CN103745239B - 一种基于卫星遥感技术的森林资源测量方法 - Google Patents

Abstract

本发明公开了一种基于卫星遥感技术的森林资源测量方法，包括：通过卫星遥感技术获取基于待测森林资源的遥感图像信息，对获取的遥感图像信息进行预处理；基于遥感图像信息的预处理结果，提取待测森林资源的主要参数指标；基于提取的主要参数指标，统计遥感图像中多个森林资源指数数值；根据统计结果选取分类条件，建立支持向量机的分类模型；基于建立的支持向量机的分类模型，应用SVM分类器实现待测森林资源的分类。本发明所述基于卫星遥感技术的森林资源测量方法，可以克服现有技术中测量精度低、覆盖范围小和实施难度大等缺陷，以实现测量精度高、覆盖范围大和实施难度小的优点。

Description

一种基于卫星遥感技术的森林资源测量方法

技术领域

本发明涉及图像处理技术领域，具体地，涉及一种基于卫星遥感技术的森林资源测量方法。

背景技术

森林资源管理的现代化促使了人们对森林资源管理的精度和细度，都提出了更高的要求。采用传统的实际抽样调查的方式获取森林资源信息，具有较低的精度，而且抽样的覆盖范围和抽样数量都十分有限，导致了传统的基于抽取计算方法的森林资源评估技术，难以满足现代森林资源管理的需求。

利用遥感卫星实现森林资源的精确测算，是当前十分具有应用前景的森林资源管理方法。采用卫星遥感技术能够对大范围的森林资源进行全面的分析和资源测算，而且基于遥感技术的森林资源测算技术，能够同时解决森林资源中资源覆盖比率、森林资源蓄积量、森林资源种类以及森林资源的健康状态信息进行测算，因此其应用前景十分广阔。

然而在采用卫星遥感技术对森林资源进行测算的应用中，最核心的是如何设计森林资源测量算法，而且森林资源测算算法的精度和实际应用性能，直接影响到基于卫星遥感技术对森林资源测算的效果。目前没有针对基于卫星遥感技术的森林资源测量算法问题的解决办法。

在实现本发明的过程中，发明人发现现有技术中至少存在测量精度低、覆盖范围小和实施难度大等缺陷。

发明内容

本发明的目的在于，针对上述问题，提出一种基于卫星遥感技术的森林资源测量方法，以实现测量精度高、覆盖范围大和实施难度小的优点。

为实现上述目的，本发明采用的技术方案是：一种基于卫星遥感技术的森林资源测量方法，包括：

a、通过卫星遥感技术获取基于待测森林资源的遥感图像信息，对获取的遥感图像信息进行预处理；

b、基于遥感图像信息的预处理结果，提取待测森林资源的主要参数指标；

c、基于提取的主要参数指标，统计遥感图像中多个森林资源指数数值；根据统计结果选取分类条件，建立支持向量机的分类模型；

d、基于建立的支持向量机的分类模型，应用SVM分类器实现待测森林资源的分类。

进一步地，在步骤a中，所述对获取的遥感图像信息进行预处理的操作，具体包括：

a1、读取遥感图像数据，对读取的遥感图像数据进行扫描及分块处理；

a2、对扫描及分块处理后的数据，以每个分块数据为单元，进行小波变换处理；

a3、对小波变换处理后的数据，调整小波变换参数，得到多组变换结果，提取小波变换系数；

a4、基于提取的小波变换系数，输出单幅遥感图像处理结果；若当前遥感图像未处理完毕，则返回步骤a1继续对当前未处理完毕的遥感图像继续处理，直至当前遥感图像均处理完毕为止。

进一步地，在步骤a2中，所述进行小波变换处理的操作中，所使用的小波变换计算式如下所示：

其中，a为尺度因子，b为位移因子。

进一步地，在步骤b中，所述待测森林资源的主要参数指标，具体包括遥感图像的绿度指数、遥感图像的冠层植被指数、遥感图像的叶面积指数和遥感图像的纹理指数。

进一步地，在步骤b中，所述提取待测森林资源的主要参数指标的操作中，分别提取包括绿度指数、冠层植被指数、叶面积指数和纹理指数的主要参数指标的提取计算式，分别如下：

绿度指数：

冠层植被指数：

叶面积指数：

纹理指数：

进一步地，在步骤c中，所述支持向量机的分类模型，是针对待测森林资源需要测算的每一个参数分别进行设置的分类模型，即针对待测森林资源的覆盖率、蓄积量、种类和健康状态，分别有一个对应的支持向量机，用于对这几个参数分别进行资源测算。

