服务热线:
86-0755-23229824
您当前所在位置: 首页>>应用案例>>农业环境
高光谱和LiDAR数据融合在树种识别上的应用

高光谱和LiDAR数据融合在树种识别上的应用

一、引言

  现如今,复杂森林的树种级分类正在成为一个非常重要的研究方向。但是,随着不断变化的气候条件以及自然和人为因素的干扰,使得全国森林物种丰富度不断减少,严重影响了我国森林可持续发展。另外,目前广泛开展的森林地上碳储量估算的准确程度,也依赖于树 种识别的精度。以往主要靠实地调查来识别树种,但这种方法费时、费力、成本高。随着遥感技术的迅速发展和高科技社会时代的需求,遥感影像数据在林业上发挥着越来越重要的作用。高光谱、高时空分辨率影像在林业研究上提供更精细的数据,并越来越受广大林业研究者们的喜爱。同时近年来迅猛发展的机载LiDAR作为主动遥感技术,能表征林分垂直结构信息,当它与表征冠层水平方向信息的高光谱数据融合后,形成优势互补,并有效提高分类精度,使得高效精细地识别树种成为可能。 


1630463233(1).png


二、高光谱数据的应用 

  目前,宽谱段以及中、低分辨率遥感数据应用较广泛,但由于空间和光谱分辨率均较低,仅能实现森林类型的识别,在树种级识别仍然是个难题,实际效用不大。高光谱影像蕴含着近乎连续的地物光谱信息,能准确探测到具有细微光谱差异的各种地物类型,同时具有“谱像合一”、波段多、数据量大的特点,使树种识别精度从源数据上得到一定程度的提高。 


 (1)高光谱数据的应用方法 

  目前高光谱数据在树种识别上的能力正在不断增强。宮鹏等利用CASI高光谱数据,对美国加州的6种针叶树种进行识别,证实了高光谱遥感在树种识别领域的可行性。多位研究者发现高空间分辨率遥感影像与多光谱遥感影像协同进行树种识别时,因有高光谱影像的辅助使得树种识别精度有所提高,证明高光谱遥感数据的森林类型识别能力更强。而且高光谱所提取的纹理信息对树种识别十分有效。目前,遥感影像的分类主要是基于像元和面向对象两大类。基于像元分类为目前应用广泛的分类方法,它根据要求的不同可分为监督分类、非监督分类,硬分类、软分类,或是以随机数学理论为基础的分类、模糊分类等多种形式。采用面向对象分类法进行树种识别的方法才刚刚兴起,它是针对高空间分辨率数据发展而提出的。面向对象分类的关键技术是影像分割技术。其分类质量和精度,取决于分类算法的好坏以及如何定性或定量地进行更优尺度分割。国内学者多侧重于图像分割方法、特征变量选取及分类方法的比较。 


1630463596(1).png


(2)高光谱数据应用的不足 

  由于地物分布具有一定连续性,遥感图像上相邻像元之间必定存在相关性,而高光谱只能表征林分水平方向的信息,这使得“同物异谱”、异物同谱”的现象难免存在。由于不同的树种常有极为相似的光谱特性,则称为“异物同谱”现象;由于光照条件的多变,可能引起相同的树种具有明显不同的光谱特性,即所谓的“同物异谱”现象。所以,遥感图像上的混合像元问题,影响到整个像元的光谱反射率。因此,即便是利用高空间分辨率的光谱图像进行到树种级的分类也是很困难的。 


三、机载激光雷达的应用 

  由于地球60%~70%被云层覆盖,这对于高光谱数据的采集非常不利,而机载LiDAR具有全天时、全天候以及迅速获取高精度数据的能力。在林业应用方面,LiDAR能够获取单株木三维结构特征,这对于森林类型识别、森林结构特性以及冠层理化特征提取均具有明显优势。


 (1)机载激光雷达的应用方法 

  LiDAR数据分点云数据和全波形数据,其中点云数据应用广泛。通常使用Tarroslid等工具对原始点云数据进行滤波,获得地面点和非地面点,由地面点可以内插生成数字高程模型(Digital Elevation Model,DEM),由非地面点可以生成数字表面模型(Digital Surface Model,DSM)。DSM与DEM进行差值运算即得到高程归一化后的数字冠层高度模型CHM(Canopy Height Model)。CHM表达了林木高度和冠层的空间分布状态。由CHM提取单木数据的主要方法是图像分割法,此法是目前研究热点之一。树高是反映材积和立地质量的重要参数,因此,提取树高信息意义非凡。全波形数据主要采用波形分解来提供更多垂直结构信息和基于波形数据的识别。近年来许多研究者一直在发掘LiDAR数据的应用能力。Hollaus等研究使用LiDAR数据提取了单木冠层高,结果表明LiDAR树高与外业树高的相关性很好。庞勇等在利用LiDAR数据进行提取我国山东地区平均树高的试验,其总体平均精度为90.59%,其中阔叶树精度高于针叶树。Mitchell等使用LiDAR数据估测灌木丛的冠层参数,并比较了树高和冠幅的相关性,发现树高的估测结果优于冠幅,但密度较高的区域所得结果并不理想。赵旦利用高密度LiDAR点云数据,提出了控制CHM的优化算法以及单木树种识别算法,使得提取到的树高和树种的正确率超过90%。


1630463324(1).png


 (2)机载激光雷达应用的不足 

  由于机载激光雷达只能得到树种垂直结构三维信息,无法提高树种在水平方向上的相关信息。仅凭树高或冠幅信息,无法准确确定单木类型。因此,机载激光雷达在树种识别上必须与高光谱数据进行融合,才能发挥其强大的数据优势。 


四、主被动遥感技术相结合的应用 

  高光谱是光学被动遥感数据,可获得冠层水平信息,因其具有较高的光谱分辨率,使地物目标的属性信息探测能力有所增强,并能够在较小的空间尺度上观察地表的细节变化。而LiDAR数据是主动遥感数据,可直接获得单株木的位置、树高和冠幅这三个垂直结构参数以及强度信息。两者基于像元级融合,形成优势互补,在分类精度上有着极大的提高。因此,表征林分水平结构信息的高光谱数据与表征林分垂直结构信息的LiDAR数据所组成的机载主被动遥感数据相融合,在林业遥感方面是近年来运用比较热门的方法。


 (1)主被动遥感技术的应用方法 

  朱江涛等提出一种基于Adaboost的高光谱与LiDAR数据特征选择与分类方法,发现两种数据的融合有利于多角度的描述地物特征。董彦芳等将高光谱和机载LiDAR数据融合采用面向对象的方法,进行城市典型地物的提取,实现了房屋与树木的有效分离。刘丽娟等利用CASI高光谱和机载LiDAR融合对北方复杂森林采用支持向量机(Support Vector Machine,SVM)的方法进行树种识别时,发现融合数据树种分类的总体精度和Kappa系数(83.88%,0.80)高于CASI的精度(76.71%、0.71)。Alonzo等利用融合的高光谱与LiDAR数据,在基于冠层尺度上对美国圣巴巴拉、加利福尼亚等地常见的29类树种进行分类,结果表明融合了激光雷达数据后,分类精度提高了4.2%。刘怡 君等将机载AISA Eagle II高光谱和LiDAR同步数据融合对普洱山区的树种进行分类,研究表明,融合的数据使得山区的树种分类具备可行性,且总体分类精度和树种分类精度比单一高光谱数据皆有所提高。刘清旺等采用融合的高光谱和机载LiDAR数据有效提取湖北典型亚热带森林的优势树种。在使用融合的高光谱和LiDAR数据进行树种识别的过程中,一般通过波段选择和主成分分析(Principal Component Analysis,PCA)等方法进行降维,去除数据冗余和噪声,提取包含大部分有效信息的波段。再采用更大似然法(Maximum Likelihood,ML)、光谱角填图法(Spectral Angle Mapping,SAM)、SVM法以及基于混合像元分解的线性波谱分离法(Linear Spectral Unmixing,LSU)等方法进行基于像元和面向对象的树种分类,都能得到比较好的分类结果。 


1630463945(1).png


 (2)主被动遥感技术应用的不足 

  高光谱和LiDAR数据的融合带来了更全面立体的数据信息,使得树种识别得到一定程度的提高。但高分辨率数据来源成本相对较高,所以目前利用融合的高光谱和LiDAR数据来进行的研究并不多。这导致目前尚未找到更优的分类方法,还有待后续研究。 


五、结语

  融合的高光谱与LiDAR数据,在树种识别的应用上前景广阔。但由于数据成本等原因,目前利用融合数据进行的研究较少,也没有相对成熟的方法地识别树种的类型。再加上光谱特征的问题,不可避免地存在“同物异谱,同谱异物”现象;或者数据在采集和处理的过程中,因人为、仪器本身原因或没有较好的降维方法而带来一定的数据损失现象;又或者数据时相单一使得可用信息有限等问题,都是造成树种识别精度受到影响的因素。森林树种的精细识别是森林碳储量估算、森林生物多样性等研究的基础。因此,当树种识别的精度得到进一步的提高后,对于我国林业的发展也有质的飞跃。


无人机机载高光谱成像系统


          无人机机载高光谱成像系统是莱森光学(LiSen Optics)一款基于小型多旋翼无人机机载高光谱成像系统,该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组。无人机机载高光谱成像系统采用了独有内置扫描系统和增稳系统,成功克服了小型无人机系统搭载推扫式高光谱相机时,由于无人机系统的震动造成的成像质量差的问题,同时具有高光谱分辨率和优异的成像性能。

无人机机载高光谱成像系统配合定制开发的高性能稳定云台,能够有效降低飞行过程中无人机抖动引起的图像扭曲与模糊。该系统与大疆M600 pro无人机完美适配,同时支持同类型的多种无人机,无人机机载高光谱成像系统广泛应用于农业、林业、水环境等行业领域,系统支持配件升级及定制化开发,为教育科研、智慧农业、目标识别、军事反伪装等行业高端应用领域提供了高性价比解决方案。

image.png

image.png



典型应用


image.png



技术优势特点


²  image.png光谱范围400-1000nm,分辨率优于3nm

²  高性能分光系统大靶面CCD图像传感器,高灵敏度、高像质

²  全靶面高成像质量光学设计,点列斑直径小于0.5像元

²  高光谱分辨率,大视场,数据采集效率高目标光谱实时匹配搜索功能

²  悬停拍摄与无人机推扫两种工作模式,无需高精度惯导系统,图像实时自动拼接·操作方便

² 监控拍摄效果·辅助取景摄像头实时可见,无需专业无人机操控手,可实现单人操作·图像实时回传

²  通过地面站实时观测飞机采样地点并可利用地面站设置逐点采集的航线·数据预览及矫正功能

²  辐射度校正、反射率校正、区域校正支持批处理image.png

²  实时常用植被指数计算功能:归一化植被指数(NDVI)、比值植被指数(RV)、增强植被指数(E/I)、大气阻抗植被指数(ARVI)、改进红边比值植被指数(mSR705)、、Vogelmann红边指数(VOG)、光化学植被指数(PR)、结构不敏感色素指数(SIP)、归一化氮指数(NDNI)、类胡萝卜素反射指数1(CR11)、类胡萝卜素反射指数2(CRI2)、花青素反射指数1(AR11)、花青素反射指数2(ARI2)、水波段指数(WB1)、归一化水指数(NDW)、水分胁迫指数(MS)、归一化红外指数(ND)、归一化木质素指数(NDL)、纤维素吸收指数(CAl)、植被衰减指数(PSRI)、调整土壤亮度的

²  支持自定义实时分析模型输入功能

²  数据格式完美兼容Evince、Envi、SpecSight等数据分析软件


image.png

image.png

image.png

 

 

数据采集分析软件介绍


image.png

     

    采集功能:光谱相机控制,数据采集,自动曝光,自动扫描速度匹配,辅助摄像头功能,支持远程遥控,支持巡航+惯导采集模式,数据支持ENVI等第三方分析软件。数据预处理功能:反射率校正、区域校正、辐射度校正、光谱及图像数据预览功能等(一年内免费更新)。


案例应用



image.png


image.png

image.png

 

主要技术指标


型 号

iSpecHyper-VM100

iSpecHyper-VM200

波长范围

400-1000nm

400-1000nm

数值孔径

F/2.6

光谱分辨率

≤3.0nm

≤2.5nm


全副像素

1920(空间维)x1200(光谱维)

1398空间维)×1080(光谱维)

探测器靶面尺寸

7.1mm×11.3mm

8.98mm×6.7mm

光谱通道数

300

260

空间通道数

400(4像元合并)

348(4像元合并)

探测器

CMOS

高灵敏度CCD

拍摄方式

无人机外置推扫

成像镜头

35mm标配(16mm/25mm/75mm可选)

视场角(FOV)

15.6°/14.4°@f=35mm

瞬时视场角(IFOV)

0.7rmad@ f=35mm

更大帧频

120fps(4X)

68ps(4X)

横向视场

55米@35mm(飞行高度200米)

25米@35mm(飞行高度100米)

空间分辨率

0.186(@35mm,高度200米)

0.093(@35mm,高度100米)

单幅图像分辨率

1392×1400(1X)

696×700(2X)

1920×2080(1X)

960×1040(2X)

GPS定位精度

米级

优于0.3米

POS采集系统

同步软件触发

高精度硬件同步触发

地面工作站

/

远程智能控制、RTK- GPS板卡、无线图传

搭载平台

多旋翼/固定翼无人机

高清相机

1500万像素

 

 

光谱相机像素位数

12bit/16bit

标准板反射率

50%标配(20%、30%、60%、70%、98%可选)

标准板尺寸

0.5m×0.5m(标配)

存储容量

1TB

云台及相机安装空间

443mm(悬挂高度)*303mm(长)*180mm(高)

重量

4KG(高光谱相机及控制模块、稳定云台、供电电池)

工作电压/功率

12V/60W

 

无人机高光谱在各领域的应用


一、农林领域应用


      l  农林灾害监测


运用高光谱图像监测农作物遭受病虫害的程度和作物的长势,根据图像的颜色判断病害程度。如下图:

image.png

农作物病虫害监测

 



利用森林植被覆盖度和土壤的相关指数监测森林火灾的发生和燃烧严重程度,对大面积的森林火灾评估有重要的经济作用。

image.png

森林火灾监测



l  
精细农林业数据监测


高光谱遥感在农业应用中监测作物的养分供应状况,对于及时了解作物的长势,采取有效的增产措施均具有积极的意义,主要针对作物养分失调的形态诊断和化学分析适用于有限面积的作物及土壤的诊断和分析。另外,当作物不止一种时,快速分类识别就非常重要,因为不同作物,肥料种类和用量都不一样,如果只根据长势图施肥可能导致一些作物施肥过量而另一些施肥不足。无人机高光谱系统相比多光谱系统有更多谱段和更高光谱分辨率,因而可以在不同波长段获取不同作物的不同响应,进而达到快速有效识别。其识别率可高达95%。

                                

l  植被/农林生态调查


植被中的非光合作用组分用传统宽带光谱无法测量,而用高光谱对植被组分中的非光合作用组分进行测量和分离则较易实现。因此,可以通过高光谱遥感定量分析植冠的化学成分,监测由于大气和环境变化引起的植物功能的变化。



叶面积指数估算

image.png

image.png


²  植被群落、植被种类的分类与识别;

²  冠层结构、状态或活力的评价、冠层水文状态与冠层生物化学性质的估计;

²  叶片的基本生物物理化学成分的研究


image.png

AVIRIS植被种类制图,验证精度可达90%



image.png

农作物生化组分填图

 

二、水质、地质及环境监测领域应用


l  水质监测




高光谱遥感数据的精细光谱分辨率可用于识别和估算水体中叶绿素、单宁酸和沉淀物的含量。进而监测藻类生长和推断水产研究中浮游生物的分布和鱼群的位置。

²  估算和分析水域中d的吸收和散射成分,如叶绿素、浮游生物、不可溶解的有机质、悬浮沉淀物、半淹没水生植物;

²  识别和估算水域中叶绿素、黄色物质及悬浮物的含量并用于水质监测;

²  通过对叶绿素的估算,监视浮藻生长、浮游生物的分布位置和鱼群位置,估算浮游生物的生物量和生产力。


image.png


image.pngimage.png


l 地质勘探/土壤监测


高光谱遥感技术通过对地表矿物质识别用于寻找矿产资源,尤其对热液蚀变矿床的勘探最为有效,并用于地球化学填图和地质制图。高光谱遥感已经在地质领域扮演了重用角色,依据实测的岩石矿物波谱特征,对不同岩石类型进行直接识别,达到直接提取岩性的目的。


image.png

地质岩性识别


地物中不同元素在光谱响应中均对应有不同的响应波段。不同矿物在中远红外波段区间的响应会存在不同的差异。因此可以根据不同矿物的化学组分提取矿物的详细信息。


image.png

矿物填图与DTM制图




image.png


l 环境监测


红边位置是绿色植物的光谱曲线在680nm-760nm区间反射率增长最快的点,也就是曲线在此区间的拐点,红边位置向左或者向右移动能够间接反应出植被的长势及健康状况,植被长势好将向右移动,长势差将向左移动,俗称“蓝移”。

l 大气环境评价



image.png

利用MODIS推算大气气溶胶光学厚度

image.png

大气中的分子和粒子成分在太阳反射光谱中有强烈反应,常规宽波段遥感方法无法识别出由于大气成分的变化而引起的光谱差异,高光谱由于波段很窄,能够识别出光谱曲线的细微差异。


 

三、军事领域应用


       根据目标光谱与伪装材料光谱特性的不同,利用高光谱技术可以从伪装的物体中自动发现目标,在调查武器生产方面,超光谱成像光谱仪不但可探测目标的光谱特性、存在状况,甚至可分析其物质成分,根据工厂产生烟雾的光谱特性,直接识别其物质成分,从而可以判定工厂生产武器的种类,特别是攻击性武器利用短波红外高光谱成像识别战场环境中伪装网,上图为真彩色原始图像,下图为经过处理的伪装网识别图像。


Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号-1