CN114781011A - 一种像素级全球森林碳储量高精度计算方法及系统 - Google Patents
一种像素级全球森林碳储量高精度计算方法及系统 Download PDFInfo
- Publication number
- CN114781011A CN114781011A CN202210363390.3A CN202210363390A CN114781011A CN 114781011 A CN114781011 A CN 114781011A CN 202210363390 A CN202210363390 A CN 202210363390A CN 114781011 A CN114781011 A CN 114781011A
- Authority
- CN
- China
- Prior art keywords
- pixel
- forest
- level
- calculating
- height
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Image Processing (AREA)
Abstract
本发明基于计算几何、模式识别和图像处理的理论和技术,提出了一种像素级全球森林碳储量高精度计算方法模型及系统。本发明融合地面站和无人机激光雷达两类数据提取单木的胸径和树高参数,建立两者的函数关系,用于机载点云仅已知树高条件下拟合胸径,由树高‑胸径函数关系和不同树种的异速生长模型得到单木生物量,并计算碳储量真值;同时将森林碳储量与遥感图像分辨率、植被覆盖度、地形坡度和冠层高度等四个变量构建一种具有理论解释性的像素级物理几何模型;最后,通过森林样地的碳储量真值、图像分辨率、植被覆盖度、地形坡度和冠层高度等数据计算模型参数,针对不同树种分别得到像素级的全球森林碳储量计算模型。
Description
技术领域
本发明属于森林生态学和测绘遥感学的交叉领域,尤其涉及林区机载激光扫描数据单木的自动提取,基于光谱和纹理信息的遥感图像树种识别,区域/全球森林碳储量精准计算方法等。
背景技术
碳汇的精准监测是当前国家的重大需求,陆地生态系统的固碳现状和未来固碳潜力亟需研究(丁仲礼,2021)。森林是陆地生态系统中最大的碳库,传统实地勘测森林碳储量的方式存在实测大量样地费时费力和抽样统计结果难以评价的问题(方精云,2007)。遥感具有宏观、动态、快速、可重复的特点,已成为森林碳汇监测的重要手段(李德仁,2012),在大尺度碳储量估算中具有不可替代的优势。传统的光学遥感技术结合地面调查,对森林垂直结构分布只能提供有限信息,且在森林郁闭度大的地区,光谱差异趋于很小,导致光谱信号饱和。激光雷达(LiDAR)是通过发射激光束照射物体表面并分析其返回信号的一种主动遥感系统,所发出的激光脉冲能够穿透森林冠层到达地表,从而获取植被的三维结构特征,并通过建立生物量与的三维结构参数之间的关系模型来估算生物量,由此计算区域森林的碳储量。总体而言,目前构建像素级全球森林碳储量高精度计算模型方面仍存在以下问题:①解决基于机载激光点云建立单木级区域森林碳储量精准计算方法,为像素级物理几何模型提供计算真值;②解决像素级全球森林碳储量高精度计算模型构建,为目前森林碳汇监测精度结果提供理论解释依据;③基于完备的实验数据,对以上建立的方法和模型进行验证,达到完全科学的解释。
发明内容
本发明针对目前森林碳汇监测精度难以评价、结果缺乏理论解释等问题,提出一种顾及影像分辨率和地形条件的像素级全球森林碳储量计算模型。本发明解决的技术问题主要包括:①基于机载激光点云单木级区域森林的碳储量精准计算方法;②建立顾及影像分辨率和地形条件的像素级全球森林碳储量计算模型;③利用大量实测数据,验证该模型的精度和实用性,并与已有的全国森林碳储量结果进行对比分析。
本发明的技术方案为一种顾及影像分辨率和地形条件的像素级全球森林碳储量计算方法,本发明主要包含以下步骤:
步骤1,利用地面站和无人机激光雷达两类数据提取单木的胸径和树高参数,由树高-胸径关系模型和不同树种的异速生长模型得到单木碳储量,并由此计算像素级的区域森林碳储量真值;
步骤2,利用遥感图像分辨率、植被覆盖度、地形坡度和冠层高度这四个变量构建一种具有理论解释性的像素级几何物理模型,用于计算全球森林碳储量,通过区域森林碳储量真值、遥感图像分辨率、植被覆盖度、地形坡度和冠层高度解算模型参数;
步骤3,最后根据解算得到的模型参数以及步骤2中的几何物理模型,得到像素级的全球森林碳储量。
进一步的,步骤1的具体实现方式如下;
利用单木近似垂直于地面的特征,使用格网法分别从地面站TLS和无人机UAV激光点云中提取单木,对从TLS点云中提取的单木截取不同厚度的树干点云,使用RANSAC算法拟合胸径参数,并对从UAV点云中提取的单木,由最高点和最低点计算树高参数,同时结合已有的实地勘测数据,建立不同树种的树高-胸径关系模型;其次,继续使用格网法从机载点云中提取单木,并从高光谱卫星影像中提取森林区域,利用光谱和纹理信息进行树种识别,由此获得单木的树高和胸径参数;然后,根据不同树种的异速生长模型计算单木的碳储量,将所有单木累加得到整个区域内的碳储量;最后根据常用可覆盖全球遥感图像的分辨率,统计各像素内单木的数量和碳储量,获取单木级和像素级的区域森林碳储量高分辨率制图。
进一步的,步骤2中构建的像素级几何物理模型如下;
C=a·(P2F/cos θ)b·Hc (1)
式中,C表示遥感图像中单个像素的碳储量,由步骤1获得,P表示遥感图像的空间分辨率,F表示该像素的植被覆盖度,θ表示地形坡度,H表示该像素的冠层高度;a、b、c为模型中待求解的模型参数。
进一步的,模型中的自变量和因变量采用以下步骤获取;
首先,利用遥感图像通常具备的的近红外和红光波段计算NDVI,并通过各像素的NDVI值计算植被覆盖度,如公式2所示;其次,利用公开的全球30m分辨率DEM数据SRTM计算地形坡度,由此可得该像素内植被的覆盖面积(P2F/cosθ);然后,使用国产高分7号立体测绘卫星和德国TanDEM-X/TerraSAR-X卫星计算大范围森林的冠层高度,并结合最新的星载激光点云(GEDI/ICESat2)数据对冠层高度进行校正;最后,利用森林样地的碳储量真值、图像分辨率、植被覆盖度、地形坡度和冠层高度计算模型参数;
在获取足够的森林碳储量样地数据后,对公式1进行对数变化解算模型参数:
In C=In a+b·In (P2F/cos θ)+c·In H (3)
令l=In C,p=In a,m=In(P2F/cosθ),n=In H,则公式3可转化为:
l=p+b·m+c·n (4)
由此可进行最小二乘平差解算,如下式所示:
X=(BTB)-·(BTL) (5)
进一步的,还包括步骤4,结合步骤2中的像素级几何物理模型,针对不同树种分别得到像素级的全球森林碳储量计算模型,根据不同树种分别求解模型参数,然后利用覆盖全球的遥感图像、SRTM地形数据和森林冠层高数据进行森林碳储量的计算,结合多期数据实现森林碳汇的动态监测。
本发明还提供一种像素级全球森林碳储量高精度计算系统,包括如下模块;
森林碳储量真值计算模块,用于利用地面站和无人机激光雷达两类数据提取单木的胸径和树高参数,由树高-胸径关系模型和不同树种的异速生长模型得到单木碳储量,并由此计算像素级的区域森林碳储量真值;
几何物理模型构建模块,用于利用遥感图像分辨率、植被覆盖度、地形坡度和冠层高度这四个变量构建一种具有理论解释性的像素级几何物理模型,用于计算全球森林碳储量,通过区域森林碳储量真值、遥感图像分辨率、植被覆盖度、地形坡度和冠层高度解算模型参数;
全球森林碳储量计算模块,用于最后根据解算得到的模型参数以及几何物理模型,得到像素级的全球森林碳储量。
进一步的,构建的像素级几何物理模型如下;
C=a·(P2F/cos θ)b·Hc (1)
式中,C表示遥感图像中单个像素的碳储量,由森林碳储量真值计算模块获得,P表示遥感图像的空间分辨率,F表示该像素的植被覆盖度,θ表示地形坡度,H表示该像素的冠层高度;a、b、c为模型中待求解的模型参数。
进一步的,几何物理模型中的自变量和因变量采用以下步骤获取;
首先,利用遥感图像通常具备的的近红外和红光波段计算NDVI,并通过各像素的NDVI值计算植被覆盖度,如公式2所示;其次,利用公开的全球30m分辨率DEM数据SRTM计算地形坡度,由此可得该像素内植被的覆盖面积(P2F/cosθ);然后,使用国产高分7号立体测绘卫星和德国TanDEM-X/TerraSAR-X卫星计算大范围森林的冠层高度,并结合最新的星载激光点云(GEDI/ICESat2)数据对冠层高度进行校正;最后,利用森林样地的碳储量真值、图像分辨率、植被覆盖度、地形坡度和冠层高度计算模型参数;
在获取足够的森林碳储量样地数据后,对公式1进行对数变化解算模型参数:
In C=In a+b·In(P2F/cos θ)+c·In H (3)
令l=In C,p=In a,m=In(P2F/cosθ),n=In H,则公式3可转化为:
l=p+b·m+c·n (4)
由此可进行最小二乘平差解算,如下式所示:
X=(BTB)-·(BTL) (5)
进一步的,还包括动态监测模块,用于结合像素级几何物理模型,针对不同树种分别得到像素级的全球森林碳储量计算模型,根据不同树种分别求解模型参数,然后利用覆盖全球的遥感图像、SRTM地形数据和森林冠层高数据进行森林碳储量的计算,结合多期数据实现森林碳汇的动态监测。
本发明提出以一种顾及影像分辨率和地形条件的像素级全球森林碳储量计算模型,克服了传统收获法实地勘测耗时费力、光学遥感中光谱信号饱和的问题,提高了森林碳储量估算的效率和精度;同时,使用机载激光雷达和多光谱卫星影像构建大范围森林碳储量计算模型,解决碳储量真值缺少难题;本发明为森林碳储量的准确估算、森林碳汇的动态监测提供重要理论支撑。
本发明具有广阔的应用前景,主要体现在以下两个方面。一是,建立了不同空间尺度的森林碳储量计算方法,针对机载点云覆盖区域,利用空地协同多源遥感数据,建立基于机载点云的单木级森林碳储量精准计算方法;针对全球区域,构建一种具有理论解释性的像素级物理几何模型,实现全球森林碳汇的动态监测。前者可为后者提供模型解算基础,后者也需通过前者验证,两种空间尺度的森林碳储量计算方法相辅相成。二是,我国已明确提出“双碳”目标,森林作为一种人为可控的碳汇资源,有必要进行动态监测,以分析变化趋势总结规律,本研究中构建的像素级可解释的森林碳储量计算模型正是针对该问题提出的,有助于实现大范围森林碳汇的高分辨率、高时效监测,因此,本发明可为全国的碳中和目标提供技术支撑。
附图说明
图1是本发明实施例的顾及影像分辨率和地形条件的像素级全球森林碳储量计算模型的总体技术路线图。
图2是本发明实施例的基于机载激光点云单木级森林碳储量计算技术流程图。
图3是本发明实施例的树高-胸径参数提取与关系模型示意图。
图4是本发明实施例的高分辨率区域森林碳储量制图示意图。
图5是本发明实施例的像素级全球森林碳储量计算部分结果示意图。
具体实施方式
本发明主要基于计算几何、模式识别和图像处理的理论和技术,提出了一种顾及影像分辨率和地形条件的像素级全球森林碳储量计算方法。本发明融合地面站和无人机激光雷达两类数据提取单木的胸径和树高参数,建立两者的函数关系,用于机载点云仅已知树高条件下拟合胸径,由树高-胸径函数关系和不同树种的异速生长模型得到单木生物量,并计算碳储量真值;同时将森林碳储量与遥感图像分辨率、植被覆盖度、地形坡度和冠层高度等四个变量构建一种具有理论解释性的像素级物理几何模型;最后,通过森林样地的碳储量真值、图像分辨率、植被覆盖度、地形坡度和冠层高度等数据计算模型参数,针对不同树种分别得到像素级的全球森林碳储量计算模型。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。本发明提供的方法能够用计算机软件技术实现流程,整体技术流程图参见图1,包括以下步骤:
步骤1,利用单木近似垂直于地面的特征,使用格网法分别从地面站(TLS)和无人机(UAV)激光点云中提取单木,对从TLS点云中提取的单木截取不同厚度的树干点云,使用RANSAC算法拟合胸径参数,并对从UAV点云中提取的单木,由最高点和最低点计算树高参数,同时结合已有的实地勘测数据,建立不同树种的树高-胸径关系模型,参见图3;其次,继续使用格网法从机载点云中提取单木,并从高光谱卫星影像中提取森林区域,利用光谱和纹理信息进行树种识别,由此获得单木的树高和胸径参数;然后,根据不同树种的异速生长模型计算单木的碳储量,将所有单木累加得到整个区域内的碳储量;最后根据常用可覆盖全球遥感图像的分辨率,统计各像素内单木的数量和碳储量,获取单木级和像素级的区域森林碳储量高分辨率制图,参见图4。该步骤技术流程图参见图2。
步骤2,为实现全球森林碳汇的动态监测,构建具有可解释性、精度可控的森林碳储量计算方法,本发明提出围绕森林冠层高(CHM)和植被覆盖度(FVC)这两个核心参数,创建如公式1所示的几何物理模型:
C=a·(P2F/cos θ)b·Hc (1)
式中,C表示遥感图像中单个像素的碳储量(由步骤1得到),P表示遥感图像的空间分辨率,F表示该像素的植被覆盖度,θ表示地形坡度,H表示该像素的冠层高度;a、b、c为模型中待求解的参数。
模型中的自变量和因变量采用以下步骤获取:首先,利用遥感图像通常具备的的近红外和红光波段计算NDVI,并通过各像素的NDVI值计算植被覆盖度,如公式2所示;其次,利用公开的全球30m分辨率DEM数据SRTM计算地形坡度,由此可得该像素内植被的覆盖面积(P2F/cosθ);然后,使用国产高分7号立体测绘卫星和德国TanDEM-X/TerraSAR-X卫星计算大范围森林的冠层高度,并结合最新的星载激光点云(GEDI/ICESat2)数据对冠层高度进行校正;最后,利用森林样地的碳储量真值、图像分辨率、植被覆盖度、地形坡度和冠层高度计算模型参数;
在获取足够的森林碳储量样地数据后,对公式1进行对数变化解算模型参数:
In C=In a+b·In(P2F/cos θ)+c·In H (3)
令l=In C,p=In a,m=In(P2F/cosθ),n=In H,则公式3可转化为:
l=p+b·m+c·n (4)
由此可进行最小二乘平差解算,如下式所示:
X=(BTB)-·(BTL) (5)
该方案中的部分示意图参见图5。
步骤3,最后根据解算得到的模型参数以及步骤2中的几何物理模型,得到像素级的全球森林碳储量。
步骤4,结合步骤2中的像素级几何物理模型,针对不同树种分别得到像素级的全球森林碳储量计算模型,根据不同树种分别求解模型参数,然后利用覆盖全球的遥感图像、SRTM地形数据和森林冠层高数据进行森林碳储量的计算,结合多期数据实现森林碳汇的动态监测。
根据不同树种分别求解模型参数,然后可利用覆盖全球的遥感图像、SRTM地形数据和森林冠层高数据进行森林碳储量的计算,结合多期数据实现森林碳汇的动态监测。
本发明实施例还提供一种像素级全球森林碳储量高精度计算系统,包括如下模块;
森林碳储量真值计算模块,用于利用地面站和无人机激光雷达两类数据提取单木的胸径和树高参数,由树高-胸径关系模型和不同树种的异速生长模型得到单木碳储量,并由此计算像素级的区域森林碳储量真值;
几何物理模型构建模块,用于利用遥感图像分辨率、植被覆盖度、地形坡度和冠层高度这四个变量构建一种具有理论解释性的像素级几何物理模型,用于计算全球森林碳储量,通过区域森林碳储量真值、遥感图像分辨率、植被覆盖度、地形坡度和冠层高度解算模型参数;
全球森林碳储量计算模块,用于最后根据解算得到的模型参数以及几何物理模型,得到像素级的全球森林碳储量。
其中,构建的像素级几何物理模型如下;
C=a·(P2F/cos θ)b·Hc (1)
式中,C表示遥感图像中单个像素的碳储量,由森林碳储量真值计算模块获得,P表示遥感图像的空间分辨率,F表示该像素的植被覆盖度,θ表示地形坡度,H表示该像素的冠层高度;a、b、c为模型中待求解的模型参数。
其中,几何物理模型中的自变量和因变量采用以下步骤获取;
首先,利用遥感图像通常具备的的近红外和红光波段计算NDVI,并通过各像素的NDVI值计算植被覆盖度,如公式2所示;其次,利用公开的全球30m分辨率DEM数据SRTM计算地形坡度,由此可得该像素内植被的覆盖面积(P2F/cosθ);然后,使用国产高分7号立体测绘卫星和德国TanDEM-X/TerraSAR-X卫星计算大范围森林的冠层高度,并结合最新的星载激光点云(GEDI/ICESat2)数据对冠层高度进行校正;最后,利用森林样地的碳储量真值、图像分辨率、植被覆盖度、地形坡度和冠层高度计算模型参数;
在获取足够的森林碳储量样地数据后,对公式1进行对数变化解算模型参数:
In C=In a+b·In (P2F/cos θ)+c·In H (3)
令l=In C,p=In a,m=In(P2F/cosθ),n=In H,则公式3可转化为:
l=p+b·m+c·n (4)
由此可进行最小二乘平差解算,如下式所示:
X=(BTB)-·(BTL) (5)
另外,还包括动态监测模块,用于结合像素级几何物理模型,针对不同树种分别得到像素级的全球森林碳储量计算模型,根据不同树种分别求解模型参数,然后利用覆盖全球的遥感图像、SRTM地形数据和森林冠层高数据进行森林碳储量的计算,结合多期数据实现森林碳汇的动态监测。
本发明分别在广西钦州、贵港、来宾和桂林等四个地区实地采集了地面站激光点云、无人机激光点云和大飞机激光点云数据,实验区域内包含广西的优势树种(桉树、马尾松和杉树),且实验区域的地形包含了山地和平地。①验证基于机载激光点云的森林样地碳储量计算精度,给出不同树种的树高-胸径关系模型和单木级森林碳储量高精制图;②使用部分森林样地的碳储量真值和各个因子解算模型参数,并使用余下的森林样地验证模型的精度。
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 (10)
1.一种像素级全球森林碳储量高精度计算方法,其特征在于,包含以下步骤:
步骤1,利用地面站和无人机激光雷达两类数据提取单木的胸径和树高参数,由树高-胸径关系模型和不同树种的异速生长模型得到单木碳储量,并由此计算像素级的区域森林碳储量真值;
步骤2,利用遥感图像分辨率、植被覆盖度、地形坡度和冠层高度这四个变量构建一种具有理论解释性的像素级几何物理模型,用于计算全球森林碳储量,通过区域森林碳储量真值、遥感图像分辨率、植被覆盖度、地形坡度和冠层高度解算模型参数;
步骤3,最后根据解算得到的模型参数以及步骤2中的几何物理模型,得到像素级的全球森林碳储量。
2.根据权利要求1所述一种像素级全球森林碳储量高精度计算方法,其特征在于:步骤1的具体实现方式如下;
利用单木近似垂直于地面的特征,使用格网法分别从地面站TLS和无人机UAV激光点云中提取单木,对从TLS点云中提取的单木截取不同厚度的树干点云,使用RANSAC算法拟合胸径参数,并对从UAV点云中提取的单木,由最高点和最低点计算树高参数,同时结合已有的实地勘测数据,建立不同树种的树高-胸径关系模型;其次,继续使用格网法从机载点云中提取单木,并从高光谱卫星影像中提取森林区域,利用光谱和纹理信息进行树种识别,由此获得单木的树高和胸径参数;然后,根据不同树种的异速生长模型计算单木的碳储量,将所有单木累加得到整个区域内的碳储量;最后根据常用可覆盖全球遥感图像的分辨率,统计各像素内单木的数量和碳储量,获取单木级和像素级的区域森林碳储量高分辨率制图。
3.根据权利要求1所述一种像素级全球森林碳储量高精度计算方法,其特征在于:步骤2中构建的像素级几何物理模型如下;
C=a·(P2F/cosθ)b·Hc (1)
式中,C表示遥感图像中单个像素的碳储量,由步骤1获得,P表示遥感图像的空间分辨率,F表示该像素的植被覆盖度,θ表示地形坡度,H表示该像素的冠层高度;a、b、c为模型中待求解的模型参数。
4.根据权利要求3所述一种像素级全球森林碳储量高精度计算方法,其特征在于:几何物理模型中的自变量和因变量采用以下步骤获取;
首先,利用遥感图像通常具备的的近红外和红光波段计算NDVI,并通过各像素的NDVI值计算植被覆盖度,如公式2所示;其次,利用公开的全球30m分辨率DEM数据SRTM计算地形坡度,由此可得该像素内植被的覆盖面积(P2F/cosθ);然后,使用国产高分7号立体测绘卫星和德国TanDEM-X/TerraSAR-X卫星计算大范围森林的冠层高度,并结合最新的星载激光点云(GEDI/ICESat2)数据对冠层高度进行校正;最后,利用森林样地的碳储量真值、图像分辨率、植被覆盖度、地形坡度和冠层高度计算模型参数;
在获取足够的森林碳储量样地数据后,对公式1进行对数变化解算模型参数:
In C=In a+b·In(P2F/cosθ)+c·In H (3)
令l=In C,p=In a,m=In(P2F/cosθ),n=In H,则公式3可转化为:
l=p+b·m+c·n (4)
由此可进行最小二乘平差解算,如下式所示:
X=(BTB)-·(BTL) (5)
5.根据权利要求1所述一种像素级全球森林碳储量高精度计算方法,其特征在于:还包括步骤4,结合步骤2中的像素级几何物理模型,针对不同树种分别得到像素级的全球森林碳储量计算模型,根据不同树种分别求解模型参数,然后利用覆盖全球的遥感图像、SRTM地形数据和森林冠层高数据进行森林碳储量的计算,结合多期数据实现森林碳汇的动态监测。
6.一种像素级全球森林碳储量高精度计算系统,其特征在于:用于实现如权利要求1-5任一项所述的一种像素级全球森林碳储量高精度计算方法。
7.根据权利要求6所述的一种像素级全球森林碳储量高精度计算系统,其特征在于:包括如下模块;
森林碳储量真值计算模块,用于利用地面站和无人机激光雷达两类数据提取单木的胸径和树高参数,由树高-胸径关系模型和不同树种的异速生长模型得到单木碳储量,并由此计算像素级的区域森林碳储量真值;
几何物理模型构建模块,用于利用遥感图像分辨率、植被覆盖度、地形坡度和冠层高度这四个变量构建一种具有理论解释性的像素级几何物理模型,用于计算全球森林碳储量,通过区域森林碳储量真值、遥感图像分辨率、植被覆盖度、地形坡度和冠层高度解算模型参数;
全球森林碳储量计算模块,用于最后根据解算得到的模型参数以及几何物理模型,得到像素级的全球森林碳储量。
8.根据权利要求7所述的一种像素级全球森林碳储量高精度计算系统,其特征在于:构建的像素级几何物理模型如下;
C=a·(P2F/cosθ)b·Hc (1)
式中,C表示遥感图像中单个像素的碳储量,由森林碳储量真值计算模块获得,P表示遥感图像的空间分辨率,F表示该像素的植被覆盖度,θ表示地形坡度,H表示该像素的冠层高度;a、b、c为模型中待求解的模型参数。
9.根据权利要求8所述的一种像素级全球森林碳储量高精度计算系统,其特征在于:几何物理模型中的自变量和因变量采用以下步骤获取;
首先,利用遥感图像通常具备的的近红外和红光波段计算NDVI,并通过各像素的NDVI值计算植被覆盖度,如公式2所示;其次,利用公开的全球30m分辨率DEM数据SRTM计算地形坡度,由此可得该像素内植被的覆盖面积(P2F/cosθ);然后,使用国产高分7号立体测绘卫星和德国TanDEM-X/TerraSAR-X卫星计算大范围森林的冠层高度,并结合最新的星载激光点云(GEDI/ICESat2)数据对冠层高度进行校正;最后,利用森林样地的碳储量真值、图像分辨率、植被覆盖度、地形坡度和冠层高度计算模型参数;
在获取足够的森林碳储量样地数据后,对公式1进行对数变化解算模型参数:
In C=In a+b·In(P2F/cosθ)+c·In H (3)
令l=In C,p=In a,m=In(P2F/cosθ),n=In H,则公式3可转化为:
l=p+b·m+c·n (4)
由此可进行最小二乘平差解算,如下式所示:
X=(BTB)-·(BTL) (5)
10.根据权利要求7所述的一种像素级全球森林碳储量高精度计算系统,其特征在于:还包括动态监测模块,用于结合像素级几何物理模型,针对不同树种分别得到像素级的全球森林碳储量计算模型,根据不同树种分别求解模型参数,然后利用覆盖全球的遥感图像、SRTM地形数据和森林冠层高数据进行森林碳储量的计算,结合多期数据实现森林碳汇的动态监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363390.3A CN114781011B (zh) | 2022-04-07 | 2022-04-07 | 一种像素级全球森林碳储量高精度计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363390.3A CN114781011B (zh) | 2022-04-07 | 2022-04-07 | 一种像素级全球森林碳储量高精度计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781011A true CN114781011A (zh) | 2022-07-22 |
CN114781011B CN114781011B (zh) | 2023-02-03 |
Family
ID=82426696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210363390.3A Active CN114781011B (zh) | 2022-04-07 | 2022-04-07 | 一种像素级全球森林碳储量高精度计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781011B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512244A (zh) * | 2022-08-19 | 2022-12-23 | 中国林业科学研究院资源信息研究所 | 一种单株树木碳储量确定方法及系统 |
CN116433748A (zh) * | 2023-06-14 | 2023-07-14 | 南开大学 | 一种林地多源数据融合的森林碳储量确定方法及系统 |
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 |
CN116561498A (zh) * | 2023-04-10 | 2023-08-08 | 武汉大学 | 一种全球森林固碳潜力高精度计算方法及系统 |
CN117036944A (zh) * | 2023-08-09 | 2023-11-10 | 中科海慧(天津)科技有限公司 | 基于点云数据和图像识别的树木碳汇量计算方法及系统 |
CN117253141A (zh) * | 2023-08-29 | 2023-12-19 | 北京观微科技有限公司 | 森林调查样地的样地数据确定方法、装置及电子设备 |
CN117541679A (zh) * | 2024-01-05 | 2024-02-09 | 云南师范大学 | 基于样本点个体代表性的森林冠层高度制图方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107449400A (zh) * | 2016-05-31 | 2017-12-08 | 北京林业大学 | 一种森林地上生物量的测量系统及测量方法 |
CN111488902A (zh) * | 2020-01-14 | 2020-08-04 | 沈阳农业大学 | 一种原生滨海湿地生态系统碳储量定量估算方法及系统 |
CN112287287A (zh) * | 2020-11-06 | 2021-01-29 | 东北林业大学 | 一种林木碳汇量的测定方法、系统及装置 |
CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
CN113204998A (zh) * | 2021-04-01 | 2021-08-03 | 武汉大学 | 一种基于单木尺度的机载点云森林生态估测方法及系统 |
CN113284171A (zh) * | 2021-06-18 | 2021-08-20 | 成都天巡微小卫星科技有限责任公司 | 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 |
-
2022
- 2022-04-07 CN CN202210363390.3A patent/CN114781011B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107449400A (zh) * | 2016-05-31 | 2017-12-08 | 北京林业大学 | 一种森林地上生物量的测量系统及测量方法 |
CN111488902A (zh) * | 2020-01-14 | 2020-08-04 | 沈阳农业大学 | 一种原生滨海湿地生态系统碳储量定量估算方法及系统 |
CN112287287A (zh) * | 2020-11-06 | 2021-01-29 | 东北林业大学 | 一种林木碳汇量的测定方法、系统及装置 |
CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
CN113204998A (zh) * | 2021-04-01 | 2021-08-03 | 武汉大学 | 一种基于单木尺度的机载点云森林生态估测方法及系统 |
CN113284171A (zh) * | 2021-06-18 | 2021-08-20 | 成都天巡微小卫星科技有限责任公司 | 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 |
Non-Patent Citations (2)
Title |
---|
I. DIÉDHIOU 等: "Allometric equations and carbon stocks in tree biomass of Jatropha curcas L. in Senegal’s Peanut Basin", 《GLOBAL ECOLOGY AND CONSERVATION》 * |
戚玉娇 等: "基于KNN方法的大兴安岭地区森林地上碳储量遥感估算", 《林业科学》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512244B (zh) * | 2022-08-19 | 2024-01-05 | 中国林业科学研究院资源信息研究所 | 一种单株树木碳储量确定方法及系统 |
CN115512244A (zh) * | 2022-08-19 | 2022-12-23 | 中国林业科学研究院资源信息研究所 | 一种单株树木碳储量确定方法及系统 |
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 |
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 |
CN116561498A (zh) * | 2023-04-10 | 2023-08-08 | 武汉大学 | 一种全球森林固碳潜力高精度计算方法及系统 |
CN116561498B (zh) * | 2023-04-10 | 2024-03-29 | 武汉大学 | 一种全球森林固碳潜力高精度计算方法及系统 |
CN116433748A (zh) * | 2023-06-14 | 2023-07-14 | 南开大学 | 一种林地多源数据融合的森林碳储量确定方法及系统 |
CN116433748B (zh) * | 2023-06-14 | 2023-08-22 | 南开大学 | 一种林地多源数据融合的森林碳储量确定方法及系统 |
CN117036944A (zh) * | 2023-08-09 | 2023-11-10 | 中科海慧(天津)科技有限公司 | 基于点云数据和图像识别的树木碳汇量计算方法及系统 |
CN117036944B (zh) * | 2023-08-09 | 2024-03-01 | 中科海慧(天津)科技有限公司 | 基于点云数据和图像识别的树木碳汇量计算方法及系统 |
CN117253141A (zh) * | 2023-08-29 | 2023-12-19 | 北京观微科技有限公司 | 森林调查样地的样地数据确定方法、装置及电子设备 |
CN117541679A (zh) * | 2024-01-05 | 2024-02-09 | 云南师范大学 | 基于样本点个体代表性的森林冠层高度制图方法和系统 |
CN117541679B (zh) * | 2024-01-05 | 2024-04-02 | 云南师范大学 | 基于样本点个体代表性的森林冠层高度制图方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114781011B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781011B (zh) | 一种像素级全球森林碳储量高精度计算方法及系统 | |
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN110221311B (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
Sona et al. | UAV multispectral survey to map soil and crop for precision farming applications | |
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
US20230213337A1 (en) | Large-scale forest height remote sensing retrieval method considering ecological zoning | |
AU2021104249A4 (en) | Pesticide application method and system based on air-ground collaboration | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
CN108872964B (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
CN108053408B (zh) | 一种基于遥感卫星影像的高自动化土地利用更新方法 | |
CN112381861A (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
CN111091079B (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
CN112729130A (zh) | 卫星遥感测量树木冠层高度的方法 | |
CN111950336B (zh) | 基于背包式激光雷达的植被冠层生态水估算方法 | |
CN113205475A (zh) | 基于多源卫星遥感数据的森林高度反演方法 | |
CN113204998B (zh) | 一种基于单木尺度的机载点云森林生态估测方法及系统 | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
Mahmud et al. | Unmanned aerial vehicle based tree canopy characteristics measurement for precision spray applications | |
CN112906719A (zh) | 基于消费级深度相机的立木因子测量方法 | |
Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
CN111414867A (zh) | 一种植物地上生物量测算方法 | |
CN116486282A (zh) | 一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质 | |
CN111913185B (zh) | 针对高寒脆弱区低矮灌丛样地调查的tls测度方法 | |
Aravinth et al. | Evaluation and Analysis of building Height with LiDAR Data | |
CN110794377A (zh) | 一种基于机载LiDAR数据自动提取树木变化信息方法 |
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 |