CN112257531A - 基于多样性特征联合的林地变化遥感监测方法 - Google Patents

Abstract

本发明提出了一种基于多样性特征联合的林地变化遥感监测方法，用于解决因同谱异物和同物异谱而导致的对林地变化监测精度较低的问题。实现步骤为：对林地遥感影像进行预处理；获取预处理后林地遥感影像的光谱特征向量集和纹理特征向量集；对光谱特征向量集和纹理特征向量集分别进行归一化；对归一化后的光谱特征向量集和纹理特征向量集进行多样性特征联合；获取训练样本集和测试样本集；构建随机森林分类模型并进行迭代训练；获取林地变化信息。本发明利用多样性特征联合方法来提高对林地遥感影像的分类精度，增强了对林地变化的监测能力。

Description

基于多样性特征联合的林地变化遥感监测方法

技术领域

本发明属于遥感技术领域，涉及一种林地变化遥感监测方法，具体涉及一种基于多样性特征联合的林地变化遥感监测方法。

背景技术

森林是自然生态系统的一个重要组成部分，它不仅可以调节自然界中的空气和水的循环，保护土壤免受风和雨的侵袭，还能减少环境污染对人类的危害。森林的自然演替、病虫害、火灾以及人类活动的干扰都会使森林发生变化，而森林的变化直接影响到陆地生态系统的平衡。因此，开展林地变化监测工作，有助于了解森林空间分布的变化信息，建立或更新森林资源档案，通过科学的技术措施和合理的调控方案保护森林资源。

传统的林地变化监测以地面的人工调查为主，存在着工作量大、更新周期长、效率低和时效性差等问题，难以满足当今快速高效地对大范围的林地变化进行监测的需求。与传统方法相比，遥感技术以其覆盖范围广、获取信息速度快与数据量丰富等优点，在林地变化监测中得到了广泛应用。遥感影像分类是监测林地变化的重要手段，利用遥感影像光谱波段的反射率计算的归一化植被指数NDVI、比值植被指数RVI和增强植被指数EVI等光谱特征常用于林地遥感影像分类。但是，由于同谱异物和同物异谱现象的存在，只利用光谱特征对遥感影像进行分类会导致分类精度较低。

例如：申请公布号为CN110135322A,名称为“一种基于IFI的时间序列森林变化监测方法”，公开了一种基于IFI的时间序列森林变化监测方法。该方法首先对遥感影像预处理，然后计算出预处理后遥感影像的归一化植被指数NDVI并进行暗物质掩膜，之后整合森林指数并获取训练样本，最后利用图像插值法补全掩膜影像的信息并对遥感影像进行分类得到森林变化监测结果。该方法存在的不足之处是：只运用了遥感影像的光谱特征进行分类，没有利用到遥感影像的纹理特征，没有考虑到同谱异物和同物异谱的问题，导致遥感影像的分类精度较低。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于多样性特征联合的林地变化遥感监测方法，用于解决同谱异物和同物异谱的现象导致对林地变化监测精度较低的问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)对林地遥感影像数据进行预处理：

(1a)读取不同时间的林地遥感影像集A＝{A₁,A₂,...,A_t,...,A_T}，其中A_t表示第t个时间点的大小为M×N×D的遥感影像，T表示林地遥感影像的总数，T≥2，M、N、D分别表示A_t的行数、列数、光谱波段数目，M≥10，N≥10，D≥4；

(1b)对每幅林地遥感影像A_t进行辐射校正，得到辐射校正后的林地遥感影像集A'＝{A'₁,A'₂,...,A'_t,...,A'_T}，并对每幅辐射校正后的林地遥感影像A'_t进行大气校正,得到大气校正后的林地遥感影像集A”＝{A”₁,A”₂,...,A”_t,...,A”_T}；

(2)获取大气校正后的林地遥感影像集A”的光谱特征向量集G₁：

利用光谱波段的反射率计算每幅大气校正后的林地遥感影像A”_t的归一化植被指数NDVI_t、比值植被指数RVI_t和增强植被指数EVI_t，并将NDVI_t、RVI_t和EVI_t组合成光谱特征向量集G_1t，得到A”对应的光谱特征向量集G₁＝{G₁₁,G₁₂,...,G_1t,...,G_1T}；

(3)获取大气校正后的林地遥感影像集A”的纹理特征向量集G₂：

(3a)设置包括两个相互嵌套且中心点重合的正方形滑窗w₁和w₂的复合窗口，w₁的大小为(2p+1)×(2p+1)，w₂的大小为(2q+1)×(2q+1)，p和q均为整数，p≥1，q≥1，且p＞q；

(3b)以1为步长，并按照先行后列的顺序通过复合窗口对A”_t每一个波段d进行滑动扫描，得到滑窗w₁对应的遥感影像块的集合B(i,j,d)和滑窗w₂对应的遥感影像块的集合C(i,j,d)：

其中d∈D，m和n分别表示复合窗口的中心点在A”_t中所处的行数和列数，I(m+i-p-1,n+j-p-1,d)和I(m+i-q-1,n+j-q-1,d)分别表示w₁和w₂中包含的A”_t的像素值；

(3c)通过B(i,j,d)和C(i,j,d)计算滑窗w₁对应的A”_t的第d个波段的五个纹理特征：数据范围f_1,d、均值f_2,d、方差f_3,d、熵f_4,d和偏斜f_5,d，同时计算滑窗w₂对应的A”_t第d个波段的五个纹理特征：数据范围g_1,d、均值g_2,d、方差g_3,d、熵g_4,d和偏斜g_5,d，得到A”_t的D个波段共包含D×10个纹理特征向量的纹理特征向量集G_2t，则A”的D个波段的纹理特征向量集为G₂＝{G₂₁,G₂₂,...,G_2t,...,G_2T}；

(4)对光谱特征向量集G₁和纹理特征向量集G₂分别进行归一化：

对光谱特征向量集G₁和纹理特征向量集G₂分别进行归一化，得到归一化后的光谱特征向量集f(G₁)和纹理特征向量集f(G₂)：

其中

和

分别表示G₁和G₂每一列的均值，σ_1,(i)和σ_2,(i)分别表示G₁和G₂每一列的方差；

(5)对光谱特征向量集f(G₁)和纹理特征向量集f(G₂)进行多样性特征联合：对光谱特征向量集f(G₁)和纹理特征向量集f(G₂)进行多样性特征联合，得到包括U个混合特征向量的多样性特征集G：

其中，F_u表示第u个混合特征向量，F_u＝[a_1u,a_2u,...,a_qu,...,a_Qu]^T，[·]^T表示转置，a_qu表示第u个混合特征向量的第q个特征，[a_q1,a_q2,..,a_qu,..,a_qU]表示第q个样本向量，G共包含了Q个样本向量，Q＝M×N×T，U＝3+(D×10)；

(6)获取训练样本集X_train和测试样本集X_test：

对每幅遥感影像A_t中二维遥感影像的M×N个像素点进行标注，并将Q个像素点的标签组成标签集Y，然后随机选取G中的S个样本向量及Y中与S个样本向量对应的标签作为训练样本集X_train，将G中剩余的样本向量及Y中剩余的标签作为测试样本集X_test，其中

(7)构建随机森林分类模型并进行迭代训练：

(7a)构建包括K棵深度为depth的决策树的随机森林分类模型L，L＝{L₁,L₂,...,L_k,...,L_K}，设迭代次数为k，最大迭代次数为K，并令k＝1，其中depth≥10，K≥500，L_k表示第k棵决策树；

(7b)从X_train中随机有放回地抽取S次样本向量及标签，每次抽取1个样本向量及其对应的标签，并将S次抽取的样本向量及标签作为每棵决策树L_k的输入进行训练，得到训练后的第k棵决策树L_k′；

(7c)判断k≥K是否成立，若是，得到训练后的随机森林分类模型L′,否则令k＝k+1，并执行步骤(7b)；

(8)获取林地变化信息：

把测试样本集X_test作为训练后的随机森林分类模型L′的输入进行分类，并将分类得到的结果作为林地变化信息。

本发明与现有技术相比，具有以下优点：

(1)本发明在计算林地遥感影像的纹理特征时，利用了复合窗口，该复合窗口由两个大小不同、相互嵌套且中心点重合的正方形滑窗构成，相比于只使用一个滑窗，复合窗口可以获取遥感影像更多的纹理特征，有助于提高林地遥感影像的分类精度，增强林地变化监测能力。

(2)本发明将计算的归一化植被指数NDVI、比值植被指数RVI和增强植被指数EVI组合成的光谱特征向量集与纹理特征向量集进行变换并联合，得到包含光谱特征与纹理特征的多样性特征集，可以获取林地遥感影像更丰富的信息，将多样性特征集的样本划分成训练样本和测试样本，并对随机森林分类模型进行训练并测试时，有效解决了同谱异物和同物异谱所导致的分类精度较低的问题，提高了对林地变化的监测能力。

附图说明

图1是本发明的实现流程图；

具体实施方式

下面结合附图和具体实施例，对本发明作进一步详细描述。

参照图1，本发明包括如下步骤：

步骤1)对林地遥感影像数据进行预处理：

步骤1a)读取不同时间的林地遥感影像集A＝{A₁,A₂,...,A_t,...,A_T}，其中A_t表示第t个时间点的大小为M×N×D的遥感影像，T表示林地遥感影像的总数，T≥2，M、N、D分别表示A_t的行数、列数、光谱波段数目，M≥10，N≥10，D≥4，

在具体实施例中，读取的林地遥感影像集来源于哨兵2A卫星，其中T＝2,M＝810，N＝594，D＝13；

步骤1b)为了消除因太阳位置、角度条件及某些不可避免的噪声等引起的传感器的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差异，恢复林地遥感影像的本来面目，本发明将每幅林地遥感影像A_t输入遥感影像处理软件ENVI中，使用ENVI的radiometric calibration工具包对A_t自动进行辐射校正，输出辐射校正后的林地遥感影像集A'＝{A'₁,A'₂,...,A'_t,...,A'_T}，为了消除大气对地物反射的影响，本发明利用ENVI的FLASH Atmospheric Correction工具包对每幅辐射校正后的林地遥感影像A'_t自动进行大气校正,输出大气校正后的林地遥感影像集A”＝{A”₁,A”₂,...,A”_t,...,A”_T}；

步骤2)获取大气校正后的林地遥感影像集A”的光谱特征向量集G₁：

植被指数体现了植被在红、绿、蓝及近红外光谱波段的反射率与土壤背景之间的差异，可以反映出遥感影像中的植被覆盖度，特别适用于对林地变化的监测，因此，为了提高对林地变化的监测能力，本发明利用遥感影像光谱波段的反射率计算每幅大气校正后的林地遥感影像A”_t的归一化植被指数NDVI_t、比值植被指数RVI_t和增强植被指数EVI_t，计算公式分别为：

DVI_t＝ρ_NIRt-ρ_REDt

其中，ρ_NIRt、ρ_REDt和ρ_BLUEt表示林地遥感影像A_t”的近红外光谱波段反射率、红光谱波段反射率和蓝光谱波段反射率，NDVI_t、RVI_t和EVI_t表示三种不同的光谱特征，将NDVI_t、RVI_t和EVI_t组合成光谱特征向量集G_1t，最后得到A”对应的光谱特征向量集G₁＝{G₁₁,G₁₂,...,G_1t,...,G_1T}；

步骤3)获取大气校正后的林地遥感影像集A”的纹理特征向量集G₂：

步骤3a)为了获取林地遥感影像更丰富的纹理特性，本发明设置了包括两个相互嵌套且中心点重合的正方形滑窗w₁和w₂的复合窗口，w₁的大小为(2p+1)×(2p+1)，w₂的大小为(2q+1)×(2q+1)，p和q均为整数，p≥1，q≥1，且p＞q；

步骤3b)以1为步长，并按照先行后列的顺序通过复合窗口对A”_t每一个波段d进行滑动扫描，得到滑窗w₁对应的遥感影像块的集合B(i,j,d)和滑窗w₂对应的遥感影像块的集合C(i,j,d)：

其中d∈D，m和n分别表示复合窗口的中心点在A”_t中所处的行数和列数，I(m+i-p-1,n+j-p-1,d)和I(m+i-q-1,n+j-q-1,d)分别表示w₁和w₂中包含的A”_t的像素值；

步骤3c)通过B(i,j,d)和C(i,j,d)计算滑窗w₁对应的A”_t的第d个波段的五个纹理特征：数据范围f_1,d、均值f_2,d、方差f_3,d、熵f_4,d和偏斜f_5,d，同时计算滑窗w₂对应的A”_t第d个波段的五个纹理特征：数据范围g_1,d、均值g_2,d、方差g_3,d、熵g_4,d和偏斜g_5,d，实现步骤为：

步骤3c1)计算滑窗w₁和w₂对应的A”_t第d个波段的数据范围f_1,d和g_1,d：

步骤3c2)计算滑窗w₁和w₂对应的A”_t第d个波段的均值f_2,d和g_2,d：

步骤3c3)计算滑窗w₁和w₂对应的A”_t第d个波段的方差f_3,d和g_3,d：

步骤3c4)计算滑窗w₁和w₂对应的A”_t第d个波段的熵f_4,d和g_4,d：

步骤3c5)计算滑窗w₁和w₂对应的A”_t第d个波段的偏斜f_5,d和g_5,d：

得到A”_t的D个波段共包含D×10个纹理特征向量的纹理特征向量集G_2t，则A”的D个波段的纹理特征向量集为G₂＝{G₂₁,G₂₂,...,G_2t,...,G_2T}；

步骤4)对光谱特征向量集G₁和纹理特征向量集G₂分别进行归一化：

对光谱特征向量集G₁和纹理特征向量集G₂分别进行归一化，得到归一化后的光谱特征向量集f(G₁)和纹理特征向量集f(G₂)：

其中

和

分别表示G₁和G₂每一列的均值，σ_1,(i)和σ_2,(i)分别表示G₁和G₂每一列的方差；

步骤5)对光谱特征向量集f(G₁)和纹理特征向量集f(G₂)进行多样性特征联合：

为了在分类时能够充分利用遥感影像的光谱特征和纹理特征，获取关于林地遥感影像更多的信息，避免因同谱异物和同物异谱所引起的分类错误，增强对林地变化监测的能力，本发明对光谱特征向量集f(G₁)和纹理特征向量集f(G₂)进行多样性特征联合，得到包括U个混合特征向量的多样性特征集G：

其中，F_u表示第u个混合特征向量，F_u＝[a_1u,a_2u,...,a_qu,...,a_Qu]^T，[·]^T表示转置，a_qu表示第u个混合特征向量的第q个特征，[a_q1,a_q2,..,a_qu,..,a_qU]表示第q个样本向量，G共包含了Q个样本向量，Q＝M×N×T，U＝3+(D×10)；

步骤6)获取训练样本集X_train和测试样本集X_test：

本发明通过目视解译的方式对每幅遥感影像A_t中二维遥感影像的M×N个像素点进行标注，并将Q个像素点的标签组成标签集Y，然后随机选取G中的S个样本向量及Y中与S个样本向量对应的标签作为训练样本集X_train，将G中剩余的样本向量及Y中剩余的标签作为测试样本集X_test，其中

步骤7)构建随机森林分类模型并进行迭代训练：

步骤7a)使用python软件构建包括K棵深度为depth的决策树的随机森林分类模型L，L＝{L₁,L₂,...,L_k,...,L_K}，设迭代次数为k，最大迭代次数为K，并令k＝1，其中depth≥10，K≥500，L_k表示第k棵决策树；

具体实施例中，K＝500，depth＝15；

步骤7b)设置python软件中的工具包DesicionTree的最大深度max_depth＝depth，从X_train中随机有放回地抽取S次样本向量及标签，每次抽取1个样本向量及其对应的标签，并将S次抽取的样本向量及标签作为DesicionTree的输入，对L_k进行自动训练，得到训练后的第k棵决策树L_k′；

步骤7c)判断k≥K是否成立，若是，得到训练后的随机森林分类模型L′,否则令k＝k+1，并执行步骤(7b)；

步骤8)获取林地变化信息：

把测试样本集X_test作为训练后的随机森林分类模型L′的输入进行分类，并将得到的分类结果作为林地变化信息。

本发明通过多样性特征联合得到包含光谱特征和纹理特征的多样性特征集，并将多样性特征集中半数以上的样本向量用于训练，剩余的样本向量用于测试，由于训练样本集包含了光谱特征与纹理特征，因此在训练过程中，每棵决策树能够获取关于林地遥感影像更多的信息，与只包含光谱特征的训练样本集相比，本发明所获取的训练样本集避免了因同谱异物和同物异谱所引起的分类错误而导致训练得到的随机森林分类模型性能较差的问题；

在测试过程中，由于训练好的随机森林分类模型具有更好的分类性能，且所使用的测试样本集也包含了光谱特征与纹理特征，因此，有效提高了测试样本集的分类精度，最终能够获取更准确的林地变化信息，增强了对林地变化的监测能力。

Claims (4)

1.一种基于多样性特征联合的林地变化遥感监测方法，其特征在于，包括如下步骤：

(1)对林地遥感影像数据进行预处理：

(1a)读取不同时间的林地遥感影像集A＝{A₁,A₂,...,A_t,...,A_T}，其中A_t表示第t个时间点的大小为M×N×D的遥感影像，T表示林地遥感影像的总数，T≥2，M、N、D分别表示A_t的行数、列数、光谱波段数目，M≥10，N≥10，D≥4；

(1b)对每幅林地遥感影像A_t进行辐射校正，得到辐射校正后的林地遥感影像集A'＝{A'₁,A'₂,...,A'_t,...,A'_T}，并对每幅辐射校正后的林地遥感影像A'_t进行大气校正,得到大气校正后的林地遥感影像集A”＝{A”₁,A”₂,...,A”_t,...,A”_T}；

(2)获取大气校正后的林地遥感影像集A”的光谱特征向量集G₁：

利用光谱波段的反射率计算每幅大气校正后的林地遥感影像A”_t的归一化植被指数NDVI_t、比值植被指数RVI_t和增强植被指数EVI_t，并将NDVI_t、RVI_t和EVI_t组合成光谱特征向量集G_1t，得到A”对应的光谱特征向量集G₁＝{G₁₁,G₁₂,...,G_1t,...,G_1T}；

(3)获取大气校正后的林地遥感影像集A”的纹理特征向量集G₂：

(3a)设置包括两个相互嵌套且中心点重合的正方形滑窗w₁和w₂的复合窗口，w₁的大小为(2p+1)×(2p+1)，w₂的大小为(2q+1)×(2q+1)，p和q均为整数，p≥1，q≥1，且p＞q；

(3b)以1为步长，并按照先行后列的顺序通过复合窗口对A”_t每一个波段d进行滑动扫描，得到滑窗w₁对应的遥感影像块的集合B(i,j,d)和滑窗w₂对应的遥感影像块的集合C(i,j,d)：

其中d∈D，m和n分别表示复合窗口的中心点在A”_t中所处的行数和列数，I(m+i-p-1,n+j-p-1,d)和I(m+i-q-1,n+j-q-1,d)分别表示w₁和w₂中包含的A”_t的像素值；

(3c)通过B(i,j,d)和C(i,j,d)计算滑窗w₁对应的A”_t的第d个波段的五个纹理特征：数据范围f_1,d、均值f_2,d、方差f_3,d、熵f_4,d和偏斜f_5,d，同时计算滑窗w₂对应的A”_t第d个波段的五个纹理特征：数据范围g_1,d、均值g_2,d、方差g_3,d、熵g_4,d和偏斜g_5,d，得到A”_t的D个波段共包含D×10个纹理特征向量的纹理特征向量集G_2t，则A”的D个波段的纹理特征向量集为G₂＝{G₂₁,G₂₂,...,G_2t,...,G_2T}；

(4)对光谱特征向量集G₁和纹理特征向量集G₂分别进行归一化：

对光谱特征向量集G₁和纹理特征向量集G₂分别进行归一化，得到归一化后的光谱特征向量集f(G₁)和纹理特征向量集f(G₂)：

其中

和

分别表示G₁和G₂每一列的均值，σ_1,(i)和σ_2,(i)分别表示G₁和G₂每一列的方差，；

(5)对光谱特征向量集f(G₁)和纹理特征向量集f(G₂)进行多样性特征联合：

对光谱特征向量集f(G₁)和纹理特征向量集f(G₂)进行多样性特征联合，得到包括U个混合特征向量的多样性特征集G：

其中，F_u表示第u个混合特征向量，F_u＝[a_1u,a_2u,...,a_qu,...,a_Qu]^T，[·]^T表示转置，a_qu表示第u个混合特征向量的第q个特征，[a_q1,a_q2,..,a_qu,..,a_qU]表示第q个样本向量，G共包含了Q个样本向量，Q＝M×N×T，U＝3+(D×10)；

(6)获取训练样本集X_train和测试样本集X_test：

对每幅遥感影像A_t中二维遥感影像的M×N个像素点进行标注，并将Q个像素点的标签组成标签集Y，然后随机选取G中的S个样本向量及Y中与S个样本向量对应的标签作为训练样本集X_train，将G中剩余的样本向量及Y中剩余的标签作为测试样本集X_test，其中

(7)构建随机森林分类模型并进行迭代训练：

(7a)构建包括K棵深度为depth的决策树的随机森林分类模型L，L＝{L₁,L₂,...,L_k,...,L_K}，设迭代次数为k，最大迭代次数为K，并令k＝1，其中depth≥10，K≥500，L_k表示第k棵决策树；

(7b)从X_train中随机有放回地抽取S次样本向量及标签，每次抽取1个样本向量及其对应的标签，并将S次抽取的样本向量及标签作为每棵决策树L_k的输入进行训练，得到训练后的第k棵决策树L′_k；

(7c)判断k≥K是否成立，若是，得到训练后的随机森林分类模型L′,否则令k＝k+1，并执行步骤(7b)；

(8)获取林地变化信息：

把测试样本集X_test作为训练后的随机森林分类模型L′的输入进行分类，并将分类得到的结果作为林地变化信息。

2.根据权利要求1所述的基于多样性特征联合的林地变化遥感监测方法，其特征在于，步骤(2)中所述的利用光谱波段的反射率计算每幅大气校正后的林地遥感影像A”_t的归一化植被指数NDVI_t、比值植被指数RVI_t和增强植被指数EVI_t，计算公式分别为：

其中，

和

表示林地遥感影像A″_t的近红外光谱波段反射率、红光谱波段反射率和蓝光谱波段反射率。

3.根据权利要求1所述的基于多样性特征联合的林地变化遥感监测方法，其特征在于，步骤(3c)中所述的计算滑窗w₁对应的A”_t的第d个波段的五个纹理特征，以及计算滑窗w₂对应的A”_t第d个波段的五个纹理特征，实现步骤为：

(3c1)计算滑窗w₁和w₂对应的A”_t第d个波段的数据范围f_1,d和g_1,d：

(3c2)计算滑窗w₁和w₂对应的A”_t第d个波段的均值f_2,d和g_2,d：

(3c3)计算滑窗w₁和w₂对应的A”_t第d个波段的方差f_3,d和g_3,d：

(3c4)计算滑窗w₁和w₂对应的A”_t第d个波段的熵f_4,d和g_4,d：

(3c5)计算滑窗w₁和w₂对应的A”_t第d个波段的偏斜f_5,d和g_5,d：

4.根据权利要求1所述的基于多样性特征联合的林地变化遥感监测方法，其特征在于，步骤(7c)中所述的将作为每棵决策树L_k的输入进行训练，实现方式为：设置python软件中的工具包DesicionTree的最大深度max_depth＝depth，并将S次抽取的样本向量及标签作为DesicionTree输入进行自动训练，得到训练后的第k棵决策树L′_k。

Images