一种湿地植被信息分析方法、遥感监测组件及监测方法与流程
本发明涉及湿地植被信息技术领域，具体为一种湿地植被信息分析方法、遥感监测组件及监测方法。
背景技术：
湿地生态系统是人类最重要的生存环境之一，是多功能的生态系统，具有丰富的生物多样性。湿地生态系统拥有多种多样的特殊功能，它不仅可以提供人类生存所必须的食物、水以及各类原料，同时可以维持生态平衡、保持生物多样性、保护珍稀物种资源以及涵养水源、调节气候、补充地下水、蓄洪防旱、控制土壤侵蚀、降解污染等方面均起到了重要的作用。芦苇湿地经过长期的自然演替发育而成，是湿地资源的重要组成部分之一，蕴藏着较高的自然生产能力，同时能够调节周围的自然环境。
由于湿地环境的特殊性，除了道路两旁的芦苇生长区外，湿地沼泽不便进行实地考察，而卫星遥感技术具有探测范围广、各类条件限制少、获取信息的速度快、周期短、方法多样等特点，适合开展对芦苇湿地的研究。遥感技术是基于电磁波理论，利用各类传感器对于中远距离目标辐射和反射的电磁波信息进行收集、处理，并最终成像，从而达到对地面各地物类型进行识别和探测的目的。
该技术具有诸多优点，如探测范围广；获取资料的速度很快、周期较短；受地面因素影响少；方法多，获取的信息量大等。现有的诸多成果表显示出了遥感技术在湿地监测中的重大作用，不过也应指出，目前这些研究仍有许多问题需要解决：如如何归类湿地遥感的应用内容、湿地遥感研究在应用方面存在问题的原因等宏观问题；又如滨海湿地的边界如何进行判读和提取、定量设置湿地生态指标要素等具体问题。
技术实现要素：
为了克服现有技术方案的不足，本发明提供一种基于高分辨率影像提取湿地植被信息的方法，能有效的解决背景技术提出的问题。
本发明解决其技术问题所采用的技术方案是：
一种湿地植被信息的分析方法，包括如下步骤：
步骤100、对湿地植被的遥感影像进行预处理，并通过实地调查和无人机航拍技术获取实测数据；
步骤200、运用多种遥感影像分类方法对所述遥感影像进行分类处理；
步骤300、计算每种遥感影像分类方法的分类精度，结合目视解译方法，通过kappa系数来测定所述遥感图像与实测数据之间的吻合度；
步骤400、综合根据分类精度和吻合度确定最佳遥感影像分类方法；
步骤500、选择聚类处理的方法对分类后的遥感影像进行缺陷处理。
优选地，所述步骤100中所述的预处理包括如下四个步骤：
步骤101、遥感影像色彩合成：利用人类眼睛的视觉特性，以少数的几种色光或染料来合成众多不同的颜色；
步骤102、遥感影像几何校正：通过地面控制点坐标的数据对于原始卫星图像几何畸变的过程进行数学模拟，建立原始的畸变图像与基准图像之间的空间对应关系，再利用所述的空间对应关系将畸变图像空间中的全部元素变换到校正图像的空间去，从而实现畸变图像的几何校正；
步骤103、遥感影像融合：采用颜色变换的融合方法将标准的rgb图像变换为色度h、饱和度s和亮度v的图像，用高分辨率影像替代h图像，而后进行hsv颜色变换的逆变换，最后得到融合影像；
步骤104、遥感影像裁剪：规则裁剪得到遥感影像中所需要的部分；
步骤105、遥感影像增强：采用线性拉伸法对裁剪后的影像进行增强处理，以扩大原始图像亮度值的范围，增强波段光谱值之间的对比度来增强图像的视觉效果，来提高图像解译的质量。
优选地，所述步骤200中的遥感影像分类方法包括最大似然法、支持向量机法、非监督分类法和面对对象分类方法。
优选地，通过无人机航拍获取的影像数据需经过下述步骤依次处理：
步骤111、将获取的影像匀色后，利用栅格影像裁剪工具对变形的边缘部分进行裁剪；
步骤112、影像经过裁剪后，依次进行影像间同名点自动量测和相邻影像数据的实际重叠度的计算；
步骤113、将裁剪后的影像快速拼接，生成全景影像图，之后进行空中三角测量，然后再进行生成正射影像，最后对所得到的正射影像进行精度验证；
步骤114、拼接后的影像直接进行影像几何校正：
步骤115、运用arcgis10对校正后的影像进行目视解译，得到植被信息分布图。
优选地，所述目视解译方法包括如下步骤：
步骤301、建立解译标志：在选定区域内统计地物类型，将实地获取的照片信息与遥感影像比对，并将各地物类型在遥感影像对应位置显示出的特征信息编制成表，做成判读样片，再通过实地勘察分析，将遥感影像的特征与判读样片之间的关系相对应，进行整理归纳，建立目视解译的判读标志；
步骤302、目视判读及图斑勾绘：运用实地勘察与判读标志结合的方法来进行判读区划，利用地理信息系统软件对高分辨率影像上的信息进行图斑勾绘；
步骤303、属性信息的填写：对勾绘出的图斑进行属性填写，以便进行下一步的面积统计；
步骤304、实地精度验证与核实：对难以进行解译的区域进行经纬度定点，或选择通达性较高的区域定点进行核实。
优选地，所述面对对象分类方法包括如下步骤：
步骤211、分割遥感影像：对遥感影像选择10，25，40，55，70，85，100，120八个分割尺度进行区域合并分割试验，形状因子为0.1，紧致度为0.5；
步骤212、建立分类层次：将选定区域的遥感影像划分为四个层次，分别为：
level1，分割尺度为100，用来提取选定区域中范围相对较大的地物对象；
level2，在level1的基础上继续分割，分割尺度为70，形状因子为0.5，提取中等尺度的地物；
level3，在level2的基础上继续分割，分割尺度为25，提取相对较小的斑块状的地物对象；
level4，继承level2和level3的分类结果，得到最终的研究区地物分类图；
步骤213、分析分类特征，建立分类规则：在ecognition软件中根据规则集进行成员函数法和最邻近特征法进行分类，选出最能代表各地物的特征或特征组合后反复试验，建立分类规则；
步骤214、分析信息提取精度。
优选地，所述分类精度通过混合矩阵的方式进行计算，在进行预处理后的遥感影像上选择为纯净像元的训练区域，将该训练区域的选择定义为检验roi，并对其进行分类处理，按照如下依据进行精度分析：
总体分类精度＝被正确分类的像元总和÷总像元数。
优选地，通过kappa系数来测定所述遥感图像与实测数据之间的吻合度的公式为：
优选地，所述步骤500的缺陷处理是将分类后的影像数据运用数学形态学算子，将临近的类似分类区域聚类并进行合并。
优选地，所述数学形态学算子包括膨胀操作和腐蚀操作，聚类处理首先将被选中的分类影响用一个膨胀操作合并到一块，然后再用变换核对分类影响进行腐蚀操作。
另外，本发明还设计了一种湿地植被信息实地遥感监测组件，包括底座，在所述底座上垂直安装高升支架组件，在所述高升支架组件的顶端设置有用于安装针孔摄像头的电磁转动云台；
所述电磁转动云台包括安装在高升支架组件上的台柱，在所述台柱上安装有空心凹槽座，在所述空心凹槽座放置有磁转部件，所述空心凹槽座内部均匀环绕有若干组电磁线圈，所述磁转部件由一个磁性球以及焊接在磁性球上的圆形蜂窝板组成，所述针孔摄像头均匀分布在所述圆形蜂窝板的边缘，所述磁转部件的外部设有防尘玻璃罩，且所述防尘玻璃罩固定在空心凹槽座的边缘；
所述高升支架组件包括安装在所述底座上的主杆、副杆、第一驱动电机和第二驱动电机，所述副杆平行的安装在所述主杆一侧，且所述副杆高度为主杆高度的1.2～2倍，所述主杆上套接有与所述台柱连接的顶杆，在所述副杆顶端安装有导索环，在所述顶杆顶端和底端侧面分别设有第一固定环和第二固定环，所述第一驱动电机和第二驱动电机分别通过第一导索、第二导索穿过所述导索环与所述第一固定环、第二固定环固定连接；
在所述底座旁设置有至少2组可充蓄电池，以及用于给可充蓄电池充电的太阳能电池板，且所述可充蓄电池用于给电磁线圈、第一驱动电机和第二驱动电机供电。
进一步地，一种基于监测组件的湿地植被信息实地监测方法，其特征在于，包括如下步骤：
步骤一、在湿地植被实地搭建高空监测平台，包括监测部件、调节升降部件、供电部件，供电部件用于给监测部件和调节升降部件提供电源，所述调节升降部件用于调节监测部件的高空位置；
步骤二、将监测部件设置为以电磁驱动原理为基础的可调节式组件，包括：用于安装针孔摄像头的圆形蜂窝板、内部设有电磁线圈的空心凹槽座，以及放在空心凹槽座内且与圆形蜂窝板固定连接的磁性球；
步骤三、在圆形蜂窝板的边缘均匀分布设置至少六个针孔摄像头，且所有针孔摄像头的拍摄方向与水平面的夹角呈梯度变化；
步骤四、断开电磁线圈的电流，使所有针孔摄像头采集各自固定垂直方向以及固定水平方向上湿地植被的局部图像信息；
步骤五、接通电磁线圈的电流，并通过调节电磁线圈的电流大小及方向，控制磁性球的水平转动方向和速率，使所有针孔摄像头各自固定垂直方向上所涵盖整个面的环面图像信息；
步骤六、将局部图像信息和环面图像信息作为湿地植被实地考察的实测数据。
有益效果：本发明主要通过以往年的卫星遥感影像数据作为分析对象，以实地调查和无人机航拍影像作为比对的数据，将卫星遥感影像数据利用不同的分类方法进行处理，计算得到各类分类方法的分类精度，从而选择最佳的分类方法，并且还能得到植被的空间分布格局以及植被分布情况变化，为日后研究区湿地的监测与治理等项目提供比较科学的依据。
附图说明
图1为本发明无人机工作区分布图；
图2为本发明资源三号全色影像遥感图像校正前后对比图；
图3为本发明2016年高分一号gs融合影像图；
图4为本发明2016年高分一号hsv融合影像图；
图5为本发明图裁剪前后的影像对比图；
图6为本发明2012年研究区遥感影像采用最大似然法分类处理的结果图；
图7为本发明2016年研究区遥感影像采用支持向量机法分类的结果图；
图8为本发明实施方式中2016年遥感影像不同尺度分割效果图；
图9为本发明实施方式中原始分类结果图；
图10为本发明实施方式中聚类处理结果图；
图11为本发明实施方式中监测组件结构示意图；
图12为本发明遥感监测方法流程图。
图中标号：
1-底座；2-高升支架组件；3-电磁转动云台；4-防尘玻璃罩；5-针孔摄像头；6-可充蓄电池；7-太阳能电池板；
201-主杆；202-副杆；203a-第一驱动电机；203b-第二驱动电机；204-顶杆；205-导索环；206a-第一固定环；206b-第二固定环；207a-第一导索；207b-第二导索；
301-台柱；302-空心凹槽座；303-磁转部件；303a-磁性球；303b-圆形蜂窝板；304-电磁线圈。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图12所示本发明提供了一种湿地植被信息的分析方法，包括如下步骤：
步骤100、对湿地植被的遥感影像进行预处理，并通过实地调查和无人机航拍技术获取实测数据；
步骤200、运用多种遥感影像分类方法对所述遥感影像进行分类处理，能够得到不同方法下不同植被的空间分布格局；
步骤300、计算每种遥感影像分类方法的分类精度，结合目视解译方法，通过kappa系数来测定所述遥感图像与实测数据之间的吻合度；
步骤400、综合根据分类精度和吻合度确定最佳遥感影像分类方法；
步骤500、选择聚类处理的方法对分类后的遥感影像进行缺陷处理。
本发明主要通过以往年的卫星遥感影像数据作为分析对象，以实地调查和无人机航拍影像作为比对的数据，将卫星遥感影像数据利用不同的分类方法进行处理，计算得到各类分类方法的分类精度，从而选择最佳的分类方法，并且还能得到植被的空间分布格局以及植被分布情况变化，为日后研究区湿地的监测与治理等项目提供比较科学的依据。
以下以辽河口芦苇湿地植被为研究的选定区域作为实例，对本发明的分析方案作进一步的分析：
一、选定区域的概况：
选定区域所在的辽河口是辽河的入海口，位于辽宁省盘锦市境内，地处于渤海北部。辽河口湿地位于辽河下游入海口，地貌上属于洪积、海积三角洲。辽河口芦苇湿地西起大凌河口，东至大辽河口，盘锦湿地分布广、面积大，芦苇盖度在90％以上。选定区域位于辽宁省盘锦市的双台子河河口地内，其地理坐标为：121°30′～122°00′e，40°50′～41°20′n。
二、设计研究内容与技术路线
(1)建立辽河口芦苇湿地植被信息遥感监测数据库，数据库包括遥感影响数据和实测数据构成，所使用的遥感影像数据由高分一号、资源三号影像，实测数据部分包括了实地调查数据以及无人机航拍影像数据；
(2)无人机影像的处理和解译；对2016年10月的无人机影像图进行预处理，用arcgis10进行目视解译，得到典型治理点精确的芦苇蒲草分布信息；
(3)遥感影像的预处理和芦苇蒲草等植被信息分类遥感提取研究，用envi5.2专业软件对影像进行预处理，结合无人机航拍数据处理后所得到的芦苇蒲草分类图，运用目视解译、监督分类、面向对象分类方法等不同的分类方法对芦苇湿地的植被信息进行提取和验证，最终获取不同分类方法所提取的不同精度的植被信息；
(4)2012年、2014年和2016年三期遥感影像信息对比以及不同分类方法提取信息对比，得出不同年度遥感影像信息变化情况，对比不同分类方法所提取到的湿地植被信息的分类精度，获得最合适研究区湿地植被信息提取的分类方法。
三、数据的来源及处理
(1)数据来源：收集选定区域(辽河口芦苇湿地)3期的遥感影像，包括2012年的资源三号卫星影像和2014年、2016年的高分一号卫星影像，以及2016年无人机航拍影像图。其中遥感影像为资源三号卫星影像及高分一号卫星影像，无人机影像来源于野外航拍。并且遥感影像选取了10月/11月份制备成熟时的影响，详细如下表1：
表1遥感影像数据信息表
无人机航拍获得3张无人机航拍影像图，分辨率可达2.12cm，单次覆盖120m，航向角度为18°。每一次航线约为22条，航向重叠60％，无人机飞行速度为7m/s，约27m拍摄一张照片。无人机航拍数据详见表2，其工作分布图如图1所示。
表2无人机航拍工作数据
(2)遥感数据的预处理：也称图像恢复处理，其目的是改正或补偿成像过程中由于受到环境的外部条件以及卫星自身因素影响所引起的辐射失真、几何畸变、各种噪声以及高频信息的损失，预处理主要包括影像的色彩合成、几何校正、镶嵌、裁剪和影像增强等内容。
a、遥感影像色彩合成，利用人类眼睛的视觉特性，以少数的几种色光或染料来合成众多不同的颜色，本发明的合成方法包括伪彩色增强、真彩色合成、假彩色合成等方法。伪彩色增强是把一个波段或者单一的黑白影像变换为彩色影像，从而把人眼不易区分的微小的灰度差别显示为明显的色彩差异。通常情况下我们使用密度分割法来进行伪彩色增强。真彩色合成：是在彩色合成时所选择的波段的波长要与尽量与红绿蓝波段的波长相同或相似，从而可以得到颜色与真彩色近似的影像的合成方式。假彩色合成：是指彩色合成中选择的波段的波长与红绿蓝的波段不相同，合成的影像颜色与真彩色不符。使用假彩色合成的图像不是地物的真实颜色，但可以突出某一方面的信息或者显示丰富的地物信息，能够获得较好的目视效果。模拟彩色合成，所用的全色高分辨率影像只有一个波段，多光谱高分辨率影像有四个波段，经反复试验，选用了431波段进行rgb的组合。
b、遥感影像几何校正，遥感影像在获取过程中，由于遥感平台的位置、运动状态、地形的起伏、地球表面曲率、大气折射、地球自转等原因导致目标物的相对位置的坐标关系在影像中发生变化，这种变化就是几何畸变。几何畸变通常表现为图像像元与地面目标物的实际位置相比产生不同程度的扭曲、挤压、伸展和偏移等。
本发明采用地面控制点(gcp)方法进行几何校正，地面控制点校正方法是根据地面控制点的坐标，以同一研究区域的一幅图像为基准图像，对另一幅图像进行校准，来纠正几何畸变。通过gcp数据对于原始卫星图像几何畸变的过程进行数学模拟，建立原始的畸变图像与基准图像之间的空间对应关系，再利用这种关系将畸变图像空间中的全部元素变换到校正图像空间，从而实现畸变图像的几何精校正。
利用envi5.2软件中数字图像的几何校正模块中地图对影像的校正功能，以选定区域的矢量地形图(mapgis格式)为基准图像，对2016年的高分一号卫星全色遥感影像进行校正。在两张图像上选取同名地物点，选取控制点时要保证在遥感影像上点位均匀分布，位置相对稳定，数量在15-20个左右，采用二次多项式采样方式对其进行校正，由于选定区域多属于平原地区，所以校正时要将控制点平均的均方根误差控制在0.5以内。之后以校正过的2016年高分一号影像为基准，对2012、2014高分一号多光谱遥感影像、资源三号全色影像，利用envi5.2中数字图像几何校正模块中影像对影像的校正功能进行校正。2012年资源三号全色影像遥感图像校正前后对比图如图2所示。
c、先使用gram-schmidt融合算法进行图像融合，以全色影像作为高分辨影像、以多光谱影像作为低分辨率影像进行融合，经过gram-schmidt融合算法处理后的影像，与之前多光谱影像相比其分辨率、清晰度都有明显的提高，光谱信息也比较丰富，但是影像的整体色调依旧不是特别理想，整个影像的色调基本上一致，与融合之前的多光谱影像相比整体色调偏灰，色彩能够提供的信息量较少，地物之间的区分度不高，基本上是通过影像上的灰度信息来辨别的，因此融合后的影像较难区分主要植被信息。为了更好的区分植被信息，又选取了hsv融合方法进行融合。
hsv融合方法是一种颜色变换的融合方法，该方法能将标准的rgb图像变换为色度h、饱和度s和亮度v图像，用高分辨率影像替代h图像，而后进行hsv颜色变换的逆变换，最后得到融合影像。经过hsv融合方法融合后的影像与融合之前的全色影像相比较，融合后的影像色彩信息更加丰富，而分辨率基本上保持与原来一致。融合后的影像与融合前的多光谱影像相比，影像的分辨率显著提升，颜色分布与地物信息的基本吻合，色彩的亮度、色度、饱和度都有较明显的改变，极大的丰富了地物信息，使之更加便于辨别和分析。2016年高分一号gs融合影像与hsv融合影像分别如图3和图4所示。
d、遥感影像裁剪，图像裁剪是指从一整幅图像中裁剪出研究所需要的部分。裁剪时采用规则裁剪法，并保存为矢量文件。然后运用基于影像裁剪法对2014年、2016年融合后的遥感影像进行裁剪，对镶嵌后的所有影像进行裁剪并保存。图裁剪前后的影像对比图如图5所示。
e、遥感影像增强，为突出影像中的我们所需的地物信息，需要对影像进行影像增强。在遥感解译前，采用线性拉伸法对裁剪后的影像进行增强处理，以扩大原始图像亮度值的范围，增强波段光谱值之间的对比度来增强图像的视觉效果，来提高图像解译的质量。
四、无人机航拍数据的处理与解译
由于无人机可以在飞行期间自带gps(采用wgs84世界大地)，所以在飞行任务规划管理器中可以设定坐标，因此无人机影像数据本身自带地理坐标。在理想情况下，飞行路线至少要在航向上有60％的重叠和在旁向上有40％的重叠。本文中无人机数据选择了航向和旁向各有60％重叠，以避免出现航摄漏洞，重复飞行，从而减少作业成本，并能够减少影像球面像差。
无人机航拍影像处理步骤：
1)影像匀色与裁边，由于天气、云雾等客观因素或是数码相机自身问题的影响，航片之间、航带之间在色彩明暗、色调等方面可能会存在一定的差异，所以需要对无人机航拍的原始影像进行匀色，使航片之间的影像在纹理、亮度、反差、灰度及色相等特征上保持较好的一致性，从而保证镶嵌后的自然过渡以及可读性较好。由于非量测型数码相机所拍摄的照片在边缘部位可能会出现变形，所以需要利用栅格影像裁剪工具对变形的边缘部分进行裁剪。
2)同名点自动量测和影像重叠度计算，影像匀色与裁剪之后，需要对影像进行影像间同名点自动量测，而后计算相邻影像数据的实际重叠度。经过计算，针对研究区的两次航拍的航向重叠度与航线重叠度符合预设重叠度的基本要求。
3)图像拼接与处理，将航拍得到的原始影像进行快速拼接，生成全景影像图，之后进行空中三角测量，然后再进行生成dem、生成正射影像等操作，最后对所得到的正射影像进行精度验证。
4)几何校正，由于无人机自带的pos数据，影像无较大几何偏差，可在数据拼接后直接进行影像几何校正。
5)目视解译，运用arcgis10对校正后的数据影像进行目视解译，得到植被信息分布图。
五、选取四种遥感影像分类方法对数据进行分类处理，具体包括最大似然法、支持向量机法、非监督分类法和面对对象分类方法
在使用目视解译的方法对其进行解译时，可以提供较为丰富、可靠、高精度的基础数据，以供其他方法作为参考依据。其具体步骤如下：
1)建立解译标志，对选定区域分别进行了两次(8月和10月)野外实地勘察，对选定区域内所有的地物类型进行了统计，并遴选出具有一定代表性的湿地考察点，要求所选考察点具有齐全的辅助资料较和便利的交通。选完考察点之后要对所选点的实际情况进行考察及拍照，并做好照片朝向等信息的记录。之后将实地拍摄的照片与卫星遥感影像进行对照，观察之前选定的各地物类型在遥感影像对应位置所显示出的几何形状、颜色、光泽等特征，并将获得的信息编制成表，结合其他相关的辅助信息(如：湿地图、土地利用图等)，建立目视解译与实地情况之间的关系，做成判读样片。再通过野外详细的勘查分析，将影像特征与野外判读类型之间的关系相对应，进行整理归纳，建立目视解译的判读标志，作为判读依据；
2)目视判读及图斑勾绘，综合分析之前得到的图像判读标志，利用影像与有关的资料，运用野外实地与室内判读对照相结合的方法来进行判读区划。利用地理信息系统(gis)软件，参照无人机影像图、矢量地形图、googleearth等资料，对高分辨率影像上的信息进行目视解译，进行图斑勾绘；
3)属性信息的填写，对勾绘出的图斑进行属性填写，以便进行下一步的面积统计；
4)实地精度验证与核实，由于室内判读和解译标志仍存在误差，如对于影像上特征不是很明显的部分地物，在进行判读时存在有一定的难度，导致准确性不高。因此，完成初步目视解译后，应该对一些不太确定的区域以及由于云层覆盖等因素导致难以进行解译的区域，进行经纬度定点，对于影像的色调、几何形状等信息相似的区域，选择通达性较高的区域定点，建立核实区，并制作野外核实表。以2016年遥感影像为例，详见表3。
表32016年遥感影像中辽河口芦苇湿地主要地物解译标志
监督分类又被称为“训练分类法”，是用被确认类别的样本像元来识别未知类别像元的过程。在分类之前，先通过目视解译和野外调查，对遥感影像中某些地物类别属性有了先验认识，选取每种类别的训练样本，计算每种训练样区的统计和其他信息，并按照这些类别对判决函数进行训练，使其符合要求。之后用训练好的判决函数对其他数据进行分类，将每个像元与训练样本比较，按不同的方法将其划分到与其最相似的样本类中，以此完成整个图像的分类。
最大似然法是基于贝叶斯准则的分类错误概率最小的一种非线性分类，侧重于集群分布统计特性，该方法是假设训练区地物的光谱特征服从正态分布，通过求出每个像元对于各类别的归属概率，把该像元分到归属概率最大的那一类类别中去的方法。
本发明根据目视解译方法所得出的资料设置了7种地物分类类别，分别是水系、芦苇、蒲草、芦蒲共生、未分类植被、枯死蒲草、城建用地。而后根据分类，在envi软件中通过roi工具定义相应的训练区(roi)，每个训练区都要选择相对纯净的区域，另外每一种类要在不同区域选择多个roi。之后通过envi软件进行分类。以2012年遥感影像为例采用最大似然法分类处理的结果图如图6所示。
支持向量机法是一种以统计学习理论为基础的机器学习方法。支持向量机可以根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷情况下，自动寻找对分类有较大区分能力的支持向量，以此构造出分类器，实现类与类之间的间隔最大化，因而支持向量机法具有较高的分类精度和推广性。支持向量机用于识别分类模式的基本思路方式是先构造一个超平面作为其决策平面，从而使得正负模式期间空白至最大限度。那么该超平面为:f·z+b＝0，式中：f是n维向量；z为样本；b为偏移量。那在线性可分的条件下，最优的超平面可计算：yi(f·z+b)≥li＝1,2，…，n，在约束条件下，求(f，b)最佳的的最小值
非监督分类法又称为聚类分析或点群分析，是一种以影像中不同地物在特征空间中的光谱类别特征差别为主要依据的无先验类别标准的图像聚类统计分析的分类方法，即自然聚类的方法。
非监督分类的前提是假定遥感影像上的同类物体在相同的条件下具有相同的光谱信息特征。它与监督分类方法最大的不同就是，非监督分类方法不需要先行在遥感影像中建立训练区(roi)来获取分类信息，而是仅仅依靠遥感影像上不同类别地物的光谱信息特征之间的差别来进行分类，最后再确认分类完成的各地物类别的实际属性。isodata算法和k-mean算法是比较常用的非监督分类方法，本发明使用的是k-mean算法(运用envi软件，打开classification->unsupervised选择k-mean)。运用非监督分类方法对遥感影像进行分类一般包括以下6个步骤：
1)影像分析，分析影像，根据光谱信息大致判断地物类别分类的数量；
2)分类器选择，选择一个合适的分类方法；
3)图像分类，设置分类器的参数，进行图像分类；
4)类别定义，设置分类类别数便于之后对分类结果进行重新划分与合并；
5)分类重编码,重新定义分类好的类别的id；
6)结果验证,进行分类统计，计算分类的精度以及可靠性。
面对对象的分类方法是本发明所设计的一种分类方法，与其他几种方法相比，更适合高分辨率遥感影像的分类。
该分类方法突破了传统的基于像元的信息提取方法，提出了面向对象的影像分类技术，能够综合利用光谱信息及空间信息将相邻像元作为一个整体，更适合高分辨率遥感影像的分类。其包括以下步骤：
1)分割遥感影像：影像分割是指将影像中具有相似特征(如：亮度、色彩、纹理等)的相邻像元组合为“对象”的过程，即运用相关特征信息而定义的初级感兴趣区。
为了得到不同地物的最佳分割，对遥感影像(以2016年11月的高分一号影像为例)选择了8个分割尺度10，25，40，55，70，85，100，120进行区域合并分割试验(默认形状因子(shape)0.1，紧致度0.5)，不同尺度分割效果如下图8所示；
2)分类层次建立。在该分类方法中，分类层次体系是指在不同尺度层次中影像对象之间纵向关系以及相同尺度层次中对象间的横向关系。通过对遥感影像初步的目视解译分析，将研究的选定区划分为四个分类层次：
level1为最高层，分割尺度为100，用来提取研究区域中范围相对较大的地物对象(植被、非植被)；
在level1的基础上，继续进行level2的分割，分割尺度为70，shape为0.5；主要提取中尺度的地物(道路、建筑、水系等)；
level3在level2的基础上继续分割，分割尺度为25，主要提取相对较小的斑块状的地物对象(芦苇、蒲草、裸地、芦蒲共生等)；
level4与level3完全相同，主要是继承level2和level3的分类结果，得到最终的研究区地物分类。
3)分析分类特征，建立分类规则，在进行分类规则建立之前，首先要从不同角度综合考量选出最能代表各地物的特征或特征组合，选取完分类特征后要反复试验，要根据不同地物的典型特征或特征组合建立分类规则，使之与其他对象明显区别开。本发明在ecognition软件中根据规则集进行成员函数法和最邻近特征法进行分类，即运用隶属度分类器和最邻近分类器。
4)分析信息提取精度。
六、分类进度分析
采用混合矩阵方式中的地表真实训练区方法来进行精度分析(以2016年遥感影像为例)，首先是在预处理后2016年遥感影像上再次选择训练区(roi)，这次选择的训练区应尽量为纯净像元，以保证可以得到分类精度较为准确，而后这次的训练区的选择定义为检验roi，并且以此为基础再次进行分类，之后进行分类精度分析。总体分类精度＝被正确分类的像元总和÷总像元数。
为了能够更客观的评价分类质量，本发明还利用kappa系数来测定两幅图之间的吻合度或精度，其公式如下：
七、分类后处理
运用最大似然法、支持向量机法以及非监督分类等分类方法对影像进行分类后，分类后的图像经常存在空间上的不连续性(分类区域中有斑点或洞的存在)。无论是从实际应用的角度，还是从专业的制图角度，都要将这些小图斑剔除或者对其进行重新分类，本发明采用聚类处理的方法对分类后的影像进行处理，运用数学形态学算子(腐蚀和膨胀)，将临近的类似分类区域聚类并进行合并。聚类处理很好的解决了低通滤波用来平滑图像时其类别信息常被临近类别的编码干扰的问题。聚类处理首先会将被选中的分类用一个膨胀操作合并到一块，然后再用变换核对分类图像进行腐蚀操作，具体操作为：envi->classification->postclassification->clumpclasses。(原始分类结果与聚类处理结果的效果分别如图9和图10所示。
八、结果对比分析
(1)不同方法分类精度对比分析
最大似然法、支持向量机法、非监督分类方法、面向对象的分类方法的分类精度及kappa系数见表4。
表44种分类方法的分类精度及kappa系数统计表
根据表4中的数据结果对比分析，再结合目视解译，对比无人机航拍数据以及实地考察照片等资料，可以得出面向对象的分类方法较其他方法来说精确度最高，分类效果最好；经过对比每年不同分类方法所得分类后图像，结合分类精度统计、目视解译的地物类型特征等，非监督分类方法得出的分类效果图与实际目视解译以及无人机航拍数据图差距极大，城建用地与芦苇、芦蒲共生无法有效区分，有部分分类类别特征差异不大，应给予合并处理，故而非监督分类方法不适宜研究区的植被信息的提取。
(2)2012年、2014年、2016年三年分类结果统计分析
分类统计是对于分类后图像内容进行统计，主要包括各类在各波段的平均值、标准差、最值、特征值等信息。通过分类统计有助于确定分类结果的可靠性。同时可以根据分类统计的结果，绘制各类信息图表，计算相关矩阵、特征值等，并对分类结果进行总结。本发明使用面向对象的分类方法分类后处理过的影像进行分类统计，2012年、2014年和2016年地物类型百分比含量统计见表5。
表52012年、2014年和2016年地物类型百分含量表(％)
表5中数据表明最大似然法以及支持向量机法之间的分类精度差距并不是很大，虽然支持向量机法的分类精度要强于最大似然法，但是结合无人机航拍数据以及其他资料，可以得出最大似然法较支持向量机法分类效果更好。综上所述，五种分类方法对研究区植被信息的分类效果排序如下：面向对象的分类方法>最大似然法>支持向量机法>目视解译>非监督分类法。
通过分析对比可以得出三年来主要植被类型芦苇、蒲草以及芦蒲共生的变化规律。由上表4个表5数据可以得出，2012年到2016年之间研究区内芦苇所占面积的百分比在逐步上升，而蒲草数量则在2014年至2016年间出现明显下降；芦蒲共生区面积也在不断减少，枯死蒲草数逐年上升。
分别以2014年各地物所占区域的百分比为纵轴，以2012年的相关数据为横轴，制作了2012年-2014年研究区所有地物变化情况的转移矩阵表(表6)和以2016年各地物所占区域的百分比为纵轴，以2014年的相关数据为横轴，制作了2014年-2016年选定区域所有地物变化情况的转移矩阵表(表7)，分析2012年至2016年间芦苇、蒲草以及芦蒲共生三种植被类型的逐步变化情况；又以2016年各地物所占区域的百分比为纵轴，以2012年的相关数据为横轴，制作了2012年-2016年研究区所有地物变化情况的转移矩阵表(表8)，分析2012年至2016年主要植被类型的整体变化情况。
表62012年-2014年主要地物转移矩阵(单位：hm2)
表72014年-2016年主要地物转移矩阵(单位：hm2)
表82012年-2016年主要地物转移矩阵(单位：hm2)
由表6中数据可知，从2012年到2014年有17.62公顷的芦苇转变成蒲草，而有343.71公顷的蒲草转化为了芦苇，同时芦蒲共生区有563.05公顷转变为了芦苇，474.76公顷转变为了蒲草。
由此可得有326.09公顷的净蒲草量转化为了芦苇，由于芦蒲共生转化为蒲草较多，所以2014年较2012年蒲草生长面积保持相对稳定。大量的蒲草以及芦蒲共生区转化为芦苇生长区，导致了芦苇生长面积则迅速大幅度增长。
由表7数据可知从2014年至2016年有682.68公顷的蒲草转变为了芦苇，而只有22.22公顷的芦苇转化为蒲草，同时芦蒲共生区有275.54公顷转变为了芦苇生长区，仅仅只有38.13公顷转变为蒲草。
由此可得2014年至2016年间芦苇依旧保持快速的增长速度，蒲草生长面积则出现大范围的减少，芦蒲共生区面积大量转化为芦苇，面积逐渐减小。
综上所述，结合表8中的数据，可以得出，2012年至2016年期间，芦苇生长面积大幅度增长，芦蒲共生区逐年减小，由于芦蒲共生区的存在以及过度作用，蒲草的生长面积先保持基本稳定而后大幅度下降。
另外，考虑实测数据的采集，无人机不能长期飞行，长期进行实地监测，实地考察也不能长期监测。因此，本发明还提供如图11所示，本发明提供了一种湿地植被信息实地遥感监测组件，包括底座1，在底座1上垂直安装高升支架组件2，在高升支架组件2的顶端设置有用于安装针孔摄像头的电磁转动云台3。
高升支架组件2可以调节高低，从而控制电磁转动云台3的高度，电磁转动云台3自身的转动，从而控制针孔摄像头5的数据采集方向。
电磁转动云台3包括安装在高升支架组件2上的台柱301，在台柱301上安装有空心凹槽座302，在空心凹槽座302放置有磁转部件303，空心凹槽座302内部均匀环绕有若干组电磁线圈304，磁转部件303由一个磁性球303a以及焊接在磁性球303a上的圆形蜂窝板303b组成，针孔摄像头均匀分布在圆形蜂窝板303b的边缘。
在正常状态下，电磁线圈304不供电，磁转部件303不转动，圆形蜂窝板303b上的针孔摄像头位置不动，采集湿地植被图像信息。
给电磁线圈304供电，依据电磁驱动原理，由于电磁线圈304均匀分布，因此磁转部件在水平方向转动，使针孔摄像头在动态情况下采集湿地植被图像信息，采集的数据更多，更为准确。
圆形蜂窝板303b上至少安装6个针孔摄像头5，可将圆形蜂窝板303b上的针孔摄像头的朝向设置为不同的倾斜方向，从而可采集更大面积的湿地植被信息，如图1中，针孔摄像头5用圆形表示，并且从外侧到内侧逐渐变化，是由于圆形蜂窝板303b为侧视图，均匀设置在其边缘的针孔摄像头5在这个方向的视图下，间距和形状都会不同。圆形蜂窝板303b的直径略小于磁性球303的直径，避免磁性球303上端承受的重量过大，采用圆形蜂窝板303b的结构，减轻重量。为了防止风吹等自然因素对磁转部件303的影响，在磁转部件303的外部设有防尘玻璃罩5，且防尘玻璃罩5固定在空心凹槽座302的边缘，防尘玻璃5采用现有技术中用含氟表面活性剂处理过的仪表玻璃，从而达到防尘效果。
考虑电磁线圈304的供电，可充蓄电池5可通过现有常规的电压转换电路以及单片机控制技术，给电磁线圈304提供不同的电流，来控制磁性球303a的转速，其导线可通过主杆201和顶杆204的内部传输。
在本实施方式中，为了可以调整数据采集点的高低，也就是电磁转动云台3的高低，设计一种高升支架组件2来实现，包括安装在底座1上的主杆201、副杆202、第一驱动电机203a和第二驱动电机203b，副杆202平行的安装在主杆201一侧，且副杆高度为主杆201高度的1.2～2倍，主杆201上套接有与台柱301连接的顶杆204，在副杆202顶端安装有导索环205，在所述顶杆204顶端和底端侧面分别设有第一固定环206a和第二固定环206b，第一驱动电机203a和第二驱动电机203b分别通过第一导索207a、第二导索207b穿过导索环205与第一固定环206a、第二固定环206b固定连接。
第一驱动电机203a通过第一导索207a以副杆202顶端的导索环205为支点，拉动第一固定环206a向下移动，从而使得套接在主杆201上的顶杆204上移，第二驱动电机203b通过第二导索207b以副杆202顶端的导索环205为支点，拉动第二固定环206b向下移动，从而使得顶杆204下移。
第一固定环206a和第二固定环206b在顶杆204的侧面，并且是活动设置的，因此，第二固定环206b并不会影响顶杆204伸入主杆201内部。在所述底座1旁设置有至少2组可充蓄电池6，以及用于给可充蓄电池6充电的太阳能电池板7，且所述可充蓄电池6用于给电磁线圈304、第一驱动电机203a和第二驱动电机203b供电。太阳能电池板7为现有常用的供电技术。采用至少两组可充蓄电池6，是为了至少预留一组备用电量的可充蓄电池6。
本发明通过架设在湿地植被的实地区域来实时获取湿地植被信息，可以根据针孔摄像头的采集范围，在实地区域分布式架设该设备，采集点为高空且可调节的位置，采集范围广，巧妙的通过电磁驱动原理，利用多个针孔摄像头的布置，获取整个湿地植被的信息，既可以获取局部的图像信息，也可以将整个湿地植被，以该监测组件为中心，分割成若干个水平环面的信息，将所有环面图像信息组合在一起，就是整个湿地植被的信息。
在本实施方式中，基于遥感监测组件，还提供了一种湿地植被信息的实地监测方法，包括如下步骤：
步骤一、在湿地植被实地搭建高空监测平台，包括监测部件、调节升降部件、供电部件，供电部件用于给监测部件和调节升降部件提供电源，所述调节升降部件用于调节监测部件的高空位置；
步骤二、将监测部件设置为以电磁驱动原理为基础的可调节式组件，包括：用于安装针孔摄像头的圆形蜂窝板、内部设有电磁线圈的空心凹槽座，以及放在空心凹槽座内且与圆形蜂窝板固定连接的磁性球；
步骤三、在圆形蜂窝板的边缘均匀分布设置至少六个针孔摄像头，且所有针孔摄像头的拍摄方向与水平面的夹角呈梯度变化；
步骤四、断开电磁线圈的电流，使所有针孔摄像头采集各自固定垂直方向以及固定水平方向上湿地植被的局部图像信息；
步骤五、接通电磁线圈的电流，并通过调节电磁线圈的电流大小及方向，控制磁性球的水平转动方向和速率，使所有针孔摄像头各自固定垂直方向上所涵盖整个面的环面图像信息；
步骤六、将局部图像信息和环面图像信息作为湿地植被实地考察的实测数据。
该方法巧妙的通过电磁驱动原理，利用多个针孔摄像头的布置，获取整个湿地植被的信息，既可以获取局部的图像信息，也可以将整个湿地植被，以该监测组件为中心，分割成若干个水平环面的信息，将所有环面图像信息组合在一起，就是整个湿地植被的信息；如果湿地植被的面积超过了针孔摄像头所能采集到的范围，可在湿地植被上分布多个监测组件来完成实地实时监测。无需在实地进行考察，可以加入远程控制及远程信息传输技术，来完成远程控制。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
- 还没有人留言评论。精彩留言会获得点赞！