基于无人机多光谱影像的云南松林蓄积量估测模型.pdf
《基于无人机多光谱影像的云南松林蓄积量估测模型.pdf》由会员分享,可在线阅读,更多相关《基于无人机多光谱影像的云南松林蓄积量估测模型.pdf(8页珍藏版)》请在咨信网上搜索。
1、基于无人机多光谱影像的云南松林蓄积量估测模型邓再春1,张超1,2,朱夏力1,范金明1,钱慧1,李成荣1(1.西南林业大学林学院,云南昆明650224;2.西南林业大学云南省山地农村生态环境演变与污染治理重点实验室,云南昆明650224)摘要:【目的目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息,在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源,探索森林蓄积量的遥感估测模型,以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法方法】以滇中地区典型天然云南松 Pinus yunnanensis 纯林为研究对象,利用无人机多光谱影像提取单波段反射率、各类植被指数、
2、纹理特征等,计算各特征变量的标准地均值;筛选与云南松林蓄积量相关性显著的特征变量,采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型,以决定系数(R2)、平均绝对误差(EMA)、均方根误差(ERMS)、平均相对误差(EMR)评价模型精度。【结果结果】3 种模型中,随机森林的精度最高(R2=0.89,EMA=4.69m3hm2,ERMS=5.45m3hm2,EMR=14.5%),其次为支持向量机(R2=0.74,EMA=5.27m3hm2,ERMS=8.31m3hm2,EMR=13.1%),最低为多元线性回归模型(R2=0.35,EMA=10.12m3hm2,ERMS=12.85m3h
3、m2,EMR=28.1%);3 种模型在测试集上的估测精度均有所降低,随机森林的模型表现最好,支持向量机次之,多元线性最差。3 种模型在云南松林蓄积量估测中均存在一定的低值高估和高值低估现象。基于无人机多光谱影像估测云南松林蓄积量,纹理特征仍是不可忽视的重要因子。【结论结论】基于无人机多光谱影像,在不进行单木分割的情景下,提取标准地的单波段反射率、植被指数、纹理特征均值,筛选适用于蓄积量估算的变量构建估测模型。通过对 3 种模型进行精度评价,随机森林为云南松林蓄积量估测的最佳模型。图 2 表 5 参 27关键词:森林蓄积量;云南松林;无人机多光谱影像;随机森林;多元线性回归;支持向量回归中图分
4、类号:S758.5文献标志码:A文章编号:2095-0756(2024)01-0049-08Pinus yunnanensisvolumeestimationmodelbasedonUAVmultispectralimageDENGZaichun1,ZHANGChao1,2,ZHUXiali1,FANJinming1,QIANHui1,LIChengrong1(1.CollegeofForestry,SouthwestForestryUniversity,Kunming650224,Yunnan,China;2.YunnanKeyLaboratoryof Ecological Environm
5、ent Evolution and Pollution Control in Mountainous Rural Areas,Southwest ForestryUniversity,Kunming650224,Yunnan,China)Abstract:Objective Unmanned aerial vehicle(UAV)multispectral remote sensing images,with richerspectralinformationthanvisiblelightimages,havegreatpotentialinforestvolumeestimation.Ta
6、kingUAV-bornemultispectralremotesensingimagesasthemaindatasource,thisstudyaimstoexploretheremotesensingestimationmodelofforestvolume,soastoovercomethedrawbacksoftraditionalgroundsurvey,suchasheavyworkload,longtimeconsumptionandhighcost.MethodTakingthetypicalnaturalpurePinusyunnanensisforestinLuomian
7、Township,FuminCounty,KunmingCityastheresearchobject,thesingle-bandreflectance,vegetationindexandtexturefeaturewereextractedaccordingtotheUAVmultispectralimage,andthe standard ground mean of each characteristic variable was calculated.The characteristic variables收稿日期:2023-04-22;修回日期:2023-07-12基金项目:国家
8、自然科学基金资助项目(32160405);云南省“万人计划”人才培养项目(YNWR-QNBJ-2018-334)作者简介:邓再春(ORCID:0009-0009-4510-072X),从事森林经理学研究。E-mail:。通信作者:张超(ORCID:0000-0003-3126-6103),教授,博士生导师,从事森林经理学研究。E-mail:浙江农林大学学报,2024,41(1):4956Journal of Zhejiang A&F Universitydoi:10.11833/j.issn.2095-0756.20230263significantlycorrelatedwiththefor
9、estvolumewerescreened,andtheforestvolumeestimationmodelwasestablishedusingmultiplelinearregression,randomforestandsupportvectormachine.Themodelaccuracywasevaluatedbycoefficientofdetermination(R2),rootmeansquareerror(ERMS),meanabsoluteerror(EMA)and mean relative error(EMR).Result(1)Among the three mo
10、dels,the random forest had the highestaccuracy(R2=0.89,EMA=4.69 m3hm2,ERMS=5.45 m3hm2,EMR=14.5%),followed by the support vectormachine(R2=0.74,EMA=5.27 m3hm2,ERMS=8.31 m3hm2,EMR=13.1%).The multiple linear regressionmodelhadtheminimumaccuracy(R2=0.35,EMA=10.12m3hm2,ERMS=12.85m3hm2,EMR=28.1%).Theestim
11、ationaccuracyofthethreemodelsinthetestsetdecreased.Therandomforesthadthebestperformance,followedbythesupportvectormachine,andthemultivariatelinearitywastheworst.(2)Thethreemodelshadcertain underestimation and overestimation in the estimation of P.yunnanensis forest volume.(3)Texturefeaturewasstillan
12、importantfactorthatcouldnotbeignoredinestimatingtheforestvolumeofP.yunnanensisbasedonUAVmultispectralimages.ConclusionBasedonthemulti-spectralimagesofUAV,thesingle-band reflectance,vegetation index,and texture factor mean values of the standard ground were extractedwithout individual tree segmentati
13、on,and the variables suitable for volume estimation were screened toconstructanestimationmodel.Throughtheprecisionevaluationofthethreemodels,therandomforestisthebestmodelforestimatingP.yunnanensisvolume.Ch,2fig.5tab.27ref.Key words:forestvolume;Pinus yunnanensisforests;unmannedaerialvehicle(UAV)mult
14、ispectralimage;randomforest;multiplelinearregression;supportvectorregression森林蓄积量是一定森林面积上所有活立木材积的总和1。作为森林生物量和碳储量的重要评价指标,森林蓄积量能直接反映森林资源的数量与质量,是森林资源调查的重要因子之一。随着无人机遥感技术的快速发展,无人机载可见光/多光谱遥感影像在森林资源调查领域得以快速推广,为森林蓄积量调查提供了快速高效的技术手段。传统的森林蓄积量调查主要以地面调查为主,此类调查周期长,对人力、物力的需求量巨大2。20 世纪 90 年代以来,国内外学者通过获取单一或多源遥感影像,以地
15、面调查数据作为因变量,以各类植被指数、纹理特征、地形因子等作为自变量,采用主成分分析、偏最小二乘法、逐步回归、随机森林、k 邻近模型等方法建立回归模型,估测森林蓄积量,进行了较多有益的探索35。卫星遥感影像具有长时序、大尺度、易获取等优势,但其影像易受天气影响,且难以兼顾分辨率和成本。无人机具有成本低、机动灵活、影像分辨率高等优点,作为传统遥感估测的补充手段,在森林资源调查中得到了广泛应用。通过搭载可见光、多光谱、高光谱、激光雷达等多种传感器,可获得低空地表有关森林资源的多层面数据6。大量研究表明:基于无人机航拍影像估测森林蓄积量具有较高的可行性。利用无人机航拍影像估测森林蓄积量主要包括 2
16、个角度:基于数字正射影像(DOM)、数字表面模型(DSM)、冠层高度模型(CHM)获取林分株数、胸径、冠幅、树高等因子,从单木、林分 2 个角度进行蓄积量估测712;基于影像提取各类植被指数、纹理特征、地形因子等,建立森林蓄积量估测模型,或是建立单株材积估测模型,再进一步计算森林蓄积量1314。无人机多光谱影像较可见光影像具有更丰富的光谱信息,可计算对森林蓄积量敏感的各类植被指数,已被广泛用于植被参数信息的提取研究,在未来森林蓄积量估测研究中具有较大的潜力14。现有研究大多以无人机获取的可见光影像为基础,对无人机载多光谱影像的尝试相对较少。本研究基于大疆精灵 4 多光谱版无人机拍摄的多光谱影像
17、,在不进行影像分割的情景下,提取研究区单波段反射率、各类植被指数、纹理特征等因子,计算标准地范围内的均值,建立云南松 Pinus yunnanensis 林蓄积量估测模型,分析其在森林蓄积量估测建模中的可行性和适用性,旨在为今后森林蓄积量的遥感估算研究提供有益的方法参考。1研究地区与研究方法1.1研究区概况研究区位于云南省昆明市富民县罗免乡(251621252526N,10220461022914E)。该地区50浙江农林大学学报2024 年 2 月 20 日属天然云南松林分布的典型区域,地势西南、西北高,东南低。属于低纬度亚热带高原季风气候区,四季温差小,干湿季分明,年平均气温为 15.8,年
18、平均降水量为 847.0mm,研究区内以典型的天然云南松纯林为主。1.2标准地调查于 2022 年 10 月在研究区内选取能充分代表林分总体特征平均水平的地块,设置大小为 25m25m 的标准地,共 63 个。对标准地内胸径5.0cm 的所有活立木进行每木定位,并测量胸径、树高、最长冠幅、最短冠幅。标准地林分因子见表 1。根据实测的胸径、树高,利用二元立木材积公式计算单木材积,在此基础上计算标准地的蓄积量。云南松林二元立木材积公式:V=0.000 058 290 117 5D1.979 634 4H0.907 151 55。其中:V 为材积(m3);D 为胸径(cm);H 为树高(m)。1.3
19、无人机多光谱影像采集及预处理大疆精灵 4 多光谱无人机作为多光谱影像采集平台,集成了 1 个可见光相机和 5 个多光谱相机 包括红光(B1)、绿光(B2)、蓝光(B3)、红边(B4)和近红外(B5)波段。于 2022 年 11 月 14 日利用大疆精灵4 多光谱无人机,采用 DJIGSPRO 地面站软件从各标准地获取多光谱影像数据。飞行高度设置为 100m,航向和旁向重叠率均设置为 85%。利用 DJITerra 软件对原始图像进行预处理,生成数字正射影像(DOM)和数字表面模型(DSM)。将 5 个单波段的合成图像在 ArcGIS 中合成为多光谱影像(影像分辨率为 5.3cm),计算所需的各
20、类特征变量。1.4特征变量提取1.4.1单波段反射率及植被指数植被指数是指多光谱遥感数据经过线性或非线性数学运算,产生能反映植被生长状况的数值,已广泛用于森林蓄积量建模反演15。提取多光谱影像中红光、绿光、蓝光、红边、近红外等 5 个波段的反射率(b1、b2、b3、b4、b5),计算蓄积量估测中常用的植被指数:归一化植被指数(NDVI),比值植被指数(RVI),差值植被指数(DVI),大气抗阻植被指数(ARVI),以及根据可见光波段计算的植被指数:过绿指数(EXG)16,绿蓝比值指数(GBRI)17,绿红比值指数(GRRI)18,归一化绿蓝差异指数(NGBDI)19,归一化绿红差异指数(NGR
21、DI)20,可见光波段差异植被指数(VDVI)21等10 个植被指数。1.4.2纹理特征在蓄积量估测中加入纹理特征有助于提高蓄积量的估算精度2224。为避免影像高频空间信息的丢失,选择较小的 33 窗口提取纹理特征25。借助 ENVI5.3 的纹理提取工具,在 33 窗口下,通过灰度共生矩阵提取纹理特征,主要包括方差(VA),均值(ME),协同性(HO),熵(EN),对比度(CO),二阶矩(SM),相异性(DI)和相关性(CC)14。5 个波段共 40 个纹理特征。1.4.3均值计算与特征变量筛选由于标准地为方形标准地,且部分样地郁闭度较低,所以以标准地中的某一点提取各特征变量值不能充分反映标
22、准地特征。本研究以标准地边界为矢量区域,借助ArcGIS 的分区统计工具计算标准地范围内各特征变量的平均值作为自变量,建立蓄积量估测模型26。可用于建立蓄积量估测模型的因子会随着研究区、数据源、成像时间等的差异而不同,在建立模型之前对蓄积量与各特征变量进行 Pearson 相关性分析,筛选与蓄积量相关性较高的特征变量构建模型。1.5蓄积量估测模型研建根据相关性分析的结果,选择在 0.01 水平与蓄积量极显著相关的特征变量为自变量,按照 73 比例随机划分训练集和测试集,采用多元线性回归(MLR)、支持向量机(SVR)、随机森林(RF)等 3 种回归方法建立蓄积量估测模型。1.6精度评价利用决定
23、系数(R2)、均方根误差(ERMS)、平均绝对误差(EMA)、平均相对误差(EMR)进行精度评价26。表1标准地林分因子汇总Table1Summaryofstandfactorsinsampleplots项目蓄积量/(m3hm2)株数平均胸径/cm平均树高/m郁闭度最小值7.90212.85.00.21最大值79.494232.614.70.79平均值41.971421.98.40.45第 41 卷第 1 期邓再春等:基于无人机多光谱影像的云南松林蓄积量估测模型512结果与分析2.1相关分析将单波段反射率、植被指数、纹理特征与蓄积量进行相关分析(表 2),5 个波段反射率中,蓄积量与 b1、b
24、2无显著相关性,与 b3呈极显著负相关(P0.01),与 b4、b5呈极显著正相关(P0.01)。表2蓄积量与单波段反射率、植被指数的相关性Table2Correlationbetweenforestvolumeandsinglebandreflectanceandvegetationindexes植被指数相关性植被指数相关性单波段反射率相关性RVI0.533*ARVI0.548*b10.126NDVI0.463*GBRI0.341*b20.194DVI0.541*GRRI0.541*b30.333*VDVI0.532*NGRDI0.117b40.342*EXG0.508*NGBDI0.310
25、*b50.381*说明:b1、b2、b3、b4、b5分别为红光、绿光、蓝光、红边、近红外反射率;*表示在 0.01(双侧)水平上极显著相关,*表示在0.05(双侧)水平上显著相关。在植被指数中,NGRDI 与蓄积量不相关,NGBDI 与蓄积量呈显著正相关(P0.05)外,其余植被指数均与蓄积量呈极显著正相关(P0.01)。如表 3 所示:在 8 个纹理特征中,HO、EN 与蓄积量的相关性较高,VA、CO、DI 次之,CC、SM、ME 与蓄积量的相关性较低。比较 5 个波段提取的纹理特征,与蓄积量显著相关的纹理特征数由大到小依次为 B5、B4、B1、B2、B3。表3蓄积量与纹理特征的相关性Tab
- 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 无人机 光谱 影像 云南 松林 蓄积 估测 模型
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。