Lisez les données de Shizuoka Prefecture Point Cloud DB avec Java et essayez de détecter la hauteur de l'arbre.
■ Aperçu
À partir de l'image PNG d'élévation créée dans "Lire les données de la base de données du nuage de points de la préfecture de Shizuoka avec Java et générer une photographie aérienne et une élévation PNG." , "Création de données sur la hauteur des arbres à l'aide de données de levés aériens au laser" présenté au National Land Research Institute Essayez de détecter la canopée.
■ Création d'un DEM estimé
Le PNG d'élévation créé dans "Lire les données de la base de données de nuage de points de la préfecture de Shizuoka avec Java et générer une photographie aérienne et un PNG d'élévation." est DSM. Puisqu'il semble correspondre à (modèle numérique de surface), il est nécessaire d'extraire les données de la partie terrain à partir d'ici. En regardant le "Aerial Laser Survey Mechanism" sur le site Web de l'Institut national de recherche foncière, dans la zone forestière, le laser est bloqué par des arbres et autres et se trouve au sol. Il peut ne pas atteindre et il semble que cela puisse arriver. Pour cette raison, cette fois, nous avons défini un maillage de 2 m pour l'élévation PNG et avons considéré le point avec l'élévation la plus basse dans chaque maillage comme l'élévation de la surface du sol. J'ai créé la classe DemMeshImterpolationProcesser suivante et généré un PNG d'élévation équivalent à DEM. ImageProcessingObservable est une interface observable pour vérifier la progression.
import java.awt.image.BufferedImage;
import java.io.File;
import java.util.Observable;
import javax.imageio.ImageIO;
public class DemMeshImterpolationProcesser extends Observable implements ImageProcessingObservable{
private double[][] dem;
private Cell[][] cell;
private BufferedImage image;
private String message;
public DemMeshImterpolationProcesser(BufferedImage img){
dem=ElevationPngUtil.imgToDouble(img);
image=new BufferedImage(img.getWidth(),img.getHeight(),BufferedImage.TYPE_INT_RGB);
}
public BufferedImage getImage(){
return image;
}
public void drawMinH(){
for(int i=0;i<cell.length;i++){
for(int j=0;j<cell[i].length;j++){
cell[i][j].setRGB(ElevationPngUtil.getRGB(cell[i][j].getMinH()));
}
}
}
public void createImageCell(int size){
int ww=dem.length;
int hh=dem[0].length;
cell=new Cell[ww/size][hh/size];
int x=0;
int y=0;
for(int i=0;i<cell.length;i++){
for(int j=0;j<cell[i].length;j++){
cell[i][j]=new Cell();
cell[i][j].x=new int[size];
cell[i][j].y=new int[size];
for(int m=0;m<size;m++){
cell[i][j].y[m]=y;
y=(y+1)%hh;
}
for(int m=0;m<size;m++){
cell[i][j].x[m]=x+m;
}
if(y==0)x=x+size;
}
}
}
public void output(File f)throws Exception{
ImageIO.write(image, "png", f);
update ("Fin de sortie");
}
protected void update(String mes){
message=mes;
setChanged();
notifyObservers();
}
@Override
public String progress() {
return message;
}
protected class Cell{
int[] x;
int[] y;
double getMinH(){
double min=Double.MAX_VALUE;
for(int i=0;i<x.length;i++){
for(int j=0;j<y.length;j++){
if(Double.isNaN(dem[x[i]][y[j]])||dem[x[i]][y[j]]<0)continue;
min=Math.min(min, dem[x[i]][y[j]]);
}
}
if(min==Double.MAX_VALUE){
return 0;
}else{
return min;
}
}
void setRGB(int rgb){
for(int i=0;i<x.length;i++){
for(int j=0;j<y.length;j++){
image.setRGB(x[i], y[j], rgb);
}
}
}
}
}
Il s'agit du PNG d'élévation DEM généré ci-dessus. (Ce qui suit est un JPG de taille réduite.)
Après avoir généré le PNG d'élévation, il a été lissé avec un filtre Garcian 5x5.
■ Création d'un DSM estimé
Comme il y a beaucoup de pixels sans données dans le PNG d'élévation créé la dernière fois, j'ai généré un TIN et je l'ai interpolé. «Tinfour» a été utilisé pour créer et interpoler le TIN. La licence pour «Tinfour» est «la licence Apache, version 2.0».
/**
* Génération TIN
*/
public void process(){
for(int i=0;i<img.getWidth();i++){
for(int j=0;j<img.getHeight();j++){
int rgb=img.getRGB(i, j);
double hh=ElevationPngUtil.getZ(rgb);
if(Double.isNaN(hh))continue;
Vertex v=new Vertex(i,j,hh,index++);
list.add(v);
}
}
tin=new IncrementalTin();
tin.add(list, null);
}
/**
* Interpolation par TIN
* @return
*/
public BufferedImage interpolation(){
BufferedImage ret=new BufferedImage(img.getWidth(),img.getHeight(),BufferedImage.TYPE_INT_RGB);
setInitVal(ret);
TriangularFacetInterpolator tfi=new TriangularFacetInterpolator(tin);
VertexValuatorDefault vvd=new VertexValuatorDefault();
double n=img.getWidth()*img.getHeight();
for(int i=0;i<img.getWidth();i++){
for(int j=0;j<img.getHeight();j++){
double hh=tfi.interpolate(i, j, vvd);
if(hh>0)ret.setRGB(i, j, ElevationPngUtil.getRGB(hh));
}
}
return ret;
}
L'élévation DSM PNG interne en couches par TIN est la suivante. (Ce qui suit est un JPG de taille réduite.)
■ Création d'un DCHM estimé
Le modèle d'élévation (DCHM) de la hauteur des arbres, etc. est obtenu en soustrayant DEM de DSM.
Le PNG d'élévation DCHM créé en soustrayant les données d'élévation DEM des données d'élévation DSM est le suivant. (Ce qui suit est un JPG de taille réduite.)
La carte d'élévation (carte de hauteur d'arbre) créée à partir du PNG d'élévation DCHM est la suivante.
■ Détection des pics d'arbres
"Aerial Laser Survey Mechanism" introduit une méthode pour détecter le point de valeur maximale avec un maillage de 3 m. Cette fois, j'ai défini un cercle de recherche avec un rayon de 2,0 m et détecté la position du sommet avec le code suivant.
private void findPeaks(){
for(double z=highH;z>=lowH;z=z-1){
double dv=(++vv)/nn*100;
for(int i=0;i<width;i++){
for(int j=0;j<height;j++){
if(ck[i][j]!=0)continue;
if(val[i][j]>=z){
Ellipse2D e=new Ellipse2D.Double(i-this.radius, j-this.radius, this.radius*2, this.radius*2);
if(isHiMax(e,val[i][j])){
setPeak(e);
points.add(new Point3d(e.getCenterX(),e.getCenterY(),val[i][j]));
}
}
}
}
}
}
private boolean isHiMax(Ellipse2D e,double v){
int xs=(int)Math.max(e.getX(), 0);
int ys=(int)Math.max(e.getY(), 0);
int xe=(int )Math.min(e.getX()+e.getWidth(), width);
int ye=(int)Math.min(e.getY()+e.getHeight(),height);
for(int i=xs;i<xe;i++){
for(int j=ys;j<ye;j++){
if(val[i][j]>v)return false;
}
}
return true;
}
private void setPeak(Ellipse2D e){
int xs=(int)Math.max(e.getX(), 0);
int ys=(int)Math.max(e.getY(), 0);
int xe=(int )Math.min(e.getX()+e.getWidth(), width);
int ye=(int)Math.min(e.getY()+e.getHeight(),height);
for(int i=xs;i<xe;i++){
for(int j=ys;j<ye;j++){
if(ck[i][j]!=0)continue;
if(e.contains(i, j))ck[i][j]=1;
}
}
}
Les points de crête HCHM (position de l'arbre debout?) Détectés ci-dessus sont les suivants.
12392 points de crête (position de l'arbre debout?) Ont été détectés dans la plage de l'image (674 mx 600 m).
■ Estimation de la canopée
La division de bore a été réalisée en utilisant "Tinfour" avec le point de pic HCHM comme position de l'arbre.
public List<ThiessenPolygon> process(){
BoundedVoronoiBuildOptions options = new BoundedVoronoiBuildOptions();
options.enableAutomaticColorAssignment(true);
BoundedVoronoiDiagram diagram = new BoundedVoronoiDiagram(vertList, options);
List<ThiessenPolygon> polyList=diagram.getPolygons();
return polyList;
}
Les résultats suivants de la division Boronoi sont présentés. Lorsqu'ils sont agrandis, les ombres et les sommets / régions de la canopée visibles sur la photographie semblent être grossièrement divisés.
■ Confirmation des points de crête
Afin de confirmer si le pic est détecté correctement, j'ai visualisé les informations de pixel DCHM estimées comme la canopée avec Jyz3d. J'ai vérifié certains endroits, mais le pic a été détecté sous la forme indiquée dans la figure ci-dessous.
■ Enfin
J'ai essayé d'analyser la hauteur des arbres, etc. avec Java des données de base de données de nuages de points de la préfecture de Shizuoka, mais je pouvais le détecter comme ça. Comme il n'y a pas de données de vérification, c'est dans la plage de jeu, mais c'est difficile pour les arbres à larges feuilles, etc., mais j'ai senti qu'il était possible de détecter le nombre d'arbres et de canopée comme c'est le cas dans la plantation de cèdres, etc. En outre, dans "Création de données de hauteur d'arbre à l'aide de données de levé laser aérien", "Les données de hauteur d'arbre par levé laser aérien sont la densité du groupe de points. Sauf pour les données des forêts de conifères à feuilles persistantes avec une haute, il ne correspond généralement pas aux valeurs mesurées des arbres individuels. "Cependant, si vous prenez la valeur moyenne dans la plage d'environ 30 mètres carrés, la corrélation sera meilleure. ] Est déclaré.
Si les résultats d'enquêtes et d'enquêtes sont rendus plus largement disponibles, comme Shizuoka Prefecture Point Cloud DB, cela sera utile à diverses fins.