CN105654524A - 一种建立土地数据光谱库的方法 - Google Patents

一种建立土地数据光谱库的方法 Download PDF

Info

Publication number
CN105654524A
CN105654524A CN201410629624.XA CN201410629624A CN105654524A CN 105654524 A CN105654524 A CN 105654524A CN 201410629624 A CN201410629624 A CN 201410629624A CN 105654524 A CN105654524 A CN 105654524A
Authority
CN
China
Prior art keywords
data
image
spectral
district
spectrum
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
Application number
CN201410629624.XA
Other languages
English (en)
Inventor
孙义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201410629624.XA priority Critical patent/CN105654524A/zh
Publication of CN105654524A publication Critical patent/CN105654524A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Image Processing (AREA)

Abstract

本发明主要建立长期、大范围土地利用现状图像光谱数据库。传统的图像识别,根据卫片彩色图像到实地确定地物判读标志,回到室内人工能和计算机解译,这样非常慢,费时、费力而且不便于大面积调查。本技术依据数据源合成色彩图像调查区土地利用现状所调查的地物类型,到实地建立不同时段的光谱图像库和光谱反射数据库,这个库可以为植物气候区植物生长相似较大的区域内应用(如黑龙江东部地区)和长期采用,为进一步的土地调研做准备。

Description

一种建立土地数据光谱库的方法
技术领域
本发明涉及一种光谱库的建立,尤其是一种通过人机结合建立土地数据光谱库的方法。
背景技术
从上个世纪八十年代后期开始,我国先后分别开展了农村土地利用现状调查和城镇地籍调查,从过去繁重的人工测量到现如今的遥感确认,土地数据的收集工作有了突飞猛进的发展,
遥感技术主要是针对影像进行判读和解译,判读和解译的结果可以进行各种应用。光谱分析是对遥感影像的光谱数据进行分析,各种地物都有自己的波谱特性,通过这些波谱特性显示地面的信息。光谱分析是遥感技术的依据,懂得光谱分析才能更好地对遥感影像进行解译和判读。
发明内容
任何地物都有自身的电磁辐射规律,如反射、发射、吸收电磁波的特性。这种特性称为地物的光谱特性。每一种地物均有自己的光谱特性,即使同一种地物,因时相不同,其光谱反射性也不同。建立光谱库的目的旨在了解工作区的目标地物在不同时相的卫星数据中的光谱反射特性,为我们识别不同地类提供信息。以备更精准的确定区域划分及每个区域存在物种的详细情况。
基于上述问题,本发明公开一种土地数据光谱库,以下介绍土地数据光谱库的建立方法:
一种建立地物光谱库的方法,系统的光谱库是根据图像定位,地物跟踪取变化特点的和,建立地物识别光谱库,这种光谱库一时一用。本方法根据区域地物的特征分时段建立光谱数据库和光谱图像库,以供人工和计算机识别判断地物之用。在使用过程中根据地物光谱变化不断修改光谱库,在一定区域内,便可一劳永逸永久使用。
本光谱库由两个数据库组成,一个是光谱反射值库,二是光谱图像库。光谱图像库判值精度强于光谱反射值库。其建立步骤包括准备阶段、数据校正、样区设置、光谱信息采集以及结果封装的5个阶段,数据准备阶段包括利用LandsatTM数据,在Erdas中进行TM数据的波段直接合成。形成多时相的多波段合成影像。在以区域为单位采集地物光谱特征时,对不同波段分别赋予相应色彩进行彩色合成,
数据校正是将原始数据的几何变形修复,采用多项校正法,数据校正包括以下步骤:a打开原始数据,b输入控制点,c选择校正函数,d执行校正,e象元几何位置变换,f象元亮度重采样,g结果输出,
样区设置,根据地物分布特征,分布区域,交通条件,将各类地物设计一个样区,样区大部分分布于农作物区域内
光谱信息采集的方法是将样区矢量文件叠加于栅格图像上,取不同象元波段的光谱值,将数值计入excel文件中,将所有需要采集光谱值的波段进行相同处理,
结果封装,通过编程语言VB,制作程序,将所有光谱及样区色彩特征封装在程序中。
发明的有益效果
利用本方法采集光谱值具有代表性和高度的准确性。每一种地物均有自己的光谱特性,即使同一种地物,因时相不同,其光谱反射性也不同。建立光谱库旨在了解工作区的目标地物在不同时相的卫星数据中的光谱反射特性,为我们识别不同地类提供及时有效的信息。
附图说明
图1为几种地物的光谱曲线
图2为地物光谱采集工作流程图
图3为光谱反射值库
图4为光谱图像库
