【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。