一种新的TAVI组合算法的制作方法

本发明涉及一种新的TAVI组合算法。

背景技术：

现有地形调节植被指数(TAVI，公式1、公式2，国家专利号200910111688.X)组合算法如公式1，其中CVI指常用植被指数，包括范围较广；SVI算法如公式2。

TAVI＝CVI+f(Δ)·SVI (1)

$SVI=\frac{M_r-B_r}{B_r}---\left(2\right)$

式中，CVI为常规植被指数，如归一化植被指数(NDVI)、比值植被指数(RVI)等；SVI为阴影植被指数，其中Br表示遥感影像红光波段数据，Mr表示红光波段数据的最大值；f(Δ)为地形调节因子。

CVI由于数量较多，在实际应用时选择何种具体植被指数没有统一标准，容易造成混淆。SVI算法的分子是个变量，导致SVI计算结果不稳定。原有RVI和SVI的组合形式存在较大不确定性，影响到TAVI的大范围推广应用。

技术实现要素：

有鉴于此，本发明的目的在于提供一种新的TAVI组合算法。该新算法根据波段比模型基本原理构建了新的更具稳定性的SVI指数，并优选了RVI与新的SVI进行组合计算，使TAVI算法更精确、应用更简便，对TAVI在复杂地形山区植被信息准确反演的应用推广具有重要的科学意义与经济价值。

为实现上述目的，本发明采用如下技术方案：一种新的TAVI组合算法，其特征在于，包括以下步骤：步骤S1：辐射校正，先对遥感影像进行辐射校正，得到遥感影像表观反射率数据；步骤S2：计算新的SVI_n，公式如下：其中：SVI_n为新的阴影植被指数；B_r为遥感影像红光波段表观反射率数据；步骤S3：构建新的TAVI组合算法，具体如下：其中：TAVI_n为新的地形调节植被指数；f(Δ)为地形调节因子；B_ir为遥感影像近红外波段表观反射率数据；B_r为遥感影像红光波段表观反射率数据；步骤S4：优化f(Δ)，计算新的TAVI。

进一步的，所述步骤S4包括以下具体步骤：步骤S41：影像分类：检查遥感影像质量，应用常规非监督分类或监督分类等方法，对遥感影像进行分类，把复杂地形山区划分为阴坡与阳坡两大类；步骤S42：极值计算：计算阴坡部分TAVI最大值M_TAVI阴与阳坡部分TAVI最大值M_TAVI阳；步骤S43：迭代寻优：令f(Δ)从0开始，依次递增，当满足以下条件时，得到f(Δ)最优值：|M_TAVI阴-M_TAVI阳|≤ε,ε→0,f(Δ)＝0～∞。

本发明与现有技术相比具有以下有益效果：

1、物理意义更明确：新的TAVI组合算法由RVI和SVI两个子模型组成，这两个子模型都满足波段比模型要求，形式简洁相近，而且分母都为遥感影像红光波段数据，具有较强的波段比物理意义基础。

2、地形校正效果明显：本发明确定的TAVI组合算法，保证地形调节植被指数能有效消除地形影响对植被信息的干扰；通过在实验样区对该方法确定的TAVI与太阳入射角余弦值的线性回归分析，表明本发明确定的TAVI与太阳入射角余弦值cosi的相关系数低于0.08，线性回归方程斜率可以降至0.04左右，达到地形校正+大气校正的效果，并避免了由于遥感影像与DEM数据配准精度差异导致的地物植被信息反演精度下降的问题。

3、数据需求少，成本低：本发明只需要遥感影像自身携带的波段数据，无需DEM数据等的支持，数据成本与时间成本实现最小化。

4、算法简洁，可操作性强：本发明主要由遥感影像红光波段数据和近红外波段数据组合计算生成，算法简洁，容易操作，推广应用潜力大。

5、兼具大气校正效果。由于SVI_n是对红光波段数据的逆变换，遥感影像中受地形影响和大气影响导致植被信息减弱的区域将得到不同程度的补偿(类似暗像元法)，因此新的TAVI组合算法具有一定程度的大气校正效果。

6、适用性广。新的TAVI组合算法可以适用于表观反射率数据，也可以应用于辐射亮度值数据与DN值数据，这为一些缺乏地面定标参数的传感器在山区植被信息准确监测中的应用提供了一种新的重要技术手段。

附图说明

图1是本发明技术流程示意图。

图2是研究区SVI_n影像。

图3是研究区TAVI_n影像。

图4是研究区cosi-TAVI散点图与线性回归曲线。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

一种新的TAVI组合算法，主要流程图参见图1。具体包括以下步骤：

步骤S1：辐射校正，先对遥感影像进行辐射校正，得到遥感影像表观反射率数据。

步骤S2：计算新的SVI_n(如图2所示)，公式如下：

${\mathrm{SVI}}_n=\frac{1}{B_r}$

其中：SVI_n为新的阴影植被指数；B_r为遥感影像红光波段表观反射率数据。

步骤S3：构建新的TAVI组合算法，具体如下：

${\mathrm{TAVI}}_n=\frac{B_{ir}}{B_r}+f\left(\mathrm{\Δ}\right)\·\frac{1}{B_r}$

其中：TAVI_n为新的地形调节植被指数；f(Δ)为地形调节因子；B_ir为遥感影像近红外波段表观反射率数据；B_r为遥感影像红光波段表观反射率数据。

步骤S4：优化f(Δ)，计算新的TAVI(如图3所示)，具体方法步骤如下：

(1)影像分类：检查遥感影像质量，应用常规非监督分类或监督分类等方法，对遥感影像进行分类，把复杂地形山区划分为阴坡与阳坡两大类。

(2)极值计算：计算阴坡部分TAVI最大值M_TAVI阴与阳坡部分TAVI最大值M_TAVI阳。

(3)迭代寻优：令f(Δ)从0开始，依次递增，当满足以下条件时，得到f(Δ)最优值：|M_TAVI阴-M_TAVI阳|≤ε，ε→0，f(Δ)＝0～∞。

本发明确定的TAVI组合算法，保证地形调节植被指数能有效消除地形影响对植被信息的干扰；通过在实验样区对该方法确定的TAVI与太阳入射角余弦值的线性回归分析，表明本发明确定的TAVI与太阳入射角余弦值cosi的相关系数低于0.08，线性回归方程斜率可以降至0.04左右，具体参见图4所示的cosi-TAVI散点图与线性回归曲线，该结果精度达到地形校正+大气校正的效果。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。