融合地基与无人机载激光雷达的叶面积指数估算

以黑龙江省帽儿山林场的针阔混交林、针叶纯林两块样地为研究对象,基于地基激光雷达、无人机载激光雷达数据及两者融合数据,采用点云体素化理论、贝尔定律以及多元线性回归法估算森林叶面积指数,探究融合数据对估算叶面积指数结果的影响。结果表明:两种林分类型样地通过无人机载激光雷达数据体素法估算有效叶面积指数精度较低(R^(2)分别为0.76、0.75,均方根误差分别为0.83、0.97),均方根误差较大;地基激光雷达数据体素法、无人机载激光雷达数据贝尔定律分别估算针叶纯林有效叶面积指数(R^(2)=0.79,均方根误差=0.69;R^(2)=0.78,均方根误差=0.55)均优于针阔混交林对应的估算结果(R^(2)=0.74,均方根误差=0.63;R^(2)=0.75,均方根误差=0.66);融合数据体素法(R^(2)=0.84,均方根误差=0.54)与多元回归分析法(R^(2)=0.86,均方根误差=0.62)估算针阔混交林真实叶面积指数精度均较高,但多元回归分析法的优势为估算的真实叶面积指数;以不同采样率对融合数据进行抽稀并采用体素法估算叶面积指数,当采样率为0.8时估算精度最高,R^(2)=0.93,均方根误差=0.63。综上可见,融合数据能够弥补单一激光雷达数据获取林分信息不完全的缺陷,可以更充分的展现林分三维信息,提高估算叶面积指数的精度,但融合数据会造成数据冗余,以0.8采样率对融合数据进行抽稀后估算叶面积指数估算精度最高。

基于LightGBM的车载激光雷达点云分类

车载激光扫描系统获取的海量三维点云自动分类对目标识别和重建有着重要意义,传统点云分类需要人工干预,而现有的自动分类算法大多存在分类准确率低和运算成本高等问题。对此,提出了一种基于LightGBM模型的车载点云自动分类方法,该方法首先计算点云的表面变化三维特征、密度特征、高程特征以及快速点特征直方图,并计算点云法向量与其邻域点的法向量夹角及与水平面的夹角作为约束特征,将所有结果合并得到48维特征向量,然后构建LightGBM模型对点云特征向量训练完成分类预测。试验表明该算法能够准确高效地完成车载雷达点云的自动分类,比对照组算法总精度平均提高8.1%,Kappa系数平均提高18.9%,计算时间平均减少73.7%。