植物群落空间结构提取方法
【技术领域】
[0001] 本发明设及遥感图像处理技术领域，尤其设及一种植物群落空间结构提取方法。
【背景技术】
[0002] 目前，植物群落结构的调查多采用传统的、小尺度的抽样统计方法或大尺度的遥 感监测方法，包括植被类型、植被指数、高度等构型特征，而缺乏对各尺度生态系统结构的 大小、形态、组织和格局的辨识。其原因有二方面；1)尺度问题。生态学组织层次遵循自然 等级体系，从植物构型（枝干、叶）、个体、种群、群落、生态系统、到生态景观的组织尺度。在 不同尺度上，格局和过程往往出现不同的特征规律。尺度推绎的不确定性，影响分析的精 度、甚至相反的结论；2)遥感数据问题。随着遥感技术的引入，卫星/航空影像像素的光谱 特征被用于地物识别与生态学研究。遥感更多地解决了纯/混合像元的成份或比例问题， 如覆盖度FCover、叶面积指数（LeafAreaIndex,简称LAI)等，由于像素不具备空间的语 义性，无法解决空间的结构特征。虽然像素分辨率具有尺度性，通过不同尺度的刻画理解生 态格局。而其尺度关联性较弱，基于光谱的认知及其尺度上推的局限性，像素方式难W揭示 植物群落的结构特征。
[0003] 面向对象提供一种空间同质聚类的斑块融合方式，通过空间异质性的差异，建立 多尺度的空间格局。利用尺度推绎的谱系关系，建立从内部结构、整体、空间关系多方位的 目标特征辨识方式。对象形式不仅提供了目标的光谱特性，同时具有图形特性，并有效地表 征尺度的关联性。基于多尺度对象特征认知的新视角，提供一种植物的层次特征表征的新 途径，有促于植被生态系统结构特征的深刻认识。
[0004] 传统植物群落结构监测方法是基于地面抽样调查，再通过尺度上推，研究各组 织尺度的结构特征。现有技术中提出了尺度推绎的信息压缩、信息转译的概念，W及简 单聚合、直接外推、期望值外推、显式积分等模型方法。随着地理信息系统（Geographic In化rmationSystem,简称GI巧发展，现有技术将尺度转换（即尺度上推）方法总结为：空 间分析法、基于相似性的尺度上推方法、基于局域动态模型的尺度上推方法、随机（模型） 法。开展了多尺度的生态过程研究，分析尺度产生的效应。生态学尺度上推得到的不是实 际的空间结构，而是统计意义的、模拟的结构，同时，存在尺度推绎的不确定性。
[0005] 遥感技术给生态学研究多尺度、连续的二维空间数据提供了新的数据支撑，弥 补生态研究中低尺度的观测、点数据获取的不足。利用遥感光谱特征可W获取生物物理 参数，如植被指数、覆盖度、叶面积指数等，近几年，利用激光雷达（Li曲t Detection And Ranging,简称Lidar)(如地球科学激光测高系统（Geoscience Laser Altimeter System, 简称GLA巧）回波数据开展森林的冠层高度、生物量等参数监测，该些植物的物理参数反 演了植物的构型，而对各植物个体、群落之间的数量、空间关系的识别方法较少。对于尺 度的考虑，表现为最佳分辨率的影像选择或降低影像分辨率方法。由于基于像素PB的尺 度上推是采用固定窗口内像元融合方法实现或采用新的数据，相比对象方式信息损失严 重。近15年，随着大脑认知理论、视觉理论的应用与发展，基于地理单元对象影像分析方 法（GeographicObject-BasedImageAnalysis,简称GEOBIA)(可简称；基于对象/OB,即 化ject-Based)得迅速发展，该方法通过尺度分割方式将相似性像元聚合形成对象，利用其 光谱、几何形态、内部结构、空间关系、层次关系实现目标识别。在0B方式的尺度推绎中，不 仅考虑到"图-谱"特征，同时具有尺度间的关联表达，该使尺度变化后所产生的对象相比 PB方式更具有语义和利用价值。0B方式提升了"图-谱-尺度"信息的有效结合和充分利 用。0B方法克服了传统的PB基于光谱的识别方法，特别是在中高分辨率的影像分类中，明 显减少了类型内部的异质性，降低了 "椒盐"现象，其几何的、纹理的、关系的语义特征补充， 增强了识别的能力。而有些学者认为一个尺度不能有效表征地物特征，有些植被类型，甚至 同一类型，由于其内部结构和光谱的差异性，不会在同一个分割水平/尺度上的拟合。现有 技术中利用了目视试验分析的方法，选择单树、林斑、景观特征3个尺度提取不同特征的、 同一森林类型。或在3个尺度上利用支持向量机（SuppoKVectorMachine,简称SVM)方 法分别提取宽公路、乡间路、建筑物3类城市不透水表面。该些方法往往存在多尺度的分类 结果叠加时出现的重叠和空缺处理问题。近1-2年，0B方式发展了目标结构的识别方法。 现有技术中可在低尺度上探测森林的种群分布，而在高尺度上基于规则集判别，研究低尺 度的结构特征，建立森林栖息地的类型。现有技术中还可在城市的房屋和道路的组织尺度 上进行目标识别，而在街区尺度上进行城市结构、密度和功能的划分。综上所述，植物群落 的空间结构除了微观地地面调查外，还没有提出大范围、系统地监测方法。
[0006] 鉴于此，如何更精确地提取植物群落空间结构成为目前需要解决的技术问题。
【发明内容】
[0007] 为解决上述的技术问题，本发明提供一种植物群落空间结构提取方法，能够更精 确地提取植物群落空间结构，降低监测成本，提高监测结果的客观性，避免传统人工调查方 法的主观性及W点代面所引入的不确定性，有效地表征植物的结构特征。
[0008] 第一方面，本发明提供一种植物群落空间结构提取方法，包括：
[0009] 对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺度遥感影像对象；
[0010] 建立所述待测遥感影像的影像尺度与生态学组织尺度对应关系，根据所述待测遥 感影像的影像尺度与生态学组织尺度对应关系获取所述待测遥感影像中各植物类型的影 像尺度，所述待测遥感影像中的植物类型包括；草地、灌木和乔木、种群和群落，所述草地、 灌木和乔木均为植物个体；
[0011] 根据所述待测遥感影像中植物个体和种群的影像尺度，对在所述待测遥感影像中 预先选择的样本在植物个体和种群的影像尺度上进行植被分类，并将各尺度上分类结果叠 加到一个分类数据层上；
[0012] 根据所述待测遥感影像中群落的影像尺度确定所述待测遥感影像中的群落边界， 获取在所述群落边界内植被分类数据层上的植物在植物个体和种群的空间结构参数。
[0013] 可选地，所述对目标区域待测遥感影像进行多尺度分割，得到分割后的各尺度遥 感影像对象，包括：
[0014] 采用区域增长分割方法对目标区域待测遥感影像进行多尺度分割，得到分割后的 各尺度遥感影像对象。
[0015] 可选地，所述建立所述待测遥感影像的影像尺度与生态学组织尺度对应关系，根 据所述待测遥感影像的影像尺度与生态学组织尺度对应关系获取所述待测遥感影像中各 植物类型的影像尺度，包括：
[0016] 获取各尺度遥感影像对象的植被归一化指数NDVI;
[0017] W各尺度遥感影像对象为样本、待测遥感影像为总体方式，计算各尺度遥感影像 对象的植被归一化指数的标准差NDVI_SD;
[0018] 根据各尺度遥感影像对象的NDVI_SD，绘制遥感影像对象各尺度NDVI_SD变化曲 线；
[001引分析所述NDVI_SD变化曲线的峰/谷值特征，提取明显的峰值的尺度，根据各峰值 的尺度及预设规则获取所述待测遥感影像中各植物类型和植被群落的影像尺度。
[0020] 可选地，所述各尺度对象的植被归一化指数NDVI是通过第一公式计算得到的，
[0021] 所述第一公式为：
[0022]
[0023] 其中，Rb为近红外波段反射率，Rr为红外波段反射率。
[0024] 可选地，所述预设规则包括：
[00巧]若各峰值的尺度的数量等于所述植物类型的数量，则各峰值的尺度从小到大依次 代表草地、灌木、乔木、种群和群落的影像尺度；
[0026] 若各峰值的尺度的数量大于所述植物类型的数量，则对照遥感影像对象边界与地 面样本边界，确定相应的各植物类型的峰值拟合影像尺度。
[0027] 可选地，所述若各峰值的尺度的数量大于所述植物类型的数量，则对照遥感影像 对象边界与地面样本边界，确定相应的各植物类型的峰值拟合影像尺度，包括：
[0028] 若各峰值的尺度的数量大于所述植物类型的数量，则利用误差-分析方法，对照 遥感影像对象边界与地面样本边界，确定相应的各植物类型的峰值拟合影像尺度。
[0029] 可选地，所述根据目标区域植物个体和种群的影像尺度