南荻生长区域确定、分割方法及系统与流程

1.本发明涉及南荻生长监控技术领域，尤其涉及南荻生长区域确定、分割方法及系统。


背景技术：

2.南荻是我国特有的芒属植物，其具有生物质产量高，光合效率强，纤维素含量高和耐贫瘠等诸多优点，是一种极具开发潜能的生态修复植物和生物质原料，近年来随着国人对环境保护越来越重视，南荻这一生态友好型植物也越来越受到研究者的青睐。


技术实现要素：

3.本发明提供了南荻生长区域确定、分割方法及系统，用于解决现有技术无法准确获取南荻分布情况的技术问题。
4.为解决上述技术问题，本发明提出的技术方案为：
5.一种南荻生长区域确定方法，包括以下步骤：
6.根据待监测区域内南荻与其他植被在不同时期的光谱特征数据之间的差异性确定南荻在待监测区域内的最佳监测时相及其对应的光谱特征阈值；不同时期对应南荻与其他植被不同的生长阶段；
7.获取待监测区域内各个子区域在最佳监测时相的光谱特征数据，分别将各个子区域的光谱特征数据与光谱特征阈值进行比较，当存在任意子区域的光谱特征数据在光谱特征阈值内，则判断子区域为南荻的生长区域。
8.优选的，根据待监测区域内南荻与其他植被在不同时期的光谱特征数据之间的差异性确定南荻在待监测区域内的最佳监测时相，包括以下步骤：
9.分别从历史数据中获取南荻以及其他植被在不同时期的原始光谱特征数据，构建南荻以及其他植被生长过程的时序光谱特征序列；
10.对于其他植被的每一种植被a的时序光谱特征序列，均执行以下步骤：
11.分别计算植被a的时序光谱特征序列内不同时期的光谱特征数据与其对应时期的南荻的光谱特征数据之间的差值，选取植被a与南荻光谱特征数据之间的差值最大的时期或植被a 与南荻光谱特征数据之间的差值大于预设差阈值的时期作为植被a与南荻的区分时期；
12.基于南荻与其他植被中每一种植被的区分时期构建南荻在待监测区域内的最佳监测时相。
13.优选的，构建南荻以及其他植被生长过程的时序光谱特征序列，包括以下步骤：
14.基于南荻或其他植被在不同时期的原始光谱特征数据拟合南荻或其他植被的时序光谱特征曲线，判断时序光谱特征曲线上各个部分的光谱特征数据时序变化是否在对应的正常变化范围内，若存在任意部分的光谱特征数据的时序变化不在对应的正常变化范围内，则判断部分对应原始光谱特征数据有噪声干扰，修正部分的对应的原始光谱特征数据，
使修正后的光谱特征数据拟合的时序光谱特征曲线上各个部分的光谱特征数据时序变化均在其对应的正常范围内；再使用修正后光谱特征数据构建时序光谱特征序列。
15.优选的，基于南荻与其他植被中每一种植被的区分时期构建南荻在待监测区域内的最佳监测时相，具体包括以下步骤：
16.若存在任意两种以上植被的区分时期存在重合，选取重合的区分时期作为两种以上植被的最优区分时期；
17.对于区分时期与其他植被不存在重合的植被，选取植被的区分时期中差值最大的时期作为最优时期；
18.基于其他植被中每一种植被的最优区分时期构建南荻在待监测区域内的最佳监测时相。
19.优选的，光谱特征数据包括：归一化植被指数ndvi、归一化水体指数ndwi、绿度ratiogreen中一种或任意几种的组合。
20.优选的，当待监测区域为大陆性亚热带季风湿润气候，且其他植被包括水稻、苔草、杨树、油菜时，光谱特征数据包括归一化植被指数ndvi、归一化水体指数ndwi、绿度ratio green 时，南荻在待监测区域内的最佳监测时相及其对应的光谱特征阈值如下：
[0021][0022]
优选的，还包括以下步骤：
[0023]
获取待监测区域内各个子区域的植被的形状指数、长宽比指数；
[0024]
将待监测区域内各个子区域的植被的形状指数分别与预设的南荻的形状阈值进行比较，将待监测区域内各个子区域植被的长宽比指数分别与预设的南荻的长宽比阈值进行比较，当存在任意子区域的光谱特征数据在南荻的光谱特征阈值内，子区域植被的形状指数在南荻的形状阈值内，且子区域植被的长宽比指数在南荻的长宽比阈值内，则判断子区域为南荻的生长区域。
