基于多源遥感数据和随机森林法估测森林碳储量的方法与流程

本发明属于森林碳储量估测，涉及基于多源遥感数据和随机森林法估测森林碳储量的方法。

背景技术：

1、森林生态系统作为陆地生态系统的重要组成部分，拥有陆地表面最大的碳库，森林碳汇是应对气候变化、实现“双碳目标”最为经济有效的方式之一。在此背景下，对森林碳储量进行精准估测就显得尤为重要。

2、传统的碳汇监测方法有样地清查法和碳通量定位观测法。样地清查法通常依靠长周期、高成本的样地调查工作，耗费的成本高且精度受人为等因素影响；碳通量定位观测法受装置分布位置的影响，监测范围十分有限，难于覆盖到大面积多类型的森林区域。近年来，遥感及相关领域技术发展突飞猛进，光学遥感影像所具有的光谱特性能很好地反映地物特征信息，激光雷达作为一种主动遥感方式，具有穿透性强、不易受恶劣天气影响、全天候工作、高分辨率信息等特点，这为森林碳储量的遥感估测提供了新的思路。

3、基于遥感的模型模拟方法作为大尺度森林碳储量估测的必要手段，在遥感建模时采用不同模型会极大影响碳储量估测精度，随机森林算法作为一种机器学习算法，它相较于传统的线性回归算法能更好描述森林碳储量与遥感变量之间的非线性关系，具有更好的适应性和更高的预测精度。

4、综上所述，研发一种基于多源遥感数据和随机森林算法的森林碳储量估测技术显得尤为必要。

技术实现思路

1、本发明的目的是提供一种基于多源遥感数据和随机森林法估测森林碳储量的方法，基于多源遥感数据和地面样地调查数据，实现不同类型森林的碳储量高精度估测，解决了现有方法在森林碳储量测定上精度不足以及人工成本高的问题，能大幅度降低人力成本，显著提高工作效率，且数据不易受地形、气候、时间等因素制约，估测精度能满足调查监测要求。

2、本发明所采用的技术方案是：基于多源遥感数据和随机森林法估测森林碳储量的方法，具体操作步骤如下：

3、步骤1，在研究区域内设置地面实测样地，获取样地内每木调查数据，并获取该区域与调查时间相近的光学遥感影像数据和激光雷达点云数据；

4、步骤2，基于步骤1获取的每木调查数据，计算每个样地的森林碳储量作为数据集；

5、步骤3，分别对步骤1获取的光学遥感影像和激光雷达点云数据进行预处理，最后统一遥感影像数据和点云数据坐标系统为cgcs2000；

6、步骤4，基于预处理后的光学遥感影像和样地中心点位置坐标，提取相对应的光谱信息和纹理信息这2类遥感变量；基于预处理后的激光雷达点云数据提取高度变量、密度变量、强度变量这3类遥感变量，将提取的各类遥感变量与步骤2中计算得到的森林碳储量进行相关性分析及显著性分析，筛选出相关性高的遥感变量参与森林碳储量遥感估测模型建立；

7、步骤5，将步骤4筛选得到的遥感变量作为自变量，步骤2计算得到的森林碳储量数据作为因变量，选取建模样本，利用随机森林算法建立森林碳储量遥感估测模型，并通过调整模型参数方式对模型进行优化；

8、步骤6，基于检验样本，对步骤5得到的森林碳储量遥感估测模型进行精度验证和评价；

9、步骤7，基于步骤5得到的最优森林碳储量遥感估测模型，对研究区域的森林碳储量进行反演制图。

10、本发明的特点还在于，

11、步骤1中，地面样地调查内容包括有3大类：

12、1)林分因子，即优势树种、起源、郁闭度；

13、2)林木因子，即样木编号、立木类型、树种、胸径、树高；

14、3)其他信息，即样地号、位置坐标、调查员、调查日期。

15、步骤2中，森林碳储量计算利用林木异速生长方程和生物量中碳含量百分比；

16、所述林木异速生长方程为agb＝adbhc，其中a、b、c为方程参数，agb为森林地上生物量，d为胸径，h为树高；

17、当树种为落叶松时，a＝0.06848，b＝2.01549，c＝0.59146；碳含量47.42％；

18、当树种为红松时，a＝0.027847，b＝1.810004，c＝0.905002；碳含量48.09％；

19、当树种为栎树时，a＝0.06149，b＝2.14380，c＝0.58390；碳含量48.02％；

20、当树种为桦木时，a＝0.06807，b＝2.10850，c＝0.52019；碳含量45.56％。

21、步骤3对遥感影像的预处理包括辐射定标、大气校正、图像镶嵌、图像裁剪；对点云数据的预处理包括航带平差、数据拼接、噪声滤波、点云分类、投影转换以及数据裁剪。

22、步骤4中，将提取的遥感变量与步骤2中计算得到的森林碳储量数据进行person相关性分析及显著性分析，选出相关系数r≥0.3且显著性p≤0.01的遥感变量作为建模备选变量。

23、步骤5中，选取步骤2计算的森林碳储量数据集中70％作为建模样本，其余30％作为检验样本，利用随机森林算法对碳储量遥感估测模型进行训练，并通过调节模型参数对模型进行优化，所述模型参数包括随机种子数seed、森林中树的个数ntree以及每棵树使用的特征个数mtry。

24、步骤6中，利用决定系数r2、均方根误差rmse、相对均方根误差mae这3个指标对模型进行精度验证和评价，决定系数r2越大，均方根误差rmse、相对均方根误差mae越小说明模型精度越高，3个指标具体计算方式如下：

25、

26、

27、

28、式中：n为样地数；i为样地编号；xi为样地i的林分蓄积实测值；为样地i的林分蓄积模型估测值；为所有样地的林分蓄积实测平均值。

29、本发明的有益效果是：

30、1、传统森林碳储量估测依靠样地调查，耗费人工、效率低下且精度受人为影响较大；本方法基于多源遥感数据提取遥感变量，利用随机森林算法建立森林碳储量遥感估测模型，节省了人工调查成本、提高了效率，且能实现大面积森林的碳储量遥感估测。

31、2、本方法实施过程不易受地形、气候、时间等因素制约。多源遥感数据具有穿透性强、不易受恶劣天气影响、全天候工作、高分辨率信息等特点，使得本方法在实施过程中易受到的外部制约因素少。

32、3、能实现更高的估测精度。基于本方法对红松林、落叶松林、栎树林，桦木林等多种林分进行森林碳储量估测，估测精度均能达到r2＞0.7以上，优于现有的各类估测方法。

技术特征：

1.基于多源遥感数据和随机森林法估测森林碳储量的方法，其特征在于，具体操作步骤如下：

2.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法，其特征在于，步骤1中，地面样地调查内容包括有3大类：

3.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法，其特征在于，所述步骤2中，森林碳储量计算利用林木异速生长方程和生物量中碳含量百分比；

4.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法，其特征在于，步骤3对遥感影像的预处理包括辐射定标、大气校正、图像镶嵌、图像裁剪；对点云数据的预处理包括航带平差、数据拼接、噪声滤波、点云分类、投影转换以及数据裁剪。

5.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法，其特征在于，所述步骤4中，将提取的遥感变量与步骤2中计算得到的森林碳储量数据进行person相关性分析及显著性分析，选出相关系数r≥0.3且显著性p≤0.01的遥感变量作为建模备选变量。

6.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法，其特征在于，步骤5中，选取步骤2计算的森林碳储量数据集中70％作为建模样本，其余30％作为检验样本，利用随机森林算法对碳储量遥感估测模型进行训练，并通过调节模型参数对模型进行优化，所述模型参数包括随机种子数seed、森林中树的个数ntree以及每棵树使用的特征个数mtry。

7.根据权利要求1所述的基于多源遥感数据和随机森林法估测森林碳储量的方法，其特征在于，步骤6中，利用决定系数r2、均方根误差rmse、相对均方根误差mae这3个指标对模型进行精度验证和评价，决定系数r2越大，均方根误差rmse、相对均方根误差mae越小说明模型精度越高，3个指标具体计算方式如下：

技术总结
本发明公开了基于多源遥感数据和随机森林法估测森林碳储量的方法，基于多源遥感数据、地面样地调查数据和随机森林算法建立不同类型森林的碳储量遥感估测模型，并对模型进行训练和优化后得到最优森林碳储量遥感估测模型，即可对研究区域的不同类型森林进行碳储量反演制图。本发明中，光学遥感影像的光谱特性能很好地反映地物特征信息；激光雷达作为一种主动遥感方式，具有穿透性强、不易受恶劣天气影响、高分辨率信息等特点；随机森林算法作为一种机器学习算法，相较于传统的线性回归算法能更好描述森林碳储量与遥感变量之间的非线性关系，这些优势使得本方法在实施森林碳储量估测过程中不易受地形、气候、时间等因素制约具有更高的估测精度。

技术研发人员：袁钰娜,余顺超,姜学兵,金平伟,黄俊,李乐,寇馨月,刘斌,李浩,林丽萍,杨林
受保护的技术使用者：珠江水利委员会珠江流域水土保持监测中心站
技术研发日：
技术公布日：2024/1/15