高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于机载LiDAR数据的林下地形提取算法比较与组合分析

汪垚 张志玉 倪文俭 刘见礼 张大凤

汪垚, 张志玉, 倪文俭, 刘见礼, 张大凤. 基于机载LiDAR数据的林下地形提取算法比较与组合分析[J]. 北京林业大学学报, 2017, 39(12): 25-35. doi: 10.13332/j.1000-1522.20170300
引用本文: 汪垚, 张志玉, 倪文俭, 刘见礼, 张大凤. 基于机载LiDAR数据的林下地形提取算法比较与组合分析[J]. 北京林业大学学报, 2017, 39(12): 25-35. doi: 10.13332/j.1000-1522.20170300
WANG Yao, ZHANG Zhi-yu, NI Wen-jian, LIU Jian-li, ZHANG Da-feng. Comparison of filter algorithms and combination analysis for DEM extracting based on airborne laser scanning point clouds[J]. Journal of Beijing Forestry University, 2017, 39(12): 25-35. doi: 10.13332/j.1000-1522.20170300
Citation: WANG Yao, ZHANG Zhi-yu, NI Wen-jian, LIU Jian-li, ZHANG Da-feng. Comparison of filter algorithms and combination analysis for DEM extracting based on airborne laser scanning point clouds[J]. Journal of Beijing Forestry University, 2017, 39(12): 25-35. doi: 10.13332/j.1000-1522.20170300

基于机载LiDAR数据的林下地形提取算法比较与组合分析

doi: 10.13332/j.1000-1522.20170300
基金项目: 

国家自然科学基金项目 41301395

国家自然科学基金项目 41471311

国家自然科学基金项目 41371357

详细信息
    作者简介:

    汪垚。主要研究方向:森林遥感。Email:wangyao@radi.ac.cn   地址:100101  北京市朝阳区大屯路甲20号北中国科学院遥感与数字地球研究所

    通讯作者:

    张志玉,博士,助理研究员。主要研究方向:森林遥感。Email:zhangzy@radi.ac.cn   地址:同上

  • 中图分类号: S771.8

Comparison of filter algorithms and combination analysis for DEM extracting based on airborne laser scanning point clouds

  • 摘要: 激光雷达(LiDAR)克服了传统测量技术的缺点, 成为了获取DEM的新型手段。针对不同地形林区,选择合理的点云滤波算法,是提取林下地形的关键步骤。本研究在黑龙江省凉水自然保护区内选择了3块具有代表性的区域,分别为平缓山地林区、陡峭山地林区和复杂地区。以1:10 000地形图矢量化生成的高精度DEM为参考,评价了迭代线性最小二乘法、基于坡度法、不规则三角网法(TIN)点云滤波算法在3种地形的适应性。结果表明:不同算法有不同的适应区域。3种方法在平缓山地林区都具有良好的效果,决定系数(R2)均达到了0.98,均方根误差(RMSE)均低于0.21 m。迭代线性最小二乘法在复杂地区滤波效果最好,R2为0.94,RMSE为0.21 m;不规则三角网法在陡峭山地林区效果最好,R2为0.99,RMSE为1.43 m。但是,单一的方法在复杂区域情况下、陡峭山地林区,有明显的分类误差,会将植被分为地面点。为提高林下地形提取精度,本文提出不同滤波方法的组合双重滤波,结果表明,迭代线性最小二乘法和不规则三角网方法组合可以在减少参数调整情况下得到良好滤波效果,对复杂地区、陡峭山地林区滤波效果大大改善。
  • 图  1  3块典型样地

    Figure  1.  Three typical plots

    图  2  原始数字高程模型示意图

    Figure  2.  Sketch map of original digital elevation model

    图  3  使用不同方法过滤后地面点产生的数字渲染图

    Figure  3.  Digital surface models generated from the filtered bare-earth points using different filtering algorithms

    图  4  精度评估

    Figure  4.  Accuracy assessment

    图  5  使用滤波组合方法产生的数字渲染图

    a.不规则三角网和基于坡度的陡峭山地林区; b.迭代线性最小二乘和基于坡度的陡峭山地林区;c.不规则三角网和迭代线性最小二乘的陡峭山地林区;d.基于坡度和不规则三角网的陡峭山地林区;e.基于坡度和迭代线性最小二乘的陡峭山地林区;f.迭代线性最小二乘和不规则三角网的陡峭山地林区;g.不规则三角网和基于坡度的复杂地区;h.迭代线性最小二乘和基于坡度的复杂地区;i.不规则三角网和迭代线性最小二乘的复杂地区;j.基于坡度和不规则三角网的复杂地区;k.基于坡度和迭代线性最小二乘的复杂地区;l.迭代线性最小二乘和不规则三角网的复杂地区。

    Figure  5.  Digital surface models resulted from different combined filtering algorithms

    a, based on TIN and slope of steep mountainous forest area; b, based on iterative linear least squares prediction and slope of steep mountainous forest area; c, based on TIN and iterative linear least squares prediction of steep mountainous forest area; d, based on slope and TIN of steep mountainous forest area; e, based on slope and iterative linear least squares prediction of steep mountainous forest area; f, based on iterative linear least squares prediction and TIN of steep mountainous forest area; g, based on TIN and slope of complicated area; h, based on iterative linear least squares prediction and slope of complicated area; i, based on TIN and iterative linear least squares prediction of complicated area; j, based on slope and TIN of complicated area; k, based on slope and iterative linear least squares prediction of complicated area; l, based on iterative linear least squares prediction and TIN of complicated area.

    图  6  精度评估

    a.不规则三角网和基于坡度; b.迭代线性最小二乘法和基于坡度; c.不规则三角网和迭代线性最小二乘法; d.基于坡度和不规则三角网; e.基于坡度和迭代线性最小二乘法; f.迭代线性最小二乘法和不规则三角网。

    Figure  6.  Accuracy assessment

    a, based on TIN and slope degree; b, based on iterative linear least squares prediction and slope degree; c, based on TIN and iterative linear least squares prediction; d, based on slope degree and TIN; e, based on slope degree and iterative linear least squares prediction; f, based on iterative linear least squares prediction and TIN.

