一种基于多源高分遥感数据的森林小班边界优化方法

本发明属于森林遥感的研究领域，具体涉及一种基于多源高分遥感数据的森林小班边界优化方法。

背景技术：

1、小班是我国当前森林经营管理和调查设计的基本单位，小班在建立之初，林分内部均匀，经营管理条件类似。

2、森林小班区划是森林资源调查的主要任务之一，也是实现森林资源管理的重要手段。其划分主要通过地形、森林类别、林龄等因素，结合卫星图，在人工实地调查和目视解译的基础上确定边界，代表的是整个林分的平均水平。随着时间的推移，同一个小班会不可避免的经历砍伐、台风、火灾以及人为干扰等情况，使小班边界与周围环境不匹配，小班内部异质性增大。基于小班调查周期和人力物力财力资源的限制，发生变化的小班边界缺乏及时更新与优化，导致以传统森林小班边界进行林分参数估计存在较高的不确定性，影响森林资源管理和模型对森林林分参数的有效预测。

3、遥感技术具有高时空分辨率和大面积监测地面事物的特点，在森林监测、分类和林分信息提取方面发挥重要优势，成为开展森林资源有效调查的重要方法之一。基于遥感技术的影像分割成为解决小班边界更新不及时问题的有效手段。如师玉霞等(2022)利用gf-2影像，对天山云杉林进行多尺度分割，并结合野外调查数据和遥感数据的纹理、光谱等特征，确定其有林地小班区划；魏安世等(2010)利用上一年度小班数据和相邻两年度遥感影像，采用图像分割方法自动更新小班变化界线，其结果与人工勾绘的边界基本一致。

4、但是，根据已有研究成果分析发现，传统的小班分割以及小班边界更新存在以下几个问题：1)传统的基于高分影像进行小班分割或区划的研究是针对单一种类的遥感影像；2)传统的小班分割是基于影像，从中提取不同种类的小班边界，并非针对现有的森林调查小班进行边界优化更新；3)传统的小班分割研究未叠加树种空间分布图进行小班边界的进一步确定等。

技术实现思路

1、本发明的目的在于提供一种基于多源高分遥感数据的森林小班边界优化方法，提供一套分割、重新定义小班边界的方法，采用融合的gf-6和sentinel-2数据，将影像分割技术应用于小班边界区划，叠加桉树空间分布图进行分析，在减小小班空间异质性的同时，又可以剔除单个像元带来的误差。本发明有助于提高以样地或小班为单元预测林分生长状态模型的模拟精度。

2、为实现上述目的，本发明的技术方案是：一种基于多源高分遥感数据的森林小班边界优化方法，包括如下步骤：

3、步骤1、基于时间序列landsat数据，林场无人机雷达数据，获取2017年由政府部门开展森林小班调查数据，选取gf-6影像数据和sentinel-2影像数据；

4、步骤2、对选取的卫星影像gf-6、sentinel-2数据进行预处理，得到处理后的卫星影像；并将gf-6与sentinel-2进行影像融合，得到多光谱高分辨率影像；对时间序列landsat数据进行桉树分类；无人机lidar数据生成chm；

5、步骤3、对桉树小班进行分割，采用矢量分割和多尺度分割方法，底图叠加步骤2gf-6与sentinel-2融合影像的成果；

6、步骤4、在步骤3的基础上，将分割得到的结果和步骤2桉树分类的结果“桉树空间分布图”结合，对分割后的小班边界进行优化，重新划定小班边界；

7、步骤5、将重新划定的小班边界与lidar反演树高图进行对比验证；

8、步骤6、将桉树小班分割前与分割后的成果进行变异系数的计算。

9、在本发明一实施例中，步骤1中，森林小班调查数据主要信息包括小班平均胸径、平均树高、年龄、调查日期、每公顷林分蓄积、每公顷林木株数、最高海拔、最低海拔、土层厚度；gf-6影像数据包括4个空间分辨率为8米的多光谱波段和空间分辨率为2米的全色波段，影像的获取时间为2020年02月20日；sentinel-2数据的获取日期与gf-6相同，其空间分辨率为10～20m，包括4个10m的多光谱波段和6个20m的多光谱波段，获取1986-2021年所有可用landsat ndvi数据，2021年7月林场无人机lidar数据。

10、在本发明一实施例中，步骤2中，对gf-6进行包括辐射校正、大气校正以及图像融合的预处理，其中，辐射校正的相关参数从中国资源卫星应用中心网站获取，大气校正采用暗黑像元法，并且，利用sen2cor软件对sentinel-2进行辐射定标和大气校正，将l1c级产品处理成l2a级产品数据，使用snap软件将10个波段统一重采样为10m分辨率；

11、以gf-6全色影像为基准，对sentinel-2多光谱影像进行几何配准，采用gs融合算法对重采样的多光谱图像和模拟的全色影像进行gs变换，然后应用真正的全色波段替换gs变换后影像的第一波段，最后再进行gs反变换得到真正的多光谱高分辨率影像，融合后的影像分辨率为2m；

12、基于时间序列的landsat数据进行桉树分类是根据1986-2021年所有可用landsatndvi数据，通过实地调查和谷歌地球目视解译，在收集的土地覆盖样本的基础上，采用随机森林分类方法对研究区进行分类，最终得到30m×30m分辨率的桉树时空分布图，其中，桉树分类精度为80％；

13、于2021年7月在研究区进行无人机lidar数据采集，平均点云密度为60point/m2，lidar数据的处理过程包括滤波、去噪、归一化、生成冠层高度模型chm数据，即采用lidar360软件去除点云数据中的噪声，将离散点云回波点分为地面点和非地面点两部分，通过lidar360软件对地面点进行反距离加权插值生成数字高程模型dem，所有非地面点插值生成数字表面模型dsm，空间分辨率均为1m，然后对dsm和dem进行栅格差值运算得到chm。

14、在本发明一实施例中，所述步骤3中，基于融合的gf-6和sentinel-2影像数据，采用ecognition developer 10.1对桉树小班进行分割，采用矢量分割和多尺度分割方法，包括：(a)基于矢量数据的棋盘分割；(b)基于步骤(a)结果的多尺度分割。

15、在本发明一实施例中，所述步骤4步骤如下：(a)基于python+gdal，自动计算并获取桉树空间分布图中每个像元的坐标，将结果存为.csv文件；基于开源包osgeo，将.csv转为像元坐标点数据矢量文件(.shp)；(b)python同时读取桉树像元坐标点数据即步骤(a)结果与步骤3小班多尺度分割的小班数据，统一两种坐标系后，默认叠加分析；设置程序自动判断规则，当桉树像元坐标点数量在每个小班数据的polygon中小于3，自动过滤去除该类polygon，并返回全新对象；(c)基于(b)结果，在arcgis中对破碎边界以目视判断选择是否合并。

16、在本发明一实施例中，所述步骤5中，在arcgis中将优化的小班边界、原始小班边界分别与无人机lidar反演树高图进行叠加对比。

17、在本发明一实施例中，所述步骤6中，基于步骤5的成果，进行变异系数计算比较，采用变异系数来作为反映小班空间异质性大小的指标；利用分割前后的桉树小班，基于arcgis统计得到每个小班的平均树高和标准差，以此来计算每个小班内树高变异系数。

18、相较于现有技术，本发明具有以下有益效果：

19、本发明基于多源高分融合影像进行分割、叠加桉树空间分布图对破碎小班进行剔除进而实现边界优化的小班，其内部异质性明显降低，从权利要求7可得。同时，这一发明对基于对象，以样地或小班为单元预测林分生长状态的模型模拟具有重要意义，最终可提升模型精度。

20、本发明以分割小班为模拟单元的模拟精度比原始小班显著提升，树高和碳储量r2分别提高0.2和0.21，rmse分别降低0.57m和3.75mg/ha，rrmse分别降低5.56％和12.47％。