本发明提供了一种森林冠层高度与地理环境协变量关系确定方法及系统，属于森林环境监测领域。所述方法采集监测区域内与森林冠层高度相关的足迹点数据，再分析地理环境协变量Eij，设置每种协变量对高度的基准值Ej0，基于基准值计算变量相关系数μ（Eij）并对当前足迹点下的所有变量相关系数进行排序；设置足迹点半径范围R内的变量相关系数阈值M，确定相关变量#imgabs0#；建立足迹点半径范围内的相关变量关系模型，采用加权平均法推测未知点x森林冠层高度与地理环境协变量的相关系数μ（Exj），最后建立未知点“森林冠层高度‑地理环境协变量”的关系模型。本发明体现了足迹点个体样本的特征，提高了森林冠层高度空间推测的准确性。
1.一种森林冠层高度与地理环境协变量关系确定方法，其特征在于，包括如下步骤：步骤S1，获取并采集监测区域内与森林冠层高度相关的足迹点数据；
步骤S2，分析足迹点数据中包含的N个地理环境协变量Eij，i为对应的足迹点，j为协变
量类型且j=1，2，3，……，N；设置每种协变量对高度的基准值Ej ，以基准值Ej 与对应的足迹点高度值 间的系数为1，计算其他高度为Hi足迹点处的地理环境协变量Eij与对应高度值间的变量相关系数μ（Eij）；计算方式如下：，
根据所计算的变量相关系数μ（Eij）的值，对当前足迹点下的所有变量相关系数进行排序；
步骤S3，设置足迹点半径R，设置足迹点半径范围内的变量相关系数阈值M，将变量相关系数μ（Eij）大于阈值M的地理环境协变量Eij确定为相关变量 ；
步骤S4，建立足迹点半径范围内的相关变量关系模型；
步骤S5，计算足迹点半径范围内的足迹点i与未知点x的地理环境相似度，以地理环境相似度为权重，利用足迹点相关变量 的变量相关系数μ（ ），采用加权平均法推测未知点x森林冠层高度与地理环境协变量的相关系数μ（Exj）；
步骤S6，根据相关变量关系模型及变量相关系数，建立未知点“森林冠层高度‑地理环境协变量”的关系模型；
所述地理环境协变量至少包括地形特征、气候特征、森林冠层特征和土壤水分响应指数；
所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；
所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数TC greeness；
所述土壤水分响应指数SMRI，基于预定时间段内气象站点估测的1km日尺度10 100cm~土壤水分数据，采用斜率计算100cm深度内土壤保持水分的能力，以表征该土壤提供森林生长所需水分的能力。
2.根据权利要求1所述的森林冠层高度与地理环境协变量关系确定方法，其特征在于，所述森林冠层高度相关的足迹点数据，包括ICESat‑2 ATL08数据、全球生态系统动态调查GEDI数据中的星载LiDAR数据。
3.根据权利要求1所述的森林冠层高度与地理环境协变量关系确定方法，其特征在于，所述足迹点半径范围，是以足迹点为中心的一个圆形面积。
4.一种森林冠层高度与地理环境协变量关系确定系统，其特征在于，所述系统包括：数据获取模块、变量相关系数计算模块、相关变量确定模块、相关变量关系模型构建模块、相关系数推测模块、关系确定模块；其中，所述数据获取模块用于获取并采集监测区域内与森林冠层高度相关的足迹点数据；
所述变量相关系数计算模块用于分析足迹点数据中包含的N个地理环境协变量Eij，i为0
对应的足迹点，j为协变量类型且j=1，2，3，……，N；设置每种协变量对高度的基准值Ej，以0
基准值Ej 与对应的足迹点高度值 间的系数为1，计算其他高度为Hi足迹点处的地理环境协变量Eij与对应高度值间的变量相关系数μ（Eij）；计算方式如下：，
根据所计算的变量相关系数μ（Eij）的值，对当前足迹点下的所有变量相关系数进行排序；
所述地理环境协变量至少包括地形特征、气候特征、森林冠层特征和土壤水分响应指数；所述地形特征包括：海拔、坡度、坡向；所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数TC greeness；所述土壤水分响应指数SMRI，基于预定时间段内气象站点估测的1km日尺度10 100cm土壤水分数~据，采用斜率计算100cm深度内土壤保持水分的能力，以表征该土壤提供森林生长所需水分的能力；
