CN106960119A - 一种融合di的森林扰动综合特征指数及方法 - Google Patents
一种融合di的森林扰动综合特征指数及方法 Download PDFInfo
- Publication number
- CN106960119A CN106960119A CN201710128676.2A CN201710128676A CN106960119A CN 106960119 A CN106960119 A CN 106960119A CN 201710128676 A CN201710128676 A CN 201710128676A CN 106960119 A CN106960119 A CN 106960119A
- Authority
- CN
- China
- Prior art keywords
- forest
- data
- pixel
- index
- disturbance
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合DI的森林扰动综合特征指数及方法,通过分析了缨帽变换与综合特征指数的特点,结合MODIS数据中7个波段对森林扰动的响应特征,提出了一个新的综合森林扰动指数,该指数融合DI指数和IFZ指数的优势,提高指数值在时间序列上的稳定性和森林扰动的检测能力,在时间序列上具有较好的稳定性,同时具有较强的森林扰动响应能力,达到提高森林扰动检测精度的目的。
Description
技术领域
本发明属于森林变化遥感检测技术领域,具体涉及一种森林扰动检测指数,尤其是涉及一种融合DI的森林扰动综合特征指数及方法。
背景技术
MODIS数据具有多个波段,可获得不同的森林植被指数,每个波段对森林扰动的响应不同,构建的指数也存在响应差异,通过不同的森林扰动遥感指数比较发现,在现有的森林扰动遥感检测指数中,DI指数经过缨帽分量线性组合而得,具有林学意义,能够很好地突出植被特征,DI指数对森林扰动的响应能力较其它的指数(如IFZ、NDMI、NBR和NDVI)要好,但是在时间序列上的波动也更加明显,表现出较大的不稳定性,在一定程度上影响森林扰动的检测精度,经过均方根运算的IFZ指数在时间序列上表现出较好的稳定性,能够很好地区分森林像元和扰动像元,但由于在计算IFZ时,只使用了可见光的红光波段、短波红外波段进行计算,没有充分利用植被在不同波段的表现特性,对森林扰动的响应能力较DI指数弱,如何充分发挥多种指数的优点,构建新的森林扰动指数,提高森林扰动的检测精度,达到区域森林扰动检测应用要求,对于区域森林变化遥感检测具有重要的应用价值。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明根据DI和IFZ两个指数的优势,提出融合DI的森林扰动综合特征指数,在时间序列上具有较好的稳定性,同时具有较强的森林扰动响应能力,达到提高森林扰动检测精度的目的。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种融合DI的森林扰动综合特征指数(DIFZ),通过数学算法融合DI指数和IFZ指数,算法如下:
其中,B1r、B6r和B7r分别为MODIS数据产品MOD09A1标准化后的第1、6、7波段,DI为标准化后的缨帽亮度、湿度、绿度分量线性组合后的扰动指数,所述标准化采用成熟森林标准化方法。
进一步的,所述标准化采用成熟森林标准化方法,对所用波段和指数均加以标准化处理,方法如下:
式中,Ir为标准化后的波段或指数;Iμ和Iσ分别为波段或指数中成熟森林区域的平均值和标准差。
进一步的,所述DI扰动指数是根据缨帽变换分量的不同组合对于扰动的检测能力而提出的一种扰动检测指数,计算公式为:
DI=Br-(Gr+Wr)
其中,Br、Gr和Wr分别是标准化后的缨帽亮度、绿度和湿度。
上述的融合DI的森林扰动综合特征指数的方法,其特征在于:包括以下步骤:
1)采集数据产品MOD09A1第1-7波段时间序列数据和数据产品MCD12Q1数据中的IGBP地表分类数据,进行数据的预处理;
2)对B1-B7波段数据进行缨帽变换得到缨帽三个分量亮度B、绿度G和湿度W;
