据各森林类 型物候差异的特征，利用找出的能够明显区分各森林类型的植被指数时期遥感数据，并且 利用能够区分各地物的植被指数灰度值作为决策树分类模型的阈值，得到端元提纯决策树 分类模型如图3,模型中，"ZYL"表示针叶林，"KYL"表示阔叶林，"ZL"表示竹林，"GML"表 示灌木林，"SY"表示水域，"⑶"表示耕地，" JSYD"表示建设用地，B2、B8、B9、B15、B16、B18 分别代表NDVI的第2、8、9、15、16、18期，b9、bll、bl6、分别代表EVI的第9、11、16期。 [0040] 然后对端元组分进行初步提纯，对步骤三中得到的数据进行最小噪声分离变换、 纯净指数分析，利用N维散点图进行N维散度分析，初步确定终端像元，将在N维散点图中 得到各自的初始终端像元，作为感兴趣区代入到决策树分类后的图像，利用决策树分类建 立端元提纯模型对初始终端像元进一步提纯，对一些不符合规律及错误（即与决策树分类 得到的分布图不一致）的终端像元的散点进行剔除或修改，得到最终的终端像元。
[0041] 步骤五：端元组分光谱反射率求取步骤，获取各地物光谱反射率；即利用最终的 终端像元求取各地物在各波段的光谱反射率，并结合GPS定位样地点，通过遥感影像获取 的各波段光谱反射率，确定各地物在各波段的最终地物反射率值。
[0042] 步骤六：线性混合像元分解步骤，求取各地物分布图；即利用各地物在各波段的
最终地物反射率值，通过线性混合像元分解模型 其中m为端元数目，rk是第 > k个端元组的反射率，匕像元中第k端元组分在像元中所占的面积比，ε k为第k波段的误 差。其中带约束性的线性混合像元的分解要满足各像元的组分比Fk之和为1，对遥感影 像进行混合像元分解，得到各地物的丰度图。
[0043] 步骤七：森林信息提取步骤，获取各地物分布图。即在每组组分图像中选择终端单 元丰度值大于〇. 5的像元，再把每组组分图像组成一幅图像，利用最大似然法分类对该图 像进行分类，得到各森林类型分布图，实现混合像元分解森林信息提取。
[0044] 参见图1，在实施时，需要对M0D09A1地表反射率产品和M0D13Q1植被指数产品进 行投影转换、图像拼接、裁剪、去黑色条带等预处理，通过对M0D13Q1归一化植被指数NDVI 以及增强植被指数EVI，构建NDVI、EVI时间序列剖面曲线，分析得出构建决策树提纯模型 的阈值。并把构建决策树模型的阈值数据产品与M0D09A1地表反射率产品相结合生产新的 数据，利用线性混合像元分解模型进行分解，再利用最大似然法进行分类提取森林信息。
[0045] 在图2所示实施例中，选取湖南省为对象，采用2009年的M0D09A1地表反射率产 品和M0D13Q1植被指数产品进行投影转换、图像拼接、裁剪、去黑色条带等预处理。首先，利 用森林类型物候差异特征，采用M0D13Q1植被指数产品，通过对归一化植被指数NDVI以及 增强型植被指数EVI (全年各23期）进行处理，构建NDVI、EVI时间序列剖面曲线，筛选出最 优决策树分类模型的数据，构建端元提纯模型；其次，采用构建端元提纯模型的M0D13Q1植 被指数产品与M0D09A1地表反射率产品相结合组成新的数据，并进行最小噪音分离（MNF)， 像元纯度指数计算（PPI)，密度分割，N维散点图，端元组分初步提纯处理，并利用决策树提 纯模型进行进一步提纯，结合影像建标各波段的光谱反射率，得出最终端元组分反射率；再 次，采用线性混合像元分解模型对组合成的数据进行分解；最后，采用M0D09A1地表反射率 产品和筛选出来的M0D13Q1植被指数产品组合成的数据，通过最大似然法分类，实现森林 信息提取，处理输出湖南省森林分布图。
[0046] 本发明提出的MODIS混合像元分解森林信息提取方法大幅度提高了森林制图与 森林类型识别精度，分类结果理想，具有重要的实用推广意义。
【主权项】
1. 一种MODIS混合像元分解森林信息提取方法，其特征在于，包括如下步骤： 步骤一：数据获取步骤，获取森林遥感影像； 步骤二：预处理步骤，对步骤一得到的遥感影像进行预处理，获取预处理后的遥感影像 数据； 步骤三：森林类型物候差异特征分析步骤，找出能够明显区分各森林类型的植被指数 时期； 步骤四：端元组分提纯步骤，获取终端像元组分； 步骤五：端元组分光谱反射率求取步骤，获取各地物光谱反射率； 步骤六：线性混合像元分解步骤，求取各地物分布图； 步骤七：森林信息提取步骤，获取各地物分布图。2.根据权利要求1所述的方法，其特征在于，所述的步骤二中遥感数据的预处理包括： 对遥感数据进行投影转换，大气校正，图像拼接，消除黑色条带，几何校正，研究区提取。3. 根据权利要求2所述的方法，其特征在于，所述的步骤三中包括的步骤为： 利用GPS获取典型样点的坐标信息，利用GIS软件获取典型样点在遥感影像上的灰度 值，构建植被指数时间序列剖面曲线，然后通过物候分析找出的能够明显区分各森林类型 的植被指数遥感数据与M0D09A1地表反射率产品相结合所得到的数据。4. 根据权利要求3所述的方法，其特征在于，所述的典型样点包括针叶林、阔叶林、竹 林、灌木林、水域、耕地和建设用地。5. 根据权利要求3所述的方法，其特征在于，所述的通过物候分析找出的能够明显区 分各森林类型的植被指数遥感数据与M0D09A1地表反射率产品相结合所得到的数据包括 以下步骤： 首先构建端元提纯模型，利用决策树分类计算机图形学分类方法，根据各森林类型物 候差异的特征，利用找出的能够明显区分各森林类型的植被指数时期遥感数据，并且利用 能够区分各地物的植被指数灰度值作为决策树分类模型的阈值：即 当第8期NDVI的阈值小于0. 6则为耕地、水域、建设用地，否则为植被覆盖高的森林； 第9期的NDVI值小于0. 25时，则为水域，否则为耕地和建设用地；当第2期的NDVI小于 0. 45,并且第9期的EVI小于0. 32时，则为建设用地，否则为耕地；第16期NDVI小于0. 45 时，则为灌木林，否则为针叶林、阔叶林、竹林；当第18期的NDVI小于0. 75,并且第16期的 EVI大于0. 35时，则为针叶林，否则为阔叶林和竹林；当第11期的EVI小于0. 65,并且第 15期的NDVI小于0. 75时，则为竹林，反之则为阔叶林；最后选择NDVI的第2、8、9、15、16、 18期以及EVI的第9、11、16期数据进行合成。6.根据权利要求3所述的方法，其特征在于，所述的步骤四中包括的步骤为： 对端元组分进行初步提纯，对步骤三中得到的数据进行最小噪声分离变换、纯净指数 分析，利用N维散点图进行N维散度分析，初步确定终端像元，将在N维散点图中得到各自 的初始终端像元，作为感兴趣区代入到决策树分类后的图像，利用决策树分类建立端元提 纯模型对初始终端像元进一步提纯，对与决策树分类得到的分布图不一致的终端像元的散 点进行剔除或修改，得到最终的终端像元。7. 根据权利要求6所述的方法，其特征在于，所述的步骤五中包括的步骤为： 利用最终的终端像元求取各地物在各波段的光谱反射率，并结合GPS定位样地点，通 过遥感影像获取的各波段光谱反射率，确定各地物在各波段的最终地物反射率值。8. 根据权利要求7所述的方法，其特征在于，所述的步骤六中包括的步骤为： 利用各地物在各波段的最终地物反射率值，通过线性混合像元分解模型其中m为端元数目，rk是第k个端元组的反射率，F,像元中第k端元组分在像元中所 占的面积比，ek为第k波段的误差，其中带约束性的线性混合像元的分解要满足各像元的 组分比Fk之和为1，对遥感影像进行混合像元分解，得到各地物的丰度图。9. 根据权利要求8所述的方法，其特征在于，所述的步骤七中包括的步骤为： 在每组组分图像中选择终端单元丰度值大于0. 5的像元，再把每组组分图像组成一幅 图像，利用最大似然法分类对该图像进行分类，得到各森林类型分布图，实现混合像元分解 森林彳g息提取D
【专利摘要】一种MODIS混合像元分解森林信息提取方法，综合MOD09A1地表反射率产品和MOD13Q1植被指数产品标准影像，其特征是MODIS不同产品影像具有不同的森林信息，但由于其分辨率低，影像中存在大量混合像元，通过改进端元提纯方法，利用线性混合像元分解模型提取森林信息。本发明的有益效果是，可以在大范围快速提取森林覆盖信息的同时，提高森林制图精度以及森林类型识别精度。信息提取中仅采用MOD09A1地表反射率产品和MOD13Q1植被指数产品，效果理想，简单易行。
【IPC分类】G06K9/00, G06K9/62
【公开号】CN105046188
【申请号】CN201510172554
【发明人】林辉, 陈利, 孙华
【申请人】中南林业科技大学
【公开日】2015年11月11日
【申请日】2015年4月13日