CN110687049A - 一种材林识别方法及装置 - Google Patents
一种材林识别方法及装置 Download PDFInfo
- Publication number
- CN110687049A CN110687049A CN201810722521.6A CN201810722521A CN110687049A CN 110687049 A CN110687049 A CN 110687049A CN 201810722521 A CN201810722521 A CN 201810722521A CN 110687049 A CN110687049 A CN 110687049A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- data
- forest
- time sequence
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011160 research Methods 0.000 claims abstract description 29
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000002329 infrared spectrum Methods 0.000 claims description 29
- 230000003595 spectral effect Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 235000011609 Pinus massoniana Nutrition 0.000 claims description 13
- 241000018650 Pinus massoniana Species 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000002023 wood Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000001429 visible spectrum Methods 0.000 claims description 6
- 244000166124 Eucalyptus globulus Species 0.000 claims 2
- 238000009826 distribution Methods 0.000 abstract description 7
- 241000894007 species Species 0.000 description 14
- 241000219927 Eucalyptus Species 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 11
- 238000005520 cutting process Methods 0.000 description 10
- 238000005096 rolling process Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011439 discrete element method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种材林识别方法及装置,所述方法包括:步骤a:输入同一研究区域一定时间段内的时序遥感影像和所述研究区域的坡度数据,通过输入的时序遥感影像数据计算所述研究区域的归一化差分植被指数NDVI数据;步骤b:将计算出的NDVI数据进行时序排序,并对排序数据进行合并,利用合并的NDVI和坡度数据进行林地信息提取;步骤c:将NDVI数据进行分段标准化为NDVI',建立像元的时序NDVI'数组A,判断数组A中数组元素均为1的子序列的数量COUNT;步骤d:利用休耕次数COUNT来判断林种类别。利用本发明实施例的材林识别方法和装置可以快速、准确、简单的提取出阔叶用材林和针叶用材林的空间分布信息。
Description
技术领域
本发明涉及生态环境监测技术领域,特别涉及一种材林识别方法及装置。
背景技术
我国大部分沿海地区地势复杂,植被类型丰富,植被四季常绿,树种分布没有明显的季节性和区域性规律,植被多为混杂。以广东省为例,广东位于中国大陆南部,东经109°39′~117°19′,北纬20°13′~25°31′,地处热带北部和亚热带南部,受季风气候影响较大,具典型的热带、南亚热带气候特征,雨量充沛,热量丰富,除南岭山地带外,年均气温20℃以上,日均温不低于10℃,年活动积温≥6500℃,年均降水量1500mm~2000mm;地势总体北高南低,北部多为山地和高丘陵,地貌类型有山地、丘陵、台地和平原。广东的光、热、水资源条件很适合人工林的大面积种植。广东省的人工用材林林种主要有马尾松、杉木、桉树三大类,这三种林种对于广东省林业生产的影响巨大,按照植被类型,这三种树种可以被分为两大类,分别是阔叶用材林,主要指桉树,另外一种是针叶用材林,主要指马尾松和杉木。准确、快速的对人工用材林林种的资源分布信息进行提取十分关键,具有重要生态和生产价值。对于桉树来说,其属于短轮伐期用材林树种,主伐年龄在4~6年,极少超过7年。对于马尾松和杉木来说,其轮伐期较长,主伐年龄一般在15年以上,极少短于15年。
