CN113205475A - 基于多源卫星遥感数据的森林高度反演方法 - Google Patents
基于多源卫星遥感数据的森林高度反演方法 Download PDFInfo
- Publication number
- CN113205475A CN113205475A CN202010045470.5A CN202010045470A CN113205475A CN 113205475 A CN113205475 A CN 113205475A CN 202010045470 A CN202010045470 A CN 202010045470A CN 113205475 A CN113205475 A CN 113205475A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- remote sensing
- phase
- tool
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000001914 filtration Methods 0.000 claims description 29
- 230000010287 polarization Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000010587 phase diagram Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 101000583145 Homo sapiens Membrane-associated phosphatidylinositol transfer protein 1 Proteins 0.000 claims description 2
- 102100030353 Membrane-associated phosphatidylinositol transfer protein 1 Human genes 0.000 claims description 2
- AUQMGYLQQPSCNH-UHFFFAOYSA-L NIR-2 dye Chemical compound [K+].[K+].C1=CC2=C(S([O-])(=O)=O)C=C(S([O-])(=O)=O)C=C2C(C2(C)C)=C1[N+](CC)=C2C=CC=CC=C1C(C)(C)C2=CC(C(O)=O)=CC=C2N1CCCCS([O-])(=O)=O AUQMGYLQQPSCNH-UHFFFAOYSA-L 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 2
- 238000004177 carbon cycle Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
- G06T2207/10044—Radar 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多源卫星遥感数据的森林高度反演方法，属于卫星遥感图像处理与应用的技术领域，针对目前的森林高度估测算法复杂度高、精度低、准确性差的问题，本发明结合星载SAR和光学影像，首先对SAR影像进行极化处理得到整幅影像的后向散射系数、入射角，利用InSAR测量技术获取主副影像相位、相干性、数字高程模型(DEM)，并从DEM中提取坡度信息，然后基于多光谱影像计算生物物理变量和光谱植被指数，使用机器学习算法将野外测量、极化信息、干涉测量、生物物理变量、光谱植被指数和地形变量联系起来，有效提取了森林高度信息。
Description
技术领域
本发明属于卫星遥感图像处理与应用的技术领域。
背景技术
森林是陆地系统的主体，在全球水文、生态、碳循环及气候变化中起着重要作用。树高是林层划分的依据，是森林调查中重要因子之一，不仅用于反映林地生产力，而且用于确定立木材积和材积生长率。传统的森林资源调查以地面调查为主，工作量大、周期长，且难以实现大区域全面调查，而随着遥感技术应用日益深入和成熟，其覆盖范围大、重复周期短、成本低等独特的优势，为在大尺度上进行森林结构信息探测提供了可能。
传统的光学遥感数据源由于受到云、雨、雾等影响，无法实现区域及全球范围内连续无缝的森林参数提取；另外，普通的光学传感器难以提供森林垂直分布信息。合成孔径雷达(SAR)可实现对观测对象全天时、全天候的连续观测，其多频率、多极化与多入射角的特征为大面积的森林结构参数反演带来了应用前景。Riom与Hoffer等利用机载与星载L波段HH极化SAR,研究表明树高、树龄等与雷达后向散射具有正相关关系(参见The Relationbetween Types of Maritime Pine Forest and L-band HH Polarization RadarBackscatter)。基于SAR后向散射系数估算森林参数的主要局限在于一定生物量水平上的信号饱和。干涉SAR(InSAR)具有对森林垂直结构敏感的特性，能够有效地补充目前遥感技术森林高度估测中的不足。极化干涉SAR(PolInSAR)在干涉SAR的基础上增加了极化信息，进一步拓展了干涉SAR在森林高度估测中的应用范围。最先用于描述森林植被的干涉SAR模型是“水云模型”。Treuhaft等提出了随机方向性散射(RV)模型、包含地面散射成分的随机方向性(RVoG)模型和方向性散射(OVoG)模型(参见Estimating Forest VericialStructure from Multialtitude,Fixed-baseline Radar Interferometric andPolarimetric Data)。Cloude等基于RVoG和OVoG建立了极化干涉SAR森林树高反演的模型和方法，并进行了理论分析和应用。其提出的三阶段植被参数反演方法，是一种从物理角度出发进行求解的新的几何方法，其利用衰减系数补偿森林密度和结构的变化以获取较高的估测精度(参见Robust Parameter Estimation Using Dual Base-line PolarimetricSAR interferometry)。另外，Cloude提出了极化相干层析(PCT)方法，进一步拓展了PolInSAR用于植被结构参数信息提取的理论和方法(参见Three-stage InversionProcess for Polarimetric SAR Interferometry).激光雷达(LIDAR)是近十年来发展比较迅速的主动遥感技术，并在森林结构参数的测量与反演方面得到了成功应用。Sun等利用ICEsat GLAS对森林冠层高度数据进行了评估(参见Forest Vertical Structrue fromGLAS:An Evaluation Using LVIS and SRTM Data)。
到目前为止，国内外研究学者提出了很多森林高度估测算法，但仍存在一些明显的缺陷：(1)算法复杂度高；(2)现有算法中由于冠层和地表相位中心的不确定性、森林微波散射模型的局限性使得其在区域和全球尺度大范围开展还需要进一步研究；(3)验证区域森林类型单一，地形平坦，对于复杂地形的影响多未考虑；(4)使用数据源单一，未联合多源遥感数据进行森林高度反演；(5)LIDAR数据虽可获得垂直结构信息，进而估测森林高度，但由于其获取费用高而使得其大面积应用受到很大局限。
发明内容
为了解决PolInSAR技术用于森林高度提取中地相位估计不准确、算法复杂度高及激光雷达数据高成本的问题，本发明采用一种基于星载SAR和光学影像联合反演森林高度方法，首先对SAR影像进行极化处理得到整幅影像的后向散射系数、入射角，利用InSAR测量技术获取主副影像相位、相干性、数字高程模型(DEM)，并从DEM中提取坡度信息，然后基于多光谱影像计算生物物理变量和光谱植被指数，使用机器学习算法将野外测量、极化信息、干涉测量、生物物理变量、光谱植被指数和地形变量联系起来，有效提取了森林高度信息。
本发明采用的技术方案具体步骤如下：,
步骤一、影像预处理：
1.SAR影像极化处理：获取到的高分辨率合成孔径雷达遥感影像是单视复数据(SLC)的Sentinel-1原始数据，依次经过多视、滤波、辐射定标和地理编码得到VV后向散射系数、VH后向散射系数和入射角；
2.SAR影像干涉处理：同时对主副SLC影像依次进行干涉图生成和干涉去平、自适应滤波和相干系数生成、相位解缠、轨道精炼和重去平，及相位转高程，提取出坡度数据；
对经过自适应滤波和相干系数生成处理的主副SLC影像进行地理编码得到相位和相干系数；
3.多光谱数据预处理：对Sentinel-2原始多光谱数据，进行辐射定标和大气校正获得Level-2A级产品数据；
4.数据配准和剪裁：对预处理后SAR和多光谱影像进行重采、配准和剪裁，得到实验区域的多源遥感数据。
步骤二、提取特征向量：
基于步骤一中得到的多光谱影像计算生物物理变量和光谱植被指数，生物物理变量包括包括叶面积指数(LAI)，植被覆盖率(FVC)，叶绿素叶片中的糖含量(Cab)，冠层水含量(CWC)和吸收的光合有效辐射的比例(FAPAR)；光谱植被指数包括：比值植被指数(RVI)、增强型植被指数(EVI)、归一化植被指数(NDVI1、NDVI2、NDVI3)。
步骤三、基于梯度提升决策树的XGBoost回归学习方法估测树高：将步骤一与步骤二中提取的后向散射系数、入射角、干涉相位、相干系数、坡度、生物物理变量及光谱植被指数构成多维特征向量作为预测变量，结合野外实测数据，送入XGBoost回归器，训练得到森林高度反演模型；
步骤四、将提取的后向散射系数、入射角、干涉相位、相干系数、坡度、生物物理变量及光谱植被指数输入模型得到最终的森林高度预测结果。
步骤一:影像预处理中
1.SAR影像极化处理：利用完整的遥感图像处理平台(ENVI)中的雷达图像基本处理工具(SARscape)进行多视处理、极化滤波、辐射定标和地理编码。
(a)多视处理：目的是为了抑制SAR图像的斑点噪声。具体方法是，使用ENVI中的多视工具(Multilooking)处理，处理得到的多视强度图像是距离向和/或方位向像元分辨率的平均值，提高了多视图像的辐射分辨率，降低了空间分辨率。
(b)极化滤波：目的是去除雷达图像的斑点噪声抑制其对影像上地物信息的干扰。具体方法是利用滤波工具(Filtering)，选取Refined-Lee滤波方式进行极化滤波处理，以抑制相干斑噪声对影像上地物信息的干扰。
(c)辐射定标和地理编码的方法：利用地理编码和辐射定标工具对雷达图像进行辐射定标，并为图像中的每个像元附上相应的经纬度地理信息，同时生成VV后向散射系数图、VH后向散射系数图和入射角图；
2.SAR影像干涉处理：利用完整的遥感图像处理平台(ENVI)中的雷达图像基本处理工具(SARscape)。
(a)获取参考数字高程模型(DEM)，根据原始SAR数据的矢量文件下载数字高程模型。
(b)干涉图生成和干涉去平：利用Interferogram Generation工具，输入两幅影像，一个作为主影像，一个作为副影像，同时输入参考DEM文件，生成干涉图和去平后的干涉图。
(c)自适应滤波和相干系数生成：利用Adaptive Filter and CoherenceGeneration工具，生成滤波后的干涉图和相干系数图。
(d)相位解缠：利用Phase Unwrapping工具，生成解缠后的相位图。优选地，选择最小费用流算法“Minimum Cost Flow”，设置相干性阈值为0.2，分解等级为1。
(e)轨道精炼和重去平：利用Refinement and Re-flattening工具，在步骤c)生成的相干系数图的平滑区域上选择控制点，避免选择地形残差条纹区域，进一步消除可能存在的平地效应，纠正相位偏移。
(f)相位转高程以及地理编码：利用Phase to Height Conversion andGeocoding工具，将步骤(e)得到的相位图转换为高程数据，根据地理编码到制图坐标系统，完成相位图转换为高程图的过程，生成高精度的DEM。
(g)地理编码：使用Geocoding工具完成对步骤(c)获得的干涉图和相干系数图进行地理编码。
(h)提取坡度：利用遥感图像处理平台(ArcMap 10.2)中的Surface slope工具，完成从DEM数据提取坡度信息的过程。
3.多光谱数据预处理：在欧空局(ESA)网站上下载Sentinel-2Level-1C的原始多光谱数据，并利用遥感图像处理平台(SNAP)中的Sen2cor插件完成对原始多光谱数据的辐射定标和大气校正，并重采样到同一分辨率。
4.数据配准和剪裁：将SAR数据、重采样后的多光谱数据以及高精度的DEM数据进行配准和剪裁，得到实验区域的多源遥感数据。
步骤二：提取特征向量步骤中
(a)提取生物物理变量：生物物理变量的独特信息，有助于增强森林高度的预测能力。利用遥感图像处理平台(SNAP 6.0)中的Biophysical Processor工具，得到多光谱数据的生物物理变量，包括：叶面积指数(LAI)、植被覆盖度(FVC)、叶片叶绿素含量(Cab)、林冠层含水量(CWC)和吸收的光合有效辐射的比例(FAPAR)。
(b)提取光谱植被指数：根据Sentine-2数据中的多个波段的反射值计算出包括比值植被指数(RVI)、增强型植被指数(EVI)、归一化植被指数(NDVI1、NDVI2和NDVI3)在内的5个植被指数，具体计算公式如下：
RVI＝NIR/R (1)
EVI＝2.5*((NIR-R)/(NIR+6*R-7.5*B+1)) (2)
NDVI1＝(NIR-R)/(NIR+R) (3)
NDVI2＝(NIR2-RE3)/(NIR+RE3) (4)
NDVI3＝(RE2-RE1)/(RE2+RE1) (5)
其中，R为红光波段(B4)的反射值，G为绿光波段(B3)的反射值，B为蓝光波段(B2)的反射值，NIR为近红外波段(B5)的反射值，NIR2为近红波段(B8)的反射值，RE1为红边波段(B5)的反射值，RE2为红边波段(B6)的反射值，RE3为红边波段(B7)的反射值。
步骤三：基于梯度提升决策树的XGBoost回归学习方法估测树高步骤中
将上述步骤获得的两个后向散射系数(VV、VH)、干涉相位、相干系数、入射角、坡度、五个生物物理变量(LAI、FVC、Cab、CWC、FAPAR)以及五个光谱植被指数(RVI、EVI、NDVI1、NDVI2、NDVI3)，一共16个特征作为模型的输入，送入python机器学习库中的XGBoost回归器，并设定参数为max_depth＝5，learning_rate＝0.1，n_estimators＝100，silent＝False，objective＝'reg:gamma'。将实测数据中随机选取4/5用于模型参数的训练，剩下的数据用决定系数、均方根误差来对比分析算法对精度进行验证，得到森林高度反演模型。
本发明的有益效果：
本发明根据多源遥感信息可以快速、准确的提取东北地区森林高度，解决了现有森林高度估测算法中地相位估计不准确、算法复杂度高及激光雷达数据高成本的问题。此外，本发明使用的数据源易于获取，利用PolSAR和InSAR技术，提取对森林高度敏感的极化信息和干涉信息，结合坡度和多光谱信息，为森林高度的计算提供大量有效的数据。本发明为森林高度估测提供有效的算法，为森林生物量、森林管理及碳循环提供一定的技术支持。
附图说明
图1是本发明基于多源遥感数据的东北地区森林高度反演模型流程图。
图2是本发明实施例1使用的研究区。
图3是本发明实施例1的后向散射系数图和入射角图。
图4是本发明实施例1的干涉相位图和相干系数图。
图5是本发明实施例1的坡度图。
图6是本发明实施例1的生物物理变量图。
图7是本发明实施例1的光谱植被指数图。
图8是本发明实施例1的经过XGBoost回归之后真实值和预测值的关系图。
具体实施方式
实施例1：
本发明联合多源遥感数据，其中SAR数据采用哨兵1号(Sentinel-1)卫星数据，其空间分辨率为20m，如表1所示。光学数据采用2019年2月25日和3月17日哨兵二号(Sentinel-2)卫星数据,其波段信息如表2所示。实验区域为吉林省长春市净月潭国家级风景区(图2)，森林类型主要包括针叶林、阔叶林、针阔混交林等，利用SAR和光学影像提取的特征构建多维特征变量，结合野外测量数据，采用XGBoost算法完成森林高度反演。
表1
| 卫星 | 获取日期 | 产品类型 | 极化方式 | 产品ID |
| Sentinel-1B | 2019.02.18 | Level-1 SLC-SDV | VV、VH | 272F |
| Sentinel-1B | 2019.03.02 | Level-1 SLC-SDV | VV、VH | 7A83 |
| Sentinel-1B | 2019.03.14 | Level-1 SLC-SDV | VV、VH | 2D24 |
| Sentinel-1B | 2019.03.26 | Level-1 SLC-SDV | VV、VH | 239B |
表2
| Sentinel-2波段 | 中心波长(um) | 分辨率(m) |
| B1-海岸/气溶胶波段 | 0.443 | 60 |
| B2-蓝波段 | 0.49 | 10 |
| B3-绿波段 | 0.56 | 10 |
| B4-红波段 | 0.665 | 10 |
| B5-红边波段 | 0.705 | 20 |
| B6-红边波段 | 0.74 | 20 |
| B7-红边波段 | 0.783 | 20 |
| B8-近红外波段 | 0.842 | 10 |
| B8A-近红波段 | 0.865 | 20 |
| B9-水蒸气波段 | 0.945 | 60 |
| B10-短波红外波段 | 1.375 | 60 |
| B11-短波红外波段 | 1.61 | 20 |
| B12-短波红外波段 | 2.19 | 20 |
步骤一:影像预处理
1.SAR影像极化处理：利用完整的遥感图像处理平台(ENVI)中的雷达图像基本处理工具(SARscape)，依次进行如下处理；
(a)多视处理：利用多视处理工具(Multilooking)从Sentinel-1SAR影像数据中读取距离向和方位向分辨率，并计算出距离向视数和方位向视数。
(b)滤波：利用滤波工具(Filtering)，选取Refined Lee滤波方式，窗口大小选为5x5，可以较好的抑制相干斑噪声对影像上地物信息的干扰。
(c)辐射定标和地理编码：利用滤波工具(Geocoding and RadiometricCalibration)能自动从滤波后的数据文件中读取参数，从而完成辐射定标。地理编码选取由ENVI软件自动下载的30m分辨率的SRTM的数字高程模型(DEM)作为参考标准，为每个像元附上相应的经纬度地理信息，同时生成VV后向散射系数图、VH后向散射系数图和入射角图，如图3(a)、3(b)、3(c)。
2.SAR影像干涉处理：利用完整的遥感图像处理平台(ENVI)中的雷达图像基本处理工具(SARscape)，依次进行如下处理；
(a)下载参考DEM文件：打开工具/SARscape/General Tools/Digital ElevationModel Extraction/SRTM-3 Version 2，在Input File输入两个时相Sentinel-1的矢量文件(slc_list文件)，在DEM/Cartographic System中设置GEO GLOBLE WGS84，其他参数按照默认，下载SRTM-3 Version 2 DEM。
(b)干涉图生成和干涉去平：打开/SARscape/Interferometry/PhaseProcessing/Interferogram Generation工具，在Input面板，输入两个时相Sentinel-1的矢量文件(slc_list文件)和SRTM-3Version 2 DEM文件，距离向视数和方位向视数采用自动添加，制图分辨率按照默认的20。生成干涉图和去平后的干涉图。
(c)自适应滤波和相干系数生成：打开/SARscape/Interferometry/PhaseProcessing/Adaptive Filter and Coherence Generation工具，采用Goldstein滤波，这种滤波方法的滤波器是可变的，提高了干涉条纹的清晰度、减少了由空间基线或时间基线引起的失相干的噪声，这种方法是最常用的方法，生成滤波后的干涉图和相干系数图。
(d)相位解缠：干涉相位只能以2π为模，所以只要相位变化超过了2π，就会重新开始和循环。相位解缠是对去平和滤波后的位相进行相位解缠，解决2π模糊的问题。打开/SARscape/Interferometry/Phase Processing/Phase Unwrapping工具，选择最小费用流算法“Minimum Cost Flow”，设置相干性阈值为0.2，分解等级为1，生成解缠后的相位图。
(e)轨道精炼和重去平：打开/SARscape/Interferometry/Phase Processing/Refinement and Re-flattening工具，对滤波后的相干系数图，在控制点生成面板上，点击Next，打开控制点选择工具，鼠标变为选点状态，在图像上平滑的地方单击鼠标左键，选择控制点，进行轨道精炼和相位偏移的计算，消除可能的斜坡相位，对卫星轨道和相位偏移进行纠正，生成轨道精炼和重去平后的相位图。
(f)相位转高程：打开/SARscape/Interferometry/Phase Processing/Phase toHeight Conversion and Geocoding工具，将步骤(e)得到的相位图转换为高程数据，根据地理编码到制图坐标系统，完成相位图转换为高程图的过程，生成高精度的DEM。
(g)地理编码：使用Geocoding工具对步骤(c)完成对干涉图和相干系数图的地理编码，如图4(a)、(b)所示。
(h)提取坡度：利用遥感图像处理平台(ArcMap 10.2)中的ArcToolbox/3DAnalyst/Surface triangulation/Surface slope工具，输入InSAR流程得到的DEM图像，完成从DEM数据提取坡度信息的过程(图5)。
3.多光谱数据预处理：利用欧空局(ESA)发布的Sen2cor插件完成对Sentinel-2Level-1C原始多光谱数据的辐射定标和大气校正，得到Level-2A产品，并重采样到同一分辨率20m。
4.数据配准和剪裁：将SAR数据、重采后的多光谱数据以及DEM数据进行配准和剪裁，得到实验区域的多源遥感数据。
步骤二：提取特征向量
(a)提取生物物理变量：利用遥感图像处理平台(SNAP 6.0)中的Optical/Thematic land Processing/Biophysical Processor工具，对重采样到20m的Level-2ASentine-2数据进行辐射传输模型和神经网络算法计算，得到多光谱数据的生物物理变量(LAI、FVC、Cab、CWC、FAPAR)，如图6(a)、(b)、(c)、(d)、(e)所示。
(b)提取光谱植被指数：植被指数是对地表植被状况的简单、有效和经验的度量,目前已经定义了40多种植被指数,广泛地应用在全球与区域土地覆盖、植被分类和环境变化。一共提取了包括RVI、EVI、NDVI1、NDVI2、NDVI3在内的5个植被指数，如图7(a)、(b)、(c)、(d)、(e)所示。
步骤三：基于梯度提升决策树的XGBoost回归学习方法估测树高
XGBoost算法是基于梯度提升决策树的一种集成学习模型，该算法中的决策树具有先后关联，当前预测以上一轮的预测误差为基础，利用各轮预测误差迭代构建模型，提升预测的准确性。
2019年3月上旬获得的野外测量数据包含一些林分特征，例如平均高度，胸径(DHB)，经度，纬度，树冠郁闭度，树木种类，树木数量和树冠宽度。实地测量了30个样地，样地大小为20×20m^2，由于在同一个实测点有四景SAR影像，因此实测点扩充到120个。此外，森林高度范围：9–27m。在本实验中没有获得涵盖整个研究区域的完整参考数据。但是，现场数据源的收集提供了森林状况的信息。
从步骤一和步骤二中提取了两个后向散射系数(VV、VH)、干涉相位、相干系数、入射角、坡度、五个生物物理变量(LAI、FVC、Cab、CWC、FAPAR)以及五个光谱植被指数(RVI、EVI、NDVI1、NDVI2、NDVI3)，一共16个特征作为模型的输入，送入python机器学习库中的XGBoost回归器，其中参数选取为(max_depth＝5，learning_rate＝0.1，n_estimators＝100，silent＝False，objective＝'reg:gamma')。从120组实测数据中随机选取4/5用于模型参数的训练，剩下的24组数据用于精度验证。
实验结果如图8所示，均方根误差(RMES)＝2.0352,决定系数(R2)＝0.6840。光学遥感数据可获取大范围的光谱信息，但是其可见光及红外波段仅与叶水平生物量产生作用；而微波具有穿透树冠的能力，不仅能与树叶发生作用，还能与树干、树枝发生作用，获取森林内部结构信息。本发明联合多源遥感数据，分别从水平结构和垂直结构获取森林信息，提升了森林高度预估的准确性，可以实现对森林高度较为稳定精确的反演效果。
Claims (7)
1.基于多源卫星遥感数据的森林高度反演方法，具体步骤如下：
步骤一、影像预处理：
1.SAR影像极化处理：获取到的高分辨率合成孔径雷达遥感影像是单视复数据的Sentinel-1原始数据，依次经过多视、滤波、辐射定标和地理编码得到VV后向散射系数、VH后向散射系数和入射角；
2.SAR影像干涉处理：同时对主副SLC影像依次进行干涉图生成和干涉去平、自适应滤波和相干系数生成、相位解缠、轨道精炼和重去平，及相位转高程，提取出坡度数据；
对经过自适应滤波和相干系数生成处理的主副SLC影像进行地理编码得到相位和相干系数；
3.多光谱数据预处理：对Sentinel-2原始多光谱数据，进行辐射定标和大气校正获得Level-2A级产品数据；
4.数据配准和剪裁：对预处理后SAR和多光谱影像进行重采、配准和剪裁,得到实验区域的多源遥感数据；
步骤二、提取特征向量：
基于步骤一中得到的多光谱影像计算生物物理变量和光谱植被指数，生物物理变量为叶面积指数LAI，植被覆盖率FVC，叶绿素叶片中的糖含量Cab，冠层水含量CWC和吸收的光合有效辐射的比例FAPAR；光谱植被指数包括：比值植被指数RVI、增强型植被指数EVI、归一化植被指数NDVI1、归一化植被指数NDVI2、归一化植被指数NDVI3；
步骤三、基于梯度提升决策树的XGBoost回归学习方法得到森林高度反演模型：
将步骤一与步骤二中提取的后向散射系数、入射角、干涉相位、相干系数、坡度、生物物理变量及光谱植被指数构成多维特征向量作为预测变量，结合野外实测数据，送入XGBoost回归器，训练得到森林高度反演模型；
步骤四、将提取的后向散射系数、入射角、干涉相位、相干系数、坡度、生物物理变量及光谱植被指数输入模型得到最终的森林高度预测结果；
步骤二：提取特征向量步骤中
(a)提取生物物理变量：生物物理变量的独特信息，有助于增强森林高度的预测能力；利用遥感图像处理平台SNAP 6.0中的Biophysical Processor工具，得到多光谱数据的生物物理变量，包括：叶面积指数LAI、植被覆盖度FVC、叶片叶绿素含量Cab、林冠层含水量CWC和吸收的光合有效辐射的比例FAPAR；
(b)提取光谱植被指数：根据Sentine-2数据中的多个波段的反射值计算出包括比值植被指数RVI、增强型植被指数EVI、归一化植被指数NDVI1、归一化植被指数NDVI2和归一化植被指数NDVI3在内的5个植被指数，具体计算公式如下：
RVI＝NIR/R (1)
EVI＝2.5*((NIR-R)/(NIR+6*R-7.5*B+1)) (2)
NDVI1＝(NIR-R)/(NIR+R) (3)
NDVI2＝(NIR2-RE3)/(NIR+RE3) (4)
NDVI3＝(RE2-RE1)/(RE2+RE1) (5)
其中，R为红光波段B4的反射值，G为绿光波段B3的反射值，B为蓝光波段B2的反射值，NIR为近红外波段B5的反射值，NIR2为近红波段B8的反射值，RE1为红边波段B5的反射值，RE2为红边波段B6的反射值，RE3为红边波段B7的反射值。
2.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，影像预处理中步骤1.SAR影像极化处理：利用完整的遥感图像处理平台ENVI中的雷达图像基本处理工具SARscape进行多视处理、极化滤波、辐射定标和地理编码；
(a)多视处理：目的是为了抑制SAR图像的斑点噪声；具体方法是，使用ENVI中的多视工具Multilooking处理，处理得到的多视强度图像是距离向和/或方位向像元分辨率的平均值，提高了多视图像的辐射分辨率，降低了空间分辨率；
(b)极化滤波：目的是去除雷达图像的斑点噪声抑制其对影像上地物信息的干扰；具体方法是利用滤波工具Filtering，选取Refined-Lee滤波方式进行极化滤波处理，以抑制相干斑噪声对影像上地物信息的干扰；
(c)辐射定标和地理编码的方法：利用地理编码和辐射定标工具对雷达图像进行辐射定标，并为图像中的每个像元附上相应的经纬度地理信息，同时生成VV后向散射系数图、VH后向散射系数图和入射角图。
3.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，影像预处理中步骤2.SAR影像干涉处理：利用完整的遥感图像处理平台ENVI中的雷达图像基本处理工具SARscape；
(a)获取参考数字高程模型DEM，根据原始SAR数据的矢量文件下载数字高程模型DEM；
(b)干涉图生成和干涉去平：利用Interferogram Generation工具，输入两幅影像，一个作为主影像，一个作为副影像，同时输入参考数字高程模型DEM文件，生成干涉图和去平后的干涉图；
(c)自适应滤波和相干系数生成：利用Adaptive Filter and Coherence Generation工具，生成滤波后的干涉图和相干系数图；
(d)相位解缠：利用Phase Unwrapping工具，生成解缠后的相位图；
(e)轨道精炼和重去平：利用Refinement and Re-flattening工具，在步骤c)生成的相干系数图的平滑区域上选择控制点，避免选择地形残差条纹区域，进一步消除可能存在的平地效应，纠正相位偏移；
(f)相位转高程以及地理编码：利用Phase to Height Conversion and Geocoding工具，将步骤(e)得到的相位图转换为高程数据，根据地理编码到制图坐标系统，完成相位图转换为高程图的过程，生成高精度的DEM；
(g)地理编码：使用Geocoding工具完成对步骤(c)获得的干涉图和相干系数图进行地理编码；
(h)提取坡度：利用遥感图像处理平台ArcMap 10.2中的Surface slope工具，完成从高精度的DEM数据提取坡度信息的过程。
4.根据权利要求3所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，(d)相位解缠中选择最小费用流算法“Minimum Cost Flow”，设置相干性阈值为0.2，分解等级为1。
5.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，影像预处理中步骤3.多光谱数据预处理：在欧空局网站上下载Sentinel-2Level-1C的原始多光谱数据，并利用遥感图像处理平台SNAP中的Sen2cor插件完成对原始多光谱数据的辐射定标和大气校正，并重采样到同一分辨率。
6.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，影像预处理中步骤4.数据配准和剪裁：将SAR数据、重采样后的多光谱数据以及高精度的DEM数据进行配准和剪裁，得到实验区域的多源遥感数据。
7.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，基于梯度提升决策树的XGBoost回归学习方法估测树高步骤中将上述步骤获得的后向散射系数VV、后向散射系数VH、干涉相位、相干系数、入射角、坡度、五个生物物理变量以及五个光谱植被指数，一共16个特征作为模型的输入，送入python机器学习库中的XGBoost回归器，并设定参数为max_depth＝5，learning_rate＝0.1，n_estimators＝100，silent＝False，objective＝'reg:gamma'；将实测数据中随机选取4/5用于模型参数的训练，剩下的数据用决定系数、均方根误差来对比分析算法对精度进行验证，得到森林高度反演模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010045470.5A CN113205475B (zh) | 2020-01-16 | 2020-01-16 | 基于多源卫星遥感数据的森林高度反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010045470.5A CN113205475B (zh) | 2020-01-16 | 2020-01-16 | 基于多源卫星遥感数据的森林高度反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113205475A true CN113205475A (zh) | 2021-08-03 |
| CN113205475B CN113205475B (zh) | 2022-07-12 |
Family
ID=77024763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010045470.5A Expired - Fee Related CN113205475B (zh) | 2020-01-16 | 2020-01-16 | 基于多源卫星遥感数据的森林高度反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113205475B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187533A (zh) * | 2022-02-15 | 2022-03-15 | 西南交通大学 | 一种基于随机森林时序分类的GB-InSAR大气改正方法 |
| CN114882359A (zh) * | 2022-05-07 | 2022-08-09 | 中国科学院空天信息创新研究院 | 基于植被指数时序谱特征的大豆种植区提取方法和系统 |
| CN115205675A (zh) * | 2022-06-29 | 2022-10-18 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据的森林变化驱动力分类方法 |
| CN115271991A (zh) * | 2022-09-27 | 2022-11-01 | 航天宏图信息技术股份有限公司 | 一种农作物净初级生产力的估算方法及装置 |
| 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 |
| CN115423702A (zh) * | 2022-08-23 | 2022-12-02 | 自然资源部国土卫星遥感应用中心 | 制作大区域星载光学和sar影像dom的方法和系统 |
| CN116452023A (zh) * | 2022-12-23 | 2023-07-18 | 西南大学 | 基于低频微波雷达vod数据的公里级碳储量评估算法 |
| CN117423011A (zh) * | 2023-11-09 | 2024-01-19 | 滁州学院 | 一种森林碳储量遥感估算方法、系统、设备及介质 |
| CN117435848A (zh) * | 2023-12-06 | 2024-01-23 | 天津师范大学 | 基于卫星多角度指数的大尺度森林高度反演方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103558599A (zh) * | 2013-11-11 | 2014-02-05 | 北京林业大学 | 一种基于多源遥感数据的复杂异质林分平均高估测方法 |
| CN104361338A (zh) * | 2014-10-17 | 2015-02-18 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
| CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
| CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
| US20160292626A1 (en) * | 2013-11-25 | 2016-10-06 | First Resource Management Group Inc. | Apparatus for and method of forest-inventory management |
| 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 |
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN109711446A (zh) * | 2018-12-18 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
| 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 |
| CN110136194A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 基于星载多光谱遥感数据的积雪覆盖度测算方法 |
| CN110287457A (zh) * | 2019-07-02 | 2019-09-27 | 吉林大学 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
-
2020
- 2020-01-16 CN CN202010045470.5A patent/CN113205475B/zh not_active Expired - Fee Related
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103558599A (zh) * | 2013-11-11 | 2014-02-05 | 北京林业大学 | 一种基于多源遥感数据的复杂异质林分平均高估测方法 |
| US20160292626A1 (en) * | 2013-11-25 | 2016-10-06 | First Resource Management Group Inc. | Apparatus for and method of forest-inventory management |
| CN104361338A (zh) * | 2014-10-17 | 2015-02-18 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
| CN104483271A (zh) * | 2014-12-19 | 2015-04-01 | 武汉大学 | 光学反射模型与微波散射模型协同的森林生物量反演方法 |
| CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
| 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 |
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN109711446A (zh) * | 2018-12-18 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
| 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 |
| CN110136194A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 基于星载多光谱遥感数据的积雪覆盖度测算方法 |
| CN110287457A (zh) * | 2019-07-02 | 2019-09-27 | 吉林大学 | 基于卫星雷达遥感数据的玉米生物量反演测算方法 |
Non-Patent Citations (7)
| Title |
|---|
| COORAY I G等: ""Potential of Normalized Difference Vegetation Index Derived from Multispectral Optical Satellite Imagery to Estimate Stand Basal Area and Biomass of Mangroves"", 《INTERNATIONAL RESEARCH CONFERENCE OF UWA WELLASSA UNIVERSITY》, 31 December 2019 (2019-12-31), pages 1 - 10 * |
| HALL FG等: ""Remote-sensing of forest biophysical structure using mixture decomposition and geometric reflectance models"", 《ECOLOGICAL APPLICATIONS》, no. 5, 31 December 1995 (1995-12-31), pages 993 - 1013 * |
| LIU Y等: ""Estimation of the forest stand mean height and aboveground biomass in Northeast China using SAR Sentinel-1B,multispectral Sentinel-2A,and DEM imagery"", 《JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, no. 151, 31 December 2019 (2019-12-31), pages 277 - 289 * |
| STROPPIANA D等: ""Integration of sentinel-1 and sentinel-2 Images for Detecting Burned Vegetation in california"", 《11TH EARSEL FOREST FIRE SPECIAL INTEREST GROUP WORKSHOP》, 31 December 2017 (2017-12-31), pages 25 - 27 * |
| 刘茜等: ""森林地上生物遥感反演方法综述"", 《遥感学报》, vol. 19, no. 1, 31 December 2015 (2015-12-31), pages 62 - 74 * |
| 李兰等: ""合成孔径雷达森林树高和地上生物估测研究进展"", 《遥感技术与应用》, vol. 31, no. 4, 31 August 2016 (2016-08-31), pages 625 - 633 * |
| 李延伟等: ""极化干涉SAR森林高度反演综述"", 《遥感信息》, no. 3, 31 March 2009 (2009-03-31), pages 85 - 90 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187533A (zh) * | 2022-02-15 | 2022-03-15 | 西南交通大学 | 一种基于随机森林时序分类的GB-InSAR大气改正方法 |
| CN114882359A (zh) * | 2022-05-07 | 2022-08-09 | 中国科学院空天信息创新研究院 | 基于植被指数时序谱特征的大豆种植区提取方法和系统 |
| CN115205675B (zh) * | 2022-06-29 | 2023-05-16 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据的森林变化驱动力分类方法 |
| CN115205675A (zh) * | 2022-06-29 | 2022-10-18 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据的森林变化驱动力分类方法 |
| 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 |
| 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 |
| CN115423702A (zh) * | 2022-08-23 | 2022-12-02 | 自然资源部国土卫星遥感应用中心 | 制作大区域星载光学和sar影像dom的方法和系统 |
| CN115271991B (zh) * | 2022-09-27 | 2023-01-06 | 航天宏图信息技术股份有限公司 | 一种农作物净初级生产力的估算方法及装置 |
| CN115271991A (zh) * | 2022-09-27 | 2022-11-01 | 航天宏图信息技术股份有限公司 | 一种农作物净初级生产力的估算方法及装置 |
| CN116452023A (zh) * | 2022-12-23 | 2023-07-18 | 西南大学 | 基于低频微波雷达vod数据的公里级碳储量评估算法 |
| CN116452023B (zh) * | 2022-12-23 | 2023-09-26 | 西南大学 | 基于低频微波雷达vod数据的公里级碳储量评估方法 |
| CN117423011A (zh) * | 2023-11-09 | 2024-01-19 | 滁州学院 | 一种森林碳储量遥感估算方法、系统、设备及介质 |
| CN117435848A (zh) * | 2023-12-06 | 2024-01-23 | 天津师范大学 | 基于卫星多角度指数的大尺度森林高度反演方法及系统 |
| CN117435848B (zh) * | 2023-12-06 | 2024-03-12 | 天津师范大学 | 基于卫星多角度指数的大尺度森林高度反演方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113205475B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113205475B (zh) | 基于多源卫星遥感数据的森林高度反演方法 | |
| CN109884664B (zh) | 一种城市地上生物量光学微波协同反演方法及系统 | |
| Wang et al. | Estimation of tree height and aboveground biomass of coniferous forests in North China using stereo ZY-3, multispectral Sentinel-2, and DEM data | |
| Li et al. | An evaluation of the use of atmospheric and BRDF correction to standardize Landsat data | |
| WO2023087630A1 (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 | |
| Sadeghi et al. | Canopy height model (CHM) derived from a TanDEM-X InSAR DSM and an airborne lidar DTM in boreal forest | |
| Karjalainen et al. | Prediction of plot-level forest variables using TerraSAR-X stereo SAR data | |
| Soja et al. | Estimation of forest biomass from two-level model inversion of single-pass InSAR data | |
| Raggam et al. | Assessment of the stereo-radargrammetric mapping potential of TerraSAR-X multibeam spotlight data | |
| Ni et al. | Features of point clouds synthesized from multi-view ALOS/PRISM data and comparisons with LiDAR data in forested areas | |
| Liao et al. | Biomass estimation in dense tropical forest using multiple information from single-baseline P-band PolInSAR data | |
| Hu et al. | A Landsat-5 atmospheric correction based on MODIS atmosphere products and 6S model | |
| CN113284171B (zh) | 一种基于卫星遥感立体成像对的植被高度分析方法及系统 | |
| CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
| Praks et al. | Boreal forest tree height estimation from interferometric TanDEM-X images | |
| Pádua et al. | UAS-based imagery and photogrammetric processing for tree height and crown diameter extraction | |
| CN111666896A (zh) | 一种基于线性融合模型的遥感影像时空融合方法 | |
| CN117523404B (zh) | 一种堆土场动态变化监测方法、装置、终端及存储介质 | |
| Leonardo et al. | Comparison of TanDEM-X InSAR data and high-density ALS for the prediction of forest inventory attributes in plantation forests with steep terrain | |
| Wang et al. | Soil moisture retrieval from sentinel-1 and sentinel-2 data using ensemble learning over vegetated fields | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| Tessema et al. | Estimation of tree height using radar remote sensing in urban settings: a preliminary result | |
| Lombardi et al. | Accuracy of high resolution CSK interferometric Digital Elevation Models | |
| Yang et al. | Studying canopy structure through 3-D reconstruction of point clouds from full-waveform terrestrial lidar | |
| Jiang et al. | Estimation of soil organic carbon by combining hyperspectral and radar remote sensing to reduce coupling effects of soil surface moisture and roughness |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220712 |