一、浅谈卫星遥感像片目视判读方法及在森林调查工作中的应用（论文文献综述）
李春干,代华兵[1]（2021）在《中国森林资源调查:历史、现状与趋势》文中提出自20世纪50年代初以来,中国森林资源规划设计调查经历了目测调查（踏查）、航空目测调查、以小班为基础的抽样调查、以地形图为基础的小班调查和以高分辨率卫星遥感图像为基础的小班调查5个主要技术发展阶段。文中介绍各阶段森林资源调查的主要调查内容、技术方法和手段,其中小班调查内容和林分调查因子测量方法自20世纪80年代中期以来基本稳定,但小班区划和数据处理方法随着遥感和计算机技术的进步得到了较大发展;综述了2017年以来以机载激光雷达和高分遥感为核心技术的大区域森林资源调查技术进展,并展望了超高分辨率卫星遥感图像、无人机、地基激光雷达等新技术在森林资源调查中的应用前景。
李增元,陈尔学[2]（2021）在《中国林业遥感发展历程》文中认为根据林业遥感科研项目成果和行业应用表现出的阶段性特点,将中国林业遥感发展历程划分为3个阶段:1951年—1980年为以航空遥感像片为主的目视解译应用阶段,建立了航空摄影和地面综合调查相结合的森林调查技术体系;1981年—2000年为卫星遥感开拓创新阶段,首次研发了针对森林资源调查的卫星遥感数字图像处理系统,在可再生资源遥感调查、遥感系列制图、生态效益评价等关键技术领域均取得了重大突破,并将应用领域扩展到湿地资源、荒漠化和沙化土地、林业灾害等遥感调查、监测领域;2001年—2020年为定量遥感发展与综合应用服务平台形成阶段,通过深入开展林业遥感应用基础理论和定量遥感技术与方法研究,促进了定量遥感技术的快速发展和林业综合监测技术体系的形成,并构建了林业遥感综合应用服务平台;最后就林草部门在新时期所面对的新要求、新任务,给出了未来林草遥感科研和应用发展建议。
田艺[3]（2020）在《基于无人机影像点云的林分信息提取研究》文中研究指明森林资源调查的目的是探明我国森林资源的分布现状和生长态势,并为森林资源的精准经营和可持续发展决策提供依据,简称森林调查。目前森林调查仍然通过实地探查完成,费时费力,周期长,更新慢。随着无人机摄影测量技术的发展,通过搭载不同的遥感设备可以获得高清航带影像、激光点云、林冠多光谱数据等,经过专业软件简单处理就能从中提取所需的森林调查数据,这种数字化林业调查较之传统的人工调查有范围广,效率高,更客观的优势。本文以无人机摄影测量技术为基础,使用高精度RKT无人机搭载高清数码相机,以太原市周边核心林区西山万亩生态园和太原市森林公园为研究区,制作正射影像（DOM）、数字表面模型（DSM）和密集点云数据,以点云数据应用为主结合样地调查与模型反演从中提取所需的林分信息,完成并获得如下目标和结论:（1）基于DOM目视提取和样地实测,获取研究区内的主要树种为国槐、华山松,树木总数为2859棵,其中树冠面积的最大值为25.682 m2、最小值为0.729 m2、平均值为9.121 m2;从中均匀选择的600棵样本木,测得胸径最大值为23.47 cm、最小值为7.63 cm、平均值为11 cm;树高最大值为6.4m、最小值为2.4 m、平均值为3.8 m左右;冠幅最大值为3.6 m,最小值为0.5 m,平均值为1.6 m左右。对目视提取与样地实测的单木定位和树冠面积展开误差分析,中误差为0.282和0.203,说明通过目视提取的单木信息有较高精度。（2）基于DSM数据和密集点云数据实现研究区域单木分割,并提取单木的树冠面积,树高,单木定位等信息。经过统计分析可得单木分割的提取率为83.45%,树冠面积最大值和最小值分别为25.752 m2、0.549 m2、平均面积为9.254 m2,总偏差为662.085 m2、相对偏差为4.9%、均方根误差为2.591 m2、相对均方根误差为3.7%、R2为0.87363;树高的最大值为5.53 m、最小值为0.84 m、平均值为3.24 m左右,绝对误差最大值在1.5 m以,最小值为0.12cm,相对误差最大值为29.5%,最小值为0.26%,平均相对误差为4.16%,均方根误差0.72 m,相对均方根误差6.9%,R2为0.70969,说明由点云分割提取的林分信息符合精度要求。（3）通过SPSS软件以点云分割获取的树高和树冠面积为自变量,实测胸径为因变量构建实验区域的一元、二元胸径预测反演模型,计算并统计得到实验区胸径的最大值分别为12.538 cm、15.214 cm,最小值分别为3.467 cm、5.082 cm,平均值分别为6.649 cm、10.293 cm。利用以上提取的全部信息结合华北地区蓄积量,生物量,碳储量模型计算得到西山万亩生态园阔叶林的平均胸径为10.293 cm、平均树高为4.13m、林分密度为693棵每公顷、郁闭度为54.1%、蓄积量为51.55 m3、生物量为46.94174Kg/m3、碳储量为39.66373 Mg、碳密度为33.79376 Mg/hm2;太原市森林公园针叶林的平均胸径为6.649 cm、平均树高为2.517 m、林分密度为801棵每公顷、郁闭度为29.3%、蓄积量为13.8 m3、生物量为20.26004 Kg/m3、碳储量为52.17782 Mg、碳密度为21.10924 Mg/hm2。综上所述,通过无人机影像点云提取的林分信息在满足森林调查精度的同时减轻了外业调查工作强度,有助于实现森林资源调查内外业一体化。
任君宇[4]（2020）在《张库大道（内蒙古段）遥感考古调查与研究》文中研究说明张库大道因连接张家口和库伦（今乌兰巴托）而得名,其向南延伸至湖北、福建,向北达恰克图、莫斯科,形成了跨越欧亚大陆,距离逾万里的“万里茶道”。万里茶道是草原丝绸之路衰落后连接欧亚大陆的又一重要陆上通道,对清朝至民国时期中蒙俄三地的交流和沟通起到了举足轻重的作用。万里茶道蕴含着丰富的文化内涵,保存有大量的历史遗迹和历史资料,是中蒙俄三国共有的、珍贵的文化遗产,是连通中俄的“世纪动脉”。作为一个拥有着重要文化、政治和经济价值的域跨多国的线性文化遗产,万里茶道正在积极申报加入世界文化遗产（简称“申遗”）。张库大道作为万里茶道在内蒙古境内的中路,是万里茶道在中国北方极具代表性的线路,其拥有张库官马大道即张家口驿站、张库商道、张库汽车路及张库邮政路四种不同功用的路线,是万里茶道进入蒙俄地区的重要中转站,对其进行深入研究可以为万里茶道的申遗、科研、遗产保护及沿线经济的开发等方面提供重要支持。目前学界对张库大道的研究主要集中在贸易往来、行商文化、兴衰变迁等方面,从考古学角度对张库大道的路线、沿线遗址点及沿线环境等进行调查和研究仍属空白。张库大道所涵盖区域十分广袤,整体面积将近6万平方公里,交通线路距离达一千多公里,而且所属区域地理环境复杂、人烟稀少,十分不利于对其进行田野考古调查,因而需采用遥感考古学的手段对该线路进行调查分析。遥感考古虽在我国出现较晚但发展迅速,现已广泛的应用到考古勘探和文物保护中。因其具有耗费时间和财力人力较少、调查范围广、对遗存破坏小、受自然环境影响小等特点,十分适用于对张库大道此类线性文化遗产进行调查研究及保护。本文根据对室内文献资料的整理和分析并结合卫星遥感影像的解译和目视判读,确定了张库大道（内蒙古段）实地田野考古调查的区域和疑似遗址点,并依据在田野考古调查中采集的相关数据,绘制了张库大道路线图,进行了相关的空间GIS分析,进而解析张库大道线路的环境概况,同时通过田野考古调查和考古发掘,分析了张库大道沿线遗址的特点。本文主要分为七个部分:第一部分介绍了选题背景、研究意义、研究综述及研究方法和创新点。第二部分介绍了遥感考古的起源、发展及理论基础,对国内遥感考古的研究成果和应用进行梳理。