CN108921885A - 一种综合三类数据源联合反演森林地上生物量的方法 - Google Patents

一种综合三类数据源联合反演森林地上生物量的方法 Download PDF

Info

Publication number
CN108921885A
CN108921885A CN201810878353.XA CN201810878353A CN108921885A CN 108921885 A CN108921885 A CN 108921885A CN 201810878353 A CN201810878353 A CN 201810878353A CN 108921885 A CN108921885 A CN 108921885A
Authority
CN
China
Prior art keywords
forest
ground
data
point cloud
ground 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.)
Granted
Application number
CN201810878353.XA
Other languages
English (en)
Other versions
CN108921885B (zh
Inventor
申鑫
曹林
云挺
刘浩
汪贵斌
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201810878353.XA priority Critical patent/CN108921885B/zh
Publication of CN108921885A publication Critical patent/CN108921885A/zh
Application granted granted Critical
Publication of CN108921885B publication Critical patent/CN108921885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种综合高分辨率CCD数据、高光谱影像数据和激光雷达点云数据联合反演森林地上生物量的方法，具体地说，是指一种首先对机载高分辨率CCD影像进行几何校正、拼接预处理，对高光谱影像进行几何校正、大气校正预处理，对激光雷达点云数据进行滤波，插值生成数字地形模型，点云数据归一化处理；然后分别基于预处理后的三个数据源提取纹理特征、光谱特征和点云结构特征；最后，结合地面实测数据和提取的特征变量分别构建模型以预测森林地上生物量的方法。本发明对亚热带天然次生林的森林地上生物量进行提取，与使用其他相近遥感方法进行地上生物量估算结果相比，其相对均方根误差降低了10％以上。

