CN110570399A - 一种基于时间序列遥感数据的油棕树龄测算方法 - Google Patents
一种基于时间序列遥感数据的油棕树龄测算方法 Download PDFInfo
- Publication number
- CN110570399A CN110570399A CN201910759290.0A CN201910759290A CN110570399A CN 110570399 A CN110570399 A CN 110570399A CN 201910759290 A CN201910759290 A CN 201910759290A CN 110570399 A CN110570399 A CN 110570399A
- Authority
- CN
- China
- Prior art keywords
- oil palm
- remote sensing
- time series
- age
- data
- 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
Links
- 235000001950 Elaeis guineensis Nutrition 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 14
- 240000003133 Elaeis guineensis Species 0.000 title 1
- 241000512897 Elaeis Species 0.000 claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 235000019482 Palm oil Nutrition 0.000 abstract description 5
- 239000002540 palm oil Substances 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 235000015112 vegetable and seed oil Nutrition 0.000 description 3
- 239000008158 vegetable oil Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 241001133760 Acoelorraphe Species 0.000 description 1
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 244000060011 Cocos nucifera Species 0.000 description 1
- 235000013162 Cocos nucifera Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 235000020232 peanut Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于时间序列遥感数据的油棕树龄测算方法，利用遥感影像中时间序列遥感卫星数据，结合用于检测森林扰动的LandTrendr模型，得到油棕特许经营权范围内的森林扰动年份，进而推算出油棕的树龄。本发明可用于大区域的油棕树龄估算，得到油棕树龄的空间分布信息后，可应用于棕榈油的估产。
Description
技术领域
本发明属于遥感技术领域，具体涉及一种基于时间序列遥感数据的油棕树龄测算方法。
背景技术
油棕属多年生单叶子植物，归属油棕属、棕榈科。棕榈油作为“世界三大植物油”，是世界上最具产量的植物油料作物之一。平均每年每公顷油棕种植园产3.5吨棕榈油，产油量是椰子的2-3倍，是花生产油量的7-8倍，所以被誉为“世界油王”，同时也是目前世界上生产量、消费量和国际贸易量最大的植物油品种。而在国家和区域尺度上，遥感监测技术因其宏观、实时、快速、动态等特点，使得了解热带地区(例如东南亚地区)的油棕树龄空间分布信息变得可能。
目前基于遥感的油棕树龄估算主要是通过一些油棕的生物物理参数进行反演，这些参数包括叶面积指数(LAI，Leaf Area Index)，树冠投影面积(CPA，crown projectionarea)和树高等(Chong et al.2017)。而这些参数的测点要么需要实地观测，例如叶面积指数的获取需要用LAI-2200等仪器实地观测；要么需要用到高分辨率样影像，例如树冠投影面积的估算；要么用到激光雷达(LiDAR，Light Detection and Ranging)或者干涉测量合成孔径雷达(InSAR，Interferometry Synthetic Aperture Radar)数据，例如树高的估算。而实地观测只能反演出小范围的油棕树龄，高分辨率遥感数据大都为商业卫星数据，需要大量的经费投入，而LiDAR和InSAR数据，特别是时间序列上的数据，也需要大量经费投入。目前还未有大范围油棕树龄估算的有效方法。
针对大范围(例如国家尺度、区域尺度)的油棕树龄信息，需要一种基于时间序列免费遥感影像的油棕树龄的方法，更好地满足大范围油棕产量和生物量估算，为科学决策提供更准确的数据支撑。
发明内容
鉴于上述技术问题，本发明的目的在于提供一种基于时间序列遥感数据的油棕树龄测算方法，具体来说，就是利用长时间序列的Landsat遥感影像，结合LandTrendr模型，对油棕特许经营(Oil Palm Concessions)范围(例如东南亚地区)内的油棕树龄进行估算，得到油棕树龄的空间分布信息后，可应用于棕榈油的估产。
为了达到上述目的，本发明所采用的技术方案如下：
根据本发明的一个方面，提供了一种基于时间序列遥感数据的油棕树龄测算方法，利用遥感影像中时间序列遥感卫星数据，结合用于检测森林扰动的LandTrendr模型，得到油棕特许经营权范围内的森林扰动年份，进而推算出油棕的树龄。
在本发明的某些实施例中，包括以下步骤：
得到油棕特许经营范围内油棕的具体空间分布范围；
在特许经营范围内，设置LandTrendr模型的输入参数，所述输入参数包括时间范围、所用到的遥感植被指数以及模型运行时所需定义的分割参数；
基于所述LandTrendr模型，得到对应位置的森林扰动年份，计算该年份距当前一共多少年，进而推断出油棕的当前树龄。
在本发明的某些实施例中，所述遥感植被指数为基于遥感影像计算得到的归一化燃烧比率NBR，其计算公式为：
NBR＝(NIR–SWIR)/(NIR+SWIR)；
其中，NIR为时间序列遥感卫星数据的近红外波段数据，SWIR为时间序列遥感卫星数据的短波红外波段数据。
在本发明的某些实施例中，推断出油棕的当前树龄后，得到油棕特许经营范围内的油棕树龄空间分布信息。
从上述技术方案可以看出，本发明基于时间序列遥感数据的油棕树龄测算方法至少具有以下有益效果：本发明可用于大区域的油棕树龄估算，得到油棕树龄的空间分布信息后，可应用于棕榈油的估产。
附图说明
图1为本发明实施例马来西亚砂拉越地区和印度尼西亚油棕特许经营范围内油棕的分布示意图。
图2为本发明实施例Google Earth高分辨率影像图。
图3为本发明实施例基于LandTrendr的时间序列NBR变化图。
具体实施方式
本发明以东南亚马来西亚砂拉越地区和印度尼西亚油棕特许经营(OilPalmConcessions)范围内的油棕为例，利用长时间序列的美国陆地遥感卫星Landsat数据，结合原本用于检测森林扰动的LandTrendr模型，得到油棕特许经营权范围内的森林扰动年份，进而推算出油棕的树龄。其中，LandTrendr模型可用于识别连续和缓慢变化的干扰事件，一般应用于具有采伐、火、病虫害存在的森林。该模型的核心算法为时间序列分割，即使用时间序列中的每个像元来识别变化的归一化燃烧比率(NBR，NormalizedBurn Ratio)值，并保留时间序列中NBR值的最大变化，对应的小的变化进行滤波操作，目的是增加信噪比。
本发明基于时间序列遥感数据的油棕树龄测算方法的具体实施步骤如下：
(1)得到东南亚马来西亚砂拉越地区和印度尼西亚油棕特许经营(OilPalmConcessions)范围内油棕的具体空间分布范围，如图1所示。其中，马来西亚砂拉越地区油棕特许经营(Oil Palm Concessions)范围分布数据来自于SADIA，Aidenvironment&Earthsight Investigations，印度尼西亚油棕特许经营(Oil Palm Concessions)范围分布数据来自于该国林业部，数据下载地址为：http://data.globalforestwatch.org/ datasets/20398d4dc36e47bd92b559786670f270_1？geometry＝98.831％2C-2.004％ 2C128.472％2C5.677。
(2)在特许经营范围内，设置LandTrendr模型的输入参数，包括时间范围，所用到的遥感植被指数，以及模型运行时所需定义的分割参数。其中，时间范围设定为1984年到2018年，所用到的遥感植被指数为基于Landsat遥感影像计算得到的归一化燃烧比率(NBR，Normalized BurnRatio)，其计算公式为NBR＝(NIR–SWIR)/(NIR+SWIR)，其中NIR为Landsat近红外波段数据，SWIR为Landsat短波红外波段数据，模型运行所需明确的分割参数值分别为：
Max Segments：9，
Spike Threshold：0.9，
Vertex Count Overshoot：3，
Prevent One Year Recovery：true，
Recovery Threshold：0.25，
p-value Threshold：0.05，
Best Model Proportion：0.75，
Min Observations Needed：6。
(3)基于LandTrendr模型，得到对应位置的森林扰动年份，计算该年份距现在一共多少年，进而推断出油棕树龄。例如，计算坐标位置为3.0872N，112.939E所对应的30米分辨率像元(Landsat空间分辨率为30米)范围内的油棕年龄。根据Google Earth上的高分辨率影像信息，2016年到2018年间，该地区的原始自然森林变为了人工的油棕，如图2所示，成像时间分别为：左图2016年5月2日，右图2018年8月12日。通过图2的右图可以看出，2018年8月12日该地区还存在一些还未完全砍伐或者焚烧的原始自然森林，如坐标位置的左边和上边。基于LandTrendr模型，即可以得到对应像元的森林扰动年份，如图3所示，为本实施例中基于LandTrendr的时间序列NBR变化图，其中，Original为原始数据，Fitted为拟合数据，位置：3.0872N，112.939E，其中2017年的NBR原始数据和前些年的值差别不大，2018年的NBR原始数据迅速下降到0左右，由此可以判定本例中的扰动年份为2018年，因为该地区一般会将原始自然林或者已经老龄化的油棕进行砍伐焚烧，我们这里假定继续遵循这一规则，则本例子中像元内的油棕树龄为1年。进一步，则可得到东南亚马来西亚砂拉越地区和印度尼西亚油棕特许经营(Oil Palm Concessions)范围内的油棕树龄空间分布信息。
至此，已经结合附图对本实施例进行了详细描述。依据以上描述，本领域技术人员应当对本发明基于时间序列遥感数据的油棕树龄测算方法有了清楚的认识。
还需要说明的是，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于时间序列遥感数据的油棕树龄测算方法，其特征在于，利用遥感影像中时间序列遥感卫星数据，结合用于检测森林扰动的LandTrendr模型，得到油棕特许经营权范围内的森林扰动年份，进而推算出油棕的树龄。
2.根据权利要求1所述的基于时间序列遥感数据的油棕树龄测算方法，其特征在于，包括以下步骤：
得到油棕特许经营范围内油棕的具体空间分布范围；
在特许经营范围内，设置LandTrendr模型的输入参数，所述输入参数包括时间范围、所用到的遥感植被指数以及模型运行时所需定义的分割参数；
基于所述LandTrendr模型，得到对应位置的森林扰动年份，计算该年份距当前一共多少年，进而推断出油棕的当前树龄。
3.根据权利要求2所述的基于时间序列遥感数据的油棕树龄测算方法，其特征在于，所述遥感植被指数为基于遥感影像计算得到的归一化燃烧比率NBR，其计算公式为：
NBR＝(NIR–SWIR)/(NIR+SWIR)；
其中，NIR为时间序列遥感卫星数据的近红外波段数据，SWIR为时间序列遥感卫星数据的短波红外波段数据。
