CN117409333B - 基于遥感影像的生态脆弱区识别及生态修复方法 - Google Patents
基于遥感影像的生态脆弱区识别及生态修复方法 Download PDFInfo
- Publication number
- CN117409333B CN117409333B CN202311727997.6A CN202311727997A CN117409333B CN 117409333 B CN117409333 B CN 117409333B CN 202311727997 A CN202311727997 A CN 202311727997A CN 117409333 B CN117409333 B CN 117409333B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- grid
- plant
- sensing images
- plants
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 241000196324 Embryophyta Species 0.000 claims abstract description 108
- 239000002689 soil Substances 0.000 claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 239000004927 clay Substances 0.000 claims abstract description 7
- 230000001681 protective effect Effects 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 22
- 230000012010 growth Effects 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 13
- 230000002786 root growth Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 241001093951 Ailanthus altissima Species 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000004083 survival effect Effects 0.000 claims description 6
- 241000209046 Pennisetum Species 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- DSSYKIVIOFKYAU-XCBNKYQSSA-N (R)-camphor Chemical compound C1C[C@@]2(C)C(=O)C[C@@H]1C2(C)C DSSYKIVIOFKYAU-XCBNKYQSSA-N 0.000 claims description 3
- 240000004528 Catalpa ovata Species 0.000 claims description 3
- 235000010005 Catalpa ovata Nutrition 0.000 claims description 3
- 244000146553 Ceiba pentandra Species 0.000 claims description 3
- 235000003301 Ceiba pentandra Nutrition 0.000 claims description 3
- 240000005636 Dryobalanops aromatica Species 0.000 claims description 3
- 244000194101 Ginkgo biloba Species 0.000 claims description 3
- 235000008100 Ginkgo biloba Nutrition 0.000 claims description 3
- 241000209082 Lolium Species 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 240000000432 Pistacia chinensis Species 0.000 claims description 3
- 235000014123 Pistacia chinensis Nutrition 0.000 claims description 3
- 244000020191 Salix babylonica Species 0.000 claims description 3
- 235000002493 Salix babylonica Nutrition 0.000 claims description 3
- 235000015503 Sorghum bicolor subsp. drummondii Nutrition 0.000 claims description 3
- 244000064817 Sorghum halepense var. sudanense Species 0.000 claims description 3
- 241000592344 Spermatophyta Species 0.000 claims description 3
- 244000058281 Ulmus pumila Species 0.000 claims description 3
- 235000001547 Ulmus pumila Nutrition 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 description 2
- 244000062720 Pennisetum compressum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感影像的生态脆弱区识别及生态修复方法，其包括获取待研究区域连续若干年的高分辨率卫星遥感影像，并对卫星遥感影像进行网格划分，得到若干网格单元，获取每个网格单元的植被覆盖度和植物种类，当植被覆盖度和植物种类均减小，且监测网格为水土流失区时，铺设混合有草本植物种子的有机质黏土，铺设可降解防护网，种植深根系植物；当不满足植被覆盖度和植物种类均减小，且监测网格为水土流失区时，获取监测网格在连续若干年的土壤含水率，计算平均土壤含水率，之后种植上在所述平均土壤含水率下最适宜生长的植物。本方案通过卫星遥感影像获得植物覆盖面积和植物种类，通过两个数据的结合可以实现生态脆弱区的精准识别。
Description
技术领域
本发明涉及环境生态保护技术，具体涉及一种基于遥感影像的生态脆弱区识别及生态修复方法。
背景技术
生态脆弱地区的生态环境状况总体上不容乐观，且大多数地区的生态环境都显现出了逐渐恶化的趋势。造成生态脆弱的原因，既有干旱、高寒等原生性的气候问题及缺水、土薄等原生性的地质问题，也有人为造成的“三废”污染等派生性的环境问题。
随着全球气候变化和生态环境问题日益突出，脆弱性评估已经成为可持续发展领域的一个核心议题，在生态保护规划中得到了广泛应用；生物多样性是地球上生命的多样性及差异性，生物多样性是生态系统服务的基础，两者密切相关，即生物多样性对生态环境起着至关重要的作用。而现有技术在进行生态修复时，更多的是根据生态脆弱性级别制定生态保护措施，完全忽略了植物多样性对生态修复的影响。
发明内容
针对现有技术中的上述不足，本发明提供的基于遥感影像的生态脆弱区识别及生态修复方法解决了现有生态脆弱区识别修复时，未考虑植物多样性变动对环境破坏构成影响的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于遥感影像的生态脆弱区识别及生态修复方法，其包括步骤：
S1、获取待研究区域连续若干年的高分辨率卫星遥感影像，并对卫星遥感影像进行网格划分，得到若干网格单元；
S2、根据连续若干年的卫星遥感影像，计算每个网格单元的植被覆盖度，并基于植被覆盖度标记植被面积持续减小的网格单元，作为监测网格；
S3、将连续若干年的高分辨率卫星遥感影像输入已训练的神经网络模型，得到每个网格单元在连续若干年的植物种类；
S4、判断监测网格在连续若干年的植物种类是否呈递减趋势，若是，则标记为生态脆弱区，进入步骤S5，否则进入步骤S8；
S5、获取待研究区域的水土保持公报，并判断监测网格是否为水土流失区，若是，进入步骤S6，否则进入步骤S8；
S6、平整监测网格的地表，并铺设混合有草本植物种子的有机质黏土，之后铺设可降解防护网，并种植深根系植物；
S7、在深根系植物未存活时，保持有机质黏土的含水率为预设含水率；在深根系植物存活后，定期浇灌，直至深根系植物根系长度达到预设长度；
S8、获取监测网格在连续若干年的土壤含水率，并计算平均土壤含水率，之后种植上在所述平均土壤含水率下最适宜生长的植物。
可选地，步骤S2进一步包括：
S21、根据连续若干年的卫星遥感影像，计算每个网格单元的植被覆盖度；
S22、选取预设数量的网格单元，并采用无人机采集选取的网格单元的无人机遥感影像，并提取无人机遥感影像的植被覆盖度；
S23、根据无人机遥感影像植被覆盖度和当年卫星遥感影像对应于选取的网格单元的植被覆盖度，计算覆盖度修正值：
其中，N为预设数量；和/>分别为无人机遥感影像和卫星遥感影像对应选取的网格单元中第j个网格单元的第/>个植被覆盖度；/>为选取的网格单元中第j个网格单元内植被覆盖度的总数量；r为覆盖度修正值；
S24、根据覆盖度修正值和连续若干年的每个网格单元的植被覆盖度，计算每个网格单元的植被变化率：
其中，为卫星遥感影像所有网格单元中第o个网格单元的植被变化率；n为连续若干年，i为连续若干年中每年的序号，1＜i≤n；/>为卫星遥感影像所有网格单元中第o个网格单元内植被覆盖度的数量；/>为卫星遥感影像所有网格单元中第o个网格单元中的第/>个植被覆盖度；
S25、判断植被变化率是否小于零，若是，则标记/>对应的网格单元为植被面积持续减小的网格单元，否则不标记。
进一步地，选取预设数量的网格单元的方法包括：
S221、获取待研究区域当年的高分辨率卫星遥感影像，并对卫星遥感影像进行网格划分，计算每个网格单元的植被覆盖度；
