(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211171092.0 (22)申请日 2022.09.25 (71)申请人 四川省林业科 学研究院 地址 610081 四川省成 都市金牛区星辉西 路18号 (72)发明人 邓东周　潘红丽　周听鸿　辜建刚　 周相兵　 (74)专利代理 机构 成都赛恩斯知识产权代理事 务所(普通 合伙) 51212 专利代理师 张帆　张端阳 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/13(2022.01) G06V 20/52(2022.01) G06V 10/774(2022.01)G06V 10/58(2022.01) G06V 10/54(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) (54)发明名称 基于高分辨率遥感图像的地质 灾害后植被 恢复监测方法 (57)摘要 本发明提供了一种基于高分辨率遥感图像 的地质灾害后植被恢复监测方法， 包括： 构建融 合型“光谱‑植被指数 ‑纹理”特征集； 在晴 朗天气 条件下， 较为均匀地选取目标区域内的n个典型 植被样本地； 构建类bagging型集成学习模型； 分 析乔木、 灌木和草本三类型植被在植被高度、 单 株植被水平投影覆盖面积、 根系深度和根系延 展 范围上的明显差异； 通过分析若干连续时相的遥 感图像的植被变化率指数和植被类型变化率指 数的按时相变化信息， 量化分析目标区域植被恢 复情况， 因而有效地提升了按像素分类方法精 度， 大幅度提升目标区域植被量化分析的精准 度， 更能大幅度降低长期精准 监测的成本 。 权利要求书2页 说明书7页 CN 115546636 A 2022.12.30 CN 115546636 A 1.一种基于高分辨 率遥感图像的地质灾害后植被恢复监测方法， 其特 征在于， 包括： 步骤1， 对目标区域的空间分辨 率≤10米的多光谱卫星遥感图像进行 预处理； 步骤2， 构建融合型 “光谱‑植被指数 ‑纹理”特征集以使得每个地物像素点对应于一个 不小于50维度的特 征向量， 作为下述 步骤4中模型的输入量； 步骤3， 在晴朗天气条件下， 较为均匀地选取目标区域内的n个典型植被样本地， 在进行 实地勘测 后建立起包含精确地理坐标值的地理勘测数据集， 抽取出成像时间距勘测时间最 接近的f幅遥感图像作为下述 步骤4中的训练和 测试数据； 步骤4， 构建类ba gging型集成学习模型； 步骤5， 利用所述学习模型分析乔木、 灌木和草本三类型植被在植被高度、 单株植被水 平投影覆盖面积、 根系深度和根系延展范围上的明显 差异； 步骤6， 通过分析若干连续时相的遥感图像的植被变化率指数和植被类型变化率指数 的按时相变化信息， 量 化分析目标区域 植被恢复情况。 2.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法， 其 特征在于， 步骤1中， 多光谱卫星遥感图像包含若干颗遥感卫星所获取的多光谱图像， 预处 理包括正射校正、 几何精校正、 辐射定标和大气校正等， 经过预处理后的遥感图像包含大气 底层反射 率数据， 能满足精确分析植被特性的需求。 3.根据权利要求2所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法， 其 特征在于， 在预 处理过程中， 可以对遥感图像进 行重采样， 将各目标波 段的空间分辨率统一 重采样到相同尺度， 优选地使用最近邻距离算法进行重采样。 4.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法， 其 特征在于， 步骤2中， 该特征集包括光谱特征子集、 植被指数特征子集和纹理特征子集， 其 中， 光谱特征子集通过抽取遥感 图像中对地表植被敏感的波段而构建， 植被指数特征子集 通过选择若干个于植被特征相关的指数而构建， 纹理特征子集通过对光谱 特征子集中的植 被反射显著的波段分别使用灰度共生矩阵计算出来的统计量 ‑能量、 熵、 均匀 性、 差熵等参 数构成核心像素点处的纹 理特征子集部分而构建。 5.根据权利要求4所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法， 其 特征在于， 光谱特征子集优选地为蓝光、 绿光、 红光、 植被红边和近红外波段构建特征集中 的光谱特征子集部分； 和/或， 植被指数特征子集优选地使用NDVI、 DVI、 EVI、 PVI、 CTVI、 TSAVI和RV I构建特征集中的植被指数特征子集部 分； 和/或， 纹理特征子集优 先地分析方向 分别取0°、 45°、 90°三个方向。 6.根据权利要求4所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法， 其 特征在于， 步骤3中， 样地的数量n不小于步骤2中特征向量维度数的两倍值， 遥感图像优选 地以勘测时间为中点前后各5幅， 按照精确地理坐标值在每景遥感图像中拾取n个K*K像素 尺寸的ROI， 共计获取f*n个ROI， 共 含f*n*K*K个带 标签的像素点的特 征向量样本数据。 7.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法， 其 特征在于， 步骤4中， 学习模型包括若干个神经网络子分类器和若干个SVM子分类器及一个 邻域型结合策略的输出 单元； 其中， 神经网络分类器彼此间在结构上存在差异， 其 隐层数和神经节点数均不相同， 且各自 独立使用不相同的训练集和测试集进 行模型训练， 通过训练后使得每个神经网络分类器的权　利　要　求　书 1/2 页 2 CN 115546636 A 2总体分类精度和Kap pa系数优于85％和0.85 SVM分类器彼此间在结构上存在差异， 是基于不同核函数的SVM分类器或基于不同核函 数的LSSVM 分类器， 各自独立使用不相同的训练集和测试集进 行模型训练， 通过训练后使得 每个SVM分类器的总 体分类精度和Kappa系数优于80％和0.85， 子分类器并行独立工作， 并 将其分类结果输入到一个邻域型 结合策略的输出 单元中； 领域型结合策略为： 如果子分类器的输出的地物类型不多于两类且占优地物类的比例 不低于阈值时占优地物类别为该点处的地物类别； 否则认为该点处的像素点处的混合像元 现象明显， 取K*K像素得领域， 按照去心领域内某类别地物的含量乘以某类别地物在该核心 像素点的多个分类 器输出中的含量得到某类别在该核心像素点中的含量。 8.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法， 其 特征在于， 步骤5包括： (1)对每个类型的植被设定对应的植被 影响因子， 通过 下述公式确定植被 状况指数： VCI＝αa*Carbor+αs*Cshrub+αh*Cherbal 其中： αa、 αs、 αh分别为乔木、 灌木和草本类型的植被影响因子， 根据植被对环境影响情 况合理设置植被影响因子αa、 αs、 αh的取值， 一般地可以分别设置为10、 5、 2； Carbor、 Cshrub、 Cherbal分别为乔木、 灌木和草本类型植被在研究区的植被覆盖度； (2)通过植被 变化率指数量 化植被变化情况： VCR＝VCInew/VCIstandard 其中： VCInew为地震发生后的某景遥 感图像的植被状况指数； VCIstandard为地质灾害发生 前遥感图像的植被状况指数； VCR为植被变化率指数， 其值小于1时表明研究区出现植被损 坏情况， 其值大于1时表明研究区植被比之前 更繁茂； (3)通过植被 类型变化 率指数量 化某种类型植被 变化情况： SCR＝CSpecies_new/CSpecies_standard 其中： CSpecies_new为地质灾害发生后的某景遥 感图像中某类型植被在研究区 的植被覆盖 度； CSpecies_standard为地质灾害发生前遥感图像的某类型植被在 研究区的植被覆盖度； SC R为 植被类型变化率指数， 其值小于1时表明某类型 的植被出现损坏情况， 其值大于1时表明某 类型的植被比之前 更繁茂。权　利　要　求　书 2/2 页 3 CN 115546636 A 3