CN106600637B - 一种使用遥感影像观测野生动物种群数量的方法 - Google Patents

一种使用遥感影像观测野生动物种群数量的方法 Download PDF

Info

Publication number
CN106600637B
CN106600637B CN201611120357.9A CN201611120357A CN106600637B CN 106600637 B CN106600637 B CN 106600637B CN 201611120357 A CN201611120357 A CN 201611120357A CN 106600637 B CN106600637 B CN 106600637B
Authority
CN
China
Prior art keywords
animal
area
wild animal
remote sensing
sensing image
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
Application number
CN201611120357.9A
Other languages
English (en)
Other versions
CN106600637A (zh
Inventor
赵鹏
杨红生
孙景春
周毅
张涛
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.)
Institute of Oceanology of CAS
Original Assignee
Institute of Oceanology of CAS
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 Institute of Oceanology of CAS filed Critical Institute of Oceanology of CAS
Priority to CN201611120357.9A priority Critical patent/CN106600637B/zh
Priority to US15/779,638 priority patent/US10607361B2/en
Priority to PCT/CN2016/112024 priority patent/WO2018103147A1/zh
Publication of CN106600637A publication Critical patent/CN106600637A/zh
Application granted granted Critical
Publication of CN106600637B publication Critical patent/CN106600637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Catching Or Destruction (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及野生动物保护领域，尤其涉及一种使用遥感影像观测野生动物种群数量的方法。具体为遥感影像像元的灰度值与动物个体正射投影面积占该像元的比例呈线形相关，计算各像元中动物正射投影面积占像元面积的比例并求和，获得目标动物种群正射投影总面积，在与实测动物个体正射投影面积相除的基础上获得种群数量，解决了野生动物种群数量和分布格局难以在同一时点观察的难题。本发明使用卫星遥感影像观测动物种群，获得同一时点的种群数量，避免了以往计数和估测等方法造成的误差，提高了调查的精度和可靠性。本发明采用遥感影像观察动物种群，避免了因近距离观察野生动物对动物行为的干扰及对其栖息地的破坏，也大大增强了野外观测的安全性和经济性，具有较高的应用价值。

Description

一种使用遥感影像观测野生动物种群数量的方法
技术领域
本发明涉及野生动物保护领域，尤其涉及一种使用遥感影像观测野生动物种群数量的方法。
背景技术
种群(population)是指在一定时间内占据一定空间的同种生物的所有个体。种群数量是种群内个体数量的总和，是计算种群密度、出生率、死亡率、迁入与迁出率的基础。观测野生动物种群数量一方面有助于揭示野生动物种群变化规律，为野生动物保护提供基础数据支撑；另一方面也有助于分析影响动物种群分布的自然、社会因素，为生态系统保护和恢复、促进栖息地周围经济社会可持续发展提供必要的依据。
长期以来，对野生动物种群和种群数量的观测和计数主要通过人工实地计数和估测进行。这些方法受观测人员经验影响较大，计数结果不处于同一时点，难以观察较隐蔽的个体，一次调查需耗费大量人力、物力和时间。既存在着较大的误差，经济性和效率也不高。高分辨率遥感影像的成熟和应用，为从正射角度俯视野生动物，获得同一时刻野生动物分布格局特征提供了新的思路。
发明内容
针对现有技术难以精确观测野生动物种群数量、以及野生动物种群数量观测方法的局限，本发明于提供一种可精确观测、获得处于同一时时刻使用遥感影像观测野生动物种群数量的方法。
为实现上述目的，本发明的技术方案是：
一种使用遥感影像观测野生动物种群数量的方法，通过遥感影像像元的灰度值与动物个体正射投影面积占该像元的比例呈线性相关，计算各像元中动物正射投影面积占像元面积的比例并求和，获得目标动物种群正射投影总面积，在与实测动物个体正射投影面积相除的基础上获得种群数量。
具体按如下步骤：
(1)根据实测野生动物个体正射投影面积Sa选择适宜分辨率的遥感影像；
(2)计算个体正射面积占单个像元面积S0比例的最大值r；
若a>l、a>w，则r＝σ×(l×w)/a2；
若l>a>w，且则
若l>a>w，且则r＝σ×w/a；
若a<l、a<w，则r＝1；
其中，a为像元边长(影像分辨率)；
l为野生动物个体体长；
w为野生动物个体体宽；
σ为修正系数，由实测动物个体正射投影面积与体长与体宽之积比较计算得出；
(3)根据生境类型特征，目视解译选划出有野生动物分布的感兴趣区域；
(4)统计感兴趣区域的亮度背景值Vmin；
(5)统计动物影像亮度值的最大值Vmax；
(6)按下式计算动物个体正射投影占每个像元的比例：
ρi＝(Vi-Vmin)/(Vmax-Vmin)
其中，Vi为第i个像元的亮度值；
(7)计算野生动物种群正射投影总面积：
(8)计算野生动物种群数量：
其中，为野生动物实测正射投影面积的平均值。
步骤(1)中，选择适宜分辨率遥感影像的标准为野生动物个体正射投影面积S大于等于遥感影像全色波段或彩色合成波段单个像元面积S0的1/4。
步骤(3)中，将处于不同生境类型的野生动物种群分别划为独立的感兴趣区域，分别提取。
步骤(4)中，统计感兴趣区域的背景亮度最大值Lmax和动物影像亮度的最小值Bmin；若Lmax<Bmin，则以Lmax作为背景亮度值Vmin；若Lmax>Bmin，则以Bmin作为背景亮度值Vmin，并需在提取动物影像后经目视解译去除噪点。
所述野生动物为体色或体温与环境有明显差异的动物。
本发明的有益效果是：
1.本发明根据野生动物实测正射投影面积选择适宜分辨率的遥感影像，方法适用范围广。
2.本发明使用非接触，无干扰的遥感手段观测野生动物种群，与传统人工调查相比，对野生动物种群及其栖息地不产生干扰和破坏，观测活动持续时间更短、频度更大、观测范围更广。
3.本发明通过将处于不同生境的动物种群分别划为感兴趣区域，避免了复杂背景对观测结果造成的影响。
4、本发明通过野生动物种群总体正射投影面积与个体实测正射投影面积之比间接获得动物种群数量，避免了直接计数面临的种群集中分布造成个体影像难以区分的困难。
具体实施方式：
下面将结合具体实施例对本发明作进一步描述。
本发明根据对于体色或体温与环境有明显差异的动物，遥感影像像元的灰度值与动物个体正射投影面积占该像元的比例呈线性相关，计算各像元中动物正射投影面积占像元面积的比例并求和，获得目标动物种群正射投影总面积，在与实测动物个体正射投影面积相除的基础上获得种群数量，解决了野生动物种群数量和分布格局难以在同一时点观察的难题。本发明使用卫星遥感影像观测动物种群，获得同一时点的种群数量，避免了以往计数和估测等方法造成的误差，提高了调查的精度和可靠性。本发明采用遥感影像观察动物种群，避免了因近距离观察野生动物对动物行为的干扰及对其栖息地的破坏，也大大增强了野外观测的安全性和经济性，具有较高的应用价值。
实施例1：
观测山东荣成大天鹅国家级自然保护区内月湖内大天鹅种群数量，具体如下：
(1)根据实测大天鹅个体正射投影面积0.25m2选择分辨率为0.5m的Geoeye-1高分辨率遥感卫星影像。
(2)根据实测大天鹅平均体长l＝82.55±6.39cm、平均体宽w＝38.33±3.59cm、分辨率a＝0.5m，得出l>a>w，按照σ通过由实测动物个体正射投影面积与体长与体宽之积比较计算得出，即为0.77，计算得出个体正射面积占单个像元比例的最大值r＝0.76。
(3)目视解译选划出5个存在大天鹅分布的感兴趣区域，将处于水面和滩涂的大天鹅种群划为独立的感兴趣区域，分别提取。
(4)使用Envi 5.1遥感软件统计各感兴趣区域的亮度背景值Vmin。统计感兴趣区域的背景亮度最大值Lmax和动物影像亮度的最小值Bmin，若Lmax<Bmin，则以Lmax作为背景亮度值Vmin；若Lmax>Bmin，则以Bmin作为背景亮度值Vmin，并在提取动物影像后经目视解译去除噪点。(见表1)
表1
(5)使用Envi 5.1遥感软件统计大天鹅影像亮度值的最大值Vmax。(见表1)
(6)按照ρi＝(Vi-Vmin)/(Vmax-Vmin)计算动物个体正射投影占每个像元的比例，其中Vi为第i个像元的亮度值。
(7)按照计算野生动物种群正射投影总面积。(见表1)
(8)按照计算野生动物种群数量(见表1)，其中，为野生动物实测正射投影面积的平均值。
(9)对比经遥感影像反演计算得到的大天鹅种群数量和实际观测数量(见表1)，平均相对误差在6.00±3.22％，反演精度较高。
实施例2：
观测肯尼亚纳库鲁湖国家公园火烈鸟种群数量，具体如下：
(1)根据文献查得火烈鸟数据推算个体正射投影面积0.23m2选择分辨率为0.5m的Worldview-2高分辨率遥感卫星影像。
(2)根据推算火烈鸟体长l＝48cm、平均体宽w＝33cm、分辨率a＝0.5m，得出a>l、a>w，按照r＝σ×(l×w)/a2，σ通过由实测动物个体正射投影面积与体长与体宽之积比较计算得出，即为0.75，计算得出个体正射面积占单个像元比例的最大值r＝0.47。
(3)目视解译选划出3个存在火烈鸟分布的感兴趣区域，均为于湖区中。
(4)使用Envi 5.1遥感软件统计各感兴趣区域的亮度背景值Vmin。统计感兴趣区域的背景亮度最大值Lmax和动物影像亮度的最小值Bmin，若Lmax<Bmin，则以Lmax作为背景亮度值Vmin；若Lmax>Bmin，则以Bmin作为背景亮度值Vmin，并在提取动物影像后经目视解译去除噪点。(见表2)
表2
(5)使用Envi 5.1遥感软件统计火烈鸟影像亮度值的最大值Vmax。(见表2)
(6)按照ρi＝(Vi-Vmin)/(Vmax-Vmin)计算动物个体正射投影占每个像元的比例，其中Vi为第i个像元的亮度值。
(7)按照计算野生动物种群正射投影总面积。(见表2)
(8)按照计算野生动物种群数量(见表2)，其中，为野生动物实测正射投影面积的平均值。
(9)对比经遥感影像反演计算得到的大天鹅种群数量和实际观测数量(见表2)，平均相对误差在7.23±4.75％，反演精度较高。

Claims (5)

1.一种使用遥感影像观测野生动物种群数量的方法，其特征在于：通过遥感影像像元的灰度值与动物个体正射面积占该像元的比例呈线性相关，计算各像元中动物正射投影面积占像元面积的比例并求和，获得目标动物种群正射投影总面积，在与实测动物个体正射面积相除的基础上获得种群数量；
具体按如下步骤：
(1)根据实测野生动物个体正射面积Sa选择适宜分辨率的遥感影像；
(2)计算个体正射面积占单个像元面积S0比例的最大值r；
若a>l、a>w，则r＝σ×(l×w)/a2；
若l>a>w，且则
若l>a>w，且则r＝σ×w/a；
若a<l、a<w，则r＝1；
其中，a为像元边长；
l为野生动物个体体长；
w为野生动物个体体宽；
σ为修正系数，由实测动物个体正射面积与体长与体宽之积比较计算得出；
(3)根据生境类型特征，目视解译选划出有野生动物分布的感兴趣区域；
(4)统计感兴趣区域的亮度背景值Vmin；
(5)统计动物影像亮度值的最大值Vmax；
(6)按下式计算动物个体正射面积占每个像元的比例：
ρi＝(Vi-Vmin)/(Vmax-Vmin)
其中，Vi为第i个像元的亮度值；
(7)计算野生动物种群正射投影总面积：
(8)计算野生动物种群数量：
其中，为野生动物实测正射面积的平均值。
2.按照权利要求1所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，步骤(1)中，选择适宜分辨率遥感影像的标准为野生动物个体正射面积S大于等于遥感影像全色波段或彩色合成波段单个像元面积S0的1/4。
3.按照权利要求1所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，步骤(3)中，将处于不同生境类型的野生动物种群分别划为独立的感兴趣区域，分别提取。
4.按照权利要求1所述的使用遥感影像观测野生动物种群数量的方法，其特征在于，步骤(4)中，统计感兴趣区域的背景亮度最大值Lmax和动物影像亮度的最小值Bmin；若Lmax<Bmin，则以Lmax作为背景亮度值Vmin；若Lmax>Bmin，则以Bmin作为背景亮度值Vmin，并需在提取动物影像后经目视解译去除噪点。
5.按照权利要求1所述的使用遥感影像观测野生动物种群数量的方法，其特征在于：所述野生动物为体色或体温与环境有明显差异的动物。
CN201611120357.9A 2016-12-08 2016-12-08 一种使用遥感影像观测野生动物种群数量的方法 Active CN106600637B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201611120357.9A CN106600637B (zh) 2016-12-08 2016-12-08 一种使用遥感影像观测野生动物种群数量的方法
US15/779,638 US10607361B2 (en) 2016-12-08 2016-12-26 Method for observing wildlife population size through remote sensing imagery
PCT/CN2016/112024 WO2018103147A1 (zh) 2016-12-08 2016-12-26 一种使用遥感影像观测野生动物种群数量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611120357.9A CN106600637B (zh) 2016-12-08 2016-12-08 一种使用遥感影像观测野生动物种群数量的方法

Publications (2)

Publication Number Publication Date
CN106600637A CN106600637A (zh) 2017-04-26
CN106600637B true CN106600637B (zh) 2019-04-09

Family

ID=58596590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611120357.9A Active CN106600637B (zh) 2016-12-08 2016-12-08 一种使用遥感影像观测野生动物种群数量的方法

Country Status (3)

Country Link
US (1) US10607361B2 (zh)
CN (1) CN106600637B (zh)
WO (1) WO2018103147A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194876A (zh) * 2017-06-13 2017-09-22 中国科学院地理科学与资源研究所 一种基于无人机航拍的大型野生动物种群数量调查方法
CN109064445B (zh) * 2018-06-28 2022-01-04 中国农业科学院特产研究所 一种动物的数量统计方法和系统、存储介质
CN112861666A (zh) * 2021-01-26 2021-05-28 华南农业大学 一种基于深度学习的鸡群计数方法及应用
CN114819852B (zh) * 2022-05-24 2022-11-22 深圳市神州龙智慧城市科技有限公司 用于智慧城市的物流规划系统及方法
CN114708519B (zh) * 2022-05-25 2022-09-27 中国科学院精密测量科学与技术创新研究院 一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法
CN117456287B (zh) * 2023-12-22 2024-03-12 天科院环境科技发展（天津）有限公司 一种使用遥感影像观测野生动物种群数量的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235935A (zh) * 2013-04-18 2013-08-07 北京农业信息技术研究中心 一种白粉虱种群密度的估计方法
CN104376204A (zh) * 2014-11-06 2015-02-25 中国测绘科学研究院 一种采用改进的像元二分法反演植被覆盖度的方法
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法
CN105372672A (zh) * 2015-12-07 2016-03-02 广州地理研究所 基于时间序列数据的南方冬种作物种植面积提取方法
CN105913017A (zh) * 2016-04-08 2016-08-31 南京林业大学 一种基于同期双高分辨率遥感影像的森林生物量估算方法
CN106126920A (zh) * 2016-06-23 2016-11-16 北京农业信息技术研究中心 农作物雹灾受灾面积遥感评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9530060B2 (en) * 2012-01-17 2016-12-27 Avigilon Fortress Corporation System and method for building automation using video content analysis with depth sensing

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235935A (zh) * 2013-04-18 2013-08-07 北京农业信息技术研究中心 一种白粉虱种群密度的估计方法
CN104376204A (zh) * 2014-11-06 2015-02-25 中国测绘科学研究院 一种采用改进的像元二分法反演植被覆盖度的方法
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法
CN105372672A (zh) * 2015-12-07 2016-03-02 广州地理研究所 基于时间序列数据的南方冬种作物种植面积提取方法
CN105913017A (zh) * 2016-04-08 2016-08-31 南京林业大学 一种基于同期双高分辨率遥感影像的森林生物量估算方法
CN106126920A (zh) * 2016-06-23 2016-11-16 北京农业信息技术研究中心 农作物雹灾受灾面积遥感评估方法

Also Published As

Publication number Publication date
WO2018103147A1 (zh) 2018-06-14
CN106600637A (zh) 2017-04-26
US20190228538A1 (en) 2019-07-25
US10607361B2 (en) 2020-03-31

Similar Documents

Publication Publication Date Title
CN106600637B (zh) 一种使用遥感影像观测野生动物种群数量的方法
de Almeida Furtado et al. Dual-season and full-polarimetric C band SAR assessment for vegetation mapping in the Amazon várzea wetlands
Szantoi et al. Analyzing fine-scale wetland composition using high resolution imagery and texture features
CN104715255B (zh) 一种基于sar图像的滑坡信息提取方法
Bishop et al. Remote sensing and geomorphometry for studying relief production in high mountains
Jin et al. Mapping paddy rice distribution using multi-temporal Landsat imagery in the Sanjiang Plain, northeast China
Wu et al. Deep learning for the detection and phase unwrapping of mining-induced deformation in large-scale interferograms
Kim et al. Interferometric coherence analysis of the Everglades wetlands, South Florida
Farid et al. Using airborne lidar to predict Leaf Area Index in cottonwood trees and refine riparian water-use estimates
CN107689051A (zh) 一种基于变化因子的多时相sar影像变化检测方法
CN104166128A (zh) 基于广义似然比的多航过sar相干变化检测方法
Sun et al. Tracking annual changes in the distribution and composition of saltmarsh vegetation on the Jiangsu coast of China using Landsat time series–based phenological parameters
Yao et al. Identification of alpine glaciers in the Central Himalayas using fully polarimetric L-band SAR data
Ottinger et al. Time series sentinel-1 SAR data for the mapping of aquaculture ponds in coastal Asia
Liang et al. Mapping urban impervious surface with an unsupervised approach using interferometric coherence of SAR images
CN114612799A (zh) 基于滑坡/非滑坡面积比的空间自适应正负样本生成方法及系统
CN110399806A (zh) 基于高分辨率遥感影像识别阿德利企鹅数量的方法
Zhu et al. Comparison of sampling designs for estimating deforestation from landsat TM and MODIS imagery: a case study in Mato Grosso, Brazil
Miliaresis The terrain signatures of administrative units: a tool for environmental assessment
Wu et al. Geomorphological change detection using an integrated method: A case study on the Taan River watershed, Taiwan
Ma et al. Automatic GCP extraction in mountainous areas using DEM and PolSAR data
Shibutani et al. Sensitivity of future tropical cyclone changes to storm surge and inundation: Case study in Ise Bay, Japan
Sun et al. Remote sensing monitoring of afforestation and its interaction with climate in Saihanba Mechanical Forest Farm in recent 45 years
Prabhu et al. Urban slum extraction using GLCM based Statistical approach from Very High Resolution Satellite data
Abdikan et al. An Assessment of Urban Area Extraction Using ALOS-2 Data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant