林业地面传感网与遥感技术的融合研究方案.docx

林业地面传感网与遥感技术的融合研究方案.docx

《林业地面传感网与遥感技术的融合研究方案.docx》由会员分享，可在线阅读，更多相关《林业地面传感网与遥感技术的融合研究方案.docx（8页珍藏版）》请在冰豆网上搜索。

林业地面传感网与遥感技术的融合研究方案

林业地面传感网与遥感技术的融合研究方案

目前，基于有线和无线传感器的各类地基观测技术和组网建设逐步发展和完善，为卫星遥感的地表参量反演、模型同化和耦合、精度验证等工作提供了重要的真实性信息。

在农业领域，基于现代物联网技术的农业地面传感网在智能温室与大田精准作业管理方面得到了快速应用。

特别是各类自动采集作物叶面到冠层、土壤表层到剖面理化信息，以及农田气温、湿度、光照等环境信息的传感器不断出现，加上无线传输网和智能控制系统，使得农田信息地面采集的便捷性、精确性、时效性得到了显著的提高。

显然，各类地面传感网与农业遥感相结合可以提高农业遥感的监测精度，加强农业信息的实时服务能力。

但是由于卫星、航空、地面等传感器系统在观测模式、成像机理、应用目的和处理方式等方面存在很大的不同，加上水、土、气、生物等农业资源要素的时空异质性，因此目前实现农业地面传感网与遥感技术的充分融合或进行协同观测还存在很多困难。

近年来，利用卫星遥感技术、无人机航空遥感技术和人工地面调查、监测相结合的方式对农作物进行快速准确评估的研究相对较少，对林业监测与管理的研究更少。

本研究就是在这样一个背景下，以云南省玉溪市峨山县为研究对象，结合天空地一体化融合技术进行，将各种农业专业模型如作物生长模型、地表能量平衡模型等与遥感数据进行耦合或同化，来弥补遥感观测时间分辨率的缺陷。

同时结合地面传感网采集的周期性信息和农作物空间信息数据库，对林业生长状况进行监测评估，并以地面调查数据进行校验，揭示灾害损失形成规律，探索基于遥感等空间信息技术的林业遥感模型，建立林业快速精细监测评估系统，开展林业快速监测评估，并根据监测评估结果进行林业的全数字化管理。

该研究成果将为精细林业遥感监测与评价提供理论与技术依据，为林业管理及碳排放、碳交易提供科学数据，并对防治林业灾害、涵养水土具有重要意义。

1研究区域

峨山县是玉溪市林业大县，也是云南省重点林区之一。

全县拥有林业用地152132.6公顷，占国土面积的78.7%，其中，有林地面积127643.1公顷、疏林地面积318.5公顷、灌木林地面积21770.9公顷、未成林造林地面积145.6公顷、无林地面积2254.5公顷；全县森林覆盖率66.4%，活立木总蓄积689.3万立方米。

2006年—2009年，峨山县开展了集体林权制度主体改革，将集体商品林“均山到户”，发放林权证22487本，32172户农户分到了林地，彻底解决了集体林木林地产权归属问题，让广大农民取得了生产资料，为林业发展创造了广阔空间，发展林业产业的潜力非常巨大，到2020年，峨山林业有可能成为峨山县域经济的半壁江山。

2014年7月以来，峨山县林业部门实施以生态效益为主，兼顾经济效益、景观效益的人工营林绿化工程。

2015年1月20日，峨山作为试点县，森林资源二类调查工作正式启动。

该次调查将全面掌握森林资源现状，查清森林资源的种类、数量、质量和分布，实现林业的科学经营。

该成果同时也是建立或更新森林资源档案，加强森林资源管理、制定区域国民经济发展规划和林业发展规划、深化集体林权制度配套改革、推进生态文明建设的重要依据和基础。

2研究目标

全球33%的土地被森林覆盖，90%的生物量来自于森林，65%的净初级生产力也来自森林。

用光学遥感数据估测草地和农作物的生物量有很多实例，本研究通过地面传感网与遥感技术的融合，能够对研究区森林生物量进行快速精细的监测与反演。

该评价结果为数字林业的形成及综合化等林业管理提供重要的参考。

3研究内容

3.1无人机搭载多光谱相机进行森林信息提取

无人机搭载多光谱相机获取的光谱数据可用来提取森林信息，主要包括林火监测、森林生化组成与健康状况的评价、叶面积指数估计、森林树种识别、森林郁闭度信息提取及外来物种监测等。

下图显示了无人机搭载多光谱相机进行森林信息提取的情况。

图1无人机搭载多光谱相机进行森林信息提取流程图

3.1.1林火监测

对想要做出决策减少环境恶化和木材损失的管理者来说，森林灾害监测是迫在眉睫的事。

森林灾害包括林木疾病、害虫的侵袭和火灾。

无人机搭载多光谱相机获取的高分辨率遥感影像能在虫害侵袭早期监测重点受害林木，因此，应尽早抗击害虫攻击。

林冠的林下叶层阴影部分可作为环境变化影响林冠健康状况的指示剂，这是一个早期的预警，该林分环境的变化涉及到诸如土壤表面CO2的流失、酸化、N的有效性和土壤含水量等。

森林火灾监测的主要问题是获得对火灾边界数据的实时更新。

有学者指出燃烧着的植被的光谱信号有大约767nm的细小脉冲，这是由燃烧的K元素引起的，可以用来监测活立木燃烧的面积。

该脉冲可近似通过多光谱遥感图像来获得。

林冠含水量是一个主要指标，也是林火通过林冠向外蔓延能力的决定因素。

该水分含量也可用多光谱影像的近红外短波区域内水分的吸收特征来测量。

3.1.2森林生化组成与健康状况的评价

无人机搭载多光谱相机获取的搞空间分辨率影像使利用遥感技术手段提取生物化学参数成为可能。

在区域以至全球尺度上提取生物化学信息，这对于研究和理解生态系统过程诸如光合作用，碳、氮循环以及林下凋落物分解速率，描述和模拟生态系统都是十分重要的。

从高空间分辨率遥感数据中能提取林冠生物化学组成成分，如叶绿素a和b、氮元素、木质素、含水量等,这些估测的化学成分与林木体内特殊化学元素的浓度有关，也与随之测出的森林总的健康状况有关。

通过图像处理方法得到的林木受损分布图可以为可持续的森林经营管理实践提供有价值的方法和依据。

如像N素这种特殊化学元素的估测可用在精准林业的实际作业中，而肥料只能用在那些N素缺乏的林区；对新开采矿山地周围的林区进行环境监测和评价，使用无人机搭载的多光谱影像，通过监测一定时期内当地林木化学元素的浓度来完成。

3.1.3叶面积指数估计

叶面积指数（LeafAreaIndex,LAI）是指单位地表面积上总绿叶面积的一半，对阔叶林来说是单侧叶面积，针叶林则须根据叶或小枝的形态用相应的转换系数校正。

LAI可以反映植物冠层中的二氧化碳、能量及物质环境，是森林生长和健康状况的指标，也是蒸散量、土壤水分、树冠层截光量等生态参数估测的基础。

研究表明，用中低空间分辨率的遥感影像提取LAI，由于混合像元广泛存在，反演误差会很大。

而无人机搭载多光谱成像仪获取的高空间分辨率数据则会使像元的异质性降低，从而提高LAI的提取精度。

3.1.4森林树种识别

森林中不同树种具有不同的光谱特征，不同树种的光谱特征就能够从遥感影像中将不同树种、不同林型区别开来，为森林资源调查、绘制林相图、森林经营管理提供便捷有效的手段。

利用无人机搭载多光谱相机获取的高空间分辨率遥感影像不但含有丰富的地物光谱信息，而且能很清楚地反映地物景观的结构、纹理和细节等方面的信息。

因此,利用高空间分辨率遥感影像进行树种识别分类，可以将形状、纹理信息与光谱信息相结合，使分类更加准确。

并且通过高空间分辨率遥感影像可以实现单木树种识别和分类，这是中低分辨率遥感不可能达到的。

高空间分辨率森林树种识别常用到面向对象的方法，用分割出的单个树木弧点元代表一个分类实体，能够达到很好的分类精度。

3.1.5森林郁闭度信息提取

森林郁闭度信息是森林调查的一个最基本的参数。

而常规的森林郁闭度估计都是采用野外调查，调查是基于随机抽样，范围小，不具有普遍的代表性，并且野外调查劳动强度大、费时费力、成本高。

随着遥感技术的推广应用,区域性大尺度的郁闭度估计得以实现。

但大多数森林经营管理决策都是在林分这个小尺度上制定的。

无人机搭载多光谱相机获取的高空间分辨率遥感数据，使小尺度甚至以林分为单位的郁闭度信息的提取成为可能。

目前，从遥感影像中提取郁闭度信息已经比较成熟，主要是根据遥感各波段的灰度值及灰度比值这些遥感信息来进行森林郁闭度估测。

在空间分辨率较低时，由于一个像元所表达的实际范围过大，像元光谱混合问题比较普遍，会在很大程度上影响郁闭度信息提取的精确度。

用高空间分辨率遥感数据提取森林郁闭度，混合像元问题就会大大减轻,可以有效提高郁闭度提取精度。

3.1.6外来物种监测

通过无人机搭载多光谱相机获取的高空间分辨率遥感图像还可以绘制外来物种入侵图。

非本国物种的入侵对全球生物多样性和生态系统的维护构成了重大威胁。

多光谱可以在入侵物种的数量造成密度上升、范围扩大时进行监测。

通过图像处理获取的入侵物种图，有利于对入侵物种扩张的进行有效控制，减少破坏性。

3.2星载/机载LiDAR森林结构参数反演

图2星载LiDAR估计森林地上各项指标技术路线图

3.2.1基于星载LiDAR反演的森林平均高

图3基于GLAS和MODIS数据的树高联合反演方法及流程

3.1.2基于星载LiDAR反演的森林蓄积量

3.1.3基于星载LiDAR反演的森林生物量

3.1.3.1地表生物量的实地测量

地表生物量与胸径（DBH,diameteratbreastheight,1.3米处）的公式：

AGB=aDb

（1）

其中，a与b分别是系数。

这是由来自实地采样数据（砍树）建立的经验回归模型。

其值随树种，地区而变化。

对式

（1）两边取对数，可以得到我们常见形式的公式：

ln（AGB）=a’+blnD

（2）

另一些公式用到树高，如下所示利用立木材积来估算地上生物量的公式：

其中H是树高，ρ是密度（单位体积干重，g/cm3）,β<1，F是由树木削度决定的常数。

多数情况，用实地采样数据建立地上生物量与（D2,H）的经验回归模型。

地面测量每棵树高有困难，费时，看不到树顶.一般用实地采样数据建立D和H之间的关系。

3.1.3.2生物量图

（1）生物量图的传统形成过程

1）分类-确定不同林分的边界

2）对每林分进行生物量采样

3）成专题图或统计报表

（2）遥感为分类和采样提供新的手段和数据

如果能建立样点上生物量和遥感信息的关系，遥感图像数据就可以把样点生物量推广到面，形成高分辨率，连续数值的栅格化生物量图。

A用植被指数估计生物量

林业调查生物量和AVHRR数据累积NDVI的关系（Dongetal.2003）：

其中，B是生物量，包括林业调查中总生物量（树桩部分以上）；NDVI是植被指数，它是植被生长季节的标准化植被指数（NDVI）在实地林业调查年份前5年的累积平均值；φ为纬度，它是林业调查的采样点质心；α，β，γ是回归系数，这些系数均由普通最小二乘法估计。

对于总生物量，回归系数的值分别为：

α=-0.0377（±0.00977），β=3809.65（±902.51），γ=0.0006（±0.00011），调整后的R2=0.43。

饱和问题，仅使用两个波段的信息，辐射定标问题，环境影响，混合像元、地面实测数据和图像像素大小存在巨大差异。

多波段多元回归分析

B采用非线性回归分析，利用ASTER两个波段（R2:

波段2;R3:

波段3作为预测变量来估算寒带林分生物量（Muukkonen和Heiskanen，2005）：

Yj=exp（a+dR2+eR3）（1+R2）b（R3）c+εj

R2＝0.56,RMSE＝44.7Mg/ha

CK近邻（KNN）方法

利用KNN方法，卫星图像中像素级别的森林生物量由其周围最接近样地的值加权平均得到。

这可以理解为，将反距离加权（IDW）方法应用到由卫星不同波段获取光谱数据的特征空间。

D神经网络

图4神经网络算法示意图

训练过程受初始网络参数选择的影响很大.人工神经网络是常常被视为黑箱,内在的机制不清。

E多源数据融合的生物量制图

a单木树冠识别算法

图5单木树冠识别算法路线图

b从树高到生物量

单木–从单木高和树冠大小估计DBH，生物量一般用已有的经验回归模型。

林分–建立林分高度和生物量之间的关系，一般用经验回归模型或用森林生态（生长）模型。

c用多源数据进行生物量制图的流程

图6用多源数据进行生物量制图的流程