论文部分内容阅读
本研究属于“气候变化对我国粮食生产系统的影响机理及适用机制研究”课题工作的一部分。本文研究的目的是就是探索如何系统性地利用地面LiDAR数据提取株高信息、覆盖度和生物量密度等重要的农田作物生长参数。本文在已有的研究基础上,提出一种利用地面LiDAR点云数据提取小麦作物生长参数的分层分步算法。主要研究内容和结论如下：(1)地面LiDAR数据处理与小麦点提取：根据地面LiDAR数据的特点和研究目标,提出了一种分层处理的算法来简化处理流程。首先根据点云是否属于麦田范围将其划分为田外点与田内点,然后采用不同处理方法。田外点直接滤波和统计分析,获取基准面高程值；对田内点则采用不同的方法与实验,实现了粗差去除、数据抽稀、剔除干扰地物点、最后获得小麦点云的系统化流程。这种分层处理方法降低了仅利用点云三维坐标信息进行点云分类的困难,提高了分类的准确性并减少了工作量。(2)地面LiDAR数据CHM建模：总结了地面LiDAR数据插值的困难,通过插值原理总结分析和定性定量的实验对比分析,评估了各种方法的优缺点,筛选出两种最佳插值方法进行数字表面模型DSM的构建,分别进行覆盖度和株高信息的提取,并确定了最佳插值尺寸。通过实测值检验,高程值决定系数在0.789-0.996之间。在此基础上构建能精确描述小麦冠层连续表面特征的CHM模型。(3)冬小麦生长参数的提取：利用冠层高度模型CHM进行简单的栅格计算获取小麦覆盖度;结合分水岭分割算法与CHM模型来提取小麦株高值、生物量分布信息等作物生长参数,并基于外业数据进行精度评价和可靠性分析。实验结果表明,实测的株高平均值与模型估测的株高平均值分别为65.8cm和68cm,生物量密度分布与麦田长势分布趋势吻合。这说明本文提出的方法具有充分的可行性和较高的实用价值,能够有效地实现小麦作物生长参数信息的提取和精细农业的辅助决策。