森林是陸地生態(tài)系統(tǒng)的主體,也是人類賴以生存的重要自然資源之一。森林空間結(jié)構(gòu)信息在森林生態(tài)研究、資源監(jiān)測(cè)等方面具有重要作用。傳統(tǒng)的森林調(diào)查通過人工每木檢尺來實(shí)現(xiàn),勞動(dòng)強(qiáng)度大、效率低。近幾年無人機(jī)飛行平臺(tái)快速發(fā)展,無人機(jī)遙感憑借著作業(yè)方式靈活、數(shù)據(jù)獲取成本低的優(yōu)勢(shì),正在引起不同行業(yè)部門的廣泛關(guān)注。特別是基于計(jì)算機(jī)視覺技術(shù)的無人機(jī)影像處理技術(shù)不斷成熟,為基于無人機(jī)影像的森林遙感研究提供了新的發(fā)展契機(jī)。本文主要研究了無人機(jī)立體影像數(shù)據(jù)在森林結(jié)構(gòu)參數(shù)調(diào)查中的方法與技術(shù),主要有四個(gè)方面的工作:(1)無人機(jī)立體影像數(shù)據(jù)獲取與處理。使用無人機(jī)獲取的內(nèi)蒙古大興安嶺林區(qū)的森林影像數(shù)據(jù),利用計(jì)算機(jī)視覺數(shù)據(jù)處理軟件(Agisoft PhotoScan)對(duì)無人機(jī)影像進(jìn)行處理,得到影像點(diǎn)云、數(shù)字正射影像(Digital Orthophoto Map,DOM)、數(shù)字表面模型(Digital Surface Model,DSM);通過對(duì)影像點(diǎn)云進(jìn)行濾波處理,將點(diǎn)云分為地面點(diǎn)和非地面點(diǎn),利用地面點(diǎn)生成數(shù)字高程模型(Digital Elevation Model,DEM),進(jìn)而利用數(shù)字表面模型和數(shù)字高程模型獲得冠層高度模型(Canopy Height Model,CHM)數(shù)據(jù)。(2)借鑒LiDAR點(diǎn)云數(shù)據(jù)的單木識(shí)別算法,針對(duì)目前單木識(shí)別研究中存在的單木錯(cuò)識(shí)別的現(xiàn)象,設(shè)計(jì)了一種基于無人機(jī)影像點(diǎn)云和“單木樹冠結(jié)構(gòu)分析”的單木識(shí)別算法。該算法通過對(duì)識(shí)別的單木樹冠的垂直結(jié)構(gòu)的分析,剔除掉偽單木,從而提高單木識(shí)別的準(zhǔn)確率。(3)現(xiàn)有單木識(shí)別算法在密集林區(qū)存在較嚴(yán)重的單木漏識(shí)別的問題,我們利用數(shù)學(xué)形態(tài)學(xué)方法,提出了一種基于無人機(jī)正射影像(DOM)和數(shù)字表面模型(DSM)數(shù)據(jù)的單木識(shí)別算法研究。該算法綜合運(yùn)用DOM和DSM的光譜和幾何信息進(jìn)行單木樹冠區(qū)域的提取,針對(duì)密集林區(qū)單木樹冠交錯(cuò)重疊的問題,通過數(shù)學(xué)形態(tài)學(xué)腐蝕與膨脹操作以及連通區(qū)標(biāo)記的方法,實(shí)現(xiàn)樹冠相連單木的分離與識(shí)別,獲得了準(zhǔn)確的單木樹冠中心,減少了單木的漏識(shí)別率。(4)單木結(jié)構(gòu)參數(shù)(樹高與樹冠面積)的提取與單木胸徑、生物量的反演。根據(jù)前面所識(shí)別單木的位置,利用冠層高度模型獲取單木樹高;而單木冠幅的獲取是使用標(biāo)記分水嶺分割,將識(shí)別的單木位置作為標(biāo)記,然后采用分水嶺分割的方法,獲得單木樹冠的輪廓與面積。單木胸徑是獲得單木生物量的重要參數(shù),由于遙感無法直接提取單木胸徑,我們利用提取的單木樹高與冠幅,通過建立胸徑反演模型,獲得單木胸徑,然后通過生物量異速生長(zhǎng)方程計(jì)算單木生物量,最終實(shí)現(xiàn)樣地總生物量的反演。
【學(xué)位單位】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2017
【中圖分類】：S771.8
【部分圖文】：

