遥感应用模型课件：09LIDAR应用模型及案例.ppt

1、 LiDAR提取地面模型 LiDAR水下地形测量 LiDAR林业上的应用 LiDAR送电线路工程中的应用 LiDAR民生与环保产业的应用 生产DTM、DSM 和DCM 作为地形测量、数字地球或GIS 的相应产品机载L IDAR 系统是一种快速度、成本低、高精度和高密度高程数据获取技术。它不仅能生产数字高程模型(DTM ) , 也能生产数字表面模型(DSM ) 和数字城市模型(DCM )。主要是由于分类和滤波技术, 能把冠层和地面剥离, 这在传统测量中很难做到。 提取复杂的有不规则形状和表面的建筑物，建模方法是使用航空LIDAR数据，提供了快捷的方法来获得大的城市环境的模型。为了检验和改进重建的

2、粗糙模型，介绍了一种基于毛坯构件的改进方法，此方法需要一些用户的协助。假设限制用户的输入,系统将自动地分割出建筑物的边界，完成模型的改进，并装配好全部的建筑模型。通过修改一系列恰当的几何的毛坯构件和相应的fitting策略，系统可以建立一系列的，有不规则形状的复杂建筑物。在这里，示范快速且正确地从USC校园的LIDAR数据中创建复杂建筑物的能力。 LIDAR 系统允许飞机低空飞行,并在一个大范围的环境中，快速收集一个高度数据域，而这些数据域在高度上精确到厘米，在地面位置上精确到一米以下，多次的飞机拍摄将被合并在一起来保证好的覆盖范围。正是由于LIDAR数据在对3D的可靠的决策上的优势使其成为一

3、个很起作用的技术，LIDAR成为了一种生成高质量的3D数字表面模型的很重要的信息源由于激光夹杂物和被扫描物质的自然状态，在范围图像上有很多没有高度值的漏洞。执行填充漏洞的操作，直接把深度值插值到范围图像中去，这样可以保存模型中的几何拓扑关系。为了保存边界信息，用邻近插值方法，插值的权重是由一个邻近点和需要插值点的距离的反函数来决定的，插值的窗口的大小和表面的洞的大小是相符合的。当表面的洞的尺寸仅仅是几个点，那么就用一个小窗口来插值，窗口中包含了带权插值的邻近的点。对大的洞，窗口的尺寸会增加来保证有足够的点来插值。三角网格用做3维几何表示，它们能够很方便地转换成其他的几何表示方式；许多技术使用三

4、角网格；光度测定的信息能很方便用texture projections 来添加；并且图形硬件支持三角网格的快速表现。包括最近点三角和Delaunay 三角，且发现Delaunay三角更能保存原始数据的拓扑信息（topology）和连通（connetctivity）信息。整个的模型重建（model reconstuction）过程是全自动的。 网格模型的中的点必须分类，看它们是否属于地面，建筑物，或者其他的什么东西。原始的LIDAR模型划分为两类：建筑物，和空地。建筑物子集是一系列建筑模型，表现为参数形式，而空地子集（是剔除掉建筑物后的，重建好的3维网格模型。 分类方法是基于这样一个明显的事实：

5、物体，其高度值在一定的值之上，那么要么就是植被，要么就是建筑物。因此，通过对重建好的3D网格数据设置一个高度的阈值，创建一个近似的建筑物mask。Mask用来筛选所有的网格点，只有那些masked的点才会被作为建筑物的点来提取。上图说明的是应用此方法来对网格模型进行分类，分为空地上图左边和建筑物区域上图中间）。正如我们所看到的那样，提取的建筑物子集十分粗糙，其中建筑物周围有许多人造物。初始分类必须进一步改进来剔除不需要的地区。策略是对建筑网格数据使用一个精确的几何模型来生成受限制的CG建筑物模型。获得了有精确几何的精炼后的建筑物模型，就可以通过结合几何形状的线索，从原始的分类中剔除那些人造物。

6、上图右边展示的是对空地和嵌入地面的建筑物的精确的分类。 模型改进方法是一个基于毛坯构件的方法。把一个复杂的建筑物分为几个基本的建筑毛坯构件对它们进行建模，使用的是参数表示法。由于建设性实体几何的模型允许复杂模型的成分，复杂模型从基本的毛坯构件中来，毛坯构架表示的参数模型。 由于毛坯构件的类型没有限制，也许会包含一些曲面物体，因而模型组合的适应性特别强，因此我们可以建立一系列的没有一定规则的形状和表面的复杂建筑物模型，通过结合一定的几何毛坯构件和相应的策略。基于建筑物房顶（平房顶，倾斜房顶，圆屋顶，尖顶形屋顶等等）的形状，我们把建筑物部分可以分类为几个的组，并且对每一个组，我们定义一系列适当的几

7、何毛坯构件，包括了标准的CG毛坯构件，如：平面，斜面，立方体，多面体，圆柱体，和球体等等，还有高次的表面毛坯构件，如椭圆体，和超二次曲面体。这些几何毛坯构件是基本的构建建筑物的单元。它们也可以相互组合起来形成更加复杂的新的毛坯构件。右图显示的一系列的建筑毛坯构件和它们为构建复杂建筑物而定义的相互关系。 把建筑物部件分类为几个组，组内定义了建筑毛坯构件，为系统提供信息来指明所选择建筑部件和相关的类型。把处理中的建筑部件称为“Element of Interest”（EOI），EOI是一个正方形的区域，粗略地限制着建筑部件的边界范围。 普遍地，EOI信息需要用户用鼠标点击输入。一旦用户输入完成，系

8、统自动地分割出建筑物边界和表面点，并用指定的建筑毛坯构件来建筑网格模型。用户的交互式操作的次数依赖于组的建筑毛坯构件的类型。例如，立方体毛坯构件由两个点和一个方向所确定。因此，这个毛坯构件的确定仅仅需要用户点击两次鼠标，来指明在屋顶面上的两个对角线上的点。在绝大多数情况下，2到3次用户鼠标点击就足够了。对毛坯构件的条件限制也将减少用户的交互式操作的次数。 平面房顶是一个典型的人造建筑物的屋顶，可以使用组来建模，包括了3维平面，立方体，多面体，还有组合的毛坯构件如有孔的立方体。它们都有相同的性质：其深度表面可以用等式来表示。一个3维平面毛坯构件通常由两个参考点和一个方向来确定。如果我们把建筑物的

9、方向设置为同我们工作的坐标轴一致的全局方向，那么我们就可以减少需要具体指明的参数，减为2个，例如每一个平面都被两个对角线上的点所确定。 用户确定了（鼠标点击）两个参考点以后，系统将自动确定所有的建筑物顶的角落，这个是基于全局方向的。确定的角落点接下来将用来检测屋顶的边缘，使用一个不间断的约束条件。 首先使用Delaunay 重建的几何连通信息来追踪连接在一起的的边界点。只有那些沿Delaunay三角的边界才可以认为是可能的边界点。第二，我们利用深度筛选来限制约束检测的边界。深度筛选应用到所用的可能的边界点上，并且只有那些与定义的参考点有相似的深度值的点才能够通过检验，成为正确的边界点。一旦房顶

10、边界被提取，我们对其使用来进行参数化，并且接下来房顶边界将基于fitted的 房顶边界来进行再次改进。 平面深度fitting将对所有的在房顶边界上的surface 点执行。深度discontinuity约束是用来做面分割的。完成对surface 点的分割以后，平面least-square fitting 将应用带这些点的深度值上，并且最好的fitting就是修改好的（refined）面（surface）的高度（height）。 斜面是平面的特殊情况，其在水平或垂直法线方向上不为零。与平面毛坯构件一样，一个斜的，有矩形边界的屋顶也是使用平面fitting方法,用两个参考点来提取的。然而，对斜面

11、使用深度fitting则更为复杂。在模型和条件不符的情况下，我们使用方向结盟来使得模型的方向和参考系方向一致。Least-square 方法也用来确定参数，它需要使用所有的在检测的房顶边界的surface点。 大多数真实建筑物的房顶往往有两个对称的斜面。为简化这个结构，我们把两个连在一起的斜面毛坯构件组合在一起形成一个新的毛坯构件：roof。 在这种情况下，确定参数就需要三个参考点：2个在斜面边界上，还有一个在房顶的屋脊上。这两个对称的斜面上的surface点将使用上面的方法来进行分割（segmented）。对每一个两个斜面的毛坯构件，在分割了的surface点上的深度值上使用least-sq

12、uare fitting 。正确的房顶屋脊是基于两个模型斜面的交叉来计算的。 对普通的圆柱体的surface fitting是一个非线性优化问题。然而大多数的圆柱体毛坯构件有一条对地面的垂轴。基于这个约束就可以消除旋转参数，构建圆形屋顶的时候，把圆柱体简化为一个垂直的圆柱体。 物体分割：是用来从背景中分割不规则物体。给定一个seed-point,算法将基于定义的growing准则，自动地分割seeded 区域。 初始表面fitting：为了保证汇聚最优的结果，需要一个恰当的初始值来完成Levenberg-Marquardt(LM)算法。用一个球体毛坯构件fitting用来完成系统初始化。 高次

13、曲面填充：一旦初始化完成，系统将使用LM算法把椭圆体毛坯构件添加到分割的surface点上去。在竞技场建模的例子中，算法要进行606次迭代来得到正确的结果。下图显示了最终的fitting结果。改进的（refined）模型能很好地表现LIDAR数据，虽然还没有测量实际的建筑物并把实际的大小尺寸与得到的改进的模型的大小尺寸进行比较。 把改进的模型嵌入到原始的LIDAR数据中：（左边）改进的LA自然历史博物馆的模型，（右边）改进的模型嵌入到了原始的网格数据中。改进的模型能很好得表现LIDAR数据。 由于缺少实际建筑物的尺寸，对此模型的精度做定量的评价很困难。通常使用两种策略来评价建模系统。 第一个策

14、略就是通过把模型嵌入到原始LIDAR数据中来检验重建的模型的尺寸。由于LIDAR数据是从真实世界中得到的，它能很好地表示真实的结构。使用这个策略来评价所有我们在系统中提到的毛坯构件的重建的精度。 第二个策略就是使用geo-referencing的图像来检查几何模型的精度。使用了几个图像源包括航空照片，地面图像/用高分辨率的数码相机捕捉的视频，还有地形图来评估。通过把这些图像添加到几何模型上,可以立即观察到模型重建带来的错误。这个策略允许对好的建筑物结构进行精度的评估。 海滩、海岸及近海区域是一个特殊区域, 传统航空摄影测量技术受区域限制, 作业是非常困难的。机载L IDAR 是一种主动传感技术

15、, 能以低成本做高动态环境下常规基础海岸线测量。也可用于海岸带、海边沙丘、海边堤防和海岸森林的测图和动态监测。也可测量近海大陆水深70m 内水下地形。 扫描海道测量机载激光雷达测量(SHOALS)是一种多用途的海道测量LIDAR系统。 首要区别在于大多数地形LIDAR系统只用单光源(多采用近红外光束)测量物体，而SHOALS系统则用了两种不同波长的激光束对水底进行测量。SHOALS在采用红光(或红外光)测量水面的同时，用蓝绿光穿透水面测量水底。海道测量LIDAR同时发射两束不同波长的激光脉冲射向水面，红光在水面被直射反射回，而蓝绿光在穿透水底后被海底反射回，这两个光束的接收时间差即为水的深度。

16、 第二、是激光束发射频率的不同。地形LIDAR一般为30KHz以上,而SHOALS系统的频率相当低，多为400Hz。 第三、是系统完全不同的能量要求。地形LIDAR系统可以在小型飞机或直升飞机上操作，而SHOALS系统则需要稍大型的飞机提供更多的能量。这是因为SHOALS系统需要更高能量的激光束穿透水层以测量水底。 通常，海道测量LIDAR所能测量的海水深度为50米，此一深度随水质清晰度的不同而变化。因此可探深度对SHOALS系统而言是其水下应用的一个重要限制因素。 海洋激光雷达已被广泛应用于海洋科学研究，如浅海水深、海洋叶绿素浓度、海表油污、海洋污染以及海浪特征等测量研究。在激光雷达的应用中

