CN112380980A - 一种人工龙竹林lai遥感估测最佳尺度选择方法 - Google Patents
一种人工龙竹林lai遥感估测最佳尺度选择方法 Download PDFInfo
- Publication number
- CN112380980A CN112380980A CN202011264116.8A CN202011264116A CN112380980A CN 112380980 A CN112380980 A CN 112380980A CN 202011264116 A CN202011264116 A CN 202011264116A CN 112380980 A CN112380980 A CN 112380980A
- Authority
- CN
- China
- Prior art keywords
- lai
- value
- model
- sample
- scale
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人工龙竹林叶面积指数遥感估测最优观测尺度的选择方法,以大型丛生龙竹为研究对象,结合GF‑2遥感影像和地面样地LAI调查数据,基于地统计学半方差函数理论,得出LAI遥感估测最佳空间尺度;以偏最小二乘回归模型作为LAI遥感估测结果最佳尺度选择验证模型,以均方根误差、决定系数和估测精度为PLS模型不同尺度LAI估测结果评价指标,得到基于PLS模型的丛生龙竹LAI遥感监测的最佳观测尺度。本发明以球状模型作为地统计学变异函数理论模型,对丛生龙竹LAI遥感估测最优观测尺度选择进行求算;同时使用PLS模型对丛生龙竹LAI在不同观测尺度下估测精度进行了分析,以确定PLS模型LAI遥感估测精度最高时所对应的观测尺度。
Description
技术领域
本方发明涉及一种人工龙竹林LAI遥感估测最佳尺度选择方法的分析技术,基于变异函数的分析方法不需要地面样地LAI数据的支持,选择变异函数分析丛生龙竹最优尺度有助于节省成本。
背景技术
森林资源是林业和生态建设的物质基础,竹林是森林资源的重要组成部分。叶面积指数(Leaf area index,LAI)定义为单位地表面积上所有绿色叶片表面积的一半,与森林的生长发育及光合作用密切相关,在森林冠层结构随气候变化方面起到重要指示作用,已广泛应用于生态学、林业资源变化监测等研究领域。随着高分二号(GF-2)卫星的发射,标志着我国遥感卫星已进入亚米级高分辨率时代,GF-2因具备高清晰度、数据时效性强等优点,已成功应用于森林LAI的遥感估测研究,以往的研究中,人们往往以影像固定的分辨率作为LAI反演数据,然而,不同地物有其最优的观测尺度,尺度研究作为定量遥感研究的基础,选取最优尺度用于LAI反演不但有助于提高估测精度,而且可根据研究目标选择合适分辨率的影像数据,降低估测成本。
从植被遥感角度来看,遥感反演模型对应为植被冠层,最优尺度表现为目标植被冠幅的平均大小,在最优尺度下,目标植被受地物背景值的影响较小,冠层反射率信息也更为丰富。目前,确定最优尺度的方法可分为基于离散度、局部方差以及变异函数三类,柏延臣等采用简单平均法将TM影像扩展到不同分辨率尺度,根据土地利用图在各分辨率影像上采样后分别计算类对间的变换离散度,对变换的离散度随空间分辨率变化的规律进行了分析和定性解释;陈文凯等基于不同计算窗口大小的局部方差方法,对航片、QuickBird影像进行了系列实验分析,判定了遥感影像上目标物的最佳空间分辨率;周静平等基于1个步长的变异函数对3种森林植被进行了拟合分析,结合植被分类结果,确定森林植被监测的影像最优分辨率,其中,变异函数因没有局部方差法中的边界效应问题,且考虑到了影像的空间分布特征,广泛应用于遥感影像的尺度分析。
本发明基于GF-2影像数据,以广泛分布于云南的大型丛生龙竹林为研究对象,以地统计学变异函数作为最优尺度分析工具,结合地面实测LAI样地数据,以偏最小二乘回归作为区域尺度上LAI估测遥感验证模型,分析丛生龙竹LAI遥感估测的最优尺度,以期为其他竹类计测参数遥感估测最优尺度的选择提供参考。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于遥感数据的丛生龙竹林LAI的最佳尺度的选择方法,分析丛生龙竹LAI遥感估测的最优尺度。
为实现上述目的,本发明采用的技术方案是:一种人工龙竹林LAI遥感估测最佳尺度选择方法,步骤包括:
(1)、获取GF-2号卫星图像,经过辐射定标、大气校正、几何校正,得到地表反射率数据集;
(2)、进行野外样地调查,采用冠层分析仪LAI2200C测量各样点的LAI值,取多次测量的平均值作为样地LAI实测值;
(3)、计算所有样地LAI的加权平均值(∑(样地LAI*权数)/总样地数)作为典型样地选取参考值;
(4)、以调查样地中LAI值最接近加权平均值的样地作为最佳观测尺度分析的典型样地;
(5)、提取典型样地所对应的GF-2全色影像数据的各像元反射率值及坐标作为最佳观测尺度分析数据;
(6)、以步骤(5)所提取的数据作为观测数据,在地统计学理论支持下,借助GS+软件,求算变异函数中的块金值、偏基台值、基台值、变程,其中变程即为最优观测尺度;
(7)、以步骤(1)中GF-2多光谱影像和步骤(2)中样地LAI作为模型自变量和因变量数据集;
(8)、以偏最小二乘回归PLS作为区域尺度上LAI估测遥感验证模型,在MATLAB软件平台上编程实现不同尺度下偏最小二乘验证模型求解;
(9)、以PLS模型精度最高值所对应的空间尺度作为PLS模型最佳观测尺度,采用决定系数(R2)、估测精度(P)和均方根误差RMSE作为模型精度的评价指标,计算公式分别为公式(1)、(2)和(3);
进一步的:步骤(1)中,所述遥感数据来自2018年1月24日接收的GF-2号卫星影像数据,GF-2号卫星搭载两台高分辨率1m全色(0.45~0.90μm)和4m多光谱相机(蓝0.45~0.52μm、绿0.52~0.59μm、红0.63~0.69μm、近红外波段0.77~0.89μm),运用最近邻法将高分2号卫星影像以1m为间隔重采样,得到1-10m的10组尺度的遥感重采样数据。本发明中,使用ENVI5.3软件对影像进行辐射定标和FLAASH大气校正,去除大气对影像的影响,以ASTERGDEM结合影像自带的RPC文件对影像进行正射校正,纠正由系统因素导致的几何畸变,消除由地形引起的误差,将处理后的全色影像与多光谱影像进行融合,拼接裁剪后,得到分辨率为1m的研究区GF-2影像图。
进一步的:步骤(2)中,所述外业样地调查仅针对丛生龙竹样地,丛生龙竹数据记录了不同龄级下的30×30m的方形样地32块,并测定各点LAI值;使用最近邻法将GF-2影像以1m为间隔重采样,得到1-10m的10组尺度的遥感重采样数据,选取GF-2影像的近红外波段分析样地龙竹林在不同尺度下的冠层反射率变化。
进一步的:步骤(3)中,所述样地数据是2018年度沧源县的主要分布区勐角乡设置的32块30×30m的方形样地,每个样地记录了样地中心点GPS坐标、各点LAI值、高程信息,同时计算了每个样地的平均LAI实测值。
进一步的:步骤(4)中,所述LAI值为3.08,典型样地是勐角乡32块样地中第6块样地。
进一步的:步骤(5)中,所述GF-2全色影像数据的各像元反射率值及坐标值是在ARCGIS下,以第6块样地GPS坐标为中心点,提取30m×30m区域范围内GF-2全色影像数据的900个像元值及坐标值。
进一步的,步骤(6)中:所述变异函数表达为:区域化变量Z(x)在点x和x+h处的值Z(x)和Z(x+h)差的方差的一半,其公式为:
式(4)中,γ(h)为区域化变量Z(x)的变异函数值,N(h)为在给定距离和方向上点对的数量;Z(xi)和Z(xi+h)分别为xi和xi+h空间位置上的全色影像像素值;h为两像素点间分隔距离。
进一步的:步骤(6)中,所述变异函数的理论模型可通过球状模型、指数模型、高斯模型等进行拟合,用于描述区域化变量的变化规律,以球状模型为例,计算方法如公式(5)所示:
式(5)中,c0为块金值,c1为偏基台值;c=c0+c1为基台值;h为样点间间隔距离,a为变程。
进一步的:步骤(7)中,所述自变量包括GF-2多光谱各单波段及主成分分析、波段组合和植被指数计算、以及从DEM提取地形因子共26个特征变量。
本发明中,PLS模型为偏最小二乘回归(Partial Least Squares Regression)是集多元线性回归分析、主成分分析、典型相关分析的功能和优点于一体的分析方法,主成分的提取对因变量有很强的解释能力,通过交叉有效性分析可确定最终提取潜变量成分的个数,建立的偏最小二乘回归模型能较好的解决传统自变量间多重共线性的问题,在森林参数估测方面得到了较好的应用,因此,本研究选择偏最小二乘回归模型对丛生龙竹LAI估测最优尺度进行分析,其中,偏最小二乘回归模型的构建在MATLAB软件中编程实现。
当采样点间的距离为0时变异函数的取值称为块金值,通常表示随机变异的大小;在变异程度内,因变量具有空间自相关的特性,随着采样点间距离h的增大;变异函数值γ(h)从块金值逐渐增加,达到一个相对稳定的常数,该常数值称为基台值,表示该区域化变量的总变异大小;基台值与块金值的差值称为偏基台值,反映了由变量内部结构引发的变异;变异函数值由块金值达到基台值时采样点的间隔距离称为变程,变程表示空间自相关的范围,其大小受观测尺度的限定。本研究在对丛生龙竹遥感影像进行最优观测尺度分析时,使用地统计学软件GS+,拟合变异函数模型对丛生龙竹全色影像进行分析,研究对象为丛生龙竹,故模型的变程值指的就是丛生龙竹最优观测尺度。
偏最小二乘回归(Partial Least Squares Regression,PLSR)是集多元线性回归分析、主成分分析、典型相关分析的功能和优点于一体的分析方法,主成分的提取对因变量有很强的解释能力,通过交叉有效性分析可确定最终提取潜变量成分的个数,建立的偏最小二乘回归模型能较好的解决传统自变量间多重共线性的问题,在森林参数估测方面得到了较好的应用,因此,本研究选择偏最小二乘回归模型对丛生龙竹LAI估测最优尺度进行分析,其中,偏最小二乘回归模型的构建在MATLAB软件中编程实现。
研究采用决定系数(R2)、均方根误差(RMSE)、估测精度(P)作为模型精度评价指标,计算公式为:
本发明以人工丛生龙竹为研究对象,以GF-2影像数据为信息源,使用地统计学变异函数分析了丛生龙竹的最优观测尺度,在实测样地LAI的基础上,使用最近邻法对GF-2影像重采样,选取与LAI相关性较高的特征变量建立了10组不同空间尺度下的偏最小二乘回归估测模型,分析了丛生龙竹LAI估测的最优尺度,对两者的结果作对比分析后,探讨了人工丛生龙竹LAI估测最优尺度的选择方法。选择变异函数分析丛生龙竹最优尺度有助于节省成本。本研究成果丰富了森林LAI的尺度研究,可为其他竹类LAI估测的最优尺度选取提供参考。
参考国内外同行在森林计测参数区域尺度上遥感估测相关成果,本研究在前期对GF-2影像预处理的基础上,提取偏最小二乘回归模型建模变量,对影像进行单波段提取、主成分分析、波段组合和植被指数计算、以及从DEM提取地形因子共26个特征变量。特征变量的选取与构建模型的精度息息相关,研究采用变量投影重要性指标(VIP)对建模特征变量进行筛选。变量投影重要性指标是偏最小二乘回归分析方法中用于描述自变量对因变量解释能力的常用指标,通常若自变量Xi对应的VIPi>1,则Xi对因变量Y具有重要作用,GF-2影像提取的各变量VIP值如图2所示,选取VIP值大于1的变量作为建模因子,构建偏最小二乘回归模型,如图2所示,共有8个特征变量参与PLSR模型构建。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明研究区位置图;
图2是本发明变量重要性指标图;
图3是本发明球状模型变异函数图;
图4是本发明各样地不同尺度下冠层发射率变化;
具体实施方式
下面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,所描述的实例仅仅室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作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。
一种人工龙竹林LAI遥感估测最佳尺度选择方法,包括以下步骤:
1)研究区概况
研究区沧源县位于(东经98°52′-99°43′,北纬23°04′-22°40′之间)云南省西南边陲,中缅边界中段,北连耿马县,东与双江县隔江相望,南面和西面与缅甸掸邦第二特区勐冒县和南邓区接壤,勐角乡位于沧源县中部。沧源县属横断山脉南部帚形扩大部位,最低海拔460m,最高海拔2605m,该地区处低纬度地区,属于热带、亚热带气候,干湿两季分明,多年平均气温18.5℃,年均降雨量1337毫米。境内地貌类型众多,植被类型丰富,全县森林覆盖率达73.34%,因气候温暖湿润,当地竹资源丰富,龙竹(Dendrocalamus giganteus Munro)因秆型高大、材质优良,已成为当地栽培面积最大、使用范围最广、经济价值最高的竹种,对龙竹林LAI进行研究具有重要的经济意义和生态价值。
2)遥感数据的采集与处理
研究以2018年1月24日接收的GF-2影像为基础数据,包括3景分辨率1m的全色影像数据和3景分辨率4m的多光谱影像数据。使用ENVI5.3软件对影像进行辐射定标和FLAASH大气校正,去除大气对影像的影响,以ASTER GDEM结合影像自带的RPC文件对影像进行正射校正,纠正由系统因素导致的几何畸变,消除由地形引起的误差,将处理后的全色影像与多光谱影像进行融合,拼接裁剪后,得到分辨率为1m的研究区GF-2影像图。
表1 GF-2主要参数指标
表2 GF-2建模特征变量
注:式中,Bi表示GF-2影像的第i波段,i=1,2,3,4。
3)样地数据的采集与处理
2018年12月在研究区开展外业调查,根据龙竹林龄级、郁闭度等级选择外业调查的样地点,在沧源县主要分布区勐角乡共设置32块30m×30m的方形样地,测定每块样地中心GPS坐标、高程等信息。研究采用冠层分析仪LAI-2200测量样地LAI,首先以样地中心点为中心,沿四个主方向每隔5m布设一个点,使用冠层分析仪LAI-2200测量各点LAI值,取多次测量的平均值作为样地LAI实测值,以减小测量误差,根据样地调查情况,林下植被高度基本在1.3m以下,为避免林下灌木、杂草的影响,在测量时,LAI-2200冠层分析仪始终处于距离地面1.3m处,样地LAI基本统计量描述如表3所示,其中,LAI的加权平均值以公式(∑(样地LAI*权数)/总样地数)计算。本研究在采集LAI数据时为减少阳光直射对测量结果的影响,尽量选择在黎明或阴天天气条件进行测量。
表3样地LAI基本统计量描述
4)模型方法的构建
本发明基偏最小二乘模型设计实验,本研究采用当前普遍采用的参数模型-偏最小二乘回归,作为区域尺度上龙竹LAI遥感估测模型。偏最小二乘回归法在1983年,阿巴诺(C.Albano)和伍德(S.Wold)提出的一种新型的多元统计方法。偏最小二乘回归法集主成分分析、典型相关分析、多元回归分析的优点于一体,可以有效地解决多元回归分析中的变量多重相关性及噪声问题,其基本思路是:设已知单因变量Y和自变量[X1,X2,...,Xn],样本个数为n,在X与Y相关矩阵中提取第一主成分t1,Y与X对t1进行回归,采用交叉有效性原则,确定主成分的个数并将这些主成分作为自变量,表达为Y对原始变量X的回归方程。
5)结果分析
本技术发明的主要目的是分析区域尺度对模型精度的影响情况,以GF-2全色影像作为丛生龙竹最优观测尺度分析的基础数据,结合32块样地调查情况,选取与LAI加权平均值相近的6号样地作为空间观测尺度典型样地变异分析,借助地统计学GS+软件,分别采用球状模型、指数模型、高斯模型作为变异函数预测模型,对丛生龙竹最优观测尺度进行分析,并以模型决定系数(R2),残差平方和(RSS)对模型进行评价。已有研究表明,块金值与基台值的比值(c0/c)反映了空间变异性程度,可分为0-25%、25%-75%、75%以上3个等级,分别表示空间自相关程度为高、中等和微弱。空间自相关程度越高,说明引起空间变异的主要是结构性因素,反之则表示主要是由随机部分引起。
表4龙竹林变异函数模型拟合参数
由表4可知:3个模型中,球状模型的R2为0.972最高,RSS为0.157最小,表明球状模型拟合效果最好;球状模型的块金值与基台值比值为2.6%,说明龙竹空间尺度变异主要是由龙竹林空间结构引起,其内部空间自相关性较高;模型的变程即最优观测尺度的大小为6.9m。图3为球状模型拟合的变异函数图,由图中可以看出,龙竹林内部整体变异较平稳,随着距离的增加,超出变程范围后,因背景地物影响,变异函数值出现了波动。
基于PLSR模型最优尺度分析
区域尺度的森林计测参数遥感估测依赖于模型选型,LAI遥感估测模型有参数模型(多元统计回归、偏最小二乘回归PLSR、指数函数、多项式回归、逐步回归等)以及非参数模型(SVM回归、决策树回归和KNN回归等),不同模型适用条件不一样。由于参数模型PLSR具有较好的适应性,本研究采用PLSR模型对龙竹林LAI进行最优尺度分析。
为了分析不同空间尺度下的遥感估测模型精度,利用GF-2影像高分辨率特征,使用最近邻法将GF-2影像以1m为间隔重采样,得到1-10m的10组尺度的遥感重采样数据。选取GF-2影像的近红外波段分析样地龙竹林在不同尺度下的冠层反射率变化,如图3所示,各样地龙竹林冠层反射率在10m范围内未出现显著突变,表明在观测尺度为10m范围内,龙竹林为纯林,本次空间重采样尺度以10m作为其上限。
以变量重要性指标筛选后的8个变量作为建模因子,结合32块样地实测数据,建立10组空间尺度下的偏最小二乘回归(PLSR)模型,分析龙竹林LAI估测的最优尺度,采用留一法交叉验证(Leave-One-Out Cross-Validation,LOOCV)对模型进行精度验证,验证结果如表5所示。
表5不同尺度下PLSR模型精度
基于GF-2影像估测龙竹林LAI,不同尺度下估测结果不同,这是由于龙竹林冠层光谱在整体空间分布不均引起。利用SPSS进行模型精度差异性显著检验,在0.01水平下差异显著,表明不同观测尺度对模型精度影响较大。精度结果分析表明,在像元尺度为7m时,模型精度最高,模型R2为0.61,RMSE为0.87,P为71.8%,即当观测尺度为7m时,丛生龙竹林冠层光谱信息与LAI变化具有一致性,PLSR模型能较好地进行龙竹林LAI估测。
本研究分别采用变异函数法和PLSR模型法对丛生龙竹LAI估测的最优尺度进行选择,对比两者分析结果发现,基于变异函数分析的丛生龙竹最优尺度为6.9m,与PLSR模型分析的最优尺度7m比较接近,两者具有一致性。相较于使用PLSR模型分析丛生龙竹最优尺度,变异函数法不需要地面样地LAI数据的支持,且工作量相对较小,因此,对于其他竹类LAI的估测,可使用变异函数对目标竹林的观测尺度进行分析,确定LAI估测的最优尺度后,为区域尺度的LAI遥感反演提供参考。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
