基于无人机遥感的伐区造林坑穴数量与参数提取

为了挖掘无人机遥感在核查造林成果中的应用潜力,采用无人机遥感技术对福建省将乐县一伐区造林坑穴数量和参数进行自动化提取实验。采用大疆精灵4 Pro型无人机,获取空间分辨率0.01 m的可见光遥感数据,经处理后得到正射影像(DOM)、数字表面模型(DSM)和无人机影像点云数据;分别采用基于DOM人工目视解译、基于DOM模板匹配法和基于DSM圆形霍夫变换法进行各类信息提取,比较各种方法在造林坑穴数量和宽度、深度参数提取上的精度和实用性。结果表明:基于DOM模板匹配法得到的坑穴数量正确率为92.60%。基于DSM数据的圆形霍夫变换法坑穴数量正确率为95.15%,坑穴宽度和深度提取值与测量值的决定系数(R^(2))分别为0.93和0.92,均方根误差(RMSE)分别为1.02 cm和1.67 cm,该方法不仅可以得到优于模板匹配的数量精度,还可有效提取坑穴宽度和深度参数信息,提高了坑穴参数提取的效率。无人机遥感技术在提取坑穴数量、宽度和深度参数方面能够满足造林坑穴指标核查需求。

基于SVR的GF1号遥感影像森林蓄积量估测

国产高分辨率卫星遥感影像已成为森林资源调查和监测的重要数据源。基于国产卫星遥感的森林蓄积量估算成为重要的研究方向之一。本研究以福建省将乐县为研究区,选择国产高分辨率高分一号卫星2 m分辨率遥感影像为主要数据源,加以辅助野外实地调查数据,分别采用多元线性回归和SVM(support vector machine)回归方法开展亚热带针叶林蓄积量估算效果评价研究。首先,从融合影像中提取遥感因子,包括11个光谱因子和10个纹理因子等;其次,对21个遥感因子进行相关性分析,选取皮尔森相关系数较大的6个遥感因子;第三,应用多元线性回归和支持向量机回归(support vector regression,SVR)对所选遥感因子建立模型,选取最优模型反演将乐县蓄积量分布图。结果表明:支持向量机回归(SVR)估测蓄积量的模型预估精度达到98.22%。

基于Mask R-CNN的密集木材检测分割方法

针对木材检尺中采用人工检尺的方法存在效率低下且检尺主观性较强的问题,提出一种基于掩模区域卷积神经网络(Mask R-CNN)实例分割模型的木材分割方法,探究实例分割在木材密集堆放场景下对各尺寸木材分割的可行性,以期实现智能检尺,提高检尺效率。应对密集木材检测分割任务,难点在于密集小木材和大木材的检测。本研究在原始Mask R-CNN模型的基础上通过改进优化模型参数,包括多尺度训练、提升样本采样数、提高图片输入尺寸和有效数据增广等技术,进行多组分割对照实验,同时利用OpenCV库对模型输出的木材分割掩码图完成木材轮廓拟合和木材计数,并就实验结果对模型性能进行分割精度、掩码质量和木材真检率等多维度分析。实验结果表明:测试集木材真检率达到97.989%,误检率为0.30%,并且相较基础网络,对小木材和大木材的检测分割能力提升明显,分割精度最佳提升12.9%和5.2%,掩码分割质量最佳提升2.2%。改进后的Mask R-CNN模型对密集场景下的木材分割效果良好,此外算法具有较强的鲁棒性及迁移能力,微调下能适应各种场景下的各尺寸大小密集木材检测分割任务。