CN110287457B - 基于卫星雷达遥感数据的玉米生物量反演测算方法 - Google Patents
基于卫星雷达遥感数据的玉米生物量反演测算方法 Download PDFInfo
- Publication number
- CN110287457B CN110287457B CN201910589981.0A CN201910589981A CN110287457B CN 110287457 B CN110287457 B CN 110287457B CN 201910589981 A CN201910589981 A CN 201910589981A CN 110287457 B CN110287457 B CN 110287457B
- Authority
- CN
- China
- Prior art keywords
- biomass
- corn
- remote sensing
- backscattering
- image
- 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
- 239000002028 Biomass Substances 0.000 title claims abstract description 53
- 240000008042 Zea mays Species 0.000 title claims abstract description 40
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 40
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 40
- 235000005822 corn Nutrition 0.000 title claims abstract description 40
- 238000000691 measurement method Methods 0.000 title claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 23
- 230000010287 polarization Effects 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 2
- 238000010276 construction Methods 0.000 claims 1
- 238000012887 quadratic function Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 238000010801 machine learning Methods 0.000 description 11
- 241000209140 Triticum Species 0.000 description 7
- 235000021307 Triticum Nutrition 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 241000209094 Oryza Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 230000001427 coherent effect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000003643 Callosities Diseases 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Electromagnetism (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卫星雷达遥感数据的反演测算方法，属于卫星遥感图像处理与应用的技术领域，本发明的目的是解决现有利用合成孔径雷达遥感影像在对玉米生物量反演中存在的人为主观因素较强、算法复杂度高与要求较多的实测点信息等缺点，本发明中影像经预处理后，先提取出玉米生物量实地测量点对应的VH和VV极化后向散射系数，通过拟合方式获得水云模型，再将选取出若干个点的玉米生物量带入模型水云中获得若干个VH和VV极化后向散射系数，以此作为样本采用随机森林算法进行训练，从而得到特征矩阵和标签值映射关系的回归模型，之后只需将待测点的VH和VV极化后向散射系数输入模型中即可测算出该测量点玉米生物量。
Description
技术领域
本发明属于卫星遥感图像处理技术领域。
背景技术
农作物生物量反演在农业资源调查、土地利用现状分析、农作物估产和灾害评估等诸多领域中都具有十分重要的意义，近年来也成为了遥感领域的研究热点之一。在诸多利用遥感图像对农作物进行生物量反演的方法中，基于辐射传输模型的算法受不同地物微波散射机理的影像，难以在大范围的广泛应用。而随着微波遥感技术在近年的快速发展，可获取的卫星数据量也逐渐大量增加，对于多时相的大数据雷达影像，基于机器学习的回归建模方法也取得了很多成果，它为遥感参数建模开拓了新的方向。近年来，国内外的研究学者提出了许多相关方法。代表研究如下：