圖 2-1 研究區(qū)地理位置究數(shù)據(jù)的研究數(shù)據(jù)包括獲取的研究區(qū)的無人機(jī)普通 RGB 影像數(shù)據(jù)以及相實(shí)測(cè)數(shù)據(jù)。人機(jī)影像數(shù)據(jù)獲取及其預(yù)處理機(jī)影像的獲取時(shí)間為 2015 年 8 月 4 日到 2015 年 8 月 24 日，采用人機(jī)（圖 2-2），搭載 Sony NEX-5T 相機(jī)，焦距為 16mm，CCD 像9089 4.89089um，行列數(shù)為 4912 3264，飛行高度為 300m，影像 8.6cm， 航向重疊度是 90%， 旁向重疊度為 60%，圖 2-3 為無人，可以看到影像清晰、紋理信息豐富。(a)(b)

圖 2-1 研究區(qū)地理位置究數(shù)據(jù)文的研究數(shù)據(jù)包括獲取的研究區(qū)的無人機(jī)普通 RGB 影像數(shù)據(jù)以及相應(yīng)地實(shí)測(cè)數(shù)據(jù)。無人機(jī)影像數(shù)據(jù)獲取及其預(yù)處理人機(jī)影像的獲取時(shí)間為 2015 年 8 月 4 日到 2015 年 8 月 24 日，采用大無人機(jī)（圖 2-2），搭載 Sony NEX-5T 相機(jī)，焦距為 16mm，CCD 像元.89089 4.89089um，行列數(shù)為 4912 3264，飛行高度為 300m，影像地為 8.6cm， 航向重疊度是 90%， 旁向重疊度為 60%，圖 2-3 為無人機(jī)像，可以看到影像清晰、紋理信息豐富。(b)

圖 2-1 研究區(qū)地理位置究數(shù)據(jù)文的研究數(shù)據(jù)包括獲取的研究區(qū)的無人機(jī)普通 RGB 影像數(shù)據(jù)以及相應(yīng)地實(shí)測(cè)數(shù)據(jù)。無人機(jī)影像數(shù)據(jù)獲取及其預(yù)處理人機(jī)影像的獲取時(shí)間為 2015 年 8 月 4 日到 2015 年 8 月 24 日，采用大無人機(jī)（圖 2-2），搭載 Sony NEX-5T 相機(jī)，焦距為 16mm，CCD 像元.89089 4.89089um，行列數(shù)為 4912 3264，飛行高度為 300m，影像地為 8.6cm， 航向重疊度是 90%， 旁向重疊度為 60%，圖 2-3 為無人機(jī)像，可以看到影像清晰、紋理信息豐富。(b)
【相似文獻(xiàn)】

相關(guān)博士學(xué)位論文 前4條

1 劉篤晉;面向植被識(shí)別的無人機(jī)圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2016年

2 賈樹蔥;智能交通網(wǎng)絡(luò)中資源競(jìng)爭(zhēng)與合作機(jī)制研究[D];北京郵電大學(xué);2017年

3 穆悅;戈壁表面多尺度礫石特征參數(shù)估算及其空間分布規(guī)律研究[D];中國(guó)林業(yè)科學(xué)研究院;2017年

4 袁建清;基于多尺度遙感的寒地水稻稻瘟病信息提取與識(shí)別研究[D];東北農(nóng)業(yè)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 劉見禮;基于無人機(jī)立體影像數(shù)據(jù)的森林結(jié)構(gòu)參數(shù)調(diào)查研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所);2017年

2 李洪向;基于無人車和無人機(jī)協(xié)作的動(dòng)態(tài)降落研究[D];哈爾濱工業(yè)大學(xué);2017年

3 雷雨默;多旋翼無人機(jī)堆狀體航空攝影測(cè)量[D];西安科技大學(xué);2017年

4 魏江鵬;小型多功能無人機(jī)設(shè)計(jì)優(yōu)化與控制[D];長(zhǎng)安大學(xué);2017年

5 郭倩倩;無人機(jī)天線自動(dòng)跟蹤系統(tǒng)的設(shè)計(jì)[D];杭州電子科技大學(xué);2017年

6 莫德強(qiáng);基于無人機(jī)平臺(tái)的道路車輛違章超速行為檢測(cè)算法研究[D];哈爾濱工業(yè)大學(xué);2017年

7 張蕾;高壓輸電線路行波法故障測(cè)距及無人機(jī)清障裝置研究[D];鄭州大學(xué);2017年

8 畢慶生;基于Onboard SDK的無人機(jī)自主飛行控制技術(shù)研究[D];西安石油大學(xué);2017年

9 沈陽陽;基于ARM的四旋翼無人機(jī)自動(dòng)駕駛系統(tǒng)的研究[D];長(zhǎng)春理工大學(xué);2017年

10 高想卓;降低無人機(jī)影像數(shù)據(jù)冗余度方法的研究[D];西安科技大學(xué);2017年

本文編號(hào)：2867682