本發(fā)明涉及森林生物量檢測領(lǐng)域，具體涉及一種基于光譜曲線特征分異的森林生物量遙感反演方法。

背景技術(shù)：

森林是一種可再生可持續(xù)發(fā)展的重要資源，對全球氣候變化、水土保持、陸地生態(tài)系統(tǒng)中的碳循環(huán)等方面具有重要的作用。作為一種全球最具發(fā)展?jié)摿Φ脑牧现?，森林生物量約占全球所有總生物量的40％，中國的森林生物量占到全國總生物量的33％左右，對于資源緊缺，環(huán)境污染嚴(yán)重的中國，森林生物量備受學(xué)者和政策制定者的關(guān)注。

傳統(tǒng)的采用遙感影像估測森林生物量的方法主要是：1)從光學(xué)遙感影像提取與森林相關(guān)的植被指數(shù)或波段之間的比值作為因變量，將國家二調(diào)數(shù)據(jù)或樣地實測數(shù)據(jù)作為自變量，建立生物量回歸模型，從而估測森林生物量，其中，國內(nèi)學(xué)者楊存建等在云南西雙版納，利用美國NASA的陸地衛(wèi)星(Landsat)的主題成像儀(TM)數(shù)據(jù)提取一系列植被指數(shù)對當(dāng)?shù)氐臒釒值纳锪窟M(jìn)行估測。閔志強等對長白山落葉松選取了29個樣地的生物量信息分別與林分因子信息和TM遙感影像信息擬合，建立生物量模型，估測了長白山落葉松的生物量。2)還有的學(xué)者利用合成孔徑雷達(dá)不同極化的后向散射系數(shù)作為因變量，與樣地實測數(shù)據(jù)建立回歸模型，從而估測森林生物量。例如黃麗艷等以華北落葉松人工林場—塞罕壩機械林場為研究區(qū)，采用L波段的ALOS PLOSAR雷達(dá)數(shù)據(jù)、Landsat TM數(shù)據(jù)、以及共用ALOS PLOSAR和Landsat TM數(shù)據(jù)，基于逐步回歸模型，與地面實測蓄積量數(shù)據(jù)之間建立不同的模型，提出了一種基于雷達(dá)影像準(zhǔn)確估算人工蓄積量的方法。

以上兩種方法各有利弊，其中以植被指數(shù)及波段比值為變量的模型方法，簡單、易于理解，只需建立一個或多個變量與樣地實測數(shù)據(jù)建立相應(yīng)的回歸模型，便可估測整個森林的生物量，從而被廣泛應(yīng)用。但在實際研究中一般采用多變量線性統(tǒng)計回歸的方法，該方法存在一定的缺陷，即不管自變量對因變量是否顯著都會進(jìn)入方程，這樣會導(dǎo)致誤差的自由度變小，估測精度變低，同時如果變量間不是完全相互獨立，會使整個方程組的系數(shù)矩陣出現(xiàn)病態(tài)，會給模型造成很大的誤差。其次，光學(xué)影像由于其波長的原因，只能觀測到森林冠層的信息，并不能觀測到植被枝、干的信息，所以采用光學(xué)影像估測整個森林生物量，必然會存在較大誤差。利用合成孔徑雷達(dá)的P波段和L波段對植被冠層和樹干都有一定的穿透能力，可獲得植被冠層、樹干甚至地表表層的土壤信息，但由于林木結(jié)構(gòu)、植被含水量、林下狀況、地形等都會對雷達(dá)的后向散射系數(shù)產(chǎn)生顯著的影響，使得森林地上生物量的雷達(dá)提取變得復(fù)雜。且雷達(dá)的后向散射的強度隨著生物量的增加而線性增加，達(dá)到一定生物量水平后，后向散射趨于飽和，Landsat TM影像在估測生物量時的飽和度閾值是15kg/m2，會對估測精度造成一定的影響。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于光譜曲線特征分異的森林生物量遙感反演方法，實現(xiàn)森林地上生物量的檢測。

為了實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案是：一種基于光譜曲線特征分異的森林生物量遙感反演方法，包括步驟：

步驟1，獲取衛(wèi)星陸地成像儀的影像數(shù)據(jù)，并對影像數(shù)據(jù)進(jìn)行預(yù)處理；

步驟2，篩選影像數(shù)據(jù)的像元，選取只包含植被的像元，并構(gòu)成森林群落影像數(shù)據(jù)，所述包括針葉林、闊葉林和針闊混交林；

步驟3，實測樣地各類型森林群落的葉生物量，分析其與由衛(wèi)星影像數(shù)據(jù)紅光和近紅外光兩個波段反射率構(gòu)成的直線斜率之間的關(guān)系，從而建立衛(wèi)星影像下的不同森林群落葉生物量反演模型，根據(jù)模型獲取森林群落影像數(shù)據(jù)每公頃的葉生物量；

步驟4，實測樣地各類型森林群落地上生物量，分析其與實測樣地各類型森林群落的葉生物量之間關(guān)系，并根據(jù)步驟3構(gòu)建的衛(wèi)星影像下不同森林群落的葉生物量反演模型，建立衛(wèi)星影像下的不同森林群落地上生物量反演模型，根據(jù)模型獲取森林群落影像數(shù)據(jù)的每公頃的地上生物量。

進(jìn)一步，所述步驟1對影像數(shù)據(jù)的預(yù)處理包括：對影像數(shù)據(jù)進(jìn)行輻射定標(biāo)，將圖像的數(shù)字量化值轉(zhuǎn)化為反射率；對影像數(shù)據(jù)進(jìn)行大氣校正；對影像數(shù)據(jù)進(jìn)行地形矯正。

所述步驟2對影像數(shù)據(jù)的篩選，是采用混合像元分解的方法，先對影像數(shù)據(jù)進(jìn)行端元的提取，對所提取端元實行混合像元分解，在混合像元分解完成后再對影像數(shù)據(jù)進(jìn)行端元的鑲嵌，形成只包含森林群落的影像數(shù)據(jù)。

進(jìn)一步，所述實測樣地各類型森林群落的葉生物量，分析其與由衛(wèi)星影像數(shù)據(jù)紅光和近紅外光兩個波段反射率構(gòu)成的直線斜率之間的關(guān)系，具體步驟如下：

步驟31，實測樣地每類森林群落類型的葉生物量；

步驟32，將每類森林群落類型的葉生物量從小到大排序，再以1t/ha或者2t/ha的葉生物量間距進(jìn)行區(qū)間劃分，將每類森林群落的葉生物量劃分為至少2個區(qū)間；

步驟33，與樣地對應(yīng)的衛(wèi)星遙感區(qū)域的影像數(shù)據(jù)，對其提取遙感影像光譜曲線的每個波段的反射率取平均，從而得到葉生物量區(qū)間對應(yīng)的每個波段的平均反射率，最終繪制每個生物量區(qū)間一系列波段的反射率光譜曲線；

步驟34，基于上面繪制的反射率光譜曲線，提取不同森林群落類型各個葉生物量區(qū)間對應(yīng)在波長為0.652um和波長為0.865um兩點連接的光譜曲線斜率，與對應(yīng)的各個區(qū)間內(nèi)的實測平均葉生物量進(jìn)行擬合分析，獲取各類森林群落葉生物量反演模型對應(yīng)的系數(shù)和常數(shù)。

進(jìn)一步，步驟3所述森林群落的葉生物量反演模型，是根據(jù)各類森林群落對應(yīng)的系數(shù)和常數(shù)構(gòu)建的，自變量是光譜曲線斜率，因變量是衛(wèi)星遙感影像下對應(yīng)森林群落類型的葉生物量。

進(jìn)一步，還包括步驟21，對經(jīng)過混合像元分解的影像數(shù)據(jù)，將植被豐度值小于0.7的樣地去除。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

本發(fā)明基于光譜曲線特征分異的森林生物量遙感反演方法，以美國NASA的陸地衛(wèi)星8(Landsat 8)的陸地成像儀(OLI)和實測數(shù)據(jù)為數(shù)據(jù)源，構(gòu)建了一套以Landsat 8OLI紅光波段反射率R和近紅外波段反射率NIR、紅光波段中心波長CW_R和近紅外波段中心波長CW_NIR為表征參數(shù)的森林生物量中的葉生物量、地上生物量反演模型，該模型反演效果較好，為快速、精確、全面的估算大片森林中不同森林群落類型的葉生物量提供新的技術(shù)方法和手段。

附圖說明

圖1為本發(fā)明基于光譜曲線特征分異的森林生物量遙感反演方法的步驟示意圖；

圖2為本發(fā)明基于光譜曲線特征分異的森林生物量遙感反演方法的具體實現(xiàn)流程框圖。

圖3a為針葉林的各個葉生物量區(qū)間內(nèi)7個波段的反射率光譜曲線圖。

圖3b為闊葉林的各個葉生物量區(qū)間內(nèi)7個波段的反射率光譜曲線圖。

圖3c為針闊混交林的各個葉生物量區(qū)間內(nèi)7個波段的反射率光譜曲線圖。

圖4a為針葉林的各個區(qū)間內(nèi)實測平均葉生物量與對應(yīng)影像光譜斜率線性回歸關(guān)系。

圖4b為闊葉林的各個區(qū)間內(nèi)實測平均葉生物量與對應(yīng)影像光譜斜率線性回歸關(guān)系。

圖4c為針闊混交林的各個區(qū)間內(nèi)實測平均葉生物量與對應(yīng)影像光譜斜率線性回歸關(guān)系。

圖5a為針葉林的實測葉生物量與實測地上生物量的回歸關(guān)系。

圖5b為闊葉林的實測葉生物量與實測地上生物量的回歸關(guān)系。

圖5c為針闊混交林的實測葉生物量與實測地上生物量的回歸關(guān)系。

圖6a為針葉林的估測葉生物量與樣地實測葉生物量的散點圖。

圖6b為闊葉林的估測葉生物量與樣地實測葉生物量的散點圖。

圖6c為針闊混交林的估測葉生物量與樣地實測葉生物量的散點圖。

圖7a為針葉林的估測地上生物量與樣地實測地上生物量的散點圖。

圖7b為闊葉林的估測地上生物量與樣地實測地上生物量的散點圖。

圖7c為針闊混交林的估測地上生物量與樣地實測地上生物量的散點圖。

具體實施方式

下面結(jié)合具體實施方式對本發(fā)明作進(jìn)一步的說明。

實施例

植物葉面在可見光紅光波段有很強的吸收特性，在近紅外波段有很強的反射特性，這是植被遙感監(jiān)測的物理基礎(chǔ)。本發(fā)明通過調(diào)查樣地葉生物量與對應(yīng)Landsat8OLI影像純植被像元反射率的曲線圖發(fā)現(xiàn)，葉生物量越低，近紅外波段的反射率越高，近紅外與紅光兩個波段的斜率越大，這可能與樣地葉面冠層含水量有關(guān)，當(dāng)樣地中植被的葉生物量較低時，樣地植被葉面中總的含水量就越低，而Landsat8OLI傳感器近紅外波段對水的含量最為敏感，因此紅光和近紅外兩個波段反射率的斜率能有效反應(yīng)葉生物量的差異。因此本發(fā)明基于Landsat8OLI影像數(shù)據(jù)，通過結(jié)合實測樣地葉生物量、地上生物量實現(xiàn)影像數(shù)據(jù)下不同森林群落類型的葉生物量、地上生物量的反演。參看圖1所示，為本發(fā)明實施例的基于光譜曲線特征分異的森林生物量遙感反演方法的步驟示意圖，本方法包括如下步驟；

步驟1，獲取衛(wèi)星陸地成像儀的影像數(shù)據(jù)，并對影像數(shù)據(jù)進(jìn)行預(yù)處理；

步驟2，篩選影像數(shù)據(jù)的像元，選取只包含植被的像元，并構(gòu)成森林群落影像數(shù)據(jù)，所述包括針葉林、闊葉林和針闊混交林；

步驟3，實測樣地各類型森林群落的葉生物量，分析其與由衛(wèi)星影像數(shù)據(jù)紅光和近紅外光兩個波段反射率構(gòu)成的直線斜率之間的關(guān)系，從而建立衛(wèi)星影像下的不同森林群落葉生物量反演模型，根據(jù)模型獲取森林群落影像數(shù)據(jù)每公頃的葉生物量；

步驟4，實測樣地各類型森林群落地上生物量，分析其與實測樣地各類型森林群落的葉生物量之間關(guān)系，并根據(jù)步驟3構(gòu)建的衛(wèi)星影像下不同森林群落的葉生物量反演模型，建立衛(wèi)星影像下的不同森林群落地上生物量反演模型，根據(jù)模型獲取森林群落影像數(shù)據(jù)的每公頃的地上生物量。

作為一個具體實施例，所述步驟1對衛(wèi)星影像數(shù)據(jù)的預(yù)處理如下所述：

采用Landsat8OLI影像為數(shù)據(jù)源，使用ENVI5.1軟件分別對影像進(jìn)行輻射定標(biāo)，將圖像的數(shù)字量化值DN轉(zhuǎn)化為反射率；然后使用ENVI5.1軟件中FLAASH功能對定標(biāo)后的影像進(jìn)行大氣校正，消除大氣中水蒸氣、氧氣、二氧化碳等物質(zhì)對地物反射的影響并消除大氣分子和氣溶膠散射的影響，從而得到地物的真實反射率，最后對影像進(jìn)行地形校正，消除山體陰影對樣地植被生物量的影響。

步驟2的具體實施例如下所述：

采用混合像元分解的方法提取遙感影像中植被的“純凈像元”，以確定在影像中選取的樣地像元只包含植被這一種地物，即森林群落，使樣地實測的生物量能充分的代表植被的生物量，避免其他地類的影響。由于影像的成像日期、成像角度及地面環(huán)境的細(xì)小變化，都會影響到影像重疊區(qū)的灰度值的變化，所以在進(jìn)行端元選擇的時候先不對影像進(jìn)行鑲嵌，而是分別對每幅影像進(jìn)行端元的提取，在混合像元分解完成后再對影像進(jìn)行鑲嵌。

還包括步驟21，對經(jīng)過混合像元分解的影像數(shù)據(jù)，將植被豐度值小于0.7的樣地去除。

步驟3所述實測樣地各類型森林群落的葉生物量，分析其與由衛(wèi)星影像數(shù)據(jù)紅光和近紅外光兩個波段反射率構(gòu)成的直線斜率之間的關(guān)系，在本實施例中的具體步驟如下：

步驟31，實測樣地每類森林群落類型的葉生物量，將樣地按照植被類型分為針葉林、闊葉林和針闊混交林3類；

步驟32，將每類森林群落類型的葉生物量從小到大排序，再以1t/ha或者2t/ha的葉生物量間距進(jìn)行區(qū)間劃分，將每類森林群落的葉生物量劃分為至少2個區(qū)間，參看圖3a至圖3c，在本實施例中，將針葉林劃分為18個區(qū)間，闊葉林劃分為9個區(qū)間，針闊混交林劃分為10個區(qū)間；

步驟33，與樣地對應(yīng)的衛(wèi)星遙感區(qū)域的影像數(shù)據(jù)，對其提取遙感影像光譜曲線的每個波段的反射率取平均，從而得到葉生物量區(qū)間對應(yīng)的每個波段的平均反射率，繼續(xù)上述圖3a至圖3cb為具體實施例說明，Landsat8OLI影像前7個波段每個波段獲得一個平均反射率值，共獲得7個平均反射率值，最終繪制每個生物量區(qū)間內(nèi)7個波段作為一個系列波段的反射率光譜曲線；

步驟34，基于上面繪制的反射率光譜曲線，提取不同森林群落類型各個葉生物量區(qū)間對應(yīng)在波長為0.652um和波長為0.865um兩點連接的光譜曲線斜率，在上述圖3a至圖3c中，是以(NIR-R)/(CW_NIR-CW_R)表示的比值，其中NIR為近紅外波段反射率，R為紅光波段反射率，CW_R為紅光波段中心波長，CW_NIR為近紅外波段中心波長，與對應(yīng)的各個區(qū)間內(nèi)的實測平均葉生物量進(jìn)行擬合分析，參看圖4a至圖4c的線性回歸擬合的關(guān)系圖，根據(jù)各類型森林群落的線性回歸關(guān)系獲取對應(yīng)的系數(shù)和常數(shù)。

步驟3所述的衛(wèi)星影像下的不同森林群落葉生物量反演模型，在上述圖3a-圖3c和圖4a-圖4c所示實施例的基礎(chǔ)上，其具體模型表示如下：

針葉林葉生物量反演模型：

闊葉林葉生物量反演模型：

針闊混交林葉生物量反演模型：

式中：LB_CF、LB_BF、LB_MF分別指單位面積的針葉林、闊葉林和針闊混交林遙感反演的葉生物量，單位t/ha；R是Landsat8OLI影像紅波段的反射率；NIR是Landsat8OLI影像紅外波段的反射率；CW_R是Landsat8OLI影像紅波段的中心波長0.652um；CW_NIR是Landsat8OLI影像紅外波段的中心波長0.865um。

參看圖5a至-圖5c，步驟4所述的基于樣地實測的不同森林群落類型的葉生物量與實測的由干、枝、葉組成的地上生物量，以實測葉生物量為自變量，實測地上生物量為因變量，對兩者關(guān)系進(jìn)行擬合分析。

針葉林實測地上生物量與實測葉生物量擬合關(guān)系：

AGB_CF＝12.079×LB_CF-17.610

闊葉林實測地上生物量與實測葉生物量擬合關(guān)系：

AGB_BF＝23.635×LB_BF-34.124

針闊混交林實測地上生物量與實測葉生物量擬合關(guān)系：

AGB_MF＝14.582×LB_MF-10.789

式中：AGB_CF、AGB_BF、AGB_MF分別指單位面積的實測針葉林、闊葉林和針闊混交林地上生物量，單位t/ha；LB_CF、LB_BF、LB_MF分別指單位面積的實測針葉林、闊葉林和針闊混交林葉生物量，單位t/ha。

步驟4所述的同時結(jié)合不同森林群落類型的葉生物量遙感反演模型，構(gòu)建一套以Landsat 8OLI紅光波段反射率R和近紅外波段反射率NIR、紅光波段中心波長CW_R和近紅外波段中心波長CW_NIR為表征參數(shù)的不同森林群落類型的地上生物量遙感反演模型的具體實施例如下所示：

針葉林地上生物量反演模型：

闊葉林地上生物量反演模型：

針闊混交林地上生物量反演模型：

下面結(jié)合實例說明本發(fā)明方法的有益效果：

(1)不同森林群落類型的葉生物量反演模型精度驗證

為驗證不同森林群落類型的葉生物量反演模型的精度，參看圖6a至圖6c，本發(fā)明將利用基于模型反演的葉生物量與對應(yīng)實測所得的葉生物量進(jìn)行精度分析，結(jié)果顯示，以紅光波段與近紅外波段與其中心波長所組成的斜率估測的樣地葉生物量數(shù)據(jù)與實測樣地點的葉生物量數(shù)據(jù)的相關(guān)系數(shù)R²與均方根誤差RMSE分別為：針葉林，R²為0.6664，RMSE為29.2467t/ha；闊葉林，R²為0.6113，RMSE為14.0258t/ha，針闊混交林，R²為0.5543，RMSE為10.1788t/ha?？梢娔Ｐ偷姆囱菪Ч^好，為快速、精確、全面的估算大片森林中不同森林群落類型的葉生物量提供新的技術(shù)方法和手段。

(2)不同森林群落類型的地上生物量反演模型精度驗證

為驗證不同森林群落類型的地上生物量反演模型的精度，參看圖7a至圖7c，本發(fā)明將利用基于模型反演的地上生物量與對應(yīng)實測所得的地上生物量進(jìn)行精度分析，結(jié)果顯示，估測的樣地地上總生物量數(shù)據(jù)與實測樣地點的地上生物量數(shù)據(jù)的相關(guān)系數(shù)R²與均方根誤差RMSE分別為：針葉林，R²為0.5465，RMSE為49.8315t/ha,闊葉林，R²為0.4901，RMSE為45.1820t/ha,針闊混交林，R²為0.3879，RMSE為41.5131t/ha?？梢娔Ｐ偷姆囱菪Ч^好，為快速、精確、全面的估算大片森林中不同森林群落類型的地上生物量提供新的技術(shù)方法和手段。

以福建省為例，結(jié)合圖1和圖2，加以說明本發(fā)明方法的實現(xiàn)過程：(1)首先對12幅Landsat8OLI影像進(jìn)行輻射定標(biāo)、大氣校正、地形校正等預(yù)處理；(2)對預(yù)處理后的Landsat8OLI影像進(jìn)行端元提取，并利用完全約束最小二乘法混合模型進(jìn)行混合像元分解，最終將植被豐度圖中像元值大于0.7的像元篩選出來作為分析樣地；(3)將上述經(jīng)混合像元分解方法篩選出來的植被樣地按照植被類型分為針葉林、闊葉林和針闊混交林三種類型；(4)實地測量三種類型樣地的葉生物量，同時利用GPS獲取樣地點經(jīng)緯度信息，制作樣地的矢量點數(shù)據(jù)，將樣地點矢量數(shù)據(jù)疊加到Landsat 8OLI影像上，然后利用ENVI軟件獲得樣地點生物量所對應(yīng)的光譜曲線；(5)把實測樣地生物量劃分為不同區(qū)間，將區(qū)間內(nèi)的生物量和對應(yīng)遙感影像上7個波段的反射率進(jìn)行平均，提取紅外和近紅外中心波長兩點構(gòu)成的反射率光譜曲線斜率，分析斜率與生物量之間的關(guān)系，構(gòu)建不同森林群落的葉生物量反演模型；(6)利用福建省樣地實測的葉生物量與干、枝、葉組成的地上生物量，擬合分析兩者之間的關(guān)系，結(jié)合步驟(5)構(gòu)建的不同森林群落的葉生物量反演模型，構(gòu)建不同森林群落的地上生物量反演模型；(7)利用ENVI中BandMath工具，結(jié)合步驟(3)制定的福建省的植被類型圖，利用不同森林群落的葉生物量反演模型和地上生物量反演模型，分別反演福建省針葉林、闊葉林、針闊混交林的葉生物量和地上生物量；(8)繪制福建省的葉生物量分布圖和地上生物量分布圖。

計算結(jié)果顯示，福建省總的葉生物量為2.0675×10⁸t，其中福建省針葉林葉生物量為4.6021×10⁷t，闊葉林葉生物量為1.4580×10⁸t，針闊混交林葉生物量為1.4932×10⁷t。福建省總的地上生物量為4.2144×10⁹t，其中，針葉林地上生物量為5.5512×10⁸t，闊葉林地上生物量為3.4416×10⁹t，針闊混交林地上生物量為2.1771×10⁸t。

上列詳細(xì)說明是針對本發(fā)明可行實施例的具體說明，該實施例并非用以限制本發(fā)明的專利范圍，凡未脫離本發(fā)明所為的等效實施或變更，均應(yīng)包含于本案的專利范圍中。