结合多光谱和激光雷达数据的输电线路树障识别和预测

卫长安

（长治职业技术学院 山西省长治市 046000）

1 多光谱与激光点云技术融合的意义

输电线路因植被自然生长，植被与导线距离低于临界值而发生的瞬间击穿现象从而导致电网跳闸的故障被称作树木故障。树木故障发生后重合闸一般难以成功，故障点在短时间内难以快速解决。该类故障极易造成线路停运，甚至电网营运的严重事故。因此对树障预测的研究就有了迫切的现实意义。虽然激光点云可以设定植被每年固定的生长速率来生成植被与导线关系的预生长报告，但这种预生长报告只能对输电线路廊道中的植被进行简单机械的统一预测，由于树种的个体差异或其他某些未知因素影响，不同类型树木之间的生长状态也会呈现出差异性，做出不同树种区别化的预测无法达到。通过无人机采集输电线路通道内激光点云和多光谱等数据，利用多光谱数据与激光雷达点云数据的结合识别典型树种，建立不同树种的生长模型，运用生长模型进行输电线路廊道的树木故障隐患分析预测，并在此研究成果上开展树种识别和树木生长仿真研究，实现输电通道树障的风险预判，提高电网树障风险预测准确率。

2 机载激光点云在电力通道中的应用

随着遥感技术的发展，激光雷达(Light Detection And Ranging，LiDAR)是集激光扫描测距系统(Laser Scanner)、全球卫星导航系统(Global Navigation Satellite System，GNSS)、惯性测量单元(Inertial Measurement Unit，IMU)等于一体的新型主动式快速测量技术，可对目标进行高精度三维测量，可直接获取表征目标表面的点云模型，该模型是包含了三维几何信息的离散点云数据。

通道内激光数据的采集，是在输电导线上方保持一定的安全距离，由搭载机载扫描系统(Airborne Laser Scanning，ALS)的无人机或直升机对输电线路通道内一定宽度范围（60米-220 米）发射激光对地面进行左右往复逐行扫描，通过GPS、激光扫描仪、惯性测量单元等协同配合，基于航空摄影和激光测距等原理，生成具备高程、强度、回波、时间等信息的三维激光点云数据。通过对激光点云数据处理，经过数据解算、噪点去除、地面点生成、地上物类别分类、植被精细识别和分类等流程，可对输电线路廊道中的植被与导线进行净空距离、垂直距离、水平距离的测量生成可视化数据，根据不同等级的输电线路的树障检测标准生成实时工况树障报告。

3 多光谱与激光点云技术融合的理论基础

多光谱是光学被动遥感数据，可获得冠层水平信息，根据不同种类植被在不同光谱（蓝光，绿光，红光，红边和近红外单波段影像）通道下表现出不同色彩信息特征达到对其树种识别的目的，从而取得不同树种的“指纹特征”，通过该特征来反应细微空间尺度上的不同差别。而激光点云数据是主动遥感数据，可直接获得单株木的位置、树高和冠幅这三个垂直结构参数以及强度信息，从而获得单颗树木的“形态特征”。将主动激光雷达遥感所获取的植被三维空间结构与被动多光谱遥感所获取的二维平面光谱信融合利用，可将植被的“立体结构”和“光谱差异”信息综合利用，有效地提高植被时空分布格局和动态变化规律的准确刻画和定量分析。

4 多光谱与激光点云技术融合的实施方案

该方案的技术融合是基于点云数据提供的高精度高程信息和多光谱影像丰富的光谱及纹理信息来进行地物的分类和提取，首先需要对点云数据和多光谱数据进行预处理。对于点云数据首要是实现点云去噪、地面点分离、点云分类、林木点云单木分割、森林分层及特征变量提取处理等。而多光谱影像主要是获取地物光谱信息，基于获取的不同报端信息拓展计算了光谱指数及纹理信息。最终将激光点云点云数据与多光谱数据进行融合处理之后，在具有精准的三维结构信息的基础上，拥有了丰富的光谱信息以及纹理信息，由于不同的植被类型具有不同的光谱信息，可根据各类地物的特征实现树障树种的自动识别。将表征冠层水平方向信息的多光谱数据与表征林分垂直结构信息的激光点云点云数据融合，形成优势互补，能有效提高树种识别的精度。

4.1 具体技术路线

具体技术路线如图1 所示。

图1： 多光谱与激光雷达技术路线图

4.2 激光点云数据处理

4.2.1 激光点云预处理

直接获取的激光点云数据是输电通道范围内具备三维特征的离散的点云数据，不能直接用于数据融合，需要对数据进行预处理。

首先运用激光点云处理软件进行剔除明显不在通道内三维结构中或高度异常的点，之后利用软件对点云生成地面点，同时将非地面点按地物类别进行分类。

4.2.2 基于激光点云的单木识别分割

在点云处理软件中设置按高程显示激光点云数据，根据软件设置，离散点云点高程越高颜色越鲜艳，通过点云三维特征和高程特征将电力线、绝缘子、引流线等部分分类识别处理。完成激光点云属性分类后，利用点云处理软件单木分割功能将植被区进行单木分割操作。

单木分割算法采用一种基于原始点云的自上而下的区域增长分割算法，主要原理是以点之间的水平距离为限制条件，自顶向下实现点云聚类，从而将单棵树木点云依次分割出来。随着高度的降低，相邻树木的点间距减小，错分的概率增大。通过在不同高度使用不同的距离阈值，可以减小错分的概率。用于寻找局部最大点的搜索球半径和距离阈值是分割算法中两个关键参数。以0.5m 为间隔，将两参数在1-4m 范围内进行调整。

