一种基于多源卫星遥感的碳汇估算方法与流程

1.本发明涉及森林动态监测技术领域，具体涉及一种基于多源卫星遥感的碳汇估算方法。


背景技术：

2.近年来，使用“互联网+自然保护地”的智能化监测模式已经成为一种新的环境生态保护的趋势。随着互联网技术的发展，我国森林管理系统逐渐完善。但仍与维护森林资源和生态安全、保障林业可持续发展的目标有一定差距。
3.但现有技术下，森林监测工作仍存在对象因子不充足的问题，导致监测工作不能十分有效的进行；一方面，国家监测系统和地方监测系统基于两套不同原理，独立工作，使得监测结果难以协调；另外当前我国林业以监测工作为主，其他类别工作为辅的监测体系不能很好地统筹安排各类工作，导致监测标准不一、工作项目重复率高，数据难以整合，浪费监测资源；且目前我国林业相关的监测设施以及核心监测技术与其他行业的设施技术相比明显落后，并且工作效率相对较低，已经无法满足林业现代化发展的需求。


技术实现要素：

4.本发明的目的提供一种基于多源卫星遥感的碳汇估算方法，实现全覆盖森林动态监测并获得相应数据集，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明采用如下技术方案：
6.一种基于多源卫星遥感的碳汇估算方法，具体通过以下步骤实现：
7.获取监测区域森林的多源卫星遥感数据、外业调查数据以及激光雷达数据并进行预处理；
8.基于遥感数据提取遥感因子特征变量和纹理特征变量并进行筛选；
9.结合预处理后的外业调查数据和激光雷达监测数据，以提取筛选后的特征变量作为输入进行树种与蓄积量的模型搭建及训练，获取森林蓄积量；
10.结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测并输出。
11.进一步地，所述多源卫星遥感数据的预处理包括对高分影像进行辐射定标、校正、融合和镶嵌处理，并根据实际要求进行相应的投影变换、重采样和剪裁；所述外业调查数据的预处理包括调查样木获取树高和胸径，并结合材积模型计算获取单木体积、样地林分蓄积量及单位面积蓄积量；所述激光雷达数据的预处理采用lidar360或与之具有相同功能的软件进行激光雷达点云数据的分类、平差以及数字高程模型、数字表面模型和冠层高度模型的处理，并提取反映林分高度、密度和结构信息的若干个变量作为建模的解释变量。
12.进一步地，所述遥感因子特征变量包括多光谱数据各波段反射率、各波段二阶纹理特征值、常见植被指数以及雷达的各极化方式数据、各极化方式二阶纹理特征值；所述纹理特征变量为灰度共生矩阵。
13.进一步地，所述遥感因子特征变量和纹理特征变量的筛选采用随机森林的平均精
确度减少方法进行特征选择。
14.进一步地，所述树种与蓄积量模型的搭建及训练具体通过以下方法实现：
15.基于预处理后的外业调查数据和激光雷达监测数据，以筛选后的特征变量为输入，建立若干种机器学习模型，迭代训练模型在测试集上的预测性能；
16.将各种机器学习结果作为输入数据通过stacking模型进行拟合，同时利用k 折交叉验证防止数据过拟合，得到森林蓄积量。
17.进一步地，所述机器学习模型采用xgboost、mlp、knn、mlr、svr或其他能够实现相同效果的模型。
18.进一步地，所述结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测具体通过以下方法实现：
19.基于核技巧，将输入空间的数据映射到特征空间，在新空间用线性分类的学习方法从训练数据中学习分类模型，设原空间x为输入空间，h为特征空间，则存在映射φ(x)：x
→
h，那么对所有的输入实例x，y∈x，核函数k(x，y)满足：
20.k(x，z)＝φ(x)
·
φ(y)；
21.对于线性支持向量机的对偶问题，用输入实例xi和xj的内积进行目标函数的计算，那么对偶问题的目标函数为：
[0022][0023]
分离超平面的函数为：
[0024][0025]
分离决策函数为：
[0026][0027]
将(xi，xj)的内积用核函数k(xi，xj)＝φ(xi)
·
φ(xj)进行替换，在新的特征空间中进行训练样本学习：
[0028][0029][0030]
0≤αi≤c，i＝1，2，
…
，n；
[0031]
其中：样本t＝{(x1，y1)，(x2，y2)，......(xn，yn)}，x为n维特征向量，y∈[+1，-1]； n为惩罚系数；
[0032]
根据上式解得最优解
[0033]
根据下式求解b
*
：
[0034][0035]
获得决策函数：
[0036][0037]
由以上技术方案可知，本发明基于多源遥感数据进行特征变量提取并筛选出适合反演的特征变量，结合由外业调查数据计算出来的单木材积、样地林分蓄积量及单位面积蓄积量以及由激光雷达数据提取出的反映林分高度、密度和结构信息的变量构建蓄积量模型并进行反演精度对比后，通过机器学习预测方法进行碳汇计算；实现森林树种、蓄积量和碳汇等参数的区域全覆盖监测，能够提供结果矢量栅格数据和专题图等，为森林动态监测的分析和管控提供精准数据和方法支持，以满足林业现代化发展的需求。
附图说明
[0038]
图1为本发明碳汇估算方法的步骤流程图；
[0039]
图2为本发明碳汇估算方法的原理会议图；
[0040]
图3为本发明碳汇估算输出的结果示意图。
具体实施方式
[0041]
下面结合附图对本发明的一种优选实施方式做详细的说明。
[0042]
如图1和2所示的基于多源卫星遥感的碳汇估算方法，具体通过以下步骤实现：
[0043]
s1、获取监测区域森林的多源卫星遥感数据、外业调查数据以及激光雷达数据并进行预处理；
[0044]
在具体的操作中，所述多源卫星遥感数据的预处理包括对高分影像进行辐射定标、校正、融合和镶嵌处理，并根据实际要求进行相应的投影变换、重采样和剪裁；所述外业调查数据的预处理包括调查样木获取树高和胸径，并结合材积模型计算获取单木体积、样地林分蓄积量及单位面积蓄积量；所述激光雷达数据的预处理采用lidar360软件进行激光雷达点云数据的分类、平差以及数字高程模型、数字表面模型和冠层高度模型的处理，并提取反映林分高度、密度和结构信息的若干个变量作为建模的解释变量；
[0045]
s2、基于遥感数据提取遥感因子特征变量和纹理特征变量并进行筛选；
[0046]
本优选实施例所述的遥感因子特征变量包括多光谱数据各波段反射率、各波段二阶纹理特征值、常见植被指数以及雷达的各极化方式数据、各极化方式二阶纹理特征值；所述纹理特征变量为灰度共生矩阵；所述遥感因子特征变量和纹理特征变量的筛选采用随机森林的平均精确度减少方法进行特征选择，具体的，通过打乱特征变量特征值的顺序，比较顺序变动对模型精确度的影响，当重要变量打乱顺序势必造成模型精确度的降低，以此选取重要特征变量；
[0047]
s3、结合预处理后的外业调查数据和激光雷达监测数据，以提取筛选后的特征变
量作为输入进行树种与蓄积量的模型搭建及训练，获取森林蓄积量；
[0048]
具体的，所述树种与蓄积量模型的搭建及训练具体通过以下方法实现：
[0049]
基于预处理后的外业调查数据和激光雷达监测数据，以筛选后的特征变量为输入，建立若干种机器学习模型，迭代训练模型在测试集上的预测性能；本优选实施例所述的机器学习模型采用xgboost、mlp、knn、mlr、svr；
[0050]
将各种机器学习结果作为输入数据通过stacking模型进行拟合，通常在建立模型后需要使用外部进行验证，以评估模型的外部可用性，然而获取外部数据并不容易，这时交叉验证则是一种较好的可替代方案，本优选实施例利用k折交叉验证防止数据过拟合，得到森林蓄积量；
[0051]
上述所述的stacking是一种模型融合算法，基本思路是通过一个模型融合若干单模型的预测结果，目的是降低单模型的泛化误差，具体的，stacking先从初始的训练集训练出若干模型，然后把单模型的输出结果作为样本特征进行整合，并把原始样本标记作为新数据样本，生成新的训练集，再根据新训练集训练一个新的模型，最后用新的模型对样本进行预测；所述k折交叉验证中k是一个常数，一般取3-10折。
[0052]
s4、结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测并输出；
[0053]
所述结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测具体通过以下方法实现：
[0054]
基于核技巧，将输入空间的数据映射到特征空间，在新空间用线性分类的学习方法从训练数据中学习分类模型，设原空间x为输入空间，h为特征空间，则存在映射φ(x)：x
→
h，那么对所有的输入实例x，y∈x，核函数k(x，y)满足：
[0055]
k(x，z)＝φ(x)
·
φ(y)；
[0056]
对于线性支持向量机的对偶问题，用输入实例xi和xj的内积进行目标函数的计算，那么对偶问题的目标函数为：
[0057][0058]
分离超平面的函数为：
[0059][0060]
分离决策函数为：
[0061][0062]
将(xi，xj)的内积用核函数k(xi，xj)＝φ(xi)
·
φ(xj)进行替换，在新的特征空间中进行训练样本学习：
[0063]
[0064][0065]
0≤αi≤c，i＝1，2，
…
，n；
[0066]
其中：样本t＝{(x1，y1)，(x2，y2)，......(xn，yn)}，x为n维特征向量，y∈[+1，-1]； n为惩罚系数；
[0067]
根据上式解得最优解
[0068]
根据下式求解b
*
：
[0069][0070]
获得决策函数：
[0071][0072]
本发明技术方案提出了一套基于卫星遥感和深度学习的区域全覆盖森林动态监测方法，基于多源遥感数据进行特征变量提取，再对其重要性进行排序，筛选出适合反演的特征变量，结合由外业调查数据计算出来的单木材积、样地林分蓄积量及单位面积蓄积量和由激光雷达数据提取出的反映林分高度、密度和结构信息的变量，构建蓄积量模型和对比反演精度，最后通过机器学习预测方法进行碳汇计算。如图3所示，本发明能够实现森林树种、蓄积量和碳汇等参数的区域高分辨率一图全覆盖监测，并能够根据需要提供结果矢量栅格数据和专题图等数据集，为森林动态监测的分析和管控提供精准数据和方法支持。
[0073]
以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。