    表  1  迭代线性最小二乘法理想参数表

    Table  1.   Parameters in iterative linear least squares prediction filtering algorithm

    区域类型
    Region type
    参数a
    Parameter a
    参数b
    Parameter b
    参数g
    Parameter g
    参数ω
    Parameter ω
    网格大小
    Grid size/m
    迭代次数
    Iterative time
    平缓Gently slope 1 4 0.1 0.4 8 10
    陡峭Steep area 1 4 0.1 0.3 5 6
    复杂Complicated area 1 4 0 0.4 6 8
    下载: 导出CSV

    表  2  坡度滤波参数表

    Table  2.   Parameters in filtering algorithm based on slope

    区域类型
    Region type
    网格化窗口尺寸
    Grid size
    窗口扩展因子
    Grid size extension factor
    坡度阈值
    Slope threshold
    平缓Gently slope 1 9 0.6
    陡峭Steep area 1 8 0.7
    复杂Complicated area 1 10 0.5
    下载: 导出CSV

    表  3  不同滤波算法组合

    Table  3.   Different combined filtering algorithms

    顺序
    Sequence
    组合1
    Combination 1
    组合2
    Combination 2
    组合3
    Combination 3
    组合4
    Combination 4
    组合5
    Combination 5
    组合6
    Combination 6

    First
    不规则三角网
    Triangulated irregular network (TIN)
    迭代线性最小二乘法
    Iterative linear least
    squares prediction
    基于坡度
    Based on slope
    不规则三角网
    TIN
    基于坡度
    Based on slope
    迭代线性最小二乘法
    Iterative linear least
    squares prediction

    Second
    基于坡度
    Based on slope
    基于坡度
    Based on slope
    迭代线性最小二乘法
    Iterative linear least
    squares prediction
    迭代线性最小二乘法
    Iterative linear least
    squares prediction
    不规则三角网
    TIN
    不规则三角网
    TIN
    下载: 导出CSV
  • [1] DIXON R K, BROWN S, HOUGHTON R A, et al. Carbon pools and flux of global forest ecosystems[J]. Science, 1994, 263: 185-189. doi:  10.1126/science.263.5144.185
    [2] 左志权.顾及点云类别属性与地形结构特征的机载LIDAR数据滤波方法[D].武汉: 武汉大学, 2011. http://cdmd.cnki.com.cn/Article/CDMD-10486-1011403735.htm

    ZUO Z Q. Filtering method of airborne LiDAR data based on category property of point clouds and terrain structure feature[D]. Wuhan: Wuhan University, 2011. http://cdmd.cnki.com.cn/Article/CDMD-10486-1011403735.htm
    [3] 黄先锋, 陶闯, 江万寿, 等.机载激光雷达点云数据的实时渲染[J].武汉大学学报(信息科学版), 2005, 30(11): 38-41. http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb200511008

    HUANG X F, TAO C, JIANG W S, et al. Real-time render large amount of LIDAR point clouds data[J]. Geometrics and Information Science of Wuhan University, 2005, 30(11): 38-41. http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb200511008
    [4] 刘经南, 张小红.激光扫描测高技术的发展与现状[J].武汉大学学报(信息科学版), 2004, 28(2): 132-137. http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb200302002

    LIU J N, ZHANG X H. Progress of airborne laser scanning altimetry[J]. Geometrics and Information Science of Wuhan University, 2004, 28(2): 132-137. http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb200302002
    [5] 徐景中, 万幼川, 张圣望.LIDAR地面点云的简化方法研究[J].测绘信息与工程, 2008(1):32-34. doi:  10.3969/j.issn.1007-3817.2008.01.014

    XU J Z, WAN Y C, ZHANG S W. On simplification method for LIDAR ground points cloud[J]. Journal of Geomatics, 2008(1): 32-34. doi:  10.3969/j.issn.1007-3817.2008.01.014
    [6] 张小红, 刘经南.机载激光扫描测高数据滤波[J].测绘科学, 2005, 29(6): 50-53. http://d.old.wanfangdata.com.cn/Periodical/chkx200406011

    ZHANG X H, LIU J N. Airborne laser scanning altimetry data filtering[J]. Science of Surveying and Mapping, 2005, 29(6): 50-53. http://d.old.wanfangdata.com.cn/Periodical/chkx200406011
    [7] 周晓明.机载激光雷达点云数据滤波算法的研究与应用[D].郑州: 解放军信息工程大学, 2011. http://cdmd.cnki.com.cn/Article/CDMD-90008-1012325196.htm

    ZHOU X M. Research and application of airborne LiDAR point cloud data filters[D]. Zhengzhou: PLA Information Engineering University, 2011. http://cdmd.cnki.com.cn/Article/CDMD-90008-1012325196.htm
    [8] 左志权.顾及点云类别属性与地形结构特征的机载LIDAR数据滤波方法[D].武汉: 武汉大学, 2011. http://cdmd.cnki.com.cn/Article/CDMD-10486-1011403735.htm

    ZUO Z Q. Filtering method of airborne LiDAR data based on category property of point clouds and terrain structure feature[D]. Wuhan: Wuhan University, 2011. http://cdmd.cnki.com.cn/Article/CDMD-10486-1011403735.htm
    [9] 张玉方, 程新文, 欧阳平, 等.机载LIDAR数据处理及其应用综述[J].工程地球物理学报, 2008, 5(1): 119-124. doi:  10.3969/j.issn.1672-7940.2008.01.024

    ZHANG Y F, CHENG X W, OUYANG P, et al. The data processing technology and application of airborne LIDAR[J]. Chinese Journal of Engineering Geophysics, 2008, 5(1): 119-124. doi:  10.3969/j.issn.1672-7940.2008.01.024
    [10] 庞勇, 李增元, 陈尔学等.激光雷达技术及其在林业上的应用[J].林业科学, 2005, 41(3):129-136. doi:  10.3321/j.issn:1001-7488.2005.03.022

    PANG Y, LI Z Y, CHEN E X, et al. Lidar remote sensing technology and its application in forestry[J]. Scientia Silvae Sinicae, 2005, 41(3): 129-136. doi:  10.3321/j.issn:1001-7488.2005.03.022
    [11] WULDER M A, WHITE J C, NELSON R F, et al. Lidar sampling for large-area forest characterization: a review[J]. Remote Sensing of Environment, 2012, 121: 196-209. doi:  10.1016/j.rse.2012.02.001
    [12] SUN G, RANSON K J, KIMES D S, et al. Forest vertical structure from GLAS: an evaluation using LVIS and SRTM data[J]. Remote Sensing of Environment, 2008, 112: 107-117. doi:  10.1016/j.rse.2006.09.036
    [13] 周淑芳.基于机载LIDAR与航空像片的单木树高提取研究[D].哈尔滨: 东北林业大学, 2007. http://cdmd.cnki.com.cn/Article/CDMD-10225-2007187498.htm

    ZHOU S F. Study of individual tree height extraction based on LiDAR and aero photograph[D]. Harbin: Northeast Forestry University, 2007. http://cdmd.cnki.com.cn/Article/CDMD-10225-2007187498.htm
    [14] 徐光彩.小光斑波形激光雷达森林LAI和单木生物量估测研究[D].北京: 中国林业科学研究院, 2013. http://cdmd.cnki.com.cn/Article/CDMD-82201-1013378640.htm

