CN114445703A - 基于时间序列分析的森林增长年份自动识别方法、系统 - Google Patents
基于时间序列分析的森林增长年份自动识别方法、系统 Download PDFInfo
- Publication number
- CN114445703A CN114445703A CN202210042096.2A CN202210042096A CN114445703A CN 114445703 A CN114445703 A CN 114445703A CN 202210042096 A CN202210042096 A CN 202210042096A CN 114445703 A CN114445703 A CN 114445703A
- Authority
- CN
- China
- Prior art keywords
- forest
- global
- annual
- normalized
- year
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于时间序列分析的森林增长年份自动识别方法,获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列,再计算年度归一化燃烧指数阈值,而后基于全球森林变化数据集、全球森林树冠高度数据集和年度各景影像归一化植被指数序列获取全球潜在森林增长区域,再通过LandTrendr算法获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和森林增长的时段结合自动提取森林增长年份,如此,进行全球森林增长年份制图,以快速自动获取全球森林增长年份。
Description
技术领域
本发明涉及地球科学领域,更为具体地,涉及一种基于时间序列分析的森林增长年份自动识别方法、系统。
背景技术
森林是地球上最主要的陆地生态系统,约占全球陆地面积的三分之一,且具有重要的环境和社会价值。森林可以提供多种经济效益和生态系统服务,包括木材原料、碳存储及生物多样性保护。然而,根据联合国粮农组织(FAO)的统计数据,自1990年以来,全世界约有4.2亿公顷的森林被毁坏。由于认识到森林砍伐所导致的气候变化、土壤侵蚀、洪水风险和疾病爆发等问题,包括中国、俄罗斯和美国在内的很多国家都已推进实施了造林及再造林计划,与一些地区森林的自然扩张及恢复一起,有效降低了全球森林的净损失率。
在人类社会快速变化的背景下,监测全球森林覆盖的变化对于追踪和预测气候变化以及实现可持续发展目标至关重要。光学遥感由于其覆盖范围广、获取方便、实时性强等优点,已被广泛运用于对森林的长期监测,如基于Landsat卫星的全球森林减少制图(2000-2020年)、全球湿热带地区森林变化监测(1990-2019年)、中国红树林变化监测(1985-2015年)等。然而,这些研究更多的是集中在对森林减少以及对特定区域或树种的变化监测研究中。到目前为止,仍然缺乏适用于全球尺度的森林增长监测模型。
此外,森林增长年份可以直接反映树木的年龄,开展森林增长年份监测可以为不同地区森林和人工林的管理以及生态状况评价、碳核算的指标量化提供重要的数据基础。目前已有研究基于树木的生物物理特征(如树冠大小、树木高度等),结合区域气候条件和遥感获取的叶面积指数等特征,构建相对应的回归模型,实现树木种植年份的自动提取。然而,这类方法一般受限于特定的树种,且野外数据采集较为困难,难以推广至全球尺度。通过跟踪土地覆盖的长期变化来实现森林增长年份的监测是目前研究中通常采用的另一种方法,但是这类方法一般需要依赖大量的训练样本进行土地覆盖分类,且容易受到不同年际图像质量和分类模型训练效果不一致的影响,同样难以推广。
因此,亟需一种能够快速自动获取全球森林增长年份的基于时间序列分析的森林增长年份自动识别方法、系统。
发明内容
鉴于上述问题,本发明的目的是提供一种基于时间序列分析的森林增长年份自动识别方法,以解决一种方法受限于特定的树种,且野外数据采集较为困难,难以推广至全球尺度,另一种方法需要依赖大量的训练样本进行土地覆盖分类,且容易受到不同年际图像质量和分类模型训练效果不一致的影响,同样难以推广的问题。
本发明提供的一种获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列;
基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值;
根据所述年度归一化燃烧指数阈值获取约束条件,并基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域;
通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份。
优选地,获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列的过程,包括:
获取全球森林变化数据集、全球森林树冠高度数据集和1982年-当前年份所有的地表反射率影像;
对所述地表反射率影像进行去云和交叉校正的预处理以形成标准地表反射率影像;
基于所述标准地表反射率影像计算各景影像归一化植被指数和年度归一化燃烧指数并获取各年度的各景影像归一化植被指数的最大值和最小值,以及所述年度归一化燃烧指数的最大值;
对于具有数据缺失的年份,利用滑动窗口进行补值,并基于所述景影像归一化植被指数的最大值和最小值、所述年度归一化燃烧指数的最大值钩件连续的年度各景影像归一化植被指数序列和年度归一化燃烧指数序列。
优选地,通过预设引擎平台获取全球森林变化数据集、全球森林树冠高度数据集和1982年-当前年份所有的地表反射率影像。
优选地,所述地表反射率影像为TM、ETM+和OLI地表反射率影像。
优选地,在获取TM、ETM+和OLI地表反射率影像时,
利用以下公式对OLI地表反射率影像的各个波段值进行处理转化使其与TM地表反射率影像及ETM+地表反射率影像保持一致;
REDOLI′=0.9372×REDOLI+0.0123
NIROLI′=0.8339×NIROLI+0.0448
SWIR2OLI′=0.9165×SWIR2OLI+0.0116
其中,REDOLI、NIROLI、SWIR2OLI分别为在获取初始OLI地表反射率影像时OLI传感器所获得的原始红光、近红外及短波红外2波段值,REDOLI′、NIROLI′、SWIR2OLI′分别为转换后的红光、近红外和短波红外2波段值以形成OLI地表反射率影像。
优选地,基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值的过程,包括:
根据所述全球森林变化数据集进行森林区域提取以获取全球茂密稳定森林区域;
生成全球百公里网格,在所述全球百公里网格中的每个网格中的全球茂密稳定森林区域上随机生成预设数量的样点;
基于所述年度归一化燃烧指数序列计算生成各个样点在1982年-当前年份的年度归一化燃烧指数最大值;
计算多有样点的年度归一化燃烧指数最大值的均值和标准差以获取后续用于判断全球森林增长的年度归一化燃烧指数阈值。
优选地,所述预设数量的样点为5个样点。
优选地,基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域的过程,包括:
根据所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列,通过阈值法提取全球的森林稳定区和非森林稳定区;
利用所述全球森林树冠高度数据集获取当前的全球森林分布区域,并在所述全球森林分布区域中剔除所述森林稳定区以获取全球潜在森林增长区域。
优选地,通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份的过程,包括:
将所述全球潜在森林增长区域内的年度归一化燃烧指数序列输入至LandTrendr算法中进行时序拟合及分割以获取时间序列;
基于所述约束条件采用条件约束方法对各个阶段的时间序列进行分析以获取发生森林增长的森林增长时段;
将所述森林增长时段与各个年度的年度归一化燃烧指数阈值相结合以自动提取森林增长年份。
另一方面,本发明还提供一种基于时间序列分析的森林增长年份自动识别系统,采用如前所述的基于时间序列分析的森林增长年份自动识别方法进行森林增长年份的自动识别,包括:
数据获取单元,用于获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列;
指数阈值获取单元,用于基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值;
森林增长区域锁定单元,用于根据所述年度归一化燃烧指数阈值获取约束条件,并基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域;
增长年份自动提取单元,用于通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份。
从上面的技术方案可知,本发明提供的基于时间序列分析的森林增长年份自动识别方法,获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列,再基于全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值,而后根据年度归一化燃烧指数阈值获取约束条件,并基于全球森林变化数据集、全球森林树冠高度数据集和年度各景影像归一化植被指数序列获取全球潜在森林增长区域,再通过LandTrendr算法基于约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份,如此,利用基于Landsat卫星的干扰和恢复趋势检测(Landsat-based Detection of Trends in Disturbance and Recover,LandTrendr)算法以及1982-当前年期间的30米Landsat卫星图像,进行全球森林增长年份制图,以快速自动获取全球森林增长年份。
附图说明
通过参考以下结合附图的说明书内容,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的基于时间序列分析的森林增长年份自动识别方法的流程图;
图2为根据本发明实施例的基于时间序列分析的森林增长年份自动识别方法的详细流程图;
图3为根据本发明实施例的基于时间序列分析的森林增长年份自动识别方法的LandTrendr算法中进行时序拟合及分割以获取时间序列;
图4为根据本发明实施例的基于时间序列分析的森林增长年份自动识别系统的系统示意图。
具体实施方式
目前的研究基于树木的生物物理特征(如树冠大小、树木高度等),结合区域气候条件和遥感获取的叶面积指数等特征,构建相对应的回归模型,实现树木种植年份的自动提取的方法一般受限于特定的树种,且野外数据采集较为困难,难以推广至全球尺度;通过跟踪土地覆盖的长期变化来实现森林增长年份的监测是目前研究中通常采用的另一种方法,但是这类方法一般需要依赖大量的训练样本进行土地覆盖分类,且容易受到不同年际图像质量和分类模型训练效果不一致的影响,同样难以推广。
针对上述问题,本发明提供一种基于时间序列分析的森林增长年份自动识别方法、系统,以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的基于时间序列分析的森林增长年份自动识别方法,图1对本发明实施例的基于时间序列分析的森林增长年份自动识别方法进行了示例性标示;图2对本发明实施例的基于时间序列分析的森林增长年份自动识别系统进行了示例性标示。
以下示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术和设备可能不作详细讨论,但在适当情况下,所述技术和设备应当被视为说明书的一部分。
如图1、图2共同所示,本发明提供的本发明实施例的基于时间序列分析的森林增长年份自动识别方法,包括:
S1:获取全球森林变化数据集(Global Forest Change,GFC)、全球森林树冠高度数据集(Global Forest Canopy Height,GFCH)和预设年份中各个年度的地表反射率影像(Landsat影像),并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数(Normalized Difference Vegetation Index,NDVI)序列和年度归一化燃烧指数(Normalized Burn Ratio,NBR)序列;
S2:基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值{NBRThrd1982,NBRThrd1983,…,NBRThrd2020};
S3:根据所述年度归一化燃烧指数阈值获取约束条件,并基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域;
S4:通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份。
在图1、图2共同所示的实施例中,步骤S1为获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列的过程;其中,获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列的过程,包括:
S11:获取全球森林变化数据集(GFC数据)、全球森林树冠高度数据集(GFCH数据)和1982年-当前年份所有的地表反射率影像;
S12:对所述地表反射率影像进行去云和交叉校正的预处理以形成标准地表反射率影像;
S13:基于所述标准地表反射率影像计算各景影像归一化植被指数和年度归一化燃烧指数并获取各年度的各景影像归一化植被指数的最大值和最小值,以及所述年度归一化燃烧指数的最大值;
S14:对于具有数据缺失的年份,利用滑动窗口进行补值,并基于所述景影像归一化植被指数的最大值和最小值、所述年度归一化燃烧指数的最大值钩件连续的年度各景影像归一化植被指数序列和年度归一化燃烧指数序列。
具体的,在本发明的实施中,通过预设引擎平台获取全球森林变化数据集、全球森林树冠高度数据集和1982年-当前年份所有的地表反射率影像;该预设引擎平台可以是如谷歌地球引擎平台等一类的引擎平台。作为示例,在所述步骤S1具体包括:首先通过谷歌地球引擎平台(Google Earth Engine,GEE)获取GFC数据、GFCH数据和1982-2020年所有Landsat影像;再对Landsat影像进行去云和和交叉校正预处理;而后基于以上处理后的影像,计算各景影像归一化植被指数(Normalized Difference Vegetation Index,NDVI)和NBR,并获取各年度NDVI的最大值(NDVImax)和最小值(NDVImin),以及NBR的最大值(NBRmax);S14、对于具有数据缺失的年份,利用滑动时间窗口的方法进行补值,以构建1982-2020年连续的年度NDVImax、NDVImin和NBRmax时间序列,完成数据预处理。
更为具体的,地表反射率影像为TM、ETM+和OLI地表反射率影像,该建模过程中所需的输入数据及数据年份如下表表1所示:
表1输入数据类型及年份
以上数据均来自GEE平台,对Landsat地表反射率影像进行预处理以构建1982-2020年连续的年度NDVImax、NDVImin和NBRmax时间序列:首先利用Landsat影像中的质量控制波段对所有影像进行去云处理,考虑到OLI传感器和TM及ETM+传感器的差异较大,在获取TM、ETM+和OLI地表反射率影像时,利用以下公式对OLI地表反射率影像的各个波段值进行处理转化使其与TM地表反射率影像及ETM+地表反射率影像保持一致;
REDOLI′=0.9372×REDOLI+0.0123
NIROLI′=0.8339×NIROLI+0.0448
SWIR2OLI′=0.9165×SWIR2OLI+0.0116
其中,REDOLI、NIROLI、SWIR2OLI分别为在获取初始OLI地表反射率影像时OLI传感器所获得的原始红光、近红外及短波红外2波段值,REDOLI′、NIROLI′、SWIR2OLI′分别为转换后的红光、近红外和短波红外2波段值以形成OLI地表反射率影像;再基于以上初步处理后的影像,利用以下公式分别计算各景影像的NDVI和NBR,并获取各年度NDVI的最大值(NDVImax)和最小值(NDVImin),以及NBR的最大值(NBRmax);
其中,NIR为近红外波段,RED为红光波段,SWIR2为短波红外波段2;
对于具有数据缺失的年份,利用滑动时间窗口的方法进行补值,以构建1982-2020年连续且完整的年度NDVImax、NDVImin和NBRmax时间序列。即定义一个大小为3的滑动时间窗口,从2020年开始向前滑动,对于有空缺值的年份,计算其相邻两年对应值的均值来进行补充。特别地,若目标像素在2020年存在数据缺失,则选择距离2020年最近年份的值作为补充,对于前一年数据也有缺失的目标年份,取后一年的值作为补充值。
在图1、图2共同所示的实施例中,步骤S2为基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值的过程;其中,包括:
S21:根据所述全球森林变化数据集进行森林区域提取以获取全球茂密稳定森林区域;
S22:生成全球百公里网格,在所述全球百公里网格中的每个网格中的全球茂密稳定森林区域上随机生成预设数量的样点;
S23:基于所述年度归一化燃烧指数序列计算生成各个样点在1982年-当前年份的年度归一化燃烧指数最大值;在本实施例中为1982年-2020年;
S24:计算多有样点的年度归一化燃烧指数最大值的均值和标准差以获取后续用于判断全球森林增长的年度归一化燃烧指数阈值。
具体的,即首先利用GFC数据进行全球茂密稳定森林区域提取;再生成全球百公里格网,在每个格网中的茂密稳定森林区域各随机生成5个样点,基于步骤S14预处理的NBRmax时间序列(年度归一化燃烧指数序列),计算各样点1982-2020年的年度NBRmax值;再以年为单位,通过计算所有样点的NBRmax均值和标准差,获得后续判断全球森林增长年份的阈值{NBRThrd1982,NBRThrd1983,…,NBRThrd2020}。
更为具体的,首先选取GFC数据的“treecover2000”和“loss”波段进行全球茂密稳定森林区域提取。其中“treecover2000”波段代表2000年该像素的森林覆盖率,“loss”波段代表该像素是否发生过森林减少的情况(0-无减少,1-有减少),提取“treecover2000”≥80%且“loss”=0的像素作为全球茂密稳定森林区域;其次,生成全球百公里格网,在每个格网中的茂密稳定森林区域各随机生成5个样点,基于上一步中获得的NBRmax时间序列(1982-2020年),计算各样点年度NBRmax值;最后,利用以下公式处理所有样点年度NBRmax值,获得1982-2020年期间的各年度NBR阈值{NBRThrd1982,NBRThrd1983,…,NBRThrd2020},用于后续判断提取全球森林增长年份;需要说明的是:
NBRThrdYear=NBRmean-1.96×NBRstd
其中,NBRThrdYear为年份Year的NBR阈值,NBRmean和NBRstd为该年份所有样点NBRmax值的均值和标准差。
在图1所示的实施例中,步骤S3为根据所述年度归一化燃烧指数阈值获取约束条件,并基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域;在该过程中,包括:
S31:根据所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列,通过阈值法提取全球的森林稳定区和非森林稳定区;
S32:利用所述全球森林树冠高度数据集获取当前的全球森林分布区域,并在所述全球森林分布区域中剔除所述森林稳定区以获取全球潜在森林增长区域;
具体的,首先准备好输入数据GFC、GFCH以及前述预处理的NDVImax和NDVImin时间序列;而后使用阈值法提取全球森林的森林稳定区和非森林稳定区;再利用GFCH数据获取当前全球森林分布,并在此范围内剔除步骤S31所获得的两个稳定区,以获得全球潜在森林增长区域;换句话说,在本实施例中,首先,获取GFC数据、GFCH数据以及Landsat影像预处理后获得的NDVImax和NDVImin时间序列;然后提取GFC数据波段“treecover2000”>10%且各年度NDVImin>0.75的区域作为森林稳定区(即1982-2020年均为森林的区域),同时提取GFC数据波段“treecover2000”≤10%且各年度NDVImax<0.45的区域作为非森林稳定区(即1982-2020年均为非森林的区域);最后,利用GFCH数据获取当前全球森林分布,并在此范围内剔除提取的森林和非森林稳定区,获得全球潜在森林增长区域。
在图1、图2共同所示的实施例中,步骤S4为通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份的过程;其中,包括:
S41:将所述全球潜在森林增长区域内的年度归一化燃烧指数序列输入至LandTrendr算法中进行时序拟合及分割以获取时间序列;
S42:基于所述约束条件采用条件约束方法对各个阶段的时间序列进行分析以获取发生森林增长的森林增长时段;
S43:将所述森林增长时段与各个年度的年度归一化燃烧指数阈值相结合以自动提取森林增长年份。
具体的,首先将全球潜在森林增长区域内的NBRmax时间序列输入到LandTrendr算法中进行时序拟合及分割;再基于约束条件利用条件约束的方法分析分割后的各段时间序列,找出发生森林增长的时段;而后针对判断为森林增长阶段的时段,结合各年度NBR阈值自动提取森林增长年份;再为保证监测结果的空间一致性,使用3×3大小的窗口进行空间滤波,以减少识别结果中的“椒盐现象”,输出最终全球森林增长年份制图结果;更为具体的,再一个具体实施例中,如图3所示,将全球潜在森林增长区域内的NBRmax时间序列输入到LandTrendr算法中进行时序拟合及分割,LandTrendr算法是基于像素的时间序列分析算法,针对多年时间序列的长期趋势,利用分割的时段进行拟合(图3),并且,在本实施例中所采用的LandTrendr模型输入参数如表2:
表2本实施例采用的LandTrendr模型输入参数
参数名称 | 值 |
Max Segments | 12 |
Spike Threshold | 0.9 |
Vertex Count Overshoot | 3 |
Prevent One Year Recovery | True |
Recovery Threshold | 0.25 |
Pval Threshold | 0.05 |
Best Model Proportion | 0.75 |
Min Observations Needed | 6 |
以单个像素为例,记拟合后的各年度NBR值为NBRYea,分割后的每段时序起始年份为startYear,终止年份为endYear,段内NBR极差Mag=NBRendYear-NBRstartYea;然后将该像素时序分割后的各段时间序列按段内Mag值从大到小进行排列,将满足以下条件的分段判断为森林增长阶段:(1)Mag>0.1,(2)NBRstartYear<NBRThrdstartYe;针对判断为森林增长阶段的时段,获取该时段内满足NBRYear>NBRThrdYear条件的最早一年为森林增长年份;最后,为保证监测结果的空间一致性,使用3×3大小的窗口进行空间滤波,取窗口内面积占比最大的值作为该窗口中心像元最终值,以减少识别结果中的“椒盐现象”,输出最终全球森林增长年份制图结果。
综上所述,本发明提供的基于时间序列分析的森林增长年份自动识别方法,获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列,再基于全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值,而后根据年度归一化燃烧指数阈值获取约束条件,并基于全球森林变化数据集、全球森林树冠高度数据集和年度各景影像归一化植被指数序列获取全球潜在森林增长区域,再通过LandTrendr算法基于约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份,如此,利用基于Landsat卫星的干扰和恢复趋势检测(Landsat-based Detection of Trends in Disturbance and Recover,LandTrendr)算法以及1982-当前年期间的30米Landsat卫星图像,进行全球森林增长年份制图,以快速自动获取全球森林增长年份。
如图4所示,本发明还提供一种基于时间序列分析的森林增长年份自动识别系统100,采用如前所述的基于时间序列分析的森林增长年份自动识别方法进行森林增长年份的自动识别,包括:
数据获取单元101,用于获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列;
指数阈值获取单元102,用于基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值;
森林增长区域锁定单元103,用于根据所述年度归一化燃烧指数阈值获取约束条件,并基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域;
增长年份自动提取单元104,用于通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份。
具体的详细步骤在此不作限制,可参照如上所述的基于时间序列分析的森林增长年份自动识别方法的实施例,在此不作赘述。
如上所述,本发明提供的基于时间序列分析的森林增长年份自动识别系统,通过数据获取单元101获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列;通过指数阈值获取单元102基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值;通过森林增长区域锁定单元103根据所述年度归一化燃烧指数阈值获取约束条件,并基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域;利用增长年份自动提取单元104通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份,如此,利用基于Landsat卫星的干扰和恢复趋势检测(Landsat-based Detection of Trends inDisturbance and Recover,LandTrendr)算法以及1982-当前年期间的30米Landsat卫星图像,进行全球森林增长年份制图,以快速自动获取全球森林增长年份。
如上参照附图以示例的方式描述了根据本发明提出的基于时间序列分析的森林增长年份自动识别方法、系统。但是,本领域技术人员应当理解,对于上述本发明所提出的基于时间序列分析的森林增长年份自动识别方法、系统,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (10)
1.一种基于时间序列分析的森林增长年份自动识别方法,其特征在于,
获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列;
基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值;
根据所述年度归一化燃烧指数阈值获取约束条件,并基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域;
通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份。
2.如权利要求1所述的基于时间序列分析的森林增长年份自动识别方法,其特征在于,获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列的过程,包括:
获取全球森林变化数据集、全球森林树冠高度数据集和1982年-当前年份所有的地表反射率影像;
对所述地表反射率影像进行去云和交叉校正的预处理以形成标准地表反射率影像;
基于所述标准地表反射率影像计算各景影像归一化植被指数和年度归一化燃烧指数并获取各年度的各景影像归一化植被指数的最大值和最小值,以及所述年度归一化燃烧指数的最大值;
对于具有数据缺失的年份,利用滑动窗口进行补值,并基于所述景影像归一化植被指数的最大值和最小值、所述年度归一化燃烧指数的最大值钩件连续的年度各景影像归一化植被指数序列和年度归一化燃烧指数序列。
3.如权利要求2所述的基于时间序列分析的森林增长年份自动识别方法,其特征在于,
通过预设引擎平台获取全球森林变化数据集、全球森林树冠高度数据集和1982年-当前年份所有的地表反射率影像。
4.如权利要求3所述的基于时间序列分析的森林增长年份自动识别方法,其特征在于,
所述地表反射率影像为TM、ETM+和OLI地表反射率影像。
5.如权利要求4所述的基于时间序列分析的森林增长年份自动识别方法,其特征在于,在获取TM、ETM+和OLI地表反射率影像时,
利用以下公式对OLI地表反射率影像的各个波段值进行处理转化使其与TM地表反射率影像及ETM+地表反射率影像保持一致;
REDOLI′=0.9372×REDOLI+0.0123
NIROLI′=0.8339×NIROLI+0.0448
SWIR2OLI′=0.9165×SWIR2OLI+0.0116
其中,REDOLI、NIROLI、SWIR2OLI分别为在获取初始OLI地表反射率影像时OLI传感器所获得的原始红光、近红外及短波红外2波段值,REDOLI′、NIROLI′、SWIR2OLI′分别为转换后的红光、近红外和短波红外2波段值以形成OLI地表反射率影像。
6.如权利要求5所述的基于时间序列分析的森林增长年份自动识别方法,其特征在于,基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值的过程,包括:
根据所述全球森林变化数据集进行森林区域提取以获取全球茂密稳定森林区域;
生成全球百公里网格,在所述全球百公里网格中的每个网格中的全球茂密稳定森林区域上随机生成预设数量的样点;
基于所述年度归一化燃烧指数序列计算生成各个样点在1982年-当前年份的年度归一化燃烧指数最大值;
计算多有样点的年度归一化燃烧指数最大值的均值和标准差以获取后续用于判断全球森林增长的年度归一化燃烧指数阈值。
7.如权利要求6所述的基于时间序列分析的森林增长年份自动识别方法,其特征在于,
所述预设数量的样点为5个样点。
8.如权利要求1所述的基于时间序列分析的森林增长年份自动识别方法,其特征在于,基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域的过程,包括:
根据所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列,通过阈值法提取全球的森林稳定区和非森林稳定区;
利用所述全球森林树冠高度数据集获取当前的全球森林分布区域,并在所述全球森林分布区域中剔除所述森林稳定区以获取全球潜在森林增长区域。
9.如权利要求8所述的基于时间序列分析的森林增长年份自动识别方法,其特征在于,通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份的过程,包括:
将所述全球潜在森林增长区域内的年度归一化燃烧指数序列输入至LandTrendr算法中进行时序拟合及分割以获取时间序列;
基于所述约束条件采用条件约束方法对各个阶段的时间序列进行分析以获取发生森林增长的森林增长时段;
将所述森林增长时段与各个年度的年度归一化燃烧指数阈值相结合以自动提取森林增长年份。
10.一种基于时间序列分析的森林增长年份自动识别系统,采用如权利要求1-8中任一项所述的基于时间序列分析的森林增长年份自动识别方法进行森林增长年份的自动识别,包括:
数据获取单元,用于获取全球森林变化数据集、全球森林树冠高度数据集和预设年份中各个年度的地表反射率影像,并对所述地表反射率影像进行预处理以获取年度各景影像归一化植被指数序列和年度归一化燃烧指数序列;
指数阈值获取单元,用于基于所述全球森林变化数据集与所述年度归一化燃烧指数序列计算用于森林增加监测的年度归一化燃烧指数阈值;
森林增长区域锁定单元,用于根据所述年度归一化燃烧指数阈值获取约束条件,并基于所述全球森林变化数据集、所述全球森林树冠高度数据集和所述年度各景影像归一化植被指数序列获取全球潜在森林增长区域;
增长年份自动提取单元,用于通过LandTrendr算法基于所述约束条件获取森林增长时段,并基于所述全球潜在森林增长区域内的年度归一化燃烧指数序列和所述森林增长的时段结合自动提取森林增长年份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042096.2A CN114445703B (zh) | 2022-01-14 | 2022-01-14 | 基于时间序列分析的森林增长年份自动识别方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042096.2A CN114445703B (zh) | 2022-01-14 | 2022-01-14 | 基于时间序列分析的森林增长年份自动识别方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114445703A true CN114445703A (zh) | 2022-05-06 |
CN114445703B CN114445703B (zh) | 2023-04-28 |
Family
ID=81367572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210042096.2A Active CN114445703B (zh) | 2022-01-14 | 2022-01-14 | 基于时间序列分析的森林增长年份自动识别方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445703B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
CN115601596A (zh) * | 2022-10-21 | 2023-01-13 | 中国科学院地理科学与资源研究所(Cn) | 一种火后森林砍伐分布识别的制图方法及装置 |
CN117056661A (zh) * | 2023-09-08 | 2023-11-14 | 华风气象传媒集团有限责任公司 | 一种气候三伏的确定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008079549A (ja) * | 2006-09-28 | 2008-04-10 | Mitsubishi Paper Mills Ltd | 樹木成長量の評価法 |
US20100158314A1 (en) * | 2008-12-24 | 2010-06-24 | Weyerhaeuser Company | Method and apparatus for monitoring tree growth |
CN110135322A (zh) * | 2019-05-09 | 2019-08-16 | 航天恒星科技有限公司 | 一种基于ifi的时间序列森林变化监测方法 |
CN110570399A (zh) * | 2019-08-16 | 2019-12-13 | 中国科学院地理科学与资源研究所 | 一种基于时间序列遥感数据的油棕树龄测算方法 |
CN112348812A (zh) * | 2020-12-04 | 2021-02-09 | 南京大学 | 林分年龄信息测量方法及装置 |
-
2022
- 2022-01-14 CN CN202210042096.2A patent/CN114445703B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008079549A (ja) * | 2006-09-28 | 2008-04-10 | Mitsubishi Paper Mills Ltd | 樹木成長量の評価法 |
US20100158314A1 (en) * | 2008-12-24 | 2010-06-24 | Weyerhaeuser Company | Method and apparatus for monitoring tree growth |
CN110135322A (zh) * | 2019-05-09 | 2019-08-16 | 航天恒星科技有限公司 | 一种基于ifi的时间序列森林变化监测方法 |
CN110570399A (zh) * | 2019-08-16 | 2019-12-13 | 中国科学院地理科学与资源研究所 | 一种基于时间序列遥感数据的油棕树龄测算方法 |
CN112348812A (zh) * | 2020-12-04 | 2021-02-09 | 南京大学 | 林分年龄信息测量方法及装置 |
Non-Patent Citations (4)
Title |
---|
YIDI XU ET AL: "Annual oil palm plantation maps in Malaysia and Indonesia from 2001 to 2016", 《EARTH SYSTEM SCIENCE DATA》 * |
汤冬梅;樊辉;张瑶;: "Landsat时序变化检测综述" * |
沈文娟等: "基于长时间序列Landsat影像的南方人工林干扰与恢复制图分析", 《生态学报》 * |
钟莉等: "基于Landsat时序数据的森林干扰监测", 《林业科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
CN115601596A (zh) * | 2022-10-21 | 2023-01-13 | 中国科学院地理科学与资源研究所(Cn) | 一种火后森林砍伐分布识别的制图方法及装置 |
CN115601596B (zh) * | 2022-10-21 | 2023-04-07 | 中国科学院地理科学与资源研究所 | 一种火后森林砍伐分布识别的制图方法及装置 |
CN117056661A (zh) * | 2023-09-08 | 2023-11-14 | 华风气象传媒集团有限责任公司 | 一种气候三伏的确定方法 |
CN117056661B (zh) * | 2023-09-08 | 2024-06-04 | 华风气象传媒集团有限责任公司 | 一种气候三伏的确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114445703B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Caparros-Santiago et al. | Land surface phenology as indicator of global terrestrial ecosystem dynamics: A systematic review | |
CN114445703B (zh) | 基于时间序列分析的森林增长年份自动识别方法、系统 | |
Mayes et al. | Forest cover change in Miombo Woodlands: modeling land cover of African dry tropical forests with linear spectral mixture analysis | |
Kennedy et al. | Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr—Temporal segmentation algorithms | |
Jakimow et al. | Mapping pasture management in the Brazilian Amazon from dense Landsat time series | |
CN109635731B (zh) | 一种识别有效耕地的方法及装置、存储介质及处理器 | |
Huang et al. | Cotton yield estimation using very high-resolution digital images acquired with a low-cost small unmanned aerial vehicle | |
CN113221806B (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
Xu et al. | A simple phenology-based vegetation index for mapping invasive spartina alterniflora using Google Earth engine | |
Huang et al. | Distance metric-based forest cover change detection using MODIS time series | |
CN113392759B (zh) | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 | |
CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
Roth et al. | Automated detection of individual clove trees for yield quantification in northeastern Madagascar based on multi-spectral satellite data | |
Miltiadou et al. | Detection of dead standing Eucalyptus camaldulensis without tree delineation for managing biodiversity in native Australian forest | |
Somayajula et al. | A Review on Classification of Land Use/Land Cover change assessment based on the Normalized Difference Vegetation Index | |
Zhang et al. | Evaluating the effectiveness of forest conservation policies with multi-temporal remotely sensed imagery: a case study from Tiantangzhai Township, Anhui, China | |
Borlaf-Mena et al. | Methods for tree cover extraction from high resolution orthophotos and airborne LiDAR scanning in Spanish dehesas | |
Girolamo-Neto et al. | Object based image analysis and texture features for pasture classification in brazilian savannah | |
Singh et al. | Use of Savitzky-Golay Filters to Minimize Multi-temporal Data Anomaly in Land use Land cover mapping | |
Workie | Assessment of aboveground carbon stock in coniferous and broadleaf forests, using high spatial resolution satellite images | |
CN113392377A (zh) | 基于土壤湿度的沼泽湿地遥感提取方法和系统 | |
Shidiq et al. | Combination of ALOS PALSAR and Landsat 5 imagery for rubber tree mapping | |
Vibha et al. | Robust technique for segmentation and counting of trees from remotely sensed data | |
McCombs et al. | Carbon flux phenology from the sky: Evaluation for maize and soybean | |
Dali et al. | Deep Learning Based Multi Task Road Extractor Model for Parcel Extraction and Crop Classification Using Knowledge Based Ndvi Time Series Data |
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 |