一种基于全遥感机器学习的植被覆盖度估算方法

1.本发明涉及一种基于全遥感机器学习的植被覆盖度估算方法，属于生态建设、生态环境保护、资源环境承载能力评价、生态功能评估、碳循环等应用领域。


背景技术：

2.植被是连接土壤、大气和水分的自然纽带，影响着陆地表面的能量平衡和生化循环。植被覆盖度通常是指植被(叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比，是反应植被生长状况的直接定量指标，是水文、气候、生态和碳过程评估等模型必要的输入参数，也可用于揭示土地退化、水土流失等生态问题及其综合治理状况。因此，快速、有效、精确地估算区域植被覆盖度对改善区域生态环境、促进资源可持续发展等均具有重要的意义。
3.目前，估算植被覆盖度的方法主要分为两种：一是传统的地面实测法，二是遥感估算法。传统的地面实测法虽然测量精度较高，但费时、费力，调查范围小，缺乏时效性，不适合进行大区域尺度研究。遥感估算方法主要有经验模型法、亚像元分解法、物理模型法、光谱梯度法等，其中像元分解法由于其模型简单、可靠，在研究中应用最广泛，而像元二分模型又是像元分解法中最为普遍和简单的一个模型，但地表的复杂性导致纯植被和纯裸土的ndvi值难以确定。随着计算机技术的快速发展，机器学习方法被广泛应用到植被覆盖度的估算，包括人工神经网络、支持向量机、随机森林，与人工神经网络和支持向量机相比，随机森林模型无需对变量的正态性和独立性等条件进行检验，但该方法在解决回归问题时，并没有像它在分类中表现的那么好，不能够做出超越训练集数据范围的预测，这可能导致在某些特定噪声的数据进行建模时出现过度拟合。xgboost是由华盛顿大学陈天奇作为dmlc组员所开发的一个研究项目，该算法借鉴了随机森林的做法，支持列抽样，这样不仅能防止过拟合，还能降低计算；而且还在损失函数添加了正则化项，控制模型的复杂度，并进一步防止过拟合现象，因此该算法对异常值更敏感。该算法在数据科学应用中已广泛使用，但还未应用在植被覆盖度估算领域。
4.神经网络、支持向量机、随机森林和xgboost等机器学习算法都需要大量的训练样本，然而在山区、水域和茂密的森林等人员难以到达的区域，传统的地面采样获取训练样本十分困难，甚至存在大量无法布设地面样点的区域。目前已有研究引入了低空无人机进行采样点的布设，但无人机采样成本高，且飞行区域管制严格。随着遥感技术的进步，高时间高空间分辨率的传感器不断涌现，例如国产卫星高分二号的全色和多光谱数据融合后分辨率可达到1m，能够为中低空间分辨率植被覆盖度估算提供足够数量和质量，以及现势性强的训练样本。
5.目前，大多数的植被覆盖度机器学习估算研究是基于遥感影像的初始波段反射率或植被指数，但土壤、水分和温度等生境条件也是植被生长状况的良好表征，生境条件的差异也会导致植被覆盖度有所不同，其中地表温度能够反应植被呼吸强度和蒸腾情况，以及城市热岛效应；土壤湿度制约着土壤养分的溶解、转移和吸收，以及微生物的活动，对植被
生长和分布格局具有较大影响。另外，植被覆盖度不仅与植被生长状态和生境条件密切相关，还与地表覆被状况密切相关，道路、居民地等不透水面是改变植被覆盖度最直接的方式。然而目前的植被覆盖度估算方法中并未考虑到植被生长环境和地表覆被状况对区域植被覆盖度的影响，使得植被覆盖度的精确估算产生了一定的偏差。


技术实现要素：

6.针对现有技术存在的不足，本发明提出了一种基于全遥感机器学习的植被覆盖度估算方法，该方法充分考虑了植被生长状态、环境和地表覆被状况对区域植被覆盖度的影响，并结合了一种新型的机器学习方法xgboost，最大限度地挖掘和利用遥感影像信息，提高了现有植被覆盖度计算的准确度，操作过程简单、人工干预少，易于大尺度推广应用。
7.为解决上述问题，本发明所采取的技术方案是：
8.一种基于全遥感机器学习的植被覆盖度估算方法，包括以下步骤：
9.s1，基于植被生长季高空间分辨率原始遥感影像的多光谱数据和全色数据进行预处理，分别生成代表地物真实反射率的多光谱遥感影像结果图和代表地物真实辐射亮度值的全色遥感影像结果图；
10.s2，针对步骤s1中的多光谱遥感影像结果图和全色遥感影像结果图进行几何配准，得到在地理空间坐标上相匹配的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图；
11.s3，针对步骤s2中的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图进行图像融合，得到高空间分辨率多光谱融合影像结果图；
12.s4，基于同区域同时期的中低空间分辨率原始遥感影像进行预处理，得到中低空间分辨率多光谱遥感影像地表反射率结果图；
13.s5，针对步骤s3中的高空间分辨率多光谱融合影像结果图和步骤s4中的中低空间分辨率多光谱遥感影像地表反射率结果图进行几何配准，得到在地理空间坐标上相匹配的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图；
14.s6，针对步骤s5中的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图进行重合范围提取，得到在空间范围一致的高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图；
15.s7，针对步骤s6中的中低空间分辨率遥感影像目标结果图，以其像元大小为单元生成网格矢量图；
16.s8，针对步骤s6中的高空间分辨率遥感影像目标结果图进行以下处理：
17.s8-1，针对高空间分辨率遥感影像目标结果图计算归一化植被指数ndvi，得到相应的ndvi空间分布图；
18.s8-2，针对高空间分辨率遥感影像目标结果图进行植被增强算法处理，并在植被覆盖区随机选取样本点，统计样本点在ndvi空间分布图上的分布情况，同时设定最小值为下限阈值，得到高空间分辨率植被空间分布结果二值图，其中，0代表其他区域，1代表植被覆盖区；
19.s8-3，基于网格矢量图统计步骤s8-2中的高空间分辨率植被空间分布结果二值图，得到中低空间分辨率植被覆盖度目标数据；
20.s9，基于步骤s6中的中低空间分辨率遥感影像目标结果图计算归一化植被指数ndvi、比值居民地指数rri、亮度温度t和表层水分含水量指数swci，得到相应指数特征空间分布图并对其进行空间合成，得到特征专题信息图；
21.s10，基于步骤s6中高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图重合范围生成随机采样点；
22.s11，基于采样点获取步骤s8-3中的中低空间分辨率植被覆盖度目标数据和步骤s9中的特征专题信息，生成模型训练数据集；
23.s12，基于模型训练数据集，利用机器学习方法构建植被覆盖度估算模型；
24.s13，基于植被覆盖度估算模型和步骤s9中的特征专题信息图估算步骤s6中的中低空间分辨率遥感影像目标结果图的植被覆盖度，得到区域植被覆盖度空间分布图。
25.进一步地，所述步骤s1中基于植被生长季高空间分辨率遥感影像的多光谱数据进行的预处理包括辐射定标、大气校正和正射校正；
26.所述步骤s1中基于植被生长季高空间分辨率遥感影像的全色数据进行的预处理包括辐射定标和正射校正；
27.其中，所述大气校正采用flaash大气校正方法。
28.进一步地，所述步骤s3中基于同区域同时期的中低空间分辨率遥感影像进行的预处理包括辐射定标和大气校正；
29.其中，所述大气校正采用flaash大气校正方法。
30.进一步地，所述步骤s3中图像融合的方法为gram-schmidt pan sharpening图像融合方法。
31.进一步地，所述步骤s8-1和步骤s9中归一化植被指数ndvi的计算公式为：
[0032][0033]
其中，ρ
nir
为遥感影像近红外波段光谱反射率值，ρr为红波段的光谱反射率值。
[0034]
进一步地，所述步骤s8-2中的植被增强算法是指影像rgb波段组合为近红外、红光、绿光标准假彩色植被增强，所述随机选取样本点是指采用2
×
2的采样窗口随机采集影像植被信息像元，样本数量大于300。
[0035]
进一步地，所述步骤s9中所述的亮度温度t的计算方法为：
[0036]
基于热红外波段进行辐射定标，得到该波段的光谱辐射率；
[0037]
基于头文件热量常数将该波段的光谱辐射转化为亮度温度，亮度温度的计算公式为：
[0038][0039]
其中，ρ
tirs
表示tirs波段的光谱辐射率，k1，k2是转换常数，可在影像头文件中获取。
[0040]
进一步地，所述步骤s9中表层水分含水量指数swci计算公式为：
[0041]
[0042]
其中，ρ
swir1
为1628nm-1652nm波长范围的短波红外波段光谱反射率值，ρ
swir2
为2105nm-2155nm波长范围的短波红外波段的光谱反射率值。
[0043]
进一步地，所述步骤s9中比值居民地指数rri计算公式为：
[0044][0045]
其中，ρb为遥感影像蓝波段光谱反射率值,ρ
nir
为遥感影像近红外波段光谱反射率值。
[0046]
进一步地，所述步骤s12中植被覆盖度估算模型的机器学习方法为xgboost算法，xgboost算法的目标函数为：
[0047][0048]
其中，i为样本索引号，n为导入第j棵树的数据总量，k表示建立的所有决策树，第一项为损失函数，表示真实值与实测值之间的误差，第二项为正则化项，ω(fj)为正则化函数。
[0049]
本发明的有益效果在于：
[0050]
1)本发明的优点是从分析植被生长状态、环境和地表覆被状况等条件对区域植被覆盖度的影响入手，提取了地表绿度特征、生境特征和不透水面特征，并消除了植被类型对植被覆盖度计算结果的影响，提高了植被覆盖度作为衡量植被生长状况、区域生态系统恢复情况主要指标的准确度和可靠性，以及作为水文、气候、生态和碳过程评估等模型重要参数的准确性，其具有较强的现势性和客观性，不受地面条件限制，易推广应用。
[0051]
2)相比现有技术方法，本发明充分利用了高空间分辨率遥感影像的空间特征和光谱特征，可为中低空间分辨率vfc估算提供足量的现势性强的训练样本，相比传统的实地采样，该方法省时省力，可快速获取大量数据；此外本发明还结合了一种新型的机器学习方法xgboost，提出了一种基于全遥感机器学习的区域植被覆盖度计算方法，提高了区域尺度植被覆盖度计算的准确度和可靠性，操作过程简单、人工干预少，易于在区域尺度中推广应用。
附图说明
[0052]
图1为本技术实施例的流程示意图；
[0053]
图2为本技术实施例中同区域同时期的gf2多光谱遥感影像图(日期5月23日)；
[0054]
图3为本技术实施例中同区域同时期的gf2全色遥感影像图(日期5月23日)；
[0055]
图4为本技术实施例中同区域同时期更精细的高空间分辨率多光谱融合影像(日期5月23日)；
[0056]
图5为本技术实施例中同区域同时期的landsat8中低空间分辨率遥感影像图(日期5月25日)；
[0057]
图6为本技术实施例中以landsat8像元格网为统计单元得到中低空间分辨率植被覆盖度目标数据的计算方法示意图；
[0058]
图7为本技术实施例中绿度特征-归一化植被指数ndvi空间分布图，
[0059]
图8为本技术实施例中生境特征-亮度温度t空间分布图，
[0060]
图9为本技术实施例中生境特征-表层水分含水量指数swci空间分布图，
[0061]
图10为本技术实施例中不透水面特征-比值居民地指数rri空间分布图。
[0062]
图11为区域植被覆盖度空间分布图；
[0063]
图12为本技术实施例中区域采样点基于landsat8的全遥感机器学方法的植被覆盖度vfc精度验证图；
[0064]
图13为本技术实施例中区域采样点基于landsat8的像元二分法的植被覆盖度vfc精度验证图。
具体实施方式
[0065]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0066]
本实施例以某区域同时期的高空间分辨率遥感影像gf2和中低空间分辨率遥感影像landsat8为例进行说明。中国高分二号(gf2)搭载两台0.89m全色和3.2米多光谱相机，图像融合后可生成1m分辨率的多光谱数据，可以满足landsat8 30m数据植被覆盖度真值精度，而且可以提供足量的训练样本。
[0067]
参照图1，本发明公开了一种基于全遥感机器学习的植被覆盖度估算方法，其包括以下步骤：
[0068]
s1，基于植被生长季高空间分辨率原始遥感影像的多光谱数据和全色数据进行预处理，分别生成代表地物真实反射率的多光谱遥感影像结果图和代表地物真实辐射亮度值的全色遥感影像结果图；
[0069]
具体的，首先收集本区域植被生长季内成像质量较好的高空间分辨率原始遥感影像；
[0070]
然后基于高空间分辨率原始遥感影像的多光谱数据进行精确的辐射定标、flaash大气校正、正射校正，得到代表地物真实反射率的多光谱遥感影像结果图。其中正射校正主要通过envi 5.3的流程化工具rpc orthorectification workflow识别影像自身的rpc信息进行校正，输出像元大小为4m。如图2为本区域同时期的5月23日gf2多光谱遥感影像结果图。
[0071]
同时基于植被生长季高空间分辨率原始遥感影像的全色数据进行精确的辐射定标和正射校正，得到代表地物真实辐射亮度值的全色遥感影像结果图。其中正射校正主要通过envi 5.3的流程化工具rpc orthorectification workflow识别影像自身的rpc信息进行校正，输出像元大小为1m。如图3为本区域同时期的5月23日gf2全色遥感影像结果图。
[0072]
s2，针对步骤s1中的多光谱遥感影像结果图和全色遥感影像结果图进行几何配准，得到在地理空间坐标上相匹配的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图；
[0073]
具体的，在实施过程中发现gf2多光谱遥感影像图和gf2全色遥感影像图重叠区的相同地物不能重叠，因此在本实例中使用envi5.3中的自动配准工具image registration workflow对步骤s1中的多光谱遥感影像结果图和全色遥感影像结果图进行几何配准，总体误差小于0.5个像元，得到在地理空间坐标上相匹配的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图；
[0074]
s3，针对步骤s2中的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图进行图像融合，得到高空间分辨率多光谱融合影像结果图；
[0075]
具体的，在实施过程中使用envi5.3中gram-schmidt pan sharpening图像融合方法对步骤s2中的高空间分辨率多光谱遥感影像结果图和高空间分辨率全色遥感影像结果图进行图像的融合，得到空间分辨率为1m的高空间分辨率多光谱融合影像结果图。如图4为本区域同时期的5月23日更精细的高空间分辨率多光谱融合影像。
[0076]
s4，基于同区域同时期的中低空间分辨率原始遥感影像进行预处理，得到中低空间分辨率多光谱遥感影像地表反射率结果图；
[0077]
具体的，对同区域同时期的中低空间分辨率原始遥感影像进行精确的辐射定标和flaash大气校正，得到代表地物真实反射率的中低空间分辨率多光谱遥感影像地表反射率结果图。该过程可以在常用遥感数据处理软件中进行(本实施例使用envi5.3)。如图5为本区域同时期的5月25日landsat8中低空间分辨率遥感影像地表反射率结果图。
[0078]
s5，针对步骤s3中的高空间分辨率多光谱融合影像结果图和步骤s4中的中低空间分辨率多光谱遥感影像地表反射率结果图进行几何配准，得到在地理空间坐标上相匹配的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图；
[0079]
具体的，由于gf2和landsat8影像是来源于不同传感器不同时间的数据，在实施过程中发现步骤s3中的高空间分辨率多光谱遥感影像结果图和步骤s4中的中低空间分辨率多光谱遥感影像地表反射率结果图的几何位置存在较大偏差，在本实例中对步骤s3中的高空间分辨率多光谱遥感影像结果图和步骤s4中的中低空间分辨率多光谱遥感影像地表反射率结果图进行手动几何配准，总体误差小于0.5个像元，得到在地理空间坐标上相匹配的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图；
[0080]
s6，针对步骤s5中的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图进行重合范围提取，得到在空间范围一致的高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图；
[0081]
具体的，基于步骤s5中匹配后的高空间分辨率遥感影像结果图和中低空间分辨率遥感影像结果图进行重合范围提取，得到在空间范围一致的高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图；另外，由于图像右下侧有少量云层污染，因此经目视识别后对云覆盖区域进行了掩膜。
[0082]
s7，针对步骤s6中的中低空间分辨率遥感影像目标结果图，以其像元大小为单元生成网格矢量图；
[0083]
具体的，基于步骤s6中的中低空间分辨率遥感影像目标结果图，以其像元大小为单元生成网格矢量图，用于后续统计高空间分辨率植被空间分布情况；
[0084]
s8，针对步骤s6中的高空间分辨率遥感影像目标结果图进行以下处理：
[0085]
s8-1，针对高空间分辨率遥感影像目标结果图计算归一化植被指数ndvi，得到相应的ndvi空间分布图；
[0086]
