生成空间连续冠层高度产品的深度学习指导空间插值方法

技术领域

本发明涉及生态遥感领域，尤其涉及一种用于生成空间连续冠层高度产品的深度学习指导空间插值方法。

背景技术

森林冠层高度是反映森林资源的重要参数，并已经成功应用于森林碳储量的研究中。另外，森林冠层高度也可以应用于森林生态多样性的起源、发展和维持机制的理解，并以此为参考制定管理政策以保护森林生态系统。早期研究者通常使用激光测距仪测量样方内单颗树木的高度，这种测量方式需要耗费大量的时间与劳动力，并且无法实现全球大范围的森林冠层准确量化。目前，联合实地测量的冠层高度数据与光学影像获取的特征参数建立森林冠层高度反演模型，是常用的大尺度森林冠层高度制图方法。但是，光学影像难以穿透森林冠层，在反演冠层高度时会出现强烈的饱和效应，无法准确地估计树木密度较高区域的冠层高度。

激光雷达系统使用激光脉冲可以穿透森林冠层，获得森林的三维结构特征，为准确森林冠层高度提供了可靠的数据源。特别是，背包、无人机与机载激光雷达技术的快速发展推动了其在森林高度测量中应用。但是，受限于工作方式和采集成本，仅使用无人机与机载激光雷达很难完成大尺度的森林冠层高度制图。星载激光雷达，即搭载于人造卫星的激光雷达系统，能够在一个运行周期内获取地球大部分区域甚至全球的数据，为大尺度森林冠层高度制图提供了可能。特别是，近期发射的全球生态系统动力学调查系统(GlobalEcosystem Dynamics Investigation,GEDI)可以实现全球大部分森林区域(51.6°S～51.6°N)的冠层结构观测，且脚点密度较高，为大尺度森林冠层高度制图提供了可靠的数据支持。但是，GEDI采用的是离散化的脚点观测方式，难以直接生成空间连续的大尺度森林冠层高度数据。

现有研究借助离散的星载激光雷达数据生成空间连续产品的途径主要有两种，一种是借助光学影像生成反演模型，这类模型难以消除光学影像饱和作用的影响，并且无法充分利用GEDI数据脚点密度较高的优势。另一种是采用空间插值模型，其可以发挥现有GEDI高脚点密度的优势，但现有的空间插值模型仅仅使用空间距离计算插值权重，忽略了地理环境和地物本身属性等对插值权重的贡献。

发明内容

本发明的目的在于提供一种生成空间连续冠层高度产品的深度学习指导空间插值方法解决了现有技术中提出的上述技术问题。

本发明提供了一种生成空间连续冠层高度产品的深度学习指导空间插值方法，包括如下步骤操作：

选取星载激光雷达数据获取的冠层高度数据作为需要插值点位的邻域点位的观测数据；

获取需要插值点位与所述邻域点位的地理环境属性信息；所述地理环境属性信息包括空间特征、地形特征、气象特征与光谱特征；

获取机载激光雷达数据，通过地面滤波将所述机载激光雷达数据中的地面点与冠层点区分得到以所述地面点生成的数字高程模型DEM

以所述的星载激光雷达的邻域点位的观测数据、所述需要插值点位与所述邻域点位的地理环境属性信息、所述的冠层高度模型CHM

所述空间特征为需要插值点位与邻域点位的空间位置；所述地形特征为机载激光雷达数据中的数字高程模型DEM计算的高程、坡度、坡向特征信息；所述气象特征为计算得到的年平均温度、平均温度季节指数、年平均降水量和平均降水季节指数；所述光谱特征为归一化植被指数NDVI；

所述需要插值点位与所述邻域点位的地理环境属性信息，具体包括：

对所述需要插值点位与邻域点位之间的地理环境属性信息求差，得到特征距离向量(d

所述d

所述d

所述d

所述d

所述深度学习指导空间插值模型拓展经典克里金插值方法中λ

所述经典克里金插值方法为

其中，所述Z(l

步骤S42：利用所述特征距离向量(d

λ

将所述需要插值点位的地理环境属性信息中的地形特征、气象特征、光谱特征通过神经学习模型多层感知机(MLP)获取常数λ

λ

式中，T为地形特征；

M为气象特征；

S为光谱特征；

由所述插值权重λ

其中，插值点位Z(l

以所述插值点位Z(l

与现有技术相比，本发明实施例至少存在如下方面的技术优势：

分析本发明提供的上述一种生成空间连续冠层高度产品的深度学习指导空间插值方法可知，在具体应用时，选取星载激光雷达数据获取的冠层高度数据作为需要插值点位的邻域点位观测，所述的星载激光雷达数据是下载的GEDI的L2A产品提供的脚点数据，可以利用脚点的地理位置从中筛选去森林区域的数据，并从中提取出冠层高度的参数RH98，作为插值点位的邻域点位的冠层高度观测，可以发挥现有GEDI高脚点密度的优势；利用机载激光雷达数据生成的冠层高度产品进行训练学习得到空间、地形、气象与光谱等特征距离之间的占比，利用插值点位与邻域点位之间的空间、地形、气象与光谱等特征距离向量计算插值权重；

所述的空间、地形、气象与光谱等特征距离首先通过航天飞机雷达地形测绘任务(Shuttle Radar Topography Mission,SRTM)的数字高程模型DEM(Digital elevationmodel)计算的高程、坡度、坡向等地形特征，通过WorldClim(2.1)产品计算的年平均温度、平均温度季节指数、年平均降水量和平均降水季节指数等计算了气象特征；其中，所述WorldClim(2.1)产品为一个全球高分辨率气候数据分享平台；其中所述平均温度(降水)季节指数的作用是表征温度(降水)的月变化情况，并由下式计算：