4.根据权利要求2所述的基于时间序列遥感数据的油棕树龄测算方法，其特征在于，推断出油棕的当前树龄后，得到油棕特许经营范围内的油棕树龄空间分布信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759290.0A CN110570399A (zh) | 2019-08-16 | 2019-08-16 | 一种基于时间序列遥感数据的油棕树龄测算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759290.0A CN110570399A (zh) | 2019-08-16 | 2019-08-16 | 一种基于时间序列遥感数据的油棕树龄测算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110570399A true CN110570399A (zh) | 2019-12-13 |
Family
ID=68775502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910759290.0A Pending CN110570399A (zh) | 2019-08-16 | 2019-08-16 | 一种基于时间序列遥感数据的油棕树龄测算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110570399A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765556A (zh) * | 2020-12-30 | 2021-05-07 | 中国空间技术研究院 | 一种基于密集时间遥感数据的新生红树林树龄评估方法 |
| CN113484247A (zh) * | 2021-07-07 | 2021-10-08 | 南京大学 | 一种基于多源时间序列遥感影像的页岩油气燃烧提取方法 |
| CN114445703A (zh) * | 2022-01-14 | 2022-05-06 | 清华大学 | 基于时间序列分析的森林增长年份自动识别方法、系统 |
| WO2023090988A1 (en) | 2021-11-16 | 2023-05-25 | Sime Darby Plantation Intellectual Property Sdn Bhd | Method for detecting and/or counting trees |
| CN117975263A (zh) * | 2024-01-11 | 2024-05-03 | 中国矿业大学(北京) | 一种区域森林年龄估算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718936A (zh) * | 2016-02-02 | 2016-06-29 | 福州大学 | 一种森林动态变化模式自动提取方法 |
| CN107247809A (zh) * | 2017-07-19 | 2017-10-13 | 南京林业大学 | 一种人工林森林年龄空间制图的新方法 |
-
2019
- 2019-08-16 CN CN201910759290.0A patent/CN110570399A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718936A (zh) * | 2016-02-02 | 2016-06-29 | 福州大学 | 一种森林动态变化模式自动提取方法 |
| CN107247809A (zh) * | 2017-07-19 | 2017-10-13 | 南京林业大学 | 一种人工林森林年龄空间制图的新方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张文秋 等: "基于Landsat时间序列的湖南省会同县杉木人工林干扰历史重建与林龄估算", 《生态学杂志》 * |
| 沈文娟 等: "长时间序列多源遥感数据的森林干扰监测算法研究进展", 《遥感学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765556A (zh) * | 2020-12-30 | 2021-05-07 | 中国空间技术研究院 | 一种基于密集时间遥感数据的新生红树林树龄评估方法 |
| CN112765556B (zh) * | 2020-12-30 | 2022-05-24 | 中国空间技术研究院 | 一种基于密集时间遥感数据的新生红树林树龄评估方法 |
| CN113484247A (zh) * | 2021-07-07 | 2021-10-08 | 南京大学 | 一种基于多源时间序列遥感影像的页岩油气燃烧提取方法 |
| CN113484247B (zh) * | 2021-07-07 | 2022-03-25 | 南京大学 | 一种基于多源时间序列遥感影像的页岩油气燃烧提取方法 |
| WO2023090988A1 (en) | 2021-11-16 | 2023-05-25 | Sime Darby Plantation Intellectual Property Sdn Bhd | Method for detecting and/or counting trees |
| CN114445703A (zh) * | 2022-01-14 | 2022-05-06 | 清华大学 | 基于时间序列分析的森林增长年份自动识别方法、系统 |
| CN117975263A (zh) * | 2024-01-11 | 2024-05-03 | 中国矿业大学(北京) | 一种区域森林年龄估算方法 |
| CN117975263B (zh) * | 2024-01-11 | 2024-11-12 | 中国矿业大学(北京) | 一种区域森林年龄估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570399A (zh) | 一种基于时间序列遥感数据的油棕树龄测算方法 | |
| Chen et al. | Detecting irrigation extent, frequency, and timing in a heterogeneous arid agricultural region using MODIS time series, Landsat imagery, and ancillary data | |
| Pflugmacher et al. | Using Landsat-derived disturbance and recovery history and lidar to map forest biomass dynamics | |
| Wulder et al. | Biomass status and dynamics over Canada’s forests: Disentangling disturbed area from associated aboveground biomass consequences | |
| Healey et al. | Application of two regression-based methods to estimate the effects of partial harvest on forest structure using Landsat data | |
| Morton et al. | Mapping canopy damage from understory fires in Amazon forests using annual time series of Landsat and MODIS data | |
| Helmer et al. | Mapping tropical dry forest height, foliage height profiles and disturbance type and age with a time series of cloud-cleared Landsat and ALI image mosaics to characterize avian habitat | |
| CN110751094A (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 | |
| Hua et al. | Improved mapping of long-term forest disturbance and recovery dynamics in the subtropical China using all available landsat time-series imagery on google earth engine platform | |
| Diao et al. | Use of vegetation change tracker, spatial analysis, and random forest regression to assess the evolution of plantation stand age in Southeast China | |
| Song et al. | The spectral/temporal manifestation of forest succession in optical imagery: The potential of multitemporal imagery | |
| CN105551168A (zh) | 一种农田火灾遥感监测预警的方法及系统 | |
| CN113609899A (zh) | 基于遥感时序分析的退耕地信息定位显示系统 | |
| Huang et al. | An algorithm of forest age estimation based on the forest disturbance and recovery detection | |
| Liu et al. | Spatio-temporal variability in rangeland conditions associated with climate change in the Altun Mountain National Nature Reserve on the Qinghai-Tibet Plateau over the past 15 years | |
| CN110298322A (zh) | 一种基于遥感数据的耕地提取方法及系统 | |
| Chen et al. | Improving forest age prediction performance using ensemble learning algorithms base on satellite remote sensing data | |
| Chen et al. | Lidar calibration and validation for geometric-optical modeling with Landsat imagery | |
| Qi et al. | Mapping tea plantations using multitemporal spectral features by harmonised Sentinel-2 and Landsat images in Yingde, China | |
| Ma et al. | A novel approach to detect the spring corn phenology using layered strategy | |
| Wang et al. | Consistent, accurate, high resolution, long time-series mapping of built-up land in the North China Plain | |
| Zhu et al. | A Coupled Temporal–Spectral–Spatial Multidimensional Information Change Detection Framework Method: A Case of the 1990–2020 Tianjin, China | |
| Lück-Vogel et al. | Remote sensing based ecosystem state assessment in the Sandveld Region, South Africa | |
| Tao et al. | From frequency to intensity–A new index for annual large-scale cropping intensity mapping | |
| Heyojoo et al. | Estimation of above-ground phytomass and carbon in tree resources outside the forest (TROF): A geo-spatial approach |
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 |