S222、根据植被覆盖度，将研究区域划分为耕地、林地、草地、灌木、水体、裸地和城镇；
S223、剔除网格单元中仅包括水体、裸地和城镇的网格单元，之后计算仅包括耕地、林地、草地和灌木的网格单元在保留的网格单元中的占比；
S224、根据仅包括耕地、林地、草地和灌木的网格单元中的占比，选取个仅包括耕地、林地、草地的灌木的网格单元；
S225、在余下的网格单元中，采用贝叶斯蒙特卡洛方法选取个网格单元，累加两次选取的网格单元得到最终选取的网格单元。
可选地，平均土壤含水率下最适宜生长的植物的选取方法包括：
S81、计算所有监测网格中每种植物的总植物面积，并选前面K个总植物面积最大的植物，标记为备选植物；
S82、采集生态脆弱区对应的监测网格的土壤于三个种植箱，并在种植箱中种植所有备选植物，每种备选植物的种植株数相同，且大于10株；
S83、保持种植箱中的土壤的含水率为平均土壤含水率，并调控每个控制箱处于春夏秋三个季节，以模拟完整季节的环境变化；
S84、当每个种植箱完成完整季节模拟后，记录其内部种植的每种备选植物的存活率、平均根系增长率和平均冠幅增长率；
S85、根据所有种植箱同一植物的存活率、平均根系增长率和平均冠幅增长率，计算每种植物的适应度：
其中，、/>和/>分别为第q个种植箱中第p种植物的存活率权重、根系增长率权重和冠幅增长率权重；/>、/>和/>分别为第q个种植箱中的第p中植物的存活率、平均根系增长率和平均冠幅增长率；
S86、选取适应度最大的备选植物作为最适宜生长的植物。
进一步地，基于遥感影像的生态脆弱区识别及生态修复方法还包括对遥感影像依次进行图像配准、波段合成、辐射定标、大气校正、图像镶嵌、几何校正、图像裁剪、图像融合和最大最小值归一化处理；
对遥感影像进行辐射定标中的定标和表观反射率的计算公式为：
L=AG+N，
其中，L为表观辐射亮度，单位为W•m -2 •sr -1 •m -1；A为增益系数，单位为W•m -2 •sr -1 •m -1；G为像元辐射强度，无量纲；N为偏差系数，单位为W•m -2•sr -1 •m -1；ρ为表观反射率，无量纲；π为常数；h为日地之间距离，单位为天文单位；E为太阳辐照度，单位为W•m -2 •sr -1 •m -1；为太阳天顶角，单位为度；
采用基于MODTRAN4+辐射传输模型的FLASSH 大气校正法对辐射定标后的遥感影像进行大气校正。
进一步地，神经网络模型的训练方法包括：
统计研究区域的植物种类，并采用无人机分别从不同角度收集每种植物的遥感影像，进行人工标注；
采用成像仿真技术获取每种植物在多个角度、多个方向以及不同天气、光照条件下的遥感仿真图像；
采用人工标注后的遥感影像和遥感仿真图像组成混合数据集，并采用混合数据集对神经网络YOLOV3进行训练，得到训练完成的神经网络模型。
进一步地，所述草本植物为狼尾草、皇竹草、黑麦草和苏丹草中的至少一种；所述深根系植物为臭椿、核桃、白蜡、香樟、臭椿、肉桂、黄连木、水曲柳、金钱松、木棉、法桐、核桃楸、梓树、银杏和榆树中的至少一种。
进一步地，连续若干年的卫星遥感影像为2013年~2023年的高分辨率卫星遥感影像，当年的卫星遥感影像为2023年的高分辨率卫星遥感影像。
本发明的有益效果为：在生态系统评估中，植物种类越丰富，对应区域的生态系统越稳定，本方案在进行生态脆弱区识别时，首先对研究区域的植被面积进行判断，以对研究区域的植被覆盖面积是否发生退化进行初步判断，之后再结合植物种类数量，以对网格单元中的生态系统的稳定性进行判断，以保证生态脆弱区的识别的相对准确，以保证后面修复时有针对性的制定修复方案，以保证待研究区域生态系统的稳健恢复。
附图说明
图1为基于遥感影像的生态脆弱区识别及生态修复方法的流程图。
图2为步骤S2的详细流程图。
图3为平均土壤含水率下最适宜生长的植物的选取方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于遥感影像的生态脆弱区识别及生态修复方法的流程图，如图1所示，该方法S包括步骤S1~步骤S8。
在步骤S1中，获取待研究区域连续若干年的高分辨率卫星遥感影像，并对卫星遥感影像进行网格划分，得到若干网格单元；在本方案中对每年的卫星遥感影像进行网格划分时，得到的网格单元大小和数量都是相同的。
实施时，本方案优选连续若干年的卫星遥感影像为2013年~2023年的高分辨率卫星遥感影像，下面提及的当年的卫星遥感影像为2023年的高分辨率卫星遥感影像。
在步骤S2中，根据连续若干年的卫星遥感影像，计算每个网格单元的植被覆盖度，并基于植被覆盖度标记植被面积持续减小的网格单元，作为监测网格。
如图2所示，在本发明的一个实施例中，步骤S2进一步包括：
S21、根据连续若干年的卫星遥感影像，计算每个网格单元的植被覆盖度，植被覆盖度的计算是现有技术中比较成熟的技术，本方案不再对其进行赘述。
S22、选取预设数量的网格单元，并采用无人机采集选取的网格单元的无人机遥感影像，并提取无人机遥感影像的植被覆盖度；其中，无人机为空中遥感平台的微型遥感技术，其特点是：以无人机为空中平台，遥感传感器获取信息，用计算机对图像信息进行处理，并按照一定精度要求制作成图像。
实施时，本方案选取预设数量的网格单元的方法包括：
S221、获取待研究区域当年的高分辨率卫星遥感影像，并对卫星遥感影像进行网格划分，计算每个网格单元的植被覆盖度；
