【目的】无人机森林航摄影像的主体内容为颜色较单一的林冠,其纹理重复率高,而且存在非刚体性变换等导致影像的匹配难度高于普通测绘无人机航摄影像。如果直接采用普通特征算法进行影像匹配时,经常出现提取的特征点数量少、误匹配率高、特征点分布不均匀等问题。本研究探索了一种可见光植被指数(VDVI)与AKAZE结合的无人机森林影像匹配方法,以提高森林影像匹配的准确率。【方法】在森林航摄影像特征提取方面表现较优的AKAZE基础上,借助可见光植被指数(VDVI),在特征检测时选择了能够有效平滑区域内部同时保留边界信息的g3函数。特征检测时利用VDVI值进行检测,特征描述时采用原始影像信息与VDVI值相互校正的方法进行描述。【结果】在同一台I7-6700HQ处理器、8G内存的ALIENWARE工作站,建立Python 3.7和OpenCV 3.4环境,对内蒙古大兴安岭伊尔施林场的白桦和兴安落叶松林地无人机森林航摄影像进行了SIFT、SURF、普通AKAZE、颜色不变量AKAZE、可见光植被指数(VDVI)AKAZE等5种方法的对比分析。结果表明,VDVI与AKAZE结合的无人机森林影像匹配方法在无人机森林航摄影像上的平均匹配准确率为74.59%,比普通AKAZE高出了9.48个百分点;比颜色不变量AKAZE高出了5.26个百分点;其匹配速度在普通AKAZE和颜色不变量AKAZE之间。【结论】森林航摄影像主体内容的独特性,决定了采用普通测绘摄影测量和计算机视觉的特征算子进行影像匹配的效果不好。在AKAZE特征各向异性的非线性滤波的基础上选择合理的传导函数,配合可见光植被指数可有效降低阴影、反光、非林冠地物等的影响,进而改善了森林影像匹配的准确率,对研究和学习森林航摄影像处理具有重要意义。

【目的】森林生物量的精确测定,对于全球气候变化和碳循环研究具有重要的意义。【方法】以东北林业大学城市林业示范基地为研究区域,首先利用无人机平台获取整个研究区域的高分辨率无人机影像;然后在研究区域四种人工林样地中分别选取20 m×20 m的4块建模样方和4块测试样方,通过每木检尺法实测建模样方内林木的树高和胸径数据,建立H-DBH(树高-胸径)估算模型,并结合已有的DBH-SB(胸径-树干生物量)模型得到测试样方的森林生物量数据;在处理后的数字冠层高度模型(DCHM)基础上利用局部最大值法提取树高与树冠中心点位置,建立一种结合无人机影像提取树高与H-SB(树高-树干生物量)经验模型的森林生物量制图方法。【结果】不同样方的H-DBH模型R2均大于0.70,测试样方的总地上生物量平均值为6 915.85 kg,总的估测精度为87%。通过ArcGIS软件结合本研究提出的方法快速得到了整个研究区域的地上生物量分布图,估测总地上生物量为4 396.18 t。【结论】研究结果可为快速准确的进行森林生物量的估测提供基础数据和技术参考。

【目的】森林火灾对生态环境的破坏巨大，各种火灾探测方法近年来备受关注，但不同的检测载体与检测数据在森林火灾检测的应用中仍具有各自的局限性。为此，提出一种基于深度学习与无人机红外影像的森林火灾燃烧点检测模型，旨在减少无人机森林火灾检测的延迟和丢失，提升森林火灾检测效率和检测能力。【方法】采集中国北部亚干旱地区森林火灾巡护数据，增加北亚利桑那大学无人机森林燃点数据提升模型的学习范围，同时对数据进行数据增广，提升模型学习的数据量。利用红外影像的成像特点对森林火灾燃烧点进行特征放大，降低检测数据的复杂度。引入计算量适当的目标检测算法，减少无人机森林火灾检测系统的检测时延。【结果】1）红外影像下的森林火灾燃烧点检测模型在非极大抑制IoU阈值为0.3的条件下，其检测AP(Average precision)值达到了0.961 6，检测精度（Precision）达到了0.929 3。2）红外影像森林火灾检测模型在40 fps的实时视频中的检测速度平均达到了31 fps。3）在图像翻转、图像旋转与图像仿射变换3种数据增广模式下，模型的检测性能达到最高。【结论】基于红外影像的森林火灾燃烧点检测模型对森林火灾更敏感，减少了森林火灾检测的计算量，减轻了地面站计算机的计算负担。图像的色域变换对红外数据下的森林火灾燃烧点检测模型提升效果不明显。

