基于星载光子计数激光雷达的森林冠层高度提取方法技术

本发明专利技术涉及基于星载光子计数激光雷达的森林冠层高度提取方法，属于光子点云数据处理技术领域。本发明专利技术包括步骤：首先进行光子点云数据的信号和噪声数据的准确划分；然后基于分离出的信号数据，采用局部地形的迭代滤波算法拟合地面曲线，并通过梯度下降法的突变检测和EMD的分解与重构功能对伪地面点进行剔除，达到准确识别地面点与非地面点数据的目的；最后采用动态分箱统计方法从非地面点中提取冠顶点，根据冠顶点与地面点的高程差来计算冠层高度。本发明专利技术实现不同地形场景的信号和噪声的精确分割并确定噪声阈值；在保证地面信号不失真前提下进一步滤除伪地面点和调整冠顶点，大幅度提升了树高提取精度。度提升了树高提取精度。度提升了树高提取精度。

【技术实现步骤摘要】
基于星载光子计数激光雷达的森林冠层高度提取方法


[0001]本专利技术涉及基于星载光子计数激光雷达的森林冠层高度提取方法，属于光子点云数据处理


技术介绍

[0002]近年来温室效应及全球气候变暖日益严峻，森林生态系统由于其稳定的固碳能力而受到国际社会的广泛关注。因此，开展森林生态系统的碳分布及碳汇估算对研究全球气候变化进程具有实质性意义。其中，森林冠层高度作为森林垂直结构参数的重要部分，在森林碳储量估算中发挥着不可或缺的作用。作为新型星载多波束微脉冲光子计数激光雷达，ICESat
‑
2/ATLAS可提供窄带状高程剖面点云，通过冠顶及地面光子的精确识别可提取较高精度的森林垂直结构参数
[7]。ATLAS减小了光斑直径，提升了沿轨采样密度，相比ICESat
‑
1全波形数据在一定程度上减小了地形的影响。然而，ICESat
‑
2光子数据自身脉冲信号较弱，在返回信号时极易受太阳背景噪声等干扰，形成密集且均匀的场景噪声。因此如何对光子点云数据进行准确去噪，并在不同地形条件下均能提取较高精度的森林冠层高度成为研究的重点和难点。
[0003]目前很多的光子点云数据处理方法是基于ICESat
‑
2机载模拟试验数据来进行开发的，如多波束激光雷达据(Multiple Altimeter Beam Experimental Lidar,MABEL)、多极化光子计数激光雷达数据(Slope Imaging Multi
‑
polarization Photon
‑
counting Lidar,SIMPLE)、Sigma Space和MATLAS数据。夏少波等对光子点云以局部距离统计和最小二乘曲线拟合来进行去噪和滤波，但该方法适用信噪比较高数据(即噪声较少的场景)，接近地表却低于地表的噪声信号难以剔除，造成相应的滤波误差影响树高估测精度。Tang提出的基于体素的空间滤波算法(参考文献为:Tang H,Swatantran A,Barrett T,et al.Voxel
‑
Based Spatial Filtering Method for Canopy Height Retrieval from Airborne Single
‑
Photon Lidar[J].Remote Sensing,2016,8(9))，同样也仅适应于高信噪比的光子数据。Popescu提出的基于窗格的聚类统计滤波精去噪(参考文献为:Popescu SC,Zhou T,Nelson R,et al.Photon counting LiDAR:An adaptive ground and canopy height retrieval algorithm for ICESat
‑
2data[J].Remote Sensing of Environment,2018,208:154
‑
170)，该算法对处理低信噪比数据得到较大进展，冠层高度提取时采用动态分箱统计相继来识别地面点及冠顶点；但在冠层覆盖率极高且地表返回信号稀疏情况下易误分伪地面点而导致滤波误差。针对上述问题，Nie Sheng提出缓冲和镜像策略以及椭圆搜索的DBSCAN密度聚类去噪算法(参考文献为:Nie Sheng,Wang Cheng,Xi Xiaohuan,Luo Shezhou,Li Guoyuan,Tian Jinyan,Wang Hongtao.Estimating the vegetation canopy height using micro
‑
pulse photon
‑
counting LiDAR data.[J].Optics express,2018,26(10))，结合渐进不规则三角网加密的方式迭代识别地面点以及百分位统计法获取冠顶点，该方法虽有效解决了边缘效应和滤波误差问题，但在剔除冠层内部噪声方面有待提高。Zhu Xiaoxiao通过高程统计直方图粗去噪、多方位椭圆搜索的聚类统计精去噪和区间统计
终去噪逐次将噪声信号滤除(参考文献为:Xiaoxiao Zhu,Sheng Nie,Cheng Wang,Xiaohuan Xi,Zhenyue Hu.(2018)A Ground Elevation and Vegetation Height Retrieval Algorithm Using Micro
‑
Pulse Photon
‑
Counting Lidar Data.Remote Sensing 10:12,pages 1962)；去噪完成后依据局部密度统计及EMD分解与重构实现地面点和非地面点分类，最后结合百分位数统计法从非地面点中识别出冠层顶点，该算法有效地剔除了噪声且滤除了伪地面点，提高了冠层高度提取精度。同时，基于椭圆搜索统计点云在不同方位的空间特征，发现剖面点云于水平方向较为集中，进而ZhuXiaoxiao提出改进的OPTICS亦可提取高精度信号(参考文献为:Zhu X,Nie S,Wang C,et al.A Noise Removal Algorithm Based on OPTICS for Photon
