CN112434617B - 一种基于多源遥感数据的森林生物量变化监测方法及系统 - Google Patents
一种基于多源遥感数据的森林生物量变化监测方法及系统 Download PDFInfo
- Publication number
- CN112434617B CN112434617B CN202011355947.6A CN202011355947A CN112434617B CN 112434617 B CN112434617 B CN 112434617B CN 202011355947 A CN202011355947 A CN 202011355947A CN 112434617 B CN112434617 B CN 112434617B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- biomass
- variables
- forest
- 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
- 239000002028 Biomass Substances 0.000 title claims abstract description 161
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008859 change Effects 0.000 title claims abstract description 54
- 230000003595 spectral effect Effects 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000011835 investigation Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000011439 discrete element method Methods 0.000 description 50
- 238000010586 diagram Methods 0.000 description 11
- 238000002310 reflectometry Methods 0.000 description 10
- 241000894007 species Species 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000166124 Eucalyptus globulus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多源遥感数据的森林生物量变化监测方法及系统,该方法使用多光谱数据、激光雷达数据和星载立体像对进行生物量反演,三种数据取长补短;多光谱数据的光谱反射率可以反应森林的水平结构特征和不同树种的特征。森林地表高程处于不断变化的状态,但是其地面高程一直保持不变,首先利用激光雷达数据获取高精度的DEM数据,变化监测的两个时间可以使用同一DEM数据;由于激光雷达数据获取费用昂贵,后期使用立体像对获取第二时间的DSM数据。基于激光雷达数据和立体像对可以获取不同时间的冠层高度数据,再结合对应的多光谱数据的光谱信息,可以反演两个时间的高精度的生物量,进而进行生物量的变化监测。
Description
技术领域
本发明属于林业遥感技术领域,特别涉及一种基于多源遥感数据的森林生物量变化监测方法及系统。
背景技术
森林是陆地生态系统的重要组成部分,其变化会对环境和人类的生产活动产生巨大的影响。森林作为地球上的可再生自然资源及陆地生态系统的主体,在人类生存和发展的历史中起着不可替代的作用,在绿色植被中,森林有“地球之肥”之称。森林的作用包括净化空气、调节气候、提供木材、防止水土流失、维持生物物种多样性、涵养水源、消除噪音、旅游资源等。森林生物量是评价森林固碳能力的重要参考之一,也是探讨全球碳循环的重要内容。
1876年德国学者Ebermeryer开始进行最早的生物量研究。之后Boysen 开始注意森林初级生产力。但是这些研究都较为局部,并未引起人们的重视。直到20世纪50年代,各国学者开始重点进行森林生物量和碳储量的研究上。通过国际生物学计划(IBP)的支持,森林生物量研究得到迅速发展,精度逐步提高,研究方法逐渐丰富。到20世纪末,随着3S技术的逐渐成熟以及其在地理学、生态学当中的应用,基于遥感技术的森林生物量研究逐渐普及。传统的的森林生物量测定通常需要大量的样地测量,任务量大、测定时间长、人力物力要求较高,并对调查区域造成极大破坏,尤其是在推测大面积林分生物量时,每木检尺数据很难获取,所以传统的调查方法往往只适合小尺度的森林生物量的估测,对于大范围森林生物量的调查往往无法进行。日益发展的遥感技术以其监测范围广、时效强、信息量大等优势弥补人工调查的不足之处,使大尺度的生物量估测成为可能。
在一系列生物量估算的方法中,基于遥感的方法是发展最快且最有潜力的,因为此方法可以在较高精度下保证数据的空间完整性和时间一致性。基于遥感技术的方法通常是通过处理分析卫星及机载影像,如TM影像、 NOAA/AVHRR数据、雷达数据、SPOT、QUICKBIRD、RapidEye等,根据不同植被对太阳辐射的吸收、反射的电磁波特征,提取不同的变量,结合地面调查,间接的估算较大区域的连续森林生物量分布。相比于传统的森林生物量调查方法,更省时省力,并且能实现大面积的估算。遥感数据由于其独特的获取方式,大面积覆盖和数字格式等特点已经成为森林大面积生物量估算的研究热点。
但传统的光学遥感技术在森林垂直结构分布上只能提供有限的信息,在成熟林等森林接近郁闭的地区,其在遥感图像上的光谱差异很小,导致光谱信号饱和。这种饱和现象导致光学数据在生物量密度较高时,出现严重的低估。
目前反演生物量使用的高度信息大多来源于激光雷达数据,主要是因为激光雷达数据能获取较高精度的DSM数据(地表高程)和DEM数据(地面高程);但是与卫星遥感数据相比,激光雷达数据的覆盖范围小、处理难度大、数据价格高,不适用于常年监测。
