CN107194857A - 基于高分卫星遥感数据的可利用土地资源分析系统 - Google Patents
基于高分卫星遥感数据的可利用土地资源分析系统 Download PDFInfo
- Publication number
- CN107194857A CN107194857A CN201710369346.2A CN201710369346A CN107194857A CN 107194857 A CN107194857 A CN 107194857A CN 201710369346 A CN201710369346 A CN 201710369346A CN 107194857 A CN107194857 A CN 107194857A
- Authority
- CN
- China
- Prior art keywords
- land
- region
- remote sensing
- remotely
- extraction unit
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明提供一种基于高分卫星遥感数据的可利用土地资源分析系统,所述系统包括:适宜建设用地提取模块、已建设用地提取模块、耕地提取模块和可利用土地资源确定模块。相较于现有技术,本申请提供的所述基于高分卫星遥感数据的可利用土地资源分析系统,分别基于遥感数据提取目标区域中的适宜建设用地区域、已建设用地区域和耕地区域,进而确定可利用土地资源区域。由于遥感数据本身具有精度高、辨识度高等特点,因此,本申请依靠遥感数据对可利用土地资源进行分析的方式,也继承了精准度高的特点,可以实现对可利用土地资源的精准分析,进而可以为国家和地方的宏观调控、城市发展规划提供数据支撑。
Description
技术领域
本发明涉及可利用土地资源分析领域,具体涉及一种基于高分卫星遥感数据的可利用土地资源分析系统。
背景技术
可利用土地资源是指可被作为人口集聚、产业布局和城镇发展的后备适宜建设用地,由后备适宜建设用地的数量、质量和空间分布状况三个要素构成,具体可通过可利用土地资源或人均可利用土地资源得到反映。设置可利用土地资源指标的主要目的是为了评价不同区域后备适宜建设用地对未来人口集聚、工业化和城镇化发展的承载能力,从而为国家和地方的宏观调控、城市发展规划提供数据支撑。
目前,评价可利用土地资源指标使用的是中分辨率土地利用遥感监测数据和国土资源部第二次全国土地调查数据。由于这些数据更新周期长,时效性相对较低,在定量研究可利用土地资源指标时对于建设用地、耕地资源等关键信息提取精度相对不足,给评价结果带来了不确定性因素。
综上,目前迫切需要一种精度更高的可利用土地资源分析系统。
发明内容
针对现有技术中的缺陷,本发明提供一种基于高分卫星遥感数据的可利用土地资源分析系统,以提高可利用土地资源分析的精准度,从而为国家和地方的宏观调控、城市发展规划提供数据支撑。
本发明提供的一种基于高分卫星遥感数据的可利用土地资源分析系统,包括:适宜建设用地提取模块、已建设用地提取模块、耕地提取模块和可利用土地资源确定模块;其中,
所述适宜建设用地提取模块,用于根据第一遥感数据提取目标区域中适宜建设的适宜建设用地区域;
所述已建设用地提取模块,用于根据第二遥感数据提取所述适宜建设用地区域中已开发建设的已建设用地区域;
所述耕地提取模块,用于根据第三遥感数据提取所述适宜建设用地区域中的耕地区域;
所述可利用土地资源确定模块,用于根据所述适宜建设用地区域、所述已建设用地区域和所述耕地区域,确定所述目标区域中的可利用土地资源区域。
可选的,所述适宜建设用地提取模块,包括:水域提取单元、林地提取单元、沙漠提取单元、坡地提取单元和适宜建设用地提取单元;其中,
所述水域提取单元,用于根据第一遥感数据提取所述目标区域中的水域区域;
所述林地提取单元,用于根据第一遥感数据提取所述目标区域中的林地区域;
所述沙漠提取单元,用于根据第一遥感数据提取所述目标区域中的沙漠区域;
所述坡地提取单元,用于根据第一遥感数据提取所述目标区域中的坡地区域;
所述适宜建设用地提取单元,用于从所述目标区域中扣除所述水域区域、林地区域、沙漠区域和坡地区域,获得剩余的适宜建设用地区域。
可选的,所述已建设用地提取模块,包括:
已建设用地提取单元,用于根据第二遥感数据,采用面向对象法结合规则集的方法,从所述适宜建设用地区域中提取出已开发建设的已建设用地区域。
可选的,所述第二遥感数据包括多光谱遥感数据,所述已建设用地提取单元,包括:
第一多尺度分割子单元,用于根据所述适宜建设用地区域对应的多光谱数据的区域异质性将所述适宜建设用地区域分割为多个对象区域;
第一规则集提取子单元,用于根据预设的用于提取已建设用地的规则集,从所述第一多尺度分割子单元分割获得的多个对象区域中剔除非建设用地区域,获得由剩余对象区域组成的已建设用地区域。
可选的,所述耕地提取模块,包括:
耕地提取单元,用于根据第三遥感数据,采用面向对象法结合规则集的方法,从所述适宜建设用地区域中提取出耕地区域。
可选的,所述第三遥感数据包括多光谱遥感数据,所述耕地提取单元,包括:
第二多尺度分割子单元,用于根据所述适宜建设用地区域对应的多光谱数据的区域异质性将所述适宜建设用地区域分割为多个对象区域;
第二规则集提取子单元,用于根据预设的用于提取耕地的规则集,从所述第二多尺度分割子单元分割获得的多个对象区域中剔除非耕地区域,获得由剩余对象区域组成的耕地区域。
可选的,所述耕地提取单元,还包括:
规则集建立子单元,用于采用SEaTH算法实现规则集特征的提取和特征阈值的计算,并根据所述规则集特征和所述特征阈值建立用于提取耕地的规则集。
可选的,所述基于高分卫星遥感数据的可利用土地资源分析系统,还包括:
