Light Detection and Ranging (lidar) has become a valuable tool in forest inventory because it yields accurate measurements of tree heights. However, tree height can be accurate only if the height of the ground, i. e., the Digital Terrain Model (dtm) is first accurately established

Although great advances have been made in lidar technology over the past decade, filtering lidar data for Digital Terrain Model (dtm) interpolation is still a challenge, especially in steep and complex terrain with forest cover. Several algorithms proposed in the literature address this challenge but their performance deteriorates with the decreasing point density caused by the presence of forest cover and steep slopes. In this paper, we propose a new adaptive algorithm for dtm interpolation from lidar data in steep terrain with forest cover. The algorithm partitions the input data and estimates a section of the dtm by fitting a linear or quadratic trend surface, or uses cubic spline interpolation depending on the complexity of the section of terrain. The performance of the algorithm is tested in three ways: by visual assessment, by comparison of the tree-height estimates produced using the generated dtm with those obtained using field survey, and by use of International Society for Photogrammetry and Remote Sensing (isprs) test data. Test results show that the algorithm can cope well with steep slopes and low lidar point densities, giving a more accurate estimate of average tree height compared to conventional algorithms. The algorithm can be used for dtm extraction in large scale forest inventory projects in challenging environments–complex terrain and low lidar point densities

چکیده

آشکارسازی نور و مسافت­سنجی (LiDAR) به یک روش ارزشمند برای محاسبه موجودی حجمی جنگل­ ها تبدیل شده است زیرا اندازه ­های دقیقی از ارتفاع درختان را بدست می­ دهد. با این وجود، ارتفاع درختان تنها زمانی دقیق است که ابتدا ارتفاع زمین یعنی مدل رقومی زمین (DTM) با دقت محاسبه شود.

اگرچه در دهه گذشته، پیشرفت ­های بزرگی در فناوری LiDAR صورت گرفته است، پالایش داده­ های LiDAR برای درونیابی مدل رقومی زمین (DTM) به ویژه در زمین­های پرشیب و پیچیده دارای پوشش جنگلی، هنوز هم یک چالش است. الگوریتم­ های متعدد پیشنهاد شده در مقالات این چالش را بررسی کرده­ اند اما عملکرد آنها با کاهش چگالی نقطه در اثر حضور پوشش جنگلی و سطوح شیب دار رو به نزول می­ گذارد. در این مقاله، ما یک الگوریتم تطبیقی جدید برای درون یابی DTM از داده­ های LiDAR در سطوح پرشیب زمین با پوشش جنگلی پیشنهاد می­ کنیم. این الگوریتم، داده­ های ورودی را تقسیم ­بندی می­ کند و یک بخش از DTM را بسته به پیچیدگی آن بخش از سطح زمین، از طریق تناسب با سطح روند خطی یا مربعی یا از طریق استفاده از درون یابی اسپلاین مکعبی براورد می­ کند. عملکرد این الگوریتم به سه روش آزمایش می­ شود: با ارزیابی بصری، با مقایسه براوردهای ارتفاع درختانی که از DTM تولید شده بدست آمده­ اند با مقادیری که از بررسی میدانی بدست آمده ­اند و همچنین با استفاده از داده­ های آزمون انجمن بین­ المللی حسگری راه ­دور و تصویرسنجی (ISPRS). نتایج آزمون نشان می­ دهند که این الگوریتم در زمین­ های پرشیب و با چگالی نقاط LiDAR کم به خوبی عمل می­ کند و نسبت به الگوریتم­ های مرسوم، براورد دقیق ­تری از میانگین ارتفاع درختان حاصل می­ کند. این الگوریتم را می­ توان برای استخراج DTM در پروژه ­های موجودی جنگل بزرگ­ مقیاس در سطوح پیچیده و محیط­های زیستی چالش ­برانگیز و با چگالی نقاط LiDAR کم مورد استفاده قرار داد.

1-مقدمه

مدل­ های رقومی زمین (DTM)، نقش مهمی در مدل سازی پدیده­ های جغرافیایی مختلف ایفا می­ کنند و همچنین، به عنوان یک گام واسط در مدل سازی منابع طبیعی و عوارض ساخت بشر در سطح زمین عمل می ­کنند. به عنوان مثال، DTS برای ارزیابی آسیب­ های وارد شده به سطح زمین بعد از بلایای طبیعی مورد استفاده قرار گرفته است (به عنوان مثال Kasai, et al., 2009). در جنگل داری، DTMها معمولاً برای براورد ارتفاع تاج­پوش مورد استفاده قرار می­ گیرد (به عنوان مثال، Wang and Glenn, 2008). آنگاه، ارتفاع تاج­پوش براورد شده برای براورد میانگین ارتفاع درختان جنگل مورد استفاده قرار می ­گیرد که یک پیش­نیازی برای موجودی جنگل چندمنبعی است...