Mengidentifikasi pohon Joshua dengan data LiDAR?

Saya sedang mengerjakan proyek LiDAR untuk menentukan di mana pohon Joshua berada di dalam area studi yang ditentukan. Karena tutupan vegetasi yang sangat jarang, sebenarnya ada pada 2 spesies kanopi di sana, yaitu pohon Joshua dan kayu kapas. Saya percaya ini menjadi analisis LiDAR yang relatif mudah karena kekayaan spesies yang sangat terbatas di kanopi. Pendekatan saya adalah membuat raster bumi kosong (DEM) dan kemudian raster kembali pertama. Saya kemudian akan mengurangi tanah kosong dari raster kembali pertama untuk membuat raster vegetasi. Saya akan dapat dengan mudah menghilangkan kebisingan (mis. Saluran listrik, gedung) dengan menggunakan basemap untuk verifikasi. Karena klien ingin melihat semua pohon Joshua> = 12 kaki, saya hanya akan mengklasifikasikan ulang raster vegetasi. Dengan melakukan ini, saya seharusnya dapat melihat semua spesies pohon, yang seharusnya adalah pohon Joshua, di dalam area studi saya.

Ini adalah metodologi yang saya ikuti di ArcMap:

Buat Bare Earth Layer

1. Buat dataset las dari area studi yang dipilih dengan alat Create LAS Dataset
2. Buat layer las dataset dengan layer ini dengan alat Make LAS Dataset Layer
   a. Pilih 2 (arde) dari Kode Kelas
3. Ubah layer ini menjadi raster dengan LAS Dataset menjadi alat Raster.

Buat Layer Vegetasi

4. LANGKAH-LANGKAH REPEAT 2 DAN 3 LAGI TAPI MEMILIH KEMBALI KE-1 DI BAWAH Nilai Pengembalian (opsional) KETIKA MENGGUNAKAN ALAT PEMBUAT LAPISAN LAS DATASET.

5. Kurangi raster Bare Earth dari Raster Pengembalian Pertama dengan alat Minus

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

6. Gunakan alat Reklasifikasi untuk menentukan apa yang 12 kaki dan lebih besar:

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

Apakah ada yang punya pengalaman dengan ini dan mungkin bisa memberikan beberapa tips / petunjuk di mana saya mungkin salah? Jika orang tahu tentang metodologi yang lebih baik, saya terbuka untuk ide!

"Kualitas" raster CHM yang Anda hasilkan dari poin LiDAR sebagai input ke algoritma CanopyMaxima akan secara signifikan mempengaruhi hasil Anda. Saya sarankan untuk mencoba beberapa metode untuk menghasilkan CHM, seperti

• gridding / binning pengembalian tertinggi sederhana
• pengembalian tertinggi berubah menjadi disk / binning disk kecil
• interpolasi pengembalian pertama melalui TIN diikuti oleh rasterisasi
• Interpolasi TIN hanya pengembalian tertinggi pada grid dan rasterization
• algoritma pit-free berdasarkan CHM parsial
• algoritma bebas lonjakan berdasarkan penghindaran lonjakan.

Kedua artikel blog tentang bebas pit dan bebas spike ini menjelaskan cara menghasilkan CHM raster dengan berbagai metode yang tercantum di atas menggunakan LAStools .

Tampaknya Anda mencoba membuat model ketinggian kanopi dengan alur kerja Anda. Ini akan menunjukkan ketinggian semua benda di atas tanah. Melihat spesies yang Anda minati, pohon-pohon kayu kapas biasanya tumbuh tinggi dan berada di daerah tepi sungai dan zona banjir. Pohon Joshua adalah pohon dataran tinggi yang lebih kering. Oleh karena itu, mengklasifikasi ulang model tinggi kanopi untuk memasukkan semua piksel> = 12 'tentunya akan mencakup kedua spesies daripada hanya pohon Joshua.

ArcGIS sangat bagus untuk memanipulasi produk LiDAR turunan, meskipun memiliki jalan panjang ketika datang ke pemrosesan LiDAR. Sebaliknya, saya akan merekomendasikan FUSION , yang dioptimalkan untuk bekerja pada aplikasi kehutanan LiDAR. Saya akan merekomendasikan suatu algoritma dalam FUSION yang disebut CanopyMaxima untuk mengidentifikasi setiap pohon dalam AOI Anda. Dari dokumentasi (hal.26) :

CanopyMaxima paling sering digunakan untuk mengidentifikasi pohon dominan dan kodominan individu sebagaimana diwakili dalam model ketinggian kanopi. Ini bekerja paling baik untuk pohon konifer yang relatif terisolasi. Di tegakan padat, pohon yang tumbuh berdekatan satu sama lain tidak dapat dipisahkan. Hasilnya adalah maxima lokal tunggal di mana harus ada lebih dari satu maxima. Algoritma tidak bekerja dengan baik di hutan gugur karena bentuk mahkota untuk pohon seperti itu cenderung lebih bulat dan mahkota cenderung tumpang tindih satu sama lain di dekat bagian atas pohon

Perintahnya relatif sederhana:

CanopyMaxima /img24 canopy_maxima_test_1m.dtm testtrees.csv

Dari sini, Anda memiliki file CSV yang menunjukkan coord dari masing-masing pohon. Untuk memfilter pohon kapas, pertimbangkan alur kerja berikut:

1. Konversi CSV lokasi pohon ke shapefile titik
2. Identifikasi wilayah riparian (via thresholding DEM, atau buffer layer stream, misalnya) dan gunakan itu untuk menyaring titik lokasi pohon apa pun di dalam area riparian.