基于多源遥感数据融合的陆生植物生态环境监测方法技术

本发明专利技术涉及生态环境监测领域，公开了一种基于多源遥感数据融合的陆生植物生态环境监测方法，用以更加高效地实现目标区域植被类型的识别、分类和动态监测。本发明专利技术以无人机对目标区域垂直拍摄，并生成无人机遥感三维建模；再通过卫星遥感获取目标区域的光谱遥感影像，将卫星遥感影像与无人机遥感三维建模生成的模型进行融合；再对融合后的影像进行计算和分割；再确定参与面向对象分类的特征参数指标，并对监测的植被类型分类和提取；再构建混淆矩阵，利用混淆矩阵对分类精度进行评价，之后提取各类植被的面积大小和分布情况；最后对两期的分类结果进行叠加对比分析，计算出不同植被类型的动态变化范围和面积。本发明专利技术适用于陆生植物生态环境监测。

Monitoring method of terrestrial plant ecological environment based on Multi-source Remote Sensing Data Fusion

The invention relates to the field of ecological environment monitoring, and discloses a terrestrial plant ecological environment monitoring method based on multi-source remote sensing data fusion for more efficient recognition, classification and dynamic monitoring of vegetation types in target areas. The invention takes vertical photographs of the target area by UAV and generates three-dimensional model of UAV remote sensing; then obtains the spectral remote sensing image of the target area by satellite remote sensing, fuses the satellite remote sensing image with the model generated by three-dimensional model of UAV remote sensing; calculates and segmentes the fused image; then determines the characteristic parameter index participating in object-oriented classification and supervises it. Classification and extraction of measured vegetation types; then build confusion matrix, use confusion matrix to evaluate the classification accuracy, and then extract the area size and distribution of various vegetation types; finally, compare and analyze the classification results of the two periods, and calculate the dynamic range and area of different vegetation types. The invention is suitable for monitoring the ecological environment of terrestrial plants.

【技术实现步骤摘要】
基于多源遥感数据融合的陆生植物生态环境监测方法
本专利技术涉及生态环境监测领域，特别涉及基于多源遥感数据融合的陆生植物生态环境监测方法。
技术介绍
目前，我国生态环境监测网络存在范围和要素覆盖不全，建设规划、标准规范与信息发布不统一，信息化水平和共享程度不高，监测与监管结合不紧密，监测数据质量有待提高等突出问题，难以满足生态文明建设需要，影响了监测的科学性、权威性和政府公信力，必须加快推进生态环境监测网络建设。同时随着近年来，无人机系统向民用化、小型化、模块化发展，使其操作更加简便、稳定性更高、可定制程度更高，大部分机型均已达到了工业应用的标准。同时，无人机低空遥感较卫星遥感拥有更高的空间分辨率，更灵活的作业时间，更丰富的产品成果，更高效的数据处理流程，受大气影响较小，具有良好的应用前景。另一方面，计算机软硬件技术的飞速发展，在无人机系统发展和市场需求的带动下，功能强大的图形和数据处理软件层出不穷，在航拍影像数据处理方面有了长足的进步，使得大规模图像数据的快速处理、提取和应用成为可能。本专利技术基于无人机低空遥感影像和卫星影像的数据融合，运用面向对象分类方法对研究区植被进行识别和分类，充分挖掘无人机高分辨率影像和卫星多光谱影像对植被的识别、分类的潜力，进一步拓展无人机低空遥感技术在陆生植物生态监测方面的应用。
技术实现思路
本专利技术要解决的技术问题是：提供一种基于多源遥感数据融合的陆生植物生态环境监测方法，用以更加高效地实现目标区域植被类型的识别、分类和动态监测。为解决上述问题，本专利技术采用的技术方案是：基于多源遥感数据融合的陆生植物生态环境监测方法，包括如下步骤：步骤1、以无人机搭载可见光相机对目标区域陆生植物进行垂直拍摄，拍摄的影像须具有一定的重叠度；步骤2、对监测目标区域获取的不同角度、高程的多幅原始影像照片进行坐标系配准、区域整体平差和多视角影像密集匹配；步骤3、对匹配后的影像进行图像点云数据提取；步骤4、根据图像点云数据生成TIN三角网，再进行纹理贴图，从而实现待检测区域的三维模型重建，生成待检测区域的DSM数字表面模型；步骤5、通过卫星遥感获取跟无人机航拍时间相对应的目标区域的光谱遥感影像；步骤6、对获取的目标区域的光谱遥感影像进行预处理；步骤7、将预处理后的卫星遥感影像与无人机遥感三维建模生成的DSM数字表面模型进行波段和影像融合，在保留影像光谱波段和信息的同时，提高影像的空间分辨率，增加影像的高层数据波段；步骤8、对融合后的影像进行自动计算和分割，输出最优分割尺度；步骤9、按照实际陆生植物生态环境监测的要求和原则，综合光谱信息、影像纹理、图形结构和高层数据对输出的最优分割尺度进行微调和修正，得出适合目标区域陆生植物生态环境监测实际最优的分割尺度；步骤10、依据陆生植物生态环境监测植被分类的类型，结合光谱信息、影像纹理、形状结构和高层数据信息，确定参与面向对象分类的特征参数指标；步骤11、利用步骤10选出的特征参数指标，对目标区域陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类；步骤12、对监督分类后的目标区域的植被分类类别进行提取；步骤13、采用基于位置信息的精度评价方法，按照混淆矩阵精度评定的样本个数计算公式计算出保证评价精度下的检查点个数；步骤14、按照实际采样点选取的难易度和清晰度，在确保满足评价精度最低数量要求的基础上，确定实际的检验点测量数目，并按照数目和相应的要求进行检验点的实地测量和统计；步骤15、构建混淆矩阵，计算总分类精度和Kappa系数，对模型的分类精度进行评价，确保分类的精度是否满足实际陆生植物生态环境监测和调查结果；步骤16、在满足分类精度的融合影像上按照分类类型提取各类植被的面积大小和分布情况；步骤17、按照上诉1-16的步骤计算同一目标区域的第二期影像，得出第二期的各植被类型的面积大小和分布情况；步骤18、将两期的分类结果进行叠加对比分析，计算出不同植被类型的动态变化范围和面积，对陆生植物生态环境监测的数据定量化工作提供技术支持。进一步的，步骤1在拍摄时，纵向重叠度≥60％，旁向重叠度≥30％。进一步的，步骤2还可包括：步骤201、系统利用倾斜摄影建模软件对多幅初始影像照片进行处理；步骤202、利用RTK已测的控制点对影像进行坐标系配准；步骤203、倾斜摄影软件对影像进行区域整体平差和多视角影像密集匹配。进一步的，步骤4中，利用倾斜摄影软件对影像中提取的密集点云进一步生产TIN三角网，然后进行纹理贴图，生产DSM数字表面模型，再导出DOM数字正摄影像和DEM数字高程模型。进一步的，步骤6对获取的目标区域的光谱遥感影像进行预处理可包括：辐射校正、几何校正、影像镶嵌与影像裁剪。预处理时：针对原始卫星遥感多(高)光谱影像需进行辐射校正(辐射定标、大气校正、地形辐射校正)和几何校正，保证影像光谱和几何信息的准确性；按照无人机遥感航拍面积进行卫星遥感多(高)光谱影像的拼接和裁剪，保证目标区域的范围一致。进一步的，步骤7中，可先将卫星遥感光谱影像数据的光谱波段与全色波段进行融合，提高光谱波段的空间分辨率；再将光谱波段与全色波段融合后的卫星遥感光谱影像与无人机遥感构建的数字正射影像DOM进行融合，保留影像光谱波段和信息的同时，进一步提高影像的空间分辨率，同时增加影像的高层数据波段。进一步的，步骤8中，可以根据ESP多尺度分割评价工具对融合后的影像进行自动计算和分割。进一步的，步骤10可采用最邻近法进行监督分类。进一步的，步骤10中，光谱信息可包括NDVI指数、LAI指数、叶片叶绿素含量、叶片水分含量、多个光谱波段的Brightness亮度值、Std对象波段标准差及相关反射属性；影像纹理可包括影像贴图的真实纹理细节；形状结构可包括Borderindex边界指数、Density密度以及Length/Width长宽比。进一步的，步骤15中，可利用面向对象分类软件生产的影像误差矩阵进行计算，得出生产者精度、用户精度、总分类精度和Kappa系数。本专利技术的有益效果是：本专利技术中，无人机低空遥感技术具备时效性强、精度高、范围广和无接触测量等优势。构建的三维模型能精确的测量体积、面积和长度等指标，能输出DEM数字高程模型、DOM数字正射影像和DSM数字表面模型等通用格式的数据类型，具有可操作性强，设备成本较低，采样速率快、精度和分辨率高等特点；同时融合卫星遥感影像，使分类影像的特征指标更加全面和完善，包括了多(高)光谱信息、纹理图案、形状结构和高层数据等。面向对象分类的方法能区别于传统的遥感影像分类方法，不再局限于单一的光谱识别和分类计数，加入了纹理图案、形状结构和高层数据等特征指标，并利用ESP最优分割尺度分析工具，建立和制定不同目标区域影像下的最优分割尺度，利用其作为陆生植物生态环境监测分类处理技术在生态环境监测中具有明显的优势。本专利技术基于多源遥感数据融合和面向对象分类等技术，大大提高了陆生植物生态环境监测工作中准确、高效、定量获取、分析、计算和处理不同植被监测指标数据的能力，同时也革命性的改变了监测成果的展示效果和方式。总体来说，基于无人机低空遥感、卫星遥感数据融合和面向对象分类的陆生植物生态监测技术的应用可以填补生态环境监测工作中对植被定量监测内容无常规监测方法和手段的技术本文档来自技高网...

【技术保护点】
1.基于多源遥感数据融合的陆生植物生态环境监测方法，其特征在于，包括如下步骤：步骤1、以无人机搭载可见光相机对目标区域陆生植物进行垂直拍摄，拍摄的影像须具有一定的重叠度；步骤2、对监测目标区域获取的不同角度、高程的多幅原始影像照片进行坐标系配准、区域整体平差和多视角影像密集匹配；步骤3、对匹配后的影像进行图像点云数据提取；步骤4、根据图像点云数据生成TIN三角网，再进行纹理贴图，从而实现待检测区域的三维模型重建，生成待检测区域的数字表面模型；步骤5、通过卫星遥感获取跟无人机航拍时间相对应的目标区域的光谱遥感影像；步骤6、对获取的目标区域的光谱遥感影像进行预处理；步骤7、将预处理后的卫星遥感影像与无人机遥感三维建模生成的数字表面模型进行波段和影像融合，在保留影像光谱波段和信息的同时，提高影像的空间分辨率，增加影像的高层数据波段；步骤8、对融合后的影像进行自动计算和分割，输出最优分割尺度；步骤9、按照实际陆生植物生态环境监测的要求和原则，综合光谱信息、影像纹理、图形结构和高层数据对输出的最优分割尺度进行微调和修正，得出适合目标区域陆生植物生态环境监测实际最优的分割尺度；步骤10、依据陆生植物生态环境监测植被分类的类型，结合光谱信息、影像纹理、形状结构和高层数据信息，确定参与面向对象分类的特征参数指标；步骤11、利用步骤10选出的特征参数指标，对目标区域陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类；步骤12、对监督分类后的目标区域的植被分类类别进行提取；步骤13、采用基于位置信息的精度评价方法，按照混淆矩阵精度评定的样本个数计算公式计算出保证评价精度下的检查点个数；步骤14、按照实际采样点选取的难易度和清晰度，在确保满足评价精度最低数量要求的基础上，确定实际的检验点测量数目，并按照数目和相应的要求进行检验点的实地测量和统计；步骤15、构建混淆矩阵，计算总分类精度和Kappa系数，对模型的分类精度进行评价，确保分类的精度是否满足实际陆生植物生态环境监测和调查结果；步骤16、在满足分类精度的融合影像上按照分类类型提取各类植被的面积大小和分布情况；步骤17、按照上诉1‑16的步骤计算同一目标区域的第二期影像，得出第二期的各植被类型的面积大小和分布情况；步骤18、将两期的分类结果进行叠加对比分析，计算出不同植被类型的动态变化范围和面积。...

【技术特征摘要】
1.基于多源遥感数据融合的陆生植物生态环境监测方法，其特征在于，包括如下步骤：步骤1、以无人机搭载可见光相机对目标区域陆生植物进行垂直拍摄，拍摄的影像须具有一定的重叠度；步骤2、对监测目标区域获取的不同角度、高程的多幅原始影像照片进行坐标系配准、区域整体平差和多视角影像密集匹配；步骤3、对匹配后的影像进行图像点云数据提取；步骤4、根据图像点云数据生成TIN三角网，再进行纹理贴图，从而实现待检测区域的三维模型重建，生成待检测区域的数字表面模型；步骤5、通过卫星遥感获取跟无人机航拍时间相对应的目标区域的光谱遥感影像；步骤6、对获取的目标区域的光谱遥感影像进行预处理；步骤7、将预处理后的卫星遥感影像与无人机遥感三维建模生成的数字表面模型进行波段和影像融合，在保留影像光谱波段和信息的同时，提高影像的空间分辨率，增加影像的高层数据波段；步骤8、对融合后的影像进行自动计算和分割，输出最优分割尺度；步骤9、按照实际陆生植物生态环境监测的要求和原则，综合光谱信息、影像纹理、图形结构和高层数据对输出的最优分割尺度进行微调和修正，得出适合目标区域陆生植物生态环境监测实际最优的分割尺度；步骤10、依据陆生植物生态环境监测植被分类的类型，结合光谱信息、影像纹理、形状结构和高层数据信息，确定参与面向对象分类的特征参数指标；步骤11、利用步骤10选出的特征参数指标，对目标区域陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类；步骤12、对监督分类后的目标区域的植被分类类别进行提取；步骤13、采用基于位置信息的精度评价方法，按照混淆矩阵精度评定的样本个数计算公式计算出保证评价精度下的检查点个数；步骤14、按照实际采样点选取的难易度和清晰度，在确保满足评价精度最低数量要求的基础上，确定实际的检验点测量数目，并按照数目和相应的要求进行检验点的实地测量和统计；步骤15、构建混淆矩阵，计算总分类精度和Kappa系数，对模型的分类精度进行评价，确保分类的精度是否满足实际陆生植物生态环境监测和调查结果；步骤16、在满足分类精度的融合影像上按照分类类型提取各类植被的面积大小和分布情况；步骤17、按照上诉1-16的步骤计算同一目标区域的第二期影像，得出第二期的各植被类型的面积大小和分布情况；步骤18、将两期的分类结果进行叠加对比分析，计算出不同植被类型的动态变化范围和面积。2.如权利要求1所述的基于多源...

【专利技术属性】
技术研发人员：周湘山，秦甦，张磊，詹晓敏，周杰，
申请(专利权)人：中国电建集团成都勘测设计研究院有限公司，
类型：发明
国别省市：四川,51