一种基于多时相遥感数据及光谱数据的全球精细植被分类方法技术

本全球精细植被分类方法首先获取第一主成分植被光谱数据和遥感数据，再通过平均值显著性统计检验得到土地分类发生变化的区域，利用土地分类未发生变化的区域作为监督分类样本对土地分类发生变化的区域进行最小距离监督分类，利用光谱数据对得到的新的土地分类数据中的植被部分进行最小距离监督分类，得到精细植被分类数据，与非植被数据进行合并得到精细植被分类成果图。本发明专利技术可应用于国土资源和农业、林业等部门快速更新海量土地和植被分类数据，快速准确监测植被生长状况和土地利用变化情况。

【技术实现步骤摘要】

，属于数字图像处理领域，特别涉及植被覆盖类型变化检测技术及数字图像处理技术。
技术介绍
植被覆盖类型是指由于土地的自然属性或受人类活动影响所形成的地表植被覆盖状况，如森林、草原、作物、裸地等。精细植被分类是对植被覆盖类型更加细化的描述，如将等森林覆盖类型细分为落叶阔叶林、常绿针叶林等类型，以及将作物类型细分为水稻、小麦、玉米等类型。精细植被分类是土地分类研究的一项重要内容，植被类型变化在很大程度上影响地球系统其他性质变化，如生态系统生产力、生物多样性、生物地球化学循环等。遥感具有能够提供面状、同步地表信息的优势，遥感技术的发展为全球精细植被分类和植被类型变化研究提供了新手段，使人们能够通过更加科学和有效的手段，获取全球范围精细的植被类型信息及其变化情况，为解决随着人口的急剧膨胀和城市化进程加快所带来的环境污染、土地退化、植被破坏、物种多样性消失和资源匾乏等一系列重大的全球性环境问题提供强大助力。在过去的几十年里，国内外的专家学者一直致力于研究精细植被分类技术与方法来提高通过遥感影像对植被进行精细分类的精度。最初发展了各种非监督和监督分类技术，目前已有很多先进的分类算法被广泛地应用，包括最小距离分类、最大似然分类、神经元网络等。最小距离分类是基于图像统计的常用监督分类方法，分类原则是将各像元点划归到距离它最近距离的类别中心所在的类，其分类精度取决于对已知地物类别的了解和训练统计的精度，也与训练样本数量有关。最大似然分类也称为贝叶斯(Bayes)分类，同样是基于图像统计的常用监督分类法。该分类方法以贝叶斯准则为基础，假定训练样本数据在光谱空间的分布服从正态分布，计算样本的概率密度等值线，并建立分类判别函数，通过逐点扫描各像元，将像元的特征向量代入分类判别函数，求出其属于各类的概率，并将像元归入最大概率的分类。神经元网络分类法，是近些年发展起来的一种具有人工智能的分类方法。主要包括BP神经网络、径向基神经网络、模糊神经网络、小波神经网络等神经网络分类法。其中BP神经网络模型(前馈网络模型)是目前应用最广的神经网络模型。它由输入层、隐含层、输出层三部分组成，学习过程由正向传播过程和反向传播过程组成。BP神经网络模型可以把一组样本的输入/输出问题转化为一个非线性优化问题，通常可以取得比一般统计方法更好的分类效果，但是也存在着学习速度慢、不易收敛、效率不高等缺点。此外还有支持向量机(SVM)、决策树等分类算法。从以上研究分析来看，这些算法不需要遵循数据符合正态分布的假设，因此更适合于将单一或多元遥感数据融入植被分类算法中。然而，由于这些分类算法需要足够的训练样本和机器学习时间，对于特定的分类问题还需要确定的不同的非参数分类算法，因此在精细植被分类产品的生产中，难以在全球范围内采用同一种适合的分类参数和分类算法，其算法普适性较差，也很难做到同时保持精细植被分类产品的时间和空间分辨率，导致目前的全球精细植被分类技术不能满足全球变化、粮食估产、碳循环、土地覆盖变化监测等应用领域的需求，故快速自动化按需生产全球任意区域精细植被分类产品，提高其时间分辨率，具有其不可替代的重要意义。
技术实现思路
(一)要解决的技术问题本专利技术提供，用以解决现有植被分类技术中仅依靠遥感影像作为数据源导致全球不同区域分类算法普适性差，以及现有植被分类产品时间分辨率低，不能快速按需获取全球任意区域精细植被分类产品的问题。(二)技术方案，其特征在于包括以下具体步骤:步骤一、遥感数据与典型植被光谱数据获取。按照精细分类研究区域的不同，通过卫星遥感数据共享平台、航空遥感平台实数据，得到该区域的多时相遥感数据信息；通过土地分类数据共享平台、土地分类调查数据等，得到该区域的历史土地分类数据信息；通过光谱数据共享平台、和实测植被光谱数据，得到该区域的典型植被样本的光谱数据信息。步骤二、遥感数据与光谱数据预处理。按照精细分类研究区域的不同，将遥感历史土地分类数据进行编号化，针对每一种土地类型进行土地分类代码赋值处理，获取该区域的历史土地分类代码图；将新时期的时间序列遥感数据以主成分变换的形式进行融合，获取融合后的第一主成分遥感数据。对该区域的每一种典型植被样本的若干光谱数据，以主成分变换的形式进行融合，获取融合后的第一主成分光谱数据。步骤三、特征信息提取。将第一主成分遥感数据与历史土地分类代码图进行叠加，生成一个土地分类数据结构体，用以记录像元编号，历史土地分类代码值，遥感数据值，以及每一种土地分类的遥感数据值的均值及标准差，该结构体包含遥感数据和土地分类数据两种数据源的特征信息。生成一个光谱数据结构体，用以记录光谱编号，植被分类代码值，经度、纬度，波长值，波长对应反射率，该结构体包含第一主成分光谱数据的特征信息。步骤四、平均值显著性统计检验变化土地类型。利用步骤三中得到的土地分类数据结构体，按照历史土地分类代码值，对每一种土地分类的遥感数据值进行平均值显著性统计检验，检测出每一种土地分类中遥感数据值发生显著变化的像元，生成一个变化像元数组，记录每个像元编号的遥感数据值的变化与否。步骤五、利用土地类型变化信息进行土地分类。利用步骤四得到的变化像元数组，将每一种土地分类中未变化的部分的遥感数据值作为监督分类样本，对发生变化的部分的遥感数据值进行最小距离法监督分类，将变化区域得到的分类结果与未变化区域的历史土地分类数据进行合并，得到新的土地分类数据。步骤六、利用光谱数据信息进行精细植被分类。利用步骤三得到的第一主成分光谱数据作为监督分类样本，将步骤四得到的新的土地分类数据中土地类型为植被的部分进行最小距离监督分类及分类后处理，得到新的植被精细分类图。(三)有益效果本专利技术采用多时相遥感数据，避免采用单一时相遥感数据因云、阴影和其他噪声信息带来的土地分类的误判情况，最大程度保证了分类数据的可靠性；采用历史土地分类数据作为分类基础数据进行，充分利用已有资源，避免大量重复性人力、财力和时间浪费；采用平均值显著性统计检验变化的变化检测方法，对土地分类未发生变化的区域无需重新分类，提高了算法的效率和精确性；采用典型植被光谱数据作为植被精细分类的样本，避免因全球不同区域植被类型差异和生长状况差异而导致的分类标准不能在全球范围内适用，提高了算法普适性。算法可应用于国土资源和农业、林业等部门快速更新海量土地和植被分类数据，快速准确监测植被生长状况和土地利用变化情况，为全球的气候变化、生物多样性、生态环境演变以及人类与环境之间相互作用等研究提供真实和广泛的分析数据来源，具有广阔的市场前景和应用价值。【附图说明】图1:基于多时相遥感数据及光谱数据的全球精细植被分类方法流程图；图2:平均值显著性统计检验变化土地类型流程图；图3:专利技术试验结果局部图。其中图3a为宁夏自治区2011年第一季度植被精细分类图，图3b为宁夏自治区2011年第二季度植被精细分类图，图3c为宁夏自治区2011年第三季度植被精细分类图，图3d为宁夏自治区2011年第四季度植被精细分类图。【具体实施方式】为了更好地理解本专利技术的技术方案，下面结合附图及【具体实施方式】详细介绍本专利技术。本专利技术是，该方法主要包括以下几个步骤:1.遥感数据与典型植被光谱数据获取；2.遥感数据与光谱数据预处理；3.特征信息提本文档来自技高网...

