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

倾斜摄影测量技术提取落叶松人工林地形信息

曾健 张晓丽 周雪梅 尹田

曾健, 张晓丽, 周雪梅, 尹田. 倾斜摄影测量技术提取落叶松人工林地形信息[J]. 北京林业大学学报, 2019, 41(8): 1-12. doi: 10.13332/j.1000-1522.20190126
引用本文: 曾健, 张晓丽, 周雪梅, 尹田. 倾斜摄影测量技术提取落叶松人工林地形信息[J]. 北京林业大学学报, 2019, 41(8): 1-12. doi: 10.13332/j.1000-1522.20190126
Zeng Jian, Zhang Xiaoli, Zhou Xuemei, Yin Tian. Extraction of topographic information of larch plantation by oblique photogrammetry[J]. Journal of Beijing Forestry University, 2019, 41(8): 1-12. doi: 10.13332/j.1000-1522.20190126
Citation: Zeng Jian, Zhang Xiaoli, Zhou Xuemei, Yin Tian. Extraction of topographic information of larch plantation by oblique photogrammetry[J]. Journal of Beijing Forestry University, 2019, 41(8): 1-12. doi: 10.13332/j.1000-1522.20190126

倾斜摄影测量技术提取落叶松人工林地形信息

doi: 10.13332/j.1000-1522.20190126
基金项目: 国家重点研发计划项目(2017YFD0600902)
详细信息
    作者简介:

    曾健。主要研究方向:资源监测与信息化管理。Email:347374718@qq.com 地址:100083 北京市海淀区清华东路35号北京林业大学林学院

    通讯作者:

    张晓丽,教授,博士生导师。主要研究方向:定量遥感。Email:zhang-xl@263.net  地址:同上

  • 中图分类号: S771.5;TP701

Extraction of topographic information of larch plantation by oblique photogrammetry

  • 摘要: 目的林下地形是提取单木树高、冠幅等森林参数的必备条件,但由于林区地形起伏较大,传统的测量手段难以获取大范围高精度的森林地区数字地形模型(DTM)。近年来,倾斜摄影测量克服了传统测量技术的缺点,成为获取三维地理信息的新型手段。本文使用无人机倾斜摄影测量技术提取落叶松林下地形,并评测精度与适用性,为后续基于倾斜摄影测量技术提取单木参数的研究提供参考。方法选择内蒙古旺业甸林场内山区典型落叶松幼龄林、中龄林和成熟林林分在落叶季进行无人机飞行,采用Context Capture软件对获取的落叶季倾斜像片进行三维重建,生成林区点云。使用布料模拟滤波、加权线性最小二乘、渐进不规则三角网加密法、渐进形态学滤波算法从点云中提取地面点,并采用3种插值方法插值地面点生成测区完整地形。使用激光雷达DTM作为验证数据评价精度。结果不同算法的地形提取精度与郁闭度相关。在幼龄林区域和中龄林区域,布料模拟滤波提取地面点的精度最高,决定系数(R2)均达到0.999,均方根误差(RMSE)分别为1.61 m和0.47 m;在成熟林区域,渐进三角网滤波效果最好,R2为0.999,RMSE为0.39 m。在不同郁闭度林分选择最优滤波算法基础上,比较不同插值方法生成的数字地形模型(DTM)精度,结果表明:在幼龄林和中龄林,布料模拟滤波点云后经不规则三角网(TIN)插值得到的DTM精度最高,RMSE分别为1.58 m和0.44 m;成熟林分渐进不规则三角网加密滤波后地面点经克里金(Kriging)法插值得到的DTM精度最高,RMSE为0.31 m。结论实验证明,倾斜摄影测量技术可用于落叶松林分地形提取。
  • 图  1  研究区位置

    Figure  1.  Location of the study area

    图  2  倾斜摄影测量点云

    a. 幼龄林点云Point clouds of young forest; b. 中龄林点云Point clouds of middle-aged forest; c. 成熟林点云Point clouds of mature forest

    Figure  2.  Oblique photogrammetric point clouds

    图  3  激光雷达得到的数字地形模型

    a. 幼龄林点云DTM of young forest; b. 中龄林点云DTM of middle-aged forest; c. 成熟林点云DTM of mature forest

    Figure  3.  Digital terrain model generated from LiDAR

    图  4  研究技术流程图

    Figure  4.  Research technology flowchart

    图  5  不同滤波算法在不同林分倾斜摄影点云中滤波结果

    a. 幼龄林布料模拟滤波结果; b. 中龄林布料模拟滤波结果; c. 成熟林布料模拟滤波结果; d. 幼龄林加权最小二乘滤波结果; e. 中龄林加权最小二乘滤波结果; f. 成熟林加权最小二乘滤波结果; g. 幼龄林渐进不规则三角网加密滤波结果; h. 中龄林渐进不规则三角网加密滤波结果; i. 成熟林渐进不规则三角网加密滤波结果; j. 幼龄林渐进形态学滤波结果; k. 中龄林渐进形态学滤波结果; l. 成熟林渐进形态学滤波结果
    a. CSF filtering results of young forest; b. CSF filtering results of middle-aged forest; c. CSF filtering results of mature forest; d. WLS filtering results of young forest; e. WLS filtering results of middle-aged forest; f. WLS filtering results of mature forest; g. PTIN filtering results of young forest; h. PTIN filtering results of middle-aged forest; i. PTIN filtering results of mature forest; j. PMF filtering results of young forest; k. PMF filtering results of mature forest; l. PMF filtering results of mature forest

    Figure  5.  Filtering results of different filtering algorithms in oblique photographic point cloud

    图  6  不同滤波方法滤波精度

    a. 幼龄林布料模拟滤波精度; b. 中龄林布料模拟滤波精度; c. 成熟林布料模拟滤波精度; d. 幼龄林加权最小二乘滤波精度; e. 中龄林加权最小二乘滤波精度; f. 成熟林加权最小二乘滤波精度; g. 幼龄林渐进不规则三角网加密滤波精度; h. 中龄林渐进不规则三角网加密滤波精度; i. 成熟林渐进不规则三角网加密滤波精度; j. 幼龄林渐进形态学滤波精度; k. 中龄林渐进形态学滤波精度; l. 成熟林渐进形态学滤波精度
    a. CSF filtering accuracy of young forest;b. CSF filtering accuracy of middle-aged forest; c. CSF filtering accuracy of mature forest; d. WLS filtering accuracy of young forest; e. WLS filtering accuracy of middle-aged forest; f. WLS filtering accuracy of mature forest; g. PTIN filtering accuracy of young forest; h. PTIN filtering accuracy of middle-aged forest; i. PTIN filtering accuracy of mature forest; j. PMF filtering accuracy of young forest; k. PMF filtering accuracy of mature forest; l. PMF filtering accuracy of mature forest

    Figure  6.  Accuracy of filtering methods using different methods in different forest areas

    图  7  倾斜摄影地面点插值后的地形

    a. 幼龄林点云DTM of young forest; b. 中龄林点云DTM of middle-aged forest; c. 成熟林点云DTM of mature forest

    Figure  7.  Optimal DTMs of different forests after interpolation

    表  1  无人机相机及飞行参数

    Table  1.   Unmanned aerial vehicle camera and flight parameters

    传感器及飞行参数
    Sensors and flight parameters
    参数值
    Parameter values
    尺寸 Size35.9 mm × 24 mm
    航向重叠 Course overlap0.8
    旁向重叠 Side overlap0.7
    水平速度 Horizontal velocity/(m·s− 14 ~ 8
    飞行高度 Flight altitude/m200
    地面分辨率 Ground resolution/cm3
    曝光间隔 Exposure interval/s< 4.5
    焦距 Focal length/mm35
    倾斜角度 Oblique angle45°
    单个相机像素 Single camera pixel4 200 × 104
    下载: 导出CSV

    表  2  无人机激光雷达及飞行参数

    Table  2.   Unmanned aerial vehicle LiDAR and flight parameters

    传感器及飞行参数
    Sensors and flight parameters
    参数值
    Parameter values
    激光有效扫描角 Laser effective scanning angle/(°)1 550
    光束发散角 Beam divergence angle mrad0.5
    光斑直径 Spot diameter/cm20
    扫描速度 Scanning speed/(r·s− 1)360
    脉冲发射频率 Pulse emission frequency/Hz112
    幅宽 Camera width/m1 040
    飞行高度 Flight alitutude/m300
    飞行速度 Flight speed/(m·s− 1)4.8
    下载: 导出CSV

    表  3  倾斜摄影点云误差改正值

    Table  3.   Elevation error correction number of point cloud by oblique photogrammetry

    林分类型 Forest type幼龄林 Young forest中龄林 Middle-aged forest成熟林 Mature forest
    高程系统误差 Elevation system error/m1.1781.7315.250
    下载: 导出CSV

    表  4  加权最小线性二乘法参数表

    Table  4.   Parameters in weighted linear least squares prediction filtering algorithm

    林分类型 Forest type  参数g Parameter g参数w Parameter w格网大小 Grid size/m迭代次数 Iterative time
    幼龄林 Young forest0.10.348
    中龄林 Middle-aged forest0.10.368
    成熟林 Mature forest0 0.4810
    下载: 导出CSV

    表  5  成熟林区域不同滤波算法组合插值方法地形精度

    Table  5.   Topographic accuracy of combination interpolation method with different filtering algorithms in mature forest region m

    项目 ItemRMSE
    不规则三角网插值
    Triangulated irregular network (TIN)
    反距离权重插值
    Inverse distance weighted (IDW)
    克里金插值
    kriging (KRG)
    布料模拟滤波
    Cloth simulation filter (CSF)
    0.370.420.42
    加权线性最小二乘
    Weighted linear least squares (WLS)
    0.350.440.43
    渐进不规则三角网
    Progressive triangulated irregular network (PTIN)
    0.320.320.31
    渐进形态学滤波
    Progressive morphological filter (PMF)
    0.340.360.36
    下载: 导出CSV
  • [1] Mcelhinny C, Gibbons P, Brack C, et al. Forest and woodland stand structural complexity: its definition and measurement[J]. Forest Ecology and Management, 2005, 218(1−3): 1−24. doi:  10.1016/j.foreco.2005.08.034
    [2] Keith H, Mackey B G, Lindenmayer D B. Re-evaluation of forest biomass carbon stocks and lessons from the world’s most carbon-dense forests[J]. Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(28): 11635−11640. doi:  10.1073/pnas.0901970106
    [3] 冯静静, 张晓丽, 刘会玲. 基于灰度梯度图像分割的单木树冠提取研究[J]. 北京林业大学学报, 2017, 39(3):16−23.

    Feng J J, Zhang X L, Liu H L. Single tree crown extraction based on gray gradient image segmentation[J]. Journal of Beijing Forestry University, 2017, 39(3): 16−23.
    [4] 李欢, 李明泽, 范文义, 等. 基于机载激光雷达的林隙结构参数提取[J]. 林业科学, 2018, 54(10):98−107. doi:  10.11707/j.1001-7488.20181012

    Li H, Li M Z, Fan W Y, et al. Canopy gap structure parameters extraction based on light detection and ranging (LiDAR)[J]. Scientia Silvae Sinicae, 2018, 54(10): 98−107. doi:  10.11707/j.1001-7488.20181012
    [5] Barnes C, Balzter H, Barrett K, et al. Individual tree crown delineation from airborne laser scanning for diseased larch forest stands[J]. Remote Sensing, 2017, 9(3): 231−251. doi:  10.3390/rs9030231
    [6] Ota T, Ogawa M, Shimizu K, et al. Aboveground biomass estimation using structure from motion approach with aerial photographs in a seasonal tropical forest[J]. Forests, 2015, 6(11): 3882−3898.
    [7] 李增元, 刘清旺, 庞勇. 激光雷达森林参数反演研究进展[J]. 遥感学报, 2016, 20(5):1138−1150.

    Li Z Y, Liu Q W , Pang Y. Review on forest parameters inversion using LiDAR[J]. Journal of Remote Sensing, 2016, 20(5): 1138−1150.
    [8] 刘清旺, 李世明, 李增元, 等. 无人机激光雷达与摄影测量林业应用研究进展[J]. 林业科学, 2017, 53(7):134−148. doi:  10.11707/j.1001-7488.20170714

    Liu Q W, Li S M, Li Z Y, et al. Review on the applications of UAV-Based LiDAR and photogrammetry in forestry[J]. Scientia Silvae Sinicae, 2017, 53(7): 134−148. doi:  10.11707/j.1001-7488.20170714
    [9] Dandois J P, Ellis E C. High spatial resolution three-dimensional mapping of vegetation spectral dynamics using computer vision[J]. Remote Sensing of Environment, 2013, 136: 259−276. doi:  10.1016/j.rse.2013.04.005
    [10] 徐思奇, 黄先锋, 张帆, 等. 倾斜摄影测量技术在大比例尺地形图测绘中的应用[J]. 测绘通报, 2018(2):111−115.

    Xu S Q, Huang X F, Zhang F, et al. Oblique photogrammetric technique applied in surveying and mapping large-scale topographic map[J]. Bulletin of Surveying and Mapping, 2018(2): 111−115.
    [11] 周晓敏, 孟晓林, 张雪萍, 等. 倾斜摄影测量的城市真三维模型构建方法[J]. 测绘科学, 2016, 41(9):159−163.

