Joshua ağaçlarını LiDAR verileriyle mi tanımlıyorsunuz?

Joshua ağaçlarının belirli bir çalışma alanında nerede bulunduğunu belirlemek için bir LiDAR projesi üzerinde çalışıyorum. Bitki örtüsünün çok seyrek olması nedeniyle, orada Joshua ağaçları ve pamuk ağacı olan 2 gölgelik türü var. Kanopideki çok sınırlı tür zenginliği nedeniyle bunun nispeten kolay bir LiDAR analizi olduğuna inanıyorum. Yaklaşımım, çıplak bir toprak tarama (DEM) ve ardından bir 1. dönüş tarama oluşturmak oldu. Daha sonra bir bitki örtüsü raster oluşturmak için çıplak dünyayı 1. dönüş rasterinden çıkaracağım. Doğrulama için bir temel harita kullanarak herhangi bir gürültüyü (örn. Elektrik hatları, binalar) kolayca kaldırabilirim. Müşteri tüm Joshua ağaçlarını> = 12ft görmek istediğinden, bitki örtüsü rasterini yeniden sınıflandırırım. Bunu yaparak çalışma alanımda Joshua ağaçları olması gereken tüm ağaç türlerini görebilmeliyim.

ArcMap'te izlediğim yöntem şu:

Çıplak Toprak Katmanı Oluşturma

1. LAS Veri Kümesi Oluşturma aracıyla seçilen çalışma alanının las veri kümesini oluşturma
2. LAS Veri Kümesi Katmanı Yap aracıyla bu katmanla bir las veri kümesi katmanı oluşturun
   a. Sınıf Kodlarından 2 (toprak) seçin
3. LAS Veri Kümesi'ni Raster aracıyla bu katmanı raster biçimine dönüştürün.

Bitki Örtüsü Katmanı Oluştur

4. TEKRAR AŞAMA 2 VE 3 TEKRAR AMA AMA LAS VERİTET KATMANI ARACI KULLANIRKEN Dönüş Değerleri ALTINDA 1. DÖNÜŞ'ü SEÇİN.

5. Eksi aracıyla Bare Earth rasterini 1.Geri Raster'den çıkarın

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

6. 12 ft ve daha yüksek bir değer belirlemek için Yeniden Sınıflandır aracını kullanın:

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

Herkes bu konuda herhangi bir deneyim var mı ve yanlış gidebilirim bazı ipuçları / işaretçiler sağlayabilir miyim? İnsanlar daha iyi metodolojiler bilirse, fikirlere açıkım!

CanopyMaxima algoritmasına girdi olarak LiDAR noktalarından oluşturduğunuz CHM rasterinin "kalitesi" sonuçlarınızı önemli ölçüde etkileyecektir. CHM oluşturmak için birkaç yöntem denemenizi öneririm.

• basit en yüksek geri dönüş ızgarası / binning
• en yüksek getiriler küçük bir disk ızgarası / binning'e dönüştürülür
• bir TIN üzerinden ilk dönüş enterpolasyonu ve ardından rasterleştirme
• Bir ızgarada yalnızca en yüksek getirinin TIN enterpolasyonu ve rasterleştirilmesi
• kısmi CHM'lere dayanan çukursuz algoritma
• başaktan kaçınma temelli başaksız algoritma.

Üzerindeki bu iki blog makaleler çukura içermeyen ve sivri içermeyen kullanarak yukarıda listelenen farklı yöntemlerle CHM raster nasıl oluşturulacağını açıklar LAStools .

İş akışınızla bir kanopi yüksekliği modeli oluşturmaya çalıştığınız anlaşılıyor. Bu, yerdeki tüm nesnelerin yüksekliğini gösterecektir. İlgilendiğiniz türlere baktığımızda, pamuk ağacı ağaçları genellikle uzun boyludur ve kıyı alanları ve sel bölgeleri içinde büyür. Yeşu ağaçları daha kurak yayla ağaçlarıdır. Bu nedenle, gölgelik yükseklik modelinin> = 12 'tüm pikselleri içerecek şekilde yeniden sınıflandırılması kesinlikle sadece Joshua ağaçları yerine her iki türü de içerecektir.

ArcGIS, türetilmiş LiDAR ürünlerini manipüle etmek için harikadır, ancak LiDAR işleme söz konusu olduğunda uzun bir yol vardır. Aksine, ben tavsiye ederim FUSION LiDAR ormancılık uygulamalarında çalışmak için optimize edilmiştir. AOI'nizdeki bireysel ağaçları tanımlamak için FUSION'da CanopyMaxima adlı bir algoritma öneririm. Gönderen belgelerinde (s.26) :

CanopyMaxima çoğunlukla, bir gölgelik yükseklik modelinde temsil edildiği gibi, tek tek baskın ve codominant ağaçları belirlemek için kullanılır. Nispeten izole edilmiş kozalaklı ağaçlar için en iyi sonucu verir. Yoğun standlarda, birbirine yakın büyüyen ağaçlar ayrılamaz. Sonuç, birden fazla maksimum olması gereken tek bir yerel maksimumdur. Yaprak döken ormanlarda algoritma iyi performans göstermez, çünkü bu tür ağaçlar için taç şekli daha yuvarlak olma eğilimindedir ve kronlar ağacın tepesine yakın bir şekilde üst üste binme eğilimindedir

Komut nispeten basittir:

CanopyMaxima /img24 canopy_maxima_test_1m.dtm testtrees.csv

Buradan, münferit ağaçların koordinatlarını gösteren bir CSV dosyanız var. Cottonwood ağaçlarını filtrelemek için aşağıdaki iş akışını göz önünde bulundurun:

1. Ağaç konumu CSV'sini şekil dosyasına dönüştür
2. Kıyı bölgelerini tanımlayın (örneğin bir DEM eşiği veya bir akış katmanını arabelleğe alarak) ve bunu kıyı bölgelerindeki ağaç konum noktalarını filtrelemek için kullanın.