櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄
81-84.
[10]ShouQY,WohlmuthH,HeXX,etal.Chemicalconstituentsfrom
Fritillariaanhuiensis[J].BiochemicalSystematicsandEcology,2012,45:16-19.
[11]周晓琳,韩传环,冯平安.皖贝精的毒性研究[J].安徽医学,
2001,22(1):56-57.
[12]薛 燕,顾好粮.HPLC-ELSD法测定浙贝母中主要生物碱的
含量[J].药学学报,2005,40(6):550-552.
[13]雷艳辉,李会军,李 萍.川贝母药材生物碱成分HPLC-ELSD
特征图谱的研究[J].中成药,2014,36(7):1477-1481.[14]王玲玲,王琳玲,于国强,等.伊贝母的HPLC指纹图谱研究
[J].华西药学杂志,2016,31(3):301-304.
[15]金丽鑫,耿 昭,苟 琰,等.UPLC-MS/MS法测定湖北贝母药
材中的6种生物碱[J].华西药学杂志,2020,35(4):428-431.[16]程显隆,肖新月,夏德豪,等.平贝母药材质量控制中适宜测定
指标的研究[J].药物分析杂志,2008,28(1):28-31.
杜龙龙,王荣扬,陆学斌,等.面向灌木型白茶叶面积密度的双源点云激光协同反演方法[J].江苏农业科学,2022,50(24):160-168.doi:10.15889/j.issn.1002-1302.2022.24.025
面向灌木型白茶叶面积密度的双源点云
激光协同反演方法
杜龙龙1,王荣扬1,2
,陆学斌1,于 斌3
(1.湖州职业技术学院,浙江湖州313000;2.湖州市机器人系统集成与智能装备重点实验室,浙江湖州313000;
人类对地球的破坏
3.哈尔滨理工大学,黑龙江哈尔滨150000)
  摘要:为提高白茶叶面积密度(leafareadensity,LAD)的反演精度,以浙江省安吉县昆铜乡茶场的茶树为研究对象,利用无人机激光雷达和地基激光雷达对白茶茶树的冠层点云信息进行提取,对比几种常见的点云分割算法,选择效果最好的随机森林算法将提取的点云信息进行枝叶分离,并对冠层点云进行体元建模,探究白茶茶树最优体元和激光接触频率的相关性,采用冠层分析法分别对机载和地基数据绘制LAD曲线,通过盲区互补实现LAD的双源协同反演。结果表明,运用冠层分析法适用于估算灌木型白茶茶树的叶面积密度,机载点云数据和地基点云数据协同估算精
度最高(R2=0.930~0.963),地基数据估算精度次之(R2=0.824~0.933),机载数据估算精度最低(R2
=0.693~
0 838)。因此,机载和基地协同反演可以提升白茶茶树LAD的估算精度,进而为进一步研究灌木型作物的理化参数提供数据基础。
  关键词:灌木型白茶;机载激光雷达;地基激光雷达;反演;叶面积密度;冠层分析法  中图分类号:S127  文献标志码:A  文章编号:1002-1302(2022)24-0160-09
收稿日期:2022-02-22
基金项目:国家自然科学基金(编号:52105283);黑龙江省自然科学基金面上项目(编号:F2018018);浙江省湖州市自然科学基金(编号:2021YZ15)。
作者简介:杜龙龙(1989—),男,浙江湖州人,硕士,讲师,主要从事应用激光、农业信息化研究。E-mail:386808700@qq.com。  白茶属于山茶科,为常绿灌木或小乔木植物,是我国一种重要的经济作物,有很高的经济价值和经济效益。叶面积密度(leafareadensity,LAD)是反映茶树单位面积、单位高度内的叶片面积总和,描述了冠层在各个高度位置上叶片的生长情况,是研究茶树叶片到整个茶园生态系统自上而下作用过
程的关键因子[1]。传统的叶面积密度测量法以人
工分层裁剪法为主,虽然测量精度较高,但是对作物的破坏性极强,耗时耗力,经济效益较低。近年
来,激光雷达技术快速发展,地基LiDAR与机载LiDAR作为可以实现全天时、全天候获取目标真三维信息的主动遥感技术,其对农林作物具有很强的穿透能力,能够快速、精确地获取农林的三维结构信息,迅速应用在对农林冠层叶面积密度的提取方
面[2-3]
。Hosoi等利用体元模型模拟激光光束穿过
林木冠层被拦截的情况,提出基于体元模型的冠层分析法(
voxel-basedcanopyprofiling,VCP),根据每个高度层激光被拦截的概率,运用间隙率理论绘制
叶面积密度曲线[4]。Béland利用地基LiDAR数据
反演单木冠层的叶面积密度模型,并探究乔木植物
的体元大小与叶面积密度的内在关系[5]。Wu等利
用地基LiDAR数据反演单棵阔叶树的LAD,运用体元分析法监测芒果树、澳洲坚果树和鳄梨树的实时
生物参数,发现植物的L
iDAR数据可以动态反映植
物的生长参数,进而可以作为评价植物的健康指标依据[6]。赵方博等运用Lambert方位角面积投影方法计算孔隙率,并获取较高精度的叶面积指数等参数[7]。雷蕾等基于背包LiDAR对苹果树叶面积密度进行反演,为携带式LiDAR测量提供了借鉴[8]。Lovell等首次运用机载和地基基于冠层分析法反演单木叶面积密度的LAD曲线[9]。Hosoi等利用机载LiDAR点云数据建立单棵乔木的中上部LAD分布模型,并利用地基LiDAR数据建立单棵乔木的中下部LAD分布模型,对叶面积密度反演的精度有所提高[10]。Dutta等利用高光谱信息对树种进行分类,并基于融合算法利用机载点云数据获取单木LAD[11]。戴雷宇基于VCP运用机载和地基点云数据对木兰树和白桦林的LAD进行反演[12]。可见,基于体元模型的LiDAR数据测量方法已广泛运用于农林作物的叶面积密度反演,但是由于灌木型农作物植株高度和宽度相对树木来说过于矮小,叶片重叠度高,冠幅小,目前成熟的LiDAR反演方法集中于乔木类植物的研究,对大面积灌木类作物快速进行精确的叶面积密度估算并验证有待进一步发展与完善。因此,本研究以安吉白茶为研究对象,以地基LiDAR和机载LiDAR数据为研究基础,分析基于点云分割和冠层分析法的白茶茶树体元模型构建机理,利用生成的体元模型,进一步研究白茶茶树叶面积密度曲线的反演方法,深入研究体元大小与接触频率的内在机理,提出基于地基与机载双源数据的协
同互补反演方法,重构适宜于白茶茶树的叶面积密度反演模型,以期为今后大面积灌木型农林作物LAD的精准估算提供研究基础。
1 研究区概况与研究方法
1.1 研究区概况
试验区位于浙江省安吉县昆铜乡一茶场内,该地区处于天目山脉在安吉县境内的东支末梢,平均气温15.43℃,年平均降水量1469mm,属亚热带季风气候,位于30°44′N、119°47′E,白茶总种植面积达989.73hm2,是安吉县白茶的重点产业基地。1.2 传感器和数据采集设备
试验采用广州南方测绘科技股份有限公司生产的SZT-R250三维激光移动测量系统和UA-0500地基激光扫描仪。地基激光扫描仪使用的是UA-0500激光扫描仪,该扫描仪测距远,精度高,内置2台全景数码相机,可以快速、精准地保存被扫描对象的三维点云和彩纹理信息。UA-0500激光扫描仪主要参数见表1。
表1 UA-0500激光扫描仪参数
参数类型技术参数值激光安全等级(级)1
激光波长(nm)1550
测量范围(m)1000
扫描速率(点/s)600000
测量精度(mm)5~8
水平扫描视场范围(°)360
垂直扫描视场范围(°)300(天顶两侧各150)
水平测角分辨率(°)0.001
垂直测角分辨率(°)0.001
工作温度(℃)-10~55
  三维激光移动测量系统搭载大疆M600PRO无人机飞行平台,整机仅为2.2kg,起飞负重最大可达13.3kg,平台内部集成惯性导航系统,GNSS卫星定位系统,可以保证测量系统的稳定飞行和精准控制;激光测量系统最大扫描速率可达100线/s,动态最大检测距离150m,
激光发射频率100kHz,可以保证测量系统在飞行中采集数据的连贯性。
于2021年5月10—30日对茶树的点云数据进行采集试验,按照茶场距离,选取4块10m×10m的茶树植被样地作为监测样地,为尽可能减少枝叶相互遮挡,实现地基激光雷达的全方位扫描,获得完整的白茶茶树冠层数据,将每个样地划分成4个5m×5m的小样方,每个样方均设置5个监测点(图1)。为将5个站点的点云坐标系统一,设置多个标靶位置,P1为内部观测站点对采样目标内部冠层进行360°×300°全景采样,P2、P3、P4、P5分别从4个角点对样方进行采样,确保采样角度全部覆盖试验样方,后期再对5个站点的点云数据进行校准拼接(图1)。
1.3 研究方法
1.3.1 点云数据获取 由于受到客观环境、仪器等影响,原始点云数据包含许多与扫描目标无关的点云数据,如孤立的点云数据、观测区以外的点云数据、噪声数据,所以在使用点云数据进行运算前要进行预处理。首先,利用基于VoxelGrid滤波器的点云精简方法可以有效减少亢余点云,提高特征信息提取的准确率;执行cyclone编辑软件的Fence命令,将肉眼可见的孤立异常点云数据剔除,同时结合人工识别将不易识别的噪声点剔除;由文献可知,地势较缓、坡度较小的试验场所适合采用布料
模拟算法(CSF)对地面点云进行滤波,基本步骤如下:将采集到的点云数据翻转,模拟布料覆盖
待测目标,观察布料下落高程坐标与地面坐标的关系,确定不可移动坐标,当系统趋于稳定,对比布料模拟点云和实际点云的高度差,从而筛选地面点云信息。1.3.2 点云数据枝叶分离提取机理 提取叶面积密度只需要茶树冠层点云数据,在建立反演模型前,要对点云数据进行枝叶分离。由于灌木型农作物植株高度和宽度相对树木来说过于矮小,叶片重叠度高,冠幅小,传统的人工监督法和领域内法向
量差分法并不适用[13]
,孙圆等运用多项式对点云数据进行高度和距离校正拟合,并将校正后的数据建立分类模型对立木进行枝叶分离,得到较高的精
度,这种方案也同样适用于灌木型植物[14]
本研究选取50株不同形态的白茶茶树,将被测目标的RGB信息和激光反射强度作为分类依据,分别将采样机载点云信息和地基点云信息导入常用的点云分割算法(随机森林分类法、法线差分法、最大似然法、欧式距离法分割法),输出保留有效叶面
点云信息[
二类汽车修理厂
15]
。将这些输出结果进行对比,用精准度(
precision,P)、召回率(recall,R)、总体正确率(overallaccuracy,OA)和平均精度(AP)来指标来评价4种分类器的性能。
P=T
PTp+FP
R=T
PTp+FNOA=TP
nA
P=∫
10
p(r)d
r。(1)
式中:Tp表示被系统正确分类的点云数量;FP表示被系统错误地把其他组织分类到本组织的点云数量;FN表示为本组织点云被错误分类到其他组织的点云数量;n表示样本总点云数量。
1.3.3 灌木型茶树点云体元化和体元模型建立 将被测对象离散、不规则的点云数据转化为以体元为最小单位的规则空间结构可以简化计算,减少数据量,提高反演精度。首先,将被测对象根据体元大小划分成三维体元网络;其次,将冠层点云坐标信息投影到体元网络;最后,在每个体元中判断是否有激光光点,有点则标记为1,表示该区域有茶树叶片,没有点则标记为0,表示该区域没有叶片。
体元大小的选取是构建体元模型的关键参数。
选取体元太大,一个体元会有多个激光点,不能精确地表达冠层的内部结构,导致数据欠缺。相反,选取体元太小,会导致体元过度分割,影响接触频率的计算。由文献[
16]可知,最优体元值的选择由激光扫描仪的最大扫描距离、发散角、出口直径等因素决定。当发射激光的路径上有检测到物体,根据公式(2)和公式(3)可以计算出2束激光之间的间距
R=Di×BDV+BDM
2;
(2)dCD=(tanδ×Di
)-2R。(3)
式中:R表示半径;Di表示最大检测距离;BDV表示扫描仪的激光发散角;BDM表示激光出口的直径;dCD表示相邻2束激光的间距;δ
表示测角分辨率。确定最佳体元值后,进一步确定茶树树冠的点云边界,以点云数据在各个方向的最小值为起点,最大值为终点,以单位体元的大小作为间隔步距、获得每个点的体元化坐标为公式(4),将白茶点云信息建立体元模型(图2)。
i=intx-xminΔ()ij=inty-ymin
Δ()jk=intz-zmin
Δ
()
k。(4)
式中:i、j、k分别表示对应的x、y、z的体元坐标;xmin、ymin、zmin
表示体元的起点坐标值;Δx、Δy、Δz表示确定的体元大小[17]
  在实际测量过程中由于白茶树冠层的不规则性,获得的点云数据包含较多的无效体元,为精确
计算接触频率排除无效点云的误差和干扰,本研究将白茶的点云数据进行xy的平面投影,运用二维凸包法(grahamscan)确定每个水平层的冠层边界[18]
(图3)
1.3.4 机载点云与地基点云坐标配准 地基雷达获取的点云数据采用笛卡尔坐标,而机载雷达获取的点云数据采用大地投影坐标,实现地基和机载点云数据的协同反演要对2个坐标系的点云数据进行
精确配准[
19]
。本研究运用四参数法设置若干参考点对坐标进行粗配准,在此基础上运用改进的迭代
就近点I
CP算法进一步进行精配准[20]
。设地基获得参考点坐标为(x,y),机载获得的参考点坐标(x′,y′),根据平面坐标转换公式可得
x1
y[]1=ΔxΔ[]y+acosθ-sinθsinθ cos[
]θ×x1′y1
[]
′。(5)
式中:x、y表示地基的笛卡尔坐标;x′、y′表示转换后的大地投影坐标。为简化运算设
a=(1+m)cosα′b=(1+m)sinα′。
(6)
  将公式(6)代入公式(5),则转化为
x2
y[]2
ΔxΔ[]y+a-bb [
]a×x1
y[]1
。(7)
  经过矩阵变换,将需要求解的参数变换到相同的矩阵中
x2y[]2=x1
y[]1
+10-y1x101 x1y[
]
1×ΔxΔy
ab。(8)
  利用间接平差法V=BX-L(式中:V为观测值改正数;
X为修正参数;B为观测值;L为观测值与近似值的差值),可以求得Δx、Δy以及旋转角度α′。z轴上坐标可以根据2个坐标系间的平均高度差进
行计算。
同时,基于ICP算法选择初始同名点进行配准,再选取同名点的邻近区域根据目标函数进行迭代运算,当目标函数(9)的值最小时,保存当前的旋转矩阵和平移矩阵的值为最优解。
f(R,T)=∑n
i=1|Mi-(RUi+
T)|2
=min。(9)式中:R表示旋转矩阵;T表示平移向量。
点云I
CP配准流程如下:(1)在地基点云选取点集m
,在机载点云选取点集n。(2)求得使上述对应点对目标函数最小的刚体变换,根据四参数法求出此时的旋转矩阵R和平移向量T。(3)将刚求得的R和T代入点集n
,获得新的点集n′=Rn+T。(4)计算新的点集n′和m的目标函数是否满足阈值要求,如果满足则停止迭代,如果不满足目标函数
阈值要求,则将新的点集重复步骤(2)进行新一轮迭代,直到点集最小距离平方和符合阈值要求,满
足收敛要求[21]
1.3.5 地基LiDAR和机载LiDAR对灌木型茶树LAD协同反演方法 基于体素模型冠层分析法,分别运用地基和机载点云数据对被测茶树进行叶面积密度计算,计算公式为
泰星markLAD=(h,ΔH)=α(θ)·1ΔH∑
mh+ΔHk=mhn1(k)n1(k)+np
(k)。(
10)式中:α(θ
)表示叶倾角和激光入射倾角的校正因子,通常取1.1;ΔH表示水平层厚度在体素模型中为单个体元大小;n1
(k)n1(k)+np(k)表示激光的接触频
率;在k层总的体元数为[n1(k)+np(k)]个,其中被测目标被激光拦截的体元数量为n1
(k)个,被激
光穿透的体元数为np
(k)个;接触频率表示在k层被穿透的体元数与总的体元数的比值[
22]落花不是无情物
。地基LiDAR从地面自下而上对白茶树进行扫描,由于地基激光雷达扫描位置固定,而灌木型茶树内部冠层复杂,要获取茶树大面积完整的冠层点
云数据较困难[
23]
;机载LiDAR扫描方式与地基相反,从上而下对茶树进行扫描,两者的扫描特性能
较好地进行互补[24]
。但只是单一地将两者的反演
数值进行覆盖和叠加对反演精度的提升效果较有限,本研究分别对地基和机载点云数据建立体元模型,并基于冠层分析法对2种扫描方式获得的反演
曲线进行观察分析,确定2种扫描方式的盲区所在,最终对曲线重构,数值融合,进而获得高精度的反
演结果[
25-27]
。2 结果与分析
2.1 枝叶分离精度模型评价
由二次多项式对激光入射高度和距离的校正,对4个样方的枝干和叶片进行多次采样获得的激光反射强度分布见图4,其中图4-a是校正前的分布图,图4-b
是校正后的分布图。
东方快车谋杀案
  研究区的4个样方在校正前,主干和叶片都有不同程度的重合,在经过校正模型校正后主干和叶片的反射强度区分度较好,稳定在某个固定的区
间,主干和叶片反射强度区分较大[28]。将校正后的
数据导入4种点云分割方法进行对比,4种算法枝叶分离结果见表2。
表2 枝叶分离精度评价
分类算法精准率召回率平均精度总体正确率随机森林算法0.9570.9640.9600.976法线差分算法0.7290.8010.7480.782最大似然算法0.7570.6950.7360.729欧式距离分割法
0.842
0.837
0.822
0.827
  由表2可知,采用随机森林算法的分离效果最好,50株白茶的精准率、召回率、平均精度、总体准确度分别为0.957、0.964、0.960、0.976,高于其他3类算法的枝叶分离结果。可见,低矮的灌木型白茶茶树选用随机森林算法可以获得较好的枝叶分离效果。
2.2 体元大小对白茶茶树LAD估算的影响
为确定最优体素值,本研究通过改变样方茶树点云数据的体元大小,在1~50mm之间取10种不
同的体元大小(
1、2、4、8、10、15、20、30、40、50mm),分别计算各6个高度层的激光接触频率,分析体元大小对应接触频率的关系(图5)。
  由图5可知,茶树激光的接触频率与体元大小高度相关,当体元大小变大时,体元内有多个光点,由公式(2)可知,此时n1(k)被激光拦截的体元数量增加,而总的体元数量不变,所以接触频率也随之
变大;当体元设置过小时,n1(k)会逐渐趋近于激光点数,而由于体元的细分,被穿透的体元个数np
(k)会逐渐增大,使得最终接触频率过小数据异常[28]
由图5还可知,当体元值从1mm增加到50mm时,接触频率分别从0.078、0.124、0.054、0.145、0 046、0.087增加到0.647、0.812、0.571、0.829、0 481、0.659,样方1的6个高度层接触频率在体元值设置为10mm时趋于稳定,这也和公式(2)、公式(
3)的推导结果接近。综上,体元大小的选择对接触频率计算至关重要,选取最优体元尺寸对LAD反演精度具有重要意义。
2.3 叶面积密度试验验证及精度评价
依据接触频率和体元尺寸的相关性,体元尺寸在10mm时,接触频率趋于稳定,根据冠层分析法
金铭简历及个人资料简介