CN107657206A - 一种基于遥感技术估算绿地覆盖率的方法 - Google Patents

一种基于遥感技术估算绿地覆盖率的方法 Download PDF

Info

Publication number
CN107657206A
CN107657206A CN201611207011.2A CN201611207011A CN107657206A CN 107657206 A CN107657206 A CN 107657206A CN 201611207011 A CN201611207011 A CN 201611207011A CN 107657206 A CN107657206 A CN 107657206A
Authority
CN
China
Prior art keywords
remote sensing
coverage rate
sensing image
classification
green cover
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
CN201611207011.2A
Other languages
English (en)
Other versions
CN107657206B (zh
Inventor
胡煜
王
王一
谢国钧
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.)
Zhongke Star Map Co., Ltd.
Original Assignee
Space Star Technology (beijing) Co Ltd
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 Space Star Technology (beijing) Co Ltd filed Critical Space Star Technology (beijing) Co Ltd
Priority to CN201611207011.2A priority Critical patent/CN107657206B/zh
Publication of CN107657206A publication Critical patent/CN107657206A/zh
Application granted granted Critical
Publication of CN107657206B publication Critical patent/CN107657206B/zh
Active 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/30—Noise filtering
    • 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

Abstract

一种基于遥感技术估算绿地覆盖率的方法，其特征在于包括以下步骤：利用多光谱遥感影像，将具有相似性质的像素进行合并，进行遥感影像分割；对分割生成的影像区域，进行面向对象的绿地覆盖分类；对分类结果进行精度评价；以及根据分类的绿地覆盖面积计算出绿地覆盖率。本发明提供了一种高精度的利用遥感影像估算绿地覆盖率的遥感测量方法，其有益效果在于：1)可以提取出真实的绿地覆盖的区域面积；2)与当前应用的绿地覆盖率测算方法及系统相比，估算的准确性和精度明显提高，优于当前正在应用的常用测算方法及系统。

