CN117456351B - 一种星空地协同的滨海湿地盐沼植被碳储量估算方法 - Google Patents
一种星空地协同的滨海湿地盐沼植被碳储量估算方法 Download PDFInfo
- Publication number
- CN117456351B CN117456351B CN202311287369.0A CN202311287369A CN117456351B CN 117456351 B CN117456351 B CN 117456351B CN 202311287369 A CN202311287369 A CN 202311287369A CN 117456351 B CN117456351 B CN 117456351B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- biomass
- salt
- carbon
- unmanned aerial
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 41
- 150000003839 salts Chemical class 0.000 title claims abstract description 29
- 239000002028 Biomass Substances 0.000 claims abstract description 77
- 230000003287 optical effect Effects 0.000 claims abstract description 31
- 238000012417 linear regression Methods 0.000 claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims abstract description 13
- 239000000523 sample Substances 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 235000014676 Phragmites communis Nutrition 0.000 claims description 4
- 241001149258 Sporobolus alterniflorus Species 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 239000012472 biological sample Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 229930002875 chlorophyll Natural products 0.000 claims description 2
- 235000019804 chlorophyll Nutrition 0.000 claims description 2
- 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 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000009919 sequestration Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- WPPDXAHGCGPUPK-UHFFFAOYSA-N red 2 Chemical compound C1=CC=CC=C1C(C1=CC=CC=C11)=C(C=2C=3C4=CC=C5C6=CC=C7C8=C(C=9C=CC=CC=9)C9=CC=CC=C9C(C=9C=CC=CC=9)=C8C8=CC=C(C6=C87)C(C=35)=CC=2)C4=C1C1=CC=CC=C1 WPPDXAHGCGPUPK-UHFFFAOYSA-N 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/88—Image or video recognition using optical means, e.g. reference filters, holographic masks, frequency domain filters or spatial domain filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种星空地协同的滨海湿地盐沼植被碳储量估算方法，包括获取哨兵光学影像和无人机多光谱影像，并获取植被参数；使用决策树方法进行盐沼植被分类，获取每种盐沼植被的植被覆盖区域；采用线性回归模型分段反演，对每种盐沼植被的野外样本生物量构建反演模型；通过碳转化系数将植被生物量转化为植被碳储量。本发明的有益效果是：本发明具有更高的反演精度和空间覆盖率、更低的成本和更快的处理速度。通过本发明，可以更好地了解湿地生态系统中植被碳库的动态变化，为湿地碳循环和生态保护提供科学依据。
Description
技术领域
本发明涉及遥感影像技术领域，更确切地说，它涉及一种星空地协同的滨海湿地盐沼植被碳储量估算方法。
背景技术
在全球气候持续变化的背景下，国际社会越来越关注湿地在固碳增汇方面的重要性。尽管全球湿地面积仅占地球陆地表面的3.2％至9.7％，但湿地碳库却占据全球陆地碳库的约18％至30％。湿地植被是湿地生态系统动态变化的主要推动力，能够对生态系统的结构和功能产生深远影响。湿地植被碳储量的计算方法主要是通过湿地植被生物量乘上植被的碳转化系数得到。湿地植被生物量是评估湿地固碳能力的关键指标，在区域和全球碳循环中具有至关重要的作用。因此，准确估算湿地植被的地上和地下生物量对于深入了解湿地生态系统的动态变化至关重要。
针对这一问题，目前存在一些挑战和不足。传统的野外调查方法在小尺度生物量估算方面表现精确，然而对于大区域尺度生物量估算来说，野外样本的采集通常涉及到耗时和破坏性较强的工作。卫星影像中滨海湿地区域的光谱特征受到植被、土壤、水文等多种因素的影响，存在“同物异谱”、“异物同谱”问题，限制了中低空间分辨率遥感影像在湿地复杂环境下的精细分类和高精度反演。近年来兴起的高分辨率无人机多光谱影像受到载荷平台自身续航和影像覆盖范围的限制，难以实现大尺度动态监测。由于湿地的复杂性和多样性，现有方法在空间覆盖和准确性方面都各自存在一定的局限性。因此，当前研究的热点和迫切需求是开发一种准确、高效、可重复的湿地植被生物量估算方法。
发明内容
本发明的目的是针对现有技术的不足，提出了一种星空地协同的滨海湿地盐沼植被碳储量估算方法。
第一方面，提供了一种星空地协同的滨海湿地盐沼植被碳储量估算方法，包括：
步骤1、获取哨兵光学影像和无人机多光谱影像，并获取植被参数，所述植被参数包括野外样地的植被生物量、凋落比、根冠比和碳转化系数；
步骤2、根据所述哨兵光学影像和无人机多光谱影像，使用决策树方法进行盐沼植被分类，获取每种盐沼植被的植被覆盖区域；
步骤3、采用线性回归模型分段反演，对每种盐沼植被的野外样本生物量构建反演模型；
步骤4、通过碳转化系数将植被生物量转化为植被碳储量。
作为优选，步骤1中，所述哨兵光学影像和无人机多光谱影像经过预处理，包括：辐射定标、大气校正和几何校正。
作为优选，步骤2中，所述决策树的构建过程，包括：
获取不同地物类型的样本点；所述地物类型包括水体、裸土、互花米草、芦苇、其他湿地盐沼植被和森林；
统计各地类样本点的光谱曲线均值，分析不同类型光谱曲线的差异，确定最优波段构建提取阈值范围。
作为优选，步骤3包括：
步骤3.1、通过线性回归模型筛选和分析无人机多光谱影像的波段，获取与野外生物量样本与无人机多光谱影像之间最优的反演模型，并生成基于无人机多光谱影像的高分辨率地上生物量地图；
步骤3.2、将高分辨率地上生物量地图降采样至低分辨率地上生物量地图，并随机采样生成基于无人机地上生物量样本集；
步骤3.3、通过线性回归模型筛选和分析哨兵光学影像的波段，获取与无人机地上生物量样本与哨兵光学影像之间最优的反演模型，并生成基于哨兵光学影像的低分辨率地上生物量地图。
作为优选，步骤3中，利用5种遥感植被指数构建生物量反演模型，表示为：
上式中NDVI为植被指数，GNDVI为修正归一化差异水体指数，NDRE为归一化差异红边植被指数，OSAVI为优化土壤调节植被指数，LCI为叶面叶绿素指数；ρNIR为近红外波段的反射率值，ρRed为红波段的反射率值；ρGreen为绿波段的反射率值，l为调整参数，ρRE为植被红边波段的反射率值。
作为优选，步骤3.2和步骤3.3中，地上生物量的计算公式为：
TAGB＝a×Index+b
上式中TAGB为植被地上生物量，Index为选择的遥感指数，a和b表示线性回归模型的参数。
作为优选，步骤4中，植被碳储量的计算公式为：
式中TCAGB、TCLGB、TCUGB、TCVege分别为植被地上部分、凋落物部分、地下部分的碳储量和植被总碳储量；TAGB为植被地上生物量；RCAGB、RCLGB、RCUGB分别为植被地上部分、凋落物、地下部分碳转化系数；LC为凋落比；RC为根冠比。
第二方面，提供了一种星空地协同的滨海湿地盐沼植被碳储量估算系统，用于执行第一方面任一所述的星空地协同的滨海湿地盐沼植被碳储量估算方法，包括：
获取模块，用于获取哨兵光学影像和无人机多光谱影像，并获取植被参数，所述植被参数包括野外样地的植被生物量、凋落比、根冠比和碳转化系数；
分类模块，用于根据所述哨兵光学影像和无人机多光谱影像，使用决策树方法进行盐沼植被分类，获取每种盐沼植被的植被覆盖区域；
反演模块，用于采用线性回归模型分段反演，对每种盐沼植被的野外样本生物量构建反演模型；
转化模块，用于通过碳转化系数将植被生物量转化为植被碳储量。
第三方面，提供了一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的星空地协同的滨海湿地盐沼植被碳储量估算方法。
本发明的有益效果是：本发明是基于植被物候生长规则和地理先验知识，利用卫星遥感影像和无人机多光谱影像实现盐沼植被碳储量的大范围、高精度估算。与传统方法相比，本发明具有更高的反演精度和空间覆盖率、更低的成本和更快的处理速度。通过本发明，可以更好地了解湿地生态系统中植被碳库的动态变化，为湿地碳循环和生态保护提供科学依据。此外，本发明还具有广泛的应用前景，可在湿地管理、环境监测和碳交易等领域发挥重要作用。
附图说明
图1为一种星空地协同的滨海湿地盐沼植被碳储量估算方法的流程图；
图2为决策树分类结果图；
图3为无人机多光谱影像的地上生物量反演结果图；
图4为哨兵光学影像的地上生物量反演结果图；
图5为哨兵光学影像的碳储量分布图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1：
如图1所示，本申请实施例提供了一种星空地协同的滨海湿地盐沼植被碳储量估算方法，利用哨兵卫星影像的大范围观测能力和无人机多光谱影像的高空间分辨率特点，以二阶分段方式建立反演模型来估算地上和地下生物量，再通过植被碳转化系数估算植被碳储量。
具体的，该方法包括：
步骤1、获取哨兵光学影像和无人机多光谱影像，并获取植被参数，所述植被参数包括野外样地的植被生物量、凋落比、根冠比和典型盐沼植被碳转化系数。
具体的，通过GEE平台获取10m分辨率哨兵光学影像为Sentinel-2地表反射率L2级产品影像，在研究区执行无人机飞行任务并进行处理得到DJIPhotom4 Multiply无人机影像。所述哨兵光学影像和无人机多光谱影像经过预处理，包括：辐射定标、大气校正和几何校正。
步骤2、根据所述哨兵光学影像和无人机多光谱影像，使用决策树方法进行盐沼植被分类，获取每种盐沼植被的植被覆盖区域。
步骤2中，所述决策树的构建过程，包括：
结合Google Earth获取不同地物类型的样本点；所述地物类型包括水体、裸土、互花米草、芦苇、其他湿地盐沼植被和森林；
统计各地类样本点的光谱曲线均值，分析不同类型光谱曲线的差异，确定最优波段构建提取阈值范围。比如，基于实地采样拍摄照片、0.1m分辨率无人机影像、GoogleEarth高分辨率影像获取区域内芦苇、互花米草等典型盐沼植被的样本点，统计各类植被样本点的光谱曲线值，分析不同盐沼植被之间谱曲线的差异，确定最优波段后进行组合计算，通过决策树算法对盐沼植被进行分类。
具体实现阈值划分如表1所示。
表1
其中，四种遥感指数的含义及公式如表2所示。
表2
注：ρBlue、ρGreen、ρRed、ρNIR、ρSWIR、ρRE1、ρRE2分别表示哨兵2号的蓝色、绿色、红色、近红外、短波红外、红边1和红边2波段。
步骤3、采用线性回归模型分段反演，对每种盐沼植被的野外样本生物量构建反演模型。
步骤4、通过碳转化系数将植被生物量转化为植被碳储量。
实施例2：
在实施例1的基础上，本申请实施例2提供了更具体的星空地协同的滨海湿地盐沼植被碳储量估算方法，包括：
步骤1、获取哨兵光学影像和无人机多光谱影像，并获取植被参数，所述植被参数包括野外样地的植被生物量、凋落比、根冠比和碳转化系数。
步骤2、根据所述哨兵光学影像和无人机多光谱影像，使用决策树方法进行盐沼植被分类，获取每种盐沼植被的植被覆盖区域。
步骤3、采用线性回归模型分段反演，对每种盐沼植被的野外样本生物量构建反演模型。
步骤3包括：
步骤3.1、通过线性回归模型筛选和分析无人机多光谱影像的波段，获取与野外生物量样本与无人机多光谱影像之间最优的反演模型，并生成基于无人机多光谱影像的1m分辨率地上生物量地图；
步骤3.2、将1m分辨率地上生物量地图降采样至10m分辨率地上生物量地图以匹配哨兵光学影像数据，并随机采样生成基于无人机地上生物量样本集。其中，降采样方法采用加和平均数；对降采样之后的地上生物量地图随机去点，构建无人机地上生物量样本集。
步骤3.3、通过线性回归模型筛选和分析哨兵光学影像的波段，获取与无人机地上生物量样本与哨兵光学影像之间最优的反演模型，并生成基于哨兵光学影像的10m分辨率地上生物量地图，通过无人机生物量样本测试集数据对模型进行精度评价(如图4所示)。
步骤3中，利用5种遥感植被指数构建生物量反演模型，表示为：
注：ρGreen、ρRed、ρRedEdge、ρNIR分别表示绿色、红色、红边、近红外波段。
本申请实施例选择以NDVI构建的线性模型为最优模型，进而作为生物量反演模型。
步骤3.2和步骤3.3中，地上生物量的计算公式为：
TAGB＝a×Index+b
上式中TAGB为植被地上生物量，Index为选择的遥感指数，a和b表示线性回归模型的参数。
相比单独使用野外生物量样本和哨兵2号影像直接构建生物量反演模型，步骤3通过分段反演模型的生物量估算方法，通过无人机影像构建的生物量反演模型的估算结果，扩展了基于卫星影像的生物量反演模型的样本数量，模型精度相比前者有明显提升，模型估算生物量更加准确。
步骤4、将10m分辨率的地上生物量图，根据凋落比、根冠比计算凋落物生物量和地下生物量，三者加和得到总生物量图，最后将总生物量乘以碳转化系数得到滨海湿地盐沼植被的总碳储量(如图5所示)。
步骤4中，植被碳储量的计算公式为：
式中TCAGB、TCLGB、TCUGB、TCVege分别为植被地上部分、凋落物部分、地下部分的碳储量和植被总碳储量；TAGB为植被地上生物量；RCAGB、RCLGB、RCUGB分别为植被地上部分、凋落物、地下部分碳转化系数；LC为凋落比；RC为根冠比。
需要说明的，本实施例中与实施例1相同或相似的部分可相互参考，在本申请中不再赘述。
实施例3：
在实施例1、2的基础上，本申请实施例3提供了一种星空地协同的滨海湿地盐沼植被碳储量估算系统，包括：
获取模块，用于获取哨兵光学影像和无人机多光谱影像，并获取植被参数，所述植被参数包括野外样地的植被生物量、凋落比、根冠比和碳转化系数；
分类模块，用于根据所述哨兵光学影像和无人机多光谱影像，使用决策树方法进行盐沼植被分类，获取每种盐沼植被的植被覆盖区域；
反演模块，用于采用线性回归模型分段反演，对每种盐沼植被的野外样本生物量构建反演模型；
转化模块，用于通过碳转化系数将植被生物量转化为植被碳储量。
具体的，本实施例所提供的系统为实施例1提供的方法对应的系统，因此，在本实施例中与实施例1、2相同或相似的部分，可相互参考，在本申请中不再赘述。
Claims (7)
1.一种星空地协同的滨海湿地盐沼植被碳储量估算方法，其特征在于，包括：
步骤1、获取哨兵光学影像和无人机多光谱影像，并获取植被参数，所述植被参数包括野外样地的植被生物量、凋落比、根冠比和碳转化系数；
步骤2、根据所述哨兵光学影像和无人机多光谱影像，使用决策树方法进行盐沼植被分类，获取每种盐沼植被的植被覆盖区域；
步骤3、采用线性回归模型分段反演，对每种盐沼植被的野外样本生物量构建反演模型；
步骤3包括：
步骤3.1、通过线性回归模型筛选和分析无人机多光谱影像的波段，获取与野外生物量样本与无人机多光谱影像之间最优的反演模型，并生成基于无人机多光谱影像的高分辨率地上生物量地图；
步骤3.2、将高分辨率地上生物量地图降采样至低分辨率地上生物量地图，并随机采样生成基于无人机地上生物量样本集；
步骤3.3、通过线性回归模型筛选和分析哨兵光学影像的波段，获取与无人机地上生物量样本与哨兵光学影像之间最优的反演模型，并生成基于哨兵光学影像的低分辨率地上生物量地图；
利用5种遥感植被指数构建生物量反演模型，表示为：
上式中NDVI为植被指数，GNDVI为修正归一化差异水体指数，NDRE为归一化差异红边植被指数，OSAVI为优化土壤调节植被指数，LCI为叶面叶绿素指数；ρNIR为近红外波段的反射率值，ρRed为红波段的反射率值；ρGreen为绿波段的反射率值，L为调整参数，ρRE为植被红边波段的反射率值；
步骤4、通过碳转化系数将植被生物量转化为植被碳储量。
2.根据权利要求1所述的星空地协同的滨海湿地盐沼植被碳储量估算方法，其特征在于，步骤1中，所述哨兵光学影像和无人机多光谱影像经过预处理，包括：辐射定标、大气校正和几何校正。
3.根据权利要求2所述的星空地协同的滨海湿地盐沼植被碳储量估算方法，其特征在于，步骤2中，所述决策树的构建过程，包括：
获取不同地物类型的样本点；所述地物类型包括水体、裸土、互花米草、芦苇、其他湿地盐沼植被和森林；
统计各地类样本点的光谱曲线均值，分析不同类型光谱曲线的差异，确定最优波段构建提取阈值范围。
4.根据权利要求3所述的星空地协同的滨海湿地盐沼植被碳储量估算方法，其特征在于，步骤3.2和步骤3.3中，地上生物量的计算公式为：
TAGB＝a×Index+b
上式中TAGB为植被地上生物量，Index为选择的遥感指数，a和b表示线性回归模型的参数。
5.根据权利要求4所述的星空地协同的滨海湿地盐沼植被碳储量估算方法，其特征在于，步骤4中，植被碳储量的计算公式为：
式中TCAGB、TCLGB、TCUGB、TCVege分别为植被地上部分、凋落物部分、地下部分的碳储量和植被总碳储量；TAGB为植被地上生物量；RCAGB、RCLGB、RCUGB分别为植被地上部分、凋落物、地下部分碳转化系数；LC为凋落比；RC为根冠比。
6.一种星空地协同的滨海湿地盐沼植被碳储量估算系统，其特征在于，用于执行权利要求1至5任一所述的星空地协同的滨海湿地盐沼植被碳储量估算方法，包括：
获取模块，用于获取哨兵光学影像和无人机多光谱影像，并获取植被参数，所述植被参数包括野外样地的植被生物量、凋落比、根冠比和碳转化系数；
分类模块，用于根据所述哨兵光学影像和无人机多光谱影像，使用决策树方法进行盐沼植被分类，获取每种盐沼植被的植被覆盖区域；
反演模块，用于采用线性回归模型分段反演，对每种盐沼植被的野外样本生物量构建反演模型；
转化模块，用于通过碳转化系数将植被生物量转化为植被碳储量。
7.一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行权利要求1至5任一所述的星空地协同的滨海湿地盐沼植被碳储量估算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311287369.0A CN117456351B (zh) | 2023-10-08 | 2023-10-08 | 一种星空地协同的滨海湿地盐沼植被碳储量估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311287369.0A CN117456351B (zh) | 2023-10-08 | 2023-10-08 | 一种星空地协同的滨海湿地盐沼植被碳储量估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117456351A CN117456351A (zh) | 2024-01-26 |
| CN117456351B true CN117456351B (zh) | 2024-05-17 |
Family
ID=89580766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311287369.0A Active CN117456351B (zh) | 2023-10-08 | 2023-10-08 | 一种星空地协同的滨海湿地盐沼植被碳储量估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117456351B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114460013A (zh) * | 2022-01-28 | 2022-05-10 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
| CN115359365A (zh) * | 2022-08-16 | 2022-11-18 | 首都师范大学 | 一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法 |
| CN116452023A (zh) * | 2022-12-23 | 2023-07-18 | 西南大学 | 基于低频微波雷达vod数据的公里级碳储量评估算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109884664B (zh) * | 2019-01-14 | 2022-12-02 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
-
2023
- 2023-10-08 CN CN202311287369.0A patent/CN117456351B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114460013A (zh) * | 2022-01-28 | 2022-05-10 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
| CN115359365A (zh) * | 2022-08-16 | 2022-11-18 | 首都师范大学 | 一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法 |
| CN116452023A (zh) * | 2022-12-23 | 2023-07-18 | 西南大学 | 基于低频微波雷达vod数据的公里级碳储量评估算法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于GF-1 WFV影像的丰宁县植被地上碳储量估算;孔凡婕;李晓兵;白云晓;李响;王宏;;资源科学;20160615(06);第55-65页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117456351A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110427857B (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
| CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
| Chen et al. | Isolating individual trees in a savanna woodland using small footprint lidar data | |
| Balaguer et al. | Definition of a comprehensive set of texture semivariogram features and their evaluation for object-oriented image classification | |
| CN111914611B (zh) | 城市绿地高分遥感监测方法与系统 | |
| CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
| CN112395808A (zh) | 一种结合随机森林和协同克里金的生物量遥感制图方法 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
| CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
| Karna | Mapping above ground carbon using worldview satellite image and lidar data in relationship with tree diversity of forests | |
| CN111062368A (zh) | 基于Landsat时间序列遥感影像的城市更新区域监测方法 | |
| CN113869370A (zh) | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 | |
| CN115271217A (zh) | 一种基于无人机多源遥感数据的小麦产量预测方法 | |
| CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
| Fu et al. | Evaluation of LAI estimation of mangrove communities using DLR and ELR algorithms with UAV, hyperspectral, and SAR images | |
| CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| Geng et al. | Vegetation coverage of desert ecosystems in the Qinghai-Tibet Plateau is underestimated | |
| Zhang et al. | Mapping functional vegetation abundance in a coastal dune environment using a combination of LSMA and MLC: a case study at Kenfig NNR, Wales | |
| Matiza et al. | The utility of Planetscope spectral data in quantifying above-ground carbon stock in an urban reforested landscape | |
| CN117456351B (zh) | 一种星空地协同的滨海湿地盐沼植被碳储量估算方法 | |
| KR20220106639A (ko) | 무인항공기 기반 다중분광영상을 활용한 소규모 저수지의 수생식물 탐지 방법 및 시스템 | |
| 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 | |
| Mosin et al. | Remote sensing and machine learning for tree detection and classification in forestry applications | |
| CN116682026A (zh) | 一种智能深度学习环境遥感系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |