205.503.700.450.30最大值13.0016.702.105.6011.7016.002.685.80平均值9.389.691.084.158.708.631.123.82标准差1.332.570.300.931.322.310.373.25样地2最小值6.305.200.631.205.405.200.831.60最大值12.7016.502.285.5012.3014.301.955.90平均值10.1010.611.283.439.659.181.323.26标准差1.292.670.300.951.552.050.251.18㊀㊀本研究所使用的无人机激光雷达(UAVLS)为Li-Air八旋翼无人机激光雷达系统ꎮ其硬件系统集成了激光雷达扫描仪㊁GNSS和IMU定位定姿系统及存储控制单元ꎬ以及一个数码相机镜头ꎮ软件系统包括LiAcquire和NovatelInertialExplorer等ꎬLi ̄Acquire软件对无人机系统进行控制ꎬ监测无人机飞行参数并实时显示和采集数据[16]ꎮNovatelInertialExplorer软件结合IMU数据和GNSS数据解算出点云的三维坐标ꎮ无人机激光雷达数据采集于2017年7月4日ꎬ作为对比的机载激光雷达(ALS)数据采集于2015年9月7日ꎬ二者的详细参数见表2ꎮ与无人机激光雷达数据同步采集的标准地高分辨率影像及无人机航线示意图见图1ꎮ表2㊀激光雷达详细参数雷达类型传感器参数传感器波长/nm测距/m扫描角度/(ʎ)飞行参数飞行高度/m飞行速度/m s-1平均点云密度/个 m-2最大回波次数无人机激光雷达VelodynePuckVLP-16905100垂直ʃ15ꎬ水平360㊀403.63701机载激光雷达RieglLMS-Q680i15501350ʃ30120065.0532㊀研究方法2.1㊀数据预处理首先ꎬ通过TerraSolid软件分别对包含空中点㊁低于地表点以及孤立点在内的噪声点进行分类并去除ꎮ为减小地形起伏对树冠分割和树冠特征因子提取的影响ꎬ通过渐进加密三角网方法对去除噪声后的点云进行地面点滤波ꎬ并使用Kriging插值法生成35第11期㊀㊀㊀㊀㊀㊀㊀全迎ꎬ等:运用无人机激光雷达数据提取落叶松树冠特征因子及树冠轮廓模拟数字地面模型(DTM)[17]ꎮ其次ꎬ进行点云归一化ꎬ将去噪后的点云高程值减去其对应DTM像元值得到点云相对地面点的绝对高度ꎮ参照Khosravipouretal.[18]的孔洞填充算法ꎬ利用归一化后的点云生成无孔洞的冠层高度模型(CHM)ꎮ图1㊀无人机航线示意图及样地影像2.2㊀单木分割及单木匹配标记控制分水岭分割算法作为一种经典的图像分割算法ꎬ经常被用于CHM的单木树冠提取研究中[19]ꎬ基本流程为:先利用局部最大值滤波器进行单木树顶探测ꎬ再以探测树顶作为标记ꎬ通过分水岭分割进行单木树冠的勾绘ꎮ在局域最大值滤波器中ꎬ窗口大小是单木探测的关键因素ꎮ研究发现采用动态窗口的局域最大值滤波ꎬ可以有效地减少由于树冠尺寸变化带来的 过测 和 漏测 误差[20]ꎮ本研究通过样地实测单木的树高和冠幅拟合非线性回归确定动态窗口ꎬ拟合公式为:CW=e-1.082+0.1253ˑHTꎮ式中:CW代表冠幅ꎬHT代表树高ꎮ将动态窗口探测得到的树冠顶点作为标记ꎬ以2m的高度阈值对CHM进行掩膜以排除非林地对分割的影响ꎮ对分割后的单木进行筛选ꎬ按照Reitbergeretal.[21]的匹配准则ꎬ对探测到的单木与实测数据进行匹配ꎬ将探测树顶与参考树顶的水平距离小于样地中样木的平均距离的60%ꎬ且高差小于样地中最大树高的20%的单木定义为1ʒ1匹配样木ꎬ若一个参考树顶对应多个探测树顶ꎬ则选取其中距离最小的探测树顶作为1ʒ1匹配样木ꎮ然后从所有1ʒ1匹配样木中剔除死树与非落叶松ꎮ最终剩余的单木即为研究用于单木树冠结构提取的样木ꎮ2.3㊀树冠特征因子的提取在垂直方向上ꎬ树冠顶点距地面的高度为树高(HT)ꎬ树冠基部距地面的高度定义为冠基高(CBH)ꎬ二者的高差即为树冠长度(CL)ꎻ在水平方向上ꎬ树冠的东西南北方向的平均宽度定义为冠幅(CW)ꎮ利用筛选后所有样木的点云数据ꎬ对落叶松样木的树高㊁冠基高㊁冠幅进行提取ꎮ树高及冠基高的提取:一株完整的单木点云为树干点及树冠点的非地面点集合(见图2(a))ꎬ定义每木点云的最高点为树冠顶点ꎬ树冠顶点的高度即为单木树高ꎮ参考Reitbergeretal.[21]提出的分离树干点与树冠点的方法来获取单木冠基高ꎮ首先将单木点云自下而上以0.5m为间隔进行分层ꎬ统计每层内的点云数量(ni)ꎬ每层点云数量(ni)占该株单木总点云数量(Nt)的百分比构成向量Np={100ˑni/Nt}ꎬ然后用3ˑ1窗口的高斯滤波对Np进云总数的百分数(p)对应的高度视为该株单木的冠基高ꎮ为增强该方法针对当前点云数据分布特点的适用性ꎬ探究不同百分数(p)的取值对冠基高提取精度的影响ꎬ当p的取值以0.1%为单位逐渐增大时ꎬ冠基高与实测值的均方根误差呈现先减小后增大的趋势ꎬp取值为1%时ꎬ均方根误差最小ꎬ因此ꎬ最终采取1%对应的高度作为单木的冠基高ꎬ图2(b)为冠基高提取的示意图ꎮ冠幅的提取:每株单木树冠的二维投影构成一个二维点集ꎬ凸包法就是一个所有包含该点集的凸集的合集ꎬ也就是一个由点集最外层的点连成的凸多边形[22]ꎮ而最常用的凸包构建方法是基于Delaunay三角剖分的算法ꎬ利用Matlab进行Delau ̄nay三角剖分以及凸包的构建ꎬ构成凸包的节点为树冠的最大枝长ꎬ节点距树冠顶点的距离为树冠半径(r)ꎬ取凸包所有节点到树顶点距离的均值作为该株单木的冠幅(见图2(c))ꎮ利用无人机激光雷达数据进行树冠特征因子提取的同时ꎬ对比机载激光雷达数据提取树冠特征因子的结果ꎬ进而比较两种平台对于单木树冠结构提取的能力ꎮ用均方根误差(RMSE)㊁相对均方根误差(rRMSE)㊁偏离率(Bias)㊁相对偏离率(rBias)4个指标对提取精度进行评价ꎬ具体公式如下:㊀㊀㊀㊀㊀RMSE=ðni=1(yF-yF)2nꎻ㊀㊀㊀㊀㊀rRMSE=100ˑRMSE yFꎻ㊀㊀㊀㊀㊀Bias=ðni=1(yL-yF)nꎻ㊀㊀㊀㊀㊀rBias=100ˑBias yFꎮ式中:yL为激光雷达提取的树冠特征因子ꎻyF为对45㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第47卷应的实测因子ꎮ(a)㊁(b)为点云XOZ投影提取冠基高ꎻ(c)为点云XOY投影计算冠幅ꎮ图2㊀树冠特征因子提取示意图2.4㊀树冠轮廓模型的构建树冠轮廓是反映树冠形状的重要指标ꎬ本研究利用高密度的无人机激光雷达数据进行树冠轮廓模型的构建ꎮ构建单木树冠轮廓模型需要获取单木树冠的最大外部轮廓点ꎮ参照Ferrareseetal.[23]的研究ꎬ宽度分位数法是一种很好的描述树冠外部极限的方法ꎬ该方法将点云进行分层ꎬ选取每层点云宽度的百分位数来代表树冠的外部轮廓ꎮ对于分层区间的选取ꎬ根据高慧淋等[24]对人工长白落叶松的研究ꎬ在获取人工长白落叶松最大外部轮廓时ꎬ根据落叶松的轮枝特点将样木树冠分成0.5m的区间ꎬ选取每一区间内半径最大的枝条属性作为建模的样本ꎮ因此本研究将树冠点云自冠基处向上按0.5m的间隔进行分层ꎬ统计每层点云宽度的百分位数作为该层的外部轮廓点ꎮ此外ꎬ对比了90%㊁95%㊁99%分位数提取树冠轮廓点的精度ꎬ最终选取90%分位数进行树冠轮廓点的选取ꎮ构建树冠轮廓模型所需的变量为轮廓点到其树冠中心轴的距离ꎬ即外部树冠半径(OR)ꎬ轮廓点到冠顶点的相对距离ꎬ即相对着枝深度(RDINC)ꎮ相对着枝深度为着枝深度(DINC)与冠长(CL)之比ꎮ建模变量的示意图见图3ꎮ本研究在构建人工长白落叶松树冠轮廓模型时选取了3种基础方程ꎬ即二次抛物线㊁单分子式和幂函数方程ꎬ3种基础方程被广泛应用于树冠轮廓模型的模拟[25-27]ꎬ方程形式如下:㊀㊀㊀㊀㊀OR=b0+b1RDINC+b2R2DINCꎻ㊀㊀㊀㊀㊀OR=b0+b1(1-e-b2RDINC)ꎻ㊀㊀㊀㊀㊀OR=b0+b1Rb2DINCꎮ式中:OR为外部树冠半径ꎻRDINC为相对着枝深ꎻb0㊁b1㊁b2为模型参数ꎮ图3㊀单木三维点云及树冠轮廓模型变量示意图此外ꎬ利用权函数W=1/(1+RDINC)2来消除模型的异方差ꎬW为权重ꎬRDINC为模型的自变量ꎮ将筛选后的样木随机分成3ʒ1进行建模与检验ꎮ用统计指标决定系数(R2)和RMSE对拟合优度进行评价ꎬ用平均偏差(ME)㊁平均绝对偏差(MAE)和平均相对偏差绝对值(MRAE)对模型进行检验ꎮ公式如下:㊀㊀㊀㊀㊀R2=1-ð(y-^y)2ð(y- y)2ꎻ55第11期㊀㊀㊀㊀㊀㊀㊀全迎ꎬ等:运用无人机激光雷达数据提取落叶松树冠特征因子及树冠轮廓模拟㊀㊀㊀㊀㊀RE=ð(y-^y)nꎻ㊀㊀㊀㊀㊀MAE=ð|y-^yn|ꎻ㊀㊀㊀㊀㊀MRAE=100ˑ1nð|y-^yn|ꎮ式中:y为根据UAVLS数据获取的树冠半径ꎻ y为树冠半径的平均值ꎻ^y为树冠半径的预测值ꎮ3㊀结果与分析3.1㊀单木探测与样木选取由图4可知ꎬ由于无人机激光雷达(UAVLS)与机载激光雷达(ALS)的点云密度的不同ꎬ生成的CHM分辨率也不同ꎬUAVLS生成的CHM分辨率为0.1mꎬALS生成的CHM分辨率为0.3mꎮ样地1中UAVLS探测到的与实测1ʒ1匹配的单木为123株(包含8株非落叶松)㊁ALS为62株(包含6株非落叶松)ꎬ样地2中UAVLS探测到的与实测1ʒ1匹配的单木为112株㊁ALS为39株ꎮUAVLS和ALS单木位置探测的均方根误差分别为0.3381m和0.5232mꎮ总的来说ꎬUAVLS比ALS无论是单木探测数量还是单木位置匹配精度都具有绝对的优势ꎮ3.2㊀树冠特征因子提取结果的比较由表3可知ꎬ根据均方根误差和相对均方根误差ꎬALS估算的精度均低于UAVLSꎬ尤其是对树高的估算相差较明显ꎬ因此ꎬ点云密度对树高和冠幅的提取影响较大ꎮ3种特征因子的提取中ꎬALS对树高的提取精度较高ꎬ对冠幅和冠基高的提取精度相对较低ꎬUAVLS对于树高低估了0.3656mꎬ冠幅高估了0.2054mꎬ冠基高高估了0.6010mꎮ对于ALS来说ꎬ树高低估了1.4705mꎬ冠幅低估了0.1036ꎬ冠基高低估了0.2869mꎮ图4㊀无人机激光雷达及机载激光雷达CHM的单木探测结果对于树高的低估ꎬ有很多研究表明[28-30]ꎬ由于激光雷达点云中树冠顶点的错失导致了树高不同程度的低估ꎬ低估程度随着点云密度的增加有所改善ꎬ本研究的结果很好的证明了这一点ꎮ对于冠幅的提取ꎬ实测数据为四向冠幅的均值ꎬ而二维凸包法构建的冠幅为树冠各向冠幅的最大值ꎬ可能导致了UAV ̄LS冠幅的高估ꎬ然而ALS点云密度过少使得冠幅仍存在低估现象ꎮ对于冠基高的提取ꎬUAVLS存在高估的原因是由于无人机激光雷达能量较低ꎬ回波次数较少以及在自上而下传输过程中能量的损失导致了树冠下部点云数量相对树冠上部较少ꎬ因此ꎬ对冠基高的估算产生了较大的影响ꎮ而ALS点云密度虽然很低ꎬ但由于其回波次数多ꎬ能量大ꎬ所以点云垂直结构的分布较均匀ꎮ总的来说ꎬ无人机激光雷达对获取树冠特征因子的结果比机载激光雷达好ꎬ提取树冠结构的能力较强ꎮ表3㊀激光雷达提取的树冠特征因子分析雷达类型均方根误差/m树高冠幅冠基高相对均方根误差/%树高冠幅冠基高偏离率/m树高冠幅冠基高相对偏离率/%树高冠幅冠基高无人机激光雷达0.57850.39480.89715.6932.3823.53-0.36560.20540.6010-3.5916.8515.76机载激光雷达1.87300.58580.976020.9452.4026.841.4705-0.1036-0.2869-16.44-9.27-7.893.3㊀树冠轮廓模型的拟合结果基于90分位数法提取227株样木的树冠轮廓点共计2386个ꎬ3种模型拟合轮廓点的结果图如图5所示ꎮ总体上看ꎬ二维轮廓点的分布符合长白落叶松的轮廓分布规律ꎬ随着相对着枝深度的增加ꎬ树冠半径逐渐增加ꎬ并在相对着枝深度0.6~0.8存在曲率最大值ꎮ由表4可知ꎬ参数估计值均具有很小的标准误ꎬ表明参数估计的稳定性良好ꎮ模型拟合的R2均达到0.64以上ꎬ其中单分子式和幂函数的拟合效果相近ꎮ单分子式的平均偏差(ME)㊁平均绝对偏差(MAE)和平均相对偏差绝对值(MRAE)最大ꎬ所以单分子式效果最差ꎻ二次抛物线的平均绝对偏差和平均相对偏差绝对值最小ꎬ二次抛物线模型预估效果最好ꎮ总的来说ꎬ基于无人机激光雷达的落叶松树冠轮廓模型的拟合和检验结果都表明了无人机激光雷达在描述树冠形状上的能力较强ꎮ65㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第47卷图5㊀3种方程拟合无人机激光雷达落叶松树冠轮廓点表4㊀无人机激光雷达落叶松树冠轮廓模型拟合结果和模型检验模㊀型参数参数估计值估计值标准误拟合优度R2RMSE检验样本MEMAEMRAE二次抛物线b03.64350.09910.7520.165-0.06030.25644.59b1-1.89080.1229b20.14950.0144单分子式b02.29870.09340.7510.165-0.36340.47038.44b11.75000.1338b20.13630.0161幂函数b02.15510.03000.7500.1660.05770.30115.41b10.62900.0217b20.04230.02344 结论与讨论本研究利用无人机激光雷达数据对人工长白落叶松树冠因子进行了提取ꎬ并与机载激光雷达进行了对比分析ꎮ结果显示ꎬ激光雷达在探测森林垂直结构上具有强大的能力ꎬ无人机激光雷达以其低空飞行㊁高采样密度的特点ꎬ比机载激光雷达具有更高的单木探测精度ꎬ也具有更高的单木树冠结构参数提取精度ꎮ无人机激光雷达对于单木位置探测的精度达到了0.445mꎬ单木树高的提取精度达到了0.5785mꎬ但对冠基高和冠幅的提取略有不足ꎬ冠基高高估了0.601mꎬ冠幅高估了0.2054mꎮ因此ꎬ为了弥补无人机激光雷达的不足ꎬ可以采用高回波次数的传感器以及精度更高的算法ꎮ3种常用的轮廓模型(二次抛物线㊁单分子式㊁幂函数)都能够很好的描述无人机激光雷达构建的树冠外部轮廓ꎬ3种模型的拟合R2均高于0.75ꎮ总的来说ꎬ无人机激光雷达在获取单木树冠三维结构方面取得了很好的应用效果ꎬ克服了很多传统林业数据采集过程中的障碍ꎬ提高了林业数据调查的效率ꎮWallaceetal.[31]利用标记控制分水岭分割方法进行单木分割后得到6个样地树高估算的平均均方根误差为0.52mꎬ树冠横断面积估算的均方根误差为4.61m2ꎻJaakkolaetal.[32]同样利用标记控制分水岭分割后ꎬ直接从点云中估算树高的均方根误差为1.28mꎮ对比这些研究结果ꎬ本研究的无人机激光雷达对于单木树高㊁冠幅的估算精度都比较高ꎮ在其他树冠轮廓模型构建的研究中ꎬ大多以实测标准木的枝解析数据为样本进行建模ꎬ通常需要在标准地内选取平均木ꎬ将其伐倒后进行每一枝的属性测量ꎮ虽然这种测量方法精度较高ꎬ但需要耗费大量的人力ꎬ测量效率无法得到提高ꎮ利用地基激光雷达数据进行建模避免了伐木㊁枝解析等大量人工测量工程ꎬ但获取样木激光扫描数据的时间仍然较长(一棵树约40min)ꎬ相比之下ꎬ无人机激光雷达以样地尺度进行低空扫描获取单木数据可以大大提高作业效率ꎬ本研究也进一步证实了利用无人机激光雷达数据进行树冠精细化提取的可靠性ꎮ75第11期㊀㊀㊀㊀㊀㊀㊀全迎ꎬ等:运用无人机激光雷达数据提取落叶松树冠特征因子及树冠轮廓模拟无人机激光雷达获取森林结构的精度受很多方面的影响ꎬ如采样密度㊁几何定位精度㊁航带匹配精度㊁数据处理算法等等[33]ꎮ采样密度受扫描仪类型㊁无人机飞行高度和速度等因素的影响ꎮ保证数据的质量不仅要提高采样密度ꎬ更重要的是保证林下点云的完整性ꎬ减少能量在穿透过程中的损失ꎬ这与林冠的郁闭程度也有关ꎮ与地基激光雷达扫描数据自下而上分布呈由密到稀的特点相反ꎬ无人机由于其自上而下扫描的特点ꎬ其数据分布自上而下分布由密到稀ꎮ后续研究可以结合空中与地面激光雷达ꎬ多角度的获取森林冠层结构信息ꎬ同时提高单木分割算法的精度ꎮ参㊀考㊀文㊀献[1]㊀BALDWINVCꎬPETERSONKD.Predictingthecrownshapeofloblollypinetrees[J].CanadianJournalofForestResearchꎬ1997ꎬ27(1):102-107.[2]㊀FERNANDESPMꎬRIGOLOTE.Thefireecologyandmanage ̄mentofmaritimepine(PinuspinasterAit.)[J].ForestEcologyandManagementꎬ2007ꎬ241(1/2/3):1-13.[3]㊀ROEHRLꎬMAGUIREDA.CrownprofilemodelsbasedonbranchattributesincoastalDouglas ̄fir[J].ForestEcologyandManagementꎬ1997ꎬ96(1/2):77-100.[4]㊀郭艳荣ꎬ吴保国ꎬ郑小贤ꎬ等.杉木不同龄组树冠形态模拟模型研究[J].北京林业大学学报ꎬ2015ꎬ37(2):40-47. [5]㊀高慧淋ꎬ李凤日ꎬ董利虎.基于分段回归的人工红松冠形预估模型[J].北京林业大学学报ꎬ2015ꎬ37(3):76-83. [6]㊀高慧淋ꎬ董利虎ꎬ李凤日.黑龙江省红松和长白落叶松人工林树冠外部轮廓模拟[J].南京林业大学学报(自然科学版)ꎬ2018ꎬ40(3):10-18.[7]㊀CHENQꎬBALDOCCHIDꎬGONGPꎬetal.Isolatingindividualtreesinasavannawoodlandusingsmallfootprintlidardata[J].PhotogrammetricEngineering&RemoteSensingꎬ2006ꎬ72(8):923-932.[8]㊀LIWKꎬGUOQHꎬMAREKKꎬetal.Anewmethodforsegmen ̄tingindividualtreesfromthelidarpointcloud[J].Photogrammet ̄ricEngineering&RemoteSensingꎬ2012ꎬ78(1):75-84. [9]㊀ZHENZꎬQUACKENBUSHLJꎬZHANGLJ.Impactoftree ̄ori ̄entedgrowthorderinmarker ̄controlledregiongrowingforindivid ̄ualtreecrowndelineationusingairbornelaserscanner(ALS)data[J].RemoteSensingꎬ2014ꎬ6(1):555-579.[10]㊀ZHAOYHꎬHAOYSꎬZHENZꎬetal.Aregion ̄basedhierar ̄chicalcross ̄sectionanalysisforindividualtreecrowndelineationusingALSdata[J].RemoteSensingꎬ2017ꎬ9(10).doi:10.3390/rs9101084.[11]㊀郭庆华ꎬ吴芳芳ꎬ胡天宇ꎬ等.无人机在生物多样性遥感监测中的应用现状与展望[J].生物多样性ꎬ2016ꎬ24(11):1267-1278.[12]㊀GETZINSꎬWIEGANDKꎬSCHÖNINGI.Assessingbiodiversityinforestsusingveryhigh ̄resolutionimagesandunmannedaerialvehicles[J].MethodsinEcologyandEvolutionꎬ2012ꎬ3(2):397-404.[13]㊀SAARINENNꎬVASTARANTAMꎬNÄSIRꎬetal.AssessingbiodiversityinborealforestswithUAV ̄Basedphotogrammetricpointcloudsandhyperspectralimaging[J].RemoteSensingꎬ2018ꎬ10(2).doi:10.3390/rs10020338.[14]㊀LINYꎬHYYPPAJꎬJAAKKOLAA.Mini ̄UAV ̄bornelidarforfine ̄scalemapping[J].IEEEGeoscienceandRemoteSensingLettersꎬ2011ꎬ8(3):426-430.[15]㊀WALLACELꎬLUCIEERAꎬWATSONCꎬetal.DevelopmentofaUAV ̄Lidarsystemwithapplicationtoforestinventory[J].Re ̄moteSensingꎬ2012ꎬ4(6):1519-1543.[16]㊀GUOQHꎬSUYJꎬHUTYꎬetal.AnintegratedUAV ̄borneli ̄darsystemfor3DhabitatmappinginthreeforestecosystemsacrossChina[J].InternationalJournalofRemoteSensingꎬ2017ꎬ38(8/9/10):2954-2972.[17]㊀GUOQHꎬLIWKꎬYUHꎬetal.Effectsoftopographicvariabil ̄ityandlidarsamplingdensityonseveralDEMinterpolationmeth ̄ods[J].PhotogrammetricEngineering&RemoteSensingꎬ2010ꎬ76(6):701-712.[18]㊀KHOSRAVIPOURAꎬSKIDMOREAKꎬISENBURGMꎬetal.Generatingpit ̄freecanopyheightmodelsfromairbornelidar[J].PhotogrammetricEngineering&RemoteSensingꎬ2014ꎬ80(9):863-872.[19]㊀MEYERF.Morphologicalsegmentation[J].JournalofVisualCommunicationandImageRepresentationꎬ1990ꎬ1(1):21-46. [20]㊀POPESCUSCꎬWYNNERH.Seeingthetreesintheforest:u ̄singlidarandmultispectraldatafusionwithlocalfilteringandvariablewindowsizeforestimatingtreeheight[J].Photogram ̄metricEngineering&RemoteSensingꎬ2004ꎬ70(5):589-604. [21]㊀REITBERGERJꎬSCHNÖRRCꎬKRZYSTEKPꎬetal.3Dseg ̄mentationofsingletreesexploitingfullwaveformlidardata[J].ISPRSJournalofPhotogrammetryandRemoteSensingꎬ2009ꎬ64(6):561-574.