[发明专利]区域森林蓄积量遥感监测方法

权利要求书

1.区域林地蓄积量遥感监测方法，其特征在于，包括：

1)基于中等分辨率LANDSAT光学遥感数据，提取光谱、亮、绿湿以及主成分变换特征；利用SRTM DEM提取坡度信息；

2)基于遥感图像特征，实现有限样地的扩充，得到更足量的样地数据驱动机器学习算法；

3)基于随机森林实现特征选择，并联合多种机器学习算法，实现区域内森林蓄积量的最优估算。

2.根据权利要求1所述的区域林地蓄积量遥感监测方法，其特征在于，所述步骤1)包括：

利用LANDSAT-8卫星遥感数据经辐射校正、大气校正得到地表真实反射率SRF，

SRF＝FLAASH(L)

L_λ＝a＊DN+b

其中FLAASH表示大气校正过程，L_λ卫星载荷通道入瞳处等效辐射亮度，单位为W/(m²*sr*μm)，DN是LANDSAT-8遥感数据初始值，a和b分别为定标系数增益与偏移量，可从遥感数据头文件中获取；

利用SRF数据来反演植被线性光谱特征NDVI、RVI，

其中，SRF_nir是LANDSAT-8近红外波段(0.85-0.88)地表反射率，SRF_r是LANDSAT-8红波段(0.64-0.67)地表反射率；

利用LANDSAT-8卫星遥感数据来反演亮度(Brightness)、绿度(Greenness)、和湿度(Wetness)特征，

其中，TOA_λ为表观反射率，TOA_b、TOA₈、TOA_r、TOA_nir、TOA_swir1、及TOA_swir2分别为LANDSAT-8的6个波段(蓝0.45-0.52、0.53-0.59、红0.64-0.67、近红外0.85-0.88、短波红外1.57-1.65、短波红外2.11-2.29)的表观反射率值。

L_λ是辐亮度数值

d为日地距离、天地单位

ESUN_λ为太阳辐照度

θ为太阳高度角(与太阳天顶角互余，若已知太阳天顶角，此处sinθ可换成cosθ)

利用主成分(Principal Component Analysis，PCA)变换，对LANDSAT-8的地表反射率波段进行降维得到前三个主成分PCA1，PCA2，和PCA3，

U＝(u₁，u₂，...，u_d)

SRF₁、SRF₂、SRF₃、SRF₄、SRF₅和SRF₆分别表示蓝、绿、红、近红外、短波红外1和短波红外2的地表反射率；为一个样本的特征向量；D为协方差矩阵；U是由D的特征向量u_i构成的变换矩阵，d＝3表示PCA变换后的分量数。

利用SRTM DEM数据提取坡度特征Aspect，

Aspect＝Slope_sn/Slope_we

其中，Slope为坡度，Aspect为坡向，Slope_we为东西方向坡度，Slope_sn为南北方向坡度。

3.根据权利要求1所述的区域林地蓄积量遥感监测方法，其特征在于，所述步骤2)，包括：利用相似性度量构建样扩充规则，

其中，MP是扩充点，FP是实测样地，E_i与S_j分别表示第i个环境变量数值与第j个光谱特征数值；t表示光谱差异阈值。

4.根据权利要求1所述的区域林地蓄积量遥感监测方法，其特征在于，所述步骤3)，包括：

利用随机森林算法对所提取的特征进行重要性排序，得到最优的10个特征，结合三种机器学习模型(Bagging，EtraTree和Randomforest)分两种样本组合进行训练：仅采用扩充样地MPs和采用扩充样地与实测样地MPs+FPs分别驱动三种模型，实现区域蓄积量估算。