【技术实现步骤摘要】
本专利技术涉及一种湿地植物群落分类方法。
技术介绍
1、湿地被认为是生物多样性和生产力最高的生态系统之一，可以维持气候稳定、净化水质和提供栖息地等，而作为一定地理单元内所有植物组合的植物群落是评估生态系统健康的重要指标。由环境变化引起的湿地植物群落变化最终会对湿地重要的生态系统功能产生影响，因此，了解湿地植物群落的分布对于生物多样性保护和湿地可持续管理至关重要，尤其是对于候鸟而言。基于遥感影像的图像分类技术是进行湿地制图的主要方法，并已经在地区、国家和全球尺度上进行了基于各种特征(多光谱、植被指数、高光谱、纹理、极化和物候等)和多种方法(支持向量机、决策树、随机森林和深度学习等)的湿地分类研究。然而，受到道路可达性、光谱相似性、研究成本和时间等因素的限制，大部分湿地植物群落的制图不足以进行湿地健康评估，无法快速准确识别湿地植物群落分布范围，而且许多研究提出的分类方法往往仅适用于特定的场合，泛化能力差。
技术实现思路
1、本专利技术为了解决现有遥感技术无法快速准确识别湿地植物群落分布范围的技术问题，提供了一种湿地植物群落精细分类方法，是一种基于云计算和多模态时空遥感大数据的湿地植物群落精细分类方法。
2、本专利技术湿地植物群落精细分类方法按照以下步骤进行：
3、步骤一、根据研究区域的情况，确定湿地植物群落的分类系统；
4、步骤二、使用实地调查和目视解译结合的方法获取分类系统中的样本点并构建样本库，其中，便携式手持gps设备被用于实地调查，高分辨率的
5、步骤三、google earth engine中的sentinel-1、sentinel-2和dem数据被用于湿地植物群落遥感分类；使用google earth engine上的函数对sentinel-1，sentinel-2和dem遥感数据分别进行预处理；其中，sentinel-1影像使用“refined lee”滤波器进行斑点抑制处理；sentinel-2数据进行批量镶嵌、裁剪、云掩膜和水体掩膜的预处理；对dem数据进行重采样；
6、步骤四、分别从预处理后的sentinel-1和sentinel-2时间序列数据和dem数据提取极化、物候和地形特征以构建特征向量集，即使用中值滤波和波段的线性组合从sentinel-1时间序列数据提取vv、vh、sar_sum、sar_diff和sar_ndvi共5个极化特征，其中sar_sum、sar_diff和sar_ndvi的计算公式如下：
7、sar_sum＝vh+vv
8、sar_diff＝vh-vv
9、sar_ndvi＝sar_diff-sar_sum
10、然后，分别计算所有sentinel-2数据的ndvi、ireci和ndwi并构建时间序列数据，进行二项傅立叶函数拟合并提取物候特征，公式如下：
11、
12、
13、
14、yt＝β0+β1cos(wt)+β2sin(wt)+β3cos(2wt)+β4sin(2wt)+et
15、上式中，w表示角频率w＝2π/t，t表示当前年份的总天数，t表示年内天数(day)，et是随机误差，β0到β4是系数；
16、其中基于ndvi和ireci的物候特征包括：sos(生长季开始的年内天数)、eos(生长季结束的年内天数)、los(生长季的长度)、mos(生长季峰值对应的年内天数)、bv(基值)、sa(生长季的振幅)、irs(生长季初期的变绿速率)和drs(生长季末期的变黄速率)；二项傅立叶函数拟合后的ndwi时间序列与植被生长变化不一致，因此基于ndwi的时序特征(提取原理与物候特征相同)主要为从拟合曲线中提取的拐点信息；主要包括：mv(拟合曲线的最大值)、mos(拟合曲线最大值对应的年内天数)、bv(拟合曲线的基值)、bvd(基值对应的年内天数)、mvl(拟合曲线在春季达到的最大值)、mvld(春季最大值对应的年内天数)、mvr(拟合曲线在秋季达到的最大值)、mvrd(秋季最大值对应的年内天数)和sa(拟合曲线的振幅)；最后，使用函数“ee.terrain.slope()”从dem提取坡度信息，并与高程共同构成地形特征；
17、步骤五、在google earth engine上构建100棵决策树的随机森林分类器，其中每个节点分裂时选择的特征数量设置为5；
18、步骤六、采用分层随机抽样对步骤二的样本库进行划分；随机选取60％的样本数据作为随机森林模型学习的训练集，对研究区域内的每个像素进行分类并生成湿地植物群落的分布图，剩余的40％的样本数据以混淆矩阵的形式用于测试分类的准确性；即实现了湿地植物群落的精细分类。
19、本专利技术实现了应用遥感技术准确快速绘制湿地植物群落空间分布的问题。本专利技术首先根据研究区域的实际情况确定分类系统，包括湿地植物群落类型和非湿地类型；然后通过实地调查和目视解译两种方法获取分类系统中各类型的样本，从而构建样本库。实地调查时使用便携式手持gps设备对各类型进行定位，通过目视解译谷歌地球的高分辨率影像以扩充样本数据。从google earth engine调用sentinel-1，sentinel-2和dem数据并分别进行预处理。其中，对sentinel-1进行斑点抑制处理；对sentinel-2进行批量镶嵌，裁剪，云掩膜和水体掩膜等处理；对dem数据进行重采样。然后分别从三种遥感数据中提取极化，物候和地形特征以构建特征向量集。随后使用分层随机抽样的方法将构建的样本库划分为两部分，60％作为训练样本，40％作为验证样本。最后利用构建的随机森林分类模型进行分类，并对研究区域的湿地植物群落进行制图。
20、本专利技术克服了道路可达性、光谱相似性、研究成本和时间等因素对湿地植物群落遥感分类的局限性，解决了常规特征区分不同湿地植物群落精度不足的问题。本专利技术所涉及的湿地植物群落遥感分类方法快捷准确，具有可重复性和较强的泛化能力。对于区域或全国尺度的湿地植物群落年度动态监测，实现湿地可持续管理和健康评估具有重要意义。
本文档来自技高网...【技术保护点】
1.一种湿地植物群落精细分类方法，其特征在于湿地植物群落精细分类方法按照以下步骤进行：
【技术特征摘要】
1.一种湿地植物群落精细分类方法，其特征在于...
【专利技术属性】
技术研发人员：冯凯东，毛德华，焉恒琦，蒲海光，
申请(专利权)人：中国科学院东北地理与农业生态研究所，
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。