以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法技术

本发明专利技术提供了以UAV为地面和Sentinel

【技术实现步骤摘要】
以UAV为地面和Sentinel
‑
2中介的湿地芦苇地上生物量遥感建模方法


[0001]本专利技术属于遥感应用领域，具体涉及以无人机(UAV)为地面和Sentinel
‑
2中介的湿地芦苇地上生物量遥感建模方法。

技术介绍

[0002]湿地是陆地和水生生态系统之间的过渡区，具有涵养水源、净化水质、保护生物多样性等重要生态功能。湿地植被在为野生动物提供栖息地、储存碳氮等方面发挥着至关重要的作用，它也是湿地环境中任何物理或化学退化早期迹象的一个很好的指示器。在各湿地植被群落中，以芦苇为优势种的湿地植被群落约占40％，芦苇是富营养化的湖滨带、河流坡岸以及沼泽湿地的重要碳氮汇。芦苇地上生物量占芦苇总生物量的80％以上，对芦苇地上生物量的时空监测可为湿地碳氮汇估算和碳氮循环提供数据支撑。
[0003]芦苇地上生物量估算的传统方法为人工收获法，即从现场实际收集植物材料并称重，但该方法具有破坏性、耗时耗力、代表性差、很多地方人很难到达。卫星遥感技术具有大面积、实时、快速等优势，是大面积获取芦苇地上生物量的高效手段。Sentinel
‑
2数据具有13个波段，波段2、3、4(490
–
665nm)和8(842nm)的空间分辨率为10m，波段5、6、7(705
‑
783nm)、8A(865nm)、11和12(1610
‑
2190nm)空间分辨率为20m，波段1(443nm)、9和10(945
‑
1375nm)的空间分辨率为60m。在光学数据中，Sentinel
‑
2数据是唯一在红边范围含有三个波段的数据，在植被，尤其是湿地植被的生物理化参数监测中独具优势。基于Sentinel
‑
2数据开展芦苇地上生物量建模时，需要获取大量的与Sentinel
‑
2像元相匹配的地面实测样本数据，而在沼泽湿地中，人很难进入，获取大量的与Sentinel
‑
2像元相匹配的地面实测样本数据存在困难。
[0004]本专利技术提出了一种以UAV为地面和Sentinel
‑
2中介的沼泽湿地芦苇地上生物量遥感建模方法，解决了在沼泽湿地的芦苇地上生物量卫星遥感建模过程中，大量样本获取难和地面样本采集区域与卫星数据像元大小不匹配的问题。

技术实现思路

[0005]本专利技术的目的在于获取湿地芦苇的地上生物量，提供一种以UAV为地面和Sentinel
‑
2中介的湿地芦苇地上生物量遥感建模方法。
[0006]本专利技术的上述技术目的通过如下技术方案实现：
[0007]一种以UAV为地面和Sentinel
‑
2中介的湿地芦苇地上生物量遥感建模方法，包括如下步骤：
[0008]步骤一、在野外研究区A内设置采样样方，获取样方坐标信息，采集样方内芦苇株高、密度、地上生物量、冠层光谱数据。
[0009]步骤二、分别使用搭载高光谱成像仪和多光谱成像仪的无人机获取研究区的高光谱影像数据和多光谱影像数据。
[0010]步骤三、获取研究区B(其中，研究区A包含在研究区B中)的Sentinel
‑
2MSI LIC级影像数据。
[0011]步骤四、根据无人机高光谱影像数据获取高光谱正射影像DOM(Digital Orthophoto Map)，基于高光谱DOM计算不同植被指数，分别与芦苇地上生物量做相关性分析，筛选相关系数R最高的窄波段植被指数波段组合，将筛选出的窄波段植被指数与芦苇地上生物量进行线性建模，通过模型的RMSE和决定系数R2筛选以筛选最优植被指数。
[0012]根据多光谱影像数据获取中获取多光谱DOM和数字表面模型DSM(Digital Surface Model)，基于多光谱DOM获取研究区的数字高程模型DEM(Digital Elevation Model)，通过DSM与DEM计算芦苇的株高CHM(Canopy Height Model)，并通过样方的实测芦苇株高与CHM的均方根误差RMSE和决定系数R2进行精度评价。
[0013]步骤五、分别构建基于最优植被指数的芦苇地上生物量反演一元回归模型，基于CHM的芦苇地上生物量反演一元回归模型，基于最优植被指数与CHM构建芦苇地上生物量多元回归模型；通过模型的RMSE和R2筛选芦苇的最优地上生物量反演模型，并利用最优地上生物量反演模型反演研究区A的芦苇地上生物量并制图。
[0014]步骤六、将步骤三获取的Sentinel
‑
2影像按像元网格化，得到研究区A的矢量网格，基于步骤五获得的研究区A的生物量，求取每个网格的平均值作为该网格的生物量；将A区的所有网格的生物量值作为基于Sentinel
‑
2影像的芦苇地上生物量反演模型构建的数据集。
[0015]步骤七、基于Sentinel
‑
2数据计算不同植被指数，结合生物量建模数据集，采用线性回归，构建芦苇地上生物量遥感反演模型，通过模型的RMSE最小和R2最大的原则，筛选基于Sentinel
‑
2的最优芦苇地上生物量反演模型，并对研究区B的地上生物量进行反演制图。
[0016]进一步的，所述步骤一中，使用手持差分GPS仪记录每个样方中心点的坐标信息；采用ASD Fieldspec FR2500光谱仪采集样方芦苇冠层光谱数据，每个样方测量10次取平均值作为该样方的光谱值；人工计数每个样方内的芦苇株数，在样方内以“W”型随机抽取芦苇，每株用皮尺测量高度多次，取平均值作为样方芦苇株高；测量株高后，将芦苇烘干至质量恒定，记录干重；每个样方的地上生物量＝平均干重
×
密度。
[0017]进一步的，使用DJI S1000无人机搭载Cubert UHD185 Firefly型成像光谱仪获取高光谱影像数据；由大疆精灵4多光谱版无人机获取多光谱影像数据。
[0018]进一步的，所述步骤二中将获取的高光谱影像和步骤一中获取的样方坐标信息利用UHD185自带的软件和俄罗斯Agisoft LLC公司的Agisoft Photoscan Professional软件进行辐射定标影像拼接，最终生成试验区A的高光谱正射影像DOM，使用步骤一实测的芦苇冠层光谱数据对高光谱正射影像的反射率进行校正，并将高光谱DOM重采样为0.01m的空间分辨率；将获取的多光谱影像数据使用大疆智图软件进行处理，最终生成试验区A的多光谱正射影像DOM和数字表面模型DSM，将多光谱DOM与DSM重采样为0.01m的空间分辨率。
[0019]进一步的，所述步骤三中，采集的Sentinel
‑
2MSI LIC级影像数据的卫星过境时间与步骤一中野外作业时间同步；采用Sen2cor模型对L1C级影像数据进行大气校正，得到L2A级数据，将L2A级数据重采样为10m的空间分辨率。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种以UAV为地面和Sentinel
‑
2中介的湿地芦苇地上生物量遥感建模方法，其特征在于，包括如下步骤：步骤一、在野外研究区A内设置采样样方，获取样方坐标信息，采集样方内芦苇株高、密度、地上生物量、冠层光谱数据；步骤二、分别使用搭载高光谱成像仪和多光谱成像仪的无人机获取研究区A的高光谱影像数据和多光谱影像数据；步骤三、获取研究区B(A∈B)的Sentinel
‑
2 MSI LIC级影像数据；步骤四、基于无人机高光谱影像数据获取高光谱正射影像，基于高光谱正射影像计算不同窄波段植被指数，分别与芦苇地上生物量做相关性分析，筛选相关系数R最高的窄波段植被指数波段组合，将筛选出的窄波段植被指数与芦苇地上生物量进行线性建模，通过模型的RMSE和决定系数R2筛选最优植被指数；根据多光谱影像数据获取多光谱正射影像和数字表面模型，基于多光谱正射影像获取研究区A的数字高程模型，通过数字表面模型与数字高程模型计算芦苇的株高，并通过样方的实测芦苇株高与计算的芦苇株高的均方根误差RMSE和决定系数R2进行精度评价；步骤五、分别构建基于最优植被指数与芦苇地上生物量的反演模型，基于株高的芦苇地上生物量反演模型以及基于最优植被指数与株高的芦苇地上生物量多元模型；通过模型的RMSE和R2筛选芦苇的最优地上生物量反演模型，并利用最优地上生物量估算模型估算研究区A的芦苇地上生物量并制图；步骤六、将步骤三获取的Sentinel
‑
2影像按像元网格化，得到研究区A的矢量网格，基于步骤五获得的研究区A的生物量，求取每个网格的平均值作为该网格的生物量；将A区的所有网格的生物量值作为基于Sentinel
‑
2影像的芦苇地上生物量反演模型构建的数据集；步骤七、基于Sentinel
‑
2数据计算不同植被指数，结合生物量建模数据集，采用线性回归，构建芦苇地上生物量遥感反演模型，通过模型的RMSE最小和R2最大的原则，筛选基于Sentinel
‑
2的最优芦苇地上生物量反演模型，并对研究区B的地上生物量进行反演制图。2.根据权利要求1所述的方法，其特征在于，所述步骤一中，使用手持差分GPS仪记录每个样方中心点的坐标信息；采用ASD Fieldspec FR2500光谱仪采集样方芦苇冠层光谱数据，每个样方测量10次取平均值作为该样方的光谱值；人工计数每个样方内的芦苇株数，在样方...

【专利技术属性】
技术研发人员：罗菊花，陆莉蓉，辛逸豪，
申请(专利权)人：中国科学院南京地理与湖泊研究所，
类型：发明
国别省市：