17、，一般是发射单色激光，根据不同探测机制接收不同的返回光，获取海洋信息。 海洋激光雷达的测量机制主要包括：海水的粒子(Mie)散射、喇曼(Raman)散射、布里渊(Brillouin)散射、荧光(Fluorescence)、海水吸收等。也正是由于不同的探测机制，才出现了各种类型的激光雷达。 采用脉冲倍频Nd：YAG激光器(532nm)，具有技术成熟、发射功率大、体积小等优点。系统的工作过程为：海表或水中返回的光被望远镜接收，通过光谱仪或滤光器滤除背景杂散光；信号光通过光电探测器接收转化成电信号，波形数字化仪把探测器输出的电信号变成数字量。计算机分析数字量，得到所需的测量参数。接收光学系统与发射光

18、学系统同轴、同步扫描；另外要求激光脉冲的发射和数据采集同步进行，以确保接收足够精确的数据。 浅海水深和叶绿素浓度测量一直是各国研究的热点。浅海水深测量又与水下目标探测密切相关，因此发达国家的军方对此研究十分感兴趣，并投入大量资金。据报道，美国军方已研制了这种系统，用于水下目标探测。叶绿素浓度测量与估计海洋初级生产力、全球通量和众多海洋现象研究相关，也是海洋学家十分关注的问题。如果不考虑太阳和其它背景光的影响，系统接收到的回波信号功率可表示为：Pr，Pt分别为激光雷达接收功率和激光发射脉冲功率；A为激光雷达望远镜接收面积；H，r分别为机载激光雷达飞行高度和海底深度；n为海水折射率；1，2分别为激

19、光雷达光学效率和电子系统效率；为海底反射率；K为海中漫射衰减系数；r为水深距离分辨率；假如海表和海底返回脉冲的时间间隔为t，则水深为： 水深获取的关键取决于精确测量海底脉冲。从激光雷达方程看出，影响水深测量的因素很多，除激光发射功率、光学接收效率、视场角匹配等之外，还有以下因素对目标信号带来严重干扰： 在混浊海水中，水体散射信号往往比目标反射信号大，因此必须对海水的后向散射进行抑制。一般采用光电探测器的变增益方法，对目标之前的信号采用小增益放大，而目标信号采用大增益放大。 海水的衰减系数大，目标信号与海表信号强度差57个量级，而一般数字化仪的动态范围为23个量级，因此必须对信号的动态范围进行压

20、缩，才能保证对目标信号的有效采集。采用对数放大和变增益控制，使信号的动态范围压缩到与数据采集系统的动态范围相当，可以实现目标信号的有效采集。 太阳等背景杂散光对测量造成严重影响，强烈的背景光还会造成光电探测器的疲劳。因此一般采用窄带滤光器滤除背景光，滤光器的中心波长必须与激光的发射波长相匹配。 上述技术是海洋激光雷达系统的关键技术。如果解决不好，将直接影响海洋激光雷达的性能指标。对机载系统，激光扫描也是关键，要求搜索范围大，速度快。这就要求，一方面需提高激光发射的重复频率，另一方面应采用好的扫描方式。在目前的海洋激光雷达中，逐点或圆形扫描是最常用的方式。 在所有的海洋生物中，浮游植物占有特殊的

21、地位，为观察海洋生物量的分布，调查者一般借助于测定海水中的叶绿素浓度来作为浮游植物生物量的指标。传统的仪器分析技术，如分光光度法、荧光分光光度法和色谱分析，虽然精度能满足要求，但这些方法依靠逐点采样测量的方式，且分析速度很慢，故很难应用于大面积水域的现场探测。 遥感技术正好弥补了传统方法的不足，可以对大面积，甚至全球范围内水域进行叶绿素a浓度进行实时或动态监测。海洋激光雷达是进行叶绿素浓度测量的主动遥测设备，也是目前研究的一个热点。海色遥感卫星的发射，需要精确的地面遥测手段作为印证，激光雷达系统又可作为重要的印证设备。 532nm的激光发射到海水中，除了532nm处的海水粒子散射外，还有水分子

22、的喇曼散射、叶绿素分子的荧光以及其它生物分子的荧光。叶绿素分子在685nm处的荧光强弱与叶绿素浓度密切相关，因此可以通过记录叶绿素分子在685nm的荧光信号来获取叶绿素浓度信息。 假设海洋激光荧光雷达放在海面以上Hm的平台上，接收海面以下rm深度叶绿素分子激发的荧光功率，则激光荧光雷达接收到的激光荧光信号为 其中Pf为激光雷达接收到的荧光信号功率；Pt为激光雷达发射脉冲功率；f为海水叶绿素荧光散射截面面积；C为叶绿素浓度；k为海洋漫射衰减系数；Kf为在荧光波长(685nm)海洋漫射衰减系数；r为激光雷达探测距离分辨率；H，A，n同前。背景噪声和其它噪声已从测量信号中剔除；荧光激励在685nm只

23、是由叶绿素a分子引起的；激光脉冲宽度大于荧光寿命。 从喇曼/荧光比得到的叶绿素浓度是个相对量，精确浓度必须经过严格定标后才能得到。 林业应用机载L IDAR 系统进行该领域调查研究是目前的热点。如地面上或树冠上的三维精确信息, 对林业和自然资源管理是非常重要的。树的高度和密度的精确信息也是至关重要的, 用常规技术来做是相当困难的。机载L IDAR 系统不像雷达、多光谱成像和航空摄影, 它可以对树冠下方的地面以及树高同时测量。数据的后处理允许分析和对各个激光返回脉冲进行分类和滤波, 能产生裸地的DTM或精确导出植被参数如树高、树的密度、树冠直经、森林边界和生物量评估。 用于林业的激光雷达主要有2

24、 类:记录完整波形数据的大光斑激光雷达与仅记录少量回波的小光斑激光雷达。 前者主要通过回波波形用于反演大范围森林的垂直结构与生物量等参数,后者则利用高密度的激光点云进行精确的单木水平上的高度估测等工作。大光斑激光雷达系统一般指光斑直径在870 m、连续记录激光回波波形的激光雷达系统。回波记录的时间间隔决定了激光点内物质被感知的详细程度,每一时刻的回波都对应着一个强度- 时间波形并且代表着该激光点范围内的一个截面面积。如左图所示,森林的激光回波波形指示着从树顶开始,通过树冠、林下植被,最后是地面回波的森林垂直结构。由于大光斑连续回波的激光雷达的光斑通常都大于林木冠幅,波形中往往包含了森林冠层和许

25、多森林元素的信息而不仅仅是单株树的信息。 目前的大光斑激光雷达系统是以美国为首进行发展,主要有NASA 机载的LVIS 系统、SLICER 系统和星载的GLAS 系统。其中LVIS 系统和SLICER 系统的光斑大小在825 m ,在美国、加拿大、巴西的典型林区进行了多次飞行试验;星载GLAS 系统的光斑直径为70 m ,目前已经在全球获取了很多数据。另外, 美国正在计划发射植被冠层激光雷达系统(VCL) (Dubayah et al . ,1997) ,LVIS 系统是其机载实验系统(Blair et al . ,1999) 。奥地利的Riegl 公司在2004 年底推出了小光斑的记录连续波

26、形的机载lidar 系统,并进行了试验飞行小光斑激光雷达系统小光斑激光雷达系统小光斑激光雷达系统一般指光斑直径小于1 m、离散记录少量激光回波数据的激光雷达系统。激光点的大小随着飞行高度的改变而改变,一般为0.20.9 m。小光斑的系统首先被用于地形测绘,近年来才被用于林业。由于小光斑激光雷达的光斑尺寸小于林木冠幅,此类型的激光雷达仅能对树冠的一部分进行感应。因此,小光斑激光雷达系统需要在水平方向上增加采样频率以弥补其在垂直方向上采样的不足。激光点的间距随着飞行速度的改变而改变,目前的小光斑激光雷达系统激光点的采样间隔大多小于1 m ,在实际数据获取时得到的是被测物体的激光“点云”(如左图 所

27、示) 。往往每株树有几十个到几百个激光回波点,从这些点云中可以估算每株树的参数。小光斑激光雷达系统趋势小光斑激光雷达系统趋势 目前的小光斑激光雷达系统已经在国外取得了广泛的应用,国外一些商业公司已推出了林业用小光斑激光雷达系统(Baltsavias , 1999b) ,比较成熟的有瑞典的TopEye 机载系统、德国的TopoScan 系统和TopSys 系统、奥地利的Riegle 系统、加拿大Optech 公司的ALTM系统、美国的PALS 系统等。 使用摄影测量和光密度测量的方法发现树冠垂直剖面与森林蓄积量的对数成线性关系,从而设想如果激光雷达可以精确重建树冠剖面,那么森林蓄积量即可被估测出

28、来（误差为14 cm）。 从森林返回的激光波形与从海洋探测中返回的激光波形很相近,从而发现了利用激光雷达估计森林属性和地形测量的可能性。 研究者发展提出了许多用激光雷达数据反演林木参数的算法，星载大光斑激光雷达已经在轨运行并成功地进行了全球的数据获取。2001，用激光雷达技术进行森林林冠高度和树高的测定,获得了高精度的测量结果。Nilson 等通过计算冠顶和地面回波之间的距离计算了树高,精度达90 %以上。并通过计算回波波形的面积与树冠体积、地上生物量、林分断面积、郁闭度建立相关模型,相关性很高；Harding 等使用机载激光雷达SLICER 数据重建出了阔叶林的冠层垂直分布,与地面实测结果十

29、分接近。Solberg 等(2004) 将lidar 用于树叶数量的估计,并提出了一种与高光谱遥感数据相结合进行森林健康监测的思路。Yu 等(2004) 利用两个时期的lidar 数据进行了数据获取间隔期内的林木生长和采伐的自动探测。该卫星搭载有激光雷达传感器GLAS ,GLAS 是第一个能连续获取大气、地面回波数据的星载激光雷达,为观察大气中的云、气溶胶和地面植被垂直结构提供了全新的视角。其所提供的云的高度和厚度信息提高短期天气预报的精度;提供的植被垂直结构信息将能更好地评价全球的植被分布和生物量。其激光光斑直径为70 m ,采样间隔为170 m 森林高度：森林高度：大光斑lidar 的波形

30、是从能量超过某一给定噪声阈值即开始以一定的时间间隔进行记录的。因此,信号的前沿是从冠层顶部到传感器的距离,最后一个回波的峰值点表示着从地面到传感器的距离。则森林冠层高度通过激光雷达第一回波信号的前沿与最后回波峰值的差即可得到左图 。有时考虑到地面对波形展宽的影响,再减去地面波形的展宽。冠层垂直结构：冠层垂直结构：大光斑激光雷达系统将从冠层到地面间的激光回波信号全部进行了数字化纪录,因此所记录的波形与树冠的垂直结构密切相关。尤其是大光斑激光雷达系统的波形记录了来自星下点冠层组分(包括叶、干、大枝和小枝) 表面垂直投影的反射左图。这些中间的回波波形与冠层的垂直分布密切相关很好地反映了冠层组分的表面

31、积(包括树叶、树枝、树干) ,根据这些“中间截面”的回波可以部分重建林分冠层的垂直结构成过熟天然林的特点是林隙多、林龄结构和高度变化大,相对同龄林而言在垂直结构上表现得更均一,而同龄林树顶附近的冠层物质占了绝大部分。激光雷达的波形对这些森林连续性垂直结构的变化很敏感 郁闭度：郁闭度：对郁闭度的反演小光斑系统可通过来自植被的回波数量和来自地面的回波数量之比,大光斑系统可通过波形中来自植被的回波面积和来自地面的回波面积之比进行计算。但二者都需要植被的反射率和地面的反射率作为输入,因此需要与其他数据相结合,依靠其他的光学遥感数据提供激光所用波段的植被反射率和地面反射率,否则很难进行大范围应用。胸高断

32、面积和蓄积量胸高断面积和蓄积量( 生物量生物量)：激光雷达可以精确重建树冠剖面,那么森林蓄积量即可被估测出来。此外,根据树木生长的相关生长规律,在一定区域内,树木的高度和胸径、蓄积量等存在着很好的相关关系,随着高度的增加其直径也随之增加,从而提高木材蓄积量和生物量。这种生物约束机制为利用激光雷达反演的高度信息进行森林生物量建模提供了理论基础。但由于树木的相关生长方程与树种、地域密切相关,往往由于当地的相关生长方程缺乏,而采用统计回归的方法。胸高断面积和蓄积量（生物量）波形植被部分的面积(AWAV) 准确地反映了森林冠层的体积信息(见下图) ,因此通过计算出的AWAV 即可以建立森林蓄积量的反演

33、模型。由于AWAV 与回波强度紧密相关,因此在计算AWAV 之前需要进行回波强度标定。波形半能量高度(HOME) 是回波中植被部分能量一半的高度(见下图) ,是一个综合了森林冠层体积信息和森林高度信息的量,与森林生物量、蓄积量等参数密切相关,通过计算HOME 也可以与森林蓄积量建立反演模型。 单木参数估计：单木参数估计：机载小光斑lidar 系统被成功用于单木参数的估计,包括树高、树冠尺寸、树木位置、树种等。 首先将小光斑lidar 获得的激光“点云”数据进行滤波、分类和分割处理,区分出来自植被的反射和来自地面的反射,通过最大值滤波寻找出树木的顶点; 然后分割出每株树的激光“点云”,根据每株树

34、的激光“点云”采用类似于大光斑激光雷达数据处理方法即可得到树高和树冠尺寸,同时通过树木的顶点可以绘制树木位置图; 然后即可构建单株树的矢量模型,根据构建的矢量模型进行树种识别激光雷达的优势是能够直接测量森林高度和垂直结构信息,弥补其他遥感手段的不足。但激光雷达很难提供大范围全覆盖的数据,尤其是对星载系统而言,与其他遥感技术手段相结合可以提供更准确、更全面的森林参数估计。研究综合应用其他遥感数据和激光雷达数据的森林参数定量反演技术,将有利于发展完全基于遥感手段的定量遥感技术,在遥感技术更广泛深入地用于森林资源调查上有所突破。同时,利用高精度的激光雷达反演的森林参数还可以用作其他遥感手段的训练数据

35、和验证数据。对大范围森林高度、林下地形和截面的垂直分布的直接测量为森林调查和经营管理管理提供了丰富的数据。这些参数与其他生物物理参数(如地上生物量) 具有很好的关系,为森林生态系统的功能和生产力的建模提供了参数。树冠垂直结构的信息和树叶的垂直剖面可以为森林生理生态研究提供大量的数据源。最近几年发展的地基激光雷达系统在树木近景测量、木材质量评价等方面展现出很好的应用前景。主要表现为理论体系尚有待进一步完善、数据有限、数据分析处理软件缺乏,费用相对其它遥感手段较高。但随着技术的发展和应用的推广,费用将会大大降低。小光斑系统由于是离散采样,往往会错失树顶的采样而低估树高;为了弥补这一点,需要增大采样

36、密度,降低飞行高度,导致大范围应用所需费用很高。大光斑系统有效地避免了树顶的错失,幅宽也可以更大,但太大的光斑会受到林下地形和树木空间结构的影响。目前可用的激光雷达数据很有限。由于高脉冲重复频率的激光器仅有少数国家能够生产,价格昂贵且进口受限制,目前仅有少数发达国家有业务化的运行系统。由于所测数据精度很高,对平台的姿态控制系统和姿态记录装置的要求很高,目前进口仍很困难。另外,商业的机载小光斑激光雷达系统现在的花费仍然较高。 机载L IDAR 系统允许快速度、低成本、精确的铁路、输电线路的选线测量, 例如铁路、电力线的笔直线路、煤气管线或高速公路。主要市场是对电力线通道的测图, 允许以专有模型执行线路的弯曲、下垂、离地面距离、侵蚀和精确确定塔的位置。机载激光数据结合瞬间测量空气和导电体的温度和载荷电流数据, 建立在电力线的载荷能力上可容许的提升量。 洪患、地震、飓风、森林大火等突发事件常要求快速测量, 这些地区往往不可直接到达, 目前公认机载L IDAR 系统是最快捷的技术, 可为灾害的评估、灾后的恢复、重建的规划、洪患保险等目的服务。美国911 事件后就曾用激光L IDAR 对灾难现场进行快速获取三维数据工作。 许多环境灵敏地区如湿地, 由于植被复盖, 传统的摄影测量评估是困难的。受限制的地区如有毒的废物场或工业废料, 机载L IDAR 系统提供快速测量该地区的能力。