全波形LiDAR数据分解的可变分量高斯混合模型及RJMCMC算法

传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布,并以此建立理想的波形模型;定义用于控制理想模型与实际波形拟合程度的能量函数,用吉布斯分布构建或然率;根据贝叶斯定理构建刻画波形分解的后验概率模型;设计可逆跳转马尔科夫链蒙特卡洛(reversible jump Markov chain Monte Carlo,RJMCMC)算法模拟该后验概率模型,以确定波形分解数并同时完成波形分解。为了验证提出算法的正确性,分别对不同区域的ICESat-GLAS波形数据进行了波形分解试验,定性和定量分析结果验证了本文方法的有效性、可靠性和准确性。

基于机载小光斑全波形LiDAR的亚热带林分特征反演

【目的】研究通过集成波形信号处理、空间解析和重构建模以及综合波形信息提取方法，探索基于小光斑全波形LIDAR特征变量高精度反演林分特征的新方法。【方法】以江苏南部丘陵地区的亚热带天然次生林为研究对象，在预处理和分析小光斑全波形 LIDAR 数据的基础上，首先基于体元空间框架分解和提取波形的振幅能量信息，并构建伪垂直波形模型；然后，从中提取空间位置信息（即点云）及几何辐射变量，计算 LiDAR点云和波形特征变量，并通过相关性分析筛选特征变量；最后，结合地面实测林分特征参数构建反演模型并验证精度。【结果】1）各 LiDAR特征变量对 Lorey’s树高的敏感性最高，对蓄积量和地上生物量次之，对胸高断面积最低，而返回脉冲总能量和返回脉冲峰值点数对胸高断面积的敏感性却高于其他林分特征因子；在点云特征变量组中，平均高、高度百分位数及冠层上部的返回点云密度与各林分特征之间的相关性较高，而在波形特征变量组中，能量中值高度的均值、返回脉冲长度的标准差和冠层粗糙度的标准差与各林分特征之间的相关性较高；2） Lorey’s 树高的模型估算精度最高（ RMSE为实测均值的7.26%），而蓄积量、地上生物量和胸高断面积的模型估算精度略低且较相近（ RMSE为实测均值的15.91%～19.82%）；模型自变量的数量都在3个以内，选中的自变量为高度百分位数、冠层返回点云密度、返回脉冲长度和冠层粗糙度的标准差；3）各林分特征实测值与交叉验证估算值的拟合结果表明， Lorey’s树高的拟合效果最好（R2=0.85），地上生物量（R2=0.68）和蓄积量（R2=0.59）次之，而胸高断面积（R2=0.45）最低；4） Lorey’s 树高、蓄积量和地上生物量的空间分布状况基本一致，源于它们内在的相关性；相比其他3个特征变量，胸高断面积的空间分布不够连续，这可能是由于其预测模型精度较低所致。【结论】各林分特征综合回归模型的拟合效果和精度都高于仅使用点云特征变量拟合模型的精度，表明了波形特征变量提取森林中下层信息的潜力。点云特征变量描述了森林冠层及上部的三维结构及密度信息，而波形特征变量则获得了森林冠层及以下部分完整的垂直分布和能量信息，二者互补可提升林分特征反演的精度。

基于有效散射单元模型的全波形LiDAR数据可变分量分解

当前全波形LiDAR数据的分解方法仅考虑波形拟合,不能充分反映地物目标的散射特性。针对这一问题,提出利用有效散射单元表达全波形LiDAR数据,并对全波形LiDAR数据进行基于有效散射单元模型的可变分量波形分解。对ICESatGLAS全波形数据进行实验,实验结果能得到较为准确的地物高程信息;同时结果所得的有效散射单元个数与对应地物散射面积相结合,可反演各类地物散射特性。方法在自动确定地物个数的同时,从全波形LiDAR数据形成机理上设计分解模型,为全波形LiDAR数据分解建模提供了有效的新思路。

