1.本发明涉及遥感技术领域，具体涉及一种草地植被盖度遥感反演方法。
背景技术：2.植被盖度可定义为单位面积内植被的垂直投影面积，是衡量地表植被覆盖水平的一个最重要的指标，在土地沙漠化评价水土流失监测和分布式水文模型中，都将植被盖度作为重要的输入参数。植被盖度测量的传统方法是地面测量，最常用的方法有目估法、样方法、样带法、样点法等以及借助于采样仪器的测量方法，如空间定量计、移动光量计等，这些方法虽然提高了测量的精度，但野外操作不便，成本较高，难以在大范围内快速提取植被盖度，尤其是大面积的草地区域。随着遥感技术的发展，可以从多时相、多波段遥感信息中提取草地植被覆盖状况，为大面积提取植被盖度提供了强有力的手段。
技术实现要素：3.本发明的目的在于提供一种草地植被盖度遥感反演方法，其解决了现有植被盖度测量方式存在的精度较低、操作不变等缺陷。
4.本发明通过以下技术方案来实现上述目的：
5.一种草地植被盖度遥感反演方法，步骤包括：
6.s1、采集草地研究区的气象数据；
7.s2、获取草地研究区的卫星遥感图像，并进行预处理；
8.s3、对长时间序列的遥感短波红外反射率数据的解译，并得到反射率数据；
9.s4、存储所述气象数据、卫星遥感图像以及反射率数据，作为样本数据；
10.s5、基于所述样本数据，并利用多种机器学习模型分别对植被盖度进行估算，得到各植被盖度估算模型，然后计算各植被盖度估算模型的精度，并选择精度最高的模型作为草地研究区植被盖度的遥感反演模型；
11.s6、将样本数据进行数据分类并上传至所述遥感反演模型进行训练，训练后对遥感反演模型进行参数优化以及保存；
12.s7、利用所保存的遥感反演模型，根据新输入的气象数据、卫星遥感图像以及反射率数据，对草地研究区的卫星遥感图像进行遥感反演，得到草地研究区的植被覆盖度数据；
13.s8、显示所述植被覆盖度数据。
14.进一步改进在于，步骤s1中，所述气象数据包括空气温度数据、相对湿度数据和大气压强数据。
15.进一步改进在于，步骤s2中，所述卫星遥感图像是通过landsat 8、asterterra/aqua modis、sentinel 3中任一卫星遥感数据获取。
16.进一步改进在于，步骤s2中，所述预处理包括几何校正处理、辐射校正处理和大气校正处理。
17.进一步改进在于，步骤s4中，所述多种机器学习模型包括偏最小二乘机器学习模
型、极限学习机机器学习模型、随机森林机器学习模型与高斯过程机器学习模型。
18.进一步改进在于，步骤s4中，计算各植被盖度估算模型的精度，并选择精度最高的模型的具体操作为：
19.s4-1、随机选取所述样本数据中的20％样本作为验证样本；
20.s4-2、针对各植被盖度估算模型，根据不同模型计算各个所述验证样本中对应的预测值；
21.s4-3、将所述预测值和所述预测值对应的实测数据进行比对，根据数据接近程度确定该反演模型对应的精度；
22.s4-4、选择精度最高的反演模型作为遥感反演模型。
23.进一步改进在于，步骤s6中，随机选取样本数据中的80％样本作为训练样本，将训练样本进行数据分类并上传至所述遥感反演模型进行训练。
24.本发明的有益效果在于：本发明将气象数据、卫星遥感图像以及反射率数据相结合，数据选择区域范围广，十分适合大面积草地区域；利用多种机器学习模型进行估算，得到精度最高的遥感反演模型，同时不断进行模型训练验证，使得反演结果更加准确，又具有输入参数少、简单、灵活、易于操作等优点。
附图说明
25.图1为草地植被盖度遥感反演方法的示意图。
具体实施方式
26.下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
27.如图1所示，一种草地植被盖度遥感反演方法，步骤包括：
28.s1、采集草地研究区的气象数据，气象数据包括空气温度数据、相对湿度数据和大气压强数据，气象因素的引入有助于在模型训练中增加一项可调整参数，使模型更加优化；
29.s2、通过landsat 8、asterterra/aqua modis、sentinel 3中任一卫星遥感数据，获取草地研究区的卫星遥感图像，并进行预处理，包括几何校正处理、辐射校正处理和大气校正处理等；
30.s3、对长时间序列的遥感短波红外反射率数据的解译，并得到反射率数据；
31.s4、存储所述气象数据、卫星遥感图像以及反射率数据，作为样本数据；
32.s5、基于所述样本数据，并利用多种机器学习模型分别对植被盖度进行估算，得到各植被盖度估算模型，然后计算各植被盖度估算模型的精度，并选择精度最高的模型作为草地研究区植被盖度的遥感反演模型；
33.其中，多种机器学习模型包括偏最小二乘机器学习模型、极限学习机机器学习模型、随机森林机器学习模型与高斯过程机器学习模型。
34.s6、将样本数据进行数据分类并上传至所述遥感反演模型进行训练，训练后对遥感反演模型进行参数优化以及保存；
35.s7、利用所保存的遥感反演模型，根据新输入的气象数据、卫星遥感图像以及反射
率数据，对草地研究区的卫星遥感图像进行遥感反演，得到草地研究区的植被覆盖度数据；
36.s8、显示所述植被覆盖度数据。
37.本发明步骤s4中，计算各植被盖度估算模型的精度，并选择精度最高的模型的具体操作为：
38.s4-1、随机选取所述样本数据中的20％样本作为验证样本；
39.s4-2、针对各植被盖度估算模型，根据不同模型计算各个所述验证样本中对应的预测值；
40.s4-3、将所述预测值和所述预测值对应的实测数据进行比对，根据数据接近程度确定该反演模型对应的精度；
41.s4-4、选择精度最高的反演模型作为遥感反演模型。
42.另外，随机选取样本数据中的80％样本作为训练样本，将训练样本进行数据分类并上传至所述遥感反演模型进行训练。
43.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
技术特征：1.一种草地植被盖度遥感反演方法，其特征在于，步骤包括：s1、采集草地研究区的气象数据；s2、获取草地研究区的卫星遥感图像，并进行预处理；s3、对长时间序列的遥感短波红外反射率数据的解译，并得到反射率数据；s4、存储所述气象数据、卫星遥感图像以及反射率数据，作为样本数据；s5、基于所述样本数据，并利用多种机器学习模型分别对植被盖度进行估算，得到各植被盖度估算模型，然后计算各植被盖度估算模型的精度，并选择精度最高的模型作为草地研究区植被盖度的遥感反演模型；s6、将样本数据进行数据分类并上传至所述遥感反演模型进行训练，训练后对遥感反演模型进行参数优化以及保存；s7、利用所保存的遥感反演模型，根据新输入的气象数据、卫星遥感图像以及反射率数据，对草地研究区的卫星遥感图像进行遥感反演，得到草地研究区的植被覆盖度数据；s8、显示所述植被覆盖度数据。2.根据权利要求1所述的一种草地植被盖度遥感反演方法，其特征在于，步骤s1中，所述气象数据包括空气温度数据、相对湿度数据和大气压强数据。3.根据权利要求1所述的一种草地植被盖度遥感反演方法，其特征在于，步骤s2中，所述卫星遥感图像是通过landsat 8、asterterra/aqua modis、sentinel 3中任一卫星遥感数据获取。4.根据权利要求1所述的一种草地植被盖度遥感反演方法，其特征在于，步骤s2中，所述预处理包括几何校正处理、辐射校正处理和大气校正处理。5.根据权利要求1所述的一种草地植被盖度遥感反演方法，其特征在于，步骤s4中，所述多种机器学习模型包括偏最小二乘机器学习模型、极限学习机机器学习模型、随机森林机器学习模型与高斯过程机器学习模型。6.根据权利要求1所述的一种草地植被盖度遥感反演方法，其特征在于，步骤s4中，计算各植被盖度估算模型的精度，并选择精度最高的模型的具体操作为：s4-1、随机选取所述样本数据中的20％样本作为验证样本；s4-2、针对各植被盖度估算模型，根据不同模型计算各个所述验证样本中对应的预测值；s4-3、将所述预测值和所述预测值对应的实测数据进行比对，根据数据接近程度确定该反演模型对应的精度；s4-4、选择精度最高的反演模型作为遥感反演模型。7.根据权利要求6所述的一种草地植被盖度遥感反演方法，其特征在于，步骤s6中，随机选取样本数据中的80％样本作为训练样本，将训练样本进行数据分类并上传至所述遥感反演模型进行训练。
技术总结本发明公开了一种草地植被盖度遥感反演方法，步骤包括：获取草地研究区的气象数据、卫星遥感图像和反射率数据作为样本数据；利用多种机器学习模型分别对植被盖度进行估算，得到各植被盖度估算模型，并选择精度最高的模型作为草地研究区植被盖度的遥感反演模型；将样本数据进行数据分类并上传至所述遥感反演模型进行训练，训练后对遥感反演模型进行参数优化以及保存；利用所保存的遥感反演模型，根据新输入的气象数据、卫星遥感图像以及反射率数据，对草地研究区的卫星遥感图像进行遥感反演，得到草地研究区的植被覆盖度数据。本发明具有数据选择区域范围广、反演结果准确、输入参数少、简单灵活、易于操作等优点。易于操作等优点。易于操作等优点。
技术研发人员：杜金鸿 冯春婷 王伟
受保护的技术使用者：中国环境科学研究院
技术研发日：2022.04.07
技术公布日：2022/7/5
