CN106291582B - 一种基于光谱曲线特征分异的森林生物量遥感反演方法 - Google Patents
一种基于光谱曲线特征分异的森林生物量遥感反演方法 Download PDFInfo
- Publication number
- CN106291582B CN106291582B CN201610864141.7A CN201610864141A CN106291582B CN 106291582 B CN106291582 B CN 106291582B CN 201610864141 A CN201610864141 A CN 201610864141A CN 106291582 B CN106291582 B CN 106291582B
- Authority
- CN
- China
- Prior art keywords
- forest
- biomass
- leaf
- image data
- curve
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱曲线特征分异的森林生物量遥感反演方法,以Landsat 8OLI和实测数据为数据源,构建了一套以Landsat 8OLI红光波段反射率R和近红外波段反射率NIR、红光波段中心波长CWR和近红外波段中心波长CWNIR为表征参数的森林生物量的叶生物量、地上生物量反演模型。本发明模型的反演效果较好,为快速、精确、全面的估算大片森林中不同森林群落类型的地上生物量提供新的技术方法和手段。
Description
技术领域
本发明涉及森林生物量检测领域,具体涉及一种基于光谱曲线特征分异的森林生物量遥感反演方法。
背景技术
森林是一种可再生可持续发展的重要资源,对全球气候变化、水土保持、陆地生态系统中的碳循环等方面具有重要的作用。作为一种全球最具发展潜力的原材料之一,森林生物量约占全球所有总生物量的40%,中国的森林生物量占到全国总生物量的33%左右,对于资源紧缺,环境污染严重的中国,森林生物量备受学者和政策制定者的关注。
传统的采用遥感影像估测森林生物量的方法主要是:1)从光学遥感影像提取与森林相关的植被指数或波段之间的比值作为因变量,将国家二调数据或样地实测数据作为自变量,建立生物量回归模型,从而估测森林生物量,其中,国内学者杨存建等在云南西双版纳,利用美国NASA的陆地卫星(Landsat)的主题成像仪(TM)数据提取一系列植被指数对当地的热带森林的生物量进行估测。闵志强等对长白山落叶松选取了29个样地的生物量信息分别与林分因子信息和TM遥感影像信息拟合,建立生物量模型,估测了长白山落叶松的生物量。 2)还有的学者利用合成孔径雷达不同极化的后向散射系数作为因变量,与样地实测数据建立回归模型,从而估测森林生物量。例如黄丽艳等以华北落叶松人工林场—塞罕坝机械林场为研究区,采用L波段的ALOS PLOSAR雷达数据、 Landsat TM数据、以及共用ALOSPLOSAR和Landsat TM数据,基于逐步回归模型,与地面实测蓄积量数据之间建立不同的模型,提出了一种基于雷达影像准确估算人工蓄积量的方法。
以上两种方法各有利弊,其中以植被指数及波段比值为变量的模型方法,简单、易于理解,只需建立一个或多个变量与样地实测数据建立相应的回归模型,便可估测整个森林的生物量,从而被广泛应用。但在实际研究中一般采用多变量线性统计回归的方法,该方法存在一定的缺陷,即不管自变量对因变量是否显著都会进入方程,这样会导致误差的自由度变小,估测精度变低,同时如果变量间不是完全相互独立,会使整个方程组的系数矩阵出现病态,会给模型造成很大的误差。其次,光学影像由于其波长的原因,只能观测到森林冠层的信息,并不能观测到植被枝、干的信息,所以采用光学影像估测整个森林生物量,必然会存在较大误差。利用合成孔径雷达的P波段和L波段对植被冠层和树干都有一定的穿透能力,可获得植被冠层、树干甚至地表表层的土壤信息,但由于林木结构、植被含水量、林下状况、地形等都会对雷达的后向散射系数产生显著的影响,使得森林地上生物量的雷达提取变得复杂。且雷达的后向散射的强度随着生物量的增加而线性增加,达到一定生物量水平后,后向散射趋于饱和,Landsat TM影像在估测生物量时的饱和度阈值是15kg/m2,会对估测精度造成一定的影响。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于光谱曲线特征分异的森林生物量遥感反演方法,实现森林地上生物量的检测。
为了实现上述目的,本发明采取的技术方案是:一种基于光谱曲线特征分异的森林生物量遥感反演方法,包括步骤:
步骤1,获取卫星陆地成像仪的影像数据,并对影像数据进行预处理;
步骤2,筛选影像数据的像元,选取只包含植被的像元,并构成森林群落影像数据,所述包括针叶林、阔叶林和针阔混交林;
步骤3,实测样地各类型森林群落的叶生物量,分析其与由卫星影像数据红光和近红外光两个波段反射率构成的直线斜率之间的关系,从而建立卫星影像下的不同森林群落叶生物量反演模型,根据模型获取森林群落影像数据每公顷的叶生物量;
步骤4,实测样地各类型森林群落地上生物量,分析其与实测样地各类型森林群落的叶生物量之间关系,并根据步骤3构建的卫星影像下不同森林群落的叶生物量反演模型,建立卫星影像下的不同森林群落地上生物量反演模型,根据模型获取森林群落影像数据的每公顷的地上生物量。
进一步,所述步骤1对影像数据的预处理包括:对影像数据进行辐射定标,将图像的数字量化值转化为反射率;对影像数据进行大气校正;对影像数据进行地形矫正。
所述步骤2对影像数据的筛选,是采用混合像元分解的方法,先对影像数据进行端元的提取,对所提取端元实行混合像元分解,在混合像元分解完成后再对影像数据进行端元的镶嵌,形成只包含森林群落的影像数据。
进一步,所述实测样地各类型森林群落的叶生物量,分析其与由卫星影像数据红光和近红外光两个波段反射率构成的直线斜率之间的关系,具体步骤如下:
步骤31,实测样地每类森林群落类型的叶生物量;
步骤32,将每类森林群落类型的叶生物量从小到大排序,再以1t/ha或者 2t/ha的叶生物量间距进行区间划分,将每类森林群落的叶生物量划分为至少2 个区间;
步骤33,与样地对应的卫星遥感区域的影像数据,对其提取遥感影像光谱曲线的每个波段的反射率取平均,从而得到叶生物量区间对应的每个波段的平均反射率,最终绘制每个生物量区间一系列波段的反射率光谱曲线;
步骤34,基于上面绘制的反射率光谱曲线,提取不同森林群落类型各个叶生物量区间对应在波长为0.652um和波长为0.865um两点连接的光谱曲线斜率,与对应的各个区间内的实测平均叶生物量进行拟合分析,获取各类森林群落叶生物量反演模型对应的系数和常数。
进一步,步骤3所述森林群落的叶生物量反演模型,是根据各类森林群落对应的系数和常数构建的,自变量是光谱曲线斜率,因变量是卫星遥感影像下对应森林群落类型的叶生物量。
进一步,还包括步骤21,对经过混合像元分解的影像数据,将植被丰度值小于0.7的样地去除。
与现有技术相比,本发明的有益效果在于:
本发明基于光谱曲线特征分异的森林生物量遥感反演方法,以美国NASA 的陆地卫星8(Landsat 8)的陆地成像仪(OLI)和实测数据为数据源,构建了一套以Landsat 8OLI红光波段反射率R和近红外波段反射率NIR、红光波段中心波长CWR和近红外波段中心波长CWNIR为表征参数的森林生物量中的叶生物量、地上生物量反演模型,该模型反演效果较好,为快速、精确、全面的估算大片森林中不同森林群落类型的叶生物量提供新的技术方法和手段。
附图说明
图1为本发明基于光谱曲线特征分异的森林生物量遥感反演方法的步骤示意图;
图2为本发明基于光谱曲线特征分异的森林生物量遥感反演方法的具体实现流程框图。
图3a为针叶林的各个叶生物量区间内7个波段的反射率光谱曲线图。
图3b为阔叶林的各个叶生物量区间内7个波段的反射率光谱曲线图。
图3c为针阔混交林的各个叶生物量区间内7个波段的反射率光谱曲线图。
图4a为针叶林的各个区间内实测平均叶生物量与对应影像光谱斜率线性回归关系。
图4b为阔叶林的各个区间内实测平均叶生物量与对应影像光谱斜率线性回归关系。
图4c为针阔混交林的各个区间内实测平均叶生物量与对应影像光谱斜率线性回归关系。
图5a为针叶林的实测叶生物量与实测地上生物量的回归关系。
图5b为阔叶林的实测叶生物量与实测地上生物量的回归关系。
图5c为针阔混交林的实测叶生物量与实测地上生物量的回归关系。
图6a为针叶林的估测叶生物量与样地实测叶生物量的散点图。
图6b为阔叶林的估测叶生物量与样地实测叶生物量的散点图。
图6c为针阔混交林的估测叶生物量与样地实测叶生物量的散点图。
图7a为针叶林的估测地上生物量与样地实测地上生物量的散点图。
图7b为阔叶林的估测地上生物量与样地实测地上生物量的散点图。
图7c为针阔混交林的估测地上生物量与样地实测地上生物量的散点图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例
植物叶面在可见光红光波段有很强的吸收特性,在近红外波段有很强的反射特性,这是植被遥感监测的物理基础。本发明通过调查样地叶生物量与对应 Landsat8OLI影像纯植被像元反射率的曲线图发现,叶生物量越低,近红外波段的反射率越高,近红外与红光两个波段的斜率越大,这可能与样地叶面冠层含水量有关,当样地中植被的叶生物量较低时,样地植被叶面中总的含水量就越低,而Landsat8OLI传感器近红外波段对水的含量最为敏感,因此红光和近红外两个波段反射率的斜率能有效反应叶生物量的差异。因此本发明基于Landsat 8OLI影像数据,通过结合实测样地叶生物量、地上生物量实现影像数据下不同森林群落类型的叶生物量、地上生物量的反演。参看图1所示,为本发明实施例的基于光谱曲线特征分异的森林生物量遥感反演方法的步骤示意图,本方法包括如下步骤;
步骤1,获取卫星陆地成像仪的影像数据,并对影像数据进行预处理;
步骤2,筛选影像数据的像元,选取只包含植被的像元,并构成森林群落影像数据,所述包括针叶林、阔叶林和针阔混交林;
步骤3,实测样地各类型森林群落的叶生物量,分析其与由卫星影像数据红光和近红外光两个波段反射率构成的直线斜率之间的关系,从而建立卫星影像下的不同森林群落叶生物量反演模型,根据模型获取森林群落影像数据每公顷的叶生物量;
步骤4,实测样地各类型森林群落地上生物量,分析其与实测样地各类型森林群落的叶生物量之间关系,并根据步骤3构建的卫星影像下不同森林群落的叶生物量反演模型,建立卫星影像下的不同森林群落地上生物量反演模型,根据模型获取森林群落影像数据的每公顷的地上生物量。
作为一个具体实施例,所述步骤1对卫星影像数据的预处理如下所述:
采用Landsat8OLI影像为数据源,使用ENVI5.1软件分别对影像进行辐射定标,将图像的数字量化值DN转化为反射率;然后使用ENVI5.1软件中FLAASH 功能对定标后的影像进行大气校正,消除大气中水蒸气、氧气、二氧化碳等物质对地物反射的影响并消除大气分子和气溶胶散射的影响,从而得到地物的真实反射率,最后对影像进行地形校正,消除山体阴影对样地植被生物量的影响。
步骤2的具体实施例如下所述:
采用混合像元分解的方法提取遥感影像中植被的“纯净像元”,以确定在影像中选取的样地像元只包含植被这一种地物,即森林群落,使样地实测的生物量能充分的代表植被的生物量,避免其他地类的影响。由于影像的成像日期、成像角度及地面环境的细小变化,都会影响到影像重叠区的灰度值的变化,所以在进行端元选择的时候先不对影像进行镶嵌,而是分别对每幅影像进行端元的提取,在混合像元分解完成后再对影像进行镶嵌。
还包括步骤21,对经过混合像元分解的影像数据,将植被丰度值小于0.7的样地去除。
步骤3所述实测样地各类型森林群落的叶生物量,分析其与由卫星影像数据红光和近红外光两个波段反射率构成的直线斜率之间的关系,在本实施例中的具体步骤如下:
步骤31,实测样地每类森林群落类型的叶生物量,将样地按照植被类型分为针叶林、阔叶林和针阔混交林3类;
步骤32,将每类森林群落类型的叶生物量从小到大排序,再以1t/ha或者 2t/ha的叶生物量间距进行区间划分,将每类森林群落的叶生物量划分为至少2 个区间,参看图3a至图3c,在本实施例中,将针叶林划分为18个区间,阔叶林划分为9个区间,针阔混交林划分为10个区间;
步骤33,与样地对应的卫星遥感区域的影像数据,对其提取遥感影像光谱曲线的每个波段的反射率取平均,从而得到叶生物量区间对应的每个波段的平均反射率,继续上述图3a至图3c为具体实施例说明,Landsat8OLI影像前7 个波段每个波段获得一个平均反射率值,共获得7个平均反射率值,最终绘制每个生物量区间内7个波段作为一个系列波段的反射率光谱曲线;
步骤34,基于上面绘制的反射率光谱曲线,提取不同森林群落类型各个叶生物量区间对应在波长为0.652um和波长为0.865um两点连接的光谱曲线斜率,在上述图3a至图3c中,是以(NIR-R)/(CWNIR-CWR)表示的比值,其中NIR 为近红外波段反射率,R为红光波段反射率,CWR为红光波段中心波长,CWNIR为近红外波段中心波长,与对应的各个区间内的实测平均叶生物量进行拟合分析,参看图4a至图4c的线性回归拟合的关系图,根据各类型森林群落的线性回归关系获取对应的系数和常数。
步骤3所述的卫星影像下的不同森林群落叶生物量反演模型,在上述图3a- 图3c和图4a-图4c所示实施例的基础上,其具体模型表示如下:
针叶林叶生物量反演模型:
阔叶林叶生物量反演模型:
针阔混交林叶生物量反演模型:
式中:LBCF、LBBF、LBMF分别指单位面积的针叶林、阔叶林和针阔混交林遥感反演的叶生物量,单位t/ha;R是Landsat8OLI影像红波段的反射率;NIR是 Landsat8OLI影像红外波段的反射率;CWR是Landsat8OLI影像红波段的中心波长 0.652um;CWNIR是Landsat8OLI影像红外波段的中心波长0.865um。
参看图5a至-图5c,步骤4所述的基于样地实测的不同森林群落类型的叶生物量与实测的由干、枝、叶组成的地上生物量,以实测叶生物量为自变量,实测地上生物量为因变量,对两者关系进行拟合分析。
针叶林实测地上生物量与实测叶生物量拟合关系:
AGBCF=12.079×LBCF-17.610
阔叶林实测地上生物量与实测叶生物量拟合关系:
AGBBF=23.635×LBBF-34.124
针阔混交林实测地上生物量与实测叶生物量拟合关系:
AGBMF=14.582×LBMF-10.789
式中:AGBCF、AGBBF、AGBMF分别指单位面积的实测针叶林、阔叶林和针阔混交林地上生物量,单位t/ha;LBCF、LBBF、LBMF分别指单位面积的实测针叶林、阔叶林和针阔混交林叶生物量,单位t/ha。
步骤4所述的同时结合不同森林群落类型的叶生物量遥感反演模型,构建一套以Landsat 8OLI红光波段反射率R和近红外波段反射率NIR、红光波段中心波长CWR和近红外波段中心波长CWNIR为表征参数的不同森林群落类型的地上生物量遥感反演模型的具体实施例如下所示:
针叶林地上生物量反演模型:
阔叶林地上生物量反演模型:
针阔混交林地上生物量反演模型:
下面结合实例说明本发明方法的有益效果:
(1)不同森林群落类型的叶生物量反演模型精度验证
为验证不同森林群落类型的叶生物量反演模型的精度,参看图6a至图6c,本发明将利用基于模型反演的叶生物量与对应实测所得的叶生物量进行精度分析,结果显示,以红光波段与近红外波段与其中心波长所组成的斜率估测的样地叶生物量数据与实测样地点的叶生物量数据的相关系数R2与均方根误差 RMSE分别为:针叶林,R2为0.6664,RMSE为29.2467t/ha;阔叶林,R2为0.6113, RMSE为14.0258t/ha,针阔混交林,R2为0.5543,RMSE为10.1788t/ha。可见模型的反演效果较好,为快速、精确、全面的估算大片森林中不同森林群落类型的叶生物量提供新的技术方法和手段。
(2)不同森林群落类型的地上生物量反演模型精度验证
为验证不同森林群落类型的地上生物量反演模型的精度,参看图7a至图7c,本发明将利用基于模型反演的地上生物量与对应实测所得的地上生物量进行精度分析,结果显示,估测的样地地上总生物量数据与实测样地点的地上生物量数据的相关系数R2与均方根误差RMSE分别为:针叶林,R2为0.5465,RMSE 为49.8315t/ha,阔叶林,R2为0.4901,RMSE为45.1820t/ha,针阔混交林,R2为 0.3879,RMSE为41.5131t/ha。可见模型的反演效果较好,为快速、精确、全面的估算大片森林中不同森林群落类型的地上生物量提供新的技术方法和手段。
以福建省为例,结合图1和图2,加以说明本发明方法的实现过程:(1)首先对12幅Landsat8OLI影像进行辐射定标、大气校正、地形校正等预处理;(2) 对预处理后的Landsat8OLI影像进行端元提取,并利用完全约束最小二乘法混合模型进行混合像元分解,最终将植被丰度图中像元值大于0.7的像元筛选出来作为分析样地;(3)将上述经混合像元分解方法筛选出来的植被样地按照植被类型分为针叶林、阔叶林和针阔混交林三种类型;(4)实地测量三种类型样地的叶生物量,同时利用GPS获取样地点经纬度信息,制作样地的矢量点数据,将样地点矢量数据叠加到Landsat 8OLI影像上,然后利用ENVI软件获得样地点生物量所对应的光谱曲线;(5)把实测样地生物量划分为不同区间,将区间内的生物量和对应遥感影像上7个波段的反射率进行平均,提取红外和近红外中心波长两点构成的反射率光谱曲线斜率,分析斜率与生物量之间的关系,构建不同森林群落的叶生物量反演模型;(6)利用福建省样地实测的叶生物量与干、枝、叶组成的地上生物量,拟合分析两者之间的关系,结合步骤(5)构建的不同森林群落的叶生物量反演模型,构建不同森林群落的地上生物量反演模型;(7)利用ENVI中BandMath工具,结合步骤(3)制定的福建省的植被类型图,利用不同森林群落的叶生物量反演模型和地上生物量反演模型,分别反演福建省针叶林、阔叶林、针阔混交林的叶生物量和地上生物量;(8)绘制福建省的叶生物量分布图和地上生物量分布图。
计算结果显示,福建省总的叶生物量为2.0675×108t,其中福建省针叶林叶生物量为4.6021×107t,阔叶林叶生物量为1.4580×108t,针阔混交林叶生物量为1.4932×107t。福建省总的地上生物量为4.2144×109t,其中,针叶林地上生物量为5.5512×108t,阔叶林地上生物量为3.4416×109t,针阔混交林地上生物量为2.1771×108t。
上列详细说明是针对本发明可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本案的专利范围中。
Claims (5)
1.一种基于光谱曲线特征分异的森林生物量遥感反演方法,其特征在于,包括步骤:
步骤1,获取卫星陆地成像仪的影像数据,并对影像数据进行预处理;
步骤2,筛选影像数据的像元,选取只包含植被的像元,并构成森林群落影像数据,所述森林群落包括针叶林、阔叶林和针阔混交林;
步骤3,实测样地各类型森林群落的叶生物量,分析其与由卫星影像数据红光和近红外光两个波段反射率构成的直线斜率之间的关系,从而建立卫星影像下的不同森林群落叶生物量反演模型,根据模型获取森林群落影像数据每公顷的叶生物量;
步骤4,实测样地各类型森林群落的地上生物量,分析其与实测样地各类型森林群落的叶生物量之间关系,并根据步骤3构建的卫星影像下不同森林群落的叶生物量反演模型,建立卫星影像下的不同森林群落地上生物量反演模型,根据模型获取森林群落影像数据的每公顷的地上生物量
所述实测样地各类型森林群落的叶生物量,分析其与由卫星影像数据红光和近红外光两个波段反射率构成的直线斜率之间的关系,具体步骤如下:
步骤31,实测样地每类森林群落类型的叶生物量;
步骤32,将每类森林群落类型的叶生物量从小到大排序,再以1t/ha或者2t/ha的叶生物量间距进行区间划分,将每类森林群落的叶生物量划分为至少2个区间;
步骤33,与样地对应的卫星遥感区域的影像数据,对其提取遥感影像光谱曲线的每个波段的反射率取平均,从而得到叶生物量区间对应的每个波段的平均反射率,最终绘制每个生物量区间一系列波段的反射率光谱曲线;
步骤34,基于上面绘制的反射率光谱曲线,提取不同森林群落类型各个叶生物量区间对应在波长为0.652um和波长为0.865um两点连接的光谱曲线斜率,与对应的各个区间内的实测平均叶生物量进行拟合分析,获取各类森林群落叶生物量反演模型对应的系数和常数。
2.根据权利要求1所述的基于光谱曲线特征分异的森林生物量遥感反演方法,其特征在于,所述步骤1对影像数据的预处理包括:对影像数据进行辐射定标,将图像的数字量化值转化为反射率;对影像数据进行大气校正;对影像数据进行地形校正。
3.根据权利要求2所述的基于光谱曲线特征分异的森林生物量遥感反演方法,其特征在于,所述步骤2对影像数据的筛选,是采用混合像元分解的方法,先对影像数据进行端元的提取,对所提取端元实行混合像元分解,在混合像元分解完成后再对影像数据进行端元的镶嵌,形成只包含森林群落的影像数据。
4.根据权利要求3所述的基于光谱曲线特征分异的森林生物量遥感反演方法,其特征在于,步骤3所述森林群落的叶生物量反演模型,是根据各类森林群落对应的系数和常数构建的,自变量是光谱曲线斜率,因变量是卫星遥感影像下对应森林群落类型的叶生物量。
5.根据权利要求3或4所述的基于光谱曲线特征分异的森林生物量遥感反演方法,其特征在于,还包括步骤21,对经过混合像元分解的影像数据,将植被丰度值小于0.7的样地去除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610864141.7A CN106291582B (zh) | 2016-09-28 | 2016-09-28 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610864141.7A CN106291582B (zh) | 2016-09-28 | 2016-09-28 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106291582A CN106291582A (zh) | 2017-01-04 |
CN106291582B true CN106291582B (zh) | 2018-12-25 |
Family
ID=57715959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610864141.7A Expired - Fee Related CN106291582B (zh) | 2016-09-28 | 2016-09-28 | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106291582B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107219226A (zh) * | 2017-07-24 | 2017-09-29 | 中国科学院遥感与数字地球研究所 | 图像采集装置及增强植被指数监测系统 |
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 |
CN111044464A (zh) * | 2019-12-19 | 2020-04-21 | 核工业北京地质研究院 | 一种适用于提取植被丰度信息的数据处理方法 |
CN111860328B (zh) * | 2020-07-21 | 2021-04-06 | 杭州时光坐标影视传媒股份有限公司 | 一种基于双向反射函数和森林场景光照效果建模的生物量估算方法 |
CN112577954B (zh) * | 2020-11-18 | 2023-08-04 | 上海市园林科学规划研究院 | 城市绿地地上生物量估测方法 |
CN113466143B (zh) * | 2021-07-01 | 2023-08-29 | 中煤航测遥感集团有限公司 | 土壤养分反演方法、装置、设备及介质 |
CN115311628B (zh) * | 2022-10-12 | 2022-12-06 | 成都理工大学 | 森林冠层叶绿素含量反演及动态监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
CN105913016A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种通过条带LiDAR数据升尺度估算森林生物量的方法 |
-
2016
- 2016-09-28 CN CN201610864141.7A patent/CN106291582B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
CN105913016A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种通过条带LiDAR数据升尺度估算森林生物量的方法 |
Non-Patent Citations (1)
Title |
---|
基于遥感植被生物量估算模型自变量;徐小军 等;《遥感技术与应用》;20080415;第23卷(第2期);第239-247页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106291582A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106291582B (zh) | 一种基于光谱曲线特征分异的森林生物量遥感反演方法 | |
Zeng et al. | Optical vegetation indices for monitoring terrestrial ecosystems globally | |
Jin et al. | A review of data assimilation of remote sensing and crop models | |
Ali et al. | Estimating leaf functional traits by inversion of PROSPECT: Assessing leaf dry matter content and specific leaf area in mixed mountainous forest | |
Malenovský et al. | Retrieval of spruce leaf chlorophyll content from airborne image data using continuum removal and radiative transfer | |
Martin et al. | A generalizable method for remote sensing of canopy nitrogen across a wide range of forest ecosystems | |
Wang et al. | Evaluation of the MODIS LAI algorithm at a coniferous forest site in Finland | |
Colombo et al. | Estimation of leaf and canopy water content in poplar plantations by means of hyperspectral indices and inverse modeling | |
Gonsamo et al. | Land surface phenology from optical satellite measurement and CO2 eddy covariance technique | |
Ferreira et al. | Retrieving structural and chemical properties of individual tree crowns in a highly diverse tropical forest with 3D radiative transfer modeling and imaging spectroscopy | |
Nelson et al. | Estimating Siberian timber volume using MODIS and ICESat/GLAS | |
CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
Nietupski et al. | Spatiotemporal image fusion in Google Earth Engine for annual estimates of land surface phenology in a heterogenous landscape | |
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 | |
Li et al. | Combined use of airborne LiDAR and satellite GF-1 data to estimate leaf area index, height, and aboveground biomass of maize during peak growing season | |
Huete et al. | Remote sensing of ecosystem structure and function | |
Navarro-Cerrillo et al. | Hyperspectral and multispectral satellite sensors for mapping chlorophyll content in a Mediterranean Pinus sylvestris L. plantation | |
Colombo et al. | Variability of sun‐induced chlorophyll fluorescence according to stand age‐related processes in a managed loblolly pine forest | |
Chavana-Bryant et al. | Leaf age effects on the spectral predictability of leaf traits in Amazonian canopy trees | |
Ewald et al. | LiDAR derived forest structure data improves predictions of canopy N and P concentrations from imaging spectroscopy | |
CN110378926A (zh) | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 | |
CN103940748A (zh) | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 | |
Zhang et al. | High-throughput phenotyping of plant leaf morphological, physiological, and biochemical traits on multiple scales using optical sensing | |
CN113252583A (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
Zhang et al. | In-season mapping of rice yield potential at jointing stage using Sentinel-2 images integrated with high-precision UAS 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181225 Termination date: 20190928 |