[发明专利]基于激光雷达与光学遥感的输电线路通道树高反演方法

说明书

本发明涉及一种基于激光雷达与光学遥感的输电线路通道树高反演方法，属于遥感技术领域。该方法包括数据预处理、树木分类、植被指数相关性分析、构建不同种类的机器学习模型、训练各类机器学习模型、评估各种模型、树高预测等步骤。本发明方法相比于用单一的遥感数据对输电线路通道树高进行反演，本发明方法采用大光斑激光雷达与光学遥感数据联合，能充分发挥多源遥感的优势，且对不同种类的树木分别构建树高反演模型，能实现更高精度的树高反演效果。

技术领域

本发明属于遥感技术领域，具体涉及一种基于激光雷达与光学遥感的输电线路通道树高反演方法。

背景技术

随着高空间分辨率遥感影像、雷达以及激光雷达数据的不断涌现，遥感技术在电力设备巡检方面的应用由最初的信息提取，障碍类型识别方面向更加精细的方向发展，已经开始用于输电线路通道走廊森林参数提取研究。其中树高是一个重要的树障因子，是决定输电线路通道树木隐患的重要因素。对于光学遥感的多光谱影像以及高光谱影而言，通过提取影像各波段的反射率、植被指数、纹理因子等变量，采用皮尔逊相关系数法提取与树高相关性高的波段或变量，建立传统的回归模型是比较常见的方法。

激光雷达是近年来迅速发展的主动遥感技术，对于森林具有很强的穿透能力，在森林垂直结构信息提取方面相比于光学遥感而言具有显著的优势，为了同时获取森林的水平和垂直结构信息，结合激光雷达与光学遥感数据的森林参数反演方法得到了快速的发展，成为了近年的研究热点。

近年来，冠幅树高模型的研究受到了国内外的关注，研究表明冠幅与树高有着良好的数学关系。然而更多的只是从光学遥感中提取出冠幅进行单一的分析，或者运用激光雷达GLAS数据来反演树高，没有充分利用光学遥感中的植被指数与树高之间的关系对树木进行具体的分类后再建立不同种类树木的机器学习树高预测模型，因而树高预测的精度还有进一步提升的空间。

发明内容

本发明的目的是针对现有树高预测方面的不足，提出了一种基于激光雷达与光学遥感的输电线路通道树高反演方法，所述方法能联合激光雷达与光学遥感数据的优势对不同种类树木分别建立各自的最优机器学习预测模型，有效提升了树高预测的精度，对于输电线路通道的树障安全隐患可以起到更加精确的预防监测作用。

为实现上述目的，本发明采用的技术方案如下：

基于激光雷达与光学遥感的输电线路通道树高反演方法，包括以下步骤：

步骤1、获取光学遥感影像数据源、激光雷达GLAS数据、ASTERGDEM数据以及地面树木高度和胸径的实测数据；

步骤2、对原始GLAS数据以及光学遥感影像数据进行预处理及归一化；

步骤3、从归一化后的GLAS波形数据中提取出波形特征参数，从归一化后的ASTERGDEM数据中提取出地形特征参数，从归一化后的光学遥感影像数据中提取出树木的各类植被指数，根据各类植被指数运用支持向量机的方法将树木分成不同的种类，所述的种类包括乔木、灌木和针叶树类；

步骤4、运用面向对象的遥感影像分析法从遥感影像中提取出输电线路通道树木的冠幅，并建立实测冠幅与影像提取冠幅之间的线性回归模型，从而通过提取影像冠幅进而反演出实测冠幅；

步骤5、对不同的植被指数与树高进行相关性分析，并对数据集进行划分，划分出训练集和测试集；

步骤6、构建多元线性回归、支持向量机、随机森林与BP神经网络4种机器学习回归模型，将划分出的训练集输入到上述4个机器学习模型中进行学习；对构建的模型进行精度验证，对模型建模和验证的精度采用决定系数R²和均方根误差RMSE两个指标来评价，对于每种树木，选择R²最接近1，且RMSE最小的模型作为该树木用于反演树高的最优模型；若出现一个模型R²最接近1，另外一个模型RMSE最小的情况时，则选择最接近1的模型作为该树木用于反演树高的最优模型；之后采用该最优模型进行反演树高。