[发明专利]一种红树林质量遥感反演方法及智能终端

说明书

本发明公开了一种红树林质量遥感反演方法及智能终端，所述方法包括：获取待监测区域的目标遥感数据以及若干组监测样本对应的监测数据，其中，每一个监测数据包括环境数据和质量数据；根据所述目标遥感数据和所述环境数据，建立所述质量数据对应的反演模型组，其中，所述反演模型组包括若干个反演模型，所述反演模型组包括遥感反演模型和协同反演模型；计算各个所述反演模型的精度，并选择精度最高的反演模型作为目标模型；基于所述目标模型，绘制所述待监测区域的红树林质量图。本发明能够提高针对红树林区域的质量监测的精度。

技术领域

本发明涉及植物监测领域，尤其涉及一种红树林质量遥感反演方法及智能终端。

背景技术

红树林是热带和亚热带海滩潮间带的木本植物群落，具有促淤造陆、防浪护堤以及维持生物多样性和全球碳平衡等功能。近几十年来，受全球气候变化和人类活动共同影响，全球红树林面积锐减。红树林面积的锐减不仅影响海陆生态系统间物质交换和全球大气构成，还减弱陆地对海平面上升的抵抗能力。因此，对红树林的保护、监测以及管理引起了多方关注。其中，对红树林质量的监测直接影响后续红树林保护工作和管理工作的部署和展开。

目前，红树林遥感监测研究主要以湿地动态及驱动力、群落分布和生物物理参量(如叶面积指数、生物量、平均冠幅、树高)监测为主。随着利用遥感技术定量反演了农作物、陆地森林与草类植物质量技术的发展，也有部分学者采用遥感技术对红树林的质量进行监测。然而上述这些模型解释性差，难以反映影响植物质量变异的敏感变量信息。主要体现在：

(1)目前的反演大多数基于某一个时期对当前的质量进行监测，默认红树林的环境在各个阶段是不变的。实际上，尽管物种和季节是影响红树植物质量遥感反演精度的重要因素，但环境因子对反演结果的精度也具有重要影响。

(2)高光谱影像波段信息丰富，但空间分辨率低，难以实现较小区域内红树植物质量的精准空间制图。红树林生长在潮间带，野外观测冠层高光谱数据的获取难度较大，大部分研究利用室内叶片高光谱数据反演红树植物质量，但景观尺度反演受到的影响更为复杂，因此室内的叶片尺度的反演模型无法推广到景观尺度上。

(3)反演方法以经验模型为主，反演机理研究薄弱，现有的方法都是基于统计回归或机器学习的经验模型，各个模型优劣性研究不足，未考虑外界环境因素对模型的影响，缺乏反演机理的研究，模型适用性较差。

因此，目前基于遥感数据，对红树林进行反演的方法在反演的精度上仍存在改进的空间。

发明内容

本发明的主要目的在于提供一种红树林质量遥感反演方法及智能终端，旨在解决现有技术中对红树林监测的精度较低的问题。

为实现上述目的，本发明提供一种红树林质量遥感反演方法，所述红树林质量遥感反演方法包括如下步骤：

获取待监测区域的目标遥感数据以及若干组监测样本对应的监测数据，其中，每一个监测数据包括环境数据和质量数据；

根据所述目标遥感数据和所述环境数据，建立所述质量数据对应的反演模型组，其中，所述反演模型组包括若干个反演模型，所述反演模型组包括遥感反演模型和协同反演模型；

计算各个所述反演模型的精度，并选择精度最高的反演模型作为目标模型；

基于所述目标模型，绘制所述待监测区域的红树林质量图。

可选地，所述的红树林质量遥感反演方法，其中，针对每一组所述监测样本，该监测样本对应的环境数据包括若干个环境因子对应的监测数值，其中，所述环境因子包括海水盐度、海水污染、土壤盐度、土壤营养和/或所述待监测区域的地形。

可选地，所述的红树林质量遥感反演方法，其中，针对每一组所述监测样本，该监测样本对应的质量数据包括叶片氮含量和叶片磷含量。