Précédent|Prochain

Détection de la surface terrestre et de la couche supérieure dans les régions montagneuses avec la technique DA-OPTICS (Direction-Adaptivement Ordering Points To Identify The Clustering Structure)

  • role： First author第一作者
  • Affiliation：

    Land Satellite Remote Sensing Application Center, Ministry of Natural Resources, Beijing 100048, China

  • Email：junfeng_xie@163.com
  • Introduction：谢俊峰，研究方向为星载激光测高仪几何检校、数据处理及应用，卫星定姿。E-mail： junfeng_xie@163.com
XIE Junfeng1,  
  • role： Corresponding author通信作者
  • Affiliation：

    Land Satellite Remote Sensing Application Center, Ministry of Natural Resources, Beijing 100048, China

    College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China

  • Email：yxm17854258090@163.com
  • Introduction：杨晓梦，研究方向为星载激光测高数据处理与应用。E-mail： yxm17854258090@163.com
YANG Xiaomeng12*,  
  • Affiliation：

    Land Satellite Remote Sensing Application Center, Ministry of Natural Resources, Beijing 100048, China

    College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China

XU Chaopeng12,  
  • Affiliation：

    China Centre for Resources Satellite Data and Application, Beijing 100094, China

LU Yilin3,  
  • Affiliation：

    Yunnan Remote Sensing Center, Kunming 650032, China

ZHANG Libin4,  
  • Affiliation：

    Land Satellite Remote Sensing Application Center, Ministry of Natural Resources, Beijing 100048, China

MO Fan1,  
  • Affiliation：

    Land Satellite Remote Sensing Application Center, Ministry of Natural Resources, Beijing 100048, China

LYU Xin1,  
  • Affiliation：

    Faculty of Geography, Yunnan Normal University, Kunming 650050, China

LIU Ren5,  
  • Affiliation：

    Land Satellite Remote Sensing Application Center, Ministry of Natural Resources, Beijing 100048, China

ZENG Junze1

résumé

L'objectif de cet article est de trouver une solution au problème de l'extraction des signaux de données des satellites de nouvelle génération de glace, de nuages et de niveaux de sol élevés dans les régions montagneuses, ce qui entraîne des difficultés dans la détection de la surface terrestre et de la couche supérieure. Dans cet article, une nouvelle méthode de détection de la surface terrestre et de la couche supérieure dans la région montagneuse, basée sur l'ordonnancement des points dans la direction DA-OPTICS (Direction-Adaptively Ordering Points To Identify The Clustering Structure), a été proposée. Premièrement, cette méthode utilise un échantillonnage aléatoire uniforme (RANSAC) pour l'adaptation des courbes segmentées de la surface initiale et la construction d'un domaine de recherche de ellipse adaptatif directionnel, puis en combinaison avec la méthode d'Otsu (OTSU) pour extraire le signal de surface, par adaptation de la surface, le signal de surface extrait est obtenu itérativement. Ensuite, à partir de l'extraction de la surface fine, l'effet du terrain sur le nuage de points est éliminé, l'OPTICS elliptique vertical est utilisé pour extraire le signal de végétation et détecter la couche supérieure. Pour évaluer les performances de DA-OPTICS, cet article prend comme objet d'expérience les échantillons étiquetés manuellement et les produits d'avions sans pilote de la zone forestière Mendjagang du Heilongjiang et de la zone forestière de Fushun du Liaoning, pour vérifier la précision. Les résultats montrent que DA-OPTICS peut atteindre une précision d'extraction de la surface et de la végétation (valeur F) de 0,97, soit une amélioration d'environ 0,07 par rapport à l'OPTICS à recherche elliptique basée sur un domaine de recherche ; en même temps, les erreurs quadratiques moyennes des hauteurs (RMSE) de la surface terrestre et de la couche supérieure détectées par DA-OPTICS donnent respectivement des résultats de 1,08 mètre et 2,33 mètres, nettement meilleurs que 1,92 mètre et 3,29 mètres pour ATL08. Ainsi, DA-OPTICS peut réaliser une détection précise de la surface terrestre et de la couche supérieure dans les régions montagneuses, ce qui convient particulièrement aux régions présentant des variations importantes de pente, et fournit une base de données fiable pour l'inversion précise des paramètres de la structure spatiale de la forêt.

mots-clés

ICESat-2/ATLAS; adaptation directionnelle; DA-OPTICS; raffinement itératif; une pente du terrain; régions montagneuses

