一种非耕作生境植被特征提取方法和系统技术方案

本发明专利技术提供一种非耕作生境植被特征提取方法和系统，提取方法中，首先，使用机器学习分类方法对待提取区域内的耕地系统景观进行分类；然后，根据耕地系统景观分类的结果，选取非耕作生境中植被长势特征提取分析，对研究区域的植被覆盖度进行估算，并评价植被长势情况；最后，确定遥感数据监测植物多样性的最佳空间尺度并分析纹理特征，将纹理特征等作为自变量建立植物多样性预测模型，预测研究区域植物多样性特征情况。提升了非耕作生境植被特征提取的精度与效率，利用非耕作生境的植被特征模型预测结果能够为改善现有非耕作生境质量，推进农田生态系统修复提供科学依据，是开展山水林田湖草综合治理效果评估的有效手段。田湖草综合治理效果评估的有效手段。田湖草综合治理效果评估的有效手段。

【技术实现步骤摘要】
一种非耕作生境植被特征提取方法和系统


[0001]本专利技术涉及高分辨率遥感影像分析与应用
，特别是涉及一种提取非耕作生境的植被特征的方法和系统。

技术介绍

[0002]农田及其周边的沟渠、荒草地、小片林地(林带)、灌丛草地、田间道路等非耕作生境构成的耕地系统景观镶嵌体，是人类生活资料的主要来源。在耕地系统景观中维持一定比例的高异质性的非耕作生境，可为耕地系统景观中的绝大部分物种提供生存所需的资源和环境(如食物源、物种源、避难所、繁殖地等)。非耕作生境中植被的长势和群落生物多样性对农田景观中的生物多样性产生重要影响，准确识别并获取植被长势特征和群落生物多样性及其空间位置信息。传统的野外调查方法，可以在样方尺度上获得较高精度的生物多样性数据。
[0003]然而该方法需要花费大量的人力物力资源，因此遥感数据逐渐成为了生物多样性监测的重要数据源，由于受到遥感数据分辨率的限制，在一定尺度上充分提取非耕作生境的植被特征仍存在困难，难以满足一定区域中的生物多样性制图要求。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种非耕作生境植被特征提取方法和系统，以实现非耕作生境中植被特征的预测，进而实现从样方尺度到较大尺度非耕作生境特征提取的技术进步。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]本专利技术提供了一种非耕作生境植被特征提取方法，所述预测方法包括如下步骤：
[0007]获取样区的高分辨率遥感影像，基于高分辨率影像进行特征提取，得到植被特征数据和高分辨率影像数据；所述植被特征数据包括：光谱特征、几何特征、植被纹理特征和植被遥感特征；
[0008]根据每个非耕作生境样区的植被特征数据和高分辨率影像数据建立非耕作生境植被特征预测模型；所述预测模型包括：植被覆盖预测模型和植被多样性预测模型；所述植被覆盖预测模型为利用像元二分法模型原理建立的以植被覆盖度为被解释变量，以植被遥感特征为解释变量的模型；所述植被多样性预测模型为利用线性回归原理建立的以植被多样性为被解释变量，以植被纹理特征为解释变量的模型；
[0009]结合无人机低空实测遥感影像数据和野外调研数据评价所述植被覆盖预测模型和所述植被多样性预测模型的模型精度，输出模型精度最高的模型；
[0010]将植被遥感特征数据和植被纹理特征数据变量分别输入模型精度最高的植被覆盖预测模型和植被多样性预测模型，预测待预测区植被覆盖度和植被多样性空间分布特征。
[0011]进一步地，根据高分辨率影像数据和植被特征数据建立非耕作生境植被特征预测
模型，包括：
[0012]利用像元二分法模型原理建立以植被覆盖度为被解释变量，以植被遥感特征为解释变量的模型；利用线性回归原理建立以植被多样性为被解释变量，以植被纹理特征为解释变量的模型；
[0013]将表征植被遥感特征和纹理特征的相关参数分别输入对应模型中，建立多个不同参数的模型；
[0014]相应地，结合无人机低空实测遥感影像数据和野外调研数据评价所述植被覆盖预测模型和所述植被多样性预测模型的模型精度，包括：
[0015]根据无人机低空实测遥感影像数据、野外调研数据和不同参数建立的模型，计算各个模型的预测误差；
[0016]根据预测误差的大小，选择能精确解释植被覆盖度和植被多样性的解释变量参数，输出模型。
[0017]进一步地，计算各个模型的预测误差，包括：
[0018]利用公式计算非耕作生境植被特征实测数据和预测结果的均方差RMSE；
[0019]利用公式计算非耕作生境植被特征实测数据和预测结果的相关系数R2；
[0020]式中，x
i
和y
i
分别为第i个样方的有影像特征变量的预测结果和第i个样方的非耕作生境植被特征的实测数据；n表示的个数；和分别是n个样方的预测结果和非耕作生境植被特征的平均值；r是预测结果和植被特征之间的皮尔逊相关系数。
[0021]进一步地，判断解释变量参数的精度，包括：
[0022]若判断结果为R
2a
>R
2b
，则所述模型的解释变量为a，精确度更高；
[0023]若判断结果为R
2a
<R
2b
，则所述模型的解释变量为b，精确度更高。
[0024]若判断结果为RMSE
a
<RMSE
b
，则所述模型的解释变量为a，精确度更高；
[0025]若判断结果为RMSE
a
>RMSE
b
，则所述模型的解释变量为b，精确度更高。
[0026]式中，a，b分别代表影像特征变量，R2与RMSE分别为模型估算的植被特征与实测值之间的决定系数和均方根误差，R2的数值越接近1表明精度越高，RMSE的数值越小，精准度越高。
[0027]进一步地，基于高分辨率影像进行特征提取，包括：影像分割尺度优选和特征提取与优选；
[0028]所述影像分割尺度优选，包括：
[0029]利用多尺度分割算法，设定尺度参数和异质性参数；
[0030]利用多层尺度参数优选工具，自动识别加入工程中的数据层次，通过不断增加尺度参数对数据集进行迭代分割，计算所有层中分割对象的平均同质性局部方差，得到分割结果；
[0031]对比分割结果，确定最优分割尺度；
[0032]所述特征提取与优选，包括：
[0033]对样区的高分辨率影像的光谱特征、几何特征、纹理特征和遥感特征进行提取；
[0034]通过目视解译选择训练样本，并在随机森林模型进行筛选，降低特征冗余，得到筛选后的特征变量。
[0035]进一步地，得到筛选后的特征变量，包括：
[0036]将每个样区的分类特征值作为变量输入随机森林模型，根据随机森林模型中的重要性函数计算各个变量的重要性，根据节点不纯度平均减小值的大小对变量的重要性进行排序；
[0037]对重要值较小的特征变量进行迭代消除，根据消除后剩余变量的建模精度变化优选特征。
[0038]进一步地，确定非耕作生境范围，包括：采用重要性函数的优选结果并从该维度上构建优选特征集，使用随机森林分类器完成该维度下的景观类别的划分；
[0039]通过对验证样本和分类结果的比较，得到混淆矩阵，从混淆矩阵中计算全局精度、制图精度、用户精度和Kappa系数对影像的分类结果进行评价，对比分类结果与实际结果之间的吻合度；
[0040]得到随机森林分类器下的景观分类结果，并提取出非耕作生境。
[0041]进一步地，得到高分辨率影像数据，包括：利用高分二号影像和低空无人机获取的厘米级高分辨率可见光影像，计算所得到的植被覆盖度及植物多样性。
[0042]本专利技术还提供了一种非耕作生境植被特征提取系统，所述系统包括：
[0043]样本数据获取模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非耕作生境植被特征提取方法，其特征在于，所述预测方法包括如下步骤：获取样区的高分辨率遥感影像，基于高分辨率影像进行特征提取，得到植被特征数据和高分辨率影像数据；所述植被特征数据包括：光谱特征、几何特征、植被纹理特征和植被遥感特征；根据每个非耕作生境样区的植被特征数据和高分辨率影像数据建立非耕作生境植被特征预测模型；所述预测模型包括：植被覆盖预测模型和植被多样性预测模型；所述植被覆盖预测模型为利用像元二分法模型原理建立的以植被覆盖度为被解释变量，以植被遥感特征为解释变量的模型；所述植被多样性预测模型为利用线性回归原理建立的以植被多样性为被解释变量，以植被纹理特征为解释变量的模型；结合无人机低空实测遥感影像数据和野外调研数据评价所述植被覆盖预测模型和所述植被多样性预测模型的模型精度，输出模型精度最高的模型；将植被遥感特征数据和植被纹理特征数据变量分别输入模型精度最高的植被覆盖预测模型和植被多样性预测模型，预测待预测区植被覆盖度和植被多样性空间分布特征。2.根据权利要求1所述的一种非耕作生境植被特征提取方法，其特征在于，根据高分辨率影像数据和植被特征数据建立非耕作生境植被特征预测模型，包括：利用像元二分法模型原理建立以植被覆盖度为被解释变量，以植被遥感特征为解释变量的模型；利用线性回归原理建立以植被多样性为被解释变量，以植被纹理特征为解释变量的模型；将表征植被遥感特征和纹理特征的相关参数分别输入对应模型中，建立多个不同参数的模型；相应地，结合无人机低空实测遥感影像数据和野外调研数据评价所述植被覆盖预测模型和所述植被多样性预测模型的模型精度，包括：根据无人机低空实测遥感影像数据、野外调研数据和不同参数建立的模型，计算各个模型的预测误差；根据预测误差的大小，选择能精确解释植被覆盖度和植被多样性的解释变量参数，输出模型。3.根据权利要求2所述的一种非耕作生境植被特征提取方法，其特征在于，计算各个模型的预测误差，包括：利用公式计算非耕作生境植被特征实测数据和预测结果的均方差RMSE；利用公式计算非耕作生境植被特征实测数据和预测结果的相关系数R2；式中，x
i
和y
i
分别为第i个样方的有影像特征变量的预测结果和第i个样方的非耕作生境植被特征的实测数据；n表示的个数；和分别是n个样方的预测结果和非耕作生境植被特征的平均值；r是预测结果和植被特征之间的皮尔逊相关系数。
4.根据权利要求3所述的一种非耕作生境植被特征提取方法，其特征在于，判断解释变量参数的精度，包括：若判断结果为R
2a
>R
2b
，则所述模型的解释变量为a，精确度更高；若判断结果为R
2a
<R
2b
，则所述模型的解释变量为b，精确度更高。若判断结果为RMSE
a
<RMSE
b
，则所述模型的解释变量为a，精确度更高；若判断结果为RMSE
a
>RMSE
b
，则所述模型的解释变量为b，精确度更高。...

【专利技术属性】
技术研发人员：边振兴，张宇飞，周俊，果晓玉，王帅，毕建平，刘明华，王志彪，
申请(专利权)人：建平盛德日新矿业有限公司，
类型：发明
国别省市：