CN115100534B - 森林优势树种识别方法、装置、设备及存储介质 - Google Patents
森林优势树种识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115100534B CN115100534B CN202211007458.0A CN202211007458A CN115100534B CN 115100534 B CN115100534 B CN 115100534B CN 202211007458 A CN202211007458 A CN 202211007458A CN 115100534 B CN115100534 B CN 115100534B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- remote sensing
- forest
- sensing time
- image data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种森林优势树种识别方法、装置、设备及存储介质，该方法包括获取目标森林的遥感时序影像数据，提取各地类的遥感时序特征变量，对各地类的遥感时序特征变量进行聚类，并根据聚类结果，建立森林优势树种识别分层分类体系，基于森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型，利用分层分类决策树模型对目标森林进行优势树种识别。本发明通过提取各地类的遥感时序特征变量，建立森林优势树种识别分层分类体系，并以此构建分层分类决策树模型，实现森林优势树种识别，解决了目前森林优势树种研究操作复杂，自动化程度和分类精度不高、分类方法不够严谨的技术问题。
Description
技术领域
本发明涉及高海拔地区森林资源调查和分类技术领域，尤其涉及到一种森林优势树种识别方法、装置、设备及存储介质。
背景技术
森林树种的识别与分布情况是森林资源调查的重要组成部分，对于森林资源管理、生物多样性评估、水土保持以及森林碳储量估算都具有重要参考价值，对进一步开展区域森林碳储量、碳汇、生态水文保护等研究具有重要意义。
高海拔地区一般指海拔1500米以上的地区，对高海拔地区开展森林优势树种识别研究对高原森林生态系统服务价值评价提供参考，是对生态保护、生物多样性发展的重要实践。然而，高海拔地区因其地势复杂、环境恶劣的特殊性成为森林优势树种识别的难点地区。
相关研究表明，不同类型的遥感影像对森林优势树种识别的精度有不同影响。遥感影像融合可以克服单个传感器的缺点，充分利用多种信息之间的优势互补，提高地物提取精度，尤其改善森林分类。同时，森林植被的生长周期较长，植被在每个阶段的生长发育情况和物候信息不同，人们发现通过构建时间序列影像数据集可以提取植被的相关物候特征，获得关于树木生长阶段的有用信息，从而开展具有时间特征的森林类型分类研究。如何利用时间序列特征及其差异进行森林优势树种识别研究是当前的热点之一。
分类方法在一定程度上也影响分类精度。有研究表明，常用的分类方法例如最大似然法、支持向量机和神经网络等虽然提高了分类精度和自动化程度，但所需样本量较多且运算复杂，所以决策树分类法因其简单快速、所需样本量少而被广泛应用于森林遥感监测领域。而决策树分类法的重点就在于各分类节点特征的选择与阈值选取。
因此，如何提供一种高精度、操作简单、自动化程度更高且更科学的高海拔地区森林优势树种方法，是一个亟需解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种森林优势树种识别方法、装置、设备及存储介质，旨在解决目前的森林优势树种识别方法操作复杂，自动化程度和分类精度不高、分类方法不严谨的技术问题。
为实现上述目的，本发明提供一种森林优势树种识别方法，所述方法包括以下步骤：
获取目标森林的遥感时序影像数据，提取各地类的遥感时序特征变量；
对各地类的遥感时序特征变量进行聚类，并根据聚类结果，建立森林优势树种识别分层分类体系；
基于所述森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型；
利用所述分层分类决策树模型对目标森林进行优势树种识别。
可选的，所述获取目标森林的遥感时序影像数据，提取各地类的遥感时序特征变量步骤，具体包括：
获取目标森林的光学遥感时序影像数据和雷达遥感时序影像数据，执行数据预处理操作；
对预处理后的光学遥感时序影像数据和雷达遥感时序影像数据，执行PCA图像融合和时间序列HANTS谐波重构；
对时间序列HANTS谐波重构处理后的遥感时序影像数据，执行特征变量提取操作，获得各地类的遥感时序特征变量。