‑
Counting LiDAR Data[J].IEEE Geoscience and Remote Sensing Letters,2020)。秦磊改进DBSCAN算法并提出离群点检测法(参考文献为:秦磊,邢艳秋,黄佳鹏,等.ICESat
‑
2机载实验光子云数据自适应去噪及分类算法[J].遥感学报,2020,24(12):1476
‑
1487)，实现冠上、冠内及地下分层精去噪，然而该算法仍有多项参数取值不确定，对不同信噪比下去噪缺少适应性，易造成光子点云类型识别有误。在以上的剖面点云冠层高度提取研究中，多数学者以光子分类后得到地面光子点和冠顶光子点，并拟合出相应地形表面和冠层表面，进而以其高度差来定义为森林高度。此外，部分研究也直接利用冠顶光子减去所对应地形表面实现植被高度提取。但是，森林覆盖区域的ICESat
‑
2/ATLAS光斑仅返回几个信号光子，不仅呈离散分布，而且在冠层中的垂直位置不确定，因此接收到的冠层顶部光子不一定位于真正的树冠顶部，导致以上方法提取的森林高度通常比真实高度低。已有研究表明基于光子数据的植被高度与常规机载LiDAR点云的95％百分位高度呈现高度相关性。此观点对更高精度的冠顶光子识别具有较好的借鉴意义。
[0004]由于MABEL机载实验数据有限且采集成本高，并且与ICESat
‑
2的数据仍有较大的差别。目前ICESat
‑
2采用DRAGANN和表面探测(Surface Finding)的点云处理算法对原始光子点云进行处理，具体理论可参考ICESat
‑
2/本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于星载光子计数激光雷达的森林冠层高度提取方法，其特征在于：首先进行光子点云数据的信号和噪声数据的准确划分；然后基于分离出的信号数据，采用局部地形的迭代滤波算法拟合地面曲线，并通过梯度下降法的突变检测和EMD的分解与重构功能对伪地面点进行剔除；最后采用动态分箱统计方法从非地面点中提取冠顶点，根据冠顶点与地面点的高程差来计算冠层高度。2.根据权利要求1所述的基于星载光子计数激光雷达的森林冠层高度提取方法，其特征在于：所述方法的具体步骤如下：Step1、数据预处理：对原始点云进行坐标投影转换及分段处理，形成适宜跨度的高程剖面点云；Step2、点云去噪及分类：通过点云精去噪及滤波分类实现噪声、地面、冠层及冠顶光子的识别；Step3、冠层高度提取：通过计算冠顶点和地面点的高程差来计算冠层高度。3.根据权利要求2所述的基于星载光子计数激光雷达的森林冠层高度提取方法，其特征在于：所述Step1包括：Step1.1、基于ICESat
‑
2/ATL03的原始三维点云数据经坐标投影转换形成高程剖面点云数据；Step1.2、然后按照10km跨度对带状剖面作分段处理，每个分段单元称作Seg
‑
Km处理段；同时，为保证所提取冠层高度与ICESat
‑
2/ATL08产品作精度对比时光子点坐标匹配准确，那么相对应的ATL08数据也作Seg
‑
Km处理；此外，为解决基于局部统计参数的去噪方法在边缘效应方面所表现问题，此处统计参数即光子密度，通常在Seg
‑
Km处理段的去噪中结合移动窗口法处理，分箱跨度设为3.4km的同时，沿横向轨道，每个分箱前后位置设200m缓冲区。4.根据权利要求2所述的基于星载光子计数激光雷达的森林冠层高度提取方法，其特征在于：所述Step2中，点云去噪包括如下具体步骤：Step2.1.1、调试滤波器参数及逐点作局部密度统计：经数据测试后发现滤波器参数P与信噪比SNR存在正相关，进而构建关系模型，公式(1)，实现滤波器参数P自适应；然后对剖面点云内所有光子构建K
‑
D Tree索引结构，结合公式(2)计算搜索半径后依托该结构逐点统计光子密度，形成局部密度直方图；P＝Int(2.96273*SNR+2.24325)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，P为邻域点数，SNR为粗略估计的信噪比，通过统计剖面点云的高程频率直方图，然后以频数中位数为阈值，频率低于此阈值为噪声，反之为信号，求各自均值并作除法即获取SNR，Int为取整函数；式中，R为自适应搜索半径，P为邻域点数，N
Total
为Seg_Km处理分段内每个移动窗口下的光子总数，其中移动窗口的跨度为200m+3.4km+200m，Int为取整函数；Step2.1.2、高斯分解及参数优化、双峰高斯参数筛选：以高斯低通滤波对直方图曲线作滤波处理并对其进行高斯分解，然后通过列文伯格
‑
马夸尔特L
‑
M对高斯分量作参数优化，并以如下条件对信号高斯和噪声高斯作最终筛选：标记左侧最高峰为噪声高斯，其他高
斯分量则按α
i
×
σ
i
进行排序且首个满足μ
i
‑
μ1≥2σ1的标记为信号高斯；Step2.1.3、噪声阈值的准确提取：通过获取的噪声高斯及信号高斯参数后结合公式(3)进行双峰特征的重构并利用二阶求导来提取唯一波谷点为信噪阈值；式中，(α
i
,μ
i
,σ
i
)...

【专利技术属性】
技术研发人员：程峰，黄祥，杨瑞娇，
申请(专利权)人：云南师范大学，
类型：发明
国别省市：