基于激光雷达与光学遥感的输电线路通道树高反演方法技术

本发明专利技术涉及一种基于激光雷达与光学遥感的输电线路通道树高反演方法，属于遥感技术领域。该方法包括数据预处理、树木分类、植被指数相关性分析、构建不同种类的机器学习模型、训练各类机器学习模型、评估各种模型、树高预测等步骤。本发明专利技术方法相比于用单一的遥感数据对输电线路通道树高进行反演，本发明专利技术方法采用大光斑激光雷达与光学遥感数据联合，能充分发挥多源遥感的优势，且对不同种类的树木分别构建树高反演模型，能实现更高精度的树高反演效果。

【技术实现步骤摘要】
基于激光雷达与光学遥感的输电线路通道树高反演方法
本专利技术属于遥感
，具体涉及一种基于激光雷达与光学遥感的输电线路通道树高反演方法。
技术介绍
随着高空间分辨率遥感影像、雷达以及激光雷达数据的不断涌现，遥感技术在电力设备巡检方面的应用由最初的信息提取，障碍类型识别方面向更加精细的方向发展，已经开始用于输电线路通道走廊森林参数提取研究。其中树高是一个重要的树障因子，是决定输电线路通道树木隐患的重要因素。对于光学遥感的多光谱影像以及高光谱影而言，通过提取影像各波段的反射率、植被指数、纹理因子等变量，采用皮尔逊相关系数法提取与树高相关性高的波段或变量，建立传统的回归模型是比较常见的方法。激光雷达是近年来迅速发展的主动遥感技术，对于森林具有很强的穿透能力，在森林垂直结构信息提取方面相比于光学遥感而言具有显著的优势，为了同时获取森林的水平和垂直结构信息，结合激光雷达与光学遥感数据的森林参数反演方法得到了快速的发展，成为了近年的研究热点。近年来，冠幅树高模型的研究受到了国内外的关注，研究表明冠幅与树高有着良好的数学关系。然而更多的只是从光学遥感中提取出冠幅进行单一的分析，或者运用激光雷达GLAS数据来反演树高，没有充分利用光学遥感中的植被指数与树高之间的关系对树木进行具体的分类后再建立不同种类树木的机器学习树高预测模型，因而树高预测的精度还有进一步提升的空间。
技术实现思路
本专利技术的目的是针对现有树高预测方面的不足，提出了一种基于激光雷达与光学遥感的输电线路通道树高反演方法，所述方法能联合激光雷达与光学遥感数据的优势对不同种类树木分别建立各自的最优机器学习预测模型，有效提升了树高预测的精度，对于输电线路通道的树障安全隐患可以起到更加精确的预防监测作用。为实现上述目的，本专利技术采用的技术方案如下：基于激光雷达与光学遥感的输电线路通道树高反演方法，包括以下步骤：步骤1、获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据；步骤2、对原始GLAS数据以及光学遥感影像数据进行预处理及归一化；步骤3、从归一化后的GLAS波形数据中提取出波形特征参数，从归一化后的ASTERGDEM数据中提取出地形特征参数，从归一化后的光学遥感影像数据中提取出树木的各类植被指数，根据各类植被指数运用支持向量机的方法将树木分成不同的种类，所述的种类包括乔木、灌木和针叶树类；步骤4、运用面向对象的遥感影像分析法从遥感影像中提取出输电线路通道树木的冠幅，并建立实测冠幅与影像提取冠幅之间的线性回归模型，从而通过提取影像冠幅进而反演出实测冠幅；步骤5、对不同的植被指数与树高进行相关性分析，并对数据集进行划分，划分出训练集和测试集；步骤6、构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型，将划分出的训练集输入到上述4个机器学习模型中进行学习；对构建的模型进行精度验证，对模型建模和验证的精度采用决定系数R2和均方根误差RMSE两个指标来评价，对于每种树木，选择R2最接近1，且RMSE最小的模型作为该树木用于反演树高的最优模型；若出现一个模型R2最接近1，另外一个模型RMSE最小的情况时，则选择最接近1的模型作为该树木用于反演树高的最优模型；之后采用该最优模型进行反演树高。