CN114494854A - 基于遥感的低矮湿地植被地上生物量估算方法和系统 - Google Patents
基于遥感的低矮湿地植被地上生物量估算方法和系统 Download PDFInfo
- Publication number
- CN114494854A CN114494854A CN202111627287.7A CN202111627287A CN114494854A CN 114494854 A CN114494854 A CN 114494854A CN 202111627287 A CN202111627287 A CN 202111627287A CN 114494854 A CN114494854 A CN 114494854A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- biomass
- low
- wetland
- 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.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于遥感的低矮湿地植被地上生物量估算方法和系统，所述估算方法包括：获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；通过估算模型，基于有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；其中，估算模型为能够拟合自变量和因变量的映射关系，自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，因变量为低矮湿地植被样点处实地采集的地上生物量数据。
Description
技术领域
本发明涉及遥感技术领域，尤其涉及一种基于遥感的低矮湿地植被地上生物量估算方法。
背景技术
常见的湿地类型有稻田、苇塘等人工湿地和自然湿地。植被地上生物量表示某一时刻单位面积内植被地上部分的质量，它是量化植被长势状况的重要指标。
相对于陆地森林生态系统中高大挺拔的森林植被，水稻、芦苇等低矮的湿地植被在植株结构、群落结构和生长环境等方面存在特殊性，低矮的湿地植被往往茎杆纤细，植被冠层高度较矮，植株个体的生物量不显著，值域较窄，外加湿地植被群落疏密不一，在群落高密度区易有光谱饱和风险，在低密度区易掺杂陆地土壤背景信息和湿地水体信息，时而出现近红外波段反射率低、植被指数呈现负值，“同谱异物”和“异物同谱”等复杂现象，众多因素导致水稻、芦苇等低矮湿地植被地上生物量敏感特征挖掘和遥感制图存在挑战。
基于多光谱数据的植被地上生物量遥感制图方法是低矮湿地植被地上生物量制图的常规方法，挖掘对地上生物量的敏感特征是地上生物量遥感估算的关键。目前，水稻、芦苇等低矮湿地植被地上生物量估算敏感光谱特征的挖掘主要依赖于空间精细的多光谱数据，提取宽波段植被指数。尽管如此，多光谱遥感数据由于其有限的光谱波段，较粗的光谱分辨率，在一定程度上限制了植被地上生物量多光谱特征的提取种类和对植被地上生物量的敏感性。在波谱分辨率更高、波长更长的精细高光谱中，对水稻、芦苇等低矮湿地植被生物量敏感的高分辨率高光谱特征有待挖掘。鉴于此，有研究者利用手持高光谱仪，获取了低矮湿地植被的近地高光谱数据，以提升遥感数据光谱的精细水平。但由于手持高光谱仪只能获取植被在某个地理坐标点位上的高光谱数据，不能连续成图，此外，低矮湿地植被多生长于水田、盐碱地，交通不便，导致了近地高光谱地上生物量制图研究在大区域的应用价值方面存在局限。
与此同时，有研究者从低矮湿地植被结构的角度出发，基于低矮湿地植被结构特征构建地上生物量估算模型，搭建低矮湿地植被结构特征与植被地上生物量之间的映射关系，实现低矮湿地植被地上生物量遥感制图。
激光雷达技术能捕获植被的三维空间信息，但基于激光雷达数据的地上生物量遥感制图研究多是面向陆地森林生态系统中高大的、地上生物量显著的乔木，以及湿地生态系统中高大的、地上生物量显著的红树林，对低矮湿地植被类型的关注较少。
发明内容
本发明的目的是提供一种基于遥感的低矮湿地植被地上生物量估算方法和系统，部分实施例能够用以解决现有技术中低矮湿地植被地上生物量制图方法推广应用限制性大、模型构建鲁棒性不强、估算结果精度不高等缺陷，提供一种基于遥感的低矮湿地植被地上生物量估算方法。
本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述估算方法包括：
获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；
基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；
通过估算模型，基于所述有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；
其中，所述估算模型为能够拟合自变量和因变量的映射关系，所述自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，所述因变量为所述低矮湿地植被样点处实地采集的地上生物量数据。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述高空间分辨率高光谱影像数据预处理包括辐射定标、地形校正、大气校正、影像拼接的预处理；所述小光斑激光雷达数据预处理包括条带拼接、奇异点删除、点云滤波的预处理；所述地上生物量数据预处理包括有效性判别预处理。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述高空间分辨率高光谱影像数据的挖掘包括：
基于分数阶微分变换、函数组合变换、最小噪声分离、红边植被指数的高光谱特征发掘方法，挖掘对低矮湿地植被地上生物量敏感的特征，作为有效高光谱特征。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述函数组合变换中函数包括：指数函数、幂函数。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述挖掘对低矮湿地植被地上生物量敏感的特征，作为有效高光谱特征，包括：
