CN104881868A

CN104881868A - 植物群落空间结构提取方法

Info

Publication number: CN104881868A
Application number: CN201510245969.XA
Authority: CN
Inventors: 张磊; 尹锴
Original assignee: Institute of Remote Sensing and Digital Earth of CAS
Current assignee: Institute of Remote Sensing and Digital Earth of CAS
Priority date: 2015-05-14
Filing date: 2015-05-14
Publication date: 2015-09-02
Anticipated expiration: 2035-05-14
Also published as: CN104881868B

Abstract

本发明提供一种植物群落空间结构提取方法，包括：对目标区域待测遥感影像进行多尺度分割得到各尺度遥感影像对象；建立待测遥感影像的影像尺度与生态学组织尺度对应关系，获取待测遥感影像中各植物类型影像尺度，植物类型包括：草地、灌木和乔木、种群和群落，草地、灌木和乔木均为植物个体；根据植物个体和种群影像尺度，对在待测遥感影像中预选的样本在植物个体和种群影像尺度上进行植被分类，将各尺度上分类结果叠加到一个分类数据层上，在群落尺度对象边界内统计分类数据层上植物个体和种群空间结构参数。该方法能提取植物群落空间结构，更精确，监测成本低，客观性高。

Description

植物群落空间结构提取方法

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种植物群落空间结构提取方法。

背景技术

目前，植物群落结构的调查多采用传统的、小尺度的抽样统计方法或大尺度的遥感监测方法，包括植被类型、植被指数、高度等构型特征，而缺乏对各尺度生态系统结构的大小、形态、组织和格局的辨识。其原因有二方面：1)尺度问题。生态学组织层次遵循自然等级体系，从植物构型(枝干、叶)、个体、种群、群落、生态系统、到生态景观的组织尺度。在不同尺度上，格局和过程往往出现不同的特征规律。尺度推绎的不确定性，影响分析的精度、甚至相反的结论；2)遥感数据问题。随着遥感技术的引入，卫星/航空影像像素的光谱特征被用于地物识别与生态学研究。遥感更多地解决了纯/混合像元的成份或比例问题，如覆盖度FCover、叶面积指数(Leaf Area Index，简称LAI)等，由于像素不具备空间的语义性，无法解决空间的结构特征。虽然像素分辨率具有尺度性，通过不同尺度的刻画理解生态格局。而其尺度关联性较弱，基于光谱的认知及其尺度上推的局限性，像素方式难以揭示植物群落的结构特征。

面向对象提供一种空间同质聚类的斑块融合方式，通过空间异质性的差异，建立多尺度的空间格局。利用尺度推绎的谱系关系，建立从内部结构、整体、空间关系多方位的目标特征辨识方式。对象形式不仅提供了目标的光谱特性，同时具有图形特性，并有效地表征尺度的关联性。基于多尺度对象特征认知的新视角，提供一种植物的层次特征表征的新途径，有促于植被生态系统结构特征的深刻认识。

传统植物群落结构监测方法是基于地面抽样调查，再通过尺度上推，研究各组织尺度的结构特征。现有技术中提出了尺度推绎的信息压缩、信息转译的概念，以及简单聚合、直接外推、期望值外推、显式积分等模型方法。随着地理信息系统(Geographic InformationSystem,简称GIS)发展，现有技术将尺度转换(即尺度上推)方法总结为:空间分析法、基于相似性的尺度上推方法、基于局域动态模型的尺度上推方法、随机(模型)法。开展了多尺度的生态过程研究，分析尺度产生的效应。生态学尺度上推得到的不是实际的空间结构，而是统计意义的、模拟的结构，同时，存在尺度推绎的不确定性。

