CN112649372A - 一种基于机器学习的遥感反演森林郁闭度的方法 - Google Patents
一种基于机器学习的遥感反演森林郁闭度的方法 Download PDFInfo
- Publication number
- CN112649372A CN112649372A CN202011360244.2A CN202011360244A CN112649372A CN 112649372 A CN112649372 A CN 112649372A CN 202011360244 A CN202011360244 A CN 202011360244A CN 112649372 A CN112649372 A CN 112649372A
- Authority
- CN
- China
- Prior art keywords
- forest
- canopy density
- image
- model
- canopy
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器学习的遥感反演森林郁闭度的方法,本发明涉及基于机器学习遥感反演森林郁闭度的方法。本发明是要解决当前无法低成本、高效率且大面积估计森林郁闭度的问题,而提出了一种以遥感影像为基础,运用机器学习高精度反演森林郁闭度的方法。
Description
技术领域
本发明涉及一种高精确反演森林郁闭度的方法。
技术背景
森林作为陆地生态系统的重要组成部分,具备很高的生物生产力特点,是陆地光合产量的主体,在维护区域小气候、涵养水源、调节地表径流和洪水、防治或预防水土流失等方面发挥着重要作用。森林郁闭度指森林中地面被乔木树冠遮蔽的程度,以林地冠层垂直投影面积与林地面积的比值形式来表式,是描述森林生态系统和森林生长状况的重要参数之一,常用于清查森林资源、调整森林结构和评价生态环境。因此,高精度估算森林郁闭度是准确计算土壤侵蚀、快速评价森林的生产效益、提高森林资源调查精度和保证调查质量的关键问题,也对当前生态文明建设具有实践意义。
传统郁闭度测量方法主要有目测法、仪器法及树冠投影法等,这类方法以野外实地测量为主,且获取的数据为点上数据,在有限数量林分结构测量上能够提供高质量的信息,但空间规模上代价昂贵,效率低,无法在大面积范围适用。遥感作为对地观测技术的一种重要手段,它的高速发展为区域尺度的森林郁闭度估算和动态变化分析提供了经济快捷、简单可行的新途径。
本发明采用的人工神经网络为Rumelhart等人提出的前馈神经网络,即BP网络模型。它是目前应用最为广泛的一种网络模型,模型具有良好的非线性逼近能力,能建立高精度的非线性遥感模型,且不需要大量的背景知识,可以较容易的被掌握,也不需要知道模型如何构建及表现,只需要知道构建的结果是可观的。BP神经网络的主要思想是根据给定的变量,计算预测输出和期望输出之间的差异,不断调整结构的权重直到整体误差小于给定的阈值。Matlab神经网络工具箱提供了较多的神经网络设计,可以直接调用相关程序,避免复杂程序的编写,实现神经网络的快速利用。因此,本发明的BP神经网络模型完全基于Matlab程序编码实现。
发明内容
本发明为了解决当前无法低成本、高效率且大面积估计森林郁闭度的问题,而提出了一种以遥感影像为基础,运用机器学习高精度反演森林郁闭度的方法。
本发明提供了一种高精度反演森林郁闭度方法,具体包括以下步骤:
步骤一:获取资源三号影像及数字高程模型即DEM数据,并分别对资源三号影像和DEM数据进行预处理;
其中,资源三号影像的预处理操作在ENVI5.3中进行,主要包括几何校正、地形校正、辐射定标和大气校正等步骤;
对DEM数据的预处理包括洼地填充、水流方向提取、汇流累积量计算、沟谷河网分级、流域分割等;
步骤二:对步骤一中预处理后的资源三号影像,在ArcGIS中目视解译有效地提取有林地,使用ArcGIS工具生成随机点,并结合谷歌地球对分类精度进行验证,精度满足要求;
步骤三:对步骤一中预处理后的DEM数据,在ArcGIS中使用三次卷积对DEM数据进行重采样,并计算研究区的地形因子,包含高程、坡度、坡向、坡面曲率和变异系数;
步骤四:采用鱼眼镜头及与镜头配套的单反数码相机采集鱼眼镜头照片,从而获取郁闭度实测值;使用Photoshop和ArcGIS对鱼眼照片进行图像裁剪、图像灰度处理、图像临界值确定、图像二值化及郁闭度计算;
步骤五:郁闭度反演模型特征提取,包括光谱特征,纹理特征以及地形特征;
步骤六:郁闭度反演模型特征选择,由于指标参数较多,给运算带来了较大的困难,因此,首先需要对特征因子与郁闭度进行相关性分析和降维处理;
步骤七:郁闭度反演模型的建立,设置BP神经网络模型参数,包括自变量输入层、因变量输出层,网络结构参数的选择以及隐藏层神经元个数的确定;
步骤八:模型拟合与验证,应用建立好的模型对数据进行拟合,并利用验证样本对模型进行验证;
步骤九:反演森林郁闭度,提取研究区范围的森林和非森林信息,将非森林地区的郁闭度设为空值,基于资源三号影像和BP神经网络方法反演森林郁闭度,并使用自然间断法将郁闭度划分为5个等级,得到森林郁闭度空间分布图和郁闭度等级分布图。
发明效果
本发明基于资源三号遥感影像,DEM数字高程数据以及实测森林郁闭度,将深度学习的方法应用于森林郁闭度反演中,在选取光谱特征指数过程中,不仅引用使用频率高的DVI、NDVI、EVI等植被指数,还引入了红波段*近红波段/绿波段(RNG),红波段*绿波段/近红波段(RGN)两个波段组合指数,与郁闭度的相关性分析中,RNG与郁闭度的相关性高于其他光谱特征,且该指数参与到BP神经网络的构建,提高了模型的反演精度。