目前在人工用材林识别领域较为热点的研究之一是结合高分辨率和中等分辨率遥感数据来进行桉树、马尾松等大宗人工用材林林种专题信息的提取研究。其主要区分的研究对象是人工林树种本身和自然林,因为二者在光谱上差异较小,只有在高分辨率遥感卫星影像上才能获得明显的纹理差异。在找到差异信息后,常规方案往往采用决策树和面向对象的分类方法进行人工用材林识别研究,选择的最佳分类特征往往是纹理信息、光谱信息、DEM和坡度等。
现有技术所采用的遥感数据源种类较为多源,为了获取林分的纹理与光谱信息,其中必不可少高分辨率的遥感数据,但是这些高分辨率的遥感数据往往成本高昂,覆盖面积较小,难以大范围实际应用,一般只作为小区域范围的研究与使用;现有技术采用了决策树和面向对象的分类方法进行人工用材林识别研究,这些分类方法往往有着很强的针对性,对于不同类别、时间和质量的遥感数据的应用结果不尽相同;现有技术所采用的分类特征十分众多,包括纹理,光谱,DEM,坡度等,这些分类特征计算复杂,应用时还需进行冗余排除和最优选择,计算量较大。
发明内容
本发明提供了一种材林识别方法及装置,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本发明提供了如下技术方案:
一种材林识别方法,包括:
步骤a:输入同一研究区域一定时间段内的时序遥感影像和所述研究区域的坡度数据,通过输入的时序遥感影像数据计算所述研究区域的归一化差分植被指数NDVI数据;
步骤b:将计算出的NDVI数据进行时序排序,并对排序数据进行合并,利用合并的NDVI和坡度数据进行林地信息提取;
步骤c:将NDVI数据进行分段标准化为NDVI',建立像元的时序NDVI'数组A,判断数组A中数组元素均为1的子序列的数量COUNT,其中,所述COUNT表示材林被采伐后的休耕次数;
步骤d:利用休耕次数COUNT来判断林种类别。
本发明实施例采取的技术方案还包括:在所述步骤a中,所述一定时间段内的时序遥感影像为长时序Landsat TM遥感影像,所述时序遥感影像包括3个可见光谱段、1个近红外谱段、2个近短波红外谱段和1个热红外谱段。
本发明实施例采取的技术方案还包括:在所述步骤a中,所述归一化差分植被指数数据计算公式为:
NDVI=(B4-B3)/(B4+B3)
其中,NDVI表示归一化差分植被指数;B3表示Landsat TM数据红谱段的亮度值;B4表示Landsat TM数据近红外谱段的亮度值。
本发明实施例采取的技术方案还包括:在所述步骤b中,所述林地信息提取方法为阈值判断,判断条件为:
其中,Pixelnon表示未被分类的像元;Pixelforest表示覆被类型为林地的像元。
本发明实施例采取的技术方案还包括:在所述步骤c中,将NDVI数据进行分段标准化为NDVI'具体为:将NDVI∈[0.2,0.4)标准化为NDVIα(NDVIα=1),将NDVI∈[0.4,0.6)标准化为NDVIβ(NDVIβ=2);将NDVI∈[0.6,1)标准化为NDVIγ(NDVIγ=3),所述分段标准化公式为:
其中,NDVIα表示将NDVI值为[0.2,0.4)标准化为1;NDVIβ表示将NDVI值为[0.4,0.6)标准化为2;NDVIγ表示将NDVI值为[0.6,1)标准化为3。
本发明实施例采取的技术方案还包括:在所述步骤c中,所述数组A中数组元素均为1的子序列是型如{1}、{1,1}、{1,1,1}、……、{1,1,……,1}的子数组,表示材林被采伐后的休耕时间。
本发明实施例采取的技术方案还包括:在所述步骤d中,利用休耕次数COUNT来判断林种类别的判断方法为:
其中,Pixelbread-leaved表示阔叶用材林,主要指桉树类速生林;Pixelconiferous表示针叶用材林,主要指马尾松、杉树等成材期较长的用材林。
本发明实施例采取的另一技术方案为:一种材林识别装置,包括数据输入模块、指数数据计算模块、数据合并模块、林地信息提取模块、分段标准化模块、时序数组建立模块和林种类别判断模块;所述数据输入模块用于输入同一研究区域一定时间段内的时序遥感影像和该研究区域的坡度数据;所述指数数据计算模块用于通过输入的时序遥感影像数据计算研究区域的归一化差分植被指数NDVI数据;所述数据合并模块用于将计算出的NDVI数据进行时序排序,并对排序数据进行合并;所述林地信息提取模块用于利用合并的NDVI数据和SLOPE数据进行林地信息提取;所述分段标准化模块用于将NDVI数据进行分段标准化为NDVI';所述时序数组建立模块用于建立像元的时序NDVI'数组A,判断数组A中数组元素均为1的子序列的数量COUNT;所述林种类别判断模块用于利用休耕次数COUNT来判断林种类别。
本发明实施例采取的技术方案还包括:所述一定时间段内的时序遥感影像为长时序Landsat TM遥感影像,所述时序遥感影像包括3个可见光谱段、1个近红外谱段、2个近短波红外谱段和1个热红外谱段;所述归一化差分植被指数数据计算公式为:NDVI=(B4-B3)/(B4+B3),其中,NDVI表示归一化差分植被指数;B3表示Landsat TM数据红谱段的亮度值;B4表示Landsat TM数据近红外谱段的亮度值。
本发明实施例采取的技术方案还包括:所述分段标准化模块用于将NDVI数据进行分段标准化为NDVI'具体为:将NDVI∈[0.2,0.4)标准化为NDVIα(NDVIα=1),将NDVI∈[0.4,0.6)标准化为NDVIβ(NDVIβ=2);将NDVI∈[0.6,1)标准化为NDVIγ(NDVIγ=3);所述林种类别判断模块用于利用休耕次数COUNT来判断林种类别具体为:其中,Pixelbread-leaved表示阔叶用材林,主要指桉树类速生林;Pixelconiferous表示针叶用材林,主要指马尾松、杉树等成材期较长的用材林。
相对于现有技术,本发明实施例产生的有益效果在于:本发明实施例的材林识别方法和装置主要针对广东省地区的大片人工用材林进行林种结构区分与识别,利用长时间序列的Landsat TM遥感数据作为数据源,用坡度SLOPE数据作为辅助数据,采用归一化差分植被指数(NDVI)作为分类特征,以人工用材林林种轮伐期不同为依据,将木材轮伐的周期过程对应到时序NDVI数据的分布变化规律上,认为林区处于成材期时其NDVI处于高值,林区处于休耕期时其NDVI处于低值,因而NDVI的时序变化代表了木材的轮伐过程,NDVI变化曲线上的凸包代表了木材的生长过程,而NDVI变化曲线上的凹点则代表了木材采伐后处于休耕期的时间长度,本发明只需计算出每个像元在一段时间内的NDVI时序变化曲线的凹点数量,并与实际林种的主伐年龄对应起来,便可以判断该研究区域的林种类型。其中,对于桉树来说,其属于短轮伐期用材林树种,主伐年龄在4~6年,极少超过7年,在20年的时间尺度上,其采伐凹点数量一般不少于3个;对于马尾松和杉木来说,其轮伐期较长,主伐年龄一般在15年以上,极少短于15年,在20年的时间尺度上,其采伐凹点数量一般不超过2个。利用本发明实施例的材林识别方法和装置可以快速、准确、简单的提取出阔叶用材林(主要指桉树类用材林)和针叶用材林的(主要指马尾松和杉木等用材林)空间分布信息。
附图说明
图1是本发明实施例的材林识别方法的流程图;
图2是本发明实施例的材林识别方法的示意图;
图3是本发明实施例的材林识别装置的结构示意图。
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。
请参阅图1,图1是本发明实施例的材林识别方法的流程图。本发明实施例的材林识别方法包括以下步骤:
步骤100:输入同一研究区域一定时间段内的时序遥感影像和该研究区域的坡度(SLOPE)数据;
在步骤100中,一定时间段可以为一定月度或者年度,比如6个月、12个月、5年、10年或者20年,该时间段的最佳方式为长时序,即时间越长最后的识别结果越准确。时序遥感影像可以采用时序Landsat TM遥感影像,也可以采用其他类型的时序遥感影像。Landsat是美国陆地探测卫星系统,TM是Landsat卫星上安装的成像设备,也就是用Landsat上的TM可以对地球表面来成像。Landsat TM遥感影像具较高空间分辨率、波谱分辨率为丰富的信息量和较高定位精度,成为20世纪80年代中后期得到世界各国广泛应用的重要的地球资源与环境遥感数据源。时序遥感影像包括3个可见光谱段(蓝绿谱段、绿谱段、红谱段)、1个近红外谱段、2个近短波红外谱段和1个热红外谱段,并且将这7个谱段依次命名为B1(蓝绿谱段)、B2(绿谱段)、B3(红谱段)、B4(近红外谱段)、B5(近短波红外谱段)、B6(热红外谱段)、B7(近短波红外谱段);坡度(slope)是地表单元陡缓的程度,通常把坡面的垂直高度h和水平距离l的比叫做坡度(或叫做坡比)用字母i表示。
步骤200:通过输入的时序遥感影像数据计算研究区域的归一化差分植被指数(NDVI)数据;
在步骤200中,归一化差分植被指数数据计算公式如下:
NDVI=(B4-B3)/(B4+B3)
其中,NDVI表示归一化差分植被指数;B3表示Landsat TM数据红谱段的亮度值;B4表示Landsat TM数据近红外谱段的亮度值。
步骤300:将计算出的归一化差分植被指数数据(NDVI)进行时序排序,依照时间先后顺序依次命名为NDVI1、NDVI2、NDVI3、……、NDVIn,并将其合并为NDVI数据;
步骤400:利用合并的NDVI数据和SLOPE数据进行林地信息提取;
在步骤400中,时序遥感影像的林地信息提取方法为阈值判断,判断条件为:
其中,Pixelnon表示未被分类的像元;Pixelforest表示覆被类型为林地的像元。
步骤500:将NDVI数据进行分段标准化为NDVI',NDVI′={NDVIα,NDVIβ,NDVIγ};
在步骤500中,为了更加方便的进行NDVI时序变化曲线的凹点计算,而将NDVI时序数据进行了分段标准化,分段后计算NDVI时序变化曲线的凹点将极大减少凹点过多的误判信息;
将NDVI∈[0.2,0.4)标准化为NDVIα(NDVIα=1),将NDVI∈[0.4,0.6)标准化为NDVIβ(NDVIβ=2);将NDVI∈[0.6,1)标准化为NDVIγ(NDVIγ=3),分段标准化公式为:
其中,NDVIα表示将NDVI值为[0.2,0.4)标准化为1;NDVIβ表示将NDVI值为[0.4,0.6)标准化为2;NDVIγ表示将NDVI值为[0.6,1)标准化为3。
步骤600:建立像元的时序NDVI'数组A,判断数组A中数组元素均为1的子序列的数量,记为COUNT;
在步骤600中,元素均为1的子序列是指型如{1}、{1,1}、{1,1,1}、……、{1,1,……,1}的子数组,它们表示用材林被采伐后的休耕时间,这样做不仅简化了一维数据凹点判定的复杂程度,同时也提出了一种新型的凹点计算方法,避免了凹点过多而难以与实际木材休耕期一一对应。像元,也称为称像素或像元点,即影像单元(picture element),是组成数字化影像的最小单元。
步骤700:利用休耕次数COUNT来判断林种类别,判断方法如下:
其中,Pixelbread-leaved表示阔叶用材林,主要指桉树类速生林;Pixelconiferous表示针叶用材林,主要指马尾松、杉树等成材期较长的用材林。
请参阅图3,图3是本发明实施例的材林识别装置的结构示意图。本发明实施例的材林识别装置包括数据输入模块、指数数据计算模块、数据合并模块、林地信息提取模块、分段标准化模块、时序数组建立模块和林种类别判断模块。
数据输入模块用于输入同一研究区域一定时间段内的时序遥感影像和该研究区域的坡度(SLOPE)数据。一定时间段可以为一定月度或者年度,比如6个月、12个月、5年、10年或者20年,该时间段的最佳方式为长时序,即时间越长最后的识别结果越准确。时序遥感影像可以采用时序Landsat TM遥感影像,也可以采用其他类型的时序遥感影像。Landsat是美国陆地探测卫星系统,TM是Landsat卫星上安装的成像设备,也就是用Landsat上的TM可以对地球表面来成像。Landsat TM遥感影像具较高空间分辨率、波谱分辨率为丰富的信息量和较高定位精度,成为20世纪80年代中后期得到世界各国广泛应用的重要的地球资源与环境遥感数据源。时序遥感影像包括3个可见光谱段(蓝绿谱段、绿谱段、红谱段)、1个近红外谱段、2个近短波红外谱段和1个热红外谱段,并且将这7个谱段依次命名为B1(蓝绿谱段)、B2(绿谱段)、B3(红谱段)、B4(近红外谱段)、B5(近短波红外谱段)、B6(热红外谱段)、B7(近短波红外谱段);坡度(slope)是地表单元陡缓的程度,通常把坡面的垂直高度h和水平距离l的比叫做坡度(或叫做坡比)用字母i表示。
指数数据计算模块用于通过输入的时序遥感影像数据计算研究区域的归一化差分植被指数NDVI数据,归一化差分植被指数数据计算公式如下:
NDVI=(B4-B3)/(B4+B3)
其中,NDVI表示归一化差分植被指数;B3表示Landsat TM数据红谱段的亮度值;B4表示Landsat TM数据近红外谱段的亮度值。
数据合并模块用于将计算出的归一化差分植被指数数据(NDVI)进行时序排序,依照时间先后顺序依次命名为NDVI1、NDVI2、NDVI3、……、NDVIn,并将其合并为NDVI数据。
林地信息提取模块用于利用合并的NDVI数据和SLOPE数据进行林地信息提取;时序遥感影像提取方法为阈值判断,判断条件为:
其中,Pixelnon表示未被分类的像元;Pixelforest表示覆被类型为林地的像元。
分段标准化模块用于将NDVI数据进行分段标准化为NDVI',NDVI′={NDVIα,NDVIβ,NDVIγ};为了更加方便的进行NDVI时序变化曲线的凹点计算,而将NDVI时序数据进行了分段标准化,分段后计算NDVI时序变化曲线的凹点将极大减少凹点过多的误判信息;
将NDVI∈[0.2,0.4)标准化为NDVIα(NDVIα=1),将NDVI∈[0.4,0.6)标准化为NDVIβ(NDVIβ=2);将NDVI∈[0.6,1)标准化为NDVIγ(NDVIγ=3),分段标准化公式为:
其中,NDVIα表示将NDVI值为[0.2,0.4)标准化为1;NDVIβ表示将NDVI值为[0.4,0.6)标准化为2;NDVIγ表示将NDVI值为[0.6,1)标准化为3。
时序数组建立模块用于建立像元的时序NDVI'数组A,判断数组A中数组元素均为1的子序列的数量,记为COUNT,元素均为1的子序列是指型如{1}、{1,1}、{1,1,1}、……、{1,1,……,1}的子数组,它们表示用材林被采伐后的休耕时间,这样做不仅简化了一维数据凹点判定的复杂程度,同时也提出了一种新型的凹点计算方法,避免了凹点过多而难以与实际木材休耕期一一对应。
林种类别判断模块用于利用休耕次数COUNT来判断林种类别,判断方法如下:
其中,Pixelbread-leaved表示阔叶用材林,主要指桉树类速生林;Pixelconiferous。
本发明实施例的材林识别方法和装置主要针对广东省地区的大片人工用材林进行林种结构区分与识别,利用长时间序列的Landsat TM遥感数据作为数据源,用坡度SLOPE数据作为辅助数据,采用归一化差分植被指数(NDVI)作为分类特征,以人工用材林林种轮伐期不同为依据,将木材轮伐的周期过程对应到时序NDVI数据的分布变化规律上,认为林区处于成材期时其NDVI处于高值,林区处于休耕期时其NDVI处于低值,因而NDVI的时序变化代表了木材的轮伐过程,NDVI变化曲线上的凸包代表了木材的生长过程,而NDVI变化曲线上的凹点则代表了木材采伐后处于休耕期的时间长度,本发明只需计算出每个像元在一段时间内的NDVI时序变化曲线的凹点数量,并与实际林种的主伐年龄对应起来,便可以判断该研究区域的林种类型。其中,对于桉树来说,其属于短轮伐期用材林树种,主伐年龄在4~6年,极少超过7年,在20年的时间尺度上,其采伐凹点数量一般不少于3个;对于马尾松和杉木来说,其轮伐期较长,主伐年龄一般在15年以上,极少短于15年,在20年的时间尺度上,其采伐凹点数量一般不超过2个。利用本发明实施例的材林识别方法和装置可以快速、准确、简单的提取出阔叶用材林(主要指桉树类用材林)和针叶用材林的(主要指马尾松和杉木等用材林)空间分布信息。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种材林识别方法,其特征在于,包括:
步骤a:输入同一研究区域一定时间段内的时序遥感影像和所述研究区域的坡度数据,通过输入的时序遥感影像数据计算所述研究区域的归一化差分植被指数NDVI数据;
步骤b:将计算出的NDVI数据进行时序排序,并对排序数据进行合并,利用合并的NDVI和坡度数据进行林地信息提取;
步骤c:将NDVI数据进行分段标准化为NDVI',建立像元的时序NDVI'数组A,判断数组A中数组元素均为1的子序列的数量COUNT,其中,所述COUNT表示材林被采伐后的休耕次数;
步骤d:利用休耕次数COUNT来判断林种类别。
2.根据权利要求1所述的材林识别方法,其特征在于,在所述步骤a中,所述一定时间段内的时序遥感影像为长时序Landsat TM遥感影像,所述时序遥感影像包括3个可见光谱段、1个近红外谱段、2个近短波红外谱段和1个热红外谱段。
3.根据权利要求2所述的材林识别方法,其特征在于,在所述步骤a中,所述归一化差分植被指数数据计算公式为:
NDVI=(B4-B3)/(B4+B3)
其中,NDVI表示归一化差分植被指数;B3表示Landsat TM数据红谱段的亮度值;B4表示Landsat TM数据近红外谱段的亮度值。
6.根据权利要求1所述的材林识别方法,其特征在于,在所述步骤c中,所述数组A中数组元素均为1的子序列是型如{1}、{1,1}、{1,1,1}、……、{1,1,……,1}的子数组,表示材林被采伐后的休耕时间。
8.一种材林识别装置,其特征在于,包括数据输入模块、指数数据计算模块、数据合并模块、林地信息提取模块、分段标准化模块、时序数组建立模块和林种类别判断模块;所述数据输入模块用于输入同一研究区域一定时间段内的时序遥感影像和该研究区域的坡度数据;所述指数数据计算模块用于通过输入的时序遥感影像数据计算研究区域的归一化差分植被指数NDVI数据;所述数据合并模块用于将计算出的NDVI数据进行时序排序,并对排序数据进行合并;所述林地信息提取模块用于利用合并的NDVI数据和SLOPE数据进行林地信息提取;所述分段标准化模块用于将NDVI数据进行分段标准化为NDVI';所述时序数组建立模块用于建立像元的时序NDVI'数组A,判断数组A中数组元素均为1的子序列的数量COUNT;所述林种类别判断模块用于利用休耕次数COUNT来判断林种类别。
9.根据权利要求8所述的材林识别装置,其特征在于,所述一定时间段内的时序遥感影像为长时序Landsat TM遥感影像,所述时序遥感影像包括3个可见光谱段、1个近红外谱段、2个近短波红外谱段和1个热红外谱段;所述归一化差分植被指数数据计算公式为:NDVI=(B4-B3)/(B4+B3),其中,NDVI表示归一化差分植被指数;B3表示Landsat TM数据红谱段的亮度值;B4表示Landsat TM数据近红外谱段的亮度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810722521.6A CN110687049B (zh) | 2018-07-04 | 2018-07-04 | 一种用材林识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810722521.6A CN110687049B (zh) | 2018-07-04 | 2018-07-04 | 一种用材林识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110687049A true CN110687049A (zh) | 2020-01-14 |
CN110687049B CN110687049B (zh) | 2022-12-20 |
Family
ID=69106306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810722521.6A Active CN110687049B (zh) | 2018-07-04 | 2018-07-04 | 一种用材林识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110687049B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582035A (zh) * | 2020-04-07 | 2020-08-25 | 北京农业信息技术研究中心 | 一种果树树龄识别方法、装置、设备及存储介质 |
CN112685468A (zh) * | 2020-12-24 | 2021-04-20 | 吉林大学 | 生态系统属性组分组成结构长期演变图形表达方法 |
CN114419431A (zh) * | 2021-12-23 | 2022-04-29 | 深圳先进技术研究院 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
CN114648706A (zh) * | 2022-05-23 | 2022-06-21 | 四川嘉普信工程技术咨询有限公司 | 基于卫星遥感影像的森林树种识别方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012101249A4 (en) * | 2012-08-17 | 2012-09-20 | Beijing Normal University | Method for Generating High Spatial Resolution NDVI Time Series Data |
CN105046188A (zh) * | 2015-04-13 | 2015-11-11 | 中南林业科技大学 | Modis混合像元分解森林信息提取方法 |
CN107273820A (zh) * | 2017-05-26 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种土地覆盖遥感分类方法及系统 |
-
2018
- 2018-07-04 CN CN201810722521.6A patent/CN110687049B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012101249A4 (en) * | 2012-08-17 | 2012-09-20 | Beijing Normal University | Method for Generating High Spatial Resolution NDVI Time Series Data |
CN105046188A (zh) * | 2015-04-13 | 2015-11-11 | 中南林业科技大学 | Modis混合像元分解森林信息提取方法 |
CN107273820A (zh) * | 2017-05-26 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种土地覆盖遥感分类方法及系统 |
Non-Patent Citations (2)
Title |
---|
任冲 等: "多源数据林地类型的精细分类方法", 《林业科学》 * |
杨存建 等: "基于多时相MODIS数据的四川省森林植被类型信息提取", 《自然资源学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582035A (zh) * | 2020-04-07 | 2020-08-25 | 北京农业信息技术研究中心 | 一种果树树龄识别方法、装置、设备及存储介质 |
CN111582035B (zh) * | 2020-04-07 | 2023-09-12 | 北京农业信息技术研究中心 | 一种果树树龄识别方法、装置、设备及存储介质 |
CN112685468A (zh) * | 2020-12-24 | 2021-04-20 | 吉林大学 | 生态系统属性组分组成结构长期演变图形表达方法 |
CN112685468B (zh) * | 2020-12-24 | 2023-03-24 | 吉林大学 | 生态系统属性组分组成结构长期演变图形表达方法 |
CN114419431A (zh) * | 2021-12-23 | 2022-04-29 | 深圳先进技术研究院 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
CN114648706A (zh) * | 2022-05-23 | 2022-06-21 | 四川嘉普信工程技术咨询有限公司 | 基于卫星遥感影像的森林树种识别方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110687049B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110687049B (zh) | 一种用材林识别方法及装置 | |
Sun et al. | Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery | |
Dong et al. | Mapping tropical forests and rubber plantations in complex landscapes by integrating PALSAR and MODIS imagery | |
Xue et al. | Phenology-driven land cover classification and trend analysis based on long-term remote sensing image series | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
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 | |
CN106650689A (zh) | 一种沿海城市时间序列土地利用信息提取方法 | |
Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
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 | |
CN110645961B (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
CN113221806B (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
Han et al. | Monitoring rubber plantation distribution on Hainan Island using Landsat OLI imagery | |
Zeng et al. | A phenology-based vegetation index classification (PVC) algorithm for coastal salt marshes using Landsat 8 images | |
Liu et al. | Zanthoxylum bungeanum Maxim mapping with multi-temporal Sentinel-2 images: The importance of different features and consistency of results | |
CN115661634A (zh) | 城市生态网络空间要素精准识别方法 | |
CN116188793A (zh) | 一种基于卫星遥感影像的紫云英种植面积监测方法 | |
Makhamreh | Derivation of vegetation density and land-use type pattern in mountain regions of Jordan using multi-seasonal SPOT images | |
Sui et al. | A high-resolution inland surface water body dataset for the tundra and boreal forests of North America | |
CN115205701A (zh) | 一种基于水稻物候特征提取样本的方法 | |
Nonomura et al. | Devising a new digital vegetation model for eco-climatic analysis in Africa using GIS and NOAA AVHRR data | |
CN114255247A (zh) | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 | |
Deng et al. | Extraction of sugarcane planting area based on similarity of NDVI time series |
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 |