基于机器学习及多光谱影像的林木火灾受损信息提取方法技术

本发明专利技术涉及基于机器学习及多光谱影像的林木火灾受损信息提取方法，属于图像处理技术领域，包括：将获取的数据经过处理后进行受损林木光谱特征提取和受损林木纹理特征提取；采用平均不纯度减少方法进行特征重要性评价，并通过OOB误差进行最优特征参数的确定，得到最优的特征子集；通过最优的特征子集为基础分别建立支持向量机分类模型、K最邻近分类模型和随机森林分类模型，再以此提取林木受损信息并绘制样地林木受损程度类别实测区域与预测受损木的空间分布格局图。本发明专利技术多光谱无人机具有地面分辨率高、对植被健康程度敏感、操作灵活等特点，可快速获取过火区域的高空间分辨率影像。影像。影像。

【技术实现步骤摘要】
基于机器学习及多光谱影像的林木火灾受损信息提取方法


[0001]本专利技术涉及图像处理
，尤其涉及基于机器学习及多光谱影像的林木火灾受损信息提取方法。

技术介绍

[0002]森林火灾过后，林木树冠、树干形成层和树根被灼烧，形成不同损失程度的林木（烧毁木、烧死木、烧伤木和未伤木），对灾后植被生成造成极大影响；因此，在森林灾害研究中林木受害程度调查对于火灾评估及生态修复等具有重要作用。
[0003]传统的火灾林木受损信息获取是以野外样地勘察为基础，但是该方法不仅成本高、工作量大，且难以精确获取空间信息，因此，快速准确地提取出火烧迹地林木受害程度信息，能够为森林火灾受损木的调查效率、区域植被恢复规划及森林可持续发展等提供一定理论依据。近年来低空遥感技术的蓬勃发展为森林信息监测提供了新方法，无人机遥感因地面清晰度高、现势性好、机动灵活等优点，被逐渐应用于林火研究领域中；采用无人机遥感技术进行树冠火及地表火造成的林木树冠和树干受损程度调查可能会成为科学评估灾后林木损失的有效方法，是现代林火生态管理的发展趋势，但不同受损程度的林木影像信息识别方法仍是当下研究的热点问题。分类方法是影响遥感信息提取精度的枢纽，传统的分类模型如最大似然、平行六面体、最小距离和马氏距离等分类方法已被普遍应用于森林火灾研究中，由于遥感信息的统计分布具有较高的复杂性和随机性，特征空间中类别的分布比较分散且不符合事先假定的概率分布时，这些分类方法的分类结果将与真实状况相偏离，从而导致分类效果不佳，无法满足林木火灾受损程度信息提取的需求。随着计算机技术的飞速发展，机器学习算法为森林火灾调查评估提供了一种新的方式，它是从已知中获得规律，通过规则自动学习对未知进行预测，在处理多图像、尺度和聚集度之间的复杂交互方面，其效果优于传统的分类器，因此，如何通过机器学习来提高在遥感中普遍存在的强异质性地面区域的分类精度，进而实现林木火灾受损信息的提取，是目前需要考虑的问题。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺点，提供了一种基于机器学习及多光谱影像的林木火灾受损信息提取方法，解决了现有技术存在的不足。
[0006]本专利技术的目的通过以下技术方案来实现：基于机器学习及多光谱影像的林木火灾受损信息提取方法，所述受损信息提取方法包括：S1、将获取的数据经过处理后进行受损林木光谱特征提取和受损林木纹理特征提取；S2、采用平均不纯度减少方法进行特征重要性评价，并通过OOB误差进行最优特征参数的确定，得到最优的特征子集；
S3、通过最优的特征子集为基础分别建立支持向量机分类模型、K最邻近分类模型和随机森林分类模型，并通过支持向量机分类模型或者K最邻近分类模型或者随机森林分类模型提取林木受损信息并绘制样地林木受损程度类别实测区域与预测受损木的空间分布格局图。
[0007]所述受损信息提取方法包括：S1、将获取的数据经过处理后进行受损林木光谱特征提取和受损林木纹理特征提取；S2、采用平均不纯度减少方法进行特征重要性评价，并通过OOB误差进行最优特征参数的确定，得到最优的特征子集；S3、通过最优的特征子集为基础分别建立K最邻近分类模型和随机森林分类模型，并通过随机森林分类模型提取林木受损信息绘制第一样地林木受损程度类别实测区域与预测受损木的空间分布格局图，再通过K最邻近分类模型对面积小且分散的树林阴影和道路阴影信息进行提取，并绘制到第一样地林木受损程度类别实测区域与预测受损木的空间分布格局图中得到第二样地林木受损程度类别实测区域与预测受损木的空间分布格局图。
