基于植被指數(shù)時序數(shù)據(jù)離散度的森林信息遙感自動提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理領(lǐng)域，特別涉及基于植被指數(shù)時序數(shù)據(jù)離散度的森林信息遙感自動提取方法。
【背景技術(shù)】
[0002]快速準(zhǔn)確獲取不同類型的森林分布信息對于全球碳循環(huán)的研宄并確保生態(tài)系統(tǒng)安全至關(guān)重要。傳統(tǒng)的森林資源調(diào)查方法難以快速高效地獲取森林空間分布信息，無法滿足現(xiàn)代森林資源管理的需求。由于遙感數(shù)據(jù)具有大范圍、高時效以及免費(fèi)數(shù)據(jù)日趨豐富等優(yōu)點(diǎn)，基于遙感時序數(shù)據(jù)開展大面積的森林資源監(jiān)測不失為一種有效途徑。
[0003]時序遙感數(shù)據(jù)能有效地刻畫不同地物類型在一年四季甚至多年的變化特征，信息的維度大大增加，從而有效地緩解了“同物異譜”和“異物同譜”這一遙感分類的大難題。近年來，隨著遙感數(shù)據(jù)源的不斷豐富，基于時序遙感數(shù)據(jù)的分類技術(shù)已經(jīng)成為遙感分類的主流研宄方向。在森林監(jiān)測方面，比較常用的方法有曲線擬合法以及物候參數(shù)法。曲線擬合法首先建立森林的標(biāo)準(zhǔn)植被指數(shù)時序曲線，通過計算和標(biāo)準(zhǔn)曲線的距離，衡量未知像元植被指數(shù)時序曲線與標(biāo)準(zhǔn)植被指數(shù)時序曲線的相似度，從而最終實(shí)現(xiàn)森林信息提取。物候參數(shù)法的研宄思路為:首先從時序數(shù)據(jù)曲線圖中提取與植被物候密切相關(guān)的參數(shù)，如植被開始生長時間、峰值時間與峰值高度、結(jié)束生長時間、不同物候期內(nèi)的平均值與增長率等等參數(shù)，依據(jù)這些物候參數(shù)在不同植被類型的值域范圍進(jìn)行分類。這兩類遙感時序分類方法均具有一定的合理性，也取得了比較好的應(yīng)用效果。但其不足之處在于:由于植被物候不可避免地受到海拔、地形、氣候等因素的影響，很難建立不同地物的標(biāo)準(zhǔn)時序曲線和理想的物候參數(shù)分布區(qū)間，從而直接影響到分類精度。因此，如何有效地避開建立標(biāo)準(zhǔn)時序曲線或物候參數(shù)分布的思路，設(shè)計魯棒性強(qiáng)的時序遙感分類方法，成為遙感技術(shù)應(yīng)用的瓶頸。本研宄本著這種思路，建立基于植被指數(shù)時序數(shù)據(jù)離散度的森林信息遙感自動提取方法，為快速高效地開展森林資源調(diào)查提供相關(guān)技術(shù)方法。
[0004]在森林信息遙感自動提取中術(shù)語解釋如下:M0DIS數(shù)據(jù):中分辨率成像光譜儀數(shù)據(jù)，全稱為 Moderate Resolut1n Imaging Spectrorad1meterο 植被指數(shù):植被指數(shù)是表征植被生長狀態(tài)以及空間分布密度的因子。常見的植被指數(shù)有NDVI和EVI。NDVI為歸一化植被指數(shù)，全稱為Normalized Difference Vegetat1n Index。EVI為增強(qiáng)型植被指數(shù)，全稱為Enhanced Vegetat1n Index。年內(nèi)逐日植被指數(shù)時序數(shù)據(jù):從元旦開始，按時間順序，逐日記錄一年內(nèi)的植被指數(shù)的數(shù)據(jù)列。離散度:離散程度(Measures of Dispers1n)，即觀測變量各個取值之間的差異程度，可以通過極差、標(biāo)準(zhǔn)差以及四分位距等指標(biāo)表示。

【發(fā)明內(nèi)容】

[0005]有鑒于此，本發(fā)明的目的是提供基于植被指數(shù)時序數(shù)據(jù)離散度的森林信息遙感自動提取方法，該方法適用于大范圍快速遙感監(jiān)測的需求，具有自動化程度高、簡單易用、魯棒性好以及分類精度高的特點(diǎn)。
[0006]本發(fā)明采用以下方案實(shí)現(xiàn):一種基于植被指數(shù)時序數(shù)據(jù)離散度的森林信息遙感自動提取方法，包括以下步驟:
步驟SOl:建立研宄區(qū)年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)；
步驟S02:構(gòu)建整體離散度指標(biāo)P ；
步驟S03:構(gòu)建中高值離散度指標(biāo)DM ；
步驟S04:構(gòu)建生長旺期離散度指標(biāo)DH以及高值持續(xù)性指標(biāo)TH ；
