Ecodrone®無(wu)人機(ji)LiDAR遙(yao)感系統(tong)—森(sen)林(lin)測(ce)繪應(ying)用(yong)

Ecodrone^®無(wu)人機(ji)LiDAR遙(yao)感系統(tong)是易(yi)科泰(tai)公司推(tui)出的(de)壹(yi)款高(gao)性(xing)能(neng)、壹(yi)體(ti)化的(de)機(ji)載激光(guang)雷達(da)測(ce)量系(xi)統(tong)，集成(cheng)了(le)歐洲(zhou)著名(ming)激光(guang)雷達(da)技(ji)術公司YellowScan的(de)機(ji)載LiDAR技(ji)術，壹(yi)次飛(fei)行可同(tong)時獲(huo)取高(gao)密度三維點(dian)雲數於(yu)大據(ju)及RGB影(ying)像(xiang)信(xin)息，該系統(tong)兼(jian)具輕量級(ji)、高密度點(dian)雲與高精度優(you)勢，具有*的(de)性(xing)價(jia)比。可廣泛(fan)應(ying)用(yong)範圍(wei)、多維(wei)度的(de)森(sen)林(lin)遙(yao)感研究(jiu)、垂直(zhi)森(sen)林(lin)結(jie)構分析(xi)、樹(shu)木表征、森(sen)林(lin)火(huo)災管理、木材(cai)體(ti)積(ji)估計(ji)、地(di)形測(ce)繪等(deng)領域。

案例(li)壹(yi)：城(cheng)市(shi)森(sen)林(lin)地(di)形測(ce)繪

空間數據(ju)在(zai)當(dang)今(jin)發(fa)揮(hui)著重(zhong)要作(zuo)用(yong)，正(zheng)確的(de)規劃(hua)、評(ping)估(gu)和(he)監(jian)測(ce)過(guo)程都(dou)需要精準、有(you)效(xiao)的(de)空間數據(ju)庫(ku)。地(di)形數據(ju)是政(zheng)府機(ji)構、礦(kuang)業公司和(he)農(nong)業部門等(deng)多方(fang)都(dou)非(fei)常(chang)需要的(de)空間數據(ju)。在(zai)森(sen)林(lin)管(guan)理方(fang)面(mian)，快速準確(que)地(di)繪制(zhi)高(gao)精度地形圖(tu)對(dui)於(yu)規劃(hua)、密切監(jian)測(ce)和(he)評(ping)估(gu)森(sen)林(lin)變(bian)化是非(fei)常(chang)必要的(de)。

印度尼西亞大(da)學(xue)研(yan)究(jiu)人員使用(yong)從(cong)無(wu)人機(ji)LiDAR遙(yao)感系統(tong)采(cai)集了(le)校(xiao)園(yuan)內城(cheng)市(shi)森(sen)林(lin)區的(de)高分(fen)辨率點(dian)雲數據(ju)，並根(gen)據(ju)被(bei)測區域的(de)高度區分(fen)植被(bei)與地(di)面(mian)，進(jin)而(er)繪制(zhi)地(di)形圖(tu)，驗證(zheng)了(le)機(ji)載LiDAR技(ji)術在城(cheng)市(shi)森(sen)林(lin)區域中創(chuang)建高程(cheng)數據(ju)的(de)能(neng)力(li)。

地表與非(fei)地表成功(gong)分離(li)後(hou)，即可生(sheng)成(cheng)DTM形式(shi)的(de)地形數據(ju)。DTM僅(jin)基於(yu)地面(mian)點(dian)創建，而(er)非地(di)面(mian)對(dui)象可用(yong)於(yu)創建數字表面(mian)模(mo)型(DSM)數據(ju)。根(gen)據(ju)DTM數據(ju)可知(zhi)研(yan)究(jiu)區的(de)海拔範圍(wei)為46.8至68.5m。研究(jiu)表明，無(wu)人機(ji)LiDAR遙(yao)感技(ji)術能(neng)夠在(zai)植被(bei)密集(ji)區繪(hui)制(zhi)出城(cheng)市(shi)森(sen)林(lin)的(de)地形圖(tu)，為(wei)地(di)形地(di)表研究(jiu)、森(sen)林(lin)監(jian)測(ce)評(ping)估(gu)提(ti)供(gong)重(zhong)要依據(ju)。

案例(li)二(er)：使用(yong)機(ji)器學(xue)習評(ping)估森(sen)林(lin)結(jie)構

森(sen)林(lin)是人(ren)類生(sheng)命(ming)和(he)野(ye)生(sheng)動(dong)物賴(lai)以(yi)生(sheng)存(cun)的(de)重(zhong)要自然(ran)資源，因(yin)為它(ta)們維持(chi)和(he)保護(hu)生(sheng)物(wu)多樣(yang)性(xing)，提供(gong)多種生(sheng)態系統(tong)服務，並減輕氣候變化的(de)影(ying)響(xiang)。因(yin)此，監(jian)測(ce)林(lin)分(fen)結構對(dui)於(yu)森(sen)林(lin)管(guan)理者維持(chi)生(sheng)態系統(tong)服務非(fei)常(chang)重(zhong)要。無(wu)人機(ji)LiDAR遙(yao)感系統(tong)飛(fei)行高度低，靈活性(xing)高，可以(yi)深入到樹冠中，采(cai)集具有高(gao)分辨率的(de)3D數據(ju)，可實(shi)現對(dui)目(mu)標(biao)森(sen)林(lin)區域的(de)高頻(pin)率采集，實(shi)現動(dong)態監(jian)測(ce)，為(wei)森(sen)林(lin)監(jian)測(ce)與(yu)管(guan)理(li)提供(gong)了(le)新(xin)的(de)手段(duan)。

機(ji)載LiDAR技(ji)術可以(yi)穿透樹冠(guan)獲取(qu)樹(shu)幹結(jie)構信息(xi)，這是準確(que)定(ding)位(wei)樹木和(he)直(zhi)接估算(suan)胸(xiong)高(gao)直(zhi)徑(jing)（DBH）的(de)有效(xiao)途(tu)徑。常(chang)規的(de)樹高(gao)、DBH、樹幹曲線(xian)和(he)體(ti)積(ji)評估(gu)通(tong)常(chang)需要大量特定(ding)於(yu)站點(dian)的(de)參數，當(dang)超(chao)出其初(chu)始(shi)環境(jing)時(shi)，這些(xie)參(can)數可能(neng)會影(ying)響(xiang)估計(ji)DBHs的(de)完(wan)整(zheng)性(xing)和(he)準確(que)性(xing)。

比利時列(lie)日(ri)大學(xue)研(yan)究(jiu)人員提出了(le)基於(yu)機(ji)器學(xue)習層次密度的(de)噪聲應(ying)用(yong)空間聚(ju)類（HDBSCAN）算(suan)法(fa)以(yi)實(shi)現樹(shu)幹預(yu)測(ce)及分(fen)割，並應(ying)用(yong)主(zhu)成(cheng)分分析(xi)（PCA）來(lai)提(ti)取(qu)樹幹方(fang)向，用(yong)於(yu)DBH估算(suan)。使用(yong)該方法(fa)在溫(wen)帶(dai)落(luo)葉(ye)封閉(bi)冠層林(lin)的(de)機(ji)載LiDAR數據(ju)中應(ying)用(yong)並驗證(zheng)，結(jie)果(guo)表明，該方法(fa)可以(yi)在(zai)落(luo)葉(ye)季節(jie)準確(que)檢(jian)測高達82%的(de)樹幹，精(jing)度為98%，並且(qie)掃(sao)描角度範圍(wei)（MSAR）高達75度。因(yin)此，此研(yan)究(jiu)方法(fa)可以(yi)在(zai)將(jiang)來(lai)初(chu)步檢測(ce)樹(shu)木時(shi)最(zui)大(da)限度地減少(shao)遺(yi)漏(lou)和(he)錯分誤差，並輔(fu)助進(jin)壹(yi)步的(de)樹木指(zhi)標(biao)提(ti)取(qu)。

易(yi)科泰(tai)生(sheng)態技(ji)術公司致(zhi)力(li)於(yu)生(sheng)態-農(nong)業-健康(kang)研(yan)究(jiu)發展(zhan)與(yu)創(chuang)新(xin)應(ying)用(yong)，為森(sen)林(lin)遙(yao)感研究(jiu)、林(lin)木表型分(fen)析(xi)、植被(bei)資源調查(zha)、生(sheng)態環境(jing)研(yan)究(jiu)、林(lin)業(ye)測繪(hui)等(deng)領域提供(gong)無(wu)人機(ji)及近地(di)遙(yao)感全(quan)面(mian)技(ji)術方案。

參考(kao)文獻(xian)：

[1] Iqbal P A S ,  Wibowo A ,  Kusratmoko E , et al. Urban forest topographical mapping using UAV LIDAR[J]. IOP Conference Series Earth and Environmental Science, 2017, 98.

[2] Neuville R ,  Bates J S ,  Jonard F . Estimating Forest Structure from UAV-Mounted LiDAR Point Cloud Using Machine Learning[J]. Remote Sensing, 2021, 13(3):352.