星载立体像对覆盖范围大、数据获取方便、价格较低,并且能获取较高精度的DSM数据,但是由于数据处理方法的限制,在常绿林区域很难获得较高精度的DEM数据,导致立体像对在生物量反演无法应用。
因此,如何提供一种对森林生物量变化监测相对准确、处理难度较小、数据获取方便的方法,同行从业人员亟待解决。
发明内容
本发明的主要目的在于提供一种至少部分解决上述技术问题的基于多源遥感数据的森林生物量变化监测方法及系统,可解决上述技术问题。
为实现上述目的,本发明采取的技术方案为:
第一方面,本发明实施例提供一种基于多源遥感数据的森林生物量变化监测方法,对两个时间之间的目标区域内森林生物量变化进行监测,两个时间分别为第一时间和第二时间;所述方法包括:
通过激光雷达数据获取地面高程DEM数据和第一时间的地表高程DSM 数据;所述地面高程DEM数据用于两个时间的变化监测;
使用立体像对获取第二时间的地表高程DSM数据;
根据所述地面高程DEM数据、第一时间的地表高程DSM数据和第二时间的地表高程DSM数据,获得第一时间的冠层高度数据和第二时间的冠层高度数据;
将所述第一时间的冠层高度数据,结合获取的第一时间多光谱数据的光谱信息和野外调查数据,反演出第一时间的生物量;
将所述第二时间的冠层高度数据,结合获取的第二时间多光谱数据的光谱信息和野外调查数据,反演出第二时间的生物量;
基于所述第一时间的生物量和第二时间的生物量,进而进行两个时间之间的目标区域内生物量的变化监测。
进一步地,通过激光雷达数据获取地面高程DEM数据和第一时间的地表高程DSM数据,包括:
获取第一时间的激光雷达数据并进行处理;所述处理包括:异常点去除、分类;
提取地面高程DEM数据和第一时间的地表高程DSM数据。
进一步地,使用立体像对提取第二时间的地表高程DSM数据的过程,包括:数据输入、相对定向、绝对定向、生成核线影像和DSM的提取;
其中,所述绝对定向通过对立体模型的平移、旋转和缩放,根据选取的控制点完成绝对定向;所述选取的控制点来源于所述激光雷达数据获取的地面高程DEM数据中,获取平面和高程信息。
进一步地,从所述第一时间多光谱数据和/或第二时间多光谱数据中获取光谱信息,数据预处理过程包括:辐射定标、大气校正、几何校正、图像融合和地形校正;
其中,所述几何校正包括正射校正和图像配准;
所述正射校正利用所述激光雷达数据获取的地面高程DEM数据,消除地形的影响;
所述图像配准以所述激光雷达数据获取的地面高程DEM数据为基准,将多光谱数据与所述地面高程DEM数据进行配准。
进一步地,将所述第一时间的冠层高度数据,结合获取的第一时间多光谱数据的光谱信息和野外调查数据,反演出第一时间的生物量,包括:
将所述第一时间的冠层高度数据和获取的第一时间多光谱数据进行图像分割;
基于分割后的图像,提取相关变量;所述相关变量包括:基于所述多光谱数据提取的光谱波段、植被指数和空间特征;基于所述第一时间的冠层高度数据提取的地形特征和高度特征;
结合野外调查数据,对提取后的变量根据预设条件进行筛选;
将筛选出的变量与样地调查数据中训练数据的生物量,利用逐步回归方法构建模型;
根据森林分类图,将所述样地调查数据中验证数据对应的变量代入所述模型中,估测生物量;
将所述估测生物量与所述样地调查数据中验证数据的实际生物量差值进行对比,评价模型的反演精度;
将所述筛选的变量信息,代入所述模型中,得出第一时间的目标区域内生物量。
进一步地,对提取后的变量根据预设条件进行筛选,包括:
使用随机森林算法对提取后的变量进行重要性排序,并进行相关性分析;
对于相关性大于预设阈值的两个变量,剔除重要性排序较低的变量,保留重要性排序较高的变量。
进一步地,将所述第二时间的冠层高度数据,结合获取的第二时间多光谱数据的光谱信息和野外调查数据,反演出第二时间的生物量,包括:
将所述第二时间的冠层高度数据和获取的第二时间多光谱数据进行图像分割;
基于分割后的图像,提取相关变量;所述相关变量包括:基于所述多光谱数据提取的光谱波段、植被指数和空间特征;基于所述第二时间的冠层高度数据提取的地形特征和高度特征;
对提取后的变量根据预设条件进行筛选;
对筛选出的变量与样地调查数据中训练数据的生物量,利用逐步回归方法构建模型;
根据森林分类图,将所述样地调查数据中验证数据对应的变量代入所述模型中,估测生物量;
将所述估测生物量与所述样地调查数据中验证数据的实际生物量差值进行对比,评价模型的反演精度;
将所述筛选的变量信息,代入所述模型中,得出第二时间的目标区域内生物量。
第二方面,本发明实施例还提供一种基于多源遥感数据的森林生物量变化监测系统,对两个时间之间的目标区域内森林生物量变化监测,两个时间分别为第一时间和第二时间;所述系统包括:
激光雷达产品获取模块,通过激光雷达数据获取地面高程DEM数据和第一时间的地表高程DSM数据;所述地面高程DEM数据用于两个时间的变化监测;
立体像对产品获取模块,使用立体像对获取第二时间的地表高程DSM数据;
计算模块,根据所述地面高程DEM数据、第一时间的地表高程DSM数据和第二时间的地表高程DSM数据,获得第一时间的冠层高度数据和第二时间的冠层高度数据;
第一反演模块,将所述第一时间的冠层高度数据,结合获取的第一时间多光谱数据的光谱信息和野外调查数据,反演出第一时间的生物量;
第二反演模块,将所述第二时间的冠层高度数据,结合获取的第二时间多光谱数据的光谱信息和野外调查数据,反演出第二时间的生物量;
监测模块,基于所述第一时间的生物量和第二时间的生物量,进而进行两个时间之间的目标区域内生物量的变化监测。
与现有技术相比,本发明具有如下有益效果:
本发明提供的一种基于多源遥感数据的森林生物量变化监测方法,使用多光谱数据、激光雷达数据和星载立体像对进行生物量反演,三种数据取长补短;多光谱数据的光谱反射率可以反应森林的水平结构特征和不同树种的特征,对于不同树种的区分有很好的帮助。森林由于每年都在不断的生长,其地表高程处于不断变化的状态,但是其地面高程一直保持不变。首先利用激光雷达数据获取高精度的DEM数据,变化监测的两个时间可以使用同一 DEM数据;由于激光雷达数据获取费用昂贵,后期使用立体像对获取第二时间的DSM数据。基于激光雷达数据和立体像对可以获取不同时间的冠层高度数据,再结合对应的多光谱数据的光谱信息,可以反演两个时间的高精度的生物量,进而进行生物量的变化监测。
附图说明
图1为本发明实施例提供的基于多源遥感数据的森林生物量变化监测方法流程图;
图2为本发明实施例提供的步骤S40的流程图;
图3为本发明实施例提供的具体实施例的原理图;
图4为本发明实施例提供的基于多源遥感数据的森林生物量变化监测系统的结构框图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
Lidar数据(激光雷达数据)是近几年发展起来,作为生物量估算的重要数据源,能获取森林树高、郁闭度等的三维结构参数,正好与获取水平光谱信息的传统光学遥感互补,改善光学影像的数据饱和问题,提高大面积生物量估算的准确性。
森林资源处于不断变化的状态,而地面高程则是不变的,因此森林资源的变化监测,可以使用激光雷达数据获取一期DEM数据,使用立体像对获取DSM数据,进行生物量的变化监测。
基于此,从人力、物力、财力等方面考虑,多光谱数据、激光雷达数据和立体像对相结合是监测森林资源生物量变化的最好方法。
第一方面,本发明提供了一种基于多源遥感数据的森林生物量变化监测方法,对两个时间之间的目标区域内森林生物量变化进行监测,两个时间分别为第一时间和第二时间;其中,第一时间和第二时间的间隔依据目标区森林生长速度而定,对于生长较快的树种,例如桉树等速生林,监测时间段可相对较短;对于生长缓慢的树种,监测时间段应选择间隔较长时间;本公开实施例对此不作限定。
如图1所示,其中,该方法包括:
S10、通过激光雷达数据获取地面高程DEM数据和第一时间的地表高程 DSM数据;所述地面高程DEM数据用于两个时间的变化监测;
S20、使用立体像对获取第二时间的地表高程DSM数据;
S30、根据所述地面高程DEM数据、第一时间的地表高程DSM数据和第二时间的地表高程DSM数据,获得第一时间的冠层高度数据和第二时间的冠层高度数据;
S40、将所述第一时间的冠层高度数据,结合获取的第一时间多光谱数据的光谱信息和野外调查数据,反演出第一时间的生物量;
S50、将所述第二时间的冠层高度数据,结合获取的第二时间多光谱数据的光谱信息和野外调查数据,反演出第二时间的生物量;
S60、基于所述第一时间的生物量和第二时间的生物量,进而进行两个时间之间的目标区域内生物量的变化监测。
下面分别对上述各个步骤进行详细的说明:
上述步骤为了便于理解和描述增加了序号,但并非限定了执行顺序。比如步骤S10和步骤S20在执行顺序上不分先后。步骤S10中,通过激光雷达数据获取第一时间的激光雷达数据并进行处理;该处理包括:异常点去除、分类;然后提取第一时间的地面高程DEM数据和地表高程DSM数据。
步骤S20中使用立体像对提取第二时间的地表高程DSM数据包括:数据输入、相对定向、绝对定向、生成核线影像和DSM的提取;其中,控制点从步骤S10激光雷达数据获取的地面高程DEM数据中,获取平面和高程信息。
步骤S30中通过共用激光雷达数据的地面高程DEM数据,以及各自第一时间的地表高程DSM数据和第二时间的地表高程DSM数据;将DSM数据与DEM数据做差值得到对应的冠层高度CHM数据。
步骤S40~S60中分别基于各自的冠层高度CHM数据,结合各自的多光谱数据和野外调查数据,反演出各自的生物量,将两个时间的生物量做差值,即得到两个时间之间的目标区域内生物量的变化监测。
本发明实施例提供的一种基于多源遥感数据的森林生物量变化监测方法,使用多光谱数据、激光雷达数据和星载立体像对进行生物量反演,三种数据取长补短;多光谱数据的光谱反射率可以反应森林的水平结构特征和不同树种的特征,对于不同树种的区分有很好的帮助。森林由于每年都在不断的生长,其地表高程处于不断变化的状态,但是其地面高程一直保持不变。首先利用激光雷达数据获取高精度的DEM数据,变化监测的两个时间可以使用同一DEM数据;由于激光雷达数据获取费用昂贵,后期使用立体像对获取第二时间的DSM数据。基于激光雷达数据和立体像对可以获取不同时间的冠层高度数据,再结合对应的多光谱数据的光谱信息,可以反演两个时间的高精度的生物量,进而进行生物量的变化监测。
具体地,上述步骤S40和S50的处理方式相同,参照图2所示,以S40 步骤为例,包括:
S401、将所述第一时间的冠层高度数据和获取的第一时间多光谱数据进行图像分割。中低分辨率遥感影像一个像素包含不同的地类,而高分辨率遥感影像同一个地类往往包含不同的像素,为避免阴影和林窗中裸露地表对模型精度产生影响,本实施例以卫星遥感影像的光谱波段为依据,对图像进行分割;基于分割的矢量,计算每个分割polygon中所有变量的均值,基于对象进行变量提取和模型构建。
S402、基于分割后的图像,提取相关变量;所述相关变量包括:基于所述多光谱数据提取的光谱波段、植被指数和空间特征;基于所述第一时间的冠层高度数据提取的地形特征和高度特征;
S403、结合野外调查数据,对提取后的变量根据重要性和相关性进行筛选;比如使用随机森林算法对提取后的变量进行重要性排序,并进行相关性分析;对于相关性大于预设阈值(该预设阈值取值范围为0~1可调,比如可设置为0.8)的两个变量,剔除重要性排序较低的变量,保留重要性排序较高的变量。确保最终选择的变量间没有很高的相关性。
S404、对筛选出的变量与样地调查数据中训练数据的生物量,利用逐步回归方法构建模型。
其中,野外调查是获得精准样地数据的唯一途径,是遥感影像分类和建立生物量反演模型的重要依据。本实施例中的野外调查样地为森林资源连续清查中的固定样地。样地随机分成两组:75%的样地用于生物量建模,25%的样地用于模型验证。
模型构建的过程:是指将样地训练数据的生物量作为因变量,从多源遥感数据中提取的光谱、光谱、空间、地形和高度等变量作为自变量,利用逐步回归的方法构建模型。
S405、根据森林分类图,将所述样地调查数据中验证数据对应的变量代入所述模型中,估测生物量。森林分类图表示森林种类、空间分布。
S406、将估测生物量,与样地验证数据的实际生物量进行对比,来评价模型的反演精度。比如当二者差值小于某一阈值时,则可认为模型的反演精度符合预期;否则,重新追加训练数据,继续迭代训练,至到反演精度符合预期。
S407、当模型精度达到要求后,将所述筛选的变量信息,代入所述模型中,得出第一时间的目标区域内生物量。
下述通过一个详细的具体实施例说明本发明的技术方案,以两个不同年份2015年和2020年为例,针对内蒙古旺业甸林场进行生物量变化监测,主要分为三部分进行描述,参照图3所示。
实施例:
(一)2015年生物量反演
1.激光雷达数据预处理
激光雷达数据的处理包括异常点去除、分类、DSM/DEM/CHM提取。首先将激光雷达数据数中的异常值去除,之后进行分类,把离散的点云回波点分为地面点和非地面点两部分;将激光雷达数据用ENVI LIDAR软件分别生成DSM和DEM数据。然后将DSM与DEM做差值得到CHM数据,CHM 数据可以反映出地物相对于地面的高度,因此高度变量是基于CHM计算的。
2.多光谱数据预处理
遥感多光谱数据的预处理主要包括辐射定标、大气校正、正射校正、图像配准、图像融合和地形校正。
(1)辐射定标
卫星传感器获取的原始数据记录的是地物的灰度值,是一个无量纲的整数值,值的大小受卫星传感器、地物和大气等各种因素的影响。使用遥感影像进行各种生产应用的第一步首先要进行辐射定标,即将原始图像的灰度值转换为表观反射率。
(2)大气校正
辐射定标之后的表观反射率只是消除了传感器本身的误差,仍然不是真实的地表反射率。大气校正将表观反射率消除了大气的散射、吸收和反射引起的误差,得到地表反射率,地表反射率才是真实的地物的反射率。
(3)几何校正
本发明实施例中的几何校正包括正射校正和图像配准。正射校正是利用 DEM,消除地形的影响和相机方位引起的变形等,本实施例中采用无控制点正射校正。使用多源遥感数据时,不同传感器或不同时间获取的图像通常会有位置上的偏差,因此遥感影像的图像配准是必不可少的,包括图像和图像、图像和DEM的配准。激光雷达数据的位置精度较高,因此本实施例中以激光雷达数据获取的DEM为基准,将多光谱数据与DEM进行配准,配准时选择的控制点应均匀的分布在图像上,每个控制点的误差控制在0.5个像元范围内。
(4)图像融合
为了充分的利用多光谱和全色图像的不同特征,有必要选择合适的融合算法将多光谱和全色图像进行融合。基于传统融合方法(PCA、IHS、GS)的对比,GS融合方法能够更好的保留原始光谱特征,因此为提高遥感影像的分辨率,利用GS融合方法将多光谱数据和全色影像融合为更高分辨率的数据。
(5)地形校正
由于遥感影像受到坡度、坡向等地形因素的影响,会使同类地物在不同地形条件下反射率相差较大,对模型构建和反演有很大的影响,因此需要进行地形校正,减少地形因素对模型精度的影响。由于山区地形较为复杂,因此采用广泛使用的C校正法进行地形校正。激光雷达数据获取的DEM用于多光谱数据的地形校正。
3.样地调查数据处理
野外调查是获得精准样地数据的唯一途径,是遥感影像分类和建立生物量反演模型的重要依据。本实施例中的野外调查样地为森林资源连续清查中的固定样地。样地随机分成两组:75%的样地用于生物量建模,25%的样地用于模型验证。
4.图像分割
中低分辨率遥感影像一个像素包含不同的地类,而高分辨率遥感影像同一个地类往往包含不同的像素,为避免阴影和林窗中裸露地表对模型精度产生影响,本实施例使用图像分割,基于对象进行变量提取和模型构建。
5.变量提取和筛选
本实施例中,共提取了五种特征:(1)基于光谱的特征,例如原始光谱波段和植被指数;(2)基于空间的特征,例如纹理图像;(3)地形特征,例如高程和坡度;(4)基于高度的特征,可以反映林分空间结构。其中光谱特征主要来源于多光谱数据。空间特征包括平均值、标准差、同质性、对比度、异质性、信息熵、二阶矩和相关性八个纹理特征,也来源于多光谱数据。地形特征包括海拔、坡度和坡向等,来源于DEM数据。基于高度的特征包括基于CHM数据提取的各种百分位高度和八个纹理特征,百分位高度可以反映树木的高度信息;而基于CHM提取的纹理特征可以反映树木的树冠信息,主要因为不同类型和年龄的树种,其冠层大小和密度也不相同。
尽管提取了光谱、空间、地形和高度等许多变量,但是并不是所有的变量都与生物量相关,某些变量对模型的帮助很小,许多变量间往往具有较高的相关性,因此需要进行变量筛选。本实施例中先使用随机森林对所有变量进行重要性排序;之后再对变量进行相关性分析,对于相关性大于0.8的两个变量,剔除重要性排序低的变量,保留重要性排序高的变量,确保最终选择的变量间没有很高的相关性。
6.模型构建和评价
许多研究中利用激光雷达数据基于样地水平的建模大多采用参数模型,也有一些对变量或者是生物量进行非线性变换,如平方、对数、平方根等变换之后再建模。考虑到参数模型容易存在过拟合问题,因此在选择模型方面,拟选择逐步回归方法构建模型。
模型构建的过程:是指将样地训练数据的生物量作为因变量,从多源遥感数据中提取的光谱、光谱、空间、地形和高度等变量作为自变量,利用逐步回归的方法构建模型。
模型构建之后,根据森林分类图,将样地验证数据对应的变量带入到相应的模型中,估测生物量,再与样地验证数据的实际生物量进行对比,来评价模型的反演精度。
7.区域生物量反演
模型精度达到要求后,将计算好的区域变量带入到模型中,得到区域生物量。
(二)2020年生物量反演
1.立体像对提取DSM
立体像对提取的高程是地表高程,包含有地表建筑和森林的高度,ZY-3 立体像对提取DSM在PCI软件中进行,主要过程包括数据输入、控制点和连接点的选择、模型计算、核线生成和DSM的提取。所需的控制点可从上述激光雷达数据提取的DEM中获取平面和高程信息,控制点应选择在道路等平坦区域,且均匀的分布在影像上。
立体像对提取DSM主要是通过以下几个过程来完成:
(1)相对定向:相对定向可以确定地面立体模型,主要是根据相对定向元素确定立体像对两像片的相对位置即恢复传感器在成像那一时刻立体像对之间的相对位置关系与姿态参数,根据影像供应商提供的RPC参数文件达到确定立体影像相对位置的目的。
(2)绝对定向:绝对定向通过对立体模型的平移、旋转和缩放,确定其在地面测量坐标系中的正确位置,即坐标转换的过程,根据选取的控制点完成绝对定向。
(3)连接点选取:连接点的作用是将左右影像连接起来,建立起两张影像的某种对应关系,是生成核线影像的基础。
(4)模型计算:控制点和连接点选取完成后,计算模型,查看控制点和连接点的误差,若误差过大,则剔除误差大的点,再重新计算模型。
(5)核线影像:模型计算完成后,选择不同的立体像对组合,生成核线影像,然后根据核线影像提取DSM。
由于立体像对提取DSM所需的控制点来源于激光雷达数据获取的DEM,因此提取的DSM与DEM的位置是一致的,无需再配准。
2.CHM计算
目前反演生物量使用的高度信息大多来源于激光雷达数据,主要是因为激光雷达数据能获取较高精度的DSM数据(地表高程)和DEM数据(地面高程);但是与卫星遥感数据相比,激光雷达数据的覆盖范围小、处理难度大、数据价格高,不适用于常年监测。星载立体像对能获取较高精度的DSM 数据,但是由于数据处理方法的限制,在常绿林区域很难获得较高精度的DEM 数据。森林资源处于不断变化的状态,而地面高程则是不变的,因此森林资源的常年监测,可以使用一期DEM数据,但是DSM数据则需要每年重新获取。
综上所述,从人力、物力、财力等方面考虑,激光雷达数据和立体像对相结合是常年监测森林资源数量的最好方法。在本年度通过激光雷达数据获取DEM数据,之后每年可通过立体像对获取DSM数据,DSM与DEM相减得到每年森林资源的高度信息。
3.其他
多光谱数据预处理、样地调查数据处理、图像分割、变量提取与筛选、模型构建与评价和区域生物量反演等工作方法均与2015年的处理方式相同。
(三)2015-2020年生物量变化监测
2015年和2020年的生物量分别计算完成后,利用2020年的生物量减去 2015年的生物量,得出2015-2020年之间的生物量变化情况,对变化情况进行统计分析。
传统的光学遥感技术在森林垂直结构分布上只能提供有限的光谱信息,由于缺少高度信息,在成熟林等森林接近郁闭的地区,其在遥感图像上的光谱差异很小,导致光谱信号饱和。这种饱和现象导致光学数据在生物量密度较高时,出现严重的低估,而在生物量密度较低时,又会因为光谱的差异小,导致出现高估。多光谱数据在小生物量至大生物量之间,由于光谱差异小导致的生物量低值高度和高值低估现象是其反演精度差的主要原因。
目前反演生物量使用的高度信息大多来源于激光雷达数据,主要是因为激光雷达数据能获取较高精度的DSM数据(地表高程)和DEM数据(地面高程);但是与卫星遥感数据相比,激光雷达数据的覆盖范围小、处理难度大、数据价格高,使用激光雷达数据做森林生物量的变化监测,需要获取多期激光雷达数据,耗费大量的人力、物力和财力。
星载立体像对覆盖范围大、数据获取方便、价格较低,并且能获取较高精度的DSM数据,但是由于数据处理方法的限制,在常绿林区域很难获得较高精度的DEM数据,导致立体像对在生物量反演领域无法应用。
本发明使用多光谱数据、激光雷达数据和星载立体像对进行生物量反演,三种数据取长补短,创造性的解决了上述三个主要问题。
多光谱数据的光谱反射率可以反应森林的水平结构特征和不同树种的特征,对于不同树种的区分有很好的帮助。森林由于每年都在不断的生长,其地表高程处于不断变化的状态,但是其地面高程一直保持不变。首先利用激光雷达数据获取高精度的DEM数据,变化监测的两个年份可以使用同一DEM 数据;由于激光雷达数据获取费用昂贵,后期使用立体像对获取第二年份的DSM数据。基于激光雷达数据和立体像对可以获取不同年份的冠层高度数据,再结合多光谱数据的光谱信息,可以反演两个年份的高精度的生物量,进而进行生物量的变化监测。
基于同一发明构思,本发明实施例还提供了一种基于多源遥感数据的森林生物量变化监测系统,由于该系统所解决问题的原理与一种基于多源遥感数据的森林生物量变化监测方法相似,因此该系统的实施可以参见前述方法的实施,重复之处不再赘述。
第二方面,本发明实施例提出了一种基于多源遥感数据的森林生物量变化监测系统,对两个时间之间的目标区域内森林生物量变化监测,两个时间分别为第一时间和第二时间;参照图4所示,包括:
激光雷达产品获取模块,通过激光雷达数据获取地面高程DEM数据和第一时间的地表高程DSM数据;所述地面高程DEM数据用于两个时间的变化监测;
立体像对产品获取模块,使用立体像对获取第二时间的地表高程DSM数据;
计算模块,根据所述地面高程DEM数据、第一时间的地表高程DSM数据和第二时间的地表高程DSM数据,获得第一时间的冠层高度数据和第二时间的冠层高度数据;
第一反演模块,将所述第一时间的冠层高度数据,结合获取的第一时间多光谱数据的光谱信息和野外调查数据,反演出第一时间的生物量;
第二反演模块,将所述第二时间的冠层高度数据,结合获取的第二时间多光谱数据的光谱信息和野外调查数据,反演出第二时间的生物量;
监测模块,基于所述第一时间的生物量和第二时间的生物量,进而进行两个时间之间的目标区域内生物量的变化监测。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于多源遥感数据的森林生物量变化监测方法,其特征在于:对两个时间之间的目标区域内森林生物量变化进行监测,两个时间分别为第一时间和第二时间;所述方法包括:
通过激光雷达数据获取地面高程DEM数据和第一时间的地表高程DSM数据;所述地面高程DEM数据用于两个时间的变化监测;
使用星载立体像对获取第二时间的地表高程DSM数据;
根据所述地面高程DEM数据、第一时间的地表高程DSM数据和第二时间的地表高程DSM数据,获得第一时间的冠层高度数据和第二时间的冠层高度数据;
将所述第一时间的冠层高度数据,结合获取的第一时间多光谱数据的光谱信息和野外调查数据,反演出第一时间的生物量;
将所述第二时间的冠层高度数据,结合获取的第二时间多光谱数据的光谱信息和野外调查数据,反演出第二时间的生物量;
基于所述第一时间的生物量和第二时间的生物量,进而进行两个时间之间的目标区域内生物量的变化监测;
将所述第一时间的冠层高度数据,结合获取的第一时间多光谱数据的光谱信息和野外调查数据,反演出第一时间的生物量,包括:
将所述第一时间的冠层高度数据和获取的第一时间多光谱数据进行图像分割;基于分割的矢量,计算每个分割polygon中所有变量的均值,基于对象进行变量提取和模型构建;
基于分割后的图像,提取相关变量;所述相关变量包括:基于所述多光谱数据提取的光谱波段、植被指数和空间特征;基于所述第一时间的冠层高度数据提取的地形特征和高度特征;
