CN112800973B - 一种基于植被物候特征决策的互花米草提取方法 - Google Patents

Abstract

本发明涉及一种基于植被物候特征决策的互花米草提取方法，包括步骤：获取影像；对影像进行矢量裁剪；获取训练样本点；构建变化曲线；构建决策树。本发明的有益效果是：通过归一化湿度指数提取互花米草可能生长的高湿度区域，缩小范围精确提取，分析高湿度区域植被的物候特征，比较高湿度区域内植被的物候差异，确定互花米草与其他植被的物候差异最优时相，建立决策树实现互花米草的精细提取；主要致力于遥感影像在植被提取中的应用。本发明提出通过物候特征差异时相数据构建决策树提取互花米草，获得较好的精度；本发明充分挖掘和利用了Landsat长时序数据，数据获取方便且流程容易实现，有利于精细检测互花米草的时空分布。

Description

一种基于植被物候特征决策的互花米草提取方法

技术领域

本发明属于基于遥感影像的滨海湿地植被提取技术领域，尤其涉及一种基于植被物候特征决策的互花米草提取方法。

背景技术

湿地植被能够天然地调节气候，在生态环境中发挥着重要的作用。其中互花米草作为典型的湿地植被，具有特殊的生长环境；互花米草分布于潮间带的小潮高潮位至平均高潮位；近年来，互花米草的引入在一定程度上减少了水土流失，但互花米草的大量生长也对其他生物产生抑制，而且不利于管控。

当前，遥感技术作为一种新手段，可以实现长时序、大尺度、精准的调查，利用遥感影像监测互花米草成为一大热点；多光谱影像的光谱信息和空间信息为植被监测提供支撑。互花米草不仅具有植被特征，同时具有水体特征，并且具有特殊的地理分布特征，为互花米草提取提供了一定的信息指导。传统的方法监督分类和非监督分类方法基于光谱特征提取互花米草，由于生长期的互花米草与其他湿地植被光谱类似，容易出现混分现象，导致提取精度较低。

尽管高分辨率卫星和无人机遥感技术已经普遍被用于湿地植被的动态监测，但受限于滨海湿地生态系统的复杂性，已有的遥感变化监测研究还存在不足，主要包括以下两个方面：一方面互花米草与其他植被存在异物同谱现象，依靠单景影像很难有效区分，需要采用时序物候特征的分类方法；另一方面由于互花米草生长的潮间带常为多云天气，遥感影像受云覆盖影响严重，可用的影像数量较少，很难构成有效的时间序列数据，需要一定的数据填补技术。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于植被物候特征决策的互花米草提取方法。

这种基于植被物候特征决策的互花米草提取方法，包括以下步骤：

步骤1、获取传感器采集的地表反射率一级产品影像，建立经大气校正的地表反射率一级产品影像的数据集；

步骤2、互花米草作为盐沼植被主要生长在潮间带区域，通过互花米草生长环境确定互花米草可能生长的范围，将数据集中的地表反射率一级产品影像按海岸线扩张趋势进行矢量裁剪，后续步骤在互花米草可能生长的范围区域内精确提取；

步骤3、在卫星地图获取的高分辨率影像上获取训练样本点，计算各个训练样本点的归一化水体指数(NDWI)、归一化湿度指数(NDMI)和归一化植被指数(NDVI)；通过统计训练样本点归一化水体指数的均值得出归一化水体指数合适的阈值，同时分别设定归一化湿度指数的阈值和归一化植被指数的阈值来确保互花米草区域被完全覆盖，若待测点同时满足下式：

则待测点所在区域为高湿度区域，否则该区域为低湿度区域；

上式(1)中，t₀表示最优时相，最优时相为植被生长季且云量较少的时期，

为t₀时的归一化水体指数，

为t₀时的归一化湿度指数，

为t₀时的归一化植被指数；Δ1为归一化水体指数对应最优时相的阈值，Δ2为归一化湿度指数对应最优时相的阈值，Δ3为归一化植被指数对应最优时相的阈值；

步骤4、若步骤3中待测点所在区域为高湿度区域，则采用相邻年份地物样本点的位置数据像元值来替补本年份缺失的数据，构建完整的NDVI时间序列变化曲线；通过各个地物的 NDVI时间序列变化曲线来确定互花米草与其他植被差异最大的点，差异最大点所在的影像为植被物候差异的最优时相的影像；

步骤5、通过植被物候差异的时相数据来构建决策树，区分出互花米草与其他植被：设互花米草返青期的归一化植被指数为

互花米草生长枯萎期的归一化植被指数为

和

若

则该高湿度区域为水田；若

且

则该高湿度区域为林地；若

且

则该高湿度区域为互花米草生长区域；若

则该高湿度区域为旱地；其中Δ4为互花米草返青期的归一化植被指数对应最优时相的阈值，Δ5和Δ6均为互花米草生长枯萎期的归一化植被指数对应最优时相的阈值；将互花米草从湿地植被中准确提取出来。