可选的，对所述光学遥感时序影像数据执行数据预处理操作包括辐射定标、大气校正、镶嵌裁剪中的一种或多种，对所述雷达遥感时序影像数据执行数据预处理操作包括辐射定标、多视处理、应用轨道文件、斑点滤波、镶嵌裁剪中的一种或多种。
可选的，执行所述PCA图像融合步骤，具体包括：
对所述光学遥感时序影像数据执行PCA变换，确定两个信息量贡献最少的波段；
利用所述雷达遥感时序影像数据中的VV波段和VH波段对所述两个信息量贡献最少的波段进行替换；
通过逆主成分变换将波段融合，获得光学遥感时序影像数据和雷达遥感时序影像数据的遥感时序融合影像数据。
可选的，执行所述时间序列HANTS谐波重构步骤，具体包括：
利用快速傅里叶变换获得遥感时序融合影像数据的原拟合曲线，对无效数据赋予零权重，以对时间序列进行重构；
其中，重构后的时间序列的表达式为：
式中， 
为重构后的时间序列，
为余项，表示时序的平均值；n为时间间隔；N
为时间序列长度； 
为振幅； 
为时间频率； 
为相位角。
可选的，所述对各地类的遥感时序特征变量进行聚类，并根据聚类结果，建立森林优势树种识别分层分类体系步骤，具体包括：
对各地类的遥感时序特征变量进行系统聚类分析，得到初步的分层分类体系，并根据空间信息和气象信息对初步的分层分类体系进行优化；
对每层的遥感时序特征变量进行单因素方差分析处理，根据地类间的差异显著性，确定各分类节点的特征变量，并建立森林优势树种识别分层分类体系。
可选的，所述基于所述森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型步骤，具体包括：
利用动态阈值算法，获取所述森林优势树种识别分层分类体系中各分类节点特征变量的阈值，并建立分层分类决策树模型；
其中，所述动态阈值算法采用OTSU算法和Canny边缘检测算法相结合的Edge-OTSU动态阈值分割算法。
此外，为了实现上述目的，本发明还提供了一种森林优势树种识别装置，所述森林优势树种识别装置包括：
提取模块，用于获取目标森林的遥感时序影像数据，提取各地类的遥感时序特征变量；
建立模块，用于对各地类的遥感时序特征变量进行聚类，并根据聚类结果，建立森林优势树种识别分层分类体系；
构建模块，用于基于所述森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型；
识别模块，用于利用所述分层分类决策树模型对目标森林进行优势树种识别。
此外，为了实现上述目的，本发明还提供了一种森林优势树种识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的森林优势树种识别方法程序，所述森林优势树种识别方法程序被所述处理器执行时实现上述的森林优势树种识别方法的步骤。
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有森林优势树种识别方法程序，所述森林优势树种识别方法程序被处理器执行时实现上述的森林优势树种识别方法的步骤。
本发明实施例提出的一种森林优势树种识别方法、装置、设备及存储介质，该方法包括获取目标森林的遥感时序影像数据，提取各地类的遥感时序特征变量，对各地类的遥感时序特征变量进行聚类，并根据聚类结果，建立森林优势树种识别分层分类体系，基于所述森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型，利用所述分层分类决策树模型对目标森林进行优势树种识别。本发明通过提取各地类的遥感时序特征变量，建立森林优势树种识别分层分类体系，并以此构建分层分类决策树模型，实现森林优势树种识别，解决了目前森林优势树种研究操作复杂，自动化程度和分类精度不高、分类方法不够严谨的技术问题。
附图说明
图1为本发明实施例中一种森林优势树种识别设备的结构示意图；
图2为本发明实施例中一种森林优势树种识别方法的流程示意图；
图3为本发明实施例中森林优势树种识别方法的原理示意图；
图4为本发明实施例中分层分类决策树模型示意图；
图5为本发明实施例中对香格里拉市进行森林优势树种识别的结果图；
图6为本发明实施例中对各地类的面积提取对比图；
图7为本发明实施例中一种森林优势树种识别装置的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
目前，在相关技术领域中，现有的高海拔地区森林优势树种研究操作复杂，自动化程度和分类精度不高、分类方法不够严谨。
为了解决这一问题，提出本发明的森林优势树种识别方法的各个实施例。本发明提供的森林优势树种识别方法通过提取各地类的遥感时序特征变量，建立森林优势树种识别分层分类体系，并以此构建分层分类决策树模型，实现森林优势树种识别，解决了目前森林优势树种研究操作复杂，自动化程度和分类精度不高、分类方法不够严谨的技术问题。
参照图1，图1为本发明实施例方案涉及的森林优势树种识别设备的结构示意图。
设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment，UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station，MS)等。设备可能被称为用户终端、便携式终端、台式终端等。
通常，设备包括：至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的森林优势树种识别方法程序，所述森林优势树种识别方法程序配置为实现如前所述的森林优势树种识别方法的步骤。
处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关森林优势树种识别方法操作，使得森林优势树种识别方法模型可以自主训练学习，提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的森林优势树种识别方法。
在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。通信接口303通过外围设备用于接收用户上传的多个移动终端的移动轨迹以及其他数据。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信，从而可获取多个移动终端的移动轨迹以及其他数据。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(WirelessFidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near FieldCommunication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图1中示出的结构并不构成对森林优势树种识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例提供了一种森林优势树种识别方法，参照图2，图2为本发明森林优势树种识别方法实施例的流程示意图。
本实施例中，所述森林优势树种识别方法包括以下步骤：
步骤S100，获取目标森林的遥感时序影像数据，提取各地类的遥感时序特征变量。
需要说明的是，获取的目标森林的遥感时序影像数据包括光学遥感时序影像数据和雷达遥感时序影像数据，以此根据遥感时序特征差异来提取遥感时序特征变量。
具体而言，首先获取目标森林的光学遥感时序影像数据和雷达遥感时序影像数据，执行数据预处理操作，然后对预处理后的光学遥感时序影像数据和雷达遥感时序影像数据，执行PCA图像融合和时间序列HANTS谐波重构，最后对时间序列HANTS谐波重构处理后的遥感时序影像数据，执行特征变量提取操作，获得各地类的遥感时序特征变量。
容易理解的，时间序列数据为一个年度的长时间序列影像。对所述光学遥感时序影像数据执行数据预处理操作包括辐射定标、大气校正、镶嵌裁剪中的一种或多种，对所述雷达遥感时序影像数据执行数据预处理操作包括辐射定标、多视处理、应用轨道文件、斑点滤波、镶嵌裁剪中的一种或多种。
在实际应用中，执行PCA图像融合，可以首先通过对所述光学遥感时序影像数据执行PCA变换，确定两个信息量贡献最少的波段，再利用所述雷达遥感时序影像数据中的VV波段和VH波段对所述两个信息量贡献最少的波段进行替换，最后通过逆主成分变换将波段融合，获得光学遥感时序影像数据和雷达遥感时序影像数据的较高数据质量的遥感时序融合影像数据。
容易理解的，执行时间序列HANTS谐波重构的原理为：时间波谱数据可以分解为多个简单的波普曲线，首先通过快速傅里叶变换得到观测样本的原本拟合曲线，之后通过对无效数据赋予零权重而去除无效数据，从而将原来的曲线拟合问题转化为加权最小二乘曲线拟合以达到时序重构的目的。
重构后的时间序列的表达式为：
式中， 
为重构后的时间序列， 
为余项，表示时序的平均值；n为时间间隔；N
为时间序列长度； 
为振幅； 
为时间频率； 
为相位角。
需要说明的是，在执行特征变量提取操作，获得各地类的遥感时序特征变量时，对经上述处理后的光学和雷达遥感影像数据执行特征变量提取操作，利用训练样本数据获得各地类遥感时序特征变量；其中，所述样本数据来源于高清影像和森林资源调查数据，30%为训练样本数据，70%为验证样本数据；所述遥感时序特征变量包括光谱时序特征变量和雷达时序特征变量。
