基于多源遥感数据融合的陆生植物生态环境监测方法与流程

本发明涉及生态环境监测领域，特别涉及基于多源遥感数据融合的陆生植物生态环境监测方法。

背景技术：

目前，我国生态环境监测网络存在范围和要素覆盖不全，建设规划、标准规范与信息发布不统一，信息化水平和共享程度不高，监测与监管结合不紧密，监测数据质量有待提高等突出问题，难以满足生态文明建设需要，影响了监测的科学性、权威性和政府公信力，必须加快推进生态环境监测网络建设。

同时随着近年来，无人机系统向民用化、小型化、模块化发展，使其操作更加简便、稳定性更高、可定制程度更高，大部分机型均已达到了工业应用的标准。同时，无人机低空遥感较卫星遥感拥有更高的空间分辨率，更灵活的作业时间，更丰富的产品成果，更高效的数据处理流程，受大气影响较小，具有良好的应用前景。另一方面，计算机软硬件技术的飞速发展，在无人机系统发展和市场需求的带动下，功能强大的图形和数据处理软件层出不穷，在航拍影像数据处理方面有了长足的进步，使得大规模图像数据的快速处理、提取和应用成为可能。

本发明基于无人机低空遥感影像和卫星影像的数据融合，运用面向对象分类方法对研究区植被进行识别和分类，充分挖掘无人机高分辨率影像和卫星多光谱影像对植被的识别、分类的潜力，进一步拓展无人机低空遥感技术在陆生植物生态监测方面的应用。

技术实现要素：

本发明要解决的技术问题是：提供一种基于多源遥感数据融合的陆生植物生态环境监测方法，用以更加高效地实现目标区域植被类型的识别、分类和动态监测。

为解决上述问题，本发明采用的技术方案是：基于多源遥感数据融合的陆生植物生态环境监测方法，包括如下步骤：

步骤1、以无人机搭载可见光相机对目标区域陆生植物进行垂直拍摄，拍摄的影像须具有一定的重叠度；

步骤2、对监测目标区域获取的不同角度、高程的多幅原始影像照片进行坐标系配准、区域整体平差和多视角影像密集匹配；

步骤3、对匹配后的影像进行图像点云数据提取；

步骤4、根据图像点云数据生成tin三角网，再进行纹理贴图，从而实现待检测区域的三维模型重建，生成待检测区域的dsm数字表面模型；

步骤5、通过卫星遥感获取跟无人机航拍时间相对应的目标区域的光谱遥感影像；

步骤6、对获取的目标区域的光谱遥感影像进行预处理；

步骤7、将预处理后的卫星遥感影像与无人机遥感三维建模生成的dsm数字表面模型进行波段和影像融合，在保留影像光谱波段和信息的同时，提高影像的空间分辨率，增加影像的高层数据波段；

步骤8、对融合后的影像进行自动计算和分割，输出最优分割尺度；

步骤9、按照实际陆生植物生态环境监测的要求和原则，综合光谱信息、影像纹理、图形结构和高层数据对输出的最优分割尺度进行微调和修正，得出适合目标区域陆生植物生态环境监测实际最优的分割尺度；

步骤10、依据陆生植物生态环境监测植被分类的类型，结合光谱信息、影像纹理、形状结构和高层数据信息，确定参与面向对象分类的特征参数指标；

步骤11、利用步骤10选出的特征参数指标，对目标区域陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类；

步骤12、对监督分类后的目标区域的植被分类类别进行提取；

步骤13、采用基于位置信息的精度评价方法，按照混淆矩阵精度评定的样本个数计算公式计算出保证评价精度下的检查点个数；

步骤14、按照实际采样点选取的难易度和清晰度，在确保满足评价精度最低数量要求的基础上，确定实际的检验点测量数目，并按照数目和相应的要求进行检验点的实地测量和统计；

步骤15、构建混淆矩阵，计算总分类精度和kappa系数，对模型的分类精度进行评价，确保分类的精度是否满足实际陆生植物生态环境监测和调查结果；

步骤16、在满足分类精度的融合影像上按照分类类型提取各类植被的面积大小和分布情况；

步骤17、按照上诉1-16的步骤计算同一目标区域的第二期影像，得出第二期的各植被类型的面积大小和分布情况；

步骤18、将两期的分类结果进行叠加对比分析，计算出不同植被类型的动态变化范围和面积，对陆生植物生态环境监测的数据定量化工作提供技术支持。

进一步的，步骤1在拍摄时，纵向重叠度≥60％，旁向重叠度≥30％。

进一步的，步骤2还可包括：

步骤201、系统利用倾斜摄影建模软件对多幅初始影像照片进行处理；

步骤202、利用rtk已测的控制点对影像进行坐标系配准；

步骤203、倾斜摄影软件对影像进行区域整体平差和多视角影像密集匹配。

进一步的，步骤4中，利用倾斜摄影软件对影像中提取的密集点云进一步生产tin三角网，然后进行纹理贴图，生产dsm数字表面模型，再导出dom数字正摄影像和dem数字高程模型。

进一步的，步骤6对获取的目标区域的光谱遥感影像进行预处理可包括：辐射校正、几何校正、影像镶嵌与影像裁剪。预处理时：

针对原始卫星遥感多(高)光谱影像需进行辐射校正(辐射定标、大气校正、地形辐射校正)和几何校正，保证影像光谱和几何信息的准确性；

按照无人机遥感航拍面积进行卫星遥感多(高)光谱影像的拼接和裁剪，保证目标区域的范围一致。

进一步的，步骤7中，可先将卫星遥感光谱影像数据的光谱波段与全色波段进行融合，提高光谱波段的空间分辨率；再将光谱波段与全色波段融合后的卫星遥感光谱影像与无人机遥感构建的数字正射影像dom进行融合，保留影像光谱波段和信息的同时，进一步提高影像的空间分辨率，同时增加影像的高层数据波段。

进一步的，步骤8中，可以根据esp多尺度分割评价工具对融合后的影像进行自动计算和分割。

进一步的，步骤10可采用最邻近法进行监督分类。

进一步的，步骤10中，光谱信息可包括ndvi指数、lai指数、叶片叶绿素含量、叶片水分含量、多个光谱波段的brightness亮度值、std对象波段标准差及相关反射属性；影像纹理可包括影像贴图的真实纹理细节；形状结构可包括borderindex边界指数、density密度以及length/width长宽比。

进一步的，步骤15中，可利用面向对象分类软件生产的影像误差矩阵进行计算，得出生产者精度、用户精度、总分类精度和kappa系数。

本发明的有益效果是：本发明中，无人机低空遥感技术具备时效性强、精度高、范围广和无接触测量等优势。构建的三维模型能精确的测量体积、面积和长度等指标，能输出dem数字高程模型、dom数字正射影像和dsm数字表面模型等通用格式的数据类型，具有可操作性强，设备成本较低，采样速率快、精度和分辨率高等特点；同时融合卫星遥感影像，使分类影像的特征指标更加全面和完善，包括了多(高)光谱信息、纹理图案、形状结构和高层数据等。

面向对象分类的方法能区别于传统的遥感影像分类方法，不再局限于单一的光谱识别和分类计数，加入了纹理图案、形状结构和高层数据等特征指标，并利用esp最优分割尺度分析工具，建立和制定不同目标区域影像下的最优分割尺度，利用其作为陆生植物生态环境监测分类处理技术在生态环境监测中具有明显的优势。

本发明基于多源遥感数据融合和面向对象分类等技术，大大提高了陆生植物生态环境监测工作中准确、高效、定量获取、分析、计算和处理不同植被监测指标数据的能力，同时也革命性的改变了监测成果的展示效果和方式。总体来说，基于无人机低空遥感、卫星遥感数据融合和面向对象分类的陆生植物生态监测技术的应用可以填补生态环境监测工作中对植被定量监测内容无常规监测方法和手段的技术空白，并大幅度提高了外业监测工作的自动化程度。

附图说明

图1是实施例的流程图。

具体实施方式

本发明针对现有技术中提出的卫星遥感单一数据源反演(多光谱、高光谱、激光雷达和合成孔径雷达)和野外实地调查等几种监测方法都存在适用性较差，准确性较低的问题，提供一种基于无人机低空遥感、卫星遥感数据融合和面向对象分类的陆生植物生态监测方法，第一，系统以固定翼无人机搭载可见光相机对目标区域按照设计航带、高度和架次进行垂直拍摄，同时采集均匀分布和不同高程的控制点。第二，系统对监测目标区域获取的不同角度、高程的多幅原始影像照片进行坐标系配准、区域整体平差和多视角影像密集匹配，生成密集点云，再进一步生成tin三角网，通过纹理贴图，生成待检测区域的真实三维模型dsm。第三，系统通过卫星遥感获取跟固定翼无人机航拍时间相对应的目标区域成像质量较好的多(高)光谱遥感影像，并进行辐射校正(辐射定标、大气校正、地形辐射校正)、几何校正、影像镶嵌与影像裁剪等预处理。第四，系统将预处理后的卫星遥感影像与无人机遥感三维建模生成的数字表面模型dsm进行波段和影像融合，在保留影像多(高)光谱波段和信息的同时，提高影像的空间分辨率，增加影像的高层数据波段。第五，系统根据esp(estimationofscaleparameter)多尺度分割评价工具对融合后的影像进行自动计算和分割，输出esp工具分析得出的最优分割尺度。并综合多(高)光谱信息、影像纹理、图形结构和高层数据对esp输出的最优分割尺度进行微调和修正，得出适合目标区域陆生植物生态环境监测实际最优的分割尺度。第六，系统依据陆生植物生态环境监测植被分类的类型(包括草本、灌木、乔木，其中乔木又进一步区分为几种典型的树种)，结合光谱信息、影像纹理、形状结构和高层数据等信息，确定参与面向对象分类的特征参数指标；采用最邻近法进行监督分类，对陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类和提取。第七，系统采用基于位置信息的精度评价方法和混淆矩阵，计算总分类精度和kappa系数对模型的分类精度进行评价。第八，系统在满足分类精度的融合影像上按照分类类型提取各类植被的面积大小和分布情况。第九，按照同样的方法处理同一目标区域的第二期影像，得出第二期的各植被类型的面积大小和分布情况。最后，对两期的分类结果进行叠加对比分析，计算出不同植被类型的动态变化范围和面积，对陆生植物生态环境监测的数据定量化工作提供技术支持。无人机低空遥感和面向对象分类技术具有可操作性强，设备成本较低，采样速率快、精度和分辨率均较高、无接触测量等优势，同时融合卫星遥感影像，使分类影像的特征指标更加全面和完善，包括了多(高)光谱信息、纹理图案、形状结构和高层数据等。利用其作为陆生植物生态环境监测分类处理技术在生态环境监测中具有明显的优势。总体来说，基于无人机低空遥感、卫星遥感数据融合和面向对象分类的陆生植物生态监测技术的应用可以填补生态环境监测工作中对植被定量监测内容无常规监测方法和手段的技术空白，并大幅度提高了外业监测工作的自动化程度。

实施例：

下面结合附图及实施例对本发明的技术方案作进一步描述，实施例仅仅是为了帮助读者更好地理解本发明的技术方案，并不用以限制本发明权利要求的保护范围。

本发明提供的基于多源遥感数据融合和面向对象分类等技术，大大提高了陆生植物生态环境监测工作中准确、高效、定量获取、分析、计算和处理不同植被监测指标数据的能力，同时也革命性的改变了监测成果的展示效果和方式。填补生态环境监测工作中对植被定量监测内容无常规监测方法和手段的技术空白，并大幅度提高了外业监测工作的自动化程度，为陆生植物生态环境监测信息化奠定坚实的基础。

如图1所示，本例中，第一步了解监测目标区域的地理地形、植被覆盖、水系等情况，结合模型比例尺、精度等要求预先规划好航测的航带、架次和高程。采用固定翼无人机搭载可见光相机对目标区域进行垂直拍摄。同时按照均匀分布和不同高程的要求进行控制点测量，保证获取影像建模后的精度。图像采集工具可以为机载单反或数码相机，只要能够满足机制和图像处理要求的图像采集设备都可作为图像采集工具用。

本例中，首先选定一个3000m*10000m的生态敏感区地作为监测目标区域，做60个大小为2m*2m的控制点标志牌，均匀放置于监测区域和不同高程(起伏较大的位置要放置，高度阶梯渐进的位置要放置)，并通过rtk对60个控制点的中心点进行绝对坐标的测量和记录。用无人机低空飞行对监测区域进行航测，获取初始影像照片。具体方法如下：

其次，对监测区域的航测参数为，飞行高度800m，飞行航带4个，地面分辨率1m，比例尺1:1000，垂直拍摄角度90°，纵向航带重叠度70％，旁向35％。

然后，利用倾斜摄影建模软件对所获的初始影像照片进行处理，依靠测量的地面控制点进行坐标系配准，然后区域整体平差和多视角影像密集匹配，生成密集点云，再进一步生成tin三角网，通过纹理贴图，生成待检测区域的真实三维模型。

第二步，获取跟无人机航拍时间相一致的卫星多(高)光谱数据，影像平均云量小于15％，且成像质量较好，其中多(高)光谱波段空间分辨率≤30m，全色波段空间分辨率≤15m，光谱波段数≥8，并经过辐射校正(辐射定标、大气校正、地形辐射校正)、几何校正、影像镶嵌与影像裁剪等预处理。

第三步，系统将预处理后的卫星遥感影像与无人机遥感三维建模生成的数字表面模型dom进行波段和影像融合，在保留影像多(高)光谱波段和信息的同时，提高影像的空间分辨率，增加影像的高层数据波段。

第四步，将融合后的影像导入面向对象分类软件，根据esp(estimationofscaleparameter)多尺度分割评价工具进行计算和分割，输出esp工具分析得出的最优分割尺度为123、225和514三层。再按照陆生植物生态环境监测的要求和原则，综合多(高)光谱信息、影像纹理、图形结构和高层数据对esp输出的最优分割尺度进行微调和修正，得出适合目标区域陆生植物生态环境监测实际最优的分割尺度为123、225和514。

第五步，系统依据陆生植物生态环境监测植被分类的类型，结合多波段的光谱信息、影像表面真实纹理和borderindex边界指数，density密度，length/width长宽比等形状结构信息，确定参与面向对象分类的特征参数指标为ndvi指数、lai指数、叶片叶绿素含量(cab)及叶片水分含量(cw)、brightness亮度值、std对象波段标准差，borderindex边界指数，density密度、length/width长宽比和高程数据等，采用最邻近法进行监督分类，对陆生植物生态环境监测的植被类型按照规定的类型和要求进行分类和提取。

第六步，对提取后的分类影像采用基于位置信息的精度评价方法和混淆矩阵，计算总分类精度和kappa系数，对模型的分类精度进行评价。其中总分类精度为77.78％，kappa系数为0.752，满足精度要求。

最后，按照同样的方法处理同一目标区域的第二期影像，得出第二期的各植被类型的面积大小和分布情况，并对两期的分类结果进行叠加对比分析，计算出不同植被类型的动态变化范围和面积。第二期影像的总分类精度为80.14％，kappa系数为0.773，满足精度要求。具体两期数据变化结果见表1：

目标区域陆生植物两期动态监测变化值

表1hm²

无人机低空遥感和面向对象分类技术是一种操作性强，成本低，精度较高的综合的计算机图像处理技术。可以从对实物拍摄的照片中提取目标区域的点云数据，从而生成tin三角网、dem/dom等数据，实现快速的三维模型重建。同时融合卫星遥感影像，使分类影像的特征指标更加全面和完善，包括了多(高)光谱信息、纹理图案、形状结构和高层数据等。利用面向对象分类技术可以实现目标影像的最优尺度分割和多源指标的影像自动分类，同时保证较高的分类精度，从而完整地、高精度地获取不同时期监测目标区域不同植被类型的变化情况。新监测技术具有采样速率快、精度和分辨率较高、无接触测量等优势。由此，我们相信基于无人机低空遥感、卫星遥感数据融合和面向对象分类的陆生植物生态监测方法在生态环境监测中拥有较好的应用前景，不仅可以实现陆生植物动态监测的定量化、实时化和数字化处理、分析和展示，而且大大提高了陆生植物生态环境监测工作的自动化、信息化能力，为陆生植物调查、陆生植物环境保护措施设计等提供较为详实的资料。