Identyfikacja drzew Joshua z danymi LiDAR?

Pracuję nad projektem LiDAR, aby ustalić, gdzie znajdują się drzewa Joshua na określonym obszarze badań. Ze względu na tak rzadką osłonę roślinności występują tam naprawdę 2 gatunki baldachimów, którymi są drzewa Jozuego i drzewa bawełniane. Uważam, że jest to stosunkowo łatwa analiza LiDAR ze względu na bardzo ograniczone bogactwo gatunków w czaszy. Moje podejście polegało na stworzeniu rastra gołej ziemi (DEM), a następnie rastrze 1. powrotu. Odejmowałbym wtedy nagą ziemię od pierwszego rastra powrotnego, aby utworzyć raster wegetacyjny. Byłbym w stanie łatwo usunąć wszelkie zakłócenia (np. Linie energetyczne, budynki) za pomocą mapy bazowej do weryfikacji. Ponieważ klient chce zobaczyć wszystkie drzewa Jozuego> = 12 stóp, po prostu przeklasyfikuję raster roślinności. W ten sposób powinienem być w stanie zobaczyć wszystkie gatunki drzew, którymi powinny być drzewa Jozuego, na moim obszarze badań.

Oto metodologia, którą zastosowałem w ArcMap:

Utwórz warstwę Bare Earth

1. Utwórz zestaw danych las wybranego obszaru badań za pomocą narzędzia Utwórz zestaw danych LAS
2. Utwórz warstwę lasów z tą warstwą za pomocą narzędzia Make LAS Dataset Layer
   a. Wybierz 2 (masa) z kodów klas
3. Konwertuj tę warstwę na raster za pomocą narzędzia LAS Dataset to Raster.

Utwórz warstwę wegetacyjną

4. POWTARZAJ KROKI 2 I 3 PONOWNIE, ALE WYBIERZ PIERWSZY ZWROT PONIŻEJ Wartości powrotne (opcjonalne) PODCZAS UŻYWANIA NARZĘDZIA WARSTWY LAT DATASET.

5. Odejmij raster Bare Earth od 1. rastra powrotnego za pomocą narzędzia Minus

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

6. Użyj narzędzia Przeklasyfikuj, aby określić, co jest 12 stóp i więcej:

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

Czy ktoś ma z tym jakieś doświadczenie i może być w stanie udzielić wskazówek / wskazówek, w których miejscu popełniam błąd? Jeśli ludzie znają lepsze metodologie, jestem otwarty na pomysły!

„Jakość” rastra CHM generowanego z punktów LiDAR jako danych wejściowych do algorytmu CanopyMaxima znacząco wpłynie na Twoje wyniki. Sugeruję wypróbowanie kilku metod generowania CHM, takich jak

• prosty gridding / binning o najwyższym zysku
• najwyższe zwroty zamieniły się w gridowanie / binowanie małych dysków
• interpolacja pierwszego powrotu przez TIN, a następnie rasteryzacja
• Interpolacja TIN tylko najwyższych zwrotów z siatki i rasteryzacji
• algorytm bez dołu oparty na częściowych CHM
• algorytm bez kolców oparty na unikaniu kolców.

Te dwa blogi artykułów na PIT-wolnego i kolec wolne opisać jak generować CHM raster z różnych metod wymienionych powyżej, stosując LAStools .

Wygląda na to, że próbujesz utworzyć model wysokości czaszy z przepływem pracy. To pokaże wysokość wszystkich obiektów nad ziemią. Patrząc na interesujący Cię gatunek, drzewa bawełniane zwykle rosną wysoko w obszarach nadbrzeżnych i strefach powodziowych. Drzewa Jozuego są bardziej suchymi, wyżynnymi drzewami. Dlatego przeklasyfikowanie modelu wysokości czaszy, tak aby obejmowało wszystkie piksele> = 12 ', z pewnością obejmowałoby oba gatunki, a nie tylko drzewa Jozuego.

ArcGIS doskonale nadaje się do manipulowania pochodnymi produktami LiDAR, choć ma jeszcze długą drogę, jeśli chodzi o przetwarzanie LiDAR. Raczej poleciłbym FUSION , który jest zoptymalizowany do pracy z aplikacjami leśnymi LiDAR. Poleciłbym algorytm w FUSION o nazwie CanopyMaxima do identyfikacji poszczególnych drzew w twoim AOI. Z dokumentacji (str. 26) :

CanopyMaxima jest najczęściej używany do identyfikacji pojedynczych drzew dominujących i kodominujących przedstawionych w modelu wysokości baldachimu. Działa najlepiej w przypadku drzew iglastych, które są stosunkowo odizolowane. W gęstych drzewostanach nie można oddzielić drzew rosnących blisko siebie. Wynikiem są pojedyncze lokalne maksima, w których powinno być więcej niż jedno maksima. Algorytm nie działa dobrze w lasach liściastych, ponieważ kształt korony dla takich drzew jest zwykle bardziej zaokrąglony, a korony mają tendencję do zachodzenia na siebie w pobliżu wierzchołka drzewa

Polecenie jest stosunkowo proste:

CanopyMaxima /img24 canopy_maxima_test_1m.dtm testtrees.csv

Stąd masz plik CSV pokazujący współrzędne poszczególnych drzew. Aby odfiltrować drzewa Cottonwood, rozważ następujący przepływ pracy:

1. Konwertuj CSV położenia drzewa na punktowy plik kształtu
2. Zidentyfikuj obszary nadbrzeżne (na przykład poprzez progowanie DEM lub buforowanie warstwy strumieni) i użyj tego, aby odfiltrować wszelkie punkty lokalizacji drzew w obszarach nadbrzeżnych.