，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，包括：
[0030] 根据目标区域植物个体和种群的影像尺度，采用智能学习机的方法对在所述待测 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。
[0031] 可选地，所述智能学习机的方法包括；支持向量机SVM方法。
[0032] 可选地，所述空间结构参数，包括；斑块植被多样性指数、斑块植被密度、乔木覆盖 度、灌木覆盖度、草地覆盖度、斑块面积和斑块形状指数。
[0033] 可选地，所述斑块植被多样性指数HI是通过第二公式计算得到的，
[0034] 所述第二公式为：
[00 巧]
[0036] 其中，n为植被类型数量，kG[1，. . .，n]，Pk为类型k在斑块中的面积比例；
[0037] 所述斑块植被密度PD是通过第S公式计算得到的，
[0038] 所述第S公式为：
[0039]
[0040] 其中，Ap为群落面积；
[0041] 所述乔木覆盖度ft是通过第四公式计算得到的，
[0042] 所述第四公式为：
[0043]
[0044] 其中，At为乔木斑块面积，F。为乔木斑块中植被比例，是通过第五公式计算得到 的，所述第五公式为：
[0045]
[0046] 其中，NDVIm"为植被全覆盖的植被归一化指数，NDVImi。为无植被覆盖的植被归一 化指数；
[0047] 所述灌木覆盖度f；是通过第六公式计算得到的，
[0048] 所述第六公式为：
[0049]
[0050] 其中，As为灌木斑块面积；
[0051] 所述草地覆盖度fg是通过第走公式计算得到的，
[0052] 所述第走公式为：
[0053]
[0054] 其中，Ag为草地斑块面积；
[00巧]所述斑块面积A是通过第八公式计算得到的，
[0056] 所述第八公式为：
[0057] A=Ap；
[0058] 所述斑块形状指数SI是通过第九公式计算得到的，
[0059] 所述第九公式为：
[0060]
[0061] 其中，P为群落斑块周长。
[0062] 由上述技术方案可知，本发明的植物群落空间结构提取方法，从面向对象的角度 出发，针对目前植物结构中存在的问题，建立影像空间尺度与生态学组织尺度之间的关系， 利用多尺度对象的目标拟合方式，提取不同尺度上的植物个体、种群、群落识别。在低尺度 上探测植物的空间组成、结构特征，从高尺度上进行植物的结构的统计分析，从而得到水平 延展、空间一致的植物群落结构，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。
【附图说明】
[0063] 图1为本发明实施例提供的尺度上推过程中影像对象特征与植物应用目标生态 学特征的对应关系；
[0064] 图2为本发明一实施例提供的植物群落空间结构提取方法的流程示意图；
[0065] 图3为本发明实施例提供的一种遥感影像对象各尺度NDVI_SD变化曲线；
[0066] 图4a为本发明实施例提供的植物群落空间结构参数斑块植被密度（即斑块数量） 的不意图；
[0067] 图4b为本发明实施例提供的植物群落空间结构参数斑块植被多样性指数（即丰 富度）的示意图；
[0068] 图4c为本发明实施例提供的植物群落空间结构参数乔木覆盖度（即乔木郁闭度） 的不意图；
[0069] 图4d为本发明实施例提供的植物群落空间结构参数灌木覆盖度的示意图；
[0070] 图4e为本发明实施例提供的植物群落空间结构参数草地覆盖度的示意图；
[0071] 图4f为本发明实施例提供的植物群落空间结构参数斑块面积的示意图；
[0072] 图4g为本发明实施例提供的植物群落空间结构参数斑块形状指数的示意图；
[0073] 图5为本发明实施例提供的一种基于对象的植物群落空间结构类型图。
【具体实施方式】
[0074] 为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，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的实施例，都属于本发明保护的范围。 [00巧]本发明是基于多尺度对象拟合基础上，对群落组织尺度内的植物个体、种群的空 间参数统计的基本思路。将影像像素转化成对象，使对象产生语义特征。而对象具有尺度 性，当尺度变化（不同阔值）时，对象再次进行融合，尺度上推过程经历从像素、组件、单元、 基元、基元组合的特征，而生态学物质组织具有组织尺度特性，即随着组织尺度的上推，出 现要素、结构、单体、种群、植物群落、生态系统、景观的组成。而对象尺度与生态学尺度具有 空间的对应特征如图1所示，利用该种对应关系，在植物群落尺度上分析单体或种群尺度 上的结构参数特征，从而得到植物群落的空间结构特征。
[0076] 图1示出了本发明一实施例提供的植物群落空间结构提取方法的流程示意图，如 图1所示，本实施例的植物群落空间结构提取方法如下所述。
[0077] 101、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。
[0078] 在具体应用中，上述步骤101可W包括：
[0079] 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。
[0080] 可理解的是，区域增长分割方法的原理是基于影像单元的光谱异质性和形状异质 性进行区域增长、不断邻域合并的方式进行尺度推绎。一个影像对象的异质性值f是由四 个变量（即光谱信息权重形状信息权重光谱异质性值h。。、。,和形状异质性值 心。pe)通过公式（1)计算而得，W,"i。济W 是用户预先设置的权重，取值于0-1之间，且 Wcolor+Wshape二 1。
[00引]f=Wcolor?hcover+Wshape?hshape(D；
[0082] 其中，光谱异质性值h。。胃不仅与组成对象的像元数目有关，还取决于各个波段标 准差，h。。、。,是通过公式（2)计算得到的，
[0083]
[0084] 其中，0。为像元内部像元值的标准差，是根据组成对象的像元值计算得到，W。为 影像波段的权值，n为像元数目，区域增长分割方法的合并过程中，两个相邻的图像对象用 objl、obj2表示，合并后的图像对象用merge表示，即图像对象objl和obj2合并成图像对 象用merge为合并后的图像对象merge的像元数目，为合并后的图像对象merge 的像元内部像元值的标准差，n。^为图像对象objl的像元数目，为图像对象objl的像 元内部像元值的标准差，ruj.2为图像对象〇bj2的像元数目，of2为图像对象obj2的像元 内部像元值的标准差；
[0085] 形状异质性值h,hap。是通过公式（3)计算得到的，。
[008引 hshape= W cmpct ? hcmpct+(l-Wcmpct) ? hsmooth做
[0087] 其中，hempet为紧致度异质性值和hsmooth为光滑度异质性值，Wempet为紧致度权重；
[008引在本实施例中，WcDiM可W优选为0. 9，hcmpct可W优选为0. 5，WC可W优选为1，即光 谱信息高于形状信息，光谱信息权重占90%，而紧致度与光滑度同等重要，紧致度权 重与光滑度权重各占50%，波段之间没有本质差异，各波段各占100% ;可W优先选择空间 分辨率优于1米16比特无符号的多光谱影像（或全色与多光谱融合），从像素开始分割，逐 步从过分割对象大小到欠分割的多个尺度。将尺度设计从10(小于植物"构型"尺度）至 300 (超过"景观"尺度），可WW每20个值为一个尺度间隔（再小尺度变化很小），建立多 个连续尺度的影像对象。
[0089] 102、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。<