一种综合三类数据源联合反演森林地上生物量的方法

摘要

本发明公开一种综合高分辨率CCD数据、高光谱影像数据和激光雷达点云数据联合反演森林地上生物量的方法，具体地说，是指一种首先对机载高分辨率CCD影像进行几何校正、拼接预处理，对高光谱影像进行几何校正、大气校正预处理，对激光雷达点云数据进行滤波，插值生成数字地形模型，点云数据归一化处理；然后分别基于预处理后的三个数据源提取纹理特征、光谱特征和点云结构特征；最后，结合地面实测数据和提取的特征变量分别构建模型以预测森林地上生物量的方法。本发明对亚热带天然次生林的森林地上生物量进行提取，与使用其他相近遥感方法进行地上生物量估算结果相比，其相对均方根误差降低了10％以上。

说明书

技术领域

本发明涉及森林资源监测和环境因子调查等领域，具体说是一种综合三类数据源联合反演森林地上生物量的方法。

背景技术

精确的森林地上生物量提取，对于森林资源监测和环境因子调查具有重要意义。同时，这些信息也可以用于掌握森林植物与环境的关系，森林生长发育和更新、演替的规律，对于森林的可持续经营管理、生态系统碳循环研究及全球气候变化理解具有重要意义。常规的森林地上生物量提取主要依赖于野外实测或以实测法为基础的统计分析方法，其精度往往不高，且难于在“面”上实用化推广。

近年来，基于高分辨率CCD、高光谱和激光雷达数据森林地上生物量提取的研究为：Kattenborn等2015年在《International Journal of Applied Earth Observationand Geoinformation》第35卷上发表的“Mapping forest biomass from space–Fusion ofhyperspectral EO1-hyperion data and Tandem-X and WorldView-2canopy heightmodels”，该研究借助星载平台获取的高分辨率和高光谱数据，通过提取高度特征和光谱特征，并在评估这些变量重要性的基础上结合地面实测数据提取了温带森林的地上生物量。Latifi等2012年在《Remote Sensing of Environment》第121卷上发表的“Foreststructure modeling with combined airborne hyperspectral and LiDAR data”，该研究采用航空飞机获取的高光谱和激光雷达数据，结合光谱特征、高度、激光强度特征以及遗传算法估测了森林地上生物量。然而，以上方法都是基于两类数据源，并没有融合同时相获取的高分辨率CCD、高光谱和激光雷达数据以提高森林地上生物量估算的精度。同时，更未见全面深入计算森林冠层高精度空间细节特征、光谱特征、激光雷达特征提取的方法。

发明内容

发明目的：针对上述现有技术存在的不足，提供一种综合三类数据源联合反演森林地上生物量的方法，可有效的提高森林地上生物量估算的精度。

技术方案：为了实现上述发明目的，本发明采用的技术方案如下：一种综合三类数据源联合反演森林地上生物量的方法，包括以下步骤：

1)借助航空飞机分别采集高分辨率CCD影像数据，高光谱影像数据以及激光雷达点云数据；在地面设置样地，并在样地中记录树种并计数，同时测量每木的胸径及树高；地上生物量通过异速生长方程结合每木胸径和树高进行计算；

2)对高分辨率CCD影像数据和高光谱影像数据分别结合地面实测数据进行校正；同时对激光雷达点云数据做归一化处理；

3)根据步骤2)中的预处理结果对三类数据分别提取特征变量；对高分辨率CCD影像数据提取纹理特征变量；对高光谱影像数据提取光谱特征变量；对激光雷达点云数据提取点云结构特征变量；

4)根据步骤3)中提取的特征变量首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与森林地上生物量相关性高于0.6的特征变量；

5)将地面实测森林地上生物量作为因变量，将各特征变量作为自变量，建立随机森林模型，该随机森林模型内设置多组决策树，整体随机森林模型由多组决策树构成；

6)在随机森林模型中，每一个决策树“种植”和“生长”的规则如下：设定训练集中的样本个数为N，然后通过有重置的重复多次抽样来获得这N个样本，这样的抽样结果将作为生成决策树的训练集；如有M个输入变量，每个节点都将随机选择m个特定的变量，该m<M；然后运用这m个变量来确定最佳的分裂点；在决策树的生成过程中，m的值是保持不变的；每棵决策树都最大可能地进行生长而不进行剪枝；通过对所有的决策树进行加总来预测新的数据；

7)采用决定系数R²、均方根误差RMSE和相对均方根误差rRMSE评价回归模型拟合的效果及估测精度：

其中，x_i为某森林地上生物量实测值；为某森林地上生物量实测平均值；为某森林地上生物量的模型估测值；n为样地的数量；i为某一个样地。

其中，所述步骤2)中对高分辨率CCD影像数据具体预处理为：对高分辨率CCD影像进行拼接，生成一幅完整的研究区高分辨率影像；同时结合地面实测控制点数据，采用二次多项式模型对影像进行几何精校正。

其中，所述步骤2)中对高光谱影像数据具体预处理为：借助传感器辐射定标数据对原始高光谱数据进行辐射定标，并利用经验线性模型结合地面实测标靶光谱数据进行大气校正；同时，利用地面实测控制点对高光谱影像进行几何精校正。

其中，所述步骤2)中激光雷达点云数据具体预处理为：去除LiDAR原始点云数据的噪音点，基于滤波方法去除非地面点，然后通过计算每个像元内激光点高度的平均值，在设定空间分辨率为0.5m的前提下，生成数字高程模型DEM；并通过生成的数字地形模型对点云进行归一化处理，得到归一化后的激光雷达点云数据。

其中，所述步骤3)中高分辨率CCD影像数据的纹理特征变量设置为：影像内像元的相关度CR、对比度CO、相异性DI、信息熵EN、均匀度HO、均值ME、二阶矩SM、偏斜度SK和方差VA。

其中，所述步骤3)中高光谱影像数据的光谱特征变量设置为：原始光谱特征；植被指数；该植被特征包括：简单比值植被指数SR、修正型简单比值植被指数MSR、归一化植被指数NDVI、修正型归一化植被指数MNDVI、土壤调节植被指数SAVI、红边胁迫指数RVSI、植被衰减指数PSRI、植被水含量指数WBI。

其中，所述步骤3)中激光雷达点云数据的点云结构特征变量设置为：冠层高度分布百分位数；冠层点云分布平均高度以上的覆盖度；冠层点云分布的变异系数；点云数量在各百分数高度以上的点占所有点云的百分比；Weibull函数对冠层高度分布剖面进行拟合得到的2个剖面特征量α和β；冠层各结构类别体积占比；包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比。

采用决定系数R²、均方根误差RMSE和相对均方根误差rRMSE评价回归模型拟合的效果及估测精度：

其中，x_i为某森林地上生物量实测值；为某森林地上生物量实测平均值；为某森林地上生物量的模型估测值；n为样地的数量；i为某一个样地

本发明涉及一种综合高分辨率CCD数据、高光谱影像数据和激光雷达点云数据联合反演森林地上生物量的方法，具体地说，是指一种首先对机载高分辨率CCD影像进行几何校正、拼接预处理，对高光谱影像进行几何校正、大气校正预处理，对激光雷达点云数据进行滤波，插值生成数字地形模型，点云数据归一化处理；然后分别基于预处理后的三个数据源提取纹理特征、光谱特征和点云结构特征；最后，结合地面实测数据和提取的特征变量分别构建模型以预测森林地上生物量的方法。

有益效果：本发明与现有技术相比，具有以下优点：本发明基于高分辨率CCD、高光谱和激光雷达联合反演森林地上生物量的方法应用于森林信息获取中。高分辨率CCD、高光谱和激光雷达数据分别从二维、光谱和三维的角度记录森林结构信息，将有助于提高森林地上生物量的反演精度，并有效抑制森林覆盖度高、生物量高林分的结构参数反演“饱和”问题；相比现有技术中基于单一或两类数据源的方法，本发明则是通过联合同时相获取的高分辨率CCD、高光谱和激光雷达三类数据源，然后基于提取的特征变量建立森林地上生物量估算模型；由于三类数据源分别从二维、光谱和三维的角度记录了森林结构信息，其数据之间互为补充，故本发明增强了森林地上生物量反演的能力和精度；另外本发明全面深入地提取了多组森林冠层高精度空间细节特征、光谱特征、激光雷达特征，并进行了特征变量优选，从而高质量地提取了森林地上生物量；同时，该发明不仅利于挖掘特征变量与森林地上生物量之间的联系，也易于进行方法移植；即在不同地区的不同森林类型中也可以进行应用。验证结果表明，通过本发明对亚热带天然次生林的森林地上生物量进行提取，与使用其他相近遥感方法进行地上生物量估算结果相比，其相对均方根误差降低了10％以上。

附图说明

图1为高分辨率CCD数据、高光谱和激光雷达数据图；

图2为随机森林模型中重要性前十的特征变量数据图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。

一种综合三类数据源联合反演森林地上生物量的方法，包括以下步骤：

1)借助航空飞机分别采集高分辨率CCD影像数据，高光谱影像数据以及激光雷达点云数据；在地面设置样地，并在样地中记录树种并计数，同时测量每木的胸径及树高；地上生物量通过异速生长方程结合每木胸径和树高进行计算；

2)对高分辨率CCD影像数据和高光谱影像数据分别结合地面实测数据进行校正；同时对激光雷达点云数据做归一化处理；

其中，对高分辨率CCD影像数据具体预处理为：对高分辨率CCD影像进行拼接，生成一幅完整的研究区高分辨率影像；同时结合地面实测控制点数据，采用二次多项式模型对影像进行几何精校正；

其中，对高光谱影像数据具体预处理为：借助传感器辐射定标数据对原始高光谱数据进行辐射定标，并利用经验线性模型结合地面实测标靶光谱数据进行大气校正；同时，利用地面实测控制点对高光谱影像进行几何精校正；

其中，对激光雷达点云数据具体预处理为：去除LiDAR原始点云数据的噪音点，基于滤波方法去除非地面点，然后通过计算每个像元内激光点高度的平均值，在设定空间分辨率为0.5m的前提下，生成数字高程模型DEM；并通过生成的数字地形模型对点云进行归一化处理，得到归一化后的激光雷达点云数据；

3)提取特征变量：根据步骤2)中的预处理结果对三类数据分别提取特征变量；对高分辨率CCD影像数据提取纹理特征变量；对高光谱影像数据提取光谱特征变量；对激光雷达点云数据提取点云结构特征变量；

其中，高分辨率CCD影像数据的纹理特征变量设置为：影像内像元的相关度CR、对比度CO、相异性DI、信息熵EN、均匀度HO、均值ME、二阶矩SM、偏斜度SK和方差VA；

其中，高光谱影像数据的光谱特征变量设置为：原始光谱特征；植被指数；该植被特征包括：简单比值植被指数SR、修正型简单比值植被指数MSR、归一化植被指数NDVI、修正型归一化植被指数MNDVI、土壤调节植被指数SAVI、红边胁迫指数RVSI、植被衰减指数PSRI、植被水含量指数WBI；

其中，激光雷达点云数据的点云结构特征变量设置为：冠层高度分布百分位数；冠层点云分布平均高度以上的覆盖度；冠层点云分布的变异系数；点云数量在各百分数高度以上的点占所有点云的百分比；Weibull函数对冠层高度分布剖面进行拟合得到的2个剖面特征量α和β；冠层各结构类别体积占比；包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比；

4)根据步骤3)中提取的特征变量首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与森林地上生物量相关性高于0.6的特征变量；通过相关性低于或者高于一定的阈值进行特征变量筛选是现有技术中常用的筛选方法，在本发明中根据变量相关性的情况及变量个数综合考虑，将阈值设置为0.6；

5)将地面实测森林地上生物量作为因变量，将各特征变量作为自变量，建立随机森林模型，该随机森林模型内设置多组决策树，整体随机森林模型由多组决策树构成；

6)在随机森林模型中，每一个决策树“种植”和“生长”的规则如下：设定训练集中的样本个数为N，然后通过有重置的重复多次抽样来获得这N个样本，这样的抽样结果将作为生成决策树的训练集；如有M个输入变量，每个节点都将随机选择m个特定的变量，该m<M；然后运用这m个变量来确定最佳的分裂点；在决策树的生成过程中，m的值是保持不变的；每棵决策树都最大可能地进行生长而不进行剪枝；通过对所有的决策树进行加总来预测新的数据；

其中，采用决定系数R²、均方根误差RMSE和相对均方根误差rRMSE评价回归模型拟合的效果及估测精度：

其中，x_i为某森林地上生物量实测值；为某森林地上生物量实测平均值；为某森林地上生物量的模型估测值；n为样地的数量；i为某一个样地。

实施例1

本实施例实验区位于江苏省常熟市国营虞山林场(120.70°E,31.67°N)，面积约1422hm²，高程变化范围为2-261m。该实验区所处区域为亚热带季风气候，年降水量1062.5mm。其森林类型属于亚热带次生混交林，可细分为针叶林、阔叶林和混交林。其中主要针叶和阔叶落叶树种包含马尾松(Pinus>

借助航空飞机采集高分辨率CCD影像，高光谱影像和激光雷达点云数据，具体数据见图1。

在图1中a：从激光雷达数据中提取的冠层数字表面模型；b：样地点云侧视图；c：样地高分辨率CCD影像；d：去噪后的波形数据；e：样地高光谱影像；f：冠层表面平均光谱反射曲线。

在研究区范围内设置28个方形样地(30×30m²)。样地中心点坐标使用GPS(Trimble>

表1样地实测林分特征信息汇总表

数据预处理时，对高分辨率CCD影像进行拼接，生成一幅完整的研究区高分辨率影像。同时结合地面实测控制点数据，采用二次多项式模型对影像进行几何精校正。借助传感器辐射定标数据对原始高光谱数据进行辐射定标，并利用经验线性模型结合地面实测标靶光谱数据进行大气校正。同时，利用地面实测控制点对高光谱影像进行几何精校正。去除LiDAR原始点云数据的噪音点，基于滤波方法去除非地面点，然后通过计算每个像元内激光点高度的平均值，生成数字高程模型(DEM)(空间分辨率为0.5m)。并通过生成的数字地形模型对点云进行归一化处理，得到归一化后的激光雷达点云数据。

提取三类特征变量，即纹理特征、光谱特征和点云结构特征变量。

其中，纹理特征变量包括：影像内像元的相关度CR、对比度CO、相异性DI、信息熵EN、均匀度HO、均值ME、二阶矩SM、偏斜度SK和方差VA。

其中，光谱特征变量包括：原始光谱特征(band1-band64)；植被指数(简单比值植被指数SR、修正型简单比值植被指数MSR、归一化植被指数NDVI、修正型归一化植被指数MNDVI、土壤调节植被指数SAVI、红边胁迫指数RVSI、植被衰减指数PSRI、植被水含量指数WBI)。

其中，点云结构特征变量包括：冠层高度分布百分位数(H25，H50，H75，H95)；冠层点云分布平均高度以上的覆盖度(CCmean)；冠层点云分布的变异系数(Hcv)；点云数量在各百分数高度(30th，50th，70th，90th，即D3，D5，D7，D9)以上的点占所有点云的百分比；Weibull函数对冠层高度分布剖面进行拟合得到2个剖面特征量α，β(即Weibullα和Weibullβ)；冠层各结构类别体积占比，包括开放层，透光层，低光层和封闭层四个冠层结构类别，每个冠层结构类别的体积所占百分比(即OpenGap，Oligophotic，Euphotic，ClosedGap)。

通过相关性分析筛选特征变量，即首先筛选特征变量之间相关性低于0.6的特征变量，然后进一步筛选特征变量与森林地上生物量相关性高于0.6的特征变量。

将地面实测森林地上生物量作为因变量，各特征变量作为自变量，建立随机森林模型。随机森林由很多的决策树构成，在随机森林中，每一个决策树“种植”和“生长”的规则如下所示：设定训练集中的样本个数为N，然后通过有重置的重复多次抽样来获得这N个样本，这样的抽样结果将作为生成决策树的训练集；如果有M个输入变量，每个节点都将随机选择m(m<M)个特定的变量，然后运用这m个变量来确定最佳的分裂点。在决策树的生成过程中，m的值是保持不变的；每棵决策树都最大可能地进行生长而不进行剪枝；通过对所有的决策树进行加总来预测新的数据(采用平均值)。采用决定系数(R²)、均方根误差(RMSE)和相对均方根误差(rRMSE)评价回归模型拟合的效果及估测精度。森林地上生物量估测精度见下表2；而随机森林模型中重要性前十的特征变量见图2。

表2森林地上生物量各模型估算精度汇总表

模型R²RMSE(Mg·ha^-1)rRMSE(％)激光雷达模型0.8510.6712.31激光雷达+高光谱模型0.8710.1211.67激光雷达+高光谱+高分辨率CCD0.889.9411.47

在图2中，其中a：激光雷达模型；b：激光雷达+高光谱模型；c：激光雷达+高光谱+高分辨率CCD模型(注：X轴的Importance为重要性，Y轴的Metrics是特征变量)。

本实施例中通过联合同时相获取的高分辨率CCD、高光谱和激光雷达三类数据源，然后基于提取的特征变量建立森林地上生物量估算模型。由于三类数据源分别从二维、光谱和三维的角度记录了森林结构信息，其数据之间互为补充，故本方法增强了森林地上生物量反演的能力和精度；结合表1和表2的数据验证结果表明，通过本实施例对亚热带天然次生林的森林地上生物量进行提取，与使用其他相近遥感方法进行地上生物量估算结果相比，其相对均方根误差降低了10％以上。

具体实施方式只是本发明的一个优选实施例，并不是用来限制本发明的实施与权利要求范围的，凡依据本发明申请专利保护范围所述的内容做出的等效变化和修饰，均应包括于本发明专利申请范围内。