基于多光谱和LiDAR数据融合技术的树种分布识别及树障分级预警系统研究

成广生，罗培焱，刘志武，梁兴平

(国网龙岩供电公司，福建 龙岩 364003)

福建省山地、丘陵占全省总面积的80%以上。高杆植物主要有竹子、杉松、榕树和桉树，这些高杆植物长势较快，在输电线路运维过程中，常出现年年砍、年年长现象。而树障处理的难点之一是估算树木到电线的距离，传统的作业方式由人工经常对输电线路进行巡视，工作量较大，且人工目测并心算弧垂到树顶距离，需要人员从多种角度观察，而人的观察角度和错觉引起的误差难以避免。现阶段精确测量电线弧垂与树木之间的距离，主要靠测高杆、经纬仪等测量仪器，携带这些仪器不仅导致线路巡护人员工作负担增大，而且效率低下。

随着无人机技术快速发展，无人机在输电线路运维工作中的应用不断得到拓展[1-4]，通过无人机搭载三维liDAR设备对输电线路通道进行三维扫描[5-6]，采集通道“线树”距离的基础数据。利用多光谱和LiDAR数据融合技术[7-9]，对采集的信息进行处理，可实现特定树障树种的自动识别与分类。针对竹子、杉松、榕树和桉树等优势树种进行树木生长周期仿真建模，结合输电线路安全运行规范，预测树木何时成为隐患。输电运维人员可以依据仿真预测结果，在消缺周期内进行隐患消除，同时验证预测结果的可靠性，根据验证结果对模型进行优化，不断提升输电线路运维水平和工作效率。

1 技术原理及研究内容

1.1 技术原理

多光谱是光学被动遥感数据，可获得冠层水平信息，因其具有较高的光谱分辨率，使地物目标的属性信息探测能力有所增强，并能够在较小的空间尺度上观察地表的细节变化。LiDAR数据是主动遥感数据，可直接获得单株树木的位置、树高和冠幅这3个垂直结构参数以及强度信息。两者基于像元级融合，形成优势互补，在分类精度上有极大提高，因此，表征树木水平结构信息的多光谱数据与表征树木垂直结构信息的LiDAR数据所组成的机载主被动遥感数据相融合，可实现树种识别与分类[10-12]。

1.2 研究内容

a.利用多光谱影像结合LiDAR数据识别竹子、杉松、榕树和桉树等速生、高杆植物，构建生长模型，分析预测输电线路通道的“线树”隐患，提高输电线路树障隐患的判断和预知能力。

b.利用机载三维LiDAR获取输电线路通道的高精度点云数据，通过机器学习算法自动分离电线、杆塔、树木、建筑物等类别，计算树木与电线的距离，快速获取树障隐患点位置信息，为树障治理提供准确判读依据。

c.研究确定输电线路通道的树木生长预测模型，可输出输电线路通道树木生长预测报告。构建输电线路通道树木生长预测模型数据库,开发多树种和“线树”距离的树障风险预测和分级预警系统。

2 实施方案

2.1 归一化处理及树种的分类识别

多光谱影像与LiDAR点云数据可采用控制点位法进行坐标系的转换与配准，多光谱影像的特殊地物点与对应的LiDAR点云数据上的空间点可形成空间同名点对，通过现场实测等手段可获得同名点对的真实绝对坐标，以此作为坐标系转换多项式方程的输入项，从而得到多项式方程各项系数。将原始点云数据的点坐标作为自变量，对其进行逐点转换，最终可得到绝对坐标系下配准精确的多光谱影像和与LiDAR点云融合的数据。

对通过点云滤波生成的DEM和DTM进行数据归一化处理，得到归一化数字表面模型;在此基础上，进行数据融合，是实现精准配准之后地物识别与分类的关键。经过数据归一化处理，LiDAR点云数据在xyz字段的基础上增加了光谱信息，拓展了数据信息的丰富程度，具体流程如图1、图2所示。

图1 数据融合

在数据融合的基础上，采集输电线路通道内主要优势树种的特征信息，如结构特征、光谱特征等，具体为优势树种的树高、冠幅、种群分布特征、NDVI值。将获取的树种特征信息采用非监督分类以及监督分类等方法，实现树种的分类和识别。

2.2 树木生长周期预测模型构建

2.2.1 主要影响因素数据库构建

收集树木生长主要影响因素，包括气象信息、树障历史信息、地形信息、树木生长特性、树木与电线相对位置、杆塔台帐数据、杆塔技术手册参数、规程规范数据等。

气象信息数据由国家气象科学数据共享服务平台获取，包括温度、湿度、风速、地面气压、降水、短波辐射等数据。

树障历史信息由电网数据库获取。

地形信息由LiDAR点云获取，具体流程为点云去噪、分离地面点、生成数字高程模型。

高杆植物生长特性由互联网搜索获取，主要收集竹子、杉松、榕树和桉树等生长较快植物的生长特性。

树木与电线的相对位置由LiDAR点云数据获取，将LiDAR点云数据分为电线、杆塔、树木等不同类别后，可计算出地物与电线之间的垂直距离、水平距离和空间距离。

杆塔台帐数据、杆塔技术手册参数、规程规范数据由电网数据库获取。

2.2.2 树木生长预测模型构建

系统采用3-PG(Physiological Principles Predicting Growth)模型。 3-PG模型以月为尺度，通过一系列方程动态模拟碳量平衡、水量平衡、盐分平衡和太阳辐射变化，以此模拟树木动态生长过程。模拟树木生长时，既考虑树木特性，又要结合地理条件、气候条件。

树木生长预测模型输入包括以下几个方面。

a.每月的气象因子包括太阳辐射、风速、降雨量、平均最高温和最低温、霜冻天数、水汽压差等。

b.地理条件包括经纬度、土壤类型、土壤深度、肥力、肥力衰退指数等。

c.经营措施包括种植时间、种植密度、砍伐强度等。

d.树木生理参数包括消光系数、冠层量子效率、枯落物最大分解率、初始树木质量、树根死亡率、木材密度等。

模型输出包括按月输出树高、叶面积指数、土壤含水量、冠层导度、蒸腾量、水分利用效率、净光合速率等指标。

根据模型预测结果，采集树木在指定时间段之后的高度，结合LiDAR点云数据，预测何时何处可能出现树木隐患。

2.3 树障风险预测和分级预警系统

a.树障风险预测

以树木当前距离电线的水平和垂直距离为基础，通过树木生长预测模型预测树高，结合不同电压等级的线路安全运行规范，预测树木生长成为隐患的时间节点，评估风险等级，输出树障风险预测报告，给出树障隐患建议处理时限。

b.树障分级预警系统

根据树障隐患预测报告以及建议的处理时限，让输电线路运维人员在该时间节点之前进行现场勘查和处理，验证模型预测的精度。运维人员清理树障隐患后，及时更新系统中的树障隐患信息，实现树障隐患闭环管理，提高树障隐患排查效率。

3 实际成果

选取某供电公司220 kV输电线路树木隐患较为严重的区段进行三维LiDAR扫描，获取基础数据，为建模和树木生长周期分析预测提供数据。输电线路通道数据见图3—图6。

图3 三维扫描发现的输电线路通道隐患点情况

图4 三维扫描获取的某危险点数据

图5 隐患点“线树”距离手动测量数据

图6 隐患点树木生成预测计算

通过机载三维LiDAR对输电线路通道的树木、建筑物、交叉跨越物、输电线路铁塔、导地线等进行扫描，获取LiDAR点云数据，快速、准确地采集输电线路通道的电力设备与通道地物的真三维坐标，算出地物与电线之间的垂直距离、水平距离和空间距离。根据输电运维规程要求，设定不同风险等级，根据实测的“线树”距离，筛选出不同缺陷等级的数据(电线距离树木的垂直、水平距离，隐患点距离电力杆塔的水平距离，树木类型等)，根据缺陷等级要求，合理安排消缺时间。

根据不同树种的生长特性、光热情况、降水情况等生成年度模拟生长速度的数据，计算未来一段时间毛竹、树木的生长高度并与之前扫描数据对比，获取设定时间的“线树”距离，对树障进行风险预测与分级，根据缺陷等级，合理安排消缺时间。

4 结论

a.通过对输电线路通道的树种信息现场实测，利用获取的多光谱影像与LiDAR点云数据，进行数据预处理，可实现特定树障的自动识别与分类。

b.通过对竹子、杉松、榕树和桉树等典型树种生长进行预测，并根据生长预测结果预知未来可能的树木隐患，有效提高输电线路运维的风险预知能力。

c.以当前状况下树木与电线的距离为基础，构建树木生长模型，结合输电线路运行规程，预测树木何时成为隐患。线路运维人员可以依据预测结果，在消缺周期内消除隐患，同时验证预测结果的可靠性，根据验证结果对模型进行优化，不断提升线路运维的科技水平和工作效率。