    Zhou X M, Meng X L, Zhang X P, et al. A method for urban real 3D model building based on oblique photogrammetry[J]. Science of Surveying and Mapping, 2016, 41(9): 159−163.
    [12] 杨国东, 王民水. 倾斜摄影测量技术应用及展望[J]. 测绘与空间地理信息, 2016, 39(1):13−15, 18. doi:  10.3969/j.issn.1672-5867.2016.01.004

    Yang G D, Wang M S. The tilt photographic measuration technique and expectation[J]. Geomatics & Spatial Information Technology, 2016, 39(1): 13−15, 18. doi:  10.3969/j.issn.1672-5867.2016.01.004
    [13] 魏占玉, Ramon A, 何宏林, 等. 基于SfM方法的高密度点云数据生成及精度分析[J]. 地震地质, 2015, 37(2):636−648. doi:  10.3969/j.issn.0253-4967.2015.02.024

    Wei Z Y, Ramon A, Heng H L, et al. Accuracy analysis of terrain point cloud acquired by “structure from motion” using aerial photos[J]. Seismology and Geology, 2015, 37(2): 636−648. doi:  10.3969/j.issn.0253-4967.2015.02.024
    [14] Lin J, Wang M, Ma M, et al. Aboveground tree biomass estimation of sparse subalpine coniferous forest with UAV oblique photography[J]. Remote Sensing, 2018, 10(11): 1849−1868. doi:  10.3390/rs10111849
    [15] 陈崇成, 李旭, 黄洪宇. 基于无人机影像匹配点云的苗圃单木冠层三维分割[J]. 农业机械学报, 2018, 49(2):149−155, 206. doi:  10.6041/j.issn.1000-1298.2018.02.020

    Chen C C, Li X, Huang H Y. 3D Segmentation of individual tree canopy in forest nursery based on drone image-matching point cloud[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 149−155, 206. doi:  10.6041/j.issn.1000-1298.2018.02.020
    [16] Wallace L, Lucieer A, Malenovsky Z, et al. Assessment of forest structure using two UAV techniques: a comparison of airborne laser scanning and structure from motion (SfM) point clouds[J]. Forests, 2016, 7(3): 62−78.
    [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(1−2): 85−101. doi:  10.1016/j.isprsjprs.2004.05.004
    [18] Silva C A, Klauberg C, Hentz M K, et al. Comparing the performance of ground filtering algorithms for terrain modeling in a forest environment using airborne LiDAR data[J/OL]. Floresta e Ambiente, 2018, 25(2): e20160150 [2018−08−12]. http://dx.doi.org/10.1590/2179-8087.015016.
    [19] 汪垚, 张志玉, 倪文俭, 等. 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.

    Wang Y, Zhang Z Y, Ni W J, et al. 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.
    [20] 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, 32(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, 32(1): 72−77. doi:  10.3969/j.issn.1673-6338.2015.01.015
    [21] White J C, Tompalski P, Coops N C, et al. Comparison of airborne laser scanning and digital stereo imagery for characterizing forest canopy gaps in coastal temperate rainforests[J]. Remote Sensing of Environment, 2018, 208: 1−14. doi:  10.1016/j.rse.2018.02.002
    [22] Zhang W, Qi J, Wan P, et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016, 8(6): 501−523. doi:  10.3390/rs8060501
    [23] Axelsson P. DEM generation from laser scanner data using adaptive TIN models[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B4/1, PART4): 111−118.
    [24] Vosselman G. Slope based filtering of laser altimetry data[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B3/2, PART3): 935−942.
    [25] Zhang K Q, Chen S Q. A progressive morphological filter for removing nonground measurements from airborne LIDAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 4(41): 872−882.
    [26] 段祝庚, 肖化顺, 袁伟湘. 基于离散点云数据的森林冠层高度模型插值方法[J]. 林业科学, 2016, 52(9):86−94.

    Duan Z G, Xiao H S, Yuan W X. Comparison of interpolation methods of forest canopy height model using discrete point cloud data[J]. Scientia Silvae Sinicae, 2016, 52(9): 86−94.
    [27] 王彬, 孙虎, 徐倩, 等. 基于无人3D摄影技术的雪松(Cedrus deodara)群落高度测定[J]. 生态学报, 2018, 38(10):3524−3533.

    Wang B, Sun H, Xu Q, et al. Height measurement of a cedar (Cedrus deodara) community based on unmanned aerial vehicles (UAV) 3D photogrammetry technology[J]. Acta Ecologica Sinica, 2018, 38(10): 3524−3533.
    [28] Ni W, Sun G, Pang Y, et al. Mapping three-dimensional structures of forest canopy using UAV stereo imagery: evaluating impacts of forward overlaps and image resolutions with LiDAR data as reference[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(10): 3578−3589. doi:  10.1109/JSTARS.2018.2867945
  • [1] 欧强新, 雷相东, 沈琛琛, 宋国涛.  基于随机森林算法的落叶松−云冷杉混交林单木胸径生长预测 . 北京林业大学学报, 2019, 41(9): 9-19. doi: 10.13332/j.1000-1522.20180266
    [2] 朱子卉, 杨华, 张恒, 王全军, 孙权, 杨超.  择伐后落叶松云冷杉林直径结构及生长的动态变化 . 北京林业大学学报, 2018, 40(5): 55-62. doi: 10.13332/j.1000-1522.20170358
    [3] 沈剑波, 雷相东, 雷渊才, 李玉堂.  长白落叶松人工林地位指数及立地形的比较研究 . 北京林业大学学报, 2018, 40(6): 1-8. doi: 10.13332/j.1000-1522.20170400
    [4] 倪树斌, 马超, 杨海龙, 张熠昕.  北京山区崩塌、滑坡、泥石流灾害空间分布及其敏感性分析 . 北京林业大学学报, 2018, 40(6): 81-91. doi: 10.13332/j.1000-1522.20170328
    [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] 韩大校, 金光泽.  地形和竞争对典型阔叶红松林不同生长阶段树木胸径生长的影响 . 北京林业大学学报, 2017, 39(1): 9-19. doi: 10.13332/j.1000-1522.20160218
    [7] 周鑫, 姜航, 孙金兵, 崔晓阳.  地形因子和物理保护对张广才岭次生林土壤有机碳密度的影响 . 北京林业大学学报, 2016, 38(4): 94-106. doi: 10.13332/j.1000-1522.20150417
    [8] 吴祥云, 刘梦旅, 任杰, 崔丽楠, 何志勇.  辽东山地森林景观界面土壤水分变异特征研究 . 北京林业大学学报, 2015, 37(4): 56-63. doi: DOI:10.13332/j.1000-1522.20140206
    [9] 李耀翔, 姜立春.  基于非线性混合模型的落叶松木材管胞长度模拟 . 北京林业大学学报, 2013, 35(3): 18-23.
    [10] 郑冬梅, 曾伟生.  用哑变量方法构建东北落叶松和栎类分段地上生物量模型 . 北京林业大学学报, 2013, 35(6): 23-27.
    [11] 姜立春, 刘铭宇, 刘银帮.  落叶松和樟子松木材基本密度的变异及早期选择 . 北京林业大学学报, 2013, 35(1): 1-6.
    [12] 许晨璐, 孙晓梅, 张守攻.  日本落叶松与长白落叶松及其杂种光合特性比较 . 北京林业大学学报, 2012, 34(4): 62-66.
    [13] 曾伟生, 唐守正.  东北落叶松和南方马尾松地下生物量模型研建 . 北京林业大学学报, 2011, 33(2): 1-6.
    [14] 王海燕, 雷相东, 张会儒, 杨平, .  近天然落叶松云冷杉林土壤有机碳研究 . 北京林业大学学报, 2009, 31(3): 11-16.
    [15] 战剑锋, 顾继友, 蔡英春.  落叶松板材常规干燥过程的动态黏弹性特性 . 北京林业大学学报, 2009, 31(1): 125-129.
    [16] 战剑锋, 顾继友, 蔡英春.  落叶松板材常规干燥过程的动态机械吸附特性 . 北京林业大学学报, 2009, 31(2): 108-113.
    [17] 向玮, 雷相东, 刘刚, 徐光, 陈光法.  近天然落叶松云冷杉林单木枯损模型研究 . 北京林业大学学报, 2008, 30(6): 90-98.
    [18] 颜绍馗, 邓小文, 郑小贤, 杨平, 黄荣凤, 毛俊娟, 李瑞, 魏潇潇, 吴彩燕, 张洪江, 张莉俊, 刘杏娥, 王费新, 殷亚方, 胡万良, 何亚平, 秦爱光, 胡胜华, 高黎, 王芳, 白岗栓, 周永学, 袁怀文, 张璧光, 赵天忠, 杜社妮, 李猛, NagaoHirofumi, 樊军锋, 乔建平, 汪思龙, 王兆印, 戴思兰, 王晓欢, 王小青, 崔赛华, 罗晓芳, 张克斌, 谭学仁, 王胜华, 刘燕, 王正, 张岩, 孙向阳, 常旭, 费世民, 徐嘉, 王海燕, , 龚月桦, 李昀, 李华, 江玉林, KatoHideo, 张旭, 张占雄, 刘云芳, 陈放, 范冰, 孔祥文, 江泽慧, 韩士杰, 张双保, 高荣孚, , 郭树花, 陈秀明, 杨培华, 丁磊, 李媛良, 侯喜录, 陈宗伟, 常亮, 李晓峰, 任海青, IdoHirofumi, 刘秀英, , 张代贵, 费本华, 蒋俊明, 李考学, 张桂兰, 高建社, 薛岩, , 陈学平, 徐庆祥, 涂代伦, , 王晓东, 金鑫, 李雪峰, 续九如, 刘永红, , 张红丽, , 丁国权.  古建筑木材内部腐朽状况阻力仪检测结果的定量分析 . 北京林业大学学报, 2007, 29(6): 167-171.
    [19] 李云成, 王岩, 孙宇瑞, 李永慈, 谢响明, 张学俭, 柳新伟, 王盛萍, 何磊, 朱妍, 盖颖, 高鹏, 张金凤, 张文娟, 贺庆棠, 侯旭, 冶民生, 罗菊春, 蒋佳荔, 李绍才, 陆佩玲, 张华丽, 唐守正, 昌明, 成仿云, 吴玉英, 孙海龙, 申卫军, 张志强, 冯仲科, 马道坤, 崔保山, 王文棋, 李吉跃, 康向阳, 关文彬, 廖学品, 吕建雄, 何静, 石碧, 路婷, 王军辉, 何权, 蒋湘宁, 孙阁, 李小飞, 于晓南, 赵广杰, 吴斌, 张桂莲, 关毓秀, 史剑波, 杨志荣, 静洁, 张平冬, 彭少麟, 马克明, 王尚德, 陈永国, 孙晓霞, 蒲俊文, 赵燕东, 张满良, 汪燕, 刘国华, 余新晓, 胡文忠, 林威, 汪西林.  应县木塔修缮用木材的防裂措施 . 北京林业大学学报, 2006, 28(1): 98-102.
    [20] 程丽莉, 曹伟, 刘智, 周志强, 程金新, 陈伟, 李国平, 黄心渊, 崔彬彬, 雷霆, 于寒颖, 李贤军, 周国模, 宗世祥, 刘志军, 徐剑琦, 施婷婷, 赵俊卉, 雷相东, 张展羽, 王志玲, 张煜星, 肖化顺, 杜官本, 江泽慧, 关德新, 张彩虹, 丁立建, 张则路, 郭广猛, 曹金珍, 杨谦, 刘童燕, 苏淑钗, 骆有庆, 黄群策, 王正, 张贵, 雷洪, 王海, 郝雨, 张璧光, 李云, 李云, 王正, 苏里坦, 吴家森, 张璧光, 方群, 吴家兵, 张佳蕊, 秦岭, 贺宏奎, 秦广雍, 周晓燕, 王勇, 李文军, 张大红, 陈晓光, 刘大鹏, 金晓洁], 许志春, 张书香, 宋南, 姜培坤, 常亮, 刘彤, 张国华, 张慧东, 黄晓丽, 苏晓华, 冯慧, 姜静, 高黎, 陈燕, 李延军, 蔡学理, 张弥, 刘建立, 姜金仲, 刘海龙, 于兴华, 张金桐, 周梅, 成小芳, 张冰玉, 陈绪和, 王德国, 尹伟伦, 王谦, 王安志, 朱彩霞, 张勤, 张连生, 聂立水, 陈建伟3, 金昌杰, 亢新刚, 冯大领, 崔国发, 韩士杰, 胡君艳, 梁树军, 姚国龙.  低磷胁迫对落叶松幼苗生长及根系酸性磷酸酶活性的影响 . 北京林业大学学报, 2006, 28(6): 46-50.
  • 加载中
图(7) / 表 (5)
计量
  • 文章访问数:  1422
  • HTML全文浏览量:  872
  • PDF下载量:  77
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-03-07
  • 修回日期:  2019-04-20
  • 网络出版日期:  2019-06-19
  • 刊出日期:  2019-08-01

倾斜摄影测量技术提取落叶松人工林地形信息

doi: 10.13332/j.1000-1522.20190126
    基金项目:  国家重点研发计划项目(2017YFD0600902)
    作者简介:

    曾健。主要研究方向:资源监测与信息化管理。Email:347374718@qq.com 地址:100083 北京市海淀区清华东路35号北京林业大学林学院

    通讯作者: 张晓丽,教授,博士生导师。主要研究方向:定量遥感。Email:zhang-xl@263.net  地址:同上
  • 中图分类号: S771.5;TP701

摘要: 目的林下地形是提取单木树高、冠幅等森林参数的必备条件,但由于林区地形起伏较大,传统的测量手段难以获取大范围高精度的森林地区数字地形模型(DTM)。近年来,倾斜摄影测量克服了传统测量技术的缺点,成为获取三维地理信息的新型手段。本文使用无人机倾斜摄影测量技术提取落叶松林下地形,并评测精度与适用性,为后续基于倾斜摄影测量技术提取单木参数的研究提供参考。方法选择内蒙古旺业甸林场内山区典型落叶松幼龄林、中龄林和成熟林林分在落叶季进行无人机飞行,采用Context Capture软件对获取的落叶季倾斜像片进行三维重建,生成林区点云。使用布料模拟滤波、加权线性最小二乘、渐进不规则三角网加密法、渐进形态学滤波算法从点云中提取地面点,并采用3种插值方法插值地面点生成测区完整地形。使用激光雷达DTM作为验证数据评价精度。结果不同算法的地形提取精度与郁闭度相关。在幼龄林区域和中龄林区域,布料模拟滤波提取地面点的精度最高,决定系数(R2)均达到0.999,均方根误差(RMSE)分别为1.61 m和0.47 m;在成熟林区域,渐进三角网滤波效果最好,R2为0.999,RMSE为0.39 m。在不同郁闭度林分选择最优滤波算法基础上,比较不同插值方法生成的数字地形模型(DTM)精度,结果表明:在幼龄林和中龄林,布料模拟滤波点云后经不规则三角网(TIN)插值得到的DTM精度最高,RMSE分别为1.58 m和0.44 m;成熟林分渐进不规则三角网加密滤波后地面点经克里金(Kriging)法插值得到的DTM精度最高,RMSE为0.31 m。结论实验证明,倾斜摄影测量技术可用于落叶松林分地形提取。

English Abstract

曾健, 张晓丽, 周雪梅, 尹田. 倾斜摄影测量技术提取落叶松人工林地形信息[J]. 北京林业大学学报, 2019, 41(8): 1-12. doi: 10.13332/j.1000-1522.20190126
引用本文: 曾健, 张晓丽, 周雪梅, 尹田. 倾斜摄影测量技术提取落叶松人工林地形信息[J]. 北京林业大学学报, 2019, 41(8): 1-12. doi: 10.13332/j.1000-1522.20190126
Zeng Jian, Zhang Xiaoli, Zhou Xuemei, Yin Tian. Extraction of topographic information of larch plantation by oblique photogrammetry[J]. Journal of Beijing Forestry University, 2019, 41(8): 1-12. doi: 10.13332/j.1000-1522.20190126
Citation: Zeng Jian, Zhang Xiaoli, Zhou Xuemei, Yin Tian. Extraction of topographic information of larch plantation by oblique photogrammetry[J]. Journal of Beijing Forestry University, 2019, 41(8): 1-12. doi: 10.13332/j.1000-1522.20190126
  • 森林结构是指森林生态系统各组成部分的空间布局,刻画了植被的水平和垂直分布及丰度等特征[1]。精准的提取森林结构信息对于表征生物多样性和反演生物量具有重要意义[2]。遥感技术对森林在不同空间、光谱、时间尺度上获取的数据可以用来监测森林结构的信息[3-4],其中高空间分辨率三维遥感数据在提取树高、冠幅等森林结构参数上已经得到广泛应用[5-6]

    现有遥感技术中,激光雷达(Light Detection And Ranging,LiDAR)和摄影测量是两种最常用的森林三维信息获取手段。激光雷达作为一种主动遥感探测手段,激光束能够穿透植被冠层来获得包含森林冠层和地形信息的三维点云[7]。林业应用上,激光雷达点云首先通过点云滤波算法分类出地面点,通过插值生成数字地形模型(DTM)用于归一化森林冠层高度进而提取树高等参数[8]。虽然LiDAR数据采集成本已经越来越低,但对于研究人员或其他用户来说高精度LiDAR数据仍然价格高昂,特别是在小区域范围内需要多次重复获取高分辨率数据时[9]

    近些年,随着计算机视觉算法的发展,倾斜摄影测量技术开始被广泛用于城市场景中的三维信息获取[10-11],倾斜摄影测量具有可量测、高性价比、高效率等特点[12]。无人机搭载倾斜摄影相机拍摄一组正摄和四组倾斜共五个不同角度的像片,通过更多的拍摄角度缓解地物间的相互遮挡,有利于获取高质量的地形数据。倾斜像片通过计算机视觉领域的运动结构提取[13]等算法重建地物三维点云。目前, Lin等[14]利用倾斜摄影像片有效地估算了针叶林地上生物量;陈崇成等[15]基于无人机影像数据分割了苗圃地的单木树冠。但是这些研究关注的多为摄影相机可以直接拍摄到地面的稀疏林分,而对于郁闭度较高的森林区域研究比较少。Dandois等[9]使用落叶林生长季和落叶季的航空图像进行三维重建,发现落叶季图像重建DTM精度(RMSE为0.89 ~ 3.04 m)比生长季图像重建DTM精度更高。Wallace等[16]利用航空图像对桉树林进行三维重建,在低郁闭度地区图像重建点云生成的DTM与激光雷达DTM差异不大,高郁闭度地区,则不如激光雷达DTM精确。

    受此启发,考虑能否将低成本的无人机倾斜摄影测量数据用于落叶林分的林下地形提取。落叶松是我国北方常见树种,于每年进入秋季时节落叶,落叶季的落叶松林郁闭度较低,有利于林下地形的提取。将落叶季获取的落叶松林倾斜像片进行三维重建,将得到的三维点云数据用于林下地形的提取实验。国内外提出的点云滤波算法有很多种,常见算法有渐进不规则三角网加密算法、加权最小二乘滤波算法等[17],同时,研究表明不同滤波算法在不同的植被区域表现出不同的精度[18-20]

    本研究旨在利用倾斜摄影测量技术对不同郁闭度的落叶季落叶松林分进行林下地形提取,并与拥有足够点云密度的机载激光雷达数据提取的地形进行对比,得到倾斜摄影测量点云滤波算法和插值方法的最优组合,分析不同郁闭度条件下倾斜摄影测量技术提取落叶松林下地形的精度及适用性,为人工林地形提取提供新的技术手段,为进一步将倾斜摄影测量技术用于落叶松森林结构参数提取提供参考。

    • 旺业甸实验林场位于内蒙古自治区赤峰市喀喇沁旗西南部,地理范围为118°09′ ~ 118°30′E,41°35′ ~ 41°50′N。林场森林覆盖率达到80%以上,属海洋性气候向大陆性气候延伸交错地区,年平均气温7.4 ℃,年平均降雨量为400 mm。由于山体的抬高及森林的影响,研究区湿度较高,植被丰富,有落叶松、油松、云杉和红松等12个优势树种。该山丘地带由华北平原向蒙古高原过渡,全境西南高,东北低,平均海拔为1 300 m,山体相对高度范围为200 ~ 400 m,坡度15° ~ 35°。选取林场内落叶松幼龄林、中龄林和成熟林3块典型林分进行山体地形信息提取,其中幼龄林年龄为11 ~ 12年,密度4 050 ~ 4 500株/hm2,落叶季郁闭度约为0.7,最大地形坡度约为30°;中龄林年龄约为20年,密度1 500株/hm2,落叶季郁闭度约为0.6,林区最大地形坡度约为25°;成熟林年龄为37 ~ 38年,密度为1 200株/hm2,落叶季郁闭度约为0.5,山体最大坡度约为35°,成熟林区种植有部分人工油松林分。研究位置如图1所示。

      图  1  研究区位置

      Figure 1.  Location of the study area

    • 倾斜摄影测量数据获取主要包括两个子任务:航空飞行和地面控制点测量(GCPs)。使用iFly D6电动多旋翼无人机搭载iCam Q2倾斜摄影测量相机在晴朗无风、阳光充足的条件下对研究区进行航空拍摄。iCam Q2集成了一台正射相机和一台侧视相机,相机拍摄步骤为:首先正射相机垂直拍摄,侧视相机向左拍摄;然后正射相机往前方向拍照一张、侧视相机居中位不拍照;最后,正摄相机往后方向拍照一张、侧视相机往右方向拍照一张,通过不断重复以上步骤完成测区四个倾斜方向和一个垂直方向的像片获取。详细的镜头和飞行参数见表1所示。POS数据通过无人机平台上装备的全球定位系统(Global Positioning System,GPS)进行记录。总共进行了3个架次的飞行,每架次覆盖大约六条航线得到共计约800张照片。在每个航飞测区内无遮挡、地物明显、开阔的地区均匀放置自制的控制点,确保控制点在不同的拍摄角度都能在照片上清晰成像。所有用于空中三角测量的地面控制点的三维坐标(WGS84/UTM_zone_50N)通过差分GPS测量,控制点坐标水平精度在 ± 0.05 m内且垂直精度 ± 0.20 m内。2018年4月所有的航空数据和地面控制点获取任务在一天内完成,效率非常高。

      表 1  无人机相机及飞行参数

      Table 1.  Unmanned aerial vehicle camera and flight parameters

      传感器及飞行参数
      Sensors and flight parameters
      参数值
      Parameter values
      尺寸 Size35.9 mm × 24 mm
      航向重叠 Course overlap0.8
      旁向重叠 Side overlap0.7
      水平速度 Horizontal velocity/(m·s− 14 ~ 8
      飞行高度 Flight altitude/m200
      地面分辨率 Ground resolution/cm3
      曝光间隔 Exposure interval/s< 4.5
      焦距 Focal length/mm35
      倾斜角度 Oblique angle45°
      单个相机像素 Single camera pixel4 200 × 104
    • 在2017年10月,应用多旋翼无人机搭载RIEGL VUX-1激光扫描仪获取LiDAR数据。LiDAR数据以LAS格式保存,人工林林分点云平均密度约为50点/m2。机载激光雷达详细的扫描和飞行参数见表2

      表 2  无人机激光雷达及飞行参数

      Table 2.  Unmanned aerial vehicle LiDAR and flight parameters

      传感器及飞行参数
      Sensors and flight parameters
      参数值
      Parameter values
      激光有效扫描角 Laser effective scanning angle/(°)1 550
      光束发散角 Beam divergence angle mrad0.5
      光斑直径 Spot diameter/cm20
      扫描速度 Scanning speed/(r·s− 1)360
      脉冲发射频率 Pulse emission frequency/Hz112
      幅宽 Camera width/m1 040
      飞行高度 Flight alitutude/m300
      飞行速度 Flight speed/(m·s− 1)4.8
    • 原始倾斜摄影像片被导入Bentley ContextCapture(CC)4.3软件中,一并输入的还有地面控制点的三维坐标。处理过程主要包括:(1)对航空影像进行筛选,剔除模糊、偏色等不合格影像;(2)自动提取影像及相机的相关信息;(3)进行预处理,添加地面像片控制点;(4)进行空中三角测量,提取和匹配影像特征点,生成加密点云数据。整个处理过程采取全自动处理方式,快速生成实验所需的研究区三维点云。

      无人机受限于载荷能力和设备的高昂成本通常不搭载高精度定姿定位系统,传统摄影测量领域的空中三角测量(Aerial Triangulation, AT)由于对影像定向和三维点坐标初始值精度要求较高而无法满足无人机倾斜影像定向要求。基于运动结构提取(Structure from Motion,SFM)的技术恢复无人机倾斜影像姿态信息很好的解决了无人机定向精度有限和倾斜影像结合困难的问题。SFM算法基于像片对间进行特征匹配的数据,通过迭代光束平差过程自动求解相机方位和场景几何形态信息。这些特征从一幅图像同通过投影矩阵追踪到另一幅图像,初步估计相机位置和目标物的坐标,并采用后续的非线性最小二乘算法不断优化生成稀疏点云,最后通过密集匹配算法按像素匹配生成稠密点云。CC是用于倾斜摄影测量领域的专业软件,但该软件的算法细节是专有且未公开的。由于图像分辨率高,计算出的原始点云密度很高,以0.2 m为采样间隔获得300 ~ 400点/m2的点云。建模生成原始点云如图2所示。

      图  2  倾斜摄影测量点云

      Figure 2.  Oblique photogrammetric point clouds

    • 对无人机激光雷达点云数据进行预处理。根据研究区的实际高程范围,去除粗差点。不在实际高程范围的激光点(激光信号打到飞鸟等空中物体造成)被作为噪声点直接移除,以消除粗差点对滤波结果的影响。利用商用激光雷达处理软件Terrascan对ALS点云进行了预处理,将点云分类为地面点和非地面点。通过对分类后地面点线性插值创建了三角不规则网络(TIN)表面,构建1m空间分辨率的无人机激光雷达DTM,作为倾斜摄影测量得到的地形精度验证数据,研究区的3个落叶松林分的激光雷达获取的DTM如图3所示。

      图  3  激光雷达得到的数字地形模型

      Figure 3.  Digital terrain model generated from LiDAR

    • 本文研究内容是比较倾斜摄影测量和LiDAR所提取的数字地形模型,评价不同郁闭度落叶松无人机倾斜摄影测量得到的地形精度能否满足林业应用(与激光雷达地形误差在1 m以内)。由于两种传感器采集数据时没有采用同一套控制点进行控制测量,倾斜摄影数据和激光雷达数据间存在高程系统误差。因此首先对激光雷达和倾斜摄影数据进行配准,两种数据水平方向误差在20 cm内对地形对比实验影响可忽略。每一架次的航空摄影测量数据都使用以下步骤消除高程系统误差[21]。首先,使用3架次倾斜摄影点云数据生成1 m分辨率的DSM。然后,在倾斜摄影DSM上均匀选取20个控制点,并在激光雷达DSM上找到对应的20个点。选取地形特征比较明显(道路交叉点等)的点和容易区分的树冠顶点作为控制点。最后,计算两个图层GCP的高程均方根误差作为高程改正值。每架次高程系统误差改正值如表3所示。

      表 3  倾斜摄影点云误差改正值

      Table 3.  Elevation error correction number of point cloud by oblique photogrammetry

      林分类型 Forest type幼龄林 Young forest中龄林 Middle-aged forest成熟林 Mature forest
      高程系统误差 Elevation system error/m1.1781.7315.250
    • 通过对不同郁闭度落叶松林分由倾斜像片恢复的点云进行4种代表性滤波算法滤波,结合激光雷达DTM选出不同郁闭度林分最优精度的滤波算法,在此基础上结合不同插值算法生成完整测区DTM并检验精度,最终得到不同郁闭度落叶松林分的林下地形最优提取方法作为林业应用参考。整个技术流程如图4所示。

      图  4  研究技术流程图

      Figure 4.  Research technology flowchart

    • 无人机通过倾斜摄影测量技术提取林下地形时,需要根据三维重建生成的点云,由地面滤波算法识别地面点并内插生成DTM栅格。点云滤波算法通过分析邻近点间的高程变化来实现地面点分类。点云滤波算法的核心是高程变化,通过判断并建立合适的搜索方法来分离地面点与地物点。国内外代表性的滤波算法有渐进三角网滤波加密算法(Progressive triangulated irregular network, PTIN)、布料模拟滤波算法算法(Cloth simulation filter, CSF)、加权最小二乘滤波算法(Weighted linear least squares, WLS)、渐进形态学滤波算法(Progressive morphological filter, PMF)等。

      本文选择了4种滤波算法:

      (1)布料模拟滤波[22]。布料模拟算法是基于一个简单物理过程的模拟。其思想是假设一块布料(Cloth)放在地表上,由于重力作用布料附着在地表上,布料的最终形状即为数字表面模型。同理,将地表首先倒置,定义布料的硬度,得到的布料形状就是DTM。分析布料节点和对应的点云中点的对应关系,直到所有粒子达最大高程变化或达到自定义迭代次数,可以将点云最终分类成地面点和非地面点。Cloudcompare软件中实现该算法,经过测试,理想的参数设置场景设置为陡峭,并进行坡度处理,最大迭代次数1 000,布料尺寸定位1 m,判断布料粒子与点云的高差阈值设为1.5 m。

      (2)渐进不规则三角网(TIN)加密滤波[23]。该算法的主要步骤是首先设定格网尺寸,格网内最低点作为初始地面点。基于初始地面种子点构建初始不规则三角网。在构网过程中先进行相邻节点的坡度计算,若小于给定坡度阈值则该点加入构网,否则标记为非地面点不再加入运算。然后在获得初始TIN的基础上,对未分类为地面点的点进行坡度及高差阈值判断,满足条件的点被归为地面点,对地面TIN进行迭代加密。重复迭代步骤,最终当不再有新地面点加入三角网,输出地面点云。在Lastool下实现该算法,设置内插步长1.5 m,内插角为5°,最大地形坡度根据林区实际情况幼龄林设置为30°、中龄林25°、成熟林为35°。

      (3)加权线性最小二乘滤波[24]。WLS算法最早由Pfeifer提出,首先进行点云格网化,用最小二乘法原理将格网内所有点等权拟合出一个趋势面。然后,用原始数据中每点高程Z减去拟合高程值Zi得到拟合残差vi。利用vi根据定权函数确定该点在下一次平面拟合中的权重。定权函数按以下公式定义:

      $${p_i} = \left\{ {\begin{array}{*{20}{c}} 1&{{v_i} < g}\\ {\dfrac{1}{{1 + \left( {a{{\left( {{v_i} - g} \right)}^b}} \right)}}}&{g < {v_i} \leqslant g + w}\\ 0&{g + w < {v_i}} \end{array}} \right.$$ (1)

      式中:pii点权值;ab是权重函数的权重因子,参数ab决定了定权函数曲线的陡峭程度,一般取值为a=1,b=4;g为引入的偏移值,可以根据残差的直方图得到。

      该算法内置于 FUSION/LDV 软件中的GroundFilter工具。不同的林分条件下,迭代线性最小二乘法必须根据研究区内地形特征设置不同的参数,根据实际研究区地形特征多次实验设置的最好滤波效果参数见表4

      表 4  加权最小线性二乘法参数表

      Table 4.  Parameters in weighted linear least squares prediction filtering algorithm

      林分类型 Forest type  参数g Parameter g参数w Parameter w格网大小 Grid size/m迭代次数 Iterative time
      幼龄林 Young forest0.10.348
      中龄林 Middle-aged forest0.10.368
      成熟林 Mature forest0 0.4810

      (4)渐进形态学滤波算法[25]。算法原理是利用数学形态学中的腐蚀和膨胀算子结合的开运算来处理点云。本文在点云库PCL(Point Cloud Library)基础上调用progressive_morphological_filter类在Visual Studio2017中实现该算法。

    • 倾斜摄影测量技术由于无法穿透森林冠层,即使在落叶季进行倾斜摄影数据采集,仍会存在部分树干遮挡情况,导致地面点空洞出现。这部分地形数据的缺失可通过邻近地面点插值补齐。常用的插值算法有不规则三角网插值法、克里金插值法、反距离加权法、样条函数内插法等[26]

      将不同滤波算法获得的地面点栅格化,目视解译研究区内少量的油松林分,掩模去除该部分油松林分,仅在落叶松人工林区域内进行定量比较。对无人机摄影测量点云生成的DTM逐像元比对,得到4种滤波算法提取地面点的精度。根据3块样地的滤波地面点精度,选择合适滤波算法,分别组合不规则三角网插值法、克里金插值法、反距离加权法3种插值方法成为倾斜摄影DTM。点云滤波算法插值得到的DTM和LiDAR得到的DTM使用均方根误差(RMSE)、平均绝对误差(MAE)进行精度比较。计算公式如下:

      $${\rm{RMSE}} = \sqrt {\frac{{\displaystyle \mathop \sum\limits_{i = 1}^n {{{\left( {{x_i} - {y_i}} \right)}^2}}}}{n}} $$ (2)
      $${\rm{MAE}} = \frac{{\displaystyle\mathop \sum\limits_{i = 1}^n \left| {\left( {{x_i} - {y_i}} \right)} \right|}}{n}$$ (3)

      式中:xi是倾斜摄影DTM的高程值,yi是来自激光雷达DTM的高程值,n为栅格图像中地面点的数量。

    • 对于落叶季落叶松人工林无人机摄影测量得到的点云,采用4种算法滤波得到的地面点经栅格化后如图5所示。不同滤波算法在不同郁闭度落叶松林分区域表现不同。

      图  5  不同滤波算法在不同林分倾斜摄影点云中滤波结果

      Figure 5.  Filtering results of different filtering algorithms in oblique photographic point cloud

      落叶松幼龄林的不同滤波效果如图5adgj所示,布料模拟算法滤除的树冠最多,明显地在林区西北角的树冠点云被归为非地面点,幼龄林林分内形成许多无树冠点区域;加权线性最小二乘算法和渐进三角网滤波算法滤出地面点效果近似,图5d图5g表示两者在幼龄林区域滤波均没有完全滤除地物点,存在部分树冠点。图5j所示,渐进形态学滤波算法保留了大量地物点,大量落叶松树冠点被误检测为地面点。

      在中龄林林分,4种算法的滤波效果(图5behk)同幼龄林地物点滤除情况基本相同,但仍有一定差异。在两个林分的边缘地带(例如两座山体形成的沟谷地带)等高程变化剧烈区域,图5b5e分别表示布料模拟滤波和加权最小二乘滤波两种算法将该区域点云全部归为非地面点,形成空白区域,而实际上该区域全部属于裸露地面点。

      在落叶松成熟林区域,4种算法得到的地面点情况相近(图5cfil),均很好的滤除了成熟落叶松的植被点。这是因为与落叶松幼龄林、中龄林相比,成熟林分由于树木经营情况良好,郁闭度最低,树冠几乎没有完全遮挡情况,倾斜摄影测量的五个角度的倾斜像片在按像素密集匹配时形成足够多的地面点。渐进三角网滤波算法和渐进形态学滤波算法在成熟林区域得到更完整的地面点(图5i5l),其余两种算法如图5c5f所示,在成熟林分的点云高程剧烈变化区域(例如部分林分边缘树冠和邻近地面)存在少量空白值。

    • 4种不同的滤波算法得到的地面点和激光雷达提供的林下地形进行定量比较结果如图6所示。在郁闭度为0.7的幼龄林中,滤波算法输出的地面点栅格化生成DTM后,布料模拟滤波算法表现出最高的地面点提取精度,其R2最高为0.999, RMSE最小为1.61 m。从图6a可以看出,在幼龄林分通过布料模拟算法在1 000 ~ 1 100 m的海拔高度的林分中滤得地面点与真实地面值相近。1 100 m以上的幼龄林较茂密,郁闭度在冬季仍达0.8,部分树干或树冠点等非地面点被误归为地面点。其次精度为加权线性最小二乘滤波算法提取的地面点,其R2为0.998,其RMSE值达到1.83 m。相比于布料模拟算法,在1 000 ~ 1 100 m的幼龄林该算法提取到更多的非地面点。滤波能力表现最差的为渐进三角网加密算法和渐进形态学滤波算法,相关性最低,R2值分别为0.998和0.996,RMSE值也分别达到2.19 m和3.20 m,数据离散程度大,两种算法地面点分类过程中整个林分存在大量非低地面点被误标记为地面点。

      图  6  不同滤波方法滤波精度

      Figure 6.  Accuracy of filtering methods using different methods in different forest areas

      在落叶松中龄林林分,布料模拟算法滤波(图6b)仍然是4种算法中提取地面点精度最高的算法,其相关性最高,R2达到0.999,0.47 m的均方根误差也是所有算法中最高的,高于 1∶500比例尺的地形精度(0.6 m)。整个中龄林林分地面点和激光雷达地面点高程值趋势一致。渐进不规则三角网加密算法和加权线性最小二乘算法提取的地形决定系数R2分别为0.996和0.989,RMSE分别为0.93 m和1.43 m。由图6fi可知,加权线性最小二乘法和渐进三角网加密算法未滤除少量树冠,其中加权线性最小二乘算法甚至将一些树冠顶点分类成地面点,造成均方根误差比渐进三角网加密算法增大。渐进形态学滤波算法地面点提取效果仍然最不理想,R2为0.976明显小于其他算法,RMSE精度低至3.64 m。

      在成熟落叶松林分样地内,4种滤波算法均能提取到高精度的地面点(图6cfil),决定系数均为0.999,4种算法的地面点滤波精度接近。具体来说,布料模拟算法和加权线性最小二乘法RMSE均为0.40 m。渐进三角网加密滤波算法RMSE略小一些,为0.39 m,与作为验证数据的DTM相比,数据离散程度最小。渐进形态学滤波算法仍然略大,RMSE为0.49 m。不同算法滤波精度产生较大差异的原因是倾斜摄影测量点云不同于与激光雷达点云,它是森林区域的表面点云。

    • 根据滤波算法精度评价结果,选取幼龄林、中龄林和成熟林地面点滤波精度高的滤波算法,和插值算法组合生成林区完整地形。最终形成的3种林分完整测区数字地形模型如图7所示。

      图  7  倾斜摄影地面点插值后的地形

      Figure 7.  Optimal DTMs of different forests after interpolation

      在幼龄林区域采用布料模拟滤波算法和3种不同插值算法得到的地形精度。使用不规则三角网(TIN)方法插值得到的幼龄林地形精度最高地形精度为1.58 m,地形精度误差较大。MAE值为1.01 m,分析原因为布料模拟滤波算法提取地面后林区地面因为树冠遮挡形成部分连续的空值区域,空值区域实际高程不是线性连续变化的。在这些地区中,反距离权重和克里金插值法由于相邻地面点距离过大,难以拟合趋势面。

      中龄林区域采用布料模拟滤波算法结合TIN插值方法得到的DTM精度最高,其RMSE和MAE分别为0.44 m和0.58 m。反距离权重插值和克里金插值得到DTM精度一致,RMSE和MAE均分别为0.71 m和0.57 m。分析原因是中龄林滤波得到的地面点较多,空值区域较小,TIN插值方法适用于这种较小区域内,变量空间变异性也不很明显的情况。

      成熟林区域滤波算法得到的地面点精度都很高且差异不大,4种不同算法和3种插值方法得到DTM精度如下表5所示。由于成熟林区产生的地面点足够多,不同插值算法得到的结果没有明显不同。根据实验结果,落叶松成熟林区域最佳的地形提取方法组合是,首先使用渐进三角网加密滤波算法输出地面点,地面点经克里金插值后生成的DTM精度最高,RMSE为0.31 m,MAE为0.24 m。在落叶成熟林区域这样的低郁闭度,在落叶季通过摄影测量技术可以精确提取林下地形信息,满足林业生产应用。

      表 5  成熟林区域不同滤波算法组合插值方法地形精度

      Table 5.  Topographic accuracy of combination interpolation method with different filtering algorithms in mature forest region m

      项目 ItemRMSE
      不规则三角网插值
      Triangulated irregular network (TIN)
      反距离权重插值
      Inverse distance weighted (IDW)
      克里金插值
      kriging (KRG)
      布料模拟滤波
      Cloth simulation filter (CSF)
      0.370.420.42
      加权线性最小二乘
      Weighted linear least squares (WLS)
      0.350.440.43
      渐进不规则三角网
      Progressive triangulated irregular network (PTIN)
      0.320.320.31
      渐进形态学滤波
      Progressive morphological filter (PMF)
      0.340.360.36

      某些区域如幼龄林西北角,该区域种植的是油松林,郁闭度高达0.8以上。即使是多角度像片也没有拍到足够的地面点,生成的点云中没有地面点。布料模拟滤波后点云中没有地面点可供插值,因此在这些树冠及其茂密的林区,DTM存在空白区,在本实验200 m的飞行高度下不适合用倾斜摄影提取地形。

    • 本文使用无人机采集落叶季落叶松幼龄林、中龄林和成熟林的倾斜摄影像片,经软件处理后得到研究区真彩色点云。对3个样地的落叶松分别采用不同的滤波算法得到地面点,不同的插值算法对地面点进行插值。用激光雷达数据获得的DTM进行地形精度检验,结果表明:

      (1)在落叶季通过无人机倾斜摄影测量技术可以准确提取落叶松中龄林、成熟林林分的林下地形。部分高海拔落叶松幼龄林由于种植太密,仅依靠枝干遮挡,郁闭度达0.7及以上,造成倾斜摄影DTM精度不高(RMSE为1.58 m)。

      (2)布料模拟滤波、渐进三角网加密滤波、加权线性最小二乘滤波和渐进形态学滤波4种滤波算法中,布料模拟滤波算法在幼龄林和中龄林林分提取的地面点精度最高,均方根误差分别为1.61 m和0.6 m。4种滤波算法在落叶松成熟林林分地面点滤波精度都很高。基于倾斜摄影测量点云提取落叶松人工林DTM时,建议优先选用布料模拟滤波算法。

      (3)落叶松幼龄林、中龄林均通过布料模拟滤波算法提取地面点,采用TIN插值方法得到林下地形得到的结果精度最高,均方根误差为1.58 m和0.44 m。成熟林区域采用渐进三角网加密滤波出地面点通过克里金插值得到地形精度的均方根误差为0.31 m。获得的林下地形完全满足林业生产应用需要。

      在落叶松区域采用无人机倾斜摄影测量获取地形数据成本较无人机激光雷达成本降低许多。可以结合有叶季落叶松的倾斜摄影测量数据进行单木树高提取等林业应用。同时,本研究采用的滤波算法多是基于激光雷达数据开发的,算法主要基于点云的高程信息。有研究利用真彩色点云的RGB信息,通过红蓝绿植被指数从点云中提取非植被点[27],本文没有讨论这类算法在落叶松林分倾斜摄影测量点云分类中应用。另外,由于数据不足,本文没有分析飞行高度等其他因素对地形提取的影响[28],在后续研究中,可以针对以上不足做进一步的探索和研究。对于提取的高精度地形数据可以结合有叶季倾斜摄影数据做进一步应用。

参考文献 (28)

目录

    /

    返回文章
    返回