本發(fā)明涉及山地森林冠層高度估測(cè)，尤其涉及到一種山地森林冠層高度精準(zhǔn)估測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、熱地森林是陸地生態(tài)系統(tǒng)的核心部分，在減緩全球/區(qū)域氣候變化和調(diào)節(jié)全球碳平衡方面發(fā)揮著不可替代的作用，而跨越廣闊地域的山地森林是碳封存的關(guān)鍵。森林冠層高度作為重要的森林垂直結(jié)構(gòu)參數(shù)之一，是反映森林生物量、碳儲(chǔ)量、森林健康狀況的重要指標(biāo)。因此，準(zhǔn)確估計(jì)大面積森林高度至關(guān)重要，尤其是在復(fù)雜的山區(qū)地形下，準(zhǔn)確量化森林冠層高度一直是國(guó)家森林資源清查任務(wù)的一項(xiàng)重要任務(wù)。

2、然而，在野外測(cè)量森林高度是耗時(shí)、低效率的，依靠人工野外測(cè)量來生成大尺度下的森林冠層高度是不可能的。遙感技術(shù)已被證明是大尺度森林高度反演的有效方法。光學(xué)遙感圖像已被用于實(shí)地測(cè)量，以獲得全面的森林冠高產(chǎn)品，不幸的是被動(dòng)光學(xué)傳感器在茂密的森林中具有很強(qiáng)的飽和效應(yīng)，另外在復(fù)雜地形條件下山體的遮擋也會(huì)導(dǎo)致光譜信息的丟失，導(dǎo)致森林高度的估計(jì)精度較低。與光學(xué)遙感圖像相比，微波遙感具有部分穿透森林冠層的能力；因此，它也被成功地用于森林高度估計(jì)；微波數(shù)據(jù)類型可以分為polsar、insar、polinsar，polsar能夠獲得植被散射特征，insar可以獲得散射體的高度，polinsar具備polsar和insar的共同特點(diǎn)，能夠反映地表植被散射體高度和散射特征，在區(qū)域尺度森林冠層高度反演中有著巨大潛力，然而，微波信號(hào)通常會(huì)面臨不同程度的飽和問題，這與電磁波的波長(zhǎng)有關(guān)，有研究表明在森林中l(wèi)波段sar后向散射信號(hào)在樹高為10m是接近飽和，polinsar和insar則對(duì)空間基線有嚴(yán)格的要求，在星載sar數(shù)據(jù)中這一條件通常難以完全滿足要求，比如alos/saocom衛(wèi)星。最重要的一點(diǎn)是由于sar數(shù)據(jù)是側(cè)視成像，在山體的遮擋下會(huì)造成信號(hào)丟失，這是sar數(shù)據(jù)在山地中的最重要制約因素。

3、相比之下，激光雷達(dá)(lidar)能夠穿透森林樹冠獲取垂直結(jié)構(gòu)信息。根據(jù)平臺(tái)，激光雷達(dá)系統(tǒng)可以分為地面激光雷達(dá)、機(jī)載激光雷達(dá)和星載激光雷達(dá)。機(jī)載激光雷達(dá)（lidar）能夠快速獲得林分冠層以及內(nèi)部三維結(jié)構(gòu)信息，且不受天氣條件限制，但由于采集成本高，很難應(yīng)用于大面積區(qū)域。星載激光雷達(dá)更適合區(qū)域或全球尺度的森林高度反演。然而，這些星載激光雷達(dá)系統(tǒng)有一個(gè)共同的問題，即具有離散的地面采樣足跡，但它們?nèi)匀徊荒苤苯犹峁┟娉叨鹊纳止趯痈叨扔^測(cè)。因此，多源遙感數(shù)據(jù)的結(jié)合是提升森林參數(shù)估計(jì)精度的有效途徑，多數(shù)據(jù)源的結(jié)合可以充分考慮了植被的高度、散射特征和光譜特征能夠更準(zhǔn)確的估計(jì)森林參數(shù)。

4、常用的森林冠層高度遙感估計(jì)可以通過建立回歸模型得出面尺度的森林冠高產(chǎn)品。回歸模型方法可分為參數(shù)模型和非參數(shù)模型。常見的參數(shù)模型有多元逐步回歸、地理加權(quán)回歸、偏最小二乘回歸等。傳統(tǒng)的非參數(shù)模型主要是機(jī)器學(xué)習(xí)，但這些將現(xiàn)場(chǎng)測(cè)量數(shù)據(jù)升級(jí)為區(qū)域地圖的傳統(tǒng)方法無法完全捕捉山區(qū)地形的遙感信息。容易忽略了相鄰像素的信息，包括對(duì)描述空間變化至關(guān)重要的紋理圖案。隨著深度學(xué)習(xí)的進(jìn)步，深度學(xué)習(xí)算法已經(jīng)被用于各種遙感應(yīng)用中，如時(shí)間序列分析、圖像分類等。這些方法在克服各種地理空間挑戰(zhàn)方面表現(xiàn)出了希望，正如眾多研究人員所證明的那樣，例如遞歸神經(jīng)網(wǎng)絡(luò)（rnn），盡管標(biāo)準(zhǔn)的rnn在捕捉長(zhǎng)時(shí)間依賴關(guān)系方面存在一定的挑戰(zhàn)，但其變體（如lstm和gru）解決了這一問題，使得模型可以捕捉更長(zhǎng)時(shí)間的依賴關(guān)系。與傳統(tǒng)的方法不同，深度學(xué)習(xí)方法可以充分的挖掘遙感變量信息，從而提供更復(fù)雜的森林冠層高度分布表示。將深度學(xué)習(xí)與多源遙感數(shù)據(jù)相結(jié)合，可以深入了解森林結(jié)構(gòu)特點(diǎn)，有可能大大改善區(qū)域森林高度的制圖工作。

5、綜上所述，在熱帶山地森林中，使用遙感數(shù)據(jù)進(jìn)行森林冠層高度估計(jì)的挑戰(zhàn)主要有3點(diǎn)，第一是不同類型的遙感數(shù)據(jù)存在局限性。第二是復(fù)雜的地形條件放大了遙感數(shù)據(jù)的誤差。第三是森林參數(shù)的估計(jì)模型存在不確定性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種山地森林冠層高度精準(zhǔn)估測(cè)方法及系統(tǒng)，旨在實(shí)現(xiàn)區(qū)域尺度山地森林冠層高度精準(zhǔn)估計(jì)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種山地森林冠層高度精準(zhǔn)估測(cè)方法包括以下步驟：

3、s1：獲取多源遙感數(shù)據(jù)集；其中，所述多源遙感數(shù)據(jù)集包括星載激光雷達(dá)數(shù)據(jù)、微波遙感數(shù)據(jù)、光學(xué)遙感數(shù)據(jù)和地形數(shù)據(jù)；

4、s2：提取所述多源遙感數(shù)據(jù)集中不同類型多源遙感數(shù)據(jù)的數(shù)據(jù)特征，構(gòu)建遙感數(shù)據(jù)特征集；

5、s3：采用循環(huán)神經(jīng)網(wǎng)絡(luò)捕捉序列數(shù)據(jù)的長(zhǎng)期依賴關(guān)系，以馬爾可夫計(jì)算序列數(shù)據(jù)狀態(tài)之間的轉(zhuǎn)移關(guān)系，構(gòu)建深度馬爾可夫模型；

6、s4：獲取機(jī)載雷達(dá)的森林冠層高度模型，基于遙感數(shù)據(jù)特征集和深度馬爾可夫模型，預(yù)測(cè)森林冠層高度。

7、可選的，所述步驟s2中，提取星載激光雷達(dá)數(shù)據(jù)中的數(shù)據(jù)特征，具體包括：

8、s21：提取星載激光雷達(dá)數(shù)據(jù)中的冠層高度、總冠層覆蓋率、植物面積指數(shù)和葉高多樣性指數(shù)；

9、s22：采用地統(tǒng)計(jì)學(xué)中的克里金插值法將冠層高度、總冠層覆蓋率、植物面積指數(shù)和葉高多樣性指數(shù)的光斑點(diǎn)數(shù)據(jù)插值為面數(shù)據(jù)作為數(shù)據(jù)特征。

10、可選的，所述步驟s2中，提取微波遙感數(shù)據(jù)中的數(shù)據(jù)特征，具體包括：

11、s23：基于全極化微波遙感數(shù)據(jù)計(jì)算后向散射系數(shù)、極化比、雷達(dá)植被指數(shù)和極化分解參數(shù)作為數(shù)據(jù)特征。

12、可選的，所述步驟s2中，提取光學(xué)遙感數(shù)據(jù)中的數(shù)據(jù)特征，具體包括：

13、s24：提取光學(xué)遙感數(shù)據(jù)中的原始單波段變量、波段組合變量、植被指數(shù)等參數(shù)作為數(shù)據(jù)特征。

14、可選的，所述步驟s2中，提取地形數(shù)據(jù)中的數(shù)據(jù)特征，具體包括：

15、s25：基于數(shù)字高程模型數(shù)據(jù)，計(jì)算地形坡度，根據(jù)地形坡度計(jì)算結(jié)果，將坡度劃分為6個(gè)坡度等級(jí)；

16、s26：將坡度等級(jí)轉(zhuǎn)換為啞變量。

17、可選的，所述步驟s3中，采用循環(huán)神經(jīng)網(wǎng)絡(luò)捕捉序列數(shù)據(jù)的長(zhǎng)期依賴關(guān)系，具體包括：

18、s31：采用處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)架構(gòu)捕捉輸入序列數(shù)據(jù)每個(gè)時(shí)間步的長(zhǎng)期依賴關(guān)系，輸出隱藏狀態(tài)作為下一個(gè)時(shí)間步的輸入，構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)；

19、其中，所述循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏狀態(tài)更新的表達(dá)式，具體為：

20、、

21、其中，是時(shí)間步t的輸入數(shù)據(jù)，h是時(shí)間t的隱藏狀態(tài)，f是循環(huán)神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)移函數(shù)。

22、可選的，所述步驟s3中，以馬爾可夫計(jì)算序列數(shù)據(jù)狀態(tài)之間的轉(zhuǎn)移關(guān)系，具體包括：

23、s32：利用馬爾可夫模型中前一個(gè)狀態(tài)對(duì)應(yīng)的轉(zhuǎn)換概率分布控制下一個(gè)狀態(tài)的狀態(tài)轉(zhuǎn)換；

24、其中，馬爾可夫模型中，當(dāng)前狀態(tài)的概率分布的表達(dá)式，具體為：

25、、

26、其中，和分別表示當(dāng)前狀態(tài)的均值和方差，由轉(zhuǎn)移函數(shù)f計(jì)算得到。

27、可選的，所述步驟s3中，構(gòu)建深度馬爾可夫模型，具體包括：

28、s33：將循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出驅(qū)動(dòng)計(jì)算馬爾可夫模型的每個(gè)時(shí)間的狀態(tài)轉(zhuǎn)移參數(shù)，同時(shí)考慮到序列中的長(zhǎng)期依賴關(guān)系和狀態(tài)之間的轉(zhuǎn)移關(guān)系，構(gòu)建獲得深度馬爾可夫模型；

29、其中，深度馬爾可夫模型的表達(dá)式，具體為：

30、、

31、其中，是循環(huán)神經(jīng)網(wǎng)絡(luò)在時(shí)間步t的輸出，和分別表示當(dāng)前狀態(tài)的均值和方差，由循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出和轉(zhuǎn)移函數(shù)f計(jì)算得到。

32、可選的，所述步驟s4中，獲取機(jī)載雷達(dá)的森林冠層高度模型，基于遙感數(shù)據(jù)特征集和深度馬爾可夫模型，預(yù)測(cè)森林冠層高度，具體包括：

33、s41：以機(jī)載雷達(dá)的森林冠層高度模型為因變量，以遙感數(shù)據(jù)特征集中的遙感數(shù)據(jù)特征為自變量，利用深度馬爾可夫模型進(jìn)行森林冠層高度預(yù)測(cè)。

34、此外，為了實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種山地森林冠層高度精準(zhǔn)估測(cè)系統(tǒng)，包括：

35、獲取模塊，用于獲取多源遙感數(shù)據(jù)集；其中，所述多源遙感數(shù)據(jù)集包括星載激光雷達(dá)數(shù)據(jù)、微波遙感數(shù)據(jù)、光學(xué)遙感數(shù)據(jù)和地形數(shù)據(jù)；

36、提取模塊，用于提取所述多源遙感數(shù)據(jù)集中不同類型多源遙感數(shù)據(jù)的數(shù)據(jù)特征，構(gòu)建遙感數(shù)據(jù)特征集；

37、構(gòu)建模塊，用于采用循環(huán)神經(jīng)網(wǎng)絡(luò)捕捉序列數(shù)據(jù)的長(zhǎng)期依賴關(guān)系，以馬爾可夫計(jì)算序列數(shù)據(jù)狀態(tài)之間的轉(zhuǎn)移關(guān)系，構(gòu)建深度馬爾可夫模型；

38、預(yù)測(cè)模塊，用于獲取機(jī)載雷達(dá)的森林冠層高度模型，基于遙感數(shù)據(jù)特征集和深度馬爾可夫模型，預(yù)測(cè)森林冠層高度。

39、本發(fā)明的有益效果在于：提出了一種山地森林冠層高度精準(zhǔn)估測(cè)方法及系統(tǒng)，該方法包括：獲取多源遙感數(shù)據(jù)集；其中，所述多源遙感數(shù)據(jù)集包括星載激光雷達(dá)數(shù)據(jù)、微波遙感數(shù)據(jù)、光學(xué)遙感數(shù)據(jù)和地形數(shù)據(jù)；提取所述多源遙感數(shù)據(jù)集中不同類型多源遙感數(shù)據(jù)的數(shù)據(jù)特征，構(gòu)建遙感數(shù)據(jù)特征集；采用循環(huán)神經(jīng)網(wǎng)絡(luò)捕捉序列數(shù)據(jù)的長(zhǎng)期依賴關(guān)系，以馬爾可夫計(jì)算序列數(shù)據(jù)狀態(tài)之間的轉(zhuǎn)移關(guān)系，構(gòu)建深度馬爾可夫模型；獲取機(jī)載雷達(dá)的森林冠層高度模型，基于遙感數(shù)據(jù)特征集和深度馬爾可夫模型，預(yù)測(cè)森林冠層高度。本發(fā)明基于landsat8光學(xué)遙感數(shù)據(jù)、alos-2極化sar數(shù)據(jù)、星載激光雷達(dá)gedi數(shù)據(jù)，以地形坡度為啞變量，采用深度學(xué)習(xí)的馬爾可夫回歸dmr進(jìn)行森林冠層高度估計(jì)，能有效提高山地條件下森林冠層高度估計(jì)精度。