无人机和多光谱卫星影像进行水生植被年变化统计的方法与流程

本发明涉及无人机和多光谱卫星影像统计技术领域，具体为利用无人机和多光谱卫星影像进行水生植被年变化统计的方法。

背景技术：

水生植被:生长在水域中，由水生植物所组成的植被类型。由于水体中的生态条件比较一致，同时水又有流动性，有利于水生植物广泛迁移和传播，因此水生植物多广布种，也有世界种。在各自然带内，水生植物的种类大致是相同的。水生植物中高等植物种类简单，低等植物繁多。水生植被在维持健康湖泊生态系统中扮演着关键角色,对维护生态系统的结构和功能、改善水环境具有重要作用。

对大面积区域水污染情况进行实时监测，是预防违法、违规排放污废水、及时治理水污染，对水环境的污染的有效方式之一。目前对大面积区域水生植被的监测和核查主要采用遥感监测和无人机监测方式进行监测，目前公专利号为201811312185.7的申请中，此申请需要地面实测的生物量数据，并结合无人机多光谱影像数据进行相关性分析。此种方法不仅耗时，且成本较高，不利于推广。

技术实现要素：

本发明的目的在于提供无人机和多光谱卫星影像进行水生植被年变化统计的方法，以解决上述背景技术中提出的现有水生植被监测方式成本高，耗时长等问题。

为实现上述目的，本发明提供如下技术方案：无人机和多光谱卫星影像进行水生植被年变化统计的方法包含以下步骤：

步骤一、采集调查区域的多光谱卫星影像，分辨率优于0.5米，光谱最少应包含有三个可见光波段和一个近红外波段；

步骤二、对多光谱卫星影像进行预处理，使其具有正确的位置信息和光谱信息；

步骤三、在多光谱卫星影像的获取时间点前后一周时间内，使用挂载有云台及相机的无人机对湖滨及湖岸按照设定的航线进行飞行，同时按照设定的间隔时间或距离镜头垂直朝下进行拍照，需确保照片分辨率优于10cm，确保相邻照片重叠度大于60％；

步骤四、将采集的照片进行处理，得到湖滨及湖岸的正射影像；

步骤五、将正射影像配准到步骤二预处理后的多光谱卫星影像上，确保二者共同覆盖区域基本重叠；

步骤六、根据步骤二预处理后的多光谱影像和步骤五配准后的正射影像进行水生植被分类，并确定其水生植被种类；

步骤七、对于不确定的水生植被种类，人工现场核查，并采集现场照片；

步骤八、将调查区域的所有水生植被种类标注于多光谱卫星影像上，以每一标注点为中心，对卫星依据光谱差异进行分割和边界提取，得到该年该标注点所标注水生植被的生长范围，同时对每个水生植被标注点进行卫星影像样本采集，得到每个水生植被标注点对应的第一年样本库；

步骤九、在第二年相同时间段内获取相同技术规格的多光谱卫星影像，并进行预处理；

步骤十、将步骤九获取到的多光谱卫星影像与步骤二预处理后的第一年多光谱卫星影像进行配准，确保二者共同覆盖区域基本重叠；

步骤十一、将步骤八所标注的水生植被位置及种类叠加于步骤十配准后的第二年多光谱卫星影像之上；

步骤十二、在步骤十配准后的第二年多光谱卫星影像上，以每一个标注点为中心，依据该年卫星影像的光谱差异进行分割和边界提取，得到该年该标注点所标注水生植被的生长范围。同时对每个水生植被标注点进行该年的卫星影像样本采集，得到每个水生植被标注点对应的第二年样本库；

步骤十三、比较每个水生植被标注点在步骤十二中得到的样本与步骤八种得到的样本之间的差异，如果差异在设定的阈值之内，则将该点第二年采集样本添加至该点的样本库中，如果差异超出设定的阈值，则进行现场核查，同时用无人机采集该处优于10cm分辨率的正射影像，分析该处水生植被是否发生种类变化，如果发生种类变化，则添加新的水生植被标注点，并标注对应的新增水生植被种类；如果没有发生变化，则将该点第二年采集样本添加至该点的样本库中；

