一种通过无人机数字高程模型自动提取森林郁闭度的方法

摘要

本发明公开了一种通过无人机数字高程模型自动提取森林郁闭度的方法，并以江苏省东台林场为方法实施对象。首先通过无人机获取东台林场的影像数据，并通过数字建模实现影像数据的拼接，提取DEM资料；然后通过遥感图像处理软件，提取对象DEM数据中的非郁闭区域的像元值区间，并进行掩膜处理，最后通过统计分析获得掩膜段与非掩膜段的占比情况，从而得出森林郁闭度的准确值。该方法与其他郁闭度测算法相比，其准确度、精度均有较大提升，尤其是工作效率的大幅提高。

说明书

技术领域

本发明属于林业调查、资源动态监测及生物多样性等技术领域，涉及一种通过无人机数字高程模型(UAV-DEM)自动提取森林郁闭度的方法。

背景技术

森林是人类赖以生存和发展的重要物质资源，对于陆地生态系统的平衡有着至关重要的作用，森林资源调查是森林经营发展过程中的一项重要工作，落实好森林资源调查工作能够有效了解森林资源消长状况。在森林资源调查工作中，郁闭度是非常重要的指标参数，对于森林资源现状的评估有着重要的意义。

传统的森林资源郁闭度提取方法包括目测法、林冠投影法、样线法、样点法、照片法等，遥感技术发展至今，研究人员试图通过遥感影像资料来获取森林郁闭度数值，但目前该研究主要基于的影像数据资料多为DOM(数字正射影像)、DSM(数字表面模型)，需要专业人员辅予大量的内业处理作业才可完成，同时精度较差、效率较低。因此，郁闭度的自动化提取一直是森林资源调查过程中的难点。

发明内容

发明目的：针对现有技术中存在的不足，本发明的目的是提供一种通过无人机数字高程模型自动提取森林郁闭度的方法，具有方法简单、精度高、效率高等优点。

技术方案：为了实现上述发明目的，本发明采用的技术方案为：

一种通过无人机数字高程模型自动提取森林郁闭度的方法，步骤如下：

1)通过无人机遥感设备获取实施区域的遥感影像数据组；

2)将获取的遥感影像数据组进行筛选处理，剔除影像数据中成像质量较低、曝光效果较差的数据，并通过数据建模软件进行影像拼接建模，最后生成DEM((数字高程影像))数据；

3)通过遥感分析软件对该DEM数据进行分析，生成非郁闭区域比值与郁闭区域比值，获得森林郁闭度的准值。

步骤1)中，无人机的飞行高度120m，飞行速度1.6m/s，镜头角度90°，前后/旁向重叠度90％。

步骤2)中，数据建模软件为Agisoft Photoscan。

步骤2)中，影像拼接建模，包括：图片优化对齐、空间拟合、密集点云生成、网格生成等操作流程，最后生成DEM数据。

步骤2)中，所生成的DEM数据，出现“遮挡树木枝叶”高度与“未被遮挡地面”高度的高度差并呈现为鲜明颜色对比的像元。

步骤3)中，遥感分析软件为ENVI。

步骤3)中，对DEM数据进行分析过程为：首先确认非郁闭区域的像元值，取得一个相对区间，再对该像元值区间进行掩膜处理，生成新的存储数据，最后通过统计分析，生成掩膜区域与非掩膜区域的占比数据，即非郁闭区域比值与郁闭区域比值。

有益效果：与现有技术相比，本发明的UAV-DEM郁闭度自动化提取方法，具有以下优点：

1)效率极大提升：传统的遥感提取郁闭度方法，每一景数据提取往往需要数小时的内业工作量，效率低下，通过UAV-DEM郁闭度自动化提取方法进行内业处理仅需几分钟即可完成工作。

2)高精度自动化：过去通过影像资料分析郁闭度，需要大量的目视解译过程，主观性较大且工作繁琐，通过UAV-DEM郁闭度自动化提取方法则可实现计算机自动化运算，同时精度与准确度均获得极大提升。

3)应用广泛：郁闭度提取一直是森林资源调查过程中的难点，尤其在成熟林、原始森林调查过程中，传统人工调查方法难以开展，通过UAV-DEM郁闭度自动化提取方法，无人机可无障碍获取数据，计算机自动化生成数值，应用前景广泛。

附图说明

图1是林地无人机DEM数据图；

图2是Cursor Value确认像元值图；

图3是掩膜处理提取像元值区间图；

图4是统计分析获取郁闭度值图；

图5是统计分析结果界面图；

图6是精度验证-相关系数图。

具体实施方式

下面结合具体实施例对本发明做进一步的说明。

实施例1

一种通过无人机数字高程模型自动提取森林郁闭度的方法，步骤如下：

1)以江苏省东台林场为对象，通过无人机遥感设备(例如：大疆多旋翼无人机)获取实施区域的遥感影像数据组(2017年9月15日)，利用飞行控制系统(例如：Pix4DCapture)进行航线设定：飞行高度120m，飞行速度1.6m/s，镜头角度90°，航向/旁向重叠度90％，；

