利用资源3号立体像对数据反演森林高度的方法

1.本发明涉及一种森林高度反演方法，尤其涉及一种利用资源3号立体像对数据反演森林高度的方法


背景技术：

2.森林高度是反映人工林三维垂直结构的重要参数，国内外在利用主被动遥感技术反演人工林平均高时，技术手段主要分为激光雷达lidar、合成孔径雷达sar和数字光学摄影测量技术(digital photogrammetry，dp)三大类。
3.(一)激光雷达lidar技术
4.lidar技术分为星载lidar和机载lidar。星载lidar技术以早期的icesat glas数据的应用为代表，近年来也有新发射的星载激光测高卫星如icesat-2和gedi。glas的光斑直径约为65米，沿轨光斑间距约为170米。glas数据提供了全球范围内森林的采样点，使得生产全球森林高度产品成为可能。其中最具代表的研究要属lefsky和simard综合利用大光斑glas数据、modis数据和地形数据反演了全球森林高度图(lefsky et al.，2010；simard et al.，2011)。hansen将landsat和glas数据结合对非洲中部森林高度的空间分布进行了分析(hansen et al.，2016)。机载lidar(airborne laser scanning，als)属于小光斑数据，在测量森林高度时可以达到亚米级精度，根据精度不同，可以分为单木尺度或林分尺度的森林结构参数研究。als除了可以获取单木的精细轮廓外，还可以获取高精度的林下地形(lim et al.，2003；liu mingbo，2019)。popescu等利用als得到森林冠层高度模型(canopy height model，chm)，并从chm中提取单木的冠幅和树高，并将其与野外实测的胸径、生物量建立非线性回归模型，结果表明模型对胸径的解释精度到90％(popescu，2007)。庞勇等利用点云的75％高度分位数与实测样方森林高度建立回归模型，反演研究区的林分平均高，并进一步发现高密度点云能实现精度较高的单木分割，可以减少研究对野外实测数据的依赖(庞勇，2008)。
5.(二)合成孔径雷达sar技术
6.sar与lidar均是主动遥感技术，sar运用于森林高度反演时，主要基于sar立体影像从不同角度观测目标区域形成的视差来提取地物的三维信息。karjalainen在北方针叶林地区利用terrasar-x立体影像提取dsm，再结合als获取的地形信息，提取了研究区的森林高度(karjalainen et al.，2012)。solberg和karila利用tandem-x数据，结合als获取的高精度地形信息，提取了研究区的森林高度(karila et al.，2015；solberg et al.，2013)。cloude优化了极化相干系数，通过相干分解实现相位中心分离，最终实现森林垂直结构的提取(cloude，et al.，1998)。yamada发明了esprit算法，并实现了森林冠层和地表散射相位中心的分离(yamada，et al.，2001)。papathanassiou改进了rvog模型，利用polinsar的复相干系数实现了森林高度的提取(papathanassiou，2001)。
7.(三)数字光学摄影摄影测量dp技术
8.摄影测量技术基于严格成像模型或有理函数模型，根据视差计算匹配像素的高程
(z)和地理坐标(x，y)。现有的商业软件如pci geomatica或者envi均集成了成熟的利用同一观测范围的立体像对提取dsm(digital surface model)的技术。herrero使用机载摄影测量系统获取了小范围的立体影像，结合als获取的地形信息dem(digital elevation model)，提取了研究区的针叶林冠层高度(herrero et al.，2016)。immitzer获取了worldview-2遥感影像，并提取了dsm，再结合als获取的dem，提取了研究区的阔叶林高度(immitzer et al.，2016)。如果能获取研究区时间序列的立体像对，结合高精度的dem，可以提取研究区时间序列的森林高度变化图。


技术实现要素：

9.区域森林高度制图研究主要包括两方面内容：森林高度样本提取和反演特征变量的构建。本发明内容创新性的利用资源三号立体像对数据和雷达地形测绘srtm(shuttle radar topography mission)数字高程模型dem(digital elevation model)数据获取森林高度的样本数据，相比于传统地面调查取样或者机载激光雷达数据取样不仅节约人力和物力，而且不受时空范围约束，本发明提供一种利用资源三号立体像对数据反演森林高度的方法，包括以下步骤：
10.1)利用资源三号立体像对数据和雷达地形测绘srtm(shuttle radar topography mission)数字高程模型dem(digital elevation model)数据提取森林冠层高度模型；
11.2)在面状森林冠层高度区域进行随机采样，选取样本点作为森林高度反演的训练数据集；
12.3)利用森林高度样本数据和植被指数特征变量训练神经网络模型，将模型运用于研究区，得到区域森林高度图。
13.本发明提供的利用资源三号立体像对数据反演森林高度的方法，可以无接触获取森林高度样本数据集用于区域森林高度制图，改变了传统通过人工野外调查或者机载激光雷达获取样本数据源的方式，既提高了区域森林高度制图的效率又节省了人力和物力，可以为相关森林高度研究提供借鉴参考。
附图说明
14.图1是构建基于资源三号立体像对数据反演森林高度的流程图；
具体实施方式
15.图1是构建基于资源三号立体像对数据反演森林高度的流程图。由图可见，森林高度反演包括以下三个步骤：
16.1)利用资源三号立体像对数据和雷达地形测绘srtm(shuttle radar topography mission)数字高程模型dem(digital elevation model)数据提取森林冠层高度模型；
17.2)在面状森林冠层高度区域进行随机采样，选取样本点作为森林高度反演的训练数据集；
18.3)利用森林高度样本数据和植被指数特征变量训练神经网络模型，将模型运用于研究区，得到区域森林高度图。
19.森林高度反演流程具体描述如下：
20.1)利用资源三号立体像对数据和雷达地形测绘srtm(shuttle radar topography mission)数字高程模型dem(digital elevation model)数据提取森林冠层高度模型。
21.首先是数字表面模型dsm(digital surface model)剖面线验证。为验证pci软件利用资源3正视和后视数据生成的dsm精确度，采用机载lidar获取的2m分辨率的dem数据，与zy-3获取的dem和srtm数据放在同一个剖面线图中，观察数据的差异。
22.下一步进行森林区域提取。为保证后续采样点均位于森林区域，本文对资源3的多光谱影像和landsat8多光谱影像均采用最大似然法进行分类，生成2个森林区域掩膜，得到掩膜处理后基于立体像对生成的数字表面模型dsm(digital surface model)。
23.然后进行森林冠层高度模型chm(canopy height model)提取。将dsm减去dem图层，得到研究区的冠层高度模型chm(canopy height model)。
24.2)在面状森林冠层高度区域进行随机采样，选取样本点作为森林高度反演的训练数据集。
25.首先利用区域野外实测样地验证chm。采用野外实测样方的森林高度数据对提取的chm精度进行验证。
26.然后基于资源3生成的chm进行随机抽样，用于外推得到区域森林高度图。在资源三号zy-3数据提取的chm范围内，随机生成样本点作为外推的训练样本，样本点要分布均匀，有代表性。
27.3)利用森林高度样本数据和植被指数特征变量训练神经网络模型，将模型运用于研究区，得到区域森林高度图。
28.将landsat8 oli影像经辐射定标，大气校正，拼接和裁剪等预处理后得到研究区的反射率数据。进一步计算得到10个植被特征，分别是归一化植被指数(ndvi)、比值植被指数(rvi)、有效叶面积指数(slavi)、差值植被指数(dvi)、土壤校正植被指数(savi)、校正简单植被指数(msr)、增强型植被指数(evi)，共7种植被指数，及通过缨帽变换得到亮度、绿度和湿度分量。十个植被特征的计算表格如表1所示，表格中b1-b7代表的是landsat 8 oli数据的波段编号。最后，构建一个具有10个输入层神经元，11个隐藏层神经元的三层bp神经网络模型，反演森林高度。
29.表1.十个植被特征计算表
[0030][0031]
下面以一具体示例来说明本发明：
[0032]
以南宁市2018年森林高度制图为例。我们收集了2018年覆盖南宁市的landsat 8 oli多光谱影像数据、一景位于南宁市研究区内的资源三号多光谱影像数据和立体像对数据和覆盖南宁市的srtm dem数据。
[0033]
首先在pci geomatica软件(pci geomatics enterprises，inc.，canada)中使用orthoengine工具箱提取工具箱提取dsm。该模块使用rpc、gcp以及同名连接点连接点(tie)计算几何模型，将计算几何模型，将立体影像中匹配像素的行列位置转换为地面坐标和高程。其中rpc由zy3-02数据中的rpc文件提供。gcp则通过已经经过自动校正的同一时期的多光谱影像自动生成，并检查误差不超过1个像素。
[0034]
为验证pci软件利用资源3正视和后视数据生成的dsm精确度，在资源三号影像数据范围内随机画一条剖面线，并以2m为间隔提取栅格值，观察dem和dsm剖面线之间的数据差异。
[0035]
将dsm减去srtm dem图层得到研究区的冠层高度模型(chm，canopy height model)。
[0036]
进一步利用envi软件对landsat 8 oli多光谱影像数据和资源三号多光谱影像数据进行最大似然分类，提取研究区的森林区域和资源三号覆盖区域的森林区域。
[0037]
经森林区域掩膜后的chm图层可用于外推整个研究区连续森林冠层高度，利用arcgis软件随机生成372个样本点作为外推的训练样本，随机点需要分布均匀，有代表性。
[0038]
2018年landsat8 oli影像利用envi软件，经辐射定标，大气校正，拼接和裁剪等预处理后得到研究区的反射率数据。以十个植被特征：归一化植被指数(ndvi)、比值植被指数(rvi)、有效叶面积指数(slavi)、差值植被指数(dvi)、土壤校正植被指数(savi)、校正简单植被指数(msr)、增强型植被指数(evi)，共7种植被指数，及通过缨帽变换得到亮度、绿度和湿度分量作为自变量，利用matlab的神经网络模型工具箱，构建了一个具有10个输入层神经元，11个隐藏层神经元的三层bp神经网络模型，反演南宁市2018年的森林高度。