森林蓄积量能够评估林地生产力的高低及经营措施的效果,为森林经营与采伐提供重要依据。目前,大多基于无人机影像的蓄积量估算,均建立在测绘标准所生成的DOM、DSM、DEM等测绘成果基础上,而未充分利用原始影像数据上的林业特征,无法从点云层面上加入林业业务逻辑产生成果数据。获取无人机影像后,利用特征点提取与匹配方法自动相对定向,结合控制点和光束法平差的迭代求解,解算出精确的相机姿态数据,并沿核线方向一维搜索特征点进行影像密集匹配生成密集点云。对原始三维点云过滤后进行树冠分割,在聚类后的林冠点云中提取了树顶点和树高因子估测了森林蓄积量。研究结果表明,冠幅的提取精度85.15%,树高的提取精度83.69%,林分蓄积量估算的精度达到了82.46%。

为优化设计森林防火小型无人机的机身，降低机身质量，减少空气阻力，以双尾撑固定翼无人机为基础，利用Ｓｏｌｉｄ ＷｏｒｋＳ建立机身模型进行结构设计，并利用ＡＮＳＹＳ－ＦｌＵＥＮＴ对机身进行数值模拟。采用ＡＮＳＹＳ ｉＣＥＭ ＣＦｄ网格生成器生成ＰｒｉＳＭ网格结构进行网格划分，对机身进行气动分析。通过ＦｌＵＥＮＴ仿真对设计进行改进，分析改进前后的流体场、阻力和质量差异。结果表明：可以采用ＡＮＳＹＳ－ＦｌＵＥＮＴ软件对森林防火小型无人机机身进行气动外形优化。机身的气动外形优化对减少阻力有明显的影响，改进后机身所受空气阻力减少了４５．９％，机身质量减轻了２７．８％。

【目的】传统的无人机森林航空摄影测量需要布设像控点来平差解算。由于林地内通视条件差,采用传统光学仪器布设像控点时,效率低、而且无法保证像控点位置的均匀分布。采用GPS-RTK技术虽不受通视条件限制,但是林冠下GPS信号弱,经常出现移动站与基准站之间GPS失锁的问题。为了解决以上不足,文章探索了基于PPK技术的免像控点无人机森林航空摄影测量解算方案。【方法】利用搭载了相机和双拼PPK(Post Processed Kinematic)模块的无人机,在森林上方按预定航高和重叠率对地摄影,获取到森林航空影像、POS数据和PPK数据。内业处理时,首先通过解算PPK数据得到相对精确的摄影中心外方位线元素,并以其代替原始POS数据的线元素;再利用SFM(Structure From Motion)方法得到摄影中心精确的外方位元素基础上,经过密集匹配生成DSM,通过手工编辑和正射校正后得到了最终成果DOM。【结果】用同一架加装了双频PPK模块、搭载了Canon 5D MarkII数码相机的固定翼无人机,在北京市潭柘寺森林公园按飞行航高200 m,航向重叠度80%,旁向重叠度65%进行了航空摄影。在同一台PC硬件条件下,使用相同版本的Agisoft PhotoScan和SimActive Correlator 3D软件,采用布设像控点(方案A)、基于原始POS免控制点(方案B)、基于PPK免控制点(方案C)等3种不同方案,对无人机获取的航空影像数据进行了对比试验。结果表明,方案C的效率比传统的布设像控点的方案A高45%;而在精度方面高于基于原始POS数据免像控点的B方案,可达到地形图航空摄影测量相关规范的1∶2 000比例尺精度要求。【结论】PPK技术的通讯频率高、作业半径大、作业时移动站与基准站不需要实时保持通讯,采用无人机加装PPK模块结合SFM方法生成森林正射影像的方案,其成果精度能够满足森林资源二类调查的用图精度要求,避免了在林冠下布设控制点难度大和容易出现GPS失锁等问题,可节省大量外业控制点测量和内业数据处理时间,对提升森林监测效率和自动化水平具有重要意义。

