CN105426851B - 一种基于Landsat时间序列影像的不透水面监测方法和装置 - Google Patents
一种基于Landsat时间序列影像的不透水面监测方法和装置 Download PDFInfo
- Publication number
- CN105426851B CN105426851B CN201510819732.8A CN201510819732A CN105426851B CN 105426851 B CN105426851 B CN 105426851B CN 201510819732 A CN201510819732 A CN 201510819732A CN 105426851 B CN105426851 B CN 105426851B
- Authority
- CN
- China
- Prior art keywords
- time series
- ndvi
- lst
- image
- bci
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Landsat时间序列影像的不透水面监测方法和装置。所述方法,包括步骤1针对配准后的Landsat时间序列影像,建立时间序列LST、时间序列BCI和时间序列NDVI;步骤2插补各时间序列中的缺失数据,消除各时间序列的噪声和年际异常变化点,得到光滑的时间序列;步骤3从光滑的时间序列中分别选择代表不透水面的稳定时间序列作为类标签时间序列样本,度量非类标签时间序列样本与类标签时间序列样本的相似性距离,分别得到各时间序列对应的相似性距离图;步骤4采用C4.5算法对不同时间间隔的相似性距离图进行分类,利用不透水面时空分布特性监测其时空变化规律。本发明提高了不透水面的监测精度。
Description
技术领域
本发明涉及遥感影像处理技术及信息提取方法技术领域,更具体地说,涉及一种基于Landsat时间序列影像的不透水面监测方法和装置,本发明可适用于城市土地规划、城市环境分析等城市遥感技术应用领域。
背景技术
不透水面是城市化进程和环境生态系统的重要评价指标,不透水面变化是引起生物地球化学循环、城市气候、景观动态、城市热岛效应等变化的主要因素,是城市化进程发展方式和强度的最直接体现。不透水面监测方法对城市规划和环境管理具有极强的指导作用。因此,不透水面监测研究已经成为当前城市土地覆盖变化检测研究的热点问题以及城市热岛效应监测研究的核心问题。
目前多时相影像的不透水面监测方法可分为基于像素、基于亚像元、面向对象方法三类。基于像素的方法包括:不透水面指数、像素层的分类方法、阈值技术、多源影像融合等,该类方法受限于混合像元问题,由于同物异谱、同谱异物现象易导致“椒盐”效应。基于亚像元的方法包括:光谱混合分析、回归分析、机器学习算法、模糊集合理论等,该类方法虽然能有效监测不透水面的丰度信息,但是存在不确定性,不适用于高分辨率影像。而面向对象方法亦面临着分割尺度的选择问题。
已有多时相影像的不透水面监测方法往往需要基于单幅影像提取不透水面,再比较各时相的不透水面空间特征从而监测不透水面的动态变化规律。该类不透水面监测方法多从不透水面的光谱特征及空间几何特征角度定义不透水面与透水面的差异性,较少利用时间维度探索不透水面的时空变化规律,根据不透水面的时空特征监测不透水面变化。因此基于时间序列影像的不透水面监测理论基础研究仍显薄弱。
发明内容
本发明要解决的技术问题在于,提出一种可行的基于Landsat时间序列影像的不透水面监测方法和装置,本发明能够挖掘不透水面的时空特征,基于时空相似性距离提高不透水面的监测精度。
本发明解决其技术问题所采用的技术方案是:
一种基于Landsat时间序列影像的不透水面监测方法,包括以下步骤:
步骤1:针对配准后的Landsat时间序列影像,建立时间序列LST(Land SurfaceTemperature,地表温度)、时间序列BCI(Biophysical Composition Index,生物物理成分指数)和时间序列NDVI(Normalized Difference Vegetation Index,归一化植被指数);
步骤2:插补时间序列LST、时间序列BCI和时间序列NDVI中的缺失数据,消除各时间序列的噪声和年际异常变化点,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI;
步骤3:从步骤2所得的光滑时间序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签时间序列样本,度量非类标签时间序列样本与类标签时间序列样本的相似性距离,分别得到时间序列LST、时间序列BCI和时间序列NDVI对应的相似性距离图;
步骤4:采用C4.5算法对不同时间间隔的相似性距离图进行决策树分类,利用不透水面的时空分布特性,监测不透水面时空变化规律。
作为优选,所述步骤1,具体包括以下步骤:
步骤1.1:针对每幅Landsat影像的热红外波段,利用辐射传输方程,计算该幅Landsat影像的LST影像,得到Landsat时间序列影像的时间序列LST;
步骤1.2:针对每幅Landsat影像的所有波段,进行缨帽变换,计算该幅Landsat影像的BCI影像,得到Landsat时间序列影像的时间序列BCI;
步骤1.3:针对每幅Landsat影像的近红外波段和可见光红色波段,计算该幅Landsat影像的NDVI影像,得到Landsat时间序列影像的时间序列NDVI。
作为优选,所述步骤2,具体包括以下步骤:
步骤2.1:利用三次样条插值函数估计时间序列LST、时间序列BCI和时间序列NDVI的缺失数据值;
步骤2.2:利用Fourier拟合,消除步骤2.1所得时间序列LST、时间序列BCI和时间序列NDVI的异常点和噪声,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI。
作为优选,所述步骤3,具体包括以下步骤:
步骤3.1:利用时间序列分解加法模型,分别提取步骤2所得的光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分量、季节分量和不规则分量,根据各时间序列的分量特征选择稳定的时间序列LST、时间序列BCI和时间序列NDVI,并从中选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时间序列LST、时间序列BCI和时间序列NDVI为类标签时间序列样本,剩余所有时间序列像元作为非类标签样本像元,该类像元的时间序列LST、时间序列BCI和时间序列NDVI为非类标签时间序列样本;
步骤3.2:利用等权重的欧式距离和马氏距离分别度量时间序列LST、时间序列BCI和时间序列NDVI中非类标签时间序列样本与类标签时间序列样本的相似性距离,得到时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图。
作为优选,所述步骤4,具体为:
合成步骤3所得的时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图为多波段影像,利用C4.5决策树算法对该多波段影像进行分类。
一种基于Landsat时间序列影像的不透水面监测装置,包括:
时间序列建立单元,用于针对配准后的Landsat时间序列影像,建立时间序列LST、时间序列BCI和时间序列NDVI;
时间序列优化单元,用于插补时间序列LST、时间序列BCI和时间序列NDVI中的缺失数据,消除各时间序列的噪声和年际异常变化点,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI;
相似性距离计算单元,用于从时间序列优化单元所得的光滑时间序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签时间序列样本,度量非类标签时间序列样本与类标签时间序列样本的相似性距离,分别得到时间序列LST、时间序列BCI和时间序列NDVI对应的相似性距离图;
决策树分类单元,用于采用C4.5算法对不同时间间隔的相似性距离图进行决策树分类,利用不透水面的时空分布特性,监测不透水面时空变化规律。
作为优选,所述时间序列建立单元,具体用于针对每幅Landsat影像的热红外波段,利用辐射传输方程,计算该幅Landsat影像的LST影像,得到Landsat时间序列影像的时间序列LST;针对每幅Landsat影像的所有波段,进行缨帽变换,计算该幅Landsat影像的BCI影像,得到Landsat时间序列影像的时间序列BCI;针对每幅Landsat影像的近红外波段和可见光红色波段,计算该幅Landsat影像的NDVI影像,得到Landsat时间序列影像的时间序列NDVI。
作为优选,所述时间序列优化单元,具体用于利用三次样条插值函数估计时间序列LST、时间序列BCI和时间序列NDVI的缺失数据值;利用Fourier拟合,消除时间序列LST、时间序列BCI和时间序列NDVI的异常点和噪声,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI。
作为优选,所述相似性距离计算单元,具体用于利用时间序列分解加法模型,分别提取时间序列优化单元所得的光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分量、季节分量和不规则分量,根据各时间序列的分量特征选择稳定的时间序列LST、时间序列BCI和时间序列NDVI,并从中选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时间序列LST、时间序列BCI和时间序列NDVI为类标签时间序列样本,剩余所有时间序列像元作为非类标签样本像元,该类像元的时间序列LST、时间序列BCI和时间序列NDVI为非类标签时间序列样本;利用等权重的欧式距离和马氏距离分别度量时间序列LST、时间序列BCI和时间序列NDVI的非类标签时间序列样本与类标签时间序列样本的相似性距离,得到时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图。
作为优选,所述决策树分类单元,具体用于合成相似性距离计算单元所得的时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图为多波段影像,利用C4.5决策树算法对该多波段影像进行分类。
有益效果:
本发明的一种基于Landsat时间序列影像的不透水面监测方法,与现有不透水面监测方法相比,具有如下特点:挖掘不透水面在时间序列LST、时间序列BCI和时间序列NDVI的时空变化规律,利用时间序列的相似性距离定义不透水面和透水面的时空差异性,根据决策树对相似性距离图分类,实现不透水面动态变化信息的快速和准确提取。本发明由于采用不透水面的时空特征定义不透水面与透水面的时空差异性,避免了单幅影像估算不透水面依据光谱特征或空间特征提取不透水面所面临的同物异谱、异物同谱、分割尺度设定等问题,该监测方法保证了不透水面动态变化信息的时空一致性。
附图说明
图1:为本发明具体实施例提供的一种基于Landsat时间序列影像的不透水面监测方法的流程图。
图2:为本发明地表温度LST反演流程图。
图3:为本发明具体实施例提供的一种基于Landsat时间序列影像的不透水面监测装置的结构示意图。
名词解释:
LST Land Surface Temperature地表温度;
BCI Biophysical Composition Index生物物理成分指数;
NDVI Normalized Difference Vegetation Index归一化植被指数。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1:
请见图1,图1是本发明具体实施例提供的一种基于Landsat时间序列影像的不透水面监测方法的流程图,本发明的方法包括以下步骤:
步骤1:针对配准后的Landsat时间序列影像,建立时间序列LST(Land SurfaceTemperature,地表温度)、时间序列BCI(Biophysical Composition Index,生物物理成分指数)和时间序列NDVI(Normalized Difference Vegetation Index,归一化植被指数),该步骤包括以下子步骤:
步骤1.1:针对每幅Landsat影像的热红外波段,利用辐射传输方程,计算该幅Landsat影像的LST影像,请见图2,得到Landsat时间序列影像的时间序列LST;
首先利用定标系数将每幅Landsat影像的热红外波段DN值转化为相应的热辐射强度值:
Lλ=gain×DN+bias (1)
Lλ为热辐射强度值,gain和bias分别表示增益系数和偏移系数。
计算热红外波段的辐射亮度如下:
BT=[Lλ-L↑-τ(1-ε)L↓]/(τε) (2)
其中,ε为地表比辐射率,T为地表真实温度,BT为普朗克定律推导的黑体在T的热辐射亮度,L↑为大气向上辐射亮度,L↓为大气向下辐射亮度,τ为大气在热红外波段的透过率。而大气参数L↑、L↓和τ可以由Atmospheric Correction Parameter Calculator计算得到(http://atmcorr.gsfc.nasa.gov/)。地表比辐射率ε由可见光和近红外波段光谱信息估算:
其中,FV为植被覆盖度,由NDVI推导得到:
FV=(NDVI-NDVIS)/(NDVIV-NDVIS) (4)
取NDVIV=0.70,NDVIS=0.00。当像元NDVI大于0.70时,FV取值为1;当像元NDVI小于0时,FV取值为0。
根据普朗克公式的反函数可以得到地表真实温度:
T=K2/ln(K1/BT+1) (5)
对于Landsat时间序列影像,不同传感器影像对应的K1和K2的值见表1:
表1不同Landsat传感器的校准常数
由Landsat时间序列影像的热红外波段得到时间序列LST,获得每一像元的时间序列LST特征PLST={LSTt1,LSTt2,…,LSTtn},其中{t1,t2,…,tn}为时间序列。
步骤1.2:针对每幅Landsat影像的所有波段,进行缨帽变换,计算该幅Landsat影像的BCI影像,得到Landsat时间序列影像的时间序列BCI;
根据不同波段的缨帽变换系数对每幅Landsat影像进行缨帽变换(TC,TasseledCap Transformation)得到亮度(TC1)、绿度(TC2)和湿度(TC3)的图层。每个TC成分归一化到[0,1],BCI影像由归一化TC成分计算得到:
由Landsat时间序列影像的所有波段得到时间序列BCI,获得每一像元的时间序列BCI特征PBCI={BCIt1,BCIt2,…,BCItn},其中{t1,t2,…,tn}为时间序列。
步骤1.3:针对每幅Landsat影像的近红外波段和可见光红色波段,计算该幅Landsat影像的NDVI影像,得到Landsat时间序列影像的时间序列NDVI;
NDVI计算公式如下:
其中,NIR为近红外波段亮度值,VIS为可见光红色波段亮度值。由Landsat时间序列影像的近红外波段和可见光红色波段得到时间序列NDVI,获得每一像元的时间序列NDVI特征PNDVI={NDVIt1,NDVIt2,…,NDVItn},其中{t1,t2,…,tn}为时间序列。
步骤2:插补时间序列LST、时间序列BCI和时间序列NDVI中的缺失数据,消除各时间序列的噪声和年际异常变化点,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI,该步骤包括以下子步骤:
步骤2.1:对云雪、云阴影覆盖区域造成的缺失数据,利用三次样条插值函数估计时间序列LST、时间序列BCI和时间序列NDVI的缺失值,得到完整的时间序列数据;
步骤2.2:利用Fourier拟合,消除步骤2.1所得时间序列LST、时间序列BCI和时间序列NDVI的异常点和噪声,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI;假设时间序列Index,Index={LST,BCI,NDVI},某像元点在时间t上取值为Indext,拟合后曲线中该像元取值为Indext′,如果有Indext′-Indext>δ,δ为阈值,则定义该点为噪声点,并被拟合后的新值取代,从而产生新的时间序列Index数据。
步骤3:从步骤2所得的光滑时间序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签时间序列样本,度量非类标签时间序列样本与类标签时间序列样本的相似性距离,分别得到时间序列LST、时间序列BCI和时间序列NDVI对应的相似性距离图,该步骤包括以下子步骤;
步骤3.1:利用时间序列分解加法模型,分别提取步骤2所得的光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分量TIndex、季节分量SIndex和不规则分量IIndex,Index={LST,BCI,NDVI},根据各时间序列的分量特征选择稳定的时间序列LST、时间序列BCI和时间序列NDVI,并从中选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时间序列LST、时间序列BCI和时间序列NDVI为类标签时间序列样本,剩余所有时间序列像元作为非类标签样本像元,该类像元的时间序列LST、时间序列BCI和时间序列NDVI为非类标签时间序列样本;
利用移动平均法求出时间序列Index的趋势循环分量TCIndex,通过TCIndex对时间t进行回归,得到线性拟合值即求出长期趋势TIndex:
和为线性拟合系数,为误差。
利用趋势循环分量TCIndex计算季节不规则分量SIIndex:
YIndex为时间序列Index的序列值,用同一季节的SIIndex分量全部值的平均数作为季节分量因子SIndex,则不规则分量IIndex为:
通过TIndex、SIndex和IIndex因子,选择无季节变动的长期趋势近似常量的时间序列作为稳定时间序列,从具有稳定时间序列的像元中选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时间序列为类标签时间序列样本,剩余所有时间序列像元作为非类标签样本像元,该类像元的时间序列LST、时间序列BCI和时间序列NDVI为非类标签时间序列样本;
步骤3.2:利用等权重的欧式距离和马氏距离分别度量时间序列LST、时间序列BCI和时间序列NDVI中非类标签时间序列样本与类标签时间序列样本的相似性距离,得到时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图;
在各时间序列Index,Index={LST,BCI,NDVI}中,非类标签样本的时间序列Pi与类标签样本的时间序列Pj的距离Dij,可由欧式距离和马氏距离协同计算得到:
其中,Pit和Pjt分别为像元Pi和Pj在时间t刻的相应指数值Indext,n为时间序列长度,∑为时间序列Index的协方差矩阵。在各相似性距离图中,类标签样本值标记为1,非类标签样本值由归一化Dij值确定,Dij∈[-1,1]。
步骤4:采用C4.5算法对不同时间间隔的相似性距离图进行决策树分类,利用不透水面的时空分布特性,监测不透水面时空变化规律。
在步骤4中,合成步骤3所得的时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图为多波段影像,利用C4.5决策树算法对该多波段影像进行分类,计算类标签样本各波段的信息增益率,选择信息增益率最大的距离属性作为当前决策树的根;将与该属性值相同的样本作为同一子集,若每一子集中,既包括正例又包括反例,则递归调用该算法,否则表明该子集为叶节点。
综上所述,本发明的基于Landsat时间序列影像的不透水面监测方法,利用Landsat时间序列影像提取不透水面的时空特征,根据时间序列的相似性距离定义不透水面和透水面的时空差异性,提高了不透水面和透水面的类间异质性,保证了不透水面动态变化信息的时空一致性,能有效地避免利用光谱特征或空间特征提取不透水面变化信息面临的同物异谱和异物同谱现象,从而实现不透水面动态变化信息的快速和准确提取。
实施例2:
实施例2为装置实施例,本发明所述的装置实施例2与方法实施例1属于统一技术构思,在装置实施例2中未详尽描述的内容,请参见方法实施例1。
图3:为本发明具体实施例提供的一种基于Landsat时间序列影像的不透水面监测装置的结构示意图。如图3所示,本发明所述的一种基于Landsat时间序列影像的不透水面监测装置,包括:
时间序列建立单元,用于针对配准后的Landsat时间序列影像,建立时间序列LST、时间序列BCI和时间序列NDVI;
在本方案中,所述时间序列建立单元,具体用于针对每幅Landsat影像的热红外波段,利用辐射传输方程,计算该幅Landsat影像的LST影像,请见图2,得到Landsat时间序列影像的时间序列LST;
首先利用定标系数将每幅Landsat影像的热红外波段DN值转化为相应的热辐射强度值:
Lλ=gain×DN+bias (21)
Lλ为热辐射强度值,gain和bias分别表示增益系数和偏移系数。
计算热红外波段的辐射亮度如下:
BT=[Lλ-L↑-τ(1-ε)L↓]/(τε) (22)
其中,ε为地表比辐射率,T为地表真实温度,BT为普朗克定律推导的黑体在T的热辐射亮度,L↑为大气向上辐射亮度,L↓为大气向下辐射亮度,τ为大气在热红外波段的透过率。而大气参数L↑、L↓和τ可以由Atmospheric Correction Parameter Calculator计算得到(http://atmcorr.gsfc.nasa.gov/)。地表比辐射率ε由可见光和近红外波段光谱信息估算:
其中,FV为植被覆盖度,由NDVI推导得到:
FV=(NDVI-NDVIS)/(NDVIV-NDVIS) (24)
取NDVIV=0.70,NDVIS=0.00。当像元NDVI大于0.70时,FV取值为1;当像元NDVI小于0时,FV取值为0。
根据普朗克公式的反函数可以得到地表真实温度:
T=K2/ln(K1/BT+1) (25)
对于Landsat时间序列影像,不同传感器影像对应的K1和K2的值见表2:
表2不同Landsat传感器的校准常数
由Landsat时间序列影像的热红外波段得到时间序列LST,获得每一像元的时间序列LST特征PLST={LSTt1,LSTt2,…,LSTtn},其中{t1,t2,…,tn}为时间序列。
针对每幅Landsat影像的所有波段,进行缨帽变换,计算该幅Landsat影像的BCI影像,得到Landsat时间序列影像的时间序列BCI;
根据不同波段的缨帽变换系数对每幅Landsat影像进行缨帽变换(TC,TasseledCap Transformation)得到亮度(TC1)、绿度(TC2)和湿度(TC3)的图层。每个TC成分归一化到[0,1],BCI影像由归一化TC成分计算得到:
由Landsat时间序列影像的所有波段得到时间序列BCI,获得每一像元的时间序列BCI特征PBCI={BCIt1,BCIt2,…,BCItn},其中{t1,t2,…,tn}为时间序列。
针对每幅Landsat影像的近红外波段和可见光红色波段,计算该幅Landsat影像的NDVI影像,得到Landsat时间序列影像的时间序列NDVI。
NDVI计算公式如下:
其中,NIR为近红外波段亮度值,VIS为可见光红色波段亮度值。由Landsat时间序列影像的近红外波段和可见光红色波段得到时间序列NDVI,获得每一像元的时间序列NDVI特征PNDVI={NDVIt1,NDVIt2,…,NDVItn},其中{t1,t2,…,tn}为时间序列。
时间序列优化单元,用于插补时间序列LST、时间序列BCI和时间序列NDVI中的缺失数据,消除各时间序列的噪声和年际异常变化点,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI;
在本方案中,所述时间序列优化单元,具体用于对云雪、云阴影覆盖区域造成的缺失数据,利用三次样条插值函数估计时间序列LST、时间序列BCI和时间序列NDVI的缺失数据值,得到完整的时间序列数据;
利用Fourier拟合,消除时间序列LST、时间序列BCI和时间序列NDVI的异常点和噪声,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI。假设时间序列Index,Index={LST,BCI,NDVI},某像元点在时间t上取值为Indext,拟合后曲线中该像元取值为Indext′,如果有Indext′-Indext>δ,δ为阈值,则定义该点为噪声点,并被拟合后的新值取代,从而产生新的时间序列Index数据。