行政区划分割单元,用于将所述可利用土地资源区域按照所述目标区域的行政区划图划分到各个行政区划,获得各行政区划的可利用土地资源区域。
可选的,所述基于高分卫星遥感数据的可利用土地资源分析系统,还包括:
人均可利用面积计算模块,用于根据各行政区划的可利用土地资源区域的面积以及各所述行政区域的人口数量,计算各行政区划的人均可利用土地资源量。
可选的,所述基于高分卫星遥感数据的可利用土地资源分析系统,还包括:
人均可利用土地资源分布图生成模块,用于根据预设的人均可利用土地资源量与不同颜色的映射关系,在所述目标区域的行政区划图中,填充与各行政区划的人均可利用土地资源量相应的颜色,以绘制所述目标区域的可利用土地资源分布图。
由上述技术方案可知,本发明提供的一种基于高分卫星遥感数据的可利用土地资源分析系统,包括:适宜建设用地提取模块、已建设用地提取模块、耕地提取模块和可利用土地资源确定模块。相较于现有技术,本申请提供的所述基于高分卫星遥感数据的可利用土地资源分析系统,分别基于遥感数据提取目标区域中的适宜建设用地区域、已建设用地区域和耕地区域,进而确定可利用土地资源区域。由于遥感数据本身具有精度高、辨识度高等特点,因此,本申请依靠遥感数据对可利用土地资源进行分析的方式,也继承了精准度高的特点,可以实现对可利用土地资源的精准分析,进而可以为国家和地方的宏观调控、城市发展规划提供数据支撑。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明第一实施例所提供的一种基于高分卫星遥感数据的可利用土地资源分析系统的示意图;
图2示出了本发明实施例提供的某一区域的可利用土地资源分布情况效果图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
本发明提供一种基于高分卫星遥感数据的可利用土地资源分析系统。下面结合附图对本发明的实施例进行说明。
图1示出了本发明第一实施例所提供的一种基于高分卫星遥感数据的可利用土地资源分析系统的示意图。如图1所示,本发明第一实施例提供的一种基于高分卫星遥感数据的可利用土地资源分析系统包括:
适宜建设用地提取模块1、已建设用地提取模块2、耕地提取模块3和可利用土地资源确定模块4;其中,
所述适宜建设用地提取模块1,用于根据第一遥感数据提取目标区域中适宜建设的适宜建设用地区域;
所述已建设用地提取模块2,用于根据第二遥感数据提取所述适宜建设用地区域中已开发建设的已建设用地区域;
所述耕地提取模块3,用于根据第三遥感数据提取所述适宜建设用地区域中的耕地区域;
所述可利用土地资源确定模块4,用于根据所述适宜建设用地区域、所述已建设用地区域和所述耕地区域,确定所述目标区域中的可利用土地资源区域。
所述适宜建设用地是指除了水域(湖泊和河流)、林地、山地、沙漠、戈壁等不适宜建设建筑物的区域之外的地域。在本发明实施例中,所述适宜建设用地提取模块1基于遥感数据提取出目标区域中的适宜建设用地区域,具体的,在本申请提供的一个实施例中,所述适宜建设用地提取模块1,包括:水域提取单元、林地提取单元、沙漠提取单元、坡地提取单元和适宜建设用地提取单元;其中,
所述水域提取单元,用于根据第一遥感数据提取所述目标区域中的水域区域;
所述林地提取单元,用于根据第一遥感数据提取所述目标区域中的林地区域;
所述沙漠提取单元,用于根据第一遥感数据提取所述目标区域中的沙漠区域;
所述坡地提取单元,用于根据第一遥感数据提取所述目标区域中的坡地区域;
所述适宜建设用地提取单元,用于从所述目标区域中扣除所述水域区域、林地区域、沙漠区域和坡地区域,获得剩余的适宜建设用地区域。
随着遥感技术及高分辨率数据采集技术的发展,遥感数据的分辨率越来越高,数据类型越来越丰富,因此,采用高分辨率遥感数据提取目标区域中的各种地物(水域、林地等)已成为可能且提取的准确性非常高。
其中,所述第一遥感数据包括多光谱遥感数据、雷达遥感数据、立体像对遥感数据、红外遥感数据、全色遥感数据等多种形式的遥感数据中的至少一种,所述水域提取单元、林地提取单元、沙漠提取单元、坡地提取单元可以根据所述水域、林地、沙漠、坡地在各种遥感数据中表现出来的特异性,灵活选用现有的水域提取方法、林地提取方法、沙漠提取方法、坡地提取方法等从所述目标区域中提取出水域区域、林地区域、沙漠区域、坡地区域,从而获得适宜建设用地区域。
例如,对雷达遥感数据,由于水域、林地等自身材质的不同以及分布形态的差异等原因,在SAR图像(即雷达遥感数据)上呈现不同的纹理特征,如水域具有良好且均匀的反射率,在遥感影像中表现为强亮度区域,而林地的分布相对比较粗糙,由于表面散射,在遥感影像中表现为暗区域,因此,根据雷达遥感影像中各区域的纹理特征,即可提取出水域、林地、沙漠等区域。
具体的,可以采用以下方法从目标区域中提取出各地物类型(如水域、林地、沙漠、坡地、居民区等)对应的区域:对某一待提取的地物类型,可以基于变差函数理论,在分析中高分辨率SAR图像中该待提取地物类型纹理特征的基础上,采用基于迭代P参数法的阈值确定方法,为满足阈值范围的像元点赋以权值,以加大该待提取地物类型与其他地物类型的变差函数差,从而提取出该待提取地物类型对应的区域。采用上述方法,不仅可以保证较高的检测率,还可以显著降低虚警率,上述从雷达遥感数据中提取地物类型区域的技术为现有技术,本实施例不再赘述。现有技术中还公开有多种针对具体地物类型如湖泊、林地、农田等的提取方法,本领域技术人员可以将其应用于本发明实施例整体方案中,其均应在本申请的保护范围之内。
又如,对于坡地,坡度太大则不适合建设建筑物,因此可以基于立体像对遥感数据构建数字高程模型(Digital Elevation Model),简称DEM,根据所述数字高程模型可以获知各区域的海拔、坡度、坡向等数据,据此,可以将坡度大于预设阈值的区域提取出来。
以上举例说明了基于遥感数据的水域、林地、沙漠、坡地等区域的提取方法,由于现有技术中公开有大量的基于遥感数据的各种地域的提取方法,本发明实施例可以参照这些方法进行合理变更实施,此处不再一一赘述,将其应用于本发明技术方案中以实现本申请对可利用土地资源进行分析的目的的方案,均应在本申请的保护范围之内。
本发明实施例中,所述已建设用地提取模块2,可以采用最大似然监督分类法、神经网络方法、支持向量机方法、面向对象方法等方法基于遥感数据从所述适宜建设用地区域中提取出已开发建设的已建设用地区域。
在本申请提供的一个实施例中,所述已建设用地提取模块2,包括:
已建设用地提取单元,用于根据第二遥感数据,采用面向对象法结合规则集的方法,从所述适宜建设用地区域中提取出已开发建设的已建设用地区域。
所述第二遥感数据可以是多光谱遥感数据,所述已建设用地提取单元,可以由第一多尺度分割子单元和第一规则集提取子单元组成,其中,
所述第一多尺度分割子单元,用于根据所述适宜建设用地区域对应的多光谱数据的区域异质性将所述适宜建设用地区域分割为多个对象区域;
所述第一规则集提取子单元,用于根据预设的用于提取已建设用地的规则集,从所述第一多尺度分割子单元分割获得的多个对象区域中剔除非建设用地区域,获得由剩余对象区域组成的已建设用地区域。
具体的,所述第一多尺度分割子单元可以采用以下多尺度分割算法将所述适宜建设用地区域分割为多个对象区域:
多尺度分割算法采用的是异质性最小的区域合并算法,其中最下层的合并开始于像元层。先将不同的像元合并为较小的影像对象,然后将较小的对象逐渐合并成为较大的影像对象。异质性的计算公式如下:
1)区域异质性:
对象的内部差异主要考虑了影像对象的形状和光谱特征。因此区域异质性包括了形状异质性、光谱异质性两方面,其具体的计算公式为:
f=wcolorhcolor+(1-wcolor)hshape
式中,wcolor是光谱异质性的权重,hcolor是影像对象的光谱异质性;hshape是影像对象的形状异质性,1-wcolor是形状异质性的权重。
2)光谱异质性:
光谱异质性是用来表示影像对象的内部像素间光谱差异性的,是通过影像对象的不同波段光谱值的标准差加权求和后得出的。
式中,wi是第i波段的光谱权重,σi是第i波段光谱值标准差。
3)形状异质性:
形状异质性表示的是影像分割后得到的影像对象形状的差异性。描述分割后对象的形状特征采用的是光滑度和紧致度加权求和的方法。紧致度描述的是影像对象的饱满程度,即其接近圆形和正方形的程度。光滑度描述的是影像对象边界的破碎程度。一般情况下,颜色对于对象的创建提供了主要的信息,但是在一些特定的情况下,采用一定的形状信息,影像对象的提取质量会有所改进。
hshape=wcompactnesshcompactness+(1-wcompactness)hsmooth
式中,wcompactness为紧致度权重,hcompactness为紧致度;1-wcompactness为光滑度权重,hsmooth为光滑度。紧致度、光滑度的计算公式如下:
hsmooth=E/L
式中,E是影像对象轮廓边界的长度,n是对象包含的总像元数。hcompactness越小,则对象就越饱满,hcompactness越大,则对象就越狭长。L为分割后对象的外接矩形总边长。hsmooth表示的是边界的破碎程度,该值如果越大,则对象的边界就会越破碎。
4)合并对象的异质性计算:
将两个影像对象合并后得到新的对象,需要计算新的对象的异质性。新对象的异质性是新对象的光谱异质性、形状异质性的加权求和。
f′=wcolorh′color+(1-wcolor)h′shape
式中,wcolor是光谱权重,h′color、h′shape是合并后新的对象的光谱异质性、形状异质性。
新对象的光谱异质性h′color、形状异质性h′shape可由以下公式计算得到:
式中,wi是i波段的光谱权重,σ′i,是i波段在合并后和合并前的对象的光谱值标准差,n′,n1,n2是合并后和合并前对象包含的像元总数。
h′shape=wcompactnessh′compactness+(1-wcompactness)h′smooth
式中,wcompactness是紧致度权重,h′compactness、h′smooth是合并生成的新对象的紧致度和光滑度参数。
h′smooth=n′E′/L′-(n1E1/L1+n2E2/L2)
式中,E1,E2,E′合并前后对象的轮廓周长,n1,n2,n′是合并前后对象包含的像元的总数,L1,L2,L′是合并前后对象的外接矩形的周长。
多尺度分割的尺度参数是总结性的抽象概念,定义了影像对象结果的加权影像层的均一性准则的最大标准差。尺度参数值越大,影响对象结果越大。改变尺度参数,尺度参数越大,分割后对象的块越大。紧致性准则可以用来优化和紧致性有关的影像对象,在尺度参数和形状参数一定的情况下,紧致度越小,所分割的结果得到的形状越破碎。
形状参数可以改变着色和形状分割准则的关系,同时也定义了色彩准则。形状参数设置越大,所分割的结果的形状在大小上差异越小,显得越完整;形状参数设置越小,分割结果显得越分散。进行多尺度分割时,形状参数和颜色参数是相对的,两个参数值之和是1。形状参数值变大时,颜色在分割时的权重就会变小,影响分割的结果与颜色的相关性就越小。在分割结果上表现为分割对象形状大小较规整,但是不能较好的反映地物的实际形状。
所述第一规则集提取子单元,用于根据预设的用于提取已建设用地的规则集,从所述第一多尺度分割子单元分割获得的多个对象区域中剔除非建设用地区域,获得由剩余对象区域组成的已建设用地区域。
具体的,所述第一规则集提取子单元可以采用以下方法从所述第一多尺度分割子单元分割获得的多个对象区域中剔除非建设用地区域,获得由剩余对象区域组成的已建设用地区域:
以所述第二遥感数据为我国高分5号遥感卫星采集的多光谱遥感数据为例,该多光谱遥感数据第一波段为海岸带(coastal)波段,第二波段为蓝光波段、第三波段为绿光波段、第四波段为红光波段。
对于面向对象的建设用地信息提取而言,对象特征规则的选择和建立非常关键。为了最精确地提取已建设用地信息,本发明实施例选取了NDVI(NDVI(NormalizedDifference Vegetation Index,归一化差分植被指数,标准差异植被指数),也称为生物量指标变化,可使植被从水和土中分离出来。)、影像第四波段均值、影像第四波段最大值、影像第一波段标准差最大值、影像第三波段最小值、边缘指数(border index)最大值共6种特征规则来提取已建设用地信息,并建立以下规则集:
规则1 使用NDVI属性最大值和最小值建立规则1,获取NDVI在最大值和最小值之间的对象作为规则1目标对象。将大部分植被元素和部分深颜色的水体剔除。
规则2 使用第四波段均值建立规则2,获取第四波段光谱值大于最大值的对象作为规则2目标对象。将大部分水体剔除。
规则3 使用第四波段最大值建立规则3,获取第四波段光谱值小于最小值的对象作为规则3的目标对象。将云和部分易混淆高亮田地剔除。
规则4 使用第一波段标准差最大值建立规则4,获取第一波段标准差值小于最大值的对象作为规则4的目标对象。将较为平滑的易混淆田地地物剔除。
规则5 使用第三波段最小值建立规则5,获取第三波段光谱值大于最小值的对象作为规则5的目标对象。将城市周边的易混淆裸地剔除掉。
规则6 使用边缘指数最大值建立规则6,获取边缘指数小于最大值的对象作为规则6的目标对象。边缘指数用来描述对象形状的规整程度,越接近矩形的对象其边缘指数越接近于1,形状越不规则其边缘指数越大。该规则将形状规则的易混淆旱田、水田地物剔除掉。
基于以上规则集(规则1-6),即可以规则1作为初始数据,将规则2到规则6分别进行交集运算、然后将所得结果剔除,获得由剩余对象区域组成的已建设用地区域。
经试验验证,采用本发明实施例提供的上述面向对象法结合规则集的方法,相较于传统目视解译、最大似然监督分类法、神经网络方法、支持向量机方法、面向对象方法等具有更高的精度,下表为各种方法的提取精度对比:
提取方法 | 总体精度 |
监督分类法 | 60.52% |
神经网络方法 | 65.71% |
SVM(支持向量机方法) | 71.90% |
面向对象方法 | 70.20% |
面向对象法结合规则集的方法 | 73.50% |
耕地是指种植农作物的土地,包括熟地,新开发、复垦、整理地,休闲地(含轮歇地、轮作地);以种植农作物(含蔬菜)为主,间有零星果树、桑树或其他树木的土地;平均每年能保证收获一季的已垦滩地和海涂。耕地中包括南方宽度<1.0米、北方宽度<2.0米固定的沟、渠、路和地坎(埋);临时种植药材、草皮、花丼、苗木等的耕地,以及其他临时改变用途的耕地。耕地光谱在近红外波段能够与其他类别区分开,在红波段叶面密闭覆盖作物的耕地最容易提取,叶面中等覆盖作物的耕地、林地和阴影容易混淆,其余类别容易混淆。
本发明实施例中,所述耕地提取模块3,可以包括:
耕地提取单元,用于根据第三遥感数据,采用面向对象法结合规则集的方法,从所述适宜建设用地区域中提取出耕地区域。
具体的,在本发明提供的一个实施例中,所述第三遥感数据包括多光谱遥感数据,所述耕地提取单元,包括:第二多尺度分割子单元和第二规则集提取子单元;其中,
所述第二多尺度分割子单元,用于根据所述适宜建设用地区域对应的多光谱数据的区域异质性将所述适宜建设用地区域分割为多个对象区域;
所述第二规则集提取子单元,用于根据预设的用于提取耕地的规则集,从所述第二多尺度分割子单元分割获得的多个对象区域中剔除非耕地区域,获得由剩余对象区域组成的耕地区域。
以所述第二遥感数据为我国高分5号遥感卫星采集的多光谱遥感数据为例,所述第二多尺度分割子单元可以参照上述已建设用地提取单元中的第一多尺度分割子单元实施,以将所述适宜建设用地区域分割为多个对象区域:
多尺度分割算法采用的是异质性最小的区域合并算法,其中最下层的合并开始于像元层。先将不同的像元合并为较小的影像对象,然后将较小的对象逐渐合并成为较大的影像对象。
基于异质性的最小区域合并算法,采用的区域增长法是自下向上的,就是基于像素层,自下向上进行对象合并最终完成对象的提取。其基本流程为:从像素层开始,将相邻的异质性在一定范围内的像素合并成小的影像对象,然后基于异质性最小的原则将这些小的对象合并成大的影像对象,每一次合并后都要计算合并后对象的异质性是否大于尺度,大于尺度则两个对象不进行合并,小于尺度则继续进行合并,生成更大的影像对象。每一次的对象合并都是在上一次的基础上进行的,最终直到合并后的对象异质性全部大于尺度或者对象都完成合并后就停止合并。
所述第二规则集提取子单元,用于根据预设的用于提取耕地的规则集,从所述第二多尺度分割子单元分割获得的多个对象区域中剔除非耕地区域,获得由剩余对象区域组成的耕地区域。
此外,所述耕地提取单元还可以包括:规则集建立子单元,用于采用SEaTH算法实现规则集特征的提取和特征阈值的计算,并根据所述规则集特征和所述特征阈值建立用于提取耕地的规则集。
具体的,所述规则集建立子单元可以采用以下方法建立用于提取耕地的规则集:
根据各种土地覆盖类别的表现形式,围绕耕地及非耕地的背景地类进行分析,可以确定耕地与背景地类之间的异同,因此,可以将所述适宜建设用地区域划分为几种大的地物类型,包括暗色调物体、亮色调物体、透水面、不透水面、植被等,其中,有作物覆盖的耕地包含在植被中,无作物覆盖的耕地包含在透水面中。本发明实施例中,采用SEaTH算法来实现规则集特征的提取和特征阈值的计算,并构建三种指标,以实现耕地分层提取策略确定。指标的具体含义以及分层策略自动确定的过程如下:
1)通过计算非耕地-耕地(NF-F)指标分离最容易区分的非耕地类别。NF-F指标能够衡量某个非耕地类别与耕地的可区分程度,计算NF-F的前提是耕地存在子类别:
其中:M、P、Q分别表示第1、2、n条与耕地有关的规则里耕地子类的数目,Fn(k)表示第n条与耕地有关的规则里第k个耕地子类对应的权重。将NF-F取值为1的地类作为非耕地提取出来并掩膜。
2)通过计算耕地-非耕地(F-NF)指标分离最容易提取的耕地子类别。F-NF指标用来衡量耕地的子类与非耕地类别的可区分程度。计算F-NF的前提是非耕地的类别存在子类。其计算公式如下:
其中:M、P、Q分别表示第1、2、n条区分耕地子类与其他非耕地类别的规则里非耕地类别的数目,Fn(k)表示第n条区分耕地子类与其他非耕地类别的规则里第k个非耕地类别对应的权重,如果该非耕地类别没有子类,其权重值直接取1。将F-NF取值为1的耕地作为最容易获取的耕地提取并掩膜。
排除掉掩膜的类别,对剩余的类别重新分配权重,并重新计算NF-F和F-NF指标,同样将取值为1的地类提取并掩膜,直到两种指标的计算结果都不为1或者都两种指标的计算前提都不满足。
3)通过计算Rule-M指标基于关键特征的平均J-M距离确定规则的执行顺序。经过前面处理后,剩余的为较难区分的类别,此时分类规则顺序的确定依据关键特征的J-M距离,即J-M距离越大的关键特征,其执行顺序越靠前。Rule-M指标计算公式如下:
如果计算的是耕地子类的Rule-M,那么n表示所有规则的数量,Mn(k)表示的是第n条规则里第k个关键特征对应的J-M距离;如果计算的是非耕地类别的Rule-M,那么n表示与耕地有关的规则的数量,Mn(k)表示的是第n条与耕地有关的规则里第k个与耕地有关的关键特征对应的J-M距离;M、P、Q分别表示第1、2、n条规则里非耕地类别的数目。
基于上述指标,采用SEaTH算法进行特征选择,在得到优选特征的基础上,分析耕地与非耕地类别及非耕地类别之间优选特征出现的频次,将频次最大的特征作为关键特征;基于关键特征构建各个类别提取的初始规则集;分析初始规则集涉及的规则数量、区分类别等因素,分别计算NF-F、F-NF和Rule-M三类指标,按照从易到难的原则依次分离出最容易与耕地区分的非耕地和最容易与非耕地区分的耕地,对于剩余类别依据各自的提取规则集所对应的关键特征的平均J-M距离,确定类别提取的顺序,从而形成最终的耕地分层提取规则集。
基于以上耕地分层提取规则集,所述第二规则集提取子单元即可从所述第二多尺度分割子单元分割获得的多个对象区域中剔除非耕地区域,获得由剩余对象区域组成的耕地区域。
考虑到,对可利用土地资源的分析主要是为国家和地方的宏观调控、城市发展规划提供数据支撑,那么,需要将本发明实施例最终确定的可利用土地资源区域与行政区划对应起来,以便分区划进行更加精准、细分的可利用土地资源分析,在本申请提供的一个实施例中,所述的基于高分卫星遥感数据的可利用土地资源分析系统,还包括:
行政区划分割单元,用于将所述可利用土地资源区域按照所述目标区域的行政区划图划分到各个行政区划,获得各行政区划的可利用土地资源区域。
进一步的,采用人均可利用土地资源量能够更好的反映一个区域的土地可利用情况,因此,在本申请提供的一个实施例中,所述的基于高分卫星遥感数据的可利用土地资源分析系统,还包括:人均可利用面积计算模块,用于根据各行政区划的可利用土地资源区域的面积以及各所述行政区域的人口数量,计算各行政区划的人均可利用土地资源量。
为了更加直观的展现所述可利用土地资源分布情况,在本申请提供的一个实施例中,所述基于高分卫星遥感数据的可利用土地资源分析系统,还包括:
人均可利用土地资源分布图生成模块,用于根据预设的人均可利用土地资源量与不同颜色的映射关系,在所述目标区域的行政区划图中,填充与各行政区划的人均可利用土地资源量相应的颜色,以绘制所述目标区域的可利用土地资源分布图。
作为上述实施例的变更实施方式,可以采用灰度图代替彩色图表征目标区域的可利用土地资源分布图,如图2所示,其为本发明实施例提供的某一区域的可利用土地资源分布情况效果图,图中,颜色越深表示可利用土地资源量越多,由图可见,采用本发明实施例提供的方式,可以更加精准、直观的描述目标区域的可利用土地资源分布情况。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
需要说明的是,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例所提供的基于高分卫星遥感数据的可利用土地资源分析系统可以是计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,包括:适宜建设用地提取模块、已建设用地提取模块、耕地提取模块和可利用土地资源确定模块;其中,
所述适宜建设用地提取模块,用于根据第一遥感数据提取目标区域中适宜建设的适宜建设用地区域;
所述已建设用地提取模块,用于根据第二遥感数据提取所述适宜建设用地区域中已开发建设的已建设用地区域;
所述耕地提取模块,用于根据第三遥感数据提取所述适宜建设用地区域中的耕地区域;
所述可利用土地资源确定模块,用于根据所述适宜建设用地区域、所述已建设用地区域和所述耕地区域,确定所述目标区域中的可利用土地资源区域。
2.根据权利要求1所述的基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,所述适宜建设用地提取模块,包括:水域提取单元、林地提取单元、沙漠提取单元、坡地提取单元和适宜建设用地提取单元;其中,
所述水域提取单元,用于根据第一遥感数据提取所述目标区域中的水域区域;
所述林地提取单元,用于根据第一遥感数据提取所述目标区域中的林地区域;
所述沙漠提取单元,用于根据第一遥感数据提取所述目标区域中的沙漠区域;
所述坡地提取单元,用于根据第一遥感数据提取所述目标区域中的坡地区域;
所述适宜建设用地提取单元,用于从所述目标区域中扣除所述水域区域、林地区域、沙漠区域和坡地区域,获得剩余的适宜建设用地区域。
3.根据权利要求1所述的基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,所述已建设用地提取模块,包括:
已建设用地提取单元,用于根据第二遥感数据,采用面向对象法结合规则集的方法,从所述适宜建设用地区域中提取出已开发建设的已建设用地区域。
4.根据权利要求3所述的基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,所述第二遥感数据包括多光谱遥感数据,所述已建设用地提取单元,包括:
第一多尺度分割子单元,用于根据所述适宜建设用地区域对应的多光谱数据的区域异质性将所述适宜建设用地区域分割为多个对象区域;
第一规则集提取子单元,用于根据预设的用于提取已建设用地的规则集,从所述第一多尺度分割子单元分割获得的多个对象区域中剔除非建设用地区域,获得由剩余对象区域组成的已建设用地区域。
5.根据权利要求1所述的基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,所述耕地提取模块,包括:
耕地提取单元,用于根据第三遥感数据,采用面向对象法结合规则集的方法,从所述适宜建设用地区域中提取出耕地区域。
6.根据权利要求5所述的基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,所述第三遥感数据包括多光谱遥感数据,所述耕地提取单元,包括:
第二多尺度分割子单元,用于根据所述适宜建设用地区域对应的多光谱数据的区域异质性将所述适宜建设用地区域分割为多个对象区域;
第二规则集提取子单元,用于根据预设的用于提取耕地的规则集,从所述第二多尺度分割子单元分割获得的多个对象区域中剔除非耕地区域,获得由剩余对象区域组成的耕地区域。
7.根据权利要求6所述的基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,所述耕地提取单元,还包括:
规则集建立子单元,用于采用SEaTH算法实现规则集特征的提取和特征阈值的计算,并根据所述规则集特征和所述特征阈值建立用于提取耕地的规则集。
8.根据权利要求1所述的基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,还包括:
行政区划分割单元,用于将所述可利用土地资源区域按照所述目标区域的行政区划图划分到各个行政区划,获得各行政区划的可利用土地资源区域。
9.根据权利要求8所述的基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,还包括:
人均可利用面积计算模块,用于根据各行政区划的可利用土地资源区域的面积以及各所述行政区域的人口数量,计算各行政区划的人均可利用土地资源量。
10.根据权利要求9所述的基于高分卫星遥感数据的可利用土地资源分析系统,其特征在于,还包括:
人均可利用土地资源分布图生成模块,用于根据预设的人均可利用土地资源量与不同颜色的映射关系,在所述目标区域的行政区划图中,填充与各行政区划的人均可利用土地资源量相应的颜色,以绘制所述目标区域的可利用土地资源分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710369346.2A CN107194857B (zh) | 2017-05-23 | 2017-05-23 | 基于高分卫星遥感数据的可利用土地资源分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710369346.2A CN107194857B (zh) | 2017-05-23 | 2017-05-23 | 基于高分卫星遥感数据的可利用土地资源分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194857A true CN107194857A (zh) | 2017-09-22 |
CN107194857B CN107194857B (zh) | 2020-05-12 |
Family
ID=59874447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710369346.2A Expired - Fee Related CN107194857B (zh) | 2017-05-23 | 2017-05-23 | 基于高分卫星遥感数据的可利用土地资源分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194857B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991791A (zh) * | 2019-10-22 | 2020-04-10 | 国网浙江省电力有限公司宁波供电公司 | 基于雾计算模型的配电站资源融合调配方法及系统 |
CN111062368A (zh) * | 2019-12-31 | 2020-04-24 | 中山大学 | 基于Landsat时间序列遥感影像的城市更新区域监测方法 |
CN111259727A (zh) * | 2019-12-12 | 2020-06-09 | 中国资源卫星应用中心 | 基于遥感数据的秋收主要农作物信息提取方法及系统 |
CN112711793A (zh) * | 2021-03-26 | 2021-04-27 | 中国测绘科学研究院 | 一种削山建设识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102607529A (zh) * | 2012-03-30 | 2012-07-25 | 中国神华能源股份有限公司 | 矿区环境的测量方法、装置以及数据处理设备 |
CN102855759A (zh) * | 2012-07-05 | 2013-01-02 | 中国科学院遥感应用研究所 | 高分辨率卫星遥感交通流信息自动采集方法 |
CN103279951A (zh) * | 2013-05-13 | 2013-09-04 | 武汉理工大学 | 一种面向对象的遥感影像建筑物及其阴影提取的方法 |
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105184251A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星图像的水华区域的识别方法及装置 |
-
2017
- 2017-05-23 CN CN201710369346.2A patent/CN107194857B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102607529A (zh) * | 2012-03-30 | 2012-07-25 | 中国神华能源股份有限公司 | 矿区环境的测量方法、装置以及数据处理设备 |
CN102855759A (zh) * | 2012-07-05 | 2013-01-02 | 中国科学院遥感应用研究所 | 高分辨率卫星遥感交通流信息自动采集方法 |
CN103279951A (zh) * | 2013-05-13 | 2013-09-04 | 武汉理工大学 | 一种面向对象的遥感影像建筑物及其阴影提取的方法 |
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105184251A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星图像的水华区域的识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
王炜、李建强、张韬、安慧君: "乌拉盖开发区土地资源利用现状、模式与评价", 《内蒙古农业大学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991791A (zh) * | 2019-10-22 | 2020-04-10 | 国网浙江省电力有限公司宁波供电公司 | 基于雾计算模型的配电站资源融合调配方法及系统 |
CN110991791B (zh) * | 2019-10-22 | 2022-06-21 | 国网浙江省电力有限公司宁波供电公司 | 基于雾计算模型的配电站资源融合调配方法及系统 |
CN111259727A (zh) * | 2019-12-12 | 2020-06-09 | 中国资源卫星应用中心 | 基于遥感数据的秋收主要农作物信息提取方法及系统 |
CN111062368A (zh) * | 2019-12-31 | 2020-04-24 | 中山大学 | 基于Landsat时间序列遥感影像的城市更新区域监测方法 |
CN111062368B (zh) * | 2019-12-31 | 2020-09-11 | 中山大学 | 基于Landsat时间序列遥感影像的城市更新区域监测方法 |
CN112711793A (zh) * | 2021-03-26 | 2021-04-27 | 中国测绘科学研究院 | 一种削山建设识别方法及装置 |
CN112711793B (zh) * | 2021-03-26 | 2021-07-02 | 中国测绘科学研究院 | 一种削山建设识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107194857B (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pu et al. | Object-based urban detailed land cover classification with high spatial resolution IKONOS imagery | |
Seto et al. | Monitoring land-use change in the Pearl River Delta using Landsat TM | |
CN107330413B (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
Hurd et al. | Characterization of forest fragmentation and urban sprawl using time sequential Landsat imagery | |
González-Yebra et al. | Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data | |
Herold et al. | An evaluation of radar texture for land use/cover extraction in varied landscapes | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN107194857A (zh) | 基于高分卫星遥感数据的可利用土地资源分析系统 | |
Chen et al. | Land cover mapping in urban environments using hyperspectral APEX data: A study case in Baden, Switzerland | |
Hedayati et al. | Paddy lands detection using Landsat-8 satellite images and object-based classification in Rasht City, Iran | |
Ji et al. | Object-based mapping of plastic greenhouses with scattered distribution in complex land cover using Landsat 8 OLI images: a case study in Xuzhou, China | |
Sun et al. | Mapping tropical dry forest age using airborne waveform LiDAR and hyperspectral metrics | |
Han et al. | Integration of texture and landscape features into object-based classification for delineating Torreya using IKONOS imagery | |
Li et al. | Investigating coupled impacts of climate change and socioeconomic transformation on desertification by using multitemporal Landsat images: a case study in central Xilingol, China | |
Okubo et al. | Land use/cover classification of a complex agricultural landscape using single-dated very high spatial resolution satellite-sensed imagery | |
Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
Wistrand | Investigating the potential of object-based image analysis to identify tree avenues in high resolution aerial imagery and lidar data | |
Shanmuganathan | A hybrid artificial neural network (ANN) approach to spatial and non-spatial attribute data mining: A case study experience | |
Hidayat et al. | GEOBIA an (geographic) object-based image analysis for coastal mapping in Indonesia: A review | |
Gao | Mapping of land degradation from ASTER data: a comparison of object-based and pixel-based methods | |
Mustafa et al. | Mapping of degraded lands from multidate remotely sensed data using decision tree based classification (DTC) | |
Bruce | Object oriented classification: case studies using different image types with different spatial resolutions | |
Hempattarasuwan et al. | Changes of Wiang Nong Lom and Nong Luang wetlands in Chiang Saen Valley (Chiang Rai Province, Thailand) during the period 1988–2017 | |
YEDAGE et al. | Remote sensing and GIS base crop acreage estimation of the sugarcane for Solapur district, Maharashtra | |
Zhang et al. | Research on rice acreage estimation in fragmented area based on decomposition of mixed pixels |
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: 20200512 |
|
CF01 | Termination of patent right due to non-payment of annual fee |