CN106650604A - 一种基于植被指数思想的地物信息遥感提取方法 - Google Patents

一种基于植被指数思想的地物信息遥感提取方法 Download PDF

Info

Publication number
CN106650604A
CN106650604A CN201610917238.XA CN201610917238A CN106650604A CN 106650604 A CN106650604 A CN 106650604A CN 201610917238 A CN201610917238 A CN 201610917238A CN 106650604 A CN106650604 A CN 106650604A
Authority
CN
China
Prior art keywords
new
image
remote sensing
ndvi
rvi
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
Application number
CN201610917238.XA
Other languages
English (en)
Other versions
CN106650604B (zh
Inventor
王冬利
刘海新
王贺封
承大宇
赵玉玲
张安兵
李静
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.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
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 Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN201610917238.XA priority Critical patent/CN106650604B/zh
Publication of CN106650604A publication Critical patent/CN106650604A/zh
Application granted granted Critical
Publication of CN106650604B publication Critical patent/CN106650604B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及遥感分类技术领域，具体涉及一种基于植被指数思想的地物信息遥感提取方法，包括以下步骤：S1.选取目标地物，计算得出相应的NEW‑NDVI或NEW‑RVI值；S2.应用阈值分割技术分别提取步骤S1获得NEW‑NDVII或NEW‑RVI值中大于T的部分，即可去除部分非目标地物信息；S3.应用数学中集合相交运算，将步骤S2得到的多个NEW‑NDVI或NEW‑RVI值求交得出最终的目标地物信息。本发明基于植被指数思想的地物信息遥感提取方法根据目标地物特征信息曲线类比叶绿素波谱特征曲线来提取目标信息，提取精度稳定，普适性强，适用于各种环境，自动化程度高，避免了提取过程中人为因素的干扰，同时提取方法简单，提取的信息准确，对掌握目标地物空间分布信息、促进遥感分类技术的应用发展具有重要意义。

Description

一种基于植被指数思想的地物信息遥感提取方法
技术领域
本发明涉及遥感分类技术领域，具体涉及一种基于植被指数思想的地物信息遥感提取方法。
背景技术
地物识别与提取对社会很多领域都具有重要的应用意义。遥感是一种大范围、快速获取地面地物信息的技术。因此，及时、准确地获取地物空间分布信息的技术与方法是当前遥感领域重要研究方向之一。当前，已有的地物遥感提取技术与方法有很多，例如基于不同分类技术的提取方法，包括监督分类和非监督分类(比如，目视解译、决策树、神经网络、支持向量机、聚类等分类技术)；基于不同遥感数据源的提取方法，包括高、中、低分辨率遥感影像(MODIS、TM/ETM、SPOT、高分等)，以及地面、航空、航天等方式获取的遥感数据(车载扫描仪、无人机/载人飞机、卫星等)。
但是，根据已有研究成果分析发现，现有地物遥感提取方法存在以下问题：一是提取精度不稳定，特别是空间位置精度低；二是方法具有区域局限性，普适性差；三是需要人工采集大量的地物训练样本；四是人为因素干扰较大；五是方法复杂；六是自动化程度较低。
发明内容
本发明的目的在于解决以上技术问题，提供一种基于植被指数思想的地物信息遥感提取方法，通过遥感技术获取目标的遥感图像，根据遥感图像建立目标地物特征信息曲线，经特定的技术方法，结合阈值分割技术提取地物信息。
为解决上述问题，本发明采用以下技术方案：
一种基于植被指数思想的地物信息遥感提取方法，包括以下步骤：
S1.选取目标地物，计算得出相应的NEW-NDVI或NEW-RVI值，所述NEW-NDVI和NEW-RVI的计算方法包括以下步骤：
a.通过遥感技术获取目标地物特征信息数据，并根据目标地物特征信息数据建立目标地物特征信息时间序列曲线；
b.将目标地物特征信息时间序列曲线与叶绿素波谱特征曲线类比，取目标地物特征信息时间序列曲线中的高值影像(H_Image)和低值影像(L_Image)；根据下述公式计算NEW-NDVI或NEW-RVI，
NEW-NDVI＝(H_Image-L_Image)/(H_Image+L_Image)，
NEW-RVI＝H_Image/L_Image，
其中，H_Image是目标地物特征信息高值影像，L_Image是目标地物特征信息低值影像，NEW-NDVI或NEW-RVI值大于T的区域表示目标地物，小于等于T的区域表示其它地物；
所述T在与NEW-NDVI值对比时，-1＜T≤0；所述T在与NEW-RVI值对比时，0＜T≤1；
所述叶绿素波谱特征曲线选自地物波谱库；
c.重复步骤a和b，再选取几对目标地物特征信息时间序列曲线中的高值和低值影像，按照NEW-NDVI或NEW-RVI公式计算得出NEW-NDVI2/NEW-RVI2、NEW-NDVI3/NEW-RVI3、NEW-NDVI4/NEW-RVI4…
S2.应用阈值分割技术分别提取步骤S1获得NEW-NDVII或NEW-RVI值中大于T的部分，即可去除部分非目标地物信息；
S3.应用数学中集合相交运算，将步骤S2得到的多个NEW-NDVI或NEW-RVI值求交得出最终的目标地物信息。
进一步地，所述目标地物特征信息数据为高分辨率遥感影像、中分辨率遥感影像、低分辨率遥感影像、多光谱遥感数据或高光谱遥感数据。
进一步地，所述步骤S1的子步骤b中，还包括将H_Image和L_Image分别类比叶绿素波谱特征曲线的近红外光波段和红光波段。
进一步地，所述叶绿素波谱特征曲线是由光谱仪测量得到，或者通过遥感软件处理多光谱影像得到；
进一步地，所述目标地物为植被、土壤、岩石或大气。
本发明的原理为：根据叶绿素波谱特征曲线，近红外光波段是叶绿素高反射波段，可见光红光波段是叶绿素低反射波段，近红外光和红光两个波段之比即为比值植被指数(RVI)，两波段之差除以两波段之和即为归一化植被指数(NDVI)。上述几种植被指数的原理可以简单地看做是对叶绿素具有高值(近红外波段)和低值(可见光红波段)特征的两个影像做比值或差值等运算的指数，这些植被指数可以较好的描述绿色植被的覆盖程度。归一化植被指数的取值在-1和1之间，其中，小于0的部分表示水体、雪、云等；等于0表示岩石；大于0表示绿色植被。对于比值植被指数，绿色植被覆盖区域的比值植被指数的值远大于1，小于2；无植被覆盖区域的RVI值小于或等于1。
本发明一种基于植被指数思想的地物信息遥感提取方法，与现有技术相比，其突出的特点和优异的效果在于：本发明基于植被指数思想的地物信息遥感提取方法根据目标地物特征信息曲线类比叶绿素波谱特征曲线来提取植被信息，提取精度稳定，普适性强，适用于各种复杂环境，自动化程度高，避免了提取过程中人为因素的干扰，同时提取方法简单，提取的信息准确，对掌握目标地物空间分布信息、促进遥感分类技术的应用发展具有重要意义。
附图说明
图1为本发明一种基于植被指数思想的地物信息遥感提取方法的流程图；
图2为本发明实施例中目标地物冬小麦NDVI时间序列曲线图；
图3为本发明实施例中冬小麦波谱特征曲线图；
图4为本发明实施例中冬小麦高分目视解译结果图；
图5为本发明实施例中提取出冬小麦种植面积及空间分布图。
具体实施方式
以下通过具体实施方式和附图对本发明作进一步的详细说明，但不应将此理解为本发明的范围仅限于以下的实例。在不脱离本发明上述方法思想的情况下，根据本领域普通技术知识和惯用手段做出的各种替换或变更，均应包含在本发明的范围内。
下面以农作物冬小麦作为目标地物为例，提取河北省辛集市2014年农作物冬小麦种植面积及空间分布，并进行精度验证。遥感数据可以选择高、中、低分辨率遥感影像，以及多光谱、高光谱等遥感数据。本次提取使用分辨率为250米的MODIS-NDVI 16天合成遥感影像数据。具体提取过程如下：
(1)选取归一化植被指数作为目标地物冬小麦的特征信息，从2013年第289天到2014年第177天总共16期MODIS-NDVI影像数据，并以这16期MODIS影像数据建立冬小麦NDVI时间序列曲线。根据
NEW-NDVI＝(H_Image-L_Image)/(H_Image+L_Image)
计算对应的NEW-NDVI值，应用阈值分割法分别提取这16期NEW-NDVI大于零的部分，初次去除非目标地物信息。并基于分割提取后的16期数据，再次建立目标地物冬小麦NDVI时间序列曲线(如图2所示)。
(2)将目标地物冬小麦NDVI时间序列曲线类比冬小麦波谱特征曲线(如图3所示)，选取冬小麦NDVI时间序列曲线中2013年第321天数据作为高值影像和2013年第289天数据作为低值影像，分别类比冬小麦波谱特征曲线中的近红外波段和红波段。高值和低值影像之差除以高值和低值影像之和，记为NEW-NDVI1并计算相应的值；
(3)同理，根据目标地物冬小麦NDVI时间序列曲线和NEW-NDVI公式，选取2014年第81天作为高值，2014年第161天作为低值，记为NEW-NDVI2并计算相应的值；选取2014年第97天作为高值，2014年第145天作为低值，记为NEW-NDVI2并计算相应的值；
(4)应用阈值分割技术分别提取NEW-NDVI1、NEW-NDVI2和NEW-NDVI3大于零的部分，进一步去除非目标地物冬小麦信息；
(5)应用数学集合相交运算法，将NEW-NDVI1、NEW-NDVI2、NEW-NDVI3等大于零的部分求交得出最终的目标地物冬小麦种植信息(如图4所示)。辛集市2014年冬小麦种植面积及空间分布见表1；
(6)本发明方法提取目标地物结果精度验证；验证数据选用分辨率为16米的2014年4月3日高分一号遥感影像数据结合2014年6月23日高分一号影像，目视解译辛集市冬小麦的种植结构，解译数据记为高分目视解译结果，如图5所示。
2014年辛集市高分目视解译提取冬小麦面积为362.96平方公里，应用该解译结果验证本发明中M-NDVI模型提取目标地物冬小麦的精度，具体见下面统计表1。
表1本发明方法提取目标地物冬小麦精度
本发明提取冬小麦精度验证包括三个个方面：面积准确度、位置准确度以及整体精度，具体定量描述公式为：
面积准确度＝Abs(新方法提取面积-目视解译面积)/目视解译面积
位置准确度＝新方法提取结果与目视解译结果位置重合面积/目视解译面积
整体精度＝(面积准确度+位置准确度)/2
在验证过程中，除与高分一号目视解译结果验证以外，还可以应用政府部门统计数据对新方法提取结果进行面积精度验证，基于统计数据的精度验证见表2。据政府部门统计数据，辛集市常年种植小麦60万亩(400平方公里)。
表2本发明方法提取目标地物冬小麦精度
年份 本发明方法提取面积 政府部门统计面积 面积之差 准确度
2014 381.03km2 400km2 18.97km2 95.26％
以上实施例仅用于说明本发明，而并非是对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (5)

1.一种基于植被指数思想的地物信息遥感提取方法，其特征在于，包括以下步骤：
S1.选取目标地物，计算得出相应的NEW-NDVI或NEW-RVI值，所述NEW-NDVI和NEW-RVI的计算方法包括以下步骤：
a.通过遥感技术获取目标地物特征信息数据，并根据目标地物特征信息数据建立目标地物特征信息时间序列曲线；
b.将目标地物特征信息时间序列曲线与叶绿素波谱特征曲线类比，取目标地物特征信息时间序列曲线中的高值影像(H_Image)和低值影像(L_Image)；根据下述公式计算NEW-NDVI或NEW-RVI，
NEW-NDVI＝(H_Image-L_Image)/(H_Image+L_Image)，
NEW-RVI＝H_Image/L_Image，
其中，H_Image是目标地物特征信息高值影像，L_Image是目标地物特征信息低值影像，NEW-NDVI或NEW-RVI值大于T的区域表示目标地物，小于等于T的区域表示其它地物；
所述T在与NEW-NDVI值对比时，-1＜T≤0；所述T在与NEW-RVI值对比时，0＜T≤1；
所述叶绿素波谱特征曲线选自地物波谱库；
c.重复步骤a和b，再选取几对目标地物特征信息时间序列曲线中的高值和低值影像，按照NEW-NDVI或NEW-RVI公式计算得出NEW-NDVI2/NEW-RVI2、NEW-NDVI3/NEW-RVI3、NEW-NDVI4/NEW-RVI4…
S2.应用阈值分割技术分别提取步骤S1获得NEW-NDVII或NEW-RVI值中大于T的部分，即可去除部分非目标地物信息；
S3.应用数学中集合相交运算，将步骤S2得到的多个NEW-NDVI或NEW-RVI值求交得出最终的目标地物信息。
2.根据权利要求1所述的一种基于植被指数思想的地物信息遥感提取方法，其特征在于，所述目标地物特征信息数据为高分辨率遥感影像、中分辨率遥感影像、低分辨率遥感影像、多光谱遥感数据或高光谱遥感数据。
3.根据权利要求1所述的一种基于植被指数思想的地物信息遥感提取方法，其特征在于，所述步骤S1的子步骤b中，还包括将H_Image和L_Image分别类比叶绿素波谱特征曲线的近红外光波段和红光波段。
4.根据权利要求1所述的一种基于植被指数思想的地物信息遥感提取方法，其特征在于，所述叶绿素波谱特征曲线是由光谱仪测量得到，或者通过遥感软件处理多光谱影像得到。
5.根据权利要求1所述的一种基于植被指数思想的地物信息遥感提取方法，其特征在于，所述目标地物为植被、土壤、岩石或大气。
CN201610917238.XA 2016-10-21 2016-10-21 一种基于植被指数思想的地物信息遥感提取方法 Expired - Fee Related CN106650604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610917238.XA CN106650604B (zh) 2016-10-21 2016-10-21 一种基于植被指数思想的地物信息遥感提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610917238.XA CN106650604B (zh) 2016-10-21 2016-10-21 一种基于植被指数思想的地物信息遥感提取方法

Publications (2)

Publication Number Publication Date
CN106650604A true CN106650604A (zh) 2017-05-10
CN106650604B CN106650604B (zh) 2019-10-11

Family

ID=58856652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610917238.XA Expired - Fee Related CN106650604B (zh) 2016-10-21 2016-10-21 一种基于植被指数思想的地物信息遥感提取方法

Country Status (1)

Country Link
CN (1) CN106650604B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108663330A (zh) * 2018-04-19 2018-10-16 中国国土资源航空物探遥感中心 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法
CN109115770A (zh) * 2018-06-14 2019-01-01 中科禾信遥感科技（苏州）有限公司 一种大范围农作物遥感监测方法及装置
CN109543654A (zh) * 2018-12-14 2019-03-29 常州大学 一种反映农作物生长状况的改进型植被指数的构建方法
CN109614920A (zh) * 2018-12-07 2019-04-12 河北工程大学 一种基于多时相遥感数据的地物信息提取方法
CN109670425A (zh) * 2018-12-07 2019-04-23 河北工程大学 一种基于多尺度思想的地物信息提取方法
CN109697411A (zh) * 2018-12-07 2019-04-30 河北工程大学 一种基于统计标准差的地物信息提取方法
CN109726639A (zh) * 2018-12-07 2019-05-07 河北工程大学 一种基于非监督分类技术的地物信息提取方法
CN109919083A (zh) * 2019-03-06 2019-06-21 武汉大学 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
CN112258523A (zh) * 2020-10-20 2021-01-22 中国石油大学(华东) 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法
CN112632796A (zh) * 2020-12-31 2021-04-09 广州极飞科技有限公司 氮含量确定方法、作业方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105891120A (zh) * 2016-03-23 2016-08-24 中国科学院遥感与数字地球研究所 一种城市浓密草地辐射方向特性模拟方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105891120A (zh) * 2016-03-23 2016-08-24 中国科学院遥感与数字地球研究所 一种城市浓密草地辐射方向特性模拟方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TUCKER C J ET AL.: "Satellite remote sensing of drought condition", 《REMOTE SENSING OF DROUGHT CONDITION》 *
王冬利: "县域范围内冬小麦遥感提取方法研究", 《山东工业技术》 *
闫峰 等: "基于Ts．EVI时间序列谱的冬小麦面积提取", 《农业工程学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108663330A (zh) * 2018-04-19 2018-10-16 中国国土资源航空物探遥感中心 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法
CN109115770A (zh) * 2018-06-14 2019-01-01 中科禾信遥感科技（苏州）有限公司 一种大范围农作物遥感监测方法及装置
CN109115770B (zh) * 2018-06-14 2019-05-24 中科禾信遥感科技（苏州）有限公司 一种大范围农作物遥感监测方法及装置
CN109726639A (zh) * 2018-12-07 2019-05-07 河北工程大学 一种基于非监督分类技术的地物信息提取方法
CN109670425A (zh) * 2018-12-07 2019-04-23 河北工程大学 一种基于多尺度思想的地物信息提取方法
CN109697411A (zh) * 2018-12-07 2019-04-30 河北工程大学 一种基于统计标准差的地物信息提取方法
CN109614920A (zh) * 2018-12-07 2019-04-12 河北工程大学 一种基于多时相遥感数据的地物信息提取方法
CN109614920B (zh) * 2018-12-07 2023-12-01 河北工程大学 一种基于多时相遥感数据的地物信息提取方法
CN109543654A (zh) * 2018-12-14 2019-03-29 常州大学 一种反映农作物生长状况的改进型植被指数的构建方法
CN109919083A (zh) * 2019-03-06 2019-06-21 武汉大学 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
CN112258523A (zh) * 2020-10-20 2021-01-22 中国石油大学(华东) 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法
CN112258523B (zh) * 2020-10-20 2022-03-08 中国石油大学(华东) 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法
CN112632796A (zh) * 2020-12-31 2021-04-09 广州极飞科技有限公司 氮含量确定方法、作业方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN106650604B (zh) 2019-10-11

Similar Documents

Publication Publication Date Title
CN106650604A (zh) 一种基于植被指数思想的地物信息遥感提取方法
Ribera et al. Counting plants using deep learning
George et al. Forest tree species discrimination in western Himalaya using EO-1 Hyperion
Liu et al. Establishing a citywide street tree inventory with street view images and computer vision techniques
Tan et al. Automatic extraction of built-up areas from panchromatic and multispectral remote sensing images using double-stream deep convolutional neural networks
CN111476170A (zh) 一种结合深度学习和随机森林的遥感影像语义分割方法
CN106529508A (zh) 基于局部和非局部多特征语义高光谱图像分类方法
CN103208011B (zh) 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法
Ok et al. 2-D delineation of individual citrus trees from UAV-based dense photogrammetric surface models
CN111898688A (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
Sugumaran et al. Object-oriented classification of LIDAR-fused hyperspectral imagery for tree species identification in an urban environment
Liu et al. Estimating maize seedling number with UAV RGB images and advanced image processing methods
Kang et al. Support vector machine classification of crop lands using sentinel-2 imagery
CN105957115B (zh) 广义dem思想下的农作物种植结构遥感提取方法
CN104951754A (zh) 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法
Deng et al. Winter wheat planting area extraction technique using multi-temporal remote sensing images based on field parcel
Xia et al. Land resource use classification using deep learning in ecological remote sensing images
CN115861629A (zh) 一种高分耕地影像提取方法
CN107121681A (zh) 基于高分卫星遥感数据的居民地提取系统
Zhu et al. UAV flight height impacts on wheat biomass estimation via machine and deep learning
CN105894006A (zh) 时空概率模型水稻遥感识别方法
CN109670425A (zh) 一种基于多尺度思想的地物信息提取方法
Yu et al. Research on weed identification method in rice fields based on UAV remote sensing
Martins et al. Image segmentation and classification with SLIC Superpixel and convolutional neural network in forest context
Liu Classification of tree species using UAV-based multi-spectral and multi-seasonal images: A multi-feature-based approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20191011

Termination date: 20201021

CF01 Termination of patent right due to non-payment of annual fee