附图说明
图1本发明方法的流程图;
图2本发明实施步骤中得到的森林郁闭度空间分布图;
图3本发明实施步骤中得到的郁闭度等级分布图;
具体实施方式
一种基于资源三号遥感影像,DEM数字高程数据以及实测森林郁闭度,结合机器学习高精度反演森林郁闭度方法,具体是按照以下步骤实现的:
步骤一:获取资源三号影像及数字高程模型即DEM数据,并分别对资源三号影像和DEM数据进行预处理;
其中,资源三号影像的预处理操作在ENVI5.3中进行,主要包括几何校正、地形校正、辐射定标和大气校正等步骤;
对DEM数据的预处理包括洼地填充、水流方向提取、汇流累积量计算、沟谷河网分级、流域分割等;
步骤二:对步骤一中预处理后的资源三号影像,在ArcGIS中目视解译有效地提取有林地,使用ArcGIS工具生成随机点,并结合谷歌地球对分类精度进行验证,精度满足要求;
步骤三:对步骤一中预处理后的DEM数据,在ArcGIS中使用三次卷积对DEM数据进行重采样,并计算研究区的地形因子,包含高程、坡度、坡向、坡面曲率和变异系数;
步骤四:采用鱼眼镜头及与镜头配套的单反数码相机采集鱼眼镜头照片,从而获取郁闭度实测值;使用Photoshop和ArcGIS对鱼眼照片进行图像裁剪、图像灰度处理、图像临界值确定、图像二值化及郁闭度计算;
步骤五:郁闭度反演模型特征提取,包括光谱特征,纹理特征以及地形特征;
其中,提取的光谱特征有资源影像4个单波段变量(B1、B2、B3、B4) 和NDVI、EVI、RVI等以及包括RNG、RGN波段指数在内的7个植被指数,共计13个光谱特征;
纹理特征提取选用灰度发生方式(grey-level occurrence measures, GLOM)和灰度共生矩阵(grey-level co-occurrence matrix,GLCM)两种方法,共提取了均值(MEA)、方差(VAR)、对比度(CON)、相异性(DIS)、二阶距(SM)、同质性(HOM)、相关性(COR)和熵(ENT)等32个纹理特征;
地形特征包括高程、坡面曲率、坡度、坡向和变异系数共5个地形因子;
步骤六:郁闭度反演模型特征选择,由于指标参数较多,给运算带来了较大的困难,因此,首先需要对特征因子与郁闭度进行相关性分析和降维处理;结果选择出B2、B3、DVI等6个光谱特征因子,高程、坡度和坡面曲率3个地形因子,B1-HOM、B1-ENT等8个纹理特征共17个与郁闭度显著相关的因子;
步骤七:郁闭度反演模型的建立,设置BP神经网络模型参数,包括自变量输入层、因变量输出层,网络结构参数的选择以及隐藏层神经元个数的确定;
本发明采用了包含输入层、一个隐藏层和输出层的3层BP神经网络模型,调用newff函数生成BP神经网络并实现网络的初始化。模型的输入层变量包括B2、B3、B4等6个光谱特征、高程、坡度和坡面曲率3个地形因子、B1-HOM、B1-ENT、B2-SM等8个纹理特征和样点数据的经纬度坐标,共19个因子;使用premnmx对原始输入变量进行归一化处理后输入至模型。设置实测样点数据集的75%用于模型的仿真训练和测试,25%的数据用于精度检验。模拟结果通过postmnmx反归一化处理进行还原,作为模型的输出变量,即对应样点的森林郁闭度估测值;
网络结构参数设置包括传递函数、训练函数以及最大迭代次数等的设置;
隐藏层神经元的设置,通过试验,当隐藏层神经元个数设置为9时,误差RMSE和rRMSE最低,估测精度最高,因此,最终建立了19-9-1的BP 神经网络模型;
步骤八:模型拟合与验证,应用建立好的模型对数据进行拟合,并利用验证样本对模型进行验证,模型拟合参数R2、RMSE、rRMSE和EA分别为 0.94、0.033、0.048和95.25%,模型精度高;模型验证的R2、RMSE、rRMSE 和EA分别为0.883、0.038、0.046和97.2%,模型的可靠性高;
步骤九:反演森林郁闭度,提取研究区范围的森林和非森林信息,将非森林地区的郁闭度设为空值,基于资源三号影像和BP神经网络方法反演森林郁闭度,并使用自然间断法将郁闭度划分为5个等级,分别为0.2~ 0.46、0.46~0.56、0.56~0.65、0.65~0.73和0.73~0.92,得到森林郁闭度空间分布图和郁闭度等级分布图。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限定本发明,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 (1)
1.一种基于机器学习的遥感反演森林郁闭度的方法,本发明涉及基于机器学习遥感反演森林郁闭度的方法。本发明是要解决当前无法低成本、高效率且大面积估计森林郁闭度的问题,而提出了一种以遥感影像为基础,运用机器学习高精度反演森林郁闭度的方法。
一种高精度遥感反演森林郁闭度方法,其特征在于,包括以下步骤:
步骤一:获取资源三号影像及数字高程模型即DEM数据,并分别对资源三号影像和DEM数据进行预处理;
其中,资源三号影像的预处理操作在ENVI5.3中进行,主要包括几何校正、地形校正、辐射定标和大气校正等步骤;
对DEM数据的预处理包括洼地填充、水流方向提取、汇流累积量计算、沟谷河网分级、流域分割等;
步骤二:对步骤一中预处理后的资源三号影像,在ArcGIS中目视解译有效地提取有林地,使用ArcGIS工具生成随机点,并结合谷歌地球对分类精度进行验证,精度满足要求;
步骤三:对步骤一中预处理后的DEM数据,在ArcGIS中使用三次卷积对DEM数据进行重采样,并计算研究区的地形因子,包含高程、坡度、坡向、坡面曲率和变异系数;
