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。

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。

一种迭代的小光斑LiDAR波形分解方法

针对传统LiDAR波形数据分解方法受噪声影响严重、对复杂重叠及微弱回波分解能力不足的缺点,提出了一种新波形分解方法.通过计算滤波前后波形的幅值变化,估计波形的随机与背景噪声;采用逐层剥离的策略,从原始波形数据中不断分解出波形分量,直到剩余波形中最大峰值小于一定的阈值;利用L-BFGS算法优化初始参数,获得波形分量参数的最优解;最后对位置过近的波形分量进行合并.该方法计算速度快,探测微弱回波能力强,显著提高分解后点云的密度与精度.对大量LiDAR波形数据进行了分解,验证了其有效性.

基于机载小光斑全波形LIDAR的作物高度反演

为了填补利用激光雷达反演作物冠层高度的空白,本文以全波形激光雷达发射与回波波形的高斯性为理论基础,首先通过对波形的拟合,实现作物与土壤波形的剥离,然后确定回波波形上各关键点,最后结合作物冠层结构的特征获得作物冠层高度。验证结果表明:反演作物冠层高度的绝对误差在0.06m以内,相对误差小于5.2%。该方法对于反演其他植被结构参数也具有重要的借鉴意义。

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。

基于星载LiDAR波形数据的森林胸高断面积估测研究

为探索星载LiDAR在森林胸高断面积上的应用潜力,利用星载激光雷达ICESat/GLAS波形数据对吉林汪清林区的森林胸高断面积进行估测。通过对ICESat/GLAS波形数据波形进行处理,提取一系列波形特征参数,利用回归估计方法分析波形特征参数与胸高断面积的相关关系,建立预测模型对森林胸高断面积进行估测。结果表明:在所提波形特征参数中,波形长度、H5和H10与胸高断面积在三次函数拟合时具有明显的相关性,判定系数R2分别为0.813、0.737和0.613,预测精度P分别为0.951、0.932和0.901,综合分析最终确定波形长度估测模型最好,该模型可稳定准确地估测出胸高断面积。表明星载LiDAR是未来估测森林胸高断面积一种有效的方法,并为进一步的森林蓄积量研究提供了一种技术手段。

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。

雪道点云时域波形特征分割及SLAM算法

为提升压雪车在滑雪场行驶与作业的夜间环境感知能力,提出了压雪车车载激光雷达点云时域波形阶跃值检测的雪道分割算法,并构建了适用于高山滑雪场的实时定位与建图算法(SLAM)。首先,对点云反射率分布进行统计并标记飘雪噪声点,利用邻近点线性插值方法对标记的飘雪噪声进行处理,保证点云的时域波形连续性,同时在特定扫描视角内划分栅格并以相邻网格高程值变化实时估计坡度。其次,根据山地滑雪场典型障碍设计了相应的时域波形阶跃值检测判据,筛选雪道-障碍分界点,划分扫描区间并对区间内的波形阶跃值进行包络,实现雪道点云特征分割。然后,根据雪道分割结果对特征进行分类匹配,并利用特征约束方法提高建图速度。最后,在张家口万龙滑雪场的高级和中级雪道进行算法效果验证测试。测试结果表明:所提出的雪道分割算法对单帧点云数据的处理平均耗时为2.36 ms,平均分割准确率可达98.54%,在基于雪道分割算法的改进SLAM方法中可以准确实现雪道-障碍分割,在建图精度方面表现更为优越且大幅缩减了计算耗时。

改进LM模型在机载小光斑LiDAR数据分解中的应用

机载小光斑Li DAR是近年来遥感领域的新兴技术,它对回波脉冲进行全数字化的记录,通过分解返回波形能够得到更加丰富的信息。针对传统LM波形分解算法容易陷入局部最优的问题,引入改进LM模型,采用信赖域技巧使得参数解全局收敛。实验证明,该方法相比传统LM能够得到更加可靠的波形分解结果,并且对城区、郊区和山地区域适应性好,具有较强实用价值。

纹理与波形特征组合对机载LiDAR数据分类的影响

将纹理特征与波形特征用于LiDAR数据分类,进行了纹理特征与波形特征的最佳组合方案研究。首先将LiDAR全波形数据的高程、波宽、振幅和回波次数等波形特征信息转化为波形特征图像;然后利用灰度直方图和灰度共生矩阵(GLCM)提取多种纹理特征,并与波形特征图像叠加构成多维特征图像;最后讨论纹理特征与波形特征组合对分类的影响,并确定最佳组合方案,探讨不同分类器对纹理与波形特征组合的适应性。实验结果表明,某些纹理特征能够提高分类精度,但不是分类特征越多越好,只有最佳组合才能充分利用纹理和波形特征,提高分类精度。

全波形LiDar数据分解方法的研究

研究了激光波形数据高斯函数分解的理论基础,提出了利用广义高斯模型函数拟合脉冲波形,并提取脉冲波形重要参数的方法。实验表明:利用广义高斯模型能较好地分解脉冲波形,该参数提取方法在分解振幅较高的脉冲波形时鲁棒性较好。该波形分解方法不但能增加点云的数量,而且能增加点云的层次感,同时能提取出激光点云的振幅、距离、脉冲宽度以及背向散射截面等重要的参数,这些特征对后续的地物分类研究提供了基础。

基于机载LiDAR的伪大光斑波形数据反演林分平均高

为降低小光斑机载激光雷达因光斑直径太小而导致的脉冲首次回波无法代表冠层高度的影响,以进一步提高小光斑机载激光雷达波形数据在森林结构参数估测中的应用潜能。以内蒙古依根地区为研究区,以机载激光雷达波形数据为基础数据,在波形数据高斯分解的基础上提出一种基于小光斑波形形成伪大光斑波形数据的方法。通过计算样地内各高斯分量脉冲能量占总脉冲能量的比例,将其视为各高斯分量特征参数对应权数,分别求特征参数振幅、位置和半波宽的加权平均数,即为样地伪大光斑波形数据对应高斯函数的特征值。基于小光斑波形数据和伪大光斑波形数据提取特征参数,分别结合野外样方实测平均树高建立回归模型,并进行比较分析。结果小光斑波形反演模型的决定系数R2为0.47,总体平均精度P为78.19%,伪大光斑反演模型的决定系数R2为0.61,估测林分平均高总体平均精度P为90.65%。结果表明,伪大光斑模型反演精度高于小光斑波形反演模型,降低了小光斑LiDAR因光斑直径过小带来的影响,挖掘了小光斑机载LiDAR波形数据的应用潜力。

基于高斯与小波的机载测深LiDAR波形分解算法

波形分解是机载测深LiDAR数据处理的关键环节,为水深计算、底质类型反演和水体浑浊度分析等提供基础信息。针对传统测深LiDAR波形分解算法受噪声干扰严重、对微弱及叠加信号分解不准确的问题,提出一种新的波形分解算法。对原始波形经小波滤波后,计算滤波前后尾段波形的差异,估计回波信号的噪声;利用高斯模型,从原始波形数据中不断分解出经LM算法优化参数后的波形分量,直到剩余波形中最大峰值与优化后的参数小于一定阈值。通过南海实测数据进行验证,实验结果表明:该算法分解弱回波能力强,不论在浅水(回波发生叠加)还是深水,其分解精度均优于传统算法。

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。

基于机载LiDAR测深水体波形的漫衰减系数提取方法

漫衰减系数是一个重要的海洋光学参数,能够为水体环境变化、水质分析以及水产养殖等方面提供基础性数据。针对目前船载实地测量效率与分辨率低、卫星遥感反演精度与分辨率较低的局限性,本文提出一种基于机载LiDAR测深水体波形的漫衰减系数提取方法。该方法首先通过分层异构模型的机载LiDAR波形分解算法得到水体散射回波,利用激光在水体中的衰减特性,构建漫衰减系数提取模型,最终获取大面积水域漫衰减系数的空间分布。采用西沙甘泉岛与江苏连云港两个航次的实测数据对所提算法进行了验证,本算法无需每个测深点的水底底部回波强度和深度即可反演得到漫衰减系数,并且在浑浊水域也可取得较好的效果,表明在中国近海利用机载LiDAR测深系统能够有效获取高精度的漫衰减系数。

基于多维时空分析的LiDAR测深系统去噪方法

为了提高激光雷达海洋测深系统探测精度,提出了一种基于时空联合分析的去噪方法。利用激光雷达系统在多个脉冲触发采集周期内的回波信号之间较强的时空相关性,对任意一个周期内的回波信号,通过匹配分析找到多组相似的回波序列,把各组高度相关的回波序列转换成矩阵形式进行多维时空相关分析,在2-D变换域应用硬阈值收缩算子衰减噪声,以加权聚合的方式获得基础去噪结果。在基础去噪数据集上再次进行匹配分析,应用基于维纳收缩算子的多维分析进一步去除剩余噪声,实现了真实信号与非相关噪声分离。实验结果表明,与常用的激光雷达去噪方法相比,提出的方法在噪声抑制和边沿保持方面都达到了较好的效果,提高了海底信号峰值信噪比。