共查询到20条相似文献，搜索用时 203 毫秒
1.
以广西壮族自治区南宁市树木园坛里管理区为研究区域、以桉树(Eucalyptus spp.)人工林为研究对象,在坛里管理区内设置6块20 m×20 m的典型样地,实地测量单木树高、胸径(1.3 m高)、冠幅直径,获得287株桉树样木数据;样地调查同时进行无人机航拍数据采集,获取分辨率为8 cm像素影像(110张),通过正射校正、倾斜校正、投影差校正对无人机影像进行处理,消除环境因子的影响,采用面向对象的影像分析方法对遥感影像上的桉树林提取林分单木冠幅;根据样地实测数据建立冠幅-胸径模型、冠幅-树高模型,将无人机影像提取的修正后的桉树单木冠幅数据代入构建的模型中,选择相关系数最高的模型推算胸径和树高,利用桉树二元材积公式估算样地的蓄积量,分析依据无人机遥感影像提取桉树单木冠幅数据估算林分蓄积量的可行性与精确度。结果表明：利用无人机影像提取冠幅与实测冠幅之间存在显著正相关,提取的平均精度为90.85%,建立的桉树冠幅-胸径曲线估计模型,其中对数函数方程拟合效果最好(决定系数为0.799);桉树冠幅-树高模型,拟合效果最好的是三次方函数方程(决定系数为0.755)。影像提取的单木冠幅,通过模型... 相似文献
2.
基于灰度梯度图像分割的单木树冠提取研究 总被引：3，自引：2，他引：1
树冠是树木的重要组成部分,基于遥感影像的树冠提取对于森林资源调查监测具有重要意义,但准确获得树冠的形状和边界比较困难。高分辨率影像具有丰富的纹理和光谱信息,基于高分辨率影像单木树冠勾勒技术为森林资源调查提供了一种快速有效的测树途径。但是,由于高分影像信息冗杂,面向对象的分割方法数据计算量大,并且需要人工设置光谱或纹理阈值才可以实现单木分割,导致工作效率下降,鲁棒性差。图像增强通过改变原始图像的结构关系,有选择地突出或者抑制图像中的某些特征,有效的图像增强有益于提高单木树冠分割的准确程度。因此,本文提出一种基于影像的灰度梯度图像分割的树冠提取方法,通过对比传统的罗伯斯、拉普拉斯算子与改进的数学形态学算子,利用目视解译与灰度直方图结合的方法确定最优选择为改进的数学形态学算子。然后,利用改进的数学形态学算子结合面向对象多尺度分割方法,简化原始影像复杂的背景信息,快速提取大范围单木树冠信息。以甘肃省张掖市大野口林区机载激光雷达系统携带的CCD影像为数据源,提取实验区单木树冠,并从空间和形状上验证效果。实验结果表明:在高分影像的灰度梯度图像上进行面向对象分割提取单木冠幅, 单木株数精度为83.19%,形状精度达到88.62%,优于传统林业调查精度,且冠幅获取速度快,效率高,并可以较为精确地提取树冠边界。 相似文献
3.
为了给遥感反演模型提供可靠数据,该文设计了一种按面积加权计算不规则图斑遥感影像灰度值的方法,特别是当图斑面积接近像元大小的时候;遥感数据采用被广泛支持的GeoTIFF格式,使用Matlab将遥感影像的灰度信息及元数据读取并存入数据库中;通过将像元分解成更小的单元,统计各像元在图斑内小单元的个数,计算图斑在各像元所占的面积,按照面积加权的方式计算得到图斑的平均灰度值.实例中以TM影像为数据源,输入样地和小班的坐标点序列,就可输出各自的灰度值,证明了该方法切实可行.与提取图斑几何中心点或重心点所在像元的灰度值相比,该方法避免了异常值的出现,更加合理准确. 相似文献
4.
基于数学形态学和最大似然法的遥感图像分类研究 总被引：2，自引：0，他引：2
《北京林业大学学报》2005,(Z2)
随着高空间分辨率遥感影像应用范围的不断扩大,传统基于灰度值的遥感图像分类方法很难满足实际需要.该文通过数学形态学方法,对高空间分辨率遥感全色图像进行处理,通过交互式选择训练区,构造包含形态学梯度、高帽变换和灰度均值的三维特征向量,利用Bayes最大似然分类器对高空间分辨率遥感图像不同土地利用类型进行自动识别,改善了分类精度.这种分类方法,可以用于指导森林资源监测、土地利用现状调查和国土荒漠化监测与评价的工程实践. 相似文献
5.
