一种融合多种变化检测算法的红树林动态监测方法技术

本发明专利技术公开了一种融合多种变化检测算法的红树林动态监测方法，该方法基于多元光谱指数和年际时间序列，无需训练样本，可绘制历年生长红树林的区域；通过评估多个光谱指数检测红树林扩张的适用性，筛选出最优指数，提高了变化检测算法监测红树林动态变化的能力；通过融合7种变化检测算法提出了检测红树林历史扩张、监测其近实时变化和预测其未来发展趋势的方法，并在像点尺度和区域尺度上综合分析红树林的变化，更清晰地揭示了红树林的时空变化规律。律。律。

【技术实现步骤摘要】
一种融合多种变化检测算法的红树林动态监测方法


[0001]本专利技术属于土地监测的
，特别涉及滨海湿地的植被提取和变化检测算法，基于多源光谱指数时间序列和融合多种变化监测算法实现滨海湿地红树林的自动提取和高效监测。

技术介绍

[0002]红树林是地球生态服务功能最高的自然生态系统之一，它提供了巨大的生态意义和经济意义，具有净化水质、稳固泥沙、固碳储碳等能力，在调节生物多样性以及对气候变化的缓解方面发挥着重要作用。红树林的保护和恢复与可持续发展目标(SDGs)的实施密切相关。有研究表明，近几十年来，在气候变化和人类活动的双重影响下，红树林湿地生态系统遭到严重退化。据统计，红树林在上个世纪减少了30
‑
50％，估计这些生态系统可能在100年内消失。因此红树林历史变化地精确追踪，红树林突变事件地近实时监测和当前生长状况，未来持续演化状态地预测，已成为保护和恢复红树林的迫切需要。
[0003]目前，遥感技术已经广泛应用于红树林变化检测，主要分为高精度多时相影像分类和时间序列轨迹分析法。前者仅能获取不同时刻的红树林分布，无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多种变化检测算法的红树林动态监测方法，其特征在于包括如下步骤：步骤(1)：遥感影像预处理；基于Google Earth Engine平台，对Sentinel
‑
2和Landsat 5/7/8影像进行辐射归一化处理，再对云、雪和阴影进行掩膜；步骤(2)：计算光谱指数；计算辅助提取红树林生长区域的光谱指数以及用于检测红树林动态变化的光谱指数；步骤(3)：重构光谱指数时间序列；使用最大值光谱指数合成(XSIC)、中值光谱指数合成(DSIC)和均值光谱指数合成(ASIC)的方法生成三种年际时间序列影像；步骤(4)：提取每年潜在的红树林并去噪；基于Sentinel
‑
2和Landsat 5/7/8影像利用红树林植被指数(MVI)时间序列数据提取潜在的红树林区域，同时使用归一化水体指数(NDWI)时间序列数据和DEM剔除提取的区域中被错误识别的陆地沼泽区域；步骤(5)：绘制红树林区域；分别堆叠基于Landsat 5/7/8和Sentinel
‑
2影像提取的研究区各年潜在的红树林区域，统计每个区域被识别为红树林的次数，且识别次数大于阈值的区域被确认为最终的红树林生长区域；步骤(6)：评估红树林的提取精度；步骤(7)：获取最优光谱指数；对比不同光谱指数的最优检测信息是否反映研究区红树林真实的变化一致来评估最优指数，红树林的真实变化以历史的原始影像为依据；步骤(8)：检测红树林历史的扩张；使用LandTrendr算法和Mann
‑
Kendall突变检验检测大范围区域红树林的扩张变化；步骤(9)：确定稳定的历史周期和开始监测的时间；根据历史检测获得的研究区知识，选择扩张时期较早的区域，并根据这些区域扩张时刻确定开始监测的时间；步骤(10)：监测红树林近实时变化；使用BFAST Monitor算法监测生长稳定的红树林区域，并将开始监测的时间设置在新观测数据时间的一年以内，对步骤(9)中选择的红树林区域进行近实时的监测；步骤(11)：确定预测周期；步骤(12)：预测红树林未来的趋势变化；基于预测时期利用Mann
‑
Kendall显著性检验、Theil
‑
Sen Median方法和Hurst指数获取红树林在预测时期的显著性、趋势斜率和持续程度预测红树林的未来发展趋势。2.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(3)中，使用最大值光谱指数合成、中值光谱指数合成和均值光谱指数合成的方法生成三种年际时间序列影像，其公式如下：
式中i为第i年，其中j为第j个光谱指数，SI
i,j
表示第i年第j个光谱指数的所有影像，SI
A(i,j)
代表第i年第j个光谱指数的年际时间序列影像。3.根据权利要求2所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(3)中，采用数据修正的方法生成年内时间序列影像，其修正公式如下：SI
IA(i,j)
＝f((k
×
max(SI
i,j
)+a)<(SI
i,j
+a))式中f((k
×
Max(SI
i,j
)+a)<(SI
i,j
+a))表示掩膜经过数据修正后的SI
i,j
影像中光谱指数值小于k倍该年光谱指数最大值的像素，k表示可用影像观测频率的调节系数，k的取值范围为0.6
‑
0.8，a表示光谱指数修正常数，SI
IA(i,j)
代表在第i年第j个光谱指数的年内时间序列影像。4.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(4)中，基于Sentinel
‑
2和Landsat 5/7/8影像利用红树林植被指数时间序列数据提取潜在的红树林区域，同时使用归一化水体指数时间序列数据和DEM剔除提取的区域中被错误识别的陆地沼泽区域，其公式如下：误识别的陆地沼泽区域，其公式如下：式中MVI
A(i)
表示第i年MVI的平均值合成影像(mean(MVI
i
))或中值合成影像(median(MVI
i
))，表示第i年提取的潜在的红树林区域，F(x,y)表示保留x区域中满足y条件的区域，shreshold表示识别潜在的红树林区域的阈值，f(DEM<8,NDWI
max
>0.3)表示提取高程小于8且年内NDWI最大值合成影像中像素光谱值大于0.3的区域，PMR
Landsat,i
表示利用第i年Landsat 5/7/8影像提取的潜在的红树林区域，PMR
Sentinel,i
表示利用第i年Sentinel
‑
2影像提取的潜在的红树林区域，g(x)表示在4联通条件下保留x区域中的满足面积阈值的潜在的红树林区域，Combine(x1,x2)表示合并x1，x2区域。5.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(5)中，分别堆叠基于Landsat 5/7/...

【专利技术属性】
技术研发人员：付波霖，姚航，李雨阳，何旭，孙军，范冬林，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：