CN109063657A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109063657A CN109063657A CN201810895872.7A CN201810895872A CN109063657A CN 109063657 A CN109063657 A CN 109063657A CN 201810895872 A CN201810895872 A CN 201810895872A CN 109063657 A CN109063657 A CN 109063657A
- Authority
- CN
- China
- Prior art keywords
- biomass
- scale
- data
- spectroscopic unit
- model
- 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
- 239000002028 Biomass Substances 0.000 title claims abstract description 114
- 238000011426 transformation method Methods 0.000 title claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000009412 basement excavation Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000019771 cognition Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 27
- 239000002689 soil Substances 0.000 claims description 23
- 238000007637 random forest analysis Methods 0.000 claims description 21
- 238000011160 research Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000009825 accumulation Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007620 mathematical function Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 101000841763 Homo sapiens Ubiquinol-cytochrome-c reductase complex assembly factor 2 Proteins 0.000 description 1
- 102100029513 Ubiquinol-cytochrome-c reductase complex assembly factor 2 Human genes 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种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，主要包括以下步骤：遥感地学认知知识的表达；特征的挖掘与筛选；均质地域光谱单元的分割；各尺度下的生物量估算。本发明可解决当前多尺度生物量估算多依赖于多分辨率遥感影像和多尺度下实地样点采样难的问题，多源数据的引进弥补了仅使用光学数据的局限性，提高了不同尺度下生物量快速估算和转换的可操作性。
Description
技术领域
本发明涉及土地资源与生态环境监测评价领域，尤其涉及一种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。
背景技术
地上生物量(后面简称生物量)是指在特定时刻、单位样方面积内齐地面剪割植物(地上部)的重量，其实质是绿色植物在单位面积上进行光合作用累计的有机物质的量。植被是有机质存储、物质循环、能量流动的基础，生物量是植被的生产力和生长状况的直接体现，它在生态系统中具有十分重要的地位，因此，植被生物量也被视为衡量区域生态系统的重要指标。
常用的生物量估算方法主要分为实地测量法和遥感估算法。实地测量法适用于植被类型单一且长势相对一致的小区域生物量测算，劣势是该方法耗时、耗力，很难获取湿地、沼泽等人工不可到达区域的生物量。基于遥感估算法的应用较多，该方法特别适用于大区域生物量的快速估算，近些年来，伴随着随机森林等机器学习算法的兴起，遥感估算法的反演精度也得到了提高。
以往生物量估算的研究和应用多数是在各自研究区内，根据已有的数据在某一特定尺度下进行的，而围绕不同尺度下的生物量估算和快速转换方法的研究较少。在区域不同尺度下生物量估算的探索中，传统方法是借助不同分辨率遥感影像实现的，其局限性在于不同传感器下采集的不同分辨率遥感影像在获取时间、波段长度、预处理方法、数据质量等方面很难一致，此外，基于经验模型的反演还采集不同尺度下的生物量样点。以上众多因素会直接影响到生物量的估算结果，也给实际应用带来不便。
发明内容
本发明要解决的技术问题在于针对现有技术中生物量估算不够科学，估算结果收到众多因素影响的缺陷，提供一种可实现面向均质地域光谱单元的生物量估算和不同尺度下的快速转换方法。
本发明解决其技术问题所采用的技术方案是：
提供一种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，主要包括以下步骤：
步骤1.遥感地学认知知识的表达
获取多源数据，包括影响和反映植被长势、分布和生物量积累相关的遥感数据、地学数据、气象数据、土地利用数据、植被类型数据、土壤类型数据；
步骤2.特征的挖掘与筛选
从获取的多源数据中分析计算数据的多个特征，并进一步通过皮尔逊相关性分析，筛选出与样点的生物量相关性较高的光谱特征，以及筛选能影响和反映植被长势、分布和生物量积累相关的特征；
步骤3均质地域光谱单元的分割
将筛选的多个特征分别作为不同的输入层；选取自下而上区域合并的多尺度分割模型，并进行分割模型的参数设置，根据需求改变分割尺度参数，得到不同尺度下的均质地域光谱单元；
步骤4.各尺度下的生物量估算
步骤4.1模型的选定，基于随机森林回归算法构建面向均质地域光谱单元的生物量估算模型。
步骤4.2自变量和因变量的确定，将特征值当作自变量，将实地采集样点的生物量值当作样点所在均质地域光谱单元的生物量值，并当作因变量。
步骤4.3生物量估算模型主要参数的设定，包括①模型中建立回归树的个数；②在每个结点，进行验证的变量个数；③进度报告的频率；④追踪近端案例数；⑤自举样本量；⑥父结点最少事件数；
步骤4.4生物量估算及精度评定，基于样点的生物量值和特征值，利用随机森林回归模型，分别反演不同尺度下的生物量，进而实现各尺度下的生物量转换。
接上述技术方案，该方法还包括步骤5：基于随机森林建模时预留的袋外数据，通过均方根误差和决定系数进行模型精度评价。
接上述技术方案，步骤2具体包括以下步骤：
步骤2.1光谱纹理特征的挖掘，采集研究区高光谱高分辨率数据，对光谱反射率进行多种数学函数变换、植被指数计算、最小噪声分离变换以深度挖掘地表植被反射的光谱和纹理特征；
步骤2.2地形地貌特征的挖掘，采集研究区激光雷达点云数据，提取数字高程模型以表征地面的高程特征，提取数字表面模型以包含地表建筑物和树木的地上附属物的地面高程特征，提取冠层高度模型以表征地上附属物的高度特征，以及提取研究区的坡度特征；
步骤2.3气象特征的挖掘，收集研究区的站点气象数据，包括月累计降水数据、月均气温数据；通过降水和气温数据计算得到研究区的干燥度；通过空间内插、重采样等预处理得到整个研究区的三个气象特征；
步骤2.4土地利用、植被类型等其它特征的挖掘，收集研究区土地利用类型矢量、植被类型分布矢量、土壤类型矢量；通过栅格化、重采样、投影转换的预处理得到整个研究区的植被分类栅格数据和土壤类型栅格数据。
接上述技术方案，步骤3具体包括以下步骤：
步骤3.1确定分割输入层，输入层包括与生物量相关性较高的光谱特征和地形地貌、气象、土地利用、土壤类型、植被类型的影响和反映植被长势、分布和生物量积累相关的特征；
步骤3.2确定分割模型，采用自下而上区域合并的多尺度分割模型进行均质地域光谱单元的分割；
步骤3.3主要参数设置，包括：①分隔尺度；②各输入层(特征)参与分割的权重；③均质性阈值：形状因子权重和色彩因子权重；④形状因子权重：平滑性因子权重和紧致度因子权重。
步骤3.4不同尺度下的均质地域光谱单元分割，根据需求改变分割尺度参数，得到不同尺度下的均质地域光谱单元。
本发明还提供了一种面向均值地域光谱单元的地上生物量估算和尺度转换系统，主要包括：
遥感地学认知知识的表达模块，用于获取多源数据，包括影响和反映植被长势、分布和生物量积累相关的遥感数据、地学数据、气象数据、土地利用数据、植被类型数据、土壤类型数据；
特征的挖掘与筛选模块，用于从获取的多源数据中分析计算数据的多个特征，并进一步通过皮尔逊相关性分析，筛选出与样点的生物量相关性较高的光谱特征，以及筛选能影响和反映植被长势、分布和生物量积累相关的特征；
均质地域光谱单元的分割模块，用于将筛选的多个特征分别作为不同的输入层；选取自下而上区域合并的多尺度分割模型，并进行分割模型的参数设置，根据需求改变分割尺度参数，得到不同尺度下的均质地域光谱单元；
各尺度下的生物量估算模块，具体又包括：
模型的选定模块，用于基于随机森林回归算法构建面向均质地域光谱单元的生物量估算模型。
自变量和因变量的确定模块，用于将特征值当作自变量，将实地采集样点的生物量值当作样点所在均质地域光谱单元的生物量值，并当作因变量。
生物量估算模型主要参数的设定模块，具体用于①模型中建立回归树的个数；②在每个结点，进行验证的变量个数；③进度报告的频率；④追踪近端案例数；⑤自举样本量；⑥父结点最少事件数；
生物量估算及精度评定模块，用于基于样点的生物量值和特征值，利用随机森林回归模型，分别反演不同尺度下的生物量，进而实现各尺度下的生物量转换，基于随机森林建模时预留的袋外数据，通过均方根误差和决定系数进行模型精度评价。