S222、根据植被覆盖度，将研究区域划分为耕地、林地、草地、灌木、水体、裸地和城镇；
S223、剔除网格单元中仅包括水体、裸地和城镇的网格单元，之后计算仅包括耕地、林地、草地和灌木的网格单元在保留的网格单元中的占比；
S224、根据仅包括耕地、林地、草地和灌木的网格单元中的占比，选取个仅包括耕地、林地、草地的灌木的网格单元；
S225、在余下的网格单元中，采用贝叶斯蒙特卡洛方法选取个网格单元，累加两次选取的网格单元得到最终选取的网格单元。
通过上述方法进行网格单元的选取，可以剔除植被含量很小的区域，以便于选取的网格单元更具备代表性，从而保证选取的网格单元得到的覆盖度修正值更准确。
S23、根据无人机遥感影像植被覆盖度和当年卫星遥感影像对应于选取的网格单元的植被覆盖度，计算覆盖度修正值：
其中，N为预设数量；和/>分别为无人机遥感影像和卫星遥感影像对应选取的网格单元中第j个网格单元的第/>个植被覆盖度；/>为选取的网格单元中第j个网格单元内植被覆盖度的总数量；r为覆盖度修正值；
S24、根据覆盖度修正值和连续若干年的每个网格单元的植被覆盖度，计算每个网格单元的植被变化率：
其中，为卫星遥感影像所有网格单元中第o个网格单元的植被变化率；n为连续若干年，i为连续若干年中每年的序号，1＜i≤n；/>为卫星遥感影像所有网格单元中第o个网格单元内植被覆盖度的数量；/>为卫星遥感影像所有网格单元中第o个网格单元中的第/>个植被覆盖度；
S25、判断植被变化率是否小于零，若是，则标记/>对应的网格单元为植被面积持续减小的网格单元，否则不标记。
本方案采用待研究区域同一时段的无人机遥感影像与卫星遥感影像的结合，可以借助无人机采集的真实遥感影像对卫星遥感影像进行修正，以降低外界环境对卫星遥感影像质量的影响，以保证后续获得比较精准的植被覆盖度。
在步骤S3中，将连续若干年的高分辨率卫星遥感影像输入已训练的神经网络模型，得到每个网格单元在连续若干年的植物种类；
实施时，本方案优选神经网络模型的训练方法包括：
统计研究区域的植物种类，并采用无人机分别从不同角度收集每种植物的遥感影像，进行人工标注；
采用成像仿真技术获取每种植物在多个角度、多个方向以及不同天气、光照条件下的遥感仿真图像；
采用人工标注后的遥感影像和遥感仿真图像组成混合数据集，并采用混合数据集对神经网络YOLOV3进行训练，得到训练完成的神经网络模型。
本方案采用仿真图像与真实图像形成的混合集对神经网络进行混合训练，可以有效提高网络对于遥感影像中目标的检测准确率，尤其是在有云雾遮挡的情况。
在步骤S4中，判断监测网格在连续若干年的植物种类是否呈递减趋势，若是，则标记为生态脆弱区，进入步骤S5，否则进入步骤S8；
在步骤S5中，获取待研究区域的水土保持公报，并判断监测网格是否为水土流失区，若是，进入步骤S6，否则进入步骤S8；
在步骤S6中，平整监测网格的地表，并铺设混合有草本植物种子的有机质黏土，之后铺设可降解防护网，并种植深根系植物；
在步骤S7中，在深根系植物未存活时，保持有机质黏土的含水率为预设含水率；在深根系植物存活后，定期浇灌，直至深根系植物根系长度达到预设长度；
在步骤S8中，获取监测网格在连续若干年的土壤含水率，并计算平均土壤含水率，之后种植上在所述平均土壤含水率下最适宜生长的植物。
如图3所示，在本发明的一个实施例中，平均土壤含水率下最适宜生长的植物的选取方法包括：
S81、计算所有监测网格中每种植物的总植物面积，并选前面K个总植物面积最大的植物，标记为备选植物；
S82、采集生态脆弱区对应的监测网格的土壤于三个种植箱，并在种植箱中种植所有备选植物，每种备选植物的种植株数相同，且大于10株；
S83、保持种植箱中的土壤的含水率为平均土壤含水率，并调控每个控制箱处于春夏秋三个季节，以模拟完整季节的环境变化；
S84、当每个种植箱完成完整季节模拟后，记录其内部种植的每种备选植物的存活率、平均根系增长率和平均冠幅增长率；
S85、根据所有种植箱同一植物的存活率、平均根系增长率和平均冠幅增长率，计算每种植物的适应度：
其中，、/>和/>分别为第q个种植箱中第p种植物的存活率权重、根系增长率权重和冠幅增长率权重；/>、/>和/>分别为第q个种植箱中的第p中植物的存活率、平均根系增长率和平均冠幅增长率；
S86、选取适应度最大的备选植物作为最适宜生长的植物。
本方案采用对应网格单元的土壤进行植物的种植，可以保证挑选出来的植物更适应于待研究区域的环境；再结合不同季节植物的综合生长情况进行植物选取，可以保证植物快速生长以调控生态系统。
实施时，本方案的基于遥感影像的生态脆弱区识别及生态修复方法还包括对遥感影像依次进行图像配准、波段合成、辐射定标、大气校正、图像镶嵌、几何校正、图像裁剪、图像融合和最大最小值归一化处理；
对遥感影像进行辐射定标中的定标和表观反射率的计算公式为：
L=AG+N，
其中，L为表观辐射亮度，单位为W•m -2 •sr -1 •m -1；A为增益系数，单位为W•m -2 •sr -1 •m -1；G为像元辐射强度，无量纲；N为偏差系数，单位为W•m -2•sr -1 •m -1；ρ为表观反射率，无量纲；π为常数；h为日地之间距离，单位为天文单位；E为太阳辐照度，单位为W•m -2 •sr -1 •m -1；为太阳天顶角，单位为度；
采用基于MODTRAN4+辐射传输模型的FLASSH 大气校正法对辐射定标后的遥感影像进行大气校正。
本方案优选生态修复时，选取的草本植物为狼尾草、皇竹草、黑麦草和苏丹草中的至少一种；选取的深根系植物为臭椿、核桃、白蜡、香樟、臭椿、肉桂、黄连木、水曲柳、金钱松、木棉、法桐、核桃楸、梓树、银杏和榆树中的至少一种。
综上所述，本方案通过待研究区域的卫星遥感影像获得植物覆盖面积和植物种类，通过两个数据的结合进行生态脆弱区的精准识别，以保证制定精准的生态修复方案。
Claims (8)
1.基于遥感影像的生态脆弱区识别及生态修复方法，其特征在于，包括步骤：
S1、获取待研究区域连续若干年的高分辨率卫星遥感影像，并对卫星遥感影像进行网格划分，得到若干网格单元；
S2、根据连续若干年的卫星遥感影像，计算每个网格单元的植被覆盖度，并基于植被覆盖度标记植被面积持续减小的网格单元，作为监测网格；
S3、将连续若干年的高分辨率卫星遥感影像输入已训练的神经网络模型，得到每个网格单元在连续若干年的植物种类；
S4、判断监测网格在连续若干年的植物种类是否呈递减趋势，若是，则标记为生态脆弱区，进入步骤S5，否则进入步骤S8；
S5、获取待研究区域的水土保持公报，并判断监测网格是否为水土流失区，若是，进入步骤S6，否则进入步骤S8；
S6、平整监测网格的地表，并铺设混合有草本植物种子的有机质黏土，之后铺设可降解防护网，并种植深根系植物；
S7、在深根系植物未存活时，保持有机质黏土的含水率为预设含水率；在深根系植物存活后，定期浇灌，直至深根系植物根系长度达到预设长度；
S8、获取监测网格在连续若干年的土壤含水率，并计算平均土壤含水率，之后种植上在所述平均土壤含水率下最适宜生长的植物。
2.根据权利要求1所述的基于遥感影像的生态脆弱区识别及生态修复方法，其特征在于，步骤S2进一步包括：
S21、根据连续若干年的卫星遥感影像，计算每个网格单元的植被覆盖度；
S22、选取预设数量的网格单元，并采用无人机采集选取的网格单元的无人机遥感影像，并提取无人机遥感影像的植被覆盖度；
S23、根据无人机遥感影像植被覆盖度和当年卫星遥感影像对应于选取的网格单元的植被覆盖度，计算覆盖度修正值：
其中，N为预设数量；和/>分别为无人机遥感影像和卫星遥感影像对应选取的网格单元中第j个网格单元的第/>个植被覆盖度；/>为选取的网格单元中第j个网格单元内植被覆盖度的总数量；r为覆盖度修正值；
S24、根据覆盖度修正值和连续若干年的每个网格单元的植被覆盖度，计算每个网格单元的植被变化率：
其中，为卫星遥感影像所有网格单元中第o个网格单元的植被变化率；n为连续若干年，i为连续若干年中每年的序号，1＜i≤n；/>为卫星遥感影像所有网格单元中第o个网格单元内植被覆盖度的数量；/>为卫星遥感影像所有网格单元中第o个网格单元中的第/>个植被覆盖度；
S25、判断植被变化率是否小于零，若是，则标记/>对应的网格单元为植被面积持续减小的网格单元，否则不标记。
3.根据权利要求2所述的基于遥感影像的生态脆弱区识别及生态修复方法，其特征在于，选取预设数量的网格单元的方法包括：
S221、获取待研究区域当年的高分辨率卫星遥感影像，并对卫星遥感影像进行网格划分，计算每个网格单元的植被覆盖度；
S222、根据植被覆盖度，将研究区域划分为耕地、林地、草地、灌木、水体、裸地和城镇；
S223、剔除网格单元中仅包括水体、裸地和城镇的网格单元，之后计算仅包括耕地、林地、草地和灌木的网格单元在保留的网格单元中的占比；
S224、根据仅包括耕地、林地、草地和灌木的网格单元中的占比，选取个仅包括耕地、林地、草地的灌木的网格单元；
S225、在余下的网格单元中，采用贝叶斯蒙特卡洛方法选取个网格单元，累加两次选取的网格单元得到最终选取的网格单元。
4.根据权利要求1所述的基于遥感影像的生态脆弱区识别及生态修复方法，其特征在于，平均土壤含水率下最适宜生长的植物的选取方法包括：
S81、计算所有监测网格中每种植物的总植物面积，并选前面K个总植物面积最大的植物，标记为备选植物；
S82、采集生态脆弱区对应的监测网格的土壤于三个种植箱，并在种植箱中种植所有备选植物，每种备选植物的种植株数相同，且大于10株；
S83、保持种植箱中的土壤的含水率为平均土壤含水率，并调控每个控制箱处于春夏秋三个季节，以模拟完整季节的环境变化；
S84、当每个种植箱完成完整季节模拟后，记录其内部种植的每种备选植物的存活率、平均根系增长率和平均冠幅增长率；
S85、根据所有种植箱同一植物的存活率、平均根系增长率和平均冠幅增长率，计算每种植物的适应度：
其中，、/>和/>分别为第q个种植箱中第p种植物的存活率权重、根系增长率权重和冠幅增长率权重；/>、/>和/>分别为第q个种植箱中的第p中植物的存活率、平均根系增长率和平均冠幅增长率；
S86、选取适应度最大的备选植物作为最适宜生长的植物。
5.根据权利要求1所述的基于遥感影像的生态脆弱区识别及生态修复方法，其特征在于，还包括对遥感影像依次进行图像配准、波段合成、辐射定标、大气校正、图像镶嵌、几何校正、图像裁剪、图像融合和最大最小值归一化处理；
对遥感影像进行辐射定标中的定标和表观反射率的计算公式为：
L=AG+N，
其中，L为表观辐射亮度，单位为W•m -2 •sr -1 •m -1；A为增益系数，单位为 W•m -2 •sr -1 •m -1；G为像元辐射强度，无量纲；N为偏差系数，单位为W•m -2•sr -1 •m -1；ρ为表观反射率，无量纲；π为常数；h为日地之间距离，单位为天文单位；E为太阳辐照度，单位为 W•m -2 •sr -1 •m -1；为太阳天顶角，单位为度；
采用基于MODTRAN4+辐射传输模型的FLASSH 大气校正法对辐射定标后的遥感影像进行大气校正。
6.根据权利要求1所述的基于遥感影像的生态脆弱区识别及生态修复方法，其特征在于，神经网络模型的训练方法包括：
统计研究区域的植物种类，并采用无人机分别从不同角度收集每种植物的遥感影像，进行人工标注；
采用成像仿真技术获取每种植物在多个角度、多个方向以及不同天气、光照条件下的遥感仿真图像；
采用人工标注后的遥感影像和遥感仿真图像组成混合数据集，并采用混合数据集对神经网络YOLOV3进行训练，得到训练完成的神经网络模型。
7.根据权利要求1-6任一所述的基于遥感影像的生态脆弱区识别及生态修复方法，其特征在于，所述草本植物为狼尾草、皇竹草、黑麦草和苏丹草中的至少一种；所述深根系植物为臭椿、核桃、白蜡、香樟、臭椿、肉桂、黄连木、水曲柳、金钱松、木棉、法桐、核桃楸、梓树、银杏和榆树中的至少一种。
8.根据权利要求1-6任一所述的基于遥感影像的生态脆弱区识别及生态修复方法，其特征在于，连续若干年的卫星遥感影像为2013年~2023年的高分辨率卫星遥感影像，当年的卫星遥感影像为2023年的高分辨率卫星遥感影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311727997.6A CN117409333B (zh) | 2023-12-15 | 2023-12-15 | 基于遥感影像的生态脆弱区识别及生态修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311727997.6A CN117409333B (zh) | 2023-12-15 | 2023-12-15 | 基于遥感影像的生态脆弱区识别及生态修复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409333A CN117409333A (zh) | 2024-01-16 |
| CN117409333B true CN117409333B (zh) | 2024-02-13 |
Family
ID=89498433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311727997.6A Active CN117409333B (zh) | 2023-12-15 | 2023-12-15 | 基于遥感影像的生态脆弱区识别及生态修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409333B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934109A (zh) * | 2019-01-31 | 2019-06-25 | 黄河水利委员会黄河水利科学研究院 | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 |
| CN110781946A (zh) * | 2019-10-22 | 2020-02-11 | 湖南师范大学 | 基于自组织神经网络的小流域水土保持区划方法、系统及介质 |
| CN111199355A (zh) * | 2019-12-31 | 2020-05-26 | 国家卫星气象中心(国家空间天气监测预警中心) | 生态环境的评价方法、装置和电子系统 |
| AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
| CN112348086A (zh) * | 2020-11-06 | 2021-02-09 | 中国科学院西北生态环境资源研究院 | 一种基于多源数据的物种生境质量模拟方法 |
| RU2769575C1 (ru) * | 2021-07-05 | 2022-04-04 | Общество с ограниченной ответственностью «АГРОНОУТ» | Способ генерации карт деградации почвенного покрова |
| CN114417092A (zh) * | 2021-11-09 | 2022-04-29 | 长安大学 | 沙漠化监测指数的构建方法及沙漠化状态变化趋势评价方法 |
| CN114612789A (zh) * | 2022-03-25 | 2022-06-10 | 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 |
| CN116343129A (zh) * | 2023-04-04 | 2023-06-27 | 四川省生态环境科学研究院 | 基于遥感影像和神经网络的水体富营养监测及修复方法 |
-
2023
- 2023-12-15 CN CN202311727997.6A patent/CN117409333B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934109A (zh) * | 2019-01-31 | 2019-06-25 | 黄河水利委员会黄河水利科学研究院 | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 |
| CN110781946A (zh) * | 2019-10-22 | 2020-02-11 | 湖南师范大学 | 基于自组织神经网络的小流域水土保持区划方法、系统及介质 |
| CN111199355A (zh) * | 2019-12-31 | 2020-05-26 | 国家卫星气象中心(国家空间天气监测预警中心) | 生态环境的评价方法、装置和电子系统 |
| AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
| CN112348086A (zh) * | 2020-11-06 | 2021-02-09 | 中国科学院西北生态环境资源研究院 | 一种基于多源数据的物种生境质量模拟方法 |
| RU2769575C1 (ru) * | 2021-07-05 | 2022-04-04 | Общество с ограниченной ответственностью «АГРОНОУТ» | Способ генерации карт деградации почвенного покрова |
| CN114417092A (zh) * | 2021-11-09 | 2022-04-29 | 长安大学 | 沙漠化监测指数的构建方法及沙漠化状态变化趋势评价方法 |
| CN114612789A (zh) * | 2022-03-25 | 2022-06-10 | 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 |
| CN116343129A (zh) * | 2023-04-04 | 2023-06-27 | 四川省生态环境科学研究院 | 基于遥感影像和神经网络的水体富营养监测及修复方法 |
Non-Patent Citations (5)
| Title |
|---|
| 2015～2020年四川省黄河流域植被状况遥感监测评估;吴瑕等;《四川环境》;20230426;第42卷(第2期);170-178 * |
| Dynamic disturbance analysis of grasslands using neural networks and spatiotemporal indices fusion on the Qinghai-Tibet plateau;Zou F等;《Frontiers in Plant Science》;20220117;第12卷;1-16 * |
| 人工绿洲建设对荒漠区植被动态的影响及其防沙树种选择;车晓旭;《中国优秀硕士学位论文全文数据库农业科技辑》;20210215(第2期);D049-242 * |
| 生态文明视角下高原寒地县域生态修复与分类保护策略——以西藏索县为例;杨东峰等;《城市发展研究》;20221226;第29卷(第12期);1-7 * |
| 结合植被覆盖度指数的土地覆盖分类方法研究——以巴基斯坦信德地区为例;孙娜等;《北京师范大学学报(自然科学版)》;20221231;第58卷(第6期);917-925 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409333A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Estimating air temperature of an alpine meadow on the Northern Tibetan Plateau using MODIS land surface temperature | |
| Zhang et al. | Increasing cropping intensity in response to climate warming in Tibetan Plateau, China | |
| Li et al. | Assessment for salinized wasteland expansion and land use change using GIS and remote sensing in the west part of Northeast China | |
| Moharana et al. | ICAR-central arid zone research institute, Jodhpur: erosion processes and desertification in the Thar Desert of India | |
| Siebert et al. | Climate and irrigation water use of a mountain oasis in northern Oman | |
| CN105009768A (zh) | 一种流域尺度氮素化肥最大允许投入量的确定方法 | |
| CN114190264A (zh) | 一种精准灌溉方案确定方法、系统及终端设备 | |
| Steele et al. | Spatial mapping of evapotranspiration over Devils Lake basin with SEBAL: application to flood mitigation via irrigation of agricultural crops | |
| Jiménez et al. | Estimation of cold pool areas and chilling hours through satellite-derived surface temperatures | |
| Lei et al. | Long-term variability of the carbon balance in a large irrigated area along the lower Yellow River from 1984 to 2006 | |
| CN117409333B (zh) | 基于遥感影像的生态脆弱区识别及生态修复方法 | |
| Danda et al. | Assessing the role of evapotranspiration in reducing surface temperatures in Harare using the SEBAL algorithm | |
| CN111192315A (zh) | 一种基于多源信息的实际灌溉面积提取方法 | |
| López-Vicente et al. | Role of cultivars and grass in the stability of soil moisture and temperature in an organic vineyard | |
| Koranteng et al. | Landuse and land cover dynamics in the Volta River Basin surrounding APSD forest plantation, Ghana | |
| CN112205247A (zh) | 一种基于种群多态性从头驯化沙漠植物沙蓬的方法 | |
| Kimura et al. | Cultivation features using meteorological and satellite data from 2001 to 2010 in Dakhla Oasis, Egypt | |
| Estiningtyas et al. | Assessing the vulnerability of food farming system to support climate change adaptation: A case study in Java, Indonesia | |
| Mantey et al. | Estimation of land surface temperature and vegetation abundance relationship–a case study | |
| Patil et al. | Delineation of management zones and response of spring wheat (Triticum aestivum) to irrigation and nutrient levels in Saudi Arabia. | |
| Cadro et al. | Geothermal energy for sustainable agriculture: a case study Sarajevo, Bosnia and Herzegovina. | |
| Raza et al. | Estimation of net rice production by remote sensing and multi source datasets. | |
| Panahi et al. | Comparing water requirements of urban landscape plants in an arid environment: An application of the WUCOLS method in the National Botanical Garden of Iran | |
| Regmi et al. | Dynamics of land surface temperature in response to land use land cover change in Phewa watershed, Kaski, Nepal | |
| Goodin et al. | Land cover change and associated trends in surface reflectivity and vegetation index in southwest kansas: 1972-1992 |
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 |