进一步，优选的是，步骤1中，收集实测数据的样方为450个，每个样方的半径为8m。进一步，优选的是，所述步骤2的具体过程为：从激光雷达GLAS数据中提取全波形数据后，对波形依次进行解压缩、电压值转换、波形平滑和噪声估计的预处理；对光学遥感数据依次进行大气校正、几何纠正、影像裁剪和影像镶嵌的预处理；检查GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据中是否存在重复观测、缺失值、异常值，若存在重复值将重复值删除，缺失值和异常值用均值进行填充，并对数据进行处理使其接近正态分布；运用零均值归一化方法对所有经过预处理后的数据进行归一化处理，将原始数据映射到均值为0、标准差为1的分布上。进一步，优选的是，对数据进行处理使其接近正态分布的方法为：当数据出现右偏时对所有数据取对数，当数据出现左偏时先对数据取相反数之后再取对数。进一步，优选的是，所述步骤3的具体过程为：步骤3.1、采用高斯分解方法从GLAS波形数据中提取出波形长度、波形前缘长度和波形后缘长度；步骤3.2、利用ASTERGDEM提取3×3窗口的地形指数以及地形标准差；步骤3.3、植被指数的获取：对不同波段的反射率进行数学运算，从而形成一些表征植被参数的值即为植被指数，具体数学计算方法如表1所示：表1植被指数计算公式归一化植被指数(NDVI)NDVI＝(NIR-R)/(NIR+R)差值植被指数(DVI)DVI＝NIR-R增强性植被指数(EVI)EVI＝2.5(NIR-R)/(NIR+6R-7.5B+1)归一化差异绿度植被指数(NDGI)NDGI＝(G-R)/(G+R)比值植被指数(RVI)R800/R670简单比值指数(SR)NIR/R三角形植被指数(TVI)0.5[120(NIR-G)-200(R-G)]其中，NIR表示近红外波段，R表示可见光红波段，G表示可见光绿波段，B表示可见光蓝波段，R800、R670分别表示波段为800nm和670nm的可见光红波段；步骤3.4、树木的分类：将上述植被指数作为特征变量运用支持向量机的方法对树木进行分类。进一步，优选的是，所述步骤4的具体过程为：步骤4.1、运用均值漂移算法(MeanShift)，将空间特征带宽hs设为10，颜色特征带宽hr设为6，最少区域面积M设为20，从遥感影像中提取出树木的冠幅，之后运用边界平滑算法对提取的冠幅进行平滑处理；步骤4.2、建立实测冠幅与影像冠幅之间的一元线性回归模型，运用随机梯度下降的方法求解回归系数，当迭代次数大于20000时停止迭代。进一步，优选的是，所述步骤5的具体过程为：步骤5.1、所用的相关性分析方法为皮尔逊相关性分析，逐个分析每个植被指数与树高之间相关性程度，通过估算样本的协方差和标准差，可得到样本皮尔逊系数，皮尔逊系数计算公式如下：其中r为皮尔逊相关系数，Xi，i＝1,2,3……代表植被指数，Yi，i＝1,2,3……为树高，为植被指数样本的平均值，为树高的平均值；根据皮尔逊相关系数界值表，n＝60时，当|r|>0.250时，表示在0.05水平上显著，|r|>0.325时，表示在0.01水平上显著，|r|>0.408时，表示在0.001水平上显著；将|r|>0.408的植被指数用于后本文档来自技高网...

【技术保护点】
1.基于激光雷达与光学遥感的输电线路通道树高反演方法，其特征在于，包括以下步骤：/n步骤1、获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据；/n步骤2、对原始GLAS数据以及光学遥感影像数据进行预处理及归一化；/n步骤3、从归一化后的GLAS波形数据中提取出波形特征参数，从归一化后的ASTERGDEM数据中提取出地形特征参数，从归一化后的光学遥感影像数据中提取出树木的各类植被指数，根据各类植被指数运用支持向量机的方法将树木分成不同的种类，所述的种类包括乔木、灌木和针叶树类；/n步骤4、运用面向对象的遥感影像分析法从遥感影像中提取出树木的冠幅，并建立实测冠幅与影像提取冠幅之间的线性回归模型，从而通过提取影像冠幅进而反演出实测冠幅；/n步骤5、对不同的植被指数与树高进行相关性分析，并对数据集进行划分，划分出训练集和测试集；/n步骤6、构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型，将划分出的训练集输入到上述4个机器学习模型中进行学习；对构建的模型进行精度验证，对模型建模和验证的精度采用决定系数R

【技术特征摘要】
1.基于激光雷达与光学遥感的输电线路通道树高反演方法，其特征在于，包括以下步骤：
步骤1、获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据；
步骤2、对原始GLAS数据以及光学遥感影像数据进行预处理及归一化；
步骤3、从归一化后的GLAS波形数据中提取出波形特征参数，从归一化后的ASTERGDEM数据中提取出地形特征参数，从归一化后的光学遥感影像数据中提取出树木的各类植被指数，根据各类植被指数运用支持向量机的方法将树木分成不同的种类，所述的种类包括乔木、灌木和针叶树类；
步骤4、运用面向对象的遥感影像分析法从遥感影像中提取出树木的冠幅，并建立实测冠幅与影像提取冠幅之间的线性回归模型，从而通过提取影像冠幅进而反演出实测冠幅；
步骤5、对不同的植被指数与树高进行相关性分析，并对数据集进行划分，划分出训练集和测试集；
步骤6、构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型，将划分出的训练集输入到上述4个机器学习模型中进行学习；对构建的模型进行精度验证，对模型建模和验证的精度采用决定系数R2和均方根误差RMSE两个指标来评价，对于每种树木，选择R2最接近1，且RMSE最小的模型作为该树木用于反演树高的最优模型；若出现一个模型R2最接近1，另外一个模型RMSE最小的情况时，则选择最接近1的模型作为该树木用于反演树高的最优模型；之后采用该最优模型进行反演树高。


2.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法，其特征在于，步骤1中，收集实测数据的样方为450个，每个样方的半径为8m。


3.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法，其特征在于，所述步骤2的具体过程为：
从激光雷达GLAS数据中提取全波形数据后，对波形依次进行解压缩、电压值转换、波形平滑和噪声估计的预处理；
对光学遥感数据依次进行大气校正、几何纠正、影像裁剪和影像镶嵌的预处理；
检查GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据中是否存在重复观测、缺失值、异常值，若存在重复值将重复值删除，缺失值和异常值用均值进行填充，并对数据进行处理使其接近正态分布；
运用零均值归一化方法对所有经过预处理后的数据进行归一化处理，将原始数据映射到均值为0、标准差为1的分布上。


4.根据权利要求3所述的基于激光雷达与光学遥感的输电线路通道树高反演方法，其特征在于，对数据进行处理使其接近正态分布的方法为：当数据出现右偏时对所有数据取对数，当数据出现左偏时先对数据取相反数之后再取对数。


5.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法，其特征在于，所述步骤3的具体过程为：
步骤3.1、采用高斯分解方法从GLAS波形数据中提取出波形长度、波形前缘长度和波形后缘长度；
步骤3.2、利用ASTERGDEM提取3×3窗口的地形指数以及地形标准差；
步骤3.3、植被指数的获取：对不同波段的反射率进行数学运算，从而形成一些表征植被参数的值即为植被指数，具体数学计算方法如表1所示：
表1








植被指数
计算公式


归一化植被指数(NDVI)
NDVI＝(NIR-R)/(NIR+R)


差值植被指数(DVI)
DVI＝NIR-R


增强性植被指数(EVI)
EVI＝2.5(NIR-R)/(NIR+6R-7.5B+1)


归一化差异绿度植被指数(NDGI)
NDGI＝(G-R)/(G+R)


比值植被指数(RVI)
R800/R670


简单比值指数(SR)
NIR/R


三角形植被指数(TVI)
0.5[120(NIR-G)-200(R-G)]






其中，NIR表示近红外波段，R表示可见光红波段，G表示可见光绿波段，B表示可见光蓝波段，R800、R670分别表示波段为800nm和670nm的可见光红波段；
步骤3.4、树木的分类：将上述植被指数作为特征变量运用支持向量机的方法对树木进行分类。


6.根据权利要求1所述的基于激光雷达与光学遥感的输电线路通道树高反演方法，其特征在于，所述步骤4的具体过程为：
步骤4.1、运用均值漂移算法，将空间特征带宽hs设为10，颜色特征带宽hr设为6，最少区域面积M设为20，从遥感...

【专利技术属性】
技术研发人员：张辉，段尚琪，王致，黄双得，王胜伟，葛兴科，陈海东，胡昌斌，赵小萌，宋庆，
申请(专利权)人：云南电网有限责任公司昆明供电局，
类型：发明
国别省市：云南;53