Description

一种基于遥感技术估算绿地覆盖率的方法
本发明涉及估算绿地覆盖率的遥感测量方法及其遥感测量系统领域，具体是一种基于遥感技术估算绿地覆盖率的方法。
背景技术
绿地(主要是绿地和草)覆盖率是评价城区生活环境质量、居住适宜性和城区生态稳健性的重要指标之一。当前，利用高分辨率的遥感影像进行森林植被制图及估算相关森林植被参数已成为一种先进的技术方法手段，比如无人机航空摄影遥感森林计测方法和的基于高空间分辨率遥感影像的林冠空间统计学定量估计方法。
但目前还没有利用高分辨率的遥感影像进行绿地覆盖率的估算技术，至今为止，城区绿地覆盖率的测算主要是利用了地理信息系统技术(GIS)，采用的具体方法是基于城区每一绿地(比如树)的位置为中心，采用固定的覆盖长度为半径计算单个绿地的地面覆盖面积(比如建立每一棵树的树冠覆盖缓冲区)，最后统计得到城区所有绿地的地面覆盖总面积，从而获得城区的绿地覆盖率。由于绿地不可能全部具有同样大小的覆盖长度半径，而且计算采用的覆盖长度半径通常也难以确定，因此，该估算方法精度并不高。
发明内容
针对现有的缺陷或不足，本发明提供了一种基于遥感技术估算绿地覆盖率的方法，其特征在于包括以下步骤：
步骤一，利用多光谱遥感影像，将具有相似性质的像素进行合并，进行遥感影像分割；
步骤二，对分割生成的影像区域，进行面向对象的绿地覆盖分类；
步骤三，对分类结果进行精度评价；以及
步骤四，根据分类的绿地覆盖面积计算出绿地覆盖率。
优选地，其中，获取的遥感影像为高分辨率卫星遥感影像。
优选地，其中，所述步骤一中，根据所要提取的绿地覆盖区域大小选定分割尺度，采用可调尺度的面向对象分割算法进行分割。
优选地，其中，在所述步骤一前，还对多光谱遥感影像进行预处理，以减轻噪声对目标和背景信息的干扰。
优选地，其中，所述步骤二中，对分割生成的影像区域，进行面向对象的绿地覆盖分类，是采用计算机自动分类。
优选地，其中，所述的步骤三中，采用随机样本作为参考数据进行基于混淆矩阵的精度评价。
优选地，其中，通过目视解译判读所述随机样本的类别。
本发明提供了一种高精度的利用遥感影像估算绿地覆盖率的遥感测量方法，其有益效果在于：1)可以提取出真实的绿地覆盖的区域面积；2)与当前应用的绿地覆盖率测算方法及系统相比，估算的准确性和精度明显提高；3)具有技术流程简单，执行速度快，自动化程度高，精度高，效率高等优点，优于当前正在应用的常用测算方法及系统。
附图说明
图1本发明所提出的方法流程图。
具体实施方式
为了更好地理解本发明，下面结合附图参考实施例的描述，对本发明的方法进行进一步的说明。
为了全面理解本发明，在以下详细描述中提到了众多具体细节。但是本领域技术人员应该理解，本发明可以无需这些具体细节而实现。在实施例中，不详细描述公知的方法、过程、组件，以免不必要地使实施例繁琐。
参见图1所示，本发明的一种基于遥感技术估算绿地覆盖率的方法，其特征在于包括以下步骤：
步骤一，利用多光谱遥感影像，将具有相似性质的像素进行合并，进行遥感影像分割；
步骤二，对分割生成的影像区域，进行面向对象的绿地覆盖分类；
步骤三，对分类结果进行精度评价；以及
步骤四，根据分类的绿地覆盖面积计算出绿地覆盖率。
优选地，其中，获取的遥感影像为高分辨率卫星遥感影像。
优选地，其中，所述步骤一中，根据所要提取的绿地覆盖区域大小选定分割尺度，采用可调尺度的面向对象分割算法进行分割。
优选地，其中，在所述步骤一前，还对多光谱遥感影像进行预处理，以减轻噪声对目标和背景信息的干扰。
优选地，其中，所述步骤二中，对分割生成的影像区域，进行面向对象的绿地覆盖分类，是采用计算机自动分类。
优选地，其中，所述的步骤三中，采用随机样本作为参考数据进行基于混淆矩阵的精度评价。
优选地，其中，通过目视解译判读所述随机样本的类别。
其中，对多光谱遥感影像进行预处理包括：大气校正、几何校正、投影转换。
其中，所述步骤二，对分割生成的影像区域，进行面向对象的绿地覆盖分类，具体为：
步骤1，提取各分割区域的光谱特征信息；
步骤2，选择绿地覆盖指数，计算各分割区域的指数值；
步骤3，提取各分割区域的指数值中大于阈值的区域，完成绿地覆盖信息的计算机自动提取。
其中，所述步骤2，选择的绿地覆盖指数为：
其中，NIR为近红外波段的光谱特征值，RED为可见光红光波段的光谱特征值，a为修正因子，取值范围0-1，其中1代表较低的植被覆盖，0代表较高的植被覆盖。
其中，所述步骤1，所述光谱特征包括亮度、饱和度或色调。
可见，本发明提供了一种高精度的利用遥感影像估算绿地覆盖率的遥感测量方法，其有益效果在于：1)可以提取出真实的绿地覆盖的区域面积；2)与当前应用的绿地覆盖率测算方法及系统相比，估算的准确性和精度明显提高；3)具有技术流程简单，执行速度快，自动化程度高，精度高，效率高等优点，优于当前正在应用的常用测算方法及系统。
这里只说明了本发明的优选实施例，但其意并非限制本发明的范围、适用性和配置。相反，对实施例的详细说明可使本领域技术人员得以实施。应能理解，在不偏离所附权利要求书确定的本发明精神和范围情况下，可对一些细节做适当变更和修改。

Claims (7)

1.一种基于遥感技术估算绿地覆盖率的方法，其特征在于包括以下步骤：
步骤一，利用多光谱遥感影像，将具有相似性质的像素进行合并，进行遥感影像分割；
步骤二，对分割生成的影像区域，进行面向对象的绿地覆盖分类；
步骤三，对分类结果进行精度评价；
步骤四，根据分类的绿地覆盖面积计算出绿地覆盖率。
2.根据权利要求1所述的方法，其中，获取的遥感影像为高分辨率卫星遥感影像。
3.根据权利要求1所述的方法，其中，所述步骤一中，根据所要提取的绿地覆盖区域大小选定分割尺度，采用可调尺度的面向对象分割算法进行分割。
4.根据权利要求1所述的方法，其中，在所述步骤一前，还对多光谱遥感影像进行预处理，以减轻噪声对目标和背景信息的干扰。
5.根据权利要求1所述的方法，其中，所述步骤二中，对分割生成的影像区域，进行面向对象的绿地覆盖分类，是采用计算机自动分类。
6.根据权利要求1所述的方法，其中，所述的步骤三中，采用随机样本作为参考数据进行基于混淆矩阵的精度评价。
7.根据权利要求5所述的方法，其中，通过目视解译判读所述随机样本的类别。
CN201611207011.2A 2016-12-23 2016-12-23 一种基于遥感技术估算绿地覆盖率的方法 Active CN107657206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611207011.2A CN107657206B (zh) 2016-12-23 2016-12-23 一种基于遥感技术估算绿地覆盖率的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611207011.2A CN107657206B (zh) 2016-12-23 2016-12-23 一种基于遥感技术估算绿地覆盖率的方法

Publications (2)

Publication Number Publication Date
CN107657206A true CN107657206A (zh) 2018-02-02
CN107657206B CN107657206B (zh) 2019-02-15

Family

ID=61127475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611207011.2A Active CN107657206B (zh) 2016-12-23 2016-12-23 一种基于遥感技术估算绿地覆盖率的方法

Country Status (1)

Country Link
CN (1) CN107657206B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070038A (zh) * 2019-04-23 2019-07-30 山东建筑大学 一种基于城市绿化覆盖面积测算城市绿地率的方法
CN111310639A (zh) * 2020-02-11 2020-06-19 中国气象科学研究院 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法
CN113721182A (zh) * 2021-11-02 2021-11-30 武汉格蓝若智能技术有限公司 一种电力互感器性能在线监测结果可靠度评估方法及系统
CN116189000A (zh) * 2022-11-11 2023-05-30 北京市测绘设计研究院 地块分析方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101008676A (zh) * 2006-01-16 2007-08-01 北京林业大学 无人机航空摄影遥感森林计测方法
CN101403795A (zh) * 2008-11-18 2009-04-08 北京交通大学 估算城区树覆盖率的遥感测量方法及其遥感测量系统
CN103745239A (zh) * 2013-12-18 2014-04-23 广西生态工程职业技术学院 一种基于卫星遥感技术的森林资源测量方法
CN105930820A (zh) * 2016-05-09 2016-09-07 首都师范大学 一种高海拔飞艇高分辨率草畜遥感动态监测平台及方法
CN106056591A (zh) * 2016-05-25 2016-10-26 哈尔滨工业大学 一种融合光谱图像和激光雷达数据进行城市密度估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101008676A (zh) * 2006-01-16 2007-08-01 北京林业大学 无人机航空摄影遥感森林计测方法
CN101403795A (zh) * 2008-11-18 2009-04-08 北京交通大学 估算城区树覆盖率的遥感测量方法及其遥感测量系统
CN103745239A (zh) * 2013-12-18 2014-04-23 广西生态工程职业技术学院 一种基于卫星遥感技术的森林资源测量方法
CN105930820A (zh) * 2016-05-09 2016-09-07 首都师范大学 一种高海拔飞艇高分辨率草畜遥感动态监测平台及方法
CN106056591A (zh) * 2016-05-25 2016-10-26 哈尔滨工业大学 一种融合光谱图像和激光雷达数据进行城市密度估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
付卓等: "遥感应用分析中影像分割方法", 《遥感技术与应用》 *
杨荣等: "植被指数估算香格里拉地区植被覆盖度的精度对比分析", 《水土保持研究》 *
薄树奎: "《面向对象遥感影像信息提取》", 30 November 2012, 郑州大学出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070038A (zh) * 2019-04-23 2019-07-30 山东建筑大学 一种基于城市绿化覆盖面积测算城市绿地率的方法
CN110070038B (zh) * 2019-04-23 2022-06-17 山东建筑大学 一种基于城市绿化覆盖面积测算城市绿地率的方法
CN111310639A (zh) * 2020-02-11 2020-06-19 中国气象科学研究院 常绿人工林遥感识别方法及常绿人工林长势遥感监测方法
CN113721182A (zh) * 2021-11-02 2021-11-30 武汉格蓝若智能技术有限公司 一种电力互感器性能在线监测结果可靠度评估方法及系统
CN113721182B (zh) * 2021-11-02 2022-02-01 武汉格蓝若智能技术有限公司 一种电力互感器性能在线监测结果可靠度评估方法及系统
CN116189000A (zh) * 2022-11-11 2023-05-30 北京市测绘设计研究院 地块分析方法及装置
CN116189000B (zh) * 2022-11-11 2023-11-14 北京市测绘设计研究院 地块分析方法及装置