Description

一种综合三类数据源联合反演森林地上生物量的方法
技术领域
本发明涉及森林资源监测和环境因子调查等领域，具体说是一种综合三类数据源联合反演森林地上生物量的方法。
背景技术
精确的森林地上生物量提取，对于森林资源监测和环境因子调查具有重要意义。同时，这些信息也可以用于掌握森林植物与环境的关系，森林生长发育和更新、演替的规律，对于森林的可持续经营管理、生态系统碳循环研究及全球气候变化理解具有重要意义。常规的森林地上生物量提取主要依赖于野外实测或以实测法为基础的统计分析方法，其精度往往不高，且难于在“面”上实用化推广。
近年来，基于高分辨率CCD、高光谱和激光雷达数据森林地上生物量提取的研究为：Kattenborn等2015年在《International Journal of Applied Earth Observationand Geoinformation》第35卷上发表的“Mapping forest biomass from space–Fusion ofhyperspectral EO1-hyperion data and Tandem-X and WorldView-2canopy heightmodels”，该研究借助星载平台获取的高分辨率和高光谱数据，通过提取高度特征和光谱特征，并在评估这些变量重要性的基础上结合地面实测数据提取了温带森林的地上生物量。Latifi等2012年在《Remote Sensing of Environment》第121卷上发表的“Foreststructure modeling with combined airborne hyperspectral and LiDAR data”，该研究采用航空飞机获取的高光谱和激光雷达数据，结合光谱特征、高度、激光强度特征以及遗传算法估测了森林地上生物量。然而，以上方法都是基于两类数据源，并没有融合同时相获取的高分辨率CCD、高光谱和激光雷达数据以提高森林地上生物量估算的精度。同时，更未见全面深入计算森林冠层高精度空间细节特征、光谱特征、激光雷达特征提取的方法。
发明内容
发明目的：针对上述现有技术存在的不足，提供一种综合三类数据源联合反演森林地上生物量的方法，可有效的提高森林地上生物量估算的精度。
技术方案：为了实现上述发明目的，本发明采用的技术方案如下：一种综合三类数据源联合反演森林地上生物量的方法，包括以下步骤：
1)借助航空飞机分别采集高分辨率CCD影像数据，高光谱影像数据以及激光雷达点云数据；在地面设置样地，并在样地中记录树种并计数，同时测量每木的胸径及树高；地上生物量通过异速生长方程结合每木胸径和树高进行计算；
2)对高分辨率CCD影像数据和高光谱影像数据分别结合地面实测数据进行校正；同时对激光雷达点云数据做归一化处理；
3)根据步骤2)中的预处理结果对三类数据分别提取特征变量；对高分辨率CCD影像数据提取纹理特征变量；对高光谱影像数据提取光谱特征变量；对激光雷达点云数据提取点云结构特征变量；
4)根据步骤3)中提取的特征变量首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与森林地上生物量相关性高于0.6的特征变量；
5)将地面实测森林地上生物量作为因变量，将各特征变量作为自变量，建立随机森林模型，该随机森林模型内设置多组决策树，整体随机森林模型由多组决策树构成；
6)在随机森林模型中，每一个决策树“种植”和“生长”的规则如下：设定训练集中的样本个数为N，然后通过有重置的重复多次抽样来获得这N个样本，这样的抽样结果将作为生成决策树的训练集；如有M个输入变量，每个节点都将随机选择m个特定的变量，该m<M；然后运用这m个变量来确定最佳的分裂点；在决策树的生成过程中，m的值是保持不变的；每棵决策树都最大可能地进行生长而不进行剪枝；通过对所有的决策树进行加总来预测新的数据；
7)采用决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价回归模型拟合的效果及估测精度：
其中，xi为某森林地上生物量实测值；为某森林地上生物量实测平均值；为某森林地上生物量的模型估测值；n为样地的数量；i为某一个样地。
其中，所述步骤2)中对高分辨率CCD影像数据具体预处理为：对高分辨率CCD影像进行拼接，生成一幅完整的研究区高分辨率影像；同时结合地面实测控制点数据，采用二次多项式模型对影像进行几何精校正。
其中，所述步骤2)中对高光谱影像数据具体预处理为：借助传感器辐射定标数据对原始高光谱数据进行辐射定标，并利用经验线性模型结合地面实测标靶光谱数据进行大气校正；同时，利用地面实测控制点对高光谱影像进行几何精校正。
其中，所述步骤2)中激光雷达点云数据具体预处理为：去除LiDAR原始点云数据的噪音点，基于滤波方法去除非地面点，然后通过计算每个像元内激光点高度的平均值，在设定空间分辨率为0.5m的前提下，生成数字高程模型DEM；并通过生成的数字地形模型对点云进行归一化处理，得到归一化后的激光雷达点云数据。
其中，所述步骤3)中高分辨率CCD影像数据的纹理特征变量设置为：影像内像元的相关度CR、对比度CO、相异性DI、信息熵EN、均匀度HO、均值ME、二阶矩SM、偏斜度SK和方差VA。
其中，所述步骤3)中高光谱影像数据的光谱特征变量设置为：原始光谱特征；植被指数；该植被特征包括：简单比值植被指数SR、修正型简单比值植被指数MSR、归一化植被指数NDVI、修正型归一化植被指数MNDVI、土壤调节植被指数SAVI、红边胁迫指数RVSI、植被衰减指数PSRI、植被水含量指数WBI。
其中，所述步骤3)中激光雷达点云数据的点云结构特征变量设置为：冠层高度分布百分位数；冠层点云分布平均高度以上的覆盖度；冠层点云分布的变异系数；点云数量在各百分数高度以上的点占所有点云的百分比；Weibull函数对冠层高度分布剖面进行拟合得到的2个剖面特征量α和β；冠层各结构类别体积占比；包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比。
