基于UAV-RGB的矿区植物分类及其叶绿素含量时空变化分析

相比于高光谱遥感和多光谱遥感,在无人机上搭载RGB相机,不仅操作简单,而且成本低廉。但是,目前基于无人机RGB相机进行矿区典型植物分类的研究较少。另外,开采沉陷对地表植物叶绿素含量的时空扰动规律尚不清楚。为解决上述问题,本研究融合RGB影像的光谱信息、纹理信息和点云的3D特征,使用神经网络、支持向量机、随机森林3种机器学习分类算法,实现了对采煤沉陷区典型植被的分类。基于多期影像的分类结果和植被指数,分析开采沉陷对典型植物叶绿素含量的时空扰动规律。研究表明,最佳的分类算法为支持向量机。多特征融合可以显著提高分类精度,相比于只用光谱特征,多特征融合后的总体分类精度提高了9.45%。总体分类精度可达90%,Kappa系数为0.906,可满足矿区植被调查的需要。通过分析针茅和柠条叶绿素含量的时空变化,发现采煤对拉伸区植被的影响最大,其次是压缩区和中性区。拉伸区应作为生态修复的重点区域。地裂缝是生态修复的重点对象。与针茅相比,柠条能更好地适应采煤引起的干扰,可作为生态恢复的先锋物种。

一种免人工标靶的矿区地表水平位移提取方法

针对当前无人机监测矿区地表水平位移精度受限于监测周期内地表变化幅度的问题,提出了一种免人工标靶的水平位移提取方法,利用语义分割模型提取微地物的轮廓,通过Hu不变矩进行“同名轮廓”匹配,结合无人机影像分辨率获得地表水平位移量。结果表明,针对矿区无人机数据集,选取合适的语义分割模型和超参数能够有效提取微地物的轮廓信息,其平均交并比可达75.6%,基于Hu不变矩的轮廓匹配方法提取的水平位移量和理论值之间均方根误差在正东和正北方向分别为5.26、2.55cm。研究成果有利于克服现有方法易受自然条件变化影响的弊端,可用于今后的矿区沉陷预计参数的估算工作。

基于手持移动设备贴近摄影获取排土场物料粒度分布

采用手持移动设备贴近摄影获取露天煤矿排土场物料影像,基于深度学习关键点检测算法识别并提取影像中的物料粒径,据此分析排土场物料粒度分布规律。改进算法精度优于形态学与深度学习分割算法,在测量研究区排土场砾岩、黏土物料粒度时分别可达2.10%和2.84%的误差率,提升测量精度的同时大大减少了分割算法造成的标注成本。基于手持移动设备贴近摄影的排土场物料粒度数据采集方法粒径检出限约为20~30mm之间,便携易用的同时规避了其他摄影测量方法的环境与安全限制。应用此算法和摄影测量手段,探讨了不同材质、高度下研究区排土场物料粒度组成特征;总结出不同材质、高度下研究区排土场物料粒度分布规律,且R-R分布函数可以很好地描述排土场物料粒度分布,一元三次多项式能够表明排土场物料粒度R-R分布函数参数随物料高度的变化关系。