CN105447274A - 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 - Google Patents
一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 Download PDFInfo
- Publication number
- CN105447274A CN105447274A CN201510975435.2A CN201510975435A CN105447274A CN 105447274 A CN105447274 A CN 105447274A CN 201510975435 A CN201510975435 A CN 201510975435A CN 105447274 A CN105447274 A CN 105447274A
- Authority
- CN
- China
- Prior art keywords
- classification
- seashore wetland
- remote sensing
- feature
- wetland
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 241001149258 Sporobolus alterniflorus Species 0.000 claims description 33
- 238000012258 culturing Methods 0.000 claims description 31
- 239000013535 sea water Substances 0.000 claims description 29
- 240000002044 Rhizophora apiculata Species 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 16
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 241000282693 Cercopithecidae Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 6
- 150000003839 salts Chemical class 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000002203 pretreatment Methods 0.000 abstract 2
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，本发明涉及对中等分辨率遥感图像进行滨海湿地制图的方法。本发明是要解决传统遥感图像分类方法无法准确区分各种湿地类别，且分类后结果通常存在“椒盐现象”、“飞地现象”，不适用于中分辨率遥感影像的滨海湿地制图。对Landsat8？OLI影像及DEM数据进行预处理；对步骤一中预处理后的Landsat8？OLI影像进行多尺度分割；导出生成滨海湿地典型地物光谱曲线；确定可用于区分滨海湿地典型地物特征；得到初步分类结果；优化分类结果；导出分类结果即滨海湿地典型地物对象，生成各滨海湿地类型矢量。本发明应用于滨海湿地制图领域。
Description
技术领域
本发明涉及对中等分辨率遥感图像进行滨海湿地制图的方法。
背景技术
滨海湿地位于陆地与海洋生态系统的交错过渡带，兼备海、陆特征的生态类型，具有特殊的水文、植被、土壤特征，在维持生物多样性，碳存储、调节气候、控制污染等方面起着重要的作用。近年来，随着气候变化及人类活动的不断影响，滨海地区自然环境及生态景观变化显著。因此，快速、准确地获取滨海湿地景观格局信息，对于湿地资源的管理，沿海地区开发利用及资源的可持续发展意义重大。然而，滨海湿地地处海陆交错带，且红树林、互花米草等植被分布于地势开阔平坦的潮间带浅滩，使得实地调查难以进行，常规手段进行准确定位及调查耗时费力，且时效性差。遥感技术可进行大范围，近实时对地观测。因此利用遥感技术监测滨海湿地地物类型，不仅节约成本，还可快速而准确的制图。
面向对象的遥感解译方法是通过影像分割将同质像元合并为对象，继而根据对象间光谱、形状、纹理、拓扑等差异来区分地物类别的方法。其突破了传统分类方法基于像元进行分类和处理的局限，克服了分类结果存在椒盐现象的缺点，并以含有更多语义信息的对象为处理单元，即可降低数据运算量提高分类效率，又可实现较高层次的遥感图像分类。该方法是基于认知模型的遥感信息提取方法，更贴近人类的认知过程，已成为遥感信息提取领域主要的研究方向之一。
由于海浪及潮汐的周期运动，加之人类活动的影响，使得沿海地区景观趋于复杂，传统的滨海湿地分类方法，仅利用光谱特征，不能准确区分湿地类别。
发明内容
本发明是要解决传统遥感图像分类方法无法准确区分各种湿地类别，且分类后结果通常存在“椒盐现象”、“飞地现象”，不适用于中分辨率遥感影像的滨海湿地制图，而提供了一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法。
一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于按以下步骤实现：
步骤一：下载Landsat8OLI影像及数字高程模型即DEM数据，并分别对Landsat8OLI影像及DEM数据进行预处理，对预处理后的Landsat8OLI影像进行预判，确定滨海湿地典型地物，包括：红树林、互花米草、海水、滩涂、养殖池和建筑用地；
其中，所述对Landsat8OLI影像预处理包括正射纠正和几何精纠正；
