基于地理模型和多源遥感的林草生态综合监测方法<br/>——以日照市莒县为例

基于地理模型和多源遥感的林草生态综合监测方法
——以日照市莒县为例

2024-02-01闫振国王锦辉张海建

山东国土资源 2024年1期

闫振国,王锦辉,张海建

(1.山东省地质测绘院,山东济南 250002;2.西安博深海思软件有限公司,陕西西安 710000)

0 引言

林草生态系统是地球上最大的生态系统,整体结构较为复杂且物种较多,为对其进行有效保护,需要采用多种技术,通过生态监测、遥感监测等多种方式进行综合分析评估[1-4]。在对大量文献进行分析后,早期的林草监测过程中多采用光谱数据作为分析基础,光学图像具有容易分析的优点,但极易受到外界环境的影响。在此基础上,人们又使用合成孔径雷达和激光雷达,完成此部分分析工作。由于数据来源的不同,基础的监测方法无法对多类别信息进行融合分析,导致大量数据失去时效性,且监测结果严重失真。

针对上述问题,在此次研究中使用地理模型和多源遥感技术,对当前监测方法进行分析并完成优化,提出基于地理模型和多源遥感的林草生态综合监测方法。希望通过此方法可提升多源数据的应用效果,并在当前检测方法的基础上,获取可靠性更高的监测结果,推动林草生态系统保护工作的开展,实现林草资源的可持续发展。

1 林草生态监测现状

1.1 资源本底不清、现状不明

目前,在进行林草生态监测的过程中,虽然对各个项目区域的背景情况(包含社会经济、森林资源、动植物资源、风景名胜等基本情况)也进行了相关调研,但整体不够认真、细致。在没有结合当前政策、没有进行客观分析的前提下,对以往的研究成果以及相关数据进行套用照搬,导致资源数据失真、失效,丧失了数据原有的时效性[5-6]。与此同时,在进行林草生态监测的过程中,过于依赖过去的数据研究结果,但在一些大型的项目中,由于研究区域过大、距离较长,一些外业人员为了节约时间在没有深入研究的情况下过度使用以往的研究成果,直接应用以往林草数据提取有关因子,获取卫星数据。由于林草数据是一项动态数据,以往的研究数据形成较早,在应用过程中参考价值较低,导致林草资源数据异常,资源现状不明。

1.2 调查监测评价体系不合理

林草生态综合监测是当前林业管理保护的重要依据。经过多年的发展与完善,现已形成独立的调查监测评测体系,但此体系应用的过程中还存在相应问题。

首先,林草监测与林业调查由于经费上的区分,导致此两部分工作相互独立,进而导致监测结果与调查结果较为分散,缺乏明确的监测结果。但在调查监测评价过程中,采用统一的评价指标与评价方法对此结果进行研究,造成评价结果可靠性较低的问题。其次,林草生态综合监测过程需要采用多种监测方法综合处理后得到最终的结果,当前的调查监测评价体系无法对多种监测方法应用效果进行高精度的评估,此问题严重影响了林草生态综合监测技术的应用效果与发展。

1.3 林草融合监测格局尚未成形

自林草生态综合监测工作开展以来,监测机构与人员配置一直存在相应的问题,监测技术、人员配置以及监测设备三方适配度较低[7-8]。与此同时,林草监测与林业调查的独立管理,难免造成管理混乱、监测效果低下的问题。由上述文献结果可以确定,当前林草融合监测布局尚未形成,林草融合监测基础结构布局不合理,整体运行效率较低,不能准确掌握林草监测与林业调查信息。信息的不健全造成了当前科学监测与科学管理发展较慢的问题,严重影响到林草融合监测质量与效率。

2 林草生态综合监测方法

2.1 林草生态数据采集

为获取到更加细致的数据,在此次研究中将采用遥感技术获取目标区域的林草生态数据,从根源提升林草生态综合监测结果质量。

本次研究不对遥感成像采集过程进行研究,仅对图像标定、植被区域划分部分展开设计。在林草生态数据采集的过程中,以遥感图像为主、计算机图像为辅的形式获取目标区域林草图像。获取原始图像后,对其进行标定。假设目标区域的遥感图像信息信号为公式(1):

(1)

