CN116881812A - 基于多源遥感数据和随机森林法估测森林碳储量的方法 - Google Patents
基于多源遥感数据和随机森林法估测森林碳储量的方法 Download PDFInfo
- Publication number
- CN116881812A CN116881812A CN202310823625.7A CN202310823625A CN116881812A CN 116881812 A CN116881812 A CN 116881812A CN 202310823625 A CN202310823625 A CN 202310823625A CN 116881812 A CN116881812 A CN 116881812A
- Authority
- CN
- China
- Prior art keywords
- forest
- remote sensing
- data
- carbon
- carbon reserves
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 109
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims abstract description 11
- 238000011160 research Methods 0.000 claims abstract description 9
- 241000894007 species Species 0.000 claims description 21
- 238000011835 investigation Methods 0.000 claims description 15
- 239000002023 wood Substances 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 239000002028 Biomass Substances 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 210000000481 breast Anatomy 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 235000018185 Betula X alpestris Nutrition 0.000 claims description 6
- 235000018212 Betula X uliginosa Nutrition 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 240000007263 Pinus koraiensis Species 0.000 claims description 5
- 235000011615 Pinus koraiensis Nutrition 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 abstract description 2
- 241000219492 Quercus Species 0.000 description 7
- 241000218652 Larix Species 0.000 description 4
- 235000005590 Larix decidua Nutrition 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 235000018782 Dacrydium cupressinum Nutrition 0.000 description 2
- 235000013697 Pinus resinosa Nutrition 0.000 description 2
- 241000534656 Pinus resinosa Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- FVWJYYTZTCVBKE-ROUWMTJPSA-N betulin Chemical compound C1C[C@H](O)C(C)(C)[C@@H]2CC[C@@]3(C)[C@]4(C)CC[C@@]5(CO)CC[C@@H](C(=C)C)[C@@H]5[C@H]4CC[C@@H]3[C@]21C FVWJYYTZTCVBKE-ROUWMTJPSA-N 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- JYDNKGUBLIKNAM-UHFFFAOYSA-N Oxyallobutulin Natural products C1CC(=O)C(C)(C)C2CCC3(C)C4(C)CCC5(CO)CCC(C(=C)C)C5C4CCC3C21C JYDNKGUBLIKNAM-UHFFFAOYSA-N 0.000 description 1
- 241000245165 Rhododendron ponticum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- MVIRREHRVZLANQ-UHFFFAOYSA-N betulin Natural products CC(=O)OC1CCC2(C)C(CCC3(C)C2CC=C4C5C(CCC5(CO)CCC34C)C(=C)C)C1(C)C MVIRREHRVZLANQ-UHFFFAOYSA-N 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于多源遥感数据和随机森林法估测森林碳储量的方法,基于多源遥感数据、地面样地调查数据和随机森林算法建立不同类型森林的碳储量遥感估测模型,并对模型进行训练和优化后得到最优森林碳储量遥感估测模型,即可对研究区域的不同类型森林进行碳储量反演制图。本发明中,光学遥感影像的光谱特性能很好地反映地物特征信息;激光雷达作为一种主动遥感方式,具有穿透性强、不易受恶劣天气影响、高分辨率信息等特点;随机森林算法作为一种机器学习算法,相较于传统的线性回归算法能更好描述森林碳储量与遥感变量之间的非线性关系,这些优势使得本方法在实施森林碳储量估测过程中不易受地形、气候、时间等因素制约具有更高的估测精度。
Description
技术领域
本发明属于森林碳储量估测技术领域,涉及基于多源遥感数据和随机森林法估测森林碳储量的方法。
背景技术
森林生态系统作为陆地生态系统的重要组成部分,拥有陆地表面最大的碳库,森林碳汇是应对气候变化、实现“双碳目标”最为经济有效的方式之一。在此背景下,对森林碳储量进行精准估测就显得尤为重要。
传统的碳汇监测方法有样地清查法和碳通量定位观测法。样地清查法通常依靠长周期、高成本的样地调查工作,耗费的成本高且精度受人为等因素影响;碳通量定位观测法受装置分布位置的影响,监测范围十分有限,难于覆盖到大面积多类型的森林区域。近年来,遥感及相关领域技术发展突飞猛进,光学遥感影像所具有的光谱特性能很好地反映地物特征信息,激光雷达作为一种主动遥感方式,具有穿透性强、不易受恶劣天气影响、全天候工作、高分辨率信息等特点,这为森林碳储量的遥感估测提供了新的思路。
基于遥感的模型模拟方法作为大尺度森林碳储量估测的必要手段,在遥感建模时采用不同模型会极大影响碳储量估测精度,随机森林算法作为一种机器学习算法,它相较于传统的线性回归算法能更好描述森林碳储量与遥感变量之间的非线性关系,具有更好的适应性和更高的预测精度。
综上所述,研发一种基于多源遥感数据和随机森林算法的森林碳储量估测技术显得尤为必要。
发明内容
本发明的目的是提供一种基于多源遥感数据和随机森林法估测森林碳储量的方法,基于多源遥感数据和地面样地调查数据,实现不同类型森林的碳储量高精度估测,解决了现有方法在森林碳储量测定上精度不足以及人工成本高的问题,能大幅度降低人力成本,显著提高工作效率,且数据不易受地形、气候、时间等因素制约,估测精度能满足调查监测要求。
本发明所采用的技术方案是:基于多源遥感数据和随机森林法估测森林碳储量的方法,具体操作步骤如下:
步骤1,在研究区域内设置地面实测样地,获取样地内每木调查数据,并获取该区域与调查时间相近的光学遥感影像数据和激光雷达点云数据;
步骤2,基于步骤1获取的每木调查数据,计算每个样地的森林碳储量作为数据集;
步骤3,分别对步骤1获取的光学遥感影像和激光雷达点云数据进行预处理,最后统一遥感影像数据和点云数据坐标系统为CGCS2000;
步骤4,基于预处理后的光学遥感影像和样地中心点位置坐标,提取相对应的光谱信息和纹理信息这2类遥感变量;基于预处理后的激光雷达点云数据提取高度变量、密度变量、强度变量这3类遥感变量,将提取的各类遥感变量与步骤2中计算得到的森林碳储量进行相关性分析及显著性分析,筛选出相关性高的遥感变量参与森林碳储量遥感估测模型建立;
步骤5,将步骤4筛选得到的遥感变量作为自变量,步骤2计算得到的森林碳储量数据作为因变量,选取建模样本,利用随机森林算法建立森林碳储量遥感估测模型,并通过调整模型参数方式对模型进行优化;
步骤6,基于检验样本,对步骤5得到的森林碳储量遥感估测模型进行精度验证和评价;
步骤7,基于步骤5得到的最优森林碳储量遥感估测模型,对研究区域的森林碳储量进行反演制图。
本发明的特点还在于,
步骤1中,地面样地调查内容包括有3大类:
1)林分因子,即优势树种、起源、郁闭度;
2)林木因子,即样木编号、立木类型、树种、胸径、树高;
3)其他信息,即样地号、位置坐标、调查员、调查日期。
步骤2中,森林碳储量计算利用林木异速生长方程和生物量中碳含量百分比;
所述林木异速生长方程为AGB=aDbHc,其中a、b、c为方程参数,AGB为森林地上生物量,D为胸径,H为树高;
当树种为落叶松时,a=0.06848,b=2.01549,c=0.59146;碳含量47.42%;
当树种为红松时,a=0.027847,b=1.810004,c=0.905002;碳含量48.09%;
当树种为栎树时,a=0.06149,b=2.14380,c=0.58390;碳含量48.02%;
当树种为桦木时,a=0.06807,b=2.10850,c=0.52019;碳含量45.56%。
步骤3对遥感影像的预处理包括辐射定标、大气校正、图像镶嵌、图像裁剪;对点云数据的预处理包括航带平差、数据拼接、噪声滤波、点云分类、投影转换以及数据裁剪。
步骤4中,将提取的遥感变量与步骤2中计算得到的森林碳储量数据进行Person相关性分析及显著性分析,选出相关系数r≥0.3且显著性p≤0.01的遥感变量作为建模备选变量。
步骤5中,选取步骤2计算的森林碳储量数据集中70%作为建模样本,其余30%作为检验样本,利用随机森林算法对碳储量遥感估测模型进行训练,并通过调节模型参数对模型进行优化,所述模型参数包括随机种子数seed、森林中树的个数ntree以及每棵树使用的特征个数mtry。
步骤6中,利用决定系数R2、均方根误差RMSE、相对均方根误差MAE这3个指标对模型进行精度验证和评价,决定系数R2越大,均方根误差RMSE、相对均方根误差MAE越小说明模型精度越高,3个指标具体计算方式如下:
式中:n为样地数;i为样地编号;xi为样地i的林分蓄积实测值;为样地i的林分蓄积模型估测值;/>为所有样地的林分蓄积实测平均值。
本发明的有益效果是:
1、传统森林碳储量估测依靠样地调查,耗费人工、效率低下且精度受人为影响较大;本方法基于多源遥感数据提取遥感变量,利用随机森林算法建立森林碳储量遥感估测模型,节省了人工调查成本、提高了效率,且能实现大面积森林的碳储量遥感估测。
2、本方法实施过程不易受地形、气候、时间等因素制约。多源遥感数据具有穿透性强、不易受恶劣天气影响、全天候工作、高分辨率信息等特点,使得本方法在实施过程中易受到的外部制约因素少。
3、能实现更高的估测精度。基于本方法对红松林、落叶松林、栎树林,桦木林等多种林分进行森林碳储量估测,估测精度均能达到R2>0.7以上,优于现有的各类估测方法。
附图说明
图1是本发明基于多源遥感数据和随机森林法估测森林碳储量的方法的技术流程图。
图2是本发明实施例3中的地面样地示意图;
图3(a)是采用本发明方法估测的红松林的碳储量估测值与实测值散点图;
图3(b)是采用本发明方法估测的落叶松林的碳储量估测值与实测值散点图;
图3(c)是采用本发明方法估测的栎树林的碳储量估测值与实测值散点图;
图3(d)是采用本发明方法估测的桦木林的碳储量估测值与实测值散点图。
其中,a是红松林,b是落叶松林,c是栎树林,d是桦木林。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
如图1所示,基于多源遥感数据和随机森林法估测森林碳储量的方法,具体步骤如下:
步骤1,在研究区域内设置地面实测样地,获取样地每木调查数据,并获取该区域与调查时间相近的Sentinel-2A光学遥感影像数据和激光雷达点云数据;
步骤2,基于步骤1获取的每木调查数据,利用林木异速生长方程和林分生物量碳计量模型计算每个样地的森林碳储量作为数据集;
步骤3,分别对步骤1获取的光学遥感影像和激光雷达点云数据进行预处理,最后统一遥感影像数据和点云数据坐标系统为CGCS2000;
步骤4,基于预处理后的光学遥感影像和样地中心点位置坐标,提取相对应的光谱信息和纹理信息这2类遥感变量;基于预处理后的激光雷达点云数据提取高度变量、密度变量、强度变量这3类遥感变量,将提取的各类遥感变量与步骤2中计算得到的森林碳储量进行相关性分析及显著性分析,筛选出相关系数r≥0.3且显著性p≤0.01遥感变量参与森林碳储量遥感估测模型建立;
步骤5,将步骤4筛选得到的遥感变量作为自变量,步骤2计算得到的森林碳储量数据作为因变量,选取建模样本,利用随机森林算法建立森林碳储量遥感估测模型,并通过调整模型参数方式对模型进行优化;
步骤6,基于检验样本,对步骤5得到的森林碳储量遥感估测模型进行精度验证和评价;
步骤7,基于步骤5得到的最优森林碳储量遥感估测模型,对研究区域的森林碳储量进行反演制图。
实施例2
与实施例1的区别在于,
步骤1中,地面样地调查内容包括有3大类:
1)林分因子,即优势树种、起源、郁闭度;
2)林木因子,即样木编号、立木类型、树种、胸径、树高;
3)其他信息,即样地号、位置坐标、调查员、调查日期。
步骤2中,森林碳储量计算利用林木异速生长方程和生物量中碳含量百分比;
所述林木异速生长方程为AGB=aDbHc,其中a、b、c为方程参数,AGB为森林地上生物量,D为胸径,H为树高;
当树种为落叶松时,a=0.06848,b=2.01549,c=0.59146;碳含量47.42%;
当树种为红松时,a=0.027847,b=1.810004,c=0.905002;碳含量48.09%;
当树种为栎树时,a=0.06149,b=2.14380,c=0.58390;碳含量48.02%;
当树种为桦木时,a=0.06807,b=2.10850,c=0.52019;碳含量45.56%。
步骤3对遥感影像的预处理包括辐射定标、大气校正、图像镶嵌、图像裁剪;对点云数据的预处理包括航带平差、数据拼接、噪声滤波、点云分类、投影转换以及数据裁剪。
步骤4中,将提取的遥感变量与步骤2中计算得到的森林碳储量数据进行Person相关性分析及显著性分析,选出相关系数r≥0.3且显著性p≤0.01的遥感变量作为建模备选变量。
步骤5中,选取步骤2计算的森林碳储量数据集中70%作为建模样本,其余30%作为检验样本,利用随机森林算法对碳储量遥感估测模型进行训练,并通过调节模型参数对模型进行优化,所述模型参数包括随机种子数seed、森林中树的个数ntree以及每棵树使用的特征个数mtry。
步骤6中,利用决定系数R2、均方根误差RMSE、相对均方根误差MAE这3个指标对模型进行精度验证和评价,决定系数R2越大,均方根误差RMSE、相对均方根误差MAE越小说明模型精度越高,3个指标具体计算方式如下:
式中:n为样地数;i为样地编号;xi为样地i的林分蓄积实测值;为样地i的林分蓄积模型估测值;/>为所有样地的林分蓄积实测平均值。
实施例3
(1)数据获取:本实施例使用的地面样地数据位于东北林区,涉及吉林、内蒙、辽宁三省,布设半径13.82m的圆形地面样地(如图2所示)共计798个(其中红松林样地201块,落叶松林样地199块,栎树林样地196块,桦树林样地202块),样地调查时间为2019年9月-2019年11月,调查内容主要包括:1)林分因子,即优势树种(组)、起源、郁闭度等;2)林木因子,即样木编号、立木类型、树种、胸径、树高等;3)其他信息,即样地号、位置坐标、调查员、调查日期等,利用林木异速生长方程和林分生物量碳计量模型计算每个样地的森林碳储量,四种林分优势树种异速生长方程及平均含碳量见表1。LiDAR点云数据航摄时间为2019年9月-2019年10月;下载2019年8月-2019年11月能覆盖研究区域且影像质量佳的Sentinel-2Level-1C级别数据产品。
表1本方法所用异速生长方程及平均碳含量表
(2)数据预处理:Sentinel-2Level-1C级别数据产品已经经过正射校正和几何精校正,还需利用SNAP软件中sen2cor插件对数据进行大气校正,得到Sentinel-2Level-2A级别数据,再进行影像镶嵌、裁剪等处理流程;对LiDAR点云数据进行预处理的软件为Micorstation中的TerraScan模块和国产LiDAR360软件,包括航带平差、数据拼接、噪声滤波、点云分类、投影转换以及数据裁剪等流程。
(3)遥感变量提取:基于多源遥感数据提取光谱信息、纹理信息、点云高度变量、密度变量、强度变量5大类共计61个遥感变量,详见表2。
表2提取的各类遥感变量信息表
(4)变量筛选:将提取的遥感变量与森林碳储量数据进行Person相关性分析及显著性分析(t检验),选出相关系数r≥0.3且显著性p≤0.01的遥感变量作为建模备选变量。四种林分遥感变量筛选结果见表3。
表3建模变量筛选结果
注:P<0.01**表示在0.01水平(双侧)差异显著;P<0.001***表示在0.001水平(双侧)差异显著
(5)模型训练:基于建模样本,利用随机森林算法对碳储量遥感估测模型进行训练,并通过调节模型参数方式对四种林分的森林碳储量遥感估测模型进行优化,优化结果见表5。
表5不同类型森林碳储量遥感估测模型模型优化结果
(6)精度验证:基于决定系数R2、均方根误差RMSE、相对均方根误差MAE这3个指标,对训练得到的四种林分森林碳储量遥感估测模型进行精度验证和评价,评价结果见表6。
表6不同类型森林碳储量遥感估测模型精度评价结果
林分类型 | R2 | RMSE | MAE |
红松林 | 0.804605 | 1.62925 | 1.29323 |
落叶松林 | 0.744145 | 0.903438 | 0.689353 |
栎树林 | 0.842408 | 0.598767 | 0.456581 |
桦木林 | 0.769839 | 0.542041 | 0.426644 |
(7)森林碳储量反演制图:研究区域不同类型森林碳储量预测值与实测值的对比结果见图3(a)-图3(d),从图3(a)-图3(d)中可以看出,采用本发明方法能准确估测不同类型森林的碳储量,适用于多种不同类型森林,具有较好的实用性,并且碳储量估测精度(R2均大于0.7)明显优于现有的遥感模型模拟方法。
Claims (7)
1.基于多源遥感数据和随机森林法估测森林碳储量的方法,其特征在于,具体操作步骤如下:
步骤1,在研究区域内设置地面实测样地,获取样地内每木调查数据,并获取该区域与调查时间相近的光学遥感影像数据和激光雷达点云数据;
步骤2,基于步骤1获取的每木调查数据,计算每个样地的森林碳储量作为数据集;
步骤3,分别对步骤1获取的光学遥感影像和激光雷达点云数据进行预处理,最后统一遥感影像数据和点云数据坐标系统为CGCS2000;
步骤4,基于预处理后的光学遥感影像和样地中心点位置坐标,提取相对应的光谱信息和纹理信息这2类遥感变量;基于预处理后的激光雷达点云数据提取高度变量、密度变量、强度变量这3类遥感变量,将提取的各类遥感变量与步骤2中计算得到的森林碳储量进行相关性分析及显著性分析,筛选出相关性高的遥感变量参与森林碳储量遥感估测模型建立;
步骤5,将步骤4筛选得到的遥感变量作为自变量,步骤2计算得到的森林碳储量数据作为因变量,选取建模样本,利用随机森林算法建立森林碳储量遥感估测模型,并通过调整模型参数方式对模型进行优化;
步骤6,基于检验样本,对步骤5得到的森林碳储量遥感估测模型进行精度验证和评价;
步骤7,基于步骤5得到的最优森林碳储量遥感估测模型,对研究区域的森林碳储量进行反演制图。
2.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法,其特征在于,步骤1中,地面样地调查内容包括有3大类:
(1)林分因子,即优势树种、起源、郁闭度;
(2)林木因子,即样木编号、立木类型、树种、胸径、树高;
(3)其他信息,即样地号、位置坐标、调查员、调查日期。
3.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法,其特征在于,所述步骤2中,森林碳储量计算利用林木异速生长方程和生物量中碳含量百分比;
所述林木异速生长方程为AGB=aDbHc,其中a、b、c为方程参数,AGB为森林地上生物量,D为胸径,H为树高;
当树种为落叶松时,a=0.06848,b=2.01549,c=0.59146;碳含量47.42%;
当树种为红松时,a=0.027847,b=1.810004,c=0.905002;碳含量48.09%;
当树种为栎树时,a=0.06149,b=2.14380,c=0.58390;碳含量48.02%;
当树种为桦木时,a=0.06807,b=2.10850,c=0.52019;碳含量45.56%。
4.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法,其特征在于,步骤3对遥感影像的预处理包括辐射定标、大气校正、图像镶嵌、图像裁剪;对点云数据的预处理包括航带平差、数据拼接、噪声滤波、点云分类、投影转换以及数据裁剪。
5.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法,其特征在于,所述步骤4中,将提取的遥感变量与步骤2中计算得到的森林碳储量数据进行Person相关性分析及显著性分析,选出相关系数r≥0.3且显著性p≤0.01的遥感变量作为建模备选变量。
6.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法,其特征在于,步骤5中,选取步骤2计算的森林碳储量数据集中70%作为建模样本,其余30%作为检验样本,利用随机森林算法对碳储量遥感估测模型进行训练,并通过调节模型参数对模型进行优化,所述模型参数包括随机种子数seed、森林中树的个数ntree以及每棵树使用的特征个数mtry。
7.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法,其特征在于,步骤6中,利用决定系数R2、均方根误差RMSE、相对均方根误差MAE这3个指标对模型进行精度验证和评价,决定系数R2越大,均方根误差RMSE、相对均方根误差MAE越小说明模型精度越高,3个指标具体计算方式如下:
式中:n为样地数;i为样地编号;xi为样地i的林分蓄积实测值;为样地i的林分蓄积模型估测值;/>为所有样地的林分蓄积实测平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823625.7A CN116881812A (zh) | 2023-07-05 | 2023-07-05 | 基于多源遥感数据和随机森林法估测森林碳储量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823625.7A CN116881812A (zh) | 2023-07-05 | 2023-07-05 | 基于多源遥感数据和随机森林法估测森林碳储量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116881812A true CN116881812A (zh) | 2023-10-13 |
Family
ID=88265575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310823625.7A Pending CN116881812A (zh) | 2023-07-05 | 2023-07-05 | 基于多源遥感数据和随机森林法估测森林碳储量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881812A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313959A (zh) * | 2023-11-28 | 2023-12-29 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于大数据的林业碳汇监测方法及系统 |
CN117423011A (zh) * | 2023-11-09 | 2024-01-19 | 滁州学院 | 一种森林碳储量遥感估算方法、系统、设备及介质 |
CN117851814A (zh) * | 2024-01-08 | 2024-04-09 | 中国林业科学研究院资源信息研究所 | 基于多模态数据融合的森林生物量估测关键因子识别方法 |
-
2023
- 2023-07-05 CN CN202310823625.7A patent/CN116881812A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423011A (zh) * | 2023-11-09 | 2024-01-19 | 滁州学院 | 一种森林碳储量遥感估算方法、系统、设备及介质 |
CN117313959A (zh) * | 2023-11-28 | 2023-12-29 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于大数据的林业碳汇监测方法及系统 |
CN117851814A (zh) * | 2024-01-08 | 2024-04-09 | 中国林业科学研究院资源信息研究所 | 基于多模态数据融合的森林生物量估测关键因子识别方法 |
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 | |
CN116881812A (zh) | 基于多源遥感数据和随机森林法估测森林碳储量的方法 | |
CN104656098B (zh) | 一种遥感森林生物量反演的方法 | |
CN109031344B (zh) | 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法 | |
CN113177744B (zh) | 一种城市绿地系统碳汇量估算方法及系统 | |
US8537337B2 (en) | Method and apparatus for analyzing tree canopies with LiDAR data | |
CN105913017A (zh) | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 | |
US20220189053A1 (en) | Method of extracting number of stem and tillering for wheat under field condition | |
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 | |
CN108896021B (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
CN109948106B (zh) | 一种利用激光点云计算林分高度累计百分比的方法 | |
CN115294147A (zh) | 一种基于无人机激光雷达单木与森林地上生物量估算方法 | |
CN108872964A (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
CN114882361B (zh) | 基于多源遥感融合的深度学习估算森林地上生物量方法 | |
CN104062644A (zh) | 一种从激光雷达高斯回波数据中提取树高的方法 | |
Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与系统 | |
CN112669363B (zh) | 城市绿地三维绿量测算方法 | |
CN111814666B (zh) | 一种复杂林分下的单木参数提取方法、系统、介质及设备 | |
CN117710831A (zh) | 一种基于卫星遥感农村黑臭水体监测方法 | |
CN115372281A (zh) | 一种土壤物理结构和化学构成的监测系统及方法 | |
CN110554406B (zh) | 一种基于无人机立体摄影测量点云的次生林结构参数反演的方法 | |
CN109710718B (zh) | 一种植被覆盖因子的快速估算方法 | |
LU500262B1 (en) | Method for estimating vegetation coverage rate change in desert area | |
CN116778314A (zh) | 一种采用特征级点云融合评估森林材积的方法和系统 |
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 |