步骤十四、之后每年重复步骤九至步骤十三，即可得到该调查区域水生植被年变化情况的统计结果。

与现有技术相比，本发明的有益效果是：本方法基于无人机影像优于10cm的分辨率，对水生植被进行粗提取，通过人工现场核查，对水生植被进行精确提取，得到水生植被的生长中心点，并标注其位置及种类。基于优于0.5米分辨率的多光谱卫星影像，叠加水生植被的生长中心点，并以此为中心对卫星影像依据其光谱差异进行分割和边界提取，得到水生植被的生长范围及该点该类水生植被的卫星影像样本。通过第二年的卫星影像对比，对新增的水生植被进行处理，基于该年的影像以水生植被生长点为中心进行分割和边界提取，从而得到第二年的水生植被生长范围。之后每年都按照此方法进行统计。由于第一年通过优于10cm分辨率的无人机影像进行水生植被生长中心点及其种类的确定，精度高，效率快。之后每年的主要工作是采用优于0.5米分辨率的多光谱卫星影像进行分析和处理，具有时效性高、效率快、人工成本低的特点。通过该方法，对水生植被进行年变化精确统计，可以在宏观上对目标区域的水环境变化进行有效直观的反馈，同时对于水生植被种类发生变化的区域可以进行重点关注，对水生态治理有重要的指导作用。此外，随着时间的增加，历史数据不断积累，每个水生植被样本库逐渐丰富，在样本量达到一定规模后，利用机器学习可实现自动化、智能化的水生植被监测。

附图说明

图1为本发明实施例的具体步骤结构示意图；

图2为本发明实施例中step4中获取无人机影像原理示意图；

图3为本发明实施例中step5中对无人机影像进行拼接的示意图；

图4为本发明实施例中step7确定水生植被种类及其生长中心点步骤图；

图5为本发明实施例中step7.2中外业核查拍摄的照片图；

图6为本发明实施例中step7.5中十字法的计算示意图；

图7为本发明实施例中step11具体步骤图。

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。

实施例：无人机和多光谱卫星影像进行湖岸和湖滨水生植被年变化统计方法包含以下步骤：详细步骤流程参照图1所示；

step1：确定调查区域，一般调查区域呈带状分布，主要区域为湖岸和湖滨。

step2：获取多光谱卫星影像，要求分辨率优于0.5米，至少具有红、绿、蓝、近红外四个波段。

step3：几何校正和辐射校正。对获取的多光谱卫星影像进行预处理，使其具有准确的地理坐标及光谱信息。

step4：获取无人机影像。在与卫星影像获取时间相邻的时间段内，使用挂载有云台及相机的无人机对湖滨及湖岸按照设定的航线进行飞行，同时按照设定的时间间隔(或距离)镜头垂直向下进行拍照。需确保照片分辨率优于10cm，确保相邻照片重叠度大于60％。如图2所示；其中：相邻照片重叠区域长度a与照片整体画幅长度b的比值应大于60％。

step5：对无人机影像进行拼接。得到调查区域优于10cm分辨率的正射影像，处理后的照片示例如图3：

step6：将无人机影像配准至多光谱卫星影像。在无人机影像和卫星影像上选择明显的共同特征点，通过二次多项式法进行几何校正，使无人机影像与多光谱卫星影像基本重叠。

step7：确定水生植被种类及其生长中心点。该步骤包含以下子步骤：步骤图如图4所示；

step7.1：通过无人机影像光谱表现判断水生植被种类。无人机影像分辨率优于10cm，可通过人工解译初步判读水生植被种类。

step7.2：外业核查：初步解译成果需要进一步到实地核查，尤其是内业判读确定性不大的目标。

外业核查拍摄的照片如图5所示：

step7.3：根据外业核查结果，进行内业整理，标注准确的水生植被种类及其基本生长位置。

step7.4：基于无人机影像之光谱信息进行分割和边界提取。

step7.5：基于上述边界信息，计算新的水生植被生长中心点。为确保该中心点位于生长区域内，中心点坐标采用十字法计算，对于某个生长点，具体如下：

(1)通过遍历坐标，得到该区域的北坐标最大值n_max和最小值n_min。

(2)得到该区域边界与直线n＝(n_max-n_min)/2的交点坐标，记为p1(n，e1)、p2(n，e2)、p3(n，e3)、p4(n，e4)，交点应成对出现，至少应有1对，可以有多对。

