CN105608293A - 融合光谱与纹理特征的森林地上生物量反演方法及系统 - Google Patents
融合光谱与纹理特征的森林地上生物量反演方法及系统 Download PDFInfo
- Publication number
- CN105608293A CN105608293A CN201610058303.8A CN201610058303A CN105608293A CN 105608293 A CN105608293 A CN 105608293A CN 201610058303 A CN201610058303 A CN 201610058303A CN 105608293 A CN105608293 A CN 105608293A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- textural characteristics
- key factor
- biomass
- texture
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种融合光谱与纹理特征的森林地上生物量反演方法及系统,包括进行研究区样地地上生物量计算,得到样地生物量观测值;对高分辨率遥感影像全色数据和多光谱数据进行几何校正和辐射校正;将样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,选取光谱特征反演模型;提取不同窗口下的多种纹理特征变量,将样地生物量观测值与相应的纹理特征变量分别进行统计回归,选取纹理特征反演模型;通过光谱关键因子与纹理关键因子的敏感性分析确定权重,构建生物量的光谱纹理特征联合反演模型,实现森林地上生物量反演。本发明融合了光谱与纹理特征,充分发挥两者反演生物量的优势,有效提高了森林地上生物量的定量反演精度。
Description
技术领域
本发明涉及森林地上生物量提取领域,具体来说,涉及一种融合遥感影像光谱与纹理特征的森林地上生物量(AGB)反演技术方案。
背景技术
森林地上生物量对于森林生态系统固碳能力和碳储量有重要的指示作用,在国际地圈-生物圈研究计划(IGBP)中,碳循环被确定为全球变化和陆地生态系统(GCTE)等计划的重要研究内容。因此,森林地上生物量的准确提取对于全球变化及陆地生态系统研究具有重要意义。
以人工采样测量为主要技术手段的传统森林地上生物量监测方法存在费时费力,受干扰因素多,估算精度低等缺点,很难大范围、高效率和实时地进行常规测量。而遥感技术由于其宏观动态实时多源的特点,已在森林地上生物量研究中蓬勃开展。国内外众多学者已经运用合成孔径雷达(syntheticapertureradar,SAR)、激光雷达(Lidar)以及多传感器结合技术对森林地上生物量反演进行了大量研究,但是光学遥感数据,特别是光谱植被指数,仍然是森林地上生物量估测使用最为广泛的数据源之一。然而,当植被比较茂密时,植被反射光谱信息出现饱和,使得生物量定量反演的精度仍难以达到行业应用的需求。遥感图像纹理一般理解为图像灰度在空间上的变化和重复出现。纹理测度对植被冠层结构的空间变化具有高度敏感性,甚至在浓密植被区也能够较好的捕捉森林冠层结构及生物量信息。相比中低分辨率遥感数据,高分辨率遥感数据由于能够提供更为丰富的纹理信息,已在森林结构参数及森林地上生物量的探测中得到广泛应用,并在很大程度上提高了森林参数的反演精度。虽然纹理信息在森林生物量估算方面具有较大潜力,但它的优越性并未被充分地研究和利用。一方面,纹理测度是一种相对复杂的参数,并且对研究对象、地形条件及所用窗口大小等具有高度的敏感性。另一方面,并未有任何研究显示哪种纹理测度或其组合具有最好的估测效果。因此,针对目前生物量精准定量反演的迫切需求以及单一光谱或纹理信息存在的优势和局限性,有效结合光谱与纹理特征提取生物量,是提高生物量参数估测精度的一种合理途径。
国内外学者已经利用光谱和纹理特征的结合,基于传统的统计回归方法,取得了较好的生物量或其他植被参数的估测效果。但是单纯利用经验的统计回归方法结合光谱与纹理特征,无法考虑二者的内部结合机制。充分考虑光谱与纹理特征的内部结合机制,不但可以使联合模型具有更加明确的数学和物理意义,而且在提高生物量估测精度方面具有更大的潜力。但是如何通过考虑光谱与纹理特征的内部结合机制来构建生物量联合反演模型,是摆在众多研究者面前的一道难题。
发明内容
对此,本发明提出了一种融合遥感影像光谱与纹理特征的森林地上生物量反演方法及系统。
本发明所采用的技术方案是一种融合光谱与纹理特征的森林地上生物量反演方法,其特征在于,包括以下步骤:
步骤a,进行研究区样地地上生物量计算,包括利用地面观测试验获取的样地单株参数数据集,基于地上生物量计算公式,得到样地生物量观测值,记为AGB;
步骤b,进行预处理,包括对高分辨率遥感影像全色数据和多光谱数据进行几何校正,并对多光谱数据进行辐射校正,得到地表反射率数据;
步骤c,基于预处理后的多光谱数据,提取多种光谱特征植被指数,将步骤1所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,选取估测精度最高的模型作为光谱特征反演模型;
步骤d,基于预处理后的全色数据,提取不同窗口下的多种纹理特征变量,将步骤1所得样地生物量观测值与相应的纹理特征变量分别进行统计回归,选取估测效果最好的模型作为纹理特征反演模型;
步骤e,通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子的敏感性分析,确定光谱与纹理特征各自所占权重,从而构建生物量的光谱纹理特征联合反演模型,实现森林地上生物量反演;AGB的光谱纹理特征联合反演模型如下式:
AGB=(b×α+c)×f(α)+(1-(b×α+c))×f(β)
其中,f(α)为光谱特征反演模型,α为光谱关键因子;f(β)为纹理特征反演模型,β为纹理关键因子;b和c为光谱与纹理特征各自所占权重。
而且,所述步骤c中,选取的光谱特征植被指数包括归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI和修正土壤调节植被指数MSAVI,其计算公式如下:
DVI=NIR-R
式中,NIR、R、B分别为近红外波段、红光波段和蓝光波段的反射率;L为冠层背景调整系数。
而且,所述步骤d中,选取的纹理特征变量包括均值ME、均匀性,HOM、对比度CON、相异性DIS、熵ENT、方差VAR、二阶矩ASM和相关性COR,其计算公式如下:
式中,i和j分别表示行列号;Pi,j是归一化后的灰度共生矩阵;N表示计算纹理特征时移动窗口的大小;μi、μj、σi 2和σj 2分别是Pi和Pj的平均值和标准差,Pi和Pj是归一化后的灰度共生矩阵的第i行和第j列。
而且,所述步骤d中,提取纹理特征的窗口大小为3×3、5×5、7×7和9×9;将步骤1所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,包括每种窗口下的8种纹理特征分别与AGB进行一元线性回归、每种窗口下的8种纹理特征分别全部与AGB进行逐步多元线性回归、4种窗口下的全部纹理特征与AGB进行逐步多元线性回归。
而且,所述步骤e中,通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子的敏感性分析,确定光谱与纹理特征各自所占权重,实现如下,
(1)进行光谱和纹理关键因子归一化,如下式,
式中,xi为在第i种生物量场景下,光谱或纹理关键因子的值;yi是相应的归一化值;xmin和xmax分别为光谱或纹理关键因子的最小值和最大值;
(2)进行光谱和纹理关键因子敏感性计算,
对于光谱关键因子的敏感性计算,包括首先根据光谱特征反演模型,建立以归一化后的光谱关键因子为因变量、AGB为自变量的回归模型;然后求取归一化后的光谱关键因子的一阶导数,作为对生物量的敏感性;
对于纹理关键因子的敏感性计算,包括首先根据纹理特征反演模型,建立以AGB为因变量、归一化后的纹理关键因子为自变量的回归模型;然后求取每个自变量的一阶导数,作为每个纹理关键因子对生物量的敏感性;最后纹理关键因子的总敏感性计算如下,
式中,TS为纹理关键因子的总敏感性;si为每一个纹理关键因子的敏感性;n为纹理敏感因子的数量。
(3)确定光谱和纹理特征权重,包括根据光谱和纹理关键因子的敏感性计算结果,光谱和纹理特征各自所占权重表示如下,
OW=OS/(OS+TS)
OW+TW=1
式中,OW和TW分别是光谱和纹理特征的权重;OS和TS分别是光谱和纹理关键因子的敏感性。
本发明还相应提出一种融合光谱与纹理特征的森林地上生物量反演系统,包括以下模块:
第一模块,用于进行研究区样地地上生物量计算,包括利用地面观测试验获取的样地单株参数数据集,基于地上生物量计算公式,得到样地生物量观测值,记为AGB;
第二模块,用于进行预处理,包括对高分辨率遥感影像全色数据和多光谱数据进行几何校正,并对多光谱数据进行辐射校正,得到地表反射率数据;
第三模块,用于基于预处理后的多光谱数据,提取多种光谱特征植被指数,将第一模块所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,选取估测精度最高的模型作为光谱特征反演模型;
第四模块,用于基于预处理后的全色数据,提取不同窗口下的多种纹理特征变量,将第一模块所得样地生物量观测值与相应的纹理特征变量分别进行统计回归,选取估测效果最好的模型作为纹理特征反演模型;
第五模块,用于通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子的敏感性分析,确定光谱与纹理特征各自所占权重,从而构建生物量的光谱纹理特征联合反演模型,实现森林地上生物量反演;
AGB的光谱纹理特征联合反演模型如下式:
AGB=(b×α+c)×f(α)+(1-(b×α+c))×f(β)
其中,f(α)为光谱特征反演模型,α为光谱关键因子;f(β)为纹理特征反演模型,β为纹理关键因子;b和c为光谱与纹理特征各自所占权重。
而且,所述第三模块中,选取的光谱特征植被指数包括归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI和修正土壤调节植被指数MSAVI,其计算公式如下:
DVI=NIR-R
式中,NIR、R、B分别为近红外波段、红光波段和蓝光波段的反射率;L为冠层背景调整系数。
而且,所述第四模块中,选取的纹理特征变量包括均值ME、均匀性,HOM、对比度CON、相异性DIS、熵ENT、方差VAR、二阶矩ASM和相关性COR,其计算公式如下:
式中,i和j分别表示行列号;Pi,j是归一化后的灰度共生矩阵;N表示计算纹理特征时移动窗口的大小;μi、μj、σi 2和σj 2分别是Pi和Pj的平均值和标准差,Pi和Pj是归一化后的灰度共生矩阵的第i行和第j列。
而且,所述第四模块中,提取纹理特征的窗口大小为3×3、5×5、7×7和9×9;将第一模块所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,包括每种窗口下的8种纹理特征分别与AGB进行一元线性回归、每种窗口下的8种纹理特征分别全部与AGB进行逐步多元线性回归、4种窗口下的全部纹理特征与AGB进行逐步多元线性回归。
而且,所述第五模块中,通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子的敏感性分析,确定光谱与纹理特征各自所占权重,实现如下,
(1)进行光谱和纹理关键因子归一化,如下式,
式中,xi为在第i种生物量场景下,光谱或纹理关键因子的值;yi是相应的归一化值;xmin和xmax分别为光谱或纹理关键因子的最小值和最大值;
(2)进行光谱和纹理关键因子敏感性计算,
对于光谱关键因子的敏感性计算,包括首先根据光谱特征反演模型,建立以归一化后的光谱关键因子为因变量、AGB为自变量的回归模型;然后求取归一化后的光谱关键因子的一阶导数,作为对生物量的敏感性;
对于纹理关键因子的敏感性计算,包括首先根据纹理特征反演模型,建立以AGB为因变量、归一化后的纹理关键因子为自变量的回归模型;然后求取每个自变量的一阶导数,作为每个纹理关键因子对生物量的敏感性;最后纹理关键因子的总敏感性计算如下,
式中,TS为纹理关键因子的总敏感性;si为每一个纹理关键因子的敏感性;n为纹理敏感因子的数量。
(3)确定光谱和纹理特征权重,包括根据光谱和纹理关键因子的敏感性计算结果,光谱和纹理特征各自所占权重表示如下,
OW=OS/(OS+TS)
OW+TW=1
式中,OW和TW分别是光谱和纹理特征的权重;OS和TS分别是光谱和纹理关键因子的敏感性。
本发明在构建光谱与纹理特征联合反演生物量模型时,提出了一种确定光谱与纹理特征各自权重的方法。即通过分析光谱、纹理特征对生物量的敏感性,定量化两类数据对生物量参数信息量的贡献程度,揭示两者联合的机制。本发明通过将高分辨率遥感影像的纹理特征与传统的光谱特征相结合,构建基于光谱与纹理特征融合的生物量遥感反演模型,体现了光谱与纹理特征在植被AGB反演上的各自优势,有效提高了反演精度。
附图说明
图1为本发明实施例的流程图;
图2为本发明利用光谱纹理特征联合反演技术得到的内蒙古额济纳研究区胡杨林地上生物量反演结果图;
图3为本发明利用内蒙古额济纳研究区地面实测样点数据对光谱纹理特征联合反演估算结果的验证。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
不同于以往的反演方法,本发明首先通过光谱特征植被指数分别与AGB的统计回归分析,构建AGB的光谱特征反演模型;然后通过不同窗口下多种纹理特征变量分别与AGB的统计回归分析,建立AGB的纹理特征反演模型;最后通过确定联合模型中光谱与纹理特征各自所占权重,从而构建AGB的光谱纹理特征联合反演模型。
本发明的实施例是基于高分一号卫星数据,对内蒙古额济纳研究区胡杨林地上生物量进行估算,参照图1,本发明实施例的具体步骤如下:
步骤a:研究区样地地上生物量计算:
利用地面观测试验获取的样地单株参数数据集,基于地上生物量计算公式,得到样地生物量(AGB)观测值。
本次地面观测试验获取了样地单株树木的树高、胸径和冠幅参数的测量结果数据集。根据胡杨地上生物量计算公式,见公式(1)和(2),首先计算出样地内单株木生物量,包括树干、树冠的生物量,进而计算出样地总生物量,样地总生物量与样地面积之比即为样地生物量观测值,单位为Mg/ha。