[22]㊀孙国栋ꎬ杨全月ꎬ陈志泊.基于点云数据的测树因子自动提取方法[J].农业机械学报ꎬ2017ꎬ48(8):179-185.[23]㊀FERRARESEJꎬAFFLECKDꎬSEIELSTADC.Conifercrownprofilemodelsfromterrestriallaserscanning[J].SilvaFennicaꎬ2014ꎬ49(1):1106-1131.[24]㊀高慧淋ꎬ董利虎ꎬ李凤日.基于混合效应的人工落叶松树冠轮廓模型[J].林业科学ꎬ2017ꎬ53(3):84-93.[25]㊀BIGINGGSꎬWENSELLC.Estimationofcrownformforsixco ̄niferspeciesofnorthernCalifornia[J].CanadianJournalofFor ̄estResearchꎬ1990ꎬ20(8):1137-1142.[26]㊀SUNYXꎬGAOHLꎬLIFR.Usinglinearmixed ̄effectsmodelswithquantileregressiontosimulatethecrownprofileofplantedPinussylvestrisvar.mongolicatrees[J].Forestsꎬ2017ꎬ8(11).doi:10.3390/f8110446.[27]㊀DONGCꎬWUBGꎬWANGCDꎬetal.StudyoncrownprofilemodelsforChinesefir(Cunninghamialanceolata)inFujianProvinceanditsvisualizationsimulation[J].ScandinavianJour ̄nalofForestResearchꎬ2016ꎬ31(3):302-313.[28]㊀YUXWꎬHYYPPÄJꎬKAARTINENHꎬetal.Automaticdetec ̄tionofharvestedtreesanddeterminationofforestgrowthusingairbornelaserscanning[J].RemoteSensingofEnvironmentꎬ2004ꎬ90(4):451-462.[29]㊀GAVEAUDLꎬHILLRA.Quantifyingcanopyheightunderesti ̄mationbylaserpulsepenetrationinsmall ̄footprintairbornelaserscanningdata[J].CanadianJournalofRemoteSensingꎬ2003ꎬ29(5):650-657.[30]㊀刘清旺ꎬ李增元ꎬ陈尔学ꎬ等.利用机载激光雷达数据提取单株木树高和树冠[J].北京林业大学学报ꎬ2008ꎬ30(6):83-89. [31]㊀WALLACELꎬMUSKRꎬLUCIEERA.Anassessmentofthere ̄peatabilityofautomaticforestinventorymetricsderivedfromUAV ̄Bornelaserscanningdata[J].IEEETransactionsonGeo ̄scienceandRemoteSensingꎬ2014ꎬ52(11):7160-7169. [32]㊀JAAKKOLAAꎬHYYPPÄJꎬYUXꎬetal.Autonomouscollectionofforestfieldreference:theoutlookandafirststepwithUAVla ̄serscanning[J].RemoteSensingꎬ2017ꎬ9(8).doi:10.3390/rs9080785.[33]㊀刘清旺ꎬ李世明ꎬ李增元ꎬ等.无人机激光雷达与摄影测量林业应用研究进展[J].林业科学ꎬ2017ꎬ53(7):134-148.85㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第47卷。
基于无人机影像的山核桃单木检测及冠幅与树高的提取
林业工程学报,2023,8(4):159-166JournalofForestryEngineeringDOI:10.13360/j.issn.2096-1359.202210017收稿日期:2022-10-16㊀㊀㊀㊀修回日期:2023-03-05基金项目:浙江省自然科学基金联合基金(LQY18C160002);浙江省自然科学基金(LQ20F020005);浙江省 尖兵 计划择优委托项目(2022C02009);国家自然科学基金(32271869)㊂作者简介:郭阳光,男,研究方向为林业信息化㊂通信作者:夏凯,男,副教授㊂E⁃mail:xiakai@zafu.edu.cn基于无人机影像的山核桃单木检测及冠幅与树高的提取郭阳光,夏凯∗,杨垠辉,冯海林(浙江农林大学数学与计算机科学学院,浙江省林业智能监测与信息技术研究重点实验室,林业感知技术与智能装备国家林业和草原局重点实验室,杭州311300)摘㊀要:针对经济林中树木的生长状况进行调查,有助于农户制定针对性的经营策略,提高经营效率㊂然而,由于山核桃树通常生长在山地环境下,使用传统的林业调查方法获取树木参数需要的人力资源和时间成本较高,而且在陡峭的山地环境中容易受到地形㊁植被和气象等因素的干扰㊂为了解决这一问题,提出了一种新的自动化方法 检测框投影法㊂该方法基于深度学习的目标检测算法对遥感图像中的树冠进行检测并生成检测框,再依据所得到的检测框获取树木位置和数量,并进一步提取单木的冠幅与树高等参数㊂在不同环境的山核桃种植林场进行的树冠检测实验结果表明,该方法使用的目标检测算法对山核桃树冠检测的总体平均精度和F1⁃score分别达到了85.5%与0.84;参数提取方面,在两处不同的山核桃种植林场选取了3处研究样地,并在每处样地选取并实地测量了50棵样本树木的冠幅和树高以验证参数提取精度,结果表明,使用检测框投影法预测冠幅与实测值的均方根误差㊁平均绝对误差和平均相对误差分别为0.469m㊁0.313m和5.7%,预测树高与实测值的均方根误差㊁平均绝对误差和平均相对误差分别为0.427m㊁0.331m和6.0%㊂提出的检测框投影法在山核桃林地环境下可以获得较为准确的树冠检测与参数提取结果,帮助农户制定更加合理和科学的经营策略,提高经营效率,同时也为林业生产的可持续发展提供了参考㊂关键词:山核桃;无人机影像;YOLOv5;树冠检测;参数提取;检测框投影法中图分类号:TP701㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀㊀㊀文章编号:2096-1359(2023)04-0159-08ResearchonsingletreedetectionandcrowndiameterandtreeheightextractionofpecanforestbasedonUAVimagesGUOYangguang,XIAKai∗,YANGYinhui,FENGHailin(CollegeofMathematicsandComputerScience,ZhejiangA&FUniversity;ZhejiangProvincialKeyLaboratoryofForestryIntelligentMonitoringandInformationTechnology;KeyLaboratoryofForestryPerceptionTechnologyandIntelligentEquipment,NationalForestryandGrasslandAdministration,Hangzhou311300,China)Abstract:Asaforestryeconomicmodel,economicforestsaretreesplantedtoobtaineconomicbenefits.Investigationofthegrowthstatusoftreesineconomicforestscanhelpfarmersformulatetargetedmanagementstrategiesandim⁃provemanagementefficiency.However,sincethepecan(Caryacathayensis)treestypicallygrowinmountainousen⁃vironments,treeparametersareusuallyobtainedusingtraditionalforestrysurveymethods,whichrequirehighhumanresourcesandtimecosts,andarepronetointerferencefromfactorssuchasterrain,vegetation,andmeteorologyinsteepmountainenvironments.Tosolvetheseproblems,thisstudyproposedanewautomaticmethod,i.e.,thedetec⁃tionframeprojectionmethod.Thismethodisbasedonadeeplearningtargetdetectionalgorithmtodetectthetreecrowninremotesensingimagesandgenerateadetectionframe.Basedontheobtaineddetectionframe,thepositionandnumberoftreesareobtained,andthecrownwidthandtreeheightparametersofasingletreearefurtherextracted.Theexperimentalresultsofcrowndetectioninpecanplantationforestsindifferentenvironmentsshowedthattheover⁃allaverageaccuracyandF1scoreofthetargetdetectionalgorithmusedinthismethodforthepecancrowndetectionreached85.5%and0.84,respectively.Intermsofparameterextraction,thisstudyselectedthreeresearchsampleplotsfromtwodifferentpecanplantationforests,andselectedandmeasuredthecrowndiametersandtreeheightsof50sampletreesineachsampleplottoverifytheaccuracyofparameterextraction.Theresultsshowedthat,usingthede⁃tectionframeprojectionmethod,therootmeansquareerror,averageabsoluteerror,andaveragerelativeerrorofthe林业工程学报第8卷predictedcrowndiametersandmeasuredvalueswere0.469m,0.313m,and5.7%,respectively.Therootmeansquareerror,averageabsoluteerror,andaveragerelativeerrorofthepredictedtreeheightandthemeasuredvaluewere0.427m,0.331m,and6.0%,respectively.Itwasindicatedthatthedetectionframeprojectionmethodproposedinthispapercanobtainmoreaccuratecrowndetectionandparameterextractionresultsinthepecanforestenviron⁃ment,whichcanhelpfarmersformulatemorereasonableandscientificmanagementstrategies,improvemanagementefficiency,andprovideareferenceforthesustainabledevelopmentofforestryproduction.Keywords:pecan(Caryacathayensis);unmannedaerialvehicleimagery(UAV);YOLOv5;treecrowndetection;parameterextraction;detectionframeprojectionmethod㊀㊀山核桃树是我国特有的经济树种,适宜种植海拔为200 600m地区,主要分布于浙皖交界处以临安为中心的天目山区周围[1],是当地农户的主要经济来源之一㊂伴随着山核桃市场的扩大,农户对于种植山核桃树的积极性也不断升高㊂然而,受限于山核桃树复杂的生长环境,人工实地调查树木的生长状况效率低下,农户缺乏制定经营方案的参考依据,导致林业经济效益提升缓慢,难以满足山核桃产业快速发展的需求㊂对树木生长状况的调查内容主要包括树木位置㊁数量㊁树高㊁冠幅等[2]㊂相关研究表明,冠幅和树高是影响树木产量的重要因素,冠幅的大小通常与产量呈正相关,但是过高的树高可能会降低产量㊂合适的冠幅和树高有利于提供足够的光合作用区域及养分吸收能力,从而提高产量㊂因此,果树的树高㊁冠幅等参数在反映树木长势的同时,也是制定管理策略㊁预估产量以及经济效益的主要依据[3-4]㊂但传统的林业调查工作往往采用实地测量,在山地环境下作业不仅周期长㊁效率低,同时需要消耗大量人力㊁物力,成本较高,农户难以承担㊂而无人机遥感平台可以在各种地形条件下进行数据采集,并具有成本低㊁数据采集快㊁及时性高等优点[5],结合深度学习算法,可以识别并提取立木参数,这适用于小范围的林业调查任务[6],是帮助农户实时掌握林区内树木生长状况的理想解决方案㊂目前,主流的树冠提取方面的研究主要以无人机遥感影像作为数据源,其主要目标是确定树冠的轮廓和位置[7-8],并在此基础上实现树木参数的提取[9]㊂近年来,基于深度学习的树冠检测算法在林业资源调查领域取得了较好的使用效果,在大多数情况下,能够满足对树冠图像的检测㊁分割和分类任务[10-11]㊂例如,李越帅等[12]结合深度学习和标记分水岭方法对胡杨林进行监测并计数,取得了较好的精度,表明深度学习算法适用于森林资源监测中;Mo等[13]提出了一种基于深度学习的实例分割方法,提取图像中的荔枝树冠,取得了较为准确的果树冠层边界和位置信息;Apolo⁃Apolo等[14]基于迁移学习的预训练神经网络,结合无人机图像实现了自动化检测,并估计柑橘的大小以及数量的目标,为预测果园的总产量提供了参考依据㊂以上研究在帮助农户预估经济收益方面具有一定的意义㊂目前,研究人员在比较不同的经营方案对山核桃树木生长产生的影响时主要依赖人工实地测量[15-17],如何能够快速且高效地获取山核桃树的立木参数,依旧未见可行的解决方案㊂针对这个问题,本研究基于无人机遥感技术㊁图像处理技术和深度学习算法,提出一种检测框投影法,该方法在目标检测的基础上,可以并行地从正射影像图和冠层高度模型中提取山核桃林区内树木的株数㊁位置㊁树高及冠幅的准确信息,帮助林业人员与农户及时掌握林区内山核桃树的生长状况㊂1㊀试验材料1.1㊀研究区概况研究区位于浙江省杭州市临安区(118ʎ51ᶄ 119ʎ52ᶄE,29ʎ56ᶄ 30ʎ23ᶄN),季风性气候,常年光照充足,雨量充沛㊂本研究选取白果山核桃种植基地和西谷坪经济林场作为数据采集区域,两处区域均分布于天目山区附近,地理条件多为丘陵山地,是山核桃树的主要产区㊂白果山核桃种植基地最高海拔约610m,林场内包含2处种植区域,1号种植区域作为训练数据,2号种植区域用以测试网络检测效果,种植密度约为75棵/hm2;西谷坪经济林场最高海拔约520m,包含4块种植区域,其中3㊁4号种植区域用于测试实验效果,种植密度分别约为195和270棵/hm2,5㊁6号区域采集的无人机影像作为神经网络的训练数据㊂研究区概况如图1所示,图1中红色边缘线区域为训练集数据采集区域,黄色边缘线区域为测试集数据集采集区域㊂1.2㊀数据准备本研究采用大疆创新科技有限公司的精灵Phantom4RTK无人机作为数据采集工具,无人机参数如表1所示㊂图像拍摄于2021年10月9日 21日,选择天气晴朗或多云㊁光照充足的环境下,设置相对飞行高度为50m,航向重叠和旁向重061㊀第4期郭阳光,等:基于无人机影像的山核桃单木检测及冠幅与树高的提取叠均设为85%,共进行6次飞行任务㊂在白果山核桃种植基地和西谷坪经济林场分别采集了1533和1399张无人机原始图像㊂得到无人机原始图像后,使用3D建模软件AgisoftMetashapeProfes⁃sional对图像进行拼接并校正相机畸变,生成正射影像图㊂通过将正射影像图裁剪至合适大小后使用LabelImg数据集标注工具标注出山核桃树冠图像㊂在2㊁5㊁6号种植区域中,共制作了包含1213棵山核桃树冠的训练数据集,用于目标检测网络进行训练㊂1㊁3㊁4号种植区域对应研究区样地1㊁样地2和样地3,分别筛选了157,246和126棵山核桃树用以制作测试集数据㊂图1㊀研究区域示意图Fig.1㊀Schematicdiagramofstudyareas表1㊀无人机图像采集系统参数Table1㊀UAVimageacquisitionsystemparameters设备参数数值无人机质量(含桨和电池)/g1391最大水平飞行速度/(km㊃h-1)50最大上升速度/(m㊃s-1)6最大下降速度/(m㊃s-1)3最大可倾斜角度/(ʎ)258飞行时间/min约30影像传感器1英寸(2.54cm)CMOS像素2000万相机图像分辨率5472ˑ3648pixels照片格式JPEG视场角/(ʎ)841.3㊀实测数据统计为了验证本研究参数提取的准确性,通过实地测量得到冠幅和树高的实测值㊂受地形条件的影响,实地测量所有山核桃树的树高和冠幅具有较大的难度,因此本研究在3处林地随机抽取了共150棵(各50棵)山核桃树作为研究样本用以验证提取精度㊂其中,山核桃树的树高使用激光测距仪通过三角测量法获取,冠幅则通过实地测量树冠地面投影的东西宽度与南北宽度后,取其平均值得到㊂样本详细信息如表2所示㊂表2㊀实测立木参数Table2㊀Statisticsofmeasuredstandingparameters参数最大值最小值均值方差标准差冠幅/m8.492.655.350.790.89树高/m8.443.365.491.251.122㊀研究方法2.1㊀实验方法检测框投影法基于相同空间分辨率的数字正射影像图(digitalorthophotomap,DOM)和冠层高度模型(canopyheightmodel,CHM)来获取树木位置并提取结构参数(冠幅和树高)㊂本研究使用YOLOv5目标检测算法,通过使神经网络学习立地环境㊁生长状况和分布情况均存在差异的山核桃树冠样本,得到具有较高识别精度的网络模型后,再对实验样地的数字正射影像图进行检测,得到每棵树木的检测框坐标以及数量,之后将检测框投影在冠层高度模型中实现参数提取㊂冠幅的数值是通过统计检测框像素点得到的,计算公式为冠幅=(东西冠幅+南北冠幅)ˑ空间分辨率/2;树高的数值是将检测框映射到相同位置的冠层高度模型图,取出对应区域的高程数据矩阵,使用局部最大值法确定树冠顶点值,从而获取树木高度㊂具体实验流程如图2所示㊂数字正射影像图为垂直视角下的图像,能够反映地面的真实情况,具有分辨率高㊁覆盖范围广等优点[18],使用数字正射影像图进行树冠参数提取,能够避免遥感图像因视角产生畸变,可以有效保障参数提取的精准性㊂在本次实验中,使用AgisoftMetashapeProfessional基于无人机影像拼合并生成实验所需的DOM㊁DEM以及DSM㊂受各个研究区环境因素影响,3处研究区的数字正射影像图空间161林业工程学报第8卷图2㊀检测框投影法Fig.2㊀Detectionframeprojectionmethod分辨率精度有所不同,其中样地1为1.69cm,样地2为1.95cm,样地3为1.17cm㊂本次实验中,每块样地的DSM㊁DEM㊁CHM的空间分辨率与DOM一致㊂冠层高度模型是能够反映地上植被与地面距离的表面模型,常用于反演冠幅㊁树高等立木参数[19-20]㊂通常CHM由数字表面模型(digitalsurfacemodel,DSM)与数字高程模型(digitalelevationmodel,DEM)相减后得到㊂在CHM中,像素点的值对应冠层高度信息,检测框中的冠层顶点(即冠层最大值)对应树高㊂在本次研究中,DSM与DEM由AgisoftMetashapeProfessional软件基于无人机原始数据生成,CHM则在ArcMap软件中合成㊂3处样地的DSM㊁DEM㊁CHM如表3所示,其中CHM中红色点位标注的树木为本次实验中用以验证参数提取精度的样本树木㊂表3㊀模型生成结果示例Table3㊀Examplesofmodelgenerationresults样地DSMDEMCHM样地1样地2样地3261㊀第4期郭阳光,等:基于无人机影像的山核桃单木检测及冠幅与树高的提取2.2㊀YOLOv5算法YOLO系列算法是典型的单阶段目标检测算法[21],与双阶段检测算法不同,YOLO通过卷积神经网络提取特征,直接回归物体的类别概率和位置坐标,大大提升了检测速度㊂而YOLOv5则是YOLO系列的第5代版本,具有轻量㊁灵活㊁易用等特点,是目前主流的目标检测算法之一㊂在核心结构上,YOLOv5与上一代的YOLOv4相似,主要分为输入端㊁Backbone㊁Neck㊁输出端4个部分;不同的是,YOLOv5共有YOLOv5s㊁YOLOv5m㊁YOLOv5l㊁YOLOv5x4个模型,不同网络结构网络的深度和特征图的宽度有所不同㊂其中YOLOv5x是4个模型中深度与特征图宽度最大的网络,具有更强识别精度,也是本次实验所采用的网络模型㊂3㊀结果与分析3.1㊀实验平台为了得到良好的目标检测网络模型,需要将经过预处理的山核桃树冠数据集送入深度学习网络进行训练㊂同时,本研究在训练过程中使用水平翻转㊁随机旋转㊁颜色抖动等数据增强方法㊂通过将标注后的数据集输入深度学习网络进行训练,初始学习率为0.0001,输入图像尺寸为1120ˑ1120,若持续200个迭代后精度未提升则训练结束,批处理大小16㊂本次实验的平台以及版本见表4㊂表4㊀实验环境配置Table4㊀Experimentalenvironmentconfiguration名称㊀㊀㊀参数及版本操作系统Windows11(64位,专业版)CPU英特尔Corei9⁃10900K@3.70GHz内存128GB图形处理器NVIDIAGeForceRTX3090深度学习框架Pytorch1.9.0编程语言Python3.93.2㊀评价标准本次实验采用精确率(precision,P)㊁召回率(recall,R)㊁平均精度(averageprecision,AP)以及F1⁃score(F1)4个指标评价树冠检测精度㊂精确度是指预测数据集中预测正确的正样本个数除以被模型预测为正样本的个数;召回率是指预测数据集中预测正确的正样本的个数与实际为正样本个数的比例;AP表示P⁃R曲线下面积的平均值;F1⁃score是精确率和召回率的调和平均数,最大为1,最小为0㊂上述各指标计算公式如下:P=Pt/(Pt+Pf)(1)R=Pt/(Pt+Nf)(2)F1=(2PˑR)/(P+R)(3)式中:Pt表示被模型正确检测为山核桃树冠的数量;Pf表示被模型错误识别为山核桃树冠的数量;Nf表示没有被判定为山核桃树冠,但实际上是山核桃树冠的数量㊂山核桃冠幅与树高的提取精度通过比较地面实测值与提取值来验证可靠性㊂本研究使用3个指标,分别是均方根误差(rootmeansquareerror,RMSE,式中记为ERMS)㊁平均绝对误差(meanabsoluteerror,MAE,式中记为EMA)和平均相对误差(averagerelativeerror,ARE,式中记为EAR)㊂均方根误差㊁平均绝对误差和平均相对误差越小,说明提取精度越高㊂计算公式如下:ERMS=ðni=1(yi-^yi)2/n(4)EMA=ðni=1yi-^yi/n(5)EAR=ðni=1y(i-^yi)/yi/n(6)式中:yi表示编号为i的实测树冠参数值;^yi表示编号为i的预测树冠参数值;n表示测试样本数㊂3.3㊀检测结果分析使用目标检测网络识别图像中山核桃树木的位置并统计数量是本次实验的主要内容之一,也是提取树木参数的前置任务㊂为了验证网络模型的普适性以及对于林业资源调查的实际意义,本次研究所选3处研究区域在地理位置㊁地形㊁分布密度存在一定区别㊂通过分别对3块样地进行测试,得到的部分检测效果样例如图3所示㊂由于样地特征有所不同,因此YOLOv5算法在不同样地上的识别精度也存在差异㊂样地1的山核桃树在分布密度上无明显规律,多数树冠之间有明显间距,但部分树冠丰度较低㊁树木长势较弱,且林下背景与树冠颜色接近㊂样地2在分布上密度较低,树冠相互重叠的情况极少,除少量后期补种的幼年木的清晰度较低外,多数树冠特征明显,树冠与背景有较高对比度㊂而样地3的山核桃树木分布密度较高,树冠重叠较多,虽然树冠与林下背景可以明显区分,但树冠相互遮盖较多,实现单木树冠提取工作具有一定难度㊂在地形方面,样地1位于山地,整体起伏较大,但种植区域经过改良,采用梯田种植,林下地形较为平坦;而样地2㊁样地3均种植于坡面上,未经过后期改良,样地3地形相较于样地2更加陡峭㊂具体的YOLOv5算法对山361林业工程学报第8卷核桃树冠的检测评估结果如表5所示㊂图3㊀部分检测结果Fig.3㊀Partialtestresults表5㊀不同立地环境下树冠检测结果Table5㊀Assessmentoftreecrowntestresultsindifferentsiteenvironments样地目标数量/棵PRAPPtPfF1样地11600.8400.8190.846131250.829样地23120.9090.8330.890260260.869样地32360.8220.8010.837189410.829综合㊀7080.8630.8190.855580920.840图4㊀树木位置提取与数量统计效果Fig.4㊀Renderingoftreelocationextractionandquantitystatistics3.4㊀树木位置识别与数量统计使用YOLOv5算法对裁剪后的正射影像图进行检测的结果见图4㊂从图4可以看出,由于范围更广的正射影像图避免了树冠因裁剪导致的残缺,保留了树冠结构的完整性,算法取得了不错的结果,表明使用深度学习方法在经济林环境下进行树冠检测具有一定的可行性㊂但由于样地本身的复杂性,在检测过程中仍存在错检㊁漏检㊁过检等情况㊂首先,样地背景与树木本身的生长状况是影响识别精度的主要原因,尤其在样地1与样地2中,目标检测算法对弱势树木和幼年树木的识别精度较低;其次,树冠相互遮盖也是影响树冠识别精度的另一个原因,例如在样地3中,由于树木分布较为密集,多数山核桃树冠之间没有明显边界,算法难以勾绘出精准检测框㊂而在样地2和样地3中,由于部分树木之间分布过于紧密,粘连的相邻树冠被算法识别为单独的树冠,导致过检㊂在样地1和样地2中,由于样地中的杂草和部分杂木与山核桃的树冠颜色较为接近,容易出现错检㊂受限于样地范围较大和所处环境的复杂性,算法在检测效果上存在一定不足㊂经统计,样地1共包含树木177棵,识别出165棵,正确识别158棵;样地2共包含树木255棵,识别出252棵,正确识别246棵;样地3包含树木146棵,识别出145棵,正确识别139棵㊂图4中绿色虚线框为漏检的山核桃树冠,红色框为算法的检测框,黄色数字为计数编号㊂461㊀第4期郭阳光,等:基于无人机影像的山核桃单木检测及冠幅与树高的提取3.5㊀参数提取精度评价检测框投影法根据YOLOv5目标检测网络得到检测框坐标投影到CHM图中,得到冠幅和树高预测值,通过将预测值与实测的真实冠幅值与树高值进行比较,计算出各项平均精度值,如表6所示㊂可以看出,3块样地的冠幅(P)平均相对误差均在9%以内,树高(H)的平均相对误差均在8%以内,能够满足农户精确掌握树木生长状况的要求㊂从冠幅的提取结果来看,不同样地下冠幅的提取精度与生长密度㊁长势呈现一定关联㊂样地1的树木分布密度较低,树木长势较差,部分树冠边缘模糊,算法能较好地识别出单木树冠,但对边缘部分的勾绘不够精准;样地2中的树木分布和长势均较为良好,树冠边缘清晰,算法能够较好地识别并精准地勾绘出单木树冠;样地3中的树木长势良好,但树木分布密集,多数树冠相互拼接,算法精确勾绘树冠边缘有一定困难,导致冠幅提取精度下降㊂从树高的提取结果来看,表现出不同样地下树高的提取精度与地形的陡峭程度存在一定关联㊂在地形上,样地1树木多种植于改良后的梯田中,林下地形较为平坦,生成的高程模型的误差较小;样地2与样地3的林下地形则具有一定坡度,但样地3的起伏较为缓和,对高程模型生成精度的影响不大;样地3的像素值可能会被遮盖,这会影响高程模型的精度和树高的提取精度㊂表6㊀提取精度对比Table6㊀Comparisonofextractionaccuracy样地冠辐树高RMSE/mMAE/mARE/%RMSE/mMAE/mARE/%样地10.3420.2614.90.3290.2174.1样地20.2410.1953.90.4130.3366.7样地30.6950.4848.30.5170.4407.3综合0.4690.3135.70.4270.3316.0㊀㊀根据实测与预测的冠幅值与树高值,制作冠幅值与树高值的分布图如图5所示㊂可以看出,绝大部分的冠幅值与树高值都分布在1ʒ1线段附近,总体看误差较小,但仍存在个别冠幅的预测值与实测值误差较大,主要由于冠幅值的精度对检测框精度存在直接依赖㊂在山核桃树分布较为密集的区域,检测框的精度较差,影响了冠幅的提取精度,虽然同样是根据检测框得到立木的位置进而从CHM中取到树高值,但检测框只需包含果树的顶点即可得到较为精准的树高;因而树高的预测值出现较大误差的情况较少,树高存在的误差主要是由地形导致的,地形起伏会对CHM生成精度产生一定影响,从而影响树高提取精度㊂图5㊀实测值与预测值对比Fig.5㊀Comparisonofmeasuredvaluesandpredictedvalues4㊀结㊀论本研究基于DOM和CHM结合目标检测算法,通过将检测框投影到不同模型中,来获取山核桃树木参数,经过实验,该方法复杂程度较小,适用于多参数提取场景,并且能够高效㊁准确地获取树木的位置㊁数量㊁冠幅和树高等参数㊂通过对3处样地的目标检测网络进行测试,总体AP和F1⁃score分别达到了85.5%与0.84,取得了较好的检测与计数结果㊂在参数提取上,经过误差分析,本方法提取的冠幅㊁树高值与实测值的平均相对误差分别为5.7%和6.0%,表明该方法可以作为一种帮助农户掌握山核桃树木生长状态的解决方法㊂在环境多变㊁地形复杂的经济林场景中,该方法仍具备一定的适用性,尤其是在树冠丰度高㊁林下背景简单的情况下有很好的检测效果㊂然而,对于使用无人机技术对山地条件下的经济林树冠进行检测并提取冠幅与树高的研究,目前仍旧处于探索阶段㊂在实验中,树冠检测结果仍旧存在错检和漏检,而且受地形和种植密度的影响,在立木参数提取阶段部分山核桃树的冠幅和树高与实测值存在一定误差㊂此外,本研究所选样地山561林业工程学报第8卷核桃树木虽然有种植密度较高的场景,但还未到完全重叠的状态,因此无法对此类样地展开研究㊂有研究显示,海拔㊁坡度㊁坡向等因素与山核桃的产量有很强的相关性,借助地理信息技术,基于本研究所采用的无人机,可简单实现地形重构,精确提取海拔㊁坡度㊁坡向等地形因子㊂如果加上这些地形信息,则一次无人机飞行,可以获取与产量相关的单木因子有:株数㊁位置㊁树高㊁冠幅㊁海拔㊁坡度㊁坡向等㊂这对于产量预测和经营管理有重大意义㊂针对以上情况,可考虑对目标检测算法的网络模型进行优化,提升检测效果,同时借助地理信息技术实现对林地环境因子的提取,以帮助农户达到预测林区收益的目的㊂参考文献(References):[1]董建华,赵伟明,赵科理,等.基于地质背景的山核桃林地土壤肥力因子分析[J].经济林研究,2018,36(4):52-58.DOI:10.14067/j.cnki.1003-8981.2018.04.008.DONGJH,ZHAOWM,ZHAOKL,etal.FactoranalysisofsoilfertilityunderdifferentgeologicalbackgroundconditionsinCaryacathayensisplantation[J].Non⁃WoodForestResearch,2018,36(4):52-58.[2]LUZG,QILJ,ZHANGH,etal.ImagesegmentationofUAVfruittreecanopyinanaturalilluminationenvironment[J].Agri⁃culture,2022,12(7):1039.DOI:10.3390/agricul⁃ture12071039.[3]SARRONJ,MALÉZIEUXÉ,SANÉC,etal.Mangoyieldmap⁃pingattheorchardscalebasedontreestructureandlandcoverassessedbyUAV[J].RemoteSensing,2018,10(12):1900.DOI:10.3390/rs10121900.[4]钱孝炎,黄坚钦,帅小白,等.临安市不同乡镇山核桃林地土壤理化性质比较[J].浙江林业科技,2013,33(1):7-11.DOI:10.3969/j.issn.1001-3776.2013.01.002.QIANXY,HUANGJQ,SHUAIXB,etal.ComparisonofsoilphysiochemicalpropertiesatCaryacathayensisstandsinLin an[J].JournalofZhejiangForestryScienceandTechnology,2013,33(1):7-11.[5]TONGF,TONGHJ,MISHRAR,etal.DelineationofindividualtreecrownsusinghighspatialresolutionmultispectralWorldView⁃3satelliteimagery[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2021,14:7751-7761.DOI:10.1109/JSTARS.2021.3100748.[6]SHUIW,LIH,ZHANGYY,etal.Isanunmannedaerialvehi⁃cle(UAV)suitableforextractingthestandparametersofinac⁃cessibleundergroundforestsofKarstTiankeng?[J].RemoteSensing,2022,14(17):4128.DOI:10.3390/rs14174128.[7]周艳飞,张绘芳,李霞,等.不同方法提取无人机影像树冠信息效果分析[J].新疆农业大学学报,2014,37(3):231-235.DOI:10.3969/j.issn.1007-8614.2014.03.012.ZHOUYF,ZHANGHF,LIX,etal.Analysisoneffectsoftreecrowninformationfromunmannedaerialvehicleimageextractionbydifferentmethods[J].JournalofXinjiangAgriculturalUniver⁃sity,2014,37(3):231-235.[8]GUOXZ,LIUQW,SHARMARP,etal.TreerecognitionontheplantationusingUAVimageswithultrahighspatialresolutioninacomplexenvironment[J].RemoteSensing,2021,13(20):4122.DOI:10.3390/rs13204122.[9]李丹,张俊杰,赵梦溪.基于FCM和分水岭算法的无人机影像中林分因子提取[J].林业科学,2019,55(5):180-187.DOI:10.11707/j.1001-7488.20190520.LID,ZHANGJJ,ZHAOMX.ExtractionofstandfactorsinUAVimagebasedonFCMandwatershedalgorithm[J].ScientiaSilvaeSinicae,2019,55(5):180-187.[10]MARTINSJAC,NOGUEIRAK,OSCOLP,etal.Semanticsegmentationoftree⁃canopyinurbanenvironmentwithpixel⁃wisedeeplearning[J].RemoteSensing,2021,13(16):3054.DOI:10.3390/rs13163054.[11]LOUXW,HUANGYX,FANGLM,etal.Measuringloblollypinecrownswithdroneimagerythroughdeeplearning[J].JournalofForestryResearch,2022,33(1):227-238.DOI:10.1007/s11676-021-01328-6.[12]李越帅,郑宏伟,罗格平,等.集成U⁃Net方法的无人机影像胡杨树冠提取和计数[J].遥感技术与应用,2019,34(5):939-949.DOI:10.11873/j.issn.1004-0323.2019.5.0939.LIYS,ZHENGHW,LUOGP,etal.ExtractionandcountingofPopuluseuphraticacrownusingUAVimagesintegratedwithU⁃Netmethod[J].RemoteSensingTechnologyandApplication,2019,34(5):939-949.[13]MOJW,LANYB,YANGDZ,etal.Deeplearning⁃basedin⁃stancesegmentationmethodoflitchicanopyfromUAV⁃acquiredimages[J].RemoteSensing,2021,13(19):3919.DOI:10.3390/rs13193919.[14]APOLO⁃APOLOOE,MARTÍNEZ⁃GUANTERJ,EGEAG,etal.DeeplearningtechniquesforestimationoftheyieldandsizeofcitrusfruitsusingaUAV[J].EuropeanJournalofAgronomy,2020,115:126030.DOI:10.1016/j.eja.2020.126030.[15]季琳琳,陈素传,吴志辉,等.生草对山核桃林地土壤养分及土壤酶活性的影响[J].经济林研究,2022,40(1):19-25,44.DOI:10.14067/j.cnki.1003-8981.2022.01.003.JILL,CHENSC,WUZH,etal.EffectsofplantedgrassesonsoilnutrientsandsoilenzymeactivitiesinCaryacathayensisforest[J].Non⁃WoodForestResearch,2022,40(1):19-25,44.[16]PATTERSONMG,GOFFWD.Effectsofweedcontrolandirri⁃gationonpecan(Caryaillinoinensis)growthandyield[J].WeedTechnology,1994,8(4):717-719.DOI:10.1017/s0890037x00028578.[17]丁立忠,潘伟华,马闪闪,等.测土配方施肥对临安山核桃生长和产量的影响[J].经济林研究,2018,36(4):33-39.DOI:10.14067/j.cnki.1003-8981.2018.04.005.DINGLZ,PANWH,MASS,etal.EffectsoftestingsoilforformulatedfertilizationongrowthandyieldinCaryacathayensis[J].Non⁃WoodForestResearch,2018,36(4):33-39.[18]张纯斌,杨胜天,赵长森,等.小型消费级无人机地形数据精度验证[J].遥感学报,2018,22(1):185-195.DOI:10.11834/jrs.20186483.ZHANGCB,YANGST,ZHAOCS,etal.TopographicdataaccuracyverificationofsmallconsumerUAV[J].JournalofRe⁃moteSensing,2018,22(1):185-195.[19]GUJY,GRYBASH,CONGALTONRG.Acomparisonofforesttreecrowndelineationfromunmannedaerialimageryusingcanopyheightmodelsvs.spectrallightness[J].Forests,2020,11(6):605.DOI:10.3390/f11060605.[20]李晨,李佳,王明果,等.无人机RGB影像中人工林单木位置的提取[J].林业工程学报,2021,6(2):141-147.DOI:10.13360/j.issn.2096-1359.202008018.LIC,LIJ,WANGMG,etal.IndividualtreepositionextractionofanartificialforestareainUAVRGBimage[J].JournalofFor⁃estryEngineering,2021,6(2):141-147.[21]REDMONJ,DIVVALAS,GIRSHICKR,etal.Youonlylookonce:unified,real⁃timeobjectdetection[C]//2016IEEECon⁃ferenceonComputerVisionandPatternRecognition(CVPR).June27-30,2016,LasVegas,NV,USA:IEEE,2016:779-788.DOI:10.1109/CVPR.2016.91.(责任编辑㊀田亚玲)661。
基于无人机影像的沙棘树高提取及叶面积指数反演方法比较
新疆农业大学学报2020,43(4):241-251Journal of Xinjiang Agricultural University文章编号:1007-8614(2020)04-0241-11基于无人机影像的沙棘树高提取及叶面积指数反演方法比较焦亚辉匕颜安卩,赵英2,聂松伟#,杨利#,郭涛1(1.新疆农业大学,乌鲁木齐830052;2新疆林业科学院,乌鲁木齐830046)摘要:为利用无人机可见光影像获取高精度沙棘树高与叶面积指数!Leaf area index,LAI),实现实时无损动态监测&以新疆乌什县野生沙棘林为研究对象,通过构建冠层高度模型(Canopy Height Model,CHM)利用局部最大值法提取沙棘树高,依据拼接的高清数字正射影像,提取出11种植被指数,采用多元线性回归(Multiple linear regression, MLR)、BP神经网络(Back propagation neural network,BPNN)、支持向量机(Support vector machine,SVM)、随机森林(Random forest,RF)算法与实测叶面积指数构建沙棘LAI反演模型,通过决定系数(R2"和均方根误差(RMSE)评价模型精度,确定最优的反演模型,并探讨主成分分析预处理对各算法构建的模型反演精度的影响。
