Ecodrone^®無人機LiDAR遙感系統(tǒng)是易科泰公司推出的一款高性能、一體化的機載激光雷達測量系統(tǒng)，集成了歐洲著名激光雷達技術(shù)公司YellowScan的機載LiDAR技術(shù)，一次飛行可同時獲取高密度三維點云數(shù)于大據(jù)及RGB影像信息，該系統(tǒng)兼具輕量級、高密度點云與高精度優(yōu)勢，具有*的性價比。可廣泛應(yīng)用范圍、多維度的森林遙感研究、垂直森林結(jié)構(gòu)分析、樹木表征、森林火災(zāi)管理、木材體積估計、地形測繪等領(lǐng)域。

案例一：城市森林地形測繪

空間數(shù)據(jù)在當今發(fā)揮著重要作用，正確的規(guī)劃、評估和監(jiān)測過程都需要精準、有效的空間數(shù)據(jù)庫。地形數(shù)據(jù)是政府機構(gòu)、礦業(yè)公司和農(nóng)業(yè)部門等多方都非常需要的空間數(shù)據(jù)。在森林管理方面，快速準確地繪制高精度地形圖對于規(guī)劃、密切監(jiān)測和評估森林變化是非常必要的。

印度尼西亞大學研究人員使用從無人機LiDAR遙感系統(tǒng)采集了校園內(nèi)城市森林區(qū)的高分辨率點云數(shù)據(jù)，并根據(jù)被測區(qū)域的高度區(qū)分植被與地面，進而繪制地形圖，驗證了機載LiDAR技術(shù)在城市森林區(qū)域中創(chuàng)建高程數(shù)據(jù)的能力。

地表與非地表成功分離后，即可生成DTM形式的地形數(shù)據(jù)。DTM僅基于地面點創(chuàng)建，而非地面對象可用于創(chuàng)建數(shù)字表面模型(DSM)數(shù)據(jù)。根據(jù)DTM數(shù)據(jù)可知研究區(qū)的海拔范圍為46.8至68.5m。研究表明，無人機LiDAR遙感技術(shù)能夠在植被密集區(qū)繪制出城市森林的地形圖，為地形地表研究、森林監(jiān)測評估提供重要依據(jù)。

案例二：使用機器學習評估森林結(jié)構(gòu)

森林是人類生命和野生動物賴以生存的重要自然資源，因為它們維持和保護生物多樣性，提供多種生態(tài)系統(tǒng)服務(wù)，并減輕氣候變化的影響。因此，監(jiān)測林分結(jié)構(gòu)對于森林管理者維持生態(tài)系統(tǒng)服務(wù)非常重要。無人機LiDAR遙感系統(tǒng)飛行高度低，靈活性高，可以深入到樹冠中，采集具有高分辨率的3D數(shù)據(jù)，可實現(xiàn)對目標森林區(qū)域的高頻率采集，實現(xiàn)動態(tài)監(jiān)測，為森林監(jiān)測與管理提供了新的手段。

機載LiDAR技術(shù)可以穿透樹冠獲取樹干結(jié)構(gòu)信息，這是準確定位樹木和直接估算胸高直徑（DBH）的有效途徑。常規(guī)的樹高、DBH、樹干曲線和體積評估通常需要大量特定于站點的參數(shù)，當超出其初始環(huán)境時，這些參數(shù)可能會影響估計DBHs的完整性和準確性。

比利時列日大學研究人員提出了基于機器學習層次密度的噪聲應(yīng)用空間聚類（HDBSCAN）算法以實現(xiàn)樹干預測及分割，并應(yīng)用主成分分析（PCA）來提取樹干方向，用于DBH估算。使用該方法在溫帶落葉封閉冠層林的機載LiDAR數(shù)據(jù)中應(yīng)用并驗證，結(jié)果表明，該方法可以在落葉季節(jié)準確檢測高達82%的樹干，精度為98%，并且掃描角度范圍（MSAR）高達75度。因此，此研究方法可以在將來初步檢測樹木時最大限度地減少遺漏和錯分誤差，并輔助進一步的樹木指標提取。

易科泰生態(tài)技術(shù)公司致力于生態(tài)-農(nóng)業(yè)-健康研究發(fā)展與創(chuàng)新應(yīng)用，為森林遙感研究、林木表型分析、植被資源調(diào)查、生態(tài)環(huán)境研究、林業(yè)測繪等領(lǐng)域提供無人機及近地遙感全面技術(shù)方案。

參考文獻：

[1] Iqbal P A S ,  Wibowo A ,  Kusratmoko E , et al. Urban forest topographical mapping using UAV LIDAR[J]. IOP Conference Series Earth and Environmental Science, 2017, 98.

[2] Neuville R ,  Bates J S ,  Jonard F . Estimating Forest Structure from UAV-Mounted LiDAR Point Cloud Using Machine Learning[J]. Remote Sensing, 2021, 13(3):352.