CN110109118B - 一种森林冠层生物量的预测方法 - Google Patents
一种森林冠层生物量的预测方法 Download PDFInfo
- Publication number
- CN110109118B CN110109118B CN201910470688.2A CN201910470688A CN110109118B CN 110109118 B CN110109118 B CN 110109118B CN 201910470688 A CN201910470688 A CN 201910470688A CN 110109118 B CN110109118 B CN 110109118B
- Authority
- CN
- China
- Prior art keywords
- forest
- scattering
- biomass
- model
- crown
- 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
Links
Images
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于森林资源监测技术领域,具体涉及一种森林冠层生物量的预测方法。本发明通过对SAR数据进行Yamaguchi三分量极化分解,得到体散射分量、二次散射分量和表面散射分量,并在此基础上构建了冠‑地散射比参数,利用体散射分量、二次散射分量、表面散射分量和冠‑地散射比四项参数构建冠层生物量预测模型。相比于单纯的极化分解分量,本发明所用冠‑地散射比值参数对冠层生物量敏感性更高,构建所得冠层生物量的预测模型更为可靠,能够准确预测森林冠层生物量。
Description
技术领域
本发明属于森林资源监测技术领域,具体涉及一种森林冠层生物量的预测方法。
背景技术
森林生物量是指单位面积森林群落在一定时间内累积的有机质总量,生物量可以直接反映森林植被的固碳现状,是评价森林生态系统结构、功能和生产力的重要指标之一,也是对森林资源进行清查、规划和管理的依据。树冠是树木的光合作用、呼吸作用和蒸腾作用主要发生场所,影响树木的生长和变化;森林群落的树冠组成的集合体被称为森林冠层,单位面积森林群落内树冠在一定时间内累积的有机质总量为冠层生物量。冠层生物量对环境变化十分敏感,在一定程度上可以影响森林生态系统的生产力,因此,成为森林生物量研究的重要内容。
传统的树冠生物量估算通常采用平均枝法或标准枝法(Ibrahim,1995),这种方法存在着测定困难、耗时耗力等问题,而且叶片水分损失较快也造成了难以估计的误差(刘琪璟,2009;Son et al.,2001)。随着遥感技术的不断发展,快速、准确、大范围地估算冠层生物量成为可能,传统光学遥感估测冠层生物量的研究已十分成熟(Curran et al.,1992;马泽清等,2008;闵志强等,2010),但光学遥感只与叶生物量发生反应,且在生物量较高时具有局限性(Sinha et al.,2015),无法实现对森林冠层生物量的准确测定。
与传统光学遥感相比,合成孔径雷达(Syntheti cAperture Radar,SAR)波长较长,对树冠具有一定穿透能力,尤其是高频率SAR(X波段或C波段)获得的主要为冠层中枝、叶的散射信息(Santoro et al.,2007),能够获得丰富的冠层信息;同时,SAR可以穿透云层和一定程度的雨区,具有全天时全天候观测能力(陈尔学,1999),因此,如何利用SAR数据对森林冠层生物量进行准确预测,具有十分重要的研究价值。
发明内容
本发明的目的在于提供一种森林冠层生物量的预测方法,本发明提供的预测方法可靠性高。
为了实现上述目的,本发明提供如下技术方案:
本发明提供了一种森林冠层生物量的预测方法,包括以下步骤:
(1)获取森林数据:所述森林数据包括实测数据和SAR源数据;
(2)构建森林冠层生物量预测模型,包括以下步骤:
将森林样地的SAR源数据进行预处理,得到极化相干矩阵;
利用Yamaguchi三分量极化分解法对所述极化相干矩阵进行分解,得到极化分解分量;
利用实测数据对极化分解分量进行相关性验证,确定与森林冠层生物量相关的极化分解分量;所述确定的极化分解分量包括体散射分量、二次散射分量和表面散射分量;
利用确定的极化分解分量构建冠-地散射比;所述冠-地散射比为:
式e中,R1表示冠-地散射比,PV表示体散射功率,PD表示二次散射功率,PS表示表面散射功率;
以所述极化分解分量和冠-地散射比为自变量,以森林冠层生物量为因变量,采用逐步回归法对模型进行优化,得到森林冠层生物量预测模型;
(3)利用所述森林冠层生物量预测模型对待测森林区的森林冠层生物量进行预测。
优选的,所述步骤(1)中实测数据包括胸径参数、树高参数和冠幅参数,所述实测数据为胸径≥5cm森林样地树木的测试数据。
优选的,所述步骤(2)中预处理包括依次进行的辐射定标处理、多视处理、滤波处理和正射校正处理。
优选的,进行所述多视处理时,将方位向和距离向的视数分别设置为2;
所述滤波处理通过Refined Lee软件进行,滤波窗口设置为7;
所述正射校正处理以AW3D30数字高程模型作为地形数据。
优选的,所述步骤(2)中Yamaguchi三分量极化分解法的模型如式1所示:
<[T3]>=fS<[T3]>S+fD<[T3]>D+fV<[T3]>V 式1;
式1中,fS、fD、fV为展开系数,<[T3]>表示极化相干矩阵,<[T3]>S表示表面散射的散射模型、<[T3]>D表示二次散射的散射模型、<[T3]>V表示体散射的散射模型。
优选的,所述步骤(2)中相关性验证的方法包括:
提取森林样地对应SAR数据信息,结合森林样地冠层生物量,得到森林样地极化分解分量与冠层生物量的关系模型。
优选的,提取森林样地对应SAR数据信息时,采用八邻域平均法或四邻域平均法进行提取。