挖掘对低矮湿地植被地上生物量敏感的特征；
基于皮尔逊相关性系数，在对低矮湿地植被地上生物量敏感的特征和地上生物量数据之间进行相关性分析；
设置第一阈值，将相关性分析获取的皮尔逊相关性系数大于第一阈值的特征作为有效高光谱特征。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述小光斑激光雷达数据的挖掘包括：
针对小光斑激光雷达数据，基于滤波算法，生成数字高程模型和数字表面模型；
基于数字高程模型和数字表面模型生成表征地表物体净高度的冠层高度模型，作为植被结构特征。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述滤波算法为布料滤波算法。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述估算模型采用偏最小二乘回归算法拟合自变量和因变量。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述估算方法还包括：
基于留一交叉验证法限制所述估算模型的过拟合风险，并评价生物量估算结果的精度。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述留一交叉验证法，通过误差统计指标量化植被地上生物量实测值与估算值之间的差异，所述误差统计指标包括：决定系数R2、均方根误差RMSE、剩余预测偏差RPD和估算误差EE，它们的定义公式如下：
其中，Estimatey和Measurey分别代表低矮湿地植被样点处的地上生物量数据的估算值、实测值，Meany代表低矮湿地植被样点处的地上生物量数据实测值的平均值，Standard Deviation代表低矮湿地植被样点处的地上生物量数据估算值与实测值之间的标准误差，n代表低矮湿地植被样点个数，R2和RPD分别代表估算模型对自变量的解释能力和对因变量的预测能力，指示着估算模型构建的鲁棒性，RMSE和EE是对估算结果的精度评价。
根据本发明提供的一种基于遥感的低矮湿地植被地上生物量估算方法，所述估算方法还包括：
基于ArcGIS平台对低矮湿地植被地上生物量进行制图，每一个像元值对应着像元面积内低矮湿地植被地上生物量的均值，通过渐变色指示植被地上生物量的空间分布和变化状况。
本发明还提供的一种基于遥感的低矮湿地植被地上生物量估算系统，所述估算系统包括：
数据获取模块，所述数据获取模块获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；
挖掘模块，所述挖掘模块基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；
估算模块，所述估算模块通过估算模型，基于所述有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；
其中，所述估算模型为能够拟合自变量和因变量的映射关系，所述自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，所述因变量为所述低矮湿地植被样点处实地采集的地上生物量数据。
本发明还提供的一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述基于遥感的低矮湿地植被地上生物量估算方法的步骤。
本发明还提供的一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于遥感的低矮湿地植被地上生物量估算方法的步骤。
本发明还提供的一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于遥感的低矮湿地植被地上生物量估算方法的步骤。
本发明提供的基于遥感的低矮湿地植被地上生物量估算方法和系统，提出了基于高分辨率高光谱、小光斑激光雷达数据等新兴遥感数据的低矮湿地植被地上生物量快速高精度估算方法，拓展了湿地生态系统植被参数定量遥感方法，融合低矮湿地植被多源敏感特征建模提升了建模的鲁棒性和可靠性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于遥感的低矮湿地植被地上生物量估算方法的流程示意图；
图2为本发明实施例提供的一种面向水稻、芦苇等低矮湿地植被的地上生物量快速高精度制图方法的流程示意图；
图3为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱(lnR723)FOD＝0.75特征图；
图4为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱(lnR581)FOD＝0.75特征图；
图5为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱MNF2特征图；
图6为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱SIPI特征图；
图7为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱mSR705特征图；
图8为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱ND705特征图；
图9为本发明实施例中用于芦苇地上生物量遥感估算建模的植被结构特征图；
图10为本发明实施例中芦苇地上生物量快速高精度遥感制图；
图11为本发明实施例中一种基于遥感的低矮湿地植被地上生物量估算系统的结构示意图；
图12为本发明实施例中一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的基于遥感的低矮湿地植被地上生物量估算方法进行详细地说明。