作为优选，步骤1通过GEE平台获取Landsat8 OLI传感器采集的地表反射率一级产品影像。

作为优选，步骤3中卫星地图为Google Earth高清卫星地图。

作为优选，步骤3中各个训练样本点的归一化水体指数(NDWI)、归一化湿度指数(NDMI) 和归一化植被指数(NDVI)的计算公式如下：

上式中，NDWI为归一化水体指数，ρ_G为绿光波段的光谱反射率，ρ_NIR为近红外波段的光谱反射率；

上式中，NDMI为归一化湿度指数，ρ_NIR为近红外波段的光谱反射率，ρ_SWIR为短波红外波段的光谱反射率；

上式中，NDVI为归一化植被指数，ρ_NIR为近红外波段的光谱反射率，ρ_RED为红光波段的光谱反射率。

作为优选，步骤3中归一化水体指数用于区分水体和陆地，突出水体信息和植被冠层水分信息。

作为优选，步骤3中归一化湿度指数用于有效地提取植被冠层的水分含量，用于植被含水量的研究。

作为优选，步骤3中归一化植被指数用于植被相关信息的反演，能充分体现植被的生长状态。

本发明的有益效果是：本发明通过GEE平台对一年内所有可用Landsat影像进行指数计算，通过归一化湿度指数提取互花米草可能生长的高湿度区域，缩小范围精确提取，分析高湿度区域植被的物候特征，比较高湿度区域内植被的物候差异，确定互花米草与其他植被的物候差异最优时相，建立决策树实现互花米草的精细提取；主要致力于遥感影像在植被提取中的应用。本发明提出通过物候特征差异时相数据构建决策树提取互花米草，获得较好的精度。本发明充分挖掘和利用了Landsat长时序数据，数据获取方便且流程容易实现，有利于精细检测互花米草的时空分布。

附图说明

图1为矢量裁剪研究区区域图；

图2为互花米草提取方法的实施流程图；

图3为互花米草提取决策树；

图4为互花米草提取结果图。

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。

本发明提出一种基于植被物候特征决策的互花米草提取方法，首先通过地学知识协同光谱知识确定互花米草生长的高湿度区域，对高湿度区域内植被构建NDVI时间序列曲线，最后比较互花米草与其他地物的物候特征差异建立决策树，结合每景影像的云量和成像时间确定合适的阈值，将互花米草从湿地植被中准确提取出来。

作为一种实施例，本实施例依托于GEE平台运行，如图2所示，互花米草提取的步骤为：

步骤1、根据时间、区域筛选所有可用的Landsat表面反射率数据；如图1所示，将数据集中的地表反射率一级产品影像按海岸线扩张趋势进行矢量裁剪，区域面积为2578km²；

步骤2、基于所选的Landsat表面反射率数据，计算NDWI、NDMI、NDVI三种光谱指数，计算公式如下：

上式中，NDWI为归一化水体指数，ρ_G为绿光波段的光谱反射率，ρ_NIR为近红外波段的光谱反射率；

上式中，NDMI为归一化湿度指数，ρ_NIR为近红外波段的光谱反射率，ρ_SWIR为短波红外波段的光谱反射率；

上式中，NDVI为归一化植被指数，ρ_NIR为近红外波段的光谱反射率，ρ_RED为红光波段的光谱反射率；

本步骤的目的在于获取提取互花米草所需的光谱指数。

步骤3、由于互花米草生长位置特殊，同时具有水体和植被的特征，利用NDWI和NDVI 来抑制其他地物的干扰，通过影像云量筛选选取了生长期的影像，NDWI小于0可以抑制水体的干扰，NDVI大于0.1旨在确定植被范围完全覆盖，通过计算样本点的NDMI均值，NDMI大于0.386确保互花米草区域被完全覆盖，阈值如下：

上式中表示在最优时相7月20日对应的指数值。

本步骤的目的在于提取出互花米草可能生长的高湿度区域，在小区域内精确提取，以减少其他地物的干扰。

步骤4、基于步骤3提取出的互花米草可能生长区，获取各个地物的NDVI时间序列变化曲线，由于2016年数据存在云和云阴影等噪声，使时间序列的遥感数据曲线变化趋势不明显，可用的影像在时间序列上不足以体现完整的物候特征，因此需要对时间序列数据质量进行改善。采用相邻年份相同样点前后几年的影像来填补缺失的数据，反映植被真实的周期性变化规律，对数据进行填补后构建完整的时间序列曲线，通过各个地物的NDVI时间序列变化曲线确定植被物候差异的最优时相。

本步骤的目的在于构建NDVI时间序列曲线，从而确定地物间物候差异最优时相，为下一步骤的阈值提供参考。

步骤5、高湿度区域内包括互花米草、水田、旱地、林地地物，通过对比四类地物物候差异，结合影像云量和各类地物在一年中NDVI变化趋势，参考互花米草分布图、GoogleEarth 影像、文献资料等辅助资料，通过NDVI统计结果设定阈值建立决策树，将互花米草与其他三类地物分离出来，物候特征差异体现在生长开始季和生长结束季，因此，选取了5月1日NDVI 大于0.457区分水田，9月22日NDVI小于0.487区分林地，大于0.693区分出旱地和互花米草。按照图3中的决策树进行分类，图3中

表示互花米草返青期的指数值，

和

表示互花米草生长枯萎期对应的指数值，Δ4、Δ5、Δ6分别对应0.457、0.487、0.693。以下为决策树规则：

式中，NDVI₀₅₀₁表示5月1日NDVI指数值，NDVI₀₉₂₂表示9月22日NDVI指数值。

互花米草提取结果如图4所示，图中的黑色部分所在区域的植被为互花米草。

Claims (7)

1.一种基于植被物候特征决策的互花米草提取方法，其特征在于，包括以下步骤：

步骤1、获取传感器采集的地表反射率一级产品影像，建立经大气校正的地表反射率一级产品影像的数据集；

步骤2、将数据集中的地表反射率一级产品影像按海岸线扩张趋势进行矢量裁剪；

步骤3、在卫星地图获取的高分辨率影像上获取训练样本点，计算各个训练样本点的归一化水体指数、归一化湿度指数和归一化植被指数；通过统计训练样本点归一化水体指数的均值得出归一化水体指数的阈值，同时分别设定归一化湿度指数的阈值和归一化植被指数的阈值，若待测点同时满足下式：

则待测点所在区域为高湿度区域，否则该区域为低湿度区域；

上式(1)中，t₀表示最优时相，最优时相为植被生长季且云量较少的时期，

为t₀时的归一化水体指数，

为t₀时的归一化湿度指数，

为t₀时的归一化植被指数；Δ1为归一化水体指数对应最优时相的阈值，Δ2为归一化湿度指数对应最优时相的阈值，Δ3为归一化植被指数对应最优时相的阈值；

步骤4、若步骤3中待测点所在区域为高湿度区域，则采用相邻年份地物样本点的位置数据像元值来替补本年份缺失的数据，构建完整的NDVI时间序列变化曲线；通过各个地物的NDVI时间序列变化曲线来确定互花米草与其他植被差异最大的点，差异最大点所在的影像为植被物候差异的最优时相的影像；

步骤5、通过植被物候差异的时相数据来构建决策树，区分出互花米草与其他植被：设互花米草返青期的归一化植被指数为

互花米草生长枯萎期的归一化植被指数为

和

若

则该高湿度区域为水田；若

且

则该高湿度区域为林地；若

且

则该高湿度区域为互花米草生长区域；若

则该高湿度区域为旱地；其中Δ4为互花米草返青期的归一化植被指数对应最优时相的阈值，Δ5和Δ6均为互花米草生长枯萎期的归一化植被指数对应最优时相的阈值；将互花米草从湿地植被中准确提取出来。

2.根据权利要求1所述基于植被物候特征决策的互花米草提取方法，其特征在于：步骤1通过GEE平台获取Landsat8 OLI传感器采集的地表反射率一级产品影像。

3.根据权利要求1所述基于植被物候特征决策的互花米草提取方法，其特征在于：步骤3中卫星地图为Google Earth高清卫星地图。

4.根据权利要求1所述基于植被物候特征决策的互花米草提取方法，其特征在于，步骤3中各个训练样本点的归一化水体指数、归一化湿度指数和归一化植被指数的计算公式如下：

上式中，NDWI为归一化水体指数，ρ_G为绿光波段的光谱反射率，ρ_NIR为近红外波段的光谱反射率；

上式中，NDMI为归一化湿度指数，ρ_NIR为近红外波段的光谱反射率，ρ_SWIR为短波红外波段的光谱反射率；

上式中，NDVI为归一化植被指数，ρ_NIR为近红外波段的光谱反射率，ρ_RED为红光波段的光谱反射率。

5.根据权利要求1所述基于植被物候特征决策的互花米草提取方法，其特征在于：步骤3中归一化水体指数用于区分水体和陆地，突出水体信息和植被冠层水分信息。

6.根据权利要求1所述基于植被物候特征决策的互花米草提取方法，其特征在于：步骤3中归一化湿度指数用于提取植被冠层的水分含量。

7.根据权利要求1所述基于植被物候特征决策的互花米草提取方法，其特征在于：步骤3中归一化植被指数用于植被信息的反演。

Images