[0008]所述受损林木光谱特征提取包括：统计计算数据影像中道路、未伤木、烧伤木、烧死木以及烧毁木类型样本的NDVI、NDVI
rededge
、GNDVI、LCI、ARVI、PSRI和RVI七种植被指数的平均值和标准差；在可见光范围通过PSRI植被指数将道路与未伤木、烧伤木、烧死木以及烧毁木类型样本进行区分；统计未伤木、烧伤木、烧死木及烧毁木受损类型样本在多光谱无人机影像R、G、B、Rededge及NIR波段中的均值并绘制各地类的光谱曲线图，以此为基础，建立7种植被指数增强植被健康状态的识别，将未伤木和烧伤木与烧死木和烧毁木之间进行区分；计算各个植被指数的分离指数P来衡量各个植被指数区分各地物与其他地物的能力，根据各植被指数对各种地物与其他地物的能力，统计各植被指数的分离指数P≥1的数量，将分离指数P≥1数量最少的PSRI植被指数剔除。
[0009]所述受损林木纹理特征提取包括：采用灰度共生矩阵提取出统计量效果最优的8种纹理特征并切除均值，8种纹理特征包括均值、标准差、协同性、对比度、相异性、熵、角二阶矩和相关性；通过皮尔逊方法对纹理特征进行相关性分析，将8种纹理特征相互之间的相关系数大于预设值的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种之间不具备高度相关的纹理特征；通过斯皮尔曼方法对对纹理特征进行相关性分析，将8中纹理特征中各个纹理特征与其他纹理特征之间相关性大于预设值最多的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种不存在高度相关的纹理特征。
[0010]从8种纹理特征提取出来的5种纹理特征的目的：将相关度高的（大于0.9）纹理特征进行剔除，保留其余纹理特征，在不影响分类精度的情况下可减少纹理特征信息的冗余，优化地物特征信息，有效提高运行效率和分类效果图；通过受损林木纹理特征提取步骤进行初步筛选，再进行S2步骤进行优选。
[0011]所述S2步骤的具体包括以下内容：
第个决策树节点的指数计算公式为其中，指类别数目，指位于节点处类别的样本权重，指第个决策树节点的系数，指位于节点处类别的样本权重，指类别，指不为类别的类别；特征在第个决策树节点分裂前后指数的变化程度为，其中，、表示决策树分裂后两个新节点的指数，如果在决策树中的集合为M，则处于第个决策树的重要性为，如果模型中共有Z棵决策树，则公式转换为，将特征重要性结果进行归一化处理为，N表示特征数量，n表示第n个特征，此处的特征包括光谱特征和纹理特征的总和；将每个特征的重要性按降序排列，从上至下顺次选择特征，首先选择重要性位居第一的额特征，下一次选择重要性排序位于前面的两个特征，以此类推直到全部特征进行了的OOB误差估计评价，判断最优特征参数数目，其中，和分别代表袋外数据，指数据个数，m表示训练集，表示m个训练集第c个特征变量在袋外数据的比率，表示m个训练集第s个特征变量在袋外数据的比率。
[0012]所述特征包括5个单波段、6种植被指数和10个纹理特征；
[0013]所述特征包括5个单波段、6种植被指数和10个纹理特征；所述5个单波段包括红波段、绿波段、蓝波段、红边波段和近红外波段；所述6种植被指数包括NDVI、NDVI
rededge
、ARVI、RVI、GNDVI和LC本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述受损信息提取方法包括：S1、将获取的数据经过处理后进行受损林木光谱特征提取和受损林木纹理特征提取；S2、采用平均不纯度减少方法进行特征重要性评价，并通过OOB误差进行最优特征参数的确定，得到最优的特征子集；S3、通过最优的特征子集为基础分别建立支持向量机分类模型、K最邻近分类模型和随机森林分类模型，并通过支持向量机分类模型或者K最邻近分类模型或者随机森林分类模型提取林木受损信息并绘制样地林木受损程度类别实测区域与预测受损木的空间分布格局图。2.根据权利要求1所述的基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述受损林木光谱特征提取包括：统计计算数据影像中道路、未伤木、烧伤木、烧死木以及烧毁木类型样本的NDVI、NDVI
