CN115222296B - 一种山地绿色覆盖指数动态变化遥感监测方法和系统 - Google Patents
一种山地绿色覆盖指数动态变化遥感监测方法和系统 Download PDFInfo
- Publication number
- CN115222296B CN115222296B CN202211119069.7A CN202211119069A CN115222296B CN 115222296 B CN115222296 B CN 115222296B CN 202211119069 A CN202211119069 A CN 202211119069A CN 115222296 B CN115222296 B CN 115222296B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- grid
- mountain
- coverage
- index
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种山地绿色覆盖指数动态变化遥感监测方法和系统,该方法用于获取目标区域的山地绿色覆盖指数动态变化情况,包括,将目标区域划分为多个栅格,获取多个栅格的地形数据,并基于地形数据划分多个栅格的山地类型;提取目标区域中各个栅格的植被覆盖信息和植被类型信息,植被覆盖信息用于表征栅格是否具有植被覆盖;基于目标区域内多个栅格的面积信息和目标区域中具有植被覆盖的栅格的植被类型信息,获取目标区域的山地总绿色覆盖指数、不同植被类型覆盖指数和不同山地类型绿色覆盖指数。具有能够在更小尺度上精细化监测不同植被和山地类型的山地绿色覆盖指数动态变化的效果。
Description
技术领域
本发明涉及遥感监测技术领域,具体而言,涉及一种山地绿色覆盖指数动态变化遥感监测方法和系统。
背景技术
根据联合国环境规划署-世界保护监测中心的山地界定标准,全球约24%的陆地面积是山地。山地是世界水塔、人类社会发展的关键资源库和重要的生态屏障。然而,在全球变化和人类活动加剧的背景下,山地也是生态环境脆弱区和气候变化敏感区。山地生态系统是实现2030可持续发展目标六个切入点之一“全球环境公域”的重要组成部分。发展新的科学技术监测杠杆是减轻山地生态系统环境压力,理解过去和未来山地生态系统变化,实现山地生态系统可持续发展的重要手段联合国2030年可持续发展目标将保护山地生态系统列为重要指标之一。
山地绿色覆盖指数被定义为山地所有绿色植物,包括森林、灌丛、草地、农田等面积与山地所在区域面积的比值。当前,比较一致地认为,通过对一段时间的山地绿色覆盖指数监测,可以诊断出山地生态系统的保育能力和健康状态。指标的官方监测目前以国别指标为主,采用多源遥感数据和联合国粮农组织样本采集平台为主要监测手段,采用山地土地覆盖分类植被非植被聚合方法进行计算。
在现有的监测方法中,山地绿色覆盖指数定义为绿色植被覆盖面积与山地投影面积的比值,其并没有考虑山地表面积的影响,计算精度不足;此外,山地绿色覆盖指数定义了总的山区绿色植被覆盖情况,没有考虑不同植被类型的山地绿色覆盖指数转换关系,获取的山地绿色覆盖指数代表性不足,难以支撑不同驱动因子变化特征分析;国别指标也无法反映精细尺度不同山地类型、不同区域山地绿色覆盖指数变化。
发明内容
本发明的目的在于提供一种山地绿色覆盖指数动态变化遥感监测方法和系统,旨在于在更小尺度上精细化监测不同植被和山地类型的山地绿色覆盖指数动态变化。
本发明的实施例通过以下技术方案实现:
第一方面
提供一种山地绿色覆盖指数动态变化遥感监测方法,所述方法用于获取目标区域的山地绿色覆盖指数动态变化情况,包括,
将所述目标区域划分为多个栅格,获取多个所述栅格的地形数据,并基于所述地形数据划分多个所述栅格的山地类型;所述地形数据包括海拔、坡度、局地起伏度、地貌和地质构造数据;
获取多个所述栅格的面积信息,所述面积信息包括表面积、起伏地表面积和平地地表面积;
提取所述目标区域中各个栅格的植被覆盖信息和植被类型信息,所述植被覆盖信息用于表征所述栅格是否具有植被覆盖,所述植被类型信息用于表征所述栅格的植被详细类型,所述植被类型信息包括森林、灌丛、农田和草地;
基于所述目标区域内多个栅格的面积信息和所述目标区域中具有植被覆盖的栅格的植被类型信息,获取所述目标区域的山地总绿色覆盖指数、不同植被类型覆盖指数和不同山地类型绿色覆盖指数。
可选地,所述获取多个所述栅格的面积信息,包括:
基于ASTER GDEM全球数字高程数据,生成不规则三角网;
基于所述不规则三角网,获取每个所述栅格的表面积和投影面积。
可选地,所述基于所述地形数据划分多个所述栅格的山地类型,包括:
获取每个所述栅格的表面积和每个所述栅格的海拔、坡度、局地起伏度、地貌和地质构造数据,划分山地类型。
可选地,所述提取所述目标区域中各个栅格的植被覆盖信息和植被类型信息,包括:
获取所述目标区域在一个周期内的所有卫星观测数据,所述一个周期大于等于一年;
基于所述卫星观测数据,获取所述目标区域内各个栅格的植被覆盖信息;
获取所述目标区域各类开源土地覆被样本库;
基于所述各类开源土地覆被样本库、所述卫星观测数据和所述植被覆盖信息,获取所述目标区域内各个栅格的植被类型信息。
可选地,所述基于所述卫星观测数据,获取所述目标区域内各个栅格的植被覆盖信息,包括:
基于所述卫星观测数据,采用二叉树判别法逐个判断所述目标区域中的多个栅格是否存在植被覆盖信息;
若所述栅格存在植被覆盖信息,则对下一个所述栅格进行判断;
