基于ICESat2的西南山地森林LAI遥感估测模型优化.pdf

第 卷第 期自 然 资 源 遥 感.年 月 .:./.引用格式:席磊舒清态孙杨等.基于 的西南山地森林 遥感估测模型优化.自然资源遥感():.(.():.)基于 的西南山地森林 遥感估测模型优化席 磊 舒清态 孙 杨 黄金君 宋涵玥(西南林业大学林学院昆明)摘要:叶面积指数()是森林生态系统重要参数如何以较小成本提升区域尺度的山地森林 的遥感估测精度对于精确掌握森林 的情况和进一步了解森林生态系统有重要意义 本研究以星载激光雷达/为主要信息源以西南山地香格里拉市为研究区基于随机森林回归()遥感估测模型结合地面 块 实测样地数据在前期进行 超参数优化基础上采用决定系数、均方根误差、绝对平均误差和中位数绝对误差作为模型精度评价指标对估测效果进行分析 结果表明:使用随机表面查找算法进行 回归模型的超参数优化能明显提升模型估测 精度 提取出的地面光斑特征参数在山地森林 估测中有较高的贡献度和极佳的效果可用于区域尺度的山地森林物理结构参数 的估测 同时利用随机表面查找算法优化后的 回归模型估测精度更高估测结果与研究区森林分布现状吻合具有一定普适性 最后研究确定了使用 /数据产品估测 是可行的能为星载激光雷达估测中大范围的 提供一定的参考关键词:/叶面积指数 超参数优化 随机森林 香格里拉中图法分类号:.文献标志码:文章编号:()收稿日期:修订日期:基金项目:国家自然科学基金项目“生态脆弱区典型森林生态系统生化参数高光谱遥感反演关键技术研究”(编号:)、“基于 和 数据滇西北乔木生物量反演关键技术研究”(编号:)和云南省教育厅科学研究基金项目“基于深度学习的多源遥感协同的森林生物量估测研究”(编号:)共同资助第一作者:席 磊()男硕士研究生研究方向为数字林业与森林资源管理:.通信作者:舒清态()男副教授硕士生导师研究方向为林业 技术应用:.引言叶面积指数()是森林生态系统中生物地球化学循环的重要中间参数如光合作用、呼吸、蒸腾和碳循环的关键参数 传统的 通常采用地面直接或间接测量技术只能获取小尺度的森林 如全植物体采样和光学测定的方法 与传统地面调查数据相比遥感技术在获取区域尺度上森林资源信息时具有无可比拟的优势越来越多的遥感数据被用于森林资源监测传统光学遥感只能获取森林冠层定性信息存在很多不确定性降低了在区域尺度下的森林 估测精度 已有研究表明当 值超过.时光学遥感易发生饱和现象导致 估计值比实际值低激光雷达()是当前发展迅速的主动遥感技术之一已被证实在森林高度和垂直结构的探测上具有很强的应用能力 但目前而言机载激光雷达只能获取小尺度极高的反演精度但数据量大费用昂贵 星载激光雷达可以提供覆盖全球的激光光斑数据通过协同光学数据或空间插值方法可获取区域尺度高精度 用于区域尺度的森林 监测的典型星载 主要有美国 发射的 /和 /搭载地球科学激光高度计系统()收集的数据已成功用于检索森林 然而 在进行区域尺度 反演时由于光斑为椭圆形不利于地面 样地调查其次 采样间隔约为 空间分布较稀疏 光斑直径约 回波信号容易受地形影响降低了 估测精度 /于 年 月 日退役后美国国家航空航天局又于 年 月成功发射了 /与 相比 使用多光束的光子计数激光雷第 期席 磊等:基于 的西南山地森林 遥感估测模型优化达系统代替 使用的全波形激光雷达系统该系统采用低能量消耗延长激光寿命和高脉冲频率以获得比 更密集的采样间隔和更小的光斑足印密集的足印光斑能降低山区地形对激光雷达数据的影响 同时由于 光斑小一定程度上降低了地形的影响 等对 垂直采样误差有关的性能特征和潜在的不确定性进行了探讨其中包括在植被茂密的生境内感知高度值的误差和测量精度结果显示地形误差为.和.、冠层误差从.之间不等 等在 年使用 数据产品对芬兰的一个植被覆盖区域的 断面进行了水平和垂直方向的精度检验得到了水平方向偏差在 内同一横断面下地形和冠层高度的垂直均方根误差 分别为.和.的结论 在区域尺度上 等使用 数据进行了 的检索基于 理论估计 得到亚马孙:.并使用 和 生成的 进行检验但其检验方法及精度有待进一步提升 综上以地面实测 光斑 为样本数据进行区域尺度 光斑足印 估测并提升算法估测精度的研究鲜有报道因此针对新一代 /光斑数据特点以西南典型山地香格里拉市为研究区基于随机森林超参数优化算法以较小的地面调查样本实现区域尺度上 遥感估测 主要目标如下:基于随机森林进行特征优选提取经过光子去噪、光子分类算法处理后的 光斑参数建模指标 基于超参数优化后的随机森林算法提升 /光斑足印内 估测精度并进行分析 研究区概况及数据源.研究区概况以云南省西北部具有山地地形的香格里拉市为研究区经纬度在 之间如图 所示 研究区属亚热带常绿阔叶林植被区向高寒植被区过渡地带 气候易受海拔影响昼夜温差大海拔区间为 按云南植被划分标准全域共有 种植被类型主要类型有温凉性针叶林、寒温性针叶林、灌丛和草甸等主要树种有云冷杉、高山松和高山栎等图 研究区位置及样地示意图.卫星数据 卫星轨道为 对 束激光频率为 可得到直径约、沿轨间距.的多波束光子点云数据 轨道垂直间距约为 强弱光束垂直间距约为 卫星重返周期为 该卫星共有 种数据产品分为 大类产品命名为 研究使用数据产品为:数据产品()和 数据产品()产品中包括所有光子事件的时间、经纬度和高度等地理空间位置信息 其中各光子均以索引的方法按层次性结构串联起来 中索引类型主要有 种:一是依据光子传输时间进行编号二是沿轨按距离分段 即按 划分每个区段用唯一的 位数编号作为区段号 区段号被存储在 中 产品是进行分区段后的 产品主要是使用差分、回归高斯自适应最近邻()算法 完成噪声去除再进行光子点云分类最后分为噪声光子、地面光子、冠层光子和冠层顶光子 大类 分类标识以区段的形式记录在 中 研究选取香格里拉市域内 年 月 年 月之间的所有 和 数据产品 类数据产品均为 条数据、条轨道、条光子轨道波束研究数据均可在 官网下载(:/./)研究方法.基于光斑足印的样地设计样地设计尽量覆盖研究区内主要植被类型采自 然 资 源 遥 感 年集样地 块去除差异性较大样地 块最终有效样地为 块 调查样地是与 传感器发射的光斑大小一致的样圆样圆直径 样圆中心坐标为 数据产品中光斑中心点的坐标为保证坐标复位一致调查使用千寻星矩(版)差分 进行点位放样采集时保证设备为固定解状态 次连续采集后取均值所有样地中心点坐标与光斑中心点坐标仪器误差均小于.样圆 测定设计研究选择使用基于 的平台开发 测定仪来测定样圆内有效 值该仪器主要利用鱼眼光学传感器 传感器利用 个不同的天顶角方向来检测植物冠层下的光照强度变化测量时最理想的是云层均匀分布的阴天 测定模式为“”模式即测量一个天空空白对比在林下测量 个值 在每个样圆的东西南北测量 个 值和中心点 个 值取最后的均值来代表该区域的有效 最终计算得到的 块样地的 统计信息汇总如表 所示其中坡度样地 块(样地 块大于 的样地 块表 样地 统计信息汇总.样地数量均值均值标准差标准差最大值最小值中位数.研究路线使用 /估测光斑足印内 主要分为 个部分即光子点云去噪算法、光子分类算法和 估测模型 具体步骤如图 所示图 研究路线.光子点云去噪算法光子计数雷达比其他激光雷达对光子信号感知更敏感 在获取地面和树冠等目标的反射光子时还接收到了太阳背景或大气散射引起的噪声光子 因此应该先进行噪声去除 以往的研究基于信号光子的光子密度更大、噪声光子分布具有随机性的特点进行了假设开发了多种去噪算法当前去噪算法大致有 种:基于图像处理、基于局部统计和基于密度聚类的算法 分析 种算法的优缺点后本文使用基于密度聚类算法()和基于局部统计算法()分别去除高背景噪声的噪声光子和低背景噪声水平中信号光子周围的少量噪声光子 该综合去噪算法可获得极佳的去噪效果 同时在 算法中还计算了所有搜索方向的光子密度并使用最大密度差替代密度作为最终度量参数以此降低光子密度不一致对算法性能产生的影响 算法流程如图 所示图 噪声消除算法流程.算法综合去噪算法首先是 算法 主要步骤为:先计算每个光子所有搜索方向的光子密度定义为每个光子椭圆邻域中的光子数量 设置搜索椭圆的方向间隔为 椭圆的长轴和短轴由沿轨距离范围与高程范围的比率进行设定 其次得到每个光子的最大密度差最后根据密度差频率直方图确定阈值(阈值确定详见文献)如果密度差小于阈值该光子视为噪声去除.噪声滤波算法综合去噪算法第二步是 算法主要步骤为:首先计算每个光子到其 近邻的总距离 代表距离每个点最近的点数它是计算总距离的重要参数 该步骤中未选择原始算法中的 而是降低了 倍使用 的原因是 算法进行了第一重去噪得到了背景噪声较小的数据对于背景噪声水平较低的数据 并不适用 本研究以 为间隔在 之间进行多次试验分析确定最佳值 结果与 等的研究保持一致第 期席 磊等:基于 的西南山地森林 遥感估测模型优化最后根据文献去除总距离大于阈值的噪声光子 对于残留的少量孤立噪声光子则使用目视解译去除.光子分类算法进行 估测前必须将去噪滤波后的信号光子分类为地面和冠层光子 以往研究确定了几种分类算法提出的渐进式三角不规则网络加密()方法但该方法不适合地形复杂区域为了提高地面光子提取精度本研究使用了 等提出的修正 方法该方法对于海拔落差较大的区域内的地面光子识别精度较高 算法流程如图 图 光子分类算法流程.根据 等、等和 等的研究结论研究对原始算法中的部分参数进行了改正通过选择距离初始三角网最远的点下方高程最低的点来保证地面点不被误分类为冠层点 算法关键步骤如下:)参数简述 主要包含 个参数窗口大小(由最大非圆形特征大小确定)预设为 为未分类光子到 个初始相邻种子地面光子之间的距离 为连接未分类光子及其种子地面光子的线与地面区段线之间的角度 为从未分类光子到地面曲面的距离)初始种子地面光子选择和区段线生成 选择每个窗口中高程最低的光子作为初始种子地面光子然后连接初始种子地面光子以生成初始区段线剩余光子均标记为未分类光子)地面光子的迭代致密化 对地面曲线进行 次迭代加密提高地面曲线精度便于地面和植被光子的分离 具体流程为计算每个未分类光子的距离 后若 的最大值大于阈值则从未分类光子中提取高程低于 最大值的光子作为地面光子以保证提取的光子中无冠层光子 同时为确定最佳地面区段线设置以 为间隔测试 之间的数值阈值为 多次迭代调用自身直到无新的种子地面光子为止 最终结果与 等的研究保持一致 生成初始区段线后采用 算法生成改进的区段线)地面和植被光子的区分 为了提取最终地面光子使用三次样条插值拟合地面光子并建立地面曲面 仅有 低于 的光子被识别为地面光子其余均为植被光子 )最终研究区 的有效光子数量达到了千万级以上根据 进行 的抽稀得到研究区内有效光斑数量为 个再与最新的林地范围叠加分析得到有效林地光斑数量为 个非林地有效光斑数量为 个具体光斑分布如图 所示自 然 资 源 遥 感 年()林地()非林地图 研究区有效光斑示意图.随机森林算法超参数优化估测 随机森林通过自助采样法将提供的样本数据集经过随机采样后再基于每个采样集进行训练构建决策树 在结点处先从该结点的属性集合中随机选择一个包含多个属性的子集然后再从这个子集中选择最优的一个属性进行划分 研究使用 语言在 中调用 库实现超参数确定基于 块样地数据使用随机表面查找算法抽取一定数量的参数组合进行多折交叉验证以确定模型最优超参数 研究进行超参数优化的参数有()各参数含义如表 所示表 随机森林算法参数说明.参数名描述类型决策树的数量整数型节点可分的最小样本数整数或浮点型叶子节点含有的最少样本整数或浮点型构建决策树最优模型时考虑的最大特征数整数或浮点型决策树最大深度整数型样本集是否放回抽样布尔型.精度评价标准为探究随机森林算法超参数优化后估测 能力以及拟合估测模型的精度研究结果分别对随机森林默认参数、超参数优化后模型的决定系数、绝对平均误差、均方误差、均方根误差 和 中 位 数 绝 对 误 差 进 行 定 量 评价 决定系数指模型拟合优度是表示回归直线对观测值的拟合程度数值为之间数值越接近于 代表模型拟合效果越好 绝对平均误差是所有单个观测值与算术平均值的偏差的绝对值的平均数值越小误差越小 均方误差是预测数据和原始数据对应点误差的平方和的均值数值越小误差越小 均方根误差也叫回归系统的拟合标准差是均方误差的平方根数值越小误差越小 中位数绝对误差非常适合含有离群点的数据集属于评价模型好坏的指标之一数值越小、误差越小则模型越好 各项精度评价指标公式分别为:()()()()()()()()()()式中:为实际值 为估计值 为估计值均值 为样本量第 期席 磊等:基于 的西南山地森林 遥感估测模型优化 结果与分析.随机森林算法中默认参数估测 对 块现地测量 的有效样地进行随机森林模型拟合构建默认参数设置的随机森林模型同时进行特征参数重要性评价参与拟合的参数共计 个所有参数均有一定贡献率 个参数参与模型构建的贡献率百分比如图 所示 总体贡献度阈值绘制区间为(其中最高贡献率的参数为(.)最低贡献率的参数为 (.)中位数贡献率为.建模中贡献率排前十的参数及含义见表 图 建模参数重要性贡献比例.表 未优化随机森林模型建模参数贡献率统计.参数名描述数值/计算后每 段内冠层光子的光子率.区段内冠层顶部光子数.区段内冠层光子数.表观反射率.区段内个体相对冠层高的中位数.太阳方位角.太阳高度角.区段内冠层顶光子相对高度的标准偏差.区段内冠层高度的最小值.地理 定 位 点 处 的 最 佳 可 用 值.通过对 /提取的所有参数进行随机森林建模真实值和预测值情况如图 所示各项评价指标分别为:.结果表明提取的参数在使用随机森林算法建模估计 中呈现很好的效果图 随机森林模型拟合点线图.随机森林超参数优化后估测 针对使用随机森林算法默认参数拟合的估测模型研究又对精度的进一步提升做出了思考 最终选择使用随机表面查找算法对随机森林算法进行超参数优化 抽取 组参数组合进行 折交叉验证最终确定模型最优超参数为(:)使用得到的超参数再次对 块现地测量 进行随机森林模型拟合构建基于超参数优化后的随机森林模型同时进行特征参数重要性评价参与模型拟合的参数共计 个去除贡献率为 的参数 和 剩余 个参数的贡献率如图 所示 总体贡献度绘制区间为(其中最高贡献率的参数为(.)最低的参数为(.)中位数贡献率为.优化后建模中贡献率排前十的参数及含义见表 所示图 优化后建模参数重要性贡献比例.自 然 资 源 遥 感 年表 超参数优化后随机森林模型建模参数贡献率统计.参数名描述数值/计算后每 段内冠层光子的光子率.区段内冠层顶光子相对高度的标准偏差.表观反射率.定位光子的信噪比.在 椭球体上方的光子高度的中值(分类为地形区段内).在 椭球体上方的光子高度的最大值(分类为地形区段内).在 椭球体上方的光子高度的最小值(分类为地形区段内).区段内冠层光子与段内所有光子的标准差(可推断冠层开放度).分位数高度处的地形高度值.地表覆盖类型.使用超参数优化后的随机森林模型对 /提取的所有参数进行建模对比真实值和预测值的效果如图 所示各项评价指标分别为:.对比未优化的模型可得出:超参数优化后的随机森林模型估测 优于未优化的模型 总体呈现更高的 和更低的 详见优化前后散点图(图)图 优化后随机森林模型拟合点线图.()优化前()优化后图 随机森林模型拟合散点图.超参数优化后拟合 制图使用超参数优化后的模型对研究区内 个林地有效光斑进行估测得到了所有光斑对应的 预测值进行区域制图后得到了研究区内所有光斑 的空间分布如图 所示 进行空间制图分级后研究区 最大值为.最小值为.均值为.且从图 中可以看出整个研究区内植被覆盖总体较高 较低区域主要分布在研究区边缘多为河流或常年积雪区域周边 较高区域总体呈现西北东南贯穿的趋势主要因为中部地区人工林种植比例逐年提高同时东北地区为普达措国家森林公园分布区域这也从侧面印证了 预测结果具有一定可靠性图 研究区内 光斑 空间分布.第 期席 磊等:基于 的西南山地森林 遥感估测模型优化 讨论.超参数优化对模型精度和参数筛选的作用研究使用的超参数优化可以提高模型构建时各个参数的贡献率结合图 和图 综合分析超参数优化前后的效果可以看出优化后的模型中参数贡献率最大值可以从.提高到.同时未优化模型中所有参数均有贡献率 优化后去除贡献率为 的参数 个 对去除低贡献率的参数有较为明显的作用 再结合图 可以看出进行参数优化后的模型得出的预测值更接近于真实值误差更小预测结果更稳定.数据估测精度分析及优化建议本研究所有样地均使用差分 设备测定且保证误差在.内能保证坐标采集精度较高同时样地选择与光斑足印重叠的样圆(半径为.面积为.)更能保证测定的 值与该光斑足印的真实值误差较小 虽然现场 的测定使用了精度极高的 设备但香格里拉市位于高海拔落差的区域 林中测定作业较为不便且数据处理也较繁杂如考虑时间成本可替换简单鱼眼镜头采集但精度可能会受到影响 同时研究使用随机表面查找算法是考虑了时间效率的决定并不能算作该模型的最优参数集合只能算作 组参数组合中的最优参数 如果后期不考虑时间成本可使用 库中的全面查找算法对模型进行全参数优化 除此之外还可以引入深度学习 等其他算法进一步提高拟合精度.基于 数据估测 模型可移植性展望本文建立了一套数据预处理、参数集成化提取、超参数自动适应性查找、最佳模型拟合的流程化系统 只需要输入测定的真实值数据进行建模即可得到研究区中所有光斑内的 预测值 同时因为 /数据采集特性基本可以实现全球覆盖保证了研究区选取的灵活性 结论为评估星载光子计数雷达估测 的能力研究基于 卫星先进地形激光测高系统()获取的光子点云数据对香格里拉市内所有光斑进行了数据预处理、参数提取和模型优化等步骤总结出了一套自动查找随机森林模型超参数优化后估测 的程序方法并进行了优化前后的差异性分析 确定了基于 /数据经过去噪、分类算法处理后提取的参数在对 估测中展现了极好的效果模型优化前后的决定系数 均大于.同时使用随机表面查找算法进行随机森林模型的超参数优化可以较为明显地提升模型估测精度 最后将 估测值进行空间制图总体呈现四周低、中间高的特点 同时 较高的区域总体呈现西北向东南贯穿的趋势与研究区的森林分布现状极为吻合 综上使用 数据产品估测 是可行的参考文献():.():.:.():.林晓娟.基于 和 森林冠层高度和森林地上生物量遥感诊断.北京:中国科学院大学(中国科学院空天信息创新研究院).:().:.():.():./.:./.():.:.:.():.董佳臣倪文俭张志玉等.植被冠层高度和地表高程数据产品用于森林高度提取的效果评价.遥感学报():.自 然 资 源 遥 感 年 .():.:.:.张 欢李弘毅李浩杰等.基于机载 的高寒山区遥感高程数据精度评估.遥感技术与应用():.():./.():.:.:.():.俄相颖戴光耀吴松华.数据预处理及校正方法.红外与激光工程():.():.():.:.():.:.():.():.马山木甘甫平吴怀春等.数据监测青藏高原湖泊 年水位变化.自然资源遥感():.:./.():.:./.()().():.():.():.():.():.():.():.():.():.陆大进黎 东朱笑笑等.基于卷积神经网络的 光子点云去噪分类.地球信息科学学报():.():.():.():.:.():.():.第 期席 磊等:基于 的西南山地森林 遥感估测模型优化 :.:.():.:.:.:.():.():.“”.():.:.:.夏 恒汤 健乔俊飞.深度森林研究综述.北京工业大学学报():.():.():()./.()()()()().:./.:/(责任编辑:李 瑜)