Modis混合像元分解森林信息提取方法
【专利说明】MODIS混合像元分解森林信息提取方法 所属技术领域
[0001] 本发明涉及一种MODIS遥感影像森林信息提取的技术，尤其是能利用混合像元分 解提高森林覆盖制图与森林类型识别精度遥感信息提取方法。
【背景技术】
[0002] 目前中高分辨率的遥感影像，虽然测量精度比较高，但数据的价格比较贵、获取不 容易；低分辨率遥感影像覆盖范围比较广，且费用比较低廉，如MODIS影像，由于其最高空 间分辨率为250m，且MODIS遥感影像具有很高的光谱辐射精度，能够免费获取，但存在大量 混合像元，在地物的分类时，常常会造成一定的误差，利用传统方法难以获得理想的分类精 度。
【发明内容】
[0003] 为了克服现有的MODIS影像森林信息提取方法分类精度不能满足生产需要和森 林类型识别能力较差的不足，本发明提供一种森林信息提取方法，该方法既能有效利用 MODIS数据光谱辐射精度极佳的特点，又可改善MODIS空间分辨率的不足，且能方便快捷地 利用MODIS影像提供的M0D09A1地表反射率产品和M0D13Q1植被指数产品有效提高森林覆 盖制图和森林类型识别精度。
[0004] 为了实现上述技术目的，本发明的技术方案是，一种MODIS混合像元分解森林信 息提取方法，包括如下步骤：
[0005] 步骤一：数据获取步骤，获取森林遥感影像；
[0006] 步骤二：预处理步骤，对步骤一得到的遥感影像进行预处理，获取预处理后的遥感 影像数据；
[0007] 步骤三：森林类型物候差异特征分析步骤，找出能够明显区分各森林类型的植被 指数时期；
[0008] 步骤四：端元组分提纯步骤，获取终端像元组分；
[0009] 步骤五：端元组分光谱反射率求取步骤，获取各地物光谱反射率；
[0010] 步骤六：线性混合像元分解步骤，求取各地物分布图；
[0011] 步骤七：森林信息提取步骤，获取各地物分布图。
[0012] 所述的方法，所述的步骤二中遥感数据的预处理包括：对遥感数据进行投影转换， 大气校正，图像拼接，消除黑色条带，几何校正，研究区提取。
[0013] 所述的方法，所述的步骤三中包括的步骤为：
[0014] 利用GPS获取典型样点的坐标信息，利用GIS软件获取典型样点在遥感影像上的 灰度值，构建植被指数时间序列剖面曲线，然后通过物候分析找出的能够明显区分各森林 类型的植被指数遥感数据与M0D09A1地表反射率产品相结合所得到的数据。
[0015] 所述的方法，所述的典型样点包括针叶林、阔叶林、竹林、灌木林、水域、耕地和建 设用地。
[0016] 所述的方法，所述的通过物候分析找出的能够明显区分各森林类型的植被指数遥 感数据与M0D09A1地表反射率产品相结合所得到的数据包括以下步骤：
[0017] 首先构建端元提纯模型，利用决策树分类计算机图形学分类方法，根据各森林类 型物候差异的特征，利用找出的能够明显区分各森林类型的植被指数时期遥感数据，并且 利用能够区分各地物的植被指数灰度值作为决策树分类模型的阈值：即
[0018] 当第8期NDVI的阈值小于0. 6则为耕地、水域、建设用地，否则为植被覆盖高的 森林；第9期的NDVI值小于0. 25时，则为水域，否则为耕地和建设用地；当第2期的NDVI 小于〇. 45,并且第9期的EVI小于0. 32时，则为建设用地，否则为耕地；第16期NDVI小于 0. 45时，则为灌木林，否则为针叶林、阔叶林、竹林；当第18期的NDVI小于0. 75,并且第16 期的EVI大于0. 35时，则为针叶林，否则为阔叶林和竹林；当第11期的EVI小于0. 65,并且 第15期的NDVI小于0. 75时，则为竹林，反之则为阔叶林；最后选择NDVI的第2、8、9、15、 16、18期以及EVI的第9、11、16期数据进行合成。
[0019] 所述的方法，所述的步骤四中包括的步骤为：
[0020] 对端元组分进行初步提纯，对步骤三中得到的数据进行最小噪声分离变换、纯净 指数分析，利用N维散点图进行N维散度分析，初步确定终端像元，将在N维散点图中得到 各自的初始终端像元，作为感兴趣区代入到决策树分类后的图像，利用决策树分类建立端 元提纯模型对初始终端像元进一步提纯，对与决策树分类得到的分布图不一致的终端像元 的散点进行剔除或修改，得到最终的终端像元。
[0021] 所述的方法，所述的步骤五中包括的步骤为：
[0022] 利用最终的终端像元求取各地物在各波段的光谱反射率，并结合GPS定位样地 点，通过遥感影像获取的各波段光谱反射率，确定各地物在各波段的最终地物反射率值。
[0023] 所述的方法，所述的步骤六中包括的步骤为：
[0024] 利用各地物在各波段的最终地物反射率值，通过线性混合像元分解模型
[0026] 其中m为端元数目，rk是第k个端元组的反射率，F ,像元中第k端元组分在像元 中所占的面积比，ε k为第k波段的误差，其中带约束性的线性混合像元的分解要满足各像 元的组分比Fk之和为1，对遥感影像进行混合像元分解，得到各地物的丰度图。
[0027] 所述的方法，所述的步骤七中包括的步骤为：
[0028] 在每组组分图像中选择终端单元丰度值大于0. 5的像元，再把每组组分图像组成 一幅图像，利用最大似然法分类对该图像进行分类，得到各森林类型分布图，实现混合像元 分解森林信息提取。
[0029] 本发明解决其技术问题所采用的技术方案是：在对采用的MODIS标准产品影像进 行投影转换、图像拼接、裁剪、去黑色条带等预处理基础上，首先，利用森林类型物候差异特 征，采用M0D13Q1植被指数产品，通过对归一化植被指数NDVI以及增强型植被指数EVI进 行处理，构建NDVI、EVI时间序列剖面曲线，通过决策树分类计算机图形学分类方法，构建 端元提纯模型；其次，采用构建端元提纯模型的M0D13Q1植被指数产品与M0D09A1地表反射 率产品相结合组成新的数据，并利用构建的端元提纯模型进行端元进一步提纯；再次，采用 线性混合像元分解模型对组合成的新数据进行分解；最后，采用M0D09A1地表反射率产品 和M0D13Q1植被指数产品标准影像产品，通过最大似然法分类，实现森林信息提取。本发明 的有益效果是，可以在大范围快速提取森林覆盖信息的同时，提高森林制图精度以及森林 类型识别精度。信息提取中仅采用M0D09A1地表反射率产品和M0D13Q1植被指数产品，效 果理想，简单易行。
【附图说明】
[0030] 下面结合附图和实施例对本发明进一步说明。
[0031] 图1是本发明的技术原理图；
[0032] 图2是本发明实施例的森林信息提取结果图；
[0033] 图3是本发明的端元提纯决策树分类模型图。
【具体实施方式】
[0034] 本发明包括以下步骤：
[0035] 步骤一：数据获取步骤，获取森林遥感影像；
[0036] 步骤二：预处理步骤，对步骤一得到的遥感影像进行预处理，获取预处理后的遥感 影像数据，预处理包括：对遥感数据进行投影转换，大气校正，图像拼接，消除黑色条带，几 何校正，研究区提取；
[0037] 步骤三：森林类型物候差异特征分析步骤，找出能够明显区分各森林类型的植被 指数时期；具体来说，首先利用GPS获取（针叶林、阔叶林、竹林、灌木林、水域、耕地、建设用 地）的坐标信息，利用GIS软件获取针叶林、阔叶林、竹林、灌木林、水域、耕地、建设用地野 外典型样点在遥感影像上的灰度值，构建植被指数时间序列剖面曲线，通过物候分析找出 的能够明显区分各森林类型的植被指数遥感数据与M0D09A1地表反射率产品相结合组成 新的数据。当第8期NDVI的阈值小于0. 6则为耕地、水域、建设用地，否则为植被覆盖高的 森林；第9期的NDVI值小于0. 25时，则为水域，否则为耕地和建设用地；当第2期的NDVI 小于〇. 45,并且第9期的EVI小于0. 32时，则为建设用地，否则为耕地；第16期NDVI小于 0. 45时，则为灌木林，否则为针叶林、阔叶林、竹林；当第18期的NDVI小于0. 75,并且第16 期的EVI大于0. 35时，则为针叶林，否则为阔叶林和竹林；当第11期的EVI小于0. 65,并 且第15期的NDVI小于0. 75时，则为竹林，反之则为阔叶林；因此选择了 NDVI的第2、8、9、 15、16、18期以及EVI的第9、11、16期数据进行合成。
[0038] 步骤四：端元组分提纯步骤，获取终端像元组分；
[0039] 首先构建端元提纯模型，利用决策树分类计算机图形学分类方法，根