融合光譜與紋理特征的森林地上生物量反演方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明涉及森林地上生物量提取領(lǐng)域，具體來說，涉及一種融合遙感影像光譜與 紋理特征的森林地上生物量(AGB)反演技術(shù)方案。
【背景技術(shù)】
[0002] 森林地上生物量對于森林生態(tài)系統(tǒng)固碳能力和碳儲量有重要的指示作用，在國際 地圈-生物圈研究計劃（IGBP)中，碳循環(huán)被確定為全球變化和陸地生態(tài)系統(tǒng)(GCTE)等計劃 的重要研究內(nèi)容。因此，森林地上生物量的準確提取對于全球變化及陸地生態(tài)系統(tǒng)研究具 有重要意義。
[0003] 以人工采樣測量為主要技術(shù)手段的傳統(tǒng)森林地上生物量監(jiān)測方法存在費時費力， 受干擾因素多，估算精度低等缺點，很難大范圍、高效率和實時地進行常規(guī)測量。而遙感技 術(shù)由于其宏觀動態(tài)實時多源的特點，已在森林地上生物量研究中蓬勃開展。國內(nèi)外眾多學 者已經(jīng)運用合成孔徑雷達（synthetic aperture radar，SAR)、激光雷達（Lidar)以及多傳 感器結(jié)合技術(shù)對森林地上生物量反演進行了大量研究，但是光學遙感數(shù)據(jù)，特別是光譜植 被指數(shù)，仍然是森林地上生物量估測使用最為廣泛的數(shù)據(jù)源之一。然而，當植被比較茂密 時，植被反射光譜信息出現(xiàn)飽和，使得生物量定量反演的精度仍難以達到行業(yè)應(yīng)用的需求。 遙感圖像紋理一般理解為圖像灰度在空間上的變化和重復(fù)出現(xiàn)。紋理測度對植被冠層結(jié)構(gòu) 的空間變化具有高度敏感性，甚至在濃密植被區(qū)也能夠較好的捕捉森林冠層結(jié)構(gòu)及生物量 信息。相比中低分辨率遙感數(shù)據(jù)，高分辨率遙感數(shù)據(jù)由于能夠提供更為豐富的紋理信息，已 在森林結(jié)構(gòu)參數(shù)及森林地上生物量的探測中得到廣泛應(yīng)用，并在很大程度上提高了森林參 數(shù)的反演精度。雖然紋理信息在森林生物量估算方面具有較大潛力，但它的優(yōu)越性并未被 充分地研究和利用。一方面，紋理測度是一種相對復(fù)雜的參數(shù)，并且對研究對象、地形條件 及所用窗口大小等具有高度的敏感性。另一方面，并未有任何研究顯示哪種紋理測度或其 組合具有最好的估測效果。因此，針對目前生物量精準定量反演的迫切需求以及單一光譜 或紋理信息存在的優(yōu)勢和局限性，有效結(jié)合光譜與紋理特征提取生物量，是提高生物量參 數(shù)估測精度的一種合理途徑。
[0004] 國內(nèi)外學者已經(jīng)利用光譜和紋理特征的結(jié)合，基于傳統(tǒng)的統(tǒng)計回歸方法，取得了 較好的生物量或其他植被參數(shù)的估測效果。但是單純利用經(jīng)驗的統(tǒng)計回歸方法結(jié)合光譜與 紋理特征，無法考慮二者的內(nèi)部結(jié)合機制。充分考慮光譜與紋理特征的內(nèi)部結(jié)合機制，不但 可以使聯(lián)合模型具有更加明確的數(shù)學和物理意義，而且在提高生物量估測精度方面具有更 大的潛力。但是如何通過考慮光譜與紋理特征的內(nèi)部結(jié)合機制來構(gòu)建生物量聯(lián)合反演模 型，是擺在眾多研究者面前的一道難題。

【發(fā)明內(nèi)容】

[0005] 對此，本發(fā)明提出了一種融合遙感影像光譜與紋理特征的森林地上生物量反演方 法及系統(tǒng)。
[0006] 本發(fā)明所采用的技術(shù)方案是一種融合光譜與紋理特征的森林地上生物量反演方 法，其特征在于，包括以下步驟：
[0007] 步驟a，進行研究區(qū)樣地地上生物量計算，包括利用地面觀測試驗獲取的樣地單株 參數(shù)數(shù)據(jù)集，基于地上生物量計算公式，得到樣地生物量觀測值，記為AGB;
[0008] 步驟b，進行預(yù)處理，包括對高分辨率遙感影像全色數(shù)據(jù)和多光譜數(shù)據(jù)進行幾何校 正，并對多光譜數(shù)據(jù)進行輻射校正，得到地表反射率數(shù)據(jù)；
[0009] 步驟C，基于預(yù)處理后的多光譜數(shù)據(jù)，提取多種光譜特征植被指數(shù)，將步驟1所得樣 地生物量觀測值與相應(yīng)的光譜特征植被指數(shù)分別進行統(tǒng)計回歸，選取估測精度最高的模型 作為光譜特征反演模型；
[0010] 步驟d，基于預(yù)處理后的全色數(shù)據(jù)，提取不同窗口下的多種紋理特征變量，將步驟1 所得樣地生物量觀測值與相應(yīng)的紋理特征變量分別進行統(tǒng)計回歸，選取估測效果最好的模 型作為紋理特征反演模型；
[0011] 步驟e，通過光譜特征反演模型中光譜關(guān)鍵因子與紋理特征反演模型中紋理關(guān)鍵 因子的敏感性分析，確定光譜與紋理特征各自所占權(quán)重，從而構(gòu)建生物量的光譜紋理特征 聯(lián)合反演模型，實現(xiàn)森林地上生物量反演;AGB的光譜紋理特征聯(lián)合反演模型如下式：
[0012] AGB=(bXa+c) Xf(a) + (l-(bXa+c)) Xf(0)
[0013] 其中，f (a)為光譜特征反演模型，a為光譜關(guān)鍵因子;?·(β)為紋理特征反演模型，β 為紋理關(guān)鍵因子;b和c為光譜與紋理特征各自所占權(quán)重。
[0014] 而且，所述步驟c中，選取的光譜特征植被指數(shù)包括歸一化植被指數(shù)NDVI、差值植 被指數(shù)DVI、比值植被指數(shù)RVI、增強型植被指數(shù)EVI、土壤調(diào)節(jié)植被指數(shù)SAVI和修正土壤調(diào) 節(jié)植被指數(shù)MSAVI，其計算公式如下：
[0015]
[0016]
[0017]
[0018]
[0019]
[0020]
[0021]式中，NIR、R、B分別為近紅外波段、紅光波段和藍光波段的反射率;L為冠層背景調(diào) 整系數(shù)。
[0022] 而且，所述步驟d中，選取的紋理特征變量包括均值ME、均勻性，Η0Μ、對比度C0N、相 異性DIS、熵ENT、方差VAR、二階矩ASM和相關(guān)性C0R，其計算公式如下：
[0023]
[0024]
[0025]
[0026]
[0027]
[0028]
[0029]
[0030]
[0031] 式中，i和j分別表示行列號;是歸一化后的灰度共生矩陣;N表示計算紋理特征 時移動窗口的大小;μι、μ」、〇?2和〇/分別是Pi和Pj的平均值和標準差，Pi和Pj是歸一化后的灰 度共生矩陣的第i行和第j列。
[0032] 而且，所述步驟d中，提取紋理特征的窗口大小為3 X 3、5 X 5、7 X 7和9 X 9;將步驟1 所得樣地生物量觀測值與相應(yīng)的光譜特征植被指數(shù)分別進行統(tǒng)計回歸，包括每種窗口下的 8種紋理特征分別與AGB進行一元線性回歸、每種窗口下的8種紋理特征分別全部與AGB進行 逐步多元線性回歸、4種窗口下的全部紋理特征與AGB進行逐步多元線性回歸。
[0033]而且，所述步驟e中，通過光譜特征反演模型中光譜關(guān)鍵因子與紋理特征反演模型 中紋理關(guān)鍵因子的敏感性分析，確定光譜與紋理特征各自所占權(quán)重，實現(xiàn)如下，
[0034] (1)進行光譜和紋理關(guān)鍵因子歸一化，如下式，
[0035]
[0036] 式中，Xl為在第i種生物量場景下，光譜或紋理關(guān)鍵因子的值;71是相應(yīng)的歸一化 值;x min和xmax分別為光譜或紋理關(guān)鍵因子的最小值和最大值；
[0037] (2)進行光譜和紋理關(guān)鍵因子敏感性計算，
[0038] 對于光譜關(guān)鍵因子的敏感性計算，包括首先根據(jù)光譜特征反演模型，建立以歸一 化后的光譜關(guān)鍵因子為因變量、AGB為自變量的回歸模型;然后求取歸一化后的光譜關(guān)鍵因 子的一階導(dǎo)數(shù)，作為對生物量的敏感性；
[0039]對于紋理關(guān)鍵因子的敏感性計算，包括首先根據(jù)紋理特征反演模型，建立以AGB為 因變量、歸一化后的紋理關(guān)鍵因子為自變量的回歸模型;然后求取每個自變量的一階導(dǎo)數(shù)， 作為每個紋理關(guān)鍵因子對生物量的敏感性;最后紋理關(guān)鍵因子的總敏感性計算如下，
[0040] 巧=拉s丨
[00411式中，TS為紋理關(guān)鍵因子的總敏感性；si為每一個紋理關(guān)鍵因子的敏感性;n為紋 理敏感因子的數(shù)量。
[0042] (3)確定光譜和紋理特征權(quán)重，包括根據(jù)光譜和紋理關(guān)鍵因子的敏感性計算結(jié)果， 光譜和紋理特征各自所占權(quán)重表示如下，
[0043] 0ff=0S/(0S+TS)
[0044] 〇ff+Tff=l
[0045] 式中，0W和TW分別是光譜和紋理特征的權(quán)重;0S和TS分別是光譜和紋理關(guān)鍵因子 的敏感性。
[0046]本發(fā)明還相應(yīng)提出一種融合光譜與紋理特征的森林地上生物量反演系統(tǒng)，包括以 下模塊：
[0047] 第一模塊，用于進行研究區(qū)樣地地上生物量計算，包括利用地面觀測試驗獲取的 樣地單株參數(shù)數(shù)據(jù)集，基于地上生物量計算公式，得到樣地生物量觀測值，記為AGB;
[0048] 第二模塊，用于進行預(yù)處理，包括對高分辨率遙感影像全色數(shù)據(jù)和多光譜數(shù)據(jù)進 行幾何校正，并對多光譜數(shù)據(jù)進行輻射校正，得到地表反射率數(shù)據(jù)；
[0049]第三模塊，用于基于預(yù)處理后的多光譜數(shù)據(jù)，提取多種光譜特征植被指數(shù)，將第一 模塊所得樣地生物量觀測值與相應(yīng)的光譜特征植被指數(shù)分別進行統(tǒng)計回歸，選取估測精度 最高的模型作為光譜特征反演模型；
[0050] 第四模塊，用于基于預(yù)處理后的全色數(shù)據(jù)，提取不同窗口下的多種紋理特征變量， 將第一模塊所得樣地生物量觀測值與相應(yīng)的紋理特征變量分別進行統(tǒng)計回歸，選取估測效 果最好的模型作為紋理特征反演模型；
[0051] 第五模塊，用于通過光譜特征反演模型中光譜關(guān)鍵因子與紋理特征反演模型中紋 理關(guān)鍵因子的敏感性分析，確定光譜與紋理特征各自所占權(quán)重，從而構(gòu)建生物量的光譜紋 理特征聯(lián)合反演模型，實現(xiàn)森林地上生物量反演；
[0052] AGB的光譜紋理特征聯(lián)合反演模型如下式：
[0053] AGB=(bXa+c) Xf(a) + (l-(bXa+c)) Xf(0)
[0054] 其中，f (a)為光譜特征反演模型，a為光譜關(guān)鍵因子;f(i3)為紋理特征反演模型，β 為紋理關(guān)鍵因子;b和c為光譜與紋理特征