一种基于时间序列影像的植被群落变化分类方法及系统技术方案

本发明专利技术提出了一种基于时间序列影像的植被群落变化分类方法及系统。该方法为：获取时间序列多光谱森林影像数据并对其进行预处理；对多个植被光谱指数进行波段计算，并结合影像进行植被群落的预分类，选取出预分类植被光谱指数；基于SVM算法对预分类植被光谱指数对应的预分类影像图进行二次分类，得到各个预分类植被光谱指数下的二次植被群落分类结果影像图；用验证影像对各个预分类植被光谱指数下的二次植被群落分类结果影像图进行验证，得到各个预分类植被光谱指数对应的分类精度；选取分类精度最高的预分类植被指数作为植被群落时间序列监测的最佳植被光谱指数。本方法可有效提高分类的精度和可靠性。提高分类的精度和可靠性。提高分类的精度和可靠性。

【技术实现步骤摘要】
一种基于时间序列影像的植被群落变化分类方法及系统


[0001]本专利技术涉及森林植被群落变化领域，具体涉及一种基于时间序列影像的植被群落变化分类方法及系统。

技术介绍

[0002]森林是重要的全球资源，也是陆地生态系统的主体，在维持生态平衡、维护生物多样性、促进全球碳循环等方面起到关键作用。全球变暖与林火干扰程度的加剧导致森林生态系统正在遭受前所未有的威胁。研究林火干扰、气候变化与植被早期再生之间的影响机制，有利于缓解全球变暖趋势、提高森林生产力与生物多样性。这其中就包括了对林火干扰、气候变化前后植被群落变化的监测。
[0003]目前基于遥感技术的遥感影像植被分类是恢复生态与林火生态遥感技术中的一个重要应用，如基于时间序列Sentinel
‑
2(MSI)的10米分辨率的影像数据进行分类监测，但其在乔灌木群落混合度极高的研究区，其分类效果不佳，很难实现对乔木群落与灌木群落的准确监测。如果要进一步提高监测的准确性，势必需要提高影像数据的精度，如0.5米高空间分辨率影像，但0.5米高空间分辨率影像的获取极为不易，有些地方甚至无法获取。因此，如何基于遥感技术得到的时间序列影像进行更准确的植被群落变化分类是目前亟需解决的问题。

技术实现思路

[0004]为了克服上述现有技术中存在的缺陷，本专利技术的目的是提供一种基于时间序列影像的植被群落变化分类方法及系统。
[0005]为了实现本专利技术的上述目的，本专利技术提供了一种基于时间序列影像的植被群落变化分类方法，包括以下步骤：r/>[0006]获取一段时间段内的时间序列多光谱森林影像数据并对其进行预处理；
[0007]基于预处理后的时间序列多光谱森林影像数据对多个不同的植被光谱指数进行波段计算，并结合所述时间序列多光谱森林影像进行植被群落的预分类，得到各植被光谱指数下的预分类影像图，并筛选出预分类植被光谱指数；
[0008]基于SVM算法对所述预分类植被光谱指数对应的预分类影像图进行二次分类，得到各个预分类植被光谱指数下的二次植被群落分类结果影像图；
[0009]用验证影像对各个预分类植被光谱指数下的二次植被群落分类结果影像图进行验证，得到各个预分类植被光谱指数对应的预分类影像图在二次分类后的分类精度；
[0010]选取分类精度最高的预分类植被指数作为植被群落时间序列监测的最佳植被光谱指数；
[0011]基于所述最佳植被光谱指数对待分类植被的时间序列影像进行所述预分类和二次分类，得到待分类植被的群落变化分类结果。
[0012]本方法提高了植被的群落变化分类的准确性和可靠性。
[0013]在该方法的一种优选方案中，所述验证影像为与所述时间序列多光谱森林影像数据所属同一地点同一时期的历史影像，所述验证影像中的历史影像的分辨率高于所述时间序列多光谱森林影像数据的分辨率。
[0014]在该方法的一种优选方案中，基于预处理后的时间序列多光谱森林影像数据对归一化植被指数NDVI、植被增强指数NDRE、改良土壤调整植被指数MSAVI、归一化差异红边植被指数EVI和归一化燃烧指数NBR五种光谱指数进行了波段计算：
[0015]归一化植被指数NDVI＝(NIR
865
‑
R
665
)/(NIR
865
+R
665
)，
[0016]植被增强指数EVI EVI＝2.5[(NIR
865
‑
R
665
)/(NIR
865
+6R
665
‑
7.5B
490
)+1]，
[0017]改良土壤调整植被指数
[0018]归一化差异红边植被指数NDRE＝(NIR
865
‑
RedEdge
705
)/(NIR
865
+RedEdge
705
)，
[0019]归一化燃烧指数NBR＝(NIR
865
‑
SWIR
2190
)/(NIR
865
+SWIR
2190
)；
[0020]所述NIR
865
指时间序列多光谱森林影像中近红外波段的光谱数据，所述R
665
指时间序列多光谱森林影像中红色波段的光谱数据，所述B
490
指时间序列多光谱森林影像中蓝色波段的光谱数据，所述RedEdge
705
指时间序列多光谱森林影像中红边波段的光谱数据，所述SWIR
2190
指时间序列多光谱森林影像中短波红外波段的光谱数据。
[0021]在该方法的一种优选方案中，用验证影像对各个预分类植被光谱指数下的二次植被群落分类结果影像图进行验证后，根据分类结果和实际标签之间的对应关系计算各个预分类植被光谱指数下的二次植被群落分类结果影像图对应的参数：总体准确度其中，P
ii
是植被群落i的正确分类的样本数量；N表示样本总数；R
i
表示验证影像中植被群落i的总数；
[0022]将总体准确度OA作为分类精度。
[0023]在该方法的一种优选方案中，基于SVM算法对所述预分类植被光谱指数对应的预分类影像图进行二次分类时，得到各个时间序列段内各个预分类植被光谱指数下的二次植被群落分类结果影像图；
[0024]用验证影像对各个时间序列段内各个预分类植被光谱指数下的二次植被群落分类结果影像图进行验证，得到各个时间序列段内各个预分类植被光谱指数对应的分类精度；
[0025]将各个时间序列段内各个预分类植被光谱指数对应的分类精度取平均值，得到各个预分类植被光谱指数对应的平均分类精度；
[0026]选取平均分类精度最高的预分类植被指数作为植被群落时间序列监测的最佳植被光谱指数。
[0027]在该方法的一种优选方案中，预分类时，基于K
‑
Means聚类算法筛选所述多个植被光谱指数，结合所述时间序列多光谱森林影像进行植被群落的预分类。
[0028]本专利技术还提出了一种植被群落变化分类系统，包括数据获取模块，处理器和存储器，所述数据获取模块获取所述时间序列多光谱森林影像数据并传输给处理器，所述处理器和存储器通信连接，所述存储器用于存放至少一个可执行指令，所述可执行指令使所述
处理器执行如上述的基于时间序列影像的植被群落变化分类方法对应的操作以得到植被群落变化的分类结果。
[0029]本专利技术的有益效果是：本方法基于植被光谱指数利用K
‑
Means聚类算法进行预分类和SVM算法进行二次分类，并用验证影像选取出最佳植被光谱指数，基于该最佳植被光谱指数对待分类植被的时间序列影像分类，提高了分类的准确性和可靠性，解决了空间分辨率不高的时间序列影像分类不准确的问题，特别适用于无法或不容易获取高精度影像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列影像的植被群落变化分类方法，其特征在于，包括以下步骤：获取一段时间段内的时间序列多光谱森林影像数据并对其进行预处理；基于预处理后的时间序列多光谱森林影像数据对多个不同的植被光谱指数进行波段计算，并结合所述时间序列多光谱森林影像进行植被群落的预分类，得到各植被光谱指数下的预分类影像图，并筛选出预分类植被光谱指数；基于SVM算法对所述预分类植被光谱指数对应的预分类影像图进行二次分类，得到各个预分类植被光谱指数下的二次植被群落分类结果影像图；用验证影像对各个预分类植被光谱指数下的二次植被群落分类结果影像图进行验证，得到各个预分类植被光谱指数对应的预分类影像图在二次分类后的分类精度；选取分类精度最高的预分类植被指数作为植被群落时间序列监测的最佳植被光谱指数；基于所述最佳植被光谱指数对待分类植被的时间序列影像进行所述预分类和二次分类，得到待分类植被的群落变化分类结果。2.根据权利要求1所述的基于时间序列影像的植被群落变化分类方法，其特征在于，基于预处理后的时间序列多光谱森林影像数据对归一化植被指数NDVI、植被增强指数NDRE、改良土壤调整植被指数MSAVI、归一化差异红边植被指数EVI和归一化燃烧指数NBR五种光谱指数进行了波段计算：归一化植被指数NDVI＝(NIR
865
‑
R
665
)/(NIR
865
+R
665
)，植被增强指数EVI＝2.5[(NIR
865
‑
R
665
)/(NIR
865
+6R
665
‑
7.5B
490
)+1]，改良土壤调整植被指数归一化差异红边植被指数NDRE＝(NIR
865
‑
RedEdge
705
)/(NIR
865
+RedEdge
705
)，归一化燃烧指数NBR＝(NIR
865
‑
SWIR
2190
)/(NIR
865
+SWIR
2190
)；所述NIR
865
指时间序列多光谱森林影像中近红外波段的光谱数据，所述R
665
指时间序列多光谱...

【专利技术属性】
技术研发人员：梁亚权，陈志莉，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：