基于高分辨率遥感图像的地质灾害后植被恢复监测方法与流程

阅读：评论：0

1.本发明涉及植被恢复监测领域，特别涉及一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法。

背景技术：

2.我国地质灾害频发，地质灾害通常会造成生态环境的严重破坏，作为生态环境的核心组成要素的地表植被会首先遭受到非常严重破坏。地表植被作为生态环境的重要指标，监测和评估区域植被恢复情况是灾后重建工作的重点任务之一。传统的植被资源调查主要以人工方式的地面采集为主，存在工作量大、效率低、范围有限、周期长等缺点，难以满足高效长时间跨度的精准植被监测的需求。遥感技术因其宏观性、动态性、重复访问等特点，被广泛应用于植被资源监测中。随着遥感图像分辨率的提高，高分辨率影像因其丰富的地物信息与纯净的光谱特征等优势，被越来越多地应用到植被资源监测中。
3.传统基于像素的分类方法被广泛应用于植被资源监测，但主要是应用于中低空间分辨率多光谱影像，对高空间分辨率的多光谱影像而言存在许多问题，如分类精度低、椒盐噪声明显等。

技术实现要素：

4.本发明提供了一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法，以解决至少一个上述技术问题。
5.为解决上述问题，作为本发明的一个方面，提供了一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法，包括：
6.步骤1，对目标区域的空间分辨率≤10米的多光谱卫星遥感图像进行预处理；
7.步骤2，构建融合型“光谱-植被指数-纹理”特征集以使得每个地物像素点对应于一个不小于50维度的特征向量，作为下述步骤4中模型的输入量；
8.步骤3，在晴朗天气条件下，较为均匀地选取目标区域内的n个典型植被样本地，在进行实地勘测后建立起包含精确地理坐标值的地理勘测数据集，抽取出成像时间距勘测时间最接近的f幅遥感图像作为下述步骤4中的训练和测试数据；
9.步骤4，构建类bagging型集成学习模型；
10.步骤5，利用所述学习模型分析乔木、灌木和草本三类型植被在植被高度、单株植被水平投影覆盖面积、根系深度和根系延展范围上的明显差异；
11.步骤6，通过分析若干连续时相的遥感图像的植被变化率指数和植被类型变化率指数的按时相变化信息，量化分析目标区域植被恢复情况。
12.优选地，步骤1中，多光谱卫星遥感图像包含若干颗遥感卫星所获取的多光谱图像，预处理包括正射校正、几何精校正、辐射定标和大气校正等，经过预处理后的遥感图像包含大气底层反射率数据，能满足精确分析植被特性的需求。
13.优选地，在预处理过程中，可以对遥感图像进行重采样，将各目标波段的空间分辨
率统一重采样到相同尺度，优选地使用最近邻距离算法进行重采样。
14.优选地，步骤2中，该特征集包括光谱特征子集、植被指数特征子集和纹理特征子集，其中，光谱特征子集通过抽取遥感图像中对地表植被敏感的波段而构建，植被指数特征子集通过选择若干个于植被特征相关的指数而构建，纹理特征子集通过对光谱特征子集中的植被反射显著的波段分别使用灰度共生矩阵计算出来的统计量-能量、熵、均匀性、差熵等参数构成核心像素点处的纹理特征子集部分而构建。
15.优选地，光谱特征子集优选地为蓝光、绿光、红光、植被红边和近红外波段构建特征集中的光谱特征子集部分；和/或，植被指数特征子集优选地使用ndvi、dvi、evi、pvi、ctvi、tsavi和rvi构建特征集中的植被指数特征子集部分；和/或，纹理特征子集优先地分析方向分别取0
°
、45
°
、90
°
三个方向。
16.优选地，步骤3中，样地的数量n不小于步骤2中特征向量维度数的两倍值，遥感图像优选地以勘测时间为中点前后各5幅，按照精确地理坐标值在每景遥感图像中拾取n个k*k像素尺寸的roi，共计获取f*n个roi，共含f*n*k*k个带标签的像素点的特征向量样本数据。
17.优选地，步骤4中，学习模型包括若干个神经网络子分类器和若干个svm子分类器及一个邻域型结合策略的输出单元；其中，
18.神经网络分类器彼此间在结构上存在差异，其隐层数和神经节点数均不相同，且各自独立使用不相同的训练集和测试集进行模型训练，通过训练后使得每个神经网络分类器的总体分类精度和kappa系数优于85％和0.85；
