基于“遥感+”蓝碳储量估算、红树林信息提取实践技能应用与科研论文写作
大气温室气体浓度不绝增加，导致气候变暖加剧，随之会引发一系列气象、生态和环境灾害。如何低落温室气体浓度和应对气候厘革已成为全球关注的焦点。海洋是地球上最大的“碳库”,“蓝碳”即海洋运动以及海洋生物（特别是红树林、盐沼和海草）能够吸取大气中的二氧化碳，并将其固定、储存在海洋中的过程、运动和机制。而维持与提拔我国海岸带蓝碳潜力是缓解气候厘革的低成本、高效益的方案，有利于充实发挥我国海洋和海岸带生态体系在缓解全球气候厘革中的重要作用。红树林作为最重要的蓝碳植被，对其的监测与掩护成为近年来的研究热点。从全球范围来看，红树林重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匀称，具有高度的空间异质性。光谱和图像是人们观察天下的两种方式，高光谱遥感通过“图谱合一”的技能创新将两者团结起来，大大进步了人们对客观天下的认知本领，本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。以高光谱遥感为核心，构建大范围、快速、远程、定量探测技能，已在农业、林业、地质、生态、水质监测等范畴取得了突出成果，而在药品、食物、环境等范畴也表现了不可估量的应用潜力。
遥感云计算技能的发展和平台的出现为遥感大数据处理和分析提供了前所未有的机遇，表现在：（1）云端有海量数据资源，无需下载到当地处理，（2）云端提供批量和交互式的大数据计算服务，（3）云端提供应用程序接口API（Application Programming Interface），无需在当地安装软件，才可以举行处理分析。这彻底改变了传统遥感数据当地下载，处理和分析的模式，进一步低落了遥感数据使用的准入门槛，极大进步了运算效率，加速了算法测试的迭代过程，使得原本在台式机或服务器上难以实现的全球标准地球体系科学快速分析和应用成为大概。
“遥感+”助推蓝碳生态体系碳储量观察简介
(1)蓝碳生态体系碳储量研究配景
红树林、海草床和盐沼是海岸带最具固碳效率的三大生态体系，统称为“蓝色碳汇”。固然这三类生态体系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，甚至大概高达71%。尽管红树林面积有限，仅占陆地表面的0.1%，但它比陆地生态体系具有更高的碳储存和碳捕获的本领。作为蓝碳的重要构成部分，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，并低落有机质分解速率进而达到固碳的效果。
（2）蓝碳生态体系碳储量研究方法
传统的碳库观察方式成本高、效率低，制约了长时间、大标准地区开展红树林碳库分布的估算和监测，创建大标准地区实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，红树林重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匀称，具有高度的空间异质性。
（3）遥感技能在蓝碳生态体系研究中的优势
团结高光谱遥感技能图谱合一的特点，使用高光谱遥感技能分析红树林光谱数据，实现物种举行精准识别或分类。针对桌面端软件处理遥感影像时效性低的标题，我们将团结遥感云计算平台实现对长时间、差别标准地区的红树林碳库分布的估算和监测。
第一章 、高光谱遥感数据先容及预处理
1.1高光谱遥感数据的熟悉
高光谱分辨率遥感是用很窄而连续的光谱通道对地物连续遥感成像的技能。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每每依靠光谱特征属性来确定是否属于同一种地物。
示例：GF-5卫星是中国高分巨大专项中唯逐一颗高光谱卫星，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。
https://i-blog.csdnimg.cn/img_convert/0685935ea37f77df816d7464e10a33a0.png
坏波段剔除
由于大气散射、水汽吸取、成像体系、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，必要将这些波段剔除。
https://i-blog.csdnimg.cn/img_convert/50af24cb34353b16622dd132781818a0.png
辐射定标
通过辐射定对数据采集和传输体系引起的体系、随机辐射失真或畸变举行的校正，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、吸取、散射、折射和投射会差别程度的影响传感器记载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重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。
https://i-blog.csdnimg.cn/img_convert/2f5e4ee1560443c976832215c0620bcb.png
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重要光谱响应特征。在可见光波段，植物光谱重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取辐射能形成吸取谷，在550nm绿光波段附近吸取相对淘汰，形成绿色反射峰。受叶片内部细胞构造对近红外波段强反射的影响，670～780nm之间“红边”反射灵敏增高。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，780～950nm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取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取特征更加显着，反射率归一化为0 ~ 1之间，有利于光谱吸取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办理高光谱数据冗余的标题。
https://i-blog.csdnimg.cn/img_convert/45c519d2e036cc86b90dcf2e9c4227fb.png
2.3光谱吸取特征参量计算
光谱吸取特征参量包括：吸取位置（absorption position，AP）、吸取深度（absorption depth，AD）、吸取宽度（absorption width，AW）、光谱吸取对称性（absorption asymmetry，AA）和光谱吸取指数（spectral absorption index，SAI）。