所述相关变量确定模块用于设置足迹点半径R，设置足迹点半径范围内的变量相关系数阈值M，将变量相关系数μ（Eij）大于阈值M的地理环境协变量Eij确定为相关变量 ；
所述相关变量关系模型构建模块用于建立足迹点半径范围内的相关变量关系模型；
所述相关系数推测模块用于计算足迹点半径范围内的足迹点i与未知点x的地理环境相似度，以地理环境相似度为权重，利用足迹点相关变量 的变量相关系数μ（ ），采用加权平均法推测未知点x森林冠层高度与地理环境协变量的相关系数μ（Exj）；
所述关系确定模块用于根据相关变量的关系模型及变量相关系数，建立未知点“森林冠层高度‑地理环境协变量”的关系模型。
5.根据权利要求4所述的森林冠层高度与地理环境协变量关系确定系统，其特征在于，所述森林冠层高度相关的足迹点数据，包括ICESat‑2 ATL08数据、全球生态系统动态调查GEDI数据中的星载LiDAR数据。
森林冠层高度与地理环境协变量关系确定方法及系统
技术领域
[0001] 本发明属于森林环境监测领域，具体涉及一种森林冠层高度与地理环境协变量关系确定方法。
背景技术
[0002] 森林冠层是树枝稠密的树冠顶层，不但吸附大气降水中的有关物质，而且向水中输入枝叶分泌物等，森林冠层和大气降水间存在生物、物理、化学作用因林木冠层结构复杂、叶片生理活动旺盛、面积大且相互重叠，以水质及气候尤为重要，是森林生态系统中的主要生产者，在对森林生态系统的监测中需要密切关注森林冠层高度的空间分布及变化。森林生态系统具有复杂的内部结构，所包含的元素对森林冠层高度有不同有影响，因此在森林冠层监测中具有不同的作用。
[0003] 现有技术中，在森林冠层高度监测及绘制中，一般采用回归分析的方法，将星载LiDAR数据估测的足迹点森林冠层高度作为地面真实值，利用统计理论构建森林冠层高度与地理环境协变量（气候、地形、林冠光谱反射率等）之间的“最优拟合”回归模型，并利用该回归模型推测未知位置森林冠层高度值，实现空间连续的森林冠层高度制图。虽然该方法原理简单，易于理解和计算；但是，该方法需要大量对研究区森林冠层高度空间变化具有良好的全局代表性的足迹点来构建满足平稳性假设的回归模型，忽略了区域足迹点个体代表性的差异对未知点森林冠层高度推测的影响；还有一类是基于空间自相关性进行森林冠层高度的预测，分析采集数据中的已经知足迹点与未知点的地理环境协变量差异的空间自相关性，从而通过具有充分数据信息的足迹点代表相应空间中的未知点，降低因足迹点对未知点的空间代表性差异带来的误差，但该方法仍然需要大量全局代表性好的足迹点来构建空间自相关关系，且邻近足迹点对未知点的代表性有限，难以精准表达复杂地形区域未知点与足迹点森林冠层高度的空间自相关关系。当足迹点不足时，如何确定复杂环境下森林冠层高度与地理环境协变量间的关系，仍然没有充分的研究结论。
发明内容
[0004] 鉴于现有技术中的上述缺陷或不足，本发明旨在提供一种森林冠层高度与地理环境协变量关系确定方法及系统，通过定量地确定地理环境协变量与森林冠层高度间的关系，明确如何在已知足迹点的有限信息下准确推测未知点的森林冠层高度，提高了森林冠层高度预测的准确性。
[0005] 为了实现上述目的，本发明实施例采用如下技术方案：
[0006] 第一方面，本发明实施例提供了一种森林冠层高度与地理环境协变量关系确定方法，包括如下步骤：步骤S1，获取并采集监测区域内与森林冠层高度相关的足迹点数据；
[0007] 步骤S2，分析足迹点数据中包含的N个地理环境协变量Eij，i为对应的足迹点，j为0 0
协变量类型且j=1，2，3，……，N；设置每种协变量对高度的基准值Ej，以基准值Ej 与对应的足迹点高度值 间的系数为1，计算其他高度为Hi足迹点处的地理环境协变量Eij与对应高度值间的变量相关系数μ（Eij）；计算方式如下：
[0008]
[0009] 根据所计算的变量相关系数μ（Eij）的值，对当前足迹点下的所有变量相关系数进行排序；
[0010] 步骤S3，设置足迹点半径R，设置足迹点半径范围内的变量相关系数阈值M，将变量相关系数μ（Eij）大于阈值M的地理环境协变量Eij确定为相关变量 ；
[0011] 步骤S4，建立足迹点半径范围内的相关变量关系模型；
[0012] 步骤S5，计算足迹点半径范围内的足迹点i与未知点x的地理环境相似度，以地理环境相似度为权重，利用足迹点相关变量 的变量相关系数μ（ ），采用加权平均法推测未知点x森林冠层高度与地理环境协变量的相关系数μ（Exj）；
[0013] 步骤S6，根据相关变量关系模型及变量相关系数，建立未知点“森林冠层高度‑地理环境协变量”的关系模型。
[0014] 作为本发明的一个优选实施例，所述森林冠层高度相关的足迹点数据，包括ICESat‑2 ATL08数据、全球生态系统动态调查（Global Ecosystem Dynamics Investigation，GEDI）数据。
[0015] 作为本发明的一个优选实施例，所述地理环境协变量包括与森林生态系统相关的所有要素，至少包括地形特征、气候特征、森林冠层特征和土壤水分响应特征。
[0016] 作为本发明的一个优选实施例，所述地形特征包括：海拔、坡度、坡向；所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数Tcgreeness。
[0017] 作为本发明的一个优选实施例，所述土壤水分响应指数SMRI，基于预定时间段内气象站点估测的1km日尺度10 100cm土壤水分数据，采用斜率计算100cm深度内土壤保持水~分的能力，以表征该土壤提供森林生长所需水分的能力。
[0018] 作为本发明的一个优选实施例，所述足迹点半径范围，是以足迹点为中心的一个圆形面积。
[0019] 第二方面，本发明实施例还提供了一种森林冠层高度与地理环境协变量关系确定系统，所述系统包括：数据获取模块、变量相关系数计算模块、相关变量确定模块、相关变量关系模型构建模块、相关系数推测模块、关系确定模块；其中，
[0020] 所述数据获取模块用于获取并采集监测区域内与森林冠层高度相关的足迹点数据；
[0021] 所述变量相关系数计算模块用于分析足迹点数据中包含的地理环境协变量，分析并计算每种地理环境协变量与足迹点高度的变量相关系数，根据变量相关系数对地理环境协变量进行排序；
[0022] 所述相关变量确定模块用于设置足迹点半径，设置足迹点半径范围内的变量相关系数阈值，将大于阈值的地理环境协变量确定为相关变量；
[0023] 所述相关变量关系模型构建模块用于建立足迹点半径范围内的相关变量关系模型；
[0024] 所述相关系数推测模块用于计算足迹点半径范围内的足迹点与未知点的地理环境相似度，以地理环境相似度为权重，利用足迹点的变量相关系数，采用加权平均法推测未知点森林冠层高度与地理环境协变量的相关系数；
[0025] 所述关系确定模块用于根据相关变量的关系模型及变量相关系数，建立未知点“森林冠层高度‑地理环境协变量”的关系模型。
[0026] 作为本发明的一个优选实施例，所述森林冠层高度相关的足迹点数据，包括ICESat‑2 ATL08数据、全球生态系统动态调查GEDI数据中的星载LiDAR数据。
[0027] 作为本发明的一个优选实施例，所述地理环境协变量包括与森林生态系统相关的所有要素，包括地形特征、气候特征、林冠光谱特征和土壤水分响应指数。
[0028] 作为本发明的一个优选实施例，所述地形特征包括：海拔、坡度、坡向；所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数Tcgreeness。
[0029] 本发明实施例所提供的技术方案具有如下有益效果：
[0030] 由以上技术方案可以看出，本发明实施例所提供的复杂环境下森林冠层高度与地理环境协变量关系确定方法，基于每个个体的足迹点挖掘协变量信息，通过设置足迹点半径、变量相关系数及阈值、距离相关系数，并将上述设置整合在关系模型中来计算每个未知点，体现足迹点个体样本特征的同时，使得所有未知点的森林冠层高度与地理环境协变量间具有最接近的特征关系，简化计算的同时，提高了森林冠层高度预测的准确性。
[0031] 当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
[0032] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
[0033] 图1是本发明实施例所述复杂环境下森林冠层高度与地理环境协变量关系确定方法的流程图。实施方式
[0034] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征也可以相互组合。
[0035] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，术语“第一”、“第二”、“第三”、“第四”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0036] 基于森林冠层高度预测中与环境协变量间的紧密关系，本发明实施例提供了一种复杂环境下森林冠层高度与地理环境协变量关系确定方法，通过选定与森林冠层高度相关的地理环境协变量，并建立高度与协变量间的函数关系，从而为森林冠层高度的预测提供充分的数据准备，提高森林冠层高度预测的准确性。
[0037] 如图1所示，所述复杂环境下森林冠层高度与地理环境协变量关系确定方法包括如下步骤：
[0038] 步骤S1，获取并采集监测区域内与森林冠层高度相关的足迹点数据。
[0039] 本步骤中，所述森林冠层高度相关的足迹点数据，包括ICESat‑2 ATL08数据、GEDI数据。这里的足迹点数据，可以为一种，也可以为多种，当为多种数据时，可以在数据使用前进行数据的归一化及整合，也可以分别进行数据处理，最后对处理得到的结果进行数据的归一化。
[0040] 步骤S2，分析足迹点数据中包含的N个地理环境协变量，分析并计算每种地理环境协变量与足迹点高度的变量相关系数，根据变量相关系数对地理环境协变量进行排序。
[0041] 本步骤中，所述地理环境协变量包括与森林生态系统相关的所有要素，至少包括地形特征、气候特征、森林冠层特征和土壤水分响应特征等。其中，所述地形特征包括：海拔、坡度、坡向；所述气候特征包括：年平均温度、季节温度、年平均降水、季节降水；所述森林冠层特征包括：年最大归一化植被指数NDVIMAX、年NDVI变异系数值NDVICV、平均光谱变化植被指数SVVImean、缨帽变换中的绿度指数Tcgreeness。
[0042] 优选地，采集当前足迹点下的地形特征、气候特征、森林冠层特征和土壤水分响应特征等地理环境协变量的值Eij，i为对应的足迹点，j为协变量类型（j=1，2，3，……，N）；并设0 0
置每种协变量对高度的基准值Ej ，以基准值Ej 与对应的足迹点高度值 间的系数为1，计算其他高度为Hi足迹点处的地理环境协变量Eij与对应高度值间的变量相关系数μ（Eij）；计算方式如下：
[0043]
[0044] 根据所计算的变量相关系数μ（Eij）的值，对当前足迹点下的所有变量相关系数进行排序。
[0045] 所述采集当前足迹点下的所有地理环境协变量的值，地形特征（坡度、海拔和坡向）是由30m分辨率的SRTMDEM数据提取的，坡度和坡向是使用GEE中的terrainAPI和SRTMDEM计算得到的；气候特征是基于1970‑2000年全球1km分辨率的月度气候数据WorldClim(version 2.1)提取的，并利用变异系数方法计算年平均温度、季节性温度、平均降水、季节性降水4种气候特征。林冠光谱特征是基于GEE平台的Sentinel‑2A/B数据，计算的设定时间段内年NDVI变异系数值（Coefficient of variation, NDVIcv，用以评价年内NDVI值的稳定性）、平均光谱变化植被指数(SVVImeanSpectral variability vegetation index，SVVImean）、缨帽变换中的绿度指数共4个特征。土壤水分响应指数（SoilMoistureResponseIndex，SMRI）是基于某年基于气象站点估测的1km日尺度10 100cm~
土壤水分数据，采用斜率计算100cm深度内土壤保持水分的能力，以表征该土壤提供森林生长所需水分的能力。
[0046] 步骤S3，设置足迹点半径R，设置足迹点半径范围内的变量相关系数阈值M，将变量相关系数μ（Eij）大于阈值M的地理环境协变量Eij确定为相关变量 。
[0047] 本步骤中，所述足迹点半径范围，是以足迹点为中心的一个圆形面积，这个半径可以根据大数据统计值进行计算，也可以根据足迹点的覆盖特征进行设置。
[0048] 步骤S4，建立足迹点半径范围内的相关变量关系模型。
[0049] 本步骤，所述关系模型包括足迹点半径参数，即认为与当前未知点相关的地理环境协变量，仅包括与足迹点半径范围内达到变量相关系数阈值的地理环境协变量相关；每个足迹点下的达到变量相关系数阈值的协变量并不相同，因此，半径这个参数中也包含了协变量的类型。上述选择，可以通过对无关协变量赋值为0系数来实现。所述相关变量关系模型采用基于非线性回归的CNN模型、K‑近邻关系模型等进行构建，此部分为现有技术，不是本实施例的重点，且对模型的采用并无具体限制，在此不再赘述。步骤S5，计算足迹点半径范围内的足迹点i与未知点x的地理环境相似度,以地理环境相似度为权重，利用足迹点相关变量 的变量相关系数μ（ ），采用加权平均法推测未知点x森林冠层高度与地理环境协变量的相关系数μ（Exj）。
[0050] 本步骤中，在足迹点半径范围内，以当前足迹点为中心，可以包括多个相邻的足迹点，这里对其他参量进行简化，仅体现未知点与足迹点间的距离关系。
[0051] 步骤S6，根据相关变量关系模型及变量相关系数，建立未知点“森林冠层高度‑地理环境协变量”的关系模型。
[0052] 本步骤中，将距离相关系数赋值到关系模型中，将距离关系与关系模型中的足迹点进行关联，从而使得每个未知点充分挖掘周围足迹点的协变量信息，同时不会对足迹点的数据提出过高要求，使得通过上述关系所体现的森林冠层高度与协变量关系达到最佳匹配。
[0053] 本发明实施例还提供了一种复杂环境下森林冠层高度与地理环境协变量关系确定系统，所述系统包括：数据获取模块、变量相关系数计算模块、相关变量确定模块、相关变量关系模型构建模块、相关系数推测模块、关系确定模块；其中，
[0054] 所述数据获取模块用于获取并采集监测区域内与森林冠层高度相关的足迹点数据；
[0055] 所述变量相关系数计算模块用于分析足迹点数据中包含的地理环境协变量，分析并计算每种地理环境协变量与足迹点高度的变量相关系数，根据变量相关系数对地理环境协变量进行排序；
[0056] 所述相关变量确定模块用于设置足迹点半径，设置足迹点半径范围内的变量相关系数阈值，将大于阈值的地理环境协变量确定为相关变量；
[0057] 所述相关变量关系模型构建模块用于建立足迹点半径范围内的相关变量关系模型；
[0058] 所述相关系数推测模块用于计算足迹点半径范围内的足迹点与未知点的地理环境相似度以地理环境相似度为权重，利用足迹点的变量相关系数，采用加权平均法推测未知点森林冠层高度与地理环境协变量的相关系数；
[0059] 所述关系确定模块用于根据相关变量的关系模型及变量相关系数，建立未知点“森林冠层高度‑地理环境协变量”的关系模型。
[0060] 另外需要说明的是，本实施例所述复杂环境下森林冠层高度与地理环境协变量关系确定系统与所述复杂环境下森林冠层高度与地理环境协变量关系确定方法是对应的，对所述方法的描述与限定，同样适用于所述系统，在此不再赘述。
[0061] 由以上技术方案可以看出，本发明实施例所提供的复杂环境下森林冠层高度与地理环境协变量关系确定方法，基于每个个体的足迹点挖掘协变量信息，通过设置足迹点半径、变量相关系数及阈值、距离相关系数，并将上述设置整合在关系模型中来计算每个未知点，体现足迹点个体样本特征的同时，使得所有未知点的森林冠层高度与地理环境协变量间具有最接近的特征关系，简化计算的同时，提高了森林冠层高度预测的准确性。
[0062] 以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明，并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的优选实施例。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
