[发明专利]区域森林蓄积量遥感监测方法

说明书

本发明公开一种利用LANDSAT‑8中等分辨率遥感数据进行区域森林蓄积量监测的方法，包括步骤：1)基于遥感数据提取光谱、绿度、湿度、亮度以及主成分变换特征；2)基于遥感影像的特征进行实测样地的扩充；3)基于随机森林算法实现最优特征选择，并采用三种非参数化机器学习算法与两组样本组合，进行模型参数最优化并实现区域森林蓄积量监测。本发明利用可开放获取的LANDSAT、SRTM DEM卫星遥感数据，对实测的有限样本进行扩充，进而通过多种样本组合方法实现区域森林蓄积量的快速反演，为森林蓄积量动态监测提供技术支撑的同时，也改变了人工建立森林样地获取森林蓄积量的高强度和高成本的传统作业模式，可以为森林资源宏观把控提供技术支持。

技术领域

本发明涉及一种蓄积量遥感估算的方法，尤其涉及一种区域森林蓄积量遥感监测方法。

背景技术

传统森林资源监测中，森林蓄积量监测需要广泛且密集的研究试验区，这种方式耗时耗力，且仅适用于小区域的蓄积量监测(Mutanga et al，2012)。遥感提供了一种有效的通过区分森林类型和冠层密度分层的经济可靠的蓄积量监测手段，且长时间序列影像保证了监测蓄积量动态变化的可能性，数字格式数据可利用地理信息系统(GIS)进行进一步分析。许多研究人员已经在世界不同地区使用遥感数据监测森林生物量(蓄积量)(CryusTanja，2004；Min et al，2009；Mitchard et al，2009；Patenaude et al，2005)。Segura等(2005)使用通用方程式对森林蓄积量进行估计，结果表明此常规方法不能准确反映特定地区森林蓄积量的实际情况；Lu等(2006)的一项研究表明，使用较低空间分辨率传感器(即Landsat，MODIS等)进行蓄积量的估计会由于混合象元的存在导致较差的预测精度。最近的研究集中在使用高光谱数据进行森林蓄积量的估计。Basuki等(2013)研究表明用如光谱混合分析来分解Landsat ETM+的光谱成分以达到植被，土壤和阴影等混合地物的分解目的以及利用离散小波变换(DWT)与雷达数据的整合等较先进技术可以显著提高森林蓄积量的估计精度。Kajisa等(2009)应用基于对象的统计方法以及从粗略图像导出的纹理属性信息，使蓄积量估计精度显著改善。

很多研究者使用高光谱遥感来估计森林蓄积量(Clark et al，2011；Goodenoughet al，2008；Koch，2010)。Goodenough等人(2008)将高光谱数据与AVIRIS数据的使用进行了比较，发现两者都可以成功地用于推导出较为合理的森林蓄积量估计模型。Treuhaft等人(2003)研究表明与从微波或光学影像获得的估计值相比，使用高光谱数据森林结构剖面估计的森林蓄积量可能更准确。鸿瑞等(2011)根据红边反射率估算内蒙古沙漠草原生物量，其中用到曲线面积法，结果表明，与使用常规植被指数相比，红边反射率曲线面积法表现更好。Clark等人(2011)估计森林蓄积量时使用来自HYDICE(高光谱数字图像采集实验)机载传感器的1.6米空间分辨率，具有覆盖全范围电磁波谱的210个频带的高光谱图像与使用r2值为0.90和RMSE为38.3Mg ha-1的激光雷达指标估计值相比，结果显示前者森林蓄积量估计值较低，尽管高光谱传感器的估计精度较低，但Clark等认为机载LiDAR和高光谱数据可以在未来森林研究中发挥重要作用。Anderson等人(2008)的一项研究表明，与独立使用高光谱，LiDAR等遥感数据相比，集成高光谱和波形LiDAR数据可以提高森林蓄积量的估计精度。尽管高光谱数据在蓄积量估计方面具有一定优势，但是光谱冗余度较大，相邻频谱包含高度相似的信息在一定程度上限制了高光谱数据在森林蓄积量估计上的优势。