步骤S200，对各地类的遥感时序特征变量进行聚类，并根据聚类结果，建立森林优势树种识别分层分类体系。
在获得各地类的遥感时序特征变量后，可对遥感时序特征变量进行聚类和森林优势树种识别分层分类体系的建立。
具体而言，对各地类的遥感时序特征变量进行系统聚类分析，得到初步的分层分类体系，并根据空间信息和气象信息对初步的分层分类体系进行优化，对每层的遥感时序特征变量进行单因素方差分析处理，根据地类间的差异显著性，确定各分类节点的特征变量，并建立森林优势树种识别分层分类体系。
需要说明的是，根据地类间的差异显著性，确定各分类节点的特征变量，通过对每层的遥感时序特征变量进行单因素方差分析，以地类间差异显著性最大（P<0.05）的原则确定各分类节点的特征变量。
步骤S300，基于所述森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型。
在获得建立的森林优势树种识别分层分类体系后，可依次构建分层分类决策树模型，以对目标森林执行森林优势树种识别。
具体而言，利用动态阈值算法，获取所述森林优势树种识别分层分类体系中各分类节点特征变量的阈值，并建立分层分类决策树模型；
其中，所述动态阈值算法采用OTSU算法和Canny边缘检测算法相结合的Edge-OTSU动态阈值分割算法。
步骤S400，利用所述分层分类决策树模型对目标森林进行优势树种识别。
在利用分层分类决策树模型对目标森林进行优势树种识别后，还可利用验证样本数据对识别结果进行精度验证，绘制森林优势树种识别图。
具体而言，对森林优势树种识别结果进行精度验证；其中，精度验证指标包括：总
体精度（Overall Accuracy，OA）、Kappa系数、用户精度（User Accuracy，UA）、制图精度
（Producer Accuracy，PA）、PA和UA的调和平均值（ 
），表达式为：
为了更清楚的解释本申请，下面以香格里拉市的森林为例，具体说明根据目标森林构建分层分类决策树模型以及基于该模型进行森林优势树种识别的过程。
香格里拉市位于云南省西北部的滇川藏大三角区域，地处迪庆香格里拉腹心地带，地理坐标为99°20′～100°19′E，26°52′～28°52′N。地形总趋势西北高、东南低，平均海拔3549m，垂直落差大，气候属温带-山地季风气候，年平均气温4.7℃～16.5℃，独特的自然环境造就了丰富的自然景观，是我国保存较好的以亚高山针叶林为主的天然林区。据统计，研究区总面积11613km2，林业用地占总面积的83.3%，森林覆盖率为74.99%，植物资源丰富，常见树种有高山松(Pinus densata)、云南松(Pinus yunnanensis)、云冷杉(Picea asperata)等。
参见图3，提供一种基于遥感时序特征差异和Edge-OTSU算法的高海拔地区森林优势树种识别方法的流程图，具体包括以下步骤：
1.时间序列遥感影像获取与处理
以香格里拉市为研究区，通过Google Earth Engine (GEE)云平台获取时间序列雷达数据和光学数据，时间覆盖范围为2020年1月至2020年12月。
其中，雷达数据为Sentinel-1A的IW模式下双极化（VV、VH）Level-1级别地距影像（Ground Range Detected，GRD）；光学数据为经过大气校正的Sentinel-2A影像。
在进行遥感影像预处理时，对Sentinel-1A影像进行筛选、斑点噪声去除（RefinedLee滤波）、裁剪镶嵌处理；对Sentinel-2A影像进行去云筛选、镶嵌裁剪，得到香格里拉市Sentinel-1A、Sentinel-2A遥感影像。之后，通过图像PCA融合和时序HANTS谐波重构，得到香格里拉市的最终影像。
2.遥感时序特征变量提取与分层分类体系建立
在GEE中利用训练样本数据进行各地类遥感时序特征变量的提取并导出，变量如下表所示：
表1：遥感时序特征变量
在获得各地类遥感时序特征变量之后，还需要对特征进行系统聚类分析和单因素方差分析，建立高海拔地区森林优势树种识别分层分类体系。
具体而言，将提取到的各地类遥感时序特征变量导入到SPSS中，首先进行系统聚类分析，得到初步的分层分类体系，再结合各地类的空间和气象信息（海拔、年均温）对其进行优化调整：云杉、冷杉常是混交林，不易区分，且与落叶松同为寒温性针叶林，所以云冷杉林、落叶松林为第一大类；高山松在垂直分布上较云南松高，但在海拔3000m以下以高山松与云南松混交为主，而其他针叶林常与高山松林、云南松林混交，因此高山松林、云南松林、其他针叶林为第二大类。
根据上述优化调整后的分层分类体系，对每层的遥感时序特征变量进行单因素方差分析，以地类间差异显著性最大（P<0.05）的原则确定各分类节点的特征变量，建立最终的森林优势树种识别分层分类体系（表2）。森林与非森林分类的节点特征为NDVI平均值；针叶林与阔叶林分类的节点特征为VH平均值；优势树种识别首先根据海拔划分两大类，第一大类为云冷杉、落叶松、高山松、其他针叶林，第二大类为高山松、云南松、其他针叶林。第一大类中，落叶松与云冷杉、高山松、其他针叶林分类的节点特征为NDVI12平均值；云冷杉与高山松、其他针叶林分类的节点特征为Diff平均值；高山松与其他针叶林分类的节点特征为年均温。第二大类中，其他针叶林与高山松、云南松分类的节点特征为VH9平均值；高山松与云南松分类的节点特征为EVI8平均值。
表2：森林优势树种识别分层分类体系
3.分层分类决策树模型构建与分类
进一步的，如图4所示，各分类节点阈值的计算可通过Edge-OTSU动态阈值分割算法确定，与其他采用目视特征值判断和正态分布逼近的研究相比，其自动化和精度更高。
具体而言，在GEE云平台中，根据最终的香格里拉市遥感影像，调用Edge-OTSU动态阈值分割算法进行阈值计算，构建分层分类决策树模型（图4）。由图4可以看出，利用NDVI是否大于0.453判断森林与非森林，NDVI大于0.453的为森林，NDVI小于0.453的为非森林。利用VH是否大于-14.763判断针叶林和阔叶林，VH大于-14.763为针叶林，VH小于-14.763为阔叶林。因为研究区地形复杂、环境多变，所以加入海拔、年均温等环境因子进行优势树种的识别；海拔大于2900米，NDVI12小于0.516为落叶松林；海拔大于2900米，NDVI12大于0.516且Diff大于5.766为云冷杉林；海拔大于2900米，NDVI12大于0.516，Diff小于5.766且年均温小于12℃为高山松林；海拔大于2900米，NDVI12大于0.516，Diff小于5.766且年均温大于12℃为其他针叶林；海拔小于2900米，VH9小于-18.240为其他针叶林；海拔小于2900米，VH9大于-18.240，EVI8大于0.343为云南松林；海拔小于2900米，VH9大于-18.240，EVI8小于0.343为高山松林。
4.精度验证与绘图
根据构建的森林分层分类决策树模型，对研究区进行分类，获得最终的分类图，利用验证样本数据对结果进行精度验证。
具体而言，在GEE中利用上述分层分类决策树模型进行香格里拉市森林优势树种识别，利用验证样本数据并调用混淆矩阵模块对分类结果进行精度评价。其中，样本数据由高清影像和森林资源调查数据获得。混淆矩阵如下表所示：
表3：混淆矩阵
由混淆矩阵表可知，高山松、云南松、云冷杉、落叶松的PA均达到90%以上，其他针
叶林达85%以上；高山松、云冷杉、落叶松、其他针叶林的UA均达到90%以上，云南松的UA达
85%以上；总体而言，优势树种间错分率、漏分率较低， 
为93.38%，总体分类精度OA达
93.39%，Kappa系数为0.92，分类效果较好。最终森林优势树种识别结果图如图5所示。
为进一步说明分类效果，根据分类结果进行各地类的面积提取，并与真实地物面积对比。根据图6可知，各地类正确提取率均在80%以上，其中森林、针叶林、云南松、云冷杉、落叶松的正确提取率均在90%以上。本发明的分类效果较好，且优势树种分布面积由大到小为云冷杉林>高山松林>云南松林>落叶松林>其他针叶林。在本实施例中，提供了一种森林优势树种识别方法，通过提取各地类的遥感时序特征变量，建立森林优势树种识别分层分类体系，并以此构建分层分类决策树模型，实现森林优势树种识别，解决了目前森林优势树种研究操作复杂，自动化程度和分类精度不高、分类方法不够严谨的技术问题。
参照图7，图7为本发明森林优势树种识别装置实施例的结构框图。
如图7所示，本发明实施例提出的森林优势树种识别装置包括：
提取模块10，用于获取目标森林的遥感时序影像数据，提取各地类的遥感时序特征变量；
建立模块20，用于对各地类的遥感时序特征变量进行聚类，并根据聚类结果，建立森林优势树种识别分层分类体系；
构建模块30，用于基于所述森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型；
识别模块40，用于利用所述分层分类决策树模型对目标森林进行优势树种识别。
本发明森林优势树种识别装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有森林优势树种识别方法程序，所述森林优势树种识别方法程序被处理器执行时实现如上文所述的森林优势树种识别方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等，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)执行本发明各个实施例所述的方法。