2)将获取的遥感影像数据组进行筛选处理，剔除影像数据中成像质量较低、曝光效果较差的数据，并通过数据建模软件(例如：Agisoft Photoscan)进行影像拼接建模，包括：图片优化对齐、空间拟合、密集点云生成、网格生成等操作流程，最后生成DEM数据，如图1所示。由于密集的枝叶环境遮挡，高空影像数据将不会获取枝叶下方的地面高度数据，并将所获取的枝叶高度默认为真实高度数据，而未被遮挡的地面，则保留其原有的真实高度数据。因此，所生成的DEM数据将出现“遮挡树木枝叶”高度与“未被遮挡地面”高度的高度差，并呈现为鲜明颜色对比的像元。

3)通过遥感分析软件(例如：ENVI)对该DEM数据进行分析。首先确认(CursorValue)非郁闭区域的像元值，取得一个相对区间，如图2所示；非郁闭区域所代表的为“未被遮挡地面”的高度数据，郁闭区域代表的为“遮挡树木枝叶”的高度数据，因为树木高度的存在，这两者会存在几米甚至几十米的高度差；由于不同高度的数据在DEM影像中会呈现鲜明的颜色对比，且“非郁闭区域”高度数据相对稳定，也就是影像中所见的暗色部分，因此取得其像元值区间更为容易。获取的像元值区间将为接下来的掩膜处理打下基础。

再对该像元值区间进行掩膜处理，生成新的存储数据；如图3所示，选择ENVI软件中的Build Mask工具，进行掩膜操作，在设定栏中输入获取的像元值区间，执行操作，并存储在闪存文件中。执行掩膜处理可以将DEM影像区分为掩膜区域和非掩膜区域，掩膜区域代表非郁闭区域、非掩膜区域代表郁闭区域，在分类统计中表现0号波段和1号波段，这也为接下来的分类统计带来便捷。

最后通过统计分析，生成掩膜区域与非掩膜区域的占比数据，即非郁闭区域比值与郁闭区域比值(郁闭度)。如图4所示，选择ENVI软件中Statistics-Compute statistics工具，将掩膜闪存文件导入其中，勾选需要的统计输出视图，完成分类统计分析，统计结果将包含两个波段占比数值，掩膜区域占比和非掩膜区域占比，即非郁闭度占比和郁闭度值，如图5所示。

1.通过该方法统计分析获取20个样地的郁闭度值与传统人工样点法获取的郁闭度值进行精度验证。选用相关系数、均方根误差、相对误差和估测精度进行模型分析检验。

相关系数：

均方根误差：

相对误差：

估测精度：

其中，分别为人工实测值、人工实测值均值、无人机测量值、无人机测量值均值；n为测量次数；为检验样本数据的均值。

相关系数表示无人机测量值与人工实地测量值的拟合程度，取值趋近于1，则说明拟合曲线的价值越好、精度越高；均方根误差主要用于模型验证，反映了无人机测量值与人工实地测量值的偏离度，取值越小，说明模型精度越高；相对误差具有相对性，不仅考虑了无人机测量值与人工实地测量值之间误差的大小，同时兼顾了样本本身的大小，其值越小模型的估测精度越高；估测精度对反演结果进行精度检验及综合评价，取值越趋近于100％，表明反演模型的估测精度越高。

表1人工调查与无人机提取郁闭度对比

序号人工实地调查值无人机DEM提取值10.700.7220.900.9030.900.9040.900.9150.700.6760.700.6670.700.6880.700.6590.900.94100.900.90110.800.84120.800.81130.800.82140.800.76150.800.84160.900.88170.800.86180.800.81190.800.85200.800.78

表2多种参数验证提取精度

经过与人工实地测量进行多种参数验证(表1、表2)，UAV-DEM郁闭度自动化提取方法在提取精度上表现优秀，如图6所示，y＝0.7845x+0.1703，其中R²线性模型拟合值为0.89，相关系数R为0.94，均方根误差RMSE为0.03，估测精度E_A％为99.84％，相对误差RE％为3.34％，在拥有高精度水准的同时，还保持着优秀的稳定性。

过去通过影像资料分析郁闭度，每一景提取需要大量的目视解译过程，常常需要数小时的工作，主观性较大且工作繁琐，通过上述方法则可实现计算机自动化运算，每一景提取仅需要1-3分钟，大幅度地提高了工作效率。在成熟林、野生林进行郁闭度调查工作时，传统调查方法往往难以开展，通过本方法可以无障碍获取数据，应用前景广泛。