一种新型tavi地形调节因子优化算法
一种新型tavi地形调节因子优化算法
【技术领域】
[0001 ]本发明设及一种新型TAVI地形调节因子优化算法。
【背景技术】
[0002] 现有地形调节植被指数(TAVI，公式1、公式2,国家专利号200910111688.X)中地形 调节因子f( A )优化方法主要有巧巾："匹配寻优法"和"极值优化法"。
[0003] TAVI = CVI+f( Δ ) . SVI (1)
[0004]
(2)
[0005] 式中，CVI为常规植被指数，如归一化植被指数(NDVI)、比值植被指数(RVI)等;SVI 为阴影植被指数，其中化表示遥感影像红光波段数据，Mr表示红光波段数据的最大值；f (A)为地形调节因子。
[0006] "寻优匹配"算法计算步骤为：（1)影像分类，划分遥感影像中山体的阴坡和阳坡， 并选取典型样区；（2)目标识别，借助地面调查资料、实地考察数据、航拍资料或者 GoogleEarth的高分辨率影像数据等核实阴坡与阳坡植被的均质性，识别典型样区阴坡与 阳坡植被一致或接近的部分；（3)优化匹配，令f( Δ )从0开始，依次递增，考察TAVI在典型样 区阴坡与阳坡植被一致部分的植被指数值变化，当二者相等时，即可确定f( A )的最优结 果。
[0007] "极值优化"算法（国家专利号201010180895.3)计算步骤为：（1)影像分类，划分遥 感影像中山体的阴坡和阳坡；（2)计算极值，计算阴坡部分TAVI的最大值Mtavi阴与阳坡部分 TAVI的最大值Mtavm; (3)迭代寻优，令f ( Δ )从0开始，依次递增，当满足公式(3)的条件时， 得到f( A)最优值。
[000引 |Mtav聊-Mtavi阳I < ε,Ε一0,f( Δ )=0~00 (3)
[0009] 按照上述巧巾优化算法，TAVI无需DEM等数据的支持，就能有效削减地形对山区植 被信息的影响。但此巧巾优化算法都需要对遥感影像分类，其中"寻优匹配"算法还需要地面 数据等的支持，运限制了TAVI应用的自动化水平，不利于TAVI推广应用。
【发明内容】
[0010] 有鉴于此，本发明的目的在于提供一种新型TAVI地形调节因子优化算法，无需DEM 数据和遥感影像分类，同时不依赖于地面调查数据，对TAVI在复杂地形山区植被信息准确 反演的应用推广具有重要的科学意义与经济价值。
[0011] 为实现上述目的，本发明采用如下技术方案:一种新型TAVI地形调节因子优化算 法，其特征在于包括W下步骤：
[0012] 步骤S1:选择样区，在复杂地形山区选择典型样区，确保所述典型样区的样区影像 的噪声干扰最小、具有强烈的地形影响、山体阳坡和阴坡对称分布；
[001引步骤S2:计算植被指数，具体如下：
[0014] TAVI = CVI+f( Δ ) . SVI
[0015]
[0016] 其中：TAVI为地形调节植被指数;CVI为常规植被指数;SVI为阴影植被指数;f( Δ ) 为地形调节因子;为遥感影像红光波段数据，Mr为红光波段数据的最大值；
[0017]步骤S3:计算相关系数，具体如下：
[0020] 其中：Ri为TAVI与CVI的相关系数，R2为TAVI与SVI的相关系数，x、yi、y2分别为所述 典型样区的TAVIXVI及SVI的影像数据，η为TAVIXVI及SVI的影像数据的像元数；
[0021] 步骤S4:逼近优化，令f(A)从0开始，W0.001为间隔，依次递增进行植被指数的计 算，同时考察TAVI与CVI的相关系数Ri及TAVI与SVI的相关系数R2,当Ri与R2满足W下条件 时，退出循环，确定f( A )最优结果：
[0022] R广化 < ε,Ε一〇，f( Δ )=〇~W。
[0023] 进一步的，所述常规植被指数CVI为归一化植被指数NDVI或比值植被指数RVI，相 应计算公式如下：
[0026] 其中：Bnir为近红外波段数据。
[0027] 本发明与现有技术相比具有W下有益效果：
[0028] 1、地形校正效果明显：本发明确定的地形调节因子，保证地形调节植被指数能有 效消除地形影响对植被信息的干扰;通过在实验样区对该方法确定的地形调节植被指数与 太阳入射角余弦值的线性回归分析，表明本发明确定的地形调节植被指数与太阳入射角余 弦值的相关系数和线性回归方程斜率可W降至0左右，明显优于其它常用植被指数；