步驟S05:建立森林分類流程圖；
步驟S06:根據(jù)所述步驟S05的分類流程圖，逐像元對植被指數(shù)進(jìn)行遙感自動提取，生成研宄區(qū)森林分布圖。
[0007]進(jìn)一步地，所述步驟SOl中建立研宄區(qū)年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)的具體方法為:首先根據(jù)線性插值方法獲取研宄區(qū)每個柵格像元的原始的年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)，再采用Whittaker smoother的數(shù)據(jù)平滑方法建立研宄區(qū)每個柵格單元的平滑的年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)，建立年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)的四分位圖。
[0008]進(jìn)一步地，所述步驟S02中構(gòu)建整體離散度指標(biāo)P的具體方法為:逐像元提取年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)的四分位圖，分別獲取該四分位圖中植被指數(shù)的最小值Min、第一四分位數(shù)Q1、第二四分位數(shù)Q2、第三四分位數(shù)Q3以及最大值Max，其中第三四分位數(shù)Q3與第一四分位數(shù)Ql的差距為四分位距，最大值Max與最小值Min的差距為全距；根據(jù)植被指數(shù)的四分位距與全距的比值，即根據(jù)公式P=(Q3_ Ql)/(Max-Min)，可計算整體離散度指標(biāo)P。
[0009]進(jìn)一步地，所述步驟S03中構(gòu)建中高值離散度指標(biāo)DM的具體方法為:逐像元提取植被指數(shù)不小于第二四分位數(shù)Q2的所有植被指數(shù)時序數(shù)據(jù)，所有植被指數(shù)時序數(shù)據(jù)位于植被指數(shù)時序數(shù)據(jù)的四分位圖的中高值區(qū)域M，分別計算植被指數(shù)在中高值區(qū)域內(nèi)所有植被指數(shù)時序數(shù)據(jù)的極差和標(biāo)準(zhǔn)差SDm，根據(jù)植被指數(shù)在中高值區(qū)域內(nèi)所有植被指數(shù)時序數(shù)據(jù)的極差與標(biāo)準(zhǔn)差的乘積，即根據(jù)公式DM=(Max-Q2) ( SDm)，可計算中高值離散度DM。
[0010]進(jìn)一步地，所述步驟S04中構(gòu)建生長旺期離散度指標(biāo)DH以及高值持續(xù)性指標(biāo)TH的具體方法為:首先逐像元提取植被指數(shù)不小于第二四分位數(shù)Q3的所有植被指數(shù)時序數(shù)據(jù)，分別將植被指數(shù)時序數(shù)據(jù)首次與最后一次出現(xiàn)不小于第三四分位數(shù)Q3的時刻記錄為Start與End，將Start至End所組成的時間段記為生長旺期H，再分別計算植被指數(shù)在生長旺期內(nèi)所有植被指數(shù)時序數(shù)據(jù)的極差Rh和標(biāo)準(zhǔn)差SDh，根據(jù)植被指數(shù)在生長旺期內(nèi)所有植被指數(shù)時序數(shù)據(jù)的極差與標(biāo)準(zhǔn)差的乘積，即根據(jù)公式DH=Rh (SDh)，可計算生長旺期離散度指標(biāo)DH ;逐像元按時間順序依次提取植被指數(shù)時序數(shù)據(jù)不小于第三四分位數(shù)Q3的持續(xù)時間，依次記為tl至tn，計算所有持續(xù)時間tl至tn中的最大值，即為高值持續(xù)性指標(biāo)TH。
[0011]進(jìn)一步地，所述步驟S05中建立森林分類流程圖，根據(jù)常綠闊葉林的中高值離散度DM很小的原則提取常綠闊葉林，即如果DM〈 Θ 1，提取出的像元為常綠闊葉林，其中Θ I為閾值參數(shù)且Θ I取值為0.005±0.0Olo
[0012]進(jìn)一步地，所述步驟S05中建立森林分類流程圖，根據(jù)常綠針葉林的整體離散度P以及中高值離散度DH均較小的原則提取常綠針葉林，即如果P〉Θ 2并且DH〈 Θ 3，提取出的像元為常綠針葉林，其中Θ2與Θ 3為閾值參數(shù)且Θ2與Θ3分布取值為0.45±0.09與0.04±0.008。
[0013]進(jìn)一步地，所述步驟S05中建立森林分類流程圖，根據(jù)落葉林的整體離散度P較小、高值持續(xù)性TH較大以及中高值離散度DM較小的原則提取落葉林，即如果P〉Θ 2并且TH〉Θ 4并且DM〈 Θ 5，提取出的像元為落葉林，其中Θ 2、Θ 4與Θ 5為閾值參數(shù)且Θ 2、Θ 4與 Θ 5 分別取值為 0.45 ± 0.09、70 ±10 與 0.03 ± 0.006。