    XU G C. Forest LAI and individual trees biomass estimation using small-footprint full-waveform LiDAR data[D]. Beijing: Chinese Academy of Forestry, 2013. http://cdmd.cnki.com.cn/Article/CDMD-82201-1013378640.htm
    [15] CHEN Q. Assessment of terrain elevation derived from satellite laser altimetry over mountainous forest areas using airborne lidar data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65: 111-122. doi:  10.1016/j.isprsjprs.2009.09.004
    [16] DUAN Z G, ZHAO D, ZENG Y, et al. Assessing and correcting topographic effects on forest canopy height retrieval using airborne LiDAR data[J]. Sensors, 2015, 15: 12133-12155. doi:  10.3390/s150612133
    [17] SITHOLE G VOSSELMAN G. Experimental comparison of filter algorithms for bare-Earth extraction from airborne laser scanning point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 59(1): 85-101. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=56f9c5025f649df9048e012f1147f798
    [18] CLARK M L, CLARK D B, ROBERTS D. A small-footprint lidar estimation of sub-canopy elevation and tree height in a tropical rain forest landscape[J]. Remote Sensing of Environment, 2004, 91: 68-89. doi:  10.1016/j.rse.2004.02.008
    [19] KILIAN J, HAALA N, ENGLICH M. Capture and evaluation of airborne laser scanner data[J]. International Archives of Photogrammetry and Remote Sensing, 1996, 31: 383-388. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=CC0211209137
    [20] LINDENBERGER J. Laser-Profilmessungen zur topographischen Geländeaufnahme[D]. Stuttgart: University Stuttgart, 1993.
    [21] MALLET C, BRETAR F. Full-waveform topographic lidar: state-of-the-art[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(1): 1-16. doi:  10.1016/j.isprsjprs.2008.09.007
    [22] PETZOLD B, REISS P, STOSSEL W. Laser scanning: surveying and mapping agencies are using a new technique for the derivation of digital terrain models[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(2): 95-104. http://cn.bing.com/academic/profile?id=d0e9b73607bab19b5e2becc812b46b1d&encoded=0&v=paper_preview&mkt=zh-cn
    [23] PFEIFER N, STADLER P, BRIESE C. Derivation of digital terrain models in the SCOP++ environment[C/OL]//Proceedings of OEEPE Workshop on Airborne Laser scanning and Interferometric SAR for Detailed Digital Terrain Models. Stockholm: European Organization for Experimental Photogrammetric Research, 2001.[2017-06-06]. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.589.8666&rep=rep1&type=pdf.
    [24] SOHN G, DOWMAN I J. Terrain surface reconstruction by the use of tetrahedron model with the MDL criterion[J]. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 2002, 34(3/A): 336-344.
    [25] 王金亮, 陈联君.激光雷达点云数据的滤波算法述评[J].遥感技术与应用, 2010, 25(5): 632-638. http://d.old.wanfangdata.com.cn/Periodical/ygjsyyy201005006

    WANG J L, CHEN L J. Review on filtering algorithm for LiDAR points cloud data[J]. Remote Sensing Technology and Application, 2010, 25(5):632-638. http://d.old.wanfangdata.com.cn/Periodical/ygjsyyy201005006
    [26] RAZAK K A, SANTANGELO M, VAN WESTEN C J, et al. Generating an optimal DTM from airborne laser scanning data for landslide mapping in a tropical forest environment[J]. Geomorphology, 2013, 190: 112-125. doi:  10.1016/j.geomorph.2013.02.021
    [27] WANG C K, TSENG Y H. Dual-directional profile filter for digital terrain model generation from airborne laser scanning data[J]. Journal of Applied Remote Sensing, 2014, 8: 14. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=cfdb13768caf4825b26fa1120bc8fd90
    [28] 胡永杰, 程朋根, 陈晓勇, 等.机载激光雷达点云滤波算法分析与比较[J].测绘科学技术学报, 2015, 1:72-77. doi:  10.3969/j.issn.1673-6338.2015.01.015

    HU Y J, CHENG P G, CHEN X Y, et al. The analysis and comparison of airborne LiDAR point cloud filter algorithms[J]. Journal of Geomatics Science and Technology, 2015, 1:72-77. doi:  10.3969/j.issn.1673-6338.2015.01.015
    [29] 李亮, 王成, 李世华, 等.基于机载LiDAR数据的建筑屋顶点云提取方法[J].中国科学院大学学报, 2016, 33(4):537-541. http://d.old.wanfangdata.com.cn/Periodical/zgkxyyjsyxb201604015

    LI L, WANG C, LI S H, et al. Building roof point extraction based on airborne LiDAR data[J]. Journal of University of Chinese Academy of Sciences, 2016, 33(4): 537-541. http://d.old.wanfangdata.com.cn/Periodical/zgkxyyjsyxb201604015
    [30] 王莎, 李浩, 吴铭飞, 等.自适应坡度的LiDAR点云形态学滤波[J].勘察科学技术, 2017(2):26-29. doi:  10.3969/j.issn.1001-3946.2017.02.007

    WANG S, LI H, WU M F, et al. LiDAR point cloud morphological filtering based on adaptive slope[J]. Site Investigation Science and Technology, 2017(2): 26-29. doi:  10.3969/j.issn.1001-3946.2017.02.007
    [31] AXELSSON P. DEM generation from laser scanner data using adaptive TIN models[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B4/1; PART 4): 111-118.
    [32] VOSSELMAN G. Slope based filtering of laser altimetry data[J].International Archives of Photogrammetry and Remote Sensing, 2000, 33(B3/2; PART 3): 935-942. http://cn.bing.com/academic/profile?id=6a27613d3d839fe224b88d9b72885f0f&encoded=0&v=paper_preview&mkt=zh-cn
    [33] KRAUS K, PFEIFER N. Determination of terrain models in wooded areas with airborne laser scanner data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1998, 53(4): 193-203. doi:  10.1016/S0924-2716(98)00009-4
  • [1] 梁勇奇, 李明泽, 杨瑞霞, 耿同, 李欢.  不同滤波算法对反演叶面积指数的影响 . 北京林业大学学报, 2020, 42(1): 54-64. doi: 10.12171/j.1000-1522.20180268
    [2] 李金航, 周玫, 朱济友, 徐程扬.  黄栌幼苗根系构型对土壤养分胁迫环境的适应性研究 . 北京林业大学学报, 2020, 42(3): 65-77. doi: 10.12171/j.1000-1522.20190218
    [3] 陈新宇, 孟景祥, 周先清, 袁虎威, 钮世辉, 李悦.  油松地理种群针叶形态解剖与生理指标遗传变异分析 . 北京林业大学学报, 2019, 41(7): 19-30. doi: 10.13332/j.1000-1522.20190170
    [4] 刘鸣, 张德顺.  近55年气候变化对上海园林树种适应性的影响 . 北京林业大学学报, 2018, 40(9): 107-117. doi: 10.13332/j.1000-1522.20180113
    [5] 杨铭, 张晓丽, 霍朗宁, 高凌寒.  森林区域机载LiDAR点云数据的改进八叉树滤波算法研究 . 北京林业大学学报, 2018, 40(11): 102-111. doi: 10.13332/j.1000-1522.20180130
    [6] 宋金凤, 李金博, 曹楷, 桑英, 崔晓阳.  草酸和柠檬酸提高长白落叶松对Pb胁迫的适应性 . 北京林业大学学报, 2017, 39(11): 18-27. doi: 10.13332/j.1000-1522.20170146
    [7] 陈明健, 陈志泊, 杨猛, 莫琴.  叶片传统特征和距离矩阵与角点矩阵相结合的树种识别算法 . 北京林业大学学报, 2017, 39(2): 108-116. doi: 10.13332/j.1000-1522.20160351
    [8] 刘金鹏, 张怀清, 刘闽, 李永亮, 李伟娜.  基于点云骨架的单木分枝参数提取研究 . 北京林业大学学报, 2016, 38(10): 15-20. doi: 10.13332/j.1000-1522.20150490
    [9] 樊丽, 刘晋浩, 黄青青.  基于特征融合的林下环境点云分割 . 北京林业大学学报, 2016, 38(5): 133-138. doi: 10.13332/j.1000-1522.20150332
    [10] 张鳌, 冀晓东, 丛旭, 戴显庆.  基于线性滤波法的单株林木抗风有限元模拟 . 北京林业大学学报, 2016, 38(2): 1-9. doi: 10.13332/j.1000-1522.20150268
    [11] 王德英, 丁国栋, 赵媛媛, 高广磊, 于明含, 李蒙蒙.  中国珍稀荒漠植物梭梭在半干旱沙地引种适应性 . 北京林业大学学报, 2015, 37(4): 74-81. doi: DOI:10.13332/j.1000-1522.20140253
    [12] 尤号田, 邢艳秋, 冉慧, 王蕊, 霍达.  基于LiDAR 点云能量信息的樟子松郁闭度反演方法 . 北京林业大学学报, 2014, 36(6): 30-35. doi: 10.13332/j.cnki.jbfu.2014.06.009
    [13] 赵曦阳, 李颖, 赵丽, 吴培莉, 张志毅.  不同地点白杨杂种无性系生长和适应性表现分析和评价 . 北京林业大学学报, 2013, 35(6): 7-14.
    [14] 聂秀琴, 李昀, 陈名腾, 聂盈, 刘凤媛.  三角函数干形方程与广义Brink干形方程的比较 . 北京林业大学学报, 2012, 34(5): 120-127.
    [15] 张立沙, 代剑峰, 高琼, 刘灏, 张华, 赵伟, 毛建丰, 李悦.  高山松与亲本种多种群在高海拔生境下的苗期适应性研究 . 北京林业大学学报, 2012, 34(5): 15-24.
    [16] 王艳萍, 刘胜利, 陈玉珍, 卢存福.  种长白山高山杜鹃叶片结构及其对环境的适应性 . 北京林业大学学报, 2012, 34(4): 18-25.
    [17] 赵雪梅, 成仿云, 唐立红, 朱月, 袁军辉, 鞠志新.  赤峰地区紫斑牡丹的引种与抗寒性研究 . 北京林业大学学报, 2011, 33(2): 84-90.
    [18] 赵欣胜, 吕卷章, 孙涛.  黄河三角洲植被分布环境解释及柽柳空间分布点格局分析 . 北京林业大学学报, 2009, 31(3): 29-36.
    [19] 旷远文, 周国逸, 温达志.  珠江三角洲马尾松年轮中S的环境指示意义 . 北京林业大学学报, 2008, 30(2): 1-7.
    [20] 张高生, 王仁卿.  现代黄河三角洲植物群落数量分类研究 . 北京林业大学学报, 2008, 30(3): 31-36.
  • 加载中
图(6) / 表 (3)
计量
  • 文章访问数:  466
  • HTML全文浏览量:  272
  • PDF下载量:  20
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-08-25
  • 修回日期:  2017-11-14
  • 刊出日期:  2017-12-01

基于机载LiDAR数据的林下地形提取算法比较与组合分析

doi: 10.13332/j.1000-1522.20170300
    基金项目:

    国家自然科学基金项目 41301395

    国家自然科学基金项目 41471311

    国家自然科学基金项目 41371357

    作者简介:

    汪垚。主要研究方向:森林遥感。Email:wangyao@radi.ac.cn   地址:100101  北京市朝阳区大屯路甲20号北中国科学院遥感与数字地球研究所

    通讯作者: 张志玉,博士,助理研究员。主要研究方向:森林遥感。Email:zhangzy@radi.ac.cn   地址:同上
  • 中图分类号: S771.8

摘要: 激光雷达(LiDAR)克服了传统测量技术的缺点, 成为了获取DEM的新型手段。针对不同地形林区,选择合理的点云滤波算法,是提取林下地形的关键步骤。本研究在黑龙江省凉水自然保护区内选择了3块具有代表性的区域,分别为平缓山地林区、陡峭山地林区和复杂地区。以1:10 000地形图矢量化生成的高精度DEM为参考,评价了迭代线性最小二乘法、基于坡度法、不规则三角网法(TIN)点云滤波算法在3种地形的适应性。结果表明:不同算法有不同的适应区域。3种方法在平缓山地林区都具有良好的效果,决定系数(R2)均达到了0.98,均方根误差(RMSE)均低于0.21 m。迭代线性最小二乘法在复杂地区滤波效果最好,R2为0.94,RMSE为0.21 m;不规则三角网法在陡峭山地林区效果最好,R2为0.99,RMSE为1.43 m。但是,单一的方法在复杂区域情况下、陡峭山地林区,有明显的分类误差,会将植被分为地面点。为提高林下地形提取精度,本文提出不同滤波方法的组合双重滤波,结果表明,迭代线性最小二乘法和不规则三角网方法组合可以在减少参数调整情况下得到良好滤波效果,对复杂地区、陡峭山地林区滤波效果大大改善。

