一種遙感森林生物量反演的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及森林有害生物的監(jiān)測和無公害控制技術(shù)領(lǐng)域，具體涉及一種遙感森林 生物量反演的方法。
【背景技術(shù)】
[0002] 精確的生物量估算對于森林資源監(jiān)測、森林碳儲量評估及森林生態(tài)系統(tǒng)的研宄有 重要意義。同時，這些信息也能夠為森林可持續(xù)經(jīng)營及森林資源的綜合利用提供定量化的 數(shù)據(jù)支持。傳統(tǒng)的生物量調(diào)查方法耗時費力，且只能獲得有限的"點"上信息，難于在大區(qū) 域上實用化推廣；而遙感技術(shù)卻能夠準確、快速地獲取各個尺度的森林參數(shù)，具有很好的實 用價值和應(yīng)用前景。
[0003] Landsat系列衛(wèi)星可獲取中等和大尺度上的森林多光譜（光學）信息。其最新的 Landsat 80LI傳感器（該傳感器搭載在美國航天航空局（NASA) 2013年2月11日發(fā)射的 Landsat 8衛(wèi)星上）在波段的設(shè)置及對植被的敏感性上上相比之前的TM等傳感器有較大提 升。然而光學遙感仍難以穿透森林冠層獲得其垂直結(jié)構(gòu)信息，且在森林覆蓋度高（植被生 長旺盛）的區(qū)域獲取森林生物量信息時易飽和。激光雷達（LiDAR，Light Detection And Ranging)是近年來迅速發(fā)展的主動遙感技術(shù)，其發(fā)射的激光脈沖可以穿透植被冠層獲得其 三維結(jié)構(gòu)和能量信息，以往研宄表明LiDAR在精確估算不同森林類型的生物物理和結(jié)構(gòu)特 性方面具有較大潛力。
[0004] 近年來反演森林生物量的研宄有：l)Zheng等2004在《Remote Sensing of Environment))第 35 卷上發(fā)表了 "Estimating aboveground biomass using Landsat7ETM+data across a managed landscape in northern Wisconsin, USA''，該石開 宄借助從ETM+(Landsat 7)影像上提取的NDVI等植被指數(shù)反演了美國威斯康辛州北部 針葉林的地上生物量信息。2)楊存建等2004年在《植物生態(tài)學報》28卷上發(fā)表了 "不同 齡組的熱帶森林植被生物量與遙感地學數(shù)據(jù)之間的相關(guān)性分析"利用TM(Landsat5)影像 原始波段的方法對云南西雙版納熱帶森林植被生物量進行估算。3)Ferster等2009年在 ((Canadian Journal of Remote Sensing〉〉第 35卷上發(fā)表了"Aboveground Large Tree Mass Estimation in a Coastal Forest in British Columbia Using Plot-Level Metrics and Individual Tree Detection from LiDAR"，該研宄借助從小光斑（直徑：0· l_2m) LiDAR 數(shù) 據(jù)中提取的點云高度與冠層密度信息，反演了溫帶森林的地上生物量。4) Saatchi等2011 年在《Proceedings of the National Academy of Sciences of the United States of America〉〉第 12 期上發(fā)表了 "Benchmark Map of Forest Carbon Stocks in Tropical Regions across Three Continents''，該石開宄通過從 GLAS (Geoscience Laser Altimeter System)大光斑（直徑：52-90m)LiDAR數(shù)據(jù)中提取與樹高信息相關(guān)的特征變量，反演了熱帶 雨林的生物量。然而，以上方法僅從單一的角度去挖掘傳統(tǒng)"光學"和LiDAR數(shù)據(jù)，特異性 較低，且對特征變量的挖掘深度較淺（即并未系統(tǒng)分組從多個角度提取和篩選特征變量）， 還不能精確的對生物量進行反演。

【發(fā)明內(nèi)容】

[0005] 發(fā)明目的：針對現(xiàn)有技術(shù)中存在的不足，本發(fā)明提出一種遙感森林生物量反演的 方法，具有特異性強、成本低、易于推廣應(yīng)用等特點。
[0006] 技術(shù)方案：為了實現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：
[0007] 一種遙感森林生物量反演的方法：在對遙感數(shù)據(jù)預處理的基礎(chǔ)上，分別從LiDAR 點云（包含冠層三維空間信息）及多光譜（包含冠層上表面的光譜信息）數(shù)據(jù)中提取植被 冠層的特征變量；通過相關(guān)性分析篩選以上LiDAR點云和多光譜特征變量，并結(jié)合地面實 測生物量信息通過逐步回歸模型反演地上和地下生物量。
[0008] 所述遙感森林生物量反演的方法，包括以下步驟：
[0009] DOLI影像預處理：首先借助OLI傳感器的輻射定標參數(shù)對原始影像進行輻射定 標；將原始DN值轉(zhuǎn)化為像元輻射亮度值；再以FLAASH模型對影像進行大氣校正，從而將輻 射亮度值轉(zhuǎn)化為地表實際反射率；然后對影像進行幾何精校正，選取同名地物點，采用二次 多項式進行校正，校正誤差控制在〇. 1個像元以內(nèi)，并采用最鄰近像元法進行重采樣。
[0010] 2) LiDAR數(shù)據(jù)預處理：
[0011] a)噪聲水平估計和數(shù)據(jù)平滑：首先把原始數(shù)據(jù)轉(zhuǎn)換到頻率域，再將頻率較高的低 值部分作為噪聲水平的判斷標準；然后選用高斯濾波器進行平滑，這是由于高斯濾波器在 有效平滑數(shù)據(jù)的同時，還可以最大限度地保持原有曲線的趨勢；
[0012] b)高斯擬合（分解）及波形數(shù)據(jù)點云化：基于回波數(shù)據(jù)是多個高斯函數(shù)的累加 這一假設(shè)，對波形數(shù)據(jù)采用非線性最小二乘法進行擬合；然后通過局部最大峰值檢測濾波 算法從處理后的波形數(shù)據(jù)上提取離散點云，每個離散點中記錄了返回信號的能量和振幅信 息；
[0013] c)生成數(shù)字地形：LiDAR數(shù)據(jù)高度歸一化的目的是為了得到去除了地形影響的 "真實"植被高度，通常采用原始LiDAR數(shù)據(jù)高度信息減去地形高度得到；因此，精確生成數(shù) 字地形模型（DTM)是計算歸一化植被高度的重要前提；首先對從波形數(shù)據(jù)中提取出離散點 云進行分類，然后對末次回波進行Kraus濾波處理用以去除非地面點，最后使用濾波后的 末次回波數(shù)據(jù)并借助自然鄰近法插值生成數(shù)字地形模型；
[0014] d)再利用DEM對植被回波點的高程進行歸一化處理，即使植被點的高度值轉(zhuǎn)化為 相對于地面的高度值，并通過左下角和右上角的坐標對每塊樣地進行裁切；最后通過GIS 分析工具提取55個樣地對應(yīng)坐標位置的歸一化點云數(shù)據(jù)；
[0015] 3) OLI特征變量提?。和ㄟ^對OLI影像進行波段組合、纓帽變換、紋理信息提取、主 成分分析、最小噪聲分離變換以及多種植被指數(shù)變換，提取5組特征變量（詳見表1)，即原 始單波段變量、波段組合變量、信息增強組變量、植被指數(shù)變量以及紋理信息變量；其中紋 理分析針對主成分分析的第一主成分進行；
[0016] 4)提取的LiDAR點云特征變量：LiDAR點云特征變量是基于三維歸一化LiDAR點 云值計算了 4組特征變量（詳見表2)，即高度變量、高度百分位數(shù)變量、冠層密度變量、冠層 覆蓋度變量；
[0017] 5)特征變量篩選：將提取的LiDAR特征變量及OLI特征變量與需要預測的參數(shù)進 行Pearson's相關(guān)性分析，選取Pearson's相關(guān)系數(shù)的絕對值高于0· 2的特征變量作為建 模候選變量；Pearson' s相關(guān)系數(shù)的計算方法為：
[0018]
【主權(quán)項】
1. 一種遙感森林生物量反演的方法，其特征在于，包括以下步驟： DOLI影像預處理：首先借助OLI傳感器的輻射定標參數(shù)對原始影像進行輻射定標；將 原始DN值轉(zhuǎn)化為像元輻射亮度值；再以FLAASH模型對影像進行大氣校正，從而將輻射亮度 值轉(zhuǎn)化為地表實際反射率；然后對影像進行幾何精校正，選取同名地物點，采用二次多項式 進行校正，校正誤差控制在〇. 1個像元以內(nèi)，并采用最鄰近像元法進行重采樣； 2. LiDAR數(shù)據(jù)預處理：先進行噪聲水平估計和數(shù)據(jù)平滑，然后高斯擬合及波形數(shù)據(jù)點 云化，生成數(shù)字地形，再利用DEM對植被回波點的高程進行歸一化處理； 3. OLI特征變量提?。和ㄟ^對OLI影像進行波段組合、纓帽變換、紋理信息提取、主成分 分析、最小噪聲分離變換以及多種植被指數(shù)變換，提取5組特征變量，分別為原始單波段變 量、波段組合變量、信息增強組變量、植被指數(shù)變量以及紋理信息變量；其中紋理分析針對 主成分分析的第一主成分進行； 4) 提取的LiDAR點云特征變量：LiDAR點云特征變量是基于三維歸一化LiDAR點云值 計算的4組特征變量，分別為高度變量、高度百分位數(shù)變量、冠層密度變量、冠層覆蓋度變 量； 5) 特征變量篩選：將提取的LiDAR特征變量及OLI特征變量與需要預測的參數(shù)進行 Pearson' s相關(guān)性分析，選取Pearson' s相關(guān)系數(shù)的絕對值高于0· 2的特征變量作為建模 候選變量；Pearson' s相關(guān)系數(shù)的計算方法為：
式中，Xi為地面實測的某林分特征，y i為某LiDAR特征變量，弋為Xi的平均值，7/為 Yi的平均值； 6) 統(tǒng)計分析：將地面實測匯總的生物量信息作為因變量，遙感方法提取的特征變量作 為自變量，建立多元回歸模型；運用逐步進入法stepwise和檢驗決定系數(shù)R 2的變化情況來 選擇進入模型的合適變量；如果有自變量使統(tǒng)計量F值過小并且T檢驗達不到顯著水平，則 予以剔除；F值較大且T檢驗達到顯著水平則得以進入；采用決定系數(shù)R 2、均方根誤差RMSE 和相對均方根誤差rRMSE評價回歸模型的精度；
式中，Xi為地面實測的某林分特征，A為\的平均值，尤為模型估算的某林分特征，η 為樣地數(shù)量；
2. 根據(jù)權(quán)利要求1所述的遙感森林生物量反演的方法，其特征在于：步驟2)中，噪聲 水平估計和數(shù)據(jù)平滑為：首先把原始數(shù)據(jù)轉(zhuǎn)換到頻率域，再將頻率較高的低值部分作為噪 聲水平的判斷標準；然后選用高斯濾波器進行平滑。
3. 根據(jù)權(quán)利要求1所述的遙感森林生物量反演的方法，其特征在于：步驟2)中，高斯 擬合及波形數(shù)據(jù)點云化為：對波形數(shù)據(jù)采用非線性最小二乘法進行擬合；然后通過局部最 大峰值檢測濾波算法從處理后的波形數(shù)據(jù)上提取離散點云，每個離散點中記錄了返回信號 的能量和振幅信息。
4. 根據(jù)權(quán)利要求1所述的遙感森林生物量反演的方法，其特征在于：步驟2)中，生成 數(shù)字地形為：首先對從波形數(shù)據(jù)中提取出離散點云進行分類，然后對末次回波進行Kraus 濾波處理用以去除非地面點，最后使用濾波后的末次回波數(shù)據(jù)并借助自然鄰近法插值生成 數(shù)字地形模型。
5. 根據(jù)權(quán)利要求1所述的遙感森林生物量反演的方法，其特征在于：步驟2)中，利用 DEM對植被回波點的高程進行歸一化處理為：使植被點的高度值轉(zhuǎn)化為相對于地面的高度 值，并通過左下角和右上角的坐標對每塊樣地進行裁切；最后通過GIS分析工具提取55個 樣地對應(yīng)坐標位置的歸一化點云數(shù)據(jù)。
6. 根據(jù)權(quán)利要求1所述的遙感森林生物量反演的方法，其特征在于：步驟6)中，T檢驗 達不到顯著水平為P值>0. 1，T檢驗達到顯著水平為P值〈0. 05。
【專利摘要】本發(fā)明公開了一種遙感森林生物量反演的方法，該方法在對遙感數(shù)據(jù)預處理的基礎(chǔ)上，分別從LiDAR點云（包含冠層三維空間信息）及多光譜（包含冠層上表面的光譜信息）數(shù)據(jù)中提取植被冠層的特征變量；通過相關(guān)性分析篩選以上LiDAR點云和多光譜特征變量，并結(jié)合地面實測生物量信息通過逐步回歸模型反演地上和地下生物量。通過本發(fā)明構(gòu)建的北亞熱帶森林生物量的優(yōu)化反演模型可將模型“決定系數(shù)”R2提高3-24%；并可高精度估算森林生物量，將“相對均方根誤差”rRMSE降低2-10%?？蓱?yīng)用在林業(yè)調(diào)查、森林資源監(jiān)測、森林碳儲量評估及森林生態(tài)系統(tǒng)的研究等領(lǐng)域，并為森林可持續(xù)經(jīng)營及森林資源的綜合利用提供定量化的數(shù)據(jù)支持。
【IPC分類】G01S17-89
【公開號】CN104656098
【申請?zhí)枴緾N201510056042
【發(fā)明人】曹林, 徐婷
【申請人】南京林業(yè)大學
【公開日】2015年5月27日
【申請日】2015年2月3日