胸径是立木测定的基本因子,自动获取胸径数据是准确高效计算森林蓄积量和生物量的关键。以银杏Ginkgo biloba为研究对象,通过无人机获得影像数据,利用运动恢复结构(SFM)方法生成数字表面模型和正射影像图,进而提取单株银杏的树冠面积(A_c),冠幅(W_c)及树高(H)。3个参数分别与胸径(DBH)建立一元回归模型(A_c-D_(BH),W_c-D_(BH), H-D_(BH)),二元回归模型(A_c&W_c-D_(BH), A_c&H-D_(BH), W_c&H-D_(BH))和三元回归模型(A_c&W_c&H-D_(BH))。52组拟合样本的结果显示:A_c&W_c&H-D_(BH)模型的决定系数(R~2)最高为0.825 0,均方根误差(E_(RMS))最小为0.959 1。19组检测样本的结果显示:A_c&W_c&H-D_(BH)模型反演的胸径值误差率为4.20%,小于A类森林资源胸径因子允许的误差值(5%)。研究结果表明:通过无人机采集树冠面积、冠幅和树高3个参数,可计算得到较高精度的胸径值。

[目的 ]点云密度是影响无人机激光雷达数据获取和预处理成本和效率的关键因素，探明点云密度对林分尺度无人机激光雷达森林参数估测精度的影响，有助于优化无人机激光雷达森林应用技术方案。[方法]以马尾松、桉树人工林为研究对象，采用百分比重采样方法，对密度为247点·m~(-2)的原始点云按40%、20%、8%、4%和2%的比例降低点云密度，得到1个全密度原始点云数据集和5个稀疏密度点云数据集；每个数据集独立进行点云分类、地面点滤波和数字高程模型生成、点云高度归一化等预处理并提取激光雷达变量；对于同一森林类型的同一个森林参数(林分蓄积量、断面积、平均高和平均直径)的估测，各个数据集都采用相同的乘幂模型结构式进行模型拟合，然后比较分析模型优度统计指标的差异，包括：决定系数(R~2)，相对根方根误差(rRMSE)和平均预报误差(MPE)；采用配对样本t检验方法对各个数据集的森林参数估测结果和激光变量的差异进行统计分析。[结果]当点云密度分别稀疏至100、50、…、5点·m~(-2)时，各个森林参数估测模型的精度保持基本一致；各个稀疏密度点云数据集的森林参数估测值的均值与原始点云数据集的估测值的均值不存在显著性差异(p≥0.05)；各个稀疏密度点云数据集激光变量的均值和原始点云数据集激光变量的均值基本上不存在显著性差异(p>0.05)。[结论]在无人机激光雷达森林资源调查监测应用中，点云密度可低至5点·m~(-2)。然而，本试验结果仍需通过不同飞行高度获取不同密度点云数据予以验证。

为探究无人机在进行应急物资末端配送时最优的任务分配方法，以总送达时间最短为目标函数建立模型，根据两种常用的任务分配思想，基于蚁群算法设计了两种求解算法，以解决无人机配送应急救援物资的任务分配问题。结果表明，两种方法均可解决无人机的任务分配问题，且二者的适用性在所建立的场景中并无太大不同，即两种方法给出的分配方案不完全一致，但方案所花费时间却大概率相同，主要是将目标函数设定为总完成时间最小导致的。此外，当无人机最大装载量大于各需求点需求量上限时，其分配方案也会趋于一致，均呈现为无中转的形式。

