森林地上生物量反演方法、装置、设备以及存储介质

摘要

本发明涉及遥感信息处理技术领域，特别涉及一种森林地上生物量反演方法、装置、设备以及存储介质，通过获取样本区域的实测林木特征数据、机载激光雷达点云数据以及实测林下生物量数据，结合多源遥感数据获取多元信息，训练并构建林下植被高度反演、林下生物量反演、林下生物量外推模型，实现大尺度、高分辨率的林下植被生物量估算。本发明突破以往单纯基于冠层高度估算生物量的局限，实现对森林垂直结构特征和林下植被生物量的准确估计。

权利要求

1.一种森林地上生物量反演方法，其特征在于，包括以下步骤：

获得样本区域的实测林木特征数据、机载激光雷达点云数据、实测林下生物量数据以及多源遥感数据，其中，所述实测林木特征数据包括若干个采样点的林木高度数据，所述机载激光雷达点云数据为通过无人机激光雷达获得的雷达点云数据；

根据所述实测林木特征数据，采用均值聚类方法，对所述若干个采样点进行林层划分，获得目标林层对应的若干个目标采样点，对若干个目标采样点的林木高度数据进行平均处理，获得平均处理后的结果，作为所述样本区域的第一林下植被高度数据；

根据所述机载激光雷达点云数据，获得所述样本区域的模拟全球生态系统动力学波形数据，根据所述模拟全球生态系统动力学波形数据，获得所述样本区域的波形反演高度指标数据；

获得待训练模型，将所述第一林下植被高度数据、波形反演高度指标数据、实测林下生物量数据以及多源遥感数据输入至所述待训练模型进行训练，获得目标模型，其中，所述待训练模型包括林下植被高度估算模块、林下植被生物量反演模块以及林下植被生物量外推模块；

获得待测区域的星载激光雷达数据以及多源遥感数据，所述星载激光雷达数据为通过卫星获得的雷达数据，根据所述待测区域的星载激光雷达数据，获得所述待测区域的波形反演高度指标数据，将所述待测区域的波形反演高度指标数据以及多源遥感数据输入至所述目标模型，获得所述待测区域的预测林下植被生物量数据。

2.根据权利要求1所述的森林地上生物量反演方法，其特征在于，所述将所述第一林下植被高度数据、波形反演高度指标数据、实测林下生物量数据以及多源遥感数据输入至所述待训练模型进行训练，获得目标模型，包括步骤：将所述第一林下植被高度数据以及波形反演高度指标数据输入至所述林下植被高度估算模块中进行训练，获得目标林下植被高度估算模块；

将所述第一林下植被高度数据以及实测林下生物量数据输入至所述林下植被生物量反演模块中进行训练，获得目标林下植被生物量反演模块；

将所述实测林下生物量数据和多源遥感数据输入至所述林下植被生物量外推模块中进行训练，获得目标林下植被生物量外推模块。

3.根据权利要求2所述的森林地上生物量反演方法，其特征在于，所述将所述第一林下植被高度数据以及波形反演高度指标数据输入至所述林下植被高度估算模块中进行训练，获得目标林下植被高度估算模块，包括步骤：采用线性回归方法，根据所述样本区域的第一林下植被高度数据、波形反演高度指标数据以及预设的初始林下植被高度反演算法，对所述林下植被高度估算模块进行训练，获得训练后的林下植被高度估算模块，作为目标林下植被高度估算模块，其中，所述初始林下植被高度反演算法为：式中， 为样本区域的第一林下植被高度数据， 为高

度i对应的波形反演高度指标数据， 为高度参数， 为常数项。

4.根据权利要求3所述的森林地上生物量反演方法，其特征在于，所述对所述林下植被高度估算模块进行训练，获得训练后的林下植被高度估算模块，作为目标林下植被高度估算模块，还包括步骤：获得所述样本区域的地基激光雷达点云数据，根据所述地基激光雷达点云数据，获得所述样本区域的第二林下植被高度数据，其中，所述第二林下植被高度数据包括若干个目标点的林木高度数据；

根据所述第一林下植被高度数据以及第二林下植被高度数据，对所述训练后的林下植被高度估算模块进行验证，获得验证结果，根据所述验证结果，对所述训练后的林下植被高度估算模块进行修正，获得修正后的林下植被高度估算模块，作为所述目标林下植被高度估算模块。

5.根据权利要求4所述的森林地上生物量反演方法，其特征在于：所述地基激光雷达点云数据包括若干个雷达点的点云数据；

所述根据所述地基激光雷达点云数据，获得所述样本区域的第二林下植被高度数据，包括步骤：

根据所述地基激光雷达点云数据中若干个雷达点的点云数据，采用TIN滤波算法，将所述若干个雷达点划分为地面点以及非地面点；

以各个非地面点为中心，根据预设的搜索半径，获得各个非地面点周围的若干个地面点，并计算各个非地面点与各个非地面点周围的若干个非地面点的相对高度数据，根据所述各个非地面点与各个非地面点周围的若干个非地面点的相对高度数据以及预设的相对高度阈值，获得若干个目标点，以及若干个所述目标点的林木高度数据；

