CN112329829A - 一种基于高光谱数据的红树林提取方法 - Google Patents

Abstract

本发明涉及一种基于高光谱数据的红树林提取方法，包括：步骤1、对高光谱数据进行预处理；步骤2、计算归一化植被指数；步骤3、构建红树林背景差异指数；步骤4、依据实地情况去除误分像素。本发明的有益效果是：本发明首先计算植被指数来区分植被与非植被，再构建红树林背景差异指数来增大红树林与其他陆地植被差异，并根据样本指数统计直方图确定阈值提取红树林，最后结合地形数据去除误分像素，实现红树林的精细提取。本发明流程容易实现，是对现有红树林提取方法的有效补充，有利于提高红树林分类准确性、反映红树林的真实空间分布情况，能为红树林的管理与保护提供科学依据，因此具有重要的实际应用意义。

Description

一种基于高光谱数据的红树林提取方法

技术领域

本发明属于遥感影像的分类提取技术领域,尤其涉及一种基于高光谱数据的红树林提取方法，综合植被指数、光谱信息与地形数据，实现对红树林的单独提取。

背景技术

红树林生长于热带与亚热带海岸潮间带滩涂上，具有防浪护堤、促淤造陆、净化土壤水体空气、维持生物多样性等功能；还创造了重大的社会经济价值。全球红树林面积正以年均1％的速度减少，中国红树林反复经历破坏后，面积剧减，林分质量下降，生物多样性遭到严重破坏，生态服务功能得不到应有的发挥。

红树林遥感监测技术已经应用于区域提取、种间分类、群落结构、生物量、灾害灾情、动态变化、驱动机制和红树林湿地保护与管理等多个领域。红树林分布范围的提取往往基于单一植被指数(包括归一化植被指数、比值植被指数、绿度植被指数等)、光谱特征和纹理特征，提取红树林常用的分类方法包括目视解译、面向对象分类法、决策树法、支持向量机方法等。研究常用的数据源为中分辨率光学遥感数据，其中最普遍的为Landsat数据；高分辨率遥感数据有利于提高分类精度并且能实现进一步的红树林种间分类，包括IKONOS、QuickBird、ZY-3和GF-1等卫星数据以及无人机数据；除光学遥感外，雷达数据也越来越多地被运用到红树林遥感监测中。

红树林与其他陆地植被在可见光波段的光谱曲线极为接近，但在对水分含量敏感的红外波段具有较为明显的差异。高光谱数据光谱分辨率高，具有数十至数百个红外波段，包含丰富的信息，可以充分体现出红树林与其他陆地植被的光谱差异。但目前红树林提取的研究中常用的数据源为多光谱数据，很少用到高光谱数据。多光谱数据的红外波段数量少，且多光谱数据包含的信息不能很好地区分红树林和其他陆地植被，容易造成错误提取，提取结果不能精确地反映红树林的真实空间分布情况。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于高光谱数据的红树林提取方法。

这种基于高光谱数据的红树林提取方法，包括以下步骤：

步骤1、对高光谱数据进行预处理，该预处理包括辐射定标、大气校正和正射校正；

步骤2、计算归一化植被指数(NDVI)，根据植被阈值来区分植被区域与非植被区域；

步骤3、构建红树林背景差异指数(MBDI)，根据样本的背景差异指数来统计直方图确定阈值提取红树林，判断植被区域中的植被是否为其他陆地植被；

步骤4、根据DEM得到高程数据和坡度数据，依据实地情况去除误分像素，实现红树林的最终提取。

作为优选，步骤2具体包括以下步骤：

步骤2.1、通过ENVI中Vegetation Index Calculator工具计算归一化植被指数(NDVI)：

上式中，NDVI为归一化植被指数，NIR为近红外波段值，R为红光波段值；

步骤2.2、根据归一化植被指数和植被阈值来区分植被区域与非植被区域：

min_v≤NDVI(m,n)≤max_v (2)

上式中，min_v为植被阈值下限，max_v为植被阈值上限，NDVI(m,n)为位置(m,n)的NDVI值；若位置(m,n)处的NDVI(m,n)值满足上式(2)，则位置(m,n)处为植被区域，并执行步骤3；若位置(m,n)的NDVI(m,n)值不满足上式(2)，则判定位置(m,n)处为非植被区域。

作为优选，步骤3具体包括以下步骤：

步骤3.1、通过ENVI中Band Math工具来计算植被区域红树林背景差异指数(MBDI)：

MBDI＝(ρ₁₆₅₄-ρ₅₃₁)+(ρ₂₁₉₃-ρ₂₄₀₄) (3)

上式中，MBDI为红树林背景差异指数，ρ₁₆₅₄表示中心波长为1654nm的波段值(即GF-5中SW数据Band 78的波段值)，ρ₅₃₁表示中心波长为531nm的波段值(即GF-5中VN数据Band34的波段值)，ρ₂₁₉₃表示中心波长为2193nm的波段值(即GF-5中SW数据Band 142的波段值)，ρ₂₄₀₄表示中心波长为2404nm的波段值(即GF-5中SW数据Band 167的波段值)；通过构建红树林背景差异指数(MBDI)增强了红树林与其他陆地植被的区别；

步骤3.2、根据样本的红树林背景差异指数(MBDI)来统计直方图，然后和植被阈值进行比较，根据比较结果来简单快速地提取红树林：

min_m≤MBDI(m,n)≤max_m (4)

上式中，MBDI(m,n)为位置(m,n)的红树林背景差异指数的计算结果，min_m、max_m分别为红树林的植被阈值下限和植被阈值上限；若位置(m,n)处的红树林背景差异指数MBDI(m,n)满足上式(4)，则执行步骤4，若不满足上式(4)，则判定位置(m,n)所在的区域的植被为其他陆地植被。

作为优选，步骤4具体包括以下步骤：

步骤4.1、采用GDEM V2.0数据，通过DEM计算得到高程和坡度数据，实现红树林的最终提取；

步骤4.2、若位置(m,n)处的高程和坡度满足下式(5)，则位置(m,n)处所在的植被区域为红树林区域，若不满足下式(5)，则判定位置(m,n)处所在的植被区域为其他陆地植被区域；

上式中，H(m,n)和S(m,n)分别为位置(m,n)的高程和位置(m,n)的坡度；min_h和max_h分别为高程范围下限与高程范围的上限；min_s和max_s分别为坡度下限与坡度上限。

本发明的有益效果是：本发明首先计算植被指数来区分植被与非植被，再构建红树林背景差异指数来增大红树林与其他陆地植被差异，并根据样本指数统计直方图确定阈值提取红树林，最后结合地形数据去除误分像素，实现红树林的精细提取。本发明流程容易实现，是对现有红树林提取方法的有效补充，有利于提高红树林分类准确性、反映红树林的真实空间分布情况，能为红树林的管理与保护提供科学依据，因此具有重要的实际应用意义。

附图说明

图1是本发明实施例的流程图；

图2是本发明的植被区域红树林背景差异指数(MBDI)的计算结果直方图,第一处峰值为红树林区的MBDI值，第二处峰值为其他陆地植被的MBDI值；

图3为本发明实施例的结果图，左半部分为广西珍珠港真彩色合成影像；右半部分为灰色为红树林最终提取结果图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

随着我国高光谱卫星的发射，高分5号(GF-5)和资源02D(ZY-02D)等高光谱卫星可以提供具备高空间分辨率的高光谱数据；本发明针对目前红树林提取研究中存在异物同谱的问题，提出一种基于高光谱数据的红树林提取方法。

作为一种实施例，一种基于高光谱数据的红树林提取方法，以GF-5高光谱数据为数据源，通过ENVI5.3软件实现，其流程如图1所示：

步骤1、对GF-5高光谱数据进行依次辐射定标、大气校正和正射校正等预处理操作；

步骤2、区分植被区域与非植被区域；

步骤2.1、通过ENVI中Vegetation Index Calculator工具计算归一化植被指数(NDVI)：

上式中，NDVI为归一化植被指数，NIR为近红外波段值，R为红光波段值；

步骤2.2、根据归一化植被指数和植被阈值来区分植被区域与非植被区域：

0.5≤NDVI(m,n)≤1 (2)

上式中，0.5为植被阈值下限，1为植被阈值上限，NDVI(m,n)为位置(m,n)的NDVI值；若位置(m,n)处的NDVI(m,n)值满足上式(2)，则位置(m,n)处为植被区域，并执行步骤3；若位置(m,n)的NDVI(m,n)值不满足上式(2)，则判定位置(m,n)处为非植被区域。；

步骤3、判断植被区域中的植被是否为其他陆地植被；

步骤3.1、通过ENVI中Band Math工具来计算植被区域红树林背景差异指数(MBDI)：

MBDI＝(ρ₁₆₅₄-ρ₅₃₁)+(ρ₂₁₉₃-ρ₂₄₀₄) (3)

上式中，MBDI为红树林背景差异指数，ρ₁₆₅₄表示中心波长为1654nm的波段值(即GF-5中SW数据Band 78的波段值)，ρ₅₃₁表示中心波长为531nm的波段值(即GF-5中VN数据Band34的波段值)，ρ₂₁₉₃表示中心波长为2193nm的波段值(即GF-5中SW数据Band 142的波段值)，ρ₂₄₀₄表示中心波长为2404nm的波段值(即GF-5中SW数据Band 167的波段值)；通过构建红树林背景差异指数(MBDI)增强了红树林与其他陆地植被的区别；

步骤3.2、根据样本的红树林背景差异指数(MBDI)来统计直方图(如图2所示)，然后和植被阈值进行比较，根据比较结果来简单快速地提取红树林：

164≤MBDI(m,n)≤704 (4)

上式中，MBDI(m,n)为位置(m,n)的红树林背景差异指数的计算结果，红树林的植被阈值下限为164和植被阈值上限为704；若位置(m,n)处的红树林背景差异指数MBDI(m,n)满足上式(4)，则执行步骤4，若不满足上式(4)，则判定位置(m,n)所在的区域的植被为其他陆地植被；

步骤4、依据实地情况去除误分像素。

步骤4.1、本实施例中采用GDEM V2.0数据，通过DEM计算得到高程和坡度数据，实现红树林的最终提取；

步骤4.2、若位置(m,n)处的高程和坡度满足下式(5)，则位置(m,n)处所在的植被区域为红树林区域，若不满足下式(5)，则判定位置(m,n)处所在的植被区域为其他陆地植被区域；

上式中，H(m,n)和S(m,n)分别为位置(m,n)的高程和位置(m,n)的坡度；位置(m,n)的高程范围下限为-10，高程范围的上限为10；位置(m,n)的坡度下限为0°，坡度上限为8°。

图3为本实施例的红树林提取结果图，通过本发明提出的方法较为精确地提取出了广西珍珠港的红树林，并且去除了绝大部分其他陆地植被像素被误分的情况，很好地反映了红树林的真实空间分布情况，有利于红树林的监测与管理。

基于高光谱数据的红树林提取方法是一种综合植被指数、光谱信息与地形数据的决策树分类方法，可以对现有红树林提取方法进行有效的补充，有利于提高红树林分类的准确性，有利于反映红树林的真实空间分布情况；结合了地形数据去除误分像素，有利于提高红树林提取精度，能为红树林的管理与保护提供科学依据。

Claims (4)

1.一种基于高光谱数据的红树林提取方法，其特征在于，包括以下步骤：

步骤1、对高光谱数据进行预处理，该预处理包括辐射定标、大气校正和正射校正；

步骤2、计算归一化植被指数，根据植被阈值来区分植被区域与非植被区域；

步骤3、构建红树林背景差异指数，根据样本的背景差异指数来统计直方图确定阈值提取红树林；

步骤4、根据DEM得到高程数据和坡度数据，依据实地情况去除误分像素。

2.根据权利要求1所述基于高光谱数据的红树林提取方法，其特征在于，步骤2具体包括以下步骤：

步骤2.1、计算归一化植被指数：

上式中，NDVI为归一化植被指数，NIR为近红外波段值，R为红光波段值；

步骤2.2、根据归一化植被指数和植被阈值来区分植被区域与非植被区域：

min_v≤NDVI(m,n)≤max_v (2)

上式中，min_v为植被阈值下限，max_v为植被阈值上限，NDVI(m,n)为位置(m,n)的NDVI值；若位置(m,n)处的NDVI(m,n)值满足上式(2)，则位置(m,n)处为植被区域，并执行步骤3；若位置(m,n)的NDVI(m,n)值不满足上式(2)，则判定位置(m,n)处为非植被区域。

3.根据权利要求1所述基于高光谱数据的红树林提取方法，其特征在于，步骤3具体包括以下步骤：

步骤3.1、计算植被区域红树林背景差异指数：

MBDI＝(ρ₁₆₅₄-ρ₅₃₁)+(ρ₂₁₉₃-ρ₂₄₀₄) (3)

上式中，MBDI为红树林背景差异指数，ρ₁₆₅₄表示中心波长为1654nm的波段值，ρ₅₃₁表示中心波长为531nm的波段值，ρ₂₁₉₃表示中心波长为2193nm的波段值，ρ₂₄₀₄表示中心波长为2404nm的波段值；

步骤3.2、根据样本的红树林背景差异指数来统计直方图，然后和植被阈值进行比较，根据比较结果来提取红树林：

min_m≤MBDI(m,n)≤max_m (4)

上式中，MBDI(m,n)为位置(m,n)的红树林背景差异指数的计算结果，min_m、max_m分别为红树林的植被阈值下限和植被阈值上限；若位置(m,n)处的红树林背景差异指数MBDI(m,n)满足上式(4)，则执行步骤4，若不满足上式(4)，则判定位置(m,n)所在的区域的植被为其他陆地植被。

4.根据权利要求1所述基于高光谱数据的红树林提取方法，其特征在于，步骤4具体包括以下步骤：

步骤4.1、通过DEM计算得到高程和坡度数据；

步骤4.2、若位置(m,n)处的高程和坡度满足下式(5)，则位置(m,n)处所在的植被区域为红树林区域，若不满足下式(5)，则判定位置(m,n)处所在的植被区域为其他陆地植被区域；

上式中，H(m,n)和S(m,n)分别为位置(m,n)的高程和位置(m,n)的坡度；min_h和max_h分别为高程范围下限与高程范围的上限；min_s和max_s分别为坡度下限与坡度上限。

Images