地基激光雷达的玉兰林冠层叶面积密度反演

叶面积密度LAD(Leaf Area Density)是表征冠层内部叶面积垂直分布的重要参数,其分布廓线的准确反演对研究植被碳氮循环、初级生产力和生物量估算等具有重要意义。本文在电子科技大学校内建立实验样区,利用地基激光雷达Leica Scan Station C10和数码相机获取玉兰林高分辨率3维激光点云数据和真彩色影像。利用监督分类将真彩色影像中枝干等非光合组织与叶片分离,再将像素分类信息映射给点云数据,从而提取叶片点云。通过点云数据体元化,并引入2维凸包算法确定垂直方向分层树冠边界,获取激光接触冠层的频率;随机选择不同高度的多个叶片,利用特征值法进行叶片平面拟合,估算出叶倾角,并结合天顶角估算叶倾角校正因子;最后基于体元的冠层分析VCP(Voxel-based Canopy Profiling)方法实现树林冠层LAD反演。结果表明体元化的叶片点云数据能准确确定树林冠层边界和统计接触频率实现LAD反演;反演的LAD变化走势与区域林木冠层叶片垂直分布相吻合,在冠层中下部随着高度的增加叶面积密度也随之增加,在4 m高度处达到最大值1 m2/m3,之后随着高度的增加叶面积密度逐渐降低。根据LAD计算得到的累积叶面积指数LAI为3.20 m2/m2,与LAI-2200实测的叶面积指数相比,相对误差为1.26%。     

地面激光雷达的单木真实叶面积指数提取

针对已有的测量叶面积指数(LAI)的方法中,LAI测量结果受其定义、采样方法、数据分析和仪器误差等影响产生极大差异的问题,该文使用地面激光雷达(TLS)提取LAI,对北京林业大学校园内具有代表性的单株树木进行了扫描,通过对数据预处理提取出树冠点云,将其模拟为半球图像后运用球极平面投影和Lambert方位角等面积投影两种投影方法,通过统计面积的方法分别计算不同投影方法和图像划分方法下的孔隙率,进而计算出真实叶面积指数。同时与利用叶面积指数仪LAI-2000所测得的数据进行对比。研究结果表明,地面激光雷达提取单木真实叶面积指数与实测值对比,两种投影下18个环的图像划分方法均更接近真实值,其中在Lambert方位角等面积投影下计算结果更准确。     

地面LiDAR数据模拟及单木LAI反演

地面激光雷达Li DAR可以快速获取高精度、高密度的点云数据,在植被结构参数获取方面的应用越来越广泛。为了定量分析地面激光雷达点云数据获取单木结构参数的能力和精度,本文提出利用光线跟踪结合植被真实结构模拟地面3维激光扫描仪的单木点云数据(以RIEGL VZ-1000为例),并结合间隙率模型反演单木叶面积指数LAI。在点云模拟过程中,充分考虑了脉冲特性,包括光斑大小、波束发射角以及回波探测强度。重点分析了光斑大小和最小探测强度对LAI反演的影响,并采用根河实测单木数据进行了验证。结果表明,光斑大小和最小探测强度的设定对于LAI反演结果存在很大影响,该结论对于提高地面激光雷达点云数据反演植被结构参数精度具有重要意义。     

激光雷达和点云切片算法结合的森林有效叶面积指数估算

叶面积指数(LAI)是定量模拟和刻画植被冠层结构、生理过程以及研究森林生态系统碳水循环中物质和能量交换的重要生物物理参数之一。定量分析林冠元素的3维空间分布是准确估算森林叶面积指数的重要基础和关键步骤。本文利用地面激光雷达扫描系统(TLS),获取了不同树种、密度、年龄和空间分布的森林3维点云数据,利用"径向半球点云切片"和"点云法向量重建"算法分别计算森林的角度孔隙率和消光系数,进而得到森林冠层的有效叶面积指数。通过与利用传统光学仪器得到的结果比较发现:单站半球式激光雷达扫描得到森林样方尺度的结果与LAI-2200和数字半球摄影观测所得结果的相关性分别为R2=0.7084(N=9,p0.01)和0.7409(N=14,p0.01)。通过角度分辨率(LBA)和角度孔隙率(AGF)的敏感性分析,建议径向半球切片算法的角度分辨率应参考中心单站TLS半球式扫描所设置的采样间距。本文所采用的径向半球切片算法可以有效地利用单站半球式扫描所获取的3维点云进行森林冠层有效叶面积指数的定量估算。     

双集合卡尔曼滤波估算时间序列LAI

遥感估算叶面积指数(LAI)时空动态变化对全球气候变化研究具有重要的意义,为了提高遥感估算时间序列叶面积指数的精度,需要耦合遥感观测数据与LAI动态过程模型。本文提出一种基于双集合卡尔曼滤波(Dual EnKF)的时间序列LAI反演方法,同时更新LAI估计值和LAI动态过程模型中的敏感性参数,得到LAI和动态过程模型敏感参数的最优估计值来优化动态过程模型。一方面使得动态过程模型可以更好地描述LAI随时间的变化过程,降低模型预测误差,从而提高LAI动态过程模型的预测能力;另一方面通过耦合动态过程模型和辐射传输模型,集成遥感观测数据与动态过程模型的预测值,进而得到优化的LAI估计值。为检验算法,分别选取作物、草地和林地等典型植被验证站点进行Dual EnKF LAI时间序列估算,并分别与MODIS LAI产品及其SG滤波曲线、集合卡尔曼滤波方法反演LAI、未优化的动态过程模型模拟LAI结果进行比较,并配以一些站点地面实测点数据作为参考。结果表明,采用Dual EnKF方法得到的LAI不但保持了时间上的连续性,而且通过改善动态过程模型的预测能力,即使在缺乏高质量遥感观测数据时,也能够获得符合LAI发展趋势的估算值,没有出现跳跃、波动现象,时间序列曲线较稳定,更符合植被LAI变化规律,表明基于Dual EnKF的时间序列LAI遥感估算方法是提取LAI时间廓线的一种有效途径。     

面向车载激光扫描点云快速分类的点云特征图像生成方法

车载激光扫描是空间数据快速获取的一种重要手段。车载激光扫描点云数据的分类和特征提取是目标识别与三维重建的基础。本文以车载激光点云数据为研究对象,提出了一种适合于其快速分类与目标提取的点云特征图像生成方法。该方法首先将扫描区域进行平面规则格网投影,通过分析格网内部点云的空间分布特征（平面距离、高程差异、点密集程度等）确定激光扫描点的定权,从而生成车载激光扫描点云的特征图像。利用生成的点云特征图像,可采用阈值分割、轮廓提取与跟踪等手段提取图像分割的建筑物目标的边界,从而确定边界内部点云数据,实现目标分类与提取。本文以Optech公司的车载激光扫描数据为实验对象,验证了本文提出方法的可行性和实用性。实验结果表明,该方法能快速有效分离出车载激光扫描点云中的地面数据、建筑物数据等。     

基于球面投影的单站地面激光点云直线段提取方法

由于激光点云离散分布于三维空间,导致特征计算困难,目前针对地面激光扫描点云的直线提取方法普遍存在计算量大、提取错误、或适应性不足等问题。本文提出了一种基于球面投影的单站地面激光点云直线段提取方法:首先将三维点云投影到球面上,球面投影后的三维点云保持了正确的邻接关系,同时也解决了三维数据计算量大的问题;然后,利用球面霍夫变换,正确提取球面投影后点云中的直线段特征;最后,利用稳健的直线拟合算法计算点云中的三维直线段参数。通过对室内室外场景数据的直线段提取试验及与商业软件Geomagic Studio等方法的对比试验,验证了本方法的正确性、适用性和准确性。     

基于深度图像的建筑物点云平面边界线提取算法

以地面三维激光扫描建筑物数据为对象,提出一种快速提取建筑物平面边界线算法。将点云数据先进行目标分割,然后转化为二维的深度图像,探测深度图像的边界,利用深度值与点云坐标的对应关系提取建筑物点云边界线。通过实际数据的实验,验证了算法的可行性。     

三维激光扫描技术生成DEM及其在自然保护区生态环境中的应用研究

利用地面三维激光扫描仪,选择敦煌市阳关国家级自然保护区西土沟村为研究区,通过制定详细的数据获取方案,快速获取该区域高密度的三维激光点云数据和高分辨率的影像数据;通过数据预处理、数据后处理等,提取研究区高精度、高空间分辨率的DSM、DEM/DTM和CHM;详细深入地分析了地面三维激光扫描技术及其产品在自然保护区生态保护中应用方面的问题。研究表明,地面三维激光扫描技术可以为生态环境监测工作提供高精度的数据保障,而且相对于机载激光雷达等其他手段,数据获取方式灵活、方便,成本低、效率高,能够在生态环境动态监测与保护工作中发挥重要作用。     

联合无人机LiDAR与Sentinel-2影像估算大豆叶面积指数

针对利用卫星遥感影像进行大范围反演大豆叶面积指数(LAI)时人工野外样本实测耗时耗力的问题，该文以黑龙江省海伦市、嫩江市两块大豆样地作为研究对象，使用无人机平台获取激光雷达(LiDAR)点云数据，利用孔隙度模型进行大豆LAI反演，根据地面实测数据开展精度评价，并进一步探讨利用无人机LiDAR反演值替代地面实测值进行Sentinel-2卫星影像LAI反演的可行性。实验结果表明，去掉地块边缘混合单元网格影响后，两块大豆样地的LAI反演精度均优于90%。利用无人机LiDAR反演值替代地面实测数据与植被指数构建回归模型，大范围卫星反演LAI精度均优于86%。     

基于波谱知识库的MODIS叶面积指数反演及验证

目前用物理模型反演叶面积指数普遍存在缺少先验知识的状况，如何获得准确的先验知识是遥感走向应用的一个关键环节。中国典型地物标准波谱数据库就是结合国家重大行业中的应用需求，研究制定地物波谱获取与分析的技术规范和数据标准，建立典型地物标准波谱数据库。从波谱数据库提取模型反演所需要的先验知识，实现了基于SAIL模型的MODIS数据（经过几何纠正与大气纠正）叶面积指数的反演。另外，基于TM数据，对MODIS混合像元进行了分解，用纯像元的叶面积指数与实测数据进行对比验证，同时，反演结果与NASA的LAI产品也进行了对比，结果表明基于波谱库的先验知识可以有效的提高叶面积指数的反演精度。     

Retrieval of effective leaf area index (LAIe) and leaf area density (LAD) profile at individual tree level using high density multi-return airborne LiDAR

As an important canopy structure indicator, leaf area index (LAI) proved to be of considerable implications for forest ecosystem and ecological studies, and efficient techniques for accurate LAI acquisitions have long been highlighted. Airborne light detection and ranging (LiDAR), often termed as airborne laser scanning (ALS), once was extensively investigated for this task but showed limited performance due to its low sampling density. Now, ALS systems exhibit more competing capacities such as high density and multi-return sampling, and hence, people began to ask the questions like—“can ALS now work better on the task of LAI prediction?” As a re-examination, this study investigated the feasibility of LAI retrievals at the individual tree level based on high density and multi-return ALS, by directly considering the vertical distributions of laser points lying within each tree crown instead of by proposing feature variables such as quantiles involving laser point distribution modes at the plot level. The examination was operated in the case of four tree species (i.e. Picea abies, Pinus sylvestris, Populus tremula and Quercus robur) in a mixed forest, with their LAI-related reference data collected by using static terrestrial laser scanning (TLS). In light of the differences between ALS- and TLS-based LAI characterizations, the methods of voxelization of 3D scattered laser points, effective LAI (LAIe) that does not distinguish branches from canopies and unified cumulative LAI (ucLAI) that is often used to characterize the vertical profiles of crown leaf area densities (LADs) was used; then, the relationships between the ALS- and TLS-derived LAIes were determined, and so did ucLAIs. Tests indicated that the tree-level LAIes for the four tree species can be estimated based on the used airborne LiDAR (R² = 0.07, 0.26, 0.43 and 0.21, respectively) and their ucLAIs can also be derived. Overall, this study has validated the usage of the contemporary high density multi-return airborne LiDARs for LAIe and LAD profile retrievals at the individual tree level, and the contribution are of high potential for advancing forest ecosystem modeling and ecological understanding.     

多源数据融合技术在古建筑三维重建中的应用

针对单一点云数据建模时自动化程度低、模型不够完整等问题，提出了一种基于多源数据融合技术的三维重建方法。其基本思路是将地面激光点云与空地影像相结合，在对多源数据进行预处理、坐标系统一、数据融合配准、目标特征提取与识别的基础上，实现模型重建。试验结果表明：采用地面激光点云+空地影像融合建模能得到更加精确、完整和美观的实景三维模型。     

基于点云数据构建树木骨架的方法

树木骨架在树木三维建模及林业研究中具有重要意义。基于地面三维激光扫描系统获取的树木点云数据,提出了一种利用体素空间转换方法而快速构建树木骨架的方法。首先,根据树木的点云数据构建特定的体素空间;然后,对投影变换的每层体素进行连通成分分析,解算出每个体素层所包含的骨架结点;最后,利用单源最短路径算法构建树木的骨架。实验证明,文中提出的方法是可行且有效的。     

