CN108896021B - 基于航空摄影测量点云提取人工林林分结构参数的方法 - Google Patents
基于航空摄影测量点云提取人工林林分结构参数的方法 Download PDFInfo
- Publication number
- CN108896021B CN108896021B CN201810879344.2A CN201810879344A CN108896021B CN 108896021 B CN108896021 B CN 108896021B CN 201810879344 A CN201810879344 A CN 201810879344A CN 108896021 B CN108896021 B CN 108896021B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- forest
- aerial
- forest stand
- height
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002028 Biomass Substances 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 210000000481 breast Anatomy 0.000 claims description 19
- 238000011160 research Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012353 t test Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 abstract 2
- 241000894007 species Species 0.000 description 6
- 241000219000 Populus Species 0.000 description 4
- 241000218631 Coniferophyta Species 0.000 description 2
- 241000218666 Metasequoia Species 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于航空摄影测量点云提取人工林林分结构参数的方法，对机载激光雷达离散点云数据滤波，插值生成数字地形模型，点云数据归一化处理；对真彩色像对特征点进行提取、匹配，进行空三加密生成航空摄影测量点云，使用生成的数字地形模型对航空摄影测量点云数据进行归一化处理；基于归一化航空摄影测量点云提取特征变量；结合地面实测数据和提取的特征变量分别构建多元回归模型以预测各林分结构特征。通过无人机高效获取的高重叠度影像数据，并借助立体摄影测量方法从影像像对中提取三维点云，从而获取森林冠层三维结构特征，有助于提高人工林林分结构参数的反演精度，并有效抑制森林覆盖度高、生物量高林分的结构参数反演“饱和”问题。
Description
技术领域
本发明属于森林资源检测技术领域，具体涉及一种基于航空摄影测量点云提取人工林林分结构参数的方法。
背景技术
精确的人工林林分结构参数提取，对于森林资源监测、生态因子调查及生物多样性研究有重要意义。同时，这些信息也可以用于掌握森林空间结构及动态变化规律，并对森林的经营管理、生态环境建模及碳循环分析提供数据支持。常规的人工林林分结构参数提取主要依赖于野外调查及航片或卫片判读等，其精度往往不高，且难于在“面”上实用化推广。
近年来，基于航空摄影测量数据林分结构参数提取的研究为：Zhang等2016年在《Biological Conservation》第198卷上发表的“Seeing the forest from drones:Testing the potential of lightweight drones as a tool for long-term forestmonitoring”，该研究借助无人机获取的真彩色影像数据，通过提取冠层和地形变量，并在评估这些变量重要性的基础上结合地面实测数据提取了亚热带森林的林分结构参数。王枚梅等2017年在《林业资源管理》第4卷上发表的“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”，该研究采用无人机获取可见光遥感影像，并基于面向对象方法获取了树冠信息，并据此估测了亚高山针叶林的林分结构参数。隋丹丹等2017年在《生物多样性》第4卷上发表的“鼎湖山南亚热带常绿阔叶林林窗分布格局及其成因”，该研究采用无人机获取的影像，结合波段运算和监督分类方法估测了林分结构参数。然而，以上方法都是基于拼接后的二维影像提取特征，并没有提取冠层的三维结构特征用以提取人工林林分结构参数。同时，更未见全面深入计算人工林冠层航空摄影测量点云特征及林分结构参数提取的方法。
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基于航空摄影测量点云提取人工林林分结构参数的方法。