English Abstract

汪垚, 张志玉, 倪文俭, 刘见礼, 张大凤. 基于机载LiDAR数据的林下地形提取算法比较与组合分析[J]. 北京林业大学学报, 2017, 39(12): 25-35. doi: 10.13332/j.1000-1522.20170300
引用本文: 汪垚, 张志玉, 倪文俭, 刘见礼, 张大凤. 基于机载LiDAR数据的林下地形提取算法比较与组合分析[J]. 北京林业大学学报, 2017, 39(12): 25-35. doi: 10.13332/j.1000-1522.20170300
WANG Yao, ZHANG Zhi-yu, NI Wen-jian, LIU Jian-li, ZHANG Da-feng. Comparison of filter algorithms and combination analysis for DEM extracting based on airborne laser scanning point clouds[J]. Journal of Beijing Forestry University, 2017, 39(12): 25-35. doi: 10.13332/j.1000-1522.20170300
Citation: WANG Yao, ZHANG Zhi-yu, NI Wen-jian, LIU Jian-li, ZHANG Da-feng. Comparison of filter algorithms and combination analysis for DEM extracting based on airborne laser scanning point clouds[J]. Journal of Beijing Forestry University, 2017, 39(12): 25-35. doi: 10.13332/j.1000-1522.20170300
  • 森林是陆地生态系统的重要组成部分,是最大的陆地碳库,储存了大约80%的地表碳和40%的地下碳,而森林生态系统碳库的大小与系统生物量直接相关[1]。森林生物量作为森林生态系统的基础数量特征和森林生态系统性质、状态的重要指示特征,是研究许多林业问题和生态问题的基础,也是森林生态系统碳储量的重要数据来源和全球碳循环的重要组成部分,因此开展森林生物量的精确估算和评估具有重要意义。传统的森林参数测定需要外业实地测量, 仅能获得一些点上的数据,很难及时地获取区域或大范围有空间分布信息的森林参数。

    数字高程模型(DEM)是地理信息中重要的空间数据资料。从数字高程模型中可以提取出其他地形信息,如坡度、等高线等,这些信息在三维可视化、城市建设等方面起着重要作用[2-9];在林区,DEM可以作为研究森林树高,进行单木分割的必备条件。如今,城市建筑物区和平坦地区的DEM获取已经相对容易,生成高精度的森林地区DEM一直是个难题,传统的测量技术既耗时又费力,代价高。

    激光雷达(Light Detection and Ranging,LiDAR)作为一种新型的主动对地观测系统,克服了传统测量技术的缺点, 成为了获取DEM的新型手段,其广阔的应用前景引起了人们的极大关注。激光雷达具有自动化程度高、穿透能力强、成图周期短等特点,能够大大地提高森林生物量的估测精度, 从而更好地计算森林的碳储量[10]。激光雷达获取详细的森林特征数据具有可操作性,不同类型的激光雷达可以大范围获取森林植被特征[11]。GLAS脚点和中等脚印大小的激光雷达(LVIS)可以在松树(Pinus sp.)和橡树(Quercus sp.)的混合林获得地面高程[12]。机载小光斑激光雷达结合航空像片可以提取单木树高信息[13],小光斑激光雷达可以反演森林叶面积指数(LAI)和估测单木生物量[14]。在山地林区,利用机载激光雷达数据获取的地面高程可以评价GLAS高程产品[15]。小脚印激光雷达估测林下地表高度精度达到2.29 m[16]

    激光雷达点云数据处理的必要步骤是点云滤波,点云滤波处理是提取DEM的关键,点云数据滤波及分类处理在国际上仍处于研究发展阶段[17]。现有的滤波及分类算法各有优缺,如何快速、准确、全自动实现点云数据滤波及分类是目前的研究热点,而且滤波效果直接影响后边的数据处理和生成DEM的精度。

    国内外学者已提出不同的算法处理点云数据,分离地面点和地物点。2004年,研究人员评价了8种不同的滤波算法,结果表明不规则三角网、基于坡度的滤波、迭代线性最小二乘法滤波、形态学等在平地或较平滑的地方有良好的效果,但在复杂的地表情况下有很大误差[17]。基于坡度的算法在非连续地物上滤波比较困难,不规则三角网不能滤掉桥梁,迭代线性最小二乘法对陡峭坡度上的植被滤波增加了许多误差[18-24]。上述研究中仅对单一算法是否适合建筑物区、林区、平坦地区进行了说明,并未进行深入探讨如何提高复杂地表的滤波精度。王金亮等[25]对不同的算法进行了总结,评估了各自的适应性,对各种算法进行了简单论述,但并未进行实验论证。Razak等[26]采用分层稳健进行3次滤波,发现滤波后的数字表面模型中仍有一些植被存在。Wang等[27]发现双向滤波方法不太适应于密集森林和稀疏的点云数据。胡永杰等[28]采用不同的滤波算法对斜坡上植被地区和密集的植被地区进行处理,通过Kappa系数评价不同算法在数据组的精度,得到现有的滤波算法对山坡等复杂地形还是不够适应,有待改善和提高。李亮等[29]提出了一种层进式屋顶点云提取方法,提取建筑物屋顶点云,结果表明该方法有效地从机载点云数据中快速提取建筑屋顶点云,有效率达85%以上。王莎等[30]针对现有形态学滤波算法中存在阈值过多的问题,提出一种根据实验区数据的高程值自动计算坡度的自适应坡度点云形态学滤波方法,结果表明该算法能去除非地面点同时较好地保留地面细节信息。这两种方法研究区域主要集中在地形平缓的居民住宅区,并未对复杂林区进行试验,而且两种方法的阈值需要根据实验区进行人工确定。

    大多数研究中,对单一的地物类型进行了分类,寻找出了算法对某一地物的适应性,未综合考虑多地物类型情况。本文为了得到不同滤波方法的适用性,考虑到林区的复杂环境,将整个区域进行分块处理,一般可以分为平缓山地林区、陡峭山地林区、复杂地区。首先使用单一的滤波算法,通过运用不规则三角网加密法、迭代线性最小二乘法、基于坡度的滤波法等,对凉水自然保护区机载激光雷达点云数据进行滤波,并找出每种算法的最适用地区,然后探讨是否可以进行多种滤波算法的组合;通过对不同算法间的优势进行互补,以适应陡坡、狭长地物和间断地形区域,提高滤波精度。

    • 凉水自然保护区位于黑龙江省伊春市带岭区,是东北林业大学野外教学实验基地,带岭区位于47°06′49″~47°16′10″N,128°47′08″~128°57′19″E。保护区总面积为12 133.0 hm2,森林总蓄积量170.0万m3,森林覆盖率98%。植被以红松针阔叶混交林为主,是我国现存红松(Pinus koraiensis)原始林基地之一,被称为小红松故乡。原始林中生长着许多珍贵植物、珍稀动物和许多价值极高的药材。红松林龄为200~400年,树高为30~40 m。凉水国家自然保护区的地貌为低矮的山丘,处于小兴安岭南部达里带岭支脉的东坡,平均海拔大约为400 m,相对海拔在80~300 m之间。最高山是岭来东山,海拔高度为707 m,高度从北向南降低,最低的海拔高度为280 m。保护区管理局位于凉水自然保护区中部的实验区,保护区的主要生活区域位于伊春市带岭区带岭镇,距保护区26 km。保护区地处欧亚大陆东缘,具有明显的温带大陆性季风气候特征。年平均气温-0.3 ℃,年平均降水量676.0 mm,全年平均降水日120~150 d,积雪期为130~150 d。年平均相对湿度78%,年平均蒸发量805 mm。年日照时数1 850 h左右。年平均相对湿度78%,无霜期100~120 d。保护区属温带针阔叶混交林区域,保护区的主要针叶乔木树种有红松、兴安落叶松(Larix gmelini)、臭冷杉(Abies nephrolepis)等,主要阔叶乔木树种有水曲柳(Fraxinus mandschurica)、胡桃楸(Juglans mandshurica)、黄菠萝(Phellodendron amurense)、蒙古栎(Quercus mongolica)、裂叶榆(Ulmus laciniata)等。