结合野外调查数据,对提取后的变量根据进行筛选;
将筛选出的变量与样地调查数据中训练数据的生物量,利用逐步回归方法构建模型;
根据森林分类图,将所述样地调查数据中验证数据对应的变量代入所述模型中,估测生物量;
将所述估测生物量与所述样地调查数据中验证数据的实际生物量差值进行对比,评价模型的反演精度;
将所述筛选的变量信息,代入所述模型中,得出第一时间的目标区域内生物量。
2.根据权利要求1所述的一种基于多源遥感数据的森林生物量变化监测方法,其特征在于:通过激光雷达数据获取地面高程DEM数据和第一时间的地表高程DSM数据,包括:
获取第一时间的激光雷达数据并进行处理;所述处理包括:异常点去除、分类;
提取地面高程DEM数据和第一时间的地表高程DSM数据。
3.根据权利要求1所述的一种基于多源遥感数据的森林生物量变化监测方法,其特征在于:使用星载立体像对提取第二时间的地表高程DSM数据,包括:数据输入、相对定向、绝对定向、生成核线影像和DSM的提取;
其中,所述绝对定向通过对立体模型的平移、旋转和缩放,根据选取的控制点完成绝对定向;所述选取的控制点来源于所述激光雷达数据获取的地面高程DEM数据中,获取平面和高程信息。
4.根据权利要求1所述的一种基于多源遥感数据的森林生物量变化监测方法,其特征在于:从所述第一时间多光谱数据和/或第二时间多光谱数据中获取光谱信息,数据预处理过程包括:辐射定标、大气校正、几何校正、图像融合和地形校正;
其中,所述几何校正包括正射校正和图像配准;
所述正射校正利用所述激光雷达数据获取的地面高程DEM数据,消除地形的影响;
所述图像配准以所述激光雷达数据获取的地面高程DEM数据为基准,将多光谱数据与所述地面高程DEM数据进行配准。
5.根据权利要求1所述的一种基于多源遥感数据的森林生物量变化监测方法,其特征在于:对提取后的变量根据预设条件进行筛选,包括:
使用随机森林算法对提取后的变量进行重要性排序,并进行相关性分析;
对于相关性大于预设阈值的两个变量,剔除重要性排序较低的变量,保留重要性排序较高的变量。
6.根据权利要求1所述的一种基于多源遥感数据的森林生物量变化监测方法,其特征在于:将所述第二时间的冠层高度数据,结合获取的第二时间多光谱数据的光谱信息和野外调查数据,反演出第二时间的生物量,包括:
将所述第二时间的冠层高度数据和获取的第二时间多光谱数据进行图像分割;基于分割的矢量,计算每个分割polygon中所有变量的均值,基于对象进行变量提取和模型构建;
基于分割后的图像,提取相关变量;所述相关变量包括:基于所述多光谱数据提取的光谱波段、植被指数和空间特征;基于所述第二时间的冠层高度数据提取的地形特征和高度特征;
对提取后的变量根据预设条件进行筛选;
对筛选出的变量与样地调查数据中训练数据的生物量,利用逐步回归方法构建模型;
根据森林分类图,将所述样地调查数据中验证数据对应的变量代入所述模型中,估测生物量;
将所述估测生物量与所述样地调查数据中验证数据的实际生物量差值进行对比,评价模型的反演精度;
将所述筛选的变量信息,代入所述模型中,得出第二时间的目标区域内生物量。
7.一种基于多源遥感数据的森林生物量变化监测系统,其特征在于:对两个时间之间的目标区域内森林生物量变化监测,两个时间分别为第一时间和第二时间;所述系统包括:
激光雷达产品获取模块,通过激光雷达数据获取地面高程DEM数据和第一时间的地表高程DSM数据;所述地面高程DEM数据用于两个时间的变化监测;
立体像对产品获取模块,使用立体像对获取第二时间的地表高程DSM数据;
计算模块,根据所述地面高程DEM数据、第一时间的地表高程DSM数据和第二时间的地表高程DSM数据,获得第一时间的冠层高度数据和第二时间的冠层高度数据;
第一反演模块,将所述第一时间的冠层高度数据,结合获取的第一时间多光谱数据的光谱信息和野外调查数据,反演出第一时间的生物量;
第二反演模块,将所述第二时间的冠层高度数据,结合获取的第二时间多光谱数据的光谱信息和野外调查数据,反演出第二时间的生物量;
监测模块,基于所述第一时间的生物量和第二时间的生物量,进而进行两个时间之间的目标区域内生物量的变化监测;
所述第一反演模块,具体包括:将所述第一时间的冠层高度数据和获取的第一时间多光谱数据进行图像分割;基于分割后的图像,提取相关变量;所述相关变量包括:基于所述多光谱数据提取的光谱波段、植被指数和空间特征;基于所述第一时间的冠层高度数据提取的地形特征和高度特征;结合野外调查数据,对提取后的变量根据进行筛选;将筛选出的变量与样地调查数据中训练数据的生物量,利用逐步回归方法构建模型;根据森林分类图,将所述样地调查数据中验证数据对应的变量代入所述模型中,估测生物量;将所述估测生物量与所述样地调查数据中验证数据的实际生物量差值进行对比,评价模型的反演精度;将所述筛选的变量信息,代入所述模型中,得出第一时间的目标区域内生物量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011355947.6A CN112434617B (zh) | 2020-11-26 | 2020-11-26 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011355947.6A CN112434617B (zh) | 2020-11-26 | 2020-11-26 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434617A CN112434617A (zh) | 2021-03-02 |
CN112434617B true CN112434617B (zh) | 2021-08-13 |
Family
ID=74697981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011355947.6A Active CN112434617B (zh) | 2020-11-26 | 2020-11-26 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434617B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030903B (zh) * | 2021-03-05 | 2023-08-29 | 深圳大学 | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 |
CN114091613B (zh) * | 2021-11-26 | 2023-03-24 | 安徽师范大学 | 一种基于高分联合组网数据的森林生物量估算方法 |
CN114781011B (zh) * | 2022-04-07 | 2023-02-03 | 武汉大学 | 一种像素级全球森林碳储量高精度计算方法及系统 |
CN115830457A (zh) * | 2023-01-30 | 2023-03-21 | 太原理工大学 | 基于激光雷达检测的复杂林分生物量估测系统及方法 |
CN116206215B (zh) * | 2023-03-17 | 2023-09-29 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
CN116523352B (zh) * | 2023-07-05 | 2023-09-22 | 浙江榧圣农业科技有限公司 | 一种森林资源信息的管理方法及系统 |
CN117671521A (zh) * | 2024-02-02 | 2024-03-08 | 中交四航工程研究院有限公司 | 基于多源遥感数据的入侵物种生物量反演方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 云南大学 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
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 |
CN109063657A (zh) * | 2018-08-08 | 2018-12-21 | 武汉大学 | 面向均值地域光谱单元的地上生物量估算和尺度转换方法 |
CN109212505A (zh) * | 2018-09-11 | 2019-01-15 | 南京林业大学 | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 |
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
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 |
CN110148116A (zh) * | 2019-04-12 | 2019-08-20 | 深圳大学 | 一种森林生物量估算方法及其系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656098B (zh) * | 2015-02-03 | 2018-04-13 | 南京林业大学 | 一种遥感森林生物量反演的方法 |
CN106384171A (zh) * | 2016-09-29 | 2017-02-08 | 四川师范大学 | 一种适用于研究区当地的冷杉森林碳储量估测模型 |
-
2020
- 2020-11-26 CN CN202011355947.6A patent/CN112434617B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 云南大学 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
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 |
CN109063657A (zh) * | 2018-08-08 | 2018-12-21 | 武汉大学 | 面向均值地域光谱单元的地上生物量估算和尺度转换方法 |
CN109212505A (zh) * | 2018-09-11 | 2019-01-15 | 南京林业大学 | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 |
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
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 |
CN110148116A (zh) * | 2019-04-12 | 2019-08-20 | 深圳大学 | 一种森林生物量估算方法及其系统 |
Non-Patent Citations (2)
Title |
---|
"基于多源遥感数据的森林地上生物量估算研究";卜帆;《中国优秀硕士学位论文全文数据库 农业科技辑》;20200415;第7-35页 * |
"基于多源高分辨率遥感数据的人工林树种分类研究";谢珠利;《中国优秀硕士学位论文全文数据库 农业科技辑》;20200115;第15-16页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112434617A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434617B (zh) | 一种基于多源遥感数据的森林生物量变化监测方法及系统 | |
CN110221311B (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
Schneider et al. | Quantifying 3D structure and occlusion in dense tropical and temperate forests using close-range LiDAR | |
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 | |
Hosoi et al. | 3-D voxel-based solid modeling of a broad-leaved tree for accurate volume estimation using portable scanning lidar | |
Terryn et al. | Quantifying tropical forest structure through terrestrial and UAV laser scanning fusion in Australian rainforests | |
CN104656098B (zh) | 一种遥感森林生物量反演的方法 | |
Mao et al. | An improved approach to estimate above-ground volume and biomass of desert shrub communities based on UAV RGB images | |
US20230213337A1 (en) | Large-scale forest height remote sensing retrieval method considering ecological zoning | |
Huang et al. | Using terrestrial laser scanner for estimating leaf areas of individual trees in a conifer forest | |
Li et al. | Combined use of airborne LiDAR and satellite GF-1 data to estimate leaf area index, height, and aboveground biomass of maize during peak growing season | |
CN108594262A (zh) | 一种结合无人机和地基激光雷达提取树高的方法 | |
CN111091079B (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
Lin et al. | Estimating aboveground biomass of urban forest trees with dual-source UAV acquired point clouds | |
Kandasamy et al. | An approach for evaluating the impact of gaps and measurement errors on satellite land surface phenology algorithms: Application to 20 year NOAA AVHRR data over Canada | |
Yin et al. | Estimation of grassland height based on the random forest algorithm and remote sensing in the Tibetan Plateau | |
Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
CN115700370A (zh) | 碳储量计算方法、装置、电子设备和存储介质 | |
Wu et al. | Estimation of cotton canopy parameters based on unmanned aerial vehicle (UAV) oblique photography | |
Li et al. | A new approach for estimating living vegetation volume based on terrestrial point cloud data | |
Putman et al. | Automated estimation of standing dead tree volume using voxelized terrestrial lidar data | |
Ma et al. | Characterizing the three-dimensional spatiotemporal variation of forest photosynthetically active radiation using terrestrial laser scanning data | |
Sun et al. | Feasibility study on the estimation of the living vegetation volume of individual street trees using terrestrial laser scanning | |
Cuartero et al. | Accuracy of DEM generation from TERRA-ASTER stereo data | |
Su et al. | Tree skeleton extraction from laser scanned points |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230621 Address after: 231, 2nd Floor, Building 2, South Tangjialing Village, Haidian District, Beijing, 100089 Patentee after: BEIJING GUANWEI TECHNOLOGY Co.,Ltd. Address before: Room C04, building 1, 396 Binjiang Avenue, Jiangbei new district, Nanjing, Jiangsu, 211800 Patentee before: Nanjing Guanwei Space Technology Co.,Ltd. |