(3)计算d1＝e2-e1、d2＝e4-e4、d3＝e6-e5、…比较d1、d2、d3、…，取出最大值(记为d_max)对应的那一对坐标，若总共只有一对，则不用比较，直接选择这一对坐标。取出的这对坐标记为p_s1(n，e_s1)、p_s2(n，e_s2)。

(4)则该水生植被的生长中心点新坐标为p_new(n,e_s1+d_max/2)十字法的计算示意图如图6所示：

step8：采集每个生长中心点对应的第一年卫星影像样本及生长范围。将step7所得到的生长中心点及其范围叠加到卫星影像上，并采集每个中心点的卫星影像样本，样本范围以step7所得到的各个生长中心点的范围为准，样本内容为该范围内四个波段的数据。

step9：获取该调查区域第二年相同时间段的同规格多光谱卫星影像，并按照step3的方法进行预处理。预处理之后，采用step6的方法将第二年获取的卫星影像配准到第一年的卫星影像上，使二者基本重叠。

step10：采集每个生长中心点对应的第二年卫星影像样本及生长范围。该步骤包含如下子步骤：

step10.1：叠加上一年的生长中心点及生长范围。

step10.2：以上一年的生长范围对每个生长点进行样本选取。

step10.3：得到每个生长中心点对应的第二年卫星影像样本。

step11：对比两期影像同一生长点的卫星影像样本差异是否超出设定阈值。该步骤包含如下子步骤，具体步骤如图7所示；

step11.1：第一年、第二年的卫星影像样本一一对应

step11.2：对第二年每个样本依照光谱特征及纹理特征进行分割。分割后得到多个小块。

step11.3：以第一年该点及其相邻水生植被的卫星影像样本为基准，对第二年该样本范围内卫星影像分割后的每个小块进行相似性检测，主要考虑的参数为红、绿、蓝、近红外光谱统计值及ndvi。同时得到每个小区块的相似性因子x(取值范围为0-1，其中，0表示完全不相似，1表示完全一致)。x的计算方法如下：

step11.4：根据小区块与周围相邻水生植被计算得到的相似性因子大小，对小区块进行归类(小区块与哪一个水生植被的相似性因子最大，就将其归为该类)，同时计算其差异值d＝1-x。

step11.5：计算差异阈值，并判断差异值与该阈值的大小关系。差异阈值的计算按照统计方法计算，其具体步骤如下：

(1)将所有水生植被样本按照种类进行归类，将相同种类的水生植被归为一类，并计算其光谱特征值，采用下述公式进行计算，得到每个水生植被种类的光谱特征值。

(2)计算不同水生植被之间xr、xg、xb、xnir、xndvi之间的差值，分别记为δxr、δxg、δxb、δxnir、δxndvi。

(3)差异阈值比较该阈值与差异值d大小关系。

step12：若差异值d超出阈值t，则采集该点及其周边的无人机影像及现场照片。

step13：根据采集的照片，核查该点水生植被较上一年是否发生变化。

step14：如果发生了变化(包括新增或减少)，则在该年的水生植被中心点中添加或删除相应的植被信息。

step15：如果两期影像样本差异d未超过阈值t，或者d超过t，但是经无人机影像及现场照片核查，该点植被种类没有发生变化，则将第二年的影像添加至该点植被的样本库中。

step16：根据step11-step15得到每个生长中心点初步的第二年卫星影像样本及生长范围。

step17-step20：查看调查区域内上一年未归类到水生植被覆盖范围的区域是否有新增但为标注的水生植被。若有，则使用无人机及现场照片进行核实，并添加该点的植被信息。

step21：得到第二年完整的水生植被生长中心点及其生长范围结果。该结果作为下一年的基准进行分析。

step22：后续重复前两年的工作，即可得到调查区域内的水生植被生长点及其生长范围的年变化统计结果。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。