基于机载全波形LiDAR数据的森林地上生物量估测算法研究

为提高森林地上生物量(AGB)的估测精度,本研究以白桦林为研究对象,以机载全波形激光雷达(Li DAR)数据为研究数据,首先提出了机载全波形Li DAR数据读取与全波形特征信息提取的相关算法,然后结合具体算法的实现提取出每条全波形数据对应的各波形分量的能量信息,进而依据波形能量信息计算出每个样地的全波形激光穿透指数(Fi LPI),之后通过全波形激光穿透指数F i LPI建立其与对应样地实测森林AGB的统计回归模型,同时将森林AGB的估测值与森林AGB的实测值进行对比。结果表明全波形激光穿透指数F i LPI与森林AGB具有很好的相关性(R2为0.885,RMSE为0.095),并且森林AGB的估测值与实测值之间误差的波动较小,提高了森林AGB的估测精度,弥补和提供了机载全波形Li DAR数据估测森林AGB的方法和思路。

基于机载LiDAR全波形数据白桦林林分LAI反演研究

为提高森林叶面积指数(LAI)的估测精度,本研究以白桦林为研究对象,以机载激光雷达(LiDAR)全波形数据为研究数据,首先提出了机载LiDAR全波形数据读取与波形特征信息提取的相关算法,结合具体算法的实现分析出每条全波形对应的各波形分量的能量信息,然后依据波形能量信息在传统激光穿透指数(LPI)计算的基础上结合全波形数据的特点,计算出全波形激光穿透指数(LPIfi),最后获得样地体元激光穿透指数(LPIf-mean),用于估测森林林分LAI,并将估测结果与机载LiDAR离散回波点云数据估测森林LAI的结果进行了对比。结果表明,全波形样地体元激光穿透指数LPIf-mean与森林林分LAI之间的建模精度R^2=0.815,RMSE=0.105,预测精度R^2=0.864,RMSE=0.139,同时在同等样地尺度下,全波形数据返回脉冲能量信息估测森林LAI的精度要高于离散回波点云数据的,因而,基于机载LiDAR全波形数据能够实现森林林分LAI的高精度反演。可以为进一步森林生态参数模拟与估测提供高精度的基础数据,弥补和提供了机载LiDAR全波形数据估测森林LAI的方法和思路。

机载LiDAR全波形数据分解的研究与应用

近年来,新兴机载全波形Li DAR技术在摄影测量与遥感领域受到广泛关注。其相比传统机载Li DAR的优势在于它对后向散射回波信息进行了完整的数字化记录。波形分解是波形数据处理的重要环节,通过波形分解不仅仅可以得到高质量的三维点云产品,还能够提高DEM的生成精度并辅助点云的精确分类,随着研究的不断深入,全波形数据将在更多领域发挥更大的实用效益。

基于分组LM算法的全波形LiDAR高斯分解

LM(Levenberg-Marquardt)算法是全波形机载激光雷达(Li DAR)数据高斯分解中求解模型参数的一种方法。针对其结果在一定程度上依赖初值、雅克比矩阵出现非数值导致无结果等问题,本文提出分组LM算法,以广义高斯混合函数为模型,模型参数初始化后,将参数分组并使用LM算法依次对各组参数进行优化,并生成点云。为验证结果的可靠性,以系统点云为参考,与基于改进的EM(Expectation Maximum)算法全波形分解法做对比。结果表明,本方法不仅得到较高质量的点云,而且得到回波位置和宽度等信息。

大光斑LiDAR全波形数据小波变换的高斯递进分解

高斯分解是波形激光雷达数据预处理的常用方法,但在应用于大光斑全波形激光雷达数据中的叠加波时却难以发挥作用,为此提出一种基于小波变换的高斯递进波形分解方法.首先,利用小波变换多尺度分析特性检测出目标地物并准确估算组分特征参数,进而建立高斯模型优化特征参数;然后通过拟合精度指标,判断是否需要添加新组分进行逐级递进分解,确定最终模型及其组分构成,最终实现全波形激光雷达数据的波形分解.为了验证算法的有效性,分别对实验数据使用本文算法和常用的基于拐点匹配的高斯分解法进行分析,结果表明,本文算法提取的目标数几乎是拐点匹配算法的2倍,可以有效地从叠加波中检测出目标组分,且拟合精度高于98%.

