测值，记为AGB; 步骤b，进行预处理，包括对高分辨率遥感影像全色数据和多光谱数据进行几何校正， 并对多光谱数据进行辐射校正，得到地表反射率数据； 步骤c，基于预处理后的多光谱数据，提取多种光谱特征植被指数，将步骤1所得样地生 物量观测值与相应的光谱特征植被指数分别进行统计回归，选取估测精度最高的模型作为 光谱特征反演模型； 步骤d，基于预处理后的全色数据，提取不同窗口下的多种纹理特征变量，将步骤1所得 样地生物量观测值与相应的纹理特征变量分别进行统计回归，选取估测效果最好的模型作 为纹理特征反演模型； 步骤e，通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关键因子 的敏感性分析，确定光谱与纹理特征各自所占权重，从而构建生物量的光谱纹理特征联合 反演模型，实现森林地上生物量反演； AGB的光谱纹理特征联合反演模型如下式： AGB=(bXa+c) Xf (a) + (l-(bXa+c)) Xf (β) 其中，f (a)为光谱特征反演模型，a为光谱关键因子;f(i3)为纹理特征反演模型，β为纹 理关键因子;b和c为光谱与纹理特征各自所占权重。式中，NIR、R、B分别为近红外波段、红光波段和蓝光波段的反射率;L为冠层背景调整系2. 根据权利要求1所述融合光谱与纹理特征的森林地上生物量反演方法，其特征在于： 所述步骤c中，选取的光谱特征植被指数包括归一化植被指数NDVI、差值植被指数DVI、比值 植被指数R VI、增强型植被指数E VI、土壤调节植被指数S A VI和修正土壤调节植被指数 MSAVI，其计算公式Μι- DVI=NIR-R 数。3. 根据权利要求1所述融合光谱与纹理特征的森林地上生物量反演方法，其特征在于： 所述步骤d中，选取的纹理特征变量包括均值ME、均匀性，HOM、对比度CON、相异性DIS、熵 ENT、方差VAR、二阶矩ASM和相关性C0R，其计算公式如下：式中，i和j分别表示行列号;Pu是归一化后的灰度共生矩阵;N表示计算纹理特征时移 动窗口的大小;yi、yj、〇i2和〇/分别是Pi和Pj的平均值和标准差，Pi和Pj是归一化后的灰度共 生矩阵的第i行和第j列。4. 根据权利要求3所述融合光谱与纹理特征的森林地上生物量反演方法，其特征在于： 所述步骤d中，提取纹理特征的窗口大小为3 X 3、5 X 5、7 X 7和9 X 9;将步骤1所得样地生物 量观测值与相应的光谱特征植被指数分别进行统计回归，包括每种窗口下的8种纹理特征 分别与AGB进行一元线性回归、每种窗口下的8种纹理特征分别全部与AGB进行逐步多元线 性回归、4种窗口下的全部纹理特征与AGB进行逐步多元线性回归。5. 根据权利要求1或2或3或4所述融合光谱与纹理特征的森林地上生物量反演方法，其 特征在于:所述步骤e中，通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹 理关键因子的敏感性分析，确定光谱与纹理特征各自所占权重，实现如下， (1) 进行光谱和纹理关键因子归一化，如下式，式中，Xl为在第i种生物量场景下，光谱或纹理关键因子的值;yi是相应的归一化值;Xmin 和xmax分别为光谱或纹理关键因子的最小值和最大值； (2) 进行光谱和纹理关键因子敏感性计算， 对于光谱关键因子的敏感性计算，包括首先根据光谱特征反演模型，建立以归一化后 的光谱关键因子为因变量、AGB为自变量的回归模型;然后求取归一化后的光谱关键因子的 一阶导数，作为对生物量的敏感性； 对于纹理关键因子的敏感性计算，包括首先根据纹理特征反演模型，建立以AGB为因变 量、归一化后的纹理关键因子为自变量的回归模型;然后求取每个自变量的一阶导数，作为 每个纹理关键因子对生物量的敏感性;最后纹理关键因子的总敏感性计算如下，式中，TS为纹理关键因子的总敏感性;si为母一个纹理关键因子的敏感性;η为纹理敏感 因子的数量。 (3)确定光谱和纹理特征权重，包括根据光谱和纹理关键因子的敏感性计算结果，光谱 和纹理特征各自所占权重表示如下， Off=OS/(OS+TS) Off+Tff=l 式中，0W和TW分别是光谱和纹理特征的权重;OS和TS分别是光谱和纹理关键因子的敏 感性。6. -种融合光谱与纹理特征的森林地上生物量反演系统，其特征在于，包括以下模块： 第一模块，用于进行研究区样地地上生物量计算，包括利用地面观测试验获取的样地 单株参数数据集，基于地上生物量计算公式，得到样地生物量观测值，记为AGB; 第二模块，用于进行预处理，包括对高分辨率遥感影像全色数据和多光谱数据进行几 何校正，并对多光谱数据进行辐射校正，得到地表反射率数据； 第三模块，用于基于预处理后的多光谱数据，提取多种光谱特征植被指数，将第一模块 所得样地生物量观测值与相应的光谱特征植被指数分别进行统计回归，选取估测精度最高 的模型作为光谱特征反演模型； 第四模块，用于基于预处理后的全色数据，提取不同窗口下的多种纹理特征变量，将第 一模块所得样地生物量观测值与相应的纹理特征变量分别进行统计回归，选取估测效果最 好的模型作为纹理特征反演模型； 第五模块，用于通过光谱特征反演模型中光谱关键因子与纹理特征反演模型中纹理关 键因子的敏感性分析，确定光谱与纹理特征各自所占权重，从而构建生物量的光谱纹理特 征联合反演模型，实现森林地上生物量反演； AGB的光谱纹理特征联合反演模型如下式： AGB=(bXa+c) Xf (a) + (l-(bXa+c)) Xf (β) 其中，f (a)为光谱特征反演模型，a为光谱关键因子;f(i3)为纹理特征反演模型，β为纹 理关键因子;b和c为光谱与纹理特征各自所占权重。7. 根据权利要求6所述融合光谱与纹理特征的森林地上生物量反演系统，其特征在于： 所述第三模块中，选取的光谱特征植被指数包括归一化植被指数NDVI、差值植被指数DVI、 比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI和修正土壤调节植被指数 MSAVI，其计算公式如下： DVI=NIR-R式中，NIR、R、B分别为近红外波段、红光波段和蓝光波段的反射率;L为冠层背景调整系 数。8. 根据权利要求6所述融合光谱与纹理特征的森林地上生物量反演系统，其特征在于： 所述第四模块中，选取的纹理特征变量包括均值ME、均匀性，HOM、对比度CON、相异性DIS、熵 ENT、方差VAR、二阶矩ASM和相关性COR，其计算公式如下：式中，i和j分别表示行列号;Pu是归一化后的灰度共生矩阵;N表示计算纹理特征时移 动窗口的大小;yi、yj、〇i2和〇j2分别是Pi和Pj的平均值和标准差，Pi和Pj是归一化后的灰度共 生矩阵的第i行和第j列。9. 根据权利要求8所述融合光谱与纹理特征的森林地上生物量反演系统，其特征在于： 所述第四模块中，提取纹理特征的窗口大小为3 X 3、5 X 5、7 X 7和9 X 9;将第一模块所得样 地生物量观测值与相应的光谱特征植被指数分别进行统计回归，包括每种窗口下的8种纹 理特征分别与AGB进行一元线性回归、每种窗口下的8种纹理特征分别全部与AGB进行逐步 多元线性回归、4种窗口下的全部纹理特征与AGB进行逐步多元线性回归。10.根据权利要求6或7或8或9所述融合光谱与纹理特征的森林地上生物量反演系统， 其特征在于:所述第五模块中，通过光谱特征反演模型中光谱关键因子与纹理特征反演模 型中纹理关键因子的敏感性分析，确定光谱与纹理特征各自所占权重，实现如下， (1) 进行光谱和纹理关键因子归一化，如下式，式中，Xl为在第i种生物量场景下，光谱或纹理关键因子的值;yi是相应的归一化值;Xmin 和xmax分别为光谱或纹理关键因子的最小值和最大值； (2) 进行光谱和纹理关键因子敏感性计算， 对于光谱关键因子的敏感性计算，包括首先根据光谱特征反演模型，建立以归一化后 的光谱关键因子为因变量、AGB为自变量的回归模型;然后求取归一化后的光谱关键因子的 一阶导数，作为对生物量的敏感性； 对于纹理关键因子的敏感性计算，包括首先根据纹理特征反演模型，建立以AGB为因变 量、归一化后的纹理关键因子为自变量的回归模型;然后求取每个自变量的一阶导数，作为 每个纹理关键因子对生物量的敏感性;最后纹理关键因子的总敏感性计算如下，式中，TS为纹理关键因子的总敏感性;si为每一个纹理关键因子的敏感性;η为纹理敏感 因子的数量。 (3) 确定光谱和纹理特征权重，包括根据光谱和纹理关键因子的敏感性计算结果，光谱 和纹理特征各自所占权重表示如下， Off=OS/(OS+TS) Off+Tff=l 式中，OW和TW分别是光谱和纹理特征的权重;OS和TS分别是光谱和纹理关键因子的敏 感性。
【专利摘要】本发明提供一种融合光谱与纹理特征的森林地上生物量反演方法及系统，包括进行研究区样地地上生物量计算，得到样地生物量观测值；对高分辨率遥感影像全色数据和多光谱数据进行几何校正和辐射校正；将样地生物量观测值与相应的光谱特征植被指数分别进行统计回归，选取光谱特征反演模型；提取不同窗口下的多种纹理特征变量，将样地生物量观测值与相应的纹理特征变量分别进行统计回归，选取纹理特征反演模型；通过光谱关键因子与纹理关键因子的敏感性分析确定权重，构建生物量的光谱纹理特征联合反演模型，实现森林地上生物量反演。本发明融合了光谱与纹理特征，充分发挥两者反演生物量的优势，有效提高了森林地上生物量的定量反演精度。
【IPC分类】G06F17/50, G01N33/00
【公开号】CN105608293
【申请号】CN201610058303
【发明人】邵振峰, 张邻晶, 彭浩
【申请人】武汉大学
【公开日】2016年5月25日
【申请日】2016年1月28日