    • 本研究使用的激光雷达数据由IGI公司LiteMapper5600激光雷达系统2009年获得。搭载的飞行平台为运-5小型运输机,飞行高度达800 m,平均对地飞行速度180 km/h。激光扫描仪为Riegl LMS-Q560,波长1 500 nm,激光脉冲宽度3.5 ns,扫描方式为线性扫描,激光离散角度0.5 mrad,垂直精度达0.15 m,采样间隔为1 ns。采样的点云密度大于2点/m2。同步获取了空间分辨率为0.2 m的CCD航空影像数据。LiDAR数据保存为标准LAS(1.0版)格式,记录了三维坐标、强度值、回波类型等信息。该格式由公用头文件区、变长记录区和数据点记录区3部分组成。公用文件头区记录了数据的普通信息,如工程ID号、数据采集日期、数据点的个数以及使用什么坐标系等基本信息;变长记录区有一些元数据,这些元数据主要用来记录数据的投影信息、用户自定义等信息;数据点记录区主要记录了数据点的坐标、回波次数、强度信息和数据类型信息等。

      本研究选取了3块具有典型特征的数据,每块样地大小为1 000 m×1 000 m(图 1)。图 1a中只有植被;图 1b中有道路、河流和植被;图 1c中地物类型比较复杂,有道路、河流、居民区和植被。平缓山地林区主要是小坡度林区地形,陡峭山地林区就是坡度较大的林区,复杂地区主要是居民点和一些植被。用于精度对比的DEM由1:10 000的地形图矢量化,加以渲染并显示,依次为平缓山地林区图 2a、陡峭山地林区图 2b、复杂地区图 2c

      图  1  3块典型样地

      Figure 1.  Three typical plots

      图  2  原始数字高程模型示意图

      Figure 2.  Sketch map of original digital elevation model

    • 原始LiDAR数据噪声主要表现为高程异常值,分为高程值过高或过低。一种是比较高的点,当激光信号打到空中物体上,如空中的鸟、低空飞行的飞行物等,就会产生一些高程比较高的异常孤立点。另一种是比较低的点,这些点的高程非常低,会产生一些地方下陷,大部分是由于激光测距仪的误差或多路径效应产生的外部孤立点。在大多数滤波分类方法中,通常认为点云数据中高程最低的点应该是地面点,这种设想会给分类结果带来错误,导致生成的DEM在局部严重下陷。根据研究区的实际高程范围(280~707 m),去除粗差点。当数据点中有高程低于250 m和高于750 m时,认为该点为噪音点,应舍去掉,以消除粗差点对滤波结果的影响。

    • 点云滤波是通过分析邻近点间的高程变化来实现的。高程的陡变通常认为是由于地物的出现而非由地面高程的变化引起的,因此高程较高的点是地物点的可能性较大。国内外代表性的滤波算法有数学形态学、迭代线性最小二乘法、基于坡度方法、不规则三角网等。

      本文选取了3种方法:

      1) 不规则三角网(TIN)算法[31]。该算法利用少量地面激光脚点作为种子点生成一个稀疏TIN,再考察各激光脚点与TIN的距离、方向以判定其为地面点的真实性,并同时对稀疏TIN进行迭代加密,利用少量地面激光脚点作为种子点生成一个稀疏TIN,再考察各激光脚点与TIN的距离、方向以判定其为地面点的真实性,并同时对稀疏TIN进行迭代加密。该方法适用于植被、建筑物等高程突变比较明显的地物,但是对靠近地面的植被会误判为地面点,同时参数的设置也是一个难点。

      2) 迭代线性最小二乘法[32]。此方法是基于最简单的线性预测,通过从原始点云中逐步剔除非地面点,直到拟合的曲面稳定。该方法需要很多次的迭代处理,最终分离地面点和生成DEM。迭代线性最小二乘法滤波适用于平坦地区和陡坡地形,但该算法需要多次迭代,浪费时间; 同时分块固定,无法滤去较大的建筑,当地面点较少时,很难保证得到准确的DEM,也无法保留断裂线特征。

      3) 基于坡度的滤波算法[33]。该算法以当前点与邻近点间的坡度值作为依据判别地面点与非地面点,简单易行。该方法定义地面点集合:

      $$ {\rm{DEM}} = \left\{ {{p_i} \in A|\forall pj \in A:h{p_i} - h{p_j} \le \Delta {h_{\max }}\left( {d\left( {{p_i}, {p_j}} \right)} \right)} \right\} $$

      式中:A为所有数据点的集合;DEM为地面点的集合;pipj分别为第i个数据点和第j个数据点;hpihpj分别为第i个点和第j个点的高程;d(pi, pj)为两点之间的距离;Δhmax(d(pi,pj))是指两个点pipj距离为d时的最大高差。

      基于坡度的方法适应于陡坡地形,但实际滤波结果受坡度阈值影响较大,而且耗时。

    • 激光雷达点云滤波的核心是高程变化,通过判断并建立合适的搜索方法来分离地面点与地物点。有的滤波算法通常先建立待滤波区域的粗糙地形模型,然后在逼近真实地形的迭代过程中筛选出表征真实地面的激光脚点,不规则三角网算法就是其中一种。有的滤波算法从单个激光脚点出发,依据邻域关系来进行地面属性判断并扩展到全局,代表算法有基于坡度的滤波算法。经过噪音处理之后,分别用3种滤波算法进行滤波处理。

      1) 用不规则三角网对点云数据进行滤波,在Terrasolid下实现,在平坦山地林区和陡峭山地林区使用Terrasolid软件的默认参数可以得到很好的滤波效果。对复杂地区,先分离出地面点,再根据建筑物地形特征,设置最大内插距离1.5 m、最大内插角度5°、最大地形坡度25°。

      2) 用迭代线性最小二乘法,在FUSION软件下进行滤波,经过反复试验,得到比较理想的参数设置(表 1)。

      表 1  迭代线性最小二乘法理想参数表

      Table 1.  Parameters in iterative linear least squares prediction filtering algorithm

      区域类型
      Region type
      参数a
      Parameter a
      参数b
      Parameter b
      参数g
      Parameter g
      参数ω
      Parameter ω
      网格大小
      Grid size/m
      迭代次数
      Iterative time
      平缓Gently slope 1 4 0.1 0.4 8 10
      陡峭Steep area 1 4 0.1 0.3 5 6
      复杂Complicated area 1 4 0 0.4 6 8

      3) 用基于坡度的滤波算法,在“点云魔方”软件下实现。经过反复试验,得到比较理想的参数设置(表 2)。

      表 2  坡度滤波参数表

      Table 2.  Parameters in filtering algorithm based on slope

      区域类型
      Region type
      网格化窗口尺寸
      Grid size
      窗口扩展因子
      Grid size extension factor
      坡度阈值
      Slope threshold
      平缓Gently slope 1 9 0.6
      陡峭Steep area 1 8 0.7
      复杂Complicated area 1 10 0.5

      不同算法基于不同的原理,不同的组合顺序会产生不同的滤波效果。为了研究不同组合对复杂地形的适应性,本文采用表 3中的组合方法。

      表 3  不同滤波算法组合

      Table 3.  Different combined filtering algorithms

      顺序
      Sequence
      组合1
      Combination 1
      组合2
      Combination 2
      组合3
      Combination 3
      组合4
      Combination 4
      组合5
      Combination 5
      组合6
      Combination 6

      First
      不规则三角网
      Triangulated irregular network (TIN)
      迭代线性最小二乘法
      Iterative linear least
      squares prediction
      基于坡度
      Based on slope
      不规则三角网
      TIN
      基于坡度
      Based on slope
      迭代线性最小二乘法
      Iterative linear least
      squares prediction

      Second
      基于坡度
      Based on slope
      基于坡度
      Based on slope
      迭代线性最小二乘法
      Iterative linear least
      squares prediction
      迭代线性最小二乘法
      Iterative linear least
      squares prediction
      不规则三角网
      TIN
      不规则三角网
      TIN
    • 本文中运用滤波后的数据进行栅格化生成DEM,然后将生成的DEM与参考的原始DEM进行逐像元对比,得到相关系数R2和均方根误差RMSE。

    • 利用单一滤波算法得到的结果如图 3所示。对于同一地区不同方法的比较,从图 3abc可以看出地物点基本过滤掉,3种方法在平缓山地林区效果良好;图 3ef图的左侧有大量植被点存在,图 3d表明不规则三角网在陡峭山地林区效果最好;图 3g中有部分建筑物存在,图 3i中有大量建筑物存在,而且山坡上有许多植被点存在。图 3h表明迭代线性最小二乘法在复杂地区效果最好。

      图  3  使用不同方法过滤后地面点产生的数字渲染图

      Figure 3.  Digital surface models generated from the filtered bare-earth points using different filtering algorithms

      同一方法在不同地物类型中比较时,基于不规则三角网(图 3adg),图 3ag几乎没有地物点,图 3d中存在未滤掉的建筑物,该方法适合平缓山地林区和陡峭山地林区;基于迭代线性最小二乘法,从图 3beh可以看出,图 3h中左侧边缘有未滤掉的植被点,图 3e仅有一小块未滤掉的建筑物,该方法适合平缓山地林区和复杂地区;基于坡度的算法,从图 3cfi可以看出,图 3fi存在未滤掉的植被和建筑物,该方法适合平缓山地林区。

    • 单一滤波算法精度分析如图 4所示。同一地区用不同方法,在平缓山地林区(图 4abc),发现3种方法得到的R2都在0.98以上,而且离散程度小,3种方法在平缓山地林区的精度结果都比较理想;在陡峭山地林区(图 4def),基于不规则三角网的方法和基于迭代线性最小二乘法滤波结果的R2均为0.99,RMSE分别为1.43 m和1.50 m,但基于坡度方法的R2为0.94,RMSE为1.68 m,相关性小,离散程度大,得到许多未过滤点,所以滤波效果较差;在复杂地区(图 4ghi),3种方法的R2都很好,R2在0.94以上,但基于迭代线性最小二乘法的RMSE值最小,为0.21 m,离散程度小,较为集中,所以在复杂地区使用基于迭代线性最小二乘法滤波效果最好。

      图  4  精度评估

      Figure 4.  Accuracy assessment

      基于不规则三角网方法在不同地区的滤波精度如图 4adg所示。对比发现,该算法适宜于复杂地区和平缓山地林区的滤波,R2高,并且RMSE小,离散程度低;迭代线性最小二乘法在不同地区的滤波精度如图 4beh所示。迭代线性最小二乘法在平缓山地林区和复杂地区R2达到1.00和0.94,RMSE为0.16 m和0.21 m;在陡峭山地林区RMSE为1.50 m,离散程度大。结合前面的DEM渲染图(图 3),进一步证实了迭代线性最小二乘法在平缓山地林区的适应性;基于坡度的方法在不同地区的滤波精度如图 4cfi所示。坡度法在平缓山地和复杂地区林区的R2分别为1.00和0.99,RMSE为0.12 m、0.22 m,比陡峭山地林区的1.68 m低很多,所以坡度法在复杂地区和平缓山地林区具有好的效果。

    • 点云滤波是通过分析邻近点间的高程变化来实现的,大多数滤波算法基于此原理,因此每一种滤波方法对于坡度阈值明显的区域,如平缓山地林区都有良好的滤波效果(图 3abc图 4abc)。但是,在陡峭山地林区,有明显的分类误差,将植被分为地面点;单一的方法在复杂地区情况下,滤波效果不是很好,仍有植被和建筑物被分类为地面点。使用单一算法对类似这种陡峭山地林区和复杂区域滤波,仍存在大量的误差(将地物点分类为地面点)。

      分析使用单一滤波算法的滤波结果,每种滤波算法都有独特的适应性。基于不规则三角网的方法适宜于复杂地区和平缓山地林区的滤波;迭代线性最小二乘法适宜于平缓山地林区;基于坡度的方法在复杂地区和平缓山地林区具有好的效果。通过不同方法的组合,可以最大限度地去除独特的地物类型,得到高精度的滤波结果,生成高精度的DEM。根据表 3中的方法组合顺序,先使用一种方法,然后对前一结果使用后一种方法进行试验,得到相应的滤波结果。由于使用单一算法在平缓山地林区都有良好的滤波结果,本文不再使用不同方法组合对平缓山地林区进行滤波,只对陡峭山地林区和复杂地区进行滤波。