相似性距离计算单元,用于从时间序列优化单元所得的光滑时间序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签时间序列样本,度量非类标签时间序列样本与类标签时间序列样本的相似性距离,分别得到时间序列LST、时间序列BCI和时间序列NDVI对应的相似性距离图;
在本方案中,所述相似性距离计算单元,具体用于利用时间序列分解加法模型,分别提取时间序列优化单元所得的光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分量TIndex、季节分量SIndex和不规则分量IIndex,Index={LST,BCI,NDVI},根据各时间序列的分量特征选择稳定的时间序列LST、时间序列BCI和时间序列NDVI,并从中选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时间序列LST、时间序列BCI和时间序列NDVI为类标签时间序列样本,剩余所有时间序列像元作为非类标签样本像元,该类像元的时间序列LST、时间序列BCI和时间序列NDVI为非类标签时间序列样本;
具体为:利用移动平均法求出时间序列Index的趋势循环分量TCIndex,通过TCIndex对时间t进行回归,得到线性拟合值即求出长期趋势TIndex:
和为线性拟合系数,为误差。
利用趋势循环分量TCIndex计算季节不规则分量SIIndex:
YIndex为时间序列Index的序列值,用同一季节的SIIndex分量全部值的平均数作为季节分量因子SIndex,则不规则分量IIndex为:
通过TIndex、SIndex和IIndex因子,选择无季节变动的长期趋势近似常量的时间序列作为稳定时间序列,从具有稳定时间序列的像元中选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时间序列为类标签时间序列样本,剩余所有时间序列像元作为非类标签样本像元,该类像元的时间序列LST、时间序列BCI和时间序列NDVI为非类标签时间序列样本;
利用等权重的欧式距离和马氏距离分别度量时间序列LST、时间序列BCI和时间序列NDVI的非类标签时间序列样本与类标签时间序列样本的相似性距离,得到时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图。
在各时间序列Index,Index={LST,BCI,NDVI}中,非类标签样本的时间序列Pi与类标签样本的时间序列Pj的距离Dij,可由欧式距离和马氏距离协同计算得到:
其中,Pit和Pjt分别为像元Pi和Pj在时间t刻的相应指数值Indext,n为时间序列长度,∑为时间序列Index的协方差矩阵。在各相似性距离图中,类标签样本值标记为1,非类标签样本值由归一化Dij值确定,Dij∈[-1,1]。
决策树分类单元,用于采用C4.5算法对不同时间间隔的相似性距离图进行决策树分类,利用不透水面的时空分布特性,监测不透水面时空变化规律。
在本方案中,所述决策树分类单元,具体用于合成相似性距离计算单元所得的时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图为多波段影像,利用C4.5决策树算法对该多波段影像进行分类,计算类标签样本各波段的信息增益率,选择信息增益率最大的距离属性作为当前决策树的根;将与该属性值相同的样本作为同一子集,若每一子集中,既包括正例又包括反例,则递归调用该算法,否则表明该子集为叶节点。
综上所述,本发明的基于Landsat时间序列影像的不透水面监测装置,利用Landsat时间序列影像提取不透水面的时空特征,根据时间序列的相似性距离定义不透水面和透水面的时空差异性,提高了不透水面和透水面的类间异质性,保证了不透水面动态变化信息的时空一致性,能有效地避免利用光谱特征或空间特征提取不透水面变化信息面临的同物异谱和异物同谱现象,从而实现不透水面动态变化信息的快速和准确提取。
以上内容是结合最佳实施方案对本发明所做的进一步详细说明,不能认定本发明的具体实施只限于这些说明。本领域的技术人员应该理解,在不脱离由所附权利要求书限定的情况下,可以在细节上进行各种修改,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于Landsat时间序列影像的不透水面监测方法,其特征在于,包括以下步骤:
步骤1:针对配准后的Landsat时间序列影像,建立时间序列LST(Land SurfaceTemperature,地表温度)、时间序列BCI(Biophysical Composition Index,生物物理成分指数)和时间序列NDVI(Normalized Difference Vegetation Index,归一化植被指数);
步骤2:插补时间序列LST、时间序列BCI和时间序列NDVI中的缺失数据,消除各时间序列的噪声和年际异常变化点,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI;
步骤3:从步骤2所得的光滑时间序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签时间序列样本,度量非类标签时间序列样本与类标签时间序列样本的相似性距离,分别得到时间序列LST、时间序列BCI和时间序列NDVI对应的相似性距离图;
步骤4:采用C4.5算法对不同时间间隔的相似性距离图进行决策树分类,利用不透水面的时空分布特性,监测不透水面时空变化规律。
2.根据权利要求1所述的一种基于Landsat时间序列影像的不透水面监测方法,其特征在于,所述步骤1,具体包括以下步骤:
步骤1.1:针对每幅Landsat影像的热红外波段,利用辐射传输方程,计算该幅Landsat影像的LST影像,得到Landsat时间序列影像的时间序列LST;
步骤1.2:针对每幅Landsat影像的所有波段,进行缨帽变换,计算该幅Landsat影像的BCI影像,得到Landsat时间序列影像的时间序列BCI;
步骤1.3:针对每幅Landsat影像的近红外波段和可见光红色波段,计算该幅Landsat影像的NDVI影像,得到Landsat时间序列影像的时间序列NDVI。
3.根据权利要求1所述的一种基于Landsat时间序列影像的不透水面监测方法,其特征在于,所述步骤2,具体包括以下步骤:
步骤2.1:利用三次样条插值函数估计时间序列LST、时间序列BCI和时间序列NDVI的缺失数据值;
步骤2.2:利用Fourier拟合,消除步骤2.1所得时间序列LST、时间序列BCI和时间序列NDVI的异常点和噪声,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI。
4.根据权利要求1所述的一种基于Landsat时间序列影像的不透水面监测方法,其特征在于,所述步骤3,具体包括以下步骤:
步骤3.1:利用时间序列分解加法模型,分别提取步骤2所得的光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分量、季节分量和不规则分量,根据各时间序列的分量特征选择稳定的时间序列LST、时间序列BCI和时间序列NDVI,并从中选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时间序列LST、时间序列BCI和时间序列NDVI为类标签时间序列样本,剩余所有时间序列像元作为非类标签样本像元,非类标签样本像元的时间序列LST、时间序列BCI和时间序列NDVI为非类标签时间序列样本;
步骤3.2:利用等权重的欧式距离和马氏距离分别度量时间序列LST、时间序列BCI和时间序列NDVI中非类标签时间序列样本与类标签时间序列样本的相似性距离,得到时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图。
5.根据权利要求1所述的一种基于Landsat时间序列影像的不透水面监测方法,其特征在于,所述步骤4,具体为:
合成步骤3所得的时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图为多波段影像,利用C4.5决策树算法对该多波段影像进行分类。
6.一种基于Landsat时间序列影像的不透水面监测装置,其特征在于,包括:
时间序列建立单元,用于针对配准后的Landsat时间序列影像,建立时间序列LST(LandSurface Temperature,地表温度)、时间序列BCI(Biophysical Composition Index,生物物理成分指数)和时间序列NDVI(Normalized Difference Vegetation Index,归一化植被指数);
时间序列优化单元,用于插补时间序列LST、时间序列BCI和时间序列NDVI中的缺失数据,消除各时间序列的噪声和年际异常变化点,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI;
相似性距离计算单元,用于从时间序列优化单元所得的光滑时间序列LST、时间序列BCI和时间序列NDVI中分别选择代表不透水面的稳定时间序列作为类标签时间序列样本,度量非类标签时间序列样本与类标签时间序列样本的相似性距离,分别得到时间序列LST、时间序列BCI和时间序列NDVI对应的相似性距离图;
决策树分类单元,用于采用C4.5算法对不同时间间隔的相似性距离图进行决策树分类,利用不透水面的时空分布特性,监测不透水面时空变化规律。
7.根据权利要求6所述的一种基于Landsat时间序列影像的不透水面监测装置,其特征在于,所述时间序列建立单元,具体用于针对每幅Landsat影像的热红外波段,利用辐射传输方程,计算该幅Landsat影像的LST影像,得到Landsat时间序列影像的时间序列LST;针对每幅Landsat影像的所有波段,进行缨帽变换,计算该幅Landsat影像的BCI影像,得到Landsat时间序列影像的时间序列BCI;针对每幅Landsat影像的近红外波段和可见光红色波段,计算该幅Landsat影像的NDVI影像,得到Landsat时间序列影像的时间序列NDVI。
8.根据权利要求6所述的一种基于Landsat时间序列影像的不透水面监测装置,其特征在于,所述时间序列优化单元,具体用于利用三次样条插值函数估计时间序列LST、时间序列BCI和时间序列NDVI的缺失数据值;利用Fourier拟合,消除时间序列LST、时间序列BCI和时间序列NDVI的异常点和噪声,得到光滑的时间序列LST、时间序列BCI和时间序列NDVI。
9.根据权利要求6所述的一种基于Landsat时间序列影像的不透水面监测装置,其特征在于,所述相似性距离计算单元,具体用于利用时间序列分解加法模型,分别提取时间序列优化单元所得的光滑时间序列LST、时间序列BCI和时间序列NDVI的长期趋势分量、季节分量和不规则分量,根据各时间序列的分量特征选择稳定的时间序列LST、时间序列BCI和时间序列NDVI,并从中选择代表不透水面的时间序列像元作为类标签样本像元,该像元的时间序列LST、时间序列BCI和时间序列NDVI为类标签时间序列样本,剩余所有时间序列像元作为非类标签样本像元,非类标签样本像元的时间序列LST、时间序列BCI和时间序列NDVI为非类标签时间序列样本;利用等权重的欧式距离和马氏距离分别度量时间序列LST、时间序列BCI和时间序列NDVI中非类标签时间序列样本与类标签时间序列样本的相似性距离,得到时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图。
10.根据权利要求6所述的一种基于Landsat时间序列影像的不透水面监测装置,其特征在于,所述决策树分类单元,具体用于合成相似性距离计算单元所得的时间序列LST、时间序列BCI和时间序列NDVI分别对应的相似性距离图为多波段影像,利用C4.5决策树算法对该多波段影像进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510819732.8A CN105426851B (zh) | 2015-11-20 | 2015-11-20 | 一种基于Landsat时间序列影像的不透水面监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510819732.8A CN105426851B (zh) | 2015-11-20 | 2015-11-20 | 一种基于Landsat时间序列影像的不透水面监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426851A CN105426851A (zh) | 2016-03-23 |