[0029] 2、数据需求少，成本低:本发明只需要遥感影像自身携带的波段数据，无需地面调 查数据或实地考察数据等的支持，数据成本与时间成本实现最小化；
[0030] 3、流程简单，可操作性强:本发明主要由"样区选择"、"相关系数逼近"等步骤就可 确定地形调节因子的优化结果，流程简单，容易操作，无需遥感影像分类等环节，大大提升 了地形调节植被指数应用自动化水平。
【附图说明】
[0031]图1是本发明技术流程不意图。
【具体实施方式】
[0032] 下面结合附图及实施例对本发明做进一步说明。
[0033] 请参照图1，本发明提供一种新型TAVI地形调节因子优化算法，其特征在于包括W 下步骤：
[0034] 步骤S1:选择样区，在复杂地形山区选择典型样区，确保所述典型样区的样区影像 的噪声干扰最小、具有强烈的地形影响、山体阳坡和阴坡基本对称分布，所述典型样区的最 佳面积为2*2平方公里；
[0035] 步骤S2:计算植被指数，具体如下：
[0036] TAVI = CVI+f( Δ ) · SVI
[0037]
[0038] 其中：TAVI为地形调节植被指数;CVI为常规植被指数;SVI为阴影植被指数;f ( Δ ) 为地形调节因子;为遥感影像红光波段数据，Mr为红光波段数据的最大值；
[0039] 步骤S3:计算相关系数，具体如下：
[0042] 其中：Ri为TAV巧CVI的相关系数，R2为TAV巧SVI的相关系数，x、yi、y2分别为所述 典型样区的TAVI、CVI及SVI的影像数据，TAVI、CVI及SVI的影像数据的像元数相等，皆为η;
[0043] 步骤S4:逼近优化，令f( Δ )从0开始，W〇.001为间隔，依次递增进行植被指数的计 算，同时考察TAVI与CVI的相关系数Ri及TAVI与SVI的相关系数R2,当Ri与R2满足W下条件 时，退出循环，确定f( A )最优结果：
[0044] R广化 < ε,Ε一〇，f( Δ )=〇~W。
[0045] 进一步的，所述常规植被指数CVI为归一化植被指数NDVI或比值植被指数RVI，相 应计算公式如下：
[004引其中：Bnir为近红外波段数据。
[0049]即当常规植被指数CVI为归一化植被指数NDVI时：
[0化0] TAVI=NDVI+f( Δ ) . SVI
[0051 ]即当常规植被指数CVI为比值植被指数RVI时：
[0化2] TAVI=RVI+f( Δ ) . SVI
[0053] W上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与 修饰，皆应属本发明的涵盖范围。
【主权项】
1. 一种新型TAVI地形调节因子优化算法，其特征在于包括以下步骤： 步骤SI:选择样区，在复杂地形山区选择典型样区，确保所述典型样区的样区影像的噪 声干扰最小、具有强烈的地形影响、山体阳坡和阴坡对称分布； 步骤S2:计算植被指数，具体如下：其中：TAVI为地形调节植被指数;CVI为常规植被指数;SVI为阴影植被指数;f( △)为地 形调节因子;Br为遥感影像红光波段数据，Mr为红光波段数据的最大值； 步骤S3:计算相关系数，具体如下：其中：RAtavi与cvi的相关系数，RAtavi与svi的相关系数，1、71、72分别为所述典型 样区的TAVI、CVI及SVI的影像数据，η为TAVI、CVI及SVI的影像数据的像元数； 步骤S4:逼近优化，令f(A)从〇开始，以0.001为间隔，依次递增进行植被指数的计算， 同时考察TAVI与CVI的相关系数Ri&TAVI与SVI的相关系数R2,当办与此满足以下条件时，退 出循环，确定f( A )最优结果： RiK ε,ε-Ο,?Χ Δ ) = 〇~〇〇02. 根据权利要求1所述的新型TAVI地形调节因子优化算法，其特征在于:所述常规植被 指数CVI为归一化植被指数NDVI或比值植被指数RVI，相应计算公式如下：其中:Bnir为近红外波段数据。
【专利摘要】本发明涉及一种新型TAVI地形调节因子优化算法，包括以下步骤：选择样区；计算植被指数；计算相关系数；逼近优化。本发明无需DEM数据和遥感影像分类，同时不依赖于地面调查数据，对TAVI在复杂地形山区植被信息准确反演的应用推广具有重要的科学意义与经济价值。
【IPC分类】G01S7/48
【公开号】CN105487066
【申请号】CN201510807758
【发明人】江洪, 汪小钦, 陈芸芝
【申请人】福州大学
【公开日】2016年4月13日
【申请日】2015年11月20日
【技术领域】
[0001 ]本发明设及一种新型TAVI地形调节因子优化算法。
【背景技术】
[0002] 现有地形调节植被指数(TAVI，公式1、公式2,国家专利号200910111688.X)中地形 调节因子f( A )优化方法主要有巧巾："匹配寻优法"和"极值优化法"。
[0003] TAVI = CVI+f( Δ ) . SVI (1)
[0004]
(2)
[0005] 式中，CVI为常规植被指数，如归一化植被指数(NDVI)、比值植被指数(RVI)等;SVI 为阴影植被指数，其中化表示遥感影像红光波段数据，Mr表示红光波段数据的最大值；f (A)为地形调节因子。
[0006] "寻优匹配"算法计算步骤为：（1)影像分类，划分遥感影像中山体的阴坡和阳坡， 并选取典型样区；（2)目标识别，借助地面调查资料、实地考察数据、航拍资料或者 GoogleEarth的高分辨率影像数据等核实阴坡与阳坡植被的均质性，识别典型样区阴坡与 阳坡植被一致或接近的部分；（3)优化匹配，令f( Δ )从0开始，依次递增，考察TAVI在典型样 区阴坡与阳坡植被一致部分的植被指数值变化，当二者相等时，即可确定f( A )的最优结 果。
[0007] "极值优化"算法（国家专利号201010180895.3)计算步骤为：（1)影像分类，划分遥 感影像中山体的阴坡和阳坡；（2)计算极值，计算阴坡部分TAVI的最大值Mtavi阴与阳坡部分 TAVI的最大值Mtavm; (3)迭代寻优，令f ( Δ )从0开始，依次递增，当满足公式(3)的条件时， 得到f( A)最优值。
[000引 |Mtav聊-Mtavi阳I < ε,Ε一0,f( Δ )=0~00 (3)
[0009] 按照上述巧巾优化算法，TAVI无需DEM等数据的支持，就能有效削减地形对山区植 被信息的影响。但此巧巾优化算法都需要对遥感影像分类，其中"寻优匹配"算法还需要地面 数据等的支持，运限制了TAVI应用的自动化水平，不利于TAVI推广应用。
【发明内容】
[0010] 有鉴于此，本发明的目的在于提供一种新型TAVI地形调节因子优化算法，无需DEM 数据和遥感影像分类，同时不依赖于地面调查数据，对TAVI在复杂地形山区植被信息准确 反演的应用推广具有重要的科学意义与经济价值。
[0011] 为实现上述目的，本发明采用如下技术方案:一种新型TAVI地形调节因子优化算 法，其特征在于包括W下步骤：
[0012] 步骤S1:选择样区，在复杂地形山区选择典型样区，确保所述典型样区的样区影像 的噪声干扰最小、具有强烈的地形影响、山体阳坡和阴坡对称分布；
[001引步骤S2:计算植被指数，具体如下：
[0014] TAVI = CVI+f( Δ ) . SVI
[0015]
[0016] 其中：TAVI为地形调节植被指数;CVI为常规植被指数;SVI为阴影植被指数;f( Δ ) 为地形调节因子;为遥感影像红光波段数据，Mr为红光波段数据的最大值；
[0017]步骤S3:计算相关系数，具体如下：
[0020] 其中：Ri为TAVI与CVI的相关系数，R2为TAVI与SVI的相关系数，x、yi、y2分别为所述 典型样区的TAVIXVI及SVI的影像数据，η为TAVIXVI及SVI的影像数据的像元数；
[0021] 步骤S4:逼近优化，令f(A)从0开始，W0.001为间隔，依次递增进行植被指数的计 算，同时考察TAVI与CVI的相关系数Ri及TAVI与SVI的相关系数R2,当Ri与R2满足W下条件 时，退出循环，确定f( A )最优结果：
[0022] R广化 < ε,Ε一〇，f( Δ )=〇~W。
[0023] 进一步的，所述常规植被指数CVI为归一化植被指数NDVI或比值植被指数RVI，相 应计算公式如下：
[0026] 其中：Bnir为近红外波段数据。
[0027] 本发明与现有技术相比具有W下有益效果：
[0028] 1、地形校正效果明显：本发明确定的地形调节因子，保证地形调节植被指数能有 效消除地形影响对植被信息的干扰;通过在实验样区对该方法确定的地形调节植被指数与 太阳入射角余弦值的线性回归分析，表明本发明确定的地形调节植被指数与太阳入射角余 弦值的相关系数和线性回归方程斜率可W降至0左右，明显优于其它常用植被指数；
[0029] 2、数据需求少，成本低:本发明只需要遥感影像自身携带的波段数据，无需地面调 查数据或实地考察数据等的支持，数据成本与时间成本实现最小化；
[0030] 3、流程简单，可操作性强:本发明主要由"样区选择"、"相关系数逼近"等步骤就可 确定地形调节因子的优化结果，流程简单，容易操作，无需遥感影像分类等环节，大大提升 了地形调节植被指数应用自动化水平。
【附图说明】
[0031]图1是本发明技术流程不意图。
【具体实施方式】
[0032] 下面结合附图及实施例对本发明做进一步说明。
[0033] 请参照图1，本发明提供一种新型TAVI地形调节因子优化算法，其特征在于包括W 下步骤：
[0034] 步骤S1:选择样区，在复杂地形山区选择典型样区，确保所述典型样区的样区影像 的噪声干扰最小、具有强烈的地形影响、山体阳坡和阴坡基本对称分布，所述典型样区的最 佳面积为2*2平方公里；
[0035] 步骤S2:计算植被指数，具体如下：
[0036] TAVI = CVI+f( Δ ) · SVI
[0037]
[0038] 其中：TAVI为地形调节植被指数;CVI为常规植被指数;SVI为阴影植被指数;f ( Δ ) 为地形调节因子;为遥感影像红光波段数据，Mr为红光波段数据的最大值；
[0039] 步骤S3:计算相关系数，具体如下：
[0042] 其中：Ri为TAV巧CVI的相关系数，R2为TAV巧SVI的相关系数，x、yi、y2分别为所述 典型样区的TAVI、CVI及SVI的影像数据，TAVI、CVI及SVI的影像数据的像元数相等，皆为η;
[0043] 步骤S4:逼近优化，令f( Δ )从0开始，W〇.001为间隔，依次递增进行植被指数的计 算，同时考察TAVI与CVI的相关系数Ri及TAVI与SVI的相关系数R2,当Ri与R2满足W下条件 时，退出循环，确定f( A )最优结果：
[0044] R广化 < ε,Ε一〇，f( Δ )=〇~W。
[0045] 进一步的，所述常规植被指数CVI为归一化植被指数NDVI或比值植被指数RVI，相 应计算公式如下：
[004引其中：Bnir为近红外波段数据。
[0049]即当常规植被指数CVI为归一化植被指数NDVI时：
[0化0] TAVI=NDVI+f( Δ ) . SVI
[0051 ]即当常规植被指数CVI为比值植被指数RVI时：
[0化2] TAVI=RVI+f( Δ ) . SVI
[0053] W上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与 修饰，皆应属本发明的涵盖范围。
【主权项】
1. 一种新型TAVI地形调节因子优化算法，其特征在于包括以下步骤： 步骤SI:选择样区，在复杂地形山区选择典型样区，确保所述典型样区的样区影像的噪 声干扰最小、具有强烈的地形影响、山体阳坡和阴坡对称分布； 步骤S2:计算植被指数，具体如下：其中：TAVI为地形调节植被指数;CVI为常规植被指数;SVI为阴影植被指数;f( △)为地 形调节因子;Br为遥感影像红光波段数据，Mr为红光波段数据的最大值； 步骤S3:计算相关系数，具体如下：其中：RAtavi与cvi的相关系数，RAtavi与svi的相关系数，1、71、72分别为所述典型 样区的TAVI、CVI及SVI的影像数据，η为TAVI、CVI及SVI的影像数据的像元数； 步骤S4:逼近优化，令f(A)从〇开始，以0.001为间隔，依次递增进行植被指数的计算， 同时考察TAVI与CVI的相关系数Ri&TAVI与SVI的相关系数R2,当办与此满足以下条件时，退 出循环，确定f( A )最优结果： RiK ε,ε-Ο,?Χ Δ ) = 〇~〇〇02. 根据权利要求1所述的新型TAVI地形调节因子优化算法，其特征在于:所述常规植被 指数CVI为归一化植被指数NDVI或比值植被指数RVI，相应计算公式如下：其中:Bnir为近红外波段数据。
【专利摘要】本发明涉及一种新型TAVI地形调节因子优化算法，包括以下步骤：选择样区；计算植被指数；计算相关系数；逼近优化。本发明无需DEM数据和遥感影像分类，同时不依赖于地面调查数据，对TAVI在复杂地形山区植被信息准确反演的应用推广具有重要的科学意义与经济价值。
【IPC分类】G01S7/48
【公开号】CN105487066
【申请号】CN201510807758
【发明人】江洪, 汪小钦, 陈芸芝
【申请人】福州大学
【公开日】2016年4月13日
【申请日】2015年11月20日
最新回复(0)