深度图像自动配准点云的方法研究

点云配准是三维激光扫描数据处理过程中不可或缺的一个环节,利用标靶进行配准是经典的手段之一,此类方案在单独扫描标靶的基础上进行半自动化配准。本文给出一种配准策略,利用中心投影原理将单站扫描的点云转换为深度影像,借助数字图像处理技术完成标靶的自动提取,拟合获得标靶中心点的坐标,并借用摄影测量学的知识实现点云的自动化配准。实验证明了本文方法的有效性。     

基于LM算法的机载LiDAR全波形数据分解研究

全波形机载激光雷达系统采集的波形数据蕴含着丰富的地物信息,因此,这些地物信息的提取方法具有很大的研究价值。本文通过对全波形数据的去噪平滑以及LM参数优化算法实现了波形分解,并利用其结果生成的点云数据与系统点云数据进行对比,结合部分点云剖面图分析其给实际生产应用所带来的帮助,实验表明,本文所用方法可以有效地提高数据中地物信息的质量。     

激光雷达森林参数反演研究进展

激光雷达通过发射激光能量和接收返回信号的方式,来获取高精度的森林空间结构和林下地形信息。全波形激光雷达通过记录返回信号的全部能量,得到亚米级植被垂直剖面;离散回波激光雷达记录的单个或多个回波,表示来自不同冠层的回波信号。星载激光雷达一般采用全波形或光子计数激光剖面系统,仅能获取卫星轨道下方的单波束或多波束数据,用于区域/全球范围的森林垂直结构及变化观测。机载激光雷达多采用离散回波或全波形激光扫描系统,能够获取飞行轨迹下方特定视场范围内的扫描数据,用于林分/区域范围的森林结构观测。地基激光雷达多采用离散回波激光扫描系统,获取以测站为中心的球形空间内扫描数据,用于单木/样地范围的森林结构观测。激光雷达单木因子估测方法可分为CHM单木法、NPC单木法和体元单木法3类。CHM单木法通过局部最大值识别树冠顶点,采用区域生长或图像分割算法识别树冠边界或树冠主方向,NPC单木法一般通过空间聚类或形态学算法识别单木,体元单木法在3维体元空间采用区域生长或空间聚类算法识别树冠。根据激光雷达冠层高度分布可以估测林分因子,冠层高度分布特征来自于离散点云或全波形。多时相激光雷达可用于森林生长量、生物量变化等监测,以及森林采伐、灾害等引起的结构变化监测。随着激光雷达技术的发展,它将在森林调查、生态环境建模等生产与科学研究领域中得到更为广泛的应用。     

基于机载激光雷达点云数据提取林木参数方法研究

本文通过黑河流域遥感—地面观测同步试验,获取林木参数,对机载激光雷达与实地观测获取的林木参数进行对比分析,论证了本文提出的基于机载激光雷达点云数据提取林木参数的算法是可行的。试验通过机载激光雷达点云数据,研究由点云数据生成冠层高度模型(CHM),提出从CHM中提取单株木参数(树高、冠幅等)的关键算法;同时,通过在试验区布设1个100m×100m超级样地和16个25m×25m的子样地,利用DGPS和全站仪对单株木进行精确定位与树木参数测量。     

Waveform-based point cloud classification in land-cover identification

Full-waveform topographic LiDAR data provide more detailed information about objects along the path of a laser pulse than discrete-return (echo) topographic LiDAR data. Full-waveform topographic LiDAR data consist of a succession of cross-section profiles of landscapes and each waveform can be decomposed into a sum of echoes. The echo number reveals critical information in classifying land cover types. Most land covers contain one echo, whereas topographic LiDAR data in trees and roof edges contained multi-echo waveform features. To identify land-cover types, waveform-based classifier was integrated single-echo and multi-echo classifiers for point cloud classification.The experimental area was the Namasha district of Southern Taiwan, and the land-cover objects were categorized as roads, trees (canopy), grass (grass and crop), bare (bare ground), and buildings (buildings and roof edges). Waveform features were analyzed with respect to the single- and multi-echo laser-path samples, and the critical waveform features were selected according to the Bhattacharyya distance. Next, waveform-based classifiers were performed using support vector machine (SVM) with the local, spatial features of waveform topographic LiDAR information, and optical image information. Results showed that by using fused waveform and optical information, the waveform-based classifiers achieved the highest overall accuracy in identifying land-cover point clouds among the models, especially when compared to an echo-based classifier.