本发明涉及林业遥感，更具体地，涉及一种森林蓄积量遥感估测中的饱和度量化方法、装置及介质。
背景技术：
1、在众多可用的遥感数据中，光学遥感数据的研究时间最长，技术积累最成熟，数据源最丰富，数据性能最稳定，已经广泛应用于森林资源监测。然而，当森林的冠层闭合后，冠层的光谱反射率保持不变，而高度的增加使得fsv持续增加，此时光谱反射率不再随着fsv的变化而变化，即产生了光谱饱和现象。光学遥感数据在高蓄积量的林分中必定会出现光谱饱和现象，严重影响了fsv遥感制图的精度与可靠性。光谱饱和现象是光学遥感数据的固有属性，无法避免，其饱和的高低决定了光学遥感数据估测fsv的上限。因此全面评估和量化光学遥感数据估测fsv的饱和水平是实现精确可靠的fsv遥感制图的关键。
2、从光学遥感数据中提取的特征变量主要包括波段反射率和植被指数两类。光学遥感通过记录地表反射或辐射的不同波长光谱信息，能够获取植被的健康、结构和质量等信息。光学传感器捕捉的波长范围通常包括可见光、近红外和红外波段，这些波段涵盖了植物叶绿素的吸收峰，以及与植被结构和水含量相关的信息。近红外和红边波段的反射可以提供关于植被叶片结构和覆盖度的信息。植物在这些波段中的反射受到叶片结构和表面粗糙度的影响，因此这些数据可用于估算植被的生物物理参数。在热带森林中，由于植被冠层生长更加旺盛，其光谱饱和效应比温带针叶林中更加严重，并且在红光波段比在绿光波段和近红外波段更为明显。相比于可见光，近红外区域在茂密森林中表现出较高的变异性，其饱和水平也高于可见光波段。
3、植被指数是从遥感数据中提取的一类用于描述植被状况和特征的数值指标,这些指数通过分析不同波段的反射或辐射数据，提供了有关植被生理和结构特征的信息。植被指数通过将光谱反射率进行代数运算后增强对植被属性观测的敏感度。研究表明植被指数与fsv之间高度相关，通过分析植被指数的变化，可以推断森林植被的生长状况进而实现fsv的估算。不同的植被指数对于森林属性的敏感度不同，如归一化差异植被指数(normalized difference vegetation index,ndvi)对植被覆盖度和监测植被健康状况具有较高的敏感性；增强型植被指数(enhanced vegetation index,evi)弥补了ndvi在高植被覆盖区域观测不准确的缺陷，提高了对植被生态过程的敏感性。虽然植被指数可以更直观的表征植被的生长特性与状态，与单波段光谱反射率相同的是，植被指数仍然面临着在高植被区的饱和问题。饱和水平代表了利用植被指数估测fsv的上限，因此分析植被指数的饱和水平对评估使用植被指数估测fsv的可靠性至关重要。由于光谱饱和，植被的持续生长直到成熟和随后的衰老则难以通过植被指数观测到，因此使用光学数据估测fsv时，超过光谱饱和水平的森林则难以进行稳定的估测。
4、此外，由于森林生态系统的复杂性，森林植被光谱的二项反射分布函数(bidirectional reflectance distribution function，brdf)使得从光学遥感数据中获取森林的结构信息更加复杂。研究表明，brdf对生物量估算的影响比对ndvi值的影响高出三分之一。brdf与光的反射方式有关，这取决于入射光相对于地球表面的角度以及传感器相对于地球表面的角度。具体来说，云层覆盖、地形、太阳天顶角和传感器的几何位置在很大程度上影响了森林植被的光谱反射率，因此森林植被的光谱饱和也受到这些环境因素的严重影响。
技术实现思路
1、提供了本发明以解决现有技术中存在的上述问题。因此，需要一种森林蓄积量遥感估测中的饱和度量化方法、装置及介质，以通过构建基于光学遥感数据估测fsv的饱和度量化模型，实现复杂森林场景中从单遥感变量到多遥感变量饱和水平的定量表达。
2、根据本发明的第一方面，提供了一种森林蓄积量遥感估测中的饱和度量化方法，所述方法包括：
3、基于fsv的估计值与观测值确定拟合曲线，所述拟合曲线包括第一曲线、第二曲线、第三曲线、第四曲线、第五曲线以及第六曲线，所述第一曲线和第三曲线表示随机误差的范围，所述第二曲线为1:1的直线，表示在预测值没有误差的情况下，fsv的空间分布以及预测值与观测值的关系，所述第四曲线和第六曲线表示饱和误差的范围，所述第五曲线为观测值与预测值的散点图拟合曲线；
4、基于所述拟合曲线确定饱和起点和饱和点；
5、根据所述饱和起点和饱和点评估fsv估测中的饱和水平。
6、进一步地，基于所述拟合曲线，通过如下方法确定饱和起点：
7、在所有观测值中确定一个观测值s1，以所述观测值s1作为饱和起点；
8、对于所述观测值s1，在fsv小于观测值s1的情况下，估测误差由随机误差组成，在fsv大于观测值s1的情况下，fsv的预测值出现饱和。
9、进一步地，基于所述拟合曲线，通过如下方法确定和饱和点：
10、在所有观测值中确定一个观测值s，以所述观测值s作为饱和起点；
11、所述观测值s在所述第四曲线、第五曲线以及第六曲线的对应点为a、b和c，其中线段ab的长度等于线段bc的长度。
12、进一步地，所述第一曲线、第二曲线、第三曲线、第四曲线、第五曲线以及第六曲线分别通过如下公式(1)至公式(6)表示：
13、yc＝x+e (1)
14、yb＝x (2)
15、yc＝x-e (3)
16、yd＝kx+b+e (4)
17、ye＝kx+b (5)
18、yf＝kx+b-e (6)
19、式中，其中yc、yb、yc、yd、ye和yf分别为第一曲线、第二曲线、第三曲线、第四曲线、第五曲线和第六曲线中对应观测值x的预测值，x为fsv的观测值，k和b均为常数，e为预测值的随机误差，即所有样本的预测值到拟合直线e的平均距离，表示为其中n为样本总量，yi为样本i的预测值，yei为第五曲线上所对应的点。
20、进一步地，通过如下公式计算饱和起始点：
21、fsvsp＝b/(1-k) (7)
22、式中，fsvsp表示饱和起始点。
23、进一步地，通过如下公式计算饱和点：
24、fsvesat＝(b+e)/(1-k) (8)
25、式中，fsvesat表示饱和起始点。
26、进一步地，根据所述饱和起点和饱和点评估fsv估测中的饱和水平，具体包括：
27、当fsv达到fsvsp时，fsv的估测值开始出现系统性的低估现象；
28、当fsv达到fsvesat时，fsv估计的平均值低于随机误差范围内fsv的最小值。
29、根据本发明的第二方面，提供一种森林蓄积量遥感估测中的饱和度量化装置，所述装置包括：
30、曲线拟合模块，被配置为基于fsv的估计值与观测值确定拟合曲线，所述拟合曲线包括第一曲线、第二曲线、第三曲线、第四曲线、第五曲线以及第六曲线，所述第一曲线和第三曲线表示随机误差的范围，所述第二曲线为1∶1的直线，表示在预测值没有误差的情况下，fsv的空间分布以及预测值与观测值的关系，所述第四曲线和第六曲线表示饱和误差的范围，所述第五曲线为观测值与预测值的散点图拟合曲线；
31、指标确定模块，被配置为基于所述拟合曲线确定饱和起点和饱和点；
32、饱和量化模块，被配置为根据所述饱和起点和饱和点评估fsv估测中的饱和水平。
33、进一步地，所述饱和量化模块被进一步配置为：
34、当fsv达到fsvsp时，fsv的估测值开始出现系统性的低估现象；
35、当fsv达到fsvesat时，fsv估计的平均值低于随机误差范围内fsv的最小值。
36、根据本发明的第三方面，提供一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的方法。
37、本发明至少具有以下有益效果：
38、本发明提出了饱和起点(fsvsp)和估测饱和点(fsvesat)两个指标用于系统的评估fsv估测中的饱和水平。根据fsv的估测值与实测值的散点图和误差，将fsv的估测值开始出现系统性低估时对应的fsv定义为fsvsp，将饱和引起的误差大于估测随机误差时对应的fsv定义为fsvesat。当fsv达到fsvsp时，其估测值开始出现系统性的低估现象；当fsv达到fsvesat时，fsv估计的平均值低于随机误差范围内fsv的最小值，以此实现复杂森林场景中从单遥感变量到多遥感变量饱和水平的定量表达。
1.一种森林蓄积量遥感估测中的饱和度量化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于所述拟合曲线，通过如下方法确定饱和起点：
3.根据权利要求1所述的方法，其特征在于，基于所述拟合曲线，通过如下方法确定和饱和点：
4.根据权利要求1所述的方法，其特征在于，所述第一曲线、第二曲线、第三曲线、第四曲线、第五曲线以及第六曲线分别通过如下公式(1)至公式(6)表示：
5.根据权利要求4所述的方法，其特征在于，通过如下公式计算饱和起始点：
6.根据权利要求4所述的方法，其特征在于，通过如下公式计算饱和点：
7.根据权利要求1所述的方法，其特征在于，根据所述饱和起点和饱和点评估fsv估测中的饱和水平，具体包括：
8.一种森林蓄积量遥感估测中的饱和度量化装置，其特征在于，所述装置包括：
9.根据权利要求8所述的装置，其特征在于，所述饱和量化模块被进一步配置为：
10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至7中任一项所述的方法。
