文摘

最近,大量研究试图确定森林高度使用遥感技术的好处不仅快速数据采集,处理和分析,但也划算。然而,如果没有足够的数据,应用最新的遥感技术,我们需要考虑各种各样的数据集。在这项研究中,我们试图确定森林高度使用discrete-return激光雷达数据,SRTM,卫星l波段SAR数据和光学数据。我们尝试用激光雷达DSM和DTM之间的差异,以及SRTM DSM和激光雷达DTM。此外,我们应用一个sba算法和线性回归数据集。从定量评价、RMSE和R²LiDAR-derived森林的高度(3.22 m和0.43,分别地)和SRTM-derived森林高度(2.90 m和0.50,分别地)都相当不错,尤其是当我们考虑数据采集时间差异和测量误差在山区。此外,我们稍微RMSE和改善R²分别从2.90 m和0.50,2.75米和0.54,分别纠正SRTM使用sba算法。此外,我们合并获得的数据集使用线性回归和改善森林和RMSE山庄R²值分别为2.68米和0.56。生成一个森林高度图,我们使用归一化植被指数从光学图像和蒙面从每个传感器的高度低于2米。因此,我们排除了城市地区,“光秃秃的地球表面,”和山流从每个传感器的图像。最后,我们生成了一个森林高度图重叠的数据集。这项研究的结果表明,每个传感器都有潜力不仅决定森林高度还提取森林面积互补信息。此外,这项研究表明潜在的改进使用sba算法和线性回归。

1。介绍

最近,遥感技术提取森林信息收到了大量的关注。遥感技术是有效的方法提取森林信息不仅由于快速数据采集、处理和分析,还因为它们是划算的。森林的信息,可以使用遥感数据获得,森林高度估计森林中扮演一个重要的角色数量和地上部生物量(1]。由于这些原因,许多研究试图估计森林高度使用遥感数据(如激光雷达(光探测和测距),光学图像和SAR(合成孔径雷达)。

每个传感器都有不同的波长区间数据采集。例如,光学图像操作的无源传感器采用可见光谱,而另一方面,激光雷达和SAR有源传感器使用近红外和微波波段,分别。从这个意义上说,合并各种遥感数据有可能为森林高度提取提供可靠的结果。

激光雷达是一种最强大的方法来评估森林高度;因此,许多研究试图将激光雷达与光学图像。Shendryk et al。2结合激光雷达数据和多光谱图像(SPOT-5)使用线性回归来估计森林的树冠高度。Erdody和Moskal3)合并机载激光雷达和高分辨率彩色近红外图像估计树冠燃料指标杰克松。除了激光雷达和光学图像的融合,研究了SAR和光学图像的合并(4- - - - - -8]。

值得一提的是,每个传感器有几个缺点。虽然已成功用于树冠高度映射,激光雷达数据难以更新经常因为费用高9]。此外,有研究专门关注全波形激光雷达(10),但这些数据通常是没有商业化。在光学数据的情况下,提取水平地区的利益,而不是垂直结构。与此同时,大多数研究使用SAR数据集中在偏振干涉法([11),Damawan et al ., 2014)或使用波长灵敏度的差异,如x波段之间的差异和p波段,计算高程(7]。然而,很难获得极化和不同波长的数据,除了一个机载SAR系统。

在本文中,我们使用可用的数据,比如discrete-return激光雷达数据,SRTM(航天飞机雷达地形测绘任务),卫星l波段SAR数据,和光学数据,而不是最新的数据,如全波形激光雷达和X - p波段SAR数据,这在以前的研究中已经被证明是适合森林高度计算。激光雷达DTM(数字地形模型)为我们提供了一致的地形底图,和SRTM,由6厘米波长短,提供从表面反射的森林。丰富的SAR卫星数据允许我们更新SRTM使用sba(小基线子集)算法(12地形错误)。一般来说,光学图像主要用于土地覆盖分类,尤其是归一化植被指数(归一化植被指数)已被验证为识别像素特征是植被的有效措施。总之,森林高度的确定进行如下:(1)我们使用各种遥感数据,不仅空中飞行数据,而且SAR卫星数据克服数据不足没有可用的数据。(2)通过将sba算法应用到SAR图像减少地形误差,然后估计森林高度,我们扩展的应用根据sba SAR卫星图像的算法。

本文组织如下。首先,我们描述字段数据的收集和提供细节的遥感数据采集(SAR,激光雷达和光学图像)。然后,我们现在使用的方法处理,最后,我们将讨论结果。

2。研究区域与数据

2.1。研究区域

这个调查的研究区域是一个大约20公里²区域内Jangsan山在釜山,朝鲜(图1)。山的海拔是634米,山的形状是锥形。这个地区主要是由松树林和芦苇草在山顶。松树是容易识别的树,因为它的形状。因此,测量松树高度比阔叶树木容易(图2)。同时,在该地区,我们可以收集诸如SAR遥感数据,激光雷达和光学数据。一个原位森林高度调查整个地区在2012年9月和10月使用激光高度测量除了人工建筑(表1)。我们决定森林高度平均激光高度测量三次在相反的方向。同时,树种组成有重要影响森林高度测量。因此,我们测量了90点原位树的高度只有松树与遥感数据集(表比较2)。

2.2。遥感数据

我们获得的SAR图像从ALOS PALSAR研究区域2007年和2010年之间的一段时间内(表3)。我们生产30干涉图和地形SRTM数据不仅要正确使用阶段贡献但也估计森林高度DSM(数字表面模型)。激光雷达数据在2007年2月收购了徕卡ALS50传感器,和空中摄影是生成NDVI数据对研究区2012年4月。各种各样的远程传感器有不同的分辨率。在我们的研究中,我们使用一个5米分辨率激光高程模型,2.5航空摄影,30米使用multi-look SRTM DEM和30米SAR图像。因此,我们进行了下来——图像处理后和upsampling 5 m分辨率。

在处理,遥感数据集包括树高收购时差引起的误差和传感器规范。然而,这些误差源在厘米级别,不需要考虑地面树高测量时可能更重要的是,特别是在山区地形。

3所示。方法

3.1。使用光学图像提取归一化植被指数

光学传感器给像素值仅代表直接反射的光的强度从森林表面。因此,这种传感器通常用于水平森林参数,如森林面积,通过与整个交互树尤其是乐队。这些不同的乐队让我们土地覆盖分类,尤其是采用归一化植被指数法。归一化植被指数被定义为(13] 在哪里和在近红外光谱反射率测量获得和红色(可见的)地区,分别。

几个参数进行了归一化植被指数不仅是相关的分类,而且树高。王等人。14)发现,树高增加与归一化植被指数的变化比前一年使用NOAA / AVHRR(国家海洋和大气管理局/先进的高分辨率辐射计)卫星图像。因此,我们使用归一化植被指数,计算high-geometrical-resolution森林面积多光谱航拍图像进行分类和提取森林高度。我们获得了归一化植被指数图,downsampled 5 m分辨率使用立方插值。知道后归一化植被指数有巨大的噪音在复杂的城市地区,我们应用11×11(图中值滤波来消除这种噪声3)。

3.2。激光雷达

激光雷达系统测量范围从传感器到一个目标使用TOF(飞行时间)高频激光脉冲。每个激光脉冲记录为一个点,并提供垂直差异最后返回(假定DTM)和第一个返回(假定为DSM)。森林高度可以确定使用DTM和DSM的区别15)(图4)。我们使用discrete-return激光雷达数据是一个可用的遥感数据集。激光雷达数据的另一个作用是,它提供了高精度DTM,也鲜有变化而DSM。

3.3。sba使用l波段SAR

如上所述,使用SAR在森林高度估计的情况下,大多数研究都集中在偏振测定和乐队的渗透能力。被认为是在这个框架中,有必要使用极化数据,如terrasar - x,和长波长飞行器,如p波段SAR传感器。这些系统,然而,仍然是实验或一般不是商用在我们的研究领域;因此,我们使用这些系统,而是ALOS PALSAR SAR图像来克服数据缺乏,我们增加了使用sba算法精度。我们sba应用微分干涉图生成算法通过使用模拟的干涉图的SRTM DEM multi-looked使用三个看起来在范围和十二个看起来方位,分别。我们使用SRTM DEM的微分干涉图,尽管拥有更高的精度激光雷达DTM因为后者只涉及一小部分的SAR图像。结果,我们使用sba的地形误差估计算法的微分干涉图。sba算法的微分相位如下: 在哪里的阶段, 是时间变量对主人和奴隶收购时间,表面位移,和方位和倾斜范围像素坐标,雷达波长,是垂直基线,R是倾斜范围距离传感器像素,看的角度。第一项占变形阶段,第二项占地形误差,第三是大气影响阶段,和上学期占相位噪声通过解相关或噪音的效果。

从(2),第一项,因为没有考虑变形阶段的研究区域是稳定和大气效应的第三项是被忽视的,因为我们认为大气效果是随机的和对时间和相位噪声类似,这是 和 。因此,我们定义(Δ地形错误z)迭代(16]

地形错误如图5 (b)来自sba算法代表了C-band-derived SRTM DEM误差。因此,我们估计森林高度区别SRTM DEM和激光雷达DTM使用回归模型(图5(一个)),然后我们做了一个森林高度图使用民主党修正(图5 (c))。此外,我们估计和分析森林高度结合激光雷达上使用线性回归,SAR和归一化植被指数数据。

4所示。结果与讨论

4.1。估计森林高度

我们进行了对比SRTM-derived森林高度和从地形上纠正SRTM-derived森林高度对现场的数据集(数字6(一)和6 (b))。均方根误差的估计森林高度从第一个方法,第二个方法有点改善,从2.90到2.75的R²从0.50增长到0.54。在激光雷达数据的情况下,RMSE和R²计算分别为3.22米和0.43(图6 (c));然而,当激光雷达数据采集差异和原位数据考虑,尤其是对研究区域的山地地貌,这些结果表明,该方法是可行的确定森林高度。

改善结果,我们合并后的数据通过线性组合如下: 在哪里 和f系数和c和f偏移值从每棵树高度数据获得和最小二乘法。

从(4),森林的RMSE高度由合并后的数据提高了约10厘米,从SAR-derived森林高度50厘米,LiDAR-derived森林高度,分别。这种方法可能是最可行的方法来确定森林高度(图7(一))。在归一化植被指数的情况下,有账户有一个归一化植被指数和树高之间的关系(14];然而,它是不可能估计森林高度使用这种方法在这项研究中,因为大多数树木的研究区域有轻微的阀杆直径和树木年轮(图7 (b))。

4.2。森林面积的映射

根据激光雷达DTM我们提取森林高度;然而,这种方法导致意想不到的森林地区,如城市地区(人工建筑物)或芦苇。消除城市地区的森林高度图,我们计算NDVI值使用空中NIR和R-bands光学图像。首先,我们从激光雷达蒙面低于2米高——和SAR-derived高度地图,因为我们只收集/ 2米高的树。从第一屏蔽的结果,城市仍然作为一个森林面积在常见的激光雷达和SAR-derived高度地图因为人工结构高于阈值。此外,SAR数据集排除山间溪流在河谷地区。更精确地说,有薄的森林地区沿着溪流的l波段比茂密的森林地区的程度更深。此外,“秃地球表面”所指区域施工日期SRTM DEM收购后提出的“秃地球表面”不是因为SAR-derived森林地区的地图。其次,我们使用了一个NDVI值阈值0.4 nonforest区域去除城市区域。

最后,我们生成的森林面积图重叠的三个数据集(图8使用激光雷达)和生成森林高度图,特别行政区,NDVI数据,每个数据集和森林面积的线性组合(图9)。比较的结果,我们生成一个高度剖面(图10)。概要文件显示,LiDAR-derived森林高度好代表详细的变化而SAR-derived森林高度代表了整体模式。如果我们使用两个合并数据集,我们不仅代表总体模式,还详细的森林面积变化。然而,归一化植被指数的因素没有影响森林高度检索。

5。结论

遥感技术是有效的方法快速提取森林的高度,用具有成本效益的工具。然而,我们的研究区域数据不足的最新数据,如全波形激光雷达和X - p波段SAR数据。相反,我们决定森林高度使用常见的远程数据,如discrete-return激光雷达数据,SRTM,卫星l波段SAR数据和光学数据。此外,为了提高业绩,我们应用了sba SRTM DEM误差修正算法并结合每个数据集使用线性回归。然后我们提取的森林地区重叠的归一化植被指数和森林高度数据超过2 m允许传感器互补。使用这个过程,我们生成一个森林高度图作为最终产品的RMSE精度2.68米。

概括地说,这项研究显示了各种方式使用有限的数据生成森林高度图。尽管不同采集时间,应该注意的是,每个传感器都有可能不仅决定森林高度,而且提取互补的森林面积。此外,使用有可能提高sba算法和线性回归。对于那些可能会遇到缺乏足够的数据来生成森林高度图,这项研究提供了一种可能的方法。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了韩国国家研究基金会(NRF)授予由韩国政府资助(MSIP)(没有。NRF - 2017 r1a2b4003258)和基础科学研究项目通过韩国国家研究基金会(NRF)由科技部,ICT和未来规划(NRF - 2015 m1a3a3a02013416)。