基于高清卫星遥感的林业资源采集方法与流程
本发明涉及林业资源采集方法技术领域，特别是涉及基于高清卫星遥感的林业资源采集方法。
背景技术：
遥感(remotesensing)即遥远的感知，指在一定距离上，应用探测仪器不直接接触目标物体，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术。摄影照相便是一种最常见的遥感,照相机并不接触被摄目标,而是相隔一定的距离,通过镜头把被摄目标的影像记录在底片上,经过化学处理,相片便重现被摄目标的图像。从拍摄目标到再现目标所用的手段,便是一种遥感技术。遥感与其他技术结合，在农业应用中具有科学、快速、及时的特点。这对于充分利用农业资源、指导农业生产、农产品供需平衡等方面有着重要的意义。
遥感在农业方面的应用主要是在进行农用土地资源调查、作物估产和气象灾害、作物病虫害的监测、预报等方面。
国外遥感估产研究的进展状况：
美国首先开了农作物遥感估产之先河，美国农业部、国家海洋大气管理局、宇航局和商业部合作制定了“大面积农作物估产实验(1974～1978)计划”，组织实施了小麦估产计划，应用先后发射入轨的陆地卫星1～3接收处理出的mss图像，首先对美国大平原9个小麦生产州的面积、单产和产量做出估算；尔后对包括美国本土、加拿大和前苏联部分地区小麦面积、单产和产量做出估算；接着是对世界其它地区小麦面积、总产量进行估算。调查分析美国、原苏联、加拿大等主要产粮国的小麦播种面积、出苗状况和长势，并利用气象卫星获得的气象要素信息，结合历年统计数据进行综合分析，建立的小麦估产模型精度高达90％以上。
1980～1986年，美国又制定了“农业和资源的空间遥感调查”计划,其核心内容仍是主要作物的种植面积与单产模型的研究。进行国内、世界多种粮食作物长势评估和产量预报。中国科学院自然资源综合考查委员会的陈沈斌于1992年8月在美国农业部外国农业局(负责美国以外国家的农作物估产,并建成运行系统)曾见到当月估计的中国小麦、玉米、水稻总产量与后来1993年国家统计局公布的数字差-3.53％、+0.65％和-0.66％。该项工作,为美国在世界农产品贸易中获得巨大的经济利益。
此后，欧共体、俄罗斯、法国、日本和印度等国也都应用卫星遥感技术进行农作物长势监测和产量测算，均取得了一定的成果。例如，欧共体用10年的时间(从1983年开始)，建成用于农业的遥感应用系统，1995年在欧共体15个国家用180景spot影像，结合noaa影像在60个试验点进行了作物估产，可精确到地块和作物种类。2002年美国航空航天局与美国农业部合作在贝兹维尔、马里兰用modis数据代替noaa-avhrr进行遥感估产，modis搭载的terra卫星是1999年由美国(国家航空航天局)、日本(国际贸易与工业厅)和加拿大(空间局、多伦多大学)共同合作发射的，modis数据涉及波段范围广(36个波段)、分辨率(250,500,1000m)比noaa-avhrr(5个波段，分辨率为1100m)有较大的进步，这些数据均对农业资源遥感监测有较高的实用价值。
ldso等曾运用500～600nm和600～700nm两个光谱区得到的反射值的转换植被指数(tv16)来估计小麦与大麦的单产,获得小麦单产与tv16之间的相关系数为0.78。同年，日本科技公司完成了“遥感估产”项目，可提高平原农业估产的精度，并着眼于对全球进行估产。而美国已经将遥感技术用于精细农业，对农作物进行区域水分分布评估、病虫害预测等，直接指导农业生产。用卫星遥感方法进行长势监测和产量估算已进行多年，方法已趋于成熟。
水稻遥感估产以亚洲水稻主要生产国为先行和先进。中国、印度、日本等国家都进行过遥感估产研究且取得较好的效果。patel和dash等[14]建立水稻产量和rvi的关系,试验区预报精度达到96.14％。miller等[15]在分蘖或出穗阶段时,运用比值植被指数通过干物质和单产的关系来估计单产。但在作物灌浆与成熟阶段,由于反射率与总生物量之间并不相关,比值植被指数无法预测水稻的冠层生物量。wiegand,ssray认为借助于归一化植被指数ndvi{(nir-r)/(nir+r)}可以很好地预测产量。
国内遥感估产研究进展情况:
从“六五”开始，我国试用卫星遥感进行农作物产量预报的研究，并在局部地区开展产量估算试验。“七五”期间，国家气象局于1987年开展了北方11省市小麦气象卫星综合测产，探索运用周期短、价格低的卫星进行农作物估产的新方法。该项目中，主要是以长期的气象资料为基础，以遥感信息为检验手段，建立了不同地区的遥感参数-作物产量的一阶回归模型。1985～1989年，此项目为中央和地方提供了165次不同时空尺度的产量预报，为国家减少粮食损失达33万t以上，累计经济效益达20亿元。
“八五”期间，国家将遥感估产列为攻关课题，由中国科学院主持，联合农业部等40个单位，开展了对小麦、玉米和水稻大面积遥感估产试验研究，建成了大面积“遥感估产试验运行系统”，并完成了全国范围的遥感估产的部分基础工作。通过1993～1996年4年试验运行,分别对四省两市(河北、山东、河南、安徽北部和北京市、天津市)的小麦,湖北、江苏和上海市的水稻；吉林省的玉米种植面积、长势和产量的监测和预报,在指导农业生产及农业决策中发挥了重要作用。特别是解决了一些关键技术问题，为进一步开展全国性的卫星遥感估产提供了重要保证。
1995年以信息系统及农情速报，建立全国资源环境数据库；中国科学院、气象局及多家高等院校、研究所致力于遥感估产技术的研究，并在浙江、江西、江苏各省及华北、东北、江汉平原等地区对冬小麦、玉米、水稻、糜子等作物进行遥感估产，在遥感信息源选取、作物识别、面积提取、模型构建、系统集成等各个技术环节有了大幅的进步。李哲、张军涛提出的基于遗传算法与人工神经网络相结合的玉米估产方法；侯英雨等提出的基于作物植被指数和温度的产量估算模型；江东博士提出的基于人工神经网络的农作物遥感估产模型；王人潮教授等提出的高光谱遥感估算模型和水稻双向反射模型等等，这些模型汲取了以前模型的优点，模型因子的选择更加合理，可操作性更强，精确程度更高。随后，遥感估产方法已日趋成熟起来。
当前土地利用类型的快速获取主要是通过遥感影像计算机自动分类。高空间分辨率影像较之于低空间分辨率影像含有更丰富的空间信息，几何特征和纹理特征也更加明显。因此，利用高空间分辨率影像能更容易的获取地物的类别属性信息。传统的遥感影像分析方法是基于像元的信息提取技术，如：最大似然法、最小距离法、k-均值法、叠代自组织数据分析等方法，这些方法在理论和应用上都比较成熟，但这些方法仅考虑了影像的光谱特征信息。blaschke和strobl认为传统的基于像元的分析方法不能完全明确运用影像固有的空间信息，很难区分影像中存在的“同物异谱”及“同谱异物”现象，大多数情况下它只是将相邻或邻近的像元归并为一个类别。为了克服传统技术的缺点，亟需研发一种基于遥感图像的新的林地信息分类方法。
技术实现要素：
本发明的目的在于避免现有技术中的不足之处而提供基于高清卫星遥感的林业资源采集方法，该方法能够快速、准确地完成林地信息分类以供提取。
本发明的目的通过以下技术方案实现：
提供基于高清卫星遥感的林业资源采集方法，包括以下步骤：
步骤一：选择第一遥感数据源和第二遥感数据源；
步骤二：对第一遥感数据源和第二遥感数据源进行遥感影像的数据处理，得到第一遥感影像图和第二遥感影像图，所述遥感影像的数据处理包括影像融合：将第一遥感数据源或第二遥感数据源的至少两张不同时期的遥感影像进行融合：根据多光谱图像生成三波段图像，融合前影像配准选点操作，变换成hsv图像，生成v波段图像，反变换生成rgb图像；