https://i-blog.csdnimg.cn/img_convert/5ac7a3c3b2dc86f64896b549a9135fb3.png
2.4 植被指数提取
（1）计算NDVI（归一化植被指数）
NDVI=(NIR-RED)/(NIR+RED)
（2）计算EMVI（增强型红树林指数）
EMVI=（GREEN-SWIR2）/(SWIR1-GREEN)
2.5红树林信息提取
团结矢量数据与影像计算的效果提取口红树林分布地区；
团结目视解译效果提取红树林信息。
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重要原因。为了进步遥感应用的精度，必须办理混合像元分解的标题，使遥感应用由像元级达到亚像元级。进入像元内部，将混合像元分解为差别的“基本组分单位”，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构成环境举行还原，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。
https://i-blog.csdnimg.cn/img_convert/13ed0deceed0c0a5ce4d278535335f70.png
端元数目估计
HySime算法估计信号和噪声的相干系数矩阵后，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效果的精度。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。
端元提取包括顶点身分分析法、正交子空间投影、内部最大体积法（N-FINDR）。
丰度反演
丰度反演重要是用来求混合像元中差别身分所占的比例。
丰度反演重要有三种方式，分别是最小二乘法、单形体体积和超平面间隔。
3.2 高光谱遥感影像分类
https://i-blog.csdnimg.cn/img_convert/1b261e4044c828c2a47bbe4552eff21b.png
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
含糊 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举行匹配。这一算法是通过计算波谱间的角度（将它们作为具有维数即是波段数特征的空间矢量举行处理），判断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精密。大于指定的最大弧度阈值的像元不被分入该类。然后生身分类后的图像。
分类后处理
对分类后的图像举行分类统计、类别归并以及过滤，得到更加准确的分类效果。
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弊端。
使用地面实测红树林分布数据对红树林分类效果举行精度评价。
第四章、GEE数据处理先容
4.1国外Earth Engine（GEE）平台简介
GEE(Google Earth Engine)是由谷歌、卡内基梅隆大学、美国地质观察局(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本领大概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， MODIS，Landsat等，也提供了植被、地表温度和社会经济等数据集，并能做到数据库天天更新。下图是GEE提供的Landsat Collection2数据：
https://i-blog.csdnimg.cn/img_convert/202c5fa80ca68abb93adb7095ce09e50.png
GEE提供了Python和JavaScript版的API，使用基于Web的代码编辑器（IDE）举行快速、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：
https://i-blog.csdnimg.cn/img_convert/033153601df6d9a2da6bba4086f5be11.png
4.2 GEE重要数据类型与对象等
多少图形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多少图形，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。
https://i-blog.csdnimg.cn/img_convert/27f6a057b02001596620ba12bc3513eb.png
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多了一些必要存储的属性信息，雷同于当地矢量数据的属性表。
矢量数据聚集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举行。
影像数据
Image的创建重要有GEE自带的数据集，用户上传和ee.image()/constant()及ee.Image.pixelLonLat()方法。
影像聚集
影像聚集与矢量聚集数据处理方法雷同，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、地形和多少校正的预处理工作已经完成。但在使用之前，必要对影像举行去云处理。以Landsat8数据为例，基本思绪为获取数据的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：
https://i-blog.csdnimg.cn/img_convert/32bc92b342feb269c9bce0010fad5c7a.png
影像去云前后对比：
https://i-blog.csdnimg.cn/img_convert/7246904f32c3218e4be76d6a03c01cde.png
影像去云处理后，可直接使用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，进步计算效率。
4.4呆板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年漳江口自然掩护区红树林分布。
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，末了运用分类器得到效果，部分代码如下图所示：
https://i-blog.csdnimg.cn/img_convert/af3a644f6c991e76bf64060082a0cd7d.png
下图为随机森林法提取到的漳江口2020年红树林分布：
https://i-blog.csdnimg.cn/img_convert/587cb64d64dacbfd215f1dc1b7de9773.png
4.5红树林植被指数计算及提取
为进步效率，使用植被指数阈值法举行红树林的提取。重要使用两莳植被指数：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。
https://i-blog.csdnimg.cn/img_convert/755b05d8ebcc183efe440d6c57fc504d.png
其计算公式为：
EMVI=(GREEN-SIWR2)\(SWIR1-GREEN)
https://i-blog.csdnimg.cn/img_convert/c41620c8e87ac99cc4593599a9845972.png
使用该指数提取2020年漳江口国家级自然掩护区红树林分布效果如下：
https://i-blog.csdnimg.cn/img_convert/cc93b9d233cd9297f94fc885611a7abd.png
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）：
https://i-blog.csdnimg.cn/img_convert/fbb0914162343a445b7b3668843cd506.png
其计算公式为：
MVI=|(NIR-GREEN)|\|(SWIR1-GREEN)|
使用该指数提取2020年漳江口国家级自然掩护区红树林分布效果如下图所示：
https://i-blog.csdnimg.cn/img_convert/458faaace2c6102c2aa04471aa277e11.png
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（红树林纹理特征较显着，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厘革。
4.6红树林分布时序分析
使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，团结GEE的云计算服务，可以高效实现红树林分布的时序分析。
https://i-blog.csdnimg.cn/img_convert/d5d99f3df2e19b75e372d1414f8c1292.png
https://i-blog.csdnimg.cn/img_convert/b6ed9d6333f22849b97f9a7cf90a797d.png
4.7效果统计分析与画图
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。
https://i-blog.csdnimg.cn/img_convert/9922c6c283eba5e6e86348be27860564.png
计算2000-2020年红树林面积，效果表现在右侧【Console】栏中，2000、2005、2010、2015、2020年漳江口自然掩护区红树林面积分别为21.70、38.56、46.00、56.33、75.27公顷。
https://i-blog.csdnimg.cn/img_convert/abcf2c6b7aadc540dbd56d9a5880cce8.png
生成图表
使用图表可以更直观地展现红树林面积厘革的趋势环境。GEE提供了多种图表形式，用户可根据自己的需求举行个性化设计。
4.8数据导出
GEE在Expot()下提供了导出影像到云盘的功能，用户设置必要导出的影像、影像形貌、比例、地区以及最大像元数，运行后即可在右侧【Task】栏中运行任务，将影像导出，导出效果为Tiff格式。
https://i-blog.csdnimg.cn/img_convert/7d04f519f6cc5e0a16e8ef4828fd640c.png
导出2020年漳江口自然掩护区红树林提取效果，在ArcGIS中打开，如下图所示：
https://i-blog.csdnimg.cn/img_convert/aac1c9ac3bf11706dcd5cd844a4b6fa4.png
第五章、碳储量时空厘革与预测
5.1基于InVEST模型的碳储量估算
https://i-blog.csdnimg.cn/img_convert/79ffe974ad4af714908ce5697bfa9c42.png
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，举行碳储量计算。生态体系的碳储量由地上碳储量、地下碳储量、土壤碳储量和殒命有机碳储量四个基本碳库构成，模型的计算公式为：
5.2基于InVEST模型的蓝碳储量估算
https://i-blog.csdnimg.cn/img_convert/586ef09799adddf28751d8843aaf87c8.png
碳储存估算
https://i-blog.csdnimg.cn/img_convert/a71fca479c1eaf97b5ca8435940e3c18.png
碳积累估算
碳损失估算
https://i-blog.csdnimg.cn/img_convert/b90a2f4a37961a4c9046dcda15d72ede.png
净碳固定估算
https://i-blog.csdnimg.cn/img_convert/fd50d02d363970c0500ff557942c30e1.png
5.2 基于PLUS模型的碳储量的时空厘革分析与预测
实现思绪
https://i-blog.csdnimg.cn/img_convert/dfa4361cde09dd2cc29b5d04d594a279.png
PLUS模型数据预备
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
https://i-blog.csdnimg.cn/img_convert/194e37fc6ef5efbe5df4cadb68ffa4b3.png
土地扩张分析计谋（LEAS）模块原理与实现
土地扩张分析计谋（LEAS）模块原理先容
用地扩张提取
RF算法提取土地使用类型的发展潜力
多类随机斑块种子的CA模型（CARS）模块原理与实现
（CARS）模块原理先容
模块运行数据制备
Markov土地使用预测
将来土地使用分布模拟
模拟精度验证
场景多样性分析
碳储量的时空厘革分析与预测
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
https://i-blog.csdnimg.cn/img_convert/3a5cf68ae1247941971d78e9260b96d5.png
★ 点 击 下 方 关 注，获取海量教程和资源！
↓↓↓
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]