CN115205675B - 一种基于多源遥感数据的森林变化驱动力分类方法 - Google Patents

一种基于多源遥感数据的森林变化驱动力分类方法 Download PDF

Info

Publication number
CN115205675B
CN115205675B CN202210744722.2A CN202210744722A CN115205675B CN 115205675 B CN115205675 B CN 115205675B CN 202210744722 A CN202210744722 A CN 202210744722A CN 115205675 B CN115205675 B CN 115205675B
Authority
CN
China
Prior art keywords
forest
driving force
change
data
data set
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
CN202210744722.2A
Other languages
English (en)
Other versions
CN115205675A (zh
Inventor
严欣荣
王卷乐
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural 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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202210744722.2A priority Critical patent/CN115205675B/zh
Publication of CN115205675A publication Critical patent/CN115205675A/zh
Application granted granted Critical
Publication of CN115205675B publication Critical patent/CN115205675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明属于遥感影像处理技术领域，具体为一种基于多源遥感数据的森林变化驱动力分类方法，该基于多源遥感数据的森林变化驱动力分类方法的具体步骤流程如下：S1、森林变化数据集的构建；S11提取森林变化数据集的年度无云影像合成；S12森林变化数据集提取；S13森林变化、扰动和恢复程度数据Level的生成；S2、多源遥感影像数据集构建；S3、决策树模型对森林变化数据的分类；S31构建森林扰动驱动力与土地利用的关系映射；S32确定森林恢复驱动力与土地利用、地形数据的空间关系，本发明提出的方法不依赖于大量实地调查和高分辨影像勾绘，减少以往驱动力信息提取过程中繁重的工作量。

