CN112683811B - 基于中分辨率影像的森林冠层光谱季相变化监测方法 - Google Patents

Abstract

本发明公开了一种基于中分辨率影像的森林冠层光谱季相变化监测方法，包括：将同一林分划分为多个相同大小的子区域，并随机选取一定数量的子区域，作为样本区域；获取样本区域多年的遥感影像数据，作为样本数据；对样本数据进行预处理；提取预处理后的样本数据中的光谱信息，并基于光谱信息分别计算森林冠层在多年中各个影像拍摄日期的归一化植被指数；将森林冠层多年中各个影像拍摄日期的归一化植被指数叠加至一年；引入逻辑斯蒂曲线，并对其进行改进；利用改进后的逻辑斯蒂曲线将叠加至一年的归一化植被指数进行拟合，得到森林冠层光谱的季相变化曲线。本发明能够利用时序数据对不同林种进行对比分析、解译和反演，利用季相变化曲线有利于掌握森林变化节律。

Description

基于中分辨率影像的森林冠层光谱季相变化监测方法

技术领域

本发明涉及遥感监测技术领域，更具体的说是涉及一种基于中分辨率影像的森林冠层光谱季相变化监测方法。

背景技术

森林每年随季节变化而出现形态和生理机能的规律性变化，该变化在一定程度上通过其光谱特征有规律地展现。准确地掌握森林冠层光谱特征随季节变化的规律不仅是遥感解译的关键，也为树种识别、动态监测和生化参数反演提供理论基础。

传统的监测方法多利用MODIS、NOAA/AVHRR、SPOT-VGT等数据源的时序NDVI数据，但是由于空间分辨率较低(高于250m)，多用于大尺度的监测，对于中、小尺度的监测仍有较大的局限性。而Landsat(分辨率30m)等中分辨率影像缺少时序数据，数据获取需要对大量影像进行处理，所需时间较长，且一年内数据量较少，难以满足季相变化监测的要求。

发明内容

有鉴于此，本发明提供了一种基于中分辨率影像的森林冠层光谱季相变化监测方法，能够获得中分辨率影像的时序数据，利用时序数据对不同林种进行对比分析、解译和反演，拟合的季相变化曲线有利于认识森林的变化特性与地面光谱间的关系，掌握森林变化节律。

为了实现上述目的，本发明采用如下技术方案：

一种基于中分辨率影像的森林冠层光谱季相变化监测方法，包括：

将同一林分划分为多个相同大小的子区域，并随机选取一定数量的所述子区域，作为样本区域；

获取所述样本区域多年的遥感影像数据，作为样本数据；

对所述样本数据进行预处理；

提取预处理后的所述样本数据中的光谱信息，并基于所述光谱信息分别计算森林冠层在多年中各个影像拍摄日期的归一化植被指数；

将森林冠层多年中各个影像拍摄日期的归一化植被指数叠加至一年；

引入逻辑斯蒂曲线，并对其进行改进；

利用改进后的所述逻辑斯蒂曲线将叠加至一年的所述归一化植被指数进行拟合，得到森林冠层光谱的季相变化曲线。

优选的，所述遥感影像数据是基于Landsat卫星获得的中分辨率影像，且其空间分辨率为30m。

优选的，利用Google Earth Engine对所述样本数据进行提取及预处理。

优选的，所述对所述样本数据进行预处理，包括：

选择所述样本数据中在同一时期成像质量最佳的遥感影像；

对所选的所有所述遥感影像进行云层检测，并剔除被云和云影覆盖的遥感影像；

对进行云层检测后的所述遥感影像进行裁剪。

优选的，所述光谱信息为红波段、绿波段、蓝波段和近红外波段的反射值。

优选的，所述归一化植被指数的计算公式为：

上式中，ρ_NIR表示近红外波段的反射率，ρ_RED表示红光波段的反射率。

优选的，引入逻辑斯蒂曲线，并对其进行改进，包括：

引入所述逻辑斯蒂增长曲线，其表达式如下：

上式中，m为斜率，n为偏移量，t为时间，y为光谱信息；

对所述逻辑斯蒂增长曲线进行初步改进，使其适用于森林冠层不同形状的叶片的描述，其表达式如下：

上式中，V_min为光谱信息的背景值，V_amp为变动范围；

引入逻辑斯蒂下降曲线，将其与所述逻辑斯蒂增长曲线进行拟合，生成最终的逻辑斯蒂曲线方程，其表达式如下：

上式中，m₁为上升期斜率，m₂为下降期斜率，n₁为上升期偏移量，n₂为下降期偏移量。

优选的，引入逻辑斯蒂曲线，并对其进行改进，还包括：

引入变动系数，利用多年的遥感影像数据进行拟合，获得年际效应对森林植被生长起始时期的影响，其表达式如下：

上式中，b₁为上升期的变动系数，b₂为下降期的变动系数。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于中分辨率影像的森林冠层光谱季相变化监测方法，通过对同一林分多年的遥感影像数据进行叠加，充实了样本数据，并使样本数据构成时序数据，弥补了传统的中分辨率影像缺少时序数据的缺陷，通过时序数据可以用于对不同林种的对比分析、解译、反演等进一步研究；拟合的季相变化曲线有利于认识森林的变化特性与地面光谱间的关系，掌握森林变化节律。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的基于中分辨率影像的森林冠层光谱季相变化监测方法流程图；

图2附图为本发明提供的阔叶红松原始林归一化植被指数季相变化图；

图3附图为阔叶红松次生林归一化植被指数季相变化图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例以长白山阔叶红松林为例，利用长白山地区1984-2019年间所有的Landsat卫星遥感影像数据(空间分辨率30m)，对遥感影像数据进行预处理，剔除质量较差的影像。提取阔叶红松林的冠层光谱反射值并计算植被指数，利用非线性曲线进行季相变化曲线拟合。

如图1所示，本发明实施例实现过程具体包括以下步骤：

S1、将同一林分划分为多个相同大小的子区域，并随机选取一定数量的子区域，作为样本区域。

本实施例随机选取50个300*300m的子区域作为样本区域。

S2、获取样本区域多年的遥感影像数据，作为样本数据。

S3、对样本数据进行预处理。

利用Google Earth Engine对大量的遥感影像数据进行预处理。

首先，选择样本数据中在同一时期成像质量最佳的遥感影像。

其次，对所选的所有遥感影像进行云层检测，并剔除被云和云影覆盖的遥感影像。

其中，Landsat8采用QA波段识别云及云影，Landsat5和7采用Fmask算法对云进行识别。

QA波段云识别指的是：通过Landsat8的卷云波段(Band9)可直接识别云区域，根据阈值可确定云层情况。

Fmask算法云识别：Fmask是一种提取遥感图像中云和云阴影区域的方法，主要针对Landsat5、7的TM/ETM+图像。

最后，对进行云层检测后的遥感影像进行裁剪。

S4、提取预处理后的样本数据中的光谱信息，并基于光谱信息分别计算森林冠层在多年中各个影像拍摄日期的归一化植被指数。

主要提取光谱信息为红波段、绿波段、蓝波段和近红外波段的反射值，并计算归一化植被指数(NDVI)。

NDVI最为常用的归一化植被指数，其可以反映植被的生长和覆盖情况。其计算公式为：

上式中，ρ_NIR表示近红外波段的反射率，ρ_RED表示红光波段的反射率。

S5、将森林冠层多年中各个影像拍摄日期的归一化植被指数叠加至一年。

传统的时序数据空间分辨率较低，而中、高分辨率影像缺少时间序列数据，本发明采用中分辨率影像数据源Landsat，整合多年数据，采用年际数据叠加的方法，成倍的增加数据量，从而减弱了年际效应的影响，同时过滤掉噪声的影响，保证了中分辨率时序数据的获取，为小尺度的季相研究提供了可能。

S6、引入逻辑斯蒂曲线，并对其进行改进。

数据的拟合采用逻辑斯蒂曲线，这种曲线符合树木的生长特点，树木在幼年时期生长缓慢，中年阶段生长迅速，近成熟后生长逐渐趋于停止。假设一个单叶随着时间的出现符合正态分布，且总的叶片覆盖面积是一个简单的累加，那么其随着时间的变化必定近似逻辑斯蒂曲线。

常用的一种逻辑斯蒂曲线公式为：

上式中，m为斜率，n为偏移量，t为时间，y为光谱信息。

对于一片茂密的森林，从非植被的背景下开始，理论上其绿叶覆盖面积必然从最开始的0，然后呈现为一个到达1的累计函数，如果一个像素与非植被混合，那么其值一般小于1。物候学上的逻辑斯蒂增长曲线可以解释生长季节期间的大部分特征，但针叶树木的存在，使其最大值与最小值往往与理想状况有差异。所以需要对逻辑斯蒂进行一定的改进，其改进后的公式为：

上式中，V_min为光谱信息的背景值，V_amp为变动范围。

对于长白山数据，本研究选取了全年数据进行研究，包含树木叶片生长与凋落两个过程，所以选择将一个逻辑斯蒂增长曲线与一个逻辑斯蒂下降曲线结合进行拟合。其公式为：

上式中，m₁为上升期斜率，m₂为下降期斜率，n₁为上升期偏移量，n₂为下降期偏移量。

S7、利用改进后的逻辑斯蒂曲线将叠加至一年的归一化植被指数进行拟合，得到森林冠层光谱的季相变化曲线。

虽然本发明整合了多年数据，已经减弱了年际效应的影响，但利用多年数据进行分析还是要考虑年际效应的影响。在另一个实施例中，利用多年数据进行曲线拟合后，在方程中引入变动系数，然后利用各年数据进行拟合，以此确定每年的变化。

这种方法假设拟合出的曲线适用于每一年，每一年间只是开始的时间不同。这样就可以让不同年份的数据产生差别，通过变动系数便可以获得年际效应对植被生长起始时期的影响，通过线性拟合进行分析，可以获取起始日期的变动趋势，其公式为：

上式中，b₁为上升期的变动系数，b₂为下降期的变动系数。

下面通过具体实验数据以进一步验证本发明。

根据以上方法，拟合出的阔叶红松原始林与次生林NDVI季相变化曲线方程分别为：

根据曲线定义植被生长季开始与结束时间的方法有很多，最为常用的是将NDVI值达到最大值与最小值之差的一半作为植被开始与停止生长的时间点，因为它是逻辑斯蒂曲线变化最快的点，其一阶导数值最大。同时NDVI开始增长和下降的日期随着环境的变化会略有波动，而1/2处相对稳定，其最能代表一个林分中的平均状态。如图2-3所示，所以根据这种方法可知，长白山原始阔叶混交林与次生阔叶林开始增长的时期都为第120天(4月30日)左右，而停止增长为第270天(9月27日)左右，生长季长度为150天左右。

现有技术中，利用SPOT-VGT数据(分辨率1km)对长白山地区的植被物候进行了研究，其结果为长白山地区林地生长季开始于第100-120天左右，停止增长在第260天-290天左右。而利用MODIS数据(分辨率500m)采用动态阈值法的结果为树木开始展叶是在4月下旬，而在第280-290天左右树木停止生长，生长季长度约为180天左右。因此，本发明与目前的研究结果基本一致，此方法可用作林分尺度光谱季相变化研究。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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 (6)

1.一种基于中分辨率影像的森林冠层光谱季相变化监测方法，其特征在于，包括：

将同一林分划分为多个相同大小的子区域，并随机选取一定数量的所述子区域，作为样本区域；

获取所述样本区域多年的遥感影像数据，作为样本数据；

对所述样本数据进行预处理；

提取预处理后的所述样本数据中的光谱信息，并基于所述光谱信息分别计算森林冠层在多年中各个影像拍摄日期的归一化植被指数；

将森林冠层多年中各个影像拍摄日期的归一化植被指数叠加至一年；

引入逻辑斯蒂曲线，并对其进行改进，具体包括：

引入所述逻辑斯蒂增长曲线，其表达式如下：

上式中，m为斜率，n为偏移量，t为时间，y为光谱信息；

对所述逻辑斯蒂增长曲线进行初步改进，使其适用于森林冠层不同形状的叶片的描述，其表达式如下：

上式中，V_min为光谱信息的背景值，V_amp为变动范围；

引入逻辑斯蒂下降曲线，将其与所述逻辑斯蒂增长曲线进行拟合，生成最终的逻辑斯蒂曲线方程，其表达式如下：

上式中，m₁为上升期斜率，m₂为下降期斜率，n₁为上升期偏移量，n₂为下降期偏移量；

引入变动系数，利用多年的遥感影像数据进行拟合，获得年际效应对森林植被生长起始时期的影响，其表达式如下：

上式中，b₁为上升期的变动系数，b₂为下降期的变动系数；

利用改进后的所述逻辑斯蒂曲线将叠加至一年的所述归一化植被指数进行拟合，得到森林冠层光谱的季相变化曲线。

2.根据权利要求1所述的一种基于中分辨率影像的森林冠层光谱季相变化监测方法，其特征在于，所述遥感影像数据是基于Landsat卫星获得的中分辨率影像，且其空间分辨率为30m。

3.根据权利要求1所述的一种基于中分辨率影像的森林冠层光谱季相变化监测方法，其特征在于，利用Google Earth Engine对所述样本数据进行提取及预处理。

4.根据权利要求1所述的一种基于中分辨率影像的森林冠层光谱季相变化监测方法，其特征在于，所述对所述样本数据进行预处理，包括：

选择所述样本数据中在同一时期成像质量最佳的遥感影像；

对所选的所有所述遥感影像进行云层检测，并剔除被云和云影覆盖的遥感影像；

对进行云层检测后的所述遥感影像进行裁剪。

5.根据权利要求1所述的一种基于中分辨率影像的森林冠层光谱季相变化监测方法，其特征在于，所述光谱信息为红波段、绿波段、蓝波段和近红外波段的反射值。

6.根据权利要求5所述的一种基于中分辨率影像的森林冠层光谱季相变化监测方法，其特征在于，所述归一化植被指数的计算公式为：

上式中，ρ_NIR表示近红外波段的反射率，ρ_RED表示红光波段的反射率。

Images