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：
一种基于航空摄影测量点云提取人工林林分结构参数的方法，包括以下步骤：
(1)在地面设置样地，借助无人机采集高重叠度影像数据和LiDAR原始点云数据；并在样地中记录树种并计数，并测量每木的胸径和树高；
(2)对LiDAR原始点云数据滤波并插值生成数字地形模型；对影像数据进行处理生成航空摄影测量点云；使用生成的数字地形模型对航空摄影测量点云数据进行归一化处理获得归一化航空摄影测量点云；
(3)基于归一化航空摄影测量点云提取人工林冠层结构特征变量；
(4)通过相关性分析筛选特征变量；
(5)将地面实测林分结构参数作为因变量，航空摄影测量点云特征变量作为自变量，建立多元回归模型预测各人工林林分结构参数。
进一步地，步骤(1)中，借助固定翼无人机采集高重叠度影像数据，并采用多旋翼无人机搭载的LiDAR传感器进行LiDAR原始点云数据采集；根据一元材积公式结合实测胸径估算蓄积量，通过异速生长方程结合胸径和树高计算地上生物量。
进一步地，步骤(2)中，首先去除LiDAR原始点云数据的噪音点，基于IDW滤波方法去除非地面点，然后通过计算每个像元内激光点高度的平均值，生成数字地形模型。
进一步地，步骤(2)中，所述影像数据进行处理包括特征点提取和匹配、空中三角测量和三维点云加密。
进一步地，通过遥感平台拍摄研究区数字影像，通过惯性测量单元(IMU)实时记录每幅影像的姿态参数；然后，获取影像像对的特征点并进行特征点匹配，通过光束法进行影像内外方位元素的解析并结合空中三角测量生成航空摄影测量点云；在航空摄影测量点云加密的基础上，通过加入地面控制点来对航空摄影测量点云进行空间位置校正，并通过生成的数字地形模型对航空摄影测量点云进行归一化处理，得到归一化后的航空摄影测量点云数据。
进一步地，步骤(3)中所述人工林冠层结构特征变量包括三组，分别为百分位高度变量、各层覆盖度变量和冠层体积与剖面特征变量。
进一步地，所述百分位高度变量包括：冠层高度分布百分位数，冠层点云分布平均高度以上的覆盖度，冠层点云分布的变异系数；
所述各层覆盖度变量为点云数量在各百分数高度以上的点占所有点云的百分比；
所述冠层体积与剖面特征变量：利用Weibull函数对冠层高度分布剖面进行拟合得到2个剖面特征量Weibullα和Weibullβ；冠层各结构类别体积占比，包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比。
进一步地，步骤(4)中，首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与各林分结构参数相关性高于0.6的特征变量。
进一步地，步骤(5)中，运用逐步回归法选择进入模型的变量，即在预先给定的F水平下进行显著性检验，如果t检验达不到显著水平p＞0.1，则予以剔除；t检验达到显著水平p＜0.05，则予以进入；通过主成分分析计算相关关系矩阵得到控制因子k，k为最大特征根的平方根与最小特征根的比值，k小于30则模型进一步被选中。
进一步地，步骤(5)中，采用决定系数、均方根误差和相对均方根误差评价回归模型拟合的效果及估测精度：
式中：xi为某林分结构参数实测值；
为某林分结构参数实测平均值；
为某林分结构参数的模型估测值；n为样地的数量；i为某一个样地。
有益效果：与现有技术相比，本发明具有以下优点：
无人机数据采集灵活、便捷、成本低，通过无人机高效获取的高重叠度影像数据，并借助立体摄影测量方法从影像像对中提取三维点云，从而获取森林冠层三维结构特征，将有助于提高人工林林分结构参数的反演精度，并有效抑制森林覆盖度高、生物量高林分的结构参数反演“饱和”问题。以往的方法都是基于拼接后的影像直接提取二维特征，而本申请则是通过立体摄影测量从影像像对中提取三维点云，然后基于点云获取冠层结构特征。由于林分结构参数与森林冠层结构特征有很好地相关性和机理联系，故本申请增强了林分结构参数反演的能力和精度。本申请全面深入地提取了多组人工林冠层航空摄影测量点云特征，并进行了特征变量优选，从而高质量地提取了人工林林分结构参数。同时，该发明不仅利于特征变量的机理解释，也易于进行方法移植(即在天然林和次生林中也可以进行应用)。验证结果表明，通过本发明对平原人工林的主要树种(即杨树和水杉)结构参数进行提取，与使用其他相近遥感方法进行林分结构参数相比，其决定系数提升了5％以上。
附图说明
图1是航空摄影测量点云条带效果图(a)；
图2是航空摄影测量和激光雷达点云叠加效果图(b)；
图3是三个典型样地激光雷达点云侧视图(a)；
图4是三个典型样地激光雷达点云俯视图(b)；
图5是三个典型样地激光雷达和航空摄影测量点云剖面(c)；
图6是三个典型样地航空摄影测量点云垂直分布剖面和Weibull曲线拟合图(d)。
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。
本申请的基于航空摄影测量点云提取人工林林分结构参数的方法，主要包括以下步骤：
(1)在地面设置样地，借助无人机采集高重叠度影像数据和LiDAR原始点云数据；并在样地中记录树种并计数，并测量每木的胸径和树高；
(2)对LiDAR原始点云数据滤波并插值生成数字地形模型；对影像数据进行处理生成航空摄影测量点云；
(3)使用生成的数字地形模型对航空摄影测量点云数据进行归一化处理获得归一化航空摄影测量点云；
(4)基于归一化航空摄影测量点云提取人工林冠层结构特征变量；
(5)通过相关性分析筛选特征变量；
(6)将地面实测林分结构参数作为因变量，航空摄影测量点云特征变量作为自变量，建立多元回归模型预测各人工林林分结构参数。
具体的，在步骤(1)中，本申请借助固定翼无人机采集高重叠度影像数据，并采用多旋翼无人机搭载的LiDAR传感器进行LiDAR原始点云数据采集；LiDAR传感器即激光雷达测距传感器(Light Detection And Ranging-LiDAR)。在地面设置样地，并在样地中记录树种并计数，并测量每木的胸径和树高；根据一元材积公式结合实测胸径估算蓄积量，通过异速生长方程结合胸径和树高计算地上生物量。
步骤(2)，对LiDAR原始点云数据滤波并插值生成数字地形模型；对影像数据进行处理生成航空摄影测量点云；使用生成的数字地形模型对航空摄影测量点云数据进行归一化处理获得归一化航空摄影测量点云。
数据预处理时，首先去除LiDAR原始点云数据的噪音点，并通过滤波去除非地面点，然后通过计算每个像元内激光点高度的平均值，生成数字地形模型(DTM)(空间分辨率为0.5m)。
影像数据的进一步进行处理包括特征点提取和匹配、空中三角测量和三维点云加密。首先通过遥感平台(即本发明中安装有遥感器的无人机)拍摄研究区数字影像，通过惯性测量单元(IMU)实时记录每幅影像的姿态参数；然后，获取影像像对的特征点并进行特征点匹配，通过光束法进行影像内外方位元素的解析并结合空中三角测量生成航空摄影测量点云；在航空摄影测量点云加密的基础上，通过加入地面控制点来对航空摄影测量点云进行空间位置校正，并通过生成的数字地形模型对航空摄影测量点云进行归一化处理，得到归一化后的航空摄影测量点云数据。
步骤(3)，基于归一化航空摄影测量点云提取多组人工林冠层结构特征变量；
人工林冠层结构特征变量包括三组，分别为百分位高度变量、各层覆盖度变量和冠层体积与剖面特征变量。
百分位高度变量包括：冠层高度分布百分位数(H25，H50，H75，H95)，冠层点云分布平均高度以上的覆盖度(CCmean)，冠层点云分布的变异系数(Hcv)；
各层覆盖度变量：点云数量在各百分数高度(30th，50th，70th，90th，即D3，D5，D7，D9)以上的点占所有点云的百分比；
冠层体积与剖面特征变量：Weibull函数对冠层高度分布剖面进行拟合得到2个剖面特征量α，β(即Weibullα和Weibullβ)；冠层各结构类别体积占比，包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比(即OpenGap，Oligophotic，Euphotic，ClosedGap)。
步骤(4)，通过相关性分析筛选特征变量；
首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与各林分结构参数相关性高于0.6的特征变量。
步骤(5)，将地面实测林分结构参数作为因变量，航空摄影测量点云特征变量作为自变量，建立多元回归模型。
运用逐步回归法选择进入模型的变量，即在预先给定的F水平下进行显著性检验，如果t检验达不到显著水平p＞0.1，则予以剔除；t检验达到显著水平p＜0.05，则予以进入；通过主成分分析计算相关关系矩阵得到控制因子k，k为最大特征根的平方根与最小特征根的比值，k小于30则模型进一步被选中。其中F代表F检验，即方差齐性检验。它是一种在零假设之下，统计值服从F-分布的检验。t代表t检验，它表示用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
采用决定系数(R2)、均方根误差(RMSE)和相对均方根误差(rRMSE)评价回归模型拟合的效果及估测精度：
式中：xi为某林分结构参数实测值；
为某林分结构参数实测平均值；
为某林分结构参数的模型估测值；n为样地的数量；i为某一个样地。
以江苏省盐城市境内的黄海国家森林公园作为研究区，进一步解释本申请：
研究区位于江苏省盐城市境内的黄海国家森林公园，其地理位置为北纬32°33′～32°57′，东经120°07′～120°53′。东台境内地势平缓，地面高程1.4m～5.1m，大部分地区在2.6m～4.6m之间。该区属典型北亚热带季风气候区，具有明显的过渡性、海洋性和季风性气候，日照充实。终年平均气温为14.5℃，年平均口照总数为2169.6h，日照率为51％，无霜期为225d，降雨量为1051mm，土壤质地为沙质土壤。林场森林覆盖率约为85％，森林类型为人工林，主要树种为水杉(Metasequoia)和杨树(Populus)。
步骤(1)，借助固定翼无人机采集高重叠度影像数据，并多旋翼无人机搭载的LiDAR传感器进行LiDAR数据采集。在研究区范围内设置44个圆形样地(杨树26个，水杉18个)，每个样地直径为30m。样地中心点坐标使用GPS(TrimbleGeoXH6000)测定，GPS通过接收广域差分信号定位，精度优于0.5m。并在样地中记录树种并计数，同时测量每木的胸径和树高。蓄积量根据一元材积公式结合实测胸径进行估算，地上生物量通过异速生长方程结合胸径和树高进行计算。根据单木调查数据汇总到样地尺度的林分结构参数，包括林分密度、平均胸径、胸高断面积、平均树高、蓄积量和地上生物量，见表1：
表1 样地实测林分特征信息汇总表
利用本申请的步骤(2)-(5)计算得到各林分结构参数估测模型及模型预测精度，具体见表2。三个典型样地(1，2和3)激光雷达点云和航空摄影测量点云的效果对比，以及航空摄影测量点云垂直分布剖面和Weibull曲线拟合效果见图3-图6。
表2 各林分结构参数估测模型及模型预测精度
| 林分特征 | 截距 | H25 | H50 | H75 | H95 | D5 | D7 | α | β | R<sup>2</sup> | rRMSE(％) |
| 林分密度 | 7239.59 | -168.72 | -1879.87 | -6902.28 | 0.48 | 53.97 | |||||
| 平均胸径 | -7.64 | 1.25 | 2.71 | 19.95 | 0.72 | 22.42 | |||||
| 胸高断面积 | 23.89 | 0.37 | -5.18 | -1.68 | 0.52 | 41.57 | |||||
| 平均树高 | -4.41 | 1.18 | 15.71 | 0.26 | 0.83 | 25.28 | |||||
| 蓄积量 | 81.75 | -3.02 | 5.99 | 62.97 | 0.66 | 47.66 | |||||
| 地上生物量 | 70.73 | 0.74 | 13.55 | -3.53 | 0.63 | 40.73 |
注：H25，H50，H75，H95为冠层25％，50％，75％，95％的高度分布百分位数；D5，D7为点云数量在百分数高度50th和70th上的点占所有点云的百分比；α，β为Weibull函数对冠层高度分布剖面进行拟合得到的2个剖面特征量；R2为决定系数；rRMSE为相对均方根误差。
以上所述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 (7)
1.一种基于航空摄影测量点云提取人工林林分结构参数的方法，其特征在于，包括以下步骤：
(1)在地面设置样地，借助无人机采集高重叠度影像数据和LiDAR原始点云数据；并在样地中记录树种并计数，并测量每木的胸径和树高；根据一元材积公式结合实测胸径进行估算蓄积量，通过异速生长方程结合胸径和树高进行计算地上生物量，根据单木调查数据汇总到样地尺度的林分结构参数，包括林分密度、平均胸径、胸高断面积、平均树高、蓄积量和地上生物量；
(2)对LiDAR原始点云数据滤波并插值生成数字地形模型；对影像数据进行处理生成航空摄影测量点云；使用生成的数字地形模型对航空摄影测量点云数据进行归一化处理获得归一化航空摄影测量点云；
(3)基于归一化航空摄影测量点云提取人工林冠层结构特征变量；所述人工林冠层结构特征变量包括三组，分别为百分位高度变量、各层覆盖度变量和冠层体积与剖面特征变量；利用Weibull函数对冠层高度分布剖面进行拟合得到2个剖面特征量α和β；冠层各结构类别体积占比，包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比。
(4)通过相关性分析筛选特征变量，首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与各林分结构参数相关性高于0.6的特征变量。
(5)将地面实测林分结构参数作为因变量，航空摄影测量点云特征变量作为自变量，建立多元回归模型预测各人工林林分结构参数；
运用逐步回归法选择进入模型的变量，在预先给定的F水平下进行显著性检验，如果t检验达不到显著水平p＞0.1，则予以剔除；t检验达到显著水平p＜0.05，则予以进入；通过主成分分析计算相关关系矩阵得到控制因子k，k为最大特征根的平方根与最小特征根的比值，k小于30则模型进一步被选中。
2.根据权利要求1所述的基于航空摄影测量点云提取人工林林分结构参数的方法，其特征在于：步骤(1)中，借助固定翼无人机采集高重叠度影像数据，并采用多旋翼无人机搭载的LiDAR传感器进行LiDAR原始点云数据采集；根据一元材积公式结合实测胸径估算蓄积量，通过异速生长方程结合胸径和树高计算地上生物量。
3.根据权利要求1所述的基于航空摄影测量点云提取人工林林分结构参数的方法，其特征在于：步骤(2)中，首先去除LiDAR原始点云数据的噪音点，基于滤波方法去除非地面点，然后通过计算每个像元内激光点高度的平均值，生成数字地形模型。
4.根据权利要求1所述的基于航空摄影测量点云提取人工林林分结构参数的方法，其特征在于：步骤(2)中，所述影像数据进行处理包括特征点提取和匹配、空中三角测量和三维点云加密。
5.根据权利要求4所述的基于航空摄影测量点云提取人工林林分结构参数的方法，其特征在于：首先，通过遥感平台拍摄研究区数字影像，通过惯性测量单元实时记录每幅影像的姿态参数；然后，获取影像像对的特征点并进行特征点匹配，通过光束法进行影像内外方位元素的解析并结合空中三角测量生成航空摄影测量点云；在航空摄影测量点云加密的基础上，通过加入地面控制点来对航空摄影测量点云进行空间位置校正，并通过生成的数字地形模型对航空摄影测量点云进行归一化处理，得到归一化后的航空摄影测量点云数据。
6.根据权利要求5所述的基于航空摄影测量点云提取人工林林分结构参数的方法，其特征在于：所述百分位高度变量包括冠层高度分布百分位数，冠层点云分布平均高度以上的覆盖度，冠层点云分布的变异系数；
所述各层覆盖度变量为点云数量在各百分数高度以上的点占所有点云的百分比。
7.根据权利要求1所述的基于航空摄影测量点云提取人工林林分结构参数的方法，其特征在于：步骤(5)中，采用决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价回归模型拟合的效果及估测精度：
式中：xi为某林分结构参数实测值；
为某林分结构参数实测平均值；
为某林分结构参数的模型估测值；n为样地的数量；i为某一个样地。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810879344.2A CN108896021B (zh) | 2018-08-03 | 2018-08-03 | 基于航空摄影测量点云提取人工林林分结构参数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810879344.2A CN108896021B (zh) | 2018-08-03 | 2018-08-03 | 基于航空摄影测量点云提取人工林林分结构参数的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108896021A CN108896021A (zh) | 2018-11-27 |
| CN108896021B true CN108896021B (zh) | 2020-05-26 |
Family
ID=64353297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810879344.2A Active CN108896021B (zh) | 2018-08-03 | 2018-08-03 | 基于航空摄影测量点云提取人工林林分结构参数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108896021B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2773144C1 (ru) * | 2021-06-29 | 2022-05-31 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3039666C (en) | 2016-10-28 | 2022-08-23 | Ppg Industries Ohio, Inc. | Coatings for increasing near-infrared detection distances |
| KR20240144457A (ko) | 2018-11-13 | 2024-10-02 | 피피지 인더스트리즈 오하이오 인코포레이티드 | 은닉 패턴을 검출하는 방법 |
| US11561329B2 (en) | 2019-01-07 | 2023-01-24 | Ppg Industries Ohio, Inc. | Near infrared control coating, articles formed therefrom, and methods of making the same |
| CN110554406B (zh) * | 2019-09-10 | 2023-07-04 | 南京林业大学 | 一种基于无人机立体摄影测量点云的次生林结构参数反演的方法 |
| 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 |
| CN111767864A (zh) * | 2020-06-30 | 2020-10-13 | 北部湾大学 | 一种反演红树林群落对地貌沉积过程的响应方法 |
| CN116664790B (zh) * | 2023-07-26 | 2023-11-17 | 昆明人为峰科技有限公司 | 基于无人机测绘的三维地形分析系统及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5553186B2 (ja) * | 2013-06-25 | 2014-07-16 | 清水建設株式会社 | 生態系ネットワーク評価方法及びその方法を用いた生態系ネットワーク評価システム |
-
2018
- 2018-08-03 CN CN201810879344.2A patent/CN108896021B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2773144C1 (ru) * | 2021-06-29 | 2022-05-31 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108896021A (zh) | 2018-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108896021B (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
| 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 | |
| CN109212505B (zh) | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 | |
| Mitchell et al. | Small-footprint LiDAR estimations of sagebrush canopy characteristics | |
| Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
| CN108872964B (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
| 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 | |
| CN111950336B (zh) | 基于背包式激光雷达的植被冠层生态水估算方法 | |
| KR101080985B1 (ko) | 항공 라이다 성과를 이용한 수고 및 개체 수 확인방법 | |
| CN113221765A (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
| CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
| Apostol et al. | Height extraction and stand volume estimation based on fusion airborne LiDAR data and terrestrial measurements for a Norway spruce [Picea abies (L.) Karst.] test site in Romania | |
| CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
| 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 | |
| CN113269825A (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
| CN109212553A (zh) | 无人机LiDAR和随机森林提取银杏生物物理特性的方法 | |
| CN118483678A (zh) | 森林地上生物量估算方法、装置及介质 | |
| CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
| CN114972358B (zh) | 一种基于人工智能的城市测绘激光点云偏移检测方法 | |
| CN117523391A (zh) | 一种基于异速生长的森林地上生物量快速估算系统及方法 | |
| CN117148376A (zh) | 输电线路障碍物检测方法、系统、存储介质及智能终端 | |
| TWI597405B (zh) | System and method for monitoring slope with tree displacement | |
| CN118294974B (zh) | 基于激光雷达和五镜头倾斜摄影的微地貌探察方法和系统 | |
| Nakajima | Estimating tree growth using crown metrics derived from LiDAR data | |
| Nakajima et al. | A growth prediction system for local stand volume derived from lidar data |
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 |