r>[0132] 其中，At为乔木斑块面积，F。为乔木斑块中植被比例，是通过第五公式计算得到 的，所述第五公式为：
[0133]
[0134] 其中，NDVIma为植被全覆盖的植被归一化指数，NDVImi。为无植被覆盖的植被归一 化指数；
[0135] 上述步骤104中的所述灌木覆盖度f；是通过第六公式计算得到的，
[0136] 所述第六公式为：
[0137]
[0138] 其中，As为灌木斑块面积；
[0139] 上述步骤104中的所述草地覆盖度fg是通过第走公式计算得到的，
[0140] 所述第走公式为：
[0141]
[014引其中，Ag为草地斑块面积；
[0143] 植被群落面积是基于斑块面积A统计，在具体应用中，上述步骤104中的所述斑块 面积A是通过第八公式计算得到的，
[0144] 所述第八公式为：
[0145] A=Ap；
[0146] 斑块形状指数是基于周长与面积关系进行计算提取，在具体应用中，上述步骤104 中的所述斑块形状指数SI是通过第九公式计算得到的，
[0147] 所述第九公式为：
[014 引
[0149] 其中，P为群落斑块周长。
[0150] 本实施例的植物群落空间结构提取方法，能够更精确地提取植物群落空间结构， 降低监测成本，提高监测结果的客观性，避免传统人工调查方法的主观性及W点代面所引 入的不确定性，有效地表征植物的结构特征。
[0151] 本实施例的植物群落空间结构提取方法，与传统人工调查群落结构方法相比，充 分利用了遥感技术，可W在大范围内W卫星影像反映群落结构的空间差异的特点，在降低 监测成本的同时，提高了监测结果的客观性，避免了传统人工调查方法中主观性及W点代 面所引入的不确定性；与传统基于像素遥感监测方法相比，本方法具有明显的技术优势， 传统基于像素遥感监测方法无法得到群落边界范围，同时，也得不到植物个体的形态特征 W及其空间的分布特征，而本方法面向对象，具备W上特征，其即解决的光谱识别类型的优 势，又充分利用形态特征，从而有效地表征了植物的结构特征，使对植物结构的认识更加精 确而深刻。
[0152] 本领域普通技术人员可W理解；实现上述各方法实施例的全部或部分步骤可W通 过程序指令相关的硬件来完成。前述的程序可W存储于一计算机可读取存储介质中。该程 序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括；ROM、RAM、磁碟 或者光盘等各种可W存储程序代码的介质。
[0153] 最后应说明的是；W上各实施例仅用W说明本发明的技术方案，而非对其限制； 尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其 依然可W对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征 进行等同替换；而该些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技 术方案的范围。
【主权项】
1. 一种植物群落空间结构提取方法，其特征在于，包括： 对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺度遥感影像对象； 建立所述待测遥感影像的影像尺度与生态学组织尺度对应关系，根据所述待测遥感影 像的影像尺度与生态学组织尺度对应关系获取所述待测遥感影像中各植物类型的影像尺 度，所述待测遥感影像中的植物类型包括：草地、灌木和乔木、种群和群落，所述草地、灌木 和乔木均为植物个体； 根据所述待测遥感影像中植物个体和种群的影像尺度，对在所述待测遥感影像中预先 选择的样本在植物个体和种群的影像尺度上进行植被分类，并将各尺度上分类结果叠加到 一个分类数据层上； 根据所述待测遥感影像中群落的影像尺度确定所述待测遥感影像中的群落边界，获取 在所述群落边界内植被分类数据层上的植物在植物个体和种群的空间结构参数。2. 根据权利要求1所述的方法，其特征在于，所述对目标区域待测遥感影像进行多尺 度分割，得到分割后的各尺度遥感影像对象，包括： 采用区域增长分割方法对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺 度遥感影像对象。3. 根据权利要求1所述的方法，其特征在于，所述建立所述待测遥感影像的影像尺度 与生态学组织尺度对应关系，根据所述待测遥感影像的影像尺度与生态学组织尺度对应关 系获取所述待测遥感影像中各植物类型的影像尺度，包括： 获取各尺度遥感影像对象的植被归一化指数NDVI ; 以各尺度遥感影像对象为样本、待测遥感影像为总体方式，计算各尺度遥感影像对象 的植被归一化指数的标准差NDVI_SD ; 根据各尺度遥感影像对象的NDVI_SD，绘制遥感影像对象各尺度NDVI_SD变化曲线； 分析所述NDVI_SD变化曲线的峰/谷值特征，提取明显的峰值的尺度，根据各峰值的尺 度及预设规则获取所述待测遥感影像中各植物类型和植被群落的影像尺度。4. 根据权利要求3所述的方法，其特征在于，所述各尺度对象的植被归一化指数NDVI 是通过第一公式计算得到的， 所述第一公式为：其中，Rh为近红外波段反射率，L为红外波段反射率。5. 根据权利要求3所述的方法，其特征在于，所述预设规则包括： 若各峰值的尺度的数量等于所述植物类型的数量，则各峰值的尺度从小到大依次代表 草地、灌木、乔木、种群和群落的影像尺度； 若各峰值的尺度的数量大于所述植物类型的数量，则对照遥感影像对象边界与地面样 本边界，确定相应的各植物类型的峰值拟合影像尺度。6. 根据权利要求5所述的方法，其特征在于，所述若各峰值的尺度的数量大于所述植 物类型的数量，则对照遥感影像对象边界与地面样本边界，确定相应的各植物类型的峰值 拟合影像尺度，包括： 若各峰值的尺度的数量大于所述植物类型的数量，则利用误差-分析方法，对照遥感 影像对象边界与地面样本边界，确定相应的各植物类型的峰值拟合影像尺度。7. 根据权利要求1所述的方法，其特征在于，所述根据目标区域植物个体和种群的影 像尺度，对在所述待测遥感影像中预先选择的样本在植物个体和种群的影像尺度上进行植 被分类，包括： 根据目标区域植物个体和种群的影像尺度，采用智能学习机的方法对在所述待测遥感 影像中预先选择的样本在植物个体和种群的影像尺度上进行植被分类。8. 根据权利要求7所述的方法，其特征在于，所述智能学习机的方法包括：支持向量机 SVM方法。9. 根据权利要求1所述的方法，其特征在于，所述空间结构参数，包括：斑块植被多样 性指数、斑块植被密度、乔木覆盖度、灌木覆盖度、草地覆盖度、斑块面积和斑块形状指数。10. 根据权利要求9所述的方法，其特征在于，所述斑块植被多样性指数HI是通过第二 公式计算得到的， 所述第二公式为：其中，η为植被类型数量，k e [1，...，n]，Pk为类型k在斑块中的面积比例； 所述斑块植被密度ro是通过第三公式计算得到的， 所述第三公式为：其中，Ap为群落面积； 所述乔木覆盖度&是通过第四公式计算得到的， 所述第四公式为：其中，At为乔木斑块面积，F。为乔木斑块中植被比例，是通过第五公式计算得到的，所 述第五公式为：其中，NDVImax为植被全覆盖的植被归一化指数，NDVImin为无植被覆盖的植被归一化指 数； 所述灌木覆盖度fs是通过第六公式计算得到的， 所述第六公式为：其中，As为灌木斑块面积； 所述草地覆盖度匕是通过第七公式计算得到的， 所述第七公式为：其中，Ag为草地斑块面积； 所述斑块面积A是通过第八公式计算得到的， 所述第八公式为： A = Ap; 所述斑块形状指数SI是通过第九公式计算得到的， 所述第九公式为：其中，P为群落斑块周长。
【专利摘要】本发明提供一种植物群落空间结构提取方法，包括：对目标区域待测遥感影像进行多尺度分割得到各尺度遥感影像对象；建立待测遥感影像的影像尺度与生态学组织尺度对应关系，获取待测遥感影像中各植物类型影像尺度，植物类型包括：草地、灌木和乔木、种群和群落，草地、灌木和乔木均为植物个体；根据植物个体和种群影像尺度，对在待测遥感影像中预选的样本在植物个体和种群影像尺度上进行植被分类，将各尺度上分类结果叠加到一个分类数据层上，在群落尺度对象边界内统计分类数据层上植物个体和种群空间结构参数。该方法能提取植物群落空间结构，更精确，监测成本低，客观性高。
【IPC分类】G06T7/40, G06T7/00
【公开号】CN104881868
【申请号】CN201510245969
【发明人】张磊, 尹锴
【申请人】中国科学院遥感与数字地球研究所
【公开日】2015年9月2日
【申请日】2015年5月14日