本技术提供了一种基于历史样本迁移的森林类型遥感分类方法,属于森林监测领域。所述方法首先确定监测区域、历史年份及目标年份,获取相应的样本点,再获取历史样本点的长时序多源遥感数据并表征森林生长演替特征,再判断森林类型是否发生更替,将未发生更替的样本数据迁移至目标年份;利用目标年份的多源遥感数据提取与遥感分类相关的分类特征;同时将监测区域划分为多个植物区系,从相关的分类特征中选取各个植物区系的最优分类特征;最后基于最优分类特征和迁移的未发生更替的历史林业实地调查样本点数据,对每个植物区系的森林类型分类。本发明增加了目标年份的样本数量,提高了小样本条件下的山区森林类型遥感分类的准确性。
背景技术
山区森林类型种类丰富,是生态安全屏障的主体、自然资源的重要蕴藏区和生物多样性的宝库。准确的山区森林类型分类和制图对于森林资源可持续管理、生物多样性保护和生态系统服务评价等具有重要的科学意义。传统的山区森林类型分类依靠实地调查数据;随着卫星遥感技术的发展,因其覆盖范围广、重访周期短和数据获取成本低等优势,已成为山区森林类型制图的主要手段。
近年来,通过遥感技术对山区森林进行分类,一般采用传统机器学习和深度学习等方法。但这类方法的分类精度严重依赖于真实样本的质量与数量。山区地形条件复杂、环境因素多变且交通通达较低,往往难以获取大量的林业实地调查样本,导致上述方法在山区森林类型遥感分类中普遍存在分类精度低和可信度空间差异较大等问题。
现有技术中,一般通过将历史林业实地调查样本迁移至目标年份的方式,来扩充样本数量,从而提高遥感分类的精度。历年国家林业实地调查数据包含大量的历史已知样本,若能将这些样本信息迁移至目标年份以扩充样本数量,将从根本上解决山区森林类型遥感分类中面临的小样本问题。但是,现有的样本迁移方法尚不成熟,迁移效率低,质量差,仍然无法有效提高森林类型遥感分类的精度和准确度。
实现思路