图5为两数据库结合图
具体实施方式
1地物光谱库的建立
1.1光谱信息采集方案的设定
因本项目属于实验性项目,国内尚无先例,为确保项目完成的可靠性,在采集地物光谱信息时设计提取两种信息,当某一种信息因难以预测的原因而达不到要求时,由另一种信息代替。
如图1为几种地物的光谱曲线。
光谱值提取:以象元为单位,针对每一类地物各取五个象元,读取其六个波段的光谱反射值。
判读标志提取:以区域为单位,对每一类地物选取一个样区,采集4R5G3B和4R3G2B两种合成方式下的地物色彩特征。实际上,对于某一时相来说,在六个波段中取三个波段,分别赋予R、G、B三种颜色进行合成共120种之多,如1R2G3B、1R3G2B、7R2G5B、4R5G3B等。从TM的七个波段来看,6波段为红外波段,分辨率为120meter×120meter,在资源调查中一般不采用,从剩下的1、2、3、4、5、7等六个波段看,1、2、3三个波段的相当关系数较大,信息重复较多;4波段信息比较独立;5、7波段的信息重复也较多,信息量最丰富的三个波段是3、4、5,其次是2、3、4.从区分地类来看,假彩色合成更好一些,所以我们用4R5G3B和4R3G2B的合成方式进行合成,并提取他们的色彩特征。
1.2地物光谱的采集方法
1.2.1工作流程
从图2可以看出,地物光谱的采集工作分为5个阶段,即准备阶段、数据校正、样区设置、光谱信息采集以及结果封装的5个阶段。
1.2.2数据准备
光谱信息来自landsatTM数据。在工作中,使用两个年度、6个时相的TM数据
1.2.3波段合成
在Erdas中进行TM数据的波段合成。为保证光谱值的准确性,在图像处理时,既不拉伸也不增强,保持数据的原始风貌,直接合成。形成六个时相的多波段合成影像。在以区域为单位采集地物光谱特征时,对4、5、3及4、3、2三个波段分别赋予红绿蓝三种色彩进行假色合成。
1.2.4影像校正
卫星数据校正是遥感图像处理过程中的重要环节。校正的目的是修正原始数据因卫星姿态、高度、以及地球曲率等造成的几何变形,从而产生一副符合需要的新图像。这一过程包括打开原始数据——输入控制点——选择校正函数——执行校正——象元几何位置变换—象元亮度重采样——结果输出。这其中有两个重点环节,即像素坐标变换和像素亮度值重采样。
在工作中,我们采用多项式(PolynomailEquation)校正法,这是一种间接处理法。它根据控制点计算出校正多项式的系数,从而建立起控制点的地图空间和图像空间之间的坐标变换函数式。
其技术路线是在被校图像和参考源上,根据控制点的选取原则,选取控制点对,分别读取参考源上的坐标(xR,yR)和被校数据上的行列坐标(X,Y),则被校数据坐标和参考源之间的函数关系式为:
X=F(xR,yR)
Y=G(xR,yR)
则二次多项式为:
Xi=a0+a1xRi+a2yRi+a3xRi2+a4xRiyRi+a5yRi2
Yi=b0+b1xRi+b2yRi+b3xRi2+b4xRiyRi+b5yRi2
式中:Xi,Yi——为第i个控制点的图像坐标;
xRi,yRi——为第i个控制点的参考源坐标;
an,bn——为二次多项式系数
其中n=1,2,3,…………100……
用控制点坐标按二乘法求出多项式系数,利用求得的系数所确定的坐标换算函数对全部数据进行坐标变换,从而达到校正的目的。
当象元变换的坐标计算值为小数时,原始图像数据阵列中该非整数点位上没有对应亮度值,就需要通过采样的方法,根据该点位相邻象元对该点亮度的贡献计算得到该点位的亮度值。
本次工作中我们以土地利用现状数据库为准,以其中的线状矢量层为参考,将六个时相的多波段合成影像校正到53带的高斯坐标系下。校正时,我们在一景图像内平均取30~35个控制点,校正方法采用二次多项式方程,最大残差RMS小于0.6个象元,重采样象元为30meter*30meter,采样方法为最近邻域法。
1.2.5采样地类及采样区的选择方法
经综合分析及野外踏察,确定饶河县境内主要分布有12类地物,所以地物光谱的采集是针对这12类地物来进行的,此12类地物分别为:人工林、有林地、道路、灌木丛、水域、荒草地、撂荒地、水田、菜地、居民点、大豆、小麦。根据诸多因素,如各种地物的分布特征、分布地域以及交通条件等,我们为每类地物设计了一个样区。样区绝大多数分布在农作物区域内。
1.2.6光谱值采集方法
如图3在保持数据原始光谱值的情况下,将样区矢量文件叠加在栅格图像上,随机读取5个亮度值不同的象元6个波段的光谱值,记录下该值,并写入excel文件中,对需要采集光谱值的六个多波段合成图像都做相同的处理。
如图4取用样区矢量文件将等大的栅格图像切取下来,切取图像是,三波段合成方式分别为4R5G3B、4R3G2B,将切下的图像保存为.bmp格式。
如图5将两数据库结合,采用控制变量的方式对比分析,是数据库更加精确。
1.2.7光谱库的VB编程封装
所采集到的光谱值以及光谱特征都是分散的,不便于浏览和使用,因此我们利用编程语言VB,制作了一个程序,将所有光谱值及样区色彩特征封装在其中,以曲线、柱状图等不同的查询方法实现光谱值的浏览展示功能。该程序的内容包括饶河县简介、光谱采样区的分布位置、采样区的高斯坐标值以及各个时相各类地物的光谱特征和多种不同的查询方法等。该程序界面简单,方便宜用,可通过SETUP方式安装到计算机中。

Claims (1)

1.一种建立土地数据光谱库的方法,其特征在于,本光谱库由两个数据库组成,一个是光谱反射值库,二是光谱图像库,其主要步骤包括准备阶段、数据校正、样区设置、光谱信息采集以及结果封装的5个阶段,所述数据准备阶段包括利用LandsatTM数据,在Erdas中进行TM数据的波段直接合成,形成多时相的多波段合成影像,在以区域为单位采集地物光谱特征时,对不同波段分别赋予相应色彩进行假色合成
数据校正是将原始数据的几何变形修复,采用多项校正法,数据校正包括以下步骤:a打开原始数据,b输入控制点,c选择校正函数,d执行校正,e象元几何位置变换,f象元亮度重采样,g结果输出,
样区设置,根据地物分布特征,分布区域,交通条件,将各类地物设计一个样区,样区大部分分布于农作物区域内,
光谱信息采集的方法分为两种,光谱反射值库是将样区矢量文件叠加于栅格图像上,取不同象元波段的光谱值,将数值计入Excel文件中,将所有需要采集光谱值的波段进行相同处理,光谱图像库是根据与光谱反射值库同时段同样区矢量文件等大的栅格图像切取下来,切取图像时三波段合成方式分别为4R5G3B、4R3G2B,将切下的图像保存为.bmp格式,
结果封装,通过编程语言VB,制作程序,将所有光谱及样区色彩特征封装在程序中。
CN201410629624.XA 2014-11-11 2014-11-11 一种建立土地数据光谱库的方法 Pending CN105654524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410629624.XA CN105654524A (zh) 2014-11-11 2014-11-11 一种建立土地数据光谱库的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410629624.XA CN105654524A (zh) 2014-11-11 2014-11-11 一种建立土地数据光谱库的方法

Publications (1)

Publication Number Publication Date
CN105654524A true CN105654524A (zh) 2016-06-08

Family

ID=56483641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410629624.XA Pending CN105654524A (zh) 2014-11-11 2014-11-11 一种建立土地数据光谱库的方法

Country Status (1)

Country Link
CN (1) CN105654524A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1677085A (zh) * 2004-03-29 2005-10-05 中国科学院遥感应用研究所 对地观测技术的农业应用集成系统及其方法
CN1721877A (zh) * 2004-07-15 2006-01-18 牛铮 基于历史图件的土地利用变化检测
CN102854513A (zh) * 2012-09-05 2013-01-02 环境保护部卫星环境应用中心 环境一号hj-1a/b星ccd数据的云检测方法
CN102930496A (zh) * 2012-10-29 2013-02-13 南京信息工程大学 基于tm影像的水体信息提取方法
CN102928847A (zh) * 2012-11-12 2013-02-13 中国热带农业科学院橡胶研究所 一种从遥感影像中提取橡胶林对应像元像素值的方法
CN103500325A (zh) * 2013-10-15 2014-01-08 南京大学 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1677085A (zh) * 2004-03-29 2005-10-05 中国科学院遥感应用研究所 对地观测技术的农业应用集成系统及其方法
CN1721877A (zh) * 2004-07-15 2006-01-18 牛铮 基于历史图件的土地利用变化检测
CN102854513A (zh) * 2012-09-05 2013-01-02 环境保护部卫星环境应用中心 环境一号hj-1a/b星ccd数据的云检测方法
CN102930496A (zh) * 2012-10-29 2013-02-13 南京信息工程大学 基于tm影像的水体信息提取方法
CN102928847A (zh) * 2012-11-12 2013-02-13 中国热带农业科学院橡胶研究所 一种从遥感影像中提取橡胶林对应像元像素值的方法
CN103500325A (zh) * 2013-10-15 2014-01-08 南京大学 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
孙俊杰等: "基于多时相环境卫星数据的南瓮河流域湿地信息提取方法研究", 《湿地科学》 *
苏伟等: "基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例", 《遥感学报》 *
蔡亮等: "基于面向对象方法的汶川大地震灾害土地覆盖变化", 《生态学报》 *
陈雪华: "基于高光谱数据的海岸带水体及环境要素监测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
Zhang et al. Morphological transformation and spatial-logical aggregation for tree species classification using hyperspectral imagery
Onojeghuo et al. Rice crop phenology mapping at high spatial and temporal resolution using downscaled MODIS time-series
Otgonbayar et al. Mapping pasture biomass in Mongolia using partial least squares, random forest regression and Landsat 8 imagery
Thenkabail et al. Assessing future risks to agricultural productivity, water resources and food security: How can remote sensing help?
Gumma et al. Mapping rice areas of South Asia using MODIS multitemporal data
CN105678281B (zh) 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
CN102521273B (zh) 一种高分辨率遥感的多功能城市用地空间信息生成方法
CN104915674A (zh) Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法
Xia et al. Exploring the potential of Chinese GF-6 images for crop mapping in regions with complex agricultural landscapes
Wang et al. Using GF-2 imagery and the conditional random field model for urban forest cover mapping
Xun et al. Mapping cotton cultivated area combining remote sensing with a fused representation-based classification algorithm
Jin et al. Mapping the annual dynamics of cultivated land in typical area of the Middle-lower Yangtze plain using long time-series of Landsat images based on Google Earth Engine
Zhu et al. Detection of paddy rice cropping systems in southern China with time series Landsat images and phenology-based algorithms
Deng et al. Winter wheat planting area extraction technique using multi-temporal remote sensing images based on field parcel
CN115468917A (zh) 基于高分辨率遥感提取农田地块作物信息的方法及系统
Tao et al. Mapping winter rapeseed in South China using Sentinel-2 data based on a novel separability index
CN105678280B (zh) 基于纹理特征的地膜覆盖农田遥感监测方法
Zhou et al. MDvT: introducing mobile three-dimensional convolution to a vision transformer for hyperspectral image classification
Xia et al. A spatial frequency/spectral indicator-driven model for estimating cultivated land quality using the gradient boosting decision tree and genetic algorithm-back propagation neural network
Li et al. Texture-Aware Self-Attention Model for Hyperspectral Tree Species Classification
CN105654524A (zh) 一种建立土地数据光谱库的方法
Li et al. Phenology–Gross Primary Productivity (GPP) Method for Crop Information Extraction in Areas Sensitive to Non-Point Source Pollution and Its Influence on Pollution Intensity
Hu et al. Optimal scale extraction of farmland in coal mining areas with high groundwater levels based on visible light images from an unmanned aerial vehicle (UAV)
CN115527108A (zh) 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法
Li et al. Construction of a small sample dataset and identification of Pitaya trees (Selenicereus) based on UAV image on close-range acquisition

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160608