机载LIDAR系统由四部分组成: GPS，IMU姿态测量设备和激光测距

机载LIDAR系统主要由四部分组成: GPS，IMU姿态测量仪，激光测距仪和成像仪. 基本工作流程如图11所示. 机载LIDAR上的表面特征回波点的三维坐标的具体计算过程如本文附录二所示. 激光测距的原理激光测距的原理可以描述为发射激光束，然后激光达到测量目标并返回. 将该时间记录为t，然后根据光速将目标与测量设备之间的距离作为已知常数c. 距离可以用以下公式表示: 12Stc大多数机载LIDAR系统使用这种激光测距方法来测量距离. 当前的机载LIDAR系统通常可以记录多个回波信号，并且所收集的LIDAR数据具有多个回波特性. 如图12所示，是记录两个回波的机载LIDAR系统的. 机载LIDAR采集两次回波数据原理LIDAR传感器传感器定位数据IMU GPS监控系统3D目标点坐标数据测量目标与回波点之间的距离姿态数据回波脉冲4个现代机载LIDAR系统通常可以记录两个以上的回波森林地区的信号. 一些回声来自树木的树冠，一些回声来自表面，也有来自植被中间层的回声. 这为我们提供了一种分析森林地区植被垂直分布的方法. 一些新的机载LIDAR系统可以在获取三维数据的同时记录回波的强度信息. 不同类型植被回波的反射强度不同. 我们可以使用LIDAR数据根据此特征对植被进行分类.

通过阅读相关文献，研究现状1014 19 20 24机载LIDAR技术的应用国外的研究现状可以概括为以下几个方面，研究了LIDAR测量系统的研究和开发. 激光雷达测距早在1960年代就开始在国外进行研发，并在1970年始商业化使用. 到目前为止，已广泛使用的系统包括Lite Maper5600系统，RiegelLaser测量系统和ALTM3100系统. 本文中用于数据收集的系统是Lite Maper5600. 该系统的研发主要集中在美国，德国和加拿大等西方国家. LIDAR数据处理. 过滤和分类是机载LIDAR数据处理的两个重要方面. 国外研究人员提出了许多不同的算法，但是每种算法都有其自身的缺点和不足. 相关研究表明gps采用 原理进行工作,可为地球上任何地方，没有一种算法可以适应不同情况下的过滤过程. 因此，对滤波算法的继续研究仍具有重要意义. 目前的相关研究主要集中在奥地利的维也纳技术大学，荷兰的代尔夫特技术大学，俄亥俄州立大学，德国的斯图加特大学，加拿大的卡尔加里大学等. 与多元数据融合的研究. 莱夫斯基等. 对LIDAR数据进行了比较研究，指出将LIDAR数据与其他图像数据结合使用将大大提高林业遥感的准确性. 将来，随着星载激光雷达系统的实施，它将能够实现更广泛的应用.

融合多光谱数据，GIS数据和航拍图像数据进行高级处理仍处于研究阶段. 尽管该算法很复杂，但由于其高质量的处理结果，该研究已成为激光雷达数据处理的新研究热点. 与国外研究相比，国内机载激光雷达在林业中的应用研究起步较晚，属于起步阶段. 不同的研究机构和研究人员分别研究了硬件算法和后续数据处理. 硬件的研究与开发可以归纳为以下几个方面. 尽管近年来硬件研究与开发也取得了重大进展，但仍远远落后于西方国家. 中国目前开发的机载激光测距系统主要用于建筑物高度测量等方面. 到目前为止，用于植被结构检测的激光雷达系统主要是从国外的. 当前，我国更加重视这一领域的研究，并投入了大量的人力和物力，开始发展机载，星载和其他测距激光雷达系统. 研究数据处理算法. 在算法研究方面，国内的重点主要放在过滤算法的研究上. 由于数据来源的限制，关于分类的研究相对较少. 一些有代表性的算法包括为激光雷达强度​​图像构建三维重建算法和融合中值滤波算法等等. 将研究与其他数据融合. 国内一些学者对LIDAR数据与GIS数据的高分辨率遥感数据等其他数据的融合进行了研究，利用它们各自的特点相互补充，对植被进行分类，计算出树木等森林特征. 高度，胸高的面积和站立的森林体积等

有关具体研究结果，请参见文献10中的相关介绍. 尽管已经取得了一些成果，但该领域的研究仍处于起步阶段. 机载LIDAR数据处理的基础LIDAR数据的处理是LIDAR技术的难点和重点. 在不同情况下获得的LIDAR数据的特性不同，但是不同的LIDAR数据将具有一些共同的数据特​​性. 数据的组织基本相同. 本节将主要介绍激光雷达数据的特征，为后续的数据处理研究打下基础. LIDAR数据是离散的三维点云数据. 其数据分布是随机且不连续的. 这些数据点来自不同的特征，例如空中飞鸟gps采用 原理进行工作,可为地球上任何地方，竖起的电线杆，测量区域中的电源线等. 当然，大多数数据点来自测量区域中的植被和地表. 不难想象会有一个对应于不同仰角值的平面点，这为我们提供了垂直分析的可能性. LIDAR数据具有不均匀的特征. 不均匀性意味着激光光斑密度在不同地理位置不同. 这主要是由扫描方法引起的. 常见的扫描方法是圆锥扫描，线性扫描，光纤扫描等. 不同的扫描方法会在不同的地方和不同的程度导致数据不均匀. 更大的数据量新型的LIDAR系统可以获得多个回波. 因此，系统获得的激光雷达6的数据密度很高. 它的点密度通常超过每平方米十个点. 这样的1平方公里的测量区域将达到数据量. 超过一千万点.

机载激光雷达技术的优势在于大面积和大范围的测量. 因此有必要面对海量数据的处理，这对数据压缩数据存储数据处理环境和数据处理软件提出了更高的要求. 15 LIDAR数据具有多种回波特性. 在森林地区，从飞机平台发出的激光束首先遇到树冠层，然后遇到植被的中间层（例如树的树枝或树冠下的植被等），最后到达地面. 激光束在不同层具有回波返回. 已经发现，大多数回波属于冠层和表层. 中间层返回的回波相对较少，如图13所示. 多回波数据为我们提供了一种分析森林区域植被垂直结构的重要方法. 许多研究人员发现，使用LIDAR数据提取的树高低于实际树高. 在这项研究中，对一组实际测得的树高数据和两个LIDAR数据回波进行了比较和分析. 结果如图1所示. LIDAR回波点与树冠高度的比较7考虑到不同的数据组织方法，数据处理的结果具有影响力，在本研究中，采用直接处理原始LIDAR数据的方法来改善数据处理质量，以便真实反映研究区域的实际情况. 本文的研究内容针对利用LIDAR数据获得林冠下层植被结构方法的研究课题进行了一系列的研究. 始终基于数据作为基本的起点算法和模型，最新的遥感方法机载激光雷达技术被引入森林地区. 研究.

研究内容包括以下几个方面: 获得高精度的地面数字高程模型. 通过对现有算法的研究，发现在此基础上存在的不足和不足，提出了一种新的算法. 针对该算法中大量的激光雷达数据问题，采用四叉树算法对数据进行组织和划分，以提高数据的处理速度. 为了在森林地区获得高精度的地面数字高程模型以提高数据处理的质量，在新算法迭代处理方法中应用了地面拟合权重. 实验结果表明，该新算法在数据处理速度和处理质量上均取得了很好的效果. 处理后的数据可以满足制作地形图的要求. 植被垂直结构分析. 利用LIDAR发射的激光束的穿透力和数据的多回波特征，对研究区植被的垂直结构进行了分析. 提出了一种基于数据直方图的垂直结构分析模型，根据垂直方向将植被上的回波点划分为不同的层，以获得各层植被的分布图，并进行现场调查，以验证数据的正确性. 植被管理区和非管理区的调查结果该模型的可行性. 不同植被层对表面高程模型精度的影响. 在茂密的植被区域中，由于激光穿透力有限，激光束很难到达地面，这会由于缺少数据而导致该区域的地面数字高程模型出现较大的误差. 在分析植被垂直结构的基础上，进一步采用回归分析，相关分析等方法，分析了植被不同层次与地表数字高程模型之间的相关性.

分析和比较不同季节的数据. 该研究总共使用了两组LIDAR数据，即冬季数据和夏季数据. 通过分析比较，研究了植被密度对地面数字高程模型精度的影响. 设计了激光雷达数据的数据结构，开发了激光雷达数据处理软件. 81本文讨论了研究内容的结构. 本文共分为六章. 每章的具体内容如下. 土地系统对于森林碳固存，保护生物多样性等的重要性. 所描述的研究主题的背景和意义也很简短. 介绍了激光雷达系统及其测距原理，激光雷达数据的特点，数据组织方法，该领域的研究现状等，为进一步的研究奠定了基础. 它主要介绍了研究区域的概况，例如地块的位置，植被的覆盖范围和研究区域的地形以及研究数据. 准备数据供以后研究. 针对森林面积研究的热点和难点，即森林面积高精度地表高程模型的提取，从提高数据处理速度和准确性两个方面提出了一种四叉树迭代滤波算法. 一种新的算法被用来提取研究区域的地面数字高程模型并评估其准确性. 本章主要讨论森林植被的垂直结构. 在研究中，提出了一种基于直方图和LIDAR多回波数据的垂直结构模型. 从数据级别来看，植被在垂直方向上分层，并且分析了每一层中的植被. 然后通过回归分析，探讨了分布状况，探讨了各层植被与地面数字高程模型精度的相关性.

最后，在研究中，在研究区域中选择了地形复杂的测试区域. 使用两组LIDAR数据对同一地区的冬季和夏季数据进行比较分析，以提取不同季节的地表数字高程模型，并分析数字高程模型的精度对地表的影响. 本章的主要内容是LIDAR数据处理软件系统的开发. 建立了详细的数据结构，以提取表面高程模型和分析植被的垂直结构. 本文提出的新算法和数据处理过程已集成到软件中. 使整个数据处理过程快速，简洁，实用. 最后，给出一个示例来说明如何使用该软件. 对本文进行总结和展望，提出需要进一步解决的问题，并为未来的研究方向提供一个简单的计划. 研究领域和数据本章将主要介绍研究领域的概况和数据，为后续研究和准备数据奠定基础. 在研究区域的概述中，重点关注研究区域的植被覆盖度，经营状况和地形特征. 在数据方面，它着重于在不同季节收集的机载LIDAR数据和现场测量数据以及通过不同系统改正获得的数据之间的误差. 研究区域概述本研究的研究区域位于日本国崎县东松山市的岩手森林公园内. 这是一个被次生森林覆盖的丘陵地带. 研究中使用的坐标系是日本坐标系的平面投影矩形坐标JGD2000的第9个投影区域. 在该坐标系下，获得了研究区域的地理位置坐标. 图2从图中可以了解研究区域的大小和特定的位置信息. 面积约74800m2.

图中方框中的部分是研究的样本区域. 在下面的研究中，我们将提取该区域的地面数字高程模型并进行评估和分析. 研究区域由两部分组成: 管理区域和非管理区域. 管理区域主要是图21中的Reg1区域，位于东松山市市民森林管理志愿者小组的活动范围内. 管理工作主要包括清除低杂草和处理枯萎的树木. 管理周期为5年. 1研究区概述Reg1 102植被分布研究区的次生森林以落叶阔叶树Kotar uercus serrata常绿针叶树Pinus densiflora和落叶树Prunus jamasakura为主. 较低的植被主要是草药和灌木. 管理区下部植被稀疏，非管理区茂密. 植被密度随季节变化. 图2 2是2010年7月2日研究区的真实照片. 落叶阔叶树Kozai针叶红松经营区下部植被非管理区下部植被2研究区的夏季植被分布112地形调查研究区属于次生林覆盖的典型丘陵地带. 该地区的地形起伏很大. 测试区域框中的高程下降约为7551. 平均梯度约为22. 最大梯度约为72. 最大梯度位于研究区域的Gubi. 该地区地形复杂，包括道路，山谷，停车场等，适合进行科学实验研究.

机载LIDAR测量数据在夏季植被茂密，垂直分布更加复杂. 由于植被的遮挡作用，它将对激光雷达系统发射的激光束产生一定的影响，这可能导致表面回波数据点的减少. 冬季，叶片枯萎，植被稀疏，遮挡作用小. 因此，考虑到植被的季节变化可能会影响地形提取的准确性，本研究使用了两组航空机载LIDAR数据，即冬季观测数据和夏季观测数据. 冬季观测数据冬季数据的观测参数如表2所示. 从表中可以看出，该数据已经收集了二次回波数据，适合提取地面数字高程模型. 飞机搭载的LIDAR系统为LiteMapper5600. 激光扫描仪为Riegl LMS Q560. 波长是1550nm. 发散角小于或等于0.3mrad. 地面上的平均光斑直径约为40厘米. 夏季观测数据夏季观测数据的参数如表2所示. 与冬季观测数据的不同之处在于，夏季观测数据使用新型的LIDAR传感器来收集子回波数据，并记录其强度信息. 回声. 冬季的数据收集密度是数据的两倍以上. 此数据适用于分析植被的垂直结构. 通过比较夏季和冬季的数据，我们可以定量评估森林植被垂直密度变化对LIDAR地形测量准确性的影响. 12表2机载LIDAR测量参数列表参数项冬季观测值夏季观测值观测时间2006 12 25 2008 22测量数据密度平面m2激光脉冲频率65 000Hz 65 000Hz激光波长1550 nm 1550 nm扫描角度18度18度扫描频率45Hz 45Hz激光束扩展角3mrad相对于地面的飞行高度大约1200m大约1200m测量期间的飞行速度252km航向测量重叠40 40导航路径间隔180m 180m飞机类型Cessna 404 Cessna 404回波数据类型首先将现场测量数据用作验证数据在研究过程中. 使用全站仪全站仪（以下简称TS仪器）花了将近两个月的时间. 如图2 3的左侧所示，现场测量分别在2010年1月和2010年7月进行. 在研究区域中总共收集了约1000个地形调查数据，以下称为TS调查数据. 其中，试验区约有600个斑点，管理区较低植被密集的地区约有400个斑点. 其分布如图23所示. 在地形起伏较大的区域，TS测量点的采集间隔约为1米. 在地形缓和区域，收集间隔约为3米.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shumachanpin/article-233089-1.html