优选的,所述步骤(2)的优化后,还包括对优化所得模型进行评价,所述评价的方法为留一交叉验证法。
优选的,所述评价的指标包括决定系数和均方根误差。
优选的,所述森林冠层生物量预测模型如式2所示:
lgW冠=m+kR1 式2;
式2中,W冠表示冠层生物量,R1表示冠-地散射比参数,m为常数,k为冠-地散射比系数。
本发明通过对SAR数据进行Yamaguchi三分量极化分解,得到体散射分量、二次散射分量和表面散射分量,并在此基础上构建了冠-地散射比参数,利用体散射分量、二次散射分量、表面散射分量和冠-地散射比四项参数为自变量,森林冠层生物量为因变量,通过逐步回归法构建冠层生物量预测模型;相比于单纯的极化分解分量,本发明所用冠-地散射比值参数对冠层生物量敏感性更高,构建所得冠层生物量的预测模型更为可靠,能够准确预测森林冠层生物量。
附图说明
图1为本发明实施例测定区域所在位置;
图2为本发明实施例的样地分布图;
图3为本发明实施例极化分解分量和冠层生物量散点图;
图4为本发明实施例所得实测值-模型预测值散点图;
图5为本发明实施例所得实测值-模型预测值标准残差。
具体实施方式
本发明提供了一种森林冠层生物量的预测方法,包括以下步骤:
(1)获取森林数据:所述森林数据包括实测数据和SAR源数据;
(2)构建森林冠层生物量预测模型,包括以下步骤:
将森林样地的SAR源数据进行预处理,得到极化相干矩阵;
利用Yamaguchi三分量极化分解法对所述极化相干矩阵进行分解,得到极化分解分量;
利用实测数据对极化分解分量进行相关性验证,确定与森林冠层生物量相关的极化分解分量;所述确定的极化分解分量包括体散射分量、二次散射分量和表面散射分量;
利用确定的极化分解分量构建冠-地散射比;所述冠-地散射比为:
式e中,R1表示冠-地散射比,PV表示体散射功率,PD表示二次散射功率,PS表示表面散射功率;
以所述极化分解分量和冠-地散射比为自变量,以森林冠层生物量为因变量,采用逐步回归法对模型进行优化,得到森林冠层生物量预测模型;
(3)利用所述森林冠层生物量预测模型对待测森林区的森林冠层生物量进行预测。
本发明先获取森林数据,为构建森林冠层生物量预测模型提供基础。在本发明中,所述森林数据包括实测数据,所述实测数据通过检尺测量得到。在本发明中,所述实测数据优选包括胸径(DBH)参数、树高(H)参数和冠幅参数(CW),所述树木优选为胸径≥5cm的树木。在本发明中,所述胸径指距离地面高度为1.3m处树木的直径。在本发明中,所述胸径参数、树高参数和冠幅参数优选为平均值,更优选为以林分为单位的平均值。以胸径参数为例,林分平均胸径(Ds)通过如下方式a计算得到:
式a中,N表示林分内林木总株数,di表示第i株林木的胸径。
本发明优选通过标准差对胸径参数、树高参数和冠幅参数进行表征,以体现不同林分树木生长特点。在本发明中,林分胸径参数的标准差为1~7.01;林分树高参数的保证差为0.8~10;冠幅参数的标准差0.1~1以内。
在本发明中,所述森林数据还包括SAR源数据,所述SAR源数据指合成孔径雷达数据,具体可为经GF-3合成孔径雷达获取的C波段全极化单视复数数据。在本发明具体实施过程中,所述SAR数据优选为辐射定标产品,所述辐射定标产品的级数为1级(L1级单视复数SLC影像),记录方式为16bit复数形式,中心入射角29.7°,中心点坐标41°42′N,118°12′E,方位向分辨率5.3m,距离向分辨率4.5m,幅宽30km×30km。
获取森林数据后,本发明利用获取的森林数据,构建森林冠层生物量预测模型,构建方法包括以下步骤:
本发明将森林样地的源数据进行预处理,得到极化相关矩阵。在本发明中,所述森林样地优选为林分整齐、受干扰小的地区,以使森林样地能够代表森林整体区域的情况。本发明所述受干扰小的地区指受人为因素影响小的林区,在具体实施过程中,可以选择避开林地边缘和道路的林区。本发明所述林分指内部特征大体一致而与邻近地段有明显区别的一片林子。在本发明中,所述森林样地的数目优选根据森林区域整体的占地面积和树木种类的多少确定,以使森林样地能够客观反映森林树木的生长情况为准。在本发明具体实施过程中,所述森林样地的数目为5~7个/万公顷,9~11个/树种类别。在本发明中,单个森林样地优选为块状区域,所述块状区域的边长优选为20~30m,更优选为24~28m;相邻两个森林样地的边长可以相同,也可以不同。
在本发明中,确定森林样地数目前,优选采用RTK技术(载波相位差技术)对待测定森林区域进行定位,以得到待测定森林区域的整体生长状况,为确定森林样地的数目和分布提供依据。在本发明中,使用RTK对待测定森林区域进行定位时,优选对待测定森林区域的中心点及四个角点进行定位,以得到全面的待测定森林区域的树木信息。
确定森林样地后,本发明对所述森林样地的SAR源数据进行预处理,以消除辐射误差。本发明中,所述预处理优选包括依次进行的辐射定标处理、多视处理、滤波处理和正射校正处理。
在本发明中,所述辐射定标处理过程中,定标系数优选根据数据头文件设置,进一步优选根据数据头文件中的卫星轨道信息和传感器的参数信息进行设置。在本发明具体实施过程中,所述辐射定标处理优选通过PolSARpro软件对SAR数据进行处理,获得SAR的后向散射矩阵。
辐射定标处理后,本发明优选对所述辐射定标处理后得到的数据进行多视和滤波处理。本发明优选通过多视处理和滤波压制SAR图像固有的斑点噪声。多视处理时,本发明优选将方位向和距离向的视数设置为2,该视数能使处理后像元接近方形,且尽量与样地大小相匹配。在本发明中,所述滤波优选通过Refined Lee方法进行,滤波窗口优选设置为7;
滤波处理后,本发明优选对滤波处理后的数据进行正射校正。本发明优选采用AW3D(ALOS World 3D)数据对滤波处理后的数据(滤波处理后所得SAR图像)进行正射校正,以消除地形对SAR图像的影响。本发明所述AW3D3指日本宇宙航空研究开发机构和日本遥感技术中心联合研制的全新一代高分辨率DEM,数据集水平分辨率约30m,高程精度优于5m。在本发明中,正射校正后SAR数据空间分辨率为10m。
正射校正过程中,本发明优选对SAR图像进行地理编码,并将SAR图像的坐标系统转化为投影坐标,以得到可直接用来提取参数的SAR图像,即极化相干矩阵。转化时,本发明优选采用WGS84(world geodetic system-1984)地理坐标系和UTM(universal transversemercator projection)的50N投影坐标系进行转化。
得到极化相干矩阵后,本发明利用Yamaguchi三分量极化分解法对所述极化相干矩阵进行分解,得到极化分解分量。本发明所述Yamaguchi三分量极化分解法是一种基于物理实际的三分量散射机制模型,该模型是一种非相干极化分解方法,利用这种分解方法能对森林植被的后向散射进行准确的解译。在本发明中,所述Yamaguchi三分量极化分解法能将森林的后向散射数据分解为三个在统计上独立不相关的分量:体散射分量、二次散射分量和表面散射分量;所述体散射分量代表冠层的直接散射,二次散射分量代表地面与树干间的二面角反射,表面散射分量代表地面的直接单次后向散射。
在本发明中,所述Yamaguchi三分量极化分解法的模型优选如式1所示:
<[T3]>=fS<[T3]>S+fD<[T3]>D+fV<[T3]>V 式1;
式1中,<[T3]>表示极化相干矩阵;fS、fD、fV为展开系数,<[T3]>S、<[T3]>D、<[T3]>V分别为表面散射的散射模型、二次散射的散射模型和体散射的散射模型。在本发明中,式1所示的展开系数根据所选模型和实际情况确定,通常利用商品化软件直接获得,这为本领域技术人员所熟知。
在本发明中,所述表面散射的散射模型为关于表面散射功率(PS)的表达式,具体如式1-1所示:
所述二次散射的散射模型为关于二次散射功率(PD)的表达式,具体如式1-2所示:
α为矩阵简化后的参数,RTH和RTV分别表示垂直树干表面对水平极化波和垂直极化波的反射系数,RGH和RGV分别表示水平地面的反射系数,和为引入的传播因子,γH和γV代表电磁波传播过程中的各种衰减和相位变化的影响,所述α的参数取值按照本领域技术人员熟知的方式确定即可。
所述体散射的散射模型为关于体散射功率(PV)的表达式,具体如式1-3所示:
式1~3中,γ为矩阵优化后的自适应参数,该参数的引入使得体散射模型能够更准确的与实际情况进行拟合,所述γ的取值采用本领域技术人员熟知的方式即可。
得到极化分解分量后,本发明利用实测数据对极化分解分量进行相关性验证,确定与森林冠层生物量相关的极化分解分量。在本发明中,所述相关性验证的方法优选包括:
提取森林样地对应SAR数据信息,结合森林样地冠层生物量,得到森林样地极化分解分量与冠层生物量的关系模型。
在本发明中,提取森林样地对应的SAR数据信息(遥感信息)时,先根据森林样地中心点坐标,将森林样地冠层生物量数据与SAR数据信息一一对应,得到用于提取的SAR数据(像元值)。在本发明中,所述森林样地面积优选为0.0625hm2,SAR数据像元大小优选为10m,提取森林样地对应的SAR数据信息时,优选采用八邻域平均法提取或四邻域平均法,更优选为八邻域法。在本发明中,所述八邻域平均法指:将森林样地中心点对应像元和相邻8个像元的像元值求平均;所述四邻域平均法指:将森林样地中心点对应像元和相邻4个像元的像元值求平均。
在本发明中,所述相关性验证指通过相关系数来表示两个变量之间关联程度的一种统计方法。本发明所述相关性验证优选包括极化分解分量与森林冠层生物量之间的相关性验证,具体为体散射分量与森林冠层生物量之间的相关性验证、二次散射分量与森林冠层生物量之间的相关性验证和表面散射分量与森林冠层生物量之间的相关性验证。
在进行相关性验证时,本发明优选将森林冠层生物量和极化分解分量分别进行以10为底的对数变换,然后将变换后的森林冠层生物量数据和极化分解分量进行相关性分析,绘制散点图进行直观评价,计算相关系数,从而确定变换后的冠层生物量与极化分解分量之间的线性关系。
在本发明中,进行相关性验证过程中所用森林冠层生物量的获取方法如下:获取森林样地的单木树冠生物量;利用森林样地的单木树冠生物量得到森林样地所有树木树冠生物量,结合森林样地面积,得到森林冠层生物量。
在本发明中,所述森林样地单木树冠生物量通过将单木枝生物量和单木叶生物量求和得到,所述单木枝生物量和单木叶生物量优选通过将单木的胸径参数和/或树高参数代入至单木树冠生物量模型得到;所述单木树冠生物量模型优选包括单木枝生物量模型和单木叶生物量模型得到。
以油松和华北落叶松为例,所述油松单木树冠生物量模型优选包括油松单木枝生物量模型(式b1)和油松单木叶生物量模型(式b2);所述华北落叶松单木树冠生物量模型优选包括华北落叶松单木枝生物量模型(式c1)和华北落叶松单木叶生物量模型(式c2),
lnW=-4.67629+0.912519ln(D2H) 式b1;
lnW=-3.85641+0.763557ln(D2H) 式b2;
lnW=-3.1702+1.8504lnD 式c1;
lnW=-2.3498+1.4522lnD 式c2;
式b1、b2、c1和c2中,W表示生物量,D表示胸径参数,H表示树高参数。在本发明中,以确定系数表征生物量模型的准确程度,所述式b1的确定系数为0.865,所述式b2的确定系数为0.830,所述式c1的确定系数为0.848,所述式c2的确定系数为0.723。本发明优选通过上述模型,得到准确的单木生物量。
得到单木树冠生物量后,本发明将所有单木树冠生物量进行求和,得到森林样地所有树木树冠生物量。本发明对所述求和的方式没有特殊要求,采用本领域技术人员熟知的方式即可。
得到森林样地所有树木树冠生物量后,本发明利用所述森林样地所有树木树冠生物量,结合森林样地面积,得到森林样地的冠层生物量。本发明以森林样地所有树木树冠生物量与森林样地面积的比作为森林样地冠层生物量,单位为t/hm2,其中hm表示百米。
