CN114612789B - 一种通过长时序卫星遥感提取常绿森林林分变化的方法 - Google Patents

一种通过长时序卫星遥感提取常绿森林林分变化的方法 Download PDF

Info

Publication number
CN114612789B
CN114612789B CN202210305179.6A CN202210305179A CN114612789B CN 114612789 B CN114612789 B CN 114612789B CN 202210305179 A CN202210305179 A CN 202210305179A CN 114612789 B CN114612789 B CN 114612789B
Authority
CN
China
Prior art keywords
forest
change
recovery
stand
landsat
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
CN202210305179.6A
Other languages
English (en)
Other versions
CN114612789A (zh
Inventor
郭彬斌
杨琴
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.)
Hengyang Normal University
Original Assignee
Hengyang Normal 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 Hengyang Normal University filed Critical Hengyang Normal University
Priority to CN202210305179.6A priority Critical patent/CN114612789B/zh
Publication of CN114612789A publication Critical patent/CN114612789A/zh
Application granted granted Critical
Publication of CN114612789B publication Critical patent/CN114612789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种通过长时序卫星遥感提取常绿森林林分变化的方法，属于生态环境遥感技术领域。一种通过长时序卫星遥感提取常绿森林林分变化的方法，基于Landsat长时序遥感数据集，结合人工解译样本与随机森林算法，逐年提取研究区森林掩膜信息；根据森林掩膜信息，利用连续变化检测算法(CCD)和归一化植被指数(NDVI)，获取森林变化的干扰‑恢复特征曲线，识别异常光谱信号；基于干扰强度、恢复程度、干扰时间和持续时间等信息，定义林分提取规则，区分不同的林分变化类型，更加准确的掌握常绿森林的生长变化动态，有助于资源环境脆弱区的生态工程效应评估，为合理开展森林管理、水土流失治理和增加森林碳汇提供科学指导。

Description

一种通过长时序卫星遥感提取常绿森林林分变化的方法
技术领域
本发明涉及生态环境遥感技术领域，尤其涉及一种通过长时序卫星遥感提取常绿森林林分变化的方法。
背景技术
森林是陆地生态系统最重要的贮碳库，它在应对全球气候变化、维持生态系统碳平衡具有重要作用；林分是构成森林生态系统的重要基石，林分的内部组成结构与生物化学特性决定了森林生态系统的服务功能；当前南方亚热带常绿森林林分更替现象十分严重，不仅因为水土侵蚀导致幼林较难成活，而且受到高强度且高频次人类活动的干扰，并且森林响应外界干扰的过程复杂；因此，获取森林林分变化信息，明确森林林分变化类型，掌握常绿森林生长变化动态，有助于常绿森林生态系统质量评估和生态修复工程建设；常绿森林林分变化的准确反演是当前生态环境遥感领域面临的重要问题。
目前许多研究通过构建表征森林结构和功能变化的敏感参数表征森林生长状况，较多使用趋势变化检测算法或稀疏的年际合成影像，难以准确捕捉森林在年内的林分变化信号，容易忽略真正引起森林林分更替的重要干扰事件以及干扰后的生态恢复过程；现有利用时序变化检测算法提取林分变化信号的研究，大多关注森林林分受到干扰的过程，较少利用扰动后恢复过程区分不同的生态修复方式；前人研究中所反映的森林变化一般是轻微干扰和重度干扰事件共同作用的结果，较易混淆林分和非林分这两种不同的变化类型；此外，已有研究较少利用每年动态更新的森林掩膜信息筛选林分异常信号，而且较少从长时序林分变化信息中挖掘常绿森林的生长变化模式。
因此，针对上述问题，本发明提出一种通过长时序卫星遥感提取常绿森林林分变化的方法，该方法基于Landsat长时序遥感数据集，结合人工解译样本与随机森林算法，逐年提取研究区森林掩膜信息；根据森林掩膜信息，利用连续变化检测算法(CCD)和归一化植被指数(NDVI)，获取森林变化的干扰-恢复特征曲线，识别异常光谱信号；基于干扰强度、恢复程度、干扰时间和持续时间等信息，定义林分提取规则，区分不同的林分变化类型，更加准确的掌握常绿森林的生长变化动态，有助于资源环境脆弱区的生态工程效应评估，为合理开展森林管理、水土流失治理和增加森林碳汇提供科学指导；通过该方法，能够挖掘在连续的人类活动干扰下常绿森林林分的生长变化模式，为研究区水土流失治理、生态工程建设和常绿森林生态系统质量评估奠定科学基础。
发明内容
(一)本发明要解决的技术问题：
本发明的目的是基于Landsat卫星构建长时序且稠密的遥感数据集，利用年内所有可用影像的异常变化检测算法和逐年的森林掩膜信息，获取森林变化区域的干扰-恢复特征曲线，定义林分提取规则，确定森林林分变化类型，从而挖掘在连续的人类活动干扰下常绿森林林分的生长变化模式，为研究区水土流失治理、生态工程建设和常绿森林生态系统质量评估奠定科学基础。
(二)为了实现上述目的，本发明采用了如下技术方案：
一种通过长时序卫星遥感提取常绿森林林分变化的方法，包括以下步骤：
S1、采集遥感数据：筛选研究时段内覆盖研究区的Landsat地表反射率产品；
S2、对所采集的遥感数据进行预处理：对于Landsat不同传感器生成的影像，分别利用LEDAPS和LASRC算法进行大气校正预处理，然后利用CFMASK算法去除云斑/冰/雪/阴影的影响；
S3、构建长时序遥感数据集：在Google Earth Engine(GEE)中调用Landtrendr算法中的BuildSRCollection函数，将Landsat8中的所有波段同化至Landsat7对应的波段，然后镶嵌裁剪生成研究区范围的长时序遥感数据集；
S4、检测异常光谱信号：基于研究时段内所有可获取的长时序遥感影像，选取Landsat波段地表反射率和归一化植被指数(NDVI)表征森林林分变化，利用ContinuousChange Detection(CCD)变化检测算法捕捉研究区内发生异常变化的光谱信号；
S5、提取森林掩膜信息：基于每年的目视解译样本和前人生成的土地利用覆盖产品，利用有监督的随机森林分类算法，获取研究区的土地利用变化类型，提取森林掩膜信息，并进行精度验证；
S6、基于S1-S5中获取的信息生成森林干扰-恢复特征曲线；
S7、基于S6中生成的森林干扰-恢复特征曲线区分森林林分变化类型；
S8、挖掘森林生长变化模式：根据所述S4中依据CCD变化检测算法所得的检测结果和所述S6中生成的森林干扰-恢复特征曲线，并从中挖掘不同的森林林分变化模式；
S9、通过前人实测资料进行辅助验证。
优选的，所述S4中检测异常光谱信号的具体步骤如下：
S401、利用波段合成方法计算NDVI值，NDVI＝(近红外波段-红外波段)/(近红外波段+红外波段)；
S402、根据普通最小二乘法和谐波函数提取Landsat长时序数据集中的季节项、趋势项和突变项，公式如下：
其中X表示当前日期，i表示Landsat的第i波段，T＝365，a0,i表示Landsat第i波段时的系数值，a1,i和b1,i表示Landsat第i波段时的季节变化系数值，c1,i表示Landsat第i波段时的趋势变化系数值，ρ'(i,x)OLS表示Landsat第i波段时在当前时期的预测值；
S403、然后利用3倍的RMSE对Landsat波段观测值与模型预测值之间的差异进行归一化处理，从而获取异常变化信号，公式如下：
其中k表示Landsat波段数，ρ(i,x)OLS表示Landsat第i波段时在当前时期的观测值。
优选的，所述S5中提取森林掩膜信息的具体步骤如下：
S501、利用人工目视解译方法，分别在Landsat影像上逐年建立地类样本点，同时，在前人发布的Landsat土地利用分类产品中提取永久样本点作为辅助解译样本；
S502、然后利用随机森林分类算法，选取80％的样本作为训练样本，20％的样本作为测试样本，避免过度拟合现象；
S503、通过生成混淆矩阵判断土地利用分类结果的精度，其中混淆矩阵包括：整体精度、用户精度、生产者精度和Kappa系数；
S504、最后将输出的土地利用分类栅格图转换成带地类编号信息的矢量文件，从中批量选取研究时段内的森林掩膜信息。
优选的，所述S6中生成森林干扰-恢复特征曲线的具体步骤如下：
S601、根据CCD变化检测算法所捕捉的异常变化信号，获取研究区在研究时段内发生干扰的位置和时间；
S602、同时基于逐年的森林掩膜信息，从中筛选出森林变化异常的区域；
S603、然后利用CCD变化检测算法对应的API端口，基于CCD输出的谐波系数值和异常变化信息，生成森林干扰-恢复特征曲线，即NDVI特征曲线。
优选的，所述S7中区分森林林分变化类型的具体步骤如下：
S701、森林林分变化时，NDVI光谱信号在长时序影像中会出现明显的快速消失过程，随后伴随着森林或慢或快出现的过程；基于森林干扰-恢复特征曲线，根据森林林分发生异常时的干扰强度(D)、恢复程度(R)、干扰时间(DT)、恢复时间(RT)和发生位置(L)识别林分和非林分变化；
S702、对于S701中识别为发生林分变化的森林，判断其NDVI特征曲线是否存在恢复趋势；
S703、对于S702中判断为存在恢复趋势的森林，分析不同区域森林干扰后的恢复特征，并进一步区分人工造林和自然恢复这两种不同的生态恢复方式。
优选的，所述S701中的识别方式如下：
在表征森林干扰-恢复的NDVI特征曲线中，若L位置时的NDVI干扰强度D(NDVIT2-NDVIT1)大于该曲线发生变化NDVI观测值的3倍，且DT(T2-T1)远小于30天，则L位置的森林发生了林分变化，否则为非林分变化。
优选的，所述S703中判断两种生态恢复方式的区分方式如下：
若NDVI恢复程度R(NDVIT3-NDVIT2)近似等于D且RT(T3-T2)远小于30天，则认为此处生态恢复方式为人工造林；
若NDVI恢复程度R小于D且RT大于30天，则认为此处生态恢复方式为自然修复。
优选的，所述S8中森林林分变化模式的具体判别方式如下：
若在研究时段内始终为森林，包括CCD变化检测算法检测的变化次数为0以及干扰-恢复特征曲线中发生非林分变化的区域，则定义为稳定模式A；
若研究时段内森林变成其它地类，表现为林分变化后的森林在研究时段内不存在恢复趋势，则定义为突变模式B；
若研究时段内其它地类演变成森林，即森林在发生林分变化后NDVI曲线保持稳定且NDVI值远高于变化前的值，则定义为突变模式C；
若研究时段内森林林分变化后始终伴随着恢复又干扰的循环过程，则定义为波动模式D；
若研究时段内林分变化后经过不同的生态修复后又恢复为森林的情况，则定义为干扰-恢复模式E。
优选的，所述S9中进行辅助验证的具体操作步骤如下：
基于森林清查数据和前人研究资料中提供的森林管理信息，比如森林砍伐或人工造林的时间、面积和位置，与经研究发现林分变化异常的区域进行比较分析，验证通过长时序卫星遥感提取常绿森林林分变化方法的准确程度。
优选的，所述S1-S8中的计算采用如下软件：ArcGIS、Google Earth Engine和Python，通过异常变化检测算法和林分变化提取规则确定森林林分变化类型和生长模式。
(三)与现有技术相比，本发明提供了一种通过长时序卫星遥感提取森林林分变化的方法，具备以下有益效果：
(1)本发明所提出的通过长时序卫星遥感提取森林林分变化的方法，在数据上不同于以往采用稀疏的年际合成影像来监测常绿森林的动态变化，而是充分利用研究时段内覆盖研究区范围的全部观测值生成长时序数据集，能够极大克服南方亚热带地区云/雨/雾等天气情况带来的数据不连续性问题，能够为捕捉年内林分变化信号提供更加详细的信息。
(2)本发明在提取森林林分变化信号时，不同于以往只考虑初始时间或首尾时间的森林掩膜信息，而是通过获取研究区在研究时段内每年的森林掩膜信息，同时对应CCD变化检测算法的检测结果中发生异常变化的区域，可以动态且真实地反映研究区常绿森林林分变化情况。
(3)本发明提出的方法，同时关注森林的干扰过程和恢复过程，通过准确获取和描述森林在特定位置的干扰强度、恢复强度、干扰时间和恢复时间等参数，综合考虑不同干扰事件的特性定义不同的林分变化规则，可以有效识别不同的林分变化类型和不同的森林修复方式。
(4)本发明提出的方法，利用CCD变化检测算法检测信息和表征森林干扰-恢复特征的参数，结合空间分析方法挖掘常绿森林不同的林分生长模式，可以准确的反映研究区常绿森林的发展方向和生长动态，揭示影响森林异常变化的贡献机制，从而助力于常绿森林健康评估和生态工程建设的科学开展。
附图说明
图1为本发明提出的一种通过长时序卫星遥感提取常绿森林林分变化的方法中的流程图；
图2为本发明提出的一种通过长时序卫星遥感提取常绿森林林分变化的方法中的森林干扰-恢复特征曲线示意图；
图3为本发明提出的一种通过长时序卫星遥感提取常绿森林林分变化的方法中的森林生长变化模式示意图。
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。
实施例1：
请参阅图1，一种通过长时序卫星遥感提取常绿森林林分变化的方法，包括以下步骤：
S1、采集遥感数据：筛选研究时段内覆盖研究区的Landsat地表反射率产品；
S2、对所采集的遥感数据进行预处理：对于Landsat不同传感器生成的影像，分别利用LEDAPS和LASRC算法进行大气校正预处理，然后利用CFMASK算法去除云斑/冰/雪/阴影的影响；
S3、构建长时序遥感数据集：在Google Earth Engine(GEE)中调用Landtrendr算法中的BuildSRCollection函数，将Landsat8中的所有波段同化至Landsat7对应的波段，然后镶嵌裁剪生成研究区范围的长时序遥感数据集；
S4、检测异常光谱信号：基于研究时段内所有可获取的长时序遥感影像，选取Landsat波段地表反射率和归一化植被指数(NDVI)表征森林林分变化，利用ContinuousChange Detection(CCD)变化检测算法捕捉研究区内发生异常变化的光谱信号；
所述S4中检测异常光谱信号的具体步骤如下：
S401、利用波段合成方法计算NDVI值，NDVI＝(近红外波段-红外波段)/(近红外波段+红外波段)；
S402、根据普通最小二乘法和谐波函数提取Landsat长时序数据集中的季节项、趋势项和突变项，公式如下：
其中X表示当前日期，i表示Landsat的第i波段，T＝365，a0,i表示Landsat第i波段时的系数值，a1,i和b1,i表示Landsat第i波段时的季节变化系数值，c1,i表示Landsat第i波段时的趋势变化系数值，ρ'(i,x)OLS表示Landsat第i波段时在当前时期的预测值；
S403、然后利用3倍的RMSE对Landsat波段观测值与模型预测值之间的差异进行归一化处理，从而获取异常变化信号，公式如下：
其中k表示Landsat波段数，ρ(i,x)OLS表示Landsat第i波段时在当前时期的观测值；
S5、提取森林掩膜信息：基于每年的目视解译样本和前人生成的土地利用覆盖产品，利用有监督的随机森林分类算法，获取研究区的土地利用变化类型，提取森林掩膜信息，并进行精度验证；
所述S5中提取森林掩膜信息的具体步骤如下：
S501、利用人工目视解译方法，分别在Landsat影像上逐年建立地类样本点，同时，在前人发布的Landsat土地利用分类产品中提取永久样本点作为辅助解译样本；
S502、然后利用随机森林分类算法，选取80％的样本作为训练样本，20％的样本作为测试样本，避免过度拟合现象；
S503、通过生成混淆矩阵判断土地利用分类结果的精度，其中混淆矩阵包括：整体精度、用户精度、生产者精度和Kappa系数；
S504、最后将输出的土地利用分类栅格图转换成带地类编号信息的矢量文件，从中批量选取研究时段内的森林掩膜信息；
S6、基于S1-S5中获取的信息生成森林干扰-恢复特征曲线；
所述S6中生成森林干扰-恢复特征曲线的具体步骤如下：
S601、根据CCD变化检测算法所捕捉的异常变化信号，获取研究区在研究时段内发生干扰的位置和时间；
S602、同时基于逐年的森林掩膜信息，从中筛选出森林变化异常的区域；
S603、然后利用CCD变化检测算法对应的API端口，基于CCD输出的谐波系数值和异常变化信息，生成森林干扰-恢复特征曲线，即NDVI特征曲线，如图2所示；
S7、基于S6中生成的森林干扰-恢复特征曲线区分森林林分变化类型；
所述S7中区分森林林分变化类型的具体步骤如下：
S701、森林林分变化时，NDVI光谱信号在长时序影像中会出现明显的快速消失过程，随后伴随着森林或慢或快出现的过程；基于森林干扰-恢复特征曲线，根据森林林分发生异常时的干扰强度(D)、恢复程度(R)、干扰时间(DT)、恢复时间(RT)和发生位置(L)识别林分和非林分变化；
所述S701中的识别方式如下：
在表征森林干扰-恢复的NDVI特征曲线中，若L位置时的NDVI干扰强度D(NDVIT2-NDVIT1)大于该曲线发生变化NDVI观测值的3倍，且DT(T2-T1)远小于30天，则L位置的森林发生了林分变化，否则为非林分变化；
S702、对于S701中识别为发生林分变化的森林，判断其NDVI特征曲线是否存在恢复趋势；
S703、对于S702中判断为存在恢复趋势的森林，分析不同区域森林干扰后的恢复特征，并进一步区分人工造林和自然恢复这两种不同的生态恢复方式；
所述S703中判断两种生态恢复方式的区分方式如下：
若NDVI恢复程度R(NDVIT3-NDVIT2)近似等于D且RT(T3-T2)远小于30天，则认为此处生态恢复方式为人工造林；
若NDVI恢复程度R小于D且RT大于30天，则认为此处生态恢复方式为自然修复；
S8、挖掘森林生长变化模式：根据所述S4中依据CCD变化检测算法所得的检测结果和所述S6中生成的森林干扰-恢复特征曲线，并从中挖掘不同的森林林分变化模式；
如图3所示，所述S8中森林林分变化模式的具体判别方式如下：
若在研究时段内始终为森林，包括CCD变化检测算法检测的变化次数为0以及干扰-恢复特征曲线中发生非林分变化的区域，则定义为稳定模式A；
若研究时段内森林变成其它地类，表现为林分变化后的森林在研究时段内不存在恢复趋势，则定义为突变模式B；
若研究时段内其它地类演变成森林，即森林在发生林分变化后NDVI曲线保持稳定且NDVI值远高于变化前的值，则定义为突变模式C；
若研究时段内森林林分变化后始终伴随着恢复又干扰的循环过程，则定义为波动模式D；
若研究时段内林分变化后经过不同的生态修复后又恢复为森林的情况，则定义为干扰-恢复模式E；
S9、通过前人实测资料进行辅助验证；
所述S9中进行辅助验证的具体操作步骤如下：
基于森林清查数据和前人研究资料中提供的森林管理信息，比如森林砍伐或人工造林的时间、面积和位置，与经研究发现林分变化异常的区域进行比较分析，验证通过长时序卫星遥感提取常绿森林林分变化方法的准确程度；
所述S1-S8中的计算采用如下软件：ArcGIS、Google Earth Engine和Python，通过异常变化检测算法和林分变化提取规则确定森林林分变化类型和生长模式。
实施例2：
基于实施例1，本实施例以湖南省为研究区，利用本发明提出的一种通过长时序卫星遥感提取森林林分变化的方法，来获取研究区常绿森林的林分变化类型和生长变化模式，主要步骤如下：
1)利用GEE平台获取遥感影像：筛选1985-2021年覆盖研究区范围的Lan dsat5、Landsat7和Landsat8的地表反射率数据，共5309景；
2)对遥感数据进行预处理：基于GEE平台，利用LEDAPS算法对Landsat5和Landsat7地表反射率数据进行大气校正预处理，同时利用LASRC算法对Landsat8地表反射率数据进行大气校正预处理；然后利用Landsat中的质量评估波段QA和CFMASK算法剔除含有云斑/冰/雪/阴影的像元；
3)不同传感器波段转换：在GEE中调用Landtrendr算法中的BuildSRCollection函数，将Landsat8中的波段2-7(蓝波段、绿波段、红波段、近红外波段、短波红外波段1和短波红外波段2)转换至Landsat7对应的波段1-5和波段7；然后通过批量镶嵌和裁剪生成研究区范围的Landsat长时序遥感数据集；
4a)选取地表反射率和植被指数作为CCD变化检测算法的输入参数，考虑到计算机运行速率，此处可将研究区按县分割成不同的子区域，分区块执行CCD变化检测算法；在CCD变化检测算法中，不仅会利用所有波段的地表反射率值，而且可以根据波段反射率值自动合成计算植被指数；此处考虑常绿林在林分更替时植被覆盖度的变化较其它林分特征明显，因此选用归一化植被指数(NDVI)表征森林林分变化情况；其中：NDVI＝(近红外波段-红外波段)/(近红外波段+红外波段)；
4b)利用CCD变化检测算法检测异常光谱信号，从而获取研究区发生异常变化的次数、位置、时间和强度信息；
首先利用公式(1)提取Landsat长时序数据集中的季节项、趋势项和突变项，公式如下：
其中X表示当前日期，i表示Landsat的第i波段，T＝365，a0,i表示Landsat第i波段时的系数值，a1,i和b1,i表示Landsat第i波段时的季节变化系数值，c1,i表示Landsat第i波段时的趋势变化系数值，ρ'(i,x)OLS表示Landsat第i波段时在当前时期的预测值；
然后如公式(2)所示，利用3倍的RMSE对Landsat波段观测值与模型预测值之间的差异进行归一化处理，从而获取异常变化信号，公式如下：
其中k表示Landsat波段数，ρ(i,x)OLS表示Landsat第i波段时在当前时期的观测值；
5)利用随机森林分类算法智能生成每年的森林掩膜信息并进行精度验证：首先在GEE平台上构建的Landsat长时序遥感影像上，通过人工目视解译建立样本点，每年选取1000个左右的森林、水体、耕地、裸地、不透水面、草地和其它地类样本；同时根据前人在相同研究区对应时段的土地利用分类资料，利用ArcMap空间分析方法单独提取永久样本点作为辅助解译样本；然后选取80％的样本输入随机森林分类算法进行训练，输出每年的土地利用分类信息；接着利用剩余20％的样本对土地利用信息进行精度验证，生成混淆矩阵，保证每年土地利用分类的整体精度可达85％以上；最后，将输出的土地利用分类栅格图转换成带地类编号信息的矢量文件，从中批量输出Shapefile格式的森林掩膜信息；
6)根据CCD变化检测结果和每年的森林掩膜生成森林干扰-恢复特征曲线：首先利用ArcMap的空间分析工具，基于CCD算法中输出的异常变化位置和异常变化时间，对应到相应年份的森林掩膜信息，从中筛选森林变化异常的区域，然后在ArcMap中获取森林异常变化位置的经纬度信息，借助CCD算法对应的API端口，获取对应位置的谐波系数值和异常变化信息，生成森林干扰-恢复特征曲线；
7)定义林分提取规则以区分林分变化类型：从森林异常变化的干扰-恢复特征曲线中，定义干扰强度(D)、恢复程度(R)、干扰时间(DT)、恢复时间(RT)和发生位置(L)五个参数，利用Python编程实现林分和非林分变化以及扰动后生态修复方式的识别，然后分别统计每个类别对应的像元数量，最后利用ArcMap输出对应的空间分布：具体判别式如下：
若L位置时的NDVI干扰强度D(NDVIT2-NDVIT1)大于该曲线发生变化后NDVI观测值的3倍，且DT(T2-T1)远小于30天，则L位置的森林发生了林分变化，否则为非林分变化；
然后，对于发生林分变化的森林判断其NDVI特征曲线是否存在恢复趋势，在存在趋势的情况下，若NDVI恢复程度R(NDVIT3-NDVIT2)近似等于D且RT(T3-T2)远小于30天，则认为此处生态恢复方式为人工造林；若NDVI恢复程度R小于D且RT大于30天，则认为此处生态恢复方式为自然修复；
8)根据CCD变化检测结果和森林变化的干扰-恢复特征曲线，利用Python编程方法实现对森林林分生长变化模式的挖掘，分别提取始终为森林、森林变成其它、其它变成森林、森林-其它-森林以及森林与其它地类循环演变的像元；具体判别如下：
始终为森林的像元包括CCD检测的变化次数为0以及干扰-恢复特征曲线中发生非林分变化的区域，定义为稳定模式A；
从森林演变成其它地类的像元，定义为突变模式B；
从其它地类演变成森林的像元，定义为突变模式C；
森林林分变化后始终伴随着恢复又干扰的循环过程，定义为波动模式D；
森林受到干扰变成其它、然后又恢复为森林的像元，定义为干扰-恢复模式E；
最终根据Python中获取的像元类型，利用ArcMap确定研究区常绿森林生长变化模式的空间分布；
9)利用森林清查数据和前人研究资料验证森林林分变化信息，利用ArcMap实测数据的经纬度信息定位到本实施例相对应的位置，是否发生异常变化、是否发生林分变化、干扰后的恢复方式这三个方面验证本发明方法的准确性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (5)

1.一种通过长时序卫星遥感提取常绿森林林分变化的方法，其特征在于，包括以下步骤：
S1、采集遥感数据：筛选研究时段内覆盖研究区的Landsat地表反射率产品；
S2、对所采集的遥感数据进行预处理：对于Landsat不同传感器生成的影像，分别利用LEDAPS和LASRC算法进行大气校正预处理，然后利用CFMASK算法去除云斑/冰/雪/阴影的影响；
S3、构建长时序遥感数据集：在Google Earth Engine中调用Landtrendr算法中的BuildSRCollection函数，将Landsat8中的所有波段同化至Landsat7对应的波段，然后镶嵌裁剪生成研究区范围的长时序遥感数据集；
S4、检测异常光谱信号：基于研究时段内所有可获取的长时序遥感影像，选取Landsat波段地表反射率和归一化植被指数NDVI表征森林林分变化，利用Continuous ChangeDetection变化检测算法捕捉研究区内发生异常变化的光谱信号；
S5、提取森林掩膜信息：基于每年的目视解译样本和前人生成的土地利用覆盖产品，利用有监督的随机森林分类算法，获取研究区的土地利用变化类型，提取森林掩膜信息，并进行精度验证；
S6、基于S1-S5中获取的信息生成森林干扰-恢复特征曲线；
所述生成森林干扰-恢复特征曲线的具体步骤如下：
S601、根据Continuous Change Detection变化检测算法所捕捉的异常变化信号，获取研究区在研究时段内发生干扰的位置和时间；
S602、同时基于逐年的森林掩膜信息，从中筛选出森林变化异常的区域；
S603、然后利用Continuous Change Detection变化检测算法对应的API端口，基于Continuous Change Detection输出的谐波系数值和异常变化信息，生成森林干扰-恢复特征曲线，即NDVI特征曲线；
S7、基于S6中生成的森林干扰-恢复特征曲线区分森林林分变化类型；
所述区分森林林分变化类型的具体步骤如下：
S701、基于森林干扰-恢复特征曲线，根据森林林分发生异常时的干扰强度D、恢复程度R、干扰时间DT、恢复时间RT和发生位置L识别林分和非林分变化；
识别方式如下：
在表征森林干扰-恢复的NDVI特征曲线中，若发生位置L位置时的NDVI干扰强度D大于该曲线发生变化NDVI观测值的3倍，且干扰时间DT远小于30天，则发生位置L位置的森林发生林分变化，否则为非林分变化；
S702、对于S701中识别为发生林分变化的森林，判断其NDVI特征曲线是否存在恢复趋势；
S703、对于S702中判断为存在恢复趋势的森林，分析不同区域森林干扰后的恢复特征，并进一步区分人工造林和自然恢复这两种不同的生态恢复方式；
判断两种生态恢复方式的区分方式如下：
若NDVI恢复程度R近似等于干扰强度D且恢复时间RT远小于30天，则认为此处生态恢复方式为人工造林；
若NDVI恢复程度R小于干扰强度D且恢复时间RT大于30天，则认为此处生态恢复方式为自然修复；
S8、挖掘森林生长变化模式：根据所述S4中依据Continuous Change Detection变化检测算法所得的检测结果和所述S6中生成的森林干扰-恢复特征曲线，并从中挖掘不同的森林林分变化模式；
森林林分变化模式的具体判别方式如下：
若在研究时段内始终为森林，包括Continuous Change Detection变化检测算法检测的变化次数为0以及干扰-恢复特征曲线中发生非林分变化的区域，则定义为稳定模式A；
若研究时段内森林变成其它地类，表现为林分变化后的森林在研究时段内不存在恢复趋势，则定义为突变模式B；
若研究时段内其它地类演变成森林，即森林在发生林分变化后NDVI曲线保持稳定且NDVI值远高于变化前的值，则定义为突变模式C；
若研究时段内森林林分变化后始终伴随着恢复又干扰的循环过程，则定义为波动模式D；
若研究时段内林分变化后经过不同的生态修复后又恢复为森林的情况，则定义为干扰-恢复模式E；
S9、通过前人实测资料进行辅助验证。
2.根据权利要求1所述的一种通过长时序卫星遥感提取常绿森林林分变化的方法，其特征在于：
所述S4中检测异常光谱信号的具体步骤如下：
S401、利用波段合成方法计算NDVI值，NDVI＝(近红外波段-红外波段)/(近红外波段+红外波段)；
S402、根据普通最小二乘法和谐波函数提取Landsat长时序数据集中的季节项、趋势项和突变项，公式如下：
其中X表示当前日期，i表示Landsat的第i波段，T＝365，a0,i表示Landsat第i波段时的系数值，a1,i和b1,i表示Landsat第i波段时的季节变化系数值，c1,i表示Landsat第i波段时的趋势变化系数值，ρ'(i,x)OLS表示Landsat第i波段时在当前时期的预测值；
S403、然后利用3倍的RMSE对Landsat波段观测值与模型预测值之间的差异进行归一化处理，从而获取异常变化信号，公式如下：
其中k表示Landsat波段数，ρ(i,x)OLS表示Landsat第i波段时在当前时期的观测值。
3.根据权利要求2所述的一种通过长时序卫星遥感提取常绿森林林分变化的方法，其特征在于：
所述S5中提取森林掩膜信息的具体步骤如下：
S501、利用人工目视解译方法，分别在Landsat影像上逐年建立地类样本点，同时，在前人发布的Landsat土地利用分类产品中提取永久样本点作为辅助解译样本；
S502、然后利用随机森林分类算法，选取80％的样本作为训练样本，另外20％的样本作为测试样本，避免过度拟合现象；
S503、通过生成混淆矩阵判断土地利用分类结果的精度，其中混淆矩阵包括：整体精度、用户精度、生产者精度和Kappa系数；
S504、最后将输出的土地利用分类栅格图转换成带地类编号信息的矢量文件，从中批量选取研究时段内的森林掩膜信息。
4.根据权利要求3所述的一种通过长时序卫星遥感提取常绿森林林分变化的方法，其特征在于：
所述S9中进行辅助验证的具体操作步骤如下：
基于森林清查数据和前人研究资料中提供的森林管理信息，与经研究发现林分变化异常的区域进行比较分析，验证通过长时序卫星遥感提取常绿森林林分变化方法的准确程度。
5.根据权利要求4所述的一种通过长时序卫星遥感提取常绿森林林分变化的方法，其特征在于：
所述S1-S8中的计算采用如下软件：ArcGIS、Google Earth Engine和Python，通过异常变化检测算法和林分变化提取规则确定森林林分变化类型和生长模式。
CN202210305179.6A 2022-03-25 2022-03-25 一种通过长时序卫星遥感提取常绿森林林分变化的方法 Active CN114612789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210305179.6A CN114612789B (zh) 2022-03-25 2022-03-25 一种通过长时序卫星遥感提取常绿森林林分变化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210305179.6A CN114612789B (zh) 2022-03-25 2022-03-25 一种通过长时序卫星遥感提取常绿森林林分变化的方法

Publications (2)

Publication Number Publication Date
CN114612789A CN114612789A (zh) 2022-06-10
CN114612789B true CN114612789B (zh) 2023-10-13

Family

ID=81867749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210305179.6A Active CN114612789B (zh) 2022-03-25 2022-03-25 一种通过长时序卫星遥感提取常绿森林林分变化的方法

Country Status (1)

Country Link
CN (1) CN114612789B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205675B (zh) * 2022-06-29 2023-05-16 中国科学院地理科学与资源研究所 一种基于多源遥感数据的森林变化驱动力分类方法
CN115294460B (zh) * 2022-10-08 2023-01-17 杭州领见数字农业科技有限公司 雷竹林退化程度确定方法、介质和电子设备
CN117409333B (zh) * 2023-12-15 2024-02-13 四川省生态环境科学研究院 基于遥感影像的生态脆弱区识别及生态修复方法
CN117576171B (zh) * 2023-12-29 2024-07-23 北京江河惠远科技有限公司 一种多时相卫星遥感的植被恢复全周期监督系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345573A (zh) * 2013-06-20 2013-10-09 四川省林业调查规划院 基于生态过程模型的林业碳计量方法
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
CN113850139A (zh) * 2021-08-25 2021-12-28 南京林业大学 一种基于多源遥感的森林年际物候监测方法
CN114005040A (zh) * 2021-06-24 2022-02-01 闽江学院 一种基于di的森林扰动变化遥感监测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3073713A1 (en) * 2017-08-25 2019-02-28 The Board Of Trustees Of The University Of Illinois Apparatus and method for agricultural data collection and agricultural operations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345573A (zh) * 2013-06-20 2013-10-09 四川省林业调查规划院 基于生态过程模型的林业碳计量方法
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
CN114005040A (zh) * 2021-06-24 2022-02-01 闽江学院 一种基于di的森林扰动变化遥感监测方法及装置
CN113850139A (zh) * 2021-08-25 2021-12-28 南京林业大学 一种基于多源遥感的森林年际物候监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Continuous change detection and classification of land cover using all available Landsat data;Zhe Zhu，Curtis E.Woodcock;《Remote Sensing of Environment》;第152-171页 *
面向生态系统复杂时空演变特征分析的Landsat时序建模方法;孟媛媛;《中国博士学位论文全文数据库工程科技Ⅰ辑》;论文第5页、第28-32页、第40页、第69-80页、第100页 *

Also Published As

Publication number Publication date
CN114612789A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN114612789B (zh) 一种通过长时序卫星遥感提取常绿森林林分变化的方法
Coulter et al. Classification and assessment of land cover and land use change in southern Ghana using dense stacks of Landsat 7 ETM+ imagery
Chen et al. Global land cover mapping at 30 m resolution: A POK-based operational approach
Forkuo et al. Analysis of forest cover change detection
Jin et al. Mapping paddy rice distribution using multi-temporal Landsat imagery in the Sanjiang Plain, northeast China
Guan et al. Improving land cover change detection and classification with Brdf correction and spatial feature extraction using Landsat time series: a case of urbanization in Tianjin, China
Chen et al. A simple method for detecting phenological change from time series of vegetation index
Kumpf et al. Visual analysis of the temporal evolution of ensemble forecast sensitivities
Liu et al. Establishing forest resilience indicators in the hilly red soil region of southern China from vegetation greenness and landscape metrics using dense Landsat time series
Wan et al. Mapping annual urban change using time series Landsat and NLCD
Supriyono Critical land detection watershed river bengkulu and effect of coastal area using geographic information system
Tang et al. A novel sample selection method for impervious surface area mapping using JL1-3B nighttime light and Sentinel-2 imagery
Magliulo et al. Detection of permanently eroded landsurfaces through multitemporal analysis of Landsat data: a case study from an agricultural area in southern Italy
Zhang et al. Improved model for estimating the biomass of Populus euphratica forest using the integration of spectral and textural features from the Chinese high-resolution remote sensing satellite GaoFen-1
Khudhur et al. Comparison of the accuracies of different spectral indices for mapping the vegetation covers in Al-Hawija district, Iraq
Abbas et al. An assessment of status and distribution of mangrove forest cover in Pakistan
Kılıç et al. An integrated framework to identify and map gullies in a Mediterranean region of Turkey
Hashim et al. Land use land cover analysis with pixel-based classification approach
Niraj et al. Fate of agricultural areas of Kailali District of Nepal: A temporal land use land cover change (LUCC) analysis
Chairil et al. The effect of Pare-Pare City’s development on land use/land cover change in Karajae Watershed
Basofi et al. Analysis of land use changed in ponorogo based on landsat 8 imaginary using ndvi classification
Iliyas et al. Mangrove area detection by using high resolution satellite imagery
Uhl et al. A framework for radiometric sensitivity evaluation of medium resolution remote sensing time series data to built-up land cover change
Ara et al. Urban Area Growth Monitoring in Sylhet City Using Remote Sensing and Geographic Information System from 2002 to 2017
Traviglia MIVIS hyperspectral sensors for the detection and GIS supported interpretation of subsoil archaeological sites

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