采用决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价回归模型拟合的效果及估测精度：
其中，xi为某森林地上生物量实测值；为某森林地上生物量实测平均值；为某森林地上生物量的模型估测值；n为样地的数量；i为某一个样地
本发明涉及一种综合高分辨率CCD数据、高光谱影像数据和激光雷达点云数据联合反演森林地上生物量的方法，具体地说，是指一种首先对机载高分辨率CCD影像进行几何校正、拼接预处理，对高光谱影像进行几何校正、大气校正预处理，对激光雷达点云数据进行滤波，插值生成数字地形模型，点云数据归一化处理；然后分别基于预处理后的三个数据源提取纹理特征、光谱特征和点云结构特征；最后，结合地面实测数据和提取的特征变量分别构建模型以预测森林地上生物量的方法。
有益效果：本发明与现有技术相比，具有以下优点：本发明基于高分辨率CCD、高光谱和激光雷达联合反演森林地上生物量的方法应用于森林信息获取中。高分辨率CCD、高光谱和激光雷达数据分别从二维、光谱和三维的角度记录森林结构信息，将有助于提高森林地上生物量的反演精度，并有效抑制森林覆盖度高、生物量高林分的结构参数反演“饱和”问题；相比现有技术中基于单一或两类数据源的方法，本发明则是通过联合同时相获取的高分辨率CCD、高光谱和激光雷达三类数据源，然后基于提取的特征变量建立森林地上生物量估算模型；由于三类数据源分别从二维、光谱和三维的角度记录了森林结构信息，其数据之间互为补充，故本发明增强了森林地上生物量反演的能力和精度；另外本发明全面深入地提取了多组森林冠层高精度空间细节特征、光谱特征、激光雷达特征，并进行了特征变量优选，从而高质量地提取了森林地上生物量；同时，该发明不仅利于挖掘特征变量与森林地上生物量之间的联系，也易于进行方法移植；即在不同地区的不同森林类型中也可以进行应用。验证结果表明，通过本发明对亚热带天然次生林的森林地上生物量进行提取，与使用其他相近遥感方法进行地上生物量估算结果相比，其相对均方根误差降低了10％以上。
附图说明
图1为高分辨率CCD数据、高光谱和激光雷达数据图；
图2为随机森林模型中重要性前十的特征变量数据图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
一种综合三类数据源联合反演森林地上生物量的方法，包括以下步骤：
1)借助航空飞机分别采集高分辨率CCD影像数据，高光谱影像数据以及激光雷达点云数据；在地面设置样地，并在样地中记录树种并计数，同时测量每木的胸径及树高；地上生物量通过异速生长方程结合每木胸径和树高进行计算；
2)对高分辨率CCD影像数据和高光谱影像数据分别结合地面实测数据进行校正；同时对激光雷达点云数据做归一化处理；
其中，对高分辨率CCD影像数据具体预处理为：对高分辨率CCD影像进行拼接，生成一幅完整的研究区高分辨率影像；同时结合地面实测控制点数据，采用二次多项式模型对影像进行几何精校正；
其中，对高光谱影像数据具体预处理为：借助传感器辐射定标数据对原始高光谱数据进行辐射定标，并利用经验线性模型结合地面实测标靶光谱数据进行大气校正；同时，利用地面实测控制点对高光谱影像进行几何精校正；
其中，对激光雷达点云数据具体预处理为：去除LiDAR原始点云数据的噪音点，基于滤波方法去除非地面点，然后通过计算每个像元内激光点高度的平均值，在设定空间分辨率为0.5m的前提下，生成数字高程模型DEM；并通过生成的数字地形模型对点云进行归一化处理，得到归一化后的激光雷达点云数据；
3)提取特征变量：根据步骤2)中的预处理结果对三类数据分别提取特征变量；对高分辨率CCD影像数据提取纹理特征变量；对高光谱影像数据提取光谱特征变量；对激光雷达点云数据提取点云结构特征变量；
其中，高分辨率CCD影像数据的纹理特征变量设置为：影像内像元的相关度CR、对比度CO、相异性DI、信息熵EN、均匀度HO、均值ME、二阶矩SM、偏斜度SK和方差VA；
其中，高光谱影像数据的光谱特征变量设置为：原始光谱特征；植被指数；该植被特征包括：简单比值植被指数SR、修正型简单比值植被指数MSR、归一化植被指数NDVI、修正型归一化植被指数MNDVI、土壤调节植被指数SAVI、红边胁迫指数RVSI、植被衰减指数PSRI、植被水含量指数WBI；
其中，激光雷达点云数据的点云结构特征变量设置为：冠层高度分布百分位数；冠层点云分布平均高度以上的覆盖度；冠层点云分布的变异系数；点云数量在各百分数高度以上的点占所有点云的百分比；Weibull函数对冠层高度分布剖面进行拟合得到的2个剖面特征量α和β；冠层各结构类别体积占比；包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比；
4)根据步骤3)中提取的特征变量首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与森林地上生物量相关性高于0.6的特征变量；通过相关性低于或者高于一定的阈值进行特征变量筛选是现有技术中常用的筛选方法，在本发明中根据变量相关性的情况及变量个数综合考虑，将阈值设置为0.6；
5)将地面实测森林地上生物量作为因变量，将各特征变量作为自变量，建立随机森林模型，该随机森林模型内设置多组决策树，整体随机森林模型由多组决策树构成；
6)在随机森林模型中，每一个决策树“种植”和“生长”的规则如下：设定训练集中的样本个数为N，然后通过有重置的重复多次抽样来获得这N个样本，这样的抽样结果将作为生成决策树的训练集；如有M个输入变量，每个节点都将随机选择m个特定的变量，该m<M；然后运用这m个变量来确定最佳的分裂点；在决策树的生成过程中，m的值是保持不变的；每棵决策树都最大可能地进行生长而不进行剪枝；通过对所有的决策树进行加总来预测新的数据；