本发明还提供了一种计算机可读存储介质，其具有可被处理器执行的计算机程序，该计算机程序执行上述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的步骤。
本发明产生的有益效果是：①该发明应用方便、快捷。在前期，只需对源数据进行预处理和特征提取，在后期，基于多尺度分割技术即可得到任意尺度下的均质地域光谱单元，为实现不同尺度下的生物量快速估算和转换奠定基础。②各尺度下的生物量估算仅使用一套源数据即可实现，这消除了不同分辨率遥感影像在传感器参数、获取时间、预处理方法等方面不一致的影响。③在面向均质地域光谱单元的生物量估算中，融合了光谱、纹理、海拔、坡度、气温、降水、土壤类型、植被类型、土地利用等多源信息，该方法弥补了仅使用光学影像的局限性，贴近人类对自然事物的认知，同时，估算结果避免了基于像元估算结果中的“椒盐现象”。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例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的流程图；
图2是本发明实施例中选取的特征；
图3是本发明实施例中分割后的均质地域光谱单元；
图4是本发明实施例中不同尺度下的生物量估算结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明汇集多源数据，从中提取并筛选直接或间接表征生物量的特征，基于自下而上区域合并的多尺度分割算法，构建不同尺度下的均质地域光谱单元，通过随机森林回归算法构建面向均值地域光谱单元的生物量估算模型，进而反演出各尺度下的生物量，最终实现面向均质地域光谱单元的生物量估算和各尺度下的快速转换。本发明可解决当前多尺度生物量估算多依赖于多分辨率遥感影像和多尺度下实地样点采样难的问题，多源数据的引进弥补了仅使用光学数据的局限性，提高了不同尺度下生物量快速估算和转换的可操作性。
本发明实施例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的流程图，如图1示，主要包括如下步骤：
步骤1.数据采集
采集实验区激光雷达点云数据、高光谱高分辨率数据、月降水累计数据、月均温度数据、土壤类型矢量、植被类型矢量数据、土地利用矢量数据。
步骤2.特征的挖掘与筛选
步骤2.1光谱纹理特征的挖掘。将高光谱高分辨率数据进行辐射定标、大气校正、地形校正、去云处理、裁剪拼接等预处理。对光谱反射率进行导数等15种数学函数变换、EVI等10种植被指数计算和最小噪声分离变换(MNF)以深度挖掘地表反射的光谱和纹理特征。
步骤2.2地形地貌特征的挖掘。将激光雷达点云数据进行条带拼接、奇异点剔除等预处理。通过布料滤波算法，将激光雷达点云数据的地面点和非地面点分离。基于地面点，通过空间内插算法得到数字高程模型(DEM)，表征地面的高程特征；基于数字高程模型(DEM)提取坡度特征(Slope)；基于非地面点，通过空间内插算法得到数字表面模型(DSM)，表征包含地表建筑物和树木等高度的地面高程特征；将数字表面模型和数字高程模型作差，得到冠层高度模型(CHM)，表征地上附属物的高度特征。
步骤2.3气象特征的挖掘。气象数据主要有月降水数据、月均气温数据、月干燥度数据组成。降水数据和气温数据通过研究区及周边气象站或所在行政区气象网站直接获取。干燥度由下式根据降水数据和气温数据计算得出：
D＝P/(T+10)
式中，D代表干燥度，P为月累计降水量(mm)，T为月平均温度(℃)。干燥度D越大，气候越湿润，反之，干燥度D越小，说明区域气候越干旱。
由于获取的气象数据通常是离散的站点数据，因此，需要对气候数据进行普通克里金内插的预处理操作，以得到整个研究区的降水、气温和干燥度的栅格数据。
步骤2.4土地利用、植被类型等其它特征的挖掘。收集研究区土地利用矢量、植被类型矢量和土壤类型矢量数据。将植被类型矢量、土壤类型矢量进行栅格化、几何校正、投影转换、重采样等预处理。最终，使所有采集的数据具有相同的地理参考。
步骤2.5特征的筛选。在实地采集生物量样点若干，尽量让采集的生物量样点涵盖所有植被类型，并在空间上广泛分布。将提取的光谱特征与实地采集的生物量进行皮尔逊相关性分析，筛选出取与生物量相关性高的光谱特征。筛选出能影响和反映植被长势、分布和生物量积累相关的特征。
步骤3均质地域光谱单元的分割。均质地域光谱单元被定义为在光谱、纹理、地形地貌、植被类型、土壤类型、气象条件等方面具有相似特征的均质区域。它也被视为一种特殊的影像对象，在本方法中，它将作为生物量估算的最小单元。
步骤3.1确定分割层输入层。输入层包括与生物量相关性较高的光谱特征，还包括影响和反映植被长势、分布和生物量积累相关的地形地貌、气象、土地利用、土壤类型、植被类型等特征。
步骤3.2确定分割模型。采用一种自下而上区域合并的多尺度分割算法进行均质地域光谱单元的分割。
步骤3.3主要参数设置。包括：①分隔尺度；②每个输入层(特征)参与分割的权重；③均质性阈值：形状因子权重和色彩因子权重；④形状因子权重：平滑性因子权重和紧致度因子权重。
