本發明涉及一種融入地學知識的紅樹林分布遙感提取方法，其特征在于，包括以下步驟：1)基于遙感影像選擇不同地類的樣本，將遙感影像進行分割，分割尺度為S，得到分割結果為SLevel，并確定機器學習算法進行分類時使用的特征；……5)將屬于紅樹林地形適宜區的樣本劃分紅樹林和非紅樹林兩類，使用機器學習算法，將屬于SLevel的地形適宜區斑塊分為疑似紅樹林區域和非紅樹林區域，最終將疑似紅樹林區域中與所述的海域不相鄰的斑塊去除，得到紅樹林區域。本發明的紅樹林分布遙感提取方法將紅樹林的水邊線相鄰、海拔和地形起伏低等地學知識，融入到面向對象解譯的多尺度分割與分析之中，并引入機器學習算法，實現紅樹林的高精度自動提取。

技術領域

本發明屬于數字圖像處理技術領域，特別涉及一種融入地學知識的紅樹林分布遙感提取方法。

背景技術

紅樹林是一類以常綠灌木或者喬木組成的耐鹽木本植物群落，是同時擁有陸地和海洋特征的復雜生態系統。它具有多方面的生態系統服務功能，如防風搏浪、固岸護堤、凈化海水、保護耕地、防止侵蝕等功能，對維護和改善海灣、河口地區生態環境具有不可替代的作用。但是氣候變化、海洋環境污染等多方面的影響，紅樹林生長環境遭到嚴重破壞，面積急劇減少，因此加強紅樹林保護、遏制紅樹林面積減少趨勢已經迫在眉睫。但紅樹林生長在地勢開闊平坦的潮間帶淺灘，傳統的實地調查存在費時、費力、觀測尺度小等問題。與現場調查相比，遙感技術在紅樹林監測方面具有省時、省力、觀測范圍廣、信息獲取快等優勢，已成為現今紅樹林監測和管理不可或缺的手段。因此，針對紅樹林的高精度遙感提取是一件非常有意義的工作。

現有紅樹林遙感提取方法沒有充分考慮紅樹林生長的地學知識，導致提取過程復雜，精度較低。具體而言，主要存在以下三個問題：(1)沒有考慮紅樹林在海邊水陸相交區域的特點，或者簡單使用水邊線緩沖區策略進行提取。如果緩沖區設置小，容易遺漏；而設置大，又包含太多非紅樹林(王宗明等.一種基于遙感影像的紅樹林提取方法及系統[P].CN201810775694.4)。這并沒有從實質上利用紅樹林與水邊線的相鄰關系。(2)沒有使用紅樹林生長的地形規律。紅樹林是生長在三角洲灘涂等平緩區域，周期性被水淹沒，其海拔多是在10米以上波動，地形起伏很低。這對于排除非紅樹林區域，提高提取精度具有重要價值。而現有方法中沒有利用這個知識。(宋芳妮等.紅樹林識別方法及系統[P].CN201611178117.4)(3)需要人工設置各個特征的分割閾值，實踐中難以操作。不同區域、不同時間、不同種類，甚至不同遙感傳感器獲取的影像，所需要的分割閾值均不相同。需要耗費大量的人工精力調整閾值，難以推廣至大區域的遙感監測。(王宗明等.一種遙感影像中水陸區域的紅樹林提取方法及系統[P].CN201810775693.X)。

本發明將紅樹林的水邊線相鄰、海拔和地形起伏低等地學知識，融入到面向對象解譯的多尺度分割與分析之中，并引入機器學習算法，有效實現紅樹林的高精度自動提取。

對中外文專利文獻等進行檢索，現有技術中沒有采用這種融入地學知識的紅樹林遙感提取方法。

發明內容

針對上述問題，本發明提出了一種融入地學知識的紅樹林分布遙感提取方法，該方法將紅樹林的水邊線相鄰、海拔和地形起伏低等地學知識，融入到面向對象解譯的多尺度分割與分析之中，并引入機器學習算法，實現紅樹林的高精度自動提取。

本發明的具體技術方案是一種融入地學知識的紅樹林分布遙感提取方法，其特征在于，包括以下步驟：

1)基于遙感影像選擇不同地類的樣本，將遙感影像進行分割，分割尺度為S，得到分割結果為SLevel，并確定機器學習算法進行分類時使用的特征；

2)將樣本劃分為水體和非水體兩類，使用機器學習算法，將按分割尺度為S分割的遙感影像斑塊分為陸域和海域；

3)將陸域進行分割，分割尺度為M，將屬于陸域的樣本劃分植被和非植被兩類，使用機器學習算法，將按分割尺度為M分割的陸域斑塊分為植被區和非植被區；