[发明专利]基于改进的线性光谱混合模型的植被覆盖度估算方法

说明书

技术领域

本发明涉及植被覆盖度估算技术，尤其涉及一种基于改进的线性光谱混合模型的植被覆盖度估算方法。

背景技术

植被是地貌、水文、土壤、气候变化和人类活动长期相互作用的综合性产物，其分布、构成和发展与环境条件，特别是与气候条件密切相关。植被覆盖度是指植被（枝、茎、叶）在地面上的垂直投影占地表统计面积的百分比，是刻画地表植被水平方向上覆盖程度的一个重要参数，也是衡量地表植物覆盖状况的重要定量信息，在评估土地退化、荒漠化程度方面发挥着重要的作用。同时，植被覆盖度也是通用土壤流失方程及其修正方程、气候数值模型、水文生态模型中的重要控制因子。因而，获取区域地表植被覆盖度及其变化信息，对揭示全球变化影响下的区域生态系统响应特征和地表空间变化规律、探讨响应的驱动因子和分析评价区域生态环境具有重要意义。

目前，获取植被覆盖度的方法有地表实测法和遥感监测法两种。下面进行简要描述。

地表实测法是一种传统的获取植被覆盖度信息的方法，由于具有测量精度较高，在地表植被调查中发挥着非常重要的作用，一直被广泛使用。但受时间、天气、区域条件的限制，测量较为费时、费力，而且只能提供小尺度范围内植被结构和分布状况的变化信息，不宜作为一种独立的测量方法应用于较大空间尺度上的植被覆盖度研究。

随着遥感技术在植被覆盖度监测的发展，为植被覆盖度的测量提供了新的发展方向。遥感的大尺度和周期探测的特性，为获取大面积的植被覆盖度和动态变化分析提供了可能，并得到广泛应用。基于遥感技术的测量植被覆盖度的方法主要包括：回归模型法、植被指数法和像元分解模型法。其中，像元分解模型法采用光谱分解模型进行测量，即通过线性或非线性光谱分解模型，提取研究区域的植被覆盖度信息。线性光谱分解模型假定像元信息为各组分信息的线性合成，到达传感器的光子只与一个组分发生了作用。该模型因其简单实用而被广泛应用于图像波段数目较小、光谱分辨率较低的情况下，在干旱半干旱地区植被覆盖度的估测中发挥了重要的作用。大量研究表明，线性光谱分解模型用于单时相的植被覆盖度估算，在一定程度上优于其他遥感估算方法。

在光谱分解过程中，现有的线性光谱分解模型对于图像中的任何一个像元，都采用全部图像端元进行分解。但实际上，低空间分辨率及中空间分辨率的图像中，多数混合像元只是由全部图像端元中的少数几种所组成，而采用全部图像端元进行分解的方法，使得估算植被覆盖度的流程非常复杂、运算量大。

为了简化估算植被覆盖度的流程以及运算量，现有技术提出了一种线性光谱混合模型（LSMM，Linear Spectral Mixture Model），通过计算像元实际光谱和参考端元光谱之间的响应值，来判断两光谱之间的相似程度，并选择与像元光谱相似度高的参考端元光谱，从而动态确定参与光谱分解的参考端元数，使得无需采用全部图像端元进行分解，从而简化流程及运算量，但该方法通过计算像元实际光谱和参考端元光谱之间的响应值进行相似程度判断，并依据相似度确定参与光谱分解的参考端元数，使得植被覆盖度估算精度不高。

发明内容

本发明的实施例提供一种基于改进的线性光谱混合模型的植被覆盖度估算方法，提高植被覆盖度估算精度。

为达到上述目的，本发明实施例提供的一种基于改进的线性光谱混合模型的植被覆盖度估算方法，该方法包括：

通过美国陆地探测卫星系统专题绘图仪TM获取研究区域内的图像数据；

对获取的图像数据进行几何粗校正以及辐射校正预处理；

对进行预处理得到的图像进行最小噪声分离变换，以将图像信息和噪声分离；在进行最小噪声分离变换的图像中，通过像元纯净指数分析获取波谱最纯净的像元；结合最小噪声分离变换结果，对获取的波谱最纯净的像元进行N维可视化分析，提取所述波谱最纯净的像元中各类地物的光谱信息；采用预先设置的植被-不透水面-土壤模型确定光谱信息分解的组分，获取光谱信息分解的端元光谱值，得到参考端元光谱；

根据经最小噪声分离变换得到的每一图像中各组分的光谱反射率，计算像元的光谱反射率；分别计算参考端元光谱和像元光谱反射率之间的响应值，进行归一化处理；计算像元光谱反射率与参考端元光谱之间的相似系数；获取最大相似系数对应的参考端元光谱矢量，作为与该像元光谱相似性最高的参考端元光谱；计算所述相似性最高的参考端元光谱矢量对混合像元光谱的贡献，结合归一化处理的响应值获取剩余端元对混合像元光谱的贡献；对剩余端元对混合像元光谱的贡献的公式进行迭代，确定混合像元包含的端元数目和对应的端元光谱；根据确定的端元数目和对应的端元光谱，获取图像的每个像元中各组分的含量值，根据各组分的含量值估算植被覆盖度。