Wcrown=0.001×π2CB4+0.573×πCB2+11.084(1)
Wstock=0.0375×DBH2.08997×H0.741585(2)
式中,Wcrown和Wstock分别是树冠和树干生物量(kg);DBH、H和CB分别是胸径(cm)、树高(m)和冠幅(m)。
步骤b:进行预处理,包括对高分辨率遥感影像全色数据和多光谱数据进行几何校正,并对多光谱数据进行辐射校正,得到地表反射率数据:
进一步地,本发明实施例利用经典的大气辐射传输模型6S(SecondSimulationofSatelliteSignalintheSolarSpectrum)对多光谱数据进行大气校正。
实施例采用的高空间分辨率遥感数据为高分一号数据,进行高分一号数据预处理:
首先基于ENVI5.1软件,利用地面控制点,对高分一号影像的全色数据进行几何校正;然后利用校正后的全色影像对多光谱数据进行几何校正;根据绝对辐射定标系数对多光谱影像进行辐射定标,将各波段的数字量化值转换为表观辐射亮度,再采用经典的大气辐射传输模型6S(SecondSimulationofSatelliteSignalintheSolarSpectrum)计算并获得大气校正系数,综合表观辐亮度图像和大气校正系数,得到反射率图像。
步骤c:构建AGB光谱特征反演模型:
基于预处理后的多光谱数据,提取多种光谱特征植被指数,将研究区实测样地AGB数据(即步骤1所得样地生物量观测值)与相应的光谱特征植被指数分别进行统计回归,选取估测精度最高的模型作为AGB的光谱特征反演模型。
进一步地,本发明实施例选取的光谱特征植被指数包括归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI和修正土壤调节植被指数MSAVI。
基于反射率影像,计算归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI和修正土壤调节植被指数MSAVI,其数学表达式见公式(3)-(8)。将研究区样地实测AGB与对应的6种光谱植被指数分别进行统计回归,构建AGB反演模型。通过对比回归模型的判定系数R2和均方根误差RMSE(一般R2值越大越好,RMSE值越小越好),最终选择MSAVI与AGB的回归模型作为AGB的光谱特征反演模型。
DVI=NIR-R(4)
式中,NIR、R、B分别为近红外波段、红光波段和蓝光波段的反射率;L为冠层背景调整系数,具体实施时本领域技术人员可自行预设,一般设置为0.5。
步骤d:构建AGB纹理特征反演模型:
基于预处理后的全色数据,提取不同窗口下的多种纹理特征变量,将研究区实测样地AGB数据(即步骤1所得样地生物量观测值)与相应的纹理特征变量分别进行统计回归,选取估测效果最好的模型作为AGB的纹理特征反演模型。
进一步地,本发明实施例选取的纹理特征变量包括均值(Mean,ME)、均匀性(Homogeneity,HOM)、对比度(Contrast,CON)、相异性(Dissimilarity,DIS)、熵(Entropy,ENT)、方差(Variance,VAR)、二阶矩(AngularSecondMoment,ASM)和相关性(Correlation,COR)。
进一步地,本发明实施例提取纹理特征的窗口大小为3×3、5×5、7×7和9×9。
进一步地,本发明实施例研究区实测样地AGB数据与相应的纹理特征变量进行的统计回归分析包括每种窗口下的8种纹理特征分别与AGB进行一元线性回归、每种窗口下的8种纹理特征分别全部与AGB进行逐步多元线性回归、4种窗口下的全部纹理特征与AGB进行逐步多元线性回归。
首先针对预处理后的全色数据,采用滞后距离为1个像元,设定纹理检测方向分别为0°、45°、90°和135°,取四个方向纹理均值作为最后的纹理测度值进行8种纹理特征的提取,其数学表达式见公式(9)-(16),窗口大小包括3×3、5×5、7×7和9×9;然后将研究区实测样地AGB数据与对应的纹理特征变量进行统计回归分析,包括每种窗口下的8种纹理特征分别与AGB进行一元线性回归、每种窗口下的8种纹理特征分别全部与AGB进行逐步多元线性回归以及4种窗口下的全部纹理特征与AGB进行逐步多元线性回归。发现4种窗口下的全部纹理特征与AGB进行的逐步多元线性回归具有最优的估测效果,因此选择该模型作为AGB的纹理特征反演模型,其中,逐步多元回归筛选出的纹理变量有VAR_W3×3(即窗口3×3下的VAR)、HOM_W3×3(即窗口3×3下的HOM)、ASM_W3×3(即窗口3×3下的ASM)、ENT_W5×5(即窗口5×5下的ENT)以及DIS_W7×7(即窗口7×7下的DIS)。
式中,i和j分别表示行列号;Pi,j是归一化后的灰度共生矩阵;N表示计算纹理特征时移动窗口的大小;μi、μj、σi 2和σj 2分别是Pi和Pj的平均值和标准差,Pi和Pj是归一化后的灰度共生矩阵的第i行和第j列。
步骤e:构建AGB的光谱纹理特征联合反演模型,实现森林地上生物量反演:
通过光谱与纹理关键因子的敏感性分析,确定联合模型中光谱与纹理特征各自所占权重,从而构建AGB的光谱纹理特征联合反演模型,即生物量光谱纹理特征联合反演模型。基于该联合模型,利用高分一号卫星数据,即可得到研究区地上生物量反演结果。
(1)光谱和纹理关键因子归一化
建立联合反演模型的关键就是确定不同生物量场景下光谱与纹理特征的“信息贡献度”,即二者分配的权重,本发明通过分析光谱与纹理关键因子的敏感性比值来确定二者在联合模型中各自的权重。
实施例中,光谱与纹理关键因子分别选择了植被指数MSAVI和VAR_W3×3(即窗口3×3下的VAR)、HOM_W3×3(即窗口3×3下的HOM)、ASM_W3×3(即窗口3×3下的ASM)、ENT_W5×5(即窗口5×5下的ENT)、DIS_W7×7(即窗口7×7下的DIS)。为了使二者具有可比性,首先需要统一量纲,将二者进行归一化,归一化的数学表达式见公式(17)。
式中xi为在第i种生物量场景下,光谱(或纹理)关键因子的值;yi是相应的归一化值;xmin和xmax分别为光谱(或纹理)关键因子的最小值和最大值。
(2)光谱和纹理关键因子敏感性计算
本发明运用导数方法计算光谱(或纹理)关键因子的敏感性。对于光谱关键因子的敏感性计算,首先根据最优光谱特征反演模型(即MSAVI-AGB),建立以归一化后的MSAVI为因变量、AGB为自变量的回归模型;然后求取归一化后的MSAVI的一阶导数,该一阶导数表达式即代表光谱关键因子MSAVI对生物量的敏感性。
对于纹理关键因子的敏感性计算,首先根据最优纹理特征反演模型,建立以AGB为因变量、归一化后的纹理关键因子为自变量的回归模型;然后求取每个自变量的一阶导数,作为每个纹理关键因子对生物量的敏感性;最后纹理关键因子的总敏感性通过公式18进行计算。
式中,TS为纹理关键因子的总敏感性;si为每一个纹理关键因子的敏感性;n为纹理敏感因子的数量。
(3)确定光谱和纹理特征权重
根据光谱和纹理关键因子的敏感性计算结果,光谱和纹理特征各自所占权重可以用公式(19)来表示:
OW=OS/(OS+TS)(19)
OW+TW=1(20)
式中,OW和TW分别是光谱和纹理特征的权重;OS和TS分别是光谱和纹理关键因子的敏感性。
用最优光谱特征反演模型(MSAVI-AGB)替换光谱特征所占权重数学表达式中的AGB,最终得到了用MSAVI表示的光谱特征权重,用1减去光谱特征权重即为纹理特征权重,从而AGB的光谱纹理特征联合反演模型构建完成,其数学表达式见公式(21):
AGB=(b×α+c)×f(α)+(1-(b×α+c))×f(β)(21)
式中,f(α)为步骤c所得光谱特征反演模型,α为光谱关键因子;f(β)为步骤d所得纹理特征反演模型,β为纹理关键因子;b和c为权重调整因子,即光谱与纹理特征各自所占权重。
图2为基于本发明提出的光谱纹理特征联合反演模型,利用高分一号卫星数据,估算内蒙古额济纳研究区胡杨林地上生物量的结果图。
为验证本发明提出的光谱纹理联合反演模型,以内蒙古额济纳研究区胡杨林为实验对象,将联合反演模型估测结果与剩余的地面实测AGB进行对比,并将光谱特征反演模型和纹理特征反演模型估测结果与本发明提出的联合反演结果进行对比,进一步对联合反演模型进行验证。客观评价指标选取反演精度(M)、均方根误差(RMSE)和相对均方根误差(RMSEr),其数学表达式见公式(22)-(24)。
式中Yi是第i个样点的AGB实测值;Xi是对应的第i个样点的AGB估测值;为样地实测AGB平均值;n为样点个数。
表1
反演模型 | M(%) | RMSE(Mg/ha) | RMSEr(%) |
联合反演模型 | 91.54 | 25.22 | 8.4610 --> |
光谱特征反演模型 | 85.21 | 39.14 | 16.13 |
纹理特征反演模型 | 88.21 | 31.18 | 12.46 |
验证结果如图3和表1所示,其中联合反演方法的效果最好,反演精度M为91.54%,均方根误差RMSE为25.22,相对均方根误差RMSEr为8.46%,,表明光谱和纹理特征联合能够发挥两者AGB反演的各自优势,提高反演精度。
综上所述,本发明具有如下特点:
(1)将高分辨率遥感影像的纹理特征与传统的光谱特征相结合,更好地描述了植被冠层结构和生物量信息的变化,进而有利于提高森林地上生物量的反演精度。
(2)在构建光谱与纹理特征联合反演生物量模型时,提出了一种确定光谱与纹理特征各自权重的方法,定量化两类数据对生物量参数信息量的贡献程度,揭示两者联合的机制,使联合模型具有更加明确的数学和物理意义。
通过与光谱特征反演模型和纹理特征反演模型估测结果的比较可知,本发明方法中光谱与纹理特征的联合能够发挥二者各自的优势,有效提高森林地上生物量估算精度。
具体实施时,本发明所提供方法可基于软件技术实现自动运行流程,也可采用模块化方式实现相应系统。本发明实施例还相应提出一种融合光谱与纹理特征的森林地上生物量反演系统,包括以下模块:
第一模块,用于进行研究区样地地上生物量计算,包括利用地面观测试验获取的样地单株参数数据集,基于地上生物量计算公式,得到样地生物量观测值,记为AGB;
第二模块,用于进行预处理,包括对高分辨率遥感影像全色数据和多光谱数据进行几何校正,并对多光谱数据进行辐射校正,得到地表反射率数据;
第三模块,用于基于预处理后的多光谱数据,提取多种光谱特征植被指数,将第一模块所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,选取估测精度最高的模型作为光谱特征反演模型;
第四模块,用于基于预处理后的全色数据,提取不同窗口下的多种纹理特征变量,将第一模块所得样地生物量观测值与相应的纹理特征变量分别进行统计回归,选取估测效果最好的模型作为纹理特征反演模型;
第五模块,用于通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子的敏感性分析,确定光谱与纹理特征各自所占权重,从而构建生物量的光谱纹理特征联合反演模型。
AGB的光谱纹理特征联合反演模型如下式:
AGB=(b×α+c)×f(α)+(1-(b×α+c))×f(β)
其中,f(α)为光谱特征反演模型,α为光谱关键因子;f(β)为纹理特征反演模型,β为纹理关键因子;b和c为光谱与纹理特征各自所占权重。
各模块具体实现可参见相应步骤,本发明不予赘述。
Claims (10)
1.一种融合光谱与纹理特征的森林地上生物量反演方法,其特征在于,包括以下步骤:
步骤a,进行研究区样地地上生物量计算,包括利用地面观测试验获取的样地单株参数数据集,基于地上生物量计算公式,得到样地生物量观测值,记为AGB;
步骤b,进行预处理,包括对高分辨率遥感影像全色数据和多光谱数据进行几何校正,并对多光谱数据进行辐射校正,得到地表反射率数据;
步骤c,基于预处理后的多光谱数据,提取多种光谱特征植被指数,将步骤1所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,选取估测精度最高的模型作为光谱特征反演模型;
步骤d,基于预处理后的全色数据,提取不同窗口下的多种纹理特征变量,将步骤1所得样地生物量观测值与相应的纹理特征变量分别进行统计回归,选取估测效果最好的模型作为纹理特征反演模型;
步骤e,通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子的敏感性分析,确定光谱与纹理特征各自所占权重,从而构建生物量的光谱纹理特征联合反演模型,实现森林地上生物量反演;
AGB的光谱纹理特征联合反演模型如下式:
AGB=(b×α+c)×f(α)+(1-(b×α+c))×f(β)
其中,f(α)为光谱特征反演模型,α为光谱关键因子;f(β)为纹理特征反演模型,β为纹理关键因子;b和c为光谱与纹理特征各自所占权重。
2.根据权利要求1所述融合光谱与纹理特征的森林地上生物量反演方法,其特征在于:所述步骤c中,选取的光谱特征植被指数包括归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI和修正土壤调节植被指数MSAVI,其计算公式如下:
DVI=NIR-R
式中,NIR、R、B分别为近红外波段、红光波段和蓝光波段的反射率;L为冠层背景调整系数。
3.根据权利要求1所述融合光谱与纹理特征的森林地上生物量反演方法,其特征在于:所述步骤d中,选取的纹理特征变量包括均值ME、均匀性,HOM、对比度CON、相异性DIS、熵ENT、方差VAR、二阶矩ASM和相关性COR,其计算公式如下:
式中,i和j分别表示行列号;Pi,j是归一化后的灰度共生矩阵;N表示计算纹理特征时移动窗口的大小;μi、μj、σi 2和σj 2分别是Pi和Pj的平均值和标准差,Pi和Pj是归一化后的灰度共生矩阵的第i行和第j列。
4.根据权利要求3所述融合光谱与纹理特征的森林地上生物量反演方法,其特征在于:所述步骤d中,提取纹理特征的窗口大小为3×3、5×5、7×7和9×9;将步骤1所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,包括每种窗口下的8种纹理特征分别与AGB进行一元线性回归、每种窗口下的8种纹理特征分别全部与AGB进行逐步多元线性回归、4种窗口下的全部纹理特征与AGB进行逐步多元线性回归。
5.根据权利要求1或2或3或4所述融合光谱与纹理特征的森林地上生物量反演方法,其特征在于:所述步骤e中,通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子的敏感性分析,确定光谱与纹理特征各自所占权重,实现如下,
(1)进行光谱和纹理关键因子归一化,如下式,
式中,xi为在第i种生物量场景下,光谱或纹理关键因子的值;yi是相应的归一化值;xmin和xmax分别为光谱或纹理关键因子的最小值和最大值;
(2)进行光谱和纹理关键因子敏感性计算,
对于光谱关键因子的敏感性计算,包括首先根据光谱特征反演模型,建立以归一化后的光谱关键因子为因变量、AGB为自变量的回归模型;然后求取归一化后的光谱关键因子的一阶导数,作为对生物量的敏感性;
对于纹理关键因子的敏感性计算,包括首先根据纹理特征反演模型,建立以AGB为因变量、归一化后的纹理关键因子为自变量的回归模型;然后求取每个自变量的一阶导数,作为每个纹理关键因子对生物量的敏感性;最后纹理关键因子的总敏感性计算如下,
式中,TS为纹理关键因子的总敏感性;si为每一个纹理关键因子的敏感性;n为纹理敏感因子的数量。
(3)确定光谱和纹理特征权重,包括根据光谱和纹理关键因子的敏感性计算结果,光谱和纹理特征各自所占权重表示如下,
OW=OS/(OS+TS)
OW+TW=1
式中,OW和TW分别是光谱和纹理特征的权重;OS和TS分别是光谱和纹理关键因子的敏感性。
6.一种融合光谱与纹理特征的森林地上生物量反演系统,其特征在于,包括以下模块:
第一模块,用于进行研究区样地地上生物量计算,包括利用地面观测试验获取的样地单株参数数据集,基于地上生物量计算公式,得到样地生物量观测值,记为AGB;
第二模块,用于进行预处理,包括对高分辨率遥感影像全色数据和多光谱数据进行几何校正,并对多光谱数据进行辐射校正,得到地表反射率数据;
第三模块,用于基于预处理后的多光谱数据,提取多种光谱特征植被指数,将第一模块所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,选取估测精度最高的模型作为光谱特征反演模型;
第四模块,用于基于预处理后的全色数据,提取不同窗口下的多种纹理特征变量,将第一模块所得样地生物量观测值与相应的纹理特征变量分别进行统计回归,选取估测效果最好的模型作为纹理特征反演模型;
第五模块,用于通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子的敏感性分析,确定光谱与纹理特征各自所占权重,从而构建生物量的光谱纹理特征联合反演模型,实现森林地上生物量反演;
AGB的光谱纹理特征联合反演模型如下式:
AGB=(b×α+c)×f(α)+(1-(b×α+c))×f(β)
其中,f(α)为光谱特征反演模型,α为光谱关键因子;f(β)为纹理特征反演模型,β为纹理关键因子;b和c为光谱与纹理特征各自所占权重。
7.根据权利要求6所述融合光谱与纹理特征的森林地上生物量反演系统,其特征在于:所述第三模块中,选取的光谱特征植被指数包括归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI和修正土壤调节植被指数MSAVI,其计算公式如下:
DVI=NIR-R
式中,NIR、R、B分别为近红外波段、红光波段和蓝光波段的反射率;L为冠层背景调整系数。
8.根据权利要求6所述融合光谱与纹理特征的森林地上生物量反演系统,其特征在于:所述第四模块中,选取的纹理特征变量包括均值ME、均匀性,HOM、对比度CON、相异性DIS、熵ENT、方差VAR、二阶矩ASM和相关性COR,其计算公式如下:
式中,i和j分别表示行列号;Pi,j是归一化后的灰度共生矩阵;N表示计算纹理特征时移动窗口的大小;μi、μj、σi 2和σj 2分别是Pi和Pj的平均值和标准差,Pi和Pj是归一化后的灰度共生矩阵的第i行和第j列。
9.根据权利要求8所述融合光谱与纹理特征的森林地上生物量反演系统,其特征在于:所述第四模块中,提取纹理特征的窗口大小为3×3、5×5、7×7和9×9;将第一模块所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归,包括每种窗口下的8种纹理特征分别与AGB进行一元线性回归、每种窗口下的8种纹理特征分别全部与AGB进行逐步多元线性回归、4种窗口下的全部纹理特征与AGB进行逐步多元线性回归。
10.根据权利要求6或7或8或9所述融合光谱与纹理特征的森林地上生物量反演系统,其特征在于:所述第五模块中,通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子的敏感性分析,确定光谱与纹理特征各自所占权重,实现如下,
(1)进行光谱和纹理关键因子归一化,如下式,
式中,xi为在第i种生物量场景下,光谱或纹理关键因子的值;yi是相应的归一化值;xmin和xmax分别为光谱或纹理关键因子的最小值和最大值;
(2)进行光谱和纹理关键因子敏感性计算,
对于光谱关键因子的敏感性计算,包括首先根据光谱特征反演模型,建立以归一化后的光谱关键因子为因变量、AGB为自变量的回归模型;然后求取归一化后的光谱关键因子的一阶导数,作为对生物量的敏感性;
对于纹理关键因子的敏感性计算,包括首先根据纹理特征反演模型,建立以AGB为因变量、归一化后的纹理关键因子为自变量的回归模型;然后求取每个自变量的一阶导数,作为每个纹理关键因子对生物量的敏感性;最后纹理关键因子的总敏感性计算如下,
式中,TS为纹理关键因子的总敏感性;si为每一个纹理关键因子的敏感性;n为纹理敏感因子的数量。
(3)确定光谱和纹理特征权重,包括根据光谱和纹理关键因子的敏感性计算结果,光谱和纹理特征各自所占权重表示如下,
OW=OS/(OS+TS)
OW+TW=1
式中,OW和TW分别是光谱和纹理特征的权重;OS和TS分别是光谱和纹理关键因子的敏感性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058303.8A CN105608293B (zh) | 2016-01-28 | 2016-01-28 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058303.8A CN105608293B (zh) | 2016-01-28 | 2016-01-28 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608293A true CN105608293A (zh) | 2016-05-25 |
CN105608293B CN105608293B (zh) | 2019-10-11 |
Family
ID=55988225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610058303.8A Active CN105608293B (zh) | 2016-01-28 | 2016-01-28 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608293B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291582A (zh) * | 2016-09-28 | 2017-01-04 | 中国科学院华南植物园 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
CN106769904A (zh) * | 2017-01-22 | 2017-05-31 | 广州地理研究所 | 基于优化导数求算方法的水库水体总氮含量估算方法 |
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 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 |
CN108830336A (zh) * | 2018-06-27 | 2018-11-16 | 重庆交通大学 | 一种面向高分影像的地物特征筛选方法 |
CN108876917A (zh) * | 2018-06-25 | 2018-11-23 | 西南林业大学 | 一种森林地上生物量遥感估测通用模型构建方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN109063657A (zh) * | 2018-08-08 | 2018-12-21 | 武汉大学 | 面向均值地域光谱单元的地上生物量估算和尺度转换方法 |
CN109344550A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统 |
CN109359862A (zh) * | 2018-10-17 | 2019-02-19 | 北京师范大学 | 一种粮食作物实时估产方法及系统 |
CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
CN109884664A (zh) * | 2019-01-14 | 2019-06-14 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
CN110287457A (zh) * | 2019-07-02 | 2019-09-27 | 吉林大学 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
CN111242934A (zh) * | 2020-01-16 | 2020-06-05 | 中国科学院地理科学与资源研究所 | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 |
CN111767865A (zh) * | 2020-06-30 | 2020-10-13 | 北部湾大学 | 一种利用航拍影像和激光数据反演红树林生物量的方法 |
CN111985849A (zh) * | 2020-09-03 | 2020-11-24 | 中国科学院地理科学与资源研究所 | 一种棉花地的地上生物量生成方法和装置 |
CN112668670A (zh) * | 2021-03-15 | 2021-04-16 | 北京简巨科技有限公司 | 地膜识别方法及其相关设备 |
CN113063742A (zh) * | 2021-03-24 | 2021-07-02 | 和数科技(浙江)有限公司 | 一种植被生物量测量方法、系统、存储介质及终端 |
CN113205475A (zh) * | 2020-01-16 | 2021-08-03 | 吉林大学 | 基于多源卫星遥感数据的森林高度反演方法 |
CN113221445A (zh) * | 2021-04-21 | 2021-08-06 | 山东师范大学 | 利用遥感影像的联合特征对土壤盐分估测的方法及系统 |
CN113552079A (zh) * | 2021-06-17 | 2021-10-26 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于航空高光谱数据的红树林定量反演系统 |
CN117292267A (zh) * | 2023-11-27 | 2023-12-26 | 武汉大学 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
CN117313959A (zh) * | 2023-11-28 | 2023-12-29 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于大数据的林业碳汇监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829739A (zh) * | 2012-08-21 | 2012-12-19 | 北京农业信息技术研究中心 | 一种面向对象的作物叶面积指数遥感反演方法 |
CN103063202A (zh) * | 2012-12-30 | 2013-04-24 | 同济大学 | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 |
CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
CN104656098A (zh) * | 2015-02-03 | 2015-05-27 | 南京林业大学 | 一种遥感森林生物量反演的方法 |
-
2016
- 2016-01-28 CN CN201610058303.8A patent/CN105608293B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829739A (zh) * | 2012-08-21 | 2012-12-19 | 北京农业信息技术研究中心 | 一种面向对象的作物叶面积指数遥感反演方法 |
CN103063202A (zh) * | 2012-12-30 | 2013-04-24 | 同济大学 | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 |
CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
CN104656098A (zh) * | 2015-02-03 | 2015-05-27 | 南京林业大学 | 一种遥感森林生物量反演的方法 |
Non-Patent Citations (2)
Title |
---|
OUMA ETC.: ""Optimization of Second-Order Grey-Level Textre in High-Resolution Imagery for Statistical Estimation of Above-Ground Biomass"", 《JOURNAL OF ENVIRONMENTAL INFORMATICS》 * |
中华人民共和国年鉴社编: ""首批影像图发布"高分一号"拿高分"", 《中国国情读本 2014版》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291582B (zh) * | 2016-09-28 | 2018-12-25 | 中国科学院华南植物园 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
CN106291582A (zh) * | 2016-09-28 | 2017-01-04 | 中国科学院华南植物园 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
CN106769904A (zh) * | 2017-01-22 | 2017-05-31 | 广州地理研究所 | 基于优化导数求算方法的水库水体总氮含量估算方法 |
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 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 |
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 |
CN108876917A (zh) * | 2018-06-25 | 2018-11-23 | 西南林业大学 | 一种森林地上生物量遥感估测通用模型构建方法 |
CN108830336A (zh) * | 2018-06-27 | 2018-11-16 | 重庆交通大学 | 一种面向高分影像的地物特征筛选方法 |
CN108830336B (zh) * | 2018-06-27 | 2021-08-13 | 重庆交通大学 | 一种面向高分影像的地物特征筛选方法 |
CN108921885B (zh) * | 2018-08-03 | 2020-05-12 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN109063657A (zh) * | 2018-08-08 | 2018-12-21 | 武汉大学 | 面向均值地域光谱单元的地上生物量估算和尺度转换方法 |
CN109063657B (zh) * | 2018-08-08 | 2021-10-15 | 武汉大学 | 面向均质地域光谱单元的地上生物量估算和尺度转换方法 |
CN109359862A (zh) * | 2018-10-17 | 2019-02-19 | 北京师范大学 | 一种粮食作物实时估产方法及系统 |
CN109359862B (zh) * | 2018-10-17 | 2020-09-18 | 北京师范大学 | 一种粮食作物实时估产方法及系统 |
US11029251B2 (en) | 2018-11-06 | 2021-06-08 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
CN109344550A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统 |
CN109884664A (zh) * | 2019-01-14 | 2019-06-14 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
CN109884664B (zh) * | 2019-01-14 | 2022-12-02 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
CN110287457B (zh) * | 2019-07-02 | 2023-02-17 | 吉林大学 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
CN110287457A (zh) * | 2019-07-02 | 2019-09-27 | 吉林大学 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
CN111242934A (zh) * | 2020-01-16 | 2020-06-05 | 中国科学院地理科学与资源研究所 | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 |
CN111242934B (zh) * | 2020-01-16 | 2020-08-07 | 中国科学院地理科学与资源研究所 | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 |
CN113205475B (zh) * | 2020-01-16 | 2022-07-12 | 吉林大学 | 基于多源卫星遥感数据的森林高度反演方法 |
CN113205475A (zh) * | 2020-01-16 | 2021-08-03 | 吉林大学 | 基于多源卫星遥感数据的森林高度反演方法 |
CN111767865A (zh) * | 2020-06-30 | 2020-10-13 | 北部湾大学 | 一种利用航拍影像和激光数据反演红树林生物量的方法 |
CN111985849B (zh) * | 2020-09-03 | 2024-05-14 | 中国科学院地理科学与资源研究所 | 一种棉花地的地上生物量生成方法和装置 |
CN111985849A (zh) * | 2020-09-03 | 2020-11-24 | 中国科学院地理科学与资源研究所 | 一种棉花地的地上生物量生成方法和装置 |
CN112668670A (zh) * | 2021-03-15 | 2021-04-16 | 北京简巨科技有限公司 | 地膜识别方法及其相关设备 |
CN113063742A (zh) * | 2021-03-24 | 2021-07-02 | 和数科技(浙江)有限公司 | 一种植被生物量测量方法、系统、存储介质及终端 |
CN113221445A (zh) * | 2021-04-21 | 2021-08-06 | 山东师范大学 | 利用遥感影像的联合特征对土壤盐分估测的方法及系统 |
CN113552079A (zh) * | 2021-06-17 | 2021-10-26 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于航空高光谱数据的红树林定量反演系统 |
CN117292267A (zh) * | 2023-11-27 | 2023-12-26 | 武汉大学 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
CN117292267B (zh) * | 2023-11-27 | 2024-02-02 | 武汉大学 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
CN117313959A (zh) * | 2023-11-28 | 2023-12-29 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于大数据的林业碳汇监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105608293B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608293A (zh) | 融合光谱与纹理特征的森林地上生物量反演方法及系统 | |
Jin et al. | A review of data assimilation of remote sensing and crop models | |
Li et al. | Multi-LUTs method for canopy nitrogen density estimation in winter wheat by field and UAV hyperspectral | |
Li et al. | Estimating winter wheat (Triticum aestivum) LAI and leaf chlorophyll content from canopy reflectance data by integrating agronomic prior knowledge with the PROSAIL model | |
Lobell | The use of satellite data for crop yield gap analysis | |
Yang et al. | Estimation of subpixel land surface temperature using an endmember index based technique: A case examination on ASTER and MODIS temperature products over a heterogeneous area | |
dela Torre et al. | Remote sensing-based estimation of rice yields using various models: A critical review | |
Li et al. | Assimilating leaf area index of three typical types of subtropical forest in China from MODIS time series data based on the integrated ensemble Kalman filter and PROSAIL model | |
Sehgal et al. | Inversion of radiative transfer model for retrieval of wheat biophysical parameters from broadband reflectance measurements | |
CN104483271B (zh) | 光学反射模型与微波散射模型协同的森林生物量反演方法 | |
Tian et al. | Estimating montane forest above-ground biomass in the upper reaches of the Heihe River Basin using Landsat-TM data | |
Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
Wang et al. | Integrating remotely sensed leaf area index and leaf nitrogen accumulation with RiceGrow model based on particle swarm optimization algorithm for rice grain yield assessment | |
Zhang et al. | Estimating wheat yield by integrating the WheatGrow and PROSAIL models | |
Dehkordi et al. | Yield gap analysis using remote sensing and modelling approaches: Wheat in the northwest of Iran | |
CN105740759A (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
Chen et al. | Global datasets of leaf photosynthetic capacity for ecological and earth system research | |
CN114529097B (zh) | 多尺度农作物物候期遥感降维预测方法 | |
Yi et al. | Evaluation of MODIS surface reflectance products for wheat leaf area index (LAI) retrieval | |
Aasen et al. | Automated hyperspectral vegetation index retrieval from multiple correlation matrices with HyperCor | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
Jiang et al. | Mapping interannual variability of maize cover in a large irrigation district using a vegetation index–phenological index classifier | |
Wang et al. | Developing an integrated indicator for monitoring maize growth condition using remotely sensed vegetation temperature condition index and leaf area index | |
Han et al. | Integrating an attention-based deep learning framework and the SAFY-V model for winter wheat yield estimation using time series SAR and optical data | |
Du et al. | Combining a crop growth model with CNN for underground natural gas leakage detection using hyperspectral imagery |
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 |