CN104281761A - 土地退化评价方法及装置 - Google Patents
土地退化评价方法及装置 Download PDFInfo
- Publication number
- CN104281761A CN104281761A CN201310270192.3A CN201310270192A CN104281761A CN 104281761 A CN104281761 A CN 104281761A CN 201310270192 A CN201310270192 A CN 201310270192A CN 104281761 A CN104281761 A CN 104281761A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- sample
- centerdot
- points
- prime
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种土地退化评价方法,用于对目标地域的土地退化状况进行评价,其特征在于,所述评价方法包含评价对象处理过程、准备评价数据过程、评价权重学习过程和评价过程。本发明还提供实施该土地评价方法的评价装置。
Description
技术领域
本发明涉及一种土地退化评价方法以及使用该评价方法的装置,具体而言,涉及一种通过对目标地域的图像进行处理来获得评价分,用于对目标地域的土地退化等级进行评价的方法和装置。
背景技术
根据《联合国防治荒漠化公约》,荒漠化是指包括气候变化和人类活动在内的多种因素造成的干旱、半干旱及亚湿润干旱区的土地退化。土地退化即是在各种人为和自然因素影响下所发生的导致土壤的农业生产能力或土地利用和环境调控潜力(即土地质量)及其可持续下降甚至完全丧失其物理的、化学的和生物学特征的过程。土地退化(荒漠化)评价过程是按照一定的评价指标体系,对分布于干旱、半干旱和亚湿润干旱区的退化土地进行类型的划分和程度的分等定级,确定各级退化土地的分布范围,并且说明目前土地利用的合理性,经营措施是否得当,为合理利用土地,提高生产力服务。
在已有的土地退化和荒漠化评价方法中,典型的评价过程是利用多因子的评价指标体系和经验的评价因子权重,对退化土地进行评价。但是各研究者采用的评价标准各不相同,不同研究者的评价指标体系和评价因子权重也难以统一。利用遥感数据进行土地退化和荒漠化评价时,由于评价因子权重不同,即使同一区域,评价出来的结果也不一致。实际应用中,还存在诸如此类的很多问题。
发明内容
本发明为了解决现有技术中存在的问题而作出。
本发明提供了一种土地退化评价方法,用于对目标地域的土地退化状况进行评价,其特征在于,评价方法包含评价对象处理过程、准备评价数据过程、评价权重学习过程和评价过程,其中
评价对象处理过程包括
拍摄目标地域的图像,图像具有L个像素,以L/X个像素为一组作为评价过程处理的一个对象,以将图像划分成X个对象,其中L为大于等于1的整数,X为大于等于1的整数且L/X是正整数;
从图像中选择H个像素,将H个像素以H/m个像素为一组分为m组像素,并在目标地域中定位与m组像素一一对应的m个取样地域,每个取样地域作为一个样本以得到m个样本,其中1≤H≤L、1≤m≤H且H/m是正整数;
评价数据配置过程包括:
为m个样本中的每个样本提供n个评价因子{F1,…,Fn}、为X个对象中的每个对象提供n个评价因子{F1,…,Fn},其中n是大于等于1的整数;
通过实地测量来获取每个样本的n个评价因子{F1,…,Fn}的值作为n个样本评价因子数据{v’1,…,v’n},
对于每个对象,根据每个对象的各自的图像值进行计算来获取每个对象的n个评价因子{F1,…,Fn}的值作为n个对象评价因子数据{v1,…,vn},
评价权重值学习过程包括:
计算样本评价分的步骤,基于每个样本的n个样本评价因子数据{v’1,…,v’n}计算每个样本的n个评价因子{F1,…,Fn}的n个样本评价分{p’1,…,p’n},
第一获取评价权重值步骤,从评价权重数据库中,为每个样本的n个样本评价分{p’1,…,p’n}获取当前存储的n个评价权重值{w1,…,wn},评价权重值wi与评价因子Fi一一对应、且不同样本的评价因子Fi所对应的评价权重值wi相同,其中i为1到n中任意一个整数,Fi指n个评价因子{F1,…,Fn}中其中一个评价因子;
计算样本评价值的步骤,利用每个样本的样本评价分{p’1,…,p’n}和评价权重值{w1,…,wn},计算每个样本的样本评价值E’,
反馈步骤,在计算得到样本评价值后,
如果基于计算样本评价值的步骤的结果或计算样本评价分的步骤的结果的第一条件被满足,反馈步骤不进行任何处理,评价权重值学习过程结束;以及
如果基于计算样本评价值的步骤的结果或计算样本评价分的步骤的结果的第一条件没有被满足,在反馈步骤中进行迭代计算,迭代计算包括进行误差修正计算以得到修正后的评价权重值,并且将该修正后的评价权重值存入评价权重数据库作为当前存储的评价权重值,之后返回重新进行第一获取评价权重值的步骤和计算样本评价值的计算;以及
评价过程包括
计算对象评价分的步骤,针对每个对象的n个评价因子{F1,…,Fn},基于每个对象的n个对象评价因子数据{v1,…,vn}计算出n个对象评价分{p1,…,pn},
第二获取评价权重值步骤,在评价权重值学习过程结束后,从评价权重数据库获取的当前存储的评价权重值,
计算对象评价值的步骤,利用每个对象的n个对象评价分{p1,…,pn}和当前存储的评价权重值,计算每个对象的对象评价值E,以及
确定土地退化等级的步骤,根据计算得到的对象评价值E,确定目标地域的土地退化等级。
本发明还提供了一种实施上述评价方法的土地退化评价装置。
利用上述土地退化评价方法和装置,由于其中加入了评价权重值的自学习过程,因此将使得对于土地退化状态的评价结果更为准确和符合实际情况。
附图说明
图1是根据本发明的实施例的土地退化评价方法的评价对象的TM图像。
图2是区域A的TM图像中获得的显示湿土覆盖度的图。
图3是区域A的TM图像中获得的显示干土覆盖度的图。
图4是区域A的TM图像中获得的显示植被覆盖度的图。
图5是示出根据本发明的实施例的土地退化评价方法的学习过程和评价过程的执行流程图。
图6是作为评价对象的目标地域的土地退化等级评价结果。
具体实施方式
以下结合附图来说明本发明提供的土地退化评价方法。
下面,以一幅如图1所示的一沙漠地域(记作区域A,作为目标地域的实例)的图像(作为目标地域的图像的实例)为例,说明根据本发明的土地退化评价方法,以对该区域A的土地退化等级进行评价。
根据本发明的土地退化评价方法包含评价对象处理过程、准备评价数据过程、评价权重学习过程和评价过程。以下详细说明以上过程。
[1.评价对象处理过程]
关于评价对象处理过程,其包括拍摄区域A的图像。在本实施例中,该图像是通过遥感技术拍摄的Landsat TM遥感图像(简称为TM图像)。如图1所示,图1是根据本发明的实施例的土地退化评价方法的评价对象的TM图像。该图像具有L个像素,以L/X个像素为一组作为根据本发明的评价方法中的评价过程处理的一个对象,从而图像被划分成X个对象,其中L为大于等于1的整数,X为大于等于1的整数且L/X是正整数。在本实施例中,L的实例为1024,X的实例为1024,即TM图像中的一个像素作为一个处理对象,共计1024个处理对象(以下,简称为对象)。要注意的是,L和X的数值仅为举例说明,根据实际需要本领域技术人员可以作出选择,例如,随着TM图像的分辨率越大,L的值也就越大,图像也就更精细。另外,本实施例中以TM图像中的一个像素作为一个处理的对象,也可以是以多个像素作为一个处理的对象。
另一方面,还需从TM图像中选择H个像素,并将H个像素以H/m个像素为一组分为m组像素,并在目标地域中定位与m组像素一一对应的m个取样地域,每个取样地域作为一个样本以得到m个样本,其中1≤H≤L、1≤m≤H且H/m是正整数。在根据本发明的实施例中,H的实例为218,m的实例也是218,因此TM图像中的一个像素对应于一个取样地域。
样本的数据和对象的数据分别被存入数据库D1和D2中,供后续步骤调用。
[2.评价数据配置过程]
接下来,说明所述评价数据配置过程,其包括以下步骤。
首先,需为根据本发明的土地退化评价方法设定n个评价因子{F1,F2,…,Fn},n是大于等于1的整数。在根据本发明的实施例中,作为一实例,按照物理属性、生化属性、环境属性的大类,土壤信息、植被信息、土壤信息、植被信息、地表信息、降水信息、大气信息的小类,设定n=13个评价因子{F1,F2,…,F13}。评价因子{F1,F2,…,F13}的具体实例按照物理属性和生化属性被设定成包括湿土覆盖度(F1)、干土覆盖度(F2)、植被覆盖度(F3)、植被指数(F4)、土壤含水量(F5)、土壤有机质含量(F6)、植被含水量(F7)、植被生物量(F8)、地表温度(F9)、以及过去预定时间段(例如5年)内的年均降水量(F10)、年降水量(F11)、平均气温(F12)、和平均风速(F13),如下表1所示。
[表1]
以上准备的218个样本中的每个样本和1024个对象中的每个对象都具有以上13个评价因子。换句话说,样本和对象具有相同数量的、类型相同的评价因子。
以上评价因子只是举例说明,本领域技术人员可以根据实地情况和实际需要进行灵活选择。例如可以只将以上评价因子的部分,例如F1~F9所代表的评价因子纳入评价分析中,也可以引入以上未举例的评价因子。
以下说明书上述各个评价因子的具体取值,以下称为评价因子数据。对于218个样本而言,通过实地测量以及引用公开的数据的方式来获取所述每个样本的13个样本评价因子数据{v’1,v’2,…,v’13}。上述13个(类)样本评价因子中,湿土覆盖度(F1)、干土覆盖度(F2)、植被覆盖度(F3)、植被指数(F4)、土壤含水量(F5)、土壤有机质含量(F6)、植被含水量(F7)、植被生物量(F8)、地表温度(F9)的数据通过在样本对应的地域处实地测量获得,每个样本的过去5年内的年均降水量(F10)、年降水量(F11)、平均气温(F12)、和平均风速(F13)的数据通过引用社会公开信息,例如气象台公开的气象数据来获得。
对于每个对象,获取评价因子数据的方式略有差异。根据每个对象的各自的图像值来计算以及引用公开的数据的方式来获取每个对象的13个对象评价因子数据{v1,v2,…,v13}。这里的图像值是指是指图像数据中各个波段上每个像素对应的数值,取值范围通常为0~255,也有一些遥感图像的图像值取值范围为0~1.0或0~65535等。TM图像的图像值取值范围为0~255。
在上述13个(类)样本评价因子中,每个对象的湿土覆盖度(F1)、干土覆盖度(F2)、植被覆盖度(F3)、植被指数(F4)、土壤含水量(F5)、土壤有机质含量(F6)、植被含水量(F7)、植被生物量(F8)、地表温度(F9)的数据通过对TM图像进行计算获得,每个样本的过去预定时间内的年均降水量(F10)、年降水量(F11)、平均气温(F12)、和平均风速(F13)的数据与样本评价因子数据的获取方式相同,即通过引用公开的气象数据获得。
以下说明,对于每个对象,计算湿土覆盖度(F1)、干土覆盖度(F2)、植被覆盖度(F3)、植被指数(F4)、土壤含水量(F5)、土壤有机质含量(F6)、植被含水量(F7)、植被生物量(F8)、地表温度(F9)等的方法。
首先,需要说明的是,Landsat TM图像主要分7个波段(B1-B7),其中B1为蓝色波段、B2为绿色波段、B3为红波段、B4为近红外波段、B5为短波红外波段、B6为热红外波段、B7为短波外波段。
接下来,分别说明书上述需要计算的评价因子数据的计算方法。
(1)F1湿土覆盖度,F2干土覆盖度,F3植被覆盖度
利用光谱混合分析方法,对TM图像进行混合像元分解,得到湿土覆盖度、干土覆盖度和植被覆盖度。覆盖度在每个图像像素上的值为0.0~1.0(0%~100%)。如图2-图4所示。图2是区域A的TM图像中获得的显示湿土覆盖度的图。图3是区域A的TM图像中获得的显示干土覆盖度的图。图4是区域A的TM图像中获得的显示植被覆盖度的图。
(2)F4.植被指数
TM图像中归一化植被指数NDVI可由以下公式计算得出:
VNDVI=(Bnir-Bred)/(Bnir+Bred)=(B4-B3)/(B4+B3) (1)
其中,Bnir表示TM图像中近红外波段的图像值,Bred表示TM图像中红色可见光波段的图像值,TM图像中近红外波段和红色可见光波段分别为B4波段和B3波段。
(3)F5.土壤含水量
利用遥感图像的反演算法,TM图像中表征土壤含水量的土壤水分指数VSMI可由以下公式计算得出:
(4)F6.土壤有机质含量
利用遥感图像的反演算法,TM图像中土壤有机质含量VSOM可由以下公式计算得出:
VSOM=358.4614+22.7306(B3)-2-65457.7003(B5)-1+3067486.357(B5)-2 (3)
(5)F7.植被含水量
利用遥感图像的反演算法,TM图像中表征植被含水量的植被水分指数可由以下公式计算得出:
VVMI=(Bnir-Bswir)/(Bnir+Bswir)=(B4-B5)/(B4+B5) (4)
其中,Bnir表示TM图像中近红外波段的图像值,Bswir表示TM图像中短波红外波段的图像值,TM图像中近红外波段和短波红外波段分别为B4波段和B5波段。
(6)F8.植被生物量
利用遥感图像的反演算法,TM图像中植被生物量VNPP可由以下公式计算得出:
VNPP=13292VNDVI 3-19187VNDVI 2+11656VNDVI-1709.9 (5)
其中,VNDVI为前述计算得到的植被指数值(F4)。
(7)F9.地表温度
基于遥感图像的反演算法,为求地表温度,首先计算地面亮温。TM图像中,基于B6波段的地面亮温Trad可由以下公式计算得出:
Trad=1260.56/ln[1+607.76/(1.2378+0.055158B6)] (6)
由上式计算出来的只是地物的绝对亮温(地面亮温),还需根据地物的比辐射率对其作进一步校正,从而计算出地表温度Ts:
式中:Trad表示地面绝对亮温(K),热红外波段B6的中心波长λ=11.5μm,ρ=h·c/σ(1.438·10-2mK),其中,光速c=2.998·108m/s,普朗克常数h=6.626·10-34Js,波耳兹曼常数σ=1.38·10-23J/K,为地表比辐射率。
地表比辐射率可由以下方式计算:
通常,遥感影像可分为水体、城镇和自然表面3中类型。水体像元的比辐射率为0.995,城镇和自然表面像元的比辐射率估算值可由以下公式计算得出:
上式中,和分别表示城镇像元和自然表面像元的比辐射率,Pv为前述计算得到的植被覆盖度(F3)。
另外,每个样本或对象的过去5年内的年均降水量(F10)、近一年的年降水量(F11)、平均气温(F12)、和平均风速(F13),也可以通过对公开的气象数据进行了适当的处理后获得的数据,例如空间插值方法(如二次多项式、三次样条等),这些都包含在本发明的“引用公开的气象数据”所涵盖的范围内。
以上评价因子数据被存储在实施本发明的评价方法的系统中的评价因子数据库D3中。
[3.评价权重值学习过程S1]
以下结合图6来说明根据本发明的土地退化评价方法的评价值权重学习过程。根据本发明的具体实施方式的评价权重值学习过程S1包括获取评价因子数据(步骤S11)、计算样本评价分的步骤(步骤S12)、第一获取评价权重值步骤(步骤S13)、计算样本评价值的步骤(步骤S14)以及反馈步骤(包括步骤S15、S16、S17)。以下详细介绍各步骤。
首先获取评价因子数据(步骤S11),即,为每个样本,从评价因子数据库D3中获取(读取)前述过程中获得并存储的各个评价因子数据。
在计算样本评价分的步骤(步骤S12)中,基于每个样本的13个样本评价因子数据{v’1,v’2,…,v’13}计算出每个样本的每个评价因子的13个样本评价分{p’1,p’2,…,p’13}。
具体而言,利用以下公式(10)计算所述每个样本的每个评价因子的样本评价分或所述每个对象的每个评价因子的对象评价分,
其中p'i为13个评价因子{F1,…,F13}中的其中一个评价因子Fi的样本评价分,i取1到13中任一整数,v'i为Fi的样本评价因子数据,
δi通过
δi=(vimax-vimin)/Ki (11)
计算得到,其中,Ki是与Fi一一对应的常数,
vimax是所述图像中所述1024个对象的1024个评价因子Fi的评价因子数据vi中的最大值,例如所有的1024个对象的1024个植被覆盖度(F3)的值v3中的最大值v3max。
vimin是所述图像中所述1024个对象的1024个评价因子Fi的评价因子数据vi中的最小值,例如所有的1024个对象的1024个植被覆盖度(F3)的值v3中的最小值v3min。
公式(10)中,γi=1.0/(Ki-1) (12)。
在利用公式(10)计算每个样本的各个评价因子的样本评价分时,需要计算TM图像中1024个对象的评价因子。通过应用以上公式,如此,分别得出每个样本的13个评价因子各自的样本评价分pi={p’1,p’2,…,p’13}。
仍以植被覆盖度F3为例,经对TM图像进行计算得到计算区域A中植被覆盖度的最大值v3max=0.95和最小值v3min=0.0,故有
δi=(0.95-0)/5=0.19 (13)
γi=1.0/(5-1)=0.25 (14)
所以按照上述公式(10),根据样本区域中其中一样本的植被覆盖度(F3)(i=3)的评价因子数据v’3的值计算植被覆盖度(F3)的样本评价分p’3,如下:
类似地,可以计算得到样本区域所有样本的所有评价因子F1~F13的评价分。
然后,评价值权重学习过程进行到第一获取评价权重值步骤S13,从评价权重数据库D4中,为每个样本的13个样本评价分{p’1,…,p’13}获取当前存储的13个评价权重值{w1,…,w13},或者将wi称之为评价权重值集合,其中评价权重值wi与评价因子Fi一一对应、且不同样本的评价因子Fi所对应的评价权重值wi相同,其中i为1到13中任意一个整数,Fi指n个评价因子{F1,…,F13}中其中一个评价因子。以植被覆盖度(F3)为例,所有的218个样本,各个样本的植被覆盖度(F3)都共用一个评价权重值w3。对于后面的评价过程S2也是如此,所有的1024个对象,每个对象的植被覆盖度(F3)都共用一个评价权重值w3。在初始状态,也就是在第一次执行该第一获取评价权重值步骤时,存储在评价权重数据库D3中的所有的wi的值都为1,即初始值为1。
接下来,进行计算样本评价值的步骤(S14),利用每个样本的样本评价分{p’1,…,p’13}和评价权重值{w1,…,w13},计算每个样本的样本评价值E’。
具体而言,利用以下公式计算每个样本的评价值:
其中n=13,
E'是每个样本的样本评价值,
wi是在所述第一评价值获取步骤中获取的对应于各个评价因子Fi的评价权重值,以及θi表示由未知的影响因素和其他未纳入评价因子内的影响因素造成的评价残差,取值为-0.1~0.1的随机数。
接下来,学习过程进行至反馈步骤。
首先,进行判断基于计算样本评价值的步骤的结果或计算样本评价分的步骤的结果的第一条件是否被满足(步骤S15),如果满足第一条件(步骤S15为是),反馈步骤不进行任何处理,评价权重值学习过程结束。
在本实施例中第一条件是样本评价值计算步骤S14的计算结果样本评价值E’与预先确定的样本评价参考值间的均方差根小于等于第一阈值。这里的样本评价值E’与预先确定的样本评价参考值间的均方差根是针对所有样本的样本评价值和与该样本评价值对应的预先确定的样本评价参考值而言。但是本发明不限于此,其他的关系同样可以应用,例如均方差等,本领域技术人员可以根据实际情况设定判断的条件。
样本评价值E’与预先确定的样本评价参考值间的均方差根ε由下式计算所得:
其中,本实施例中,m取值218,即样本的总个数。j的取值为1至218中任一整数。Ej所有218个样本中任一样本的样本评价值,是与Ej相应的预先确定的样本评价参考值。如果上式的计算结果ε≤0.01(步骤S15为是),则转到步骤S18,学习过程结束。这里的0.01是第一阈值的实例。
第一条件也不仅限于与样本评价值相关,也可以是各个样本评价值p’i来设定设定,判断计算样本评价分的步骤的结果p’i与样本评价参考分间的关系。
如果样本评价值E’与样本评价参考值的关系不满足上述均方差根小于等于0.01的(第一条件的实例)(步骤S15为否),在反馈步骤中进行迭代计算,该迭代计算包括进行误差修正计算以得到修正后的评价权重值,并且将该修正后的评价权重值存入评价权重数据库作为当前存储的评价权重值,之后返回重新进行第一获取评价权重值的步骤和计算样本评价值的计算。反复进行以上迭代计算,直至在步骤S15中判定第一条件被满足。
具体而言,对于误差修正计算S16,其根据以下公式进行:
wi(t+1)=wi(t)-λ·ΔE·A'(p'i)·A(p'i) (18)
其中t表示所述迭代计算的次数,
λ是用于控制反馈误差学习的速率的学习速率控制因子,初始值为1.0且还能够根据评价值的变化而进行如下修正,以自适应地调整学习速率:
E'(t+1)表示第t+1次迭代计算后得到的样本评价值,以及
A'(p'i)为A(p'i)的导数,
经过多次迭代后,会得到如下表2所示的评价权重。
[表2]
序号 | 评价因子 | 评价权重 |
F1 | 湿土覆盖度 | -0.1102 |
F2 | 干土覆盖度 | -0.1087 |
F3 | 植被覆盖度 | 0.1398 |
F4 | 植被指数 | 0.1242 |
F5 | 土壤含水量 | 0.0901 |
F6 | 土壤有机质含量 | 0.0528 |
F7 | 植被含水量 | 0.0776 |
F8 | 植被生物量 | 0.0621 |
F9 | 地表温度 | -0.0466 |
F10 | 过去5年的年均降水量 | 0.0528 |
F11 | 年降水量 | 0.0497 |
F12 | 平均气温 | -0.0481 |
F13 | 平均风速 | -0.0373 |
另外,还可以为上述判断过程进一步设置一中断条件。具体而言,但上述迭代计算过程被进行的次数超过第三阈值,例如100次,亦转到步骤S18,学习过程结束。
[4.评价过程]
以下结合附图说明根据本发明的实施例的评价过程。
根据本发明的实施例的评价过程包括获取评价因子数据S21、计算对象评价分的步骤S22、第二获取评价权重值步骤S23、计算对象评价值的步骤S24和确定土地退化等级的步骤S25。
首先,在获取评价因子数据步骤S21中,与学习过程S1类似,为每个对象,从评价因子数据库D3中获取(读取)前述数据配置过程中获得并存储的各个评价因子数据。
随后,在计算对象评价分的步骤S22中,针对所述每个对象的13个评价因子{F1,…,F13},基于所述每个对象的13个对象评价因子数据{v1,…,v13}计算出13个对象评价分{p1,…,p13}。
利用以下公式计算所述每个对象的每个评价因子的对象评价分{p1,…,pn},
其中pi为n个评价因子{F1,…,Fn}中的其中一个评价因子Fi的对象评价分,本实施例中n=13,
δi通过δi=(vimax-vimin)/Ki计算得到,其中,Ki是与Fi一一对应的常数,
vimax是所述图像中所述X个对象的X个评价因子Fi的评价因子数据vi中的最大值,
vimax是所述图像中所述X个对象的X个评价因子Fi的评价因子数据vi中的最小值,以及γi=10.0/(Ki-1)。
在第二获取评价权重值步骤23中,在如上所述的评价权重值学习过程结束后,从评价权重数据库获取的所述当前存储的评价权重值{w1,w2,…,wn}。
随后在计算对象评价值的步骤S24中,利用每个对象的所述n个对象评价分{p1,…,p13}和所述当前存储的评价权重,计算每个对象的对象评价值E,具体计算公式如下:
其中
最后,执行确定土地退化等级的步骤S25,根据计算得到的所述对象评价值E,确定所述目标地域的土地退化状况。
实质上在评价过程的计算对象评价分和计算对象评价值的过程中,所使用的计算公式与评价权重学习过程中计算样本评价分和计算样本评价值的一样。
确定土地退化等级的步骤S25中,首先划定多个不同的土地退化等级,多个土地退化等级分别具有彼此不重叠的数值区间,当图像中各个对象的对象评价值落入一数值区间内,则表示该对象属于与该数值区间对应的土地退化等级。具体而言,按照以下公式(23)确定区域A所有像素的土地退化(荒漠化)评价的评价等级。
区域A的土地退化(荒漠化)等级评价结果如图6所示。每个对象被归入不同的评价等级,且以不同的颜色表示,因此能够在与TM图像对应的图像中显示出来目标地域的土地退化的整体状况。
根据本发明的另一实施例,提供了一种土地退化评价装置,其用于实施如上所述的土地退化评价方法。
另外,在本发明的上述实施例中描述了利用TM图像作为土地退化评价的基准分析对象的实例,但是本发明不限于此,其他的多光谱和高光谱图像也可以应用本发明,只需要为它们设置合适的评价因子即可。作为举例说明,目标地域的RGB图像同样可用于土地退化等级的评价,只是从其中比较容易获得如上所述的湿土、干土和植被覆盖度,不能获得例如温度、含水量等参数,所涉及的评价用参数没有以上所述的实施例多而已。
描述,其他的优点和变型对本领域技术人员来说是容易想到的。因此,本发明就较宽的方面而言,并不局限于这里显示和描述的具体细节和典型实施例。在不脱离所附的权利要求及其等同概念所定义的总的发明构思的宗旨和范围的情况下,可进行各种变型。
Claims (14)
1.一种土地退化评价方法,用于对目标地域的土地退化状况进行评价,其特征在于,所述评价方法包含评价对象处理过程、准备评价数据过程、评价权重学习过程和评价过程,其中
所述评价对象处理过程包括
拍摄所述目标地域的图像,所述图像具有L个像素,以L/X个像素为一组作为所述评价过程处理的一个对象,以将所述图像划分成X个对象,其中L为大于等于1的整数,X为大于等于1的整数且L/X是正整数;
从所述图像中选择H个像素,将所述H个像素以H/m个像素为一组分为m组像素,并在所述目标地域中定位与所述m组像素一一对应的m个取样地域,每个取样地域作为一个样本以得到m个样本,其中1≤H≤L、1≤m≤H且H/m是正整数;
所述评价数据配置过程包括:
为所述m个样本中的每个样本提供n个评价因子{F1,…,Fn}、为所述X个对象中的每个对象提供n个评价因子{F1,…,Fn},其中n是大于等于1的整数;
通过实地测量来获取所述每个样本的n个评价因子{F1,…,Fn}的值作为n个样本评价因子数据{v’1,…,v’n},
对于所述每个对象,根据所述每个对象的各自的图像值进行计算来获取所述每个对象的n个评价因子{F1,…,Fn}的值作为n个对象评价因子数据{v1,…,vn},
所述评价权重值学习过程包括:
计算样本评价分的步骤,基于所述每个样本的n个样本评价因子数据{v’1,…,v’n}计算所述每个样本的n个评价因子{F1,…,Fn}的n个样本评价分{p’1,…,p’n},
第一获取评价权重值步骤,从评价权重数据库中,为所述每个样本的n个样本评价分{p’1,…,p’n}获取当前存储的n个评价权重值{w1,…,wn},所述评价权重值wi与评价因子Fi一一对应、且不同样本的评价因子Fi所对应的评价权重值wi相同,其中i为1到n中任意一个整数,Fi指n个评价因子{F1,…,Fn}中其中一个评价因子;
计算样本评价值的步骤,利用所述每个样本的所述样本评价分{p’1,…,p’n}和所述评价权重值{w1,…,wn},计算所述每个样本的样本评价值E’,
反馈步骤,在计算得到所述样本评价值后,
如果基于计算样本评价值的步骤的结果或计算样本评价分的步骤的结果的第一条件被满足,反馈步骤不进行任何处理,所述评价权重值学习过程结束;以及
如果基于计算样本评价值的步骤的结果或计算样本评价分的步骤的结果的第一条件没有被满足,在反馈步骤中进行迭代计算,所述迭代计算包括进行误差修正计算以得到修正后的评价权重值,并且将该修正后的评价权重值存入所述评价权重数据库作为当前存储的评价权重值,之后返回重新进行第一获取评价权重值的步骤和计算样本评价值的计算;以及
所述评价过程包括
计算对象评价分的步骤,针对所述每个对象的n个评价因子{F1,…,Fn},基于所述每个对象的n个对象评价因子数据{v1,…,vn}计算出n个对象评价分{p1,…,pn},
第二获取评价权重值步骤,在所述评价权重值学习过程结束后,从评价权重数据库获取的所述当前存储的评价权重值,
计算对象评价值的步骤,利用每个对象的所述n个对象评价分{p1,…,pn}和所述当前存储的评价权重值,计算每个对象的对象评价值E,以及
确定土地退化等级的步骤,根据计算得到的所述对象评价值E,确定所述目标地域的土地退化等级。
2.如权利要求1中任意一项所述的土地退化评价方法,其特征在于,在所述学习过程的所述反馈步骤中,所述第一条件是所述样本评价值E’与预先确定的样本评价参考值的均方差根小于等于第一阈值。
3.如权利要求1中任意一项所述的土地退化评价方法,其特征在于,如果所述样本评价值与样本评价参考值的关系不满足第一条件、或者所述样本评价分与样本评价参考分的关系不满足第二条件,并且判定所述迭代计算的次数已经累计到第二阈值,则结束所述学习过程。
4.如权利要求1所述的土地退化评价方法,其特征在于,所述图像是多光谱图像,所述图像分成为蓝色波段(B1)、绿色波段(B2)、红波段(B3)、近红外波段(B4)、短波红外波段(B5)、热红外波段(B6)、短波外波段(B7)。
5.如权利要求4所述的土地退化评价方法,其特征在于,所述n个评价因子为9个评价因子{F1,…,F9},包括湿土覆盖度(F1)、干土覆盖度(F2)、植被覆盖度(F3)、植被指数(F4)、土壤含水量(F5)、土壤有机质含量(F6)、植被含水量(F7)、植被生物量(F8)、地表温度(F9)。
6.如权利要求5所述的土地退化评价方法,其特征在于,所述评价因子进一步包括所述每个样本的过去预定时间内的年均降水量(F10)、年降水量(F11)、平均气温(F12)、和平均风速(F13),所述年均降水量(F10)、年降水量(F11)、平均气温(F12)、和平均风速(F13)的评价因子数据是基于公开的气象数据而获得,以使得所述n个评价因子为13个评价因子{F1,…,F13}。
7.如权利要求5或6所述的土地退化评价方法,其特征在于,在所述计算样本评价分的步骤中,利用以下公式计算所述每个样本的每个评价因子的样本评价分{p’1,…,p’n},
其中p'i为n个评价因子{F1,…,Fn}中的其中一个评价因子Fi的样本评价分,v'i为Fi的样本评价因子数据;
δi=(vimax-vimin)/Ki、γi=10.0/(Ki-1),其中,Ki是与Fi一一对应的常数,
vimax是所述图像中所述X个对象的X个评价因子Fi的评价因子数据vi中的最大值,以及
vimin是所述图像中所述X个对象的X个评价因子Fi的评价因子数据vi中的最小值。
8.如权利要求7所述的土地退化评价方法,其特征在于,在第一次执行所述第一获取评价权重值步骤时,存储在所述评价权重数据库中的每一类所述评价因子具有的所述评价权重值为1。
9.如权利要求8所述的土地退化评价方法,其特征在于,所述计算样本评价值的步骤中,利用以下公式计算每个样本的评价值:
其中E'是每个样本的样本评价值,
wi是在所述第一评价值获取步骤中获取的评价权重值,以及
θi表示由未知的影响因素和其他未纳入评价因子内的影响因素造成的评价残差,取值-0.1~0.1的随机数。
10.如权利要求9所述的土地退化评价方法,其特征在于,所述评价值学习过程的所述反馈步骤中的误差修正计算根据以下公式进行:
wi(t+1)=wi(t)-λ·ΔE·A'(p'i)·A(p'i)
其中t表示所述迭代计算的次数,
λ是用于控制反馈误差学习的速率的学习速率控制因子,初始值为1.0且还能够根据评价值的变化而进行如下修正:
E'(t+1)表示第t+1次迭代计算后得到的样本评价值,以及
A'(p'i)为A(p'i)的导数,
11.如权利要求5或6所述的土地退化评价方法,其特征在于,在所述计算对象评价分的步骤中,利用以下公式计算所述每个对象的每个评价因子的对象评价分{p1,…,pn},
其中pi为n个评价因子{F1,…,Fn}中的其中一个评价因子Fi的对象评价分,vi为Fi的样本评价因子数据;
δi=(vimax-vimin)/Ki、γi=10.0/(Ki-1),其中,Ki是与Fi一一对应的常数,
vimax是所述图像中所述X个对象的X个评价因子Fi的评价因子数据vi中的最大值,以及
vimax是所述图像中所述X个对象的X个评价因子Fi的评价因子数据vi中的最小值。
12.如权利要求11所述的土地退化评价方法,其特征在于,所述计算对象评价值的步骤和所述计算对象评价值的步骤中,利用以下公式计算每个对象的评价值:
其中E是每个对象的对象评价值,
wi是所述第二获取评价权重值步骤中从所述评价权重数据库获取的所述当前存储的评价权重值评价权重值,
θi表示由未知的影响因素和其他未纳入评价因子内的影响因素造成的评价残差,取值为-0.1~0.1的随机数。
13.如权利要求12所述的土地退化评价方法,其特征在于,在确定土地退化等级的步骤中,划定多个不同的土地退化等级,所述多个土地退化等级分别具有彼此不重叠的数值区间,当所述图像中各个对象的所述对象评价值落入一数值区间内,则表示该对象属于与该数值区间对应的土地退化等级。
14.一种土地退化评价装置,其特征在于,用于实施如权利要求1~14所述的土地退化评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310270192.3A CN104281761A (zh) | 2013-07-01 | 2013-07-01 | 土地退化评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310270192.3A CN104281761A (zh) | 2013-07-01 | 2013-07-01 | 土地退化评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104281761A true CN104281761A (zh) | 2015-01-14 |
Family
ID=52256630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310270192.3A Pending CN104281761A (zh) | 2013-07-01 | 2013-07-01 | 土地退化评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104281761A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN109166295A (zh) * | 2018-09-21 | 2019-01-08 | 中科海慧(天津)科技有限公司 | 一种沙漠化灾害预警方法 |
CN109726937A (zh) * | 2019-01-25 | 2019-05-07 | 福州大学 | 基于形状测度的土地利用规划调整数据质量退化评价方法 |
CN110553980A (zh) * | 2019-07-03 | 2019-12-10 | 中南大学 | 基于多源遥感数据的石漠化治理成效多指标监测评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001229233A (ja) * | 2000-02-14 | 2001-08-24 | Olympus Optical Co Ltd | データ処理システム及びデータ処理方法 |
CN101055631A (zh) * | 2006-04-10 | 2007-10-17 | 中国地质大学(武汉) | 一种空间数据模糊证据权重分析方法 |
CN101853294A (zh) * | 2010-05-21 | 2010-10-06 | 中国科学院地理科学与资源研究所 | 一种基于遗传算法的多模式多标准路径选择方法 |
-
2013
- 2013-07-01 CN CN201310270192.3A patent/CN104281761A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001229233A (ja) * | 2000-02-14 | 2001-08-24 | Olympus Optical Co Ltd | データ処理システム及びデータ処理方法 |
CN101055631A (zh) * | 2006-04-10 | 2007-10-17 | 中国地质大学(武汉) | 一种空间数据模糊证据权重分析方法 |
CN101853294A (zh) * | 2010-05-21 | 2010-10-06 | 中国科学院地理科学与资源研究所 | 一种基于遗传算法的多模式多标准路径选择方法 |
Non-Patent Citations (1)
Title |
---|
刘勤: "GIS支持下北方旱区耕地地力的评价研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN109166295A (zh) * | 2018-09-21 | 2019-01-08 | 中科海慧(天津)科技有限公司 | 一种沙漠化灾害预警方法 |
CN109726937A (zh) * | 2019-01-25 | 2019-05-07 | 福州大学 | 基于形状测度的土地利用规划调整数据质量退化评价方法 |
CN109726937B (zh) * | 2019-01-25 | 2022-05-10 | 福州大学 | 基于形状测度的土地利用规划调整数据质量退化评价方法 |
CN110553980A (zh) * | 2019-07-03 | 2019-12-10 | 中南大学 | 基于多源遥感数据的石漠化治理成效多指标监测评价方法 |
CN110553980B (zh) * | 2019-07-03 | 2022-01-14 | 中南大学 | 基于多源遥感数据的石漠化治理成效多指标监测评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kafy et al. | Prediction of seasonal urban thermal field variance index using machine learning algorithms in Cumilla, Bangladesh | |
Asgarian et al. | Assessing the effect of green cover spatial patterns on urban land surface temperature using landscape metrics approach | |
Liang et al. | Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China | |
Tian et al. | Multiscale analysis and validation of the MODIS LAI product: I. Uncertainty assessment | |
CN103955606B (zh) | 一种基于遥感技术的草原蝗灾渐进式预测方法 | |
Zhou et al. | Developing a fused vegetation temperature condition index for drought monitoring at field scales using Sentinel-2 and MODIS imagery | |
CN104517037B (zh) | 一种生态承载力的遥感估算方法 | |
Edan et al. | Predicting the impacts of land use/land cover change on land surface temperature using remote sensing approach in Al Kut, Iraq | |
CN103258330B (zh) | 一种高光谱图像端元丰度的估计方法 | |
Mukherjee et al. | Effect of canal on land use/land cover using remote sensing and GIS | |
Abdolalizadeh et al. | Rangeland canopy cover estimation using Landsat OLI data and vegetation indices in Sabalan rangelands, Iran | |
CN104089647A (zh) | 一种作物病害发生范围监测方法及系统 | |
CN103942408A (zh) | 黄土高原中尺度流域年侵蚀产沙模型计算方法 | |
CN104281761A (zh) | 土地退化评价方法及装置 | |
Li et al. | Effects of spatial resolution of remotely sensed data on estimating urban impervious surfaces | |
Mokarram et al. | CA-Markov model application to predict crop yield using remote sensing indices | |
CN109145718A (zh) | 基于拓扑感知的遥感影像的路网提取方法及装置 | |
Gond et al. | Assessment of drought variability using SPEI under observed and projected climate scenarios over Uttar Pradesh, India | |
Ferrant et al. | Agro-hydrology and multi-temporal high-resolution remote sensing: toward an explicit spatial processes calibration | |
Cilek et al. | The use of regression tree method for Sentinel-2 satellite data to mapping percent tree cover in different forest types | |
Hassan et al. | Modeling and Monitoring Wheat Crop Yield Using Geospatial Techniques: A Case Study of Potohar Region, Pakistan | |
Sameh et al. | Automated mapping of urban heat Island to predict land surface temperature and land use/cover change using machine learning algorithms: Mansoura city | |
Rossi et al. | Sentinel-2 estimation of CNC and LAI in rice cropping system through hybrid approach modelling | |
Rahaman et al. | Effect of vegetation and land surface temperature on NO2 concentration: A Google Earth Engine-based remote sensing approach | |
CN105403201B (zh) | 一种基于像元分解的遥感图像大气程辐射获取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20180302 |