【技术保护点】
一种基于多时相遥感数据及光谱数据的全球精细植被分类方法，其特征在于包括以下步骤：(1)获取精细分类研究区域的多时相遥感数据信息、历史土地分类数据信息和典型植被样本的光谱数据信息；(2)将步骤(1)中得到的遥感历史土地分类数据进行编号化，获取该区域的历史土地分类代码图，将步骤(1)中得到的新时期的时间序列遥感数据和典型植被样本的光谱数据进行主成分变换，得到第一主成分遥感数据和第一主成分光谱数据；(3)将步骤(2)中得到的第一主成分遥感数据与历史土地分类代码图进行叠加，生成一个土地分类数据结构体，将步骤(2)中得到的第一主成分光谱数据生成一个光谱数据结构体；(4)对步骤(3)中得到的土地分类数据结构体，进行平均值显著性统计检验，检测出每一种土地分类中遥感数据值发生显著变化的像元，生成一个变化像元数组，记录每个像元编号的遥感数据值的变化与否；(5)利用步骤(3)中的变化像元数组，将每一种土地分类中未变化的部分的遥感数据值作为监督分类样本，对发生变化的部分的遥感数据值进行最小距离法监督分类，将变化区域得到的分类结果与未变化区域的历史土地分类数据进行合并，得到新编码的土地分类数据；(6)利用步骤(3)得到的第一主成分光谱数据作为监督分类样本，将步骤(5)中新的土地分类数据中土地类型为植被的部分进行最小距离监督分类及分类后处理，得到新的植被精细分类图。...

【技术特征摘要】

【专利技术属性】
技术研发人员：康峻，高帅，牛铮，占玉林，贾坤，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京;11