[发明专利]利用时空生态环境遥感分形分维数分析生态变化趋势方法

说明书

本发明公开了一种利用时空生态环境遥感分形分维数分析生态变化趋势方法，首先获取某一区域某一时段NDVI、EVI、LAI、GPP、NPP五种遥感产品数据，并进行异常值剔除操作；然后求得月尺度数据，并用求平均得到年平均数据。之后，由所在地向外扩充缓冲区，在缓冲区范围内对年平均数据做归一化和主成分分析处理，得到生态综合指数数据。再后，对生态综合指数数据的时间序列数据分别做趋势度分析、分类得分统计、以及不同缓冲区范围的统计，并对得分和距离变量取对数，做直线回归拟合，求得斜率，即为时空生态环境遥感分形分维数；最后，将斜率和0比较，如果大于0表示植被变好，如果小于0，表示植被变差。本发明能从时空上判断生态植被变坏趋势和程度。

技术领域

本发明属于生态环境遥感监测和地理信息科学领域，涉及一种利用遥感方式评价区域生态环境变化时空不确定性的方法，具体涉及一个利用时空生态环境遥感分形分维数分析生态变化趋势方法。

背景技术

遥感监测技术目前已经被广泛应用于自然资源管理、自然灾害监测、生态环境监测等方面，在农业、林业、地质、环境保护等领域具有重要的应用价值。遥感监测技术可大体分为两类：基于遥感指数和基于遥感解译的遥感监测技术。基于遥感指数的监测技术指的是根据地物光谱特性，将遥感影像进行波段组合和运算，来反映当地生态环境状况。可以分为两类：一是如植被指数、水体指数、大气污染指数等基于波段运算的遥感指数；二是如干旱指数、生态环境状况指数(EI)、遥感生态环境指数(RSEI)等面向应用的复合指数。基于遥感解译的监测技术可以分为面向对象和面向像元的解译。面向像元的解译基于像元光谱反射率差异而进行的，可以分为两类：一是监督分类，包括最大似然法、支持向量机(SVM)、决策树(DT)、人工神经网络(ANN)及其升级版深度学习的AlexNet、VGG以及ResNet模型等；二是非监督分类，包括K-Means、ISODATA、深度学习的自编码器(AutoEncoder)、限制波尔兹曼机(Restricted Boltzmann Machine)等。研究结果的统计分析，又可大体分为借助于行政区和借助于缓冲区来进行。国内外学者在遥感监测方面有许多研究，但也存在些不足：

(1)从评价指标的选取来看，基于单一指数的评价方式指标单一，而基于多指数的评价方式指数间常常具有相关性。

(2)从数据的选取时间来看，多围绕前后时间点的对比，时间的选取人为确定，时间短而具有不确定性，即：时间序列的波动性。

(3)从空间的统计分析来看，若借助于行政区进行分析，其范围人为固定而不具有生态学意义。若借助于缓冲区来分析，其结果又受缓冲区大小的影响，具有不确定性。

发明内容

针对现有技术的缺点，本发明提供了一个利用时空生态环境遥感分形分维数分析生态变化趋势方法。

本发明所采用的技术方案是：一种利用时空生态环境遥感分形分维数分析生态变化趋势方法，其特征在于，包括以下步骤：

步骤1：获取若干反映植被情况的产品数据，对影像数据进行预处理；

步骤2：将预处理后的影像分别进行合成操作，得到年平均数据；年平均数据是先由最大值合成法合成月尺度数据，再由月尺度数据平均得到；

步骤3：由所在地向外扩充缓冲区，在缓冲区范围内对年平均数据做归一化处理，得到标准化年尺度数据；对标准化年平均数据进行主成分分析操作，获得生态综合指数数据；对生态综合指数数据进行分析，获得生态变化趋势；

对生态综合指数数据的时间序列数据分别做趋势度分析、分类得分统计、以及不同缓冲区范围的统计，并对得分和距离变量取对数，做直线回归拟合，求得斜率，即为遥感生态环境综合评价指标的时空分形维数；最后，将回归方程的系数和0比较，如果大于0表示植被变好，如果小于0，表示植被变差。

本发明提供的技术方案的有益效果为：