[发明专利]基于SAR与光学遥感时序数据的树种分类方法、装置和设备

说明书

本发明公开了一种基于SAR与光学遥感时序数据的树种分类方法、装置和设备，方法包括：预先选择研究区域内的部分林班作为训练区域，其余林班作为验证数据，并根据训练数据采集光学遥感影像时序数据和SAR影像时序数据；对光学遥感影像数据和SAR影像数据预处理后，分别进行特征提取，以获得林班时序变化特征。对时序变化特征进行聚类分析，建立树种分类体系。根据多特征的决策树模型以及树种分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并根据决策规则对预定地区的树种逐级分类，以获得树种决策树分类模型。根据验证数据对树种决策树分类模型的结果进行验证及精度的评价，并根据精度评价结果调整决策树阈值，以更新树种决策树分类模型。根据更新后的树种决策树分类模型提取树种分布图。

技术领域

本发明涉及图像智能处理技术领域，具体地涉及一种基于SAR与光学遥感时序数据的树种分类方法、装置、设备和存储介质。

背景技术

城市林木是城市生态系统的重要组成部分，定量评估城市林木的生态服务功能，分析人类活动与城市林木生长的相互影响，提高林木的生态效益是近年来城市生态领域的研究重点。城市植被类型不同，生物量不同，其生态功能与绿化效应也不同。对城市林木树种进行分类、制图是实现城市林木生态服务功能评价的先决条件，对进一步改善城市生态环境具有重要意义。及时、准确地获取城市森林生态系统的状态和结构变化信息在制定城市可持续发展战略和提高环境质量等方面具有重要的作用，详细的树种分布信息对解决不同的城市生态问题是至关重要的。

城市树种的遥感分类与监测研究一直都是国内外学者关注的热点，为城市森林树种精细分类及生态效益评价提供了很好的思路，但仍存在一定的问题和不足：①从采用数据源的角度来看，大部分研究采用单一的高光谱或多光谱遥感数据或者多时相时序数据，但对于南方多云多雨地区，光学遥感数据无法获取下垫面信息。②从植被物候角度来看，热带地区大部分树种一年内常绿，其物候特性差异并不明显，在光学遥感数据上的表征差异并不显著，直接利用光学遥感时序数据进行树种分类效果并不会理想。③从分类算法和特征提取角度来看，大部分的树种分类结果并不理想，主要原因是大部分研究虽然采用了机器学习的算法，如SVM、神经网络等进行算法设计和实现，获得了较好的结果，但是如何综合多源多时相的遥感数据，提取典型树种特征向量，结合机器学习算法进行树种精细分类的研究尚未见系统报道。

发明内容

本发明实施例提出的一种基于SAR与光学遥感时序数据的树种分类方法、装置、设备和存储介质。能够克服南方多云多雨地区下无法使用光学遥感数据的缺陷，同时解决植被物候变化差异不大的亚热带地区利用单一光学遥感数据无法区分的树种的难题。

第一方面，本发明实施例提供一种基于SAR与光学遥感时序数据的树种分类方法，包括：

预先选择研究区域内的部分林班作为训练区域，其余林班作为验证数据；

对光学遥感影像数据和SAR影像数据预处理后，采集训练区域的光学遥感影像时序数据和SAR影像时序数据，并分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征；

对所述时序变化特征进行聚类分析，建立树种分类体系；

根据多特征的决策树模型以及树种分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并根据所述决策规则对预定地区的树种逐级分类，以获得树种决策树分类模型；

根据所述验证数据对所述树种决策树分类模型的结果进行验证以及精度的评价，并根据精度评价结果调整决策树阈值，以更新树种决策树分类模型；

根据所述更新后的所述树种决策树分类模型提取树种分布图。

进一步地，所述SAR数据预处理包括辐射定标、斑点噪声去除、地形辐射校正、影像裁剪和镶嵌处理；所述光学数据预处理包括辐射定标、大气校正、影像裁剪和镶嵌处理。

进一步地，所述SAR影像和光学遥感数据为一个年度的多时相数据，数据的时间覆盖范围为全年12个月份所有季相。