DB15 T 4154-2025 荒漠生态系统无人机植被调查技术规范.pdf

《DB15 T 4154-2025 荒漠生态系统无人机植被调查技术规范.pdf》由会员分享，可在线阅读，更多相关《DB15 T 4154-2025 荒漠生态系统无人机植被调查技术规范.pdf（23页珍藏版）》请在麦多课文档分享上搜索。

1、 ICS 07.040 CCS A 75 15 内蒙古自治区地方标准 DB15/T 41542025 荒漠生态系统无人机植被调查技术规范 Specification for UAV vegetation survey of desert ecosystems 2025-08-15 发布2025-09-15 实施内蒙古自治区市场监督管理局发 布 DB15/T 41542025 I 目次 前言.II 1 范围.1 2 规范性引用文件.1 3 术语和定义.1 4 缩略语.2 5 技术流程.2 6 总则.3 7 无人机操作、硬件与软件配置.3 8 地面辅助调查.4 9 野外航拍技术方法.5 10 无人

2、机影像信息提取、物种分类解译与建模.5 附录 A（规范性）地面辅助调查表.9 附录 B（资料性）激光雷达数据处理流程.15 附录 C（资料性）纹理特征计算公式.16 附录 D（资料性）乔灌木结构参数计算公式.19 DB15/T 41542025 II 前言 本文件按照GB/T 1.12020标准化工作导则 第1部分：标准化文件的结构和起草规则的规定起草。本文件由内蒙古自治区水利厅提出。本文件由内蒙古自治区水利标准化技术委员会（SAM/TC 21）归口。本文件起草单位：水利部牧区水利科学研究所、南通大学、内蒙古自治区林业和草原局综合、内蒙古机电职业技术学院、阿拉善左旗水利工程质量安全中心、呼和浩

3、特水文水资源分中心、内蒙古自治区水文水资源中心。本文件主要起草人：李锦荣、孟宝平、崔崴、张涛、董雷、弓瑞、高寒、李红芳、于海云、郑颖、宜树华、张菲、岳征文、冯秀、田秀民、苗恒录、黄盛花、潘存喜、荣浩、葛楠、程波、周慧、王奇。DB15/T 41542025 1 荒漠生态系统无人机植被调查技术规范 1 范围 本文件规定了荒漠生态系统无人机植被调查的术语和定语、缩略语、技术流程、总则、无人机操作、硬件与软件配置、地面辅助调查、野外航拍技术方法、无人机影像信息提取、物种分类解译与建模。本文件适用于无人机开展内蒙古荒漠生态系统植被调查。2 规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件

4、必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T 30115 卫星遥感影像植被指数产品规范 GB/T 41300 民用无人机唯一产品识别码 GB 42590 民用无人驾驶航空器系统安全要求 HJ 11702021 全国生态状况调查评估技术规范荒漠生态系统野外观测 MH/T 1069 无人驾驶航空器系统作业飞行技术规范 3 术语和定义 下列术语和定义适用于本文件。荒漠生态系统 desert ecosystem 由超旱生、旱生的小乔木、灌木、半灌木和草本植物占优势的生物群落以及降水稀少、蒸发强烈、干旱的

5、非生物环境共同形成的自然生态系统。注：本文件中包括沙漠、沙地、戈壁。来源：HJ 11702021，3.1，有修改 植被指数 vegetation index利用无人机航拍获取的影像，通过不同波段数据的线性或非线性组合而形成的能反映植被生长状况和分布的特征指数。来源：GB/T 30115-2013，3.11，有修改 多次回波技术 multiple return technology DB15/T 41542025 2 激光雷达系统探测、记录并处理多次回波信号的能力及方法。注：该技术利用相应的算法对获取的多次回波信号进行处理与分析，以提取目标物体的垂直结构信息。冠层高度模型 canopy heig

6、ht model表达植被距离地面高度的表面模型，通常基于数字表面模型DSM以及数字高程模型DEM，通过CHM=DSM-DEM，生成CHM。4 缩略语 下列缩略语适用于本文件。ANN：人工神经网络（Artificial Neural Network）CHM：冠层高度模型（Canopy Height Model）CNN：卷积神经网络（Convolutional Neural Network）DEM：数字高程模型（Digital Surface Model）DSM：数字表面模型（Digital Elevation Model）GNSS：全球导航卫星系统（Global Navigation Satel

7、lite System）GPU：图形处理器（Graphics Processing Unit）GSD：地面采样间隔（Ground Sample Distance）ResNET：残差网络（Residual Network）RF：随机森林（Random Forest）RTK：实时动态差分（Real-Time Kinematic）SVM：支持向量机（Support Vector Machine）5 技术流程 技术流程图见图1。DB15/T 41542025 3 图1 技术流程图 6 总则 荒漠生态系统无人机植被调查应遵循科学性、规范性、可操作性、先进性及经济与技术可行性原则。无人机航拍作业应遵循合法

8、合规、隐私与数据安全保障、飞行行为规范以及应急响应与责任明确原则。7 无人机操作、硬件与软件配置 无人机操作安全 应符合GB 42590、GB/T 41300、MH/T 1069的要求，无人机飞行应遵守无人驾驶航空器飞行管理暂行条例。无人机硬件要求 7.2.1 总体要求 7.2.1.1 应具备 RTK 定位功能、悬停功能、智能避障功能、图传功能、自动返航功能和失控返航功能。7.2.1.2 应有可搭载激光雷达、可见光、多光谱传感器的云台。7.2.2 RTK 悬停定位精度 荒漠生态系统无人机调查 无人机数据获取 地面辅助调查 多光谱数据 可见光数据 激光雷达数据 样方布设 乔木层调查 灌木层调查

9、草本层调查 参数提取 植被指数 盖度、高度 DSM、DEM、CHM 纹理特征 参数精度验证 植被特征统计 生物量建模 生物量精度验证 精度80%模型输出 否 高度、盖度、冠幅（样本数 70%）（样本数 30%）是 DB15/T 41542025 4 7.2.2.1 垂直精度：0.1 m（视觉定位正常工作时）；0.5 m（GNSS 正常工作时）；0.1 m（RTK 正常工作时）。7.2.2.2 水平精度：0.3 m（视觉定位正常工作时）；0.5 m（GNSS 正常工作时）；0.1 m（RTK 正常工作时）。机载传感器要求 7.3.1 可见光相机要求如下：相机不低于 2000 万像素；快门速度应快

10、于 1/2000 s；具有定时拍照功能和等效焦距。7.3.2 多光谱相机要求如下：应具备绿(G)：560 nm16 nm、红(R)：650 nm16 nm、红边(RE)：730 nm16 nm、近红外(NIR)：860 nm26 nm 四个波段；配备有多光谱光强传感器；单波段分辨率不低于 500 万像素；具有定时拍照功能和等效焦距。7.3.3 激光雷达系统要求如下：需具备记录至少 3 次回波的能力；系统精度水平精度：10 cm50 m，高程精度：5 cm50 m；配有测绘相机，有效像素不低于 2000 万，配有惯导系统。无人机软件要求 无人机应配有相对应的飞行控制软件，应有航线规划功能，且满足

11、以下条件：飞行控制软件应具备自动飞行、航线规划和上传矢量数据的功能；实时显示飞机轨迹和定位的功能、低电量提醒与自动返航功能；国家民航法规定的限制飞行、限制高度，记录登录和航线功能。8 地面辅助调查 地面调查 按照附录A中表A.1，填写地面辅助调查表。样地选择 8.2.1 样地选择标准，按照 HJ 1170 技术规范执行，选择需具有代表性和典型性。8.2.2 针对观测对象，在可能的情况下，至少选择 3 个能够代表观测对象的样地，样地之间间隔不小于 500 m，地表覆盖相对均一，样地大小为 300 m300 m，按照附录 A 中表 A.2。样方布设 8.3.1 样方设置要求按照 HJ 117020

12、21 中 7.2.1 执行。8.3.2 地面验证调查样方设置：在观测样地 300 m300 m 内，沿对角线两段和中心等间距设置 3 个 40 m 40 m 的次级样地；DB15/T 41542025 5 地面验证调查在 3 个 40 m40 m 的次级样地内进行，每个次级样地内随机设置乔、灌样方，在乔、灌样方内随机设置草本样方；沙漠、沙地区：乔灌木样方大小为 20 m20 m，草本植物物样方大小为 1 m1 m；戈壁区：灌木样方大小为 40 m40 m，草本物样方大小为 2 m2 m。乔灌丛地上生物量调查 在每个次级样地中随机设置1个乔灌调查样方，记录样方内所有乔灌物种、数量信息。同一乔灌木

13、物种按照不同基径级别选取1株进行生物量采集，包括株高(H)、南北冠径(L1)、东西冠径(L2)和地上生物量鲜重等。乔灌木冠幅较大时，生物量取样视情况按比例采样，获取乔灌木生物量样本的地上部分带回实验室，在60 烘箱中烘干至恒重后称重，计算单株乔灌木地上生物量，优势种单株样本数n30，按照附录A中表A.3和表A.4。草本植被地上生物量调查 在每个次级样地内的乔灌或灌木样方内随机设置3个草本调查样方，分别记录草本植物物种组成、优势物种、群落类型、草层高度等信息后，采用齐地面刈割的方式收集样方框内所有草本植物绿色部分，并装至采样袋内，带回实验室内，在60 烘箱中烘干至恒重，称量其重量作为样方尺度草本

14、植物单位面积地上生物量，每个样地草本样方数n9，按照附录A表中表A.5。9 野外航拍技术方法 空间参考系 9.1.1 坐标系采用 2000 国家大地坐标系。9.1.2 高程基准采用 1985 国家高程基准。9.1.3 宜采用地理坐标系，确需地图投影采用高斯-克吕格投影，按 3 度分带。航摄设计 9.2.1 荒漠植被的无人机航拍样地大小 300 m300 m，航拍记录按照附录 A 中表 A.6。9.2.2 选择天气晴朗的无风或者微风天，航拍时间上午 11 时至下午 16 时之间，减少云层和植被阴影对数据处理的影响。9.2.3 航向设置一般平行于或垂直于飞行区域边界，航线设计应尽量避开障碍物，同时

15、兼顾考虑侧风飞行，避免顶风或顺风飞行。飞行质量控制 9.3.1 重叠率设置与地形变化相关，一般航向重叠率不低于 75%，旁向重叠率不低于 70%，地形起伏较大的区域进行航拍，航向重叠率不低于 80%90%，旁向重叠率不低于 75%80%。9.3.2 航高依据主要植被类型设置：以草本植物为主，有少量的低矮灌木（H0.5 m）的样地航高 10 m。小乔（灌）木（0.5 mH5 m）为主的植被样地，航高 20 m30 m；以乔木为主（H5 m）的样地，航高 50 m。9.3.3 可见光和多光谱影像，地面采样距离（GSD）优于 5 cm。9.3.4 激光雷达传感器采用多次回波技术模式重复扫描，点云密度

16、宜40 点/m2。10 无人机影像信息提取、物种分类解译与建模 DB15/T 41542025 6 数据预处理 对获取的无人机数据进行图像拼接与裁剪、校正、定标等一系列处理，形成适用于开展解译的正射影像数据。植被高度、盖度和纹理特征提取 10.2.1 植被指数的提取及盖度计算 利用无人机航拍获取的可见光、多光谱数据，计算植被指数，具体公式见附录 A 中表 A.7，并计算植被覆盖度，见公式（1）：=soilvegsoil（1）式中：FVC植被盖度，单位为%；VI某一类植被指数；VIsoil纯裸土像元的植被指数值；VIveg纯植被像元的植被指数值。10.2.2 植被高度、冠幅的提取 通过激光雷达数

17、据，提取乔、灌木高度与冠幅步骤如下，提取流程见附录B：a)激光雷达数据进行航线拼接、去噪、噪声滤波；b)地面点与非地面点分类，地面和植被的划分；c)地面点数据用不规则三角网插值，获取 DEM；d)归一化消除地形起伏对点云数据高程值的影响；e)归一化数据利用克里金/不规则三角网插值，获取 DSM 数据；f)可选用 CHM 分割、点云分割和基于种子点分割，中一种方法进行单木分割；g)手动编辑点云，对欠分、过分和错分单木，进行点云合并/分割修正；h)重新统计单木属性，获取 ID、x、y 坐标位置、树高、冠幅直径、冠幅面积、冠幅体积等属性。10.2.3 影像纹理特征的计算 利用无人机航拍获取的可见光、

18、多光谱数据，计算均值、方差、均匀性、对比度、向异性、信息熵、二阶矩阵和相关性八种常用的纹理特征。见附录C。植物分类和物种识别 10.3.1 建立解译标志 10.3.1.1 利用图像光谱、纹理和空间分异特征，对航拍影像进行多尺度分割，聚合具有相似光谱和空间分布特征的像素作为分类的基本单元。10.3.1.2 结合图像中植物形状、大小、阴影、色调、颜色、纹理等特征和地面调查，构建土壤、草本植物以及乔灌植物分类解译标志。10.3.2 数据准备 10.3.2.1 基于无人机多光谱影像，计算影像光谱植被指数和纹理特征图层。10.3.2.2 基于激光雷达数据计算地表植被冠层高程模型数据图层。DB15/T 4

19、1542025 7 10.3.2.3 合成植被指数、纹理特征和冠层高度多波段图层，创建遥感分类多维度特征图层。10.3.3 草本和乔灌遥感分类 10.3.3.1 随机选取 70%的地面解译标志，结合 10.3.2.3 中多维度特征图层以及支持向量机、随机森林和人工神经网络等机器学习分类算法，训练土壤、草本植物和乔灌植物遥感分类模型。10.3.3.2 剩余 30%的地面解译标志作为验证数据集，结合混淆矩阵算法计算生产者精度、用户精度、总体精度和 Kappa 系数筛选最优遥感分类算法。10.3.3.3 基于最优遥感分类算法和多维度特征图层，对样地土壤、草本植物和乔灌植物进行分类。10.3.3.4

20、输出分类结果为 GeoTIFF 格式栅格数据。10.3.4 优势物种的识别 10.3.4.1 设置不同乔灌木物种圈选样本和训练样本大小，圈选物种初始样本，确保每种物种圈选样本数量大于等于 5000。10.3.4.2 对样本进行旋转-30,30、缩放0.8,1.2、偏移-0.2,0.2等操作，生成新的样本作为训练样本。10.3.4.3 随机选取 70%的样本进行训练，30%的样本进行验证，利用 TensorFlow-GPU 版本的 ResNET网络训练识别模型，直至验证集的准确率不再提升时停止训练。10.3.4.4 将 CNN 经过训练后生成的模型应用于识别航拍影像中特定的物种，并进行人工校正，

21、新生成的样本继续用于模型的训练。重复 10.3.4.3 步骤直至模型的准确率大于 80%，损失率小于 0.2。10.3.4.5 按照物种圈选样本大小将航拍影像进行分割和切块，并缩放到训练样本大小，利用 10.3.4.4模型对每一小块进行判断，合并、保存所有的正样本，绘制植被分类图。植被生物量建模 10.4.1 草本地上生物量建模 10.4.1.1 对植被指数和纹理特征指数变量进行自相关分析，相关系数大于 0.7 的两个指数之间只保留其中一个，结合相关系数显著性分析保留所选指标中与草本地上生物量显著相关的特征指数。10.4.1.2 随机选取 70%的数据作为训练集，利用多元逐步回归、主成分分析、

22、支持向量机和随机森林等回归方法，构建草本地上生物量遥感反演模型。10.4.1.3 剩余 30%的数据作为验证集，计算实测草本生物量与估算值之间的相关系数（R）和均方根误差（RMSE），筛选最优草本地上生物量遥感估测模型。10.4.1.4 结合最优草本地上生物量遥感估测模型和多光谱无人机正射影像，反演样地尺度草本地上生物量。10.4.2 乔灌木生物量建模 10.4.2.1 利用激光雷达数据获取的乔灌株高、南北冠径、东西冠径等单木信息，计算乔灌冠径、冠幅、冠幅面积、树冠体积等结构参数，见附录 D。10.4.2.2 结合地面乔灌生物量观测点位置，提取乔灌单木生物量观测值所对应的各类乔灌木植被指数、纹

23、理信息和结构参数，形成数据集。10.4.2.3 对乔灌木的植被指数、纹理信息和结构参数按 10.1.1.1 进行自相关分析和重要性筛选。10.4.2.4 随机选取 70%的数据对作为训练集，结合多元逐步回归、主成分分析回归、支持向量机回归和随机森林回归等方法，构建乔灌木地上生物量遥感反演模型。DB15/T 41542025 8 10.4.2.5 基于剩余 30%的数据作为验证集，结合实测乔灌生物量与模型估算值之间的相关系数 R 和RMSE 评价模型精度，并筛选最优乔灌生物量估测模型。10.4.2.6 结合最优乔灌木地上生物量遥感估测模型和无人机影像分类图，反演样地尺度乔灌木单株地上生物量。DB

24、15/T 41542025 9 A A 附录A （规范性）地面辅助调查表 A.1 地面调查体系表 地面调查体系表见表A.1。表A.1 地面调查体系表 调查内容 指标 定义 调查时间 样地信息 群落类型 为野外调查时初步确定的群系名称，通常以建群种植物命名，如梭梭荒漠、红砂荒漠。最终名称根据调查结果可能发生变化。7 月9 月 调查人和调查时间 填写实际的调查人及时间，具体到日期和小时。7 月9 月 调查地点 按照省、市、县（旗）、乡/镇和村顺序填写，尽量填写详细，方便数据分析和总结时回顾与还原调查时的情景。7 月9 月 经纬度及海拔 用手持式 RTK-GPS 或其它带有卫星定位功能的智能设备测定

25、经纬度以度、分、秒为单位，至少保留小数点后 4 位。7 月9 月 地貌类型 按照平原、高原、台地、丘陵、洼地、河滩、低山、中山、高山等实际情况记录。7 月9 月 坡位 按照谷地、坡下部、中下部、中部、中上部、上部、山顶、山脊等记录 7 月9 月 坡度 用地质罗盘测定，坡度记录为 090。7 月9 月 坡向 顺时针记录为 0360。7 月9 月 土壤特征 记录土壤类型、厚度、质地等信息。7 月9 月 枯落物盖度和厚度 样方内平均枯落物盖度和厚度。7 月9 月 植被起源 按照原生植被、次生植被、人工植被记录。7 月9 月 群落高度和盖度 优势层片的高度和平均盖度。7 月9 月 群落动态 包括演替

26、类型(原生演替、次生演替)及所处的演替阶段。7 月9 月 DB15/T 41542025 10 表A.1 地面调查体系表(续)调查内容 指标 定义 调查时间 干扰类型 自然(地质灾害、气候灾害)、火烧、放牧、砍伐、工程建设和其他等。干扰强度按照无干扰、轻度、中度、重度等记录。7 月9 月 群落结构 记录乔木层、灌木层、草本层、苔藓和地衣等地表被物、层间植物的平均高度、平均盖度及优势物种。对于暂时不能鉴定的物种需采集标本。7 月9 月 突出生态特点 盐碱生境、石质化山坡、沙质基质、严重退化等。7 月9 月 群落周围情况 邻接植物群落状况、道路、河流、地势、房屋等。7 月9 月 样方布置示意图 以

27、图形、文字的形式描述样方在样地中的分布格局。7 月9 月 植物样方调查 物种 记录调查样方内出现的所有植物物种。物种名参照中国植物志记录。7 月9 月 高度 从地面到植物最高处的自然高度。7 月9 月 胸径 乔木主干距地面高度 1.3 m 处的直径。7 月9 月 基径 灌木地面处分枝的平均直径。7 月9 月 冠幅 记录对应植物的长轴和短轴。7 月9 月 乔灌木地上生物量 某一时刻木本植物单位面积内实存生活的有机物质总量，立木的地上生物量观测是通过样方内所有林木进行测量。7 月9 月 草本地上生物量 某一时刻草本植物单位面积内实存的有机物质总量。7 月9 月 DB15/T 41542025 11

28、 A.2 样地调查信息表 样地调查信息表见表A.2。表A.2 样地调查信息表样地编号：群落类型/名称：调查地点：省 市 县 乡/镇 村 经度：纬度：海拔：m 调查人：调查日期：年 月 日 时 地貌类型：()平原()高原()台地()丘陵()洼地()低山()中山()高山 坡位：()谷地()下部()中下部()中部()中上部()上部()山顶()山脊 坡向 坡度 枯落物覆盖度%厚度 cm 土壤类型、厚度等特征 植被起源：()自然植被()次生植被()人工植被()其他 群落高度 (m)盖度 (%)群落动态 干扰类型 干扰强度 突出生态特点：样方布置示意图 群落周围情况（邻接群落状况、道路、河流、地势、房屋等

29、DB15/T 41542025 12 A.3 样方调查表 A.3.1 乔木层植被调查表见表A.3。表A.3 乔木层植被调查表样方编号：样方尺寸：米 米 郁闭度：乔木层照片编号：调查时间：年 月 日 时 调查人：植物名 高度 cm 胸径 cm 冠幅 cmcm 地上生物量 备注 鲜重 g 干重 g A.3.2 灌木层植被调查表见表A.4。表A.4 灌木层植被调查表样方编号：样方尺寸：米 米 盖度%灌木层照片编号：调查时间：年 月 日 时 调查人：植物名 高度 cm 基径 cm 冠幅 cmcm 地上生物量 备注 鲜重 g 干重 g DB15/T 41542025 13 A.3.3 草本层植被调查

30、表见表A.5。表A.5 草本层植被调查表样方编号：样方尺寸：米 米 盖度：%草本层照片编号：调查时间：年 月 日 时 调查人：植物名 最高 cm 均高 cm 株丛数 分盖度%地上生物量 备注 鲜重 g 干重 g A.4 航拍记录表 航拍记录表见表A.6。表A.6 航拍记录表样地编号：航拍范围：米 米 航拍时间：年 月 日 时 航拍人：序号 传感器类型 航线模式 航拍高/m 重叠率%航向/旁向 航拍时间 24 H 曝光模式 备注 天气状况 1 2 3 注：表头航拍高度可填写范围，在表中传感器类型确定时，填写具体的航拍高度，用于图像拼接时使用。在完成样地航拍时，拍摄35张景观照。DB15/T 41

31、542025 14 A.5 植被指数计算方法 植被指数计算公式见表A.7。表A.7 植被指数计算公式 序号 植被指数 计算公式 Simple Difference Spectrral Index DSI=BandABandB 1 过绿指数 Excess green（EXG）EXG=2G-R-B 2 超绿超红差分指数 Excess green minus excess red（EXGR）EXGR=3G-2.4R-B Simple Ratio Spectral Index RSI=BandA/BandB 3 红绿比值指数 Red-green ratio index（RGRI）RGRI=R/G 4

32、比值植被指数 Ratio vegetation index（RVI）RVI=NIR/R Normalized Difference Spectrral Index NDSI=（BandABandB）/（BandABandB）5 归一化绿红差异指数 Normalized green-red difference index（NGRDI）NGRDI=(G-R)/(G+R)6 归一化绿蓝差异指数 Normalized green-blue difference index(NGBDI)NGBDI=(G-B)/(G+B)7 可见光波段差异植被指数 Visible-band difference veg

33、etation index（VDVI）VDVI=(2G-R-B)/(2G+R+B)8 归一化植被指数 Normalized difference vegetation index（NDVI）NDVI=(NIR-R)/(NIR+R)9 绿色归一化植被指数 Green normalized difference vegetation index（GNDVI）GNDVI=(NIR-G)/(NIR+G)10 叶面叶绿素指数 Land cover index（LCI）LCI=(NIR-RE)/(NIR+R)11 归一化差异红色边缘指数 Normalized difference red edge ind

34、ex (NDRE)NDRE=(NIR-RE)/(NIR+RE)12 优化型土壤调节植被指数 Optimized soil adjusted vegetation index（OSAVI）OSAVI=(NIR-R)/(NIR+R+0.16)13 转换型差异植被指数 Transformed Difference Vegetation Index（TDVI）TDVI=(NIRR)NIR2+R+0.5)*1.5 DB15/T 41542025 15 B B 附录B （资料性）激光雷达数据处理流程 激光雷达数据植被结构提取流程图见图B.1。图B.1 激光雷达数据植被结构提取流程图 激光雷达数据（LAS）

35、点云拼接、去噪、噪声滤波 地面点与非地面点分类 根据地面点归一化 数字高程模型（DEM）数字表面模型（DSM）冠层高度模型（CHM）CHM=DSM-DEM 点云分割 CHM 分割 基于种子点分割 点云编辑（点云合并、增加和删除）层堆叠生成种子点 预处理 生成地形数据 单木分割 结果处理及导出 不规则三角网插值 克里金插值 分割后统计单木属性 分水岭算法 基于 CHM 生成种子点 统计单木属性：树木 ID、x、y 坐标位置、树高、冠幅直径、冠幅面积、冠幅体积 DB15/T 41542025 16 C C 附录C （资料性）纹理特征计算公式 灰度共生矩阵（Gray Level Co-occurre

36、nce Matrices，GLCM）是一种广泛性的纹理特征分析方法，即相同影像之间分布的像元位置相同或相似。目前，常用的纹理特征有以下8种：均值（Mean，Me），体现了影像纹理的规则程度，值越大规律性越强。计算公式见C.1：()=10,eNjijipiM（C.1）式中：Me均值；N灰度共生矩阵的维度；i表示第i行像元；j表示第j行像元；p(i，j)表示第i行，第j列处的像元值在搜索方向和距离内出现的概率。方差（Variance，Va），反映了影像像元与均值之间的偏差情况，计算公式见C.2：()()210,e,a=NjiMijipV（C.2）式中：Va方差；N灰度共生矩阵的维度；i表示第i行像

37、元；j表示第j行像元；p(i，j)表示第i行，第j列处的像元值在搜索方向和距离内出现的概率；Me相元均值。均匀性（Homogeneity，Ho），该指体现了影像灰度值的均匀性，值越大像元值越均匀，纹理间的差异性也就越小，计算公式见C.3：()()jipjiHoNji,1110.2+=（C3）式中：Ho均匀性；N灰度共生矩阵的维度；i表示第i行像元；j表示第j行像元；p(i，j)表示第i行，第j列处的像元值在搜索方向和距离内出现的概率。对比度（Contrast，Co），表示局部灰度变化的总量，反映边缘与沟纹的清晰度，值越大表明地形起伏越剧烈，计算公式见C.4：DB15/T 41542025 17

38、)()210,jijipCoNji=（C.4）式中：Co对比度；N灰度共生矩阵的维度；i表示第i行像元；j表示第j行像元；p(i，j)表示第i行，第j列处的像元值在搜索方向和距离内出现的概率。相异性（Dissimilarity，Di），对比度的线性版本，更强调微小差异，对破碎纹理敏感，计算公式见C.5：()=10,NjijijipDi （C.5）式中：Di相异性；N灰度共生矩阵的维度；i表示第i行像元；j表示第j行像元；p(i，j)表示第i行，第j列处的像元值在搜索方向和距离内出现的概率。熵（Entropy，En），表征纹理复杂性与随机性，值越大纹理越复杂，计算公式见C.6：()()jipj

39、ipEnNji,ln,10,=（C.6）式中：En熵；N灰度共生矩阵的维度；i表示第i行像元；j表示第j行像元；p(i，j)表示第i行，第j列处的像元值在搜索方向和距离内出现的概率。二阶矩（Second Moment，Se），反映了图像灰度分布的均匀度以及纹理的粗细，计算公式见C.7：()=10,2,NjijipSe（C.7）式中：Se熵；N灰度共生矩阵的维度；i表示第i行像元；j表示第j行像元；p(i，j)表示第i行，第j列处的像元值在搜索方向和距离内出现的概率。相关性（Correlation，Cor），反映的是纹理的方向性，在某个方向相关性大则表示纹理指向该方向，计算公式见C.8：DB15

40、/T 41542025 18()()()=10Ni,jVai,jpMejMeiCor（C.8）式中：Cor相关性；N灰度共生矩阵的维度；i表示第i行像元；Me均值；j表示第j行像元；p(i，j)表示第i行，第j列处的像元值在搜索方向和距离内出现的概率；Va方差。DB15/T 41542025 19 D D 附录D （资料性）乔灌木结构参数计算公式 基于激光雷达提取的参数指标作为结构特征指标，主要为株高（H）、南北冠径（L1）、东西冠径（L2）以及衍生参数冠径（W）、冠幅（C）、冠幅面积（S）、树冠体积（V1）和树冠体积（V2），各衍生参数见公式（D.1）（D.5）：W=（L1+L2）/2（D.

41、1）式中：W 冠径，单位为厘米（cm）；L1 南北冠径，单位为厘米（cm）；L2 东西冠径，单位为厘米（cm）；C=L1L2（D.2）式中：C 冠幅，单位平方厘米（cm2）；L1 南北冠径，单位为厘米（cm）；L2 东西冠径，单位为厘米（cm）；S=（L1/2）（L2/2）（D.3）式中：S 冠幅面积，单位平方厘米（cm2）；L1 南北冠径，单位为厘米（cm）；L2 东西冠径，单位为厘米（cm）；V1=CH（D.4）式中：V1 树冠体积，单位立方厘米（cm3）；C 冠幅，单位平方厘米（cm2）；H 树高，单位为厘米（cm）；V2=SH（D.5）式中：V2 树冠体积，单位立方厘米（cm3）；S 冠幅面积，单位平方厘米（cm2）；H 树高，单位为厘米（cm）；