3)利用MCD12Q1数据中的IGBP地表分类数据设置成熟森林区域,选择像元值为1-7的部分为森林像元,其余为非森林像元,森林像元通过图像掩膜来提取;对B1、B6、B7波段和缨帽三个分量亮度B、绿度G和湿度W进行标准化计算,得到标准化后的三个波段和缨帽三个分量亮度、绿度和湿度,即分别为B1r、B6r、B7r、Br、Gr和Wr;
4)根据标准化后的缨帽亮度、绿度和湿度:Br、Gr和Wr计算得到DI;
5)根据B1r、B6r、B7r、DI四个参数通过IFZ指数的计算方法,得到DIFZ。
进一步的,步骤1)中,所述预处理包括:重投影、数据拼接、重采样、云检测与填充、数据重建。
进一步的,所述重投影的方法为:通过MRT软件将数据转换为投影类型为Albers等面积投影,其中南标准纬线为25°N,北标准纬线为47°N,中心经度为105°E,投影坐标系为WGS-84,数据格式转换为TIFF格式,根据行政矢量数据进行裁切,并将地表反射率数据乘以比例因子0.0001,得到7个波段真实的地表反射率值。
进一步的,所述云检测与填充的方法为:根据状态标记数据的比特位计算得到0-3质量因子,通过质量因子区分不同像元的质量,质量因子为0和1的像元分别为高质量和中质量像元,质量因子为2和3的像元标记为受云层影响和其他因素导致的无效像元,将其进行掩膜;采用R0.66可见光单通道反射率方法检测法消除云和异常条带的干扰;掩膜每期影像上的云和异常条带,对于掩膜后留下的空值象元,采用时间内插的方法填充;针对研究周期第一幅和最后一幅的遥感影像的空置区域使用最临近的无云象元进行替代,对于其他影像t则使用该影像之前(m)及之后(n)最临近影像的无云象元进行时间内插得到:
式中,Xt为第t幅影像的填充值,Xm和Xn分别为第m幅和第n幅的波段值。
进一步的,所述数据重建的方法为:以像元为单位,根据季节和数据质量,以季中为起始,在本季图像内搜索获得目标像元,搜索顺序为:季中图像、前一期图像、再后一期图像、再更前一期、再更后一期图像,直到选择目标像元;选择并确定所述目标像元的依据是质量因子为0的像元、其次为1像元,然后是云检测并插值的像元,研究中代码为9,最后质量因子为3像元;得到该像元值的以季节为单位的时间序列轨迹,每年获得4季目标图像,最终得到第1-7波段时间序列数据B1-B7。
进一步的,所述缨帽变换分量使用MODIS缨帽转换系数,具体如下所述:
有益效果:本发明提供的融合DI的森林扰动综合特征指数及方法,主要优点有:
1.DIFZ在持续森林、持续城镇和持续农田中表现出IFZ的优势,既消除了符号的影响,也在时间序列上具有一定的稳定性,而且对森林扰动的响应能力较IFZ好,能够更好地区分不同的地物类型。
2.DIFZ在时间序列上的稳定性较DI好,保留了IFZ的优势,能够在时间序列上表现出较好的稳定性。
3.提高了对森林扰动的区分度,对不同扰动类型的响应能力较IFZ均有所提高,尤其是对于森林火灾和森林病虫害,其响应能力比DI好。
附图说明
图1为DIFZ对不同地物类型的时间序列特征示意图,其中(a):持续城镇,(b):持续森林,(c):持续农田,(d):发生扰动;
图2为DIFZ与DI、IFZ对森林扰动的平均响应特征的比较示意图;
图3为2008年基于DIFZ的检测结果与Global Forest Watch年森林损失扰动数据的比较示意图;其中A:基于DIFZ的检测结果;B:Global Forest Watch年森林损失扰动数据;a、b分别代表福建省西北部光泽县基于DIFZ的检测结果与Global Forest Watch年森林损失扰动数据;
图4为福建省建宁县2008年Global Forest Watch年森林损失扰动数据其中(A)与基于DIFZ的检测结果(B)示意图;
图5为福建省三明市2009年松材线虫病发生林班分布数据(A)、基于DIFZ的检测结果(B)和Global Forest Watch年森林损失扰动数据(C)示意图。
图6为本发明的方法流程示意图。
具体实施方式
下面结合附图和实施例对本发明作更进一步的说明。
本发明为一种融合DI的森林扰动综合特征指数(DIFZ),通过分析了缨帽变换与综合特征指数的特点,结合MODIS数据中7个波段对森林扰动的响应特征,提出了一个新的综合森林扰动指数,该指数融合DI指数和IFZ指数的优势,提高指数值在时间序列上的稳定性和森林扰动的检测能力,在时间序列上具有较好的稳定性,同时具有较强的森林扰动响应能力,达到提高森林扰动检测精度的目的。