步骤3.4不同尺度下的均质地域光谱单元分割。根据需求改变分割尺度参数，以得到不同尺度下的均质地域光谱单元。分割后均质地域光谱单元具备了输入层(特征)数据的属性，不同尺度下的分割是实现生物量在不同尺度下快速转换的关键，为后续得到各尺度下的生物量估算结果奠定基础。
步骤4.各尺度下的生物量估算
步骤4.1反演模型的确定。基于随机森林回归构建面向均质地域光谱单元的生物量估算模型。
步骤4.2自变量和因变量的确定。将实地采集样点的生物量值当作样点所在均质地域光谱单元的生物量值，如同一个均质地域光谱单元包含多个生物量样点，则取生物量样点的均值当作该均质地域光谱单元的生物量。取均质地域光谱单元的属性值当作自变量，其生物量值当作因变量。
步骤4.3模型主要参数的设定。主要有以下6个重要参数需要设置和调试：①模型中建立回归树的个数，默认值是200。②在每个结点，需进行验证的变量个数。③进度报告的频率。④追踪近端案例数。⑤自举样本量。⑥父结点最少事件数。研究表明，只要建立足够的回归树，该模型对其它参数就不再敏感。实际应用中，可设置较大的回归树个数，其它参数选择默认配置。
步骤4.4生物量估算及精度评定。基于样点的生物量值和特征值，利用随机森林回归模型，分别反演不同尺度下的生物量，进而实现各尺度下的生物量转换。基于随机森林建模时预留的袋外数据，通过均方根误差和决定系数进行模型精度评价。
以下是采用上述方法的一个具体实施例。
1.选取一块沿海生态用地为研究区，获取研究区的高光谱高分辨率影像、激光雷达点云数据、植被类型数据、土地利用类型、土壤类型矢量数据、站点气象数据。
2.基于高光谱高分辨率数据的光谱反射率进行导数等15种数学函数变换，EVI等10种植被指数计算和最小噪声分离变换。基于皮尔逊相关性分析，选取与生物量相关性高的光谱特征。基于激光雷达点云数据，得到数字表面模型(DEM)和冠层高度模型(CHM)，以表征地面的高程特征和植被高度特征。将植被类型矢量、土壤类型矢量数据、站点气象数据进行栅格化、几何校正、投影转换、重采样等预处理，并将所有收集到的数据统一到相同的地理参考下。鉴于气候和土壤类型等两类特征在本研究区内几乎不变，因此，除气候和土壤，最终共筛选出15个特征参与均质地域光谱单元的分割(如图图2所示)。
3.利用eCognition软件执行多尺度分割算法。输入参数层包括(1/expR12)’(479nm)、(1/expR19)’(562nm)、(1/expR35)’(714nm)、ARVI、NDVI、RVI、VARI、MNF1、MNF2、MNF3、土壤类型数据、植被类型数据、DEM、CHM、Slope和土地利用矢量。色彩和形状因子分别设为0.8和0.2，紧致度因子和平滑度因子统一设为0.5。以10为间隔，设置尺度参数从10到100，得到10个尺度下的均质地域光谱单元(如图3所示)。
4.利用Salford Predictive Modeler软件执行随机森林回归模型。回归树设置为500，其他参数设为默认或者自动，实现面向均质地域光谱单元10种尺度下的生物量估算。
本发明还提供了一种面向均值地域光谱单元的地上生物量估算和尺度转换系统，主要包括：
遥感地学认知知识的表达模块，用于获取多源数据，包括影响和反映植被长势、分布和生物量积累相关的遥感数据、地学数据、气象数据、土地利用数据、植被类型数据、土壤类型数据；
特征的挖掘与筛选模块，用于从获取的多源数据中分析计算数据的多个特征，并进一步通过皮尔逊相关性分析，筛选出与样点的生物量相关性较高的光谱特征，以及筛选能影响和反映植被长势、分布和生物量积累相关的特征；
均质地域光谱单元的分割模块，用于将筛选的多个特征分别作为不同的输入层；选取自下而上区域合并的多尺度分割模型，并进行分割模型的参数设置，根据需求改变分割尺度参数，得到不同尺度下的均质地域光谱单元；
各尺度下的生物量估算模块，具体又包括：
模型的选定模块，用于基于随机森林回归算法构建面向均质地域光谱单元的生物量估算模型。
自变量和因变量的确定模块，用于将特征值当作自变量，将实地采集样点的生物量值当作样点所在均质地域光谱单元的生物量值，并当作因变量。
生物量估算模型主要参数的设定模块，具体用于①模型中建立回归树的个数；②在每个结点，进行验证的变量个数；③进度报告的频率；④追踪近端案例数；⑤自举样本量；⑥父结点最少事件数；
生物量估算及精度评定模块，用于基于样点的生物量值和特征值，利用随机森林回归模型，分别反演不同尺度下的生物量，进而实现各尺度下的生物量转换。
本发明还提供了一种计算机可读存储介质，其具有可被处理器执行的计算机程序，该计算机程序执行上述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的步骤。
本发明集成激光雷达数据、高光谱高分辨率数据、地形地貌数据、植被类型数据、气象数据、土地利用数据等多源数据，基于多尺度分割技术和随机森林回归模型，实现了面向均值地域光谱单元的生物量估算和不同尺度下的快速转换。
此外，本发明应用方便、快捷。在前期，只需对源数据进行预处理和特征提取，在后期，基于多尺度分割技术即可得到任意尺度下的均质地域光谱单元，为实现不同尺度下的生物量快速估算和转换奠定基础；进一步地，各尺度下的生物量估算仅使用一套源数据即可实现，这消除了不同分辨率遥感影像在传感器参数、获取时间、预处理方法等方面不一致的影响。另外，在面向均质地域光谱单元的生物量估算中，融合了光谱、纹理、海拔、坡度、气温、降水、土壤类型、植被类型、土地利用等多源信息，该方法弥补了仅使用光学影像的局限性，贴近人类对自然事物的认知，同时，估算结果避免了基于像元估算结果中的“椒盐现象”。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种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，其特征在于，主要包括以下步骤：
步骤1. 遥感地学认知知识的表达
获取多源数据，包括影响和反映植被长势、分布和生物量积累相关的遥感数据、地学数据、气象数据、土地利用数据、植被类型数据、土壤类型数据；
步骤2. 特征的挖掘与筛选
从获取的多源数据中分析计算数据的多个特征，并进一步通过皮尔逊相关性分析，筛选出与样点的生物量相关性较高的光谱特征，以及筛选能影响和反映植被长势、分布和生物量积累相关的特征；
步骤3 均质地域光谱单元的分割
将筛选的多个特征分别作为不同的输入层；选取自下而上区域合并的多尺度分割模型，并进行分割模型的参数设置，根据需求改变分割尺度参数，得到不同尺度下的均质地域光谱单元；
步骤4. 各尺度下的生物量估算
步骤 4.1 模型的选定，基于随机森林回归算法构建面向均质地域光谱单元的生物量估算模型；
步骤4.2 自变量和因变量的确定，将特征值当作自变量，将实地采集样点的生物量值当作样点所在均质地域光谱单元的生物量值，并当作因变量；
步骤4.3 生物量估算模型主要参数的设定，包括① 模型中建立回归树的个数；② 在每个结点，进行验证的变量个数；③进度报告的频率；④追踪近端案例数；⑤自举样本量；⑥父结点最少事件数；
步骤4.4 生物量估算及精度评定，基于样点的生物量值和特征值，利用随机森林回归模型，分别反演不同尺度下的生物量，进而实现各尺度下的生物量转换。
2.根据权利要求1所述的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，其特征在于，还包括步骤5：基于随机森林建模时预留的袋外数据，通过均方根误差和决定系数进行模型精度评价。
3.根据权利要求1所述的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，其特征在于，步骤2具体包括以下步骤：
步骤2.1 光谱纹理特征的挖掘，采集研究区高光谱高分辨率数据，对光谱反射率进行多种数学函数变换、植被指数计算、最小噪声分离变换以深度挖掘地表植被反射的光谱和纹理特征；
步骤2.2 地形地貌特征的挖掘，采集研究区激光雷达点云数据，提取数字高程模型以表征地面的高程特征，提取数字表面模型以包含地表建筑物和树木的地上附属物的地面高程特征，提取冠层高度模型以表征地上附属物的高度特征，以及提取研究区的坡度特征；
步骤2.3 气象特征的挖掘，收集研究区的站点气象数据，包括月累计降水数据、月均气温数据；通过降水和气温数据计算得到研究区的干燥度；通过空间内插、重采样等预处理得到整个研究区的三个气象特征；
步骤2.4 土地利用、植被类型等其它特征的挖掘，收集研究区土地利用类型矢量、植被类型分布矢量、土壤类型矢量；通过栅格化、重采样、投影转换的预处理得到整个研究区的植被分类栅格数据和土壤类型栅格数据。
4.根据权利要求1所述的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，其特征在于，步骤3具体包括以下步骤：
步骤3.1 确定分割输入层，输入层包括与生物量相关性较高的光谱特征和地形地貌、气象、土地利用、土壤类型、植被类型的影响和反映植被长势、分布和生物量积累相关的特征；
步骤3.2 确定分割模型，采用自下而上区域合并的多尺度分割模型进行均质地域光谱单元的分割；
步骤3.3 主要参数设置，包括：① 分隔尺度；② 各输入层（特征）参与分割的权重；③均质性阈值：形状因子权重和色彩因子权重；④ 形状因子权重：平滑性因子权重和紧致度因子权重；
步骤3.4 不同尺度下的均质地域光谱单元分割，根据需求改变分割尺度参数，得到不同尺度下的均质地域光谱单元。
5.一种面向均值地域光谱单元的地上生物量估算和尺度转换系统，其特征在于，主要包括：
遥感地学认知知识的表达模块，用于获取多源数据，包括影响和反映植被长势、分布和生物量积累相关的遥感数据、地学数据、气象数据、土地利用数据、植被类型数据、土壤类型数据；
特征的挖掘与筛选模块，用于从获取的多源数据中分析计算数据的多个特征，并进一步通过皮尔逊相关性分析，筛选出与样点的生物量相关性较高的光谱特征，以及筛选能影响和反映植被长势、分布和生物量积累相关的特征；
均质地域光谱单元的分割模块，用于将筛选的多个特征分别作为不同的输入层；选取自下而上区域合并的多尺度分割模型，并进行分割模型的参数设置，根据需求改变分割尺度参数，得到不同尺度下的均质地域光谱单元；
各尺度下的生物量估算模块，具体又包括：
模型的选定模块，用于基于随机森林回归算法构建面向均质地域光谱单元的生物量估算模型；
自变量和因变量的确定模块，用于将特征值当作自变量，将实地采集样点的生物量值当作样点所在均质地域光谱单元的生物量值，并当作因变量；
生物量估算模型主要参数的设定模块，具体用于① 模型中建立回归树的个数；② 在每个结点，进行验证的变量个数；③进度报告的频率；④追踪近端案例数；⑤自举样本量；⑥父结点最少事件数；
生物量估算及精度评定模块，用于基于样点的生物量值和特征值，利用随机森林回归模型，分别反演不同尺度下的生物量，进而实现各尺度下的生物量转换；基于随机森林建模时预留的袋外数据，通过均方根误差和决定系数进行模型精度评价。
6.一种计算机可读存储介质，其特征在于，其具有可被处理器执行的计算机程序，该计算机程序执行如权利要求1-4中任一项所述的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的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810895872.7A CN109063657B (zh) | 2018-08-08 | 2018-08-08 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810895872.7A CN109063657B (zh) | 2018-08-08 | 2018-08-08 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109063657A true CN109063657A (zh) | 2018-12-21 |
| CN109063657B CN109063657B (zh) | 2021-10-15 |
Family
ID=64678591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810895872.7A Expired - Fee Related CN109063657B (zh) | 2018-08-08 | 2018-08-08 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063657B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583516A (zh) * | 2018-12-24 | 2019-04-05 | 天津珞雍空间信息研究院有限公司 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
| CN109657363A (zh) * | 2018-12-24 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种时空连续的pm2.5反演方法 |
| CN109856021A (zh) * | 2018-12-24 | 2019-06-07 | 天津珞雍空间信息研究院有限公司 | 一种pm2.5反演方法及监测区域分割方法 |
| CN110174504A (zh) * | 2019-06-12 | 2019-08-27 | 北京师范大学 | 土壤呼吸的估测方法、装置、设备及存储介质 |
| 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 |
| CN114076955A (zh) * | 2021-09-27 | 2022-02-22 | 农业农村部规划设计研究院 | 一种基于高分一号卫星数据识别倒伏玉米的方法 |
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100107487A1 (en) * | 2008-10-22 | 2010-05-06 | Holland Alexandra D | Methods for estimating intrinsic autotrophic biomass yield and productivity in unicellular photosynthetic algae |
| 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 |
| 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 |
| CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
-
2018
