基于Sentinel-2遥感影像的崇礼区地上生物量反演.pdf
《基于Sentinel-2遥感影像的崇礼区地上生物量反演.pdf》由会员分享,可在线阅读,更多相关《基于Sentinel-2遥感影像的崇礼区地上生物量反演.pdf(9页珍藏版)》请在咨信网上搜索。
1、Vol.44 No.2Feb.2024第 44 卷 第 2 期2024 年 2 月中 南 林 业 科 技 大 学 学 报 Journal of Central South University of Forestry&Technologyhttp:/收稿日期:2023-04-02基金项目:国家重点研发计划项目(2022YFD2200505)。第一作者:颜辉(),硕士研究生。通信作者:蒋湘涛(),副教授,博士。引文格式:颜辉,蒋湘涛,王汶珮,等.基于 Sentinel-2 遥感影像的崇礼区地上生物量反演 J.中南林业科技大学学报,2024,44(2):53-61.YAN H,JIANG X T,
2、WANG W P,et al.Aboveground biomass inversion based on Sentinel-2 remote sensing images in Chongli districtJ.Journal of Central South University of Forestry&Technology,2024,44(2):53-61.基于 Sentinel-2 遥感影像的崇礼区地上 生物量反演颜 辉1,蒋湘涛1,王汶珮2,伍振宇1,刘 帆1,魏英杰1(1.中南林业科技大学 计算机与信息工程学院,湖南 长沙 410004;2.中南大学 地球科学与信息物理学院,湖南
3、 长沙 410006)摘 要:【目的】以 Sentinel-2 遥感影像数据为基础,结合森林实测样地数据,以崇礼区森林地上生物量反演为例提出反演新思路。【方法】基于 2021 年 7 月河北省崇礼区 Sentinel-2 遥感影像数据、2021 年 68 月的 71 块崇礼区森林样地实测数据,利用实测数据中的胸径、树高,根据河北省森林生物量计算公式计算各样地实测生物量,通过 SNAP、ENVI 等软件对遥感数据进行重采样、裁剪等预处理,提取影像原始波段,并计算植被指数、纹理因子、缨帽指数等遥感因子,对遥感因子进行皮尔逊相关性分析筛选,并以匹配最佳纹理窗口大小优化纹理因子的选择,分别采用多元线性
4、回归、BP 神经网络以及随机森林 3 种算法进行崇礼区 AGB 建模,利用 R2以及 RMSE 评价其模型精度,并选取最优模型进行生物量反演并绘制生物量空间分布图。【结果】1)在遥感因子选择中,除了常规的绿波段、红波段和 2 个植被红边波段与植被指数 DVI、SAVI、EVI,纹理因子的均值和缨帽指数的亮度与绿度在生物量反演模型的建立中也起到了重要的作用,且纹理因子窗口大小的选择也会对最终模型的精度造成影响;2)3 种模型的精度均满足反演生物量的要求,以随机森林模型效果最好、多元线性回归模型次之、BP 神经网络模型精度最低,但经过十则交叉验证法的 BP 模型精度有所提升,最优的随机森林模型R2
5、达到了 0.843;3)经过最优模型的反演,崇礼区 AGB 分布主要在 50 200 mghm-2,集中在西部环山地带,存在明显的空间异质性。【结论】利用 Sentinel-2 遥感影像反演森林生物量具有较高的精度,随着植被指数、缨帽指数、纹理因子的加入,模型效果呈递增趋势,并且纹理因子的窗口大小选择在森林生物量遥感反演中有着重要的影响。关键词:Sentinel-2;AGB;纹理因子;窗口选择;随机森林中图分类号:S771.8 文献标志码:A 文章编号:1673-923X(2024)02-0053-09Aboveground biomass inversion based on Sentine
6、l-2 remote sensing images in Chongli districtYAN Hui1,JIANG Xiangtao1,WANG Wenpei2,WU Zhenyu1,LIU Fan1,WEI Yingjie1(1.College of Computer and Information Engineering,Central South University of Forestry&Technology,Changsha 410004,Hunan,China;2.College of Geosciences and Info-physics,Central South Un
7、iversity,Changsha 410006,Hunan,China)Abstract:【Objective】Based on Sentinel-2 remote sensing image data,combined with the actual forest sample plot data,we proposed a new idea of inversion of forest above-ground biomass in Chongli district as an example.【Method】Based on Sentinel-2 remote sensing imag
8、e data of Chongli district,Hebei province,in July 2021,and 71 forest sample plots of Chongli district in June and August 2021,the measured data were used.Using the diameter at breast height and tree height from the measured data,the measured biomass of each plot was calculated according to the formu
