CN105004320B - 一种高分卫星数据陆表植被覆盖度反演方法及系统 - Google Patents
一种高分卫星数据陆表植被覆盖度反演方法及系统 Download PDFInfo
- Publication number
- CN105004320B CN105004320B CN201510313809.4A CN201510313809A CN105004320B CN 105004320 B CN105004320 B CN 105004320B CN 201510313809 A CN201510313809 A CN 201510313809A CN 105004320 B CN105004320 B CN 105004320B
- Authority
- CN
- China
- Prior art keywords
- vegetation coverage
- pixel
- reflectivity
- land table
- wfv
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种高分卫星数据陆表植被覆盖度反演方法及系统,所述方法包括:获取高分一号卫星宽视场成像仪WFV采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;根据所述每个像元的地表反射率,得到每个像元的归一化植被指数NDVI;分别判断每个像元的NDVI是否大于预设阈值,若是,则根据陆表植被覆盖度神经网络反演模型对该像元进行植被覆盖度反演;若否,则将该像元的植被覆盖度设置为零。本发明的高分卫星数据陆表植被覆盖度反演方法及系统解决了现有的高分卫星数据植被覆盖度反演方法对不同的区域需要建立不同的反演模型的问题。
Description
技术领域
本发明涉及陆表遥感技术领域,具体涉及一种高分卫星数据陆表植被覆盖度反演方法及系统。
背景技术
植被覆盖度通常定义为绿色植被在地面的垂直投影面积占统计区总面积的百分比,是刻画地表植被覆盖状况的重要参数。植被覆盖度在地表过程模拟中具有重要地位,例如在气候模式中是描述生态系统的重要生态气候参数,在水文生态模型中的空间分布和时间变化动态是能量和水循环的影响因子。另外,从一般的应用层面看,植被覆盖度在农业、林业、资源环境管理、土地利用、水文、灾害风险监测、干旱监测等领域都有广泛的应用。因此,实现准确、快速的获取高时空分辨率陆表植被覆盖度具有重要意义。
遥感技术能够提供地表的多源多维多时相信息,为高时空分辨率陆表植被覆盖度估算提供了有效手段。高分一号卫星是我国高分辨率(简称高分)对地观测系统重大专项的首发星,其搭载的4台宽视场成像仪(Wide Field View,WFV)可以获取16米空间分辨率、4天重访周期和800公里幅宽的多光谱数据。高分一号卫星WFV数据实现了高空间分辨率、多光谱与高时间分辨率相结合的光学遥感技术,为各种定量化应用奠定了基础,是高空间分辨率植被覆盖度快速、动态监测的有效数据源。但目前较为成熟和广泛应用的高空间分辨率遥感数据植被覆盖度反演算法多为经验性方法,不同的区域需要建立不同的反演模型,不利于推广和满足业务化产品生产需要。国产高分卫星数据需要能够业务化运行的陆表植被覆盖度反演方法,以发挥高分卫星数据在陆表植被状况监测中的巨大应用潜力。
发明内容
本发明所要解决的技术问题是现有的高分卫星数据植被覆盖度反演方法多为经验性方法,不同的区域需要建立不同的反演模型。
为此目的,第一方面,本发明提出一种高分卫星数据陆表植被覆盖度反演方法,包括:
获取高分一号卫星宽视场成像仪WFV采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;
根据所述每个像元的地表反射率,得到每个像元的归一化植被指数NDVI;
分别判断每个像元的NDVI是否大于预设阈值;
若是,则根据陆表植被覆盖度神经网络反演模型对该像元进行植被覆盖度反演;
若否,则将该像元的植被覆盖度设置为零。
可选的,所述对所述影像数据进行预处理,包括:
对所述影像数据进行大气纠正,得到地表反射率数据;
对所述地表反射率数据进行几何纠正,得到空间精确定位的数据。
可选的,所述陆表植被覆盖度神经网络反演模型通过以下步骤建立:
根据预设冠层反射率模型以及多个预设模型参数,得到与多个预设陆表植被覆盖度一一对应的模拟冠层反射率;
根据高分一号卫星宽视场成像仪WFV的光谱响应函数,重采样所述模拟冠层反射率,得到与所述多个预设陆表植被覆盖度一一对应的WFV模拟光谱反射率以形成陆表植被覆盖度神经网络反演模型构建所需的训练样本集;其中,所述训练样本集中的一个训练样本由一个所述预设陆表植被覆盖度和与该预设陆表植被覆盖度对应的WFV模拟光谱反射率构成;
根据所述训练样本集,训练预设的神经网络模型,得到陆表植被覆盖度神经网络反演模型。
可选的,所述预设的神经网络模型包括输入层、中间层和输出层;
其中,所述输入层包括3个节点,所述3个节点分别对应WFV绿波段地表光谱反射率、WFV红波段地表光谱反射率和WFV近红外波段地表光谱反射率;
所述中间层包括6个节点;
所述输出层为1个节点,该节点为输入层输入的地表光谱反射率对应的植被覆盖度。
第二方面,本发明还提出一种高分卫星数据陆表植被覆盖度反演系统,包括:
预处理单元,用于对所述获取高分一号卫星宽视场成像仪WFV采集的影像数据进行预处理,得到每个像元的地表反射率;
NDVI获取单元,用于根据所述预处理单元得到的每个像元的地表反射率,得到每个像元的归一化植被指数NDVI;
判断单元,用于分别判断每个像元的NDVI是否大于预设阈值;
反演单元,用于在所述判断单元判断像元的NDVI大于预设阈值时,根据陆表植被覆盖度神经网络反演模型对该像元进行植被覆盖度反演;以及
在所述判断单元判断像元的NDVI不大于预设阈值时,将该像元的植被覆盖度设置为零。
可选的,所述预处理单元,用于对所述影像数据进行大气纠正,得到地表反射率数据;以及对所述地表反射率数据进行几何纠正,得到精确地理定位的数据。
相比于现有技术,本发明的高分卫星数据陆表植被覆盖度反演方法及系统适用于高分一号卫星WFV数据的自动化植被覆盖度反演,在利用冠层反射率模型和高分一号卫星WFV传感器光谱响应函数模拟冠层反射率的基础上,建设模拟的冠层反射率及其对应的植被覆盖度组成的样本数据集,利用模拟的样本数据集训练和检验神经网络模型,生成基于高分一号卫星WFV反射率数据的植被覆盖度反演神经网络模型。在业务化生产高分一号卫星植被覆盖度产品中具有巨大应用潜力,为基于国产高分辨率卫星进行陆表植被状况监测提供技术支持。
附图说明
图1为本发明实施例提供的一种高分卫星数据陆表植被覆盖度反演方法流程图;
图2为本发明实施例提供的一种建立高分卫星数据陆表植被覆盖度神经网络反演模型的流程图;
图3为本发明实施例提供的一种预设的神经网络模型的结构图;
图4为本发明实施例提供的一种高分卫星数据陆表植被覆盖度反演系统结构图;
图5为本发明实施例提供的一种利用地面照片提取植被覆盖度的示意图;
图6为本发明实施例提供的一种利用高分一号卫星WFV数据和本发明实施例的方法反演的植被覆盖度及其与NDVI的关系示意图;
图7为本发明实施例提供的一种高分一号卫星WFV数据反演植被覆盖度与地面照片提取植被覆盖度散点图(左)以及高分一号卫星WFV数据反演植被覆盖度与NDVI关系(右)。
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地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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实施例,都属于本发明保护的范围。
如图1所示,本实施例公开一种高分卫星数据陆表植被覆盖度反演方法,该方法可包括以下步骤101至105:
101、获取高分一号卫星宽视场成像仪WFV采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;
102、根据所述每个像元的地表反射率,得到每个像元的归一化植被指数NDVI;
103、分别判断每个像元的NDVI是否大于预设阈值,若是,则执行步骤104;若否,则执行步骤105;
104、根据陆表植被覆盖度神经网络反演模型对该像元进行植被覆盖度反演;
105、将该像元的植被覆盖度设置为零。
在一个具体的例子中,步骤101中对所述影像数据进行预处理,包括:
对所述影像数据进行大气纠正,得到地表反射率;
对所述大气纠正后的地表反射率数据进行几何纠正,得到空间精确定位的数据。
大气纠正是消除大气和光照等因素对地物反射的影响,将影像的DN值转化为真实地表反射率。几何纠正是消除影像的几何畸变,使其地理定位精度提高,能够匹配实际地物的位置。
在一个具体的例子中,步骤102中,利用每个像元的地表反射率中红波段和近红外波段地表反射率,计算得到的归一化植被指数(Normalized Difference VegetationIndex,NDVI),NDVI是指示植被生长状况的一个重要指标,被经常用来与植被覆盖度进行回归而得到高精度的小区域范围的植被覆盖度估算结果。
在一个具体的例子中,步骤103中,首先利用NDVI指标把影像分成植被和非植被像元分别进行植被覆盖度反演,可以有效抑非植被像元造成神经网络反演的异常值出现。本实施例中采用NDVI阈值0.05作为植被和非植被像元的判定阈值。NDVI小于0.05的像元判定为非植被,植被覆盖度设置为0,反之若像元判定为植被像元,植被覆盖度利用神经网络模型进行反演。
在一个具体的例子中,如图2所示,步骤104中所述陆表植被覆盖度神经网络反演模型通过以下步骤201至203建立:
201、根据预设冠层反射率模型以及多个预设模型参数,得到与多个预设陆表植被覆盖度一一对应的模拟冠层反射率;
202、根据高分一号卫星宽视场成像仪WFV的光谱响应函数,重采样所述模拟冠层反射率,得到与所述多个预设陆表植被覆盖度一一对应的WFV模拟光谱反射率以及构建陆表植被覆盖度神经网络反演模型所需的训练样本集;其中,所述训练样本集中的一个训练样本由一个所述预设陆表植被覆盖度和与该预设陆表植被覆盖度对应的WFV模拟光谱反射率构成;
203、根据所述训练样本集,训练预设的神经网络模型,得到陆表植被覆盖度神经网络反演模型。
在一个具体的例子中,步骤201中,冠层反射率模型定量表达了植被覆盖度与冠层反射率之间的物理依赖关系,本实施例采用广泛应用的叶片反射率模型(PROSPECT模型)与冠层二项反射率模型(SAIL模型)耦合的辐射传输模型(称为PROSPECT+SAIL耦合模型)模拟植被冠层反射率。PROSPECT模型是基于平板模型的辐射传输模型,通过叶片的生物化学特性来模拟叶片从400nm到2500nm的上行和下行辐射通量而得到叶片的光学特性,即叶片的半球反射率和透射率。PROSPECT模型的输入参数有叶绿素含量Cab、等效水厚度Cw,干物质含量Cm,类胡萝卜素含量Car,黄色素含量Cbrown和叶片结构参数N,PROSPECT模型的输出参数叶片的半球反射率和透射率作为SAIL模型的输入参数。SAIL模型描述了在水平均匀冠层中直射和上行下行散射光通量的辐射传输过程。当给定冠层结构参数和环境参数时,SAIL模型可以计算任何太阳高度和观测方向的冠层反射率。SAIL模型的主要输入参数包括叶片的反射率和透射率、叶面积指数LAI、叶倾角分布ALA、太阳天顶角和方位角、观测天顶角和方位角等。在混浊介质假设情况下,LAI和ALA之间具有经典的间隙率关系,植被覆盖度可以基于天顶观测的LAI和ALA之间的间隙率关系得到。因此,PROSPECT+SAIL耦合模型实现从地表植被理化、几何参数和光谱特性获得植被冠层反射率,而遥感影像通过大气纠正也可以得到地表植被冠层反射率,从而将遥感影像与植被覆盖度通过物理过程联系起来。已有研究结果表明,模型的输入参数在一定的合理误差范围内是允许的,并且不会降低反演的精度。因此结合已有研究结果,设置PROSPECT+SAIL耦合模型的输入参数如表1所示。
表1 PROSPECT+SAIL耦合模型输入参数表
土壤反射率数据是PROSPECT+SAIL耦合模型的另一个输入参数。本实施例中土壤反射率数据是从全球分布的土壤反射率实验室(International Soil Reference andInformation Centre)获得。该反射率数据包含多种具有不同属性的土壤类型,具有很好的代表性。中国区域具有包含47个采样位置的245条土壤光谱反射率数据。为了消除相似土壤反射率数据中的冗余信息,需要选择具有代表性的土壤光谱反射率。本实施例中,利用光谱角相似性去除相似土壤光谱反射率的冗余信息。两个具有n波段的光谱向量X=(x1,x2,…,xn)和Y=(y1,y2,…,yn),可以采用光谱角度匹配方法测量光谱间的差异性,如下式:
其中α为两个光谱向量之间的角度,α值域为0~π/2,当α=0时表示两个光谱完全相似,而α=π/2时则两个光谱完全不同,在0~π/2之间,α值越大表示两个光谱之间差异越大。本实施例中,如果两个土壤反射率之间的光谱角小于0.05,认为两个土壤反射率是相似的,把所有相似的光谱反射率进行平均得到一条代表性的光谱反射率曲线。最后,13条光谱反射率曲线被确定代表土壤反射率曲线的可能范围而作为PROSPECT+SAIL耦合模型的输入。
对于表1中不同输入参数的每一组不同组合,分别利用PROSPECT+SAIL耦合模型模拟植被冠层反射率,得到与多个预设陆表植被覆盖度一一对应的模拟冠层反射率。
在一个具体的例子中,步骤202中,利用高分一号卫星宽视场成像仪WFV的光谱响应函数重采样模拟冠层反射率,得到与所述多个预设陆表植被覆盖度一一对应的WFV模拟光谱反射率。本实施例中的WFV模拟光谱反射率值加入了信噪比为100的高斯白噪声用于模拟模型和卫星观测的不确定性。
在一个具体的例子中,步骤203中所述预设的神经网络模型包括输入层、中间层和输出层;
其中,所述输入层包括3个节点,所述3个节点分别对应WFV绿波段地表光谱反射率、WFV红波段地表光谱反射率和WFV近红外波段地表光谱反射率;
所述中间层包括6个节点;
所述输出层为1个节点,该节点为输入层输入的地表光谱反射率对应的植被覆盖度。
神经网络算法是用计算机模拟人类学习的过程,建立输入和输出数据之间联系的方法。由于神经网络对于噪声数据具有很好的鲁棒性和能够近似多变量之间的非线性关系,因此广泛应用于遥感数据的陆表参数反演。目前,应用和研究最多的是利用反向传播算法(BP算法)训练权值的多层前馈神经网络。该网络的学习训练过程由正向传播和反向传播组成,在正向传播过程中,输入信息从输入层经隐含层逐层处理,并传向输出层,若在输出层得不到期望的输出,则输入反向传播,将误差信号沿原路返回,通过修改各层神经元间的权值,达到误差最小。本实施例中,预设的神经网络模型的结构如图3所示,神经网络的输入层包括高分一号卫星宽视场成像仪数据的绿波段、红波段和近红外波段地表反射率数据,输出层为对应的植被覆盖度值,隐含层设置为6个节点。神经网络的隐含层和输出节点的激活函数分别设置为“signoid”和“tansig”,训练函数设置为莱文贝格-马夸特最小化算法。上述训练样本集随机分成两份,其中90%用于神经网络的训练,剩余10%用于神经网络训练过程中的精度检验。神经网络训练截止的精度指标为均方根误差小于0.005。最后,经过414次迭代训练,神经网络的训练精度达到预期目标,得到陆表植被覆盖度神经网络反演模型。
如图4所示,本实施例公开一种高分卫星数据陆表植被覆盖度反演系统,该系统可包括以下单元:预处理单元41、NDVI获取单元42、判断单元43和反演单元44。
预处理单元41,用于对获取的高分一号卫星宽视场成像仪WFV采集的影像数据进行预处理,得到每个像元的地表反射率;
NDVI获取单元42,用于根据所述预处理单元41得到的每个像元的地表反射率,得到每个像元的归一化植被指数NDVI;
判断单元43,用于分别判断每个像元的NDVI是否大于预设阈值,
反演单元44,用于在所述判断单元43判断像元的NDVI大于预设阈值时,根据陆表植被覆盖度神经网络反演模型对该像元进行植被覆盖度反演;以及
在所述判断单元判断像元的NDVI不大于预设阈值时,将该像元的植被覆盖度设置为零。
在一个具体的例子中,所述预处理单元41,用于对所述影像数据进行大气纠正,得到地表反射率;以及对所述大气纠正后的地表反射率数据进行几何纠正,得到空间精确定位的数据。
本实施例的高分卫星数据陆表植被覆盖度反演系统可执行上述方法步骤,本实施例不再赘述。
为了评价本发明实施例提出反演算法的精度,在河北的围场县进行了案例分析。本发明实施例获取了高分一号卫星于2014年7月27日拍摄的覆盖实验区的WFV影像,利用中国资源卫星应用中心提供的定标参数对获取影像进行了辐射纠正,并利用FLAASH大气纠正方法对影像进行了大气纠正,获得了高分一号卫星WFV地表反射率数据。采用二次多项式纠正方法,以Landsat数据为底图选择控制点对大气纠正后地表反射率数据进行几何纠正,误差在一个Landsat像元之内。最终获得了精确几何定位的16米空间分辨率高分一号卫星WFV地表反射率数据。
与卫星数据获取同步时间,于2014年7月24日至27日进行了地面观测实验。实验选取了39个采样点,包括3个土豆地、3个玉米地、2个小麦地、8个草地、3个湿地、3个草和灌木混合地、13个松林、3个白桦林和1个松林白桦混合林。在采样点位置利用相机垂直拍照的方法获取样点照片,照片通过在L*a*b颜色空间的一种高斯模拟和分割算法得到植被和非植被照片像元点,进而估算照片的植被覆盖度(图5,图5中上部为原始照片,下部为分割结果)。但是,从分割的结果来看,林地样点照片植被覆盖度的提取明显存在低估现象,主要原因是树干和茂密的树枝会遮挡绿色树叶,造成绿色树叶的提取比实际偏小,这种显现对于松树尤其明显。同时这种分割方法在茂密的玉米地也存在轻微的低估现象,主要是由于玉米底部的叶片易于处于上部叶片的阴影中,造成底部叶片不能有效提取。细小的草叶由于有些稍微发黄,也会造成分割的时候被忽略,造成照片提取的植被覆盖度会稍低于实际值。这些低估现象都应该在精度验证的时候考虑到。
高分一号卫星WFV数据植被覆盖度反演精度评价采用了间接和直接两种方法。间接方法采用对比植被覆盖度与NDVI的关系,因为植被覆盖度与NDVI有很强的统计学关系,而且NDVI经常通过与植被覆盖度的回归关系在小区域尺度进行植被覆盖度的估算,精度较好。因此,反演的植被覆盖度如果与相应的NDVI具有很强的相关关系,就能间接证明反演的植被覆盖度是可靠的。直接方法采用提取地面观测点位置处高分一号卫星WFV数据反演的植被覆盖度,并与地面提取值进行直接对比。
图6展示了案例实验区利用高分一号卫星WFV数据和本发明实施例的方法反演的植被覆盖度及其与NDVI的关系,图6中实验区利用高分一号卫星WFV数据反演的植被覆盖度(左)、NDVI(中)以及反演的植被覆盖度与NDVI的散点密度图(右)。目视来看,高分一号卫星WFV数据反演的植被覆盖度高值主要分布在林区和农田区,低值分布在草地区,说明反演的植被覆盖度具有合理性。同时,反演的植被覆盖度与研究区的NDVI具有高度的空间一致性(图6左和中),而且从密度散点图可以发现两者之间具有高度的相关性。这从侧面证明了本发明实施例的方法提出的高分一号卫星WFV数据植被覆盖度反演算法是合理的、可靠的,能够用于高分一号卫星WFV数据植被覆盖度的反演。
直接比较地面照片提取的植被覆盖度与高分一号卫星WFV数据反演的植被覆盖度是另一种评价本发明实施例提供的方法可靠性的手段。从地面照片提取和高分一号卫星WFV数据反演的植被覆盖度的散点图(图7,图7中高分一号卫星WFV数据反演植被覆盖度与地面照片提取植被覆盖度散点图(左)以及高分一号卫星WFV数据反演植被覆盖度与NDVI关系(右))可以看出两者具有较好的线性关系。前面提到地面照片提取的松树区植被覆盖度存在明显的低估现象,因此去除松树测量样本点本发明植被覆盖度反演的效果(R2=0.782,RMSE=0.139)明显好于利用所有测量样本点的效果(R2=0.587,RMSE=0.169)。在松林样点位置,本发明实施例的方法利用高分一号卫星WFV数据反演的植被覆盖度主要集中在70%-85%之间,这是一个很合理的分布,主要原因是该地区松树基本上都是人工种植林,林分密度和树冠结构相似,因此植被覆盖度相似并主要集中在一个较高水平,所以本发明实施例的方法估算的松林区植被覆盖度更能反映实际的植被覆盖度状况。同样,在玉米和土豆农田区,两种作物都处于生长的旺盛期,具有非常高的植被覆盖度,从高分一号卫星WFV数据反演的植被覆盖度可以体现这种生长状况,植被覆盖度都集中在90%左右。但是部分地面照片提取的植被覆盖度却存在低估现象,主要原因是茂盛叶片的相互遮挡,导致位于上部叶片阴影区的下方叶片无法在照片提取植被覆盖度时被正确提取出,出现提取的植被覆盖度低于实际情况的现象。草地区域的草叶非常细小而易于在照片提取植被覆盖度时被忽略,但仍然对卫星接收信号有影响,因此,草地区域高分一号卫星WFV数据反演植被覆盖度略高于地面照片提取值也是可以理解的。
总之,在不考虑地面照片提取植被覆盖度不确定性和去除松树样点的情况下,高分一号卫星WFV数据反演和地面照片提取的植被覆盖度的差值绝大部分都在±15%的误差区间内。如果考虑地面照片提取植被覆盖度的不确定性,高分一号卫星WFV数据利用本发明实施例的方法的反演精度会更高。同样,所有地面观测样点位置的NDVI也提取出来用于分析与高分一号卫星WFV数据反演植被覆盖度的关系(图7右),发现两者具有很好的线性关系(R2=0.978),进一步证明了本发明方法的可靠性和合理性。综上所述,本发明方法可以有效的利用高分一号卫星WFV数据进行植被覆盖度反演,并且由于其自动化运算的特点而适用于利用高分一号卫星地表反射率数据进行业务化生产植被覆盖度产品。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (5)
1.一种高分卫星数据陆表植被覆盖度反演方法,其特征在于,包括:
获取高分一号卫星宽视场成像仪WFV采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;
根据所述每个像元的地表反射率,得到每个像元的归一化植被指数NDVI;
分别判断每个像元的NDVI是否大于预设阈值;
若是,则根据陆表植被覆盖度神经网络反演模型对该像元进行植被覆盖度反演;
若否,则将该像元的植被覆盖度设置为零;
所述陆表植被覆盖度神经网络反演模型通过以下步骤建立:
根据预设冠层反射率模型以及多个预设模型参数,得到与多个预设陆表植被覆盖度一一对应的模拟冠层反射率;
根据高分一号卫星宽视场成像仪WFV的光谱响应函数,重采样所述模拟冠层反射率,得到与所述多个预设陆表植被覆盖度一一对应的WFV模拟光谱反射率,以构建陆表植被覆盖度神经网络反演模型所需的训练样本集;其中,所述训练样本集中的一个训练样本由一个所述预设陆表植被覆盖度和与该预设陆表植被覆盖度对应的WFV模拟光谱反射率构成;
根据所述训练样本集,训练预设的神经网络模型,得到陆表植被覆盖度神经网络反演模型。
2.根据权利要求1所述的方法,其特征在于,所述对所述影像数据进行预处理,包括:
对所述影像数据进行大气纠正,得到地表反射率数据;
对所述地表反射率数据进行几何纠正,得到空间精确定位的数据。
3.根据权利要求1所述的方法,其特征在于,所述预设的神经网络模型包括输入层、中间层和输出层;
其中,所述输入层包括3个节点,所述3个节点分别对应WFV绿波段地表光谱反射率、WFV红波段地表光谱反射率和WFV近红外波段地表光谱反射率;
所述中间层包括6个节点;
所述输出层为1个节点,该节点为输入层输入的光谱反射率对应的植被覆盖度。
4.一种高分卫星数据陆表植被覆盖度反演系统,其特征在于,包括:
预处理单元,用于对获取高分一号卫星宽视场成像仪WFV采集的影像数据进行预处理,得到每个像元的地表反射率;
NDVI获取单元,用于根据所述预处理单元得到的每个像元的地表反射率,得到每个像元的归一化植被指数NDVI;
判断单元,用于分别判断每个像元的NDVI是否大于预设阈值,
反演单元,用于在所述判断单元判断像元的NDVI大于预设阈值时,根据陆表植被覆盖度神经网络反演模型对该像元进行植被覆盖度反演;以及
在所述判断单元判断像元的NDVI不大于预设阈值时,将该像元的植被覆盖度设置为零;
所述陆表植被覆盖度神经网络反演模型通过以下步骤建立:
根据预设冠层反射率模型以及多个预设模型参数,得到与多个预设陆表植被覆盖度一一对应的模拟冠层反射率;
根据高分一号卫星宽视场成像仪WFV的光谱响应函数,重采样所述模拟冠层反射率,得到与所述多个预设陆表植被覆盖度一一对应的WFV模拟光谱反射率,以构建陆表植被覆盖度神经网络反演模型所需的训练样本集;其中,所述训练样本集中的一个训练样本由一个所述预设陆表植被覆盖度和与该预设陆表植被覆盖度对应的WFV模拟光谱反射率构成;
根据所述训练样本集,训练预设的神经网络模型,得到陆表植被覆盖度神经网络反演模型。
5.根据权利要求4所述的系统,其特征在于,所述预处理单元,用于对所述影像数据进行大气纠正,得到地表反射率;以及对所述大气纠正后地表反射率数据进行几何纠正,得到空间精确定位的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510313809.4A CN105004320B (zh) | 2015-06-09 | 2015-06-09 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510313809.4A CN105004320B (zh) | 2015-06-09 | 2015-06-09 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105004320A CN105004320A (zh) | 2015-10-28 |
CN105004320B true CN105004320B (zh) | 2017-11-14 |
Family
ID=54377085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510313809.4A Active CN105004320B (zh) | 2015-06-09 | 2015-06-09 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105004320B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230186B (zh) * | 2016-03-23 | 2020-12-08 | 中国科学院遥感与数字地球研究所 | 一种卫星遥感影像物理匀色方法 |
CN107436193B (zh) * | 2017-09-13 | 2019-03-26 | 中南林业科技大学 | 一种基于遥感的林下光照强度估测方法 |
CN108647568B (zh) * | 2018-03-30 | 2022-05-17 | 电子科技大学 | 基于全卷积神经网络的草地退化自动提取方法 |
CN109033543B (zh) * | 2018-06-29 | 2020-06-30 | 北京师范大学 | 一种地表异质区植被覆盖度估算方法、装置及设备 |
CN109992863B (zh) * | 2019-03-22 | 2021-04-02 | 北京师范大学 | 一种lai反演方法和装置 |
CN112180406B (zh) * | 2020-09-17 | 2022-07-15 | 广东省科学院广州地理研究所 | 卫星影像的数据完整性监测方法、装置及设备 |
CN112598881B (zh) * | 2020-12-03 | 2022-03-25 | 中煤航测遥感集团有限公司 | 一种地质灾害监测方法、装置及计算机设备 |
CN112597610B (zh) * | 2020-12-28 | 2024-02-13 | 优必康(青岛)科技有限公司 | 机械臂结构轻量化设计的优化方法、装置及设备 |
CN113029971B (zh) * | 2021-02-10 | 2023-01-31 | 北京农业信息技术研究中心 | 一种作物冠层氮素监测方法及系统 |
CN113553549B (zh) * | 2021-07-26 | 2023-04-14 | 中国科学院西北生态环境资源研究院 | 一种植被覆盖度反演方法、装置、电子设备及存储介质 |
CN113722990B (zh) * | 2021-08-23 | 2023-10-10 | 中国地质大学(武汉) | 基于植被指数三维矩阵的叶片干物质含量反演方法及系统 |
CN114441456B (zh) * | 2022-04-08 | 2022-12-09 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
CN115993336B (zh) * | 2023-03-23 | 2023-06-16 | 山东省水利科学研究院 | 一种输水渠渠道两侧植被损坏监测方法及预警方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004151092A (ja) * | 2002-10-11 | 2004-05-27 | Three N Gijutsu Consultant:Kk | 植生のモニタリング方法 |
JP4427383B2 (ja) * | 2004-04-30 | 2010-03-03 | 株式会社トプコン | 測定方法及び測定システム |
CN102628689B (zh) * | 2012-04-19 | 2014-04-30 | 中国气象局气象探测中心 | 作物覆盖度自动在线观测方法及装置 |
CN103234524A (zh) * | 2013-03-28 | 2013-08-07 | 中国神华能源股份有限公司 | 矿区煤火的监测方法及装置 |
-
2015
- 2015-06-09 CN CN201510313809.4A patent/CN105004320B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN107389036B (zh) * | 2017-08-02 | 2019-07-12 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105004320A (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105004320B (zh) | 一种高分卫星数据陆表植被覆盖度反演方法及系统 | |
Jin et al. | A review of data assimilation of remote sensing and crop models | |
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
Clevers et al. | A framework for monitoring crop growth by combining directional and spectral remote sensing information | |
Vaesen et al. | Ground-measured spectral signatures as indicators of ground cover and leaf area index: the case of paddy rice | |
Clevers | Imaging spectrometry in agriculture-plant vitality and yield indicators | |
CN110020635A (zh) | 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统 | |
Popescu et al. | Remote sensing in the analysis and characterization of spatial variability of the territory. a study case in Timis County, Romania. | |
CN106779067B (zh) | 基于多源遥感数据的土壤湿度重建方法和系统 | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
CN110414738A (zh) | 一种农作物产量预测方法及系统 | |
CN111523525A (zh) | 农作物分类识别方法、装置和电子设备 | |
Kuester et al. | Simulation of multitemporal and hyperspectral vegetation canopy bidirectional reflectance using detailed virtual 3-D canopy models | |
Kong et al. | Evaluation of four image fusion NDVI products against in-situ spectral-measurements over a heterogeneous rice paddy landscape | |
Fathololoumi et al. | Surface biophysical features fusion in remote sensing for improving land crop/cover classification accuracy | |
CN113252583A (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
Cheng et al. | Estimating canopy-scale chlorophyll content in apple orchards using a 3D radiative transfer model and UAV multispectral imagery | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
Pieri et al. | Estimation of actual evapotranspiration in fragmented Mediterranean areas by the spatio-temporal fusion of NDVI data | |
Han et al. | Integrating an attention-based deep learning framework and the SAFY-V model for winter wheat yield estimation using time series SAR and optical data | |
Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
CN113435574A (zh) | 一种卷积神经网络土壤速效钾分析模型构建系统及方法 | |
Rautiainen | The spectral signature of coniferous forests: the role of stand structure and leaf area index | |
Biswal et al. | Spatialization of crop growth simulation model using remote sensing | |
Timmermans | Coupling optical and thermal directional radiative transfer to biophysical processes in vegetated canopies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |