一种基于高分联合组网数据的森林生物量估算方法技术

本发明专利技术涉及一种基于高分联合组网数据的森林生物量估算方法，属于森林资源遥感监测领域，首先获取高分卫星影像样本数据和数字高程模型；从数字高程模型中提取地形数据；对高分卫星影像样本数据进行预处理；以样地林分小班为单位，提取各个样地林分小班对应的特征因子；实地测量并计算样地林分小班的实测生物量；对实测生物量与特征因子进行相关性分析和共线性检验，得到筛选后的特征因子；建立随机森林估算模型，并利用实测生物量和筛选后的特征因子对其进行训练；获取待测地区的高分卫星影像数据，并将其对应的筛选后的特征因子输入至训练好的随机森林估算模型中，输出森林生物量估算结果，能够提升森林生物量的估算精度。能够提升森林生物量的估算精度。能够提升森林生物量的估算精度。

【技术实现步骤摘要】
一种基于高分联合组网数据的森林生物量估算方法


[0001]本专利技术涉及森林资源遥感监测领域，特别是涉及一种基于高分联合组网数据的森林生物量估算方法。

技术介绍

[0002]森林生物量是一个生态学术语，指的是森林中某一时刻单位面积内实存生活的有机物质的总量。出于经济利用和科研目的的需要，常对林木和牧草的地上部分生物量进行调查统计，据此可以判断样地内各种群生物量在总生物量中所占的比例，有利于对森林资源有更深入的了解。
[0003]森林生态系统作为陆地表层最大的碳汇系统，在平衡区域生态环境及全球碳循环中发挥着重要作用。森林植被生物量占陆地植被生物量总量的80％，森林生物量是核算陆地生态系统碳汇及碳循环的重要指标，对分析森林植被碳储量的空间分布格局及动态变化具有重要意义。并且，准确地估算生物量，对量化该区域碳汇和碳通量，清算区域碳清单，核算国际碳储量以及缓解不断上升的CO2污染等方面都尤为重要。
[0004]然而，现有的森林生物量估算方法的精度较差，得到的森林生物量估算结果的准确性较低、可靠性较差。因此，如何提升森林生物量的估算精度，是目前森林生态系统发展和环境可持续发展道路中一个亟待解决的问题。

技术实现思路

[0005]本专利技术的目的是提供一种基于高分联合组网数据的森林生物量估算方法，能够提升森林生物量的估算精度，解决现有估算方法估算精度低的问题。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一方面，本专利技术提出了一种基于高分联合组网数据的森林生物量估算方法，包括：
[0008]获取待测地区的高分卫星影像样本数据和数字高程模型；所述高分卫星影像样本数据包括高分一号卫星影像数据和高分六号卫星影像数据；
[0009]从所述数字高程模型中提取地形数据；所述地形数据包括DEM数据、坡度数据和坡向数据；
[0010]对所述高分卫星影像样本数据进行预处理，得到预处理后的高分卫星影像样本数据；
[0011]以样地林分小班为单位，从所述预处理后的高分卫星影像样本数据中提取各个样地林分小班对应的波段特征因子；所述特征因子包括波段特征因子、植被指数特征因子，对预处理后的影像进行PCA主成分表变换和纹理特征提取，提取主成分分析特征因子和纹理特征因子；
[0012]对与所述高分卫星影像样本数据属于同一时间的待测地区的林地抽样进行实地测量，并根据实地测量数据计算样地林分小班的实测生物量；对样本样地林分小班的实测生物量与特征因子进行相关性分析和共线性检验，得到样本样地林分小班筛选后的特征因
子；建立随机森林估算模型，并利用样本样地林分小班的实测生物量和筛选后的特征因子对所述随机森林估算模型进行训练，得到训练好的随机森林估算模型；
[0013]获取待测地区的高分卫星影像数据，并根据步骤“对所述高分卫星影像样本数据进行预处理，得到预处理后的高分卫星影像样本数据”到步骤“对每一样地林分小班的实测生物量与特征因子进行相关性分析和共线性检验，得到各个样地林分小班筛选后的特征因子”对高分卫星影像数据进行处理，将所述高分卫星影像数据对应的筛选后的特征因子输入至所述训练好的随机森林估算模型中，得到森林生物量估算结果。
[0014]可选的，所述对所述高分卫星影像样本数据进行预处理，得到预处理后的高分卫星影像样本数据，具体包括：
[0015]利用辐射定标系数分别对高分一号卫星影像数据和高分六号卫星影像数据进行辐射定标；
[0016]采用与高分一号卫星影像数据和高分六号卫星影像数据相对应的光谱响应函数，分别对高分一号卫星影像数据和高分六号卫星影像数据进行大气校正；
[0017]将DEM数据作为地形矫正数据，基于谷歌无偏移影像选取校正点，分别对高分一号卫星影像数据和高分六号卫星影像数据进行正射校正；
[0018]采用SPEAR Pan Sharpening泛锐化图像融合方法，分别对高分一号卫星影像数据和高分六号卫星影像数据进行影像融合。
[0019]可选的，所述从所述预处理后的高分卫星影像样本数据中提取各个样地林分小班对应的特征因子，具体包括：
[0020]提取所述预处理后的高分卫星影像样本数据的影像波段信息，应用Arcgis提取各个样地林分小班对应的波段特征因子；
[0021]采用波段计算方法对所述影像波段信息进行波段运算，得到各个样地林分小班对应的植被指数特征因子；
[0022]采用ENVI软件工具箱中的PCA主成分分析模块对所述影像波段信息进行主成分分析，得到各个样地林分小班对应的主成分分析特征因子；
[0023]采用ENVI软件工具箱中的二阶灰度共生矩阵模块对所述影像信息中的纹理特征进行提取，得到各个样地林分小班对应的纹理特征因子。
[0024]可选的，所述对所述高分卫星影像样本数据属于同一时间的待测样地的林地进行实地测量，并根据实地测量数据和所述地形数据计算各个样地林分小班的实测生物量，具体包括：
[0025]在待测地区内选取样本点进行实测数据采集，采用角规法在待测样本点处的样地林分小班内随机均匀选取四处测量点，在样地林分小班的中心位置和四个测量点处分别进行样点布设；
[0026]采用单木测量的方式对样点处的树种进行实地勘测，记录每一样地林分小班样地的树种组成、优势树种、株数、胸径、树高、林龄、冠幅、郁闭度、林龄、坡度、坡向、海拔信息，得到实地测量数据；
[0027]对所述实地测量数据中的各个数据进行核对，应用三倍标准差原则剔除所述实地测量数据中的异常值，得到剔除异常值后的实地测量数据；
[0028]利用一元材积表对所述剔除异常值后的实地测量数据进行实测生物量转换，得到
实测生物量。
[0029]可选的，所述利用一元材积表对所述剔除异常值后的实地测量数据进行实测生物量转换，得到实测生物量，具体包括：
[0030]采用一元材积表对剔除异常值后的实地测量数据中的每一颗树木信息进行蓄积量反演，得到单木蓄积量；
[0031]对各样地林分小班内所有的单木蓄积量进行求和，得到样地林分小班蓄积量；
[0032]根据样地林分小班蓄积量，采用蓄积
‑
生物量转换方程计算实测生物量。
[0033]可选的，所述对每一样地林分小班的实测生物量与特征因子进行相关性分析和共线性检验，得到筛选后的特征因子，具体包括：
[0034]采用SPSS分析软件分析每一样地林分小班的实测生物量与各个特征因子之间的相关性，得到相关强弱程度的相关系数；
[0035]选取在0.01水平显著相关的特征因子；对各个特征因子对应的相关系数进行排序，并设定相关系数临界值，选取排序队列中相关系数大于该相关系数临界值所对应的特征因子，实现对特征因子的筛选；
[0036]根据所述实测生物量和筛选后的特征因子建立多元逐步回归模型，得到多元逐步回归模型；
[0037]根据SPSS分析软件中多元逐步回归模型各特征因子对应的VIF参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高分联合组网数据的森林生物量估算方法，其特征在于，包括：获取待测地区的高分卫星影像样本数据和数字高程模型；所述高分卫星影像样本数据包括高分一号卫星影像数据和高分六号卫星影像数据；从所述数字高程模型中提取地形数据；所述地形数据包括DEM数据、坡度数据和坡向数据；对所述高分卫星影像样本数据进行预处理，得到预处理后的高分卫星影像样本数据；以样地林分小班为单位，从所述预处理后的高分卫星影像样本数据中提取各个样地林分小班对应的特征因子；所述特征因子包括波段特征因子、植被指数特征因子、主成分分析特征因子和纹理特征因子；对与所述高分卫星影像样本数据属于同一时间的待测地区的林地进行实地测量，并根据实地测量数据和所述地形数据计算样地林分小班的实测生物量；对样地林分小班的实测生物量与特征因子进行相关性分析和共线性检验，得到样地林分小班筛选后的特征因子；建立随机森林估算模型，并利用样地林分小班的实测生物量和筛选后的特征因子对所述随机森林估算模型进行训练，得到训练好的随机森林估算模型；获取待测地区的高分卫星影像数据，并根据步骤“对所述高分卫星影像样本数据进行预处理，得到预处理后的高分卫星影像样本数据”到步骤“对样地林分小班的实测生物量与特征因子进行相关性分析和共线性检验，得到样地林分小班筛选后的特征因子”对高分卫星影像数据进行处理，将所述高分卫星影像数据对应的筛选后的特征因子输入至所述训练好的随机森林估算模型中，得到森林生物量估算结果。2.根据权利要求1所述的基于高分联合组网数据的森林生物量估算方法，其特征在于，所述对所述高分卫星影像样本数据进行预处理，得到预处理后的高分卫星影像样本数据，具体包括：利用辐射定标系数分别对高分一号卫星影像数据和高分六号卫星影像数据进行辐射定标；采用与高分一号卫星影像数据和高分六号卫星影像数据相对应的光谱响应函数，分别对高分一号卫星影像数据和高分六号卫星影像数据进行大气校正；将DEM数据作为地形矫正数据，基于谷歌无偏移影像选取校正点，分别对高分一号卫星影像数据和高分六号卫星影像数据进行正射校正；采用SPEAR Pan Sharpening泛锐化图像融合方法分别对高分一号卫星影像数据和高分六号卫星影像数据进行影像融合。3.根据权利要求1所述的基于高分联合组网数据的森林生物量估算方法，其特征在于，所述从所述预处理后的高分卫星影像样本数据中提取各个样地林分小班对应的特征因子，具体包括：提取所述预处理后的高分卫星影像样本数据的影像波段信息，得到各个样地林分小班对应的波段特征因子；采用波段计算方法对所述影像波段信息进行波段运算，得到各个样地林分小班对应的植被指数特征因子；采用ENVI软件工具箱中的正交主成分分析模块对所述影像波段信息进行主成分分析，
得到各个样地林分小班对应的主成分分析特征因子；采用ENVI软件工具箱中的二阶灰度共生矩阵模块对所述影像波段信息中的纹理特征进行提取，得到各个样地林分小班对应的纹理特征因子。4.根据权利要求1所述的基于高分联合组网数据的森林生物量估算方法，其特征在于...

【专利技术属性】
技术研发人员：陈冬花，邢进，刘聪芳，邹陈，李虎，张乃明，刘赛赛，
申请(专利权)人：滁州学院，
类型：发明
国别省市：