CN107273820B - 一种土地覆盖遥感分类方法及系统 - Google Patents
一种土地覆盖遥感分类方法及系统 Download PDFInfo
- Publication number
- CN107273820B CN107273820B CN201710384671.6A CN201710384671A CN107273820B CN 107273820 B CN107273820 B CN 107273820B CN 201710384671 A CN201710384671 A CN 201710384671A CN 107273820 B CN107273820 B CN 107273820B
- Authority
- CN
- China
- Prior art keywords
- earth surface
- ndvi
- remote sensing
- time
- surface coverage
- 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
Images
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种土地覆盖遥感分类方法及系统,所述方法包括:获取高分一号卫星宽视场成像仪采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量;根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征;根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。所述系统执行上述方法。本发明实施例提供的土地覆盖遥感分类方法及系统,通过引入地表覆盖类型的时相特征,有效提高了土地覆盖分类精度,解决了目前土地覆盖分类精度尤其是植被类型分类精度不高问题。
Description
技术领域
本发明实施例涉及陆表遥感技术领域,具体涉及一种土地覆盖遥感分类方法及系统。
背景技术
土地覆盖是指地球陆地表面的各种生物或物理的覆盖类型,包括地表的植被(天然或人工)、建设用地(建筑、道路)、湖泊、冰川、裸岩和沙漠等,主要描述地球表面的自然属性。土地覆盖在反映人类和自然关系的人地交互系统中扮演着重要角色,影响着地球系统过程中的各个方面,并且是地球系统的气候、生物化学等模型的重要参数。另外,在土地覆盖应用方面,目前国家各行业部门都需要地表覆盖信息,如土地管理部门需要弄清土地覆盖之外还需要了解土地覆盖和居民地的关系,水利部门需要知道全国水利设施附近的地表覆盖情况,环境部门需要了解各大江河周边的工厂情况,农业部门需要了解耕地的分布情况等,所有这些专业部门都需要综合性的地表覆盖数据。因此,准确、及时、全面的获取土地覆盖信息具有重要的科学意义。
遥感技术是大区域土地覆盖制图和信息更新的有效手段,遥感数据分类是土地覆盖信息提取的基础手段。高分一号卫星是我国高分辨率(以下简称高分)对地观测系统重大专项的首发星,其搭载的4台宽视场成像仪(Wide Field View,以下简称WFV)可以获取16米空间分辨率、4天重访周期和800公里幅宽的多光谱数据。高分一号卫星WFV数据实现了高空间分辨率、多光谱与高时间分辨率相结合的光学遥感技术,为各种定量化应用奠定了基础,是提高土地覆盖遥感分类精度尤其是植被类型之间分类精度的非常有潜力的数据源。但目前较为成熟和广泛应用的土地覆盖遥感分类一般只利用光谱特征对地表覆盖类型进行分类,导致分类精度尤其是植被类型分类精度不高,不利于推广和满足业务化产品生产需要。国产高分卫星数据需要高精度的土地覆盖分类方法,以发挥高分卫星数据在陆表监测中的巨大应用潜力。
发明内容
针对现有技术存在的问题,本发明实施例提供一种土地覆盖遥感分类方法及系统。
第一方面,本发明实施例提供一种土地覆盖遥感分类方法,所述方法包括:
获取高分一号卫星宽视场成像仪采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;
根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量;
根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征;
根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
第二方面,本发明实施例提供一种土地覆盖遥感分类系统,所述系统包括:
获取模块,用于获取高分一号卫星宽视场成像仪采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;
构建模块,用于根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量;
提取模块,用于根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征;
分类模块,用于根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
本发明实施例提供的土地覆盖遥感分类方法及系统,通过引入地表覆盖类型的时相特征,提高了土地覆盖遥感分类精度,解决了目前土地覆盖分类精度尤其是植被类型分类精度不高问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的土地覆盖遥感分类方法流程示意图;
图2为本发明实施例提供的不同地表覆盖类型代表性的NDVI时间序列变量图;
图3为本发明实施例提供的研究区代表性地表覆盖类型的光谱特征(左)和时相特征(右)图;
图4为本发明实施例提供的利用高分一号卫星NDVI时间序列变量提取的地表覆盖类型时相特征分布图;
图5为本发明实施例提供的利用高分一号卫星WFV光谱特征(上)及其与时相特征组合(下)的土地覆盖分类结果图;
图6为本发明实施例提供的高分一号卫星NDVI时间序列变量在S-G滤波前后比较图;
图7为本发明实施例提供的土地覆盖遥感分类系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的土地覆盖遥感分类方法流程示意图,如图1所示,本发明实施例提供了一种土地覆盖遥感分类方法,该方法包括以下步骤:
S1:获取高分一号卫星宽视场成像仪采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率。
具体的,系统获取高分一号卫星宽视场成像仪采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率。高分一号卫星WFV数据实现了宽覆盖、中高空间分辨率、多光谱和高时间分辨率特征结合的光学遥感技术,是提高土地覆盖分类精度,尤其是植被类型之间分类精度的非常有潜力的数据源。影像数据的预处理主要包括辐射校正和几何纠正。辐射校正包括辐射定标和大气校正两个过程。辐射定标是将遥感数据的DN值转换为大气层顶的辐射亮度值。大气纠正是消除大气和光照等因素对地物反射的影响。大气校正后得到高分一号卫星WFV地表反射率数据。几何纠正是消除影像的几何畸变,使其地理定位精度提高,能够匹配实际地物的位置。数据预处理主要用于获得土地覆盖分类的高分一号卫星WFV地表反射率数据。
S2:根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量。
具体的,系统根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量。地表反射率数据能够反映土地覆盖的光谱特征,根据该光谱特征可以对土地覆盖进行分类处理,但是不易区分土地覆盖中的植被类型。归一化差分植被指数(Normalized Difference Vegetation Index,以下简称NDVI)是卫星数据各光谱波段反射率线性或非线性组合,能反映大部分的植被信息,并能在一定程度上消除外在因素的影响,从而较好地反映绿色植物的生长状况及空间分布,也可以宏观的反映绿色植物的生物量和盖度等生物物理特征。因此,NDVI是一个很好的特征变量用于构建反映地物时间变化规律的分类特征变量。
图2为利用高分一号卫星WFV数据构建的不同地表覆盖类型代表性的NDVI时间序列变量动态变化特征图,如图2所示,在植物生长过程中,由于各种植物自身结构及对气候响应的方式不同,使其生长季开始时间、生长速率、生长幅度有所不同,相应不同植被类型的NDVI动态变化特征也产生差异。通常,成熟期植被类型之间的NDVI差异要大于生长初期,而在快速生长期的变化更加显著。常绿针叶林在整个生长期叶面变化较小,NDVI一直处于高位(NDVI约0.6~0.7)。落叶针叶林在生长季开始后,NDVI短时间内达到高值水平并保持到落叶时间,而且阔叶林的NDVI峰值(NDVI约0.8)要明显大于针叶林(NDVI约为0.7)。相对于落叶林,农作物和草地生长季开始后NDVI时间序列变量增长较为缓慢,灌木NDVI时间序列变量增长速率处于落叶林与农作物和草地之间。到达植被生长成熟期,各植被类型的NDVI时间序列变量值较为接近,其中阔叶林、高覆盖度草地、农作物的NDVI时间序列变量值略高,反映其整体的叶面积较大,而针叶林和灌木NDVI时间序列变量略低,低覆盖度草地NDVI时间序列变量值更低。生育期的NDVI时间序列变量变幅,除了常绿针叶林较小外,其他植被类型变幅均较大,其中低覆盖度草地略小一些。沙地、人工建筑和水体的NDVI时间序列变量变化总体表现出与各种植被类型的较大差异。沙地和人工建筑NDVI时间序列变量曲线总体保持水平,处于较低值。水体在3月份处于结冰状态,NDVI时间序列变量表现为负值,随着冰的融化,水体NDVI时间序列变量值增长到一个较小值并基本保持平稳。总体上,NDVI时间序列变量可以很好的增加不同地物类型之间的可分性,尤其是植被类型之间的可分性,具体的,NDVI时间序列变量的计算公式为:
NDVI=(RNIR-RRed)/(RNIR+RRed)
其中RNIR表示近红外波段地表反射率,RRed表示红外波段地表反射率,分别是高分一号卫星宽视场成像仪采集的影像数据的第四和第三波段。
S3:根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征。
具体的,系统根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征,图3为不同地表覆盖类型代表性的光谱特征和NDVI时间序列变量的时相特征图(左图为光谱特征,数据获取于2014年7月27日)、(右图为NDVI时相特征图),如图3所示,显示了研究区代表性地物类型在2014年7月27日获取高分一号卫星WFV数据上的光谱特征以及经Savitzky-Golay滤波(简称S-G滤波)后NDVI时间序列变量提取的时相特征。从光谱特征可以看出沙地、人工建筑等非植被地表和水体与其他植被之间的可分性较好,而不同植被类型之间的光谱则较为相似,可分性较差,比如落叶针叶林和常绿针叶林光谱特征极为相似、农作物和高覆盖度草地之间光谱较相似。而在NDVI时相特征上,沙地、人工建筑等非植被地表和水体等仍与其他植被差异较大,而且不同植被类型之间也表现出了时相特征差异,比如落叶针叶林和常绿针叶林NDVI的最小值和标准差具有很大差异、农作物与草地之间也表现出了较大时相特征差异。不同地物之间的时相特征差异能够在地物类型光谱特征差异的基础上,进一步扩大地物之间的可分性,进而具有提高土地覆盖分类精度的潜力。
图4为高分一号卫星WFV数据根据NDVI时间序列变量提取的时相特征分布图,如图4所示,显示了研究区利用S-G滤波后NDVI时间序列变量提取的时相特征分布图。从图中可以看出,各种不同地表类型在NDVI时间序列变量的时相特征中有不同的表现,地物类型分布对比明显,有利于土地覆盖分类精度提高。NDVI时间序列变量最大值除了在低覆盖度草地区较小外,其他植被类型覆盖区都较大,非植被覆盖地表和水体NDVI时间序列变量最大值比较小。在NDVI时间序列变量最小值分布图上,常绿针叶林表现出较大的NDVI时间序列变量值,其他土地覆盖类型都较小。在NDVI时间序列变量平均值分布图上,常绿针叶林区NDVI时间序列变量平均值最大,落叶针叶林和落叶阔叶林次之,农田、草地和灌木较小一些。在NDVI时间序列变量标准差方面,NDVI时间序列变量变化幅度小的像元标准差小,常绿针叶林、非植被地表和水体的标准差最小,而其他植被类型的NDVI时间序列变量变幅都比较大,但不同植被类型之间的NDVI时间序列变量标准差也有较大的差异。总之,NDVI时间序列变量的时相特征分布图分析结果与上述不同地物类型NDVI时间序列变量的时相特征曲线分析结果一致,不同的地物类型在时相特征上表现出较大的差异,能够用于改善土地覆盖分类精度。
S4:根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
具体的,系统根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。本发明实施例确定的分类系统中的土地覆盖类别包括常绿针叶林、落叶针叶林、落叶阔叶林、农田、草地、灌木、水体和非植被地表。其中常绿针叶林主要包括人工樟子松林以及樟子松的苗圃,落叶针叶林以人工落叶松林为主并包含落叶松的苗圃,落叶阔叶林主要是天然白桦林,农田种植的作物主要有玉米、土豆和小麦,草地包括高覆盖度和低覆盖度的草地,非植被地表包括人工建筑区、道路和裸露的沙地等。
在地面调查了解的土地覆盖类型实际分布特征、高分一号卫星WFV数据解译以及Google Earth辅助识别的基础上,采用随机选取样本像元的方法进行训练和检验。对于每种土地覆盖类型都获取了足够的样本点,其中包括常绿针叶林像元2284个、落叶针叶林像元3342个、落叶阔叶林像元1868个、农田像元1680个、草地像元3872个、灌木像元332个、水体像元1072个和非植被地表像元1616个。在一个土地覆盖类型包含有不同特征子类的情况下,采用先以子类作为单独的分类类别,分类完成后再合并成分类系统中的土地覆盖类别,比如农田包括玉米、土豆和小麦,三种作物的分类样本分别选取并作为分类类别,然后对数据进行分类后,三种作物合并作为农田类别。最后,在样本像元选取之后,随机抽取一半样本点作为训练样本,剩下的一半样本点作为检验样本,训练样本和检验样本没有重叠。
本发明实施例采用在遥感数据分类领域具有广泛应用的支持向量机分类器。与其他的分类算法相比,支持向量机分类器具有参数设定简单和能够得到全局最优分类结果的优点,尤其适合有限样本问题,在很大程度上解决了传统分类方法中存在的问题,如模型选择、过学习、多维问题、局部极小点问题等。支持向量机的最终求解可以转化为一个具有线性约束的二次凸规划问题,不存在局部极小。引入该方法,可以将线性支持向量机简单地推广到非线性支持向量机,而且对于高维样本几乎不增加额外的计算量。
为了验证时相特征对于提高土地覆盖分类精度的作用,本发明实施例采用了两种分类策略:其一为只采用地面调查同步的2014年7月27日的高分一号卫星WFV数据进行土地覆盖分类,该WFV数据同时处于各种植被类型生长的旺盛期,有利于地物类型之间的区分,记为基于光谱特征的土地覆盖分类;其二,在以上光谱特征的基础上增加从高分一号卫星WFV数据提取的时相特征进行土地覆盖分类,记为基于光谱特征与时相特征组合的土地覆盖分类。为了使两种采用不同分类特征变量的土地覆盖分类结果具有可比性,两种分类策略都采用了相同的训练样本和支持向量机分类器参数设定。
本发明实施例采用随机采样的方式获取用于精度检验的样本,最终每个类别的样本数分别为常绿针叶林像元1142个、落叶针叶林像元1671个、落叶阔叶林像元934个、农田像元840个、草地像元1936个、灌木像元166个、水体像元536个和非植被地表像元808个。在检验样本的基础上对利用高分一号卫星WFV数据光谱特征及其与时相特征组合的土地覆盖分类结果进行了精度检验和Kappa(假设性检验分析)统计分析。
本发明实施例采用的误差矩阵是遥感数据土地覆盖分类精度评价的最常用手段,它是一个用于表示分为某一类别的像元个数与地面验证为该类别数的比较矩阵。从分类误差矩阵中可以计算一些精度测量指标,比如总体分类精度、生产者精度和用户精度。本发明实施例采用Kappa分析技术比较不同的分类方法,评价土地覆盖分类精度。表1为利用高分一号卫星WFV数据光谱特征分类结果的混淆矩阵,表2为利用高分一号卫星WFV数据光谱特征与时相特征组合分类结果的混淆矩阵;
表1
表2
通过表1和表2的对比,利用光谱特征与时相特征组合的土地覆盖分类精度(总体分类精度为92.89%,Kappa为0.916)明显优于利用光谱特征的土地覆盖分类精度(总体分类精度为85.81%,Kappa为0.831),总体分类精度提高约7个百分点,说明高分一号卫星WFV数据的时相特征能够有效提高土地覆盖分类精度。从单个地物类型的制图精度和用户精度来看,水体和非植被地表在两种分类策略下分类精度都很高,时相特征的加入对于提高水体和非植被地表分类精度的提高作用不明显。而对于各种植被类型,利用光谱特征分类混淆较大,常绿针叶林和落叶针叶林分类混淆最大,这是由于两者在生长旺季的7月底的遥感图像上光谱非常类似,而两者生长过程中的巨大差异通过引入时相特征得到体现,进而利用光谱特征与时相特征组合的分类使两者的区分几乎达到没有混淆。其他植被类型之间的区分也由于时相特征的引入而有较大的提高,每种植被类型的制图精度都能提高约4-6个百分点。总之,高分一号卫星WFV数据的时相特征能够明显提高光谱特征土地覆盖分类的精度,尤其提高了各种植被类型的分类精度。
图5为利用高分一号卫星WFV光谱特征(上)及其与时相特征组合(下)的土地覆盖分类结果图,如图5所示,基于地面调查及GoogleEarth辅助识别对研究区土地覆盖类型分布的了解,两种策略的分类结果都能较好的实现土地覆盖类型分类,分类结果符合地物实际分布情况。但是在基于光谱特征的土地覆盖分类结果中,常绿针叶林和落叶针叶林混淆较多,这是由于两者的光谱特征类似造成的,另外其他地物类型的分类结果也混淆现象,表现在分类结果的斑点噪声较明显。而基于光谱特征与时相特征组合的土地覆盖分类结果明显优于基于光谱特征的分类结果,常绿针叶林与落叶针叶林都被准确的区分出来,地块连续且边界分布明显,符合针叶林的实际分布情况。另外其他各种地物类型之间的区分也都取得了较好的结果,尤其是各种植被类型中间的区分,地块分布清晰,分类混淆少,基本消除了斑点噪声,符合研究区的地物类型分布情况。这是由于不同地物类型具有不同的时间动态变化特征,加入时相特征的土地覆盖分类能够增大不同地物类型之间的可分性,进而提高土地覆盖分类结果,尤其在各种植被类型光谱特征相似的情况下,时相特征较大幅度的提高了不同植被类型的识别准确度。
本发明实施例提供的土地覆盖遥感分类方法,通过引入地表覆盖类型的时相特征,有效提高了土地覆盖分类精度,解决了目前土地覆盖分类精度尤其是植被类型分类精度不高问题。
在上述实施例的基础上,所述根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征,包括:
采用NDVI时间序列变量的最大值、最小值、平均值和标准差作为地表覆盖类型的时相特征。
具体的,系统采用NDVI时间序列变量的最大值、最小值、平均值和标准差作为地表覆盖类型的时相特征。由于NDVI时间序列变量的数据量大,而且具有较大的冗余度,如果把所有NDVI时间序列变量加入土地覆盖分类过程会造成分类器的输入特征变量增多,使计算量大幅增加,而且有可能造成分类结果的不确定性增大。因此,需要选择时相特征代表整个NDVI时间序列变量的变化特征,进而提高土地覆盖分类精度。通常,NDVI时间序列变量的统计特征和植被物候特征都能够用于时相特征提取,而且有研究表明统计特征可以有效消除相同植被类型由于物候差异造成的NDVI时间序列变量时间动态变化特征的差异,更为有效的提高土地覆盖分类精度。因此,本发明采用时间序列NDVI时间序列变量的最大值、最小值、平均值和标准差作为地表覆盖类型的时相特征。
本发明实施例提供的土地覆盖遥感分类方法,通过引入地表覆盖类型的时相特征,有效提高了土地覆盖分类精度,解决了目前土地覆盖分类精度尤其是植被类型分类精度不高问题。
在上述实施例的基础上,所述根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量之后,所述方法还包括:
采用S-G滤波对所述NDVI时间序列变量进行修正。
具体的,系统采用S-G滤波对所述NDVI时间序列变量进行修正。通常NDVI时间序列变量易受到云和大气条件的影响而导致在影像中的数值低于正常值。对NDVI时间序列变量采用时间域滤波方法能够利用NDVI时间序列变量的长期变化趋势对异常值进行修正,同时可以体现NDVI时间序列变量的时间动态变化特征,能够有效减弱由于云、大气条件等对NDVI时间序列变量造成的影响,本发明采用Savitzky-Golay滤波(S-G滤波),图6为高分一号卫星NDVI时间序列变量在S-G滤波前后比较图,如图6所示可以发现,S-G滤波后的NDVI时间序列变量的时间序列曲线能够很好的拟合原始NDVI时间序列变量值的时间变化规律,并能有效的改善由于大气条件等因素造成的NDVI时间序列变量低值及云等造成的数据缺失现象,更为真实的恢复了地表植被的实际时间动态变化规律,为进一步的地表覆盖类型时相特征提取提供了可靠的数据基础。
