专利名称：多源数据协同的精细森林植被类型信息遥感更新方法
技术领域：
该技术所属领域为遥感与地理信息技术
背景技术：
精细森林植被信息是指可以精细到群系的森林植被类型信息，利用常规地面调查技术对其进行获取或更新，需耗费巨大的人力、物力和财力。遥感技术为土地覆盖类型、植被类型信息的获取和更新提供了先进的技术手段。如我国利用土地资源信息全数字人机交互遥感快速提取方法从LANDSAT TM遥感影像中提取土地利用类型信息，并形成了多期全国土地利用数据库，在该数据库中由有林地、疏林地和灌木林地所构成的森林具有较高的精度[14。1 100万中国植被图是国家投入巨大的人力、物力、财力和历时很长时间所取得的宝贵科研成果，该数据具有多级植被类型信息，其植被类型信息较为准确[4_5]。但由于时效性差，比例尺较小，而急需对其更新，提高其时效性和比例尺。MODIS数据具有较高的光谱和时间分辨率，但是，其空间分辨率低。该数据已被用于提取土地利用和土地覆盖信息。如宫攀和唐华俊等利用多时相MODIS数据分类提取了 12种土地覆盖类型城市及建成区、高盖度草原、低盖度草原、中盖度草原、水域、永久湿地、裸地、耕地、落叶阔叶林、常绿针叶林、 落叶针叶林及混交林。其总体精度达到了 69. 15% te]。金翠和张柏等在三江平原利用分层非监督分类法从多时相MODIS数据中提取了 6种土地覆盖旱地、水田、草地、湿地、落叶阔叶林及水体，其总体精度在88%以上[7]。顾娟和李新等在黑河流域利用决策树分类法从多时相MODIS数据提取了常绿林、落叶林、中覆盖草地、高覆盖草地、农田、稀疏灌丛、郁闭灌木林、河渠、湖泊、冰川和裸地等11种土地覆盖类，其总分类精度达到了 78% [8]0 Brian D. ffardlow, Stephen L. Egbert, JudeH. Kastens等在美国中部大平原利用多时相的MODIS 数据提取其主要农作物类型(苜蓿、玉米、高梁、大豆和冬小麦)和管理实践等信息(双季作物、休耕和灌溉)[9]。所用的方法主要有监督分类和非监督分类。在监督分类方面，对所有待分像元，均采用一套样本，由于同物异谱和异物同谱现象，使得在大范围上，所提取的土地覆盖以及植被类型较粗，其精度难以提高。此外，未能充分将已有多源数据和知识协同应用，致使单一数据源的缺陷难以克服，多数据源的优势未能挖掘和发挥。为此，我们发明了一套技术方法，该发明能有效地将高空间精度的森林数据、高类型精度的早期1 100的中国植被类型数据、以及高时间高光谱分辨率的MODIS数据协同起来，通过知识发现和推理，实现精细森林植被信息的自动、半自动遥感更新。参考文献[1]刘纪远，庄大方，张增祥等.中国土地利用时空数据平台建设及其支持下的相关研究.地球信息科学，2002，(3) 3-8.[2]刘纪远，布和袄斯尔.中国土地利用变化现代过程时空特征的研究——基于卫星遥感数据.第四纪研究，2000，20 (3) =229-239.[3]刘纪远，刘明亮，庄大方等.中国近期土地利用变化的空间格局分析.中国科学，2002，32 (12) :1031-1040.
3
[4]侯学煜等.1 1000000中国植被图集[M].北京科学出版社，2001. 260pp.[5]吴征镒·中国植被[M],北京科学出版社，1980. 1382pp.[6]宫攀，唐华俊，陈仲新，张凤荣.基于MODIS LST修正NDVI时序数列的土地覆盖分类.资源科学，2006, ) :104-110.[7]金翠，张柏1，宋开山.基于MODIS数据的三江平原土地覆被分类.资源科学， 2009，31 (3) :515-522[8]顾娟，李新，黄春林.基于时序MODIS NDVI的黑河流域土地覆盖分类研究.地球科学进展，25 (3期)=317-328[9] Brian D. ffardlow, Stephen L.Egbert, Jude H. Kastens. Analysis of time-series MODIS 250mVegetation indexdata for crop classification in the U.S.Central Great Plains. Remote Sensing ofEnvironment, Volume 108, Issue 3, 15June 2007，Pages 290-310·

发明内容
本发明提出了一套基于后期森林矢量数据和多时相MODIS数据，以及前期多级森林植被类型矢量数据，通过知识发现和推理，实现后期精细森林植被信息更新的技术方法。 主要包括基于森林植被演替知识的直接叠加更新，以及基于多尺度邻域的知识发现及推理的遥感更新。在前后期都为森林的情况下，其群系发生变化的可能性较小，因此，可以通过直接叠加更新，获取图斑的群系属性。对于后期为森林植被，前期为非森林植被的图斑，则需利用基于多尺度邻域的知识发现及推理的遥感更新。该更新主要包括无云无雪的多时相MODIS特征数据的生成和选取，图斑的多元遥感特征计算，就每一无群系属性的图斑而言，在其周围10KM的范围内寻找与其具有相似遥感特征的具有群系属性的图斑，如找到， 则将其群系赋予给该图斑，作为该图斑在该遥感特征上的群系属性；否则，继续在15KM、 20KM以及25KM等范围上进行寻找，直找到为此。按照该方法利用每一特征来确定其群系属性，最后，以在所有特征上出现次数最多的群系作为该图斑的最终群系属性。对于有云有雪的区域，再重新选取无云无雪的多时相MODIS数据进行该区域的遥感更新。在此基础上，将各更新结果进行集成，最终得到更新后的精细森林植被类型信息。利用分类系统，将其向上综合得到植被型和植被型组。利用该发明技术，在四川2005年森林矢量数据、2005年的多时相MODIS数据以及从早期1 100万四川植被图中所提取出的多级森林植被类型矢量数据的基础上，通过更新得到了 2005年四川省多级森林植被类型数据，其植被类型精细化到了群系。利用山区石棉县和丘区射洪县的森林资源地面调查数据分别进行了山区、丘区的精度评价。在山区，群系级、植被型级和植被型组级的精度分别为83%、97%和90%。在丘区，群系级、植被型级和植被型组级的精度均为95%。在总体上，群系级、植被型级和植被型组级的精度分别为88%、90%和92%。该方法具有自动、快速、低成本和高精度的特征。
四

图1是该发明的技术路线，图2是该发明在四川的应用结果。
五具体实施例方式
4
以四川省为例，对该发明的具体实施方式
说明如下1、数据准备收集后期土地利用矢量数据，并从中提取出森林数据(主要包括有林地、疏林地和灌木林地)；收集与土地利用数据同期的多时相MODIS数据，并从春、夏、冬各季中各选两景少云的MODIS数据；收集前期多级森林植被类型矢量数据，如从1 100万中国植被图所提取的多级森林植被类型矢量数据。结合四川省主要地物的物候特征，分别选取冬季1月25日、2月洸日，春季4月6日、3月13日，夏季8月沘日、6月17日成像的 MODIS数据。2、几何配准以后期土地利用矢量数据为基准，利用多项式几何校正模型，将所选多时相MODIS数据、早期多级森林植被类型矢量数据与其进行几何配准。3、特征生成和选取利用MODIS的近红外和红光波段生成其NDVI，选取MODIS的第二波段(B》和NDVI数据作为遥感特征数据。4、直接叠加更新将后期森林矢量数据与前期多级森林植被类型矢量数据进行叠加，从而获得后期森林植被图斑空间信息。对后期森林图斑而言，如其前期为森林，则直接将前期的群系属性赋给该图斑，从而实现该图斑群系属性的直接叠加更新。5、云、雪提取利用云提取模型B1+B3+B4 > 9000&&(B4-B6)/B6 > -0. 1&&(B4-B6)/B6 < 0. 1从各期MODIS数据中提取云覆盖信息，利用雪提取模型B4 > 4300&&(B4-B6)/B6 > 0. 5从各期MODIS数据中提取积雪覆盖信息。6、图斑云雪覆盖特征和遥感特征计算将后期森林植被图斑图层与云雪图层进行叠加，从而实现对各期数据云雪覆盖特征的标记。将后期森林植被图斑与所选多时相遥感特征数据进行叠加统计，从而获得各图斑遥感特征值。图斑遥感特征值是指图斑内各期B2 的均值以及NDVI的均值。7、无云无雪区的无群系属性图斑的群系属性获取对无群系属性的图斑而言，在其周围IOKM的范围内寻找与其具有相似遥感特征的具有群系属性的图斑，如找到，则将其群系赋予给该图斑，作为该图斑在该遥感特征上的群系属性；否则，继续在15KM，20KM， 25KM等范围上进行寻找，直找到为此。按照该方法利用每一特征来确定其群系属性，最后， 以在所有特征上出现次数最多的群系作为该图斑的最终群系属性。在相似性判定方面，采用最短距离法进行判定。在四川实验区上，我们选取了 1月25号、4月6号、8月观号的第二波段及其NDVI作为遥感特征数据。8、有云区的无群系属性图斑的群系属性获取选取其它无云覆盖的多时相MODIS 遥感数据，然后按照上述5、6、7的步骤，从而实现无群系图斑的群系属性获取。在四川试验区，我们选取了 2月沈号、3月13号、6月17号第二波段影像及其NDVI作为遥感特征数据。9、有雪区的无群系属性图斑的群系属性获取选取其它无雪覆盖的多时相MODIS 遥感数据，然后按照上述5、6、7的步骤，从而实现无群系图斑的群系属性获取。在四川试验区，我们选取了 6月17号第二波段影像及其NDVI作为遥感特征数据。10、将以上4、7、8、9四种情况进行集成，从而实现整个区域的更新。在此基础上， 根据中国1 100万植被图的分类体系，将得到的群系级的精细森林植被信息，向上综合得到植被型信息和植被型组信息。
权利要求
1.一种多源数据协同的精细森林植被类型信息遥感更新方法。其主要特征本发明提出了一套基于后期森林矢量数据和多时相MODIS数据，以及前期多级森林植被类型矢量数据实现后期精细森林植被类型信息更新的技术。利用该技术方法已实现了 2005年四川多级森林植被类型信息的更新。利用森林资源地面调查数据进行了精度评价。在总体上，群系级、植被型级和植被型组级的精度分别为88^^90%和92%。该方法具有自动、快速、低成本和高精度的特征。
2.权利1要求将后期森林矢量数据与前期多级森林植被类型矢量数据进行叠加，从而获得后期森林植被图斑空间信息。对后期森林图斑而言，如其前期为森林，则直接将前期的群系属性赋给该图斑，从而实现该图斑群系属性的直接叠加更新。
3.权利2要求选取MODIS的第二波段(B2)和NDVI数据作为遥感特征数据。
4.权利3要求将后期森林植被图斑与所选多时相遥感特征数据进行叠加统计，从而获得各图斑遥感特征值。图斑遥感特征值是指图斑内各期B2的均值以及NDVI的均值。
5.权利4要求对无群系属性的图斑而言，在其周围IOKM的范围内寻找与其具有相似遥感特征的具有群系属性的图斑，如找到，则将其群系赋予给该图斑，作为该图斑在该遥感特征上的群系属性；否则，继续在15KM、20KM以及25KM等范围上进行寻找，直找到为此。按照该方法利用每一特征来确定其群系属性，最后，以在所有特征上出现次数最多的群系作为该图斑的最终群系属性。在此基础上，根据分类体系，将群系向上综合得到植被型和植被型组。
全文摘要
本发明涉及一种多源数据协同的精细森林植被类型信息遥感更新技术方法，所涉及技术领域为遥感和地理信息系统技术。该方法解决了多源数据协同更新群系级森林植被类型信息的关键技术。利用该发明，可实现在后期森林数据、多时相MODIS数据和前期森林植被类型数据的基础上，更新得到后期精细森林植被类型信息。该方法具有自动、快速、低成本和高精度的特征。在四川的应用表明，其群系和植被型的更新精度分别可达88％和90％。该发明适用于其它区域或其它时段的森林植被类型信息的更新。
文档编号G01S7/48GK102401894SQ201010275450
公开日2012年4月4日 申请日期2010年9月8日 优先权日2010年9月8日
发明者杨存建 申请人:任小兰, 倪静, 杨存建, 王琴