一种基于卫星驱动模型的高寒草地生物量估算方法及系统技术方案

本发明专利技术公开了一种基于卫星驱动模型的高寒草地生物量估算方法及系统，其中，所述方法包括：获得数据信息；对所述数据信息进行预处理，获得预处理结果；基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标；基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系；基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型；基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果。在本发明专利技术实施例中，通过模型精度对比可以确定最优的卫星驱动模型，并绘制了AG‑AGB的时空分布图，分析了AG‑AGB的时空动态变化。

【技术实现步骤摘要】
一种基于卫星驱动模型的高寒草地生物量估算方法及系统
本专利技术涉及环境监测评估
，尤其涉及一种基于卫星驱动模型的高寒草地生物量估算方法及系统。
技术介绍
青海高原高寒草地是我国重要的畜牧业生产基地和生态安全屏障，对全球气候变化和人类活动极为敏感(Fayiahetal.，2019；Liuetal.，2016；Zhangetal.，2014)。然而，近几十年来，由于过度放牧、啮齿动物活动和气候变化，高寒草地已明显退化(Chenetal.，2014；Liuetal.，2020；Sunetal.，2019)。高寒草地地上生物量(AG-AGB)作为监测草原生态系统的重要指标，直接影响放牧和承载能力，与畜牧业发展和牧民收入密切相关(Gaoetal.，2019；Kongetal.，2019；Zengetal.，2019)。因此，及时准确地估算AG-AGB，可以为草地资源管理和可持续利用提供科学参考(Gaoetal.，2020；Liangetal.，2016；Zengetal.，2019)。目前，对AG-AGB的监测主要采用两种方法，即传统的地面监测和卫星监测。传统的基于地面的方法通过在田间割草、干燥并在实验室称重来估算生物量(Yangetal.，2018)。这种传统的方法可以为样本定位提供高精度的AG-AGB信息。然而，它耗时且昂贵，并且忽略了AG-AGB的空间分布(Lietal.，2016；Liangetal.，2016；Zengetal.，2019)。卫星驱动方法主要是使用光谱(如植被指数和光谱反射率数据)与环境(地理、地形、土壤、气象等)指标和AG-AGB之间构建关系模型来估算生物量(Liang等人，2016)。目前，利用该方法进行的大量研究主要集中在确定评价指标和建立关系模型上。许多研究使用单一的植被指数，如归一化植被指数(NDVI)、增强植被指数(EVI)、土壤调整植被指数(SAVI)来估算AG-AGB。虽然该方法应用简单，但由于地理、地形、土壤、气象等环境因素的影响，该方法对AG-AGB缺乏准确的估算能力。因此，一些学者综合考虑了多种指标(包括植被指数和环境指标)来估算AG-AGB(Liangetal.，2016；Silveiraetal.，2019)。由于这些敏感性指标随区域环境的变化而变化，因此没有统一的指标来估算AG-AGB。为了提高特定区域草地生物量的估算精度，从大量的光谱和环境指标中确定关键的估算指标仍然是一个挑战。现有的AG-AGB估算模型可分为两类：线性模型和非线性模型。线性模型在估算指标和AG-AGB之间建立线性数学关系。例如，多元线性回归(MLR)通常用于估算AG-AGB(Liangetal.，2016；Silveiraetal.，2019)。然而，这些关系往往失败，因为它们缺乏普遍性。因此，随着机器学习算法的发展，许多学者(Gaoetal.，2020；Yangetal.，2018；Zengetal.，2019)已经应用人工神经网络(ANN)、支持向量机(SVM)和随机森林(RF)算法来构建卫星驱动的模型来估算AG-AGB。与线性模型相比，使用机器学习算法构建的卫星驱动模型可以学习高度复杂的非线性映射，并获得更高的估算精度(Xuetal.，2020；Yangetal.，2018；Zengetal.，2019)。然而，这些机器学习算法也有缺点。例如，反向传播神经网络(BPNN)算法的估算精度取决于样本的数量和质量，收敛过程可能很慢或遇到局部极小问题(Yangetal，2018)。支持向量机算法主要受核函数和惩罚因子的影响，因为它的参数仅使用参考的专家经验，并且在估算结果的准确性方面受到限制(Zhuetal.，2020)。RF算法的结果具有有限的可解释性，因为无法针对森林中的每棵树单独检查预测值和响应之间的关系(Chagasetal.，2016)。因此，利用机器学习算法建立精确的卫星驱动模型已成为高精度AG-AGB估算的研究热点。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于卫星驱动模型的高寒草地生物量估算方法及系统，通过模型精度对比可以确定最优的卫星驱动模型，并绘制了AG-AGB的时空分布图，分析了AG-AGB的时空动态变化。为了解决上述技术问题，本专利技术实施例提供了一种基于卫星驱动模型的高寒草地生物量估算方法，所述方法包括：获得数据信息，所述数据信息包括遥感影像信息、高寒草地监测数据信息和环境数据信息；对所述数据信息进行预处理，获得预处理结果；基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标；基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系；基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型；基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果。可选的，所述对所述数据信息进行预处理，获得预处理结果，包括：对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果；对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果；对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。可选的，所述对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果，包括：利用MODIS重投影工具将所述遥感影像信息中的MOD09A1和MCD12Q1数据从正弦投影转换为Albers投影，并将HDF格式转换为Geo-Tiff格式，然后进行影像融合及MCD12Q1数据重分类，获得遥感影像信息初始化结果；对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果，包括：对所述高寒草地监测数据信息依次进行有矢量化、投影转换和异常值剔除处理，获得高寒草地监测数据信息初始化结果；对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。包括：对所述环境数据信息依次进行空间插值、投影转换和栅格重采样处理，获得环境数据信息初始化结果。可选的，所述基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标，包括：基于所述预处理结果依次进行遥感指标和环境指标提取处理，获得遥感指标和环境指标；环境数据信息包括地里数据、土壤数据和气象数据。可选的，所述遥感指标提取处理包括基于ENVI软件从所述预处理结果中的MOD09A1数据中获得7个VIs和5个光谱指数，并提取每个可见光和光谱指数的最大值；所述环境指标提取处理包括基于ArcGIS软件从所述预处理结果中的航天飞机雷达地形任务数字高程模型产品中获取经度、纬度、海拔、坡度、坡向的地形指标；从土壤数据中获取0–30cm沙土含量、0–30cm粘土含量、30–60cm沙土含量、30–60cm粘土含量、0–30cm沙土粘土比、30–60cm沙土粘土比、有机质含量、总氮含量、总磷含量、总钾含量、pH的土壤指标；从气象数据中获取年均温、年总降水量、年太阳总本文档来自技高网...

【技术保护点】
1.一种基于卫星驱动模型的高寒草地生物量估算方法，其特征在于，所述方法包括：/n获得数据信息，所述数据信息包括遥感影像信息、高寒草地监测数据信息和环境数据信息；/n对所述数据信息进行预处理，获得预处理结果；/n基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标；/n基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系；/n基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型；/n基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果。/n

【技术特征摘要】
1.一种基于卫星驱动模型的高寒草地生物量估算方法，其特征在于，所述方法包括：
获得数据信息，所述数据信息包括遥感影像信息、高寒草地监测数据信息和环境数据信息；
对所述数据信息进行预处理，获得预处理结果；
基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标；
基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系；
基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型；
基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果。


2.根据权利要求1所述的高寒草地生物量估算方法，其特征在于，所述对所述数据信息进行预处理，获得预处理结果，包括：
对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果；
对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果；
对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。


3.根据权利要求2所述的高寒草地生物量估算方法，其特征在于，所述对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果，包括：
利用MODIS重投影工具将所述遥感影像信息中的MOD09A1和MCD12Q1数据从正弦投影转换为Albers投影，并将HDF格式转换为Geo-Tiff格式，然后进行影像融合及MCD12Q1数据重分类，获得遥感影像信息初始化结果；
对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果，包括：
对所述高寒草地监测数据信息依次进行有矢量化、投影转换和异常值剔除处理，获得高寒草地监测数据信息初始化结果；
对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。包括：
对所述环境数据信息依次进行空间插值、投影转换和栅格重采样处理，获得环境数据信息初始化结果。


4.根据权利要求1所述的高寒草地生物量估算方法，其特征在于，所述基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标，包括：
基于所述预处理结果依次进行遥感指标和环境指标提取处理，获得遥感指标和环境指标；
环境数据信息包括地里数据、土壤数据和气象数据。


5.根据权利要求4所述的高寒草地生物量估算方法，其特征在于，所述遥感指标提取处理包括基于ENVI软件从所述预处理结果中的MOD09A1数据中获得7个VIs和5个光谱指数，并提取每个可见光和光谱指数的最大值；
所述环境指标提取处理包括基于ArcGIS软件从所述预处理结果中的航天飞机雷达地形任务数字高程模型产品中获取经度、纬度、海拔、坡度、坡向的地形指标；从土壤数据中获取0–30cm沙土含量、0–30cm粘土含量、30–60cm沙...

【专利技术属性】
技术研发人员：胡月明，赵理，王立亚，刘振华，周悟，彭一平，谢英凯，
申请(专利权)人：广州市华南自然资源科学技术研究院，青海省自然资源综合调查监测院，
类型：发明
国别省市：广东;44