CN114241331B - 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 - Google Patents
以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 Download PDFInfo
- Publication number
- CN114241331B CN114241331B CN202111543637.1A CN202111543637A CN114241331B CN 114241331 B CN114241331 B CN 114241331B CN 202111543637 A CN202111543637 A CN 202111543637A CN 114241331 B CN114241331 B CN 114241331B
- Authority
- CN
- China
- Prior art keywords
- reed
- biomass
- sentinel
- model
- hyperspectral
- 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
- 235000014676 Phragmites communis Nutrition 0.000 title claims abstract description 100
- 239000002028 Biomass Substances 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000011160 research Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 241000592183 Eidolon Species 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000012935 Averaging Methods 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 241000254158 Lampyridae Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000219050 Polygonaceae Species 0.000 description 1
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 description 1
- 238000002144 chemical decomposition reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Graphics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明提供了以UAV为地面和Sentinel‑2中介的湿地芦苇地上生物量遥感建模方法，步骤为：①获取研究区A的UAV高光谱和多光谱影像，基于高光谱数据和实测生物量筛选最优植被指数；基于多光谱影像获取芦苇株高；②构建基于最优植被指数和株高的芦苇生物量反演模型，并对A区生物量制图；③获取研究区B（A∈B）的Sentinel‑2影像，将A区的Sentinel‑2按像元网格化，将网格内UAV反演的生物量取平均作为基于Sentinel‑2的生物量反演模型的建模数据集；④基于Sentinel‑2计算的植被指数，结合建模数据集，构建Sentinel‑2的芦苇生物量反演模型，并对B区生物量制图。本发明解决了在沼泽湿地的芦苇地上生物量卫星遥感建模过程中，大量样本获取难和地面样本采集区域与卫星数据像元大小不匹配的问题。
Description
技术领域
本发明属于遥感应用领域，具体涉及以无人机(UAV)为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法。
背景技术
湿地是陆地和水生生态系统之间的过渡区，具有涵养水源、净化水质、保护生物多样性等重要生态功能。湿地植被在为野生动物提供栖息地、储存碳氮等方面发挥着至关重要的作用，它也是湿地环境中任何物理或化学退化早期迹象的一个很好的指示器。在各湿地植被群落中，以芦苇为优势种的湿地植被群落约占40％，芦苇是富营养化的湖滨带、河流坡岸以及沼泽湿地的重要碳氮汇。芦苇地上生物量占芦苇总生物量的80％以上，对芦苇地上生物量的时空监测可为湿地碳氮汇估算和碳氮循环提供数据支撑。
芦苇地上生物量估算的传统方法为人工收获法，即从现场实际收集植物材料并称重，但该方法具有破坏性、耗时耗力、代表性差、很多地方人很难到达。卫星遥感技术具有大面积、实时、快速等优势，是大面积获取芦苇地上生物量的高效手段。Sentinel-2数据具有13个波段，波段2、3、4(490–665nm)和8(842nm)的空间分辨率为10m，波段5、6、7(705-783nm)、8A(865nm)、11和12(1610-2190nm)空间分辨率为20m，波段1(443nm)、9和10(945-1375nm)的空间分辨率为60m。在光学数据中，Sentinel-2数据是唯一在红边范围含有三个波段的数据，在植被，尤其是湿地植被的生物理化参数监测中独具优势。基于Sentinel-2数据开展芦苇地上生物量建模时，需要获取大量的与Sentinel-2像元相匹配的地面实测样本数据，而在沼泽湿地中，人很难进入，获取大量的与Sentinel-2像元相匹配的地面实测样本数据存在困难。
