本發(fā)明屬于遙感數(shù)據(jù)檢測領(lǐng)域，具體涉及一種人工林多源遙感提取方法。

背景技術(shù)：

1、隨著遙感技術(shù)和地理信息系統(tǒng)的快速發(fā)展，利用遙感數(shù)據(jù)進(jìn)行大范圍的森林監(jiān)測和分類已經(jīng)成為林業(yè)管理的重要手段。遙感技術(shù)通過獲取大面積、高頻次的地表信息，為研究森林資源的空間分布、動態(tài)變化及其與環(huán)境因素的關(guān)系提供了可靠的數(shù)據(jù)支持。尤其是隨著高分辨率、多光譜衛(wèi)星影像的普及，遙感技術(shù)在森林分類、森林健康監(jiān)測、碳儲量評估等領(lǐng)域得到了廣泛應(yīng)用。

2、時間序列遙感數(shù)據(jù)，即通過連續(xù)的多時相影像觀測地表目標(biāo)隨時間的變化，已經(jīng)成為植被監(jiān)測研究中的重要手段。通過分析歸一化植被指數(shù)(normalized?differencevegetation?index，ndvi)的時序變化，可以有效地捕捉到植被的生長周期、季節(jié)性變化以及異常事件對植被的影響。特別是在森林分類中，時間序列分析可以識別和區(qū)分不同類型森林的生長模式和季節(jié)性特征，從而提高分類的精度。現(xiàn)代遙感技術(shù)，也不僅依賴于單一類型的影像數(shù)據(jù)，而是逐漸發(fā)展出多源遙感數(shù)據(jù)融合的方法，如多源數(shù)據(jù)包括光學(xué)影像、雷達(dá)數(shù)據(jù)和數(shù)字高程模型等。這些數(shù)據(jù)類型在空間分辨率、光譜分辨率和時間分辨率上各具優(yōu)勢，通過融合多源數(shù)據(jù)，可以獲取更加豐富的地表信息。在森林分類中，多源數(shù)據(jù)融合技術(shù)可以充分利用光譜、空間結(jié)構(gòu)和地形信息，從不同維度增強對森林類型的識別能力。同時，隨著計算能力的提升和機器學(xué)習(xí)算法的進(jìn)步，基于機器學(xué)習(xí)的遙感影像分類技術(shù)已經(jīng)成為研究的熱點。隨機森林(random?forest)、支持向量機(support?vector?machine，svm)以及深度學(xué)習(xí)算法等在處理高維遙感數(shù)據(jù)方面展現(xiàn)出強大的能力。特別是在處理復(fù)雜地形和多種地物共存的情況下，機器學(xué)習(xí)算法可以有效地利用訓(xùn)練樣本的特征，構(gòu)建出魯棒性強的分類模型。

3、現(xiàn)有的研究中，區(qū)分相似地物類型的分類算法是將長時間序列數(shù)據(jù)與機器學(xué)習(xí)方法結(jié)合，以提高分類精度。例如基于時間序列諧波分析算法(harmonic?analysis?of?timeseries，hants)的時序分析，可以通過調(diào)和分析去除云層影響，重建遙感時間序列數(shù)據(jù)，并利用時間序列趨勢特征來區(qū)分不同類型的森林。這些研究的應(yīng)用表明，長時間序列數(shù)據(jù)的應(yīng)用能夠顯著提升人工林識別的準(zhǔn)確性，并在分類中減少不確定性。然而，由于人工林和自然林樣本數(shù)量之間存在顯著差異，復(fù)雜的森林分類處理任務(wù)受數(shù)據(jù)噪聲的影響較大，且處理過程中無法充分利用多源遙感數(shù)據(jù)中的多維特征，導(dǎo)致最終分類結(jié)果的綜合精度和穩(wěn)定性均不高。因此，需要一種人工林多源遙感提取方法，以提高分類結(jié)果的精度和穩(wěn)定性。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提供了一種人工林多源遙感提取方法。本發(fā)明要解決的技術(shù)問題通過以下技術(shù)方案實現(xiàn)：

2、本發(fā)明提供了一種人工林多源遙感提取方法，包括：

3、獲取多源遙感數(shù)據(jù)；

4、對多源遙感數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理多源遙感數(shù)據(jù)；

5、分別獲取訓(xùn)練樣本和驗證樣本，根據(jù)驗證樣本篩選訓(xùn)練樣本以得到第一樣本集；

6、根據(jù)第一樣本集分別訓(xùn)練若干個分類器，對應(yīng)得到若干個第一分類器，并通過若干個第一分類器分別對第一樣本集進(jìn)行分類，對應(yīng)得到若干個第一分類結(jié)果；

