-
公开(公告)号：CN119832414A
公开(公告)日：2025-04-15
申请号：CN202411811210.9
申请日：2024-12-10
Applicant: 南京林业大学
Abstract: 本发明公开一种天然林下植被层识别及其生物量估测方法，属于林分调查技术领域，针对现有技术中简单的统一高度阈值进行植被层划分，并没有考虑林下植被在高度上的变化，不利于林下植被层的准确识别的问题，本发明分析森林冠层点云剖面，基于剖面统计函数构建分界点，自动识别林下植被层；提取多组林下植被层LiDAR点云特征，并进行特征变量优选和建模，高精度地估测林下植被层生物量。本发明考虑了林下植被在垂直和水平上的分布变异，故增强了林下植被层识别的能力和精度。可从根本上增加点云数据的冠层空间结构的刻画能力，进而提高林下植被层识别及其生物量的估算精度。
-
公开(公告)号：CN110580468B
公开(公告)日：2023-07-18
申请号：CN201910856188.2
申请日：2019-09-10
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于影像匹配点云的单木结构参数提取的方法。该方法包括以下步骤：对需要测量的单木环绕拍摄，获取单木的多重叠度影像；采用图像密集匹配的方法对重叠度高的照片进行拼接，然后采用空三加密的方法生成密集点云，获得单木的三维点云数据；接着将点云数据进行去噪处理并进行地面点分类，根据地面点进行归一化处理，生成数字表面模型DSM；在生成的DSM上直接对单木进行测量，获得单木结构所需的参数，并与实际测量的结果进行对比分析及精度评价。该方法通过非接触测量，更加方便快捷，大大缩短了人工时间和资金支出。通过本发明对单木结构参数提取测量，与使用其他相近遥感方法进行分类相比，其总体精度提升了5％以上。
-
公开(公告)号：CN115880487A
公开(公告)日：2023-03-31
申请号：CN202111137023.3
申请日：2021-09-27
Applicant: 南京林业大学
IPC: G06V10/26 , G06V20/70 , G06V20/10 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明公开了基于深度学习方法的林木激光点云枝叶分离方法，包括获取林木激光点云数据；将去燥后的激光点云数据分为地上点和地面点；采用机器学习算法以及人工修正方式对地上点进行枝叶分离操作，对已进行枝叶分离操作的地上点进行体素化剖分；将已经进行枝叶分离操作和体素化剖分的点云数据作为训练样本数据集，并采用数据增广的方法对训练样本数据集进行扩增，采用扩增后的训练样本数据集对深度学习网络开展训练，得到训练好的深度学习网络模型；通过训练好的深度学习网络模型中，实现体素内的点云数据的枝叶分离。本发明通过构造的深度学习网络模型可更有效地提取林木点云的全局与局部特征信息，实现点云枝叶分离，准确率高，稳定性好。
-
公开(公告)号：CN109446986B
公开(公告)日：2021-09-24
申请号：CN201811263570.4
申请日：2018-10-28
Applicant: 南京林业大学
Abstract: 本发明公开了一种面向树木激光点云的有效特征抽取与树种识别方法，包括：获取目标树的全覆盖点云数据；对目标树的全覆盖点云数据进行降噪处理以去除异常点；根据降噪后获得的点云数据分别分析目标树的三种类别的树木特征；抽取基于树木相对聚类特征的最优特征参数组；抽取基于点云分布特征的最优特征参数组；抽取基于树木表观特征的最优特征参数组；将三种类别的树木特征的最优特征参数组进行组合并作为变量输入到SVM分类器中进行树种分类。本发明达到了较高的树种分类精度，为获得更准确的森林树种分布提供了强有力的工具，减少了野外实体调查的高成本、费时、费力，减少了人工判读带来的误差。
-
公开(公告)号：CN112819830A
公开(公告)日：2021-05-18
申请号：CN202110092586.9
申请日：2021-01-24
Applicant: 南京林业大学
Abstract: 本发明公开一种基于深度学习与机载激光点云的单株树冠分割方法，包括获取研究场地的点云数据；将去噪后的点云数据分为地上点和地面点；提取地上点中单株树木点云，将不同树木划分在不同的体素内；构造训练样本数据集；对PointNet深度神经网络开展训练；将待测场地的地上点通过体素化的方法细分为多个体素，将体素内点云数据转换为PointNet所需格式后，输入到训练好的PointNet模型内，识别出树的每个体素中的点云；将每个体素DSM的梯度信息结合惯性动量梯度的方法定位树冠的边界点，根据边界点勾勒出分割的树冠。本发明在体素尺度上识别树木，并结合高度相关的梯度信息来完成单株树冠的划定，单株树冠分割精确较高。
-
Patent Agency Ranking
公开(公告)号：CN108981616B
公开(公告)日：2020-06-30
申请号：CN201810930500.3
申请日：2018-08-15
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于无人机激光雷达经验模型反演人工林有效叶面积指数的方法，属于森林资源调查、森林立地质量评价和森林生产力估测研究领域。本发明将无人机激光雷达原始点云数据进行归一化处理，从归一化点云数据中提取冠层结构特征变量，结合地面实测数据和提取的特征变量，在筛选特征变量的基础上利用统计模型法对研究区内样地尺度的有效叶面积指数进行估测。本发明通过获取无人机激光雷达点云并提取冠层特征变量，并结合地面实测数据，获取特定范围的“面”上连续分布的有效叶面积指数的效率和精度都比较高，通过本发明对人工林有效叶面积指数进行提取，与使用其他相近遥感方法相比，其决定系数提升了5％以上。
-
公开(公告)号：CN108921885B
公开(公告)日：2020-05-12
申请号：CN201810878353.X
申请日：2018-08-03
Applicant: 南京林业大学
Abstract: 本发明公开一种综合高分辨率CCD数据、高光谱影像数据和激光雷达点云数据联合反演森林地上生物量的方法，具体地说，是指一种首先对机载高分辨率CCD影像进行几何校正、拼接预处理，对高光谱影像进行几何校正、大气校正预处理，对激光雷达点云数据进行滤波，插值生成数字地形模型，点云数据归一化处理；然后分别基于预处理后的三个数据源提取纹理特征、光谱特征和点云结构特征；最后，结合地面实测数据和提取的特征变量分别构建模型以预测森林地上生物量的方法。本发明对亚热带天然次生林的森林地上生物量进行提取，与使用其他相近遥感方法进行地上生物量估算结果相比，其相对均方根误差降低了10％以上。
-
公开(公告)号：CN105913017A
公开(公告)日：2016-08-31
申请号：CN201610219260.7
申请日：2016-04-08
Applicant: 南京林业大学
IPC: G06K9/00
CPC classification number: G06K9/00657 , G06K2009/00644
Abstract: 本发明公开了一种基于同期双高分辨率遥感影像的森林生物量估算方法，以江苏南部丘陵地区的亚热带天然次生林为方法实施对象，基于同期获得的机载双高分辨率遥感影像数据，首先通过面向对象分割方法进行单木冠幅提取，然后提取5组高光谱特征变量和7个单木冠幅结构统计变量，通过构建多元回归模型估算生物量，最后通过交叉验证法评价模型的精度。该方法是在模型参数已经确定的情况下，随机选取所有样地中的一个样地作为验证样地，而其余样地进行建模，利用拟合得到的模型对随机选取的样地进行验证，循环往复，直至所有样地都验证完毕。充分挖掘同期双高分辨率遥感影像特征从而更加精确地估算森林生物量。
-
公开(公告)号：CN105913016A
公开(公告)日：2016-08-31
申请号：CN201610219051.2
申请日：2016-04-08
Applicant: 南京林业大学
IPC: G06K9/00
CPC classification number: G06K9/00657 , G06K2009/00644
Abstract: 本发明公开了一种通过条带LiDAR数据升尺度估算森林生物量的方法，以江苏南部丘陵地区的亚热带天然次生林为方法实施对象，首先从LiDAR条带数据中提取9个特征变量并与地面估算的生物量结合反演条带内的生物量连续分布信息；然后，在条带反演结果区域内采样并与覆盖整个研究区域的Landsat OLI影像特征变量结合，从而升尺度估算整个研究区域的生物量。从而在充分挖掘遥感数据特征信息的基础上，通过一个条带的LiDAR数据在降低林场级生物量估算成本的同时，也提升了遥感方法在该尺度上的生物量估算精度。
-
公开(公告)号：CN104155638B
公开(公告)日：2016-05-18
申请号：CN201410259589.7
申请日：2014-06-11
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于LiDAR伪垂直波形模型的树种分类方法，包括：1）使用机载小光斑全波形LiDAR传感器进行数据采集，获得完整波形信息，采样间隔为1ns；2）LiDAR波形数据预处理；3）通过波形结构化分解和综合波形重组构建伪垂直波；4）单木分割和信息综合；5）在单木范围内汇总点云属性并计算综合波形特征参数；6）使用支持向量机分类器进行树种分类。该树种分类方法，能增强获取的LiDAR能量信号，在单木分割基础上，从多个维度提取综合波形特征变量，实现了通过单一数据源获取并提升亚热带森林的树种分类精度，可以更好地反映该森林类型中主要树种的时空变异，经实验验证结果表明，与其他使用LiDAR进行树种分类的方法相比总体精度提升10%；Kappa系数提升0.1。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.041 seconds)
