一种基于同期双高分辨率遥感影像的森林生物量估算方法技术

本发明专利技术公开了一种基于同期双高分辨率遥感影像的森林生物量估算方法，以江苏南部丘陵地区的亚热带天然次生林为方法实施对象，基于同期获得的机载双高分辨率遥感影像数据，首先通过面向对象分割方法进行单木冠幅提取，然后提取5组高光谱特征变量和7个单木冠幅结构统计变量，通过构建多元回归模型估算生物量，最后通过交叉验证法评价模型的精度。该方法是在模型参数已经确定的情况下，随机选取所有样地中的一个样地作为验证样地，而其余样地进行建模，利用拟合得到的模型对随机选取的样地进行验证，循环往复，直至所有样地都验证完毕。充分挖掘同期双高分辨率遥感影像特征从而更加精确地估算森林生物量。

【技术实现步骤摘要】

本专利技术属于林业调查、动态监测及生物多样性等
，涉及一种基于同期双高分辨率遥感影像的森林生物量估算方法。
技术介绍
森林作为陆地生态系统的主体，在维护区域生态环境以及全球碳平衡中发挥着巨大作用。森林生物量是量度森林结构和功能的重要指标，为生态系统的碳汇和碳素循环等研究提供关键数据。精确估算森林生物量对全球碳汇、碳平衡的研究以及全球气候变化的理解有重要意义。各尺度上的生物量信息也可用于林业调查、动态监测及生物多样性等，并参数化森林生长模型，森林火灾预测模型以及优化森林资源管理。传统的生物量量测主要依靠实测法或以实测法为基础的统计分析方法，工作量大、过程复杂、周期长，需耗费大量的人力物力且对生态系统的破坏性较大。遥感以其快速、准确、大尺度宏观观测的独特优势，可以弥补常规生物量量测方法的不足。在以往的森林生物量估算方法中，仅选用了少量的特征变量，并未充分提取影像中关于森林冠层的光谱和空间结构信息。这些研究所基于的双高分辨率数据并非同时获取，且都未在亚热带地区进行实施。
技术实现思路
专利技术目的：针对现有技术中存在的不足，本专利技术的目的是提供一种基于同期双高分辨率遥感影像的森林生物量估算方法，有效提升生物量估算精度。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：一种基于同期双高分辨率遥感影像的森林生物量估算方法，包括以下步骤：遥感数据获取及预处理1)从机载航空平台LiCHy的传感器系统获取待检测区域的遥感数据；其中，高光谱数据为AISA Eagle子传感器获取，首先借助AISA Eagle传感器的辐射定标参数对原始影像进行辐射定标，将原始影像的DN值转化为像元辐射亮度值，然后利用经验线性模型将像元辐射亮度值转化为地表反射率值；高空间分辨率影像为DigiCAM-60子传感器在同一时间获取，首先，对影像进行几何精校正，使其
配准到高光谱影像，选取320个同名像点，采用二次多项式进行校正，并使得校正误差控制在1个像元之内，然后使用最邻近像元法进行重采样；2)根据树种组成、年龄和立地分层选取多个待检测区域的正方形样地，样地包括针叶林、阔叶林和混交林3个森林类型；在各个样地中，记录胸径≥5cm的每棵单木的树种、胸径、树高、枝下高、冠幅、冠层透明度、树冠垂直级等因子；借助实测的单木信息，汇总地上生物量和地下生物量；借助实测的单木胸径和树高获得单木组分生物量，最后汇总得到样地级的地上生物量WA和地下生物量WR；4)利用基于边缘检测的多尺度分割算法对校正后的高空间分辨率影像进行面向对象分割，设置灰度阈值剔除背景信息，从而提取出单木冠幅；单木冠幅经均值统计形成样地尺度的单木统计变量，包括样地单木株数、冠幅面积均值、冠幅面积标准差、冠幅周长均值、冠幅周长标准差、冠幅半径均值和冠幅半径标准差共7个特征；同时，提取出5组共52个光谱特征变量：包括17个原始单波段特征、8个波段组合特征、9个植被指数特征、9个数理统计特征以及9个纹理特征；其中，光谱特征变量已由像元尺度经均值计算转化为样地尺度；5)将多个正方形样地按照随机方式分为建模组和预测组，在建模组中，将提取的7个单木统计变量和52个光谱特征变量与待预测变量进行Pearson’s相关性分析： r = Σ i = 1 n ( x i - x ‾ i ) ( y i - y ‾ i ) Σ i = 1 n ( x i - x ‾ i ) 2 · Σ i = 1 n ( y i - y ‾ i ) 2 - - - ( 1 ) ]]>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；对Pearson’s相关系数的绝对值按照从大到小的顺序排列，最后，设置阈值提取优化变量；6)采用多元逐步回归法，以实测地上和地下生物量作为因变量，优选的候选特征变量作为自变量建立模型；运用逐步进入法，通过观察决定系数R2的情况选择进入模型的变量，经过不断进入决定系数高的变量，剔除决定系数低的变量，得到最适模型，且模型中所有变量F检验值均达到显著水平；模型的精度采用决定系数R本文档来自技高网...

【技术保护点】
一种基于同期双高分辨率遥感影像的森林生物量估算方法，其特征在于，包括以下步骤：遥感数据获取及预处理1)从机载航空平台LiCHy的传感器系统获取待检测区域的遥感数据；其中，高光谱数据为AISA Eagle子传感器获取，首先借助AISA Eagle传感器的辐射定标参数对原始影像进行辐射定标，将原始影像的DN值转化为像元辐射亮度值，然后利用经验线性模型将像元辐射亮度值转化为地表反射率值；高空间分辨率影像为DigiCAM‑60子传感器在同一时间获取，首先，对影像进行几何精校正，使其配准到高光谱影像，选取320个同名像点，采用二次多项式进行校正，并使得校正误差控制在1个像元之内，然后使用最邻近像元法进行重采样；2)根据树种组成、年龄和立地分层选取多个待检测区域的正方形样地，样地包括针叶林、阔叶林和混交林3个森林类型；在各个样地中，记录胸径≥5cm的每棵单木的树种、胸径、树高、枝下高、冠幅、冠层透明度、树冠垂直级等因子；借助实测的单木信息，汇总地上生物量和地下生物量；借助实测的单木胸径和树高获得单木组分生物量，最后汇总得到样地级的地上生物量WA和地下生物量WR；4)利用基于边缘检测的多尺度分割算法对校正后的高空间分辨率影像进行面向对象分割，设置灰度阈值剔除背景信息，从而提取出单木冠幅；单木冠幅经均值统计形成样地尺度的单木统计变量，包括样地单木株数、冠幅面积均值、冠幅面积标准差、冠幅周长均值、冠幅周长标准差、冠幅半径均值和冠幅半径标准差共7个特征；同时，提取出5组共52个光谱特征变量：包括17个原始单波段特征、8个波段组合特征、9个植被指数特征、9个数理统计特征以及9个纹理特征；其中，光谱特征变量已由像元尺度经均值计算转化为样地尺度；5)将多个正方形样地按照随机方式分为建模组和预测组，在建模组中，将提取的7个单木统计变量和52个光谱特征变量与待预测变量进行Pearson’s相关性分析：r=Σi=1n(xi-x‾i)(yi-y‾i)Σi=1n(xi-x‾i)2·Σi=1n(yi-y‾i)2---(1)]]>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；对Pearson’s相关系数的绝对值按照从大到小的顺序排列，最后，设置阈值提取优化变量；6)采用多元逐步回归法，以实测地上和地下生物量作为因变量，优选的候选特征变量作为自变量建立模型；运用逐步进入法，通过观察决定系数R2的情况选择进入模型的变量，经过不断进入决定系数高的变量，剔除决定系数低的变量，得到最适模型，且模型中所有变量F检验值均达到显著水平；模型的精度采用决定系数R2、均方根误差RMSE和相对均方根误差rRMSE三个指标评价，计算公式为：R2=1-Σi=1n(xi-x^i)2Σi=1n(xi-x‾i)2---(2)]]>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；RMSE=1nΣi=1n(xi-x^i)2---(3)]]>rRMSE=RMSEx‾i×100%---(4)]]>...

【技术特征摘要】
1.一种基于同期双高分辨率遥感影像的森林生物量估算方法，其特征在于，包括以下步骤：遥感数据获取及预处理1)从机载航空平台LiCHy的传感器系统获取待检测区域的遥感数据；其中，高光谱数据为AISA Eagle子传感器获取，首先借助AISA Eagle传感器的辐射定标参数对原始影像进行辐射定标，将原始影像的DN值转化为像元辐射亮度值，然后利用经验线性模型将像元辐射亮度值转化为地表反射率值；高空间分辨率影像为DigiCAM-60子传感器在同一时间获取，首先，对影像进行几何精校正，使其配准到高光谱影像，选取320个同名像点，采用二次多项式进行校正，并使得校正误差控制在1个像元之内，然后使用最邻近像元法进行重采样；2)根据树种组成、年龄和立地分层选取多个待检测区域的正方形样地，样地包括针叶林、阔叶林和混交林3个森林类型；在各个样地中，记录胸径≥5cm的每棵单木的树种、胸径、树高、枝下高、冠幅、冠层透明度、树冠垂直级等因子；借助实测的单木信息，汇总地上生物量和地下生物量；借助实测的单木胸径和树高获得单木组分生物量，最后汇总得到样地级的地上生物量WA和地下生物量WR；4)利用基于边缘检测的多尺度分割算法对校正后的高空间分辨率影像进行面向对象分割，设置灰度阈值剔除背景信息，从而提取出单木冠幅；单木冠幅经均值统计形成样地尺度的单木统计变量，包括样地单木株数、冠幅面积均值、冠幅面积标准差、冠幅周长均值、冠幅周长标准差、冠幅半径均值和冠幅半径标准差共7个特征；同时，提取出5组共52个光谱特征变量：包括17个原始单波段特征、8个波段组合特征、9个植被指数特征、9个数理统计特征以及9个纹理特征；其中，光谱特征变量已由像元尺度经均值计算转化为样地尺度；5)将多个正方形样地按照随机方式分为建模组和预测组，在建模组中，将提取的7个单木统计变量和52个光谱特征变量与待预测变量进行Pearson’s相关性分析： r = Σ i = 1 n ( x i - x ‾ i ) ( y i - y ‾ i ) Σ i = 1 n ( x i - x ‾ i ) 2 · Σ i = 1 n ( y i - y ‾ i ) 2 - - - ( 1 ) ]]>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；对Pearson’s相关系数的绝对值按照从大到小的顺序排
\t列，最后，设置阈值提取优化变量；6)采用多元逐步回归法，以实测地上和地下生物量作为因变量，优选的候选特征变量作为自变量建立模型；运用逐步进入法，通过观察决定系数R2的情况选择进入模型的变量，经过不断进入决定系数高...

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