进一步地，在步骤d中，所述应用SVM分类器实现待测森林资源的分类的操作，具体包括：

d1、对遥感图像进行SVM训练的过程；

d2、基于SVM训练结果，对遥感图像进行分类的过程。

8.根据权利要求7所述的基于卫星遥感技术的森林资源测量方法，其特征在于，在步骤d1中，所述SVM训练的过程，具体包括：

d11、选取训练数据，从选取的训练数据中选取一批能够覆盖全部特征的遥感图像数据；

d12、基于选取的遥感图像数据，对每一组数据标明其所属的分类，设定SVM分类训练的核函数结构；

d13、基于设定的核函数结构，输入训练数据，对SVM分类器进行训练，输出SVM分类器训练结果；输出SVM分类器训练结果后，当前训练结束，则可转至遥感图像分类过程中，将输出的SVM分类器训练结果送入待分类遥感图像。

进一步地，在步骤d12中，所述设定的SVM分类训练的核函数结构为：

f(x,c)=exp(-|x-c|²/2)；

其中，c为支持向量机分类平面常量，由训练模型计算得到。

进一步地，在步骤d2中，所述对遥感图像进行分类的过程，具体包括：

d21、将SVM训练的过程输出的SVM分类器训练结果送入待分类遥感图像；

d22、基于步骤d21送入的SVM分类器训练结果，输出当前遥感图像的分类结果，当前遥感图像分类结束。

本发明各实施例的基于卫星遥感技术的森林资源测量方法，由于包括：通过卫星遥感技术获取基于待测森林资源的遥感图像信息，对获取的遥感图像信息进行预处理；基于遥感图像信息的预处理结果，提取待测森林资源的主要参数指标；基于提取的主要参数指标，统计遥感图像中多个森林资源指数数值；根据统计结果选取分类条件，建立支持向量机的分类模型；基于建立的支持向量机的分类模型，应用SVM分类器实现待测森林资源的分类；可以实现对采用卫星遥感技术获得了遥感图像，进行快速高精度的森林资源主要特征指标的测算；从而可以克服现有技术中测量精度低、覆盖范围小和实施难度大的缺陷，以实现测量精度高、覆盖范围大和实施难度小的优点。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明基于卫星遥感技术的森林资源测量方法的流程示意图；

图2为本发明基于卫星遥感技术的森林资源测量方法中图像预处理流程图；

图3为本发明基于卫星遥感技术的森林资源测量方法中SVM分类算法的实现流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

根据本发明实施例，如图1、图2和图3所示，提供了一种基于卫星遥感技术的森林资源测量方法，即采用卫星遥感技术对森林资源的图像进行分析和处理的方法，能够满足大范围使用卫星遥感技术实现对森林资源覆盖率、森林资源蓄积量、种类、健康状态等信息进行较高精度的测算，具有测算速度快、测算覆盖范围广、精度高等特点。该基于卫星遥感技术的森林资源测量方法，涉及森林资源主要参数指标测量方法的具体实现，尤其是针对卫星遥感技术进行森林资源的主要参数测量算法；具备较强的通用性，能够适应多种不同种类的林业资源和森林环境进行测量，测量精度能够满足绝大多数森林资源普查、测算等应用需求。

本实施例的基于卫星遥感技术的森林资源测量方法，主要针对基于卫星遥感技术的森林资源测量算法问题进行解决，主要通过设计森林资源卫星遥感图片的处理算法，从卫星遥感的原始图片中抽取出有价值的森林资源测算因子，并设计森林资源测算算法，设计能够应用于卫星遥感技术的多参数森林资源测量算法，实现基于卫星遥感技术的森林资源测量应用目标。

本实施例的基于卫星遥感技术的森林资源测量方法，设计的森林资源测算流程是：首先对卫星遥感图像利用小波变换技术进行预处理；之后从预处理后的图像信息中，提取森林资源的绿度指数、冠层植被指数、叶面积指数和纹理指数；然后选取大量的已知测量结果的森林资源遥感图像数据进行训练，建立遥感图像中森林资源中，主要参数指标和待测算的森林覆盖比率、森林资源蓄积量、森林资源种类和森林资源健康程度等指标之间的样本数据集。设计基于支持向量机的分类模型，建立基于支持向量机的森林资源测算模型，之后将待分类的利用卫星遥感技术获取的遥感图像信息，采用该流程提取到图像中主要森林指标参数，应用支持向量机模型实现对森林资源多个指标的高精度分类。

本实施例的基于卫星遥感技术的森林资源测量方法，重点明确了利用卫星遥感技术的图像易处理算法，森林资源主要参数指标的提取公式和支持向量机模型的建议方法，其中包括支持向量机中的核函数的设计。利用本实施例的基于卫星遥感技术的森林资源测量方法，可以实现对采用卫星遥感技术获得了遥感图像，进行快速高精度的森林资源主要特征指标的测算。

本实施例的基于卫星遥感技术的森林资源测量方法，在进行森林资源测量时，主要包括以下几个方面：

⑴通过卫星遥感技术获取遥感图像信息，从获取的遥感图像中采用图像预处理算法，从原始的图像信息中分离出用于森林资源测量的主要参数指标；

⑵从经过预处理的图像信息中，分别提取遥感图像的绿度指数、冠层植被指数、叶面积指数和纹理指数，将所提取到的遥感图像中的多个森林资源指数数值进行统计；

⑶建立分类条件设计支持向量机的森林资源特征参数的分类模型；

⑷将从遥感图像中所提取到的森林资源参数指标，应用支持向量机的分类模型进行分类。

具体地，如图1所示，本实施例的基于卫星遥感技术的森林资源测量方法，主要包括以下步骤：

步骤100：遥感图像预处理；

步骤101：提取步骤100预处理所得遥感图像的绿度指数；

步骤102：基于步骤101提取的绿度指数，提取步骤100预处理所得遥感图像的冠层植被指数；

步骤103：基于步骤102提取的冠层植被指数，提取步骤100预处理所得遥感图像的叶面积指数；

步骤104：基于步骤103提取的叶面积指数，提取步骤100预处理所得遥感图像的纹理指数；

步骤105：基于步骤104提取的纹理指数，选取分类条件，建立分类模型；

步骤106：基于步骤105建立的分类模型，应用SVM分类器实现分类。

如图2所示，在步骤100中，遥感图像预处理的操作，主要包括以下步骤：

步骤200：读取遥感图像数据；

步骤201：对步骤200读取的遥感图像数据进行扫描及分块处理；

步骤202：对步骤201扫描及分块处理后的数据，以每个分块数据为单元，进行小波变换处理；

步骤203：对步骤202小波变换处理后的数据，调整小波变换参数，得到多组变换结果；

步骤204：从步骤203得到的多组变换结果中，提取小波变换系数；

步骤205：基于步骤204提取的小波变换系数，输出单幅遥感图像处理结果；

步骤206：基于步骤205的输出结果，判断当前遥感图像是否处理完毕？若是，则结束当前遥感图像的预处理；否则，则返回步骤200，继续对当前未处理完毕的遥感图像继续处理，直至当前遥感图像均处理完毕为止。

如图3所示，在步骤106中，应用SVM分类器实现分类的操作中，涉及的SVM分类算法主要包括SVM训练和遥感图像分类两个过程，具体如下：

⑴SVM训练的过程，主要包括以下步骤：

步骤300：选取训练数据；

步骤301：基于步骤300选取的训练数据，选取一批能够覆盖全部特征的遥感图像数据；

步骤302：基于步骤301选取的遥感图像数据，对每一组数据标明其所属的分类；

步骤303：基于步骤302标明的分类，设定SVM分类训练的核函数结构；

步骤304：基于步骤303设定的核函数结构，输入训练数据，对SVM分类器进行训练；

步骤305：基于步骤304的训练结果，输出SVM分类器训练结果。输出SVM分类器训练结果后，当前训练结束，则可转至遥感图像分类过程中，将输出的SVM分类器训练结果送入待分类遥感图像。

⑵遥感图像分类过程，具体包括以下步骤：

步骤305：将SVM训练的过程输出的SVM分类器训练结果送入待分类遥感图像；

步骤306：基于步骤305送入的SVM分类器训练结果，输出当前遥感图像的分类结果，当前遥感图像分类结束。

应用上述实施例的基于卫星遥感技术的森林资源测量方法，进行森林资源测算的时候，最关键的是设计基于遥感技术森林资源测算算法，根据该基于卫星遥感技术的森林资源测量方法设计的森林资源测算流程，其最主要的是设计遥感图像的预处理算法、支持向量机分类模型的设计这两部分。

上述实施例的基于卫星遥感技术的森林资源测量方法，通过对卫星遥感采集到的遥感图像易处理，并从中获取图像中的主要参数指标，之后设计专门的森林资源测量算法，实现对森林资源主要特征指标的测量。这里，森林资源主要特征指标的测量，主要是指对森林资源覆盖率、森林资源蓄积量、森林资源种类和森林资源健康状态等四个指标的测量。

在上述实施例的基于卫星遥感技术的森林资源测量方法中，对卫星遥感技术所采集到的图像信息进行预处理，设计的森林资源卫星遥感图像预处理算法，采用小波变换技术实现遥感原始图像信息的转换；通过设计的小波变换算法进行图像预处理，可以实现对原始图像数据特征参数的初步提取；所使用的小波变换计算式如下所示：

其中，a为尺度因子，b为位移因子。

在上述实施例的基于卫星遥感技术的森林资源测量方法中，利用遥感图像中森林资源特征指数，进行森林资源测算的算法设计，应用了基于支持向量机技术的森林资源测算。这一算法在设计的过程中，通过对大量的遥感图像信息进行训练，采用选取最优分类面的策略，实现支持向量机分类模型的设计。所设计的基于支持向量机的分类模型，通过对大量的森林资源遥感图像特征参数进行统计和分析，通过选取最优分类面实现支持向量机的设计，在设计过程中所选取的关键的核函数为：

f(x,c)=exp(-|x-c|²/2)；

其中，c为支持向量机分类平面常量，由训练模型计算得到。支持向量机模型，是针对森林资源需要测算的每一个参数分别进行设计。即针对森林资源覆盖率、森林资源蓄积量、森林资源种类和森林资源健康状态，分别有一个对应的支持向量机，用于对这几个参数分别进行资源测算。

下面将以基于卫星遥感技术进行森林资源主要参数的实际测量过程，描述上述实 施例的基于卫星遥感技术的森林资源测量方法的算法功能及应用特点。

例如，基于卫星遥感技术的森林资源测量过程，具体包括以下几个方面：

⑴按照如图1所示的基于卫星遥感技术的森林资源测算流程，首先对卫星遥感的原始图像信息进行预处理，并通过应用小波变换算法，将原始图像中的信息进行转换，得到小波变换之后的参数值；

⑵通过对遥感图像预处理之后，从小波变换之后的遥感图像信息中提取主要的特征参数，即分别提取包括绿度指数、冠层植被指数、叶面积指数和纹理指数的特征参数，这些特征参数的提取计算式分别如下：

绿度指数：冠层植被指数：

叶面积指数：

纹理指数：

⑶选取大量遥感图像训练数据，应用上述实施例的基于卫星遥感技术的森林资源测量方法设计的图像预处理算法及遥感图像主要参数的提取公式，得到训练图像中的森林资源特征参数。并针对所提供的训练数据中各特征参数与森林资源的覆盖区域、森林资源的蓄积量、种类和健康状态等指标建立训练样本数据集，在样本数据集中采用最优分类平面策略，针对每一个参数分别选取最优的分类平面，并建立分类模型，在分类过程中所使用的核函数如下式所示：

f(x,c)=exp(-|x-c|²/2)；

⑷应用所通过大量样本数据训练得到的支持向量机分类模型，分别对森林资源覆盖程度、森林资源蓄积量、森林资源种类和森林资源健康状态程度分别进行分类，得到待分析的遥感图像中主要森林资源指标的测算结果。

综上所述，本发明上述各实施例的基于卫星遥感技术的森林资源测量方法，相对于传统的森林资源测量算法，至少具有以下有益效果：

⑴利用卫星遥感技术进行森林资源测量，能够适应大范围内的森林资源测量应用；比传统的去实地抽样考查的测量方式大幅度缩短了测量的周期，提高了测量的效率；

⑵该基于卫星遥感技术的森林资源测量方法，分别使用了卫星图像小波变换技术和基于最优分类平面的支持向量机，实现森林资源参数的测算，其测算精度很高，利用小波变换技术也能够将遥感图像中的原始特征参数快速的提取出来；该基于卫星遥感技术的森林资源测量方法整体的测量精度，优于传统的森林资源评估精度；

⑶应用该基于卫星遥感技术的森林资源测量方法，能够通过卫星获取大范围内的森林资源遥感数据，并在较短的时间内完成森林资源的测算任务，其对森林资源参数的测量代价远低于传统的实地考查测量方法；

⑷该基于卫星遥感技术的森林资源测量方法计算速度快，能够在较短的时间内完成对大范围内森林资源的信息测算，因此可以用于对森林资源状况的实时监测应用，解决了传统实地考查的森林资源测算方法中无法做到对森林资源实时监测的应用效果。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于卫星遥感技术的森林资源测量方法，其特征在于，包括：

a、通过卫星遥感技术获取基于待测森林资源的遥感图像信息，对获取的遥感图像信息进行预处理；

b、基于遥感图像信息的预处理结果，提取待测森林资源的主要参数指标；

c、基于提取的主要参数指标，统计遥感图像中多个森林资源指数数值；根据统计结果选取分类条件，建立支持向量机的分类模型；

d、基于建立的支持向量机的分类模型，应用SVM分类器实现待测森林资源的分类，在步骤b中，所述待测森林资源的主要参数指标，具体包括遥感图像的绿度指数、遥感图像的冠层植被指数、遥感图像的叶面积指数和遥感图像的纹理指数，

在步骤c中，所述支持向量机的分类模型，是针对待测森林资源需要测算的每一个参数分别进行设置的分类模型，即针对待测森林资源的覆盖率、蓄积量、种类和健康状态，分别有一个对应的支持向量机，用于对这几个参数分别进行资源测算，

在步骤d中，所述应用SVM分类器实现待测森林资源的分类的操作，具体包括：

d1、对遥感图像进行SVM训练的过程；

d2、基于SVM训练结果，对遥感图像进行分类的过程，

在步骤d1中，所述SVM训练的过程，具体包括：

d11、选取训练数据，从选取的训练数据中选取一批能够覆盖全部特征的遥感图像数据；

d12、基于选取的遥感图像数据，对每一组数据标明其所属的分类，设定SVM分类训练的核函数结构；

d13、基于设定的核函数结构，输入训练数据，对SVM分类器进行训练，输出SVM分类器训练结果；输出SVM分类器训练结果后，当前训练结束，则可转至遥感图像分类过程中，将输出的SVM分类器训练结果送入待分类遥感图像。

2.根据权利要求1所述的基于卫星遥感技术的森林资源测量方法，其特征在于，在步骤a中，所述对获取的遥感图像信息进行预处理的操作，具体包括：

a1、读取遥感图像数据，对读取的遥感图像数据进行扫描及分块处理；

a2、对扫描及分块处理后的数据，以每个分块数据为单元，进行小波变换处理；

a3、对小波变换处理后的数据，调整小波变换参数，得到多组变换结果，提取小波变换系数；

a4、基于提取的小波变换系数，输出单幅遥感图像处理结果；若当前遥感图像未处理完毕，则返回步骤a1继续对当前未处理完毕的遥感图像继续处理，直至当前遥感图像均处理完毕为止。

3.根据权利要求2所述的基于卫星遥感技术的森林资源测量方法，其特征在于，在步骤a2中，所述进行小波变换处理的操作中，所使用的小波变换计算式如下所示：

$W_f(a,b)={\∫}_{R}f\left(t\right){\mathrm{\ψ}}_{a,b})\left(t\right)dt=|a{|}^{-1/2}{\∫}_{R}f\left(t\right)\mathrm{\ψ}\left(\frac{t-b}{a}\right)dt;$

其中，a为尺度因子，b为位移因子。

4.根据权利要求1所述的基于卫星遥感技术的森林资源测量方法，其特征在于，在步骤d12中，所述设定的SVM分类训练的核函数结构为：

f(x,c)＝exp(-|x-c|²/2)；

其中，c为支持向量机分类平面常量，由训练模型计算得到。

5.根据权利要求1所述的基于卫星遥感技术的森林资源测量方法，其特征在于，在步骤d2中，所述对遥感图像进行分类的过程，具体包括：

d21、将SVM训练的过程输出的SVM分类器训练结果送入待分类遥感图像；

d22、基于步骤d21送入的SVM分类器训练结果，输出当前遥感图像的分类结果，当前遥感图像分类结束。