Uzaktan algılama verilerinden ağaç taç alanlarını çıkarma (görsel görüntüler ve LiDAR)

Uzaktan algılama görüntüsünü işlemek ve tek tek ağaçların taç alanlarını görüntüden çıkarmak için bir yöntem arıyorum.

Hem görsel dalga boyu alansal görüntülerim hem de bölgeden lidar verilerim var. Söz konusu konum bir çöl alanıdır, bu nedenle ağaç örtüsü bir orman alanı kadar yoğun değildir. Hava görüntülerinin çözünürlüğü 0,5 feet x 0,5 feet'dir. Lidar çözünürlüğü yaklaşık 1 x 1 ayaktır. Hem görsel veriler hem de lidar, bir Pima County, Arizona veri kümesinden geliyor. Sahip olduğum hava görüntüleri türünün bir örneği bu yazının sonunda.

Bu soru ArcMap'te Tek Ağaç algılama? aynı konu gibi görünüyor, ama orada iyi bir cevap yok gibi görünüyor.

Arcmap'taki Iso Cluster sınıflandırmasını kullanarak bölgedeki bitki örtüsü türlerinin makul bir sınıflandırmasını (ve toplam örtü yüzdesi hakkında bilgi) edinebilirim, ancak bu bireysel ağaçlar hakkında çok az bilgi sağlar. İstediğim şeye en yakın olanım, izokluster sınıflamasının çıktısını Rasterden Arcmap'ta Çokgene özelliğinden geçirmenin sonuçlarıdır. Sorun, bu yöntemin ağaçların yanında tek bir çokgene birleştirilmesidir.

Düzenleme: Muhtemelen sahip olduğum şeyler hakkında biraz daha detay eklemeliydim. Sahip olduğum ham veri setleri:

• Tam las verisi ve ondan bir tiff raster üretildi.
• Görsel görüntüler (gösterilen örnek görüntü gibi, ancak çok daha geniş bir alanı kaplar)
• Alandaki ağaçların bir alt kümesinin manuel doğrudan ölçümleri.

Bunlardan oluşturduk:

1. Zemin / bitki örtüsü sınıflandırmaları.
2. DEM / DSM rasterleri.

Spektral ve lidar verilerinde bireysel taç tespiti hakkında önemli bir literatür vardır. Yöntemler akıllıca, belki de:

Falkowski, MJ, AMS Smith, PE Gessler, AT Hudak, LA Vierling ve JS Evans. (2008). Kozalaklı orman gölgelik kapağının, lidar verileri kullanarak iki ayrı ağaç ölçüm algoritmasının doğruluğu üzerindeki etkisi. Kanada Uzaktan Algılama Dergisi 34 (2): 338-350.

Smith AMS, EK Strand, CM Steele, DB Hann, SR Garrity, MJ Falkowski, JS Evans (2008) Çok zamansal hava fotoğraflarında ardıç tecavüzünün nesne başına analizi ile bitki örtüsü mekansal yapı haritalarının üretilmesi. Kanada Dergisi Uzaktan Algılama 34 (2): 268-285

Wavelet yöntemiyle ilgileniyorsanız (Smith ve ark., 2008), Python'da kodladım ama çok yavaş. Matlab deneyiminiz varsa, üretim modunda uygulandığı yer burasıdır. NAIP RGB-NIR görüntüleri ile dalgacık yöntemini kullanarak doğu Oregon'da ~ 6 milyon dönümlük ardıç tecavüzünü belirlediğimiz iki makalemiz var, bu kanıtlanmıştır.

Baruch-Mordo, S., JS Evans, J. Severson, JD Naugle, J. Kiesecker, J. Maestas ve MJ Falkowski (2013) Ağaçlardan adaçayı yetiştiriciliği: Aday için önemli bir tehdidi azaltmak için proaktif bir çözüm Biyolojik Koruma 167: 233-241

Poznanovic, AJ, MJ Falkowski, AL Maclean ve JS Evans (2014) Ardıç Ormanlık Alanlarında Ağaç Tespit Algoritmalarının Doğruluk Değerlendirmesi. Fotogrametrik Mühendisliği ve Uzaktan Algılama 80 (5): 627–637

Ölçeğinde nesne özelliklerini ayrıştırmak için çoklu çözümleme Gauss süreçlerini kullanarak uygulanan matematik durum uzay literatüründen genel nesne ayrışmasında bazı ilginç yaklaşımlar vardır. Bu tip modelleri ekolojik modellerde çok ölçekli süreci tanımlamak için kullanıyorum, ancak görüntü nesnesi özelliklerini ayrıştırmak için uyarlanabilir. Eğlenceli, ama biraz ezoterik.

