Kiến thức

NÂNG CẤP KHẢ NĂNG QUÉT LASER TRÊN MẶT ĐẤT THÔNG QUA KẾT HỢP VỚI DỮ LIỆU VIỄN THÁM -P2

10/01/2022 GeoLink Thu Giang 0 Nhận xét

(English below)

Di sản tương đối lâu đời của ALS có nghĩa là có một loạt các công cụ và quy trình làm việc đã được thiết lập để trích xuất thông tin về rừng và cây, và hiện tại nhiều hơn so với TLS và UAV-LS. ALS thường cung cấp các ước tính về chiều cao tán, mật độ thân và cấu trúc thẳng đứng tiềm năng. Không cần phải nói, sự đánh đổi là chi tiết: ALS cung cấp ít hơn một trăm điểm trên một mét vuông, so với hàng nghìn điểm có thể từ UAV-LS (và nhiều hơn nữa từ TLS) và nói chung với độ xuyên thấu thấp hơn nhiều và kích thước dấu chân lớn hơn ( Hinh 4). Nhưng ALS đang, và sẽ vẫn là một công cụ bắc cầu quan trọng, đặc biệt trong việc liên kết các phép đo quy mô cốt truyện với các phép đo trong không gian. ALS làm cơ sở cho nhiều ước tính của địa phương, khu vực và quốc gia về độ che phủ (đặc biệt là trong môi trường đô thị), trữ lượng các-bon, tốc độ tăng trưởng và sản lượng, cũng như các kiểu sinh cảnh, bản đồ thay đổi rừng, v.v. Do đó, có một chuỗi thời gian cực kỳ quan trọng. CŨNG quay trở lại vài thập kỷ ở một số nơi.

Rất nhiều sự phát triển trong việc kết hợp ALS với TLS đã được tập trung vào việc làm thế nào để liên kết các thuộc tính tán cây tổng hợp hơn có nguồn gốc từ ALS này với chi tiết quy mô cây từ TLS. Thách thức của việc đồng đăng ký đám mây điểm TLS và ALS thậm chí còn lớn hơn đối với TLS với UAV-LS, chủ yếu là do diện tích được bao phủ lớn hơn nhiều. Mặc dù các cải tiến công nghệ về vị trí và thái độ nền tảng chắc chắn sẽ giúp ích, nhưng các bước tiếp theo trong tích hợp có thể là thuật toán, tức là cách tiếp cận giống SLAM nhưng ở quy mô lớn hơn, dựa trên chính các bộ dữ liệu. Đã có sự phát triển đáng kể trong việc xác định và khoanh vùng các tán cây riêng lẻ khỏi phạm vi phủ sóng ALS trên diện rộng, bao gồm cả thông qua máy học / học sâu. Kết hợp điều này với thông tin từ TLS đã cho phép cải thiện sự đối sánh ở quy mô cây riêng lẻ, đặc biệt là ở các khu vực rừng ít rậm rạp hơn.

Một cách tiếp cận thay thế là đi theo hướng khác, liên hệ các ước tính tổng hợp trên quy mô lô đất về chiều cao và mật độ thực vật từ TLS đến ALS (có thể thông qua UAV-LS). Điều này có lợi thế là không yêu cầu đồng đăng ký ở quy mô cây, và do đó là một cách tiếp cận thực dụng rất hấp dẫn. Hạn chế là mất thông tin chi tiết cấp cây. Tầm quan trọng của việc thiết lập các liên kết giữa dữ liệu trên mặt đất và trên không đã được công nhận rộng rãi. Các hoạt động mới của Ủy ban về vệ tinh quan sát Trái đất (CEOS) làm rõ điều này đối với các ứng dụng liên quan đến trữ lượng carbon và sinh khối trên mặt đất. Ví dụ, sáng kiến ​​GEO-TREES tìm cách thiết lập một mạng lưới gồm hàng trăm địa điểm tham chiếu sinh khối 1 ha lâu dài trở lên trên toàn cầu, những điểm này rất cần thiết để cải thiện việc hiệu chuẩn và xác nhận các ước tính từ vệ tinh và trong không khí về carbon rừng.