遥感技术给生态学研究多尺度、连续的二维空间数据提供了新的数据支撑，弥补生态研究中低尺度的观测、点数据获取的不足。利用遥感光谱特征可以获取生物物理参数，如植被指数、覆盖度、叶面积指数等，近几年，利用激光雷达(Light Detection And Ranging，简称Lidar)(如地球科学激光测高系统(Geoscience Laser Altimeter System，简称GLAS))回波数据开展森林的冠层高度、生物量等参数监测，这些植物的物理参数反演了植物的构型，而对各植物个体、群落之间的数量、空间关系的识别方法较少。对于尺度的考虑，表现为最佳分辨率的影像选择或降低影像分辨率方法。由于基于像素PB的尺度上推是采用固定窗口内像元融合方法实现或采用新的数据，相比对象方式信息损失严重。近15年，随着大脑认知理论、视觉理论的应用与发展，基于地理单元对象影像分析方法(Geographic Object-Based ImageAnalysis，简称GEOBIA)(可简称：基于对象/OB，即Object-Based)得迅速发展，该方法通过尺度分割方式将相似性像元聚合形成对象，利用其光谱、几何形态、内部结构、空间关系、层次关系实现目标识别。在OB方式的尺度推绎中，不仅考虑到“图-谱”特征，同时具有尺度间的关联表达，这使尺度变化后所产生的对象相比PB方式更具有语义和利用价值。OB方式提升了“图-谱-尺度”信息的有效结合和充分利用。OB方法克服了传统的PB基于光谱的识别方法，特别是在中高分辨率的影像分类中，明显减少了类型内部的异质性，降低了“椒盐”现象，其几何的、纹理的、关系的语义特征补充，增强了识别的能力。而有些学者认为一个尺度不能有效表征地物特征，有些植被类型，甚至同一类型，由于其内部结构和光谱的差异性，不会在同一个分割水平/尺度上的拟合。现有技术中利用了目视试验分析的方法，选择单树、林斑、景观特征3个尺度提取不同特征的、同一森林类型。或在3个尺度上利用支持向量机(Support Vector Machine，简称SVM)方法分别提取宽公路、乡间路、建筑物3类城市不透水表面。这些方法往往存在多尺度的分类结果叠加时出现的重叠和空缺处理问题。近1-2年，OB方式发展了目标结构的识别方法。现有技术中可在低尺度上探测森林的种群分布，而在高尺度上基于规则集判别，研究低尺度的结构特征，建立森林栖息地的类型。现有技术中还可在城市的房屋和道路的组织尺度上进行目标识别，而在街区尺度上进行城市结构、密度和功能的划分。综上所述，植物群落的空间结构除了微观地地面调查外，还没有提出大范围、系统地监测方法。

鉴于此，如何更精确地提取植物群落空间结构成为目前需要解决的技术问题。

发明内容

为解决上述的技术问题，本发明提供一种植物群落空间结构提取方法，能够更精确地提取植物群落空间结构，降低监测成本，提高监测结果的客观性，避免传统人工调查方法的主观性及以点代面所引入的不确定性，有效地表征植物的结构特征。

第一方面，本发明提供一种植物群落空间结构提取方法，包括：

对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺度遥感影像对象；

建立所述待测遥感影像的影像尺度与生态学组织尺度对应关系，根据所述待测遥感影像的影像尺度与生态学组织尺度对应关系获取所述待测遥感影像中各植物类型的影像尺度，所述待测遥感影像中的植物类型包括：草地、灌木和乔木、种群和群落，所述草地、灌木和乔木均为植物个体；

根据所述待测遥感影像中植物个体和种群的影像尺度，对在所述待测遥感影像中预先选择的样本在植物个体和种群的影像尺度上进行植被分类，并将各尺度上分类结果叠加到一个分类数据层上；

根据所述待测遥感影像中群落的影像尺度确定所述待测遥感影像中的群落边界，获取在所述群落边界内植被分类数据层上的植物在植物个体和种群的空间结构参数。

可选地，所述对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺度遥感影像对象，包括：

采用区域增长分割方法对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺度遥感影像对象。

可选地，所述建立所述待测遥感影像的影像尺度与生态学组织尺度对应关系，根据所述待测遥感影像的影像尺度与生态学组织尺度对应关系获取所述待测遥感影像中各植物类型的影像尺度，包括：

获取各尺度遥感影像对象的植被归一化指数NDVI；

以各尺度遥感影像对象为样本、待测遥感影像为总体方式，计算各尺度遥感影像对象的植被归一化指数的标准差NDVI_SD；

根据各尺度遥感影像对象的NDVI_SD，绘制遥感影像对象各尺度NDVI_SD变化曲线；

分析所述NDVI_SD变化曲线的峰/谷值特征，提取明显的峰值的尺度，根据各峰值的尺度及预设规则获取所述待测遥感影像中各植物类型和植被群落的影像尺度。

可选地，所述各尺度对象的植被归一化指数NDVI是通过第一公式计算得到的，

所述第一公式为：

NDVI = \frac{R_{ir} - R_{r}}{R_{ir} + R_{r}},

其中，R_ir为近红外波段反射率，R_r为红外波段反射率。

可选地，所述预设规则包括：

若各峰值的尺度的数量等于所述植物类型的数量，则各峰值的尺度从小到大依次代表草地、灌木、乔木、种群和群落的影像尺度；

若各峰值的尺度的数量大于所述植物类型的数量，则对照遥感影像对象边界与地面样本边界，确定相应的各植物类型的峰值拟合影像尺度。

可选地，所述若各峰值的尺度的数量大于所述植物类型的数量，则对照遥感影像对象边界与地面样本边界，确定相应的各植物类型的峰值拟合影像尺度，包括：

若各峰值的尺度的数量大于所述植物类型的数量，则利用误差-分析方法，对照遥感影像对象边界与地面样本边界，确定相应的各植物类型的峰值拟合影像尺度。

可选地，所述根据目标区域植物个体和种群的影像尺度，对在所述待测遥感影像中预先选择的样本在植物个体和种群的影像尺度上进行植被分类，包括：

根据目标区域植物个体和种群的影像尺度，采用智能学习机的方法对在所述待测遥感影像中预先选择的样本在植物个体和种群的影像尺度上进行植被分类。

可选地，所述智能学习机的方法包括：支持向量机SVM方法。

可选地，所述空间结构参数，包括：斑块植被多样性指数、斑块植被密度、乔木覆盖度、灌木覆盖度、草地覆盖度、斑块面积和斑块形状指数。

可选地，所述斑块植被多样性指数HI是通过第二公式计算得到的，

所述第二公式为：

HI = - Σ_{k = 1}^{n} (P_{k}) \ln (P_{k}),

其中，n为植被类型数量，k∈[1,...,n]，P_k为类型k在斑块中的面积比例；

所述斑块植被密度PD是通过第三公式计算得到的，

所述第三公式为：

PD = \frac{n}{A_{p}},

其中，A_p为群落面积；

所述乔木覆盖度f_t是通过第四公式计算得到的，

所述第四公式为：

f_{t} = \frac{A_{t} \cdot F_{c}}{A_{p}},

其中，A_t为乔木斑块面积，F_c为乔木斑块中植被比例，是通过第五公式计算得到的，所述第五公式为：

F_{c} = \frac{NDVI - {NDVI}_{\min}}{{NDVI}_{\max} - {NDVI}_{\min}},

其中，NDVI_max为植被全覆盖的植被归一化指数，NDVI_min为无植被覆盖的植被归一化指数；

所述灌木覆盖度f_s是通过第六公式计算得到的，

所述第六公式为：

f_{s} = \frac{A_{s} \cdot F_{c}}{A_{p}},

其中，A_s为灌木斑块面积；

所述草地覆盖度f_g是通过第七公式计算得到的，

所述第七公式为：

f_{g} = \frac{A_{g} \cdot F_{c}}{A_{p}},

其中，A_g为草地斑块面积；

所述斑块面积A是通过第八公式计算得到的，

所述第八公式为：

A＝A_p；

所述斑块形状指数SI是通过第九公式计算得到的，

所述第九公式为：

SI = \frac{P}{4 \sqrt{A}},

其中，P为群落斑块周长。

由上述技术方案可知，本发明的植物群落空间结构提取方法，从面向对象的角度出发，针对目前植物结构中存在的问题，建立影像空间尺度与生态学组织尺度之间的关系，利用多尺度对象的目标拟合方式，提取不同尺度上的植物个体、种群、群落识别。在低尺度上探测植物的空间组成、结构特征，从高尺度上进行植物的结构的统计分析，从而得到水平延展、空间一致的植物群落结构，能够更精确地提取植物群落空间结构，降低监测成本，提高监测结果的客观性，避免传统人工调查方法的主观性及以点代面所引入的不确定性，有效地表征植物的结构特征。