本发明通过综合分析了缨帽变换与综合特征指数的优势,结合MODIS数据中7个波段对森林扰动的响应特征,提出了一个新的综合森林扰动指数。为了提高指数值在时间序列上的稳定性和森林扰动的检测能力,融合DI指数和IFZ指数,构建融合DI的森林扰动综合特征指数。算法如下:
其中,B1r、B6r和B7r分别为MOD09A1标准化后的第1、6、7波段,DI为标准化后的缨帽亮度、湿度、绿度分量线性组合后的扰动指数,标准化采用成熟森林标准化方法。
标准化计算:
采用成熟森林标准化方法,对所用波段和指数均加以标准化处理,方法如下:
式中,Ir为标准化后的波段或指数;Iμ和Iσ分别为波段或指数中成熟森林区域的平均值和标准差。其中利用MCD12Q1数据中的IGBP地表分类方案提取成熟森林区域,选择像元值为1-7的部分为森林像元,其余为非森林像元,森林像元通过图像掩膜来提取。
DI指数的计算:
扰动指数(DI)是根据缨帽变换分量的不同组合对于扰动的检测能力而提出的一种扰动检测指数。该指数能够检测不同类型的森林扰动,目前在森林扰动研究中应用较为广泛,计算公式为:
DI=Br-(Gr+Wr)
其中,Br、Gr和Wr分别是标准化后的缨帽亮度、绿度和湿度。使用Lobser和Cohen提出的MODIS缨帽转换系数,由MODIS星下点地表双向发射分布函数调整型反射率数据在全球进行采样推导得出,该方法具有较强的鲁棒性,如表1。
表1MODIS地表反射率缨帽转换系数
实施例
采用本发明的方法,推算得到DIFZ,如图6所示,具体操作流程如下:
1)采集数据产品MOD09A1第1-7波段时间序列数据和数据产品MCD12Q1数据中的IGBP地表分类数据,进行数据的预处理:重投影、数据拼接、重采样、云检测与填充、数据重建。
通过MRT软件将数据转换为投影类型为Albers等面积投影,其中南标准纬线为25°N,北标准纬线为47°N,中心经度为105°E,投影坐标系为WGS-84,数据格式转换为TIFF格式,根据行政矢量数据进行裁切,并将地表反射率数据乘以比例因子0.0001,得到7个波段真实的地表反射率值。
云检测与填充:根据状态标记数据的比特位计算得到0-3质量因子,通过质量因子区分不同像元的质量,质量因子为0和1的像元分别为高质量和中质量像元,质量因子为2和3的像元标记为受云层影响和其他因素导致的无效像元,将其进行掩膜。本文采用R0.66可见光单通道反射率方法检测法消除云和异常条带的干扰。掩膜每期影像上的云和异常条带,对于掩膜后留下的空值象元,采用时间内插的方法填充。针对研究周期第一幅和最后一幅的遥感影像的空置区域使用最临近的无云象元进行替代,对于其他影像t则使用该影像之前(m)及之后(n)最临近影像的无云象元进行时间内插得到。
式中,Xt为第t幅影像的填充值,Xm和Xn分别为第m幅和第n幅的波段值。
数据重建:以像元为单位,根据季节和数据质量,以季中为起始,在本季图像内搜索获得目标像元即相对“高质量”像元,搜索顺序为,季中图像,前一期图像,再后一期图像,再更前一期,再更后一期图像,直到选择“高质量”像元,选择并确定“高质量”像元的依据是质量因子为0的像元、其次为1像元,然后再就是云检测并插值的像元(研究中代码为9),最后质量因子为3像元,这样便可得到该像元值的以季节为单位的时间序列轨迹,这样每年可获得4季高质量图像用于研究,最终得到高质量第1-7波段时间序列数据B1-B7。
2)对B1-B7波段数据进行缨帽变换得到缨帽三个分量亮度B、绿度G和湿度W,缨帽转换系数具体如表1所述:
3)利用MCD12Q1数据中的IGBP地表分类数据设置成熟森林区域,选择像元值为1-7的部分为森林像元,其余为非森林像元,森林像元通过图像掩膜来提取。对B1、B6、B7波段和缨帽三个分量亮度B、绿度G和湿度W进行标准化计算,方法如下:
式中,Ir为标准化后的波段或指数;Iμ和Iσ分别为波段或指数中成熟森林区域的平均值和标准差。
经过标准化计算后得到标准化后的B1、B6、B7波段和缨帽三个分量亮度B、绿度G和湿度W,即分别为B1r、B6r、B7r、Br、Gr和Wr。
4)根据标准化后的缨帽亮度、绿度和湿度:Br、Gr和Wr计算得到DI,具体计算方法为:
DI=Br-(Gr+Wr)
5)根据B1r、B6r、B7r、DI四个参数通过IFZ指数的计算方法,得到DIFZ,即
采用本发明上述的方法进行森林扰动综合特征指数的采集,并与传统的几种方法进行对比,分析结果如下:
1DIFZ对不同地物类型的时间序列特征分析
研究根据在福建省选择100个典型的持续森林、持续城镇、持续农田和于2003年发生森林扰动的像元样本,计算DIFZ每一期的平均值,并将其与DI和IFZ进行比较,分析DIFZ值对于典型地物类型的时间序列特征(图1)。图中(a-d)依次表示为持续城镇、持续森林、持续农田和发生森林扰动。从图1中可以看到,DIFZ对于不同地物类型在时间序列上的变化均接近IFZ,较DI指数在时间序列上的波动幅度小。对于持续森林,可以明显看到,DI指数存在正负值的波动,经过均方根计算的DIFZ表现出与IFZ的特征,消除了符号的影响;对于发生森林扰动的情况,DIFZ在时间序列上的波动与IFZ相近,较DI小,而且当在发生扰动的年份,DIFZ的变化幅度较IFZ大,即对森林扰动的响应较IFZ明显。因此,DIFZ在持续森林、持续城镇和持续农田中表现出IFZ的优势,既消除了符号的影响,也在时间序列上具有一定的稳定性,而且对森林扰动的响应能力较IFZ好,能够更好地区分不同的地物类型。
2DIFZ在时间序列上的稳定性分析
为了分析DIFZ的稳定性,研究采用于2003年发生森林扰动的像元样本,根据生长季和数据质量控制选取每年1个值,计算DIFZ样本每年的平均值和标准差,并将其与DI和IFZ进行比较(图2)。从图2可以看到,DIFZ在时间序列上的标准差均比DI小,与IFZ接近,在时间序列上的稳定性较DI好。因此,经过均方根计算的DIFZ保留了IFZ的优势,能够在时间序列上表现出较好的稳定性。
3DIFZ对不同扰动类型的响应能力分析
研究通过比较DIFZ与DI、IFZ、NBR、NDMI、NDVI对不同扰动类型的区分度SI,评价DIFZ对森林扰动的响应能力(表2)。从表2可以看到,DIFZ对不同扰动类型的区分度SI均大于1.5,对于森林砍伐,DIFZ的区分度SI为1.519,仅次于DI,较IFZ、NBR、NDMI和NDVI高,表现出较好的响应能力;对于森林火灾,DIFZ的区分度SI为2.510,低于NBR,但是比DI、IFZ、NDMI和NDVI的区分度高;对于森林病虫害,DIFZ的区分度SI高达2.032,较另外五种指数高,对于森林病虫害较其他指数敏感;对于植树造林,DIFZ的区分度SI与DI相近,达1.586,较IFZ、NBR、NDMI和NDVI高。DIFZ对于森林砍伐、森林火灾、森林病虫害和植树造林的区分度SI均比IFZ高,对不同森林扰动类型的响应能力均比IFZ好;对于森林砍伐和植树造林的区分度SI接近DI,而对于森林火灾和森林病虫害的区分度SI较DI高。因此,改进的森林扰动综合特征指数DIFZ融合了由三个缨帽分量组合的DI,综合利用了MODIS各个波段对森林扰动的响应能力,提高了对森林扰动的区分度,对不同扰动类型的响应能力较IFZ均有所提高,尤其是对于森林火灾和森林病虫害,其响应能力比DI好。
表2各指数对不同扰动类型的区分度
4基于像元尺度的精度验证
研究分别利用融合DI的森林扰动综合特征指数DIFZ与DI、IFZ、NBR、NDMI、NDVI五种森林扰动检测指数,采用植被变化追踪算法(VCT)提取不同年份森林扰动像元,为了定量检验不同森林扰动检测指数的检测精度,研究采用分层随机采样方法选择验证点。研究每年森林扰动结果作为一类,即2001-2013年共13类,再加上2001-2013年间的持续森林、持续非森林各作为一类,一共15类,将每类定义为一层,每层随机选取50个像元样本,总计750个样本,然后利用Global Forest Watch资料,结合Landsat遥感影像的目视解译,第七次(2008年)和第八次(2013年)全国森林资源清查数据福建省部分、以及福建省三明市当地林业局提供的二类调查数据等数据进行验证。再分别对六种指数进行验证,如果扰动年份、扰动位置都一致,就认为该像元能正确识别出来,否则将其归为相应的类别中,表3为DIFZ的混淆矩阵,其中对角线为正确识别的像元个数,非对角线上的值为归为其他类别的像元个数,根据各项精度指标来统计混淆矩阵,得到DIFZ的用户精度、生产者精度、总体精度和KAPPA系数,表3为通过该方法得到的六种指数的总体精度和Kappa系数。融合DI的森林扰动综合特征指数DIFZ检测的总体精度最高,达94.00%,Kappa系数也高达0.93。DI指数对于森林砍伐、火灾、病虫害和植树造林四种扰动类型的区分度均比较大,提取森林扰动的总体精度较高,达92.97%,Kappa系数达到0.92,具有较好的检测能力;IFZ对于四种扰动类型的区分度也均大于1,仅次于DI,总体精度为89.66%,Kappa系数为0.88,提取森林扰动能力中等;NBR和NDMI的Kappa系数均为0.83,两者的检测效果相当;NDVI对四种扰动类型的区分度均为最小,提取扰动能力最低。基于时间序列的融合DI的森林扰动综合特征指数DIFZ检测森林扰动可以较好地提取福建省2001-2013年的森林扰动信息,表现出较高的扰动信息提取精度,较DI、IFZ、NBR、NDMI、NDVI五种指数检测精度高,可见构建的融合DI的森林扰动综合特征指数DIFZ在一定程度上提高了森林扰动的提取精度。
表3扰动分类精度表
而在精度计算中发现六种森林扰动检测指数的检测总体精度都比较高,这与持续森林和持续非森林面积大,且较森林扰动易检测有一定关系,两者在用户精度抽样结果很高,另外,历史地面资料不易获取,没有全面的地面调查资料,许多点验证主要依据TM解译的Global Forest Watch数据,以及研究获取TM图像目视解译验证,即从影像到影像,较易得同样结果有关。
5MODIS森林扰动结果与GFW数据的比较
5.1.一致性分析
基于2001-2013年MOD09A1波段数据构建融合DI的森林扰动综合特征指数DIFZ,通过植被追踪算法提取森林扰动信息,并与对应年份Global Forest Watch(GFW数据)30空间分辨率的森林损失扰动数据集进行比较。在Global Forest Watch 2001-2014年森林损失扰动数据集中,以年为单位,数值范围为0-14,数值1-14分别记录2001-2014年森林损失扰动的年份,分别取每一个数值的像元,其他数值像元则赋于0值将其掩膜,最后得到每年一幅的Global Forest Watch森林损失扰动数据。
研究选择了2008年福建省的基于DIFZ的检测结果与Global Forest Watch年森林损失扰动数据的比较(图3),其中图3(A)、3(B)分别为整个福建省基于DIFZ的检测结果和Global Forest Watch年森林损失扰动数据。图中的红色区域为森林扰动区域,可以明显看到2008年由于冻灾的影响,福建省的森林扰动在西北区域比较严重,由西北向东南方向受到的森林扰动逐渐减少,东南部区域森林受到的扰动相对较小,研究检测结果和GlobalForest Watch年森林损失扰动数据在空间格局整体分布上相一致。
图3(a)、3(b)分别为2008年西北部光泽县的基于DIFZ的检测结果和GlobalForest Watch年森林损失扰动数据,给出2008年森林扰动检测中更加细节的信息。从图中可以看到基于DIFZ的检测结果和Global Forest Watch年森林损失扰动数据在图中几乎都有对应的像元,尤其在绿色圆圈标注的地方,说明两者在空间位置和分布上具有较强的一致性。
5.2.差异性分析
2008年我国南方地区接连出现了四次严重的低温雨雪天气过程,导致福建省遭受了历史罕见的冰冻灾害,灾害的出现使得福建省森林受到了极为严重的影响。图4(A)、5(B)分别给出了福建省建宁县2008年Global Forest Watch年森林损失扰动数据与基于DIFZ的检测结果的比较。图中红色标记为森林扰动区域,可以看到建宁县整体都发生了森林扰动,西北部区域受到森林扰动比较严重,说明Global Forest Watch年森林损失扰动数据与基于DIFZ的检测结果有很强的一致性,但是5(A)中离散分布了许多小面积的森林扰动区域,如绿色圆圈区域,基于DIFZ检测不到这些细小斑块(B)。这是由于森林扰动的空间尺度和分布各异,而MODIS数据的空间分辨率相对与30m空间分辨率的Global Forest Watch年森林损失扰动数据较低,存在混合像元,无法得到和Global Forest Watch数据一样的准确边界,在一定程度上影响MODIS数据检测森林扰动的精度。
由于2008年的冻灾使得福建省森林受到严重的损害,植被的长势减弱,抗性降低,林下可燃物大量增加,导致随后森林火灾、病虫害等次生灾害的发生概率大大增加。研究选取了2009年福建省三明市松材线虫病发生林班分布调查数据、基于DIFZ的检测结果和Global Forest Watch年森林损失扰动数据的比较(图5)。图中红色部分为森林扰动区域,黑点和圆圈部分为三明市松材线虫病发生林班分布。通过比较可以看到,基于DIFZ的检测结果都能检测到松材线虫病林班,与三明市松材线虫病发生林班分布调查数据具有很强的一致性,而Global Forest Watch年森林损失扰动数据中大部分的松材线虫病小班并没有检测到。这是由于Global Forest Watch年森林损失扰动数据记录的是由森林转变为非森林的区域,而当森林发生病虫害时,植被遭受到损害,但并未完全剩下裸露的土壤,所以不能检测出来,而DIFZ融入了缨帽湿度,缨帽湿度对森林病虫害很敏感,因此能较好地检测到森林病虫害。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种融合DI的森林扰动综合特征指数,其特征在于:通过数学算法融合DI指数和IFZ指数,算法如下:
其中,B1r、B6r和B7r分别为MOD09A1标准化后的第1、6、7波段,DI为标准化后的缨帽亮度、湿度、绿度分量线性组合后的扰动指数,所述标准化采用成熟森林标准化方法。
2.根据权利要求1所述的融合DI的森林扰动综合特征指数,其特征在于:所述标准化采用成熟森林标准化方法,对所用波段和指数均加以标准化处理,方法如下:
式中,Ir为标准化后的波段或指数;Iμ和Iσ分别为波段或指数中成熟森林区域的平均值和标准差。
3.根据权利要求1所述的融合DI的森林扰动综合特征指数,其特征在于:所述DI扰动指数是根据缨帽变换分量的不同组合对于扰动的检测能力而提出的一种扰动检测指数,计算公式为:
DI=Br-(Gr+Wr)
其中,Br、Gr和Wr分别是标准化后的缨帽亮度、绿度和湿度。
4.根据权利要求1至3任一所述的融合DI的森林扰动综合特征指数的方法,其特征在于:包括以下步骤:
1)采集数据产品MOD09A1第1-7波段时间序列数据和数据产品MCD12Q1数据中的IGBP地表分类数据,进行数据的预处理;
2)对B1-B7波段数据进行缨帽变换得到缨帽三个分量亮度B、绿度G和湿度W;
3)利用MCD12Q1数据中的IGBP地表分类数据设置成熟森林区域,选择像元值为1-7的部分为森林像元,其余为非森林像元,森林像元通过图像掩膜来提取;对B1、B6、B7波段和缨帽三个分量亮度B、绿度G和湿度W进行标准化计算,得到标准化后的三个波段和缨帽三个分量亮度、绿度和湿度,即分别为B1r、B6r、B7r、Br、Gr和Wr;
4)根据标准化后的缨帽亮度、绿度和湿度:Br、Gr和Wr计算得到DI;
5)根据B1r、B6r、B7r、DI四个参数通过IFZ指数的计算方法,得到DIFZ。
5.根据权利要求4所述的融合DI的森林扰动综合特征指数的方法,其特征在于:步骤1)中,所述预处理包括:重投影、数据拼接、重采样、云检测与填充、数据重建。
6.根据权利要求5所述的融合DI的森林扰动综合特征指数的方法,其特征在于:所述重投影的方法为:通过MRT软件将数据转换为投影类型为Albers等面积投影,其中南标准纬线为25°N,北标准纬线为47°N,中心经度为105°E,投影坐标系为WGS-84,数据格式转换为TIFF格式,根据行政矢量数据进行裁切,并将地表反射率数据乘以比例因子0.0001,得到7个波段真实的地表反射率值。
7.根据权利要求5所述的融合DI的森林扰动综合特征指数的方法,其特征在于:所述云检测与填充的方法为:根据状态标记数据的比特位计算得到0-3质量因子,通过质量因子区分不同像元的质量,质量因子为0和1的像元分别为高质量和中质量像元,质量因子为2和3的像元标记为受云层影响和其他因素导致的无效像元,将其进行掩膜;采用R0.66可见光单通道反射率方法检测法消除云和异常条带的干扰;掩膜每期影像上的云和异常条带,对于掩膜后留下的空值象元,采用时间内插的方法填充;针对研究周期第一幅和最后一幅的遥感影像的空置区域使用最临近的无云象元进行替代,对于其他影像t则使用该影像之前(m)及之后(n)最临近影像的无云象元进行时间内插得到:
式中,Xt为第t幅影像的填充值,Xm和Xn分别为第m幅和第n幅的波段值。
8.根据权利要求5所述的融合DI的森林扰动综合特征指数的方法,其特征在于:所述数据重建的方法为:以像元为单位,根据季节和数据质量,以季中为起始,在本季图像内搜索获得目标像元,搜索顺序为:季中图像、前一期图像、再后一期图像、再更前一期、再更后一期图像,直到选择目标像元;选择并确定所述目标像元的依据是质量因子为0的像元、其次为1像元,然后是云检测并插值的像元,研究中代码为9,最后质量因子为3像元;得到该像元值的以季节为单位的时间序列轨迹,每年获得4季目标图像,最终得到第1-7波段时间序列数据B1-B7。
9.根据权利要求4-8任一所述的融合DI的森林扰动综合特征指数的方法,其特征在于:所述缨帽变换分量使用MODIS缨帽转换系数,具体如下所述:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710128676.2A CN106960119A (zh) | 2017-03-06 | 2017-03-06 | 一种融合di的森林扰动综合特征指数及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710128676.2A CN106960119A (zh) | 2017-03-06 | 2017-03-06 | 一种融合di的森林扰动综合特征指数及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106960119A true CN106960119A (zh) | 2017-07-18 |
Family
ID=59470102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710128676.2A Pending CN106960119A (zh) | 2017-03-06 | 2017-03-06 | 一种融合di的森林扰动综合特征指数及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106960119A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614942A (zh) * | 2018-12-14 | 2019-04-12 | 中国科学院遥感与数字地球研究所 | 一种基于云计算平台的森林扰动长时间序列监测方法 |
CN109670467A (zh) * | 2018-12-25 | 2019-04-23 | 河南大学 | 一种基于sg滤波的森林变化快速识别方法 |
-
2017
- 2017-03-06 CN CN201710128676.2A patent/CN106960119A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614942A (zh) * | 2018-12-14 | 2019-04-12 | 中国科学院遥感与数字地球研究所 | 一种基于云计算平台的森林扰动长时间序列监测方法 |
CN109670467A (zh) * | 2018-12-25 | 2019-04-23 | 河南大学 | 一种基于sg滤波的森林变化快速识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grogan et al. | Cross-border forest disturbance and the role of natural rubber in mainland Southeast Asia using annual Landsat time series | |
CN108613933A (zh) | 基于多源遥感数据融合的林地干旱时空动态监测方法 | |
CN103456020B (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
JP5303320B2 (ja) | 地下水起源解析方法、地下水起源解析システム、地下水起源解析プログラム、記録媒体、降雨涵養量演算方法及び降雨涵養量演算部 | |
CN109164459A (zh) | 一种结合激光雷达和高光谱数据对森林树种分类的方法 | |
Rich et al. | Detecting wind disturbance severity and canopy heterogeneity in boreal forest by coupling high-spatial resolution satellite imagery and field data | |
CN106600574A (zh) | 一种基于遥感影像与高程数据的滑坡提取方法 | |
CN106501186B (zh) | 一种土壤含水量产品降尺度方法 | |
Mukherjee et al. | Effect of canal on land use/land cover using remote sensing and GIS | |
Zhang et al. | Mapping and evaluation of landscape ecological status using geographic indices extracted from remote sensing imagery of the Pearl River Delta, China, between 1998 and 2008 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
Shang et al. | Moso bamboo forest extraction and aboveground carbon storage estimation based on multi-source remotely sensed images | |
CN111652092A (zh) | 基于Sentinel-2A数据监测森林覆盖变化的方法 | |
CN109767409A (zh) | 基于遥感影像的滑坡变化检测方法、存储介质和电子设备 | |
Fynn et al. | Forest fragmentation analysis from multiple imaging formats | |
CN106960119A (zh) | 一种融合di的森林扰动综合特征指数及方法 | |
CN109635828A (zh) | 一种生态保护红线区典型地理国情要素提取系统及方法 | |
Lin et al. | Developing a two-step algorithm to estimate the leaf area index of forests with complex structures based on CHRIS/PROBA data | |
CN116844049A (zh) | 基于图像差值法的森林扰动监测方法、系统、设备及介质 | |
Thien et al. | Assessment of forest cover and forest loss using satellite images in Thua Thien Hue province, Vietnam | |
CN115496939A (zh) | 一种基于多源遥感数据的湿地信息提取方法 | |
CN115035411A (zh) | 一种基于高光谱数据的互花米草指数构建与提取方法 | |
Zhirin et al. | Estimation of linkages between biometric indexes of forests and pattern of canopy spaces on super-high-resolution satellite images | |
CN106339423A (zh) | 一种甘蔗种植信息动态更新方法及装置 | |
Zhu et al. | Remote sensing classification using fractal dimensions over a subtropical hilly region |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170718 |