论文部分内容阅读
森林是陆地面积最大的生态系统,调节着全球碳循环和水循环。森林资源作为重要的自然资源,其水平分布、垂直结构及蓄积量等信息是统计林业资源的基本研究对象。遥感技术具备高效率、低成本和大面积同步观测的优势,已逐渐发展成为森林信息资源调查的主要手段。随着卫星数据的不断丰富,利用合成孔径雷达SAR(Synthetic Aperture Radar)数据和光学遥感影像,可以实现从不同层面更为准确地提取森林结构信息。本文在总结国内外森林参数提取研究的基础上,选取吉林省长春市净月潭国家森林公园为实验区域,综合利用SAR数据和多光谱遥感数据进行森林信息提取研究,主要内容如下:(1)基于多维度极化合成孔径雷达PolSAR(Polarimetry SAR)的森林类型识别方法研究。以不同时相的高分三号(GF-3)和ALOS-1 PALSAR遥感影像为数据源,组合不同传感器、不同类型的SAR数据各自的优势,基于散射机制分解得到熵、散射角及各向异性度三个极化特征,然后基于灰度共生矩阵,提取出均值、方差及异质性三个纹理特征,将上述特征参数引入支持向量机(SVM)分类器中,综合运用多频段、多极化、多时相及纹理特征等多维度SAR信息进行森林类型识别。实验结果总体分类精度为89.47%,Kappa系数为0.85。(2)基于SAR和光学数据的森林类型识别方法研究。使用哨兵一号(Sentinel-1)SAR影像和哨兵二号(Sentinel-2)多光谱影像作为数据来源,通过对SAR数据进行极化处理获取后向散射系数图,并提取均值和熵这两个纹理特征,再结合光学数据的红边波段和光谱植被指数特征,采用随机森林的分类方法,实现对实验区森林类型的识别,总体分类精度达到了92.54%,高于仅使用SAR数据的分类精度(63.12%)或光学数据的分类精度(84.07%),表明了融合SAR和光学特征可以有效提高森林类型的识别精度。(3)基于多源遥感数据的森林高度反演方法研究。利用Sentinel-1 SAR影像,采用极化和干涉(InSAR)技术,获取实验区的VV/VH极化后向散射系数、入射角、相位、相干性和数字高程模型(DEM),并从DEM中提取坡度信息;然后基于Sentinel-2多光谱影像计算光谱植被指数和生物物理变量,使用XGBoost算法将地面实测树高数据与SAR极化信息、干涉信息、光谱植被指数、生物物理变量和地形因素相联系,综合运用多源遥感数据反演森林高度。实验结果表明基于SAR数据得到的VH交叉极化特征参数比VV同极化特征参数更加有利于树高反演,说明交叉极化可以更好地探测森林结构信息。联合SAR数据中VH极化特征和光学特征的反演模型,具有最优的估算精度,决定系数(R~2)和均方根误差(RMSE)分别为0.757和1.648。该方法解决了现有森林高度估测算法中地相位估计不准确、算法复杂度高及激光雷达数据高成本的问题。本文利用多源遥感数据,结合SAR和光学数据各自的优势,提取与森林结构信息相关的特征变量,采用机器学习的分类及回归算法,实现中国东北地区森林类型识别和森林高度反演方法研究。