(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211188122.9 (22)申请日 2022.09.28 (71)申请人 桂林理工大 学 地址 541000 广西壮 族自治区桂林市事业 单位登记管理局 (72)发明人 付波霖　姚航　李雨阳　何旭　 孙军　范冬林　 (74)专利代理 机构 深圳市知太 狼知识产权代理 有限公司 4 4915 专利代理师 高晓倩 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/80(2022.01) G06V 10/30(2022.01) (54)发明名称 一种融合多种变化检测算法的红树林动态 监测方法 (57)摘要 本发明公开了一种融合多种变化检测算法 的红树林动态 监测方法， 该方法基于多元光谱指 数和年际时间序列， 无需训练样本， 可绘制历年 生长红树林的区域； 通过评估多个光谱指数检测 红树林扩张的适用性， 筛选出最优指数， 提高了 变化检测算法监测红树林动态变化的能力； 通过 融合7种变化检测算法提出了检测红树林历史扩 张、 监测其近实时变化和预测其未来发展趋势的 方法， 并在像点尺度和区域尺度上综合分析红树 林的变化， 更清晰地揭示了红树林的时空变化规 律。 权利要求书5页 说明书12页 附图3页 CN 115512223 A 2022.12.23 CN 115512223 A 1.一种融合多种变化检测算法的红树林动态监测方法， 其特 征在于包括如下步骤： 步骤(1)： 遥感影 像预处理； 基于Google  Earth Engine平台， 对Sentinel ‑2和Landsat  5/7/8影像进行辐射归一化 处理， 再对云、 雪和阴影进行掩膜； 步骤(2)： 计算 光谱指数； 计算辅助提取红树林生长区域的光谱指数以及用于检测红树林动态变化的光谱指数； 步骤(3)： 重构光谱指数时间序列； 使用最大值光谱指数合成(XSIC)、 中值光谱指数合成(DSIC)和均值光谱指数合成 (ASIC)的方法生成三种年际时间序列影 像； 步骤(4)： 提取每年潜在的红树林并去噪； 基于Sentinel ‑2和Landsat 5/7/8影像利用红树林植被指数(MVI)时间序列数据提取 潜在的红树林区域， 同时使用归一化水体指数(NDWI)时间序列数据和DEM剔除提取的区域 中被错误识别的陆地沼泽区域； 步骤(5)： 绘制红树林区域； 分别堆叠基于Landsat  5/7/8和Sentinel ‑2影像提取的研究区各年潜在的红树林区 域， 统计每个区域被识别为红树林的次数， 且识别次数大于阈值的区域被确认为最终的红 树林生长区域； 步骤(6)： 评估红树林的提取精度； 步骤(7)： 获取最优光谱指数； 对比不同光谱指数的最优检测信息是否反映研究区红树林真实的变化一致来评估最 优指数， 红树林的真实变化以历史的原 始影像为依据； 步骤(8)： 检测红树林历史的扩张； 使用LandTrendr算法和Man n‑Kendall突变检验检测大 范围区域红树林的扩张变化； 步骤(9)： 确定稳定的历史周期和开始监测的时间； 根据历史检测获得的研究区知识， 选择扩张时期较早的区域， 并根据这些区域扩张时 刻确定开始监测的时间； 步骤(10)： 监测红树林近实时变化； 使用BFAST  Monitor算法监测生长稳定 的红树林区域， 并将开始监测的时间设置在新 观测数据时间的一 年以内， 对步骤(9)中选择的红树林区域进行近实时的监测； 步骤(11)： 确定预测周期； 步骤(12)： 预测红树林 未来的趋势变化； 基于预测时期利用Mann ‑Kendall显著性检验、 Theil ‑Sen Median方法和Hurst指数获 取红树林在预测时期的显著性、 趋势斜 率和持续 程度预测红树林的未来发展趋势。 2.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法， 其特征在于 所述步骤(3)中， 使用最大值光谱指数合成、 中值光谱指数合 成和均值光谱指数合 成的方法 生成三种年际时间序列影 像， 其公式如下：权　利　要　求　书 1/5 页 2 CN 115512223 A 2式中i为第i年， 其中j为第j个光谱指数， SIi,j表示第i年第j个光谱指数的所有影像， SIA(i,j)代表第i年第j个光谱指数的年际时间序列影 像。 3.根据权利要求2所述的融合多种变化检测算法的红树林动态监测方法， 其特征在于 所述步骤(3)中， 采用数据修 正的方法生成年内时间序列影 像， 其修正公式如下： SIIA(i,j)＝f((k×max(SIi,j)+a)<(SIi,j+a)) 式中f((k ×Max(SIi,j)+a)<(SIi,j+a))表示掩膜经过数据修正后的SIi,j影像中光谱指 数值小于k倍该年光谱指数最大值的像素， k表示可用影像观测频率的调节系数， k的取值范 围为0.6‑0.8， a表示光谱指数修正常数， S IIA(i,j)代表在第i年第j个光谱指数的年内时间序 列影像。 4.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法， 其特征在于 所述步骤(4)中， 基于Sentinel ‑2和Landsat  5/7/8影像利用红树林植被指数时间序列数据 提取潜在的红树林区域， 同时使用归一化水体指数时间序列数据和DEM剔除提取的区域中 被错误识别的陆地沼泽区域， 其公式如下： 式中MVIA(i)表示第i年MVI的平均值合成影像(mean(MVIi))或中值合成影像(median (MVIi))， 表示第i年提取的潜在的红树林区域， F(x,y)表示保留x区域中满足y 条件的区域， shreshold表示识别潜在的红树林区域的阈值， f(DEM<8,NDWImax>0.3)表示提 取高程小于8且年内NDWI最大值合成影像中像素光谱值大于0.3的区域， PMRLandsat,i表示利 用第i年Landsat  5/7/8影像提取的潜在的红树林区域， PMRSentinel,i表示利用第i年 Sentinel ‑2影像提取的潜在的红树林区域， g(x)表 示在4联通条件下保留x区域中的满足面 积阈值的潜在的红树林区域， Combi ne(x1,x2)表示合并x1， x2区域。 5.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法， 其特征在于 所述步骤(5)中， 分别堆叠基于Landsat  5/7/8和Sentinel ‑2影像提取的研究区各年潜在的 红树林区域， 统计每个区域被识别为红树林 的次数， 且识别次数大于阈值的区域被确认为 最终的红树林生长区域， 其公式如下： 式中， n表示研究期间的总年份， MGR表示研究期间内被Landsat  5/7/8年际影像累计识 别为潜在红树林区域超 过4年的区域 或被Sent inel‑2年际影像累计识别为潜在红树林区域 超过1年的区域。权　利　要　求　书 2/5 页 3 CN 115512223 A 3