目前，归一化植被指数ndvi被广泛应用于遥感监测植被生长状况及植被空间信息提取等研究方向中，同时也是本实施例计算植被覆盖度的一个重要的特征因子。因此，需首先对归一化植被指数ndvi进行计算，计算方法主要是利用非线性归一化的方法对较为简单的比值植被指数进行处理，其计算公式为：
[0087][0088]
其中，ρ
nir
为遥感影像近红外波段光谱反射率值，ρr为红波段的光谱反射率值。
[0089]
s8-2，针对高空间分辨率遥感影像目标结果图进行植被增强算法处理，并在植被覆盖区随机选取样本点，统计样本点在ndvi空间分布图上的分布情况，同时设定最小值为下限阈值，得到高空间分辨率植被空间分布结果二值图，其中，0代表其他区域，1代表植被覆盖区；
[0090]
具体的，将该时相遥感影像结果图的rgb波段组合设置为近红外、红光、绿光标准假彩色，达到植被增强处理的目的，并采用2
×
2的采样窗口在植被覆盖区随机选取数量大于300的样本点，统计样本点在步骤s8-1中ndvi值的分布情况，设定最小值为下限阈值，得到高空间分辨率植被空间分布结果二值图，0代表其他区域，1代表植被覆盖区；
[0091]
s8-3，基于网格矢量图统计步骤s8-2中的高空间分辨率植被空间分布结果二值图，得到中低空间分辨率植被覆盖度目标数据；
[0092]
具体的，将步骤s7中的网格矢量图与步骤s8-2中的高空间分辨率植被空间分布结果二值图叠加，利用arcgis软件的zonal statistics工具统计网格单元内植被覆盖度统计高空间分辨率的植被空间分布，得到中低空间分辨率植被覆盖度目标数据。如图6为以landsat8像元格网为统计单元得到中低空间分辨率植被覆盖度目标数据的计算方法示意图；
[0093]
s9，基于步骤s6中的中低空间分辨率遥感影像目标结果图计算归一化植被指数ndvi、比值居民地指数rri、亮度温度t和表层水分含水量指数swci，得到相应指数特征空间分布图并对其进行空间合成，得到特征专题信息图；
[0094]
具体的，基于步骤s6所得的中低空间分辨率遥感影像目标结果图，计算归一化植被指数ndvi、亮度温度t、表层水分含水量指数swci和比值居民地指数rri，得到相应的ndvi指数特征空间分布图、rri指数特征空间分布图、t指数特征空间分布图以及swci指数特征空间分布图。如图7至图10所示，图7为绿度特征-归一化植被指数ndvi空间分布图，图8为生境特征-亮度温度t空间分布图，图9为生境特征-表层水分含水量指数swci空间分布图，图10为不透水面特征-比值居民地指数rri空间分布图。
[0095]
生境特征能够反映植被生长的微环境差异，其中温度和湿度是影响植被生长最主要两个环境参量。地表温度能够反应植被呼吸强度和蒸腾情况，以及城市热岛效应，但目前地表温度的反演方法中均需要植被覆盖度作为重要输入参数，因此无法直接使用地表温度，而亮度温度与地表温度存在很强的相关性，因此本实例中用亮度温度来表示，另外，地表温度的反演也从侧面证明了地表温度与植被覆盖度的相关性。landsat8中亮度温度的计算方法为：
[0096]
首先，利用envi5.3中的辐射定标工具radiometric calibration对landsat8第十波段(tirs-1)进行辐射定标，得到tirs-1波段的光谱辐射率。
[0097]
其次，根据头文件热量常数将tirs-1波段的光谱辐射转化为亮度温度，并且计算公式为：
[0098]
[0099]
其中，ρ
tirs-1
表示tirs-1波段的光谱辐射率，k1，k2是转换常数，可在影像头文件中获取，在本实例中k1＝774.8853，k2＝1321.0789。
[0100]
土壤湿度是植被生长的另一个重要的生境特征，它制约着土壤养分的溶解、转移和吸收，以及微生物的活动，对植被生长和分布格局具有较大影响。本实例使用的表层水分含水量指数swci能够有效的指示地物含水量，其计算公式为：
[0101][0102]
其中，ρ
swir1
为1628nm-1652nm波长范围的短波红外波段光谱反射率值，ρ
swir2
为2105nm-2155nm波长范围的短波红外波段的光谱反射率值。
[0103]
植被覆盖度不仅与植被生长状态和和生境条件密切相关，还与地表覆被类型密切相关，道路、居民地等不透水面是改变植被覆盖度最直接的方式，因此在植被相关特征中加入不透水面的信息，有助于提高植被覆盖度的准确度。本实例采用比值居民地指数rri代表不透水面信息，计算方法主要是利用非线性归一化的方法对较为简单的比值植被指数进行处理，其计算公式为：
[0104][0105]
其中，ρb为遥感影像蓝波段光谱反射率值,ρ
nir
为遥感影像近红外波段光谱反射率值。
[0106]
利用envi5.3中的layer stacking工具对ndvi指数、rri指数、t指数以及swci指数进行空间合成，生成的专题特征信息图；
[0107]
s10，基于步骤s6中的高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图重合范围生成随机采样点；
[0108]
具体的，基于步骤s6中高空间分辨率遥感影像目标结果图和中低空间分辨率遥感影像目标结果图的重合范围，利用arcgis软件的create fishnet工具每隔3km进行采样点，共生成5475个采样点；
[0109]
s11，基于采样点获取步骤s8-3中的中低空间分辨率植被覆盖度目标数据和步骤s9中的特征专题信息图，生成模型训练数据集；
[0110]
具体的，利用步骤s10所得的5475个采样点获取步骤s8-3中的中低空间分辨率植被覆盖度目标数据和步骤s9中的特征专题信息图，生成植被覆盖度估算模型训练数据集；
[0111]
s12，基于模型训练数据集，利用机器学习方法构建植被覆盖度估算模型；
[0112]
具体的，基于步骤s11所得的模型训练数据集中4/5的数据进行建模，1/5的数据进行验证，采用python语言实现xgboost机器学习算法，构建植被覆盖度估算模型。结果表明建模精度达到92.33％，可以满足植被覆盖度的估算精度要求。
[0113]
xgboost(extreme gradient boosting：极限梯度提升)由gbdt发展而来的，是一种基于决策树的集成机器学习算法。在建模过程中，模型存在几个重要参数，例如最大决策树个数、树的最大深度以及学习速率等，参数寻优过程采用网格搜索法，即首先选取对模型影响最大的参数进行调优，通过给定取值区间，按照顺序进行搜索，最优值找到后再对下一个影响较大的参数进行调优，以此类推，直到所有参数调优完毕；确定模型最优参数配置后再进行xgboost模型构建。xgboost算法设置训练的目标函数：
[0114][0115]
其中，i为样本索引号，n为导入第j棵树的数据总量，k表示建立的所有决策树。第一项为损失函数，表示真实值与实测值之间的误差。第二项为正则化项，ρ(fj)为正则化函数。
[0116]
s13，基于植被覆盖度估算模型和步骤s9中的特征专题信息图估算步骤s6中的中低空间分辨率遥感影像目标结果图的植被覆盖度，得到区域植被覆盖度空间分布图。
[0117]
具体的，基于步骤s12所得的植被覆盖度估算模型和步骤s11中的专题特征信息图估算步骤s6中的中低空间分辨率遥感影像目标结果图的植被覆盖度，得到该区域植被覆盖度空间分布图。图11为区域植被覆盖度vfc空间分布图。
[0118]
对步骤s6所得的中低空间分辨率遥感影像目标结果图进行运用较多的像元二分法计算植被覆盖度，其中将区域ndvi植被从小到大排列，以5％和95％置信度为阈值代表纯裸土像元ndvi值和纯植被像元ndvi值，进而得到区域像元二分法植被覆盖度vfc；并利用步骤10中的采样点对像元二分法植被覆盖度进行采样，得到采样点像元二分法vfc。
[0119]
基于步骤s8-3中的中低空间分辨率植被覆盖度目标数据，利用arcgis软件中band collection statistics工具对步骤s13的全遥感机器学习植被覆盖度和像元二分法植被覆盖度进行相关性分析，结果表明，基于全遥感机器学习的估算方法精度高于传统的像元二分法，决定系数r2分别为96.38％和93.59％；进一步利用采样点vfc真值对两种估算方法的采样点vfc进行精度验证，决定系数r2分别为97.31％和69.03％，发现精度较差的采样点主要分布在植被稀疏、破碎度较大的区域，这说明基于全遥感机器学习的植被估算方法不论在整体还是局部，精度均高于传统的像元二分法。图12为区域采样点基于landsat8的全遥感机器学方法的植被覆盖度vfc精度验证图，图13为区域采样点基于landsat8的像元二分法的植被覆盖度vfc精度验证图。
[0120]
尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本技术公开的原则范围和精神之内。更具体地说，在本技术公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。