文摘
减少数据采集成本,本研究提出了一个新颖的方法,个人树高估计和树冠提取基于机载多光谱图像的融合和摄影测量的点云。固定翼无人机部署获得真实的颜色和多光谱图像的防护林。Structure-from-Motion (SfM)算法被用来重建树冠的3 d点云。三维点云过滤获得地面点云,然后插入数字高程模型(DEM)使用径向基函数神经网络(时滞)大小。民主党是减去从数字表面模型(DSM)产生的原始点云获取树冠高度模型(CHM)。皇冠的CHM处理提取使用本地最大的过滤器和分水岭分割。然后,采用面向对象方法的结合12乐队和CHM为图像分割。提取树顶,使用支持向量机(SVM)算法。矢量化和面向对象方法的结果叠加在CHM估计这棵树的高度。实验结果表明,采用点云是有效的,提出树高估计方法有巨大的潜力。 The proposed object-oriented method based on fusion of a multispectral image and CHM effectively reduced the oversegmentation and undersegmentation, with an increase in the - - - - - -通过0.12 - -0.17分。我们的研究结果提供了一个参考的健康和变化监测保护森林。
1。介绍
保护森林是绿色壁垒在沙漠的边缘,能够防止土地沙漠化和提供防风和沙固定。因此,他们发挥着不可或缺的作用,加强生态系统的自我调节能力,减缓土地沙漠化的扩张。保护森林的退化由于人为破坏和气候变化,土地荒漠化已成为更加紧迫的预防1]。改善生态环境,减少自然灾害,中国政府还先后实施生态修复项目旨在防止土地沙漠化,比如三北防护林工程项目(TNSP)和粮食绿色计划(GGP) [2,3]。因此,监测保护森林的生长参数已经变得至关重要。在这些参数中,树高是防护林结构特性的一个重要指标,是至关重要的郁闭度和地上部生物量的估算4,5]。快速、准确提取树高度的避难所森林维持荒漠生态系统具有重要意义。
估计的树高、手动测量和卫星遥感方法不能满足需求的林业管理部门监控产品,如树高的专题地图。传统上,树木高度的个人获得使用地面测量方法,在测量树高与激光测距仪和其他测量设备,允许更高的树高测量结果的准确性,但消耗大量人力和物力6]。高分辨率遥感技术的迅速发展不仅提高了树高的效率估计也提供了一个广泛的数据来源,全球视界2号(带来包括7]和GF-2 [8),已被用来证实潜在的星载卫星图像在树高的估计。卫星数据,研究者使用高精度数字高程模型(DEM)协助生成一个树冠高度模型(CHM) [8- - - - - -10]。但是民主党的缺点是显而易见的:数据的准确性低,最高的只有30米(11)、低分辨率和显示的能力有限的微妙变化地形和生成CHM森林面积的复杂的地形。徐et al。12)建立了一个高精度DEM的生成的点云光探测和测距(激光雷达),然后减去DSM的DEM生成摄影测量的点云获取化学加工。激光雷达可以穿透保护森林的树冠内部和地面通过激光回波,从而获取森林垂直结构信息,这有利于生成高精度的DEM。然而,既不是经济上最优的方法,这是因为激光雷达数据是更加昂贵和不适用在大型防护林监控。此外,当存在一些影响因素,如云层覆盖,卫星数据很难提供林业监测产品所必需的林业管理在一个特定的时间。
无人机(UAV)图像重叠率可以产生高的摄影点云与更低的成本和更高的经济效益。防护林的图像数据实时更新,保证大规模按计划飞行操作。生成的CHM无人机摄影测量的点云树中显示了良好的性能高度估计(13- - - - - -15]。然而,摄影测量的点云是由图像匹配,和森林结构只允许重建树之间的距离足够远时识别之间的地面和树冠以下。此外,无人机摄影测量的点云的CHM生成通常低估了树高(16,17]。以满足经济效益和数据需求,通过摄影测量的点云获取高精度DEM已成为一个关键问题。与此同时,径向基函数神经网络(时滞)大小的空间插值能力提供了可能性。时滞已经应用于水文数据大小空间插值预测(18)、土壤元素插值(19),点云插值(20.),等赵et al。(20.)使用时滞,大小插入激光雷达点云,并获得结果,点云海拔预测系数( )0.887,均方根误差(RMSE)是0.168米。空间数据的时滞具有很高的预测精度大小,而很少有研究应用到摄影测量的高程点的预测云。因此,本研究着重于生成DEM的适用性只基于摄影测量的点云。
到目前为止,许多学者进行了研究单个树高评估方法不同林地场景下基于点云数据生成的化学加工。Brieger et al。21)用无人机摄影测量的点云数据生成一个CHM,选择三种类型的站数据稀疏的落叶林,密集的落叶林,和密集的混交林,使用当地最大过滤器(LMF)变量窗口大小树高估计。黄等。22]使用摄影测量的点云来生成DEM和数字表面模型(DSM)通过三角不规则网络(锡)插值得到CHM和LMF估计树高。在无叶的和稀疏的森林地区,发现很难重建三维(3 d)结构的森林地区,导致低树高估计的准确性。相反,在森林地区有足够的叶子,树高估计的准确性大大提高,证实了摄影测量的重要潜力估算点云的个人保护森林的树的高度。这些研究都是基于生成的CHM为个人树高估计,点云的,无论算法的使用,个别树木将受到oversegmentation和undersegmentation21,23]。这是阔叶森林更明显,个体树的树冠有多个顶点和多个最大值,这将导致oversegmentation。
因此,树顶的高精度提取高精度的树的高度估计的先决条件。基于对象的图像分析(OBIA)使用分割对象为基本分类单元,充分利用对象的光谱和纹理。与传统的基于像素的分类方法相比,它可以有效地提高分类精度。富兰克林(24)取得的结果总体分类精度约为50%,60%,和80%,分别为九个商业针叶树采用基于像素无监督聚类,最大似然分类监管,OBIA无人机多光谱图像。无论哪种分类方法使用,近红外光谱分析的准确性比单独使用RGB乐队,证实了多光谱数据有一个独特的优势RGB描述树冠。因此,理论上是可以把点云与多/高光谱遥感图像提取树树冠减少oversegmentation和个人undersegmentation树。
针对上述问题,我们的研究目标是解决低DEM精度的问题由于树树冠遮挡利用时滞插值预测大小,并将点云与多光谱数据通过使用OBIA减少oversegmentation和undersegmentation树冠。实验验证三个方面选择,这项工作的主要贡献如下:(1)我们已经解决了这个问题当前的点云数据的DEM精度低的摄影点云森林林冠覆盖率高(2)相比之下,树顶仅基于CHM提取方法,提取多光谱图像融合的树顶民主党有明显的优势
2。研究区和材料
2.1。研究区域
我们选择了三个北防护林面积(45°10N, 85°56E)北部的150兵团Mosuowan复垦区域为研究区,这是石河子以北大约150公里的城市,新疆维吾尔自治区,中国(图1)。兵团是位于天山脚下北部和南准噶尔盆地Gurbantunggut沙漠边缘,四周都是沙子东,西,北。防护林种植在一个楔形边缘的沙漠,主导主要由落叶阔叶森林等榆属pumila,杨树bolleana,胡杨,Elaeagnus angustifolia,梭梭体内,都是耐旱著称。此外,他们的防风和沙子固定能力强让这些树种提供优秀的沙子在干旱沙漠地区固定和绿化效果。此外,特征榆属pumila和Elaeagnus angustifolia,如大型和密集的树冠,不同的生长条件,空间分布不平衡,并存在额外的绿色植物(如杂草)树基础上,提供一个机会来测试树高的准确性评估在一个复杂的背景下。
我们选择三个地区为研究区,防护林带的三个方面的特点如下:(1)研究区1-mixed人工森林组成的榆属pumila,杨树bolleana,胡杨,Elaeagnus angustifolia,小间距的树冠茂密的森林,如图1(b);(2)研究区2-sparse组成的纯林杨树bolleana大部分是在良好的健康,树冠之间的差距很大,如图1(c);(3)研究区3-sparse纯组成的森林杨树bolleana主要是不完好,树冠之间的差距很大,如图1(d)。
2.2。遥感数据采集
本研究中使用的无人机平台产生的固定翼无人机CW-20 JOUAV公司。这是配备了SONY-A7RII可见光相机和微MCA12提前多光谱相机,可见光图像和多光谱图像的获得,作为我们研究的数据来源。无人机具有完全自主起飞和快速安装。这是一个专业人士航空测量无人机26-40 m / s的巡航速度和电池寿命的3 h。它是由gc - 202地面站和CWCommander软件和使用实时运动学/后加工运动(RTK / PPK)定位技术。遥感图像获取的位置信息可以达到厘米级精度,和这些设备已经广泛应用于遥感数据的获取在中国大规模的农业和林业。2019年10月9日,我们选择数据采集日期,并设置一个相对飞行高度400米,飞行研究区域的覆盖面积8.48平方公里,是符合要求的高精度摄影测量的点云,根据一项研究的建议25]。外侧方向和路线重叠率80% SONY-A7RII可见光相机,和空间分辨率为0.05 m。1716张图片是创建一个点云。以满足缝合需求,微MCA12拍照多光谱相机(微MCA12传感器带参数如表所示1在设置:行)重叠率达到60%,重叠率为70%,相对飞行高度400米,0.2米的空间分辨率。此外,我们四个辐射地面目标的反射率为3%,22%,48%,64%为未来辐射校正。
2.3。实地测量
2019年10月7日进行了实地测量。的位置(包括纬度和经度坐标)个人树记录使用的地理定位功能Aowei软件基于谷歌地图。的健康(好或坏的条件)每棵树被记录,和多功能激光测距仪(BAOSHIAN-CS600VH)是用来衡量个人树的高度的抽样情况如图1(b) -1(d)和抽样数量如表所示2。此外,树冠抽样数量(数量的手动划定树克朗在研究区)如表所示2。
记录地理位置是导入ArcGIS 10.6软件以及任何偏差纠正。根据物种的相似性和整体的林分结构字段数据之间的相似性,包括树木覆盖,密度,和种植类型,选择三个方面,这样数据不会受到防护林的生长的影响。所有的实地测量防护林的一周内收集三个方面与无人机数据采集。
3所示。方法
本研究的技术流程如图2,其中包括以下步骤。
3.1。数据预处理
完成了飞行任务后,位置和姿态系统(POS)基站中的数据排序并导入到Pix4Dmapper 4.4.10软件进行处理。特征提取后,图像匹配,束调整,自动三角,相机自检,并优化外部参数,该图像初步处理。基于Structure-from-Motion密集的点云(SfM)通过选择下列参数:生成图像比例尺是一半(默认值)多尺度选项选中,点密度将是最优的,匹配的最小数量是3。这个操作导致了摄影测量的点云数据的格式和生成正色摄影空间分辨率为0.05 m。摄影测量的点云是导入Terrasolid软件经历这样的过程:首先,噪音从点云数据中删除,然后使用锡点云过滤进行致密化滤波方法构建到Terrasolid软件获得地面点云。使用生成的原始摄影点云,通过逆距离加权插值操作(IDW) ArcGIS 10.6软件,生成DSM的0.2分辨率。
获得原始多光谱图像在原始格式导出,和Tetracam PixelWrench2软件被用来将其转换成标准的TIFF格式的光栅图像数据。POS和图像之间的一一对应的执行Pix4Dmapper 4.4.10软件获取与0.2米空间分辨率多光谱图像数据。辐射校正进行正色摄影被缝在一起,和实际的数字量化值之间的关系( )无人机的多光谱图像和地面反射率( )是 在哪里比例增益系数和吗是偏移的值。
根据校准方程,价值观的四个目标图像在地面上被画感兴趣的区域,计算标准反射率值对应的四个目标。最小二乘法用于适应经验线性模型。这个操作提供了系数和无人机的微MCA12提前multispectrometer辐射校准。基于可见光图像,选择30 - 40控制点以及修正后的多光谱图像数据是地理位置在ArcGIS 10.6软件注册后续树冠分割。
3.2。时滞预测大小插值生成DEM
时滞(大小27,28)通常可以用于分类或空间数据插值。由于其结构简单的优点,学习速度快,不易陷入局部最小值,它常常被用于空间数据插值预测(29日]。时滞被应用到大小通过插值生成DEM的机载激光雷达点云,也试图生成DEM的摄影点云(30.]。因此,我们利用网络获得的地面点云过滤作为输入和每个点插值生成高度值。时滞是大小通常由一个输入层、隐藏层和输出层(图3)。
输出公式是
