基于遥感技术的地上植被生态水定量反演方法与流程

本发明涉及生态水定量研究技术领域，具体涉及基于遥感技术的地上植被生态水定量反演方法。

背景技术：

生态水(层)与一般文献中“生态需水”，“生物体内水”等概念本质上不同，生态水(层)指与地表植被(包括植被叶面杆茎层，根系土壤层和腐殖层等)紧密相关的储水体，它可对降水起着缓存、分配与调节的作用，是水文循环的重要环节，也是研究热点和难点。

植被含水量是生态水(层)重要部分，由于传统用于估测植被含水量的遥感技术多是基于植被指数，如归一化植被指数(ndvi)，简单比值(sr)，所反演的植被含水量为冠层的表层，而并未考虑植被冠层、茎、枝的生物及几何(如树高、冠层高度)信息，这种方法存在以下不足：

(1)该方法主要考虑的是树的冠层，未充分考虑植物结构参数，比如植物地上部分是由冠层、茎枝构成，造成预测结果不准。

(2)缺乏专业学科理论支撑。传统方法简单考虑植物叶片含水量，缺乏林学、生态学，比如测树学、生物量等方面理论支撑。

(3)未能较好评价一株植物整体含水量，比如光学影像中显示的植物冠层信息，未能充分反映一些塔状植物如塔松等底层叶片信息。

技术实现要素：

本发明所要解决的技术问题是：现有的植被生态水的估测仅考虑了植被冠层表层的信息，并未考虑植物的结构参数信息，从而导致反演的植被生态水含量并不准确。

本发明提供了解决上述问题的基于遥感技术的地上植被生态水定量反演方法。

本发明通过下述技术方案实现：

基于遥感技术的地上植被生态水定量反演方法，包括如下步骤：

步骤1：获取研究区内样地不同类型地上植被生态水含量，建立样地地上植被生态水数据库；

步骤2：获取研究区整体的遥感影像，并提取样地内遥感特征参数，建立样地内的遥感特征参数数据库；

步骤3：将样地内遥感特征参数作为输入层，样地地上植被生态水作为输出层，建立预测模型；

步骤4：根据预测模型反演研究区的地上植被生态水。

本发明优选基于遥感技术的地上植被生态水定量反演方法，获取所述样地地上的植被生态水含量的方法为：计算样地内不同植被不同结构部位的地上生物量和含水率，再通过植被生态水计算公式计算出样地内不同类型地上植被生态水含量。

进一步地，所述结构部位包括冠层、茎和枝。

进一步地，所述植被生态水计算公式为：

本发明充分考虑地上植被的结构参数，包括冠层、茎和枝，而茎、枝是植被的重要储水体，相比传统预测植被含水量仅为冠层的表层，提高了植被含水量的遥感反演精度。

本发明优选基于遥感技术的地上植被生态水定量反演方法，所述样地内植被的生物量和含水率的获取包括以下步骤：

步骤21：对于植被类型为林木的样地，采集所述样地内林木的几何信息和不同结构部位的鲜重，获取不同结构部位干重，根据几何信息、鲜重和干重计算林木不同结构部位地上生物量和含水率；

步骤22：对于植被类型为灌木或草本植物的样地，采用标准丛法，并根据测得的每个标准丛干重和含水率计算公式计算样地的灌木或草本植物地上生物量和含水率。

对于林地，所述几何信息包括树高和胸径，具体地，采集所述样地内胸径大于5cm的树的树高(h)、高度为1.3m处胸径(d)。

对于灌木和草本植物，采用标准丛法，对样地内每丛灌木或草本植物的丛幅和高度进行测量，选择标准丛后，分别齐地收割，并称量鲜重，随后少量样本再次称重，用作后面计算该灌木草本植物样地的平均含水率。通过对样地内标准丛进行采集的草本植物、灌木样本烘干称重获取生物量。

对于林木、灌木或者草本植物，均采用含水率计算公式进行含水率的计算：

含水率＝(鲜重-干重)/鲜重。

本发明优选基于遥感技术的地上植被生态水定量反演方法，所述步骤3中采用的预测模型为bp人工神经网络预测模型。

进一步地，所述bp人工神经网络预测模型中，将光学遥感波段、植被指数和不同波段的纹理特征图中每个样地坐标所在的像元值作为bp人工神经网络的输入层，输出层为样地的地上植被生态水含量，作为输入层的光学遥感波段是波段所对应的样地的坐标值对应的属性值。

进一步地，所述bp人工神经网络预测模型中，将微波遥感不同极化后向散射系数和后向散射系数的纹理特征图中每个样地坐标所在的像元值作为bp人工神经网络的输入层，输出层为样地的地上植被生态水含量。

进一步地，所述纹理特征选取6个，分别为能量、对比度、熵、均值、方差、相关性。

通过以上输入层和输出层，选取隐含层为1层，通过多次运算，获取训练误差和预测误差最小时的隐含层节点数。

在确定了隐含层和隐含层节点数之后，建模完成，并将获取的研究区遥感影像中相关参数输入模型，输出即为研究区地上植被生态水含量。

由于通过计算得到训练误差和预测误差最小的bp人工神经网络预测模型能准确反演研究区地上植被生态水，从而进一步研究地上植被生态水的空间分布规律。

本发明具有如下的有益效果：

1、本发明所指的地上植物生态水遥感定量研究与以往植被含水量定量遥感研究相比，将地上植物分为冠层、茎和枝部分，而茎、枝是植被的重要储水体，提高了植被含水量的遥感反演精度，有重要的理论和应用价值；

2、本发明通过建立样地地上植被生态水含量分别与两种遥感影像获取的参数的bp人工神经网络预测模型，再通过该模型反演研究区地上植被生态水分布，研究表明，通过bp人工神经网络预测模型反演的地上植被生态水与研究区植被类型高度相关，证明该反演方法准确性高。

3、本发明为水文循环系统研究提供了更科学的研究手段，解决降水转换环节难以量化的难题。

4、本发明推动遥感方法在水环境研究领域的进一步应用，有助于查明西部生态水层的分布与储水特征，指导西部地区生态环境的保护与重建。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明川西高原局部地区植被类型遥感分类结果图。

图2为本发明川西高原局部地区光学遥感反演的地上植被生态水含量分布图。

图3为本发明川西高原局部地区微波遥感反演的地上植被生态水含量分布图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

本实施例以川西高原局部地区为例，根据本发明的技术方案，结合植被生态水计算公式。利用多时相多光谱遥感、以及微波遥感(sar)技术，反演出地上不同种类植物生态水含量，执行步骤如下：

步骤一：科学选取研究区，划定样地。

本实施例选取川西高原部分地区为研究区，样地范围为半径为5米的样圆。

步骤二：野外数据采集

林木：对样地内所有胸径大于5cm的树进行单木检尺，样地内主要记录的数据有：样地编号、树种、树高，每棵树在高度为1.3m处的胸径，根据不同树种分别取少量的树叶、树枝、树干作为样品，并记录当时的重量作为鲜重。

灌木和草本植物：对样地内每丛灌木或草本植物的丛幅和高度进行测量，相对的划分为大、中、小3个等级组，在每一个等级内，选取标准丛5丛，选择标准丛后，分别齐地收割，并称量鲜重。

步骤三：室内样品处理，将带回的样品在恒温烘箱烘干，获取干重结合湿重计算不同植物不同结构部位含水率。

含水率计算公式：含水率＝(鲜重-干重)/鲜重

根据获取的鲜重和室内获得的干重分别计算林木、灌木和草本植物的含水率。

步骤四：根据采集的数据和获取的干重计算不同植物的生物量。

1.林木生物量的计算，研究区主要树种为油松和冷杉，其余为少量阔叶树种，根据记录的树高，胸径等信息，计算它们的地上生物量。具体为：

单株油松地上生物量计算公式为马钦彦等提出的经验公式如下：

ln(by1)＝-0.1114×1.7102×ln(dy)，

ln(by2)＝-3.0732×2.0313×ln(dy)，

ln(by3)＝-3.0645×1.6304×ln(dy)，

其中，by1为油松树干的生物量，by2为油松树枝的生物量，by3为油松树叶的生物量，dy为油松的胸径。

单株冷杉地上生物量计算公式为罗天祥等提出的经验公式：

bl1＝0.0405×(dl^2.568)，

bl2＝0.0037×(dl^2.7386)，

bl3＝0.0014×(dk^2.9302)，

其中，bl1为冷杉树干的生物量，bl2为冷杉树枝的生物量，bl3为冷杉树叶的生物量，dl为冷杉的胸径。

单株阔叶树种地上生物量计算公式为罗天祥等提出的经验公式：

其中，bk1为阔叶树种树干的生物量，bk2为阔叶树种树枝的生物量，bk3为阔叶树种树叶的生物量，dk为阔叶树种的胸径，hk为阔叶树种的高度。

2.灌木和草本植物的生物量计算：

灌木和草本植物采用标准丛法进行生物量的计算，地上部分生物量利用以下公式进行计算：

其中，bgc为灌木和草本植物地上部分生物量，d1、d2、d3分别代表样地内大丛、中丛和小丛地上部分平均干重，单位kg；f1、f2、f3分别代表大丛、中丛和小丛的丛数，a代表样地面积，单位为m²。

步骤五：数据处理与建模

1.根据光学遥感影像参数和样地植被生态水含量进行建模

将sentinel2a光学遥感影像空间分辨率采样为样地大小。由于sentinel2a具有13波段，其中一些波段与植被密切相关，植被指数是计算植被含水量的常用指标，图像的纹理特征，所述纹理特征选择能量、对比度、熵、均值、方差、相关性6个参数，一定程度反映了遥感影像的灰度分布、信息量及纹理粗细度。提取光学遥感波段、计算的植被指数，包括归一化植被指数(ndvi)和比值植被指数(sr)、13个波段的纹理特征图中每个样地坐标(纬度x，经度y)所在的像元值作为bp神经网络的输入层，输出层为样地的地上植被生态水含量，隐含层为1层，采用s型函数sigmoid，通过多次运算，得到训练误差和预测误差最小时的隐含层节点数为9，所述ndvi和sr采用现有公式计算。

2.根据微波遥感影像参数和样地植被生态水含量进行建模

将sentinel1a(sar)微波遥感影像空间分辨率采样为样地大小。提取sentinel1a不同极化后向散射系数、后向散射的纹理特征，选择能量、对比度、熵、均值、方差、相关性6个纹理特征，图中每个样地坐标(纬度x，经度y)所在的像元值作为bp神经网络的输入层，输出层为样地的地上植被生态水含量，隐含层为1层，采用s型函数sigmoid，通过多次运算，得到训练误差和预测误差最小时的隐含层节点数为5。

步骤四：根据人工神经网络预测模型反演地上植被生态水含量

根据建立的bp神经网络模型，将研究区采集的将遥感影像中相关参数作为输入层，即可输出研究区的植被生态水，由于以上模型中的隐含层节点数为最优节点数，训练误差和预测误差最小，所以利用以上建立的两个最优bp神经网络预测模型反演研究区地上植被生态水，从而进一步研究地上植被生态水的空间分布规律，反演结果如图2和图3所示。

图1为研究区植被类型遥感分类结果，图2、图3分别为光学遥感和微波遥感反演的地上植被生态水含量，单位tha^-1。从图2可以看出研究区土地利用类型分为7种，林地为主要的植被类型。

结合图1和图2，可以看出林木地的地上生态水含量最多，其次为灌木、草地，图3中的地上植被生态水的空间分布规律与图2中土地利用类型基本一致。

结合图1和图3，同样可以看出林地的地上生态水含量最多，其次为灌木、草地，地上植被生态水的空间分布规律与图1中土地利用类型基本一致。

以上结果表明基于生物量方法的地上植被生态水计算方法科学、准确。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。