br>[0090] 103、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。
[0091] 在具体应用中，上述步骤103可W包括：
[0092] 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，并将各尺度上 分类结果叠加到一个分类数据层上。
[0093] 其中，所述智能学习机的方法包括；支持向量机（SuppcxrtVectorMachine,简称 SVM)方法等。
[0094] 可理解的是，智能学习机的方法比传统的贝叶斯炬ayesian，简称Bays)方法、非 监督方法精度更高。而智能学习机中，W支持向量机SVM方法的效果最好，SVM方法基于 二类或多类之间的边界条件进行划分，同类样本之间互不影响，避免Bays方法中对各类样 本进行统计而造成样本之间的相互影响。采用径向基函数（RadialBasis化nction，简称 RB巧，在植物个体尺度上，分别提取乔木、灌木、草原及非植被类型。
[0095] SVM的分类效果取决于样本的选取。SVM方法是根据样本之间的特征空间的距 离进行划分的，每个类型都有其1个或几个特征空间的分布区域，若样本选择覆盖所有类 型区域，分类效果较好，而只选择其中的区域，特别是类与类之间特征空间较远距离样本分 类，忽视类与类较近的样本，该部分地区的分类结果往往混分。所W在选择不同类型样本 时，应选择类与类之间接近的类型样本，为了减少分类误差，尽量多选择样本，每类样本最 低不少于20个，W便易于区别。
[0096] 若不同植物类型在不同尺度分类，考虑到尺度间的分类重叠问题，各尺度的划分 类型不重复，该样高尺度分类结果叠加到低尺度时，可W有效的覆盖类型。灌木、草本类型 在低尺度划分、乔木在较高尺度划分，乔木分类结果叠加到灌木和草地尺度分类结果后，形 成最终植物个体或种群的分类结果。
[0097] 104、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。
[0098] 在具体应用中，所述空间结构参数，可包括；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。
[0099] 应说明的是，植被结构的计算是在植物个体与群落二个尺度上进行。
[0100] 举例来说，图4a-图4g为本步骤104获取的一种基于对象的植物群落空间结构参 数图，图4a为植物群落空间结构参数斑块植被密度（即斑块数量）的示意图，图4b为植物 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，图4c为植物群落空间结构 参数乔木覆盖度（即乔木郁闭度）的示意图，图4d为植物群落空间结构参数灌木覆盖度的 示意图，图4e为植物群落空间结构参数草地覆盖度的示意图，图4f为植物群落空间结构参 数斑块面积的示意图，图4g为植物群落空间结构参数斑块形状指数的示意图。
[0101] 可理解的是，将所述空间结构参数进行空间叠加和组合分类，得到植物群落结构 数据。
[0102] 举例来说，参见图5,图5为一种基于对象的植物群落空间结构类型图。
[0103] 可理解的是，植物群落的结构是由外部的形态特征与内部植被组成结构组成。外 部特征表现为斑块的形态特征，内部植被组成结构是植物群落的范围内的植物个体、种群 的空间统计特征。植被群落之间的相互影响取决于群落边缘的空间特征，群落的大小与形 态影响其功能的发挥和演替的过程，为此，外观群落特征选取群落斑块大小、斑块形状指 数，群落内部结构主要考虑到个体、种群的类型、数量、覆盖度来表征植被的结构特征。
[0104] 本实施例的植物群落空间结构提取方法，通过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，建立待测遥感影像的影像尺度与生态学组织 尺度对应关系，根据其获取待测遥感影像中各植物类型的影像尺度，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，根据待 测遥感影像中植物个体和种群的影像尺度，对在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；根据待测遥感影像中群落的影像尺度确定待测遥感 影像中的群落边界，获取在群落边界内植被分类后的植物在植物个体和种群的影像尺度上 的植物群落空间结构参数；将植物群落空间结构参数进行空间叠加和组合分类，得到植物 群落结构数据，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。
[0105] 在具体应用中，上述步骤102可W包括图中未示出的步骤l〇2a-102d;
[0106] 102a、获取各尺度遥感影像对象的植被归一化指数（NormalizedDifference VegetationIndex,简称NDVI)。
[0107] 在具体应用中，所述各尺度对象的NDVI是通过第一公式计算得到的，
[010引所述第一公式为：
[0109]
[0110] 其中，Rb为近红外波段反射率，Rr为红外波段反射率。
[0111] 可理解的是，NDVI具有对植被特征变化敏感的特性。
[0112] 102b、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（NormalizedDifferenceVegetation IndexStandardDeviation,简称NDVI_SD)。
[0113] 102c、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，如图3所示。
[0114] 102t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。
[0115] 其中，所述预设规则可W包括：
[0116] 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；
[0117] 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。
[0118] 在具体应用中，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，可W优选 为：
[0119] 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。
[0120] 应说明的是，斑块植被多样性指数HI(即丰富度）是在植被个体、种群分类图基础 上，统计植被群落边界各类植被的斑块面积的自然对数，在具体应用中，上述步骤104中的 所述斑块植被多样性指数HI是通过第二公式计算得到的，
[0121] 所述第二公式为：
[0122]
[012引其中，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；
[0124] 斑块植被密度PD是统计各植被类型的面积比，在具体应用中，上述步骤104中的 所述斑块植被密度PD是通过第=公式计算得到的，
[0125] 所述第S公式为：
[0126]
[0127] 其中，Ap为群落面积；
[0128] 乔木、灌木、草地的覆盖度分二个步骤，先提取各植被类型的斑块，在该斑块中计 算植被的覆盖度，覆盖度采用二分法进行，利用植被覆盖度计算有效植被覆盖面积，分别对 乔木、灌木、草地的有效面积比上植被群落面积，得到各植被类型的覆盖度；
[0129] 在具体应用中，上述步骤104中的所述乔木覆盖度ft是通过第四公式计算得到 的，
[0130] 所述第四公式为：
[0131]