Also Published As

Publication number Publication date
CN107657206B (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
US10832390B2 (en) Atmospheric compensation in satellite imagery
Yan et al. Review of indirect optical measurements of leaf area index: Recent advances, challenges, and perspectives
Shahtahmassebi et al. Review of shadow detection and de-shadowing methods in remote sensing
Galvao et al. On intra-annual EVI variability in the dry season of tropical forest: A case study with MODIS and hyperspectral data
Reese et al. C-correction of optical satellite data over alpine vegetation areas: A comparison of sampling strategies for determining the empirical c-parameter
CA2656595C (en) Remote sensing and probabilistic sampling based forest inventory method
Rautiainen et al. Coupling forest canopy and understory reflectance in the Arctic latitudes of Finland
Hill et al. Characterizing vegetation cover in global savannas with an annual foliage clumping index derived from the MODIS BRDF product
CN107657206B (zh) 一种基于遥感技术估算绿地覆盖率的方法
CA2709377A1 (en) Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest
CN101403795A (zh) 估算城区树覆盖率的遥感测量方法及其遥感测量系统
Zhang et al. Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images
Kobayashi et al. The integrated radiometric correction of optical remote sensing imageries
CN107688777A (zh) 一种协同多源遥感影像的城市绿地提取方法
Goslee Topographic corrections of satellite data for regional monitoring
CN109918531A (zh) 一种毒品原植物的搜查方法、装置和计算机可读存储介质
Geng et al. Vegetation coverage of desert ecosystems in the Qinghai-Tibet Plateau is underestimated
Xu et al. Vegetation information extraction in karst area based on UAV remote sensing in visible light band
CN109635827A (zh) 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法
Simic et al. Improving clumping and LAI algorithms based on multiangle airborne imagery and ground measurements
CN115019190B (zh) 基于航空遥感平台的地形破碎区复杂地类信息提取方法
Hu et al. Comparison of absolute and relative radiometric normalization use Landsat time series images
Yuan et al. Research on vegetation information extraction from visible UAV remote sensing images
Ismaya et al. New automated cloud and cloud-shadow detection using Landsat imagery
Alexandridis et al. LAI measurement with hemispherical photographs at variable conditions for assessment of remotely sensed estimations

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
CP03 Change of name, title or address

Address after: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4)

Patentee after: Zhongke Star Map Co., Ltd.

Address before: 101399 Building 1A-4, National Geographic Information Technology Industrial Park, Guomen Business District, Shunyi District, Beijing

Patentee before: Space Star Technology (Beijing) Co., Ltd.

CP03 Change of name, title or address