步骤三：对第一遥感影像图作林地信息提取和变化信息提取，用于抽样验证，以形成林地调查成果数据库；
步骤四：对第一遥感影像图和第二遥感影像图分别作变化信息提取，并将从两者提取出的变化信息形成林地变化信息，用于对步骤三的数据库进行数据库更新以形成林地变化监测最终数据，其中，步骤三中的林地信息提取包括有作物覆盖林地提取、无作物覆盖林地提取、有林地提取、裸土地提取和水体提取，林地信息分类和提取的方法是：设r、g、b分别表示影像红通道、绿通道、蓝通道三个通道的平均值，利用r、g、b作为基数，根据不同的林地信息设定一一对应的公式来对林地信息进行分类。
优选的，有作物覆盖林地信息分类步骤是：自定义特征c，其定义如式：c＝(3×g－b－r)/(3×g+b+r)，若c≥0.238，且坡度＜15°，则为有作物的耕地。
优选的，纹理特征异于耕地的有林地的分类和提取：设公式为：
优选的，有林地信息提取：自定义特征f，若f在区间[35，44]范围内，则为有林地类别。
无作物覆盖林地和裸土地信息提取：设公式n＝((b-g)*(g-r))/255,若n≥4.6，则为无作物覆盖林地，林地和林地信息提取完成后，剩下的形状较规整的褐色块根据其光谱特性已能够提取出，方法如下：若红色通道的平均值r≥190，则为裸土地。
水体信息提取：在剩余未分类对象中，若亮度平均值≥92，则为水体。
优选的，所述步骤二的遥感影像的数据处理包括几何校正，几何校正包括以下步骤：
步骤(1)：选择控制点：在遥感图像和地形图上能明显定位的地方分别选择同名控制点，以建立图像与地图之间的投影关系，这些控制点应该选在能明显定位的地方，如河流交叉点等；
步骤(2)：建立整体映射函数：根据图像的几何畸变性质及地面控制点的多少来确定校正数学模型，建立起图像与地图之间的空间变换关系，如多项式方法、仿射变换方法等；
步骤(3)：重采样内插：为了使校正后的输出图像像元与输入的未校正图像相对应,根据确定的校正公式，对输入图像的数据重新排列，在重采样中，由于所计算的对应位置的坐标不是整数值，必须通过对周围的像元值进行内插来求出新的像元值。
优选的，所述几何校正为几何精校正，包括以下步骤：
步骤a：输入数据源的原始数字影像；
步骤b：建立校正变换函数：利用控制点间的映射关系，建立最小二乘下的变换函数；
步骤c：确定输出影像范围；
步骤d：像元几何位置变换；
步骤e：像元的灰度重采样；
步骤f：输出校正后是数字影像。
计算机可存存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现以上所述的基于高清卫星遥感的林业资源采集方法的步骤。
终端，包括处理器，其特征在于：还包括以上所述的计算机可读存储介质，该计算机可读存储介质的计算机程序可被处理器执行。
本发明的有益效果：本发明的基于高清卫星遥感的林业资源采集方法，包括以下步骤：步骤一：选择第一遥感数据源和第二遥感数据源；步骤二：对第一遥感数据源和第二遥感数据源进行遥感影像的数据处理，得到第一遥感影像图和第二遥感影像图；步骤三：对第一遥感影像图作林地信息提取和变化信息提取，用于抽样验证，以形成林地调查成果数据库；步骤四：对第一遥感影像图和第二遥感影像图分别作变化信息提取，并将从两者提取出的变化信息形成林地变化信息，用于对步骤三的数据库进行数据库更新以形成林地变化监测最终数据，本发明中，步骤三中的林地信息提取包括有作物覆盖林地提取、无作物覆盖林地提取、有林地提取、裸土地提取和水体提取，林地信息分类和提取的方法是：设r、g、b分别表示影像红通道、绿通道、蓝通道三个通道的平均值，利用r、g、b作为基数，根据不同的林地信息设定一一对应的公式来对林地信息进行分类以供提取，本发明的林地信息分类和提取的方法能够快速、准确地完成林地信息分类以供提取。
附图说明
利用附图对发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明的基于高清卫星遥感的林业资源采集方法的流程图。
具体实施方式
结合以下实施例对本发明作进一步描述。
本实施例涉及基于高清卫星遥感的林业资源采集方法，因此需获得合适的遥感影像，一般情况下，遥感影像总存在一些质量问题要进行必要的处理，比如去除影像中的噪声、雾、云、阴影等。为了有利于目视判读或人机交互解译，需要做一些必要的影像增强处理，可以突出影像中林地信息，影像会变得清晰，解译性提高。增强处理可分为波谱特征增强(突出灰度信息)、空间特征增强(突出线、边缘、纹理结构特征)及时间信息增强(针对多时相而言)。
而针对相关的影像前处理，从数学形式看，又可划分为点处理(如线性扩展、比值、直方图变换等)和邻域处理(如卷积运算、中值滤波、滑动平均等)。
对多期遥感影像做解译和分类时，要进行最佳波段组合。遥感影像的融合(包括不同分辨率的影像、影像与其它数据间的融合)能提高解译和分类精度。
利用影像的原始波段生成新波段(如植被指数ndvi或其它植被指数)，也有助于提高影像的可解译性及分类精度等。
林业遥感的分类精度与选择的遥感数据时相有一定关系。遥感数据选择应根据监测区物候气象特点，选择合适的遥感数据源，对于林地变化监测来说，较为理想的是选择同一地区同一季相的遥感数据，可以减少因季节差异产生的变化，否则会因为季节差的原因而产生大量虚假的地类变化信息，会干扰关键变化信息的提取。若选择了不同季相影像数据，应在影像数据处理环节、动态检测算法中或者分类过程中采用“补偿法”消除影像的季节差因素。
本实施例的基于高清卫星遥感的林业资源采集方法，选择同一地区同一季相的高清遥感数据，如图1所示，包括以下步骤：
步骤一：选择第一遥感数据源和第二遥感数据源；
步骤二：对第一遥感数据源和第二遥感数据源进行遥感影像的数据处理，得到第一遥感影像图和第二遥感影像图，所述遥感影像的数据处理包括影像融合：将第一遥感数据源或第二遥感数据源的至少两张不同时期的遥感影像进行融合：根据多光谱图像生成三波段图像，融合前影像配准选点操作，变换成hsv图像，生成v波段图像，反变换生成rgb图像，影像通过融合既可以提高多光谱影像空间分辨率，又保留其多光谱特性。因此，它不仅仅是数据间的简单复合，而强调信息的优化，以突出有用的专题信息，消除或抑制无关的信息，改善目标识别的影像环境，从而增强解译的可靠性，减少模糊性(即多义性、不确定性和误差)，提高分类精度，扩大应用范围和效果；
步骤三：对第一遥感影像图作林地信息提取和变化信息提取，用于抽样验证，以形成林地调查成果数据库；
步骤四：对第一遥感影像图和第二遥感影像图分别作变化信息提取，并将从两者提取出的变化信息形成林地变化信息，用于对步骤三的数据库进行数据库更新以形成林地变化监测最终数据。
进行林地信息分类之前，先对遥感影像进行影像分割，分割后再进行林地信息分类和提取，具体如下：步骤三中的林地信息提取包括有作物覆盖林地提取、无作物覆盖林地提取、有林地提取、裸土地提取和水体提取，林地信息分类和提取的方法是：设r、g、b分别表示影像红通道、绿通道、蓝通道三个通道的平均值，利用r、g、b作为基数，根据不同的林地信息设定一一对应的公式来对林地信息进行分类。
具体分类方法如下：
林地分成有作物的耕地和无作物的耕地，通过观察影像信息和实地考查，发现无作物的林地为褐色，有作物覆盖林地在影像上呈现绿色和黄色，为提取该类别的对象，自定义特征c，其定义如式：c＝(3×g－b－r)/(3×g+b+r)，若c≥0.238，且坡度＜15°，则为有作物的耕地。
利用分类好的有作物的耕地信息，如果通过人眼观察影像发现包含了林地信息，这时候需要把这些被误分离出来的林地信息给提取出来，最好的方式就是引入专家知识，即种植作物的耕地一般地势比较平坦，而种植林木的林地一般是丘陵或者上坡，因此，坡度可以作为一个区分有作物的耕地和林地的衡量标准，经过分析发现，将坡度定在小于15°能更准确地将作物的耕地提取出来。
纹理特征异于耕地的有林地的分类和提取：设公式为：
优选的，影像中的有林地部分分布特征是比较零散，通过观察影像和影像对象发现有林地在影像中呈深绿色，为了提取林地信息，自定义特征f，若f在区间[35，44]范围内，则为有林地类别。
无作物覆盖林地和裸土地信息：设公式n＝((b-g)*(g-r))/255,若n≥4.6，则为无作物覆盖林地，林地和林地信息提取完成后，剩下的形状较规整的褐色块根据其光谱特性已能够提取出，方法如下：若红色通道的平均值r≥190，则为裸土地。
水体信息提取：在剩余未分类对象中，若亮度平均值≥92，则为水体。
通过以上的分类后，在提取某些易混淆类别时结合人脑认知引入专家知识，快速、准确地完成了林地类型的信息提取。
本实施例的林地信息分类和提取方法与现有技术的监督分类和非监督分类相比，更为简单，容易实现，且准确率更高。
优选的，所述步骤二的遥感影像的数据处理包括几何校正，遥感图像在采集过程中，遥感器高度和姿态角的变化、大气折光、地球曲率、地形起伏，地球旋转和遥感器本身结构性能等都会引起图像几何变形。几何变形使图像中的几何图形与该物体在所选定的地图投影中的几何图形产生差异，使图像产生了几何形状或位置的失真，主要表现为位移、旋转、缩放、仿射、弯曲和更高阶的弯曲，或表现为象元相对地面实际位置产生挤压、伸展、扭曲或偏移。
为了消除上述的误差影响，所以遥感影像需要做几何校正。几何校正包括以下步骤：
步骤(1)：选择控制点：在遥感图像和地形图上能明显定位的地方分别选择同名控制点，以建立图像与地图之间的投影关系，这些控制点应该选在能明显定位的地方，如河流交叉点等；
步骤(2)：建立整体映射函数：根据图像的几何畸变性质及地面控制点的多少来确定校正数学模型，建立起图像与地图之间的空间变换关系，如多项式方法、仿射变换方法等；
步骤(3)：重采样内插：为了使校正后的输出图像像元与输入的未校正图像相对应,根据确定的校正公式，对输入图像的数据重新排列，在重采样中，由于所计算的对应位置的坐标不是整数值，必须通过对周围的像元值进行内插来求出新的像元值。
本实施例的几何校正方法和现有技术的相比，其能更为准确地将畸变的图像进行纠正，以还原图像本来的面貌。
优选的，所述几何校正为几何精校正，包括以下步骤：
步骤a：输入数据源的原始数字影像；
步骤b：建立校正变换函数：利用控制点间的映射关系，建立最小二乘下的变换函数；
步骤c：确定输出影像范围；
步骤d：像元几何位置变换；
步骤e：像元的灰度重采样；
步骤f：输出校正后是数字影像。
做几何精校正时，控制点在10-30个左右，尽量均匀分布，最后rms控制在一个象元以内即可。控制点的数量取决于影像的分辨率与幅宽，不能过少也不能过多。常用的校正模型是二次多项式，采用本实施例的几何精校正方法后能大幅提高校正效果。
遥感影像的处理还包括大气辐射校正。做好影像间的高精度配准，可以避免因错位而造成的伪变化。
做完几何校正工作后，影像就具有了大地坐标，具有了明确的地理位置，可以与对应的其它地图如地形图、林相图、数字高程(dem)、gps数据等做同步比较，协助影像的判别。
本实施例还提供计算机可存存储介质，存储有计算机程序，该计算机程序被处理器执行时实现以上所述的基于高清卫星遥感的林业资源采集方法的步骤。
本实施例还提供终端，包括处理器和以上所述的计算机可读存储介质，该计算机可读存储介质的计算机程序可被处理器执行。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
- 还没有人留言评论。精彩留言会获得点赞！