结果表明:(1)局部最大值法提取沙棘树高,估测值与实测值之间决定系数R2为0.9,均方根误差RMSE为0.24m,这说明局部最大值法预测沙棘株高是可行的;(2)以树高和11种植被指数为数据源,各算法构建的沙棘LAI反演模型精度RF>BPNN>SVM> MLR&以树高和11种植被指数主成分分析结果为数据源,各算法构建的模型精度SVM>BPNN>RF>MLR,其中核函数为RBF和Learn的SVM模型主成分分析预处理对模型稳定性和精度提高有明显的促进作用。
基于无人机多光谱遥感的园林树木智慧化管理应用研究
--------------------------------------------------------------------------------园林与景观设计2)基于无人机多光谱遥感的园林树木智慧化管理应用研究曹胜昔,解旭东,郜鹏(北方工程设计研究院有限公司,河北石家庄050000)摘要:如何充分发挥无人机多光谱遥感在园林绿地规划建设和养护管理中的作用,进而提高园林的智慧化管理水平,充分发挥绿地生态效益,促进景观面貌提升是当前的一个焦点问题。
本文基于实际案例,结合当前无人机遥感发展趋势,提出了无人机多光谱遥感在园林树木定位、监测、测报中的应用方法,以期为今后园林树木的智慧化管理提供一定的支撑。
关键词:园林树木;多光谱遥感;智慧化中图分类号:S274文献标识码:A文章编号:1005-7897(2021)10-0061-020引言随着无人机技术的不断发展,无人机类型也逐渐多样化,并广泛应用于林业、农业、建筑业等各领域的勘测工作中。
1无人机遥感系统概况无人机系统是对无人机概念的扩展,它是一套综合的技术支撑系统,主要通过地面控制站、无人驾驶飞行器、数据传输系统来操控飞行、处理数据和传导信息叫无人机遥感系统(UAV remote sensing)作为一种摄影测量与航空遥感系统,以无人机为平台,通过搭载数码相机、激光雷达等各种传感器,可以在几千米的飞行高度内获取照片、视频以及遥感影像数据。
无人机遥感系统可以智能快速的获取遥感影像信息,并通过相关软件进行后期处理、建模和分析,具备传统卫星遥感所不能比拟的高时效、高分辨率优势。
1.1无人机遥感技术工作原理无人机遥感技术由3部分组成,地面工作基站主要负责对无人机航线的设计及对无人机工作情况的实时监控,并将其拍摄的数据进行收集整理,无人机的工作是利用搭载在机身上的配套装置按照预先设定好的航线飞行,通过搭载的红外线传感器、遥感传感器等工具进行数据采集。
基于无人机高光谱影像的防护林树种分类研究
基于无人机高光谱影像的防护林树种分类研究随着社会经济的发展和人口的增加,防护林的重要性日益凸显。
防护林的建设不仅能够保护生态环境,提供人们的生活空间,还能有效地防治风沙灾害和土壤水源的流失。
而快速而精确的树种分类则是防护林建设中的重要一环。
传统的树种分类主要依赖于人工调查和采集样本进行实验室的分析,这种方法耗时且人力成本高。
而近年来,随着无人机技术的飞速发展,高光谱影像采集技术被广泛应用于遥感领域。
基于无人机高光谱影像的防护林树种分类研究能够有效地解决传统方法的缺点,并具有更高的精度和效率。
无人机高光谱影像是指无人机搭载特定光谱波段传感器进行航拍的遥感影像。
相比于传统遥感影像,无人机高光谱影像具有以下几个优势:一是分辨率更高,可以捕捉到更详细的地表信息;二是光谱波段更多,可以获取更丰富的植被光谱特征;三是数据采集更灵活,可以在任何时间和位置进行采集。
在基于无人机高光谱影像进行防护林树种分类研究中,首先需要进行无人机的航线规划和数据采集。
通过无人机搭载的高光谱传感器,可以获取到每个像素点的多光谱信息,包括红外光谱、绿光谱、蓝光谱等。
然后,将采集到的高光谱影像进行预处理,包括辐射校正、大气校正和几何校正等。
接着,需要对高光谱影像进行特征提取和选择,常用的特征包括光谱特征、空间特征和纹理特征等。
最后,利用机器学习和图像处理算法对提取到的特征进行分类和识别,常用的分类算法包括支持向量机、随机森林和神经网络等。
基于无人机高光谱影像的防护林树种分类研究具有以下几个优点:一是高精度,通过高光谱影像可以获取到更丰富的植被光谱信息,从而提高分类的准确性;二是高效率,无人机可以进行快速的航拍和数据采集,大大节省了人力成本和时间成本;三是可操作性强,无人机可以灵活调整航线,根据需要进行航拍,不受地形和道路限制。
因此,基于无人机高光谱影像的防护林树种分类研究有着较大的应用前景。
综上所述,基于无人机高光谱影像的防护林树种分类研究是一项前沿的研究课题。
基于Worldview-2影像的林木冠幅提取与树高反演
基于Worldview-2影像的林木冠幅提取与树高反演孙华;鞠洪波;张怀清;凌成星【摘要】以湖南省攸县黄丰桥国有林场杉木人工林为例,探讨林木冠幅提取与树高反演方法研究。
基于Worldview-2影像,采用均值漂移分割算法开展样地内杉木冠幅信息提取。
通过设置不同分割尺度确定最佳的冠幅分割参数为hs=10,hr=6,M=20。
对提取的冠幅边界进行平滑处理,利用平滑后的影像冠幅与实测树高,分别建立了冠幅树高曲线估计模型和非线性联立方程组反演模型。
其中以树高作为哑变量,建立的影像冠幅树高非线性联立方程组模型的拟合效果最佳,模型决定系数R2为0.899,模型的变动系数(CV),平均百分标准误差(EMPSE)均在10%以内,是树高反演的一种有效手段。
%By taking the Chinese fir plantation in Huangfengqiao Forest Farm in Youxian county, Hunan province as the tested objective, the methods of tree crown width extraction and tree height inversion were studied. Based on worldview-2 data, the tree crown width information of the plantation was extracted by adopting mean shift segmentation algorithm. After setting a series of Image segmentation scale, the optimal crown width segmentation parameters’ values were determined, they are hs=10, h r=6, M=20.The extracted crown width border was smoothened, and the estimation model of tree crown=height curve and the inversion model of nonlinear simultaneous equations were respectively established based on the smoothed image’s crown width and measured tree height. Of them, the model of image tree crown-high nonlinear simultaneous equations set by taking tree high as the dummy argument had the optimal fitting results,the model coefficient of determination R2=0.899, the variation coefficientof model CCV and the average percentage standard errors EMPSE both were less than 10%, so the last selected model is an effective means for tree height inversion of Chinese fir plantation.【期刊名称】《中南林业科技大学学报》【年(卷),期】2014(000)010【总页数】6页(P45-50)【关键词】林业遥感;林木冠幅;杉木人工林;图像分割;均值漂移算法;非线性联立方程组【作者】孙华;鞠洪波;张怀清;凌成星【作者单位】中南林业科技大学林业遥感信息工程研究中心,湖南长沙410004;中国林业科学研究院资源信息所,北京100091;中国林业科学研究院资源信息所,北京100091;中国林业科学研究院资源信息所,北京100091;中国林业科学研究院资源信息所,北京100091【正文语种】中文【中图分类】S771.8进入21世纪,随着高空间分辨率遥感影像不断涌现,遥感技术在林业中的应用由最初的森林类型识别和信息提取,向更加精细的方向发展,已经开始用于森林参数提取研究。
基于无人机可见光影像的亚高山针叶林树冠参数信息自动提取
基于无人机可见光影像的亚高山针叶林树冠参数信息自动提取王枚梅;林家元;林沂;李翊【摘要】树冠是树木获取光能并进行能量转换的主要场所,在监测树木长势,估算树木生物量等方面具有重要作用.及时准确获取树冠参数信息有助于研究树木生长状况和森林变化动态,有效改善森林经营管理.无人机遥感具有快速机动、云下飞行、影像分辨率高、成本低等优势,非常适合于亚高山针叶林树冠遥感影像的获取.论文以贡嘎山雅家埂局部范围亚高山针叶林为研究对象,采用固定翼无人机获取可见光遥感影像,基于面向对象方法自动提取了亚高山针叶林的东西冠幅、南北冠幅、单元面积树木数和郁闭度等参数.以目视解译结果作为参考数据进行验证,东西冠幅和南北冠幅的提取精度分别是0.765 1和0.855 6,单元面积树木数和郁闭度的提取精度分别是0.99和0.92.研究结果表明,基于无人机遥感影像的树冠参数信息自动提取方法高效可靠,能够满足亚高山针叶林生长状况快速评价与动态遥感监测的需求.【期刊名称】《林业资源管理》【年(卷),期】2017(000)004【总页数】7页(P82-88)【关键词】无人机遥感;亚高山针叶林;树冠参数;面向对象【作者】王枚梅;林家元;林沂;李翊【作者单位】中国科学院水利部成都山地灾害与环境研究所,成都610041;中国科学院大学,北京100049;中国科学院水利部成都山地灾害与环境研究所,成都610041;北京大学遥感与GIS研究所,北京100871;四川省都江堰管理局,成都611830【正文语种】中文【中图分类】S757.2;TP79树冠是树木光合作用的主要场所,是树木乃至森林的重要组成部分。
准确获取树冠信息有助于监测树木长势、估算树木生物量及小班蓄积量、预防树木病虫害[1],在森林经营管理中越来越受到重视。
位于我国青藏高原东南缘的川西亚高山针叶林,既是长江上游重要的生态屏障,也是许多高寒生物物种的分化和变异中心,在涵养水源、调节区域气候和维持生物多样性等方面有着不可替代的作用[2]。
基于无人机高分影像的冠幅提取与树高反演
基于无人机高分影像的冠幅提取与树高反演刘晓农;旦增;邢元军【期刊名称】《中南林业调查规划》【年(卷),期】2017(036)001【摘要】以湖南省攸县黄丰桥林场无人机(UAV)高分影像和地面样地调查数据为基础,利用Definiense Cognition 8.0软件,对影像进行多尺度分割,确定最佳的冠幅分割参数,同时进行平滑处理,利用平滑后的影像冠幅与实测树高,建立冠幅树高曲线估计模型和非线性联立方程组反演模型.建立的非线性联立方程组模型拟合效果最佳,决定系数R2为0.854 2,最佳拟合曲线模型分别为CW=0.127+1.068*PCW和H=-1.910+4.861*CW-0.819*CW2+0.049*CW3;模型的CV和MPSE均在10%以内,是树高反演的一种有效手段.【总页数】5页(P39-43)【作者】刘晓农;旦增;邢元军【作者单位】国家林业局中南林业调查规划设计院,长沙 410014;国家林业局中南林业调查规划设计院,长沙 410014;国家林业局中南林业调查规划设计院,长沙410014【正文语种】中文【中图分类】S771.8【相关文献】1.基于Worldview-2影像的林木冠幅提取与树高反演 [J], 孙华;鞠洪波;张怀清;凌成星2.基于UAV高分影像的杨树冠幅提取及相关性研究 [J], 李赟;温小荣;佘光辉;林国忠3.基于无人机影像的树顶点和树高提取及其影响因素分析 [J], 刘江俊; 高海力; 方陆明; 郑辛煜; 姜广宇4.基于无人机影像的沙棘树高提取及叶面积指数反演方法比较 [J], 焦亚辉;颜安;赵英;聂松伟;杨利;郭涛5.基于无人机影像的天山云杉林树高提取及蓄积量的反演 [J], 吕金城;王振锡;杨勇强;曲延斌;马琪瑶;朱思明因版权原因,仅展示原文概要,查看原文内容请购买。
基于无人机遥感影像的单木冠幅提取研究
基于无人机遥感影像的单木冠幅提取研究
胥东海;杨旸谷
【期刊名称】《中南林业调查规划》
【年(卷),期】2024(43)2
【摘要】无人机(UAV)遥感技术在森林资源调查工作中的应用变得越来越广泛,但利用遥感影像的光谱信息提取出的单木冠幅会导致分类结果精度不高,使得遥感影像对于单木冠幅的提取效果与实际应用要求仍存在一定差距。
因此,提高单木冠幅的提取精度在基于无人机遥感影像的森林资源调查中十分重要。
基于2019年在内蒙古自治区赤峰市喀喇沁旗旺业甸林场实地采集的数据,采用面向对象的影像分析方法,对基于无人机遥感影像的单木分割及冠幅提取进行了研究。
研究结果表明:单木冠幅分割的位置精度为80.28%,面积精度为79.51%,结果基本满足森林资源调查工作的需要。
【总页数】5页(P36-40)
【作者】胥东海;杨旸谷
【作者单位】国家林业和草原局中南调查规划院;长沙中南林业调查规划设计有限公司
【正文语种】中文
【中图分类】S771.8
【相关文献】
1.基于UAV遥感的单木冠幅提取及胸径估算模型研究
2.基于UAV可见光遥感的单木冠幅提取研究
3.无人机遥感影像提取的单木冠幅数据在桉树林分蓄积量估测中的应用
4.基于无人机影像的山核桃单木检测及冠幅与树高的提取
5.基于Mask R-CNN和迁移学习的无人机遥感影像杉木单木树冠提取
因版权原因,仅展示原文概要,查看原文内容请购买。
基于航模飞行器摄影数据的森林信息提取方法
基于航模飞行器摄影数据的森林信息提取方法
江志向;陈紫璇;练一宁;王媛
【期刊名称】《北京测绘》
【年(卷),期】2017(0)3
【摘要】航模飞行器摄影在很多领域有着越来越广泛的应用,本文利用航模飞行器获取遥感数据,利用PIX4D mapper,Arcgis等软件处理获取拼接影像并提取森林的冠幅信息.以所得影像为基础,通过对森林中树种冠幅-树高和胸径-树高之间关系的研究,利用常用D-H和D-K模型以及摄影测量立体像对的原理,对森林的冠幅、树高、胸径等森林参数信息进行提取,最终反演获得最佳的D-K模型为
D=0.933+3.243K-0.57K^2,D-H模型为D=H+0.5610.709.
【总页数】5页(P153-157)
【作者】江志向;陈紫璇;练一宁;王媛
【作者单位】云浮市信富林业服务中心,广东云浮527300;北京林业大学,北京100083;北京林业大学,北京100083;北京林业大学,北京100083
【正文语种】中文
【中图分类】P237
【相关文献】
1.基于Zone模型的森林小班变化信息提取方法研究 [J], 龚鑫烨;华一枝;黄星旻;温小荣;林国忠;陶吉兴;徐达
2.基于MODIS影像大尺度森林资源信息提取方法研究 [J], 罗朝沁;林辉;孙华;吴梓
尚
3.基于遥感的森林资源动态信息提取方法研究 [J], 楼丹
4.基于高分辨率遥感影像的森林信息提取方法综述 [J], 王宗梅;徐天蜀;岳彩荣
5.基于无人机航空摄影测量的高程数据提取方法分析 [J], 王晓庆
因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
2 0 1 7年 2月
中 南 林 业 调 查 规 划
C ENTRAL S OUTH F ORE S T I NVENT ORY AND P L ANNI NG
Vo 1 . 3 6 N 1 F e b . 2 O1 7
基 于 无 人机 高 分 影 像 的冠 幅 提 取 与树 高 反演
L I U X i a o n o n g ,D a n z e n g ,X I N G Y u a n j u n
( 1 . C e n t r a l S o u t h F o r e s t I n v e n t o r y a n d P l a n n i n g I n s t i t u t e o f S t a t e F o ms t r y A d m i n s t r a t i o n ,C h ng a s h a 4 1 0 0 1 4 ,H u n a n ,C h i n a ; 2 . F o r e s t I n v e n t o y r a n d P l a n n i n g I n s t i t u t e o f n b e t A u t o n o m o u s R e , o n ,L h a s a 8 5 0 0 0 0 。 T i b e t ,C h i n a ) Abs t r a c t : On t h e b a s i s o f UAV s u r v e y d a t a o f h i g h - r e s o l u t i o n i ma g e s a n d g r o u n d p l o t o f Hu a n g f e n g q i a o Fo r e s t Fa r m o f Yo u x i a n c o u n t y i n Hu n a n p r o v i n c e,u s i n g De in f i e n s e Co g n i t i o n 8 . 0 s o f t wa r e ,b a s e d o n mu l t i - s c a l e s e g — me n t a t i o n o f Ch i n e s e ir f p l nt a a t i o n f o r e s t c a n o p y i n f o r ma t i o n,b y s e t t i n g d i f f e r e n t s e g me n t a t i o n s c a l e s t o d e t e r - mi n e t h e o p t i ma l p a r a me t e r s o f C l o w n s e g me n t a t i o n , Fo r t h e e x t r a c t i o n o f t h e c r o wn b o u n d a r y s mo o t h i n g ,a n d me a s u r e d b y i ma g e s mo o t h i n g a te f r t h e t r e e e r o wn,r e s p e c t i v e l y e s t a b l i s h e d c r o wn h e i g h t c u r v e e s t i ma t i o n mo d e l a n d n o n l i n e a r s i mu l t a n e o u s e q u a t i o n s mo d e l i n v e r s i o n .T h e t r e e c r o wn i ma g e h i g h n o n l i n e a r s i mu l t a n e o u s e q u a - t i o n s mo d e l wa s t h e b e s t i f t mo d e l ,t h e c o e ic f i e n t o f d e t e mi r n a t i o n R Wa s 0. 8 5 4 2,t h e b e s t f i t t i n g c u ve r mo d e l wa s r e s D e c t i v e l v CW :0 . 1 2 7+1 . 0 6 8 PCW a n d H : 一1 . 91 0 +4 . 8 6 1 CW 一0. 8 1 9 C +0 . 0 49 C ;
中图分类 号 : S 7 7 1 . 8 文献标识码 :A 文章编号 : 1 0 0 3 — 6 0 7 5( 2 0 1 7 )O 1 — 0 0 3 9 — 0 5
D O I : 1 0 . 1 5 . 2 0 1 7 . 0 1 . 0 1 0
+1 . 0 6 8 P C 和 H = 一1 . 9 1 0+ 4 . 8 6 1 C W 一0 . 8 1 9: I c C +0 . 0 4 9: I : C ;模 型 的 C V和 M P S E 均 在
1 0 % 以 内,是树 高反 演的一种有效手段 。 关键词 : 林业遥感 ;无人机 ;冠 幅 ;树 高
S t udy o n Cr o wn Di a me t e r Ex t r a c t i o n a nd Tr e e He i g h t I n v e r s i o n Ba s e d o n Hi g h・ r e s o l ut i o n I ma g e s o f UAV
e n s e C o g n i t i o n 8 . 0软件 ,对影像进行 多尺度分割 ,确定最佳的冠幅分 割参数 ,同时进 行平 滑处理 ,利
用平滑后 的影像冠幅与 实测树 高,建立冠幅树 高曲线估计模 型和非 线性联 立方程纽反 演模 型。建立的 非线性联立方程 组模 型拟合 效果最佳 ,决定 系数 R 为0 . 8 5 4 2 ,最佳拟合 曲线模 型分 别为 C W= 0 . 1 2 7
刘晓农 , 旦 增2 , 邢 元军
( 1 .国家林业局 中南林业调查规划设计 院,长沙 4 1 0 0 1 4 ;
2 .西藏 自治区林 业调 查规 划研 究院 ,拉 萨 8 5 0 0 0 0 ) 摘 要 :以湖南省攸县黄丰桥林场 无人机 ( U A V ) 高分影像和地 面样地调 查数 据为基 础 ,利 用 D e i f n i .