基于时间序列卫星观测的高分辨率森林覆盖度制图方法

本发明属于遥感信息提取，特别是涉及基于时间序列卫星观测的高分辨率森林覆盖度制图方法。

背景技术：

1、森林是陆地生态系统的重要组成部分，提供碳水循环、水土保持、气候调节和生物多样性保护等多种生态系统服务功能。遥感能够获取全球范围的地表动态观测数据，是大尺度森林监测的有力工具。高分辨率森林覆盖遥感制图有助于精细刻画森林分布信息，可为森林经营管理提供数据支撑，并服务于气候变化、生物多样性保护等研究。

2、森林遥感制图根据森林分布的表示方法可分为两类，一类是离散型森林覆盖提取，另一类是连续型森林覆盖度估算。离散型森林覆盖提取将森林覆盖比例超过一定阈值的遥感像元划分为森林。这种方法将30％和100％树冠覆盖的林地当作同样的森林，适合于土地利用管理，但无法刻画森林密度的差异。连续型森林覆盖度估算表示像元中森林的面积占比，特别是高分辨率森林覆盖度制图有助于刻画自然界普遍存在的与草等其它地物混合分布的森林信息及其疏密程度。

3、森林覆盖度遥感制图方法主要包括经验回归、像元分解模型和机器学习回归。经验回归法是对单个或少量遥感影像光谱反射率及其计算的植被指数与森林覆盖度进行回归分析，建立经验估算模型。像元分解模型是利用线性混合生成不同地物端元光谱的混合光谱库，然后通过回归方法估算单个像元中的森林覆盖度。这两种方法具有一定的物理意义，但由于地表状况十分复杂且光谱特征多样，难以适用于大尺度的森林覆盖度制图。机器学习模型因其良好的非线性关系拟合能力而被广泛应用于森林覆盖度估算。该方法主要包括特征提取、训练样本生成、模型训练和预测四个步骤。高区分度的特征对于森林覆盖度估算至关重要，能够帮助模型捕获数据中的复杂模式和关系，提高预测的准确性和模型的泛化能力。时间序列遥感观测能够反映森林和其它植被的季相节律差异，光谱反射率及其计算的光谱指数季节序列常被作为森林覆盖度制图的输入特征。例如，红、近红外和短波红外波段地表反射率，以及归一化差值植被指数(normalized difference vegetation index,ndvi)、增强型植被指数(enhanced vegetation index,evi)、土壤调节植被指数(soil-adjusted vegetation index,savi)、归一化水体指数(normalized difference waterindex,ndwi)、减化比值植被指数(reduced simple ratio,rsr)等参数的时间序列及其统计值是常用的模型输入特征，如最小值、平均值、中值、最大值、年变化幅度不同百分比数值等。但是，使用时间序列数据使得模型特征维度大大增加，常达到几十甚至数百个，可能导致机器学习模型训练的维数灾难问题，降低模型性能和反演稳定性。

4、因此，亟需提供一种能够浓缩时间序列高分辨率卫星观测信息的森林覆盖度制图方法，以有效估算像元中森林覆盖面积比例。

技术实现思路

1、本发明的目的在于提供基于时间序列卫星观测的高分辨率森林覆盖度制图方法，根据森林与其他地物光谱季节曲线形状差异构建高区分度特征，有效区分像元中的森林面积占比，为森林资源监测和管理提供技术支持。

2、本发明的技术方案如下：

3、基于时间序列卫星观测的高分辨率森林覆盖度制图方法，所述方法包括以下步骤：

4、基于时间稀疏采样的高空间分辨率卫星观测数据重建光谱季节序列；

5、根据生长季中点将重建的光谱季节序列进行逐像元重排；

6、基于重排后的光谱季节序列提取森林与其它地物的高区分度特征；

7、利用卷积神经网络对生长季亚米级分辨率影像分类提取森林分布，聚合为森林覆盖度生成训练样本集；

8、训练机器学习模型，构建森林覆盖度估算模型；

9、采用所述高区分度特征驱动估算模型，进行高分辨率森林覆盖度制图。

10、根据一种优选实施方式，所述基于时间稀疏采样的高空间分辨率卫星观测数据的光谱季节序列重建方法，包括：

11、获取全年高分辨率卫星地表反射率影像并进行云掩膜；

12、利用近红外和红波段的地表反射率计算归一化差值植被指数(normalizeddifference vegetation index,ndvi)；

13、选取固定天数的时间窗口，采用最大值合成法提取每个时间窗口内有效观测数据的ndvi最大值，初步得到该年度的ndvi季节序列；

14、对初步得到的ndvi季节序列进行去异常值处理，去除像元ndvi季节序列中与两个相邻时相ndvi值的差值同时小于-0.2或同时大于0.2的值；

15、使用savitzky-golay(s-g)滤波器对异常值去除后的ndvi季节序列进行填充和平滑，得到重建的年度ndvi季节序列。

16、根据一种优选实施方式，所述根据生长季中点的光谱季节序列重排方法，包括：

17、对于每个像元，从重建的季节序列中选择超过ndvi年变化幅度一半的数个连续ndvi值，代表该像元的生长季状态；

18、对每个像元确定生长季中点，获得其所在日期；

19、通过逐像元平移使得所有像元生长季中点日期均位于日历年的中间日期，其它ndvi值相应前移或后移，使得重排后的ndvi季节曲线克服不同气候区和植被类型的物候差异，具有类似的形状。

20、根据一种优选实施方式，所述基于重排后的光谱季节序列的高区分度特征提取方法，是根据森林与其他地物在生长季期间的绿度曲线形状差异，即森林在生长季中间时段呈现绿度稳定高值的平台期，而其他植被类型和非植被无绿度平台期，方法包括：

21、计算每个像元生长季内所有ndvi的平均值作为特征，即生长季ndvi均值(ndvigs_mean)；

22、选择每个像元生长季内的最大ndvi，并计算其与生长季内每个ndvi的差值，将所有差值的平均值作为特征，即生长季ndvi与其最大值的差值均值(ndvigs_bias)；

23、计算每个像元生长季内的最小ndvi作为特征，即生长季最小ndvi(ndvigs_min)。

24、根据一种优选实施方式，所述基于亚米级遥感影像分类的训练样本集生成方法，包括：

25、基于卷积神经网络对生长季期间获得的亚米级分辨率遥感影像进行森林和非森林分类；

26、将亚米级森林/非森林分类图聚合到与所述高分辨率卫星相同的空间分辨率，通过计算每个栅格内亚米级分类图中森林像元面积占栅格总面积的百分比，得到森林覆盖度参考数据；

27、将森林覆盖度参考数据与时空最佳匹配的所述三个特征ndvigs_mean、ndvigs_bias和ndvigs_min进行配对，生成训练样本集。

28、根据一种优选实施方式，所述森林覆盖度估算模型构建方法，包括：

29、森林覆盖度估算模型采用机器学习模型，包括但不限于随机森林、前馈神经网络模型；

30、利用所述训练数据训练机器学习模型，得到森林覆盖度估算模型。

31、根据一种优选实施方式，所述基于估算模型进行高分辨率森林覆盖度制图，包括：

32、利用重排后的ndvi季节序列生成的所述三个特征分布图，驱动训练好的深度学习模型，估算森林覆盖度；

33、将年最大ndvi低于0.35的像元标记为无森林覆盖区域，其森林覆盖度设为0％，实现森林覆盖度制图。

34、根据一种优选实施方式，所述方法可普遍用于sentinel-2和landsat等类似时间稀疏采样的光学卫星观测，进行十米级分辨率森林覆盖度制图，获得像元内森林面积百分比。

35、本发明提供的基于时间序列卫星观测的高分辨率森林覆盖度制图方法，具有如下优点和有益效果：本发明根据生长季中点日期将卫星观测季节序列进行逐像元重排，形成具有一致形状的ndvi曲线，使得方法能够克服不同气候区和植被类型的物候差异，适用于大尺度森林覆盖度制图；本发明根据森林和禾本科植被的光谱季节曲线形状差异，提取了森林与其它地物的三个高区分度特征作为机器学习模型的输入，大大压缩了模型的特征维度，有助于提高模型性能和反演稳定性。本发明能够提取十米级分辨率像元内森林面积占比，更加精细地表征森林分布及疏密差异，可为森林资源监测和管理提供技术支持。

技术特征：

1.基于时间序列卫星观测的高分辨率森林覆盖度制图方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于时间序列卫星观测的高分辨率森林覆盖度制图方法，其特征在于，所述基于时间稀疏采样的高空间分辨率卫星观测数据的光谱季节序列重建方法，包括：

3.根据权利要求1所述的基于时间序列卫星观测的高分辨率森林覆盖度制图方法，其特征在于，所述根据生长季中点的光谱季节序列重排方法，包括：

4.根据权利要求1所述的基于时间序列卫星观测的高分辨率森林覆盖度制图方法，其特征在于，所述基于重排后的光谱季节序列的高区分度特征提取方法，是根据森林与其他地物在生长季期间的绿度曲线形状差异，即森林在生长季中间时段呈现绿度稳定高值的平台期，而其他植被类型和非植被无绿度平台期，方法包括：

5.根据权利要求1所述的基于时间序列卫星观测的高分辨率森林覆盖度制图方法，其特征在于，所述基于亚米级遥感影像分类的训练样本集生成方法，包括：

6.根据权利要求1所述的基于时间序列卫星观测的高分辨率森林覆盖度制图方法，其特征在于，所述森林覆盖度估算模型构建方法，包括：

7.根据权利要求1所述的基于时间序列卫星观测的高分辨率森林覆盖度制图方法，其特征在于，所述基于估算模型进行高分辨率森林覆盖度制图，包括：

8.根据权利要求1所述的基于时间序列卫星观测的高分辨率森林覆盖度制图方法，其特征在于，所述方法可普遍用于sentinel-2和landsat等类似时间稀疏采样的光学卫星观测，进行十米级分辨率森林覆盖度制图，获得像元内森林面积百分比。

技术总结
本发明涉及遥感信息提取技术领域，具体涉及基于时间序列卫星观测的高分辨率森林覆盖度制图方法，包括以下步骤：基于时间稀疏采样的高空间分辨率卫星观测数据重建光谱季节序列；根据生长季中点将重建的光谱季节序列进行逐像元重排；基于重排后的光谱季节序列提取森林与其它地物的高区分度特征；利用卷积神经网络对生长季亚米级分辨率影像分类提取森林分布，聚合为森林覆盖度并生成训练样本集；训练机器学习模型，得到森林覆盖度估算模型；采用所述高区分度特征驱动估算模型，进行高分辨率森林覆盖度制图。本发明提供的方法可普遍用于Sentinel‑2和Landsat等光学卫星进行十米级分辨率森林覆盖度制图，为森林资源监测和管理提供方法支持。

技术研发人员：刘洋,陈继龙,刘荣高
受保护的技术使用者：中国科学院地理科学与资源研究所
技术研发日：
技术公布日：2024/9/23