CN110427592A - 一种光学遥感影像协同极化sar影像的植被生态水储量估算方法 - Google Patents

一种光学遥感影像协同极化sar影像的植被生态水储量估算方法 Download PDF

Info

Publication number
CN110427592A
CN110427592A CN201910522516.5A CN201910522516A CN110427592A CN 110427592 A CN110427592 A CN 110427592A CN 201910522516 A CN201910522516 A CN 201910522516A CN 110427592 A CN110427592 A CN 110427592A
Authority
CN
China
Prior art keywords
vegetation
ecological water
remote sensing
evaluation method
collaboration
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.)
Pending
Application number
CN201910522516.5A
Other languages
English (en)
Inventor
杨武年
张宇航
杨鑫
罗新蕊
刘亮
陈超
赵芩
文艳
刘睿
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201910522516.5A priority Critical patent/CN110427592A/zh
Publication of CN110427592A publication Critical patent/CN110427592A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06V20/188—Vegetation

Landscapes

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

Abstract

本发明涉及一种光学遥感影像协同极化SAR影像的植被生态水储量估算方法，步骤S10：野外样地植被枝、干、叶部分生态水的测算；步骤S20：研究区植被生态水储量估算模型建立及验证；步骤S30：由最佳反演估算模型计算研究区植被生态空间水分布。该方法中结合生物量与含水率的换算关系，利用野外数据可以获取树木枝、干、叶每个部分样地内的总含水量。光学影像通过光谱信息的分析提取可以获取到植被表层含水量信息，而具有穿透能力的SAR数据，则可以探测到植被枝干部分的含水量信息，两者协同使用，达到优势互补。

