一种基于多源数据融合的侵蚀沟形态参数高精度测算方法与流程

摘要: 本发明涉及水土保持监测与无人机遥感,具体涉及一种融合多光谱影像与激光雷达点云数据,对侵蚀沟的宽度和深度进行高精度自动测算的方法。背景技术:1、侵蚀沟是水土流失最...
一种基于多源数据融合的侵蚀沟形态参数高精度测算方法与流程

本发明涉及水土保持监测与无人机遥感,具体涉及一种融合多光谱影像与激光雷达点云数据,对侵蚀沟的宽度和深度进行高精度自动测算的方法。

背景技术:

1、侵蚀沟是水土流失最剧烈的表现形式,准确获取其宽度、深度等形态参数,是评估水土流失强度、指导生态修复工程的重要基础。传统侵蚀沟监测主要依靠皮尺、测高杆等工具进行人工接触式测量,劳动强度大、效率低,在沟壑纵横、地形破碎的区域还存在作业安全风险。

2、随着无人机航测技术的发展,基于无人机影像的侵蚀沟参数提取方法逐渐得到应用。例如公开号为cn115060231a的专利文献公开了一种利用无人机影像上侵蚀沟边缘阴影长度反算沟深的方法,该方法实现了非接触式测量,但对光照条件和拍摄时太阳高度角较为敏感,在光照不足或阴影被遮挡的区域易失效,适用场景有限。此外该方法仅能获取深度参数,无法同时测算沟宽,也难以完整描述沟道三维形态,不能满足侵蚀沟体积、侵蚀模数等综合指标的定量评估需求。

3、目前行业内较为普遍的处理方式是:先通过pix4dmapper等商业软件处理无人机可见光影像,生成数字表面模型和数字正射影像,再借助eps等人机交互软件沿断面方向人工点选沟缘和沟底高程点,代入几何公式计算宽度和深度。该类方法在实际应用中存在明显不足:一是在植被覆盖区域,可见光影像生成的数字表面模型反映的是植被冠层顶部高程,而非真实地面,导致提取的沟底高程误差较大,严重时会掩盖沟道形态;二是对于纹理单调的裸露土坡或存在阴影干扰的沟壁,空中三角测量解算时易出现特征点匹配失败或稀疏点云空洞,造成局部三维模型扭曲,影响测量精度;三是沟缘线识别完全依赖人工判读,效率低且不同作业人员提取的断面位置和点位差异较大,测量结果主观性强、可重复性差,难以满足大范围、多期次动态对比监测的需求。因此,亟需一种高精度、自动化的侵蚀沟形态参数测算方法以解决上述问题。

技术实现思路

1、本发明针对单一光学无人机影像在植被覆盖区难以获取真实地面高程、人工判读沟缘线主观性强且效率低、测量精度受地形与环境干扰大等问题,提供一种基于多源数据融合的侵蚀沟形态参数高精度测算方法。

2、为实现上述目的,本发明采用如下技术方案:

3、一种基于多源数据融合的侵蚀沟形态参数高精度测算方法,包括以下步骤:

4、s1.多源数据同步采集与预处理;

5、s2.融合空三解算与植被校正数字表面模型构建;

6、s3.侵蚀沟断面特征点自动提取;

7、s4.侵蚀沟参数联动修正与计算;

8、s5.成果输出与精度评定。

9、步骤s1中,采用同时搭载多光谱相机与轻型激光雷达的无人机系统,同步采集待测侵蚀沟区域的多光谱影像和三维激光雷达点云数据,并布设通过rtk或gnss测量获取坐标的地面控制点;对多光谱影像进行畸变校正,对激光雷达点云数据进行去噪和坐标系统一。

10、步骤s2中,以地面控制点为基准,对激光雷达点云进行滤波分类得到激光雷达地面点云和激光雷达非地面点云;将激光雷达地面点云按预设间距抽稀后作为高程控制点,与地面控制点联合,对多光谱影像进行区域网联合光束法平差,解算影像的内、外方位元素;基于多视影像匹配生成影像密集点云,对影像密集点云中的每个点,利用所述内、外方位元素将其投影至多光谱影像,获取对应像元的红波段与近红外波段反射率并计算ndvi值,将ndvi大于预设阈值且与激光雷达非地面点云中最近点的三维距离小于预设容差的点予以移除,再将剩余影像密集点云与激光雷达地面点云进行迭代最近点icp精配准,合并后内插生成植被校正数字表面模型dsm;基于该植被校正dsm对多光谱影像进行数字微分纠正,生成数字正射影像dom。本文所述“植被校正dsm”为自定义术语,其含义等同于去除植被冠层后的dem,但保留了石块、建筑等非植被地物的高程信息,因此沿用dsm命名。

11、步骤s3中,基于所述数字正射影像dom,采用预训练的深度学习实例分割网络自动识别并矢量化侵蚀沟的沟缘线,同时输出沟底语义区域;所述沟底语义区域为网络根据标注的沟底多边形预测得到的沟底平坦或低洼区域,区别于沟壁。将沟缘线矢量节点叠加植被校正dsm,通过双线性内插赋予各节点高程值。根据沟缘线矢量提取主沟道轴线,沿主沟道轴线延伸方向以预设间距布设垂直于主沟道轴线的断面线,每条断面线与左、右沟缘线相交,并在断面线与所述沟底语义区域的交集中自动搜索植被校正dsm上高程值最小的点作为沟底最低点c,同时获取左侧沟缘点a、右侧沟缘点b的空间三维坐标。

12、步骤s4中,读取每个断面上点a、b、c的空间坐标,引入沟缘线曲率修正系数,通过联动修正公式分别计算该断面处的侵蚀沟宽度k与深度d,同时给出深度的不确定度。

13、步骤s5中,整合所有断面的测算结果,生成侵蚀沟宽度与深度的空间分布图谱;基于实地rtk测量的检查点数据,将测算结果与真值进行逐点比较,计算中误差和相对误差,当误差超过预设阈值时自动标记对应断面并触发自动复核。

14、作为优选,步骤s2中生成植被校正dsm的具体过程为:对激光雷达点云数据采用渐进加密三角网滤波算法,分离出地面点云与非地面点云;将激光雷达地面点云按1m间距抽稀,作为高程控制点纳入后续联合空三平差的目标函数,以约束多光谱影像在弱纹理区域的高程解算精度。对影像密集点云中的每个三维点p(x,y,z),利用平差后影像的内外方位元素,通过共线方程将其投影到多光谱影像上,得到对应的像点坐标,并提取该像点红波段和近红外波段的反射率值,计算ndvi值。对于出现在多张影像重叠区的点,取各投影位置ndvi的平均值。将ndvi大于预设阈值(0.25~0.40)的点标记为植被点云;将影像密集点云中,与激光雷达非地面点云中最近点的三维距离小于5cm且被标记为植被点云的点集移除;将移除植被点后的影像密集点云与激光雷达地面点云进行icp精配准,合并后内插生成最终的植被校正dsm。多视影像匹配在弱纹理区域易产生局部系统偏差,通过icp以lidar高精度地面点云为基准进行局部精配准,可消除残余平移和旋转误差。

15、该步骤构建了“ndvi光谱判据+lidar高程判据”的双重植被剔除机制。单独使用ndvi剔除植被,易将高ndvi值的非植被物体误剔除,且无法穿透冠层获取地表;单独使用lidar滤波分离地面点,难以区分低矮灌草与地面微起伏。本发明将ndvi标记结果与lidar非地面点的空间位置进行“与”逻辑运算,以明确容差判定空间重合度,仅剔除同时满足两种判据的点,既保证植被剔除的彻底性,又最大程度保留真实地面点,实现两种数据源的优势互补。

16、作为优选,步骤s3中,所述深度学习实例分割网络为改进的maskr-cnn,其骨干网络采用层级式视觉transformer结构,并在中间层输出特征后嵌入坐标注意力模块。在具体实施例中,骨干网络可采用swin-transformer,并在其stage-2和stage-3输出特征层后分别嵌入坐标注意力模块。坐标注意力模块将位置信息编码为特征图的通道权重,使网络对沟缘线这类沿特定方向延伸的线性结构具有更强的方向敏感性,提升沟缘与沟坎、阴影边界等视觉相似区域的区分精度。训练阶段,输入为侵蚀沟dom切片,标签为人工精细标注的沟缘、沟壁和沟底多边形。其中“沟底多边形”对应沟底语义区域,标注范围为沟缘线内部的平坦或最低洼部分,不包括沟壁斜面,因此网络输出的沟底语义区域可精准限定沟底范围。步骤s3中,深度学习实例分割网络同时输出“沟缘线矢量”和“沟底语义区域”两类分割结果,后者限定了断面特征点搜索的有效空间,可提升自动化程度与抗干扰能力。

17、作为优选,步骤s3中,主沟道轴线的提取方式为:对于形态较平直的侵蚀沟,采用主成分分析对沟缘线节点坐标进行线性拟合,取第一主成分方向作为主沟道轴线方向;对于弯曲度较大的侵蚀沟,采用基于沟缘线等距线的分段主成分分析方法,以中轴线曲率突变为依据分段,各段分别拟合局部轴线方向。

18、作为优选,步骤s4中计算侵蚀沟宽度k的公式为:k=l*α,式中l为点a和点b之间的水平直线距离,α为沟缘线曲率修正系数,α=cosθ,θ为断面处沟缘线局部切线方向与断面线法线方向的夹角。θ可选取左沟缘点a处切线方向与法线的夹角,或选取a、b两处夹角的均值。当θ超出预设角度范围(0°至60°)时,判定该断面为异常断面并予以标记,不纳入后续统计分析。该系数可修正因沟缘弯曲造成断面线斜交而引起的宽度量测系统误差。

19、作为优选,步骤s4中计算侵蚀沟深度d的公式为:d=(ha−hc)+(lac/l)*(hb−ha),式中,lac为沟底点c在ab连线方向上的水平投影点c1到点a的水平直线距离。当lac<0时取lac=0,当lac>l时取lac=l,以处理沟底最低点c的投影偏离断面线ab延伸范围的边界情形。ha、hb、hc分别为点a、点b和点c的高程值。该公式以左右沟缘连线为基准面,计算沟底到该基准面的竖直距离。同时,为量化沟底微地貌起伏对深度测量的影响,计算以点c为中心、边长为3倍dsm格网间距的正方形邻域内dsm高程标准差δh,深度结果以d±δh的形式输出,其中δh反映深度测量值的不确定度,以此实现参数主值计算与可靠性评估的解耦。

20、本发明构建了“lidar约束空三→ndvi+lidar双重判据剔除植被→深度学习识别沟缘线及沟底语义区域→断面法曲率修正计算宽度→基准面法计算深度并输出不确定度”的完整技术流程。各步骤之间存在协同作用:lidar为弱纹理区的空三解算提供高程约束,提升后续多视匹配和dom生成精度;双重判据植被剔除保证断面搜索基于真实地表开展;沟底语义区域限定断面特征点搜索的空间范围,提升自动化水平;曲率修正系数和不确定度指标共同构成参数计算与可靠性评估体系。各环节协同作用使最终测算精度优于各单项技术的简单叠加。

21、通过上述技术方案,本发明具有以下有益效果:

22、本发明通过lidar约束空三解决弱纹理区域匹配问题、ndvi与lidar双重判据剔除植被、深度学习精准识别沟缘线,结合曲率修正与不确定度评估,将侵蚀沟宽度与深度的测算中误差控制在3cm以内,相对误差控制在5%以内。在植被覆盖区域可有效获取接近真实地表的沟底高程,解决了传统方法在该场景下测量精度不足的问题。

23、本发明从点云融合、植被剔除、沟缘识别到参数计算实现全流程自动处理。实测表明,单条侵蚀沟从数据采集到成果输出的全流程耗时由传统方法的约8小时缩短至约1.5小时,综合效率提升约5倍,可不受植被遮挡、光照及阴影条件的限制,可稳定适用于从平缓浅沟到陡峭切沟的各类复杂地形与覆盖条件。

24、本发明所有断面点均按统一标准自动提取,避免人工判读的随机性;输出带空间坐标的矢量成果图谱及各断面不确定度指标,可支持历史数据对比与大区域综合分析,为水土流失精细化、信息化管理提供数据支撑。