若所述栅格不存在植被覆盖信息,则基于所述卫星观测数据,再次判断所述栅格是否存在植被覆盖信息。
可选地,所述二叉树判别法包括:
获取所述栅格的植被指数,所述植被指数用于表征所述栅格内的植被覆盖度;
获取所述卫星观测数据的观测个数阈值;
获取植被指数阈值;
基于所述栅格的植被指数、所述植被指数阈值和观测个数,对所述栅格进行判断;
若所述栅格中存在植被指数大于所述植被指数阈值的观测个数大于所述观测个数阈值,则所述栅格内存在植被覆盖信息;
若所述栅格中不存在植被指数大于所述植被指数阈值的观测个数大于所述观测个数阈值,则基于所述卫星观测数据,再次判断所述栅格是否存在植被覆盖信息。
可选地,所述基于所述卫星观测数据,再次判断所述栅格是否存在植被覆盖信息,包括:
获取所述卫星观测数据的晴空观测情况;
基于所述晴空观测情况进行判断,
若在所述周期内存在超过或等于75%的卫星观测数据均为晴空观测,且所述栅格的卫星观测数据中植被指数大于植被阈值,则判定所述栅格存在植被覆盖信息;
若在所述周期内存在超过小于 75%大于25%的卫星观测数据为晴空观测,则获取所述卫星观测数据的日序,基于所述日序判断每个所述周期内是否存在连续一个季度中存在植被指数大于植被阈值,若是,则判定所述栅格存在植被覆盖信息;
若在所述周期内存在小于等于25%的卫星观测数据为晴空观测,且在连续一个季度中不存在植被指数大于植被阈值,则判断前后一个周期内是否存在植被指数大于植被阈值,若是,则判定所述栅格存在植被覆盖信息。
可选地,所述基于所述各类开源土地覆被样本库、所述卫星观测数据和所述植被覆盖信息,获取所述目标区域内各个栅格的植被类型信息,包括:
根据所述各类开源土地覆被样本库、所述卫星观测数据和所述植被覆盖信息,采用随机森林算法,将植被覆盖区域进一步精细分类为森林、农田、草地、灌丛和非植被五类。
可选地,所述基于所述目标区域内多个栅格的面积信息和所述目标区域中具有植被覆盖的栅格的植被类型信息,获取所述目标区域的山地总绿色覆盖指数、不同植被类型覆盖指数和不同山地类型绿色覆盖指数,包括:
采用下述公式获取所述目标区域不同植被类型山地绿色覆盖指数:
式中,MGVIv为第v种植被的绿色覆盖指数;GCv,i为第v种植被的第i个栅格;Av,i为第v种植被的第i个栅格对应的表面积;A为所述目标区域总的山地表面积;
采用下述公式计算所述目标区域不同山地类型总山地绿色覆盖指数:
式中,MGVIm为第m种山地类型的山地总绿色覆盖指数;MGCIv,m为第m种山地类型中第v种植被类型的山地绿色指数。
第二方面
本申请提供一种山地绿色覆盖指数动态变化遥感监测系统,所述系统包括栅格划分模块、面积获取模块、信息获取模块和计算模块;
栅格划分模块,用于将所述目标区域划分为多个栅格,获取多个所述栅格的地形数据,并基于所述地形数据划分多个所述栅格的山地类型;所述地形数据包括海拔、坡度、局地起伏度、地貌和地质构造数据;
面积获取模块,获取多个所述栅格的面积信息,所述面积信息包括表面积、起伏地表面积和平地地表面积;
信息获取模块,用于提取所述目标区域中各个栅格的植被覆盖信息和植被类型信息,所述植被覆盖信息用于表征所述栅格是否具有植被覆盖,所述植被类型信息用于表征所述栅格的植被详细类型,所述植被类型信息包括森林、灌丛、农田和草地;
计算模块,用于基于所述目标区域内多个栅格的面积信息和所述目标区域中具有植被覆盖的栅格的植被类型信息,获取所述目标区域的山地总绿色覆盖指数、不同植被类型覆盖指数和不同山地类型绿色覆盖指数。
本发明实施例的技术方案至少具有如下优点和有益效果:通过将目标区域划分为多个栅格,在获取山地绿色覆盖指数时,能够在更小的尺度上获取山地绿色覆盖指数;且采用表面积、起伏地表面积和平地地表面积作为计算指标,获取的山地绿色覆盖指数更加具有代表性,更为精确;采用不同植被覆盖类型山地绿色覆盖指数,能够更加精确的分析不同植被覆盖类型之间绿色覆盖指数的转换规律,区分不同驱动因素如气候变化、人类活动带来的绿色覆盖指数动态变化。
附图说明
图1为本发明实施例1提供的一种山地绿色覆盖指数动态变化遥感监测方法的步骤示意图;
图2为本发明其中一个实施例中植被和非植被样本点提取获得NDVI直方图及其累计频率;
图3为本发明其中一个实施例中山地类型划分对比图;
图4为本发明其中一个实施例中森林和灌丛不同植被类型提取结果示意图;
图5为本发明其中一个实施例中草地和农田不同植被类型提取结果示意图;
图6为本发明其中一个实施例中基于不规则三角网的表面积计算算法示意图;
图7为本发明其中一个实施例中基于格网的表面积计算算法示意图;
图8为本发明其中一个实施例中典型山地绿色覆盖指数结果对比示意图;
图9为本发明其中一个实施例中获取的精度验证散点图;
图10为本发明其中一个实施例中一种山地绿色覆盖指数动态变化遥感监测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
本实施例提供一种山地绿色覆盖指数动态变化遥感监测方法,所述方法用于获取目标区域的山地绿色覆盖指数,参照图1,所述方法包括下述步骤,
S1,将所述目标区域划分为多个栅格,获取多个所述栅格的地形数据,所述地形数据包括海拔、坡度、局地起伏度、地貌和地质构造数据,并基于所述地形数据划分多个所述栅格的山地类型;
在本实施例中,采用ASTER GDEM全球数字高程数据和地质构造数据,设定自适应窗口,分别统计窗口内的海拔、坡度和局地地形起伏度、地质构造数据特征,结合山地的地理完整性,实现所述多个栅格的山地类型划定,将山地类型划分为微起伏、较小起伏、小起伏、中起伏、大起伏、较大起伏和极大起伏七大类;
在传统的山地绿色覆盖指数监测方法中,山地类型采用已有数据集进行区分。但采用该已有山地类型数据会面临空间分辨率较低、山地类型界定不合理等问题,本实施例直接采用已有全球数字高程数据和地质构造数据进行山地类型界定,具有山地类型更加准确、山地空间分辨率可自定义等特点。
S2,获取多个所述栅格的面积信息,所述面积信息包括表面积、起伏地表面积和平地地表面积;
基于多个栅格和ASTER GDEM全球数字高程数据,获取多个所述栅格的面积信息,所述面积信息包括表面积大小、起伏地表面积大小和平地地表面积;
在本实施例中,采用ASTER GDEM全球数字高程数据和基于不规则三角网的表面积计算方法提取山地表面积。
在传统的监测方法中,山地绿色覆盖指数定义为绿色植被覆盖面积与山地投影面积的比值,其并没有考虑山地表面积的影响。而山地的真实表面积根据不同的坡度和起伏度一般均大于投影面积;而作为面积比值的山地绿色覆盖指数考虑山地的投影面积将更具有代表性。
在本实施例中,面积信息包括表面积大小、起伏地表面积大小和平地地表面积,通过本实施例提供的方法获取的山地绿色覆盖指数具有更强的代表性,且相比于传统的监测方法,更为准确。
在本实施例中,面积提取算法采用构建不规则三角网方法进行。该方法采用三角剖分和三角网生长算法,通过对地形特征点如山顶、洼地、山脊、山谷、鞍部等构建不规则三角网,在进行面积提取时相较基于格网的面积提取算法具有精度更高、地形特征点提取更加准确的优势,提取出的表面积信息应用于山地绿色覆盖指数监测具有精度更高的特点。
S3,提取所述目标区域中各个栅格的植被覆盖信息和植被类型信息,所述植被覆盖信息用于表征所述栅格是否具有植被覆盖,所述植被类型信息用于表征所述栅格的植被详细类型,所述植被类型信息包括森林、灌丛、农田和草地;
其中,提取所述目标区域中各个栅格的植被覆盖信息和植被类型信息,包括:
获取所述目标区域在一个周期内的所有卫星观测数据,所述一个周期大于等于一年;
在本实施例中,卫星观测数据通过遥感获取,而遥感数据具有多源、多时相优势,采用遥感数据作为监测数据源,能够对绿色覆盖指数进行动态监测,相比于传统方法中通过土地覆盖产品获取数据源的方式,更为灵活。
在本实施例中,一般将一个周期设置为一年,但是也可以根据目标区域的具体情况,将周期设置为一年以上。
基于所述卫星观测数据,获取所述目标区域内各个栅格的植被覆盖信息。包括以下子步骤:
S31,基于所述卫星观测数据,采用二叉树判别法逐个判断所述目标区域中的多个栅格是否存在植被覆盖信息;
在本实施例中,考虑到云的出现会导致植被指数信号大幅度降低,尤其在极端情况下当时间序列卫星观测全部为云观测时检测不到植被信号,所以首先采用二叉树判别法对卫星观测数据进行地表全年是否有植被覆盖的初步判断。
其中,二叉树判别法包括:
获取所述栅格的植被指数,所述植被指数用于表征所述栅格内的植被覆盖度;
植被指数即NDVI,其定义是近红外区与红光区的反射率差值/近红外区与红光区的反射率和值,是最常用的植被指数,虽然NDVI对土壤背景的变化较为敏感,但由于NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化,增强了对植被的响应能力,是目前已有的40多种植被指数中应用最广的一种。
通过采用NDVI表征栅格内的植被覆盖度,能够减少因云、阴影干扰以及地表季相变化造成的影响。
获取所述卫星观测数据的观测个数阈值;
卫星观测数据通过遥感过去,在一个周期内,具有多个观测个数。
获取植被指数阈值;植被指数阈值通过球开源土地覆被样本提取Landsat卫星影像的NDVI数据,并将样本进一步聚合为植被和非植被两类,再分析各样本NDVI直方图,选择植被NDVI累计频率大于99%处的NDVI值作为阈值条件。
参照图2,在图2中,聚合了植被和非植被的情况,而在NDVI值到达0.2之后,非植被的直方图累计频率曲线已经超99%,所以在本实施例中,以0.2作为植被指数阈值。
基于所述栅格的植被指数、所述植被指数阈值和观测个数,对所述栅格进行判断;
即:
若所述栅格中存在植被指数大于所述植被指数阈值的观测个数大于所述观测个数阈值,则所述栅格内存在植被覆盖信息;
若所述栅格中不存在植被指数大于所述植被指数阈值的观测个数大于所述观测个数阈值,则基于所述卫星观测数据,再次判断所述栅格是否存在植被覆盖信息。
通过采用二叉树判定法,能够首先排除在极端情况下当时间序列卫星观测全部为云观测时检测不到植被信号的情况。
S32,若所述栅格存在植被覆盖信息,则对下一个所述栅格进行判断;
在对栅格采用二叉树判定法进行判定时,是逐个进行判断的,所以若是存在植被覆盖信息,则直接将其进行累计。
S33,若所述栅格不存在植被覆盖信息,则基于所述卫星观测数据,再次判断所述栅格是否存在植被覆盖信息。
因为本方法中以遥感数据作为数据源,所以在使用时,需要考虑遥感卫星获取遥感数据时可能存在的干扰,不仅仅以二叉树判定法得到的结果作为植被覆盖信息结果。
遥感卫星获取遥感数据时可能存在的干扰包括:如栅格全年均被云覆盖或植被生长季被云覆盖,植被地表的NDVI受云干扰或者局部时间窗口内为无植被覆盖。所以在通过二叉树判定法进行第一次判断后,对于二叉树判定法判断不存在植被覆盖信息的栅格,需要采用下述方法再进行判断。
包括:
获取所述卫星观测数据的晴空观测情况;
晴空观测情况可直接通过地球大数据平台的海量Landsat数据获取。
基于所述晴空观测情况进行判断,
若在所述周期内存在超过或等于75%的卫星观测数据均为晴空观测,且所述栅格的卫星观测数据中植被指数大于植被阈值,则判定所述栅格存在植被覆盖信息;
当由于获取遥感数据的卫星重访周期为16天,则若是在所述周期内存在超过或等于75%的卫星观测数据均为晴空观测,则表明在三个月内至少有1个晴空观测,因此,在这种情况下,当一个周期内少于一个观测的NDVI高于植被指数阈值时,地表被判别为无植被覆盖。
若在所述周期内存在超过小于 75%大于25%的卫星观测数据为晴空观测,则获取所述卫星观测数据的日序,基于所述日序判断每个所述周期内是否存在连续一个季度中存在植被指数大于植被阈值,若是,则判定所述栅格存在植被覆盖信息;
当晴空观测数量小于75%且大于25%时,为了进一步监测某个季节是否为全部被云覆盖,则在本实施例进一步监测晴空观测的日序。如果每三个月中至少一个晴空观测NDVI持续低于TNDVI,表明地表整年内无植被覆盖,否则至少一个季节全部被云覆盖。
若在所述周期内存在小于等于25%的卫星观测数据为晴空观测,且在连续一个季度中不存在植被指数大于植被阈值,则判断前后一个周期内是否存在植被指数大于植被阈值,若是,则判定所述栅格存在植被覆盖信息。
在晴空观测小于等于25%或上述的情况中至少一个季节被云覆盖,则此时采用前后各一个周期的观测数据辅助进行判定,如果前后各一个周期其NDVI仍然低于植被阈值,则说明该栅格内确实不存在植被覆盖信息。
其中,基于所述各类开源土地覆被样本库、所述卫星观测数据和所述植被覆盖信息,获取所述目标区域内各个栅格的植被类型信息,包括:
根据所述各类开源土地覆被样本库、所述卫星观测数据和所述植被覆盖信息,采用随机森林算法,将植被覆盖区域进一步精细分类为森林、农田、草地、灌丛和非植被五类。
获取所述目标区域基于众包技术的GeoWiki土地覆被样本库、开源土地覆被样本库。
在本实施例中,地表覆被类型的样本点通过开源数据获取,开源数据具有样本点多、空间分布范围广、成本低的优势,采用开源土地覆被样本库,通过样本聚类成本发明所需的五类地表覆被类型,能够有助于实现地表的自动分类和验证。
基于所述卫星观测数据和开源土地覆被样本库,采用随机森林算法对植被覆盖区域做进一步详细的植被类型区分;
在本实施例中,考虑到山地绿色覆盖指数的定义为森林、灌丛、草地、农田等绿色植被面积与山地总面积的比值,本实施例中将所述提取出的植被覆盖信息进一步区分为森林、灌丛、草地、农田和非植被。
其中,随机森林算法包括:
获取所述栅格的卫星观测数据不同波段特征和植被指数,所述不同波段特征和植被指数用于建立和已知土地覆被样本点的统计关系;
S4,基于所述目标区域内多个栅格的面积信息和所述目标区域中具有不同植被覆盖类型植被覆盖信息的栅格,获取所述目标区域的不同植被覆盖类型山地绿色覆盖指数。
包括:
采用下述公式计算所述目标区域的不同植被覆盖类型山地绿色覆盖指数;
式中,MGVIv为第v种植被的绿色覆盖指数;GCv,i为第v种植被的第i个栅格;Av,i为第v种植被的第i个栅格对应的表面积;A为所述目标区域总的山地表面积。
采用下述公式计算所述目标区域不同山地类型总山地绿色覆盖指数:
式中,MGVIm为第m种山地类型的山地总绿色覆盖指数;MGCIv,m为第m种山地类型中第v种植被类型的山地绿色指数。
通过将不同植被覆盖类型山地绿色覆盖指数进行汇总,获得不同山地类型总山地绿色覆盖指数变化,可以从宏观角度总体了解山地绿色植被覆盖的变化程度,对比不同山地覆盖类型的变化趋势。
采用下述公式计算所述目标区域的山地总绿色覆盖指数;
式中,MGCI为山地绿色覆盖指数;GCi为第i个植被覆盖栅格;MSi为第i个栅格的表面积;MSj为第j个栅格的起伏地表表面积;MSl为栅格内的平地地表面积。
在本实施例中,通过将目标区域划分为多个栅格,在获取山地绿色覆盖指数时,能够在更小的尺度上获取山地绿色覆盖指数;且采用表面积、起伏地表面积和平地地表面积作为计算指标,获取的山地绿色覆盖指数更加具有代表性,更为精确;采用不同植被覆盖类型山地绿色覆盖指数,能够更加精确的分析不同植被覆盖类型之间绿色覆盖指数的转换规律,区分不同驱动因素如气候变化、人类活动带来的绿色覆盖指数变化。
实施例2
本实施例提供一种山地绿色覆盖指数动态变化遥感监测方法的应用实例;
本实施例采用地球大数据云平台进行全球山地范围计算,并采用样本分析和产品对比的方式进行效果对比。本发明以Google Earth Engine地球大数据云平台和美国ASTERGDEM数据、美国Landsat卫星数据为例。
山地类型划分:本发明采用ASTER GDEM全球数字高程数据为基准,采用如实施例1说明的划分方法首先将进行全球尺度山地类型划分为七大类。
本实施例采用了ASTER GDEM全球数字高程数据进行山地类型划分,与现有山地类型数据相比空间分辨率更高,山地类型更加丰富,地学特征更加明显。图3展示了本发明提取山地类型和目前联合国采用的Kapos山地类型的对比,可以看出,本发明山地类型更加详细,体现出山地的破碎性和整体性的特点。
山地范围植被覆盖信息提取:本发明采用如实施例1说明的植被覆盖信息判定方法来对考虑不同云量特征和植被物候状态的植被信息判别规则对植被覆盖信息进行确定。
首先对Landsat卫星影像进行云量标识、冰雪标识提取,并根据归一化植被指数计算公式实现每景影像对应NDVI数据的提取。
本实施例采用了全球开源土地覆盖样本,并根据其详细类型聚类成为森林、灌丛、农田、草地和非植被样本,并进一步将森林、灌丛、农田、草地聚类为植被样本;在本实施例中,所选样本需具有非常好的空间代表性,即不同大洲、气候带和山地类型均有相应的样本分布。
基于上述全球不同植被类型样本分布,本实施例提取了各样本对应的Landsat卫星影像全部时间序列NDVI值,并绘制得出了植被和非植被的直方图。其如图2所示,展示了直方图分布特征;为了对植被和非植被进行区分,本例采用了植被NDVI累计频率大于99%处的NDVI值作为阈值条件,在本实施例中,根据图2可得,植被阈值采用0.2。
基于上述全球开源土地覆被样本库聚类获得的森林、灌丛、农田、草地和非植被五大类,本实施例基于随机森林算法提取了植被覆盖区域的详细植被类型。其放大图如图4和图5所示,可以看出,详细植被覆盖类型能够反映出山地的绿色覆盖内涵特征,便于统计不同生态系统类型的绿色覆盖程度。
基于全球覆盖范围更为广泛的ASTER GDEM数字高程数据,获得全球山地区域的表面积数据集。图6和图7展示了不规则三角网算法和基于格网的表面积提取算法对比。可以看出,该山地示例中不规则三角网算法具有更多的山地地形特征点,提取出的表面积具有更高精度;所以在本实施例中,采用不规则三角网表面积作为计算指标,获取的山地绿色覆盖指数更加具有代表性,更为精确。
基于格网的山地总绿色覆盖指数突破了行政界线的限制,能清晰反映不同范围的山地绿色植被覆盖情况。通过不同行政单元/流域/保护区边界,该栅格数据能够很好地进行空间尺度聚合,进而了解区域发展状况。达到在更小的尺度上获取山地总绿色覆盖指数的效果。
图8展示了全球选择的典型山地,包括喜马拉雅山、阿尔卑斯山、洛基山和安第斯山的放大对比情况。对比可以看出,山地绿色覆盖指数异质性非常强,除了与复杂山地的地形条件相关外,与植被的分布区域也有非常高的相关性。
为了验证本例获取的全球植被范围精度,将获取的全球植被和非植被样本随机抽取30%,验证植被提取精度。结果表明,植被和非植被分类均有较高的精度,用户精度和生产者精度分别为97.02%和97.11%。
为了进一步验证本例提取出的全球山地绿色覆盖指数精度,由于目前全球尚缺乏栅格尺度的山地绿色覆盖指数,本例将获得的栅格尺度高分辨率绿色覆盖指数以国别为单位进行聚合,获得各个国家对应的山地绿色覆盖指数均值,并于联合国官方公布的全球山地绿色覆盖指数进行对比。
如图9所示,本例提取出的结果与联合国结果相比具有非常好的一致性,二者均接近1:1线,其中线性拟合斜率为1.0155,截距为0.0017。二者之间的决定系数R2为0.9548,相对偏差为4.26%。表明二者具有非常好的一致性,然而由于本例提取的具有栅格尺度空间细节特征,能够更好的为区域尺度的山地保护政策制定提供决策支撑。
实施例3
本实施例提供一种山地绿色覆盖指数动态变化遥感监测系统,参照图10,所述系统包括栅格划分模块、面积获取模块、信息获取模块和计算模块;
栅格划分模块,用于将所述目标区域划分为多个栅格,获取多个所述栅格的地形数据,并基于所述地形数据划分多个所述栅格的山地类型;所述地形数据包括海拔、坡度、局地起伏度、地貌和地质构造数据;
面积获取模块,获取多个所述栅格的面积信息,所述面积信息包括表面积、起伏地表面积和平地地表面积;
信息获取模块,用于提取所述目标区域中各个栅格的植被覆盖信息和植被类型信息,所述植被覆盖信息用于表征所述栅格是否具有植被覆盖,所述植被类型信息用于表征所述栅格的植被详细类型,所述植被类型信息包括森林、灌丛、农田和草地;
计算模块,用于基于所述目标区域内多个栅格的面积信息和所述目标区域中具有植被覆盖的栅格的植被类型信息,获取所述目标区域的山地总绿色覆盖指数、不同植被类型覆盖指数和不同山地类型绿色覆盖指数。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种山地绿色覆盖指数动态变化遥感监测方法,其特征在于,所述方法用于获取目标区域的山地绿色覆盖指数动态变化情况,包括,
将所述目标区域划分为多个栅格,获取多个所述栅格的地形数据,并基于所述地形数据划分多个所述栅格的山地类型;所述地形数据包括海拔、坡度、局地起伏度、地貌和地质构造数据;具体为:通过ASTER GDEM全球数字高程数据和地质构造数据,设定自适应窗口,分别统计窗口内的海拔、坡度和局地地形起伏度、地质构造数据特征,结合山地的地理完整性,实现所述多个栅格的山地类型划定,将山地类型按起伏情况划分为七类;
获取多个所述栅格的面积信息,所述面积信息包括表面积、起伏地表面积和平地地表面积;
提取所述目标区域中各个栅格的植被覆盖信息和植被类型信息,所述植被覆盖信息用于表征所述栅格是否具有植被覆盖,所述植被类型信息用于表征所述栅格的植被详细类型,所述植被类型信息包括森林、灌丛、农田和草地;
基于所述目标区域内多个栅格的面积信息和所述目标区域中具有植被覆盖的栅格的植被类型信息,获取所述目标区域的山地总绿色覆盖指数、不同植被类型覆盖指数和不同山地类型绿色覆盖指数;包括
采用下述公式获取所述目标区域不同植被类型山地绿色覆盖指数:
式中,MGVIv为第v种植被的绿色覆盖指数;GCv,i为第v种植被的第i个栅格;Av,i为第v种植被的第i个栅格对应的表面积;A为所述目标区域总的山地表面积;
采用下述公式计算所述目标区域不同山地类型总山地绿色覆盖指数:
式中,MGVIm为第m种山地类型的山地总绿色覆盖指数;MGCIv,m为第m种山地类型中第v种植被类型的山地绿色指数;
采用下述公式计算所述目标区域的山地总绿色覆盖指数;
式中,MGCI为山地绿色覆盖指数;GCi为第i个植被覆盖栅格;MSi为第i个栅格的表面积;MSj为第j个栅格的起伏地表表面积;MSl为栅格内的平地地表面积。
2.根据权利要求1所述的一种山地绿色覆盖指数动态变化遥感监测方法,其特征在于:所述获取多个所述栅格的面积信息,包括:
基于ASTER GDEM全球数字高程数据,生成不规则三角网;
基于所述不规则三角网,获取每个所述栅格的表面积和投影面积。
3.根据权利要求2所述的一种山地绿色覆盖指数动态变化遥感监测方法,其特征在于:所述基于所述地形数据划分多个所述栅格的山地类型,包括:
获取每个所述栅格的表面积和每个所述栅格的海拔、坡度、局地起伏度、地貌和地质构造数据,划分山地类型。
4.根据权利要求1所述的一种山地绿色覆盖指数动态变化遥感监测方法,其特征在于:所述提取所述目标区域中各个栅格的植被覆盖信息和植被类型信息,包括:
获取所述目标区域在一个周期内的所有卫星观测数据,所述一个周期大于等于一年;
基于所述卫星观测数据,获取所述目标区域内各个栅格的植被覆盖信息;
获取所述目标区域各类开源土地覆被样本库;
基于所述各类开源土地覆被样本库、所述卫星观测数据和所述植被覆盖信息,获取所述目标区域内各个栅格的植被类型信息。
5.根据权利要求4所述的一种山地绿色覆盖指数动态变化遥感监测方法,其特征在于:所述基于所述卫星观测数据,获取所述目标区域内各个栅格的植被覆盖信息,包括:
基于所述卫星观测数据,采用二叉树判别法逐个判断所述目标区域中的多个栅格是否存在植被覆盖信息;
若所述栅格存在植被覆盖信息,则对下一个所述栅格进行判断;
若所述栅格不存在植被覆盖信息,则基于所述卫星观测数据,再次判断所述栅格是否存在植被覆盖信息。
6.根据权利要求5所述的一种山地绿色覆盖指数动态变化遥感监测方法,其特征在于:所述二叉树判别法包括:
获取所述栅格的植被指数,所述植被指数用于表征所述栅格内的植被覆盖度;
获取所述卫星观测数据的观测个数阈值;
获取植被指数阈值;
基于所述栅格的植被指数、所述植被指数阈值和观测个数,对所述栅格进行判断;
若所述栅格中存在植被指数大于所述植被指数阈值的观测个数大于所述观测个数阈值,则所述栅格内存在植被覆盖信息;
若所述栅格中不存在植被指数大于所述植被指数阈值的观测个数大于所述观测个数阈值,则基于所述卫星观测数据,再次判断所述栅格是否存在植被覆盖信息。
7.根据权利要求6所述的一种山地绿色覆盖指数动态变化遥感监测方法,其特征在于:所述基于所述卫星观测数据,再次判断所述栅格是否存在植被覆盖信息,包括:
获取所述卫星观测数据的晴空观测情况;
基于所述晴空观测情况进行判断,
若在所述周期内存在超过或等于75%的卫星观测数据均为晴空观测,且所述栅格的卫星观测数据中植被指数大于植被阈值,则判定所述栅格存在植被覆盖信息;
若在所述周期内存在超过小于 75%大于25%的卫星观测数据为晴空观测,则获取所述卫星观测数据的日序,基于所述日序判断每个所述周期内是否存在连续一个季度中存在植被指数大于植被阈值,若是,则判定所述栅格存在植被覆盖信息;
若在所述周期内存在小于等于25%的卫星观测数据为晴空观测,且在连续一个季度中不存在植被指数大于植被阈值,则判断前后一个周期内是否存在植被指数大于植被阈值,若是,则判定所述栅格存在植被覆盖信息。
8.根据权利要求4所述的一种山地绿色覆盖指数动态变化遥感监测方法,其特征在于:所述基于所述各类开源土地覆被样本库、所述卫星观测数据和所述植被覆盖信息,获取所述目标区域内各个栅格的植被类型信息,包括:
根据所述各类开源土地覆被样本库、所述卫星观测数据和所述植被覆盖信息,采用随机森林算法,将植被覆盖区域进一步精细分类为森林、农田、草地、灌丛和非植被五类。
9.一种山地绿色覆盖指数动态变化遥感监测系统,其特征在于:所述系统包括栅格划分模块、面积获取模块、信息获取模块和计算模块;
栅格划分模块,用于将目标区域划分为多个栅格,获取多个所述栅格的地形数据,并基于所述地形数据划分多个所述栅格的山地类型;所述地形数据包括海拔、坡度、局地起伏度、地貌和地质构造数据;
面积获取模块,获取多个所述栅格的面积信息,所述面积信息包括表面积、起伏地表面积和平地地表面积;
信息获取模块,用于提取所述目标区域中各个栅格的植被覆盖信息和植被类型信息,所述植被覆盖信息用于表征所述栅格是否具有植被覆盖,所述植被类型信息用于表征所述栅格的植被详细类型,所述植被类型信息包括森林、灌丛、农田和草地;
计算模块,用于基于所述目标区域内多个栅格的面积信息和所述目标区域中具有植被覆盖的栅格的植被类型信息,获取所述目标区域的山地总绿色覆盖指数、不同植被类型覆盖指数和不同山地类型绿色覆盖指数;包括
采用下述公式获取所述目标区域不同植被类型山地绿色覆盖指数:
式中,MGVIv为第v种植被的绿色覆盖指数;GCv,i为第v种植被的第i个栅格;Av,i为第v种植被的第i个栅格对应的表面积;A为所述目标区域总的山地表面积;
采用下述公式计算所述目标区域不同山地类型总山地绿色覆盖指数:
式中,MGVIm为第m种山地类型的山地总绿色覆盖指数;MGCIv,m为第m种山地类型中第v种植被类型的山地绿色指数;
采用下述公式计算所述目标区域的山地总绿色覆盖指数;
式中,MGCI为山地绿色覆盖指数;GCi为第i个植被覆盖栅格;MSi为第i个栅格的表面积;MSj为第j个栅格的起伏地表表面积;MSl为栅格内的平地地表面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119069.7A CN115222296B (zh) | 2022-09-15 | 2022-09-15 | 一种山地绿色覆盖指数动态变化遥感监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119069.7A CN115222296B (zh) | 2022-09-15 | 2022-09-15 | 一种山地绿色覆盖指数动态变化遥感监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222296A CN115222296A (zh) | 2022-10-21 |
CN115222296B true CN115222296B (zh) | 2022-12-30 |
Family
ID=83617689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211119069.7A Active CN115222296B (zh) | 2022-09-15 | 2022-09-15 | 一种山地绿色覆盖指数动态变化遥感监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222296B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115839707B (zh) * | 2022-12-01 | 2024-05-14 | 河南科技大学 | 一种基于数字地形模型精准识别农田洼地特征的方法 |
CN116052017B (zh) * | 2023-01-17 | 2023-11-10 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
CN115995044B (zh) * | 2023-03-24 | 2023-06-06 | 清华大学 | 一种生态工程全类型绿化措施的监控方法及装置 |
CN116912676A (zh) * | 2023-06-05 | 2023-10-20 | 广东省水利水电科学研究院 | 一种水浮莲变化检测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN106295576A (zh) * | 2016-08-12 | 2017-01-04 | 中国水利水电科学研究院 | 一种基于自然地理特征的水源类型解析方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5606821A (en) * | 1994-07-25 | 1997-03-04 | Loral Corporation | Smart weed recognition/classification system |
CN102288954A (zh) * | 2011-08-01 | 2011-12-21 | 高吉喜 | 一种草地植被覆盖度遥感估测方法 |
CN107239664B (zh) * | 2017-06-08 | 2021-03-26 | 国家基础地理信息中心 | 一种地表覆盖表面积栅格化计算方法及装置 |
US11741589B2 (en) * | 2020-10-29 | 2023-08-29 | Deere & Company | Method and system for optical yield measurement of a standing crop in a field |
CN112884793B (zh) * | 2021-01-27 | 2022-12-23 | 河南理工大学 | 一种多时相多等级的城市温度遥感数据分析方法 |
-
2022
- 2022-09-15 CN CN202211119069.7A patent/CN115222296B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN106295576A (zh) * | 2016-08-12 | 2017-01-04 | 中国水利水电科学研究院 | 一种基于自然地理特征的水源类型解析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115222296A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115222296B (zh) | 一种山地绿色覆盖指数动态变化遥感监测方法和系统 | |
d’Andrimont et al. | From parcel to continental scale–A first European crop type map based on Sentinel-1 and LUCAS Copernicus in-situ observations | |
Chong et al. | A review of remote sensing applications for oil palm studies | |
King et al. | Modelling and mapping damage to forests from an ice storm using remote sensing and environmental data | |
CN107330413A (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
Li et al. | Tracking the spatio-temporal change of planting area of winter wheat-summer maize cropping system in the North China Plain during 2001–2018 | |
CN113570273B (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Guarascio et al. | A machine learning approach for rainfall estimation integrating heterogeneous data sources | |
Nguyen et al. | Mapping Land use/land cover using a combination of Radar Sentinel-1A and Sentinel-2A optical images | |
Udin et al. | Land use and land cover detection by different classification systems using remotely sensed data of Kuala Tiga, Tanah Merah Kelantan, Malaysia | |
Adinarayana et al. | Integration of multi-seasonal remotely-sensed images for improved landuse classification of a hilly watershed using geographical information systems | |
Jensen et al. | Remote sensing agricultural crop type for sustainable development in South Africa | |
Abdelraouf et al. | Comparative analysis of some winter crops area estimation using landsat-8 and sentinal-2 satellite imagery | |
Singla et al. | Spatiotemporal analysis of LANDSAT Data for Crop Yield Prediction. | |
CN110245694A (zh) | 一种基于高分遥感影像分割的西北地区农膜信息分析方法 | |
CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 | |
Fornacca et al. | Small fires, frequent clouds, rugged terrain and no training data: a methodology to reconstruct fire history in complex landscapes | |
Issa et al. | Mapping and assessing above ground biomass (AGB) of date palm plantations using remote sensing and GIS: A case study from Abu Dhabi, United Arab Emirates | |
Paiboonvorachat | Using remote sensing and GIS techniques to assess land use/land cover changes in the Nan Watershed, Thailand | |
Fajji et al. | Application of SPOT Imagery for Landcover Mapping and Assessing Indicators of Erosion and Proportion of Bareground in Arid and Semi-Arid Environment | |
Mimouni et al. | Machine learning for winter crop mapping using high spatiotemporal time series satellite imagery: case study–Jendouba, Tunisia | |
Yuan et al. | Mapping orchards on plain terrains using multi-temporal medium-resolution satellite imagery | |
De Simone et al. | Earth observations for official crop statistics in the context of scarcity of in-situ data | |
Fajji | A remote sensing and GIS scheme for rangeland quality assessment and management in the North-West Province, South Africa | |
김예화 | Classification of Deforested and Degraded Areas in North Korea Using Phenology-based Indices and Spatiotemporal Data Fusion Method |
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 |