Description

一种光学遥感影像协同极化SAR影像的植被生态水储量估算 方法
技术领域
本发明涉及于植被生态水的研究技术领域，具体为一种光学遥感影像协同极化SAR影像的植被生态水储量估算方法。
背景技术
本发明涉及植被生态水的研究技术领域，属于光学遥感影像协同极化SAR影像的植被生态水储量估算方法。
生态水是指与地球表层植物体紧密相关的水体，具体说来为地球表面植被层，包括叶面、根系、腐殖层、表层植被根系土壤层中及植被体本身所能截留(滞留)或涵养的水量。在陆地表面，植被作为水的主要载体，在对降雨的缓存、截留、分配过程，及地表径流的调节等过程起着关键作用。
而传统的植被生态水储量估算方法植被生态水除了冠层部分以外，枝干部分的水难以科学量化同时植被类型对于生态水反演模型建立的影响往往被忽略，单一的线性模型适用于植被类型单一的地区，而川西高原地区植被茂密，区域内植被类型复杂多样。
发明内容
为了解决上述问题，本发明的目的在于提供一种光学遥感影像协同极化SAR影像的植被生态水储量估算方法。
为实现上述目的，本发明提供如下技术方案：一种光学遥感影像协同极化SAR影像的植被生态水储量估算方法，包括以下步骤：
包括以下步骤：
步骤S10：野外样地植被枝、干、叶部分生态水的测算；
步骤S20：研究区植被生态水储量估算模型建立及验证；
步骤S30：由最佳反演估算模型计算研究区植被生态空间水分布。
优选的，步骤S10中，林木各个器官的生物量通常与林木的胸径和树高之间有很强的相关关系，结合对应树种的各个器官部分的异速生长方程，由生物量(干重)、含水率的关系推导，可计算出植被含水量。
优选的，步骤S20中，从两种影像中提取原始波段反射率、植被指数、植被类型等地面参数；实现线性回归、随机森林回归、神经网络等模型的建立，通过交叉验证对比模型精度，选出最佳反演模型。
优选的，步骤S30的过程中，采用步骤S20得出的最佳反演模型，计算出植被生态水分布图。
与现有技术相比，本发明的有益效果是：植被生态水参与了整个生态圈水循环的活动，对水文活动影响巨大。由于其量大、受季节性变化干扰的特点，量化植被生态水对了解和分析水的再分配、地下水或地面径流等具有重要意义。而遥感技术为植被生态水的量化提供了科学依据，本发明以光学影像Landsat8 OLI和SAR影像Sentinel-1作为影像数据源，提取了地面相关参数，与野外采集的样地含水量相结合作分析，采用线性回归、随机森林和人工神经网络建立反演模型，结合植被类型分类专题图，反演出各个植被类型的植被生态水含量。生态水层在生态环境的水文过程中起着中枢系统的作用，而植被生态水作为整个生态水体系的重要组成部分，在水资源循环中扮演着重要角色，多个层次的配合使得各类水资源在有序的条件下自然转化达到平衡。如果缺少植被层对降水的缓冲和蓄积，那么降水大部分转换到径流，容易造成水土流失的严重问题。研究植被生态水的精确定量和其动态变化，对解决植被水分胁迫问题、认知植被生态水文过程的复杂性、时空动态性具有重要的科学意义，为辅助解决水资源问题，生态环境保护、生态环境修复提供科学的理论和技术支撑，具有显著的社会经济价值和应用前景。植被生态水由于其特殊的复杂性和特殊性，使用遥感反演技术，特别是多源遥感数据的协同反演，是研究植被生态水的必然趋势和先进手段，植被含水量作为植被生态水最直观的表现，可以用来精确量化植被生态水量，是掌握植被生态水时空变化的重要参考因子，结合生物量与含水率的统计关系，利用野外数据可以获取树木枝、干、叶，每个部分样地内的总含水量，光学影像通过光谱信息的分析提取可以获取到植被表层含水量信息，而具有穿透能力的SAR数据，则可以探测到植被枝干部分的含水量信息，两者协同使用，达到优势互补，采用神经网络、随机森林等方法，能够较好地将植被类型引入到模型中，提高模型精度。
附图说明
图1为本发明方法步骤的流程框图。
图2为本发明方法植被分类结果示意图。
图3为本发明方野外样地(森林)的植被生态水示意图。
图4为本发明方法野外样地(灌木草本植物)的植被生态水示意图。
图5为本发明方法线性回归模型观测值与拟合值示意图。
图6为本发明方法随机森林线性模型观测值与拟合值示意图。
图7为本发明方法神经网络模型观测值与拟合值示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种光学遥感影像协同极化SAR影像的植被生态水储量估算方法，包括以下步骤：
步骤S10：野外样地植被枝、干、叶部分生态水的测算；
步骤S20：研究区植被生态水储量估算模型建立及验证；
步骤S30：由最佳反演估算模型计算研究区植被生态空间水分布。
在步骤S10中，对于不同的树种，已有准确的异速生长方程来计算不同树种的各个器官的生物量，并且通过大量林木异速生长规律的研究，林木各个器官的生物量通常与林木的胸径和树高之间有很强的相关关系，所以只需简单的测量胸径和树高，结合对应树种的各个器官部分的异速生长方程，就可以估算林木各个器官的生物量。由生物量(干重)、含水率的关系推导，可计算出植被含水量。
以单棵青冈树为例，举例说明枝，干，叶各部分及植被地上部分植被生态水总储量。按照中国林木生物量数据库(https://www.earth-syst-sci-data-discuss.net/essd)中的生物量模型，根据野外采集的胸径D计算得出单棵的枝、干、叶生物量(干重)分别为BM枝、BM叶、BM干。
由野外采集的青冈树的枝、干、叶少量样本，可以得到分别对应器官的样本鲜重FM枝、FM叶、FM干，带回室内后将样品放置烘箱中，对叶类样本在70℃条件下烘干，而枝干部分样本在80℃条件下烘干，反复称量至恒重，得到分别对应林木器官的干重DM枝、DM叶、DM干，并计算各部分的含水率；
据生物量(干重)和含水率的关系，由以下式子可以计算出青冈的枝、干、叶植被含水量；
灌木草本植物样地的含水量计算类似，称量出5米半径样地内所有的灌木草本植物鲜重设为FMsg，取少量的样本称量鲜重fmsg，烘干样本至恒重即干重dmsg，设含水率为wsg，灌木草本植物样地的含水量为ECOwatersg，则有
ECOwatersg＝FMsg·ωsg (5)
在步骤S20的过程中，以川西高原阿坝州羌族自治县——茂县作为研究区，基于landsat8 OLI影像和哨兵一号(Sentinel-1)双极化合成孔径雷达影像，结合步骤S10中的由野外实测数据测算出的样地植被含水量，根据以光学影像的原始波段信息、植被指数、植被类型和SAR数据的VV、VH极化下的后向散射系数以及不同极化下基于灰度共生矩阵(GLCM)派生的8个纹理指标，即均值(Mean)，方差(Variance)，协同性(Homogenetiy)，对比度(Contrast)，相异性(Dissimilarity)，熵(Entropy)，二阶距(Second Moment)，相关性(Correlation)，协同参与植被生态水反演模型的构建，分析这些地表参量与植被含水量的关系。建立了线性回归、神经网络、随机森林三个模型。对比了单一影像与多源影像建模结果的差异以及多源影像协同下的线性回归、神经网络、随机森林三个模型的差异。使用交叉验证的方式对上述模型进行评价。
表1 Landsat8反演模型
注：b2为大气校正后第2波段反射率，ndvi为归一化植被指数；“***”代表变量回归系数在P<0.001水平显著
表2 Sentinel-1反演模型
注：h_corr、h_secd为VH极化影像纹理指标中的的相关性、二阶矩，vv、v_homo为VV极化影像后向散射系数和纹理指数中的协同性，“·”代表变量回归系数在P<0.1水平显著，“*”变量回归系数在P<0.05水平显著。
表3多源遥感影像数据线性回归模型
注：b2、b6为大气校正后的反射率，ndvi归一化植被指数；vh、h_corr分别VH极化下的后向散射系数和纹理指数中的相关性。“***”、“**”、“*”分别代表变量回归系数在P<0.001、P<0.05、P<0.01水平下显著。
表4交叉验证前后模型对比
在步骤S30的过程中，结合步骤S20的模型评价结果，本专利选择了人工神经网络模型作为最终的反演模型。在R语言环境下将分类图和特征指标对应的遥感影像，带入已建好神经网络，得出研究区植被地上部分生态水分布图，结合了分类图，加入了植被类型变量，所以非植被覆盖区将自动掩膜。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种光学遥感影像协同极化SAR影像的植被生态水储量估算方法，包括以下步骤：
步骤S10：野外样地植被枝、干、叶部分生态水的测算；
步骤S20：研究区植被生态水储量估算模型建立及验证；
步骤S30：由最佳反演估算模型计算研究区植被生态空间水分布。
2.根据权利要求1所述光学遥感影像协同极化SAR影像的植被生态水储量估算方法，其特征在于：在步骤S10中，林木各个器官的生物量通常与林木的胸径和树高之间有很强的相关关系，结合对应树种的各个器官部分的异速生长方程，由生物量(干重)、含水率的关系推导，可计算出植被含水量。
3.根据权利要求1所述光学遥感影像协同极化SAR影像的植被生态水储量估算方法，其特征在于：在步骤S20中，从两种影像中提取原始波段反射率、植被指数、植被类型等地面参数；实现线性回归、随机森林回归、神经网络等模型的建立，通过交叉验证对比模型精度，选出最佳反演模型。
4.根据权利要求1所述光学遥感影像协同极化SAR影像的植被生态水储量估算方法，其特征在于：在步骤S30的过程中，采用步骤S20得出的最佳反演模型，计算出植被生态水分布图。
CN201910522516.5A 2019-06-17 2019-06-17 一种光学遥感影像协同极化sar影像的植被生态水储量估算方法 Pending CN110427592A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910522516.5A CN110427592A (zh) 2019-06-17 2019-06-17 一种光学遥感影像协同极化sar影像的植被生态水储量估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910522516.5A CN110427592A (zh) 2019-06-17 2019-06-17 一种光学遥感影像协同极化sar影像的植被生态水储量估算方法

Publications (1)

Publication Number Publication Date
CN110427592A true CN110427592A (zh) 2019-11-08

Family

ID=68407676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910522516.5A Pending CN110427592A (zh) 2019-06-17 2019-06-17 一种光学遥感影像协同极化sar影像的植被生态水储量估算方法

Country Status (1)

Country Link
CN (1) CN110427592A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178186A (zh) * 2019-12-16 2020-05-19 广州地理研究所 基于哨兵遥感数据的水稻提取方法及装置、设备
CN111553245A (zh) * 2020-04-24 2020-08-18 中国电建集团成都勘测设计研究院有限公司 基于机器学习算法和多源遥感数据融合的植被分类方法
CN111950336A (zh) * 2020-04-14 2020-11-17 成都理工大学 基于背包式激光雷达的植被冠层生态水估算方法
CN112986499A (zh) * 2021-02-26 2021-06-18 山西奥瑞生物材料有限公司 一种同种骨植入材料残余水量均匀度测定方法
CN113762226A (zh) * 2021-11-09 2021-12-07 成都理工大学 基于高光谱分辨率调整提升树种识别精度的方法及系统
CN114994087A (zh) * 2022-05-27 2022-09-02 昆明理工大学 一种基于极化sar数据的植被叶片含水量遥感反演方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178186A (zh) * 2019-12-16 2020-05-19 广州地理研究所 基于哨兵遥感数据的水稻提取方法及装置、设备
CN111950336A (zh) * 2020-04-14 2020-11-17 成都理工大学 基于背包式激光雷达的植被冠层生态水估算方法
CN111553245A (zh) * 2020-04-24 2020-08-18 中国电建集团成都勘测设计研究院有限公司 基于机器学习算法和多源遥感数据融合的植被分类方法
CN112986499A (zh) * 2021-02-26 2021-06-18 山西奥瑞生物材料有限公司 一种同种骨植入材料残余水量均匀度测定方法
CN113762226A (zh) * 2021-11-09 2021-12-07 成都理工大学 基于高光谱分辨率调整提升树种识别精度的方法及系统
CN113762226B (zh) * 2021-11-09 2022-01-07 成都理工大学 基于高光谱分辨率调整提升树种识别精度的方法及系统
CN114994087A (zh) * 2022-05-27 2022-09-02 昆明理工大学 一种基于极化sar数据的植被叶片含水量遥感反演方法
CN114994087B (zh) * 2022-05-27 2024-05-17 昆明理工大学 一种基于极化sar数据的植被叶片含水量遥感反演方法

Similar Documents

Publication Publication Date Title
CN110427592A (zh) 一种光学遥感影像协同极化sar影像的植被生态水储量估算方法
Ranney et al. A method to downscale soil moisture to fine resolutions using topographic, vegetation, and soil data
Yu et al. Improvement of sugarcane yield estimation by assimilating UAV-derived plant height observations
Vazifedoust et al. Increasing water productivity of irrigated crops under limited water supply at field scale
Chen et al. Spatial distribution of carbon sources and sinks in Canada’s forests
Saatchi et al. Estimation of crown and stem water content and biomass of boreal forest using polarimetric SAR imagery
Quan et al. A Bayesian network-based method to alleviate the ill-posed inverse problem: A case study on leaf area index and canopy water content retrieval
CN109884664A (zh) 一种城市地上生物量光学微波协同反演方法及系统
CN102314546B (zh) 基于虚拟植物的植物生长生物量变化估算方法
CN104483271B (zh) 光学反射模型与微波散射模型协同的森林生物量反演方法
Wang et al. Biophysical estimation in tropical forests using JERS‐1 SAR and VNIR imagery. II. Aboveground woody biomass
CN108876917A (zh) 一种森林地上生物量遥感估测通用模型构建方法
CN110287457A (zh) 基于卫星雷达遥感数据的玉米生物量反演测算方法
CN110378926B (zh) 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法
Lee et al. A combined passive/active microwave remote sensing approach for surface variable retrieval using Tropical Rainfall Measuring Mission observations
He et al. Using LiDAR data to measure the 3D green biomass of Beijing urban forest in China
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
CN110378925A (zh) 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法
CN108169141A (zh) 一种基于高光谱图像的茶树lai及氮含量估算方法
CN110222656B (zh) 基于遥感技术的地上植被生态水定量反演方法
Zhang et al. RETRACTED: Estimation of aboveground biomass of vegetation based on landsat 8 OLI images
Stenberg et al. Boreal forest leaf area index from optical satellite images: model simulations and empirical analyses using data from central Finland.
Tegelmark Site factors as multivariate predictors of the success of natural regeneration in Scots pine forests
Tian et al. Retrieving leaf area index for coniferous forest in Xingguo County, China with Landsat ETM+ images
Giroud et al. Ecogeographic variation in black spruce wood properties across Quebec’s boreal forest

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191108