一种遥感森林生物量反演的方法技术

本发明专利技术公开了一种遥感森林生物量反演的方法，该方法在对遥感数据预处理的基础上，分别从LiDAR点云（包含冠层三维空间信息）及多光谱（包含冠层上表面的光谱信息）数据中提取植被冠层的特征变量；通过相关性分析筛选以上LiDAR点云和多光谱特征变量，并结合地面实测生物量信息通过逐步回归模型反演地上和地下生物量。通过本发明专利技术构建的北亚热带森林生物量的优化反演模型可将模型“决定系数”R2提高3-24%；并可高精度估算森林生物量，将“相对均方根误差”rRMSE降低2-10%。可应用在林业调查、森林资源监测、森林碳储量评估及森林生态系统的研究等领域，并为森林可持续经营及森林资源的综合利用提供定量化的数据支持。

【技术实现步骤摘要】
一种遥感森林生物量反演的方法
本专利技术涉及森林有害生物的监测和无公害控制
，具体涉及一种遥感森林生物量反演的方法。
技术介绍
精确的生物量估算对于森林资源监测、森林碳储量评估及森林生态系统的研究有重要意义。同时，这些信息也能够为森林可持续经营及森林资源的综合利用提供定量化的数据支持。传统的生物量调查方法耗时费力，且只能获得有限的“点”上信息，难于在大区域上实用化推广；而遥感技术却能够准确、快速地获取各个尺度的森林参数，具有很好的实用价值和应用前景。Landsat系列卫星可获取中等和大尺度上的森林多光谱(光学)信息。其最新的Landsat8OLI传感器(该传感器搭载在美国航天航空局(NASA)2013年2月11日发射的Landsat8卫星上)在波段的设置及对植被的敏感性上上相比之前的TM等传感器有较大提升。然而光学遥感仍难以穿透森林冠层获得其垂直结构信息，且在森林覆盖度高(植被生长旺盛)的区域获取森林生物量信息时易饱和。激光雷达(LiDAR，LightDetectionAndRanging)是近年来迅速发展的主动遥感技术，其发射的激光脉冲可以穿透植被冠层获得其三维结构和能量信息，以往研究表明LiDAR在精确估算不同森林类型的生物物理和结构特性方面具有较大潜力。近年来反演森林生物量的研究有：1)Zheng等2004在《RemoteSensingofEnvironment》第35卷上发表了“EstimatingabovegroundbiomassusingLandsat7ETM+dataacrossamanagedlandscapeinnorthernWisconsin,USA”，该研究借助从ETM+(Landsat7)影像上提取的NDVI等植被指数反演了美国威斯康辛州北部针叶林的地上生物量信息。2)杨存建等2004年在《植物生态学报》28卷上发表了“不同龄组的热带森林植被生物量与遥感地学数据之间的相关性分析”利用TM(Landsat5)影像原始波段的方法对云南西双版纳热带森林植被生物量进行估算。3)Ferster等2009年在《CanadianJournalofRemoteSensing》第35卷上发表了“AbovegroundLargeTreeMassEstimationinaCoastalForestinBritishColumbiaUsingPlot-LevelMetricsandIndividualTreeDetectionfromLiDAR”，该研究借助从小光斑(直径：0.1-2m)LiDAR数据中提取的点云高度与冠层密度信息，反演了温带森林的地上生物量。4)Saatchi等2011年在《ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica》第12期上发表了“BenchmarkMapofForestCarbonStocksinTropicalRegionsacrossThreeContinents”，该研究通过从GLAS(GeoscienceLaserAltimeterSystem)大光斑(直径：52-90m)LiDAR数据中提取与树高信息相关的特征变量，反演了热带雨林的生物量。然而，以上方法仅从单一的角度去挖掘传统“光学”和LiDAR数据，特异性较低，且对特征变量的挖掘深度较浅(即并未系统分组从多个角度提取和筛选特征变量)，还不能精确的对生物量进行反演。
技术实现思路
专利技术目的：针对现有技术中存在的不足，本专利技术提出一种遥感森林生物量反演的方法，具有特异性强、成本低、易于推广应用等特点。技术方案：为了实现上述专利技术目的，本专利技术采用的技术方案为：一种遥感森林生物量反演的方法：在对遥感数据预处理的基础上，分别从LiDAR点云(包含冠层三维空间信息)及多光谱(包含冠层上表面的光谱信息)数据中提取植被冠层的特征变量；通过相关性分析筛选以上LiDAR点云和多光谱特征变量，并结合地面实测生物量信息通过逐步回归模型反演地上和地下生物量。所述遥感森林生物量反演的方法，包括以下步骤：1)OLI影像预处理：首先借助OLI传感器的辐射定标参数对原始影像进行辐射定标；将原始DN值转化为像元辐射亮度值；再以FLAASH模型对影像进行大气校正，从而将辐射亮度值转化为地表实际反射率；然后对影像进行几何精校正，选取同名地物点，采用二次多项式进行校正，校正误差控制在0.1个像元以内，并采用最邻近像元法进行重采样。2)LiDAR数据预处理：a)噪声水平估计和数据平滑：首先把原始数据转换到频率域，再将频率较高的低值部分作为噪声水平的判断标准；然后选用高斯滤波器进行平滑，这是由于高斯滤波器在有效平滑数据的同时，还可以最大限度地保持原有曲线的趋势；b)高斯拟合(分解)及波形数据点云化：基于回波数据是多个高斯函数的累加这一假设，对波形数据采用非线性最小二乘法进行拟合；然后通过局部最大峰值检测滤波算法从处理后的波形数据上提取离散点云，每个离散点中记录了返回信号的能量和振幅信息；c)生成数字地形：LiDAR数据高度归一化的目的是为了得到去除了地形影响的“真实”植被高度，通常采用原始LiDAR数据高度信息减去地形高度得到；因此，精确生成数字地形模型(DTM)是计算归一化植被高度的重要前提；首先对从波形数据中提取出离散点云进行分类，然后对末次回波进行Kraus滤波处理用以去除非地面点，最后使用滤波后的末次回波数据并借助自然邻近法插值生成数字地形模型；d)再利用DEM对植被回波点的高程进行归一化处理，即使植被点的高度值转化为相对于地面的高度值，并通过左下角和右上角的坐标对每块样地进行裁切；最后通过GIS分析工具提取55个样地对应坐标位置的归一化点云数据；3)OLI特征变量提取：通过对OLI影像进行波段组合、缨帽变换、纹理信息提取、主成分分析、最小噪声分离变换以及多种植被指数变换，提取5组特征变量(详见表1)，即原始单波段变量、波段组合变量、信息增强组变量、植被指数变量以及纹理信息变量；其中纹理分析针对主成分分析的第一主成分进行；4)提取的LiDAR点云特征变量：LiDAR点云特征变量是基于三维归一化LiDAR点云值计算了4组特征变量(详见表2)，即高度变量、高度百分位数变量、冠层密度变量、冠层覆盖度变量；5)特征变量筛选：将提取的LiDAR特征变量及OLI特征变量与需要预测的参数进行Pearson’s相关性分析，选取Pearson’s相关系数的绝对值高于0.2的特征变量作为建模候选变量；Pearson’s相关系数的计算方法为：式中，xi为地面实测的某林分特征，yi为某LiDAR特征变量，为xi的平均值，为yi的平均值；6)统计分析：将地面实测汇总的生物量信息作为因变量，遥感方法提取的特征变量作为自变量，建立多元回归模型。运用逐步进入法(stepwise)和检验决定系数(R2)的变化情况来选择进入模型的合适变量；如果有自变量使统计量F值过小并且T检验达不到显著水平(P值>0.1)，则予以剔除；F值较大且T检验达到显著水平(P值<0.05)则得以进入；采用决定系数(R2)、均方根误差(RMSE)和相对均方根误差(rRMSE)评价回归本文档来自技高网...

【技术保护点】
一种遥感森林生物量反演的方法，其特征在于，包括以下步骤：1)OLI影像预处理：首先借助OLI传感器的辐射定标参数对原始影像进行辐射定标；将原始DN值转化为像元辐射亮度值；再以FLAASH模型对影像进行大气校正，从而将辐射亮度值转化为地表实际反射率；然后对影像进行几何精校正，选取同名地物点，采用二次多项式进行校正，校正误差控制在0.1个像元以内，并采用最邻近像元法进行重采样；2)LiDAR数据预处理：先进行噪声水平估计和数据平滑，然后高斯拟合及波形数据点云化，生成数字地形，再利用DEM对植被回波点的高程进行归一化处理；3)OLI特征变量提取：通过对OLI影像进行波段组合、缨帽变换、纹理信息提取、主成分分析、最小噪声分离变换以及多种植被指数变换，提取5组特征变量，分别为原始单波段变量、波段组合变量、信息增强组变量、植被指数变量以及纹理信息变量；其中纹理分析针对主成分分析的第一主成分进行；4)提取的LiDAR点云特征变量：LiDAR点云特征变量是基于三维归一化LiDAR点云值计算的4组特征变量，分别为高度变量、高度百分位数变量、冠层密度变量、冠层覆盖度变量；5)特征变量筛选：将提取的LiDAR特征变量及OLI特征变量与需要预测的参数进行Pearson’s相关性分析，选取Pearson’s相关系数的绝对值高于0.2的特征变量作为建模候选变量；Pearson’s相关系数的计算方法为：式中，xi为地面实测的某林分特征，yi为某LiDAR特征变量，为xi的平均值，为yi的平均值；6)统计分析：将地面实测汇总的生物量信息作为因变量，遥感方法提取的特征变量作为自变量，建立多元回归模型；运用逐步进入法stepwise和检验决定系数R2的变化情况来选择进入模型的合适变量；如果有自变量使统计量F值过小并且T检验达不到显著水平，则予以剔除；F值较大且T检验达到显著水平则得以进入；采用决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价回归模型的精度；式中，xi为地面实测的某林分特征，为xi的平均值，为模型估算的某林分特征，n为样地数量；...

【技术特征摘要】
1.一种遥感森林生物量反演的方法，其特征在于，包括以下步骤：1)OLI影像预处理：首先借助OLI传感器的辐射定标参数对原始影像进行辐射定标，将原始DN值转化为像元辐射亮度值；再以FLAASH模型对辐射定标后的影像进行大气校正，从而将辐射亮度值转化为地表实际反射率；然后对大气校正后的影像进行几何精校正，选取同名地物点，采用二次多项式进行校正，校正误差控制在0.1个像元以内，并采用最邻近像元法进行重采样；2)LiDAR数据预处理：先进行噪声水平估计和数据平滑，然后高斯拟合及波形数据点云化，生成数字地形，再利用DEM对植被回波点的高程进行归一化处理；3)OLI特征变量提取：通过对OLI影像进行波段组合、缨帽变换、纹理信息提取、主成分分析、最小噪声分离变换以及多种植被指数变换，提取5组特征变量，分别为原始单波段变量、波段组合变量、信息增强组变量、植被指数变量以及纹理信息变量；其中纹理分析针对主成分分析的第一主成分进行；4)提取的LiDAR点云特征变量：LiDAR点云特征变量是基于三维归一化LiDAR点云值计算的4组特征变量，分别为高度变量、高度百分位数变量、冠层密度变量、冠层覆盖度变量；5)特征变量筛选：将提取的LiDAR特征变量及OLI特征变量与需要预测的参数进行Pearson’s相关性分析，选取Pearson’s相关系数的绝对值高于0.2的特征变量作为建模候选变量；Pearson’s相关系数的计算方法为：式中，xi为地面实测的某林分特征，yi为某LiDAR特征变量，为xi的平均值，为yi的平均值；6)统计分析：将地面实测汇总的生物量信息作为因变量，遥感方法提取的特征变量作为自变量，建立多元回归模型；运用逐步进入法...

【专利技术属性】
技术研发人员：曹林，徐婷，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：江苏;32