[发明专利]一种结合无人机影像的大空间尺度植被覆盖度计算方法

说明书

本发明公开了一种结合无人机影像的大空间尺度植被覆盖度计算方法，包括：对遥感影像大气校正和几何纠正，计算NDVI，并根据预定阈值获取有效区域；对无人机图片拼接并获取正射影像，结合几何纠正后的卫星数据配准空间位置，在无人机影像上选择典型样区，利用非监督分类解译典型样区内各地物占比；随机选取一部分样区，利用样区内各地物占比和对应卫星遥感波段反射率，结合最小二乘法求解各地物端元的反射率；利用光谱分解模型和各地物端元的反射率，求解有效影像区域内各像元的植被覆盖度；利用剩余一部分样区数据校正植被覆盖度计算结果。本发明核心在基于无人机的端元反射率获取方法和植被覆盖校正模型，可有效提高大空间尺度植被覆盖的计算精度。

技术领域

本发明属于遥感技术应用领域，特别涉及一种结合无人机影像的大空间尺度植被覆盖度计算方法。

背景技术

植被覆盖度为植被在地面的垂直投影面积与区域总面积的比值，是刻画地表植被覆盖状况的重要参数，是模拟大空间尺度范围内大气-植被-土壤系统水分循环、能量交换和生物化学循环等地表过程的重要基础性数据，在农业、林业、资源环境管理、土地利用、水文生态过程、水土流失调查、灾害风险监测、干旱监测等领域都有广泛的应用。遥感技术因其大范围的观测能力，已成为获取区域甚至全球植被覆盖度的重要手段。经过近几十年的发展，利用遥感技术的植被覆盖度估算方法已经取得了长足的进步，并形成了一批成熟的区域性、全球性产品，但在实际应用过程中，还存在以下几个问题：

(1)无人机等低空遥感估算精度高，但空间范围有限

随着近年来无人机等低空遥感技术的普及，其高灵活性、云下飞行、影像分辨率高和成本低等优势，使快速获取景观小尺度上的真实植被覆盖度有了可能，例如发明专利“一种基于无人机的景观尺度植被覆盖度的计算方法及系统”(申请号：201610913357.8)。但是，因续航能力、数据量等方面的问题，无人机只能获取景观小尺度范围内的植被覆盖度。

(2)以混合像元分解方法为代表的卫星遥感植被覆盖度估算方法具备一定的理论意义和应用基础，但端元的选择存在诸多问题

目前，遥感测算植被覆盖度的方法主要有回归模型法、训练模型法和混合像元分解法三类。其中，回归模型方法主要是通过多元统计建立植被覆盖度与波段反射率或者植被指数的经验关系，该方法虽然简单易行，但是仅适用于特定的区域和特定的植被类型，并且需要大量的高质量地面观测以保证精度。训练模型法是通过一些训练样本对学习模型进行训练，进而建立起计算植被覆盖度的模型，该方法的关键点和难点都在于训练样本的选择，在复杂的地表环境下，样本的准确性和代表性难以保证。混合像元分解法依据传感器收集的地面反射光谱信息是植被光谱与其它光谱的综合信息的原理，获取地表植被的贡献率，因其具备一定的物理意义、应用方便且精度较高，成为目前应用最为广泛的方法，如二分法。

混合像元分解方法包括端元(代表某一类地物的纯像元)光谱获取和丰度(混合像元内各类地物贡献率)计算两个步骤。其中，端元光谱的获取是最关键步骤，也是面临问题较多的步骤。常用的提取方法有两种，一种是通过地面观测或者是已有的波谱库，通常称为“参考端元”，另一种是在遥感影像中直接选择，称为“影像端元”。参考端元虽然理论上比较精确，但由于影像上地物光谱受到大气、地形和传感器等的影响，与实测或者地物波谱库中的地物波谱曲线存在很大差别，即使经过辐射纠正等预处理，也难以很好的匹配，同时基于地面实测的光谱需要投入较多的人力及物力。影像端元虽然有经济、简单和方便的优势，且可以保证端元与影像具有相同的度量尺度，但是在获取大空间尺度所需的中分辨率影像(如TM/ETM+,环境星HJ)上，因地物的复杂性可能并不存在“纯净”的端元，因此，不论采用什么样的方法提取影像端元，获取的光谱信息均不纯粹，导致后续丰度计算出现较大误差。

(3)受到植被类型的复杂性、不同生长状况和影像成像质量的影响，遥感估算的植被覆盖度存在偏差