4.2.3 基于激光点云的森林分层

在上述单木分割的基础上，根据高度、物体特征等进一步将道路、电力线、其他地面建筑等进行场景识别与分类，可以看到示例点分类效果较好，图2 分别展示整体和局部的识别分类的效果。

图2： 单木分割结果及局部展示

从单木分割结果中获取单株树木的高度，并基于高度信息对森林点云进行分层，从而提取出森林中的不同层次植被。本研究中，分别使用了5m,15m 作为高度阈值从分割结果中提取出不同的森林层次，把小于5m 的作为灌木，5m-15m之间的作为中等植被，高于15 米的作为乔木。

示例点分层结果如图3 所示，可以看到图中大部分的植被高度是5-15m 范围内，即分层结果图示红色部分；次之是低于5m 的植被，即图中蓝色部分；只有很少一部分的植被有超过15m 的部分即图中绿色代表的植被层。

图3： 站点植被分成3 层的结果

4.2.4 基于激光点云的特征变量提取

（1）高度相关特征。区别不同树种最显著的特征就是高度，通常高度特征包含四类：高度最大值（MaxH）、高度均值（MeanH）、高度标准差（SdH）、高度变异系数（CVH）。高度特征与灰度值关系是灰度值越高表示特征值越大。

（2）冠层垂直结构特征。采用数理统计中的偏度（SK）和峰度（KU）两个变量来描述树种的垂直结构特征。冠层比（CRR）是从测高观测中对冠层相对形状的定量描述，定义为平均高度返回减去最小高度除以最大高度减去最小高度。该比率反映了树冠表面在高度范围的上部（＞0.5）或下部（＜0.5）中的程度。其值越高，冠层（例如，开放冠层）中发生的局部变化越多，而小值表示变化越小（例如闭合或均匀的年龄冠层）。由于所有不同的可能冠层配置和定义尺度的影响，因此没有对给定值的单一解释，因此CRR 是冠层变化的相对度量。确定冠层密度（CD）最有效的方法是通过栅格化将研究区域划分为许多大小相等的小像元。在每个栅格像元中，将地上点的数量与点的总数相比。栅格图如图4 所示。

图4： 激光点云高度相关指标

4.3 多光谱影像处理

4.3.1 多光谱影像拼接

基于获取的无人机多光谱影像，根据每张影片中记录的信息，输入到影像拼接软件中实现多光谱影像拼接。

4.3.2 基于多光谱影像的特征提取

影像的光谱特征是辅助点云分类最为有效的特征。运用可见光相机（RGB 合成影像）及5 个多光谱相机（蓝光，绿光，红光，红边和近红外单波段影像），所有相机均拥有200 万像素解析力。对于多光谱影像空间分辨率经过处理后可达到0.05 米空间分辨率。通过对图像的分析及影像特征的描述可知，多数树种在影像中表现出的色彩信息各不相同，这将为辅助点云分类提供最直接有力的依据。同时利用纹理特征分析辅助解决异物同谱，同谱异物的现象，运用NDVI 指数来辅助识别地面植被密集程度。由图5 可知绿色植被在近红外波段反射率较强，在红光波段发射率较弱，越是密集、叶绿素含量越高，图谱显示越强烈。

图5： 不同树种的多光谱影像

4.4 多光谱影像与激光点云数据配准

多光谱和激光点云数据的配准采用控制点位法进行完成。在实际空间上选好控制点，可以得到该控制点的实际坐标，多光谱影像与激光点云数据中都可以观测到该控制点。数据导入软件后对比控制点是否重合，如不重合，将激光数据进行旋转平移最终达到控制点重合的多光谱影像与激光雷达点云融合数据。

实施过程中，控制点的选择对配准精度有直接的影响，一般应选取规则地物的角点、线路杆塔的拐点以及地面建筑的规则交点等。为了避免同名点对选择过程中的误差，通常选择较多的控制点，对数据进行多次拟合分析，将拟合效果最差的控制点剔除，最终选择残差较小的同名点进行后续数据处理。

4.5 研究针对特定树障树种的自动识别与分类的核心算法开发与实现

激光点云点云数据与多光谱数据进行融合处理之后，在具有精准的三维结构信息的基础上，拥有了丰富的光谱信息以及纹理信息，将经过滤波处理提取的非地面点数据进行分类处理，由于不同的植被类型具有不同的光谱信息，可根据各类地物的特征实现树障树种的自动识别，能有效提高树种识别的精度。如图6 所示。

图6： 树种分类识别结果

4.6 基于多树种和树线距离的树障风险预测

利用单木分割数据可以得到单颗树木顶端与导线的净空距离、垂直距离和水平距离，通过多光谱影像融合激光点云数据可提高识别单颗树的树种类型的概率，根据不同树种类型来设定不同树种的树生长预测模型，将该模型结合已知导线与植被的距离关系，从而达到预测不同树种可能生成树障隐患的时间节点，制作树生长风险预测报告，给出电网运维人员建议，在树障隐患发生前进行现场勘查和处理。如图7所示。

图7： 目标树木到电力线的垂直、水平和净空距离

5 结语

本文探讨了利用激光点云点云数据、多光谱影像数据进行融合后，提取两者不同特征，从而精确判断输电线路通道内树木的“线树”距离和树种分布情况；利用输电线廊道内多种实测数据，构建输电线路通道的典型树障生长周期模型，依据输电线路电压等级制定检测标准，结合所构建模型给出算法，从而达到预测输电廊道内不同树种形成树障隐患的时间节点，为电力部门降低运维成本，提高巡检效率，推动智能电网发展作出了部分参考。同时也针对现有树障预测方法存在的问题提供了一种补充，对无人机巡检电力领域的拓展提供一定的参考方向。