步骤四:采用鱼眼镜头及与镜头配套的单反数码相机采集鱼眼镜头照片,从而获取郁闭度实测值;使用Photoshop和ArcGIS对鱼眼照片进行图像裁剪、图像灰度处理、图像临界值确定、图像二值化及郁闭度计算;
步骤五:郁闭度反演模型特征提取,包括光谱特征,纹理特征以及地形特征;
步骤六:郁闭度反演模型特征选择,由于指标参数较多,给运算带来了较大的困难,因此,首先需要对特征因子与郁闭度进行相关性分析和降维处理;
步骤七:郁闭度反演模型的建立,设置BP神经网络模型参数,包括自变量输入层、因变量输出层,网络结构参数的选择以及隐藏层神经元个数的确定;
步骤八:模型拟合与验证,应用建立好的模型对数据进行拟合,并利用验证样本对模型进行验证;
步骤九:反演森林郁闭度,提取研究区范围的森林和非森林信息,将非森林地区的郁闭度设为空值,基于资源三号影像和BP神经网络方法反演森林郁闭度,并使用自然间断法将郁闭度划分为5个等级,得到森林郁闭度空间分布图和郁闭度等级分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011360244.2A CN112649372A (zh) | 2020-11-27 | 2020-11-27 | 一种基于机器学习的遥感反演森林郁闭度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011360244.2A CN112649372A (zh) | 2020-11-27 | 2020-11-27 | 一种基于机器学习的遥感反演森林郁闭度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112649372A true CN112649372A (zh) | 2021-04-13 |
Family
ID=75349611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011360244.2A Pending CN112649372A (zh) | 2020-11-27 | 2020-11-27 | 一种基于机器学习的遥感反演森林郁闭度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112649372A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422309A (zh) * | 2022-07-07 | 2022-12-02 | 南京林业大学 | 一种基于神经网络的大尺度林龄遥感反演方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1924610A (zh) * | 2005-09-01 | 2007-03-07 | 中国林业科学研究院资源信息研究所 | 利用陆地卫星数据反演森林郁闭度和蓄积量的方法 |
CN103760565A (zh) * | 2014-02-10 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 一种区域尺度森林冠层高度遥感反演方法 |
WO2018103510A1 (zh) * | 2016-12-05 | 2018-06-14 | 中国水利水电科学研究院 | 流域绿色基础设施对地表径流调蓄能力的评价方法 |
CN108872964A (zh) * | 2018-08-15 | 2018-11-23 | 南京林业大学 | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 |
CN111814397A (zh) * | 2020-07-03 | 2020-10-23 | 中国科学院城市环境研究所 | 结合源解析与机器学习以提升森林生物量的估算精度 |
-
2020
- 2020-11-27 CN CN202011360244.2A patent/CN112649372A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1924610A (zh) * | 2005-09-01 | 2007-03-07 | 中国林业科学研究院资源信息研究所 | 利用陆地卫星数据反演森林郁闭度和蓄积量的方法 |
CN103760565A (zh) * | 2014-02-10 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 一种区域尺度森林冠层高度遥感反演方法 |
WO2018103510A1 (zh) * | 2016-12-05 | 2018-06-14 | 中国水利水电科学研究院 | 流域绿色基础设施对地表径流调蓄能力的评价方法 |
CN108872964A (zh) * | 2018-08-15 | 2018-11-23 | 南京林业大学 | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 |
CN111814397A (zh) * | 2020-07-03 | 2020-10-23 | 中国科学院城市环境研究所 | 结合源解析与机器学习以提升森林生物量的估算精度 |
Non-Patent Citations (2)
Title |
---|
刘盼: ""基于资源三号影像的森林郁闭度遥感反演研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
朱磊等: "基于遥感数据云平台与机器学习的森林郁闭度自动估算方法研究", 《林业建设》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422309A (zh) * | 2022-07-07 | 2022-12-02 | 南京林业大学 | 一种基于神经网络的大尺度林龄遥感反演方法 |
CN115422309B (zh) * | 2022-07-07 | 2023-05-23 | 南京林业大学 | 一种基于神经网络的大尺度林龄遥感反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491758B (zh) | 长江流域水体信息提取及其空间编码方法 | |
CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN105447274A (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
WO2024036739A1 (zh) | 水库水储量反演方法和装置 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
CN111310623B (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
Pawłuszek et al. | Landslides identification using airborne laser scanning data derived topographic terrain attributes and support vector machine classification | |
CN112037244A (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
Orti et al. | Use of TanDEM-X and Sentinel products to derive gully activity maps in Kunene Region (Namibia) based on automatic iterative Random Forest approach | |
CN112649372A (zh) | 一种基于机器学习的遥感反演森林郁闭度的方法 | |
CN113076796B (zh) | 喀斯特石漠化的遥感制图方法及装置 | |
CN116994071A (zh) | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 | |
CN117372710A (zh) | 一种基于Sentinel-2 MSI遥感影像的林窗提取方法 | |
CN114972124B (zh) | 一种遥感图像亮度自适应均衡方法及系统 | |
Šiljeg et al. | The effect of interpolation methods on the quality of a digital terrain model for geomorphometric analyses | |
Hu et al. | Retrieval of suspended sediment concentrations using remote sensing and machine learning methods: A case study of the lower Yellow River | |
CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
CN113516764B (zh) | 基于数字高程模型的湖库水下三维地形模拟方法及装置 | |
Xu et al. | Spatiotemporal distribution of cage and raft aquaculture in China's offshore waters using object-oriented random forest classifier | |
Liao et al. | Study on mangrove of maximum likelihood: Reclassification method in Xiezhou bay | |
Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
CN114549534B (zh) | 矿区土地利用识别方法、装置、设备及介质 | |
Wu et al. | A DCNN Geographic Object Extraction Method for National Geographic Condition Monitoring | |
Elimy et al. | Land Use/Land Cover Change Detection Analysis for Eastern Nile Delta Fringes, Egypt |
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: 20210413 |
|
RJ01 | Rejection of invention patent application after publication |