CN109033543A - 一种地表异质区植被覆盖度估算方法、装置及设备 - Google Patents
一种地表异质区植被覆盖度估算方法、装置及设备 Download PDFInfo
- Publication number
- CN109033543A CN109033543A CN201810715794.8A CN201810715794A CN109033543A CN 109033543 A CN109033543 A CN 109033543A CN 201810715794 A CN201810715794 A CN 201810715794A CN 109033543 A CN109033543 A CN 109033543A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- spatial resolution
- vegetation coverage
- coverage
- high spatial
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种地表异质区植被覆盖度估算方法及装置。所述方法包括:基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。本发明实施例克服了真实地表情况复杂异质性较强时估算结果精度低的问题,可以获得精准的估算结果,能够反映植被覆盖程度的动态变化情况,并且区域植被覆盖度估算结果图纹理清晰,能够反映异质性较强地表的植被覆盖情况。
Description
技术领域
本发明实施例涉及遥感植被信息领域,尤其涉及一种地表异质区植被覆盖度估算方法、装置及设备。
背景技术
植被是陆地生态系统的重要组成部分,在调节全球水循环、减少地表径流和水土流失等方面发挥着重要作用。植被覆盖度通常定义为绿色植被在地面的垂直投影面积占统计区总面积的百分比,是衡量植被状况的一个重要评价指标,广泛应用于气候变化、干旱监测、农情监测、土壤侵蚀评价以及能量平衡等领域中,且对大气圈、土壤圈、水圈和生物圈均有一定的影响。因此,获取高精度的植被覆盖度数据对于地表监测和相关科学研究具有重要意义。
近年来,随着遥感技术的不断发展,由于其具有大区域的数据获取和连续观测能力,逐渐使得区域及全球尺度植被覆盖度监测成为可能。
目前,使用遥感数据已经生产出了一些植被覆盖度产品,如CYCLOPES、GEOV1、GLASS等。这些植被覆盖度产品空间分辨率大多低于300米(从500米到6千米不等),很难满足应用部门对高空间分辨率植被覆盖度数据的需求。此外,生产这些植被覆盖度产品时一般仅使用相应时刻的单一遥感数据,而遥感数据的质量容易受云和气溶胶状况等因素的影响。当某一时刻遥感数据质量不高时,则可能导致这一时刻的植被覆盖度的估算结果精度较低。
发明内容
针对现有技术存在的问题,本发明实施例提供一种地表异质区植被覆盖度估算方法、装置及设备,可以获得精准的估算结果,能够反映植被覆盖程度的动态变化情况,并且区域植被覆盖度估算结果图纹理清晰,能够反映异质性较强地表的植被覆盖情况。
第一方面,本发明实施例提供一种地表异质区植被覆盖度估算方法,包括:
基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;
基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。
第二方面,本发明实施例提供一种地表异质区植被覆盖度估算装置,包括:
概率获取模块,用于基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;
结果估算模块,用于基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。
第三方面,本发明实施例提供了一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行本发明实施例第一方面所述地表异质区植被覆盖度估算方法及其任一可选实施例所述的地表异质区植被覆盖度估算方法。
第四方面,提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令执行本发明实施例第一方面所述地表异质区植被覆盖度估算方法及其任一可选实施例的地表异质区植被覆盖度估算方法。
本发明实施例提供的一种地表异质区植被覆盖度估算方法,基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和预设时间序列的每个时刻对应的高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率,进一步利用动态贝叶斯网络进行后验概率估算,获取所述预测时刻的高空间分辨率植被覆盖度估算结果。由于本方法并非根据单一时刻的遥感数据进行估算,也不仅根据遥感数据进行估算,还引入低空间分辨率植被覆盖度产品进行辅助估算,克服了真实地表情况复杂异质性较强时估算结果精度低的问题,可以获得精准的估算结果,能够反映植被覆盖程度的动态变化情况,并且区域植被覆盖度估算结果图纹理清晰,能够反映异质性较强地表的植被覆盖情况,能够满足对高精度高分辨率地表异质区植被覆盖度获取的需要。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种地表异质区植被覆盖度估算方法流程示意图;
