Inversion exploration on forest aboveground biomass of optical and SAR data supported by parameter optimization method
-
摘要:目的 森林是整个陆地碳循环系统中最大的有机碳贮库，准确地估测森林地上生物量影响着全球碳源与碳储量的分析与评价。本文旨在评价利用Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR 3组不同源遥感数据估测森林AGB的潜力，进而剖析光学数据和SAR数据在估测森林AGB方面的差异。方法 首先对Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR数据分别提取波段比值、植被指数、纹理信息，对ALOS-1 PALSAR-1SAR数据同时提取极化分解信息；然后，利用随机森林算法对不同数据提取的特征参数进行重要性排序，选择排序靠前的特征进行建模；最后，利用KNN-FIFS算法分析不同特征组合，对4组数据建立4个模型估测森林AGB，并使用留一交叉验证法对4个模型估测森林AGB值进行精度评价。结果 使用植被因子、波段比值、纹理因子、极化分解信息4种特征参数分别对3组数据进行建模估测森林AGB，基于Landsat8 OLI数据反演森林AGB的精度评价结果为R2 = 0.50，RMSE = 33.34 t/hm2；基于高分一号数据估测精度为R2 = 0.36，RMSE = 37.60 t/hm2；基于PALSAR纹理特征估测精度为R2 = 0.45，RMSE = 35.40 t/hm2；基于PALSAR全极化分解信息估测精度为R2 = 0.63，RMSE = 28.84 t/hm2。结论 参数提取方法相同时，即基于植被因子、波段比值、纹理信息3种特征参数估测森林AGB，其光学数据和SAR数据的反演潜力基本一致；参数提取方法不同时，即SAR数据加入极化分解信息估测森林AGB，与光学数据相比，SAR数据对森林AGB的反演潜力较好。Abstract:Objective Forest is the largest storage of organic carbon in the whole terrestrial carbon cycle system. Accurate estimation of forest aboveground biomass (AGB) is essential for global carbon storage analysis and estimation. This paper aims to explore the potential of optical and synthetic aperture radar (SAR) data for forest AGB inversion. In this study, Landsat8 OLI, GF-1 data were selected as optical data and advanced land observing satellite (ALOS)-1 phased array type L-band synthetic aperture radar (PALSAR)-1 data was selected as SAR data.Method Firstly, band ratio parameters, vegetation index parameters, and texture information were extracted from Landsat8OLI, gaofen-1 optical data and ALOS-1 PALSAR-1 SAR data, respectively. While polarization decomposition information was also extracted from ALOS-1 PALSAR-1 SAR data. Then these parameters extracted from different remote sensing data were sorted according to their importance by random forest (RF) algorithm. Finally, fast iterative feature selection method for k-nearest neighbor (KNN-FIFS) algorithm was used to analyze different feature combinations, and four models were constructed to estimate forest AGB and a cross-validation method was applied for result validation.Result These remote sensing data were modeled to estimate forest AGB using four characteristic parameters: vegetation factor, band ratio, texture factor and polarization decomposition information. For parameters extracted from vegetation factor, band ratio, texture factor, Landsat8 OLI data performed best than GF-1 and PALSAR-1 data with R2 = 0.50, RMSE = 33.34 t/ha. For GF-1 data, R2 was 0.36, RMSE was 37.60 t/ha, R2 was 0.45, RMSE was 35.40 t/ha for PALSAR-1 data. However, for parameters extracted from polarization decomposition, PALSAR-1data showed better performance with R2 = 0.63 and RMSE = 28.84 t/ha.Conclusion When the parameter extraction methods are the same, the forest AGB inversion potentials of the optical and SAR data are similar. However, when the parameter extraction method is different, for example, using polarization decomposition to extract parameters, the SAR data show better performance for forest AGB inversion.
-
Keywords:
- forest biomass /
- feature selection /
- KNN-FIFS
-
20世纪以来，以遥感影像作为主要信息源，可以对林分以及单木层次上的森林结构参数进行精准测量、制图和数字化表达，进而对森林资源状况及其动态变化进行全面、快速、有效监测和评估。高分辨率遥感影像可以更加清晰地表达地物目标的空间结构，纹理特征和地物边缘信息，树冠的大小、形态以及光谱信息，是树冠轮廓自动识别的基本特征，也是建立众多林分模型的重要因子[1-2]。传统的图像分析方法是在像元层次上进行的基于影像光谱特征的信息提取，这种方式是建立在统计模式下而不是空间模式下，易出现“椒盐现象”，分辨率越高、这种现象越严重，会造成空间数据的大量冗余和资源浪费。
为充分利用高分辨率遥感影像丰富的空间信息，实现信息的准确提取，面向对象的遥感影像信息提取技术应运而生，这种方法充分利用了对象的光谱、形状、纹理等信息，以最小单元为分割对象，可以在很大程度上减少“椒盐现象”的出现，提高分析精度[3]。单木树冠识别和勾绘很重要的一个途径就是图像分割，主要是以树冠的辐射传输模型为理论基础，其核心思想是树冠中心点的亮度值大，而树冠边界点的亮度低。常用的方法主要有局部最大值法、模板匹配法、区域增长法、分水岭算法等[4-10]。但是对于高郁闭度林分，树冠之间有粘连重叠的现象，无法简单利用树冠边缘灰度值突变的思想进行树冠分割，需要从影像所表现的几何形状、尺寸和空间格局等角度进行单木冠幅提取，提高树冠识别的精度[11-13]。
高空间分辨率遥感影像具有高空间分辨率和低光谱分辨率的特点，影像中地物在光谱空间中表现出类间差异小、类内差异大和视觉对比度差，因此在图像分割之前先进行增强处理，一方面可以增强图像对比度，将地物目标与背景环境之间的差异拉大，另一方面可以滤除大部分的噪声对分割结果的影响。小波变换具有频域与时域二维分辨率的特点，同时具有多尺度的特征，能够从不同尺度上对图像进行理解和表达，因此在遥感影像处理中得到了广泛应用[14-17]。应用高分影像，使用面向对象的多尺度分割方法提取树冠信息，已有很多研究[18-20]，但是针对不同平台高分影像特征的相似性和差异性，树冠提取方法的适宜性研究较少。已有研究表明，在不同空间分辨率影像下地物面积提取精度存在差异[21-23]，但多数都是采用重采样后影像而不是真实尺度下的遥感影像，这种方式会对影像的空间和光谱信息造成损失或失真，影响研究结论[24-25]。
本文以高分影像下单木树冠分割提取为研究目的，进行不同影像的空间尺度响应研究。选用3种不同平台下的高分辨率遥感影像（空间分辨率分别为0.03 m、0.2 m和1 m），对研究区内主要人工林树种进行树冠提取实验，首先对低空无人机CCD和机载CCD影像进行小波变换增强处理，然后采用面向对象的多尺度分割方法进行单木树冠提取；在对GF-2影像进行影像融合后，直接以多尺度分割方法进行树冠分割，最后结合3种平台影像下的单木分割精度，分析不同空间尺度遥感影像对单木树冠识别及其面积提取精度的影响规律，讨论在不同林业调查目标下该方法的应用价值。
1. 研究区与数据
1.1 研究区概况
广西国有高峰林场位于南宁市兴宁区，地理坐标为22°48′48″ ~ 23°03′34″N、108°07′55″ ~ 108°32′53″E，所在区域为大明山余脉，属低山丘陵地貌，地势东北高、西南低，呈东北—西南走向，海拔高度70 ~ 500 m，坡度20° ~ 35°，经营面积近800 km2，森林蓄积量超430万m3，是广西规模最大的国有林场。林场内人工林的主要树种是桉树（Eucalyptus robusta）和杉木（Cunninghamia lanceolata）。为了验证本文算法的普遍性和实用性，桉树和杉木实验区选择在密林区（郁闭度 > 0.7）。研究区示意图见图1。
1.2 数据获取
1.2.1 实地调查数据
在高峰林场内选择杉木纯林和桉树纯林作为实验区，均设立边长30 m × 30 m大小的样地，在2018年1月16日至2月5日开展地面样地数据的调查，每种树种随机选取45株树木作为验证数据，利用皮尺测定每棵树的东西及南北两个方向冠幅，并计算两个方向冠幅的平均值作为树冠直径；同时利用全站仪对实验区内的树木进行单木定位，方便之后处理分析时对应查找。同时记录样地的坐标、坡度、坡向，以及样地内树种的胸径、树高、枝下高等数据。桉树实验区树木平均胸径为11.7 cm，平均树高为17.8 m，平均冠幅为2.8 m；杉木实验区树木平均胸径为21.2 cm，平均树高为15.4 m，平均冠幅为3.9 m。
1.2.2 影像数据
低空无人机CCD影像是采用iFly D6电动多旋翼无人机搭载iCam Q2倾斜摄影相机进行拍摄，拍摄时间为2018年2月，实际飞行航高约为180 m，数据获取当天晴朗无风、阳光充足。影像分辨率为0.03 m，采用China Geodetic Coordinate System 2000大地坐标系，高斯克吕格3度带投影，通过三维实景建模软件ContextCapture Center输出正射影像。
机载CCD影像是由中国林业科学研究院LiCHy（LiDAR、CCD and Hyperspectral）机载遥感系统采集提供，由德国IGI公司集成，数据由运-12飞机搭载传感器飞行获取，拍摄时间为2018年1月，实际飞行航高约为1 000 m，数据获取当天晴朗少云。影像分辨率为0.2 m，数据坐标系统设定为UTM-North投影，WGS-84坐标系。
GF-2影像分为全色影像和多光谱影像，全色影像分辨率为1 m，多光谱影像分辨率为4 m，包括红、绿、蓝、近红外4个波段，获取时间为2018年8月。在对GF-2影像进行面向对象分割之前，为了消除遥感数据误差，提高解译精度，需对影像数据进行预处理。预处理过程主要包括几何正射校正、图像融合、几何精校正、影像裁剪。本研究结合DEM数据，利用RPC物理模型对全色影像及多光谱影像进行正射校正，并采用NNDiffuse Pan Sharpening方法对全色波段和多光谱波段进行融合，融合后影像空间分辨率为1 m。
2. 原理与方法
首先对3种平台下的影像预处理得到正射影像，采用小波变换对图像进行增强处理，通过定量分析评价图像增强效果，然后应用面向对象的多尺度分割方法进行单木树冠提取，最后结合外业实测数据计算提取精度。方法流程如图2所示。
2.1 图像增强
小波变换的基本原理：若傅里叶变换
ˆΨ(ω) 能够满足容许条件，Ψ(t)=∫R|ˆΨ(ω)|2|ω|dω<∞ ，则称Ψ(t) 为一基本小波母函数。小波母函数Ψ(t) 经伸缩和平移后得到连续小波函数Ψa,b(t) ，a为伸缩因子，b为平移因子[14]。小波变换的实质就是用一族小波函数去表示信号或函数。图像经过小波变换之后，每层分解尺度中分别得到4个子图像（图3）。LL为低频部分，代表图像的近似信息，也就是主要内容信息；HL、LH和HH是高频部分，分别代表图像水平方向、垂直方向和对角线方向的细节信息。图像的低频部分保存的是图像的轮廓信息，而高频保存的是图像的细节信息，图像中大部分的噪声和一些边缘细节都属于高频子带，而低频子带主要表征图像的近似信号。为了能够在增强图像的同时减少噪声的影响，可以对低频子带进行图像增强，用以增强目标的对比度，抑制背景；对高频部分进行小波去噪处理，减少噪声对图像的影响。![]()
图 3 小波分解示意图LL. 近似信息；HL. 水平细节信息；LH. 垂直细节信息；HH. 对角线细节信息。LL represents approximate information; HL represents horizontal detail information; LH represents vertical detail information; HH represents diagonal detail information.Figure 3. Wavelet decomposition diagram2.2 多尺度分割
为了提高单木树冠提取精度，实验首先排除背景区域干扰，然后针对树冠区域进行面向对象的分割。经过小波增强变换后，图像内部的树冠区域与非树冠区域的灰度值差异明显增大，因此可以采用阈值法进行树冠区域与非树冠区域的区分。阈值法的基本思想是寻找一个合适的阈值将前景和背景按照像素灰度值的大小进行分类，灰度值大于阈值归为前景（树冠），小于阈值归为背景（非树冠区域）。
多尺度分割的思想是自下而上，逐级合并。它是以图像中任一像元作为中心点，将这个像元周围异质性最小的像元集合合并成一个对象单元，然后再把这些小单元逐渐聚合成一个较大对象的过程。在这个过程中，尺度参数、形状参数、紧致度参数是需要多次试验进行确定的参数。
2.3 冠幅面积计算
影像和实地调查的树冠面积（S）计算公式[26]为：
S=π(RSN+REW)216 (1) 式中：RSN和REW分别表示树木的树冠南北冠幅和东西冠幅。
2.4 精度分析
精度验证分为单木分割精度和冠幅估测精度两个部分。若某个野外实测树木在分割结果中不存在或者在该区域出现了多个分割树冠，则判定为错误分割，正确分割的树木的百分占比即为单木分割精度；根据3种影像下的单木分割结果以及外业实测冠幅大小，结合公式（2）、（3），计算冠幅估测精度。
δ=|LM−LT|LT×100% (2) 式中：LT为真实值，即外业观测值；LM为面向对象分割结果值；δ为冠幅估测相对误差。
冠幅估测精度（R）计算公式：
R=n∑i=1(1−δi)/n (3) 式中：n为树木个数，δi为第i个树木的相对误差。
3. 结果与分析
3.1 小波增强效果
小波变换不同于傅里叶变换，根据小波母函数的不同，小波变换的结果也不尽相同。由于正交小波函数sym4进行分解时具有正交性和数据冗余最小的优点，因此本文选用sym4对图像进行处理。首先对研究区的影像进行小波二层分解，得到低频系数（近似）和高频系数（细节）；然后对低频系数进行增大，对高频系数进行缩小；最后对高频系数和低频系数进行小波系数重构，得到的图像结果突出了轮廓，弱化了细节，从而达到图像增强的效果。以图4为例，将原影像进行小波分解以后，设置系数阈值，如果低频系数大于系数阈值，则将该值增大2倍，以增强轮廓信息；若高频系数小于系数阈值，则缩小为原影像的一半幅度，来弱化图像内部噪声。通过多次对比实验，为不同影像设定不同的小波系数阈值，结果详见表1。图5是桉树和杉木在3种影像下进行小波增强变换得到的结果。本文对图像增强效果进行定量分析，主要采用图像均值、标准差和边缘强度3个参量，结果如表1所示。
表 1 统计特征Table 1. Statistical characteristics树种 Species 影像 Image 小波阈值系数
Wavelet threshold coefficient边缘强度
Edge strength均值
Mean标准差
Standard deviation杉木
Cunninghamia lanceolata机载原始影像 Airborne original image 237 34.19 42.17 34.44 增强后影像 Enhancement image 70.83 78.85 68.19 桉树
Eucalyptus robusta机载原始影像 Airborne original image 306 23.88 39.69 38.91 增强后影像 Enhancement image 85.20 65.42 70.47 杉木
Cunninghamia lanceolata无人机原始影像 UAV original image 280 47.66 53.76 49.02 增强后影像 Enhancement image 90.91 95.94 99.49 桉树
Eucalyptus robusta无人机原始影像 UAV original image 500 36.38 64.19 64.89 增强后影像 Enhancement image 102.78 102.77 118.79 杉木
Cunninghamia lanceolataGF-2原始影像 GF-2 original image 1 050 150.35 131.40 103.17 增强后影像 Enhancement image 118.15 133.01 98.74 桉树
Eucalyptus robustaGF-2原始影像 GF-2 original image 1 070 169.32 120.19 116.64 增强后影像 Enhancement image 151.76 122.49 106.67 ![]()
图 4 原始影像及不同小波阈值处理后影像Figure 4. Original image and different wavelet threshold processed images![]()
图 5 不同平台影像小波增强变换效果Figure 5. Wavelet enhancement transform effects for different platform images从表1可以看出，机载影像和低空无人机影像经过小波增强后的图像的均值相较于原图明显增加，有良好的视觉效果；标准差的增大说明图像对比度增强；边缘强度，实质上是边缘点梯度的幅值，边缘强度越大表明图像轮廓信息越明显，经过小波增强后的图像的边缘强度显著增大，说明图像轮廓信息得到明显增强；GF-2增强后影像边缘强度和标准差的结果反而有所降低，均值变化不明显。实验结果表明：本文方法在机载和低空无人机影像上增强效果明显，为后续图像分割奠定了基础；针对GF-2影像增强统计结果，并结合影像自身特点进行分析，该影像空间分辨率为1 m，相比于其他两种平台下的影像分辨率，每棵树在影像上所包含的像元数量较少，且单木树冠有着明显的灰度最大值，周围像素依次递减，树冠与背景对比度明显，因此不需要对其进行小波增强变换处理来进行树冠内部噪声去除和增强轮廓。此外，为了更好地描绘树冠大小及边界，在小波系数阈值设定结果上可以发现，阈值的大小在不同树种和平台影像上有一定的变化规律，即在同一平台下桉树影像小波系数阈值高于杉木影像，同一区域在不同平台下阈值设定大小顺序依次为GF-2影像、低空无人机影像、机载影像。
3.2 多尺度分割提取树冠
本实验树冠分割的具体方法如下：
（1） 首先，通过树冠和背景区域多个分割对象的选取，查看其阈值分布范围，然后设定影像中树冠与背景区域之间灰度阈值界限，对分割结果进行阈值分类，结果如图6所示，绿色为树冠区域。
（2） 在分类后的树冠区域进行多尺度分割，设置尺度参数、形状参数和紧致度参数，对单木树冠进行精细分割，最终分割结果与原图像叠加显示如图6所示，外业实测的单木位置在图中以黄色标记显示。
相关分割参数及规则设置详见表2。
表 2 面向对象树冠分割参数Table 2. Object-oriented tree crown segmentation parameters项目
Item分割参数
Segmentation parameter机载影像 Airborne image 无人机影像 UAV image GF-2影像 GF-2 image 杉木Cunninghamia lanceolata 桉树Eucalyptus robusta 杉木Cunninghamia lanceolata 桉树Eucalyptus robusta 杉木Cunninghamia lanceolata 桉树Eucalyptus robusta 阈值分类
Threshold classification灰度阈值 Gray threshold > 70 > 82 > 105 > 125 > 35 > 85 单木树冠分割
Individual tree crown segmentation分割尺度 Segmentation scale 18 12 120 130 4 4 形状 Shape 0.9 0.9 0.9 0.9 0.9 0.9 紧致度 Compactness 0.5 0.9 0.9 0.8 0.7 0.8 3.3 结果验证与分析
树冠提取的单木分割精度及冠幅估测精度详见表3。由表3可知，GF-2影像无论是单木分割精度还是冠幅估测精度都明显低于其他两种影像。这与影像自身分辨率密切相关，实验区树木平均冠幅不超过4 m，GF-2影像空间分辨率为1 m，每棵树木在影像中包含的像元数量少，无法对较小树木进行有效地探测，得到树冠的形状和边界的准确描绘难度较大，从而影响了提取精度。在机载和无人机影像下单木分割精度和冠幅估测精度结果相接近，但是在处理过程中发现，在空间分辨率为厘米级的无人机影像下，仍然对林下灌草或者其他植被进行了清楚的拍摄，通过灰度阈值对树冠和背景区域进行分类的效果不佳，而机载影像适宜的空间分辨率避免了这一问题；此外，机载影像获取范围更广，数据量更小，处理速度更快。从表3中还可以发现，杉木树冠提取精度优于桉树，这是因为杉木的树冠轮廓在影像上显示更加清晰，无论是在图像增强还是单木分割上都能提高对树冠边界和大小描绘的准确性。
表 3 单木树冠提取精度分析Table 3. Accuracy analysis on extracted individual tree crown项目
Item树种
Species树木总株树
Total number
of trees正确分割株数
Correct segmentation
number of trees单木分割精度
Tree crown segmentation accuracy/%相对误差均值
Relative error mean/%冠幅估测总精度
Tree crown estimation accuracy/%机载影像
Airborne image杉木 Cunninghamia lanceolata 45 41 91.1 15.6 84.4 桉树 Eucalyptus robusta 45 40 89.0 16.1 83.9 无人机影像
UAV image杉木 Cunninghamia lanceolata 45 42 93.3 14.9 85.1 桉树 Eucalyptus robusta 45 39 87.0 15.8 84.2 GF-2影像
GF-2 image杉木 Cunninghamia lanceolata 45 40 89.0 26.7 73.3 桉树 Eucalyptus robusta 45 37 82.0 27.7 72.3 4. 结论与讨论
本文针对米级、亚米级和厘米级的遥感影像，首先采用小波变换对图像进行增强处理，然后结合多尺度分割下树冠的提取精度，进行影像适宜性分析和评价。主要结论：（1） 高分辨率影像在增强地物信息的获取能力的同时，地物信息呈现高度细节化，树冠与背景区域对比度不明显，处理结果中存在“椒盐现象”，因此引入小波变换对影像进行增强处理，针对不同影像提出了适合的小波增强变换参数，同时对增强效果进行定量分析，亚米级和厘米级影像的均值、标准差和边缘强度显著提升，说明在这两种尺度的影像下该方法能够有效增强树冠轮廓，弱化树冠内部细节；同样对米级影像进行增强处理，所得结果显示该方法并不适用于这种尺度的影像；（2） 对亚米级和厘米级影像小波增强变换后，排除背景区域的干扰，针对树冠区域进行单木树冠分割，得到杉木冠幅估测精度可达84.4%，桉树因其相对不清晰的树冠轮廓使得在估测精度上略低于杉木；（3） 对3种尺度的影像进行单木树冠分割，提出了适合的分割参数，得到的精度均能满足应用需求；米级影像的空间分辨率在单木识别和描绘树冠形态上有很大的局限性，因此杉木和桉树应用厘米级和亚米级影像可以达到更好的精度，相比于米级影像冠幅估测精度均可以提高10%以上，且获取这两种影像无论是从天气还是时间上都更加灵活，适合专业的科研学者精细调查使用，从另一个角度来看，米级影像下的提取精度也能够满足森林调查的基本需求；近几年来，随着更高空间分辨率的商用卫星陆续发射成功，如果需要一次性对大范围的森林信息进行获取，卫星影像具有很大的应用价值。
本文的研究仍存在以下不足：（1） 亚米级和厘米级影像下冠幅估测精度可达84.4%以上，证明这两种影像的空间分辨率具备准确描绘树冠大小及轮廓的能力，但树冠提取与实测数据相比仍存在偏差，一是可能外业测量冠幅大小的过程中，在树冠存在连续或者遮挡的情况下存在一定视觉误差，二是树冠区域涵盖灌草植被，影响最终精度；（2） 即使对影像进行正射校正处理，仍不能解决由摄影角度误差、地物纹理贴合不准确导致的树冠几何形变问题，从而影响最终的提取精度，在今后的研究中需要在影像几何纠正方法上进一步探讨；（3） 在本研究实验处理过程中，小波系数阈值、图像分割等参数是进行多次试验后手动设定，在后续的研究中应探究阈值系数大小选取依据以及参数自适应调节算法提高实验效率；（4） 本次研究的3种影像的空间分辨率相差10倍左右，在接下来的工作中，结合本文研究结果，寻找出最佳尺度的遥感影像，并将合适的影像应用在不同地理位置、生长状况以及生态环境的人工林中，以树冠参数为基础建立胸径、森林郁闭度、材积等林分模型，降低林业调查成本，提高研究效率。
-
表 1 ALOS PALSAR-1 影像主要参数
Table 1 Main parameters of ALOS PALSAR-1 images
成像时间
Acquisition time极化方式
Polarization way入射角
Incidence angle/(°)波长
Wavelength/m距离向分辨率
Range resolution/m方位向分辨率
Azimuth resolution/m卫星飞行轨道
Satellite orbit2011−04−12 HH, HV, VH, VV 23.799 0.236 9.368 3.554 升轨 Rail lifting 注：HH表示发射和接收的都为水平极化的电磁波；HV表示发射的电磁波为水平极化，接收的电磁波为垂直极化；VH表示发射的电磁波为垂直极化，接收的电磁波为水平极化；VV表示发射和接收的都为垂直极化的电磁波。Notes: HH, transmitting and receiving both with horizontal polarization; HV, transmitting with horizontal polarization and receiving with vertical polarization; VH, transmitting with vertical polarization and receiving with horizontal polarization; VV, transmitting and receiving both with vertical polarization. 
下载: 导出CSV
表 2 3种数据源重要参数
Table 2 Major parameters of three data sources
数据源 Data source 重要参数 Major parameter OLI DVI, MEgree, PVI, CONSWIR1, VARSWIR1 GF HOMONIR, DISNIR, ENNIR, CONNIR, CORNIR PALSAR纹理 PALSAR texture VHME, HHME, VVME, VARVH, DISHV PALSAR全极化分解特征 PALSAR full polarimetric decomposition characteristics Yamaguchi4_vo1_dB, Yamaguchi4_vo1, Yamaguchi4_h1x_dB,
Yamaguchi4_Odd_dB, T22注：OLI为Landsat-8 OLI；GF为高分一号数据；DVI为差值植被指数；MEgree为绿光波段的均值纹理信息；PVI为正交植被指数；CONSWIR1、VARSWIR1分别为短波红外波段的对比度纹理信息、方差纹理信息；HOMONIR、DISNIR、ENNIR、CONNIR、CORNIR分别为近红外波段的均匀性纹理信息、相异性纹理信息、熵纹理信息、对比度纹理信息、相关性纹理信息；VHME、HHME、VVME分别为VH、HH、VV极化通道信息的均值纹理特征；VARVH为VH极化通道信息的方差纹理信息；DISHV为HV极化通道信息的相异性纹理信息；Yamaguchi4_vo1_dB、Yamaguchi4_vo1、Yamaguchi4_h1x_dB、Yamaguchi4_Odd_dB分别为Yamaguchi4分量分解中体散射分量分贝化结果、体散射分量、螺旋散射分量分贝化结果、表面散射分量分贝化结果；T22为相干矩阵中的一个元素。Notes: OLI is the Landsat-8 OLI data; GF is the Gaofen-1 data; DVI is the differential vegetation index; MEgree is the mean texture of green band; PVI is the perpendicular vegetation index; CONSWIR1 and VARSWIR1 are the contrast texture and variance texture of the short-wave infrared band, respectively; HOMONIR, DISNIR, ENNIR, CONNIR, CORNIR are the homogeneity texture, dissimilarity texture, entropy texture, contrast texture, correlation texture of the near-infrared band, respectively; VHME, HHME, VVME are the mean texture of polarization channel of VH, HH, VV, respectively; VARVH is the variance texture of VH channel; DISHV is the dissimilarity texture of the HV channel; Yamaguchi4_vo1_dB, Yamaguchi4_vo1, Yamaguchi4_h1x_dB, Yamaguchi4_Odd_dB are the decibel results of volume scattering component, volume scattering component, helix scattering component and surface scattering component in the decomposition of Yamaguchi4 component decompositions, respectively; T22 is an element in the coherence matrix.
下载: 导出CSV
表 3 特征组合
Table 3 Feature combination
数据源
Data sourceK 窗口大小
Size of the window特征组合
Combination of feature vectorOLI 8 11 × 11 DVI, VARSWIR1, CONgreen, MEgree GF 3 3 × 3 HOMONIR, NIR, CONNIR PALSAR纹理 PALSAR texture 9 7 × 7 HHME, VVME PALSAR全极化分解特征
PALSAR full polarimetric decomposition characteristics3 7 × 7 alpha, T23_imag, Freeman_Odd, anisotropy, T33, T12_real 注：DVI为差值植被指数；VARSWIR为短波红外波段swir1的方差纹理信息；CONgree、MEgree为绿光波段的对比度纹理信息、均值纹理信息；HOMONIR、NIR、CONNIR为近红外波段的均匀性纹理信息、光谱信息、对比度纹理信息；HHME为HH极化通道信息的均值纹理特征；VVME为VV极化通道信息的均值纹理特征；alpha为H-A- ¯α 分解中的平均散射角；T23_imag为相干矩阵中T23分量的虚部；Freeman_Odd为Freeman三分量分解的表面散射分量；anisotropy为H-A-¯α 分解中的极化各向异质性；T33为相干矩阵中的一个分量；T12_real为相干矩阵中T12分量的实部。Notes: DVI is the differential vegetation index; VARSWIR1 is the variance texture of the short-wave infrared band; CONgree and MEgree are the contrast texture and mean texture of green band, respectively; HOMONIR, NIR and CONNIR are the homogeneity texture, spectral information and the contrast texture of the near-infrared band, respectively; HHME and VVME are the mean texture of polarization channel of HH and VV, respectively; alpha is the average scattering angle of H-A-¯α decomposition; T23_imag is the imaginary part of the T23 component in the coherence matrix; Freeman_Odd is the surface scattering component of Freeman-Durden 3 components decomposition; anisotropy is the polarimetric anisotropy of the H-A-¯α decomposition; T33 is a component of the component matrix; T12_real is the real part of the T12 component of the coherence matrix.
下载: 导出CSV
-
[1] 陶玉华. 森林生态系统碳储量研究的意义及国内外研究进展[J]. 现代农业科技, 2012(9):205, 212. Tao Y H. Research significance of carbon storage of forest ecosystem and research progress at home and abroad[J]. Modern Agricultural Sciences and Technology, 2012(9): 205, 212.
[2] 杨洪晓, 吴波, 张金屯, 等. 森林生态系统的固碳功能和碳储量研究进展[J]. 北京师范大学学报(自然科学版), 2005, 41(2):172−177. doi: 10.3321/j.issn:0476-0301.2005.02.018. Yang H X, Wu B, Zhang J T, et al. Progress of research into carbon fixation and storage of forest ecosystems[J]. Journal of Beijing Normal University (Natural Science), 2005, 41(2): 172−177. doi: 10.3321/j.issn:0476-0301.2005.02.018.
[3] Lu D S, Chen Q, Wang G X, et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems[J]. International Journal of Digital Earth, 2014, 9(1): 63−105.
[4] 韩宗涛, 江洪, 王威, 等. 基于多源遥感的森林地上生物量KNN-FIFS估测[J]. 林业科学, 2018, 54(9):70−79. doi: 10.11707/j.1001-7488.20180909. Han Z T, Jiang H, Wang W, et al. Forest above-ground biomass estimation using KNN-FIFS method based on multi-source remote sensing data[J]. Scientia Silvae Sinicae, 2018, 54(9): 70−79. doi: 10.11707/j.1001-7488.20180909.
[5] 李春梅. 基于多源数据的森林地上生物量估测方法研究[D]. 昆明: 西南林业大学, 2016. Li C M. A study of the retrieval methods of forest above ground biomass based on multi-source data[D]. Kunming: Southwest Forestry University, 2016.
[6] 李春梅, 张王菲, 李增元, 等. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3):64−72. Li C M, Zhang W F, Li Z Y, et al. Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia[J]. Journal of Beijing Forestry University, 2016, 38(3): 64−72.
[7] 庞勇, 李增元, 谭炳香, 等. 点云密度对机载激光雷达林分高度反演的影响[J]. 林业科学研究, 2008, 21(增刊): 14−19. Pang Y, Li Z Y, Tan B X, et al. The effects of airborne LiDAR point density on forest height estimation[J]. Forest Research, 2008, 21(Suppl.): 14−19.
[8] 刘清旺, 李增元, 陈尔学, 等. 机载LIDAR点云数据估测单株木生物量[J]. 高技术通讯, 2010, 20(7):765−770. doi: 10.3772/j.issn.1002-0470.2010.07.019 Liu Q W, Li Z Y, Chen E X, et al. Estimating biomass of individual trees using point cloud data of airborne[J]. Chinese High Technology Letters, 2010, 20(7): 765−770. doi: 10.3772/j.issn.1002-0470.2010.07.019
[9] 穆喜云, 张秋良, 刘清旺, 等. 基于激光雷达的大兴安岭典型森林生物量制图技术研究[J]. 遥感技术与应用, 2015, 30(2):220−225. Mu X Y, Zhang Q L, Liu Q W, et al. A study on typical forest biomass mapping technology of Great Khingan using airborne laser scanner data[J]. Remote Sensing Technology and Application, 2015, 30(2): 220−225.
[10] 陈尔学. 合成孔径雷达森林生物量估测研究进展[J]. 世界林业研究, 1999, 12(6):18−23. doi: 10.3969/j.issn.1001-4241.1999.06.004 Chen E X. Development of forest biomass estimation using SAR data[J]. World Forestry Research, 1999, 12(6): 18−23. doi: 10.3969/j.issn.1001-4241.1999.06.004
[11] 张王菲, 陈尔学, 李增元, 等. 干涉、极化干涉SAR技术森林高度估测算法研究进展[J]. 遥感技术与应用, 2017, 32(6):983−997. Zhang W F, Chen E X, Li Z Y, et al. Development of forest height estimation using InSAR/PolInSAR technology[J]. Remote Sensing Technology and Application, 2017, 32(6): 983−997.
[12] Pu L, Zhang X L, Shi J, et al. Adaptive filtering for 3D SAR data based on dynamic gaussian threshold[C]// Proceedings of the 6th Asia-Pacific Conference on Synthetic Aperture Radar (APSAR). Xiamen: IEEE, 2019.
[13] 张王菲. 星载SAR遥感反演中地形辐射校正的关键技术研究[D]. 昆明: 昆明理工大学, 2011. Zhang W F. Study on the key techniques of terrain radiometric correction in spaceborne SAR remote sensing inversion[D]. Kunming: Kunming University of Science and Technology, 2011.
[14] 杨浩. 基于时间序列全极化与简缩极化SAR的作物定量监测研究[D]. 北京: 中国林业科学研究院, 2015. Yang H. Study on quantitative crop monitoring by time series of fully polarimetric and compact polarimetric Sar imagery[D]. Beijing: Chinese Academy of Forestry, 2015.
[15] 陈传国. 东北主要林木生物量手册[M]. 北京: 中国林业出版社, 1989. Chen C G. Manual of main forest biomass in Northeast China[M]. Beijing: China Forestry Publishing House, 1989.
[16] Haralick R M. Statistical and structural approaches to texture[J]. Proceedings of the IEEE, 1979, 67(5): 786−804. doi: 10.1109/PROC.1979.11328
[17] Tuominen S, Pekkarinen A. Performance of different spectral and textural aerial photograph features in multi-source forest inventory[J]. Remote Sensing of Environment, 2005, 94(2): 256−268. doi: 10.1016/j.rse.2004.10.001
[18] Chica-Olmo M, Abarca-Hernández F. Computing geostatistical image texture for remotely sensed data classification[J]. Computers & Geosciences, 2000, 26(4): 373−383.
[19] 张腊梅, 段宝龙, 邹斌. 极化SAR图像目标分解方法的研究进展[J]. 电子与信息学报, 2016, 38(12):3289−3297. Zhang L M, Duan B L, Zou B. Research development on target decomposition method of polarimetric SAR image[J]. Journal of Electronics and Information Technology, 2016, 38(12): 3289−3297.
[20] Breiman L. Random forests[D]. Berkeley: University of California, 2001: 5−26
[21] 李欣海. 随机森林模型在分类与回归分析中的应用[J]. 应用昆虫学报, 2013, 54(4):1190−1197. doi: 10.7679/j.issn.2095-1353.2013.163 Li X H. Using “random forest” for classification and regression[J]. Chinese Journal of Applied Entomology, 2013, 54(4): 1190−1197. doi: 10.7679/j.issn.2095-1353.2013.163
[22] 苏瑞雪, 汤玉奇. 光学-极化SAR影像特征融合与分类[J]. 测绘与空间地理信息, 2019(6):51−55. doi: 10.3969/j.issn.1672-5867.2019.06.014 Su R X, Tang Y Q. Feature fusion and classification of optical-PolSAR images[J]. Geomatics & Spatial Information Technology, 2019(6): 51−55. doi: 10.3969/j.issn.1672-5867.2019.06.014
[23] 范亚雄. 星载X-波段干涉SAR森林高度估测方法研究[D]. 北京: 中国林业科学研究院, 2019. Fan Y X. Study on forest height estimation method of spaceborne X- band interferometric SAR[D]. Beijing: Chinese Academy of Forestry, 2019.
-
期刊类型引用(3)
1. 张露月，刘艳红，韩冬青. 连香树雌雄株生长及适应性策略差异. 北京林业大学学报. 2024(12): 71-81 . 
本站查看
2. 亢红伟，岳康杰，刘慧欣，王佳丽，田旭平. 性别和叶形对圆柏气体交换参数和叶绿素荧光特征的影响. 植物科学学报. 2024(06): 791-799 . 百度学术
3. 孙晓伟，王兴昌，孙慧珍，全先奎，杨青杰. 雌雄异株树种山杨、水曲柳和东北红豆杉光合特性对比. 南京林业大学学报(自然科学版). 2023(01): 129-135 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 1412
- HTML全文浏览量: 430
- PDF下载量: 102
- 被引次数: 8
