[发明专利]一种植被识别方法及应用

说明书

本申请属于环境保护技术领域，特别是涉及一种植被识别方法及应用。由于使用光学和SAR数据很难准确地区分成熟和幼龄的棕榈树等植被，并且现有的分类算法在对植被进行监测和识别时对输入参数的值存在很强的依赖性。本申请提供了一种植被识别方法，并应用于棕榈种植园的识别上，包括：将第一卫星光学遥感图像和第二卫星合成孔径雷达图像进行融合，得到融合影像数据；从融合的数据影像中提取信息特征组合；计算所述特征的权重值，并挑选出最优子集作为模型训练集；优化随机森林算法得到改进的随机森林算法，采用所述改进的随机森林算法和所述模型训练集训练出植被识别分类模型；对植被识别分类模型进行验证后得到识别结果。能显著提高识别效率。

技术领域

本申请属于环境保护技术领域，特别是涉及一种植被识别方法及应用。

背景技术

目前已有许多研究利用卫星遥感数据进行植被的识别。基于光学方法依赖于从植被的物候或图像特征中提取的信息，其中包括物候学方法和图像识别方法。基于物候学的方法主要利用植被光谱的时间变化来监测棕榈树等植被的扩张。为了解决热带地区棕榈种植园等植被的识别与监测难题，全天候的全球观测合成孔径雷达(SAR)成为人们的关注对象。这些研究使用雷达卫星数据(ALOS PALSAR中的L波段和Sentinel-1中的C波段)作为识别植被的主要依据。利用雷达卫星数据，不同植被类型可以呈现出各自独特的雷达后向散射值，因此可以很容易地将光谱相似的植被区分开。然而，由于不同年龄的植被所表现出的散射值十分相似，因此仅使用SAR数据也很难区分成熟和幼龄(小于3岁)的棕榈树等植被。为了进一步克服仅使用SAR或光学数据进行棕榈树等植被识别的局限性，最近有一些研究通过使用数据融合技术来识别植被。这些研究从SAR和光学卫星组合中选择了特定的后向散射值和反射率/发射率特征输入到机器学习算法中来识别棕榈种植园等作物植被，包括成熟，幼龄植被和其他土地分类类型。

而相比其他分类器，随机森林(random forest)在训练集样本点数量较低和在观测对象存在缺失情况时仍能够较好的进行分类和预测。一些研究也表明，在众多机器学习算法中，选择随机森林进行分类并优选特征对象可以获得更好的执行效果。然而，随机森林算法和其他机器学习分类算法对输入参数的值存在很强的依赖性，这也导致了植被的识别准确性对参数的选取十分敏感，参数选取不佳容易导致准确率较低。

发明内容

1.要解决的技术问题

基于由于使用光学遥感和SAR数据很难准确地区分成熟和幼龄的棕榈树等植被，并且现有的分类算法在对植被进行监测和识别时对输入参数的值存在很强的依赖性的问题，本申请提供了一种植被识别方法及应用。

2.技术方案

为了达到上述的目的，本申请提供了一种植被识别方法，所述方法包括如下步骤：步骤1：将第一卫星光学遥感图像和第二卫星合成孔径雷达图像进行融合，得到融合影像数据；步骤2：从融合的数据影像中提取信息特征组合；步骤3：计算所述特征的权重值，并挑选出最优子集作为模型训练集；步骤4：优化随机森林算法得到改进的随机森林算法，采用所述改进的随机森林算法和所述模型训练集训练出植被识别分类模型；步骤5：对所述植被识别分类模型进行验证后得到识别结果。

本申请提供的另一种实施方式为：所述第一卫星光学遥感图像为陆地8号卫星的光学遥感图像，所述第二卫星合成孔径雷达图像为哨兵1号卫星的合成孔径雷达图像；所述步骤1在谷歌地球引擎中分别合成陆地8号卫星的光学遥感图像和哨兵1号卫星的合成孔径雷达图像，将所述光学遥感图像和所述合成孔径雷达图像进行融合。

本申请提供的另一种实施方式为：选取所述陆地8号的光学图像中30米分辨率的蓝波段，绿波段，红波段和近红外波段，以及所述哨兵1号卫星的合成孔径雷达图像中的单同极化波段(垂直发射/垂直接收)和双交叉极化波段(垂直发射/水平接收)进行融合，得到融合影像数据。

本申请提供的另一种实施方式为：所述信息特征组合包括多时相光谱特征，合成孔径雷达后向散射值，植被指数和纹理特征。