一种基于多源数据的植被指数融合方法与流程

1.本发明涉及生态遥感技术领域，具体涉及一种基于多源数据的植被指数融合方法。


背景技术：

2.植被覆盖度是表征地表植被覆盖程度的重要指标，与地表植被覆盖度、水土流失、土地沙化和全球气候变化等关系密切，是生态环境变化、全球及区域气候模型的重要参数。因此，获取更高时空分辨率的地表植被覆盖度及其变化信息，对于揭示地表空间变化规律，探讨变化的驱动因子，分析评价区域生态环境具有重要现实意义。


技术实现要素：

3.针对现有技术中的上述不足，本发明提供的一种基于多源数据的植被指数融合方法解决了地表植被覆盖度的时空分辨率和估算精度不高的问题。
4.为了达到上述发明目的，本发明采用的技术方案为：一种基于多源数据的植被指数融合方法，包括以下步骤：
5.s1、获取研究区域野外植被覆盖度数据集，采用地理回归加权模型对野外植被覆盖度数据集进行空间栅格化处理，得到野外植被覆盖度栅格数据集；
6.s2、获取研究区域影响地表植被覆盖度的相关数据，并基于该相关数据对生物地球化学模型biome
‑
bgc进行校准，得到日尺度的植被覆盖度栅格数据集；
7.s3、获取研究区域terra卫星的avhrr和modis传感器采集的植被覆盖度，并对植被覆盖度进行尺度转换，得到旬尺度的植被覆盖度栅格数据集；
8.s4、根据野外植被覆盖度栅格数据集、日尺度的植被覆盖度栅格数据集和旬尺度的植被覆盖度栅格数据集，构建并求解植被指数融合模型，实现对多源植被数据的融合。
9.进一步地，步骤s2中相关数据包括：土壤深度数据、土壤沙土含量数据、土壤粉土含量数据、土壤黏土含量数据、dem数据、经纬度坡度数据和坡向数据。
10.进一步地，步骤s4中植被指数融合模型为：
[0011][0012]
vfc
ys
＝a
y
×
vfc
y
β
y
[0013]
vfc
zs
＝a
z
×
vfc
z
β
z
[0014][0015][0016][0017][0018]
其中，vfc
true
为真实地表植被覆盖度，vfc
xs
为归一化后的野外植被覆盖度栅格数据，vfc
ys
为归一化后的日尺度的植被覆盖度栅格数据，vfc
zs
为归一化后的旬尺度的植被覆盖度栅格数据，vfc
x
为野外植被覆盖度栅格数据，vfc
y
为日尺度的植被覆盖度栅格数据，vfc
z
为旬尺度的植被覆盖度栅格数据，a
y
和β
y
为日尺度的植被覆盖度栅格数据vfc
y
的归一化系数，a
z
和β
z
为旬尺度的植被覆盖度栅格数据vfc
z
的归一化系数，为野外植被覆盖度栅格数据vfc
x
的标准差，为日尺度的植被覆盖度栅格数据vfc
y
的标准差，为旬尺度的植被覆盖度栅格数据vfc
z
的标准差，为野外植被覆盖度栅格数据vfc
x
的均值，为日尺度的植被覆盖度栅格数据vfc
y
的均值，为旬尺度的植被覆盖度栅格数据vfc
z
的均值，ω1为归一化后的野外植被覆盖度栅格数据的归一化权重，ω2为归一化后的日尺度的植被覆盖度栅格数据的权重，ω3为归一化后的旬尺度的植被覆盖度栅格数据的权重。
[0019]
综上，本发明的有益效果为：
[0020]
一种基于多源数据的植被指数融合方法，基于野外调查数据利用栅格数据集1，利用校准与验证后的biome
‑
bgc模型对生成栅格数据集2，利用terra卫星avhrr和modis传感器影像生产栅格数据集3。然后，借助一种不确定性估计的方法(triple
‑
collocation)方法分别估计三个植被覆盖度数据集的误差方差，在改进的最小二乘法原理的基础上对三个数据集进行融合分析，实现星
‑
地多源植被数据的数据融合。得到结果优于单独使用一种结果的估算精度，得到长时间序列数据的支持，提高了地表植被覆盖度的时空分辨率和估算精度，为精细化的区域生态环境变化、其区域气候模型提供了更精准的数据支持。
附图说明
[0021]
图1为一种基于多源数据的植被指数融合方法的流程图。
具体实施方式
[0022]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0023]
如图1所示，一种基于多源数据的植被指数融合方法，包括以下步骤：
[0024]
s1、获取研究区域野外植被覆盖度数据集，采用地理回归加权模型对野外植被覆盖度数据集进行空间栅格化处理，得到野外植被覆盖度栅格数据集；
[0025]
在本实施例中步骤s1具体为：
[0026]
内蒙古162个站点的观测数据，对数据进行空间化，整理区域野外站点调查数据，引入dem和经纬度作为解释变量，采用地理加权回归模型对区域植被覆盖度进行栅格化，得到野外植被覆盖度栅格数据集。
[0027]
s2、获取研究区域影响地表植被覆盖度的相关数据，并基于该相关数据对生物地球化学模型biome
‑
bgc进行校准，得到日尺度的植被覆盖度栅格数据集；
[0028]
步骤s2中相关数据包括：土壤深度数据、土壤沙土含量数据、土壤粉土含量数据、土壤黏土含量数据、dem数据、经纬度坡度数据和坡向数据。
[0029]
在本实施例中步骤s2具体为：
[0030]
对biome_bgc模型进行参数本地化，其中，所需输入的栅格气象数据获取方法为apsim插值方法，数据源为站点气象观测数据，插值后的空间分辨率为0.5km
×
0.5km。利用校准验证后的biome_bgc模型模拟日尺度的植被覆盖度栅格数据集。
[0031]
s3、获取研究区域terra卫星的avhrr和modis传感器采集的植被覆盖度，并对植被覆盖度进行尺度转换，得到旬尺度的植被覆盖度栅格数据集；
[0032]
在本实施例中，步骤s3中植被覆盖度的数据来源为：terra卫星的modis的植被覆盖度(fractional vegetation cover,fvc)数据和数字高程(data elevation model,dem)数据。
[0033]
遥感植被覆盖度数据由基于机器学习方法训练出从预处理的反射率到fvc值的关系模型得到，通过聚合分组对数据重采样得到旬值植被覆盖度。数据源为terra卫星的avhrr和modis传感器的反射率和植被覆盖度产品，时间分辨率为8天，全年共监测46次。植被覆盖度遥感数据集时间范围为2000～2015年，采用sin投影方式，空间分辨率为0.5km
×
0.5km。
[0034]
s4、根据野外植被覆盖度栅格数据集、日尺度的植被覆盖度栅格数据集和旬尺度的植被覆盖度栅格数据集，构建并求解植被指数融合模型，实现对多源植被数据的融合。
[0035]
在本实施例步骤s4具体为：
[0036]
利用triple
‑
collocation(tc)方法，分别对3种数据集进行误差估计，为了避免误差估计过程中的数值问题，选取每个独立数据集的样本数大于100。将3种数据在时间和空间上整理排序后，使相同时间，相同空间格网点上3个地表植被覆盖度的数据均存在，再构建植被指数融合模型，并采用改进的最小二乘法确定植被指数融合模型中的权重ω1、ω2和ω3。
[0037]
步骤s4中植被指数融合模型为：
[0038]
[0039]
vfc
ys
＝a
y
×
vfc
y
β
y
[0040]
vfc
zs
＝a
z
×
vfc
z
β
z
[0041][0042][0043][0044][0045]
其中，vfc
true
为真实地表植被覆盖度，vfc
xs
为归一化后的野外植被覆盖度栅格数据，vfc
ys
为归一化后的日尺度的植被覆盖度栅格数据，vfc
zs
为归一化后的旬尺度的植被覆盖度栅格数据，vfc
x
为野外植被覆盖度栅格数据，vfc
y
为日尺度的植被覆盖度栅格数据，vfc
z
为旬尺度的植被覆盖度栅格数据，a
y
和β
y
为日尺度的植被覆盖度栅格数据vfc
y
的归一化系数，a
z
和β
z
为旬尺度的植被覆盖度栅格数据vfc
z
的归一化系数，为野外植被覆盖度栅格数据vfc
x
的标准差，为日尺度的植被覆盖度栅格数据vfc
y
的标准差，为旬尺度的植被覆盖度栅格数据vfc
z
的标准差，为野外植被覆盖度栅格数据vfc
x
的均值，为日尺度的植被覆盖度栅格数据vfc
y
的均值，为旬尺度的植被覆盖度栅格数据vfc
z
的均值，ω1为归一化后的野外植被覆盖度栅格数据的归一化权重，ω2为归一化后的日尺度的植被覆盖度栅格数据的权重，ω3为归一化后的旬尺度的植被覆盖度栅格数据的权重。
[0046]
改进的最小二乘法是指：对于三种植被覆盖度数据，其中，野外植被覆盖度栅格数据较准，所以不对三种数据集同时使用最小二乘法求得最优解，而是对日尺度的植被覆盖度栅格数据集和旬尺度的植被覆盖度栅格数据集先使用最小二乘法进行求解权重ω2和ω3，获得ω2与ω3的比值，再使用日尺度的植被覆盖度栅格数据集和旬尺度的植被覆盖度栅格数据集融合后的影像再与野外植被覆盖度栅格数据，求解权重ω1和(ω2 ω3)，最后对ω1、ω2和ω3进行归一化获得权重ω1、ω2和ω3，即可以融合得到的星
‑
地多源地表植被覆盖度的融合结果，数据质量较比单一来源的植被覆盖度数据质量更好，能更好的反映真实的地表植被覆盖度，具有较好的应用前景。