一种基于云平台的森林树种遥感精细分类方法与流程

1.本发明涉及森林树种分类方法技术领域，具体涉及一种基于云平台的森林树种遥感精细分类方法。


背景技术：

2.森林被喻为“地球之肺”，在调节气候、防风固沙、涵养水源、净化污染等方面起着至关重要的作用。树种组成和空间分布信息对森林资源调查和监测、蓄积量或生物量估算、森林干扰识别和生物多样性监测等方面具有重要意义。由于全球气候变暖及人类干扰等原因，森林火灾、病虫害和乱砍伐现象频繁发生，使得森林树种的组成和空间分布发生较大变化，导致森林生态功能的下降。因此，及时并准确地绘制森林树种空间分布图，是有效加强森林资源管理和林业生态文明建设的基础。
3.近年来，遥感技术已成为森林树种分类的有效方法。但是由于不同类型树种之间的高度相似性以及影像云覆盖问题给大面积范围的森林树种精细分类带来了极大困难。单时相的遥感影像难以捕捉不同树种间的物候差异，很难实现森林树种的高精度分类。
4.近几年，遥感数据云平台google earth engine的大范围使用，以及具有高时间分辨率(2-5天)和丰富光谱信息的哨兵-2号多光谱数据(sentinel-2msi)给大面积森林树种精细分类带来了新的机遇。现有技术中针对基于月合成、季合成和年合成影像在大面积多山地区森林树种分类方法中的应用并没有给出具体技术手段。


技术实现要素：

5.为了解决现有遥感技术无法快速实现大面积多山地区森林树种精细分类的问题，本发明提供一种基于云平台的森林树种遥感精细分类方法。
6.本发明为解决技术问题所采用的的技术方案如下：
7.本发明的一种基于云平台的森林树种遥感精细分类方法，包括以下步骤：
8.步骤一、通过野外调查的方法获取野外实测样点数据，基于野外实测样点数据，利用ecognition中的面向对象分类技术对样点数据附近的高分辨率遥感影像进行多尺度分割试验，以最佳分割尺度分割影像，同时叠加调查样方，以最佳分割尺度结果为基准，选取包含调查样方的同质性斑块作为扩充样本数据，将该数据作为森林树种分类参考数据；
9.步骤二、利用google earth engine云平台，筛选研究区三年内的sentinel-2 msi影像，选择b2、b3、b4、b5、b6、b7、b8、b8a、b11、b12共10个波段，形成影像集；
10.步骤三、计算影像集中每一景影像的归一化植被指数ndvi、增强型植被指数evi、归一化差异红外指数ndii和归一化燃烧比nbr，得到空间上的ndvi图像、evi图像、ndii图像和nbr图像，并分别将ndvi图像、evi图像、ndii图像和nbr图像作为单个波段，合并到原始影像中；
11.步骤四、利用google earth engine云平台中的median函数将所有影像分别进行月中值、季中值和年中值合成并叠加，得到三种中值合成影像；
12.步骤五、利用google earth engine云平台，获取研究区的dem数据，并分别提取高程、坡度和坡向因子图像，使用addbands函数将这三个地形因子分别合并到三个中值合成影像中，得到月、季、年三个数据集；
13.步骤六、基于月数据集和季数据集，利用随机森林中的不纯度降低作为重要性的度量，筛选变量重要性排名靠前的特征作为森林树种分类的输入数据；
14.步骤七、利用google earth engine云平台中的smilerandomforest分类器，结合森林树种分类参考数据，调整超参数实现smilerandomforest分类器的优化；
15.步骤八、利用优化后的smilerandomforest分类器分别进行森林树种的精细分类，并对模型进行精度验证和对比，以高精度的数据模型进行森林树种空间分布制图。
16.进一步的，步骤一中，利用面向对象分类技术和高分辨率遥感影像，对有限的野外实测样点数据进行扩充，增加森林树种分类参考样本数量。
17.进一步的，步骤二中，所述sentinel-2msi影像的云量小于20％。
18.进一步的，步骤三中，各指数计算公式为：
19.ndvi＝(p
nir-p
red
)/(p
nir
p
red
)
20.evi＝2.5*(p
nir-p
red
)/(p
nir
6*p
red-7.5*p
blue
1)
21.ndii＝(p
nir
–
p
swir1610
)/(p
nir
p
swir1610
)
22.nbr＝(p
nir
–
p
swir2190
)/(p
nir
p
swir2190
)
23.式中，p
blue
、p
red
、p
nir
、p
swir1610
和p
swir2190
分别表示蓝波段、红波段、近红外波段、中心波长为1610nm的短波红外、中心波长为2190nm的短波红外的反射率。
24.进一步的，步骤六中，筛选变量重要性排名前30的特征作为森林树种分类的输入数据，有效降低数据的冗余性和过拟合。
25.进一步的，步骤七中，所述超参数为number of tree参数。
26.本发明的有益效果是：
27.本发明的一种基于云平台的森林树种遥感精细分类方法，首先利用谷歌高分辨率遥感影像和面向对象分类技术扩充样本数据；其次利用google earth engine云平台筛选质量好的sentinel-2 msi影像；然后利用google earth engine云平台提供的median合成函数，对影像集中的所有影像进行月、季、年三个合成周期的像素级别的融合，分别融合了哨兵10个波段以及四个植被指数中值的像素，并使用addbands函数叠加地形因子生成了三种融合数据集；最后基于三种数据集优化随机森林分类器并进行树种分类和精度验证，获得了森林树种空间分布地图。
28.本发明克服了单季节遥感影像和有云覆盖遥感影像给大面积范围森林树种分类带来的困难，解决了大面积多山地区森林树种快速精细分类的问题。
29.本发明的一种基于云平台的森林树种遥感精细分类方法，快捷有效，提高了森林树种分类的精度和可信度，具有可重复性和鲁棒性，对森林树种分类及遥感制图具有重要意义。
附图说明
30.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
31.图1为具体实施方式一中的影像筛选结果。
32.图2为具体实施方式一中的月中值合成影像图。
33.图3为具体实施方式一中的变量重要性排名图。
34.图4为具体实施方式一中的森林树种精细分类结果。
具体实施方式
35.本发明的一种基于云平台的森林树种遥感精细分类方法，主要包括以下步骤：
36.步骤一、通过野外调查的方法获取野外实测样点数据，基于野外实测样点数据，利用ecognition中的面向对象分类技术对样点数据附近的高分辨率遥感影像进行多尺度分割试验，以最佳分割尺度分割影像，同时叠加调查样方，以最佳分割尺度结果为基准，选取包含调查样方的同质性斑块作为扩充样本数据，将该数据作为森林树种分类参考数据。
37.步骤二、利用google earth engine云平台，筛选研究区三年内的sentinel-2 msi影像，选择b2、b3、b4、b5、b6、b7、b8、b8a、b11、b12共10个波段，形成影像集。
38.步骤三、计算影像集中每一景影像的归一化植被指数ndvi、增强型植被指数evi、归一化差异红外指数ndii和归一化燃烧比nbr，得到空间上的ndvi图像、evi图像、ndii图像和nbr图像，并分别将ndvi图像、evi图像、ndii图像和nbr图像作为单个波段，合并到原始影像中；
39.各指数计算公式为：
40.ndvi＝(p
nir-p
red
)/(p
nir
p
red
)
41.evi＝2.5*(p
nir-p
red
)/(p
nir
6*p
red-7.5*p
blue
1)
42.ndii＝(p
nir
–
p
swir1610
)/(p
nir
p
swir1610
)
43.nbr＝(p
nir
–
p
swir2190
)/(p
nir
p
swir2190
)
44.式中，p
blue
、p
red
、p
nir
、p
swir1610
和p
swir2190
分别表示蓝波段、红波段、近红外波段、中心波长为1610nm的短波红外、中心波长为2190nm的短波红外的反射率。
45.步骤四、利用google earth engine云平台中的median函数将所有影像分别进行月中值、季中值和年中值合成并叠加，得到三种中值合成影像。
46.步骤五、利用google earth engine云平台，获取研究区的dem数据，并分别提取高程、坡度和坡向因子图像，使用addbands函数将这三个地形因子分别合并到三个中值合成影像中，得到月、季、年三个数据集。
47.步骤六、基于月数据集和季数据集，利用随机森林中的不纯度降低作为重要性的度量，筛选变量重要性排名靠前的特征作为森林树种分类的输入数据。
48.步骤七、利用google earth engine云平台中的smilerandomforest分类器，结合森林树种分类参考数据，调整超参数实现smilerandomforest分类器的优化。
49.步骤八、利用优化后的smilerandomforest分类器分别进行森林树种的精细分类，并对模型进行精度验证和对比，以高精度的数据模型进行森林树种空间分布制图。
50.具体实施方式一
51.本发明的一种基于云平台的森林树种遥感精细分类方法，应用于吉林省白山市抚松县露水河区域内的森林树种精细分类，具体包括以下步骤：
52.(1)通过野外调查的方法获取野外实测样点数据，基于野外实测样点数据，利用
ecognition中的面向对象分类技术对样点数据附近的谷歌高分辨率遥感影像进行多尺度分割试验，以最佳分割尺度分割影像，同时叠加调查样方，以最佳分割尺度结果为基准，选取包含调查样方的同质性斑块作为扩充样本数据，将该数据作为森林树种分类参考数据。
53.利用面向对象分类技术和高分辨率遥感影像，对有限的野外实测样点数据进行扩充，可以增加森林树种分类参考样本数量。
54.(2)利用google earth engine云平台，筛选吉林省露水河林业局2018～2020年这三年内且云量少于15％的sentinel-2msi影像，选择b2、b3、b4、b5、b6、b7、b8、b8a、b11、b12共10个波段，形成一个影像集，经过计算，该区域三年内共有520景符合条件的影像，影像筛选结果如图1所示。
55.(3)计算影像集中每一景影像的归一化植被指数(ndvi)、增强型植被指数(evi)、归一化差异红外指数(ndii)和归一化燃烧比(nbr)，得到空间上的ndvi图像、evi图像、ndii图像和nbr图像，并分别将ndvi图像、evi图像、ndii图像和nbr图像作为单个波段，合并到原始影像中，每一景影像均包含14个波段。
56.其中，上述各指数的计算公式如下；
57.ndvi＝(p
nir-p
red
)/(p
nir
p
red
)
58.evi＝2.5*(p
nir-p
red
)/(p
nir
6*p
red-7.5*p
blue
1)
59.ndii＝(p
nir
–
p
swir1610
)/(p
nir
p
swir1610
)
60.nbr＝(p
nir
–
p
swir2190
)/(p
nir
p
swir2190
)
61.式中，p
blue
表示蓝波段的反射率；p
red
表示红波段的反射率；p
nir
表示近红外波段的反射率；p
swir1610
表示中心波长为1610nm的短波红外的反射率；p
swir2190
表示中心波长为2190nm的短波红外的反射率。
62.上述指数中，除了使用evi和ndvi，还使用了nbr和ndii两个指数，这两个指数能够反应出短波红外对叶片含水量的敏感程度。
63.(4)利用google earth engine云平台中的median函数将所有影像分别进行月中值、季中值和年中值合成并叠加生成1景影像，得到三种中值合成影像；这三种中值合成影像分别包含168个波段、56个波段和14个波段。其中所得的影像月中值合成结果如图2所示。
64.通过对所有影像分别进行月中值、季中值和年中值合成，所得三种中值合成影像能够有效获取大面积山区基本无云覆盖影像，同时月中值合成影像能够充分考虑森林树种之间的微小物候差异，具备区分森林树种的能力。
65.(5)利用google earth engine云平台，获取研究区即吉林省白山市抚松县露水河区域的dem数据，并分别提取高程、坡度和坡向因子图像，使用addbands函数将这三个地形因子分别合并到三个中值合成影像中，得到月、季、年三个数据集；月数据集、季数据集、年数据集分别包含171个波段、59个波段和17个波段。
66.由于加入了地形因子，能够影响森林树种的空间分布格局，尤其是多山地区和较大面积范围内。
67.(6)基于月数据集和季数据集，利用随机森林(rf)中的不纯度降低(mda)作为重要性的度量，筛选变量重要性排名前30的特征作为森林树种分类的输入数据，年数据集使用全部波段。其中，所获得的变量重要性排名如图3所示。
68.筛选变量重要性排名前30的特征作为森林树种分类的输入数据，能够有效降低数
据的冗余性和过拟合。
69.(7)利用google earth engine云平台中的smilerandomforest分类器，结合步骤(1)所得的森林树种分类参考数据，通过调整number oftree参数来优化smilerandomforest分类器，使分类器的效果达到最佳。
70.(8)利用优化后的smilerandomforest分类器分别进行森林树种的精细分类，并对模型进行精度验证和对比，以高精度的数据模型进行森林树种空间分布制图。所获得的森林树种精细分布结果如图4所示。
71.通过不同合成数据集模型分类精度的验证和对比，能够筛选出最好的数据建立的模型，实现森林树种空间分布最佳制图。
72.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。