同时分析了线性遗产与万里茶道申遗的内在联系及线性遗产对遥感考古的需求,为张库大道进行遥感考古调查提供理论和技术支持。第三部分介绍了张库大道暨万里茶道的形成背景,从交通线路的角度对张库大道的变迁和兴衰进行了详细论述,阐明了研究张库大道的重要历史作用和意义,论证了对其进行考古调查和研究的必要性。第四部分通过收集到的文献资料和地图资料的分析并结合现代研究成果,初步确定张库大道的调查范围和疑似遗址点。同时对该区域内的地形地貌、气候水文等地理环境进行概括,为之后的GIS空间分析提供相关的论证支持。第五部分运用ArcGIS软件对老地图中张库大道的台站路线和汽车道进行矢量化,确定卫星遥感影像的采集区域和目视判读疑似遗址点的标准,继而通过对Google Earth卫星影像的解译和目视判读,确定待调查的疑似遗址点,为田野考古调查提供数据支持。第六部分对疑似遗址点、拟调查区域和拟调查的重点村镇进行实地田野考古调查,并依据田野调查收集的资料,总结张库大道沿线遗址点的特点。同时以伊林驿站考古发掘为例,对目视判读疑似遗址点的标准和张库大道沿线遗址点的特点和环境进行验证。其后,依据田野调查中采集到的相关数据,绘制了张库大道路线图,并对张库大道进行水文、人口、坡度进行了GIS空间分析,继而解析张库大道沿线的地理环境和人口分布情况。第七部分对本文的观点进行了总结并对不足和以后的工作展望进行了陈述。
李小飞[5]（2020）在《基于立体影像和机载LiDAR数据的地理国情地表覆盖信息提取技术研究》文中研究说明随着自然资源部机构改革和业务调整逐步到位,地理国情监测成为自然资源调查监测的重要组成部分。而各类自然资源管理业务,面向的尺度是微观的、具体的,不是之前地理国情监测宏观的、综合的信息需求。应用需求的变化,对地理国情监测的内容指标与技术路线也提出了新的要求,尤其是对地表覆盖图斑界线的空间定位精度和内容的细化的准确度都提出了更高要求。传统的地理国情监测地表覆盖图斑的信息提取都是基于单景正射影像完成,虽然单景正射影像具有正确的平面信息和丰富的影像信息,但它缺失地表覆盖地类的高程信息,无法再对地表覆盖的采集精度和判读正确性进行提高。立体影像和机载LiDAR数据都具备丰富的高程信息,本文主要研究利用立体影像和机载LiDAR作为数据源进行地理国情地表覆盖分类信息提取。实验结合数据源的分布情况,选取了陕西省富县和旬邑县两处区域为研究对象,充分利用上述数据源中的地类高程信息,开展重点针对耕地、草地、灌木林、多层及以上独立房屋建筑等地表覆盖类型中易于混分的地物类型进行信息提取的实验研究。对于立体影像,实验中对卫星立体影像的预处理步骤就行了梳理,对不同影像源在空中三角测量环节进行了研究,分别在不同分辨率的立体影像下对地表覆盖信息提取的效果进行对比分析,确定实验过程中的对地类边界采集精度和地类判读准确性有明显影响的因素。对于机载LiDAR,实验中探索了点云数据的处理方法和步骤,总结了采用点云数据和同期遥感影像相结合的方式建立典型分类联合解译标志,以此为基础进行信息提取,并对提取结果进行了对比分析,同时探索了不同点云密度对提取结果的影响,为今后试生产对点云数据质量的需求提出了建议。通过实验,探索研究了采用不同数据源进行地表覆盖信息提取的实验技术路线,为今后在地理国情监测项目中采用立体影像和机载LiDAR数据源开展试生产积累技术,提出可行的技术支撑,进而为该技术在全国进行工程化推广应用奠定基础。
赵汉钦[6]（2019）在《基于高分辨率影像的单木定位技术研究》文中研究指明随着大数据时代的到来,3S技术以及计算机图像处理技术的快速发展,森林资源调查正在从粗放的林分（小班）级抽查向树木（单木）级精准普查迈进。精准林业的终极是对单木生长实现精确的监测,而建立单木数据库是这一工作的基础,其中单木定位技术是关键所在。本文基于高分辨率影像对不同空间分布的单木定位技术展开了实证研究。首先,根据国内外单木提取相关文献的学习,确定了基于单木冠幅提取进而确定单木定位信息的技术方案。为此,深入探讨图像预处理、冠幅提取算法、单木定位和单木数据库建立以及基于Python+OpenCV实验平台等相关的理论、方法和技术。其次,结合实验数据,重点探讨了单木定位的技术方案:先利用基于RGB色域的颜色指数提取林木区域;再通过灰度变换、阈值分割、腐蚀膨胀、距离变换等图像处理步骤获取标记图像;进而利用基于标记的分水岭算法提取单木树冠冠幅;通过获取冠幅轮廓线计算中心点确定单木相对坐标;最后进行坐标转换成地理坐标,并建立单木数据库。第三,针对两类单木（城市中的散生木或四旁树、林区林分中单株木）,选择可验证的北京林业大学校园的北京2号遥感影像和鹫峰森林公园局部的无人机遥感影像,对上述单木定位技术方案进行了实际验证和改进分析,为进一步深入研究奠定了基础。
刘金成[7]（2019）在《林分因子测计关键技术研发与应用》文中研究指明森林生态系统是人类赖以生存和发展的最为稳定和最为丰富的资源库之一,对维持全球生态系统平衡起着不可替代的重要支撑作用。如何正确认识和经营管理好森林生态系统一直是科学界研究的重点和热点问题。林分作为森林生态系统中区划森林的最小地域单位,其特征因子是反映森林生态系统现状及其变化规律的基础数据,因此,在林业、生态和环境等诸多领域内,林分因子都成为了相关基础研究的关键数据,且需求量很大。如何高效率、高质量、低成本地对这些林分因子进行获取和统计分析,对于正确认识和指导森林生态系统的规划和决策具有较大的现实意义。为了实现这一目的,本文将林分因子的测量、计算、统计和预测分析等一体化流程统称为林分因子测计过程,并分别围绕林分的观测、监测/检测和建模预测等核心需求展开,以北京市作为研究区,以“互联网+3S技术”为技术支撑,重点研发了林分信息化观测技术、林分微样地空间抽样技术和林分生物量/碳储量动态预测技术等林分因子测计领域的关键技术,同时,分别从理论、方法和实践层面对林分因子测计关键技术的现实需求性、理论可行性和技术适用性等进行了探讨和评价分析。其主要研究结果如下:（1）林分信息化观测技术研发率先将手持式PX-80激光扫描仪引入到我国林分观测中,分别在平坦实验区和山区坡地实验区对其测计能力进行了验证,实验结果表明,其偏差（Bias）、均方根误差（RMSE）、相对偏差（rBias）和相对均方根误差（rRMSE）等评价指标均满足精度要求,是一种较为推荐的林分信息化观测技术手段。研制了一种实时动态多功能立体摄影测树系统——RTK测树仪,并依此设计了适用于单木级观测的“双向交叉摄影测量法”和适用于林分观测的“仿航线法”,实现了样木位置、胸径、树高及任意高处直径等单木级因子测计和林分三维点云构建、树心坐标位置、林分平均胸径、林分平均高等林分因子测计。实验结果表明,地面摄影测量技术以其高效性、灵活性和廉价性等优势有望在林分观测中有良好的应用前景。（2）林分微样地空间抽样技术研发基于“互联网+3S技术”思维和地理空间相似性原理,提出一种大尺度林分微样地同质化抽象聚类方法,并将北京市全域聚类为300～1000个林分微样地,同时,采用5～9棵树法对选定的微样地进行定时、定点、定位、定标的现场复测,实现对林分生长动态监测和检测的目的。为了评价其可行性,随机选取100个微样地,将其林分因子提取结果与对应的标准样地进行对比,结果表明,林分微样地法可以达到与标准样地法相近的抽样精度,其提取结果可以代表特定林分的整体平均情况。在现场实测微样地的基础上,提出利用RTK测树仪的环绕连续摄影构建可量测林分微样地3D点云的方法,实现了微样地的三维可视化,并可依据点云模型提取样木点位坐标、胸径、树高等测树仪因子,进而计算出林分平均胸径、林分平均高、株数密度和蓄积量等林分因子。实验结果表明,点云微样地法与实测微样地法具有较强的相关性,林分因子提取精度较高,同时,点云微样地法还具有三维可视化、数据采集效率高、人工成本投入低等优点,是一种推荐的林分微样地抽样方法。（3）林分生物量/碳储量动态预测技术研发以北京市214个连续清查固定样地为研究对象,在考虑环境因素影响的前提下,基于第六、第七、第八次连续3期的固定样地数据,以时间（林分年龄）参数为主导关键因子,借助SPSS Modeler软件建立了基于异速生长方程的林分生物量多元回归预测模型,实现了对未来时间段内林分生物量和碳储量的预测。结果表明,建模样本和检验样本的R2均在0.82以上,表明模型系数的拟合优度较好,估计值的标准差（SEE）、总相对误差（TRE）、平均系统误差（MSE）、平均预估误差（MPE）和平均百分标准误差（MPSE）等评价指标同样满足精度要求。此外,借助Matlab平台建立了基于BP人工神经网络的林分生物量动态预测模型,对于训练样本和检验样本,其R2均在0.88以上,拟合效果要优于多元回归模型,SEE、TRE、MSE、MPE和MPSE等评价指标同样满足精度要求,且略优于多元回归模型。同时,分别利用建立的多元回归模型和BP-ANN模型对214个固定样地下一期的生物量和碳储量进行了预测分析,证明了两种模型的稳定性和适用性。
王明明[8]（2018）在《无人机影像地信产品制作及林分信息提取研究》文中提出森林资源调查简称森林调查,其调查对象是林区内的土地、林木和生活在林区内的植物和动物以及林区的环境要素。森林调查是以把控森林资源的变动存量以及森林的生长状况为目标的林业调查。近年来,无人机发展势头迅猛,搭载的传感器从普通相机到多光谱相机再到激光雷达,对于传统的森林调查手段,起到了极大地推动作用。不仅降低了工作强度,也提升了工作效率。本文主要探讨了基于无人机航测的遥感影像数据,用无人机后处理软件制作地理信息产品及恢复研究区点云模型;针对林区地信产品更新需求,研究基于已有DOM和DEM,对不同时相的像片在空三处理阶段前完成自动、高精度控制点刺入;在4D产品及三维点云数据的基础上,提取树高、冠幅、树冠表面积、树冠体积等测树因子,结合地面调查数据,验证无人机获取的森林信息的准确性。主要内容如下:（1）针对多时相林地数据获取,林区基础地理数据更新,高分辨率无人机影像为遥感影像提供判读依据等需求。利用已有DOM和DEM,提出一种免外业布设控制点,而通过IPS软件和其辅助软件完成刺点工作的方法,其可用于高精度多时相匹配。（2）基于数字正射影像,对于大面积林地,当其单个树木在影像上的显示较为相似时,采用模板匹配的方法进行计数统计。针对一片规则松树林地,先使用训练样本生成模板,再用模板匹配的方法统计研究区树木数量。（3）基于影像生成的点云数据,通过去噪、归一化、分割等处理,提取位置、树高、冠幅、树冠体积等单木信息,再通过计算得到林分郁闭度、平均高、密度等林分信息。其中,主要创新点为:将摄影测量软件运用到森林资源调查方面,构建简易点云数据,在点云上提取林分信息;基于已有DOM、高分辨影像和DEM,为不同时相的影像提供空三处理前的控制点刺入方法。
杨立岩[9]（2018）在《多平台多源遥感测树因子提取技术与方法研究》文中指出森林资源调查与监测是国家森林资源管理与经营的数据支撑和重要依据,而测树仪器与测树方法是决定森林资源调查工作效率和数据质量的重要因素。目前现有测树仪器数据采集方式落后、成本高、内外业工作量大,而传统人工地面调查方法耗时费力,调查效率低,难以适应现代林业发展的要求。随着技术的进步,尤其是摄影测量技术、激光雷达扫描技术、遥感技术、无人机技术的快速发展,越来越多的林业工作者针对如何利用先进的技术方法快速高效获取森林资源调查信息进行了研究。本文根据森林资源调查和森林计测的不同需求,从地面、无人机、遥感卫星三种尺度应用多种平台设备获取不同数据源,从而对测树因子的科学提取展开研究。本文尝试改进传统森林资源调查信息获取技术,旨在为森林资源调查数据获取提供新途径,提高森林资源调查效率,降低调查成本,从而为实现森林资源调查的数字化、自动化、智能化、一体化提供理论基础和技术支撑。文章主要研究内容及结论归纳如下:（1）地面影像与激光雷达测树因子提取利用单片解算原理自主研发了单片激光摄影测树仪,实现了胸径、树高、林分结构参数的测定,经实验验证,胸径、树高测量平均绝对误差（Mean Absolute Error,MAE）分别为0.6cm和0.37m,精度分别为97.45%和97.18%,角尺度、大小比数测量精度分别为97.50%、97.14%,混交度测量结果与传统方法相同。利用CCD超站仪单像片解算和多像片拼接方法,实现了胸径、树高和材积的测定,并详细验证了影响仪器测量精度的因素,分别从仪器系统误差、距离和倾角、摄影模式等方面进行了验证和分析。经实验验证,利用本文使用型号的CCD超站仪进行树高和材积测量的精度分别为98.41%和98.01%,最优观测距离为15m,最优观测角度为0°。经过实验及分析,得出CCD超站仪进行立木材积测定的规则,即,在条件允许的情况下,应优先考虑增加观测距离,其次为调整观测角度,最后为增加像片数量。设计了一种3D地面标识球,提出了一种利用智能手机“环形摄影”进行森林样地任意连续摄影观测的方案,实现平坦林区的三维场景还原,进而能够提取林木的胸径、坐标位置。经分别对不同“环形”半径的单圈模式和组合模式的还原效果进行分析,认为采用半径为12m/8m的多路径组合方式为优选方案。经实验验证,实现了样地内树木位置还原,胸径测量平均绝对误差（MAE）为1.96cm,精度为90.27%。利用地基二维激光雷达扫描原理和即时定位与地图构建（SLAM）技术设计了一种低成本手持式二维激光雷达扫描测树仪,通过连续移动测量模式实现了林木树心坐标和株数密度测定,通过单站固定测量模式实现了林木胸径测定。经实验验证,测量林木坐标点位误差稳定小于5cm,胸径测量平均绝对误差（MAE）为1.06cm,精度为 96.20%。（2）无人机影像与激光雷达点云测树因子提取以黑龙江省苇河林业局万山林场和新兴林场为试验区,分别利用搭载普通数码相机和激光雷达传感器的多旋翼无人机系统进行航飞实验,获取研究区域的无人机高重叠率像片（航向重叠率为80%,旁向重叠率为60%）与高密度激光雷达点云（>50点/m2）。使用无人机激光点云实现了小班尺度下单木树高、冠幅、坐标位置等单木因子的提取和郁闭度、林分平均高、株数密度、叶面积指数、蓄积量等林分因子的提取。采用LiDAR360软件对激光雷达点云数据预处理,获得数字高程模型（Digital Elevation Model,DEM）、数字表面模型（Digital Surface Model,DSM）和冠层高度模型（Canopy Height Model,CHM）。分别利用基于CHM和基于点云的方法进行单木分割提取树高和冠幅等单木因子,通过对两种方法进行比较分析,两种方法单木分割正确率基本相当,基于CHM分割方法精度（低郁闭度针叶林平均F得分为0.94,中高郁闭度针叶林平均F得分为0.76,中高郁闭度阔叶林平均F得分为0.57）略优于基于点云分割方法（低郁闭度针叶林平均F得分为0.90,中高郁闭度针叶林平均F得分为0.70,中高郁闭度阔叶林平均F得分为0.55）;基于点云方法提取树高平均精度（95.38%）和冠幅平均精度（74.09%）优于基于CHM方法提取树高平均精度（90.42%）和提取冠幅平均精度（68.01%）。