CN107657207B - 一种基于遥感影像的林地分类方法 - Google Patents

一种基于遥感影像的林地分类方法 Download PDF

Info

Publication number
CN107657207B
CN107657207B CN201611258618.3A CN201611258618A CN107657207B CN 107657207 B CN107657207 B CN 107657207B CN 201611258618 A CN201611258618 A CN 201611258618A CN 107657207 B CN107657207 B CN 107657207B
Authority
CN
China
Prior art keywords
forest land
forest
remote sensing
region
sensing image
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
Application number
CN201611258618.3A
Other languages
English (en)
Other versions
CN107657207A (zh
Inventor
谢国钧
李宇光
巩志远
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 CN201611258618.3A priority Critical patent/CN107657207B/zh
Publication of CN107657207A publication Critical patent/CN107657207A/zh
Application granted granted Critical
Publication of CN107657207B publication Critical patent/CN107657207B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

一种基于遥感影像的林地分类方法，其特征在于，具体包括以下步骤：选定待分类林地区域，获取数据；对遥感影像进行预处理；获取所述遥感影像中所具有的全部林地类型；建立适合所述林地区域的林地二级分类体系；将林地类型的实地考察点位置坐标与遥感影像进行空间匹配；进行林地分类信息的计算机自动提取，生成自动分类的林地分类图；对所述林地分类图进行人工目视修正；确定分类结果的精度。本发明综合地利用地物的几何形态、结构信息，如纹理、形状、结构和空间组合关系等，顾及更多的结构、特征等信息，提高了分类精度；建立了面向遥感的林地二级分类体系，确保了林地遥感监测数据的分类一致性和结果可比性；本发明提出了一种便捷、准确、高效的林地分类方法，实现区域林地资源的快速准确监测。

Description

一种基于遥感影像的林地分类方法
本技术适用于遥感和地理信息系统领域，具体是一种基于遥感影像的林地分类方法。
背景技术
林地在支撑经济社会可持续发展中有不可替代的作用，是一种动态资源。开展林地资源调查和监测，对一定空间、时间内林地资源状态进行连续性跟踪调查，掌握其现状和消长变化情况，预测其发展变化趋势，为制定林业方针、政策、中长期规划和林业生产经营计划，检验经营成果等提供科学依据，对于提高林业发展乃至经济社会发展科学决策水平，促进林业和资源环境以及经济社会的可持续发展具有极为重要的意义。
林地资源监测体系是组织、建立、实施林地资源监测的一整套方法。传统的林地资源调查和监测技术方法以地面测量为主，存在着工作量大、劳动强度大、成本高、周期长、效率低、时效性差等问题，而且调查精度不高，难以满足当今林业发展的需要。研究表明，以1∶10000地形图为工作手图实地勾绘小班，面积平均误差为25.0％，中心位置平均位移77.1m，边界平均位移9.3m。因此，长期以来，众多学者致力于研究探讨新的适用的技术体系和方法。以遥感为主，包括地理信息系统和全球定位系统的3S技术及其集成，由于其具有传统技术不可比拟的优势，成为当前林地资源调查和监测研究的重点和热点。
然而，当今遥感技术在林地资源调查和监测中的应用还存在很多问题需要深入研究解决：一是林地和土地分类问题还未得到很好解决，能分离的类型个数和分类精度与相关技术标准的要求差距甚远。尤其在地形地貌复杂、林地分布破碎、种类和类型多样、结构复杂的南方林区，情况更是如此；二是林地区划过于粗糙，最小成图面积远大于技术标准要求。由于过往大多采用的中低空间分辨率遥感图像，造成了林地区划最小面积过大且成图比例尺较小。
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影像的林地分类方法，其特征在于，具体包括以下步骤：
步骤1：选定待分类林地区域，获取覆盖所述林地区域的遥感影像数据、实地调查资料、数字高程模型DEM数据；
步骤2：图像分类前，对遥感影像进行预处理；
步骤3：根据遥感影像和实地调查资料，获取所述遥感影像中所具有的全部林地类型；
步骤4：根据所述林地类型，结合传统林地分类系统，建立适合所述林地区域的林地二级分类体系。
步骤5：结合野外GPS定位，将林地类型的实地考察点位置坐标与遥感影像进行空间匹配，每种林地类型选取一个对应的坐标点作为样本点；
步骤6：进行林地分类信息的计算机自动提取，生成自动分类的林地分类图；
步骤7：结合数字高程模型DEM数据和其他相关专题图件，对所述林地分类图进行人工目视修正；
步骤8：通过野外实地调研，确定验证样点的真实属性，与分类结果进行比较，确定分类结果的精度。
其中，所述步骤1：获取的遥感影像数据为ALOS，SPOT，或者Quick Bird数据。
其中，所述步骤2：对遥感影像进行的预处理包括：大气校正、几何校正、投影转换、剪裁拼接、影像融合中的一种或多种组合。
其中，所述步骤4：建立的林地二级分类体系为：一级分类将林地划分为针叶林、阔叶林和针阔叶混交林三类；二级分类将针叶林划分为暖性针叶林和温性针叶林，将阔叶林划分为常绿阔叶林、常绿落叶、阔叶混交林及落叶阔叶林。
其中，所述步骤5：每种林地类型选取一个对应的坐标点作为样本点，具体为，如果同一林地类型中存在多处实地考察点，则选取其中一处实地考察点作为该林地类型的样本点。
其中，所述步骤7：对所述林地分类图进行的人工目视修正在ArcGIS软件中进行。
本发明综合地利用地物的几何形态、结构信息，如纹理、形状、结构和空间组合关系等，顾及更多的结构、特征等信息，提高了分类精度；建立了面向遥感的林地二级分类体系，确保了林地遥感监测数据的分类一致性和结果可比性；本发明提出了一种便捷、准确、高效的林地分类方法，实现区域林地资源的快速准确监测。
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影像的林地分类方法，其特征在于，具体包括以下步骤：
步骤1：选定待分类林地区域，获取覆盖所述林地区域的遥感影像数据、实地调查资料、数字高程模型DEM数据；
步骤2：图像分类前，对遥感影像进行预处理；
步骤3：根据遥感影像和实地调查资料，获取所述遥感影像中所具有的全部林地类型；
步骤4：根据所述林地类型，结合传统林地分类系统，建立适合所述林地区域的林地二级分类体系。
步骤5：结合野外GPS定位，将林地类型的实地考察点位置坐标与遥感影像进行空间匹配，每种林地类型选取一个对应的坐标点作为样本点；
步骤6：进行林地分类信息的计算机自动提取，生成自动分类的林地分类图；
步骤7：结合数字高程模型DEM数据和其他相关专题图件，对所述林地分类图进行人工目视修正；
步骤8：通过野外实地调研，确定验证样点的真实属性，与分类结果进行比较，确定分类结果的精度。
其中，所述步骤1：获取的遥感影像数据为ALOS，SPOT，或者Quick Bird数据。
其中，所述步骤2：对遥感影像进行的预处理包括：大气校正、几何校正、投影转换、剪裁拼接、影像融合中的一种或多种组合。
其中，所述步骤4：建立的林地二级分类体系为：一级分类将林地划分为针叶林、阔叶林和针阔叶混交林三类；二级分类将针叶林划分为暖性针叶林和温性针叶林，将阔叶林划分为常绿阔叶林、常绿落叶、阔叶混交林及落叶阔叶林。
其中，所述步骤5：每种林地类型选取一个对应的坐标点作为样本点，具体为，如果同一林地类型中存在多处实地考察点，则选取其中一处实地考察点作为该林地类型的样本点。
其中，所述步骤7：对所述林地分类图进行的人工目视修正在ArcGIS软件中进行。
其中，所述步骤6：进行林地分类信息的计算机自动提取，生成自动分类的林地分类图，具体为：
步骤6-1，针对待分类林地区域范围，设置分割尺度，对所述遥感影像进行影像分割，得到多个待分类区域，样本点所在的区域为样本区域，样本区域的林地类型数据为样本数据；
步骤6-2，提取各待分类区域的光谱、形状、纹理特征信息；
步骤6-3，将遥感影像中的全部林地类型作为影像分类的依据，将每一类型的样本数据输入到分割矢量结果中，并对样本点所在区域的属性进行属性标注；
步骤6-4，选择分类算法和相应参数，执行遥感影像的林地自动分类。
其中，所述步骤6-1，所述分割尺度的确定根据地形的复杂程度来确定的，影像分割的尺度决定着分割的图斑的细化程度，分割尺度越小则图斑分割得越精细，在地形相对单一的地域采用的大分割尺度,反之则设置小的分割尺度。
其中，所述步骤6-4，采用的分类算法为：针对每个分割后的待分类区域i，分别求取其与各已知林地类型的样本区域j之间的相关性C，全部林地类型为n类，其中，
其中，Xi为待分类区域i的光谱特征值，为待分类区域i的光谱特征平均值，Xj为样本区域j的光谱特征值，为样本区域j的光谱特征平均值，Si为待分类区域i的像素面积，Sj为样本区域j的像素面积，a为调节参数；
对于每一个待分类区域i，分别计算得到其与n个类型的样本区域j之间的n个相关性数值，选取所述n个相关性数值中数值最大且大于0的相关性所对应林地类型，将该待分类区域i归类于所述林地类型；如果其所有n个相关性数值都小于0，则把该待分类区域i设置为未知分类。
其中，所述步骤6-2，所述光谱特征包括亮度、饱和度或色调，所述形状特征包括协方差、像素面积、周长、长宽比、宽度、高度和密度。
所述步骤7：结合数字高程模型DEM数据和其他相关专题图件，对所述林地分类图进行人工目视修正，具体包括：参考DEM中的地表高程信息以及遥感影像中地表形状、纹理特征，对未知分类的待分类区域进行人工地表分类，并对计算机自动分类的地表分类进行进一步的人工修正，修正操作包括：修改分类属性，剔除小图斑，修改图斑边界，合并相邻同属性的图斑等。
可见，本发明综合地利用地物的几何形态、结构信息，如纹理、形状、结构和空间组合关系等，顾及更多的结构、特征等信息，提高了分类精度；建立了面向遥感的林地二级分类体系，确保了林地遥感监测数据的分类一致性和结果可比性；本发明提出了一种便捷、准确、高效的林地分类方法，实现区域林地资源的快速准确监测。
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 (6)

1.一种基于遥感影像的林地分类方法，其特征在于，具体包括以下步骤：
步骤1：选定待分类林地区域，获取覆盖所述林地区域的遥感影像数据、实地调查资料、数字高程模型DEM数据；
步骤2：图像分类前，对遥感影像进行预处理；
步骤3：根据预处理后的遥感影像和实地调查资料，获取所述预处理后的遥感影像中所具有的全部林地类型；
步骤4：根据所述林地类型，结合传统林地分类系统，建立适合所述林地区域的林地二级分类体系；
步骤5：结合野外GPS定位，将林地类型的实地考察点位置坐标与预处理后的遥感影像进行空间匹配，每种林地类型选取一个对应的坐标点作为样本点；
步骤6：进行林地分类信息的计算机自动提取，生成自动分类的林地分类图，具体为：
步骤6-1，针对待分类林地区域范围，设置分割尺度，对所述预处理后的遥感影像进行影像分割，得到多个待分类区域，样本点所在的区域为样本区域，样本区域的林地类型数据为样本数据；
步骤6-2，提取各待分类区域的光谱、形状、纹理特征信息；
步骤6-3，将预处理后的遥感影像中的全部林地类型作为影像分类的依据，将每一类型的样本数据输入到分割矢量结果中，并对样本点所在区域的属性进行属性标注；
步骤6-4，选择分类算法和相应参数，执行预处理后的遥感影像的林地自动分类；
其中，所述步骤6-1，所述分割尺度的确定根据地形的复杂程度来确定的， 影像分割的尺度决定着分割的图斑的细化程度，分割尺度越小则图斑分割得越精 细，在地形相对单一的地域采用的大分割尺度,反之则设置小的分割尺度；
其中，所述步骤6-4，采用的分类算法为：针对每个分割后的待分类区域i， 分别求取其与各已知林地类型的样本区域j之间的相关性C，全部林地类型为n 类，其中，
其中，Xi为待分类区域i的光谱特征值，为待分类区域i的光谱特征平 均值，Xj为样本区域j的光谱特征值，为样本区域j的光谱特征平均值，Si 为待分类区域i的像素面积，Sj为样本区域j的像素面积，a为调节参数；
对于每一个待分类区域i，分别计算得到其与n个类型的样本区域j之间的 n个相关性数值，选取所述n个相关性数值中数值最大且大于0的相关性所对应林地类型，将该待分类区域i归类于所述林地类型；如果其所有n个相关性数值 都小于0，则把该待分类区域i设置为未知分类；
步骤7：结合数字高程模型DEM数据和其他相关专题图件，对所述林地分类图进行人工目视修正；
所述其他相关专题图件包括预处理后的遥感影像中地表形状、纹理特征；
步骤8：通过野外实地调研，确定验证样点的真实属性，与分类结果进行比较，确定分类结果的精度。
2. 根据权利要求1所述的方法，其中，所述步骤1：获取的遥感影像数据为ALOS，SPOT，或者Quick Bird数据。
3.根据权利要求1所述的方法，其中，所述步骤2：对遥感影像进行的预处理包括：大气校正、几何校正、投影转换、剪裁拼接、影像融合中的一种或多种组合。
4.根据权利要求1所述的方法，其中，所述步骤4：建立的林地二级分类体系为：一级分类将林地划分为针叶林、阔叶林和针阔叶混交林三类；二级分类将针叶林划分为暖性针叶林和温性针叶林，将阔叶林划分为常绿阔叶林、常绿落叶、阔叶混交林及落叶阔叶林。
5.根据权利要求1所述的方法，其中，所述步骤6：每种林地类型选取对应的一个坐标点作为样本，具体为，如果同一林地类型中存在多处实地考察点，则选取其中一处实地考察点作为该林地类型的样本点。
6.根据权利要求1所述的方法，其中，所述步骤8：对所述林地分类图进行的人工目视修正在ArcGIS软件中进行。
CN201611258618.3A 2016-12-30 2016-12-30 一种基于遥感影像的林地分类方法 Active CN107657207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611258618.3A CN107657207B (zh) 2016-12-30 2016-12-30 一种基于遥感影像的林地分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611258618.3A CN107657207B (zh) 2016-12-30 2016-12-30 一种基于遥感影像的林地分类方法

Publications (2)

Publication Number Publication Date
CN107657207A CN107657207A (zh) 2018-02-02
CN107657207B true CN107657207B (zh) 2018-11-09

Family

ID=61127583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611258618.3A Active CN107657207B (zh) 2016-12-30 2016-12-30 一种基于遥感影像的林地分类方法

Country Status (1)

Country Link
CN (1) CN107657207B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875292B (zh) * 2018-05-16 2019-07-30 中国水利水电科学研究院 基于遥感的流域水文的仿真系统及方法
CN109344215A (zh) * 2018-09-17 2019-02-15 山西省林业科学研究院 一种检测小班林业资源的方法
CN111310614B (zh) * 2020-01-22 2023-07-25 航天宏图信息技术股份有限公司 一种遥感影像的提取方法和装置
CN111325126B (zh) * 2020-02-12 2023-11-03 二十一世纪空间技术应用股份有限公司 遥感图像的解译方法及装置
CN112801170A (zh) * 2021-01-25 2021-05-14 河南省国土资源调查规划院(河南省国土资源厅不动产登记中心) 基于遥感影像的多时相变化检测及地物识别分类方法
CN114236046A (zh) * 2021-11-30 2022-03-25 北京地拓科技发展有限公司 一种林地的氨排放监测方法和装置
CN115082793B (zh) * 2022-06-28 2023-02-17 生态环境部卫星环境应用中心 水源地林草空间本底状况快速调查方法和装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006085517A (ja) * 2004-09-17 2006-03-30 Hiroshima Pref Gov 衛星データによる森林地域の植生分類方法
KR100948099B1 (ko) * 2009-03-31 2010-03-16 한진정보통신(주) 항공 레이저 측량을 이용한 식생의 면적 산출 시스템 및 방법
CN103093233A (zh) * 2012-12-03 2013-05-08 中国环境科学研究院 一种基于面向对象的高分辨率遥感影像森林分类方法
CN103745239B (zh) * 2013-12-18 2017-06-13 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
CN104103016A (zh) * 2014-05-13 2014-10-15 杭州师范大学 一种基于遥感技术的湿地生态系统健康综合评价方法
CN105404753A (zh) * 2015-12-08 2016-03-16 中国科学院东北地理与农业生态研究所 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法

Also Published As

Publication number Publication date
CN107657207A (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
CN107657207B (zh) 一种基于遥感影像的林地分类方法
CN106875481B (zh) 一种三维可视化遥感影像地表分类模型的制作方法
Kavzoglu et al. Parameter-based performance analysis of object-based image analysis using aerial and Quikbird-2 images
CN103268358B (zh) 多源控制点影像数据库构建及更新方法
CN110059608A (zh) 一种物体检测方法、装置、电子设备和存储介质
CN106033611B (zh) 一种dem数据中的山顶点提取方法
CN108268527B (zh) 一种检测土地利用类型变化的方法
CN103093233A (zh) 一种基于面向对象的高分辨率遥感影像森林分类方法
Matasci et al. Mapping tree canopies in urban environments using airborne laser scanning (ALS): a Vancouver case study
CN108681715A (zh) 海南热带天然林植被型组分类方法
Whitworth et al. Airborne remote sensing for landslide hazard assessment: a case study on the Jurassic escarpment slopes of Worcestershire, UK
Wang et al. Using multiple subpixel shifted images with spatial–spectral information in soft-then-hard subpixel mapping
CN103035006A (zh) 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法
Truax Comparing spectral and object based approaches for classification and transportation feature extraction from high resolution multispectral imagery
Uzar Automatic building extraction with multi-sensor data using rule-based classification
Huang et al. Feature matching in cadastral map integration with a case study of Beijing
Zhou et al. Stratified object-oriented image classification based on remote sensing image scene division
Zhou et al. Shadow pattern-enhanced building height extraction using very-high-resolution image
CN104036499A (zh) 一种多尺度叠加分割方法
Zhang et al. The color analysis of building façades: Based on the panoramic street view images
Gorbachev et al. Digital processing of aerospace images
Li et al. Automatic extraction of urban built-up area based on object-oriented method and remote sensing data
CN107133360B (zh) 一种大尺度遥感影像特征点库的构建方法
KR102517093B1 (ko) 딥 러닝을 이용한 3d 지형 정보 분석기
KR102616809B1 (ko) Rs gis 기반 친수시설 정보맵 작성 및 유역조사를 위한 시스템 및 방법

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