CN115561773A - 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 - Google Patents
基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 Download PDFInfo
- Publication number
- CN115561773A CN115561773A CN202211534318.9A CN202211534318A CN115561773A CN 115561773 A CN115561773 A CN 115561773A CN 202211534318 A CN202211534318 A CN 202211534318A CN 115561773 A CN115561773 A CN 115561773A
- Authority
- CN
- China
- Prior art keywords
- forest
- data
- feature
- sample
- agb
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于ICESat‑2星载LiDAR数据与多光谱数据的森林碳储量反演方法及系统,包括获取研究区域的GF‑6 WFV多光谱影像、ICESat‑2星载LiDAR ATL08数据和ALOS DEM数据并进行预处理;在研究区域内布设适量样方,计算样方内森林AGB;由多光谱影像提取光谱特征和纹理特征,ATL08数据提取冠层高度,ALOS DEM数据提取地形特征;联合光谱特征、纹理特征、冠层高度和地形特征构建森林AGB的随机森林回归模型;基于谱聚类的特征得分进行特征选择,并优化模型参数;利用最优模型和最佳特征子集反演研究区域内森林AGB,通过含碳率计算森林碳储量,生成20m森林AGB和碳储量分布图;本发明能够联合星载高分辨率多光谱影像和LiDAR影像进行森林碳储量反演,生成大范围的20m分辨率森林碳储量分布图。
Description
技术领域
本发明涉及林业碳汇遥感技术领域,尤其涉及基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法。
背景技术
森林是地球生态系统的主体,在调节气候、固土防沙、缓解温室效应等方面有着至关重要的作用,同时,森林极强的固碳释氧功能在全球碳循环中做出了重大贡献,在人类活动加剧、碳排放日益增加的当下,森林维持碳收支平衡的功能不可替代。而森林生物量和碳储量反映森林碳库的丰富程度,其研究可以为维持全球生态平衡和良性碳循环提供有益的建议和支持。由于森林覆盖面积极广,且其内部结构复杂,难以较精确地估测森林生物量和碳储量。传统的实地抽样估测方法通过测量单木参数如树高、胸径等,结合异速生长模型估算森林生物量,或进行破坏性采样,实验室称重计算,结果较精确但耗费大量人力物力,且难以大范围推行使用。使用遥感反演的方法可以快速获取宏观尺度的森林生物量和碳储量的估算结果,无需对森林植被进行破坏,减少了测量消耗的时间和财力。
基于植被含碳系数,森林碳储量与森林生物量有稳定的转换关系,常通过估算森林生物量间接估算森林碳储量。森林地上生物量(AGB)的遥感反演方法依照数据源可以分为光学遥感反演、SAR反演、LiDAR反演及多源数据反演等。光学遥感反演方法主要是利用光学遥感影像提取光谱、纹理等水平林分特征,与森林AGB进行回归分析;SAR及InSAR利用微波波段穿透植被冠层,获取树木茎和枝叶等垂直林分结构信息,根据后向散射系数估算生物量;LiDAR通过接收激光回波形成点云,能够做到样地尺度和单木尺度的三维结构信息与能量信息获取,常用于冠层高度估算。
现有技术中,多数森林AGB反演采用多源数据,将反映森林水平特征的光学影像与反映森林垂直结构信息的LiDAR或SAR数据相结合,使AGB估算更精确。但是,大范围森林AGB反演方法使用的数据分辨率普遍不足,高分辨率反演通常采用的是机载高分数据,获取范围有限且成本高。也就是说,现有的方法因数据源分辨率较低、缺乏大范围垂直结构信息导致森林碳储量反演效果不佳。
发明内容
本发明提供了一种基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,用以解决或者至少部分解决现有技术中因数据源分辨率较低、缺乏大范围垂直结构信息导致森林碳储量反演效果不佳的技术问题。
为了解决上述技术问题,本发明第一方面提供了基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,包括:
S1:获取研究区范围的GF-6光学遥感数据、ICESat-2激光雷达数据与ALOS卫星DEM产品,并对获取的三类数据进行预处理,其中GF-6光学遥感数据为高分6号宽幅多光谱影像数据、ICESat-2星载激光雷达数据为其ATL08陆地和冠层高度20m分段产品、ALOS DEM为分辨率12.5m的地形高程数据;
S2:调查研究区域内的优势林种,并布设样方,测量样方内的林分参数,基于测量得到的林分参数利用异速生长模型计算样方内森林地上生物量:森林AGB;
S3:从预处理后的高分6号宽幅多光谱影像数据中提取光谱特征和纹理特征,从预处理后的ATL08数据中提取冠层高度特征,从ALOS DEM数据中提取地形特征;
S4:将样方内森林地上生物量AGB作为响应变量,样方对应位置处的特征值作为预测变量组成训练数据,构建森林AGB的随机森林回归模型,采用十折交叉验证法评价随机森林回归模型的精度,随机森林回归模型的参数包括每棵决策树分裂所抽取的特征数m与决策树的棵数n,样方对应位置处的特征值包括S3中提取的光谱特征、纹理特征、地形特征、冠层高度特征在样方对应位置处的取值;
S5:根据基于谱聚类的特征得分进行特征选择,得到最佳特征子集,其中,特征得分基于特征区分度与特征独立性计算得到;
S6:将最佳特征子集作为输入,通过逐个测试的方法找出随机森林回归模型的训练过程中均方误差最小时m的值,通过观察模型训练过程的袋外错误率曲线确定n的值,m的值和n的值作为最优参数,基于最优参数得到最优随机森林回归模型;
S7:利用所述最优随机森林回归模型和所述最佳特征子集估算研究区域全区域的森林AGB,并通过生物量-碳储量转换因子计算森林碳储量,生成研究区域全区域的森林AGB。
在一种实施方式中,S1中对获取的三类数据进行预处理,包括:
对高分6号宽幅多光谱影像数据进行正射校正、辐射定标和大气校正,得到实际的地表反射率;
对ATL08 数据根据光子数量、光子类型、光束能量、地表覆盖类型、质量控制进行筛选,剔除粗差,得到筛选后的光子冠层高度数据,并通过克里金插值方法将冠层高度数据从ICESat-2足迹点尺度外推至全研究区覆盖;
将得到实际的地表反射率的多光谱影像、插值后的冠层高度数据和ALOS DEM数据重采样至20m分辨率,将重采样后的多光谱影像、冠层高度数据和ALOS DEM数据进行互相配准。
在一种实施方式中,步骤S2包括:
S2.1:调查研究区域内的优势林种,布设预设数量均匀分布、覆盖所有优势林种的20m×20m样方;
S2.2:采用每木检尺法测量样方内所有树木的树高、胸径、林种和中心坐标,其中胸径是树木主干距离地表1.3m处的直径,树高不足1.3m的以底径代替,计算样方平均林分高和平均胸径,样方平均林分高为样方内所有树木的树高的平均值;
S2.3:基于S2.2计算的样方平均林分高、平均胸径,利用立木二元异速生长模型计算样方内森林AGB。
在一种实施方式中,步骤S3中:
提取的光谱特征包括宽幅多光谱影像的7个单波段B1、B2、B3、B4、B5、B6、B7、单波段进行PCA分析后的前3个主成分PCA1、PCA2、PCA3、归一化植被指数NDVI、比值植被指数RVI、增强植被指数EVI、土壤调节植被指数SAVI、改进型土壤调节植被指数MSAVI、地面叶绿素指数MTCI、归一化差值红边指数NDRE1;
提取的纹理特征包括7个单波段的二阶概率矩阵的均值Mean、方差Variance、协同性Homogeneity、对比度Contrast、相异性Dissimilarity、信息熵Entropy、二阶矩SecondMoment和相关性Correlation共56个纹理特征的前10个主成分texture1~texture10;
提取的地形特征包括地面高程DEM、坡度slope和坡向aspect。
在一种实施方式中,步骤S4包括:
S4.1:提取步骤S3所计算的光谱特征、纹理特征、地形特征以及冠层高度特征在样方位置处的取值,并进行归一化处理,将所有变量映射到[0, 1]的区间内;
S4.2:将样方实测AGB作为响应变量,S4.1中归一化处理后的特征值作为预测变量,建立随机森林回归模型,并采用十折交叉验证法评价模型精度。
在一种实施方式中,步骤S5包括:
S5.1:对步骤S3提取的所有特征进行谱聚类,得到K个特征簇,K为大于1的正整数;
S5.2:基于得到的特征簇计算各特征的得分score作为特征选择的重要性指标,其中,每个特征簇中score最高的特征作为该簇的核心特征;
S5.3:在保留每个特征簇的核心特征的前提下,按照score从低到高的顺序删去重要性低的特征,得到不同的特征子集,将不同的特征子集输入随机森林回归模型中进行测试,将测试过程中模型精度最高对应的特征子集作为最佳特征子集。
在一种实施方式中,步骤S5.2中特征的得分score的计算方式为:
其中,
式中,scorep为第p个特征的得分,disp表示第p个特征的特征标准差,代表第p个特征对不同类别的区分能力,indp为与特征之间Pearson相关系数呈反比关系的参数,代表第p个特征与同簇其他特征的独立性,n为样本数,d为特征数,disq为第p个特征的第q个样本的标准差,
为d个同簇特征向量集合,f1,f2和fd表示同一个特征簇
中第1个、第2个和第d个特征向量,为第p个特征的第q个样本处的取值,为特征所在的特征簇,k = 1,2,…,K,K为特征簇数;为第p个特征与第t个特征的
Pearson相关系数。
基于同样的发明构思,本发明第二方面提供了一种基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演系统,包括:
数据获取与预处理模块,用于获取研究区范围的GF-6光学遥感数据、ICESat-2雷达激光雷达数据与ALOS卫星DEM产品,并对获取的三类数据进行预处理,其中GF-6光学遥感数据为高分6号宽幅多光谱影像数据、ICESat-2星载激光雷达数据为其ATL08陆地和冠层高度20m分段产品、ALOS DEM为分辨率12.5m的地形高程数据;
森林AGB实测模块,用于调查研究区域内的优势林种,并布设样方,测量样方内的林分参数,基于测量得到的林分参数利用异速生长模型计算样方内森林地上生物量:森林AGB;
特征提取模块,用于从预处理后的高分6号宽幅多光谱影像数据中提取光谱特征和纹理特征,从预处理后的ATL08数据中提取冠层高度特征,从ALOS DEM数据中提取地形特征;
模型构建模块,用于将样方内森林地上生物量AGB作为响应变量,样方对应位置处的特征值作为预测变量组成训练数据,构建森林AGB的随机森林回归模型,采用十折交叉验证法评价随机森林回归模型的精度,随机森林回归模型的参数包括每棵决策树分裂所抽取的特征数m与决策树的棵数n,样方对应位置处的特征值包括S3中提取的光谱特征、纹理特征、地形特征、冠层高度特征在样方对应位置处的取值;
特征选择模块,用于根据基于谱聚类的特征得分进行特征选择,得到最佳特征子集,其中,特征得分基于特征区分度与特征独立性计算得到;
模型优化模块,用于将最佳特征子集作为输入,通过逐个测试的方法找出随机森林回归模型的训练过程中均方误差最小时m的值,通过观察模型训练过程的袋外错误率曲线确定n的值,m的值和n的值作为最优参数,基于最优参数得到最优随机森林回归模型;
反演模块,用于利用所述最优随机森林回归模型和所述最佳特征子集估算研究区域全区域的森林AGB,并通过生物量-碳储量转换因子计算森林碳储量,生成研究区域全区域的森林AGB。
基于同样的发明构思,本发明第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被执行时实现第一方面所述的方法。
基于同样的发明构思,本发明第四方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的方法。
相对于现有技术,本发明的优点和有益的技术效果如下:
本发明提出的基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,由星载LiDAR获取激光雷达数据,可以节约LiDAR数据获取成本,并将获取的冠层高度特征参与森林碳储量反演,提高了反演可靠性。本发明提出将基于谱聚类的特征选择方法应用于森林碳储量预测变量选择,实现了综合特征独立性和可分离性进行特征重要性评价,相比于传统的基于Pearson相关系数或MDA(mean decrese accuracy)的特征选择方法,增强了特征重要性评价的合理性,有利于选择出最佳特征子集,减少特征维数冗余。本发明使用星载高分辨率遥感光学影像和LiDAR数据反演森林碳储量,实现了大范围内的较高分辨率森林碳储量估算,改善了反演效果,能够获得20m分辨率的森林碳储量分布图,有利于快速获取较精细的森林碳汇信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法的流程图;
图2是本发明实施例中森林AGB反演的特征变量以及计算方式示意图;
图3是本发明实施例中本发明实施例中二阶概率矩阵的纹理特征的计算方式示意图;
图4是本发明实施例中谱聚类的示意图;
图5是本发明实施例中特征选择方法的示意图;
图6是本发明实施例中优势林种的异速生长模型示意图;
图7是本发明实施例中随机森林模型参数m与模型误差MSE的关系图;
图8是本发明实施例中随机森林模型参数n与袋外错误率OBB error的关系图;
图9是本发明实施例中基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演系统的结构框图;
图10为本发明实施例提供的计算机可读存储介质的结构示意图;
图11为本发明实施例提供的计算机设备的结构示意图。
具体实施方式
本发明提供一种基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,包括:获取研究区域的GF-6 WFV多光谱影像、ICESat-2星载LiDAR ATL08数据和ALOSDEM数据并进行预处理;在研究区域内布设适量样方,测量林分参数,计算样方内森林AGB;由多光谱影像提取光谱特征和纹理特征,ATL08数据提取冠层高度,ALOS DEM数据提取地形特征;联合光谱特征、纹理特征、冠层高度和地形特征构建森林AGB的随机森林回归模型;根据基于谱聚类的特征得分进行特征选择,并优化模型参数;利用最优模型和最佳特征子集反演研究区域内森林AGB,通过含碳率计算森林碳储量,生成20m森林AGB和碳储量分布图;本发明能够联合星载高分辨率多光谱影像和LiDAR影像进行森林碳储量反演,生成大范围的20m分辨率森林碳储量分布图。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本发明实施例提供了基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,包括:
S1:获取研究区范围的GF-6光学遥感数据、ICESat-2激光雷达数据与ALOS卫星DEM产品,并对获取的三类数据进行预处理,其中GF-6光学遥感数据为高分6号宽幅多光谱影像数据、ICESat-2星载激光雷达数据为其ATL08陆地和冠层高度20m分段产品、ALOS DEM为分辨率12.5m的地形高程数据;
S2:调查研究区域内的优势林种,并布设样方,测量样方内的林分参数,基于测量得到的林分参数利用异速生长模型计算样方内森林地上生物量:森林AGB;
S3:从预处理后的高分6号宽幅多光谱影像数据中提取光谱特征和纹理特征,从预处理后的ATL08数据中提取冠层高度特征,从ALOS DEM数据中提取地形特征;
S4:将样方内森林地上生物量AGB作为响应变量,样方对应位置处的特征值作为预测变量组成训练数据,构建森林AGB的随机森林回归模型,采用十折交叉验证法评价随机森林回归模型的精度,随机森林回归模型的参数包括每棵决策树分裂所抽取的特征数m与决策树的棵数n,样方对应位置处的特征值包括S3中提取的光谱特征、纹理特征、地形特征、冠层高度特征在样方对应位置处的取值;
S5:根据基于谱聚类的特征得分进行特征选择,得到最佳特征子集,其中,特征得分基于特征区分度与特征独立性计算得到;
S6:将最佳特征子集作为输入,通过逐个测试的方法找出随机森林回归模型的训练过程中均方误差最小时m的值,通过观察模型训练过程的袋外错误率曲线确定n的值,m的值和n的值作为最优参数,基于最优参数得到最优随机森林回归模型;
S7:利用所述最优随机森林回归模型和所述最佳特征子集估算研究区域全区域的森林AGB,并通过生物量-碳储量转换因子计算森林碳储量,生成研究区域全区域的森林AGB。
具体来说,获取的三类数据包括光学遥感数据、激光雷达数据与DEM数据。
通过谱聚类可以将特征分成不同的特征簇,每个簇包含不同的特征,然后基于特征得分进行特征选择,即对聚类后得到的每个特征簇中的特征进行筛选,筛选出最佳的特征组合。
十折交叉验证法是指将样本随机分为10折,以其中1折为测试集,另外9折为训练模型的训练集,每一折都作为测试集进行一次模型训练和测试,将10次的测试集R2与RMSE均值作为一次十折交叉验证的精度。
生物量-碳储量转换因子即含碳率。
总体来说,本发明针对目前遥感反演森林碳储量所用数据源分辨率较低、缺乏大范围垂直结构信息等问题,将GF-6 WFV遥感高分影像、ICESat-2星载激光雷达数据与地形数据相结合,构建一个可用于大范围的联合多源遥感数据的高分辨率森林碳储量反演模型,可用于估算研究范围内的20m分辨率森林碳储量。
在一种实施方式中,S1中对获取的光学遥感数据、激光雷达数据与DEM数据进行预处理,包括:
对高分6号宽幅多光谱影像数据进行正射校正、辐射定标和大气校正,得到实际的地表反射率;
对ATL08 数据根据光子数量、光子类型、光束能量、地表覆盖类型、质量控制进行筛选,剔除粗差,得到筛选后的光子冠层高度数据,并通过克里金插值方法将冠层高度数据从ICESat-2足迹点尺度外推至全研究区覆盖;
将得到实际的地表反射率的多光谱影像、插值后的冠层高度数据和ALOS DEM数据重采样至20m分辨率,将重采样后的多光谱影像、冠层高度数据和ALOS DEM数据进行互相配准。
具体来说,由于星载激光LiDAR的光斑是比较离散的,因此获取的其原始数据是离散的,并非全区域覆盖,(全区域覆盖是指研究区域内每个像元都有值),在足迹覆盖范围外没有LiDAR的数据。所以,相比于机载LiDAR,星载LiDAR的预处理中要多一步数据外推,也就是通过插值或者依据其他数据进行模型拟合,将离散的数据外推至全像元覆盖。现有技术中大部分方法采用的机载LiDAR数据,因为星载LiDAR数据的处理难度较高,但是机载LiDAR获取范围有限且成本高。本发明创新性地将星载激光LiDAR与高分六号多光谱影像进行结合。对星载LiDAR数据进行数据外推采用的是克里金插值,光学遥感数据是全像元覆盖的(研究区域内每个像元都有值),星载雷达数据经过外推处理才能使光学遥感数据与LiDAR数据匹配。
在一种实施方式中,步骤S2包括:
S2.1:调查研究区域内的优势林种,布设预设数量均匀分布、覆盖所有优势林种的20m×20m样方;
S2.2:采用每木检尺法测量样方内所有树木的树高、胸径、林种和中心坐标,其中胸径是树木主干距离地表1.3m处的直径,树高不足1.3m的以底径代替,计算样方平均林分高和平均胸径,样方平均林分高为样方内所有树木的树高的平均值;
S2.3:基于S2.2计算的样方平均林分高、平均胸径,利用立木二元异速生长模型计算样方内森林AGB。
在一种实施方式中,步骤S3中:
提取的光谱特征包括GF-6 WFV的7个单波段B1、B2、B3、B4、B5、B6、B7、单波段进行PCA分析后的前3个主成分PCA1、PCA2、PCA3、归一化植被指数NDVI、比值植被指数RVI、增强植被指数EVI、土壤调节植被指数SAVI、改进型土壤调节植被指数MSAVI、地面叶绿素指数MTCI、归一化差值红边指数NDRE1;
提取的纹理特征包括7个单波段的二阶概率矩阵的均值Mean、方差Variance、协同性Homogeneity、对比度Contrast、相异性Dissimilarity、信息熵Entropy、二阶矩SecondMoment和相关性Correlation共56个纹理特征的前10个主成分texture1~texture10;
提取的地形特征包括地面高程DEM、坡度slope和坡向aspect。
具体地,用于森林AGB反演的特征如图2所示。二阶概率矩阵的纹理特征如图3所示。
在一种实施方式中,步骤S4包括:
S4.1:提取步骤S3所计算的光谱特征、纹理特征、地形特征以及冠层高度特征在样方位置处的取值,并进行归一化处理,将所有变量映射到[0, 1]的区间内;
S4.2:将样方实测AGB作为响应变量,S4.1中归一化处理后的特征值作为预测变量,建立随机森林回归模型,并采用十折交叉验证法评价模型精度。
在一种实施方式中,步骤S5包括:
S5.1:对步骤S3提取的所有特征进行谱聚类,得到K个特征簇,K为大于1的正整数;
S5.2:基于得到的特征簇计算各特征的得分score作为特征选择的重要性指标,其中,每个特征簇中score最高的特征作为该簇的核心特征;
S5.3:在保留每个特征簇的核心特征的前提下,按照score从低到高的顺序删去重要性低的特征,得到不同的特征子集,将不同的特征子集输入随机森林回归模型中进行测试,将测试过程中模型精度最高对应的特征子集作为最佳特征子集。
具体来说,特征簇是对所有特征进行谱聚类后得到的较为相似的特征组合,共分为几簇是人为设定的,通过K值来确定;同簇特征相似性高,不同簇特征间相异性较高。请参见图4,是本发明实施例中谱聚类的示意图,所有特征通过谱聚类后,得到不同的特征簇,本实施例方式中,以8个特征,得到3个特征簇(特征簇1~3)为例进行说明,对每个特征进行计算,得到每个特征的得分,将一个特征簇中得分最高的特征作为核心特征。在保留每簇核心特征(score最高的特征)的前提下按照特征得分score由低到高逐个删去其他特征,将剩下的特征输入模型,测试模型预测精度。例如,特征簇1中,删除顺序为texture2、EVI和NDVI(核心特征需要保留)。
在特征选择过程中每次输入模型的都是不同的特征组合,即特征子集,不同特征子集就是不同的特征组合。如图5所示,第一次,输入的特征组合为3个特征簇,共8个特征,第二次输入的特征组合为3个特征簇共7个特征,其他的类似,比较每一种特征组合的预测精度1-n(每一次的预测精度),如果最优的是预测精度3,那么选择对应的特征子集为最佳特征子集(即三个特征簇,共包括6个特征)。
在一种实施方式中,步骤S5.2中特征的得分score的计算方式为:
其中,
式中,scorep为第p个特征的得分,disp表示第p个特征的特征标准差,代表第p个特征对不同类别的区分能力,indp为与特征之间Pearson相关系数呈反比关系的参数,代表第p个特征与同簇其他特征的独立性,n为样本数,d为特征数,disq为第p个特征的第q个样本的标准差,
为d个同簇特征向量集合,f1,f2和fd表示同一个特征簇
中第1个、第2个和第d个特征向量,为第p个特征的第q个样本处的取值,为特征所在的特征簇,k = 1,2,…,K,K为特征簇数;为第p个特征与第t个特征的
Pearson相关系数。
现有技术中有采用随机森林模型进行叶面积指数估算的方法(方法1),但是本申请的方法与该方法的区别在于:
1. 反演对象不同:本发明所反演的是森林碳储量(森林生态系统各碳库中碳元素的储备量),方法1反演的是叶面积指数,是指单位土地面积上植物叶片总面积占土地面积的倍数。
2. 特征变量不同:本发明的反演模型选取的特征变量的数量远多于方法1(具体见附图2),方法1中仅有3个植被指数变量相同,其余的变量在该方法中均未涉及;
3. 特征选择方法不同:本发明在随机森林模型的基础上改进了变量输入模型前的特征选择方法,方法1的特征选择的标准是与LAI之间的相关性,本发明的特征选择方法是基于谱聚类的特征重要性,并且通过实验数据能够证实比简单的相关性更好地选择出最佳特征子集。
此外,现有技术中还有基于国产高分卫星遥感数据的森林蓄积量反演方法(方法2),本发明的方法与该方法的区别在于:
1. 遥感数据类型与特征变量不同:方法2只采用了光学遥感特征,本发明的创新核心在于联合了光学遥感和激光雷达数据,加入了ICESat-2 LiDAR数据计算得到的树高特征(冠层高度特征),根据异速生长模型可知森林碳储量与树高直接相关,加入树高特征将对模型的反演能力有很大的提高;
2. 采用的模型不同:本发明使用的随机森林模型被文献证实是反演森林碳储量中效果较好的模型之一,相比该方法的逐步回归模型有改进;
3. 特征选择方法不同:方法2使用相关性进行特征选择,本发明的特征选择方法是基于谱聚类的特征重要性,并且通过实验数据能够证实比简单的相关性更好地选择出最佳特征子集。
综上所述,本发明创新点主要在于将星载激光LiDAR数据与光学遥感数据结合,反演大范围的较细分辨率的森林碳储量(以往的研究中多使用机载LiDAR,不能实现大范围;或使用星载LiDAR,达不到20m分辨率);另外基于常见的随机森林模型,将特征选择方法进行改进,能够更好地衡量特征变量对于模型的重要性,选择出最佳特征子集,从而提升模型的性能,得到更为准确的反演结果。
为了更清楚地本发明中反演方法的具体实现情况,下面通过一个具体的示例进行说明:
荔波县位于贵州省东南角,总面积2431.8平方公里,地理范围为25°7′~25°39′N,107°37′~108°18′E,森林面积广阔,蕴含着丰富的生物资源与碳库。根据荔波县的森林资源历史调查结果,选择5种优势树种作为样方布设的依据,分别为杉木、马尾松、柏木、樟树、楠木。
如图1所示,本发明实施例的流程包括以下步骤:
步骤1,获取荔波县的GF-6 WFV多光谱影像、ICESat-2星载激光雷达ATL08数据和ALOS DEM数据并进行预处理;
步骤2,选取杉木、马尾松、柏木、樟树、楠木5个林种作为荔波县优势林种,在各林种区域布设40~50个20m×20m大小的样方,采用每木检尺法测量样方内所有树木的树高、胸径、林种并记录样方的中心坐标,根据国家林业局发布的《造林项目碳汇计量与监测指南》中的二元异速生长模型计算单木AGB,累计得到样方内森林AGB,优势林种的异速生长模型如图6所示,该图中,二元异速生长模型W为单木AGB,D为单木胸径,H为树高。
步骤3,利用步骤1预处理后的多光谱影像提取光谱特征和纹理特征,ATL08数据获取冠层高度,ALOS DEM数据提取地形特征。
多光谱影像的光谱特征共17个,包括GF-6 WFV的7个单波段B1、B2、B3、B4、B5、B6、B7、单波段进行PCA分析后的前3个主成分PCA1、PCA2、PCA3、归一化植被指数NDVI、比值植被指数RVI、增强植被指数EVI、土壤调节植被指数SAVI、改进型土壤调节植被指数MSAVI、地面叶绿素指数MTCI、归一化差值红边指数NDRE1。
纹理特征共10个,包括7个单波段的二阶概率矩阵的均值Mean、方差Variance、协同性Homogeneity、对比度Contrast、相异性Dissimilarity、信息熵Entropy、二阶矩SecondMoment和相关性Correlation共56个纹理特征的前10个主成分texture1~texture10。
ALOS DEM的地形特征共3个,包括地面高程DEM、坡度slope和坡向aspect。
步骤4,将样方AGB作为响应变量,提取样方位置处的步骤3所述30个特征及冠层高度作为预测变量,组成训练数据构建森林AGB的随机森林回归模型,并采用十折交叉验证法计算所得的R2与RMSE评价模型精度。
十折交叉验证法将样本数据随机均分为10组,随机选取10组中的1组作为测试集,其余9组作为训练集进行模型的训练和测试,完成后选取另1组为测试集,其余9组作为训练集,循环10次使每一组都作一次测试集,得到10次训练和测试结果,用10次测试集的R2与RMSE均值评价模型的预测精度,此过程为一次完整的十折交叉验证。为减少样本数据分组的偶然性误差,可多次重复十折交叉验证的过程取均值。本实例采用十折交叉50次循环评价模型精度。
步骤5,根据基于谱聚类的特征得分进行特征选择,并优化模型参数,包括以下几个步骤:
步骤5.1,对步骤3提取的所有特征进行谱聚类,设定聚类簇数为5,得到5个特征簇。
步骤5.2,依据特征簇计算各特征的得分score作为特征选择的重要性指标,每个特征簇中score最高的两个特征作为该簇的核心特征。
步骤5.3,在保留每个特征簇核心特征的前提下,按照score从低到高的顺序删去重要性低的特征,根据步骤4所述的模型评价方法测试不同特征子集对模型预测精度的影响,确定使模型精度最高的最佳特征子集,本实例选出的最佳特征子集包含13个特征,分别为B5、B7、PCA2、RVI、EVI、SLAVI、NDRE1、texture4、texture7、texture9、aspect、slope、tree_height。
步骤5.4,对随机森林模型中每棵决策树分裂所抽取的特征数m与决策树的棵数n两个参数,通过设置m由1到13逐个测试的方法找出模型训练过程中MSE最小的m,如图7所示;通过观察模型拟合(训练)过程的袋外错误率曲线确定n,如图8所示,确定随机森林模型参数最优值为m为4,n为200。
步骤6,利用步骤5得到的最优模型和最佳特征子集估算全区域的森林AGB,并通过生物量-碳储量转换因子计算森林碳储量,生成森林AGB和碳储量分布图。
本实例中模型预测精度R2为0.7337,均方误差RMSE为3.78 t/hm2。荔波县森林AGB主要集中在东南区域的喀斯特森林,全县AGB均值为22.43 t/hm2;生物量-碳储量转换因子采用大部分研究所用的统一值0.5,计算得荔波县总碳储量为2.73×106 t(全县AGB均值乘以该县的面积再乘以0.5)。
与现有技术相比,本发明具有如下优点:
1)设计了一种联合ICESat-2 LiDAR数据与光学遥感影像及地形特征的森林碳储量估算方法,由星载LiDAR获取冠层高度参与森林碳储量反演,节约了LiDAR数据获取成本,提高了反演可靠性。
2)本发明提出将基于谱聚类的特征选择方法应用于森林碳储量预测变量选择,实现了综合特征独立性和可分离性进行特征重要性评价,相比于传统的基于Pearson相关系数或MDA(mean decrese accuracy)的特征选择方法,增强了特征重要性评价的合理性,有利于选择出最佳特征子集,减少特征维数冗余。
3)本发明使用星载高分辨率遥感光学影像和LiDAR数据反演森林碳储量,实现了大范围内的较高分辨率森林碳储量估算,获得20m分辨率的森林碳储量分布图,有利于快速获取较精细森林碳汇信息。
实施例二
基于同样的发明构思,本实施例提供了基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演系统,请参见图9,该系统包括:
数据获取与预处理模块,用于获取研究区范围的GF-6光学遥感数据、ICESat-2激光雷达数据与ALOS卫星DEM产品,并对获取的三类数据进行预处理,其中GF-6光学遥感数据为高分6号宽幅多光谱影像数据、ICESat-2星载激光雷达数据为其ATL08陆地和冠层高度20m分段产品、ALOS DEM为分辨率12.5m的地形高程数据;
森林AGB实测模块,用于调查研究区域内的优势林种,并布设样方,测量样方内的林分参数,基于测量得到的林分参数利用异速生长模型计算样方内森林地上生物量:森林AGB;
特征提取模块,用于从预处理后的高分6号宽幅多光谱影像数据中提取光谱特征和纹理特征,从预处理后的ATL08数据中提取冠层高度特征,从ALOS DEM数据中提取地形特征;
模型构建模块,用于将样方内森林地上生物量AGB作为响应变量,样方对应位置处的特征值作为预测变量组成训练数据,构建森林AGB的随机森林回归模型,采用十折交叉验证法评价随机森林回归模型的精度,随机森林回归模型的参数包括每棵决策树分裂所抽取的特征数m与决策树的棵数n,样方对应位置处的特征值包括S3中提取的光谱特征、纹理特征、地形特征、冠层高度特征在样方对应位置处的取值;
特征选择模块,用于根据基于谱聚类的特征得分进行特征选择,得到最佳特征子集,其中,特征得分基于特征区分度与特征独立性计算得到;
模型优化模块,用于将最佳特征子集作为输入,通过逐个测试的方法找出随机森林回归模型的训练过程中均方误差最小时m的值,通过观察模型拟合过程的袋外错误率曲线确定n的值,m的值和n的值作为最优参数,基于最优参数得到最优随机森林回归模型;
反演模块,用于利用所述最优随机森林回归模型和所述最佳特征子集估算研究区域全区域的森林AGB,并通过生物量-碳储量转换因子计算森林碳储量,生成研究区域全区域的森林AGB。
由于本发明实施例二所介绍的系统为实施本发明实施例一中基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法所采用的系统,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该系统的具体结构及变形,故而在此不再赘述。凡是本发明实施例一中方法所采用的系统都属于本发明所欲保护的范围。
实施例三
基于同一发明构思,请参见图10,本发明还提供了一种计算机可读存储介质300,其上存储有计算机程序311,该程序被执行时实现如实施例一中所述的方法。
由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法所采用的计算机可读存储介质,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该计算机可读存储介质的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。
实施例四
基于同一发明构思,本申请还提供了一种计算机设备,如图11所示,包括存储器401、处理器402及存储在存储器上并可在处理器上运行的计算机程序403,处理器执行上述程序时实现实施例一中的方法。
由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法所采用的计算机设备,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该计算机设备的具体结构及变形,故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,其特征在于,包括:
S1:获取研究区范围的GF-6光学遥感数据、ICESat-2激光雷达数据与ALOS卫星DEM产品,并对获取的三类数据进行预处理,其中GF-6光学遥感数据为高分6号宽幅多光谱影像数据、ICESat-2星载激光雷达数据为其ATL08陆地和冠层高度20m分段产品、ALOS DEM为分辨率12.5m的地形高程数据;
S2:调查研究区域内的优势林种,并布设样方,测量样方内的林分参数,基于测量得到的林分参数利用异速生长模型计算样方内森林地上生物量:森林AGB;
S3:从预处理后的高分6号宽幅多光谱影像数据中提取光谱特征和纹理特征,从预处理后的ATL08数据中提取冠层高度特征,从ALOS DEM数据中提取地形特征;
S4:将样方内森林地上生物量AGB作为响应变量,样方对应位置处的特征值作为预测变量组成训练数据,构建森林AGB的随机森林回归模型,采用十折交叉验证法评价随机森林回归模型的精度,随机森林回归模型的参数包括每棵决策树分裂所抽取的特征数m与决策树的棵数n,样方对应位置处的特征值包括S3中提取的光谱特征、纹理特征、地形特征、冠层高度特征在样方对应位置处的取值;
S5:根据基于谱聚类的特征得分进行特征选择,得到最佳特征子集,其中,特征得分基于特征区分度与特征独立性计算得到;
S6:将最佳特征子集作为输入,通过逐个测试的方法找出随机森林回归模型的训练过程中均方误差最小时m的值,通过观察模型训练过程的袋外错误率曲线确定n的值,m的值和n的值作为最优参数,基于最优参数得到最优随机森林回归模型;
S7:利用所述最优随机森林回归模型和所述最佳特征子集估算研究区域全区域的森林AGB,并通过生物量-碳储量转换因子计算森林碳储量,生成研究区域全区域的森林AGB。
2.如权利要求1所述的基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,其特征在于,S1中对获取的三类数据进行预处理,包括:
对高分6号宽幅多光谱影像数据进行正射校正、辐射定标和大气校正,得到实际的地表反射率;
对ATL08 数据根据光子数量、光子类型、光束能量、地表覆盖类型、质量控制进行筛选,剔除粗差,得到筛选后的光子冠层高度数据,并通过克里金插值方法将冠层高度数据从ICESat-2足迹点尺度外推至全研究区覆盖;
将得到实际的地表反射率的多光谱影像、插值后的冠层高度数据和ALOS DEM数据重采样至20m分辨率,将重采样后的多光谱影像、冠层高度数据和ALOS DEM数据进行互相配准。
3.如权利要求1所述的基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,其特征在于,步骤S2包括:
S2.1:调查研究区域内的优势林种,布设预设数量均匀分布、覆盖所有优势林种的20m×20m样方;
S2.2:采用每木检尺法测量样方内所有树木的树高、胸径、林种和中心坐标,其中胸径是树木主干距离地表1.3m处的直径,树高不足1.3m的以底径代替,计算样方平均林分高和平均胸径,样方平均林分高为样方内所有树木的树高的平均值;
S2.3:基于S2.2计算的样方平均林分高、平均胸径,利用立木二元异速生长模型计算样方内森林AGB。
4.如权利要求1所述的基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,其特征在于,步骤S3中:
提取的光谱特征包括宽幅多光谱影像的7个单波段B1、B2、B3、B4、B5、B6、B7、单波段进行PCA分析后的前3个主成分PCA1、PCA2、PCA3、归一化植被指数NDVI、比值植被指数RVI、增强植被指数EVI、土壤调节植被指数SAVI、改进型土壤调节植被指数MSAVI、地面叶绿素指数MTCI、归一化差值红边指数NDRE1;
提取的纹理特征包括7个单波段的二阶概率矩阵的均值Mean、方差Variance、协同性Homogeneity、对比度Contrast、相异性Dissimilarity、信息熵Entropy、二阶矩SecondMoment和相关性Correlation共56个纹理特征的前10个主成分texture1~texture10;
提取的地形特征包括地面高程DEM、坡度slope和坡向aspect。
5.如权利要求1所述的基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,其特征在于,步骤S4包括:
S4.1:提取步骤S3所计算的光谱特征、纹理特征、地形特征以及冠层高度特征在样方位置处的取值,并进行归一化处理,将所有变量映射到[0, 1]的区间内;
S4.2:将样方实测AGB作为响应变量,S4.1中归一化处理后的特征值作为预测变量,建立随机森林回归模型,并采用十折交叉验证法评价模型精度。
6.如权利要求1所述的基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,其特征在于,步骤S5包括:
S5.1:对步骤S3提取的所有特征进行谱聚类,得到K个特征簇,K为大于1的正整数;
S5.2:基于得到的特征簇计算各特征的得分score作为特征选择的重要性指标,其中,每个特征簇中score最高的特征作为该簇的核心特征;
S5.3:在保留每个特征簇的核心特征的前提下,按照score从低到高的顺序删去重要性低的特征,得到不同的特征子集,将不同的特征子集输入随机森林回归模型中进行测试,将测试过程中模型精度最高对应的特征子集作为最佳特征子集。
7.如权利要求6所述的基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法,其特征在于,步骤S5.2中特征的得分score的计算方式为:
其中,
式中,scorep为第p个特征的得分,disp表示第p个特征的特征标准差,代表第p个特征对不同类别的区分能力,indp为与特征之间Pearson相关系数呈反比关系的参数,代表第p个特征与同簇其他特征的独立性,n为样本数,d为特征数,disq为第p个特征的第q个样本的标准差,
8.基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演系统,其特征在于,包括:
数据获取与预处理模块,用于获取研究区范围的GF-6光学遥感数据、ICESat-2雷达激光雷达数据与ALOS卫星DEM产品,并对获取的三类数据进行预处理,其中GF-6光学遥感数据为高分6号宽幅多光谱影像数据、ICESat-2星载激光雷达数据为其ATL08陆地和冠层高度20m分段产品、ALOS DEM为分辨率12.5m的地形高程数据;
森林AGB实测模块,用于调查研究区域内的优势林种,并布设样方,测量样方内的林分参数,基于测量得到的林分参数利用异速生长模型计算样方内森林地上生物量:森林AGB;
特征提取模块,用于从预处理后的高分6号宽幅多光谱影像数据中提取光谱特征和纹理特征,从预处理后的ATL08数据中提取冠层高度特征,从ALOS DEM数据中提取地形特征;
模型构建模块,用于将样方内森林地上生物量AGB作为响应变量,样方对应位置处的特征值作为预测变量组成训练数据,构建森林AGB的随机森林回归模型,采用十折交叉验证法评价随机森林回归模型的精度,随机森林回归模型的参数包括每棵决策树分裂所抽取的特征数m与决策树的棵数n,样方对应位置处的特征值包括S3中提取的光谱特征、纹理特征、地形特征、冠层高度特征在样方对应位置处的取值;
特征选择模块,用于根据基于谱聚类的特征得分进行特征选择,得到最佳特征子集,其中,特征得分基于特征区分度与特征独立性计算得到;
模型优化模块,用于将最佳特征子集作为输入,通过逐个测试的方法找出随机森林回归模型的训练过程中均方误差最小时m的值,通过观察模型训练过程的袋外错误率曲线确定n的值,m的值和n的值作为最优参数,基于最优参数得到最优随机森林回归模型;
反演模块,用于利用所述最优随机森林回归模型和所述最佳特征子集估算研究区域全区域的森林AGB,并通过生物量-碳储量转换因子计算森林碳储量,生成研究区域全区域的森林AGB。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被执行时实现如权利要求1至7中任一项权利要求所述的方法。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534318.9A CN115561773B (zh) | 2022-12-02 | 2022-12-02 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534318.9A CN115561773B (zh) | 2022-12-02 | 2022-12-02 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115561773A true CN115561773A (zh) | 2023-01-03 |
CN115561773B CN115561773B (zh) | 2023-03-10 |
Family
ID=84770172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534318.9A Active CN115561773B (zh) | 2022-12-02 | 2022-12-02 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115561773B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385871A (zh) * | 2023-02-28 | 2023-07-04 | 中国林业科学研究院资源信息研究所 | 一种森林生物量遥感估算方法、系统、设备及介质 |
CN116704212A (zh) * | 2023-08-04 | 2023-09-05 | 西南林业大学 | 基于机器学习及多光谱影像的林木火灾受损信息提取方法 |
CN117218531A (zh) * | 2023-09-08 | 2023-12-12 | 国家海洋局南海规划与环境研究院 | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 |
CN117422156A (zh) * | 2023-12-19 | 2024-01-19 | 南京农业大学 | 一种森林生态系统碳储功能评估方法 |
CN117520733A (zh) * | 2024-01-05 | 2024-02-06 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040260A1 (en) * | 2007-12-20 | 2010-02-18 | Image Tree Corp. | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest |
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 |
CN104656098A (zh) * | 2015-02-03 | 2015-05-27 | 南京林业大学 | 一种遥感森林生物量反演的方法 |
CN108647623A (zh) * | 2018-05-04 | 2018-10-12 | 中国科学院遥感与数字地球研究所 | 一种基于资源约束条件的森林潜在碳储量遥感估算方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
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 |
CN114693765A (zh) * | 2020-12-14 | 2022-07-01 | 中国科学院空天信息创新研究院 | 利用资源3号立体像对数据反演森林高度的方法 |
CN115223055A (zh) * | 2022-07-18 | 2022-10-21 | 合肥冬行信息科技有限公司 | 一种基于多源卫星遥感的碳汇估算方法 |
CN115372986A (zh) * | 2022-10-21 | 2022-11-22 | 武汉大学 | 基于ICESat-2高分辨率数据的树高制图方法、装置及设备 |
-
2022
- 2022-12-02 CN CN202211534318.9A patent/CN115561773B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040260A1 (en) * | 2007-12-20 | 2010-02-18 | Image Tree Corp. | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest |
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 |
CN104656098A (zh) * | 2015-02-03 | 2015-05-27 | 南京林业大学 | 一种遥感森林生物量反演的方法 |
CN108647623A (zh) * | 2018-05-04 | 2018-10-12 | 中国科学院遥感与数字地球研究所 | 一种基于资源约束条件的森林潜在碳储量遥感估算方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN114693765A (zh) * | 2020-12-14 | 2022-07-01 | 中国科学院空天信息创新研究院 | 利用资源3号立体像对数据反演森林高度的方法 |
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 |
CN115223055A (zh) * | 2022-07-18 | 2022-10-21 | 合肥冬行信息科技有限公司 | 一种基于多源卫星遥感的碳汇估算方法 |
CN115372986A (zh) * | 2022-10-21 | 2022-11-22 | 武汉大学 | 基于ICESat-2高分辨率数据的树高制图方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
YANJUN SU 等: "Spatial distribution of forest aboveground biomass in China: Estimation through combination of spaceborne lidar, optical imagery, and forest inventory data", 《REMOTE SENSING OF ENVIRONMENT》 * |
倪文俭 等: "高分二号异轨立体数据的森林高度提取", 《遥感学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385871A (zh) * | 2023-02-28 | 2023-07-04 | 中国林业科学研究院资源信息研究所 | 一种森林生物量遥感估算方法、系统、设备及介质 |
CN116385871B (zh) * | 2023-02-28 | 2024-03-15 | 中国林业科学研究院资源信息研究所 | 一种森林生物量遥感估算方法、系统、设备及介质 |
CN116704212A (zh) * | 2023-08-04 | 2023-09-05 | 西南林业大学 | 基于机器学习及多光谱影像的林木火灾受损信息提取方法 |
CN116704212B (zh) * | 2023-08-04 | 2023-10-27 | 西南林业大学 | 基于机器学习及多光谱影像的林木火灾受损信息提取方法 |
CN117218531A (zh) * | 2023-09-08 | 2023-12-12 | 国家海洋局南海规划与环境研究院 | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 |
CN117422156A (zh) * | 2023-12-19 | 2024-01-19 | 南京农业大学 | 一种森林生态系统碳储功能评估方法 |
CN117422156B (zh) * | 2023-12-19 | 2024-03-22 | 南京农业大学 | 一种森林生态系统碳储功能评估方法 |
CN117520733A (zh) * | 2024-01-05 | 2024-02-06 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
CN117520733B (zh) * | 2024-01-05 | 2024-03-19 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115561773B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115561773B (zh) | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 | |
Tian et al. | Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing | |
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 | |
CN109472304B (zh) | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 | |
CN111738144B (zh) | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 | |
Hüttich et al. | Assessing effects of temporal compositing and varying observation periods for large-area land-cover mapping in semi-arid ecosystems: Implications for global monitoring | |
Kulawardhana et al. | Fusion of lidar and multispectral data to quantify salt marsh carbon stocks | |
Tomppo et al. | Predicting categorical forest variables using an improved k-Nearest Neighbour estimator and Landsat imagery | |
Kuusinen et al. | Structural factors driving boreal forest albedo in Finland | |
CN108932521B (zh) | 一种基于深度学习的农作物分类方法及系统 | |
CN112861435B (zh) | 一种红树林质量遥感反演方法及智能终端 | |
Stone et al. | Determining an optimal model for processing lidar data at the plot level: results for a Pinus radiata plantation in New South Wales, Australia | |
CN108981616B (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
Cao et al. | Estimation of forest structural parameters using UAV-LiDAR data and a process-based model in ginkgo planted forests | |
Wu et al. | Estimation of cotton canopy parameters based on unmanned aerial vehicle (UAV) oblique photography | |
Xu et al. | A 21-year time series of global leaf chlorophyll content maps from MODIS imagery | |
CN115796344A (zh) | 一种区域尺度上森林植被碳储量的估算方法 | |
CN110222656B (zh) | 基于遥感技术的地上植被生态水定量反演方法 | |
Fu et al. | Forest cover classification with MODIS images in Northeastern Asia | |
Bohlin et al. | Deciduous forest mapping using change detection of multi-temporal canopy height models from aerial images acquired at leaf-on and leaf-off conditions | |
Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
Huang et al. | Linking random forest and auxiliary factors for extracting the major economic forests in the mountainous areas of southwestern Yunnan Province, China | |
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 | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与系统 | |
Huang et al. | A 3D approach to reconstruct continuous optical images using lidar and MODIS |
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 |