Hình 4: Hình minh họa các bộ dữ liệu Lidar khác nhau tại supersite xavan nhiệt đới Litchfield TERN ở Úc. Tất cả các đám mây điểm đều được lấy mẫu xuống 0,02m voxels (từ Calders et al. 2020).
Sự kết hợp giữa Lidar trên không và trong không gian
Bộ dữ liệu Spaceborne Lidar cung cấp thông tin về cấu trúc rừng / tán được giới hạn cho ba nhiệm vụ khác nhau: ICESat-1 (2003-2009), ICESat-2 và Điều tra Động thái Hệ sinh thái Toàn cầu (GEDI). Như tên gọi, ICESat 1 và 2 chủ yếu được thiết kế để đo sự phát triển và thu hẹp của các tảng băng và chỉ GEDI được thiết kế đặc biệt để lập bản đồ cấu trúc tán cây. GEDI đã được phóng vào cuối năm 2018 và hiện đang quay quanh Trái đất từ ​​vị trí thuận lợi trên Trạm Vũ trụ Quốc tế. GEDI thu thập dữ liệu Lidar dạng sóng đầy đủ, vì vậy thay vì các đám mây điểm chi tiết thu được từ các phép đo TLS, thiết bị thu thập 'dạng sóng' chứa thông tin về độ cao mặt đất, chiều cao tán cây và cấu trúc tán cây thẳng đứng tại mỗi vị trí lấy mẫu, theo đó vị trí lấy mẫu trải dài xấp xỉ. Hình tròn đường kính 25m. Với vị trí thuận lợi từ không gian, mẫu lấy mẫu ít dày đặc hơn nhiều so với dữ liệu Lidar trong không khí, nhưng lợi thế của GEDI là nó thu thập các phép đo Lidar nhất quán trên gần như tất cả các vùng ôn đới và rừng nhiệt đới (giữa khoảng 51,6 độ vĩ Bắc và vĩ độ Nam).

Kết hợp dữ liệu liên quan đến dữ liệu Lidar trong không gian chỉ thuộc loại thứ hai được đề cập ở trên; hai tập dữ liệu được căn chỉnh theo không gian (cùng đăng ký) nhưng không được chuyển đổi thành một tập dữ liệu duy nhất. Bộ dữ liệu Lidar trên không có độ phân giải cao, được căn chỉnh theo không gian với dữ liệu trong không gian, có thể được sử dụng để xác nhận các phép đo trong không gian về chiều cao của tán cây và hình dạng thẳng đứng (Hình 5). Sự hợp nhất trong không gian và trên không cũng có thể được sử dụng để đánh giá những thay đổi trong cấu trúc tán cây theo thời gian, chẳng hạn như sử dụng độ trễ thời gian giữa các lần thu thập dữ liệu. Sự khác biệt về cấu trúc tán cây được đo bằng hai thiết bị có thể do các quá trình tự nhiên và con người gây ra. Ngoài ra, bộ dữ liệu tham chiếu trong không gian có thể được sử dụng để huấn luyện các mô hình trích xuất nhiều thông tin hơn từ bộ dữ liệu Lidar trong không gian so với khả năng hiện tại. Đi xa hơn nữa, bộ dữ liệu Lidar trong không gian và trên không thậm chí có thể được kết hợp với các sản phẩm dữ liệu viễn thám trong không gian khác ở độ phân giải cao để đào tạo các mô hình học máy tiên tiến nhằm ước tính cấu trúc tán cây trên các khu vực rộng lớn ở độ phân giải cao hơn khả năng chỉ có thể thực hiện với dữ liệu Lidar trong không gian.


Hình 5: Hình ảnh bên trái cho thấy mô hình quét minh họa của hệ thống Lidar dạng sóng toàn phần trong không khí (LVIS) và GEDI ở Gabon. Hình ảnh bên phải cho thấy sự so sánh giữa dạng sóng Lidar được thu thập bởi LVIS (màu đỏ) và GEDI (màu đen); cao độ mặt đất thu được và chiều cao tán cây được biểu thị bằng các đường chấm cho cả hai thiết bị. Lưu ý rằng các bộ dữ liệu này được thu thập cách nhau khoảng 3 năm, điều này có thể làm tăng thêm sự khác biệt quan sát được về cấu trúc tán cây.
Kết luận
Thông tin 3D về hệ sinh thái rừng của Trái đất là điều cần thiết để hỗ trợ giám sát carbon lâu dài, đặc biệt là hiện nay khí hậu thế giới đang chịu áp lực gia tăng. Dữ liệu TLS đã có thể cung cấp ước tính chính xác về khối lượng và sinh khối cây, nhưng trên thực tế, độ che phủ không gian chỉ giới hạn ở một vài ha. Các khu vực lớn hơn có thể được lập bản đồ với UAV, Lidar trên không và trong không gian và bài viết này đã mô tả cách dữ liệu đó có thể được kết hợp với TLS theo hai cách khác nhau để hỗ trợ nâng cấp.