在信号中增加最大地表亮度,而后使用Harris角点检测算法[9]完成原始图像的预处理与匹配,将处理后的图像作为3D标定处理的基础。假设处理后图像的透射率为恒定数值,使用滤波器对图像进行降噪,得到投影散斑尺寸信息,并根据此信息得到相关向量。使用小波分解技术,将其分解为正交投影序列,并将图像二维函数h'(x,y)的(o+u)几何矩设定为:

(2)

根据公式(2),对遥感图像汇总的区域块进行标定处理,实现原始图像的校正与分割。而在图像中,划分植被与土地,在此次研究中选择归一化植被指数与比值植被指数同时对图像展开处理,具体计算公式(3)设定如下:

(3)

比值植被指数公式(4):

(4)

式中:a'表示红外光波;a表示近红外光波。整合上述公式,将其应用到原始图像的采集与处理过程中,得到整合后的图像信息备用。

2.2 林草生态环境遥感影像判读

采集到的原始林草生态环境遥感影像无法直接应用到后续的研究中,故而在此环节中通过纹理特征提取与支持向量机算法[10-11],对林草生态环境遥感影像进行判读。

文献研究结果表明,遥感影像具有丰富的纹理特征,假设原始图像a(x,y)的大小设定为M×N,图像中灰度值最大值为H,记录位置(x,y),灰度值i像素到遥感点(x+dx,y+dy)的空间距离为d,方向为δ,则此位置的灰度值联合概率可表示为公式(5):

Qd,δ(i,j)={(x,y),(x+dx,y+dy)∈M×N|a(x,y)=i,a(x+dx,y+dy)=j}

(5)

根据公式(5)得到灰度共生矩阵,在此矩阵的基础上利用C段波,完成纹理特征提取。获取研究区域图像的边缘轮廓信息,具体计算公式(6～8)所示:

(6)

(7)

(8)

式中:W表示纹理规则程度;l表示计算系数;E表示像素值和均值的偏差程度;DIS表示边缘轮廓。通过上述公式,对原始遥感采集结果进行整理,并将其设定为训练集的形式。根据非线性计算公式,将图像判读核函数[12]设定为B(ν|νi),使用正则化系数G降低计算过程中的过度拟合,此时,判读目标函数可表示为公式(9):

(9)

公式(10)约束条件设定如下:

(10)

式中:p表示向量机模型参数最优解。对以上公式进行整合,应用其完成影像判读,为后续研究提供影像信息。

2.3 基于多源遥感技术的林草地图斑监测

在上文中已经对图像的采集与处理部分进行了初步设计,为实现多源遥感技术的应用,本环节将主要对多源遥感技术的数据融合展开设定。对比多种方法后,选择地理加权回归模型完成此部分处理。在原有的地理模型中增加地理位置作为自变量,使用观测值进行距离加权技术,得到林草地图斑真实地理位置与观测点之间的距离函数,完成监测数据分析,见公式(11):

(11)

式中:(zi,νi)表示目标区域第i个样本点的坐标;μ0(zi,νi)表示计算过程中的常数项;μi(zi,νi)表示第i个样本点的回归系数,将其作为地理位置函数;νi表示第i个样本点的随机误差;y'i表示目标区域通过遥感观测到的林草地图斑比例;n表示遥感数据子集个数。采用加权最小二乘法[13-14]对公式(7)进行计算,则有公式(12):

Bt(zi,νi)=(STR(zi,νi)S)-1STR(zi,νi)Y'

(12)

式中:S表示自变量矩阵;ST表示此矩阵的转换值;R(zi,νi)表示空间权重矩阵,此矩阵由空间距离单调递减函数组成。利用双平方距离衰减函数可获取公式(8)中的地理权重,并根据因变量Y'的取值范围,得到最终的林草地图斑监测多元遥感融合结果,此计算过程可表示为公式(13):

(13)

式中:dij表示遥感数据之间的欧式距离;o表示遥感数据采集过程中的最佳带宽。通过公式(13)完成数据的训练与处理,实现林草地图斑监测。

2.4 林草生态监测

在上述遥感图像以及地理信息分析结果的基础上,对目标区域的林草生态情况进行监测。根据当前林草生态监测工作的目标与相关操作标准,使用马尔科夫链矩阵模型对遥感信息展开动态分析。将上文中获取到林草斑块作为基础,得到此次研究中的马尔科夫矩阵模型,如公式(14)[15-16]:

(14)

式中:L表示图斑面积;n表示图斑分类的类型;i,j表示研究过程中的分类次数。通过此矩阵模型对图斑的演变过程进行推论,得到图斑整体变化特征如公式(15)[17]:

(15)

式中:X',Y'表示林草区域图斑中心位置坐标;H'i表示林草区域的斑块面积;n表示图斑分类的类型;N表示遥感影像图斑的总个数。通过公式(15),完成动态分析,将林草生态变化划分为以下几部分:

(1)林/草/湿地界线变化

(16)

式中:q'i0表示初始遥感监测结果;q'i1表示当前遥感监测结果。

(2)植被覆盖率监测

(17)

式中:P'0表示初始植被覆盖率;D'表示遥感采点数量;I'表示总采样数量。

对公式(16)、公式(17)进行整理,得到最终的检测结果并输出。至此,基于地理模型和多源遥感的林草生态综合监测方法设计完成。

3 实验与分析

3.1 研究区域概况分析

为验证文中方法的应用效果,选择山东省日照市莒县作为目标研究区域,使用文中方法对此区域内的林草生态系统进行综合监测。选取莒县某林草区域作为测定区域,降低实验难度,获取此区域的陆地卫星图像,作为此研究的基础。在实验前,对陆地卫星图像的部分信息进行统计分析,以此确保实验结果可靠性,具体数据如表1所示。

表1 2015—2020年日照莒县林草区域陆地卫星图像

根据表1中的数据,对研究区域的遥感影像进行划定与分析。与此同时,对研究区域进行了实地分析,获取了大量的外业调查记录以及图片。其中,样本为650份,样本有效率为99.0%。外业数据主要由GPS获取分析,通过定点的方式核查林草区域现状,并详细记录此区域的高程信息。同时,在上述技术基础上,获取研究区域的其他5套数据库基本信息,具体如表2所示。对上述数据集进行整理后,将其汇总到实验平台中,作为此次实验中的数据基础。

表2 研究区域地表覆盖数据库基本信息

3.2 实验方案

此次实验中,将实验对比指标设定为林草遥感图像总体分类精度以及林草区域变化监测结果精度两部分。在上文中设定的数据内容的基础上,采集了部分遥感图像作为实验对比基础,具体图像如图1所示。

a—2015年遥感图像;b—2020年遥感图像。图1 目标区域遥感图像

将此图像与表1、表2中数据进行融合分析,作为此次实验的数据基础。通过分析上述图像的形式,得到预设实验指标的测定结果。此次实验中,将林草遥感图像总体分类精度指标计算公式设定如公式(18):

(18)

式中:n表示遥感图像中地表类型总数;N表示图像中的总像元个数;ii表示混淆矩阵中的对角线元素;i+表示某一类型的列总和;+i表示某一类型的行总和。在此实验中将此指标的衡量标准设定如公式(19):

(19)

式中:kappa≥0.4表明分类效果一般;kappa≥0.6表示分类效果较好;kappa≥0.8表示分类效果极好。林草区域变化监测结果精度采用多源数据对图1进行图像分析,确定5年间林地的变化情况,图1(a)中区域表示林地面积测量结果。为了提升此次实验的对比性,采用多信息融合检测方法与基础监测方法与文中方法进行对比,完成实验对比分析过程。

3.3 实验结果分析

3.3.1 林草遥感图像总体分类精度实验结果分析

根据图2分析结果可以确定,文中方法的遥感图像处理能力优于其他2种方法。按照公式(19)的衡量标准可以确定,文中方法在分类的过程中可达到极好条件,但其他2种方法仅能得到较好状态,且不同类别图元的分类精度波动较大。

图2 林草遥感图像总体分类精度实验结果

3.3.2 林草区域变化监测结果精度实验结果分析

将图3中内容与图1中内容融合分析可以看出,在指标的实验过程中,文中方法的监测精度明显优于其他2种方法,整体监测区域边缘完整与实际遥感图像一致,其他2种方法的所得结果与图1中遥感图像相差较大。将此结果与表1、表2中数据进行融合分析后,得到监测精度统计结果具体如表3所示。将表3中数据与上文所得实验结果进行融合分析可以确定,文中方法具有较高的监测能力且整体检测精度优于当前方法,文中方法的应用效果优于其他2种方法。