Gramacy, RB ve HKH Lee (2008) Bayesian, bilgisayar modellemesine bir uygulama ile Gauss süreç modellerini üç katına çıkardı. Amerikan İstatistik Derneği Dergisi, 103 (483): 1119–1130

Kim, HM, BK Mallick ve CC Holmes (2005) Durağan olmayan mekansal verilerin parçalı Gauss süreçlerini kullanarak analizi. Amerikan İstatistik Derneği Dergisi, 100 (470): 653–668

Bir DHM oluşturmak için DEM'i DEM'den çıkarın , bu Esri Raster Calculator veya GDAL_CALC'de yapılabilir . Bu, tüm yüksekliklerinizi 'düz bir oyun alanına' koyacaktır.

Sözdizimi (DEM, DSM ve DHM için tam yolları değiştirin):

GDAL_CALC.py -A DSM -B DEM --outfile=DHM --CALC "A-B"

DHM çoğunlukla nodata değerinizi yaptığınız 0 (veya yeterince yakın) olacaktır. Raster Hesaplayıcı veya GDAL_CALC ile DHM'de gözlemlediğiniz parazit miktarına bağlı olarak keyfi bir değerden daha fazla değer elde edebilirsiniz. Bunun amacı gürültüyü azaltmak ve sadece bitki örtüsünün kronlarını vurgulamaktır - iki 'ağacın' bitişik olduğu durumda, bunun iki ayrı lekeye bölünmesi gerekir.

Sözdizimi (İkili ve DHM için tam yolları ve Değer için gözlenen değeri değiştirin):

GDAL_CALC.py -A DHM --outfile=Binary --calc "A*(A>Value)"

Şimdi GDAL_CALC veya Esri IsNull ile GDAL_Polygonize veya Esri Raster to Polygon ile çokgenleştirilebilen bir ikili tarama oluşturun .

Çokgenleri rafine etmek için çok küçük çokgenleri çıkarın ve bunları imza arayan RGB bantlarıyla karşılaştırın, Esri Bölgesel İstatistik aracında yardımcı olacaktır. O zaman açıkça doğru istatistiklere sahip olmayan çokgenleri atabilirsiniz (deneylere ve verilerinize dayanarak size değerleri veremem).

Bu, bireysel kuronları çizerken sizi yaklaşık% 80 doğruluk oranına getirmelidir.

eCognition bunun için en iyi yazılım, bunu başka bir yazılım kullanarak yaptım ama eCognition daha iyi. İşte bu konuda literatüre referans:

Karlson, M., Reese, H. ve Ostwald, M. (2014). WorldView-2 Görüntüleri ve Coğrafi Nesne Tabanlı Görüntü Analizi Kullanarak Yarı Kurak Batı Afrika'nın Yönetilen Ormanlık Alanlarında (Parklands) Ağaç Kronu Eşleme. Sensörler, 14 (12), 22643-22669.

örneğin http://www.mdpi.com/1424-8220/14/12/22643

Bunlara ek olarak:

Zagalikis, G., Cameron, AD ve Miller, DR (2005). Dijital fotogrametri ve görüntü analiz tekniklerinin ağaç ve stant özelliklerini elde etmek için uygulanması. Kanada orman araştırmaları dergisi, 35 (5), 1224-1237.

örn. http://www.nrcresearchpress.com/doi/abs/10.1139/x05-030#.VJmMb14gAA

Birkaç yıl önce de aynı sorunu yaşadım. Filtrelenmiş LAS verileri veya diğer yardımcı verileri gerektirmeyen bir çözüm var. LiDAR verilerine erişiminiz varsa ve DEM'ler / DSM'ler / DHM'ler (bundan sonra DEM olarak anılacaktır, farklı modellerden yüzey modeli adlandırma semantiğini tartışmıyorum) farklı dönüşlerden kaynaklanabilirse, aşağıdaki komut dosyası yararlı olabilir.

Arcpy betiği 3 DEM alır ve bir orman çokgenini ve ağaç noktası şekil dosyalarını tükürür. 3 DEM aynı uzamsal çözünürlüğe (yani 1 metre) ve genişlemeye sahip olmalı ve ilk dönüşleri, son dönüşleri ve çıplak toprağı temsil etmelidir. Sebze ekstraksiyonu için çok spesifik parametrelerim vardı, ancak parametreler diğer ihtiyaçlara uyacak şekilde değiştirilebilir. Eminim bu süreç geliştirilebilir, çünkü bu benim python betiklemedeki ilk ciddi girişimimdi.