-------

UPSACLING OF TERRESTRIAL LASER SCANNING THROUGH FUSION WITH REMOTE SENSING DATA - P2

 

The relatively long heritage of ALS means that there are a wide range of established tools and workflows for extracting tree and forest information, and currently more so than for TLS and UAV-LS. ALS typically provides estimates of canopy height, stem density and potentially vertical structure. Needless to say, the trade-off is the detail: ALS provides less than a hundred points per square metre, compared to potentially thousands from UAV-LS (and more from TLS), and generally with much lower canopy penetration and larger footprint size (Figure 4). But ALS is, and will remain, a vital bridging tool, particularly in linking plot-scale measurements to spaceborne ones. ALS underpins many local, regional and national estimates of canopy cover (particularly in urban environments), carbon stocks, growth and yield, as well as habitat types, forest change maps, etc. As a result, there is a hugely important time series of ALS going back several decades in some places. 

A lot of development in combining ALS with TLS has been focused on how to relate these more aggregated ALS-derived canopy properties to tree-scale detail from TLS. The challenge of co-registering TLS and ALS point clouds is even greater than for TLS to UAV-LS, mainly due to the much greater area covered. While technological improvements in platform location and attitude are certainly helping, the next steps in integration may be algorithmic, i.e. a SLAM-like approach but at larger scales, based on the datasets themselves. There has already been significant development in identifying and delineating individual tree crowns from large-area ALS coverage, including via machine learning/deep learning. Combining this with the information from TLS is already allowing improved matching at the individual tree scale, particularly in less dense forest areas. 

An alternative approach is to go the other way, relating plot-scale aggregate estimates of height and vegetation density from TLS to ALS (potentially via UAV-LS). This has the advantage of not requiring co-registration at the tree scale, and so is a very attractive pragmatic approach. The drawback is the loss of the detailed tree-level information. The importance of establishing links between ground and airborne data is widely recognized. New Committee on Earth Observation Satellites (CEOS) activities make this explicit for applications relating to above-ground biomass and carbon stocks. For example, the GEO-TREES initiative seeks to establish a network of a hundred or more permanent 1 ha biomass reference sites across the globe, which are urgently needed to improve calibration and validation of satellite and airborne estimates of forest carbon.


Figure 4: Illustration of different Lidar datasets at the tropical savanna Litchfield TERN supersite in Australia. All point clouds are down-sampled to 0.02m voxels (from Calders et al. 2020).
Airborne and spaceborne Lidar fusion
Spaceborne Lidar datasets providing information on forest/canopy structure are limited to three different missions: ICESat-1 (2003-2009), ICESat-2 and Global Ecosystem Dynamics Investigation (GEDI). As the names suggest, ICESat 1 and 2 were primarily designed to measure the growing and shrinking of ice sheets and only GEDI was specifically designed to map canopy structure. GEDI was launched late 2018 and is currently orbiting the Earth from its vantage point on the International Space Station. GEDI collects full-waveform Lidar data, so instead of the detailed point clouds resulting from TLS measurements, the instrument collects a ‘waveform’ containing information on ground elevation, canopy height and vertical canopy structure at each sampling location, whereby the sampling location spans an approx. 25m-diameter circle. Given the vantage point from space, the sampling pattern is much less dense than from airborne Lidar data, but the advantage of GEDI is that it collects consistent Lidar measurements across nearly all temperate and tropical forests (between roughly 51.6 degrees North and South latitude).

Data fusion involving spaceborne Lidar data is exclusively of the second type mentioned above; two datasets are spatially aligned (co-registered) but not converted into a single unique dataset. High-resolution airborne Lidar datasets, spatially aligned with spaceborne data, can be used to validate the spaceborne measurements of canopy height and the vertical profile (Figure 5). Spaceborne and airborne fusion can also be used to assess changes in canopy structure over time, for example, using the time lag between data collection. Differences in canopy structure as measured by the two instruments can potentially be attributed to natural and human-induced processes. Additionally, airborne reference datasets can be used to train models to extract more information from the spaceborne Lidar datasets than is currently possible. Going even further, spaceborne and airborne Lidar datasets could even be fused with other spaceborne remote sensing data products at high resolution to train advanced machine learning models to estimate canopy structure over vast areas at higher resolution than is possible with spaceborne Lidar data alone.


Figure 5: The left-hand image shows an illustrative scanning pattern of an airborne full-waveform Lidar system (LVIS) and GEDI in Gabon. The right-hand image shows a comparison between a Lidar waveform collected by LVIS (red) vs GEDI (black); the retrieved ground elevation and canopy height are indicated with dotted lines for both instruments. Note that these datasets were collected roughly three years apart, which may add to the observed differences in canopy structure.
Conclusion
3D information on the Earth’s forest ecosystems is essential to support long-term carbon monitoring, especially now that the world’s climate is under increased pressure. TLS data can already provide accurate estimations of tree volume and biomass, but in practice the spatial coverage is limited to just a few hectares. Larger areas can be mapped with UAV, airborne and spaceborne Lidar and this article has described how such data can be fused with TLS in two different ways to support upscaling.

Geolink tổng hợp từ Gim-international

popup

Số lượng:

Tổng tiền: