基于分层乘法模型和高分1号数据的森林覆盖度提取方法技术

本发明专利技术涉及基于分层乘法模型和高分1号数据的森林覆盖度提取方法。本发明专利技术包括利用分层乘法模型从多光谱遥感数据中准确、高效的提取森林覆盖度。在对遥感数据预处理的基础上，首先按照地物波谱特征差异将地物类型划分为三个主要层级。其次在每一层级中利用线性像元分解模型进行地物丰度计算，最后通过乘法模型计算林业植被在第一级地物中的丰度。本发明专利技术创建了基于乘法模型的像元分解算法，提高了基于多光谱影像提取地物丰度值的适用性和准确性。解决了多光谱波段不足的限制，针对像元分解精度难以验证的问题，提出了利用高精度影像进行分类、并以分类结果计算大尺度上各端元的丰度以验证像元分解精确度，提高了像元分解验证的准确性。确性。确性。

【技术实现步骤摘要】
基于分层乘法模型和高分1号数据的森林覆盖度提取方法


[0001]本专利技术属于森林遥感
，涉及一种基于分层乘法模型和高分1号数据的森林覆盖度提取方法。

技术介绍

[0002]生态环境保护是全球的共识，也是当今社会的热点问题。作为生态建设主体的林业在维护环境健康和生态平衡、改善全球碳循环和水质、提供休闲潜力等方面发挥着至关重要的作用。然而，经济的快速增长、人口的急速膨胀和自然灾害的频发等因素对林业的健康生长构成了严重威胁。森林覆盖率是反映森林资源的丰富程度和生态平衡状况的重要指标，因此，基于高分辨率遥感影像进行快速、高效的森林覆盖率调查已成为生态环境建设与保护的重要研究课题。
[0003]传统的森林覆盖率及其变化监测主要依赖国外遥感数据，例如Landsat，MODIS，Spot，Quickbird等。但随着我国高分辨率对地观测系统重大专项(简称高分专项)的实施，基于国产高分卫星的森林研究成为林业遥感的重要内容。国产高分数据已经被广泛的用于估算森林群落面积、调查的森林生产变化、估算森林生物量和碳储量等多个领域。
[0004]基于遥感影像提取森林覆盖度的常用方法有单波段反射率计算方法、基于代数计算的光谱指数、监督分类、非监督分类、人工神经网络、专家系统等。其中单个光谱带或带的总和对植被特性的变化很敏感，经常用于时间序列图像的创建。归一化差异湿度指数(NDMI)和归一化燃烧比(NBR)指数经常用于检测森林采伐和灾害。土壤调整植被指数(SAVI)和抗大气植被指数(ARVI)用于分析土壤效应和大气噪声。监督和非监督分类方法精度较低，人工神经网络和专家系统较为复杂，可操作性差。这些方法无法消除混合像元的影响。
[0005]光谱混合分析(SMA)是一种成熟且有效的解决波谱混合问题的技术。SMA将混合光谱建模为光谱端元的线性或非线性组合从而获取亚像素植被信息，并且被广泛用于林业生态调查和监测。SMA是从混合像素中提取纯净光谱成分的方法，但在运用多光谱影像如Gaofen
‑
1 WFV时存在两个挑战：1)端元的数量受限于遥感数据的波段数。根据混合像素分解理论，最大端元数等于光谱波段数加一，因此无法从只有四个波段的GF
‑
1WFV数据中准确提取更多的地物类型；2)很难直接评估混合像素的解混合精度。由于通过地面测量难以确定图像中每个像素的真实组成，直接解混合精度评估成为一个难题。
[0006]因此如何提供一种利用有限波段的多光谱遥感数据快速、准确的提取森林覆盖度的方法是当前林业遥感亟待解决的问题。
[0007]为了解决这些问题，提出了一种基于像元分解的分层乘法模型(Hierarchical Multiplication Model,HMM)。本研究的内容包括：(1)利用分层乘法模型(HMM)和GF
‑
1WFV数据提取某区域森林覆盖度；2)基于高分辨率(2m)的GF
‑
1PMS数据和SVM方法对试验区域土地覆盖类型进行精细分类，根据分类结果计算森林覆盖度，并以此覆盖度作为验证数据对HMM结果的精度进行分析。

技术实现思路

[0008]本专利技术的目的就是提供一种基于混合像元分解的分层乘法模型(HMM)和高分1号数据(GF1数据)的森林覆盖度提取方法，利用分层乘法模型从多光谱遥感数据中准确、高效的提取森林覆盖度。在对遥感数据预处理的基础上，首先按照地物波谱特征差异将地物类型划分为三个主要层级。其次在每一层级中利用线性像元分解模型进行地物丰度计算，最后通过乘法模型计算林业植被在第一级地物中的丰度。
[0009]本专利技术具体包括以下步骤：
[0010]步骤一、影像预处理：
[0011]获取目标对象的GF1数据，借助GF1传感器的辐射定标参数对原始影像进行辐射定标、大气校正和几何校正。辐射定标将原始DN值转化为像元辐射亮度值，大气校正是利用FLAASH模型(Fast line
‑
of
‑
sight atmospheric analysis of spectral hypercubes)将辐射亮度值转化为地表实际反射率，几何校正首先选取同名地物点，采用最邻近像元法进行重采样，校正误差控制在0.2个像元。
[0012]步骤二、土地覆盖类型层级划分：根据地物波谱差异的大小将地物覆盖类型分类三个层级，第一层级为水体
‑
非水体层，第二层级为植被
‑
非植被层，第三层级为森林和非森林层；
[0013]步骤三、各层级内进行像元分解，提取各层级对应元素的丰度：
[0014]像元分解是从多地物光谱混合的数据中提取各种地物(端元)以及各成分的比例(丰度)。线性光谱混合模型(Linear Spectral Mixture Analysis，LSMA)定义像元在某一光谱波段的反射率是由构成像元的基本组分的反射率以其所占像元面积比例为权重系数的线性组合。LSMA通过下式计算：
[0015][0016]式中R
iλ
是λ波段上的i像元的波谱反射；n是地物数量；f
ki
是像元i内端元k所占的面积比例；R
kλ
是λ波段上端元k的波谱反射率；ε
iλ
是λ波段上像元i的误差。
[0017]比例系数f
k
应满足如下两个约束条件：
[0018][0019]f
ki
≥1
ꢀꢀ
(3)；
[0020]比例系数f
ki
通过最小二乘法计算，计算公式如下：
[0021][0022]式中ε
iλ
,R
iλ
,r
iλ
分别是λ波段上像元i的误差值，观察波谱值和估算波谱值。
[0023]分别按照步骤二所述三个层次选取端元，并利用LSMA模型在各层级进行像元分解提取对应地物的丰度。
[0024]步骤3.1、在第一层内提取水体和非水体：
[0025]水体端元选取自河流、湖泊、水库等清澈水体，非水体主要取自建筑物、道路、植被、裸地等，再利用LSMA模型和最小二乘法计算出水体和非水体的丰度。虽然纯净水体和含水量低的非水体的波谱差异明显，但高含水量的物质受水份影响较大，为了减少这种干扰，归一化水指数(NDWI)被计算以进一步修正水体和非水体的提取误差。NDWI计算公式为(绿波
‑
近红外)/(绿波+近红外)，只用NDWI指数小于零的非水体像元才能在下一级中被进一步
分解。
[0026]步骤3.2在第二层提取出植被和非植被:
[0027]由于光线的影响，光照下的植被和阴影下的植被光谱有较大的差异，因此本层级的植被被进一步分为光照植被和阴影植被，植被端元分别由光照条件下的植被和阴影下的植被选取。非植被被进一步分为裸地、高光不透水层和普通不透水层三类，非植被端元分别从对应的裸地、高光建筑和普通不透水层选取。利用LSMA模型分别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于分层乘法模型和高分1号数据的森林覆盖度提取方法，其特征在于：具体包括如下步骤：步骤一、影像预处理：获取目标对象的GF1数据，借助GF1传感器的辐射定标参数对原始影像进行辐射定标、大气校正和几何校正；步骤二、土地覆盖类型分层：根据地物波谱差异的大小分为第一层水体
‑
非水体层、第二层植被
‑
非植被层、第三层森林和非森林层；步骤三、在各层级内进行像元分解，提取各层级对应元素的丰度：步骤3.1、在第一层内分解出水体和非水体：选取水体端元和非水体端元，利用线性光谱混合模型LSMA模型和最小二乘法计算出水体和非水体的丰度；通过计算归一化水指数NDWI，减少高含水量物质的干扰；NDWI计算公式为：(绿波
‑
近红外)/(绿波+近红外)，只有NDWI指数小于零的非水体像元才能在下一级中被进一步分解；步骤3.2在第二层内分解出植被和非植被：植被分为光照植被和阴影植被，植被端元分别由光照条件下的植被和阴影下的植被选取；非植被分为裸地、高光效的不透水层和不透水层三类，非植被端元分别从对应的裸地、高光建筑和普通不透水层选取；利用LSMA模型分别获得光照植被、阴影植被、裸地、高光不透水层和一般不透水层的丰度，进而叠加光照植被和阴影植被为植被，叠加其余子类为非植被；步骤3.3、在第三层内分解出森林和非森林：森林端元分为光照森林和阴影森林，与非森林端元利用LSMA模型提取出各自丰度，然后光照森林和阴影森林叠加为森林类型，其余叠加为非森林类；步骤四、利用丰度值和分层乘法模型HMM计算森林的覆盖度：森林覆盖度是森林在最低层级的丰度与其所属类型在上一层级的丰度的函数，并递推至最高层级；根据LSMA模型计算结果，在第三层级森林丰度为f3，森林所属的植被类型在第二级的丰...

【专利技术属性】
技术研发人员：刘海建，袁小红，于之锋，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：