[发明专利]一种基于GEE的Otsu和边缘检测算法的高山林线提取方法

说明书

本发明公开了一种基于GEE的Otsu和边缘检测算法的高山林线提取方法，包括步骤：S1、选择数据源：采用拥有30米分辨率的多光谱陆地遥感卫星Landsat8影像，或使用Landsat7或Landsat5影像；所选影像处于植被早期生长季4‑6月，待提取的目标是有高山林线的区域；S2、对目标区域的遥感图像进行预处理；S3、采用归一化植被指数NDVI提取遥感影像中的植被区域；S4、图像分割与边缘检测：在GEE平台中引入Otsu算法，实现NDVI指数的图像分割，进一步使用边缘检测算法提取高山林线；S5、对图像进行后处理，最终得到高山林线的分布图。本发明的方法提取高山林线的技术流程自动化高，快速简单，提取效果好，能实现批量操作，避免了传统野外调查费时费力和不安全的问题。

技术领域

本发明涉及生态遥感技术领域，具体涉及一种基于GEE的Otsu和边缘检测算法的高山林线提取方法。

背景技术

高山林线是森林、灌木和草地沿海拔梯度上交替的过渡带。不同地区高山林线动态变化也呈现不同的规律。然而，特别是在青藏高原脆弱的生态系统中，高山林线的多年动态变化的空间格局仍未确定。以往的研究主要通过历史资料和野外调查来获取高山林线的位置信息。野外调查虽然具有较好的准确性和可靠性，但是调查规模较小，安全性不高，限制了作业效率和适用性。同时，野外调查也不利于长时间大尺度地监测高山林线动态变化。

近年来，遥感和地理信息技术已成为识别高山林线空间分布的有效手段。利用遥感影像目视解译高山林线的提取方法，工作量大，存在人为影响因素，并且技术过程无法大面积推广。所以，目前高山林线的提取方法主要基于遥感影像监督分类和经验归一化植被指数NDVI来获取高山林线的位置。然而，监督分类需要训练样本的选择和人工干预，这给高山林线的长期监测带来了不确定性。同时，高山林线附近植被的遥感影像光谱属性差异性不大，使用监督分类会造成大量像元混淆。此外，由植被类型边界得到的高山林线并不准确，违背了高山林线是植被过渡带的定义。而使用经验NDVI指数来提取高山林线，对不同成像时间、不同研究区域和不同卫星产品的适应性不强。因此，探索一种新的方法来提取高山林线的空间位置是十分必要的。

发明内容

本发明的目的是提供一种基于GEE的Otsu和边缘检测算法的高山林线提取方法。

该方法基于高山林线附近的早期生长季植被覆盖度差异比较明显的原理，并且考虑到高山林线是一个植被过渡带，生态脆弱性最低，植被变化最不稳定的特点，将Otsu算法引入到谷歌地球引擎GEE平台中，结合植被归一化指数NDVI计算高山林线的TOtsu阈值，进一步采用边缘检测算法提取分布不规则的高山林线。

本发明的高山林线提取方法，具体步骤如下：

S1、选择数据源：采用拥有30米分辨率的多光谱陆地遥感卫星Landsat 8影像，或使用Landsat 7或Landsat 5影像；其影像波段含有红波以及近红外等波段，影像辐宽185km，所选影像处于植被早期生长季4-6月，待提取的目标是有高山林线的区域。

S2、数据预处理：为了提高遥感影像的利用率和提高高山林线的解译精度，对目标区域的遥感图像进行预处理，包括影像去云和图像融合。

在谷歌地球引擎GEE中影像去云的算法主要有两种方式，一种是使用算法计算云量分数，值的范围是0-100，值越大，云的可能性越大。另外一种就是直接使用影像的QA波段去云。

在谷歌地球引擎GEE中影像融合的方法是在每个位置选择一个场景子集转换为大气顶层反射率，然后应用简单的云评分，获取最少浑浊像素的中值，生成一幅质量较好的合成影像。

S3、采用归一化植被指数NDVI提取遥感影像中的植被区域，具体包括以下两个步骤：

S31、根据公式(1)计算目标区域每一个像元的NDVI值，得到NDVI栅格图像：