CN109472304A

CN109472304A - 基于sar与光学遥感时序数据的树种分类方法、装置和设备

Info

Publication number: CN109472304A
Application number: CN201811277090.3A
Authority: CN
Inventors: 李晖; 韦钦桦; 李万凯; 满旺; 吴学文; 花利忠
Original assignee: Xiamen University of Technology
Current assignee: Xiamen University of Technology
Priority date: 2018-10-30
Filing date: 2018-10-30
Publication date: 2019-03-15
Anticipated expiration: 2038-10-30
Also published as: CN109472304B

Abstract

本发明公开了一种基于SAR与光学遥感时序数据的树种分类方法、装置和设备，方法包括：预先选择研究区域内的部分林班作为训练区域，其余林班作为验证数据，并根据训练数据采集光学遥感影像时序数据和SAR影像时序数据；对光学遥感影像数据和SAR影像数据预处理后，分别进行特征提取，以获得林班时序变化特征。对时序变化特征进行聚类分析，建立树种分类体系。根据多特征的决策树模型以及树种分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并根据决策规则对预定地区的树种逐级分类，以获得树种决策树分类模型。根据验证数据对树种决策树分类模型的结果进行验证及精度的评价，并根据精度评价结果调整决策树阈值，以更新树种决策树分类模型。根据更新后的树种决策树分类模型提取树种分布图。

Description

基于SAR与光学遥感时序数据的树种分类方法、装置和设备

技术领域

本发明涉及图像智能处理技术领域，具体地涉及一种基于SAR与光学遥感时序数据的树种分类方法、装置、设备和存储介质。

背景技术

城市林木是城市生态系统的重要组成部分，定量评估城市林木的生态服务功能，分析人类活动与城市林木生长的相互影响，提高林木的生态效益是近年来城市生态领域的研究重点。城市植被类型不同，生物量不同，其生态功能与绿化效应也不同。对城市林木树种进行分类、制图是实现城市林木生态服务功能评价的先决条件，对进一步改善城市生态环境具有重要意义。及时、准确地获取城市森林生态系统的状态和结构变化信息在制定城市可持续发展战略和提高环境质量等方面具有重要的作用，详细的树种分布信息对解决不同的城市生态问题是至关重要的。

城市树种的遥感分类与监测研究一直都是国内外学者关注的热点，为城市森林树种精细分类及生态效益评价提供了很好的思路，但仍存在一定的问题和不足：①从采用数据源的角度来看，大部分研究采用单一的高光谱或多光谱遥感数据或者多时相时序数据，但对于南方多云多雨地区，光学遥感数据无法获取下垫面信息。②从植被物候角度来看，热带地区大部分树种一年内常绿，其物候特性差异并不明显，在光学遥感数据上的表征差异并不显著，直接利用光学遥感时序数据进行树种分类效果并不会理想。③从分类算法和特征提取角度来看，大部分的树种分类结果并不理想，主要原因是大部分研究虽然采用了机器学习的算法，如SVM、神经网络等进行算法设计和实现，获得了较好的结果，但是如何综合多源多时相的遥感数据，提取典型树种特征向量，结合机器学习算法进行树种精细分类的研究尚未见系统报道。

发明内容

本发明实施例提出的一种基于SAR与光学遥感时序数据的树种分类方法、装置、设备和存储介质。能够克服南方多云多雨地区下无法使用光学遥感数据的缺陷，同时解决植被物候变化差异不大的亚热带地区利用单一光学遥感数据无法区分的树种的难题。

第一方面，本发明实施例提供一种基于SAR与光学遥感时序数据的树种分类方法，包括：

预先选择研究区域内的部分林班作为训练区域，其余林班作为验证数据；

对光学遥感影像数据和SAR影像数据预处理后，采集训练区域的光学遥感影像时序数据和SAR影像时序数据，并分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征；

对所述时序变化特征进行聚类分析，建立树种分类体系；

根据多特征的决策树模型以及树种分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并根据所述决策规则对预定地区的树种逐级分类，以获得树种决策树分类模型；

根据所述验证数据对所述树种决策树分类模型的结果进行验证以及精度的评价，并根据精度评价结果调整决策树阈值，以更新树种决策树分类模型；

根据所述更新后的所述树种决策树分类模型提取树种分布图。

进一步地，所述SAR数据预处理包括辐射定标、斑点噪声去除、地形辐射校正、影像裁剪和镶嵌处理；所述光学数据预处理包括辐射定标、大气校正、影像裁剪和镶嵌处理。

进一步地，所述SAR影像和光学遥感数据为一个年度的多时相数据，数据的时间覆盖范围为全年12个月份所有季相。

进一步地，所述辐射定标，根据传感器头文件信息(增益和偏移)进行传感器定标，将DN值图像转换为辐射亮度图像，公式如下：L＝DN/a+L₀；其中，L为传感器所接受到的辐射亮度，a为绝对定标系数增益，DN为像元灰度值；L0为偏移量。

进一步地，对所述光学遥感影像数据和SAR影像数据预处理后，分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征，具体为：

根据归一化植被指数和后向散射系数，构建训练数据时序变化特征数据库，并根据不同的训练数据，统计训练数据时序特征；其中，对大气校正后的光学遥感影像计算反映植被生长状态，以获得归一化植被指数；其中，对辐射定标后的SAR数据的VV和VH极化方式下的后向散射系数σVV和σVH。

更进一步地，归一化植被指数时序特征包括平均值、标准差、变化率、峰值以及拐点；VV极化后向散射系数σVV时序特征包括平均值、标准差、变化率、峰值以及拐点等；VH极化后向散射系数σVH时序特征包括平均值、标准差、变化率、峰值以及拐点。

第二方面，本发明实施例提供一种基于SAR与光学遥感的树种决策树分类装置，包括：

采集模块，用于预先选择研究区域内的部分林班作为训练数据，其余林班作为验证数据，并根据训练数据采集光学遥感影像数据和SAR影像数据；

特征提取模块，用于对所述光学遥感影像数据和SAR影像数据预处理后，分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征；

聚类分析模块，用于对所述时序变化特征进行聚类分析，建立树种分类体系；

构建模块，用于根据多特征的决策树模型以及树种分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并根据所述决策规则对预定地区的树种逐级分类，以获得树种决策树分类模型；

验证模块，用于根据所述验证数据对所述树种决策树分类模型的结果进行验证以及精度的评价，并根据精度评价结果调整决策树阈值，以更新树种决策树分类模型；

提取模块，用于根据所述更新后的所述树种决策树分类模型提取树种分布图。

第三方面，本发明实施例提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述基于SAR与光学遥感时序数据的树种决策树分类的方法。

实施本发明实施例，具有如下有益效果：

1、本发明提出了一种联合星载SAR和光学遥感时序数据的城市树种精细分类的决策树方法，综合城市典型树种在星载SAR影像(不同极化下后向散射特性)、光学遥感数据(光谱信息)及其时序变化(物候变化)上的特征表达，构建林班时序变化特征数据库，完成树种精细分类，避免了在该地区仅使用光学遥感单一数据源无法完成树种分类的缺陷；

2、本发明的鲁棒性和普适性更好，能够根据实际应用，根据实地树种的类型类别进行精细化分，做到精细化分到树种类别(如：马尾松、湿地松、柠檬桉、尾叶桉等树种)。此外，针对不同的研究树种，具体分类特征的选取、树种分类体系的划分、分类阈值的调整等均可进行调整。

3、本发明仅需要少量的实地观测数据，采用大量的星载SAR和光学遥感数据即可完成城市森林树种的精细分类，克服现有的城市森林资源清查需要大量人力、物力的缺陷，提高城市森林实时监测能力，为城市植被生态效益评价提供了有力的方法支撑，同时，促进国产自主高分遥感卫星数据产业化应用，推进城市规划建设与精细化管理，具有重要的现实意义。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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为本发明第一实施例提供的基于SAR与光学遥感时序数据的树种分类方法的流程示意图。

图2为本发明第二实施例提供的基于SAR与光学遥感时序数据的树种分类装置的结构示意图。

图3为本发明实施例提供的基于SAR与光学遥感时序数据的树种分类方法的另一种流程示意图。

图4为本发明实施例提供的VV和VH极化方式下后向散射系数平均值分布图。

图5为本发明实施例提供的柠檬桉与尾叶桉的NDVI变化率。

图6为本发明实施例提供的巨尾桉与马尾松的NDVI变化率。

图7为本发明实施例提供的马尾松与木荷的NDVI变化率。

图8为本发明实施例提供的NDVI时序数据平均值树种聚类分析结果图。

图9为本发明实施例提供的σVV时序数据平均值树种聚类分析结果图。

图10为本发明实施例提供的σVH时序数据平均值树种聚类分析结果图。

图11为本发明实施例提供的树种分类决策树结构示意图。

图12为本发明实施例提供的分类结果的正确提取率示意图。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅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作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。

本发明第一实施例：

参见图1，本发明第一实施例提供一种基于SAR与光学遥感时序数据的树种分类方法，包括：

S10，预先选择研究区域内的部分林班作为训练区域，其余林班作为验证区域数据。

S20，对光学遥感影像数据和SAR影像数据预处理后，采集训练区域的光学遥感影像时序数据和SAR影像时序数据，并分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征。

在本实施例中，采集多时相光学遥感影像HJ-1A/B CCD数据，进行辐射定标、大气校正、几何校正重采样，将原始像元的灰度值转换为地表像元反射值，数据的时间覆盖范围为全年12个月份所有季相，若卫星过境时刚好有云覆盖，可用其他年份数据补足；采集多时相SAR影像Sentinel-1A、B双极化数据(VV和VH极化)，数据的时间覆盖范围与光学数据的相同，进行数据导入、图像配准、斑点滤波处理、地理编码和辐射定标，得到VV和VH两种极化方式下的后向散射系数σVV和σVH；同时，根据已有的林班数据，整理得出研究区域典型的树种类型，收集并整理典型树种的生长季节性变化、孕穗期、花期、乳熟期方面的资料，总结其物候信息，选择一部分林班(涵盖所有的树种类型)作为训练数据，其余的林班作为验证数据。

在本实施例中，采集光学遥感影像HJ-1A/B进行辐射定标、大气校正，将原始像元的灰度值转换为地表像元反射率值的具体过程是：

1、辐射定标，根据传感器头文件信息(增益和偏移)进行传感器定标，将DN值图像转换为辐射亮度图像，HJ-1A/B的辐射定标公式如下：L＝DN/a+L₀，其中L为传感器所接受到的辐射亮度，a为绝对定标系数增益，DN为像元灰度值；L0为偏移量。同时，将定标后的四个波段合并，并转换为BIL格式，在头文件中输入每个波段中心波长。

2、大气校正，消除因大气吸收和散射造成的影响，运用FLAASH模型对HJ卫星辐射定标后的数据进行大气校正，校正后的数据能比较贴近地物的正确反射率值，一定程度上消除图像数据的噪声。该模型中传感器的每个像元辐射亮度的计算公式为：L＝Aρ/(1-ρ_eS)+Bρ_e/(1-ρ_eS)+L_a。其中，L为传感器单个像元的辐射亮度；La为程辐射；ρ为该像元的地表反射率；ρe为该像元及其周围区域像元的混合平均地表反射率；S为大气球面反照率；A、B为由大气条件及地表下垫面几何条件所决定的系数。

在本实施例中，采集星载SAR遥感影像Sentinel-1A/B IW(Interferometric WideSwath)数据进行数据导入、图像配准、滤波处理、地理编码和辐射定标等处理，将单视复数数据转换为后向散射系数，不同的SAR传感器都有自己独特的数据格式，选择Envi软件的SARscape插件完成，具体过程为：

1、数据导入，首先要将数据导入成SARscape标准数据格式，在数据导入过程中加入精轨数据进行轨道精矫正，使用卫星精密轨道数据对轨道信息进行修正，可有效去除因轨道误差引起的系统性误差。针对Sentinel1A/B卫星，使用欧空局(ESA)会提供的POD精密定轨星历数据(POD,Precise Orbit Ephemerides)对轨道信息进行修正，去除因轨道误差引起的系统性误差；同时，在数据导入的过程中，设置地面采样间隔(与光学遥感数据匹配，统一为30m)，根据卫星入射角计算多视参数，进行多视处理。

2、图像配准和斑点滤波处理。根据SAR成像原理，相同地区不同日期的图像会出现几何偏移，需要对多时相SAR图像进行图幅间的配准处理。同时因地物或者地物表面对雷达或者激光等电磁波后向反射的干扰，SAR影像上会呈现出随机分布的噪点，是包括SAR系统在内所有基于相干原理的成像系统所固有的原理性缺点。除利用多视处理消除一部分噪声的影响外，可以采用滤波器消除斑点噪声，选择Refined Lee滤波器进行斑点噪声去除；

3、地理编码和辐射定标，SAR系统观测到的是电磁波入射地球表面后反射(后向散射)的雷达脉冲的强度和相位信息，这个信息编码到雷达坐标系统(即斜距坐标系)，需要进行地理编码将SAR数据从斜距坐标系转到地理坐标系。雷达传感器测量的是发射脉冲和接收信号强度的比，这个比值称为后向散射。经过辐射定标的后向散射强度信息，不受SAR数据观测几何(不同SAR传感器或不同接收模式)的影响，需要进行辐射定标(Calibration)归一化到同一标准下，从而进行对比和分析，根据雷达方程，SAR数据辐射定标的公式为：

其中，Pd为传感器接收到的后向散射强度，Pt为传输功率，GA为透射和接收天线增益，θel为天线仰角，θaz为天线方位角，GE为雷达接收器的电流增益，Gp为处理器常数，R为距离转播损耗，Ls为系统损耗，La为大气损耗，A为散射面积，Pn为附加功率。定标结果是无量纲的(单位是linear)，由于后向散射的量级都比较小，为便于分析，输出以dB为单位的定标结果(10*log10 of the linearvalue)，得到后向散射系数σ(Sigma)，即散射体反射回来的雷达强度，单位是dB。

在本实施例中，在对SAR数据进行辐射定标和光学遥感数据几何校正的基础上，将SAR影像和光学遥感数据进行重采样至同一空间分辨率下(30m)；在对几何校正后的光学遥感影像，计算反映植被生长状态的归一化植被指数(NDVI)，结合辐射定标后的SAR数据VV和VH极化的后向散射系数，根据研究区域内的训练数据林班，选取一组遥感分类特征统计林班特性，构建林班时序变化特征数据库。

在本实施例中，计算光学遥感影像的归一化植被指数NDVI：其中，ρ近红表示的是近红波段处的反射率，ρ红表示的是红波段处的反射率。NDVI的值介于-1至1之间，其中负值一般表示为水体，NDVI为0值一般表示为岩石或者是裸地，因为岩石和裸地对近红和红光的反射率近似相等。NDVI为正值一般表示为有植被覆盖，且随覆盖度增大NDVI的值也增大。

在本实施例中，结合VV和VH极化方式下的后向散射系数σVV、σVH和NDVI数据，构建一年内多时相林班时序变化特征数据库，针对不同的林班，统计林班时序特征：①NDVI时序特征：平均值、标准差、变化率、峰值、拐点等。②VV极化后向散射系数σVV时序特征：平均值、标准差、变化率、峰值、拐点等。③VH极化后向散射系数σVH时序特征：平均值、标准差、变化率、峰值、拐点等。变化率的定义为相对于上一个日期的到这个时期的变化比值，公式为其中，r为变化率，a为当前日期NDVI的值，b为前一个日期NDVI的值。

S30，对时序变化特征进行聚类分析，建立树种分类体系。

S40，根据多特征的决策树模型以及树种分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并根据决策规则对预定地区的树种逐级分类，以获得树种决策树分类模型。

在本实施例中，根据林班时序变化特征，分别对光学遥感数据NDVI、VV极化下后向散射系数σVV和VH极化下后向散射系数σVH的时序特征进行聚类分析，建立初步的树种分类体系，并以此作为决策树分叉的判断；根据多特征的决策树模型，根据建立的分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并依据规则进行多云多雨地区城市树种逐级分类，最终确定决策树的各个分支根据不同树种在NDVI、VV极化后向散射系数和VH极化后向散射系数的时序特征数据，建立表格，分别进行层次聚类分析，获得不同树种分别在NDVI、VV极化后向散射特性和VH极化后向散射特性下的4层聚类分析结果，具体为：

1、根据不同树种代表的林班分别在NDVI、σVV和σVV三种特征下的聚类分析结果，建立树种分类体系，并根据分类体系，确定决策树的分叉和分支。

2、根据确定的决策树和分类层次，结合不同树种代表的林班分别在NDVI、σVV和σVV上的特征差异，明确不同树种之间的数值差异，初步确定不同树种划分的阈值，建立分层分类决策树，确定决策树的各个分支，逐一提取不同树种。

S50,根据验证数据对树种决策树分类模型的结果进行验证以及精度的评价，并根据精度评价结果调整决策树阈值，以更新树种决策树分类模型；

S60,根据更新后的树种决策树分类模型提取树种分布图。

在本实施例中，利用剩下的林班进行分类结果的验证和精度的评价，并根据精度评价结果调整决策树阈值，确定最终树种决策树分类模型；输出联合多时相SAR和光学遥感时序数据的树种决策树分类模型提取的树种分布图，具体为：

1、利用剩余已知类型的林班作为验证数据，采用分层随机采样法为每个林班抽取数个样本点，进而建立混淆矩阵，计算其生产者精度、用户精度、总体分类精度与Kappa系数，对分类结果进行验证；

2、如果分类精度不满足要求，则调整决策树中的阈值参数，达到最佳分类结果，确定最终的树种决策树分类模型；

3、根据最终的树种决策树分类模型，对所有林班进行分类，得到最终树种分类结果，建立树种分布图。

优选地，所述SAR数据预处理包括辐射定标、斑噪去除、地形辐射校正、影像裁剪和镶嵌处理；所述光学数据预处理包括辐射定标、大气校正、影像裁剪和镶嵌处理。

优选地，所述光学遥感数据为一个年度的多时相数据，数据的时间覆盖范围为全年12个月份所有季相，当然需要说明的是，所述SAR影像数据与光学遥感数据时间覆盖范围相同。

优选地，所述辐射定标，根据传感器头文件信息(增益和偏移)进行传感器定标，将DN值图像转换为辐射亮度图像，公式如下：L＝DN/a+L₀；其中，L为传感器所接受到的辐射亮度，a为绝对定标系数增益，DN为像元灰度值；L0为偏移量。

优选地，对所述光学遥感影像数据和SAR影像数据预处理后，分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征，具体为：

优选地，归一化植被指数时序特征包括平均值、标准差、变化率、峰值以及拐点；VV极化后向散射系数σVV时序特征包括平均值、标准差、变化率、峰值以及拐点等；VH极化后向散射系数σVH时序特征包括平均值、标准差、变化率、峰值以及拐点。

本发明针对南方多云多雨地区，无法使用光学遥感数据获取下垫面信息的缺陷，以及亚热带地区植被物候差异特性不显著，在光学遥感时序影像上易出现饱和的难题：本发明提出了一种联合星载SAR和光学遥感时序数据的城市树种精细分类的决策树方法，综合城市典型树种在星载SAR影像(不同极化下后向散射特性)、光学遥感数据(光谱信息)及其时序变化(物候变化)上的特征表达，构建林班时序变化特征数据库，完成树种精细分类，避免了在该地区仅使用光学遥感单一数据源无法完成树种分类的缺陷。

本发明第二实施例：

参见图2，本发明第二实施例提供一种基于SAR与光学遥感的树种决策树分类装置，包括：

采集模块10，用于预先选择研究区域内的部分林班作为训练数据，其余林班作为验证数据，并根据训练数据采集光学遥感影像数据和SAR影像数据；

特征提取模块20，用于对所述光学遥感影像数据和SAR影像数据预处理后，分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征；

聚类分析模块30，用于对所述时序变化特征进行聚类分析，建立树种分类体系；

构建模块40，用于根据多特征的决策树模型以及树种分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并根据所述决策规则对预定地区的树种逐级分类，以获得树种决策树分类模型；

验证模块50，用于根据所述验证数据对所述树种决策树分类模型的结果进行验证以及精度的评价，并根据精度评价结果调整决策树阈值，以更新树种决策树分类模型；

提取模块60，用于根据所述更新后的所述树种决策树分类模型提取树种分布图。

为了便于对本发明的理解，下面通过对实际应用的例子进行说明，以厦门市为例：

厦门市(118°04′04″E，24°26′46″N)位于福建省东南沿海，背靠漳州、泉州，属于南亚热带海洋性季风气候，气温变化小，年平均气温为20.9℃，是条件优越的海峡型天然良港，是一个国际性海港风景城市，城市的面貌多以“斑块——廊道——基质”景观类型来展现。由于人类活动的影响，原始森林己绝迹，主要林种是人工林，树种种类单一，植被类型、层次结构简单。选择厦门岛内和海沧区为主要研究区。研究区内部典型树种主要有木荷、相思树、柠檬桉、木麻黄和其他硬阔等。研究区域植被分布以所占地面积来看，主要以针叶类植被为主，典型树种为马尾松和湿地松，针叶类树种大部分分布在海沧区内。阔叶类植被主要以相思树和桉属树种为主，此类树种分布范围广，湖里区的海湾公园有一部分，海沧区也有分布。分布在厦门区域的许多典型植被，大部分存在于公园里，供游客参观。

参见图3，为本发明提供一种联合SAR和光学遥感时序数据的城市树种决策树分类方法流程图，具体包括如下步骤：

数据采集与预处理：该部分将分为三个主要部分完成，具体包括以下步骤：1、采集光学遥感影像及预处理。2、从中国资源卫星应用中心的数据产品查询网站订购下载厦门地区的HJ-1 A/B CCD光学遥感数据(空间分辨率为30米，重返周期为4天)共58景，所获取的HJ-1A/B数据源，影像数据很清晰，云的包含量低于30％。获取的数据时间覆盖从2017年3月至2018年3月，其中某些月份的HJ-1A/B CCD数据云量较大，用相邻年份相同月份的数据进行补充。利用ENVI软件对所有HJ-1 A/B CCD数据进行辐射定标、大气校正、几何校正，得到经过预处理后的HJ-1 A/B CCD数据。几何校正后的数据按照30m进行重采样，精度保持在0.1个像元以内。根据一年内日期的变化(从1月至12月)，对原始数据进行按照从1到58顺序进行编号，以编号代替原始数据。根据NDVI的计算式，计算58景HJ-1A/B数据的NDVI数据，获得共58景NDVI数据集。3、采集星载SAR影像及预处理：从欧空局哨兵科学数据中心注册申请下载厦门地区Sentinel-1A的C波段的双极化SAR数据(VV和VH极化)共29景，时间覆盖范围为2017年3月至2018年3月，哨兵数据轨道数据下载网址下载对应的POD精密定轨星历数据。利用ENVI SARscape软件对所有SAR数据完成导入(使用卫星精密轨道数据对轨道信息进行修正，设置地面采样间隔(与光学遥感数据匹配，统一为30m)、图像配准、斑点滤波处理(选择Refined Lee滤波)、地理编码和辐射定标，得到VV和VH两种极化方式下的后向散射系数σVV和σVH。4、野外调查林班数据及整理：根据林业清查数据和中国植物图像库，统计研究区内典型树种主要有10种：柠檬桉、尾叶桉、相思树、巨尾桉、马尾松、隆缘桉、木荷、木麻黄、湿地松和其他硬阔(林班内树种较杂，以阔叶林为主)等，并生成林班树种的空间分布，同时，通过查阅植物的生长季节性变化、孕穗期、花期、乳熟期方面的资料，总结10种树种的物候信息如表1。在ENVI软件下将林班数据矢量数据(shapefile格式)转化为感兴趣区(ROI数据)，选择一部分林班(包括所有10种树种)作为训练区，用于进行后续的时序特征提取，剩余部分林班作为验证数据，用于调整决策树分类阈值并验证分类精度：

表1研究区内典型树种的空间分布特征及物候信息

构建林班时序变化特征数据库：在ENVI软件中，将测试林班数据转换为感兴趣区(ROI)，分别统计10种树种对应斑块对应的时序特征：①58景NDVI的统计值，包括最大值、最小值、标准差、平均值以及变化率(根据公式计算该变化率)。②29景SAR的VV极化方式下后向散射系数σVV的统计值，包括最大值、最小值、标准差、平均值；③29景SAR的VH极化方式下后向散射系数σVH的统计值，包括最大值、最小值、标准差、平均值。

参见表2，表2列出了10种树种对应的均值及标准差。参见图4，图4列出了10个树种分别在VV和VH极化方式下平均值的分布。结合表2和图4，可以很明显地看出：①树种在NDVI的时序数值上的表现分布范围不大，变化差异并不明显。平均值覆盖范围最大值为0.68(其他硬阔)，最小值为0.32(巨尾桉)，有4种树种的平均值均为0.52(柠檬桉、尾叶桉、隆缘桉、木麻黄)。而标准差的范围从0.10至0.14，说明这些树种在58景NDVI时序数据上的差异并不显著，有4种树种的标准差均为0.13。说明直接利用NVDI时序特征(平均值和标准差两种统计量)在该地区进行树种分类并不可行，但同时也证明了厦门地区植被的物候差异并不显著。②树种在VV和VH极化方式下的后向散射系数差异较为明显，VV极化方式下的后向散射系数较VH极化下的后向散射系数高。10种树种在VV极化方式下的均值范围从最高值为-6db(相思树)到最小值为-12.74db(木麻黄)，其他树种均有差异，其中柠檬桉和尾叶桉平均值相近，马尾松和巨尾桉平均值相近；在VH极化方式下平均值范围从最高值为-8.62db(相思树)到最低值-15.48db(木麻黄)，其他树种也均有差异，但与VV极化方式不同，马尾松、木荷和巨尾桉平均值较为接近。这些树种在VV和VH极化方式下的差异显著主要与SAR影像反映了树种的几何形态有关，而VH极化表现出的体散射更为显著。结合表1，可以看出不同类型树种的树形特征在SAR影像上的差异表现显著，而在NDVI光学时序特征上的表现则不佳，这与都是亚热带树种年内常绿的特性有关。

表2 10种树种的时序统计数据

计算几种平均值差异较小树种的变化率，综合表2和图4，可知柠檬桉和尾叶桉、马尾松和巨尾桉特征较为接近。参见图5-7，图5-7列出了柠檬桉和尾叶桉、巨尾桉、马尾松和木荷的NDVI年内变化率。从图5-7可以看出，柠檬桉和尾叶桉的年内变化率趋势相同，差异并不显著。巨尾桉和马尾松的变化率大部分相同，但巨尾桉的变化率起伏度较马尾松偏大，时间为1月31日至2月2日最大，还有四个时间的变化率大于2.5，马尾松的变化率范围在0.18到0.64之间，变化幅度并不大。

表3几种典型树种NDVI变化率统计表

建立分类体系，并建立分层分类决策树，确定决策树的各个分支：主要分为以下几个步骤：①聚类分析：分别对10个树种的多时相的NDVI平均值、VV极化后向散射系数和VH极化后向散射系数进行聚类分析，根据聚类分析的结果建立初步的多级分类体系，并将分类体系作为决策树分叉的判断。②确定决策树分层分类的阈值：根据建立的决策树，结合分类体系，以及在构建林班时序变化特征数据库中的分析，建立单树种分类和多分类特征的决策树规则，确定决策树的各个分支。

根据10个树种的多时相的NDVI平均值、VV极化后向散射系数平均值和VH极化后向散射系数平均值，利用SPSS软件进行聚类分析，进而获得树种在三种时序数据源下的相似程度，图8至图10为10种树种的聚类分析结果，可以看出根据图8，10种树种可以划分为五层；而根据图9和10可以划分为4层。在图8中，马尾松和湿地松，隆缘桉、木麻黄和尾叶桉，木荷和其他硬阔的直接相似性最高；在图9中，柠檬桉和尾叶桉、巨尾桉和马尾松、隆缘桉和其他硬阔、木麻黄和湿地松的直接相似性最高。在图10中，马尾松、木荷和巨尾桉，柠檬桉和尾叶桉，隆缘桉和湿地松，其他硬阔和相思树的直接相似性最高。根据聚类分析结果，将10种树种进行分层分类划分，主要分为两类，见表3，并利用代码A.B对分类层次进行编号，其中A代表第一大类，B代表第一大类下的亚类，如表3中1.1表示第一大类的第一亚类，2.1表示第二大类的第一亚类。根据聚类分析结果可知，一共可分为三大类，柠檬桉、尾叶桉和相思树为第一大类，巨尾桉、马尾松、隆缘桉、其他硬阔和木荷为第二大类，木麻黄和湿地松为第三大类。在大类的基础上，继续划分亚类，柠檬桉和尾叶桉为第一大类中第一亚类，编号为1.1，相思树则为1.2。第二大类中，巨尾桉和马尾松为第二大类中第一亚类，编号为2.1，依次可知隆缘桉和其他硬阔编号为2.2，木荷编号为2.3；同样地，木麻黄和湿地松分别编号为3.1和3.2。同理可得，所有树种在σVH平均值和NDVI平均值特征下的编号。

序号	树种	σVV	σVH	NDVI
					1	柠檬桉	1.1	1.2	2.2
2	尾叶桉	1.1	1.2	2.1
					3	相思树	1.2	3.2	1.2
4	巨尾桉	2.1	1.1	4.1
					5	马尾松	2.1	1.1	1.1
6	隆缘桉	2.2	2.1	2.1
					7	其他硬阔	2.2	3.1	3.1
8	木荷	2.3	1.1	3.1
					9	木麻黄	3.1	2.2	2.1
10	湿地松	3.2	2.1	1.1

表4分类体系

表4中树种的编号决定了树种在不同特征的表现下的相似性和差异性，相似性越大的树种越不易区分，反之亦然，因此，表4在树种分类决策树构建过程中树种分支分叉判断起重要作用决策树分支确定的原则则是首先将差异最大的树种分出，再以此划分特征差异较小的树种，依次将所有的树种区分开，并将之作为决策树最终的分支。而分叉阈值的确定则由步骤二中各个树种在三种不同时序数据特征表现下的值决定，特征选择的原则及阈值确定的原则是以在四种不同特征(NDVI平均值、σVV平均值、σVH平均值、NDVI变化率)及其对应的阈值差异最大为主，表1和表2为阈值具体数值的确定提供主要的参考依据。在表4中，在根据σVV平均值的聚类分析中，柠檬桉和尾叶桉编码为1.1，表明二者相似性很高；相思树为1.2，说明相较于其他7种树种，相思树与柠檬桉和尾叶桉的相似性较高，但弱于柠檬桉和尾叶桉之间的相似性。但在根据σVH平均值的聚类分析中，相思树的编码为3.1，说明相思树与柠檬桉和尾叶桉在σVH平均值中比在σVV平均值的特征表征差异偏大，故在决策树构建中，相思树可以单独分叉作为一支，而柠檬桉和尾叶桉作为另一个分支。依次划分出所有的树种，构建树种决策树，详见图11。

步骤4，利用剩下的林班进行分类结果的验证并进行精度的评价，并根据精度评价结果调整决策树阈值，确定最终分层分类决策树模型(见图11)；一般来说，相对于同向极化(VV和HH)，交叉极化(VH和HV)的体散射较强穿透能力偏，所以交叉极化方式图像要相对同向极化方式图像要更暗一些，后向散射系数偏小。由表2和表3可以看出，VV和VH极化的后向散射系数标准差都较大，基本都在0.5以上。VV极化比VH极化模式的后向散射系数波动更大(木荷和木麻黄的标准差达到了1以上)，说明十类树种在VV极化模式下的差异更为明显。在两种极化模式下，除其他硬阔的均值相差较小外，其余九种树种的均值差异都较大，并且差距比较接近。在VV和VH极化模式下，相思树的后向散射系数数值均为最大(VV极化为-6db，VH极化为-8.62db)，与其它树种之间的差异较大，可以进行区分；木麻黄的后向散射系数数值均为最小(VV极化为-12.74db，VH极化为-15.48db)，与其它树种之间的差异较大，可以进行区分；其余的树种的后向散射系数介于以上两者之间，差异表现得相对不明显，不好区分。

从整体上来看，十类树种在VV和VH下的后向散射系数跨度均较大(VV的跨度为7db，从-13db至-6db；VH的跨度为8db，从-16db至-8db)。针对两种极化模式下的后向散射系数差异都相对较大的树种，可以通过阈值设置单独区分。例如，湿地松在VV和VH极化模式下的后向散射系数均仅次于木麻黄(VV极化为-11.31db，VH极化为-14.71db)，与其余树种之间的差异较为明显，可以通过阈值设置单独区分。同时，柠檬桉和尾叶桉在NDVI均值、σVV平均值、σVH平均值及NDVI变化率平均值都极为接近，在本方案中无法将其分开，故暂时将该两类树种划分为一类。

根据建立的分层分类决策树，对林班进行树种分类，获得最终的树种分布图，并根据林班调查结果对分类结果进行定量精度评价。

同时，以林班清查结果数据为真实准确的地物分布，把以上选取的十类树种的提取结果分别与林班数据进行比较，通过正确分类提取率来评价结果的精度，如果正确提取的面积与林班数据该树种的面积相近，则结果较为准确，反之，结果不准确，统计得到表5。

表5决策树分类结果面积对比(面积：平方米)

由表5的统计结果，以正确提取率作为精度评价标准，得出分类结果精度。根据图12可以清楚地看出，柠檬桉和尾叶桉、马尾松、其他硬阔、木荷和木麻黄的正确提取率都较高，均在80％以上说明分类结果较为准确。巨尾桉、湿地松和木麻黄的正确提取率仅次于柠檬桉_尾叶桉、马尾松、其他硬阔、木荷和木麻黄的正确提取率，均在70％以上，说明分类结果较为准确。但相思树的正确提取率仅为58.04％，隆缘桉的正确提取率仅为60.71％，两者的正确提取率相对较低。针对相思树和隆缘桉分类结果正确提取率较低的原因，可能是由于两者花期、果期和树形特征与其余树种特征之间较为相似，阈值设置难以找出合适的值，阈值设置较大会导致错分的情况，阈值设置较小又容易出现漏分的情况。并且相思树的分布区域较广，占地面积较大，因此导致相思树的正确提取率不高。相思树和马尾松的分类提取结果的面积都比林班数据相应树种的面积要小，说明最可能出现漏分的情况。其余的树种分类提取结果的面积都比林班数据相应树种的面积要大，说明最有可能是由相思树和马尾松漏分的部分错分到了其余的八类树种中。结合决策树的构建过程与植被物候特征信息分析的结果，分析可能出现这种情况的原因。第一，由于构建决策树时设置的阈值还不够合适；第二，马尾松与湿地松的物候特征较为相似，可能出现错误提取，相思树的花期和果期较长，树高较低，容易与其他的阔叶类植被混淆，从而导致错误提取；第三，由于林班调查数据为2006年获取，与遥感数据获取时间存在一定的差异，也导致精度评价存在一定的偏差。但从整体上来看，除个别树种正确提取率不高之外，大部分树种的分类提取效果较好。因此，可以认为联合SAR和光学遥感时间序列数据利用本方案中的额分层分类决策树方法能较好地提取准确的地物信息。

本发明第三实施例：

本发明第三实施例提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例所述基于SAR与光学遥感的树种决策树分类的方法。

本发明第四实施例：

示例性地，本发明实施例中所述的计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实现服务器设备中的执行过程。例如，本发明第二实施例中所述的装置。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于SAR与光学遥感的树种决策树分类方法的控制中心，利用各种接口和线路连接整个所述实现一种基于SAR与光学遥感的树种决策树分类方法的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现基于SAR与光学遥感的树种决策树分类方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述实现服务设备的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，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。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims

1.一种基于SAR与光学遥感时序数据的树种分类方法，其特征在于，包括：

预先选择研究区域内的部分林班作为训练区域，其余林班作为验证区域数据；

对所述时序变化特征进行聚类分析，建立树种分类体系；

2.根据权利要求1所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，所述SAR数据预处理包括辐射定标、斑噪去除、地形辐射校正、影像裁剪和镶嵌处理；所述光学数据预处理包括辐射定标、大气校正、影像裁剪和镶嵌处理。

3.根据权利要求1所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，所述SAR和光学遥感时序数据为一个年度的多时相数据，数据的时间覆盖范围为全年12个月份所有季相。

4.根据权利要求1所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，所述辐射定标，根据传感器头文件信息(增益和偏移)进行传感器定标，将DN值图像转换为辐射亮度图像，公式如下：L＝DN/a+L₀；其中，L为传感器所接受到的辐射亮度，a为绝对定标系数增益，DN为像元灰度值；L0为偏移量。

5.根据权利要求1所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，对所述光学遥感影像数据和SAR影像数据预处理后，分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征，具体为：

根据归一化植被指数和后向散射系数，构建训练数据时序变化特征数据库，并根据不同的训练数据，统计训练数据时序特征；其中，对大气校正后的光学遥感影像计算反映植被生长状态，以获得归一化植被指数NDVI；其中，对辐射定标后的SAR数据的VV和VH极化方式下的后向散射系数σVV和σVH。

6.根据权利要求5所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，归一化植被指数时序特征包括平均值、标准差、变化率、峰值以及拐点；VV极化后向散射系数σVV时序特征包括平均值、标准差、变化率、峰值以及拐点等；VH极化后向散射系数σVH时序特征包括平均值、标准差、变化率、峰值以及拐点。

7.一种基于SAR与光学遥感时序数据的树种决策树分类装置，其特征在于，包括：

采集模块，用于预先选择研究区域内的部分林班作为训练数据，其余林班作为验证数据，并根据训练数据采集光学遥感影像数据和SAR影像时序数据特征；

特征提取模块，用于对所述光学遥感影像数据和SAR影像数据预处理后，分别对训练区域进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征；

8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于SAR与光学遥感时序数据的树种决策树分类的方法。