一种遥感森林生物量反演的方法
【技术领域】
[0001] 本发明涉及森林有害生物的监测和无公害控制技术领域，具体涉及一种遥感森林 生物量反演的方法。
【背景技术】
[0002] 精确的生物量估算对于森林资源监测、森林碳储量评估及森林生态系统的研宄有 重要意义。同时，这些信息也能够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。传统的生物量调查方法耗时费力，且只能获得有限的"点"上信息，难于在大区 域上实用化推广；而遥感技术却能够准确、快速地获取各个尺度的森林参数，具有很好的实 用价值和应用前景。
[0003] Landsat系列卫星可获取中等和大尺度上的森林多光谱（光学）信息。其最新的 Landsat 80LI传感器（该传感器搭载在美国航天航空局（NASA) 2013年2月11日发射的 Landsat 8卫星上）在波段的设置及对植被的敏感性上上相比之前的TM等传感器有较大提 升。然而光学遥感仍难以穿透森林冠层获得其垂直结构信息，且在森林覆盖度高（植被生 长旺盛）的区域获取森林生物量信息时易饱和。激光雷达（LiDAR，Light Detection And Ranging)是近年来迅速发展的主动遥感技术，其发射的激光脉冲可以穿透植被冠层获得其 三维结构和能量信息，以往研宄表明LiDAR在精确估算不同森林类型的生物物理和结构特 性方面具有较大潜力。
[0004] 近年来反演森林生物量的研宄有：l)Zheng等2004在《Remote Sensing of Environment))第 35 卷上发表了 "Estimating aboveground biomass using Landsat7ETM+data across a managed landscape in northern Wisconsin, USA''，该石开 宄借助从ETM+(Landsat 7)影像上提取的NDVI等植被指数反演了美国威斯康辛州北部 针叶林的地上生物量信息。2)杨存建等2004年在《植物生态学报》28卷上发表了 "不同 龄组的热带森林植被生物量与遥感地学数据之间的相关性分析"利用TM(Landsat5)影像 原始波段的方法对云南西双版纳热带森林植被生物量进行估算。3)Ferster等2009年在 ((Canadian Journal of Remote Sensing〉〉第 35卷上发表了"Aboveground Large Tree Mass Estimation in a Coastal Forest in British Columbia Using Plot-Level Metrics and Individual Tree Detection from LiDAR"，该研宄借助从小光斑（直径：0· l_2m) LiDAR 数 据中提取的点云高度与冠层密度信息，反演了温带森林的地上生物量。4) Saatchi等2011 年在《Proceedings of the National Academy of Sciences of the United States of America〉〉第 12 期上发表了 "Benchmark Map of Forest Carbon Stocks in Tropical Regions across Three Continents''，该石开宄通过从 GLAS (Geoscience Laser Altimeter System)大光斑（直径：52-90m)LiDAR数据中提取与树高信息相关的特征变量，反演了热带 雨林的生物量。然而，以上方法仅从单一的角度去挖掘传统"光学"和LiDAR数据，特异性 较低，且对特征变量的挖掘深度较浅（即并未系统分组从多个角度提取和筛选特征变量）， 还不能精确的对生物量进行反演。
【发明内容】
[0005] 发明目的：针对现有技术中存在的不足，本发明提出一种遥感森林生物量反演的 方法，具有特异性强、成本低、易于推广应用等特点。
[0006] 技术方案：为了实现上述发明目的，本发明采用的技术方案为：
[0007] 一种遥感森林生物量反演的方法：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。
[0008] 所述遥感森林生物量反演的方法，包括以下步骤：
[0009] DOLI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，校正误差控制在〇. 1个像元以内，并采用最邻近像元法进行重采样。
[0010] 2) LiDAR数据预处理：
[0011] a)噪声水平估计和数据平滑：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，这是由于高斯滤波器在 有效平滑数据的同时，还可以最大限度地保持原有曲线的趋势；
[0012] b)高斯拟合（分解）及波形数据点云化：基于回波数据是多个高斯函数的累加 这一假设，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；
[0013] c)生成数字地形：LiDAR数据高度归一化的目的是为了得到去除了地形影响的 "真实"植被高度，通常采用原始LiDAR数据高度信息减去地形高度得到；因此，精确生成数 字地形模型（DTM)是计算归一化植被高度的重要前提；首先对从波形数据中提取出离散点 云进行分类，然后对末次回波进行Kraus滤波处理用以去除非地面点，最后使用滤波后的 末次回波数据并借助自然邻近法插值生成数字地形模型；
[0014] d)再利用DEM对植被回波点的高程进行归一化处理，即使植被点的高度值转化为 相对于地面的高度值，并通过左下角和右上角的坐标对每块样地进行裁切；最后通过GIS 分析工具提取55个样地对应坐标位置的归一化点云数据；
[0015] 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（详见表1)，即原 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；
[0016] 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 云值计算了 4组特征变量（详见表2)，即高度变量、高度百分位数变量、冠层密度变量、冠层 覆盖度变量；
[0017] 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：
[0018]
【主权项】
1. 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： DOLI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，校正误差控制在〇. 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：
式中，Xi为地面实测的某林分特征，y i为某LiDAR特征变量，弋为Xi的平均值，7/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R 2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R 2、均方根误差RMSE 和相对均方根误差rRMSE评价回归模型的精度；
式中，Xi为地面实测的某林分特征，A为\的平均值，尤为模型估算的某林分特征，η 为样地数量；
2. 根据权利要求1所述的遥感森林生物量反演的方法，其特征在于：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。
3. 根据权利要求1所述的遥感森林生物量反演的方法，其特征在于：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。
4. 根据权利要求1所述的遥感森林生物量反演的方法，其特征在于：步骤2)中，生成 数字地形为：首先对从波形数据中提取出离散点云进行分类，然后对末次回波进行Kraus 滤波处理用以去除非地面点，最后使用滤波后的末次回波数据并借助自然邻近法插值生成 数字地形模型。
5. 根据权利要求1所述的遥感森林生物量反演的方法，其特征在于：步骤2)中，利用 DEM对植被回波点的高程进行归一化处理为：使植被点的高度值转化为相对于地面的高度 值，并通过左下角和右上角的坐标对每块样地进行裁切；最后通过GIS分析工具提取55个 样地对应坐标位置的归一化点云数据。
6. 根据权利要求1所述的遥感森林生物量反演的方法，其特征在于：步骤6)中，T检验 达不到显著水平为P值>0. 1，T检验达到显著水平为P值〈0. 05。
【专利摘要】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。
【IPC分类】G01S17-89
【公开号】CN104656098
【申请号】CN201510056042
【发明人】曹林, 徐婷
【申请人】南京林业大学
【公开日】2015年5月27日
【申请日】2015年2月3日