CN104778451B - 一种考虑草地高度因子的草地生物量遥感反演方法 - Google Patents

一种考虑草地高度因子的草地生物量遥感反演方法 Download PDF

Info

Publication number
CN104778451B
CN104778451B CN201510146194.0A CN201510146194A CN104778451B CN 104778451 B CN104778451 B CN 104778451B CN 201510146194 A CN201510146194 A CN 201510146194A CN 104778451 B CN104778451 B CN 104778451B
Authority
CN
China
Prior art keywords
grassland
meadow
remote sensing
measuring point
biomass
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.)
Active
Application number
CN201510146194.0A
Other languages
English (en)
Other versions
CN104778451A (zh
Inventor
巩彩兰
马维维
胡勇
孟鹏
刘丰轶
徐菲菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Technical Physics of CAS
Original Assignee
Shanghai Institute of Technical Physics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Technical Physics of CAS filed Critical Shanghai Institute of Technical Physics of CAS
Priority to CN201510146194.0A priority Critical patent/CN104778451B/zh
Publication of CN104778451A publication Critical patent/CN104778451A/zh
Application granted granted Critical
Publication of CN104778451B publication Critical patent/CN104778451B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种考虑草地高度因子的草地生物量遥感反演方法，其方法是根据研究区地面测点数据采用多元逐步线性回归分析法建立草地高度、植被指数与草地生物量之间的统计模型，在此基础上对研究区遥感影像数据进行反演计算，其中草地高度变量通过草地类型、NDVI(归一化植被指数)以及DEM(数字高程模型)反演得到。本发明的优点在于加入草地高度因子到草地生物量反演模型能够提高草地生物量遥感反演的精度，并且能够克服传统植被指数模型法对不同形态的草地之间缺乏一致性和稳定性的缺点，方法可靠且有实用价值。

Description

一种考虑草地高度因子的草地生物量遥感反演方法
技术领域
本发明涉及定量遥感应用技术领域，具体是指一种考虑草地高度因子的草地生物量遥感反演方法，它用于草地地上生物量的遥感定量反演。
背景技术
草地是我国面积最大的陆地生态系统，它不仅具有涵养水源、保持水土等生态功能，而且是草地畜牧业发展的物质基础。草地地上生物量是指地表以上单位面积上所包含的活植物材料的重量，它是草地生态系统的重要参数之一。实时动态的检测草地长势并估算其产量，不仅有助于掌握气候变化与草地生态系统相互间的反馈作用，而且对指导牧民合理放牧和草地资源的可持续利用具有重要意义。
传统的现场测量生物量方法具有精度高，测量数据可靠等优点，但是现场测量具有费时费力、以点带面和具有破坏性等缺点。遥感数据具有重访周期高，覆盖范围广，数据源丰富等优势，将遥感数据用于监测草地生态参数，作为现有实际监测数据的补充测量手段，则可以获得实时、大范围的草地生态参量监测数据，对于牧区畜牧养殖和生态环境保护均有指导价值。目前，植被指数模型法是最常见的植被生物量遥感监测方法。早在80年代，新西兰学者就开始采用NOAA/AVHRR数据计算归一化植被指数(NDVI)来监测草地植被生产力的动态变化。S.W.Todd利用TM图像提取植被指数，包括GVI、NDVI、WI和红色波段(TM3)研究了美国克罗拉多东部地区的牧草生物量，并发现这些植被指数与牧区草地生物量呈线性关系。
然而，植被指数模型存在的一个最大的问题就是对不同形态的植被之间缺乏一致性和稳定性。李德仁指出遥感数据在估算生物量比较高的地区时，存在遥感信息饱和的问题，不能准确反应生物量的变化。刘占宇等也指出植被指数模型对生物量较小的草地拟合度较好，而对生物量较大的草地拟合度较差。
本发明将草地高度因子引入到草地地上生物量估算模型，建立包含草地高度因子和光谱参量的综合估算模型，以期进一步提高草地生物量遥感监测的精度。
发明内容
基于上述已有技术存在的问题，本发明的目的是提出一种考虑草地高度因子的草地生物量遥感反演方法，以克服传统植被指数模型法对不同形态的植被之间缺乏的一致性和稳定性的缺点，并且进一步提高草地生物量遥感估算的精度。
该方法利用草地高度、植被指数来估算草地生物量参数。其具体步骤是(图1)：
(1)图像数据获取及处理
(1-1)遥感图像、DEM数据的获取及预处理
获取研究区的光学遥感影像，分别进行几何校正、辐射校正和大气校正等预处理工作，然后根据预处理后得到的反射率影像采用植被指数阈值法进行草地覆盖区域提取；获取研究区的DEM图像数据(一般采用ASTER GDEM数据),并与遥感数据进行几何配准；
(1-2)生成草地分类图像
根据研究区域内不同类型的草地在遥感图像上的光谱亮度差异和高程分布差异，进行草地分类识别，生成研究区的草地分类图；
(2)地面测点数据获取
在研究区选择一定数量具有代表性的测点，在每个测点选择一块均质的草地区域，其面积需大于遥感图像单个像元对应的实际地面面积；在该区域内选择若干个同样大小具有代表性的样方，首先对样方内草地冠层顶部至地面的垂直距离h进行测量，取均值作为该测点草层高度；然后将各个样方地上部分剪下，立即称重，取均值作为该测点草地的地上生物量值；用GPS记录每个测点的经纬度数据；
(3)地面测点特征参数提取
(3-1)遥感影像植被指数提取
按步骤(2)记录的GPS经纬度从经过预处理后的遥感图像上提取地面测点对应像元的5种植被指数：归一化植被指数NDVI、比值植被指数RVI、差值植被指数DVI、增强型植被指数EVI、土壤调节植被指数SAVI；
(3-2)高程和类别信息提取
按步骤(2)记录的GPS经纬度从经过预处理后的DEM图像上提取地面测点对应的高程数据，同样的方法从草地类型图上提取出地面测点对应的草地类型编号；
(4)草地高度反演模型构建
将每一个地面测点对应像元的草地类型编号、DEM和NDVI作为输入，每一个测点实测的草地高度作为输出，采用Cart分类回归树算法建立草地高度估算模型；
(5)草地生物量反演模型构建
选取5个植被指数因子NDVI、RVI、DVI、EVI、SAVI、草地高度因子H作为备选自变量，设定显著性水平为0.05，对备选自变量与草地生物量之间进行逐步回归分析并逐步剔除无用变量，筛选出特征因子；根据筛选出的特征因子建立草地生物量多元线性反演模型；
(6)遥感影像数据草地生物量反演
对于研究区预处理后的遥感图像，根据步骤(5)得到的草地生物量模型采用逐像元计算的方法来得到每个像元对应的草地生物量值，其中每个像元对应的草地高度值通过步骤(4)所建立的草地高度模型计算得到；最终得到研究区的草地生物量反演图像；
本发明有如下有益效果：将草地高度因子引入到草地地上生物量估算模型，建立包含草地高度因子和光谱参量的综合估算模型，进一步提高了草地生物量遥感监测的精度，并克服了传统植被指数模型法对不同形态的植被之间缺乏的一致性和稳定性的缺点。
附图说明
图1草地产量反演流程图。
图2草地高度计算模型。
图3草地产量反演结果图。
具体实施方式
根据本发明利用HJ-1CCD数据对青海湖环湖区域草地地上生物量进行反演。首先对研究区HJ-1CCD数据(2012年9月2日，5083行*5931列)进行几何校正、辐射校正和大气校正，再对得到的反射率影像进行水体掩膜、植被覆盖区域提取等预处理。根据青海省现有的草地分类体系，对环湖区域的8种草地类型进行分类，生成研究区草地分类图。在此基础上，综合利用研究区反射率影像、草地分类图像、DEM数据等资料对草地地上生物量进行反演。
详述如下：
(1)地面测点数据获取
草地生物量及草层高度数据的获取与遥感影像过境时间基本同步。在整个研究区范围共选取了53个测点(主要分布在环湖草地生长茂盛区域)，在每个测点选择一块均质的、面积不小于900m2的典型区域，在该区域内选择3个1m×1m具有代表性的样方，首先对样方内草地冠层顶部至地面的垂直距离h进行测量，取3个样方的均值作为该测点草层高度；然后将各个样方地上部分剪下，立即称重，取平均值作为该测点草地的地上生物量值。用GPS记录各个测点的经纬度数据。
(2)遥感影像植被指数提取
按步骤(1)记录的GPS经纬度从经过预处理后的遥感图像上提取地面测点对应像元的6种植被指数：NDVI(归一化植被指数)、RVI(比值植被指数)、DVI(差值植被指数)、EVI(增强型植被指数)、SAVI(土壤调节植被指数)、MSAVI(修正的土壤调节植被指数)。
(3)草地遥感分类
根据青海省现有的草地分类体系，以遥感影像信息为主，并添加DEM数据作为辅助特征，按分层分类的原则，由地域因子和光谱特征交叉灵活应用，进行草地类型的划分，最终将环湖区域的草地分为以下8种类型：高寒草甸、沼泽草甸、高寒草原、温性草原、具高寒灌丛草地、具河谷灌丛草地和人工草地。在遥感分类过程中，以青海省1:100万植被类型图(2008)和野外实地调查获取的数据作为辅助参考，获取草地类型先验知识。
(4)草地高度反演模型构建
将每一个地面测点对应像元的草地类型编号、DEM和NDVI作为输入，每一个测点实测的草地高度作为输出，采用Cart分类回归树算法建立草地高度估算模型(图2)。
(5)草地生物量反演模型构建
选取5个植被指数因子NDVI、RVI、DVI、EVI、SAVI、草地高度因子H作为备选自变量，设定显著性水平为0.05，对备选自变量与草地生物量之间进行逐步回归分析并逐步剔除无用变量，筛选出特征因子。表1是逐步回归分析的结果，显示了最终筛选出的特征因子以及不同特征因子引入回归模型后模型的决定系数R2。可以看出，最终筛选出的特征因子为RVI和H，当RVI和H同时进入回归模型时，模型R2比RVI单变量模型提高了13％，RMSE(均方根误差)也有所下降。最终，利用RVI和H建立的草地生物量(G)估算模型为：
G＝130.878RVI+14.227H-229.858
表1草地生物量与各特征因子逐步回归分析结果
步长 特征因子 R2 RMSE
1 RVI 0.670** 117.778
2 RVI、H 0.802** 92.241
注：**表示通过极显著性检验
(6)遥感影像数据草地生物量反演
对于研究区预处理后的遥感图像，根据步骤(5)得到的草地生物量模型采用逐像元计算的方法来得到每个像元对应的草地生物量值，其中每个像元对应的草地高度值通过步骤(4)所建立的草地高度模型计算得到。最终得到待反演区域的草地生物量反演图像(图3)。

