一種通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法
【專利摘要】本發(fā)明公開了一種通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法，以江蘇南部丘陵地區(qū)的亞熱帶天然次生林為方法實施對象，首先從LiDAR條帶數(shù)據(jù)中提取9個特征變量并與地面估算的生物量結(jié)合反演條帶內(nèi)的生物量連續(xù)分布信息；然后，在條帶反演結(jié)果區(qū)域內(nèi)采樣并與覆蓋整個研究區(qū)域的Landsat OLI影像特征變量結(jié)合，從而升尺度估算整個研究區(qū)域的生物量。從而在充分挖掘遙感數(shù)據(jù)特征信息的基礎(chǔ)上，通過一個條帶的LiDAR數(shù)據(jù)在降低林場級生物量估算成本的同時，也提升了遙感方法在該尺度上的生物量估算精度。
【專利說明】
一種通過條帶Li DAR數(shù)據(jù)升尺度估算森林生物量的方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明屬于林業(yè)調(diào)查、動態(tài)監(jiān)測及生物多樣性等技術(shù)領(lǐng)域，涉及一種通過條帶 LiDAR數(shù)據(jù)升尺度估算森林生物量的方法。
【背景技術(shù)】
[0002] 森林生態(tài)系統(tǒng)是陸地生物圈的主體，其生物量約占整個陸地生態(tài)系統(tǒng)的85%，在 減緩全球氣候變化中具有不可替代的作用。森林在生長過程中通過同化作用吸收大氣中的 ⑶ 2,并以生物量形式將其長期固定。亞熱帶樹種豐富且森林生產(chǎn)力高，不僅對區(qū)域生態(tài)環(huán) 境有很大影響，而且對維持全球碳平衡也具有重要作用。傳統(tǒng)的生物量調(diào)查方法耗時費力， 且只能獲得有限的"點"上信息。而遙感技術(shù)卻能夠準(zhǔn)確、快速地獲取各個尺度的"面"上連 續(xù)分布的森林信息，在森林資源動態(tài)監(jiān)測及森林碳儲量反演方面具有重要作用。
[0003] 多光譜遙感數(shù)據(jù)可以獲取連續(xù)、實時的森林生物物理特性的水平空間分布信息， 且免費獲取，但易"飽和"且難于獲取森林的結(jié)構(gòu)參數(shù);而LiDAR發(fā)射的激光脈沖可以穿透植 被冠層獲得其三維結(jié)構(gòu)和能量信息，但是覆蓋整個研究區(qū)的LiDAR數(shù)據(jù)通常獲取成本高，難 以在生產(chǎn)上應(yīng)用。Guo等在《Science China(Earth Sciences)》2010年第1期發(fā)表了 "Estimating forest aboveground biomass using HJ-A satellite and ICESat GLAS waveform data"，利用環(huán)境衛(wèi)星多光譜數(shù)據(jù)和ICESat/GLAS波形數(shù)據(jù)，以塔河林場為研究區(qū) 反演了地上生物量，結(jié)果表明80%的驗證點生物量誤差在20t ? hnf2以內(nèi)。但該要求LiDAR數(shù) 據(jù)與多光譜數(shù)據(jù)覆蓋整個研究區(qū)，成本較高，工作量較大，不適合在更大尺度上推廣和應(yīng) 用。黃克標(biāo)等在《遙感學(xué)報》2013年第1期發(fā)表了 "基于ICESat GLAS的云南省森林地上生物 量反演"，結(jié)合機載LiDAR數(shù)據(jù)對星載GLAS光斑范圍內(nèi)的森林地上生物量進(jìn)行估測，并利用 M0DIS以及MERIS 土地覆蓋產(chǎn)品進(jìn)行了云南省森林地上生物量升尺度估算，其構(gòu)建的生物量 估算模型的決定系數(shù)(R2)為0.52,均方根誤差(RMSE)為31Mg ? hnf2。龐勇等在《資源科學(xué)》 2011年第1〇期發(fā)表"基于遙感的湄公河次區(qū)域森林地上生物量分析"，通過非連續(xù)的機載 LiDAR和星載LiDAR GLAS數(shù)據(jù)以及連續(xù)的光學(xué)遙感數(shù)據(jù)MERIS對大湄公河次區(qū)域的森林地 上生物量進(jìn)行連續(xù)分布制圖。連續(xù)覆蓋生物量估計的模型總體誤差為34t ? hnf2,升尺度模 型的相關(guān)系數(shù)為〇. 7。以上研究證明了非連續(xù)LiDAR數(shù)據(jù)進(jìn)行森林參數(shù)升尺度反演和連續(xù)分 布制圖的可行性及有效性，但其升尺度模型自變量相對單一(如MERIS數(shù)據(jù)只提供了 NDVI作 為反演參數(shù))且制圖分辨率較低(300m)。同時，以上研究及應(yīng)用都未在北亞熱帶地區(qū)進(jìn)行實 施。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的:針對現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的是提供一種通過條帶LiDAR 數(shù)據(jù)升尺度估算森林生物量的方法，有效提高精度，降低成本。
[0005] 技術(shù)方案:為了實現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：
[0006] -種通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法，包括以下步驟：
[0007] 1)采用Riegl LMS-Q680i LiDAR傳感器獲取待檢測區(qū)域內(nèi)的LiDAR點云數(shù)據(jù)，傳感 器記錄完整的激光脈沖返回波形信息，其時間采樣間隔為Ins;
[0008] 2)在待檢測區(qū)域范圍內(nèi)設(shè)置多個方形樣地，樣地調(diào)查過程中，對于胸徑大于5cm的 樹，逐一測定單木的樹種、胸徑、樹高和枝下高以及冠幅;根據(jù)單木調(diào)查數(shù)據(jù)匯總樣地尺度 的相關(guān)森林參數(shù)，包括樣地尺度上的單位面積地上生物量、地下生物量;生物量信息通過異 速生長方程計算單木的生物量，并匯總得到每塊樣地單位面積地上生物量W A以及地下生物 量Wb;
[0009] 3)根據(jù)LiDAR點云數(shù)據(jù)計算9個特征變量:冠層覆蓋度變量c; 5個高度百分位數(shù)變 量:1125、115()、116()、117 5、1195;4個高度變量:最大高度11_、最小高度11_、高度變異系數(shù)1^以及平 均高度h m_;同時，提取出5組0LI多光譜特征變量:包括6個原始單波段特征、10個波段組合 特征、10個信息增強組、18個植被指數(shù)特征以及9個紋理特征;其中，0LI多光譜特征變量已 由像元尺度經(jīng)均值計算轉(zhuǎn)化為樣地尺度；
[0010] 4)利用樣地GPS坐標(biāo)點位置，基于9景包含LiDAR特征變量信息的影像和53景包含 0LI特征變量信息的影像，分別提取樣地中心位置的像元值，并借助pearson's相關(guān)系數(shù)矩 陣分析特征變量之間的相關(guān)性，去除相關(guān)性高的特征變量;Pearson ' s相關(guān)性分析：
(1)
[0012] 式中：xi為地面實測的某林分特征;yi為某特征變量;&為Xi的平均值；7,為}^的平 均值；
[0013] 將地面實測匯總的生物量信息作為因變量，遙感方法提取的特征變量作為自變 量，建立多元回歸模型；運用逐步進(jìn)入法和檢驗決定系數(shù)R 2的變化情況來選擇進(jìn)入模型的 合適變量;如果有自變量使統(tǒng)計量F值過小并且T檢驗達(dá)不到顯著水平，則予以剔除;F值較 大且T檢驗達(dá)到顯著水平則得以進(jìn)入;通過控制因子k進(jìn)一步篩選模型；k通過PCA分析計算 相關(guān)關(guān)系矩陣得到，其值低于30則表明自變量之間相關(guān)性較低;采用決定系數(shù)R 2、均方根誤 差RMSE和相對均方根誤差rRMSE評價回歸模型的精度，計算公式為：
(2)
[0015]式中：Xi為地面實測的某林分特征;A為Xi的平均值;為模型估算的某林分特征； n為樣地數(shù)量；
[0018]森林生物量升尺度反演步驟如下:先以重疊區(qū)樣地LiDAR特征變量為自變量，樣地 (3) (4) 實測生物量為因變量構(gòu)建LiDAR生物量反演模型，再利用LiDAR模型計算出的重疊區(qū)所有像 元的生物量，以其作為因變量，與重疊區(qū)的OLI特征變量進(jìn)行多元線性擬合，建立重疊區(qū)生 物量反演模型。
[0019] Riegl LMS-Q680i LiDAR傳感器的激光發(fā)射脈沖所在波段為近紅外，波長為 1055nm，脈沖發(fā)射頻率為360kHz，掃描頻率為112線? s-1，掃描角為±30° ;遙感平臺的飛行 高度為900m，飛行速度為55m ? jT1，旁向重疊度為60% ;地面光斑直徑約為25cm，平均地面光 斑距離約為0.48m。
[0020] Riegl LMS-Q680i LiDAR傳感器最終獲取的數(shù)據(jù)格式為LAS 1.3標(biāo)準(zhǔn)格式，每個激 光返回點內(nèi)包含三維坐標(biāo)值、強度值和返回類型信息。
[0021]在待檢測區(qū)域范圍內(nèi)設(shè)置60個大小為30mX 30m方形樣地。樣地西南角坐標(biāo)使用差 分GPS測定，通過接收J(rèn)SC0RS廣域差分信號定位，精度優(yōu)于0.5米。
[0022] 本發(fā)明基于一個條帶的LiDAR數(shù)據(jù)，在低成本數(shù)據(jù)獲取的前提下，升尺度估算林場 級的森林生物量。以江蘇南部丘陵地區(qū)的亞熱帶天然次生林為方法實施對象，首先從LiDAR 條帶數(shù)據(jù)中提取9個特征變量并與地面估算的生物量結(jié)合反演條帶內(nèi)的生物量連續(xù)分布信 息;然后，在條帶反演結(jié)果區(qū)域內(nèi)采樣并與覆蓋整個研究區(qū)域的Landsat 0LI影像特征變量 (5組)結(jié)合，從而升尺度估算整個研究區(qū)域的生物量。從而在充分挖掘遙感數(shù)據(jù)特征信息的 基礎(chǔ)上，通過一個條帶的LiDAR數(shù)據(jù)在降低林場級生物量估算成本的同時，也提升了遙感方 法在該尺度上的生物量估算精度。
[0023] 有益效果:與現(xiàn)有技術(shù)相比，本發(fā)明通過提取9個LiDAR特征及5組光譜特征變量， 從而更為充分地挖掘遙感數(shù)據(jù)所包含的森林信息特征；只用了一個條帶，從而LiDAR數(shù)據(jù)的 獲取成本低，且獲取了森林冠層的結(jié)構(gòu)信息，故在亞熱帶地區(qū)反演生物量不易"飽和"；制圖 分辨率提升為30m，且為在北亞熱帶地區(qū)的首次實施。試驗結(jié)果表明，通過本發(fā)明對北亞熱 帶天然次生林的進(jìn)行生物量估算，取得了較高的精度:模型對地上生物量的估算精度為:R 2 = 0.69，RMSE=17.48t ? hm-2，rRMSE = 18%，交叉驗證的差值的平均值為-12.92t ? hm-2(差 異不顯著）。對地下生物量的估算精度為:R2 = 0.56，RMSE = 3.331 ? hm-2，rRMSE = 13 %，交叉 驗證的差值的平均值為_〇.15t ? hnf2(差異不顯著）。
【附圖說明】
[0024] 圖1是試驗區(qū)和樣地分布圖；
[0025]圖2是基于LiDAR-OLI模型的地上生物量模型預(yù)測值與重疊區(qū)樣地實測值的對比 散點圖及1:1線圖；
[0026]圖3是基于LiDAR-OLI模型的地下生物量模型預(yù)測值與重疊區(qū)樣地實測值的對比 散點圖及1:1線圖；
[0027] 圖4是整個研究區(qū)地上生物量信息空間分布圖；
[0028] 圖5是整個研究區(qū)地下生物量信息空間分布圖。
【具體實施方式】
[0029]下面結(jié)合具體實例對本發(fā)明作進(jìn)一步描述。
[0030] 實施例1
[0031] -種通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法，包括以下步驟：
[0032] 1)試驗區(qū)概況
[0033] 研究區(qū)位于江蘇省常熟市國營虞山林場屬亞熱帶 季風(fēng)氣候，氣候溫和，年平均降水量1054毫米，面積約1103hm2,其海拔高度為20-261m。虞山 林場屬于北亞熱帶次生混交林，主要森林類型為針葉林，闊葉林和混交林，其中主要針葉樹 種有馬尾松（Pinus massoniana)、杉木（Cunninghamia lanceolata)和濕地松（Pinus elliottii)等；主要闊葉樹種有麻櫟（Quercus acutissima)、楓香（Li quidambar formosana)及部分常綠闊葉樹種，如殼斗科植物(Fagaceae)、樟科植物(Lauraceae)和山茶 科植物(Theaceae)。試驗區(qū)及樣地分布如圖1。
[0034] 2)遙感數(shù)據(jù)獲取及預(yù)處理
[0035] 采用Riegl LMS-Q680i LiDAR傳感器獲取的數(shù)據(jù)（2013年8月17日）。傳感器記錄了 完整的激光脈沖返回波形信息，其時間采樣間隔為Ins(即每個采樣單元間隔為15cm)。激光 發(fā)射脈沖所在波段為近紅外(波長為l〇55nm)，脈沖發(fā)射頻率(PRF)為360kHz，掃描頻率(SF) 為112線? s-1，掃描角為±30° ;遙感平臺的飛行高度為900m，飛行速度為55m ? s-1，旁向重 疊度為60%;地面光斑直徑約為25cm，平均地面光斑距離約為0.48m。最終獲取的數(shù)據(jù)格式 為LAS 1.3(美國攝影測量與遙感協(xié)會)標(biāo)準(zhǔn)格式。每個激光返回點內(nèi)包含三維坐標(biāo)值(x，y， z)、強度值（intensity)和返回類型(return type)等信息。本實施例使用LiDAR數(shù)據(jù)其中一 個條帶范圍的數(shù)據(jù)。
[0036] 3)匯總地面調(diào)查數(shù)據(jù)
[0037] 根據(jù)虞山林場歷史調(diào)查數(shù)據(jù)中的森林類型、年齡和立地指數(shù)等指標(biāo)在試驗區(qū)范圍 內(nèi)設(shè)置60個方形樣地(大小:30 X 30m，設(shè)置時間：2013年8月）。樣地調(diào)查過程中，對于胸徑大 于5cm的樹，逐一測定單木的樹種、胸徑（用圍尺測量）、樹高和枝下高(利用Vertex IV激光 測高器測量）以及冠幅（即兩個主方向上的投影距離，用皮尺測量），對于胸徑小于5cm的和 枯死木進(jìn)行計數(shù)，但不參與生物量的計算。樣地西南角坐標(biāo)使用差分GPS測定，通過接收 JSC0RS廣域差分信號定位，精度優(yōu)于0.5米。
[0038] 根據(jù)單木調(diào)查數(shù)據(jù)匯總樣地尺度的相關(guān)森林參數(shù)，包括樣地尺度上的單位面積地 上、地下生物量(t ? hnf2)。生物量信息通過異速生長方程(見表1)計算單木的生物量，并匯 總得到每塊樣地的單位面積地上生物量(Wa)以及地下生物量(Wb)(見表2)。
[0039] 表1研究區(qū)各主要樹種組分生物量的異速生長模型
[0041 ]注:模型的格式為W=a(D2H)b. H=樹高(m)，D =胸徑(cm); a，b為模型參數(shù)。
[0042]表2地面估算樣地生物量信息匯總
[0044] 4)特征變量提取
[0045] 根據(jù)LiDAR點云數(shù)據(jù)計算了9個特征變量:冠層覆蓋度變量(c);5個高度百分位數(shù) 變量:1125、11 5()、116()、1175、1195;4個高度變量 :最大高度(11_)、最小高度(1^11)、高度變異系數(shù) (hCT)以及平均高度(1^_)。9個特征變量的含義及計算公式見表3。
[0046] 表3 LiDAR特征變量匯總
[0048]同時，提取出5組0LI多光譜特征變量:包括6個原始單波段特征、10個波段組合特 征、10個信息增強組、18個植被指數(shù)特征以及9個紋理特征。其中，0LI多光譜特征變量已由 像元尺度經(jīng)均值計算轉(zhuǎn)化為樣地尺度。其中，0LI多光譜特征變量已由像元尺度經(jīng)均值計算 轉(zhuǎn)化為樣地尺度。53個光譜特征變量的含義及計算公式見表4。
[0049] 表4多光譜特征變量匯總表


[0053]注:表中&表示高光譜第i波段數(shù)據(jù);其中
」表示第i行和第j列位置 上的像元亮度值，N表示計算紋理特征時窗口的大小或尺寸。
[0054] 5)特征變量優(yōu)化及統(tǒng)計建模
[0055]利用樣地GPS坐標(biāo)點位置，基于9景包含LiDAR特征變量信息的影像和53景包含0LI 特征變量信息的影像，分別提取樣地中心位置的像元值，并借助Pearson ' s相關(guān)系數(shù)矩陣分 析特征變量之間的相關(guān)性，去除相關(guān)性高的特征變量。pearson ' s相關(guān)性分析：
(1)
[0057] 式中：Xi為地面實測的某林分特征;yi為某特征變量;七為Xi的平均值;7為yi的平 均值。本方法共建立了 2個生物量反演模型(LiDAR模型、LiDAR-OLI模型）。
[0058] 將地面實測匯總的生物量信息作為因變量，遙感方法提取的特征變量作為自變 量，建立多元回歸模型。運用逐步進(jìn)入法（stepwise)和檢驗決定系數(shù)(R 2)的變化情況來選 擇進(jìn)入模型的合適變量。如果有自變量使統(tǒng)計量F值過小并且T檢驗達(dá)不到顯著水平(P值〉 0.1)，則予以剔除;F值較大且T檢驗達(dá)到顯著水平(P值〈0.05)則得以進(jìn)入。為保證自變量之 間的低信息重疊，本方法通過控制因子4即最大特征根的平方根除以最小特征根所得到的 值)進(jìn)一步篩選模型。k通過PCA分析計算相關(guān)關(guān)系矩陣得到，其值低于30則表明自變量之間 相關(guān)性較低。采用決定系數(shù)(R 2)、均方根誤差(RMSE)和相對均方根誤差(rRMSE)評價回歸模 型的精度，計算公式為：
(2)
[0060]式中：Xi為地面實測的某林分特征;心為Xi的平均值;I為模型估算的某林分特征； (3) n為樣地數(shù)量。
(4)
[0063]由式(3)可見，rRMSE為RMSE(均方根誤差）與A (實測值均值）的百分比，作為一個 相對量，與評價量本身的數(shù)量級水平無關(guān)。
[0064] LiDAR模型及LiDAR-OLI模型的主要參數(shù)及精度評價見表SJiDAR-OLI模型的生物 量模型預(yù)測值與重疊區(qū)樣地實測值的對比散點圖及1:1線圖見圖2和圖3。
[0065]表5生物量反演模型主要參數(shù)及其精度評價
[0067]森林生物量升尺度反演步驟如下：先以重疊區(qū)（少量LiDAR數(shù)據(jù)與0LI影像的重疊 區(qū)域)樣地(31個)LiDAR特征變量為自變量，樣地實測生物量為因變量構(gòu)建LiDAR生物量反 演模型（以下簡稱LiDAR模型），再利用LiDAR模型計算出的重疊區(qū)所有像元的生物量，以其 作為因變量，與重疊區(qū)的0LI特征變量進(jìn)行多元線性擬合，建立重疊區(qū)生物量反演模型（以 下稱為LiDAR-OLI模型）。本研究采用交叉驗證法評價LiDAR-OLI模型的精度。該方法是在模 型參數(shù)已經(jīng)確定的情況下，隨機選取所有樣地(n)中的一個樣地作為驗證樣地，而其余n-1 個樣地進(jìn)行建模，利用擬合得到的模型對隨機選取的樣地進(jìn)行驗證，循環(huán)往復(fù)，直至所有樣 地都驗證完畢。方法中，建模組的所有樣地參與交叉驗證，逐個樣地進(jìn)行檢驗。LiDAR-OLI模 型交叉驗證均值差值分析統(tǒng)計結(jié)果見表6。最后，將該模型應(yīng)用于整個試驗區(qū)，繪制出試驗 區(qū)地上和地下生物量信息空間分布圖。整個研究區(qū)生物量信息空間分布圖見圖4和圖5。 [0068]表6 LiDAR-OLI模型交叉驗證均值差值分析統(tǒng)計結(jié)果
[0070] 注:NS表示差異不顯著(P>0.05)。
[0071] 6)方法運算結(jié)果
[0072]結(jié)果表明，通過本方法對北亞熱帶天然次生林的進(jìn)行生物量估算，取得了較高的 精度:模型對地上生物量的估算精度為:R2 = 〇. 69，RMSE = 17.48t ? hm-2，rRMSE = 18%，交叉 驗證的差值的平均值為_12.92t ? hnf2(差異不顯著）。對地下生物量的估算精度為：R2 = 0.56，RMSE = 3.33t ? hm-2，rRMSE=13%，交叉驗證的差值的平均值為-0.15t ? hm-2(差異不 顯著）。
【主權(quán)項】
1. 一種通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法，其特征在于，包括W下步 驟： 1) 采用Riegl LMS-Q680i LiDAR傳感器獲取待檢測區(qū)域內(nèi)的LiDAR點云數(shù)據(jù)，傳感器記 錄完整的激光脈沖返回波形信息，其時間采樣間隔為Ins; 2) 在待檢測區(qū)域范圍內(nèi)設(shè)置多個方形樣地，樣地調(diào)查過程中，對于胸徑大于5cm的樹， 逐一測定單木的樹種、胸徑、樹高和枝下高W及冠幅;根據(jù)單木調(diào)查數(shù)據(jù)匯總樣地尺度的相 關(guān)森林參數(shù)，包括樣地尺度上的單位面積地上生物量、地下生物量;生物量信息通過異速生 長方程計算單木的生物量，并匯總得到每塊樣地單位面積地上生物量WaW及地下生物量Wb; 3) 根據(jù)LiDAR點云數(shù)據(jù)計算9個特征變量:冠層覆蓋度變量c;5個高度百分位數(shù)變量： ll25、h日日、]16日、ll7日、hg日；4個局度變里：巧大局度hmax、巧小局度hmin、局度變異系數(shù)hcvW及平均局 度hmean ;同時，提取出5組化I多光譜特征變量:包括6個原始單波段特征、10個波段組合特 征、10個信息增強組、18個植被指數(shù)特征W及9個紋理特征;其中，OLI多光譜特征變量已由 像元尺度經(jīng)均值計算轉(zhuǎn)化為樣地尺度； 4) 利用樣地GPS坐標(biāo)點位置，基于9景包含LiDAR特征變量信息的影像和53景包含化I特 征變量信息的影像，分別提取樣地中屯、位置的像元值，并借助Pearson's相關(guān)系數(shù)矩陣分析 特征變量之間的相關(guān)性，去除相關(guān)性高的特征變量;pearson ' S相關(guān)性分析：(1) 式中:Xi為地面實測的某林分特征;yi為某特征變量;兩為義1的平均值;F,為yi的平均值； 將地面實測匯總的生物量信息作為因變量，遙感方法提取的特征變量作為自變量，建 立多元回歸模型;運用逐步進(jìn)入法和檢驗決定系數(shù)R2的變化情況來選擇進(jìn)入模型的合適變 量;如果有自變量使統(tǒng)計量F值過小并且T檢驗達(dá)不到顯著水平，則予W剔除;F值較大且T檢 驗達(dá)到顯著水平則得W進(jìn)入;通過控制因子K進(jìn)一步篩選模型;K通過PCA分析計算相關(guān)關(guān)系 矩陣得到，其值低于30則表明自變量之間相關(guān)性較低;采用決定系數(shù)R2、均方根誤差RMSE和 相對均方根誤差rRMSE評價回歸模型的精度，計算公式為：(2) 式中：X: I平均值;馬為模型估算的某林分特征;n為 樣地數(shù)量； (4)2. 根據(jù)權(quán)利要求1所述的通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法，其特征在 于，森林生物量升尺度反演步驟如下：先W重疊區(qū)樣地LiDAR特征變量為自變量，樣地實測 生物量為因變量構(gòu)建LiDAR生物量反演模型，再利用LiDAR模型計算出的重疊區(qū)所有像元的 生物量，W其作為因變量，與重疊區(qū)的OLI特征變量進(jìn)行多元線性擬合，建立重疊區(qū)生物量 反演模型。3. 根據(jù)權(quán)利要求1所述的通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法，其特征在 于，Riegl LMS-Q680i LiDAR傳感器的激光發(fā)射脈沖所在波段為近紅外，波長為1055皿，脈 沖發(fā)射頻率為360Hlz，掃描頻率為112線? S-I，掃描角為±30° ;遙感平臺的飛行高度為 900m，飛行速度為55m ? S-I，旁向重疊度為60% ;地面光斑直徑約為25cm，平均地面光斑距離 約為0.48m。4. 根據(jù)權(quán)利要求1所述的通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法，其特征在 于，Riegl LMS-Q680i LiDAR傳感器最終獲取的數(shù)據(jù)格式為LAS 1.3標(biāo)準(zhǔn)格式，每個激光返 回點內(nèi)包含=維坐標(biāo)值、強度值和返回類型信息。5. 根據(jù)權(quán)利要求1所述的通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法，其特征在 于，在待檢測區(qū)域范圍內(nèi)設(shè)置60個大小為30m X 30m方形樣地。6. 根據(jù)權(quán)利要求1所述的通過條帶LiDAR數(shù)據(jù)升尺度估算森林生物量的方法，其特征在 于，樣地西南角坐標(biāo)使用差分GPS測定，通過接收J(rèn)SCORS廣域差分信號定位，精度優(yōu)于0.5 米。
【文檔編號】G06K9/00GK105913016SQ201610219051
【公開日】2016年8月31日
【申請日】2016年4月8日
【發(fā)明人】曹林, 申鑫, 佘光輝
【申請人】南京林業(yè)大學(xué)