[0014]相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果:
(1)通過監(jiān)測植被指數(shù)時序數(shù)據(jù)的分布情況，提取表征數(shù)據(jù)離散程度的指標(biāo)，從而有效地避開建立不同地物的標(biāo)準(zhǔn)植被指數(shù)時序曲線，以及獲取理想的物候參數(shù)分布區(qū)間這一難題，為魯棒性強(qiáng)的時序遙感分類方法提供了新思路；
(2)綜合極差與標(biāo)準(zhǔn)差，設(shè)計表征植被指數(shù)時序數(shù)據(jù)離散程度的指標(biāo)，充分利用數(shù)據(jù)的整體分布特征，能有效地避免了個別數(shù)據(jù)噪聲、數(shù)據(jù)異常值等帶來的干擾；
(3)從數(shù)據(jù)分布的離散程度以及高值持續(xù)性出發(fā)，設(shè)計植被生長旺期的離散度指標(biāo)，提取最能體現(xiàn)植被生長的核心特征，從而提高了分類精度；
(4)可以不借助其他輔助數(shù)據(jù)，抗噪能力強(qiáng)，結(jié)果穩(wěn)定可靠。
【附圖說明】
[0015]圖1為本發(fā)明實(shí)施例的實(shí)現(xiàn)流程圖。
[0016]圖2為常綠闊葉林、常綠針葉林、落葉闊葉林以及落葉針葉林的植被指數(shù)時序曲線圖。
[0017]圖3為單季農(nóng)作物、多季農(nóng)作物的植被指數(shù)時序曲線圖。
[0018]圖4為植被指數(shù)時序數(shù)據(jù)的四分位圖、生長旺期的植被指數(shù)離散度指標(biāo)示意圖。
[0019]圖5尚值持續(xù)性指標(biāo)不意圖。
[0020]圖6為森林分類流程圖。
[0021]圖7為研宄區(qū)森林空間分布圖。
【具體實(shí)施方式】
[0022]下面結(jié)合附圖及實(shí)施例對本發(fā)明做進(jìn)一步說明。
[0023]本實(shí)施例提供一種基于植被指數(shù)時序數(shù)據(jù)離散度的森林信息遙感自動提取方法，如圖1所示，包括以下步驟:
步驟SOl:建立研宄區(qū)年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)；
步驟S02:構(gòu)建整體離散度指標(biāo)P ；
步驟S03:構(gòu)建中高值離散度指標(biāo)DM ；
步驟S04:構(gòu)建生長旺期離散度指標(biāo)DH以及高值持續(xù)性指標(biāo)TH ；
步驟S05:建立森林分類流程圖；
步驟S06:根據(jù)所述步驟S05的分類流程圖，逐像元對植被指數(shù)進(jìn)行遙感自動提取，生成研宄區(qū)森林分布圖。
[0024]在本實(shí)施例中，所述步驟SOl中建立研宄區(qū)年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)的具體方法為:首先根據(jù)線性插值方法獲取研宄區(qū)每個柵格像元的原始的年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)，再采用Whittaker smoother的數(shù)據(jù)平滑方法建立研宄區(qū)每個柵格單元的平滑的年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)，建立年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)的四分位圖。
[0025]在本實(shí)施例中，獲取研宄區(qū)每個柵格像元的原始的年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)為基于8天最大化合成的MODIS EVI數(shù)據(jù)，在去除受到云干擾的觀測值的基礎(chǔ)上得到。基于年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)，所建立的常綠闊葉林、常綠針葉林、落葉闊葉林、落葉針葉林、單季農(nóng)作物以及多季農(nóng)作物的植被指數(shù)時序曲線圖如圖2和圖3所示。
[0026]在本實(shí)施例中，所述步驟S02中構(gòu)建整體離散度指標(biāo)P的具體方法為:逐像元提取年內(nèi)逐日植被指數(shù)時序數(shù)據(jù)的四分位圖，分別獲取該四分位圖中植被指數(shù)的最小值Min、第一四分位數(shù)Q1、第二四分位數(shù)Q2、第三四分位數(shù)Q3以及最大值Max，其中第三四分位數(shù)Q3與第一四分位數(shù)Ql的差距為四分位距，最