在本发明中,所述相关性验证指构建冠层生物量与极化分解分量之间的线性关系,具体包括森林冠层生物量与体散射分量之间的线性关系(如式d1所示)、森林冠层生物量与二次散射分量之间的线性关系(如式d2所示)、森林冠层生物量与表面散射分量之间的线性关系(如式d3所示)。在本发明中,所述体散射分量、二次散射分量和表面散射分量分别以体散射分量功率、二次散射功率和表面散射功率表示。在本发明中,式d1~d3的表达式为:
lgW冠=kV·lgPV 式d1;
lgW冠=kD·lgPD 式d2;
lgW冠=kS·lgPS 式d3;
式d1~d3中,W冠表示森林冠层生物量,PV表示体散射功率,PD表示二次散射功率,PS表示表面散射功率,kV表示体散射分量-森林冠层生物量线性关系系数,kD表示二次散射分量-森林冠层生物量线性关系系数,kS表示表面散射分量-森林冠层生物量线性关系系数。
在本发明具体实施例中,kV为-0.68,kD为-0.60,kS为-0.42。
本发明通过对极化分解分量与冠层生物量之间的相关性进行验证分析,确定三个极化分解分量与冠层生物量之间是否有显著关联,以此作为是否参与森林冠层生物量预测模型构建过程的判断依据。在本发明中,是否“显著关联”优选通过相关系数确定,当P值小于0.05时,视为“显著关联”,可参与森林冠层生物量预测模型的构建,反之,则不参与森林冠层生物量预测模型的构建。
本发明通过相关性分析确定:所有分量在0.01水平上与冠层生物量显著相关,说明三个极化分解分量均与森林冠层生物量存在显著相关的关系,可以用于森林冠层生物量预测模型的构建。
进行相关性验证后,本发明利用确定的极化分解分量构建冠-地散射比。在本发明中,所述确定的极化分解分量包括体散射分量、二次散射分量和表面散射分量,所述冠-地散射比如式e所示:
式e中,R1表示冠-地散射比,PV表示体散射功率,PD表示二次散射功率,PS表示表面散射功率。
相对于单纯的极化分解分量而言,本发明所述冠-地散射比参数对森林冠层生物量敏感性更高,更能准确反应森林冠层的生物量,提高森林冠层生物量预测的准确性。
构建冠-地散射比后,本发明以所述极化分解分量和冠-地散射比为自变量,以森林冠层生物量为因变量,采用逐步回归法选取最优参数,得到森林冠层生物量预测模型。
在本发明中,所述森林冠层生物量预测模型通过逐步回归的方法构建,具体是将自变量(体散射分量、表面散射分量、二次散射分量和冠-地散射比)逐个引入基础模型中,对每一个引入的自变量(也称解释变量)进行显著性检验,保留显著变量,当引入的新变量使得原变量变得不再显著时,剔除原变量,逐步回归获得最优模型。本发明对所述自变量的引入顺序没有特殊要求,根据所用软件确定即可。在本发明具体实施过程中,优选利用SPSS软件构建模型,构建过程中,将参数统一输入至SPSS软件中即可。
在本发明中,所述“不再显著”指引入新的变量后,模型中原有的参数未通过显著性检验,此时判断为不再显著,需要从模型中剔除。本发明对所述显著性检验方法没有特殊要求,采用本领域技术人员熟知的即可。在本发明具体实施过程中,所述显著性检验优选包括T检验和F检验,所述T检验的检验对象为模型参数,所述F检验的检验对象为模型整体,所述显著性检验可通过p值来确定是否显著,当p值小于0.05时,通过显著性检验。
采用逐步回归法对模型进行优化后,还包括对优化所得模型进行评价,所述评价的方法为留一交叉验证法。在本发明中,所述留一交叉验证法优选为:将森林样地数据中的一个作为验证样本,其余森林样地数据作为训练样本用于建模;然后更换验证样本,利用其余森林样地数据作为循环样本进行建模,重复该过程,直至每一个森林样地数据均作为验证样本使用,记录所有交叉验证结果,作为评价模型是否优劣的依据。本发明优选采用留一交叉验证法进行验证,能够实现模型真实拟合能力的无偏估计,也不会造成数据浪费,而且检验过程中所得模型与使用全部数据所得模型基本一致。
在本发明中,对所构建的模型进行评价时,评价的指标优选包括决定系数(R2)和均方根误差(RSME)。在本发明中,所述决定系数优选为0~1;在这一范围内,数值越大,模型的准确性越好;所述均方根误差没有固定的范围,数值越小,模型的准确性越好。需要说明的是,决定系数和均方根误差两项评价指标并不能说明所得模型是否合格,只是对模型的优劣进行评价,评价时两者是并列的关系,同时进行评价。
在本发明中,所述森林冠层生物量预测模型中优选包括常量参数和R1参数,非标准化系数是模型中参数的系数,T检验值和显著性系数用于确定模型参数是否显著,共线性容差用于确定模型参数是否具有多重共线性;非标准化系数、T检验值、显著性系数、共线性容差的值均由逐步回归过程确定;其中,T检验值的可接受范围由查表获得,不同模型范围不同,需要根据实际情况确定。在本发明中,显著性系数值需要小于0.05,共线性容差需要小于10。
在本发明中,所述森林冠层生物量预测模型优选通过式2表示:
lgW冠=m+kR1 式2;
式2中,W冠表示冠层生物量,R1表示冠-地散射比参数,m为常数,k为冠-地散射比系数;所述m和k根据待测森林区的森林数据确定。
在本发明具体实施例中,森林树种为油松和/或华北落叶松时,式2中m=0.587,k=1.317,所述式2可以表示为:
lgW冠=0.587+1.317R1。
得到森林冠层生物量预测模型后,本发明利用所述森林冠层生物量预测模型对待测森林区的森林冠层生物量进行预测。在本发明中,所述待测森林区的森林种类与构建森林冠层生物量预测模型过程中涉及的森林种类一致。在本发明中,对待测森林区的森林冠层生物量进行预测时,具体操作方式为:利用SAR数据获得的自变量体散射分量、二次散射分量、表面散射分量得到冠-地散射比,采用逐步回归法确定模型的m和k值,得到待测森林区的森林冠层生物量的预测模型,然后将冠-地散射比代入至所得森林冠层生物量的预测模型中,可以获得模型中的因变量,即森林冠层生物量的以10为底的对数,再进行数学上的转换,即可得到森林冠层生物量的预测值。本发明对所述代入方式和转换方式没有特殊要求,采用本领域技术人员熟知的即可。
