CN112348812B - 林分年龄信息测量方法及装置 - Google Patents
林分年龄信息测量方法及装置 Download PDFInfo
- Publication number
- CN112348812B CN112348812B CN202011410773.9A CN202011410773A CN112348812B CN 112348812 B CN112348812 B CN 112348812B CN 202011410773 A CN202011410773 A CN 202011410773A CN 112348812 B CN112348812 B CN 112348812B
- Authority
- CN
- China
- Prior art keywords
- stand
- vegetation index
- normalized vegetation
- value
- age
- 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
- 238000000691 measurement method Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000002310 reflectometry Methods 0.000 claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims description 33
- 230000005855 radiation Effects 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 241000018650 Pinus massoniana Species 0.000 description 10
- 235000011610 Pinus tabuliformis Nutrition 0.000 description 10
- 240000007263 Pinus koraiensis Species 0.000 description 8
- 235000011615 Pinus koraiensis Nutrition 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 3
- 235000011613 Pinus brutia Nutrition 0.000 description 3
- 241000018646 Pinus brutia Species 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 235000008582 Pinus sylvestris Nutrition 0.000 description 2
- 241000218626 Pinus sylvestris Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000001839 pinus sylvestris Substances 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001397809 Hakea leucoptera Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method 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
- 230000007613 environmental effect Effects 0.000 description 1
- 210000000020 growth cone Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003595 mist Substances 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
- 230000035772 mutation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种林分年龄信息测量方法及装置，在获取到长时间序列的待测林分的遥感卫星影像，根据各遥感卫星影像获得对应的地表真实反射率；进一步地，根据地表真实反射率获得长时间序列的归一化植被指数，并根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。基于此，通过遥感卫星影像完成对待测林分的林分年龄的追溯反演，高效测量出待测林分的林分年龄，以便于实现对大区域林龄信息制图和森林动态变化追踪工作。
Description
技术领域
本发明涉及森林计量研究技术领域，特别是涉及一种林分年龄信息测量方法及装置。
背景技术
森林生态系统作为全球陆地生态系统的重要组成部分，其碳储量约占到全球陆地生态系统总碳储量的33％～46％，作为全球最大的碳库，森林对于调节全球生态系统碳平衡时空分布格局、调节全球气候变化以及促进人类可持续发展发挥着重要作用。
其中，林分指树木起源、树种组成、林相、林龄、郁闭度、地位级或地位指数、出材率、林型、林况等内部结构特征基本相同，而与周围有明显区别的一片森林，是森林植物群落与立地条件的有机统一体，又是营林与森林经理的实体，而林分年龄则是林分内林木的平均年龄。林分年龄作为评价森林生长健康状况的参数之一，林分年龄的精确估算不仅关系到林业部门制定方针政策的科学性，还会直接影响到森林植被的碳储量、净植被生产力(NPP)和森林蓄积量等参数遥感定量反演和模型估算精度。
林分年龄获取的传统方法是生长锥法和历史记录追踪法，这两类方法获得林龄结果精度较高。然而，由于林分一般是大面积的森林，传统的林分年龄获取方法需要耗费大量人力物力，更是难以应对大面积的林分年龄调查。由此可见，传统的林分年龄获取方法还存在以上缺陷。
发明内容
基于此，有必要针对传统的林分年龄获取方法还存在的缺陷，提供一种林分年龄信息测量方法及装置。
一种林分年龄信息测量方法，包括步骤：
获取长时间序列的待测林分的遥感卫星影像，并根据各遥感卫星影像获得对应的地表真实反射率；
根据地表真实反射率获得长时间序列的归一化植被指数；
根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。
上述的林分年龄信息测量方法，在获取到长时间序列的待测林分的遥感卫星影像，根据各遥感卫星影像获得对应的地表真实反射率；进一步地，根据地表真实反射率获得长时间序列的归一化植被指数，并根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。基于此，通过遥感卫星影像完成对待测林分的林分年龄的追溯反演，高效测量出待测林分的林分年龄，以便于实现对大区域林龄信息制图和森林动态变化追踪工作。
在其中一个实施例中，根据各遥感卫星影像获得对应的地表真实反射率的过程，包括步骤：
将遥感卫星影像的DN值转换为辐射亮度值；
根据辐射亮度值获得地表真实反射率。
在其中一个实施例中，将遥感卫星影像的DN值转换为辐射亮度值的过程，如下式：
Lra＝DN*Gain+Offset
其中，Lra为辐射亮度值，Gain为校正增益系数，Offset为校正偏移量，DN为DN值。
在其中一个实施例中，根据辐射亮度值获得地表真实反射率的过程，如下式：
其中，p为地表真实反射率，Lra为辐射亮度值，Lpath为程辐射，E为地面物体的辐射度，τ为大气透射率。
在其中一个实施例中，根据地表真实反射率获得长时间序列的归一化植被指数的过程，如下式：
其中，NDVI为归一化植被指数，ρred为红波段的反射率值，ρnir为近红外波段的反射率值。
在其中一个实施例中，在根据归一化植被指数构建林分年龄模型的过程之前，还包括步骤：
修正遥感卫星影像中的异常像元值。
在其中一个实施例中，在根据归一化植被指数构建林分年龄模型的过程之前，还包括步骤：
通过线性回归模型修正不同卫星传感器采集的归一化植被指数。
在其中一个实施例中，通过线性回归模型修正不同卫星传感器采集的归一化植被指数的过程，如下式：
其中，y＝ax+b为修正后的归一化植被指数线性变化，分别为同年不同卫星传感器的影像均值，σy、σx分别为同年不同卫星传感器的数据标准差。
在其中一个实施例中，在根据归一化植被指数构建林分年龄模型的过程之前，还包括步骤：
对归一化植被指数作滤波平滑处理。
在其中一个实施例中，对归一化植被指数作滤波平滑处理的过程，包括步骤：
通过Savitzky-Golay滤波器对归一化植被指数作滤波平滑处理，如下式：
其中，为重建后的数据，yj+i为原始数据，Ci为滤波系数，N为研究的滑动窗口的数据个数，k为窗口的宽度，N＝2k+1。
在其中一个实施例中，根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄的过程，如下式：
其中，M为待测林分的林分年龄，Tc为砍伐节点，Tp为种植节点，为砍伐节点处的归一化植被指数，/>为种植节点处的归一化植被指数，NDVIi为长时间序列的归一化植被指数，/>为长时间序列的归一化植被指数的极大值，/>为长时间序列的归一化植被指数的极小值，/>为基于长时间序列的归一化植被指数求导一阶微分后的砍伐节点处的一阶导数值，/>为基于长时间序列的归一化植被指数集求导一阶微分后的种植节点处的一阶导数值；其中，砍伐节点为归一化植被指数开始由高值变为低值且呈现不断下降趋势的点，种植节点为长时间序列的归一化植被指数的最低点。
一种林分年龄信息测量装置，包括：
影像获取模块，用于获取长时间序列的待测林分的遥感卫星影像，并根据各遥感卫星影像获得对应的地表真实反射率；
指数获取模块，用于根据地表真实反射率获得长时间序列的归一化植被指数；
年龄测量模块，用于根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。
上述的林分年龄信息测量装置，在获取到长时间序列的待测林分的遥感卫星影像，根据各遥感卫星影像获得对应的地表真实反射率；进一步地，根据地表真实反射率获得长时间序列的归一化植被指数，并根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。基于此，通过遥感卫星影像完成对待测林分的林分年龄的追溯反演，高效测量出待测林分的林分年龄，以便于实现对大区域林龄信息制图和森林动态变化追踪工作。
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的林分年龄信息测量方法。
上述的计算机存储介质，在获取到长时间序列的待测林分的遥感卫星影像，根据各遥感卫星影像获得对应的地表真实反射率；进一步地，根据地表真实反射率获得长时间序列的归一化植被指数，并根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。基于此，通过遥感卫星影像完成对待测林分的林分年龄的追溯反演，高效测量出待测林分的林分年龄，以便于实现对大区域林龄信息制图和森林动态变化追踪工作。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的林分年龄信息测量方法。
上述的计算机设备，在获取到长时间序列的待测林分的遥感卫星影像，根据各遥感卫星影像获得对应的地表真实反射率；进一步地，根据地表真实反射率获得长时间序列的归一化植被指数，并根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。基于此，通过遥感卫星影像完成对待测林分的林分年龄的追溯反演，高效测量出待测林分的林分年龄，以便于实现对大区域林龄信息制图和森林动态变化追踪工作。
附图说明
图1为一实施方式的林分年龄信息测量方法流程图；
图2为另一实施方式的林分年龄信息测量方法流程图；
图3为一应用例的Landsat系列遥感卫星影像辐射归一化及NDVI数据集构建方法示意图；
图4为一应用例的NDVI数据集正确性检验方法示意图；
图5为又一实施方式的林分年龄信息测量方法流程图；
图6为一应用例的Landsat卫星的修正前NDVI值时序变化图；
图7为一应用例的Landsat卫星的修正后NDVI值时序变化图；
图8为Savitzky-Golay滤波平滑方法示意图；
图9为一应用例的林分模型追溯提取油松方法示意图；
图10为一应用例的林分模型追溯反演结果示意图；
图11为一实施方式的林分年龄信息测量装置模块结构图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。
本发明实施例提供了一种林分年龄信息测量方法。
图1为一实施方式的林分年龄信息测量方法流程图，如图1所示，一实施方式的林分年龄信息测量方法包括步骤S100至步骤S102：
S100，获取长时间序列的待测林分的遥感卫星影像，并根据各遥感卫星影像获得对应的地表真实反射率；
其中，卫星遥感技术具备实时、快速以及大面积同步监测的特点，在刻画地表地物时间、空间尺度上的动态变化特征具有独特的优势。当前遥感卫星逐步从低空间分辨率卫星(例如MODIS、中高空间分辨率卫星Landsat系列，Sentinel-2、国产GF系列卫星)发展到高分辨率光谱卫星(WorldView-2、QuickBird)，挖掘不同空间、时间尺度上遥感数据的光谱动态响应特征，为森林优势树种林龄估算和监测提供了技术基础。
基于历年份的遥感卫星影像采集，确定以年份推进的长时间序列，获取基于这一长时间序列的待测林分的遥感卫星影像。后续形成的时间序列的归一化植被指数以曲线或集合的形式呈现。
在其中一个实施例中，图2为另一实施方式的林分年龄信息测量方法流程图，如图2所示，步骤S100中根据各遥感卫星影像获得对应的地表真实反射率的过程，包括步骤S200和步骤S201：
S200，将遥感卫星影像的DN值转换为辐射亮度值；
其中，遥感卫星影响中的每幅影像的亮度灰度DN(Digital Number遥感影像像元亮度值)值辐射亮度值，以完成辐射定标。
在其中一个实施例中，步骤S200中将遥感卫星影像的DN值转换为辐射亮度值的过程，如下式：
Lra＝DN*Gain+Offset
其中，Lra为辐射亮度值，Gain为校正增益系数，Offset为校正偏移量，DN为DN值。
S201，根据辐射亮度值获得地表真实反射率。
其中，将辐射亮度值转换为地表真实反射率，以完成大气校正的过程。
在其中一个实施例中，步骤S201中根据辐射亮度值获得地表真实反射率的过程，如下式：
其中，p为地表真实反射率，Lra为辐射亮度值，Lpath为程辐射，E为地面物体的辐射度，τ为大气透射率。
作为一个较优的实施方式，为了更好地解释本实施例的技术方案。以待测林分为人工油松林为例，对本实施例的各技术方案步骤进行应用例展示。图3为一应用例的Landsat系列遥感卫星影像辐射归一化及NDVI(Normalized Difference VegetationIndex归一化植被指数)数据集构建流程方法示意图，如图3所示，本应用例采用美国地质调查局(USGS)地球资源观测和科学中心科学处理部门(ESPA)开发的陆地卫星生态系统干扰自适应处理系统LEDAPS(Landsat Ecosystem Disturbance Adaptive ProcessingSystem)软件。LEDAPS项目主要研究的是长时间跨度的稠密时间序列Landsat GeoCover影像数据集的预处理算法，具体实现流程为：首先利用大气校正MODTRAN模型，将原始的光谱信号值校正为大气层顶反射率；然后进行云检测以及云掩膜操作；接下来利用AROP程序包算法对遥感影像进行正射纠正和精确配准；最后利用6S辐射传输模型对辐射定标以及云掩膜后的影像数据进行大气校正，使得遥感影像的光谱值转化为地表真实反射率，并形成地表反射率产品。
S101，根据地表真实反射率获得长时间序列的归一化植被指数；
在步骤S100中获得长时间序列的地表真实反射率计算长时间序列的归一化植被指数后，将长时间序列的地表真实反射率按节点转换成归一化植被指数，得到长时间序列的归一化植被指数。其中，长时间序列的归一化植被指数可以NDVI曲线呈现，NDVI曲线是NDVI长时间序列数据集构成的时间变化信号，随地表覆盖类型的差异而不同，在时间上呈现出与植被生物学特征相关的周期和变化，表现出定的年际和季节变化。
在其中一个实施例中，步骤S101中根据地表真实反射率获得长时间序列的归一化植被指数的过程，如下式：
其中，NDVI为归一化植被指数，ρred为红波段的反射率值，ρnir为近红外波段的反射率值。
根据上式，完成各节点的归一化植被指数计算，确定长时间序列的归一化植被指数。
在本实施例的应用例中，油松属于常绿针叶林，为避免复杂地物影响油松的光谱信息，同时快捷的提取出油松的分布区域信息，本发明选择的影像主要为冬季的NDVI影像。最终，获取的长时间序列遥感卫星影像数据时间从1984年一直到2019年，跨度为35年。不同的传感器、薄雾等大气条件，太阳位置和角度条件及某些不可避免的噪声会引起传感器的测量值与目标地物反射率之间信息不匹配。信息不匹配在时间序列数据光谱中较为普遍，会导致地物在时间序列光谱中出现异常值。本发明为降低时间序列光谱信息不匹配问题，使用两类固定地物(包括机场跑道以及裸土)的NDVI时序变化评价时间序列数据的正确性。图4为一应用例的NDVI数据集正确性检验方法示意图，如图4所示，分析结果表明，左图的机场跑道的NDVI值始终在0-0.1范围内变化，右图的裸土的NDVI值始终在0.1-0.2范围内变化，两类固定地物的NDVI时序变化差异较小，未出现异常变化。因此本发明的时间序列数据正确性程度较高，可用于追踪油松林龄时序变化规律。
在其中一个实施例中，图5为又一实施方式的林分年龄信息测量方法流程图，如图5所示，在步骤S102中根据归一化植被指数构建林分年龄模型的过程之前，还包括步骤S300：
S300，修正遥感卫星影像中的异常像元值。
由于遥感卫星影像数据受云、阴影以及雨雪等客观环境因素的影响，部分遥感卫星影像数据像元容易出现异常。其中，可通过遥感卫星影像的获取工具剔除异常像元值，以完整修正。
在其中一个实施例中，剔除后的像元使用临近年份的像元信息进行修正。作为一个较优的实施方式，异常像元为0值像元，第一年和最后一年0值像元使用最近年份的非0值像元替代，其他年份的0值像元使用相邻年份的像元均值作为替代。
在应用例中，通过LEDAPS批处理后生成的质量评估波段(The QualityAssessment(QA)Band)，并从中提取出云，阴影以及雪的掩膜产品将有问题的像元剔除。质量评估波段(QA)能够标示哪个像元可能受到云层或者仪器的影响，将有问题的像元从正常的像元中挑选出来能够保证科学研究的严谨性，降低非人为因素造成的长时间序列数据研究的可靠性。
在其中一个实施例中，如图5所示，在步骤S102中根据归一化植被指数构建林分年龄模型的过程之前，还包括步骤S400：
S400，通过线性回归模型修正不同卫星传感器采集的归一化植被指数。
其中，获取的遥感卫星影像是长时间序列获取的，这一过程中用于采集遥感卫星影像的卫星传感器若更换，会影响更换时间节点前后的遥感卫星影像。以林分为人工油松林的应用例为例，图6为一应用例的Landsat卫星的修正前NDVI值时序变化图，如图6所示，选择32年，40年，45年，50年以及55年林龄分析油松从幼龄林到成熟林生长过程中NDVI变化规律，结果表明油松在生长过程中NDVI呈略微上升趋势，在结合OLI波段计算NDVI构成长时间序列NDVI后，NDVI值出现了明显的抬高。经过进一步的分析后认为可能的原因是Landsat系列的TM和ETM+数据中红波段(0.63-0.69μm)和近红外波段(0.76-0.90μm)光谱范围相同而OLI数据红波段(0.63-0.68μm)和近红外波段(0.845-0.875μm)光谱通道变窄导致使用OLI数据计算NDVI值时，出现了高值。
在其中一个实施例中，步骤S400中通过线性回归模型修正不同卫星传感器采集的归一化植被指数的过程，如下式：
其中，y＝ax+b为修正后的归一化植被指数线性变化，分别为同年不同卫星传感器的影像均值，σy、σx分别为同年不同卫星传感器的数据标准差。
在应用例中，σy、σx分别代表2013年的OLI整幅影像NDVI数据标准差和2013年ETM+整幅影像NDVI数据标准差，经计算后的a值为0.67，b值为25.70，因此最终的线性回归公式如下式：
y＝0.67x+25.70
需要注意的是，上述线性值a值、b值可根据不同的应用场景计算，上述定值仅为应用例解释，不代表对其的唯一限定。
图7为一应用例的Landsat卫星的修正后NDVI值时序变化图，如图7所示，图示结果表明转换后的NDVI曲线呈现正常的NDVI变化趋势，OLI计算的NDVI抬高区域明显呈现与TM、ETM+数据类似的变化趋势，该趋势更加符合油松林龄的时间序列变化趋势。
在其中一个实施例中，如图5所示，在步骤S102中根据归一化植被指数构建林分年龄模型的过程之前，还包括步骤S500：
S500，对归一化植被指数作滤波平滑处理。
其中，通过滤波器对归一化植被指数进行滤波处理，使得NDVI曲线更加平滑、细节更丰富，以更适用于林分年龄的研究推演。
在其中一个实施例中，步骤S500中归一化植被指数作滤波平滑处理的过程，包括步骤：
通过Savitzky-Golay滤波器对归一化植被指数作滤波平滑处理，如下式：
其中，为重建后的数据，yj+i为原始数据，Ci为滤波系数，N为研究的滑动窗口的数据个数，k为窗口的宽度，N＝2k+1。
Savitzky-Golay滤波器滤波是基于移动窗口的加权平均算法，算法核心是通过某个点临近的固定个数的点拟合一个多项式，通过多项式的不断迭代拟合出该点最佳的平滑值。
在应用例中，图8为Savitzky-Golay滤波平滑方法示意图，如图8所示，Savitzky-Golay滤波需要设置两个参数，即平滑窗口大小和平滑多项式的次数。滤波窗口的大小能够影响平滑的数据结果，其窗口宽度越大，数据越平滑。平滑多项式的次数影响滤波细节，次数越大，纹理细节越清晰。利用该滤波器重建的长时间序列的归一化植被指数能够准确的描述时间序列的局部突变信息和长期变化趋势，且不受传感器和数据时空尺度的限制。根据该滤波器的优势以及试验参数，在其中一个实施例中，移动窗口设置为5×5，平滑多项式的次数设置为2。通过Savitzky-Golay滤波对长时间序列的归一化植被指数进行滤波变换，从而展现油松多年来的光谱变化特征。相对于标准化后的长时间序列NDVI数据的杂乱无章，滤波后的不同林龄油松的NDVI变化曲线更加平滑、细节更丰富，更适宜用于林龄模式的研究。
S102，根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。
其中，利用时间序列的归一化植被指数侯建林分年龄模型，以进行林分年龄的追溯反演。
在其中一个实施例中，根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄的过程，如下式：
其中，M为待测林分的林分年龄，Tc为砍伐节点，Tp为种植节点，为砍伐节点处的归一化植被指数，/>为种植节点处的归一化植被指数，NDVIi为长时间序列的归一化植被指数，/>为长时间序列的归一化植被指数的极大值，/>为长时间序列的归一化植被指数的极小值，/>为基于长时间序列的归一化植被指数求导一阶微分后的砍伐节点处的一阶导数值，/>为基于长时间序列的归一化植被指数集求导一阶微分后的种植节点处的一阶导数值；其中，砍伐节点为归一化植被指数开始由高值变为低值且呈现不断下降趋势的点，种植节点为长时间序列的归一化植被指数的最低点。
图9为一应用例的林分模型追溯提取油松方法示意图，如图9所示，选取4个具有代表性的油松林龄进行时间序列油松人工林种植林龄模型构建，包括15年、32年、45年油松以及砍伐区域。油松在从幼龄林到成熟林生长过程中，NDVI刚开始在不断增长，当达到0.4后呈现出相对稳定的趋势。当油松大面积砍伐后，NDVI不断减少，若不再种植会保持与裸土相似的NDVI值(0.2左右)，当大面积砍伐后重新种植，油松的NDVI值大概6-9年重新达到0.4，此后NDVI呈现相对稳定的趋势。根据以上信息并结合具体的林龄信息，本发明将时间序列NDVI最低点定义为种植节点Tp，具体为NDVI值为时间序列中最小值且在之后NDVI呈逐渐上升的趋势直至NDVI稳定在0.4以上；将NDVI开始由高值变为低值且呈现不断下降趋势的点，定义为砍伐节点Tc。根据种植节点和砍伐节点信息追溯油松的种植林龄。
基于此，图10为一应用例的林分模型追溯反演结果示意图，如图10所示，左图为油松种植分布，右图为油松林分年龄反演结果。由此可见，本发明实施例的方式可有效地应对大面积森林的林分年龄测量。
上述任一实施例的林分年龄信息测量方法，在获取到长时间序列的待测林分的遥感卫星影像，根据各遥感卫星影像获得对应的地表真实反射率；进一步地，根据地表真实反射率获得长时间序列的归一化植被指数，并根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。基于此，通过遥感卫星影像完成对待测林分的林分年龄的追溯反演，高效测量出待测林分的林分年龄，以便于实现对大区域林龄信息制图和森林动态变化追踪工作。
同时，通过异常像元值修正、线性回归模型修正和滤波平滑处理，有效降低卫星不同传感器计算的NDVI值差异，保证林分年龄反演测量精度的同时，有效提升算法的运算效率。
本发明实施例还提供了一种林分年龄信息测量装置。
图11为一实施方式的林分年龄信息测量装置模块结构图，如图11所示，一实施方式的林分年龄信息测量包括模块100、模块101和模块102：
影像获取模块100，用于获取长时间序列的待测林分的遥感卫星影像，并根据各遥感卫星影像获得对应的地表真实反射率；
指数获取模块101，用于根据地表真实反射率获得长时间序列的归一化植被指数；
年龄测量模块102，用于根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。
上述的林分年龄信息测量装置，在获取到长时间序列的待测林分的遥感卫星影像，根据各遥感卫星影像获得对应的地表真实反射率；进一步地，根据地表真实反射率获得长时间序列的归一化植被指数，并根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。基于此，通过遥感卫星影像完成对待测林分的林分年龄的追溯反演，高效测量出待测林分的林分年龄，以便于实现对大区域林龄信息制图和森林动态变化追踪工作。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的林分年龄信息测量方法。
本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种林分年龄信息测量方法。
上述计算机设备，在获取到长时间序列的待测林分的遥感卫星影像，根据各遥感卫星影像获得对应的地表真实反射率；进一步地，根据地表真实反射率获得长时间序列的归一化植被指数，并根据归一化植被指数构建林分年龄模型，并根据林分年龄模型追溯反演出待测林分的林分年龄。基于此，通过遥感卫星影像完成对待测林分的林分年龄的追溯反演，高效测量出待测林分的林分年龄，以便于实现对大区域林龄信息制图和森林动态变化追踪工作。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种林分年龄信息测量方法，其特征在于，包括步骤：
获取长时间序列的待测林分的遥感卫星影像，并根据各所述遥感卫星影像获得对应的地表真实反射率；
所述根据各所述遥感卫星影像获得对应的地表真实反射率的过程，包括步骤：
将所述遥感卫星影像的DN值转换为辐射亮度值；
根据所述辐射亮度值获得所述地表真实反射率；
所述将所述遥感卫星影像的DN值转换为辐射亮度值的过程，如下式：
Lra＝DN*Gain+Offset
其中，Lra为辐射亮度值，Gain为校正增益系数，Offset为校正偏移量，DN为所述DN值；
所述根据所述辐射亮度值获得所述地表真实反射率的过程，如下式：
其中，p为所述地表真实反射率，Lra为辐射亮度值，Lpath为程辐射，E为地面物体的辐射度，τ为大气透射率；
根据所述地表真实反射率获得长时间序列的归一化植被指数；
根据所述归一化植被指数构建林分年龄模型，并根据所述林分年龄模型追溯反演出待测林分的林分年龄；
所述根据所述归一化植被指数构建林分年龄模型，并根据所述林分年龄模型追溯反演出待测林分的林分年龄的过程，如下式：
其中，M为所述待测林分的林分年龄，Tc为砍伐节点，Tp为种植节点，NDVITc为所述砍伐节点处的归一化植被指数，为所述种植节点处的归一化植被指数，NDVIi为长时间序列的归一化植被指数，/>为长时间序列的归一化植被指数的极大值，/>为长时间序列的归一化植被指数的极小值，/>为基于长时间序列的归一化植被指数求导一阶微分后的砍伐节点处的一阶导数值，/>为基于长时间序列的归一化植被指数集求导一阶微分后的种植节点处的一阶导数值；其中，砍伐节点为归一化植被指数开始由高值变为低值且呈现不断下降趋势的点，种植节点为长时间序列的归一化植被指数的最低点。
2.根据权利要求1所述的林分年龄信息测量方法，其特征在于，在所述根据所述归一化植被指数构建林分年龄模型的过程之前，还包括步骤：
对所述归一化植被指数作滤波平滑处理。
3.根据权利要求2所述的林分年龄信息测量方法，其特征在于，所述对所述归一化植被指数作滤波平滑处理的过程，包括步骤：
通过Savitzky-Golay滤波器对归一化植被指数作滤波平滑处理，如下式：
其中，为重建后的数据，yj+i为原始数据，Ci为滤波系数，N为研究的滑动窗口的数据个数，k为窗口的宽度，N＝2k+1。
4.一种林分年龄信息测量装置，其特征在于，包括：
影像获取模块，用于获取长时间序列的待测林分的遥感卫星影像，并根据各所述遥感卫星影像获得对应的地表真实反射率；
所述根据各所述遥感卫星影像获得对应的地表真实反射率的过程，包括步骤：
将所述遥感卫星影像的DN值转换为辐射亮度值；
根据所述辐射亮度值获得所述地表真实反射率；
所述将所述遥感卫星影像的DN值转换为辐射亮度值的过程，如下式：
Lra＝DN*Gain+Offset
其中，Lra为辐射亮度值，Gain为校正增益系数，Offset为校正偏移量，DN为所述DN值；
所述根据所述辐射亮度值获得所述地表真实反射率的过程，如下式：
其中，p为所述地表真实反射率，Lra为辐射亮度值，Lpath为程辐射，E为地面物体的辐射度，τ为大气透射率；
指数获取模块，用于根据所述地表真实反射率获得长时间序列的归一化植被指数；
年龄测量模块，用于根据所述归一化植被指数构建林分年龄模型，并根据所述林分年龄模型追溯反演出待测林分的林分年龄；
所述根据所述归一化植被指数构建林分年龄模型，并根据所述林分年龄模型追溯反演出待测林分的林分年龄的过程，如下式：
其中，M为所述待测林分的林分年龄，Tc为砍伐节点，Tp为种植节点，为所述砍伐节点处的归一化植被指数，/>为所述种植节点处的归一化植被指数，NDVIi为长时间序列的归一化植被指数，/>为长时间序列的归一化植被指数的极大值，/>为长时间序列的归一化植被指数的极小值，/>为基于长时间序列的归一化植被指数求导一阶微分后的砍伐节点处的一阶导数值，/>为基于长时间序列的归一化植被指数集求导一阶微分后的种植节点处的一阶导数值；其中，砍伐节点为归一化植被指数开始由高值变为低值且呈现不断下降趋势的点，种植节点为长时间序列的归一化植被指数的最低点。
5.一种计算机存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现如权利要求1至3任意一项所述的林分年龄信息测量方法。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行程序时实现如权利要求1至3任意一项所述的林分年龄信息测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011410773.9A CN112348812B (zh) | 2020-12-04 | 2020-12-04 | 林分年龄信息测量方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011410773.9A CN112348812B (zh) | 2020-12-04 | 2020-12-04 | 林分年龄信息测量方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112348812A CN112348812A (zh) | 2021-02-09 |
| CN112348812B true CN112348812B (zh) | 2024-04-26 |
Family
ID=74427377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011410773.9A Active CN112348812B (zh) | 2020-12-04 | 2020-12-04 | 林分年龄信息测量方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348812B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113963263B (zh) * | 2021-12-23 | 2022-03-11 | 中国农业大学 | 多年生植被生长属性的确定方法、装置以及存储介质 |
| CN114445703B (zh) * | 2022-01-14 | 2023-04-28 | 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 |
