CN114819737A - 公路路域植被的碳储量估算方法、系统及存储介质 - Google Patents
公路路域植被的碳储量估算方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114819737A CN114819737A CN202210587076.3A CN202210587076A CN114819737A CN 114819737 A CN114819737 A CN 114819737A CN 202210587076 A CN202210587076 A CN 202210587076A CN 114819737 A CN114819737 A CN 114819737A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- biomass
- road
- factor
- detected
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 91
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000002028 Biomass Substances 0.000 claims abstract description 254
- 238000009826 distribution Methods 0.000 claims abstract description 96
- 238000010586 diagram Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 51
- 230000003287 optical effect Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000002195 synergetic effect Effects 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims 3
- 238000013075 data extraction Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000132092 Aster Species 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Astronomy & Astrophysics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Game Theory and Decision Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明公开一种公路路域植被的碳储量估算方法、系统及存储介质，包括识别该公路路域的植被分布范围；分别在各类型植被分布范围内指定单位面积区域作为对应类型植被的样地；估算各类型植被的样地的生物量及各类型植被的平均含碳率；提取该公路路域的植被生物量因子特征图；通过植被生物量因子特征图获取各类型植被的样地的植被生物量因子的数据；将各类型植被的样地的植被生物量因子的数据和生物量作为训练样本；基于训练样本与植被生物量因子特征图，通过GWR‑Adaboost模型计算植被生物量分布图；根据植被生物量分布图和各类型植被的分布范围计算待测公路路域的植被碳储量。本发明降低了路域植被生物量高估或低估的现象，使估算结果与路域植被分布情况更相符。
Description
技术领域
本发明属于植被碳储量估算技术领域，具体涉及一种公路路域植被的碳储量估算方法、系统及存储介质。
背景技术
公路交通是碳排放的重要领域之一，而路域植被是道路系统中吸收CO2减少系统碳排放的主要组分，在一定程度上抵消了交通运输中碳的排放，可为实现交通运输行业的“双碳”目标做出重要贡献。但目前我国公路路域植被的固碳能力并不明确，无法从节能减排角度定量核算公路绿化工程的效益，从而指导公路绿化工程建设与养护实践。因此，有必要研究公路路域植被碳储量估算方法。
现有的植被碳储量估算方法一般有模型模拟法、现场实测法、通量观测法及遥感估算法。其中，模型模拟法是一般应用于区域或全球尺度的自然生态系统植被碳储量估算，模型参数需通过长期的定位观测等方式获得，而具有小环境特点且呈带状分布的路域生态系统的模型参数较难获取。现场实测的方法计算精度最高，由于公路里程长，使得工作量非常大。通量观测法是用微气象技术测定分析陆地与大气界面的二氧化碳通量，对配套设施建设要求高，测量难度大，需专业技术人员操作和定期维护。遥感估算法是通过遥感解译并结合地面调查，建立植被指数、叶面面积指数以及植被覆盖率等因子与生物量或碳储量的关系，进而估算出植被碳储量。考虑到公路是线性工程，长数十至数百公里，同时植被类型多样，而遥感估算法的数据容易获得，且适合不同的尺度，具有较好的适用性。因此，利用遥感技术进行路域植被碳储量估算是一种经济有效的方法。
目前，林业和农业在植被碳储量遥感估算方面开展了很多研究，已有利用不同类型传感器、不同分辨率遥感影像，提取与植物生长有关的因子，建立碳储量反演模型，或建立基于机器学习的非参数化估算方法。上述方法大多利用单一类型的遥感数据，对不同类型的遥感数据的应用与分析还不够。此外，忽略了因子与碳储量在空间分布上关系，而公路往往横跨多个生态系统，碳储量在路域空间分布上具有自相关性与异质性，且因子在不同生态系统对碳储量的影响也不同。因此，公路路域植被碳储量遥感估算不能照搬其它行业研究方法。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足，提供一种公路路域植被的碳储量估算方法、系统及存储介质，得到的估算结果与公路路域植被的实际分布情况更相符，具有更高的准确性与可靠性。
本发明采用的技术方案是：一种公路路域植被的碳储量估算方法，包括以下步骤：
通过待测公路路域的图像数据识别该公路路域的植被分布范围；分别在各类型植被分布范围内指定单位面积区域作为对应类型植被的样地；
估算各类型植被的样地的生物量及各类型植被的平均含碳率；
基于待测公路路域的图像数据提取该公路路域的植被生物量因子特征图；所述植被生物量因子特征图用于表征待测公路路域的植被分布范围中每个坐标位置的植被生物量因子的数据；所述植被生物量因子包括植被指数因子、SAR影像相关因子、地形因子；
通过植被生物量因子特征图获取各类型植被的样地的植被生物量因子的数据；将各类型植被的样地的植被生物量因子的数据和生物量作为训练样本；
基于训练样本构建的样本集与植被生物量因子特征图，通过GWR-Adaboost模型计算得到待测公路路域的植被生物量分布图；所述植被生物量分布图用于表征待测公路路域的植被分布范围中每个坐标位置的估算生物量；所述GWR-Adaboost模型由Adaboost模型集成多个GWR模型构成；
根据植被生物量分布图和各类型植被的分布范围计算各类型植被的生物量；根据各类型植被的生物量和各类型植被的平均含碳率计算所有类型植被的碳储量之和，作为待测公路路域的植被碳储量。
上述技术方案中，分别获取覆盖待测公路路域范围的光学遥感影像、SAR卫星影像和DEM数据，分别对光学遥感影像和SAR卫星影像进行镶嵌拼接；然后对待测公路路域的线位文件进行缓冲区分析，获取待测公路路域设定宽度范围内的路域范围矢量文件；根据得到的路域范围矢量文件分别对镶嵌拼接后的光学遥感影像和SAR卫星影像进行裁剪，得到待测公路路域的光学遥感影像和多时序的SAR卫星影像。
上述技术方案中，所述SAR影像相关因子数据的提取过程包括：利用与待测公路路域的光学遥感影像时间最相近的待测公路路域的SAR卫星影像，提取出不同极化波段下的后项散射系数；然后利用待测公路路域的多时序的SAR卫星影像，进行干涉处理，获取待测公路路域的表面高程作为SAR影像相关因子的数据。
上述技术方案中，所述植被指数因子包括归一化植被指数、差值植被指数、比值植被指数、增强型植被指数、土壤调节植被指数、大气阻抗植被指数、优化土壤调节指数、修正土壤调整植被指数、归一化绿波波段差值植被指数、考虑绿光改进的植被指数。
上述技术方案中，所述地形因子体包括高程、坡度、坡向、地形湿度指数TWI、地形起伏度、地表复杂度指数、粗糙度。
上述技术方案中，基于待测公路路域的图像数据提取该公路路域的植被生物量因子特征图的过程包括：
基于待测公路路域的光学遥感影像提取待测公路路域的植被指数因子的数据；基于待测公路路域的SAR卫星影像待测公路路域的提取SAR影像相关因子的数据；基于待测公路路域的DEM数据提取待测公路路域的地形因子的数据；
对待测公路路域的每个植被生物量因子的数据进行归一化处理；
按照待测公路路域的光学遥感影像分辨率的大小，对提取的SAR影像相关因子和地形因子进行重采样，使每个植被生物量因子的数据分辨率一致；
提取各类型植被的样地的植被生物量因子的数据，并消除各类型植被样地的植被生物量因子的数据间的多重共线性，从而筛选出与植被生物量密切相关的植被生物量因子；
将筛选后的植被生物量因子的数据进行堆叠得到植被生物量因子特征图。
上述技术方案中，还包括：
从由GWR-Adaboost模型计算得到的待测公路路域的植被生物量分布图中，获取各类型植被的样地的估算生物量；根据各类型植被的样地的估算生物量与训练样本中各类型植被的样地的生物量的差值以及协同克里金差值获得植被生物量残差图；根据植被生物量残差图对GWR-Adaboost模型计算得到的待测公路路域的植被生物量分布图进行修正，得到最终的待测公路路域的植被生物量分布图，并通过最终的植被生物量分布图计算各类型植被的生物量。
上述技术方案中，基于训练样本构建的样本集与待测公路路域的植被生物量因子特征图，通过GWR-Adaboost模型计算得到待测公路路域的植被生物量分布图的过程包括：
S1，根据各类型植被的样地的植被生物量因子数据和生物量构建初始样本集；设置训练样本的初始权重；
S2，基于训练样本的权重对训练样本进行有放回的概率重采样，得到新的样本集；采用新的样本集和GWR模型计算，得到待测公路路域的生物量分布估算图；
S3，根据生物量分布估算图计算GWR模型的系数，从而得到训练样本的新权重；
S4，循环执行步骤S2-S3，直到达到Adaboost模型设定的最大迭代次数或误差阈值；对得到的所有的待测公路路域的生物量分布估算图进行加权平均，得到待测公路路域的植被生物量分布图。
本发明还提供了一种公路路域植被的碳储量估算系统，包括：样地提取模块、样地数据计算模块、植被生物量因子特征图生成模块、训练样本生成模块、植被生物量分布图计算模块、植被碳储量计算模块；其中，
样地提取模块用于通过待测公路路域的图像数据识别该公路路域的植被分布范围；分别在各类型植被分布范围内指定单位面积区域作为对应类型植被的样地；
样地数据计算模块用于估算各类型植被的样地的生物量及各类型植被的平均含碳率；
植被生物量因子特征图生成模块用于基于待测公路路域的图像数据提取该公路路域的植被生物量因子特征图；所述植被生物量因子特征图用于表征待测公路路域的植被分布范围中每个坐标位置的植被生物量因子的数据；所述植被生物量因子包括植被指数因子、SAR影像相关因子、地形因子；
训练样本生成模块用于通过植被生物量因子特征图获取各类型植被的样地的植被生物量因子的数据；将各类型植被的样地的植被生物量因子的数据和生物量作为训练样本；
植被生物量分布图计算模块用于基于训练样本构建的样本集与植被生物量因子特征图，通过GWR-Adaboost模型计算得到待测公路路域的植被生物量分布图；所述植被生物量分布图用于表征待测公路路域的植被分布范围中每个坐标位置的估算生物量；所述GWR-Adaboost模型由Adaboost模型集成多个GWR模型构成；
植被碳储量计算模块用于根据植被生物量分布图和各类型植被的分布范围计算各类型植被的生物量；根据各类型植被的生物量和各类型植被的平均含碳率计算所有类型植被的碳储量之和，作为待测公路路域的植被碳储量输出。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有公路路域植被的碳储量估算方法程序，所述公路路域植被的碳储量估算方法程序被处理器执行时实现如上述技术方案所述的公路路域植被的碳储量估算方法的步骤。
本发明的有益效果是：本发明构建的GWR-Adaboost模型，可充分挖掘植被因子、SAR影像相关因子及地形因子与路域植被生物量的空间关系，保证估算结果能有效反映待测路域的实际植被情况及其碳储量。本发明采集和计算不同类型植被的样地信息，与待测公路路域的植被生物量因子特征图作为GWR-Adaboost模型的共同输入，将实地考察的生物量数据、有效反映路域整体植被的图像数据与模型自动化计算进行有效结合，进一步保证估算结果的准确性。本发明联合光学、SAR卫星影像和DEM数据，提取大量且不同种类的植被因子、SAR影像相关因子及地形因子，构建植被生物量因子特征图，能够充分反映待测路域的实际植被信息，强化了估算结果的精度。本发明仅需要对样地的生物量进行计算，代入模型即可获得待测路域全局的碳储量估算结果，减少了路域植被外业调查的时间和人力成本。本发明通过光学、SAR卫星影像采集公路路域的植被图像数据，将图像数据作为碳储量的计算依据，有效提高碳储量计算依据获取的便捷度，从而实现了对大范围的路域植被碳储量进行估算。本发明利用协和克里金插值对路域植被生物量进行修正，可降低路域植被生物量高估或低估的现象，使后续碳储量的估算结果与路域植被分布情况更相符，提高了模型的准确性，实用性更强。本发明在计算过程中对植被生物量因子进行提取与筛选，实现对计算过程中数据的优化，简化计算程序的同时，进一步提高了估算结果的精度。
附图说明
图1是公路路域植被的碳储量估算方法流程图。
图2是基于GWR-AdaBoost模型的路域植被生物量计算流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。
本发明提供了一种公路路域植被的碳储量估算系统，包括样地提取模块、样地数据计算模块、植被生物量因子特征图生成模块、训练样本生成模块、植被生物量分布图计算模块、植被碳储量计算模块；其中，
样地提取模块用于通过待测公路路域的图像数据识别该公路路域的植被分布范围；分别在各类型植被分布范围内指定单位面积区域作为对应类型植被的样地；
样地数据计算模块用于估算各类型植被的样地的生物量及各类型植被的平均含碳率；
植被生物量因子特征图生成模块用于基于待测公路路域的图像数据提取该公路路域的植被生物量因子特征图；所述植被生物量因子特征图用于表征待测公路路域的植被分布范围中每个坐标位置的植被生物量因子的数据；所述植被生物量因子包括植被指数因子、SAR影像相关因子、地形因子；
训练样本生成模块用于通过植被生物量因子特征图获取各类型植被的样地的植被生物量因子的数据；将各类型植被的样地的植被生物量因子的数据和生物量作为训练样本；
植被生物量分布图计算模块用于基于训练样本构建的样本集与植被生物量因子特征图，通过GWR-Adaboost模型计算得到待测公路路域的植被生物量分布图；所述植被生物量分布图用于表征待测公路路域的植被分布范围中每个坐标位置的估算生物量；所述GWR-Adaboost模型由Adaboost模型集成多个GWR模型构成；
植被碳储量计算模块用于根据植被生物量分布图和各类型植被的分布范围计算各类型植被的生物量；根据各类型植被的生物量和各类型植被的平均含碳率计算所有类型植被的碳储量之和，作为待测公路路域的植被碳储量输出。
本发明提供了一种公路路域植被的碳储量估算方法，包括以下步骤：
通过待测公路路域的图像数据识别该公路路域的植被分布范围；分别在各类型植被分布范围内指定单位面积区域作为对应类型植被的样地；
估算各类型植被的样地的生物量及各类型植被的平均含碳率；
基于待测公路路域的图像数据提取该公路路域的植被生物量因子特征图；所述植被生物量因子特征图用于表征待测公路路域的植被分布范围中每个坐标位置的植被生物量因子的数据；所述植被生物量因子包括植被指数因子、SAR影像相关因子、地形因子；
通过植被生物量因子特征图获取各类型植被的样地的植被生物量因子的数据；将各类型植被的样地的植被生物量因子的数据和生物量作为训练样本；
基于训练样本构建的样本集与植被生物量因子特征图，通过GWR-Adaboost模型计算得到待测公路路域的植被生物量分布图；所述植被生物量分布图用于表征待测公路路域的植被分布范围中每个坐标位置的估算生物量；所述GWR-Adaboost模型由Adaboost模型集成多个GWR模型构成；
根据植被生物量分布图和各类型植被的分布范围计算各类型植被的生物量；根据各类型植被的生物量和各类型植被的平均含碳率计算所有类型植被的碳储量之和，作为待测公路路域的植被碳储量
本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有公路路域植被的碳储量估算方法程序，所述公路路域植被的碳储量估算方法程序被处理器执行时实现如上述技术方案所述的公路路域植被的碳储量估算方法的步骤。
如图1所示，本具体实施例提供了公路路域植被的碳储量估算方法，包含以下步骤：
第一步，遥感数据准备与处理：
为对公路路域植被碳储量进行估算，需获取完全覆盖待测公路路域范围的光学遥感影像、SAR卫星影像与DEM数据，并在此基础上划分路域不同植被范围，建立路域中各类型植被的样地，所述植被类型包括乔木、灌木及草地。具体步骤如下：
(1)光学遥感影像处理：采用专业遥感软件将光学遥感影像的DN值进行辐射定标，转化为辐射亮度数据，然后利用FLAASH大气校正模型对定标后的光学遥感影像进行大气校正；然后利用获取的ASTER GDEM数据，采用C校正方法，对处理后的光学遥感影像进行地形校正，消除因地形起伏而造成的同种地物类型像元值的差异。
(2)SAR卫星影像处理：利用专业遥感软件，对SAR卫星影像进行辐射校正、相干斑滤波和地形校正，并与光学遥感影像进行配准处理。
(3)路域光学和SAR卫星影像提取：若需多景遥感影像才能覆盖待测路域的全部范围，则分别对光学遥感影像和SAR卫星影像进行镶嵌拼接；然后对待测公路路域的线位文件进行缓冲区分析，获取待测公路路域设定宽度范围内的路域范围矢量文件；根据得到的路域范围矢量文件分别对镶嵌拼接后的光学遥感影像和SAR卫星影像进行裁剪，得到待测公路路域的光学遥感影像和多时序的SAR卫星影像。
(4)路域植被类型提取：基于待测公路路域的光学遥感影像，利用经典的分形网络演化算法对光学遥感影像进行分割，然后建立待测公路路域的乔木、灌木及草地的识别规则，最后利用专业遥感软件提取出待测公路路域中乔木、灌木及草地范围。
(5)路域植被样地建立：尽量满足空间分布均匀的情况下，依据各植被类型的面积，按比例设置乔木、灌木及草地的样地，其中乔木样地的面积为20m×20m，灌木样地面积为2m×2m，草地样地面积为1m×1m，样地面积可依据路域实际环境进行适当修改；然后外业调查各样地，记录样地的植被信息及位置信息，估算各样地的生物量及不同类型植被的平均含碳率。其中，各类型植被样地的生物量和平均含碳率需要通过在样地的现场采集样本后在实验室进行测定，测定方法为林业常见手段。
第二步，植被生物量建模因子提取与筛选：
植被生物量建模因子是后续植被估算碳储量的关键，为此选取和植被生物量密切相关的因子进行建模，具体步骤如下：
(1)待测公路路域的植被因子数据提取：利用光学遥感影像提取10种植被指数因子数据，具体包括归一化植被指数NDVI，差值植被指数DVI，比值植被指数RVI，增强型植被指数EVI，土壤调节植被指数SAVI，大气阻抗植被指数ARVI，优化土壤调节指数OSAVI，修正土壤调整植被指数MSAVI，归一化绿波波段差值植被指数GNDVI，考虑绿光改进的植被指数GBNDVI。
(2)待测公路路域的SAR影像相关因子数据提取：利用与光学遥感影像时间最相近的SAR卫星影像，提取出不同极化波段下的后向散射系数；然后利用多时序的SAR卫星影像，进行干涉处理，获取待测公路路域的表面高程。
(3)待测公路路域的地形因子数据提取：利用DEM数据提取7种地形因子数据，具体包括高程、坡度、坡向、地形湿度指数TWI、地形起伏度、地表复杂度指数、粗糙度。
(4)因子标准化处理：上述植被因子、SAR影像相关因子、地形因子的集合即为植被生物量因子。采用Min-Max标准化的方式对每个植被生物量因子的数据进行归一化处理，消除不同植被生物量因子间的量纲影响。考虑到待测公路路域覆盖范围的实际大小与数据获取的难易程度，光学遥感影像应选取高分辨率的卫星遥感影像，SAR卫星采用免费的Sentinel-1卫星，DEM的数据选择ASTER GDEM数据，三种数据的分辨率不同；因此，按照光学遥感影像分辨率的大小，对提取的SAR影像相关因子和地形因子进行重采样，以保证所有植被生物量因子的分辨率一致。
(4)生物量因子筛选：依据各类型植被的样地的位置信息，提取出各样地对应位置的所有植被生物量因子数据，然后利用多元逐步回归分析方法和方差膨胀因子法消除所提取的植被生物量因子间的多重共线性，筛选出与植被生物量密切相关的植被生物量因子。获取待测公路路域的筛选后的各植被生物量因子的数据，进行堆叠得到植被生物量因子特征图。
第三步，基于GWR-Adaboost模型的路域植被生物量计算
地理加权回归(Geographically weighted regression，GWR)是一种利用回归原理研究具有空间分布特征的两个或多个变量之间的数学关系的方法。考虑到生物量在路域空间分布上具有自相关性与异质性，且特征因子在不同的区域同样可能对生物量的影响不同，因此，利用GWR模型构建路域植被生物量反演模型更能反映路域植被生物量的实际状况。Adaboost是一种经典的集成学习算法，其核心思想是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的强分类器，广泛应用于数据分类、预测等领域。
为此，本发明利用Adaboost算法集成多个GWR模型来构建生物量估算模型，以克服单一GWR模型的缺点，提高生物量预测的准确性。具体步骤如图2所示：
(1)初始训练样本生成：从植被生物量因子特征图中提取各样地对应位置的特征数据，作为后续的训练样本。若训练样本个数为m，则初始训练样本可表示为X＝[X1,X2,…,Xm],Y＝[y1,y2,…,ym]，其中X为样本的植被生物量因子数据，Y为样本的生物量数据。
(2)训练样本权重初始化：训练样本集的权重Dk表示为Dk＝[tk1,tk2,…,tkm]，k为Adaboost模型的迭代次数，tki表示第k次迭代时第i个样本的权重；
当k＝1时，D1＝[t11,t12,…,t1m],t1i＝1/m，i＝1,2,…m。
(3)训练样本重采样：当k＝1时，训练样本不需要重采样，采用初始训练样本；当k＞1时，利用训练样本权重Dk，对样本进行有放回的概率重采样m次，得到新的训练样本集
其中上标k和下标k均表示样本迭代的次数。
(4)基于GWR模型的生物量估算：第k次迭代时待测公路路域位置l的植被生物量的值
为：
其中(ul,vl)为第l个点的地理坐标，P为植被生物量因子的数目，xlj为第j个植被生物量因子的在l点的生物量的值,
为第j个植被生物量因子的在l点的回归参数，εl为具有正态分布的误差项；β0(uj,vj)为GWR模型在l点的回归参数；n表示地理坐标的个数。
利用训练样本，选择bi-square函数作为GWR模型的核函数，使用AIC准则选择最优窗宽，在此基础上采用加权最小二乘方法估计出位置l的回归参数，得到位置l的生物量回归估计方程，从而估算出l点的生物量值。重复上述过程，可估算出的整个待测公路路域的植被生物量分布图Gk。
(5)计算GWR模型的回归误差率：依据得到的植被生物量分布图Gk，计算初始训练样本的最大误差
然后计算每个样本的平方误差
则第k次迭代时的GWR模型的回归误差率为：
(6)计算GWR模型系数：αk＝ek/1-ek。
重新计算训练样本的权重：
其中Zk为规范化因子，表达式为：
(7)重复上述(3)～(6)步，直到达到Adaboost模型设定的最大迭代次数或误差阈值。若此时Adaboost模式迭代了K次，则得到K次GWR模型估算的路域植被生物量分布图，对K次结果进行加权平均，可得到初始植被生物量分布图，表达式为：
其中，Gk(ux,vx)为位置(ux,vx)处k次迭代时的生物量，G(ux,vx)为位置(ux,vx)处最终的生物量值。
第四步，结合协同克里金插值修正初始植被生物量分布图
上述GWR-Adaboost模型的精度会受到训练样本的影响，可能会使得部分地区存在生物量高估或低估的现象。为此，进一步分析GWR-Adaboost模型计算的生物量残差与植被生物量因子之间的相关性，然后利用协同克里金对路域植被生物量残差进行空间插值，利用插值结果对利用上述模型预测的生物量进行修正，从而得到最终的路域植被生物量。具体步骤如下：
生物量残差分析：采用某个样地在实验室中测定的生物量值，减去初始植被生物量分布图中该样地的生物量值；将二者的差值作为该样地对应的训练样本的生物量残差；
计算各训练样本的生物量残差；然后依次对每一个植被生物量因子和生物量残差进行相关性分析，找到与生物量残差相关性最高的植被生物量因子。
生物量残差图生成：基于协同克里金插值，利用GIS软件，输入训练样本的生物量残差，并将相关性最高的植被生物量因子作为协变量输入，通过插值计算后得到植被生物量残差图。
生物量修正：将植被生物量残差图与初始植被生物量分布图进行空间相加，即可得到修正后的植被生物量分布图。
第五步，基于植被类型的路域植被碳储量估算
本发明基于修正后的植被生物量分布图，依据植被的不同类型，利用各类型植被的含碳率，即可得到所有植被的碳储量，作为待测公路路域的植被碳储量。具体步骤如下：
依据第一步中提取出的待测公路路域中乔木、灌木及草地范围获得各植被区域的位置坐标信息，根据第四步中获得的植被生物量分布图获得个坐标位置对应的生物量数据，分别计算出待测公路路域中乔木的生物量A1、灌木的生物量A2和草地的生物量A3。
利用不同植被类型的平均含碳率，即可计算出待测公路路域中植被的碳储量C，表达式如下：
C＝A1×η1+A2×η2+A3×η3
式中η1,η2,η3分别为乔木、灌木及草地的平均含碳率，所述平均含碳率为第一步中的不同类型植被的平均含碳率。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种公路路域植被的碳储量估算方法，其特征在于：包括以下步骤：
通过待测公路路域的图像数据识别该公路路域的植被分布范围；分别在各类型植被分布范围内指定单位面积区域作为对应类型植被的样地；
估算各类型植被的样地的生物量及各类型植被的平均含碳率；
基于待测公路路域的图像数据提取该公路路域的植被生物量因子特征图；所述植被生物量因子特征图用于表征待测公路路域的植被分布范围中每个坐标位置的植被生物量因子的数据；所述植被生物量因子包括植被指数因子、SAR影像相关因子、地形因子；
通过植被生物量因子特征图获取各类型植被的样地的植被生物量因子的数据；将各类型植被的样地的植被生物量因子的数据和生物量作为训练样本；
基于训练样本构建的样本集与植被生物量因子特征图，通过GWR-Adaboost模型计算得到待测公路路域的植被生物量分布图；所述植被生物量分布图用于表征待测公路路域的植被分布范围中每个坐标位置的估算生物量；所述GWR-Adaboost模型由Adaboost模型集成多个GWR模型构成；
根据植被生物量分布图和各类型植被的分布范围计算各类型植被的生物量；根据各类型植被的生物量和各类型植被的平均含碳率计算所有类型植被的碳储量之和，作为待测公路路域的植被碳储量。
2.根据权利要求1所述的方法，其特征在于：待测公路路域的图像数据的获取过程包括：分别获取覆盖待测公路路域范围的光学遥感影像、SAR卫星影像和DEM数据，分别对光学遥感影像和SAR卫星影像进行镶嵌拼接；然后对待测公路路域的线位文件进行缓冲区分析，获取待测公路路域设定宽度范围内的路域范围矢量文件；根据得到的路域范围矢量文件分别对镶嵌拼接后的光学遥感影像和SAR卫星影像进行裁剪，得到待测公路路域的光学遥感影像和多时序的SAR卫星影像。
3.根据权利要求2所述的方法，其特征在于：所述SAR影像相关因子数据的提取过程包括：利用与待测公路路域的光学遥感影像时间最相近的待测公路路域的SAR卫星影像，提取出不同极化波段下的后项散射系数；然后利用待测公路路域的多时序的SAR卫星影像，进行干涉处理，获取待测公路路域的表面高程作为SAR影像相关因子的数据。
4.根据权利要求1所述的方法，其特征在于：所述植被指数因子包括归一化植被指数、差值植被指数、比值植被指数、增强型植被指数、土壤调节植被指数、大气阻抗植被指数、优化土壤调节指数、修正土壤调整植被指数、归一化绿波波段差值植被指数、考虑绿光改进的植被指数。
5.根据权利要求1所述的方法，其特征在于：所述地形因子体包括高程、坡度、坡向、地形湿度指数TWI、地形起伏度、地表复杂度指数、粗糙度。
6.根据权利要求3所述的方法，其特征在于：基于待测公路路域的图像数据提取该公路路域的植被生物量因子特征图的过程包括：
基于待测公路路域的光学遥感影像提取待测公路路域的植被指数因子的数据；基于待测公路路域的SAR卫星影像待测公路路域的提取SAR影像相关因子的数据；基于待测公路路域的DEM数据提取待测公路路域的地形因子的数据；
对待测公路路域的每个植被生物量因子的数据进行归一化处理；
按照待测公路路域的光学遥感影像分辨率的大小，对提取的SAR影像相关因子和地形因子进行重采样，使每个植被生物量因子的数据分辨率一致；
提取各类型植被的样地的植被生物量因子的数据，并消除各类型植被样地的植被生物量因子的数据间的多重共线性，从而筛选出与植被生物量密切相关的植被生物量因子；
将筛选后的植被生物量因子的数据进行堆叠得到植被生物量因子特征图。
7.根据权利要求1所述的方法，其特征在于：还包括：
从由GWR-Adaboost模型计算得到的待测公路路域的植被生物量分布图中，获取各类型植被的样地的估算生物量；根据各类型植被的样地的估算生物量与训练样本中各类型植被的样地的生物量的差值以及协同克里金差值获得植被生物量残差图，通过植被生物量残差图对GWR-Adaboost模型计算得到的待测公路路域的植被生物量分布图进行修正，得到最终的待测公路路域的植被生物量分布图，并通过最终的植被生物量分布图计算各类型植被的生物量。
8.根据权利要求1所述的方法，其特征在于：基于训练样本构建的样本集与待测公路路域的植被生物量因子特征图，通过GWR-Adaboost模型计算得到待测公路路域的植被生物量分布图的过程包括：
S1，根据各类型植被的样地的植被生物量因子数据和生物量构建初始样本集；设置训练样本的初始权重；
S2，基于训练样本的权重对训练样本进行有放回的概率重采样，得到新的样本集；采用新的样本集和GWR模型计算，得到待测公路路域的生物量分布估算图；
S3，根据生物量分布估算图计算GWR模型的系数，从而得到训练样本的新权重；
S4，循环执行步骤S2-S3，直到达到Adaboost模型设定的最大迭代次数或误差阈值；对得到的所有的待测公路路域的生物量分布估算图进行加权平均，得到待测公路路域的植被生物量分布图。
9.一种公路路域植被的碳储量估算系统，其特征在于：包括样地提取模块、样地数据计算模块、植被生物量因子特征图生成模块、训练样本生成模块、植被生物量分布图计算模块、植被碳储量计算模块；其中，
样地提取模块用于通过待测公路路域的图像数据识别该公路路域的植被分布范围；分别在各类型植被分布范围内指定单位面积区域作为对应类型植被的样地；
样地数据计算模块用于估算各类型植被的样地的生物量及各类型植被的平均含碳率；
植被生物量因子特征图生成模块用于基于待测公路路域的图像数据提取该公路路域的植被生物量因子特征图；所述植被生物量因子特征图用于表征待测公路路域的植被分布范围中每个坐标位置的植被生物量因子的数据；所述植被生物量因子包括植被指数因子、SAR影像相关因子、地形因子；
训练样本生成模块用于通过植被生物量因子特征图获取各类型植被的样地的植被生物量因子的数据；将各类型植被的样地的植被生物量因子的数据和生物量作为训练样本；
植被生物量分布图计算模块用于基于训练样本构建的样本集与植被生物量因子特征图，通过GWR-Adaboost模型计算得到待测公路路域的植被生物量分布图；所述植被生物量分布图用于表征待测公路路域的植被分布范围中每个坐标位置的估算生物量；所述GWR-Adaboost模型由Adaboost模型集成多个GWR模型构成；
植被碳储量计算模块用于根据植被生物量分布图和各类型植被的分布范围计算各类型植被的生物量；根据各类型植被的生物量和各类型植被的平均含碳率计算所有类型植被的碳储量之和，作为待测公路路域的植被碳储量输出。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有公路路域植被的碳储量估算方法程序，所述公路路域植被的碳储量估算方法程序被处理器执行时实现如权利要求1-8任一项所述的公路路域植被的碳储量估算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210587076.3A CN114819737B (zh) | 2022-05-26 | 2022-05-26 | 公路路域植被的碳储量估算方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210587076.3A CN114819737B (zh) | 2022-05-26 | 2022-05-26 | 公路路域植被的碳储量估算方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819737A true CN114819737A (zh) | 2022-07-29 |
| CN114819737B CN114819737B (zh) | 2023-10-17 |
Family
ID=82519176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210587076.3A Active CN114819737B (zh) | 2022-05-26 | 2022-05-26 | 公路路域植被的碳储量估算方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819737B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294133A (zh) * | 2022-10-09 | 2022-11-04 | 中国电子科技集团公司第十四研究所 | 基于高低频极化干涉sar的植被高程反演方法及设备 |
| CN117474207A (zh) * | 2023-11-08 | 2024-01-30 | 北京师范大学 | 一种铁路边坡及站区绿化碳汇的核算方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289565A (zh) * | 2011-06-14 | 2011-12-21 | 北京林业大学 | 一种森林生态系统碳储量动态监测技术方法 |
| CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
| US20200225075A1 (en) * | 2019-01-14 | 2020-07-16 | Wuhan University | Method and system for optical and microwave synergistic retrieval of aboveground biomass |
| 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 |
| CN112836610A (zh) * | 2021-01-26 | 2021-05-25 | 平衡机器科技(深圳)有限公司 | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 |
| CN114091613A (zh) * | 2021-11-26 | 2022-02-25 | 安徽师范大学 | 一种基于高分联合组网数据的森林生物量估算方法 |
| CN114494865A (zh) * | 2022-01-17 | 2022-05-13 | 南京信息工程大学 | 一种山地生态系统未来情景的cset方法 |
| KR20220066534A (ko) * | 2020-11-16 | 2022-05-24 | 경북대학교 산학협력단 | 산림의 탄소 저장량 추정 시스템 |
-
2022
- 2022-05-26 CN CN202210587076.3A patent/CN114819737B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289565A (zh) * | 2011-06-14 | 2011-12-21 | 北京林业大学 | 一种森林生态系统碳储量动态监测技术方法 |
| US20200225075A1 (en) * | 2019-01-14 | 2020-07-16 | Wuhan University | Method and system for optical and microwave synergistic retrieval of aboveground biomass |
| CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
| 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 |
| KR20220066534A (ko) * | 2020-11-16 | 2022-05-24 | 경북대학교 산학협력단 | 산림의 탄소 저장량 추정 시스템 |
| CN112836610A (zh) * | 2021-01-26 | 2021-05-25 | 平衡机器科技(深圳)有限公司 | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 |
| CN114091613A (zh) * | 2021-11-26 | 2022-02-25 | 安徽师范大学 | 一种基于高分联合组网数据的森林生物量估算方法 |
| CN114494865A (zh) * | 2022-01-17 | 2022-05-13 | 南京信息工程大学 | 一种山地生态系统未来情景的cset方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘洋 等: "基于InVEST模型的疏勒河流域碳储量时空变化研究", 《生态学报》, vol. 41, no. 10, pages 4053 - 4065 * |
| 林立彬 等: "青冈栎混交林生物量及碳储量分布特征", 《水土保持学报》, vol. 33, no. 1, pages 139 - 144 * |
| 穆喜云 等: "基于机载激光雷达的森林地上碳储量估测", 《东北林业大学学报》, vol. 44, no. 11, pages 52 - 56 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294133A (zh) * | 2022-10-09 | 2022-11-04 | 中国电子科技集团公司第十四研究所 | 基于高低频极化干涉sar的植被高程反演方法及设备 |
| CN117474207A (zh) * | 2023-11-08 | 2024-01-30 | 北京师范大学 | 一种铁路边坡及站区绿化碳汇的核算方法 |
| CN117474207B (zh) * | 2023-11-08 | 2024-04-26 | 北京师范大学 | 一种铁路边坡及站区绿化碳汇的核算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819737B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| Ran et al. | Spatial representativeness and uncertainty of eddy covariance carbon flux measurements for upscaling net ecosystem productivity to the grid scale | |
| Aguirre-Gutiérrez et al. | Pantropical modelling of canopy functional traits using Sentinel-2 remote sensing data | |
| CN109063657B (zh) | 面向均质地域光谱单元的地上生物量估算和尺度转换方法 | |
| Luo et al. | Retrieving aboveground biomass of wetland Phragmites australis (common reed) using a combination of airborne discrete-return LiDAR and hyperspectral data | |
| Véga et al. | Mapping site index and age by linking a time series of canopy height models with growth curves | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| Noordermeer et al. | Predicting and mapping site index in operational forest inventories using bitemporal airborne laser scanner data | |
| Motlagh et al. | Estimating and mapping forest biomass using regression models and Spot-6 images (case study: Hyrcanian forests of north of Iran) | |
| CN112861435B (zh) | 一种红树林质量遥感反演方法及智能终端 | |
| Jansen et al. | Lidar provides novel insights into the effect of pixel size and grazing intensity on measures of spatial heterogeneity in a native bunchgrass ecosystem | |
| CN116452023B (zh) | 基于低频微波雷达vod数据的公里级碳储量评估方法 | |
| CN113466143A (zh) | 土壤养分反演方法、装置、设备及介质 | |
| Gao et al. | LAI estimation across California vineyards using sUAS multi-seasonal multi-spectral, thermal, and elevation information and machine learning | |
| Maselli et al. | Use of ETM+ images to extend stem volume estimates obtained from LiDAR data | |
| Zhu et al. | High-precision sugarcane yield prediction by integrating 10-m Sentinel-1 VOD and Sentinel-2 GRVI indexes | |
| Khudhur et al. | Comparison of the accuracies of different spectral indices for mapping the vegetation covers in Al-Hawija district, Iraq | |
| Hank et al. | Introducing the potential of the EnMAP-box for agricultural applications using DESIS and PRISMA data | |
| CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
| Wang et al. | Spatial scaling of forest aboveground biomass using multi-source remote sensing data | |
| Li et al. | Aerodynamic roughness length estimation with lidar and imaging spectroscopy in a shrub-dominated dryland | |
| Tilly et al. | Multi-temporal crop surface models derived from terrestrial laser scanning for accurate plant height measurement and biomass estimation of barley | |
| Pesonen et al. | Effects of auxiliary data source and inventory unit size on the efficiency of sample-based coarse woody debris inventory | |
| Danoedoro et al. | Preliminary study on the use of digital surface models for estimating vegetation cover density in a mountainous area | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 |
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 |