[发明专利]一种基于机器学习的植被生物量自动监测方法及系统

说明书

本发明涉及一种基于机器学习的植被生物量自动监测方法及系统。该方法包括：采集待监测植被区域的图像和植被光谱反射率数据；将图像和植被光谱反射率数据进行预处理；采用最大类方差法将预处理后的图像分割为植被和土壤两个部分，并从分割后的图像中提取植被覆盖度数据；采用波段运算法将预处理后的植被光谱反射率数据进行植被指数计算，获取植被指数数据；根据植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型，并根据基于机器学习的多元回归线性估算模型得到待监测植被区域的植被生物量数据。本发明根据植被覆盖度和植被指数，并融合机器学习技术建立植被生物量多元回归线性估算模型，精度高且适应性强。

技术领域

本发明涉及植被生物量监测领域，特别是涉及一种基于机器学习的植被生物量自动监测方法及系统。

背景技术

单位面积内的草原生物量是草原生态系统最重要的特征指标之一，也是草原畜牧业生产和经营管理的重要基础。近些年来，各种遥感数据已经普遍在不同地域尺度的植被生物量变化监测研究中被应用。很多学者将遥感技术应用于草地生物量的估算，建立了许多草地遥感生物量估产模型。马文红等基于全国样地调查的地上、地下生物量资料和1982-2006年的卫星遥感数据，建立了基于AVHRR-NDVI的对数地上生物量估算模型，估算了中国北方草地生物量碳库及其空间分布。Psomas等利用生物量采样数据与野外采集的冠层光谱数据，研究分析了生物量的光谱敏感波段以及尺度转换问题，得出使用对植被冠层水分含量敏感的窄波段所构建的类似与NDVI的植被指数可以较好的估算草地地上生物量。

目前生物量监测主要依赖人员实地监测，即在草地生物量监测工作中，通过派遣人员的方式实地对草地生物量进行测量。然而，这种实地监测的方法取得的调查数据具有间断性，无法取得连续性的生态环境监测数据，容易遗漏各类关键性时期的草地生物量数据。其次，工作成本过高，工作人员需要完成大量的外业作业，容易出现人身伤亡事故。最后，虽然能够通过采用大量的统计学知识得到生态环境监测数据，但其精准度会受到多种自然因素的影响，导致取得的结果无法使用。

发明内容

本发明的目的是提供一种基于机器学习的植被生物量自动监测方法及系统，通过图像和植被光谱反射率数据获取植被覆盖度和植被指数，并融合机器学习技术建立植被生物量多元回归线性估算模型，精度高且适应性强。

为实现上述目的，本发明提供了如下方案：

一种基于机器学习的植被生物量自动监测方法，包括：

采集待监测植被区域的图像和植被光谱反射率数据；

对所述图像和植被光谱反射率数据进行预处理；

采用最大类方差法将预处理后的图像中的植被和土壤进行分割，并根据分割后的植被图像和土壤图像分别与预处理后的图像的面积比例确定植被覆盖度数据；

采用波段运算法，基于预处理后的植被光谱反射率数据计算植被指数数据；

根据所述植被覆盖度数据和植被指数数据建立基于机器学习的多元回归线性估算模型，并根据所述基于机器学习的多元回归线性估算模型得到待监测植被区域的植被生物量数据。

可选地，还包括：将所述待监测植被区域的图像和植被光谱反射率数据、所述植被覆盖度数据、所述植被指数数据与所述待监测植被区域的植被生物量数据的实时数据和历史数据均进行存储。

可选地，所述植被光谱反射率数据包括近红外光谱反射率和红光光谱反射率；所述植被指数数据包括差值植被指数、比值植被指数和归一化植被指数；

所述植被指数数据计算公式如下：

DVI＝NIR-R

RVI＝NIR/R

NDVI＝(NIR-R)/(NIR+R)