7、對若干個第一分類結(jié)果中的少數(shù)分類結(jié)果進(jìn)行樣本增強以得到第二樣本集；

8、根據(jù)第二樣本集分別訓(xùn)練若干個第一分類器，對應(yīng)得到若干個第二分類器；通過若干個第二分類器分別對預(yù)處理多源遙感數(shù)據(jù)進(jìn)行分類，對應(yīng)得到若干個第二分類結(jié)果，并對若干個第二分類結(jié)果進(jìn)行決策融合以得到最終分類結(jié)果。

9、在本發(fā)明的一個實施例中，獲取多源遙感數(shù)據(jù)，包括：分別獲取sentinel-2時間序列影像、sentinel-1時間序列影像和landsat時間序列影像。

10、在本發(fā)明的一個實施例中，對多源遙感數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理多源遙感數(shù)據(jù)，包括：

11、對sentinel-2時間序列影像、sentinel-1時間序列影像和landsat時間序列影像分別進(jìn)行去云處理，得到多光譜波段信息；

12、對經(jīng)過去云處理的landsat時間序列影像進(jìn)行ndvi處理，得到歸一化植被指數(shù)；

13、對歸一化植被指數(shù)進(jìn)行諧波回歸擬合，并提取擬合的歸一化植被指數(shù)的統(tǒng)計特征；其中，統(tǒng)計特征，包括：均值、方差、標(biāo)準(zhǔn)差、變異系數(shù)和修正方差；

14、多源遙感數(shù)據(jù)還包括：地形特征信息和雷達(dá)影像數(shù)據(jù)信息；對多光譜波段信息、統(tǒng)計特征、地形特征信息和雷達(dá)影像數(shù)據(jù)信息進(jìn)行多源特征集成，得到集成結(jié)果；

15、提取集成結(jié)果以得到紋理特征。

16、在本發(fā)明的一個實施例中，ndvi處理的公式為：

17、

18、其中，ndvi為歸一化植被指數(shù)；nir為近紅外波段的反射值；red為紅光波段的反射值。

19、在本發(fā)明的一個實施例中，諧波回歸擬合的模型為：

20、

21、其中，為擬合重建后的歸一化植被指數(shù)的集合；n為諧波的數(shù)量；tj為時間步長，j＝1,2,...,n，n為時間序列中的觀測值數(shù)量；pi和qi均為傅里葉級數(shù)中的三角函數(shù)項系數(shù)，fi為對應(yīng)頻率；x0為常數(shù)項。

22、在本發(fā)明的一個實施例中，分別獲取訓(xùn)練樣本和驗證樣本，根據(jù)驗證樣本篩選訓(xùn)練樣本以得到第一樣本集，包括：

23、分別獲取訓(xùn)練樣本和驗證樣本，驗證樣本為森林圖層數(shù)據(jù)；

24、對比訓(xùn)練樣本和森林圖層數(shù)據(jù)，篩選出位于森林圖層數(shù)據(jù)內(nèi)的訓(xùn)練樣本以作為保留樣本；

25、對保留樣本進(jìn)行標(biāo)簽重投影，得到第一樣本集。

26、在本發(fā)明的一個實施例中，根據(jù)第一樣本集分別訓(xùn)練若干個分類器，對應(yīng)得到若干個第一分類器，并通過若干個第一分類器分別對第一樣本集進(jìn)行分類，對應(yīng)得到第一分類結(jié)果，包括：

27、從第一樣本集中分別選取少數(shù)類樣本和多數(shù)類樣本作為訓(xùn)練樣本集；

28、根據(jù)訓(xùn)練樣本集分別訓(xùn)練若干個分類器；其中，若干個分類器包括：隨機森林分類器、決策樹分類器和支持向量機分類器；

29、調(diào)整訓(xùn)練樣本集中少數(shù)類樣本的比例，根據(jù)調(diào)整后的訓(xùn)練樣本集重新訓(xùn)練若干個分類器直至滿足評估指標(biāo)，得到若干個第一分類器；其中，評估指標(biāo)用于評估訓(xùn)練后的若干個分類器的分類精度；