H.Mcnairn等利用SAR图像对小麦产量进行了制图研究，研究表明，线性极化和圆形极化以及交叉极化基座高度等极化雷达参数对小麦产量的差异非常敏感(参见H.Mcnairn,K.Hochheim,N.Rabe.Applying Polarimetric Radar Imagery for Mappingthe Productivity of Wheat Crops[J].Canada Journal of Remote Sensing,2004,30(3):517-524)。2009年，G.Satalino等利用ASAR图像对小麦进行了监测研究，分析了c波段HH极化/VV极化对冬小麦生物量的相关性(参见G.Satalino,F.Mattia,T.Le Toan,etal..Wheat Crop Mapping by Using ASAR AP Data[J].IEEE Transactions onGeoscience and Remote Sensing,2009,47:527-530)，2010年，Fan Wu等利用全极化RADARSAT-2数据，用不同极化方式分别反演中国南部水稻生物量和高度(参见Wu F,WangC,Zhang H,et al.Rice crop monitoring in South China with RADARSAT-2quad-polarization SAR data[J].IEEE Geoscience and Remote Sensing Letters,2010,8(2):196-200.)。2012年，S.Kumar等利用SAR图像对生物量进行了预估(参见S.Kumar,U.Pandey,S.P.Kushwaha,et al..Above Ground Biomass Estimation of TropicalForest from Envisat Advanced Synthetic Aperture Radar Data Using ModelingApproach[J].Journal of Applied Remote Sensing,2012,6:1-18)。2014年，J.Dempewolf等利用多时相数据和历史统计，对小麦产量进行了预测(参见J.Dempewolf,B.Adusei,I.Becker-Reshef,et al..Wheat Yield Forecasting for Punjab Province fromVegetation Index Time Series and Historic Crop Statistics[J].Remote Sensing,2014,6:9653-9675)。Emile Ndikumana用经典的机器学习技术(多元线性回归(MLR)、支持向量回归(SVR)和随机森林(RF))训练Sentinel-1数据与地面测量数据进行对比，以估计水稻高度和干生物量(参见Ndikumana E,Ho Tong Minh D,Dang Nguyen H,etal.Estimation of rice height and biomass using multitemporal SAR Sentinel-1for Camargue,Southern France[J].Remote Sensing,2018,10(9):1394.)。
目前为止，国内外研究学者提出了很多遥感图像农作物生物量反演算法，但仍然存在一些缺陷：(1)人为主观因素较强；(2)实测点数量较少；(3)算法复杂度高。基于机器学习和水云模型相结合的反演方法可以在某些程度上克服这些缺点，同时使用了物理模型以及机器学习方法反演，并且可以部分解决实测点较少的问题，类似的反演方法但在国内外未见报道。
发明内容
为了解决现有利用合成孔径雷达遥感影像在对玉米生物量反演中存在的人为主观因素较强、算法复杂度高与要求较多的实测点信息等缺点，本发明采用一种基于机器学习和水云模型相结合的中国东北地区玉米生物量反演方法，能够快速、有效地获取到高分辨率遥感雷达影像中的玉米生物量信息。
本发明采用的技术方案具体步骤取下：
步骤一、影像预处理：获取到的高分辨率合成孔径雷达遥感影像是单视复数据(SLC)的一级原始数据，首先对SLC数据进行多视处理，再进行极化滤波处理，接下来对该影像进行辐射定标与地理编码，然后对处理好的遥感图像进行图像剪裁选取需要的图像区域；
步骤二、在获取到的遥感影像上对实际测量的各个点分别提取VV和VH极化的后向散射系数及对应的生物量，通过拟合方式获得拟合参数，构建水云半经验模型(WCM)。
步骤三、将选取出若干个点的玉米生物量带入模型水云中获得若干个VH和VV极化后向散射系数，以此作为训练样本采用随机森林算法进行训练使用随机森林(RF)算法进行训练，得到回归模型。
步骤四、将VH后向散射系数σVH和VV后向散射系数σVV生成特征矩阵后输入回归模型计算得到最终玉米生物量L。
步骤一：影像预处理步骤中
(a)多视处理的方法：SAR的单视复数数据(SLC)是原始的最高分辨率数据，但是从单个像元散射的雷达回波信号的相干叠加，导致强度信息有很多噪声。为了不在地理编码时进行过度的重采样，最好是在多视的时候和地理编码的制图分辨率就保持一致。
首先，利用完整的遥感图像处理平台(ENVI)中的合成孔径雷达模块(SARscape)的多视处理工具(Multilooking)从原数据中读取距离向和方位向分辨率，并计算出距离向视数和方位向视数；然后，对方位向视数和/或距离向视数做平均，得到的结果即视后的强度数据。
(b)极化滤波的方法：合成孔径雷达原始SLC级影像在经过多视处理之后仍存在较为明显的相干班噪声，利用完整的遥感图像处理平台(ENVI)中的合成孔径雷达模块(SARscape)的滤波工具(Filtering)，可以较好的抑制相干斑噪声对影像上地物信息的干扰。