rededge
、GNDVI、LCI、ARVI、PSRI和RVI七种植被指数的平均值和标准差；在可见光范围通过PSRI植被指数将道路与未伤木、烧伤木、烧死木以及烧毁木类型样本进行区分；统计未伤木、烧伤木、烧死木及烧毁木受损类型样本在多光谱无人机影像R、G、B、Rededge及NIR波段中的均值并绘制各地类的光谱曲线图，以此为基础，建立7种植被指数增强植被健康状态的识别，将未伤木和烧伤木与烧死木和烧毁木之间进行区分；计算各个植被指数的分离指数P来衡量各个植被指数区分各地物与其他地物的能力，根据各植被指数对各种地物与其他地物的能力，统计各植被指数的分离指数P≥1的数量，将分离指数P≥1数量最少的PSRI植被指数剔除。3.根据权利要求1所述的基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述受损林木纹理特征提取包括：采用灰度共生矩阵提取出统计量效果最优的8种纹理特征并切除均值，8种纹理特征包括均值、标准差、协同性、对比度、相异性、熵、角二阶矩和相关性；通过皮尔逊方法对纹理特征进行相关性分析，将8种纹理特征相互之间的相关系数大于预设值的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种之间不具备高度相关的纹理特征；通过斯皮尔曼方法对对纹理特征进行相关性分析，将8中纹理特征中各个纹理特征与其他纹理特征之间相关性大于预设值最多的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种不存在高度相关的纹理特征。4.根据权利要求1所述的基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述S2步骤的具体包括以下内容：第个决策树节点的指数计算公式为其中，指类别数目，指位于节点处类别的样本权重，指第个决策树节点的系数，指位于节点处类别的样本权重，指类别，指不为类别的类
别；特征在第个决策树节点分裂前后指数的变化程度为，其中，表示决策树分裂后两个新节点的指数，如果在决策树中的集合为，则处于第个决策树的重要性为，如果模型中共有Z棵决策树，则公式转换为，将特征重要性结果进行归一化处理为，N表示特征数量，n表示第n个特征；将每个特征的重要性按降序排列，从上至下顺次选择特征，首先选择重要性位居第一的特征，下一次选择重要性排序位于前面的两个特征，以此类推直到全部特征进行了的OOB误差估计评价，判断最优特征参数数目，其中，分别代表袋外数据，分别表示随机改变袋外数据第个特征变量，指数据个数，m表示训练集，表示m个训练集第c个特征变量在袋外数据的比率，表示m个训练集第s个特征变量在袋外数据的比率。5.根据权利要求4所述的基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述特征包括5个单波段、6种植被指数和10个纹理特征；所述5个单波段包括红波段、绿波段、蓝波段、红边波段和近红外波段；所述6种植被指数包括NDVI、NDVI
rededge
、ARVI、RVI、GNDVI和LCI；所述10个纹理特征包括角二阶矩红边波段、角二阶矩绿波段、角二阶矩近红外波段、角二阶矩红波段、角二阶矩蓝波段、标准差红波段、标准差绿波段、标准差红边波段、标准差蓝波段、相异性红边波段。6.基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述受损信息提取方法...

【专利技术属性】
技术研发人员：叶江霞，崔中耀，赵爽，全文斌，
申请(专利权)人：西南林业大学，
类型：发明
国别省市：