我们通常描述作为 在哪里是输出层函数的时滞,大小样品的重量吗隐藏的神经元,神经元的输出层,采用高斯函数,是示例中的基函数的中心隐层神经元细胞的宽度的样本吗隐层神经元。
生成DEM的分辨率0.2从地面点云是由时滞插值大小,CHM是通过减去从DSM(图4)。
3.3。多光谱图像结合CHM树冠提取
所选择的三个领域有丰富的特性,比如裸露的土壤,阴影,在树冠和杂草,这使得很难提取树冠。为了描述个人保护森林的树冠,本研究提出了一种基于多源数据的融合OBIA方法(FMSD-OBIA)来识别树冠。传统的监督分类方法是基于统计基于像素光谱特性,选定的样本特征值在集群获得进行像素级分类的结果。图像分辨率的提高导致了单个像素的光谱特征和纹理信息。OBIA方法是基于光谱的特点,纹理,形状等,分为地区或集,更适用于高分辨率图像数据。在本文中,我们使用多光谱传感器微MCA12提前配备两个乐队的红色边。红色的边缘有高灵敏度植被,可以更好地反映植被的光谱特征,并在植被的分类有一定的优势。十二个原创乐队的CHM选择组合,并基于FMSD-OBIA法提取树顶。
分割和分类的操作FMSD-OBIA进行了5.3的环境,包括三个主要步骤:分割、合并、监督分类。合理的分割和合并鱼鳞FMSD-OBIA方法很重要。如果细分的尺度太大,结果的方法将受到合并和识别较小的树冠,否则,结果的方法将受到更大的树冠划分为可观的多个部分和破碎的补丁。在5.3的环境中,边缘分割算法被选中,全部λ调度算法选择合并,并通过反复实验,FMSD-OBIA参数选择(表3)。 - - - - - -最近邻(资讯)和支持向量机(SVM),监督版本的算法,一般用于以下FMSD-OBIA分割。支持向量机是一个很好的小样本学习算法,在遥感图像分类显示良好的鲁棒性。在这项研究中,树树冠和其他对象(视为背景)被分为两类,和训练样本(70%的手工划定的树冠)选择采用乙状结肠内核函数。获得的支持向量机算法进行了监督分类和矢量图像。
3.4。树冠提取基于化学加工和树高估计
基于CHM, R-package ForestTools (https://github.com/AndyPL22/ForestTools Plowright 2020) [31日)是用于完成个人住所的位置检测和树冠面积划分森林。我们使用可变窗滤波器(VWF),一棵树检测函数,它是一个动态循环LMF基于移动窗口(32]。因为不同树木的冠大小不同,各种线性函数需要被使用。像素的高度值被用来估计的半径搜索窗口。根据一项研究的建议(21],树木的冠狭窄时,一个较小的搜索半径是建议使用,而树木的冠较大时,一个更大的搜索半径。通过反复实验,研究区被选中的搜索半径,如表所示4。
然后,marker-controlled逆分水岭分割(华盛顿)方法被用来探索树皇冠大小根据检测到的树树冠顶点。分水岭算法(33]提出了文森特,其基本思想是把图像看成一个地形图,在图像中每一灰度值代表点的海拔高度,每一个局部极小值及其影响区域代表了汇水盆地边界形成的一个分水岭。然而,与不规则噪音和梯度图像容易oversegmentation,这样一个分水岭算法,包含之前的标签被设计来解决这个问题。算法逆转CHM,皇冠点作为种子点,计算每个网格单元附近的梯度,确定皇冠的轮廓区域,并设置最小高度单一树minHeight参数为2米。通过以上操作,树顶提取结果。
FMSD-OBIA方法获得的结果是矢量化,和矢量图像叠加在CHM获得获得数据( 结果)。LMF算法应用于每个多边形的数值统计(树皇冠),其最大值是树的高度。
3.5。精度评价树顶和树高
为了进一步评估生成的皇冠地图,三个领域的多光谱图像是由一位经验丰富的研究员,然后手动划定的手动划定皇冠地图被用于空间与model-generated皇冠地图。为了简单起见,地图自动提取模型和地图绘制的手工被称为目标地图和参考地图,分别。参考图像边界附近的王冠也被删除,只剩下的王冠被用于以下评价。根据所有剩余参考冠和目标之间的空间关系部分,他们被分成以下五类34,35]:(一)皇冠匹配:目标树冠地图(树冠提取模型的结果)和参考树冠地图超过50%,这被认为是一个皇冠匹配(b)皇冠几乎匹配:目标树冠地图和参考树冠地图只有超过50%的其中之一,被认为是一个皇冠几乎匹配(c)皇冠错过:目标树冠地图和参考树冠地图没有在彼此的50%,这被认为是一个皇冠了(d)皇冠合并:如果有多个参考冠与树冠覆盖面积一半以上的目标,多个参考皇冠地图被冠合并的自动描述(e)皇冠分裂:如果有多个目标细分市场一半以上的面积由皇冠的引用,引用皇冠地图被认为是皇冠分裂自动描述
皇冠匹配匹配和皇冠几乎被认为是正确的冠宽度提取结果和记录为真阳性(TP);皇冠错过和皇冠合并被认为是遗漏错误和记录为假阴性(FN);和皇冠分裂对应委员会错误和记录为假阳性(FP)。然后,皇冠提取召回率(回忆),准确率(精度),和 - - - - - -分数定义如下(36]:
估计这棵树的高度,运用线性回归分析模型的估计结果和收集到的实地测量,以及确定的系数( )和均方根误差(RMSE)是用来定量评价估计的准确性。的价值范围在0和1之间,一个更大的价值,这表明取得了良好的拟合效果。RMSE是用来测量预测值和测量值之间的偏差,一个较小的值表明,误差小,预测效果好。的计算公式和RMSE如下: 在哪里样本的预测价值吗树的高度估计模型,样品的测定值吗防护林,测量样本的平均值,是样品的总数。
4所示。结果
4.1。分析的结果中提取单个防风林的王冠
不同方法提取的结果三个选定地区的树冠在图所示5,可以通过现场取样的结合,照片,和视觉观察。LMF和调幅波的方法在研究区域1中,一个树顶的分裂成两个(oversegmentation现象)和两个树出现冠合并成一个(undersegmentation现象)。Oversegmentation现象也出现在研究区域2和3,还有许多冠冕错过。的树冠提取FMSD-OBIA oversegmentation和undersegmentation现象的方法有效地解决了这个问题在研究区域1中,尽管undersegmentation现象研究区域2和3仍然出现,已减少。此外,皇冠遗漏现象的发生率也降低了。总的来说,FMSD-OBIA方法比传统方法的组合LMF和调幅波,和皇冠提取性能也得到改善。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
为了定性评估的结果不同林冠提取方法的提取精度个人保护森林的树冠在研究领域,我们计算相关的评价指标,如表所示5。FMSD-OBIA方法取得了良好的结果在三个研究领域:平均水平 - - - - - -分数高于0.89,平均水平 - - - - - -分数LMF的组合方法和调幅波不超过0.8,值在0.75和0.79之间,表明皇冠FMSD-OBIA方法的结果更符合实际的防护林皇冠的结果。
对于研究区域1,个人的大小树冠在茂密森林面积不一致,这构成了重大挑战LMF和调幅波相结合的方法,导致个别树木和小冠错过或合并,健康树记得0.74的价值和死树回忆值为0.70。此外,有多个局部极大值在阔叶森林(如榆属pumila和Elaeagnus angustifolia),导致个别树木被分成多个树。共有40名健康的树木和19死树oversegmentation,用精确值分别为0.83和0.84。FMSD-OBIA方法有效地减少了这两种现象的出现:召回值增加了0.12和0.16,而oversegmentation现象降低了由16个和13个树,分别,因此导致增加0.08和0.11的精度值。
研究区2中的健康的树木是紧凑而稀疏,占主要的杨树bolleana。此外,树冠面积小:0.2米空间分辨率的多光谱图像大多是20 - 50像素,树冠面积是0.8 - 2米2。oversegmentation的方法显然是减少,健康树的精确值高于0.93。健康的回忆值树和死树增加了0.13和0.20相对于LMF和调幅波相结合的方法,和 - - - - - -得分分别增长了0.09和0.16,,这表明FMSD-OBIA方法有效地避免了失踪,合并的树。
有更多比健康的树木在研究区3死树,也有很多的灌木树下。很难区分树木单独使用高度信息。多光谱图像结合高度信息被用来提取冠基于对象,有效地清除灌木从王冠图像。附着力和合并改善了回忆和精度值,增加了0.23和0.07,分别表明光谱信息提取树冠中发挥了关键作用。
4.2。树的高度估计的准确性评价模型
个人树高提取使用相比,本文提出的方法,实地测量树高与线性拟合在研究领域(表1 - 36)。的RMSE值三种类型的防护林研究区域是不同的,如表所示6。它可以注意到研究区域3的价值是最高的,这有死去的树木,RMSE 1.03米。混交林的价值研究区域1中第二高,含有多个树种和密集的防护林,RMSE的0.68米。和研究区域2的RMSE值最低的0.30米,表明死树区域没有叶子导致更大的错误。我们也分析了样本的平均值,在每一个研究区和估计树高。结果描述如下。测量研究区域1的平均树高8.02米,估计平均树高为7.6米。研究区域的平均测量树高2是4.01米,估计平均树高为3.7米。和研究领域的平均树高测量3 5.77,估计平均树高为5.1米。结果可以解释的总体低估估计使用CHM树高。 The underestimation situation presented above had a difference in various types of shelter forests, and the best estimation was acquired in a vigorous and sparse forest ( ),高的相关性,那么大一个收购在混交林( )。最弱的相关性得到稀疏的森林和许多树木死亡( ),显示不同的摄影测量的能力点云重建森林的树冠不同的避难所。
因为我们没有收集地面点,本研究使用了原始点云没有时滞插值大小。民主党是直接从Pix4D生成软件估算的树高比较,验证时滞插值大小的可行性和科学性。从表可以看出6之后,树高估计结果的准确性时滞插值是大小的总体高于其他两种方法。结果的误差没有时滞插值大小增加,减少的相关性,表明时滞插值预测大小的有效性。时滞插值大小可以用来解决DEM精度低的问题造成的摄影点云大的树冠。研究区域的树冠保险2和3是小的。时滞插值大小后,和RMSE高于其他两个方法(DEM生成没有时滞插值和民主党直接由大小Pix4D软件),证明了时滞是有效的和可行的大小在摄影测量的点云。总的来说,时滞插值大小的树高估计结果更准确和高效。
5。讨论
5.1。分析的结果中提取单个防风林的王冠
由于像素的灰度的不连续变化CHM,分割过程将产生较小的细分单元,和oversegmentation undersegmentation经常发生。方法基于光谱信息结合化学加工和使用一个FMSD-OBIA方法提取皇冠,这被认为是对象的基本单元,是一个更好的方法比传统方法提取的防护林。它有效地降低了误分类的像素防护林冠和其他功能类别。因此,有更多的修正信息(如频谱和高度)有关树冠提取,提高模型的准确性,研究结果是一致的(37]。
基于结合LMF和调幅波的方法有一个很大的区别在皇冠提取结果在三个研究领域。稀疏的森林的树冠提取的准确性(在研究区域2)比混合的茂密的森林(在研究区域1),但研究区3中的稀疏森林导致最严重的提取效果。差异的主要原因是大不同防护林的三种类型的特点。在研究区3中,有许多树木枯萎(死亡),和覆盖范围很小;因此,树冠植被特征并不明显。此外,保护森林已经大行间距和小密度,也使其难以提取树冠。如果提取树冠太小,遗漏错误的现象更加严重。相对,稀疏的森林研究区域2中有大行间距和低密度,但冠宽度是合适的面积,这可能是更容易区分的冠冕背景,从而导致一个更好的提取精度。
在混交林在研究区域1中,王权的巨大差异大小很难确定了VWF函数的搜索半径成单个树的过程检测,导致oversegmentation和遗漏错误的极端的树太大或太小。纸浆包面向对象方法的准确性在所有三个研究领域是高于LMF和调幅波的组合的方法。树冠提取结果理想,也就是说,树冠边缘是更好的识别和树顶信息完全描述。不管它是一个稀疏的森林或混交林,oversegmentation和undersegmentation减少的出现,和整体稀疏森林FMSD-OBIA方法精度高于混合茂密的森林。死树与小皇冠区域精度高于混合茂密的森林,因为添加光谱信息,之后有一个区别死树和周围的环境,可以有效的区分。然而,最好的结果无法仅利用光谱信息,获取-14%低于11%的树冠提取结果研究[38]。
一般来说,皇冠的FMSD-OBIA方法提取oversegmentation和undersegmentation可以有效地解决这个问题。然而,这项研究仍有一些局限性。尽管面向对象方法精度高,自动化程度并不理想,随着阈值需要设置手动这通常要求获得大量的尝试不同的参数还需要设置为不同类型的防护林和特别是在混交林,它几乎是不可能的定义不同的树冠区域得到准确的边界信息,导致的结果之间的差异提取树冠不同区域和实际的边缘。因此,一个单一的最优分割尺度不适合提取树冠与皇冠区域在同一图像之间存在较大的差异。
5.2。分析差异不同防护林类型的树高估计
在这项研究中使用无人机摄影测量的点云来估计个别树木的高度为不同类型的防护林,DEM生成基于时滞插值大小的可用性确认。这种方法具有较高的估计精度,可以实现经济。方法将点云数据与激光雷达或激光扫描仪获得的。现有研究表明,DEM精度将受到植被覆盖率、斜率和插值算法(39]。防风林是坐落在沙漠的边缘,那里的地形相对平坦,植被覆盖率并不大。数据采集时间是在秋冬季节之间的过渡。研究[40,41]表明,民主党是冬天最准确的植被覆盖率较低。通过插值获得的CHM时滞理论能更准确的大小树高度估计。分析实际的树高和估算的平均树高表明总体估计树高是低估了(0.3至0.7米)。Nuijten et al。42)表明,树高时可能会低估了叶子有所下降。10月霜后在新疆北部地区,防风林的叶子开始变黄,逐渐下降,而树冠的植被覆盖率也减少,导致树的整体低估现象高度。
树高的差异估计不同防护林带类型主要是由于摄影测量的采集和重建点云。从无人机平台获取的图像数据是受许多因素影响的重建3 d树冠点云(13,39,43),包括无人机平台、传感器、图像采集参数,和保护森林类型。本研究专注于摄影测量的点云重建的能力的差异在不同类型的防护林,选择图像数据获得的同一天,相同的排序,并使用相同的飞行平台,重叠率、和照明条件,防止这些参数影响的点云重建。通过本研究,发现防护林的树种和健康状况对树高估计有不同的影响。死树没有叶子(杨树bolleana稀疏的森林),RMSE是1.03米,测量数据的相关性低于其他类型。密集的混交林RMSE低于了稀疏的森林树木死亡。死树的皇冠区域显著低于健康的树木,和植被信息不明显,使点云重建的困难。一般来说,点云密度越高,获得的更多的树冠信息;这是更有利于重建树冠点云信息,和更高的点云密度可以提供更高的估计精度树高(44]。死树有一个小树冠和有限数量的点云。林冠覆盖率较低导致更少的特性,可以提取,这减少了重建点云的能力。这导致更高的树高估计误差,它的研究结果是一致的22]。
6。结论
本研究提出了一个新颖的方法,个人树高估计基于机载多光谱图像的融合和摄影测量的点云,选择3地区防护林的验证。后生成的DEM时滞插值可以满足大小估计树高的要求,这证实CW-20固定翼无人机摄影测量得到的点云,配备SONY-A7RII相机,有巨大的潜力为树高的估计。保护森林的树冠的覆盖率和卫生条件有一定摄影点云重建的影响。死树树冠面积小和没有健康植被的生理特点,所以SfM算法从图像中提取更少的特点。FMSD-OBIA方法用于12条带和CHM增加林木树冠防护林带的光谱信息,有效减少oversegmentation和undersegmentation的现象,增加了 - - - - - -由0.12 - -0.17分,改善树冠提取的准确性。该方法是有效的估算个别树木的树高沙漠地区防护林的但是需要进一步改进。面向对象方法的自动化程度并不理想,肯定有进一步改善的空间精度和树冠的速度,可以取代深度学习的方法。此外,这两种类型的林分数据,从密集和稀疏的森林地区,可以用来建立一个基于multiperiod树高生长模型图像数据,这将有助于进行健康评估保护沙漠森林,为维护和更换提供了重要参考。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
作者要感谢同事们的支持地理空间信息工程研究中心,新疆生产建设兵团,尤其是马Yongjian一职田、香长。本研究在经济上支持的新疆生产建设兵团科技项目(2017 db005);地理空间信息工程研究中心创建、新疆生产建设兵团(2016 ba001);和中央政府指导地方科技发展专项资金(201610011)。