(c)辐射定标及地理编码的方法：辐射定标就是将图像的数字量化值(DN)转化为辐射亮度值、反射率或者表面温度等物理量的处理过程。辐射定标参数一般放在元数据文件中。地理编码是将不具有地理信息的图像附加上对应地理坐标系的经纬度信息，利用完整的遥感图像处理平台(ENVI)中的合成孔径雷达模块(SARscape)的滤波工具(Geocodingand Radiometric Calibration)能自动从元数据文件中读取参数，从而完成辐射定标和地理编码。
(d)图像剪裁用于获得感兴趣的区域(ROI)。
步骤二中本发明用水云模型(WCM)来表示玉米生物量与对应雷达影像上后向散射系数的关系。
所述的水云模型展开式为：
其中，A、B、C、D、E1和E2为模型中需拟合的待定系数；L为生物量，θ为雷达入射角；σ0为作物冠层的后向散射系数，
为植被层的后向散射系数；
步骤一预处理得到SAR影像，分别提取出玉米生物量实地测量点对应的VH和VV极化后向散射系数，使用矩阵实验室(MatLab)软件中的lsqcurvefit函数，并调用莱文贝格－马夸特(levenberg-marquardt)最优化算法对水云模型展开式进行拟合，拟合出最佳的A、B、C、D、E1和E2；
拟合的具体过程如下：
(1)从初始点开始，先假设一个可以信赖的最大位移σ＝50，然后在以当前点为中心，以σ为半径的区域内，通过寻找目标函数的一个近似函数(二次的)的最优点，来求解得到真正的位移。
(2)在得到了位移之后，再计算目标函数值，如果其使目标函数值的下降大于FunctionTolerance＝1.0000e-06，那么就说明这个位移是可靠的，则继续按此规则迭代计算下去；
(3)当函数值下降小于FunctionTolerance＝1.0000e-06，或者迭代次数大于等于1000次时，则停止迭代，得到拟合最优解。
步骤三中依据中国东北地区玉米在正常生长期过程中的生物量范围，以0.05kg/m2为间隔，在1-15kg/m2区间取出若干个值作为玉米生物量L代入到步骤二拟合好的模型中，可以分别产生若干个VH后向散射系数σVH和VV后向散射系数σVV，将上述得到的玉米生物量L、VH后向散射系数σVH和VV后向散射系数σVV作为样本。
采用随机森林算法(RF)对模型进行训练，从而得到特征矩阵和标签值映射关系的回归模型；
该算法中，选用σVV、σVH、σVH/σVV、σVH+σVV和σVH-σVV这5个后向散射系数组合，将其合并为一个输入特征矩阵，标签值为玉米生物量L；
首先，在含有n个样本的样本集中随机选取0.2n个样本；再从上述5个特征中随机选择3个特征，对选出的样本利用这些特征建立决策树；重复500次即生成500棵决策树的随机森林；
本发明的有益效果：
本发明建立了基于玉米理论散射模型的玉米参数机器学习回归反演算法，算法根据玉米生长模型和散射模型生成网络训练数据集，并完成网络训练和精度验证，应用到Sentinel-1图像，实现了水稻生物量的反演和精度验证。解决了传统遥感图像反演玉米生物量中纯物理模型过于复杂，输入参数过多，以及当实测点较少时机器学习回归波动性较大的问题，可以较为稳定的实现对玉米生物量的反演。本发明方法能自动、高效地从高分辨率卫星遥感影像中识别出不同的作物类型，为农业资源调查、农作物估产等诸多领域提供一定的技术支持。
附图说明
图1是本发明基于机器学习和水云模型相结合的中国东北地区玉米生物量反演方法的流程图。
图2是本发明实施例1使用的研究区。
图3A是本发明实施例1中2017年6月28日的合成孔径雷达预处理结果图。
图3B是本发明实施例1中2017年7月22日的合成孔径雷达预处理结果图。
图3C是本发明实施例1中2017年8月15日的合成孔径雷达预处理结果图。
图3D是本发明实施例1中2017年9月8日的合成孔径雷达预处理结果图。
图4是本发明实施例1的经过随机森林回归之后真实值和预测值的关系图。
具体实施方式
实施例1：
数据源采用多时相的哨兵1号(Sentinel-1)雷达影像，是欧洲航天局哥白尼计划(GMES)中的地球观测卫星，由Sentinel-1A和Sentinel-1B两颗雷达卫星组成，载有C波段合成孔径雷达，可提供连续图像(白天、夜晚和各种天气)。Sentinel-1的空间分辨率为20m。实验数据包含4景数据，获取时间分别为2017/6/28、2017/7/22、2017/8/15、2017/9/8。实验区位于吉林省长春市农安县附近(图1)，周边的植被种植茂密，以玉米为主要农作物。与2017年在实验区进行了野外实验，分别选择周围玉米生长均匀饱满，有代表性的33个不同地点测取经纬度信息、玉米生物量为实测数据进行处理分析。
步骤一：影像预处理
(a)多视处理：利用完整的遥感图像处理平台(ENVI)中的合成孔径雷达模块(SARscape)的多视处理工具(Multilooking)从原数据中读取距离向和方位向分辨率，并计算出距离向视数和方位向视数，经过方位向视数和/或距离向视数做平均，得到的结果即视后的强度数据。
(b)极化滤波：利用完整的遥感图像处理平台(ENVI)中的合成孔径雷达模块(SARscape)的滤波工具(Filtering)，选取Refined Lee滤波方式，窗口大小选为5x5，可以较好的抑制相干斑噪声对影像上地物信息的干扰。