Claims (7)
1.一种高海拔地区森林优势树种识别方法，其特征在于，所述方法包括以下步骤：
获取目标森林的光学遥感时序影像数据和雷达遥感时序影像数据，执行数据预处理操作；
对预处理后的光学遥感时序影像数据和雷达遥感时序影像数据，执行PCA图像融合和时间序列HANTS谐波重构；其中，所述执行PCA图像融合，具体包括：对所述光学遥感时序影像数据执行PCA变换，确定两个信息量贡献最少的波段；利用所述雷达遥感时序影像数据中的VV波段和VH波段对所述两个信息量贡献最少的波段进行替换；通过逆主成分变换将波段融合，获得光学遥感时序影像数据和雷达遥感时序影像数据的遥感时序融合影像数据；
对时间序列HANTS谐波重构处理后的遥感时序影像数据，执行特征变量提取操作，获得各地类的遥感时序特征变量；
对各地类的遥感时序特征变量进行系统聚类分析，得到初步的分层分类体系，并根据空间信息和气象信息对初步的分层分类体系进行优化；
对每层的遥感时序特征变量进行单因素方差分析处理，根据地类间的差异显著性，确定各分类节点的特征变量，并建立森林优势树种识别分层分类体系；其中，所述分类节点的特征变量包括NDVI平均值、VH平均值、海拔、NDVI12平均值、Diff平均值、平均温、VH9平均值和EVI8平均值；
基于所述森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型；
利用所述分层分类决策树模型对目标森林进行优势树种识别。
2.如权利要求1所述的高海拔地区森林优势树种识别方法，其特征在于，对所述光学遥感时序影像数据执行数据预处理操作包括辐射定标、大气校正、镶嵌裁剪中的一种或多种，对所述雷达遥感时序影像数据执行数据预处理操作包括辐射定标、多视处理、应用轨道文件、斑点滤波、镶嵌裁剪中的一种或多种。
3.如权利要求1所述的高海拔地区森林优势树种识别方法，其特征在于，执行所述时间序列HANTS谐波重构步骤，具体包括：
利用快速傅里叶变换获得遥感时序融合影像数据的原拟合曲线，对无效数据赋予零权重，以对时间序列进行重构；
其中，重构后的时间序列的表达式为：
式中，
为重构后的时间序列，
为余项，表示时序的平均值；n为时间间隔；N为时间
序列长度；
为振幅；
为时间频率；
为相位角。
4.如权利要求1所述的高海拔地区森林优势树种识别方法，其特征在于，所述基于所述森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型步骤，具体包括：
利用动态阈值算法，获取所述森林优势树种识别分层分类体系中各分类节点特征变量的阈值，并建立分层分类决策树模型；
其中，所述动态阈值算法采用OTSU算法和Canny边缘检测算法相结合的Edge-OTSU动态阈值分割算法。
5.一种高海拔地区森林优势树种识别装置，其特征在于，所述森林优势树种识别装置包括：
提取模块，用于获取目标森林的光学遥感时序影像数据和雷达遥感时序影像数据，执行数据预处理操作；对预处理后的光学遥感时序影像数据和雷达遥感时序影像数据，执行PCA图像融合和时间序列HANTS谐波重构；其中，所述执行PCA图像融合，具体包括：对所述光学遥感时序影像数据执行PCA变换，确定两个信息量贡献最少的波段；利用所述雷达遥感时序影像数据中的VV波段和VH波段对所述两个信息量贡献最少的波段进行替换；通过逆主成分变换将波段融合，获得光学遥感时序影像数据和雷达遥感时序影像数据的遥感时序融合影像数据；对时间序列HANTS谐波重构处理后的遥感时序影像数据，执行特征变量提取操作，获得各地类的遥感时序特征变量；
建立模块，用于对各地类的遥感时序特征变量进行系统聚类分析，得到初步的分层分类体系，并根据空间信息和气象信息对初步的分层分类体系进行优化；对每层的遥感时序特征变量进行单因素方差分析处理，根据地类间的差异显著性，确定各分类节点的特征变量，并建立森林优势树种识别分层分类体系；其中，所述分类节点的特征变量包括NDVI平均值、VH平均值、海拔、NDVI12平均值、Diff平均值、平均温、VH9平均值和EVI8平均值；
构建模块，用于基于所述森林优势树种识别分层分类体系和动态阈值算法，构建分层分类决策树模型；
识别模块，用于利用所述分层分类决策树模型对目标森林进行优势树种识别。
6.一种高海拔地区森林优势树种识别设备，其特征在于，所述高海拔地区森林优势树种识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的高海拔地区森林优势树种识别方法程序，所述高海拔地区森林优势树种识别方法程序被所述处理器执行时实现如权利要求1至4中任一项所述的高海拔地区森林优势树种识别方法的步骤。
7.一种存储介质，其特征在于，所述存储介质上存储有高海拔地区森林优势树种识别方法程序，所述高海拔地区森林优势树种识别方法程序被处理器执行时实现如权利要求1至4中任一项所述的高海拔地区森林优势树种识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211007458.0A CN115100534B (zh) | 2022-08-22 | 2022-08-22 | 森林优势树种识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211007458.0A CN115100534B (zh) | 2022-08-22 | 2022-08-22 | 森林优势树种识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100534A CN115100534A (zh) | 2022-09-23 |
| CN115100534B true CN115100534B (zh) | 2022-12-06 |
Family
ID=83299844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211007458.0A Active CN115100534B (zh) | 2022-08-22 | 2022-08-22 | 森林优势树种识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100534B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN111461033A (zh) * | 2020-04-07 | 2020-07-28 | 北京中科千寻科技有限公司 | 一种基于分支cnn使用sar和多光谱遥感数据的局部气候区域分类结构及方法 |
| CN114926748A (zh) * | 2022-06-15 | 2022-08-19 | 安徽理工大学 | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108476648A (zh) * | 2018-02-26 | 2018-09-04 | 福建省林业科学研究院（福建省林业技术发展研究中心、福建省林业生产力促进中心、中国林业科学研究院海西分院） | 一种岩质海岸困难立地植被恢复的方法及系统 |
| US11636672B2 (en) * | 2019-10-15 | 2023-04-25 | A.U.G. Signals Ltd. | Crop phenology estimation and tracking with remote sensing imagery |
| CN113128401B (zh) * | 2021-04-19 | 2021-11-26 | 中国水利水电科学研究院 | 基于光学和雷达遥感数据的区域实际灌溉面积监测方法 |
| CN114694039B (zh) * | 2022-04-15 | 2024-06-28 | 湖南大学 | 一种遥感高光谱与激光雷达图像融合分类方法及装置 |
-
2022
- 2022-08-22 CN CN202211007458.0A patent/CN115100534B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN111461033A (zh) * | 2020-04-07 | 2020-07-28 | 北京中科千寻科技有限公司 | 一种基于分支cnn使用sar和多光谱遥感数据的局部气候区域分类结构及方法 |
| CN114926748A (zh) * | 2022-06-15 | 2022-08-19 | 安徽理工大学 | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| GF-2和Sentinel-2全色多光谱影像融合方法比较研究;杨军 等;《测绘科学》;20220120;第47卷(第1期);112-120 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100534A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Wheat ear counting using K-means clustering segmentation and convolutional neural network | |
| Xu et al. | Object‐based mapping of karst rocky desertification using a support vector machine | |
| Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
| CN113040034A (zh) | 一种节水灌溉控制系统及控制方法 | |
| CN112733688B (zh) | 房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质 | |
| Zhang et al. | Spatial domain bridge transfer: An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area | |
| JP2014100099A (ja) | 森林情報管理装置 | |
| Ding et al. | Time-series land cover mapping and urban expansion analysis using OpenStreetMap data and remote sensing big data: A case study of Guangdong-Hong Kong-Macao Greater Bay Area, China | |
| CN103914692A (zh) | 一种用于煤矿周围地表水系的遥感识别方法 | |
| WO2021133310A1 (en) | Agricultural decision support system | |
| Jin et al. | A Smart Water Metering System Based on Image Recognition and Narrowband Internet of Things. | |
| Dong et al. | A cloud detection method for GaoFen-6 wide field of view imagery based on the spectrum and variance of superpixels | |
| CN115100534B (zh) | 森林优势树种识别方法、装置、设备及存储介质 | |
| CN111191530B (zh) | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 | |
| CN112966656A (zh) | 数据处理方法及装置 | |
| CN117690017A (zh) | 一种顾及物候时序特征的单、双季水稻提取方法 | |
| Liu et al. | Analysis of coastline changes and the socio-economic driving mechanisms in Shenzhen, China | |
| CN108109125A (zh) | 基于遥感图像的信息提取方法和装置 | |
| CN114937029B (zh) | 森林碳储量抽样估测方法、装置、设备及存储介质 | |
| Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
| CN115035313B (zh) | 黑颈鹤识别方法、装置、设备及存储介质 | |
| CN116977851A (zh) | 一种基于变化检测的弃耕识别方法及装置 | |
| Babykalpana et al. | Classification of LULC Change Detection using Remotely Sensed Data for Coimbatore City, Tamilnadu, India | |
| Guo et al. | Abandoned terrace recognition based on deep learning and change detection on the Loess Plateau in China | |
| CN115526816A (zh) | 遥感图像处理方法、存储介质和电子设备 |
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 |