根据若干个所述目标点的林木高度数据，采用反距离插值法进行空间插值处理，获得空间插值处理后的结果，作为所述样本区域的第二林下植被高度数据。

6.根据权利要求5所述的森林地上生物量反演方法，其特征在于：所述星载激光雷达数据包括若干个光斑点的波形反演高度指标数据；

所述将所述待测区域的波形反演高度指标数据以及多源遥感数据输入至所述目标模型，获得所述待测区域的预测林下植被生物量数据，包括步骤：将所述若干个光斑点的波形反演高度指标数据输入至所述目标林下植被高度估算模块，根据预设的林下植被高度反演算法，获得若干个光斑点的第一林下植被高度数据，其中，所述林下植被高度反演算法为：式中， 为光斑点的第一林下植被高度数据， 为高度30对应的波形反演高度指标数据， 为高度40对应的波形反演高度指标数据；

将所述若干个光斑点的第一林下植被高度数据输入至所述目标林下植被生物量反演模块，根据预设的林下植被生物量反演算法，获得若干个光斑点的林下植被生物量数据，其中，所述林下植被生物量反演算法为：式中，B为林下植被生物量数据；

将所述若干个光斑点的林下植被生物量数据和多源遥感数据输入至所述目标林下植被生物量外推模块，获得若干个光斑点的林下植被生物量外推数据，作为所述待测区域的预测林下植被生物量数据。

7.根据权利要求6所述的森林地上生物量反演方法，其特征在于：所述星载激光雷达数据还包括若干个光斑点的长轴半径数据、短轴半径数据、光斑朝向数据、激光指向方位角数据、地形坡度数据以及激光指向与垂直地形方向的夹角数据；

所述将所述若干个光斑点的第一林下植被高度数据输入至所述目标林下植被生物量反演模块之前，还包括步骤：根据所述星载激光雷达数据、若干个光斑点的第一林下植被高度数据以及预设的反演高度修正算法，获得修正处理后的所述若干个光斑点的第一林下植被高度数据，其中，所述反演高度修正算法为：式中， 为修正处理后的若干个光斑点的第一林下植被高度数据， 为光斑点的第一林下植被高度数据， 为光斑点的激光指向与垂直地形方向的夹角数据，为光斑点的地形坡度数据，为光斑点的长轴半径数据， 为光斑点的短轴半径数据，为光斑点的激光指向方位角数据， 为光斑点的光斑朝向数据。

8.一种森林地上生物量反演装置，其特征在于，包括：

数据获得模块，用于获得样本区域的实测林木特征数据、机载激光雷达点云数据、实测林下生物量数据以及多源遥感数据，其中，所述实测林木特征数据包括若干个采样点的林木高度数据，所述机载激光雷达点云数据为通过无人机激光雷达获得的雷达点云数据；

林下植被高度获得模块，用于根据所述实测林木特征数据，采用均值聚类方法，对所述若干个采样点进行林层划分，获得目标林层对应的若干个目标采样点，对若干个目标采样点的林木高度数据进行平均处理，获得平均处理后的结果，作为所述样本区域的第一林下植被高度数据；

波形反演高度指标数据获得模块，用于根据所述机载激光雷达点云数据，获得所述样本区域的模拟全球生态系统动力学波形数据，根据所述模拟全球生态系统动力学波形数据，获得所述样本区域的波形反演高度指标数据；

模型训练模块，用于获得待训练模型，将所述第一林下植被高度数据、波形反演高度指标数据、实测林下生物量数据以及多源遥感数据输入至所述待训练模型进行训练，获得目标模型，其中，所述待训练模型包括林下植被高度估算模块、林下植被生物量反演模块以及林下植被生物量外推模块；

林下植被生物量数据预测模块，用于获得待测区域的星载激光雷达数据以及多源遥感数据，所述星载激光雷达数据为通过卫星获得的雷达数据，根据所述待测区域的星载激光雷达数据，获得所述待测区域的波形反演高度指标数据，将所述待测区域的波形反演高度指标数据以及多源遥感数据输入至所述目标模型，获得所述待测区域的预测林下植被生物量数据。

9.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的森林地上生物量反演方法的步骤。

10.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的森林地上生物量反演方法的步骤。

说明书

森林地上生物量反演方法、装置、设备以及存储介质

技术领域

[0001] 本发明涉及遥感信息处理技术领域，特别涉及是一种森林地上生物量反演方法、装置、设备以及存储介质。

背景技术

[0002] 森林生态系统是一个巨大的碳库，增加森林生态系统碳汇被认为是当前最经济可行和环境友好的减缓大气CO2浓度升高的重要途径之一。森林生态系统具有复杂的垂直结构，其林下部分生物量可占总体的10%‑30%，对维护整个森林生态系统的稳定性、演替发展、结构和功能起到不可忽略的作用。因此，对林下植被生物量数据的准确估算能为评估森林碳库现状、固碳潜力并追踪其变化提供重要依据，而且为制定应对气候变化政策、实现“碳中和”目标提供科学和技术支持。

[0003] 森林生物量的测量可以分为地面实测法和遥感估算方法。实测法精度高但耗费大量的人力物力和时间，且基于小尺度建立的估算模型往往普适性较差。遥感技术能够实现森林生物量的快速、定量、大范围监测，适用于分析和评价森林生物量的时空格局和变化趋势，已成为目前研究和应用的热点。然而，当前普遍采用的基于乔木冠层高度建立森林生物量估算统计模型的方法，忽略了郁闭森林的林下部分，导致结果存在一定的误差。

发明内容

[0004] 基于此，本发明的目的在于，提供一种森林地上生物量反演方法、装置、设备以及存储介质，通过获取样本区域的实测林木特征数据、机载激光雷达点云数据、实测林下生物量数据以及多源遥感数据，进行目标模型的训练，实现了对林下植被生物量数据进行大尺度、高分辨率估算，突破以往单纯基于冠层高度估算生物量的局限，实现对森林垂直结构特征和林下植被生物量的准确估计。

[0005] 第一方面，本申请实施例提供了一种森林地上生物量反演方法，包括以下步骤：

[0006] 获得样本区域的实测林木特征数据、机载激光雷达点云数据、多源遥感数据以及实测林下生物量数据，其中，所述实测林木特征数据包括若干个采样点的林木高度数据，所述机载激光雷达点云数据为通过无人机激光雷达获得的雷达点云数据；

[0007] 根据所述实测林木特征数据，采用均值聚类方法，对所述若干个采样点进行林层划分，获得目标林层对应的若干个目标采样点，对若干个目标采样点的林木高度数据进行平均处理，获得平均处理后的结果，作为所述样本区域的第一林下植被高度数据；

[0008] 根据所述机载激光雷达点云数据，获得所述样本区域的模拟全球生态系统动力学波形数据，根据所述模拟全球生态系统动力学波形数据，获得所述样本区域的波形反演高度指标数据；

[0009] 获得待训练模型，将所述第一林下植被高度数据、波形反演高度指标数据、实测林下生物量数据以及多源遥感数据输入至所述待训练模型进行训练，获得目标模型，其中，所述待训练模型包括林下植被高度估算模块、林下植被生物量反演模块以及林下植被生物量外推模块；

[0010] 获得待测区域的星载激光雷达数据以及多源遥感数据，所述星载激光雷达数据为通过卫星获得的雷达数据，根据所述待测区域的星载激光雷达数据，获得所述待测区域的波形反演高度指标数据，将所述待测区域的波形反演高度指标数据以及多源遥感数据输入至所述目标模型，获得所述待测区域的预测林下植被生物量数据。

[0011] 第二方面，本申请实施例提供了一种森林地上生物量反演装置，包括：

[0012] 数据获得模块，用于获得样本区域的实测林木特征数据、机载激光雷达点云数据、多源遥感数据以及实测林下生物量数据，其中，所述实测林木特征数据包括若干个采样点的林木高度数据，所述机载激光雷达点云数据为通过无人机激光雷达获得的雷达点云数据；

[0013] 林下植被高度获得模块，用于根据所述实测林木特征数据，采用均值聚类方法，对所述若干个采样点进行林层划分，获得目标林层对应的若干个目标采样点，对若干个目标采样点的林木高度数据进行平均处理，获得平均处理后的结果，作为所述样本区域的第一林下植被高度数据；

[0014] 波形反演高度指标数据获得模块，用于根据所述机载激光雷达点云数据，获得所述样本区域的模拟全球生态系统动力学波形数据，根据所述模拟全球生态系统动力学波形数据，获得所述样本区域的波形反演高度指标数据；

[0015] 模型训练模块，用于获得待训练模型，将所述第一林下植被高度数据、波形反演高度指标数据、实测林下生物量数据以及多源遥感数据输入至所述待训练模型进行训练，获得目标模型，其中，所述待训练模型包括林下植被高度估算模块、林下植被生物量反演模块以及林下植被生物量外推模块；

[0016] 林下植被生物量数据预测模块，用于获得待测区域的星载激光雷达数据以及多源遥感数据，所述星载激光雷达数据为通过卫星获得的雷达数据，根据所述待测区域的星载激光雷达数据，获得所述待测区域的波形反演高度指标数据，将所述待测区域的波形反演高度指标数据以及多源遥感数据输入至所述目标模型，获得所述待测区域的预测林下植被生物量数据。

[0017] 第三方面，本申请实施例提供了一种计算机设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的森林地上生物量反演方法的步骤。

[0018] 第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的森林地上生物量反演方法的步骤。

[0019] 在本申请实施例中，提供一种森林地上生物量反演方法、装置、设备以及存储介质，通过获取样本区域的实测林木特征数据、机载激光雷达点云数据、实测林下生物量数据以及多源遥感数据，进行目标模型的训练，实现了对林下植被生物量数据进行大尺度、高分辨率估算，突破以往单纯基于冠层高度估算生物量的局限，实现对森林垂直结构特征和林下植被生物量的准确估计。

[0020] 为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

[0021] 图1为本申请一个实施例提供的森林地上生物量反演方法的流程示意图；

[0022] 图2为本申请一个实施例提供的森林地上生物量反演方法的流程中S4的示意图；

[0023] 图3为本申请一个实施例提供的森林地上生物量反演方法的流程中S41的示意图；

[0024] 图4为本申请一个实施例提供的森林地上生物量反演方法的流程中S41的示意图；

[0025] 图5为本申请一个实施例提供的森林地上生物量反演方法的流程中S412的示意图；

[0026] 图6为本申请一个实施例提供的森林地上生物量反演方法的流程中S5的示意图；

[0027] 图7为本申请一个实施例提供的森林地上生物量反演方法的流程中S5的示意图；

[0028] 图8为本申请一个实施例提供的森林地上生物量反演装置的结构示意图；

[0029] 图9为本申请一个提供的计算机设备的结构示意图。

具体实施方式

[0030] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

[0031] 在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

[0032] 应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。

[0033] 请参阅图1，图1为本申请一个实施例提供的森林地上生物量反演方法的流程示意图，所述方法包括如下步骤：

[0034] S1：获得样本区域的实测林木特征数据、机载激光雷达点云数据、多源遥感数据以及实测林下生物量数据。

[0035] 所述森林地上生物量反演方法的执行主体为森林地上生物量反演方法的反演设备（以下简称反演设备），在一个可选的实施例中，反演设备可以是一台计算机设备，可以是服务器，或多台计算机设备联合而成的服务器机群。

[0036] 所述实测林木特征数据为在样地实地测量的每木检尺数据，其中，所述实测林木特征数据包括若干个采样点的林木高度数据。

[0037] 所述机载激光雷达点云数据为采用通过无人机激光雷达获取到的数据，包含植被内部结构信息。

[0038] 所述多源遥感数据包括DEM数据以及光学遥感数据，其中，所述DEM数据可用于提取地面高程信息、坡度信息、坡向信息，光学遥感数据可用于提取植被信息。

[0039] 在本实施例中，反演设备可以获得用户输入的实测林木特征数据以及实测林下生物量数据，也可以从预设的数据库中获得样本区域的机载激光雷达点云数据、多源遥感数据以及星载激光雷达数据，其中，所述实测林木特征数据包括若干个采样点的林木高度数据。

[0040] S2：根据所述实测林木特征数据，采用均值聚类方法，对所述若干个采样点进行林层划分，获得目标林层对应的若干个目标采样点，对若干个目标采样点的林木高度数据进行平均处理，获得平均处理后的结果，作为所述样本区域的第一林下植被高度数据。

[0041] 均值聚类方法通过比较样本之间的相似性，将较为相似的样本划分到同一个类别中。对于N个样本{x1, x2, ……, xN}，其中随机初始化k个聚类中心，通过每个样本与k个聚类中心之间的相似度，确定每个样本所属的类别，再通过每个类别中的样本重新计算每个类的聚类中心，重复这样的过程，直到聚类中心不再改变，最终确定每个样本所属的类别以及每个类的聚类中心。

[0042] 在本实施例中，反演设备根据所述实测林木特征数据中若干个采样点的林木高度数据，采用均值聚类方法，对所述若干个目标采样点进行林层划分，获得目标林层对应的若干个目标采样点，具体地，反演设备将灌木层作为目标林层，并获得灌木层对应的若干个目标采样点的林木高度数据，进行平均处理，获得平均处理后的林下植被层的结果，作为所述样本区域的第一林下植被高度数据。实现了对样本区域的林木进行准确、高效的区分，减小了林下植被识别的误差。

[0043] S3：根据所述机载激光雷达点云数据，获得所述样本区域的模拟全球生态系统动力学波形数据，根据所述模拟全球生态系统动力学波形数据，获得所述样本区域的波形反演高度指标数据。

[0044] 所述模拟全球生态系统动力学波形数据体现了样本区域的GEDI（Global Ecosystem Dynamics Investigation）脚印光斑尺度的全波形信息，在本实施例中，反演设备将获取到的机载激光雷达点云数据进行噪点去除处理，并通过GEDI模拟器，根据获取时间、植被覆盖和大气条件添加噪声，复现GEDI的数据特征，从而将噪点去除处理后的机载激光雷达点云数据转化为模拟全球生态系统动力学波形数据，根据所述模拟全球生态系统动力学波形数据，获得所述样本区域的波形反演高度指标数据，其中，所述波形反演高度指标数据包括若干个森林高度参数，表达式为： 。

[0045] 通过引入机载激光雷达点云数据，使样本区域的定位信息更多维更全面，以提高林下植被生物量预测的准确性。

[0046] S4：获得待训练模型，将所述第一林下植被高度数据、波形反演高度指标数据、实测林下生物量数据以及多源遥感数据输入至所述待训练模型进行训练，获得目标模型，其中，所述待训练模型包括林下植被高度估算模块、林下植被生物量反演模块以及林下植被生物量外推模块。

[0047] 在本实施例中，反演设备构建获得待训练模型，所述待训练的模型包括林下植被高度估算模块、林下植被生物量反演模块以及林下植被生物量外推模块。

[0048] 请参阅图2，图2为本申请一个实施例提供的森林地上生物量反演方法的流程中S4的示意图，包括步骤S41 S43，具体如下：~

[0049] S41：将所述第一林下植被高度数据以及波形反演高度指标数据输入至所述林下植被高度估算模块中进行训练，获得目标林下植被高度估算模块。

[0050] 请参阅图3，图3为本申请一个实施例提供的森林地上生物量反演方法的流程中S41的示意图，包括步骤S411，具体如下：

[0051] S411：采用线性回归方法，根据所述样本区域的第一林下植被高度数据、波形反演高度指标数据以及预设的初始林下植被高度反演算法，对所述林下植被高度估算模块进行训练，获得训练后的林下植被高度估算模块，作为目标林下植被高度估算模块。

[0052] 在本实施例中，反演设备采用线性回归方法，根据所述样本区域的第一林下植被高度数据、波形反演高度指标数据以及预设的初始林下植被高度反演算法，对所述林下植被高度估算模块进行训练，获得训练后的林下植被高度估算模块，作为目标林下植被高度估算模块，其中，所述初始林下植被高度反演算法为：

[0053]

[0054] 式中， 为样本区域的第一林下植被高度数据，为高度i对应的波形反演高度指标数据， 为高度参数， 为常数
项。

[0055] 具体地，反演设备采用lasso回归方法，通过在预先设置的损失函数中引入正则化项解决了线性回归的过拟合问题，对所述林下植被高度反演算法中的高度参数进行训练，获得训练后的林下植被高度估算模块，作为目标林下植被高度估算模块。

[0056] 请参阅图4，图4为本申请另一个实施例提供的森林地上生物量反演方法的流程中S41的示意图，还包括步骤S412 S413，具体如下：~

[0057] S412：获得所述待检测区域的地基激光雷达点云数据，根据所述地基激光雷达点云数据，获得所述样本区域的第二林下植被高度数据。

[0058] 所述第二林下植被高度数据包括若干个目标点的林木高度数据。

[0059] 所述地基激光雷达点云数据为地基激光雷达扫描的三维点云数据。

[0060] 在本实施例中，反演设备可以从预设的数据库中获得所述待检测区域的地基激光雷达点云数据。

[0061] 反演设备根据所述地基激光雷达点云数据，获得所述样本区域的第二林下植被高度数据，具体地，为了去除地形对于林木高度的影响，反演设备根据地基激光雷达点云数据中若干个雷达点对应的点云数据，将若干个雷达点相对于地面的高度转化为林木高度，获得所述样本区域的第二林下植被高度数据，其中，所述第二林下植被高度数据包括若干个目标点的林木高度数据。

[0062] 请参阅图5，图5为本申请一个实施例提供的森林地上生物量反演方法的流程中S412的示意图，包括步骤S4121 S4123，具体如下：~

[0063] S4121：根据所述地基激光雷达点云数据中若干个雷达点的点云数据，采用TIN滤波算法，将所述若干个雷达点划分为地面点以及非地面点。

[0064] 在本实施例中，反演设备根据所述地基激光雷达点云数据中若干个雷达点的点云数据，采用TIN滤波算法，将所述若干个雷达点划分为地面点以及非地面点。

[0065] 具体地，反演设备对所述待检测区域的地基激光雷达点云数据划分为若干个栅格，基于同一个栅格中若干个雷达点对应的高度数据，获取各个栅格对应的最低雷达点；将各个栅格对应的最低雷达点进行连接，构建若干个三角网区域，基于若干个三角网区域，计算各个三角网区域中，各个雷达点分别与同一个三角网区域内的所有雷达点之间的相对角度，当该雷达点与一个三角网区域内的所有雷达点之间的相对角度均小于预设的相对角度阈值时，将该雷达点划分为地面点，当该雷达点与一个三角网区域内的所有雷达点之间的相对角度均大于伙等于预设的相对角度阈值时，将该雷达点划分为非地面点，从而准确地对若干个雷达点进行地面点以及非地面点的划分。

[0066] S4122：以各个非地面点为中心，根据预设的搜索半径，获得各个非地面点周围的若干个地面点，并计算各个非地面点与各个非地面点周围的若干个非地面点的相对高度数据，根据所述各个非地面点与各个非地面点周围的若干个非地面点的相对高度数据以及预设的相对高度阈值，获得若干个目标点，以及若干个所述目标点的林木高度数据。

[0067] 在本实施例中，反演设备以各个非地面点为中心，根据预设的搜索半径，获得各个非地面点周围的若干个非地面点，并计算各个非地面点与各个非地面点周围的若干个非地面点的相对高度数据。

[0068] 反演设备根据所述各个非地面点与各个非地面点周围的若干个地面点的相对高度数据以及预设的相对高度阈值，当相对高度数据大于或等于相对高度阈值，将该非地面点作为目标点，从而获得若干个目标点，并获得若干个所述目标点的林木高度数据。

[0069] S4123：根据若干个所述目标点的林木高度数据，采用反距离插值法进行空间插值处理，获得空间插值处理后的结果，作为所述样本区域的第二林下植被高度数据。

[0070] 由于获得的若干个所述目标点的林木高度数据是离散的，为了提高第二林下植被高度数据的精准性，在本实施例中，反演设备根据若干个所述目标点的林木高度数据，采用反距离插值法进行空间插值处理，获得空间插值处理后的结果，作为所述样本区域的第二林下植被高度数据。

[0071] S413：根据所述第一林下植被高度数据以及第二林下植被高度数据，对所述训练后的林下植被高度估算模块进行验证，获得验证结果，根据所述验证结果，对所述训练后的林下植被高度估算模块进行修正，获得修正后的林下植被高度估算模块，作为所述目标林下植被高度估算模块。

[0072] 在本实施例中，反演设备根据所述第一林下植被高度数据以及第二林下植被高度数据，对所述林下植被高度数据反演关系进行验证，获得验证结果，根据所述验证结果，对所述林下植被高度数据反演关系进行修正，获得修正后的林下植被高度数据反演关系。具体地，反演设备将所述第一林下植被高度数据以及第二林下植被高度数据相减，获得相减结果，根据所述相减结果以及预设的验证阈值范围，若所述相减结果位于所述验证阈值范围内，获得验证成功结果，若所述相减结果位于所述验证阈值范围内，获得验证失败结果，当获得验证失败结果时，反演设备根据所述相减结果，对所述林下植被高度数据反演关系中的高度参数进行修正，获得修正后的林下植被高度数据反演关系。具体地，改进高度参数的值，再次计算第一林下植被高度数据，并再次与第二林下植被高度数据相减获得相减结果，根据所述相减结果以及预设的验证阈值范围。重复以上步骤直到相减结果位于所述验证阈值范围内，获得最终高度参数结果。

[0073] S42：将所述第一林下植被高度数据以及实测林下生物量数据输入至所述林下植被生物量反演模块中进行训练，获得目标林下植被生物量反演模块。

[0074] 在本实施例中，反演设备将反演得到的第一林下植被高度以及实测林下植被生物量作为训练数据，对所述初始林下植被生物量估算模块进行训练，并根据决定系数(R2)和标准误(SE)及回归检验显著水平(P<0.1或P<0.05)等指标选取R2值高且标准误小的最优模型作为目标林下植被生物量估算模块。

[0075] S43：将所述实测林下生物量数据和多源遥感数据输入至所述林下植被生物量外推模块中进行训练，获得目标林下植被生物量外推模块。

[0076] 在本实施例中，反演设备将所述林下植被生物量数据和多源遥感数据输入至所述林下植被生物量外推模块中作为训练数据，采用随机森林方法，对林下植被生物量外推模块进行训练，获得目标林下植被生物量外推模块。提高了林下植被生物量外推模块的准确率，使林下植被生物量外推模块无需特征选择即能够处理高维数据，同时具备抗噪声、不容易出现过拟合等优点。

[0077] S5：获得待测区域的星载激光雷达数据以及多源遥感数据，根据所述待测区域的星载激光雷达数据，获得所述待测区域的波形反演高度指标数据，将所述待测区域的波形反演高度指标数据以及多源遥感数据输入至所述目标模型，获得所述待测区域的预测林下植被生物量数据。

[0078] 所述星载激光雷达数据为通过卫星获得的雷达数据，具体地，该雷达数据为通过GEDI（Global Ecosystem Dynamics Investigation）全球生态系统动力学研究卫星获取到的数据。

[0079] 在本实施例中，反演设备获得待测区域的星载激光雷达数据以及多源遥感数据，根据所述待测区域的星载激光雷达数据，获得所述待测区域的波形反演高度指标数据，将所述待测区域的波形反演高度指标数据以及多源遥感数据输入至所述目标模型，获得所述待测区域的预测林下植被生物量数据。

[0080] 所述星载激光雷达数据包括若干个光斑点的波形反演高度指标数据。请参阅图6，图6为本申请一个实施例提供的森林地上生物量反演方法的流程中S5的示意图，包括步骤S51 S53，具体如下：~

[0081] S51：将所述若干个光斑点的波形反演高度指标数据输入至所述目标林下植被高度估算模块，根据预设的林下植被高度反演算法，获得若干个光斑点的第一林下植被高度数据。

[0082] 所述林下植被高度反演算法为：

[0083]

[0084] 式中， 为光斑点的第一林下植被高度数据， 为高度30对应的波形反演高度指标数据， 为高度40对应的波形反演高度指标数据；

[0085] 在本实施例中，反演设备将所述若干个光斑点的波形反演高度指标数据输入至所述目标林下植被高度估算模块，根据预设的林下植被高度反演算法，获得若干个光斑点的第一林下植被高度数据。将待测区域的星载激光雷达数据输入至基于机载激光雷达点云数据以及多元地理空间信息数据构建的目标林下植被高度估算模块，充分挖掘星载激光雷达数据精细刻画森林内部结构的潜力，实现对待测区域的若干个光斑点的第一林下植被高度数据的准确估计。

[0086] S52：将所述若干个光斑点的第一林下植被高度数据输入至所述目标林下植被生物量反演模块，根据预设的林下植被生物量反演算法，获得若干个光斑点的林下植被生物量数据。

[0087] 在本实施例中，反演设备将外推后的所述若干个光斑点的第一林下植被高度数据输入至所述目标林下植被生物量反演模块，根据预设的林下植被生物量反演算法，获得若干个光斑点的林下植被生物量数据，其中，所述林下植被生物量反演算法为：

[0088]

[0089] 式中，B为林下植被生物量数据。

[0090] S53：将所述若干个光斑点的林下植被生物量数据和多源遥感数据输入至所述目标林下植被生物量外推模块，获得若干个光斑点的林下植被生物量外推数据，作为所述待测区域的预测林下植被生物量数据。

[0091] 为了获取连续变化的林下植被生物量数据，反演设备将所述若干个光斑点的林下植被生物量数据和多源遥感数据输入至所述目标林下植被生物量外推模块，获得若干个光斑点的林下植被生物量外推数据，作为所述待测区域的预测林下植被生物量数据，实现了将空间离散的林下植被生物量数据转换为空间连续的林下植被生物量外推数据，提高了林下植被生物量预测的精准性。

[0092] 所述星载激光雷达数据还包括若干个光斑点的长轴半径数据、短轴半径数据、光斑朝向数据、激光指向方位角数据、地形坡度数据以及激光指向与垂直地形方向的夹角数据。请参阅图7，图7为本申请又一个实施例提供的森林地上生物量反演方法的流程中S5的示意图，还包括步骤S54，步骤S54在步骤S52之前，具体如下：

[0093] S54：根据所述星载激光雷达数据、若干个光斑点的第一林下植被高度数据以及预设的反演高度修正算法，获得修正处理后的所述若干个光斑点的第一林下植被高度数据。

[0094] 由于地形和GEDI激光指向角等因素的影响，根据预设的林下植被高度反演算法，获得若干个光斑点的第一林下植被高度数据与真实值之间往往存在一定的差异。为了减小差异，提高对林下植被生物量预测的精准性，在本实施例中，反演设备根据所述星载激光雷达数据、若干个光斑点的第一林下植被高度数据以及预设的反演高度修正算法，获得修正处理后的所述若干个光斑点的第一林下植被高度数据，其中，所述反演高度修正算法为：

[0095]

[0096] 式中， 为修正处理后的若干个光斑点的第一林下植被高度数据， 为光斑点的第一林下植被高度数据， 为光斑点的激光指向与垂直地形方向的夹角数据，为光斑点的地形坡度数据，为光斑点的长轴半径数据， 为光斑点的短轴半径数据，为光斑点的激光指向方位角数据， 为光斑点的光斑朝向数据。

[0097] 请参考图8，图8为本申请一个实施例提供的森林地上生物量反演装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现森林地上生物量反演装置的全部或一部分，该装置8包括：

[0098] 数据获得模块81，用于获得样本区域的实测林木特征数据、机载激光雷达点云数据以及实测林下生物量数据，其中，所述实测林木特征数据包括若干个采样点的林木高度数据；

[0099] 林下植被高度数据计算模块82，用于根据所述实测林木特征数据，采用均值聚类方法，对所述若干个采样点进行林层划分，获得目标林层对应的若干个目标采样点，对若干个目标采样点的林木高度数据进行平均处理，获得平均处理后的结果，作为所述样本区域的第一林下植被高度数据；

[0100] 波形反演高度指标数据获得模块83，用于根据所述机载激光雷达点云数据，获得所述样本区域的模拟全球生态系统动力学波形数据，根据所述模拟全球生态系统动力学波形数据，获得所述样本区域的波形反演高度指标数据；

[0101] 模型训练模块84，用于获得待训练模型，将所述第一林下植被高度数据、波形反演高度指标数据、实测林下生物量数据以及多源遥感数据输入至所述待训练模型进行训练，获得目标模型，其中，所述待训练模型包括林下植被高度估算模块、林下植被生物量反演模块以及林下植被生物量外推模块；

[0102] 林下植被生物量数据预测模块85，用于获得待测区域的星载激光雷达数据以及多源遥感数据，所述星载激光雷达数据为通过卫星获得的雷达数据，根据所述待测区域的星载激光雷达数据，获得所述待测区域的波形反演高度指标数据，将所述待测区域的波形反演高度指标数据以及多源遥感数据输入至所述目标模型，获得所述待测区域的预测林下植被生物量数据。

[0103] 在本申请实施例中，通过数据获得模块，获得样本区域的实测林木特征数据、机载激光雷达点云数据以及实测林下生物量数据，其中，所述实测林木特征数据包括若干个采样点的林木高度数据；通过林下植被高度数据计算模块，根据所述实测林木特征数据，采用均值聚类方法，对所述若干个采样点进行林层划分，获得目标林层对应的若干个目标采样点，对若干个目标采样点的林木高度数据进行平均处理，获得平均处理后的结果，作为所述样本区域的第一林下植被高度数据；通过波形反演高度指标数据获得模块，根据所述机载激光雷达点云数据，获得所述样本区域的模拟全球生态系统动力学波形数据，根据所述模拟全球生态系统动力学波形数据，获得所述样本区域的波形反演高度指标数据；提高模型训练模块，用于获得待训练模型，将所述第一林下植被高度数据、波形反演高度指标数据、实测林下生物量数据以及多源遥感数据输入至所述待训练模型进行训练，获得目标模型，其中，所述待训练模型包括林下植被高度估算模块、林下植被生物量反演模块以及林下植被生物量外推模块；通过林下植被生物量数据预测模块，获得待测区域的星载激光雷达数据以及多源遥感数据，所述星载激光雷达数据为通过卫星获得的雷达数据，根据所述待测区域的星载激光雷达数据，获得所述待测区域的波形反演高度指标数据，将所述待测区域的波形反演高度指标数据以及多源遥感数据输入至所述目标模型，获得所述待测区域的预测林下植被生物量数据。通过获取样本区域的实测林木特征数据、机载激光雷达点云数据以及实测林下生物量数据，结合多源遥感数据构建并训练林下植被高度反演模型、林下生物量反演模型以及林下生物量外推模型，从而对林下植被生物量数据进行大尺度、高分辨率估算，突破以往单纯基于冠层高度估算生物量的局限，实现对森林垂直结构特征和林下植被生物量的准确估计。

[0104] 请参考图9，图9为本申请一个实施例提供的计算机设备的结构示意图，计算机设备9包括：处理器91、存储器92以及存储在存储器92上并可在处理器91上运行的计算机程序93；计算机设备可以存储有多条指令，指令适用于由处理器91加载并执行上述图1至图7所示实施例的方法步骤，具体执行过程可以参见图1至图7所示实施例的具体说明，在此不进行赘述。

[0105] 其中，处理器91可以包括一个或多个处理核心。处理器91利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器92内的指令、程序、代码集或指令集，以及调用存储器92内的数据，执行森林地上生物量反演装置8的各种功能和处理数据，可选的，处理器91可以采用数字信号处理（Digital Signal Processing,DSP）、现场可编程门阵列（Field‑Programmable Gate Array，FPGA）、可编程逻辑阵列（Programble Logic Array，PLA）中的至少一个硬件形式来实现。处理器91可集成中央处理器91（Central Processing Unit，CPU）、图像处理器91（Graphics Processing Unit，GPU）和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器91中，单独通过一块芯片进行实现。

[0106] 其中，存储器92可以包括随机存储器92（Random Access Memory，RAM），也可以包括只读存储器92（Read‑Only Memory）。可选的，该存储器92包括非瞬时性计算机可读介质（non‑transitory computer‑readable storage medium）。存储器92可用于存储指令、程序、代码、代码集或指令集。存储器92可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控指令等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器92可选的还可以是至少一个位于远离前述处理器91的存储装置。

[0107] 本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图7的方法步骤，具体执行过程可以参见图1至图7的具体说明，在此不进行赘述。

[0108] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0109] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

[0110] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0111] 在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

[0112] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0113] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0114] 所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。

[0115] 本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。