其中，采用决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价回归模型拟合的效果及估测精度：
其中，xi为某森林地上生物量实测值；为某森林地上生物量实测平均值；为某森林地上生物量的模型估测值；n为样地的数量；i为某一个样地。
实施例1
本实施例实验区位于江苏省常熟市国营虞山林场(120.70°E,31.67°N)，面积约1422hm2，高程变化范围为2-261m。该实验区所处区域为亚热带季风气候，年降水量1062.5mm。其森林类型属于亚热带次生混交林，可细分为针叶林、阔叶林和混交林。其中主要针叶和阔叶落叶树种包含马尾松(Pinus massoniana)、麻栎(Quercus acutissima)、枫香树(Liquidambar formosana)和板栗(Castanea mollissima)等，同时伴生部分常绿阔叶树种。
借助航空飞机采集高分辨率CCD影像，高光谱影像和激光雷达点云数据，具体数据见图1。
在图1中a：从激光雷达数据中提取的冠层数字表面模型；b：样地点云侧视图；c：样地高分辨率CCD影像；d：去噪后的波形数据；e：样地高光谱影像；f：冠层表面平均光谱反射曲线。
在研究区范围内设置28个方形样地(30×30m2)。样地中心点坐标使用GPS(Trimble GeoXH6000)测定，GPS通过接收广域差分信号定位，精度优于0.5m。并在样地中记录树种并计数，同时测量每木的胸径和树高。地上生物量通过异速生长方程结合胸径和树高进行计算。根据单木调查数据汇总到样地尺度的地上生物量，见下表1。
表1样地实测林分特征信息汇总表
数据预处理时，对高分辨率CCD影像进行拼接，生成一幅完整的研究区高分辨率影像。同时结合地面实测控制点数据，采用二次多项式模型对影像进行几何精校正。借助传感器辐射定标数据对原始高光谱数据进行辐射定标，并利用经验线性模型结合地面实测标靶光谱数据进行大气校正。同时，利用地面实测控制点对高光谱影像进行几何精校正。去除LiDAR原始点云数据的噪音点，基于滤波方法去除非地面点，然后通过计算每个像元内激光点高度的平均值，生成数字高程模型(DEM)(空间分辨率为0.5m)。并通过生成的数字地形模型对点云进行归一化处理，得到归一化后的激光雷达点云数据。
提取三类特征变量，即纹理特征、光谱特征和点云结构特征变量。
其中，纹理特征变量包括：影像内像元的相关度CR、对比度CO、相异性DI、信息熵EN、均匀度HO、均值ME、二阶矩SM、偏斜度SK和方差VA。
其中，光谱特征变量包括：原始光谱特征(band1-band64)；植被指数(简单比值植被指数SR、修正型简单比值植被指数MSR、归一化植被指数NDVI、修正型归一化植被指数MNDVI、土壤调节植被指数SAVI、红边胁迫指数RVSI、植被衰减指数PSRI、植被水含量指数WBI)。
其中，点云结构特征变量包括：冠层高度分布百分位数(H25，H50，H75，H95)；冠层点云分布平均高度以上的覆盖度(CCmean)；冠层点云分布的变异系数(Hcv)；点云数量在各百分数高度(30th，50th，70th，90th，即D3，D5，D7，D9)以上的点占所有点云的百分比；Weibull函数对冠层高度分布剖面进行拟合得到2个剖面特征量α，β(即Weibullα和Weibullβ)；冠层各结构类别体积占比，包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比(即OpenGap，Oligophotic，Euphotic，ClosedGap)。
通过相关性分析筛选特征变量，即首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与森林地上生物量相关性高于0.6的特征变量。
将地面实测森林地上生物量作为因变量，各特征变量作为自变量，建立随机森林模型。随机森林由很多的决策树构成，在随机森林中，每一个决策树“种植”和“生长”的规则如下所示：设定训练集中的样本个数为N，然后通过有重置的重复多次抽样来获得这N个样本，这样的抽样结果将作为生成决策树的训练集；如果有M个输入变量，每个节点都将随机选择m(m<M)个特定的变量，然后运用这m个变量来确定最佳的分裂点。在决策树的生成过程中，m的值是保持不变的；每棵决策树都最大可能地进行生长而不进行剪枝；通过对所有的决策树进行加总来预测新的数据(采用平均值)。采用决定系数(R2)、均方根误差(RMSE)和相对均方根误差(rRMSE)评价回归模型拟合的效果及估测精度。森林地上生物量估测精度见下表2；而随机森林模型中重要性前十的特征变量见图2。
表2森林地上生物量各模型估算精度汇总表
模型 R2 RMSE(Mg·ha-1) rRMSE(％)
激光雷达模型 0.85 10.67 12.31
激光雷达+高光谱模型 0.87 10.12 11.67
激光雷达+高光谱+高分辨率CCD 0.88 9.94 11.47
在图2中，其中a：激光雷达模型；b：激光雷达+高光谱模型；c：激光雷达+高光谱+高分辨率CCD模型(注：X轴的Importance为重要性，Y轴的Metrics是特征变量)。
本实施例中通过联合同时相获取的高分辨率CCD、高光谱和激光雷达三类数据源，然后基于提取的特征变量建立森林地上生物量估算模型。由于三类数据源分别从二维、光谱和三维的角度记录了森林结构信息，其数据之间互为补充，故本方法增强了森林地上生物量反演的能力和精度；结合表1和表2的数据验证结果表明，通过本实施例对亚热带天然次生林的森林地上生物量进行提取，与使用其他相近遥感方法进行地上生物量估算结果相比，其相对均方根误差降低了10％以上。
具体实施方式只是本发明的一个优选实施例，并不是用来限制本发明的实施与权利要求范围的，凡依据本发明申请专利保护范围所述的内容做出的等效变化和修饰，均应包括于本发明专利申请范围内。

Claims (8)

1.一种综合三类数据源联合反演森林地上生物量的方法，其特征在于：包括以下步骤：
1)借助航空飞机分别采集高分辨率CCD影像数据，高光谱影像数据以及激光雷达点云数据；在地面设置样地，并在样地中记录树种并计数，同时测量每木的胸径及树高；地上生物量通过异速生长方程结合每木胸径和树高进行计算；
2)对高分辨率CCD影像数据和高光谱影像数据分别结合地面实测数据进行校正；同时对激光雷达点云数据做归一化处理；
3)根据步骤2)中的预处理结果对三类数据分别提取特征变量；对高分辨率CCD影像数据提取纹理特征变量；对高光谱影像数据提取光谱特征变量；对激光雷达点云数据提取点云结构特征变量；
4)根据步骤3)中提取的特征变量首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与森林地上生物量相关性高于0.6的特征变量；
5)将地面实测森林地上生物量作为因变量，将各特征变量作为自变量，建立随机森林模型，该随机森林模型内设置多组决策树，整体随机森林模型由多组决策树构成；
6)在随机森林模型中，每一个决策树“种植”和“生长”的规则如下：设定训练集中的样本个数为N，然后通过有重置的重复多次抽样来获得这N个样本，这样的抽样结果将作为生成决策树的训练集；如有M个输入变量，每个节点都将随机选择m个特定的变量，该m<M；然后运用这m个变量来确定最佳的分裂点；在决策树的生成过程中，m的值是保持不变的；每棵决策树都最大可能地进行生长而不进行剪枝。所有决策树的总和即为随机森林模型。通过随机森林模型对森林地上生物量进行预测，以获得综合三类数据源联合反演的森林地上生物量。
2.根据权利要求1所述的一种综合三类数据源联合反演森林地上生物量的方法，其特征在于：所述步骤2)中对高分辨率CCD影像数据具体预处理为：对高分辨率CCD影像进行拼接，生成一幅完整的研究区高分辨率影像；同时结合地面实测控制点数据，采用二次多项式模型对影像进行几何精校正。
3.根据权利要求1所述的一种综合三类数据源联合反演森林地上生物量的方法，其特征在于：所述步骤2)中对高光谱影像数据具体预处理为：借助传感器辐射定标数据对原始高光谱数据进行辐射定标，并利用经验线性模型结合地面实测标靶光谱数据进行大气校正；同时，利用地面实测控制点对高光谱影像进行几何精校正。
4.根据权利要求1所述的一种综合三类数据源联合反演森林地上生物量的方法，其特征在于：所述步骤2)中激光雷达点云数据具体预处理为：去除LiDAR原始点云数据的噪音点，基于滤波方法去除非地面点，然后通过计算每个像元内激光点高度的平均值，在设定空间分辨率为0.5m的前提下，生成数字高程模型DEM；并通过生成的数字地形模型对点云进行归一化处理，得到归一化后的激光雷达点云数据。
5.根据权利要求1所述的一种综合三类数据源联合反演森林地上生物量的方法，其特征在于：所述步骤3)中高分辨率CCD影像数据的纹理特征变量设置为：影像内像元的相关度CR、对比度CO、相异性DI、信息熵EN、均匀度HO、均值ME、二阶矩SM、偏斜度SK和方差VA。
6.根据权利要求1所述的一种综合三类数据源联合反演森林地上生物量的方法，其特征在于：所述步骤3)中高光谱影像数据的光谱特征变量设置为：原始光谱特征；植被指数；该植被特征包括：简单比值植被指数SR、修正型简单比值植被指数MSR、归一化植被指数NDVI、修正型归一化植被指数MNDVI、土壤调节植被指数SAVI、红边胁迫指数RVSI、植被衰减指数PSRI、植被水含量指数WBI。
7.根据权利要求1所述的一种综合三类数据源联合反演森林地上生物量的方法，其特征在于：所述步骤3)中激光雷达点云数据的点云结构特征变量设置为：冠层高度分布百分位数；冠层点云分布平均高度以上的覆盖度；冠层点云分布的变异系数；点云数量在各百分数高度以上的点占所有点云的百分比；Weibull函数对冠层高度分布剖面进行拟合得到的2个剖面特征量α和β；冠层各结构类别体积占比；包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比。
8.根据权利要求1所述的一种综合三类数据源联合反演森林地上生物量的方法，其特征在于：采用决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价回归模型拟合的效果及估测精度：
其中，xi为某森林地上生物量实测值；为某森林地上生物量实测平均值；为某森林地上生物量的模型估测值；n为样地的数量；i为某一个样地。
CN201810878353.XA 2018-08-03 2018-08-03 一种综合三类数据源联合反演森林地上生物量的方法 Active CN108921885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810878353.XA CN108921885B (zh) 2018-08-03 2018-08-03 一种综合三类数据源联合反演森林地上生物量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810878353.XA CN108921885B (zh) 2018-08-03 2018-08-03 一种综合三类数据源联合反演森林地上生物量的方法

Publications (2)

Publication Number Publication Date
CN108921885A true CN108921885A (zh) 2018-11-30
CN108921885B CN108921885B (zh) 2020-05-12

Family

ID=64393315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810878353.XA Active CN108921885B (zh) 2018-08-03 2018-08-03 一种综合三类数据源联合反演森林地上生物量的方法

Country Status (1)

Country Link
CN (1) CN108921885B (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738372A (zh) * 2018-12-25 2019-05-10 核工业北京地质研究院 一种航空高光谱岩矿探测多元数据处理方法
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
CN109946714A (zh) * 2019-04-03 2019-06-28 海南省林业科学研究所 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法
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
CN110378926A (zh) * 2019-06-17 2019-10-25 成都理工大学 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法
CN110378925A (zh) * 2019-06-17 2019-10-25 成都理工大学 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法
CN110533603A (zh) * 2019-07-24 2019-12-03 宁德市公路局 一种基于熵与卷积神经网络的点云降噪方法
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法
CN111079672A (zh) * 2019-12-20 2020-04-28 中国科学院遥感与数字地球研究所 基于最大熵特征的葡萄分类提取方法
CN111414891A (zh) * 2020-04-07 2020-07-14 云南电网有限责任公司昆明供电局 基于激光雷达与光学遥感的输电线路通道树高反演方法
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
CN112395808A (zh) * 2020-11-18 2021-02-23 南京林业大学 一种结合随机森林和协同克里金的生物量遥感制图方法
CN112434617A (zh) * 2020-11-26 2021-03-02 南京观微空间科技有限公司 一种基于多源遥感数据的森林生物量变化监测方法及系统
CN112446397A (zh) * 2019-09-02 2021-03-05 中国林业科学研究院资源信息研究所 基于遥感和随机森林的产草量估算方法、装置及存储介质
CN112577954A (zh) * 2020-11-18 2021-03-30 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
CN113011086A (zh) * 2021-03-02 2021-06-22 西南林业大学 一种基于ga-svr算法森林生物量的估测方法
CN113945927A (zh) * 2021-09-17 2022-01-18 西南林业大学 一种通过体散射优化的反演森林冠层高度方法
CN113945926A (zh) * 2021-09-17 2022-01-18 西南林业大学 一种通过低估补偿改进的反演森林冠层高度方法
CN114494854A (zh) * 2021-12-28 2022-05-13 农业农村部大数据发展中心 基于遥感的低矮湿地植被地上生物量估算方法和系统
CN114593713A (zh) * 2021-03-02 2022-06-07 华东师范大学 一种潮滩植被区地形反演方法及系统
CN114998728A (zh) * 2022-05-24 2022-09-02 中国农业大学 无人机多源遥感预测棉花叶面积指数的方法及系统
CN115372986A (zh) * 2022-10-21 2022-11-22 武汉大学 基于ICESat-2高分辨率数据的树高制图方法、装置及设备
CN115561773A (zh) * 2022-12-02 2023-01-03 武汉大学 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法
CN115830146A (zh) * 2023-02-10 2023-03-21 武汉玄景科技有限公司 一种航天光学遥感相机的在轨相对辐射定标与校正方法
CN116071600A (zh) * 2023-02-17 2023-05-05 中国科学院地理科学与资源研究所 一种基于多分类概率的农作物遥感识别方法及装置
CN117422156A (zh) * 2023-12-19 2024-01-19 南京农业大学 一种森林生态系统碳储功能评估方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003069315A1 (fr) * 2002-02-13 2003-08-21 Kansai Environmental Engineering Center Co., Ltd. Procede d'evaluation de la biomasse des forets et des arbres a l'aide de donnees a resolution elevee detectees a distance
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
CN104867180A (zh) * 2015-05-28 2015-08-26 南京林业大学 一种集成uav与lidar的森林林分特征反演方法
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
CN105913017A (zh) * 2016-04-08 2016-08-31 南京林业大学 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
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
CN107705309A (zh) * 2017-10-15 2018-02-16 南京林业大学 激光点云中林木参数评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003069315A1 (fr) * 2002-02-13 2003-08-21 Kansai Environmental Engineering Center Co., Ltd. Procede d'evaluation de la biomasse des forets et des arbres a l'aide de donnees a resolution elevee detectees a distance
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
CN104867180A (zh) * 2015-05-28 2015-08-26 南京林业大学 一种集成uav与lidar的森林林分特征反演方法
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
CN105913017A (zh) * 2016-04-08 2016-08-31 南京林业大学 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
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
CN107705309A (zh) * 2017-10-15 2018-02-16 南京林业大学 激光点云中林木参数评估方法

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738372A (zh) * 2018-12-25 2019-05-10 核工业北京地质研究院 一种航空高光谱岩矿探测多元数据处理方法
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
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
CN109946714A (zh) * 2019-04-03 2019-06-28 海南省林业科学研究所 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法
CN110378926A (zh) * 2019-06-17 2019-10-25 成都理工大学 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法
CN110378925A (zh) * 2019-06-17 2019-10-25 成都理工大学 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法
CN110378926B (zh) * 2019-06-17 2020-04-07 成都理工大学 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法
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
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
CN110533603A (zh) * 2019-07-24 2019-12-03 宁德市公路局 一种基于熵与卷积神经网络的点云降噪方法
CN112446397A (zh) * 2019-09-02 2021-03-05 中国林业科学研究院资源信息研究所 基于遥感和随机森林的产草量估算方法、装置及存储介质
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法
CN111079672A (zh) * 2019-12-20 2020-04-28 中国科学院遥感与数字地球研究所 基于最大熵特征的葡萄分类提取方法
CN111079672B (zh) * 2019-12-20 2023-10-13 中国科学院空天信息创新研究院 基于最大熵特征的葡萄分类提取方法
CN111414891A (zh) * 2020-04-07 2020-07-14 云南电网有限责任公司昆明供电局 基于激光雷达与光学遥感的输电线路通道树高反演方法
CN111414891B (zh) * 2020-04-07 2023-04-14 云南电网有限责任公司昆明供电局 基于激光雷达与光学遥感的输电线路通道树高反演方法
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
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
CN112395808A (zh) * 2020-11-18 2021-02-23 南京林业大学 一种结合随机森林和协同克里金的生物量遥感制图方法
CN112577954A (zh) * 2020-11-18 2021-03-30 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
CN112434617A (zh) * 2020-11-26 2021-03-02 南京观微空间科技有限公司 一种基于多源遥感数据的森林生物量变化监测方法及系统
CN112434617B (zh) * 2020-11-26 2021-08-13 南京观微空间科技有限公司 一种基于多源遥感数据的森林生物量变化监测方法及系统
CN114593713A (zh) * 2021-03-02 2022-06-07 华东师范大学 一种潮滩植被区地形反演方法及系统
CN113011086B (zh) * 2021-03-02 2022-08-16 西南林业大学 一种基于ga-svr算法森林生物量的估测方法
CN113011086A (zh) * 2021-03-02 2021-06-22 西南林业大学 一种基于ga-svr算法森林生物量的估测方法
CN113945927A (zh) * 2021-09-17 2022-01-18 西南林业大学 一种通过体散射优化的反演森林冠层高度方法
CN113945927B (zh) * 2021-09-17 2022-09-06 西南林业大学 一种通过体散射优化的反演森林冠层高度方法
CN113945926A (zh) * 2021-09-17 2022-01-18 西南林业大学 一种通过低估补偿改进的反演森林冠层高度方法
CN114494854A (zh) * 2021-12-28 2022-05-13 农业农村部大数据发展中心 基于遥感的低矮湿地植被地上生物量估算方法和系统
CN114998728A (zh) * 2022-05-24 2022-09-02 中国农业大学 无人机多源遥感预测棉花叶面积指数的方法及系统
CN115372986A (zh) * 2022-10-21 2022-11-22 武汉大学 基于ICESat-2高分辨率数据的树高制图方法、装置及设备
CN115561773A (zh) * 2022-12-02 2023-01-03 武汉大学 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法
CN115561773B (zh) * 2022-12-02 2023-03-10 武汉大学 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法
CN115830146A (zh) * 2023-02-10 2023-03-21 武汉玄景科技有限公司 一种航天光学遥感相机的在轨相对辐射定标与校正方法
CN116071600A (zh) * 2023-02-17 2023-05-05 中国科学院地理科学与资源研究所 一种基于多分类概率的农作物遥感识别方法及装置
CN116071600B (zh) * 2023-02-17 2023-08-04 中国科学院地理科学与资源研究所 一种基于多分类概率的农作物遥感识别方法及装置
CN117422156A (zh) * 2023-12-19 2024-01-19 南京农业大学 一种森林生态系统碳储功能评估方法
CN117422156B (zh) * 2023-12-19 2024-03-22 南京农业大学 一种森林生态系统碳储功能评估方法

