Identificando árvores Joshua com dados LiDAR?

Estou trabalhando em um projeto LiDAR para determinar onde as árvores de Joshua estão localizadas dentro de uma área de estudo especificada. Devido à cobertura vegetal ser tão escassa, existem realmente duas espécies de copas, que são árvores de Joshua e choupos. Acredito que essa seja uma análise LiDAR relativamente fácil devido à riqueza de espécies muito limitada no dossel. Minha abordagem foi criar uma varredura de terra nua (DEM) e depois uma varredura de primeiro retorno. Eu subtrairia a terra nua da 1ª quadriculação de retorno para criar uma quadriculação de vegetação. Eu seria capaz de remover facilmente qualquer ruído (por exemplo, linhas de energia, edifícios) usando um mapa base para verificação. Como o cliente quer ver todas as árvores de Joshua> = 12 pés, eu simplesmente reclassificaria a varredura da vegetação. Ao fazer isso, eu seria capaz de ver todas as espécies de árvores, que deveriam ser Joshua, dentro da minha área de estudo.

Esta é a metodologia que segui no ArcMap:

Criar camada de terra nua

1. Crie um conjunto de dados da área de estudo selecionada com a ferramenta Criar conjunto de dados LAS
2. Crie uma camada de conjunto de dados com essa camada com a ferramenta Criar camada de conjunto de dados LAS
   a. Selecione 2 (terra) nos códigos de classe
3. Converta essa camada em varredura com a ferramenta Conjunto de dados LAS em varredura.

Criar camada de vegetação

4. Repita as etapas 2 e 3 novamente, mas selecione o primeiro retorno com valores de retorno (opcional) AO USAR A FERRAMENTA DE CAMADA LAS DATASET.

5. Subtraia a varredura Bare Earth da 1ª varredura de retorno com a ferramenta Menos

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

6. Use a ferramenta Reclassificar para determinar o que tem 12 pés ou mais:

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

Alguém tem alguma experiência com isso e pode ser capaz de fornecer algumas dicas / sugestões sobre onde posso estar errado? Se as pessoas conhecem melhores metodologias, estou aberto a idéias!

A "qualidade" da varredura CHM que você gera a partir dos pontos LiDAR como entrada para o algoritmo CanopyMaxima afetará significativamente seus resultados. Sugiro experimentar alguns métodos para gerar um CHM, como

• grade de retorno / binning com maior retorno simples
• retornos mais altos transformados em um pequeno disco
• interpolação de primeiro retorno por meio de um NIF, seguida de rasterização
• Interpolação TIN de apenas retornos mais altos em uma grade e rasterização
• o algoritmo sem pit, baseado em CHMs parciais
• o algoritmo livre de pico baseado em prevenção de pico.

Esses dois artigos de blog sobre pit-free e spike-free descrevem como gerar a varredura CHM com os diferentes métodos listados acima usando o LAStools .

Parece que você está tentando criar um modelo de altura da copa com seu fluxo de trabalho. Isso mostrará a altura de todos os objetos acima do solo. Observando suas espécies de interesse, as árvores de choupo geralmente crescem altas e dentro de áreas ribeirinhas e zonas de inundação. As árvores de Josué são mais áridas. Portanto, reclassificar o modelo de altura do dossel para incluir todos os pixels> = 12 'certamente incluiria ambas as espécies, e não apenas as árvores de Joshua.

O ArcGIS é ótimo para manipular produtos LiDAR derivados, embora tenha um longo caminho a percorrer quando se trata de processamento LiDAR. Em vez disso, eu recomendaria o FUSION , que é otimizado para trabalhar em aplicativos florestais LiDAR. Eu recomendaria um algoritmo no FUSION chamado CanopyMaxima para identificar árvores individuais na sua AOI. Na documentação (p.26) :

O CanopyMaxima é usado com mais frequência para identificar árvores individuais dominantes e codominantes, conforme representadas em um modelo de altura do dossel. Funciona melhor para árvores coníferas que são relativamente isoladas. Em áreas densas, as árvores que crescem próximas umas das outras não podem ser separadas. O resultado é um máximo local único, onde deve haver mais de um máximo. O algoritmo não apresenta bom desempenho em florestas decíduas porque o formato da copa dessas árvores tende a ser mais arredondado e as copas tendem a se sobrepor próximo ao topo da árvore

O comando é relativamente simples:

CanopyMaxima /img24 canopy_maxima_test_1m.dtm testtrees.csv

A partir daqui, você tem um arquivo CSV mostrando as cordas das árvores individuais. Para filtrar árvores de choupo, considere o seguinte fluxo de trabalho:

1. Converter CSV do local da árvore em ponto shapefile
2. Identifique as áreas ribeirinhas (por meio do limiar de um DEM ou do buffer de uma camada de fluxos, por exemplo) e use-a para filtrar qualquer ponto de localização da árvore nas áreas ribeirinhas.