高分辨率遥感植被制图技术指南(试行)

高分辨率遥感植被制图技术指南(试行)1适用范围本指南适用于空间分辨率优于10m的卫星遥感影像、空间分辨率优于1m的无人机遥感影像开展的植被制图工作，覆盖林草湿资源调查、城市绿地普查、自然保护地植被监测、生态修复效果评估、生物多样性调查等应用场景。针对植被分类层级，可支持植被型组、植被型、群系3级分类体系，特殊需求可扩展至群丛级。本指南不适用于空间分辨率低于10m的中低分辨率大尺度植被制图、海洋浮游植被制图等场景。2规范性引用文件下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅注日期的版本适用于本文件；凡是不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T21010-2017土地利用现状分类GB/T14721-2010林业资源分类与代码森林类型GB/T20257-2017国家基本比例尺地图图式GB/T33682-2017高分辨率遥感影像解译技术导则CH/T1033-2014遥感影像预处理规范TD/T1056-2019高分辨率卫星遥感数据处理技术规程LY/T2938-2018全国森林资源清查遥感监测技术规程3术语和定义3.1高分辨率遥感植被制图指利用空间分辨率优于10m的遥感影像，结合地面调查数据与智能算法，提取植被类型、分布、覆盖度、优势种等信息，生成标准化植被专题图的技术过程。3.2最小上图面积指制图成果中可独立表达的最小植被斑块面积，与影像分辨率、分类层级直接对应。3.3Jeffries-Matusita距离（J-M距离）用于衡量两类样本特征空间可分性的指标，取值范围为0~2，值越高表明两类样本可分性越强。3.4面向对象影像分析（OBIA）指将影像分割为若干具有语义信息的同质对象，以对象为单位开展分类的遥感分析方法，可有效降低高分辨率影像的椒盐噪声。3.5总体精度（OA）指分类正确的样本数占总验证样本数的比例，是衡量制图整体精度的核心指标。3.6Kappa系数用于衡量分类结果与真实地表一致性的指标，可排除随机误差对精度评价的干扰，取值范围为0~1。4前期准备4.1制图需求与尺度匹配根据应用场景明确分类层级与最小上图面积，匹配对应分辨率的遥感数据：（1）群丛/群落级制图：适用于自然保护地核心区监测、生态修复样区评估，最小上图面积为10~100㎡，匹配0.1~1m分辨率的无人机影像、GF-7卫星影像；（2）群系/植被型级制图：适用于县域林草湿调查、城市绿地普查，最小上图面积为100~400㎡，匹配1~5m分辨率的GF-2、GF-6、WorldView卫星影像；（3）植被型组级制图：适用于省级植被监测、生态廊道调查，最小上图面积为400~1000㎡，匹配5~10m分辨率的Sentinel-2、GF-1卫星影像。4.2多源数据收集4.2.1遥感影像数据优先选择植被生长季峰值期的影像：北方温带区域选择7月中旬~8月上旬，亚热带区域选择6月中旬~7月下旬，热带区域选择旱季末（11月~次年2月）；需区分常绿/落叶植被的场景，需补充春季萌芽期（4~5月）、秋季落叶期（10~11月）的时相影像，多时相影像的时间差不超过2年。影像质量要求：云量覆盖占比≤5%，云阴影占比≤10%，无条带、噪声等数据缺陷。4.2.2辅助数据（1）地面调查数据：覆盖研究区所有植被类型的样方数据，样方定位精度≤1m，记录内容包括植被类型、优势种、覆盖度、株高、生境信息，单类植被样方数量≥30个，覆盖不同立地条件；（2）地形数据：采用分辨率优于30m的DEM数据，优先选择10m分辨率的SRTMDEM、国产ASTERGDEMV3数据，用于提取地形特征；（3）历史参考数据：收集研究区近2年的林草资源二类调查数据、土地利用现状数据、已有的植被制图成果，用于样本标注与精度验证。4.3分类体系确定对接现行国标与行业标准，采用三级分类体系，可根据需求扩展或裁剪：（1）一级类（植被型组）：分为阔叶林、针叶林、针阔混交林、灌丛、草原、草甸、栽培植被、荒漠植被、水生植被9类，对应GB/T14721-2010的一级分类；（2）二级类（植被型）：在一级类下细分，如阔叶林分为常绿阔叶林、落叶阔叶林、常绿落叶阔叶混交林，灌丛分为常绿灌丛、落叶灌丛等，共28个标准二级类；（3）三级类（群系）：在二级类下按优势种细分，如落叶阔叶林分为蒙古栎林、白桦林、山杨林等，可根据研究区植被类型个性化调整。5影像预处理5.1辐射校正首先开展辐射定标，采用卫星数据头文件内置的定标系数，将影像DN值转换为辐射亮度值；无人机影像需采用飞行时同步采集的地面灰阶定标板数据，完成辐射定标，定标误差≤3%。其次开展大气校正，优先采用6S辐射传输模型，输入影像获取时的气溶胶光学厚度、水汽含量、太阳高度角等实测参数，校正后地表反射率与地面实测反射率的差值≤5%；无实测大气参数时可采用QUAC快速大气校正模型，校正误差≤8%。5.2几何校正卫星影像采用自带RPC参数结合1:10000精度的DOM数据开展几何精校正，地面控制点（GCP）均匀分布于研究区，数量≥25个，控制点平面误差≤1个像元，残差中误差≤0.5个像元。无人机影像采用POS数据结合地面像控点开展校正，像控点布设密度为每平方公里≥3个，地形起伏大的区域加密至每平方公里≥5个，平面误差≤0.5个像元，高程误差≤1个像元，影像拼接接边误差≤0.3个像元。5.3影像融合多光谱与全色波段融合优先采用GS融合、NNDiffuse融合方法，避免采用PCA融合导致的光谱失真。融合后影像的光谱保真度≥90%，即融合前后多光谱波段的相关系数≥0.9，空间分辨率与全色波段一致，无重影、模糊等问题。5.4掩膜裁剪采用研究区矢量边界完成影像裁剪，之后开展非植被区初步掩膜：采用NDWI>0.3掩膜水体，NDBI>0.2掩膜建设用地，NDVI<0.1掩膜裸地、裸岩，减少非植被像元对后续分类的干扰，掩膜准确率≥95%。6特征工程构建6.1光谱特征（1）基础波段特征：提取可见光（蓝、绿、红）、近红外、红边、短波红外波段的地表反射率作为基础特征，其中红边波段为区分植被类型的核心特征，可有效识别针叶林与阔叶林、灌丛与草甸、不同作物类型，识别准确率较无红边波段提升15%~20%；（2）植被指数特征：根据分类需求选择对应指数，包括：①NDVI：用于区分植被与非植被、估算植被覆盖度，高覆盖区易饱和；②EVI：适用于高覆盖植被区，可避免NDVI饱和问题，区分乔木与高灌丛的准确率提升10%；③NDRE：红边归一化指数，用于估算植被叶绿素含量，区分不同优势种的植被类型；④SAVI：土壤调整植被指数，适用于植被覆盖度<30%的区域，可降低土壤背景的干扰；⑤NDWI：归一化水指数，用于估算植被水分含量，区分水生植被与陆生植被、乔木与草本。6.2纹理特征采用灰度共生矩阵（GLCM）提取纹理特征，窗口大小与影像分辨率匹配：0.1~1m分辨率影像采用7×7窗口，1~5m分辨率采用5×5窗口，5~10m分辨率采用3×3窗口。优先提取近红外、红、绿3个波段的均值、方差、对比度、相关性、熵、角二阶矩6个纹理特征，可有效区分结构差异较大的植被类型，如人工草地与天然草原、行道树与片林。6.3地形特征从DEM数据提取海拔、坡度、坡向、地形湿度指数（TWI）、坡位5个特征，用于区分不同生境的同谱植被：如海拔1000m以上的落叶灌丛与海拔500m以下的落叶灌丛、阴坡的针叶林与阳坡的落叶阔叶林，分类准确率提升8%~12%。6.4物候特征多时相影像提取物候特征，包括生长季峰值NDVI、春季-夏季NDVI差值、夏季-秋季NDVI差值、生长季长度4个特征，可有效区分常绿与落叶植被、一年生作物与多年生植被、自然植被与人工植被，其中常绿植被春季-夏季NDVI差值<0.2，落叶植被差值>0.6，区分准确率≥95%。6.5特征降维采用主成分分析（PCA）开展特征降维，保留累计贡献率≥95%的前3~5个主成分，避免特征冗余导致的模型过拟合，降维后分类效率提升30%以上，精度损失≤2%。7分类模型构建与精度验证7.1样本集构建（1）样本标注：结合地面样方数据、历史调查数据、高分辨率影像目视解译开展标注，训练样本与验证样本按7:3比例划分，单类植被训练样本数量≥20个，样本均匀分布于研究区，避免局部聚集，样本纯度≥95%（即标注范围内目标植被占比≥95%）；（2）可分性检验：采用J-M距离检验不同类别样本的可分性，J-M距离≥1.9表明两类可分性良好，1.8≤J-M距离<1.9表明可分性一般，需补充样本数量，J-M距离<1.8表明两类可分性较差，需合并类别或调整特征集。7.2模型选择与训练根据影像分辨率与分类场景选择适配模型：（1）面向对象分类（OBIA）：适用于0.1~1m分辨率的无人机影像、植被斑块破碎的城市绿地、自然保护地群落级制图。首先采用ESP工具确定最优分割尺度：群落级分类分割尺度为20~30，边界紧致度0.6，光滑度0.4；植被型级分类分割尺度为50~80，边界紧致度0.5，光滑度0.5。分割后对象与实际植被斑块边界吻合度≥90%，之后采用随机森林分类器训练，特征重要性权重前3位的特征优先保留。（2）像素级深度学习分类：适用于1~10m分辨率的卫星影像、大区域林草湿普查场景。采用U-Net、DeepLabV3+语义分割模型，输入层包含所有筛选后的特征，BatchSize设为16，初始学习率设为1e-4，采用Adam优化器，训练轮次≥50轮，迭代停止条件为验证集损失连续5轮不再下降，分类效率较面向对象分类提升30%~50%。（3）混合分类：适用于地形复杂的山区、植被交错带区域，首先完成面向对象影像分割，之后采用深度学习模型开展对象级分类，可同时降低椒盐噪声与分割误差，分类精度较单一模型提升5%~10%。7.3精度验证采用独立验证样本开展混淆矩阵验证，满足以下精度阈值方可进入下一环节：（1）一级分类（植被型组）：总体精度≥90%，Kappa系数≥0.88，单类用户精度与生产者精度≥80%；（2）二级分类（植被型）：总体精度≥85%，Kappa系数≥0.82，单类用户精度与生产者精度≥75%；（3）三级分类（群系）：总体精度≥80%，Kappa系数≥0.75，单类用户精度与生产者精度≥70%。完成混淆矩阵验证后，需开展野外实地验证，随机抽取≥20%的验证样本点开展实地核对，野外匹配率≥90%，若低于阈值需排查样本标注错误、特征集不足、模型参数不合理等问题，针对性优化后重新验证。8分类后处理与成果输出8.1分类后处理（1）噪声去除：采用3×3Majority滤波去除椒盐噪声，删除小于最小上图面积的植被斑块，合并至相邻占比最大的同类型斑块，若小斑块为特殊保护植被类型可单独保留，标注为零星分布；（2）边界优化：采用贝塞尔曲线平滑斑块边界，平滑后边界与实际植被边界误差≤1个像元；（3）拓扑检查：完成矢量转换后开展拓扑检查，确保无斑块重叠、无缝隙、无自相交，拓扑错误率为0。8.2属性库建设每个植被斑块需包含以下必填属性：斑块唯一ID、一级分类代码、二级分类代码、三级分类代码、植被名称、优势种、平均覆盖度（采用NDVI反演，精度±5%）、斑块面积、平均海拔、平均坡度、影像时相、制图单位、制图时间，可选属性包括覆盖度等级、株高、保护等级、生态系统服务价值等，属性填写完整率100%，错误率≤1%。8.3制图输出（1）数据成果：分为栅格、矢量两类，栅格成果分辨率与原始影像一致，采用GTiff格式；矢量成果采用Shapefile或FileGDB格式，投影统一采用CGCS2000国家大地坐标系，高程基准采用1985国家高程基准；（2）专题图整饰：包含图名、图例、比例尺、指北针、编制单位、编制时间、精度说明7个核心要素，图例符号符合GB/T20257-2017要求，基础地理要素（行政边界、道路、水系）的显示优先级低于植被专题要素，颜色搭配符合植被类型的常规表达（如常绿林为深绿色、落叶林为浅绿色、灌丛为黄绿色、草原为草绿色）。9全流程质量控制9.1数据质量控制遥感影像的时相、分辨率、云量符合要求，地面样方的时间差≤1年，定位误差≤1m，DEM数据分辨率匹配制图尺度，历史参考数据的现势性符合要求。9.2预处理质量控制辐射校正后反射率误差≤5%，几何校正误差≤1个像元，影像融合光谱保真度≥90%，非植被掩膜准确率≥95%。9.3分类过程质量控制样本可分性J-M距离≥1.8，训练样本与验证样本无重叠，分类精度符合阈值要求，野外验证匹配率≥90%。9.4成果质量控制矢量成果拓扑错误率为0，属性填写完整率100%，专题图整饰符合规范，无错漏、模糊等问题。10特殊场景处理规范10.1复杂山区针对阴影占比高的区域，采用DEM生成地形光照模型，校正阴影区的反射率，或采用多时相影像的无阴影区域特征补全，阴影区分类精度不低于整体精度的80%；地形起伏大于20°的区域，采用地形校正模型消除坡度坡向对反射率的影响，校正后反射率误差≤8%。10.2植被交错带林灌交错带、灌草交错带、农林交错带区域，增加样方布设密度，每类交错带样方数量≥20个，结合红边波段、地形特征、物