在高陡边坡危岩体的调查中,复杂的地形条件经常限制工作的正常开展,如何快速准确地获取地质灾害信息一直是地质灾害调查研究中的难点之一。以往的研究中对无人机遥感技术在黄土、高原等地区应用有所报道,但对西南地区高陡边坡危岩体灾...在高陡边坡危岩体的调查中,复杂的地形条件经常限制工作的正常开展,如何快速准确地获取地质灾害信息一直是地质灾害调查研究中的难点之一。以往的研究中对无人机遥感技术在黄土、高原等地区应用有所报道,但对西南地区高陡边坡危岩体灾害调查的研究尚无报道。文章以锦屏二级水电站出线场边坡落石灾害所在区域为例,将无人机摄影测量技术应用于高陡边坡危岩体调查中,通过无人机倾斜摄影获取高分辨率遥感影像,开展遥感影像三维建模,进行地质灾害遥感解译,总结了无人机遥感系统在高陡边坡危岩体调查的技术流程。通过三维实景模型,精确地分析了落石灾害的空间分布、失稳模式及演化过程,查明了区域内危岩隐患点的分布特征;基于三维点云模型,提取出地质灾害体的属性信息,测得落石方量为11.7 m 3,采用最小二乘法进行平面拟合,得到落石两组主控结构面产状为275.4°∠31.2°、103.5°∠63.3°。实践表明,无人机遥感技术在高陡边坡地区落石灾害调查中具有明显的可行性和优越性,可以较好地应用于高陡边坡危岩体调查中。展开更多
为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,Li DAR)在农作物长势监测方面的潜力,探究机载Li DAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载Li DAR和可见光-近红外多光谱为研...为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,Li DAR)在农作物长势监测方面的潜力,探究机载Li DAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载Li DAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机载Li DAR点云和多光谱数据,从中提取并筛选合适的Li DAR点云结构参数和植被指数,借助多元线性回归法(Multivariable Linear Regression,MLR)和偏最小二乘回归法(Partial Least Squares Regression,PLSR),通过融合Li DAR点云结构参数与植被指数以及单独使用植被指数作为模型输入参数,分别与实测LAI构建了LAI反演模型。用决定系数(Coefficient of Determination,R^(2))和均方根误差(Root Mean Square Error,RMSE)来评价模型时,结果显示融合Li DAR点云与多光谱数据能够较好地反演冬小麦LAI。而且,无论是利用MLR还是PLSR法,融合Li DAR点云结构参数与植被指数的模型(MLR︰R^(2)=0.901,RMSE=0.480;PLSR︰R^(2)=0.909,RMSE=0.445(n=16))均优于仅使用植被指数的模型(MLR︰R^(2)=0.897,RMSE=0.492;PLSR︰R^(2)=0.892,RMSE=0.486(n=16))。因此,加入无人机载Li DAR数据可以一定程度上弥补光谱数据在作物垂直方向上信息提取不足的缺陷,提高冬小麦LAI的反演精度,为冬小麦LAI反演提供了更优的手段。展开更多
文摘在高陡边坡危岩体的调查中,复杂的地形条件经常限制工作的正常开展,如何快速准确地获取地质灾害信息一直是地质灾害调查研究中的难点之一。以往的研究中对无人机遥感技术在黄土、高原等地区应用有所报道,但对西南地区高陡边坡危岩体灾害调查的研究尚无报道。文章以锦屏二级水电站出线场边坡落石灾害所在区域为例,将无人机摄影测量技术应用于高陡边坡危岩体调查中,通过无人机倾斜摄影获取高分辨率遥感影像,开展遥感影像三维建模,进行地质灾害遥感解译,总结了无人机遥感系统在高陡边坡危岩体调查的技术流程。通过三维实景模型,精确地分析了落石灾害的空间分布、失稳模式及演化过程,查明了区域内危岩隐患点的分布特征;基于三维点云模型,提取出地质灾害体的属性信息,测得落石方量为11.7 m 3,采用最小二乘法进行平面拟合,得到落石两组主控结构面产状为275.4°∠31.2°、103.5°∠63.3°。实践表明,无人机遥感技术在高陡边坡地区落石灾害调查中具有明显的可行性和优越性,可以较好地应用于高陡边坡危岩体调查中。
文摘为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,Li DAR)在农作物长势监测方面的潜力,探究机载Li DAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载Li DAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机载Li DAR点云和多光谱数据,从中提取并筛选合适的Li DAR点云结构参数和植被指数,借助多元线性回归法(Multivariable Linear Regression,MLR)和偏最小二乘回归法(Partial Least Squares Regression,PLSR),通过融合Li DAR点云结构参数与植被指数以及单独使用植被指数作为模型输入参数,分别与实测LAI构建了LAI反演模型。用决定系数(Coefficient of Determination,R^(2))和均方根误差(Root Mean Square Error,RMSE)来评价模型时,结果显示融合Li DAR点云与多光谱数据能够较好地反演冬小麦LAI。而且,无论是利用MLR还是PLSR法,融合Li DAR点云结构参数与植被指数的模型(MLR︰R^(2)=0.901,RMSE=0.480;PLSR︰R^(2)=0.909,RMSE=0.445(n=16))均优于仅使用植被指数的模型(MLR︰R^(2)=0.897,RMSE=0.492;PLSR︰R^(2)=0.892,RMSE=0.486(n=16))。因此,加入无人机载Li DAR数据可以一定程度上弥补光谱数据在作物垂直方向上信息提取不足的缺陷,提高冬小麦LAI的反演精度,为冬小麦LAI反演提供了更优的手段。
