CN115422309B - 一种基于神经网络的大尺度林龄遥感反演方法 - Google Patents
一种基于神经网络的大尺度林龄遥感反演方法 Download PDFInfo
- Publication number
- CN115422309B CN115422309B CN202210798910.3A CN202210798910A CN115422309B CN 115422309 B CN115422309 B CN 115422309B CN 202210798910 A CN202210798910 A CN 202210798910A CN 115422309 B CN115422309 B CN 115422309B
- Authority
- CN
- China
- Prior art keywords
- data
- forest
- canopy height
- remote sensing
- age
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000001556 precipitation Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 239000002028 Biomass Substances 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 238000001308 synthesis method Methods 0.000 claims description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000001737 promoting effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 239000004235 Orange GGN Substances 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 210000000020 growth cone Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- -1 red Chemical compound 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于神经网络的大尺度林龄遥感反演方法，属于森林资源调查技术领域，基于ICESat‑2星载激光雷达数据所提供的ATL08不连续的冠层高度点数据，借助BP神经网络融合MDOIS BRDF、高程数据DEM以及气温、降水等空间连续的遥感数据，将不连续的ATL08冠层高度点数据扩展到连续空间上，然后借助冠层高度‑林龄公式，从而获取大尺度上的林龄空间分布图。本发明相较于以往的光学遥感为主的林龄反演手段，避免了林龄对遥感信号不太敏感的缺点，借助冠层高度这一中间变量将遥感数据与林龄结合起来，对于从遥感数据估计林龄非常有用；且所采用的数据，较易获取，在时空维度上具有较好的适用性。
Description
技术领域
本发明属于森林资源调查技术领域，具体涉及一种基于神经网络的大尺度林 龄遥感反演方法。
背景技术
林龄是指林分中树木的平均年龄，林龄结构信息能够有效反映森林群落的不 同生长阶段的固态能力，对于评估森林生态系统的健康状况具有重要的意义，是 极其重要的森林结构参数。研究掌握林龄的时空分布特征，对于研究森林灾害如 森林火灾、病虫害等灾害至关重要，有利于林业管理部门制定合理的营林策略， 应对气候变暖背景下的森林灾害频发的严峻形势。
传统林龄获取的方法多是样地清查，通过生长锥取样等，会导致林木损伤。 故发展了间接估算方法，利用较易测量的其他森林结构参数如树高、胸径等，以 此来建立其与林龄的生长模型。但生长模型所需数据同样依赖于样地调查，亦存 在样地调查固有的缺点：费时费力，且在偏远的天然林等难以到达的林区缺乏观 测。此外传统调查难以进行重复性取样使得结果包含空间异质性，在大尺度研究应用方面也受到限制。而遥感具有大尺度观测成本较低的特点，因此遥感估测法 是区域和全球范围林龄数据提取的最便捷高效的方法。
然而单纯遥感技术是无法直接测算获取林龄数据，以往的研究多是通过将地 物的光谱信息与实地采样的林龄信息结合，建立回归模型，从而推广至大空间范 围内。
发明内容
本发明解决的技术问题：提供一种通过冠层高度这一中间量，将遥感数据与 林龄结合起来，基于ICESat-2/ATL08冠层高度数据，并融合MDOIS BRDF、高程 数据DEM以及气温、降水等空间连续的遥感数据，通过冠层高度-林龄公式，实现获取大尺度范围林龄的空间分布的技术，为林业资源管理、森林质量精准提升 提供数据支持的基于神经网络的大尺度林龄遥感反演方法。
技术方案：为了解决上述技术问题，本发明采用的技术方案如下：
一种基于神经网络的大尺度林龄遥感反演方法，包括以下步骤：
S1：获取ICESat-2星载激光雷达数据所提供的ATL08不连续的冠层高度点 数据，并对数据进行预处理；
S2：将预处理后的数据结合MDOIS BRDF、高程数据DEM以及年均气温、 年总降水数据，借助BP神经网络拟合，将不连续的ICESat-2/ATL08冠层高度点 数据推广至连续的空间上；
S3：采用冠层高度-林龄公式，推算出林龄的空间分布。
进一步地，步骤S1的具体实现方法为：
S11：首先，从ICESat-2/ATL08数据产品中提取冠层高度数据及其相关的属 性参数作为数据质量控制的筛选条件；
S12：其次，根据冠层高度产品GFHD进行不合理数据初步剔除；
S13：然后结合ICESat-2/ATL08属性参数进一步精细化筛选，仅保留生长季 时期、夜间强激光模式下且云量较低的数据。
进一步地，步骤S2的具体实现方法为：
S21：将步骤S1得到的点数据进行矢量化，然后将矢量化后的点数据再进 行网格化处理为栅格数据；
S22：提取与叶绿素最为相关的红、蓝以及近红外波段三个波段，将BRDF 双线性插值法重采样为1km×1km的分辨率，通过最大值合成法，将日值数据合 成为年值数据；
S23：高程数据DEM采用双线性插值法重采样为1km×1km的分辨率，气 象数据采用克里金插值法插值为1km×1km的分辨率，将月值数据合成为年值数据；
S24：提取点数据所对应位置的高程数据DEM；
S25：提取点数据所对应位置的年均温、年总降水数据
S26：利用BP神经网络拟合ICESat-2/ATL08冠层高度数据和MDOIS BRDF、 高程数据DEM以及年均温、年总降水数据；
S27：将提取的MDOIS BRDF、高程数据DEM以及年均温、年总降水作为 输入数据，ATL08冠层高度点数据作为输出数据，进行训练模型，并进行模型运 算；
S28：利用训练好的模型将不连续的点数据推广为连续的空间面数据，从而 获得大尺度空间上连续的冠层高度数据。
进一步地，步骤S21中，首先利用Python的geopandas包将提取的txt文本 数据转换为shp格式的矢量点数据，后借助arcpy将矢量化后的点数据再进行网 格化处理为1km×1km的栅格数据。
进一步地，步骤S3的具体实现方法为：
基于S2获得的连续的冠层高度空间分布，根据中国不同地区、不同林型冠 层高度-林龄公式，结合行政区划数据和土地利用数据MCD12Q1，分地区和森林类型的带入其中，从而获得林龄的空间分布图。
有益效果：与现有技术相比，本发明具有以下优点：
本发明的基于神经网络的大尺度林龄遥感反演方法，相较于以往的光学遥 感为主的林龄反演手段，本研究避免了林龄对遥感信号(如陆地卫星TM信号) 不太敏感的缺点，借助冠层高度这一中间变量将遥感数据与林龄结合起来，对于 从遥感数据估计林龄非常有用。且本研究的所采用的数据，较易获取，在时空维 度上具有较好的适用性。
附图说明
图1是基于神经网络的大尺度林龄遥感反演方法技术路线图；
图2是ICESat-2卫星飞行方向与激光模式示意图；
图3是西南地区ATL08产品筛选后的冠层高度点数据的空间分布图；
图4是BP神经网络的误差统计；
图5是BP神经网络获取的西南地区连续冠层高度的空间分布图；
图6是西南地区森林类型的空间分布图；
图7是西南地区林龄的空间分布图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，实施例在以本发明技术方案为前 提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1所示，本发明的基于神经网络的大尺度林龄遥感反演方法，基于最新 的ICESat-2星载激光雷达数据所提供的ATL08不连续的冠层高度点数据，借助BP 神经网络融合MDOIS BRDF、高程数据DEM以及气温、降水等空间连续的遥感 数据，将不连续的ATL08冠层高度点数据扩展到连续空间上，然后借助冠层高度 -林龄的经验公式，从而获取大尺度上的林龄空间分布图。具体实现步骤如下：
步骤S1：从ICESat-2/ATL08数据产品中提取冠层高度数据及其相关属性参 数，将属性参数作为数据质量控制的筛选条件。首先根据冠层高度产品GFHD (Global ForestHeights dataset)进行初步剔除不合理数据，然后结合 ICESat-2/ATL08属性参数进一步精细化筛选，仅保留生长季(5-10月)时期的 夜间强激光模式下，且云量较低的数据；
步骤S1的具体实现方法为：
S11：首先获取生长季(5-10月)的ATL08数据，借助Python的h5py包， 从ATL08产品中提取如表1中所示的各项属性数据。
从ICESat-2/ATL08数据产品中提取的各项属性参数如下表所示：
表1 ICESat-2/ATL08数据参数说明表
| 参数 | 说明 |
| Longitude | 经度 |
| Latitude | 纬度 |
| Cloud flag atm | 云量标志，大于0表示有云或气溶胶存在，有效范围：0-10。 |
| Wight flag | 夜间标志，0为白天，1为夜晚。 |
| Canopy flag | 冠层标志，0为非冠层，1为冠层。 |
| Orient | 卫星飞行方向，0为向后，1为向前。 |
| Mean canopy height | 平均冠层高度。 |
S12：参照现有的全球冠层高度产品GFHD剔除冠层高度大于40m或者小 于3m的不合理的数据点。
S13：依据属性字段筛选出夜间强激光模式下，具有冠层标志且云量小于等 于20％的数据。
本实施例中，根据图1中ICESat-2卫星的飞行方向与激光模式示意图，仅 保留生长季时期强激光模式下，具有冠层标志(Canopy flag＝1)、云量低于20％ (Cloud flagatm≤2)且夜间探测(Night flag＝1)的数据。
步骤S2：将筛选后的数据结合MDOIS(Moderate-resolution ImagingSpectroradiometer)BRDF(Bidirectional Reflectance Distribution Function)、高程数据DEM(Digital Elevation Model)以及气温、降水等气象数据，借助BP(BackPropagation)，从而将不连续的ICESat-2/ATL08点数据推广至连续的空间上；步 骤S2的具体实现方法为：
S21：首先利用Python的geopandas包将步骤S1得到的清洗过的txt文本数 据转换为shp格式的矢量点数据，坐标系定义为WGS84，后借助arcpy将矢量化 后的点数据再进行网格化处理为1km×1km的栅格数据。鉴于ATL08点数据的 分辨率为100m×14m这就会存在多个点数据共存于一个网格的情况，由于本发明所需要的为平均冠层高度，故采用求均值的方法，将多个点数据转为栅格尺度 的数据。
S22：MDOIS BRDF产品MCD43A1数据中提供了多个可见光、近红外等波 段，每个波段又包含3个反射参数。提取与叶绿素最为相关的三个波段，即红、 蓝以及近红外波段。借助Modis Tools将BRDF双线性插值法重采样为1km×1km 的分辨率。借助Python GDAL包通过最大值合成法，将日值数据合成为年值数据。
S23：高程数据DEM采用双线性插值法重采样为1km×1km的分辨率。气 温、降水等气象数据采用克里金插值法插值为1km×1km的分辨率。借助Python GDAL包将月值数据合成为年值数据；
S24：借助ArcGIS，提取点数据所对应位置的高程数据DEM。
S25：借助ArcGIS，提取点数据所对应位置的年均温、年总降水数据。
S26：借助Matlab，利用BP神经网络结合Levenberg-Marquardt算法拟合 ICESat-2/ATL08冠层高度数据和MDOIS BRDF、高程数据DEM以及年均温、 年总降水数据。
BP神经网络的拓扑结构包括输入层、隐含层和输出层，学习规则是梯度下 降法，通过反向传播不断调整网络间的权值和阈值，以期网络的误差平方和达到 最小。但BP算法速度很慢，我们主要采用数值优化算法Levenberg-Marquardt 算法(简称L-M)改进BP神经网络方案，具体为：
在神经网络算法运行中，设W(k)表示第k次迭代的网络权值向量，第k+1 次的权值向量W(k+1)为：
W(k+1)＝W(k)+ΔW(k)
误差指标函数E(W)为：
式中，e(W)＝[e1(W)，e2(W)，...，eN(W)]T表示期望输出与实际输出的误差差 值，ti、oi则分别为期望输出与实际输出的误差，N为输出向量维数。则：
其中，
表示E(W)的Hessian矩阵，/>
表示E(W)的梯度，J(W) 为Jacobian矩阵。
对于L-M算法，设比例系数μ＞0，I表示单位矩阵，则，
ΔW＝-[JT(W)J(W)+μI]-1J(W)e(W)
在实际计算中，μ是一个试探性参数，如果ΔW能使E(W)降低，则μ降低；反 之增加。
S27：借助Matlab，将提取的MDOIS BRDF、高程数据DEM以及年均温、 年总降水作为神经网络的输入层数据，ATL08冠层高度点数据作为输出层数据， 进行训练模型。将上述数据按3∶1∶1的比例划分为训练集、校正集和测试集；设 定最大训练次数为1000次，误差阈值为0.001，进行模型运算。
S28：基于S27，将误差平方和最小的训练模型用于把ATL08不连续的点数 据推广为连续的空间面数据，从而获得大尺度空间上连续的冠层高度数据。
步骤S3：借助冠层高度-林龄公式，根据不同地区不同森林类型采用不同的 经验公式，最终通过冠层高度推算出林龄的连续空间分布。具体实现方法为：
结合步骤S2得到空间上连续的冠层高度数据。叠加行政区划数据和土地利 用数据，分地区和森林类型分别应用不同的冠层高度-林龄公式，由冠层高度推 算林龄，从而获取林龄的空间分布。
基于S2获得的连续的冠层高度空间分布，根据森林型冠层高度-林龄公式， 定义林龄为：
A＝f1(B)＝f1(f2(H))
其中，A代表林龄，f1表示林龄与生物量关系的函数，f2表示生物量与树高关 系的函数，B表示生物量，H表示冠层高度，即树高信息。
根据现有的基于森林类型对中国各地区生物量-树高关系数据统计，发现幂 函数在我国几乎所有地区都适用，拟合结果R2＞0.60(P＝0.01)，说明这一统计 结果在我国的适用性。见表2。
本发明根据这一现有结果，结合行政区划数据和土地利用数据MCD12Q1， 分地区和森林类型的带入其中，从而获得林龄的空间分布图。
表2不同森林类型林龄与冠层的关系
注：A为林龄(a)，H为冠层高度(m)。
本发明以中国西南三省一市即云南、贵州、四川、重庆(97°E-111°E，21°N -35°N)为实施例验证本发明的方法：
研究中所采用的数据参见下表3：
表3数据说明表
ICESat-2/ATL08数据的处理
考虑到西南天然林在过去的两年中森林高度的变化是非常微小的，可以忽略 不计。本文获取了2019和2020两年生长季(5-10月)的ATL08数据，作为西 南林区冠层高度数据。由于弱激光模式下的数据准确性不高、夜间观测数据的精 度高于白天的观测数据。本文选择夜间强激光模式下，具有冠层标志且云量小于 等于20％的数据。
根据现有的冠层高度产品GFHD，移除冠层高度小于3m或大于40m的不合 理数据。鉴于ATL08点数据的分辨率为100m×14m，这就导致多个点存在于一 个栅格的情况，本文采取求均值的方法将多个点数据转化为栅格尺度的数据。图 5显示了经过上述一系列处理后保留的101,873个栅格点数据绘制的ATL08森林 冠层高度图，高度范围：3-40m，平均高度为15m。
①MODIS BRDF等数据的处理
MODIS的BRDF产品可以较好地反映各像素的各向异性特征，已被用来反 演植被结构参数。BRDF产品中的MCD43A1数据中提供了多个可见光、近红外 等波段，每个波段又包含3个反射参数。本研究选与叶绿素最为相关的三个波段， 即红、蓝以及近红外波段。借助Modis Tools将BRDF双线性插值法重采样为1km ×1km的分辨率。借助Python GDAL包通过最大值合成法，将日值数据合成为 年值数据。高程DEM以及年均气温、年总降水数据分别采用双线性插值重采样 和克里金插值，均处理为1km×1km的分辨率。
②BP神经网络的构建
本文采用BP神经网络建立MODIS BRDF数据与ATL08树高数据之间的关 系模型，结合高程DEM以及年均气温、年总降水等与森林生长相关的参数。输 入层一共有12个节点，分别是MCD43A1产品中红、蓝、近红外波段的三个反 射参数，DEM、年均温以及年总降水。输出层为冠层高度，将数据按3:1:1的比 例划分为训练集、校正集和测试集；设定最大训练次数为1000次，误差阈值为 0.001。经过反复尝试，联合ATL08森林冠层高度数据与MODIS BRDF数据建 立的BP神经网络模型的隐含层为25个。模型的误差统计和结果见图4。
③林龄的推算
结合图5、图6和表3，根据西南地区不同的森林类型运用不同的高度-林龄 公式，推算得到西南地区林龄的空间分布图(图7)。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技 术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些 改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于神经网络的大尺度林龄遥感反演方法，其特征在于，包括以下步骤：
S1:获取ICESat-2星载激光雷达数据所提供的ATL08不连续的冠层高度点数据，并对数据进行预处理；
S2：将预处理后的数据结合MDOIS BRDF、高程数据DEM以及年均气温、年总降水数据，借助BP神经网络运用Levenberg-Marquardt算法拟合，将不连续的ICESat-2/ATL08冠层高度点数据推广至连续的空间上；具体实现方法为：
S21：将步骤S1得到的点数据进行矢量化，然后将矢量化后的点数据再进行网格化处理为栅格数据；
S22：提取与叶绿素最为相关的红、蓝以及近红外波段三个波段，将BRDF双线性插值法重采样为1km×1km的分辨率，通过最大值合成法，将日值数据合成为年值数据；
S23：高程数据DEM采用双线性插值法重采样为1km×1km的分辨率，气象数据采用克里金插值法插值为1km×1km的分辨率，将月值数据合成为年值数据；
S24：提取点数据所对应位置的高程数据DEM；
S25：提取点数据所对应位置的年均温、年总降水数据；
S26：利用BP神经网络拟合ICESat-2/ATL08冠层高度数据和MDOIS BRDF、高程数据DEM以及年均温、年总降水数据；
S27：将提取的MDOIS BRDF、高程数据DEM以及年均温、年总降水作为输入数据，ATL08冠层高度点数据作为输出数据，进行训练模型，并进行模型运算；
S28：利用训练好的模型将不连续的点数据推广为连续的空间面数据，从而获得大尺度空间上连续的冠层高度数据；
S3：采用冠层高度-林龄公式，推算出林龄的空间分布；
结合步骤S2得到空间上连续的冠层高度数据，叠加行政区划数据和土地利用数据据MCD12Q1，分地区和森林类型分别应用不同的冠层高度-林龄公式，由冠层高度推算林龄，从而获取林龄的空间分布；
基于S2获得的连续的冠层高度空间分布，根据森林型冠层高度-林龄公式，定义林龄为：
A＝f1(B)＝f1(f2(H))
其中，A代表林龄，f1表示林龄与生物量关系的函数，f2表示生物量与树高关系的函数，B表示生物量，H表示冠层高度，即树高信息。
2.根据权利要求1所述的基于神经网络的大尺度林龄遥感反演方法，其特征在于：步骤S1的具体实现方法为：
S11：首先，从ICESat-2/ATL08数据产品中提取冠层高度数据及其相关的属性参数作为数据质量控制的筛选条件；
S12：其次，根据冠层高度产品GFHD进行不合理数据初步剔除；
S13：然后结合ICESat-2/ATL08属性参数进一步精细化筛选，仅保留生长季时期、夜间强激光模式下且云量较低的数据。
3.根据权利要求1所述的基于神经网络的大尺度林龄遥感反演方法，其特征在于：步骤S21中，首先利用Python的geopandas包将提取的txt文本数据转换为shp格式的矢量点数据，后借助arcpy将矢量化后的点数据再进行网格化处理为1km×1km的栅格数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210798910.3A CN115422309B (zh) | 2022-07-07 | 2022-07-07 | 一种基于神经网络的大尺度林龄遥感反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210798910.3A CN115422309B (zh) | 2022-07-07 | 2022-07-07 | 一种基于神经网络的大尺度林龄遥感反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115422309A CN115422309A (zh) | 2022-12-02 |
| CN115422309B true CN115422309B (zh) | 2023-05-23 |
Family
ID=84196235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210798910.3A Active CN115422309B (zh) | 2022-07-07 | 2022-07-07 | 一种基于神经网络的大尺度林龄遥感反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115422309B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116518916A (zh) * | 2023-01-19 | 2023-08-01 | 昆明理工大学 | 一种基于卫星测高数据评价dem精度的方法、系统及计算机 |
| CN117435848B (zh) * | 2023-12-06 | 2024-03-12 | 天津师范大学 | 基于卫星多角度指数的大尺度森林高度反演方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760565A (zh) * | 2014-02-10 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 一种区域尺度森林冠层高度遥感反演方法 |
| CN106815551A (zh) * | 2016-12-08 | 2017-06-09 | 新疆农业大学 | 一种森林资源管理的变异函数参数拟合的优化方法 |
| CN109061601A (zh) * | 2018-08-09 | 2018-12-21 | 南京林业大学 | 一种基于无人机激光雷达反演人工林森林结构参数的方法 |
| CN111797186A (zh) * | 2020-06-17 | 2020-10-20 | 南开大学 | 一种遥感反演水体cod的方法 |
| CN112649372A (zh) * | 2020-11-27 | 2021-04-13 | 中国科学院东北地理与农业生态研究所 | 一种基于机器学习的遥感反演森林郁闭度的方法 |
| CN113205475A (zh) * | 2020-01-16 | 2021-08-03 | 吉林大学 | 基于多源卫星遥感数据的森林高度反演方法 |
| CN114037911A (zh) * | 2022-01-06 | 2022-02-11 | 武汉大学 | 一种顾及生态分区的大尺度森林高度遥感反演方法 |
-
2022
- 2022-07-07 CN CN202210798910.3A patent/CN115422309B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760565A (zh) * | 2014-02-10 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 一种区域尺度森林冠层高度遥感反演方法 |
| CN106815551A (zh) * | 2016-12-08 | 2017-06-09 | 新疆农业大学 | 一种森林资源管理的变异函数参数拟合的优化方法 |
| CN109061601A (zh) * | 2018-08-09 | 2018-12-21 | 南京林业大学 | 一种基于无人机激光雷达反演人工林森林结构参数的方法 |
| CN113205475A (zh) * | 2020-01-16 | 2021-08-03 | 吉林大学 | 基于多源卫星遥感数据的森林高度反演方法 |
| CN111797186A (zh) * | 2020-06-17 | 2020-10-20 | 南开大学 | 一种遥感反演水体cod的方法 |
| CN112649372A (zh) * | 2020-11-27 | 2021-04-13 | 中国科学院东北地理与农业生态研究所 | 一种基于机器学习的遥感反演森林郁闭度的方法 |
| CN114037911A (zh) * | 2022-01-06 | 2022-02-11 | 武汉大学 | 一种顾及生态分区的大尺度森林高度遥感反演方法 |
Non-Patent Citations (7)
| Title |
|---|
| 廖凯涛 ; 齐述华 ; 王成 ; 王点 ; .结合GLAS和TM卫星数据的江西省森林高度和生物量制图.遥感技术与应用.2018,(第04期), * |
| 李凡 ; 李明泽 ; 史泽林 ; 姜宏宇 ; 安金鹏 ; .基于遥感数据与森林详查估算林龄的空间分布.森林工程.2018,(第02期), * |
| 杨婷 ; 王成 ; 李贵才 ; 骆社周 ; 习晓环 ; 高帅 ; HongCheng ZENG ; .基于星载激光雷达GLAS和光学MODIS数据中国森林冠层高度制图.中国科学:地球科学.2014,(第11期), * |
| 汤旭光 ; 刘殿伟 ; 王宗明 ; 贾明明 ; 董张玉 ; 刘婧怡 ; 徐文明 ; .森林地上生物量遥感估算研究进展.生态学杂志.2012,(第05期), * |
| 田静 ; 邢艳秋 ; 姚松涛 ; 曾旭婧 ; 焦义涛 ; .基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较.林业科学.2017,(第02期), * |
| 高凯旋 ; 焦海明 ; 王新闯 ; .融合影像纹理、光谱与地形特征的森林冠顶高反演模型.国土资源遥感.(第03期), * |
| 高婷 ; 李卫忠 ; 赵鹏祥 ; 张晓丽 ; 高凌寒 ; .基于ArboLiDAR的大野口林区森林参数估测.西北林学院学报.2017,(第04期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115422309A (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115422309B (zh) | 一种基于神经网络的大尺度林龄遥感反演方法 | |
| CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
| CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
| Justice et al. | Monitoring East African vegetation using AVHRR data | |
| US20230213337A1 (en) | Large-scale forest height remote sensing retrieval method considering ecological zoning | |
| Dente et al. | Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield | |
| US8352410B2 (en) | Method and system for estimating vegetation growth relative to an object of interest | |
| Su | Remote sensing of land use and vegetation for mesoscale hydrological studies | |
| Sakamoto et al. | A crop phenology detection method using time-series MODIS data | |
| Xiao et al. | Landscape-scale characterization of cropland in China using Vegetation and Landsat TM images | |
| 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 | |
| CN107014753B (zh) | 作物长势监测方法和系统 | |
| CN108932521B (zh) | 一种基于深度学习的农作物分类方法及系统 | |
| CN110927120B (zh) | 一种植被覆盖度预警方法 | |
| CN101672768B (zh) | 海上浓雾条件下大气水平能见度场的获取方法 | |
| Žuvela-Aloise et al. | Reconstructing urban climate of Vienna based on historical maps dating to the early instrumental period | |
| CN115952702A (zh) | 一种基于forcchn模型和遥感数据的森林nep的计算方法 | |
| CN116307754A (zh) | 基于卫星观测和地理信息数据的夜间经济水平估算方法及系统 | |
| CN117114147A (zh) | 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置 | |
| Chemin et al. | Spatiotemporal fusion of rice actual evapotranspiration with genetic algorithms and an agrohydrological model | |
| Colwell | Remote Sensing as an Aid to the Management of Earth Resources: Technological developments centered around the Earth Resources Technology Satellite, ERTS-1, show great promise of helping to husband the dwindling supply of natural resources | |
| CN117765387A (zh) | 一种适用于复杂环境的耕地非粮化遥感监测方法 | |
| Hoepffner et al. | Depth-integrated primary production in the eastern tropical and subtropical North Atlantic basin from ocean colour imagery | |
| Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
| CN117611993A (zh) | 一种基于遥感实际蒸散发估算植被分类的方法 |
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 |