[0025]
优选的，形状阈值为＜10.2，长宽比阈值为＜8.7。
[0026]
一种南荻生长区域分割方法，包括以下步骤：
[0027]
确定待分割区域的水体区域和非水体区域，采用第一分割尺度分割待监测区域的水体区域和非水体区域；
[0028]
确定非水体区域上的道路、建筑区域和植被区域，采用第二分割尺度从非水体区域内分割出的道路、建筑区域，得到植被区域；
[0029]
在植被区域内，采用上述任意一项的南荻生长区域确定方法确定植被区域内的南荻生长区域，并采用第三分割尺度分割南荻的生长区域；其中，第一分割尺度大于第二分割尺度，且第二分割尺度大于第三分割尺度；第一分割尺度为200，第二分割尺度为150；第三
分割尺度为50。
[0030]
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述算法的步骤。
[0031]
本发明具有以下有益效果：
[0032]
1、本发明中的南荻生长区域确定、分割方法及系统，根据待监测区域内南荻与其他植被在不同时期的光谱特征数据之间的差异性确定南荻在待监测区域内的最佳监测时相及其对应的光谱特征阈值；不同时期对应南荻与其他植被不同的生长阶段；获取待监测区域内各个子区域在最佳监测时相的光谱特征数据，分别将各个子区域的光谱特征数据与光谱特征阈值进行比较，当存在任意子区域的光谱特征数据在光谱特征阈值内，则判断子区域为南荻的生长区域。相比现有技术，本发明能利用南荻在不同生长阶段的光谱特征来区分待监测区域的南荻与其他植被，从而准确获取到待监测区域南荻的分布情况。
[0033]
2、在优选方案中，本发明中通过设置分类参数归一化植被指数(ndvi)、归一化水体指数(ndwi)、绿度(ratio green)、亮度值(brightness)、形状指数(shape index)、长宽比(length/width)等的阈值来区分南荻与其他植被，能进一步提高待监测区域南荻的分布情况的准确性。
[0034]
3、在优选方案中，本技术方案在从待监测区域的卫星图像中分割南荻的生长区域时，针对不同的分割对象，采用不同的分割尺度，在保证分割的精确性的同时，能有效提高分割的速度。
[0035]
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
[0036]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0037]
图1是本发明优选实施例中的洞庭湖典型植被ndvi时间序列曲线；
[0038]
图2是本发明优选实施例中的不同分割尺度分割效果图，其中，(a)为分割尺度50的效果图，(b)为分割尺度150的效果图，(c)为分割尺度200的效果图；
[0039]
图3是本发明优选实施例中的关键时相卫星影像和ndvi数据图，其中，(a)为4月16日的卫星影像，(b)为4月16日的ndvi数据图；(c)为8月4日的卫星影像；(d) 8月4日的ndvi数据图；(e)为12月16日的卫星影像；(f)为12月16日的ndvi数据图；(g)为ndvi组合影像图；
[0040]
图4是本发明优选实施例中的南荻空间分布提取技术路线图；
[0041]
图5是本发明优选实施例中的东洞庭湖实地2015
‑
2019年南荻空间分布图，其中，(a)
ꢀ‑
(e)分别为2015
‑
2019年的南荻空间分布图；
[0042]
图6为本发明中的南荻生长区域确定方法的流程图。
具体实施方式
[0043]
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
