CN108416297B - 一种基于叶绿素荧光的植被信息快速识别方法 - Google Patents
一种基于叶绿素荧光的植被信息快速识别方法 Download PDFInfo
- Publication number
- CN108416297B CN108416297B CN201810192855.7A CN201810192855A CN108416297B CN 108416297 B CN108416297 B CN 108416297B CN 201810192855 A CN201810192855 A CN 201810192855A CN 108416297 B CN108416297 B CN 108416297B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- remote sensing
- information
- vegetation information
- fluorescence
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于叶绿素荧光的植被信息快速识别方法,包括:对目标遥感影像进行精确几何校正和辐射标定;基于植被叶绿素荧光光谱机理特征,构建一个新的荧光遥感植被识别指数,进而计算获得荧光遥感植被识别指数信息;利用K‑Means遥感自动分类法,计算获得一幅植被信息空间分布图;最后,采用空间运算法获得一幅仅包含植被信息的遥感影像图。本发明结合植被叶绿素荧光原理,解决了植被信息快速提取的问题,提取精度高,抗干扰能力强,操作过程简单、灵活,具有较强的普适性和适应性,易推广应用。
Description
技术领域
本发明涉及一种基于叶绿素荧光的植被信息快速识别方法,属于生态建设、生态环境保护、灾害监测、生态功能评估等应用领域。
背景技术
植被是覆盖地表的植物群落的总称,包括森林、灌丛、草地与农作物等多种类型的植被,具有截留降雨、减缓径流、防沙治沙、保水固土等功能。植被信息是许多全球、区域变化监测模型中所需的重要参数,是描述地理环境和生态系统的重要基础数据;它作为生态系统的主要组分,是生态系统存在和发展的基础,也是联接土壤、大气和水分的自然“纽带”,在陆地表面的能量交换过程、生物地球化学循环过程和水文循环过程中扮演着重要的角色,在全球变化研究中起着“指示器”的作用;同时,植被信息获取可为专题制图、城市规划建设、粮食估产、生态环境建设、监测地理国情,以及研究地质结构和军事监测等提供基础信息数据资料和决策依据。
因此,如何快速、准确地掌握地表植被覆盖信息空间分布状况,分析其动态变化情况及变化趋势,对揭示地表空间变化规律和分析区域生态环境状况具有重要现实意义,对维护区域生态平衡和生态建设起着至关重要的作用。
传统植被信息获取主要依赖目视判读与实地调查相结合的方法,但该方法费时费力,无法满足植被调查在时间和空间上的要求,且结果带有一定主观性。人工干预下的计算机植被分类技术以及计算机自动分类技术是当前学者们的研究热点。在长期的遥感影像分类技术研究的过程中,适合于植被信息提取的技术方法,大体可以分为三类:基于植被光谱特征的提取方法、面向对象的提取方法以及人工智能法。诸如人工神经网络(ANNC)、决策树(DTC)和支持向量机(SVM)等比较成熟的方法都划分为人工智能法。面向对象和人工智能的植被提取方法随着理论和技术的进步在逐渐成熟,大多应用在地表多分类方面,针对植被信息提取精度不高,同时在操作过程中尺度分割和模型构建的时间较长,都有各自的适用范围;基于植被光谱特征的提取方法仍是最基础、应用最广泛的方法。最常用的基于植被光谱特征的提取方法包括RVI、NDVI、SAVI和EVI等指数方法。但这些指数方法都是对同类其他指数改进,既有改进的优点,同时自身也有为考虑的因素及在某些情况下的不足;如最常用的NDVI指数,虽然可以消除大部分与仪器定标、太阳角和地形有关的变化,增强了对植被的响应能力,但NDVI对大气噪声和土壤背景的变化较为敏感,而且在植被高覆盖区易饱和;EVI植被指数对高植被区有较高的敏感度,但对植被稀少地区的提取效果较差。综合分析来看,目前已有的方法都有它们自己的适用范围,随着技术的进步和应用需求的增加,植被信息提取方法需要更高层次的提升,因此,本专利基于植被叶绿素荧光机理提出了一种基于叶绿素荧光的植被信息快速识别方法。
发明内容
有鉴于此,本发明提供了一种基于叶绿素荧光的植被信息快速识别方法,能够方便、快速地提取地表植被信息的空间分布,且精度较高、适用性强、易推广应用,为区域生态环境变化监测、生态建设、生态系统功能评估、气候变化研究及相关人员获取植被信息提供技术支持。
为解决上述问题,本发明所采取的技术方案是:
一种基于叶绿素荧光的植被信息快速识别方法,包括以下步骤:
S1,对目标遥感影像图进行预处理,得到代表不同地物类型真实辐亮度值的遥感影像结果图;
S2,构建荧光遥感植被识别指数FVDI,其计算公式为:
其中ρ740、ρ670分别为740nm和670nm波段处的地物上行辐亮度值,α为校正系数;
α计算公式为:
其中RF、Red分别代表红边叶绿素荧光波段(735-755nm)和红光波段(665-680nm)范围内的任一波段值,ρRF、ρRed分别代表RF、Red波段处的地物上行辐亮度值,IRF、IRed分别为RF、Red波段处的太阳入射辐亮度值;
S3,基于步骤S1所得遥感影像结果图,计算荧光遥感植被识别指数FVDI;
S4,基于步骤S3所得荧光遥感植被识别指数结果,利用K-Means聚类分析法提取影像中的植被信息,得到一张植被信息空间分布图;
S5,将步骤S4所得植被信息空间分布图与步骤S1所得遥感影像结果图进行空间运算,得到一张仅包含植被信息的遥感影像结果图。
进一步的,步骤S1中对目标遥感影像图进行的预处理包括精确几何校正和辐射标定。
进一步的,步骤S4中K-Means聚类分析法是一种遥感非监督分类法,该方法无需训练样本,采用聚类分析技术,通过自组织自学习、迭代聚合过程完成对目标影像的分类,把植被信息与其他地物区分开来,生成一张植被信息空间分布图。
进一步的,步骤S5中空间运算具体包括以下两个步骤:
S51,对步骤S4所得植被信息空间分布图进行二值化处理,生成一个0-1二值信息图,0代表非植被像元,1代表植被像元;
S52,利用该0-1二值信息图对步骤S1所得遥感影像结果图进行掩模处理,即可得到一张仅包含植被信息的遥感影像结果图。
本发明的有益效果在于:
1)本发明基于植被叶绿素荧光原理构建了一个荧光遥感植被识别指数,利用该指数信息可以快速地提取地表植被信息,且提取精度较高,操作过程简单、灵活。
2)相比现有技术方法,本发明在基于荧光遥感植被识别指数信息区分植被和非植被背景信息时,采用了自组织、自学习的分类方法,人工参与少,抗干扰能力强,自动化程度高;同时,本发明对植被类型和生长环境条件不做限制要求,具有较强的普适性和适应性,易推广应用。
附图说明
图1为本发明的流程示意图;
图2为辐射标定后的遥感影像结果图;
图3为荧光遥感植被识别指数信息图;
图4为植被信息空间分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明的目标是提取植被的空间分布信息,仅要求保证满足遥感成像质量下的正常天气条件即可,而对目标对象植被类型、生长环境并无特殊要求。因此,本实施例以盆栽植物为例,以便更清晰地解释和验证本发明。
为充分证明本发明的有效性和完整性,在实施例中,非植被信息既包含有与植被混合度较高且较难区分的土壤信息以及常见人工地表,同时也布设了白板(反射率高,可以代表一些诸如裸露岩石、特殊建筑材料等高反射率的地表类型)。
如图1为本发明一种基于叶绿素荧光的植被信息快速识别方法的流程示意图,具体包括以下步骤:
S1,对目标遥感影像图进行预处理
在完成对目标对象(盆栽植物)遥感成像后,对获得的原始遥感影像图进行精确几何校正和辐射标定,以获得代表不同地物类型真实辐亮度值的遥感影像结果图(如图2所示)。该过程可以在常用遥感数据处理软件中进行(本实施例使用ENVI 5.3)。
S2,构建荧光遥感植被识别指数FVDI
植被叶片吸收太阳光能后会发射荧光,叶绿素发射的荧光主要位于可见光近红外光谱范围(约680-800nm)。尽管在不同的环境条件和不同的冠层结构下,植被会发射出不同的叶绿素荧光光谱,但是荧光光谱的形状却保留着典型特征。一般而言,荧光光谱由两个峰组成:一个位于红光光谱区域,其最大值在685nm附近,主要来自于光系统II(PSII)的荧光发射;另一个位于近红外区,其最大值在740nm附近,是由光系统I(PSI)和光系统II(PSII)共同引起的。
本发明基于上述植被叶绿素荧光发射光谱特征构建了一个荧光遥感植被识别指数(Fluorescence Vegetation Distinguish Index,简称FVDI),用于区分植被信息与非植被信息。
该荧光遥感植被识别指数FVDI的计算公式为:
其中ρ740、ρ670分别为740nm和670nm波段处的地物上行辐亮度值,α为校正系数;地物上行辐亮度值是指上述步骤S1中获得的经辐射标定后的遥感影像数据值。
上述公式中,校正系数α的计算公式为:
其中RF、Red分别代表红边叶绿素荧光波段(735-755nm)和红光波段(665-680nm)范围内的任一波段值,ρRF、ρRed分别代表RF、Red波段处的地物上行辐亮度值,IRF、IRed分别为RF、Red波段处的太阳入射辐亮度值;同样,地物上行辐亮度值是指上述步骤S1中获得的经辐射标定后的遥感影像数据值,而太阳入射辐亮度值可以通过参考白板很容易获取。
S3,计算荧光遥感植被识别指数FVDI
利用步骤S2构建的荧光遥感植被识别指数FVDI,借助ENVI5.3中的波段运算工具(Band Math),计算可得荧光遥感植被识别指数信息图。
考虑到荧光遥感植被识别指数FVDI计算过程中,校正系数α的计算公式中RF、Red分别代表红边叶绿素荧光波段(735-755nm)和红光波段(665-680nm)范围内的任一波段值。为了进一步验证任一波段值的可行性,在此本实施例分别在叶绿素荧光波段(735-755nm)和红光波段(665-680nm)范围内选取两个波段值:740nm和745nm、670nm和675nm,按照荧光遥感植被识别指数FVDI计算公式进行运算,结果见图3。图3中左图为RF、Red分别取740nm和670nm时的结果,图3中右图为RF、Red分别取745nm和675nm时的结果。对比图3中的两张图,没有明显区别,反而这两张结果图中都能很鲜明地展现出植被信息与非植被信息间的异同。这说明本发明构建的荧光遥感植被识别指数FVDI能够非常有效地增强植被信息与非植被信息间的差异,为下一步精确提取植被信息提供了基础依据。
S4,获取植被信息空间分布图
基于步骤S3计算所得荧光遥感植被识别指数FVDI信息结果,利用K-Means聚类分析法把该荧光遥感植被识别指数信息结果自动分为两大类,一类为植被信息像元,一类为非植被信息像元,以获得试验区内植被冠层的空间分布信息。步骤S3计算所得两个荧光遥感植被识别指数FVDI信息结果选择任何一个均可,在此,本实施例基于图3中的左图结果进行本步计算。
从原理讲K-Means聚类分析法是一种基于像元值本身特征,自组织、自学习的方法。它已经集成到ENVI5.3软件中,是一种常用的遥感非监督分类法,调用比较简单方便,无需训练样本,大大降低了人为因素对结果分类产生的影响,也加快了提取信息的效率,通过反复迭代聚合过程完成对目标对象的分类,把植被信息与非植被信息区分开来,生成一张植被信息空间分布图(图4)。
S5,获取仅包含植被信息的遥感影像图
上述步骤S4中获得的植被信息空间分布图是一张包含单个波段信息的植被信息空间分布图,对研究植被空间动态变化非常便捷。如果要进一步获取植被丰富的多光谱特征信息,还需要利用它来处理原始遥感影像图,以获取仅包含植被信息的遥感影像图。
首先对步骤S4所得植被信息空间分布图进行二值化处理,生成一个0-1二值信息图,即将代表植被信息的像元赋值为1,代表非植被信息的像元赋值为0;进而利用该0-1二值信息图对步骤S1所得遥感影像结果图进行掩模处理,即可得到一张仅包含植被信息的遥感影像图。
基于步骤S1所得遥感影像结果图(图2)和步骤S4所得植被信息空间分布图(图3),经人工验证对比,可明显地看出,无论是连片的植被信息,还是植被叶片边缘部分,均能有效地识别出来,识别效果较好、精度较高;随机选取植被区和非植被区像元样本,对本发明植被信息识别结果进行像元级的验证,验证结果表明,对植被信息识别的精度高达99.5%以上,这为开展植被空间动态变化监测、土地覆被变化监测、生态建设及评估提供精确的数据源信息。
以上通过详细实施例描述了本发明所提供的一种基于叶绿素荧光的植被信息快速识别方法,该方法不需要先验知识,能有效地识别出研究范围内植被信息和非植被信息,易于操作、简单、灵活,应用领域较广,普适性和实用性较强。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说,在本申请公开、附图和权利要求的范围内,可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外,对于本领域技术人员来说,其他的用途也将是明显的。
Claims (4)
1.一种基于叶绿素荧光的植被信息快速识别方法,其特征在于,包括以下步骤:
S1,对目标遥感影像图进行预处理,得到代表不同地物类型真实辐亮度值的遥感影像结果图;
S2,构建荧光遥感植被识别指数FVDI,其计算公式为:
其中ρ740、ρ670分别为740nm和670nm波段处的地物上行辐亮度值,α为校正系数;
α计算公式为:
其中RF、Red分别代表红边叶绿素荧光波段735-755nm和红光波段665-680nm范围内的任一波段值,ρRF、ρRed分别代表RF、Red波段处的地物上行辐亮度值,IRF、IRed分别为RF、Red波段处的太阳入射辐亮度值;
S3,基于步骤S1所得遥感影像结果图,计算荧光遥感植被识别指数FVDI;
S4,基于步骤S3所得荧光遥感植被识别指数结果,利用K-Means聚类分析法提取影像中的植被信息,得到一张植被信息空间分布图;
S5,将步骤S4所得植被信息空间分布图与步骤S1所得遥感影像结果图进行空间运算,得到一张仅包含植被信息的遥感影像结果图。
2.如权利要求1所述的一种基于叶绿素荧光的植被信息快速识别方法,其特征在于,步骤S1中对目标遥感影像图进行的预处理包括精确几何校正和辐射标定。
3.如权利要求1所述的一种基于叶绿素荧光的植被信息快速识别方法,其特征在于,步骤S4中K-Means聚类分析法是一种遥感非监督分类法,该方法无需训练样本,采用聚类分析技术,通过自组织、自学习、迭代聚合过程完成对目标影像的分类,把植被信息与其他地物区分开来,生成一张植被信息空间分布图。
4.如权利要求1所述的一种基于叶绿素荧光的植被信息快速识别方法,其特征在于,步骤S5中空间运算具体包括以下两个步骤:
S51,对步骤S4所得植被信息空间分布图进行二值化处理,生成一个0-1二值信息图,0代表非植被像元,1代表植被像元;
S52,利用该0-1二值信息图对步骤S1所得遥感影像结果图进行掩模处理,即可得到一张仅包含植被信息的遥感影像结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192855.7A CN108416297B (zh) | 2018-03-09 | 2018-03-09 | 一种基于叶绿素荧光的植被信息快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192855.7A CN108416297B (zh) | 2018-03-09 | 2018-03-09 | 一种基于叶绿素荧光的植被信息快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416297A CN108416297A (zh) | 2018-08-17 |
CN108416297B true CN108416297B (zh) | 2018-11-27 |
Family
ID=63130667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810192855.7A Active CN108416297B (zh) | 2018-03-09 | 2018-03-09 | 一种基于叶绿素荧光的植被信息快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416297B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110794472B (zh) * | 2019-10-24 | 2020-11-06 | 中国科学院地理科学与资源研究所 | 一种基于旋翼无人机的植被背景下隐藏地物的探测方法 |
CN111766224B (zh) * | 2020-07-06 | 2021-12-07 | 中国农业科学院农业资源与农业区划研究所 | 一种仅利用辐亮度数据反演叶绿素荧光光谱的方法 |
CN115439759B (zh) * | 2022-11-09 | 2023-04-11 | 航天宏图信息技术股份有限公司 | 遥感影像中植被的提取方法、装置、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092241A1 (en) * | 2008-10-13 | 2010-04-15 | Muhammad Arshad | Canal Seepage Detection |
MX2011013334A (es) * | 2009-06-11 | 2012-04-11 | Pa Llc | Indices de vegetacion para medir densidad de microcultivo y crecimiento en multicapas. |
US9704042B2 (en) * | 2011-06-22 | 2017-07-11 | Google Inc. | Predicting tree species from aerial imagery |
US9068886B2 (en) * | 2011-07-29 | 2015-06-30 | Raytheon Company | Method and system for vicarious spatial characterization of a remote image sensor |
US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
CN106841116B (zh) * | 2016-12-29 | 2019-08-16 | 中国科学院遥感与数字地球研究所 | 人工绿色目标的检测方法和装置 |
-
2018
- 2018-03-09 CN CN201810192855.7A patent/CN108416297B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108416297A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chubey et al. | Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters | |
US7058197B1 (en) | Multi-variable model for identifying crop response zones in a field | |
Erikson | Species classification of individually segmented tree crowns in high-resolution aerial images using radiometric and morphologic image measures | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
Yang et al. | An automated method to parameterize segmentation scale by enhancing intrasegment homogeneity and intersegment heterogeneity | |
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
CN112101271A (zh) | 一种高光谱遥感影像分类方法及装置 | |
CN108416297B (zh) | 一种基于叶绿素荧光的植被信息快速识别方法 | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
CN106228130B (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
CN108399393B (zh) | 一种基于荧光遥感的植被冠层阴阳叶检测方法 | |
Zhang et al. | Remote sensing of impervious surfaces in tropical and subtropical areas | |
CN113221765A (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN107121681B (zh) | 基于高分卫星遥感数据的居民地提取系统 | |
Baraldi et al. | Operational performance of an automatic preliminary spectral rule-based decision-tree classifier of spaceborne very high resolution optical images | |
CN108932474A (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
Kuswidiyanto et al. | Airborne hyperspectral imaging for early diagnosis of kimchi cabbage downy mildew using 3D-ResNet and leaf segmentation | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
CN109308464A (zh) | 一种基于数码相机图像的水稻穗子识别方法 | |
CN116863345A (zh) | 一种基于双重注意力和尺度融合的高分影像农田识别方法 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN110929739A (zh) | 一种自动化的不透水面范围遥感迭代提取方法 |
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 |