Claims (1)

1.一种考虑草地高度因子的草地生物量遥感反演方法，其特征在于包括如下步骤：
(1)图像数据获取及处理
(1-1)遥感图像、DEM数据的获取及预处理
获取研究区的光学遥感影像，分别进行几何校正、辐射校正和大气校正预处理工作，然后根据预处理后得到的反射率影像采用植被指数阈值法进行草地覆盖区域提取；获取研究区的DEM图像数据,并与遥感数据进行几何配准；
(1-2)生成草地分类图像
根据研究区域内不同类型的草地在遥感图像上的光谱亮度差异和高程分布差异，进行草地分类识别，生成研究区的草地分类图；
(2)地面测点数据获取
在研究区选择一定数量具有代表性的测点，在每个测点选择一块均质的草地区域，其面积需大于遥感图像单个像元对应的实际地面面积；在该区域内选择若干个同样大小具有代表性的样方，首先对样方内草地冠层顶部至地面的垂直距离h进行测量，取均值作为该测点草层高度；然后将各个样方地上部分剪下，立即称重，取均值作为该测点草地的地上生物量值；用GPS记录每个测点的经纬度数据；
(3)地面测点特征参数提取
(3-1)遥感影像植被指数提取
按步骤(2)记录的GPS经纬度从经过预处理后的遥感图像上提取地面测点对应像元的5种植被指数：归一化植被指数NDVI、比值植被指数RVI、差值植被指数DVI、增强型植被指数EVI、土壤调节植被指数SAVI；
(3-2)高程和类别信息提取
按步骤(2)记录的GPS经纬度从经过预处理后的DEM图像上提取地面测点对应的高程数据，同样的方法从草地类型图上提取出地面测点对应的草地类型编号；
(4)草地高度反演模型构建
将每一个地面测点对应像元的草地类型编号、DEM和NDVI作为输入，每一个测点实测的草地高度作为输出，采用Cart分类回归树算法建立草地高度估算模型；
(5)草地生物量反演模型构建
选取5个植被指数因子NDVI、RVI、DVI、EVI、SAVI、草地高度因子H作为备选自变量，设定显著性水平为0.05，对备选自变量与草地生物量之间进行逐步回归分析并逐步剔除无用变量，筛选出特征因子；根据筛选出的特征因子建立草地生物量多元线性反演模型；
(6)遥感影像数据草地生物量反演
对于研究区预处理后的遥感图像，根据步骤(5)得到的草地生物量模型采用逐像元计算的方法来得到每个像元对应的草地生物量值，其中每个像元对应的草地高度值通过步骤(4)所建立的草地高度模型计算得到；最终得到研究区的草地生物量反演图像。
CN201510146194.0A 2015-03-31 2015-03-31 一种考虑草地高度因子的草地生物量遥感反演方法 Active CN104778451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510146194.0A CN104778451B (zh) 2015-03-31 2015-03-31 一种考虑草地高度因子的草地生物量遥感反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510146194.0A CN104778451B (zh) 2015-03-31 2015-03-31 一种考虑草地高度因子的草地生物量遥感反演方法

Publications (2)

Publication Number Publication Date
CN104778451A CN104778451A (zh) 2015-07-15
CN104778451B true CN104778451B (zh) 2017-10-13

Family

ID=53619904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510146194.0A Active CN104778451B (zh) 2015-03-31 2015-03-31 一种考虑草地高度因子的草地生物量遥感反演方法

Country Status (1)

Country Link
CN (1) CN104778451B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260249B (zh) * 2015-09-19 2019-04-23 中国地质大学（武汉） 空间计算域计算强度特征提取方法
CN105372672B (zh) * 2015-12-07 2017-09-15 广州地理研究所 基于时间序列数据的南方冬种作物种植面积提取方法
CN105975973A (zh) * 2016-04-29 2016-09-28 连云港职业技术学院 一种用于森林生物量的遥感影像特征选择方法和装置
CN106384171A (zh) * 2016-09-29 2017-02-08 四川师范大学 一种适用于研究区当地的冷杉森林碳储量估测模型
CN106403904B (zh) * 2016-10-19 2019-10-22 中国林业科学研究院 一种基于无人机的景观尺度植被覆盖度的计算方法及系统
CN106503662B (zh) * 2016-10-25 2019-05-03 山东省海洋生物研究院 一种潮间带鼠尾藻藻床资源量的评估方法
CN106650015A (zh) * 2016-11-24 2017-05-10 中国科学院东北地理与农业生态研究所 一种城市森林叶面积指数景观尺度推演方法
CN108388683A (zh) * 2017-06-15 2018-08-10 中国科学院地理科学与资源研究所 一种基于生境因子的植被类型空间模拟方法
CN108007438B (zh) * 2017-12-01 2020-07-24 云南大学 无人机航空摄影遥感湿地植物生物量的估测方法
CN109900361B (zh) * 2017-12-08 2020-11-20 核工业北京地质研究院 一种适用于航空高光谱影像大气辐射校正的方法
CN109358341A (zh) * 2018-08-31 2019-02-19 北京理工大学 一种便携式草地生物量无损伤测量装置
CN109325433A (zh) * 2018-09-14 2019-02-12 东北农业大学 引入地形因子的黑土区大豆生物量多时相遥感反演方法
CN109543654B (zh) * 2018-12-14 2023-04-18 常州大学 一种反映农作物生长状况的改进型植被指数的构建方法
CN110148116A (zh) * 2019-04-12 2019-08-20 深圳大学 一种森林生物量估算方法及其系统
CN110489838B (zh) * 2019-08-08 2023-05-16 东南大学 一种基于贝叶斯推理的湿木材热参数反演方法
BR102020022030B1 (pt) * 2020-10-27 2022-08-23 Rafael Carvalho Da Cunha Método de mensuração qualiquantitativa de biomassa de gramíneas forrageiras para pastoreio, utilizando informações de campo e informações de índices de vegetação oriundos de satélite
CN112362591B (zh) * 2020-11-30 2023-03-14 江苏海洋大学 基于数字高程模型的植被反演的方法
CN112668534B (zh) * 2021-01-05 2022-08-23 长沙理工大学 基于数字正射影像和数字表面模型反演林区植被高度的方法
CN113297904B (zh) * 2021-04-16 2023-11-21 广州市华南自然资源科学技术研究院 一种基于卫星驱动模型的高寒草地生物量估算方法及系统
CN113722918A (zh) * 2021-09-01 2021-11-30 滁州学院 一种基于遥感反演模型的云杉林生物量的确定方法
CN114689545B (zh) * 2022-03-02 2022-11-29 珠江水利委员会珠江水利科学研究院 一种基于dsm等高切片的植被覆盖度分层估算方法、介质
CN117036981B (zh) * 2023-09-12 2024-03-29 西藏高原大气环境科学研究所 一种草地地上生物量遥感监测方法及系统
CN117456364B (zh) * 2023-11-09 2024-04-26 中国农业科学院农业信息研究所 一种基于SfM和草地高度因子的草地地上生物量估测方法及系统
CN117494066A (zh) * 2023-11-15 2024-02-02 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) 长时间时序地上生物量反演量化评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1924611A (zh) * 2005-08-29 2007-03-07 王长耀 土地退化(荒漠化)评价参数遥感反演与监测技术方法
CN101858971A (zh) * 2010-06-02 2010-10-13 浙江大学 一种基于modis数据的水稻单产遥感估算方法
CN103439297A (zh) * 2013-09-05 2013-12-11 太原理工大学 一种荒漠草原绿色植物鲜重遥感估算方法
CN104462809A (zh) * 2014-12-04 2015-03-25 中国科学院东北地理与农业生态研究所 一种基于遥感与gis相结合的草地生产力估算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9373149B2 (en) * 2006-03-17 2016-06-21 Fatdoor, Inc. Autonomous neighborhood vehicle commerce network and community

