CN117423011A - 一种森林碳储量遥感估算方法、***、设备及介质 - Google Patents
一种森林碳储量遥感估算方法、***、设备及介质 Download PDFInfo
- Publication number
- CN117423011A CN117423011A CN202311482382.1A CN202311482382A CN117423011A CN 117423011 A CN117423011 A CN 117423011A CN 202311482382 A CN202311482382 A CN 202311482382A CN 117423011 A CN117423011 A CN 117423011A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- resolution
- forest
- image data
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 185
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010219 correlation analysis Methods 0.000 claims abstract description 37
- 238000003066 decision tree Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims description 58
- 238000012937 correction Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 3
- 241000894007 species Species 0.000 description 42
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000007637 random forest analysis Methods 0.000 description 24
- 238000011160 research Methods 0.000 description 21
- 239000002028 Biomass Substances 0.000 description 16
- 230000000694 effects Effects 0.000 description 14
- 235000011609 Pinus massoniana Nutrition 0.000 description 13
- 241000018650 Pinus massoniana Species 0.000 description 13
- 241000593922 Quercus acutissima Species 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000011835 investigation Methods 0.000 description 9
- 230000010287 polarization Effects 0.000 description 9
- 230000002596 correlated effect Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 5
- 241000018646 Pinus brutia Species 0.000 description 5
- 235000011613 Pinus brutia Nutrition 0.000 description 5
- 101000812677 Homo sapiens Nucleotide pyrophosphatase Proteins 0.000 description 4
- 102100039306 Nucleotide pyrophosphatase Human genes 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 102000006463 Talin Human genes 0.000 description 3
- 108010083809 Talin Proteins 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004043 responsiveness Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000218631 Coniferophyta Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241001081179 Litsea Species 0.000 description 2
- 235000012854 Litsea cubeba Nutrition 0.000 description 2
- 235000005205 Pinus Nutrition 0.000 description 2
- 241000218602 Pinus <genus> Species 0.000 description 2
- 241000219492 Quercus Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 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 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009919 sequestration Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011426 transformation 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
- G06V20/13—Satellite images
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7747—Organisation of the process, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种森林碳储量遥感估算方法、***、设备及介质,涉及森林碳储量估计领域,方法包括获取森林的遥感数据和数字高程数据;所述遥感数据包括高分二号卫星遥感影像数据、高分三号卫星遥感影像数据和高分六号卫星遥感影像数据;分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征;对多个所述数据特征进行相关性分析,得到相关性特征;根据所述相关性特征利用梯度提升决策树构建多树种碳储量模型;根据所述多树种碳储量模型进行估算,得到森林碳储量。本发明能提高森林碳储量的估算精度。
Description
技术领域
本发明涉及森林碳储量估计领域,特别是涉及一种森林碳储量遥感估算方法、***、设备及介质。
背景技术
森林生态***的生产力高于其他任何陆地生态***,其每年固碳量占陆地生态***总固碳量的2/3以上。虽然世界森林总面积仅占陆地总面积的31%左右,但其植被碳储量则占全球植被碳储量的86%以上。森林地上碳储量(AGC)是反映森林生态***结构和功能以及森林质量的重要指标,是评估森林固碳能力和碳平衡的重要参数,因而在当前全球气候变化引起多方环境问题的背景下研究森林碳储量具有重要意义。随着科技进步和技术革新,利用遥感方法估算碳储量逐渐取代传统的方法成为大区域估算的主要手段,结合多源遥感数据能够更加准确的求算碳储量。
目前森林碳储量监测中存在以下问题:一、缺少基于小班尺度和基于树种、林龄调查因子对森林碳储量遥感估测的研究。森林资源清查中小班是最基本的调查单位,调查过程中需要测定和测算的指标包括单位蓄积量、面积、平均树高、平均胸径、郁闭度、树种和林龄等信息。以小班为研究单位,可以快速、有效、客观地对森林资源变化进行遥感监测,满足森林资源管理部门对于快速、准确提取森林资源覆盖变化信息的要求。因此如何充分有效借助该类数据实现林场尺度森林植被地上碳储量的估算是当前林业研究的重点。在森林生态***中,植被地上和地下之间的碳分配过程受气候因素、立地条件、森林类型、森林经营管理、林龄结构等因素的影响,尤其是树种和林龄对估算区域尺度森林生态***碳储量尤为重要。近年来,在区域尺度上对不同树种、不同林龄人工林碳储量及其分配特征开展了大量研究,目前已有很多学者针对森林碳储量及分配格局随林龄的变化进行了研究,结果表明林龄对碳储量估算有较好的响应性。二、建立估测森林碳储量的模型需寻找到与森林碳储量相关性高的遥感特征,找寻森林碳储量与遥感特征定量关系的过程较为困难。基于遥感估算森林地上碳储量并非直接进行的,而是利用遥感数据计算植被指数、纹理特征、叶面积指数等特征变量,分析这些遥感特征因子与碳储量之间的关系,进而估算碳储量。早在遥感估算生物量的研究过程中,学者就发现传统森林地上生物量(AGB)样地调查费时费力,而遥感数据由于其光谱信息及植被参数与森林AGB之间的高度相关性,且能持续捕捉大面积地表特征,从而被广泛用于大尺度森林AGB估算。如Eckert等基于WordView-2影像研究发现,纹理特征较光谱信息与生物量之间有更好的相关性。已有研究表明,生物量与SAR的后向散射系数之间具有较强的相关性。对喀麦隆的热带森林生物量的遥感研究表明,中红外植被指数与热带森林植被的总生物量具有较好的相关性。由此可见,利用遥感技术估算森林植被地上碳储量研究中,提取足够的遥感特征变量并对其进行筛选分析对于提高估算结果的精度而言十分重要。三、目前遥感估算生物量碳储量的研究中,采用线性回归模型和机器学习模型作为主要的估计模型。随机森林算法是集成学习中bagging思想的代表性算法,在估算森林碳储量中属于性能较好的机器学习模型;梯度提升决策树则是集成学习中boosting思想的代表性算法,但少见利用梯度提升决策树(GBDT)算法进行森林碳储量估算的研究,同时也缺少对于梯度提升决策树(GBDT)和随机森林算法在回归预测问题中估测能力的比较。梯度提升决策树(GBDT)是以CART回归树为基学习器的Boosting算法,该方法将模型的损失函数负梯度值作为残差的近似值拟合回归树,采用加法模型使次迭代生成的回归树进行线性组合得到最终的分类器。梯度提升决策树(GBDT)算法在解决非线性问题中表现出比随机森林更高的准确性,该模型的主要优点是可以通过涉及所有的解释变量来解决多重共线性问题,对异常值非常敏感,通过减少模型偏差以提高性能。因此需要一种利用梯度提升决策树算法进行森林碳储量估算的方法。
发明内容
本发明的目的是提供一种森林碳储量遥感估算方法、***、设备及介质,可提高森林碳储量的估算精度。
为实现上述目的,本发明提供了如下方案:
一种森林碳储量遥感估算方法,包括:
获取森林的遥感数据和数字高程数据;所述遥感数据包括高分二号卫星遥感影像数据、高分三号卫星遥感影像数据和高分六号卫星遥感影像数据;
分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征;
对多个所述数据特征进行相关性分析,得到相关性特征;
根据所述相关性特征利用梯度提升决策树构建多树种碳储量模型;
根据所述多树种碳储量模型进行估算,得到森林碳储量。
可选地,分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征,具体包括:
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行波段提取,得到数据特征中的地表反射率;
对所述高分六号卫星遥感影像数据进行植被指数特征提取,得到数据特征中的多个植被指数;
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行纹理特征提取,得到数据特征中的纹理特征;
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据各波段信息进行主成分分析,得到数据特征中的主成分因子特征;
对所述高分三号卫星遥感影像数据进行特征提取,得到数据特征中的雷达影像后向散射系数;
对所述数字高程数据进行地形因子提取,得到数据特征中的地形因子。
可选地,在获取森林的遥感数据和数字高程数据之后,还包括:
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行辐射定标和大气校正;
对所述数据高程数据进行正射校正。
可选地,所述相关性分析包括不同林种相关性分析和不同龄组相关性分析。
本发明还提供一种森林碳储量遥感估算***,包括:
获取模块,用于获取森林的遥感数据和数字高程数据;所述遥感数据包括高分二号卫星遥感影像数据、高分三号卫星遥感影像数据和高分六号卫星遥感影像数据;
特征因子提取模块,用于分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征;
相关性分析模块,用于对多个所述数据特征进行相关性分析,得到相关性特征;
构建模块,用于根据所述相关性特征利用梯度提升决策树构建多树种碳储量模型;
估算模块,用于根据所述多树种碳储量模型进行估算,得到森林碳储量。
可选地,特征因子提取模块具体包括:
波段提取单元,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行波段提取,得到数据特征中的地表反射率;
植被指数特征提取单元,用于对所述高分六号卫星遥感影像数据进行植被指数特征提取,得到数据特征中的多个植被指数;
纹理特征提取单元,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行纹理特征提取,得到数据特征中的纹理特征;
主成分分析单元,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据各波段信息进行主成分分析,得到数据特征中的主成分因子特征;
雷达影像后向散射系数提取单元,用于对所述高分三号卫星遥感影像数据进行特征提取,得到数据特征中的雷达影像后向散射系数;
地形因子提取单元,用于对所述数字高程数据进行地形因子提取,得到数据特征中的地形因子。
可选地,森林碳储量遥感估算***还包括:
辐射定标和大气校正模块,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行辐射定标和大气校正;
正射校正模块,用于对所述数据高程数据进行正射校正。
可选地,所述相关性分析包括不同林种相关性分析和不同龄组相关性分析。
本发明还提供一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如所述的方法。
本发明还提供一种计算机存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如所述的方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明获取森林的遥感数据和数字高程数据;所述遥感数据包括高分二号卫星遥感影像数据、高分三号卫星遥感影像数据和高分六号卫星遥感影像数据;分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征;对多个所述数据特征进行相关性分析,得到相关性特征;根据所述相关性特征利用梯度提升决策树构建多树种碳储量模型;根据所述多树种碳储量模型进行估算,得到森林碳储量。通过梯度提升决策树从而提高碳储量的估算精度。
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的前提下,还可以根据这些附图获得其他的附图。
图1为光学影像单波段信息图;
图2为植被指数提取结果图;
图3为光学影像纹理特征提取结果图;
图4为不同模型多树种估算结果及验证图;
图5为不同模型碳储量估算结果分布图;
图6为本发明提供的森林碳储量遥感估算方法流程图。
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。
本发明的目的是提供一种森林碳储量遥感估算方法、***、设备及介质,可提高碳储量的估算精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明以安徽省滁州市皇甫山林场为研究区,基于国产高分二号、高分六号光学影像和国产高分三号雷达影像,提取包括原始波段灰度值、植被指数特征、纹理特征、主成分因子特征、雷达影像的后向散射系数和地形特征等多特征因子,对小班碳储量和多特征因子进行相关性分析,拟得到与不同树种、不同龄组森林植被碳储量响应性较好的特征因子,在为小班尺度的森林植被碳储量遥感估算提供一定的科学依据和理论支持的同时,比较梯度提升决策树与随机森林这两种不同思想的模型在多树种碳储量预测中的估算精度。
如图6所示,本发明提供的一种森林碳储量遥感估算方法,包括:
步骤101:获取森林的遥感数据和数字高程数据;所述遥感数据包括高分二号卫星遥感影像数据、高分三号卫星遥感影像数据和高分六号卫星遥感影像数据。
在获取森林的遥感数据和数字高程数据之后,还包括:对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行辐射定标和大气校正;对所述数据高程数据进行正射校正。
皇甫山林场坐落在滁州市西北部,地处江淮丘陵区,地形复杂,是皖东地区唯一的国家级森林公园和自然保护区。地理坐标为东经117°58′-118°03′,北纬在32°17′-32°25′之间,是中国江淮分水岭地区面积最大的原始次生林。林场地处亚热带北缘,年平均气温14.3℃,年平均降水量1060mm,气候温和、四季分明。植被为原始次生林,森林覆盖率达到96%。据2012年森林二类调查数据显示,森林类型有针叶林、落叶阔叶林、阔叶混交林和针阔混交林,其中以马尾松、湿地松和麻栎为代表的纯林小班占整个林区的78.2%以上,所以本发明在整个林区小班数据的林种中选择这三种树种为主要树种进行分析。
本发明选用2020年7月30日的GF-6WFV影像数据1景、2020年9月3日的GF-2影像数据3景和2020年9月14日的精细化条带成像模式的GF-3影像数据1景。GF-6WFV数据单景幅宽800km,空间分辨率16m,在传统多光谱谱段(B1-B4:0.45-0.89)的基础上,新增了红边I(B5:0.69-0.73)、红边II波段(0.73-0.77)、紫边波段(B7:0.40-0.45)以及黄边波段(B8:0.59-0.62)。GF-2是中国自主研发的首颗空间分辨率优于1m的民用光学遥感卫星,搭载有两台高分辨率的1m全色与4m多光谱相机。GF-3卫星是中国首颗民用C频段多极化合成孔径雷达卫星,具有扫描模式、条带模式、聚束模式、方位多波束模式等12种成像模式。本发明所选择的影像均能很好的覆盖研究区域。
基于ENVI 5.6软件对GF-2、GF-6和GF-3影像进行处理,根据中国卫星资源应用中心官方发布的GF-2PMS1传感器和GF-6传感器绝对辐射定标系数和波谱响应函数进行辐射定标、大气校正,利用91卫图结合30m高程数据(DEM)进行正射校正,误差控制在1个像元以内。校正后的GF-6空间分辨率为16m。利用NNDiffuse Pan Sharpening融合方法对校正后的GF-24m多光谱和1m全色数据进行融合,融合后的空间分辨率为1m。
样地数据与处理:一是用树种信息,本发明主要做了四种树种的森林碳储量研究,包括:马尾松、湿地松、麻栎、阔叶混交林;二是用公顷蓄积,通过不同树种的蓄积转换成生物量,再根据不同树种具有不同的含碳系数,转为碳储量,为后续建模提供碳储量样本;三是用树龄,根据不同的年龄划分为不同的龄组,包括:幼龄林、中龄林、近熟林、成熟林、过熟林,不同龄组碳储量作为后续建模样本。
本发明基于2018年在皇甫山林场进行的实地样地信息调查得到的315个小班样地数据进行碳储量的估算,样地调查数据包括样地树种组成、优势树种、平均胸径、平均树高、郁闭度、林龄、公顷蓄积、坡度、坡向、海拔等样地基本信息,详见表1。
表1样地森林参数基本信息表
本发明主要是基于小班内主要优势树种马尾松、麻栎和湿地松,均属于乔木。根据《中华人民共和国林业行业标准》-《森林生态***碳储量计量指南》相关内容介绍,乔木层地上部分碳储量由林分各树种的平均单位面积地上生物量、树种含碳率及林分面积计算获得,含碳系数应按顺序选择以下方式获得:
a)采用生态***碳库调查及树种含碳率测定的结果;
b)根据主要优势树种(组)生物量转换参数表中提供的CF值;
c)采用缺省值0.5tC/t.d.m。
根据《中华人们共和国》-《立木生物量模型及碳计量参数》马尾松、湿地松及麻栎篇各自部分的介绍,从而确定本发明所使用的相应树种含碳系数。如表2所示:
表2不同树种含碳率
辅助数据包括地形数据,采用1:30m DEM数据,提取研究区的海拔、坡度、坡向信息,作为地形因子参与特征集的构建。
步骤102:分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征。
步骤102具体包括:
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行波段提取,得到数据特征中的地表反射率。
对所述高分六号卫星遥感影像数据进行植被指数特征提取,得到数据特征中的多个植被指数。
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行纹理特征提取,得到数据特征中的纹理特征。
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据各波段信息进行主成分分析,得到数据特征中的主成分因子特征。
对所述高分三号卫星遥感影像数据进行特征提取,得到数据特征中的雷达影像后向散射系数。
对所述数字高程数据进行地形因子提取,得到数据特征中的地形因子。
光学影像特征
(1)地表反射率
光谱信息分别选择GF-2影像和GF-6影像的波段信息,除了GF-2原有的4个波段外,增加了GF-6影像的8个波段,一共12个波段信息。提取后的GF-2影像的4个多光谱波段的地表反射率如图1所示。其中,图1中的(a)为Band1反射率,图1中的(b)为Band2反射率,图1中的(c)为Band3反射率,图1中的(d)为Band4反射率。
(2)植被指数特征
在原有地物光谱信息的基础上,为了更好的估算植被碳储量,同时加入了7个常见的植被指数包括归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、增强型植被指数(EVI)、土壤调节植被指数(SAVI)、绿度归一化植被指数(GNDVI)、红外百分比植被指数(IPVI),国产GF-6卫星新增红边波段与Sentinel-2的第5和第6波段比较接近,所以引入了在Sentinel-2数据中应用的对生物量变化有高度敏感性的MTCI和NDREI两种植被指数,MTCI对植物叶片中的叶绿素尤其敏感,比值与植物叶片中的叶绿素含量成正比;NDREI通过对红边的波峰和波谷进行归一化处理,常用于植被分类和叶面积指数计算。利用ENVI的波段运算(Band Math)工具对预处理后的高分六号影像波段进行运算,得到9种植被指数。各植被指数计算公式表3所示,提取得到的各种植被指数如图2所示。其中,图2中的(a)为RVI提取结果,图2中的(b)为NDRVI提取结果,图2中的(c)为EVI提取结果,图2中的(d)为DVI提取结果,图2中的(e)为SAVI提取结果,图2中的(f)为GNDVI提取结果,图2中的(g)为IPVI提取结果,图2中的(h)为MTCI提取结果,图2中的(i)为NDEVI提取结果。
表3常用植被指数
注:表3公式中,ρ为反射率,其中下角标NIR为近红外波段,RED为红波段,BLUE为蓝波段。B为波段,L为土壤调节系数,本发明中L取0.5。
(3)纹理特征
早有研究表明,光谱纹理特征的加入可以有效提高模型的估算精度。本发明应用基于二阶统计滤波得到的灰度共生矩阵(GLCM)对GF-2融合后的4个波段和GF-6的新增波段信息进行常见纹理特征的提取。提取常用的8个纹理特征,包括:均值(Mean)、方差(Variance)、对比度(Contrast)、相异性(Dissimilarity)、信息熵(Entropy)、协同性(Homogeneity)、二阶矩(Second Moment)和相关性(Correlation),计算公式如表4所示。提取窗口分别是3x3、5x5、7x7、9x9、11x11和13x13,移动步长为1个像元,为避免窗口边缘效应的影响,保持影像纹理特征的稳定清晰,选择64灰度级。利用ENVI提取GF-6新增红边1(B5)的0°方向3x3窗口下的8个纹理特征因子如图3所示。其中,图3中的(a)为均值(ME)提取结果,图3中的(b)为方差(VAR)提取结果,图3中的(c)为同质性(HOM),图3中的(d)为对比度(CON)提取结果,图3中的(e)为相异性(DIS)提取结果,图3中的(f)为熵值(ENT)提取结果,图3中的(g)为二阶矩(ASM)提取结果,图3中的(h)为相关性(COR)提取结果。
表4 GLGM纹理特征计算公式
注:i,j=0,1,2,...,L-1,L为图像灰度级的数目,p(i,j)是一个灰度级同现矩阵,Mean是均值,Variance是方差。
(4)主成分因子特征
主成分分析是数据降维算法的一种,降维是将高纬度的数据(较多指标)保留下最重要的特征,去除噪声和不重要的特征,从而实现减少多光谱影像波段信息之间的冗余,主要是通过线性变换的方法将主要信息集中在几个主要主成分信息中,以突出主要信息,是多光谱遥感影像处理中常用的变换技术。
分别对高分二号和高分六号影像各个波段信息进行主成分分析,实现各波段之间的噪声的隔离、减少数据集维度的目的。利用正向主成分PC变换,协方差矩阵进行主成分分析,结果表明GF-2影像的第一主成分包含4个波段97.75%的信息,GF-6影像的第一主成分包含8个波段99.65%的信息,能够很好的反映各个波段的信息。
雷达影像后向散射系数(是对高分三号卫星数据预处理得到后向散射系数)
散射系数是指在单位截面面积上雷达的反射率或单位照射面积上的雷达散射截面。在遥感技术的反演实验中,通常使用雷达散射系数来表示雷达面积中平均散射截面的参数,把入射方向上的散射强度的参数或者目标每单位面积的平均雷达截面,称为后向散射系数。利用ENVI提取的经过数据导入、多视、滤波、地理编码和辐射定标预处理后的两种极化方式(HH、HV)的3种后向散射系数(雷达强度系数sigma、雷达亮度系数beta、入射角归一化的后向散射系数gamma)共6个后向散射系数(HHsigma、HHbeta、HHgamma、HVsigma、HVbeta、HVgamma)。
地形因子
本发明基于30m分辨率的DEM数据进行地形因子的提取,利用ArcMap中的3D分析工具,提取研究区内的坡度、坡向和海拔因子。
对估算结果进行精度评价,使用决定系数R2和均方根误差(RMSE)作为评价指标,计算公式如下所示:
式(1)、(2)中:yi为样地生物量建模值,为样地生物量预测值,/>为样地生物量平均值,N为样地个数。
步骤103:对多个所述数据特征进行相关性分析,得到相关性特征。所述相关性分析包括不同林种相关性分析和不同龄组相关性分析。
本发明选择了遥感波段数据(GF-2:B1-B4;GF-6:B1-B8)、植被指数特征(9个)、雷达影像的后向散射系数(共6个)主成分分析数据及纹理特征共411个。本发明在以林龄分类的基础上,应用三倍标准差原则剔除异常值,最终选取295个数据进行建模,其中优势树种马尾松130个,湿地松75个,麻栎90个样本。随机选取70%样本数据(206个)作为训练集,用于构建模型,剩余30%(89个)作为训练集,用于模型精度检验。建模因子数量多于建模样本数量,所有特征因子参与建模会增加过拟合风险,所以在建模前通常需要对特征因子进行选取。本发明应用Person相关系数对特征因子和碳储量进行相关性分析,选择出与碳储量显著相关的因子。
相关性分析
不同林种相关性分析
多树种和三种单一树种碳储量与四种数据源特征因子(即表5中的第一列)的相关系数如表5所示。
表5各因子与不同林种碳储量相关性
PCA1GF-2表示GF-2影像的第一主成分,B1-mean-3表示GF-2影像波段1在3x3窗口下的均值mean,HVgamma表示GF-3影像HV极化方式下的gamma系数。
多树种碳储量与GF-2影像的B1_hom_3相关性最强,相关系数为-0.579,与B1-mean-3相关系数为0.43,其次分别是Band1,PCA1和B3_var_5,相关系数为0.364,0.348和0.255;多树种碳储量与GF-6影像的B5_mean_13的相关系数达0.54,与新增红边波段植被指数MTCI和GNDVI的相关系数分别为0.487和-0.217;在GF-3两种极化方式下计算出的6种后向散射系数(HHsigma、HHbeta、HHgamma、HVsigma、HVbeta、HVgamma)中,只有HVsigma和HVgamma和碳储量表现出相关性,其中多树种碳储量与HVsigma和HVgamma的相关系数分别为0.227和0.226。马尾松碳储量与GF-2影像的B3_var_3、B3_hom_13、B1_mean_5相关系数分别为-0.624、0.538和0.268,Band1和PCA1相关系数为0.419和0.327;马尾松碳储量与GF-6影像的Band6相关性最好,相关系数为-0.416,与GF-6第一主成分相关系数为-0.369;GF-3的HVsigma对马尾松碳储量的表征能力较好,相关系数为0.219。湿地松碳储量与GF-2的B3_mean_5的相关性较好,相关系数为0.489,其次为Band3,为0.412;湿地松碳储量与GF-6归一化植被指数(NDVI)和Band4显著相关,相关系数分别为0.427和0.405,与GF-6第一主成分相关系数为0.352;湿地松碳储量与HVsigma的相关系数为0.225。麻栎碳储量与GF-2的B3_mean_13的相关系数为-0.625,呈显著负相关,其次是Band2,相关系数为-0.565;GF-6的第一主成分对麻栎碳储量的表征较好,相关系数为-0.523,其次相关性较好的为Band6,相关系数为-0.502,麻栎碳储量与GF-6影像新增红边指数MTCI和绿度植被指数GNDVI显著相关,相关系数分别为0.449和0.376;GF-3后向散射系数中的HVgamma与麻栎碳储量相关,相关系数为0.258。其中,多树种、马尾松和麻栎均与地形因子有较强的相关性,研究区海拔为45-385m,因此坡度对碳储量影响较大。可以看到,GF-2影像波段纹理特征和GF-6新增波段以及新增红边植被指数MTCI与多树种和三种单一树种的相关性均大于0.255。
不同龄组相关性分析
根据样地调查的样本数据所属的林龄将其划分为幼龄林、中龄林、近熟林、过熟林及成熟林,从不同龄组的角度展开分析,各因子与不同龄组碳储量的相关性如表6所示。
表6各因子与不同龄组碳储量相关性
B3_mean_5表示GF-2影像波段3在5x5窗口下的均值mean,PCA1GF-6表示GF-6影像的第一主成分,HVsigma表示GF-3影像HV极化方式下的sigma系数。
幼龄林碳储量与GF-2影像的B3_var_5的相关性较好,相关系数为0.455,其次分别为B3_mean_5、B2_ent_3和Band3,相关系数分别为0.275、0.256和-0.238;幼龄林与GF-6影像的B2_mean_5的相关性最好,相关系数为0.572,其次相关性较好的为土壤调节植被指数SAVI、GF-6影像的第一主成分和GF-6影像的绿度植被指数,相关系数分别为-0.53、-0.345和-0.207。中龄林碳储量与GF-2影像的B3_var_3和B3_cor_3显著相关,相关系数为-0.624和-0.593,其次相关性较好的为Band2和B2_mean_5,相关系数分别为0.376和0.275;中龄林碳储量与GF-6影像的新增波段显著相关,相关系数为-0.528,其次相关性较好的为GF—6影像的B1_mean_13和GF-6新增红边指数MTCI,相关系数分别为0.326和-0.278。近熟林碳储量与GF-2影像的Band3呈显著相关,相关系数为0.368,其次相关性较好的为GF-2影像的B4_mean_13和B4_var_5,相关系数为0.355和0.286;GF-6影像的B1_mean_3相关性最好,相关系数达0.527,其次为GF-6影像的新增红边植被指数NDREI,相关系数为-0.473。过熟林碳储量与GF-2影像的B3_hom_13显著相关,相关系数为-0.548,其次相关性较好的为Band1,相关系数为-0.389;与GF-6影像的B6_mean_3的相关性最好,相关系数为-0.524,其次呈显著相关的分别是比值植被指数RVI和GF-6新增红边植被指数NDREI,相关系数分别为0.468和0.382。成熟林碳储量与GF-2影像的B3_mean_13和B3_var_5有较好的相关性,相关系数分别为0.633和-0.625,其次GF-2影像的Band1也和成熟林碳储量显著相关,相关系数为-0.491;成熟林碳储量与GF-6影像的新增波段显著相关,相关系数为-0.488,其次有较好相关性的还有GF-6影像的新增红边植被指数NDREI和MTCI以及B3_mean_3,相关系数分别为0.397、-0.285和0.373。GF-3影像的HV极化方式下的两种后向散射系数HVsigma和HVgamma与成熟林碳储量有较好的相关性,相关系数分别为0.262和0.373;幼龄林和中龄林碳储量与GF-3影像的HVsigma存在较好相关性,近熟林和过熟林碳储量与GF-3影像的HVgamma呈显著相关。此外地形因子中的坡向因子与不同龄组碳储量都存在较强的相关性,与近熟林碳储量最显著相关的相关系数达到0.517。
本发明主要开展不同林种相关性分析和不同龄组相关性分析,分别得到了相关性较高的因子,作为后续模型的输入构建多树种碳储量模型。
应用不同模型估算多树种碳储量,分别应用了随机森林算法(RF)和梯度提升决策树(GBDT)两种方法,并对两种方法进行的对比和评价。两种模型估算结果差异主要集中在低值部分,随机森林算法(RF)对低值部分估算结果过低,梯度提升决策树(GBDT)算法对低值区域估算效果更优,两种模型对高值区域碳储量的估算效果均比较理想。
步骤104:根据所述相关性特征利用梯度提升决策树构建多树种碳储量模型。
步骤105:根据所述多树种碳储量模型进行估算,得到森林碳储量。
随机森林算法(RF)
随机森林算法具有良好的鲁棒性和较高的准确率,适用于高维且特征高度相关的数据样本集。算法原理为基于bootstrap方法从建模数据集中有放回的多次随机抽取,对内次抽取样本进行投票,最终经投票得出预测结果,调用python的sklearn中的随机森林模型,建立50个决策树,经过反复训练,实现模型的构建。
梯度提升决策树(GBDT)
在GBDT的每次迭代过程中,都在残差减小的梯度方向新建一棵CART决策树,经多次迭代,使残差趋近于0,最后将所有决策树的结果进行累加,获得最终的预测结果。其核心思想是通过损失函数的负梯度拟合前一轮基学习器的残差,使每一轮的残差估计逐渐减小,因此每一轮基学习器的输出逐渐接近真值;负梯度方向上拟合,可以保证每轮训练都能让损失函数尽可能减小,加速收敛到局部或全局最优解。
即使样本数据的类型不同,也可以较好地处理。采用加法模型表示GBDT算法的流程如下所示:
模型输入:训练集 损失函数L(y,f(x))。
模型输出:GBDT模型
模型过程:
(1)初始化
(2)对m=1,2,...,M
对i=1,2,...,N,计算
即利用每个样本的损失函数负梯度作为样本残差rmi=yi-f(xi)的近似值。
对rmj拟合一个CART回归树,得到叶子节点集合Rmj,j=1,2,…,J。
对j=1,2,...,J,求极小化的损失函数:
更新预测结果:
(3)得到GBDT模型:
式中:N表示样本数量,M表示回归树数量,J表示回归树叶子节点数量,I(x)表示用于判断集合中元素的指示函数,θ表示超越参数。
估算结果显示选择随机森林和梯度提升决策树算法对多树种碳储量的估算取得了较好的拟合结果,对验证样本进行精度验证,根据拟合效果的决定系数(R2)和均方根误差(RSME),检验模型的预测值和实测值是否存在较好的拟合效果。如图4所示,图4中的(a)和(b)分别为随机森林和梯度提升决策树算法在训练样本的拟合效果;图4中的(c)和(d)分别为随机森林和梯度提升决策树在验证样本的拟合效果。梯度提升决策树的拟合效果比随机森林更好,R2达到0.902,RSME为10.261t/hm2,而随机森林拟合系数R2达0.871,RSME为15.172t/hm2,从算法本身考虑,GBDT的每一次计算都是为了减少上一次的残差,其性能在RF的基础上又进一步提升,在相对较少的调参时间下,预测的准确度比RF要高。
不同模型多树种碳储量结果制图
在对林区马尾松、湿地松和麻栎三种主要树种进行估算的基础上,将林区其余的少量树种作为阔叶混交林进行处理。针对这四种林分类型,分别利用随机森林和GBDT模型进行碳储量估算,根据估算结果进行碳储量制图。
图5显示了皇甫山森林碳储量的空间分布,碳储量值在0.361t/hm2至166.067t/hm2之间。图5中的(a)为多元回归碳储量估算结果,图5中的(b)为随机森林碳储量估算结果,两种模型估算结果差异主要集中在低值部分,随机森林算法对低值部分估算结果过低,梯度提升决策树(GBDT)算法对低值区域估算效果更优,两种模型对高值区域碳储量的估算效果均比较理想,最高碳储量均为166.067t/hm2。
本发明联合了国产高分光学数据和雷达数据,以皇甫山林场为研究区,在小班数据的基础上结合实测样地数据,分析与碳储量显著相关的特征因子,结合不同模型对皇甫山森林碳储量进行估算。研究得到了如下结论:一、GF-2影像的纹理特征、GF-6影像的新增波段及新增红边植被指数及GF-3影像精细化条带下HV极化方式的雷达强度系数sigma和雷达亮度系数beta与森林碳储量均有较好的响应性;二、就不同林种而言,马尾松碳储量与GF-6影像新增红边波段相关性最好;湿地松碳储量与GF-2影像的纹理特征相关性最好;麻栎碳储量与GF-2影像的纹理特征和GF-6影像新增红边指数MTCI和绿度植被指数GNDVI显著相关;坡度对多树种、马尾松和麻栎碳储量影响较大。对不同龄组来说,幼龄林、中龄林、过熟林以及成熟林碳储量与GF-2影像的纹理特征均有较高的相关性;中龄林、近熟林和过熟林碳储量与GF-6影像的新增波段也呈显著相关;幼龄林和中龄林碳储量与GF-3影像HV极化方式下的sigma系数存在较好相关性;近熟林和过熟林碳储量与GF-3影像HV计划方式下gamma系数呈显著相关;此外地形因子中的坡向因子与不同龄组碳储量都存在较强的相关性。三、对多树种建模引入随机森林和梯度提升决策树模型,结果表明梯度提升决策树的估测精度更高。梯度提升决策树的拟合效果比随机森林更好,R2达到0.902,RSME为10.261t/hm2,而随机森林拟合系数R2达0.871,RSME为15.172t/hm2。
本发明还提供一种森林碳储量遥感估算***,包括:
获取模块,用于获取森林的遥感数据和数字高程数据;所述遥感数据包括高分二号卫星遥感影像数据、高分三号卫星遥感影像数据和高分六号卫星遥感影像数据。
特征因子提取模块,用于分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征。
相关性分析模块,用于对多个所述数据特征进行相关性分析,得到相关性特征。
构建模块,用于根据所述相关性特征利用梯度提升决策树构建多树种碳储量模型。
估算模块,用于根据所述多树种碳储量模型进行估算,得到森林碳储量。
作为一种可选地实施方式,特征因子提取模块具体包括:
波段提取单元,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行波段提取,得到数据特征中的地表反射率。
植被指数特征提取单元,用于对所述高分六号卫星遥感影像数据进行植被指数特征提取,得到数据特征中的多个植被指数。
纹理特征提取单元,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行纹理特征提取,得到数据特征中的纹理特征。
主成分分析单元,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据各波段信息进行主成分分析,得到数据特征中的主成分因子特征。
雷达影像后向散射系数提取单元,用于对所述高分三号卫星遥感影像数据进行特征提取,得到数据特征中的雷达影像后向散射系数。
地形因子提取单元,用于对所述数字高程数据进行地形因子提取,得到数据特征中的地形因子。
作为一种可选地实施方式,森林碳储量遥感估算***还包括:
辐射定标和大气校正模块,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行辐射定标和大气校正。
正射校正模块,用于对所述数据高程数据进行正射校正。
作为一种可选地实施方式,所述相关性分析包括不同林种相关性分析和不同龄组相关性分析。
本发明还提供一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如所述的方法。
本发明还提供一种计算机存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如所述的方法。
森林碳储量是反映森林生态***结构和功能以及森林质量的重要指标,是评估森林固碳能力和碳平衡的重要参数,因而在当前全球气候变化引起多方环境问题的背景下研究森林碳储量具有重要意义。本发明在为小班尺度森林植被碳储量遥感估算提供一定科学依据和理论支持的同时,拟比较梯度提升决策树与随机森林这两种集成学习方法中分别属于boosting和bagging思想的代表性算法在多树种碳储量预测中的估算能力。以安徽省滁州市皇甫山林场为研究区,基于高分二号、高分六号光学影像和国产高分三号雷达影像,提取高分二号和高分六号影像数据各波段数据(12个)、基于高分六号影像的植被指数(9个)、高分三号精细化条带两种极化方式下的后向散射系数(6个)以及高分二号和高分六号影像不同窗口各波段纹理特征(192个),对小班碳储量和多特征因子进行相关性分析,得到与不同树种、不同龄组森林植被碳储量响应性较好的特征因子;对多树种碳储量分别利用随机森林和梯度提升决策树两种算法进行估算,以决定系数R2和均方根误差RMSE作为判断指标,分析多源特征因子参与不同估算模型后对碳储量拟合预测的能力。得到如下结论:对不同树种和不同龄组碳储量而言,GF-2影像的纹理特征、GF-6影像的新增红边指数以及GF-3影像精细化条带HV极化方式下的雷达强度系数sigma和雷达亮度系数beta在所有特征因子中与碳储量的相关性最好;就估算碳储量的算法而言,随机森林和梯度提升决策树对于多树种碳储量均有较好的拟合预测效果,随机森林R2达0.871,RSME=15.172t/hm2;R2达到0.902。RMSE=10.261t/hm2,梯度提升决策树算法估算森林碳储量的精度更优,具有更好的适用性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种森林碳储量遥感估算方法,其特征在于,包括:
获取森林的遥感数据和数字高程数据;所述遥感数据包括高分二号卫星遥感影像数据、高分三号卫星遥感影像数据和高分六号卫星遥感影像数据;
分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征;
对多个所述数据特征进行相关性分析,得到相关性特征;
根据所述相关性特征利用梯度提升决策树构建多树种碳储量模型;
根据所述多树种碳储量模型进行估算,得到森林碳储量。
2.根据权利要求1所述的森林碳储量遥感估算方法,其特征在于,分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征,具体包括:
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行波段提取,得到数据特征中的地表反射率;
对所述高分六号卫星遥感影像数据进行植被指数特征提取,得到数据特征中的多个植被指数;
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行纹理特征提取,得到数据特征中的纹理特征;
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据各波段信息进行主成分分析,得到数据特征中的主成分因子特征;
对所述高分三号卫星遥感影像数据进行特征提取,得到数据特征中的雷达影像后向散射系数;
对所述数字高程数据进行地形因子提取,得到数据特征中的地形因子。
3.根据权利要求1所述的森林碳储量遥感估算方法,其特征在于,在获取森林的遥感数据和数字高程数据之后,还包括:
对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行辐射定标和大气校正;
对所述数据高程数据进行正射校正。
4.根据权利要求1所述的森林碳储量遥感估算方法,其特征在于,所述相关性分析包括不同林种相关性分析和不同龄组相关性分析。
5.一种森林碳储量遥感估算***,其特征在于,包括:
获取模块,用于获取森林的遥感数据和数字高程数据;所述遥感数据包括高分二号卫星遥感影像数据、高分三号卫星遥感影像数据和高分六号卫星遥感影像数据;
特征因子提取模块,用于分别对所述遥感数据和所述数字高程数据进行特征因子提取,得到多个数据特征;
相关性分析模块,用于对多个所述数据特征进行相关性分析,得到相关性特征;
构建模块,用于根据所述相关性特征利用梯度提升决策树构建多树种碳储量模型;
估算模块,用于根据所述多树种碳储量模型进行估算,得到森林碳储量。
6.根据权利要求5所述的森林碳储量遥感估算***,其特征在于,特征因子提取模块具体包括:
波段提取单元,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行波段提取,得到数据特征中的地表反射率;
植被指数特征提取单元,用于对所述高分六号卫星遥感影像数据进行植被指数特征提取,得到数据特征中的多个植被指数;
纹理特征提取单元,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行纹理特征提取,得到数据特征中的纹理特征;
主成分分析单元,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据各波段信息进行主成分分析,得到数据特征中的主成分因子特征;
雷达影像后向散射系数提取单元,用于对所述高分三号卫星遥感影像数据进行特征提取,得到数据特征中的雷达影像后向散射系数;
地形因子提取单元,用于对所述数字高程数据进行地形因子提取,得到数据特征中的地形因子。
7.根据权利要求5所述的森林碳储量遥感估算***,其特征在于,还包括:
辐射定标和大气校正模块,用于对所述高分二号卫星遥感影像数据和所述高分六号卫星遥感影像数据进行辐射定标和大气校正;
正射校正模块,用于对所述数据高程数据进行正射校正。
8.根据权利要求5所述的森林碳储量遥感估算***,其特征在于,所述相关性分析包括不同林种相关性分析和不同龄组相关性分析。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的方法。
10.一种计算机存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482382.1A CN117423011B (zh) | 2023-11-09 | 2023-11-09 | 一种森林碳储量遥感估算方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482382.1A CN117423011B (zh) | 2023-11-09 | 2023-11-09 | 一种森林碳储量遥感估算方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117423011A true CN117423011A (zh) | 2024-01-19 |
CN117423011B CN117423011B (zh) | 2024-08-06 |
Family
ID=89522778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311482382.1A Active CN117423011B (zh) | 2023-11-09 | 2023-11-09 | 一种森林碳储量遥感估算方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117423011B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814671A (zh) * | 2020-07-08 | 2020-10-23 | 三亚中科遥感研究所 | 一种基于遥感协同的林地动态变化监测方法 |
CN113205475A (zh) * | 2020-01-16 | 2021-08-03 | 吉林大学 | 基于多源卫星遥感数据的森林高度反演方法 |
CN114091613A (zh) * | 2021-11-26 | 2022-02-25 | 安徽师范大学 | 一种基于高分联合组网数据的森林生物量估算方法 |
KR20220066534A (ko) * | 2020-11-16 | 2022-05-24 | 경북대학교 산학협력단 | 산림의 탄소 저장량 추정 시스템 |
CN115358644A (zh) * | 2022-10-21 | 2022-11-18 | 之江实验室 | 一种基于机器学习的县域森林碳汇估算方法和装置 |
CN115861808A (zh) * | 2022-12-04 | 2023-03-28 | 湖南科技大学 | 一种基于森林资源二类调查数据大面积林分蓄积量遥感快速估算方法 |
US20230162441A1 (en) * | 2021-11-24 | 2023-05-25 | Dendra Systems Ltd. | Generating an above ground biomass prediction model |
CN116881812A (zh) * | 2023-07-05 | 2023-10-13 | 珠江水利委员会珠江流域水土保持监测中心站 | 基于多源遥感数据和随机森林法估测森林碳储量的方法 |
-
2023
- 2023-11-09 CN CN202311482382.1A patent/CN117423011B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205475A (zh) * | 2020-01-16 | 2021-08-03 | 吉林大学 | 基于多源卫星遥感数据的森林高度反演方法 |
CN111814671A (zh) * | 2020-07-08 | 2020-10-23 | 三亚中科遥感研究所 | 一种基于遥感协同的林地动态变化监测方法 |
KR20220066534A (ko) * | 2020-11-16 | 2022-05-24 | 경북대학교 산학협력단 | 산림의 탄소 저장량 추정 시스템 |
US20230162441A1 (en) * | 2021-11-24 | 2023-05-25 | Dendra Systems Ltd. | Generating an above ground biomass prediction model |
CN114091613A (zh) * | 2021-11-26 | 2022-02-25 | 安徽师范大学 | 一种基于高分联合组网数据的森林生物量估算方法 |
CN115358644A (zh) * | 2022-10-21 | 2022-11-18 | 之江实验室 | 一种基于机器学习的县域森林碳汇估算方法和装置 |
CN115861808A (zh) * | 2022-12-04 | 2023-03-28 | 湖南科技大学 | 一种基于森林资源二类调查数据大面积林分蓄积量遥感快速估算方法 |
CN116881812A (zh) * | 2023-07-05 | 2023-10-13 | 珠江水利委员会珠江流域水土保持监测中心站 | 基于多源遥感数据和随机森林法估测森林碳储量的方法 |
Non-Patent Citations (5)
Title |
---|
XIWEN CUI等: "Forecasting of Carbon Emission in China Based on Gradient Boosting Decision Tree Optimized by Modified Whale Optimization Algorithm", 《SUSTAINABILITY》, 8 November 2011 (2011-11-08) * |
张加龙;胥辉;陆驰;: "应用Landsat8 OLI和GBRT对高山松地上生物量的估测", 东北林业大学学报, no. 08, 3 July 2018 (2018-07-03) * |
李成荣等: "基于GBRT模型的滇东地区森林碳储量遥感估算研究", 《三峡生态环境监测》, 28 September 2023 (2023-09-28), pages 1 - 3 * |
陈冬花等: "西天山云杉林生物量与植被指数关系研究", 《北京师范大学学报(自然科学版)》, 29 June 2011 (2011-06-29), pages 3 - 2 * |
黄宇玲;吴达胜;方陆明;: "基于逐步回归的XGboost方法的森林蓄积量估测", 中南林业科技大学学报, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN117423011B (zh) | 2024-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109884664B (zh) | 一种城市地上生物量光学微波协同反演方法及*** | |
Goslee | Analyzing remote sensing data in R: the landsat package | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
Roy et al. | Conterminous United States demonstration and characterization of MODIS-based Landsat ETM+ atmospheric correction | |
Soudani et al. | Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands | |
Carreiras et al. | Understanding the relationship between aboveground biomass and ALOS PALSAR data in the forests of Guinea-Bissau (West Africa) | |
Leboeuf et al. | A shadow fraction method for mapping biomass of northern boreal black spruce forests using QuickBird imagery | |
Hame et al. | Improved mapping of tropical forests with optical and SAR imagery, Part II: Above ground biomass estimation | |
US20230186503A1 (en) | Method for troubleshooting hidden dangers of trees near power transmission lines by combining icesat-2 with jl-1 images | |
CN113850139B (zh) | 一种基于多源遥感的森林年际物候监测方法 | |
Chen et al. | Compact Airborne Spectrographic Imager (CASI) used for mapping biophysical parameters of boreal forests | |
CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
CN114419463B (zh) | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 | |
CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN112052757B (zh) | 火烧迹地信息提取方法、装置、设备和存储介质 | |
Röder et al. | Extension of retrospective datasets using multiple sensors. An approach to radiometric intercalibration of Landsat TM and MSS data | |
CN116229289A (zh) | 一种基于无人机的冬小麦生物量快速高精准估测方法 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、***及介质 | |
Qin et al. | Estimation of the fraction of absorbed photosynthetically active radiation (fPAR) in maize canopies using LiDAR data and hyperspectral imagery | |
Markelin | Radiometric calibration, validation and correction of multispectral photogrammetric imagery | |
Bohlin et al. | Deciduous forest mapping using change detection of multi-temporal canopy height models from aerial images acquired at leaf-on and leaf-off conditions | |
CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 |
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 |