附图说明

图1为本发明实施例提供的尺度上推过程中影像对象特征与植物应用目标生态学特征的对应关系；

图2为本发明一实施例提供的植物群落空间结构提取方法的流程示意图；

图3为本发明实施例提供的一种遥感影像对象各尺度NDVI_SD变化曲线；

图4a为本发明实施例提供的植物群落空间结构参数斑块植被密度(即斑块数量)的示意图；

图4b为本发明实施例提供的植物群落空间结构参数斑块植被多样性指数(即丰富度)的示意图；

图4c为本发明实施例提供的植物群落空间结构参数乔木覆盖度(即乔木郁闭度)的示意图；

图4d为本发明实施例提供的植物群落空间结构参数灌木覆盖度的示意图；

图4e为本发明实施例提供的植物群落空间结构参数草地覆盖度的示意图；

图4f为本发明实施例提供的植物群落空间结构参数斑块面积的示意图；

图4g为本发明实施例提供的植物群落空间结构参数斑块形状指数的示意图；

图5为本发明实施例提供的一种基于对象的植物群落空间结构类型图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。

本发明是基于多尺度对象拟合基础上，对群落组织尺度内的植物个体、种群的空间参数统计的基本思路。将影像像素转化成对象，使对象产生语义特征。而对象具有尺度性，当尺度变化(不同阈值)时，对象再次进行融合，尺度上推过程经历从像素、组件、单元、基元、基元组合的特征，而生态学物质组织具有组织尺度特性，即随着组织尺度的上推，出现要素、结构、单体、种群、植物群落、生态系统、景观的组成。而对象尺度与生态学尺度具有空间的对应特征如图1所示，利用这种对应关系，在植物群落尺度上分析单体或种群尺度上的结构参数特征，从而得到植物群落的空间结构特征。

图1示出了本发明一实施例提供的植物群落空间结构提取方法的流程示意图，如图1所示，本实施例的植物群落空间结构提取方法如下所述。

101、对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺度遥感影像对象。

在具体应用中，上述步骤101可以包括：

可理解的是，区域增长分割方法的原理是基于影像单元的光谱异质性和形状异质性进行区域增长、不断邻域合并的方式进行尺度推绎。一个影像对象的异质性值f是由四个变量(即光谱信息权重w_color、形状信息权重w_shape、光谱异质性值h_cover和形状异质性值h_shape)通过公式(1)计算而得，w_color和w_shape是用户预先设置的权重，取值于0-1之间，且w_color+w_shape＝1。

f＝w_color·h_cover+w_shape·h_shape (1)；

其中，光谱异质性值h_cover不仅与组成对象的像元数目有关，还取决于各个波段标准差，h_cover是通过公式(2)计算得到的，

其中，σ_c为像元内部像元值的标准差，是根据组成对象的像元值计算得到，w_c为影像波段的权值，n为像元数目，区域增长分割方法的合并过程中，两个相邻的图像对象用obj1、obj2表示，合并后的图像对象用merge表示，即图像对象obj1和obj2合并成图像对象用merge，n_merge为合并后的图像对象merge的像元数目，为合并后的图像对象merge的像元内部像元值的标准差，n_obj1为图像对象obj1的像元数目，为图像对象obj1的像元内部像元值的标准差，n_obj2为图像对象obj2的像元数目，为图像对象obj2的像元内部像元值的标准差；

形状异质性值h_shape是通过公式(3)计算得到的，。

h_shape＝w_cmpct·h_cmpct+(1-w_cmpct)·h_smooth (3)

其中，h_cmpct为紧致度异质性值和h_smooth为光滑度异质性值，w_cmpct为紧致度权重；

在本实施例中，w_color可以优选为0.9，h_cmpct可以优选为0.5，w_c可以优选为1，即光谱信息高于形状信息，光谱信息权重w_color占90％，而紧致度与光滑度同等重要，紧致度权重与光滑度权重各占50％，波段之间没有本质差异，各波段各占100％；可以优先选择空间分辨率优于1米16比特无符号的多光谱影像(或全色与多光谱融合)，从像素开始分割，逐步从过分割对象大小到欠分割的多个尺度。将尺度设计从10(小于植物“构型”尺度)至300(超过“景观”尺度)，可以以每20个值为一个尺度间隔(再小尺度变化很小)，建立多个连续尺度的影像对象。

102、建立所述待测遥感影像的影像尺度与生态学组织尺度对应关系，根据所述待测遥感影像的影像尺度与生态学组织尺度对应关系获取所述待测遥感影像中各植物类型的影像尺度，所述待测遥感影像中的植物类型包括：草地、灌木和乔木、种群和群落，所述草地、灌木和乔木均为植物个体。

103、根据所述待测遥感影像中植物个体和种群的影像尺度，对在所述待测遥感影像中预先选择的样本在植物个体和种群的影像尺度上进行植被分类，并将各尺度上分类结果叠加到一个分类数据层上。

在具体应用中，上述步骤103可以包括：

根据目标区域植物个体和种群的影像尺度，采用智能学习机的方法对在所述待测遥感影像中预先选择的样本在植物个体和种群的影像尺度上进行植被分类，并将各尺度上分类结果叠加到一个分类数据层上。

其中，所述智能学习机的方法包括：支持向量机(Support VectorMachine，简称SVM)方法等。

可理解的是，智能学习机的方法比传统的贝叶斯(Bayesian，简称Bays)方法、非监督方法精度更高。而智能学习机中，以支持向量机SVM方法的效果最好，SVM方法基于二类或多类之间的边界条件进行划分，同类样本之间互不影响，避免Bays方法中对各类样本进行统计而造成样本之间的相互影响。采用径向基函数(Radial BasisFunction，简称RBF)，在植物个体尺度上，分别提取乔木、灌木、草原及非植被类型。

SVM的分类效果取决于样本的选取。SVM方法是根据样本之间的特征空间的距离进行划分的，每个类型都有其1个或几个特征空间的分布区域，若样本选择覆盖所有类型区域，分类效果较好，而只选择其中的区域，特别是类与类之间特征空间较远距离样本分类，忽视类与类较近的样本，这部分地区的分类结果往往混分。所以在选择不同类型样本时，应选择类与类之间接近的类型样本，为了减少分类误差，尽量多选择样本，每类样本最低不少于20个，以便易于区别。

若不同植物类型在不同尺度分类，考虑到尺度间的分类重叠问题，各尺度的划分类型不重复，这样高尺度分类结果叠加到低尺度时，可以有效的覆盖类型。灌木、草本类型在低尺度划分、乔木在较高尺度划分，乔木分类结果叠加到灌木和草地尺度分类结果后，形成最终植物个体或种群的分类结果。

104、根据所述待测遥感影像中群落的影像尺度确定所述待测遥感影像中的群落边界，获取在所述群落边界内植被分类数据层上的植物在植物个体和种群的空间结构参数。

在具体应用中，所述空间结构参数，可包括：斑块植被多样性指数、斑块植被密度、乔木覆盖度、灌木覆盖度、草地覆盖度、斑块面积和斑块形状指数。

应说明的是，植被结构的计算是在植物个体与群落二个尺度上进行。

举例来说，图4a-图4g为本步骤104获取的一种基于对象的植物群落空间结构参数图，图4a为植物群落空间结构参数斑块植被密度(即斑块数量)的示意图，图4b为植物群落空间结构参数斑块植被多样性指数(即丰富度)的示意图，图4c为植物群落空间结构参数乔木覆盖度(即乔木郁闭度)的示意图，图4d为植物群落空间结构参数灌木覆盖度的示意图，图4e为植物群落空间结构参数草地覆盖度的示意图，图4f为植物群落空间结构参数斑块面积的示意图，图4g为植物群落空间结构参数斑块形状指数的示意图。

可理解的是，将所述空间结构参数进行空间叠加和组合分类，得到植物群落结构数据。

举例来说，参见图5，图5为一种基于对象的植物群落空间结构类型图。

可理解的是，植物群落的结构是由外部的形态特征与内部植被组成结构组成。外部特征表现为斑块的形态特征，内部植被组成结构是植物群落的范围内的植物个体、种群的空间统计特征。植被群落之间的相互影响取决于群落边缘的空间特征，群落的大小与形态影响其功能的发挥和演替的过程，为此，外观群落特征选取群落斑块大小、斑块形状指数，群落内部结构主要考虑到个体、种群的类型、数量、覆盖度来表征植被的结构特征。

本实施例的植物群落空间结构提取方法，通过对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺度遥感影像对象，建立待测遥感影像的影像尺度与生态学组织尺度对应关系，根据其获取待测遥感影像中各植物类型的影像尺度，待测遥感影像中的植物类型包括：草地、灌木和乔木、种群和群落，所述草地、灌木和乔木均为植物个体，根据待测遥感影像中植物个体和种群的影像尺度，对在待测遥感影像中预先选择的样本在植物个体和种群的影像尺度上进行植被分类；根据待测遥感影像中群落的影像尺度确定待测遥感影像中的群落边界，获取在群落边界内植被分类后的植物在植物个体和种群的影像尺度上的植物群落空间结构参数；将植物群落空间结构参数进行空间叠加和组合分类，得到植物群落结构数据，从面向对象的角度出发，针对目前植物结构中存在的问题，建立影像空间尺度与生态学组织尺度之间的关系，利用多尺度对象的目标拟合方式，提取不同尺度上的植物个体、种群、群落识别。在低尺度上探测植物的空间组成、结构特征，从高尺度上进行植物的结构的统计分析，从而得到水平延展、空间一致的植物群落结构，能够更精确地提取植物群落空间结构，降低监测成本，提高监测结果的客观性，避免传统人工调查方法的主观性及以点代面所引入的不确定性，有效地表征植物的结构特征。

在具体应用中，上述步骤102可以包括图中未示出的步骤102a-102d：

102a、获取各尺度遥感影像对象的植被归一化指数(NormalizedDifference Vegetation Index，简称NDVI)。

在具体应用中，所述各尺度对象的NDVI是通过第一公式计算得到的，

所述第一公式为：

NDVI = \frac{R_{ir} - R_{r}}{R_{ir} + R_{r}},

其中，R_ir为近红外波段反射率，R_r为红外波段反射率。

可理解的是，NDVI具有对植被特征变化敏感的特性。

102b、以各尺度遥感影像对象为样本、待测遥感影像为总体方式，计算各尺度遥感影像对象的植被归一化指数的标准差(NormalizedDifference Vegetation IndexStandard Deviation，简称NDVI_SD)。

102c、根据各尺度遥感影像对象的NDVI_SD，绘制遥感影像对象各尺度NDVI_SD变化曲线，如图3所示。

102d、分析所述NDVI_SD变化曲线的峰/谷值特征，提取明显的峰值的尺度，根据各峰值的尺度及预设规则获取所述待测遥感影像中各植物类型和植被群落的影像尺度。

其中，所述预设规则可以包括：

在具体应用中，所述若各峰值的尺度的数量大于所述植物类型的数量，则对照遥感影像对象边界与地面样本边界，确定相应的各植物类型的峰值拟合影像尺度，可以优选为：

应说明的是，斑块植被多样性指数HI(即丰富度)是在植被个体、种群分类图基础上，统计植被群落边界各类植被的斑块面积的自然对数，在具体应用中，上述步骤104中的所述斑块植被多样性指数HI是通过第二公式计算得到的，

所述第二公式为：

HI = - Σ_{k = 1}^{n} (P_{k}) \ln (P_{k}),

斑块植被密度PD是统计各植被类型的面积比，在具体应用中，上述步骤104中的所述斑块植被密度PD是通过第三公式计算得到的，

所述第三公式为：

PD = \frac{n}{A_{p}},

其中，A_p为群落面积；

乔木、灌木、草地的覆盖度分二个步骤，先提取各植被类型的斑块，在该斑块中计算植被的覆盖度，覆盖度采用二分法进行，利用植被覆盖度计算有效植被覆盖面积，分别对乔木、灌木、草地的有效面积比上植被群落面积，得到各植被类型的覆盖度；

在具体应用中，上述步骤104中的所述乔木覆盖度f_t是通过第四公式计算得到的，

所述第四公式为：

f_{t} = \frac{A_{t} \cdot F_{c}}{A_{p}},

F_{c} = \frac{NDVI - {NDVI}_{\min}}{{NDVI}_{\max} - {NDVI}_{\min}},

上述步骤104中的所述灌木覆盖度f_s是通过第六公式计算得到的，

所述第六公式为：

f_{s} = \frac{A_{s} \cdot F_{c}}{A_{p}},

其中，A_s为灌木斑块面积；

上述步骤104中的所述草地覆盖度f_g是通过第七公式计算得到的，

所述第七公式为：

f_{g} = \frac{A_{g} \cdot F_{c}}{A_{p}},

其中，A_g为草地斑块面积；

植被群落面积是基于斑块面积A统计，在具体应用中，上述步骤104中的所述斑块面积A是通过第八公式计算得到的，

所述第八公式为：

A＝A_p；

斑块形状指数是基于周长与面积关系进行计算提取，在具体应用中，上述步骤104中的所述斑块形状指数SI是通过第九公式计算得到的，

所述第九公式为：

SI = \frac{P}{4 \sqrt{A}},

其中，P为群落斑块周长。

本实施例的植物群落空间结构提取方法，能够更精确地提取植物群落空间结构，降低监测成本，提高监测结果的客观性，避免传统人工调查方法的主观性及以点代面所引入的不确定性，有效地表征植物的结构特征。

本实施例的植物群落空间结构提取方法，与传统人工调查群落结构方法相比，充分利用了遥感技术，可以在大范围内以卫星影像反映群落结构的空间差异的特点，在降低监测成本的同时，提高了监测结果的客观性，避免了传统人工调查方法中主观性及以点代面所引入的不确定性；与传统基于像素遥感监测方法相比，本方法具有明显的技术优势，传统基于像素遥感监测方法无法得到群落边界范围，同时，也得不到植物个体的形态特征以及其空间的分布特征，而本方法面向对象，具备以上特征，其即解决的光谱识别类型的优势，又充分利用形态特征，从而有效地表征了植物的结构特征，使对植物结构的认识更加精确而深刻。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.一种植物群落空间结构提取方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺度遥感影像对象，包括：

3.根据权利要求1所述的方法，其特征在于，所述建立所述待测遥感影像的影像尺度与生态学组织尺度对应关系，根据所述待测遥感影像的影像尺度与生态学组织尺度对应关系获取所述待测遥感影像中各植物类型的影像尺度，包括：

获取各尺度遥感影像对象的植被归一化指数NDVI；

4.根据权利要求3所述的方法，其特征在于，所述各尺度对象的植被归一化指数NDVI是通过第一公式计算得到的，

所述第一公式为：

NDVI = \frac{R_{ir} - R_{r}}{R_{ir} + R_{r}},

其中，R_ir为近红外波段反射率，R_r为红外波段反射率。

5.根据权利要求3所述的方法，其特征在于，所述预设规则包括：

6.根据权利要求5所述的方法，其特征在于，所述若各峰值的尺度的数量大于所述植物类型的数量，则对照遥感影像对象边界与地面样本边界，确定相应的各植物类型的峰值拟合影像尺度，包括：

7.根据权利要求1所述的方法，其特征在于，所述根据目标区域植物个体和种群的影像尺度，对在所述待测遥感影像中预先选择的样本在植物个体和种群的影像尺度上进行植被分类，包括：

8.根据权利要求7所述的方法，其特征在于，所述智能学习机的方法包括：支持向量机SVM方法。

9.根据权利要求1所述的方法，其特征在于，所述空间结构参数，包括：斑块植被多样性指数、斑块植被密度、乔木覆盖度、灌木覆盖度、草地覆盖度、斑块面积和斑块形状指数。

10.根据权利要求9所述的方法，其特征在于，所述斑块植被多样性指数HI是通过第二公式计算得到的，

所述第二公式为：

HI = - Σ_{k = 1}^{n} (P_{k}) 1 n (P_{k}),

所述斑块植被密度PD是通过第三公式计算得到的，

所述第三公式为：

PD = \frac{n}{A_{p}},

其中，A_p为群落面积；

所述乔木覆盖度f_t是通过第四公式计算得到的，

所述第四公式为：

f_{t} = \frac{A_{t} \cdot F_{c}}{A_{p}}

F_{c} = \frac{NDVI - {NDVI}_{\min}}{{NDVI}_{\max} - {NDVI}_{\min}},

所述灌木覆盖度f_s是通过第六公式计算得到的，

所述第六公式为：

f_{s} = \frac{A_{s} \cdot F_{c}}{A_{p}},

其中，A_s为灌木斑块面积；

所述草地覆盖度f_g是通过第七公式计算得到的，

所述第七公式为：

f_{g} = \frac{A_{g} \cdot F_{c}}{A_{p}},

其中，A_g为草地斑块面积；

所述斑块面积A是通过第八公式计算得到的，

所述第八公式为：

A＝A_p；

所述斑块形状指数SI是通过第九公式计算得到的，

所述第九公式为：

SI = \frac{P}{4 \sqrt{A}},

其中，P为群落斑块周长。