Description

一种基于多源遥感数据的森林变化驱动力分类方法
技术领域
本发明涉及遥感影像处理技术领域，具体为一种基于多源遥感数据的森林变化驱动力分类方法。
背景技术
森林变化是指森林扰动和恢复这两个过程，又可称为森林的损失和增益。森林扰动包括毁林和损失，毁林是森林状态突然转变为无森林状态，森林损失是森林覆盖部分的损失，如森林退化、选择性采伐和人为森林管理活动。森林恢复是森林扰动的反向过程，在改善的水热条件或人工抚育条件下森林覆盖度增加的过程。森林变化驱动力是引起森林扰动和恢复的原因，例如砍伐、火灾、森林退化、自然恢复、人工恢复等。明确这些驱动力可以为森林管理政策的制定与调整，区域可持续发展提供重要的数据支撑。
现有森林变化驱动力的分类得方法有实地调查、人工结合遥感影像勾绘、监督分类方法等，其中：
1)实地调查是森林变化驱动力信息获取最准确的方法之一，实地调查需要林业工作人员或调查人员携带定位仪器到达森林变化区域进行目视调查与记录，记录森林变化点的实地坐标和属性信息，包括是否为森林迹地、是否为森林、扰动和恢复驱动力、边界范围等。但实地调查需要较高人力和其他资源，且不能在森林变化快、高山高寒高海拔区域进行持续性测量与记录。
2)人工结合遥感影像勾绘是获得森林变化驱动力一种方法，此类方法需要有专业背景的调查人员结合及时和历史遥感影像进行森林变化区域驱动力的识别。例如：燃烧严重程度监测趋势(MTBS)项目使用陆地卫星数据绘制了美国和阿拉斯加从1984年到现在的年度火灾面积和严重程度的地图。美国空中探测调查(ADS)项目绘制了由昆虫和疾病引起的森林破坏的地图。但这种方法只能识别小范围的森林变化驱动力，且变化驱动力类型单一。
3)监督分类方法是近年来监测森林变化驱动力的一种探索方法，相比人工结合遥感影勾绘方式是一种改进的半自动提取方法。这类方法结合算法模型和先验知识，实现变更驱动信息的提取，利用检测到的森林扰动斑块受到扰动时间前后的光谱、纹理和地形等属性，并结合其他辅助数据，利用随机森林、回归树等分类器进行驱动力分类。但这只方法对于数据预处理的要求极高，尤其是在构建扰动时间前后的光谱、纹理信息的提取，只能够对森林扰动驱动力进行分类，目前没有对森林恢复驱动力进行分分类。
发明内容
本发明的目的在于提供一种基于多源遥感数据的森林变化驱动力分类方法，以解决上述背景技术中提出的目前的三种方法对于数据预处理的要求极高，尤其是在监督分类中构建扰动时间前后的光谱、纹理信息提取难，森林扰动驱动力分类类型单一，目前没有对森林恢复驱动力进行分分类的问题。
为实现上述目的，本发明提供如下技术方案：一种基于多源遥感数据的森林变化驱动力分类方法，该基于多源遥感数据的森林变化驱动力分类方法的具体步骤流程如下：
S1、森林变化数据集的构建；提取森林变化数据集的年度无云影像合成；森林变化数据集提取；森林变化、扰动和恢复程度数据Level的生成，森林变化数据需要满足以下几个特征：该森林变化数据需要为空间数据，并记录森林发生变化的年份、变化持续时间信息，该森林变化数据集的构建使用连续变化监测算法自主生产，所述提取森林变化数据集的年度无云影像合成中，该年度无云影像合成使用Landsat中长时间分辨率生长季的遥感影像，通过去云算法去除云、阴影、水、雪的影响，生成时间序列的年度无云遥感影像，并生成Normalized burn ratio、NDVI指数，对于影像合成时间，北半球和南半球、高纬度和低纬度均有差异，通过文献查询、Modis植被指数数据分析得到，Modis植被指数的分析使用可视化界面生成植被指数动画辅助完成；所述森林变化数据集提取中，该森林变化数据集提取使用变化监测算法对提取森林变化数据集的年度无云影像合成中生成的数据进行分割，完成森林变化数据集的提取，变化监测算法包括但不限于LandTrendr、植被变化追踪器、BFAST、VeRDET、CCDC、COLD，这些算法大多是基于遥感影像像素的时相-光谱分割算法，适用于中分辨率时间序列卫星影像的变化检测，森林变化数据集通过桌面端软件完成，或通过云计算平台完成；所述森林变化、扰动和恢复程度数据Level的生成中，森林变化、扰动和恢复程度数据Level的生成会根据变化监测算法监测到提取森林变化数据集的年度无云影像合成中指数的变化幅度，参考已发表文献或结合高分辨率影像目视判读，按照整个区域内的情况将森林扰动分为轻度、中度和重度，数据被标记为Level，并将该数据加入森林变化数据集；
S2、多源遥感影像数据集构建，多源遥感影像数据集用于S3中的决策树模型分类，这里的多源遥感影像包括S1中生产的森林变化数据集，任意来源的土地利用数据集、火灾数据集或地形数据集四类数据，火灾数据集的时间需要与森林变化数据集保持一致，土地利用数据集时间为森林变化数据集的最后一年；
S3、决策树模型对森林变化数据的分类；构建森林扰动驱动力与土地利用的关系映射；确定森林恢复驱动力与土地利用、地形数据的空间关系；根据构建森林扰动驱动力与土地利用的关系映射和确定森林恢复驱动力与土地利用、地形数据的空间关系确定的映射关系和空间关系，构建决策树模型，构建森林扰动驱动力与土地利用的关系映射会根据不同区域森林变化特征，参照区域特点划分森林变化驱动力，森林扰动驱动力与土地利用之间的映射关系：森林受到扰动后变为耕地，则驱动力为农业转移；森林受到扰动后依然为森林，则驱动力是商品林种植或者是受到自然灾害扰动，两者通过距离人为活动的范围来判定；森林受到扰动后土地利用类型变为草地、灌木、湿地，则考虑森林退化为森林变化的主要驱动力；森林受到扰动后土地利用类型变为人工地表，则考虑驱动力为人类活动包括建设活动和采矿；森林受到扰动后土地利用类型变为裸地，则考虑驱动力为砍伐；森林受到扰动后土地利用类型为积雪和冰川，则考虑驱动力为潜在的自然灾害；所述确定森林恢复驱动力与土地利用、地形数据的空间关系中，森林恢复驱动力包括自然恢复和人工恢复，根据不同区域的特点确定如下两个参数：第一是人类活动影响森林的最远距离，设定距离耕地与人工地表的缓冲区，缓冲区内为人工恢复，缓冲区外为自然恢复；第二是植树造林的坡度限制，根据区域特点确定区域内植树造林能到达的最大坡度为45°；
S4、森林变化驱动力地图的生成；森林变化数据集作为分类数据输入；火灾驱动力识别；识别其他干扰驱动力；识别恢复驱动力；森林变化、扰动驱动力地图生成，根据根据构建森林扰动驱动力与土地利用的关系映射和确定森林恢复驱动力与土地利用、地形数据的空间关系确定的映射关系和空间关系，构建决策树模型生成的决策树模型，按照以下步骤获得森林变化驱动力地图；所述森林变化数据集作为分类数据输入中，输入森林变化数据，包括变化时间信息“年”、变化的时间长度“持续时间”和变化的程度“水平”3个波段，记录了森林变化的年份、持续时间和水平信息；火灾驱动力识别中，利用时间匹配方法，将输入的扰动数据与火灾数据在时间和空间上进行匹配，如果在时间和空间上都能实现匹配，则将这些区域记录为火灾引起的扰动；所述识别其他干扰驱动力中，森林退化、商品林种植、农业转移、人类活动和潜在的自然灾害干扰是通过构建森林扰动驱动力与土地利用的关系映射建立的映射关系确定的；所述识别恢复驱动力中，自然恢复和人工恢复由确定森林恢复驱动力与土地利用、地形数据的空间关系生成的两个阈值来判断，一个是恢复区与人工地表和耕地的距离，另一个是恢复区的坡度数据；所述森林变化、扰动驱动力地图生成中，根据火灾驱动力识别和识别其他干扰驱动力生成的数据合并生成，将识别恢复驱动力生成的数据生成森林变化恢复驱动力地图。
与现有技术相比，本发明的有益效果是：
该基于多源遥感数据的森林变化驱动力分类方法优点在于(1)分类的森林变化驱动力类型多样，在之前的研究或工作中，森林变化驱动力分类由于采用数据源或方法单一，通常只能由专业人员通过高分辨影像勾绘森林变化驱动力，这种勾绘往往只能识别单一的森林变化驱动力，例如森林火灾或某种森林病虫害，本发明利用多源遥感数据结合决策树模型能够有效解决这些以往驱动力分类单一的问题；(2)构建的基于多源遥感影像和决策树模型可用于多个尺度上的森林变化驱动力信息提取，计算简单、计算效率高；(3)构建的优化和扩充样本能够在短时间内达到对研究区解译的最好精度，使影像解译结果能够快速、准确地应用于各行各业；(4)提取的森林变化驱动力分类结果很长的时间序列，森林变化受短期和长期变化，例如森林退化通常发生在几年或者十几年的时间序列上。以往提取方法没有很好地实现长时间序列的驱动力分类与提取。本发明提出的方法能够实现30年时间序列森林变化驱动力信息的提取；(5)本发明提出的方法不依赖于大量实地调查和高分辨影像勾绘，减少以往驱动力信息提取过程中繁重的工作量。
附图说明
图1为本发明技术路线图；
图2为本发明中森林变化扰动数据集结果图；
图3为本发明中森林变化恢复数据集结果图；
图4为本发明中构造的决策树模型图；
图5为本发明中森林变化扰动驱动力分类结果图；
图6为本发明中森林变化恢复驱动力分类结果图。
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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一：
请参阅图1-6，本发明提供一种技术方案：一种基于多源遥感数据的森林变化驱动力分类方法，该基于多源遥感数据的森林变化驱动力分类方法的具体步骤流程如下：
S1、森林变化数据集的构建；提取森林变化数据集的年度无云影像合成；森林变化数据集提取；森林变化、扰动和恢复程度数据Level的生成，森林变化数据需要满足以下几个特征：该森林变化数据需要为空间数据，并记录森林发生变化的年份、变化持续时间信息，该森林变化数据集的构建使用连续变化监测算法自主生产，所述提取森林变化数据集的年度无云影像合成中，该年度无云影像合成使用Landsat中长时间分辨率生长季的遥感影像，通过去云算法去除云、阴影、水、雪的影响，生成时间序列的年度无云遥感影像，并生成Normalized burn ratio、NDVI指数，对于影像合成时间，北半球和南半球、高纬度和低纬度均有差异，通过文献查询、Modis植被指数数据分析得到，Modis植被指数的分析使用可视化界面生成植被指数动画辅助完成；所述森林变化数据集提取中，该森林变化数据集提取使用变化监测算法对提取森林变化数据集的年度无云影像合成中生成的数据进行分割，完成森林变化数据集的提取，变化监测算法包括但不限于LandTrendr、植被变化追踪器、BFAST、VeRDET、CCDC、COLD，这些算法大多是基于遥感影像像素的时相-光谱分割算法，适用于中分辨率时间序列卫星影像的变化检测，森林变化数据集通过桌面端软件完成，或通过云计算平台完成；所述森林变化、扰动和恢复程度数据Level的生成中，森林变化、扰动和恢复程度数据Level的生成会根据变化监测算法监测到提取森林变化数据集的年度无云影像合成中指数的变化幅度，参考已发表文献或结合高分辨率影像目视判读，按照整个区域内的情况将森林扰动分为轻度、中度和重度，数据被标记为Level，并将该数据加入森林变化数据集；
S2、多源遥感影像数据集构建，多源遥感影像数据集用于S3中的决策树模型分类，这里的多源遥感影像包括S1中生产的森林变化数据集，任意来源的土地利用数据集、火灾数据集或地形数据集四类数据，火灾数据集的时间需要与森林变化数据集保持一致，土地利用数据集时间为森林变化数据集的最后一年；
S3、决策树模型对森林变化数据的分类；构建森林扰动驱动力与土地利用的关系映射；确定森林恢复驱动力与土地利用、地形数据的空间关系；根据构建森林扰动驱动力与土地利用的关系映射和确定森林恢复驱动力与土地利用、地形数据的空间关系确定的映射关系和空间关系，构建决策树模型，构建森林扰动驱动力与土地利用的关系映射会根据不同区域森林变化特征，参照区域特点划分森林变化驱动力，森林扰动驱动力与土地利用之间的映射关系：森林受到扰动后变为耕地，则驱动力为农业转移；森林受到扰动后依然为森林，则驱动力是商品林种植或者是受到自然灾害扰动，两者通过距离人为活动的范围来判定；森林受到扰动后土地利用类型变为草地、灌木、湿地，则考虑森林退化为森林变化的主要驱动力；森林受到扰动后土地利用类型变为人工地表，则考虑驱动力为人类活动包括建设活动和采矿；森林受到扰动后土地利用类型变为裸地，则考虑驱动力为砍伐；森林受到扰动后土地利用类型为积雪和冰川，则考虑驱动力为潜在的自然灾害；所述确定森林恢复驱动力与土地利用、地形数据的空间关系中，森林恢复驱动力包括自然恢复和人工恢复，根据不同区域的特点确定如下两个参数：第一是人类活动影响森林的最远距离，设定距离耕地与人工地表的缓冲区，缓冲区内为人工恢复，缓冲区外为自然恢复；第二是植树造林的坡度限制，根据区域特点确定区域内植树造林能到达的最大坡度为45°；
S4、森林变化驱动力地图的生成；森林变化数据集作为分类数据输入；火灾驱动力识别；识别其他干扰驱动力；识别恢复驱动力；森林变化、扰动驱动力地图生成，根据根据构建森林扰动驱动力与土地利用的关系映射和确定森林恢复驱动力与土地利用、地形数据的空间关系确定的映射关系和空间关系，构建决策树模型生成的决策树模型，按照以下步骤获得森林变化驱动力地图；所述森林变化数据集作为分类数据输入中，输入森林变化数据，包括变化时间信息“年”、变化的时间长度“持续时间”和变化的程度“水平”3个波段，记录了森林变化的年份、持续时间和水平信息；火灾驱动力识别中，利用时间匹配方法，将输入的扰动数据与火灾数据在时间和空间上进行匹配，如果在时间和空间上都能实现匹配，则将这些区域记录为火灾引起的扰动；所述识别其他干扰驱动力中，森林退化、商品林种植、农业转移、人类活动和潜在的自然灾害干扰是通过构建森林扰动驱动力与土地利用的关系映射建立的映射关系确定的；所述识别恢复驱动力中，自然恢复和人工恢复由确定森林恢复驱动力与土地利用、地形数据的空间关系生成的两个阈值来判断，一个是恢复区与人工地表和耕地的距离，另一个是恢复区的坡度数据；所述森林变化、扰动驱动力地图生成中，根据火灾驱动力识别和识别其他干扰驱动力生成的数据合并生成，将识别恢复驱动力生成的数据生成森林变化恢复驱动力地图。
案例选择在67°E-85°E，30°N-39°N，案例选用了Landsat长时间序列遥感影像和LandTrendr时相-光谱分割算法，利用构建的决策树模型生成了森林变化驱动力的地图。构建森林变化验证数据集，验证了本方案的有效性，结果表明决策树能够实现大范围森林变化驱动力信息提取，减少投入的工作量。
具体如下：
(一)森林变化数据集的构建(森林扰动和恢复数据的获取)
(1)用于提取森林变化数据集的年度无云影像合成
使用的时间序列数据Landsat来自于USGS，包括TM、ETM和OLI传感器。数据具有高分辨率、较短重访周期以及数据易于访问和处理的优点。本研究使用Google Earth Engine(GEE)作为主要数据处理平台，GEE平台提供了Landsat所有传感器的大气校正表面反射率数据接入。共使用Landsat时间序列遥感影像8203幅，Landsat 7ETM+SLC-off数据在本研究中不被使用。使用OLI到ETM+的调和函数(Harmonic function)进行数据的一致性处理，以减少两个传感器之间反射波长的差异。使用图像质量评估带QA和CFMask波段去除云、雪、水和阴影。对于影像合成时间的选择，需要根据区域的不同选择植被生长季的影像，本案例结合Modis植被指数的分析可使用可视化界面(https://streamlit.geemap.org/)生成了NDVI植被指数动画，通过目视判读获得影像合成时间。本研究选择了1990-2020年7月15日至10月1日所有可用的植被生长季的遥感影像。通过中值合成的方式生成年度合成图像。
基于年度合成影像，本案例生成了表2中的指数结合(1)中的光谱波段用于森林变化数据集的提取。
表1本研究使用的指数
Figure GDA0004149319710000101
在年度无云遥感影像合成的过程中，遵循本发明实施方法S11中所述：
①通过去云算法去除云、阴影、水、雪的影响；
②影像合成时间通过相关可视化界面生成植被指数动画，通过目视解译方法确定影像合成时间。
(2)森林变化数据集提取
结合(1)中生成的年度无云合成影像，使用LandTrendr算法实现森林变化数据集的提取。LandTrendr是一种基于遥感影像像素的时相-光谱分割算法，适用于中分辨率时间序列卫星影像的变化检测。LandTrendr算法使用基于回归和点对点拟合光谱指数作为时间函数的时间分割策略，允许捕获缓慢发展的过程，如恢复和意外事件。LandTrendr时间分割算法被认为是一种有效检测森林扰动和恢复的方法，生成的光谱时间序列数据的轨迹几乎没有年际信号噪声。该算法通过从时间序列数据中提取地表反射率变化趋势，捕捉短期扰动和长期恢复趋势。本研究使用GEE平台完成森林变化数据集的提取。图2和图3展示森林变化(扰动和恢复)数据集的提取结果。
(3)森林变化(扰动和恢复)程度数据Level的生成
根据(2)中生成的森林变化数据集中的变化幅度数据(Magnitude)，结合高分辨率影像目视判读，按照整个区域内的情况将森林扰动分为轻度、中度和重度，将数据标记为Level，并将该数据加入森林变化数据集。
表2不同扰动和恢复的程度分级
Figure GDA0004149319710000111
（二）多源遥感影像数据集构建
多源遥感影像数据集在本案例中将用于森林变化驱动力分类。本案例中多源遥感数据包括(一)中生产的森林变化数据集，Globaland30土地利用数据集、火灾数据集、地形数据集四类数据，火灾数据集的时间需要与森林变化数据集保持一致，土地利用数据集时间为森林变化数据集的最后一年。
表3多源遥感影像数据集构建
Figure GDA0004149319710000121
在多源遥感影像数据集构建的过程中，遵循本发明实施方法S2中所述：
①多源遥感影像包括S1中生产的森林变化数据集，任意来源的土地利用数据集、火灾数据集、地形数据集四类数据。
(三)决策树模型对森林变化数据的分类
(1)构建森林扰动驱动力与土地利用的关系映射
本案例根据案例区域森林变化特征，参照区域特点划分了森林变化驱动力，并建立了森林扰动驱动力与土地利用的关系映射。
森林扰动驱动力与土地利用之间的映射关系：森林受到扰动后变为耕地，则驱动力为农业转移；森林受到扰动后依然为森林，则驱动力可能是商品林种植，或者是受到自然灾害扰动，森林自我恢复后土地利用类型仍然为森林，则驱动力为潜在的自然灾害，两者可以通过距离人为活动的范围来判定；森林受到扰动后土地利用类型变为草地、灌木、湿地，则考虑森林退化为森林变化的主要驱动力；森林受到扰动后土地利用类型变为人工地表，则考虑驱动力为人类活动包括建设活动和采矿；森林受到扰动后土地利用类型变为裸地，则考虑驱动力为砍伐；森林受到扰动后土地利用类型为积雪和冰川，则考虑驱动力为潜在的自然灾害。
(2)确定森林恢复驱动力与土地利用、地形数据的空间关系
在案例研究区域，森林恢复驱动力主要分为自然恢复和人工恢复，根据区域的特点确定如下两个参数：①人类活动影响森林的最远距离为5km，设定距离耕地与人工地表的缓冲区，缓冲区内为人工恢复，缓冲区外为自然恢复；②植树造林的坡度限制为45°，根据区域特点确定区域内植树造林能到达的最大坡度。
(3)根据(1)和(2)确定的映射关系和空间关系，构建决策树模型
本案例根据(1)森林扰动驱动力与土地利用的关系映射和(2)森林恢复驱动力与土地利用、地形数据的空间关系，构建了图4的决策树模型用于森林变化驱动力的分类与信息提取。
(四)森林变化驱动力地图的生成
(1)森林变化数据集作为分类数据输入，参照图4设计的决策树模型中的数据处理流程，输入森林变化数据，包括变化时间信息“年”、变化的时间长度“持续时间”和变化的程度“水平”3个波段，记录了森林变化的年份、持续时间和水平信息；
(2)火灾驱动力识别；利用时间匹配方法，将输入的扰动数据与火灾数据在时间和空间上进行匹配，如果在时间和空间上都能实现匹配，则将这些区域记录为火灾引起的扰动；
(3)识别其他干扰驱动力；森林退化、商品林种植、农业转移、人类活动和潜在的自然灾害干扰是通过(四)建立的映射关系确定的；
(4)识别恢复驱动力；自然恢复和人工恢复由两个阈值来判断，一个是恢复区与人工地表和耕地的距离，另一个是恢复区的坡度数据。
(5)森林变化驱动力地图生成；根据(2)和(3)步骤生成的数据合并生成森林变化(扰动)驱动力地图，将(4)步骤生成的数据生成森林变化(恢复)驱动力地图。图5和图6展示了森林变化驱动力分类结果。
(五)森林变化驱动力分类精度的评估
为验证本案例获得森林变化驱动力结果的有效性和精确性，本案例采集了以下三种数据源生成森林变化驱动力验证样本，使用混淆矩阵评价驱动力的分类结果。验证验证数据源包括：①全球火灾图集与个体火灾特征数据(MCD64A1)；②歌地球高空间分辨率图像采样；③)Landsat图像可视化界面的互动采样(htt ps://emaprlab.users.earthengine.app/view/lt-geepixel-time-series)。
表4和表5展示了本案例对案例区域森林变化驱动力分类结果的评价精度。精度评价结果显示，本方法可以有效区分森林变化驱动力。不同的森林变化(扰动和恢复)驱动力都显示出较高的生产者和用户精度。
从扰动驱动力的识别结果来看，总体准确率为81.56％，Kappa系数为0.75。不同类别的扰动驱动力的用户准确度和生产者准确度来看，所有类别的扰动驱动力去取得了较好的评价结果。从恢复驱动力的分类评价结果来看，总体准确率为85.28％，Kappa系数为0.69。人工恢复林和自然恢复驱动力都取得了较高的生产者准确性和使用者准确性。
表4森林变化(扰动)驱动力分类结果的精度评价
Figure GDA0004149319710000141
Figure GDA0004149319710000151
表5森林变化(恢复)驱动力分类结果的精度评价
Figure GDA0004149319710000152
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (1)

1.一种基于多源遥感数据的森林变化驱动力分类方法，其特征在于，该基于多源遥感数据的森林变化驱动力分类方法的具体步骤流程如下：
S1、森林变化数据集的构建；提取森林变化数据集的年度无云影像合成；森林变化数据集提取；森林变化、扰动和恢复程度数据Level的生成，森林变化数据需要满足以下几个特征：该森林变化数据需要为空间数据，并记录森林发生变化的年份、变化持续时间信息，该森林变化数据集的构建使用连续变化监测算法自主生产，所述提取森林变化数据集的年度无云影像合成中，该年度无云影像合成使用Landsat中长时间分辨率生长季的遥感影像，通过去云算法去除云、阴影、水、雪的影响，生成时间序列的年度无云遥感影像，并生成Normalized burn ratio、NDVI指数，对于影像合成时间，北半球和南半球、高纬度和低纬度均有差异，通过文献查询、Modis植被指数数据分析得到，Modis植被指数的分析使用可视化界面生成植被指数动画辅助完成；所述森林变化数据集提取中，该森林变化数据集提取使用变化监测算法对提取森林变化数据集的年度无云影像合成中生成的数据进行分割，完成森林变化数据集的提取，变化监测算法包括但不限于LandTrendr、植被变化追踪器、BFAST、VeRDET、CCDC、COLD，这些算法大多是基于遥感影像像素的时相-光谱分割算法，适用于中分辨率时间序列卫星影像的变化检测，森林变化数据集通过桌面端软件完成，或通过云计算平台完成；所述森林变化、扰动和恢复程度数据Level的生成中，森林变化、扰动和恢复程度数据Level的生成会根据变化监测算法监测到提取森林变化数据集的年度无云影像合成中指数的变化幅度，参考已发表文献或结合高分辨率影像目视判读，按照整个区域内的情况将森林扰动分为轻度、中度和重度，数据被标记为Level，并将该数据加入森林变化数据集；
S2、多源遥感影像数据集构建，多源遥感影像数据集用于S3中的决策树模型分类，这里的多源遥感影像包括S1中生产的森林变化数据集，任意来源的土地利用数据集、火灾数据集或地形数据集四类数据，火灾数据集的时间需要与森林变化数据集保持一致，土地利用数据集时间为森林变化数据集的最后一年；
S3、决策树模型对森林变化数据的分类；构建森林扰动驱动力与土地利用的关系映射；确定森林恢复驱动力与土地利用、地形数据的空间关系；根据构建森林扰动驱动力与土地利用的关系映射和确定森林恢复驱动力与土地利用、地形数据的空间关系确定的映射关系和空间关系，构建决策树模型，构建森林扰动驱动力与土地利用的关系映射会根据不同区域森林变化特征，参照区域特点划分森林变化驱动力，森林扰动驱动力与土地利用之间的映射关系：森林受到扰动后变为耕地，则驱动力为农业转移；森林受到扰动后依然为森林，则驱动力是商品林种植或者是受到自然灾害扰动，两者通过距离人为活动的范围来判定；森林受到扰动后土地利用类型变为草地、灌木、湿地，则考虑森林退化为森林变化的主要驱动力；森林受到扰动后土地利用类型变为人工地表，则考虑驱动力为人类活动包括建设活动和采矿；森林受到扰动后土地利用类型变为裸地，则考虑驱动力为砍伐；森林受到扰动后土地利用类型为积雪和冰川，则考虑驱动力为潜在的自然灾害；所述确定森林恢复驱动力与土地利用、地形数据的空间关系中，森林恢复驱动力包括自然恢复和人工恢复，根据不同区域的特点确定如下两个参数：第一是人类活动影响森林的最远距离，设定距离耕地与人工地表的缓冲区，缓冲区内为人工恢复，缓冲区外为自然恢复；第二是植树造林的坡度限制，根据区域特点确定区域内植树造林能到达的最大坡度为45°；
S4、森林变化驱动力地图的生成；森林变化数据集作为分类数据输入；火灾驱动力识别；识别其他干扰驱动力；识别恢复驱动力；森林变化、扰动驱动力地图生成，按照以下步骤获得森林变化驱动力地图；所述森林变化数据集作为分类数据输入中，输入森林变化数据，包括变化时间信息“年”、变化的时间长度“持续时间”和变化的程度“水平”3个波段，记录了森林变化的年份、持续时间和水平信息；火灾驱动力识别中，利用时间匹配方法，将输入的扰动数据与火灾数据在时间和空间上进行匹配，如果在时间和空间上都能实现匹配，则将这些区域记录为火灾引起的扰动；所述识别其他干扰驱动力中，森林退化、商品林种植、农业转移、人类活动和潜在的自然灾害干扰是通过构建森林扰动驱动力与土地利用的关系映射建立的映射关系确定的；所述识别恢复驱动力中，自然恢复和人工恢复由确定森林恢复驱动力与土地利用、地形数据的空间关系生成的两个阈值来判断，一个是恢复区与人工地表和耕地的距离，另一个是恢复区的坡度数据；所述森林变化、扰动驱动力地图生成中，根据火灾驱动力识别和识别其他干扰驱动力生成的数据合并生成，将识别恢复驱动力生成的数据生成森林变化恢复驱动力地图。
CN202210744722.2A 2022-06-29 2022-06-29 一种基于多源遥感数据的森林变化驱动力分类方法 Active CN115205675B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210744722.2A CN115205675B (zh) 2022-06-29 2022-06-29 一种基于多源遥感数据的森林变化驱动力分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210744722.2A CN115205675B (zh) 2022-06-29 2022-06-29 一种基于多源遥感数据的森林变化驱动力分类方法

Publications (2)

Publication Number Publication Date
CN115205675A CN115205675A (zh) 2022-10-18
CN115205675B true CN115205675B (zh) 2023-05-16

Family

ID=83578962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210744722.2A Active CN115205675B (zh) 2022-06-29 2022-06-29 一种基于多源遥感数据的森林变化驱动力分类方法

Country Status (1)

Country Link
CN (1) CN115205675B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116416530B (zh) * 2023-03-08 2023-11-03 自然资源部国土卫星遥感应用中心 一种新增建设图斑影像核实的方法
CN117975292B (zh) * 2024-03-25 2024-06-14 中国科学院东北地理与农业生态研究所 一种温带森林沼泽提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415065A (zh) * 2020-02-26 2020-07-14 广州地理研究所 一种基于作用过程的山地灾害生态破坏风险评价方法
CN112164062A (zh) * 2020-10-29 2021-01-01 河海大学 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN112712275A (zh) * 2021-01-07 2021-04-27 南京大学 基于Maxent和GIS的森林火灾风险评估方法
CN113205475A (zh) * 2020-01-16 2021-08-03 吉林大学 基于多源卫星遥感数据的森林高度反演方法
CN113609899A (zh) * 2021-06-24 2021-11-05 河海大学 基于遥感时序分析的退耕地信息定位显示系统
CN113902580A (zh) * 2021-10-18 2022-01-07 四川农业大学 一种基于随机森林模型的历史耕地分布重建方法
CN114254707A (zh) * 2021-12-22 2022-03-29 南京大学 一种基于GlobeLand30的历史地表覆盖快速重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612789B (zh) * 2022-03-25 2023-10-13 衡阳师范学院 一种通过长时序卫星遥感提取常绿森林林分变化的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205475A (zh) * 2020-01-16 2021-08-03 吉林大学 基于多源卫星遥感数据的森林高度反演方法
CN111415065A (zh) * 2020-02-26 2020-07-14 广州地理研究所 一种基于作用过程的山地灾害生态破坏风险评价方法
CN112164062A (zh) * 2020-10-29 2021-01-01 河海大学 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN112712275A (zh) * 2021-01-07 2021-04-27 南京大学 基于Maxent和GIS的森林火灾风险评估方法
CN113609899A (zh) * 2021-06-24 2021-11-05 河海大学 基于遥感时序分析的退耕地信息定位显示系统
CN113902580A (zh) * 2021-10-18 2022-01-07 四川农业大学 一种基于随机森林模型的历史耕地分布重建方法
CN114254707A (zh) * 2021-12-22 2022-03-29 南京大学 一种基于GlobeLand30的历史地表覆盖快速重建方法

Also Published As

Publication number Publication date
CN115205675A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
Amos et al. Determining the use of Sentinel-2A MSI for wildfire burning & severity detection
White et al. A nationwide annual characterization of 25 years of forest disturbance and recovery for Canada using Landsat time series
Chong et al. A review of remote sensing applications for oil palm studies
Chrysafis et al. Estimating Mediterranean forest parameters using multi seasonal Landsat 8 OLI imagery and an ensemble learning method
CN115205675B (zh) 一种基于多源遥感数据的森林变化驱动力分类方法
Tornos et al. Assessment of MODIS spectral indices for determining rice paddy agricultural practices and hydroperiod
Le Maire et al. Mapping short-rotation plantations at regional scale using MODIS time series: Case of eucalypt plantations in Brazil
Quintano et al. Estimation of area burned by forest fires in Mediterranean countries: A remote sensing data mining perspective
Schneibel et al. Evaluating the trade-off between food and timber resulting from the conversion of Miombo forests to agricultural land in Angola using multi-temporal Landsat data
Tiwari et al. Wheat area mapping in Afghanistan based on optical and SAR time-series images in google earth engine cloud environment
Setiawan et al. Characterizing temporal vegetation dynamics of land use in regional scale of Java Island, Indonesia
Wang et al. Estimating the area burned by agricultural fires from Landsat 8 Data using the Vegetation Difference Index and Burn Scar Index
Guan et al. An improved approach to estimating crop lodging percentage with Sentinel-2 imagery using machine learning
Wang et al. Object-based change detection for vegetation disturbance and recovery using Landsat time series
Barta et al. Characterizing forest disturbance and recovery with thermal trajectories derived from Landsat time series data
Dong et al. Spatiotemporal patterns of forest changes in Korean peninsula using Landsat images during 1990–2015: A comparative study of two neighboring countries
Ramadanningrum et al. Image-based tea yield estimation using Landsat-8 OLI and Sentinel-2B images
Chakraborty Vegetation change detection in Barak Basin
Zhang et al. Abandoned cropland mapping and its influencing factors analysis: A case study in the Beijing-Tianjin-Hebei region
CN115063610B (zh) 基于Sentinel-1、2影像的大豆种植区识别方法
Ma et al. A new rice identification algorithm under complex terrain combining multi-characteristic parameters and homogeneous objects based on time series dual-polarization synthetic aperture radar
Stone Mapping burn severity, pine beetle infestation, and their interaction at the High Park Fire
Wang et al. Mapping Robinia pseudoacacia forest health in the Yellow River delta by using high-resolution IKONOS imagery and object-based image analysis
Lei et al. Determining the planting year of navel orange trees in mountainous and hilly areas of southern China: a remote sensing based method
Chen Satellite-based monitoring, attribution, and analysis of forest degradation

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