CN117218539A - 一种基于多种植被指数的遥感监测森林蓄积量方法 - Google Patents
一种基于多种植被指数的遥感监测森林蓄积量方法 Download PDFInfo
- Publication number
- CN117218539A CN117218539A CN202311198970.2A CN202311198970A CN117218539A CN 117218539 A CN117218539 A CN 117218539A CN 202311198970 A CN202311198970 A CN 202311198970A CN 117218539 A CN117218539 A CN 117218539A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- point cloud
- accumulation
- forest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009825 accumulation Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 210000000481 breast Anatomy 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 230000001668 ameliorated effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于多种植被指数的遥感监测森林蓄积量方法，包括：基于时间序列获取多期待测区域的遥感数据和地面实测数据，其中所述遥感数据包括：多波段扫描影像和LiDAR点云数据；对所述遥感数据进行预处理，得到预处理数据；基于所述预处理数据获得待测区域的光谱特征和纹理特征；基于所述地面实测数据构建蓄积量估算值；基于所述光谱特征、所述纹理特征和所述蓄积量估算值构建基于时间序列的贝叶斯回归模型；基于所述贝叶斯回归模型得到遥感监测森林蓄积量。本发明基于光谱特征、纹理特征和地面实测数据进行构建基于时间序列的贝叶斯回归模型，将遥感数据与实测数据相结合，提高了森林蓄积量的监测精度。
Description
技术领域
本发明涉及遥感监测技术领域，特别涉及一种基于多种植被指数的遥感监测森林蓄积量方法。
背景技术
森林蓄积量是指一定面积森林中现存各种活立木的材积总量，以立方米为计算单位。现有的森林蓄积量预测和预估方法大多采用一种植被指数进行监测，即仅仅采用比值植被指数对森林蓄积量进行预估，结果往往有不小的偏差。
很多研究者使用高光谱遥感来估计森林蓄积量。Goodenough等人将星载高光谱数据与AVIRIS机载高光谱数据的使用进行了比较，发现两者都可以成功地用于推导出较为合理的森林蓄积量估计模型。Treuhaft等人研究表明与从微波或光学影像获得的估计值相比，使用高光谱数据分析森林结构剖面估计的森林蓄积量可能更准确。Clark等人估计森林蓄积量时使用来自HYDICE(高光谱数字图像采集实验)机载传感器的1.6米空间分辨率，具有覆盖全范围电磁波谱的210个频带的高光谱图像与使用r2值为0.90和RMSE为38.3Mgha-1的激光雷达指标估计值相比，结果显示前者森林蓄积量估计值较低，尽管高光谱传感器的估计精度较低，但Clark等认为机载LiDAR和高光谱数据可以在未来森林研究中发挥重要作用。Anderson等人的一项研究表明，与独立使用高光谱，LiDAR等遥感数据相比，集成高光谱和波形LiDAR数据可以提高森林蓄积量的估计精度。尽管高光谱数据在蓄积量估计方面具有一定优势，但是光谱冗余度较大，相邻频谱包含高度相似的信息在一定程度上限制了高光谱数据在森林蓄积量估计上的优势。
当前研究大多转向使用合成孔径雷达(SAR)干涉测量技术，然而，Pulliainen等人研究表明雷达干涉测量技术估算蓄积量的准确性主要取决于所使用的图像数量或研究区地面条件，即风速，湿度以及温度等。森林蓄积量估计的饱和问题可引入LiDAR数据来改善。但现有技术中仍存在森林蓄积量估算精度低等技术问题。因此，基于上述问题，亟需一种基于多种植被指数的遥感监测森林蓄积量方法。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，本发明提供一种基于多种植被指数的遥感监测森林蓄积量方法。
本发明提供的一种基于多种植被指数的遥感监测森林蓄积量方法，技术方案包括：基于时间序列获取多期待测区域的遥感数据和地面实测数据，其中所述遥感数据包括：多波段扫描影像和LiDAR点云数据；
对所述遥感数据进行预处理，得到预处理数据；
基于所述预处理数据获得待测区域的光谱特征和纹理特征；
基于所述地面实测数据计算得到蓄积量估算值；
基于所述光谱理特征、所述纹理特征和所述蓄积量估算值构建基于时间序列的贝叶斯回归模型；
基于所述贝叶斯回归模型得到遥感监测森林蓄积量。
可选地，对所述遥感数据进行预处理的过程包括多波段扫描影像预处理和LiDAR点云数据预处理；
其中，多波段扫描影像预处理的过程包括：
对所述多波段扫描影像进行辐射定标得到遥感图像反射率；
对所述遥感图像反射率进行正射校正得到投影到地面的遥感图像。
可选地，基于投影到地面的遥感图像获得待测区域的光谱特征，其中，所述光谱特征包括比值植被指数、差值植被指数和归一化植被指数。
可选地，所述LiDAR点云数据预处理的过程包括：
基于三维坐标计算将所述LiDAR点云数据包含的角度信息、距离信息转换为坐标值，得到带坐标值的LiDAR点云数据；
对所述带坐标值的LiDAR点云数据依次经过点云补偿和点云组帧得到同一坐标系下的带坐标值的LiDAR点云数据；
基于高斯滤波方法去除所述同一坐标系下的带坐标值的LiDAR点云数据的噪声点得到去噪点云数据。
可选地，获取所述纹理特征的过程包括：
基于平面栅格法对所述去噪点云数据进行地面分割，得到若干网格点云；
基于属性方法提取若干所述点云的属性特征，得到纹理特征。
可选地，基于所述实测数据构建蓄积量估算值的过程包括：
基于林业资料获取待测区域的树种组；
将所述待测区域划分为若干林场小班；
以林场小班为单位基于所述树种组进行随机抽样，得到样本树；
测量所述样本数的树高、胸径，得到所述待测区域的森林的平均树高和胸径；
基于所述平均树高和胸径得到树木干质量；
基于若干树木干质量得到待测区域的蓄积量估算值。
可选地，所述贝叶斯回归模型的构建过程如下：
基于所述光谱理特征、所述纹理特征和所述蓄积量估算值构建多元线性回归模型；其中，所述多元线性回归模型包括已知参量和未知参量；
基于所述已知参量计算得到所述未知参量的联合后验分布；
获取所述未知参量的先验分布；
基于所述联合后验分布和所述未知参量的先验分布，采用共轭分布法计算所述未知参量的条件后验分布。
本发明具有如下技术效果：
本发明本发明基于多种植被指数的遥感监测森林蓄积量方法与基于单一植被指数进行森林蓄积量预估相比，本发明预估的更加准确；
本发明充分利用了LiDAR数据中丰富的植被垂直结构信息，基于此结构信息获取纹理特征；
本发明基于光谱特征、纹理特征和地面实测数据进行构建基于时间序列的贝叶斯回归模型，将遥感数据与实测数据相结合，提高了森林蓄积量的监测精度；
本发明基于时间序列进行数据采集，将基于时间序列的数据集作为数据源，有利于掌握区域内的森林动态演化过程，弥补了即测即采的技术缺陷。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的系统流程图。
具体实施方式
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，所描述的实施例仅仅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
如图1所示，本实施例公开了一种基于多种植被指数的遥感监测森林蓄积量方法，作为本实施例的优选方案，包括：
基于时间序列获取多期待测区域的遥感数据和地面实测数据，其中所述遥感数据包括：多波段扫描影像和LiDAR点云数据；
对所述遥感数据进行预处理，得到预处理数据；
基于所述预处理数据获得待测区域的光谱特征和纹理特征；
基于所述地面实测数据构建蓄积量估算值；
基于所述光谱理特征、所述纹理特征和所述蓄积量估算值构建基于时间序列的贝叶斯回归模型；
基于所述贝叶斯回归模型得到遥感监测森林蓄积量。
作为本实施例的优选方案，具体包括以下步骤：
S1、选定采集区域，基于采集区域多波段扫描影像和LiDAR点云数据；
获取采集区域的树种组，将采集区域分成若干林业小班，基于树种组以林业小班为单位进行样本树随机采样，采集样本树的胸径和高度。
S2、数据预处理。
对多波段扫描影像进行预处理的过程包括：对多波段扫描影像进行辐射定标得到遥感图像反射率；对遥感图像反射率进行正射校正得到投影到地面的遥感图像。
对LiDAR点云数据预处理的过程包括：
基于三维坐标计算将LiDAR点云数据包含的角度信息、距离信息转换为坐标值，得到带坐标值的LiDAR点云数据；
对带坐标值的LiDAR点云数据依次经过点云补偿和点云组帧得到同一坐标系下的带坐标值的LiDAR点云数据；
基于高斯滤波方法去除同一坐标系下的带坐标值的LiDAR点云数据的噪声点得到去噪点云数据。
3、提取特征。
提取投影到地面的遥感图像的近红外波段(NIR)与红光波段(R)。基于投影到地面的遥感图像获得待测区域的光谱特征，其中，光谱特征包括比值植被指数、差值植被指数和归一化植被指数。
其中，比值植被指数的计算公式如下：RVI＝NIR/R
差值植被指数的计算公式如下：DVI＝NIR-R
归一化植被指数的计算公式如下：NDVI＝(NIR-R)/(NIR+R)
获取纹理特征的过程包括：
基于平面栅格法对去噪点云数据进行地面分割，得到若干网格点云；
基于属性方法提取若干点云的属性特征，得到纹理特征。
其中，基于属性的方法是先计算目标物点云的属性，例如距离、密度、水平或垂直方向的点云分布等，并以此来定义测量点之间的领域，然后将每个方向上的法向量的斜率和点邻域的数据之差作为聚类的属性。
4、基于实测数据获取蓄积量估算值。
利用每株样本树木的胸径和树高，计算各样本树木干、枝、叶的干物质量，然后将各样木干、枝、叶的干物质量相加，从而得到每株样本树木的干物质量。以林地小班为单位，将各株样本树木的干物质量相加得到林地小班的干物质量。基于干物质量与胸径树高之间的函数关系得到各林业小班的森林蓄积量，将若干林业小班的森林蓄积量相加得到待测区域的总森林蓄积量。
5、基于光谱理特征、纹理特征和蓄积量估算值构建基于时间序列的贝叶斯回归模型。
其中，多元线性回归模型为：Y＝α+βX+ε
其中，Y和X为已知参量，α、β和ε为未知参量；
基于多元线性回归模型进行参数贝叶斯估计的过程包括：
基于已知参量计算得到所述未知参量的联合后验分布；
获取未知参量的先验分布；
基于联合后验分布和所述未知参量的先验分布，采用共轭分布法计算未知参量的条件后验分布。
本实施例运用贝叶斯计量经济学计算的常用软件OpenBUGS软件包对模型进行求解，得到多元线性回归模型参数的贝叶斯估算结果，基于估算结果得到森林蓄积量与各特征的多元回归模型。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，包括：
基于时间序列获取多期待测区域的遥感数据和地面实测数据，其中所述遥感数据包括：多波段扫描影像和LiDAR点云数据；
对所述遥感数据进行预处理，得到预处理数据；
基于所述预处理数据获得待测区域的光谱特征和纹理特征；
基于所述地面实测数据计算得到蓄积量估算值；
基于所述光谱理特征、所述纹理特征和所述蓄积量估算值构建基于时间序列的贝叶斯回归模型；
基于所述贝叶斯回归模型得到遥感监测森林蓄积量。
2.根据权利要求1所述的基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，对所述遥感数据进行预处理的过程包括多波段扫描影像预处理和LiDAR点云数据预处理；
其中，多波段扫描影像预处理的过程包括：
对所述多波段扫描影像进行辐射定标得到遥感图像反射率；
对所述遥感图像反射率进行正射校正得到投影到地面的遥感图像。
3.根据权利要求2所述的基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，基于投影到地面的遥感图像获得待测区域的光谱特征，其中，所述光谱特征包括比值植被指数、差值植被指数和归一化植被指数。
4.根据权利要求2所述的基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，所述LiDAR点云数据预处理的过程包括：
基于三维坐标计算将所述LiDAR点云数据包含的角度信息、距离信息转换为坐标值，得到带坐标值的LiDAR点云数据；
对所述带坐标值的LiDAR点云数据依次经过点云补偿和点云组帧得到同一坐标系下的带坐标值的LiDAR点云数据；
基于高斯滤波方法去除所述同一坐标系下的带坐标值的LiDAR点云数据的噪声点得到去噪点云数据。
5.根据权利要求4所述的基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，获取所述纹理特征的过程包括：
基于平面栅格法对所述去噪点云数据进行地面分割，得到若干网格点云；
基于属性方法提取若干所述点云的属性特征，得到纹理特征。
6.根据权利要求1所述的基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，基于所述实测数据获取蓄积量估算值的过程包括：
基于林业资料获取待测区域的树种组；
将所述待测区域划分为若干林场小班；
以林场小班为单位基于所述树种组进行随机抽样，得到样本树；
测量所述样本数的树高、胸径，得到所述待测区域的森林的平均树高和胸径；
基于所述平均树高和胸径得到树木干质量；
基于若干树木干质量得到待测区域的蓄积量估算值。
7.根据权利要求1所述的基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，所述贝叶斯回归模型的构建过程如下：
基于所述光谱理特征、所述纹理特征和所述蓄积量估算值构建多元线性回归模型；其中，所述多元线性回归模型包括已知参量和未知参量；
基于所述已知参量计算得到所述未知参量的联合后验分布；
获取所述未知参量的先验分布；
基于所述联合后验分布和所述未知参量的先验分布，采用共轭分布法计算所述未知参量的条件后验分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311198970.2A CN117218539A (zh) | 2023-09-18 | 2023-09-18 | 一种基于多种植被指数的遥感监测森林蓄积量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311198970.2A CN117218539A (zh) | 2023-09-18 | 2023-09-18 | 一种基于多种植被指数的遥感监测森林蓄积量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117218539A true CN117218539A (zh) | 2023-12-12 |
Family
ID=89043855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311198970.2A Pending CN117218539A (zh) | 2023-09-18 | 2023-09-18 | 一种基于多种植被指数的遥感监测森林蓄积量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218539A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117433513A (zh) * | 2023-12-21 | 2024-01-23 | 云南淼泉测绘工程有限公司 | 一种地形测绘的地图构建方法及系统 |
-
2023
- 2023-09-18 CN CN202311198970.2A patent/CN117218539A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117433513A (zh) * | 2023-12-21 | 2024-01-23 | 云南淼泉测绘工程有限公司 | 一种地形测绘的地图构建方法及系统 |
| CN117433513B (zh) * | 2023-12-21 | 2024-03-08 | 云南淼泉测绘工程有限公司 | 一种地形测绘的地图构建方法及系统 |
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 | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| Hosoi et al. | 3-D voxel-based solid modeling of a broad-leaved tree for accurate volume estimation using portable scanning lidar | |
| CN113205475B (zh) | 基于多源卫星遥感数据的森林高度反演方法 | |
| CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
| CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
| CN108594262A (zh) | 一种结合无人机和地基激光雷达提取树高的方法 | |
| CN106501186B (zh) | 一种土壤含水量产品降尺度方法 | |
| CN117218539A (zh) | 一种基于多种植被指数的遥感监测森林蓄积量方法 | |
| CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
| CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
| CN114120132A (zh) | 一种气象和红边波段遥感结合的农作物估产方法和装置 | |
| CN112669363B (zh) | 城市绿地三维绿量测算方法 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| CN115700370A (zh) | 碳储量计算方法、装置、电子设备和存储介质 | |
| CN114202535A (zh) | 作物种植面积提取方法及装置 | |
| Huang et al. | A 3D approach to reconstruct continuous optical images using lidar and MODIS | |
| CN115931774A (zh) | 基于无人机监测作物水分状况的方法、存储介质及设备 | |
| CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
| Huang et al. | Information fusion approach for biomass estimation in a plateau mountainous forest using a synergistic system comprising UAS-based digital camera and LiDAR | |
| 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 | |
| Gedminas et al. | Soil organic matter mapping using hyperspectral imagery and elevation data | |
| Lv et al. | Estimating leaf chlorophyll concentration in soybean using random forests and field imaging spectroscopy | |
| Rinaldi et al. | A European test site for ground data measurement and earth observation services validation | |
| RU2739436C1 (ru) | Способ актуализации лесотаксационных данных на основе машинного обучения |
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 |