本发明提出了一种以UAV为地面和Sentinel-2中介的沼泽湿地芦苇地上生物量遥感建模方法，解决了在沼泽湿地的芦苇地上生物量卫星遥感建模过程中，大量样本获取难和地面样本采集区域与卫星数据像元大小不匹配的问题。
发明内容
本发明的目的在于获取湿地芦苇的地上生物量，提供一种以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法。
本发明的上述技术目的通过如下技术方案实现：
一种以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法，包括如下步骤：
步骤一、在野外研究区A内设置采样样方，获取样方坐标信息，采集样方内芦苇株高、密度、地上生物量、冠层光谱数据。
步骤二、分别使用搭载高光谱成像仪和多光谱成像仪的无人机获取研究区的高光谱影像数据和多光谱影像数据。
步骤三、获取研究区B(其中，研究区A包含在研究区B中)的Sentinel-2MSI LIC级影像数据。
步骤四、根据无人机高光谱影像数据获取高光谱正射影像DOM(DigitalOrthophoto Map)，基于高光谱DOM计算不同植被指数，分别与芦苇地上生物量做相关性分析，筛选相关系数R最高的窄波段植被指数波段组合，将筛选出的窄波段植被指数与芦苇地上生物量进行线性建模，通过模型的RMSE和决定系数R2筛选以筛选最优植被指数。
根据多光谱影像数据获取中获取多光谱DOM和数字表面模型DSM(DigitalSurface Model)，基于多光谱DOM获取研究区的数字高程模型DEM(Digital ElevationModel)，通过DSM与DEM计算芦苇的株高CHM(Canopy Height Model)，并通过样方的实测芦苇株高与CHM的均方根误差RMSE和决定系数R2进行精度评价。
步骤五、分别构建基于最优植被指数的芦苇地上生物量反演一元回归模型，基于CHM的芦苇地上生物量反演一元回归模型，基于最优植被指数与CHM构建芦苇地上生物量多元回归模型；通过模型的RMSE和R2筛选芦苇的最优地上生物量反演模型，并利用最优地上生物量反演模型反演研究区A的芦苇地上生物量并制图。
步骤六、将步骤三获取的Sentinel-2影像按像元网格化，得到研究区A的矢量网格，基于步骤五获得的研究区A的生物量，求取每个网格的平均值作为该网格的生物量；将A区的所有网格的生物量值作为基于Sentinel-2影像的芦苇地上生物量反演模型构建的数据集。
步骤七、基于Sentinel-2数据计算不同植被指数，结合生物量建模数据集，采用线性回归，构建芦苇地上生物量遥感反演模型，通过模型的RMSE最小和R2最大的原则，筛选基于Sentinel-2的最优芦苇地上生物量反演模型，并对研究区B的地上生物量进行反演制图。
进一步的，所述步骤一中，使用手持差分GPS仪记录每个样方中心点的坐标信息；采用ASD Fieldspec FR2500光谱仪采集样方芦苇冠层光谱数据，每个样方测量10次取平均值作为该样方的光谱值；人工计数每个样方内的芦苇株数，在样方内以“W”型随机抽取芦苇，每株用皮尺测量高度多次，取平均值作为样方芦苇株高；测量株高后，将芦苇烘干至质量恒定，记录干重；每个样方的地上生物量＝平均干重×密度。
进一步的，使用DJI S1000无人机搭载Cubert UHD185 Firefly型成像光谱仪获取高光谱影像数据；由大疆精灵4多光谱版无人机获取多光谱影像数据。
进一步的，所述步骤二中将获取的高光谱影像和步骤一中获取的样方坐标信息利用UHD185自带的软件和俄罗斯Agisoft LLC公司的Agisoft Photoscan Professional软件进行辐射定标影像拼接，最终生成试验区A的高光谱正射影像DOM，使用步骤一实测的芦苇冠层光谱数据对高光谱正射影像的反射率进行校正，并将高光谱DOM重采样为0.01m的空间分辨率；将获取的多光谱影像数据使用大疆智图软件进行处理，最终生成试验区A的多光谱正射影像DOM和数字表面模型DSM，将多光谱DOM与DSM重采样为0.01m的空间分辨率。
进一步的，所述步骤三中，采集的Sentinel-2MSI LIC级影像数据的卫星过境时间与步骤一中野外作业时间同步；采用Sen2cor模型对L1C级影像数据进行大气校正，得到L2A级数据，将L2A级数据重采样为10m的空间分辨率。
进一步的，所述步骤四中，计算的窄波段植被指数如表1所示。
表1基于高光谱影像的窄波段植被指数
进一步的，所述步骤四中，将多光谱DOM在ArcGIS软件中提取裸露土壤点，采用克里金插值获取DEM，株高CHM＝DSM-DEM。
进一步的，所述步骤五中，一元回归建模采用线性一元回归方法，多元回归建模采用线性多元回归方法，在SPSS中建模。
进一步的，所述步骤六中，将生物量建模数据集的3/4作为建模集，1/4作为验证集。
进一步的，所述步骤七中，计算的植被指数如表2所示。
表2基于Sentinel-2影像的植被指数
本发明的方法本发明的方法具有如下有益效果：
具有如下有益效果：
(1)芦苇属于植株较高的湿地植被，其生物量不但与样方的冠层光谱等冠层信息有关，其高度也是非常重要的一个影响因素；本研究通过无人机高光谱影像获取芦苇的冠层信息，通过带内嵌GPS的无人机多光谱影像获取芦苇的高度信息，两个参数结合一起反演芦苇地上生物量，相比仅用一个参数构建的模型反演精度更高。
(2)芦苇湿地多为沼泽湿地，人很难进入，获取大量的代表性的样点很困难，且湿地植被由于人为干预和管理措施少，空间异质性大，仅通过传统的小样方(如1m*1m)测量，很难直接与10m×10m的Sentinel-2的像元匹配而开展高精度建模。本发明以无人机数据作为地面数据与卫星数据之间的中介，只需要选择一块理想的无人机试验区开展实验，并构建模型制图后可得到大量的具有代表性地面实测样点，为基于Sentinel-2影像的芦苇地上生物量高精度模型构建提供大量建模数据，从而获取大面积的芦苇地上生物量，既兼顾的成本低又兼顾的可靠性强。
附图说明
图1为本发明的流程图。
图2为高光谱数据的植被指数敏感性分析，从左上至右下依次为NDVI(i，j)、RVI(i，，j)、RDVI(i，，j)、OSAVI(i，，j)、MSR(i，j)、ChIrededge(i，j)指数。
图3为芦苇的现场实测地上生物量与高光谱植被指数生物量模型建立的预测地上生物量的比较。
图4为芦苇株高模型。
图5为芦苇的现场实测地上生物量与用株高生物量模型建立的地上生物量估算模型的比较。
图6为芦苇的现场实测地上生物量与最优植被指数和株高CHM建立的地上生物量二元预测模型的比较。
图7为基于无人机高光谱植被指数NDVI(534nm,734nm)与株高模型CHM的二元生物量模型估算的试验区芦苇地上生物量。
图8为芦苇试验区无人机反演的地上生物量结果与Sentinel-2多光谱植被指数生物量模型建立的预测地上生物量的比较。
图9为基于Sentinel-2RVI植被指数反演的南大港湿地自然保护区芦苇地上生物量。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步说明。
南大港湿地自然保护区(38°30′21.6″N，117°29′27.6″E)位于河北省沧州市的东北部、渤海湾西岸，北靠京津，距天津90公里、北京210公里，总面积48平方千米(4800公顷)，受到人类活动干预较少，是我国东部沿海地区原始状态保存完好的重要湿地保护区。湿地内的水源主要来源于降雨和河流蓄水，境内流经三条河流：南排河、新石碑河、廖家洼排水渠，在汛期为湿地引蓄河水，另外，捷地减河通过引渠将河水引入湿地，保证了蓄水量。植被类型单一，芦苇是最主要的优势植被种群，其分布面积占保护区面积98％以上。采用本发明的方法定量反演芦苇地上生物量，如图1所示，具体实例分析如下：
步骤一：实地设置1m*1m采样样方，使用手持差分GPS仪记录每个样方的中心坐标信息；采用ASD Fieldspec FR2500光谱仪采集样方芦苇冠层光谱，每个样方测量10次取平均值作为该样方的芦苇冠层光谱值；人工计数每个样方内的芦苇株数，在样方内以“W”型随机抽取芦苇，每株用皮尺测量高度3次，取平均值作为样方芦苇株高；测量株高后，将芦苇烘干直至质量恒定，记录干重；每个样方的地上生物量＝平均干重×密度。
步骤二：使用DJI S1000无人机搭载Cubert UHD185 Firefly型成像光谱仪获取高光谱影像数据；由大疆精灵4多光谱版无人机获取多光谱影像数据。将获取的高光谱影像和步骤一中获取的样方坐标信息利用UHD185自带的软件和俄罗斯Agisoft LLC公司的Agisoft Photoscan Professional软件进行辐射定标影像拼接，最终生成试验区的高光谱正射影像DOM，使用步骤一实测的芦苇冠层光谱对高光谱正射影像的反射率进行校正，并将高光谱DOM重采样为0.01m的空间分辨率；将获取的多光谱影像数据使用大疆智图软件进行处理，最终生成试验区的多光谱正射影像DOM和数字表面模型DSM，将多光谱DOM与DSM重采样为0.01m的空间分辨率。
步骤三：从网站(https：//scihub.copernicus.eu/)上下载与实地采样与无人机飞行实验时间同步的Sentinel-2MSI L1C级数据，采用Sen2cor模型对L1C级数据进行大气校正，得到L2A级数据，将Sentinel-2数据重采样为10m的空间分辨率；
步骤四：基于无人机高光谱影像数据获取高光谱正射影像DOM(DigitalOrthophoto Map)，基于高光谱DOM计算不同植被指数，分别与芦苇地上生物量做相关性分析(图2)，筛选相关系数R最高的窄波段植被指数波段组合，将筛选出的窄波段植被指数与芦苇地上生物量进行线性建模，通过模型的RMSE和R2筛选最优植被指数(图3)；本实施例中NDVI(534，734)指数为最优植被指数；
根据多光谱影像数据获取多光谱正射影像DOM和数字表面模型DSM(DigitalSurface Model)，基于多光谱DOM获取研究区的数字高程模型DEM(Digital ElevationModel)，通过DSM与DEM计算芦苇的株高CHM(CHM＝DSM-DEM)，并通过样方的实测芦苇株高与CHM的均方根误差RMSE和决定系数R2进行精度评价(图4)；
步骤五：分别构建基于最优植被指数与芦苇地上生物量的反演模型，基于株高CHM的芦苇地上生物量反演模型(图5)以及基于最优植被指数与株高CHM的芦苇地上生物量多元模型(图6)；通过模型的RMSE和决定系数R2筛选芦苇的最优地上生物量反演模型，并利用最优地上生物量估算模型估算研究区的芦苇地上生物量并制图(图7)；
步骤六：Sentinel-2影像按像元网格化，得到研究区A的矢量网格，基于反演获得的研究区A的生物量，求取每个网格的平均值作为该网格的生物量；将A区的所有网格的生物量值作为基于Sentinel-2影像的芦苇地上生物量反演模型构建的数据集，其中3/4作为建模集，1/4作为验证集；
步骤七：基于Sentinel-2数据计算表2所示植被指数，分别与对应的建模生物量样本集进行线性建模，通过模型的RMSE和决定系数R2筛选基于Sentinel-2的最佳芦苇地上生物量反演模型(图8)，并利用最优模型对Sentinel-2卫星尺度的芦苇地上生物量进行反演和制图(图9)。
Claims (9)
1.一种以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法，其特征在于，包括如下步骤：
步骤一、在野外研究区A内设置采样样方，获取样方坐标信息，采集样方内芦苇株高、密度、地上生物量、冠层光谱数据；
步骤二、分别使用搭载高光谱成像仪和多光谱成像仪的无人机获取研究区A的高光谱影像数据和多光谱影像数据；
步骤三、获取研究区B(A∈B)的Sentinel-2 MSI LIC级影像数据；
步骤四、基于无人机高光谱影像数据获取高光谱正射影像，基于高光谱正射影像计算不同窄波段植被指数，分别与芦苇地上生物量做相关性分析，筛选相关系数R最高的窄波段植被指数波段组合，将筛选出的窄波段植被指数与芦苇地上生物量进行线性建模，通过模型的RMSE和决定系数R2筛选最优植被指数；
根据多光谱影像数据获取多光谱正射影像和数字表面模型，基于多光谱正射影像获取研究区A的数字高程模型，通过数字表面模型与数字高程模型计算芦苇的株高，并通过样方的实测芦苇株高与计算的芦苇株高的均方根误差RMSE和决定系数R2进行精度评价；
步骤五、分别构建基于最优植被指数与芦苇地上生物量的反演模型，基于株高的芦苇地上生物量反演模型以及基于最优植被指数与株高的芦苇地上生物量多元模型；通过模型的RMSE和R2筛选芦苇的最优地上生物量反演模型，并利用最优地上生物量估算模型估算研究区A的芦苇地上生物量并制图；
步骤六、将步骤三获取的Sentinel-2影像按像元网格化，得到研究区A的矢量网格，基于步骤五获得的研究区A的生物量，求取每个网格的平均值作为该网格的生物量；将A区的所有网格的生物量值作为基于Sentinel-2影像的芦苇地上生物量反演模型构建的数据集；
步骤七、基于Sentinel-2数据计算不同植被指数，结合生物量建模数据集，采用线性回归，构建芦苇地上生物量遥感反演模型，通过模型的RMSE最小和R2最大的原则，筛选基于Sentinel-2的最优芦苇地上生物量反演模型，并对研究区B的地上生物量进行反演制图。
2.根据权利要求1所述的方法，其特征在于，所述步骤一中，使用手持差分GPS仪记录每个样方中心点的坐标信息；采用ASD Fieldspec FR2500光谱仪采集样方芦苇冠层光谱数据，每个样方测量10次取平均值作为该样方的光谱值；人工计数每个样方内的芦苇株数，在样方内以“W”型随机抽取芦苇，每株用皮尺测量高度多次，取平均值作为样方芦苇株高；测量株高后，将芦苇烘干至质量恒定，记录干重；每个样方的地上生物量＝平均干重×密度。
3.根据权利要求1所述的方法，其特征在于，使用DJI S1000无人机搭载Cubert UHD185Firefly型成像光谱仪获取高光谱影像数据；由大疆精灵4多光谱版无人机获取多光谱影像数据。
4.根据权利要求1所述的方法，其特征在于，所述步骤二中将获取的高光谱影像和步骤一中获取的样方坐标信息利用UHD185自带的软件和俄罗斯Agisoft LLC公司的AgisoftPhotoscan Professional软件进行辐射定标影像拼接，最终生成试验区A的高光谱正射影像，使用步骤一实测的芦苇冠层光谱数据对高光谱正射影像的反射率进行校正，并将高光谱正射影像重采样为0.01m的空间分辨率；将获取的多光谱影像数据使用大疆智图软件进行处理，最终生成试验区的多光谱正射影像和数字表面模型，将多光谱正射影像与数字表面模型重采样为0.01m的空间分辨率。
5.根据权利要求1所述的方法，其特征在于，所述步骤三中，采集的Sentinel-2 MSILIC级影像数据的卫星过境时间与步骤一中野外作业时间同步；采用Sen2cor模型对L1C级影像数据进行大气校正，得到L2A级数据，将L2A级数据重采样为10m的空间分辨率。
6.根据权利要求1所述的方法，其特征在于，所述步骤四中，计算的窄波段植被指数包括NDVI(i，j)、RVI(i，j)、RDVI(i，j)、OSAVI(i，，j)、MSR(i，j)、ChIrededge(i，j)指数；i和j为波长。
7.根据权利要求1所述的方法，其特征在于，所述步骤四中，将多光谱正射影像在ArcGIS软件中提取裸露土壤点，采用克里金插值获取数字高程模型，株高＝数字表面模型-数字高程模型。
8.根据权利要求1所述的方法，其特征在于，所述步骤六中，将生物量建模数据集的3/4作为建模集，1/4作为验证集。
9.根据权利要求1所述的方法，其特征在于，所述步骤七中，计算的植被指数包括NDVI、RVI、RDVI、OSAVI、MSR、ChIrededge指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543637.1A CN114241331B (zh) | 2021-12-16 | 2021-12-16 | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543637.1A CN114241331B (zh) | 2021-12-16 | 2021-12-16 | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114241331A CN114241331A (zh) | 2022-03-25 |
| CN114241331B true CN114241331B (zh) | 2024-04-05 |
Family
ID=80757343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111543637.1A Active CN114241331B (zh) | 2021-12-16 | 2021-12-16 | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114241331B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965812B (zh) * | 2022-12-13 | 2024-01-19 | 桂林理工大学 | 无人机影像对湿地植被物种和地物分类的评估方法 |
| CN116881721B (zh) * | 2023-07-25 | 2024-01-02 | 昆明理工大学 | 联合星载gnss-r数据与集成机器学习算法反演植被光学厚度的方法 |
Citations (4)
| 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 |
| CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
| CN111814326A (zh) * | 2020-07-02 | 2020-10-23 | 中国科学院东北地理与农业生态研究所 | 一种沼泽湿地芦苇地上生物量估算方法 |
| US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
| CN109884664B (zh) * | 2019-01-14 | 2022-12-02 | 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 |
-
2021
- 2021-12-16 CN CN202111543637.1A patent/CN114241331B/zh active Active
Patent Citations (4)
| 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 |
| CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
| US10872417B1 (en) * | 2019-07-04 | 2020-12-22 | FlyPard Analytics GmbH | Automatic delineation agricultural field management zones using remote sensing and field data |
| CN111814326A (zh) * | 2020-07-02 | 2020-10-23 | 中国科学院东北地理与农业生态研究所 | 一种沼泽湿地芦苇地上生物量估算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 田艳林 ; 刘贤赵 ; 毛德华 ; 王宗明 ; 李延峰 ; 高长春 ; .基于MODIS数据的松嫩平原西部芦苇湿地地上生物量遥感估算.生态学报.2016,(24),180-189. * |
| 陆国政 ; 杨贵军 ; 赵晓庆 ; 王艳杰 ; 李长春 ; 张小燕 ; .基于多载荷无人机遥感的大豆地上鲜生物量反演.大豆科学.2017,(01),47-56. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114241331A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Garcia et al. | World Ocean Atlas 2018, Volume 3: Dissolved Oxygen, Apparent Oxygen Utilization, and Dissolved Oxygen Saturation. | |
| Song et al. | Quantification of lake clarity in China using Landsat OLI imagery data | |
| Jin et al. | Monitoring of wetland inundation dynamics in the Delmarva Peninsula using Landsat time-series imagery from 1985 to 2011 | |
| Byrd et al. | Evaluation of sensor types and environmental controls on mapping biomass of coastal marsh emergent vegetation | |
| Collin et al. | Salt-marsh characterization, zonation assessment and mapping through a dual-wavelength LiDAR | |
| CN101963664B (zh) | 基于水陆地物分类信息的微波遥感混合像元分解方法 | |
| Purkis et al. | Integrating in situ reef-top reflectance spectra with Landsat TM imagery to aid shallow-tropical benthic habitat mapping | |
| Wang et al. | Regional suitability prediction of soil salinization based on remote-sensing derivatives and optimal spectral index | |
| Zhou et al. | Mapping the concentrations of total suspended matter in Lake Taihu, China, using Landsat‐5 TM data | |
| Novoa et al. | Water quality assessment using satellite-derived chlorophyll-a within the European directives, in the southeastern Bay of Biscay | |
| CN114241331B (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
| Fu et al. | Spatial downscaling of MODIS Chlorophyll-a using Landsat 8 images for complex coastal water monitoring | |
| Duan et al. | Estimation of chlorophyll‐a concentration and trophic states for inland lakes in Northeast China from Landsat TM data and field spectral measurements | |
| Carrea et al. | Satellite-derived multivariate world-wide lake physical variable timeseries for climate studies | |
| Kwak et al. | Near real-time flood volume estimation from MODIS time-series imagery in the Indus River Basin | |
| Sharma et al. | Future aspects and potential of the remote sensing technology to meet the natural resource needs | |
| Fuller et al. | Predicting water quality by relating Secchi-disk transparency and chlorophyll a measurements to satellite imagery for Michigan inland lakes, August 2002 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| CN110836870A (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
| Bué et al. | Intertidal bathymetry extraction with multispectral images: A logistic regression approach | |
| Tao et al. | A Landsat-derived annual inland water clarity dataset of China between 1984 and 2018 | |
| Le et al. | Learning from multimodal and multisensor earth observation dataset for improving estimates of mangrove soil organic carbon in Vietnam | |
| Hu et al. | The potential of Earth observation for the analysis of cold region land surface dynamics in europe—A review | |
| Qin et al. | An improved algorithm for estimating the Secchi disk depth of inland waters across China based on Sentinel-2 MSI data | |
| Mollaee | Estimation of phytoplankton chlorophyll-a concentration in the western basin of Lake Erie using Sentinel-2 and Sentinel-3 data |
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 |