基于高光谱图像的红树林生态区域入侵区域识别方法技术

技术编号：43610018 阅读：9 留言：0更新日期：2024-12-11 14:54

本发明专利技术属于智能监测、遥感测绘技术领域，提出了基于高光谱图像的红树林生态区域入侵区域识别方法，采集红树林生态区的光谱立方体，对红树林生态区域进行网格划分形成网格单元，并映射网格单元到光谱立方体，从光谱立方体读取网格单元的光谱角二元组，对光谱角二元组进行时序差分解析形成入侵解析值，根据入侵解析值获取入侵测定结果。所述方法通过高光谱成像技术精确监测生态位占据类植物的生长密度和分布，识别植物生长的微观变化并实现早期预警，预测识别植物扩散的发生以减少对红树林局部生态破坏风险，为红树林区域的长期管理和保护提供数据支持，促进生态系统健康和稳定。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于智能监测、遥感测绘，具体涉及基于高光谱图像的红树林生态区域入侵区域识别方法。

技术介绍

1、红树林是沿海湿地生态系统的重要组成部分，不仅为多种生物提供栖息地，还在防风、固碳和水质净化等方面发挥着关键的生态功能。然而像互花米草、薇甘菊、无瓣海桑和鱼藤等入侵性植物的扩散，正在侵占红树林的生长空间并通过改变土壤的物理和化学特性干扰底栖生物的物种多样性和群落结构，从而导致红树林面积缩减及其生态服务功能的下降。

2、目前对红树林中特定植物的监测主要依赖地面调查和遥感成像技术，尽管地面调查可以提供直观的数据，但由于其效率低、成本高和数据更新缓慢，难以满足对红树林生态区域内快速扩散的生态位占据类植物的精确监测需求。传统的遥感成像技术主要采集地上目标的形态和有限的光谱信息，然而受限于图像分辨率和智能识别算法的局限，中小规模的生态位占据类植物常常被忽略，这使得定期监测中无法及时发现植物入侵不利于早期防治。

3、随着高光谱成像技术的出现，其高光谱分辨率能够精细探测物体的光谱特征，这种技术显著提升了对红树林生态区域中特定植物的监测能力，通过实时或近实时的数据采集与处理，能够快速响应生态位占据类植物的扩散，尤其是在早期发现和精确识别方面，为红树林的科学管理和保护提供了更有效的技术支持。

4、因此需要基于高光谱图像的红树林生态区域入侵区域识别方法准确识别和区分生态位占据类植物的光谱特征，结合智能算法以适应快速变化的监测需求并减少由于过高敏感性导致的误判。

技术实现思路</p>

1、本专利技术的目的在于提出基于高光谱图像的红树林生态区域入侵区域识别方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

2、为了实现上述目的，根据本专利技术的一方面，提供基于高光谱图像的红树林生态区域入侵区域识别方法，所述方法包括以下步骤：

3、s100，采集红树林生态区的光谱立方体；

4、s200，对红树林生态区域进行网格划分形成网格单元，并映射网格单元到光谱立方体；

5、s300，从光谱立方体读取网格单元的光谱角二元组；

6、s400，对光谱角二元组进行时序差分解析形成入侵解析值；

7、s500，根据入侵解析值获取入侵测定结果；

8、s600，结合各个入侵种的入侵测定结果识别红树林生态区中入侵物种的种类。

9、进一步地，步骤s100中，采集红树林生态区的光谱立方体的方法是：通过搭载高光谱成像仪的卫星或者无人机采集红树林生态区的高光谱图像；对高光谱成像仪扫描后获得高光谱图像进行预处理，预处理步骤包括利用flaash大气校正模型进行大气效应补偿处理，通过dem数字高程模型进行几何校正处理，由各波段对应高光谱图像构成光谱立方体。

10、其中大气校正处理用于校正因大气吸收和散射效应引起的数据失真，几何校正则用于校正图像在投影过程中产生的几何形变，保证图像的空间几何关系和gps位置匹配精度；

11、预处理还包括，采用gis软件进行高光谱图像裁剪，令高光谱图像的数据采集区域约束于限定或者预设的红树林生态区，

12、高光谱成像仪为nano-hyperspec全波段高光谱成像仪，波长范围为400-1000nm，光谱通道分别为270个，空间通道640个，光谱采样间隔2.2nm/pixel，最大帧频350fps。

13、进一步地，步骤s300中，从光谱立方体读取网格单元的光谱角二元组的方法是：对光谱立方体中同一网格单元的光谱信息进行空间聚合形成网格单元的光谱特征向量；通过网格单元的光谱特征向量进行光谱角sam分析获得光谱角二元组；其中光谱角二元组包括均衡差异度和代表差异度；其中均衡差异度为红树均衡光谱角与入侵光谱角的差值，代表差异度为红树代表光谱角与入侵光谱角的差值；红树均衡光谱角为各个红树种类sam分析结果的加权平均值，任一红树种类的权值通过提前预设获得，或者设定为该红树种类在所有网格单元中出现的频率值；红树代表光谱角为各个红树种类sam分析结果中的最大值；入侵光谱角为入侵种的sam分析结果。

14、若任一红树种类的权值未通过提前预设获得，则设定为该红树种类在所有网格单元中出现的频率值；

15、以一个自然日作为一个测点，每个测点采集一次光谱角二元组。

16、其中空间聚合指的是将网格单元内同一波段下的各个像素值计算平均值，以作为该网格在该波段的代表值，属于降维技术，以简化数据的复杂性。

17、入侵种为互花米草、薇甘菊、无瓣海桑、鱼藤或者空心莲子草中的任一种。

18、红树种类包括桐花树、白骨壤、海漆、木榄、水黄皮、秋茄和红海榄中的两种或以上。

19、光谱角分析的物种光谱基准采用ecostress spectral library平台中的典型光谱数据库。

20、进一步地，步骤s400中，对光谱角二元组进行时序差分解析形成入侵解析值的方法是：定义任意一测点下所有网格单元的均衡差异度中最大值记为差异度峰值，差异度峰值对应网格单元在该测点发生峰值临界；

21、从当前时刻开始逆时间方向迭代，迭代变量包括峰值临界基准，将当前测点下发生峰值临界的网格单元做临界标记；峰值临界基准的初始值为当前各个均衡差异度中最大值；

22、在任意一次迭代下，将迭代的测点下差异度峰值与峰值临界基准进行比较，将峰值临界基准更新为比较二者中的最小值，将迭代的测点下差异度峰值大于峰值临界基准的各个网格单元做临界标记；

23、迭代结束条件为所有网格单元至少发生一次临界标记，满足迭代结束条件的测点为末测点；当前测点到末测点之间的各个测点构成解析区间；

24、在解析区间内，对任意网格单元，任一测点的第一差分量dst为该测点均衡差异度与其逆时间搜索首个临界标记点对应差异度峰值的差值，第二差分量为该测点代表差异度与其逆时间搜索首个临界标记点对应差异度峰值的差值，则差分量pd为第一差分量与第二差分量中的绝对值为最大值的元素；

25、若网格单元在一个测点下的差分量取值自第一差分量则定义该测点为此网格单元的强差异位，根据各个强差异位计算得到网格单元的入侵解析值trso，其计算方法为：

26、；

27、其中rvt为差值反转率，当强差异位与其前一测点的差分量乘积小于0则定义该强差异位发生翻转，发生翻转的强差异位数量与强差异位总量的比值为差值反转率；dst.err为解析区间内所有第一差分量的标准差，kr代表强差异位的总量，i1为累加变量，pdi1代表第i1个强差异位的差分量,rt.bia(dsti1)代表第i1个强差异位的第一差分量与该测点下各个网格单元对应第一差分量平均值的比值。

28、由于入侵解析值依赖于解析区间中的第一差分量和第二差分量计算比较获取的强差异位，所以能够有效地筛选出各个网格单元中具有显著特征的测点，从而量化生态位占据类植物的扩散现象并用于本文档来自技高网...

【技术保护点】

1.基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤S100中，采集红树林生态区的光谱立方体的方法是：通过搭载高光谱成像仪的卫星或者无人机采集红树林生态区的高光谱图像；对高光谱成像仪扫描后获得高光谱图像进行预处理，预处理步骤包括利用FLAASH大气校正模型进行大气效应补偿处理，通过DEM数字高程模型进行几何校正处理，由各波段对应高光谱图像构成光谱立方体。

3.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤S300中，从光谱立方体读取网格单元的光谱角二元组的方法是：对光谱立方体中同一网格单元的光谱信息进行空间聚合形成网格单元的光谱特征向量；通过网格单元的光谱特征向量进行光谱角SAM分析获得光谱角二元组；其中光谱角二元组包括均衡差异度和代表差异度；其中均衡差异度为红树均衡光谱角与入侵光谱角的差值，代表差异度为红树代表光谱角与入侵光谱角的差值；红树均衡光谱角为各个红树种类SAM分析结果的加权平均值，任一

4.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤S400中，对光谱角二元组进行时序差分解析形成入侵解析值的方法是：定义任意一测点下所有网格单元的均衡差异度中最大值记为差异度峰值，差异度峰值对应网格单元在该测点发生峰值临界；从当前时刻开始逆时间方向迭代，迭代变量包括峰值临界基准，将当前测点下发生峰值临界的网格单元做临界标记；峰值临界基准的初始值为当前各个均衡差异度中最大值；

5.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤S400中，对光谱角二元组进行时序差分解析形成入侵解析值的方法能替换为：定义任意网格单元的临近区域为以该网格单元作为中心截取的3*3或者5*5的邻域块；获取任一网格单元中代表差异度最小值并记为代表差异基值，则代表差异度与其对应网格单元的代表差异基值的比值记为代表溢征率SRI_Rt；以任意网格单元作为当前网格单元，在当前网格单元中，如果当前测点的代表溢征率小于其逆时针方向上首个代表溢征率的极小值，则将该测点的网格单元记为第一特征单元；计算获取当前测点中各个第一特征单元的代表溢征率中的最大值，计算所得最大值与各个网格单元的均衡差异度的均方根值记为均衡溢相值Fsim；

6.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤S500中，根据入侵解析值获取入侵测定结果的方法是：通过tsfresh库从任一网格单元历史获得的所有入侵解析值计算时序特征量，并将各个时序特征量构建成序列记为网格单元特征序列；记网格单元的数量和时序特征量的数量分别记为m和n,根据各个网格单元的网格单元特征序列构建维度为m×n的特征矩阵STMX；以移动平均系数作为目标特征输入预训练的弹性网络回归模型获得各个网格单元对应目标特征的预测结果，当预测结果为真则该网格单元入侵测定结果为真，否则入侵测定结果为假。

7.根据权利要求6所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，时序特征量包括自回归系数、移动平均系数、ADF检验统计量、样本熵、FFT分量、线性趋势斜率、自相关系数和偏自相关系数中的一种或多种。

8.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤S600中，结合各个入侵种的入侵测定结果识别红树林生态区中入侵物种的种类的方法是：获取各个入侵测定结果为真的入侵种作为测定入侵种，红树林生态区在任一网格单元的入侵物种的种类包括该网格单元的获得的所有测定入侵种。

9.基于高光谱图像的红树林生态区域入侵物种识别系统，其特征在于，所述基于高光谱图像的红树林生态区域入侵物种识别系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的基于高光谱图像的红树林生态区域入侵区域识别方法中的步骤，所述基于高光谱图像的红树林生态区域入侵物种识别系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。

...

【技术特征摘要】

1.基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤s100中，采集红树林生态区的光谱立方体的方法是：通过搭载高光谱成像仪的卫星或者无人机采集红树林生态区的高光谱图像；对高光谱成像仪扫描后获得高光谱图像进行预处理，预处理步骤包括利用flaash大气校正模型进行大气效应补偿处理，通过dem数字高程模型进行几何校正处理，由各波段对应高光谱图像构成光谱立方体。

3.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤s300中，从光谱立方体读取网格单元的光谱角二元组的方法是：对光谱立方体中同一网格单元的光谱信息进行空间聚合形成网格单元的光谱特征向量；通过网格单元的光谱特征向量进行光谱角sam分析获得光谱角二元组；其中光谱角二元组包括均衡差异度和代表差异度；其中均衡差异度为红树均衡光谱角与入侵光谱角的差值，代表差异度为红树代表光谱角与入侵光谱角的差值；红树均衡光谱角为各个红树种类sam分析结果的加权平均值，任一红树种类的权值通过提前预设获得，或者设定为该红树种类在所有网格单元中出现的频率值；红树代表光谱角为各个红树种类sam分析结果中的最大值；入侵光谱角为入侵种的sam分析结果，入侵种为互花米草、薇甘菊、无瓣海桑、鱼藤或者空心莲子草中的一种。

4.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤s400中，对光谱角二元组进行时序差分解析形成入侵解析值的方法是：定义任意一测点下所有网格单元的均衡差异度中最大值记为差异度峰值，差异度峰值对应网格单元在该测点发生峰值临界；从当前时刻开始逆时间方向迭代，迭代变量包括峰值临界基准，将当前测点下发生峰值临界的网格单元做临界标记；峰值临界基准的初始值为当前各个均衡差异度中最大值；

5.根据权利要求1所述的基于高光谱图像的红树林生态区域入侵区域识别方法，其特征在于，步骤s400中，对光谱角二元组进行时序差分解析形成入侵解析值的方法能替换为：定义任意网格单元的临近区域为以该网格单元作为中心截取的3*3或者5*5的邻域块；获取任一网格单元中代表差...

【专利技术属性】
技术研发人员：姜胜，吕建海，陈明华，
申请(专利权)人：广州陆海生态科技有限公司，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人