CN117520733A - 森林冠层高度与地理环境协变量关系确定方法及系统 - Google Patents

森林冠层高度与地理环境协变量关系确定方法及系统 Download PDF

Info

Publication number
CN117520733A
CN117520733A CN202410014833.7A CN202410014833A CN117520733A CN 117520733 A CN117520733 A CN 117520733A CN 202410014833 A CN202410014833 A CN 202410014833A CN 117520733 A CN117520733 A CN 117520733A
Authority
CN
China
Prior art keywords
variable
height
footprint
forest
forest canopy
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
Application number
CN202410014833.7A
Other languages
English (en)
Other versions
CN117520733B (zh
Inventor
洪亮
何丽
史正涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Normal University
Original Assignee
Yunnan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN202410014833.7A priority Critical patent/CN117520733B/zh
Publication of CN117520733A publication Critical patent/CN117520733A/zh
Application granted granted Critical
Publication of CN117520733B publication Critical patent/CN117520733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明提供了一种森林冠层高度与地理环境协变量关系确定方法及系统，属于森林环境监测领域。所述方法采集监测区域内与森林冠层高度相关的足迹点数据，再分析地理环境协变量E ij ，设置每种协变量对高度的基准值E j 0，基于基准值计算变量相关系数μ（E ij ）并对当前足迹点下的所有变量相关系数进行排序；设置足迹点半径范围R内的变量相关系数阈值M，确定相关变量；建立足迹点半径范围内的相关变量关系模型，采用加权平均法推测未知点x森林冠层高度与地理环境协变量的相关系数μ（E xj ），最后建立未知点“森林冠层高度‑地理环境协变量”的关系模型。本发明体现了足迹点个体样本的特征，提高了森林冠层高度空间推测的准确性。

Description

森林冠层高度与地理环境协变量关系确定方法及系统
技术领域
本发明属于森林环境监测领域，具体涉及一种森林冠层高度与地理环境协变量关系确定方法。
背景技术
森林冠层是树枝稠密的树冠顶层，不但吸附大气降水中的有关物质，而且向水中输入枝叶分泌物等，森林冠层和大气降水间存在生物、物理、化学作用因林木冠层结构复杂、叶片生理活动旺盛、面积大且相互重叠，以水质及气候尤为重要，是森林生态系统中的主要生产者，在对森林生态系统的监测中需要密切关注森林冠层高度的空间分布及变化。森林生态系统具有复杂的内部结构，所包含的元素对森林冠层高度有不同有影响，因此在森林冠层监测中具有不同的作用。
现有技术中，在森林冠层高度监测及绘制中，一般采用回归分析的方法，将星载LiDAR数据估测的足迹点森林冠层高度作为地面真实值，利用统计理论构建森林冠层高度与地理环境协变量（气候、地形、林冠光谱反射率等）之间的“最优拟合”回归模型，并利用该回归模型推测未知位置森林冠层高度值，实现空间连续的森林冠层高度制图。虽然该方法原理简单，易于理解和计算；但是，该方法需要大量对研究区森林冠层高度空间变化具有良好的全局代表性的足迹点来构建满足平稳性假设的回归模型，忽略了区域足迹点个体代表性的差异对未知点森林冠层高度推测的影响；还有一类是基于空间自相关性进行森林冠层高度的预测，分析采集数据中的已经知足迹点与未知点的地理环境协变量差异的空间自相关性，从而通过具有充分数据信息的足迹点代表相应空间中的未知点，降低因足迹点对未知点的空间代表性差异带来的误差，但该方法仍然需要大量全局代表性好的足迹点来构建空间自相关关系，且邻近足迹点对未知点的代表性有限，难以精准表达复杂地形区域未知点与足迹点森林冠层高度的空间自相关关系。当足迹点不足时，如何确定复杂环境下森林冠层高度与地理环境协变量间的关系，仍然没有充分的研究结论。
发明内容
鉴于现有技术中的上述缺陷或不足，本发明旨在提供一种森林冠层高度与地理环境协变量关系确定方法及系统，通过定量地确定地理环境协变量与森林冠层高度间的关系，明确如何在已知足迹点的有限信息下准确推测未知点的森林冠层高度，提高了森林冠层高度预测的准确性。
为了实现上述目的，本发明实施例采用如下技术方案：
第一方面，本发明实施例提供了一种森林冠层高度与地理环境协变量关系确定方法，包括如下步骤：步骤S1，获取并采集监测区域内与森林冠层高度相关的足迹点数据；
步骤S2，分析足迹点数据中包含的N个地理环境协变量E ij ，i为对应的足迹点，j为协变量类型且j=1，2，3，……，N；设置每种协变量对高度的基准值E j 0，以基准值E j 0与对应的足迹点高度值间的系数为1，计算其他高度为H i 足迹点处的地理环境协变量E ij 与对应高度值间的变量相关系数μ（E ij ）；计算方式如下：
根据所计算的变量相关系数μ（E ij ）的值，对当前足迹点下的所有变量相关系数进行排序；
步骤S3，设置足迹点半径R，设置足迹点半径范围内的变量相关系数阈值M，将变量相关系数μ（E ij ）大于阈值M的地理环境协变量E ij 确定为相关变量；
步骤S4，建立足迹点半径范围内的相关变量关系模型；
步骤S5，计算足迹点半径范围内的足迹点i与未知点x的地理环境相似度，以地理环境相似度为权重，利用足迹点相关变量的变量相关系数μ（/>），采用加权平均法推测未知点x森林冠层高度与地理环境协变量的相关系数μ（E xj ）；
步骤S6，根据相关变量关系模型及变量相关系数，建立未知点“森林冠层高度-地理环境协变量”的关系模型。
作为本发明的一个优选实施例，所述森林冠层高度相关的足迹点数据，包括ICESat-2 ATL08数据、全球生态系统动态调查（Global Ecosystem DynamicsInvestigation，GEDI）数据。
作为本发明的一个优选实施例，所述地理环境协变量包括与森林生态系统相关的所有要素，至少包括地形特征、气候特征、森林冠层特征和土壤水分响应特征。
作为本发明的一个优选实施例，所述地形特征包括：海拔、坡度、坡向；所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数Tcgreeness。
作为本发明的一个优选实施例，所述土壤水分响应指数SMRI，基于预定时间段内气象站点估测的1km日尺度10~100cm土壤水分数据，采用斜率计算100cm深度内土壤保持水分的能力，以表征该土壤提供森林生长所需水分的能力。
作为本发明的一个优选实施例，所述足迹点半径范围，是以足迹点为中心的一个圆形面积。
第二方面，本发明实施例还提供了一种森林冠层高度与地理环境协变量关系确定系统，所述系统包括：数据获取模块、变量相关系数计算模块、相关变量确定模块、相关变量关系模型构建模块、相关系数推测模块、关系确定模块；其中，
所述数据获取模块用于获取并采集监测区域内与森林冠层高度相关的足迹点数据；
所述变量相关系数计算模块用于分析足迹点数据中包含的地理环境协变量，分析并计算每种地理环境协变量与足迹点高度的变量相关系数，根据变量相关系数对地理环境协变量进行排序；
所述相关变量确定模块用于设置足迹点半径，设置足迹点半径范围内的变量相关系数阈值，将大于阈值的地理环境协变量确定为相关变量；
所述相关变量关系模型构建模块用于建立足迹点半径范围内的相关变量关系模型；
所述相关系数推测模块用于计算足迹点半径范围内的足迹点与未知点的地理环境相似度，以地理环境相似度为权重，利用足迹点的变量相关系数，采用加权平均法推测未知点森林冠层高度与地理环境协变量的相关系数；
所述关系确定模块用于根据相关变量的关系模型及变量相关系数，建立未知点“森林冠层高度-地理环境协变量”的关系模型。
作为本发明的一个优选实施例，所述森林冠层高度相关的足迹点数据，包括ICESat-2 ATL08数据、全球生态系统动态调查GEDI数据中的星载LiDAR数据。
作为本发明的一个优选实施例，所述地理环境协变量包括与森林生态系统相关的所有要素，包括地形特征、气候特征、林冠光谱特征和土壤水分响应指数。
作为本发明的一个优选实施例，所述地形特征包括：海拔、坡度、坡向；所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数Tcgreeness。
本发明实施例所提供的技术方案具有如下有益效果：
由以上技术方案可以看出，本发明实施例所提供的复杂环境下森林冠层高度与地理环境协变量关系确定方法，基于每个个体的足迹点挖掘协变量信息，通过设置足迹点半径、变量相关系数及阈值、距离相关系数，并将上述设置整合在关系模型中来计算每个未知点，体现足迹点个体样本特征的同时，使得所有未知点的森林冠层高度与地理环境协变量间具有最接近的特征关系，简化计算的同时，提高了森林冠层高度预测的准确性。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，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附图。
图1是本发明实施例所述复杂环境下森林冠层高度与地理环境协变量关系确定方法的流程图。
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的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征也可以相互组合。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，术语“第一”、“第二”、“第三”、“第四”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
基于森林冠层高度预测中与环境协变量间的紧密关系，本发明实施例提供了一种复杂环境下森林冠层高度与地理环境协变量关系确定方法，通过选定与森林冠层高度相关的地理环境协变量，并建立高度与协变量间的函数关系，从而为森林冠层高度的预测提供充分的数据准备，提高森林冠层高度预测的准确性。
如图1所示，所述复杂环境下森林冠层高度与地理环境协变量关系确定方法包括如下步骤：
步骤S1，获取并采集监测区域内与森林冠层高度相关的足迹点数据。
本步骤中，所述森林冠层高度相关的足迹点数据，包括ICESat-2 ATL08数据、GEDI数据。这里的足迹点数据，可以为一种，也可以为多种，当为多种数据时，可以在数据使用前进行数据的归一化及整合，也可以分别进行数据处理，最后对处理得到的结果进行数据的归一化。
步骤S2，分析足迹点数据中包含的N个地理环境协变量，分析并计算每种地理环境协变量与足迹点高度的变量相关系数，根据变量相关系数对地理环境协变量进行排序。
本步骤中，所述地理环境协变量包括与森林生态系统相关的所有要素，至少包括地形特征、气候特征、森林冠层特征和土壤水分响应特征等。其中，所述地形特征包括：海拔、坡度、坡向；所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数Tcgreeness。
优选地，采集当前足迹点下的地形特征、气候特征、森林冠层特征和土壤水分响应特征等地理环境协变量的值E ij ，i为对应的足迹点，j为协变量类型（j=1，2，3，……，N）；并设置每种协变量对高度的基准值E j 0，以基准值E j 0与对应的足迹点高度值间的系数为1，计算其他高度为H i 足迹点处的地理环境协变量E ij 与对应高度值间的变量相关系数μ（E ij ）；计算方式如下：
根据所计算的变量相关系数μ（E ij ）的值，对当前足迹点下的所有变量相关系数进行排序。
所述采集当前足迹点下的所有地理环境协变量的值，地形特征（坡度、海拔和坡向）是由30m分辨率的SRTMDEM数据提取的，坡度和坡向是使用GEE中的terrainAPI和SRTMDEM计算得到的；气候特征是基于1970-2000年全球1km分辨率的月度气候数据WorldClim(version 2.1)提取的，并利用变异系数方法计算年平均温度、季节性温度、平均降水、季节性降水4种气候特征。林冠光谱特征是基于GEE平台的Sentinel-2A/B数据，计算的设定时间段内年NDVI变异系数值（Coefficient of variation, NDVIcv，用以评价年内NDVI值的稳定性）、平均光谱变化植被指数(SVVImeanSpectral variability vegetationindex，SVVImean）、缨帽变换中的绿度指数共4个特征。土壤水分响应指数（SoilMoistureResponseIndex，SMRI）是基于某年基于气象站点估测的1km日尺度10~100cm土壤水分数据，采用斜率计算100cm深度内土壤保持水分的能力，以表征该土壤提供森林生长所需水分的能力。
步骤S3，设置足迹点半径R，设置足迹点半径范围内的变量相关系数阈值M，将变量相关系数μ（E ij ）大于阈值M的地理环境协变量E ij 确定为相关变量。
本步骤中，所述足迹点半径范围，是以足迹点为中心的一个圆形面积，这个半径可以根据大数据统计值进行计算，也可以根据足迹点的覆盖特征进行设置。
步骤S4，建立足迹点半径范围内的相关变量关系模型。
本步骤，所述关系模型包括足迹点半径参数，即认为与当前未知点相关的地理环境协变量，仅包括与足迹点半径范围内达到变量相关系数阈值的地理环境协变量相关；每个足迹点下的达到变量相关系数阈值的协变量并不相同，因此，半径这个参数中也包含了协变量的类型。上述选择，可以通过对无关协变量赋值为0系数来实现。所述相关变量关系模型采用基于非线性回归的CNN模型、K-近邻关系模型等进行构建，此部分为现有技术，不是本实施例的重点，且对模型的采用并无具体限制，在此不再赘述。步骤S5，计算足迹点半径范围内的足迹点i与未知点x的地理环境相似度,以地理环境相似度为权重，利用足迹点相关变量的变量相关系数μ（/>），采用加权平均法推测未知点x森林冠层高度与地理环境协变量的相关系数μ（E xj ）。
本步骤中，在足迹点半径范围内，以当前足迹点为中心，可以包括多个相邻的足迹点，这里对其他参量进行简化，仅体现未知点与足迹点间的距离关系。
步骤S6，根据相关变量关系模型及变量相关系数，建立未知点“森林冠层高度-地理环境协变量”的关系模型。
本步骤中，将距离相关系数赋值到关系模型中，将距离关系与关系模型中的足迹点进行关联，从而使得每个未知点充分挖掘周围足迹点的协变量信息，同时不会对足迹点的数据提出过高要求，使得通过上述关系所体现的森林冠层高度与协变量关系达到最佳匹配。
本发明实施例还提供了一种复杂环境下森林冠层高度与地理环境协变量关系确定系统，所述系统包括：数据获取模块、变量相关系数计算模块、相关变量确定模块、相关变量关系模型构建模块、相关系数推测模块、关系确定模块；其中，
所述数据获取模块用于获取并采集监测区域内与森林冠层高度相关的足迹点数据；
所述变量相关系数计算模块用于分析足迹点数据中包含的地理环境协变量，分析并计算每种地理环境协变量与足迹点高度的变量相关系数，根据变量相关系数对地理环境协变量进行排序；
所述相关变量确定模块用于设置足迹点半径，设置足迹点半径范围内的变量相关系数阈值，将大于阈值的地理环境协变量确定为相关变量；
所述相关变量关系模型构建模块用于建立足迹点半径范围内的相关变量关系模型；
所述相关系数推测模块用于计算足迹点半径范围内的足迹点与未知点的地理环境相似度以地理环境相似度为权重，利用足迹点的变量相关系数，采用加权平均法推测未知点森林冠层高度与地理环境协变量的相关系数；
所述关系确定模块用于根据相关变量的关系模型及变量相关系数，建立未知点“森林冠层高度-地理环境协变量”的关系模型。
另外需要说明的是，本实施例所述复杂环境下森林冠层高度与地理环境协变量关系确定系统与所述复杂环境下森林冠层高度与地理环境协变量关系确定方法是对应的，对所述方法的描述与限定，同样适用于所述系统，在此不再赘述。
由以上技术方案可以看出，本发明实施例所提供的复杂环境下森林冠层高度与地理环境协变量关系确定方法，基于每个个体的足迹点挖掘协变量信息，通过设置足迹点半径、变量相关系数及阈值、距离相关系数，并将上述设置整合在关系模型中来计算每个未知点，体现足迹点个体样本特征的同时，使得所有未知点的森林冠层高度与地理环境协变量间具有最接近的特征关系，简化计算的同时，提高了森林冠层高度预测的准确性。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明，并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的优选实施例。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

Claims (10)

1.一种森林冠层高度与地理环境协变量关系确定方法，其特征在于，包括如下步骤：
步骤S1，获取并采集监测区域内与森林冠层高度相关的足迹点数据；
步骤S2，分析足迹点数据中包含的N个地理环境协变量E ij ，i为对应的足迹点，j为协变量类型且j=1，2，3，……，N；设置每种协变量对高度的基准值E j 0，以基准值E j 0与对应的足迹点高度值间的系数为1，计算其他高度为H i 足迹点处的地理环境协变量E ij 与对应高度值间的变量相关系数μ（E ij ）；计算方式如下：
，
根据所计算的变量相关系数μ（E ij ）的值，对当前足迹点下的所有变量相关系数进行排序；
步骤S3，设置足迹点半径R，设置足迹点半径范围内的变量相关系数阈值M，将变量相关系数μ（E ij ）大于阈值M的地理环境协变量E ij 确定为相关变量；
步骤S4，建立足迹点半径范围内的相关变量关系模型；
步骤S5，计算足迹点半径范围内的足迹点i与未知点x的地理环境相似度，以地理环境相似度为权重，利用足迹点相关变量的变量相关系数μ（/>），采用加权平均法推测未知点x森林冠层高度与地理环境协变量的相关系数μ（E xj ）；
步骤S6，根据相关变量关系模型及变量相关系数，建立未知点“森林冠层高度-地理环境协变量”的关系模型。
2.根据权利要求1所述的森林冠层高度与地理环境协变量关系确定方法，其特征在于，所述森林冠层高度相关的足迹点数据，包括ICESat-2 ATL08数据、全球生态系统动态调查GEDI数据中的星载LiDAR数据。
3.根据权利要求1所述的森林冠层高度与地理环境协变量关系确定方法，其特征在于，所述地理环境协变量至少包括地形特征、气候特征、森林冠层特征和土壤水分响应指数。
4.根据权利要求3所述的森林冠层高度与地理环境协变量关系确定方法，其特征在于，
所述地形特征包括：海拔、坡度、坡向；
所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；
所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数Tcgreeness。
5.根据权利要求3所述的森林冠层高度与地理环境协变量关系确定方法，其特征在于，所述土壤水分响应指数SMRI，基于预定时间段内气象站点估测的1km日尺度10~100cm土壤水分数据，采用斜率计算100cm深度内土壤保持水分的能力，以表征该土壤提供森林生长所需水分的能力。
6.根据权利要求1所述的森林冠层高度与地理环境协变量关系确定方法，其特征在于，所述足迹点半径范围，是以足迹点为中心的一个圆形面积。
7.一种森林冠层高度与地理环境协变量关系确定系统，其特征在于，所述系统包括：数据获取模块、变量相关系数计算模块、相关变量确定模块、相关变量关系模型构建模块、相关系数推测模块、关系确定模块；其中，
所述数据获取模块用于获取并采集监测区域内与森林冠层高度相关的足迹点数据；
所述变量相关系数计算模块用于分析足迹点数据中包含的地理环境协变量，分析并计算每种地理环境协变量与足迹点高度的变量相关系数，根据变量相关系数对地理环境协变量进行排序；
所述相关变量确定模块用于设置足迹点半径，设置足迹点半径范围内的变量相关系数阈值，将大于阈值的地理环境协变量确定为相关变量；
所述相关变量关系模型构建模块用于建立足迹点半径范围内的相关变量关系模型；
所述相关系数推测模块用于计算足迹点半径范围内的足迹点与未知点的地理环境相似度，以地理环境相似度为权重，利用足迹点的变量相关系数，采用加权平均法推测未知点森林冠层高度与地理环境协变量的相关系数；
所述关系确定模块用于根据相关变量的关系模型及变量相关系数，建立未知点“森林冠层高度-地理环境协变量”的关系模型。
8.根据权利要求7所述的森林冠层高度与地理环境协变量关系确定系统，其特征在于，所述森林冠层高度相关的足迹点数据，包括ICESat-2 ATL08数据、全球生态系统动态调查GEDI数据中的星载LiDAR数据。
9.根据权利要求7所述的森林冠层高度与地理环境协变量关系确定系统，其特征在于，所述地理环境协变量包括与森林生态系统相关的所有要素，包括地形特征、气候特征、林冠光谱特征和土壤水分响应指数。
10.根据权利要求9所述的森林冠层高度与地理环境协变量关系确定系统，其特征在于，所述地形特征包括：海拔、坡度、坡向；所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数Tcgreeness。
CN202410014833.7A 2024-01-05 2024-01-05 森林冠层高度与地理环境协变量关系确定方法及系统 Active CN117520733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410014833.7A CN117520733B (zh) 2024-01-05 2024-01-05 森林冠层高度与地理环境协变量关系确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410014833.7A CN117520733B (zh) 2024-01-05 2024-01-05 森林冠层高度与地理环境协变量关系确定方法及系统

Publications (2)

Publication Number Publication Date
CN117520733A true CN117520733A (zh) 2024-02-06
CN117520733B CN117520733B (zh) 2024-03-19

Family

ID=89757013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410014833.7A Active CN117520733B (zh) 2024-01-05 2024-01-05 森林冠层高度与地理环境协变量关系确定方法及系统

Country Status (1)

Country Link
CN (1) CN117520733B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103760565A (zh) * 2014-02-10 2014-04-30 中国科学院南京地理与湖泊研究所 一种区域尺度森林冠层高度遥感反演方法
CN105866792A (zh) * 2016-05-31 2016-08-17 中国科学院遥感与数字地球研究所 一种新的星载激光雷达树高提取方法
CN109031344A (zh) * 2018-08-01 2018-12-18 南京林业大学 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
CN109212505A (zh) * 2018-09-11 2019-01-15 南京林业大学 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法
CN113870425A (zh) * 2021-09-03 2021-12-31 中林信达（北京）科技信息有限责任公司 基于随机森林和多源遥感技术的森林蓄积量空间制图方法
CN115294147A (zh) * 2022-06-17 2022-11-04 南宁师范大学 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
CN115561773A (zh) * 2022-12-02 2023-01-03 武汉大学 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
CN115690081A (zh) * 2022-11-15 2023-02-03 电子科技大学长三角研究院(湖州) 一种树木计数方法、系统、存储介质、计算机设备及终端
CN116203537A (zh) * 2022-08-22 2023-06-02 云南师范大学 基于星载光子计数激光雷达的森林冠层高度提取方法
CN116224359A (zh) * 2022-12-20 2023-06-06 中国地质调查局烟台海岸带地质调查中心 基于机载LiDAR和小样本数据的森林地上生物量估算方法
CN116381700A (zh) * 2023-03-17 2023-07-04 武汉大学 一种森林冠层高度遥感估测方法及计算机可读介质
US20230213337A1 (en) * 2022-01-06 2023-07-06 Wuhan University Large-scale forest height remote sensing retrieval method considering ecological zoning
CN116912690A (zh) * 2023-07-20 2023-10-20 成都理工大学 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
CN117075138A (zh) * 2023-08-18 2023-11-17 中南大学 一种区域30米森林冠层高度遥感测算方法、系统及介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103760565A (zh) * 2014-02-10 2014-04-30 中国科学院南京地理与湖泊研究所 一种区域尺度森林冠层高度遥感反演方法
CN105866792A (zh) * 2016-05-31 2016-08-17 中国科学院遥感与数字地球研究所 一种新的星载激光雷达树高提取方法
CN109031344A (zh) * 2018-08-01 2018-12-18 南京林业大学 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
CN109212505A (zh) * 2018-09-11 2019-01-15 南京林业大学 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法
CN113870425A (zh) * 2021-09-03 2021-12-31 中林信达（北京）科技信息有限责任公司 基于随机森林和多源遥感技术的森林蓄积量空间制图方法
US20230213337A1 (en) * 2022-01-06 2023-07-06 Wuhan University Large-scale forest height remote sensing retrieval method considering ecological zoning
CN115294147A (zh) * 2022-06-17 2022-11-04 南宁师范大学 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
CN116203537A (zh) * 2022-08-22 2023-06-02 云南师范大学 基于星载光子计数激光雷达的森林冠层高度提取方法
CN115690081A (zh) * 2022-11-15 2023-02-03 电子科技大学长三角研究院(湖州) 一种树木计数方法、系统、存储介质、计算机设备及终端
CN115561773A (zh) * 2022-12-02 2023-01-03 武汉大学 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
CN116224359A (zh) * 2022-12-20 2023-06-06 中国地质调查局烟台海岸带地质调查中心 基于机载LiDAR和小样本数据的森林地上生物量估算方法
CN116381700A (zh) * 2023-03-17 2023-07-04 武汉大学 一种森林冠层高度遥感估测方法及计算机可读介质
CN116912690A (zh) * 2023-07-20 2023-10-20 成都理工大学 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
CN117075138A (zh) * 2023-08-18 2023-11-17 中南大学 一种区域30米森林冠层高度遥感测算方法、系统及介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ZERIHUN CHERE 等: "Machine learning for modeling forest canopy height and cover from multi-sensor data in Northwestern Ethiopia", ENVIRONMENTAL MONITORING AND ASSESSMENT, 10 November 2023 (2023-11-10), pages 1 - 18 *
廖凯涛;齐述华;王成;王点;: "结合GLAS和TM卫星数据的江西省森林高度和生物量制图", 遥感技术与应用, vol. 33, no. 4, 20 August 2018 (2018-08-20), pages 713 - 720 *
梁巧玲 等: "基于遥感生态指数的元谋干热河谷生态环境动态监测及其驱动力分析", 水土保持通报, vol. 42, no. 6, 31 December 2022 (2022-12-31), pages 146 - 154 *
田镇朋 等: "基于多源遥感数据的植被冠层高度估算", 空间科学学报, vol. 43, no. 6, 31 December 2023 (2023-12-31), pages 1176 - 1193 *
胡凯龙 等: "多源遥感数据支持下的区域性森林冠层高度估测", 武汉大学学报(信息科学版), vol. 43, 28 February 2018 (2018-02-28), pages 289 - 296 *
董佳臣 等: "ICESat-2植被冠层高度和地表高程数据产品用于森林高度提取的效果评价", 遥感学报, vol. 25, no. 6, 7 June 2021 (2021-06-07), pages 1294 - 1307 *
陈贵珍 等: "基于GEDI、Sentinel-2和机载激光雷达的森林冠层高度反演研究", 测绘与空间地理信息, vol. 45, 30 June 2022 (2022-06-30), pages 235 - 238 *

Also Published As

Publication number Publication date
CN117520733B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
Fisher et al. Phenology model from surface meteorology does not capture satellite‐based greenup estimations
Vincent et al. Accuracy of small footprint airborne LiDAR in its predictions of tropical moist forest stand structure
CN112800634B (zh) 耦合干湿状态辨识与多源信息融合的降水估计方法及系统
Mohammadi et al. Possibility investigation of tree diversity mapping using Landsat ETM+ data in the Hyrcanian forests of Iran
Luo et al. Retrieving aboveground biomass of wetland Phragmites australis (common reed) using a combination of airborne discrete-return LiDAR and hyperspectral data
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
US20210208307A1 (en) Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level
CN109061601A (zh) 一种基于无人机激光雷达反演人工林森林结构参数的方法
CN113591572A (zh) 基于多源数据和多时相数据的水土流失定量监测方法
Wu et al. Application of SEBAL and Markov models for future stream flow simulation through remote sensing
Kusumoto et al. Determinant factors influencing the spatial distributions of subtropical lianas are correlated with components of functional trait spectra
Berezowski et al. Skill of remote sensing snow products for distributed runoff prediction
Lazri et al. Convective rainfall estimation from MSG/SEVIRI data based on different development phase duration of convective systems (growth phase and decay phase)
CN113139347A (zh) 一种林地旱灾风险预警方法
CN116882625A (zh) 一种岩溶山地乡村聚落用地空间脆弱性识别方法
Samanth et al. Analysis of spatio-temporal variability in observed rainfall over Karnataka using different data analytical techniques
CN117520733B (zh) 森林冠层高度与地理环境协变量关系确定方法及系统
CN109212553A (zh) 无人机LiDAR和随机森林提取银杏生物物理特性的方法
CN110990988A (zh) 一种分析蒸散发影响因子及建立多元回归模型的方法
Kumar et al. A study of spatio-temporal landuse/land cover change dynamics in Rudraprayag District,(Garhwal Himalaya) using Remote Sensing and GIS
Abdolghafoorian et al. Validating the land–atmosphere coupling behavior in weather and climate models using observationally based global products
McRoberts et al. Annual forest inventories for the north central region of the United States
Ochieng Characterizing the spatial distributions of elephants in Mpala, Kenya
Nakajima Estimating tree growth using crown metrics derived from LiDAR data
Sealey et al. Quantifying cumulative effects of harvesting on aspen regeneration through fuzzy logic suitability mapping

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