Also Published As

Publication number Publication date
CN108921885B (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN108921885A (zh) 一种综合三类数据源联合反演森林地上生物量的方法
Kamoske et al. Leaf area density from airborne LiDAR: Comparing sensors and resolutions in a temperate broadleaf forest ecosystem
Simard et al. Mapping forest canopy height globally with spaceborne lidar
Hopkinson et al. Integrating terrestrial and airborne lidar to calibrate a 3D canopy model of effective leaf area index
Zheng et al. Computational-geometry-based retrieval of effective leaf area index using terrestrial laser scanning
CN105354534B (zh) 一种基于多源同期高分辨率遥感数据的树种分类方法
Fieber et al. Validation of Canopy Height Profile methodology for small-footprint full-waveform airborne LiDAR data in a discontinuous canopy environment
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
CN109031344A (zh) 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法
CN114091613B (zh) 一种基于高分联合组网数据的森林生物量估算方法
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
He et al. Using LiDAR data to measure the 3D green biomass of Beijing urban forest in China
CN110109118B (zh) 一种森林冠层生物量的预测方法
CN108458978A (zh) 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
Tesfamichael et al. Investigating the impact of discrete-return lidar point density on estimations of mean and dominant plot-level tree height in Eucalyptus grandis plantations
Rahman et al. Retrieval of tropical forest biomass information from ALOS PALSAR data
CN109946714A (zh) 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法
Hadas et al. Automatic estimation of olive tree dendrometric parameters based on airborne laser scanning data using alpha-shape and principal component analysis
Lin et al. Using the 3D model RAPID to invert the shoot dieback ratio of vertically heterogeneous Yunnan pine forests to detect beetle damage
CN115170341A (zh) 利用激光雷达修正小微样的林业资源碳汇精准测算方法
Xu et al. Retrieving global leaf chlorophyll content from MERIS data using a neural network method
CN115796344A (zh) 一种区域尺度上森林植被碳储量的估算方法
She‐Zhou et al. Forest leaf area index (LAI) estimation using airborne discrete‐return lidar data
Li et al. Aboveground biomass estimation in forests with random forest and Monte Carlo-based uncertainty analysis
Xi et al. Quantifying understory vegetation density using multi-temporal Sentinel-2 and GEDI LiDAR data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20181130

Assignee: Jiangsu Zhonglin running Industrial Development Co., Ltd

Assignor: NANJING FORESTRY University

Contract record no.: X2020980008745

Denomination of invention: A method for retrieving Forest Aboveground biomass from three kinds of data sources

Granted publication date: 20200512

License type: Common License

Record date: 20201202

EE01 Entry into force of recordation of patent licensing contract