CN105825221A - 土地自动演化分类方法 - Google Patents
土地自动演化分类方法 Download PDFInfo
- Publication number
- CN105825221A CN105825221A CN201510007308.3A CN201510007308A CN105825221A CN 105825221 A CN105825221 A CN 105825221A CN 201510007308 A CN201510007308 A CN 201510007308A CN 105825221 A CN105825221 A CN 105825221A
- Authority
- CN
- China
- Prior art keywords
- soil
- land
- classification
- data
- satellite
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及生态环境领域,公开了一种土地自动演化分类方法,包含以下步骤:A.利用来自卫星的多时相数据计算土地的归一化植被指数NDVI值;B.根据NDVI值按预知土地分类基准数据对土地进行分区分类,获得土地初步分类表;C.利用预设的遥感训练库和土地初步分类表,对土地进行精确分类,获得土地分类结果;其中,预设的遥感训练库包含已知的土地演化结果。由于作为数据源的多时相数据具有确切的时间点,利用本发明实施方式中土地自动分类方法可以通过对不同时间点的多时相数据进行处理,获得特定时相尺度上的土地自动分类准确完整数据,便于土地的演化分析。
Description
技术领域
本发明涉及生态环境领域,特别涉及土地自动演化分类方法。
背景技术
土地利用和土地覆被不仅是某一地域内人类对自然空间的利用方式,它更牵扯到全球范围内的自然生态环境的变化。土地利用方式变化对气候、空气、生物多样性、土壤等环境因素都有着深远的影响。而在土地利用和土地覆被的变化中,人类活动是主要的影响因素之一,特别是在社会文明飞速发展的今天,人类社会经济活动在城镇周边乃至远离城镇的偏远郊区都起主导作用。
目前的土地利用和土地覆被研究主要有土地利用和土地覆被变化的驱动因素、土地利用和土地覆被的动态分析还有土地利用和土地覆被的变化模型这三个方面。近年来我国提出了大力推进生态文明建设和新型城镇化的发展战略,土地利用变化对全球气候、地区生态环境和资源安全的影响开始受到各界的关注。
为协调生态环境保护与社会经济发展,环境保护部与中国科学院于2012年启动了“全国生态环境十年变化遥感调查与评估项目”。但其中的数据仅有2000年、2005年和2010年三年的土地生态分类数据,纵向时间上并不完整,而且2010年以后还没有现有的分类数据。土地分类的完整数据对于土地演化分析有着重要意义,由于现有土地分类成果数据在时间上较为局限,无法获得时间上的完整数据,进而影响土地演化分析。
另外,现有用于生态环境尤其是生态系统空间关系研究的土地分类的自动分类工具较少,准确度也不高,对土地演化分析的精准度提高形成了阻碍。
发明内容
本发明的目的在于提供一种土地自动演化分类方法,使得可以在特定时相尺度上对土地进行自动分类,获得准确完整的分类数据,便于土地的演化分析。
为解决上述技术问题,本发明的实施方式提供了一种土地自动演化分类方法,包含以下步骤:
A.利用来自卫星的多时相数据计算土地的归一化植被指数NDVI值;
B.根据所述NDVI值按预知土地分类基准数据对土地进行分区分类,获得土地初步分类表;
C.利用预设的遥感训练库和所述土地初步分类表,对土地进行精确分类,获得土地分类结果;其中,所述预设的遥感训练库包含已知的土地演化结果。
本发明实施方式相对于现有技术而言,主要区别及效果在于:对来自卫星的多时相数据进行影像预处理,根据预处理结果进行土地初步分类,同时,为了消除获得的分类结果中存在的分类冲突等误差现象,进一步结合预设的遥感训练库进行消除,遥感训练库为已知的过去的土地演化结果,根据土地的时间连续性和演化的一致性,可以对现有土地演化进行预测,那么就可以利用遥感训练库对土地初步分类结果进行精确化,得到精确的土地分类。由于作为数据源的多时相数据具有确切的时间点,利用本发明实施方式中土地自动分类方法可以通过不同时间点的多时相数据进行处理,获得特定时相尺度上的土地自动分类准确完整数据,便于土地的演化分析。
作为进一步改进,在所述步骤C之后,还包含以下步骤:D.根据数字高程模型DEM数据对所述土地分类结果进行修正。
