[发明专利]基于数字正射影像和数字表面模型反演林区植被高度的方法

权利要求书

1.基于数字正射影像和数字表面模型反演林区植被高度的方法，其特征在于，提出了植被高度模型VHM的概念，以航空正射影像和数字表面模型为基础数据，在其基础上提取影像光谱特征与模型几何特征作为特征因子，采用非线性MIC指数、MAS指数、SQRT(MIC)，以及Pearson线性相关系数评价特征因子与植被高度的相关性，引入支持向量机的最小二乘优化准则，建立支持向量回归植被高度模型SVR-VHM，实现基于数字正射影像和数字表面模型反演林区植被高度，其精度优于1米；包括以下步骤：

(1)提取植被高度控制点：根据可见光植被指数，对数字表面模型结点进行分类，将结点分为植被点、地物点、地面点，地面点的植被高度赋为0，并作为控制点；植被点与地面点相邻的情况，植被点的植被高度为与相邻地面点的高差，由数字表面模型计算，如果相邻地面点有多个，则取高差的平均值；根据树木的阴影长度、树木冠幅与树木高度的关系，推算树木高度；在立体观察下，通过目视解译均衡采集少量植被高度点作为植被高度控制点；

(2)植被高度模型特征因子的提取，根据影像RGB灰度值，提取光谱特征因子：可见光波段差异植被指数、归一化绿蓝差异指数、归一化绿红差异指数、RmG指数、GmB指数、ExG指数与ExR指数及其差值指数、Lab颜色特征因子；基于数字表面模型，提取几何特征因子：数字表面模型结点所在位置的坐标与高程值、结点与其周边相邻8个点的高差、邻域内高度标准差、拟合曲面的法线方向、构造曲面表面粗糙度与曲率；

(3)计算植被高度与模型特征因子的相关性指标：根据提取的植被高度与特征因子数据，计算非线性MIC指数、MAS指数、SQRT(MIC)，以及Pearson线性相关系数，并进行对比评价，将较高相关性的特征因子作为机器学习模型的输入；

(4)建立机器学习-支持向量机回归模型：利用支持向量机(SVM)回归模型，采用高斯径向基核函数，在不同的优化准则下，采用动态最小二乘支持向量机(DLSSVM)学习算法和支持向量回归学习(V-SVR)算法，并通过结果对比，取得相对较优的回归模型结构，建立支持向量回归植被高度模型SVR-VHM；

(5)建立植被高度模型与数字高程模型：根据支持向量回归植被高度SVR-VHM模型，基于数字正射影像和数字表面模型数据，计算同位结点植被高度，建立植被高度模型，并从数字表面模型中移去植被高度，进而确定数字地形模型。