基于制造技术

本发明专利技术提供了一种基于

【技术实现步骤摘要】
基于GF
‑
6 WFV和GF
‑
3 FSⅡSAR数据的森林生物量反演方法和设备


[0001]本专利技术属于森林资源监测和林业参数反演遥感
，涉及一种森林生物量反演方法，尤其涉及一种基于
GF
‑
6 WFV
和
GF
‑
3 FSⅡSAR
数据的森林生物量反演方法和设备
。

技术介绍

[0002]在全球陆地生态系统中，森林是最大的有机碳库，在全球陆地循环中起着至关重要的作用
。
森林生态系统分布广
、
结构复杂
、
资源丰富，具有强大碳汇能力，还兼具气候调节
、
水源涵养
、
生物栖息等众多生态功能
。
其中森林生物量是森林生态系统运转的物质来源和能量基础
。
估测这个具有代表性的关键参数可以掌握森林资源的现状和动态变化，同时对于森林资源调查估算
、
合理利用
、
可持续经营等具有重大意义
。
但传统森林参数估测不仅费时费力，而且很难进行大范围连续观测调查
。
而遥感技术具有大规模观测
、
适用性高
、
时效性强等优势
。
其中光学遥感可以获取森林植被光谱特征和纹理特征，但其容易受云雾影响，也很难获取森林冠层内部信息；而微波遥感不受云雾等天气影响，能全天时全天候工作，且具有穿透性，可以获取森林内部树干树枝等回波信息，但与森林参数之间存在饱和点问题
。
因此单一数据源存在诸多限制，而多源遥感数据可以耦合各遥感数据源的优势，能在森林参数反演中发挥更大的作用
。
[0003]近年来，
Minh
等于
2018
年在
《Remote Sensing of Environment》
发表研究“Potential value of combining ALOS PALSAR and Landsat
‑
derived tree cover data for forest biomass retrieval in Madagascar”，以马达加斯加为研究区，基于
Landsat
光学数据和
ALOS
雷达数据反演森林生物量，效果较好
。David
等于
2022
年在
《Remote Sensing of Environment》
发表研究“Improving above ground biomass estimates of Southern Africa dryland forests by combining Sentinel
‑
1SAR and Sentinel
‑
2multispectral imagery”，以南非旱地森林为研究区，基于
Sentinel
‑
1SAR(S1)
和
Sentinel
‑
2(S2)
多光谱数据，利用多元线性回归和随机森林去反演森林生物量，结果表明
S1
和
S2
组合产生最佳拟合效果，与随机森林结合估测精度最高
。
现有技术中，基于多源遥感数据反演森林生物量中光学遥感普遍选用
Landsat
‑
8、Sentinel
‑2等作为数据源，微波遥感普遍选用
Sentinel
‑1和
ALOS
‑2为数据源，联合国产光学卫星和国产雷达卫星数据进行森林生物量反演研究很少；且许多方法中多是利用雷达后向散射系数反演森林生物量，没有采用极化雷达植被指数等极化分解参数；同时更未见针对国产
GF
‑3双极化数据极化分解特征值处理的明确性技术方法
。

技术实现思路

[0004]针对以上现有技术的不足，本专利技术提供了一种基于
GF
‑
6WFV
和
GF
‑
3FSⅡSAR
数据的森林生物量反演方法，用以解决联合国产光学遥感卫星和国产雷达卫星研究较少
、
缺乏利用极化雷达植被指数等极化分解参数
、
缺少针对国产
GF
‑3双极化数据极化分解特征值处理
的明确性技术方法的技术问题，有助于提高森林生物量反演精度
。
[0005]基于
GF
‑
6WFV
和
GF
‑
3FSⅡSAR
数据的森林生物量反演方法，包括以下步骤：
[0006](1)
在研究区域地面上布设样点，测量样点内的林分参数，并基于林分参数计算样点内森林生物量；
[0007](2)
获取研究区域范围的
GF
‑
6WFV
影像数据
、GF
‑
3FSⅡSAR
影像数据和
DEM
数据，并对其进行预处理；
[0008](3)
从预处理后的
GF
‑
6WFV
影像数据
、GF
‑
3FSⅡSAR
影像数据和
DEM
数据中提取特征因子；
[0009](4)
将样点内森林生物量作为响应变量，样点内归一化处理后的特征因子作为预测变量组成训练数据，构建反演森林生物量的随机森林回归模型；
[0010](5)
利用随机森林
‑
递归特征消除法基于各个特征因子的重要性得分进行特征选择，获得最优特征因子集；
[0011](6)
将最优特征因子集作为输入变量，进行随机森林回归模型训练，调整参数，确定使模型误差最小时的最优参数，得到最优随机森林回归模型；
[0012](7)
通过最优特征因子集和最优随机森林回归模型逐像元反演研究区域全域的森林生物量，得到森林生物量分布图
。
[0013]进一步的，步骤
(1)
所述样点为均匀布设的正方形，所述林分参数采用每木检尺法测量
。
[0014]进一步的，步骤
(2)
所述预处理包括：对
GF
‑
6WFV
影像数据进行辐射定标
、
大气校正
、
正射校正和图像裁切，得到实际的地表反射率；对
GF
‑
3FSⅡSAR
影像数据进行辐射定标
、
多视处理
、
滤波
、
正射校正
、
重采样
、
图像裁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
GF
‑
6WFV
和
GF
‑
3FSⅡSAR
数据的森林生物量反演方法，其特征在于，包括以下步骤：
(1)
在研究区域地面上布设样点，测量样点内的林分参数，并基于林分参数计算样点内森林生物量；
(2)
获取研究区域范围的
GF
‑
6WFV
影像数据
、GF
‑
3FSⅡSAR
影像数据和
DEM
数据，并对其进行预处理；
(3)
从预处理后的
GF
‑
6WFV
影像数据
、GF
‑
3FSⅡSAR
影像数据和
DEM
数据中提取特征因子；
(4)
将样点内森林生物量作为响应变量，样点内归一化处理后的特征因子作为预测变量组成训练数据，构建反演森林生物量的随机森林回归模型；
(5)
利用随机森林
‑
递归特征消除法基于各个特征因子的重要性得分进行特征选择，获得最优特征因子集；
(6)
将最优特征因子集作为输入变量，进行随机森林回归模型训练，调整参数，确定使模型误差最小时的最优参数，得到最优随机森林回归模型；
(7)
通过最优特征因子集和最优随机森林回归模型逐像元反演研究区域全域的森林生物量，得到森林生物量分布图
。2.
根据权利要求1所述的基于
GF
‑
6WFV
和
GF
‑
3FSⅡSAR
数据的森林生物量反演方法，其特征在于，步骤
(1)
所述样点为均匀布设的正方形，所述林分参数采用每木检尺法测量
。3.
根据权利要求1所述的基于
GF
‑
6WFV
和
GF
‑
3FSⅡSAR
数据的森林生物量反演方法，其特征在于，步骤
(2)
所述预处理包括：对
GF
‑
6WFV
影像数据进行辐射定标
、
大气校正
、
正射校正和图像裁切，得到实际的地表反射率；对
GF
‑
3FSⅡSAR
影像数据进行辐射定标
、
多视处理
、
滤波
、
正射校正
、
重采样
、
图像裁切；对
DEM
数据进行重采样和图像裁剪；所述
DEM
数据为
ASTER GDEM V3
数据
。4....

【专利技术属性】
技术研发人员：陈鑫磊，沈掌泉，
申请(专利权)人：浙江大学，
类型：发明
国别省市：