本发明涉及森林遥感监测，尤其涉及一种基于多源遥感数据的森林地上生物量估算方法、装置及设备。
背景技术：
1、利用google earth engine(gee)这一先进的遥感云计算平台，采用机器学习技术来进行大范围森林地上生物量的估算，已经成为遥感领域的常规实践。gee云平台汇集了大量的多源遥感影像，同时强大的云计算能力可以快速调用不同机器学习方法和测试不同变量组合下的森林地上生物量模型，相较于传统基于本地单机模型测试，无需下载影像且可以极大的缩减模型测试的时间。传统的基于遥感影像的森林地上生物量模型构建过程中，缺乏系统性、科学性较强的多源遥感变量的选取和模型构建过程。
2、现有基于遥感的森林生物量评估研究中，参与构建森林生物量模型构建的多源遥感变量，都是按照个人意愿或者前人经验选取特定的植被指数或者纹理特征等变量参与森林地上生物量模型构建。对于如何选取森林最优多源遥感变量并没有给出明确规定，同时对于多源变量重要性和相关性所选取的变量数量和组合也没有给出合理的解释，多是按照以往文献给出的技术方案部分进行修改，从而构建森林地上生物量模型，森林地上生物量模型变量选取缺乏合理性。此外，基于本地的多源遥感变量森林地上生物量模型构建中，多依赖于本地单机的工作站，不利于将数量众多的多源遥感变量组合下的测试森林地上生物量模型。难以快速实现对变量过多和多种变量组合下的森林生物量大面积估测。
技术实现思路
1、本发明描述一种基于多源遥感数据的森林地上生物量估算方法、装置及设备，可以解决上述技术问题。
2、根据第一方面，提供一种基于多源遥感数据的森林地上生物量估算方法，该方法包括：
3、获取森林样地数据及其对应的遥感影像数据；根据森林样地数据对树种进行分类，以确定样地生物量；根据森林样地数据，选取相应的多源遥感影像数据分别建立单一遥感变量；
4、以样地生物量为基础数据，以单一遥感变量为特征，使用多种不同的机器学习方法构建森林地上生物量模型，根据模型测试结果评估不同的机器学习方法，选取其中拟合度最高且误差最小的机器学习方法作为最优的机器学习方法；
5、以样地生物量为基础数据，以单一遥感变量为特征，构建多源遥感变量组合、多源变量重要性组合、多源变量相关性组合、多源变量主成分分析组合；
6、以样地生物量为基础数据，以多源遥感变量组合、多源变量重要性组合、多源变量相关性组合、多源变量主成分分析组合使用所选取最优的机器学习方法分别构建各个特征组合所对应的森林地上生物量模型，通过对模型进行精度对比和模型调参，最终筛选出精度最高的森林地上生物量模型，并使用该模型估算森林生物量。
7、在一些实施例中，评估不同机器学习方法的指标包括但不限于：模型拟合度、均方根误差、平均绝对误差和相对误差。
8、在一些实施例中，其单一遥感变量包括但不限于：影像光谱波段、光谱和植被指数、sar、地形、纹理特征、缨帽变换。
9、在一些实施例中，构建多源遥感变量组合的方法，包括：
10、以样地生物量为基础数据，以单一遥感变量为特征，使用所选取的最优的机器学习方法来构建森林地上生物量模型；对各个单一变量对应的森林地上生物量模型分别进行测试，计算出各个单一变量对应的森林地上生物量模型拟合度和误差值，并根据模型的拟合度和误差值的计算结果进行排序，选取其中前两个或多个误差值小的单一变量构建多源遥感变量组合。
11、在一些实施例中，构建多源变量重要性组合的方法，具体包括：以样地生物量为基础数据，以单一遥感变量为特征，使用所选取的最优的机器学习方法对样地生物量进行重要性分析，以从高到低的顺序对单一遥感变量的重要性进行排序，从而构建不同多源变量重要性组合。
12、在一些实施例中，构建多源变量相关性组合的方法，具体包括：以样地生物量为基础数据，以单一遥感变量为特征，分别对样地生物量进行相关性分析，根据相关性分析结果，以从高到低的顺序对单一遥感变量的相关性进行排序，从而构建不同多源变量相关性组合。
13、在一些实施例中，所述相关性分析方法包括但不限于：皮尔逊积矩相关系数、肯德尔秩相关系数、斯皮尔曼等级相关系数。
14、在一些实施例中，构建多源变量主成分分析组合的方法，具体包括：以样地生物量为基础数据，以单一遥感变量为特征，分别对样地生物量进行主成分分析，将主成分分析累积特征值超过一定阈值的变量作为多源变量主成分分析组合。
15、根据第二方面，一种基于多源遥感数据的森林地上生物量估算装置，该装置包括：
16、数据获取模块，用于获取森林样地数据及其对应的多源遥感影像数据；
17、数据分类模块，用于根据森林样地数据对树种进行分类；
18、模型构建模块，用于构建森林地上生物量模型；
19、模型训练模块，用于训练森林地上生物量模型；
20、模型测试模块，用于对森林地上生物模型进行测试；
21、模型筛选模块，用于根据不同模型的测试结果，筛选出最优模型。
22、根据第三方面，提供一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面中任一所述的方法。
23、本发明提供一种基于多源遥感数据的森林地上生物量估算方法、装置及设备。通过科学构建基于多源遥感变量的森林地上生物量模型，按照多源变量组合、多源变量重要性组合、多源变量相关性组合、多源变量主要成分分析组合分别构建森林地上生物量模型，对模型进行训练、测试，根据模型的训练和测试结果对模型进行精度对比，最终筛选出精度最高的森林地上生物量模型。其中多源变量组合的构建可以提升模型预测的准确性及泛化能力，提升模型的训练速度，根据本发明构建的森林地上生物量模型多误差评价体系，可以快速筛选出研究样地最优的森林地上生物量模型，并且可以应用于具有更广泛区域、多种不同树种的研究场景。
1.一种基于多源遥感数据的森林地上生物量估算方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于多源遥感数据的森林生物量估算方法，其特征在于，评估不同机器学习方法的指标包括但不限于：模型拟合度、均方根误差、平均绝对误差和相对误差。
3.根据权利要求1所述的基于多源遥感数据的森林生物量估算方法，其特征在于，其单一遥感变量包括但不限于：影像光谱波段、光谱和植被指数、sar、地形、纹理特征、缨帽变换。
4.根据权利要求1所述的基于多源遥感数据的森林生物量估算方法，其特征在于，构建多源遥感变量组合的方法，包括：
5.根据权利要求1所述的基于多源遥感数据的森林生物量估算方法，其特征在于，构建多源变量重要性组合的方法，具体包括：
6.根据权利要求1所述的基于多源遥感数据的森林生物量估算方法，其特征在于，构建多源变量相关性组合的方法，具体包括：
7.根据权利要求6所述的构建多源变量相关性组合的方法，其特征在于，所述相关性分析方法包括但不限于：皮尔逊积矩相关系数、肯德尔秩相关系数、斯皮尔曼等级相关系数。
8.根据权利要求1所述的基于多源遥感数据的森林生物量估算方法，其特征在于，构建多源变量主成分分析组合的方法，具体包括：
9.一种基于多源遥感数据的森林地上生物量估算装置，其特征在于，通过如权利要求1至8中任一项所述的方法筛选出最优的森林地上生物量模型，所述装置包括：
10.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至8任一项所述的方法。