CN105426851B true CN105426851B (zh) | 2018-12-14 |
Family
ID=55505050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510819732.8A Active CN105426851B (zh) | 2015-11-20 | 2015-11-20 | 一种基于Landsat时间序列影像的不透水面监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426851B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659450A (zh) * | 2019-09-12 | 2020-01-07 | 中国科学院地理科学与资源研究所 | 一种基于组分温度的地表温度角度归一化方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107941344B (zh) * | 2017-11-15 | 2020-01-10 | 中国科学院遥感与数字地球研究所 | 一种基于地表温度遥感反演的钢铁厂去产能监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184423A (zh) * | 2011-05-17 | 2011-09-14 | 中国科学院遥感应用研究所 | 一种全自动的区域不透水面遥感信息精确提取方法 |
CN103824077A (zh) * | 2014-03-17 | 2014-05-28 | 武汉大学 | 一种基于多源遥感数据的城市不透水层率息提取方法 |
CN104881659A (zh) * | 2015-06-12 | 2015-09-02 | 中国地质大学(武汉) | 一种不透水层的提取方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040256679A1 (en) * | 2003-06-17 | 2004-12-23 | Hu Yongjun J. | Dual work function metal gates and method of forming |
-
2015
- 2015-11-20 CN CN201510819732.8A patent/CN105426851B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184423A (zh) * | 2011-05-17 | 2011-09-14 | 中国科学院遥感应用研究所 | 一种全自动的区域不透水面遥感信息精确提取方法 |
CN103824077A (zh) * | 2014-03-17 | 2014-05-28 | 武汉大学 | 一种基于多源遥感数据的城市不透水层率息提取方法 |
CN104881659A (zh) * | 2015-06-12 | 2015-09-02 | 中国地质大学(武汉) | 一种不透水层的提取方法及装置 |
Non-Patent Citations (1)
Title |
---|
The Integrated Use of DMSP-OLS Nighttime Light and MODIS Data for Monitoring Large-Scale Impervious Surface Dynamics: A Case Study in the Yangtze River Delta;Shao zhenfeng等;《Remote Sensing》;20140929;第6卷(第10期);第9359-9378页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659450A (zh) * | 2019-09-12 | 2020-01-07 | 中国科学院地理科学与资源研究所 | 一种基于组分温度的地表温度角度归一化方法 |
CN110659450B (zh) * | 2019-09-12 | 2021-09-03 | 昆明理工大学 | 一种基于组分温度的地表温度角度归一化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105426851A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Weng et al. | Statistical analysis of surface urban heat island intensity variations: A case study of Babol city, Iran | |
Kganyago et al. | Validation of sentinel-2 leaf area index (LAI) product derived from SNAP toolbox and its comparison with global LAI products in an African semi-arid agricultural landscape | |
Ma et al. | Coupling urbanization analyses for studying urban thermal environment and its interplay with biophysical parameters based on TM/ETM+ imagery | |
Huang et al. | Generating high spatiotemporal resolution land surface temperature for urban heat island monitoring | |
Julien et al. | Temporal analysis of normalized difference vegetation index (NDVI) and land surface temperature (LST) parameters to detect changes in the Iberian land cover between 1981 and 2001 | |
Novelli et al. | Combining ad hoc spectral indices based on LANDSAT-8 OLI/TIRS sensor data for the detection of plastic cover vineyard | |
Huang et al. | Automated masking of cloud and cloud shadow for forest change analysis using Landsat images | |
Tang et al. | An improved NDVI-based threshold method for estimating land surface emissivity using MODIS satellite data | |
Sun et al. | An ERDAS image processing method for retrieving LST and describing urban heat evolution: a case study in the Pearl River Delta Region in South China | |
Guha et al. | Annual assessment on the relationship between land surface temperature and six remote sensing indices using Landsat data from 1988 to 2019 | |
Tan et al. | Integrated assessment of the cool island intensity of green spaces in the mega city of Beijing | |
Zhu et al. | Disaggregation of land surface temperature over a heterogeneous urban and surrounding suburban area: a case study in Shanghai, China | |
Dar et al. | Estimation of LST from multi-sensor thermal remote sensing data and evaluating the influence of sensor characteristics. | |
Liu et al. | Biparabolic NDVI-Ts space and soil moisture remote sensing in an arid and semi arid area | |
Moosavi et al. | Estimation of spatially enhanced soil moisture combining remote sensing and artificial intelligence approaches | |
Yang et al. | Estimating sub-pixel temperatures using the triangle algorithm | |
Veettil et al. | Vegetation changes and formation of small-scale urban heat islands in three populated districts of Kerala State, India | |
Luo et al. | Spatial downscaling of MODIS land surface temperature based on a geographically and temporally weighted autoregressive model | |
Yang et al. | Estimating evapotranspiration from terrestrial groundwater-dependent ecosystems using Landsat images | |
CN105426851B (zh) | 一种基于Landsat时间序列影像的不透水面监测方法和装置 | |
Nugraha et al. | Downscaling land surface temperature on multi-scale image for drought monitoring | |
Zhang et al. | A stepwise cloud shadow detection approach combining geometry determination and SVM classification for MODIS data | |
Biswas et al. | Estimation of land surface temperature in response to land use/land cover transformation in Kolkata city and its suburban area, India | |
Chen et al. | Assessment of urban growth in Guangzhou using multi-temporal, multi-sensor Landsat data to quantify and map impervious surfaces | |
Kodimalar et al. | Land surface emissivity retrieval from multiple vegetation indices: a comparative study over 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |