[发明专利]一种遥感森林生物量反演的方法

摘要

本发明公开了一种遥感森林生物量反演的方法，该方法在对遥感数据预处理的基础上，分别从LiDAR点云（包含冠层三维空间信息）及多光谱（包含冠层上表面的光谱信息）数据中提取植被冠层的特征变量；通过相关性分析筛选以上LiDAR点云和多光谱特征变量，并结合地面实测生物量信息通过逐步回归模型反演地上和地下生物量。通过本发明构建的北亚热带森林生物量的优化反演模型可将模型“决定系数”R2提高3‑24%；并可高精度估算森林生物量，将“相对均方根误差”rRMSE降低2‑10%。可应用在林业调查、森林资源监测、森林碳储量评估及森林生态系统的研究等领域，并为森林可持续经营及森林资源的综合利用提供定量化的数据支持。

主权项

一种遥感森林生物量反演的方法，其特征在于，包括以下步骤：1)OLI影像预处理：首先借助OLI传感器的辐射定标参数对原始影像进行辐射定标，将原始DN值转化为像元辐射亮度值；再以FLAASH模型对辐射定标后的影像进行大气校正，从而将辐射亮度值转化为地表实际反射率；然后对大气校正后的影像进行几何精校正，选取同名地物点，采用二次多项式进行校正，校正误差控制在0.1个像元以内，并采用最邻近像元法进行重采样；2)LiDAR数据预处理：先进行噪声水平估计和数据平滑，然后高斯拟合及波形数据点云化，生成数字地形，再利用DEM对植被回波点的高程进行归一化处理；3)OLI特征变量提取：通过对OLI影像进行波段组合、缨帽变换、纹理信息提取、主成分分析、最小噪声分离变换以及多种植被指数变换，提取5组特征变量，分别为原始单波段变量、波段组合变量、信息增强组变量、植被指数变量以及纹理信息变量；其中纹理分析针对主成分分析的第一主成分进行；4)提取的LiDAR点云特征变量：LiDAR点云特征变量是基于三维归一化LiDAR点云值计算的4组特征变量，分别为高度变量、高度百分位数变量、冠层密度变量、冠层覆盖度变量；5)特征变量筛选：将提取的LiDAR特征变量及OLI特征变量与需要预测的参数进行Pearson’s相关性分析，选取Pearson’s相关系数的绝对值高于0.2的特征变量作为建模候选变量；Pearson’s相关系数的计算方法为：r=Σi=1n(xi-x‾i)(yi-y‾i)Σi=1n(xi-x‾i)2·Σi=1n(yi-y‾i)2---(1)]]>式中，xi为地面实测的某林分特征，yi为某LiDAR特征变量，为xi的平均值，为yi的平均值；6)统计分析：将地面实测汇总的生物量信息作为因变量，遥感方法提取的特征变量作为自变量，建立多元回归模型；运用逐步进入法stepwise和检验决定系数R2的变化情况来选择进入模型的合适变量；如果有自变量使统计量F值过小并且T检验达不到显著水平，则予以剔除；F值较大且T检验达到显著水平则得以进入；采用决定系数R2、均方根误差RMSE和相对均方根误差rRMSE评价回归模型的精度；R2=1-Σi=1n(xi-x^i)2Σi=1n(xi-x‾i)2---(2)]]>式中，xi为地面实测的某林分特征，为xi的平均值，为模型估算的某林分特征，n为样地数量；RMSE=1nΣi=1n(xi-x^i)2---(3)]]>rRMSE=RMSEx‾i×100%---(4);]]>步骤2)中，高斯拟合及波形数据点云化为：对波形数据采用非线性最小二乘法进行拟合；然后通过局部最大峰值检测滤波算法从处理后的波形数据上提取离散点云，每个离散点中记录了返回信号的能量和振幅信息；步骤2)中，噪声水平估计和数据平滑为：首先把原始数据转换到频率域，再将频率较高的低值部分作为噪声水平的判断标准；然后选用高斯滤波器进行平滑。