Идентифицировать деревья Джошуа по данным LiDAR?

Я работаю над проектом LiDAR, чтобы определить, где деревья Джошуа расположены в пределах указанной области исследования. Из-за того, что растительный покров очень скудный, на самом деле есть 2 вида навесов - деревья Джошуа и тополиные. Я полагаю, что это сравнительно простой анализ LiDAR из-за очень ограниченного видового богатства навеса. Мой подход состоял в том, чтобы создать голый растр (DEM) и затем 1-й возвратный растр. Затем я бы вычел голую землю из 1-го возвратного растра, чтобы создать растровый растр. Я мог бы легко удалить любой шум (например, линии электропередач, здания), используя базовую карту для проверки. Поскольку клиент хочет видеть все деревья Джошуа> = 12 футов, я бы просто переклассифицировал растительный растр. Делая это, я должен быть в состоянии видеть все виды деревьев, которые должны быть деревьями Джошуа, в моей области изучения.

Это методология, которой я придерживался в ArcMap:

Создать слой голой земли

1. Создайте набор данных las выбранной области исследования с помощью инструмента Создать набор данных LAS.
2. Создайте слой набора данных las с этим слоем с помощью инструмента Создать слой набора данных LAS
   a. Выберите 2 (земля) из кодов классов
3. Преобразуйте этот слой в растр с помощью инструмента Набор данных LAS в Растр.

Создать слой растительности

4. ПОВТОРИТЕ ШАГИ 2 И 3 СНОВА, ВЫБЕРИТЕ 1-Й ВОЗВРАТ В СБОРЕ Возвращаемые значения (опционально) ПРИ ИСПОЛЬЗОВАНИИ ИНСТРУМЕНТА LAYER DAYASET MAKE LAS.

5. Вычтите растр Bare Earth из 1-го Return Raster с помощью инструмента Минус

    1st Return (raster) – Bare Earth (raster) = Vegetation Layer
   

6. Используйте инструмент Переклассификация, чтобы определить, что составляет 12 футов и больше:

          Classification: Natural Breaks (Jenks)
   
          Classes: 2
   
          Break values: 3.66, 10.725098
   

Кто-нибудь имеет какой-либо опыт с этим и может быть в состоянии предоставить некоторые советы / указатели, где я могу пойти не так? Если люди знают о лучших методологиях, я открыт для идей!

«Качество» растра CHM, которое вы генерируете из точек LiDAR в качестве входных данных для алгоритма CanopyMaxima, существенно повлияет на ваши результаты. Я предлагаю попробовать несколько методов генерации CHM, таких как

• простая максимальная доходность
• максимальная отдача превратилась в небольшой диск
• интерполяция с первым возвратом через TIN с последующей растеризацией
• TIN-интерполяция только самых высоких возвратов по сетке и растеризации
• алгоритм без ям на основе частичных МП
• алгоритм без всплесков, основанный на предотвращении всплесков.

В этих двух статьях блога на тему «без ям» и «без шипов» описывается, как генерировать растр CHM с помощью различных методов, перечисленных выше, с использованием LAStools .

Похоже, что вы пытаетесь создать модель высоты купола с вашим рабочим процессом. Это покажет высоту всех объектов над землей. Если посмотреть на интересующие вас виды, то хлопковые деревья, как правило, вырастают высокими в прибрежных районах и зонах затопления. Деревья Джошуа - более сухие нагорные деревья. Следовательно, реклассификация модели высоты купола для включения всех пикселей> = 12 ', безусловно, будет включать оба вида, а не только деревья Джошуа.

ArcGIS отлично подходит для манипулирования производными продуктами LiDAR, хотя предстоит пройти долгий путь, когда дело доходит до обработки LiDAR. Скорее, я бы порекомендовал FUSION , который оптимизирован для работы в лесных приложениях LiDAR. Я бы порекомендовал алгоритм в FUSION под названием CanopyMaxima для идентификации отдельных деревьев в вашем AOI. Из документации (с.26) :

CanopyMaxima чаще всего используется для идентификации отдельных доминантных и кодоминантных деревьев, представленных в модели высоты купола. Это работает лучше всего для хвойных деревьев, которые относительно изолированы. В густых насаждениях деревья, растущие в непосредственной близости друг от друга, не могут быть разделены. Результатом является один локальный максимум, в котором должно быть более одного максимума. Алгоритм не работает хорошо в лиственных лесах, потому что форма кроны для таких деревьев имеет тенденцию быть более округлой, и кроны имеют тенденцию перекрывать друг друга около вершины дерева

Команда относительно проста:

CanopyMaxima /img24 canopy_maxima_test_1m.dtm testtrees.csv

Отсюда у вас есть файл CSV, показывающий координаты отдельных деревьев. Чтобы отфильтровать хлопковые деревья, рассмотрите следующий рабочий процесс:

1. Преобразование дерева CSV в точечный шейп файл
2. Определите прибрежные области (например, путем установки порога DEM или буферизации слоя потоков) и используйте его для фильтрации любых точек расположения дерева в прибрежных областях.