UAV影像点云支持下的林地精细DEM建立方法

针对无人机摄影测量建立DEM时易受植被影响导致地形缺失的问题,本文提出了一种融合不同航线影像地面点云建立林地精细DEM的方法。首先,按无人机航线将影像分类,并分别提取地面点云,然后采用反距离权重约束的ICP算法构建融合地面点云,最后融合地面点云建立林地精细DEM。结果表明,融合地面点云数量为2182740个,密度为9612个/m^(2);融合地面点云建立的DEM中误差为7.3 cm,与实际地形的相关系数达到0.925;在不同植被区内,融合后地面点云建立的DEM中误差均在10 cm内,与实际地形的相关系数均在0.89以上。试验验证了本文方法的可行性和适用性,可为无人机摄影测量建立林地精细DEM提供参考。

融合机载LiDAR和植被指数的自适应单木提取方法

机载激光数据(Light Detection And Ranging,LiDAR)难以区分地面和草地范围,可见光植被指数无法分离灌木和乔木层,针对上述问题,构建一种融合LiDAR点云与RGB植被指数的多波段信息图像。以激光点云生成精细冠层高度模型(Canopy Height Model,CHM),利用无人机影像数据生成高清数字正射影像,在比较不同植被指数精度后选择差异增强植被指数(Differential Enhanced Vegetation Index,DEVI),与CHM进行融合。形态学重建CHM+DEVI融合图像,去除不合理值;构建训练样本,采用分类回归树算法,分割地面范围并自适应提取植被为乔木、灌木和草地,乔木区域采用局部最大值算法探测树顶点,作为前景标记,非乔木区域赋为后景标记,进行分水岭变换得到分割结果。将该方法提取的植被信息与实测数据进行精度分析,结果表明:改进方法在4个样方中,总体查全率提高3.2%,查准率提高3.9%,准确度F1得分提高3.5%,树高精度分别提高1.7%,6.4%,1.8%和0.3%。验证了改进方法的有效性,同时区域内植被混杂程度越高改进算法的提取效果越好。

基于地平拟合改进的激光点云滤波算法

针对复杂地形条件下使用传统滤波方法处理激光点云数据时生成的数字高程模型质量较低的问题,提出了一种基于地平拟合和简单形态学(simple morphological filter,SMRF)相结合的点云滤波算法。算法通过SMRF粗滤波生成初始模型,计算原始高程与模型高程差值实现高程归一化;结合渐进移动窗口不断减小的特点,采用地平拟合算法在不同尺寸下构建多个面片集合;利用空间向量后处理,合并过度分割的面片及孤立点,完成地面点云提取。使用ISPRS数据集和实际采集到的点云数据将该算法与4种算法进行比较验证。结果显示,该算法的中误差降低3.3 cm,平均绝对误差降低2.0 cm,与真实地形的相关度达到0.9964,在8组实验区的平均Ⅰ类误差、Ⅱ类误差和总误差分别为2.54%、7.47%和3.06%,滤波精度明显提高。

基于改进SPSO算法的开采沉陷预测参数反演研究

为充分利用监测数据、提高计算效率,以邯郸某矿区2516工作面地表下沉实测数据为基础,将改进标准粒子群(SPSO)算法引入概率积分法求参过程,构建基于改进SPSO算法的概率积分法求参模型,以各监测点下沉拟合值与实测值差值的平方和为适应度函数,通过迭代求得约束条件内的最优解。结果表明:改进SPSO算法平均迭代次数为47.3次,PSO算法平均迭代次数为300.4次,改进SPSO算法的运算效率和稳定性均优于PSO算法;基于改进SPSO算法的概率积分法反演参数拟合误差σ=4.66%,矿区经验值拟合误差σ=10.2%,改进SPSO算法反演参数精度高于矿区经验值;基于改进SPSO算法的曲面拟合求参模型反演概率积分法参数精度可靠、运算效率高,对提高矿区开采沉陷预计精度具有一定应用价值。