CN106446555B - 基于时序相似性的植被变化发生时间检测方法 - Google Patents

基于时序相似性的植被变化发生时间检测方法 Download PDF

Info

Publication number
CN106446555B
CN106446555B CN201610861446.2A CN201610861446A CN106446555B CN 106446555 B CN106446555 B CN 106446555B CN 201610861446 A CN201610861446 A CN 201610861446A CN 106446555 B CN106446555 B CN 106446555B
Authority
CN
China
Prior art keywords
time
distance
coupling relationship
year
timing curve
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.)
Expired - Fee Related
Application number
CN201610861446.2A
Other languages
English (en)
Other versions
CN106446555A (zh
Inventor
邱炳文
王壮壮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201610861446.2A priority Critical patent/CN106446555B/zh
Publication of CN106446555A publication Critical patent/CN106446555A/zh
Application granted granted Critical
Publication of CN106446555B publication Critical patent/CN106446555B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于时序相似性的植被变化发生时间检测方法，该方法首先建立研究区多年时空连续的植被指数时序数据，然后逐像元逐年计算历年与起始年份植被指数时序曲线的JM距离，生成历年与起始年份JM距离的时序曲线；利用logistic模型拟合历年与起始年份JM距离的时序曲线，从logistic模型参数中获取时间参数，实现植被变化时间的自动提取。该方法利用历年与起始年份植被指数时序曲线的JM距离指示时序相似性，从逐年时序相似性的变化规律中获取植被发生变化时间。该方法能有效地检测时序曲线在幅度、频率等各方面的变化，避免了将原始光谱指数时序数据进行分解的繁琐程序，解决了难以直接从原始光谱指数时序数据中提取指标来全面表征植被变化的难题。

Description

基于时序相似性的植被变化发生时间检测方法
技术领域
本发明数据挖掘技术领域，特别是涉及一种基于时序相似性的植被变化发生时间检测方法。
背景技术
植被为我们提供氧气和食物，在生态系统平衡中发挥着非常重要的作用。植被变化与全球变化关系密切，因此备受关注。目前植被变化监测集中在森林植被变化方面。在植被遥感动态监测方面，比较常用的方法有LandTrendr(Landsat-based Detection ofTrends in Disturbance and Recovery)和BFAST(Break Detection For Additive andTrend)方法。这些基于遥感影像时间序列数据的变化监测方法，为植被变化时空连续监测提供了新的发展导向。但这些方法一般基于光谱指数时序数据，通常需要开展时间序列的分解和重构，通过阈值的设置判断植被发生突变或干扰情况。由于遥感影像原始波段反射率数据往往受到大气条件、太阳高度角变化等各种因素的影响，从而导致在此基础上计算的光谱指数数据不可避免存在一定的不确定性。因此，在基于光谱指数的植被变化监测方法应用过程中，不可避免存在一定的问题。本发明拟从历年与起始年份时序相似性变化的角度，通过建立时序相似性变化曲线，揭示历年与起始年份相比是否发生了变化，达到自动获取植被变化发生时间的目的。
发明内容
有鉴于此，本发明的目的是提供一种基于时序相似性的植被变化发生时间检测方法，该方法适用于大范围快速监测的需求，具有自动化程度高、简单易用、鲁棒性好以及分类精度高等特点。
本发明采用以下方案实现：一种基于时序相似性的植被变化发生时间检测方法，包括以下步骤：
步骤S01：逐像元建立多年时空连续植被指数时序曲线；
步骤S02：基于植被指数时序曲线，逐年依次计算其他年份与起始年份的JM距离；
步骤S03：依次按时间顺序生成其他各年份与起始年份JM距离的时序曲线；
步骤S04：基于多年JM距离时序曲线，进行logistic模型拟合；
步骤S05：从logistic模型拟合结果中获取植被变化发生时间；
步骤S06：对植被变化发生时间进行自动提取，获得研究区植被变化时间分布图。
特别地，该方法逐像元基于多年植被指数时序曲线，通过逐年计算与开始年份的Jeffries-Matusita(JM)距离，衡量历年与开始年份的时序相似性，进一步基于多年时序相似性曲线的变化规律，实现植被变化发生时间的自动提取。
进一步地，在所述步骤S02中，逐期基于遥感影像近红外、红光波段反射率数据，计算植被指数；按照时间顺序，生成原始植被指数时序数据；然后采用Whittaker smoother数据平滑方法，逐像元构建多年时空连续的植被指数时序数据集，在此基础上逐像元建立多年时空连续植被指数时序曲线。
进一步地，在所述步骤S02中，逐年依次计算该年份与起始年份植被植被指数时序曲线的JM距离；通过两个年份植被指数时序曲线的JM距离揭示其时序相似性变化；时序曲线的JM距离能很好地揭示不同时序曲线在频率、幅度以及物候等各方面的差异；JM距离越大表示两者的相似程度越小，反之，JM距离越小表示两个年份的时序相似性越强。
进一步地，在所述步骤S03中，基于历年与起始年份植被植被指数时序曲线的JM距离，依次按时间顺序生成JM距离时序曲线，用以指示历年与起始年份的时序相似性变化规律。
进一步地，在所述步骤S04中，对历年与起始年份的JM距离时序曲线，进行logistic模型拟合；从logistic模型拟合参数中获取植被变化类型以及变化时间。
进一步地，在所述步骤S04中，logistic模型的公式如下所示：
其中：f(x)表示其他年份与起始年份的JM距离，自变量x为时间，用年份表示；其中参数a代表了研究时段内JM距离的变化量；参数b代表变化速率；参数c指示变化发生的时间；参数d表示变化发生前的JM距离。
进一步地，logistic模型参数b代表变化速率同时也指示变化类型；其中变化速率接近1表示为渐变型；设变化速率b的值域处在[0.9,1.1]区段内，则像元的变化类型为渐变型；变化速率b大于1.1或者小于0.9，则像元的变化类型为突变型。
进一步地，在所述步骤S05中，对于突变型的像元，从logistic模型参数c中获取植被变化发生时间。
特别地，多年植被指数时序数据/时序曲线为从起始年份的元旦开始，按时间顺序，一直到结束年份的年末，按照一定的时间步长，如每8天或逐日记录记录所形成的植被指数的数据序列/时序曲线。
进一步地，在所述步骤S01-S06中，通过计算历年与起始年份时序曲线的时序相似性的变化规律，获得植被变化发生时间。
特别地，该方法在城市化、退耕还林、耕地抛荒、田园园林化、林地采伐与矿山开采引起植被变化的发生时间自动检测领域中的应用。
与现有技术相比，本发明的显著优点在于：
1、基于时序相似度，而非原始光谱指数时序数据，一方面避免了将原始光谱指数时序数据分解为趋势、季节和扰动项等繁琐程序，另一方面也解决了难以直接从原始光谱指数时序数据中提取指标来全面表征植被变化的难题。
2、可以不借助已知训练数据，不需要人机交互，不依赖监督学习或机器学习方法，简便地实现植被变化时间的自动获取。
附图说明
图1为本发明实施例的实现流程图。
图2为2001-2015年MODIS OSAVI时序曲线。
图3为2002-2015年与2001年逐年JM距离的时序曲线图。
图4为logistic模型及其模型参数对应的含义图。
图5为研究区植被变化发生时间的空间分布图。
图6为2002-2015年历年植被发生变化的面积的直方图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本实施例提供一种基于时序相似性的植被变化发生时间检测方法，包括以下步骤：
步骤S01：建立2001-2015年土壤调节型植被指数MODIS OSAVI时序曲线。
利用MODIS波段反射率数据，计算MODIS OSAVI时序数据，计算公式为：
其中NIR,Red分别为MODIS的近红外、红光波段的反射率。依据上述公式，逐期基于遥感影像波段数据，计算植被指数。按照时间顺序，生成原始MODIS OSAVI时序数据。数据的时间步长为8天。然后采用Whittaker smoother等数据平滑方法，逐像元构建多年时空连续的MODIS OSAVI时序数据集。在此基础上，逐像元建立2001-2015年土壤调节型植被指数MODIS OSAVI时序曲线。以宁夏回族自治区灵武市某区域实施退耕还林为例，所形成的2001-2015年8天合成的MODIS OSAVI时序曲线如图2所示。
其中，MODIS数据为中分辨率成像光谱仪数据，全称为Moderate ResolutionImaging Spectroradiometer。OSAVI为土壤调节植被指数，全称为Optimized SoilAdjusted Vegetation Index。用于表征植被生长状态以及空间分布密度。
步骤S02：基于MODIS OSAVI时序曲线，逐年计算其他年份与起始年份的JM距离
逐年计算2002-2015年与起始年份2001年MODIS OSAVI时序曲线的Jeffries-Matusita(JM)距离：
其中：(p(x|wi))1/2为条件概率密度。JMi,j的值在0～2之间，其大小指示时序曲线之间的相似程度。JM距离的数值越大表示两条时序曲线的时序相似性越小。比如当0<JMi,j<1.0时，两条时序曲线比较相似；1.0<JMi,j<1.5时，两条时序曲线具有一定的时序相似性；1.5<JMi,j<2.0时，两条时序曲线的时序相似性比较小。
步骤S03：生成2002-2015年与起始年份2001年的JM距离的时序曲线图；
基于逐年计算的该年份与起始年份2001年MODIS OSAVI时序曲线的JM距离，生成2002-2015年与起始年份2001年的JM距离的时序曲线。该时序曲线指示2002-2015年与2001年植被指数的时序相似性变化规律。以图2为例，生成的2002-2015年与2001年逐年的JM距离的时序曲线图见图3。从2002到2007年这段时间内，各年份与起始年份2001年的JM距离都非常小，在0.6以下。从2008年开始略有增大，但仍在1.0以下。2009年与2001年的JM距离迅速增大到1.4以上。从2010年开始，各年份与起始年份2001年的JM距离均在1.7以上，接近2.0。2002-2015年与起始年份2001年的JM距离的时序曲线图，能很好地指示历年与起始年份2001年的植被指数时序曲线的时序相似度的变化规律。从2002到2015年，历年与起始年份2001年的时序相似度经历了一个从比较强突变到比较弱的过程。
步骤S04：基于2002-2015年JM距离时序曲线，进行logistic模型拟合
logistic模型的公式如下所示：
其中：f表示其他年份与2001年的JM距离，自变量x为时间，用年份表示。logistic模型中有四个参数，a,b,c,d分别具有一定的指示意义。其中参数a代表了研究时段内的变化量，变化量越大表示变化的程度越高；b代表变化速率；c指示变化发生的时间；d表示变化发生前的JM距离。logistic模型及其模型参数对应的含义图见图4。
步骤S05：从logistic模型拟合结果中获取植被变化发生时间；
logistic模型拟合的四个参数中，参数b代表变化速率同时也指示了变化类型(突变或渐变)。其中变化速率接近1表示为渐变型，本实施例中，如果变化速率的值域处在[0.9,1.1]区段内，则设定该像元的变化类型为渐变型。如果变化速率大于1.1或者小于0.9，则设定该像元的变化类型为突变型。对于突变型的像元，进一步从logistic模型的参数c中获取植被变化发生时间。对于渐变型的像元，从logistic模型的参数c所获得到的变化发生时间一般落在研究时段范围之外。在本实施例中不予考虑。
步骤S06：实现植被变化时间自动提取，获得研究区植被变化时间分布图；
基于上述所建立的植被变化发生时间检测流程与方法，逐像元提取植被变化发生时间，最终生成研究区植被变化发生时间分布图。依据上述流程，可实现植被变化发生时间的快速自动提取。以中国三北防护林地区为例，获得研究区植被变化发生时间的空间分布图见图5。2002-2015年历年植被发生变化的面积直方图见图6。由图可见，2006-2007年这两年内较大面积的植被发生了变化。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于时序相似性的植被变化发生时间检测方法，其特征在于：包括以下步骤：
步骤S01：逐像元建立多年时空连续植被指数时序曲线；
步骤S02：基于植被指数时序曲线，逐年依次计算其他年份与起始年份的JM距离；
步骤S03：依次按时间顺序生成其他各年份与起始年份JM距离的时序曲线；
步骤S04：基于多年JM距离时序曲线，进行logistic模型拟合；
步骤S05：从logistic模型拟合结果中获取植被变化发生时间；
步骤S06：对植被变化发生时间进行自动提取，获得研究区植被变化时间分布图；
其中，所述步骤S04中，logistic模型的公式如下所示：
其中：f(x)表示其他年份与起始年份的JM距离，自变量x为时间，用年份表示；其中参数a代表了研究时段内JM距离的变化量；参数b代表变化速率；参数c指示变化发生的时间；参数d表示变化发生前的JM距离。
2.根据权利要求1所述的一种基于时序相似性的植被变化发生时间检测方法，其特征在于：在所述步骤S02中，逐期基于遥感影像近红外、红光波段反射率数据，计算植被指数；按照时间顺序，生成原始植被指数时序数据；然后采用Whittaker smoother数据平滑方法，逐像元构建多年时空连续的植被指数时序数据集，在此基础上逐像元建立多年时空连续植被指数时序曲线。
3.根据权利要求1所述的一种基于时序相似性的植被变化发生时间检测方法，其特征在于：在所述步骤S02中，逐年依次计算该年份与起始年份植被指数时序曲线的JM距离；通过两个年份植被指数时序曲线的JM距离揭示其时序相似性变化；JM距离越大表示两者的相似程度越小，反之，JM距离越小表示两个年份的时序相似性越强。
4.根据权利要求1所述的一种基于时序相似性的植被变化发生时间检测方法，其特征在于：在所述步骤S03中，基于历年与起始年份植被指数时序曲线的JM距离，依次按时间顺序生成JM距离时序曲线，用以指示历年与起始年份的时序相似性变化规律。
5.根据权利要求1所述的一种基于时序相似性的植被变化发生时间检测方法，其特征在于：logistic模型参数b代表变化速率同时也指示变化类型；其中变化速率接近1表示为渐变型；设变化速率b的值域处在[0.9,1.1]区段内，则像元的变化类型为渐变型；变化速率b大于1.1或者小于0.9，则像元的变化类型为突变型。
CN201610861446.2A 2016-09-29 2016-09-29 基于时序相似性的植被变化发生时间检测方法 Expired - Fee Related CN106446555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610861446.2A CN106446555B (zh) 2016-09-29 2016-09-29 基于时序相似性的植被变化发生时间检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610861446.2A CN106446555B (zh) 2016-09-29 2016-09-29 基于时序相似性的植被变化发生时间检测方法

Publications (2)

Publication Number Publication Date
CN106446555A CN106446555A (zh) 2017-02-22
CN106446555B true CN106446555B (zh) 2019-01-22

Family

ID=58171220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610861446.2A Expired - Fee Related CN106446555B (zh) 2016-09-29 2016-09-29 基于时序相似性的植被变化发生时间检测方法

Country Status (1)

Country Link
CN (1) CN106446555B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463775B (zh) * 2017-07-24 2019-11-12 福州大学 基于多遥感指数变化趋势的植被流失去向识别方法
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
CN108875146B (zh) * 2018-05-28 2022-06-07 福州大学 一种考虑变化过程的地表覆盖连续变化检测方法
CN110685747B (zh) * 2019-08-27 2020-08-14 中国矿业大学(北京) 一种高潜水位采煤沉陷水体遥感提取方法
CN112085781B (zh) * 2020-09-08 2021-05-11 中国农业科学院农业资源与农业区划研究所 一种基于光谱重构技术提取冬小麦种植面积的方法
CN112632127B (zh) * 2020-12-29 2022-07-15 国华卫星数据科技有限公司 设备运行实时数据采集及时序的数据处理方法
CN113343180B (zh) * 2021-06-17 2022-02-01 北京市环境保护科学研究院 一种植被生态环境突变监测方法及其系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982345A (zh) * 2012-11-16 2013-03-20 福州大学 基于连续小波变换的时序遥感影像半自动分类方法
CN104008552A (zh) * 2014-06-16 2014-08-27 南京大学 基于动态时间弯曲的时序sar影像耕地提取方法
CN104850694A (zh) * 2015-05-13 2015-08-19 福州大学 基于生长期植被指数增量的冬小麦遥感监测方法
CN105631474A (zh) * 2015-12-26 2016-06-01 哈尔滨工业大学 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982345A (zh) * 2012-11-16 2013-03-20 福州大学 基于连续小波变换的时序遥感影像半自动分类方法
CN104008552A (zh) * 2014-06-16 2014-08-27 南京大学 基于动态时间弯曲的时序sar影像耕地提取方法
CN104850694A (zh) * 2015-05-13 2015-08-19 福州大学 基于生长期植被指数增量的冬小麦遥感监测方法
CN105631474A (zh) * 2015-12-26 2016-06-01 哈尔滨工业大学 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Simple Method for Reconstructing a High-quality NDVI Time-series Data Set Based on the Savitzky-Golay Filter;Chen J et al;《Remote Sensing of Environment》;20041231;第332-344页
基于TIMESAT的3中时序NDVI拟合方法比较研究;宋春桥 等;《遥感技术与应用》;20110430;第26卷(第2期);第147-155页
基于变化矢量分析和振荡指数的植被变化检测方法研究;刘扬扬 等;《资源科学》;20140930;第36卷(第9期);第1985-1992页

Also Published As

Publication number Publication date
CN106446555A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106446555B (zh) 基于时序相似性的植被变化发生时间检测方法
Liu et al. Large-scale crop mapping from multisource remote sensing images in google earth engine
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
CN106897707B (zh) 基于多源中分的特征影像时间序列合成方法及装置
Zhong et al. Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley
Kiptala et al. Land use and land cover classification using phenological variability from MODIS vegetation in the Upper Pangani River Basin, Eastern Africa
CN106845806A (zh) 农田种植状态的遥感监测方法和系统
CN106908415A (zh) 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法
CN105894044A (zh) 一种基于车载激光扫描数据的单株树木点云自动提取方法
CN109360117A (zh) 一种农作物种植模式识别方法
CN103971027A (zh) 基于水体与植被指数变化比值指数的水稻自动制图方法
WO2023109652A1 (zh) 水稻种植提取及复种指数监测方法、系统、终端及存储介质
CN102708289A (zh) 一种基于冬小麦种植制度利用中分辨率卫星数据提取黄淮平原区冬小麦种植面积的方法
CN103674998A (zh) 基于热成像技术的植物健康状态检测方法
An et al. Real-time monitoring method of strawberry fruit growth state based on YOLO improved model
CN114387516A (zh) 一种针对复杂地形环境下中小田块的单季稻sar识别方法
CN110298322A (zh) 一种基于遥感数据的耕地提取方法及系统
Niu et al. A 30-m annual maize phenology dataset from 1985 to 2020 in China
Zhu et al. A calculation method of phenotypic traits based on three-dimensional reconstruction of tomato canopy
Wei et al. Leaf shape simulation of castor bean and its application in nondestructive leaf area estimation
Wu et al. Plant 3D reconstruction based on LiDAR and multi-view sequence images
CN108320291A (zh) 基于大津算法的海底地貌边界提取方法
CN106772429B (zh) 基于生长盛期nmdi增减比值指数的玉米自动制图方法
CN108388832A (zh) 一种基于多时序指标变化趋势的退耕还林自动识别方法
CN111612777A (zh) 一种基于叶片衰老失水指数的大豆制图方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190122

Termination date: 20210929