CN115223062B - 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 - Google Patents
基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 Download PDFInfo
- Publication number
- CN115223062B CN115223062B CN202210755517.6A CN202210755517A CN115223062B CN 115223062 B CN115223062 B CN 115223062B CN 202210755517 A CN202210755517 A CN 202210755517A CN 115223062 B CN115223062 B CN 115223062B
- Authority
- CN
- China
- Prior art keywords
- eucalyptus
- research area
- year
- forest
- artificial forest
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,属于森林资源调查与林业定量遥感研究领域。基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法通过桉树人工林林龄数据结合桉树人工林林分对应的高程信息、坡度信息和月尺度桉树人工林单木生长量的提取结果,可以校正因拼接影像的时间差导致的区域尺度桉树人工林林分蓄积量年度动态变化不准确结果,为大区域尺度桉树人工林林分蓄积量时间差异校正提供数据支持,进而实现月尺度的区域桉树人工林林分蓄积量动态变化监测,可为桉树人工林经营管理及政策制定提供及时的数据产品支撑。
Description
技术领域
本发明属于森林资源调查与林业定量遥感研究领域,具体涉及一种基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法。
背景技术
林分蓄积量是指区域内所有活立木的材积总和,是森林资源调查的重要指标之一。传统野外测量获取林分蓄积量的方式虽然结果准确,但却耗时费力、成本高昂、范围有限,而且数据获取周期长,数据更新频率慢,难以满足短轮伐期经营桉树人工林林分蓄积量的动态变化监测需求。
基于时间序列遥感数据的林分蓄积量变化监测研究为区域桉树人工林经营周期的合理确定提供了一种相对简单、操作性强的方法手段。然而,先前基于光学影像的桉树人工林蓄积量反演研究所用变量多为波段反射率、植被指数和纹理信息,在高生物量或高郁闭度情况下易出现信号饱和,导致基于光学影像桉树人工林蓄积量反演受到一定限制。
为克服信号饱和,研究人员尝试将光学影像与其他辅助数据进行协同应用以提高估测精度。虽然林分蓄积量的高精度反演是动态变化监测的基础,但区域拼接影像间的时间差却也是影响大区域林分蓄积量动态变化监测结果准确性的重要因素。当研究区域较大时通常需要多张影像进行拼接,而拼接影像通常来自不同月份,拼接影像间的时间差导致基于影像反演得到的桉树人工林蓄积量也会存在一定的时间差,最大可相差几个月,进而导致部分区域年动态变化监测结果不准确,年变化量有可能仅为几个月的变化量而非完整一年的变化量,同时拼接影像间的时间差也将动态变化监测结果的时间频率限制在年尺度而难实现月尺度。因此,如何校正因拼接影像时间差对林分蓄积量产生的影响,从而获得区域同一时间的林分蓄积量,是提高桉树人工林林分蓄积量动态变化监测结果准确性及时间频率的关键。
UAV(Unmanned Aerial Vehicle,无人机)具有空间分辨率高、飞行高度低、操作灵活和成本低的特点,基于UAV采集高时间频率影像进行桉树人工林单木材积短时间跨度生长变化提取为校正拼接影像时间差对林分蓄积量产生的影响提供了一种新的可能。虽然先前基于UAV影像对森林结构参数生长变化提取的研究不少,但时间跨度多为年或者更长,而对于月时间跨度单木结构参数生长变化提取的研究则较少。这主要因为先前研究对象多为松树类生长缓慢树种,难以进行短时间跨度生长变化量监测,但桉树作为世界三大速生人工林之一,生长速度快,在生长季内桉树一天可生长3cm,一个月可生长1m,一年的生长量最高可达10m,为短时间跨度单木生长变化提取奠定了基础。相对年尺度生长变化而言,月尺度的生长变化能够量化不同时间差桉树的生长变化,用于校正不同时相数据的时间差对结果造成的影响,提高区域桉树人工林林分蓄积量动态变化监测结果准确性及时间频率。因此,如何基于UAV采集高时间频率影像实现桉树人工林单木材积短时间跨度生长变化提取不仅是单木结构参数估测研究的重点,同时也是区域林分蓄积量时间差异影响校正的关键。
综上,对桉树人工林林分蓄积量反演的现有研究存在以下几个问题:
1、使用机载激光雷达技术提取桉树人工林单木生长量成本太高;使用搭载光学传感器的光学卫星提取桉树人工林单木生长量时,经常获取受云雨遮挡的影像且重访周期长,以至于同一区域能够使用的卫星影像可能相差数月,难以将桉树人工林单木生长量动态变化监测缩短在月尺度。
2、基于卫星影像反演区域桉树人工林林分蓄积量的方法由于拼接影像通常来自不同月份,影像间的时间差导致基于影像反演得到的桉树人工林蓄积量也会存在一定的时间差,进而导致部分区域年动态变化监测结果不准确,年变化量有可能仅为几个月的变化量而非完整一年的变化量,同时拼接影像间的时间差也将动态变化监测结果的时间频率限制在年尺度而难实现月尺度。
发明内容
针对现有技术存在的问题,本发明提供了一种基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,旨在将桉树人工林单木生长量的提取缩短至月尺度,以校正区域桉树人工林林分蓄积量反演的时间差异,将区域桉树人工林林分蓄积量增长变化量反演缩短至月尺度,从而实现大区域桉树人工林林分蓄积量的动态变化监测。
本发明的技术方案为:
基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,该方法包括以下步骤:
步骤1:基于时间序列卫星影像对研究区桉树人工林进行林龄反演,获得N年研究区桉树人工林林龄空间分布;
步骤2:通过步骤1所得到的N年研究区桉树人工林林龄空间分布,结合研究区的数字高程模型DEM,将研究区桉树人工林按照不同生长情况进行划分,得到N年研究区不同生长情况桉树人工林空间分布,并基于UAV影像实现不同生长情况研究区桉树人工林单木及样方林分短时间跨度生长量的提取;
步骤3:获取N年研究区卫星影像并对其提取参数,所述参数包括光谱反射率、植被指数和纹理信息,利用这些参数构建研究区桉树人工林蓄积量反演模型反演N年研究区桉树人工林林分蓄积量,基于研究区桉树人工林单木短时间跨度生长量的结果,结合N年研究区不同生长情况桉树人工林空间分布,对N年研究区桉树人工林蓄积量进行时间差异校正,实现桉树人工林区域林分蓄积量月尺度动态变化监测。
进一步地,根据所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,所述步骤1包括如下步骤:
步骤1.1:确定桉树人工林目标研究区,利用Google Earth Pro软件通过目视解译的方法在N-m年至N年各年的谷歌历史卫星影像中:1)选择多个分布在研究区的桉树所在像元即桉树样本点,并记录其坐标;2)选择多个分布在研究区的已被砍伐桉树所对应像元并记录其坐标和砍伐更新时间,并将桉树的砍伐更新时间定义为砍伐更新点;其中m为大于等于研究区桉树轮伐期的正整数;
步骤1.2:选择与N-m至N年各年分别对应的经过正射校正和经过地理配准的覆盖研究区的Landsat影像数据,在谷歌地球引擎GEE平台上调用这些影像数据并对这些影像数据进行影像的拼接、掩膜提取和辐射归一化预处理,获得N-m至N年各年研究区影像数据;
步骤1.3:对N-m至N年各年研究区影像数据进行参数提取,所述参数包括光谱反射率、包含归一化燃烧指数NBR的植被指数以及纹理信息;根据桉树样本点的坐标,在N-m至N年各年研究区影像数据中找到对应的像元,由这些像元及其对应的参数构建数据集,从该数据集划分出训练集,利用随机森林算法进行桉树的分类训练,构建研究区各年桉树人工林空间分布提取模型;将从各年研究区影像数据提取的参数分别对应输入研究区各年桉树人工林空间分布提取模型,获得N-m至N年研究区各年桉树人工林空间分布;
步骤1.4:分别利用N-m至N年研究区各年桉树人工林空间分布对对应的分别从各年研究区影像数据获得的归一化燃烧指数NBR空间分布进行掩膜提取,分别对应得到各年的桉树人工林NBR空间分布,从而获得N-m至N年研究区桉树人工林NBR空间分布;根据各砍伐更新点在桉树人工林NBR空间分布中对应像元的NBR值的变化规律确定NBR骤降幅度阈值;
步骤1.5:根据N-m至N年研究区桉树人工林NBR空间分布、NBR骤降幅度阈值,确定N年研究区桉树人工林空间分布中的真实桉树砍伐更新点及对应的砍伐更新年;
步骤1.6:基于N年研究区桉树人工林空间分布中各像元对应的砍伐更新年,计算出N年研究区桉树人工林林龄,进而获得N年研究区桉树人工林林龄空间分布;
进一步地,根据所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,所述步骤1.5中所述的确定N年研究区桉树人工林空间分布中的真实桉树砍伐更新点及对应的砍伐更新年的方法为:将N-m至N年各年研究区桉树人工林空间分布中所在像元发生NBR骤降对应的时间点定义为桉树伪砍伐更新点;然后以轮伐期为时间步长,在时间步长内:若像元的NBR值只骤降1次,且骤降的幅度大于等于NBR骤降幅度阈值,则该次NBR值骤降对应的伪砍伐更新点则为真实砍伐更新点;若像元的NBR值骤降大于1次,且骤降的幅度均大于等于NBR骤降幅度阈值,则取最后1次NBR值骤降对应的伪砍伐更新点为真实砍伐更新点;各真实砍伐更新点分别对应的当前年定义为各真实砍伐更新点的砍伐更新年。
进一步地,根据所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,所述步骤1.6所述的基于N年研究区桉树人工林空间分布中各像元对应的砍伐更新年,计算N年研究区桉树人工林年林龄的方法为:定义各像元内的桉树在砍伐更新年为0岁,利用N年分别减去各像元对应的距离N年最近的砍伐更新年,则得到各像元内桉树在N年的年林龄;若N年研究区桉树人工林中部分像元在N-m至N年均无砍伐更新年,则视该部分像元内桉树在N年的年林龄为大于m岁。
进一步地,根据所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,所述步骤2包括如下步骤:
步骤2.1:获取研究区数字高程模型DEM,基于N年研究区桉树人工林林龄空间分布,对研究区DEM进行处理得到N年研究区桉树人工林高程空间分布、N年研究区桉树人工林坡度空间分布;分别对N年研究区桉树人工林林龄空间分布、N年研究区桉树人工林高程空间分布和N年研究区桉树人工林坡度空间分布进行统计得到N年研究区桉树人工林林龄统计图、N年研究区桉树人工林高程信息统计图和N年研究区桉树人工林坡度信息统计图;
步骤2.2:选取林龄、高程以及坡度共同作为分类依据,基于N年研究区桉树人工林林龄统计图、N年研究区桉树人工林高程信息统计图和N年研究区桉树人工林坡度信息统计图,对整个研究区桉树人工林的不同生长情况进行分类;
步骤2.3:基于对研究区桉树人工林不同生长情况的分类,对N年研究区桉树人工林林龄空间分布、N年研究区桉树人工林高程空间分布和N年研究区桉树人工林坡度空间分布进行重分类,对重分类后的N年研究区桉树人工林林龄空间分布、N年研究区桉树人工林高程空间分布和N年研究区桉树人工林坡度空间分布进行叠加分析得到N年研究区不同生长情况桉树人工林空间分布;
步骤2.4:根据N年研究区不同生长情况桉树人工林空间分布,按照每一类生长情况选取一块样方的方法从研究区选取多个对应不同生长情况类别的样方;
步骤2.5:针对每一所选样方进行野外实地样地调查和UAV数据采集;所述UAV数据采集包括1)连续一年每月利用搭载消费级相机的无人机对每一所述样方进行数据采集,所获得的每一样方的12期UAV数据称为Camera UAV数据;2)使用搭载LiDAR传感器的无人机对每一所选样方进行数据采集,所获得的每一样方的UAV数据称为LiDAR UAV数据;
步骤2.6:将每一样方的12期Camera UAV数据输入到航空摄影测量软件中进行处理得到每一期对应样方的数字正射影像DOM和数字表面模型DSM;利用LiDAR点云数据处理软件处理每一样方的LiDAR UAV数据,生成每一样方对应的数字高程模型DEM;
步骤2.7:将步骤2.6获得的每一期对应样方的数字表面模型DSM与每一样方的数字高程模型DEM做差则得到每一期对应样方的冠层高度模型CHM;
步骤2.8:从所有样方全部12期对应的冠层高度模型CHM构成的数据集中划分出训练集,并对训练集中冠层高度模型CHM上的每一个树冠进行标注,获得带有标签的训练集数据;利用带有标签的训练集数据和深度学习算法进行单木分割,得到每一期对应样方的单木分割矢量图;
步骤2.9:根据每一期对应样方的单木分割矢量图、每一期对应样方的数字正射影像DOM和每一期对应样方的冠层高度模型CHM,利用局部最大值算法提取出每一期对应样方的单木树高和单木冠幅;
步骤2.10:根据每一期对应样方的数字正射影像DOM,提取出每一期对应样方的数字正射影像DOM的光谱反射指数;
步骤2.11:根据野外实地样地调查采集的每一样方中每棵桉树对应的单木树高和单木胸径计算单木材积实际值,由野外实地样地调查采集的每一样方中每棵桉树对应的单木树高、单木冠幅以及单木材积实际值构成数据集,并从该数据集中划分出训练集,以训练集中的单木材积作为因变量、以步骤2.9和步骤2.10提取出的与野外实地样地调查相同月份对应样方的单木树高、单木冠幅以及光谱反射指数为自变量,利用本步骤获得的训练集和随机森林算法构建桉树人工林对应样方的单木材积反演模型;
步骤2.12:基于12期的UAV数据,利用所提取出的每一期对应样方中每棵桉树对应的单木树高、单木冠幅以及光谱反射指数,利用步骤2.11构建的对应样方的单木材积反演模型,提取出每个月对应样方的桉树人工林单木材积,进而获得每个月对应样方的单木材积变化量,即对应样方桉树人工林每个月单木生长量,从而实现不同生长情况桉树人工林单木短时间跨度生长量的提取。
进一步地,根据所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,所述步骤2.9中所述的提取出每一期对应样方的单木树高和单木冠幅的方法为:在ArcGIS软件中,将每一期对应样方的单木分割矢量图、每一期对应样方的冠层高度模型CHM和每一期对应样方的数字正射影像DOM以图层的方式分别打开,结合对应的单木分割矢量图和数字正射影像DOM,通过人工目视解译的方式,分别确定每一期对应样方中每棵桉树树冠的位置,对每一期对应样方的冠层高度模型CHM利用局部最大值算法,提取出每一期对应样方的单木树高和单木冠幅。
进一步地,根据所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,所述光谱反射指数包括归一化红蓝指数NDRB、归一化红绿指数NDRG和归一化绿蓝指数NDGB,其中归一化红蓝指数NDRB按照式(1)进行计算;归一化红绿指数NDRG按照式(2)进行计算;归一化绿蓝指数NDGB按照式(3)进行计算:
上式中,R为归一化后红波段的对应像元值,G为归一化后绿波段的对应像元值,B为归一化后蓝波段的对应像元值。
进一步地,根据所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,所述步骤3包括如下步骤:
步骤3.1:获取N年研究区的卫星影像,基于N年这一年内不同时间的卫星影像,筛选出拼接影像,提取出拼接影像的光谱反射率、植被指数、纹理信息;将步骤2.12提取出的与拼接影像对应月份的每一样方的桉树人工林单木材积求和得到样方林分蓄积量,从由所有样方的林分蓄积量所构成的数据集中划分出训练集,以该训练集中的林分蓄积量为因变量、以提取出的拼接影像的光谱反射率、植被指数、纹理信息为自变量,采用随机森林算法构建桉树人工林林分蓄积量反演模型,并利用该模型获得拼接影像各对应月份的林分蓄积量;所述拼接影像包括同一月份覆盖研究区域面积最大的拼接影像和其他相近月份拼接影像;
步骤3.2:根据N年研究区不同生长情况桉树人工林空间分布明确其他相近月份拼接影像对应的桉树人工林林分基于何种生长情况;
步骤3.3:以覆盖研究区域面积最大的拼接影像对应的月份为时间基准,将其他相近月份拼接影像对应的月份与时间基准之间作差得到的月份数作为其他相近月份拼接影像对应的桉树人工林林分蓄积量需要校正的时间跨度;
步骤3.4:基于其他相近月份拼接影像对应的桉树人工林林分的具体生长情况和步骤2.12提取的不同生长情况桉树人工林短时间跨度单木生长量结果获得其他相近月份拼接影像对应的桉树人工林林分每个月的单木生长量,对该月的所有单木生长量相加求和得到其他相近月份拼接影像对应的桉树人工林林分每个月的林分蓄积量变化量;
步骤3.5:以覆盖研究区域面积最大的拼接影像对应的月份为时间基准,根据对应的桉树人工林林分每个月的林分蓄积量变化量和其他相近月份拼接影像对应的桉树人工林林分蓄积量需要校正的时间跨度去校正其他相近月份拼接影像对应的桉树人工林林分蓄积量的反演结果。
进一步地,根据所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,所述同一月份覆盖研究区域面积最大的拼接影像和其他相近月份拼接影像的确定方法是:首先从研究区域一年内所有卫星影像中筛选出含云量小于阈值的影像;然后从中统计同一月份覆盖研究区域面积最大的影像,再以该影像对应的月份为时间基准从含云量小于阈值的影像中确定离该月份相对较近的其他月份的卫星影像,将这两部分影像共同拼接能够覆盖研究区域,那么这两部分影像构成拼接影像,分别命名为覆盖研究区域面积最大的拼接影像和其他相近月份拼接影像。
与现有技术相比,本发明提出的技术方案具有以下有益效果:
(1)利用相对低成本的无人机进行UAV数据采集,为实现桉树人工林短时间跨度单木生长量的提取提供了一种操作简单且成本较低的桉树人工林单木生长量动态变化监测手段,且监测时间频率缩短至月尺度。
(2)在区域尺度的桉树人工林林分蓄积量动态变化监测研究中,基于卫星遥感影像反演区域桉树人工林林分蓄积量时由于拼接影像通常来自不同月份,影像间的时间差导致基于影像反演得到的桉树人工林蓄积量也会存在一定的时间差,进而导致部分区域年动态变化监测结果不准确,年变化量有可能仅为几个月的变化量而非完整一年的变化量,同时拼接影像间的时间差也将动态变化监测结果的时间频率限制在年尺度而难实现月尺度。该方法通过桉树人工林林龄数据结合桉树人工林林分对应的高程信息、坡度信息和月尺度桉树人工林单木生长量的提取结果,可以校正因拼接影像的时间差导致的区域尺度桉树人工林林分蓄积量年度动态变化不准确结果,为大区域尺度桉树人工林林分蓄积量时间差异校正提供数据支持,进而实现月尺度的区域桉树人工林林分蓄积量动态变化监测。
(3)精确的区域桉树人工林林分蓄积量时间差异校正是桉树林分蓄积量高时间频率动态变化监测及合理经营周期预测的基础,可为桉树人工林经营管理及政策制定提供及时的数据产品支撑。
附图说明
为了更清楚地说明本发明实施例中的具体方式,下面将对实施例中涉及的相关附图做简单说明,下面的附图仅仅是本发明的优选实施例,对于本领域普通技术人员来说,在没有创造性改变的前提下,可以根据这些附图获得其它的附图。
图1为本实施方式基于时间序列卫星影像反演桉树人工林林龄的流程示意图;
图2为本实施方式不同生长情况桉树人工林单木及样方林分短时间跨度生长量提取的流程示意图;
图3为本实施方式基于UAV影像的桉树人工林林分蓄积量反演时间差校正方法的流程示意图;
图4为本实施方式2006-2020年研究区各年桉树人工林空间分布图,其中(a)为2006年研究区桉树人工林空间分布图;(b)为2020年研究区桉树人工林空间分布图;
图5(a)为本实施方式某砍伐更新点对应的由黑色正方形所代表的像元示意图;(b)为(a)图中黑色正方形代表的像元对应的砍伐更新点的砍伐更新年及前后年的归一化燃烧指数NBR的变化曲线图;
图6为本实施方式2020年研究区桉树人工林年林龄空间分布图;
图7为本实施方式2020年研究区桉树人工林林龄统计图;
图8为本实施方式2020年研究区桉树人工林高程信息统计图;
图9为本实施方式2020年研究区桉树人工林坡度信息统计图;
图10为林分蓄积量时间差校正方法示例图,其中(a)为林分蓄积量时间差校正前研究区域的林分蓄积量示意图;(b)为林分蓄积量时间差校正后研究区域内完整1月份的桉树人工林林分蓄积量示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施方式。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。
本发明方法的核心思路:首先基于时间序列卫星影像对桉树人工林进行月尺度林龄反演;基于林龄反演结果,对不同生长情况桉树人工林进行单木及样方林分短时间跨度生长量提取;基于生长量提取结果,再对大区域桉树人工林林分蓄积量反演时间差校正。
图1示出的是基于时间序列卫星影像对桉树人工林的林龄反演过程;图2示出的是不同生长情况桉树人工林单木及样方林分短时间跨度生长量提取过程,图3示出的是基于UAV影像的桉树人工林林分蓄积量反演时间差校正方法的流程。如图1、图2和图3所示,本实施方式的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法包括以下步骤:
步骤1:基于时间序列卫星影像对研究区桉树人工林进行林龄反演,获得N年研究区桉树人工林林龄空间分布。
步骤1.1:确定桉树人工林目标研究区,利用Google Earth Pro软件通过目视解译的方法在N-m年至N年各年的谷歌历史卫星影像中:1)选择多个分布在研究区的桉树所在像元即桉树样本点,并记录其坐标;2)选择多个分布在研究区的已被砍伐桉树所对应像元并记录其坐标和砍伐更新时间,并将桉树的砍伐更新时间定义为砍伐更新点;其中m为大于等于研究区桉树轮伐期的正整数。
本实施方式确定桉树人工林目标研究区是广西壮族自治区,桉树的轮伐期通常为3-5年。本实施方式利用Google Earth Pro软件通过目视解译的方法在2006-2020年(年跨度比桉树的轮伐期足够长,才能够反演出林龄)各年的谷歌历史卫星影像中选择1000个分布在研究区的桉树样本点并记录其坐标,通过目视解译的方法在2006-2020年的谷歌历史卫星影像中任意选择600个桉树砍伐更新点并记录对应的像元坐标和砍伐更时间。
在该步骤的实施过程中,在Google Earth Pro软件中打开2006-2020年各年谷歌历史卫星影像,在谷歌历史卫星影像中找到广西壮族自治区的位置,由于桉树多为人工林,树与树之间有明显间隔,从谷歌历史卫星影像看,桉树人工林纹理特征明显,通过目视解译的方法在每年的谷歌历史卫星影像上选择1000个均匀分布在广西壮族自治区内的桉树样本点,共15000个桉树样本点,并记录各桉树样本点的坐标;通过目视解译的方法在2006-2020年谷歌历史卫星影像中选择分布在广西壮族自治区内的已被砍伐桉树对应的600个像元,其中,先在2006-2020年谷歌历史卫星影像中找到桉树集中分布的区域,通过目视解译的方法找到600个已被砍伐桉树对应的像元,2006-2020年每年找一部分,共600个像元并记录各像元的坐标,一个像元对应一个桉树砍伐更新点,对比已选择的600个像元前后几年的历史卫星影像,确定各像元内桉树的砍伐更新时间并记录。定义各像元内桉树的砍伐更新时间为各像元对应的桉树砍伐更新点。
步骤1.2:选择与N-m至N年各年分别对应的经过正射校正和经过地理配准的覆盖研究区的Landsat影像数据,在谷歌地球引擎GEE平台上调用这些影像数据并对这些影像数据进行影像的拼接、掩膜提取和辐射归一化预处理,获得N-m至N年各年研究区影像数据。
本实施方式选取与2006-2020年各年分别对应的经过正射校正和经过地理配准的覆盖研究区的最新Landsat影像数据,在谷歌地球引擎GEE(Google Earth Engine)平台上调用这些影像数据,并对这些影像数据进行预处理,包括影像的拼接、掩膜提取和辐射归一化,获得预处理后的2006-2020年各年的研究区影像数据。
在本实施方式的具体实施过程中,综合考虑Landsat系列卫星的发射时间,选取2006-2011年的Landsat-5影像数据,2012年的Landsat-7影像数据,2013-2020年的Landsat-8影像数据。在GEE平台上直接调用些影像数据。某年的研究区影像数据是使用某年的来自不同月份的多幅Landsat影像进行拼接得到的。例如使用能完全覆盖研究区的2006年不同月份的Landsat-5影像数据,通过将2006年不同月份的Landsat-5影像数据进行拼接,研究区矢量边界图可从网上下载,再利用研究区矢量边界图进行掩膜提取,将拼接后的影像中研究区内的部分提取出来,研究区外的部分则舍去,获得2006年研究区影像数据。以此类推,再获取2007-2020年各年的研究区影像数据。由于Landsat-5携带的TM传感器、Landsat-7携带的ETM+传感器和Landsat-8携带的OLI传感器所采集的影像之间存在一定的地表反射差异,因此需要进行辐射归一化处理,使用GEE自带的辐射归一化算法进行处理,2006-2020年研究区影像数据直接输入辐射归一化算法中即可得到辐射归一化后的2006-2020年各年的研究区影像数据。
步骤1.3:对N-m至N年各年研究区影像数据进行参数提取,所述参数包括光谱反射率、包含归一化燃烧指数NBR的植被指数以及纹理信息;根据桉树样本点的坐标,在N-m至N年各年研究区影像数据中找到对应的像元,由这些像元及其对应的参数构建数据集,从该数据集划分出训练集,利用随机森林算法进行桉树的分类训练,构建研究区各年桉树人工林空间分布提取模型;将从各年研究区影像数据提取的参数分别对应输入研究区各年桉树人工林空间分布提取模型,获得N-m至N年研究区各年桉树人工林空间分布。
本实施方式对预处理后的2006-2020年研究区影像数据进行参数提取,包括光谱反射率、植被指数以及纹理信息。利用步骤1.1所采集的桉树样本数据,通过ArcGIS软件构建数据集,采用随机森林算法进行分类,构建桉树人工林空间分布提取模型,基于预处理后的2006-2020年研究区影像数据,获得2006-2020年各年研究区桉树人工林空间分布。
在该步骤的实施过程中,在GEE平台上可以直接提取预处理后的2006-2020年研究区影像数据的光谱反射率、植被指数和纹理信息。其中,光谱反射率是卫星搭载的传感器不同的波段被不同地物反射的光通量与入射到物体上的光通量之比;植被指数包括:增强植被指数EVI、归一化植被指数NDVI、归一化植被指数NDVIA、陆地叶绿素指数MTCI、新型倒红边叶绿素指数IRECI、植被衰减指数PSRI、转化叶绿素吸收反射率指数TCARI、归一化差值水体指数NDWI、修正的叶绿素吸收反射率指数MCARI、重归一化植被指数RDVI、三角植被指数TVI、土壤调节植被指数SAVI、水分胁迫指数MSI、地表水分指数LSWI、归一化燃烧指数NBR、增强归一化红边植被指数mNdvired_edge、改进红边比值植被指数MSRred_edge和叶绿素红边指数CIred_edge;纹理信息包括:均差、方差、同质性、对比度、相异性、信息熵、二阶矩和相关性。
下面以2006年研究区桉树人工林空间分布的获取过程为例说明各年研究区桉树人工林空间分布的获取过程:将预处理后的2006年研究区影像数据在ArcGIS中打开,将由步骤1获得的2006年1000个桉树样本点的坐标输入ArcGIS,则能在预处理后的2006年研究区影像数据中找到对应的点。由于预处理后的2006-2020年研究区影像数据均为栅格图像,因此,是将1000个桉树样本点对应到2006年研究区影像数据中。利用ArcGIS中的栅格图像多值提取到点功能,将从2006年研究区影像数据所提取的对应像元的光谱反射率、植被指数和纹理信息提取到1000个桉树样本点中,则1000个桉树样本点各点的属性表都有其对应的光谱反射率、植被指数和纹理信息。以1000个桉树样本点的分类结果为桉树,1000个桉树样本点各点的属性表对应的光谱反射率、植被指数和纹理信息为特征,构建2006年研究区桉树人工林空间分布提取模型的数据集,取数据集中75%的数据作为训练集,剩余25%为验证集,利用随机森林算法进行桉树的分类训练,即可构建2006年研究区桉树人工林空间分布提取模型。再将2006年研究区影像数据输入上述构建的2006年研究区桉树人工林空间分布提取模型中,随机森林算法根据上述提取出的2006年研究区影像数据特征(光谱反射率、植被指数和纹理信息),即可获得2006年研究区桉树人工林空间分布。2006-2020年各年研究区桉树人工林空间分布均是栅格图像,桉树以像元的形式组成桉树人工林空间分布。
以此类推,对2007-2020年研究区各年影像数据进行上述操作,即可获得2007-2020年研究区各年桉树人工林空间分布提取模型,进而得到2006-2020年研究区各年桉树人工林空间分布,如图4(a)所示的2006年研究区桉树人工林空间分布图和(b)所示的2020年研究区桉树人工林空间分布图。
步骤1.4:分别利用N-m至N年研究区各年桉树人工林空间分布对对应的分别从各年研究区影像数据获得的归一化燃烧指数NBR空间分布进行掩膜提取,分别对应得到各年的桉树人工林NBR空间分布,从而获得N-m至N年研究区桉树人工林NBR空间分布;根据各砍伐更新点在桉树人工林NBR空间分布中对应像元的NBR值的变化规律确定NBR骤降幅度阈值。
该步骤的实施过程中,在ArcGIS软件中打开基于步骤1.3所获得的2006-2020年研究区各年桉树人工林空间分布和从2006-2020年各年研究区影像数据提取的NBR,其中,所提取的2006-2020年各年研究区NBR以空间分布的形式存在,也即从步骤3能获得2006-2020年各年研究区NBR空间分布,利用ArcGIS软件中的掩膜提取功能,利用2006-2020年研究区各年桉树人工林空间分布对从2006-2020年各年研究区影像数据提取的NBR空间分布进行掩膜提取,分别对应得到各年的桉树人工林NBR空间分布,从而得到2006-2020年研究区桉树人工林的NBR空间分布。在ArcGIS中将由步骤1.1所获得的600个砍伐更新点展开,每个砍伐更新点对应于2006-2020年研究区桉树人工林的NBR空间分布中对应位置的像元值,观察600个砍伐更新点对应于2006-2020年研究区桉树人工林的NBR空间分布中对应像元的NBR值的变化,发现各桉树砍伐更新点对应像元的NBR值呈“平稳-骤降-上升-平稳”的变化,与桉树轮伐期内其他年相比,砍伐更新点对应的当前年的NBR值迅速骤降,如图5中(a)图示出的像元的NBR值的变化如图(b)所示,砍伐更新点对应的2016年的NBR值迅速骤降。本实施方式中多数砍伐更新点对应像元的NBR的骤降幅度在0.45左右,取骤降幅度最小值为0.4,因此,本实施方式将NBR骤降幅度阈值确定为0.4。
步骤1.5:根据N-m至N年研究区桉树人工林NBR空间分布、NBR骤降幅度阈值,确定N年研究区桉树人工林空间分布中的真实桉树砍伐更新点及对应的砍伐更新年;
方法为:将N-m至N年各年研究区桉树人工林空间分布中所在像元发生NBR骤降对应的时间点定义为桉树伪砍伐更新点;然后以轮伐期为时间步长,在时间步长内:若像元的NBR值只骤降1次,且骤降的幅度大于等于NBR骤降幅度阈值,则该次NBR值骤降对应的伪砍伐更新点则为真实砍伐更新点;若像元的NBR值骤降大于1次,且骤降的幅度均大于等于NBR骤降幅度阈值,则取最后1次NBR值骤降对应的伪砍伐更新点为真实砍伐更新点;各真实砍伐更新点分别对应的当前年定义为各真实砍伐更新点的砍伐更新年。
基于2006-2020年研究区桉树人工林的NBR空间分布,将2006-2020年各年研究区中桉树人工林空间分布中所在像元发生NBR骤降对应的时间点定义为桉树伪砍伐更新点,根据预设时间步长和NBR骤降幅度阈值作去伪处理,确定2020年研究区桉树人工林空间分布中的真实桉树砍伐更新点及对应的砍伐更新年;
在该步骤的实施过程中,将2006-2020年各年研究区桉树人工林空间分布中所在像元发生NBR骤降对应的时间点定义为伪桉树砍伐更新点,各伪桉树砍伐更新点对应的当前年定义为伪桉树砍伐更新点的砍伐更新年。实际上当像元所在区域未发生砍伐事件时,NBR也会下降或者上升,例如由于桉树人工林每年的生长条件不同,雨水光照充足时NBR就会上升,发生干旱或病虫害时NBR就会下降。本发明将像元发生NBR下降时所对应的时间点统一定义为伪砍伐更新点,然后做去伪处理,将砍伐情况以外因素引起NBR下降的错误砍伐更新点去掉,得到真实的砍伐更新点。综合考虑桉树人工林砍伐的具体情况,由于桉树一般在5年砍伐一次,因此本实施方式预设时间步长为5年。在前后共5年内若像元的NBR只骤降1次,且骤降的幅度大于等于NBR的骤降幅度阈值,则该像元对应的伪砍伐更新点则为真实砍伐更新点,骤降发生时对应的当前年为该真实砍伐更新点的砍伐更新年;若在前后共5年内像元的NBR骤降大于1次,且骤降的幅度均大于等于NBR的骤降幅度阈值,则取最后1次NBR骤降对应的伪砍伐更新点为真实砍伐更新点,对应的当前年为真实砍伐更新点的砍伐更新年,其他伪砍伐更新点为错误砍伐更新点。
综上,基于2020年研究区桉树人工林空间分布,将伪砍伐更新点减去错误砍伐更新点即可得到真实砍伐更新点,每个真实砍伐更新点对应一个砍伐更新年,统计2020年研究区桉树人工林空间分布各像元对应的砍伐更新年。
步骤1.6:基于N年研究区桉树人工林空间分布中各像元对应的砍伐更新年,计算出N年研究区桉树人工林林龄,进而获得N年研究区桉树人工林林龄空间分布;
方法为:定义各像元内的桉树在砍伐更新年为0岁,利用N年分别减去各像元对应的距离N年最近的砍伐更新年,则得到各像元内桉树在N年的林龄;若N年研究区桉树人工林中部分像元在N-m至N年均无砍伐更新年,则视该部分像元内桉树在N年的林龄为大于m岁。
本实施方式中,基于由步骤5统计2020年研究区桉树人工林空间分布中各像元对应的砍伐更新年,计算出2020年研究区桉树人工林林龄,进而获得2020年研究区桉树人工林林龄空间分布。在该步骤的实施过程中,在GEE平台中通过编程计算2020年研究区桉树人工林林龄,编程思路为:基于2020年研究区桉树人工林空间分布中所在像元(2020年研究区桉树人工林空间分布为栅格图像,因此桉树人工林是以像元的形式存在),查询各像元对应的真实砍伐更新点的砍伐更新年,明确各像元内的桉树距离N年最近的砍伐更新年。由于真实砍伐更新点对应像元内的桉树在对应砍伐更新年被砍伐,定义各像元内的桉树在砍伐更新年为0岁,因此,在明确各像元对应的距离N年最近的砍伐更新年后,利用2020年分别减去各像元对应的距离N年最近的砍伐更新年,则得到各像元内的桉树的林龄。如:2020年研究区桉树人工林空间分布中某像元对应的距离2020年最近的砍伐更新年为2015年,因此,该像元中的桉树在2015年为0岁,在2020年为5岁。若2020年研究区桉树人工林中部分像元在2006年-2020年均无砍伐更新年,则在2020年视其为大于14岁。综上,可获得2020年研究区桉树人工林空间分布中的所有像元对应桉树的林龄,进而得到2020年研究区桉树人工林林龄空间分布。利用上述方法也可获得2007-2019各年研究区桉树人工林林龄空间分布,本实施方式由于没有使用2006年之前的影像数据,因此,2006年研究区桉树人工林林龄无法反演。如图6所示为2020年研究区桉树人工林林龄空间分布。
步骤2:通过步骤1所得到的N年研究区桉树人工林林龄空间分布,结合研究区的数字高程模型DEM,将研究区桉树人工林按照不同生长情况进行划分,得到N年研究区不同生长情况桉树人工林空间分布,并基于UAV影像实现不同生长情况研究区桉树人工林单木及样方林分短时间跨度生长量的提取。
步骤2.1:获取研究区数字高程模型DEM,基于N年研究区桉树人工林林龄空间分布,对研究区DEM进行处理得到N年研究区桉树人工林高程空间分布、N年研究区桉树人工林坡度空间分布;分别对N年研究区桉树人工林林龄空间分布、N年研究区桉树人工林高程空间分布和N年研究区桉树人工林坡度空间分布进行统计得到N年研究区桉树人工林林龄统计图、N年研究区桉树人工林高程信息统计图和坡度信息统计图。
在该步骤的实施过程中,从网上下载研究区数字高程模型(Digital ElevationModel,DEM),在ArcGIS软件中,利用2020年研究区桉树人工林林龄空间分布对研究区DEM进行掩膜提取,得到2020年研究区桉树人工林高程空间分布;对2020年研究区桉树人工林高程空间分布使用坡度分析功能,得到2020年研究区桉树人工林坡度空间分布。利用ArcGIS中的像元统计功能,对2020年研究区桉树人工林林龄进行统计得到的2020年研究区桉树人工林林龄统计图;对2020年研究区桉树人工林高程空间分布和2020年研究区桉树人工林坡度空间分布进行统计得到的2020年研究区桉树人工林高程信息统计图和坡度信息统计图。如图7、图8和图9所示分别为2020年研究区桉树人工林林龄统计图、2020年研究区桉树人工林高程信息统计图和坡度信息统计图。
步骤2.2:选取林龄、高程以及坡度共同作为分类依据,基于N年研究区桉树人工林林龄统计图、N年研究区桉树人工林高程信息统计图和坡度信息统计图,对整个研究区桉树人工林的不同生长情况进行分类。
基于2020年研究区桉树人工林林龄统计图,参考《广西壮族自治区林木采伐管理办法》中对桉树龄组的划分,将林龄调查划分为11类:0年代表新砍伐,因而不进行采样调查;1~10年每年单独为一类;大于10年的为一类。基于2020年研究区桉树人工林高程信息统计图和坡度信息统计图,因高程大于1000m和坡度大于35°的桉树占桉树总面积均相对较少,所以将这样的桉树与高程大于500m和坡度大于25°合并为1类。如图8和图9所示,将高程分为3类:平原(高程<200m)为一类、丘陵(200m≤高程<500m)为一类和低山、中山(高程>500m)为一类;将坡度分为4类:平(0~5°)为一类、缓(5~15°)为一类、斜(15~25°)为一类、陡(>25°)为一类。因此,本实施方式通过综合选取林龄、高程以及坡度共同作为分类依据将整个研究区域桉树人工林划分为132(11×3×4)类不同生长情况。
步骤2.3:基于步骤2.2对研究区桉树人工林不同生长情况的分类,使用ArcGIS软件对N年研究区桉树人工林林龄空间分布、N年研究区桉树人工林高程空间分布和N年研究区桉树人工林坡度空间分布进行重分类,对重分类后的N年研究区桉树人工林林龄空间分布、N年研究区桉树人工林高程空间分布和N年研究区桉树人工林坡度空间分布进行叠加分析得到N年研究区不同生长情况桉树人工林空间分布。
在本实施方式中,利用ArcGIS软件的重分类功能对2020年研究区桉树人工林林龄空间分布、2020年研究区桉树人工林高程空间分布和2020年研究区桉树人工林坡度空间分布进行重分类,得到重分类后的2020年研究区桉树人工林林龄空间分布、重分类后的2020年研究区桉树人工林高程空间分布和重分类后的2020年研究区桉树人工林坡度空间分布。其中,重分类方法是:2020年研究区桉树人工林林龄空间分布对应林龄赋值1~11(林龄1~10年对应赋值1~10,大于10年赋值为11);2020年研究区桉树人工林高程空间分布对应高程赋值100、200和300,分别对应平原(高程<200m)、丘陵(200m≤高程<500m)和低山、中山(高程>500m);2020年研究区桉树人工林坡度空间分布对应坡度赋值为1000、2000、3000和4000分别对应平(0~5°)、缓(5~15°)、斜(15~25°)、陡(>25°)。
最后,对重分类后的2020年研究区桉树人工林林龄空间分布、重分类后的2020年研究区桉树人工林高程空间分布和重分类后的2020年研究区桉树人工林坡度空间分布进行叠加分析则可获得一个不同生长情况(不同林龄、不同坡度及不同高程)桉树人工林空间分布。所述叠加分析是在ArcGIS上将它们各自对应的栅格值进行相加可得到2020年研究区不同生长情况桉树人工林空间分布。
步骤2.4:根据N年研究区不同生长情况桉树人工林空间分布,按照每一类生长情况选取一块样方的方法从研究区选取多个对应不同生长情况类别的样方。
在本实施方式,根据步骤2.3获得的2020年研究区不同生长情况桉树人工林空间分布,按照每一类生长情况选取一块500m×500m的样方,从整个研究区域共选取132块样方,该132块样方分别对应132类生长情况。
步骤2.5:针对每一所选样方进行野外实地样地调查和UAV数据采集;所述UAV数据采集包括1)连续一年每月利用搭载消费级相机的无人机对每一所述样方进行数据采集,所获得的每一样方的12期UAV数据称为Camera UAV数据;2)使用搭载LiDAR传感器的无人机对每一所选样方进行数据采集,所获得的每一样方的UAV数据称为LiDAR UAV数据;
在该步骤的实施过程中,基于初选的对应不同生长情况类别的各样方的大致位置,选择每一样方中具有明显特征的位置点作为该样方的中心点,具有明显特征的位置点例如可以是桉树树高相对于周围的桉树为最高点的位置点。在样方的中心点和样方的4个角点分别建立固定标志以便后续重复进行数据采集。因为后续步骤需要利用真实单木材积数据建立单木材积反演模型,因此需要对每一样方进行野外实地样地调查。又由于真实单木材积必须与同一时间段基于UAV数据提取的参数(单木树高、单木冠幅和光谱反射指数)共同建立单木材积反演模型,因此,在进行每一样方的任意一期UAV数据采集时,同时进行一次野外实地样地调查即可。样地调查内容主要包括调查样方的中心点坐标、样方内所有单木坐标、单木树高、单木胸径、单木冠幅和单木数量。野外实地样地调查时会使用测高仪、胸径尺和卷尺等工具测量每一样方林分内所有桉树的单木树高、单木胸径和单木冠幅。因为林下信号受扰,定位设备(如RTK(Real-time kinemaTIc,实时动态载波相位差分技术)不能正常工作,所以单木坐标由搭载RTK的轻型无人机在室内人工处理获得,进而也可以得到单木数量信息。
在该步骤的实施过程中,对每一样方进行UAV数据采集的方法是:以样方中心点为中心,对500m×500m的样方进行UAV数据采集,选择晴朗无风无云的中午时段,一方面连续一年每月利用搭载廉价消费级相机的RTK轻型无人机对132块样方进行数据采集,共获得12期的高分辨率Camera UAV数据;UAV的作业模式为五向飞行,规划1条正射方向航线,4条倾斜方向航线,共5条航线每期进行作业,其中,正射方向航线UAV的云台角度为90°,倾斜方向航线UAV的云台角度为45°,所采集的Camera UAV数据用于后续步骤生成数字正射影像(Digital Orthophoto Map,DOM)和数字表面模型(Digital Surface Model,DSM);另一方面,为了获得所有样方的地形信息,需要使用搭载LiDAR(LightLaser Detection andRanging,激光雷达)传感器的RTK轻型无人机对各样方进行数据采集,由于地形通常不会变化,所以只需对每一样方采集一次LiDAR UAV数据即可。在本实施方式中,选择晴朗无风无云的中午时段,利用搭载LiDAR传感器的轻型无人机,飞行高度设为60m,飞行速度设为6m/s,回波模式采用3回波,采样频率为240KHZ,扫描模式设置为重复扫描,在旁向重叠度为80%的设定下进行作业。所采集的LiDAR UAV数据用于后续步骤生成各样方的数字高程模型DEM。
步骤2.6:将每一样方的12期Camera UAV数据输入到航空摄影测量软件中进行处理得到每一期对应样方的数字正射影像DOM和数字表面模型DSM;利用LiDAR点云数据处理软件处理每一样方的LiDAR UAV数据,生成每一样方对应的数字高程模型DEM。
在该步骤的实施过程中,将由搭载廉价消费级相机的RTK轻型无人机采集得到的每一样方的12期Camera UAV数据放入航空摄影测量软件(例如Pix4Dmapper、ContextCapture、PhotoScan、Inpho、天工Godwork)中进行处理得到每一期对应样方的数字正射影像DOM和数字表面模型DSM。本实施方式是将每一样方的12期Camera UAV数据放入Pix4Dmapper软件中依次进行初始化处理、生成三维密集点云和生成DOM的操作,最终得到每一期对应样方的数字正射影像DOM;将每一样方的由搭载廉价消费级相机的RTK轻型无人机采集得到的12期Camera UAV数据放入ContextCapture软件中,在ContextCapture软件中依次进行空三结算、生成三维网格和DSM的生成操作,则能够得到每一期对应样方的数字表面模型DSM;将由搭载LiDAR传感器的RTK轻型无人机采集得到的每一样方的LiDAR UAV数据放入LiDAR点云数据处理软件(例如大疆智图软件、LiDAR360、LASTools、TerraSolid系列软件)中,本实施方式是将LiDAR UAV数据放入大疆智图软件中,利用DEM生成的功能可获得该样方的数字高程模型DEM。
步骤2.7:将步骤2.6获得的每一期对应样方的数字表面模型DSM与每一样方的数字高程模型DEM做差则得到每一期对应样方的冠层高度模型CHM。
在该步骤的实施过程中,在ArcGIS软件中打开由步骤2.6所得的数字表面模型DSM与数字高程模型DEM,利用地图代数功能中的栅格计算器,将每一期对应样方的数字表面模型DSM栅格值与对应样方的数字高程模型DEM栅格值做差,便可得到每一期对应样方的冠层高度模型CHM(Canopy Height Model)。
步骤2.8:从所有样方全部12期对应的冠层高度模型CHM构成的数据集中划分出训练集,并对训练集中冠层高度模型CHM上的每一个树冠进行标注,获得带有标签的训练集数据;利用带有标签的训练集数据和深度学习算法进行单木分割,得到每一期对应样方的单木分割矢量图;
由步骤2.7可得到每一期对应样方的CHM,共获得1584(132×12)个CHM。在该步骤的实施过程中,首先对这1584个CHM进行裁剪分割处理,并按照6:2:2的比例对由裁剪分割处理后的CHM构成的数据集进行划分,划分为训练集、测试集和验证集;再使用labelme软件对训练集中的冠层高度模型CHM标上标签,将训练集中冠层高度模型CHM中的每一个树冠圈画出来并标上标签为树冠,放入深度学习算法中进行单木分割模型的训练,本实施方式的深度学习算法采用的是DeeplabV3+模型,利用测试集数据对初步训练的单木分割模型进行测试,以调整模型中的超参数,进一步完善单木分割模型获得训练好的单木分割模型,最后将验证集数据放入训练好的单木分割模型进行预测,则可获得每一期对应样方的单木分割结果,得到每一期对应样方的单木分割矢量图。
步骤2.9:根据每一期对应样方的单木分割矢量图、每一期对应样方的数字正射影像DOM和每一期对应样方的冠层高度模型CHM,利用局部最大值算法提取出每一期对应样方的单木树高和单木冠幅。
在ArcGIS软件中,将每一期对应样方的单木分割矢量图、每一期对应样方的冠层高度模型CHM和每一期对应样方的数字正射影像DOM通过三个图层的方式分别打开,结合对应的单木分割矢量图和数字正射影像DOM,通过人工目视解译的方式,分别确定每一期对应样方中每棵桉树树冠的位置,对每一期对应样方的冠层高度模型CHM利用局部最大值算法,提取出每一期对应样方的单木树高和单木冠幅。
步骤2.10:根据每一期对应样方的数字正射影像DOM,提取出每一期对应样方的数字正射影像DOM的光谱反射指数。
在ArcGIS中打开每一期对应样方的数字正射影像DOM,首先对DOM中每个像元值进行归一化处理:由于DOM只有红、绿、蓝三个波段,故DOM为RGB图像。RGB图像中每个像元值分别在0~255之间,因此,对每一期对应样方的DOM中所有像元值除以255,完成DOM的归一化处理;再通过计算提取出每一期对应样方的DOM光谱反射指数。所述DOM光谱反射指数包括归一化红蓝指数NDRB、归一化红绿指数NDRG和归一化绿蓝指数NDGB,其中式(1)为归一化红蓝指数NDRB的计算公式;式(2)为归一化红绿指数NDRG的计算公式;式(3)为归一化绿蓝指数NDGB的计算公式。
上式中,R为归一化后红波段的对应像元值,G为归一化后绿波段的对应像元值,B为归一化后蓝波段的对应像元值。
步骤2.11:根据野外实地样地调查采集的每一样方中每棵桉树对应的单木树高和单木胸径计算单木材积实际值,由野外实地样地调查采集的每一样方中每棵桉树对应的单木树高、单木冠幅以及单木材积实际值构成数据集,并从该数据集中划分出训练集,以训练集中的单木材积作为因变量、以步骤2.9和步骤2.10提取出的与野外实地样地调查相同月份对应样方的单木树高、单木冠幅以及光谱反射指数为自变量,利用本步骤获得的训练集和随机森林算法构建桉树人工林对应样方的单木材积反演模型。
在该步骤的实施过程中,采用上述野外实地样地调查采集的每一样方中每棵桉树对应的单木树高和单木胸径,利用黄道年和廖泽钊(1986)编制的广西桉树二元材积表,以计算每一样方中每棵桉树对应的单木材积实际值:
V=0.0434785-6.75245×10-3D2+5.02044×10-4DH+1.54609×10-5D2H-3.35291×10-3H (4)
上式中,V表示桉树人工林单木材积;D表示胸径;H表示树高。
由132个样方中每一个样方的野外实地样地调查所获得的每棵桉树对应的单木树高、单木冠幅以及单木材积实际值构成的数据集,选取数据集中75%的数据作为训练集,剩余25%的数据作为测试集,在使用随机森林算法时,以单木材积实际值作为因变量,基于步骤2.9和步骤2.10所提取的与野外实地样地调查相同月份的对应样方的特征因子即单木树高、单木冠幅与光谱反射指数作为自变量,将本步骤获得的上述训练集数据放入随机森林算法做回归训练,得到回归模型,即桉树人工林对应样方的单木材积反演模型,测试集数据则用于评价桉树人工林单木材积反演模型的预测精度。对应于132个样方,在本步骤可获得132个桉树人工林单木材积反演模型,分别对应样方中桉树的不同生长情况。
步骤2.12:基于12期的UAV数据,利用所提取出的每一期对应样方中每棵桉树对应的单木树高、单木冠幅以及光谱反射指数,利用步骤2.11构建的对应样方的单木材积反演模型,提取出每个月对应样方的桉树人工林单木材积,进而获得每个月对应样方的单木材积变化量,即对应样方桉树人工林每个月单木生长量,从而实现不同生长情况桉树人工林单木短时间跨度生长量的提取。
步骤3:获取N年研究区卫星影像并对其提取参数,所述参数包括光谱反射率、植被指数和纹理信息,利用这些参数构建研究区桉树人工林蓄积量反演模型反演N年研究区桉树人工林林分蓄积量,基于研究区桉树人工林单木短时间跨度生长量的结果,结合N年研究区不同生长情况桉树人工林空间分布,对N年研究区桉树人工林蓄积量进行时间差异校正,实现桉树人工林区域林分蓄积量月尺度动态变化监测。
步骤3.1:获取N年研究区的卫星影像,基于N年这一年内不同时间的卫星影像,筛选出拼接影像,提取出拼接影像的光谱反射率、植被指数、纹理信息;将步骤2.12提取出的与拼接影像对应月份的每一样方的桉树人工林单木材积求和得到样方林分蓄积量,从由所有样方的林分蓄积量所构成的数据集中划分出训练集,以该训练集中的林分蓄积量为因变量、以提取出的拼接影像的光谱反射率、植被指数、纹理信息为自变量,采用随机森林算法构建桉树人工林林分蓄积量反演模型,并利用该模型获得拼接影像各对应月份的林分蓄积量;所述拼接影像包括同一月份覆盖研究区域面积最大的拼接影像和其他相近月份拼接影像;
在该步骤的实施过程中,卫星影像通常会包含大量的云,导致卫星影像中研究区域内的桉树人工林被覆盖,以至于影像不能够使用,而研究区域卫星影像是由多幅卫星影像进行拼接所得到,不同卫星影像又来自不同的月份,因此,对应一年12期UAV影像数据的时间,对研究区域一年内所有卫星影像进行筛选:首先从研究区域一年内所有卫星影像中筛选出含云量小于10%(经验值)的影像;然后从中统计同一月份覆盖研究区域面积最大的影像,再以该影像对应的月份为时间基准从含云量小于10%的影像中确定离该月份相对较近的其他月份的卫星影像,将这两部分影像共同拼接能够覆盖研究区域,那么这两部分影像构成了拼接影像,将这两部分影像命名为覆盖研究区域面积最大的拼接影像和其他相近月份拼接影像。
在谷歌地球引擎(Google Earth Engine,GEE)平台上可以直接调用拼接影像,对不同时间的拼接影像进行大气校正、辐射定标和重采样预处理,在GEE平台上可以直接提取出研究区域对应的拼接影像的光谱反射率、植被指数、纹理信息。其中,光谱反射率是卫星搭载的传感器不同的波段被不同地物反射的光通量与入射到物体上的光通量之比;植被指数包括:增强植被指数EVI、归一化植被指数NDVI、归一化植被指数NDVIA、陆地叶绿素指数MTCI、新型倒红边叶绿素指数IRECI、植被衰减指数PSRI、转化叶绿素吸收反射率指数TCARI、归一化差值水体指数NDWI、修正的叶绿素吸收反射率指数MCARI、重归一化植被指数RDVI、三角植被指数TVI、土壤调节植被指数SAVI、水分胁迫指数MSI、地表水分指数LSWI、归一化燃烧指数NBR、增强归一化红边植被指数mNdvired_edge、改进红边比值植被指数MSRred_edge和叶绿素红边指数CIred_edge;纹理信息包括:均差、方差、同质性、对比度、相异性、信息熵、二阶矩和相关性。根据拼接影像的分辨率,步骤2.12提取出的与拼接影像对应月份的对应样方的所有单木材积采样到与拼接影像分辨率相同的尺度,例如,当拼接影像的分辨率为30m,则将骤2.12提取出的与拼接影像对应月份的对应样方的所有单木材积在500m×500样方中进行30m×30m的采样,即按30m×30m的尺度将与拼接影像对应月份的对应样方的所有单木材积在该尺度内进行单木材积求和得到与拼接影像对应月份的对应样方的林分蓄积量。
在随机森林算法的使用中,以与拼接影像对应月份的132块样方的桉树人工林林分蓄积量作为数据集,取数据集75%作为训练集,剩余25%为验证集。以训练集中的林分蓄积量作为因变量,以提取出的拼接影像的光谱反射率、植被指数、纹理信息为特征因子作为自变量,采用随机森林算法进行回归训练得到的回归模型作为桉树人工林林分蓄积量反演模型。根据所提取的光谱反射率、植被指数、纹理信息,利用桉树人工林林分蓄积量反演模型获得拼接影像各对应月份的林分蓄积量。
步骤3.2:根据N年研究区不同生长情况桉树人工林空间分布明确其他相近月份拼接影像对应的桉树人工林林分基于何种生长情况。
在该步骤的实施过程中,将步骤2.3得到的2020年研究区不同生长情况桉树人工林空间分布与其他相近月份拼接影像进行叠加分析,在ArcGIS软件上分别将2020年研究区不同生长情况桉树人工林空间分布与其他相近月份拼接影像打开,2020年研究区不同生长情况桉树人工林空间分布为一个图层,其他相近月份拼接影像为另一个图层,在其他相近月份拼接影像中找到与不同生长情况桉树人工林空间分布相对应的区域,参考2020年研究区不同生长情况桉树人工林空间分布,从而明确其他相近月份拼接影像对应区域的桉树人工林是何种生长情况。
步骤3.3:以覆盖研究区域面积最大的拼接影像对应的月份为时间基准,将其他相近月份拼接影像对应的月份与时间基准之间作差得到的月份数作为其他相近月份拼接影像对应的桉树人工林林分蓄积量需要校正的时间跨度。
步骤3.4:基于其他相近月份拼接影像对应的桉树人工林林分的具体生长情况和步骤2.12提取的不同生长情况桉树人工林短时间跨度单木生长量结果获得其他相近月份拼接影像对应的桉树人工林林分每个月的单木生长量,对该月的所有单木生长量相加求和得到其他相近月份拼接影像对应的桉树人工林林分每个月的林分蓄积量变化量;
在该步骤的实施过程中,在已明确了其他相近月份拼接影像对应的桉树人工林林分的具体生长情况下,基于步骤2.12提取的对应具体生长情况的桉树人工林短时间跨度单木生长量,可以获得其他相近月份拼接影像对应的桉树人工林林分每个月的单木生长量,将其他相近月份拼接影像对应的桉树人工林林分每个月的所有单木生长量相加求和即得到其他相近月份拼接影像对应的桉树人工林林分每个月的林分蓄积量变化量。
步骤3.5:以覆盖研究区域面积最大的拼接影像对应的月份为时间基准,根据对应的桉树人工林林分每个月的林分蓄积量变化量和其他相近月份拼接影像对应的桉树人工林林分蓄积量需要校正的时间跨度去校正其他相近月份拼接影像对应的桉树人工林林分蓄积量的反演结果。
如图10所示为林分蓄积量时间差校正方法示例图,在该示例中研究区由某年卫星拼接影像a、b、c和d拼接而成。图10(a)为林分蓄积量时间差校正前研究区域的林分蓄积量示意图。校正前拼接影像a和d来自同一月份即1月份,因此a和d构成覆盖研究区域面积最大的拼接影像。卫星拼接影像b和c分别来自4月份和3月份,为其他相近月份拼接影像。根据步骤3.1建立的桉树人工林林分蓄积量反演模型可以反演出校正前拼接影像a、b、c和d区域内桉树人工林林分蓄积量,校正前覆盖研究区域面积最大的影像来自1月份,因此,确定来自4月份的拼接影像b和来自3月份的拼接影像c需要校正到1月份。基于确定校正前拼接影像b区域和c区域内桉树人工林的具体生长情况,基于步骤2.12提取出的对应具体生长情况的桉树人工林每个月单木生长量的结果,分别对拼接影像b和c区域内的每个月桉树人工林单木生长量的结果相加求和得到拼接影像b和c区域内每个月桉树人工林林分蓄积量的变化,利用校正前拼接影像b区域内桉树人工林林分蓄积量减去对应区域桉树人工林林分蓄积量1月份至4月份3个月的变化量,即可得到拼接影像b区域内桉树人工林1月份的林分蓄积量。同样的,利用校正前拼接影像c区域内桉树人工林林分蓄积量减去对应区域桉树人工林林分蓄积量1月份至3月份2个月的变化量,即可得到拼接影像c区域内桉树人工林1月份的林分蓄积量,最终获得同一年完整一月份研究区桉树人工林林分蓄积量,如图10(b)所示。至此,桉树人工林林分蓄积量时间差异校正完成。以此类推可以获得同一年连续一年每个月研究区域内桉树人工林林分蓄积量,实现桉树人工林林分蓄积量的动态变化监测且动态变化监测时间频率缩短至月尺度。
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;其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;因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权利要求所限定的范围。
Claims (7)
1.基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,其特征在于,该方法包括以下步骤:
步骤1:基于时间序列卫星影像对研究区桉树人工林进行林龄反演,获得N年研究区桉树人工林林龄空间分布;
步骤2:通过步骤1所得到的N年研究区桉树人工林林龄空间分布,结合研究区的数字高程模型DEM,将研究区桉树人工林按照不同生长情况进行划分,得到N年研究区不同生长情况桉树人工林空间分布,并基于UAV影像实现不同生长情况研究区桉树人工林单木及样方林分短时间跨度生长量的提取;
步骤3:获取N年研究区卫星影像并对其提取参数,所述参数包括光谱反射率、植被指数和纹理信息,利用这些参数构建研究区桉树人工林蓄积量反演模型反演N年研究区桉树人工林林分蓄积量,基于研究区桉树人工林单木短时间跨度生长量的结果,结合N年研究区不同生长情况桉树人工林空间分布,对N年研究区桉树人工林蓄积量进行时间差异校正,实现桉树人工林区域林分蓄积量月尺度动态变化监测;
所述步骤3包括如下步骤:
步骤3.1:获取N年研究区的卫星影像,基于N年这一年内不同时间的卫星影像,筛选出拼接影像,提取出拼接影像的光谱反射率、植被指数、纹理信息;将步骤2.12提取出的与拼接影像对应月份的每一样方的桉树人工林单木材积求和得到样方林分蓄积量,从由所有样方的林分蓄积量所构成的数据集中划分出训练集,以该训练集中的林分蓄积量为因变量、以提取出的拼接影像的光谱反射率、植被指数、纹理信息为自变量,采用随机森林算法构建桉树人工林林分蓄积量反演模型,并利用该模型获得拼接影像各对应月份的林分蓄积量;所述拼接影像包括同一月份覆盖研究区域面积最大的拼接影像和其他相近月份拼接影像;
步骤3.2:根据N年研究区不同生长情况桉树人工林空间分布明确其他相近月份拼接影像对应的桉树人工林林分基于何种生长情况;
步骤3.3:以覆盖研究区域面积最大的拼接影像对应的月份为时间基准,将其他相近月份拼接影像对应的月份与时间基准之间作差得到的月份数作为其他相近月份拼接影像对应的桉树人工林林分蓄积量需要校正的时间跨度;
步骤3.4:基于其他相近月份拼接影像对应的桉树人工林林分的具体生长情况和步骤2.12提取的不同生长情况桉树人工林短时间跨度单木生长量结果获得其他相近月份拼接影像对应的桉树人工林林分每个月的单木生长量,对该月的所有单木生长量相加求和得到其他相近月份拼接影像对应的桉树人工林林分每个月的林分蓄积量变化量;
步骤3.5:以覆盖研究区域面积最大的拼接影像对应的月份为时间基准,根据对应的桉树人工林林分每个月的林分蓄积量变化量和其他相近月份拼接影像对应的桉树人工林林分蓄积量需要校正的时间跨度去校正其他相近月份拼接影像对应的桉树人工林林分蓄积量的反演结果;
所述同一月份覆盖研究区域面积最大的拼接影像和其他相近月份拼接影像的确定方法是:首先从研究区域一年内所有卫星影像中筛选出含云量小于阈值的影像;然后从中统计同一月份覆盖研究区域面积最大的影像,再以该影像对应的月份为时间基准从含云量小于阈值的影像中确定离该月份相对较近的其他月份的卫星影像,将这两部分影像共同拼接能够覆盖研究区域,那么这两部分影像构成拼接影像,分别命名为覆盖研究区域面积最大的拼接影像和其他相近月份拼接影像。
2.根据权利要求1所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,其特征在于,所述步骤1包括如下步骤:
步骤1.1:确定桉树人工林目标研究区,利用Google Earth Pro软件通过目视解译的方法在N-m年至N年各年的谷歌历史卫星影像中:1)选择多个分布在研究区的桉树所在像元即桉树样本点,并记录其坐标;2)选择多个分布在研究区的已被砍伐桉树所对应像元并记录其坐标和砍伐更新时间,并将桉树的砍伐更新时间定义为砍伐更新点;其中m为大于等于研究区桉树轮伐期的正整数;
步骤1.2:选择与N-m至N年各年分别对应的经过正射校正和经过地理配准的覆盖研究区的Landsat影像数据,在谷歌地球引擎GEE平台上调用这些影像数据并对这些影像数据进行影像的拼接、掩膜提取和辐射归一化预处理,获得N-m至N年各年研究区影像数据;
步骤1.3:对N-m至N年各年研究区影像数据进行参数提取,所述参数包括光谱反射率、包含归一化燃烧指数NBR的植被指数以及纹理信息;根据桉树样本点的坐标,在N-m至N年各年研究区影像数据中找到对应的像元,由这些像元及其对应的参数构建数据集,从该数据集划分出训练集,利用随机森林算法进行桉树的分类训练,构建研究区各年桉树人工林空间分布提取模型;将从各年研究区影像数据提取的参数分别对应输入研究区各年桉树人工林空间分布提取模型,获得N-m至N年研究区各年桉树人工林空间分布;
步骤1.4:分别利用N-m至N年研究区各年桉树人工林空间分布对对应的分别从各年研究区影像数据获得的归一化燃烧指数NBR空间分布进行掩膜提取,分别对应得到各年的桉树人工林NBR空间分布,从而获得N-m至N年研究区桉树人工林NBR空间分布;根据各砍伐更新点在桉树人工林NBR空间分布中对应像元的NBR值的变化规律确定NBR骤降幅度阈值;
步骤1.5:根据N-m至N年研究区桉树人工林NBR空间分布、NBR骤降幅度阈值,确定N年研究区桉树人工林空间分布中的真实桉树砍伐更新点及对应的砍伐更新年;
步骤1.6:基于N年研究区桉树人工林空间分布中各像元对应的砍伐更新年,计算出N年研究区桉树人工林林龄,进而获得N年研究区桉树人工林林龄空间分布。
3.根据权利要求2所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,其特征在于,所述步骤1.5中所述的确定N年研究区桉树人工林空间分布中的真实桉树砍伐更新点及对应的砍伐更新年的方法为:将N-m至N年各年研究区桉树人工林空间分布中所在像元发生NBR骤降对应的时间点定义为桉树伪砍伐更新点;然后以轮伐期为时间步长,在时间步长内:若像元的NBR值只骤降1次,且骤降的幅度大于等于NBR骤降幅度阈值,则该次NBR值骤降对应的伪砍伐更新点则为真实砍伐更新点;若像元的NBR值骤降大于1次,且骤降的幅度均大于等于NBR骤降幅度阈值,则取最后1次NBR值骤降对应的伪砍伐更新点为真实砍伐更新点;各真实砍伐更新点分别对应的当前年定义为各真实砍伐更新点的砍伐更新年。
4.根据权利要求2所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,其特征在于,所述步骤1.6所述的基于N年研究区桉树人工林空间分布中各像元对应的砍伐更新年,计算N年研究区桉树人工林年林龄的方法为:定义各像元内的桉树在砍伐更新年为0岁,利用N年分别减去各像元对应的距离N年最近的砍伐更新年,则得到各像元内桉树在N年的年林龄;若N年研究区桉树人工林中部分像元在N-m至N年均无砍伐更新年,则视该部分像元内桉树在N年的年林龄为大于m岁。
5.根据权利要求2所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,其特征在于,所述步骤2包括如下步骤:
步骤2.1:获取研究区数字高程模型DEM,基于N年研究区桉树人工林林龄空间分布,对研究区DEM进行处理得到N年研究区桉树人工林高程空间分布、N年研究区桉树人工林坡度空间分布;分别对N年研究区桉树人工林林龄空间分布、N年研究区桉树人工林高程空间分布和N年研究区桉树人工林坡度空间分布进行统计得到N年研究区桉树人工林林龄统计图、N年研究区桉树人工林高程信息统计图和N年研究区桉树人工林坡度信息统计图;
步骤2.2:选取林龄、高程以及坡度共同作为分类依据,基于N年研究区桉树人工林林龄统计图、N年研究区桉树人工林高程信息统计图和N年研究区桉树人工林坡度信息统计图,对整个研究区桉树人工林的不同生长情况进行分类;
步骤2.3:基于对研究区桉树人工林不同生长情况的分类,对N年研究区桉树人工林林龄空间分布、N年研究区桉树人工林高程空间分布和N年研究区桉树人工林坡度空间分布进行重分类,对重分类后的N年研究区桉树人工林林龄空间分布、N年研究区桉树人工林高程空间分布和N年研究区桉树人工林坡度空间分布进行叠加分析得到N年研究区不同生长情况桉树人工林空间分布;
步骤2.4:根据N年研究区不同生长情况桉树人工林空间分布,按照每一类生长情况选取一块样方的方法从研究区选取多个对应不同生长情况类别的样方;
步骤2.5:针对每一所选样方进行野外实地样地调查和UAV数据采集;所述UAV数据采集包括1)连续一年每月利用搭载消费级相机的无人机对每一所述样方进行数据采集,所获得的每一样方的12期UAV数据称为Camera UAV数据;2)使用搭载LiDAR传感器的无人机对每一所选样方进行数据采集,所获得的每一样方的UAV数据称为LiDAR UAV数据;
步骤2.6:将每一样方的12期Camera UAV数据输入到航空摄影测量软件中进行处理得到每一期对应样方的数字正射影像DOM和数字表面模型DSM;利用LiDAR点云数据处理软件处理每一样方的LiDAR UAV数据,生成每一样方对应的数字高程模型DEM;
步骤2.7:将步骤2.6获得的每一期对应样方的数字表面模型DSM与每一样方的数字高程模型DEM做差则得到每一期对应样方的冠层高度模型CHM;
步骤2.8:从所有样方全部12期对应的冠层高度模型CHM构成的数据集中划分出训练集,并对训练集中冠层高度模型CHM上的每一个树冠进行标注,获得带有标签的训练集数据;利用带有标签的训练集数据和深度学习算法进行单木分割,得到每一期对应样方的单木分割矢量图;
步骤2.9:根据每一期对应样方的单木分割矢量图、每一期对应样方的数字正射影像DOM和每一期对应样方的冠层高度模型CHM,利用局部最大值算法提取出每一期对应样方的单木树高和单木冠幅;
步骤2.10:根据每一期对应样方的数字正射影像DOM,提取出每一期对应样方的数字正射影像DOM的光谱反射指数;
步骤2.11:根据野外实地样地调查采集的每一样方中每棵桉树对应的单木树高和单木胸径计算单木材积实际值,由野外实地样地调查采集的每一样方中每棵桉树对应的单木树高、单木冠幅以及单木材积实际值构成数据集,并从该数据集中划分出训练集,以训练集中的单木材积作为因变量、以步骤2.9和步骤2.10提取出的与野外实地样地调查相同月份对应样方的单木树高、单木冠幅以及光谱反射指数为自变量,利用本步骤获得的训练集和随机森林算法构建桉树人工林对应样方的单木材积反演模型;
步骤2.12:基于12期的UAV数据,利用所提取出的每一期对应样方中每棵桉树对应的单木树高、单木冠幅以及光谱反射指数,利用步骤2.11构建的对应样方的单木材积反演模型,提取出每个月对应样方的桉树人工林单木材积,进而获得每个月对应样方的单木材积变化量,即对应样方桉树人工林每个月单木生长量,从而实现不同生长情况桉树人工林单木短时间跨度生长量的提取。
6.根据权利要求5所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,其特征在于,所述步骤2.9中所述的提取出每一期对应样方的单木树高和单木冠幅的方法为:在ArcGIS软件中,将每一期对应样方的单木分割矢量图、每一期对应样方的冠层高度模型CHM和每一期对应样方的数字正射影像DOM以图层的方式分别打开,结合对应的单木分割矢量图和数字正射影像DOM,通过人工目视解译的方式,分别确定每一期对应样方中每棵桉树树冠的位置,对每一期对应样方的冠层高度模型CHM利用局部最大值算法,提取出每一期对应样方的单木树高和单木冠幅。
7.根据权利要求5所述的基于UAV数据的桉树人工林区域林分蓄积量时间差校正方法,其特征在于,所述光谱反射指数包括归一化红蓝指数NDRB、归一化红绿指数NDRG和归一化绿蓝指数NDGB,其中归一化红蓝指数NDRB按照式(1)进行计算;归一化红绿指数NDRG按照式(2)进行计算;归一化绿蓝指数NDGB按照式(3)进行计算:
上式中,R为归一化后红波段的对应像元值,G为归一化后绿波段的对应像元值,B为归一化后蓝波段的对应像元值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210755517.6A CN115223062B (zh) | 2022-06-30 | 2022-06-30 | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210755517.6A CN115223062B (zh) | 2022-06-30 | 2022-06-30 | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115223062A CN115223062A (zh) | 2022-10-21 |
CN115223062B true CN115223062B (zh) | 2023-10-20 |
Family
ID=83610379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210755517.6A Active CN115223062B (zh) | 2022-06-30 | 2022-06-30 | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223062B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840761B (zh) * | 2023-03-01 | 2023-04-14 | 自然资源部第三地理信息制图院 | 一种卫星影像像元值修改方法、系统、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009086158A2 (en) * | 2007-12-20 | 2009-07-09 | Imagetree Corp. | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest |
WO2010088261A1 (en) * | 2009-01-28 | 2010-08-05 | Smartcells, Inc. | Binding-site modified lectins and uses thereof |
JP2013231645A (ja) * | 2012-04-27 | 2013-11-14 | Ito En Ltd | 茶葉の摘採適性評価方法及び摘採適性評価装置、摘採適性評価システム並びにコンピュータ使用可能な媒体 |
CN107909109A (zh) * | 2017-11-17 | 2018-04-13 | 西安电子科技大学 | 基于显著性和多尺度深度网络模型的sar图像分类方法 |
JP2018067017A (ja) * | 2018-01-19 | 2018-04-26 | 日本電信電話株式会社 | 計算装置、方法及びプログラム |
CN108764688A (zh) * | 2018-05-21 | 2018-11-06 | 浙江大学 | 基于星地多源降水数据融合的冬小麦湿渍害遥感监测方法 |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN111767865A (zh) * | 2020-06-30 | 2020-10-13 | 北部湾大学 | 一种利用航拍影像和激光数据反演红树林生物量的方法 |
CN112348812A (zh) * | 2020-12-04 | 2021-02-09 | 南京大学 | 林分年龄信息测量方法及装置 |
CN113139347A (zh) * | 2021-05-10 | 2021-07-20 | 中南林业科技大学 | 一种林地旱灾风险预警方法 |
CN113348888A (zh) * | 2021-05-14 | 2021-09-07 | 温州科技职业学院 | 一种番茄嫁接育苗温度控制装置及方法 |
-
2022
- 2022-06-30 CN CN202210755517.6A patent/CN115223062B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009086158A2 (en) * | 2007-12-20 | 2009-07-09 | Imagetree Corp. | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest |
WO2010088261A1 (en) * | 2009-01-28 | 2010-08-05 | Smartcells, Inc. | Binding-site modified lectins and uses thereof |
JP2013231645A (ja) * | 2012-04-27 | 2013-11-14 | Ito En Ltd | 茶葉の摘採適性評価方法及び摘採適性評価装置、摘採適性評価システム並びにコンピュータ使用可能な媒体 |
CN107909109A (zh) * | 2017-11-17 | 2018-04-13 | 西安电子科技大学 | 基于显著性和多尺度深度网络模型的sar图像分类方法 |
JP2018067017A (ja) * | 2018-01-19 | 2018-04-26 | 日本電信電話株式会社 | 計算装置、方法及びプログラム |
CN108764688A (zh) * | 2018-05-21 | 2018-11-06 | 浙江大学 | 基于星地多源降水数据融合的冬小麦湿渍害遥感监测方法 |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN111767865A (zh) * | 2020-06-30 | 2020-10-13 | 北部湾大学 | 一种利用航拍影像和激光数据反演红树林生物量的方法 |
CN112348812A (zh) * | 2020-12-04 | 2021-02-09 | 南京大学 | 林分年龄信息测量方法及装置 |
CN113139347A (zh) * | 2021-05-10 | 2021-07-20 | 中南林业科技大学 | 一种林地旱灾风险预警方法 |
CN113348888A (zh) * | 2021-05-14 | 2021-09-07 | 温州科技职业学院 | 一种番茄嫁接育苗温度控制装置及方法 |
Non-Patent Citations (3)
Title |
---|
2017~2019年海北州植被覆盖度时空动态变化分析研究;孙蕊;郭颖;张旭;裴青生;陈艳;侯亚男;杨铭伦;;科技促进发展(第Z1期);全文 * |
Quantification of Alpine Grassland Fractional Vegetation Cover Retrieval Uncertainty Based on Multiscale Remote Sensing Data;Xingchen Lin;《 IEEE Geoscience and Remote Sensing Letters》;全文 * |
陈工 ; 李琦 ; 张彦南 ; 梁鹤鸣 ; 陈劲松 ; 刘强 ; .多源遥感信息提取桉树人工林.浙江林业科技.2018,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115223062A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN109117811A (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 | |
CN112287892A (zh) | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 | |
Röder et al. | Application of optical unmanned aerial vehicle-based imagery for the inventory of natural regeneration and standing deadwood in post-disturbed spruce forests | |
CN114740180A (zh) | 基于多源遥感数据的土壤有机碳估算方法及装置 | |
CN111950336B (zh) | 基于背包式激光雷达的植被冠层生态水估算方法 | |
Han et al. | Extraction of multilayer vegetation coverage using airborne LiDAR discrete points with intensity information in urban areas: A case study in Nanjing City, China | |
CN110378925B (zh) | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 | |
CN112861435B (zh) | 一种红树林质量遥感反演方法及智能终端 | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN115223062B (zh) | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 | |
CN113869370A (zh) | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 | |
CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
Pádua et al. | UAS-based imagery and photogrammetric processing for tree height and crown diameter extraction | |
Pádua et al. | Classification of an agrosilvopastoral system using RGB Imagery from an unmanned aerial vehicle | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与系统 | |
CN115223061A (zh) | 基于uav数据的桉树人工林短时间跨度生长量提取方法 | |
Rinnamang et al. | Estimation of aboveground biomass using aerial photogrammetry from unmanned aerial vehicle in teak (Tectona grandis) plantation in Thailand | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
CN115631424A (zh) | 基于时间序列卫星影像的桉树人工林月尺度林龄反演方法 | |
Raeva et al. | Optimized post-processing of multiple UAV images for forestry inspections | |
Zimmermann et al. | Accuracy assessment of normalized digital surface models from aerial images regarding tree height determination in Saxony, Germany | |
RU2773144C1 (ru) | Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки | |
Xu | Obtaining forest description for small-scale forests using an integrated remote sensing approach |
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 |