结合物理与几何特性的机载LiDAR数据分类方法

机载LiDAR数据分类是根据数据特征为每个点指定类别标签。针对现有方法忽略全波形与点云在物理特性上的关联、缺乏对邻域几何和语义相关性的深入挖掘,从而导致捕获局部结构能力不足的问题,搭建了结合目标物理与几何特性的分类方法,实现了由全波形和点云组成的机载LiDAR数据端到端分类。首先,构建了特征融合模块,提取了全波形时序特征和点云几何特征,依据两种数据物理意义上的关联,通过双低秩矩阵实现了全波形与点云特征级融合。其次,构建了邻域特征增强模块,挖掘点对相关性,增强对局部几何结构的学习。最后基于层次化编解码结构搭建了分类网络。该网络在机载LiDAR数据集上测试,达到平均精度0.96、平均召回率0.90、平均F1分数0.92,证明了网络的有效性。

GEDI星载激光雷达数据估测森林冠层高度精度评估

为解决现有研究针对GEDI数据产品不同算法估测森林冠层高度不充分的问题,利用机载激光雷达数据探究GEDI提取的佩诺布斯科特森林冠层高度精度,计算两数据的R^(2)、RMSE并开展显著性检验分析,用以探究不同算法以及数据获取时间对估测精度的影响。结果表明:6种算法中,算法4的精度最高,R^(2)=0.61,RMSE=5.74 m。对于不同时间获取的GEDI数据,与机载数据获取时间接近的GEDI数据估测精度较高。

采用Levenberg Marquardt的逐步递进波形分解方法

针对机载全波形Li DAR波形数据分解问题,提出一种采用Levenberg Marquardt的逐步递进波形分解方法。该方法基于Levenberg Marquardt的非线性最小二乘拟合算法,选取高斯函数模型并采用逐步递进的波形分解方式得到准确的模拟波形。对Riegl数据中的2条典型波形进行分解实验,并与普通非线性最小二乘方法的结果进行对比分析,证明该方法是可行有效的。

偏正态全波激光雷达数据的可变分量波形分解

针对传统方法难以实现全波激光雷达数据中非对称波形分解的问题,本文提出一种结合可变分量偏正态模型和可逆跳马尔科夫链蒙特卡洛(RJMCMC)算法的波形分解方法。首先,利用能量函数刻画服从偏正态分布的理想波形与实际波形间的差异程度,并用Gibbs分布定义其似然函数;然后,定义理想波形参数模型的先验分布;在贝叶斯定理框架下,建立具有分量可变性的波形分解模型;设计RJMCMC的移动操作,确定偏正态分布中的分量数以及求解模型参数。利用提出算法,对不同波形特征(偏态、正态)的ICESat-GLAS全波激光雷达数据进行可变分量分解实验。实验结果表明:实验波形结果与实际波形数据相关系数达到0.989以上,所提方法不仅能够同时实现对偏态数据和正态数据的拟合,还能更为准确地确定波形分量数。证明了该方法能实现全波激光雷达数据的精确分解,且分解结果与对应地物高程信息相符。

全波形激光雷达数据在点云分类中的应用研究

全波形激光雷达(Full-Waveform LiDAR)对发射脉冲和后向散射脉冲都进行小间隔采样,几乎能记录整个波形。利用小光斑全波形激光雷达数据,基于激光雷达的能量方程并结合平面目标和立体目标与激光脉冲的作用机理,研究了以广义高斯函数为核函数的组分建模和波形分解方法,提出了一套对不同目标的后向散射回波波形进行波形去噪平滑、组分建模、波形分解和组分特征提取,并结合波形分解提取的组分距离、振幅、回波宽度和后向散射截面4个组分特征应用于实测点云数据分类的流程。实验结果验证了本文方法的可行性和有效性,为后续的点云目标识别提取以及目标量测提供支持。

激光成像雷达近程大动态范围实时高精度测距方法

为了满足无人驾驶、车载避障等应用需求,激光成像雷达通常需要识别几米到几百米大动态范围内的目标信号。限于体积成本,当激光雷达不具备自动增益控制功能时,如何实现从饱和到非饱和回波信号的高精度测量是激光雷达测距技术急需解决的问题。传统的激光成像雷达多采用时间数字转换器的边沿测距方法,该方法对于近距离饱和波形测距效果较好,但对于远距离小信号成像能力有限,因此提出了基于高速模数转换的全波形匹配测距方法。该方法通过对回波脉冲与高分辨率模板波形的滑动匹配,求取高精度的回波脉冲峰值位置。并在FPGA上实现了优化的快速收敛方法,提高了算法执行速度,在保证了测距精度的同时提高了激光成像雷达的有效成像范围。通过大量的成像实验验证,激光成像雷达测距精度可达2.7 cm,有效成像范围可达200 m以上。

基于全波形激光雷达数据分解方法的研究

波形分解是全波形激光雷达数据处理的关键技术之一,通过雅克比矩阵更新与否以及阻尼系数的调整,对优化LM(Levenberg-Marquard)算法进行了研究。实验表明,该方法可最优化求解足印内各波形分量的振幅、中心位置和半宽,而不必每次迭代时都需计算雅克比矩阵,简化了计算过程,提高了计算效率,最终得到的模拟波形能够非常好地拟合原始波形。

基于高斯滤波的回波信号去噪方法的研究

当采用高斯滤波的方法对全波形激光雷达回波数据去噪处理时,高斯函数宽度和高斯滤波模板长度不同,去噪效果不同。本文通过设定不同的高斯函数宽度和高斯滤波模板长度,对回波信号进行去噪处理。实验结果表明,将激光雷达的发射脉冲半宽作为高斯函数宽度,高斯滤波模板长度设为9,对回波数信号进行去噪处理,滤波后的数据既保留了原有的信息,又得到了很好的平滑处理,取得了较为理想的去噪效果。

星载激光雷达森林探测进展及趋势

森林是陆地上组成结构最复杂的生态系统,星载激光雷达兼具高垂直分辨率的优势和大范围数据获取的特点,在大区域尺度的森林参数定量反演方面具有独特的优势。从全波形激光雷达、光子计数激光雷达、成像激光雷达的技术特点、数据处理和森林参数提取等方面,总结了国内外森林探测激光雷达卫星载荷的发展、参数设置及应用潜力,以服务我国星载激光雷达森林探测系统的建设和发展。结合激光雷达辐射传输模型,探讨适合森林探测的激光雷达传感器参数方案,并以ICESat卫星的地球科学测高系统(GLAS)和先进地形激光测高系统(ATLAS)数据为例,探讨星载激光雷达的森林参数反演方法,最后总结梳理了现有星载载荷的优劣并给出后续载荷发展的建议。

改进的EM模型及其在激光雷达全波形数据分解中的应用(英文)

随着数据存储能力和处理速度的提高,小光斑机载激光雷达系统已经可以通过数字化采样来存储整个反射波形,而不仅仅是由系统提取出来的三维坐标(即离散点云)。分析波形数据最重要的优点之一是可以在后处理过程中让使用者自己来提取三维坐标。一般的分解方法基于非线性最小二乘的多项式拟合,或者有设备厂商提供的简单阈值法,无法获得高精度的分解结果。本文使用改进的EM脉冲检测算法得到回波脉冲的位置和宽度,证明是一种性能可靠、精度较高的波形分解算法。

基于改进差分进化算法的机载激光雷达波形分解

全波形机载激光雷达数据记录了完整的回波波形,包含了目标的立面细节和后向散射系数等信息,但是这些信息无法在未经处理的情况下直接获取,波形分解是处理波形数据以提取有效信息的重要方法。针对波形分解中常用的参数优化算法对初值敏感,易陷于局部最优的缺点,提出一种基于改进差分(Modified Differential Evolution,MDE)算法的波形分解方法:以广义高斯函数为模型,在预估初值后,将全局优化的MDE算法用于参数优化,最终生成点云。实验结果表明,与基于其他优化算法的波形分解方法相比,该方法在分解精度以及点位精度等方面都有提高。

全波形激光雷达的波形优化分解算法

随着数据存储能力和处理速度的提高,三维激光扫描系统逐渐具备全波形采集和分析技术。为了从全波形数据中获得脉冲时间、幅度、脉宽以及多回波分布等综合信息,波形分解成为了全波形激光雷达数据处理的关键技术之一。针对LM算法在一定程度上依赖初值,而传统激光雷达数据处理容易遗漏部分重叠的返回波,本文提出了一种改进回波分量初值设定的算法来获取回波脉冲的位置、宽度和强度。针对一套自主研发的全波形记录激光雷达演示系统进行了波形分解试验,定性和定量分析结果验证了该方法的有效性、可靠性和准确性。