一种基于遥感数据的植被分类和生物量反演方法技术

本发明专利技术公开了一种基于遥感数据的植被分类和生物量反演方法，属于机械学习算法领域。本发明专利技术基于Sentinel

【技术实现步骤摘要】
一种基于遥感数据的植被分类和生物量反演方法


[0001]本专利技术属于机械学习算法领域，具体地说，涉及一种基于遥感数据的植被分类和生物量反演方法。

技术介绍

[0002]植被分类是研究森林资源状况和动态变化规律的基础，传统的依靠人力的地面调查成本高、周期长。利用遥感技术可以更加快速、准确地识别植被类型，通过对遥感数据光谱特征的分析，将地表植被进行区分。早期植被遥感分类的应用研究主要以目视解译为主，但解译精度往往依赖于影像质量及判读者经验，且作业周期长、时效性较差。
[0003]现有植被分类研究主要集中于河流滩涂、农业区、城市近郊等地区，地势起伏较小，研究区域植被种类有限且构成相对简单；分类方式上主要采用同了人工神经网络、k最近邻、支持向量机、随机森林等监督式机器学习算法。从分类精度来看，传统研究分类精度不高，最高为70％。崇礼地区面积大，海拔高，植被种类繁多且构成相对复杂，通过使用非监督分类算法K
‑
Means进行植被遥感分类，与现有监督式机器学习算法相比，免去了数据预处理阶段对训练集数据进行人工标注的繁琐步骤，从而更加高效地处理较大规模研究区域的数据。
[0004]植被分类结果直接影响森林生物量，生物量展现了一个地区生态系统的生产和代谢过程中能量积累的结果，并反映森林生态系统结构与功能特征及开发潜力的重要指标，对林地的科学管理及经济开发具有重要的实际意义[5]。分析生物量时空动态变化可了解森林生态系统碳储量长期连续的变化趋势以及变化区域，对研究崇礼区陆地碳循环和森林防火具有重要意义。在估算生物量的方法中，野外调查法工作强度大、成本高、耗时长，在大区域或偏远地区缺乏时空覆盖；机载激光雷达系统则需要消耗大量物资和人力，在大面积研究区域存在局限性。

技术实现思路

[0005]针对现有技术存在的上述问题，本专利技术的目的在于提供一种基于遥感数据的植被分类和生物量反演方法。
[0006]为了解决上述问题，本专利技术所采用的技术方案如下：
[0007]一种基于遥感数据的植被分类和生物量反演方法，包括以下步骤：
[0008]步骤1：对获取的遥感数据进行像元分解；
[0009]步骤2：对像元分解后的数据使用K均值聚类算法进行初步分类；
[0010]步骤3：使用崇礼区森林资源二类调查所得数据构筑反演模型；
[0011]步骤4：使用步骤3中得到的生物量进行每个像元的平均生物量估算，使用得到的数据代入生物量反演方程进行植被分类和生物量反演。
[0012]根据权利要求1所述的一种基于遥感数据的植被分类和生物量反演方法，其特征在于，所述的像元分解通过归一化植被指数进行计算，通过下式进行计算：
[0013][0014]式中：NIR为近红外波段反射率RED为红波段反射率。
[0015]所述的K均值聚类算法主要使用ENVI与Python实现，在像元分解后的调查数据中对灌木林、针叶林和阔叶林三个植被种类分别随机抽取若干组进行聚类分析，其中取前80％作为训练集，后20％作为测试集，通过ENVI初步将遥感影像分为10个类，并生成初步的分类结果图。
[0016]所述的反演模型构筑方法如下，在崇礼区森林资源二类调查数据中的每种植被类型中随机抽取不少于100个样本点，去除其中的无效样本点，取前80％用作反演模型的构建，通过各植被类型的生物量模型直接由公式算出单株植被的生物量取后20％的样本点对反演模型进行检验。
[0017]所述的反演模型构筑方法如下，在崇礼区森林资源二类调查数据中的每种植被类型中随机抽取不少于100个样本点，去除其中的无效样本点，取前80％用作反演模型的构建，通过各植被类型的生物量模型直接由公式算出单株植被的生物量取后20％的样本点对反演模型进行检验。
[0018]根据权利要求4所述的一种基于遥感数据的植被分类和生物量反演方法，其特征在于，通过反演模型中得到的树干胸径、树高、单位面积上的植冠体积、树干生物量、树枝生物量、树叶生物量、地下生物量、地上生物量和全株生物量，根据下式得到像元平均生物量：
[0019][0020]其中：D为胸径，H为树高，V
c
为单位面积上的植冠体积，W
s
、W
B
、W
L
、W
R
、W
T1
、W
T2
分别为树干生物量、树枝生物量、树叶生物量、地下生物量、地上生物量、全株生物量。
[0021]所述的生物量反演方程为下式：
[0022][0023]B
B
＝220.571+89.329
×
Entr(VRE2)
‑
0.087
×
WV+213.875
×
Sec(VRE1)
[0024]B
B
＝220.571+89.329
×
Entr(VRE2)
‑
0.087
×
WV+213.875
×
Sec(VRE1)
[0025][0026]相比于现有技术，本专利技术基于多光谱数据，使用矢量边界和归一化植被指数研究区域进行提取，而后通过K均值聚类对崇礼区地表植被进行了分类，使用该分类结果与生物量反演模型相结合以计算调查区域的总生物量，通过多光谱遥感数据和地形数据构建了区域性生物量反演方程，并且得出区域的高精度生物量模型。
附图说明
[0027]图1为崇礼区彩色卫星影像图；
[0028]图2为对研究区域影像进行掩膜处理后的效果图；
[0029]图3为对研究区域影像进行掩膜处理后的效果图；
[0030]图4为K均值聚类算法初步分类结果图；
[0031]图5为K均值聚类算法合并分类结果图。
具体实施方式
[0032]下面结合具体实施例对本专利技术进一步进行描述。
[0033]实施例
[0034]演示研究区域选择河北省张家口市崇礼区，图1为崇礼区彩色卫星影像图，遥感数据来源为Sentinel
‑
2B卫星数据，Sentinel
‑
2B卫星是欧洲空间局(European Space Agency,ESA)哥白尼计划(Global Monitoring for Environment and Security,GMES)中的重要组成部分。Sentinel
‑
2B卫星由欧洲空间局于2017年3月7日发射并入轨运行。此卫星可提供10m、20m、60m三个分辨率的波段的影像。本次研究中所使用的L1C卫星遥感数据均是从欧洲空间局网站下载获得的。
[0035]通过欧洲空间局提供的Sen2Cor插件对L1C级别遥感数据的10m及20m分辨率的波段进行了大气校正，校正后得到L2A级别数据。随后通过欧洲空间局SNAP(Sentinel Application Platform)软件对L2A级别数据运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遥感数据的植被分类和生物量反演方法，其特征在于，包括以下步骤：步骤1：对获取的遥感数据进行像元分解；步骤2：对像元分解后的数据使用K均值聚类算法进行初步分类；步骤3：使用崇礼区森林资源二类调查所得数据构筑反演模型；步骤4：使用步骤3中得到的生物量进行每个像元的平均生物量估算，使用得到的数据代入生物量反演方程进行植被分类和生物量反演。2.根据权利要求1所述的一种基于遥感数据的植被分类和生物量反演方法，其特征在于，所述的像元分解通过归一化植被指数进行计算，通过下式进行计算：式中：NIR为近红外波段反射率RED为红波段反射率。3.根据权利要求1所述的一种基于遥感数据的植被分类和生物量反演方法，其特征在于，所述的K均值聚类算法主要使用ENVI与Python实现，在像元分解后的调查数据中对灌木林、针叶林和阔叶林三个植被种类分别随机抽取若干组进行聚类分析，其中取前80％作为训练集，后20％作为测试集，通过ENVI初步将遥感影像分为10个类，并生成初步的分类结果图。4.根据权利要求1所述的一种基于遥感数据的植被分类和生物量反演方法，其特征在于，所述的反演模型构筑方法如下，在崇礼区森林资源二类调查数据中的每种植被类型中随机抽取不少于100个样本点，去除其中的无效样本点，取前80％用作反演模型的构建，通过各植被类型的生物量模型直接由公式算出单株植被的生物量取后20％的样本点对反演模型进行检验。5.根据权...

【专利技术属性】
技术研发人员：高德民，郭在军，业巧林，牛海峰，谢瑞，王海娇，李云涛，闫海平，王丹，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：