CN112380994A - 一种基于时序分类与空间分析的人工林空间模式识别方法 - Google Patents

一种基于时序分类与空间分析的人工林空间模式识别方法 Download PDF

Info

Publication number
CN112380994A
CN112380994A CN202011275385.4A CN202011275385A CN112380994A CN 112380994 A CN112380994 A CN 112380994A CN 202011275385 A CN202011275385 A CN 202011275385A CN 112380994 A CN112380994 A CN 112380994A
Authority
CN
China
Prior art keywords
forest
spatial
palsar
classification
artificial
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.)
Pending
Application number
CN202011275385.4A
Other languages
English (en)
Inventor
沈文娟
黄成全
李明诗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN202011275385.4A priority Critical patent/CN112380994A/zh
Publication of CN112380994A publication Critical patent/CN112380994A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于时序分类与空间分析的人工林空间模式识别方法，属于森林分类与识别技术领域。本发明在多源遥感数据收集与预处理的基础上，结合野外实测数据，从多年PALSAR图像上提取识别土地覆盖类别的后向散射特征，以及从多时相的Landsat图像上提取不同土地覆盖类别的植被指数NDVI累积最大值进行物候特征识别；通过集成前者所得森林与非森林产品以及后者的森林与非森林类别判别阈值，构建单一森林资源类别识别模型并扩展到连续年份，再结合决策判别、知识准则以及空间叠置分析实现人工林空间分布识别。本发明相较于传统的野外调查外形识别以及面积统计方式表现出明确的时空意义特征。

Description

一种基于时序分类与空间分析的人工林空间模式识别方法
技术领域
本发明属于森林分类与识别技术领域，具体涉及一种基于时序分类与空间分析的人工林空间模式识别方法。
背景技术
如何定量、精确地进行大尺度连续人工林空间分布识别是陆地碳核算研究的关键部分。其在森林碳汇计量中具有重要的现实意义。传统的人工林面积统计识别的方法主要依赖于国家、地方以及专项森林资源野外调查或者结合航片的形式，通过提前判读与实地调查结合的方法，这些方法耗时耗力，一方面不能提供空间模式分布图，另一方面识别精度受人为干预较多。同时高分辨率影像以及激光雷达相结合的方法被广泛提及，其在局地尺度的成本可控性强，短期内很难在大范围、连续时间尺度进行推广使用。同时，单独采用光学或者合成孔径雷达的方法，前者由于容易受天气以及图像质量的影响，在识别人工林空间分布时往往效果不够理想；后者受天气条件的限制较小，但是极化参数的相似性容易引起地表类别识别的混淆，另外，其覆盖的时间尺度不足，数据的连续性差，其在长时序尺度推广使用较为困难。尽管采用长时序光学影像分析方法能够实现造林分布的时序轨迹，但是无法很好地表征一些缓慢的变化，对于一些低密度的干扰现象识别能力较弱。光学与微波相结合的方法能够取长补短，已在毁林监测中被广泛提及。但很少有研究基于光学与微波的方法将森林与非森林类别表征的造林与再造林及持续非森林或毁林的识别相结合，实现人工林的空间分布识别。
光学与微波结合的遥感技术与方法在过去十多年里逐步发展壮大，从融合法、组合法、重建法等，逐步实现细化与强化。由单一分类到组合分类、组合分类与阈值方法，但多以单一时相的识别为主，随着技术与存储能力的不断强化，达到多年间隔识别的水平。逐渐受时空尺度的限制、计算与存储能力不足以及进一步挖掘相关辅助信息(社会、经济及环境等因素)的缺少影响了多时空尺度的深入识别。停留在森林变化识别的层面，而没有具体细化是哪种森林经营举措引起的变化，实现人工林分布像素的定位。
常规的野外调查技术无法实现人工林时空连续分布的定位，一是缺乏充足的空间信息，二是数据获取的时间跨度太大，无法实现连续的监测。高分辨率技术与激光雷达技术的运行成本太高，不能满足大区域尺度的需求，对于历史信息的识别缺乏数据支撑。长时序的陆地卫星影像Landsat能够实现时序监测，但是数据常受云、阴影、雾霾等的影响，受天气条件限制较多。合成孔径雷达，如L波段的PALSAR影像，该技术受数据时效性与不连续性影响较大。而且造林、持续非森林等的识别通常需要长时间尺度的数据作为支撑，才能捕捉很多细微的变化，不连续的数据会丢失很多突变或者渐变以及持续不变的信息，会影响结果的精度。很多现有技术通过判别人工林的分布轮廓、树木的颜色以及规整程度，界定人工林的分布，并没有依靠长时序、多源数据的优势开展研究工作。
发明内容
针对现有技术存在的上述问题，本发明所要解决的技术问题在于提供一种基于时序分类与空间分析的人工林空间模式识别方法。
为了解决上述技术问题，本发明所采用的技术方案如下：
一种基于时序分类与空间分析的人工林空间模式识别方法，包括以下步骤：
步骤一、收集可用的Landsat数据与PALSAR数据；
步骤二、基于PALSAR的极化与纹理进行随机梯度提升分类土地覆盖类型；
步骤三、从多时相的Landsat图像上提取不同土地覆盖类别的植被指数NDVI累积最大值进行物候特征识别；确定森林像元与非森林像元识别的阈值与准则；
步骤四、基于PALSAR、Landsat、阈值与准则的森林与非森林产品生成；
步骤五、结合知识判别与空间分析的方法最终生成人工林的空间分布。
进一步的，在步骤一收集可用的Landsat数据与PALSAR数据时，按照如下步骤进行：从日本宇宙航空研究开发机构JAXA获取2007-2016年的PALSAR影像镶嵌数据集，以及从美国地质调查局USGS获取1986-2016年的Landsat TM/ETM+/OLI遥感影像；在GEE上获取覆盖轨道号p122r043跨越1986-2016年的Landsat数据，并对2003年后ETM+所有图像进行条带修复；此外，还获取了2000年和2010年两期中国自主研发的土地覆盖产品GlobeLand30(GLCLand30)，辅助图像识别。
