CN109934109B - 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 - Google Patents
一种基于遥感的黄土高原水土流失区林草植被信息提取方法 Download PDFInfo
- Publication number
- CN109934109B CN109934109B CN201910101135.XA CN201910101135A CN109934109B CN 109934109 B CN109934109 B CN 109934109B CN 201910101135 A CN201910101135 A CN 201910101135A CN 109934109 B CN109934109 B CN 109934109B
- Authority
- CN
- China
- Prior art keywords
- data
- forest
- vegetation
- water
- remote sensing
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于遥感的黄土高原水土流失区林草植被信息提取方法。包括:S1:提取水土流失区不同时期土地利用数据;S2:提取水土流失区不同时期梯田数据和土石山区数据;S3:提取水土流失区不同时期归一化植被指数数据;S4:剔除耕地、梯田、城镇村落、河川地、水域和土石山区数据,获取不同时期林草地空间位置和面积;S5:获取不同时期水土流失区林草地的植被盖度;S6:对获取的林草植被盖度数据进行验证。本发明不依靠统计数据,避免了梯田与林草植被重复问题;较以往植被盖度分级更细致;剥离了对水土流失影响甚微的土石山、城镇村落用地和河川地、水域等信息。准确获取黄土高原水土流失区林草植被信息,能够科学评价林草植被在不同时期减水减沙的重要作用。
Description
技术领域
本发明属于环境遥感技术领域,涉及一种黄土高原林草植被信息采集与处理技术,尤其涉及一种基于遥感的黄土高原水土流失区林草植被信息提取方法。
背景技术
黄土高原地区地貌类型复杂,地形破碎,水土流失严重,直接关系到黄河流域水沙变化。植被是影响流域水文过程和土壤侵蚀的重要因素。一方面通过地表覆被类型及盖度的变化来影响土壤的入渗和地表产流,进而影响区域水文循环;另一方面,植被变化还会影响流域土壤侵蚀和输沙量。因此,在黄土高原流域径流过程、侵蚀产沙过程及黄河水沙变化研究中,植被常作为重要的控制性因子。2000年以来黄土高原地区林草植被大幅改善,林草植被面积、结构和盖度均有巨大变化。因此,研发适用于黄土高原水土流失分析的林草植被信息快速提取方法是研究黄土高原生态环境变化亟待解决的关键技术问题。
目前黄土高原水土流失分析工作中林草植被信息主要依靠统计数据。包括全国第一次水利普查在内的传统统计渠道获取的林草植被面积数据往往只是人工措施的林草面积,且统计数据没有植被盖度信息,也不包括自然修复的林草植被信息。据实地调查,在统计数据给出的乔木林和经济林区,很多地区仍无植被覆盖;部分纳入统计的水土保持林地和经济林地实际生长在梯田上,即林地面积与梯田面积存在重复。统计渠道获取的林草植被数据可以在一定程度上反映植树种草的成果,但极难反映黄土高原近十几年自然修复的成果。梯田是国土部门提供的统计数据;林草则是林业部门提供统计数据,梯田和林草地面积存在重复计算,很难真正掌握林草和梯田的真实面积。
在大空间范围上,卫星遥感是目前准确获取黄土高原植被变化信息的最佳途径。多源卫星遥感植被指数产品如GIMMS NDVI、SPOT Vegetation、MODIS NDVI等,全球或区域的土地利用/覆盖遥感产品如MODIS MOD12、IGBPDISCover和GLC2000等,已能从许多国内外网站上方便、快捷且免费的获取。以往黄土高原水土流失研究,缺少大区域高精度植被盖度遥感数据;同时遥感获取的土地利用类型中耕地全部按照一种类型考虑,没有将梯田单独提取,未充分考虑梯田的减水减沙效应。
基于遥感数据的林草植被信息采集与处理方面,目前已有部分成果。张喜旺等利用高分辨率影响SPOT和中分辨率MODIS反演的最优植被指数,并利用归一化植被指数的像元二分法进行植被盖度反演。此方法处理遥感影像时相问题是采用时间分辨率较高的MODIS数据与空间分辨率较高的SPOT数据进行协同反演,此方法反演效果较好(张喜旺,吴炳方.基于中高分辨率遥感的植被覆盖度时相变换方法[J].生态学报,2015,35(4):1155-1164.)。
但总的来说,上述基于卫星遥感数据获取的林草植被信息应用于黄土高原水土流失分析中,尚存在几点不足:一是基于遥感技术提取的植被盖度成果均没有剔除耕地上的农作物,而且不能获取林草地的面积信息。二是遥感获取的土地利用数据中的林草植被信息,虽然包含不同盖度等级的林草地面积,但植被盖度只有高、中、低等三个等级,盖度分类过于粗放,难以满足黄土高原水土流失和黄河水沙变化分析的需要。三是目前水土流失研究中采用的林草植被信息中包括了生长在河川地、城镇村落和土石山区的林草,这些地区林草植被虽然会影响当地水土流失程度,但对入黄沙量影响极小。
结合目前水土流失研究和数据的实际情况,十分迫切需要结合遥感空间信息和分析技术优势,探索一套经济、快速的适用于黄土高原水土流失分析的林草植被信息遥感提取方法体系。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于遥感数据快速准确获取大尺度上黄土高原水土流失区林草植被信息,对科学评价林草植被在不同时期减水减沙的重要作用提供技术支撑。
为了实现上述目的,本发明采取的技术方案如下:
本发明提供一种基于遥感的黄土高原水土流失区林草植被信息提取方法,具体包括如下步骤:
S1:提取水土流失区不同时期土地利用矢量数据;
S2:提取水土流失区不同时期梯田矢量数据和土石山区矢量数据。;
S3:提取水土流失区不同时期归一化植被指数(NDVI)数据;
S4:基于步骤S1和S2剔除耕地矢量数据、梯田矢量数据、城镇村落矢量数据、河川地矢量数据、水域矢量数据和土石山区矢量数据,获取不同时期林草地空间位置和面积,构建黄土高原林草地矢量数据库;
S5:基于步骤S3和S4获取不同时期林草地的植被盖度。
进一步地,上述方法还包括步骤S6:对步骤S5获取的林草植被盖度数据进行验证,具体为:遥感反演获取林草植被盖度后,通过多次野外考察与访谈当地年长者,对获取的林草植被盖度数据开展精度验证;对于距离当前研究不超过1年的林草植被盖度数据,经多次野外考察GPS定位拍摄典型样地照片,在林草植被盖度无显著变化区域内,用照相法植被覆盖度动态监测系统获取不同样地多张照片的林草植被盖度,检验不同时期林草植被盖度遥感反演精度;对于距离当前研究超过1年的林草植被盖度数据,主要采用同时期高精度影像比对和访谈的方式加以验证。
进一步地,S1具体为:
下载多源卫星遥感数据,并对所述遥感数据进行预处理,采用人机交互式解译方法提取水土流失区土地利用矢量数据,构建土地利用矢量数据库。
包括如下步骤:
S1.1:下载30米多源卫星遥感数据,以ENVI、ARCGIS为平台,对卫星遥感数据进行预处理,获取地表反射率数据,具体包括几何纠正、辐射定标和大气校正。其中几何纠正通过ENVI中Registration功能模块,辐射定标通过ENVI软件中的Radiometric Calibration功能进行定标,大气校正通过ENVI软件中的FLAASH功能,结合头文件中的参数进行校正。
S1.2:根据经过步骤S1.1中大气校正后的遥感数据进行土地利用矢量数据提取,采用人机交互式解译方法提取水土流失区不同时期土地利用矢量数据,构建土地利用矢量数据库。所述水土流失区土地利用矢量数据具体包括林地矢量数据、草地矢量数据、耕地矢量数据、城镇村落矢量数据、河川地矢量数据和水域矢量数据。
S1.3:土地利用矢量数据的精度验证。不同时期的土地利用矢量数据,其精度验证方法有所不同。针对距离当前研究不超过1年的土地利用解译成果,采用野外实地GPS验证方法,开展多次野外验证,采集大量地物类型点,对土地利用数据开展精度验证。对于距离当前研究超过1年的土地利用解译成果,主要应用综合多源信息和多学科知识的方法对数据加以验证,除了通过访谈当地年长者获取土地利用历史信息外,还利用高分辨率卫星(SPOT、资源三号)的全波段历史数据,选择相同时段内土地利用相对较为稳定的区域加以验证。
进一步地,步骤S2为:下载高分辨率卫星遥感数据,并对遥感数据进行预处理,采用人机交互式解译方法提取水土流失区梯田矢量数据,构建梯田矢量数据库;提取水土流失区不同时期土石山区矢量数据。
包括如下步骤:
S2.1:下载<5米多源卫星遥感数据(资源三号、锁眼),以ENVI、ARCGIS为平台,对卫星遥感数据进行预处理,获取地表反射率数据,具体包括几何纠正、辐射定标和大气校正。其中几何纠正通过ENVI中Registration功能模块,辐射定标通过ENVI软件中的Radiometric Calibration功能进行定标,大气校正通过ENVI软件中的FLAASH功能,结合头文件中的参数进行校正。
S2.2:根据经过步骤S2.1中大气校正后的遥感数据,采用人机交互式解译方法提取水土流失区不同时期梯田矢量数据;
S2.3:提取水土流失区不同时期土石山区矢量数据,该矢量数据提取方法参考文献(蔡艳蓉,李永红,高照良.黄土高原地区土地资源分区研究[J].农业灾害研究,2015(5):38-47.)。
进一步地,步骤S3具体为:下载多源卫星遥感数据,并对遥感数据进行预处理,获取地表反射率数据;根据地表反射率数据进行归一化植被指数(NDVI)计算,构建黄土高原植被NDVI数据集。
包括如下步骤:
S3.1:下载30米多源卫星遥感数据(Landsat MSS、Landsat TM、环境星CCD),以ENVI、ARCGIS为平台,对卫星遥感数据进行预处理,获取地表反射率数据,具体包括几何纠正、辐射定标和大气校正。其中几何纠正通过ENVI中Registration功能模块,辐射定标通过ENVI软件中的Radiometric Calibration功能进行定标,大气校正通过ENVI软件中的FLAASH功能,结合头文件中的参数进行校正,得到地表反射率数据。
S3.2:根据步骤S3.1得到的地表反射率数据进行归一化植被指数(NDVI)的计算,NDVI根据式(1):
确定;其中,NIR是近红外波段的反射率,RED是红光波段的反射率;然后对反演出的归一化植被指数(NDVI)数据进行裁剪,构建黄土高原植被NDVI数据集。
进一步地,步骤S4包括如下步骤:
利用步骤S1中提取的耕地、城镇村落和河川地、水域范围,S2中提取的梯田范围以及黄土高原的土石山区范围,确定黄土高原林草地空间位置和面积,构建黄土高原林草地矢量数据库。
进一步地,步骤S5为:采用相邻图幅递进回归分析法来消除归一化植被指数的时相差异,并利用像元二分模型计算林草植被覆盖度。
包括如下步骤:
S5.1:根据步骤S3.2得到的归一化植被指数(NDVI),利用式(2)所示的像元二分模型计算植被覆盖度:
VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil) (2)
其中,VFC为植被覆盖度;NDVIsoil为裸土或无植被覆盖区NDVI值,NDVIveg为完全被植被覆盖区NDVI值。
为了保证用多源卫星遥感数据生成的NDVI有一定的可比性,原始遥感数据经过辐射定标、简单大气校正和几何精校正等常规处理后,再用式(3)所示的相邻图幅递进回归分析法来消除NDVI的时相差异。
Image′i=ki-1×Imagei+qi-1(i=2,3,4,...n) (3)
式中,Image′i为校正后影像数据矩阵,Imagei为原始影像数据矩阵,ki-1和qi-1分别为影像数据矩阵OL=Image′i-1∩Imagei的回归分析斜率与截距,n为总的影像图幅数。
S5.2:基于步骤S4提取的林草地矢量数据,对步骤S5.1所构建的植被覆盖度数据集进行裁剪,提取出水土流失区林草植被盖度数据集。
本发明取得以下技术效果:
本发明利用经过预处理的高分辨率遥感数据,计算归一化植被指数NDVI,并采用相邻图幅递进回归法消除时相差异,反演得出区域植被盖度。对不同时期土地利用数据的解译成果,采用不同的精度验证方法进行验证,剔除耕地、梯田、城镇村落、河川地、水域和土石山区数据,获取准确的区域林草植被盖度。
本发明包括获取区域高分辨率影像数据、高分辨率影像数据预处理、区域植被NDVI计算、时相差异的消除、基于二分法计算区域植被盖度、基于高空间分辨率遥感数据提取土地利用类型、剥离耕地河川地与梯田、获取林草植被盖度。高分辨率影像数据的获取为植被盖度反演及土地利用数据解译提供基础资料。高分辨率影像数据预处理是对原始遥感数据进行定标与校正,去除大气等影响因素。区域NDVI计算将经过预处理的影像根据植被指数计算算法反演成NDVI。相邻图幅时相差异的消除是采用递进回归分析法消除相邻图幅的时相差异。基于二分法计算区域植被盖度是对区域植被指数NDVI基于像元二分模型计算区域植被盖度。基于高空间分辨率遥感数据提取土地利用类型是采用人机交互式解译,解译不同时期土地利用数据,并提取出梯田,剥离耕地河川地与梯田,消除耕地上农作物植被的影响。获取林草植被盖度采用解译后不同时期土地利用数据提取对应时期植被盖度。
本发明与现在技术相比有如下有益效果:
(1)本发明不依靠统计数据,避免了梯田与林草植被重复问题;
(2)较以往土地利用成果中植被盖度分级更细致;
(3)剥离了虽然会影响黄土高原水土流失分析程度,但对于入黄沙量影响极小的区域,包括土石山区、河川地、城镇村落,另外,剥离了入黄沙量影响大但不属于林草地的耕地和梯田。一般来说影响流域产流产沙的核心下垫面因子主要包括:土壤、地形和植被,从地表土壤类型来看,相对于黄土区,土石山区水土流失轻微;从地形角度看,河川地的地面坡度一般小于5°,水土流失轻微;城镇村落范围内的林草植被虽然会影响当地水土流失程度,但对于入黄沙量影响极小;
(4)采用递进回归分析法消除相邻图幅的时相差异可以有效提高林草植被盖度的反演精度,有利于大范围林草植被信息的准确提取。
附图说明
图1为本发明的流程示意图。
图2为黄土高原典型流域秃尾河流域的土地利用图。
图3为黄土高原典型流域秃尾河流域的耕地、城镇用地、河川地、梯田及水域空间分布图。其中,城镇用地表示城镇村落。
图4为黄土高原典型流域秃尾河流域的林草地空间分布图。
图5为黄土高原典型流域秃尾河流域的植被覆盖图。
图6为黄土高原典型流域秃尾河流域的林草植被覆盖图。
具体实施方式
下面结合附图和实施例,对本发明做进一步详细说明。
表1为实施例中所用主要数据源信息表。实施例以黄土高原典型流域秃尾河流域为例,该流域中无土石山区。
表1主要数据源信息表
基于不同时期遥感影像数据对黄土高原林草植被信息采集与处理,流程图如图1所示,包括:
S1:提取水土流失区不同时期土地利用矢量数据。
具体包括:
S1.1:下载30米Landsat TM遥感数据,以ENVI、ARCGIS为平台,对卫星遥感数据进行预处理,获取地表反射率数据,具体包括几何纠正、辐射定标、大气校正和无缝拼接。其中几何纠正通过ENVI中Registration功能模块,辐射定标通过ENVI软件中的RadiometricCalibration功能进行定标,大气校正通过ENVI软件中的FLAASH功能,结合头文件中的参数进行校正;通过ENVI软件中的Mosaic功能进行无缝拼接。
S1.2:根据经过步骤S1.1中大气校正后的遥感数据进行土地利用矢量数据提取,采用人机交互式解译方法提取水土流失区不同时期土地利用矢量数据,构建土地利用矢量数据库。所述水土流失区土地利用矢量数据具体包括林地矢量数据、草地矢量数据、耕地矢量数据、城镇村落矢量数据、河川地矢量数据和水域矢量数据。图2为利用本实施例构建的黄土高原典型流域秃尾河流域的土地利用图。
S1.3:土地利用矢量数据的精度验证。不同时期的土地利用数据,其精度验证方法有所不同。针对距离当前研究不超过1年的土地利用解译成果,主要采用野外实地GPS验证方法,开展多次野外验证,采集大量地物类型点,对土地利用数据开展精度验证。对于距离当前研究超过1年的土地利用解译成果,主要应用综合多源信息和多学科知识的方法对数据加以验证,除了通过访谈当地年长者获取土地利用历史信息外,还利用高分辨率卫星(SPOT、资源三号)的全波段历史数据,选择相同时段内土地利用相对较为稳定的区域加以验证。
S2:提取水土流失区不同时期梯田矢量数据。
具体包括:
S2.1:下载<5米多源卫星遥感数据(资源三号、锁眼),以ENVI、ARCGIS为平台,对卫星遥感数据进行预处理,获取地表反射率数据,具体包括几何纠正、辐射定标和大气校正。其中几何纠正通过ENVI中Registration功能模块,辐射定标通过ENVI软件中的Radiometric Calibration功能进行定标,大气校正通过ENVI软件中的FLAASH功能,结合头文件中的参数进行校正。
S2.2:根据经过步骤S2.1中大气校正后的遥感数据,采用人机交互式解译方法提取水土流失区不同时期梯田矢量数据。图3为黄土高原典型流域秃尾河流域的耕地、城镇用地、河川地、梯田及水域空间分布图。
S3:提取水土流失区不同时期植被指数(NDVI)数据。
具体包括:
S3.1:下载30米Landsat TM遥感数据,以ENVI、ARCGIS为平台,对卫星遥感数据进行预处理,获取地表反射率数据,具体包括几何纠正、辐射定标、大气校正和无缝拼接。其中几何纠正通过ENVI中Registration功能模块,辐射定标通过ENVI软件中的RadiometricCalibration功能进行定标,大气校正通过ENVI软件中的FLAASH功能,结合头文件中的参数进行校正,得到地表反射率数据;通过ENVI软件中的Mosaic功能进行无缝拼接。
S3.2:根据步骤S3.1得到的地表反射率数据进行归一化植被指数(NDVI)的计算,NDVI根据式(1):
确定;其中,NIR是近红外波段的反射率,RED是红光波段的反射率;然后对反演出的归一化植被指数(NDVI)数据进行裁剪,构建黄土高原植被NDVI数据集。
S4:基于步骤S1和S2剔除耕地矢量数据、梯田矢量数据、城镇村落矢量数据、河川地矢量数据和水域矢量数据,获取不同时期林草地空间位置和面积,构建黄土高原林草地矢量数据库,图4为本实施例的黄土高原典型流域秃尾河流域的林草地空间分布图。
S5:基于步骤S3和S4获取不同时期林草地的植被盖度。
具体为:
S5.1:根据步骤S3.2得到的归一化植被指数(NDVI),利用式(2)所示的像元二分模型计算植被覆盖度:
VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil) (2)
其中,VFC为植被覆盖度;NDVIsoil为裸土或无植被覆盖区NDVI值,NDVIveg为完全被植被覆盖区NDVI值。
为了保证用多源卫星遥感数据生成的NDVI有一定的可比性,原始遥感数据经过辐射定标、简单大气校正和几何精校正等常规处理后,再用式(3)所示的相邻图幅递进回归分析法来消除NDVI的时相差异。
Image′i=ki-1×Imagei+qi-1(i=2,3,4,...n) (3)
式中,Image′i为校正后影像数据矩阵,Imagei为原始影像数据矩阵,ki-1和qi-1分别为影像数据矩阵OL=Image′i-1∩Imagei的回归分析斜率与截距,n为总的影像图幅数。
应用像元二分模型的关键是要合理的确定NDVIsoil和NDVIveg的数值。通常裸地表面的NDVIsoil数值理论上应接近于0,但由于受到大气效应以及地表水分等因素的影响,NDVIsoil的数值一般在-0.1~0.2之间。由于受到植被类型和立地条件等因素的影响,NDVIveg的数值也会随着时间和空间的不同而改变。因此,用土壤类型图逐图斑统计NDVI的累积频率,选取每种土种单元内累积频率为5%的NDVI值作NDVIsoil的数值,用土地利用图逐类型统计NDVI的累积频率,选取林地和草地累积频率为95%的NDVI值作NDVIveg的数值。
S5.2:基于步骤S4提取的林草地矢量数据,对步骤S5.1所构建的植被覆盖度数据集进行裁剪,提取出水土流失区林草植被盖度数据集。图5为本实施例黄土高原典型流域秃尾河流域的植被覆盖图。图6为本实施例黄土高原典型流域秃尾河流域的林草植被覆盖图。
S6:对步骤S5获取的林草植被盖度数据进行验证,具体为:
遥感反演获取林草植被盖度后,通过多次野外考察与访谈当地年长者,对获取的林草植被盖度数据开展精度验证;对于距离当前研究不超过1年的林草植被盖度数据,经多次野外考察GPS定位拍摄典型样地照片,在林草植被盖度无显著变化区域内,用照相法植被覆盖度动态监测系统获取不同样地多张照片的林草植被盖度,检验不同时期林草植被盖度遥感反演精度;对于距离当前研究超过1年的林草植被盖度数据,主要采用同时期高精度影像比对和访谈的方式加以验证。
Claims (3)
1.一种基于遥感的黄土高原水土流失区林草植被信息提取方法,其特征在于,具体包括如下步骤:
S1:提取水土流失区不同时期土地利用矢量数据;步骤S1包括如下步骤:
S1.1:下载30米多源卫星遥感数据,以ENVI、ARCGIS为平台,对卫星遥感数据进行预处理,获取地表反射率数据,具体包括几何纠正、辐射定标和大气校正;其中几何纠正通过ENVI中Registration功能模块,辐射定标通过ENVI软件中的Radiometric Calibration功能进行定标,大气校正通过ENVI软件中的FLAASH功能,结合头文件中的参数进行校正,得到地表反射率数据;
S1.2:根据经过步骤S1.1中大气校正后的遥感数据进行土地利用矢量数据提取,采用人机交互式解译方法提取水土流失区不同时期土地利用矢量数据,构建土地利用矢量数据库;所述水土流失区土地利用矢量数据具体包括林地矢量数据、草地矢量数据、耕地矢量数据、城镇村落矢量数据、河川地矢量数据和水域矢量数据;
S2:提取水土流失区不同时期梯田矢量数据和土石山区矢量数据;步骤S2包括如下步骤:
S2.1:下载<5米多源卫星遥感数据,以ENVI、ARCGIS为平台,对卫星遥感数据进行预处理,获取地表反射率数据,具体包括几何纠正、辐射定标和大气校正;
S2.2:根据经过步骤S2.1中大气校正后的遥感数据,采用人机交互式解译方法提取水土流失区不同时期梯田矢量数据;
S2.3:根据经过步骤S2.1中大气校正后的遥感数据,提取水土流失区不同时期土石山区矢量数据;
S3:提取水土流失区不同时期归一化植被指数数据;步骤S3具体为:下载多源卫星遥感数据,并对遥感数据进行预处理,获取地表反射率数据;根据地表反射率数据进行归一化植被指数计算,构建黄土高原植被NDVI数据集;
步骤S3包括以下步骤:
根据S1.1得到的地表反射率数据进行归一化植被指数NDVI的计算,NDVI根据式(1):
确定;其中,NIR是近红外波段的反射率,RED是红光波段的反射率;然后对反演出的归一化植被指数数据进行裁剪,构建黄土高原植被NDVI数据集;
S4:基于步骤S1和S2剔除耕地矢量数据、梯田矢量数据、城镇村落矢量数据、河川地矢量数据、水域矢量数据和土石山区矢量数据,获取不同时期林草地空间位置和面积,构建黄土高原林草地矢量数据库;
S5:基于步骤S3和S4获取不同时期林草地的植被覆盖度;
步骤S5为:采用相邻图幅递进回归分析法来消除归一化植被指数的时相差异,并利用像元二分模型计算林草植被覆盖度;
步骤S5包括如下步骤:
S5.1:根据步骤S3得到的归一化植被指数NDVI,利用式(2)所示的像元二分模型计算植被覆盖度:
VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil) (2)
其中,VFC为植被覆盖度;NDVIsoil为裸土或无植被覆盖区NDVI值,NDVIveg为完全被植被覆盖区NDVI值;
原始遥感数据经过辐射定标、简单大气校正和几何精校正常规处理后,再用式(3)所示的相邻图幅递进回归分析法来消除NDVI的时相差异;
Image′i=ki-1×Imagei+qi-1(i=2,3,4,...n) (3)
式中,Image′i为校正后影像数据矩阵,Imagei为原始影像数据矩阵,ki-1和qi-1分别为影像数据矩阵OL=Image′i-1∩Imagei的回归分析斜率与截距,n为总的影像图幅数;
S5.2:基于步骤S4提取的林草地矢量数据,对步骤S5.1所构建的植被覆盖度数据集进行裁剪,提取出水土流失区林草植被覆盖度数据集。
2.根据权利要求1所述的一种基于遥感的黄土高原水土流失区林草植被信息提取方法,其特征在于,还包括步骤S6:对步骤S5获取的林草植被覆盖度数据进行验证,具体为:遥感反演获取林草植被覆盖度后,通过多次野外考察与访谈当地年长者,对获取的林草植被覆盖度数据开展精度验证;对于距离当前研究不超过1年的林草植被覆盖度数据,经多次野外考察GPS定位拍摄典型样地照片,在林草植被覆盖度无显著变化区域内,采用照相法植被覆盖度动态监测系统获取不同样地多张照片的林草植被覆盖度,检验不同时期林草植被覆盖度遥感反演精度;对于距离当前研究超过1年的林草植被覆盖度数据,采用同时期高精度影像比对和访谈的方式加以验证。
3.根据权利要求1所述的一种基于遥感的黄土高原水土流失区林草植被信息提取方法,其特征在于,步骤S1还包括:
S1.3:土地利用矢量数据的精度验证;针对距离当前研究不超过1年的土地利用解译成果,采用野外实地GPS验证方法,开展多次野外验证,采集大量地物类型点,对土地利用数据开展精度验证;对于距离当前研究超过1年的土地利用解译成果,应用综合多源信息和多学科知识的方法对数据加以验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101135.XA CN109934109B (zh) | 2019-01-31 | 2019-01-31 | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101135.XA CN109934109B (zh) | 2019-01-31 | 2019-01-31 | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934109A CN109934109A (zh) | 2019-06-25 |
CN109934109B true CN109934109B (zh) | 2022-03-04 |
Family
ID=66985414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910101135.XA Active CN109934109B (zh) | 2019-01-31 | 2019-01-31 | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934109B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852232B (zh) * | 2019-11-05 | 2022-08-26 | 河海大学 | 一种基于山区河流分级的河岸带植被覆盖度提取方法 |
CN111401187A (zh) * | 2020-03-10 | 2020-07-10 | 中山市水利水电勘测设计咨询有限公司 | 一种水土保持情况的调查方法 |
CN113641658B (zh) * | 2021-08-25 | 2022-07-26 | 四川省林业和草原调查规划院(四川省林业和草原生态环境监测中心) | 一种林草综合监测评价图斑监测更新方法、系统及云平台 |
CN116843495B (zh) * | 2023-09-01 | 2023-11-10 | 生态环境部卫星环境应用中心 | 一种植被修复工程实施区识别方法及系统 |
CN117409333B (zh) * | 2023-12-15 | 2024-02-13 | 四川省生态环境科学研究院 | 基于遥感影像的生态脆弱区识别及生态修复方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187630A (zh) * | 2007-12-05 | 2008-05-28 | 北京大学 | 一种农田干旱监测方法 |
CN101908196A (zh) * | 2009-06-03 | 2010-12-08 | 北京师范大学 | 基于植被-土壤水分响应关系的植被盖度估算方法 |
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 |
CN102288954A (zh) * | 2011-08-01 | 2011-12-21 | 高吉喜 | 一种草地植被覆盖度遥感估测方法 |
US9251420B2 (en) * | 2013-01-22 | 2016-02-02 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
CN106295576A (zh) * | 2016-08-12 | 2017-01-04 | 中国水利水电科学研究院 | 一种基于自然地理特征的水源类型解析方法 |
CN103679202B (zh) * | 2013-12-17 | 2017-04-12 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
CN107328741A (zh) * | 2017-06-22 | 2017-11-07 | 福州大学 | 土壤侵蚀方程中植被覆盖与管理因子c改进方法 |
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN107909607A (zh) * | 2017-12-11 | 2018-04-13 | 河北省科学院地理科学研究所 | 一种年度区域植被覆盖度计算方法 |
CN108564021A (zh) * | 2018-04-08 | 2018-09-21 | 兰州大学 | 一种基于数码相片提取荒漠植被盖度的方法 |
-
2019
- 2019-01-31 CN CN201910101135.XA patent/CN109934109B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187630A (zh) * | 2007-12-05 | 2008-05-28 | 北京大学 | 一种农田干旱监测方法 |
CN101908196A (zh) * | 2009-06-03 | 2010-12-08 | 北京师范大学 | 基于植被-土壤水分响应关系的植被盖度估算方法 |
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 |
CN102288954A (zh) * | 2011-08-01 | 2011-12-21 | 高吉喜 | 一种草地植被覆盖度遥感估测方法 |
US9251420B2 (en) * | 2013-01-22 | 2016-02-02 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
CN103679202B (zh) * | 2013-12-17 | 2017-04-12 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
CN106295576A (zh) * | 2016-08-12 | 2017-01-04 | 中国水利水电科学研究院 | 一种基于自然地理特征的水源类型解析方法 |
CN107328741A (zh) * | 2017-06-22 | 2017-11-07 | 福州大学 | 土壤侵蚀方程中植被覆盖与管理因子c改进方法 |
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN107909607A (zh) * | 2017-12-11 | 2018-04-13 | 河北省科学院地理科学研究所 | 一种年度区域植被覆盖度计算方法 |
CN108564021A (zh) * | 2018-04-08 | 2018-09-21 | 兰州大学 | 一种基于数码相片提取荒漠植被盖度的方法 |
Non-Patent Citations (4)
Title |
---|
Soil erosion and sediment yield and their relationships with vegetation cover in upper stream of the Yellow River;Wei Ouyang 等;《ELSEVIER》;20101231;全文 * |
Spatio-Temporal Variations of Vegetation Coverage Based on EVI: A Case Study in Tuwei River Basin;Guo-tao DONG 等;《ECCSD 2016》;20161231;全文 * |
基于遥感分类的植被覆盖度提取;潘建平 等;《测绘信息工程》;20071231;全文 * |
黄河中游多沙粗沙区 (渭河段) 土地利用对植被盖度的影响;杨胜天 等;《地理学报》;20140131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109934109A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934109B (zh) | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 | |
Pan et al. | Mapping cropping intensity in Huaihe basin using phenology algorithm, all Sentinel-2 and Landsat images in Google Earth Engine | |
CN114076738B (zh) | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 | |
CN112102312B (zh) | 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
CN110378926B (zh) | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 | |
Torbick et al. | Integrating SAR and optical imagery for regional mapping of paddy rice attributes in the Poyang Lake Watershed, China | |
CN107330413A (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN115170341A (zh) | 利用激光雷达修正小微样的林业资源碳汇精准测算方法 | |
Han et al. | NESEA-Rice10: high-resolution annual paddy rice maps for Northeast and Southeast Asia from 2017 to 2019 | |
CN114511170A (zh) | 一种基于多光谱影像的土壤养分估计方法及装置 | |
Nourani et al. | Hydrological model parameterization using NDVI values to account for the effects of land cover change on the rainfall–runoff response | |
Zhang et al. | Variation of intra-daily instantaneous FAPAR estimated from the geostationary Himawari-8 AHI data | |
CN111783288A (zh) | 基于Landsat8对黄河三角洲土壤盐分的反演方法 | |
Song et al. | Interannual variability of regional evapotranspiration under precipitation extremes: a case study of the Youngsan River basin in Korea | |
CN111192315B (zh) | 一种基于多源信息的实际灌溉面积提取方法 | |
Wang et al. | Estimation of leaf area index from high resolution ZY-3 satellite imagery in a catchment dominated by Larix principis-rupprechtii, northern China | |
Matranga et al. | Estimating soil surface roughness by proximal sensing for soil erosion modeling implementation at field scale | |
CN116628405A (zh) | 一种估算草地植被高度的遥感方法 | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
CN105974091B (zh) | 林下草本植被枯枝落叶层丰富度的遥感量化探测方法 | |
Romshoo | Radar remote sensing for monitoring of dynamic ecosystem processes related to biogeochemical exchanges in tropical peatlands | |
CN115880577A (zh) | 一种基于遥感技术的耕地秋整地进度动态监测方法 |
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 |