CN116561509A - 顾及植被类型的城市植被地上生物量精确反演方法及系统 - Google Patents
顾及植被类型的城市植被地上生物量精确反演方法及系统 Download PDFInfo
- Publication number
- CN116561509A CN116561509A CN202310262518.1A CN202310262518A CN116561509A CN 116561509 A CN116561509 A CN 116561509A CN 202310262518 A CN202310262518 A CN 202310262518A CN 116561509 A CN116561509 A CN 116561509A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- biomass
- urban
- inversion
- model
- 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.)
- Pending
Links
- 239000002028 Biomass Substances 0.000 title claims abstract description 235
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003287 optical effect Effects 0.000 claims abstract description 35
- 230000003595 spectral effect Effects 0.000 claims abstract description 35
- 238000011160 research Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Abstract
本发明提供一种顾及植被类型的城市植被地上生物量精确反演方法及系统,进行研究区植被地上生物量计算,包括根据研究区域不同,实现样地采样后的相应生物量计算;高分辨率光学数据及星载光子计数激光雷达数据预处理,城市植被信息精细提取,高分辨率遥感影像数据光谱特征提取与光学‑生物量反演子模型构建,星载光子计数激光雷达数据的植被高度数据提取与星载LiDAR‑生物量反演子模型构建;在城市地表植被精细分类信息的支持下,对生物量反演子模型进行集成,通过城市植被生物量样方数据训练得到融合城市地表植被水平信息及三维结构信息的集成反演模型,进行大范围的城市植被地上生物量精确制图。
Description
技术领域
本发明涉及城市植被地上生物量反演领域,具体来说,涉及一种顾及植被类型的城市大范围植被地上生物量精确反演方案。
背景技术
全球气候变化为人类的生产生活带来了极大的影响,气候变暖、城市内涝、以及空气污染问题等制约着人类的发展。中国从自身基本国情出发承诺争取在2030年实现“碳达峰”,在2060年实现“碳中和”,通过减少碳排放及增加碳封存来提高能源效率和推动绿色能源发展。其中,植被作为自然资源中重要的绿色基础设施,其碳储存能力为自然资源碳库“收集”大气层中碳的重要途径。近些年来随着对森林、草原、湿地等主要植被生态系统知识的深入了解,人们已经初步掌握了通过生物量衡量大范围均质植被分布的植被碳储存能力的方法。随着“绿色城市”及“低碳城市”等理念的兴起。城市中零散分布的植被的碳储存能力也越来越受到重视,对其分布、生物量计算及与之相关的生态过程的在多个时空尺度上的状态及趋势的了解是构建低碳绿色城市的重要支撑,也是减少全球碳汇估算误差的关键步骤。
森林及草原的植被组成较为简单,其生物量估算一般可以通过以下方式进行:划定大规模样方,进行抽样调查估算植被参数,根据植被生长方程计算样方生物量,进而得到整片林地或草原的生物量。这类方法适用于植被分布均匀且较为单一的地表,比如森林、草原,并在其中有着较好的表现。由于人为规划和生长环境的问题,城市植被的分布往往不符合地理学第一定律,在城市之中常常呈现碎片化的情况(以林地区域为主,并通过灌木和草地加以丰富,同时考虑景观可视性),具有复杂和动态化的特征,同时它所提供的生态系统服务取决于植被类型、组成结构以及当地的环境条件。多种多样的植被组成及其零散分布的现状使得在进行城市生物量反演过程中,无法依赖简单的先验知识判断城市中的植被类型进而进行简单的计算,因此森林及草原等场景的地上生物量反演方法并不适用于城市内部的地上生物量评估。同时,植被斑块的大小及其分布情况也难以满足森林或草原等大规模植被生态系统的采样需求,因此迫切需要能够对城市不同类型植被分布信息进行提取的方法,进而得到进行生物量计算的支撑数据。
生物量的反演一般通过遥感估算的方法进行,在一定范围内进行破坏性采样后,通过经验总结得到异速生长方程来计算其生物量,并建立样地数据与遥感特征变量之间的相关关系。光学遥感数据能够提供独特的地表植被的冠层光谱信息以分析不同植被的生长状态,并进行生物量反演。LiDAR数据则能够提供如植被高度等植被的三维结构信息以供遥感生物量估算。其中,光学数据能够提供连续的地表信息,但是LiDAR数据往往受限于数据采集方式及测量成本,只能进行小范围的测定,因此在城市、全国乃至全球范围内进行生物量反演时,LiDAR的数据区域限制成为问题,星载LiDAR数据能够实现大范围的植被三维信息获取,进行城市植被生物量反演及碳汇估测。
此外通过样地实测数据,可以通过光学数据或星载LiDAR数据进行生物量的反演,这两种数据分别提供了植被的水平信息及三维结构信息,如何对二者所表达的信息在城市的应用场景中进行融合才能够提升生物量反演的精度也是城市生物量估算中的一个亟待解决的问题,目前尚未有将二者信息进行集成后进行大范围城市植被地上生物量反演的相关报道。
发明内容
面对以上问题,本发明提供一种新的城市植被地上生物量反演方法,实现一种融合星载光子计数激光雷达数据与高分辨率光学影像的城市大范围植被地上生物量精确反演方法。本发明技术通过高分辨率光学影像实现城市植被类型信息的精确提取,通过星载光子计数激光雷达数据实现大范围城市植被高度获取,通过集成星载LiDAR数据与光学数据实现城市植被生物量的精确反演,能够填补城市植被地上生物量反演的空白。
本发明提供一种顾及植被类型的城市植被地上生物量精确反演方法,包括以下步骤:
步骤a,研究区内样地生物量计算,包括根据不同研究区内城市主要植被类型不同,使用不同的异速生长模型、称量法或其他计算方式,实现样地采样后的生物量计算;
步骤b,高分辨率光学数据及星载光子计数激光雷达数据预处理,包括对高分辨率光学影像进行几何及辐射校正处理,对星载光子计数激光雷达数据进行清洗与数据提取;
步骤c,城市植被信息精细提取,包括通过实地采样及各种统计数据获得城市内生长的优势植被及其性状,对城市地表土地利用类型进行分别定义,提取不同类型城市植被特征,进行城市植被类型精细分类,为城市植被地上生物量精确估算提供基础数据;
步骤d,高分辨率遥感影像数据光谱特征提取与光学-生物量反演子模型构建,包括以光谱特征作为自变量、生物量为因变量,通过样本点,构建出特征-生物量之间的关系,通过步骤a计算得到的样地生物量数据及步骤c获得的城市地表植被精细分类信息,根据获得的光谱特征选择估测效果较好的回归模型构建光学-生物量子模型,为集成反演提供子模型;
步骤e,星载光子计数激光雷达数据的植被高度数据提取与星载LiDAR-生物量反演子模型构建,包括在进行城市自适应光子点云数据滤波及去噪后,根据高分辨率影像分辨率确定用于植被高度数据统计的窗口大小,并进行植被高度特征提取,通过步骤a计算得到的样地生物量数据及步骤c获得的城市地表植被精细分类信息,根据获得的植被高度特征选择估测效果较好的回归模型构建星载LiDAR-生物量子模型,为集成反演提供子模型;
步骤f,大范围城市地表植被地上生物量反演,包括在步骤c获得的城市地表植被精细分类信息的支持下,通过决策树构建的集成模型,对步骤d及步骤e获得的生物量反演子模型进行集成,通过步骤a得到的城市植被生物量样方数据训练得到融合城市地表植被水平信息及三维结构信息的集成反演模型,进行大范围的城市植被地上生物量精确制图。
而且,所述步骤c中,首先对城市区域地表类别进行分类,将城市地表类别定义为不透水面LUi、水体LUw、裸地LUs、植被LUv,对步骤b获得的研究区域高分辨率多光谱数据进行超像素分割,对已定义的城市地表类别对象,提取其光谱特征及纹理特征以及其他特征,使不同类别土地利用对象类间差距最大且类内差距最小,通过组合不同影响因子进而判断土地利用类型,表达式为
LU=a×f(FeatureS)+b×f(FeatureT)+(1-a-b)×f(FeatureO)
其中,f(FeatureS)为光谱特征判别模型,f(FeatureT)为纹理特征判别模型,f(FeatureO)其他特征判别模型,a、b和c为三种判别模型各自所占权重;
并根据LUv的范围进行进一步的划分,根据优势树种进行研究区内部城市植被类型精细提取,分别提取不同典型植被的光谱、纹理信息以及其他信息,城市植被类型精细提取过程中的植被类型表达式为
而且,所述步骤d中构建的光学-生物量反演子模型的实现方式为,以光谱特征FeatureS作为自变量、生物量AGB为因变量,模拟光谱特征与生物量之间的关系,并以样本点为真值,通过其光谱特征值和生物量进行求解,得到光学-生物量子模型AGBS=f(FeatureS),同时在模型选择过程中,对比不同的回归分析方法,选择较好的模型。
而且,所述步骤e中构建的星载LiDAR-生物量反演子模型的实现方式为,以星载LiDAR植被高度特征FeatureL作为自变量、生物量为因变量,模拟星载LiDAR植被高度与生物量之间的关系,并以样本点为真值,通过星载LiDAR植被高度特征值和生物量进行求解,得到星载LiDAR-生物量子模型AGBL=f(FeatureL),同时在模型选择过程中,对比不同的回归分析方法,选择较好的模型。
而且,所述步骤f中构建的星载LiDAR-生物量反演子模型的实现方式为,以步骤d及步骤e中得到的表现较好的模型作为自变量、生物量为因变量,并以步骤c中获得的植被类别为约束条件,通过决策树模拟几个模型与生物量之间的关系,并以样本点为真值,通过几个模型的模拟生物量与真实生物量进行求解,得到星载LiDAR-光学集成模型。
另一方面,用于实现如上所述的一种顾及植被类型的城市植被地上生物量精确反演方法。
而且,包括以下模块,
第一模块,用于研究区内样地生物量计算,包括根据不同研究区域内城市主要植被类型不同,通过异速生长模型、称量法及其他计算方式,实现样地采样后的生物量计算。
第二模块,用于进行高分辨率光学数据及星载光子计数激光雷达数据预处理,包括对高分辨率光学影像进行几何及辐射校正等处理,对星载光子计数激光雷达数据进行清洗与数据提取;
第三模块,用于进行研究区内城市植被信息精细提取,包括不同类型城市植被特征提取,城市植被类型精细分类等功能,为城市植被地上生物量精确估算提供基础数据;
第四模块,用于高分辨率遥感影像数据光谱特征提取与光学-生物量反演子模型构建,包括通过第一模块计算得到的样地生物量数据及第三模块获得的城市地表植被精细分类信息,根据获得的光谱特征选择估测效果较好的回归模型构建光学-生物量子模型,为集成反演提供子模型;
第五模块,用于星载光子计数激光雷达数据的植被高度数据提取与星载LiDAR-生物量反演子模型构建,包括在进行城市自适应光子点云数据滤波及去噪后,根据高分辨率影像分辨率确定用于植被高度数据统计的窗口大小,并进行植被高度特征提取,通过第一模块计算得到的样地生物量数据及第三模块获得的城市地表植被精细分类信息,根据获得的植被高度特征选择估测效果较好的回归模型构建星载LiDAR-生物量子模型,为集成反演提供子模型;
第六模块,用于进行大范围城市地表植被地上生物量反演,包括在第三模块获得的城市地表植被精细分类信息的支持下,通过决策树构建的集成模型,对第四模块及第五模块获得的生物量反演子模型进行集成,通过第一模块得到的城市植被生物量样方数据训练得到融合城市地表植被水平信息及三维结构信息的集成反演模型,进行大范围的城市植被地上生物量精确制图。
或者,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种顾及植被类型的城市植被地上生物量精确反演方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种顾及植被类型的城市植被地上生物量精确反演方法。
本发明在构建星载光子计数激光雷达数据与光学数据联合反演生物量模型时,在分别进行植被垂直结构参数-生物量反演以及平面光学参数-生物量反演后,提出了一种联合植被三维结构信息与水平光学特征的生物量反演方法。即通过星载光子计数激光雷达获取的植被三维结构参数及水平光学特征对生物量的影响构建子模型,而后通过基于决策树的stacking集成模型对星载LiDAR-生物量反演结果,光学-生物量反演结果进行决策级融合,确定其对生物量的影响及联合机制。本发明通过将星载LiDAR获取的植被三维结构信息与高分辨率遥感影像的光学特征相结合,构建了联合植被高度等植被三维结构参数与光学特征的生物量遥感反演模型,对城市生物量反演的数据源提出了新的补充,联合星载LiDAR数据与光学数据在城市植被生物量反演上的优势,实现城市区域的生物量反演。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
不同于以往反演方法,本发明引入了ICESat-2所获取的植被高度数据以及高分辨率光学数据,将其与城市生物量进行回归建模,在提取出的城市植被区域范围内,选取合适的植被高度因子与光学特征构建了星载LiDAR-生物量反演模型以及光学-生物量反演模型;通过对于两个模型的敏感性分析,确定二者在联合进行生物量反演的权重,建立了融合星载LiDAR与光学特征的城市地上生物量反演模型。
参见图1,本发明实施例提供的一种顾及植被类型的城市大范围植被地上生物量精确反演方法,是一种融合星载LiDAR与光学特征的城市地上生物量反演方法,具体实现包括如下步骤:
步骤a,进行研究区样点及样方地上生物量计算,包括根据不同研究区域内城市主要植被类型,使用样方生物量计算方法(例如不同异速生长模型、称量法等),实现样地采样后的生物量计算。
以树木为例,在研究区内部,根据采样及数据规划采集植被高度、胸径、树种及数量等植被参数构建数据集。根据式1计算单株植被的地上生物量,而后根据记录的样方内植被生物量及样方面积之比得到样方生物量
其中,D为植被胸径(单位:cm),H为树高(单位:m),WS为树干生物量,WB为树枝生物量,WL为树叶生物量,a1,a2,a3,b1,b2,b3分别为相应系数,W为总地上生物量。
步骤b,高分辨率光学数据及星载光子计数激光雷达数据预处理,包括对高分辨率光学影像进行几何及辐射校正处理,对星载光子计数激光雷达数据进行清洗与数据提取。
实施例中对研究区域内高分辨率光学影像及ICESat-2ATL03数据进行预处理。
进一步地,对高分辨率遥感影像的多光谱数据进行几何校正、辐射定标、正射校正,根据高分辨率影像传感器类型、成像中心地理位置、成像时间及高度信息等参数通过FLAASH对多光谱影像进行大气校正,得到地表反射率数据。同时对全色数据进行预处理,与多光谱数据融合得到分辨率较高的多光谱数据,为步骤c的城市植被精细提取提供数据支撑。
进一步地,对于星载光子计数激光雷达数据(实施例采用ICESat-2 ATL03数据),首先获取研究区内相应条带的光子点数据,在进行空值及异常值清洗后,得到研究区内部的光子点高及每个光子点的地理坐标。对于所获取的ATL03原始点云数据,计算其高程最大及最小值,记为Emax和Emin,根据自然间断点法,设置统计间隔统计高程光子点频数;并计算点云密度作为阈值进行点云粗去噪。
进一步地,在进行点云粗去噪后根据光子点之间的距离进行进精去噪。首先,根据星载数据所获得的经纬度及对应高程数据计算光子点距离。光子点数据中存在相隔距离很小的情况,为了避免距离较近的两点距离存在舍入误差,本例通过式2计算两光子点经纬度距离dL:
dL=R*cos{1/[sin y1sin y2 + cos y1cos y2cos(x2-x1)]} (式2)
其中,R为地球半径;y1及y2为两点的纬度;x1及x2为两点经度。
之后,通过高程计算任意两光子点之间的欧氏距离(Δh为两点高程差值),并统计其最大距离dmax、最小距离dmin、以及最大距离及最小距离之差Δd。通过Δd确定分段间隔,统计光子点间距离D在各间隔出现的频数,并将距离频数最大的间隔设定为邻域EPS值。之后根据计算得到的最小邻域值EPS,可通过DBSCAN等去噪算法进行ICESAT-2ATL03数据的光子点去噪实验,通过多次实验确定最适MinPts,保存聚集于点云簇内的光子点,将实验判定游离于点云簇外的光子点视为噪声去除,得到可用的高度数据。
步骤c,研究区域城市植被信息精细提取,包括通过实地采样及各种统计数据获得城市内生长的优势植被及其性状,对城市地表土地利用类型进行分别定义,提取不同类型城市植被特征,进行城市植被类型精细分类,为城市植被地上生物量精确估算提供基础数据。
实施例中,预先通过调研和查阅资料获得研究区内部的优势植被类型,根据步骤a采样中获得的实地调查数据,首先对城市区域地表类别进行分类,将城市地表类别定义为不透水面LUi、水体LUw、裸地LUs、植被LUv。对步骤b获得的研究区域高分辨率多光谱数据进行超像素分割,对已定义的城市地表类别对象,提取其光谱特征及纹理特征以及其他特征,使不同类别土地利用对象类间差距最大且类内差距最小,通过组合不同影响因子进而判断土地利用类型。线性算法表达式为
LU=a×f(FeatureS)+b×f(FeatureT)+(1-a-b)×f(FeatureO) (式3)
其中,f(FeatureS)为光谱特征判别模型,f(FeatureT)为纹理特征判别模型,f(FeatureO)其他特征判别模型,a、b和c为三种判别模型各自所占权重。
并根据LUv的范围进行进一步的划分,根据优势树种进行研究区内部城市植被类型精细提取,分别提取不同典型植被的光谱、纹理信息以及其他信息。城市植被类型精细提取过程中的植被类型表达式为
其中,为光谱特征判别模型,/>为纹理特征判别模型,其他特征判别模型,av、bv和cv为三种判别模型各自所占权重。
进一步地,在进行样本特征提取的过程中,本例选择的光谱特征包括归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI、绿光叶绿素指数CIgreen、改进红边归一化植被指数MNDVI、绿色归一化差异植被指数GNDVI,增强型植被指数EVI、土壤调节植被指数SAVI和修正土壤调节植被指数MSAVI,其计算公式如式4-12:
DVI=NIR-R (式5)
式中,NIR、R、G、B分别为近红外波段、红光波段、绿光波段和蓝光波段的反射率;L为冠层背景调整系数。
本例选择的纹理特征为每个对象的波段平均值亮度b、标准差σL、影像对象的长度/宽度比率γ、形状指数s、密度d,其公式见式13-18。
其中,n为构成一个影像对象的像素数量,为每个像素的在该图层的值,nL为包含光谱信息的图层数量,/>包含光谱信息的图层平均值,a为对象的边界框长度,b为边界框宽度,f为边界框的填充度,A为影像对象的面积,e为影像的边界长度,X为构成影像对象的所有像素的x坐标,Y为构成影像对象的所有像素的y坐标,Var(X)及Var(Y)为方差。
步骤d,高分辨率遥感影像数据光谱特征提取与光学-生物量反演子模型构建,包括以光谱特征作为自变量、生物量为因变量,通过样本点,构建出特征-生物量之间的关系,通过步骤a计算得到的样地生物量数据及步骤c获得的城市地表植被精细分类信息,根据获得的光谱特征选择估测效果较好的回归模型构建光学-生物量子模型,为集成反演提供子模型;
进一步地,所述步骤d中构建的光学-生物量反演子模型的方法为:以光谱特征FeatureS作为自变量、生物量AGB为因变量,模拟光谱特征与生物量之间的关系,并以样本点为真值,通过其光谱特征值和生物量进行求解,得到光学-生物量子模型AGBS=f(FeatureS),同时在模型选择过程中,对比不同的回归分析方法,选择较好的模型分别定义为AGBS1=f(FeatureS)、AGBS2=f(FeatureS)……
步骤e,星载光子计数激光雷达数据的植被高度数据提取与星载LiDAR-生物量反演子模型构建,包括在进行城市自适应光子点云数据滤波及去噪后,根据高分辨率影像分辨率确定用于植被高度数据统计的窗口大小,并进行植被高度特征提取,通过步骤a计算得到的样地生物量数据及步骤c获得的城市地表植被精细分类信息,根据获得的植被高度特征选择估测效果较好的回归模型构建星载LiDAR-生物量子模型,为集成反演提供子模型。
实施例中,ICESat-2 ATL03数据的植被高度数据提取与星载LiDAR-生物量反演子模型构建,进行城市自适应ICESat-2数据滤波及去噪,根据高分辨率影像分辨率确定用于植被高度数据统计的窗口大小,并进行植被高度特征提取,通过第一模块计算得到的样地生物量数据及第三模块获得的城市地表植被精细分类信息,根据获得的植被高度特征选择估测效果较好的回归模型构建星载LiDAR-生物量子模型,为集成反演提供子模型;
进一步地,根据光学影像的分辨率,本实例构建4m*4m的窗口统计窗口内的星载LiDAR数据高度,根据所分得的植被高度,本实例选取提取数据中的每分段对应第98百分位高度值h、中心冠层高度h_centroid、每分段98%冠层高度值与冠层高度中位数的差值h_dif、平均冠层高度h_mean、冠层高度中位数h_median和最小冠层高度h_min进行运算。
进一步地,所述步骤e中构建的星载LiDAR-生物量反演子模型的方法为:根据步骤c所获得的植被分布区域,提取得到与样方重叠部分光子点数据,以步骤d所获得的植被高度百分比数据及其统计数据FeatureL作为自变量、步骤a所获得的生物量观测值为因变量,采用逐步线性回归、贝叶斯岭回归、普通线性回归、弹性网络回归、支持向量机回归、随机森林回归、梯度增强回归及深度学习等模型进行回归建模,得到星载LiDAR植被高度与生物量之间的关系,并以样本点为真值,通过其星载LiDAR植被高度特征值和生物量进行回归分析,得到星载LiDAR-生物量子模型AGBL=f(FeatureL),并通过K折交叉验证方法评估,根据模型的回归系数R、可决系数R2以及均方根误差RMSE来判定回归模型精度,选取合适的反演参数及综合精度最高的模型并选择综合精度较高的模型作为星载LiDAR-生物量反演模型的待选项,分别定义为AGBL1=f(FeatureL)、AGBL2=f(FeatureL)……进而获得与步骤d所获得植被高度条带所对应的植被生物量条带数据;
步骤f,大范围城市地表植被地上生物量反演,包括在步骤c获得的城市地表植被精细分类信息的支持下,通过决策树构建的集成模型,对步骤d及步骤e获得的生物量反演子模型进行集成,通过步骤a得到的城市植被生物量样方数据训练得到融合城市地表植被水平信息及三维结构信息的集成反演模型,进行大范围的城市植被地上生物量精确制图。
进一步地,本发明所选取的集成模型基于回归决策树建立的。本发明的该集成模型拥有2个特征,分别为星载LiDAR-生物量反演模型待选结果及光学-生物量反演结果。若星载LiDAR-生物量反演模型、光学-生物量反演模型测试集的样本数量为n,其中植被类别为m,则集成模型的特征空间维度为n*m,通过生物量实地测量值为真实值,星载LiDAR-生物量反演模型待选及光学-生物量反演模型待选4个基模型的输出作为决策树的输入训练子模型;最后以决策树的输出作为真正的反演结果训练决策树集成模型。通过研究区域高分2号数据及ICESat-2数据,即可实现城市植被地上生物量反演。
构建的星载LiDAR-生物量反演子模型的方法为:以步骤d及步骤e中得到的AGBS1、AGBS2、AGBL1=f(FeatureL)及AGBL2=f(FeatureL)等表现较好的模型作为自变量、生物量为因变量,并以步骤c中获得的植被类别为约束条件,通过决策树模拟几个模型与生物量之间的关系,并以样本点为真值,通过几个模型的模拟生物量与真实生物量进行求解,根据模型的回归系数R、可决系数R2以及均方根误差RMSE来判定模型精度,得到星载LiDAR-光学集成模型
其中,AGB为集成模型的最终获得的生物量结果;am,bm为植被类别决定的集成模型各参量的权重;为植被类别决定的集成模型光学-生物量模型及星载LiDAR-生物量模型几个备选模型中的对该植被类型反演最为准确的模型,LUV为植被类型,是每个公式的限定条件。
进一步地,在集成模型训练的过程中,需对星载LiDAR-生物量模型反演值和光学-生物量模型反演值进行归一化,如式23:
式中,xi为在第i种生物量场景下,星载LiDAR-生物量模型反演值和光学-生物量模型反演值;yi为对应的归一化结果;xmin和xmax分别为所有场景下星载LiDAR-生物量模型反演结果和光学-生物量模型反演结果的最小值和最大值。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种顾及植被类型的城市植被地上生物量精确反演系统,包括以下模块,
第一模块,用于研究区内样地生物量计算,包括根据研究区域内城市主要植被类型,实现样地采样后的相应生物量计算。
第二模块,用于进行高分辨率光学数据及星载光子计数激光雷达数据预处理,包括对高分辨率光学影像进行几何及辐射校正等处理,对星载光子计数激光雷达数据进行清洗与数据提取;
第三模块,用于进行研究区内城市植被信息精细提取,包括不同类型城市植被特征提取,城市植被类型精细分类等功能,为城市植被地上生物量精确估算提供基础数据;
第四模块,用于高分辨率遥感影像数据光谱特征提取与光学-生物量反演子模型构建,包括通过第一模块计算得到的样地生物量数据及第三模块获得的城市地表植被精细分类信息,根据获得的光谱特征选择估测效果较好的回归模型构建光学-生物量子模型,为集成反演提供子模型;
第五模块,用于星载光子计数激光雷达数据的植被高度数据提取与星载LiDAR-生物量反演子模型构建,包括在进行城市自适应光子点云数据滤波及去噪后,根据高分辨率影像分辨率确定用于植被高度数据统计的窗口大小,并进行植被高度特征提取,通过第一模块计算得到的样地生物量数据及第三模块获得的城市地表植被精细分类信息,根据获得的植被高度特征选择估测效果较好的回归模型构建星载LiDAR-生物量子模型,为集成反演提供子模型;
第六模块,用于进行大范围城市地表植被地上生物量反演,包括在第三模块获得的城市地表植被精细分类信息的支持下,通过决策树构建的集成模型,对第四模块及第五模块获得的生物量反演子模型进行集成,通过第一模块得到的城市植被生物量样方数据训练得到融合城市地表植被水平信息及三维结构信息的集成反演模型,进行大范围的城市植被地上生物量精确制图。
在一些可能的实施例中,提供一种顾及植被类型的城市植被地上生物量精确反演系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种顾及植被类型的城市植被地上生物量精确反演方法。
在一些可能的实施例中,提供一种顾及植被类型的城市植被地上生物量精确反演系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种顾及植被类型的城市植被地上生物量精确反演方法。
综上所述,本发明具有如下特点:
相比于现有方法,在进行城市植被地上生物量估算的过程中,不同于森林及草原的环境,可以根据地理学第一定律进行联想应用,城市由于规划要求,植被分布情况受到限制,本发明对首先通过植被分类-精细植被类别分类得到了城市各类型植被的分布情况,而后引入ICESat-2数据提供大范围的植被三维结构参数,结合高分辨率光学数据提供的光谱参数能够更好地描述了城市植被的垂直及水平结构,通过集成模型,根据植被类型条件对二者在进行联合反演,使模型具有数学及物理意义。同时,光学及星载LiDAR光子点信息的融合能够为生物量计算提供更为丰富的信息,提高了复杂下垫面条件下的城市植被生物量反演精度。在通过星载LiDAR和光学特征分别反演得到的生物量结果后,本发明基于决策树的Stacking集成模型将两个模型反演得到的生物量输出根据所研究样点的植被类型进行动态融合得到最终反演结果。本发明能够充分发挥星载LiDAR数据及高分辨率影像在大范围植被高度获取及全覆盖地表光学参数获取的优势,植被高度信息与光谱特征的联合能够有效发挥二者的优势,填补城市植被地上生物量估算方法的空白,提高城市植被地上生物量模型反演精度。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种顾及植被类型的城市植被地上生物量精确反演方法,其特征在于,包括以下步骤:
步骤a,研究区内样地生物量计算,包括根据研究区域内城市主要植被类型,实现样地采样后的相应生物量计算;
步骤b,高分辨率光学数据及星载光子计数激光雷达数据预处理,包括对高分辨率光学影像进行几何及辐射校正处理,对星载光子计数激光雷达数据进行清洗与数据提取;
步骤c,城市植被信息精细提取,包括通过实地采样及各种统计数据获得城市内生长的优势植被及其性状,对城市地表土地利用类型进行分别定义,提取不同类型城市植被特征,进行城市植被类型精细分类,为城市植被地上生物量精确估算提供基础数据;
步骤d,高分辨率遥感影像数据光谱特征提取与光学-生物量反演子模型构建,包括以光谱特征作为自变量、生物量为因变量,通过样本点,构建出特征-生物量之间的关系,通过步骤a计算得到的样地生物量数据及步骤c获得的城市地表植被精细分类信息,根据获得的光谱特征选择估测效果较好的回归模型构建光学-生物量子模型,为集成反演提供子模型;
步骤e,星载光子计数激光雷达数据的植被高度数据提取与星载LiDAR-生物量反演子模型构建,包括在进行城市自适应光子点云数据滤波及去噪后,根据高分辨率影像分辨率确定用于植被高度数据统计的窗口大小,并进行植被高度特征提取,通过步骤a计算得到的样地生物量数据及步骤c获得的城市地表植被精细分类信息,根据获得的植被高度特征选择估测效果较好的回归模型构建星载LiDAR-生物量子模型,为集成反演提供子模型;
步骤f,大范围城市地表植被地上生物量反演,包括在步骤c获得的城市地表植被精细分类信息的支持下,通过决策树构建的集成模型,对步骤d及步骤e获得的生物量反演子模型进行集成,通过步骤a得到的城市植被生物量样方数据训练得到融合城市地表植被水平信息及三维结构信息的集成反演模型,进行大范围的城市植被地上生物量精确制图。
2.根据权利要求1所述的一种顾及植被类型的城市植被地上生物量精确反演方法,其特征在于:所述步骤c中,首先对城市区域地表类别进行分类,将城市地表类别定义为不透水面LUi、水体LUw、裸地LUs、植被LUv、……,对步骤b获得的研究区域高分辨率多光谱数据进行超像素分割,对已定义的城市地表类别对象,提取其光谱特征及纹理特征以及其他特征,使不同类别土地利用对象类间差距最大且类内差距最小,通过组合不同影响因子进而判断土地利用类型,表达式为
LU=a×f(FeatureS)+b×f(FeatureT)+(1-a-b)×f(FeatureO)
其中,f(FeatureS)为光谱特征判别模型,f(FeatureT)为纹理特征判别模型,f(FeatureO)其他特征判别模型,a、b和c为三种判别模型各自所占权重;
并根据LUv的范围进行进一步的划分,根据优势树种进行研究区内部城市植被类型精细提取,分别提取不同典型植被的光谱、纹理信息以及其他信息,城市植被类型精细提取过程中的植被类型表达式为
3.根据权利要求1或2所述的一种顾及植被类型的城市植被地上生物量精确反演方法,其特征在于:所述步骤d中构建的光学-生物量反演子模型的实现方式为,以光谱特征FeatureS作为自变量、生物量AGB为因变量,模拟光谱特征与生物量之间的关系,并以样本点为真值,通过其光谱特征值和生物量进行求解,得到光学-生物量子模型AGBS=f(FeatureS),同时在模型选择过程中,对比不同的回归分析方法,选择较好的模型。
4.根据权利要求3所述的一种顾及植被类型的城市植被地上生物量精确反演方法,其特征在于:所述步骤e中构建的星载LiDAR-生物量反演子模型的实现方式为,以星载LiDAR植被高度特征FeatureL作为自变量、生物量为因变量,模拟星载LiDAR植被高度与生物量之间的关系,并以样本点为真值,通过星载LiDAR植被高度特征值和生物量进行求解,得到星载LiDAR-生物量子模型AGBL=f(FeatureL),同时在模型选择过程中,对比不同的回归分析方法,选择较好的模型。
5.根据权利要求4所述的一种顾及植被类型的城市植被地上生物量精确反演方法,其特征在于:所述步骤f中构建的星载LiDAR-生物量反演子模型的实现方式为,以步骤d及步骤e中得到的表现较好的模型作为自变量、生物量为因变量,并以步骤c中获得的植被类别为约束条件,通过决策树模拟几个模型与生物量之间的关系,并以样本点为真值,通过几个模型的模拟生物量与真实生物量进行求解,得到星载LiDAR-光学集成模型。
6.一种顾及植被类型的城市植被地上生物量精确反演系统,其特征在于:用于实现如权利要求1-5任一项所述的一种顾及植被类型的城市植被地上生物量精确反演方法。
7.根据权利要求6所述顾及植被类型的城市植被地上生物量精确反演系统,其特征在于:
包括以下模块,
第一模块,用于研究区内样地生物量计算,包括根据研究区域内城市主要植被类型,实现样地采样后的相应生物量计算;
第二模块,用于进行高分辨率光学数据及星载光子计数激光雷达数据预处理,包括对高分辨率光学影像进行几何及辐射校正等处理,对星载光子计数激光雷达数据进行清洗与数据提取;
第三模块,用于进行研究区内城市植被信息精细提取,包括不同类型城市植被特征提取,城市植被类型精细分类等功能,为城市植被地上生物量精确估算提供基础数据;
第四模块,用于高分辨率遥感影像数据光谱特征提取与光学-生物量反演子模型构建,包括通过第一模块计算得到的样地生物量数据及第三模块获得的城市地表植被精细分类信息,根据获得的光谱特征选择估测效果较好的回归模型构建光学-生物量子模型,为集成反演提供子模型;
第五模块,用于星载光子计数激光雷达数据的植被高度数据提取与星载LiDAR-生物量反演子模型构建,包括在进行城市自适应光子点云数据滤波及去噪后,根据高分辨率影像分辨率确定用于植被高度数据统计的窗口大小,并进行植被高度特征提取,通过第一模块计算得到的样地生物量数据及第三模块获得的城市地表植被精细分类信息,根据获得的植被高度特征选择估测效果较好的回归模型构建星载LiDAR-生物量子模型,为集成反演提供子模型;
第六模块,用于进行大范围城市地表植被地上生物量反演,包括在第三模块获得的城市地表植被精细分类信息的支持下,通过决策树构建的集成模型,对第四模块及第五模块获得的生物量反演子模型进行集成,通过第一模块得到的城市植被生物量样方数据训练得到融合城市地表植被水平信息及三维结构信息的集成反演模型,进行大范围的城市植被地上生物量精确制图。
8.根据权利要求6所述顾及植被类型的城市植被地上生物量精确反演系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-5任一项所述的一种顾及植被类型的城市植被地上生物量精确反演方法。
9.根据权利要求6所述融合星载LiDAR与光学特征的城市地上生物e量反演系统,其特征在于:包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-5任一项所述的一种顾及植被类型的城市植被地上生物量精确反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262518.1A CN116561509A (zh) | 2023-03-17 | 2023-03-17 | 顾及植被类型的城市植被地上生物量精确反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262518.1A CN116561509A (zh) | 2023-03-17 | 2023-03-17 | 顾及植被类型的城市植被地上生物量精确反演方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116561509A true CN116561509A (zh) | 2023-08-08 |
Family
ID=87500789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310262518.1A Pending CN116561509A (zh) | 2023-03-17 | 2023-03-17 | 顾及植被类型的城市植被地上生物量精确反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561509A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196160A (zh) * | 2023-11-07 | 2023-12-08 | 北京英视睿达科技股份有限公司 | 一种城市植被碳储量统计方法 |
-
2023
- 2023-03-17 CN CN202310262518.1A patent/CN116561509A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196160A (zh) * | 2023-11-07 | 2023-12-08 | 北京英视睿达科技股份有限公司 | 一种城市植被碳储量统计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fawcett et al. | Unmanned aerial vehicle (UAV) derived structure-from-motion photogrammetry point clouds for oil palm (Elaeis guineensis) canopy segmentation and height estimation | |
Wing et al. | Prediction of understory vegetation cover with airborne lidar in an interior ponderosa pine forest | |
Jakubowksi et al. | Predicting surface fuel models and fuel metrics using Lidar and CIR imagery in a dense, mountainous forest | |
Koukoulas et al. | Mapping individual tree location, height and species in broadleaved deciduous forest using airborne LIDAR and multi‐spectral remotely sensed data | |
Yang et al. | Automated extraction of building outlines from airborne laser scanning point clouds | |
CN113034689A (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
Münzinger et al. | Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models | |
CN109766824B (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
CN102521624A (zh) | 一种土地利用类型分类的方法和系统 | |
Liu et al. | Individual tree identification using a new cluster-based approach with discrete-return airborne LiDAR data | |
Nazmfar et al. | Classification of satellite images in assessing urban land use change using scale optimization in object-oriented processes (a case study: Ardabil city, Iran) | |
CN115272860A (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
CN116645321B (zh) | 植被叶倾角演算统计方法、装置、电子设备及存储介质 | |
Franklin | Land cover stratification using Landsat Thematic Mapper data in Sahelian and Sudanian woodland and wooded grassland | |
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 | |
Tian et al. | A Process-Oriented Method for Rapid Acquisition of Canopy Height Model From RGB Point Cloud in Semiarid Region | |
CN114386828A (zh) | 海岛景观三维指数构建方法 | |
Zhou et al. | A framework for precisely thinning planning in a managed pure Chinese fir forest based on UAV remote sensing | |
Ramiya et al. | Assessment of various parameters on 3D semantic object-based point cloud labelling on urban LiDAR dataset | |
CN113468982A (zh) | 一种城市功能区分类方法、装置及存储介质 | |
CN116665081B (zh) | 一种滨海植被地上生物量的估算方法、计算机设备及介质 | |
Chen et al. | Feature extraction method of large-scale landscape tree based on airborne laser data |
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 |