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1924611A (zh) * 2005-08-29 2007-03-07 王长耀 土地退化(荒漠化)评价参数遥感反演与监测技术方法
CN101858971A (zh) * 2010-06-02 2010-10-13 浙江大学 一种基于modis数据的水稻单产遥感估算方法
CN103439297A (zh) * 2013-09-05 2013-12-11 太原理工大学 一种荒漠草原绿色植物鲜重遥感估算方法
CN104462809A (zh) * 2014-12-04 2015-03-25 中国科学院东北地理与农业生态研究所 一种基于遥感与gis相结合的草地生产力估算方法

Also Published As

Publication number Publication date
CN104778451A (zh) 2015-07-15

Similar Documents

Publication Publication Date Title
CN104778451B (zh) 一种考虑草地高度因子的草地生物量遥感反演方法
Zhang et al. Livestock-carrying capacity and overgrazing status of alpine grassland in the Three-River Headwaters region, China
Bolton et al. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics
Jakubauskas et al. Crop identification using harmonic analysis of time-series AVHRR NDVI data
Franch et al. Improving the timeliness of winter wheat production forecast in the United States of America, Ukraine and China using MODIS data and NCAR Growing Degree Day information
Gong et al. MODIS normalized difference vegetation index (NDVI) and vegetation phenology dynamics in the Inner Mongolia grassland
CN103994976B (zh) 基于modis数据的农业旱情遥感监测方法
CN103439297B (zh) 一种荒漠草原绿色植物鲜重遥感估算方法
CN104424390A (zh) 灌溉面积监测方法及装置
CN113221806B (zh) 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
Mokhtari et al. Estimating net irrigation requirement of winter wheat using model-and satellite-based single and basal crop coefficients
Sun et al. A systematic review of research studies on the estimation of net primary productivity in the Three-River Headwater Region, China
CN112836575A (zh) 一种基于作物物候期的多时序影像水稻估产方法
Zhang et al. Vegetation fractional coverage change in a typical oasis region in Tarim River Watershed based on remote sensing
Li et al. Mapping rice cropping systems using Landsat-derived renormalized index of normalized difference vegetation index (RNDVI) in the Poyang Lake Region, China
CN106960190B (zh) 基于高分辨率图像监督中分辨率图像的灌溉面积统计方法
Qing-Ling et al. Topographical effects of climate data and their impacts on the estimation of net primary productivity in complex terrain: A case study in Wuling mountainous area, China
CN102013047A (zh) 农作物产量变异程度监测方法
CN105823736A (zh) 一种枣树冠层类胡萝卜素含量的检测方法
Chen et al. 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing
WO2024061160A1 (zh) 基于叶面积指数的冬小麦旱情无人机快速监测判别方法
Vanino et al. Earth observation for improving irrigation water management: A case-study from Apulia Region in Italy
CN106092911A (zh) 一种枣树冠层磷含量的检测方法
CN111192315A (zh) 一种基于多源信息的实际灌溉面积提取方法
Sayad et al. Crop management using Big Data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant