一种基于全遥感机器学习的植被覆盖度估算方法技术

本发明专利技术公开了一种基于全遥感机器学习的植被覆盖度估算方法，包括对同区域内同期高分辨率和中低分辨率遥感影像进行正射校正、辐射定标、大气校正和几何配准；对高分辨率影像全色和多光谱波段进行融合，利用NDVI提取植被空间分布，并以中低分辨率像元为单元统计高分辨率影像的植被分布，得到目标植被覆盖度；提取中低分辨率影像绿度特征NDVI、生境特征T和SWCI及不透水面特征RRI专题信息，利用XGBoost机器学习方法估算区域植被覆盖度。本发明专利技术充分利用高分辨影像和机器学习方法，并综合考虑了植被生长状态、环境和地表覆被等条件估算植被覆盖度，提高了区域尺度植被覆盖度计算的准确度，人工干预少，自动化程度高，具有较强的普适性，易于在区域尺度中推广应用。易于在区域尺度中推广应用。

【技术实现步骤摘要】
一种基于全遥感机器学习的植被覆盖度估算方法


[0001]本专利技术涉及一种基于全遥感机器学习的植被覆盖度估算方法，属于生态建设、生态环境保护、资源环境承载能力评价、生态功能评估、碳循环等应用领域。

技术介绍

[0002]植被是连接土壤、大气和水分的自然纽带，影响着陆地表面的能量平衡和生化循环。植被覆盖度通常是指植被(叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比，是反应植被生长状况的直接定量指标，是水文、气候、生态和碳过程评估等模型必要的输入参数，也可用于揭示土地退化、水土流失等生态问题及其综合治理状况。因此，快速、有效、精确地估算区域植被覆盖度对改善区域生态环境、促进资源可持续发展等均具有重要的意义。
[0003]目前，估算植被覆盖度的方法主要分为两种：一是传统的地面实测法，二是遥感估算法。传统的地面实测法虽然测量精度较高，但费时、费力，调查范围小，缺乏时效性，不适合进行大区域尺度研究。遥感估算方法主要有经验模型法、亚像元分解法、物理模型法、光谱梯度法等，其中像元分解法由于其模型简单、可靠，在研究中应用最广泛，而像元二分模型又是像元分解法中最为普遍和简单的一个模型，但地表的复杂性导致纯植被和纯裸土的NDVI值难以确定。随着计算机技术的快速发展，机器学习方法被广泛应用到植被覆盖度的估算，包括人工神经网络、支持向量机、随机森林，与人工神经网络和支持向量机相比，随机森林模型无需对变量的正态性和独立性等条件进行检验，但该方法在解决回归问题时，并没有像它在分类中表现的那么好，不能够做出超越训练集数据范围的预测，这可能导致在某些特定噪声的数据进行建模时出现过度拟合。XGBoost是由华盛顿大学陈天奇作为DMLC组员所开发的一个研究项目，该算法借鉴了随机森林的做法，支持列抽样，这样不仅能防止过拟合，还能降低计算；而且还在损失函数添加了正则化项，控制模型的复杂度，并进一步防止过拟合现象，因此该算法对异常值更敏感。该算法在数据科学应用中已广泛使用，但还未应用在植被覆盖度估算领域。
[0004]神经网络、支持向量机、随机森林和XGBoost等机器学习算法都需要大量的训练样本，然而在山区、水域和茂密的森林等人员难以到达的区域，传统的地面采样获取训练样本十分困难，甚至存在大量无法布设地面样点的区域。目前已有研究引入了低空无人机进行采样点的布设，但无人机采样成本高，且飞行区域管制严格。随着遥感技术的进步，高时间高空间分辨率的传感器不断涌现，例如国产卫星高分二号的全色和多光谱数据融合后分辨率可达到1m，能够为中低空间分辨率植被覆盖度估算提供足够数量和质量，以及现势性强的训练样本。
[0005]目前，大多数的植被覆盖度机器学习估算研究是基于遥感影像的初始波段反射率或植被指数，但土壤、水分和温度等生境条件也是植被生长状况的良好表征，生境条件的差异也会导致植被覆盖度有所不同，其中地表温度能够反应植被呼吸强度和蒸腾情况，以及城市热岛效应；土壤湿度制约着土壤养分的溶解、转移和吸收，以及微生物的活动，对植被
生长和分布格局具有较大影响。另外，植被覆盖度不仅与植被生长状态和生境条件密切相关，还与地表覆被状况密切相关，道路、居民地等不透水面是改变植被覆盖度最直接的方式。然而目前的植被覆盖度估算方法中并未考虑到植被生长环境和地表覆被状况对区域植被覆盖度的影响，使得植被覆盖度的精确估算产生了一定的偏差。

技术实现思路

[0006]针对现有技术存在的不足，本专利技术提出了一种基于全遥感机器学习的植被覆盖度估算方法，该方法充分考虑了植被生长状态、环境和地表覆被状况对区域植被覆盖度的影响，并结合了一种新型的机器学习方法XGBoost，最大限度地挖掘和利用遥感影像信息，提高了现有植被覆盖度计算的准确度，操作过程简单、人工干预少，易于大尺度推广应用。
[0007]为解决上述问题，本专利技术所采取的技术方案是：
[0008]一种基于全遥感机器学习的植被覆盖度估算方法，包括以下步骤：
[0009]S1，基于植被生长季高空间分辨率原始遥感影像的多光谱数据和全色数据进行预处理，分别生成代表地物真实反射率的多光谱遥感影像结果图和代表地物真实辐射亮度值的全色遥感影像结果图；
[0010]S2，针对步骤S1中的多光谱遥感影像结果图和全色遥感影像结果图进行几何配准，得到在地理空间坐标上相匹配的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图；
[0011]S3，针对步骤S2中的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图进行图像融合，得到高空间分辨率多光谱融合影像结果图；
[0012]S4，基于同区域同时期的中低空间分辨率原始遥感影像进行预处理，得到中低空间分辨率多光谱遥感影像地表反射率结果图；
[0013]S5，针对步骤S3中的高空间分辨率多光谱融合影像结果图和步骤S4中的中低空间分辨率多光谱遥感影像地表反射率结果图进行几何配准，得到在地理空间坐标上相匹配的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图；
[0014]S6，针对步骤S5中的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图进行重合范围提取，得到在空间范围一致的高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图；
[0015]S7，针对步骤S6中的中低空间分辨率遥感影像目标结果图，以其像元大小为单元生成网格矢量图；
[0016]S8，针对步骤S6中的高空间分辨率遥感影像目标结果图进行以下处理：
[0017]S8
‑
1，针对高空间分辨率遥感影像目标结果图计算归一化植被指数NDVI，得到相应的NDVI空间分布图；
[0018]S8
‑
2，针对高空间分辨率遥感影像目标结果图进行植被增强算法处理，并在植被覆盖区随机选取样本点，统计样本点在NDVI空间分布图上的分布情况，同时设定最小值为下限阈值，得到高空间分辨率植被空间分布结果二值图，其中，0代表其他区域，1代表植被覆盖区；
[0019]S8
‑
3，基于网格矢量图统计步骤S8
‑
2中的高空间分辨率植被空间分布结果二值图，得到中低空间分辨率植被覆盖度目标数据；
[0020]S9，基于步骤S6中的中低空间分辨率遥感影像目标结果图计算归一化植被指数NDVI、比值居民地指数RRI、亮度温度T和表层水分含水量指数SWCI，得到相应指数特征空间分布图并对其进行空间合成，得到特征专题信息图；
[0021]S10，基于步骤S6中高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图重合范围生成随机采样点；
[0022]S11，基于采样点获取步骤S8
‑
3中的中低空间分辨率植被覆盖度目标数据和步骤S9中的特征专题信息，生成模型训练数据集；
[0023]S12，基于模型训练数据集，利用机器学习方法构建植被覆盖度估算模型；
[0024]S13，基于植被覆盖度估算模型和步骤S9中的特征专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全遥感机器学习的植被覆盖度估算方法，其特征在于，包括以下步骤：S1，基于植被生长季高空间分辨率原始遥感影像的多光谱数据和全色数据进行预处理，分别生成代表地物真实反射率的多光谱遥感影像结果图和代表地物真实辐射亮度值的全色遥感影像结果图；S2，针对步骤S1中的多光谱遥感影像结果图和全色遥感影像结果图进行几何配准，得到在地理空间坐标上相匹配的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图；S3，针对步骤S2中的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图进行图像融合，得到高空间分辨率多光谱融合影像结果图；S4，基于同区域同时期的中低空间分辨率原始遥感影像进行预处理，得到中低空间分辨率多光谱遥感影像地表反射率结果图；S5，针对步骤S3中的高空间分辨率多光谱融合影像结果图和步骤S4中的中低空间分辨率多光谱遥感影像地表反射率结果图进行几何配准，得到在地理空间坐标上相匹配的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图；S6，针对步骤S5中的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图进行重合范围提取，得到在空间范围一致的高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图；S7，针对步骤S6中的中低空间分辨率遥感影像目标结果图，以其像元大小为单元生成网格矢量图；S8，针对步骤S6中的高空间分辨率遥感影像目标结果图进行以下处理：S8
‑
1，针对高空间分辨率遥感影像目标结果图计算归一化植被指数NDVI，得到相应的NDVI空间分布图；S8
‑
2，针对高空间分辨率遥感影像目标结果图进行植被增强算法处理，并在植被覆盖区随机选取样本点，统计样本点在NDVI空间分布图上的分布情况，同时设定最小值为下限阈值，得到高空间分辨率植被空间分布结果二值图，其中，0代表其他区域，1代表植被覆盖区；S8
‑
3，基于网格矢量图统计步骤S8
‑
2中的高空间分辨率植被空间分布结果二值图，得到中低空间分辨率植被覆盖度目标数据；S9，基于步骤S6中的中低空间分辨率遥感影像目标结果图计算归一化植被指数NDVI、比值居民地指数RRI、亮度温度T和表层水分含水量指数SWCI，得到相应指数特征空间分布图并对其进行空间合成，得到特征专题信息图；S10，基于步骤S6中高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图重合范围生成随机采样点；S11，基于采样点获取步骤S8
‑
3中的中低空间分辨率植被覆盖度目标数据和步骤S9中的特征专题信息，生成模型训练数据集；S12，基于模型训练数据集，利用机器学习方法构建植被覆盖度估算模型；S13，基于植被覆盖度估算模型和步骤S9中的特征专题信息图估算步骤S6中的中低空间分辨率遥感影像目标结果图的植被覆盖度，得到区域植被覆盖度空间分布图。2.如权利要求1所述的一种基于全遥感机器学习的植被覆盖度估算方法，其特征在于，
所述步骤S1中基于植被生长季高空间分辨率遥感影像的多光谱数据进行的预处理包括...

【专利技术属性】
技术研发人员：鲁军景，孙雷刚，郝庆涛，左璐，刘剑锋，马晓倩，郭风华，柏会子，黄亚云，
申请(专利权)人：河北省科学院地理科学研究所，
类型：发明
国别省市：