CN114037911B - 一种顾及生态分区的大尺度森林高度遥感反演方法 - Google Patents
一种顾及生态分区的大尺度森林高度遥感反演方法 Download PDFInfo
- Publication number
- CN114037911B CN114037911B CN202210010394.3A CN202210010394A CN114037911B CN 114037911 B CN114037911 B CN 114037911B CN 202210010394 A CN202210010394 A CN 202210010394A CN 114037911 B CN114037911 B CN 114037911B
- Authority
- CN
- China
- Prior art keywords
- data
- forest
- ecological
- height
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013316 zoning Methods 0.000 title claims description 4
- 238000005192 partition Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 230000000873 masking effect Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims 2
- 230000003287 optical effect Effects 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 abstract 1
- 238000005859 coupling reaction Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种顾及生态分区的大尺度森林高度遥感反演方法。首先将森林生态分区数据与星载光子计数激光雷达、光学影像、地形数据、气象数据和经纬度数据结合,然后创建一个顾及不同生态分区及不同森林类型的多源遥感数据非参数树高模型,并使用该模型估算整个研究区域空间连续的森林高度。本发明综合考虑了与森林生长相关的生态因素,通过将生态分区因子纳入森林高度建模中,得到遥感‑生态耦合森林高度估算模型,能够为生成从全球和区域尺度到更局部尺度的森林高度空间信息提供帮助。
Description
技术领域
本发明属于林业遥感技术领域,具体涉及一种顾及生态分区的大尺度森林高度遥感反演方法。
背景技术
在林业领域,树高是最重要的测树因子之一。传统的树高获取一般通过测高仪,利用三角函数原理对林地中的单棵树木进行测量,这种主要依靠人工获取树木高度信息的方式,对于国家尺度的树高估计是艰苦、繁琐、漫长、低效的。卫星遥感技术是可重复观测的,能实现大面积、高效率的森林高度监测,但是光学卫星遥感影像只能表征森林水平方向的信息,没有探测森林垂直结构的能力。卫星激光雷达系统利用激光测距技术,可以对森林垂直三维信息进行大尺度直接测量,成为森林高度研究领域的常用方法。但是现有的和计划中的星载激光雷达系统由于卫星轨道设计的原因,无法直接在大面积上生成空间连续的高分辨率森林高度图,因此需要一种将离散稀疏点状激光雷达足迹与空间连续辅助变量相关联的森林高度估算方法。
常用于连续森林高度估算的方法包括参数方法和非参数方法。参数模型是假定森林冠层高度与遥感数据符合线性关系,通过多元回归分析方法构建出遥感信息与森林冠层高度间的数学模型,来估算空间连续的森林冠层高度。然而传统的多元回归分析方法由于计算简单,无法描述森林高度与遥感变量之间复杂的非线性关系,而且所得到的模型只适用于特定区域。非参数模型是利用机器学习方法,建立森林高度与多种遥感特征之间的复杂非线性关系,进行森林冠层高度反演。常用的机器学习算法包括随机森林、人工神经网络等,其中随机森林算法在进行回归分析时具有很好的准确性,可以处理高维特征,因此成为研究森林高度的有效方式。通常对森林冠层高度建模的随机森林算法是基于整个研究区进行的,没有考虑不同生态区中优势树种差异所导致的森林高度估算误差,而且一个包含广阔面积的随机森林树高估算模型可能不能适用于所有森林群落。考虑到我国生态环境复杂,森林面积广阔,不同生态分区气候以及植被的差异性,需要建立一种顾及不同生态分区及不同森林类型的多源遥感数据非参数树高模型系统,从而实现对大区域复杂森林生态系统连续森林高度的快速高精度估算。
发明内容
本发明针对目前大尺度森林高度估测算法精度低、区域代表性差的问题,提供一种顾及生态分区的大尺度森林高度遥感反演方法。通过将森林生态分区数据与星载光子计数激光雷达(ICESAT-2)、光学影像、地形数据、气象数据和经纬度数据结合,创建一个顾及不同生态分区及不同森林类型的多源遥感数据非参数树高模型,并使用该模型估算整个研究区域空间连续的森林高度。
为了达到上述目的,本发明提供的技术方案是一种顾及生态分区的大尺度森林高度遥感反演方法,包括以下步骤:
步骤1,获取目标区域范围内的ICESAT-2树高数据、Landsat数据、SRTM数据、Worldclim数据、森林类型数据和生态分区数据,并对数据进行预处理,包括以下几个步骤:
步骤1.1,收集目标区域范围内的Landsat数据、SRTM数据、Worldclim数据和森林类型数据;
步骤1.2,使用云掩蔽方法CFmask中的数据质量层去除Landsat影像中的云、云阴影像素,获得高质量的Landsat数据;
步骤1.3,对SRTM数据和Worldclim数据进行重采样到与Landsat分辨率一致;
步骤1.4,对森林类型数据的每一类进行类别数据重新编码,得到森林类型1、森林类型2、森林类型3……森林类型M,对应的编码分别为1,2,3,……,M;
步骤1.5,采集目标区域范围内的ICESAT-2树高数据,利用地形滤波、冠层高度滤波和光子数滤波去除质量差的激光光斑数据,得到高精度的树高数据Hcanopy和对应光斑中心的经纬度坐标;
步骤1.6,收集目标区域范围内的生态分区数据,得到各生态区的边界范围,共包括N个子生态区,对每个子生态区进行类别数据重新编码,得到生态区1、生态区2、生态区3……生态区N,对应的编码分别为1,2,3,……,N;
步骤2,对处理后的Landsat数据、SRTM数据、Worldclim数据、森林类型数据和生态分区影像数据进行地理配准,生成第一数据集;
步骤3,根据第一数据集计算影像的光谱特征、地形特征、气候因子特征,并与生态分区数据、森林类型数据组合得到第二数据集;
步骤4,利用ICESAT-2树高数据对应的光斑中心的经纬度坐标,从第二数据集中提取相同地理位置处的特征值,并与树高数据合并生成训练数据;
步骤5,构造一个覆盖大区域的随机森林模型作为生态分区树高反演模型,将得到的训练数据分为训练样本和验证样本,训练样本用于训练模型,验证样本用于验证模型;
步骤6,利用步骤5训练好的生态分区树高反演模型估算整个研究区域空间连续的森林高度,得到树高空间分布图。
而且,所述步骤3中Landsat影像的光谱特征包括6个原始光谱波段B2、B3、B4、B5、B6和B7、归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、土壤调节植被指数SAVI、增强植被指数EVI、叶面积指数LAI、穗帽变换亮度TCB、穗帽变换绿度TCG、穗帽变换湿度TCW、Contrast纹理、Dvar纹理、Inertia纹理;SRTM的地形特征包括:地形高度DEM、坡度slope、坡向aspect、太阳方位角在0°、60°、120°、180°、240°和300°的山体阴影;Worldclim的气候因子特征包括19个生物相关的气候因子bio1~bio19;最终得到的第二数据集包含:生态分区数据+18个光谱特征+9个地形特征+19个气候因子+森林类型数据共48个特征。
而且,所述步骤4中提取相同地理位置处的特征值共50个,包括经度、纬度、重编码森林类型编号、重编码生态分区编号、B2、B3、B4、B5、B6、B7、NDVI、DVI、RVI、SAVI、EVI、LAI、TCB、TCG、TCW、Contrast、Dvar、Ierita、DEM、slope、aspect、hillshade 0°、hillshade 60°、hillshade 120°、hillshade 180°、hillshade 240°、hillshade 300°和bio1~bio19。
与现有技术相比,本发明具有如下优点:
1)与现有的对研究区仅建立一个森林高度估算模型相比,本发明综合考虑了与森林生长相关的生态因素,通过将生态分区因子纳入森林高度建模中,得到遥感-生态耦合森林高度估算模型,能够为生成从全球和区域尺度到更局部尺度的森林高度空间信息提供帮助。
2)生态区划方法可以根据与森林生长相关的生态系统类型和地理特征进行空间分割,而不是采用任意的几何尺度分区,从而使森林高度特征的分析具有实际意义。
3)利用遥感-生态耦合森林高度估算模型,可以量化单个生态区林冠高度的误差,从而定义不同生态区条件下模型的不确定性。
附图说明
图1为本发明实施例的流程图。
具体实施方式
本发明提供一种顾及生态分区的大尺度森林高度遥感反演方法,下面以2019年中国东部地区的Landsat8影像数据,谷歌地球引擎构造的随机森林模型,结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示,本发明实施例的流程包括以下步骤:
步骤1,获取目标区域范围内的ICESAT-2树高数据、Landsat数据、SRTM数据、Worldclim数据、森林类型数据和生态分区数据,并对数据进行预处理,具体包括以下几个步骤:
步骤1.1,利用谷歌地球引擎收集2019年中国东部地区的Landsat数据、SRTM数据、Worldclim数据和森林类型数据。
步骤1.2,使用云掩蔽方法CFmask中的数据质量层去除Landsat8影像中的云、云阴影像素,获得高质量的Landsat数据。
步骤1.3,对SRTM数据和Worldclim数据进行重采样到30米分辨率。
步骤1.4,对森林类型数据的每一类进行类别数据重新编码,得到针叶林、阔叶林、针阔混交林对应的编码分别为1,2,3。
步骤1.5,采集2019年的ICESAT-2树高数据,利用地形滤波、冠层高度滤波和光子数滤波去除质量差的激光光斑数据,得到高精度的树高数据Hcanopy和对应光斑中心的经纬度坐标。
步骤1.6,收集中国东部生态分区数据,得到各生态区的边界范围,共包括33个子生态区,并上传至谷歌地球引擎。
步骤2,在谷歌地球引擎里分别提取对应生态分区的Landsat数据、SRTM数据、Worldclim数据和森林类型数据,生成第一数据集。第一数据集的数据格式如表1所示。
表1第一数据集的数据格式
生态区编号 | Landsat数据 | SRTM数据 | Worldclim数据 | 森林类型数据 |
1 | 原始栅格影像 | 原始栅格影像 | 原始栅格影像 | 原始栅格影像 |
2 | 原始栅格影像 | 原始栅格影像 | 原始栅格影像 | 原始栅格影像 |
3 | 原始栅格影像 | 原始栅格影像 | 原始栅格影像 | 原始栅格影像 |
…… | …… | …… | …… | …… |
33 | 原始栅格影像 | 原始栅格影像 | 原始栅格影像 | 原始栅格影像 |
步骤3,根据第一数据集计算影像的光谱特征、地形特征、气候因子特征,并与生态分区数据、森林类型数据组合得到第二数据集。
Landsat影像的光谱特征包括6个原始光谱波段(B2、B3、B4、B5、B6、B7)、归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、增强植被指数(EVI)、叶面积指数(LAI)、穗帽变换亮度(TCB)、穗帽变换绿度(TCG)、穗帽变换湿度(TCW)、Contrast纹理、Dvar纹理、Ierita纹理。
SRTM的地形特征包括:地形高度(DEM)、坡度(slope)、坡向(aspect)、太阳方位角在0°、60°、120°、180°、240°和300°的山体阴影(hillshade)。
Worldclim的气候因子特征包括19个生物相关的气候因子bio1~bio19。
最终得到的第二数据集包含:生态分区数据+18个光谱特征+9个地形特征+19个气候因子+森林类型数据共48个特征。第二数据集的数据格式如表2所示。
表2第二数据集的数据格式
步骤4,利用ICESAT-2提取的高精度树高数据Hcanopy对应的光斑中心的经纬度坐标,从第二数据集中提取相同地理位置处的特征值,并与Hcanopy合并生成训练数据。
提取相同地理位置处的特征值共50个,包括经度、纬度、重编码生态分区编号、B2、B3、B4、B5、B6、B7、NDVI、DVI、RVI、SAVI、EVI、LAI、TCB、TCG、TCW、Contrast、Dvar、Inertia、DEM、slope、aspect、hillshade 0°、hillshade 60°、hillshade 120°、hillshade 180°、hillshade 240°、hillshade 300°、bio1~bio19和森林类型。
步骤5,构造一个覆盖大区域的随机森林模型作为生态分区树高反演模型,将得到的训练数据分为训练样本和验证样本,训练样本用于训练模型,验证样本用于验证模型。
将步骤4提取的特征作为预测变量,将Icesat-2提取的Hcanopy作为响应变量,将训练数据按照7:3的比例分为训练样本和测试样本,利用训练样本进行随机森林模型训练,利用测试样本对随机森林模型进行测试,得到生态分区树高反演模型。
步骤6,利用步骤5训练好的生态分区树高反演模型估算整个研究区域空间连续的森林高度,得到树高空间分布图。
具体实施时,以上流程可采用计算机软件技术实现自动运行流程。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种顾及生态分区的大尺度森林高度遥感反演方法,其特征在于,包括以下步骤:
步骤1,获取目标区域范围内的ICESAT-2树高数据、Landsat数据、SRTM数据、Worldclim数据、森林类型数据和生态分区数据,并对数据进行预处理;
步骤2,对处理后的Landsat数据、SRTM数据、Worldclim数据、森林类型数据和生态分区影像数据进行地理配准,生成第一数据集;
步骤3,根据第一数据集计算影像的光谱特征、地形特征、气候因子特征,并与生态分区数据、森林类型数据组合得到第二数据集;
步骤3中Landsat影像的光谱特征包括6个原始光谱波段B2、B3、B4、B5、B6和B7、归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、土壤调节植被指数SAVI、增强植被指数EVI、叶面积指数LAI、穗帽变换亮度TCB、穗帽变换绿度TCG、穗帽变换湿度TCW、Contrast纹理、Dvar纹理、Inertia纹理;SRTM的地形特征包括:地形高度DEM、坡度slope、坡向aspect、太阳方位角在0°、60°、120°、180°、240°和300°的山体阴影;Worldclim的气候因子特征包括19个生物相关的气候因子bio1~bio19;最终得到的第二数据集包含:生态分区数据+18个光谱特征+9个地形特征+19个气候因子+森林类型数据共48个特征;
步骤4,利用ICESAT-2树高数据对应的光斑中心的经纬度坐标,从第二数据集中提取相同地理位置处的特征值,并与树高数据合并生成训练数据;
步骤5,构造一个覆盖大区域的随机森林模型作为生态分区树高反演模型,将得到的训练数据分为训练样本和验证样本,训练样本用于训练模型,验证样本用于验证模型;
步骤6,利用步骤5训练好的生态分区树高反演模型估算整个研究区域空间连续的森林高度,得到树高空间分布图。
2.如权利要求1所述的一种顾及生态分区的大尺度森林高度遥感反演方法,其特征在于:步骤1中包括以下几个步骤:
步骤1.1,收集目标区域范围内的Landsat数据、SRTM数据、Worldclim数据和森林类型数据;
步骤1.2,使用云掩蔽方法CFmask中的数据质量层去除Landsat影像中的云、云阴影像素,获得高质量的Landsat数据;
步骤1.3,对SRTM数据和Worldclim数据进行重采样到与Landsat分辨率一致;
步骤1.4,对森林类型数据的每一类进行类别数据重新编码,得到森林类型1、森林类型2、森林类型3……森林类型M,对应的编码分别为1,2,3,……,M;
步骤1.5,采集目标区域范围内的ICESAT-2树高数据,利用地形滤波、冠层高度滤波和光子数滤波去除质量差的激光光斑数据,得到高精度的树高数据Hcanopy和对应光斑中心的经纬度坐标;
步骤1.6,收集目标区域范围内的生态分区数据,得到各生态区的边界范围,共包括N个子生态区,对每个子生态区进行类别数据重新编码,得到生态区1、生态区2、生态区3……生态区N,对应的编码分别为1,2,3,……,N。
3.如权利要求2所述的一种顾及生态分区的大尺度森林高度遥感反演方法,其特征在于:步骤4中提取相同地理位置处的特征值共50个,包括经度、纬度、重编码森林类型编号、重编码生态分区编号、B2、B3、B4、B5、B6、B7、NDVI、DVI、RVI、SAVI、EVI、LAI、TCB、TCG、TCW、Contrast、Dvar、Ierita、DEM、slope、aspect、hillshade 0°、hillshade 60°、hillshade120°、hillshade 180°、hillshade 240°、hillshade 300°和bio1~bio19。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010394.3A CN114037911B (zh) | 2022-01-06 | 2022-01-06 | 一种顾及生态分区的大尺度森林高度遥感反演方法 |
US18/093,828 US20230213337A1 (en) | 2022-01-06 | 2023-01-06 | Large-scale forest height remote sensing retrieval method considering ecological zoning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010394.3A CN114037911B (zh) | 2022-01-06 | 2022-01-06 | 一种顾及生态分区的大尺度森林高度遥感反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037911A CN114037911A (zh) | 2022-02-11 |
CN114037911B true CN114037911B (zh) | 2022-04-15 |
Family
ID=80147326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210010394.3A Active CN114037911B (zh) | 2022-01-06 | 2022-01-06 | 一种顾及生态分区的大尺度森林高度遥感反演方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230213337A1 (zh) |
CN (1) | CN114037911B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230386200A1 (en) * | 2022-05-26 | 2023-11-30 | Microsoft Technology Licensing, Llc | Terrain estimation using low resolution imagery |
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 |
CN115561773B (zh) * | 2022-12-02 | 2023-03-10 | 武汉大学 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
CN116385871B (zh) * | 2023-02-28 | 2024-03-15 | 中国林业科学研究院资源信息研究所 | 一种森林生物量遥感估算方法、系统、设备及介质 |
KR102728590B1 (ko) * | 2023-06-19 | 2024-11-11 | 국립생태원 | 라이다와 초분광 영상 기반 산림 분석 시스템 및 그 방법 |
CN116935238B (zh) * | 2023-07-07 | 2024-02-23 | 滁州学院 | 基于深度学习的森林扰动监测方法、系统、设备及介质 |
CN117828969B (zh) * | 2023-08-29 | 2024-07-16 | 北华航天工业学院 | 一种集成dsm的卫星遥感地表温度智能反演方法与系统 |
CN117093806B (zh) * | 2023-10-16 | 2024-02-09 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于遥感的全空间覆盖海上大气co2柱浓度计算方法 |
CN117473256B (zh) * | 2023-10-23 | 2024-09-03 | 中国水利水电科学研究院 | 一种优化蒸发胁迫指数的计算方法 |
CN117153291B (zh) * | 2023-10-31 | 2024-01-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
CN117456364B (zh) * | 2023-11-09 | 2024-04-26 | 中国农业科学院农业信息研究所 | 一种基于SfM和草地高度因子的草地地上生物量估测方法及系统 |
CN117575397B (zh) * | 2023-11-17 | 2024-07-19 | 生态环境部南京环境科学研究所 | 面向统一监管的生态系统碳汇保护空间划定方法及装置 |
CN117332906B (zh) * | 2023-12-01 | 2024-03-15 | 山东大学 | 基于机器学习的三维时空网格空气质量预测方法及系统 |
CN117436003B (zh) * | 2023-12-15 | 2024-03-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 考虑火烧严重度的火烧迹地土壤侵蚀遥感动态监测方法 |
CN117520733B (zh) * | 2024-01-05 | 2024-03-19 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
CN117975292B (zh) * | 2024-03-25 | 2024-06-14 | 中国科学院东北地理与农业生态研究所 | 一种温带森林沼泽提取方法 |
CN118351444A (zh) * | 2024-04-22 | 2024-07-16 | 广西壮族自治区中国科学院广西植物研究所 | 结合多源遥感数据和集成模型估算森林地上生物量的方法 |
CN118095653B (zh) * | 2024-04-22 | 2024-08-02 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 柽柳碳汇资源评估方法以及相关装置 |
CN118521843B (zh) * | 2024-05-13 | 2024-12-17 | 中国农业科学院农业资源与农业区划研究所 | 基于相对高度重构植被指数的草原地上生物量反演方法 |
CN118485961B (zh) * | 2024-05-16 | 2024-11-12 | 莒县龙山镇农业综合服务中心 | 基于遥感技术的森林培育动态监测方法及系统 |
CN118211497B (zh) * | 2024-05-21 | 2024-08-23 | 南京大学 | 一种基于天空红外图像和气象数据的云底高度反演方法 |
CN118394962B (zh) * | 2024-06-25 | 2024-09-13 | 武汉国遥新天地信息技术有限公司 | 多源遥感数据全球数字树木模型仿真数据压缩存储方法 |
CN118762070B (zh) * | 2024-07-10 | 2025-01-24 | 西南大学柑桔研究所 | 一种多模态果树表面积与体积预测方法及系统 |
CN118503324B (zh) * | 2024-07-18 | 2024-09-13 | 西南林业大学 | 整合Meta分析提高Landsat数据在大尺度森林生物量估计效率的方法 |
CN119313031A (zh) * | 2024-09-09 | 2025-01-14 | 浙江省海洋科学院 | 北移红树林种群动态、初级生产力和碳通量评估系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070488A (zh) * | 2019-04-25 | 2019-07-30 | 北京工业大学 | 一种基于卷积神经网络的多角度遥感影像森林高度提取方法 |
CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-01-06 CN CN202210010394.3A patent/CN114037911B/zh active Active
-
2023
- 2023-01-06 US US18/093,828 patent/US20230213337A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070488A (zh) * | 2019-04-25 | 2019-07-30 | 北京工业大学 | 一种基于卷积神经网络的多角度遥感影像森林高度提取方法 |
CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
Non-Patent Citations (2)
Title |
---|
不同空间尺度森林参数多源遥感反演方法;胡凯龙;《不同空间尺度森林参数多源遥感反演方法》;20190115;第8-10、79-106页 * |
融合影像纹理、光谱与地形特征的森林冠顶高反演模型;高凯旋 等;《国土资源遥感》;20200930;第32卷(第3期);第63-70页 * |
Also Published As
Publication number | Publication date |
---|---|
US20230213337A1 (en) | 2023-07-06 |
CN114037911A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114037911B (zh) | 一种顾及生态分区的大尺度森林高度遥感反演方法 | |
Bechtel et al. | Generating WUDAPT Level 0 data–Current status of production and evaluation | |
DeFries et al. | Global continuous fields of vegetation characteristics: a linear mixture model applied to multi-year 8 km AVHRR data | |
Hladik et al. | Salt marsh elevation and habitat mapping using hyperspectral and LIDAR data | |
CN110516816B (zh) | 基于机器学习的全天候地表温度生成方法及装置 | |
US10095995B2 (en) | Apparatus for and method of forest-inventory management | |
CN108984803B (zh) | 一种农作物产量空间化的方法及系统 | |
Bartesaghi-Koc et al. | Spatio-temporal patterns in green infrastructure as driver of land surface temperature variability: The case of Sydney | |
Dmowska et al. | High resolution dasymetric model of US demographics with application to spatial distribution of racial diversity | |
CN109344550A (zh) | 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统 | |
Li et al. | Mapping population density distribution at multiple scales in Zhejiang Province using Landsat Thematic Mapper and census data | |
Yeom et al. | Mapping rice area and yield in northeastern Asia by incorporating a crop model with dense vegetation index profiles from a geostationary satellite | |
US20240312206A1 (en) | Accurate inversion method and system for aboveground biomass of urban vegetations considering vegetation type | |
Qing-Ling et al. | Topographical effects of climate data and their impacts on the estimation of net primary productivity in complex terrain: A case study in Wuling mountainous area, China | |
Zi–chen et al. | Comparison of the backpropagation network and the random forest algorithm based on sampling distribution effects consideration for estimating nonphotosynthetic vegetation cover | |
Chen et al. | Urban land surface temperature retrieval from high spatial resolution thermal infrared image using a modified split-window algorithm | |
CN113506371B (zh) | 街区尺度气候图绘制方法、装置、电子设备及存储介质 | |
CN115018268A (zh) | 一种基于空间测算相对量的森林生态服务价值评估方法 | |
Li et al. | Derivation of the Green Vegetation Fraction of the Whole China from 2000 to 2010 from MODIS Data | |
Ludwig et al. | Mesoscale water balance modelling in the Upper Danube watershed using sub-scale land cover information derived from NOAA-AVHRR imagery and GIS-techniques | |
CN111414867A (zh) | 一种植物地上生物量测算方法 | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与系统 | |
Jabal et al. | Integrated Approach for Land Surface Temperature Assessment in Different Topography of Iraq | |
CN109871552B (zh) | 一种不同深度的土壤温度估算方法 | |
Babawuro et al. | High resolution satellite imagery rectification using Bi-linear interpolation method for geometric data extraction |
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 |