本发明涉及森林遥感技术领域，具体为森林遥感信息变化概率模型。
背景技术：
我国北方林区属于温带，四季分明，物候变化大，而落叶阔叶树的变化尤其明显。落叶阔叶树的生长季是一年中开始生长后到结束生长进入休眠前的时间区间。由于林区生长季的差异很大，具体到某地的生长季可以根据植物物候和遥感资料确定。虽然因为全球变暖和一些偶然因素使得物候的年间变化不完全一致，但我们仍然假设多年平均的物候期是稳定的。
用于提取森林变化的遥感数据必须在生长季获得。然而在实际生产中，即使同为生长季获得的数据，也很难保证在相同物候期成像，造成不同物候期的数据差异仍然很大，因此需要对二者做物候的归一化处理，压制变化小的区域，突出变化大区域。
森林变化最直接的结果是森林叶面积指数(lai)的变化，森林出现退化则lai叶面积指数会急剧下降。而lai却不能直接对应于多波段遥感图像的某一波段。这是因为tm遥感图像的任何一个波段都不是单对植被叶片在此波段反射辐射亮度的函数，而是植被-土壤这一复杂的非朗伯系统在此波段的多元函数。综合各波段数据的植被指数(vi)是lai的单调函数，比单一波段值更稳定、可靠。
而理想的植被指数应该既能充分反应植被信息，同时又要避免土壤背景的影响。常用的归一化植被指数(ndvi对lai的饱和值低(<3)，虽然能够在稀疏植被条件下较好地反应植被信息，但因此受土壤背景的影响也就比较大。绿被指数(greennessvegetationindex)gvi，其实就是多维系统中的垂直植被指数，它也是对植被-土壤系统多维反射率因子进行k-t变换(缨帽变换)中的第二个主成分值。gvi的特点是于lai的实验关系的离散度小，而饱和的lai值高(6～8)，受土壤背景影响小。因此本研究选择gvi作为森林质量状态的描述指标是合适的，为此提出一种森林遥感信息变化概率模型。
技术实现要素：
针对现有技术的不足，本发明提供了森林遥感信息变化概率模型，利用gvi差值图像直方图描述森林遥感信息变化概率模型，该gvi差值图像直方图的建立包括以下步骤：
步骤一、首先进行两期tm图像精确配准；
步骤二、建立林区的掩膜图像；
步骤三、再对gvi图像做掩膜操作；
步骤四、得到林区图像，然后分别求得gvi图像；
步骤五、如果两幅图像的物候期差距较大则需进行物候归一化处理，否则直接进行森林变化概率的计算，并按预先设定的阈值对概率图像进行分割。
优选的，假设物候变化中的不变量中两个总体的均值分别为
由(1)式变换得到：
对于不同物候期的图像，两个总体的均值不同，因此假设两个物候期的图像中的两个总体的均值，以及整幅图像的均值分别为
将式(3)比上式(4)，得：
即
对于某一确定地区的两个确定的物候期的
优选的，设：峰值的灰度值为x1，灰度均值为
如果不考虑两个总体的变换差异，只考虑两期数据均值的变化，即
如果先不考虑整体均值的变化，则该式可以变换为：
则得到：
那么：
与现有技术对比，本发明具备以下有益效果：该森林遥感信息变化概率模型，可以通过用正态分布描述森林的变化概率。随着我国林业六大工程的实施，森林的严重退化现象愈来愈少，既满足变化的区域在整景图像中只占较小部分的条件，从而确保了其gvi差值服从正态分布规律。那么我们定义某像元的森林变化的概率就是大于其gvi差值所有像元的累计概率。
附图说明
图1为本发明森林变化信息提取流程图；
图2为本发明不同物候期gvi图像的直方图a；
图3为本发明不同物候期gvi图像的直方图b；
图4为本发明不同物候期gvi图像的直方图c；
图5为本发明不同物候期gvi图像的直方图d；
图6为本发明直方图重整函数示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-6，森林遥感信息变化概率模型，利用gvi差值图像直方图描述森林遥感信息变化概率模型，该gvi差值图像直方图的建立包括以下步骤：
步骤一、首先进行两期tm图像精确配准；
步骤二、建立林区的掩膜图像；
步骤三、再对gvi图像做掩膜操作；
步骤四、得到林区图像，然后分别求得gvi图像；
步骤五、如果两幅图像的物候期差距较大则需进行物候归一化处理，否则直接进行森林变化概率的计算，并按预先设定的阈值对概率图像进行分割。
优选的，假设物候变化中的不变量中两个总体的均值分别为
由(1)式变换得到：
对于不同物候期的图像，两个总体的均值不同，因此假设两个物候期的图像中的两个总体的均值，以及整幅图像的均值分别为
将式(3)比上式(4)，得：
即
对于某一确定地区的两个确定的物候期的
设：峰值的灰度值为x1，灰度均值为
如果不考虑两个总体的变换差异，只考虑两期数据均值的变化，即
如果先不考虑整体均值的变化，则该式可以变换为：
则得到：
那么：
需要说明的是，考虑到尺度、数据配准、地面调查等综合误差的影响，我们以参考数据多边形面积50％以上重合为正确来进行精度分析，即当已知多边形与监测结果的重叠面积小于50％就判定为错误分类。从而可以得出各种类后处理条件下的空间位置叠合率(表1和表2)，并以此作为监测精度指标。
表1为基于单个像元的统计与对比结果
当未经过任何类后处理时，其退化监测的准确率为81.0％。
表2为3*3模版过滤后的统计与对比结果
当经过3*3模版的类后处理时，其退化监测的准确率为80.1％。
表3为4*4模版过滤后的统计与对比结果
当经过4*4模版的类后处理时，其退化监测的准确率为79.6％。
总之，类后处理对整体监测精度的影响较小，不过在实际生产管理中，还应该根据林分状况选择适当尺寸模板进行类后处理。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
1.森林遥感信息变化概率模型，利用gvi差值图像直方图描述森林遥感信息变化概率模型，其特征在于：该gvi差值图像直方图的建立包括以下步骤：
步骤一、首先进行两期tm图像精确配准；
步骤二、建立林区的掩膜图像；
步骤三、再对gvi图像做掩膜操作；
步骤四、得到林区图像，然后分别求得gvi图像；
步骤五、如果两幅图像的物候期差距较大则需进行物候归一化处理，否则直接进行森林变化概率的计算，并按预先设定的阈值对概率图像进行分割。
2.根据权利要求1所述的森林遥感信息变化概率模型，其特征在于：假设物候变化中的不变量中两个总体的均值分别为
由(1)式变换得到：
对于不同物候期的图像，两个总体的均值不同，因此假设两个物候期的图像中的两个总体的均值，以及整幅图像的均值分别为
将式(3)比上式(4)，得：
即
对于某一确定地区的两个确定的物候期的
3.根据权利要求1所述的gvi差值图像直方图，其特征在于：设：峰值的灰度值为x1，灰度均值为
如果不考虑两个总体的变换差异，只考虑两期数据均值的变化，即
如果先不考虑整体均值的变化，则该式可以变换为：
则得到：
那么：