根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征。
具体的,系统根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征。可参照上述实施例,此处不再赘述。
根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
具体的,系统根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。可参照上述实施例,此处不再赘述。
本发明实施例提供的土地覆盖遥感分类方法,通过S-G滤波对NDVI时间序列变量进行修正,能够有效减弱天气等条件对NDVI时间序列变量造成的影响,从而能够进一步实现对土地覆盖的准确分类,尤其是植被类型的准确分类。
在上述实施例的基础上,所述并对所述影像数据进行预处理,得到每个像元的地表反射率,包括:
对所述影像数据进行辐射校正,得到地表反射率数据。
具体的,系统对所述影像数据进行辐射校正,得到地表反射率数据。
对所述地表反射率数据进行几何纠正,得到空间精确定位的数据。
具体的,系统对所述地表反射率数据进行几何纠正,得到空间精确定位的数据。参照上述实施例,此处不再赘述。
本发明实施例提供的土地覆盖分类处理方法,通过进行辐射校正和几何纠正,能够得到空间精确定位的数据。
在上述实施例的基础上,所述根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类,包括:
根据所述地表覆盖类型的光谱特征和所述时相特征,随机选取样本像元,训练支持向量机分类器。
具体的,系统根据所述地表覆盖类型的光谱特征和所述时相特征,随机选取样本像元,训练支持向量机分类器。
根据所述支持向量机分类器,对待分类的遥感影像进行分类。
具体的,系统根据所述支持向量机分类器,对待分类的遥感影像进行分类。可参照上述实施例,不再赘述。
本发明实施例提供的土地覆盖遥感分类方法,采用支持向量机分类器对待分类的遥感影像进行分类,实现了对土地覆盖的准确分类。
在上述实施例的基础上,所述根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量,包括:
根据如下公式构建反映地表覆盖类型随时间变化的NDVI时间序列变量:
NDVI=(RNIR-RRed)/(RNIR+RRed)
其中RNIR表示近红外波段地表反射率,RRed表示红外波段地表反射率,分别是高分一号卫星宽视场成像仪采集的影像数据的第四和第三波段。
具体的,系统根据如下公式构建反映地表覆盖类型随时间变化的NDVI时间序列变量:
NDVI=(RNIR-RRed)/(RNIR+RRed)
其中RNIR表示近红外波段地表反射率,RRed表示红外波段地表反射率,分别是高分一号卫星宽视场成像仪采集的影像数据的第四和第三波段。可参照上述实施例,不再赘述。
本发明实施例提供的土地覆盖遥感分类方法,通过公式构建NDVI时间序列变量,有效地获取地表覆盖类型的时相特征。
图7为本发明实施例土地覆盖遥感分类系统结构示意图,如图7所示,本发明实施例提供了一种土地覆盖遥感分类系统,包括:获取模块1、构建模块2、提取模块3和分类模块4,其中:
获取模块1用于获取高分一号卫星宽视场成像仪采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;构建模块2,用于根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量;提取模块3,用于根据所述NDVI时间序列变量,提取土地覆盖时相特征;分类模块4用于根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
具体的,获取模块1用于获取高分一号卫星宽视场成像仪采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率,获取模块1将地表反射率发送给构建模块2,构建模块2,用于根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量,构建模块2将NDVI时间序列变量发送给提取模块3,提取模块3用于根据所述NDVI时间序列变量,提取土地覆盖时相特征,提取模块3将时相特征变量、获取模块1将地表反射率发送给分类模块4,分类模块4用于根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
本发明实施例提供的土地覆盖遥感分类系统,通过引入时相特征,提高了土地覆盖分类精度,解决了目前土地覆盖分类精度尤其是植被类型分类精度不高问题。
在上述实施例的基础上,所述提取模块3具体用于:
采用NDVI时间序列变量的最大值、最小值、平均值和标准差作为时相特征。
具体的,提取模块3具体用于:采用NDVI时间序列变量的最大值、最小值、平均值和标准差作为分类的时相特征。
本发明实施例提供的土地覆盖遥感分类系统,采用时相特征能够较好地反映绿色植物的生长状况及空间分布等信息,从而能够进一步实现对土地覆盖的高精度分类。
在上述实施例的基础上,所述系统还用于:
采用S-G滤波对所述NDVI时间序列变量进行修正;根据修正后的NDVI时间序列变量,提取时相特征;根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
具体的,所述系统还用于:
采用S-G滤波对所述NDVI时间序列变量进行修正;根据修正后的NDVI时间序列变量,提取时相特征;根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
本发明实施例提供的土地覆盖遥感分类系统,通过S-G滤波对NDVI时间序列变量进行修正,能够有效减弱天气等条件对NDVI时间序列变量造成的影响,从而能够进一步实现对土地覆盖的准确分类。
在上述实施例的基础上,所述获取模块具体用于:
对所述影像数据进行辐射校正,得到地表反射率数据;以及对所述地表反射率数据进行几何纠正,得到空间精确定位的数据。
具体的,获取模块1具体用于:
对所述影像数据进行辐射校正,得到地表反射率数据;以及对所述地表反射率数据进行几何纠正,得到空间精确定位的数据。
本发明实施例提供的土地覆盖分类处理系统,通过进行辐射校正和几何纠正,能够得到空间精确定位的数据。
本发明实施例提供的土地覆盖遥感分类系统具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,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的实施例各实施例技术方案的范围。
Claims (8)
1.一种土地覆盖遥感分类方法,其特征在于,包括:
获取高分一号卫星宽视场成像仪采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;
根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量,利用高分一号卫星WFV数据构建不同地表覆盖类型代表性的NDVI时间序列变量动态变化特征图,结合在植物生长过程中由于各种植物自身结构及对气候响应的方式不同的影响,及各种植物生长季开始时间、生长速率、生长幅度有所不同,以表征不同植被类型的NDVI动态变化特征产生的差异;
根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征,并通过不同地物之间的时相特征差异,在地物类型光谱特征差异基础上扩大地物之间的可分性;根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类;
所述根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征,包括:
采用NDVI时间序列变量的最大值、最小值、平均值和标准差作为地表覆盖类型的时相特征;
相应的,所述根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类,包括:
根据NDVI时间序列变量的最大值、最小值、平均值和标准差中的至少一种,通过对待分类对象之间的相互比较,对待分类的遥感影像进行分类。
2.根据权利要求1所述的方法,其特征在于,所述根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量之后,所述方法还包括:
采用S-G滤波对所述NDVI时间序列变量进行修正;
根据修正后的NDVI时间序列变量,提取地表覆盖类型的时相特征;
根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
3.根据权利要求1所述的方法,其特征在于,所述并对所述影像数据进行预处理,得到每个像元的地表反射率,包括:
对所述影像数据进行辐射校正,得到地表反射率数据;
对所述地表反射率数据进行几何纠正,得到空间精确定位的数据。
4.根据权利要求1至3任一所述的方法,其特征在于,所述根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类,包括:
根据所述地表覆盖类型的光谱特征和所述时相特征,随机选取样本像元,训练支持向量机分类器;
根据所述支持向量机分类器,对待分类的遥感影像进行分类。
5.根据权利要求1所述的方法,其特征在于,所述根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量,包括:
根据如下公式构建反映地表覆盖类型随时间变化的NDVI时间序列变量:
NDVI=(RNIR-RRed)/(RNIR+RRed)
其中RNIR表示近红外波段地表反射率,RRed表示红外波段地表反射率,分别是高分一号卫星宽视场成像仪采集的影像数据的第四和第三波段。
6.一种土地覆盖遥感分类系统,其特征在于,包括:
获取模块,用于获取高分一号卫星宽视场成像仪采集的影像数据,并对所述影像数据进行预处理,得到每个像元的地表反射率;
构建模块,用于根据所述地表反射率,构建反映地表覆盖类型随时间变化的NDVI时间序列变量,利用高分一号卫星WFV数据构建不同地表覆盖类型代表性的NDVI时间序列变量动态变化特征图,结合在植物生长过程中由于各种植物自身结构及对气候响应的方式不同的影响,及各种植物生长季开始时间、生长速率、生长幅度有所不同,以表征不同植被类型的NDVI动态变化特征产生的差异;
提取模块,用于根据所述NDVI时间序列变量,提取地表覆盖类型的时相特征,并通过不同地物之间的时相特征差异,在地物类型光谱特征差异基础上扩大地物之间的可分性;
分类模块,用于根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类;
所述提取模块具体用于:
采用NDVI时间序列变量的最大值、最小值、平均值和标准差作为地表覆盖类型的时相特征;
相应的,所述分类模块具体用于:
根据NDVI时间序列变量的最大值、最小值、平均值和标准差中的至少一种,通过对待分类对象之间的相互比较,对待分类的遥感影像进行分类。
7.根据权利要求6所述的系统,其特征在于,所述系统还用于:
采用S-G滤波对所述NDVI时间序列变量进行修正;
根据修正后的NDVI时间序列变量,提取时相特征;
根据所述地表覆盖类型的光谱特征和所述时相特征,对待分类的遥感影像进行分类。
8.根据权利要求6所述的系统,其特征在于,所述获取模块具体用于:
对所述影像数据进行辐射校正,得到地表反射率数据;以及对所述地表反射率数据进行几何纠正,得到空间精确定位的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710384671.6A CN107273820B (zh) | 2017-05-26 | 2017-05-26 | 一种土地覆盖遥感分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710384671.6A CN107273820B (zh) | 2017-05-26 | 2017-05-26 | 一种土地覆盖遥感分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273820A CN107273820A (zh) | 2017-10-20 |
CN107273820B true CN107273820B (zh) | 2020-10-16 |
Family
ID=60065358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710384671.6A Active CN107273820B (zh) | 2017-05-26 | 2017-05-26 | 一种土地覆盖遥感分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273820B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483050B (zh) * | 2015-09-02 | 2019-08-13 | 中国科学院遥感与数字地球研究所 | 气溶胶光学厚度的反演方法及系统 |
CN110555343B (zh) * | 2018-06-01 | 2022-04-05 | 北京师范大学 | 典型资源要素中林、灌、草三要素提取方法和系统 |
CN110687049B (zh) * | 2018-07-04 | 2022-12-20 | 中国科学院深圳先进技术研究院 | 一种用材林识别方法及装置 |
CN109190497A (zh) * | 2018-08-09 | 2019-01-11 | 成都天地量子科技有限公司 | 一种基于时序多光谱卫星影像的耕地识别方法 |
CN109543729A (zh) * | 2018-11-08 | 2019-03-29 | 山东农业大学 | 基于特征参数聚类的时间序列数据土地覆被分类方法 |
CN109856056B (zh) * | 2018-12-26 | 2021-07-13 | 北京林业大学 | 一种沙化土地遥感快速识别方法 |
CN109781626B (zh) * | 2019-03-11 | 2021-07-06 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
CN110472525B (zh) * | 2019-07-26 | 2021-05-07 | 浙江工业大学 | 一种时间序列遥感植被指数的噪声检测方法 |
CN111340670A (zh) * | 2020-02-26 | 2020-06-26 | 陕西理工大学 | 一种土地管理系统 |
CN111339149B (zh) * | 2020-03-20 | 2023-04-18 | 宁夏回族自治区自然资源勘测调查院 | 一种基于耕地保护业务数据流的时空多维度大数据融合处理方法 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN111694827B (zh) * | 2020-05-31 | 2023-04-07 | 重庆大学 | 一种电力设备状态监测数据缺失值分类插补方法和系统 |
CN112508758B (zh) * | 2020-12-02 | 2022-12-06 | 中国科学院东北地理与农业生态研究所 | 生态系统内部类型组分与属性组分组成结构协同描述方法 |
CN117372503B (zh) * | 2023-12-08 | 2024-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
CN117576171B (zh) * | 2023-12-29 | 2024-07-23 | 北京江河惠远科技有限公司 | 一种多时相卫星遥感的植被恢复全周期监督系统 |
CN117689959B (zh) * | 2024-01-30 | 2024-06-14 | 中交第二公路勘察设计研究院有限公司 | 一种融合植被生命周期特征的遥感分类方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699315B (zh) * | 2009-10-23 | 2012-04-25 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
CN105740759B (zh) * | 2016-01-15 | 2019-01-15 | 武汉珈和科技有限公司 | 基于多时相数据中特征提取的中稻信息决策树分类方法 |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
-
2017
- 2017-05-26 CN CN201710384671.6A patent/CN107273820B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107273820A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273820B (zh) | 一种土地覆盖遥感分类方法及系统 | |
Zhou et al. | Long-short-term-memory-based crop classification using high-resolution optical images and multi-temporal SAR data | |
CN109345555B (zh) | 基于多时相多源遥感数据进行水稻识别的方法 | |
Ballesteros et al. | Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
George et al. | Forest tree species discrimination in western Himalaya using EO-1 Hyperion | |
Xiao et al. | Quantitative relationships between field-measured leaf area index and vegetation index derived from VEGETATION images for paddy rice fields | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
Zhong et al. | Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
CN109543654B (zh) | 一种反映农作物生长状况的改进型植被指数的构建方法 | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
CN105678280B (zh) | 基于纹理特征的地膜覆盖农田遥感监测方法 | |
Mostafa et al. | Using LiDAR technique and modified Community Land Model for calculating water interception of cherry tree canopy | |
Nzimande et al. | Mapping the spatial distribution of the yellowwood tree (Podocarpus henkelii) in the Weza-Ngele forest using the newly launched Sentinel-2 multispectral imager data | |
Sari et al. | Detecting rice phenology in paddy fields with complex cropping pattern using time series MODIS data | |
Abubakar et al. | Characterisation of grapevine canopy leaf area and inter-row management using Sentinel-2 time series | |
Bruscolini et al. | Drone services for plant water-status mapping | |
Parreiras et al. | Exploring the Harmonized Landsat Sentinel (hls) Datacube to Map AN Agricultural Landscape in the Brazilian Savanna | |
Luo et al. | Staple crop mapping with Chinese GaoFen-1 and GaoFen-6 satellite images: A case study in Yanshou County, Heilongjiang Province, China |
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 |