为了进一步说明本发明,下面结合附图和实施例对本发明提供的一种森林冠层生物量的预测方法进行详细地描述,但不能将它们理解为对本发明保护范围的限定。
实施例1
以内蒙古赤峰市喀喇沁旗旺业甸林场为例,如图1所示,该林场地理坐标为41°20′—41°40′N,118°10′—118°29′E,属燕山山脉北麓七老图山支脉,平均海拔1120m,土壤类型以典型棕壤为主,气候属温带季风气候,年平均降水量为522.6mm,年平均气温3.9℃,日照时间在2700h以上。林场土地总面积25958hm2,有林地面积23118hm2,主要以人工林和通过封山育林形成的次生林为主,主要树种包括油松(Pinus tabuliformis)、华北落叶松(Larix principis-rupprechtii)、白桦(Betula platyphylla)、黑桦(Betula dahurica)等。其中以油松和华北落叶松为主。
本实施例采用的样地数据为2017年10月外业调查数据,选择林分整齐,受干扰小,具有代表性的区域设置样地,样地大小为25m×25m,使用RTK对样地中心点及四个角点进行定位,共有22块样地分布在SAR数据范围内(如图2所示),记录样地内胸径大于5cm的树木胸径(DBH)、树高(H)和冠幅(CW),其中1-10号样地为油松纯林,11-22号样地为华北落叶松纯林,参数具体列于表1中。
表1样地数据统计表
本实施例采用GF-3合成孔径雷达获取的C波段全极化单视复数数据,数据为L1级辐射定标产品,SAR数据获取于2017年8月5日,记录方式为16bit复数形式,中心入射角29.7°,中心点坐标41°42′N,118°12′E,方位向分辨率5.3m,距离向分辨率4.5m,幅宽30km*30km。
采用油松单木生物量模型和华北落叶松单木生物量模型(如表2所示),将样地每木检尺数据代入模型,分别计算单木的树枝、树叶生物量。油松枝生物量和叶生物量模型为二元模型,落叶松枝生物量和叶生物量模型为一元模型,将树枝及树叶生物量之和作为单木树冠生物量,计算得到样地内所有单木的树冠生物量,求和然后除以样地面积(0.0625hm2),得到各样地的冠层生物量(t/hm2)(如表3所示)。
表2枝、叶生物量模型表
注:BB、NB分别代表单木的枝生物量、叶生物量
表3样地生物量数据表
单视复数数据存在辐射误差,为了能精确的反映地物回波特性,对SAR图像进行辐射定标处理,定标系数根据数据头文件设置,获得SAR的后向散射矩阵[S],并随之生成极化相干矩阵[T]。
通常通过多视处理和滤波来压制SAR图像固有的斑点噪声,在生成极化相干矩阵[T]的过程中,方位向与距离向上分别设置视数为2,对SAR数据进行多视处理,该视数可以保持处理后像元接近方形且尽量与样地大小相匹配,之后采用Refined Lee方法进行滤波,滤波窗口设置为7。
为了消除地形对SAR图像的影响,应用AW3D30(ALOS World 3D)数据对SAR图像进行正射校正,AW3D是日本宇宙航空研究开发机构(http://www.eorc.jaxa.jp)和日本遥感技术中心联合研制的全新一代高分辨率DEM,数据集水平分辨率约30m,高程精度优于5m,正射校正后SAR数据空间分辨率10m,采用WGS84(world geodetic system-1984)地理坐标系和UTM(universal transverse mercator projection)的50N带投影坐标系。
利用Yamaguchi三分量极化分解法对SAR数据进行分解,将三个分解分量功率分别表示为PV、PD、PS。
<[T3]>=fS<[T3]>S+fD<[T3]>D+fV<[T3]>V
式中,fS、fD、fV为展开系数,<[T3]>S、<[T3]>D、<[T3]>V分别为表面散射、二次散射、体散射的散射模型。
极化分解中,体散射分量代表森林冠层的后向散射信息,二次散射分量、表面散射分量代表SAR信号透射冠层后所获得的树干、地表后向散射信息,冠层散射与地面散射的比值对森林冠层结构具有一定的敏感性,因此本研究将Yamaguchi三分量极化分解的体散射分量与二次散射分量和表面散射分量之积进行比值运算,各分量均在对数变换后参与运算,得到新的参数:冠-地散射比。新参数构建方法如下:
式中,PV、PD、PS为Yamaguchi三分量极化分解的体散射、二次散射、表面散射功率。
在提取固定样地对应的遥感信息时,根据样地中心点坐标将样地冠层生物量数据与SAR数据一一对应。由于样地面积为0.0625hm2,而SAR数据像元大小为10m,所以在提取样地对应的SAR数据信息时,采用八邻域平均法提取,即样地中心点对应像元,以及相邻8个像元的像元值求平均,即为该样地对应的SAR数据值。
相关性分析是通过相关系数来表示两个变量之间相关关系密切程度的统计方法,分别对冠层生物量、各极化分解分量进行以10为底的对数变换(Austin et al.,2003;Gamaet al.,2010),将变换后的冠层生物量数据与分解分量参数进行相关性分析,绘制散点图进行直观评价,并计算相关系数,从而确定变换后的冠层生物量与分解分量之间的线性关系。
采用逐步回归的方法构建模型,具体是将自变量逐个引入模型中,对每一个引入的解释变量进行显著性检验,保留显著变量,当引入的新变量使得原变量变得不再显著时剔除原变量,逐步回归获得最优模型。
为了评价模型的预测能力,需要对模型进行评价检验,通常是将数据分为建模样本和检验样本。在本实施例中样地数为22块,保留少量用于数据验证导致更少的数据用于建模,因此本发明采用留一法交叉验证(Leave-One-Out Cross-Validation,LOOCV)对模型进行评价(Geisser,1974;Stone,1974;Wold et al.,1984),即每次将1块样地作为验证样本,其余21块样地作为训练样本进行建模,不断重复该过程并记录所有交叉验证结果,最终获得22组真实值与预测值来对原始模型进行评价。该方法能够提供模型真实拟合能力的无偏估计,不会对数据造成浪费,并且检验过程中所得模型与使用全部数据所得模型基本一致,本发明采用决定系数(R2)和均方根误差(RMSE)对模型进行评价。
不同极化分解方式所得分量与冠层生物量均有较为显著的负相关关系,Yamaguchi三分量极化分解的表面散射分量(PS)与冠层生物量在0.05水平上显著相关,其余分量均在0.01水平上与冠层生物量显著相关,表中以*表示(表4),各极化分解方式提取分量对冠层生物量的变化均较为敏感。Yamaguchi三分量极化分解的体散射分量(PV)与冠层生物量相关性明显好于二次散射分量(PD)和表面散射分量(PS)(图3,图3中canopy表示体散射分量,double-bounce表示二次散射分量,surface表示表面散射分量)。
表4极化分解分量与冠层生物量相关系数
由表4内容可知,本发明所得极化分解分量与冠层生物量均为负相关关系,这可能是因为二次散射和表面散射为SAR信号透过冠层的后向散射功率,冠层生物量越大,枝叶分布越密集,二次散射和表面散射功率越低;体散射为SAR信号在冠层中的散射过程,C波段SAR穿透性较弱,随着冠层生物量的增加,枝叶对SAR信号衰减作用增强,使得体散射功率降低。同时,分解分量特征受含水率、介电常数、灌木层、地形等多种因素影响;森林结构、树叶和树干的形状与大小对生物量的估算也存在一定的影响。
本发明将对数变换后冠层生物量(lgW冠)作为因变量,3个SAR极化分解分量和1个构建参数共4个参数作为自变量,进行逐步回归,最终参数R1进入回归模型,并且具有较强的显著性(表5)。模型构建结果:R2为0.576,RMSE为6.207t/hm2。
表5模型回归系数表
将逐步回归获得最优模型进行留一法交叉验证,记录每次验证的预测结果,以冠层生物量真实值作为自变量,交叉检验所得冠层生物量预测值作为因变量,建立一元线性回归方程,并绘制散点图(图4)及残差图(图5),对模型进行评价。模型对研究区内冠层生物量的模拟效果较好,模型检测结果:R2达到0.454,RMSE为6.827t/hm2,真实值(实际野外观测结果)和预测值(模型检测结果)间关系与1:1直线大体接近,没有出现饱和点。模型标准化残差全部在2倍标准残差之内,且呈随机分布,说明模型的估计效果受生物量变化影响较小。
对比例1
按照实施例1的方式构建模型,对森林样地进行测定,不同之处在于,构建模型时,仅以三个极化分解分量为自变量。利用对比例1所得模型,对实施例1测试区域的森林冠层生物量进行预测,所得预测结果与实施例1不一致,说明仅使用极化分解分量构建冠层生物量预测模型时,所得模型的预测结果可靠性降低。
由以上实施例可知,本发明构建冠-地散射比,结合体散射分量、二次散射分量、表面散射分量,应用多元线性回归建立SAR参数与森林冠层生物量之间的模型,得到了较好的结果,相比于单一分解分量,冠-地散射比参数定量化描述了森林冠层散射与冠层下部散射之间的关系,对森林的极化分解信息有效结合,当比值较大时,冠层生物量较高;当比值较小时,冠层生物量较低。
从构建预测模型所选参数可以看出,相比于各极化分解分量,冠-地散射比值参数对冠层生物量敏感性更高,多种SAR极化分解参数的共同使用能够较好的估算冠层生物量,并且没有出现明显的饱和点。
尽管上述实施例对本发明做出了详尽的描述,但它仅仅是本发明一部分实施例,而不是全部实施例,人们还可以根据本实施例在不经创造性前提下获得其他实施例,这些实施例都属于本发明保护范围。
Claims (9)
1.一种森林冠层生物量的预测方法,包括以下步骤:
(1)获取森林数据:所述森林数据包括实测数据和SAR源数据;
(2)构建森林冠层生物量预测模型,包括以下步骤:
将森林样地的SAR源数据进行预处理,得到极化相干矩阵;
利用Yamaguchi三分量极化分解法对所述极化相干矩阵进行分解,得到极化分解分量;
利用实测数据对极化分解分量进行相关性验证,确定与森林冠层生物量相关的极化分解分量;所述确定的极化分解分量包括体散射分量、二次散射分量和表面散射分量;
利用确定的极化分解分量构建冠-地散射比;所述冠-地散射比为:
式e中,R1表示冠-地散射比,PV表示体散射功率,PD表示二次散射功率,PS表示表面散射功率;
以所述极化分解分量和冠-地散射比为自变量,以森林冠层生物量为因变量,采用逐步回归法对模型进行优化,得到森林冠层生物量预测模型;
(3)利用所述森林冠层生物量预测模型对待测森林区的森林冠层生物量进行预测。
2.如权利要求1所述的预测方法,其特征在于,所述步骤(1)中实测数据包括胸径参数、树高参数和冠幅参数,所述实测数据为胸径≥5cm森林样地树木的测试数据。
3.如权利要求1所述的预测方法,其特征在于,所述步骤(2)中预处理包括依次进行的辐射定标处理、多视处理、滤波处理和正射校正处理。
4.如权利要求3所述的预测方法,其特征在于,进行所述多视处理时,将方位向和距离向的视数分别设置为2;
所述滤波处理通过Refined Lee软件进行,滤波窗口设置为7;
所述正射校正处理以AW3D30数字高程模型作为地形数据。
5.如权利要求1所述的预测方法,其特征在于,所述步骤(2)中Yamaguchi三分量极化分解法的模型如式1所示:
<[T3]>=fS<[T3]>S+fD<[T3]>D+fV<[T3]>V 式1;
式1中,fS、fD、fV为展开系数,<[T3]>表示极化相干矩阵,<[T3]>S表示表面散射的散射模型、<[T3]>D表示二次散射的散射模型、<[T3]>V表示体散射的散射模型。
6.如权利要求1所述的预测方法,其特征在于,提取森林样地对应SAR源数据信息时,采用八邻域平均法或四邻域平均法进行提取。
7.如权利要求1所述的预测方法,其特征在于,所述步骤(2)的优化后,还包括对优化所得模型进行评价,所述评价的方法为留一交叉验证法。
8.如权利要求7所述的预测方法,其特征在于,所述评价的指标包括决定系数和均方根误差。
9.如权利要求1、7或8所述的预测方法,其特征在于,所述森林冠层生物量预测模型如式2所示:
lgW冠=m+kR1 式2;
式2中,W冠表示冠层生物量,R1表示冠-地散射比,m为常数,k为冠-地散射比系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470688.2A CN110109118B (zh) | 2019-05-31 | 2019-05-31 | 一种森林冠层生物量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470688.2A CN110109118B (zh) | 2019-05-31 | 2019-05-31 | 一种森林冠层生物量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110109118A CN110109118A (zh) | 2019-08-09 |
CN110109118B true CN110109118B (zh) | 2020-11-20 |
Family
ID=67493260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910470688.2A Active CN110109118B (zh) | 2019-05-31 | 2019-05-31 | 一种森林冠层生物量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109118B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441767A (zh) * | 2019-09-06 | 2019-11-12 | 云南电网有限责任公司电力科学研究院 | 输电线路走廊树障净空高度的测量方法及系统 |
CN113495252B (zh) * | 2021-06-22 | 2023-04-21 | 电子科技大学 | 一种基于极化分解的森林冠层活跃可燃物载量估算方法 |
CN114415175A (zh) * | 2021-12-06 | 2022-04-29 | 西南林业大学 | 基于极化定向角补偿和水云模型的生物量反演方法 |
CN114154725A (zh) * | 2021-12-06 | 2022-03-08 | 南京工业大学 | 一种基于机器学习算法的地基承载力特征值预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8125370B1 (en) * | 2007-04-16 | 2012-02-28 | The United States Of America As Represented By The Secretary Of The Navy | Polarimetric synthetic aperture radar signature detector |
CN107144842A (zh) * | 2017-06-27 | 2017-09-08 | 哈尔滨工业大学 | 一种改进的极化干涉sar植被高度联合反演方法 |
CN107765243A (zh) * | 2016-08-22 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 一种基于极化分解技术的浓密植被覆盖下土壤水分反演方法 |
CN108761397A (zh) * | 2018-05-30 | 2018-11-06 | 中南大学 | 基于电磁散射模拟的极化sar模型分解评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005047B (zh) * | 2015-07-17 | 2017-06-09 | 武汉大学 | 后向散射优化的森林复杂地形校正及树高反演方法、系统 |
-
2019
- 2019-05-31 CN CN201910470688.2A patent/CN110109118B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8125370B1 (en) * | 2007-04-16 | 2012-02-28 | The United States Of America As Represented By The Secretary Of The Navy | Polarimetric synthetic aperture radar signature detector |
CN107765243A (zh) * | 2016-08-22 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 一种基于极化分解技术的浓密植被覆盖下土壤水分反演方法 |
CN107144842A (zh) * | 2017-06-27 | 2017-09-08 | 哈尔滨工业大学 | 一种改进的极化干涉sar植被高度联合反演方法 |
CN108761397A (zh) * | 2018-05-30 | 2018-11-06 | 中南大学 | 基于电磁散射模拟的极化sar模型分解评价方法 |
Non-Patent Citations (3)
Title |
---|
SAR数据湿地植被生物量反演方法研究进展;沈国状;《遥感信息》;20160630;第31卷(第3期);1-8 * |