19.svm分类器彼此间在结构上存在差异，是基于不同核函数的svm分类器或基于不同核函数的lssvm分类器，各自独立使用不相同的训练集和测试集进行模型训练，通过训练后使得每个svm分类器的总体分类精度和kappa系数优于80％和0.85，子分类器并行独立工作，并将其分类结果输入到一个邻域型结合策略的输出单元中；
20.领域型结合策略为：如果子分类器的输出的地物类型不多于两类且占优地物类的比例不低于阈值时占优地物类别为该点处的地物类别；否则认为该点处的像素点处的混合像元现象明显，取k*k像素得领域，按照去心领域内某类别地物的含量乘以某类别地物在该核心像素点的多个分类器输出中的含量得到某类别在该核心像素点中的含量。
21.优选地，步骤5包括：
22.(1)对每个类型的植被设定对应的植被影响因子，通过下述公式确定植被状况指数：
23.vci＝αa*c
arbor
+αs*c
shrub
+αh*c
herbal
24.其中：αa、αs、αh分别为乔木、灌木和草本类型的植被影响因子，根据植被对环境影响情况合理设置植被影响因子αa、αs、αh的取值，一般地可以分别设置为10、5、2；c
arbor
、c
shrub
、c
herbal
分别为乔木、灌木和草本类型植被在研究区的植被覆盖度；
25.(2)通过植被变化率指数量化植被变化情况：
26.vcr＝vci
new
/vci
stadndard
27.其中：vci
new
为地震发生后的某景遥感图像的植被状况指数；vci
standard
为地质灾害发生前遥感图像的植被状况指数；vcr为植被变化率指数，其值小于1时表明研究区出现植被损坏情况，其值大于1时表明研究区植被比之前更繁茂；
vegetation index，转换的土壤调节植被指数)和rvi(ratio vegetation index，比值植被指数)构建特征集中的植被指数特征子集部分。纹理特征子集的构建：对光谱特征子集中的植被反射显著的波段分别使用灰度共生矩阵计算出来的统计量-能量、熵、均匀性、差熵等参数构成核心像素点处的纹理特征子集部分，优先地，分析方向分别取0
°
、45
°
、90
°
三个方向。通过上述方法构建“光谱-植被指数-纹理”特征集，使得每个地物像素点对应于一个不小于50维度的特征向量，作为步骤(4)中模型的输入量。
40.(3)在晴朗天气条件下，较为均匀地选取目标区域内的n个典型植被样本地，一般地，样地的数量n不小于步骤2中特征向量维度数的两倍值。进行实地勘测后建立起包含精确地理坐标值的地理勘测数据集。抽取出成像时间距勘测时间最接近的f幅遥感图像，优选地以勘测时间为中点前后各5幅；按照精确地理坐标值在每景遥感图像中拾取n个k*k像素尺寸的roi(感兴趣区域)，共计获取f*n个roi，共含f*n*k*k个带标签的像素点的特征向量样本数据，作为步骤(4)中的训练和测试数据。
41.(4)构建类bagging型集成学习模型，该模型包含若干个神经网络子分类器和若干个svm子分类器及一个邻域型结合策略的输出单元。所述的神经网络分类器彼此间在结构上存在差异，其隐层数和神经节点数均不相同，且各自独立使用不相同的训练集和测试集进行模型训练，通过训练后使得每个神经网络分类器的总体分类精度(overall accuracy)和kappa系数优于85％和0.85。所述的svm分类器彼此间在结构上存在差异，是基于不同核函数的svm分类器或基于不同核函数的lssvm分类器，各自独立使用不相同的训练集和测试集进行模型训练，通过训练后使得每个svm分类器的总体分类精度和kappa系数优于80％和0.85。子分类器并行独立工作，并将其分类结果输入到一个邻域型结合策略的输出单元中。所述的领域型结合策略为：如果子分类器的输出的地物类型不多于两类且占优地物类的比例不低于阈值时(一般为85％)占优地物类别为该点处的地物类别(认为该像素点处的混合像元现象不明显)；否则认为该点处的像素点处的混合像元现象明显，取k*k像素得领域(一般地，k＝3)，按照去心领域内某类别地物的含量乘以某类别地物在该核心像素点的多个分类器输出中的含量得到某类别在该核心像素点中的含量。
42.(5)乔木、灌木和草本三类型植被在植被高度、单株植被水平投影覆盖面积、根系深度和根系延展范围上具有明显的差异，分析研究它们对环境影响的显著程度存在差异，需要对每个类型的植被设定对应的植被影响因子，本发明设计了如下公式确定植被状况指数(vci,vegetaion condition index)：
43.vci＝αa*c
arbor
+αs*c
shrub
+αh*c
herbal
44.其中：αa、αs、αh分别为乔木、灌木和草本类型的植被影响因子，根据植被对环境影响情况合理设置植被影响因子αa、αs、αh的取值，一般地可以分别设置为10、5、2；c
arbor
、c
shrub
、c
herbal
分别为乔木、灌木和草本类型植被在研究区的植被覆盖度(按遥感图像的像素占比方式计算)。为了量化植被变化情况，我们引入了植被变化率(vcr,vegetaion change rate)指数：
45.vcr＝vci
new
/vci
standard
46.其中：vci
new
为地震发生后的某景遥感图像的植被状况指数；vci
standard
为地质灾害发生前遥感图像的植被状况指数；vcr为植被变化率指数，其值小于1时表明研究区出现植被损坏情况，其值大于1时表明研究区植被比之前更繁茂。通过植被变化率指数可以分析出
研究区域的植被变化情况。为了进一步量化某种类型植被变化情况，本发明设计了植被类型变化率(scr,species change rate)指数：
47.scr＝c
species_new
/c
species_andard
48.其中：c
species_new
为地质灾害发生后的某景遥感图像中某类型植被在研究区的植被覆盖度；c
species_standard
为地质灾害发生前遥感图像的某类型植被在研究区的植被覆盖度；scr为植被类型变化率指数，其值小于1时表明某类型的植被出现损坏情况，其值大于1时表明某类型的植被比之前更繁茂。通过植被变化率指数可以分析出某类型的植被的变化情况。
49.(6)通过分析若干连续时相的遥感图像的植被变化率指数和植被类型变化率指数的按时相变化信息，可以量化分析目标区域植被恢复情况。
50.下面，以一个优选的实施例，对本发明进行进一步说明。
51.欧洲航天局仅发布了哨兵2号的l1c级多光谱数据，sentinel-2l1c级产品是经过正射校正和几何精校正的大气表观反射率产品，该类型产品的空间分辨能力达到了精确分析地物空间分布的要求；但该类型产品没有进行辐射定标和大气校正，不能满足精确分析植被的需求，因此需要对该产品进行精确的辐射定标和大气校正。我们使用sen2cor软件对l1c级的数据进行数据预处理，得到经过精确辐射定标和大气校正的l2a级的大气底层反射率数据(bottom-of-atmosphere corrected reflectance)，能满足精确分析植被特性的需求。为了提升后继分析的精度，对获得的l2a级遥感数据按照最近邻距离算法进行重采样，将各个感兴趣波段的空间分辨率统一重采样为10m，获得10m分辨率的遥感图像。然后，使用envi软件常用的方法是按照行九寨沟景区的行政区划边界进行遥感图像的裁剪，将目标研究区域以外的数据去除掉以提升数据处理和分析的效率，获得最终研究区域遥感图像。
52.按照逐步逐层解译的原则，首先构建起用于地物分类的特征集，根据不同的感兴趣目标地物的ndvi特征，先将地物初步分类为植被、水体和裸土等三大类，然后使用机器学习算法将植被精确细分为乔木、灌木和草本三个子类别，继而进行后续研究。
53.特征集包括了三个主要的特征子集：光谱特征子集、植被指数特征子集和纹理特征子集。特征集的构建：(1)抽取最终研究区域遥感图像中的b2(蓝光，490nm)、b3(绿光，560nm)、b4(红光，665nm)、b5(植被红边1，705nm)、b6(植被红边2，740nm)、b7(植被红边3，705nm)、b8(近红外，842nm)、b8a(植被红边4，842nm)、b11(swir1，705nm)和b12(swir2，842nm)构建特征集中的光谱特征子集部分；(2)使用ndvi(normalized difference vegetation index,归一化植被指数)、dvi(difference vegetation index,差值环境植被指数)、evi(enhanced vegetation index，增强型植被指数)、pvi(perpendicular vegetation index,垂直植被指数)、ctvi(corrected transformed vegetation index,修正植被指数)、tsavi(transformed soil adjusted vegetation index，转换的土壤调节植被指数)和rvi(ratio vegetation index，比值植被指数)构建特征集中的植被指数特征子集部分；(3)对光谱特征子集中的b2、b3、b4、b6波段分别使用灰度共生矩阵(窗口尺寸分析取5x5；方向分别取0
°
、45
°
、90
°
三个方向)计算出来的统计量：能量、熵、均匀性、差熵等参数构成核心像素点处的纹理特征子集部分。通过构建“光谱-植被指数-纹理”特征集，使得每个地物像素点对应于一个54维度的特征向量。
54.使用ndvi系数值为规则制作遥感图像的植被掩膜(ndvi》0.035视为植被类型地
物)，将遥感影像的植被区域提取出来，聚焦植被细分类。
55.于7月中旬(研究区域植被生长旺盛且该时间段气象条件较好，利于获取无云遮掩的有效遥感数据)，在核心研究区域较为均匀地选取典型植被样本地(乔木样本地50个，灌木样本地50个，草本样本地50个)，建立起包含精确地理坐标值的地理勘测数据集。抽取出成像时间距勘测时间最接近的10幅遥感图像(以勘测时间为中点，前后各5幅)，按照精确地理坐标值在每景遥感图像中拾取150个5x5像素尺寸的roi(感兴趣区域)，共计获取1500个roi，内含27500个带标签的像素点样本数据。获取带标签的像素点样本数据后，每次制作训练集和测试集时：按照随机抽样方法抽取70％的带标签样本数据作为训练集，余下的30％带标签样本数据作为测试集。
56.使用类bagging型集成学习模型进行植被细分类，该模型包含三个神经网络分类器和两个svm分类器及一个领域型结合策略的输出单元。三个神经网络分类器在结构上存在差异，其隐层数和神经节点数均不相同，且各自独立使用不相同的训练集和测试集进行模型训练；通过训练后使得每个神经网络分类器的总体分类精度(overall accuracy)和kappa系数优于98％和0.92。两个svm分类器分别是基于径向基(rfb)核函数的svm分类器和基于拉普拉斯核函数的lssvm分类器，各自独立使用不相同的训练集和测试集进行模型训练；通过训练后使得每个svm分类器的总体分类精度(overall accuracy)和kappa系数优于97％和0.92。5个分类器并行独立工作：如果其输出结果不多于两类且占优子类的比例不低于4/5时，占优子类别为该点处的植被子类型(认为该像素点处的混合像元现象不明显)；非上述情况时，认为该点处的像素点处的混合像元现象明显，按照3x3像素取领域，按照领域内某类别的含量乘以某类别在多个分类器输出中的含量得到某类别在该像素中的含量。通过该型集成学习模型可以实现每景研究区域遥感图像的植被精细分类。
57.乔木、灌木和草本三类型植被在植被高度、单株植被水平投影覆盖面积、根系深度和根系延展范围上具有明显的差异，分析研究它们对环境影响的显著程度存在差异，需要对每个类型的植被设定对应的植被影响因子，并按照如下公式确定植被状况指数(vci,vegetaion condition index)：
58.vci＝αa*c
arbor
+αs*c
shrub
+αh*c
herbal
59.其中：αa、αs、αh分别为乔木、灌木和草本类型的植被影响因子，根据植被对环境影响情况的相关文献资料并结合九寨景区的优势植被种类情况，植被影响因子αa、αs、αh的取值分别为10、5、2；c
arbor
、c
shrub
、c
herbal
分别为乔木、灌木和草本类型植被在研究区的植被覆盖度(按遥感图像的像素占比方式计算)。为了量化植被变化情况，我们引入了植被变化率(vcr,vegetaion change rate)指数：
60.vcr＝vci
new
/vci
standard
61.其中：vci
new
为地震发生后的某景遥感图像的植被状况指数；vci
standard
为地震发生当日的震前遥感图像的植被状况指数(地震发生的当天：11：53时，哨兵-2号卫星过境九寨沟景区上空获取了成像情况良好的无云遥感图像；21:19时，发生地震)；vcr为植被变化率指数，其值小于1时表明研究区出现植被损坏情况，其值大于1时表明研究区植被比之前更繁茂。通过植被变化率指数可以分析出研究区域的植被变化情况。为了进一步量化某种类型植被变化情况，我们引入了植被类型变化率(scr,species change rate)指数：
62.scr＝c
species_new
/c
species_standard
63.其中：c
species_new
为地震发生后的某景遥感图像中某类型植被在研究区的植被覆盖度；c
species_standard
为地震发生当日的震前遥感图像的某类型植被在研究区的植被覆盖度；scr为植被类型变化率指数，其值小于1时表明某类型的植被出现损坏情况，其值大于1时表明某类型的植被比之前更繁茂。通过植被变化率指数可以分析出某类型的植被的变化情况。
64.由于采用了上述技术方案，本发明具有以下创新之处：
65.(1)克服传统的按像素分类方法精度低的缺点。
66.在高空间分辨率的遥感图像中，同物异谱和异物同谱现象尤为显著，这导致传统的按像素光谱信息进行地物分类的方法在此场景下分类精度较低，达不到精确量化分析的要求。本发明通过构建“光谱-植被指数-纹理”特征集，将核心像素的光谱信息、多波段间的非线性关联信息和该核心像素一定领域范围内的纹理信息有机地融合起来，结合后继的类bagging型集成学习模型可以切实有效地提升了按像素分类方法精度。
67.(2)克服传统的按像素分类方法难以定量分类的缺点
68.传统的遥感分类器只能给出非此即彼的独占分类结果，即某像元仅能属于某一类地物。而实际地物分布情况导致混合像元现象普遍存在，按照独占分类结果进行目标区域植被分析，往往会导致较大的误差。本发明设计出一种包含若干个神经网络子分类器和若干个svm子分类器及一个邻域型结合策略的输出单元的模型，该模型实现了精确的单像素的按比例式地物分类。大幅度提升目标区域植被量化分析的精准度。
69.(3)大幅降低监测和评估区域植被恢复情况的成本
70.传统的植被资源调查主要以人工方式的地面采集为主，存在工作量大、效率低、范围有限、周期长等缺点，难以满足高效长时间跨度的精准植被监测的需求。本发明充分利用遥感技术宏观性、动态性、重复访问等特点降低环境调查的成本，而且发明特别适用于免费开源型的高空间分辨率遥感图像应用场景，更能大幅度降低长期精准监测的成本。
71.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，包括：步骤1，对目标区域的空间分辨率≤10米的多光谱卫星遥感图像进行预处理；步骤2，构建融合型“光谱-植被指数-纹理”特征集以使得每个地物像素点对应于一个不小于50维度的特征向量，作为下述步骤4中模型的输入量；步骤3，在晴朗天气条件下，较为均匀地选取目标区域内的n个典型植被样本地，在进行实地勘测后建立起包含精确地理坐标值的地理勘测数据集，抽取出成像时间距勘测时间最接近的f幅遥感图像作为下述步骤4中的训练和测试数据；步骤4，构建类bagging型集成学习模型；步骤5，利用所述学习模型分析乔木、灌木和草本三类型植被在植被高度、单株植被水平投影覆盖面积、根系深度和根系延展范围上的明显差异；步骤6，通过分析若干连续时相的遥感图像的植被变化率指数和植被类型变化率指数的按时相变化信息，量化分析目标区域植被恢复情况。2.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，步骤1中，多光谱卫星遥感图像包含若干颗遥感卫星所获取的多光谱图像，预处理包括正射校正、几何精校正、辐射定标和大气校正等，经过预处理后的遥感图像包含大气底层反射率数据，能满足精确分析植被特性的需求。3.根据权利要求2所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，在预处理过程中，可以对遥感图像进行重采样，将各目标波段的空间分辨率统一重采样到相同尺度，优选地使用最近邻距离算法进行重采样。4.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，步骤2中，该特征集包括光谱特征子集、植被指数特征子集和纹理特征子集，其中，光谱特征子集通过抽取遥感图像中对地表植被敏感的波段而构建，植被指数特征子集通过选择若干个于植被特征相关的指数而构建，纹理特征子集通过对光谱特征子集中的植被反射显著的波段分别使用灰度共生矩阵计算出来的统计量-能量、熵、均匀性、差熵等参数构成核心像素点处的纹理特征子集部分而构建。5.根据权利要求4所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，光谱特征子集优选地为蓝光、绿光、红光、植被红边和近红外波段构建特征集中的光谱特征子集部分；和/或，植被指数特征子集优选地使用ndvi、dvi、evi、pvi、ctvi、tsavi和rvi构建特征集中的植被指数特征子集部分；和/或，纹理特征子集优先地分析方向分别取0
°
、45
°
、90
°
三个方向。6.根据权利要求4所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，步骤3中，样地的数量n不小于步骤2中特征向量维度数的两倍值，遥感图像优选地以勘测时间为中点前后各5幅，按照精确地理坐标值在每景遥感图像中拾取n个k*k像素尺寸的roi，共计获取f*n个roi，共含f*n*k*k个带标签的像素点的特征向量样本数据。7.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，步骤4中，学习模型包括若干个神经网络子分类器和若干个svm子分类器及一个邻域型结合策略的输出单元；其中，神经网络分类器彼此间在结构上存在差异，其隐层数和神经节点数均不相同，且各自独立使用不相同的训练集和测试集进行模型训练，通过训练后使得每个神经网络分类器的
总体分类精度和kappa系数优于85％和0.85svm分类器彼此间在结构上存在差异，是基于不同核函数的svm分类器或基于不同核函数的lssvm分类器，各自独立使用不相同的训练集和测试集进行模型训练，通过训练后使得每个svm分类器的总体分类精度和kappa系数优于80％和0.85，子分类器并行独立工作，并将其分类结果输入到一个邻域型结合策略的输出单元中；领域型结合策略为：如果子分类器的输出的地物类型不多于两类且占优地物类的比例不低于阈值时占优地物类别为该点处的地物类别；否则认为该点处的像素点处的混合像元现象明显，取k*k像素得领域，按照去心领域内某类别地物的含量乘以某类别地物在该核心像素点的多个分类器输出中的含量得到某类别在该核心像素点中的含量。8.根据权利要求1所述的基于高分辨率遥感图像的地质灾害后植被恢复监测方法，其特征在于，步骤5包括：(1)对每个类型的植被设定对应的植被影响因子，通过下述公式确定植被状况指数：vci＝α
a
*c
arbor
+α
s
*c
shrub
+α
h
*c
herbal
其中：α
a
、α
s
、α
h
分别为乔木、灌木和草本类型的植被影响因子，根据植被对环境影响情况合理设置植被影响因子α
a
、α
s
、α
h
的取值，一般地可以分别设置为10、5、2；c
arbor
、c
shrub
、c
herbal
分别为乔木、灌木和草本类型植被在研究区的植被覆盖度；(2)通过植被变化率指数量化植被变化情况：vcr＝vci
new
/vci
standard
其中：vci
new
为地震发生后的某景遥感图像的植被状况指数；vci
standard
为地质灾害发生前遥感图像的植被状况指数；vcr为植被变化率指数，其值小于1时表明研究区出现植被损坏情况，其值大于1时表明研究区植被比之前更繁茂；(3)通过植被类型变化率指数量化某种类型植被变化情况：scr＝c
species_new
/c
species_standard
其中：c
species_new
为地质灾害发生后的某景遥感图像中某类型植被在研究区的植被覆盖度；c
species_standard
为地质灾害发生前遥感图像的某类型植被在研究区的植被覆盖度；scr为植被类型变化率指数，其值小于1时表明某类型的植被出现损坏情况，其值大于1时表明某类型的植被比之前更繁茂。

技术总结

本发明提供了一种基于高分辨率遥感图像的地质灾害后植被恢复监测方法，包括：构建融合型“光谱-植被指数-纹理”特征集；在晴朗天气条件下，较为均匀地选取目标区域内的n个典型植被样本地；构建类bagging型集成学习模型；分析乔木、灌木和草本三类型植被在植被高度、单株植被水平投影覆盖面积、根系深度和根系延展范围上的明显差异；通过分析若干连续时相的遥感图像的植被变化率指数和植被类型变化率指数的按时相变化信息，量化分析目标区域植被恢复情况，因而有效地提升了按像素分类方法精度，大幅度提升目标区域植被量化分析的精准度，更能大幅度降低长期精准监测的成本。更能大幅度降低长期精准监测的成本。