CN104615875B - 一种稳健遥感单木冠幅与林木直径回归方法 - Google Patents
一种稳健遥感单木冠幅与林木直径回归方法 Download PDFInfo
- Publication number
- CN104615875B CN104615875B CN201510041343.7A CN201510041343A CN104615875B CN 104615875 B CN104615875 B CN 104615875B CN 201510041343 A CN201510041343 A CN 201510041343A CN 104615875 B CN104615875 B CN 104615875B
- Authority
- CN
- China
- Prior art keywords
- forest
- remote sensing
- hat width
- diameter
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
一种稳健遥感单木冠幅与林木直径回归方法,属于计算机程序及测量技术领域。含有以下步骤:冠幅与林木直径相关数据获取;稳健回归模型的构建;单木冠幅与林木直径的稳健回归模型参数的迭代确定。本发明在典型的东北中温带针阔叶混交林区,在高空间分辨率的单木树冠影像的提取基础上,为克服传统最小二乘法对“异常值点”的数据过于敏感的“缺陷”,采用Huber提出M‑估计法,成功地构造了遥感影像单木冠幅与林木直径稳健回归模型。根据M‑估计法引进目标函数的加权因子分布,从而改变传统的最小二乘法各样本(包括异常点)权重等同的“缺陷”。稳健回归的菜单程序模块,据有独立性、完备性和良好的移植性。
Description
技术领域
本发明是一种稳健遥感单木冠幅与林木直径回归方法,属于计算机程序及测量技术领域。
背景技术
通过遥感影像获取单木冠幅减轻了林木调查的工作量,由单木冠幅与林木直径的回归模型,可以达到估测林木直径的目的。
因为树冠受各种随机影响大,从遥感测量单木冠幅与实地测量林木直径的线性关系中,有许多异常值点的存在。特别是林分密度作用不易控制。而通常采用的最小二乘法,对异常值点较敏感,这是因为最小二乘法是用残差平方和的极小值“优化”估计参数的。当数据中有异常值点,残差也会异常大,它对估计参数的影响呈平方倍数增加,从而使得线性模型的参数估计不稳定。在数理统计中,人们用模型“稳健性”刻画一个模型受异常值点影响的程度。
为解决这个问题,通常采用2-3倍标准差剔除异常值点。它是以小概率事件在一次抽样中不可能出现为前提条件来删除异常值点(异常值点不是错误点,错误点无论在什么条件下均应删除)。存在两种情况,一种情况是用2-3倍标准差剔除异常值点,可能剔不尽异常值点,还可能剔除正常点;另一种情况是观测数据很重要不能删除“异常值点”,例如润扬大桥的锚锭的冻胀力的21个(日)观测数据出现了1个“异常值点”,由于不是人为因素,无法删除它,因此采用Huber提出的M-估计法,也就是稳健估计(Robust Estimatours)的方法,即不剔除异常值点的稳健回归方法。
发明内容
为了克服现有技术的不足,本发明提供一种稳健遥感单木冠幅与林木直径回归方法。
一种稳健遥感单木冠幅与林木直径回归方法,含有以下步骤:
步骤1)、单木冠幅与林木直径相关数据获取;
步骤2)、稳健回归模型的构建;
步骤3)、单木冠幅与林木直径的稳健回归模型参数的迭代确定。
其中步骤1)冠幅与林木直径相关数据获取有以下两种方法:
方法A)、遥感影像冠幅提取法:
在野外选一块林木中等郁闭、中等大小的林地作为试验场地,用差分GPS测定林内“相关树”林木的地理坐标位置,然后测量相应位置的林木直径。将GPS测定的地理坐标编成一个文件,一次性加载到Arcgis系统,与高分辨率遥感影像叠加,再用遥感影像的单木树冠提取技术测量它的冠幅,从而形成遥感影像冠幅与林木直径的相关数据;
方法B)、目视识别法:
在林地边缘找一个明显地物标,打引线进入林内样地,首先识别样地的角点,再从遥感影像中找到样地,通过遥感影像目视识别法,勾绘样地内“相关树”的林木树冠轮廓,测量冠幅,并记录已测冠幅的林木地理坐标。根据记录的林木地理坐标,在地面样地测量相应的林木直径,也可获取遥感影像冠幅与林木直径的相关数据。
其中步骤2)稳健回归模型的构建有以下步骤:
对于多元线性回归模型:Y=Xβ+e,
式中:Y是n×1的因变量观测值向量,这里的因变量为林木直径的测量值(单位是cm)向量;
X是n×P的自变量观测值矩阵,P为维数,这里的自变量为单木冠幅遥感测量值(单位是m)的一维矩阵;
β是P×1的待估参数向量;
e是n×1的误差向量;
确定参数β通常用最小二乘法(LS),也就是使估计残差平方和QLS(称为目标函数)为最小:
式中:yi是第i个样本的因变量观测值;
x(i)是第i个样本的,P维自变量观测向量;
是第i个样本的残差的平方;
从而获得该线性模型的最优无偏估计:
式中:y是n×1的因变量观测值向量;
x是n×P的自变量观测值矩阵,x'是它的转置矩阵,(x'x)-1是可逆矩阵x'x的逆矩阵;
是P×1的最小二乘估计参数向量;
最小二乘法的优点是使线性模型的解有良好的解析性质,它的缺点是模型受异常值的影响进行了平方的放大,引起解的不够稳定。
为了减小异常值对线性模型的影响程度,采用Huber的M-估计法,构造稳健回归模型,也就是对原目标函数引入新的权重函数wi(如附图3):
其中,k为调和常数,这里取k=1.345,
代入,则新的目标函数为:
它们对残差起到抑制作用,由此获得第一次稳健回归的解:
同理可获得第s次稳健回归的解:
式中:w(s)是第s次引入的权重函数,它是s-1次线性回归参数估计残差的函数;用迭代方法获得稳健回归的最终解。
本发明的优点:
在典型的东北中温带针阔叶混交林区,在高空间分辨率的单木树冠影像提取基础上,为克服传统最小二乘法对“异常值点”的数据过于敏感的“缺陷”,采用Huber提出M-估计法,成功地构造了遥感影像单木冠幅与林木直径稳健回归模型。
根据M-估计法引进目标函数的加权因子分布,从而改变传统的最小二乘法各样本(包括异常点)权重等同的“缺陷”。M-估计法中权重因子是随着样本的残差而变化,残差越大的,权重就越小,反之亦然。这样就削弱了残差平方和的放大作用。根据稳健回归的散点图,稳健回归抑制回归直线向上漂移的趋势。
稳健回归的菜单程序模块,据有独立性、完备性和良好的移植性。
附图说明
当结合附图考虑时,通过参照下面的详细描述,能够更完整地理解本发明,但此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定,如图其中:
图1为本发明的稳健回归模型构建的流程图。
图2为本发明的迭代计算稳健回归估计值流程图。
图3为本发明的权重与残差关系图。
下面结合附图和实施例对本发明进一步说明。
具体实施方式
显然,本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。
实施例1:如图1、图2、图3所示,一种稳健遥感单木冠幅与林木直径回归方法,一般分为以下几步:第1步单木冠幅与林木直径相关数据获取;第2步稳健回归模型的构建;第3步单木冠幅与林木直径的稳健回归模型参数的迭代确定;
具体含有以下步骤:
步骤1)单木冠幅与林木直径相关数据获取采用以下方法:
方法A)、遥感影像冠幅提取法:
在野外选一块林木中等郁闭、中等大小的林地作为试验场地,用差分GPS测定林内“相关树”林木的地理坐标位置,然后测量相应位置的林木直径。将GPS测定的地理坐标编成一个文件,一次性加载到Arcgis系统,与高分辨率遥感图像叠加,再用遥感影像单木树冠提取技术测量它的冠幅,从而形成遥感影像冠幅与林木直径的相关数据;
方法B)、目视识别法:
在林地边缘找一个明显地物标,打引线进入林内样地,首先识别样地的角点,再从遥感影像中找到样地,通过遥感影像目视识别法,勾绘样地内“相关树”的林木树冠轮廓,测量冠幅,并记录已测冠幅的林木地理坐标。根据记录的林木地理坐标,在地面样地测量相应的林木直径,也可获取遥感影像冠幅与林木直径的相关数据。
步骤2)稳健回归模型的构建有以下步骤:
由单木冠幅与林木直径的测量资料(xi,yi),i=1,2,......n建立的多元线性回归模型为:
Y=Xβ+e
式中:Y是n×1的因变量观测值向量,这里的因变量为林木直径的测量值(单位是cm)向量;
X是n×P的自变量观测值矩阵,P为维数,这里的自变量为单木冠幅遥感测量值(单位是m)的一维矩阵;
β是P×1的待估参数向量;
e是n×1的误差向量;
确定参数β的最小二乘(LS)解是使估计残差平方和QLS(称为目标函数)为最小:
式中:yi是第i个样本的因变量观测值;
x(i)是第i个样本的,P维自变量观测向量;
是第i个样本的残差的平方,显然它对QLS起着平方放大作用;
β是P×1的估计P维参数向量;
从而获得该线性模型的解析解即最优无偏估计:
式中:y是n×1的因变量观测值向量;
x是n×P的自变量观测值矩阵,x'是它的转置矩阵,(x'x)-1是可逆矩阵x'x的逆矩阵;
是P×1的最小二乘估计参数向量;
为了减小异常值对模型的影响程度,采用Huber提出M-估计法构建稳健回归模型,就是对原目标函数引入新的权重函数wi,得到新的目标函数Qnew:
式中:wi是第i个样本的权重;
是第i个样本的经过加权重的残差平方和;
当权重wi≡1时,上式就是通用的最小二乘估计的目标函数。为了改进目标函数,使之少受观测异常值的影响,加权函数wi须满足以下条件(如图3所示):
①权重最大值为即当而且
②对称性wi(e)=wi(-e);
③wi将随着残差绝对值的加大而减小,即单调性;
满足这3个条件的权重函数有多个,在本步骤中令:
其中,k为调和常数,这里取k=1.345,
将权重函数wi代入,则新的目标函数为:
由此获得一次稳健回归的解:
式中:y是n×1的因变量观测值向量;
x是n×P的自变量观测值矩阵;
w(1)是第1次引入的权重函数;它是上一次线性回归参数估计残差的函数;
同理可获得第s次稳健回归的解:
式中:w(s)是第s次引入的权重函数,它是s-1次线性回归参数估计残差的函数;用迭代方法获得稳健回归的最终解。
步骤3)单木冠幅与林木直径的稳健回归模型参数的迭代确定有以下步骤:
步骤A)、首先用常规的最小二乘法估计线性模型的初始参数
式中:w(0)≡1是单位矩阵;
步骤B)、计算第S次迭代的权重函数;
在迭代的第s步,记上一次的迭代的残差e(s-1),计算第s步权重并将其按对角阵排列:
显然,权重函数是残差的反比函数,
步骤C)、计算按第s步的权重矩阵W(s)加权最小二乘法的参数的估计值;
从而形成一次稳健回归的解;
步骤D)、判断(其中,δ为迭代误差,在本步骤中设为0.001)转入第B步,进入下一次迭代;否则返回第E步,跳出迭代;
步骤E)、根据β(s)构建单木冠幅与林木直径稳健的线性模型。
实施例2:如图1、图2、图3所示,一种稳健遥感单木冠幅与林木直径回归方法,还包括如下步聚:
步聚1)、冠幅资料获取;
由于遥感图像上单株树冠与林木树冠存在映射关系,但不一定能做到一一映射关系,所以只能从地面森林样地中获取存在对应关系的树木(相关树)。按照遥感影像的单木树冠定义,这种相关树只能在林地内选取。
在野外,用差分GPS测定林内林木的位置并测量相应的林木直径等,将GPS测定的地理坐标编成一个文件,可一次性加载到Arcgis系统,与高分辨率遥感图像叠加。再用遥感影像单木树冠提取技术测量它的冠幅。这种作法,理论上可做到遥感图像上单株树冠与地面林木(不含下层林木)的一一映射关系。
步聚2)、稳健回归模型的构建同上;
步骤3)单木冠幅与林木直径的稳健回归模型参数的迭代确定同上;
实施例3:如图1、图2、图3所示,一种稳健遥感单木冠幅与林木直径回归方法,还包括如下步聚:
步骤1)冠幅与林木直径相关数据获取;
由于遥感图像上单株树冠与地面林木树冠的存在映射关系,但不一定能做到一一映射关系,所以只能从地面森林样地中选取存在对应关系的树木。
采用目视识别法:
在林地边缘找一个明显地物标,打引线进入林内样地,首先识别样地的角点,再从遥感影像中找到样地,通过遥感影像目视识别法,勾绘样地内“相关树”的林木树冠轮廓,测量冠幅,并记录已测冠幅的林木地理坐标。根据记录的林木地理坐标,在地面样地测量相应的林木直径,也可获取遥感影像冠幅与林木直径的相关数据。此外,也可通过遥感影像获取冠幅与林木直径的相关数据。
步骤2)稳健回归模型的构建同上;
步骤3)单木冠幅与林木直径的稳健回归模型参数迭代,同上。
如上所述,对本发明的实施例进行了详细地说明,但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形,这对本领域的技术人员来说是显而易见的。因此,这样的变形例也全部包含在本发明的保护范围之内。
Claims (1)
1.一种稳健遥感单木冠幅与林木直径回归方法,其特征在于含有以下步骤:
步骤1)、单木冠幅与林木直径相关数据获取;
步骤2)、稳健回归模型的构建;
步骤3)、单木冠幅与林木直径的稳健回归模型参数的迭代确定;
其中步骤1)冠幅与林木直径相关数据获取有以下两种方法:
方法A)、遥感影像冠幅提取法:
在野外选一块林木中等郁闭、中等大小的林地作为试验场地,用差分GPS测定林内“相关树”林木的地理坐标位置,然后测量相应位置的林木直径,将GPS测定的地理坐标编成一个文件,一次性加载到Arcgis系统,与高分辨率遥感影像叠加,再用遥感影像的单木树冠提取技术测量它的冠幅,从而形成遥感影像冠幅与林木直径的相关数据;
方法B)、遥感影像目视识别法:
在林地边缘找一个明显地物标,打引线进入林内样地,首先识别样地的角点,再从遥感影像中找到样地,通过遥感影像目视识别法,勾绘样地内“相关树”的林木树冠轮廓,测量冠幅,并记录已测冠幅的林木地理坐标,根据记录的林木地理坐标,在地面样地测量相应的林木直径,也可获取遥感影像冠幅与林木直径的相关数据;
其中步骤2)稳健回归模型的构建有以下步骤:
对于多元线性回归模型:Y=Xβ+e,
式中:Y是n×1的因变量观测值向量,这里的因变量为林木直径的测量值(单位是cm)向量;
X是n×P的自变量观测值矩阵,P为维数,这里的自变量为单木冠幅遥感测量值(单位是m)的一维矩阵;
β是P×1的待估参数向量;
e是n×1的误差向量;
确定参数β通常用最小二乘法(LS),也就是使估计残差平方和QLS(称为目标函数)为最小:
式中:yi是第i个样本的因变量观测值;
x(i)是第i个样本的,P维自变量观测向量;
是第i个样本的残差的平方;
从而获得该线性模型的最优无偏估计:
式中:y是n×1的因变量观测值向量;
x是n×P的自变量观测值矩阵,x'是它的转置矩阵,(x'x)-1是可逆矩阵x'x的逆矩阵;
是P×1的最小二乘估计参数向量;
最小二乘法的优点是使线性模型的解有良好的解析性质;
为了减小异常值对线性模型的影响程度,采用Huber的M-估计法,构造稳健回归模型,也就是对原目标函数引入新的权重函数wi:
其中,k为调和常数,这里取k=1.345,
代入,则新的目标函数为:
它们对残差起到抑制作用,由此获得第一次稳健回归的解:
同理可获得第s次稳健回归的解:
式中:w(s)是第s次引入的权重函数,它是s-1次线性回归参数估计残差的函数;用迭代方法获得稳健回归的最终解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510041343.7A CN104615875B (zh) | 2015-01-27 | 2015-01-27 | 一种稳健遥感单木冠幅与林木直径回归方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510041343.7A CN104615875B (zh) | 2015-01-27 | 2015-01-27 | 一种稳健遥感单木冠幅与林木直径回归方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104615875A CN104615875A (zh) | 2015-05-13 |
CN104615875B true CN104615875B (zh) | 2017-07-04 |
Family
ID=53150316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510041343.7A Expired - Fee Related CN104615875B (zh) | 2015-01-27 | 2015-01-27 | 一种稳健遥感单木冠幅与林木直径回归方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104615875B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429966A (zh) * | 2020-04-23 | 2020-07-17 | 长沙金域医学检验实验室有限公司 | 基于稳健线性回归的染色体拷贝数变异判别方法及装置 |
CN114925321B (zh) * | 2022-05-13 | 2022-12-06 | 北京科技大学 | 克服污染数据及不确定事件的新型稳健估计方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008676A (zh) * | 2006-01-16 | 2007-08-01 | 北京林业大学 | 无人机航空摄影遥感森林计测方法 |
CN103760565A (zh) * | 2014-02-10 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 一种区域尺度森林冠层高度遥感反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8189877B2 (en) * | 2005-10-21 | 2012-05-29 | Carnegie Institution Of Washington | Remote sensing analysis of forest disturbances |
US20080046184A1 (en) * | 2006-08-16 | 2008-02-21 | Zachary Bortolot | Method for estimating forest inventory |
-
2015
- 2015-01-27 CN CN201510041343.7A patent/CN104615875B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008676A (zh) * | 2006-01-16 | 2007-08-01 | 北京林业大学 | 无人机航空摄影遥感森林计测方法 |
CN103760565A (zh) * | 2014-02-10 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 一种区域尺度森林冠层高度遥感反演方法 |
Non-Patent Citations (2)
Title |
---|
稳健回归及其在林业中的应用;葛宏利 等;《东北林业大学学学报》;19960531;第24卷(第3期);第78-83页 * |
轻小型航空遥感森林几何参数提取研究;韦雪花;《中国博士学位论文全文数据库》;20131015;第16-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104615875A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Estimating forest structural attributes using UAV-LiDAR data in Ginkgo plantations | |
Ioki et al. | Estimating above-ground biomass of tropical rainforest of different degradation levels in Northern Borneo using airborne LiDAR | |
Popescu et al. | Estimating plot-level tree heights with lidar: local filtering with a canopy-height based variable window size | |
Nelson et al. | Estimating Siberian timber volume using MODIS and ICESat/GLAS | |
Saatchi et al. | Estimation of crown and stem water content and biomass of boreal forest using polarimetric SAR imagery | |
Ekstrand | Landsat TM-based forest damage assessment: correction for topographic effects | |
Chirici et al. | Non-parametric and parametric methods using satellite images for estimating growing stock volume in alpine and Mediterranean forest ecosystems | |
Sullivan et al. | Comparison of lidar-and allometry-derived canopy height models in an eastern deciduous forest | |
CN105913017A (zh) | 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 | |
Maltamo et al. | Predicting and calibrating tree attributes by means of airborne laser scanning and field measurements | |
US20200034500A1 (en) | A sensor placement method for capturing structural local deformation and global modal information | |
Melin et al. | Assessing the performance of aerial image point cloud and spectral metrics in predicting boreal forest canopy cover | |
Song et al. | The spectral/temporal manifestation of forest succession in optical imagery: The potential of multitemporal imagery | |
Lin et al. | Retrieval of effective leaf area index (LAIe) and leaf area density (LAD) profile at individual tree level using high density multi-return airborne LiDAR | |
Bandaru et al. | Estimating crop net primary production using national inventory data and MODIS-derived parameters | |
Proisy et al. | Biomass prediction in tropical forests: the canopy grain approach | |
CN108959705B (zh) | 一种预测亚热带森林生物量的方法 | |
CN108896021A (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
CN104615875B (zh) | 一种稳健遥感单木冠幅与林木直径回归方法 | |
de Almeida Papa et al. | Evaluating tropical forest classification and field sampling stratification from lidar to reduce effort and enable landscape monitoring | |
Chehbouni et al. | A preliminary synthesis of major scientific results during the SALSA program | |
Gu et al. | Assessing factors influencing vegetation coverage calculation with remote sensing imagery | |
Kwon et al. | Forest canopy density estimation using airborne hyperspectral data | |
CN106960119A (zh) | 一种融合di的森林扰动综合特征指数及方法 | |
Villikka et al. | Alternatives for predicting tree-level stem volume of Norway spruce using airborne laser scanner data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170704 Termination date: 20210127 |
|
CF01 | Termination of patent right due to non-payment of annual fee |