9、la for calculating forest biomass in Hebei province.The remote sensing data were pre-processed with SNAP and ENVI software for resampling and cropping to extract the original image bands and calculate remote sensing factors such as vegetation index,texture factor and tassel cap index.Pearson correla
10、tion analysis was performed to filter the remote sensing factors and optimize the selection of texture factors by matching the best texture window size.Three algorithms of multiple linear regression,BP neural network and random forest were used to model the AGB of Chongli district,respectively.The m
11、odel accuracy Doi:10.14067/ki.1673-923x.2024.02.006颜 辉,等:基于 Sentinel-2 遥感影像的崇礼区地上生物量反演54第 2 期森林生物量是衡量陆地表面和大气之间二氧化碳交换的重要气候变量。准确估算森林生物量及其变化可以增强对全球碳循环的认识,也可以减少因人为活动或自然干扰造成的碳排放估算的不确定性。森林生物量碳库由地上生物量(AGB)和地下生物量(BGB)组成,但在大多数情况下,森林生物量被称为 AGB,可以在一定范围内以一定的准确性进行测量1。传统的 AGB 估算是通过地面技术获得的,但这些方法有较高的局限性2。首先,由于取样较少,
12、生物量的反演往往不精确;其次,地面清查的成本较高,收集时间较长,很难及时收集数据;最后,传统采样对森林植被具有破坏性3。而遥感估算方法能在一定范围内解决样本量、及时性、费用和获取方面的限制,并有效地估算大面积森林生物量,使用遥感观测绘制森林地上生物量已成为监测和评估计划的一个组成部分4。随着国内外学者对遥感技术的研究开展,光学影像、激光雷达、孔径雷达等遥感数据都被运用于 AGB 估算的研究中5。激光雷达受地形等因素影响较大6,对于森林生态复杂的区域,激光雷达难以达到较高的精度且激光雷达数据较难获取。孔径雷达有着较强的穿透能力,但对于森林密集生物量较高的地区,孔径雷达具有一定的局限 性7-8。相
13、较之下,光学遥感卫星影像有着获取便捷、覆盖面广、回访周期更快等优势,被广泛运用于 AGB 估算中。除此之外,光学遥感影像拥有不同的空间分辨率、时间分辨率和光谱波段等8,可以充分利用纹理特征反映更准确的地物信息。当前,大部分研究是通过光学遥感影像的光谱特征及其衍生参数构建 AGB 模型,但该方法容易发生异物同谱或者同物异谱现象9,导致模型精度不稳定。借助影像的纹理特征可在一定程度上抑制该现象的发生,Lu10使用基于 GLCM 的纹理测量方法来计算巴西朗多尼亚州次生林和成熟林的生物量,发现具有复杂林分结构的森林,其纹理因子比原始光谱波段更能准确反映生物量特征,结合纹理信息能有效提高生物量估计性能。
14、Zheng等11在研究中发现植被指数结合纹理因子在估测AGB 时有着较好的效果。大量研究采用多元线性回归来估算 AGB,该方法存在难以捕获复杂的非线性关系以及多重共线性问题12。与此相比,机器学习类方法无需统计假设,能够处理复杂的非线性交互关系,Foody等13发现神经网络在婆罗洲热带雨林中使用Landsat TM 数据进行 AGB 估算是有效的;Geng等14采用随机森林、支持向量机、人工神经网络和极端梯度提升算法(XGBoost)对黑河中游地区当季玉米生物量进行了估算,结果表明随机森林模型效果最好,最高精度可达 0.78,表明了机器学习方法应用到生物量估算中的潜力。根据上述现状,本研究采用
15、多元线性回归、BP 神经网络以及随机森林算法进行河北省崇礼区生物量估算比较,以 Sentinel-2 遥感影像数据和崇礼区森林样地实测数据为数据源,研究图像光谱数据的原始波段、植被指数、缨帽变换指数和纹理特征在 AGB 模型构建中的作用,最终反演崇礼区 AGB 并绘制 AGB 分布图。1 研究数据与预处理1.1 研究区概况崇礼区是 2022 年北京冬奥会滑雪分赛场所 在地,隶属于河北省张家口市,位于河北省西北部(4047 4117N,11417 11534E),地处内蒙古高原与华北平原过渡地带15,总面积约 2 334 km2。地貌属坝上坝下过渡型山区,山势高was evaluated usi
16、ng R2 and RMSE,and the optimal model was selected for biomass inversion and biomass spatial distribution mapping.【Result】1)In the selection of remote sensing factors,in addition to the conventional green band,red band and two vegetation red edge bands and vegetation indices DVI,SAVI and EVI,the mean
17、 value of texture factor and the brightness and greenness of tassel hat index also played an important role in the establishment of biomass inversion model,and the selection of texture factor window size also affected the accuracy of the final model;2)The accuracy of all three models met the require
18、ments of biomass inversion,with the best random forest model,the second best multiple linear regression model,and the lowest accuracy of BP neural network model,but the accuracy of the BP model improved after the ten-rule cross-validation method,and the R2 of the optimal random forest model reached
19、0.843;3)After the inversion of the optimal model,the distribution of AGB in the Chongli area mainly ranged from 50-200 mghm-2,concentrated in the western ring of mountains,with obvious spatial heterogeneity.【Conclusion】The inversion of forest biomass using Sentinel-2 remote sensing images has high a
20、ccuracy.With the addition of vegetation index,tassel cap index and texture factor,the model effect showed an increasing trend,and the window size selection of texture factor had an important influence in the remote sensing inversion of forest biomass.Keywords:Sentinel-2;AGB;texture factor;window sel
21、ection;random forest55中 南 林 业 科 技 大 学 学 报第 44 卷险,山峰海拔大部分于 1500 2000 m 之间,属中低山区。崇礼区属温带大陆性季风气候区,夏季炎热多雨,冬季漫长严寒,是典型的寒冷地区,年平均气温为 3.7,年均降水量 483.3 mm。崇礼境内 80%为山地,通过冬奥会植树造林,森林覆盖率达到71.53%,该地区的主要乔木种类有白桦、落叶松和油松等。1.2 遥感数据 Sentinel-2 卫 星 搭 载 了 多 光 谱 成 像 仪(Multispectral imager,MSI),共有 13 个波段,包括 4 个空间分辨率为 10 m 的波段
22、,4 个空间分辨率为 20 m 的波段和 3 个空间分辨率为 60 m的波段,其中 3 个独有的植被红边波段对森林监测有较好的效果,重访周期为 5 d16。本研究采用的遥感数据下载自欧空局网站(https:/scihub.copernicus.eu),获取时间为 2021 年 7 月。1.3 样地数据本研究采用的样地数据为 2021 年 68 月的崇礼区冬奥会森林防火项目所采集的野外森林调查数据,共设置 71 块主要树种的矩形样地,样地大小为 30 m30 m,包括白桦林、落叶松林和杨树林等类型。调查内容包括样地的 RTK 定位坐标、单木的胸径、树高、冠幅、枝下高和生长状态等多个参数指标。样地
23、内单木胸径主要分布在 10 20 cm之间,树高主要分布在 5 15 m 之间,样地内含有较大的单木,胸径和树高统计如图 1 所示。图 1 单木胸径、树高统计Fig.1 Statistical chart of DBH and tree height1.4 数据预处理1.4.1 遥感数据预处理Sentinel-2 遥 感 影 像 预 处 理 软 件 为 SNAP(Sentinel application platform),本研究采用 L2A级产品,已经通过辐射定标和几何精校正。利用SNAP 软件提供的重采样算法,对空间分辨率为20 和 60 m 的波段进行重采样,重采样的像元大小为 10 m
24、,并转换为 ENVI 可使用的图像格式,再以崇礼地区的行政区划对图像进行裁剪。1.4.2 样地数据预处理本研究采用国家林业局颁布的造林项目监测计量与监测指南中河北省地上生物量模型来估算实测样地数据的地上生物量。地上生物量方程如表 1 所示:表 1 崇礼区主要树种生物量计算公式Table 1 Biomass calculation formula of main tree species in Chongli district树种 Tree species公式 Formulas落叶松 Larix gmelinii 2.269 3520.119 769SWD=;1.750 1520.106 747
25、BWD=;1.066 9970.291 676LWD=;TSBLWWWW=+。白桦 Betula platyphylla Suk 20.935 60.031 9()SWD H=;21.278 10.000 63()BWD H=;21.168 80.000 16()LWD H=;TSBLWWWW=+。云杉 Picea asperata Mast 20.752 80.107 3()SWD H=;20.813 80.049 4()BWD H=;20.692 30.041 72()LWD H=;TSBLWWWW=+。油松 Pinus tabuliformis Carr 20.853 90.047 5(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Sentinel 遥感 影像 崇礼 地上 生物量 反演
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。