一种基于多源卫星图像的树种自动分类方法技术

本发明专利技术公开一种基于多源卫星图像的树种自动分类方法，涉及计算机技术和树种分类技术领域，通过构建随机森林

【技术实现步骤摘要】
一种基于多源卫星图像的树种自动分类方法


[0001]本专利技术涉及计算机技术和树种分类
，尤其涉及一种基于多源卫星图像的树种自动分类方法
。

技术介绍

[0002]准确掌握森林存量以及树种分布对制定森林管理和开发战略以促进其可持续发展至关重要
。
现有的研究已证实树种信息可有力协助森林资源保护
、
采伐和造林决策
、
生态环境评估
、
碳估算以及生物多样性建模等
。
传统劳动密集型的森林资源清查工作虽可获得森林树种标准数据，却存在人力成本昂贵，时空连续性差等弊端，特别是在偏远山区，其地形
、
气候均给地面调查带来巨大挑战
。
近几十年来，日益发展更新的遥感技术展示出了在树种分类领域的巨大潜力，其可提供大范围的空间信息和连续的更新频率，被人们一致认为是协助甚至代替传统森林资源清查工作的最佳方案
。
[0003]目前，联合遥感卫星图像以及机器学习分类算法是树种分类的热点与趋势
。
基于遥感技术对树种进行分类和制图的研究可以追溯到
40
多年前，数据源方面，光学遥感数据一直是树种分类的主要数据源，早年间由于可用数据有限，大多数研究更倾向于基于像
Landsat
系列的中等分辨率卫星图像绘制大区域森林
。
然而，相对低的分辨率难以描述物种层面的细节信息，特别是在地形复杂的山区异质环境中，这使得树种制图仍然具有挑战性
>。
随后，更多更高分辨率的数据依次加入了树种分类的数据源阵营，如亚米级别的
World View 1/2/3、GeoEye
‑
1、IKONOS
，
RapidEye
卫星数据
。
近年来，随着激光扫描设备和无人机技术的快速发展，一些研究联合激光雷达数据和高分辨率多光谱和高光谱图像一起用于单木识别或树种制图
。
得益于以上数据高分辨率优势，再联合新的分类技术（如面向对象分类技术和深度学习技术），据统计，这些研究的树种分类精度普遍高于
85%。
然而，受限于有限的空间范围
、
耗时的数据处理过程和昂贵的数据获取成本，使得高分辨率数据的研究仅限于典型小区域，而专注于大面积且森林景观复杂的多云山区树种分类方法的研究很少
。
相比之下，已开源的哨兵2号（
Sentinel
‑2）和哨兵1号（
Sentinel
‑1）数据覆盖全球，且拥有比
Landsat
更好的时间分辨率
、
光谱分辨率和空间分辨率，并且拥有比高分辨率数据更实用的经济成本和处理效率
。
因此，哨兵2号和哨兵1号数据无疑是大区域树种分类的最优选择
。
[0004]分类技术上，从遥感数据中有效提取不同树种特征进而实现树种分类依赖于分类器算法，非参数的机器学习算法可以提供多变量
、
非线性和非参数分类，通过数十年的发展，其已经被证明能够胜任树种分类研究
。
如传统的基于统计学的机器学习方法：
CART
决策树（
Classification and regression trees
，
CART
）
、
支持向量机（
Support vector machines
，
SVM
）
、
随机森林（
Random forest
，
RF
）
、
最大熵模型（
Maximum entropy
，
MaxEnt
）和梯度提升树（
Gradient tree boost
，
GTB
）
。
据所知，
CART
决策树
、
随机森林和支持向量机是最受欢迎且性能相对好的机器学习分类器，这已经被大量已发表研究所证实
。
而最大熵模型和梯度提升树分类器由于缺乏实践使其在森林树种分类中的表现仍然存在较大不确定性
。
值得注意的是，近年来基于仿生学原理的卷积神经网络（深度学习）模型逐渐被应用于
树种识别，并取得了良好的效果
。
然而，过高的数据成本和算力需求使其只能局限于小区域研究，此外，精细的标签制作过程将耗费大量的时间，这极大地限制了科学研究向实际应用的转化
。
相比之下，传统机器学习分类器仍是大区域树种分类的有效选择
。
[0005]基于以上数据源和分类算法，目前诸多研究已经实现了区域尺度的树种分类，但仍然存在数据处理耗时长
、
分类过程速度慢以及分类精度普遍较低的问题
。

技术实现思路

[0006]本专利技术的目的在于：针对现有技术的不足，现提出一种兼顾特征层面和决策层面的可移植树种分类新框架，即特征
‑
决策（
Feature
‑
Decision
，
F
‑
D
）云计算框架
。
整体上，该框架首先整合多源数据，然后在特征层面依次进行多维特征构建
、
筛选和优化；同时，在决策层依次进行多分类器的构建
、
筛选和集成，可以更快速地提取大面积山区的树种信息
。
[0007]本专利技术的技术方案如下：本专利技术公开了一种基于多源卫星图像的树种自动分类方法，包括如下步骤：
S1、
收集多源数据，包括遥感卫星影像
、
地形数据
、
生物气候数据和土地覆被样本；
S2、
基于多源数据构建包括光谱特征
、
指数特征
、
纹理特征
、
后向散射特征
、
地形特征和生物气候特征的多个原始特征场景；
S3、
选择五个机器学习分类器，包括
CART
决策树
、
随机森林
、
支持向量机
、
梯度提升树和最大熵模型，并基于土地覆被样本和原始特征场景构建分类算法，对多个原始特征场景进行分类；
S4、
评估五个分类器在不同原始特征场景中的准确性，初步筛选最佳原始特征场景；
S5、
基于随机森林模型的特征重要性构建随机森林
‑
递归特征消除算法进行特征优化，通过递归的方式，逐渐减少特征集的规模来获得最佳特征子集；
S6、
将最佳特征子集作为新的分类场景输送给
S3
中的五个分类器再次进行树种分类，通过与
S4
中基于原始特征场景的分类结果的精度对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多源卫星图像的树种自动分类方法，其特征在于，包括如下步骤：
S1、
收集多源数据，包括遥感卫星影像
、
地形数据
、
生物气候数据和土地覆被样本；
S2、
基于多源数据构建包括光谱特征
、
指数特征
、
纹理特征
、
后向散射特征
、
地形特征和生物气候特征的多个原始特征场景；
S3、
选择五个机器学习分类器，包括
CART
决策树
、
随机森林
、
支持向量机
、
梯度提升树和最大熵模型，并基于土地覆被样本和原始特征场景构建分类算法，对多个原始特征场景进行分类；
S4、
评估五个分类器在不同原始特征场景中的准确性，初步筛选最佳原始特征场景；
S5、
基于随机森林模型的特征重要性构建随机森林
‑
递归特征消除算法进行特征优化，通过递归的方式，逐渐减少特征集的规模来获得最佳特征子集；
S6、
将最佳特征子集作为新的分类场景输送给
S3
中的五个分类器再次进行树种分类，通过与
S4
中基于原始特征场景的分类结果的精度对比，选出在所有特征场景中平均精度最高的前三个分类器作为最佳基础分类器，选出精度最高的前三个分类结果作为最佳基础分类结果；
S7、
将最佳基础分类器和最佳基础分类结果根据模型堆叠
、
软投票和模型堆叠
‑
软投票三种集成框架分别进行集成，并选择最优的集成模型及其分类结果，该分类结果作为最佳分类结果；
S8、
基于最佳分类结果进行树种制图并分析其空间格局
。2.
根据权利要求1所述的一种基于多源卫星图像的树种自动分类方法，其特征在于，所述遥感卫星影像包括哨兵2号光学影像和哨兵1号
SAR
影像，哨兵2号光学影像经过影像调取
、
时间过滤
、
云过滤
、
裁剪和中值合成高质量哨兵2号合成图像；哨兵1号
SAR
影像通过轨道文件应用
、GRD
边界噪声去除
、
热噪声去除
、
辐射校正
、
地形校正
、
时间过滤
、
裁剪和中值合成高质量哨兵1号合成图像；所述地形数据为
SRTM V3
地形数据通过编程进行数据调用和裁剪；所述生物气候数据获取后进行重投影和裁剪；所述土地覆被样本为实地采集以及室内筛选和解译扩增获得
。3.
根据权利要求1所述的一种基于多源卫星图像的树种自动分类方法，其特征在于，所述多源数据中所有栅格数据使用最近邻插值函数重新采样到相同的分辨率，并重新投影到相...

【专利技术属性】
技术研发人员：李杰，王金亮，王辉，
申请(专利权)人：云南师范大学，
类型：发明
国别省市：