式中，MS表示平均温度(降水)季节指数；

SD

Mean

通过LandSat8数据计算了归一化植被指数NDVI(Normalized differencevegetation index)作为光谱特征；其中，所述Landsat8是美国陆地卫星计划(Landsat)的第八颗卫星，Landsat8上携带陆地成像仪和热红外传感器可用于获取植被和无植被特征；然后对需要插值点为与邻域点位间的特征求差，即可得到特征距离向量(d

所述d

所述d

所述d

所述d

在使用空间距离的基础上，引入了地形、气象和光谱等特征距离重新构建插值权重λ

λ

进一步的，与λ

λ

式中，其中，T表示待插值点的地形特征；

M表示待插值点的气象特征；

S表示待插值点光谱特征；

所述的深度学习模型训练需要的冠层高度产品主要收集森林区域的机载激光雷达数据，进而从森林的机载激光雷达数据中分离出属于地面的地面点与属于植被的冠层点，由地面点可以生成数字高程模型DEM，由冠层点生成数字表面模型DSM(Digitalsurface model)；DSM与DEM的插值(DSM-DEM)即为森林的冠层高度产品；充分考虑地理环境和地物本身属性等对插值权重的贡献。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为生成空间连续冠层高度产品的深度学习指导空间插值方法的流程图；

图2为本发明实施例提供的述深度学习指导空间插值模型流程图；

图3为本发明实施例提供的星载激光雷达数据及其脚点分布示意图；

图4为本发明实施例提供的深度学习指导空间插值方法示意图；

图5为本发明实施例提供的机载激光雷达数据示意图；

图6为本发明实施例提供的内插生成的冠层高度产品示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

实施例一

本发明实施例提出了一种生成空间连续冠层高度产品的深度学习指导空间插值方法，包括如下操作步骤：

参见图1，步骤S10：选取星载激光雷达数据获取的冠层高度数据作为需要插值点位的邻域点位；所述冠层高度数据是通过下载的GEDI L2A脚点数据，利用脚点的地理位置从所述GEDI L2A脚点数据中筛选去森林区域的数据，并从中提取出冠层高度的参数RH98；本发明实例采用的技术方案充分发挥现有GEDI高脚点密度的优势获取邻域点位集合；

S20：获取所述需要插值点位与所述邻域点位的地理环境属性信息；所述地理环境属性信息包括空间特征、地形特征(即地形特征T)、气象特征与光谱特征(或称空间特征信息、地形特征信息、气象特征信息、光谱特征信息)；本发明实例采用的技术方案充分考虑地理环境属性信息对插值权重的贡献；

其中，所述空间特征为需要插值点位与邻域点位的空间位置；

所述地形特征为机载激光雷达数据中的数字高程模型DEM计算的高程、坡度、坡向特征信息；

所述气象特征为为计算得到的年平均温度、平均温度季节指数、年平均降水量和平均降水季节指数；

所述光谱特征为归一化植被指数NDVI；

S30：获取机载激光雷达数据，通过地面滤波将所述机载激光雷达数据中的地面点与冠层点区分得到以所述地面点生成的数字高程模型DEM

S31：以所述数字表面模型DSM

S40：以所述的星载激光雷达的邻域点位的观测数据、所述需要插值点位与所述邻域点位的地理环境属性信息、所述的冠层高度模型CHM

参见图2，步骤步骤S41：对所述需要插值点位与邻域点位之间的地理环境属性信息求差，得到特征距离向量(d

所述d

所述d

所述d

所述d

步骤S42：利用所述特征距离向量(d

λ

步骤S42：将所述需要插值点位的地理环境属性信息中的地形特征、气象特征、光谱特征通过神经学习模型多层感知机(MLP)获取常数λ

λ

式中，T为地形特征；

M为气象特征；

S为光谱特征；

步骤S43：由所述插值权重λ

其中，插值点位Z(l

步骤S44：以所述插值点位Z(l

实施例二：

本发明实施例提出了一种生成空间连续冠层高度产品的深度学习指导空间插值模型；

所述深度学习指导空间插值模型拓展经典克里金插值方法

其中，Z(l

所述的深度学习指导的空间插值方法利用地理学第三定律指出的“如果两个地理目标的地理环境越相似，它们就会具有越相近的地理特征”拓展了上述的经典克里金插值方法中λ

λ

λ

式中，MLP表示深度学习方法多层感知机；d

其中，所述其中，所述使用深度学习方法多层感知机学习空间插值的权重，需要借助利用机载激光雷达数据生成的深度学习指导的空间插值模型的训练数据、利用星载激光雷达得到的空间插值模型需要的邻域观测、利用地形、气象、光谱等辅助数据提取的特征距离；

其中，所述空间特征为需要插值点位与邻域点位的空间位置；所述地形特征为机载激光雷达数据中的数字高程模型DEM计算的高程、坡度、坡向特征信息；所述气象特征为计算得到的年平均温度、平均温度季节指数、年平均降水量和平均降水季节指数；所述光谱特征为归一化植被指数NDVI；然后对需要插值点为与邻域点位间的特征求差，即可得到特征距离向量(d

所述d

所述d

所述d

所述d

本发明实例提出的一种生成空间连续冠层高度产品的深度学习指导空间插值方法，选取星载激光雷达数据获取的冠层高度数据作为需要插值点位的邻域点位观测，利用机载激光雷达数据生成的冠层高度产品进行训练学习得到空间、地形、气象与光谱等特征距离之间的占比，利用插值点位与邻域点位之间的空间、地形、气象与光谱等特征距离向量计算插值权重。

综上所述，本发明实施例技术方案带来的有益效果：可以发挥现有GEDI高脚点密度的优势，并充分考虑地理环境和地物本身属性等对插值权重的贡献。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。