CN106845326B - 一种基于航空高光谱遥感数据的冰川识别方法 - Google Patents
一种基于航空高光谱遥感数据的冰川识别方法 Download PDFInfo
- Publication number
- CN106845326B CN106845326B CN201510886240.0A CN201510886240A CN106845326B CN 106845326 B CN106845326 B CN 106845326B CN 201510886240 A CN201510886240 A CN 201510886240A CN 106845326 B CN106845326 B CN 106845326B
- Authority
- CN
- China
- Prior art keywords
- glacier
- data
- hyperspectral
- reflectivity
- remote sensing
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于遥感环境调查领域,具体公开一种基于航空高光谱遥感数据的冰川识别方法,包括:对获取的航空高光谱遥感SASI数据进行数据预处理,得到高光谱辐亮度数据和高光谱反射率数据;对高光谱辐亮度数据进行大气校正和光谱重建,得到浮点型的高光谱反射率数据;将的高光谱反射率数据按照冰川分布区域进行数据裁剪,选取特征波段,进行波段重组;对高光谱数据特征波段进行判断,并进行波段运算,选取合适阈值,得到冰川分布文件;将识别出的冰川分布文件转换为shape格式的矢量文件,在ArcGIS软件中统计计算冰川分布面积,获得遥感识别的冰川分布图。该方法提高了冰川识别效率和精度。
Description
技术领域
本发明属于遥感环境调查领域,具体涉及一种基于航空高光谱遥感数据的冰川识别方法。
背景技术
高光谱遥感技术是遥感领域的前沿技术,可以获取上百个波段的地物,根据光谱曲线特征直接进行地物识别,在遥感地质应用中发挥了重要作用。当前冰川遥感识别普遍采用的ETM和ASTER多光谱数据,部分地段采用了高空间分辨率的SPOT和ALOS数据。这些遥感数据波段数量少,光谱信息量小,难以直接根据冰川光谱信息开展高精度的冰川识别工作。
发明内容
本发明的目的在于提供一种基于航空高光谱遥感数据的冰川识别方法,该方法提高了冰川识别效率和精度。
实现本发明目的的技术方案:一种基于航空高光谱遥感数据的冰川识别方法,该方法具体包括以下步骤:
步骤1,对获取的研究区航空高光谱遥感SASI数据进行数据预处理,得到高光谱辐亮度数据;
步骤2,对步骤1得到的高光谱辐亮度数据进行大气校正和光谱重建,得到浮点型的高光谱反射率数据;
步骤3,将步骤2中得到的高光谱反射率数据按照研究区坐标范围进行数据裁剪,选取研究区高光谱数据特征波段,进行波段重组;
步骤4,对步骤3得到的研究区高光谱数据特征波段进行判断,并进行高光 谱数据反射率影像进行判断,选取满足判别条件的反射率影像像元进行波段运算和阈值选取,识别出冰川像元,得到冰川分布文件;
步骤5,将步骤4识别出的冰川分布文件转换为shape格式的矢量文件,在ArcGIS软件中统计计算冰川分布面积,获得遥感识别的冰川分布图。
所述的步骤1中的数据预处理包括系统辐射校正、系统几何校正和正射校正。
所述的步骤2中的浮点型的高光谱反射率数的数值在0~1.0区间范围内。
所述的步骤3中将步骤2中得到的高光谱反射率数据按照研究区坐标范围进行空间范围裁剪,并选取特征波段b1=950nm,b2=1040nm,b3=1130nm,b4=1265nm,b5=1355nm,b6=1535nm,b7=1820nm,b8=2000nm,b9=2240nm,进行波段数据重组,每个波段的反射率影像依次记录为B1~B9,每个反射率影像为灰度图,任意像元的灰度值即其在该波段的反射率值。
所述的步骤4具体包括如下步骤:
步骤4.1对上述步骤3中得到的反射率影像B1~B9的像元,进行是否为“真”的判别,全部判别公式的判别结果均为“真”的反射率影像的像元才有可能是冰川,任一个判别公式的判别结果为“非真”的反射率影像像元则不是冰川像元;
当上述步骤4.1中反射率影像的像元所有判别公式的判别结果均为“真”时,则进行比值运算;设定高光谱提取的冰川结果灰度图为Bglacier,则Bglacier=1.0*B3/B6,选取高阈值像元作为冰川像元,从而得到冰川分布文件。
所述的步骤4中的判别公式如下:
B1>B2...........公式1;
B3>B2...........公式2;
B3>B4...........公式3;
B5>b4............公式4;
B5>B6...........公式5;
B7>B6...........公式6;
B7>B8...........公式7;
B9>B8...........公式8。
本发明的有益技术效果在于:本发明的方法通过选择航空高光谱SASI反射率数据的特定波段,进行一系列判断和计算,能够准确的识别出冰川分布范围。通过选择冰川光谱特征明显的波段,去除其他特征不显著的波段,从而在数据处理过程中突出冰川的光谱特征,减少其他地物或者噪声的影响,减少了处理的数据量,并能够批量化处理,提高了冰川识别效率和精度。本发明的方法能够减少处理的数据量,SASI波段总数为101个,本方法选择其中的9个波段就可以完成冰川识别,大大减少了数据量。高光谱波段带宽狭小,对地物精细光谱特征刻画更加准确,丰富了冰川遥感识别的数据源,得到了更高的识别精度。同时,也开拓了高光谱数据的应用领域,对于高光谱技术发展具有重要意义。
具体实施方式
下面结合实施例对本发明作进一步详细说明。
本发明所提供的一种基于航空高光谱遥感数据的冰川识别方法,该方法具体包括以下步骤:
步骤1,开展航空飞行,获取的研究区航空高光谱遥感SASI遥感数据,对获取的航空高光谱遥感SASI数据进行数据预处理,得到研究区的具有地理坐标的高光谱辐亮度数据。
上述数据预处理包括系统辐射校正、系统几何校正和正射校正,得到具有 地理坐标的高光谱辐亮度数据。
步骤2,对步骤1得到的具有地理坐标的高光谱辐亮度数据采用经验线性法大气校正和光谱重建,得到浮点型的高光谱反射率数据。
浮点型的高光谱反射率数的数值在0~1.0区间范围内。
步骤3,将步骤2中得到的高光谱反射率数据按照研究区坐标范围进行数据裁剪,选取研究区高光谱反射率数特征波段,进行波段重组,得到每个特征波段的反射率影像。
将步骤2中得到的高光谱反射率数据按照研究区坐标范围进行空间范围裁剪,并选取高光谱反射率数据特征波段b1=950nm,b2=1040nm,b3=1130nm,b4=1265nm,b5=1355nm,b6=1535nm,b7=1820nm,b8=2000nm,b9=2240nm,进行波段数据重组,每个特征波段的反射率影像依次记录为B1~B9,每个反射率影像为灰度图,任意像元的灰度值即其在该波段的反射率值。
步骤4,对步骤3得到的研究区高光谱数据特征波段反射率影像进行判断,选取满足判别条件的反射率影像像元进行波段运算和阈值选取,识别出冰川像元,得到冰川分布文件。
步骤4.1对上述步骤3中得到的反射率影像B1~B9的像元,进行是否为“真”的判别。
下述公式1至公式8全部判别公式的判别结果均为“真”的反射率影像的像元才有可能是冰川,下述公式1至公式8中任一个判别公式的判别结果为“非真”的反射率影像像元则不是冰川像元,判别公式如下:
B1>B2...........公式1;
B3>B2...........公式2;
B3>B4...........公式3;
B5>b4............公式4;
B5>B6...........公式5;
B7>B6...........公式6;
B7>B8...........公式7;
B9>B8...........公式8。
上述判断是根据判别公式中相应影像象元灰度值进行判别的。以判别公式1中的B1>B2为例,取反射率影像B1的某像元(例如(1,1)点)灰度值,与反射率影像B2的相应地理位置(1,1)点像元的灰度值进行比较,如果判别结果为“真”则继续下一判别,任意判别结果为“非真”则认为该像元不是冰川。对判别公式1而言,判别结果为“真”是指公式1成立,即B1大于B2成立;判别结果为“非真”是指公式1不成立,即B1大于B2不成立。
步骤4.2进行波段运算。
当上述步骤4.1中反射率影像的像元所有判别公式1至公式8的判别结果均为“真”时,则进行比值运算。设定高光谱提取的冰川结果灰度图为Bglacier,则Bglacier=1.0*B3/B6,选取高阈值像元作为冰川像元,阈值的选取按照自然间断点分级法进行设置,从而得到冰川分布文件。
步骤5,将步骤4识别出的冰川分布文件转换为shape格式的矢量文件,在ArcGIS软件中统计计算冰川分布面积,获得遥感识别的冰川分布图。
上面结合实施例对本发明作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。
Claims (1)
1.一种基于航空高光谱遥感数据的冰川识别方法,其特征在于,该方法具体包括以下步骤:
步骤1,对获取的研究区航空高光谱遥感SASI数据进行数据预处理,得到高光谱辐亮度数据;
步骤2,对步骤1得到的高光谱辐亮度数据进行大气校正和光谱重建,得到浮点型的高光谱反射率数据;
步骤3,将步骤2中得到的高光谱反射率数据按照研究区坐标范围进行数据裁剪,选取研究区高光谱数据特征波段,进行波段重组;
步骤4,对步骤3得到的研究区高光谱数据特征波段进行判断,并进行高光谱数据反射率影像进行判断,选取满足判别条件的反射率影像像元进行波段运算和阈值选取,识别出冰川像元,得到冰川分布文件;
步骤5,将步骤4识别出的冰川分布文件转换为shape格式的矢量文件,在ArcGIS软件中统计计算冰川分布面积,获得遥感识别的冰川分布图;
所述的步骤1中的数据预处理包括系统辐射校正、系统几何校正和正射校正;
所述的步骤2中的浮点型的高光谱反射率数的数值在0~1.0区间范围内;
所述的步骤3中将步骤2中得到的高光谱反射率数据按照研究区坐标范围进行空间范围裁剪,并选取特征波段b1=950nm,b2=1040nm,b3=1130nm,b4=1265nm,b5=1355nm,b6=1535nm,b7=1820nm,b8=2000nm,b9=2240nm,进行波段数据重组,每个波段的反射率影像依次记录为B1~B9,每个反射率影像为灰度图,任意像元的灰度值即其在该波段的反射率值;
所述的步骤4具体包括如下步骤:
步骤4.1对上述步骤3中得到的反射率影像B1~B9的像元,进行是否为“真”的判别,全部判别公式的判别结果均为“真”的反射率影像的像元才有可能是冰川,任一个判别公式的判别结果为“非真”的反射率影像像元则不是冰川像元;
当上述步骤4.1中反射率影像的像元所有判别公式的判别结果均为“真”时,则进行比值运算;设定高光谱提取的冰川结果灰度图为Bglacier,则Bglacier=1.0*B3/B6,选取高阈值像元作为冰川像元,从而得到冰川分布文件;
所述的步骤4中的判别公式如下:
B1>B2...........公式1;
B3>B2...........公式2;
B3>B4...........公式3;
B5>b4............公式4;
B5>B6...........公式5;
B7>B6...........公式6;
B7>B8...........公式7;
B9>B8...........公式8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510886240.0A CN106845326B (zh) | 2015-12-04 | 2015-12-04 | 一种基于航空高光谱遥感数据的冰川识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510886240.0A CN106845326B (zh) | 2015-12-04 | 2015-12-04 | 一种基于航空高光谱遥感数据的冰川识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845326A CN106845326A (zh) | 2017-06-13 |
CN106845326B true CN106845326B (zh) | 2020-10-23 |
Family
ID=59151425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510886240.0A Active CN106845326B (zh) | 2015-12-04 | 2015-12-04 | 一种基于航空高光谱遥感数据的冰川识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845326B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021887B (zh) * | 2017-12-05 | 2019-10-01 | 中国科学院遥感与数字地球研究所 | 基于空间光谱差比参量的遥感影像分析方法及应用 |
CN109211798A (zh) * | 2018-11-16 | 2019-01-15 | 福州大学 | 一种基于遥感影像光谱特征的一年生海冰分布信息提取方法 |
CN109738369B (zh) * | 2018-12-10 | 2021-05-18 | 核工业北京地质研究院 | 一种采用航空高光谱遥感玉器的考古探测方法 |
CN109829464B (zh) * | 2018-12-24 | 2021-01-05 | 核工业北京地质研究院 | 一种利用光谱数据筛选红富士苹果的方法 |
CN110516646B (zh) * | 2019-09-02 | 2022-02-15 | 南京大学 | 一种结合极化分解与地形特征的表碛覆盖型冰川识别方法 |
CN111814541A (zh) * | 2020-05-29 | 2020-10-23 | 中南林业科技大学 | 一种薇甘菊的高光谱特征的筛选方法 |
CN113936226B (zh) * | 2021-11-23 | 2022-07-08 | 河南大学 | 一种基于遥感云计算的全球冰川搜索识别方法 |
CN113900097B (zh) * | 2021-11-29 | 2022-08-16 | 商丘师范学院 | 基于卫星遥感数据的冰川量检测方法 |
CN115713694B (zh) * | 2023-01-06 | 2023-05-12 | 东营国图信息科技有限公司 | 一种土地测绘信息管理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636778A (zh) * | 2012-02-21 | 2012-08-15 | 核工业北京地质研究院 | 一种适用于高光谱影像的信息提取方法 |
CN103901497A (zh) * | 2012-12-27 | 2014-07-02 | 核工业北京地质研究院 | 一种用于伊利石信息提取的高光谱影像处理方法 |
CN103900964A (zh) * | 2012-12-25 | 2014-07-02 | 核工业北京地质研究院 | 一种用于白云母信息提取的高光谱影像处理方法 |
CN103914692A (zh) * | 2014-04-21 | 2014-07-09 | 山东科技大学 | 一种用于煤矿周围地表水系的遥感识别方法 |
CN104573690A (zh) * | 2013-10-23 | 2015-04-29 | 核工业北京地质研究院 | 一种用于石膏信息提取的高光谱影像处理方法 |
CN104574283A (zh) * | 2013-10-23 | 2015-04-29 | 核工业北京地质研究院 | 一种用于叶蜡石信息提取的高光谱影像处理方法 |
-
2015
- 2015-12-04 CN CN201510886240.0A patent/CN106845326B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636778A (zh) * | 2012-02-21 | 2012-08-15 | 核工业北京地质研究院 | 一种适用于高光谱影像的信息提取方法 |
CN103900964A (zh) * | 2012-12-25 | 2014-07-02 | 核工业北京地质研究院 | 一种用于白云母信息提取的高光谱影像处理方法 |
CN103901497A (zh) * | 2012-12-27 | 2014-07-02 | 核工业北京地质研究院 | 一种用于伊利石信息提取的高光谱影像处理方法 |
CN104573690A (zh) * | 2013-10-23 | 2015-04-29 | 核工业北京地质研究院 | 一种用于石膏信息提取的高光谱影像处理方法 |
CN104574283A (zh) * | 2013-10-23 | 2015-04-29 | 核工业北京地质研究院 | 一种用于叶蜡石信息提取的高光谱影像处理方法 |
CN103914692A (zh) * | 2014-04-21 | 2014-07-09 | 山东科技大学 | 一种用于煤矿周围地表水系的遥感识别方法 |
Non-Patent Citations (3)
Title |
---|
CASI/SASI航空高光谱遥感矿物技术研究——以甘肃北山柳园地区为例;杨清华 等;《地质力学学报》;20150615;第21卷(第2期);241-251 * |
我国西北若干种冰、雪及水体反射光谱特性的研究;曾群柱 等;《中国科学(B辑 化学 生物学 农学 医学 地学)》;19840430(第4期);370-377 * |
遥感技术在现代冰川变化研究中的应用;曹泊 等;《遥感技术与应用》;20110215;第26卷(第1期);52-59 * |
Also Published As
Publication number | Publication date |
---|---|
CN106845326A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845326B (zh) | 一种基于航空高光谱遥感数据的冰川识别方法 | |
CN107991243B (zh) | 一种基于航空高光谱遥感数据的高海拔地区水体提取方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN105046188A (zh) | Modis混合像元分解森林信息提取方法 | |
CN111398176A (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN110188716B (zh) | 一种矿化信息提取方法及系统 | |
CN109801304B (zh) | 一种抑制裸地的建筑指数构建及建筑区域快速提取方法 | |
CN109580497B (zh) | 一种基于奇异性理论的高光谱矿物异常信息提取方法 | |
Quan et al. | Tree species classification in a typical natural secondary forest using UAV-borne LiDAR and hyperspectral data | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN107657206A (zh) | 一种基于遥感技术估算绿地覆盖率的方法 | |
Xu et al. | On-the-fly extraction of polyhedral buildings from airborne LiDAR data | |
Akila et al. | Automation in plant growth monitoring using high-precision image classification and virtual height measurement techniques | |
JP6060377B2 (ja) | 画像クラスタ分析装置 | |
Liu et al. | APHS-YOLO: A Lightweight Model for Real-Time Detection and Classification of Stropharia Rugoso-Annulata | |
Dalponte et al. | Unsupervised selection of training samples for tree species classification using hyperspectral data | |
Zhang et al. | Adapting the Segment Anything Model for Plant Recognition and Automated Phenotypic Parameter Measurement | |
CN109584255A (zh) | 一种基于全色与高光谱图像融合的目标轮廓提取方法 | |
Shen et al. | High spatial resolution hyperspectral mapping for forest ecosystem at tree species level | |
CN110599488B (zh) | 一种基于Sentinel-2气溶胶波段的云检测方法 | |
Mo et al. | Local parameter estimation of topographic normalization for forest type classification | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及系统 | |
Yu et al. | Automatic feature extraction and stereo image processing with genetic algorithms for LiDAR data | |
Fu et al. | DBH Extraction of Standing Trees Based on a Binocular Vision Method | |
Kashtan et al. | Computer Technology of High Resolution Satellite Image Processing Based on Packet Wavelet Transform. |
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 |