(c)辐射定标及地理编码：利用完整的遥感图像处理平台(ENVI)中的合成孔径雷达模块(SARscape)的滤波工具(Geocoding and Radiometric Calibration)能自动从元数据文件中读取参数，从而完成辐射定标。地理编码选取由ENVI软件自动下载的30m分辨率的SRTM的数字高程模型(DEM)作为参考标准，为每个像元附上相应的经纬度地理信息。
(d)图像剪裁用于获得感兴趣的区域(ROI)。
步骤二：使用水云模型扩充训练集
首先，经过步骤一预处理之后得到SAR影像，对33组实测点提取相应的VH和VV极化后向散射系数。然后，使用矩阵实验室(Matlab)软件中的lsqcurvefit函数，调用levenberg-marquardt最优化算法，对公式
公式(8)的推导过程：
在WCM中，作物冠层的后向散射系数σ0由两层组成，即植被层
和和土壤层
如式(1)所示，
其中，τ2为植被层的双层衰减系数，可由雷达入射角θ和植被冠层参数表示V2为
τ2＝exp(-2BV2/cosθ) (2)
植被层和土壤层的后向散射系数分量由植被冠层参数表示V1和土壤含水量MV分别表为：
其中，由于土壤含水量数据精度不高，实测困难，并与植被生物量有着直接的线性关系，故本发明将其用生物量L代替，表示为式(5)
植被冠层参数V1和V2可由植被生物量L表示为：
最终结合公式(1)～公式(7)，可将公式(1)展开表示为公式(8)。
选用原数据33组点，分别提取出玉米生物量实地测量点对应的VH和VV极化后向散射系数，使用矩阵实验室(MatLab)软件中的lsqcurvefit函数，并调用莱文贝格－马夸特(levenberg-marquardt)最优化算法对水云模型展开式进行拟合，拟合最佳的A、B、C、D、E1、E2这几个参数，其中实现过程及参数设置为：
(1)从初始点开始，先假设一个可以信赖的最大位移σ＝50，然后在以当前点为中心，以σ为半径的区域内，通过寻找目标函数的一个近似函数(二次的)的最优点，来求解得到真正的位移。
(2)在得到了位移之后，再计算目标函数值，如果其使目标函数值的下降大于FunctionTolerance＝1.0000e-06，那么就说明这个位移是可靠的，则继续按此规则迭代计算下去；
(3)当函数值下降小于FunctionTolerance＝1.0000e-06，或者迭代次数大于等于1000次时，则停止迭代，得到拟合最优解。
对VH极化，得到A＝0.0202，B＝1.3348，C＝2.6897，D＝2.1832，E1＝0.3632，E2＝29.2599；对VH极化，得到A＝0.0495，B＝0.0997，C＝0.0860，D＝0.0064，E1＝0.6504，E2＝2.93。
步骤三：使用机器学习方法对训练集回归训练
依据中国东北地区玉米在正常生长期过程中的生物量范围，以0.05kg/m2为间隔，在1-15kg/m2区间等间隔模拟出280个值作为真实生物量带入到步骤二拟合好的模型中，可以分别产生280个VH后向散射系数(σVH)和280个VV后向散射系数(σVV)。
采用随机森林算法(RF)对模型进行训练，从而得到特征矩阵和标签值映射关系的回归模型；
该算法中，选用σVV、σVH、σVH/σVV、σVH+σVV和σVH-σVV这5个后向散射系数组合，将其合并为一个输入特征矩阵，标签值为玉米生物量L；
具体过程及参数选取为：
(1)从样本集中(共n＝280个样本)有放回随机采样选取0.2n＝56个样本；
(2)从所有k＝5个特征中随机选择
个特征，对选出的样本利用这些特征建立决策树；
(3)重复以上步骤n_estimators＝500次，即生成n_estimators＝500颗决策树，形成随机森林；
(4)对于新数据，经过每棵树决策，最后投票确认分到哪一类。
然后进行训练，构造预测函数来映射输入的特征矩阵(σVV、σVH、σVH/σVV、σVH+σVV、σVH-σVV)和标签值(玉米生物量)的关系。
用于验证的各特征及标签值如表1所示：
表1
实验结果：用步骤三得到的模型来验证原数据33组点(输入为VH极化和VV极化的后向散射系数，输出为玉米生物量)，得到rmse＝1.699，r2＝0.723。证明结果能有效的反演玉米生物量。单独使用WCM情况下，rmse＝2.1731，r2＝0.5433；单独使用机器学习回归情况下，由于实测点个数不够充足，每次训练得到结果差异较大，不具有稳定性。与二者相比，本发明提出的基于机器学习和水云模型相结合的方法，可以实现对中国东北地区玉米生物量较为稳定精确的反演效果。
Claims (3)
1.一种基于卫星雷达遥感数据的玉米生物量反演测算方法，具体步骤如下：
步骤一、影像预处理：获取到的高分辨率合成孔径雷达遥感影像是单视复数据的一级原始数据，首先对单视复数据进行多视处理，再进行极化滤波处理，接下来对该影像进行辐射定标与地理编码，然后对处理好的遥感图像进行图像剪裁选取需要的图像区域；
步骤二、在获取到的遥感影像上对实际测量的各个点分别提取VV和VH极化的后向散射系数及对应的生物量，通过拟合方式获得拟合参数，构建水云模型；
所述的水云模型展开式为：
其中，A、B、C、D、E1和E2为模型中需拟合的待定系数；L为生物量，θ为雷达入射角；σ0为作物冠层的后向散射系数，
为植被层的后向散射系数；
步骤三、将选取出若干个点的玉米生物量带入水云模型中获得若干个VH和VV极化后向散射系数，以此作为样本采用随机森林算法进行训练使用随机森林算法进行训练，得到回归模型；
步骤四、将VH后向散射系数σVH和VV后向散射系数σVV生成特征矩阵后输入回归模型计算得到玉米的生物量L；
步骤二中通过拟合方式获得拟合参数的具体步骤如下：