[0044]
实施例一：
[0045]
如图6所示，本实施中公开了一种南荻生长区域确定方法，包括以下步骤：
[0046]
根据待监测区域内南荻与其他植被在不同时期的光谱特征数据之间的差异性确定南荻在待监测区域内的最佳监测时相及其对应的光谱特征阈值；不同时期对应南荻与其他植被不同的生长阶段；
[0047]
获取待监测区域内各个子区域在最佳监测时相的光谱特征数据，分别将各个子区域的光谱特征数据与光谱特征阈值进行比较，当存在任意子区域的光谱特征数据在光谱特征阈值内，则判断子区域为南荻的生长区域。
[0048]
此外，在本实施例中，还公开了一种南荻生长区域分割方法，包括以下步骤：
[0049]
确定待分割区域的水体区域和非水体区域，采用第一分割尺度分割待监测区域的水体区域和非水体区域；
[0050]
确定非水体区域上的道路、建筑区域和植被区域，采用第二分割尺度从非水体区域内分割出的道路、建筑区域，得到植被区域；
[0051]
在植被区域内，采用上述的南荻生长区域确定方法确定植被区域内的南荻生长区域，并采用第三分割尺度分割南荻的生长区域；其中，第一分割尺度大于第二分割尺度，且第二分割尺度大于第三分割尺度。
[0052]
此外，在本实施例中，还公开了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述算法的步骤。
[0053]
本发明中的南荻生长区域确定、分割方法及系统，根据待监测区域内南荻与其他植被在不同时期的光谱特征数据之间的差异性确定南荻在待监测区域内的最佳监测时相及其对应的光谱特征阈值；不同时期对应南荻与其他植被不同的生长阶段；获取待监测区域内各个子区域在最佳监测时相的光谱特征数据，分别将各个子区域的光谱特征数据与光谱特征阈值进行比较，当存在任意子区域的光谱特征数据在光谱特征阈值内，则判断子区域为南荻的生长区域。相比现有技术，本发明能利用南荻在不同生长阶段的光谱特征来区分待监测区域的南荻与其他植被，从而准确获取到待监测区域南荻的分布情况。
[0054]
实施例二：
[0055]
实施例二是实施例一的优选实施例，其与实施例一的不同之处在于，对本发明中的南荻生长区域确定、分割方法的具体步骤进行了细化：
[0056]
在本实施例中，公开了一种南荻生长区域确定、分割方法，该方法综合时间序列数据重构、面向对象特征提取、光谱特征变量提取、阈值选取和决策树构建等技术，采用综合时空谱多维遥感特征的精细分类方法，提取南荻空间分布。
[0057]
下面以洞庭湖作为待监测区域，来介绍南荻生长区域确定、分割方法的具体实施步骤：
[0058]
一、时间序列数据重构
[0059]
本次研究选用gf
‑
1宽幅数据、landsat
‑
8、sentinel
‑
2等多源中高分辨率卫星影像构建洞庭湖湿地植被全生育期月度ndvi时间序列数据集，对比洞庭湖湿地主要植被时间序列曲线，确定南荻最佳监测时相。ndvi时间序列重建的实质就是降低序列本身的噪声水平，重建高质量的数据集。各种重建方法都基于以下两个前提假设：
①
ndvi的时序变化对应于植被的生长过程；
②
在ndvi时序数据中出现的陡升或陡降都认为是与植物生长过程不一致
的噪声干扰。
[0060]
为了寻找南荻与其他植被生长差异最大时期，确定南荻最佳监测时相，本研究将全年12 个月的卫星影像数据，分别计算ndvi，并按照时间顺序将所得的12个月ndvi数据组合，获得时间序列数据。洞庭湖湿地几种植被ndvi时间序列曲线见图1。
[0061]
从图1中的时间序列曲线可以看出南荻在5月与水稻、油菜的ndvi差异最大，可将南荻与水稻和油菜区分；在8月，南荻与苔草ndvi差异最大，可将南荻与苔草区分；在4～11 月，南荻与杨树ndvi时间序列曲线接近，但在1月、2月、12月，南荻ndvi值均低于杨树，因而选取该时间段的ndvi数据可以区分南荻和杨树。因此，本研究选取当年5月、8 月、12月(或1月)各一期卫星影像，作为南荻提取关键时相数据，其中，选取具体情况如表1所示，在5月、8月没有有效数据时，分别考虑4月、9月数据作为关键时相补充数据。
[0062]
表1南荻遥感监测时相表
[0063][0064]
本阶段研究所用遥感数据详情见表2：
[0065]
表2选用卫星影像数据详情表
[0066][0067]
二、面向对象特征提取
[0068]
采用面向对象分类方法，选择合理分割尺度、分类特征和分类规则，提取南荻空间分布并统计面积。
[0069]
①
多尺度影像分割
[0070]
遥感影像的多尺度分割是面向对象分类方法的基本方法与手段，分割的最终目的是将具有共同光谱特征和属性的临近像元归类划分为整体性的小区域(区域的大小由分割尺度及临近像元相似性而定)，从而为进一步细分提供信息构建基础。有效的分割尺度不仅可减少计算机运算冗沉、节省工作时间，而且可以更有效地结合对象的空间(如对象形状，长宽等) 与光谱属性差异。
[0071]
不同的分割尺度产生的对象多边形的数量、大小及提取精度会有所不同，同时不同尺度提取的信息也能反映出不同层次地物的结构差异，因此针对不同类型的地物选择不同的尺度进行分割。洞庭湖湿地景观类型中南荻群落浓疏相间，同时还有水体、岛屿、道路、房屋、南荻垛，图像分割时，兼顾分类效率和精度，结合洞庭湖湿地特点，经选择不同分割尺度进行分割试验，最终选择50、150、200为最有分割尺度。当分割尺度为200时，主要依据色调将影像分为大范围混合对象，可将水体与非水体区分开；当分割尺度为150时，道路有较完整的多边形，能将植被与道路明显区分；当分割尺度为50时，影像分割图斑破碎，但芦苇和杨树、苔草等分布边界较为清晰完整。分割形状因子设置为0.2，紧致度设置为0.5。
[0072]
②
分类层次建立
[0073]
分类层次体系是指在不同尺度分割后，不同尺度层的对象间的纵向关系和相同尺度分割产生的同层中对象间的横向关系。利用分割产生的各层次地类的特征信息，建立分类规则集，并分析其上下层关系，使之具有继承关系，将分类信息在层次间传递，并在最后一层继承所有地物。
[0074]
本研究分三层设置不同分割尺度，最终获取不同地物空间分布和南荻空间分布信息。 level 1为第一层，分割尺度为200，研究区水体、非水体在level 1中进行提取；level 2在 level 1的基础上分割，尺度为150，继续进行分割，主要提取中尺度的地物(道路、建筑等)；level 3在level 2的基础上以尺度为50继续分割，主要提取相对较小斑块的地物对象(芦苇、苔草、杨树等)，其中，研究区(待监测区域)的主要地物特征如表3所示。分割效果图如图2所示。
[0075]
表3研究区主要地物特征(假彩色影像中)
[0076][0077][0078]
③
分类参数及阈值选取
[0079]
ndvi反映植被生长情况，ndvi值介于
‑
1～1之间，植被长势越好、生物量越大，ndvi 值越大，而无植被覆盖区域ndvi值小。图3中水体ndvi值最小，在ndvi图上显示为棕黄色，而植被在ndvi图上显示为绿色或蓝色，且植被长势越好、生物量越大，图中颜色越趋于蓝色。图3(b)中可以看出，在4月16日，南荻和苔草比洞庭湖外的耕地ndvi值大；图3(d)中可以看出，在8月4日，南荻比周边的苔草ndvi值大；图3(f)中可以看出，在12月16日，草和杨树比南荻ndvi值大。将4月16日、8月4日和12月16日ndvi值各作为一个波段，组合得到rgb影像，即图3(g)所示影像。综合图3(b)、3(d)、3 (f)分析结果，判断图3(g)中黄色部分为南荻，故提取该黄色部分，即为南荻空间分布；其中，各时相南荻与其他植被ndvi差异情况如表4所示。
[0080]
表4各时相南荻与其他植被ndvi差异
[0081][0082]
三、光谱特征变量提取
[0083]
由于地物存在“同物异谱、同谱异物”现象，图3(g)中黄色部分除南荻外，可能存在其他植被，还需要考虑形状特征，区分其他植被。因而本研究综合光谱和形状特征，选取ndvi、ndwi、ratio green、shape index、length/width作为分类参数，其中，光谱特征以及形状特征的规则描述如表5所示。
[0084]
表5特征变量及规则描述
[0085][0086][0087]
四、阈值选取
[0088]
由于每年各分类参数阈值由于植被生长差异，因而具有上下浮动，以2017年为例，各分类参数阈值见表6：
[0089]
表6南荻提取各分类参数阈值
[0090][0091]
五、决策树构建
[0092]
如图4所示，依据洞庭湖湿地主要植被南荻、杨树、苔草、水稻和油菜因生育期不同所表现在影像上的颜色、纹理及光谱等的差异，选取多个影像分割尺度，通过设置分类参数归一化植被指数(ndvi)、归一化水体指数(ndwi)、绿度(ratio green)、亮度值(brightness)、形状指数(shape index)、长宽比(length/width)等的阈值，结合人工目视修正，提取南荻分布信息。
[0093]
六、南荻空间分布提取结果的应用分析
[0094]
采用上述南荻的生长区域分割方法对2015
‑
2019年东洞庭湖南卫星图像上的南荻进行分割，得到如图5所示的南荻空间分布图，其中，图5(a)
‑
(e)分别为2015
‑
2019年的南荻空间分布图，从图5可以得出：
[0095]
在2015
‑
2019年这几年，东洞庭湖南荻面积大致呈下降趋势，2015年南荻面积最大。但 2019年南荻面积增加，经分析有两点原因：
[0096]
①
2019年所用影像数据均是sentinel
‑
2，空间分辨率为10米，而其他年份数据空间分辨率为15或16米，2019年影像空间分辨率提升，混合像元减少，南荻辨识度也相应提升，并且较小面积分布的南荻也能提取出来。
[0097]
②
洞庭湖杨树砍伐后，湿地生态恢复，可能导致部分区域生长南荻。
[0098]
③
2019年南荻所用影像为6月以前影像，未利用到8月(或9月)、12月影像，2019 年提取结果中可能混有草类，导致提取面积偏大。
[0099]
综上所述，本发明中的南荻生长区域确定、分割方法及系统，根据待监测区域内南荻与其他植被在不同时期的光谱特征数据之间的差异性确定南荻在待监测区域内的最佳监测时相及其对应的光谱特征阈值；不同时期对应南荻与其他植被不同的生长阶段；获取待监测区域内各个子区域在最佳监测时相的光谱特征数据，分别将各个子区域的光谱特征数据与光谱特征阈值进行比较，当存在任意子区域的光谱特征数据在光谱特征阈值内，则判断子区域为南荻的生长区域。相比现有技术，本发明能利用南荻在不同生长阶段的光谱特征来区分待监测区域的南荻与其他植被，从而准确获取到待监测区域南荻的分布情况。
[0100]
在优选方案中，本发明中通过设置分类参数归一化植被指数(ndvi)、归一化水体指数 (ndwi)、绿度(ratio green)、亮度值(brightness)、形状指数(shape index)、长宽比
(length/width)等的阈值来区分南荻与其他植被，能进一步提高待监测区域南荻的分布情况的准确性。
[0101]
在优选方案中，本技术方案在从待监测区域的卫星图像中分割南荻的生长区域时，针对不同的分割对象，采用不同的分割尺度，在保证分割的精确性的同时，能有效提高分割的速度。
[0102]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。