所述对DEM数据预处理包括投影转换，使DEM数据与Landsat8OLI影像坐标系统一致，并在ArcGIS中利用Fill工具进行填洼削峰处理；
步骤二：对步骤一中预处理后的Landsat8OLI影像进行多尺度分割，依据同质性标准将相邻像元合并为对象，得到影像对象层；
步骤三：基于eCognitionDeveloper8.64软件，根据实地调查样点，获得滨海湿地典型地物样本对象，利用Objectfeatures中LayerValues工具计算滨海湿地典型地物样本对象在Landsat8OLI影像各波段的光谱均值，并导出生成滨海湿地典型地物光谱曲线；
步骤四：根据步骤三中得到的滨海湿地典型地物光谱曲线，综合影像特征，确定可用于区分滨海湿地典型地物特征，并基于eCognitionDeveloper8.64软件实现各特征的计算；
步骤五：利用步骤四得到的滨海湿地典型地物特征，通过设定阈值及提取顺序，划定滨海湿地所在范围，依次提取各滨海湿地典型地物对象，得到初步分类结果；
步骤六：对步骤五所得初步分类结果进行细节处理，结合形状、拓扑、地物空间关系特征归并混分斑块，优化分类结果；
步骤七：导出分类结果即滨海湿地典型地物对象，生成各滨海湿地类型矢量；
步骤八：在ArcGIS软件中制作滨海湿地类型图。
发明效果：
本发明针对传统遥感图像分类方法无法准确区分各种湿地类别，且分类后结果通常存在“椒盐现象”、“飞地现象”，不适用于中分辨率遥感影像的滨海湿地制图，提出了基于面向对象技术，利用对象的光谱、形状、拓扑以及地物空间关系等特征，辅以数字高程模型(DEM)，通过波段组合，设定阈值逐层提取滨海湿地典型地物对象，制作滨海湿地类型分布图。
Landsat8是美国航空航天局(NASA)于2013年发射的陆地资源卫星，其搭载的OLI陆地成像仪(OperationalLandImager)具有9个波段，本发明使用6个多光谱波段(B：0.45～0.51μm，G：0.53～0.59μm，R：0.64～0.67μm，NIR：0.85～0.88μm，SWIR1：1.57～1.65μm，SWIR2：2.11～2.29μm)，空间分辨率30米，重访周期16天，相比其他Landsat系列卫星，其辐射分辨率提高到16bit，使得地物信息更加精细，更有利于地物信息提取。Landsat系列卫星已被证实适用于沿海地区湿地类型信息提取。
由于海浪及潮汐的周期运动，加之人类活动的影响，使得沿海地区景观趋于复杂，传统的滨海湿地分类方法，仅利用光谱特征，不能准确区分湿地类别。本发明针对传统遥感图像分类方法无法明确区分各种湿地类别，且分类后结果通常存在“椒盐现象”、“飞地现象”，不适用于中分辨率遥感影像的滨海湿地制图，提出了基于面向对象技术，利用对象的光谱、纹理、形状、拓扑以及地物空间关系等特征，辅以DEM，通过波段组合，设定阈值逐层提取湿地对象，制作滨海湿地类型分布图。
本发明涉及面向对象技术的遥感图像分类方法，将形状、纹理、拓扑及地物空间关系等信息加入分类过程中，并辅以DEM，快速准确的提取中等分辨率遥感影像(Landsat8OLI)中的滨海湿地典型地区空间分布信息，从而制作滨海湿地类型图。
附图说明
图1为滨海湿地典型地物光谱曲线图；
图2为滨海湿地分类规则集图；
图3为试验区遥感影像图；其中，试验区遥感影像(R：G：B＝SWIR1：NIR：R)；
图4为试验区滨海湿地分类结果图。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。
具体实施方式一：本实施方式的一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法按以下步骤实现：
步骤一：下载Landsat8OLI影像及数字高程模型即DEM数据，并分别进行预处理，对预处理后的Landsat8OLI影像进行预判，确定滨海湿地典型地物；
其中，所述Landsat8OLI影像预处理包括正射纠正和几何精纠正；DEM预处理包括投影转换，使DEM与Landsat8OLI影像坐标系统一致，并在ArcGIS中利用Fill工具进行填洼削峰处理。
步骤二：对步骤一中预处理后的Landsat8OLI影像进行多尺度分割，依据同质性标准将相邻像元合并为对象，得到影像对象层；
步骤三：基于eCognitionDeveloper8.64软件，根据实地调查样点，获得滨海湿地典型地物样本对象，利用Objectfeatures中LayerValues工具计算滨海湿地典型地物样本对象在Landsat8OLI影像各波段的光谱均值，并导出生成滨海湿地典型地物光谱曲线；
步骤四：根据步骤三中得到的滨海湿地典型地物光谱曲线，综合影像特征，确定可用于区分滨海湿地典型地物的特征；
步骤五：根据步骤四得到的滨海湿地典型地物特征，通过设定阈值及提取顺序，划定滨海湿地所在范围，依次提取各滨海湿地典型地物对象，得到初步分类结果。
步骤六：对步骤五所得初步分类结果进行细节处理，结合形状、拓扑、地物空间关系特征归并混分斑块，优化分类结果；
步骤七：导出分类结果即滨海湿地典型地物对象，生成各滨海湿地类型矢量；
步骤八：在ArcGIS软件中制作滨海湿地类型图。
步骤一中Landsat8OLI影像，轨道号为P124R45，时间2015年1月1日，DEM数据为SRTM数据，行列号为P58R08。确定的滨海湿地典型地物包括：红树林、互花米草、海水、滩涂、养殖池和建筑用地。
具体实施方式二：本实施方式与具体实施方式一不同的是：步骤四中确定可用于区分滨海湿地典型地物的特征基于eCognitionDeveloper8.64软件进行计算：根据归一化植被指数(NDVI)、地表湿度指数(LSWI)、土壤亮度指数(SBI)、归一化水体指数(NDWI)公式，利用Objectfeatures中CreateArithmeticFeature工具分别计算对象的上述算数特征；通过HIS变换得到波段组合后的色调(Hue)特征；并将步骤一中预处理后的DEM作为特征层，利用LayerValues工具计算影像对象的DEM特征。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤五具体为：
(1)、步骤二所得影像对象层中，利用步骤四的计算结果，DEM小于等于10且NDWI介于-0.08与0.32之间的对象为滨海湿地所在范围，命名为“沿海区”；
(2)、沿海区中，满足Hue(R＝'NIR',G＝'SWIR1',B＝'SWIR2')特征介于0.7与1之间并且NDVI小于0.15的对象为水体和滩涂，不满足条件的对象命名为“剩余沿海区1”；
(3)、水体和滩涂中，满足LSWI介于0.12与0.31之间且NDVI大于0的对象为滩涂，不满足条件的对象命名为“剩余水体1”；
(4)、剩余水体1中，满足NDWI介于0.06与0.32之间且DEM小于等于1的对象为海水，并将海水对象进行合并，使相邻接的海水对象合并为大斑块，不满足条件的对象命名为“剩余水体2”；
(5)、剩余水体2中，满足与海水或滩涂邻接且DEM小于等于1的对象为滩涂；该部分滩涂与3中滩涂之和即为滩涂分类结果；
(6)、剩余水体2中，不满足5中提取滩涂条件的对象为养殖池；
(7)、剩余沿海区1中，满足Hue(R＝'SWIR1',G＝'NIR',B＝'SWIR2')特征介于0.28与0.35之间且LSWI大于等于0.13的对象为红树林，不满足条件的对象命名为“剩余沿海区2”；
(8)、剩余沿海区2中，满足SBI介于17710与30000之间的对象为建筑用地，经多次分类后剩余对象较为纯净为互花米草。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤六具体为：
(1)对红树林、互花米草类别进行类内合并；
(2)利用周长面积比将误分为互花米草或红树林的对象合并到其邻接对象中所占邻接比例最大的类别中；
(3)利用面积、DEM特征将养殖池对象中塘梗位置误分为互花米草的对象合并到养殖池类别中；
(4)提高海水分类精度，将低海拔地区混分为海水的养殖池对象提取出；
(5)整合分类过程中形成的小碎斑块。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤六具体为：
所述(1)对红树林、互花米草类别进行类内合并具体为：
Mergeregion(红树林)；
Mergeregion(互花米草)；
所述(2)利用周长面积比将误分为互花米草或红树林的对象合并到其邻接对象中所占邻接比例最大的类别中具体为：
Removeobjects('红树林','互花米草'；with0.62<＝P\A<＝0.76)；
所述(3)利用面积、DEM特征将养殖池对象中塘梗位置误分为互花米草的对象合并到养殖池类别中具体为：
Removeobjects('互花米草'；withDEM<＝1andArea<＝250pixel,into'养殖池')；
所述(4)提高海水分类精度，将低海拔地区混分为海水的养殖池对象提取出：
Removeobjects('海水'；withArea<＝500pixel,into‘养殖池’)；
所述(5)整合分类过程中形成的小碎斑块：
Removeobjects('none'；withArea<＝10pixel)。
其它步骤及参数与具体实施方式一至四之一相同。
仿真实验：
步骤一：下载试验所用Landsat8OLI影像，轨道号为P124R45，时间2015年1月1日，下载SRTM90米DEM数据，行列号为P58R08。为消除地形畸变，利用试验区的DEM数据对OLI影像进行正射纠正；为消除几何畸变，利用1:50000地形数据，在ERDAS软件中选取地面控制点，对正射纠正后的影像进行几何精纠正。在ArcGIS软件中对DEM进行投影转换，使DEM与Landsat8OLI影像坐标系统一致，并在ARCGIS中利用Fill工具对DEM进行填洼削峰处理，去除伪地形。对Landsat8OLI影像进行预判，确定滨海湿地典型地物类型，包括红树林、互花米草、海水、滩涂、养殖池、建筑用地。
步骤二：对步骤一中预处理后的Landsat8OLI影像进行多尺度分割，依据同质性标准将相邻像元合并为对象，得到影像对象层。表1显示在面向对象分类过程中多尺度分割的参数设置，作为判定像元同质性的标准。
表1.多尺度分割参数设置
| 分割尺度 | 彩色因子 | 形状因子 | 光滑度 | 紧致度 |
| 60 | 0.8 | 0.2 | 0.5 | 0.5 |
步骤三：根据实地调查样点，获得试验区滨海湿地典型地物样本对象，本实例在eCognitionDeveloper8.64软件中计算各滨海湿地典型地物样本对象的光谱特征值，并导出生成典型地物光谱曲线，如图1；
步骤四：利用步骤三中得到的滨海湿地典型地物光谱曲线，并综合影像特征，确定可用于区分滨海湿地典型地物的特征，基于eCognitionDeveloper8.64软件，根据归一化植被指数(NDVI)、地表湿度指数(LSWI)、土壤亮度指数(SBI)、归一化水体指数(NDWI)等公式，利用Objectfeatures中CreateArithmeticFeature工具分别计算对象的上述算数特征，通过HIS变换得到波段组合后的色调(Hue)特征，并将预处理后的DEM作为特征层，利用layervalues工具计算影像对象的DEM特征；
步骤五：首先利用DEM特征确定高程小于等于10米，且NDWI指数介于-0.08和0.32之间的范围为沿海区，然后，利用步骤四得到的所有特征信息，确定区分滨海湿地类别的特征、阈值及顺序，从沿海区中依次分离各类别，由于沿海地物的复杂性和破碎性，单一规则难以提取完全，本发明利用特征组合的方式进一步区分地物，具体分类规则见表2，图2，表2中提取顺序与图2中提取顺序一致。(左分支最底层先进行⑧，再进行⑨，右分支最底层先进行⑤、再进行⑥，其他类型自上而下执行即可)
表2滨海湿地分类规则集
*：根据地物空间关系：首先，将海水对象进行合并操作，即开阔海域将合并为一个大对象，然后，将剩余水体2中邻接海水或滩涂且位于DEM<＝1以内的碎屑剩余水体2分类为滩涂，其他剩余水体2分为养殖池。**：经过多次分离后的剩余沿海区2较为纯净，分为互花米草，但仍存有养殖池塘埂或缺水养殖池与其混淆，可根据塘埂特殊的形状特征以及地物空间关系，减少混淆。
步骤六：对步骤五所得初步结果进行细节处理，本实例中待处理细节如下：
1、常生长植被的养殖池塘埂间或因缺水而反射池底土壤信息的养殖池，其光谱信息易受周围水体光谱信息干扰，致使其易混分为红树林或互花米草；
2、在低海拔地区，存在将滩涂、互花米草、红树林等地物围垦为养殖池的现象，对于这种养殖池在影像特征及空间位置上与海水相似，致使其易混分为海水；
3、在分类过程中，易形成小碎斑块，需进行整合。
结合形状、拓扑、地物空间关系等特征区分混分类别，并归并小碎斑块，优化分类结果。
对上述细节处理过程如下：
1、对红树林、互花米草类别进行类内合并，合并后真实红树林、互花米草呈较大斑块，继而考虑塘埂及养殖池对象呈现多边且面积小的独特形状特征，利用周长面积比(P\A)将此类混淆对象合并到其邻接对象中所占邻接比例最大的类别中去。
Mergeregion(红树林)
Mergeregion(互花米草)
Removeobjects('红树林','互花米草'；with0.62<＝P\A<＝0.76)
Removeobjects('互花米草'；withDEM<＝1andArea<＝250pixel,into'养殖池')
2、低海拔地区的养殖池，通常不与开阔的海水连通，较为破碎斑块较小，利用该性质可进一步提高海水的分类精度。
Removeobjects('海水'；withArea<＝500pixel,into‘养殖池’)
3、Removeobjects('none'；withArea<＝10pixel)
由于地表的复杂性及影像特征的不唯一性，使用规则算法很难将地物完全区分开，但本发明的总体分类精度达91％以上，分类效果较好，如若提高分类精度，适当结合目视解译进行细微修改即可。
步骤七：导出湿地分类，生成各滨海湿地类型矢量；
步骤八：在ArcGIS软件中制作滨海湿地类型图。
本发明技术方案不局限于以上所列举的具体遥感数据，还包括各种遥感影像的面向对象分类方法。
Claims (5)
1.一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于按以下步骤实现：
步骤一：下载Landsat8OLI影像及数字高程模型即DEM数据，并分别对Landsat8OLI影像及DEM数据进行预处理，对预处理后的Landsat8OLI影像进行预判，确定滨海湿地典型地物，包括：红树林、互花米草、海水、滩涂、养殖池和建筑用地；
其中，所述对Landsat8OLI影像预处理包括正射纠正和几何精纠正；
所述对DEM数据预处理包括投影转换，使DEM数据与Landsat8OLI影像坐标系统一致，并在ArcGIS中利用Fill工具进行填洼削峰处理；
步骤二：对步骤一中预处理后的Landsat8OLI影像进行多尺度分割，依据同质性标准将相邻像元合并为对象，得到影像对象层；
步骤三：基于eCognitionDeveloper8.64软件，根据实地调查样点，获得滨海湿地典型地物样本对象，利用Objectfeatures中LayerValues工具计算滨海湿地典型地物样本对象在Landsat8OLI影像各波段的光谱均值，并导出生成滨海湿地典型地物光谱曲线；
步骤四：根据步骤三中得到的滨海湿地典型地物光谱曲线，综合影像特征，确定可用于区分滨海湿地典型地物特征，并基于eCognitionDeveloper8.64软件实现各特征的计算；
步骤五：利用步骤四得到的滨海湿地典型地物特征，通过设定阈值及提取顺序，划定滨海湿地所在范围，依次提取各滨海湿地典型地物对象，得到初步分类结果；
步骤六：对步骤五所得初步分类结果进行细节处理，结合形状、拓扑、地物空间关系特征归并混分斑块，优化分类结果；
步骤七：导出分类结果即滨海湿地典型地物对象，生成各滨海湿地类型矢量；
步骤八：在ArcGIS软件中制作滨海湿地类型图。
2.根据权利要求1所述的一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于所述步骤四具体为：
利用Objectfeatures中CreateArithmeticFeature工具根据公式计算归一化植被指数、地表湿度指数、土壤亮度指数、归一化水体指数，通过HIS变换得到波段组合后的色调特征；并将步骤一中预处理后的DEM作为特征层，利用LayerValues工具计算影像对象的DEM特征。
3.根据权利要求1或2所述的一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于所述步骤五具体为：
(1)、步骤二所得影像对象层中，利用步骤四的计算结果，DEM小于等于10且NDWI介于-0.08与0.32之间的对象为滨海湿地所在范围，命名为“沿海区”；
(2)、沿海区中，满足色调特征(R＝'NIR',G＝'SWIR1',B＝'SWIR2')介于0.7与1之间并且NDVI小于0.15的对象为水体和滩涂，不满足条件的对象命名为“剩余沿海区1”；
(3)、水体和滩涂中，满足LSWI介于0.12与0.31之间且NDVI大于0的对象为滩涂，不满足条件的对象命名为“剩余水体1”；
(4)、剩余水体1中，满足NDWI介于0.06与0.32之间且DEM小于等于1的对象为海水，并将海水对象进行合并，使相邻接的海水对象合并为大斑块，不满足条件的对象命名为“剩余水体2”；
(5)、剩余水体2中，满足与海水或滩涂邻接且DEM小于等于1的对象为滩涂；该部分滩涂与3中滩涂之和即为滩涂分类结果；
(6)、剩余水体2中，不满足5中提取滩涂条件的对象为养殖池；
(7)、剩余沿海区1中，满足色调特征(R＝'SWIR1',G＝'NIR',B＝'SWIR2')介于0.28与0.35之间且LSWI大于等于0.13的对象为红树林，不满足条件的对象命名为“剩余沿海区2”；
(8)、剩余沿海区2中，满足SBI介于17710与30000之间的对象为建筑用地，经多次分类后剩余对象较为纯净为互花米草。
4.根据权利要求3所述的一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于所述步骤六具体为：
(1)对红树林、互花米草类别进行类内合并；
(2)利用周长面积比将误分为互花米草或红树林的对象合并到其邻接对象中所占邻接比例最大的类别中；
(3)利用面积、DEM特征将养殖池对象中塘梗位置误分为互花米草的对象合并到养殖池类别中；
(4)提高海水分类精度，将低海拔地区混分为海水的养殖池对象提取出；
(5)整合分类过程中形成的小碎斑块。
5.根据权利要求4所述的一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于
所述(1)对红树林、互花米草类别进行类内合并具体为：
Mergeregion(红树林)；
Mergeregion(互花米草)；
所述(2)利用周长面积比将误分为互花米草或红树林的对象合并到其邻接对象中所占邻接比例最大的类别中具体为：
Removeobjects('红树林','互花米草'；with0.62<＝P\A<＝0.76)；
所述(3)利用面积、DEM特征将养殖池对象中塘梗位置误分为互花米草的对象合并到养殖池类别中具体为：
Removeobjects('互花米草'；withDEM<＝1andArea<＝250pixel,into'养殖池')；
所述(4)提高海水分类精度，将低海拔地区混分为海水的养殖池对象提取出：
Removeobjects('海水'；withArea<＝500pixel,into‘养殖池’)；
所述(5)整合分类过程中形成的小碎斑块：
Removeobjects('none'；withArea<＝10pixel)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510975435.2A CN105447274B (zh) | 2015-12-22 | 2015-12-22 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510975435.2A CN105447274B (zh) | 2015-12-22 | 2015-12-22 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105447274A true CN105447274A (zh) | 2016-03-30 |
| CN105447274B CN105447274B (zh) | 2018-07-27 |
Family
ID=55557445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510975435.2A Expired - Fee Related CN105447274B (zh) | 2015-12-22 | 2015-12-22 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105447274B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709517A (zh) * | 2016-12-19 | 2017-05-24 | 航天恒星科技有限公司 | 红树林识别方法及系统 |
| CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
| CN108388828A (zh) * | 2017-07-13 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
| CN109657598A (zh) * | 2018-12-13 | 2019-04-19 | 宁波大学 | 基于分层策略的滨海湿地遥感分类方法 |
| CN109726705A (zh) * | 2019-01-24 | 2019-05-07 | 中国科学院地理科学与资源研究所 | 红树林信息的提取方法、装置及电子设备 |
| CN109753916A (zh) * | 2018-12-28 | 2019-05-14 | 厦门理工学院 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
| CN110096997A (zh) * | 2019-04-29 | 2019-08-06 | 宁波大学 | 一种集成多源遥感数据的海岸带精细分类方法 |
| CN110296690A (zh) * | 2019-06-06 | 2019-10-01 | 中国科学院东北地理与农业生态研究所 | 一种基于Google Earth Engine云平台的潮间带滩涂快速遥感提取方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103000077A (zh) * | 2012-11-27 | 2013-03-27 | 中国科学院东北地理与农业生态研究所 | 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法 |
| CN103218806A (zh) * | 2013-03-18 | 2013-07-24 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感卫星图像和面向对象分类法探测高潮时被淹没红树林分布的方法 |
| JP2014149792A (ja) * | 2013-02-04 | 2014-08-21 | Sumitomo Rubber Ind Ltd | シミュレーション結果処理方法、及び、その処理手順を記憶した記録媒体 |
| CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
| CN104268559A (zh) * | 2014-09-15 | 2015-01-07 | 中国科学院东北地理与农业生态研究所 | 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法 |
| CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
-
2015
- 2015-12-22 CN CN201510975435.2A patent/CN105447274B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103000077A (zh) * | 2012-11-27 | 2013-03-27 | 中国科学院东北地理与农业生态研究所 | 利用面向对象的分类方法对中等分辨率遥感图像进行红树林制图的方法 |
| JP2014149792A (ja) * | 2013-02-04 | 2014-08-21 | Sumitomo Rubber Ind Ltd | シミュレーション結果処理方法、及び、その処理手順を記憶した記録媒体 |
| CN103218806A (zh) * | 2013-03-18 | 2013-07-24 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感卫星图像和面向对象分类法探测高潮时被淹没红树林分布的方法 |
| CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
| CN104268559A (zh) * | 2014-09-15 | 2015-01-07 | 中国科学院东北地理与农业生态研究所 | 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法 |
| CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 乐通潮: "漳江口红树林景观动态、结构特征与健康经营技术研究", 《中国博士学位论文全文数据库》 * |
| 刘伟成: "乐清湾滨海湿地不同植被带土壤养分时空分布特征", 《土壤通报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709517A (zh) * | 2016-12-19 | 2017-05-24 | 航天恒星科技有限公司 | 红树林识别方法及系统 |
| CN106709517B (zh) * | 2016-12-19 | 2020-09-04 | 航天恒星科技有限公司 | 红树林识别方法及系统 |
| CN108388828A (zh) * | 2017-07-13 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
| CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
| CN109657598A (zh) * | 2018-12-13 | 2019-04-19 | 宁波大学 | 基于分层策略的滨海湿地遥感分类方法 |
| CN109753916A (zh) * | 2018-12-28 | 2019-05-14 | 厦门理工学院 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
| CN109726705A (zh) * | 2019-01-24 | 2019-05-07 | 中国科学院地理科学与资源研究所 | 红树林信息的提取方法、装置及电子设备 |
| CN109726705B (zh) * | 2019-01-24 | 2020-07-31 | 中国科学院地理科学与资源研究所 | 红树林信息的提取方法、装置及电子设备 |
| CN110096997A (zh) * | 2019-04-29 | 2019-08-06 | 宁波大学 | 一种集成多源遥感数据的海岸带精细分类方法 |
| CN110296690A (zh) * | 2019-06-06 | 2019-10-01 | 中国科学院东北地理与农业生态研究所 | 一种基于Google Earth Engine云平台的潮间带滩涂快速遥感提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105447274B (zh) | 2018-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mao et al. | National wetland mapping in China: A new product resulting from object-based and hierarchical classification of Landsat 8 OLI images | |
| CN105447274A (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
| CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
| CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
| CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
| Dinuls et al. | Tree species identification in mixed Baltic forest using LiDAR and multispectral data | |
| CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
| CN116012723A (zh) | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 | |
| Feng et al. | A hierarchical extraction method of impervious surface based on NDVI thresholding integrated with multispectral and high-resolution remote sensing imageries | |
| CN109584284A (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
| CN107688776A (zh) | 一种城市水体提取方法 | |
| CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
| Liu et al. | Land use and land cover mapping in China using multimodal fine-grained dual network | |
| CN117437538A (zh) | 一种热带雨林生态系统时空格局特征提取及预测方法 | |
| Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
| Nyamekye et al. | Examining the performances of true color RGB bands from Landsat-8, Sentinel-2 and UAV as stand-alone data for mapping artisanal and Small-Scale Mining (ASM) | |
| Lu et al. | Mapping the terraces on the Loess Plateau based on a deep learning-based model at 1.89 m resolution | |
| Ma et al. | Feature-enhanced deep learning network for digital elevation model super-resolution | |
| Wang et al. | Extraction of palaeochannel information from remote sensing imagery in the east of Chaohu Lake, China | |
| Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
| Xu et al. | Spatiotemporal distribution of cage and raft aquaculture in China's offshore waters using object-oriented random forest classifier | |
| Liao et al. | Study on mangrove of maximum likelihood: Reclassification method in Xiezhou bay | |
| Alrassi et al. | GEOBIA For Land Use Mapping Using Worldview2 Image In Bengkak Village Coastal, Banyuwangi Regency, East Java | |
| Han et al. | Remote Sensing Image Classification Based on Multi-Spectral Cross-Sensor Super-Resolution Combined With Texture Features: A Case Study in the Liaohe Planting Area | |
| Xing et al. | MLC30: A New 30 m Land Cover Dataset for Myanmar From 1990 to 2020 Using Training Sample Migration Framework |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180727 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |