基于雷达和卫星遥感的森林植被碳储量估算的方法和装置

技术领域

本发明涉及森林植被碳储量估算领域，具体涉及一种基于雷达和卫星遥感的森林植被碳储量估算的方法和装置。

背景技术

当前，以全球变暖、极端天气频繁发生为代表的气候变化问题，深刻影响着人类生存与发展。森林生态系统作为一种广泛分布的生态系统类型，在全球碳循环和气候调节中起重要作用，也是中国陆地生态系统的主要碳库。森林植被碳储量是指某个时间点森林植被碳库中碳元素的储存量(或质量)，包括植被地上碳储量和地下碳储量，通过测算不同时间点的碳储量，可以获取森林植被的固碳量，为碳汇测算提供数据支撑。

目前森林植被碳储量的估算方法主要有森林资源清查法、生物量转换因子法、遥感模型法等。计算森林植被碳储量的数据主要依赖于样地调查中获取的单木参数，包括树高、胸径、冠幅、枝下高等，通过结合不同树种的异速生长方程及含碳率进行碳储量估算。然而，传统的样地植被人工调查方法费时费力，调查人员主观性强，导致调查结果误差较大、准确性低，而且在大尺度的生物量获取中存在局限性。如何快速、高效、准确地获取森林样地的单木参数，并将样地碳储量进行尺度上推，是林业关注的重点问题，对于准确测算森林植被碳储量和碳汇能力至关重要，对森林生态环境监测与评价具有重要意义。

发明内容

有鉴于此，本发明提供了一种基于雷达和卫星遥感的森林植被碳储量估算的方法，该方法可以利用多源遥感数据源、地形数据及气候数据，实现多源数据融合的森林碳密度快速估算，提高估算精度。同时利用随机森林算法建立碳密度外推模型，可以更好地拟合植被碳密度与模型参数间的非线性关系，该方法包括：

步骤1：根据目标研究区域大小确定样地数量，在目标研究区域布设森林标准调查样地，使样地网格化均匀分布于所述目标研究区域的森林植被覆盖范围内；

步骤2：利用背包式激光雷达扫描获取所述样地内部植被点云数据，并利用差分GPS记录所述样地中每棵树木的位置，确定每棵树木的物种；

步骤3：对所述点云数据进行依次进行解算、去噪、分类、归一化以得到经过预处理的所述点云数据；

步骤4：利用PCS算法从经过预处理的所述点云中将每棵树分割出来，基于每棵树的点云数据提取其特征参数；

步骤5：基于所述每棵树的特征参数及异速生长方程估算所述森林标准调查样地的植被地上的生物量和生物量密度；

步骤6：根据所述植被地上生物量、含碳率、样本面积计算得到所述目标样地的植被碳密度；

步骤7：以所述目标样地的植被碳密度作为响应变量，基于遥感数据提取样地的植被遥感参数作为预测变量，利用随机森林算法构建植被碳密度模型，最终得到目标区域的碳密度及碳储量的反演结果；或者基于所述目标样地遥感数据，和所述目标样地的植被碳密度通过深度学习的人工智能模型对目标区域植被地上碳密度和碳储量水平进行预测。

特别地，所述步骤2中，获取所述样地内部植被点云数据时，所述的激光雷达对所述样地的扫描路径为“Z”字型或直接沿对角线扫描所述样地；

利用差分GPS记录样地中每棵树木的位置包括:通过GPS基准站的准确数据与GPS移动站获取的样地中每棵树木的位置数据进行差分计算，得到的每棵树木的准确位置。

特别地，所述步骤3中对所述点云数据进行预处理，包括：

导出数据后根据四角标志物裁剪点云，对裁剪后的点云数据进行解算，根据设备测量得到的目标点距离值和相对应的激光发生器的水平及垂直角度，解算出该目标点的三维坐标数据；对所述点云数据进一步进行去噪后，利用分类算法进行分类，使得植被与非植被分离并进行归一化处理。

特别地，所述步骤4中采用PCS算法从经过预处理的所述点云中将每棵树分割出来包括：从点云数据中选择一个点作为初始种子点，可以选择较高的点作为树冠点；以种子点为中心，在设定的搜索半径范围内查找相邻点，如果相邻点与种子点在位置、法向量等方面相似，则将其加入到种子点所在的聚类中，不断迭代扩大聚类范围；计算每个聚类的域值特征，包括点数、簇高和体积；根据阈值判断该聚类是否为一棵完整的树，如果是则标记为一个分割对象；重复迭代选择下一个未标记的点作为种子点，不断重复直到所有点都被标记为某个分割对象或噪声点；根据聚类的域值特征，可将过大的聚类进一步细分为多个树冠，避免两棵相邻树木被错误分割在同一聚类；也可以检测树冠过小的聚类，将其合并到附近聚类；最后所有被标记为树木的聚类即为分割成功的单棵树木点云；

基于每棵树的点云数据提取每棵树的特征参数包括获取树高和胸径，具体包括：寻找每棵单木点云的树冠最高点，最高点到地面的位置即为树高；基于单木分割后的单木点云数据，进行圆柱拟合，截取预定高度的点云片层，然后计算各树干点所构成的圆的中心点，进而计算中心点到圆周点的距离来获取单木的胸径。

特别地，基于所述每棵树的特征参数及异速生长方程估算所述森林标准调查样地的植被地上的生物量密度包括：根据单木的树高和胸径根据树种不同，分别计算其树干、树枝、树叶、花果的生物量，加和后得到所述每棵树的单木地上生物量；将所述样地内所有树木的生物量加和，除以样地面积，得到目标样地生物量密度。

特别地，所述步骤6具体包括：将目标样地内的单木按照树种进行分类，基于文献资料或者实测数据获取对应树种的含碳率，

以上公式中，C

特别地，所述步骤7具体包括：根据步骤2中获取样地内部植被点云数据的时间段，获取该时间段内的采样区域的多光谱遥感影像数据、地形数据和气候数据；对所述多光谱遥感影像进行预处理，并分别提取同时期的微波遥感数据作为建模因子，用于弥补光学遥感信息缺失的垂直结构信息；所有的建模参数采用重采样方法统一空间分辨率。

特别地，利用随机森林算法构建植被碳密度模型，包括：首先通过对原始的训练样本采用自助式(bootstrap)的方式进行重复、有放回的随机抽取，未被抽取到的数据称为袋外(out ofbag)数据；其次，随机选取若干变量建立决策树；最后不断重复以上过程，生成若干棵决策树；通过对误差值与决策树数量的对比图，决定采用合适的重复次数，完成回归计算。

特别地，所述步骤7中基于所述目标样地的植被碳密度通过深度学习的人工智能模型对目标区域植被地上碳密度和碳储量水平进行预测包括：对所述目标样地的植被碳密度进行缩放和/或标准化预处理，将其输入所述深度学习的人工智能模型；该人工智能模型包括：CNN模块、丢弃模块、LSTM模块和SVM模块；其中，CNN模块用于接收输入遥感影像数据，提取特征数据后输出到所述丢弃模块；所述丢弃模块接收所述CNN模块输出的特征向量，将其中随机置零一定比例特征，防止过拟合；所述LSTM模块用于接收丢弃模块中的特征序列，学习其中的时间特征后输出到所述SVM模块；将经过预处理的所述目标样地的植被碳密度作为标签数据与所述时间特征一起作为样本输入到SVM模型中，经过对模型的训练和微调后将其用于对目标区域植被地上碳密度和碳储量水平的预测。

本发明还提出了一种基于雷达和卫星遥感的森林植被碳储量估算的装置，包括：样地布设模块，用于根据目标研究区域大小确定样地数量，在目标研究区域布设森林标准调查样地，使样地网格化均匀分布于所述目标研究区域的森林植被覆盖范围内；

点云数据获取模块，用于利用背包式激光雷达扫描获取所述样地内部植被点云数据，并利用差分GPS记录所述样地中每棵树木的位置和物种；

点云数据预处理模块，用于对所述点云数据进行依次进行解算、去噪、分类、归一化以得到经过预处理的所述点云数据；

树木特征参数提取模块，用于利用PCS算法从经过预处理的所述点云中将每棵树分割出来，基于每棵树的点云数据提取每棵树的特征参数；

生物量和生物量密度估算模块，用于基于所述每棵树的特征参数及异速生长方程估算所述森林标准调查样地的植被地上的生物量和生物量密度；

植被碳密度计算模块，用于根据所述植被地上生物量、含碳率、样本面积计算得到所述目标样地的植被碳密度；

目标区域碳密度和碳储量计算和水平预测模块，用于以所述目标样地的植被碳密度作为响应变量，基于遥感数据提取样地的植被遥感参数作为预测变量，利用随机森林算法构建植被碳密度模型，最终得到目标区域的碳密度及碳储量的反演结果；或者基于目标样地遥感数据和所述目标样地的植被碳密度，通过深度学习的人工智能模型对目标区域植被地上碳密度和碳储量水平进行预测。

