一种基于hj-ccd影像的浅水湖泊水生植物快速监测方法
【专利摘要】本发明提供了一种基于资源环境一号小卫星（HJ-CCD）影像的浅水湖泊水生植物快速监测方法，其包括以下步骤：1）获取研究区的HJ-CCD影像，并进行预处理；2）根据研究区HJ-CCD影像，计算挺水植物敏感特征指数；3）对研究区HJ-CCD影像进行主成分变换，获取浮叶植物敏感特征；4）对研究区HJ-CCD影像进行缨帽变换，获取沉水植物敏感特征指数；5）根据研究区影像同步的实测数据，确定、和识别不同水生植物的阈值，提出判别条件；6）根据判别条件建立决策树分类模型，生成浅水湖泊水生植物监测结果图。本发明能够快速、实时、大范围和高精度的识别和监测不同种类水生植物的空间分布。
【专利说明】—种基于HJ-CCD影像的浅水湖泊水生植物快速监测方法
【技术领域】
[0001]本发明属于遥感应用领域，涉及一种浅水湖泊水生植物的遥感快速监测方法。
【背景技术】
[0002]水生植物是湖泊生态系统重要的组成部分，也是湖泊生态系统的重要调节者和指示者。水生植物的实时、快速监测对湖泊生态系统生态功能的评估具有指导意义，同时，对浊水态湖泊生态系统的修复和水生植物的打捞等具有重要的现实意义。
[0003]目前水生植物的监测方法仍然沿用人工样方、样线调查法，其费时费力、监测范围和样本量有限，监测难度大(很多水生植物生长的地方人很难到达)，无法快速、实时、大面积的获取水生植物的类型和分布状况；因此，提出一种基于环境资源小卫星(HJ-CXD)影像的浅水湖泊水生植物快速监测方法，，开展浅水湖泊水生植物类型和分布的快速、实时、大范围和高精度的识别和监测势在必行。
【发明内容】
[0004]为了解决传统水生植物监测方法代表性、时效性差；费时费力、监测范围和样本量有限，监测难度大等问题和不足，本发明的提供了一种基于HJ-CCD影像的浅水湖泊水生植物快速监测方法，所述水生植物包括挺水植物、浮叶植物和沉水植物，其包括以下步骤:
[0005]步骤一、获取研究区HJ-CXD影像，并进行预处理；
[0006]步骤二、根据所述研究区HJ-CXD影像，计算挺水植物敏感特征指数EVSI ；
[0007]步骤三、分别对所述研究区HJ-CCD影像进行主成分变换，获取浮叶植物敏感特征指数FVSI ；
[0008]步骤四、对所述研究区HJ-CCD影像进行缨帽变换，获取沉水植物敏感特征指数SVSI ；
[0009]步骤五、根据所述研究区HJ-CCD影像同步的实测数据，确定EVS1、FVSI和SVSI的阈值，并得到判别条件；
[0010]步骤六、根据判别条件建立决策树分类模型，生成浅水湖泊水生植物监测结果，并利用实测数据进行验证。
[0011]其中，所述步骤一中的影像预处理包括辐射校正、几何校正和研究区裁剪，其中所述辐射校正指辐射定标和大气校正。
[0012]其中，所述步骤二中的EVSI计算公式如下:
【权利要求】
1.一种基于HJ-C⑶影像的浅水湖泊水生植物快速监测方法，所述水生植物包括挺水植物、浮叶植物和沉水植物，其包括以下步骤: 步骤一、获取研究区HJ-CXD影像，并进行预处理； 步骤二、根据所述研究区HJ-CCD影像，计算挺水植物敏感特征指数EVSI ； 步骤三、分别对所述研究区HJ-CCD影像进行主成分变换，获取浮叶植物敏感特征指数FVSI ； 步骤四、对所述研究区HJ-CCD影像进行缨帽变换，获取沉水植物敏感特征指数SVSI ；步骤五、根据所述研究区HJ-CXD影像同步的实测数据，确定EVS1、FVSI和SVSI的阈值，并得到判别条件； 步骤六、根据判别条件建立决策树分类模型，生成浅水湖泊水生植物监测结果，并利用实测数据进行验证。
2.根据权利要求1所述的方法，所述步骤一中的影像预处理包括辐射校正、几何校正和研究区裁剪，其中所述辐射校正指辐射定标和大气校正。
3.根据权利要求1所述的方法，所述步骤二中的EVSI计算公式如下:
4.根据权利要求1所述方法，所述步骤三中的FVSI计算公式如下:
FVSI=PC2, 其中，PC2为研究区HJ-CXD影像主成分变换后的第二主成分。
5.根据权利要求4所述的方法，所述的PC2获取步骤如下:利用获取的研究区HJ-CCD影像，进行主成分变换，所述主成分变换的步骤如下: 步骤(a)、以矩阵的形式来表示多光谱影像的原始数据，则设获取的研究区HJ-CCD影像数据矩阵为X，如下:
6.根据权利要求1所述的方法，其特征在于，所述的步骤四的SVSI计算公式如下: SVSI=B1-GVi, 其中，BI为亮度指数，其为缨帽变换后的第一分量；GVI为绿度指数，其为缨帽变换后的第二分量。
7.根据权利要求6所述的方法，其特征在于，亮度指数BI和绿度指数GVI求算步骤如下: 通过以下公式进行缨帽变换: y=Cx+a ， α为表示常数偏移量，是为避免在变换过程中出现的负值；x为变换前的HJ-CCD多光谱影像的像元矢量；y为HJ-CCD变换后的多光谱影像的像元矢量；c为变换矩阵，如下:
8.根据权利要求1所述的方法，所述步骤六包括以下步骤: 步骤6.1、当研究区像元满足EVSI>a and D〈500m时，则被判别为挺水植物； 步骤6.2、在不满足步骤6.1的像元中进行判别，当FVSKb时，则被判别为浮叶植物；步骤6.3、在不满足步骤6.1和6.2中条件的像元中进行判别，当SVSKc时，则被判别为沉水植物； 步骤6.4、不满足以上三个步骤的条件的像元被判别为水体； 其中，D为离岸的距离；a为EVSI识别挺水植物的阈值，b为FVSI识别浮叶植物的阈值，c为SVSI识别沉水植物的阈值；a，b和c通过与影像同步的实测数据训练获取。
9.根据权利要求1所述的方法，水生植物监测精度利用总体精度和Kappa系数来评价，其计算公式如下: 总体分类精度
【文档编号】G01N21/25GK103913422SQ201410075696
【公开日】2014年7月9日 申请日期:2014年3月3日 优先权日:2014年3月3日
【发明者】罗菊花, 李鑫川, 许金朵, 林晨, 马荣华, 胡维平 申请人:中国科学院南京地理与湖泊研究所