30、根據(jù)若干個第一分類器分別對第一樣本集進(jìn)行分類，對應(yīng)得到第一分類結(jié)果。

31、在本發(fā)明的一個實施例中，評估指標(biāo)包括：混淆矩陣結(jié)果、整體精度和召回率；

32、混淆矩陣結(jié)果，包括：真正例tp、假正例fp、假負(fù)例fn和真負(fù)例tn，用于判斷若干個分類器的分類精度；

33、整體精度的公式為：

34、

35、其中，overall?accuracy為整體精度；

36、召回率的公式為：

37、

38、其中，recall為召回率。

39、在本發(fā)明的一個實施例中，對若干個第一分類結(jié)果中的少數(shù)分類結(jié)果進(jìn)行樣本增強以得到第二樣本集，包括：

40、將若干個第一分類結(jié)果中的少數(shù)分類結(jié)果與森林圖層數(shù)據(jù)進(jìn)行重合判斷，以得到重合區(qū)域，重合區(qū)域為：

41、aoverlap＝as∩af；

42、其中，aoverlap為少數(shù)分類結(jié)果與森林圖層數(shù)據(jù)的重合區(qū)域；as為少數(shù)分類結(jié)果的區(qū)域；af為森林圖層數(shù)據(jù)的區(qū)域；

43、以位于重合區(qū)域內(nèi)的少數(shù)分類結(jié)果為中心創(chuàng)建緩沖區(qū)，在緩沖區(qū)內(nèi)生成新樣本點，以實現(xiàn)樣本增強，并根據(jù)增強后的樣本得到第二樣本集；

44、緩沖區(qū)的公式為：

45、bi＝{(x,y)|(x-xi)2+(y-yi)2≤r2}；

46、其中，(x,y)為緩沖區(qū)內(nèi)的任意點；pi為少數(shù)分類結(jié)果，其坐標(biāo)為(xi,yi)；bi為以少數(shù)分類結(jié)果pi為圓心，半徑為r的緩沖區(qū)；

47、新樣本點的公式為：

48、

49、其中，pnew為在緩沖區(qū)內(nèi)生成的新樣本點；(xj,yj)為在緩沖區(qū)內(nèi)生成的新樣本點的坐標(biāo)；nnew為在緩沖區(qū)內(nèi)生成的新樣本點的數(shù)量。

50、在本發(fā)明的一個實施例中，根據(jù)第二樣本集分別訓(xùn)練若干個第一分類器，對應(yīng)得到若干個第二分類器，包括：

51、根據(jù)第二樣本集分別訓(xùn)練若干個第一分類器，對應(yīng)得到若干個第二分類器；

52、根據(jù)若干個第二分類器對預(yù)處理多源遙感數(shù)據(jù)進(jìn)行分類，對應(yīng)得到若干個第二分類結(jié)果；

53、對若干個第二分類結(jié)果進(jìn)行決策融合，得到最終分類結(jié)果，最終分類結(jié)果包括：

54、

55、其中，為最終分類結(jié)果；z為像素點；mode為計算三個分類結(jié)果中出現(xiàn)次數(shù)最多的類別的函數(shù)；和依次為若干個第二分類器的分類結(jié)果。

56、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

57、本發(fā)明的人工林多源遙感提取方法，基于多源遙感數(shù)據(jù)，根據(jù)訓(xùn)練好的第一分類器的第一分類結(jié)果進(jìn)行樣本增強，在少數(shù)類樣本點的緩沖區(qū)內(nèi)生成新的樣本點，不僅有效增強了少數(shù)類樣本的數(shù)量，還保證了新樣本點的合理分布，提高了分類器對少數(shù)類樣本的識別能力，解決了類別不平衡的問題。

58、本發(fā)明利用ndvi處理的時序特征，通過諧波回歸擬合提取時間序列中的趨勢和季節(jié)性變化特征，不僅增強了分類器對植被變化的捕捉能力，還提高了分類器對長期變化和周期性變化的敏感度，為得出更精確的分類結(jié)果提供了支撐。

59、本發(fā)明對隨機森林、決策樹和支持向量機這三個不同的分類器進(jìn)行訓(xùn)練，并進(jìn)行決策融合，生成最終的分類結(jié)果，該融合策略能夠有效整合不同分類器的優(yōu)勢，克服了單一分類器容易出現(xiàn)的偏差問題，提升了最終分類結(jié)果的綜合精度、穩(wěn)定性和魯棒性。

60、上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說明書的內(nèi)容予以實施，并且為了讓本發(fā)明的上述和其他目的、特征和優(yōu)點能夠更明顯易懂，以下特舉較佳實施例，并配合附圖，詳細(xì)說明如下。