有益效果：

1、利用激光雷达获取样地单木参数，避免了传统人工调查的主观误差，提高了参数获取的精确性。

2、基于单木参数计算样地碳储量，再结合多源遥感数据建模实现碳储量反演，实现了从样地到区域尺度的碳储量估算，扩大了应用范围。

3、使用随机森林算法建模，可以更好拟合碳储量与影响因子之间的非线性关系，提高了模型的预测精度。

4、该方法可以快速高效获取区域碳储量分布，为碳源汇测算和碳交易提供科学依据。

5、该方法融合了传统调查与高新技术，可以推动林业调查模式的转变，提高工作效率。利用多源遥感数据源、地形数据及气候数据，实现多源数据融合的森林碳密度快速估算，提高估算精度。同时利用随机森林算法建立碳密度外推模型，可以更好地拟合植被碳密度与模型参数间的非线性关系。

附图说明

图1为本发明中基于雷达和卫星遥感的森林植被碳储量估算的方法示意图；

图2为本发明中背包式激光雷达扫描获取样地内部植被点云数据的路径规划示意图；

图3a为本发明中点云数据预处理后的效果图；

图3b为本发明中单木分割后的点云数据效果图；

图4为本发明中基于雷达和卫星遥感的森林植被碳储量估算的装置示意图；

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种基于雷达和卫星遥感的森林植被碳储量估算的方法，如图1所示，包括以下步骤：

步骤1：在目标研究区域布设森林标准调查样地，可根据研究区域大小确定样地数量，使样地网格化均匀分布于目标区域的森林植被覆盖范围内；

步骤2：利用背包式激光雷达扫描获取样地内部植被点云数据。扫描前需要搜集测区资料并规划扫描路线，依据搜集的测区资料，确定设备运行的最佳环境和气象条件。采集前需要进行路径规划，路线规划目的是可以采集到树木的所有信息，同时减少数据冗余。例如针对30m*30m的样区，如果树木比较密集，采用图2左侧所示的路径规划，若树木比较稀疏，则可采用图2右侧所示的路径规划：

完成路径规划后，调查人员背负设备到达指定样地，调试好设备参数，在样地内部和外部行走，行走路径将监测样地包含，确保最终路径闭合，单次行走轨迹控制在3km以内。获取样地背包激光雷达点云数据后，利用差分GPS记录样地中每棵树木的位置和物种，方便后续构建生长方程使用。利用差分GPS记录样地中每棵树木的位置和物种，具体步骤如下:

准备GPS接收机及测站:选择双频差分GPS接收机，安装在三脚架上进行定位观测；设置1-2个临时基准站，进行静态定位以获得测站精确坐标。

运到样地现场:将GPS接收机运到样地现场，基准站设置在开阔地面上，保证能接收到足够的卫星信号。

进行静态观测:在样地内逐棵树进行静态观测，每棵树观测时间不少于15分钟，观测间距在树冠下方1.5米处，确保接收卫星信号良好。

记录树木属性:在观测的同时，记录每棵树的物种、胸径、树高、冠幅等属性信息。可以使用录入式GPS接收机直接输入树木属性数据。

数据处理:将基准站数据和移动站数据下载进入处理软件，进行差分解算，可以达到厘米级的定位精度，确定每棵树的坐标。

构建地理数据库:将差分处理后的树木坐标数据和属性数据导入地理信息系统，构建森林样地数字化树木地理数据库。

步骤3：对点云数据进行预处理，提高数据质量，获取高精度点云信息。完成样地激光雷达扫描后，提取林业参数之前，需要对点云数据进行解算、去噪、分类、归一化等预处理。

首先导出数据，利用激光雷达专业软件，如LiDAR360，根据样方四角标志物裁剪点云。对裁剪后的点云数据进行解算，根据设备测量得到的目标点距离值和相对应的激光发生器的水平及垂直角度，解算出该目标点的三维坐标数据。

数据去噪，即噪点去除，基于激光雷达采集的数据会出现噪点，噪点与实际地物信息无关，但会影响数据的精度和质量。常见的噪声包括高位粗差和低位粗差。通过去噪可除去数据在获取过程中由于扫描仪本身特性或周围环境而产生的异常点，以最大程度地还原目标的真实形状，提高数据质量。

点云分类即对点云数据进行类别的划分，激光雷达点云数据中通常包含地面、树木、建筑物等不同的对象，通过分类算法将植被和非植被数据区分开，是单木分割的基础，分类效果直接影响单木分割精度。采用的分类算法是结合形态学和渐进三角网的激光雷达地面点分类方法，将地面点和植被进行分离。

点云归一化：归一化是林业参数提取的基础，可去除地形起伏对点云数据高程值的影响，对归一化后的点云数据进行单木分割，单株树木点云高程最大值即为该树的树高。

步骤4：利用预处理后的植被点云数据进行单木分割，提取单木参数。在步骤4中，利用步骤3预处理后的点云数据，采用一种区域增长结合域值判断的方法(PCS算法)实现单木分割，将点云中每棵树分割出来，然后基于每棵树的点云直接提取单木的树高和胸径。如图3所示，步骤3预处理后的点云数据效果如图3(a)所示，步骤4单木分割后的点云数据效果如图3(b)所示。

采用PCS算法从预处理后的点云中分割单木，利用区域增长结合域值判断的具体步骤如下:

初始化种子点:从点云数据中选择一个点作为初始种子点，可以选择较高的点作为树冠点。

区域增长:以种子点为中心，在设定的搜索半径范围内查找相邻点，如果相邻点与种子点在位置、法向量等方面相似，则将其加入到种子点所在的聚类中，不断迭代扩大聚类范围。

域值判断:计算每个聚类的域值特征，包括点数、簇高、体积等，根据阈值判断该聚类是否为一棵完整的树，如果是则标记为一个分割对象。

重复迭代:选择下一个未标记的点作为种子点，重复步骤上面两个步骤，直到所有点都被标记为某个分割对象或噪声点。

细分和合并:根据聚类的域值特征，可将过大的聚类进一步细分为多个树冠，避免两棵相邻树木被错误分割在同一聚类；也可以检测树冠过小的聚类，将其合并到附近聚类。

输出结果:最后所有被标记为树木的聚类即为分割成功的单棵树木点云。

其中，树高参数的提取是基于PCS算法分割后的单木点云，寻找每棵单木点云的树冠最高点，最高点到地面的位置即为树高。胸径参数的提取是基于单木分割后的单木点云数据，进行圆柱拟合，截取1.3米高度的点云片层，然后计算各树干点所构成的圆的中心点，进而计算中心点到圆周点的距离来获取胸径。

步骤5：基于单木参数及异速生长方程估算样地植被地上生物量密度。利用步骤4处理得到的单木胸径和树高，代入对应树种的生物量异速生长方程，计算单木生物量，样地内所有树木生物量加和，除以样地面积，得到目标样地生物量密度。以北京地区常见树种油松为例，其单木生物量计算方程如下(方精云等，2006)：

W

W

W

W

W

以上公式中，W

步骤6：基于样地内树种含碳率计算样地植被碳密度。将目标样地内的单木按照树种进行分类，基于文献资料或者实测数据获取对应树种的含碳率，含碳率乘生物量即可得到样地碳储量，碳储量除以样地面积得到目标样地碳密度。

以上公式中，C

步骤7：以样地植被碳密度作为响应变量，基于遥感数据提取样地的植被遥感参数作为预测变量，利用随机森林算法构建植被碳密度模型，最终得到目标区域碳密度及碳储量反演结果。

根据步骤2中样地数据采集的时间段，获取该时间段内的采样区域的多光谱遥感影像数据、地形数据和气候数据，对遥感影像进行预处理，包括辐射定标、镶嵌、剪裁、大气校正。接下来进行建模参数的提取，碳密度的高低会在遥感影像上表现出差异，为了提高模型精度，每一种光谱参数分别提取年平均值、年最大值、夏季平均值、夏季最大值来进行外推。同时获取同时期的微波遥感数据作为建模因子，用于弥补光学遥感信息缺失的垂直结构信息。地形因子选用进行误差修订后的地形产品，如SRTM DEM。气候因子可以通过本地气象观测站点数据差值生成或者选用公开的数据产品，如WorldClim。所有的建模参数采用重采样方法统一空间分辨率。

将步骤6中地面实测的样地植被碳密度数据作为因变量Y，将提取的植被指数、地形因子、光谱反射率等建模参数作为自变量X，利用随机森林算法进行建模。首先通过对原始的训练样本采用自助式(bootstrap)的方式进行重复、有放回的随机抽取，未被抽取到的数据称为“袋外”(out ofbag)数据；其次，随机选取若干变量建立决策树，选取的数量一般为变量总数的1/3；最后，重复以上过程，生成若干棵决策树，随着重复次数的增加，“袋外”的数据误差也在逐渐减少，最后趋于稳定。通过对误差值与决策树数量的对比图，决定采用合适的重复次数，完成回归计算。

模型验证可采用交叉验证的方式。当样本量较大时，可以随机选取其中1/3的样方作为验证样本，剩余的2/3样方作为训练样本。通过决定系数(R

式中，x

利用以上建立的植被地上碳密度外推模型，结合目标区域的光谱与纹理等特征，通过随机森林反演得到目标区域植被地上碳密度。

可选地，本发明步骤7中还可采用另一种基于深度学习的人工智能模型进行目标区域植被地上碳密度和碳储量水平进行预测，首先进行数据预处理步骤，对地面实测的样地植被碳密度数据进行缩放、标准化等预处理；将经过预处理的地面实测的样地植被碳密度数据作为模型参数等待输入到模型中；其中，该模型包括：CNN模块、丢弃模块、LSTM模块和SVM模块；CNN模块用于接收输入遥感影像数据，CNN模块中设置卷积层用于提取影像特征图，池化层用于减小特征维度，输出特征向量到丢弃层；其中输入到CNN模块的遥感影像数据可以具体包括:采样区域的多光谱遥感影像数据:例如Landsat、Sentinel等不同波段的光学影像、植被指数图像:如NDVI、Fractional Vegetation Cover等，体现植被覆盖情况；气候数据图像:如降水、温度等参数生成的栅格数据；地形数据图像:数字高程模型等地形数据提取的坡度、坡向等指标图像。这些影像通过数据融合统一到同一时间和空间分辨率，层叠为多通道图像，作为CNN模块输入，用于自动学习提取碳密度预测所需的空间特征。

丢弃模块接收所述CNN模块输出的特征向量，其中随机置零一定比例特征，防止过拟合；将输出特征到LSTM模块。LSTM模块将丢弃层的特征序列，学习特征时间依赖关系；将LSTM模块输出的与时间特征与样地碳密度的实测数据作为标签加入SVM模块，与时间特征作为样本输入到SVM模块中，SVM模块利用核方法进行高维空间映射；在映射后的特征空间中构建最优分类超平面对样地进行碳密度水平的分类预测最后输出分类结果。所述SVM模块将LSTM输出的时间特征作为样本输入SVM模型；同时，将预处理后的碳密度的实测值作为SVM训练和测试的标签与时间特征一起输入到所述SVM模型中。模型训练时，结合时间特征和标签，训练SVM模型，学习二者之间的映射关系。评估模型:在测试集上利用标签评估模型对碳密度的预测效果；进一步微调模型:通过参数调整提高模型在新数据上的预测能力。这样，实测的碳密度标签数据就融入了模型的训练和测试过程，指导模型学习碳密度预测，并最终用来评估模型的预测效果，完成从数据到碳密度预测的端到端训练；进而可以用于对目标区域植被地上碳密度和碳储量水平的预测。

该实施方案中LSTM模块通过序列数据的时间结构学习提取时间特征，提供数据的时间信息。而SVM模块利用网络提取的空间特征和时间特征，在高维空间构建分类模型，实现对碳密度水平的判别，即实现样地碳储量的预测。两者配合使用，可更好地学习遥感数据的空间-时间信息，提高碳储量估算的效果。在这个森林碳储量估算的深度学习模型中，使用SVM模块替代传统的Softmax输出层作为最后的分类器，计算效率更高。

与Softmax相比，SVM的计算复杂度更低，尤其是线性SVM，计算速度很快。这样可以降低整个模型的训练和预测时间；避免过拟合Softmax容易过拟合训练数据，而SVM有更好的泛化能力，可以避免过拟合。并且，相比Softmax，SVM通常可以获得更准确的分类结果，从而提高碳储量预测的准确性。

本发明还公开了一种基于雷达和卫星遥感的森林植被碳储量估算的装置，包括：

样地布设模块，用于根据目标研究区域大小确定样地数量，在目标研究区域布设森林标准调查样地，使样地网格化均匀分布于所述目标研究区域的森林植被覆盖范围内；

点云数据获取模块，用于利用背包式激光雷达扫描获取所述样地内部植被点云数据，并利用差分GPS记录所述样地中每棵树木的位置和物种；利用背包式激光雷达扫描获取样地内部植被点云数据。扫描前需要搜集测区资料并规划扫描路线，依据搜集的测区资料，确定设备运行的最佳环境和气象条件。采集前需要进行路径规划，路线规划目的是可以采集到树木的所有信息，同时减少数据冗余。例如针对30m*30m的样区，如果树木比较密集，采用图2左侧所示的路径规划，若树木比较稀疏，则可采用图2右侧所示的路径规划：

完成路径规划后，调查人员背负设备到达指定样地，调试好设备参数，在样地内部和外部行走，行走路径将监测样地包含，确保最终路径闭合，单次行走轨迹控制在3km以内。获取样地背包激光雷达点云数据后，利用差分GPS记录样地中每棵树木的位置和物种，方便后续构建生长方程使用。利用差分GPS记录样地中每棵树木的位置和物种，具体步骤如下:

准备GPS接收机及测站:选择双频差分GPS接收机，安装在三脚架上进行定位观测；设置1-2个临时基准站，进行静态定位以获得测站精确坐标。

运到样地现场:将GPS接收机运到样地现场，基准站设置在开阔地面上，保证能接收到足够的卫星信号。

进行静态观测:在样地内逐棵树进行静态观测，每棵树观测时间不少于15分钟，观测间距在树冠下方1.5米处，确保接收卫星信号良好。

记录树木属性:在观测的同时，记录每棵树的物种、胸径、树高、冠幅等属性信息。可以使用录入式GPS接收机直接输入树木属性数据。

数据处理:将基准站数据和移动站数据下载进入处理软件，进行差分解算，可以达到厘米级的定位精度，确定每棵树的坐标。

构建地理数据库:将差分处理后的树木坐标数据和属性数据导入地理信息系统，构建森林样地数字化树木地理数据库。

点云数据预处理模块，用于对所述点云数据进行依次进行解算、去噪、分类、归一化以得到经过预处理的所述点云数据；对点云数据进行预处理，提高数据质量，获取高精度点云信息。完成样地激光雷达扫描后，提取林业参数之前，需要对点云数据进行解算、去噪、分类、归一化等预处理。

首先导出数据，利用激光雷达专业软件，如LiDAR360，根据样方四角标志物裁剪点云。对裁剪后的点云数据进行解算，根据设备测量得到的目标点距离值和相对应的激光发生器的水平及垂直角度，解算出该目标点的三维坐标数据。

数据去噪，即噪点去除，基于激光雷达采集的数据会出现噪点，噪点与实际地物信息无关，但会影响数据的精度和质量。常见的噪声包括高位粗差和低位粗差。通过去噪可除去数据在获取过程中由于扫描仪本身特性或周围环境而产生的异常点，以最大程度地还原目标的真实形状，提高数据质量。

点云分类即对点云数据进行类别的划分，激光雷达点云数据中通常包含地面、树木、建筑物等不同的对象，通过分类算法将植被和非植被数据区分开，是单木分割的基础，分类效果直接影响单木分割精度。采用的分类算法是结合形态学和渐进三角网的激光雷达地面点分类方法，将地面点和植被进行分离。

点云归一化：归一化是林业参数提取的基础，可去除地形起伏对点云数据高程值的影响，对归一化后的点云数据进行单木分割，单株树木点云高程最大值即为该树的树高。

树木特征参数提取模块，用于利用PCS算法从经过预处理的所述点云中将每棵树分割出来，基于每棵树的点云数据提取每棵树的特征参数；利用预处理后的植被点云数据进行单木分割，提取单木参数。在树木特征参数提取模块中，利用点云数据预处理模块预处理后的点云数据，采用一种区域增长结合域值判断的方法(PCS算法)实现单木分割，将点云中每棵树分割出来，然后基于每棵树的点云直接提取单木的树高和胸径。如图3所示，点云数据预处理模块预处理后的点云数据效果如图3(a)所示，单木分割后的点云数据效果如图3(b)所示。

采用PCS算法从预处理后的点云中分割单木，利用区域增长结合域值判断的具体步骤如下:

初始化种子点:从点云数据中选择一个点作为初始种子点，可以选择较高的点作为树冠点。

区域增长:以种子点为中心，在设定的搜索半径范围内查找相邻点，如果相邻点与种子点在位置、法向量等方面相似，则将其加入到种子点所在的聚类中，不断迭代扩大聚类范围。

域值判断:计算每个聚类的域值特征，包括点数、簇高、体积等，根据阈值判断该聚类是否为一棵完整的树，如果是则标记为一个分割对象。

重复迭代:选择下一个未标记的点作为种子点，重复步骤上面两个步骤，直到所有点都被标记为某个分割对象或噪声点。

细分和合并:根据聚类的域值特征，可将过大的聚类进一步细分为多个树冠，避免两棵相邻树木被错误分割在同一聚类；也可以检测树冠过小的聚类，将其合并到附近聚类。

输出结果:最后所有被标记为树木的聚类即为分割成功的单棵树木点云。

其中，树高参数的提取是基于PCS算法分割后的单木点云，寻找每棵单木点云的树冠最高点，最高点到地面的位置即为树高。胸径参数的提取是基于单木分割后的单木点云数据，进行圆柱拟合，截取1.3米高度的点云片层，然后计算各树干点所构成的圆的中心点，进而计算中心点到圆周点的距离来获取胸径。

生物量和生物量密度估算模块，用于基于所述每棵树的特征参数及异速生长方程估算所述森林标准调查样地的植被地上的生物量和生物量密度；基于单木参数及异速生长方程估算样地植被地上生物量密度。利用树木特征参数提取模块处理得到的单木胸径和树高，代入对应树种的生物量异速生长方程，计算单木生物量，样地内所有树木生物量加和，除以样地面积，得到目标样地生物量密度。以北京地区常见树种油松为例，其单木生物量计算方程如下(方精云等，2006)：

W

W

W

W

W

以上公式中，W

植被碳密度计算模块，用于根据所述植被地上生物量、含碳率、样本面积计算得到所述目标样地的植被碳密度；基于样地内树种含碳率计算样地植被碳密度。将目标样地内的单木按照树种进行分类，基于文献资料或者实测数据获取对应树种的含碳率，含碳率乘生物量即可得到样地碳储量，碳储量除以样地面积得到目标样地碳密度。

以上公式中，C

目标区域碳密度和碳储量计算和水平预测模块，用于以所述目标样地的植被碳密度作为响应变量，基于遥感数据提取样地的植被遥感参数作为预测变量，利用随机森林算法构建植被碳密度模型，最终得到目标区域的碳密度及碳储量的反演结果。以样地植被碳密度作为响应变量，基于遥感数据提取样地的植被遥感参数作为预测变量，利用随机森林算法构建植被碳密度模型，最终得到目标区域碳密度及碳储量反演结果。

根据点云数据获取模块中样地数据采集的时间段，获取该时间段内的采样区域的多光谱遥感影像数据、地形数据和气候数据，对遥感影像进行预处理，包括辐射定标、镶嵌、剪裁、大气校正。接下来进行建模参数的提取，碳密度的高低会在遥感影像上表现出差异，为了提高模型精度，每一种光谱参数分别提取年平均值、年最大值、夏季平均值、夏季最大值来进行外推。同时获取同时期的微波遥感数据作为建模因子，用于弥补光学遥感信息缺失的垂直结构信息。地形因子选用进行误差修订后的地形产品，如SRTM DEM。气候因子可以通过本地气象观测站点数据差值生成或者选用公开的数据产品，如WorldClim。所有的建模参数采用重采样方法统一空间分辨率。

将植被碳密度计算模块中地面实测的样地植被碳密度数据作为因变量Y，将提取的植被指数、地形因子、光谱反射率等建模参数作为自变量X，利用随机森林算法进行建模。首先通过对原始的训练样本采用自助式(bootstrap)的方式进行重复、有放回的随机抽取，未被抽取到的数据称为“袋外”(out of bag)数据；其次，随机选取若干变量建立决策树，选取的数量一般为变量总数的1/3；最后，重复以上过程，生成若干棵决策树，随着重复次数的增加，“袋外”的数据误差也在逐渐减少，最后趋于稳定。通过对误差值与决策树数量的对比图，决定采用合适的重复次数，完成回归计算。

模型验证可采用交叉验证的方式。当样本量较大时，可以随机选取其中1/3的样方作为验证样本，剩余的2/3样方作为训练样本。通过决定系数(R

式中，x

利用以上建立的植被地上碳密度外推模型，结合目标区域的光谱与纹理等特征，通过随机森林反演得到目标区域植被地上碳密度。

本发明目标区域碳密度和碳储量计算和水平预测模块中还可采用另一种基于深度学习的人工智能模型进行目标区域植被地上碳密度和碳储量水平进行预测，首先进行数据预处理步骤，对地面实测的样地植被碳密度数据进行缩放、标准化等预处理；将经过预处理的地面实测的样地植被碳密度作为模型参数等待输入到模型中；其中，该模型包括：CNN模块、丢弃模块、LSTM模块和SVM模块；CNN模块用于接收输入遥感影像数据，CNN模块中设置卷积层用于提取影像特征图，池化层用于减小特征维度，输出特征向量到丢弃层；其中输入到CNN模块的遥感影像数据可以具体包括:采样区域的多光谱遥感影像数据:例如Landsat、Sentinel等不同波段的光学影像、植被指数图像:如NDVI、Fractional Vegetation Cover等，体现植被覆盖情况；气候数据图像:如降水、温度等参数生成的栅格数据；地形数据图像:数字高程模型等地形数据提取的坡度、坡向等指标图像。这些影像通过数据融合统一到同一时间和空间分辨率，层叠为多通道图像，作为CNN模块输入，用于自动学习提取碳密度预测所需的空间特征。

丢弃模块接收所述CNN模块输出的特征向量，其中随机置零一定比例特征，防止过拟合；将输出特征到LSTM模块。LSTM模块将丢弃层的特征序列，学习特征时间依赖关系；将LSTM模块输出的与时间特征与样地碳密度的实测数据作为标签加入SVM模块，与时间特征作为样本输入到SVM模块中，SVM模块利用核方法进行高维空间映射；在映射后的特征空间中构建最优分类超平面对样地进行碳密度水平的分类预测最后输出分类结果。所述SVM模块将LSTM输出的时间特征作为样本输入SVM模型；同时，将预处理后的碳密度实测值作为SVM训练和测试的标签与时间特征一起输入到所述SVM模型中。模型训练时，结合时间特征和标签，训练SVM模型，学习二者之间的映射关系。评估模型:在测试集上利用标签评估模型对碳密度的预测效果；进一步微调模型:通过参数调整提高模型在新数据上的预测能力。这样，实测的碳密度标签数据就融入了模型的训练和测试过程，指导模型学习碳密度预测，并最终用来评估模型的预测效果，完成从数据到碳密度预测的端到端训练；进而可以用于对目标区域植被地上碳密度和碳储量水平的预测。

该实施方案中LSTM模块通过序列数据的时间结构学习提取时间特征，提供数据的时间信息。而SVM模块利用网络提取的空间特征和时间特征，在高维空间构建分类模型，实现对碳密度水平的判别，即实现样地碳储量的预测。两者配合使用，可更好地学习遥感数据的空间-时间信息，提高碳储量估算的效果。在这个森林碳储量估算的深度学习模型中，使用SVM模块替代传统的Softmax输出层作为最后的分类器，计算效率更高。

与Softmax相比，SVM的计算复杂度更低，尤其是线性SVM，计算速度很快。这样可以降低整个模型的训练和预测时间；避免过拟合Softmax容易过拟合训练数据，而SVM有更好的泛化能力，可以避免过拟合。并且，相比Softmax，SVM通常可以获得更准确的分类结果，从而提高碳密度、碳储量预测的准确性。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本发明实施例不限于上述示范性实施例的细节，而且在不背离本发明实施例的精神或基本特征的情况下，能够以其他的具体形式实现本发明实施例。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明实施例的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。