一种植被空间分布格局调查方法及植被分类系统

摘要

本发明属于植被分类技术领域，公开了一种植被空间分布格局调查方法及植被分类系统，所述植被空间分布格局调查分类系统包括：植被图像采集模块、主控模块、植被图像增强模块、信息提取模块、植被类型识别模块、植被分布判断模块、分类模块、显示模块。本发明通过信息提取模块用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，提高准确性；同时，通过植被类型识别模块基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图，大大提高植被类型识别准确性。

说明书

技术领域

本发明属于植被分类技术领域，尤其涉及一种植被空间分布格局调查方法及植被分类系统。

背景技术

指地球表面某一地区所覆盖的植物群落。依植物群落类型划分，可分为草甸植被、森林植被等。它与气候、土壤、地形、动物界及水状况等自然环境要素密切相关。从全球范围可区分为海洋植被和陆地植被两大类。但由于陆地环境差异大，因而形成了多种植被类型，可将其划分为植被型、植物群系和群丛等多级分类系列。还可分为自然植被和人工植被。人工植被包括农田、果园、草场、人造林和城市绿地等。自然植被包括原生植被、次生植被等。植被分类(vegetation classification)，植物群落的一切特征都可以作为分类的依据,如外貌结构特征、植物种类组成、植被动态特征、生境特征等等。植被分类是植被科学研究的基础。然而，现有植被空间分布格局调查方法及植被分类系统对植被信息提取不准确；同时，对植被类型识别不准确。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有植被空间分布格局调查方法及植被分类系统对植被信息提取不准确。

(2)对植被类型识别不准确。

发明内容

针对现有技术存在的问题，本发明提供了一种植被空间分布格局调查方法及植被分类系统。

本发明是这样实现的，一种植被空间分布格局调查分类系统包括：

植被图像采集模块、主控模块、植被图像增强模块、信息提取模块、植被类型识别模块、植被分布判断模块、分类模块、显示模块；

植被图像采集模块，与主控模块连接，用于通过无人机采集植被图像；

主控模块，与植被图像采集模块、植被图像增强模块、信息提取模块、植被类型识别模块、植被分布判断模块、分类模块、显示模块连接，用于控制各个模块正常工作；

植被图像增强模块，与主控模块连接，用于对植被图像进行增强处理；

信息提取模块，与主控模块连接，用于提取植被影像信息；

植被类型识别模块，与主控模块连接，用于对植被类型进行识别；

植被分布判断模块，与主控模块连接，用于判断植被空间分布格局；

分类模块，与主控模块连接，用于根据植被类型识别信息对植被进行分类；

显示模块，与主控模块连接，用于显示植被图像、植被类型、植被分布、植被分类信息。

一种植被空间分布格局调查方法包括以下步骤：

步骤一，通过植被图像采集模块利用无人机采集植被图像；

步骤二，主控模块通过植被图像增强模块对植被图像进行增强处理；

步骤三，通过信息提取模块提取植被影像信息；通过植被类型识别模块对植被类型进行识别；

步骤四，通过植被分布判断模块判断植被空间分布格局；通过分类模块根据植被类型识别信息对植被进行分类；

步骤五，通过显示模块显示植被图像、植被类型、植被分布、植被分类信息。

进一步，所述信息提取模块4提取方法如下：

(1)通过无人机遥感设备获取植被高光谱影像和待测植被生理生化参量的参考标准值，所述待测植被生理生化参量为叶面积指数和叶绿素含量，所述叶面积指数利用归一化差植被指数计算得到，所述叶绿素含量利用反射率光谱曲线的红边特征计算得到；

利用归一化差植被指数计算所述叶面积指数的方法为：

通过以下公式计算得到归一化差植被指数NDVI：

其中，R

对于MODIS数据，叶面积指数的经验估算模型为：

LAI＝0.3775·exp(2.4293·NDVI)；

对于ASTER数据，叶面积指数的经验估算模型为：

LAI＝0.3773·exp(2.4317·NDVI)；

对所述影像进行降维预处理，得到植被冠层光谱反射率数据；

(2)建立植被冠层光谱反射率数据与植被参量标准值之间的经验数学模型，得到植被生理生化参量的高光谱遥感估算方法；

(3)通过所述经验数学模型，由从高光谱影像得到的植被冠层光谱反射率数据得到植被参量的估算值；利用样本值对模型中的参数进行估算，最后检验模型的精度。

进一步，所述对所述影像进行降维预处理进一步为：

对原高光谱影像X各个波段的数据进行标准化，得到标准化图像矩阵Xc；

计算标准化矩阵Xc的协方差矩阵Σc；

求矩阵Σc的特征向量矩阵Ac，其中特征向量按照特征值递减的规律从左向右排列；

利用求得的特征向量对图像数据进行线性变换得到PCA变换结果，计算公式为：

矩阵X

进一步，所述利用反射率光谱曲线的红边特征计算所述叶绿素含量的方法为：

采用线性外推法I在长波红光侧利用波长为680nm和694nm的两个点计算直线方程，设位于长波红光侧的直线方程为：FDR＝m1λ+c1；在近红外侧利用波长为724nm和760nm的两个点计算直线方程，设位于近红外侧的直线方程为：FDR＝m2λ+c2；

得出红边波长计算公式为：

采用所述线性外推法I计算红边波长REP与叶绿素含量CC之间的回归方程和精度为：CC＝-1111.01+1.63·REP,(R

进一步，所述利用反射率光谱曲线的红边特征计算所述叶绿素含量的方法为：

采用线性外推法II在长波红光侧利用波长为680nm和694nm的两个点计算直线方程，设位于长波红光侧的直线方程为：FDR＝m1λ+c1；在近红外侧利用波长为732nm和760nm的两个点计算直线方程，设位于近红外侧的直线方程为：FDR＝m2λ+c2；

得出红边波长计算公式为：

采用所述线性外推法II计算红边波长REP与叶绿素含量CC之间的回归方程和精度为：

CC＝-866.41+1.28·REP,(R

进一步，所述植被类型识别模块5识别方法如下：

1)构建植被图像数据库；基于时间t获取MODIS数据和Landsat图像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据并生成时序遥感图像数据集；将遥感图像存入植被图像数据库；

2)基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图。

进一步，所述构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据包括：基于时间t，获取t1、t2时刻的MODIS数据和Landsat图像数据，基于t1时刻的MODIS数据、Landsat图像数据和t2时刻的MODIS数据构建时空适应性反射率融合模型，融合MODIS数据和Landsat图像数据生成LANDSAT时间序列数据集。

进一步，所述时序遥感图像数据集包括LANDSAT时间序列数据集和基于LANDSAT时间序列数据集提取的植被指数数据集。

进一步，所述基于深度ISA数据融合的植被类型识别方法包括：基于LANDSAT时间序列数据集和提取的植被指数数据集进行不同类型不同尺度结果比较获得最优的植被指数融合结果；

所述时空适应性反射率融合模型为：

其中，(xi,yj)代表像元在图像中的位置；M(xi,yj,t0)为在给定时间t0下，像元(xi,yj)在MODIS图像上的表面反射率；M(xi,yj,tk)为在给定时间tk下，像元(xi,yj)在MODIS图像上的表面反射率L(xi,yj,tk)为在给定时间tk下，像元(xi,yj)在Landsat图像上的表面反射率；

所述时空适应性反射率融合模型的构建过程具体包括：基于Landsat图像数据，通过选取以预测像元为中心的邻域窗口，并利用权重函数对窗口内像元进行卷积运算，确定中心像元的预测值，然后在整幅图像上滑动卷积窗口，得到预测图像；

所述基于时序遥感图像数据集构建深度卷积ISA神经网络模型包括：

基于生成的时序遥感图像数据集，通过设置邻域窗口大小，为图像上的每个待分类像元选定邻域窗口大小为n*n的一片区域；

基于选定的区域生成一维时序光谱向量集，对于m天的数据，输入向量的维数为27m；

构建第一层ISA特征学习方法；

在第一层ISA特征学习的基础上，利用PCA方法对输出结果进行降维；

构建下一层ISA模型，并形成层次化的深度ISA学习模型；

训练并形成深度ISA网络分类模型；

所述ISA(独立子空间分析)特征学习方法为：通过对图像的无监督学习来获取图像内部所隐含的信息，包括下采样和池化两层结构；

所述构建下一层ISA模型，并形成层次化的深度ISA学习模型包括以下阶段：

预训练阶段，采用逐层训练的方式，获取层次化的特征学习结果；

微调阶段，采用有监督的对最后一层的BP神经网络进行训练，通过将实际输出与预测输出的误差向后传播，从而对整个网络的权值进行微调；

所述构建下一层ISA模型包括：通过ISA方法堆栈形成深度网络结构，包括网络深度分析评价和ISA节点数评价。

结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

本发明通过信息提取模块用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，提高准确性；同时，通过植被类型识别模块基于时间t获取MODIS数据和Landsat图像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据并生成时序遥感图像数据集；基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图，大大提高植被类型识别准确性。

第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明通过信息提取模块用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，提高准确性；同时，通过植被类型识别模块基于时间t获取MODIS数据和Landsat图像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据并生成时序遥感图像数据集；基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图，大大提高植被类型识别准确性。

附图说明

图1是本发明实施例提供的植被空间分布格局调查方法流程图。

图2是本发明实施例提供的植被空间分布格局调查分类系统结构框图。

图3是本发明实施例提供的信息提取模块提取方法流程图。

图4是本发明实施例提供的植被类型识别模块识别方法流程图。

图2中：1、植被图像采集模块；2、主控模块；3、植被图像增强模块；4、信息提取模块；5、植被类型识别模块；6、植被分布判断模块；7、分类模块；8、显示模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

如图1所示，本发明提供的植被空间分布格局调查方法包括以下步骤：

S101，通过植被图像采集模块利用无人机采集植被图像；

S102，主控模块通过植被图像增强模块对植被图像进行增强处理；

S103，通过信息提取模块提取植被影像信息；通过植被类型识别模块对植被类型进行识别；

S104，通过植被分布判断模块判断植被空间分布格局；通过分类模块根据植被类型识别信息对植被进行分类；

S105，通过显示模块显示植被图像、植被类型、植被分布、植被分类信息。

本发明通过信息提取模块用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，提高准确性；同时，通过植被类型识别模块基于时间t获取MODIS数据和Landsat图像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据并生成时序遥感图像数据集；基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图，大大提高植被类型识别准确性。

如图2所示，本发明实施例提供的植被空间分布格局调查分类系统包括：植被图像采集模块1、主控模块2、植被图像增强模块3、信息提取模块4、植被类型识别模块5、植被分布判断模块6、分类模块7、显示模块8。

植被图像采集模块1，与主控模块2连接，用于通过无人机采集植被图像；

主控模块2，与植被图像采集模块1、植被图像增强模块3、信息提取模块4、植被类型识别模块5、植被分布判断模块6、分类模块7、显示模块8连接，用于控制各个模块正常工作；

植被图像增强模块3，与主控模块2连接，用于对植被图像进行增强处理；

信息提取模块4，与主控模块2连接，用于提取植被影像信息；

植被类型识别模块5，与主控模块2连接，用于对植被类型进行识别；

植被分布判断模块6，与主控模块2连接，用于判断植被空间分布格局；

分类模块7，与主控模块2连接，用于根据植被类型识别信息对植被进行分类；

显示模块8，与主控模块2连接，用于显示植被图像、植被类型、植被分布、植被分类信息。

本发明通过信息提取模块用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，提高准确性；同时，通过植被类型识别模块基于时间t获取MODIS数据和Landsat图像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据并生成时序遥感图像数据集；基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图，大大提高植被类型识别准确性。

如图3所示，本发明提供的信息提取模块4提取方法如下：

S201，通过无人机遥感设备获取植被高光谱影像和待测植被生理生化参量的参考标准值，所述待测植被生理生化参量为叶面积指数和叶绿素含量，所述叶面积指数利用归一化差植被指数计算得到，所述叶绿素含量利用反射率光谱曲线的红边特征计算得到；

利用归一化差植被指数计算所述叶面积指数的方法为：

通过以下公式计算得到归一化差植被指数NDVI：

其中，R

对于MODIS数据，叶面积指数的经验估算模型为：

LAI＝0.3775·exp(2.4293·NDVI)；

对于ASTER数据，叶面积指数的经验估算模型为：

LAI＝0.3773·exp(2.4317·NDVI)；

对所述影像进行降维预处理，得到植被冠层光谱反射率数据；

S202，建立植被冠层光谱反射率数据与植被参量标准值之间的经验数学模型，得到植被生理生化参量的高光谱遥感估算方法；

S203，通过所述经验数学模型，由从高光谱影像得到的植被冠层光谱反射率数据得到植被参量的估算值；利用样本值对模型中的参数进行估算，最后检验模型的精度。

本发明通过信息提取模块用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，提高准确性。

本发明提供的对所述影像进行降维预处理进一步为：

对原高光谱影像X各个波段的数据进行标准化，得到标准化图像矩阵Xc；

计算标准化矩阵Xc的协方差矩阵Σc；

求矩阵Σc的特征向量矩阵Ac，其中特征向量按照特征值递减的规律从左向右排列；

利用求得的特征向量对图像数据进行线性变换得到PCA变换结果，计算公式为：

矩阵X

本发明提供的利用反射率光谱曲线的红边特征计算所述叶绿素含量的方法为：

采用线性外推法I在长波红光侧利用波长为680nm和694nm的两个点计算直线方程，设位于长波红光侧的直线方程为：FDR＝m1λ+c1；在近红外侧利用波长为724nm和760nm的两个点计算直线方程，设位于近红外侧的直线方程为：FDR＝m2λ+c2；

得出红边波长计算公式为：

采用所述线性外推法I计算红边波长REP与叶绿素含量CC之间的回归方程和精度为：CC＝-1111.01+1.63·REP,(R

本发明提供的利用反射率光谱曲线的红边特征计算所述叶绿素含量的方法为：

采用线性外推法II在长波红光侧利用波长为680nm和694nm的两个点计算直线方程，设位于长波红光侧的直线方程为：FDR＝m1λ+c1；在近红外侧利用波长为732nm和760nm的两个点计算直线方程，设位于近红外侧的直线方程为：FDR＝m2λ+c2；

得出红边波长计算公式为：

采用所述线性外推法II计算红边波长REP与叶绿素含量CC之间的回归方程和精度为：

CC＝-866.41+1.28·REP,(R

如图4所示，本发明提供的植被类型识别模块5识别方法如下：

S301，构建植被图像数据库；基于时间t获取MODIS数据和Landsat图像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据并生成时序遥感图像数据集；将遥感图像存入植被图像数据库；

S302，基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图。

本发明通过植被类型识别模块基于时间t获取MODIS数据和Landsat图像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据并生成时序遥感图像数据集；基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图，大大提高植被类型识别准确性。

本发明提供的构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据包括：基于时间t，获取t1、t2时刻的MODIS数据和Landsat图像数据，基于t1时刻的MODIS数据、Landsat图像数据和t2时刻的MODIS数据构建时空适应性反射率融合模型，融合MODIS数据和Landsat图像数据生成LANDSAT时间序列数据集。

本发明提供的时序遥感图像数据集包括LANDSAT时间序列数据集和基于LANDSAT时间序列数据集提取的植被指数数据集。

本发明提供的基于深度ISA数据融合的植被类型识别方法包括：基于LANDSAT时间序列数据集和提取的植被指数数据集进行不同类型不同尺度结果比较获得最优的植被指数融合结果；

所述时空适应性反射率融合模型为：

其中，(xi,yj)代表像元在图像中的位置；M(xi,yj,t0)为在给定时间t0下，像元(xi,yj)在MODIS图像上的表面反射率；M(xi,yj,tk)为在给定时间tk下，像元(xi,yj)在MODIS图像上的表面反射率L(xi,yj,tk)为在给定时间tk下，像元(xi,yj)在Landsat图像上的表面反射率；

所述时空适应性反射率融合模型的构建过程具体包括：基于Landsat图像数据，通过选取以预测像元为中心的邻域窗口，并利用权重函数对窗口内像元进行卷积运算，确定中心像元的预测值，然后在整幅图像上滑动卷积窗口，得到预测图像；

所述基于时序遥感图像数据集构建深度卷积ISA神经网络模型包括：

基于生成的时序遥感图像数据集，通过设置邻域窗口大小，为图像上的每个待分类像元选定邻域窗口大小为n*n的一片区域；

基于选定的区域生成一维时序光谱向量集，对于m天的数据，输入向量的维数为27m；

构建第一层ISA特征学习方法；

在第一层ISA特征学习的基础上，利用PCA方法对输出结果进行降维；

构建下一层ISA模型，并形成层次化的深度ISA学习模型；

训练并形成深度ISA网络分类模型；

所述ISA(独立子空间分析)特征学习方法为：通过对图像的无监督学习来获取图像内部所隐含的信息，包括下采样和池化两层结构；

所述构建下一层ISA模型，并形成层次化的深度ISA学习模型包括以下阶段：

预训练阶段，采用逐层训练的方式，获取层次化的特征学习结果；

微调阶段，采用有监督的对最后一层的BP神经网络进行训练，通过将实际输出与预测输出的误差向后传播，从而对整个网络的权值进行微调；

所述构建下一层ISA模型包括：通过ISA方法堆栈形成深度网络结构，包括网络深度分析评价和ISA节点数评价。

二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

本发明通过信息提取模块用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，提高准确性；同时，通过植被类型识别模块基于时间t获取MODIS数据和Landsat图像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据并生成时序遥感图像数据集；基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图，大大提高植被类型识别准确性。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

本发明通过信息提取模块用高光谱遥感数据实现对植被生理生化参量的估算，快捷方便，不会对植被生长造成任何的影响，提高准确性；同时，通过植被类型识别模块基于时间t获取MODIS数据和Landsat图像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat图像数据并生成时序遥感图像数据集；基于时序遥感图像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测图像进行分类，并生成植被类型遥感分布图，大大提高植被类型识别准确性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。