[发明专利]一种通过条带LiDAR数据升尺度估算森林生物量的方法

摘要

本发明公开了一种通过条带LiDAR数据升尺度估算森林生物量的方法，以江苏南部丘陵地区的亚热带天然次生林为方法实施对象，首先从LiDAR条带数据中提取9个特征变量并与地面估算的生物量结合反演条带内的生物量连续分布信息；然后，在条带反演结果区域内采样并与覆盖整个研究区域的Landsat OLI影像特征变量结合，从而升尺度估算整个研究区域的生物量。从而在充分挖掘遥感数据特征信息的基础上，通过一个条带的LiDAR数据在降低林场级生物量估算成本的同时，也提升了遥感方法在该尺度上的生物量估算精度。

主权项

一种通过条带LiDAR数据升尺度估算森林生物量的方法，其特征在于，包括以下步骤：1)采用Riegl LMS‑Q680i LiDAR传感器获取待检测区域内的LiDAR点云数据，传感器记录完整的激光脉冲返回波形信息，其时间采样间隔为1ns；2)在待检测区域范围内设置多个方形样地，样地调查过程中，对于胸径大于5cm的树，逐一测定单木的树种、胸径、树高和枝下高以及冠幅；根据单木调查数据汇总样地尺度的相关森林参数，包括样地尺度上的单位面积地上生物量、地下生物量；生物量信息通过异速生长方程计算单木的生物量，并汇总得到每块样地单位面积地上生物量W_A以及地下生物量W_B；3)根据LiDAR点云数据计算9个特征变量：冠层覆盖度变量c；5个高度百分位数变量：h₂₅、h₅₀、h₆₀、h₇₅、h₉₅；4个高度变量：最大高度h_max、最小高度h_min、高度变异系数h_cv以及平均高度h_mean；同时，提取出5组OLI多光谱特征变量：包括6个原始单波段特征、10个波段组合特征、10个信息增强组、18个植被指数特征以及9个纹理特征；其中，OLI多光谱特征变量已由像元尺度经均值计算转化为样地尺度；4)利用样地GPS坐标点位置，基于9景包含LiDAR特征变量信息的影像和53景包含OLI特征变量信息的影像，分别提取样地中心位置的像元值，并借助pearson’s相关系数矩阵分析特征变量之间的相关性，去除相关性高的特征变量；pearson’s相关性分析：$r=\frac{\underset{i=1}{\overset{n}{\Σ}}(x_i-{\stackrel{\‾}{x}}_i)(y_i-{\stackrel{\‾}{y}}_i)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(x_i-{\stackrel{\‾}{x}}_i)}^2\·\underset{i=1}{\overset{n}{\Σ}}{(y_i-{\stackrel{\‾}{y}}_i)}^2}}---\left(1\right)$式中：x_i为地面实测的某林分特征；y_i为某特征变量；为x_i的平均值；为y_i的平均值；将地面实测汇总的生物量信息作为因变量，遥感方法提取的特征变量作为自变量，建立多元回归模型；运用逐步进入法和检验决定系数R²的变化情况来选择进入模型的合适变量；如果有自变量使统计量F值过小并且T检验达不到显著水平，则予以剔除；F值较大且T检验达到显著水平则得以进入；通过控制因子κ进一步筛选模型；κ通过PCA分析计算相关关系矩阵得到，其值低于30则表明自变量之间相关性较低；采用决定系数R²、均方根误差RMSE和相对均方根误差rRMSE评价回归模型的精度，计算公式为：$R^2=1-\frac{\underset{i=1}{\overset{n}{\Σ}}{(x_i-{\hat{x}}_i)}^2}{\underset{i=1}{\overset{n}{\Σ}}{(x_i-{\stackrel{\‾}{x}}_i)}^2}---\left(2\right)$式中：x_i为地面实测的某林分特征；为x_i的平均值；为模型估算的某林分特征；n为样地数量；$RMSE=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(x_i-{\hat{x}}_i)}^2}---\left(3\right)$$rRMSE=\frac{RMSE}{{\stackrel{\‾}{x}}_i}\×100\%---\left(4\right)$