一种基于多种植被指数的遥感监测森林蓄积量方法技术

本发明专利技术公开了一种基于多种植被指数的遥感监测森林蓄积量方法，包括：基于时间序列获取多期待测区域的遥感数据和地面实测数据，其中所述遥感数据包括：多波段扫描影像和

【技术实现步骤摘要】
一种基于多种植被指数的遥感监测森林蓄积量方法


[0001]本专利技术涉及遥感监测
，特别涉及一种基于多种植被指数的遥感监测森林蓄积量方法
。

技术介绍

[0002]森林蓄积量是指一定面积森林中现存各种活立木的材积总量，以立方米为计算单位
。
现有的森林蓄积量预测和预估方法大多采用一种植被指数进行监测，即仅仅采用比值植被指数对森林蓄积量进行预估，结果往往有不小的偏差
。
[0003]很多研究者使用高光谱遥感来估计森林蓄积量
。Goodenough
等人将星载高光谱数据与
AVIRIS
机载高光谱数据的使用进行了比较，发现两者都可以成功地用于推导出较为合理的森林蓄积量估计模型
。Treuhaft
等人研究表明与从微波或光学影像获得的估计值相比，使用高光谱数据分析森林结构剖面估计的森林蓄积量可能更准确
。Clark
等人估计森林蓄积量时使用来自
HYDICE(
高光谱数字图像采集实验
)
机载传感器的
1.6
米空间分辨率，具有覆盖全范围电磁波谱的
210
个频带的高光谱图像与使用
r2
值为
0.90
和
RMSE
为
38.3Mgha
‑1的激光雷达指标估计值相比，结果显示前者森林蓄积量估计值较低，尽管高光谱传感器的估计精度较低，但
Clark
等认为机载
LiDAR
和高光谱数据可以在未来森林研究中发挥重要作用
。Anderson
等人的一项研究表明，与独立使用高光谱，
LiDAR
等遥感数据相比，集成高光谱和波形
LiDAR
数据可以提高森林蓄积量的估计精度
。
尽管高光谱数据在蓄积量估计方面具有一定优势，但是光谱冗余度较大，相邻频谱包含高度相似的信息在一定程度上限制了高光谱数据在森林蓄积量估计上的优势
。
[0004]当前研究大多转向使用合成孔径雷达
(SAR)
干涉测量技术，然而，
Pulliainen
等人研究表明雷达干涉测量技术估算蓄积量的准确性主要取决于所使用的图像数量或研究区地面条件，即风速，湿度以及温度等
。
森林蓄积量估计的饱和问题可引入
LiDAR
数据来改善
。
但现有技术中仍存在森林蓄积量估算精度低等技术问题
。
因此，基于上述问题，亟需一种基于多种植被指数的遥感监测森林蓄积量方法
。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于克服现有技术的不足，本专利技术提供一种基于多种植被指数的遥感监测森林蓄积量方法
。
[0006]本专利技术提供的一种基于多种植被指数的遥感监测森林蓄积量方法，技术方案包括：基于时间序列获取多期待测区域的遥感数据和地面实测数据，其中所述遥感数据包括：多波段扫描影像和
LiDAR
点云数据；
[0007]对所述遥感数据进行预处理，得到预处理数据；
[0008]基于所述预处理数据获得待测区域的光谱特征和纹理特征；
[0009]基于所述地面实测数据计算得到蓄积量估算值；
[0010]基于所述光谱理特征
、
所述纹理特征和所述蓄积量估算值构建基于时间序列的贝
叶斯回归模型；
[0011]基于所述贝叶斯回归模型得到遥感监测森林蓄积量
。
[0012]可选地，对所述遥感数据进行预处理的过程包括多波段扫描影像预处理和
LiDAR
点云数据预处理；
[0013]其中，多波段扫描影像预处理的过程包括：
[0014]对所述多波段扫描影像进行辐射定标得到遥感图像反射率；
[0015]对所述遥感图像反射率进行正射校正得到投影到地面的遥感图像
。
[0016]可选地，基于投影到地面的遥感图像获得待测区域的光谱特征，其中，所述光谱特征包括比值植被指数
、
差值植被指数和归一化植被指数
。
[0017]可选地，所述
LiDAR
点云数据预处理的过程包括：
[0018]基于三维坐标计算将所述
LiDAR
点云数据包含的角度信息
、
距离信息转换为坐标值，得到带坐标值的
LiDAR
点云数据；
[0019]对所述带坐标值的
LiDAR
点云数据依次经过点云补偿和点云组帧得到同一坐标系下的带坐标值的
LiDAR
点云数据；
[0020]基于高斯滤波方法去除所述同一坐标系下的带坐标值的
LiDAR
点云数据的噪声点得到去噪点云数据
。
[0021]可选地，获取所述纹理特征的过程包括：
[0022]基于平面栅格法对所述去噪点云数据进行地面分割，得到若干网格点云；
[0023]基于属性方法提取若干所述点云的属性特征，得到纹理特征
。
[0024]可选地，基于所述实测数据构建蓄积量估算值的过程包括：
[0025]基于林业资料获取待测区域的树种组；
[0026]将所述待测区域划分为若干林场小班；
[0027]以林场小班为单位基于所述树种组进行随机抽样，得到样本树；
[0028]测量所述样本数的树高
、
胸径，得到所述待测区域的森林的平均树高和胸径；
[0029]基于所述平均树高和胸径得到树木干质量；
[0030]基于若干树木干质量得到待测区域的蓄积量估算值
。
[0031]可选地，所述贝叶斯回归模型的构建过程如下：
[0032]基于所述光谱理特征
、
所述纹理特征和所述蓄积量估算值构建多元线性回归模型；其中，所述多元线性回归模型包括已知参量和未知参量；
[0033]基于所述已知参量计算得到所述未知参量的联合后验分布；
[0034]获取所述未知参量的先验分布；
[0035]基于所述联合后验分布和所述未知参量的先验分布，采用共轭分布法计算所述未知参量的条件后验分布
。
[0036]本专利技术具有如下技术效果：
[0037]本专利技术本专利技术基于多种植被指数的遥感监测森林蓄积量方法与基于单一植被指数进行森林蓄积量预估相比，本专利技术预估的更加准确；
[0038]本专利技术充分利用了
LiDAR
数据中丰富的植被垂直结构信息，基于此结构信息获取纹理特征；
[0039]本专利技术基于光谱特征
、
纹理特征和地面实测数据进行构建基于时间序列的贝叶斯
回归模型，将遥感数据与实测数据相结合，提高了森林蓄积量的监测精度；
[0040]本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，包括：基于时间序列获取多期待测区域的遥感数据和地面实测数据，其中所述遥感数据包括：多波段扫描影像和
LiDAR
点云数据；对所述遥感数据进行预处理，得到预处理数据；基于所述预处理数据获得待测区域的光谱特征和纹理特征；基于所述地面实测数据计算得到蓄积量估算值；基于所述光谱理特征
、
所述纹理特征和所述蓄积量估算值构建基于时间序列的贝叶斯回归模型；基于所述贝叶斯回归模型得到遥感监测森林蓄积量
。2.
根据权利要求1所述的基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，对所述遥感数据进行预处理的过程包括多波段扫描影像预处理和
LiDAR
点云数据预处理；其中，多波段扫描影像预处理的过程包括：对所述多波段扫描影像进行辐射定标得到遥感图像反射率；对所述遥感图像反射率进行正射校正得到投影到地面的遥感图像
。3.
根据权利要求2所述的基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，基于投影到地面的遥感图像获得待测区域的光谱特征，其中，所述光谱特征包括比值植被指数
、
差值植被指数和归一化植被指数
。4.
根据权利要求2所述的基于多种植被指数的遥感监测森林蓄积量方法，其特征在于，所述
LiDAR
点云数据预处理的过程包括：基于三维坐标计算将所述
LiDAR
点云数据包含的角度信息
、
距离信息转换为坐标值，得到带坐标值的
LiDAR
点云数据...

【专利技术属性】
技术研发人员：杨邦会，王大成，王树东，
申请(专利权)人：杨邦会，
类型：发明
国别省市：