古树健康状况监测方法技术

本发明专利技术公开了一种古树健康状况监测方法，监测方法如下：S1.按古树健康状况进行抽样，选取古树样本，获取样本往期的生境数据；S2.获取S1中样本同期的遥感影像光谱波段数据；S3.基于样本遥感影像的波段数据，获取植被指数数据；S4.基于样本遥感影像的波段数据，获取遥感影像中的纹理特征数据，并进行特征处理后；S5.基于样本自变量数据集，构建模型，拟合得到各类古树样本的健康状况曲线，并确定评估古树健康健康状况的阈值；S6.将最新监测到的古树数据，按照上述步骤处理后得到的相应变量数据代入到模型中，评估预测古树健康健康状况。本发明专利技术的监测方法，基于遥感影像数据，计算得到预测模型，对古树健康状况进行较为精确的监测及预测。预测。预测。

【技术实现步骤摘要】
古树健康状况监测方法


[0001]本专利技术涉及森林监测
，尤其涉及一种古树健康状况监测方法。

技术介绍

[0002]古树健康状况的监测属于树木健康监测的范畴。目前国内外尚未形成统一的古树健康评价体系。且古树因其树龄较大，在生态、科研、人文、地理、旅游诸方面具有特殊的价值与重要意义，因此对其健康状况进行监测的无损要求较高。
[0003]此外，古树的分布也不同于普通森林，多呈零星分布，成片的古树群落较少。现有的古树健康状况监测方法多基于实地调查监测，存在评价过程费时费力，难以剔除主观因素对评价结果的影响以及大面积应用成本较高等问题。

技术实现思路

[0004]基于
技术介绍
存在的技术问题，本专利技术提出了一种古树健康状况监测方法，基于sentinel
‑
2影像数据及生境情况，计算得到预测模型，对古树健康状况进行预测。
[0005]本专利技术提出的一种古树健康状况监测方法，其监测方法如下；
[0006]S1.按古树健康状况进行抽样，选取古树样本，获取样本往期的生境数据，作为一个自变量集合；
[0007]S2.获取S1中样本同期的遥感影像光谱波段数据，作为一个自变量集合；
[0008]S3.基于样本遥感影像的波段数据，获取植被指数数据，作为一个自变量集合；
[0009]S4.基于样本遥感影像的波段数据，获取遥感影像中的纹理特征数据，并进行特征处理后，作为一个自变量集合；
[0010]S5.基于样本自变量数据集，构建模型，拟合得到各类古树样本的健康状况曲线，并确定评估古树健康健康状况的阈值；
[0011]S6.将最新监测到的古树数据，按照上述步骤处理后得到的相应变量数据代入到S5中，评估预测古树健康健康状况。
[0012]进一步的，古树样本生镜数据包括海拔(elevation)，坡度(slope)，生长环境(environment)。
[0013]进一步的，S2中遥感影像的光谱波段数据基于sentinel
‑
2的影像数据。
[0014]进一步的，S2中光谱波段数据包括：蓝光波段光谱值(B2)，绿光波段光谱值(B3)，红光波段光谱值(B4)，近红外波段光谱值(B8)，短波红外波段光谱值(B11)，短波红外波段光谱值(B12)。
[0015]进一步的，S3中植被指数包括：NDVI，RVI，DVI，EVI，NBR，GNDVI，SIPI，GCI。
[0016]进一步的，S4中，纹理特征数据包括：均值(Mean)，方差(Variance)，均匀性(Homogeneity)，对比度(contrast)，相异性(Dissimilarity)、熵(entropy)，二阶矩(second moment)，相关性(correlation)。
[0017]进一步的，按如下公式构建模型：
[0018]式中P(y)表示古树不健康的概率；α表示回归截距；β
j
表示影响因素的回归系数；j为影响因素编号；m表示影响这一概率的因素个数；X
j
是自变量。
[0019]进一步的，古树健康状况阈值按照约登指数进行计算处理。
[0020]进一步的，古树样本品种包括香榧、樟树、枫香、苦槠、马尾松、榧树和银杏。
[0021]进一步的，各古树品种健康状况计算模型如下：
[0022]香榧：
[0023]樟树：
[0024]枫香：
[0025]苦槠：
[0026]马尾松：
[0027]榧树：
[0028]银杏：
[0029]进一步的，各古树品种健康状况阈值如下：香榧的阈值为0.49035；樟树的阈值为0.46604；枫香的阈值为0.47682；苦槠的阈值为0.52099；马尾松的阈值为0.63395；榧树的阈值为0.36834；银杏的阈值为0.57513。
[0030]本专利技术中的有益效果：基于过往统计的古树健康状况数据，结合植被指数、纹理测度及生境数据共同构建古树健康状况模型，构建模型来预测及监测评估古树的健康状况，精确度更高；较传统的实地调查监测古树健康的方法省时省力，同时利用约登指数确定阈值，提高模型精度，既兼顾低成本又兼顾可靠性。
附图说明
[0031]附图1
‑
7分别代表香榧、樟树、枫香、苦槠、马尾松、榧树、银杏拟合后的健康状况ROC曲线图。
具体实施方式
[0032]下面结合具体实施例对本专利技术作进一步解说。
[0033]一种古树健康状况监测方法，包括以下步骤：
[0034]第一步，从浙江省古树名木普查数据库中按不同树种，采用分层(健康和不健康)抽样选取样本，样本比例基本按照1:1进行选取。其中，抽取香榧样本3315株，樟树样本2793株，枫香样本2339株，苦槠样本2606株，马尾松样本2182株，榧树样本2056株，银杏样本1112株。
[0035]按照《古树名木普查技术规范》规定，根据古树名木叶片、枝条和树干等生长状况，将生长势划分为正常株、衰弱株、濒危株、死亡株4级。分级标准如表1所示。本方法中，按健康状况分，将古树正常株视作健康，衰弱株、濒危株、死亡株均视作不健康。从浙江省古树数据库获取古树样本的健康状况，并按健康状况赋值(健康＝0，不健康＝1)。
[0036]表1古树生长势分级表
[0037][0038]第二步，从GEE平台获取全省经过正射校正和大气校正的sentinel
‑
2影像，影像时间与古树名木普查时间一致，为2018年。sentinel
‑
2影像共有13个光谱波段：4个波段在10米，6个波段在20米和3个波段在60米空间分辨率。本次建模选取光谱波段B2，B3，B4，B8，B11，B12，其光谱波段分辨率较高，。
[0039]第三步，基于sentinel
‑
2波段数据，根据植被指数公式，计算植被指数NDVI，RVI，DVI，EVI，NBR，GNDVI，SIPI，GCI。计算公式如表2。
[0040]表2植被指数公式
[0041][0042][0043]上述公式中：BLUE＝B2；GREEN＝B3；RED＝B4；NIR＝B8；SWIR＝B12。
[0044]其中，归一化差异植被指数NDVI，能够准确反应植物在生长阶段的季节的生长状况；比值植被指数RVI，是绿色植物的灵敏指示参数，与生物量、叶绿素含量相关性高，用于检测和估算植物生物量；差值环境植被指数DVI，对土壤背景的变化极为敏感，能较好地识别植被和水体，剔除相关噪音；增强型植被指数EVI，具有较强的抗大气干扰的能力，适用于气溶胶含量较高的天气以及植被茂盛区，减少大气和土壤噪音；归一化燃烧指数NBR，用于剔除火烧迹地噪音；绿色归一化差异植被指数GNDVI，用于评估植株的光合活性，进而判定古树的活性，来反应其健康状况；结构不敏感色素植被指数SIPI，则用于反应古树的病害情本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种古树健康状况监测方法，其特征在于，监测方法如下；S1.按古树健康状况进行抽样，选取古树样本，获取样本往期的生境数据，作为一个自变量集合；S2.获取S1中样本同期的遥感影像光谱波段数据，作为一个自变量集合；S3.基于样本遥感影像的波段数据，获取植被指数数据，作为一个自变量集合；S4.基于样本遥感影像的波段数据，获取遥感影像中的纹理特征数据，并进行特征处理后，作为一个自变量集合；S5.基于样本自变量数据集，构建模型，拟合得到各类古树样本的健康状况曲线，并确定评估古树健康健康状况的阈值；S6.将最新监测到的古树数据，按照上述步骤处理后得到的相应变量数据代入到S5中，评估预测古树健康健康状况。2.根据权利要求1所述的古树健康状况监测方法，其特征在于，古树样本生镜数据包括海拔(elevation)，坡度(slope)，生长环境(environment)。3.根据权利要求1所述的古树健康状况监测方法，其特征在于，S2中遥感影像的光谱波段数据基于sentinel
‑
2的影像数据，其光谱波段数据包括：蓝光波段光谱值(B2)，绿光波段光谱值(B3)，红光波段光谱值(B4)，近红外波段光谱值(B8)，短波红外波段光谱值(B11)，短波红外波段光谱值(B12)。4.根据权利要求1所述的古树健康状况监测方法，其特征在于，S3中植被指数包括：NDVI，RVI，DVI，EVI，NBR，GNDVI，SIPI，GCI。5.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：谭莹，徐军，陈春雷，翁卫松，李佐晖，陈晟，王文武，张峰，林聪聪，符亚健，张瑜飞，尤其浩，
申请(专利权)人：浙江省森林资源监测中心浙江省林业调查规划设计院，
类型：发明
国别省市：