# Name:         Veg_Extractor.py
# Date:         2013-07-16
# Usage:        ArcMap 10.0; Spatial Analyst
# Input:        1 meter DEMs for first returns (DEM1), last returns (DEM2), and bare earth (BE)
# Output:       forest polygon (veg with height > 4m) shapefile with holes > 500m removed;
#               tree point (veg with height > 4m, crown radius of 9 cells) shapefile
# Notes:        Raises error if input raster cell sizes differ

import arcpy, os
from arcpy import env
from arcpy.sa import *

# Check out any necessary licenses
arcpy.CheckOutExtension("spatial")

# Script arguments
dem1 = arcpy.GetParameterAsText(0) #input Raster Layer, First Return DEM
dem2 = arcpy.GetParameterAsText(1) #input Raster Layer, Last Return DEM
bare_earth = arcpy.GetParameterAsText(2) #input Raster Layer, Bare Earth DEM
outForest = arcpy.GetParameterAsText(3) #shapefile
outTree = arcpy.GetParameterAsText(4) #shapefile

# Make sure cell size of input rasters are same
arcpy.AddMessage("Checking cell sizes...")
dem1Xresult = arcpy.GetRasterProperties_management(dem1, "CELLSIZEX")
dem1Yresult = arcpy.GetRasterProperties_management(dem1, "CELLSIZEY")
dem2Xresult = arcpy.GetRasterProperties_management(dem2, "CELLSIZEX")
dem2Yresult = arcpy.GetRasterProperties_management(dem2, "CELLSIZEY")
beXresult = arcpy.GetRasterProperties_management(bare_earth, "CELLSIZEX")
beYresult = arcpy.GetRasterProperties_management(bare_earth, "CELLSIZEY")
dem1X = round(float(dem1Xresult.getOutput(0)),4)
dem1Y = round(float(dem1Yresult.getOutput(0)),4)
dem2X = round(float(dem2Xresult.getOutput(0)),4)
dem2Y = round(float(dem2Yresult.getOutput(0)),4)
beX = round(float(beXresult.getOutput(0)),4)
beY = round(float(beYresult.getOutput(0)),4)
if (dem1X == dem1Y == dem2X == dem2Y == beX == beY) == True:
    arcpy.AddMessage("Cell sizes match.")
else:
    arcpy.AddMessage("Input Raster Cell Sizes:")
    arcpy.AddMessage("DEM1: (" + str(dem1X) + "," + str(dem1Y) + ")")
    arcpy.AddMessage("DEM2: (" + str(dem2X) + "," + str(dem2Y) + ")")
    arcpy.AddMessage("  BE: (" + str(beX) + "," + str(beY) + ")")
    raise Exception("Cell sizes do not match.")

# Check map units
dem1_spatial_ref = arcpy.Describe(dem1).spatialReference
dem1_units = dem1_spatial_ref.linearUnitName
dem2_spatial_ref = arcpy.Describe(dem2).spatialReference
dem2_units = dem2_spatial_ref.linearUnitName
bare_earth_spatial_ref = arcpy.Describe(bare_earth).spatialReference
bare_earth_units = bare_earth_spatial_ref.linearUnitName
if (dem1_units == dem2_units == bare_earth_units) == True:
    if dem1_units == "Meter":
        area = "500 SquareMeters" #Area variable for meter
        unit = 1 #meter
    elif (dem1_units == "Foot_US") or (dem1_units == "Foot"):
        area = "5382 SquareFeet" #Area variable for feet
        unit = 3.28084 #feet in meter
    else:
        raise Exception("Units are not 'Meter', 'Foot_US', or 'Foot'.")
else:
    raise Exception("Linear units do not match.  Check spatial reference.")

# Local variables:
(workspace, filename) = os.path.split(outForest)
arcpy.env.workspace = workspace
arcpy.env.overwriteOutput = True
dem1 = Raster(dem1)
dem2 = Raster(dem2)
bare_earth = Raster(bare_earth)
nbr1 = NbrRectangle(3, 3, "CELL")
nbr2 = NbrRectangle(5, 5, "CELL")
nbr3 = NbrCircle(5, "CELL")

# Give units and multiplier
arcpy.AddMessage("Linear units are " + dem1_units + ". Using multiplier of " + str(unit) + "...")

arcpy.AddMessage("Processing DEMs...")
# Process: Raster Calculator (DEM1 - BE)
ndsm_dem1 = dem1 - bare_earth

# Process: Raster Calculator (DEM1 - DEM2)
d1_d2 = dem1 - dem2

# Process: Raster Calculator
threshold_d1d2 = (d1_d2 > (0.1 * unit))  &  (ndsm_dem1 >= (4.0 * unit))

# Process: Focal Statistics (max 3x3)
focal_max1 = FocalStatistics(threshold_d1d2, nbr1, "MAXIMUM", "DATA")

# Process: Focal Statistics (majority 5x5)
focal_majority = FocalStatistics(focal_max1, nbr2, "MAJORITY", "DATA")

# Process: Con
con_ndsm_dem1 = Con(ndsm_dem1 >= (4.0 * unit), focal_majority, focal_max1)
focal_majority = None
focal_max1 = None

# Process: Focal Statistics (min 3x3)
focal_min1 = FocalStatistics(con_ndsm_dem1, nbr1, "MINIMUM", "DATA")
con_ndsm_dem1 = None

# Process: Focal Statistics (min 3x3)
veg_mask = FocalStatistics(focal_min1, nbr1, "MINIMUM", "DATA")

# Process: Focal Statistics (max R5)
focal_max2 = FocalStatistics(ndsm_dem1, nbr3, "MAXIMUM", "DATA")

arcpy.AddMessage("Calculating tree points...")
# Process: Raster Calculator
tree_points = (veg_mask == 1) & (ndsm_dem1 == focal_max2) & (ndsm_dem1 >= (4.0 * unit))
ndsm_dem1 = None
focal_max2 = None

# Process: Raster Calculator
tree_pick = Pick(tree_points == 1, 1)
tree_points = None

# Process: Raster to Polygon
arcpy.RasterToPolygon_conversion(tree_pick, workspace + "\\tree_poly.shp", "SIMPLIFY", "Value")
tree_pick = None

# Process: Feature To Point
arcpy.AddMessage("Writing tree points...")
arcpy.env.workspace = workspace #reset workspace
arcpy.env.overwriteOutput = True #reset overwrite permission
arcpy.FeatureToPoint_management(workspace + "\\tree_poly.shp", outTree, "CENTROID")

arcpy.AddMessage("Calculating forest polygons...")
# Process: Focal Statistics (max 3x3)
forests = FocalStatistics(veg_mask, nbr1, "MAXIMUM", "DATA")
veg_mask = None

# Process: Raster Calculator
forest_pick = Pick(forests == 1, 1)

# Process: Raster to Polygon
arcpy.RasterToPolygon_conversion(forest_pick, workspace + "\\forest_poly.shp", "SIMPLIFY", "Value")

# Process: Eliminate Holes > 500 sq m (5382 sq ft)
arcpy.AddMessage("Writing forest polygons...")
arcpy.EliminatePolygonPart_management(workspace + "\\forest_poly.shp", outForest, "AREA", area, "0", "CONTAINED_ONLY")

# Clean up
arcpy.AddMessage("Cleaing up...")
arcpy.Delete_management(workspace + "\\tree_poly.shp")
arcpy.Delete_management(workspace + "\\forest_poly.shp")

Ben yorumda uzunluk sınırı, kredi umutları nedeniyle bu cevap olarak gönderiyorum :). Çok geniş bir fırça, DEM'iniz olması koşuluyla.

1. Dem için bireysel çokgen için DEM ayıklayın.
2. Dem'in yükselme uçlarını tanımlayın
3. ZCur + = - zStep'i ayarlayın. Önceden yineleme ile bulunacak adım, örneğin 'ağaç üst hücresi' yüksekliği ile komşular arasında makul düşüş
4. Aşağıda = Con (dem => zCur, int (1))
5. Aşağıdaki grup bölgeleri. Yeterince büyük sayın, bunlar 'ağaçlar'. Görsel inceleme, ön araştırma için burada tanım gerekli mi?
6. ZCur> zMin ise 3. adıma geçin, aksi takdirde 1. adım.

İşlemdeki maksimum grup sayısı = her bir çokgenin içindeki ağaç sayısı. Ek kriterler, örneğin çokgenler içindeki 'ağaçlar' arasındaki mesafe yardımcı olabilir ... Çekirdek kullanarak DEM yumuşatma da bir seçenek.