【目的】提出一种基于两期无人机影像的针叶林伐区蓄积量估算方法,为促进无人机数据在多类型林业样地资源调查中的深度应用提供依据。【方法】以福建省三明市将乐县金森林业股份有限公司伐区森林小班为试验区,首先,利用无人机遥感获取分辨率优于10 cm的两期影像,经Pix4D软件处理得到点云数据,在此基础上将小班区域未采伐前的林冠点云匹配到采伐后的小班地形点云上;然后,通过布料模拟滤波算法(CSF)分离匹配后的林冠点云和地形点云,采用自然领域插值法分别将林冠点云数据插值生成数字表面模型(DSM)、地形点云数据插值生成数字高程模型(DEM),二者相减获得冠层高度模型(CHM);接着,基于改进的局域最大值法搜索冠层高度模型中的林冠顶点,提取树高;最后,根据野外采集的400株马尾松和杉木树高、胸径数据,建立5个适用于福建省马尾松和杉木的胸径-树高模型,选择相关系数最高的模型推算胸径,并利用福建省单木材积公式估算小班区域蓄积量。【结果】1)两期无人机数据的点云匹配能较好消除陡峭地形对树高提取的影响;2)改进的局域最大值法可有效减少固定窗口搜索林冠顶点时出现的多提和漏提错误;3)小班区域估算株数为339株,实测株数为366株,估算的平均树高为18 m,实测平均树高为19 m,估算蓄积量为182 m~3,实测蓄积为199 m~3,株数、树高和蓄积量的估算精度均较高。【结论】借助无人机遥感技术,可实现森林蓄积量自动化估算,降低传统野外调查成本,推动森林资源的快速调查和更新。

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息，在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源，探索森林蓄积量的遥感估测模型，以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象，利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等，计算各特征变量的标准地均值；筛选与云南松林蓄积量相关性显著的特征变量，采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型，以决定系数(R~2)、平均绝对误差(EMA)、均方根误差(ERMS)、平均相对误差(EMR)评价模型精度。【结果】(1) 3种模型中，随机森林的精度最高(R~2=0.89,EMA=4.69m~3·hm~(-2), ERMS=5.45m~3·hm~(-2), EMR=14.5%)，其次为支持向量机(R~2=0.74, EMA=5.27m~3·hm~(-2), ERMS=8.31m~3·hm~(-2),EMR=13.1%)，最低为多元线性回归模型(R~2=0.35,EMA=10.12 m~3·hm~(-2),ERMS=12.85 m~3·hm~(-2),EMR=28.1%);3种模型在测试集上的估测精度均有所降低，随机森林的模型表现最好，支持向量机次之，多元线性最差。(2) 3种模型在云南松林蓄积量估测中均存在一定的低值高估和高值低估现象。(3)基于无人机多光谱影像估测云南松林蓄积量，纹理特征仍是不可忽视的重要因子。【结论】基于无人机多光谱影像，在不进行单木分割的情景下，提取标准地的单波段反射率、植被指数、纹理特征均值，筛选适用于蓄积量估算的变量构建估测模型。通过对3种模型进行精度评价，随机森林为云南松林蓄积量估测的最佳模型。图2表5参27

【目的】林分密度是影响森林生态系统结构和功能的主要因素,是森林资源调查的一项重要指标,对林木生长发育有着十分重要的影响。基于无人机影像,以实现提取不同郁闭度的林分密度,旨在为天然林保护工程实施后山区森林资源更新恢复评价提供技术支撑。【方法】以新疆农业大学实习林场伐后更新的天然林为研究对象,以天山云杉Picea schrenkiana var. tianshanica纯林为主,基于无人机影像,利用面向对象多尺度分割方法提取了低、中、高3种不同郁闭度林分的天山云杉冠幅信息,进而估算林分密度,提出了采用平均冠幅法估测高郁闭度林分冠层遮挡区域林木株数的方法。【结果】采用面向对象方法对新疆农业大学实习林场伐后更新的天山云杉树冠边缘信息提取精度较高,提取的林分密度与实测结果相近。其中低、中郁闭度林分中林分密度提取精度分别为0.986 8和0.933 3,高郁闭度林分中林分密度提取精度相对较低,为0.765 7。【结论】总体来看,该方法用于研究区天山云杉林伐后更新地林分密度估测是可行的,采用树冠平均冠幅法能够快速准确地提取伐后更新造林地的林分密度。

【目的】冠幅是树冠结构的重要特征因子，直接影响树木的生产力和生命力，郁闭度是反映森林冠层结构与密度以及评价森林经营管理采伐强度的重要指标之一。利用无人机可以云下飞行，易于获取图像，精度高，低成本等优势，研究无人机影像上提取树冠参数的方法，使无人机影像提取林木树冠参数的操作系统化，实现精准高效的森林资源清查和监测。【方法】以福建将乐林场杉木人工纯林为研究对象，采用四旋翼无人机影像为数据源，基于面向对象分类的方法，将杉木纯林的树冠参数从无人机影像中提取出来。面向对象分类的方法需要先利用ESP工具选取最优分割尺度，然后根据影像的分割结果将树冠对象聚为一类，进而统计每个树冠对象栅格像素个数计算出树冠冠幅面积以及林分郁闭度。【结果】面向对象分类有效的对高郁闭度林分进行了树冠的提取。在分割尺度为70时，单木树冠分割效果最好，树冠被单独分割出来，但也存在一定的过分割以及未分割的问题，以至于部分单木的丢失。分割结束后，对分割对象进行特征空间的优化，选取适当的分类特征，最终将研究区分为树冠和林隙两类。通过统计每个对象栅格点数，计算得出的林分因子包括林分郁闭度，树冠面积。以地面实测数据作为参考，冠幅面积提取精度为0.829 1，林分郁闭度测量精度为0.973 1。【结论】研究结果表明，基于无人机高分辨率影像的树冠参数提取在高郁闭度林分同样适用，能有效提高森林资源调查的效率并且能够满足森林资源调查的精度。

叶绿素相对含量(soil and plant analyzer development,SPAD)是评价水稻健康状况的重要农学参数,为了解决传统监测方法工作量大,效率低的问题,以东北粳稻为研究对象,采用不同施肥处理开展小区试验,利用无人机低空遥感技术分别获取水稻分蘖期、拔节孕穗期、抽穗灌浆期水稻冠层高清数码影像,同时利用叶绿素仪测量水稻冠层SPAD值,并对无人机高清数码影像反演SPAD的可行性及方法进行研究。结合k-means聚类和阈值分割的方法去除背景提取出水稻叶片的RGB值,构建出R、G、B及G/R、

【目的】由于毛竹Phyllostachys edulis的生长特点和经营特点，使得毛竹林郁闭度在毛竹林经营中尤为重要，只有保持适宜毛竹生长的郁闭度，才能提高毛竹生产力。研究无人机可见光影像的毛竹林郁闭度估测方法，可实现实时快速获取毛竹林的郁闭度。【方法】以普通旋翼无人机可见光毛竹林影像为研究对象，基于像元的阈值分类、像元的监督分类、多尺度分割的阈值分类、多尺度分割的监督分类等4种方法，选取不同钩梢和郁闭度的样地36个，利用现有软件和MATLAB编程，对各样地的毛竹林竹冠区域进行快速提取，进而估算林分郁闭度，对比目视解译的郁闭度真值计算各方法的估算精度，利用单因素方差分析比较4种方法在不同钩梢和不同郁闭度下估算郁闭度的表现。【结果】基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法的郁闭度估算总体精度依次为91.81%、92.96%、93.47%、98.86%，郁闭度估测值绝对误差依次为0.038、0.030、0.024、0.004。钩梢和郁闭度等对提取结果没有显著影响。【结论】基于多尺度分割的监督分类方法总体精度最高，估算绝对误差最小，能够满足快速、准确提取并估测毛竹林林分郁闭度的要求，且适用于不同经营类型的毛竹林。图2表6参28