CN113553549B - 一种植被覆盖度反演方法、装置、电子设备及存储介质 - Google Patents

一种植被覆盖度反演方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113553549B
CN113553549B CN202110841822.2A CN202110841822A CN113553549B CN 113553549 B CN113553549 B CN 113553549B CN 202110841822 A CN202110841822 A CN 202110841822A CN 113553549 B CN113553549 B CN 113553549B
Authority
CN
China
Prior art keywords
vegetation
coverage
normalized
index
target areas
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.)
Active
Application number
CN202110841822.2A
Other languages
English (en)
Other versions
CN113553549A (zh
Inventor
何明珠
唐亮
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.)
Northwest Institute of Eco Environment and Resources of CAS
Original Assignee
Northwest Institute of Eco Environment and Resources of CAS
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 Northwest Institute of Eco Environment and Resources of CAS filed Critical Northwest Institute of Eco Environment and Resources of CAS
Priority to CN202110841822.2A priority Critical patent/CN113553549B/zh
Publication of CN113553549A publication Critical patent/CN113553549A/zh
Application granted granted Critical
Publication of CN113553549B publication Critical patent/CN113553549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种植被覆盖度反演方法、装置、电子设备及存储介质，涉及植被覆盖度反演技术领域。首先利用卫星采集装置获取初始归一化植被指数，然后利用预设的校正方程对初始归一化植被指数进行校正，以获取校正后的归一化植被指数，再对校正后的归一化植被指数进行反演，以获取植被覆盖度。本申请提供的植被覆盖度反演方法、装置、电子设备及存储介质具有能够提升植被覆盖度的精度的效果。

Description

一种植被覆盖度反演方法、装置、电子设备及存储介质
技术领域
本申请涉及植被覆盖度反演技术领域，具体而言，涉及一种植被覆盖度反演方法、装置、电子设备及存储介质。
背景技术
植被覆盖度是作为描述植被分布情况、生产力以及评价生态系统稳定和健康状况的重要指标。传统对于植被覆盖度测算的方法主要有人工地面测量和遥感估算两种方法。
人力状况、天气状况以及时间、地形、地貌等因素对地面测量法的影响较大，对于大区域的植被覆盖度的估算只能借助样点、样带等有限面积的信息，尤其在荒漠地区由于受植被空间异质性的影响，只有通过调查样方的多重复性或扩大样方的面积来提高植被覆盖度的测算精度，在实际的野外调查过程中难度较大而且误差也较大。利用遥感数据对大区域植被覆盖度进行反演也是目前对植被覆盖度进行反演较为流行的方法，TERRA/MODIS-NDVI产品中MOD13Q1数据产品(空间分辨率为250m)，是大家常利用到的遥感数据源，已经应用到许多研究领域，但不同区域的MODIS-NDVI产品存在误差，导致确定的植被覆盖度的精度较低。
综上，现有技术中存在植被覆盖度的精度较低的问题。
发明内容
本申请的目的在于提供一种植被覆盖度反演方法、装置、电子设备及存储介质，以解决现有技术中存在的植被覆盖度的精度较低的问题。
为了实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种植被覆盖度反演方法，所述方法包括：
利用卫星采集装置获取初始归一化植被指数；
利用预设的校正方程对所述初始归一化植被指数进行校正，以获取校正后的归一化植被指数；
对所述校正后的归一化植被指数进行反演，以获取植被覆盖度。
可选地，所述预设的校正方程满足公式：
NDVIR＝0.016+0.864*NDVIM；
其中，NDVIR表示校正后的归一化植被指数，NDVIM表示初始归一化植被指数。
可选地，在所述利用卫星采集装置获取初始归一化植被指数的步骤之前，所述方法还包括：
利用卫星采集装置获取多个第一目标区域对应的第一归一化植被指数；
利用手持光谱仪获取所述多个第一目标区域对应的第二归一化植被指数；
利用回归分析法确定所述多个第一目标区域对应的所述第一归一化植被指数与所述第二归一化植被指数之间的第一关联关系，并将所述第一关联关系作为校正方程。
可选地，在将所述关联关系作为校正方程的步骤之后，所述方法还包括：
利用卫星采集装置获取多个第二目标区域的第三归一化植被指数；
利用所述校正方程对多个第二目标区域的第三归一化植被指数进行校正，以获取校正后的第四归一化植被指数；
对所述第四归一化植被指数进行反演，以获取多个第二目标区域的第一植被覆盖度；
利用无人机采集多个第二目标区域的第二植被覆盖度；
利用所述第二植被覆盖度对所述第一植被覆盖度进行验证，以确定所述第一植被覆盖度的精度。
可选地，在将所述关联关系作为校正方程的步骤之后，所述方法还包括：
对所述第三归一化植被指数进行反演，以获取多个第二目标区域的第三植被覆盖度；
所述利用所述第二植被覆盖度对所述第一植被覆盖度进行验证包括：
利用回归分析法确定多个第二目标区域对应的第一植被覆盖度与所述第二植被覆盖度的第二关联关系；
利用回归分析法确定多个第二目标区域对应的第二植被覆盖度与所述第三植被覆盖度的第三关联关系；
对所述第二关联关系与所述第三关联关系的斜率进行比较，以确定所述第一植被覆盖度的精度。
第二方面，本申请实施例还提供了一种植被覆盖度反演装置，所述装置包括：
数据采集模块，用于利用卫星采集装置获取初始归一化植被指数；
数据校正模块，用于利用预设的校正方程对所述初始归一化植被指数进行校正，以获取校正后的归一化植被指数；
数据反演模块，用于对所述校正后的归一化植被指数进行反演，以获取植被覆盖度。
第三方面，本申请实施例还提供了一种电子设备，包括：存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现上述的植被覆盖度反演方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的植被覆盖度反演方法。
相对于现有技术，本申请具有以下技术效果：
本申请提供了一种植被覆盖度反演方法、装置、电子设备及存储介质，首先利用卫星采集装置获取初始归一化植被指数，然后利用预设的校正方程对初始归一化植被指数进行校正，以获取校正后的归一化植被指数，再对校正后的归一化植被指数进行反演，以获取植被覆盖度。由于本申请在获取初始归一化植被指数后，并不会直接进行反演，而是先对初始归一化植被指数进行校正，因此使得校正后的归一化植被指数的精度更高，进而使得在对校正后的归一化植被指数进行反演后，获取的植被覆盖度的精度更高。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其它相关的附图。
图1为本申请实施例提供的电子设备的模块示意图。
图2为本申请实施例提供的植被覆盖度反演方法的示例性流程图。
图3为本申请实施例提供的植被覆盖度反演方法的另一种示例性流程图。
图4为本申请实施例提供的第一归一化植被指数与第二归一化植被指数之间的关系图。
图5为本申请实施例提供的第二植被覆盖度与第三植被覆盖度之间的关系图。
图6为本申请实施例提供的第二植被覆盖度与第一植被覆盖度之间的关系图。
图7为本申请实施例提供的植被覆盖度反演装置的模块示意图。
图中：100-电子设备；101-处理器；102-存储器；103-通信接口；200-植被覆盖度反演装置；210-数据采集模块；220-数据校正模块；230-数据反演模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
正如背景技术中所述，现有技术中无论采用人工地面测量与遥感估算方式确定植被覆盖度，均存在误差较大的问题。
有鉴于此，本申请提供了一种植被覆盖度反演方法，通过利用预设的校正方程对获取的初始归一化植被指数进行校正的方式，提升确定的植被覆盖度的精度。
需要说明的是，本申请提供的植被覆盖度反演方法可以应用于电子设备中。图1示出本申请实施例提供的电子设备100的一种示意性结构框图，电子设备100包括存储器102、处理器101和通信接口103，该存储器102、处理器101和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器102可用于存储软件程序及模块，如本申请实施例提供的植被覆盖度反演装置200对应的程序指令或模块，处理器101通过执行存储在存储器102内的软件程序及模块，从而执行各种功能应用以及数据处理，进而执行本申请实施例提供的植被覆盖度反演方法的步骤。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器102可以是，但不限于，随机存取存储器102(Random Access Memory，RAM)，只读存储器102(Read Only Memory，ROM)，可编程只读存储器102(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器102(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除可编程只读存储器102(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。
处理器101可以是一种集成电路芯片，具有信号处理能力。该处理器101可以是通用处理器101，包括中央处理器101(Central Processing Unit，CPU)、网络处理器101(Network Processor，NP)等；还可以是数字信号处理器101(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图1所示的结构仅为示意，电子设备100还可以包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
下面以电子设备100作为示意性执行主体，对本申请实施例提供的植被覆盖度反演方法进行示例性说明。
作为一种实现方式，请参阅图2，植被覆盖度反演方法包括：
S102，利用卫星采集装置获取初始归一化植被指数。
S104，利用预设的校正方程对初始归一化植被指数进行校正，以获取校正后的归一化植被指数。
S106，对校正后的归一化植被指数进行反演，以获取植被覆盖度。
其中，归一化植被指数又称“Normalized Difference Vegetation Index”，简称NDVI，指遥感影像中，近红外波段的反射值与红光波段的反射值之差比上两者之和。归一化植被指数是反映农作物长势和营养信息的重要参数之一。
对于荒漠地区的植被，可以通过对归一化植被指数进行反演的方式，确定该地区的植被覆盖度，植被覆盖度可以作为描述植被分布情况、生产力以及评价生态系统稳定和健康状况的重要指标。
目前，普遍利用卫星采集装置实现归一化植被指数的采集，然后利用反演方法确定出植被覆盖率，以MODIS-NDVI产品作为卫星采集装置为例，TERRA/MODIS-NDVI产品中MOD13Q1数据产品(空间分辨率为250m)，是大家常利用到的遥感数据源，已经应用到许多研究领域，但不同区域的MODIS-NDVI产品存在误差。
因此，本申请在利用卫星采集装置获取初始归一化植被指数后，还会利用预设的校正方程对初始归一化植被指数进行校正，以获取校正后的归一化植被指数，然后再利用校正后的归一化植被指数进行反演，以获取植被覆盖度，进而提升反演后植被覆盖度的精度。
本申请所述的反演为通过借助像元二分模型，利用归一化植被指数获取植被覆盖度的过程。并且，预设的校正方程为经过验证的提升归一化植被指数精度的方程。可选地，在进行反演时，先从归一化植被指数中确定纯植被像元的NDVI(以下简称NDVIV)与纯裸地像元的NDVI(NDVIS)，并根据影像中NDVI的累计频率表中取1％置信区间，其中置信区间的最大值表示NDVIV，置信区间的最小值表示NDVIS，然后依据植被像元的NDVI、纯裸地像元的NDVI以及置信区间，并根据预设的反演公式确定出植被覆盖率。
在一种可选的实现方式中，预设的校正方程满足公式：
NDVIR＝0.016+0.864*NDVIM；
其中，NDVIR表示校正后的归一化植被指数，NDVIM表示初始归一化植被指数。
即在获取初始归一化植被指数后，将初始归一化植被指数代入该方程中，进而可获取校正后的归一化植被指数。
通过设置校正方程的方式，使得能够对初始归一化植被指数，进而对MODIS-NDVI产品数据进行修正，使得最终反演确定的植被覆盖度的精度更高。
可选地，在S102之前，请参阅图3，该方法还包括：
S101，确定预设的校正方程。
在一种可能的实现方式中，S101包括：
S101-1，利用卫星采集装置获取多个第一目标区域对应的第一归一化植被指数。
S101-2，利用手持光谱仪获取多个第一目标区域对应的第二归一化植被指数。
S101-3，利用回归分析法确定多个第一目标区域对应的第一归一化植被指数与第二归一化植被指数之间的第一关联关系，并将第一关联关系作为校正方程。
即本申请中，不仅利用卫星采集装置获取归一化植被指数(NDVI)，还会通过利用GreenSeeker手持光谱仪实地测量的归一化植被指数，进而验证利用MODIS-NDVI影像提取的NDVI值，从而揭示NDVI的精度。
换言之，在获取NDVI值时，需要同时利用卫星采集装置与GreenSeeker手持光谱仪获取，其中，GreenSeeker手持光谱仪获取的NDVI值可以视为标准值，但其并不适用于在大面积的应用场景下确定归一化植被指数，因此，本申请采用设置采样点确定卫星采集装置与GreenSeeker手持光谱仪获取的归一化植被指数之间的关系，确定二者之间的关联关系，并将其关联关系作为预设的校正方程。
其中，本申请并不对采样点的数量与面积进行限定，例如，采样点的数量可以为100个，且每个采样点的面积均为200*200m，或者，每个采样点的面积均不相同，在此基础上，第一目标区域的数量即为100个。
此时，可以利用卫星采集装置获取多个第一目标区域对应的第一归一化植被指数，同时利用手持光谱仪获取多个第一目标区域对应的第二归一化植被指数。然后利用回归分析法确定多个第一目标区域对应的第一归一化植被指数与第二归一化植被指数之间的第一关联关系，并将第一关联关系作为校正方程。
需要说明的是，回归分析法指利用数据统计原理，对大量统计数据进行数学处理，并确定因变量与某些自变量的相关关系，建立一个相关性较好的回归方程(函数表达式)，并加以外推，用于预测今后的因变量的变化的分析方法。根据因变量和自变量的个数分为：一元回归分析和多元回归分析；根据因变量和自变量的函数表达式分为：线性回归分析和非线性回归分析。
例如，请参阅图4，在获取多个第一目标区域对应的第一归一化植被指数与第二归一化植被指数后，通过在坐标轴上描点的方式，可以确定出二者之间的关联关系。其中，图示的NDVIR表示通过GreenSeeker手持光谱仪实时测量的第二归一化植被指数，NDVIM表示MODIS-NDVI影像提取的第一归一化植被指数。
可以看出，二者之间的关系可以表示为：
NDVIR＝0.016+0.864*NDVIM，因此可将该关系作为的预设的校正方程。
不仅如此，为了确定校正方程的精确度，本申请在确定第一关联关系后，还需要对该第一关联关系进行验证。
作为一种可选的实现方式，在S101-3之后，该方法还包括：
S101-4，利用卫星采集装置获取多个第二目标区域的第三归一化植被指数。
S101-5，利用校正方程对多个第二目标区域的第三归一化植被指数进行校正，以获取校正后的第四归一化植被指数。
S101-6，对第四归一化植被指数进行反演，以获取多个第二目标区域的第一植被覆盖度。
S101-7，利用无人机采集多个第二目标区域的第二植被覆盖度。
S101-8利用第二植被覆盖度对第一植被覆盖度进行验证，以确定第一植被覆盖度的精度。
需要说明的是，本申请对于植被覆盖度采集方式也可以有两种，其中一种为通过归一化植被指数反演而得，另一种为通过无人机进行采集。例如，可以采用由大疆精灵3(Phantom3)无人机。无人机重量为1216g，最大上升速度为5m/s，最大下降速度为3m/s，最大水平飞行速度为16m/s，飞行时间约为25分钟。相机有效像素为1200万，视场角为94°，光圈为f/2.8。
图2为设置的航线，在200×200m的矩形区域内，把此矩形分为9个相等的矩形，在每个矩形的端点处拍摄一张照片，共拍摄16张照片。飞机的飞行高度为20m，飞行速度为6m/s，之后基于像元根据增强绿色指数，将像素划分为植被和裸地，从而提取植被覆盖度。
在进行验证时，首先利用卫星采集装置获取多个第二目标区域的第三归一化植被指数，然后利用校正方程对多个第二目标区域的第三归一化植被指数进行校正，以获取校正后的第四归一化植被指数，再对第四归一化植被指数进行反演，以获取多个第二目标区域的第一植被覆盖度，然后利用无人机采集多个第二目标区域的第二植被覆盖度，最后利用第二植被覆盖度对第一植被覆盖度进行验证，以确定第一植被覆盖度的精度。
作为参照，该方法还包括：
S101-9，对第三归一化植被指数进行反演，以获取多个第二目标区域的第三植被覆盖度。
S101-8包括：
利用回归分析法确定多个第二目标区域对应的第一植被覆盖度与第二植被覆盖度的第二关联关系。
利用回归分析法确定多个第二目标区域对应的第二植被覆盖度与第三植被覆盖度的第三关联关系。
对第二关联关系与第三关联关系的斜率进行比较，以确定第一植被覆盖度的精度。
换言之，本申请为了验证通过校正方程是否提升了植被覆盖度的精度，在获取第三归一化植被指数后，可以直接对第三归一化植被指数进行反演，确定出第一植被覆盖度，同时，同一数据按校正方程进行校正，然后再进行反演，得到第三植被覆盖度。此外，本申请还利用无人机对同一目标区域进行第二植被覆盖度的采集，可以理解地，通过无人机采集的第二植被覆盖度可以视为标准值，因此，当第三植被覆盖度或第一植被覆盖度越接近第二植被覆盖度时，表明其精度越高。
可选的，本申请采用建立关联关系的方式确定第一植被覆盖度的精度。如图5所示，为第二植被覆盖度与第三植被覆盖度的关联关系，其满足关系：
FVCU＝0.015+1.148FVCM；
其中，FVCU表示通过无人机采集的第二植被覆盖度，FVCM表示直接对第三归一化植被指数进行反演得到的第三植被覆盖度。
如图6所示，为第二植被覆盖度与第一植被覆盖度的关联关系，其满足关系：
FVCR＝0.988CFVCM；
其中，FVCR表示通过无人机采集的第二植被覆盖度，CFVCM表示对第四归一化植被指数进行反演得到的第一植被覆盖度。
需要说明的是，理论上，第一植被覆盖度与第三植被覆盖度均等于第二植被覆盖度，即满足关系式y＝x，成正比例函数，因此，从二者关系式中可以看出，通过校正后的第四归一化植被指数得到的植被覆盖度，无人机采集的第二植被覆盖度之间的关系等效于正比例函数，因此其精度得到极大的增强。
因此，通过对校正方程校正后的归一化植被指数进行反演，得到的植被覆盖率的精度能够得到提升。
基于上述实现方式，本申请还提供了一种植被覆盖度反演装置200，请参阅图7，该装置包括：
数据采集模块210，用于利用卫星采集装置获取初始归一化植被指数。
可以理解地，通过数据采集模块210可以执行S102。
数据校正模块220，用于利用预设的校正方程对初始归一化植被指数进行校正，以获取校正后的归一化植被指数。
可以理解地，通过数据校正模块220可以执行S104。
数据反演模块230，用于对校正后的归一化植被指数进行反演，以获取植被覆盖度。
可以理解地，通过数据反演模块230可以执行S106。
同时，预设的校正方程满足公式：
NDVIR＝0.016+0.864*NDVIM；
其中，NDVIR表示校正后的归一化植被指数，NDVIM表示初始归一化植被指数。
当然地，在上述实现方式中的每一步骤均有一对应的功能模块，由于上述实施例已经详细描述，因此在此不再进行赘述。
综上所述，本申请提供了一种植被覆盖度反演方法、装置、电子设备及存储介质，首先利用卫星采集装置获取初始归一化植被指数，然后利用预设的校正方程对初始归一化植被指数进行校正，以获取校正后的归一化植被指数，再对校正后的归一化植被指数进行反演，以获取植被覆盖度。由于本申请在获取初始归一化植被指数后，并不会直接进行反演，而是先对初始归一化植被指数进行校正，因此使得校正后的归一化植被指数的精度更高，进而使得在对校正后的归一化植被指数进行反演后，获取的植被覆盖度的精度更高。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
也要注意的是，框图和/或流程图中的每个方框、以及框图和或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器102、随机存取存储器102、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (6)

1.一种植被覆盖度反演方法，其特征在于，所述方法包括：
利用卫星采集装置获取多个第一目标区域对应的第一归一化植被指数；
利用手持光谱仪获取所述多个第一目标区域对应的第二归一化植被指数；
利用回归分析法确定所述多个第一目标区域对应的所述第一归一化植被指数与所述第二归一化植被指数之间的第一关联关系，并将所述第一关联关系作为校正方程；
利用卫星采集装置获取多个第二目标区域的第三归一化植被指数；
利用所述校正方程对多个第二目标区域的第三归一化植被指数进行校正，以获取校正后的第四归一化植被指数；
对所述第四归一化植被指数进行反演，以获取多个第二目标区域的第一植被覆盖度；
利用无人机采集多个第二目标区域的第二植被覆盖度；
利用所述第二植被覆盖度对所述第一植被覆盖度进行验证，以确定所述第一植被覆盖度的精度；
利用卫星采集装置获取初始归一化植被指数；
利用预设的校正方程对所述初始归一化植被指数进行校正，以获取校正后的归一化植被指数；
对所述校正后的归一化植被指数进行反演，以获取植被覆盖度；
所述方法还包括：
对所述第三归一化植被指数进行反演，以获取多个第二目标区域的第三植被覆盖度；
所述利用所述第二植被覆盖度对所述第一植被覆盖度进行验证包括：
利用回归分析法确定多个第二目标区域对应的第一植被覆盖度与所述第二植被覆盖度的第二关联关系；
利用回归分析法确定多个第二目标区域对应的第二植被覆盖度与所述第三植被覆盖度的第三关联关系；
对所述第二关联关系与所述第三关联关系的斜率进行比较，以确定所述第一植被覆盖度的精度。
2.如权利要求1所述的植被覆盖度反演方法，其特征在于，所述预设的校正方程满足公式：
NDVIR=0.016+0.864*NDVIM；
其中，NDVIR表示校正后的归一化植被指数，NDVIM表示初始归一化植被指数。
3.一种植被覆盖度反演装置，其特征在于，所述装置包括：
数据反演模块，用于利用卫星采集装置获取多个第一目标区域对应的第一归一化植被指数；利用手持光谱仪获取所述多个第一目标区域对应的第二归一化植被指数；利用回归分析法确定所述多个第一目标区域对应的所述第一归一化植被指数与所述第二归一化植被指数之间的第一关联关系，并将所述第一关联关系作为校正方程；利用卫星采集装置获取多个第二目标区域的第三归一化植被指数；利用所述校正方程对多个第二目标区域的第三归一化植被指数进行校正，以获取校正后的第四归一化植被指数；对所述第四归一化植被指数进行反演，以获取多个第二目标区域的第一植被覆盖度；利用无人机采集多个第二目标区域的第二植被覆盖度；利用所述第二植被覆盖度对所述第一植被覆盖度进行验证，以确定所述第一植被覆盖度的精度；
数据采集模块，用于利用卫星采集装置获取初始归一化植被指数；
数据校正模块，用于利用预设的校正方程对所述初始归一化植被指数进行校正，以获取校正后的归一化植被指数；
数据反演模块，用于对所述校正后的归一化植被指数进行反演，以获取植被覆盖度。
4.如权利要求3所述的植被覆盖度反演装置，其特征在于，所述预设的校正方程满足公式：
NDVIR=0.016+0.864*NDVIM；
其中，NDVIR表示校正后的归一化植被指数，NDVIM表示初始归一化植被指数。
5.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1或2所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1或2所述的方法。
CN202110841822.2A 2021-07-26 2021-07-26 一种植被覆盖度反演方法、装置、电子设备及存储介质 Active CN113553549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110841822.2A CN113553549B (zh) 2021-07-26 2021-07-26 一种植被覆盖度反演方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110841822.2A CN113553549B (zh) 2021-07-26 2021-07-26 一种植被覆盖度反演方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113553549A CN113553549A (zh) 2021-10-26
CN113553549B true CN113553549B (zh) 2023-04-14

Family

ID=78132862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110841822.2A Active CN113553549B (zh) 2021-07-26 2021-07-26 一种植被覆盖度反演方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113553549B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385883B (zh) * 2023-04-13 2024-01-05 珠江水利委员会珠江水利科学研究院 基于无人机山体阴影区植被覆盖度修正方法、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101825702A (zh) * 2010-05-24 2010-09-08 福州大学 地形调节植被指数的地形调节优化方法
CN102253184A (zh) * 2011-06-29 2011-11-23 南京信息工程大学 一种针对干旱半干旱地区的地表蒸散遥感反演方法
CN104376204A (zh) * 2014-11-06 2015-02-25 中国测绘科学研究院 一种采用改进的像元二分法反演植被覆盖度的方法
CN111504425A (zh) * 2020-04-24 2020-08-07 中国水利水电科学研究院 一种估算干旱平原地区生态地下水位的方法及装置
WO2020165671A1 (en) * 2019-02-11 2020-08-20 Università Degli Studi Di Palermo Method for monitoring vegetation ground covers

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102269576A (zh) * 2010-06-03 2011-12-07 曹春香 一种森林覆盖度及有效叶面积指数的主被动协同反演方法
US9251420B2 (en) * 2013-01-22 2016-02-02 Vale S.A. System for mapping and identification of plants using digital image processing and route generation
CN103793596A (zh) * 2014-01-14 2014-05-14 中国科学院地理科学与资源研究所 一种地表温度-植被指数特征空间干湿限选择的方法及装置
CN103955606B (zh) * 2014-04-23 2016-10-05 北京大学 一种基于遥感技术的草原蝗灾渐进式预测方法
CN104166782A (zh) * 2014-06-05 2014-11-26 刘健 一种林地土壤有机碳遥感估测的方法
CN105004320B (zh) * 2015-06-09 2017-11-14 北京师范大学 一种高分卫星数据陆表植被覆盖度反演方法及系统
CN108388866B (zh) * 2018-02-27 2021-08-24 海南热带海洋学院 一种植被单调变化趋势检测方法及相关装置
CN108717044B (zh) * 2018-05-24 2021-07-30 青海师范大学 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法
CN113033262B (zh) * 2019-12-25 2022-08-05 中移(成都)信息通信科技有限公司 模型训练方法和农作物产量预估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101825702A (zh) * 2010-05-24 2010-09-08 福州大学 地形调节植被指数的地形调节优化方法
CN102253184A (zh) * 2011-06-29 2011-11-23 南京信息工程大学 一种针对干旱半干旱地区的地表蒸散遥感反演方法
CN104376204A (zh) * 2014-11-06 2015-02-25 中国测绘科学研究院 一种采用改进的像元二分法反演植被覆盖度的方法
WO2020165671A1 (en) * 2019-02-11 2020-08-20 Università Degli Studi Di Palermo Method for monitoring vegetation ground covers
CN111504425A (zh) * 2020-04-24 2020-08-07 中国水利水电科学研究院 一种估算干旱平原地区生态地下水位的方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Kenta Obata等.Influence of endmember spectra on scaling effect of vegetation cover estimation with NDVI.International Geoscience and Remote Sensing Symposium.2011,第2919页-2922页. *
何明珠等.呼伦贝尔草原植被覆盖度地面实测与遥感估算研究.江西农业学报.2012,第24卷(第5期),第142页-148页. *
安如等.三江源中东部地区1990～2008草地覆盖度 变化遥感估算与分析.科学技术与工程.2015,第15卷(第3期),第11页-17页. *
虞连玉等.植被指数反演冬小麦植被覆盖度的适用性研究.农业机械学报.2014,第46卷(第1期),第231页-239页. *
赵威成等.基于DVI的像元二分模型反演植被覆盖度研究.黑龙江科技大学学报.2020,第30卷(第2期),第125页-128页. *
陈学兄等.基于山地植被指数估算临县植被覆盖度.应用基础与工程科学学报.2020,第28卷(第2期),第310页-319页. *
陈建军等.黄河源区高寒草地植被覆盖度反演模型精度评价.科学技术与工程.2019,第19卷(第15期),第37页-44页. *

Also Published As

Publication number Publication date
CN113553549A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
US8179393B2 (en) Fusion of a 2D electro-optical image and 3D point cloud data for scene interpretation and registration performance assessment
Hämmerle et al. Direct derivation of maize plant and crop height from low-cost time-of-flight camera measurements
US8855439B2 (en) Method for determining a localization error in a georeferenced image and related device
CN107733804B (zh) 多功能监控型无线路由器
EP3480782A1 (en) Method and device for reducing noise in a depth image
CN113553549B (zh) 一种植被覆盖度反演方法、装置、电子设备及存储介质
CN110619666A (zh) 用于标定相机的方法及装置
CN111080682A (zh) 点云数据的配准方法及装置
CN113837943A (zh) 图像处理方法、装置、电子设备及可读存储介质
CN112924967B (zh) 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用
CN106599548A (zh) 陆面蒸散发遥感估算的时空尺度匹配方法及装置
CN110673114B (zh) 校准三维相机深度的方法、装置、计算机装置及存储介质
CN112632796A (zh) 氮含量确定方法、作业方法、装置、电子设备及存储介质
Sefercik et al. Area-based quality control of airborne laser scanning 3D models for different land classes using terrestrial laser scanning: sample survey in Houston, USA
CN113884444A (zh) 模型建立方法、预测spad值的方法、装置及电子设备
CN111985266A (zh) 尺度图确定方法、装置、设备及存储介质
CN114565733A (zh) 一种植被覆盖度测量方法、装置、电子设备及介质
CN116379935A (zh) 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备
US11222206B2 (en) Harvest confirmation system and method
CN115082812A (zh) 一种农业景观非农生境绿地斑块提取方法及其相关设备
CN114663530A (zh) 一种遥感影像偏航90度的相对辐射定标方法和装置
Vajsová et al. Applicability limits of Sentinel-2 data compared to higher resolution imagery for CAP checks by monitoring
CN113935974A (zh) 线宽参数测量方法、装置及图像处理设备
CN107741220B (zh) 影像处理方法、装置及电子设备
CN113033477A (zh) 基于遥感的农耕用地沙化监测和预警方法、系统及存储介质

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
GR01 Patent grant
GR01 Patent grant