最后所应说明的是:以上实施例仅用以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应该理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种人工龙竹林LAI遥感估测最佳尺度选择方法,其特征在于,步骤包括:
(1)、获取GF-2号卫星图像,经过辐射定标、大气校正、几何校正,得到地表反射率数据集;
(2)、进行野外样地调查,采用冠层分析仪LAI2200C测量各样点的LAI值,取多次测量的平均值作为样地LAI实测值;
(3)、计算所有样地LAI的加权平均值(∑(样地LAI*权数)/总样地数)作为典型样地选取参考值;
(4)、以调查样地中LAI值最接近加权平均值的样地作为最佳观测尺度分析的典型样地;
(5)、提取典型样地所对应的GF-2全色影像数据的各像元反射率值及坐标作为最佳观测尺度分析数据;
(6)、以步骤(5)所提取的数据作为观测数据,在地统计学理论支持下,借助GS+软件,求算变异函数中的块金值、偏基台值、基台值、变程,其中变程即为最优观测尺度;
(7)、以步骤(1)中GF-2多光谱影像和步骤(2)中样地LAI作为模型自变量和因变量数据集;
(8)、以偏最小二乘回归PLS作为区域尺度上LAI估测遥感验证模型,在MATLAB软件平台上编程实现不同尺度下偏最小二乘验证模型求解;
(9)、以PLS模型精度最高值所对应的空间尺度作为PLS模型最佳观测尺度,采用决定系数(R2)、估测精度(P)和均方根误差RMSE作为模型精度的评价指标,计算公式分别为公式(1)、(2)和(3);
2.根据权利要求1所述的方法,其特征在于:步骤(1)中,所述遥感数据来自2018年1月24日接收的GF-2号卫星影像数据,GF-2号卫星搭载两台高分辨率1m全色0.45~0.90μm和4m多光谱相机蓝0.45~0.52μm、绿0.52~0.59μm、红0.63~0.69μm、近红外波段0.77~0.89μm,运用最近邻法将高分2号卫星影像以1m为间隔重采样,得到1-10m的10组尺度的遥感重采样数据。
3.根据权利要求1所述的方法,其特征在于:步骤(2)中,所述外业样地调查仅针对丛生龙竹样地,丛生龙竹数据记录了不同龄级下的30×30m的方形样地32块,并测定各点LAI值。
4.根据权利要求1所述的方法,其特征在于:步骤(3)中,所述样地数据是2018年度沧源县的主要分布区勐角乡设置的32块30×30m的方形样地,每个样地记录了样地中心点GPS坐标、各点LAI值、高程信息,同时计算了每个样地的平均LAI实测值。
5.根据权利要求1所述的方法,其特征在于:步骤(4)中,所述LAI值为3.08,典型样地是勐角乡32块样地中第6块样地。
6.根据权利要求1所述的方法,其特征在于:步骤(5)中,所述GF-2全色影像数据的各像元反射率值及坐标值是在ARCGIS下,以第6块样地GPS坐标为中心点,提取30m×30m区域范围内GF-2全色影像数据的900个像元值及坐标值。
9.根据权利要求1所述的方法,其特征在于:步骤(7)中,所述自变量包括GF-2多光谱各单波段及主成分分析、波段组合和植被指数计算、以及从DEM提取地形因子共26个特征变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011264116.8A CN112380980A (zh) | 2020-11-12 | 2020-11-12 | 一种人工龙竹林lai遥感估测最佳尺度选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011264116.8A CN112380980A (zh) | 2020-11-12 | 2020-11-12 | 一种人工龙竹林lai遥感估测最佳尺度选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112380980A true CN112380980A (zh) | 2021-02-19 |
Family
ID=74583479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011264116.8A Pending CN112380980A (zh) | 2020-11-12 | 2020-11-12 | 一种人工龙竹林lai遥感估测最佳尺度选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380980A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221813A (zh) * | 2021-05-26 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种海岸线遥感提取方法 |
CN113284139A (zh) * | 2021-06-28 | 2021-08-20 | 南京信息工程大学 | 一种基于周期性变异函数的快速估计地物空间格局的方法 |
CN114266138A (zh) * | 2021-11-29 | 2022-04-01 | 西南大学 | 一种利用云端数据进行城市边缘区识别与验证方法 |
CN114821375A (zh) * | 2022-06-27 | 2022-07-29 | 江西省地矿测绘有限公司 | 基于多源遥感数据的成图方法、装置、存储介质及设备 |
CN116399820A (zh) * | 2023-06-07 | 2023-07-07 | 中国科学院空天信息创新研究院 | 植被遥感产品真实性校验方法、装置、设备及介质 |
CN117745572A (zh) * | 2023-12-14 | 2024-03-22 | 国网江苏省电力有限公司南通供电分公司 | 一种红外图像的去噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
CN108876917A (zh) * | 2018-06-25 | 2018-11-23 | 西南林业大学 | 一种森林地上生物量遥感估测通用模型构建方法 |
CN111126511A (zh) * | 2020-01-02 | 2020-05-08 | 国智恒北斗好年景农业科技有限公司 | 一种基于植被指数融合的lai定量模型建立的方法 |
-
2020
- 2020-11-12 CN CN202011264116.8A patent/CN112380980A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
CN108876917A (zh) * | 2018-06-25 | 2018-11-23 | 西南林业大学 | 一种森林地上生物量遥感估测通用模型构建方法 |
CN111126511A (zh) * | 2020-01-02 | 2020-05-08 | 国智恒北斗好年景农业科技有限公司 | 一种基于植被指数融合的lai定量模型建立的方法 |
Non-Patent Citations (3)
Title |
---|
王强等: ""基于GF-2影像的人工龙竹林LAI遥感估测最优尺度选择"", 《西南林业大学学报》 * |
王强等: ""基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演"", 《西北林学院学报》 * |
郑雅兰等: ""高分二号全色-多光谱影像融合方法对比研究"", 《西南林业大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221813A (zh) * | 2021-05-26 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种海岸线遥感提取方法 |
CN113221813B (zh) * | 2021-05-26 | 2022-12-06 | 广东省科学院广州地理研究所 | 一种海岸线遥感提取方法 |
CN113284139A (zh) * | 2021-06-28 | 2021-08-20 | 南京信息工程大学 | 一种基于周期性变异函数的快速估计地物空间格局的方法 |
CN113284139B (zh) * | 2021-06-28 | 2023-10-27 | 南京信息工程大学 | 一种基于周期性变异函数的快速估计地物空间格局的方法 |
CN114266138A (zh) * | 2021-11-29 | 2022-04-01 | 西南大学 | 一种利用云端数据进行城市边缘区识别与验证方法 |
CN114821375A (zh) * | 2022-06-27 | 2022-07-29 | 江西省地矿测绘有限公司 | 基于多源遥感数据的成图方法、装置、存储介质及设备 |
CN116399820A (zh) * | 2023-06-07 | 2023-07-07 | 中国科学院空天信息创新研究院 | 植被遥感产品真实性校验方法、装置、设备及介质 |
CN116399820B (zh) * | 2023-06-07 | 2023-08-04 | 中国科学院空天信息创新研究院 | 植被遥感产品真实性校验方法、装置、设备及介质 |
CN117745572A (zh) * | 2023-12-14 | 2024-03-22 | 国网江苏省电力有限公司南通供电分公司 | 一种红外图像的去噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380980A (zh) | 一种人工龙竹林lai遥感估测最佳尺度选择方法 | |
Fraga et al. | Integrated analysis of climate, soil, topography and vegetative growth in Iberian viticultural regions | |
CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
US20230213337A1 (en) | Large-scale forest height remote sensing retrieval method considering ecological zoning | |
Leroux et al. | Crop monitoring using vegetation and thermal indices for yield estimates: case study of a rainfed cereal in semi-arid West Africa | |
CN106501186B (zh) | 一种土壤含水量产品降尺度方法 | |
Gascon et al. | Retrieval of forest biophysical variables by inverting a 3-D radiative transfer model and using high and very high resolution imagery | |
CN114076738A (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 | |
CN111798327A (zh) | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 | |
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 | |
Nagai et al. | Importance of the collection of abundant ground‐truth data for accurate detection of spatial and temporal variability of vegetation by satellite remote sensing | |
CN113553907A (zh) | 一种基于遥感技术的森林生态环境状况评价方法 | |
CN113361191A (zh) | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 | |
CN108776106A (zh) | 一种基于无人机低空遥感的作物长势监测方法及系统 | |
CN114443627A (zh) | 一种陆地和海洋温度的修复方法、系统、计算机设备 | |
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 | |
CN110222870A (zh) | 同化卫星荧光数据与作物生长模型的区域冬小麦估产方法 | |
CN114297578A (zh) | 一种基于遥感的草地植被覆盖度估算及预测方法 | |
Coops et al. | Estimation of eucalypt forest leaf area index on the south coast of New South Wales using Landsat MSS data | |
Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
CN116773516A (zh) | 一种基于遥感数据的土壤碳含量分析系统 | |
Liu et al. | Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor | |
CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
Huang et al. | Integration of remote sensing and GIS for evaluating soil erosion risk in Northwestern Zhejiang, China |
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 |
Application publication date: 20210219 |
|
RJ01 | Rejection of invention patent application after publication |