从经过步骤一处理的SAR影像，分别提取出玉米生物量实地测量点对应的VH和VV极化后向散射系数，使用矩阵实验室软件中的lsqcurvefit函数，并调用莱文贝格－马夸特最优化算法对水云模型展开式进行拟合，拟合出最佳的A、B、C、D、E1和E2；拟合的具体过程如下：
(1)从初始点开始，先假设一个可以信赖的最大位移σ＝50，然后在以当前点为中心，以σ为半径的区域内，通过寻找目标函数的一个近似二次的函数的最优点，来求解得到真正的位移；
(2)在得到了位移之后，再计算目标函数值，如果其使目标函数值的下降大于FunctionTolerance＝1.0000e-06，那么就说明这个位移是可靠的，则继续按此规则迭代计算下去；
(3)当函数值下降小于FunctionTolerance＝1.0000e-06，或者迭代次数大于等于1000次时，则停止迭代，得到拟合最优解。
2.根据权利要求1所述的基于卫星雷达遥感数据的玉米生物量反演测算方法，其特征在于，步骤三中训练样本的获取方法具体如下：
依据中国东北地区玉米在正常生长期过程中的生物量范围，以0.05kg/m2为间隔，在1-15kg/m2区间取出若干个值作为玉米的生物量L代入到步骤二拟合好的模型中，可以分别产生若干个VH后向散射系数σVH和VV后向散射系数σVV，将上述得到的玉米的生物量L、VH后向散射系数σVH和VV后向散射系数σVV作为样本。
3.根据权利要求1所述的基于卫星雷达遥感数据的玉米生物量反演测算方法，其特征在于，随机森林算法构建方法具体如下：
选用σVV、σVH、σVH/σVV、σVH+σVV和σVH-σVV这5个后向散射系数组合，将其合并为一个输入特征矩阵，标签值为玉米的生物量L；
首先，在含有n个样本的样本集中随机选取0.2n个样本；再从上述5个后向散射系数组合中随机选择3个组合，对选出的样本利用这些组合建立决策树；重复500次即生成500棵决策树的随机森林。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910589981.0A CN110287457B (zh) | 2019-07-02 | 2019-07-02 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910589981.0A CN110287457B (zh) | 2019-07-02 | 2019-07-02 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110287457A CN110287457A (zh) | 2019-09-27 |
| CN110287457B true CN110287457B (zh) | 2023-02-17 |
Family
ID=68021809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910589981.0A Expired - Fee Related CN110287457B (zh) | 2019-07-02 | 2019-07-02 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287457B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111931987A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 时间序列lai曲线积分面积区域水稻成熟期预测方法 |
| CN111679274B (zh) * | 2020-07-24 | 2021-05-14 | 袁米农业科技有限公司 | 一种利用超宽带雷达进行农作物长势预测评价方法及装置 |
| CN111855593A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片淀粉含量遥感反演模型和方法 |
| CN111855590A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片淀粉积累量遥感反演模型和方法 |
| CN112487879B (zh) * | 2020-08-05 | 2023-01-17 | 中国科学院空天信息创新研究院 | 一种基于数据增广和深度学习的玉米生长参数主被动遥感反演方法 |
| CN112819846B (zh) * | 2021-01-27 | 2021-09-21 | 成都四象纵横遥感科技有限公司 | 面向多云雨地区的基于多载荷遥感图像的水稻估产方法 |
| 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 |
| WO2024019632A1 (ru) * | 2022-07-22 | 2024-01-25 | Публичное Акционерное Общество "Сбербанк России" | Устройство и способ определения урожайности сельскохозяйственных культур |
| CN118279769B (zh) * | 2024-05-30 | 2024-09-13 | 吉林高分遥感应用研究院有限公司 | 基于无人机装置与遥感辐射传输模型的玉米产量估算方法 |
| CN118366059A (zh) * | 2024-06-20 | 2024-07-19 | 山东锋士信息技术有限公司 | 一种基于光学和sar数据融合的作物需水量计算方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002065155A1 (en) * | 2001-02-09 | 2002-08-22 | Commonwealth Scientific And Industrial Research Organisation | Lidar system and method |
| 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 |
| CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
| 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 |
| CN108509836A (zh) * | 2018-01-29 | 2018-09-07 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
| 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 |
| CN109325433A (zh) * | 2018-09-14 | 2019-02-12 | 东北农业大学 | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 |
| 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 |
-
2019
- 2019-07-02 CN CN201910589981.0A patent/CN110287457B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002065155A1 (en) * | 2001-02-09 | 2002-08-22 | Commonwealth Scientific And Industrial Research Organisation | Lidar system and method |
| 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 |
| CN106258686A (zh) * | 2016-08-11 | 2017-01-04 | 中国科学院遥感与数字地球研究所 | 一种改进的水云模型及应用该模型的水稻参数反演方法 |
| 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 |
| CN108509836A (zh) * | 2018-01-29 | 2018-09-07 | 中国农业大学 | 双极化合成孔径雷达与作物模型数据同化的作物估产方法 |
| 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 |
| CN109325433A (zh) * | 2018-09-14 | 2019-02-12 | 东北农业大学 | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| FOREST BIOMASS RETRIEVAL FROM BIOSAR 2010 P-BAND SAR DATA USING A REGRESSION-BASED MODEL;E. Blomberg 等;《IEEE International Geoscience and Remote Sensing Symposium》;20151231;第1-4页 * |
| Polarimetric SAR Interferometry based modeling for tree height and aboveground biomass retrieval in a tropical deciduous forest;Shashi Kumar 等;《Advances in Space Research》;20170505;第571-586页 * |
| 主被动遥感数据协同估算干旱区草原植被生物量;行敏锋 等;《遥感技术与应用》;20151231;第30卷(第6期);第1122-1128页 * |
| 基于改进水云模型和Radarsat-2 数据的农田土壤含水量估算;杨贵军 等;《农业工程学报》;20161130;第32卷(第22期);第146-153页 * |
| 基于随机森林算法的橡胶林地上生物量遥感反演研究——以景洪市为例;王云飞 等;《西南林业大学学报》;20131231;第33卷(第6期);第38-45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110287457A (zh) | 2019-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287457B (zh) | 基于卫星雷达遥感数据的玉米生物量反演测算方法 | |
| 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 | |
| Quan et al. | A radiative transfer model-based method for the estimation of grassland aboveground biomass | |
| CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
| Zhang et al. | Spatial downscaling of TRMM‐based precipitation data using vegetative response in Xinjiang, China | |
| Thapa et al. | Potential of high-resolution ALOS–PALSAR mosaic texture for aboveground forest carbon tracking in tropical region | |
| Meng et al. | Modeling alpine grassland above ground biomass based on remote sensing data and machine learning algorithm: A case study in east of the Tibetan Plateau, China | |
| CN109522516B (zh) | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 | |
| Choudhary et al. | Agriculture phenology monitoring using NDVI time series based on remote sensing satellites: a case study of Guangdong, China | |
| CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
| CN108982548A (zh) | 一种基于被动微波遥感数据的地表土壤水分反演方法 | |
| CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
| Wang et al. | Fractional vegetation cover estimation method through dynamic Bayesian network combining radiative transfer model and crop growth model | |
| Merzouki et al. | Synthetic aperture radar (SAR) compact polarimetry for soil moisture retrieval | |
| Zhang et al. | Development of the direct-estimation albedo algorithm for snow-free Landsat TM albedo retrievals using field flux measurements | |
| CN116484712A (zh) | 植被区域地表温度重建方法、装置、电子设备及存储介质 | |
| CN114241331A (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
| Wu et al. | Rice yield estimation based on spaceborne SAR: A review from 1988 to 2018 | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| Rawat et al. | Parameterization of the modified water cloud model (MWCM) using normalized difference vegetation index (NDVI) for winter wheat crop: a case study from Punjab, India | |
| Zhao et al. | Retrieval of red solar-induced chlorophyll fluorescence with TROPOMI on the Sentinel-5 precursor mission | |
| CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| Chen et al. | An improved fusion of Landsat-7/8, Sentinel-2, and Sentinel-1 data for monitoring alfalfa: Implications for crop remote sensing | |
| CN117826112A (zh) | 一种基于sar的土壤含水量的反演方法 | |
| Du et al. | An improved change detection method for high-resolution soil moisture mapping in permafrost regions |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230217 |