Three-Component Power Decomposition for Polarimetric SAR Data Based on Adaptive Volume Scatter Modeling;Yi Cui;《Remote Sensing》;20121231;1559-1572 * |
基于多源遥感数据的面向对象林分类型识别;毛学刚;《应用生态学报》;20171130;第28卷(第11期);3711-3719 * |
Also Published As
Publication number | Publication date |
---|---|
CN110109118A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
Bao et al. | Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model | |
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
Hosseini et al. | Estimation of Leaf Area Index (LAI) in corn and soybeans using multi-polarization C-and L-band radar data | |
WO2023087630A1 (zh) | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 | |
Hosoi et al. | 3-D voxel-based solid modeling of a broad-leaved tree for accurate volume estimation using portable scanning lidar | |
Luo et al. | Estimation of wetland vegetation height and leaf area index using airborne laser scanning data | |
CN104361338B (zh) | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 | |
CN110287457B (zh) | 基于卫星雷达遥感数据的玉米生物量反演测算方法 | |
Singh et al. | Estimation of soil moisture applying modified dubois model to Sentinel-1; a regional study from central India | |
Baghdadi et al. | Testing different methods of forest height and aboveground biomass estimations from ICESat/GLAS data in Eucalyptus plantations in Brazil | |
CN108681652A (zh) | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 | |
CN105678085A (zh) | 一种pm2.5浓度的估算方法及系统 | |
CN113205475A (zh) | 基于多源卫星遥感数据的森林高度反演方法 | |
CN110057997B (zh) | 一种基于双极化sar数据的森林可燃物含水率时间序列反演方法 | |
CN107036968A (zh) | 一种土壤湿度实时监测方法 | |
Villard et al. | Forest biomass from radar remote sensing | |
Xiang et al. | Integration of tillage indices and textural features of Sentinel-2A multispectral images for maize residue cover estimation | |
She‐Zhou et al. | Forest leaf area index (LAI) estimation using airborne discrete‐return lidar data | |
CN116817869B (zh) | 一种利用激光雷达数据的海底光子信号确定方法 | |
CN112733445A (zh) | 基于蒸散量植被指数空间特征的大区域尺度土壤水分反演方法 | |
Popescu | Estimating plot-level forest biophysical parameters using small-footprint airborne lidar measurements | |
Ma et al. | Development of forest aboveground biomass estimation, its problems and future solutions: A review | |
Rinnamang et al. | Estimation of aboveground biomass using aerial photogrammetry from unmanned aerial vehicle in teak (Tectona grandis) plantation in Thailand | |
Chauve et al. | Processing full-waveform lidar data in an alpine coniferous forest: Assessing terrain and tree height quality |
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 |