一种融合植被生命周期特征的遥感分类方法与流程

本发明属于植被遥感快速分类，具体涉及一种融合植被生命周期特征的遥感分类方法。

背景技术：

1、基于遥感数据的地物/植被类型提取技术在自然资源调查与监测、生态与环境保护、市政及公路工程规划等方面均具有重要意义。现大部分地物分类研究集中于对遥感图像的分类方法研究，提出了一系列基于光谱、纹理及形状等的机器学习模型与方法。尽管遥感分类的研究取得了显著的进步，但对于植被自身的生长特性研究不足。

2、在植被的不同生长时间段内获取影像及特征对遥感分类具有重要的意义，而不同植被在遥感影像上的差异性表现受到其生长速度的影响。根据不同植被的生长速度周期可以将植被生长周期划为三个阶段，分别为：生长期、饱和期和衰老期。其中，生长期是植被处于快速生长阶段；处于饱和期的植被生长速度减缓，此时发育也是比较好的时期；在衰老期，植被的生长速度则趋近于停滞。在过往的研究中，针对植被生长的研究主要包括两个方面：时序序列重构和生命周期节点提取，时间序列重构过程中主要使用savitzky-golay滤波法、双logistic函数以及谐波分析等方法重构具有代表性的植被指数数据，生命周期节点参数提取方法主要有阈值法、导数法、拟合法等。但是上述时间序列针对整个植被生长周期使用一种拟合方式，无法很好的反应不同生长周期植被发育生长速率的差异性，导致分类精度不高且生命周期节点参数提取方法有待发展。

技术实现思路

1、本发明的目的就是为了解决上述背景技术存在的不足，提供一种融合植被生命周期特征的遥感分类方法，能够基于高质量遥感数据和植被生命周期知识驱动，实现对区域植被类型的分类。

2、本发明采用的技术方案是：一种融合植被生命周期特征的遥感分类方法，包括以下步骤;

3、基于待分类区域的遥感图像中每个像素点在不同时间的植被指数，形成各像素点的密集长时间序列植被指数数据集；

4、针对待分类区域的遥感图像中每种植被类型的样本集在不同时间的植被指数取均值，形成各植被类型的密集长时间序列植被指数数据集；

5、分别针对每个像素点和植被类型的密集长时间序列植被指数数据集进行曲线拟合，形成每个像素点和植被类型相应的全程拟合曲线；

6、对每个像素点和各植被类型的全程拟合曲线分别进行微分操作得到对应的导函数曲线；

7、根据每个像素点和植被类型的导函数曲线最大值、最小值和设定阈值比例所确定的时间节点，确定每个像素点和植被类型的生长期、饱和期和衰老期的时间段；

8、根据每个像素点和植被类型的密集长时间序列植被指数数据集的最大值和最小值及设定比率，获取每个像素点的生长阶段特征图；所述生长阶段特征图用于表征植被在生长开始时间、饱和时间和衰老时间；

9、构建待分类区域的遥感图像中每个像素点和各植被类型的样本集的分类特征空间；所述分类特征空间包括生长期、饱和期和衰老期相应的光谱特征、纹理特征和极化特征，以及生长阶段特征图；

10、使用待分类区域的不同植被类型的样本集及其分类特征空间训练分类器；

11、基于待分类区域的遥感图像所有像素点的分类特征空间，利用训练完成的分类器，对待分类区域的遥感图像中所有像素点进行植被类型分类。

12、上述技术方案中，基于不同来源的遥感卫星数据获取待分类区域的遥感图像；对多源的待分类区域的遥感图像各时间点进行波段变换和植被指数变换，并计算变换后的每个时间点的植被指数均值，用于形成每个像素点和植被类型的密集长时间序列植被指数数据集。

13、上述技术方案中，将每种植被类型的样本集分为训练集和验证集；采用训练集形成不同植被类型的分类特征空间，以训练分类器；利用验证集对训练完成的分类器进行验证，生成植被类型预测精度。

14、上述技术方案中，密集长时间序列植被指数数据集的拟合过程包括：针对任一个密集长时间序列植被指数数据集，按照生长期和衰老期进行分割，并对分割形成的数据集单独进行拟合得到生长期和衰老期阶段的拟合曲线，然后将生长期和衰老期阶段的拟合曲线进行连接，以形成每个像素点和植被类型相应的全程拟合曲线。

15、上述技术方案中，针对每个像素点和植被类型的密集长时间序列植被指数数据集，找到其最大值和最小值；最大值对应时间点以前的时间段为生长期，最大值对应时间点以后的时间段为衰老期，最小值对应时间点以前的时间段为衰老期，最小值对应时间点以后的时间段为生长期。

16、上述技术方案中，对待分类区域的遥感图像进行大气校正、地形校正和数据去云处理后，再生成每个像素点和植被类型的密集长时间序列植被指数数据集。

17、上述技术方案中，对每个像素点和植被类型的密集长时间序列植被指数数据集进行平滑去噪后再进行曲线拟合。

18、上述技术方案中，构建各植被类型的样本集的分类特征空间的过程包括：针对任一种植被类型的样本集中的任一个样本点，基于该植被类型生长期、饱和期和衰老期的时间段内的该样本点的遥感图像，得到该样本点生长期、饱和期和衰老期相应的光谱特征、纹理特征和极化特征；采用该样本点对应的像素点的生长阶段特征图，作为该样本点的生长阶段特征图。

19、上述技术方案中，确定单个像素点和各植被类型的生长期、饱和期和衰老期的时间段的过程包括：获取相应的导函数曲线的最小值pmin和最大值pmax，并计算其振幅为d；根据设定阈值比例r，通过下式计算阈值t1和阈值t2:

20、d=pmax-pmin;

21、t1=pmax-r·d;

22、t2=pmin+r·d;

23、所述导函数曲线的横坐标表示时间，纵坐标表示斜率；

24、以阈值t1所做水平线与导函数曲线交叉点所对应的时间点形成的时间段为生长期，

25、以阈值t2所做水平线与导函数曲线交叉点所对应的时间点形成的时间段为衰老期，

26、导函数曲线的最小值和最大值所对应的时间点形成的时间段为饱和期。

27、上述技术方案中，所述每个像素点的生长阶段特征图u均采用下式计算：

28、u=（vmin-vmax）·p+vmin

29、其中，vmin和vmax分别为相应每个像素点的密集长时间序列植被指数数据集的最小值和最大值，p为设定的振幅比例。

30、本发明还提供了一种融合植被生命周期特征的遥感分类系统，该系统用于实现上述技术方案所述的融合植被生命周期特征的遥感分类方法。

31、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现权上述技术方案所述的融合植被生命周期特征的遥感分类方法。

32、本发明提出了一种融合植被生命周期特征的遥感分类方法、系统及其存储介质，其有益效果在于：本发明基于植被生命周期知识驱动，构建了从遥感图像中提取生命周期特征的方法，可以充分发挥植被生命周期特征在植被分类中的作用，尤其是针对植被发育茂盛区域地物提取具有一定优势。本发明针对训练集采用求均值的方法获取各植被类型的密集长时间序列植被指数数据集，关注不同植被的生命周期变化，有效表征植被生命周期的不同的生长差异性同时节约计算成本。本发明针对每个像素点和植被类型构建分类特征空间，有效基于各像素点的生命周期特征，识别对应的植被类型，有效提高识别精度。

33、进一步地，本发明采用跨传感器转换模型对多源数据协同，可以有效地提高遥感影像质量，充分缩减了时间空隙带来的影像空洞影响，有益于提高植被类型提取精度；本发明基于协同变换后的波段和植被指数，取均值操作形成每个像素点的密集长时间序列植被指数数据集和训练集的密集长时间序列植被指数集，可以降低数据异常值对整体数据的影响。

34、进一步地，本发明采用时间窗口和滤波的方式对时序曲线进行处理，有利于降低“噪声”数据对真实数据的影响。

35、进一步地，本发明采用分段拟合的思想对每个像素点的密集长时间序列植被指数数据集和训练集的密集长时间序列植被指数集进行切分，分别对其数据集子集进行拟合，后经过样条插值得到整体拟合曲线，该做法更贴合植被生长具有阶段性的生命周期特点。

36、进一步地，本发明所构建的各植被类型的样本集的分类特征空间，能够充分反映各植被类型特征的同时，有效保证训练集的样本多样性，提高训练器的训练精度。

37、进一步地，本发明结合阈值算法分别提取不同植被生长、结束时间和不同生长阶段的时间节点，使用该方式可以快速定位生长、饱和及衰老极（最）值时间点，并围绕该时间点快速获取各个时间段的分类特征图，提高计算效率的同时保证识别精度。

38、进一步地，本发明通过验证样本集输入训练完成后的分类器的输出结果获取分类器的识别精度，为后续分类器的使用提供背景数据支撑。