[发明专利]多源遥感数据结合地理分区数据的植被覆盖度反演方法

说明书

本发明提出一种多源遥感数据结合地理分区数据的植被覆盖度反演方法，包括：基于中分辨率卫星遥感数据得到多光谱波段地表反射率数据；基于高分辨率遥感数据得到植被和非植被分类数据；对所述分类数据计算得到植被覆盖度样本；利用所述植被覆盖度样本和所述地表反射率数据构建基于生态分区的随机森林反演模型；基于所述反演模型，对该生态分区内的所述地表反射率数据进行植被覆盖度反演，得到分景的植被覆盖度。本发明还对应提出一种系统。本发明能够通过对每个生态分区建立模型，能提高植被覆盖度反演精度和数据生产效率。

技术领域

本发明涉及，更具体地，涉及一种多源遥感数据结合地理分区数据的植被覆盖度反演方法。

背景技术

植被覆盖度是指植被在单位面积内植被冠层的垂直投影面积与土壤总面积之比。植被覆盖度是衡量植被状况的一个最重要的指标，在植被覆盖变化研究、生态环境调查、水土保持研究等方面，都有着极其广泛的应用。常用的植被覆盖度计算方法有：实测法，植被指数法，像元二分模型法，机器学习法等。实测法需要耗费大量的人力财力，且不易实现，可以借助遥感监测，利用遥感技术的手段来获取植被覆盖度。植被指数法和像元二分模型法均是利用多光谱或高光谱遥感影像进行植被覆盖度的估算。植被指数法是通过对区域植被状况进行分析，选择一种植被指数，对植被指数进行分级，用分级统计结果来估算植被覆盖度。像元二分模型法是把传感器观测到的信息分为植被和裸土两部分，估算植被覆盖度时植被指数多采用的是归一化植被指数。纯裸土和纯植被样本点的选择是像元二分法估算植被覆盖度的关键，直接影响到植被覆盖度的估算结果。不同影像的取值是不同的，即使是同一幅影像由于土壤、植被类型和空间分布的不同，纯植被和纯裸土的植被指数也是不同的，因此，依据经验值计算植被覆盖度，将小区域的纯植被和纯裸土的植被指数样本点应用到整个研究区域或者其他研究区域是不科学的。也有研究采用决策树、随机森林、神经网络等模型算法进行植被覆盖度反演，这类模型方法是非参数机器学习方法，通过对样本的训练建立模型，利用模型进行反演，机器学习方法除了核心算法之外，模型反演的精度也取决于样本的选取。对于区域乃至全球的长时序植被覆盖度反演，如何选择样本点，样本点的典型性直接决定了模型算法反演结果的精度。遥感技术的发展尤其是亚米级高分辨率遥感影像与中分辨率卫星遥感数据相结合为区域乃至全球长时序植被覆盖度产品高效反演提供了可能。

发明内容

针对背景技术中的问题，本发明的目的是针对现有大区域乃至全球范围长时序植被覆盖度反演的样本选择困难的特点，提供一种结合多源遥感数据和生态地理分区数据的植被覆盖度反演系统和方法。

本发明的多源遥感数据结合地理分区数据的植被覆盖度反演方法包括：基于中分辨率卫星遥感数据得到多光谱波段地表反射率数据；基于高分辨率遥感数据进行分类提取并计算得到植被覆盖度样本；利用所述植被覆盖度样本和所述地表反射率数据构建生态分区的随机森林反演模型；基于所述反演模型，对该生态分区内的所述地表反射率数据进行植被覆盖度反演，得到分景的植被覆盖度产品数据。

本发明的技术方案更适用于有历史存档以及能在线更新获取多尺度长时序多源多光谱遥感数据产品的遥感大数据中心，实现全球范围不同时间尺度的植被覆盖度产品在线更新发布。本发明通过检索不同生态分区的高分辨率和中低分辨率遥感影像数据，对两类影像数据进行大气校正、分类提取、样本采集、建模和反演，最终形成全球范围植被覆盖度产品。基于世界生态分区采用非参数机器学习方法-随机森林模型反演的植被覆盖度，通过对每个生态分区建立模型，能提高植被覆盖度反演精度和产品生产效率。

附图说明

为了更容易理解本发明，将通过参照附图中示出的具体实施方式更详细地描述本发明。这些附图只描绘了本发明的典型实施方式，不应认为对本发明保护范围的限制。

图1为本发明的方法的流程图。

图2为本发明的方法采用的RF训练过程的示意图。

具体实施方式