利用DEM数据可以对自动分类结果进行有效性判定,找出其中的不合理分类结果进行修正,进一步提高土地分类结果的精确度。
作为进一步改进,在所述步骤D中,根据DEM数据对所述土地分类结果中的建设用地的土地进行修正;其中,所述建设用地为所述土地分类结果中的一个地类。
由于通过坡度数据可以直接对建设用地分类是否正确进行判定,利用DEM数据中的坡度数据对分类结果的建设用地地类进行修正,使得结果修正更为准确。
作为进一步改进,在所述步骤B之前,还包含以下步骤:
利用来自卫星的多时相数据计算土地的归一化水体指数NDWI值;
在所述步骤B中,利用所述NDWI值修正NDVI值,根据修正后的NDVI值对土地进行分类,获得土地初步分类表。
利用NDWI值可以消除NDVI值中无法区分云层与雪地的局限性,排除云层和雪地对土地分类结果的影像,进一步提高土地自动分类的精度。
作为进一步改进,在所述步骤B之前,还包含以下步骤:
根据预设的时间起末节点数据,计算土地分类的差异区域;
利用对所述差异区域进行缓冲区分析的结果,获得多环邻域;
在所述步骤B中,对多环邻域的土地进行分类,获得土地初步分类表。
为避免计算大量重复数据,引入预设的起末节点数据,仅对起末节点间的多环邻域进行土地自动分类,缩小需要自动分类的土地区域,大大加快了本发明实施方式中的土地自动分类方法的分类速度。
作为进一步改进,在所述对差异区域进行缓冲区分析的步骤前,包含以下步骤:
获取待分类土地的最近历史分类数据中的人工表面部分;其中,所述人工表面为所述预知土地分类基准数据中的一个地类;
在所述利用对差异区域进行缓冲区分析的结果,获得多环邻域的步骤中,对所述差异区域和所述人工表面部分的并集进行缓冲区分析,获得多环邻域。
由于人工表面对土地未来的演化影响较大,所以对人工表面同时进行缓冲区分析,使得后续获得的多环邻域与实际情况更为接近,进一步使得本发明实施方式中的土地自动演化分类更为准确。
作为进一步改进,在所述获得多环邻域的步骤后,并在所述步骤B之前,包含以下步骤:
对所述NDVI值进行卷积运算;
在所述步骤B之中,根据所述进行卷积运算后的NDVI值对多环邻域的土地进行分类,获得土地初步分类表。
由于作为数据源的卫星数据与起末节点数据间可能存在空间位移,所以利用卷积运算可以在精度要求不是很高的空间分辨率下消除上述空间位移造成的数据偏差。
作为进一步改进,在所述步骤C之后,还包含以下步骤:根据预设的融解规则对所述土地分类结果进行融解运算。
利用融解运算可以消除土地自动分类结果中的噪点,也可以提高分类结果的整合度,进一步利于土地分类结果的应用。
作为进一步改进,根据迭代方式更新所述多时相数据,并重复步骤A至C,获得土地分类演化数据。
利用迭代算法,进一步对土地的时相进行自动化分类,获得整体时间上的土地分类表。
作为进一步改进,所述卫星为以下之一或其任意组合:LandSat5卫星、LandSat7卫星、LandSat8卫星、HJ-1A/B卫星、SPOT5/6卫星和GF-2卫星。本发明可以根据实际需求选取不同的卫星数据组合,灵活多变地适应不同的应用场景,拓展本发明的应用范围。
附图说明
图1是根据本发明第一实施方式中土地自动演化分类方法流程图;
图2是根据本发明第一实施方式中土地自动演化分类方法中融解前的分类结果图像仿真图;
图3是根据本发明第一实施方式中土地自动演化分类方法中融解后的分类结果图像仿真图;
图4是根据本发明第二实施方式中土地自动演化分类方法流程图;
图5是根据本发明第二实施方式中土地自动演化分类方法中土地S的差异区域示意图;
图6是根据本发明第二实施方式中土地自动演化分类方法中多环领域的构建过程示意仿真图;
图7是根据本发明第二实施方式中土地自动演化分类方法中多环领域演化的外推成果示意仿真图;
图8是图7中方框部分的放大图;
图9是根据本发明第三实施方式中土地自动演化分类方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请各权利要求所要求保护的技术方案。
本发明的第一实施方式涉及一种土地自动演化分类方法,其流程如图1所示,具体如下:
步骤101,利用来自卫星的多时相数据计算土地的归一化植被指数NDVI值。
具体的说,本实施方式中的数据源,也就是卫星的多时相数据可以为卫星的遥感影像数据。本实施方式中的卫星可以采用LandSat5卫星、LandSat7卫星和LandSat8卫星三颗卫星的遥感影像图片。
本发明发明人发现,由于时相遥感数据是本实施方式中的数据源,本实施方式中土地自动分类结果的正确、分类方法的高效运行需要大量高质量的影像数据,因此对时相数据的来源也有较高的要求。如空间分辨率高、影像获取时间跨度大,时间分辨率高,云量少等等。比如,为尽量减少云层对影像数据的影像,可以选择云量在5%以下的图像数据作为数据源。综合以上几点要求,本实施方式中选择Landsat系列卫星作为本实施方式中时相遥感数据的主要来源。美国NASA的陆地卫星(Landsat)计划,从1972年7月23日以来,已发射8颗(第6颗发射失败)。目前Landsat1-4均相继失效,Landsat5仍在超期运行(从1984年3月1日发射至今)。Landsat7于1999年4月15日发射升空。Landsat8于2013年2月11日发射升空,经过100天测试运行后开始获取影像。Landsat系列卫星可以提供自上世纪80年代至今的遥感影像图片,而且其遥感影像数据可以免费下载,降低了系统应用成本。
需要说明的是,由于同一土地不同季节的NDVI值差别较大,所以本实施方式中选用的多时相数据可以尽量分布在不同季节,以此增加本发明实施方式中土地自动分类的准确性。
此外,值得一提的是,在实际应用中,除了LandSat系列卫星外,还可以使用其他卫星,虽然LandSat卫星的影像数据可以基本满足本实施方式中土地自动分类方法的需求,但是其30米的分辨率、时相分布的不均衡还是会限制到分类结果的质量和应用范围。扩展遥感数据即是为了提升这方面的短板,采用更高遥感分辨率、更高光谱分辨率的影像,如来自HJ-1A/B卫星、SPOT5/6卫星和GF-2卫星的影像数据,对运算成果进行修正,从而提高成品的精确度。这些卫星的数据更加丰富,可以进一步增加本实施方式中土地自动分类的准确性。
当然,应用中也可以根据实际需求选择不同的卫星组合,如选择以下之一或其任意组合的卫星数据:LandSat5卫星、LandSat7卫星、LandSat8卫星、HJ-1A/B卫星、SPOT5/6卫星、MODIS卫星和GF-2卫星。同时,本领域普通技术人员可知,如果数据源越多,也就是利用的卫星越多,虽然会提高计算的复杂度,但也可以大大增加土地自动分类的准确性,使得本发明可以根据用户的实际需求,设计不同的卫星组合,灵活多变地适应不同的应用场景,拓展本发明的应用范围。
还需说明的是,数据源在进行NDVI计算前,还可以进行辐射校正或几何校正。具体的说,辐射校正又包括辐射定标与大气校正,将影像的数值转换为地表反射率,并消除大气对光线传输造成的影响。几何校正可以消除影像获取时由于传感器姿态、速度和地球自转而造成的影像畸变和几何误差。通过一系列的预处理,可以进一步增加本实施方式中土地自动分类方法的准确性。
另外,在进行NDVI值计算时,为简化计算,可以将图像中的栅格区域转换为点阵矢量数据。同时,为了加快运算速度,可以将NDVI中的数据进行重分类,重分类指的是将原有[-1,1]区间内的float型数据,按等比例间隔原则转换成运算速度更快的[0,255]区间的int型数据。每一个栅格的中心生成一个点,其属性值等于原演变栅格的Value值(即经过重分类的NDVI值)。
步骤102,根据NDVI值对土地进行分类,获得土地初步分类表。
具体的说,NDVI,即归一化植被指数,用于检测植被生长状态、植被覆盖度等要素。不同地物的NDVI值也不尽相同,如水体、云层、冰雪等呈现负值;建筑物、裸地等地物的NDVI值在0附近;有植被覆盖的区域NDVI呈现正值,其大小与植被的密度和生长情况有关。利用这一特点,即可根据NDVI值进行土地利用类型的分类,也就是进行本实施方式中的土地自动分类,进而获得土地初步分类表。
更具体的说,本实施方式中是根据NDVI值按预知土地分类基准数据对土地进行分区分类,也就是说,NDVI值和土地初步分类表中土地类型的对应关系可以来自已知的土地分类影像。其中,对已有土地利用分类结果的影像进行统计,将他们每一地类的属性值进行统计分析,得出每一地类的NDVI属性值的最小值、最大值、平均值、标准差、中位数、众数等值。如,计算出“水田”地类对应的NDVI值的最小值、最大值、平均值、标准差、中位数、众数等值。根据上述统计分析结果,对于每一种地类,都可以得出一个该地类属性值大小的分布范围,若一个未知地类的点的属性值落在某地类A的属性范围内,则可认为这个未知点的地类为A。
需要说明的是,本实施方式可以进一步优化,在利用NDVI值进行土地分类前,还可以计算NDWI(即归一化水体指数,用于提取遥感影像中的水体信息)值,并利用NDWI值对NDVI值进行修正,再利用修正后的NDVI值对土地进行分类,获得土地初步分类表。由于NDVI值具有无法将云层与雪地区分开来的缺陷,将NDWI和NDVI两指数结合,可以将云层与水体区分开,从而排除云层和水体或雪地对土地利用分类的影响。
步骤103,利用预设的遥感训练库和土地初步分类表,对土地进行精确分类,获得土地分类结果。
具体的说,在步骤102中获得的土地初步分类表中,不同地类的属性值范围可能有重叠的部分,亦有某些属性值在任何一个地类属性范围之外的情况。这时,如果直接利用初步分类表中的分类结果,其准确度会较低。本发明的发明人发现,土地的演化具有一致性,虽然不是完全相同,但其主要演化趋势会类似,所以根据已知的土地演化结果对土地初步分类表进行分类结果进行引导,即可得到更为准确的土地初步分类结果。
在本实施方式中,可以将已知的土地演化结果制作为遥感训练库,并利用该遥感训练库和步骤102中得到的土地初步分类表,对土地进行精确分类。其中,预设的遥感训练库包含已知的土地演化结果。最终自动得到土地利用分类成果。
步骤104,根据DEM(DigitalElevationModel,数字高程模型)数据对对土地分类表进行修正。
具体的说,步骤103中得到的土地分类结果完全是根据影像数据计算获得,其中极有可能出现错误数据,比如将一块坡度很大的土地分类为建设用地,显然其结果与实际不符,需要修正。
在本实施方式中,可以利用DEM数据中的坡度数据对土地分类结果进行修正。具体的说,可以根据DEM数据对土地分类结果中的建设用地进行修正,建设用地也就是土地分类结果中的一个地类。
值得一提的是,在实际应用中,与实际不符的错误结果可能不存在,也就是本步骤104可以省略。
本实施方式可以进一步优化,在得到土地分类结果后,根据预设的融解规则对土地分类结果进行融解运算。
具体的说,在步骤103或步骤104得出的分类结果中,可能会有零散的地类点,面积很小且与周围土地利用类型均不同。这样的点可能是由于用于分类的影像属性值处于两种地类的过渡区而令分类工具产生了歧义。通过图斑融合功能可以将这样的小图斑去除并自动根据周围地类进行分类,美化成品图的同时也减少了错误率。如图2所示的融解前的分类结果图像,如图3所示的融解后的分类结果图像,通过图2和图3的比较可以发现,利用融解运算可以消除土地自动分类结果中的噪点,也可以提高分类结果的整合度,同时进一步利于土地分类结果的应用。
值得一提的是,融解规则可以根据实际需要设置,比如以九宫格的图块为例,可以设置仅融解九宫格中心图块与周围图块不同时的情况,也可以融解九宫格中任意相邻的两块与其他图块不同时的情况,还可以设置为其他情况,在此不再一一列举。
本实施方式相对于现有技术而言,对来自卫星的多时相数据进行影像预处理,根据预处理结果进行土地初步分类,同时,为了消除获得的分类结果中存在的分类冲突等误差现象,进一步结合预设的遥感训练库进行消除,遥感训练库为已知的过去的土地演化结果,根据土地的时间连续性和演化的一致性,可以对现有土地演化进行预测,那么就可以利用遥感训练库对土地初步分类结果进行精确化,得到精确的土地分类。由于作为数据源的多时相数据具有确切的时间点,利用本发明实施方式中土地自动分类方法可以通过不同时间点的多时相数据进行处理,获得特定时相尺度上的土地自动分类准确完整数据,便于土地的演化分析。综上,本实施方式以已知的土地利用分类影像为数据基础,对多源遥感数据进行归一化批量处理,在保证解译精度的同时可以进行驱动因素研究、动态分析和预测模型演算等功能。可以为整体性的土地利用变化研究提供数据来源和分析支持。
本发明的第二实施方式涉及一种土地自动演化分类方法。第二实施方式是在第一实施方式上的做的进一步改进,主要改进之处在于:在第一实施方式中,对数据源所有的数据进行土地分类计算。而在本发明第二实施方式中,根据预设的时间起末节点数据,以及该土地历史分类数据中的人工表面部分,计算出多环邻域,并仅对多环邻域的土地进行分类。减少了其他区域的土地分类运算,大大加快了本实施方式中的土地自动分类方法的分类速度。
本发明的发明人发现,由于对所有区域的土地进行影像数据分析时,运算速度与区域面积大小密切相关,一旦需要分类的区域面积较大,那其数据运算量则非常惊人,考虑到快速分类的可实现,当需要分类的土地面积较大时,可以将土地中最可能变化的区域划定为限定区域,仅对限定区域的土地进行分类。如何准确划定这个限定区域至关重要,本实施方式中可以利用该土地过往的变化区域进行划定,再对该变化区域进行缓冲区分析,由于土地类型的变化与土地利用有关,而土地利用的变化原因主要来自人类活动,这样也就可以基本准确地得出该土地上最可能变化的区域。
本实施方式中的方法流程如图4所示,具体如下:
步骤401,根据预设的时间起末节点数据,计算土地分类的差异区域。
具体的说,本实施方式中预设的时间起末节点数据可以来自中国地理数据云的中国生态环境十年变化评估数据库系统。为优化工具的运算效率,避免重复工作,本自动土地分类方法在分类之前会使用期末点数据得出差异区域。即得出两控制节点年份之间土地利用类型发生变化的部分,将发生变化的部分导出为演变运算区域,反之不发生的变化则默认在需要运算的年份内也没有变化。如在现有的2000年、2005年或2010年的数据中,利用2000年和2005年作为两个控制节点(即预设的时间起末节点),2000年的数据作为起始点,利用2005年的数据作为结束点,计算出2000年数据和2005年数据中的差异数据(如图5所示,图中土地S中的黑色斑块即为计算得到的差异区域),可见,差异区域仅占总区域的一小部分。
值得一提的是,预设的起末节点除了利用上述提到的中国地理数据云的中国生态环境十年变化评估数据库系统,还可以来自其他可以提供起末节点时相数据的土地分类数据库,在此不再一一列举。
步骤402,获取待分类土地的最近历史分类数据中的人工表面部分。
具体的说,由于待分类土地是获取该土地在某时相时的土地分类,在该时相之前,这块土地是存在历史分类数据的,最近历史分类数据指的是在时相上与现在所需分类的时相最为接近的数据。如该土地的历史分类数据存在2000年和2010年,现需要进行演化分类的时相为2011年,那么2010年比2000年更为接近2011年,其数据有效性也更为可靠。
需要说明的是,人工表面指的是预知土地分类基准数据中的一个地类,包括居住用地、工业用地、交通用地。由于人工表面上一般为人类活动,而土地利用的变化原因主要来自人类活动,所以获取最近历史分类数据中的人工表面,使得后续获得的多环邻域与实际情况更为接近,进一步使得本发明实施方式中的土地自动演化分类更为准确。
步骤403,对差异区域和人工表面部分的并集进行缓冲区分析,获得多环邻域。
具体的说,缓冲分析是一个基本的GIS空间分析功能,多环是指以要缓冲的多边形为起点,以其不同的距离,划分出影响范围,例如50米,100米,200米等,这样就可以形成带状的区域围绕着要缓冲的多边形。如图6所示为多环邻域的构建过程,其中,图中的黑色部分为人工表面,亮白与浅灰为邻域;图7为利用多环邻域演化的外推成果;图8为图7中方框部分放大后的细部特征,不同的邻域尺度在外推运算后的结果。
需要说明的是,由于土地类型的变化与土地利用有关,所以,差异区域和人工表面共同决定了未来变化最可能发生的区域。因此,在本实施方式中进行缓冲区分析,获得不同权值的多环邻域来实现问题空间的相对精确的确定,,仅对多环邻域进行土地分类显然会大大降低运算量,从而大幅度减小问题空间,提高自动分类的时间效率,加快土地分类速度。
步骤404与第一实施方式中的步骤101大致相同,在此不再赘述。
步骤405,对多环邻域中的土地进行分类,获得土地初步分类表。
也就是说,对差异区域的土地,根据NDVI值对土地进行分类,获得土地初步分类表。
值得一提的是,本步骤前还可以预先对NDVI值进行卷积运算,再根据进行卷积运算后的NDVI值对差异区域的土地进行分类,获得土地初步分类表。由于作为数据源的卫星数据与起末节点数据间可能存在空间位移,所以利用卷积运算可以消除上述空间位移造成的数据偏差。
本步骤中具体的分类方法和第一实施方式中的步骤102相类似,在此不再赘述。
步骤406至步骤407和第一实施方式中的步骤103至步骤104相类似,在此不再赘述。
本实施方式中的土地自动分类方法为避免计算大量重复数据,引入预设的起末节点数据,仅对起末节点间的差异区域和待分类土地的最近历史分类数据中的人工表面进行缓冲区分析,对得到的多环邻域进行土地自动分类,也就是可以从最近的历史分类数据(类似“起点”)向外推算,得到多环邻域中土地的演化分类结果,之后再和“起点”数据中无变化区域的分类数据进行叠加,即可得到土地演化后的完整分类数据。由于起末节点间没有差异或历史分类数据中没有人类活动的土地,即可认为也没有变化,从而不需重复计算分类,大大加快了本发明实施方式中的土地自动演化分类方法的分类速度。
本发明的第三实施方式涉及一种土地自动演化分类方法。第三实施方式是在第一实施方式上的做的进一步改进,主要改进之处在于:在第一实施方式中,仅得到一个最终的土地分类结果;而本实施方式中,可以利用迭代方式更新多时相数据,再通过重复土地自动分类方法,获得土地分类演化数据。利用迭代算法,进一步对土地的时相进行自动化分类,获得整体时间上的土地分类表。
本实施方式中的土地自动分类方法流程如图9所示,具体如下:
步骤901至步骤904与第一实施方式中的步骤101至步骤104大致相同,在此不再赘述。
步骤905,判断迭代算法是否完毕;若是,则结束本实施方式中的土地自动分类方法;若否,则执行步骤906。
具体的说,在应用中可以根据需要设定迭代算法的次数,如3次等。
步骤906,更新多时相数据;继而返回步骤901。
比如说,在第一次运算时,利用2011年全年的多时相数据作为数据源进行土地自动分类,在步骤904中得到2011年的土地自动分类结果。根据需要,可以设置更新数据为下一年,如将多时相数据更新为2012年全年的多时相数据作为数据源,之后再次执行步骤901至步骤904,此时获得2012年的土地自动分类结果,之后可以循环执行,再得到2013年的土地自动分类结果。本实施方式中循环三次即可得到2011年至2013年三年的自动分类结果,汇总后即成为2011年至2013年的土地分类演化数据。
此外,本实施方式也可以进一步优化,仅对预设的起末节点数据中多环邻域的土地进行分类,那么在迭代方式中,更新的数据就不仅是多时相数据,还需要更新最近历史分类数据(下称为“起始数据”),如起始数据为2010年,多时相数据为2011年,在第一次执行完毕后获得2011年的土地自动分类结果,在执行下一次土地自动分类时,需要获得2012年的土地自动分类结果,那么除了将多时相数据更新为2012年的数据,还需要把起始数据改为上一次计算完成后得到的2011年数据,依次类推。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包含相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种土地自动演化分类方法,其特征在于,包含以下步骤:
A.利用来自卫星的多时相数据计算土地的归一化植被指数NDVI值;
B.根据所述NDVI值按预知土地分类基准数据对土地进行分区分类,获得土地初步分类表;
C.利用预设的遥感训练库和所述土地初步分类表,对土地进行精确分类,获得土地分类结果;其中,所述预设的遥感训练库包含已知的土地演化结果。
2.根据权利要求1所述的土地自动演化分类方法,其特征在于,在所述步骤C之后,还包含以下步骤:
D.根据数字高程模型DEM数据对所述土地分类结果进行修正。
3.根据权利要求2所述的土地自动演化分类方法,其特征在于,在所述步骤D中,根据DEM数据对所述土地分类结果中的建设用地进行修正;其中,所述建设用地为所述土地分类结果中的一个地类。
4.根据权利要求1所述的土地自动演化分类方法,其特征在于,在所述步骤B之前,还包含以下步骤:
利用来自卫星的多时相数据计算土地的归一化水体指数NDWI值;
在所述步骤B中,利用所述NDWI值修正NDVI值,根据修正后的NDVI值对土地进行分类,获得土地初步分类表。
5.根据权利要求1所述的土地自动演化分类方法,其特征在于,在所述步骤B之前,还包含以下步骤:
根据预设的时间起末节点数据,计算土地分类的差异区域;
利用对所述差异区域进行缓冲区分析的结果,获得多环邻域;
在所述步骤B中,对多环邻域的土地进行分类,获得土地初步分类表。
6.根据权利要求5所述的土地自动演化分类方法,其特征在于,在所述对差异区域进行缓冲区分析的步骤前,包含以下步骤:
获取待分类土地的最近历史分类数据中的人工表面部分;其中,所述人工表面为所述预知土地分类基准数据中的一个地类;
在所述利用对差异区域进行缓冲区分析的结果,获得多环邻域的步骤中,对所述差异区域和所述人工表面部分的并集进行缓冲区分析,获得多环邻域。
7.根据权利要求5所述的土地自动演化分类方法,其特征在于,在所述获得多环邻域的步骤后,并在所述步骤B之前,包含以下步骤:
对所述NDVI值进行卷积运算;
在所述步骤B之中,根据所述进行卷积运算后的NDVI值对多环邻域的土地进行分类,获得土地初步分类表。
8.根据权利要求1所述的土地自动演化分类方法,其特征在于,根据迭代方式更新所述多时相数据,并重复步骤A至C,获得土地分类演化数据。
9.根据权利要求1所述的土地自动演化分类方法,其特征在于,所述卫星的多时相数据为卫星的遥感影像数据。
10.根据权利要求1所述的土地自动演化分类方法,其特征在于,所述卫星为以下之一或其任意组合:
LandSat5卫星、LandSat7卫星、LandSat8卫星、HJ-1A/B卫星、SPOT5/6卫星和GF-2卫星。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510007308.3A CN105825221A (zh) | 2015-01-07 | 2015-01-07 | 土地自动演化分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510007308.3A CN105825221A (zh) | 2015-01-07 | 2015-01-07 | 土地自动演化分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105825221A true CN105825221A (zh) | 2016-08-03 |
Family
ID=56514808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510007308.3A Pending CN105825221A (zh) | 2015-01-07 | 2015-01-07 | 土地自动演化分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825221A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636870A (zh) * | 2018-12-04 | 2019-04-16 | 中国测绘科学研究院 | 一种狭长图斑分块融解方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047820A1 (en) * | 2005-08-12 | 2007-03-01 | Microsoft Corporation | Computer generated land cover classification |
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
CN102622345A (zh) * | 2011-01-26 | 2012-08-01 | 杨存建 | 多源时空数据协同的高精度土地利用遥感更新技术 |
CN103077400A (zh) * | 2012-12-26 | 2013-05-01 | 中国土地勘测规划院 | 土地利用数据库支持的地类信息遥感自动识别方法 |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN103093182A (zh) * | 2011-11-03 | 2013-05-08 | 北京师范大学 | 一种基于多敏感性策略的遥感影像层次分类识别方法 |
CN103413142A (zh) * | 2013-07-22 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法 |
-
2015
- 2015-01-07 CN CN201510007308.3A patent/CN105825221A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047820A1 (en) * | 2005-08-12 | 2007-03-01 | Microsoft Corporation | Computer generated land cover classification |
CN102622345A (zh) * | 2011-01-26 | 2012-08-01 | 杨存建 | 多源时空数据协同的高精度土地利用遥感更新技术 |
CN103093182A (zh) * | 2011-11-03 | 2013-05-08 | 北京师范大学 | 一种基于多敏感性策略的遥感影像层次分类识别方法 |
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN103077400A (zh) * | 2012-12-26 | 2013-05-01 | 中国土地勘测规划院 | 土地利用数据库支持的地类信息遥感自动识别方法 |
CN103413142A (zh) * | 2013-07-22 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法 |
Non-Patent Citations (4)
Title |
---|
常变蓉等: "江汉平原土地利用对钉螺分布的影响研究", 《长江流域资源与环境》 * |
甘淑等: "澜沧江流域山区土地覆盖遥感监测分类组织与实施技术研究", 《资源科学》 * |
陈健飞: "《地理信息系统导论》", 30 April 2009, 清华大学出版社 * |
雷声等: "鄱阳湖湿地植被秋冬季变化多源遥感监测分析", 《人民长江》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636870A (zh) * | 2018-12-04 | 2019-04-16 | 中国测绘科学研究院 | 一种狭长图斑分块融解方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN103703490B (zh) | 用于产生三维特征数据的设备以及用于产生三维特征数据的方法 | |
CN104899562A (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
CN106127121B (zh) | 一种基于夜间灯光数据的建成区智能化提取方法 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN101915570B (zh) | 一种基于灭点的地面移动测量影像线段自动提取分类方法 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN104422451A (zh) | 一种道路识别方法及装置 | |
Na et al. | Bidirectional DEM relief shading method for extraction of gully shoulder line in loess tableland area | |
CN101714211A (zh) | 高分辨率遥感影像道路中心线的检测的方法 | |
CN104156943A (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
Lu et al. | A vector-based Cellular Automata model for simulating urban land use change | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN104268581A (zh) | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 | |
CN114722944A (zh) | 点云精度确定方法、电子设备及计算机存储介质 | |
Zhang | Spatiotemporal features of the three-dimensional architectural landscape in Qingdao, China | |
CN105825222A (zh) | 基于多源多时相卫星影像数据的土地自动分类方法 | |
Aljumaily et al. | Voxel change: Big data–based change detection for aerial urban LiDAR of unequal densities | |
Liu et al. | Spatial-temporal hidden Markov model for land cover classification using multitemporal satellite images | |
CN117171288B (zh) | 一种栅格地图解析方法、装置、设备和介质 | |
CN111539297B (zh) | 一种高分辨率遥感影像道路信息半自动提取方法 | |
CN102750690A (zh) | 一种基于边缘约束的分形网络演化影像分割方法 | |
CN105825221A (zh) | 土地自动演化分类方法 | |
CN104008376A (zh) | 基于可能性中心点聚类的多光谱遥感影像混合像元分解方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |
|
RJ01 | Rejection of invention patent application after publication |