本發(fā)明涉及森林碳匯，更具體地說，涉及一種森林碳匯遙感監(jiān)測方法及系統(tǒng)。

背景技術(shù)：

1、森林碳匯是指森林植物吸收大氣中的二氧化碳并將其固定在植被或土壤中，從而減少該氣體在大氣中的濃度，森林是陸地生態(tài)系統(tǒng)中最大的碳庫，在降低大氣中溫室氣體濃度、減緩全球氣候變暖中具有十分重要的作用，森林碳匯遙感監(jiān)測具有重要意義，通過遙感技術(shù)，可以實現(xiàn)對森林碳匯的快速、準確監(jiān)測，為制定科學的林業(yè)方針政策、推進林業(yè)信息化和提供有力支持。

2、參考公開號為cn115829118a的專利申請公開了一種森林碳匯遙感監(jiān)測方法、裝置、設(shè)備及存儲介質(zhì)，該方法包括：從拍攝的目標森林區(qū)域的原始遙感圖像中提取多幅森林區(qū)域圖像；通過目標森林區(qū)域的歷史天氣庫獲取目標森林區(qū)域的氣候特征并提取特征因子；根據(jù)特征因子對所述多幅森林區(qū)域圖像進行輻射校正，并對校正后的多幅圖像進行整合，得到目標森林區(qū)域圖像；將目標森林區(qū)域圖像輸入預設(shè)碳匯模型，獲得碳匯量預測結(jié)果，由于本發(fā)明只需要獲取遙感數(shù)據(jù)以及查詢歷史庫數(shù)據(jù)，提升了智能化程度，同時通過預設(shè)的模型對碳匯量進行預測，在無需使用理論公式等固定的計算方法的同時實現(xiàn)了對森林碳匯的準確監(jiān)測，提高了監(jiān)測效率；

3、但是，現(xiàn)有技術(shù)通過圖像進行輻射校正和整合得到目標區(qū)域圖像，對遙感影像的處理不夠深入和全面，降低影像數(shù)據(jù)的準確性，不利于后續(xù)對影像數(shù)據(jù)進行分析和構(gòu)建模型；同時現(xiàn)有技術(shù)通過將目標區(qū)域影像輸入預設(shè)碳匯模型即可得到碳匯量預測結(jié)果，無法結(jié)合植被指數(shù)構(gòu)建更全面的碳儲量預測模型，且使用預設(shè)模型，無法有效應(yīng)對特定任務(wù)的特征，會導致預測結(jié)果不準確，無法對碳儲量預測模型有效性進行評估，無法為模型的參數(shù)優(yōu)化提供依據(jù)，降低模型的準確性與可靠性。

4、為此，我們針對上述問題提出一種森林碳匯遙感監(jiān)測方法及系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種森林碳匯遙感監(jiān)測方法及系統(tǒng)，解決了現(xiàn)有技術(shù)通過圖像進行輻射校正和整合得到目標區(qū)域圖像，對遙感影像的處理不夠深入和全面，降低影像數(shù)據(jù)的準確性，不利于后續(xù)對影像數(shù)據(jù)進行分析和構(gòu)建模型；同時現(xiàn)有技術(shù)通過將目標區(qū)域影像輸入預設(shè)碳匯模型即可得到碳匯量預測結(jié)果，無法結(jié)合植被指數(shù)構(gòu)建更全面的碳儲量預測模型，且使用預設(shè)模型，無法有效應(yīng)對特定任務(wù)的特征，會導致預測結(jié)果不準確，無法對碳儲量預測模型有效性進行評估，無法為模型的參數(shù)優(yōu)化提供依據(jù)，降低模型的準確性與可靠性的問題。

2、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：

3、一種森林碳匯遙感監(jiān)測方法，包括以下步驟：

4、步驟一：設(shè)定監(jiān)測內(nèi)容，選定監(jiān)測區(qū)域，監(jiān)測內(nèi)容包括碳儲量變化監(jiān)測和森林健康狀況監(jiān)測；

5、步驟二：收集覆蓋整個監(jiān)測區(qū)域的高分辨率遙感影像，并獲取多時相影像，收集地面調(diào)查數(shù)據(jù)，多時相影像是在不同時間點獲取的同一地域的一組影像，地面調(diào)查數(shù)據(jù)包括樹木高度、樹木胸徑、樹種組成和森林密度；

6、步驟三：對遙感影像進行幾何校正和輻射校正，將多幅影像拼接成一幅完整影像，并裁剪至監(jiān)測區(qū)域范圍內(nèi)；

7、步驟四：基于標準化影像計算植被指數(shù)，分析時間序列數(shù)據(jù)，評估森林的生長狀況和季節(jié)性變化；

8、步驟五：利用地面調(diào)查數(shù)據(jù)和植被指數(shù)構(gòu)建碳儲量預測模型，應(yīng)用機器學習方法計算每個像素的碳儲量，生成綜合碳儲量分布圖；

9、步驟六：將模型預測的碳儲量與現(xiàn)場測量數(shù)據(jù)進行對比，評估碳儲量預測模型有效性，編寫監(jiān)測報告。

10、作為本發(fā)明的一種優(yōu)選實施方式，設(shè)定監(jiān)測內(nèi)容和選定監(jiān)測區(qū)域的具體過程如下：

11、設(shè)定監(jiān)測內(nèi)容，監(jiān)測內(nèi)容設(shè)定為碳儲量變化監(jiān)測和森林健康狀況監(jiān)測，碳儲量變化監(jiān)測方法如下：設(shè)定監(jiān)測時間間隔，用于捕捉碳儲量的變化，采用遙感與地面調(diào)查相結(jié)合的方法，使用植被指數(shù)與地面調(diào)查數(shù)據(jù)整合，構(gòu)建碳儲量預測模型；

12、森林健康狀況監(jiān)測方法如下：根據(jù)遙感影像分析冠層變化、植被覆蓋度和植被指數(shù)，用于評估森林健康，定期地面調(diào)查記錄樹木的生長情況、病蟲害影響和冠層厚度；

13、在選定監(jiān)測區(qū)域之前，先確定監(jiān)測的具體目標，具體目標為：評估森林的碳儲量變化和分析森林健康狀況，制定監(jiān)測區(qū)域的選定標準，利用地理信息系統(tǒng)進行空間分析，繪制出合適的監(jiān)測區(qū)域；

14、選定標準具體內(nèi)容如下：選擇具有代表性的森林生態(tài)系統(tǒng)；

15、優(yōu)先選擇原始森林或恢復性林地；

16、選擇碳儲量變化顯著的區(qū)域；

17、選定區(qū)域在實際操作中易于進入和執(zhí)行監(jiān)測。

18、作為本發(fā)明的一種優(yōu)選實施方式，對遙感影像進行幾何校正和輻射校正的具體步驟如下：

19、幾何校正：選取一副具有精準地理參考的影像作為基準影像，從校正影像和參考影像中選擇n個已知地面控制點，標記這些控制點的影像坐標（xm,ym）和對應(yīng)的地理坐標（xm,ym），其中m=1,2，…，n，使用仿射變換模型將影像坐標轉(zhuǎn)換為地理坐標，轉(zhuǎn)換公式如下：，其中，（x＇,y＇）是校正后的地理坐標，（x,y）是待校正影像中的像素坐標，ɑ、b、c和d均是仿射變換參數(shù)，tx和ty分別表示x和y方向的平移量；

20、通過最小化控制點誤差構(gòu)造目標函數(shù)：

21、，其中，s是控制點間殘差的平方和，(xm，ym)是實際地理坐標，（xm＇，ym＇）是由變換模型計算的校正后坐標；

22、將獲得的仿射變換參數(shù)用于待校正影像，重采樣生成校正后的影像；

23、輻射校正：將影像的原始光譜亮度值轉(zhuǎn)換為反射率，轉(zhuǎn)換公式如下：

24、，其中，rλ是波長λ處的反射率，lλ是波長λ處的測得亮度值，θ是太陽高度角，eλ是波長λ處的太陽輻射強度；

25、采用均值-標準差方法進行輻射補償，通過對比標準影像計算校正因子，并將其應(yīng)用于校正影像。

26、作為本發(fā)明的一種優(yōu)選實施方式，對遙感影像進行拼接和裁剪的具體步驟如下：

27、影像拼接：在重疊區(qū)域選擇特征匹配點，利用特征提取算法來識別匹配點；

28、使用線性融合方法進行影像拼接，拼接公式如下：

29、mfinal（x,y）=αm1（x，y）+（1-α）m2（x，y），

30、其中，mfinal（x,y）是拼接后的影像在坐標（x,y）的像素值，m1（x，y）和m2（x，y）是兩幅影像在坐標（x，y）的像素值，α是平衡因子，0<α<1；

31、采用圖像處理工具執(zhí)行影像拼接，拼接后的影像必須在顏色和亮度上無明顯斷層，將拼接后的影像輸出為一個新的影像文件；

32、影像裁剪：使用矢量圖層定義所需裁剪區(qū)域的邊界，所需分析區(qū)域必須完全包含在內(nèi)，沿著裁剪區(qū)域邊界拼接后的影像進行裁剪。

33、作為本發(fā)明的一種優(yōu)選實施方式，對森林的生長狀況和季節(jié)性變化進行評估的具體過程如下：

34、對獲取的多時相影像進行幾何校正、輻射校正、拼接、裁剪和歸一化處理，生成每個時相對應(yīng)的標準化影像，將標準化影像保存后導出，獲取近紅外波段的反射率nir、紅光波段的反射率red和藍光波段的反射率blue，通過如下公式計算每個時相的增強型植被指數(shù)evi：

35、，其中，g為增益因子，e1和e2為調(diào)節(jié)因子，l為背景校正因子。

36、作為本發(fā)明的一種優(yōu)選實施方式，對通過公式計算出的每個時相的evi值記錄結(jié)果并形成時間序列數(shù)據(jù)集，對時間序列數(shù)據(jù)集中的數(shù)據(jù)進行缺失值處理和異常值檢測，繪制evi時間序列圖，計算時間序列的移動平均以平滑數(shù)據(jù)，使用線性回歸分析以識別長期趨勢；

37、通過evi值判斷森林生長狀況：當evi值大于等于預設(shè)森林健康生長閾值時，表明森林生長狀況良好，當evi值小于預設(shè)森林健康生長閾值時，表明森林生長狀況不佳；

38、確定evi值大于預設(shè)生長閾值的起止時間，將首次大于預設(shè)生長閾值的時間標記為生長季節(jié)的開始日期，將最后一次大于預設(shè)生長閾值的時間標記為生長季節(jié)的結(jié)束日期，生長季節(jié)長度gsl計算公式如下：gsl=結(jié)束日期-開始日期。

39、作為本發(fā)明的一種優(yōu)選實施方式，構(gòu)建碳儲量預測模型的具體過程如下：

40、將地面調(diào)查數(shù)據(jù)和計算出的增強型植被指數(shù)evi作為碳儲量預測相關(guān)的特征量，構(gòu)建特征集a，特征集a的內(nèi)容包括樹木高度、樹木胸徑、樹種組成、森林密度和evi值，將特征集a轉(zhuǎn)換為對應(yīng)的一組特征向量，將特征向量作為機器學習模型的輸入，并將每組特征向量對應(yīng)的碳儲量作為機器學習模型的輸出，以碳儲量為預測目標，以最小所有訓練數(shù)據(jù)的預測誤差之和作為訓練目標，對機器學習模型進行訓練，直至預測誤差之和達到收斂時停止訓練，得到碳儲量預測模型，碳儲量預測模型表示公式如下：

41、c=β0+β1·h+β2·dbh+β3·d+β4·evi+β5·ds+ε；

42、其中，c為預測的碳儲量，β0為截距，h為樹木高度，dbh為樹木胸徑，d為森林密度，ds為樹種組成構(gòu)成的變量，經(jīng)過必要的編碼，β1、β2、β3、β4和β5為每個輸入特征的回歸系數(shù)，ε為隨機誤差項。

43、作為本發(fā)明的一種優(yōu)選實施方式，計算每個像素碳儲量并生成綜合碳儲量分布圖的具體過程如下：

44、收集每個像素相對應(yīng)的樹木高度、樹木胸徑、森林密度及evi值數(shù)據(jù)，將收集到的數(shù)據(jù)轉(zhuǎn)換成對應(yīng)的一組特征向量輸入碳儲量預測模型中，通過碳儲量預測模型計算出每個像素的碳儲量，將計算出的每個像素的碳儲量映射到空間坐標上，形成一幅綜合碳儲量分布圖。

45、作為本發(fā)明的一種優(yōu)選實施方式，對碳儲量預測模型有效性進行評估的具體過程如下：

46、獲取用于分析的現(xiàn)場測量數(shù)據(jù)，現(xiàn)場測量數(shù)據(jù)的內(nèi)容包括樹木高度、樹木胸徑、森林密度、evi值及監(jiān)測區(qū)域的測量碳儲量，獲取碳儲量預測模型的預測數(shù)據(jù)，預測數(shù)據(jù)為碳儲量預測模型計算出的監(jiān)測區(qū)域的預測碳儲量，對現(xiàn)場測量數(shù)據(jù)和預測數(shù)據(jù)進行缺失值處理和標準化處理，通過如下公式計算碳儲量預測模型的均值絕對誤差mae：

47、；

48、其中，是第個預測值，是第個實際測量值，是樣本數(shù)量；

49、計算決定系數(shù)r2用以評估碳儲量預測模型解釋的變異：

50、，其中為實際測量值的平均值；

51、如果mae小于等于預設(shè)mae閾值且r2值接近1，表明碳儲量預測模型有效；

52、如果mae大于預設(shè)mae閾值，表明碳儲量預測模型無效；

53、以x?軸為碳儲量預測模型預測的碳儲量，y?軸為現(xiàn)場測量的碳儲量，繪制碳儲量散點圖，并在圖中繪制一條45°的參考線；

54、將比較過程的結(jié)果記錄在監(jiān)測報告中，監(jiān)測報告包括數(shù)據(jù)圖表、統(tǒng)計結(jié)果和分析結(jié)論，并將監(jiān)測報告發(fā)送給相關(guān)人員的通信終端。

55、作為本發(fā)明的一種優(yōu)選實施方式，一種森林碳匯遙感監(jiān)測系統(tǒng)，包括監(jiān)測平臺、監(jiān)測設(shè)定模塊、影像數(shù)據(jù)收集模塊、影像處理模塊、森林生長評估模塊、預測模型構(gòu)建模塊和模型評估模塊；

56、所述監(jiān)測設(shè)定模塊，對監(jiān)測內(nèi)容進行設(shè)定并選定監(jiān)測區(qū)域；

57、所述影像數(shù)據(jù)收集模塊，獲取多時相影像并收集地面調(diào)查數(shù)據(jù)；

58、所述影像處理模塊，對遙感影像進行幾何校正、輻射校正、拼接和裁剪處理；

59、所述森林生長評估模塊，對森林的生長狀況和季節(jié)性變化進行評估；

60、所述預測模型構(gòu)建模塊，用于構(gòu)建碳儲量預測模型并計算每個像素的碳儲量；

61、所述模型評估模塊，對碳儲量預測模型有效性進行評估。

62、相比于現(xiàn)有技術(shù)，本發(fā)明的優(yōu)點在于：

63、（1）本發(fā)明中，通過影像處理模塊對遙感影像進行幾何校正、輻射校正、拼接和裁剪處理，能夠顯著提高影像的準確性和可靠性，消除空間畸變和光譜差異，增強了數(shù)據(jù)的可用性，有利于后續(xù)對影像數(shù)據(jù)進行分析和構(gòu)建模型；

64、（2）本發(fā)明中，通過預測模型構(gòu)建模塊將地面調(diào)查數(shù)據(jù)和植被指數(shù)結(jié)合構(gòu)建全面的碳儲量預測模型，通過機器訓練學習得到碳儲量預測模型能夠有效應(yīng)對特定任務(wù)的特征，提高了預測的準確性和靈活性，還通過高效的機器學習算法生成高分辨率的碳儲量分布圖，支持科學決策與管理，為碳儲量研究提供了重要工具；

65、（3）本發(fā)明中，通過模型評估模塊對碳儲量預測模型有效性進行評估，能夠為模型的參數(shù)優(yōu)化提供依據(jù)，提高模型的準確性與可靠性，為環(huán)境管理和政策制定提供重要支持，提升公眾信任，促進研究領(lǐng)域的學術(shù)交流。