图1为本发明实施例提供的一种基于遥感的低矮湿地植被地上生物量估算方法的流程示意图，如图1所示，本发明提供一种基于遥感的低矮湿地植被地上生物量估算方法，估算方法包括：
步骤100、获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；
可选地，空间分辨率优于1米；
可选地，低矮湿地植被包括水稻、芦苇；
可选地，高空间分辨率高光谱影像数据是一种高分辨率高光谱数据，和小光斑激光雷达数据，均通过机载遥感装置获取；
步骤200、基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；
可选地，挖掘有效高光谱特征是指筛选出高空间分辨率高光谱影像数据中对地上生物量敏感的特征，挖掘植被结构特征是指挖掘样点处植被的冠层高度；
步骤300、通过估算模型，基于有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；
其中，估算模型为能够拟合自变量和因变量的映射关系，自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，因变量为低矮湿地植被样点处实地采集的地上生物量数据；
可选地，低矮湿地植被样点有多个；
可选地，估算模型基于参数回归算法，该算法假设自变量与因变量之间有明确的模型结构，并可由参数进行确切地表达；
本实施例提出了基于高分辨率高光谱、小光斑激光雷达数据等新兴遥感数据的低矮湿地植被地上生物量快速高精度估算方法，拓展了湿地生态系统植被参数定量遥感方法，融合低矮湿地植被多源敏感特征建模提升了建模的鲁棒性和可靠性。
进一步地，另一实施例中，提供一种基于遥感的低矮湿地植被地上生物量估算方法，高空间分辨率高光谱影像数据预处理包括辐射定标、地形校正、大气校正、影像拼接的预处理；小光斑激光雷达数据预处理包括条带拼接、奇异点删除、点云滤波的预处理；地上生物量数据预处理包括有效性判别预处理。
可选地，对高空间分辨率高光谱影像数据、小光斑激光雷达数据进行地理配准、重投影等预处理。
本实施例通过对高空间分辨率高光谱影像数据、小光斑激光雷达数据、地上生物量数据进行预处理，提升数据质量，从而提高估算精度。
进一步地，另一实施例中，提供一种基于遥感的低矮湿地植被地上生物量估算方法，高空间分辨率高光谱影像数据的挖掘，包括：基于分数阶微分变换、函数组合变换、最小噪声分离、红边植被指数的高光谱特征发掘方法，挖掘对低矮湿地植被地上生物量敏感的特征，作为有效高光谱特征。优选地，函数组合变换中函数包括：指数函数、幂函数。
本实施例通过分数阶微分变换、函数组合变换、最小噪声分离、红边植被指数的高光谱特征发掘方法，对高空间分辨率高光谱影像数据中特征筛选，提取出对低矮湿地植被地上生物量敏感的特征。
进一步地，另一实施例中，提供一种基于遥感的低矮湿地植被地上生物量估算方法，挖掘对低矮湿地植被地上生物量敏感的特征，作为有效高光谱特征，包括：挖掘对低矮湿地植被地上生物量敏感的特征；基于皮尔逊相关性系数，在对低矮湿地植被地上生物量敏感的特征和地上生物量数据之间进行相关性分析；设置第一阈值，将相关性分析获取的皮尔逊相关性系数大于第一阈值的特征作为有效高光谱特征。
本实施例通过计算对低矮湿地植被地上生物量敏感的特征和地上生物量数据之间的皮尔逊相关性系数，进一步对高空间分辨率高光谱影像数据中特征筛选，提高特征的敏感度。
进一步地，另一实施例中，提供一种基于遥感的低矮湿地植被地上生物量估算方法，小光斑激光雷达数据的挖掘，包括：针对小光斑激光雷达数据，基于滤波算法，生成数字高程模型和数字表面模型；基于数字高程模型和数字表面模型生成表征地表物体净高度的冠层高度模型，作为植被结构特征。优选地，滤波算法为布料滤波算法。
可选地，滤波算法包括执行多种物理模型、空间内插和栅格化技术等步骤。
本实施例通过布料滤波算法获取精度更高的植被结构特征。
进一步地，另一实施例中，提供一种基于遥感的低矮湿地植被地上生物量估算方法，估算模型采用偏最小二乘回归算法拟合自变量和因变量。
本实施例采用的偏最小二乘回归算法集主成分分析、典型相关分析和多元线性回归分析等方法的优点，可避免数据非正态分布、因子结构不确定性等潜在问题。
进一步地，另一实施例中，提供一种基于遥感的低矮湿地植被地上生物量估算方法，估算方法还包括：基于留一交叉验证法限制估算模型的过拟合风险，并评价生物量估算结果的精度。留一交叉验证法，通过误差统计指标量化植被地上生物量实测值与估算值之间的差异，误差统计指标包括：决定系数R2、均方根误差RMSE、剩余预测偏差RPD和估算误差EE，它们的定义公式如下：
其中，Estimatey和Measurey分别代表低矮湿地植被样点处的地上生物量数据的估算值、实测值，Meany代表低矮湿地植被样点处的地上生物量数据实测值的平均值，Standard Deviation代表低矮湿地植被样点处的地上生物量数据估算值与实测值之间的标准误差，n代表低矮湿地植被样点个数，R2和RPD分别代表估算模型对自变量的解释能力和对因变量的预测能力，指示着估算模型构建的鲁棒性，RMSE和EE是对估算结果的精度评价。
本实施例示出了对估算方法的建模鲁棒性和估算结果的精确度的计算方法。
进一步地，另一实施例中，提供一种基于遥感的低矮湿地植被地上生物量估算方法，估算方法还包括：基于ArcGIS平台对低矮湿地植被地上生物量进行制图，每一个像元值对应着像元面积内低矮湿地植被地上生物量的均值，通过渐变色指示植被地上生物量的空间分布和变化状况。
本实施例通过基于ArcGIS平台对低矮湿地植被地上生物量进行制图，便于直观展示估算结果。
图2为本发明实施例提供的一种面向水稻、芦苇等低矮湿地植被的地上生物量快速高精度制图方法的流程示意图，如图2所示，提供一种面向水稻、芦苇等低矮湿地植被的地上生物量快速高精度制图方法，主要包括以下步骤：
步骤1、多源数据采集与预处理
获取高分辨率高光谱数据、小光斑激光雷达数据等新兴的机载遥感数据、低矮湿地植被地上生物量样点数据。对机载高分辨率高光谱数据进行辐射定标、地形校正、大气校正、影像拼接等预处理，对小光斑激光雷达数据进行条带拼接、奇异点删除、点云滤波等预处理，对实地采集的低矮湿地植被地上生物量样点进行有效性判别等预处理，对多源遥感数据进行地理配准、重投影等预处理。
步骤2、低矮湿地植被高分辨率高光谱特征挖掘
步骤2.1、基于分数阶微分的高光谱特征发掘方法，挖掘对低矮湿地植被地上生物量敏感的潜在高分辨率高光谱特征。
步骤2.2、基于幂函数等多种函数组合变换、最小噪声分离、红边植被指数等高光谱特征挖掘方法，挖掘对低矮湿地植被地上生物量敏感的潜在高分辨率高光谱特征。
步骤2.2.1、基于指数函数、幂函数等多种函数组合变换，对低矮湿地植被高分辨率高光谱进行变换，挖掘对低矮湿地植被地上生物量敏感的潜在高分辨率高光谱特征。
步骤2.2.2、最小噪声分离变换，它本质上是2次层叠的主成分变换，可将高分辨率高光谱数据进行分解和重组，压缩有效光谱信息至前面波段，压缩噪声等无效信息至后面波段，形成一系列最小噪声分离层。因此，它可消除高光谱波段之间潜在的自相关性，增强有效光谱信息。
步骤2.2.3、红边植被指数计算，红边是指植被反射率在近红外线波段与红光交界处快速变化的区域，植被特性的轻微变化可导致红边区域光谱曲线的显著变化，红边区域的光谱反射率及相关联的植被指数对揭示地上生物量起重要指示作用。
步骤3、低矮湿地植被敏感高分辨率高光谱特征提取
基于皮尔逊相关性系数在高分辨率高光谱特征和低矮湿地植被地上生物量样点之间进行相关性分析，设置适当阈值，将皮尔逊相关性系数大于阈值的高分辨率高光谱特征作为对低矮湿地植被地上生物量敏感的高分辨率高光谱特征。
步骤4、低矮湿地植被结构特征提取
基于滤波算法，滤波算法包括执行多种物理模型、空间内插和栅格化技术等步骤，生成数字高程模型和数字表面模型，这两种数字地理模型分别指示着对应像元的地面三维坐标和地物表面三维坐标。基于上述两个模型生成表征地表物体净高度的冠层高度模型，以表征植被的地上高度。
步骤5、低矮湿地植被地上生物量遥感估算模型构建
偏最小二乘回归算法是一种参数回归算法，该算法假设自变量与因变量之间有明确的模型结构，并可由参数进行确切地表达。偏最小二乘回归算法集主成分分析、典型相关分析和多元线性回归分析等方法的优点，可避免数据非正态分布、因子结构不确定性等潜在问题，在回归拟合建模中被广泛应用。本发明基于偏最小二乘回归算法搭建从植被多源特征(高分辨率高光谱特征、结构特征)到植被地上生物量的映射关系，将低矮湿地植被多源特征作为模型的自变量，将水稻、芦苇等低矮湿地植被地上生物量样点值(kg/m2)作为模型的因变量，构建低矮湿地植被地上生物量估算遥感模型，实现水稻、芦苇等低矮湿地植被地上生物量遥感估算。
步骤6、精度评价与制图
出于对湿地生态系统保护、验证样点采集便捷性等方面的考虑，本发明没有额外设计生物量估算野外验证点采集，基于留一交叉验证法限制模型的过拟合风险和评价生物量估算结果的精度。通过4种误差统计指标量化植被地上生物量实测值与估算值之间的差异，包括决定系数(R2)、均方根误差(Root Mean Squared Error，RMSE)、剩余预测偏差(Residual Predictive Deviation，RPD)和估算误差(Estimation Error，EE)，它们的定义公式如下：
其中，Estimatey和Measurey分别代表水稻、芦苇等低矮湿地植被地上生物量样点的估算值、实测值，Meany代表植被地上生物量样点实测值的平均值，Standard Deviation代表估算值与实测值之间的标准误差，n代表地上生物量样点个数，EE通常以百分比的形式展现。R2和RPD分别代表模型对自变量的解释能力和对因变量的预测能力，指示着模型构建的鲁棒性，RMSE和EE是对估算结果的精度评价。
基于ArcGIS平台对低矮湿地植被地上生物量进行制图，每一个像元值对应着像元面积内低矮湿地植被地上生物量的均值，添加指北针、比例尺、图例等地图要素，通过渐变色指示植被地上生物量的空间分布和变化状况。
本实施例提出了基于高分辨率高光谱、小光斑激光雷达数据等新兴遥感数据的水稻、芦苇等低矮湿地植被地上生物量快速高精度遥感制图方法，拓展了湿地生态系统植被参数定量遥感方法；解决了基于手持高光谱仪的生物量估算方法在大区域快速制图方面的局限性，融合低矮湿地植被多源敏感特征建模提升了建模的鲁棒性和可靠性；可广泛地适用于稻田、苇塘等人工或自然湿地生态系统，面向水稻、芦苇等低矮湿地植被进行快速高精度遥感制图。
进一步地，另一实施例中，在江苏省盐城市选取一块湿地作为研究区，选取芦苇作为低矮湿地植被的具体研究对象。通过航飞获取高分辨率高光谱成像数据(空间分辨率优于1米)、小光斑激光雷达数据等新兴的机载遥感数据，深入实地进行芦苇植被地上生物量样点采集，尽量使实地样点空间分布均匀。对机载高分辨率高光谱数据进行辐射定标、地形校正、大气校正、影像拼接等数据预处理，对小光斑激光雷达数据进行条带拼接、奇异点删除、点云滤波等数据预处理，对实地采集的地上生物量样点进行有效性判别等数据预处理。对多源遥感数据进行地理配准、重投影等预处理，使其统一到相同的地理坐标系统下。为减小由人为因素导致的误差，芦苇地上生物量样点，根据其所在区域的植被覆盖度，设定地上生物量样点采集样方：如植被覆盖度大于20％，则选取边长为1米的正方形样方，如植被覆盖度小于20％，则选取边长为3米的正方形样方。通过高精度天平，测量样方内芦苇地上部分的质量(湿重)。
基于分数阶微分的高光谱特征发掘方法，以0.25为步长，对芦苇的高分辨率高光谱(R)进行从0到2阶的分数阶微分变换。基于幂函数等多种函数组合变换，对芦苇高分辨率高光谱进行23种函数组合变换，以挖掘对芦苇地上生物量敏感的潜在高分辨率高光谱特征，具体函数组合变换如表1所示。
表1
对芦苇高分辨率高光谱进行最小噪声分离变换，以挖掘对芦苇地上生物量敏感的潜在高分辨率高光谱特征。经最小噪声分离变换，实现研究区高分辨率高光谱有效信息的重组和增强，最小噪声分离层的前3个波段的特征值为435.40、87.18和38.00，特征值累计占比81.83％。这指示着经过最小噪声分离变换后，前3个波段涵盖了原始高分辨率高光谱数据80％以上的有效信息，如表2所示。
表2
对芦苇高分辨率高光谱进行红边植被指数计算，以挖掘对芦苇地上生物量敏感的潜在高分辨率高光谱特征。基于以下7种常用的红边植被指数对芦苇生物量敏感的潜在高分辨率高光谱特征进行挖掘，如表3所示。
表3
图3为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱(lnR723)FOD＝0.75特征图，图4为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱(lnR723)FOD＝0.75特征图，图5为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱MNF2特征图，图6为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱SIPI特征图，图7为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱mSR705特征图，图8为本发明实施例中用于芦苇地上生物量遥感估算建模的敏感高分辨率高光谱ND705特征图，如图3-8所示，(lnR723)FOD＝0.75、(lnR581)FOD＝0.75特征分别表示高分辨率高光谱数据的723nm、581nm波段进行ln函数变换和0.75阶微分变换，MNF2特征表示高分辨率高光谱数据最小噪声分离的第二层，SIPI、ND705和mSR705特征分别代表着不同类型的红边植被指数，基于皮尔逊相关性系数在高分辨率高光谱特征和低矮湿地植被地上生物量样点之间进行相关性分析，选取皮尔逊相关性系数大于0.7的高分辨率高光谱特征作为对芦苇地上生物量敏感的高分辨率高光谱特征。
图9为本发明实施例中用于芦苇地上生物量遥感估算建模的植被结构特征图，如图9所示，CHM特征表示植被冠层高度，基于多种物理模型、滤波算法、空间内插和栅格化技术生成数字高程模型和数字表面模型，这两种数字地理模型分别指示着对应像元的地面三维坐标和地物表面三维坐标。基于上述两个模型生成表征地表物体净高度的冠层高度模型，以表征植被的地上高度。
基于偏最小二乘回归算法搭建从芦苇多源特征(高分辨率高光谱特征、结构特征)到芦苇地上生物量的映射关系，将芦苇多源特征作为模型的自变量，将芦苇植被地上生物量样点值(kg/m2)作为模型的因变量，构建芦苇地上生物量估算遥感模型，实现芦苇地上生物量遥感估算。
基于留一交叉验证法限制模型的过拟合风险和评价生物量估算结果的精度。通过4种误差统计指标量化植被地上生物量实测值与估算值之间的差异，包括决定系数(R2)、均方根误差(Root Mean Squared Error，RMSE)、剩余预测偏差(Residual PredictiveDeviation，RPD)和估算误差(Estimation Error，EE)，它们的定义公式如下：
其中，Estimatey和Measurey分别代表植被地上生物量样点的估算值、实测值，Meany代表低矮湿地植被样点处的地上生物量数据实测值的平均值，Standard Deviation代表估算值与实测值之间的标准误差，n代表地上生物量样点个数，EE通常以百分比的形式展现。R2和RPD分别代表模型对自变量的解释能力和对因变量的预测能力，指示着模型构建的鲁棒性，RMSE和EE是对估算结果的精度评价。如表4所示。
表4
图10为本发明实施例中芦苇地上生物量快速高精度遥感制图，如图10所示，基于ArcGIS平台对芦苇地上生物量进行制图，每一个像元值对应着像元面积内芦苇地上生物量的均值，添加指北针、比例尺、图例等地图要素，通过渐变色指示芦苇地上生物量的空间分布和变化状况。
本发明基于高分辨率高光谱成像数据、小光斑激光雷达数据等新兴的机载遥感数据，通过多种微分变换、皮尔逊相关性分析、滤波算法等技术，挖掘和提取面向水稻、芦苇等低矮湿地植被地上生物量的高分辨率高光谱特征和结构特征，利用偏最小二乘算法搭建植被光谱特征到地上生物量的映射关系，构建水稻、芦苇等低矮湿地植被地上生物量遥感估算模型，基于ArcGIS平台绘制高空间分辨率像元尺度下地上生物量的空间分布和变化状况，最终实现水稻、芦苇等低矮湿地植被地上生物量快速高精度遥感制图。
此外，本发明整合机载高分辨率高光谱数据和小光斑激光雷达数据在精细空间纹理、精细光谱特征、精细结构特征方面的优势，既可得到精度较高的地上生物量估算结果，又可实现高空间分辨率下的快速制图，避免了基于手持高光谱仪的生物量估算方法在大区域快速制图方面的局限性，本发明高效、流程便捷，可广泛地适用于稻田、苇塘等人工或自然湿地生态系统，面向水稻、芦苇等低矮湿地植被进行快速高精度遥感制图。构建的地上生物量遥感估算模型，融合了植被光谱信息、结构信息等多源信息，改善了常规仅基于多光谱数据在建模方面的鲁棒性和可靠性，还提升了地上生物量遥感估算的精度。
下面对本发明提供的基于遥感的低矮湿地植被地上生物量估算系统进行描述，下文描述的基于遥感的低矮湿地植被地上生物量估算系统与上文描述的基于遥感的低矮湿地植被地上生物量估算方法可相互对应参照。
图11为本发明实施例中一种基于遥感的低矮湿地植被地上生物量估算系统的结构示意图，如图11所示，本实施例提供一种基于遥感的低矮湿地植被地上生物量估算系统，估算系统包括：
数据获取模块，数据获取模块获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；
挖掘模块，挖掘模块基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；
估算模块，估算模块通过估算模型，基于有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；
其中，估算模型为能够拟合自变量和因变量的映射关系，自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，因变量为低矮湿地植被样点处实地采集的地上生物量数据。
本实施例提出了基于高分辨率高光谱、小光斑激光雷达数据等新兴遥感数据的低矮湿地植被地上生物量快速高精度估算方法，拓展了湿地生态系统植被参数定量遥感方法，融合低矮湿地植被多源敏感特征建模提升了建模的鲁棒性和可靠性。
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于遥感的低矮湿地植被地上生物量估算方法，该方法包括：
获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；
基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；
通过估算模型，基于有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；
其中，估算模型为能够拟合自变量和因变量的映射关系，自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，因变量为低矮湿地植被样点处实地采集的地上生物量数据。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于遥感的低矮湿地植被地上生物量估算方法，该方法包括：
获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；
基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；
通过估算模型，基于有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；
其中，估算模型为能够拟合自变量和因变量的映射关系，自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，因变量为低矮湿地植被样点处实地采集的地上生物量数据。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于遥感的低矮湿地植被地上生物量估算方法，该方法包括：
获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；
基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；
通过估算模型，基于有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；
其中，估算模型为能够拟合自变量和因变量的映射关系，自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，因变量为低矮湿地植被样点处实地采集的地上生物量数据。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (15)
1.一种基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述估算方法包括：
获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；
基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；
通过估算模型，基于所述有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；
其中，所述估算模型为能够拟合自变量和因变量的映射关系，所述自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，所述因变量为所述低矮湿地植被样点处实地采集的地上生物量数据。
2.根据权利要求1所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述高空间分辨率高光谱影像数据预处理包括辐射定标、地形校正、大气校正、影像拼接的预处理；所述小光斑激光雷达数据预处理包括条带拼接、奇异点删除、点云滤波的预处理；所述地上生物量数据预处理包括有效性判别预处理。
3.根据权利要求1所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述高空间分辨率高光谱影像数据的挖掘包括：
基于分数阶微分变换、函数组合变换、最小噪声分离、红边植被指数的有效高光谱特征发掘方法，挖掘对低矮湿地植被地上生物量敏感的特征，作为有效高光谱特征。
4.根据权利要求3所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述函数组合变换中函数包括：指数函数、幂函数。
5.根据权利要求3所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述挖掘对低矮湿地植被地上生物量敏感的特征，作为有效高光谱特征，包括：
挖掘对低矮湿地植被地上生物量敏感的特征；
基于皮尔逊相关性系数，在对低矮湿地植被地上生物量敏感的特征和地上生物量数据之间进行相关性分析；
设置第一阈值，将相关性分析获取的皮尔逊相关性系数大于第一阈值的特征作为有效高光谱特征。
6.根据权利要求1所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述小光斑激光雷达数据的挖掘包括：
针对小光斑激光雷达数据，基于滤波算法，生成数字高程模型和数字表面模型；
基于数字高程模型和数字表面模型生成表征地表物体净高度的冠层高度模型，作为植被结构特征。
7.根据权利要求6所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述滤波算法为布料滤波算法。
8.根据权利要求1所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述估算模型采用偏最小二乘回归算法拟合自变量和因变量。
9.根据权利要求8所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述估算方法还包括：
基于留一交叉验证法限制所述估算模型的过拟合风险，并评价生物量估算结果的精度。
10.根据权利要求9所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述留一交叉验证法，通过误差统计指标量化植被地上生物量实测值与估算值之间的差异，所述误差统计指标包括：决定系数R2、均方根误差RMSE、剩余预测偏差RPD和估算误差EE，它们的定义公式如下：
其中，Estimatey和Measurey分别代表低矮湿地植被样点处的地上生物量数据的估算值、实测值，Meany代表低矮湿地植被样点处的地上生物量数据实测值的平均值，StandardDeviation代表低矮湿地植被样点处的地上生物量数据估算值与实测值之间的标准误差，n代表低矮湿地植被样点个数，R2和RPD分别代表估算模型对自变量的解释能力和对因变量的预测能力，指示着估算模型构建的鲁棒性，RMSE和EE是对估算结果的精度评价。
11.根据权利要求1所述的基于遥感的低矮湿地植被地上生物量估算方法，其特征在于，所述估算方法还包括：
基于ArcGIS平台对低矮湿地植被地上生物量进行制图，每一个像元值对应着像元面积内低矮湿地植被地上生物量的均值，通过渐变色指示植被地上生物量的空间分布和变化状况。
12.一种基于遥感的低矮湿地植被地上生物量估算系统，其特征在于，所述估算系统包括：
数据获取模块，所述数据获取模块获取湿地待估算处的高空间分辨率高光谱影像数据、小光斑激光雷达数据；
挖掘模块，所述挖掘模块基于待估算处的高空间分辨率高光谱影像数据挖掘有效高光谱特征，基于待估算处的小光斑激光雷达数据挖掘植被结构特征；
估算模块，所述估算模块通过估算模型，基于所述有效高光谱特征、植被结构特征，估算出待估算处的低矮湿地植地上生物量数据；
其中，所述估算模型为能够拟合自变量和因变量的映射关系，所述自变量为低矮湿地植被样点处的高空间分辨率高光谱影像数据、小光斑激光雷达数据分别经挖掘后形成的有效高光谱特征、植被结构特征，所述因变量为所述低矮湿地植被样点处实地采集的地上生物量数据。
13.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-11中任一项所述基于遥感的低矮湿地植被地上生物量估算方法的步骤。
14.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-11中任一项所述基于遥感的低矮湿地植被地上生物量估算方法的步骤。
15.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-11中任一项所述基于遥感的低矮湿地植被地上生物量估算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111627287.7A CN114494854A (zh) | 2021-12-28 | 2021-12-28 | 基于遥感的低矮湿地植被地上生物量估算方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111627287.7A CN114494854A (zh) | 2021-12-28 | 2021-12-28 | 基于遥感的低矮湿地植被地上生物量估算方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114494854A true CN114494854A (zh) | 2022-05-13 |
Family
ID=81496382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111627287.7A Pending CN114494854A (zh) | 2021-12-28 | 2021-12-28 | 基于遥感的低矮湿地植被地上生物量估算方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494854A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
| CN112711989A (zh) * | 2020-12-15 | 2021-04-27 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
-
2021
- 2021-12-28 CN CN202111627287.7A patent/CN114494854A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
| CN112711989A (zh) * | 2020-12-15 | 2021-04-27 | 中国农业大学 | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hermosilla et al. | Land cover classification in an era of big and open data: Optimizing localized implementation and training data selection to improve mapping outcomes | |
| Wing et al. | Prediction of understory vegetation cover with airborne lidar in an interior ponderosa pine forest | |
| Mucher et al. | Land cover characterization and change detection for environmental monitoring of pan-Europe | |
| Hladik et al. | Salt marsh elevation and habitat mapping using hyperspectral and LIDAR data | |
| Koukoulas et al. | Mapping individual tree location, height and species in broadleaved deciduous forest using airborne LIDAR and multi‐spectral remotely sensed data | |
| Reese et al. | C-correction of optical satellite data over alpine vegetation areas: A comparison of sampling strategies for determining the empirical c-parameter | |
| Marcelino et al. | Landslide inventory using image fusion techniques in Brazil | |
| CA2930989A1 (en) | Apparatus for and method of forest-inventory management | |
| Wayman | Landsat TM-based forest area estimation using iterative guided spectral class rejection | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| CN112364681B (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
| Coluzzi et al. | On the LiDAR contribution for landscape archaeology and palaeoenvironmental studies: the case study of Bosco dell'Incoronata (Southern Italy) | |
| Liu et al. | Comparative analysis of fractional vegetation cover estimation based on multi-sensor data in a semi-arid sandy area | |
| Clark et al. | Landscape analysis using multi-scale segmentation and object-oriented classification | |
| Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
| Chen et al. | Lidar calibration and validation for geometric-optical modeling with Landsat imagery | |
| Sun et al. | Identifying terraces in the hilly and gully regions of the Loess Plateau in China | |
| CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
| Aryastana et al. | Application of normalized difference vegetation index in classifying land cover change over Bangli regency by using Landsat 8 imagery | |
| Wu et al. | Co-inversion of island leaf area index combination morphological and spectral parameters based on UAV multi-source remote sensing data | |
| Xu et al. | Advanced exploratory data analysis for mapping regional canopy cover | |
| CN114494854A (zh) | 基于遥感的低矮湿地植被地上生物量估算方法和系统 | |
| Wang et al. | Estimating woody aboveground biomass in an area of agroforestry using airborne light detection and ranging and compact airborne spectrographic imager hyperspectral data: individual tree analysis incorporating tree species information | |
| Wu et al. | Evaluating LiDAR point densities for effective estimation of aboveground biomass | |
| Wang et al. | Canopy extraction and height estimation of trees in a shelter forest based on fusion of an airborne multispectral image and photogrammetric point cloud |
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 |