进一步的，在步骤二基于PALSAR的极化与纹理进行随机梯度提升分类土地覆盖类型时，按照如下步骤进行：
1)将所有PALSAR镶嵌数据转为后向散射系数值，并进行增强Lee滤波操作，然后获取HH、HV、HH与HV的比值、HH与HV的差值以及HV纹理测度值；在2007-2010年和2015-2016年PALSAR图像上分别选择用于土地覆盖类型分类的感兴趣区域；提取感兴趣区域位置处的像元光谱均值，用于识别不同的土地覆盖类型；
2)对选取的所有土地覆盖类型ROIs进行高斯核密度评估，基于此进行HH、HV的纹理测度、HH与HV的比值及其差值的信息提取，用于区分不同的土地覆盖类型的可分性；使用随机梯度提升分类方法对PALSAR图像及其衍生数据进行土地覆盖类型的分类识别；然后，利用众数滤波消除图像处理出现的椒盐噪声，采用数学形态学的方法进一步消除影像分类后的细小斑块，光滑边界。
进一步的，步骤三中，森林像元与非森林像元识别的阈值为0.72。
进一步的，步骤三中，森林像元与非森林像元识别的准则为：假设PALSAR森林分布区域为1，非森林区域为0，如果森林分布区域为1的同时NDVImax＞0.72，则判定该像元为森林像元；或者如果非森林区域为0的同时NDVImax＞0.72，也被判定为森林像元。
进一步的，在步骤四基于PALSAR与Landsat及阈值与准则的森林与非森林产品生成时，按照如下步骤进行：
(1)利用核密度估计方法对选取的感兴趣的森林与非森林样本点对应的PALSAR图像值及其衍生数值进行概率密度的估计；
(2)基于Landsat连续时相数据所得干湿季的时间序列NDVI的最大值NDVImax定义物候变量特征；基于时序NDVI最大值设定阈值与准则用于区分森林像元与非森林像元；所得的森林与非森林图像采用中值滤波处理；在分析过程中，没有PALSAR图像的年份采用就近年份的分类结果进行替换；再结合上述的阈值与准则，结合年NDVI时间序列图像，完成每年森林非森林制图。
进一步的，在步骤五结合知识判别与空间分析的方法最终生成人工林的空间分布时，造林和再造林后形成的森林称为人工林；依据步骤四中的数据，通过当前年份为森林而其他前述年份为非森林构建空间分析关系，识别人工林的分布及其他类别的分布；再结合两期测绘局全球土地覆盖产品中草地、农田、森林的分布，进一步聚合生成人工林、天然林、农田与草地分布。
有益效果：相比于现有技术，本发明实现了一种在时序分类的基础上整合空间分析与准则判别的技术，生成森林变化分布图，然后提取造林与再造林及持续非森林或毁林等类别，最终集成人工林的空间分布模式。
本发明的优点为：
(1)将微波与光学主被动图像结合梯度提升算法(SGB)与物候特征进行单一年份的土地覆盖分类(森林与非森林)，从而推广到时序分类，充分发挥了多时相主被动遥感数据光谱、纹理与极化集成在时序分类中的优势；
(2)将多源遥感分类、决策、知识准则与空间分析相结合构建的人工林空间模式识别方法相较于传统的野外调查外形识别以及面积统计方式表现出明确的时空意义特征。
附图说明
图1是本发明的技术流程图；
图2是PALSAR变量和土地覆盖类型ROIs整合的核密度分布图；
图3是Landsat-NDVI累积最大值和土地覆盖类型ROIs整合的核密度分布图；
图4是基于PALSAR-SGB的覆盖p122r043的土地覆盖类型图；
图5是基于SGB-NDVI的覆盖p122r043的森林非森林分布图；
图6是基于时序分类与空间分析的覆盖p122r043的人工林空间分布图。
具体实施方式
下面结合具体实施例对本发明进一步进行描述。这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例1
如图1所示的基于时序分类与空间分析的人工林空间模式识别方法，具体包括如下步骤：首先收集可用的Landsat数据与PALSAR数据，并基于PALSAR的极化与纹理进行随机梯度提升分类土地覆盖类型，然后获取基于Landsat的NDVI时间序列，并得到区分森林与非森林的阈值，再结合PALSAR所得分类结果，生成最终的森林与非森林产品，结合知识判别与空间分析的方法最终生成人工林的空间分布。
1)数据获取
以粤北p122r043为例，从日本JAXA获取PALSAR影像镶嵌数据集(2007-2016年)，以及从美国USGS获取1986-2016年的Landsat TM/ETM+/OLI遥感影像。在GEE上获取覆盖轨道号p122r043共59景的Landsat数据，由Noel Gorelic在GEE上开发的USGS LS7条带修复算法(https：//code.earthengine.google.com/20cba5268cbe117e2 fc1c5fefc33f3)用于2003年后ETM+所有图像的修复。空间分辨率统一为30m。另外，还下载了中国自主研发的土地覆盖产品GlobeLand30(GLCLand30)，分辨率为30m，获取两期数据即2000年和2010年。
2)数据预处理
将所有PALSAR镶嵌数据转为后向散射系数值，并使用增强Lee滤波方法(窗口尺寸5×5像素)减少噪音，然后获取HH、HV、HH/HV(比值)、HH-HV(差值)以及HV纹理测度值(3×3像素)，统一空间分辨率为30m。在2007-2010年和2015-2016年PALSAR图像上选择感兴趣区域用于土地覆盖类型分类，如森林、农田、水体、建筑及其他类别，其中选取数量中总数的1/2为训练，余下为验证。提取这些感兴趣区域对应位置处PALSAR极化HH、HV，以及极化图像的比值、差值及HV的纹理测度信息对应的像元光谱均值，用于识别不同的土地覆盖类型。
3)PALSAR极化特征及其土地覆盖类型可分性评价
对选取的所有土地覆盖类型ROIs(1379)进行高斯核密度评估，包括森林类别(944个样本点，80050个像元)、其他类别(153个样本点，7221个像元)、水体类别(114个样本点，6383个像元)、农田类别(739个样本点，9395个像元)、以及建筑类别(429个样本点，4293个像元)。基于此进行HH、HV的纹理测度、HH与HV的比值及其差值的信息提取，用于区分各个类别的可分性。核密度评估图上发现水体有较低的HH和HV值，容易在各类别中凭借特有的微波信息进行识别(图2)。建筑类别反映出最高的HH值和最低的比值，该两个指数有很好的区分作用(图2(a)，(c))。森林和建筑有较高的HV值(图2(b))，而森林类别在差值中呈现出较低的值(图2(d))。农田类别能被HV波段信息很好地识别，而其他的类别与农田类别在波段上反映出了信息的重叠(图2(b))。另外，HV的纹理测度在区分森林与其他类别时的效果不明显(图2(e))。
4)基于随机梯度提升的PALSAR土地覆盖类型分类
使用随机梯度提升分类(SGB)方法对PALSAR图像及其衍生数据进行土地覆盖类型的分类识别，并设置参数：n.trees为3000，shrinkage为0.01，R平台所用数据包为gbm。然后对结果图像进行分类后处理，众数滤波(3×3变换核尺寸)用于消除图像处理出现的“椒盐噪声”。为了进一步消除影像分类后的细小斑块，光滑边界，选取5×5的内核，采用数学形态学的方法，使目标轮廓光滑，并去掉毛刺和孤立点、锐化角，进一步实现图像的处理。
5)基于PALSAR与Landsat及阈值与准则的森林与非森林产品生成
利用核密度估计方法对选取的感兴趣的森林与非森林样本点对应的PALSAR图像数值及其衍生数值进行概率密度的估计，采用高斯核密度函数，选取Scott规则光滑参数优化方法，识别出正态分布，在内核平滑中，使用标准正态的高度对数据集中的每个观察值及其附近的观察值进行加权。在进行森林与非森林类别识别时，使用拟合后的(平滑)曲线显示密度图，“峰”越高表示此处数据越“密集”，“密度”越高。
整合PALSAR获得的森林非森林产品与Landsat累积NDVI表征的物候变量，得到基于像元的方法用于制图每年的森林与非森林分布(1986-2016年)。基于技术方案中步骤4)分类生成的不同土地覆盖类型，及其后向散射系数值进行核密度分析用于识别不同类别并判定各自的可分性。考虑到湿季无云的图像可获取的数量有限，因而主要选用干季的图像表征物候，NDVI最大值时间序列用于进一步区分有相似后向散射系数值的类别(图3)。
图3指出森林类别有最高的NDVImax值，依次为农田、其他类别及建筑类别，所以，该值能将具有相似后向散射系数和不同物候模式的森林和非森林类别进行区分的条件。基于各训练数据与NDVImax值的统计分析得到如下阈值与概率：即0.72为判定森林像元与其他非森林像元的阈值，具体区分有森林像元(80％；＞0.72)与其他像元(80％；＜0.72)；森林像元(85％；＞0.72)与农田像元(85％；＜0.72)；森林像元(95％；＞0.72)与水体像元(99％；＜0.72)；以及森林像元(95％；＞0.72)与农田像元(99％；＜0.72)。为了进一步减少区分的误差(图3)，设定准则如下：假设技术方案中步骤4)中的PALSAR森林分布区域为1，非森林区域为0，如果森林分布区域为1的同时NDVImax＞0.72，则判定该像元为森林像元，减少了错分的误差，或者如果非森林区域为0的同时NDVImax＞0.72，也被判定为森林像元，避免了漏分带来的误差。
基于时序NDVI最大值设定阈值与准则用于区分森林与其他类别。所得的森林与非森林图像采用中值滤波处理(5×5像素移动窗口)。在分析过程中，没有PALSAR图像的年份采用就近年份的分类结果进行替换(考虑到《中国国家林业统计年鉴》统计显示广东省森林面积随时间呈现上升趋势，如1986-2007年时间段中2007年的森林面积为8.27×106ha；2011-2015年时间段中2015年的森林面积为9.06×106ha)，p122r043区域是广东省森林分布最多的区域，也符合上述规律，再结合上述的阈值与准则，结合年NDVI时间序列图像，完成p122r043每年(1986-2016年)的森林非森林制图。
6)人工林空间分布识别
造林和再造林后形成的森林称为人工林，以人工方式营造而成。依据5)中的数据，通过当前年份为森林而其他前述年份为非森林构建空间分析关系(森林的验证精度为79％-85％，非森林精度为91％-95％)，识别人工林的分布及其他类别的分布。再结合测绘局全球土地覆盖产品(GLCLand30)中草地和农田、森林的分布(2000和2010年的森林精度为84％(89％)、草地精度为77.5％(76.88％)、农田精度为85.1％(83.06％)，总体精度在80％以上)，进一步聚合生成人工林、天然林与开阔地(即农田与草地)分布，以2000年与2010年为例。
a分类结果的验证与精度评价
分别对应2007年和2016年PALSAR土地覆盖分类结果(图4)选取验证数据如下：555(546)个森林ROIs、201(186)个水体ROIs、467(635)个其他类别ROIs、508(588)个农田ROIs和558(631)个建筑ROIs。所得总体精度：2007年为64％，2016年为63％。Kappa系数：2007年为0.6，2016年为0.6。
基于选取的ROIs验证PALSAR和Landsat的森林与非森林分布(图5)，发现验证的森林与非森林样本点数量分别如下：2005年(555，1734)和2016年(546，2043)。总体精度如下：大于80％(2005年为95％CI：78.11％-80.6％)，达到87％(2010年为95％CI：85.28％-90.2％)。Kappa系数为大于0.5且达到0.6。就生产者精度而言，2016年PALSAR和Landsat整合的森林制图精度(88.5％)优于PALSAR的SGB森林制图(66.48％)。此外，排除用户精度不考虑，两种影像数据整合的分类与准则判定的结果图像精度高于单独使用PALSAR图像的分类结果。验证人工林分布图通常因为缺乏实测数据的空间信息，不容易实现。所以将所用的森林覆盖数据的精度作为评判人工林分布图精度的重要依据。
b人工林空间分布识别图
图6为覆盖p122r043粤北区域的两期人工林空间分布图像，分别为2000年和2010年，类别主要为人工林、天然林、草地与农田。由于定义的不同使得与国家林业局公布的国家森林资源清查所得的人工林图有所差异，连续清查中的人工林是从人工方式培育而成的森林用材林、人工薪炭林、人工经济林、人工防护林等进行统计量化。基于遥感数据识别的人工林分布，其树冠盖度＞10％且＞3×3像素即为有效分布。
本发明基于多源数据实现分类、准则与空间分析等多种方法的集成，识别出了人工林空间分布，该方法不仅实现了森林变化的精确定位，还将所识别人工林的时空跨度进一步扩展。
上述实施例仅为本发明专利较佳实施方式，但本发明专利的实施方式不仅限于此，其他任何未背离本发明专利原理下作的改变修饰、替代、简化均为等效的置换方式，都包含在本发明专利技术方案的包含范围之内中。

Claims (7)

1.一种基于时序分类与空间分析的人工林空间模式识别方法，其特征在于，包括以下步骤：
步骤一、收集可用的Landsat数据与PALSAR数据；
步骤二、基于PALSAR的极化与纹理进行随机梯度提升分类土地覆盖类型；
步骤三、从多时相的Landsat图像上提取不同土地覆盖类别的植被指数NDVI累积最大值进行物候特征识别；确定森林像元与非森林像元识别的阈值与准则；
步骤四、基于PALSAR、Landsat、阈值与准则的森林与非森林产品生成；
步骤五、结合知识判别与空间分析的方法最终生成人工林的空间分布。
2.根据权利要求1所述的基于时序分类与空间分析的人工林空间模式识别方法，其特征在于，在步骤一收集可用的Landsat数据与PALSAR数据时，按照如下步骤进行：从日本宇宙航空研究开发机构(JAXA)获取2007-2016年的PALSAR影像镶嵌数据集，以及从美国地质调查局(USGS)获取1986-2016年的Landsat TM/ETM+/OLI遥感影像；在Google Earth云平台(GEE)上获取覆盖轨道号p122r043跨越1986-2016年的Landsat数据，并对2003年后ETM+所有图像进行条带修复；此外，还获取了2000年和2010年两期中国自主研发的土地覆盖产品GlobeLand30(GLCLand30)辅助类型识别。
3.根据权利要求1所述的基于时序分类与空间分析的人工林空间模式识别方法，其特征在于，在步骤二基于PALSAR的极化与纹理进行随机梯度提升(SGB)分类土地覆盖类型时，按照如下步骤进行：
1)将所有PALSAR镶嵌数据转为后向散射系数值，并进行增强Lee滤波操作，然后获取HH、HV、HH与HV的比值、HH与HV的差值以及HV纹理测度值；在2007-2010年和2015-2016年PALSAR图像上分别选择用于土地覆盖类型分类的感兴趣区域；提取感兴趣区域位置处的像元光谱均值，用于识别不同的土地覆盖类型；
2)对选取的所有土地覆盖类型ROIs进行高斯核密度评估，基于此进行HH、HV的纹理测度、HH与HV的比值及其差值的信息提取，用于区分不同的土地覆盖类型的可分性；使用随机梯度提升分类方法对PALSAR图像及其衍生数据进行土地覆盖类型的分类识别；然后，利用众数滤波消除图像处理出现的椒盐噪声，采用数学形态学的方法进一步消除影像分类后的细小斑块，光滑边界。
4.根据权利要求1所述的基于时序分类与空间分析的人工林空间模式识别方法，其特征在于，步骤三中，森林像元与非森林像元识别的阈值为0.72。
5.根据权利要求1所述的基于时序分类与空间分析的人工林空间模式识别方法，其特征在于，步骤三中，森林像元与非森林像元识别的准则为：假设PALSAR森林分布区域为1，非森林区域为0，如果森林分布区域为1的同时NDVImax＞0.72，则判定该像元为森林像元；或者如果非森林区域为0的同时NDVImax＞0.72，也被判定为森林像元。
6.根据权利要求1所述的基于时序分类与空间分析的人工林空间模式识别方法，其特征在于，在步骤四基于PALSAR与Landsat及阈值与准则的森林与非森林产品生成时，按照如下步骤进行：
(1)利用核密度估计方法对选取的感兴趣的森林与非森林样本点对应的PALSAR图像值及其衍生数值进行概率密度的估计；
(2)基于Landsat连续时相数据所得干湿季的时间序列NDVI的最大值(NDVImax)定义物候变量特征；基于时序NDVI最大值设定阈值与准则用于区分森林像元与非森林像元；所得的森林与非森林图像采用中值滤波处理；在分析过程中，没有PALSAR图像的年份采用就近年份的分类结果进行替换；再结合上述的阈值与准则，结合年NDVI时间序列图像，完成每年森林非森林制图。
7.根据权利要求1所述的基于时序分类与空间分析的人工林空间模式识别方法，其特征在于，在步骤五结合知识判别与空间分析的方法最终生成人工林的空间分布时，造林和再造林后形成的森林称为人工林；依据步骤四中的数据，通过当前年份为森林而其他前述年份为非森林构建空间分析关系，识别人工林的分布及其他类别的分布；再结合测绘局全球土地覆盖产品中草地、农田、森林的分布，进一步聚合生成人工林、天然林、农田与草地分布。
CN202011275385.4A 2020-11-13 2020-11-13 一种基于时序分类与空间分析的人工林空间模式识别方法 Pending CN112380994A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011275385.4A CN112380994A (zh) 2020-11-13 2020-11-13 一种基于时序分类与空间分析的人工林空间模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011275385.4A CN112380994A (zh) 2020-11-13 2020-11-13 一种基于时序分类与空间分析的人工林空间模式识别方法

Publications (1)

Publication Number Publication Date
CN112380994A true CN112380994A (zh) 2021-02-19

Family

ID=74584225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011275385.4A Pending CN112380994A (zh) 2020-11-13 2020-11-13 一种基于时序分类与空间分析的人工林空间模式识别方法

Country Status (1)

Country Link
CN (1) CN112380994A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343408A (zh) * 2021-04-14 2021-09-03 南京林业大学 基于多源遥感与能量平衡模型造林响应地表温度的方法
CN113378766A (zh) * 2021-06-25 2021-09-10 南通大学 一种基于合成孔径雷达的海上大规模风力发电站监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093233A (zh) * 2012-12-03 2013-05-08 中国环境科学研究院 一种基于面向对象的高分辨率遥感影像森林分类方法
CN111310639A (zh) * 2020-02-11 2020-06-19 中国气象科学研究院 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093233A (zh) * 2012-12-03 2013-05-08 中国环境科学研究院 一种基于面向对象的高分辨率遥感影像森林分类方法
CN111310639A (zh) * 2020-02-11 2020-06-19 中国气象科学研究院 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沈文娟: "联合主被动遥感数据估算森林生物量空间分布及其与陆表温度的关系", 《中国博士学位论文全文数据库农业科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343408A (zh) * 2021-04-14 2021-09-03 南京林业大学 基于多源遥感与能量平衡模型造林响应地表温度的方法
CN113378766A (zh) * 2021-06-25 2021-09-10 南通大学 一种基于合成孔径雷达的海上大规模风力发电站监测系统

Similar Documents

Publication Publication Date Title
Yun et al. Individual tree crown segmentation from airborne LiDAR data using a novel Gaussian filter and energy function minimization-based approach
AU2020103026A4 (en) A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
Chen et al. Isolating individual trees in a savanna woodland using small footprint lidar data
CN104751478B (zh) 一种基于多特征融合的面向对象的建筑物变化检测方法
CN109919875B (zh) 一种高时频遥感图像特征辅助的居民地提取与分类方法
CN110427857B (zh) 一种基于遥感数据融合的输电线路地质灾害分析方法
Morsy et al. Airborne multispectral lidar data for land-cover classification and land/water mapping using different spectral indexes
CN111898688B (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
CN112164062A (zh) 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN105389559A (zh) 基于高分辨率遥感影像的农业灾害范围识别系统及方法
US20230350065A1 (en) Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization
CN111340826A (zh) 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN113204998B (zh) 一种基于单木尺度的机载点云森林生态估测方法及系统
CN111950336B (zh) 基于背包式激光雷达的植被冠层生态水估算方法
CN111091079A (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
CN112380994A (zh) 一种基于时序分类与空间分析的人工林空间模式识别方法
CN112669363A (zh) 城市绿地三维绿量测算方法
CN116758049A (zh) 一种基于主被动卫星遥感的城市洪涝立体监测方法
He et al. Object-based distinction between building shadow and water in high-resolution imagery using fuzzy-rule classification and artificial bee colony optimization
CN113688909B (zh) 一种生态区土地分类方法、装置及电子设备
Zhu et al. Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering
Morsy et al. Clustering of multispectral airborne laser scanning data using Gaussian decomposition
CN116165635A (zh) 多级滤波算法的日间条件下不同波束光子云数据去噪方法
CN115953685A (zh) 多层多尺度分割的农用大棚类型信息提取方法及系统
Zhu et al. A coupled temporal-spectral-spatial multidimensional information change detection framework method: a case of the 1990-2020 Tianjin, China

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210219