CN115343226A - 一种基于无人机的多尺度植被覆盖度遥感计算方法 - Google Patents

一种基于无人机的多尺度植被覆盖度遥感计算方法 Download PDF

Info

Publication number
CN115343226A
CN115343226A CN202210830265.9A CN202210830265A CN115343226A CN 115343226 A CN115343226 A CN 115343226A CN 202210830265 A CN202210830265 A CN 202210830265A CN 115343226 A CN115343226 A CN 115343226A
Authority
CN
China
Prior art keywords
vegetation
satellite
unmanned aerial
aerial vehicle
image
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.)
Pending
Application number
CN202210830265.9A
Other languages
English (en)
Inventor
侯鹏
邓磊
吴爽
翟俊
卢卓
陈妍
吴燕杰
郭莉杰
高海峰
祝汉收
金点点
杨旻
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.)
Capital Normal University
Satellite Application Center for Ecology and Environment of MEE
Original Assignee
Capital Normal University
Satellite Application Center for Ecology and Environment of MEE
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 Capital Normal University, Satellite Application Center for Ecology and Environment of MEE filed Critical Capital Normal University
Priority to CN202210830265.9A priority Critical patent/CN115343226A/zh
Publication of CN115343226A publication Critical patent/CN115343226A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明的一个实施例公开了一种基于无人机的多尺度植被覆盖度遥感计算方法，所述方法包括：S1：获取卫星影像以及无人机影像；S2：将卫星影像和无人机影像进行空间位置配准；S3：根据所述无人机影像提取植被信息，根据所述卫星影像计算植被指数；S4：将所述无人机影像的植被信息与卫星影像通过2‑D高斯采样方法进行聚合并构建植被覆盖度模型；S5：根据其余时期的卫星影像计算植被指数，并对所述其余时期的植被指数进行校正，根据校正后的植被指数和所述植被覆盖度模型以得到校正后的其余时期的植被覆盖度。本发明解决了地表样方与对应的卫星像素大小之间的空间不匹配的问题，提升了植被覆盖度的计算精度,能够实现长时序且高精度的植被监测。

Description

一种基于无人机的多尺度植被覆盖度遥感计算方法
技术领域
本发明涉及遥感技术应用领域。特别涉及一种基于无人机的多尺度植被覆盖度遥感计算方法。
背景技术
植被覆盖度是衡量地表植被状况的一个重要指标，是描述生态系统的重要基础数据，也是区域生态系统环境变化的重要指示，对水文、生态、区域变化等都具有重要意义。
传统的地面实测植被覆盖度的方法，费时又费力且不利于大范围的植被动态监测。遥感技术的发展为植被覆盖度的监测提供了多尺度遥感数据。卫星影像作为低分辨率大尺度影像的代表具有长时序且大范围特点。同时卫星遥感是目前计算植被覆盖度的主流方式，由此发展许多的估算植被覆盖度方法，例如：经验模型法、混合像元分解模型法等。其中，应用最广泛的方法是基于归一化植被指数(NDVI)的像元二分模型以及通过建立地面实测植被覆盖度与卫星影像计算植被指数之间的经验模型来估算植被覆盖度。虽然利用这两种方法能够快速获取植被覆盖度，但是还存在着混合像元的问题，即单个像素不仅会包含植被，还有其他地物如土壤等，以及植被指数阈值的选择往往具有不确定性，所以利用基于NDVI的像元二分模型估计植被覆盖度会导致提取植被信息不准确，影响植被覆盖度的预测精度。人工地面采样具有一定的主观性，采样的范围通常在1-104m2这与卫星遥感产品像素的空间分辨率相差较大。所以存在着即地表样方与对应的卫星像素大小之间的空间不匹配问题，导致利用地面实测与卫星数据建立经验模型方法估算的植被覆盖度不准确。
近年来，无人机作为高分辨率小尺度影像的代表可以搭载各种微小型传感器以及快速生成数字正射影像，已经被广泛地应用植被监测中。已有研究表明，无人机航空摄影测量技术提供空间分辨率从厘米到米级别的影像，可以用来提高卫星影像植被覆盖度建模精度。这是因为与商业卫星和传统机载传感器相比，无人机遥感提供了一种快速高效的方式来获得极高空间分辨率的数据。这些极高空间分辨率的数据可以升尺度到所需要空间分辨率，而且还可以与全球覆盖的卫星数据进行匹配，可以在多个尺度上进行植被覆盖度的估计。但是，目前大多数研究都是基于单一尺度(卫星/无人机影像)对植被覆盖度进行研究，缺少多尺度遥感联合使用，导致以无人机为代表的极高空间分辨率遥感技术无法在时空植被监测中发挥应有的作用。
以往的研究对于长时间序列植被变化监测，一般使用卫星遥感的方式，这里是因为某些卫星发射时间较早(如Landsat卫星)，可以追溯到更为久远的历史数据，方便了对于全球长达几十年的变化监测。但是卫星影像由于空间分辨率较粗，且卫星影像之间由于受到太阳天顶角以及传感器自身的限制，导致无法保证植被变化监测结果的准确性。近年来，无人机遥感也能获取数年高空间分辨率的影像，可以进行高精度的植被时序监测，但是由于每次进行飞行任务时都受不同环境因素的影响(阴天或晴天、有风或者无风等)，导致多期无人机影像之间存在着一定的差异，这会对植被长时序监测结果产生一定的影响。总之，目前长时序监测的数据源都是中低分辨率的遥感影像，难以对植被覆盖的变化进行精准掌控，缺少多尺度遥感数据的高精度植被覆盖评估方法。
发明内容
鉴于此，本发明的第一个实施例提供一种基于无人机的多尺度植被覆盖度遥感计算方法，包括：
S1：获取卫星影像以及无人机影像，其中所述卫星影像的覆盖区域包括无人机影像的覆盖区域；
S2：将同一时期以及同一覆盖区域的卫星影像和无人机影像进行空间位置配准；
S3：根据所述无人机影像提取植被信息，根据所述卫星影像计算植被指数；
S4:将所述无人机影像的植被信息与卫星影像通过2-D高斯采样方法进行聚合得到每个卫星像素的植被覆盖度，并与相应卫星像素计算的植被指数构建植被覆盖度模型；
S5：根据其余时期的卫星影像计算植被指数，并对所述其余时期的植被指数进行校正，根据校正后的植被指数和所述植被覆盖度模型以得到校正后的其余时期的植被覆盖度。
在一个具体实施例中，所述S3包括：
S31：根据所述无人机影像对与所述卫星影像同一覆盖区域进行分类，划分为植被区和非植被区；
S32：根据所述无人机影像的分类结果进行二值化，得到二值化结果。
在一个具体实施例中，所述S4包括：
S41：确定聚合后的一个卫星影像的窗口大小为α×α，其中，
Figure BDA0003747948190000031
其中，Rsatellite为同一时期卫星影像的每个像素空间分辨率，RUAV为同一时期无人机影像的每个像素空间分辨率；
S42：利用2-D高斯采样方式计算聚合后的卫星影像窗口中的每个无人机影像像素权重：
Figure BDA0003747948190000032
其中，W(i,j)表示一个卫星像素中第i行和第j列无人机影像像素的权重值，
Figure BDA0003747948190000033
σ表示标准差，且σ＝α/6；
S43：根据所述二值化结果和所述无人机影像像素权重计算所述聚合后的卫星影像每个像素的植被覆盖度，
Figure BDA0003747948190000034
其中，ρi,j为第i行和第j列无人机影像像素的二值化结果。
在一个具体实施例中，所述S4还包括：
S44：利用根据所述聚合后的卫星影像的植被覆盖度和根据所述卫星影像计算出的对应区域的植被指数之间的对应关系，建立第一线性回归方程；
S45：根据所述第一线性回归方程和根据所述卫星影像计算出的其余覆盖区域的植被指数，可以得到其余覆盖区域的植被覆盖度。
在一个具体实施例中，赋予每一个聚合后的卫星影像的像素一个ID号，将所述聚合后的卫星影像每个像素的植被覆盖度与基于每个像素计算的植被指数通过ID号相互关联。
在一个具体实施例中，所述S5包括：
S51：获取与所述无人机影像同期的卫星影像以及同一区域其他时期的卫星影像，分别将它们进行真彩色显示，选取目标区域内多种地物覆盖类型；
S52：根据与所述无人机影像同期的卫星影像和同一区域其他时期的卫星影像计算地物覆盖的植被指数，并利用根据与所述无人机影像同期的卫星影像计算出的地物覆盖的植被指数和根据同一区域其他时期的卫星影像计算出的地物覆盖的植被指数之间的对应关系，建立第二线性回归方程，完成任一时期植被指数的校正；
S53：根据所述第一线性回归方程，将校正后任一时期植被指数代入到第一线性回归方程，得到其余时期的植被覆盖度。
在一个具体实施例中，所述S1包括：
对所述卫星影像和所述无人机影像进行预处理。
本发明的有益效果如下：
本发明提供一种基于无人机的多尺度植被覆盖度遥感计算方法，通过将所述无人机影像的植被信息与所述卫星影像通过2-D高斯采样方法进行聚合以得到对应区域每个卫星像素的植被覆盖度，从而解决了现有技术中植被覆盖度计算不准确的问题以及地表样方与对应的卫星像素大小之间的空间不匹配的问题，并通过构建植被覆盖度模型以及对其余时期的卫星影像计算植被指数进行校正，以得到所述任意时期卫星影像的植被覆盖度，实现了长时序、高精度且大范围的植被覆盖度反演，即不仅发挥了卫星影像的长时序且大范围优势，又发挥了无人机影像的高空间分辨率的优势，从而可以更为精确了解区域近年来植被的恢复状况，为区域生态环境修复效果评价提供参考，具有适应性强、精度高、易于操作优点，可大量减少野外人工实地观测，具有广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出根据本发明一个实施例的基于无人机的多尺度植被覆盖度遥感计算方法流程图；
图2示出根据本发明一个实施例将不同分辨率的卫星影像与无人机影像聚合计算的植被覆盖度示意图；
图3示出根据本发明一个实施例的基于无人机的多尺度植被覆盖度遥感计算方法与现有技术的对比示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，本发明的一个实施例提供了一种基于无人机的多尺度植被覆盖度遥感计算方法，包括：
S1：获取卫星影像以及无人机影像，其中所述卫星影像的覆盖区域包括无人机影像的覆盖区域；
S2：将同一时期以及同一覆盖区域的卫星影像和无人机影像进行空间位置配准；
S3：根据所述无人机影像提取植被信息，根据所述卫星影像计算植被指数；
S4:将所述无人机影像的植被信息与卫星影像通过2-D(二维)高斯采样方法进行聚合得到每个卫星像素的植被覆盖度，并与相应卫星像素计算的植被指数构建植被覆盖度模型；
S5：根据其余时期的卫星影像计算植被指数，并对所述其余时期的植被指数进行校正，根据校正后的植被指数和所述植被覆盖度模型以得到校正后的其余时期的植被覆盖度。
可以理解的是，在本实施例中对所述卫星影像和无人机影像不做具体限定，如图2所示，所述卫星影像可以为高分二号(GF-2)卫星遥感影像、Sentinel-2卫星遥感影像或者Landsat5/Landsat7/Landsat8卫星遥感影像，其中，所述高分二号卫星遥感影像空间分辨率为4米，所述Sentinel-2卫星遥感影像空间分辨率为10米，Landsat系列卫星遥感影像空间分辨率为30米；所述无人机影像可以为通过无人机获取的影像，可以是固定翼无人机，也可以是多旋翼无人机等其他多种形式，其具体设置形式均为本领域技术人员所熟知，本申请不做过多限制，能够满足影像获取要求即可。
在一个具体实施例中，表1示出了现有技术中的基于无人机的多尺度植被覆盖度遥感计算方法和本实施例中的植被覆盖度遥感计算方法的对比。
通过表1内容可得，现有技术中采用的基于卫星影像的像元二分法在计算植被覆盖度时，决定系数R2为0.301，均方根误差RMSE为0.349，本领域技术人员可以理解的是，决定系数R2数值越大，表示本方法与实际情况相关性越高，效果越显著；均方根误差RMSE数值越小，表示本方法与实际情况误差越小，效果越显著，而根据表1内容可得，在本实施例中，任意选取卫星遥感影像并进行计算植被覆盖度，与实际情况的误差均小于现有技术中利用像元二分法进行计算所带来的误差，例如当选取Landsat系列卫星遥感影像时，通过本实施例所述的方法计算植被覆盖度，计算出的决定系数R2为0.738，均方根误差RMSE为0.149，与现有技术相比有明显提升，显示效果对比如图3所示，由此可以看出，本实施例通过将所述无人机影像的植被信息与所述卫星影像通过2-D高斯采样方法进行聚合以得到对应区域每个卫星像素的植被覆盖度，并与相应卫星像素的植被覆盖度建立植被覆盖度估算模型。该过程解决了现有技术中植被覆盖度计算不准确的问题以及地表样方与对应的卫星像素大小之间的空间不匹配的问题，提高了植被覆盖度的计算精度。
表1
像元二分法 高分二号卫星遥感影像 Sentinel-2卫星遥感影像 Landsat系列卫星遥感影像
空间分辨率 30米 4米 10米 30米
决定系数R<sup>2</sup> 0.301 0.546 0.579 0.738
均方根误差RMSE 0.349 0.277 0.247 0.149
在一个具体实施例中，所述基于无人机的多尺度植被覆盖度遥感计算方法具体包括：
S1：获取卫星影像以及无人机影像，其中所述卫星影像的覆盖区域包括无人机影像的覆盖区域；
在本实施例中，在获取所述卫星影像时，应获取覆盖所有研究区域的历年的卫星影像，例如为某矿区2010-2021年的卫星影像，在获取无人机影像时，应在所有研究区域内选取若干典型区域，并获取这些若干典型区域的特定时期的无人机影像，例如在某矿区内选取若干个植被覆盖度不同的区域，并获取若干张这些植被覆盖程度不同的区域的2021年的无人机影像，以便后续将所述无人机影像与所述卫星影像通过2-D高斯采样方法进行聚合，从而获得高精度的研究区域内的植被覆盖度，并可大量减少野外人工实地观测。
在一个具体实施例中，所述S1进一步包括：
对所述卫星影像和所述无人机影像进行预处理，例如对所述卫星影像进行辐射定标以及大气校正处理，对所述无人机影像进行拼接以获取对应区域正射影像。
在本实施例中，通过对所述卫星影像进行预处理例如进行辐射定标，从而对原始影像因辐射响应不均匀产生的差异进行校正，还原影像反映的地物真实信息，通过对所述卫星影像进行预处理例如进行大气校正，从而消除大气和光照等因素对地物反射的影响，提高了植被覆盖度计算精度。通过对所述获取的无人机影像使用专业软件拼接并获得研究区的正射影像。
S2：将同一时期以及同一覆盖区域的卫星影像和无人机影像进行空间位置配准。
在本实施例中，通过将同一时期以及同一覆盖区域的卫星影像和无人机影像进行空间位置配准，例如，将2021年某矿区的卫星影像进行裁剪，以获取某矿区部分区域的卫星影像，同时获取若干张该部分区域对应的2021年的无人机影像，并进行空间位置配准，以便后续将无人机影像和卫星影像进行聚合。
S3：根据所述无人机影像提取植被信息，根据所述卫星影像计算植被指数。
在一个具体实施例中，所述S3包括：
S31：根据所述无人机影像进行分类，划分为植被区和非植被区；
S32：根据所述无人机影像的分类结果进行二值化，得到二值化结果。
在本实施例中，可以通过监督分类方法对与所述卫星影像同一覆盖区域的无人机影像进行分类，划分为植被区和非植被区，并将分类结果进行二值化，即将植被区标为1，非植被区为0，以便后续将植被信息与所述卫星影像通过2-D高斯采样方法进行聚合。
需要说明的是，分类方法可以是任何一种分类方法，本领域人员可以根据实际情况进行选择，例如选择非监督分类方法。
S4：将所述无人机影像的植被信息与卫星影像通过2-D高斯采样方法进行聚合得到每个卫星像素的植被覆盖度，并与相应卫星像素计算的植被指数构建植被覆盖度模型。
在一个具体实施例中，所述S4进一步包括：
S41：确定聚合后的一个卫星影像的窗口大小为α×α，其中，
Figure BDA0003747948190000071
其中，Rsatellite为同一时期的卫星影像的每个像素空间分辨率，RUAV为同一时期的无人机影像的每个像素空间分辨率；
S42：利用2-D高斯采样方式计算聚合后的卫星影像的窗口中的每个无人机影像像素权重：
Figure BDA0003747948190000072
在本实施例中，W(i,j)表示第i行和第j列无人机影像像素的权重值，i,j为正整数，为影像上每个像素的行列号，且将左上角的像素定义为(1,1)，并以此为基础向右i逐渐增大，向下j逐渐增大。由于计算一般的高斯采样定义的窗口大小为(2k+1)(2k+1)，所以让窗口大小与α相等，则
Figure BDA0003747948190000081
σ表示标准差，由于高斯曲线在区间(μ-3σ,μ+3σ)范围占99.7％，一般3σ外的数值已接近于0，可忽略，即窗口大小为6σ×6σ即可，通常取最近的奇数，则σ＝α/6。例如当为了获得更精准的计算结果，选取Landsat系列卫星遥感影像作为卫星影像时，即Rsatellite为30m，应采用k＝375,σ＝125。
S43：根据所述二值化结果和所述无人机影像像素权重计算所述聚合后的卫星影像的每个像素的植被覆盖度，
Figure BDA0003747948190000082
其中，ρi,j为第i行和第j列无人机影像像素的二值化结果。
在本实施例中，通过根据二值化结果和所述无人机影像像素权重计算所述聚合后的卫星影像的每个像素的植被覆盖度，从而解决了现有技术中植被覆盖度计算不准确的问题以及地表样方与对应的卫星像素大小之间的空间不匹配的问题，弱化了卫星影像的边界权重，进一步提高了植被覆盖度的精度。
在一个具体实施例中，所述S4进一步还包括：
S44：利用根据所述聚合后的卫星影像的植被覆盖度和根据所述卫星影像计算出的对应区域的植被指数之间的对应关系，建立第一线性回归方程；
S45：根据所述第一线性回归方程和根据所述卫星影像计算出的其余覆盖区域的植被指数，可以得到其余覆盖区域的植被覆盖度。
在本实施例中，可以利用所述卫星影像中每个像素的地表反射率中红波段和近红外波段地表反射率，计算得到归一化植被指数(Normalized Difference VegetationIndex，NDVI)以建立植被覆盖度模型，即建立第一线性回归方程，其中，NDVI是指示植被生长状况的一个重要指标，被常用于监测植被生长状态以及计算植被覆盖度等。
Figure BDA0003747948190000083
其中，NIR表示卫星影像的近红外波段，R表示卫星影像的红波段。
例如，根据所述聚合后的卫星影像计算出的某矿区部分区域2021年的植被覆盖度yFVC和所述根据所述卫星影像计算出的某矿区部分区域2021年的植被指数NDVI之间的对应关系，建立第一线性回归方程；
yFVC＝a×NDVI+b
最后可以根据其他覆盖区域的卫星影像计算植被指数，并代入第一线性回归方程，以得到其他卫星覆盖区域的植被覆盖度。该过程提高了植被覆盖度计算准确度，既发挥了卫星影像大范围的优势，又发挥了无人机影像的高空间分辨率的优势。同时为区域生态环境修复效果评价提供参考，具有适应性强、精度高、易于操作优点，可大量减少野外人工实地观测，具有广泛的应用前景。
需要说明的是，基于所述卫星影像计算所述目标区域的植被指数还可以使用其他植被指数，本领域人员可以根据实际情况进行选择，例如利用近红外和红波段的比值计算的比值植被指数、近红外和红波段的差值计算的差值植被指数等。
S5：根据其余时期的卫星影像计算植被指数，并对所述其余时期的植被指数进行校正，根据校正后的植被指数和所述植被覆盖度模型以得到校正后的其余时期的植被覆盖度。
在一个具体实施例中，所述S5进一步包括：
S51：获取与所述无人机影像同期的卫星影像以及同一区域其他时期的卫星影像，分别将它们进行真彩色显示，选取目标区域内多种地物覆盖类型；
S52：根据所述无人机影像同期的卫星影像和同一区域其他时期的卫星影像计算地物覆盖的植被指数，并利用根据所述无人机影像同期的卫星影像计算出的地物覆盖的植被指数VIreference和根据同一区域其他时期的卫星影像计算出的地物覆盖的植被指数之间VIi的对应关系，建立第二线性回归方程，完成任一时期植被指数的校正；
VIi＝c+d·VIreference
其中，VIi为第i年的植被指数，VIreference为与无人机影像同期的卫星影像计算的植被指数。
S53：根据所述第一线性回归方程，将校正后其他任一时期植被指数代入到第一线性回归方程，得到其余时期的植被覆盖度。。
在本实施例中，考虑到由于不同时期卫星影像来自不同传感器以及在不同天气下获取等，所以其计算的植被指数存在差异，因此利用根据所述无人机影像同期的卫星影像计算地物覆盖的植被指数和根据其他时期的卫星影像计算出的地物覆盖的植被指数之间的对应关系，建立第二线性回归方程，例如根据与无人机影像同期的2021年某矿区的卫星影像，以及2020年某矿区的卫星影像计算对应的地物覆盖的植被指数以建立第二线性回归方程，并根据所述第二线性回归方程，计算出校正之后其他时期的植被指数，再代入第一线性方程，得到其他时期的植被覆盖度。该过程实现了长时序、高精度且大范围的植被覆盖度反演，既发挥了卫星影像的长时序且大范围优势，又发挥了无人机影像的高空间分辨率的优势。同时可以更为精确了解区域近年来植被的恢复状况，且为典型生态区域的环境修复效果评价提供参考，具有适应性强、精度高、易于操作等优点。
在一个可选的实施例中，所述方法还包括：赋予每一个聚合后的卫星影像像素一个ID号，将所述聚合后的卫星影像的每个像素的植被覆盖度与基于卫星影像计算的每个像素的植被指数通过ID号相互关联。
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (7)

1.一种基于无人机的多尺度植被覆盖度遥感计算方法，其特征在于，包括：
S1：获取卫星影像以及无人机影像，其中所述卫星影像的覆盖区域包括无人机影像的覆盖区域；
S2：将同一时期以及同一覆盖区域的卫星影像和无人机影像进行空间位置配准；
S3：根据所述无人机影像提取植被信息，根据所述卫星影像计算植被指数；
S4:将所述无人机影像的植被信息与卫星影像通过2-D高斯采样方法进行聚合得到每个卫星像素的植被覆盖度，并与相应卫星像素计算的植被指数构建植被覆盖度模型；
S5：根据其余时期的卫星影像计算植被指数，并对所述其余时期的植被指数进行校正，根据校正后的植被指数和所述植被覆盖度模型以得到校正后的其余时期的植被覆盖度。
2.根据权利要求1所述的方法，其特征在于，所述S3包括：
S31：根据所述无人机影像进行分类，划分为植被区和非植被区；
S32：根据所述无人机影像的分类结果进行二值化，得到二值化结果。
3.根据权利要求2所述的方法，其特征在于，所述S4包括：
S41：确定聚合后的一个卫星影像的窗口大小为α×α，其中，
Figure FDA0003747948180000011
其中，Rsatellite为同一时期卫星影像的每个像素空间分辨率，RUAV为同一时期无人机影像的每个像素空间分辨率；
S42：利用2-D高斯采样方式计算聚合后的卫星影像窗口中的每个无人机影像像素权重：
Figure FDA0003747948180000012
其中，W(i,j)表示一个卫星像素中第i行和第j列无人机影像像素的权重值，
Figure FDA0003747948180000013
σ表示标准差，且σ＝α/6；
S43：根据所述二值化结果和所述无人机影像像素权重计算所述聚合后的卫星影像每个像素的植被覆盖度，
Figure FDA0003747948180000021
其中，ρi,j为第i行和第j列无人机影像像素的二值化结果。
4.根据权利要求1所述的方法，其特征在于，所述S4还包括：
S44：利用根据所述聚合后的卫星影像的植被覆盖度和根据所述卫星影像计算出的对应区域的植被指数之间的对应关系，建立第一线性回归方程；
S45：根据所述第一线性回归方程和根据所述卫星影像计算出的其余覆盖区域的植被指数，可以得到其余覆盖区域的植被覆盖度。
5.根据权利要求3所述的方法，其特征在于，赋予每一个聚合后的卫星影像的像素一个ID号，将所述聚合后的卫星影像每个像素的植被覆盖度与基于每个像素计算的植被指数通过ID号相互关联。
6.根据权利要求1所述的方法，其特征在于，所述S5包括：
S51：获取与所述无人机影像同期的卫星影像以及同一区域其他时期的卫星影像，分别将它们进行真彩色显示，选取目标区域内多种地物覆盖类型；
S52：根据与所述无人机影像同期的卫星影像和同一区域其他时期的卫星影像计算地物覆盖的植被指数，并利用根据与所述无人机影像同期的卫星影像计算出的地物覆盖的植被指数和根据同一区域其他时期的卫星影像计算出的地物覆盖的植被指数之间的对应关系，建立第二线性回归方程，完成任一时期植被指数的校正；
S53：根据所述第一线性回归方程，将校正后任一时期植被指数代入到第一线性回归方程，得到其余时期的植被覆盖度。
7.根据权利要求1所述的方法，其特征在于，所述S1包括：
对所述卫星影像和所述无人机影像进行预处理。
CN202210830265.9A 2022-07-15 2022-07-15 一种基于无人机的多尺度植被覆盖度遥感计算方法 Pending CN115343226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210830265.9A CN115343226A (zh) 2022-07-15 2022-07-15 一种基于无人机的多尺度植被覆盖度遥感计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210830265.9A CN115343226A (zh) 2022-07-15 2022-07-15 一种基于无人机的多尺度植被覆盖度遥感计算方法

Publications (1)

Publication Number Publication Date
CN115343226A true CN115343226A (zh) 2022-11-15

Family

ID=83947605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210830265.9A Pending CN115343226A (zh) 2022-07-15 2022-07-15 一种基于无人机的多尺度植被覆盖度遥感计算方法

Country Status (1)

Country Link
CN (1) CN115343226A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116343053A (zh) * 2022-12-27 2023-06-27 生态环境部卫星环境应用中心 基于光学遥感影像和sar遥感影像融合的固废自动提取方法
CN116385883A (zh) * 2023-04-13 2023-07-04 珠江水利委员会珠江水利科学研究院 基于无人机山体阴影区植被覆盖度修正方法、设备和介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116343053A (zh) * 2022-12-27 2023-06-27 生态环境部卫星环境应用中心 基于光学遥感影像和sar遥感影像融合的固废自动提取方法
CN116343053B (zh) * 2022-12-27 2024-02-09 生态环境部卫星环境应用中心 基于光学遥感影像和sar遥感影像融合的固废自动提取方法
CN116385883A (zh) * 2023-04-13 2023-07-04 珠江水利委员会珠江水利科学研究院 基于无人机山体阴影区植被覆盖度修正方法、设备和介质

Similar Documents

Publication Publication Date Title
Li et al. An evaluation of the use of atmospheric and BRDF correction to standardize Landsat data
De Souza et al. Height estimation of sugarcane using an unmanned aerial system (UAS) based on structure from motion (SfM) point clouds
CN113128134B (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
Barrett et al. A questionnaire-based review of the operational use of remotely sensed data by national forest inventories
Baltsavias et al. High‐quality image matching and automated generation of 3D tree models
EP4207054A1 (en) A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product
Pacheco et al. Evaluating multispectral remote sensing and spectral unmixing analysis for crop residue mapping
CN115343226A (zh) 一种基于无人机的多尺度植被覆盖度遥感计算方法
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
CN108932521B (zh) 一种基于深度学习的农作物分类方法及系统
Kluger et al. Two shifts for crop mapping: Leveraging aggregate crop statistics to improve satellite-based maps in new regions
Corbane et al. Enhanced automatic detection of human settlements using Sentinel-1 interferometric coherence
CN108230375B (zh) 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法
Bruno et al. A combined approach of field data and earth observation for coastal risk assessment
CN111191673B (zh) 一种地表温度降尺度方法及系统
Stone et al. Alternatives to LiDAR-derived canopy height models for softwood plantations: a review and example using photogrammetry
CN111337434A (zh) 一种矿区复垦植被生物量估算方法及系统
CN113553697B (zh) 基于长时序多源数据的煤炭开采植被扰动分析方法
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
CN111144350B (zh) 一种基于参考底图的遥感影像定位精度评价方法
Li et al. A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model
Bohlin et al. Deciduous forest mapping using change detection of multi-temporal canopy height models from aerial images acquired at leaf-on and leaf-off conditions
Mohamed et al. Change detection techniques using optical remote sensing: a survey
Jing et al. Efficient point cloud corrections for mobile monitoring applications using road/rail-side infrastructure
Chadwick et al. An artificial neural network approach to multispectral rainfall estimation over Africa

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