查看原文https://mp.weixin.qq.com/s/Key9A7JYImXkO1vL0gh_kA目录“遥感”助推蓝碳生态系统碳储量调查简介第一章 、高光谱遥感数据介绍及预处理第二章、光谱特征分析与参量提取第三章、高光谱遥感数据分类与制图第四章、GEE数据处理介绍第五章、碳储量时空变化与预测第六章、科技论文写作与制图前言本文聚焦目前遥感应用领域-碳储量估算重点结合典型应用案例综合展示如何基于云计算与多源遥感技术通过高光谱遥感对研究区域福建沿海的蓝碳植被进行精准探测结合多光谱遥感技术监测并分析海岸带蓝碳植被的长时序分布变化与健康状态。结合ENVI和PIE Hyp讲述高光谱遥感信息处理技术包括光谱恢复、光谱库建立、光谱特征提取、混合像元分解、图像分类及精度检验等内容以JavaScript版本GEE为主进行讲解长时序多尺度的遥感信息提取技术包括GEE基本知识遥感影像数据处理的关键知识进行串讲最后结合海岸带应用典型案例进行综合讲解。内容简述“遥感”助推蓝碳生态系统碳储量调查简介(1)蓝碳生态系统碳储量研究背景红树林、海草床和盐沼是海岸带最具固碳效率的三大生态系统统称为“蓝色碳汇”。虽然这三类生态系统的覆盖面积不到海床的0.5%植物生物量只占陆地植物生物量的0.05%但其碳储量却高达海洋碳储量的50%以上甚至可能高达71%。尽管红树林面积有限仅占陆地表面的0.1%但它比陆地生态系统具有更高的碳储存和碳捕获的能力。作为蓝碳的重要组成部分由于周期性的潮汐淹没、土壤厌氧和独特的复杂根系红树林能有效捕获悬浮物质埋藏有机物并降低有机质分解速率进而达到固碳的效果。2蓝碳生态系统碳储量研究方法传统的碳库调查方式成本高、效率低制约了长时间、大尺度区域开展红树林碳库分布的估算和监测建立大尺度区域及时准确估算红树林碳储量的方法至关重要。从全球范围来看红树林主要分布在热带与亚热带地区海岸带沿线生境碎片化且分布不均匀具有高度的空间异质性。3遥感技术在蓝碳生态系统研究中的优势结合高光谱遥感技术图谱合一的特点利用高光谱遥感技术分析红树林光谱数据实现物种进行精准识别或分类。针对桌面端软件处理遥感影像时效性低的问题我们将结合遥感云计算平台实现对长时间、不同尺度区域的红树林碳库分布的估算和监测。第一章 、高光谱遥感数据介绍及预处理1.1高光谱遥感数据的认识高光谱分辨率遥感是用很窄而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米数量级。高光谱图像数据可以被看作是由无数波段组合得到的一个立方体图像数据并且具有光谱覆盖范围广图谱合一、数据量大光谱连续的特征。每一条光谱曲线都分别对应与代表着一个光谱像元。对地物特性而言同一种地物应该存在相同的光谱曲线特征因此在判断像元分类时往往依靠光谱特征属性来确定是否属于同一种地物。示例GF-5卫星是中国高分重大专项中唯一一颗高光谱卫星其空间分辨率为30 m幅宽为 60 km共有330个波段400-2500 nm其中可见光和短波红外部分的光谱分辨率分别为5nm和10nm。1.2高光谱数据预处理高光谱图像预处理包括坏波段剔除、辐射定标和大气校正以及图像裁剪。坏波段剔除由于大气散射、水汽吸收、成像系统、传感器等因素的影响高光谱影像中有部分波段影像质量较差需要将这些波段剔除。辐射定标通过辐射定对数据采集和传输系统引起的系统、随机辐射失真或畸变进行的校正去除或纠正因辐射误差而引起影像失真的过程。大气校正原理大气反射、吸收、散射、折射和投射会不同程度的影响传感器记录地物反射的电磁波辐射大气校正即消除大气影响所造成的误差反演地物真实反射率的过程。方法目前遥感图像的大气校正方法主要有统计特征学模型、地面线性回归经验模型、大气辐射传输理论模型三类。示例6S辐射传输模型原理及实现。第二章、光谱特征分析与参量提取2.1光谱特征分析红树林植被在可见光和近红外波段表现出典型绿色植物的主要光谱响应特征。在可见光波段植物光谱主要受叶绿素含量的影响470nm蓝光波段和670nm红光波段附近叶绿素吸收辐射能形成吸收谷在550nm绿光波段附近吸收相对减少形成绿色反射峰。受叶片内部细胞组织对近红外波段强反射的影响670780nm之间“红边”反射迅速增高。近红外波段受叶片内部的细胞结构和叶冠结构对光强烈反射的影响780950nm近红外波段内表现出高反射率特征。2.2光谱特征变换分析光谱二值编码光谱微分连续统去除示例连续统去除法连续统去除法也叫包络线去除法。包络线去除法是一种有效增强吸收特征的光谱分析方法经过包络线去除后地物的光谱曲线的吸收特征更加明显反射率归一化为0 ~ 1之间有利于光谱吸收特征分析和光谱特征波段选择。并且包络线去除法能够有效解决高光谱数据冗余的问题。2.3光谱吸收特征参量计算光谱吸收特征参量包括吸收位置absorption positionAP、吸收深度absorption depthAD、吸收宽度absorption widthAW、光谱吸收对称性absorption asymmetryAA和光谱吸收指数spectral absorption indexSAI。2.4 植被指数提取1计算NDVI归一化植被指数NDVI(NIR-RED)/(NIRRED)2计算EMVI增强型红树林指数EMVIGREEN-SWIR2/(SWIR1-GREEN)2.5红树林信息提取结合矢量数据与影像计算的结果提取口红树林分布区域结合目视解译结果提取红树林信息。第三章、高光谱遥感数据分类与制图3.1混合像元分解遥感图像中混合像元的存在是像元级遥感分类和要素反演精度难以达到使用要求的主要原因。为了提高遥感应用的精度必须解决混合像元分解的问题使遥感应用由像元级达到亚像元级。进入像元内部将混合像元分解为不同的“基本组分单元”或称“端元”并求得这些基本组分所占的比例即地物丰度对混合像元对应地物的真实组成情况进行还原即所谓的“光谱解混”过程。混合像元分解包括端元数目估计、端元提取和丰度反演三部分。端元数目估计HySime算法估计信号和噪声的相关系数矩阵后在信号特征向量构成的空间中选择使得投影前后具有最小均方差的子空间构成该子空间的特征向量个数即为端元估计数目。该端元提取端元波谱作为高光谱分类、地物识别和混合像元分解等过程中的参考波谱直接影响波谱识别与混合像元分解结果的精度。端元提取的作用是从高光谱图像中提取“纯”地物即端元的光谱。端元提取包括顶点成分分析法、正交子空间投影、内部最大体积法N-FINDR。丰度反演丰度反演主要是用来求混合像元中不同成分所占的比例。丰度反演主要有三种方式分别是最小二乘法、单形体体积和超平面距离。3.2 高光谱遥感影像分类高光谱遥感影像分类方法光谱角填图光谱相似度光谱特征匹配光谱信息散度ISODATA分类K-Means分类模糊 C 均值分类MPC分类RFCM分类示例基于光谱角填图的分类波谱角分类SAM是一个基于自身的波谱分类它是在n维空间将像元与参照波谱进行匹配。这一算法是通过计算波谱间的角度将它们作为具有维数等于波段数特征的空间矢量进行处理判定两个波谱间的相似度。较小的角度代表像元与参照波谱匹配紧密。大于指定的最大弧度阈值的像元不被分入该类。然后生成分类后的图像。分类后处理对分类后的图像进行分类统计、类别合并以及过滤得到更加精确的分类结果。精度评价精度评价是用来计算分类后图像数据与真实地面数据的偏差。使用地面实测红树林分布数据对红树林分类结果进行精度评价。第四章、GEE数据处理介绍4.1国外Earth EngineGEE平台简介GEE(Google Earth Engine)是由谷歌、卡内基梅隆大学、美国地质调查局(USGS)共同开发的用以处理卫星遥感影像数据和其他地球观测数据的云端运算平台。GEE平台融合了谷歌服务器提供的强大计算能力或者以及大范围的云计算资源平台数据集提供了对地观测卫星大量完整的影像数据如Sentinel MODISLandsat等也提供了植被、地表温度和社会经济等数据集并能做到数据库每天更新。下图是GEE提供的Landsat Collection2数据GEE提供了Python和JavaScript版的API使用基于Web的代码编辑器IDE进行快速、交互式算法开发。用于地球引擎JavaScript API的IDE具有如下图的元素4.2 GEE主要数据类型与对象等几何图形ee.Geometry()GEE在Geometry下提供了一系列方法如LineString线段、Point点、MultiPoint(复合点)、Polygon(多边形)等。在Geometry的创建最快捷的方式是通过用户的点击创建所需的几何图形如下图所示。在创建完成后会在代码编辑器中自动生成代码。矢量数据ee.Feature()在GEE中Feature()类型的矢量数据是一种中间类型的数据相比于Geometry多了一些需要存储的属性信息类似于本地矢量数据的属性表。矢量数据集合ee.FeatureCollection()矢量数据集是GEE中常用的数据格式在GEE中矢量数据的操作大多数基于矢量数据集进行。影像数据Image的创建主要有GEE自带的数据集用户上传和ee.image()/constant()及ee.Image.pixelLonLat()方法。影像集合影像集合与矢量集合数据处理方法类似常用的有过滤方法、循环遍历方法等。4.3 影像预处理GEE上提供各种影像数据大气、地形和几何校正的预处理工作已经完成。但在使用之前需要对影像进行去云处理。以Landsat8数据为例基本思路为获取数据的QA波段设置QA波段的cloudShadowBitMask云影位和cloudsBitMaks云位均为0再更新数据的该波段即可得到去云后的影像。具体代码如下影像去云前后对比影像去云处理后可直接利用ee.ImageCollection()下的filterBounds()、clip()方法和上传至平台的矢量数据将影像裁剪至研究区范围提高计算效率。4.4机器学习分类提取红树林GEE提供了多种监督分类和非监督分类算法本例展示使用随机森林法提取2020年漳江口自然保护区红树林分布。首先需将样本点上上传划分训练样本和验证样本后构建分类器最后运用分类器得到结果部分代码如下图所示下图为随机森林法提取到的漳江口2020年红树林分布4.5红树林植被指数计算及提取为提高效率使用植被指数阈值法进行红树林的提取。主要使用两种植被指数增强型红树林植被指数EMVI和红树林植被指数MVI。增强型红树林植被指数EMVI增强型红树林植被指数EMVI是Yang Gang等根据红树林与其他植被在绿光波段和中红外波段的光谱特征差异如下图所示构建的。其计算公式为EMVI(GREEN-SIWR2)\(SWIR1-GREEN)利用该指数提取2020年漳江口国家级自然保护区红树林分布结果如下红树林植被指数MVI红树林植被指数MVI是Alvin B.Baloloy等基于红树林与其他植被在绿光波段、近红外波段和中红外波段的差异构建的如下图其计算公式为MVI|(NIR-GREEN)|\|(SWIR1-GREEN)|利用该指数提取2020年漳江口国家级自然保护区红树林分布结果如下图所示指数和阈值的选择两种用于提取红树林的指数均有较好的效果红树林纹理特征较明显可目视解译判断提取效果。指数及阈值的选择要根据影像数据源、研究区的时空条件而变化。4.6红树林分布时序分析利用植被指数阈值法提取红树林的优势在于无需选择样本点结合GEE的云计算服务可以高效实现红树林分布的时序分析。4.7结果统计分析与绘图计算像素面积通过pixelArea()和Reducer.sum()等方法计算提取到的红树林的面积并转化为公顷单位。计算2000-2020年红树林面积结果显示在右侧【Console】栏中2000、2005、2010、2015、2020年漳江口自然保护区红树林面积分别为21.70、38.56、46.00、56.33、75.27公顷。生成图表利用图表可以更直观地展现红树林面积变化的趋势情况。GEE提供了多种图表形式用户可根据自己的需求进行个性化设计。4.8数据导出GEE在Expot()下提供了导出影像到云盘的功能用户设置需要导出的影像、影像描述、比例、区域以及最大像元数运行后即可在右侧【Task】栏中运行任务将影像导出导出结果为Tiff格式。导出2020年漳江口自然保护区红树林提取结果在ArcGIS中打开如下图所示第五章、碳储量时空变化与预测5.1基于InVEST模型的碳储量估算基于高光谱影像提取后的红树林以及红树林地上、地下碳密度依据InVEST模型中碳储量模块的计算方法进行碳储量计算。生态系统的碳储量由地上碳储量、地下碳储量、土壤碳储量和死亡有机碳储量四个基本碳库组成模型的计算公式为5.2基于InVEST模型的蓝碳储量估算碳储存估算碳积累估算碳损失估算净碳固定估算5.2 基于PLUS模型的碳储量的时空变化分析与预测实现思路PLUS模型数据准备数据类型数据格式转换驱动因素选择和处理驱动因子选择驱动因子数据制备驱动因子数据格式转换土地扩张分析策略LEAS模块原理与实现土地扩张分析策略LEAS模块原理介绍用地扩张提取RF算法提取土地利用类型的发展潜力多类随机斑块种子的CA模型CARS模块原理与实现CARS模块原理介绍模块运行数据制备Markov土地利用预测未来土地利用分布模拟模拟精度验证场景多样性分析碳储量的时空变化分析与预测驱动因素影响分析第六章、科技论文写作与制图1.科技论文结构分析2.科技论文图表规范3.图表优化技巧4.论文投稿技巧分析5.SCI论文案例分析