      滤波组合方法过滤后产生数字表面模型(图 5)。该结果与单一算法得到的结果进行对比可知,不规则三角网和基于坡度的方法组合不能去掉残存的建筑物点,可以去掉残存的植被点,该组合对复杂地区的滤波效果没有改善,对陡峭山地林区滤波效果有很大的改善;迭代线性最小二乘法和基于坡度方法的组合,对陡峭山地林区和复杂地区滤波均无明显效果;剩下的4种组合,即基于坡度和迭代线性最小二乘法、不规则三角网和迭代线性最小二乘法、基于坡度和不规则三角网、迭代线性最小二乘法和不规则三角网,它们均能明显地改善滤波效果,将残存的植被点和建筑物点滤掉,几乎没有残余的地物点。但是,在陡峭山地林区,基于坡度和不规则三角网、基于坡度和迭代线性最小二乘法这两组方法过滤掉太多的地面点,剩余点太过稀疏,导致插值生成的数字渲染图纹理信息丢失,如图 5de。陡峭山地林区(图 5adbe)和复杂地区(图 5gjhk)表现了组合的先后顺序带来差异明显的滤波结果。由于不规则三角网和迭代线性最小二乘法是先建立待滤波区域的粗糙地形模型,然后在逼近真实地形的迭代过程中筛选出表征真实地面的激光脚点,使用这两种方法进行滤波后,激光雷达点云数据已经满足形成地面的阈值条件,进一步对结果使用基于坡度方法进行滤波时,该方法的阈值设置已经没有多大影响,不能改进滤波效果。

      图  5  使用滤波组合方法产生的数字渲染图

      Figure 5.  Digital surface models resulted from different combined filtering algorithms

      不同组合方法在同一地形的RMSE差异大小如图 6所示。在陡峭山地林区,不规则三角网和基于坡度、不规则三角网和迭代线性最小二乘法、基于坡度和不规则三角网这3种组合方法相对较好;在复杂地区,迭代线性最小二乘法和基于坡度、基于坡度和不规则三角网、基于坡度和迭代线性最小二乘法、迭代线性最小二乘法和不规则三角网的RMSE相对较低,但是在基于坡度和不规则三角网、基于坡度和迭代线性最小二乘法这两种组合方法时,RMSE急剧下降,达到0.20 m左右,因为过滤掉太多地面点,剩余点太过稀疏,此分析结果与图 5结果相符。以上结果证明,合理的滤波算法组合,可以滤掉单一算法无法过滤的地物点,克服复杂地形的影响,提高滤波精度,从而生成高精度的DEM。

      图  6  精度评估

      Figure 6.  Accuracy assessment

    • 用不同的滤波方法对点云数据进行处理,生成数字高程模型(DEM),与由地形图提取出的DEM进行精度对比。通过DEM渲染图得到滤波效果的初次评价,再通过精度对比图进行验证,得到不同方法的最适合区域。

      从以上结果来看,不规则三角网点云滤波算法适合应用在复杂地区或比较平缓的林地区域,在这两种区域中,滤波效果很好;相比而言,陡峭地区滤波效果较差,因为陡峭山地林区的高差临界值不好控制。本研究结果与国际摄影测量与遥感协会(ISPRS)测试报告结果相符。所以,不规则三角网算法适宜于复杂地区和平缓山地林区的滤波。

      迭代线性最小二乘法必须根据研究区内地形特征和先验知识设置不同的参数,需要人为操作,根据DEM渲染图和精度评价图可知,该方法对平缓山地林区和陡峭山地林区有良好的效果,尤其是对平缓山地林区的滤波效果更好。对于复杂地区,窗口大小设置过小时很可能失去效果,不能分辨出建筑物点,窗口设置过大又可能将本来属于地面点的数据去除掉。此方法的参数设置对结果有很大的影响,需要反复迭代找到合适的参数。

      基于坡度的滤波方法,不同区域需要不同的格网大小和坡度阈值,仅根据坡度设置统一的阈值很可能会滤掉一些真实的地形信息,造成分类的误差。该方法在陡峭山地林区和平缓山地林区有良好的效果。

      3种方法在简单的地形中具有良好的滤波效果,如平地或平滑的地方;在复杂区域就会有较大的误差,如林区中的居民建筑物,此时用单一的滤波算法不能得到良好的效果。通过不同滤波方法的组合,在复杂地区和陡峭山地林区试验,得到良好的滤波效果,去除掉大量的误差,对单一滤波方法得到的地面点进一步过滤,得到的地面点精度更高。在组合方法中,先使用不规则三角网,再使用基于坡度的组合方法,在复杂地区没有明显的效果,建筑物依然存在,需进一步探究原因。其他方法的组合均有明显的效果。

      运用滤波方法组合的手段进行点云滤波可以提高滤波精度,生成高精度的DEM,但是也会产生一些误差,将原本属于地面点的点云分类为地物点。在进行栅格化插值时会出现空白区域,因为经过一次滤波后,为了对特殊的残余地物点进行再次滤波设置的格网大小、坡度阈值等参数,适合残余的地物点,忽略了一些地面点再次分类为地物点的情况,从而降低了地面点的密度。

    • 本次试验得到了单一滤波方法的适应性,在简单的地物情况下,如只含有植被单一地物,3种方法可以得到良好的滤波效果,生成高精度的DEM。基于不规则三角网、迭代线性最小二乘法、基于坡度的方法,都比较适合平缓山地林区地形。3种方法在陡峭山地林区和复杂地区,有许多分类误差。滤波方法的组合,如基于坡度和迭代线性最小二乘法、不规则三角网和迭代线性最小二乘法、基于坡度和不规则三角网、迭代线性最小二乘法和不规则三角网这些组合,当有未过滤植被的陡峭山地林区和建筑物的复杂区域,使用这些组合方法可以消除掉一些分类误差,进一步提高精度。

      对研究结果的展望:1)由于研究区域处于林区,对数据进行分块后,选择代表性的区域时,会有其他地物存在,如陡峭地区研究区里有一部分是山坡,会对后边滤波阈值的设置有很大影响,例如为了得到较好的平地滤波效果,参数设置偏向平坦地区,那么坡度那部分滤波效果就会较差,反之亦然。2)滤波算法中的各种参数设置需要先验知识和反复的试验,才能得到较好的滤波效果,格网尺寸设置过小时不能滤除建筑物,设置过大会将属于地面点的点云滤掉,影响结果。3)激光雷达点云数据通过合适的滤波算法处理后,得到高精度的滤波效果,生成高精度的DEM和DSM,通过两者运算,并结合相应的高分辨率数码影像数据,可以提取单株立木的高度信息。4)在复杂区域采用不同滤波方法组合,可以大大降低分类误差,获取高精度的DEM。5)基于激光雷达数据提取高精度的DEM经常也有一定的因素影响,如激光点云数据的密度、数据的组织方式、不同滤波算法的适应性等。今后可以结合数据本身携带的基本信息,以及获取LiDAR数据时得到的航空影像信息作为辅助信息,进行多元信息滤波处理,保证结果的可靠性。

参考文献 (33)

目录

    /

    返回文章
    返回