| CN114612789B (zh) * | 2022-03-25 | 2023-10-13 | 衡阳师范学院 | 一种通过长时序卫星遥感提取常绿森林林分变化的方法 |
| CN115082274A (zh) * | 2022-06-09 | 2022-09-20 | 贵州师范学院 | 基于卫星遥感的地表植被碳汇估算与交易方法及系统 |
| CN115223062B (zh) * | 2022-06-30 | 2023-10-20 | 桂林理工大学 | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 |
| CN116071644B (zh) * | 2022-12-20 | 2023-08-08 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
| CN116188300B (zh) * | 2022-12-30 | 2023-08-08 | 北京华云星地通科技有限公司 | 一种真彩色图像的合成方法、系统、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102314546A (zh) * | 2011-06-01 | 2012-01-11 | 福州大学 | 基于虚拟植物的植物生长生物量变化估算方法 |
| CN103425851A (zh) * | 2013-09-05 | 2013-12-04 | 福州大学 | 基于三维虚拟植物的造林密度优化分析方法 |
| CN103827845A (zh) * | 2011-03-30 | 2014-05-28 | 韦尔豪泽Nr公司 | 使用如由叶面积指数测量的林分发育特性的森林管理系统和方法 |
| WO2014105567A1 (en) * | 2012-12-28 | 2014-07-03 | Weyerhaeuser Nr Company | System and method for estimating ages of forests from remotely sensed images |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI117490B (fi) * | 2004-03-15 | 2006-10-31 | Geodeettinen Laitos | Menetelmä puustotunnusten määrittämiseksi laserkeilaimen, kuvainformaation ja yksittäisten puiden tulkinnan avulla |
| US8064692B2 (en) * | 2008-12-24 | 2011-11-22 | Weyerhaeuser Nr Company | Automatic age classification of forest land |
-
2020
- 2020-12-04 CN CN202011410773.9A patent/CN112348812B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103827845A (zh) * | 2011-03-30 | 2014-05-28 | 韦尔豪泽Nr公司 | 使用如由叶面积指数测量的林分发育特性的森林管理系统和方法 |
| CN102314546A (zh) * | 2011-06-01 | 2012-01-11 | 福州大学 | 基于虚拟植物的植物生长生物量变化估算方法 |
| WO2014105567A1 (en) * | 2012-12-28 | 2014-07-03 | Weyerhaeuser Nr Company | System and method for estimating ages of forests from remotely sensed images |
| CN103425851A (zh) * | 2013-09-05 | 2013-12-04 | 福州大学 | 基于三维虚拟植物的造林密度优化分析方法 |
| 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 (10)
| Title |
|---|
| Effects of land cover types and forest age on evapotranspiration detected by remote sensing in Xiamen City, China;Jingfang Zhu et al,;《2010 18th International Conference on Geoinformatics》;20101231;全文 * |
| How up-scaling of remote-sensing images affects land-cover classification by comparison with multiscale satellite images;Kaijian Xu;《International Journal of Remote Sensing》;20181031;全文 * |
| Mapping Deforestation and Age of Evergreen Trees by Applying a Binary Coding Method to Time-Series Landsat November Images;Hoonyol Lee ET AL.;《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20081130;全文 * |
| Support vector regression for rice age estimation using satellite imagery;Panu Srestasathiern et al,;《2016 13th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON)》;20161231;全文 * |
| 基于Landsat影像的NDVI对植被与影响因子交互耦合的响应;林玉英;胡喜生;邱荣祖;张正雄;林乔;林金国;;农业机械学报;20180828(第10期);全文 * |
| 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;张文秋;房磊;杨健;张伟东;闫妍;闫巧玲;;生态学杂志;20180912(第11期);全文 * |
| 基于像元二分模型的林地变化检测研究;祝国祥;何铁祥;;四川林业科技;20171015(第05期);全文 * |
| 基于森林详查与遥感数据降尺度技术估算中国林龄的空间分布;戴铭;周涛;杨玲玲;贾根锁;;地理研究;20110115(第01期);全文 * |
| 基于遥感数据与森林详查估算林龄的空间分布;李凡;李明泽;史泽林;姜宏宇;安金鹏;;森林工程;20180319(第02期);全文 * |
| 湿地松NDVI与林龄、地形之间的关系;曾智敏;林广发;陈明华;温小欢;陈友飞;;亚热带资源与环境学报;20091215(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112348812A (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
| 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 | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| 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 | |
| CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
| CN114740180A (zh) | 基于多源遥感数据的土壤有机碳估算方法及装置 | |
| CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
| CN111721714B (zh) | 一种基于多源光学遥感数据的土壤含水量估算方法 | |
| CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| CN112861435B (zh) | 一种红树林质量遥感反演方法及智能终端 | |
| CN114821349B (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
| Chen et al. | A simple method for detecting phenological change from time series of vegetation index | |
| CN110363246A (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| CN113553697B (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
| CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| CN114062439B (zh) | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 | |
| Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
| Rakuasa et al. | Analysis of Vegetation Index in Ambon City Using Sentinel-2 Satellite Image Data with Normalized Difference Vegetation Index (NDVI) Method based on Google Earth Engine | |
| CN111610159B (zh) | 地表温度降尺度估算方法及植被水分胁迫监测方法 | |
| CN116403048A (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
| Käfer et al. | Modeling Pinus elliottii growth with multitemporal Landsat data: a study case in southern Brazil | |
| CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 |
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 |