【技术实现步骤摘要】
本专利技术涉及植被异常探测，具体涉及一种用于植被异常遥感探测的光谱指数自动生成方法。
技术介绍
1、植被异常包括森林火灾和病虫害等干扰，会极大地改变和塑造植被的组成与结构，威胁着植被的健康状态。监测与评估植被异常的分布和严重程度对于植被的恢复和管理至关重要。传统的实地监测方法对于单木尺度的植被异常监测与防控具有优势，但费时费力，效率低、成本高；而遥感技术具有大尺度、高时效的优势，有助于降低地面调查成本，逐渐成为探测植被异常和量化严重程度的强有力工具。
2、在所有的植被异常扰动探测方法中，光谱指数（spectral index, si）具有简单易用、计算效率高的优势，被广泛用于基于遥感数据的植被异常探测研究。例如归一化植被指数（normalized difference vegetation index, ndvi）等光谱指数可反映植被的覆盖情况等特征，可用于探索遥感影像中的植被异常与滑坡等异常事件之间的关系；归一化差异水分指数（normalized difference moisture index, ndmi）可用于监测舞毒蛾造成的森林落叶区域，并通过划分等级来量化森林落叶程度。
3、然而，光谱指数种类繁多、形式多样，如何选择光谱指数至关重要，传统的指数构造方法主要以经验法和物理分析方法为主。经验法主要是基于经验对波段进行简单的线性组合，构建了比值植被指数（ratio vegetation index, rvi）等光谱指数。物理分析方法的主要思想是考虑电磁波辐射与植被、土壤和大气之间的相互作用，基于物理
技术实现思路
1、本专利技术的目的是为了解决上述问题，提供一种用于植被异常遥感探测的光谱指数自动生成方法，利用三维辐射传输模型进行异常场景的遥感光谱数据模拟，并在模拟数据集的基础上实现最优指数形式、相应的最优波段组合和最优系数的确定。
2、为了达到上述目的，本专利技术的技术方案如下：一种用于植被异常遥感探测的光谱指数自动生成方法，包括以下步骤：
3、s1、异常光谱数据模拟：基于基本景观组成，结合量化植被异常的参数，构建植被异常场景，利用辐射传输模型进行模拟仿真，生成不同植被异常等级（damage levels, dl）对应的遥感光谱数据集，并将其分为训练数据集和测试数据集，用于后续步骤的光谱指数自动构建和性能评估；
4、s2、光谱指数自动构建：基于异常光谱数据的训练数据集构建光谱指数。首先，从多个候选指数形式中随机选择，根据选择的指数形式所需的波段数，在固定系数的情况下进行波段的随机组合，选择与植被异常等级相关性最高的光谱指数；在此基础上，利用该光谱指数拟合植被异常等级，将其与真实的植被异常等级进行比较，通过随机梯度下降算法对指数系数不断迭代优化，最小化两者之间的差异，得到新型植被异常识别光谱指数；
5、s3、光谱指数性能评估：利用异常光谱数据，对生成的光谱指数进行性能的评估。在训练数据集上，将自动生成的植被异常识别光谱指数和传统光谱指数分别进行回归，拟合植被异常等级，并在测试数据集上对比两者量化植被异常等级的效果。
6、优选的，步骤s1中，所述基本景观组成的建模方法：树木模型的构建主要考虑树冠、树枝和叶片。其中，树冠轮廓的生成使用tag模型（tree generation based onasymmetric generalized gaussian）；树干和树枝由不同的圆锥体组成，最大的圆锥体表示树干，树枝底部半径可通过比例因子进行调节，该高度的树干半径由胸径和总树高决定；树枝的位置由树干主干高度和树枝之间的垂直间距决定，每个分支高度上均匀分布一定数量的树枝；树枝方向由方位角和天顶角确定，树枝的长度由树枝与树冠的交点决定；叶片采用基于浑浊介质的方法建模，内部性质由统计参数决定，且聚集于树枝周围，密集地分布于树冠附近。灌木被建模为内部是浑浊介质的球体，草被建模为一个均匀层。
7、优选的，步骤s1中，异常场景的构建方式：利用基本景观组成生成正常状态下的基础样地，包括土壤、草地、灌木、中等乔木和优势乔木；根据各植被冠层的结构参数计算叶面积指数（leaf area index, lai）和森林冠层覆盖度（forest canopy cover, fcc）；根据fcc和树冠直径确定模拟样地中的树木数量，并计算每棵树的叶片体密度（leaf volumedensity, lvd）；定义各层的植被异常等级，调整草、灌木、中等乔木和优势乔木的组分光谱和lai。
8、优选的，步骤s1中，所述遥感光谱数据模拟方法为：基于构建的三维植被异常场景，设置模拟的波段范围和波段间隔。利用less模型（the large-scale remote sensingdata and image simulation model）的光线追踪技术，对不同植被异常等级下的场景进行辐射传输模拟，得到相应的冠层光谱反射率数据。利用冠层光谱反射率数据和相应的复合植被异常等级，构建遥感异常光谱数据集，用于后续的指数自动构建。
9、优选的，步骤s2中，所述指数形式和最优波段的选择方法为：从多个候选指数形式中随机选择，并根据所需波段数，在固定系数的情况下进行波段随机组合，将不同指数形式和不同波段组合下的光谱指数分别与植被异常等级进行回归分析，选择r2最大的光谱指数，由此可确定光谱指数形式和最优波段组合。
10、优选的，步骤s2中，所述指数系数的优化方法为：在确定形式和波段的光谱指数基础上，利用随机梯度下降算法对波段前的系数进行优化调整，最小化该光谱指数所拟合的植被异常等级和真实植被异常等级之间的差异，得到新型植被异常识别光谱指数。
11、与现有技术相比，本专利技术的有益效果：
12、植被异常遥感光谱数据模拟：通过构建植被异常场景、利用三维辐射传输模型能低成本地模拟多种异常类型和过程的遥感响应特征，减少无关影响。
13、自动化光谱指数生成：基于模拟的植被异常遥感光谱数据，利用随机梯度下降算法，实现了自动构建适用于植被异常遥感探测的光谱指数，减少了人工干预和指数选择的主观性，充分发挥了神经网络反向传播的自动优化功能，实现植被异常指数的自动优化。
14、提高植被异常识别精度：通过在模拟的本文档来自技高网...
【技术保护点】
1.一种用于植被异常遥感探测的光谱指数自动生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于植被异常遥感探测的光谱指数自动生成方法，其特征在于，步骤S1中，所述基本景观组成的建模方法：树木模型的构建考虑树冠、树枝和叶片；其中，树冠轮廓使用TAG模型生成；树干和树枝由不同的圆锥体组成，最大的圆锥体表示树干，树枝底部半径可通过比例因子进行调节，该高度的树干半径由胸径和总树高决定；树枝的位置由树干主干高度和树枝之间的垂直间距决定，每个分支高度上均匀分布有树枝；树枝方向由方位角和天顶角确定，树枝的长度由树枝与树冠的交点决定；叶片采用基于浑浊介质的方法建模，内部性质由统计参数决定，且聚集于树枝周围，密集地分布于树冠附近；灌木被建模为内部是浑浊介质的球体，草被建模为一个均匀层。
3.根据权利要求1所述的一种用于植被异常遥感探测的光谱指数自动生成方法，其特征在于，步骤S1中，异常场景的构建方式：利用基本景观组成生成正常状态下的基础样地，包括土壤、草地、灌木、中等乔木和优势乔木；根据各植被冠层的结构参数计算叶面积指数（LAI）和森林冠层覆盖度（FCC）
4.根据权利要求1所述的一种用于植被异常遥感探测的光谱指数自动生成方法，其特征在于，步骤S1中，所述遥感光谱数据模拟方法为：基于构建的三维植被异常场景，设置模拟的波段范围和波段间隔；利用LESS模型的光线追踪技术，对不同植被异常等级下的场景进行辐射传输模拟，得到相应的冠层光谱反射率数据；利用冠层光谱反射率数据和相应的复合植被异常等级，构建遥感异常光谱数据集，用于后续的指数自动构建。
5.根据权利要求1所述的一种用于植被异常遥感探测的光谱指数自动生成方法，其特征在于：步骤S2中，所述指数形式和所述指数形式的最优波段的选择方法为：从多个候选指数形式中随机选择，并根据所需波段数，在固定系数的情况下进行波段随机组合，将不同指数形式和不同波段组合下的光谱指数分别与植被异常等级进行回归分析，选择R2最大的光谱指数，由此可确定光谱指数形式和最优波段组合。
6.根据权利要求1所述的一种用于植被异常遥感探测的光谱指数自动生成方法，其特征在于：步骤S2中，所述指数系数的优化方法为：在确定形式和波段的光谱指数基础上，利用随机梯度下降算法对波段前的系数进行优化调整，最小化该光谱指数所拟合的植被异常等级和真实植被异常等级之间的差异，得到新型植被异常识别光谱指数。
...【技术特征摘要】
1.一种用于植被异常遥感探测的光谱指数自动生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于植被异常遥感探测的光谱指数自动生成方法，其特征在于，步骤s1中，所述基本景观组成的建模方法：树木模型的构建考虑树冠、树枝和叶片；其中，树冠轮廓使用tag模型生成；树干和树枝由不同的圆锥体组成，最大的圆锥体表示树干，树枝底部半径可通过比例因子进行调节，该高度的树干半径由胸径和总树高决定；树枝的位置由树干主干高度和树枝之间的垂直间距决定，每个分支高度上均匀分布有树枝；树枝方向由方位角和天顶角确定，树枝的长度由树枝与树冠的交点决定；叶片采用基于浑浊介质的方法建模，内部性质由统计参数决定，且聚集于树枝周围，密集地分布于树冠附近；灌木被建模为内部是浑浊介质的球体，草被建模为一个均匀层。
3.根据权利要求1所述的一种用于植被异常遥感探测的光谱指数自动生成方法，其特征在于，步骤s1中，异常场景的构建方式：利用基本景观组成生成正常状态下的基础样地，包括土壤、草地、灌木、中等乔木和优势乔木；根据各植被冠层的结构参数计算叶面积指数（lai）和森林冠层覆盖度（fcc）；根据fcc和树冠直径确定模拟样地中的树木数量，并计算每棵树的叶片体密度（lvd）；定义各层的植被异常等级，调整草、灌木、中等乔...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。