一種基于modis時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法
【專利摘要】一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法，本發(fā)明涉及土地覆蓋分類領(lǐng)域，本發(fā)明要解決傳統(tǒng)方法用時(shí)長(zhǎng)、植被指數(shù)的負(fù)偏差以及SG重建結(jié)果準(zhǔn)確性降低的問題，而提出的一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法，該方法具體是按照以下步驟進(jìn)行的：1、建立原始曲線；2、對(duì)原始曲線進(jìn)行濾波擬合成初始曲線；3、建立初始曲線像元的無云影像二維數(shù)組；4、設(shè)置為閾值T，其中，Yi≠yi；5、處理過的原始曲線；6、得到重建后的NDVI年變化曲線；7、提取植被生長(zhǎng)季參數(shù)組成特征影像；8、決定最終投票分類結(jié)果等步驟進(jìn)行的；本發(fā)明應(yīng)用于基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類領(lǐng)域。
【專利說明】-種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及土地覆蓋領(lǐng)域，特別涉及基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方 法領(lǐng)域；

【背景技術(shù)】
[0002] 目前利用數(shù)據(jù)統(tǒng)計(jì)理論方法結(jié)合人工解譯仍為在大尺度內(nèi)進(jìn)行遙感分類的主導(dǎo) 方法。顯然這種方法具有算法成熟、充分利用人機(jī)交互和影響等特點(diǎn)，然而其用時(shí)長(zhǎng)，對(duì)參 與解譯分析的人員依賴性強(qiáng)，很大程度上不具備可重復(fù)性等。這些局限性影響了迅速、準(zhǔn) 確、客觀地獲取大面積土地覆蓋類型信息。
[0003] 盡管SG(Savitzky和Golay的濾波方法）在擬合過程中一定程度上較為客觀的反 應(yīng)真實(shí)地物的歸一化植被指數(shù)（NDVI)值，但在重建過程中仍然存在兩個(gè)主要問題：S卩：1、 由于大氣影響通常引起植被指數(shù)的負(fù)偏差，所以均勻的權(quán)重分布對(duì)于年際動(dòng)態(tài)變化應(yīng)用是 不適合的，經(jīng)試驗(yàn)與分析，曲線下面的點(diǎn)應(yīng)該比上面的點(diǎn)得到更小的權(quán)重。2、經(jīng)過SG重建 結(jié)果低于上包絡(luò)線，使其峰值降低，準(zhǔn)確性降低。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是為了解決傳統(tǒng)方法用時(shí)長(zhǎng)、植被指數(shù)的負(fù)偏差以及SG重建結(jié)果 準(zhǔn)確性降低的問題，而提出的一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法。
[0005] 上述的發(fā)明目的是通過以下技術(shù)方案實(shí)現(xiàn)的：
[0006] 步驟一、將一年中的原始MODISNDVI時(shí)間序列影像中的無云影像設(shè)置為n+1景， 儒略日為X，NDVI值為Y，建立了一個(gè)二維數(shù)組即（X。，Ytl)，（X1,Y1)，…（Xn，Yn)即為原始曲 線.
[0007] 步驟二、采用C5科學(xué)數(shù)據(jù)集中的VI質(zhì)量評(píng)價(jià)數(shù)據(jù)QA來設(shè)置對(duì)應(yīng)像素的權(quán)重，利 用該權(quán)重采用SG方法對(duì)原始曲線進(jìn)行濾波擬合成初始曲線；其中，C5第五代MODIS植物指 數(shù)科學(xué)數(shù)據(jù)集；SG的全稱為Savitzky-Golay平滑濾波器；
[0008] 步驟三、將初始曲線的一個(gè)像元的無云影像設(shè)置為n+1景，儒略日為x，NDVI值為 y，建立了一個(gè)初始曲線像元的無云影像二維數(shù)組（X。，yQ)，（X1,y)，…（xn，yn);
[0009] 步驟四、將原始曲線的峰值與初始曲線峰值的絕對(duì)值差設(shè)置為閾值1 = !^11{^-y〇)，（Y1I1)，…，（Y^yi) }，其中，Yi 關(guān)Yi ;
[0010]步驟五、若M超過該閾值T(MXT)，則原始曲線上的點(diǎn)被初始曲線上的點(diǎn)所取代；若 M〈T，則保留原始曲線的點(diǎn)；其中，M=IYiIiI;
[0011] 步驟六、根據(jù)閾值長(zhǎng)度設(shè)置權(quán)重，采用B樣條曲線對(duì)經(jīng)過步驟五處理過的 原始曲線進(jìn)行擬合，然后轉(zhuǎn)到步驟四計(jì)算新閾值，依次帶入步驟五進(jìn)行計(jì)算，直到前后兩次 經(jīng)過B樣條曲線擬合的曲線無區(qū)別之后則停止計(jì)算，完成對(duì)MODISNDVI時(shí)間序列重建得到 重建后的NDVI年變化曲線；
[0012] 步驟七、采用Bnsson和Eklundh提出的動(dòng)態(tài)閾值法，對(duì)步驟六中得到的重建后的 NDVI年變化曲線中提取植被生長(zhǎng)季參數(shù)組成特征影像；其中，光譜信息為紅波段、近紅外 波段、重建后NDVI的最大值、最小值、平均值和標(biāo)準(zhǔn)偏差；
[0013] 步驟八、在特征影像上隨機(jī)采樣并以谷歌地球?yàn)閰⒖加跋?，根?jù)制定的分類體系 進(jìn)行目視解譯獲得訓(xùn)練樣本集即根據(jù)提取的生長(zhǎng)季參數(shù)作為分類器的輸入?yún)?shù)，利用隨 機(jī)森林方法的分類算法，將訓(xùn)練樣本即提取的生長(zhǎng)季參數(shù)構(gòu)建決策樹分類器得到每個(gè)決 策樹的分類結(jié)果，根據(jù)每個(gè)決策樹的分類結(jié)果投票，決定最終投票分類結(jié)果；其中，隨機(jī)森 林（RandomForests)是一種基于分類與回歸決策樹的組合分類算法；即完成了一種基于 MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法。
[0014] 發(fā)明效果
[0015] 本發(fā)明建立一套宏觀尺度土地覆蓋分類方法模式，以MODIS的歸一化植被指數(shù) (NDVI)時(shí)間序列為主要數(shù)據(jù)源，從重建后的MODISNDVI時(shí)間序列中反演物候特征作為主 要特征，并與光譜特征信息以及坡度坡向信息結(jié)合后參與分類，采用隨機(jī)森林組合分類器 的方法對(duì)進(jìn)行宏觀尺度土地覆蓋分類研究。挖掘MODIS遙感數(shù)據(jù)的優(yōu)勢(shì)，為宏觀土地覆蓋 類型監(jiān)測(cè)及土地資源調(diào)查提供服務(wù)。
[0016] 本發(fā)明建立的一套基于MODIS時(shí)間序列數(shù)據(jù)的宏觀尺度土地覆蓋制圖的方法流 程。采用6組特征集的分類結(jié)果。利用單獨(dú)的物候特征集比NDVI統(tǒng)計(jì)特征集的總體分類 精度高5. 6%，說明物候特征對(duì)于土地覆蓋分類的識(shí)別度高于NDVI，且具有更實(shí)際的物理 意義；但其分類精度比加入下表的第3組光譜特征的NDVI特征集低2%，在此基礎(chǔ)上加入 物候特征時(shí)精度又提高了 〇. 8%?？紤]到地形特征時(shí)，加入下表的第6組物候特征比下表的 第5組特征集的總體精度高0. 5%。從分析可得，利用下表的第6組特征集進(jìn)行分類能達(dá) 到最佳的分類效果，可見物候特征在土地覆蓋類型分類中具有重要的指導(dǎo)作用。同時(shí)，從表 中可以得出，無混合類的總體精度比有混合類的精度要高，且在總體精度最高為下表的第6 組數(shù)據(jù)集中，無混合植物比有混合植物別的精度高2. 3 %。但考慮到MODIS數(shù)據(jù)本身混合像 元較嚴(yán)重的問題，同時(shí)希望本研究的土地覆蓋制圖方法有很好的推廣型。所以，本研究在分 類系統(tǒng)中定義的混合植物是有必要的；如以下特征集評(píng)價(jià)表所示：
[0017]

【權(quán)利要求】
1. 一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法，其特征在于：一種基于MODIS 時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法具體是按照以下步驟進(jìn)行的： 步驟一、將一年中的原始MODISNDVI時(shí)間序列影像中的無云影像設(shè)置為n+1景，儒略 日為X，NDVI值為Y，建立了一個(gè)二維數(shù)組即（X。，YQ)，（X1,Y1)，…（Xn，Yn)即為原始曲線； 步驟二、采用C5科學(xué)數(shù)據(jù)集中的VI質(zhì)量評(píng)價(jià)數(shù)據(jù)QA來設(shè)置對(duì)應(yīng)像素的權(quán)重，利用該 權(quán)重采用SG方法對(duì)原始曲線進(jìn)行濾波擬合成初始曲線；其中，C5第五代MODIS植物指數(shù)科 學(xué)數(shù)據(jù)集；SG的全稱為Savitzky-Golay平滑濾波器； 步驟三、將初始曲線的一個(gè)像元的無云影像設(shè)置為n+1景，儒略日為x，NDVI值為y，建 立了一個(gè)初始曲線像元的無云影像二維數(shù)組（X。，yQ)，（XpY1)，…（xn，yn); 步驟四、將原始曲線的峰值與初始曲線峰值的絕對(duì)值差設(shè)置為閾值T=min{(Ycrytl)，（Y1I1)，…，（Y^yi) }，其中，Yi 關(guān)Yi ; 步驟五、若M超過該閾值T(M>T)，則原始曲線上的點(diǎn)被初始曲線上的點(diǎn)所取代；若M〈T， 則保留原始曲線的點(diǎn)；其中，M= |Y「yi| ; 步驟六、根據(jù)閾值長(zhǎng)度設(shè)置權(quán)重#100%，采用B樣條曲線對(duì)經(jīng)過步驟五處理過的原始 Y 曲線進(jìn)行擬合，然后轉(zhuǎn)到步驟四計(jì)算新閾值，依次帶入步驟五進(jìn)行計(jì)算，直到前后兩次經(jīng)過B樣條曲線擬合的曲線無區(qū)別之后則停止計(jì)算，完成對(duì)MODISNDVI時(shí)間序列重建得到重建 后的NDVI年變化曲線； 步驟七、采用JfiMSOii和Eklundh提出的動(dòng)態(tài)閾值法，對(duì)步驟六中得到的重建后的NDVI年變化曲線中提取植被生長(zhǎng)季參數(shù)組成特征影像；其中，光譜信息為紅波段、近紅外波段、 重建后NDVI的最大值、最小值、平均值和標(biāo)準(zhǔn)偏差； 步驟八、在特征影像上隨機(jī)采樣并以谷歌地球?yàn)閰⒖加跋?，根?jù)制定的分類體系進(jìn)行 目視解譯獲得訓(xùn)練樣本集即根據(jù)提取的生長(zhǎng)季參數(shù)作為分類器的輸入?yún)?shù)，利用隨機(jī)森林 方法的分類算法，將訓(xùn)練樣本即提取的生長(zhǎng)季參數(shù)構(gòu)建決策樹分類器得到每個(gè)決策樹的分 類結(jié)果，根據(jù)每個(gè)決策樹的分類結(jié)果投票，決定最終投票分類結(jié)果；其中，隨機(jī)森林是一種 基于分類與回歸決策樹的組合分類算法；即完成了一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆 蓋分類方法。
2. 根據(jù)權(quán)利要求1所述一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法，其特征在 于步驟二中采用權(quán)重為C5科學(xué)數(shù)據(jù)集中的VI質(zhì)量評(píng)價(jià)數(shù)據(jù)QA為質(zhì)量總評(píng)0?3。
3. 根據(jù)權(quán)利要求1所述一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法，其特征在 于步驟六中B樣條曲線表達(dá)式為
其中，Pi為節(jié)點(diǎn)N處屬于i類樣本數(shù)占總樣本數(shù)的頻度；\k(U)是調(diào)和函數(shù)，也稱為基 函數(shù)，按照遞歸公式可定義為：

其中ti是節(jié)點(diǎn)值，T= [td,tp. . .，tm]構(gòu)成了k次B樣條函數(shù)的節(jié)點(diǎn)矢量，節(jié)點(diǎn)沿 著參數(shù)軸是均勻等距分布，ti+1-ti=α。
4. 根據(jù)權(quán)利要求1所述一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法，其特征在 于步驟七中采用Mnsson詳PEklundh提出的動(dòng)態(tài)閾值法是一種動(dòng)態(tài)比值形式，即給定像元和 年份的植被指值與當(dāng)年VI振幅的比即動(dòng)態(tài)閾值；給定像元和年份的植被指數(shù)值是任意給 定像元和年份的植物指數(shù)；提取植被生長(zhǎng)季參數(shù)組成特征影像，其中，提取植物生長(zhǎng)季參數(shù) 的應(yīng)用的植物物候軟件TIMESAT來實(shí)現(xiàn)的。
5. 根據(jù)權(quán)利要求1所述一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法，其特征在 于步驟七中提取的物候特征包括：（1)、生長(zhǎng)季開始期NDVI的值；（2)、生長(zhǎng)季結(jié)束時(shí)NDVI 的值；（3)、在生長(zhǎng)季開始期生長(zhǎng)季開始期NDVI的增長(zhǎng)比率；(4)、在生長(zhǎng)季結(jié)束時(shí)的應(yīng)該是 生長(zhǎng)季結(jié)束時(shí)的NDVI減少比率；（5)、在整個(gè)生長(zhǎng)季中NDVI的峰值；（6)、在整個(gè)生長(zhǎng)季中 NDVI的基線值；（7)、重建后的NDVI年變化曲線的峰值與基線值之間的差值；（8)、整個(gè)生 長(zhǎng)季中的NDVI的中值；(9)、整個(gè)生長(zhǎng)季期間NDVI的累計(jì)值，NDVI曲線到基線值之間的面 積；（10)、在整個(gè)生長(zhǎng)季過程中，NDVI的累計(jì)面積；（11)、在整個(gè)生長(zhǎng)季過程中，峰值與基線 值之間的積分結(jié)果；其中，生長(zhǎng)季開始期為NDVI增長(zhǎng)達(dá)到當(dāng)年NDVI振幅20%的時(shí)刻；生長(zhǎng) 季結(jié)束時(shí)為NDVI降低到當(dāng)年NDVI振幅20%的時(shí)刻；整個(gè)生長(zhǎng)季為從植被生長(zhǎng)季開始到結(jié) 束所需要的時(shí)間；積分結(jié)果為采用基于加權(quán)樣條曲線的Savitzky-Golay平滑濾波方法對(duì) MODISNDVI時(shí)間序列重建后的曲線的峰值和基線的結(jié)果。
6. 根據(jù)權(quán)利要求1所述一種基于MODIS時(shí)間序列數(shù)據(jù)的土地覆蓋分類方法，其特征在 于步驟八中根據(jù)提取的生長(zhǎng)季參數(shù)作為分類器的輸入?yún)?shù)，利用隨機(jī)森林方法的分類算法 將訓(xùn)練樣本M即提取的生長(zhǎng)季參數(shù)構(gòu)建決策樹分類器得到每個(gè)決策樹的分類結(jié)果，根據(jù)每 個(gè)決策樹的分類結(jié)果投票，決定最終投票分類結(jié)果具體過程 ： (1) 隨機(jī)重采樣bootstrap技術(shù)對(duì)全體訓(xùn)練樣本M進(jìn)行隨機(jī)放回抽樣M次，將此抽樣過 程重復(fù)N次，得到SI，S2···，Sn作為N棵決策樹的訓(xùn)練樣本； (2) N棵決策樹根據(jù)各自的訓(xùn)練樣本，采用節(jié)點(diǎn)隨機(jī)分裂技術(shù)從全體屬性特征T中隨機(jī) 選取t個(gè)屬性特征（t<T)作為分裂該棵樹的屬性特征集； (3) 根據(jù)方差不純度指標(biāo)對(duì)t個(gè)屬性特征進(jìn)行建樹得到節(jié)點(diǎn)的不純度，其計(jì)算公式為： .,調(diào)=Σ咖/.>貞％)=1 -Σ尸2(叫）⑷ J渰Jj 其中為第j類的屬性；P(Coj)為節(jié)點(diǎn)N處屬于?類樣本數(shù)占總樣本數(shù)的頻度；f為方差不純度； (4) 根據(jù)分支停止準(zhǔn)則預(yù)先設(shè)定一個(gè)不純度下降差的閾值；當(dāng)分支使得節(jié)點(diǎn)的不純度 的下降差小于這個(gè)閾值時(shí)，停止分支；當(dāng)進(jìn)行分類時(shí)，將所有分類樹的分類結(jié)果進(jìn)行綜合采 用投票方式得到最終投票分類結(jié)果；其中，不純度的下降差是指決策樹左右兩個(gè)節(jié)點(diǎn)。
【文檔編號(hào)】G06K9/66GK104318270SQ201410675481
【公開日】2015年1月28日 申請(qǐng)日期:2014年11月21日 優(yōu)先權(quán)日:2014年11月21日
【發(fā)明者】毛學(xué)剛, 李治, 范文義, 李明澤, 于穎 申請(qǐng)人:東北林業(yè)大學(xué)