图2为本发明实施例低空间分辨率植被覆盖度产品分解过程示意图;
图3为本发明实施例植被生长信息提取示意图;
图4为本发明实施例动态贝叶斯网络的有向无环图示意图;
图5为本发明实施例估算的植被覆盖度结果与地面真值的散点对比示意图;
图6为本发明实施例一种电子设备的框架示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
自然界中地表情况复杂,地表异质性较强,即使是在相近范围内植被种类也具有较大差异,相同类型的植被可能具有不同的生长状况。因此在进行大范围植被覆盖度估算时,估算方法应具有较强的普适性,充分考虑到自然界中地表的异质性程度,能够适应复杂的地表状况。
针对目前植被覆盖度估算依赖单一时刻的遥感数据的问题、真实地表情况复杂异质性较强的情况,本发明实施例提供了一种引入植被生长特征作为辅助信息的、普适性更好的高精度高空间分辨率植被覆盖度算法。本发明实施例从低空间分辨率的植被覆盖度产品中提取植被生长信息,并在动态贝叶斯网络的支持下,将提取出的植被生长特征以植被生长模型表达,与辐射传输模型一并以概率的形式结合至植被覆盖度估算过程中。
图1为本发明实施例一种地表异质区植被覆盖度估算方法流程示意图,如图1所示的地表异质区植被覆盖度估算方法,包括:
100,基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;
需要说明的是,预设时间序列是包含多个时刻的数据序列,相邻的时刻之间具有预设的时间间隔,且多个时刻按照时间大小排序,预设时间序列的第一时刻最小,最后一个时刻最大。具体的,预测时刻比预设时间序列最后一个时刻的时间值大,且与预设时间序列最后一个时刻具有预设的时间间隔。
需要说明的是,本实施例中低空间分辨率植被覆盖度产品和高空间分辨率遥感数据均为预设时间序列的每个时刻对应的数据,即并非单一时刻的数据,即低空间分辨率植被覆盖度产品和高空间分辨率遥感数据均为多个时刻的数据。
具体的,本发明实施例的低空间分辨率植被覆盖度产品为GLASS FVC产品,即全球陆表特征参量数据产品;所述高空间分辨率遥感数据为Landsat-8OLI反射率数据(2013年2月11号,NASA成功发射了Landsat-8卫星,Landsat-8上携带有两个主要载荷:OLI和TIRS),OLI即Operational Land Imager,即陆地成像仪,所述Landsat-8OLI反射率数据即Landsat-8卫星上的陆地成像仪的反射率数据。
本实施例中,使用的Landsat-8反射率数据下载于earthexplorer.usgs.gov网站,共下载所有2014年年积日第87日到第295日,行列号为研究区所对应的Path 123,Row 031的所有云量低于20%的影像。Landsat-8反射率数据包含9个光谱波段,其空间分辨率为30m(全色波段为15m),时间分辨率为16天。本实施例中使用到的主要为红和近红外波段。Landsat-8数据的预处理主要为大气校正。GLASS植被覆盖度产品由空间分辨率为500米,时间分辨率为8天的MODIS地表反射率产品利用机器学习方法生产得到。为使其投影与Landsat-8数据一致,利用MODIS投影转换工具(MRT)将GLASS植被覆盖度数据投影由正弦投影转为通用横轴墨卡托投影(UTM)。
101,基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。
贝叶斯网络是概率论与图论的结合,是概率统计在复杂领域、不确定性推理等方面的应用。在实际应用中,引入时间变化变量,动态贝叶斯网络的概念也逐渐发展而来。时序植被覆盖度估算方法基于动态贝叶斯网络,以贝叶斯定理和条件独立性假设为基础,目标是求出待求参数(本实施例中为植被覆盖度)的后验概率分布,在通过后验概率分布估算结果。
本发明实施例基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和预设时间序列的每个时刻对应的高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率,进一步利用动态贝叶斯网络进行后验概率估算,获取所述预测时刻的高空间分辨率植被覆盖度估算结果。由于本实施例并非根据单一时刻的遥感数据进行估算,也不仅根据遥感数据进行估算,还引入低空间分辨率植被覆盖度产品进行辅助估算,克服了真实地表情况复杂异质性较强时估算结果精度低的问题,可以获得精准的估算结果,能够反映植被覆盖程度的动态变化情况,并且区域植被覆盖度估算结果图纹理清晰,能够反映异质性较强地表的植被覆盖情况,能够满足对高精度高分辨率地表异质区植被覆盖度获取的需要。
基于上述实施例,步骤100,所述基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率,具体包括:
100.1,根据预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,提取植被生长信息;
100.2,根据所述植被生长信息获取所述预测时刻的植被覆盖度先验值,并根据所述植被覆盖度先验值获取所述预测时刻的植被覆盖度先验概率;
100.3,根据预设时间序列的每个时刻对应的高空间分辨率遥感数据,获取所述预测时刻的植被冠层反射率,并根据辐射传输模型所生成的查找表,结合高空间分辨率遥感数据获取所述预测时刻的植被覆盖度似然概率。
步骤100.1中,需要说明的是,在提取较高空间分辨率植被生长信息时,假设低空间分辨率植被覆盖度产品的像元是由不同地物组分的线性组合构成,即一个低空间分辨率的植被覆盖度像元所对应的若干个较高空间分辨率的遥感数据像元均为其端元,而每个端元对低分辨率植被覆盖度像元的贡献即为其在线性组合之中的权重。NDVI(归一化植被指数)常用于表征遥感像元的植被绿度等情况,因此在本实施例中使用高空间分辨率遥感数据的像元的NDVI作为其权重。
图2为本发明实施例低空间分辨率植被覆盖度产品分解过程示意图,请参考图2,假设低空间分辨率植被覆盖度产品为GLASS FVC,高空间分辨率遥感数据为Landsat-8OLI反射率数据,通过低分辨率的GLASS FVC数据和高分辨率像元的NDVI数据,可以提取出高空间分辨率植被生长信息。
步骤100.2中,根据提取的植被生长信息,就可以通过特定方法获取预测时刻的植被覆盖度先验概率,将在后述实施例进行详解。
步骤100.3中,根据预设时间序列的每个时刻对应的高空间分辨率遥感数据,获取所述预测时刻的植被冠层反射率等,与步骤100.1和步骤100.2之间并没有执行的先后顺序关系,可以在获取植被覆盖度先验概率之前执行,也可以在获取植被覆盖度先验概率之后执行。
基于上述实施例,步骤100.1,所述根据预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,提取植被生长信息,具体包括:
通过近邻取样法对每个低空间分辨率植被覆盖度产品进行重采样,使得重采样后的低空间分辨率植被覆盖度产品的空间分辨率与所述高空间分辨率遥感数据的空间分辨率一致;
对每个高空间分辨率遥感数据对应的重采样后的低空间分辨率植被覆盖度产品设置滑动窗口,所述滑动窗口的大小与低空间分辨率植被覆盖度产品的像元大小相同;
基于每个高空间分辨率遥感数据的像元的NDVI值,计算所述滑动窗口的中心像元的植被覆盖度FVCk,作为每个高空间分辨率遥感数据的植被生长信息。
图3为本发明实施例植被生长信息提取示意图,本发明实施例中低空间分辨率植被覆盖度产品为GLASS FVC,高空间分辨率遥感数据为Landsat-8OLI反射率数据,以下实施例均以这两种数据来实施,此后不再赘述。
请参考图3,图中大方格1代表GLASS FVC植被覆盖度产品的像元,2为滑动窗口,3为滑动窗口的中心像元,4为Landsat-8像元的NDVI值,5为GLASS FVC重采样后的像元。本实施例中,预设时间序列的每个时刻对应的GLASS FVC植被覆盖度产品已经过S-G滤波处理。然后,通过近邻取样法对GLASS FVC植被覆盖度产品重采样,使得其空间分辨率为30米,以与Landsat-8OLI像元的空间分辨率一致。并计算每个Landsat-8OLI像元的NDVI值。此后设置一个与GLASS植被覆盖度像元的大小相同的滑动窗口2。每次使用式(1)计算滑动窗口的中心像元3的植被覆盖度值FVCk,所计算的植被覆盖度值将作为Landsat-8像元的植被生长信息:
其中,M代表滑动窗口中高空间分辨率遥感数据的像元个数,FVCi代表重采样后的低空间分辨率植被覆盖度产品的像元的植被覆盖度值,NDVIi为高空间分辨率遥感数据的各像元的NDVI值,NDVIk为滑动窗口的中心像元的NDVI值。
需要说明的是,随着滑动窗口2在整个GLASS FVC产品像元的移动,每次移动时计算滑动窗口的中心像元3的植被覆盖度值,即可完成整个Landsat-8OLI像元植被生长信息提取过程。
基于上述实施例,步骤100.2,所述根据所述植被生长信息获取所述预测时刻的植被覆盖度先验值,并根据所述植被覆盖度先验值获取所述预测时刻的植被覆盖度先验概率,具体包括:
根据所述植被生长信息,分别为每个高空间分辨率遥感数据像元建立各自的植被生长模型FVCT:
其中,a、b、c和d均为植被生长模型的模型参数,t为年积日;
通过所述植被生长模型,预测所述预测时刻的植被覆盖度先验值;
根据所述植被覆盖度先验值获取所述预测时刻的植被覆盖度先验概率。
本实施例为了在地表情况较为复杂、异质性较强的区域,能够较好的估算较高空间分辨率植被覆盖度,需要为每个高空间分辨率遥感数据的像元分别建立各自的植被生长动态模型。时间序列低空间分辨率的植被覆盖度产品中包含着有用的植被生长信息,可作为建立各自的植被生长动态模型的背景信息加以利用。一种可行的办法是,从低空间分辨率的植被覆盖度产品中,结合较高空间分辨率的遥感反射率数据,提取较高空间分辨率的植被生长背景信息,即背景的植被覆盖度信息。
具体的,本实施例为了将植被生长信息引入至植被覆盖度估算方法当中,使用了能定量描述植被的生长状况的植被生长模型,根据提取出的高空间分辨率遥感数据的植被覆盖度值,即植被生长信息,分别为每个高空间分辨率遥感数据的像元建立各自的植被生长模型,以适应地表异质性较强的区域。
植被生长模型用于描述植被覆盖度变化的动态过程。通常,用于描述植被动态变化过程的植被生长模型分为两类。第一类具有明确的物理机理,从能量积累的角度描述植被的生长;这类方法建立的生长模型通常比较复杂,需要大量的输入参数;另一类则是使用时间序列的描述植被生长过程的统计数据(包括遥感数据和地面测量数据),通过回归等统计方法建立经验模型等,这种方法可操作性强,且模型具有一定的精度。因此,本实施例中使用第二类方法构建植被生长模型。具体而言,使用修正的Verhulst logistic方程构建基于植被覆盖度的年积日的植被生长模型,其表达式为(1)式。
具体的,本实施例为每一个Landsat-8OLI像元构建一个植被生长模型时,首先使用Universal Global Optimization(UGO)算法,确定模型参数的最佳初始值;然后使用Levenberg-Marquardt算法拟合模型参数植被生长模型。
植被生长模型的输出即为预测时刻的植被覆盖度先验值,即为预测时刻的植被覆盖度先验知识;然后可根据需要,以预测时刻的植被覆盖度获取预测时刻的植被覆盖度状态转移概率及先验概率。
基于上述实施例,步骤100.3,所述根据预设时间序列的每个时刻对应的高空间分辨率遥感数据,获取所述预测时刻的植被冠层反射率,并根据辐射传输模型所生成的查找表,结合高空间分辨率遥感数据获取所述预测时刻的植被覆盖度似然概率,具体包括:
建立植被辐射传输模型以模拟植被冠层反射率,所述植被辐射传输模型由SAIL冠层二向反射模型和PROSPECT叶片光学特性模型耦合得到;
将输入参数输入至所述植被辐射传输模型,得到所述预测时刻的植被冠层反射率;所述输入参数包括通过植被覆盖度转换得到的参数、自由变量和固定参数;
根据所述辐射传输模型所生成的查找表,结合高空间分辨率遥感数据获取所述预测时刻的植被覆盖度似然概率。
具体的,本实施例选用PROSAIL模型说明植被冠层反射率模拟过程及查找表生成方法。PROSAIL叶片-冠层模型由SAIL冠层二向反射模型和PROSPECT叶片光学特性模型耦合所得。PROSPECT模型能够使用叶片生化结构等参数,实现400纳米到2500纳米光谱范围内的叶片反射率和透过率的模拟。将PROSPECT模型模拟的叶片反射率和透过率作为部分输入参数,与叶面积指数(LAI)、平均叶倾角(ALA)、土壤反射率等参数一并输入至SAIL模型中,进而模拟植被冠层反射率。
本实施例中,PROSAIL模型的输入参数如表1所示。
表1
参数名 | 数值范围 | 步长 | 单位 |
FVC | 0.01-0.99 | 0.01 | - |
ALA | 30-60 | 10 | ° |
N | 2 | - | - |
Cab | 30-60 | 10 | ug/cm2 |
Cm | 0.005 | - | g/cm2 |
Car | 4.4 | - | ug/cm2 |
Cw | 0.01 | - | cm |
Cbrown | 0-0.05 | 0.05 | - |
Hot | 0.1 | - | - |
SZA | 25-60 | 5 | ° |
VZA | 0 | - | ° |
RAZ | 135-160 | 5 | ° |
其中FVC从LAI转换而来。假设介质均匀,则可根据Beer-Lambert模型和一维反演模型,利用LAI和ALA之间的冠层间隙率关系将LAI转换为FVC:
FVC=1-Po(0°) (4)
其中Po(θ)是方向为θ(垂直观测时,θ=0°)时的间隙率,G(θ,LIDF)为投影函数,LIDF是由椭球分布和ALA决定的叶倾角分布函数。
此外,PROSAIL输入的土壤反射率由Price模型模拟。
太阳天顶角、观测方位角和相对方位角的取值范围可由Landsat-8OLI影像的头文件中获取。
其他PROSAIL模型的输入参数则取固定值或设置为一定的范围内(取值参考了意大利遥感应用研究所联合研究中心实测的93实验数据(LOPEX’93))。
PROSAIL模型的输出为模拟的冠层反射率(400纳米到2500纳米)。然后可根据需要,生成查找表并结合遥感反射率数据获取预测时刻的植被覆盖度似然概率。
基于上述实施例,步骤101,所述基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果,具体包括:
101.1,基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度的后验概率;
101.2,根据所述高空间分辨率植被覆盖度的后验概率,通过最小均方根误差法获取所述高空间分辨率植被覆盖度的最优估值,作为所述预测时刻的高空间分辨率植被覆盖度估算结果。
图4为本发明实施例动态贝叶斯网络的有向无环图示意图,请参考图4,本发明实施例动态贝叶斯网络包含T个时间片,其中实线圈的节点为状态变量(FVC=(FVC1,FVC2…FVCT)),虚线圈的节点为遥感反射率观测变量(RefT=(ref1,ref2…refT))。网络中的依赖或影响关系由弧段表示,向右的弧段表示植被覆盖度在两个相邻时刻的依赖关系,可由状态转移模型(即植被生长模型)定量表示;向上的弧段表示同一时刻FVC与反射率之间的依赖关系,其定量表达可通过观测模型(即辐射传输模型)实现。
概率论中的贝叶斯公式表达式为:
其中,P(A)是A事件发生的概率;P(B|A)为在事件A发生的条件下事件B发生的条件概率;P(A|B)为事件B发生的情况下事件A发生的概率,也称作后验概率。
为将事件C引入,由式(5)可进一步得到
若将状态变量FVC=(FVC1,FVC2…FVCT)和遥感反射率观测变量RefT=(ref1,ref2…refT)代入式(6),则可以得到:
式(7)定量的描述了本方法中用于地表参数估计的动态贝叶斯网络的理论基础。式中P(refT|FVCT,RefT-1)为似然项,P(FVCT|RefT-1)为预测项,用于表示先验概率,P(refT|RefT-1)是归一化项。假设T-1时刻的观测值仅与T-1时刻的FVC有关,与T时刻的FVC无关,即FVCT和RefT-1相互独立,则似然项可以写为:
P(refT|FVCT,RefT-1)=P(refT|FVCT-1) (8)
假设FVC的动态变化过程满足一阶马尔科夫过程,动态过程的将来状态只与当前时刻的状态有关而与此前时刻的状态无关,在此基础上根据查普曼-科莫高洛夫方程,预测项和归一化项分别可以写为:
由公式(7)~(10)可得:
其中P(FVCT|RefT)为估算出的当前时刻植被覆盖度后验概率分布,P(refT|FVCT)为似然概率,可由辐射传输模型(观测模型)得到,P(FVCT|FVCT-1)为状态转移概率,可由通过植被生长模型(状态转移模型)得到;P(FVCT-1|RefT-1)为上一时刻的状态估计,即T-1时刻植被覆盖度的后验概率分布。
由此可知,式(11)是本方法中所使用的动态贝叶斯网络的理论基础(式(7)所示)的进一步丰富和细化,通过式(11),将似然概率、状态转移概率和上一时刻植被覆盖度状态估计来获取当前时刻植被覆盖度的后验概率分布。根据估算出的T时刻后验概率分布,由最小均方根误差法可进一步推算T时刻的植被覆盖度最优估值,如式(12)所示:
根据Landsat-8OLI数据和使用GLASS植被覆盖度数据提取的植被生长信息而构建的植被生长模型,能够反映植被覆盖程度的动态变化情况,并且区域植被覆盖度估算结果图纹理清晰,能够反映异质性较强地表的植被覆盖情况。
图5为本发明实施例估算的植被覆盖度结果与地面真值的散点对比示意图。为了进一步验证本发明实施例所述方法的植被覆盖度估算精度,本发明选择河北塞罕坝为实验观测区于2014年7月24日~27日进行植被覆盖度地面观测数据采集。该试验区位于河北省承德市围场满族蒙古族自治县,地处草地-林地过渡地带,试验区包含丰富的植被类型,如农田、草地、针叶林、阔叶林、湿地等,丰富的植被类型用于精度验证时具有较强的代表性。下图显示了使用本方法估算的植被覆盖度结果与地面真值的散点对比图。使用三次样条插值的方法,获得与地面实测植被覆盖度所处的相同时刻的植被覆盖度估算结果。从图5可看出,使用本发明方法估算的植被覆盖度结果具有较高的精度,图5中的散点集中分布于直线y=x上及其附近;图5中的误差线代表了估算结果的90%置信区间。
本发明实施例通过动态贝叶斯网络支持的耦合辐射传输模型和植被生长模型的植被覆盖度时序估算方法,充分利用了低分辨率植被覆盖度产品中包含的植被生长信息、较高空间分辨率遥感观测数据,具有普适性强、精度高、无需人工干预等优点,比传统的查找表法具有更高精度,且能够较好的估算地表异质区植被覆盖度。因此,本发明实施例所述方法适用面宽广,应用前景佳。
本发明实施例还提供一种地表异质区植被覆盖度估算装置,包括:
概率获取模块,用于基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;
结果估算模块,用于基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。
本发明实施例的装置,可用于执行图1所示的地表异质区植被覆盖度估算方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图6为本发明实施例电子设备的框架示意图。请参考图6,本发明实施例提供一种电子设备,包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)330和总线640,其中,处理器610,通信接口620,存储器630通过总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法,包括:基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。
本领域普通技术人员可以理解:实现上述设备实施例或方法实施例仅仅是示意性的,其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如U盘、移动硬盘、ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种地表异质区植被覆盖度估算方法,其特征在于,包括:
基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;
基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。
2.根据权利要求1所述的方法,其特征在于,所述基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率,具体包括:
根据预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,提取植被生长信息;
根据所述植被生长信息获取所述预测时刻的植被覆盖度先验值,并根据所述植被覆盖度先验值获取所述预测时刻的植被覆盖度先验概率;
根据预设时间序列的每个时刻对应的高空间分辨率遥感数据,获取所述预测时刻的植被冠层反射率,并根据辐射传输模型所生成的查找表,结合高空间分辨率遥感数据获取所述预测时刻的植被覆盖度似然概率。
3.根据权利要求2所述的方法,其特征在于,所述根据预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,提取植被生长信息,具体包括:
通过近邻取样法对每个低空间分辨率植被覆盖度产品进行重采样,使得重采样后的低空间分辨率植被覆盖度产品的空间分辨率与所述高空间分辨率遥感数据的空间分辨率一致;
对每个高空间分辨率遥感数据对应的重采样后的低空间分辨率植被覆盖度产品设置滑动窗口,所述滑动窗口的大小与低空间分辨率植被覆盖度产品的像元大小相同;
基于每个高空间分辨率遥感数据的像元的NDVI值,计算所述滑动窗口的中心像元的植被覆盖度FVCk,作为每个高空间分辨率遥感数据的植被生长信息。
4.根据权利要求3所述的方法,其特征在于,通过下式计算所述滑动窗口的中心像元的植被覆盖度FVCk:
其中,M代表滑动窗口中高空间分辨率遥感数据的像元个数,FVCi代表重采样后的低空间分辨率植被覆盖度产品的像元的植被覆盖度值,NDVIi为高空间分辨率遥感数据的各像元的NDVI值,NDVIk为滑动窗口的中心像元的NDVI值。
5.根据权利要求2所述的方法,其特征在于,所述根据所述植被生长信息获取所述预测时刻的植被覆盖度先验值,并根据所述植被覆盖度先验值获取所述预测时刻的植被覆盖度先验概率,具体包括:
根据所述植被生长信息,分别为每个高空间分辨率遥感数据像元建立各自的植被生长模型FVCT:
其中,a、b、c和d均为植被生长模型的模型参数,t为年积日;
通过所述植被生长模型,预测所述预测时刻的植被覆盖度先验值;
根据所述植被覆盖度先验值获取所述预测时刻的植被覆盖度先验概率。
6.根据权利要求2所述的方法,其特征在于,所述根据预设时间序列的每个时刻对应的高空间分辨率遥感数据,获取所述预测时刻的植被冠层反射率,并根据辐射传输模型所生成的查找表,结合高空间分辨率遥感数据获取所述预测时刻的植被覆盖度似然概率,具体包括:
建立植被辐射传输模型以模拟植被冠层反射率,所述植被辐射传输模型由SAIL冠层二向反射模型和PROSPECT叶片光学特性模型耦合得到;
将输入参数输入至所述植被辐射传输模型,得到所述预测时刻的植被冠层反射率并生成查找表;所述输入参数包括通过植被覆盖度转换得到的参数、自由变量和固定参数;
根据所述辐射传输模型所生成的查找表,结合高空间分辨率遥感数据获取所述预测时刻的植被覆盖度似然概率。
7.根据权利要求1所述的方法,其特征在于,所述基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果,具体包括:
基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度的后验概率;
根据所述高空间分辨率植被覆盖度的后验概率,通过最小均方根误差法获取所述高空间分辨率植被覆盖度的最优估值,作为所述预测时刻的高空间分辨率植被覆盖度估算结果。
8.一种地表异质区植被覆盖度估算装置,其特征在于,包括:
概率获取模块,用于基于预设时间序列的每个时刻对应的低空间分辨率植被覆盖度产品和高空间分辨率遥感数据,获取预测时刻的植被覆盖度先验概率和植被覆盖度似然概率;
结果估算模块,用于基于所述植被覆盖度先验概率和植被覆盖度似然概率,利用动态贝叶斯网络获取所述预测时刻的高空间分辨率植被覆盖度估算结果。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810715794.8A CN109033543B (zh) | 2018-06-29 | 2018-06-29 | 一种地表异质区植被覆盖度估算方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810715794.8A CN109033543B (zh) | 2018-06-29 | 2018-06-29 | 一种地表异质区植被覆盖度估算方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033543A true CN109033543A (zh) | 2018-12-18 |
CN109033543B CN109033543B (zh) | 2020-06-30 |
Family
ID=65521385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810715794.8A Active CN109033543B (zh) | 2018-06-29 | 2018-06-29 | 一种地表异质区植被覆盖度估算方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033543B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147832A (zh) * | 2019-05-08 | 2019-08-20 | 北京师范大学 | 基于贝叶斯理论获高时空时序evi指数的方法模型 |
CN113222010A (zh) * | 2021-05-10 | 2021-08-06 | 北京师范大学 | 一种融合地表反射率图像的方法和装置 |
CN113505486A (zh) * | 2021-07-14 | 2021-10-15 | 中国科学院空天信息创新研究院 | 一种三维复杂地表叶面积指数反演方法及系统 |
CN114414491A (zh) * | 2021-12-30 | 2022-04-29 | 青海省草原总站 | 一种草原生态动态监测与分析系统 |
CN114441456A (zh) * | 2022-04-08 | 2022-05-06 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077475A (zh) * | 2014-06-24 | 2014-10-01 | 北京师范大学 | 一种基于多算法集成的全球陆表蒸散估算系统及方法 |
CN104142142A (zh) * | 2014-07-01 | 2014-11-12 | 北京师范大学 | 全球植被覆盖度估算方法 |
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
CN105004320A (zh) * | 2015-06-09 | 2015-10-28 | 北京师范大学 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
US20160171302A1 (en) * | 2014-12-12 | 2016-06-16 | Kristin Lavigne | System and method for managing water |
CN105741309A (zh) * | 2016-03-18 | 2016-07-06 | 武汉大学 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
CN106326928A (zh) * | 2016-08-24 | 2017-01-11 | 四川九洲电器集团有限责任公司 | 一种目标识别方法及设备 |
CN107103584A (zh) * | 2017-04-11 | 2017-08-29 | 北京师范大学 | 一种基于时空加权的生产高时空分辨率ndvi的方法 |
CN107193991A (zh) * | 2017-06-05 | 2017-09-22 | 山东师范大学 | 一种基于互联网地图数据的地表覆盖分类方法及系统 |
-
2018
- 2018-06-29 CN CN201810715794.8A patent/CN109033543B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077475A (zh) * | 2014-06-24 | 2014-10-01 | 北京师范大学 | 一种基于多算法集成的全球陆表蒸散估算系统及方法 |
CN104142142A (zh) * | 2014-07-01 | 2014-11-12 | 北京师范大学 | 全球植被覆盖度估算方法 |
US20160171302A1 (en) * | 2014-12-12 | 2016-06-16 | Kristin Lavigne | System and method for managing water |
CN104851113A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多分辨率遥感影像的城市植被自动提取方法 |
CN105004320A (zh) * | 2015-06-09 | 2015-10-28 | 北京师范大学 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
CN105741309A (zh) * | 2016-03-18 | 2016-07-06 | 武汉大学 | 一种基于卡方变换和样本选择的遥感影像变化检测方法 |
CN106326928A (zh) * | 2016-08-24 | 2017-01-11 | 四川九洲电器集团有限责任公司 | 一种目标识别方法及设备 |
CN107103584A (zh) * | 2017-04-11 | 2017-08-29 | 北京师范大学 | 一种基于时空加权的生产高时空分辨率ndvi的方法 |
CN107193991A (zh) * | 2017-06-05 | 2017-09-22 | 山东师范大学 | 一种基于互联网地图数据的地表覆盖分类方法及系统 |
Non-Patent Citations (3)
Title |
---|
王晓东 等: ""基于TM图像的农业区域植被覆盖变化检测"", 《国土资源遥感》 * |
贾坤等: ""植被覆盖度遥感估算研究进展"", 《地球科学进展》 * |
高晓光: "《离散动态贝叶斯网络推理及其应用》", 31 December 2016 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147832A (zh) * | 2019-05-08 | 2019-08-20 | 北京师范大学 | 基于贝叶斯理论获高时空时序evi指数的方法模型 |
CN113222010A (zh) * | 2021-05-10 | 2021-08-06 | 北京师范大学 | 一种融合地表反射率图像的方法和装置 |
CN113222010B (zh) * | 2021-05-10 | 2022-10-04 | 北京师范大学 | 一种融合地表反射率图像的方法和装置 |
CN113505486A (zh) * | 2021-07-14 | 2021-10-15 | 中国科学院空天信息创新研究院 | 一种三维复杂地表叶面积指数反演方法及系统 |
CN113505486B (zh) * | 2021-07-14 | 2023-12-29 | 中国科学院空天信息创新研究院 | 一种三维复杂地表叶面积指数反演方法及系统 |
CN114414491A (zh) * | 2021-12-30 | 2022-04-29 | 青海省草原总站 | 一种草原生态动态监测与分析系统 |
CN114414491B (zh) * | 2021-12-30 | 2023-10-27 | 青海省草原总站 | 一种草原生态动态监测与分析系统 |
CN114441456A (zh) * | 2022-04-08 | 2022-05-06 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109033543B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
CN109033543A (zh) | 一种地表异质区植被覆盖度估算方法、装置及设备 | |
Malambo et al. | Multitemporal field-based plant height estimation using 3D point clouds generated from small unmanned aerial systems high-resolution imagery | |
Huang et al. | Assimilating a synthetic Kalman filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation | |
Yang et al. | Estimation of subpixel land surface temperature using an endmember index based technique: A case examination on ASTER and MODIS temperature products over a heterogeneous area | |
CN105988146B (zh) | 一种星载微波辐射计的应用数据处理方法 | |
dela Torre et al. | Remote sensing-based estimation of rice yields using various models: A critical review | |
CN110738252A (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
West et al. | Downscaling global land cover projections from an integrated assessment model for use in regional analyses: results and evaluation for the US from 2005 to 2095 | |
CN104239706A (zh) | 一种地面观测气温时空数据集的制备方法 | |
CN105741309B (zh) | 一种基于卡方变换和样本选择的遥感影像变化检测方法 | |
EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
CN107229913A (zh) | 基于高分卫星遥感数据结合建筑高度的人口密度分析系统 | |
CN103529189A (zh) | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 | |
CN109885959A (zh) | 一种地表温度鲁棒降尺度方法 | |
Yao et al. | Spatiotemporal changes of eco-environmental quality based on remote sensing-based ecological index in the Hotan Oasis, Xinjiang | |
CN116011342B (zh) | 一种高分辨率热红外地表温度全天候重建方法 | |
CN104268869A (zh) | 一种基于粒子群算法的多级分辨率遥感影像自动配准方法 | |
CN112308029A (zh) | 雨量站与卫星的降水数据融合方法及系统 | |
Singh et al. | Deep learning for improved global precipitation in numerical weather prediction systems | |
Bellón et al. | Improved regional-scale Brazilian cropping systems’ mapping based on a semi-automatic object-based clustering approach | |
CN105116464A (zh) | 基于神经网络模型的极地海冰融池提取方法 | |
CN114387531A (zh) | 一种基于改进地理加权回归模型的地表温度降尺度方法 | |
CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
CN115795402B (zh) | 一种基于变分法的多源降水数据融合方法和系统 |
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 |