References

  1. 1.
    Awadallah M, Ghannam S, Abbott L and Ghanem A M. 2013. Active contour models for extracting ground and forest canopy curves from discrete laser altimeter data//13th International Conference on LiDAR Applications for Assessing Forest Ecosystems. Beijing: 129-136
  2. 2.
    Chen B W and Pang Y. 2015. A denoising approach for detection of canopy and ground from ICESat-2’s airborne simulator data in Maryland, USA//Proceedings Volume 9671, AOPC 2015: Advances in Laser Technology and Applications. Beijing: SPIE: 383-387
  3. 3.
    Chen B W, Pang Y, Li Z Y, Lu H, Liu L X, North P R J and Rosette J A B. 2019. Ground and top of canopy extraction from photon-counting LiDAR data using local outlier factor with ellipse searching area. IEEE Geoscience and Remote Sensing Letters, 16(9): 1447-1451
  4. 4.
    Gwenzi D, Lefsky M A, Suchdeo V P and Harding D J. 2016. Prospects of the ICESat-2 laser altimetry mission for savanna ecosystem structural studies based on airborne simulation data. ISPRS Journal of Photogrammetry and Remote Sensing, 118: 68-82
  5. 5.
    Herzfeld U C, McDonald B W, Wallin B F, Neumann T A, Markus T, Brenner A and Field C. 2014. Algorithm for detection of ground and canopy cover in micropulse photon-counting lidar altimeter data in preparation for the ICESat-2 mission. IEEE Transactions on Geoscience and Remote Sensing, 52(4): 2109-2125
  6. 6.
    Huang X, Cheng F, Wang J L, Duan P and Wang J S. 2023. Forest canopy height extraction method based on ICESat-2/ATLAS data. IEEE Transactions on Geoscience and Remote Sensing, 61: 5700814
  7. 7.
    Li Y, Fu H Q, Zhu J J and Wang C C. 2021. A filtering method for ICESat-2 photon point cloud data based on relative neighboring relationship and local weighted distance statistics. IEEE Geoscience and Remote Sensing Letters, 18(11): 1891-1895
  8. 8.
    Li Z Y, Liu Q W and Pang Y. 2016. Review on forest parameters inversion using LiDAR. Journal of Remote Sensing (in Chinese), 20(5): 1138-1150
  9. 9.
    Magruder L A, Wharton M E III, Stout K D and Neuenschwander A L. 2012. Noise filtering techniques for photon-counting ladar data//Proceedings Volume 8379, Laser Radar Technology and Applications XVII. Baltimore: SPIE: 237-245
  10. 10.
    Moussavi M S, Abdalati W, Scambos T and Neuenschwander A. 2014. Applicability of an automatic surface detection approach to micro-pulse photon-counting LiDAR altimetry data: implications for canopy height retrieval from future ICESat-2 data. International Journal of Remote Sensing, 35(13): 5263-5279
  11. 11.
    Nie S, Wang C, Xi X H, Luo S Z, Li G Y, Tian J Y and Wang H T. 2018. Estimating the vegetation canopy height using micro-pulse photon-counting LiDAR data. Optics Express, 26(10): A520-A540
  12. 12.
    Pang Y, Li Z Y, Yu T, Liu Q W, Zhao L and Chen E X. 2022. Status and development of forest carbon storage remote sensing satellites. Spacecraft Recovery and Remote Sensing, 43(6): 1-15
  13. 13.
    Popescu S C, Zhou T, Nelson R, Neuenschwander A, Sheridan R, Narine L and Walsh K M. 2018. Photon counting LiDAR: an adaptive ground and canopy height retrieval algorithm for ICESat-2 data. Remote Sensing of Environment, 208: 154-170
  14. 14.
    Su Y J, Guo Q H, Xue B L, Hu T Y, Alvarez O, Tao S L and Fang J Y. 2016. Spatial distribution of forest aboveground biomass in China: estimation through combination of spaceborne lidar, optical imagery, and forest inventory data. Remote Sensing of Environment, 173: 187-199
  15. 15.
    Wang Y. 2020. Signal Processing on Spaceborne Photon Counting Laser Point Cloud and its Applications in Vegetation Remote Sensing. Wuhan: Wuhan University
  16. 16.
    Wang Y, Li S, Tian X, Zhang Z Y and Zhang W H. 2020. An adaptive directional model for estimating vegetation canopy height using space-borne photon counting laser altimetry data. Journal of Infrared and Millimeter Waves, 39(3): 363-371
  17. 17.
    Wang Y, Ni W J, Zhang Z Y, Liu J L, Yu H Y and Zhang D F. 2018. Retrieval of forest canopy heights by using large-footprint waveform data assisted by the LiDAR model over hillsides. Journal of Remote Sensing (in Chinese), 22(3): 466-477
  18. 18.
    Xia S B, Wang C, Xi X H, Luo S Z and Zeng H C. 2014. Point cloud filtering and tree height estimation using airborne experiment data of ICESat-2. Journal of Remote Sensing (in Chinese), 18(6): 1199-1207
  19. 19.
    Xie F, Yang G, Shu R and Li M. 2017. An adaptive directional filter for photon counting Lidar point cloud data. Journal of Infrared and Millimeter Waves, 36(1): 107-113
  20. 20.
    Xie H, Xu Q, Ye D, Jia J H, Sun Y, Huang P Q, Li M, Liu S J, Xie F, Hao X L and Tong X H. 2021. A comparison and review of surface detection methods using MBL, MABEL, and ICESat-2 photon-counting laser altimetry data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 7604-7623
  21. 21.
    Zhang J S and Kerekes J. 2015. An adaptive density-based model for extracting surface returns from photon-counting laser altimeter data. IEEE Geoscience and Remote Sensing Letters, 12(4): 726-730
  22. 22.
    Zhu X X. 2021. Forest Height Retrieval of China with a Resolution of 30 m Using ICESat-2 and GEDI Data. Beijing: University of Chinese Academy of Sciences (Aerospace Information Research Institute, Chinese Academy of Sciences)
  23. 23.
    Zhu X X, Nie S, Wang C, Xi X H, Wang J S, Li D and Zhou H Y. 2021. A noise removal algorithm based on OPTICS for photon-counting LiDAR data. IEEE Geoscience and Remote Sensing Letters, 18(8): 1471-1475

Lire l'article complet

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website