CN116844049A - 基于图像差值法的森林扰动监测方法、系统、设备及介质 - Google Patents

基于图像差值法的森林扰动监测方法、系统、设备及介质 Download PDF

Info

Publication number
CN116844049A
CN116844049A CN202310826594.0A CN202310826594A CN116844049A CN 116844049 A CN116844049 A CN 116844049A CN 202310826594 A CN202310826594 A CN 202310826594A CN 116844049 A CN116844049 A CN 116844049A
Authority
CN
China
Prior art keywords
remote sensing
forest
image
difference
sensing 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
CN202310826594.0A
Other languages
English (en)
Inventor
陈冬花
李虎
张乃明
刘赛赛
韩伟杰
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.)
Anhui Normal University
Chuzhou University
Original Assignee
Anhui Normal University
Chuzhou 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 Anhui Normal University, Chuzhou University filed Critical Anhui Normal University
Priority to CN202310826594.0A priority Critical patent/CN116844049A/zh
Publication of CN116844049A publication Critical patent/CN116844049A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于图像差值法的森林扰动监测方法、系统、设备及介质，涉及森林监测领域，该方法包括：对待监测区域的历史遥感影像进行光谱指数特征提取获得遥感特征集；将历史遥感影像的遥感特征集分为扰动森林和未扰动森林两类，统计这2种类型所对应的8个波段的反射率均值，选择像元值差值中差异较大的波段，从预设数量个波段中选择3个波段作为设定差值波段；分别获得待监测区域当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图；根据当前时期光谱特征图和上一时期光谱特征图，根据预设差值波段，采用图像差值法确定待监测区域的当前扰动森林区域。本发明实现了大范围、精细化的森林扰动实时监测。

Description

基于图像差值法的森林扰动监测方法、系统、设备及介质
技术领域
本发明涉及森林监测技术领域，特别是涉及一种基于图像差值法的森林扰动监测方法、系统、设备及介质。
背景技术
森林是陆地上最大的生态系统，是地球生物圈的重要组成部分，对人类的生存与发展起到了极其重要的作用。森林生态系统不仅是陆地生态系统中生产力最高的系统，还是一个巨大的碳库。森林资源的动态变化会对森林生态系统的碳循环以及碳储量产生一定程度的影响。
森林扰动是指环境状态发生暂时性改变，这种改变将导致生态系统迅速而明显的改变，对生态系统造成较大影响，一般都伴有大量生物量损失。森林扰动通常包括自然扰动和人为扰动两方面，自然扰动以火，风，雪，洪水，地震等为主、包括森林火灾和风倒在内的火山喷发、雪害和其他扰动是最普遍的。人为扰动主要包括毁林、采伐、砍伐、放牧等。目前，人为扰动比自然扰动对森林的影响更大。森林扰动类型受区域环境的影响，不同环境的扰动类型也不相同，在原始森林主要以自然扰动为主，在靠近人类生活区域的扰动类型则以人为扰动为主。近年来，森林扰动的发生使得生态系统失去平衡，群落或者物种结构遭到不同程度的损害，一般体现在生物量损失，森林覆盖率降低和土壤侵蚀等方面。因此，进行森林扰动遥感监测是必要的，森林扰动的精确监测不仅能深化人们对森林生态系统结构与功能的认识，而且能为全球碳汇估算提供更为科学的基础信息。
传统的森林扰动监测多采取人工实地调查方式，耗时耗力、效率较低，难以满足大范围森林扰动监测的需要。随着卫星技术的发展，遥感影像逐渐成为森林扰动监测的主要手段，遥感监测的方法可以节省大量的人力、物力、财力，缩短调查周期，有效避免了人为因素和环境因素的影响。对于不同的研究区域，遥感数据的选取会对森林扰动的监测结果产生一定程度的影响，目前应用较为广泛的遥感数据为Landsat数据和MODIS数据，MODIS数据的覆盖范围较大，时间分辨率较高，但是其空间分辨率较低，其监测结果的精度不能保证；Landsat数据有较高的空间分辨率，但是其覆盖范围有限，易受天气条件的影响，难以进行大范围的森林扰动遥感监测。
发明内容
本发明的目的是提供一种基于图像差值法的森林扰动监测方法、系统、设备及介质，实现了大范围、精细化的森林扰动实时监测。
为实现上述目的，本发明提供了如下方案：
一种基于图像差值法的森林扰动监测方法，包括：
对待监测区域的历史遥感影像进行光谱指数特征提取，获得所述历史遥感影像的光谱特征集；所述光谱特征集中各样本包括所述历史遥感影像中各像元的光谱特征；
将所述历史遥感影像的遥感特征集分为扰动森林和未扰动森林两类；
统计所述历史遥感影像的遥感特征集中，扰动森林对应的预设数量个波段的反射率均值，以及未扰动森林对应的预设数量个波段的反射率均值；
将扰动森林对应的预设数量个波段的反射率均值与未扰动森林对应的预设数量个波段的反射率均值进行对应作差，根据差值大小从对应预设数量个波段中选择3个波段作为设定差值波段；
分别获得待监测区域当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图；所述遥感影像为GF-6WFV卫星数据；
根据当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图，根据设定差值波段，采用图像差值法确定所述待监测区域的当前扰动森林区域。
可选地，根据当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图，根据设定差值波段，采用图像差值法确定所述待监测区域的当前扰动森林区域，具体包括：
根据公式ΔXi＝XiT2-XiT1确定各像元值差值；
根据各像元差值确定各像元是否为扰动森林区域；
其中，ΔXi表示第i个像元差值，XiT2表示当前时期遥感影像对应的光谱特征图中i个像元的像元值，XiT1表示上一时期遥感影像对应的光谱特征图中i个像元的像元值。
可选地，对待监测区域的历史遥感影像进行光谱指数特征提取，获得所述历史遥感影像的光谱特征集之前，还包括：
对所述历史遥感影像依次进行辐射定标、大气校正、正射校正、影像配准以及影像拼接与裁剪。
可选地，所述预设数量为8，8个波段分别为蓝波段、绿波段、红波段、近红外波段、红边1波段、红边2波段、紫波段和黄波段。
可选地，将扰动森林对应的预设数量个波段的反射率均值与未扰动森林对应的预设数量个波段的反射率均值进行对应作差，根据差值大小从对应预设数量个波段中选择3个波段作为设定差值波段，具体包括：
对预设数量个差值从大到小进行排序，选出前5个差值；
计算前5个差值的平均值；
将前5个差值与所述平均值的差异从小到大的前3项作为设定差值波段。
本发明还公开了一种基于图像差值法的森林扰动监测系统，包括：
光谱指数特征提取模块，用于对待监测区域的历史遥感影像进行光谱指数特征提取，获得所述历史遥感影像的光谱特征集；所述光谱特征集中各样本包括所述历史遥感影像中各像元的光谱特征；
分类模块，用于将所述历史遥感影像的遥感特征集分为扰动森林和未扰动森林两类；
反射率均值统计模块，用于统计所述历史遥感影像的遥感特征集中，扰动森林对应的预设数量个波段的反射率均值，以及未扰动森林对应的预设数量个波段的反射率均值；
设定差值波段确定模块，用于将扰动森林对应的预设数量个波段的反射率均值与未扰动森林对应的预设数量个波段的反射率均值进行对应作差，根据差值大小从对应预设数量个波段中选择3个波段作为设定差值波段；
特征图确定模块，用于分别获得待监测区域当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图；所述遥感影像为GF-6WFV卫星数据；
扰动森林区域确定模块，用于根据当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图，根据设定差值波段，采用图像差值法确定所述待监测区域的当前扰动森林区域。
本发明还公开了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的基于图像差值法的森林扰动监测方法。
本发明还公开了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于图像差值法的森林扰动监测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明从GF-6WFV卫星数据中获得待监测区域的遥感影像，GF-6WFV卫星数据具有监测大范围且分辨率高的特点，结合图像差值法确定待监测区域的当前扰动森林区域，实现了大范围、精细化的森林扰动实时监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供了一种基于图像差值法的森林扰动监测方法流程示意图；
图2为本发明实施例提供了2020年和2021年关于地物1的影像配准比较示意图；
图3为本发明实施例提供了2020年和2021年关于地物2的影像配准比较示意图；
图4为本发明实施例提供了2020年和2021年关于地物3的影像配准比较示意图；
图5为本发明实施例提供了待监测区域不同地物光谱曲线示意图；
图6为本发明实施例提供了光谱指数特征对应的特征图；其中，(a)表示归一化植被指数特征图，(b)表示蓝波段特征图，(c)表示绿波段特征图，(d)表示红波段特征图，(e)表示近红外波段特征图，(f)表示红边1波段特征图，(g)表示红边2波段特征图，(h)表示紫波段特征图，(i)表示黄波段特征图；
图7为本发明实施例提供了各变化类型对应波段的像元值差值分布图；
图8为本发明实施例提供了红波段差值法的灰度值频率分布示意图；
图9为本发明实施例提供了红边1波段差值法的灰度值频率分布示意图；
图10为本发明实施例提供了黄波段差值法的灰度值频率分布示意图；
图11为本发明实施例提供了NDVI差值法的灰度值频率分布示意图；
图12为本发明实施例提供了红波段差值法的监测效果示意图；
图13为本发明实施例提供了红边1波段差值法的监测效果示意图；
图14为本发明实施例提供了黄波段差值法的监测效果示意图；
图15为本发明实施例提供了NDVI差值法的监测效果示意图；
图16为本发明实施例提供了一种基于图像差值法的森林扰动监测系统结构示意图。
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。
本发明的目的是提供一种基于图像差值法的森林扰动监测方法、系统、设备及介质，实现了大范围、精细化的森林扰动实时监测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种基于图像差值法的森林扰动监测方法，具体包括如下步骤：
步骤101：对待监测区域的历史遥感影像进行光谱指数特征提取，获得所述历史遥感影像的光谱特征集；所述光谱特征集中各样本包括所述历史遥感影像中各像元的光谱特征。
历史遥感影像为待监测区域的GF-6WFV卫星数据。
其中，步骤101具体包括：
对所述历史遥感影像依次进行辐射定标、大气校正、正射校正、影像配准以及影像拼接与裁剪，获得预处理后的历史遥感影像。
遥感影像的预处理是能够较好应用遥感影像的前提条件。遥感成像会受到大气、地形、获取角度等多种因素的影响，使获取的影像与地表真实影像之间存在部分的变形、噪声和模糊等现象，对信息提取的质量和精度都有较大影响。鉴于本发明构建的植被指数对森林扰动监测结果有一定的影响，因此，本发明对GF-6WFV数据的处理过程主要包括辐射定标、大气校正、正射校正、图像配准、图像拼接和裁剪等。
步骤1011：辐射定标。
不同时期影像获得时的太阳高度角、气象条件、拍摄时间等因素会对遥感成像产生影响，通常在进行森林扰动监测之前需要进行辐射校正。辐射定标就是将传感器记录的DN值转化为绝对辐射亮度或地表反射率的过程，这一过程可以消除传感器本身引起的误差，得到真实的传感器入口处的辐射值。本发明采用从中国资源卫星应用中心获取的2020年和2021年GF-6WFV传感器的定标参数对数据(历史遥感影像)进行辐射定标，基于ENVI5.3扩展工具China Satellites加载GF-6WFV.til文件，自动会把三个影像文件虚拟镶嵌，选择ENVI5.3中的Radiometric Calibration辐射定标工具，将影像DN值转化为辐射亮度值。公式为：
L＝Gain*DN+Offset；
式中，L为辐射亮度值，单位为W·(m2·sr-1·μm-1)；DN值为卫星载荷观测值，Gain和Offset分别为传感器增益值和偏移，单位为W·(m2·sr-1·μm-1)。
步骤1012：大气校正。
大气校正是消除大气在反射、吸收和散射过程中的辐射误差，将大气顶层的表观反射率转化为地表真实反射率的过程，本发明采用ENVI5.3中的FLAASH大气校正模块，该模块是在美国空军研究实验室(U.S.Air Force Research Laboratory)支持下，采用MODTRAN辐射传输计算方法开发的。输入数据为辐射定标后的数据，影像的中心经纬度和日期可以通过头文件自动识别，其他参数需要手动添加。传感器类型为UNKNOWN-MSI，传感器高度为645km，成像区域的平均高度通过DEM数据统计均值得到，像元大小为16m，大气模型根据经纬度和影像区域选择，可对照经纬度和成像时间表，气溶胶模型选择Rural，由于GF-6WFV数据缺少短波红外波段，因此气溶胶反演方法为None，初始能见度为40km。
步骤1013：正射校正。
遥感影像在成像的过程中会受到传感器因素和地形因素的影响导致几何变形，几何变形影响遥感影像的质量以及实际应用，所以对遥感影像进行正射校正来消除几何变形。本发明利用ENVI中的正射校正工具，通过对经过大气校正的GF-6WFV影像，选择30m分辨率的DEM数据，使用91卫图中0.5m分辨率的无偏移天地图影像，均匀选择标志性强的控制点进行正射校正，校准误差控制在0.6个像元以内。
步骤1014：影像配准。
在进行森林扰动监测前，要保证各期影像之间有足够高的配准精度，这样才能减少伪变化信息。影像配准就是通过对多时相影像之间相同位置的地面控制点像元进行校正，从而消除不同时相影像间的几何位置误差。本发明以2020年影像为基准影像来配准2021年的影像，重采样方法为最近邻，校正模型为多项式模型。选择同名控制点数量为530个，每个控制点的均方根(RMS)控制在0.6个像元以内，总的配准总误差(RMSE)为0.4个像元，部分控制点的信息见表 1，配准效果见图2-图 4，图2-图4中(a)为2020年遥感影像，图2-图4中(b)为2021年遥感影像。
表1影像配准控制点信息统计表
步骤1015：影像拼接与裁剪.
为得到完整的研究区遥感影像，本发明分别对2020年和2021年的两景影像利用ENVI5.3的无缝镶嵌工具(Seamless Mosaic)进行影像拼接，利用研究区行政矢量边界分别对拼接好的两期影像进行裁剪，最终得到2020年和2021年的待监测区域历史遥感影像。
提取预处理后的历史遥感影像的光谱指数特征、植被红边波段特征、纹理特征和地形特征。
光谱指数特征对应的特征图如图6所示。
步骤1016：光谱指数特征提取与分析。
在遥感影像分类中，光谱是最基本的特征，遥感影像信息提取中大部分需要从地物信息中获取的光谱特征，不同地物在相应的光谱范围内对太阳的反射率不同。本发明采用GF-6WFV数据的B1-B8波段即蓝、绿、红、近红外、红边 1、红边 2、紫波段，黄波段共8个原始波段作为森林信息提取的光谱特征。根据选择的植被、土壤、水体、建设用地的样本绘制了不同地物光谱曲线，如图5所示。
从图5中可以看出植被与非植被样本在不同的波段上差异较大，因此可以通过不同的波段构建相关的植被指数提取森林。本发明引入了常用的归一化植被指数(NDVI)，描述和计算公式如下：
归一化植被指数(Normalized Difference Vegetation Index,NDVI)是表示植被生长变化和空间分布的有效指标，与植被覆盖度密切相关。NDVI是由近红外波段和红波段的差与和的比值得到的，其值的范围一般在[-1,1]之间，植被覆盖度越大，NDVI值越高。其计算公式如下：
NDVI＝(NIR-R)/(NIR+R)；
式中，NIR表示近红外波段的反射率值，R表示红波段的反射率值。
步骤102：将所述历史遥感影像的遥感特征集分为扰动森林和未扰动森林两类。
同时归一化植被指数NDVI是监测植被生长的有效指标。
步骤103：统计所述历史遥感影像的遥感特征集中，扰动森林对应的预设数量个波段的反射率均值，以及未扰动森林对应的预设数量个波段的反射率均值。
步骤104：将扰动森林对应的预设数量个波段的反射率均值与未扰动森林对应的预设数量个波段的反射率均值进行对应作差，根据差值大小从对应预设数量个波段中选择3个波段作为设定差值波段。
其中，步骤104是将8(预设数量)个波段的反射率均值差值相对较大且差值之间差异较小的波段作为设定差值波段。具体包括：
对预设数量个差值从大到小进行排序，选出前5个差值。
计算前5个差值的平均值。
将前5个差值与所述平均值的差异从小到大的前3项作为设定差值波段。
步骤105：分别获得待监测区域当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图；所述遥感影像为GF-6WFV卫星数据。
步骤106：根据当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图，根据设定差值波段，采用图像差值法确定所述待监测区域的当前扰动森林区域。
在待监测区域内随机选择扰动森林以及未扰动森林的样点，统计这2种类型所对应的8个波段的反射率均值，结果如图7所示，从图7中可以看出，扰动森林与未扰动的样本像元值差值中，红波段、红边1波段和黄波段为差异较大的波段。因此有望对这3个波段提取森林扰动的能力进行探究。
归一化植被指数NDVI在生态遥感和植被遥感中应用较为广泛，是监测植被生长以及生态环境变化的有效指标，因此，利用NDVI差值提取变化信息同样值得考虑。
本发明基于上述分析结果，采用红波段差值、红边1波段差值、黄波段差值以及NDVI差值4种方法提取研究区域内的森林扰动信息，并对4种方法的结果进行精度对比。各像元值差值ΔXi的计算公式如下：
根据公式ΔXi＝XiT2-XiT1确定各像元值差值；
根据各像元差值确定各像元是否为扰动森林区域；
其中，ΔXi表示第i个像元差值，XiT2表示当前时期遥感影像对应的光谱特征图中i个像元的像元值，XiT1表示上一时期遥感影像对应的光谱特征图中i个像元的像元值。
对于NDVI差值法，当ΔXi<0时，表示后一期遥感影像的像元值小于前一年，表现为森林扰动。对于红波段、红边1波段以及黄波段差值法，当ΔXi>0时，表现为森林扰动。
其中差值法中阈值确定具体包括：遥感影像在获取的过程中会受到太阳照射角、大气条件、轨道变化的影响，使得不同影像之间存在着辐射和几何差异。虽然影像经过了辐射定标和大气校正的影响，但是并不能完全消除误差。在图像差值法中，阈值的确定尤为重要，若阈值设置不合理将会影像森林扰动监测的精度。传统的阈值确定方法需要大量的样本，工作量较大，效率低。本发明尝试采用统计学中的分布函数方法，将图像差值的结果看成一个随机变量，对整幅差值图像进行数值统计，基于累计频率确定变化类型的阈值，具体包括：对整幅差值图像进行像元值统计，由于影像中发生变化区域的像元数量要远少于未变化区域的像元数量，所以，差值图像中大多数像元的灰度值较小且集中在分布图的峰值区域，表示未发生变化，直方图的两端主要为发生变化的像元。在概率论中，常采用不同的置信度水平所对应的数值作为显著性检验的临界点，常用的置信度水平为90％，95％或99％。本发明分别对累计频率在90％，95％和99％时进行实验，最终选择累积频率作为99％时对应的像元灰度值作为判定影像发生某一变化的阈值，即判定影像差值的像元值为某一变化类型的概率为1％。
本发明方法简单快速，不易受到异常值的影响，其原理为：设X是一个随机变量，x为任意像元灰度值，P表示概率，则累计概率分布函数表示为：F(X)＝P{X≤x}。
F(X)＝P{X≤x}用来表示随机数值在任意区间的概率。X为像元值，x为发生变化的阈值。在概率论中，常采用不同的置信度水平所对应的数值作为显著性检验的临界点，常用的置信度水平为90％，95％或99％。
本发明的精度评价如下：
目前应用最为广泛的精度评价方法为基于图像分类的混淆矩阵方法，混淆矩阵是一个用于表示图像分类的某一类别的像元个数与真实参考为该类别像元数的比较矩阵。在混淆矩阵中，阵列的行通常表示为由图像分类得到的预测数据，列表示真实的参考数据。在图像分类中，主要用于比较真实值和分类值，可以把各类别的精度以及总体分类结果精度在混淆矩阵中显示。
(1)总体分类精度(OverallAccuracy，OA)是指正确分类的像元数占总像元数的比例，总像元数为所有真实参考像元数，它反应分类结果总的正确程度。
(2)Kappa系数(Kappa Coefficient)是把所有真实参考像元总数乘以混淆矩阵对角线的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。Kappa系数能够全面衡量分类误差。其公式表示为：
式中，N表示所有真实参考像元总数；Xkk表示混淆矩阵对角线的和；Xk+和X+k分别表示某一类中真实参考像元数和该类中被分类像元总数之积；M表示总的用于评价的像元数。
(3)错分误差(Commission Error)是指分为用户感兴趣的类，实际属于另一类的像元数，占该类别像元数的比例。
(4)漏分误差(Omission errors)指本身属于地表真实分类，但没有被分类器分到相应类别中的像元数，占真实像元数的比例。
本发明的四种差值方法的阈值确定：
在统计学上，影像灰度值的分布状态可以通过频率分布直方图体现。本发明对4种差值图像的灰度值频率分布进行了统计，结果如图8-图11所示，均近似于正态分布，由于影像中发生变化区域的像元数要远少于未变化区域的像元数，所以，大多数像元集中在分布图的峰值部分，表示未发生变化，直方图的两端主要为发生变化的像元。根据频率分布直方图及累计频率分布图结果，经过反复的实验，最终选择累积频率作为99％时的灰度值作为判定影像发生某一变化的阈值，即判定影像差值的像元值为某一变化类型的概率为1％，结果见表2。ΔXi为图像差值结果的像元灰度值即图8-图11中的横坐标。
表2森林扰动判定条件
森林扰动监测结果及精度评价：
在ENVI5.3软件中分别对红波段、红边1波段、黄波段以及NDVI指数进行图像差值，根据判定条件得到的差值结果如图12-图15所示，黑色部分表示森林扰动区域，白色部分表示非扰动区域。从图中可以看出，基于图像差值法可以监测森林扰动，但是存在着大量的“伪扰动”事件的发生，植被的光谱特征会受到周围环境的影响，在江淮分水岭的西部以及滁州市东南部分布的森林很少，但在监测结果中显示了大量的森林扰动事件的发生，原因可能是因为大量农田的变化造成了“伪扰动”事件的发生，2021年的降水量比2020年的降水量要大，部分农田被水淹没导致图像差值较大，进而也会产生“伪扰动”事件。
根据森林资源二类调查数据、高分一号和高分二号高分辨率数据以及GoogleEarth高清影像，并结合目视解译共确定730个样点的变化情况进行精度评价，其中森林扰动样点293个，森林未扰动样点437个。采用混淆矩阵提供的四个监测指标，以及Kappa系数进行精度评价，精度评价结果如表3所示，由表3可知4中监测结果中NDVI差值法的精度最高为89.04％，Kappa系数为0.765，其次是红波段差值法为88.49％，Kappa系数为0.754，红边1波段差值法和黄波段差值法的总体精度相差不大，分别为86.99％和86.71％，Kappa系数分别为0.716和0.715。但是四种差值方法的漏分误差较高，表明对森林扰动区域的监测的效果要低，部分森林扰动区域未识别出来，而错分误差均较低，表明对森林未扰动区域监测效果更好，原因可能为相对于森林扰动区域而言，森林未扰动区域的面积要大很多，因此识别的效果会更好。所以，基于图像差值法可以快速得到森林扰动的区域，为森林资源管理的相关部门提供参考依据，但是也存在着大量“伪扰动”事件的发生。
表3基于图像差值法的森林扰动监测结果精度评价
实施例2
如图16所示，本实施例提供了一种基于图像差值法的森林扰动监测系统，包括：
光谱指数特征提取模块201，用于对待监测区域的历史遥感影像进行光谱指数特征提取，获得所述历史遥感影像的光谱特征集；所述光谱特征集中各样本包括所述历史遥感影像中各像元的光谱特征。
分类模块202，用于将所述历史遥感影像的遥感特征集分为扰动森林和未扰动森林两类。
反射率均值统计模块203，用于统计所述历史遥感影像的遥感特征集中，扰动森林对应的预设数量个波段的反射率均值，以及未扰动森林对应的预设数量个波段的反射率均值。
设定差值波段确定模块204，用于将扰动森林对应的预设数量个波段的反射率均值与未扰动森林对应的预设数量个波段的反射率均值进行对应作差，根据差值大小从对应预设数量个波段中选择3个波段作为设定差值波段。
特征图确定模块205，用于分别获得待监测区域当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图；所述遥感影像为GF-6WFV卫星数据。
扰动森林区域确定模块206，用于根据当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图，根据设定差值波段，采用图像差值法确定所述待监测区域的当前扰动森林区域。
实施例3
本实施例提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行实施例1所述的基于图像差值法的森林扰动监测方法。
本实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的基于图像差值法的森林扰动监测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的装置及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于图像差值法的森林扰动监测方法，其特征在于，包括：
对待监测区域的历史遥感影像进行光谱指数特征提取，获得所述历史遥感影像的光谱特征集；所述光谱特征集中各样本包括所述历史遥感影像中各像元的光谱特征；
将所述历史遥感影像的遥感特征集分为扰动森林和未扰动森林两类；
统计所述历史遥感影像的遥感特征集中，扰动森林对应的预设数量个波段的反射率均值，以及未扰动森林对应的预设数量个波段的反射率均值；
将扰动森林对应的预设数量个波段的反射率均值与未扰动森林对应的预设数量个波段的反射率均值进行对应作差，根据差值大小从对应预设数量个波段中选择3个波段作为设定差值波段；
分别获得待监测区域当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图；所述遥感影像为GF-6WFV卫星数据；
根据当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图，根据设定差值波段，采用图像差值法确定所述待监测区域的当前扰动森林区域。
2.根据权利要求1所述的基于图像差值法的森林扰动监测方法，其特征在于，根据当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图，根据设定差值波段，采用图像差值法确定所述待监测区域的当前扰动森林区域，具体包括：
根据公式ΔXi＝XiT2-XiT1确定各像元值差值；
根据各像元差值确定各像元是否为扰动森林区域；
其中，ΔXi表示第i个像元差值，XiT2表示当前时期遥感影像对应的光谱特征图中i个像元的像元值，XiT1表示上一时期遥感影像对应的光谱特征图中i个像元的像元值。
3.根据权利要求1所述的基于图像差值法的森林扰动监测方法，其特征在于，对待监测区域的历史遥感影像进行光谱指数特征提取，获得所述历史遥感影像的光谱特征集之前，还包括：
对所述历史遥感影像依次进行辐射定标、大气校正、正射校正、影像配准以及影像拼接与裁剪。
4.根据权利要求1所述的基于图像差值法的森林扰动监测方法，其特征在于，所述预设数量为8，8个波段分别为蓝波段、绿波段、红波段、近红外波段、红边1波段、红边2波段、紫波段和黄波段。
5.根据权利要求1所述的基于图像差值法的森林扰动监测方法，其特征在于，将扰动森林对应的预设数量个波段的反射率均值与未扰动森林对应的预设数量个波段的反射率均值进行对应作差，根据差值大小从对应预设数量个波段中选择3个波段作为设定差值波段，具体包括：
对预设数量个差值从大到小进行排序，选出前5个差值；
计算前5个差值的平均值；
将前5个差值与所述平均值的差异从小到大的前3项作为设定差值波段。
6.一种基于图像差值法的森林扰动监测系统，其特征在于，包括：
光谱指数特征提取模块，用于对待监测区域的历史遥感影像进行光谱指数特征提取，获得所述历史遥感影像的光谱特征集；所述光谱特征集中各样本包括所述历史遥感影像中各像元的光谱特征；
分类模块，用于将所述历史遥感影像的遥感特征集分为扰动森林和未扰动森林两类；
反射率均值统计模块，用于统计所述历史遥感影像的遥感特征集中，扰动森林对应的预设数量个波段的反射率均值，以及未扰动森林对应的预设数量个波段的反射率均值；
设定差值波段确定模块，用于将扰动森林对应的预设数量个波段的反射率均值与未扰动森林对应的预设数量个波段的反射率均值进行对应作差，根据差值大小从对应预设数量个波段中选择3个波段作为设定差值波段；
特征图确定模块，用于分别获得待监测区域当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图；所述遥感影像为GF-6WFV卫星数据；
扰动森林区域确定模块，用于根据当前时期遥感影像对应的光谱特征图和上一时期遥感影像对应的光谱特征图，根据设定差值波段，采用图像差值法确定所述待监测区域的当前扰动森林区域。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的基于图像差值法的森林扰动监测方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于图像差值法的森林扰动监测方法。
CN202310826594.0A 2023-07-07 2023-07-07 基于图像差值法的森林扰动监测方法、系统、设备及介质 Pending CN116844049A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310826594.0A CN116844049A (zh) 2023-07-07 2023-07-07 基于图像差值法的森林扰动监测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310826594.0A CN116844049A (zh) 2023-07-07 2023-07-07 基于图像差值法的森林扰动监测方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN116844049A true CN116844049A (zh) 2023-10-03

Family

ID=88168534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310826594.0A Pending CN116844049A (zh) 2023-07-07 2023-07-07 基于图像差值法的森林扰动监测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116844049A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436003A (zh) * 2023-12-15 2024-01-23 中国科学院、水利部成都山地灾害与环境研究所 考虑火烧严重度的火烧迹地土壤侵蚀遥感动态监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436003A (zh) * 2023-12-15 2024-01-23 中国科学院、水利部成都山地灾害与环境研究所 考虑火烧严重度的火烧迹地土壤侵蚀遥感动态监测方法
CN117436003B (zh) * 2023-12-15 2024-03-15 中国科学院、水利部成都山地灾害与环境研究所 考虑火烧严重度的火烧迹地土壤侵蚀遥感动态监测方法

Similar Documents

Publication Publication Date Title
Morsdorf et al. Estimation of LAI and fractional cover from small footprint airborne laser scanning data based on gap fraction
Elvidge et al. Relative radiometric normalization of Landsat Multispectral Scanner (MSS) data using an automatic scattergram-controlled regression
CN110427857B (zh) 一种基于遥感数据融合的输电线路地质灾害分析方法
CN108764255B (zh) 一种冬小麦种植信息的提取方法
Mahiny et al. A comparison of four common atmospheric correction methods
CN109993237B (zh) 基于高分卫星光学遥感数据的水体快速提取方法及系统
Roy et al. Conterminous United States demonstration and characterization of MODIS-based Landsat ETM+ atmospheric correction
US7184890B2 (en) Cloud shadow detection: VNIR-SWIR
Chen et al. Aboveground biomass of salt-marsh vegetation in coastal wetlands: Sample expansion of in situ hyperspectral and Sentinel-2 data using a generative adversarial network
CN106501186B (zh) 一种土壤含水量产品降尺度方法
CN107479065B (zh) 一种基于激光雷达的林窗立体结构量测方法
CN110927120B (zh) 一种植被覆盖度预警方法
CN113537018A (zh) 基于多时相卫星遥感和无人机技术的水土保持监测方法
CN115546636A (zh) 基于高分辨率遥感图像的地质灾害后植被恢复监测方法
CN116844049A (zh) 基于图像差值法的森林扰动监测方法、系统、设备及介质
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
CN114220022A (zh) 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法
CN117197668A (zh) 基于深度学习的作物倒伏级别的预测方法及系统
CN116935238B (zh) 基于深度学习的森林扰动监测方法、系统、设备及介质
CN113343808A (zh) 一种基于卫星遥感技术的热带森林资源测量方法
CN117557897A (zh) 目标农作物的倒伏监测方法、装置、电子设备及存储介质
CN115035411B (zh) 一种基于高光谱数据的互花米草指数构建与提取方法
CN115452167A (zh) 基于不变像元的卫星遥感器交叉定标方法和装置
CN112052720B (zh) 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型
CN106960119A (zh) 一种融合di的森林扰动综合特征指数及方法

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