基于高分辨率遥感图像的地质灾害后植被恢复监测方法技术

本发明专利技术提供了一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法，包括：构建融合型“光谱

【技术实现步骤摘要】
基于高分辨率遥感图像的地质灾害后植被恢复监测方法


[0001]本专利技术涉及植被恢复监测领域，特别涉及一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法。

技术介绍

[0002]我国地质灾害频发，地质灾害通常会造成生态环境的严重破坏，作为生态环境的核心组成要素的地表植被会首先遭受到非常严重破坏。地表植被作为生态环境的重要指标，监测和评估区域植被恢复情况是灾后重建工作的重点任务之一。传统的植被资源调查主要以人工方式的地面采集为主，存在工作量大、效率低、范围有限、周期长等缺点，难以满足高效长时间跨度的精准植被监测的需求。遥感技术因其宏观性、动态性、重复访问等特点，被广泛应用于植被资源监测中。随着遥感图像分辨率的提高，高分辨率影像因其丰富的地物信息与纯净的光谱特征等优势，被越来越多地应用到植被资源监测中。
[0003]传统基于像素的分类方法被广泛应用于植被资源监测，但主要是应用于中低空间分辨率多光谱影像，对高空间分辨率的多光谱影像而言存在许多问题，如分类精度低、椒盐噪声明显等。

技术实现思路

[0004]本专利技术提供了一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法，以解决至少一个上述技术问题。
[0005]为解决上述问题，作为本专利技术的一个方面，提供了一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法，包括：
[0006]步骤1，对目标区域的空间分辨率≤10米的多光谱卫星遥感图像进行预处理；
[0007]步骤2，构建融合型“光谱
‑
植被指数r/>‑
纹理”特征集以使得每个地物像素点对应于一个不小于50维度的特征向量，作为下述步骤4中模型的输入量；
[0008]步骤3，在晴朗天气条件下，较为均匀地选取目标区域内的n个典型植被样本地，在进行实地勘测后建立起包含精确地理坐标值的地理勘测数据集，抽取出成像时间距勘测时间最接近的f幅遥感图像作为下述步骤4中的训练和测试数据；
[0009]步骤4，构建类bagging型集成学习模型；
[0010]步骤5，利用所述学习模型分析乔木、灌木和草本三类型植被在植被高度、单株植被水平投影覆盖面积、根系深度和根系延展范围上的明显差异；
[0011]步骤6，通过分析若干连续时相的遥感图像的植被变化率指数和植被类型变化率指数的按时相变化信息，量化分析目标区域植被恢复情况。
[0012]优选地，步骤1中，多光谱卫星遥感图像包含若干颗遥感卫星所获取的多光谱图像，预处理包括正射校正、几何精校正、辐射定标和大气校正等，经过预处理后的遥感图像包含大气底层反射率数据，能满足精确分析植被特性的需求。
[0013]优选地，在预处理过程中，可以对遥感图像进行重采样，将各目标波段的空间分辨
率统一重采样到相同尺度，优选地使用最近邻距离算法进行重采样。
[0014]优选地，步骤2中，该特征集包括光谱特征子集、植被指数特征子集和纹理特征子集，其中，光谱特征子集通过抽取遥感图像中对地表植被敏感的波段而构建，植被指数特征子集通过选择若干个于植被特征相关的指数而构建，纹理特征子集通过对光谱特征子集中的植被反射显著的波段分别使用灰度共生矩阵计算出来的统计量
‑
能量、熵、均匀性、差熵等参数构成核心像素点处的纹理特征子集部分而构建。
[0015]优选地，光谱特征子集优选地为蓝光、绿光、红光、植被红边和近红外波段构建特征集中的光谱特征子集部分；和/或，植被指数特征子集优选地使用NDVI、DVI、EVI、PVI、CTVI、TSAVI和RVI构建特征集中的植被指数特征子集部分；和/或，纹理特征子集优先地分析方向分别取0
°
、45
°
、90
°
三个方向。
[0016]优选地，步骤3中，样地的数量n不小于步骤2中特征向量维度数的两倍值，遥感图像优选地以勘测时间为中点前后各5幅，按照精确地理坐标值在每景遥感图像中拾取n个K*K像素尺寸的ROI，共计获取f*n个ROI，共含f*n*K*K个带标签的像素点的特征向量样本数据。
[0017]优选地，步骤4中，学习模型包括若干个神经网络子分类器和若干个SVM子分类器及一个邻域型结合策略的输出单元；其中，
[0018]神经网络分类器彼此间在结构上存在差异，其隐层数和神经节点数均不相同，且各自独立使用不相同的训练集和测试集进行模型训练，通过训练后使得每个神经网络分类器的总体分类精度和Kappa系数优于85％和0.85；
[0019]SVM分类器彼此间在结构上存在差异，是基于不同核函数的SVM分类器或基于不同核函数的LSSVM分类器，各自独立使用不相同的训练集和测试集进行模型训练，通过训练后使得每个SVM分类器的总体分类精度和Kappa系数优于80％和0.85，子分类器并行独立工作，并将其分类结果输入到一个邻域型结合策略的输出单元中；
[0020]领域型结合策略为：如果子分类器的输出的地物类型不多于两类且占优地物类的比例不低于阈值时占优地物类别为该点处的地物类别；否则认为该点处的像素点处的混合像元现象明显，取K*K像素得领域，按照去心领域内某类别地物的含量乘以某类别地物在该核心像素点的多个分类器输出中的含量得到某类别在该核心像素点中的含量。
[0021]优选地，步骤5包括：
[0022](1)对每个类型的植被设定对应的植被影响因子，通过下述公式确定植被状况指数：
[0023]VCI＝α
a
*C
arbor
+α
s
*C
shrub
+α
h
*C
herbal
[0024]其中：α
a
、α
s
、α
h
分别为乔木、灌木和草本类型的植被影响因子，根据植被对环境影响情况合理设置植被影响因子α
a
、α
s
、α
h
的取值，一般地可以分别设置为10、5、2；C
arbor
、C
shrub
、C
herbal
分别为乔木、灌木和草本类型植被在研究区的植被覆盖度；
[0025](2)通过植被变化率指数量化植被变化情况：
[0026]VCR＝VCI
new
/VCI
stadndard
[0027]其中：VCI
new
为地震发生后的某景遥感图像的植被状况指数；VCI
standard
为地质灾害发生前遥感图像的植被状况指数；VCR为植被变化率指数，其值小于1时表明研究区出现植被损坏情况，其值大于1时表明研究区植被比之前更繁茂；
Vegetation Index，转换的土壤调节植被指数)和RVI(Ratio vegetation index，比值植被指数)构建特征集中的植被指数特征子集部分。纹理特征子集的构建：对光谱特征子集中的植被反射显著本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，包括：步骤1，对目标区域的空间分辨率≤10米的多光谱卫星遥感图像进行预处理；步骤2，构建融合型“光谱
‑
植被指数
‑
纹理”特征集以使得每个地物像素点对应于一个不小于50维度的特征向量，作为下述步骤4中模型的输入量；步骤3，在晴朗天气条件下，较为均匀地选取目标区域内的n个典型植被样本地，在进行实地勘测后建立起包含精确地理坐标值的地理勘测数据集，抽取出成像时间距勘测时间最接近的f幅遥感图像作为下述步骤4中的训练和测试数据；步骤4，构建类bagging型集成学习模型；步骤5，利用所述学习模型分析乔木、灌木和草本三类型植被在植被高度、单株植被水平投影覆盖面积、根系深度和根系延展范围上的明显差异；步骤6，通过分析若干连续时相的遥感图像的植被变化率指数和植被类型变化率指数的按时相变化信息，量化分析目标区域植被恢复情况。2.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，步骤1中，多光谱卫星遥感图像包含若干颗遥感卫星所获取的多光谱图像，预处理包括正射校正、几何精校正、辐射定标和大气校正等，经过预处理后的遥感图像包含大气底层反射率数据，能满足精确分析植被特性的需求。3.根据权利要求2所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，在预处理过程中，可以对遥感图像进行重采样，将各目标波段的空间分辨率统一重采样到相同尺度，优选地使用最近邻距离算法进行重采样。4.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，步骤2中，该特征集包括光谱特征子集、植被指数特征子集和纹理特征子集，其中，光谱特征子集通过抽取遥感图像中对地表植被敏感的波段而构建，植被指数特征子集通过选择若干个于植被特征相关的指数而构建，纹理特征子集通过对光谱特征子集中的植被反射显著的波段分别使用灰度共生矩阵计算出来的统计量
‑
能量、熵、均匀性、差熵等参数构成核心像素点处的纹理特征子集部分而构建。5.根据权利要求4所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，光谱特征子集优选地为蓝光、绿光、红光、植被红边和近红外波段构建特征集中的光谱特征子集部分；和/或，植被指数特征子集优选地使用NDVI、DVI、EVI、PVI、CTVI、TSAVI和RVI构建特征集中的植被指数特征子集部分；和/或，纹理特征子集优先地分析方向分别取0
°
、45
°
、90
°
三个方向。6.根据权利要求4所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，步骤3中，样地的数量n不小于步骤2中特征向量维度数的两倍值，遥感图像优选地以勘测时间为中点前后各5幅，按照精确地理坐标值在每景遥感图像中拾取n个K*K像素尺寸的ROI，共计获取f*n个ROI，共含f*n*K*K个带标签的像素点的特征向量样本数据。7.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，步骤4中，学习模型包括若干个神经网络子分类器和若干个SVM子分类器及...

【专利技术属性】
技术研发人员：邓东周，潘红丽，周听鸿，辜建刚，周相兵，
申请(专利权)人：四川省林业科学研究院，
类型：发明
国别省市：