Identifier les arbres Joshua avec des données LiDAR?


9

Je travaille sur un projet LiDAR pour déterminer où les arbres Joshua sont situés dans une zone d'étude spécifiée. En raison de la rareté du couvert végétal, il y a vraiment 2 espèces de canopées, qui sont des Joshua et des peupliers. Je pense qu'il s'agit d'une analyse LiDAR relativement facile en raison de la richesse très limitée des espèces dans la canopée. Mon approche a été de créer un raster de terre nue (DEM) puis un premier raster de retour. Je soustrais ensuite la terre nue du 1er raster de retour pour créer un raster de végétation. Je serais en mesure d'éliminer facilement tout bruit (par exemple, lignes électriques, bâtiments) en utilisant un fond de carte pour vérification. Parce que le client veut voir tous les arbres Joshua> = 12 pieds, je reclasserais simplement le raster de végétation. Ce faisant, je devrais être en mesure de voir toutes les espèces d'arbres, qui devraient être des arbres Joshua, dans ma zone d'étude.

Voici la méthodologie que j'ai suivie dans ArcMap:

Créer une couche de terre nue

  1. Créer un jeu de données las de la zone d'étude sélectionnée avec l'outil Créer un jeu de données LAS
  2. Créez une couche de jeu de données las avec cette couche avec l'outil Créer une couche de jeu de données LAS
    a. Sélectionnez 2 (masse) dans les codes de classe
  3. Convertissez ce calque en raster avec l'outil Jeu de données LAS en raster.

Créer une couche de végétation

  1. RÉPÉTEZ LES ÉTAPES 2 ET 3 ENCORE MAIS SÉLECTIONNEZ LE 1ER RETOUR SOUS LES VALEURS DE RETOUR (facultatif) LORS DE L'UTILISATION DE L'OUTIL DE COUCHE DE FABRICATION DE LAS DASASET.

  2. Soustrayez le raster Bare Earth du 1er raster de retour avec l'outil Moins

     1st Return (raster) – Bare Earth (raster) = Vegetation Layer
    
  3. Utilisez l'outil Reclassifier pour déterminer ce qui est de 12 pieds et plus:

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

Quelqu'un a-t-il une expérience avec cela et pourrait-il être en mesure de fournir des conseils / des indications sur les erreurs que je pourrais avoir? Si les gens connaissent de meilleures méthodologies, je suis ouvert aux idées!


"Avec cette méthodologie, je n'ai pu créer que les points de terre nue les plus élevés de la zone d'étude ...". Je pourrais comprendre presque tout ce que vous avez décrit, à l'exception de cette partie clé (c'est-à-dire la sortie inattendue). Pouvez-vous clarifier (en d'autres termes, ajouter une capture d'écran)? Merci.
Andre Silva

Réponses:


3

La «qualité» du raster CHM que vous générez à partir des points LiDAR en entrée de l'algorithme CanopyMaxima affectera considérablement vos résultats. Je suggère d'essayer quelques méthodes pour générer un CHM, telles que

  • maillage / regroupement simple à rendement le plus élevé
  • les rendements les plus élevés se sont transformés en un petit maillage / binning de disque
  • interpolation premier retour via un TIN suivie d'une rastérisation
  • Interpolation TIN des seuls retours les plus élevés sur une grille et pixellisation
  • l'algorithme sans fosse basé sur les CHM partiels
  • l'algorithme sans pic basé sur l'évitement de pic.

Ces deux articles de blog sur sans fosse et sans pic décrivent comment générer raster CHM avec les différentes méthodes énumérées ci - dessus en utilisant LAStools .


2

Il semble que vous tentiez de créer un modèle de hauteur de canopée avec votre flux de travail. Cela montrera la hauteur de tous les objets au-dessus du sol. En regardant vos espèces d'intérêt, les peupliers peupliers poussent généralement en hauteur et dans les zones riveraines et les zones inondables. Les arbres de Josué sont des arbres des hautes terres plus arides. Par conséquent, reclassifier le modèle de hauteur de la canopée pour inclure tous les pixels> = 12 'inclurait certainement les deux espèces plutôt que seulement les arbres de Joshua.

ArcGIS est idéal pour manipuler les produits LiDAR dérivés, bien qu'il reste un long chemin à parcourir en matière de traitement LiDAR. Je recommanderais plutôt FUSION , qui est optimisé pour travailler sur des applications forestières LiDAR. Je recommanderais un algorithme dans FUSION appelé CanopyMaxima pour identifier les arbres individuels au sein de votre AOI. De la documentation (p.26) :

CanopyMaxima est le plus souvent utilisé pour identifier les arbres dominants et codominants individuels représentés dans un modèle de hauteur de canopée. Il fonctionne mieux pour les conifères relativement isolés. Dans les peuplements denses, les arbres poussant à proximité les uns des autres ne peuvent pas être séparés. Le résultat est un seul maximum local où il devrait y avoir plus d'un maximum. L'algorithme ne fonctionne pas bien dans les forêts de feuillus car la forme de la couronne pour ces arbres a tendance à être plus arrondie et les couronnes ont tendance à se chevaucher près du sommet de l'arbre

La commande est relativement simple:

CanopyMaxima /img24 canopy_maxima_test_1m.dtm testtrees.csv

De là, vous avez un fichier CSV montrant les coordonnées des arbres individuels. Pour filtrer les peupliers, considérez le flux de travail suivant:

  1. Convertir l'emplacement CSV de l'arborescence en fichier de formes de points
  2. Identifiez les zones riveraines (via le seuillage d'un MNT ou la mise en mémoire tampon d'une couche de cours d'eau, par exemple) et utilisez-la pour filtrer les points d'emplacement des arbres dans les zones riveraines.

Merci beaucoup pour l'aide. J'ai quelques questions. Dois-je créer le DTM dans ArcMap, puis utiliser ce DTM dans l'algorithme ci-dessus? De plus, où dois-je saisir cet algorithme dans Fusion? Je n'ai vraiment aucune expérience avec ce logiciel. Si vous avez le temps, j'aimerais en discuter davantage avec vous. Peut-être même au téléphone. J'ai lu que vous êtes consultant. Peut-être que nous pourrions nous mettre d'accord sur des frais et que nous pourrions y travailler afin que je puisse développer une méthodologie pour mon projet. Mon numéro est 3076907598. Merci beaucoup !!
Tommy JH
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.