一种基于遥感技术的森林资源动态变化预测方法
【专利摘要】本发明公开了一种基于遥感技术的森林资源动态变化预测方法，包括：通过卫星遥感技术获取待测森林资源的遥感图像，对遥感图像进行处理，提取与病虫害相关的参数指标；基于提取所得与病虫害相关的参数指标，建立针对森林资源病虫害变化情况的平滑指数预测模型；利用建立的平滑指数预测模型，对森林资源动态变化趋势进行预测。本发明所述基于遥感技术的森林资源动态变化预测方法，可以克服现有技术中检测效率低、实时性差和准确性差等缺陷，以实现检测效率高、实时性好和准确性好的优点。
【专利说明】一种基于遥感技术的森林资源动态变化预测方法
【技术领域】
[0001]本发明涉及图像处理【技术领域】，具体地，涉及一种基于遥感技术的森林资源动态变化预测方法。
【背景技术】
[0002]森林资源一直是处于一个动态的、变化的过程中，为了能够更好的掌握森林资源每一时刻的实际情况，往往需要对森林资源进行持续的监测。目前仍然是使用实地抽取考查的方法，或者应用遥感技术对森林资源的实施情况，都可以起到一定监测作用。然而无论使用哪一种森林资源的监测方式，其对森林资源的变化情况都有一定的滞后性。
[0003]采用实地考查的森林资源监测方法在对大面积森林资源抽样检查时效率较低，对森林资源状况的监测实时性较差，而应用遥感技术对森林资源进行监测，其实施性相对较好，但这种监测方式很大程度取决于遥感技术的分辨率，以及对森林资源特征参数提取的准确性。然而即便是如此，森林资源的变化往往趋势，由于不能够预先进行预测，因此采用实时监测的方式对森林资源进行管理，缺乏管理的前瞻性。而且由于森林资源的变化是一个缓慢的由量变到质变的过程，因此对森林资源进行监测，如果缺乏前瞻性，会导致对森林资源健康状态以及可持续发展，缺乏管理的预见性，不利用森林资源的科学的可持续发展。
[0004]因此目前急需采用一些技术手段对森林资源的变化情况，在实时监测基础上进行提前分析和预测，以便森林资源的管理能够提早部署。需要有针对性的对森林资源变化趋势进行引导和控制，提高森林资源的可持续发展程度。
[0005]在实现本发明的过程中，发明人发现现有技术中至少存在检测效率低、实时性差和准确性差等缺陷。
【发明内容】
[0006]本发明的目的在于，针对上述问题，提出一种基于遥感技术的森林资源动态变化预测方法，以实现检测效率高、实时性好和准确性好的优点。
[0007]为实现上述目的，本发明采用的技术方案是:一种基于遥感技术的森林资源动态变化预测方法，包括:
[0008]a、通过卫星遥感技术获取待测森林资源的遥感图像，对遥感图像进行处理，提取与病虫害相关的参数指标；
[0009]b、基于提取所得与病虫害相关的参数指标，建立针对森林资源病虫害变化情况的平滑指数预测模型；
[0010]C、利用建立的平滑指数预测模型，对森林资源动态变化趋势进行预测。
[0011]进一步地，在步骤C之后，还包括:
[0012]d、在利用平滑指数预测模型对森林资源动态变化情况预测的过程中，通过人为输入已知的森林资源健康指标，对平滑指数预测模型进行自适应修复；在对平滑指数预测模型自适应修复过程中，自动调整平滑指数预测模型中的控制因子，对当前预测结果进行修正。
[0013]进一步地，所述步骤d，具体包括:
[0014]dl、计算当前预测值与采样值之间的误差，连续统计N次预测误差，计算N次误差的平均值，N为自然数；
[0015]d2、基于计算得到的N次误差的平均值，计算单次误差与误差平均值的比值，选取修正差值ξ，在控制因子a的基础上分别加上或减去ξ ；
[0016]d3、计算控制因子a、控制因子a加上ξ、以及控制因子a减去ξ的三个不同控制因子得到的误差比值，选取误差比值最小的控制因子，作为修正后的新的控制因子。
[0017]进一步地，在步骤d3中，所述计算控制因子a、控制因子a加上ξ、以及控制因子a减去ξ的三个不同控制因子得到的误差比值的操作中，所用的修正公式如下:
[0018]
【权利要求】
1.一种基于遥感技术的森林资源动态变化预测方法，其特征在于，包括: a、通过卫星遥感技术获取待测森林资源的遥感图像，对遥感图像进行处理，提取与病虫害相关的参数指标； b、基于提取所得与病虫害相关的参数指标，建立针对森林资源病虫害变化情况的平滑指数预测模型； C、利用建立的平滑指数预测模型，对森林资源动态变化趋势进行预测。
2.根据权利要求1所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，在步骤c之后,还包括: d、在利用平滑指数预测模型对森林资源动态变化情况预测的过程中，通过人为输入已知的森林资源健康指标，对平滑指数预测模型进行自适应修复；在对平滑指数预测模型自适应修复过程中，自动调整平滑指数预测模型中的控制因子，对当前预测结果进行修正。
3.根据权利要求2所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，所述步骤d，具体包括: dl、计算当前预测值与采样值之间的误差，连续统计N次预测误差，计算N次误差的平均值，N为自然数； d2、基于计算得到的N次误差的平均值，计算单次误差与误差平均值的比值，选取修正差值ξ，在控制因子a的基础上分别加上或减去ξ ； d3、计算控制因子a、控制因子a加上ξ、以及控制因子a减去ξ的三个不同控制因子得到的误差比值，选取误差比值最小的控制因子，作为修正后的新的控制因子。
4.根据权利要求3所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，在步骤d3中，所述计算控制因子a、控制因子a加上ξ、以及控制因子a减去ξ的三个不同控制因子得到的误差比值的操作中，所用的修正公式如下:
5.根据权利要求1-4中任一项所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，在步骤a中，所述提取与病虫害相关的参数指标的操作，主要包括:al、基于待测森林资源外部形态的变化，提取与病虫害相关的参数指标； a2、基于待测森林资源生理形态的变化，提取与病虫害相关的参数指标。
6.根据权利要求5所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，所述步骤al，具体包括: 基于提取的参数指标，获取待测森林资源外部形态的变化情况； 基于获取的待测森林资源外部形态的变化情况，记录森林落叶情况； 基于记录的森林落叶情况，获取卷叶情况； 基于获取的卷叶情况，获取叶片被吞食的情况； 基于获取的叶片被吞食情况，获取冠层形态的变化情况。
7.根据权利要求5所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，所述步骤a2，具体包括: 基于提取的参数指标，获取待测森林资源生理形态的变化情况； 基于获取的待测森林资源生理形态的变化情况，获取光合作用能力的变化情况； 基于获取的光合作用能力 变化情况，获取水份的吸收和转换能力的变化情况； 基于获取的水份的吸收和转换能力的变化情况，获取森林资源光谱信息的变化情况； 基于获取的森林资源光谱信息的变化情况，获取冠层形态的变化情况。
8.根据权利要求1-4中任一项所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，在步骤b中，建立的针对森林资源病虫害变化情况的平滑指数预测模型的数学表达式如下:
S (X) = a f (X) + (1- a ) S (χ-1)； 其中，S(x)表示当前经过平滑指数预测模型之后的输出值，f(x)表示当前时刻的真实值，S(X-1)表示预测的上一时刻模型输出值，α表示平滑指数模型系数； 该平滑指数预测模型，其初始状况是通过大量已知数据训练得到；在训练过程中，需要输入一系列的森林资源遥感卫星图片，以及该图片所对应的森林资源指标数据，而且所输入的森林资源指标数据应该覆盖森林资源各种健康状况情况；通过这些数据的训练获得平滑指数预测模型中各预测因子即控制因子。
【文档编号】G06F19/00GK103745087SQ201310701823
【公开日】2014年4月23日 申请日期:2013年12月18日 优先权日:2013年12月18日
【发明者】黄寿昌, 刘有莲, 潘大庆, 蔡朝容, 黄力 申请人:广西生态工程职业技术学院