CN108007880B - 一种树种光谱曲线多边形面积指数的建立方法 - Google Patents
一种树种光谱曲线多边形面积指数的建立方法 Download PDFInfo
- Publication number
- CN108007880B CN108007880B CN201711232669.3A CN201711232669A CN108007880B CN 108007880 B CN108007880 B CN 108007880B CN 201711232669 A CN201711232669 A CN 201711232669A CN 108007880 B CN108007880 B CN 108007880B
- Authority
- CN
- China
- Prior art keywords
- tree species
- area
- spectral
- band
- polygon
- 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
Links
Images
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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 Processing (AREA)
Abstract
本发明涉及一种树种光谱曲线多边形面积指数的建立方法,属于遥感技术应用领域。该方法包括以下步骤:对可进行树种识别的遥感影像进行辐射定标、融合和大气校正,将影像的像元亮度值转换为光谱反射特征值;选出树种分布较为丰富的测试区,裁剪出测试区影像,调查测试区内分类树种;对每个树种采集一定像素数的分类样本和精度验证样本,利用分类样本中每个树种的像元均值拟合分类树种的光谱反射特征曲线;追踪特定树种的光谱反射特征曲线与坐标轴一遍,形成闭合的多边形,计算多边形面积。该方法主要解决先前提出的光谱反射特征指数在树种分类中性能欠佳的问题,挖掘有益于树种识别的影像光谱信息,进一步提高基于光谱信息挖掘的影像树种识别精度。
Description
技术领域
本发明属于遥感技术应用领域,具体地,涉及一种树种光谱曲线多边形面积指数的建立方法。
背景技术
基于遥感影像的树种分类是国内外尚未解决的难题,分类中光谱指数(含植被指数)的参与,在一定程度上可提高影像树种的解译力。目前在基于WorldView-2树种分类中结合的光谱指数有归一化植被指数(NDVI)、光谱曲线三角形面积指数(TA578,TA678),具体可参见:Matheus Pinheiro Ferreira等的“Mapping tree species in tropical seasonalsemi-deciduous forests with hyperspectral and multispectral data”(RemoteSensing of Environment,2016年第179卷第66-78页)、Ruiliang Pu等的“A comparativeanalysis of high spatial resolution IKONOS and WorldView-2 imagery formapping urban tree species”(Remote Sensing of Environment,2012年第124卷第516-533页)和刘怀鹏的“基于WorldView-2数据的城市典型绿化树种分类[D]”(内蒙古农业大学,2016年)。
NDVI是传统的植被指数,在植被信息提取中具有重要作用,但在树种分类中,它的针对性不强,有益于树种识别的光谱信息还没能够被充分表达;光谱曲线三角形面积指数在树种分类中产生了重要的作用,但因不同树种光谱曲线围成的三角形面积差异性依然有限,树种的影像差异性还未能充分展现,因此,现有光谱指数在树种分类中侧重光谱信息的挖掘依然不够深入,有待进一步探索。
发明内容
本发明的目的在于提供一种树种光谱曲线多边形面积指数的建立方法,采用该方法建立的是一种在树种分类中较NDVI57、TA578、TA678更有效的光谱指数,主要解决先前提出的光谱指数在树种分类中性能欠佳的问题,充分挖掘有益于树种识别的影像光谱信息,进一步提高基于光谱信息挖掘的影像树种识别精度。
为了实现上述目的,本发明采用的技术方案如下:
一种树种光谱曲线多边形面积指数的建立方法,包括以下步骤:
步骤一、对可进行树种识别的遥感影像进行辐射定标、融合和大气校正,将影像的像元亮度值转换为光谱反射特征值;
步骤二、在影像中选出树种分布较为丰富的典型区域,该区域即为测试区,裁剪出测试区影像,调查确定测试区内分类树种;
步骤三、对每个树种采集一定像素数的分类样本和精度验证样本,利用分类样本中每个树种的像元均值拟合分类树种的光谱反射特征曲线;
步骤四、追踪特定树种的光谱反射特征曲线与坐标轴一遍,形成一个闭合的多边形,计算获得该多边形面积。
作为进一步的优化,步骤四所述多边形面积的计算方法为:
S1:从第一波段开始,将相邻两个波段的光谱反射特征均值点与坐标轴横轴分别相连,构造出若干个小梯形;
S2:分别求单个小梯形的面积,然后将所有小梯形面积累加,获得光谱曲线与坐标轴围成的多边形面积,计算公式为:
其中,PAIⅠ为初始多边形面积指数,N为遥感影像波段数;i=1,2,3,……N-1;j=i+1;Ri为i波段的光谱反射特征值,Rj为i+1波段的光谱反射特征值,为j波段与i波段的中心波长差值。
作为更进一步的优化,在计算多边形面积时,在纵轴0-Rmin(Rmin为光谱反射特征值在N个波段中的最小值)之间引入常数b,计算出各树种均具有的相同矩形面面积S矩;然后用所有小梯形的累加面积减去相同矩形面面积,即得优化后多边形面积;相同矩形面面积的计算公式为:
则优化后多边形面积PAIⅡ的计算公式为:
其中,PAIⅡ为优化后多边形面积指数,N为遥感影像波段数;i=1,2,3,……N-1;j=i+1;Ri为i波段的光谱反射特征值,Rj为i+1波段的光谱反射特征值,Δλij为j波段与i波段的中心波长差值。
本发明的有益效果:
(1)本发明利用不同树种光谱反射特征曲线形成的多边形面积差异建立表达式,与常见光谱指数利用比值法求取有很大的区别,与作者以前研究基于面积法求取指数具有很大的改进。充分挖掘了有益于树种识别的影像光谱信息,能进一步提高基于光谱信息挖掘的影像树种识别精度。
(2)本发明在全波段范围内,将光谱发射特征曲线与坐标轴围成的面积分割成若干个小梯形分别求取,然后再累加获得整个多边形的面积,原理与方法是科学的,可应用于多光谱和高光谱影像。
(3)本发明在N个光谱波段范围内可求取具有明显面积差异的部分波段或全波段光谱曲线面积(如求取i-j波段(1≦i≦N-1,2≦j≦N,i<j)的面积);加入常数b,还可调整光谱曲线与X,Y坐标轴围成的面积,有益于增大不同树种光谱曲线的面积差异,提高树种识别精度。整个表达式可根据实际情况灵活调整,具有普适意义与推广价值。
附图说明
图1为本发明-基于WorldView-2影像的测试区选取图;
图2为本发明-典型城市绿化树种均值光谱曲线图;
图3为本发明-垂柳和国槐的均值光谱曲线与坐标轴围成的多边形示例及其多边形面积指数计算原理图;
图4为本发明-PAI指数提取结果图;
图5为本发明-基于PAI结合纹理特征的测试区绿化树种分类结果图;
图6为三角形面积指数构建示例。
具体实施方式
一种树种光谱曲线多边形面积指数的建立方法,包括以下步骤:
步骤一、对可进行树种识别的遥感影像进行辐射定标、融合和大气校正,将影像的像元亮度值转换为光谱反射特征值;
步骤二、在影像中选出树种分布较为丰富的典型区域,裁剪出该区域影像,调查确定分类树种;
步骤三、对每个树种采集一定像素数的分类样本和精度验证样本,利用分类样本中每个树种的像元均值拟合分类树种的光谱反射特征曲线,即光谱曲线;
步骤四、追踪特定树种的光谱反射特征曲线与坐标轴一遍,会形成一个闭合的多边形。
具体地,树种光谱反射特征曲线多边形面积的具体计算公式为:
S1:从第一波段开始,将相邻两个波段的光谱反射特征均值点与坐标轴横轴分别相连,构造出若干个小梯形;
S2:分别求单个小梯形的面积,然后将所有小梯形面积累加,获得光谱反射特征曲线与坐标轴围成的多边形面积(polygonal area index,PAI),用PAIⅠ表示,该面积计算见公式1;
其中,PAIⅠ为初始多边形面积指数,N为遥感影像波段数;i=1,2,3,……N-1;j=i+1;Ri为i波段的光谱反射特征值,Rj为i+1波段的光谱反射特征值,Δλij为j波段与i波段的中心波长差值。(例如在实施例1中,N=8,i=1,2,3,4,5,6,7,见表2)。
作为更进一步的优化,为了使不同树种的多边形面积保持一定(或具有明显)的差异性,特在纵轴0-Rmin(Rmin为光谱反射特征值在N个波段中的最小值)之间引入常数b,减去各树种均具有的矩形面,调节、拉大各树种的PAI差异性,获得优化后多边形面积指数PAIⅡ。各树种相同矩形面积计算方法如公式2所示。
其中,S矩为矩形面积,其他参数同上。
此时,优化后的PAIⅡ的计算式如公式3所示。
下面通过实施例对本发明做进一步的解释说明。
实施例1
下面结合实施例1和附图对本发明做进一步的解释说明。
S1:调查测试区(面积2.45km2)的主要树种分布,如图1所示,以ENVI4.5感兴趣区的形式获取每个树种的分类样本和精度验证样本像素数,如下表1。
表1:7个分类树种的学名以及分类样本、精度验证样本像素数
S2:基于ENVI4.5软件,利用分类样本拟合7个树种的光谱反射特征均值曲线,如图2所示,将光谱反射特征均值点与坐标轴横轴分别相连,构造出若干个小梯形,如以垂柳和杜松为例的图3所示,分别求取每个梯形的面积,然后累加获得PAI,如图4所示。
S3:提取8个波段(如下表2所示)WorldView-2的主成分,得到8个主成分,选取前三主成分,即PC1、PC2和PC3,基于灰度共生矩阵提取前3个主成分的均值MEA-PC1、MEA-PC2和MEA-PC3(先前研究中,在基于纹理特征的分类中,第一、第二、第三主成分的均值在树种分类中具有最重要的作用)。
表2:WorldView-2数据参数
将PAI、NDVI57(基于5、7波段提取)、TA578、TA678分别与WorldView-2前3主成分提取的均值特征(MEA-PC1、MEA-PC2和MEA-PC3)结合,利用表1中的分类样本,基于最大似然法进行分类,利用表1中的精度验证像素统计分类的总体精度,分析4个光谱指数分别结合相同纹理特征的总体分类精度差异。具体如下:
S31:仅用3个纹理特征分类,总体精度为57.8504%(Kappa系数0.5057);利用3个纹理特征结合NDVI57分类,总体精度为59.7945%(Kappa系数0.5291);利用3个纹理特征结合TA578分类,总体精度为61.6518%(Kappa系数0.5508);利用3个纹理特征结合TA678分类,总体精度为62.3824%(Kappa系数0.5593)。
S32:利用3个纹理特征结合PAIⅠ(b=0)分类,总体精度为61.3175%(Kappa系数0.5467);利用3个纹理特征结合PAIⅡ(b=200)分类,总体精度为62.4443%(Kappa系数0.5600);利用3个纹理特征结合PAIⅡ(b=500)分类,总体精度为62.5805%(Kappa系数0.5616)。
S4:利用3个纹理特征结合PAIⅡ(b=500)对绿化树种分类,结果如图5所示。
其中,上述实施例中,分别将NDVI、TA578、TA678、PAI与三个纹理特征相结合,用以说明新提指数的重要性。通过上述实施例可知:本发明构建的PAI指数在结合WorldView-2前3个主成分的均值分类过程中,分类结果优于NDVI57;在调整b值的情况下,分类效果优于TA578、TA678,表明本发明构建的光谱曲线多边形面积指数在树种分类中具有相对重要的作用。
另外,需要说明的是:
1、表2中:2波段与1波段的中心波长差值(即Δλ12)为480-425=55,其他以此类推。
2、NDVI、TA578、TA678的提取公式分别如下:
归一化植被指数(NDVI)计算如公式1。
NDVI为归一化植被指数,R7为7波段的光谱反射特征值,R5为5波段的光谱反射特征值。
光谱反射特征曲线中,波段578围成的面积利用下式计算。见图6。
TA578={[(R7-R8)+(R7-R5)]×Δλ85-(R7-R8)×Δλ87-(R7-R5)×Δλ75}/2 (5)
式中:TA578为红波段与近红外1波段、近红外2波段围成的面积,R8为近红外2波段的反射特征值,R7为近红外1波段的反射特征值,R5为红波段的反射特征值,Δλ85为近红外2波段与红波段的中心波长差,Δλ87为近红外2与近红外1波段的中心波长差,Δλ75为近红外1波段与红波段的中心波长差。
光谱反射特征曲线中,波段678围成的面积利用下式计算。见图6。
TA678={[(R7-R8)+(R7-R6)]×Δλ86-(R7-R8)×Δλ87-(R7-R6)×Δλ76}/2 (6)
式中:TA678为红边波段与近红外1波段、近红外2波段围成的面积,R8为近红外2波段的光谱反射特征值,R7为近红外1波段的光谱反射特征值,R6为红边波段的光谱反射特征值,Δλ86为近红外2波段与红边波段的中心波长差,Δλ87为近红外2与近红外1波段的中心波长差,Δλ76为近红外1波段与红边波段的中心波长差。
值得一提的是,以上实施例仅为说明性的,并不以此限制本发明的保护范围,对于本领域技术人员而言,在不背离本发明实质和范围的前提下,对本发明作出的一些非本质的改进和调整仍属于本发明的保护范围。
Claims (3)
1.一种树种光谱曲线多边形面积指数的建立方法,其特征在于:包括以下步骤:
步骤一、对可进行树种识别的遥感影像进行辐射定标、融合和大气校正,将影像的像元亮度值转换为光谱反射特征值;
步骤二、在影像中选出树种分布较为丰富的典型区域,该区域即为测试区,裁剪出测试区影像,调查确定测试区内分类树种;
步骤三、对每个树种采集一定像素数的分类样本和精度验证样本,利用分类样本中每个树种的像元均值拟合分类树种的光谱反射特征曲线;
步骤四、追踪特定树种的光谱反射特征曲线与坐标轴一遍,形成一个闭合的多边形,计算获得该多边形面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711232669.3A CN108007880B (zh) | 2017-11-30 | 2017-11-30 | 一种树种光谱曲线多边形面积指数的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711232669.3A CN108007880B (zh) | 2017-11-30 | 2017-11-30 | 一种树种光谱曲线多边形面积指数的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108007880A CN108007880A (zh) | 2018-05-08 |
CN108007880B true CN108007880B (zh) | 2020-05-19 |
Family
ID=62055036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711232669.3A Expired - Fee Related CN108007880B (zh) | 2017-11-30 | 2017-11-30 | 一种树种光谱曲线多边形面积指数的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108007880B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651295A (zh) * | 2020-11-18 | 2021-04-13 | 上海市园林科学规划研究院 | 一种城市绿地树木识别系统及方法 |
CN113158767B (zh) * | 2021-03-02 | 2022-09-30 | 山东科技大学 | 一种基于光谱特性的钉螺孳生地识别方法 |
CN113111763B (zh) * | 2021-04-08 | 2023-01-24 | 洛阳师范学院 | 一种建立光谱体积指数的方法、装置及树种识别的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014023456A (ja) * | 2012-07-25 | 2014-02-06 | Fujitsu Ltd | 植生図作成プログラム、植生図作成装置及び植生図作成方法 |
CN104808191A (zh) * | 2015-05-08 | 2015-07-29 | 南京林业大学 | 一种基于全波形LiDAR单木冠层容积分解的树种分类方法 |
CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
-
2017
- 2017-11-30 CN CN201711232669.3A patent/CN108007880B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014023456A (ja) * | 2012-07-25 | 2014-02-06 | Fujitsu Ltd | 植生図作成プログラム、植生図作成装置及び植生図作成方法 |
CN104808191A (zh) * | 2015-05-08 | 2015-07-29 | 南京林业大学 | 一种基于全波形LiDAR单木冠层容积分解的树种分类方法 |
CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
Non-Patent Citations (3)
Title |
---|
Tree Species Classification in Boreal Forests With Hyperspectral Data;Michele Dalponte 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20130531;第2632-2645页 * |
利用最大似然法识别呼和浩特市绿化树种;刘怀鹏;《东北林业大学学报》;20140731;第157-169页 * |
基于高分辨率与高光谱遥感影像的北亚热带马尾松及次生落叶树种的分类;申鑫;《植物生态学报》;20151231;第1125-1135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108007880A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Colombo et al. | Retrieval of leaf area index in different vegetation types using high resolution satellite data | |
Peddle et al. | Large area forest classification and biophysical parameter estimation using the 5-Scale canopy reflectance model in Multiple-Forward-Mode | |
CN108007880B (zh) | 一种树种光谱曲线多边形面积指数的建立方法 | |
CN109344550A (zh) | 一种基于国产高分卫星遥感数据的森林蓄积量反演方法及系统 | |
CN114821349B (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
CN103942769A (zh) | 一种卫星遥感影像融合方法 | |
Pu | Mapping urban forest tree species using IKONOS imagery: preliminary results | |
CN109815894A (zh) | 一种针对哨兵2a影像的建筑物阴影提取处理方法 | |
CN108195771A (zh) | 一种海洋高光谱遥感影像目标识别方法 | |
Lizarazo | Quantitative land cover change analysis using fuzzy segmentation | |
Liu | Classification of urban tree species using multi-features derived from four-season RedEdge-MX data | |
de Oliveira et al. | Topographic effects on the determination of hyperspectral vegetation indices: a case study in southeastern Brazil | |
CN107103295A (zh) | 光学遥感影像云检测方法 | |
Shirazinejad et al. | Applying multidate Sentinel-2 data for forest-type classification in complex broadleaf forest stands | |
CN107657206A (zh) | 一种基于遥感技术估算绿地覆盖率的方法 | |
Pu | Comparing canonical correlation analysis with partial least squares regression in estimating forest leaf area index with multitemporal Landsat TM imagery | |
CN112818880A (zh) | 基于深度学习的航拍图像植被提取与分类方法 | |
CN105678229B (zh) | 一种高光谱影像检索方法 | |
CN112257531A (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
Doi | Simple luminosity normalization of greenness, yellowness and redness/greenness for comparison of leaf spectral profiles in multi-temporally acquired remote sensing images | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
Pinho et al. | Intra-urban land cover classification from high-resolution images using the C4. 5 algorithm | |
CN114417092B (zh) | 沙漠化监测指数的构建方法及沙漠化状态变化趋势评价方法 | |
Miura et al. | Discrimination and biophysical characterization of Cerrado physiognomies with EO-1 hyperspectral Hyperion | |
Ghahramany et al. | Estimation of basal area in west oak forests of iran using remote sensing imagery |
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 | ||
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: 20200519 Termination date: 20211130 |