一种基于遥感大数据和云平台探测互花米草分布的方法
技术领域
本发明涉及一种探测互花米草的分布方法。
背景技术
互花米草为多年生禾本植物，起源于美洲大西洋沿岸和墨西哥湾，具有有性和无性繁殖间距的特点，其种子、根茎和残体均可以进行繁殖生长，其繁殖能力强，耐盐耐淹且抗风浪，单株年均可繁殖近百株。因此，诸多国家根据其良好的繁殖能力和促淤造陆功能而广泛引种。我国于1979年引入互花米草，用于防风护堤和增加滩涂植被分布等。随着互花米草群落的不断扩张，快速侵占本土原生植被生态位，导致区域生物多样性锐减、生态系统受到破坏。因此，快速准确的绘制互花米草时空分布图，是有效加强互花米草防治管理和进一步完善滨海湿地生态系统稳定的重要基础。
但是，由于互花米草主要分布在河口等滩涂以及潮间带上，受到潮汐影响严重，呈现周期性水淹状态，且受到海堤、围栏和保护区限制，常规观测方法难以准确探测互花米草时空分布变化。
发明内容
本发明为了解决现有的遥感技术无法准确探测互花米草时空分布的问题，从而提供一种基于遥感大数据和云平台探测互花米草的分布方法。
本发明基于遥感大数据和云平台探测互花米草的分布方法按照以下步骤进行：
步骤一：利用Google Earth Engine云平台构建样本库：将探测地区的进行人工样本点构建，并与野外采集样本点进行合并，生成互花米草样本库；
步骤二：在Google Earth Engine云平台上，构建研究时间范围内的Sentinel-1影像集，并筛选出VV和VH波段；再筛选云量低于10％的得到Sentinel-2影像集，同时筛选出B2、B3、B4、B8、B11和B12波段；
步骤三：对步骤二的Sentinel-1影像集和Sentinel-2影像集利用ee.ImageCollection.median和ee.ImageCollection.clip命令处理为以研究区为边界的两个均值影像，并将处理后的两个均值影像利用addBands命令进行融合，最后将两个影像Sentinel-2MSI影像和Sentinel-1SAR影像融合为新的基础特征影像；
步骤四：利用步骤二的筛选结果，计算7个参数：水体指数NDWI、归一化水体指数mNDWI、自动水体提取指数AWEIsh和AWEInsh、植被指数NDVI和雷达波段的衍生指数SAR_S、SAR_D，相关参数的计算公式如下：
NDWI＝(kB3-kB8)/(kB8+kB3)
mNDWI＝(kB3-kB11)/(kB8+kB11)
AWEIsh＝kB2+2.5×kB3–1.5×(kB8+kB11)-0.25×kB12
AWEInsh＝4×(kB2–kB11)–(0.25×kB8+2.75×kB12)
NDVI＝(kB8-kB4)/(kB8+kB4)
SAR_S＝kVV+kVH
SAR_D＝kVV–kVH
式中，kB2、kB3、kB4、kB8、kB11和kB12分别对应Sentinel-2MSI影像波段的B2、B3、B4、B8、B11和B12的影像亮度值；kVV和kVH对应Sentinel-1SAR影像波段的VV波段和VH波段；
步骤五：将步骤二中的8个波段和步骤四中7个参数作为特征波段在GEE中应用addBands命令进行融合，生成新影像；步骤二中的8个波段为VV、VH、B2、B3、B4、B8、B11和B12；步骤四中7个参数为NDWI、mNDWI、AWEIsh、AWEInsh、NDVI、SAR_S和SAR_D；
步骤六：对步骤五获取的新特征影像进行多尺度分割，获取多尺度分割结果，并根据互花米草样本点及已知的互花米草群落分布状况确定纯互花米草分割单元，据此判断分割质量，并不断修改相关分割参数直至获取分割结果，其结果是分割尺度为80～100、形状指数为0.1～0.3、光滑度为0.5～0.7、紧致度为0.3～0.5；
步骤七：对步骤一的互花米草样本库进行随机抽样，分为50％的训练样本和50％的验证样本；
步骤八：在Google Earth Engine云平台构建随机森林模型，以50％训练样本为基础，对构建的包含步骤五的15个特征波段的影像分割结果进行监督分类，便可获取互花米草空间分布信息，即完成了互花米草分布的探测。
进一步，对每一年份均采用上述基于遥感大数据和云平台探测互花米草的方法进行操作，便可获得互花米草逐年时空变化分布图，进而掌握互花米草入侵的时空动态信息。
本发明的方法实现了应用遥感技术准确快速探测获取互花米草入侵空间分布的问题，本发明首先利用Google Earth Engine(GEE)云平台构建互花米草样本库，并根据时间窗口构建质量较好的Sentinel-1和Sentinel-2影像集，并对波段进行以融合获取基础影像集；其次对影像集的波段进行均值计算，并裁剪出研究区域的范围，获取研究区内的均值影像；然后对新影像进行相关七个主要参数进行计算，并将其作为新的波段与原始波段进行融合获得用于分割分类的特征影像；随后在GEE平台对构建的样本库分为训练样本和验证样本，并构建多尺度分割模型和随机森林模型，最终获取互花米草入侵的空间分布图，并可利用混淆矩阵进行精度验证。本发明克服了常规参数识别互花米草精度不足的问题，解决了大量的互花米草与其他湿地植被错分漏分的可能。本发明利用多源遥感数据和云平台处理方式，并选取多个主要参数参与分类，探测结果准确，进一步提高了互花米草遥感分类的精度和可信度，具有可重复性和鲁棒性，对监测互花米草这一入侵物种的遥感制图具有极其重要的意义。
附图说明
图1为实施例1的流程图；
图2为实施例1中高质量影像信息；
图3为实施例1中各参数对应影像显示结果图；
图4为实施例1中特征波段的新影像；
图5为实施例1中特征波段的新影像波段信息；
图6为实施例1中分割结果；
图7为实施例1中分类结果。
具体实施方式
具体实施方式一：本实施方式基于遥感大数据和云平台探测互花米草的分布方法按照以下步骤进行：
步骤一：利用Google Earth Engine云平台构建样本库：将探测地区的进行人工样本点构建，并与野外采集样本点进行合并，生成互花米草样本库；
步骤二：在Google Earth Engine云平台上，构建研究时间范围内的Sentinel-1影像集，并筛选出VV和VH波段；再筛选云量低于10％的得到Sentinel-2影像集，同时筛选出B2、B3、B4、B8、B11和B12波段；
步骤三：对步骤二的Sentinel-1影像集和Sentinel-2影像集利用ee.ImageCollection.median和ee.ImageCollection.clip命令处理为以研究区为边界的两个均值影像，并将处理后的两个均值影像利用addBands命令进行融合，最后将两个影像Sentinel-2MSI影像和Sentinel-1SAR影像融合为新的基础特征影像；
步骤四：利用步骤二的筛选结果，计算7个参数：水体指数NDWI、归一化水体指数mNDWI、自动水体提取指数AWEIsh和AWEInsh、植被指数NDVI和雷达波段的衍生指数SAR_S、SAR_D，相关参数的计算公式如下：
NDWI＝(kB3-kB8)/(kB8+kB3)
mNDWI＝(kB3-kB11)/(kB8+kB11)
AWEIsh＝kB2+2.5×kB3–1.5×(kB8+kB11)-0.25×kB12
AWEInsh＝4×(kB2–kB11)–(0.25×kB8+2.75×kB12)
NDVI＝(kB8-kB4)/(kB8+kB4)
SAR_S＝kVV+kVH
SAR_D＝kVV–kVH
式中，kB2、kB3、kB4、kB8、kB11和kB12分别对应Sentinel-2MSI影像波段的B2、B3、B4、B8、B11和B12的影像亮度值；kVV和kVH对应Sentinel-1SAR影像波段的VV波段和VH波段；
步骤五：将步骤二中的8个波段和步骤四中7个参数作为特征波段在GEE中应用addBands命令进行融合，生成新影像；步骤二中的8个波段为VV、VH、B2、B3、B4、B8、B11和B12；步骤四中7个参数为NDWI、mNDWI、AWEIsh、AWEInsh、NDVI、SAR_S和SAR_D；
步骤六：对步骤五获取的新特征影像进行多尺度分割，获取多尺度分割结果，并根据互花米草样本点及已知的互花米草群落分布状况确定纯互花米草分割单元，据此判断分割质量，并不断修改相关分割参数直至获取分割结果，其结果是分割尺度为80～100、形状指数为0.1～0.3、光滑度为0.5～0.7、紧致度为0.3～0.5；
步骤七：对步骤一的互花米草样本库(加载到Google Earth Engine云平台的样本点)进行随机抽样，分为50％的训练样本和50％的验证样本；
步骤八：在Google Earth Engine云平台构建随机森林模型，以50％训练样本为基础，对构建的包含步骤五的15个特征波段的影像分割结果进行监督分类，便可获取互花米草空间分布信息，即完成了互花米草分布的探测。
本实施方式步骤二中的VV是垂直发射、垂直接收波段，VH是垂直发射、水平接收波段。
对每一年份均采用具体实施方式一中基于遥感大数据和云平台探测互花米草的方法进行操作，便可获得互花米草逐年时空变化分布图，进而掌握互花米草入侵的时空动态信息。
实施例1本实施例是利用具体实施一方法对2020年黄河三角洲地区的一个矩形范围进行探测互花米草的空间分布，具体结合图1的流程图进行具体说明。
步骤一：利用Google Earth Engine(GEE)云平台构建样本库，即将探测地区的进行人工样本点构建，并与野外采集样本点进行合并，生成互花米草样本库；
步骤二：在Google Earth Engine云平台上，构建研究时间范围(黄河三角洲部分地区2020年)内的Sentinel-1影像集，并筛选出VV和VH波段；再筛选云量低于10％的得到Sentinel-2影像集，同时筛选出B2、B3、B4、B8、B11和B12波段；具体为：筛选黄河三角洲部分地区2020年的Sentinel-1SAR影像和经过10％云量筛选的Sentinel-2MSI影像，在GoogleEarth Engine云平台上，选择基础的8个波段，包括VV、VH、B2、B3、B4、B8、B11和B12，其中VV和VH两个波段，生成影像集，共计167景；其次筛选云量少于10％的Sentinel-2MSI影像，B2、B3、B4、B8、B11和B12波段，同样生成新影像集，共计161景；其中，高质量影像信息如图2所示，图中S1-collection为Sentinel-1SAR影像，S2-collection为Sentinel-2MSI影像；
步骤三：对两个基础影像集进行ee.ImageCollection.median和ee.ImageCollection.clip命令操作，逐点位、逐波段获取像素的均值，并生成两个基础影像，按照研究区进行范围裁剪，将处理后的两个均值影像利用addBands命令进行融合，最后将两个影像融合为新的基础特征影像，获取黄河三角洲基础特征影像；
步骤四：利用步骤二的筛选结果，计算7个参数：水体指数NDWI、归一化水体指数mNDWI、自动水体提取指数AWEIsh和AWEInsh、植被指数NDVI和雷达波段的衍生指数SAR_S、SAR_D，各参数对应影像显示如图3所示，相关参数的计算公式如下：
NDWI＝(kB3-kB8)/(kB8+kB3)
mNDWI＝(kB3-kB11)/(kB8+kB11)
AWEIsh＝kB2+2.5×kB3–1.5×(kB8+kB11)-0.25×kB12
AWEInsh＝4×(kB2–kB11)–(0.25×kB8+2.75×kB12)
NDVI＝(kB8-kB4)/(kB8+kB4)
SAR_S＝kVV+kVH
SAR_D＝kVV–kVH
式中，kB2、kB3、kB4、kB8、kB11和kB12分别对应Sentinel-2MSI影像波段的B2、B3、B4、B8、B11和B12的影像亮度值；kVV和kVH对应Sentinel-1SAR影像波段的VV波段和VH波段；
根据特征参数影像可以看出，其中mNDWI、NDVI、AWEInsh和SAR_D对于不同植被具有良好的差异性。
步骤五：将步骤二中的8个波段和步骤四中7个参数作为特征波段应用addBands命令进行融合，生成新影像，如图5所示，Image即为融合后的影像，其包含的15个特征波段分别为：VV、VH、B2、B3、B4、B8、B11、B12、NDWI、mNDWI、AWEIsh、AWEInsh、NDVI、SAR_S和SAR_D；研究区特征影像如图4所示，图中●表示互花米草样本点、○表示其他植被样本点；其中，黄河三角洲部分地区采样点分布如图4所示，影像波段信息如图5所示，即特征影像波段融合结果；
步骤六：对步骤五获取的新特征影像进行多尺度分割，获取多尺度分割结果，并根据互花米草样本点及已知的互花米草群落分布状况确定纯互花米草分割单元，据此判断分割质量，并不断修改相关分割参数直至获取分割结果最优，其中，本实施例中最优分割参数如表1所示，分割尺度90，分割尺度较小，适合面积较小的地物；形状因子为0.2，适合形状不规则的地物；光滑度设置为0.6，适合纹理较平滑的地物，紧致度为0.4，适合内部纹理较为紧致的地物。分割结果如图6所示，其中a、b、c分别代表分割尺度为80、90和100的情况，d为研究区最优分割方式的分割结果展示；
表1多尺度分割最优分割参数说明
分割尺度
形状因子
光滑度
紧致度
90
0.2
0.6
0.4
步骤七：对步骤一的互花米草样本库(加载到Google Earth Engine云平台的样本点)进行随机抽样，即，对上传到GEE平台的样本点进行分层随机抽样，样本点主要包括互花米草样本点(共计22个)和其他湿地植被样本点(共计81个)两种，具体分布如图4所示，其中每种样本的50％作为训练样本，另50％作为验证样本；训练样本用于后续的监督分类，验证样本用于对分类结果的精度评价；
步骤八：在Google Earth Engine云平台构建随机森林模型，以50％训练样本为基础，对构建的包含步骤五的15个特征波段的影像分割结果进行监督分类，便可获取互花米草空间分布信息，即完成了互花米草分布的探测，即在GEE平台构建随机森林模型，以训练样本为基础对新特征影像分割结果进行监督分类，分类结果即为互花米草空间分布信息，分类结果如图7所示，图中表示互花米草的分布，从图7可以看出研究区的互花米草主要分布在入海口附近。最后利用验证样本进行分类结果的精度验证，验证方法采用混淆矩阵方法，总体精度达到80％以上。