基于CHM利用高度阈值法提取样地树冠总面积,使用面积比值法提取样地林分郁闭度,基于点云提取点云高度、密度和强度的统计变量,并由高度变量建模获取林分平均高,利用基于比尔-朗伯定律方法提取叶面积指数,最后以点云高度、密度、强度统计变量、郁闭度和叶面积指数为自变量,利用多元线性逐步回归方法建立与蓄积量的回归关系,得到无人机激光雷达点云蓄积量最优估测模型为 lnM=0.4901nLAI+1.2261nh30+1.296,模型 R2为 0.84,RMSE 为 16.78m3/ha,rRMSE为 11.39%。使用无人机影像实现了小班尺度下单木树高、冠幅、坐标位置等单木因子的提取和郁闭度、株数密度、林分平均冠幅、林分平均高、蓄积量等林分因子的提取。利用高重叠率像片通过特征点提取、匹配和点云加密生成SfM密集点云,进而获得DOM、DSM、DEM和CHM。利用面向对象多尺度分割方法结合DOM与CHM进行单木分割,提取树高和冠幅。通过SfM点云与部分LiDAR地面点云结合生成的CHM提取林分郁闭度、林分平均高、林分平均冠幅,进而以样地平均CHM和郁闭度CC为自变量,建立林分平均高的非线性模型H=2.521CHM0.646CC-0.997,模型R2为0.722,RMSE为1.497m。最后,以林分平均高、平均冠幅、郁闭度、林分平均CHM为自变量,利用建立无人机影像蓄积量反演模型M=0.277H2629 C-0.423CC1.655,模型R2为0.737,RMSE 为 21.72m3/ha。（3）Landsat-8遥感影像反演蓄积量以无人机载LiDAR估测的蓄积量LiM为样本,结合Landsat-8遥感数据进行林场尺度的蓄积量反演。分别使用传统的多元线性逐步回归方法与随机森林和量子粒子群优化最小二乘支持向量机2种机器学习方法建立Landsat-8 OLI提取的特征变量与蓄积量LiM的外推反演模型。经实验验证,机器学习方法反演精度优于传统多元线性回归方法,最优森林蓄积量外推反演模型为随机森林,经检验样本验证得到随机森林模型的R2为0.75,RMSE为29.39m3/ha。以随机森林方法估测新兴林场蓄积量,并制作蓄积量分布图。本文针对三种不同尺度,应用多种平台设备获取不同数据源,实现测树因子的提取展开研究,对森林资源管理与经营具有较大现实意义。本文提出的主要技术方法对提高当前我国森林资源调查与监测技术水平、降低野外劳动强度和生产成本具有重要意义,对满足不同尺度、不同精度和不同成本预算的森林资源调查需求,实现森林资源调查信息的快速、高效获取或更新具有指导和借鉴意义。
杨柳[10]（2017）在《3D影像森林资源调查信息提取研究》文中研究指明森林资源调查与监测是森林经营与管理的基础,查清和落实好森林资源的数量和质量,是保障森林资源可持续发展的必要条件。但森林资源传统人工地面调查方式耗时耗力,效率较下,难以适应现代林业的要求。为此,本文对森林资源调查信息获取方式进行尝试性的改进,将3D影像应用于森林资源调查中,从地面、无人机和资源三号卫星三个尺度构建3D影像,分别探讨不同尺度3D影像森林资源调查信息获取能力,旨在降低森林资源调查成本,提高调查效率。为实现森林资源调查信息化、自动化、智能化和立体化奠定理论基础,为促进林业快速发展提供良好的技术支撑。主要结论如下:1)地面3D影像森林资源调查信息提取方面:采用普通数码相机,通过双片摄影获取研究区域的立体像对,利用编写的地面3D摄影测树软件,对立体像对影像进行量测分析,实现森林资源调查中单木胸径、可视树高和材积等测树因子的获取。通过与实测数据对比验证,立木平均胸径、可视树高和材积量测的判定系数依次为:0.816、0.827和0.734。提出利用智能手机获取立木三维点云,并进行森林资源调查参数提取的方法。通过智能手机环绕立木摄影拍照,采用Pix 4D软件对获取的影像结合手机自动记录的GPS坐标进行特征匹配和前方交会,恢复了林木的立体。在获取林木三维坐标的基础上实现了胸径和树高等森林特征参数的提取,与实测结果对比拟合,单木胸径和树高的判定系数依次为0.903和0.884,样地林木胸径判定系数为0.817。2)无人机3D影像森林资源调查信息提取方面:设计构建了基于固定翼无人机平台的遥感系统,对辽宁省本溪市老秃顶子林场进行航飞试验。在无人机上搭载SONY ILCE-7R数码相机,保证80%的航向重叠度和70%的旁向重叠度的条件下,对林场研究区进行摄影成像,获取高清数码影像和POS数据。采用PixelGrid软件对无人机影像进行预处理,获得空间分辨率为0.14米的数字表面模型（DSM）、数字正射影像（DOM）和数字高程模型（DEM）。以DEM为基础,提取老秃顶子林场的地形信息,在林种和地性线（山脊线和山谷线）控制下,利用面向对象分割提取法对老秃顶子林场进行了小班区划。利用监督分类和非监督分类的方法进行了林地信息提取,结果表明最大似然法林地提取精度最高为75%,最小距离分类法提取精度最低为65.89%。利用人工目视解译、eCognition面向对象提取法和改进分水岭法对树冠进行分割与提取。在人工目视解译树冠分割的基础上,结合地面调查数据,拟合得到胸径-冠幅模型和胸径-冠幅、树高模型,针叶林最佳模型依次为D=8.0424e0.1311k和D=0.569K+1.048H-1.156,阔叶林最佳模型依次为D=-3.016+6.578K-0.243K2和D=2.673K+1.011H-2.052。利用冠层模型法和树冠阴影法提取了树高,与树高实测值进行对比拟合,其判定系数分别为0.776和0.892。根据无人机影像中林木位置、树种类别和胸径大小,采用Voronoi多边形和Delaunay三角网进行林木空间结构信息提取,快速获取了大小比、混交度和角尺度信息,并与实测数据进行了对比分析。针对无人机影像,提出八边形微型样地的林分特征参数提取方法,结合实地调查数据和影像进行相关实验,并将其与50块角规样地调查数据进行对比拟合,林分平均高、平均胸径、株数密度和林分蓄积量判定系数分别为0.685、0.514、0.807和0.782。研究结果表明,八边形微型样地法可在中低郁闭度条件下利用无人机影像进行林分特征参数提取。3)资源三号卫星森林资源调查信息提取方面:以鹫峰林场资源三号卫星三线阵影像的前视和后视为数据源,在ENVI软件DEM Extraction模块下,构建立体像对,进行了相对定向、核线影像生成和绝对定向等操作,生成了数字表面模型DSM。对鹫峰林场的1:5000地形图进行扫描矢量化,采用Delaunay三角网方法内插生成DEM。在DSM和DEM的基础上生成数字冠层高度模型（DCHM）,首先,利用声峰林场森林资源二类调查数据中小班平均高与其进行对比分析,结果表明,植被冠层高度模型在总体上反映了鹫峰林场植被高度分布状况,其次,与103块角规地面调查数据的平均高进行对比拟合,结果表明决定系数为0.2701,精度较低。利用地形图矢量化得到的DEM数据,提取鹫峰林场的地形因子,并结合多光谱和全色影像提取的纹理因子和光谱因子,利用综合考虑光谱因子、纹理因子和地形因子的机器学习方法开展了鹫峰林场森林蓄积量估测研究。以上述三类因子中的46个参数为自变量,以地面角规样地实测蓄积量为因变量,进行偏相关分析,选取相关系数较高且通过F检验的12因子为建模因子,利用机器学习中的BP神经网络、粒子群优化最小二乘支持向量机和随机森林三种方法建立森林蓄积量估测模型,进行了建模和预测研究,结果表明:随机森林蓄积量建模模型中针叶林、阔叶林和混交林三种林型的判定系数都大于0.879,RMSE都小于6.4536m3/hm2,预测模型判定系数都大于0.808,RMSE均小于6.4562m3/hm2。随机森林蓄积量模型的建模精度和预测精度均明显高于另外两种模型。最后,以随机森林蓄积量估测模型为基础,对鹫峰林场蓄积量进行整体估测和空间分布制图,研究表明鹫峰林场总蓄积量为73850.52m3,蓄积量最大的地方主要集中于林场的中西部,林场北部地区蓄积量较低。综上所述,本文主要对地面、无人机和资源三号卫星三个不同尺度立体像对的生成方法和森林信息提取方法进行了研究,利用地面摄影测量构建的立体像对可以实现单木树高、胸径和材积信息的提取,运用无人机摄影测量构建的立体像对,可以生成DSM、DEM、DOM,实现单木或林分层次的森林资源调查信息提取,如冠幅、株数密度、郁闭度和林分平均高等信息的提取,还可进行林场级别的小班区划和林地信息提取。利用资源三号卫星提供的前视和后视数据,结合地形图矢量得到的DEM数据,可构建立冠层高度模型,实现林场冠层高度的估测。利用机器学习中的随机森林结合遥感影像中光谱因子、纹理因子、地形因子的方法可提高森林蓄积量估测精度,在森林资源调查中,综合考虑三种尺度3D影像的优缺点,可进行优势互补,极大地提高森林资源调查效率。
二、浅谈卫星遥感像片目视判读方法及在森林调查工作中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、浅谈卫星遥感像片目视判读方法及在森林调查工作中的应用（论文提纲范文）
（2）中国林业遥感发展历程（论文提纲范文）
| 1 引言 |
| 2 林业遥感发展的3个阶段 |
| 2.1 1951年—1980年：航空遥感像片为主的目视解译应用阶段 |
| 2.2 1981年—2000年：卫星遥感的开拓创新阶段 |
| 2.2.1 森林资源调查 |
| 2.2.2 湿地遥感监测 |
| 2.2.3 荒漠化遥感监测 |
| 2.2.4 森林火灾遥感监测 |
| 2.2.5 森林病虫害遥感监测 |
| 2.3 2001年—2020年：定量遥感发展和综合应用服务平台形成阶段 |
| 2.3.1 发展定量遥感技术与方法，推动遥感技术的深度与广度应用 |
| 2.3.2 突破遥感应用基础理论，促进定量遥感技术的快速发展和林业综合监测技术体系的形成 |
| 2.3.3 创新森林资源遥感关键技术，构建林业遥感综合应用服务平台 |
| 3 结语 |
（3）基于无人机影像点云的林分信息提取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外森林资源调查技术进展 |
| 1.2.2 国内外无人机航测技术发展 |
| 1.3 本章小结 |
| 2 研究内容与实验数据 |
| 2.1 研究内容及创新点 |
| 2.1.1 主要研究内容 |
| 2.1.2 技术路线图 |
| 2.1.3 主要创新点 |
| 2.2 研究区概况 |
| 2.2.1 自然地理概况 |
| 2.2.2 自然资源概况 |
| 2.2.3 研究区概况 |
| 2.3 无人机数据获取 |
| 2.3.1 无人机介绍 |
| 2.3.2 控制点布设 |
| 2.3.3 航线任务设计 |
| 2.3.4 地面样地实测 |
| 2.4 本章小结 |
| 3 无人机影像处理 |
| 3.1 POS数据介绍 |
| 3.1.1 POS系统工作原理 |
| 3.1.2 空中三角测量原理 |
| 3.1.3 坐标系统转换 |
| 3.2 影像数据处理 |
| 3.2.1 原数据整理 |
| 3.2.2 软件处理 |
| 3.3 影像产品介绍 |
| 3.3.1 5 D产品介绍 |
| 3.3.2 Sf M-MVS点云数据 |
| 3.4 本章总结 |
| 4 点云提取林分信息 |
| 4.1 实测数据 |
| 4.2 点云数据处理 |
| 4.2.1 数据预处理 |
| 4.2.2 DCM数据制作 |
| 4.2.3 单木分割 |
| 4.2.4 林分信息提取与分析 |
| 4.2.5 提取精度分析 |
| 4.3 本章小结 |
| 5 林分三量提取 |
| 5.1 构建胸径反演模型 |
| 5.1.1 数据相关性分析 |
| 5.1.2 一元、二元胸径预测反演模型 |
| 5.2 林分三量估算 |
| 5.2.1 蓄积量估算 |
| 5.2.2 生物量估算 |
| 5.2.3 碳储量估算 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果清单 |
| 致谢 |
（4）张库大道（内蒙古段）遥感考古调查与研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 研究综述 |
| 1.3 研究内容与方法 |
| 第2章 遥感考古的发展与应用 |
| 2.1 遥感考古在国内外的发展状况 |
| 2.1.1 遥感考古的起源与发展 |
| 2.1.2 遥感考古在中国的研究概况 |
| 2.1.2.1 研究成果综述与分析 |
| 2.1.2.2 研究机构 |
| 2.1.3 遥感考古在中国的应用 |
| 2.2 遥感考古的理论与展望 |
| 2.2.1 理论基础与技术方法 |
| 2.2.2 遥感考古的优势与展望 |
| 2.3 线性遗产对遥感考古调查的需求 |
| 2.3.1 线性遗产概念的由来和形成 |
| 2.3.2 我国线性遗产和万里茶道的申遗 |
| 2.3.3 线性遗产对遥感考古调查需求 |
| 第3章 张库大道的形成与变迁 |
| 3.1 张库大道的形成 |
| 3.1.1 草原丝绸之路与茶叶之路 |
| 3.1.2 中俄贸易 |
| 3.1.3 万里茶道与张库大道 |
| 3.2 张库大道的道路及变迁 |
| 3.2.1 张库大道的路况及运输工具 |
| 3.2.1.1 张库大道的路况 |
| 3.2.1.2 主要的运输工具 |
| 3.2.2 官马大道 |
| 3.2.3 张库商道 |
| 3.2.4 张库公路 |
| 3.2.4.1 商办汽车运输公司 |
| 3.2.4.2 筹办西北行驶汽车事宜处 |
| 3.3 张库大道的贸易兴衰 |
| 第4章 张库大道(内蒙古段)室内资料的收集与分析 |
| 4.1 张库大道(内蒙古段)区域概况 |
| 4.1.1 地形与水文 |
| 4.1.2 气候 |
| 4.2 张库大道(内蒙古段)的文献及地图资料收集 |
| 4.2.1 文献资料 |
| 4.2.1.1 官马大道 |
| 4.2.1.2 张库商道和张库汽车路 |
| 4.2.2 地图资料 |
| 第5章 张库大道(内蒙古段)遥感影像收集与解译 |
| 5.1 老地图的数字化及研究区域的确定 |
| 5.2 卫星影像的目视判读及分析 |
| 第6章 张库大道(内蒙古段)田野调查和GIS空间分析 |
| 6.1 张库大道(内蒙古段)田野调查与分析 |
| 6.2 伊林驿站田野发掘 |
| 6.2.1 伊林驿站 |
| 6.2.2 伊林驿站考古发掘 |
| 6.3 制图及GIS空间分析 |
| 6.3.1 张库大道路线图的绘制 |
| 6.3.2 张库大道线路的GIS空间分析 |
| 6.3.2.1 水资源分析 |
| 6.3.2.2 人口聚居情况分析 |
| 6.3.2.3 地势地貌分析 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（5）基于立体影像和机载LiDAR数据的地理国情地表覆盖信息提取技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 研究技术路线 |
| 1.5 论文结构 |
| 第二章 地表覆盖信息分类和提取概述 |
| 2.1 地表覆盖分类内容 |
| 2.2 地表覆盖对象特点分析 |
| 2.3 地表覆盖信息提取方法 |
| 2.4 地表覆盖信息采集要求 |
| 第三章 研究区数据源及数据预处理 |
| 3.1 研究区域概况 |
| 3.2 数据源介绍 |
| 3.2.1 立体影像 |
| 3.2.2 机载LiDAR及同期航摄影像 |
| 3.2.3 其他数据 |
| 3.3 数据预处理 |
| 3.3.1 影像预处理 |
| 3.3.2 LiDAR数据预处理 |
| 第四章 基于不同数据源的地表覆盖信息提取实验 |
| 4.1 基于立体影像的地表覆盖信息提取 |
| 4.1.1 数字摄影测量三维显示原理 |
| 4.1.2 构建立体影像 |
| 4.1.3 地表覆盖信息提取 |
| 4.2 基于机载LiDAR数据的地表覆盖信息提取 |
| 4.2.1 LiDAR数据提取地类信息原理 |
| 4.2.2 建立分类联合解译标志 |
| 4.2.3 地表覆盖信息提取 |
| 第五章 地表覆盖信息提取结果分析与生产技术流程构建 |
| 5.1 不同数据源提取结果的分析 |
| 5.1.1 立体影像提取结果分析 |
| 5.1.2 机载LiDAR提取结果分析 |
| 5.1.3 质量提升评价 |
| 5.1.4 应用潜力评价 |
| 5.2 生产技术流程构建 |
| 5.2.1 生产要求 |
| 5.2.2 生产技术流程 |
| 结论及展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
（6）基于高分辨率影像的单木定位技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究目的和意义 |
| 1.2 单木信息提取国内外研究现状 |
| 1.2.1 基于卫星高分辨率影像数据的单木信息提取 |
| 1.2.2 基于航空高分辨率影像数据的单木信息提取 |
| 1.2.3 基于LiDAR数据的单木信息提取 |
| 1.2.4 研究评述 |
| 1.3 研究目标与内容 |
| 1.4 本文结构安排 |
| 2 单木定位基础技术 |
| 2.1 实验平台 |
| 2.2 图像预处理 |
| 2.2.1 林木区域提取 |
| 2.2.2 灰度变换 |
| 2.2.3 阈值分割 |
| 2.2.4 腐蚀膨胀处理 |
| 2.3 树冠提取算法 |
| 2.3.1 分水岭分割算法 |
| 2.3.2 区域增长算法 |
| 2.4 单木定位信息提取及单木数据库建立 |
| 2.4.1 单木定位信息提取技术 |
| 2.4.2 单木数据库建立 |
| 3 单木定位技术方案 |
| 3.1 林木区域提取 |
| 3.2 单木冠幅提取 |
| 3.3 冠幅分割结果分析 |
| 3.4 参数调整 |
| 3.5 单木定位信息提取及单木数据库建立 |
| 3.6 总结及方案确定 |
| 4 基于校园高分辨率影像的单木定位实证分析 |
| 4.1 数据介绍 |
| 4.2 单木定位技术处理 |
| 4.3 结果分析 |
| 5 基于林区高分辨率影像的单木定位实证分析 |
| 5.1 数据介绍 |
| 5.2 单木定位技术处理 |
| 5.3 结果分析 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（7）林分因子测计关键技术研发与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 引言 |
| 1.1. 研究背景与意义 |
| 1.2. 国内外研究综述 |
| 1.2.1. 森林调查技术体系的发展 |
| 1.2.2. 林分观测技术的发展 |
| 1.2.2.1. 林分观测技术的四个阶段 |
| 1.2.2.2. 林分观测装备的研究现状 |
| 1.2.2.3. 林分信息化观测技术的研究现状 |
| 1.2.3. 林分抽样调查技术的发展 |
| 1.2.4. 林分生物量/碳储量预测技术的发展 |
| 1.3. 研究内容 |
| 1.3.1. 研究目标 |
| 1.3.2. 研究内容 |
| 1.3.3. 技术路线 |
| 1.3.4. 关键科学问题 |
| 1.4. 章节安排 |
| 1.5. 本章小结 |
| 2. 研究区概况 |
| 2.1 总体自然条件 |
| 2.1.1. 地理位置 |
| 2.1.2. 地形地貌 |
| 2.1.3. 水文条件 |
| 2.1.4. 气候条件 |
| 2.1.5. 植被条件 |
| 2.2. 总体社会经济 |
| 2.2.1. 人口及组成 |
| 2.2.2. 经济状况 |
| 2.3. 实验区概况 |
| 2.3.1. 平地实验区 |
| 2.3.2. 坡地实验区 |
| 2.4. 本章小结 |
| 3. 林分信息化观测技术 |
| 3.1. 信息化森林资源观测技术评述 |
| 3.2. 材料准备 |
| 3.2.1. 激光雷达设备 |
| 3.2.1.1. 硬件构成 |
| 3.2.1.2. 软件构成 |
| 3.2.1.3. 功能及参数 |
| 3.2.2. 摄影测量设备 |
| 3.2.2.1. 硬件构成 |
| 3.2.2.2. 核心硬件的设计与组装 |
| 3.2.2.3. 软件构成 |
| 3.2.2.4. 功能及参数 |
| 3.3. 精度检验指标 |
| 3.4. 地面激光雷达森林观测技术 |
| 3.4.1. 测量原理 |
| 3.4.2. 数据获取与处理 |
| 3.4.2.1. 数据获取 |
| 3.4.2.2. 数据预处理 |
| 3.4.2.3. 树木坐标提取 |
| 3.4.2.4. 树木胸径和树高提取 |
| 3.4.3. 实验结果与分析 |
| 3.4.3.1. 林分平坦地区验证 |
| 3.4.3.2. 林分山区验证 |
| 3.4.3.3. 讨论与结论 |
| 3.5. 地面摄影测量森林观测技术 |
| 3.5.1. 测量原理与方法 |
| 3.5.1.1. 单木常规测量 |
| 3.5.1.2. 单木高精度建模测量 |
| 3.5.1.3. 林分测量 |
| 3.5.2. 实验结果与分析 |
| 3.5.2.1. 单木常规测量验证 |
| 3.5.2.2. 单木高精度建模验证 |
| 3.5.2.3. 林分平坦地区验证 |
| 3.5.2.4. 林分山区验证 |
| 3.5.2.5. 讨论与结论 |
| 3.6. 本章小结 |
| 4. 林分微样地空间抽样技术 |
| 4.1. 林分微样地设计 |
| 4.2. 林分微样地建立方法 |
| 4.2.1. 微样地建立标准 |
| 4.2.2. 基于现场实测的微样地建立方法 |
| 4.2.3. 基于影像点云的微样地建立方法 |
| 4.3. 林分微样地观测原理 |
| 4.3.1. 林分因子计算原理 |
| 4.3.2. 林分微样地监测原理 |
| 4.3.3. 林分微样地检测原理 |
| 4.4. 精度检验指标 |
| 4.5. 实验验证与分析 |
| 4.5.1. 微样地布设基本情况 |
| 4.5.2. 微样地法与实测样地法对比 |
| 4.5.3. 点云微样地法与实测微样地法对比 |
| 4.5.4. 讨论分析 |
| 4.6. 本章小结 |
| 5. 林分生物量/碳储量动态预测技术 |
| 5.1. 模型研建思路 |
| 5.2. 研究数据采集与处理 |
| 5.2.1. 数据来源 |
| 5.2.1.1. 连续清查固定样地数据 |
| 5.2.1.2. 环境因子数据 |
| 5.2.2. 数据整理 |
| 5.2.2.1. 样地数据关联 |
| 5.2.2.2. 样地生物量计算 |
| 5.2.2.3. 建模因子筛选 |
| 5.2.3. 主要数据处理工具 |
| 5.3. 建模技术方法与评价 |
| 5.3.1. 样地数据划分 |
| 5.3.2. 模型评价指标 |
| 5.3.3. 林分生物量数理统计模型的建立方法 |
| 5.3.3.1. 建模因子标准化 |
| 5.3.3.2. 模型建立 |
| 5.3.3.3. 模型结果及精度评价 |
| 5.3.3.4. 分析与讨论 |
| 5.3.4. 林分生物量机器学习模型的建立方法 |
| 5.3.4.1. 数据整理 |
| 5.3.4.2. 模型建立方法 |
| 5.3.4.3. 模型结果与精度评价 |
| 5.3.4.4. 分析与讨论 |
| 5.4. 林分生物量/碳储量预测分析 |
| 5.4.1. 林分生物量预测 |
| 5.4.2. 林分碳储量预测 |
| 5.4.3. 不同建模方法的对比分析 |
| 5.5. 本章小结 |
| 6. 结论与展望 |
| 6.1. 结论 |
| 6.2. 技术对比 |
| 6.3. 创新点 |
| 6.4. 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（8）无人机影像地信产品制作及林分信息提取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 引言 |
| 1.1. 研究背景 |
| 1.2. 国内外研究现状 |
| 1.2.1. 国内外森林资源调查研究现状 |
| 1.2.2. 国内外无人机林业应用现状 |
| 1.3. 研究内容 |
| 1.3.1. 研究内容 |
| 1.3.2. 技术路线 |
| 1.3.3. 主要创新点 |
| 1.4. 本章小结 |
| 2. 地信产品介绍及制作 |
| 2.1. 4D产品 |
| 2.1.1. 数字正射影像(DOM) |
| 2.1.2. 数字高程模型(DEM) |
| 2.1.3. 数字栅格地图(DRG) |
| 2.1.4. 数字线画图(DLG) |
| 2.2. 影像点云 |
| 2.2.1. SfM-MVS技术方法简介 |
| 2.2.2. SfM-MVS点云特点 |
| 2.2.3. 影像匹配点云与机载激光点云比较 |
| 2.3. 地信产品制作基础数据准备 |
| 2.3.1. 坐标系统转换 |
| 2.3.2. 影像初期校正 |
| 2.4. 软件实现 |
| 2.4.1. 基于Pix4D |
| 2.4.2. 基于UASMaster |
| 2.5. 本章小结 |
| 3. 多时相影像高精度匹配 |
| 3.1. 所需基础数据及软件 |
| 3.1.1. 匹配基础数据 |
| 3.1.2. 软件系统介绍 |
| 3.2. 基础数据预处理 |
| 3.2.1. 裁切DOM |
| 3.2.2. DOM虚拟POS生成 |
| 3.2.3. DOM虚拟相机生成 |
| 3.3. 自动刺入像控点 |
| 3.3.1. 同名点匹配 |
| 3.3.2. 解算同名点 |
| 3.3.3. 刺入控制点 |
| 3.4. 高精度匹配 |
| 3.5. 本章小结 |
| 4. 林分信息提取 |
| 4.1. 基于影像的树木计数统计 |
| 4.1.1. 模板匹配算法 |
| 4.1.2. 处理过程 |
| 4.1.3. 结果与分析 |
| 4.2. 基于点云的林分信息提取 |
| 4.2.1. 点云数据预处理 |
| 4.2.2. 点云生成栅格数据 |
| 4.2.3. 单木分割 |
| 4.2.4. 林分信息提取 |
| 4.3. 本章小结 |
| 5. 结论与讨论 |
| 5.1. 结论 |
| 5.2. 讨论 |
| 参考文献 |
| 个人简介 |
| 导师简介1 |
| 导师简介2 |
| 获得成果目录 |
| 致谢 |
（9）多平台多源遥感测树因子提取技术与方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 引言 |
| 1.1. 研究背景与意义 |
| 1.2. 国内外研究现状 |
| 1.2.1. 森林资源调查体系与方法 |
| 1.2.2. 地面森林资源调查技术的发展 |
| 1.2.2.1. 地面调查方法与设备的发展 |
| 1.2.2.2. 地面摄影测量技术的发展 |
| 1.2.2.3. 地基激光雷达扫描技术的发展 |
| 1.2.3. 航空森林资源调查技术的发展 |
| 1.2.3.1. 航空摄影测量技术的发展 |
| 1.2.3.2. 机载激光雷达技术的发展 |
| 1.2.4. 遥感卫星森林资源调查技术的发展 |
| 1.3. 本章小结 |
| 2. 研究内容与研究区概况 |
| 2.1. 研究内容与技术路线 |
| 2.1.1. 研究内容 |
| 2.1.2. 技术路线 |
| 2.2. 论文章节安排 |
| 2.3. 研究区概况 |
| 2.3.1. 研究区概况 |
| 2.3.1.1. 鹫峰林场 |
| 2.3.1.2. 苇河林区 |
| 2.4. 本章小结 |
| 3. 地面摄影测量与激光雷达测树因子提取技术 |
| 3.1. 单片激光摄影测树仪测树因子提取 |
| 3.1.1. 仪器构成 |
| 3.1.2. 仪器功能及参数 |
| 3.1.3. 仪器检校 |
| 3.1.4. 仪器测量原理 |
| 3.1.4.1. 胸径测量原理 |
| 3.1.4.2. 树高测量原理 |
| 3.1.4.3. 林分空间结构参数测量原理 |
| 3.1.5. 功能验证分析 |
| 3.1.5.1. 胸径测量功能 |
| 3.1.5.2. 树高测量功能 |
| 3.1.5.3. 林分空间结构参数测量功能 |
| 3.2. CCD超站仪测树因子提取及立木材积精测 |
| 3.2.1. 仪器构成 |
| 3.2.2. 仪器系统检校 |
| 3.2.3. 仪器测量原理 |
| 3.2.3.1. 单片测树原理 |
| 3.2.3.2. 多像片测树原理 |
| 3.2.3.3. 观测精度评价方法 |
| 3.2.4. 实验验证与分析 |
| 3.2.4.1. 实验设计 |
| 3.2.4.2. 距离和倾角对测量精度的影响 |
| 3.2.4.3. 摄影模式对测量精度的影响 |
| 3.2.4.4. 立木精测精度分析 |
| 3.2.4.5. CCD超站仪立木材积最佳观测方案 |
| 3.3. 地面任意连续摄影测树因子提取 |
| 3.3.1. 测量原理 |
| 3.3.1.1. 立体像对解算原理 |
| 3.3.1.2. SfM三维重建原理 |
| 3.3.1.3. 测树因子提取原理 |
| 3.3.2. 实验方案设计 |
| 3.3.2.1. 3D地面标识球的设计 |
| 3.3.2.2. 材料准备 |
| 3.3.2.3. 实验流程设计 |
| 3.3.3. 实验验证与分析 |
| 3.4. 地基激光雷达点云测树因子提取 |
| 3.4.1. 仪器构成及详细参数 |
| 3.4.2. 地基激光雷达测量原理 |
| 3.4.3. 二维激光雷达点云测树因子提取 |
| 3.4.3.1. 树心坐标位置提取原理 |
| 3.4.3.2. 株数密度提取原理 |
| 3.4.3.3. 单站树木胸径测量原理 |
| 3.4.4. 实验验证 |
| 3.4.4.1. 树心坐标提取验证 |
| 3.4.4.2. 株数密度提取验证 |
| 3.4.4.3. 单站树木胸径提取验证 |
| 3.5. 本章小结 |
| 4. 无人机影像与激光雷达点云测树因子提取技术 |
| 4.1. 数据获取与预处理 |
| 4.1.1. 无人机影像数据获取与预处理 |
| 4.1.1.1. 无人机影像数据获取 |
| 4.1.1.2. 无人机影像数据预处理 |
| 4.1.2. 无人机LiDAR点云数据获取与预处理 |
| 4.1.3. 无人机影像与LiDAR点云数据配准 |
| 4.1.4. 地面调查数据获取与预处理 |
| 4.2. 无人机激光雷达点云测树因子提取技术 |
| 4.2.1. 激光雷达点云滤波与分类 |
| 4.2.2. 数字高程模型和数字表面模型生成 |
| 4.2.3. 无人机载激光雷达单木因子提取 |
| 4.2.3.1. 基于CHM的单木分割与单木因子提取 |
| 4.2.3.2. 基于点云的单木分割与单木因子提取 |
| 4.2.4. 无人机载激光雷达林分因子提取 |
| 4.2.4.1. 激光雷达点云数据统计变量 |
| 4.2.4.2. 郁闭度信息提取 |
| 4.2.4.3. 林分平均高的提取 |
| 4.2.4.4. 叶面积指数提取 |
| 4.2.4.5. 林分蓄积量的提取 |
| 4.3. 无人机影像测树因子提取技术 |
| 4.3.1. 无人机影像单木因子提取 |
| 4.3.1.1. 无人机影像数据的单木分割 |
| 4.3.1.2. 单木树高与冠幅提取 |
| 4.3.2. 无人机影像林分因子提取 |
| 4.3.2.1. 郁闭度信息提取 |
| 4.3.2.2. 林分株数密度与平均冠径 |
| 4.3.2.3. 林分平均高 |
| 4.3.2.4. 林分蓄积量 |
| 4.4. 本章小结 |
| 5. 森林蓄积量遥感外推反演技术 |
| 5.1. Landsat-8遥感数据获取与预处理 |
| 5.1.1. 遥感数据获取 |
| 5.1.2. 遥感数据预处理 |
| 5.1.2.1. 辐射定标与大气校正 |
| 5.2. 建模因子提取与特征选择 |
| 5.2.1. 建模因子提取 |
| 5.2.1.1. 光谱因子 |
| 5.2.1.2. 纹理因子 |
| 5.2.2. 建模因子选择 |
| 5.2.2.1. 相关性分析 |
| 5.2.2.2. 特征选择 |
| 5.3. 森林蓄积量反演 |
| 5.3.1. 蓄积量反演模型原理及方法 |
| 5.3.1.1. 多元线性逐步回归(MLR) |
| 5.3.1.2. 随机森林(RF) |
| 5.3.1.3. 量子粒子群优化最小二乘支持向量机(QPSO-LSSVM) |
| 5.3.2. 建模样本及模型评价方法 |
| 5.3.3. 基于Landsat-8数据的蓄积量反演结果 |
| 5.3.3.1. 基于MLR的蓄积量估测结果 |
| 5.3.3.2. 基于RF的蓄积量估测结果 |
| 5.3.3.3. 基于QPSO-LSSVM的蓄积量估测结果 |
| 5.3.4. 基于不同反演方法估测结果比较 |
| 5.4. 本章小结 |
| 6. 结论与展望 |
| 6.1. 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（10）3D影像森林资源调查信息提取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 森林资源调查 |
| 1.2.2 地面摄影测量 |
| 1.2.3 航空摄影测量 |
| 1.2.4 卫星摄影测量与森林蓄积量估测 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文章节安排 |
| 2 3D影像森林资源调查应用与实验方案设计 |
| 2.1 森林资源调查体系与内容 |
| 2.1.1 森林资源一类调查 |
| 2.1.2 森林资源二类调查 |
| 2.1.3 森林资源三类调查 |
| 2.2 3D影像概述 |
| 2.3 3D影像森林资源调查应用 |
| 2.4 实验方案设计与研究区概况 |
| 2.4.1 实验方案设计 |
| 2.4.2 研究区概况 |
| 2.4.2.1 鹫峰林场 |
| 2.4.2.2 老秃顶子林场 |
| 2.5 本章小结 |
| 3 地面3D影像测树因子信息提取 |
| 3.1 地面3D摄影原理 |
| 3.2 普通数码相机摄影获取测树因子 |
| 3.3 智能手机三维点云测树信息提取 |
| 3.3.1 单木三维点云森林参数信息提取 |
| 3.3.2 样地三维点云森林参数信息提取 |
| 3.4 本章小结 |
| 4 无人机3D影像构建与森林资源调查信息提取 |
| 4.1 无人机影像获取与预处理 |
| 4.1.1 无人机影像获取 |
| 4.1.2 无人机影像预处理 |
| 4.2 无人机3D影像森林资源调查信息提取 |
| 4.2.1 地形信息提取 |
| 4.2.2 森林小班区划 |
| 4.2.3 林地信息提取 |
| 4.2.4 单木信息提取 |
| 4.2.4.1 冠幅信息提取 |
| 4.2.4.2 胸径冠幅模型 |
| 4.2.4.3 胸径-冠幅、树高模型 |
| 4.2.4.4 树高信息提取 |
| 4.2.5 林分特征参数信息提取 |
| 4.2.5.1 郁闭度信息提取 |
| 4.2.5.2 株数密度信息提取 |
| 4.2.5.3 林分空间结构信息提取 |
| 4.2.5.4 八边微形样地林分特征参数提取 |
| 4.3 本章小结 |
| 5 资源三号卫星DCHM构建与森林蓄积量反演 |
| 5.1 资源三号卫星概述 |
| 5.2 森林冠层高度模型的构建 |
| 5.2.1 资源三号卫星3D影像建立 |
| 5.2.2 地形图矢量化DEM生成 |
| 5.2.3 植被冠层高度模型建立与精度验证 |
| 5.3 资源三号卫星多光谱影像森林蓄积量反演 |
| 5.3.1 建模因子获取 |
| 5.3.1.1 地面调查数据 |
| 5.3.1.2 光谱因子 |
| 5.3.1.3 纹理因子 |
| 5.3.1.4 地形因子 |
| 5.3.2 建模因子分析 |
| 5.3.3 机器学习蓄积量反演模型构建 |
| 5.3.3.1 BP神经网络蓄积量模型 |
| 5.3.3.2 粒子群优化最小二乘支持向量机蓄积量模型 |
| 5.3.3.3 随机森林蓄积量模型 |
| 5.3.4 森林蓄积量模型对比 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
四、浅谈卫星遥感像片目视判读方法及在森林调查工作中的应用（论文参考文献）
- [1]中国森林资源调查:历史、现状与趋势[J]. 李春干,代华兵. 世界林业研究, 2021(06)
- [2]中国林业遥感发展历程[J]. 李增元,陈尔学. 遥感学报, 2021(01)
- [3]基于无人机影像点云的林分信息提取研究[D]. 田艺. 北京林业大学, 2020(04)
- [4]张库大道（内蒙古段）遥感考古调查与研究[D]. 任君宇. 内蒙古师范大学, 2020(08)
- [5]基于立体影像和机载LiDAR数据的地理国情地表覆盖信息提取技术研究[D]. 李小飞. 长安大学, 2020(06)
- [6]基于高分辨率影像的单木定位技术研究[D]. 赵汉钦. 北京林业大学, 2019(04)
- [7]林分因子测计关键技术研发与应用[D]. 刘金成. 北京林业大学, 2019(04)
- [8]无人机影像地信产品制作及林分信息提取研究[D]. 王明明. 北京林业大学, 2018(04)
- [9]多平台多源遥感测树因子提取技术与方法研究[D]. 杨立岩. 北京林业大学, 2018(04)
- [10]3D影像森林资源调查信息提取研究[D]. 杨柳. 北京林业大学, 2017(04)