- 2018-08-08 CN CN201810895872.7A patent/CN109063657B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100107487A1 (en) * | 2008-10-22 | 2010-05-06 | Holland Alexandra D | Methods for estimating intrinsic autotrophic biomass yield and productivity in unicellular photosynthetic algae |
| 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 |
| 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 |
| CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| VAN A J A N 等: "Forest Volume and Biomass Estimation Using Small-Footprint Lidar-Distributional Parameters on a Per-Segment Basis", 《FOREST SCIENCE》 * |
| 段祝庚 等: "基于遥感的区域尺度森林地上生物量估算研究", 《武汉大学学报(信息科学版)》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583516A (zh) * | 2018-12-24 | 2019-04-05 | 天津珞雍空间信息研究院有限公司 | 一种基于地基和卫星观测的时空连续pm2.5反演方法 |
| CN109657363A (zh) * | 2018-12-24 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种时空连续的pm2.5反演方法 |
| CN109856021A (zh) * | 2018-12-24 | 2019-06-07 | 天津珞雍空间信息研究院有限公司 | 一种pm2.5反演方法及监测区域分割方法 |
| CN109856021B (zh) * | 2018-12-24 | 2021-10-12 | 天津珞雍空间信息研究院有限公司 | 一种pm2.5反演方法及监测区域分割方法 |
| CN109657363B (zh) * | 2018-12-24 | 2023-11-24 | 武汉大学 | 一种时空连续的pm2.5反演方法 |
| CN110174504A (zh) * | 2019-06-12 | 2019-08-27 | 北京师范大学 | 土壤呼吸的估测方法、装置、设备及存储介质 |
| 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 |
| 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 |
| CN114076955A (zh) * | 2021-09-27 | 2022-02-22 | 农业农村部规划设计研究院 | 一种基于高分一号卫星数据识别倒伏玉米的方法 |
| CN114076955B (zh) * | 2021-09-27 | 2022-07-19 | 农业农村部规划设计研究院 | 一种基于高分一号卫星数据识别倒伏玉米的方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109063657B (zh) | 2021-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063657A (zh) | 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 | |
| Quattrochi et al. | Image characterization and modeling system (ICAMS): a geographic information system for the characterization and modeling of multiscale remote sensing data | |
| Žížala et al. | Mapping soil degradation using remote sensing data and ancillary data: South-East Moravia, Czech Republic | |
| Leinenkugel et al. | Characterisation of land surface phenology and land cover based on moderate resolution satellite data in cloud prone areas—A novel product for the Mekong Basin | |
| Kumar et al. | Remote sensing for agriculture and resource management | |
| Kamal et al. | Assessment of multi-resolution image data for mangrove leaf area index mapping | |
| Wang et al. | Evaluation of the MODIS LAI algorithm at a coniferous forest site in Finland | |
| Lu et al. | Mapping vegetation biophysical and biochemical properties using unmanned aerial vehicles-acquired imagery | |
| CN103364781B (zh) | 基于遥感数据与地理信息系统的粮田地面参照点筛选方法 | |
| Sommer et al. | Hierarchical data fusion for mapping soil units at field scale | |
| Tang et al. | LAI inversion algorithm based on directional reflectance kernels | |
| Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
| Pawluszek | Landslide features identification and morphology investigation using high-resolution DEM derivatives | |
| Véga et al. | Mapping site index and age by linking a time series of canopy height models with growth curves | |
| Bertone et al. | Incorporating InSAR kinematics into rock glacier inventories: insights from 11 regions worldwide | |
| CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| Broussard III et al. | Quantifying vegetation and landscape metrics with hyperspatial unmanned aircraft system imagery in a coastal oligohaline marsh | |
| Barnetson et al. | Mapping woody vegetation cover across Australia's arid rangelands: Utilising a machine-learning classification and low-cost Remotely Piloted Aircraft System | |
| Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
| Wu et al. | Remotely sensed estimation and mapping of soil moisture by eliminating the effect of vegetation cover | |
| Mishra et al. | Relating spatial patterns of fractional land cover to savanna vegetation morphology using multi-scale remote sensing in the Central Kalahari | |
| Barbier et al. | Attenuating the bidirectional texture variation of satellite images of tropical forest canopies | |
| Wang et al. | Soil moisture retrieval from sentinel-1 and sentinel-2 data using ensemble learning over vegetated fields | |
| AU2021101780A4 (en) | Aboveground Biomass Estimation and Scale Conversion for Mean Regional Spectral Units |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211015 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |