CN102622345B - 多源时空数据协同的高精度土地利用遥感更新技术 - Google Patents
多源时空数据协同的高精度土地利用遥感更新技术 Download PDFInfo
- Publication number
- CN102622345B CN102622345B CN201110028041.8A CN201110028041A CN102622345B CN 102622345 B CN102622345 B CN 102622345B CN 201110028041 A CN201110028041 A CN 201110028041A CN 102622345 B CN102622345 B CN 102622345B
- Authority
- CN
- China
- Prior art keywords
- plot
- remote sensing
- data
- ground
- sensing features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多源时空数据协同的高精度土地利用遥感更新技术方法，所涉及技术领域为遥感和地理信息系统技术。该方法解决了多源时空数据协同的土地利用GIS数据库遥感更新的关键技术。利用该发明，可实现在前期土地利用GIS数据库(矢量型)、后期遥感数据的基础上，通过知识发现和推理，更新得到后期高精度土地利用GIS数据库。该方法具有自动、快速、低成本和高精度的特征。在四川石棉县的应用表明，利用2002年的LANDSAT TM数据进行更新，其空间数据更新精度达到93％，属性数据更新精度达到92％，其地类数达到26。该发明适用于多种卫星遥感数据(如LANDSAT TM、CBERS、IKONOS、Quickbird、ALOS、SPOT和北京一号小卫星等)，适用于其它区域或其它时段的土地利用GIS数据库的更新。
Description
一、技术领域
该技术所属领域为遥感与地理信息技术
二、背景技术
土地利用更新是指土地利用GIS数据库中空间数据及其地类属性数据的更新。目前更新方法主要有：1、利用常规调查技术在野外进行调查，并在室内建库进行更新。这种方法精度高，但却费工费时，而且没有充分利用原有资源数据；2、在将前期土地利用数据与后期遥感影像进行配准叠加的模式下，采用人机交互目视判读的方法更新地块空间数据及其地类数据[1]。这种方法虽然对原有数据进行了利用，且精度较高。但却由于直接比较的困难，使得大量有用信息被计算机自动分析所忽视，因而费工费时；3、充分利用遥感数据的各种特征、各种辅助数据和多种分类器来进行分类[2-5]，从而得到地块的空间数据及其地类属性数据。这种方法尽管可以利用原有GIS数据来选取训练样地，但是，这些分类方法多是基于像素的分类，在利用知识和特征方面存在着较大的局限性。此外，还难以继承未发生变化的地块信息。未来十年，我国将源源不断地获取大量的新型对地观测数据，“数据过剩”而“信息贫乏”的矛盾将日益突出。土地资源是极其宝贵的资源，及时准确掌握土地资源的现状是合理利用土地资源的重要保障。然而，利用常规技术达到这样的目的需要投入巨大的人力、物力和财力。遥感技术在土地利用中已有多年的应用，但在解决低投入、高精度土地利用数据遥感更新方面，还有很多关键技术有待突破。为此，我们发明了一套技术方法，利用该技术方法可实现利用前期土地利用GIS数据库(矢量型)和后期遥感数据实现后期土地利用GIS数据库的高精度更新，该发明为国土资源部门提供了土地利用GIS数据库更新的先进技术方法，也为解决多源时空数据综合应用的瓶颈问题找到了突破口。
参考文献
[1]谷璟璟，吕显洲.森林资源现状调查影像目视判读方法的探讨.信息技术，2005，(4)：104-105.
[2]赵萍，傅云飞，郑刘根，冯学智和B.Satyanarayana.基于分类回归树分析的遥感影像土地利用/覆被分类研究.遥感学报，2005，9(6)：708-716.
[3]朱运海，张百平等.土地利用/覆被变化遥感检测方法与应用分析.地球信息科学，2007年03期.
[4]Franklin，S.E.，Peddle，D.R.，Dechka，J.A.，and Stenhouse，G.B.，Evidentialreasoning with Landsat TM，DEM and GIS data for land cover classification in supportof grizzly bear habitat mapping.International Journal of Remote Sensing，2002，(23)：4633 4652.
[5]杨存建，魏一鸣，陈德清，黄诗峰.基于遥感的洪水灾害承灾体神经网络的提取方法探讨.灾害学，1998，13(4)：1-6.
[6]张继贤，杨贵军.单时相遥感数据土地利用与覆盖变化自动检测方法，遥感学报，2005，9(3)：294-299.
三、发明内容
本发明提出了一套基于前期土地利用GIS数据库(矢量型)和后期遥感数据(如LANDSATTM)，通过知识发现和推理，实现后期土地利用GIS数据库高精度遥感更新的技术方法。主要包括：基于地类的地块内部分异遥感特征知识的发现及其知识库的构建技术；基于地块内部分异遥感特征知识的地块内部分异检测技术；基于地块最大标准差的遥感特征数据直方图多级谷值点的地块内部分割；基于多元遥感特征、形状特征以及空间关系的小地块空间优化综合技术；基于直接继承或内部分割或空间优化综合的地块空间数据更新技术；基于无内部分异地块的，按地类的地块地类属性遥感特征知识的发现及其知识库的构建技术；基于地块地类属性遥感特征知识的地块地类属性变化检测技术；基于无地类属性变化的地块的样本知识库构建技术；基于邻域样本知识的多特征协同的地块地类属性获取技术；基于地类属性变化先验性知识的地块地类属性修正技术；基于空间相邻、地类一致、行政属性一致的地块综合技术。该发明技术已应用于四川石棉县的土地利用GIS数据库的遥感更新。所使用的数据为：1994年1∶5万的土地利用GIS数据库(矢量型)和2002年4月21日成像的LANDSAT TM遥感数据。其结果为：地块内部分异检测的精度达到97％，地类变化检测精度达到96％，空间数据更新精度达到93％，属性数据更新精度达到92％，其地类数达到26。该方法具有自动、快速、低成本和高精度的特征。该技术方法还可应用于其它区域或其它时段的土地利用GIS数据库的遥感更新，也适用于基于其它遥感数据(如CBERS、IKONOS、Quickbird、ALOS、SPOT和北京一号小卫星等)的土地利用GIS数据库的遥感更新。
四、附图说明
图1是该发明的技术路线，图2是该发明在四川石棉县的应用结果。
五、具体实施方式
以四川省石棉县为例，对该发明的具体实施方式说明如下：
1、数据准备：收集前期土地利用GIS数据库(矢量型)和后期遥感数据(如2002年4月21日成像的LANDSAT TM数据)。在该土地利用GIS数据库中包含有土壤类型信息。
2、利用遥感数据的红光波段和近红外波段生成植被指数数据。
3、几何配准：以前期土地利用GIS数据库为基准，利用多项式几何校正模型，将遥感特征数据(如LANDSAT TM的波段1到5，波段7以及植被指数)与其进行几何配准。
4、基于地块统计出各地块在各遥感特征数据上的均值遥感特征(MI，J)和标准差遥感特征(STDi，j)。其中，i为遥感特征数据号，j为地块号)。并将其记入土地利用GIS数据库A的特征属性表中。
5、在地块STDi，j遥感特征的基础上，按地类统计出地块STDi，k的均值和标准差，分别以
和
表示。在此基础上，生成地块内部分异遥感特征知识库。
6、利用地块内部分异遥感特征知识，对K地类的每一地块，对于所有的遥感特征，当
时，n可以在0到1之间取值，在我们的试验中，n取值为0.6，则该地块内部无分异，直接继承原空间数据。否则，该地块内部有分异，并在其特征属性表中对其进行标注。
7、在内部无分异地块的基础上，按地类统计出地块Mi，k的均值和标准差，分别以
和
表示。在此基础上，生成地类属性变化遥感特征知识库。
8、利用地类属性变化遥感特征知识，对K地类的每一无内部分异的地块，对于其所有遥感特征，当
时，n可以在0到2之间取值，在我们的试验中，n取值为1.5，则该地块地类属性无变化，直接继承原地类属性数据，并将其作为样本知识库。对于地类属性已变的地块，将其地类属性设置为空。
9、就内部有分异的地块，选取其标准差最大的遥感特征，获取其直方图，并对其直方图作平滑处理，选出其一半最大频数下的多级谷值点，当谷值点间的像元数小于10时，将其就近归并。利用归并后的谷值点对其地块作分割，并更新该地块的空间数据，并将其地类属性设置为空。
10、对新地块，按照如上第4步，获取其在各个遥感特征数据上的均值遥感特征(MI，J)和标准差遥感特征(STDi，j)，并将其记入土地利用GIS数据库的特征属性表中。计算出各地块的形状指数，并将其记入到特征属性表中。
11、除形状指数小于12且面积大于8000平方米的地块外，对于面积小于10000平方米的地块，按照空间相邻，遥感特征相似的原则进行合并综合，并获得综合后地块的空间数据。
12、对新地块，按照如上第4步，获取其在各个遥感特征数据上的均值遥感特征(MI，J)和标准差遥感特征(STDi，j)，并将其记入土地利用GIS数据库的特征属性表中。
13、对地类属性为空值的地块，在其周围一定范围(如3KM)内，将其遥感特征与样本知识库中的各已知地类属性的地块进行遥感特征相似性比较，将相似性在一定范围内，且最相似的地块的地类属性赋值给该地块，从而实现该地块地类属性的更新。通过循环，直到所有地块的地类属性数据都得到更新。
14、利用地类变化先验性知识，对地块地类属性进行进一步的修改完善。
15、按照空间相邻、土壤结构类型相近、各级行政属性一致的原则，对地块进行进一步的综合，并得到更新后的土地利用GIS数据库。
Claims (1)
1.一种多源时空数据协同的高精度土地利用遥感更新方法，其特征在于，包括如下步骤：收集前期土地利用GIS数据库即矢量型数据库和后期遥感数据；利用遥感数据的红光波段和近红外波段生成植被指数数据；以前期土地利用GIS数据库为基准，利用多项式几何校正模型，将遥感特征数据与其进行几何配准；基于地块统计出各地块在各遥感特征数据上的均值遥感特征即MI，J和标准差遥感特征即STDi,j，其中，i为遥感特征数据号，j为地块号，并将其记入土地利用GIS数据库A的特征属性表中；在地块STDi,j遥感特征的基础上，按地类统计出地块STDi,k的均值和标准差，分别以
和
表示，在此基础上，生成地块内部分异遥感特征知识库；利用地块内部分异遥感特征知识，对K地类的每一地块，对于所有的遥感特征，当
则该地块内部无分异，直接接继承原空间数据，否则，该地块内部有分异，并在其特征属性表中对其进行标注，n在0到1之间取值；在内部无分异地块的基础上，按地类统计出地块Mi,k的均值和标准差，分别以
和 
表示，在此基础上，生成地类属性变化遥感特征知识库；利用地类属性变化遥感特征知识，对k地类的每一无内部分异的地块，对于其所有遥感特征，当
，则该地块地类属性无变化，直接继承原地类属性数据，并将其作为样本知识库，对于地类属性已变的地块，将其地类属性设置为空，n在0到2之间取值；就内部有分异的地块，选取其标准差最大的遥感特征，获取其直方图，并对其直方图作平滑处理，选出其一半最大频数下的多级谷值点，当谷值点间的像元数小于10时，将其就近归并，利用归并后的谷值点对其地块作分割，更新该地块的空间数据，并将其地类属性设置为空；对新地块，获取其在各个遥感特征数据上的均值遥感特征即MI，J和标准差遥感特征即STDi,j，并将其记入土地利用GIS数据库的特征属性表中，计算出各地块的形状指数，并将其记入到特征属性表中；除形状指数小于12且面积大于8000平方米的地块，而其它面积小于10000平方米的地块，则按照空间相邻，遥感特征相似的原则进行合并综合，并获得综合后地块的空间数据；对新地块，获取其在各个遥感特征数据上的均值遥感特征即MI，J和标准差遥感特征即STDi,j，并将其记入土地利用GIS数据库的特征属性表中；对地类属性为空值的地块，在其周围一定范围内，将其遥感特征与样本知识库中的各已知地类属性的地块进行遥感特征相似性比较，将相似性在一定范围内，且最相似的地块的地类属性赋值给该地块，从而实现该地块地类属性的更新，通过循环，直到所有地块的地类属性数据都得到更新；利用地类变化先验性知识，对地块地类属性进行进一步的修改完善；按照空间相邻、土壤结构类型相近、各级行政属性一致的原则，对地块进行进一步的综合，并得到更新后的土地利用GIS数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110028041.8A CN102622345B (zh) | 2011-01-26 | 2011-01-26 | 多源时空数据协同的高精度土地利用遥感更新技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110028041.8A CN102622345B (zh) | 2011-01-26 | 2011-01-26 | 多源时空数据协同的高精度土地利用遥感更新技术 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102622345A CN102622345A (zh) | 2012-08-01 |
| CN102622345B true CN102622345B (zh) | 2014-05-14 |
Family
ID=46562268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110028041.8A Active CN102622345B (zh) | 2011-01-26 | 2011-01-26 | 多源时空数据协同的高精度土地利用遥感更新技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102622345B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104750707A (zh) * | 2013-12-27 | 2015-07-01 | 中国科学院深圳先进技术研究院 | 决策支持单元、土地类型识别及验证系统 |
| CN103971121B (zh) * | 2014-04-26 | 2018-01-23 | 二十一世纪空间技术应用股份有限公司 | 多源影像知识库解译方法 |
| CN105825221A (zh) * | 2015-01-07 | 2016-08-03 | 王伟 | 土地自动演化分类方法 |
| CN108846832B (zh) * | 2018-05-30 | 2021-06-15 | 理大产学研基地(深圳)有限公司 | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101777174A (zh) * | 2009-12-30 | 2010-07-14 | 深圳先进技术研究院 | 一种多时相遥感影像的相对辐射归一化方法 |
-
2011
- 2011-01-26 CN CN201110028041.8A patent/CN102622345B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| "森林植被动态变化信息的遥感检测";杨存建等;《地球信息科学》;20001231(第4期);71-74 * |
| 杨存建等."森林植被动态变化信息的遥感检测".《地球信息科学》.2000,(第4期),71-74. |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102622345A (zh) | 2012-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Keshtkar et al. | Land-cover classification and analysis of change using machine-learning classifiers and multi-temporal remote sensing imagery | |
| CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
| Grădinaru et al. | Using multi-seasonal Landsat imagery for rapid identification of abandoned land in areas affected by urban sprawl | |
| Zhang et al. | Object-oriented method for urban vegetation mapping using IKONOS imagery | |
| Meneguzzo et al. | Mapping trees outside forests using high-resolution aerial imagery: a comparison of pixel-and object-based classification approaches | |
| CN105608474B (zh) | 基于高分辨率影像的区域自适应耕地提取方法 | |
| Xiao et al. | Sentinel-2 red-edge spectral indices (RESI) suitability for mapping rubber boom in Luang Namtha Province, northern Lao PDR | |
| CN105389559A (zh) | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 | |
| HAO et al. | Early-season crop type mapping using 30-m reference time series | |
| Lu et al. | Application of time series Landsat images to examining land-use/land-cover dynamic change | |
| Peters et al. | Synergy of very high resolution optical and radar data for object-based olive grove mapping | |
| Usman | Satellite imagery land cover classification using k-means clustering algorithm computer vision for environmental information extraction | |
| CN102622345B (zh) | 多源时空数据协同的高精度土地利用遥感更新技术 | |
| Wei et al. | Study on remote sensing image vegetation classification method based on decision tree classifier | |
| CN109766824A (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
| Račič et al. | Application of temporal convolutional neural network for the classification of crops on sentinel-2 time series | |
| CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
| Trisakti | Vegetation type classification and vegetation cover percentage estimation in urban green zone using pleiades imagery | |
| Hai Ly et al. | The composition of time-series images and using the technique SMOTE ENN for balancing datasets in land use/cover mapping | |
| CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
| CN109740504A (zh) | 一种基于遥感影像提取海域资源的方法 | |
| Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
| Huang et al. | Tea garden detection from high-resolution imagery using a scene-based framework | |
| Kauffman et al. | Automated estimation of forest stand age using Vegetation Change Tracker and machine learning | |
| Babykalpana et al. | Supervised/unsupervised classification of LULC using remotely sensed data for Coimbatore city, India |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Cunjian Inventor after: Ni Jing Inventor after: He Zhaoxia Inventor after: Zhao Xilin Inventor after: Wang Qin Inventor after: Ren Xiaolan Inventor after: Guo Chunmei Inventor before: Yang Cunjian |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20170420 Address after: 610068 Jingan Road, Chengdu, Sichuan, No. 5, No. Patentee after: Sichuan Normal University Address before: 610000 Jinjiang District, Sichuan, Jingan Road, Sichuan Normal University,, Key Laboratory of land Co-patentee before: Ni Jing Patentee before: Yang Cunjian Co-patentee before: He Zhaoxia Co-patentee before: Zhao Xilin Co-patentee before: Wang Qin Co-patentee before: Ren Xiaolan Co-patentee before: Guo Chunmei |