杉木人工林冠层高度无人机遥感估测 总被引：2，自引：0，他引：2
冠层高度是森林资源调查的重要因子。传统的森林树高调查方法存在外业调查难度大,效率低等问题。无人机（UAV）的发展为快速估测森林树高提供了手段。以福建省闽清县的杉木Cunninghamia lanceolata人工林为研究对象,通过Eco Drone-UA无人机遥感系统获取研究区遥感影像,利用Pix4D Mapper软件对航拍多光谱影像进行预处理,构建数字表面模型（DSM）,利用1:10 000地形图生成数字高程模型（DEM）;基于DSM和DEM叠加相减得到树冠高度模型（CHM）,实现杉木树高的提取。结果表明:植被指数和多光谱波段结合随机森林算法能够有效识别真实树冠顶点;利用无人机遥感影像能够实现杉木树高估测,相对误差最小值为0.81%,最大值为23.48%,标准误差为1.48 m,估测精度为90.8%。高程变化对树高估测精度有影响,根据高程大小排序的3组样木实测树高与提取树高的决定系数（R2）分别是0.97,0.84和0.78,标准误差分别是0.67,1.17和1.99 m,在高程较高区域树高估测精度明显高于高程相对较低区域。 相似文献
6.
森林生物量与遥感信息的相关性 总被引：1，自引：0，他引：1
利用遥感数据研究森林的生物量,建立遥感信息模型,首先要分析各波段与生物量的相关性.通过建立甘肃省小陇山党川林场中幼林典型样地,并伐树称量,建立模型计算出样地的生物量.对试验区的TM影像进行校正,对应每块样地中心点的GPS测量坐标,获取了样地像元各波段的灰度值,并计算各种植被指数.利用MATLAB软件计算了样地生物量与遥感影像各波段的灰度值、各种植被指数的相关系数.在P<0.05水平上,生物量与TM1、TM2、TM3、TM6成显著的负相关.与归一化植被指数、比值植被指数和绿度成显著的正相关.建立遥感生物量模型应用这些呈显著正、负相关的波段和派生数据.采用逐步回归的方法建立了生物量与植被指数的统计方程,以及生物量与遥感TM影像的各波段灰度值、植被指数的统计方程.但在P<0.05水平上,只有NDVI、RVI两个因子复相关系数不高. 相似文献
7.
基于BJ-2号卫星的马尾松松材线虫病监测研究 总被引：1，自引：0，他引：1
《农业与技术》2021,(10)
本研究针对松材线虫病普查监测耗时长以及疫木提取难的现状,利用BJ-2号卫星数据对东钱湖镇的松材线虫病病疫木进行监测提取。利用高分辨率影像和遥感图像处理软件,采用面向对象的CART决策树分类方法提取东钱湖镇松材线虫病病疫木,后利用无人机和人工辅助手段进行监测验证,有效提高松材线虫病疫木提取的效率和精度。 相似文献
8.
遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。 相似文献
9.
10.
基于无人机影像的天山云杉林树高提取及蓄积量的反演 总被引：1，自引：0，他引：1
【目的】提取影像高程数据建立模型反演天山云杉林分蓄积量,为天然林保护工程实施后天山云杉生态恢复与科学管理提供参考依据。【方法】以新疆天山西部巩留县恰西森林公园的天山云杉(Picea Schrenkiana var. tianshanica)为研究对象,无人机航拍影像与样地每木检尺为数据源,使用点云分类与克里金插值法提取无人机影像高程数据得到天山云杉树高,根据样地实测数据建立胸径树高模型,最终根据胸径树高模型反演天山云杉林林分蓄积量。【结果】利用无人机影像提取树高与实测树高存在显著正相关关系,提取平均精度为88.42%,建立天山云杉胸径-冠幅模型的相关系数为0.696,而胸径-树高模型的相关系数为0.730;验证胸径-树高模型,计算RMSE值为12.386,拟合效果显著。基于胸径-树高模型反演林分蓄积量精度为87.66%,与实测值比对,残差值大部分落在(-2,+2)残差区间。【结论】采用局部最大值算法对天山云杉林树高信息的提取效果较好,建立胸径-树高模型弥补了无人机不能对胸径直接测量的缺陷,进而反演天山云杉林林分蓄积量。 相似文献
11.
12.
高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础，而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割，以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点，提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象，在南山实习林场采集积雪背景下无人机遥感影像作为试验数据，构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先，从无人机遥感影像中选取1 000张训练样本，128张测试样本，并对样本进行标注，通过数据增强将1 000张训练样本扩增为16 000张，按照4∶1分为训练集和验证集，对U-Net模型进行训练，在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后，利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后，在深度神经网络U-Net单木树冠提取的基础上，采用MCW算法对提取结果进行优化，并对单木树冠提取效果进行精度评估。结果表明，U-Net+MCW算法对于单木尺度的F测度为74.04%，比单一使用U-Net模型提高了28.52%，以该方法提取遥感影像中的天山云杉树冠信息为基础，计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此，U-Net+MCW算法能够有效解决自然光照条件下，由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素，导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题，是一种低成本、高效率的单木树冠提取方法，能够满足中小尺度山地森林资源调查和监测要求。 相似文献
13.
利用无人机高分辨率影像进行树木高度提取 总被引：7，自引：0，他引：7
无人机遥感技术在树木参数获取中具有重要作用。为探讨利用无人机高分辨率影像提取树高的可行性,本文选择邱集煤矿矿区森林公园为研究区,采用Pix4D软件对无人机采集的高分辨率影像进行处理,生成研究区正射影像和三维点云;利用最大类间方差法将三维点云分割为树木点云及树下地面点云两部分,由此提取树木顶端高度和地面平均高度,并将地面平均高度视为树木根部的高度,得到树木高度。研究表明:最大类间方差法能够准确分割树木点云和地面点云;利用无人机高分辨率影像进行树高提取是可行的,树木高度测量绝对误差小于80cm、相对误差绝对值最大为16.2%、标准误差为36.3cm;同时,树冠的形状会对树高测量造成影响,阔卵形树冠的法国梧桐和圆锥形树冠的圆柏高度标准误差分别为29.2和50.9cm,两者树高测量值与真实值决定系数分别为0.9920和0.8894,阔卵形树冠的法国梧桐测高精度明显高于圆锥形树冠的圆柏测高精度。 相似文献
14.
利用无人机遥感测定岷江冷杉单木树干生物量 总被引：8，自引：0，他引：8
无人机获取的高分辨率遥感影像,已成为单木生物量估算的有效手段。本文以四川省王朗自然保护区岷江冷杉为研究对象,利用本项目组自行研制的无人机获取无阴影遥感影像。设置2块样地,其中plot 1为建模样本,plot 2为验证样本。通过人机交互的方式提取单木树冠面积(CA)数据,并结合野外实测的胸径(DBH),建立DBH遥感估算模型。最后基于CA-DBH模型的有效性,结合已有DBH-SB(树干生物量)经验方程,计算plot 2岷江冷杉单木树干生物量。结果表明:基于无人机遥感影像提取的单木CA与实测DBH存在较好的非线性相关关系,所建立的模型有较好的拟合度,R2达到0.752(P<0.001,n=94)。采用t检验验证CA-DBH模型预测值与观测值的差异,同时计算皮尔森相关系数(Pearson Correlation Coefficient),检验结果表明:该模型估算的DBH与实测值偏差差异不显著(P>0.05),其皮尔森相关系数可达0.879,证明利用无人机获取的遥感影像,通过提取的CA估算DBH是可行的。本次实验表明:利用无人机遥感获取影像,通过提取的单木CA进行树干生物量的估算是有效的。 相似文献
15.
以南京市紫金山林区为研究区,利用e-Cognition面向对象分类方法,基于光谱和空间信息融合后的IKONOS影像提取单木树冠阳性冠幅(PoCA, Positive crown area)信息,并结合野外实测的样方生物量数据,分别建立了针叶林和阔叶林地上生物量 (AGB, Aboveground Biomass)的遥感估算模型,并利用实测森林生物量数据对模型进行了验证。结果表明,基于遥感影像提取的PoCA与实测AGB存在较好的非线性相关关系,所建针叶林AGB估算模型的可靠性优于阔叶林模型。对建模样本而言,估算的针叶林和阔叶林AGB与观测数据比较的R2分别为0.62 (P<0.01,n=9) 和0.56(P<0.01,n=16)。验证表明,所建AGB估算模型的可靠性较好,估算的针叶林和阔叶林AGB与观测数据比较的R2分别为0.55(P<0.01,n=6) 和0.52(P<0.01,n=10),但当AGB较低时,模型结果偏高,AGB较低时,模型结果偏低。研究说明通过高分辨率遥感数据的融合、提取树冠信息进行生物量估算是可行性的。 相似文献
16.
基于立体视觉的郁闭林分主要测树因子的重建 总被引：2，自引：0，他引：2
为解决林木图像由于树冠相互遮挡而难于匹配的问题,将立木分为枝下高与树冠高两部分,使用枝下高图像用立体视觉方法重建枝下高不同部位的直径与倾角,以此为基础估计树冠高部分,进而得到树木高度。同时,在不增加图像处理计算量的情况下,派生材积等间接测树因子。通过与干曲线的结合,解决了由于树冠遮挡难于用视觉方法重建主要测树因子的难题。试验地包括银杏、水杉两个树种。与实际树高相比,重建树高中最大误差是4.4%,最小误差为0.7%,在此基础上计算的材积最大、最小误差分别是4.7%和2.1%。与干曲线结合的立体视觉重建策略在恢复郁闭林分中的测树因子是可行的。 相似文献
17.
为考察柚木生长因子与冠幅的关系,准确反映各生长因子与冠幅之间的关系,建立冠幅预测模型,为柚木人工林目标树经营提供理论依据。以广西凭祥、云南德宏、云南景洪、海南乐东4个地区不同林龄阶段的柚木人工林中优势木为研究对象,以胸径、树高、冠长、林龄4个因子作为变量与冠幅进行回归分析,筛选关键因子建立柚木冠幅生长的预测模型。结果表明,胸径(R=0.5342,P=0.0001)、树高(R=0.1798,P=0.0026)是影响柚木冠幅的关键因子;胸径、树高与冠幅的一元回归方程:冠幅与胸径y=15.7893x+1.84766(F=516.4180,P=0.0001),冠幅与树高y=0.3717x-0.60189(F=174.2954,P=0.0001)。并应用胸径、树高2个关键因子与冠幅建立回归模型:y=13.5658x1+0.1064x2+0.35866(F=279.5048,P=0.0001),计算结果与实际测量结果差异性较小(F=0.0140,P=0.9072)。可以根据目标树的培育目标胸径、树高因子,利用该模型来预测该目标树的冠幅,从而确定单位面积内保留目标树的数量。 相似文献
18.
利用41景卫星影像探寻葡萄树遥感辨识的最佳时相与方法。首先对各景影像分别进行了预处理,随后利用6类探试性方法(即地物光谱比较、波段差分或比值分析、光谱指数求算与分析、光谱指数变化追踪、影像复合与辨识方法协同分析)对探试组影像进行了辨识分析,并从中选出3种较佳的辨识方法,最后利用优选的3种方法对验证组影像进行了辨识验证。结果表明:1)在4月中旬至5月初的影像中,仅采用NDVI阈值便可将葡萄树与别种成年果树、小麦予以区分,但低龄的别种果树、有草撂荒地等与葡萄树易混;2)在5月底至6月中旬的影像中,采用(ρBLUE+ρGREEN+ρRED)与NDVI的双重阈值可将葡萄树与其他地物较好的区分开来;3)在上述2时段影像复合、所用辨识方法协同的情况下,可显著提高葡萄树的辨识精度(葡萄树类的正确识别率可达90.42%,总体分类精度可达96.53%);4)葡萄树遥感辨识的较佳时相为4月中旬至5月初,最佳时相为5月底至6月中旬。 相似文献
19.
淮北市城区土地利用/覆盖变化的遥感分析 总被引：1，自引：0，他引：1
利用Landsat卫星的2景TM遥感影像和1景Quickbird遥感影像监测和分析淮北市城区1987～2005年共18年间的土地利用/覆盖变化特征和土地利用类型间的相互转化关系,并探讨发生变化的主要原因,为淮北市城市环境变化研究和城市规划及城市化前景展望提供理论及依据.结果表明,随着淮北市经济快速发展和城市化水平不断提高,淮北市城区在1987～2005年18年间土地利用发生了很大变化,建设用地和林地始终处于优势地位,土地利用类型稳定区域面积为12.15 km2,占区域总面积的29.94%,18年间土地利用发生变化的面积占区域总面积的70.06%,土地利用类型变化面积比平均每年为3.89%,综合土地利用动态度为1.84%. 相似文献
20.
冠幅作为林业研究的关键因子，开展冠幅的研究对于精准林业发展具有重要意义。为了更好地利用冠幅对树木其他因子进行预测，选取了北京市松山自然保护区油松、白蜡、蒙古栎等14个常见树种作为研究对象，基于6种回归方程，借助样地实测数据分别建立每个树种的胸径 冠幅和树高 冠幅模型，并针对每个树种筛选出的最优方程进行了精度检验。结果表明，研建的14个树种的模型具有较好的拟合精度，决定系数R2绝大多数都大于0.5，其中，核桃的胸径 冠幅模型最高，R2=0.951，树高-冠幅模型R2=0.887，蒙古栎树高-冠幅模型最低，R2=0.506，也超过了0.5。所建模型的精度评价指标具有一定的统计学意义，对北京市松山地区大面积林分参数的预测预估有重要的参考价值。 相似文献