CN107798294A - 检测森林斑块变化的方法和装置 - Google Patents

检测森林斑块变化的方法和装置 Download PDF

Info

Publication number
CN107798294A
CN107798294A CN201710878295.6A CN201710878295A CN107798294A CN 107798294 A CN107798294 A CN 107798294A CN 201710878295 A CN201710878295 A CN 201710878295A CN 107798294 A CN107798294 A CN 107798294A
Authority
CN
China
Prior art keywords
target area
patch
data
training sample
image data
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.)
Pending
Application number
CN201710878295.6A
Other languages
English (en)
Inventor
曹春香
陈伟
尹航
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.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
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 Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201710878295.6A priority Critical patent/CN107798294A/zh
Publication of CN107798294A publication Critical patent/CN107798294A/zh
Pending legal-status Critical Current

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种检测森林斑块变化的方法和装置。其中，该方法包括：获取目标区域的影像数据；对影像数据处理，确定目标区域的至少一个斑块；基于目标区域的不同类别的训练样本，对至少一个斑块进行分类，得到目标区域的第一斑块分布数据，其中，训练样本用于表征目标区域内的不同环境资源的样本数据；将目标区域的第一斑块分布数据与实地考察得到的目标区域的第二斑块分布数据比对，提取目标区域内发生变化的斑块。本发明解决了现有技术依赖人工识别或通过机器分类来检测森林斑块变化的方案准确度和效率低的技术问题。

Description

检测森林斑块变化的方法和装置
技术领域
本发明涉及林业资源管理领域，具体而言，涉及一种检测森林斑块变化的方法和装置。
背景技术
林地是森林资源的重要组成部分，监测林地变化对于林地管理有着十分重要的意义。森林变化包括林分变化和林地变化，其中，林分变化是指在自然力和人为因素(例如，施肥等)作用下森林参数(包括但不限于树高、直径、密度、结构等)的变化，由于光学遥感信号穿透性差，难以通过光学遥感图像鉴别森林参数的变化，需要通过地面调查获取其变化信息；林地变化是指由于采伐、更新造林、森林火灾、占用征收等引起的林地类型变化，通常在高空间分辨率光学遥感图像上的表现较为明显，可以通过卫星获取森林的遥感图像，进而根据其图像变化获取森林的动态变化信息。
目前，现有技术采用中低分辨率的遥感影像，以人机交互目视判读和基于NDVI(Normalized difference Vegetation Index，归一化差分植被指数)的土地覆盖分类及变化检测算法为主，来实现对森林斑块动态变化的监测。由于使用的影像种类多，尺度不一，导致速度慢、效率低，且由于缺乏森林清查等实地调查数据的对比验证导致精度有限。
针对上述的现有技术依赖人工识别或通过机器分类来检测森林斑块变化的方案准确度和效率低问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种检测森林斑块变化的方法和装置，以至少解决现有技术依赖人工识别或通过机器分类来检测森林斑块变化的方案准确度和效率低的技术问题。
根据本发明实施例的一个方面，提供了一种检测森林斑块变化的方法，包括：获取目标区域的影像数据；对影像数据处理，确定目标区域的至少一个斑块；基于目标区域的不同类别的训练样本，对至少一个斑块进行分类，得到目标区域的第一斑块分布数据，其中，训练样本用于表征目标区域内的不同环境资源的样本数据；将目标区域的第一斑块分布数据与实地考察得到的目标区域的第二斑块分布数据比对，提取目标区域内发生变化的斑块。
根据本发明实施例的另一方面，还提供了一种检测森林斑块变化的装置，包括：获取单元，用于获取目标区域的影像数据；处理单元，用于对影像数据处理，确定目标区域的至少一个斑块；分类单元，用于基于目标区域的不同类别的训练样本，对至少一个斑块进行分类，得到目标区域的第一斑块分布数据，其中，训练样本用于表征目标区域内的不同环境资源的样本数据；比对单元，用于将目标区域的第一斑块分布数据与实地考察得到的目标区域的第二斑块分布数据比对，提取目标区域内发生变化的斑块。
根据本发明实施例的另一方面，还提供了一种存储介质，其特征在于，存储介质包括存储的程序，其中，程序执行上述的检测森林斑块变化的方法。
根据本发明实施例的另一方面，还提供了一种处理器，其特征在于，处理器用于运行程序，其中，程序运行时执行上述的检测森林斑块变化的方法。
在本发明实施例中，通过获取目标区域的影像数据；对影像数据处理，确定目标区域的至少一个斑块；基于目标区域的不同类别的训练样本，对至少一个斑块进行分类，得到目标区域的第一斑块分布数据，其中，训练样本用于表征目标区域内的不同环境资源的样本数据；将目标区域的第一斑块分布数据与实地考察得到的目标区域的第二斑块分布数据比对，提取目标区域内发生变化的斑块，达到了自动从影像数据中识别森林斑块并检测森林斑块动态变化的目的，从而实现了最大程度地去除在识别斑块过程中认为因素以提高识别准确度和效率的技术效果，进而解决了现有技术依赖人工识别或通过机器分类来检测森林斑块变化的方案准确度和效率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种检测森林斑块变化的方法流程图；
图2是根据本发明实施例的一种可选的检测森林斑块变化的方法流程图；
图3是根据本发明实施例的一种可选的检测森林斑块变化的方法流程图；
图4是根据本发明实施例的一种可选的检测森林斑块变化的方法流程图；
图5是根据本发明实施例的一种可选的检测森林斑块变化的方法流程图；
图6是根据本发明实施例的一种优选的检测森林斑块变化的操作流程图；以及
图7是根据本发明实施例的一种可选的检测森林斑块变化的装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种检测森林斑块变化的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种检测森林斑块变化的方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取目标区域的影像数据。
作为一种可选的实施例，上述目标区域可以是包含待检测森林地带的地理区域，例如，可以是一个国家、一个省、一个市、或一个县的地理位置区域；上述影像数据可以是通过卫星获取的该目标区域的卫星数据。在上述步骤S102中，可以直接接收来自卫星的遥感影像数据，也可以从互联网上下载来自卫星的遥感影像数据。
需要说明的是，由于森林具有其明显的特征，很容易被卫星传感器识别，随着遥感技术的发展，卫星数据的数量不断增加，质量不断提高，能实现森林植被动态检测的遥感数据也日渐增多，中低分辨率的遥感数据可以用于检测土地覆盖变化和植被变化，但是对于森林资源监测，作为一种优选的实施例，上述影像数据可以是高分辨率多光谱影像数据。
一种可选的实施方式中，可以从专门网站上下载“高分一号(GF-1)卫星”或“高分二号(GF-2)卫星”的高分辨率多光谱影像数据，其中，高分一号卫星是中国高分辨率对地观测系统的第一颗卫星，搭载有2台高分辨率相机和4台中分辨率相机；高分二号卫星是我国自主研制的首颗空间分辨率优于1米的民用光学遥感卫星，搭载有两台高分辨率1米全色、4米多光谱相机，具有亚米级空间分辨率、高定位精度等特点。
步骤S104，对影像数据处理，确定目标区域的至少一个斑块。
需要说明的是，斑块是指在外观上或性质上与周围地区有所不同，非线性的，并具有一定内部均质的空间单元。由于成因不同，斑块大小、形状及外部特征各异，可以是荒地、沼泽、林地、湖泊、草地、河流、海洋、山丘等。
作为一种可选的实施例，在上述步骤104中，在获取到目标区域的影像数据后，由于该目标区域内包含多种环境资源(例如，荒地、沼泽、林地、湖泊、草地、河流、海洋、山丘等)斑块，因而可以根据该目标区域的影像数据，将该目标区域按照环境资源属性划分为多个斑块。
步骤S106，基于目标区域的不同类别的训练样本，对至少一个斑块进行分类，得到目标区域的第一斑块分布数据，其中，训练样本用于表征目标区域内的不同环境资源的样本数据。
作为一种可选的实施例，上述训练样本可以是通过机器学习对各种环境资源的属性特征进行学习训练得到的一个或多个样本，每个训练样本所表征的环境资源的属性不同；在对目标区域的影像数据进行处理，将目标区域划分为多个斑块后，根据预先训练得到的训练样本，将该目标区域内的多个斑块进行分类，从而得到该目标区域内不同环境资源的斑块的分布情况(即第一斑块分布数据)。
需要说明的是，针对不同的应用场景，可以采用不同的训练样本，例如，为了实现目标区域内森林斑块变化的监测，上述步骤S106中的训练样本可以包括用于表征林地区域的第一训练样本和用于表征非林地区域的第二训练样本。
进一步地，考虑到不同的地理区域，其环境资源的属性不同，因而，作为一种优选的实施方式，上述第一类训练样本可以是用于表征该目标区域内的林地区域的数据样本，上述第二类样本可以是用于表征该目标区域内的非林地区域的数据样本。
步骤S108，将目标区域的第一斑块分布数据与实地考察得到的目标区域的第二斑块分布数据比对，提取目标区域内发生变化的斑块。
需要说明的是，上述第二斑块分布数据是通过对目标区域进行实地考察得到的该目标区域的斑块分布数据；在根据目标区域的影像数据确定该目标区域的斑块分布数据(即第一斑块分布数据)后，将确定的该目标区域的斑块分布数据与之前实地考察得到该目标区域得到的斑块分布数据进行比对，可以将该目标区域内发生变化的斑块提取出来，得到该目标区域的斑块分布变化数据，从而实现对目标区域斑块变化的动态监测。
由上可知，在本申请上述实施例中，通过获取待检测区域(即目标区域)的影像数据，并对该影像数据进行处理，以确定该目标区域内包含的一个或多个环境资源斑块，基于预先训练的该目标区域内不同环境资源的训练样本，将该目标区域内的环境资源斑块进行分类，得到该目标区域内不同环境资源斑块的分布情况(即第一斑块分布数据)，通过将确定的该目标区域的第一斑块分布数据与实地调查的该区域的第二斑块分布数据比对，可以将该目标区域内发生变化的斑块提取出来，得到该目标区域的斑块分布变化数据，达到了自动从影像数据中识别森林斑块并检测森林斑块动态变化的目的，从而实现了最大程度地去除在识别斑块过程中认为因素以提高识别准确度和效率的技术效果，进而解决了现有技术依赖人工识别或通过机器分类来检测森林斑块变化的方案准确度和效率低的技术问题。
在一种可选的实施例中，如图2所示，上述步骤S102，获取目标区域的影像数据，可以包括如下步骤：
步骤S1021，获取通过卫星采集到的目标区域的高分辨率多光谱影像数据；
步骤S1023，对高分辨率多光谱影像数据进行预处理数据操作，得到目标区域的影像数据，其中，预处理数据操作包括如下至少之一：几何校正、辐射校正、大气校正。
具体地，在上述实施例中，采用通过卫星采集到的目标区域的高分辨率多光谱影像数据可以更加准确地检测到该目标区域的森林斑块变化。一种可选的实施方式中，可以基于卫星通信直接接收来自卫星采集到的该目标区域的高分辨率多光谱影像数据；另一种可选的实施方式中，可以通过互联网从提供高分辨率多光谱影像数据的网站上直接下载通过卫星采集到的该目标区域的高分辨率多光谱影像数据。
需要说明的是，在遥感成像过程中，由于卫星或飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标会发生几何畸变，这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等，因而，需要对获取到的高分辨率多光谱影像数据进行几何校正，几何校正可以通过一系列数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。另外，辐射校正可以对由于外界因素、数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行校正，消除或改正因辐射误差引起影像畸变的过程。大气校正可以消除大气散射或吸收引起的能量衰减或光谱分布变化。
通过上述实施例，可以使得获取到的目标区域的影响数据更加准确。
在一种可选的实施例中，如图3所示，上述步骤S104，对影像数据处理，确定目标区域的至少一个斑块，包括：
步骤S1041，基于影像数据，获取目标区域的全彩色图像；
步骤S1043，通过遥感图像处理平台，对目标区域的全彩色图像进行分割处理，得到目标区域至少一个斑块的矢量数据。
具体地，在上述实施例中，当获取到目标区域的影响数据为高分辨率多光谱影像数据的情况下，可以高分辨率多光谱影像数据中提取该目标区域的全彩色图像，并通过遥感图像处理平台，对该目标区域的全彩色图像进行分割处理，得到该目标区域内的各个环境资源斑块的矢量数据。
作为一种可选的实施方式，上述遥感图像处理平台可以是ENVI(The Environmentfor Visualizing Images)软件工具，该软件工具中集成的软件处理技术覆盖了图像数据的输出/输出、图像定标、图像增强、纠正、正射校正、镶嵌、数据融合以及各种变换、信息提取、图像分类、基于知识的决策树分类、与GIS的整合、地形信息提取、雷达数据处理、三维立体显示等。通过ENVI软件工具，可以快速、方便、准确地从遥感影像数据中提取信息，进行实现对目标区域的全彩色图像进行分割处理的目的。
在一种可选的实施例中，在基于目标区域的不同类别的训练样本，对至少一个斑块进行分类，得到目标区域的第一斑块分布数据之前，上述方法还可以包括如下步骤：
步骤S105，通过对目标区域的影像数据进行机器学习，得到目标区域的第一类训练样本和第二类训练样本，其中，第一类训练样板用于表征目标区域内的林地区域，第二类训练样本用于表征目标区域内非林地区域。
具体地，在上述实施例中，由于位于不同地理区域的环境资源的属性可能不同，例如，位于亚洲区域的森林属性与位于非洲区域的森林属性差别很大，因而，在研究某一地理区域(即目标区域)的森林动态变化时，可以对该目标区域的影像数据进行机器学习，得到该目标区域内属于林地区域的第一训练样本和属于非林地区域的第二训练样本，以便根据该目标区域内属于林地区域的第一训练样本和属于非林地区域的第二训练样本对该目标区域的斑块进行分类。
通过上述实施例，考虑地理差异导致的样本数据，来对目标区域内的所有斑块进行分类，以便根据分类后的斑块分布数据监测该目标区域内的森林斑块变化，可以进一步提高森林动态变化的检测准确度。
基于上述实施例，一种可选的实施方式中，如图4所示，上述步骤S106，基于目标区域的不同类别的训练样本，对至少一个斑块进行分类，得到目标区域的第一斑块分布数据，可以包括如下步骤：
步骤S1061，计算第一类训练样本和第二类训练样本的如下至少一种属性值：样本特征值、纹理特征值和植被覆盖指数，其中，纹理特征包括如下至少之一：相关性、方差、熵、协方差、角二阶矩；
步骤S1063，基于支持向量机算法，根据至少一种属性值，将至少一个斑块进行分类；
步骤S1065，根据分类结果确定目标区域的第一斑块分布数据。
具体地，在上述实施例中，在得到目标区域内属于林地区域的第一训练样本和属于非林地区域的第二训练样本后，计算第一训练样本和第二训练样本的特征值、纹理特征以及植被覆盖指数等属性值，并基于SVM(支持向量机)算法，利用训练样本对全部斑块进行分类，具体地，可以计算该目标区域内每个斑块的上述任意一种或多种属性值，并与第一训练样本和第二训练样本对应的特征值比较，将属于第一训练样本的斑块归类为林地，将属于第二训练样本的斑块归类为非林地，从而得到该目标区域的森林斑块分布情况(即上述第一斑块分布数据)。
一种可选的实施例中，可以通过如下的计算公式计算植被覆盖指数：
其中，NDVI为植被覆盖指数，ρNIR,ρRed分别表示近红外和红光波段的反射率。
在一种可选的实施例中，如图5所示，在基于支持向量机算法，根据至少一种属性值，将至少一个斑块进行分类之后，上述方法还可以包括如下步骤：步骤S1064，对分类后的至少一个斑块进行平滑处理，该步骤包括：
步骤S1064a，获取至少一个斑块的面积；
步骤S1064b，判断每个斑块的面积是否小于预设阈值；
步骤S1064c，将面积小于预设阈值的斑块合并到相邻的斑块。
具体地，在上述实施例中，在根据预先训练的训练样本(例如，上述第一训练样本和第二训练样本)将目标区域内的所有斑块进行分类后，可以对分类结果进行平滑处理，消除面积小于预设阈值的小斑块，将其合并到相邻的同属性的斑块中，以便降低小斑块变化对目标区域内森林斑块变化检测结果的影响，提高数据操作的效率。
可选地，在将目标区域的第一斑块分布数据与实地考察得到的目标区域的第二斑块分布数据比对，提取目标区域内发生变化的斑块之后，上述方法还可以包括如下步骤：
步骤S109，核实目标区域内发生变化的斑块是否需要实地验证；
步骤S110，将实地验证后的斑块记录入目标区域的地理数据库。
具体地，在上述步骤中，在提取目标区域内发生变化的斑块后，可以通过人工或机器合适该目标区域内发生变化的斑块是否需要实地验证，并将实地验证后的斑块记录入目标区域的地理数据库，作为以后检测森林斑块变化的基准数据。
作为一种优选的实施例，图6是根据本发明实施例的一种优选的检测森林斑块变化的操作流程图，如图6所示，包括如下步骤：
步骤(1)，通过高分数据网站收集下载得到高分辨率多光谱影像数据(GF-1、GF-2)，对数据进行几何校正、辐射校正、大气校正等预处理。
步骤(2)，计算影像的纹理特征和NDVI。纹理特征包括相关性、方差、熵、协方差、角二阶矩等，通过ENVI自带的计算工具计算得到。
NDVI的计算公式如下：
式中ρNIR,ρRed分别表示近红外和红光波段的反射率。
步骤(3)，基于ENVI软件工具对全彩色影像进行图像分割，例如，分割参数设置分别为：scale level＝40；merge level＝95。
步骤(4)，将分割后的矢量数据与多光谱数据各波段以及纹理数据进行叠加，通过目视解译人机交互判读选取林地与非林地的训练样本。
步骤(5)，基于ENVI软件工具计算训练样本的全部特征值，并将训练样本存入样本库。
步骤(6)，基于SVM(支持向量机)算法，利用训练样本对全部斑块进行分类。
步骤(7)，对分类结果进行平滑处理，消除面积预设阈值(例如，0.067公顷)的斑块，将其合并到相邻的同属性的斑块中。
步骤(8)，将合并碎小班后得到的最终林地小班结果与二类小班数据叠加，将变化斑块提取出来。
步骤(9)，将变化斑块进行多部件拆分，消除面积小于预设阈值(例如，0.067公顷)的斑块。
步骤(10)，由专业人员对变化斑块核实是否需要实地验证，并对需要实地验证的斑块进行标识。
步骤(11)，由专业人员组成野外调查队对变化斑块进行实地核实，并将最终结果存入地理数据库。
通过上述实施例，基于高分辨率多光谱数据(例如，影像数据以景为单位，云、雪或浓雾量不超过10％，且光学数据侧视角原则上不超过25°，空间分辨率不低于16米，光谱信息需包含近红外与红光波段)进行森林斑块识别，并基于SVM(支持向量机)算法，利用待检测区域(即目标区域)的训练样本对该目标区域的全部斑块进行分类，以及对森林碎小斑块进行合并，将合并碎小班后得到的最终林地小班结果与实际调查数据(例如，国家森林资源二类调查数据)叠加，从而提取出待检测区域内的变化斑块。实现了以高分辨率遥感数据为基础，结合计算机识别算法快速准确地检测森林植被的变化斑块，为节省森林资源调查中所需的大量人力物力提供技术支持，为及时掌握森林斑块变化提供科学支撑。
实施例2
根据本发明实施例，还提供了一种用于实现上述检测森林斑块变化的方法的装置实施例，图7是根据本发明实施例的一种检测森林斑块变化的装置示意图，如图7所示，该装置包括：获取单元701、处理单元703、分类单元705和比对单元707。
其中，获取单元701，用于获取目标区域的影像数据；
处理单元703，用于对影像数据处理，确定目标区域的至少一个斑块；
分类单元705，用于基于目标区域的不同类别的训练样本，对至少一个斑块进行分类，得到目标区域的第一斑块分布数据，其中，训练样本用于表征目标区域内的不同环境资源的样本数据；
比对单元707，用于将目标区域的第一斑块分布数据与实地考察得到的目标区域的第二斑块分布数据比对，提取目标区域内发生变化的斑块。
此处需要说明的是，上述获取单元701、处理单元703、分类单元705和比对单元707对应于实施例1中的步骤S102至S108，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知，在本申请上述实施例中，通过获取单元701获取待检测区域(即目标区域)的影像数据，并通过处理单元703对该影像数据进行处理，以确定该目标区域内包含的一个或多个环境资源斑块，通分类单元705基于预先训练的该目标区域内不同环境资源的训练样本，将该目标区域内的环境资源斑块进行分类，得到该目标区域内不同环境资源斑块的分布情况(即第一斑块分布数据)，通过比对单元707将确定的该目标区域的第一斑块分布数据与实地调查的该区域的第二斑块分布数据比对，可以将该目标区域内发生变化的斑块提取出来，得到该目标区域的斑块分布变化数据，达到了自动从影像数据中识别森林斑块并检测森林斑块动态变化的目的，从而实现了最大程度地去除在识别斑块过程中认为因素以提高识别准确度和效率的技术效果，进而解决了现有技术依赖人工识别或通过机器分类来检测森林斑块变化的方案准确度和效率低的技术问题。
在一种可选的实施例中，上述获取单元701包括：第一获取模块，用于获取通过卫星采集到的目标区域的高分辨率多光谱影像数据；第一处理模块，用于对高分辨率多光谱影像数据进行预处理数据操作，得到目标区域的影像数据，其中，预处理数据操作包括如下至少之一：几何校正、辐射校正、大气校正。
在一种可选的实施例中，上述处理单元703包括：第二获取模块，用于基于影像数据，获取目标区域的全彩色图像；第二处理模块，用于通过遥感图像处理平台，对目标区域的全彩色图像进行分割处理，得到目标区域至少一个斑块的矢量数据。
在一种可选的实施例中，上述装置还包括：训练单元，用于通过对目标区域的影像数据进行机器学习，得到目标区域的第一类训练样本和第二类训练样本，其中，第一类训练样板用于表征目标区域内的林地区域，第二类训练样本用于表征目标区域内非林地区域。
在一种可选的实施例中，上述分类单元705包括：计算第一类训练样本和第二类训练样本的如下至少一种属性值：样本特征值、纹理特征值和植被覆盖指数，其中，纹理特征包括如下至少之一：相关性、方差、熵、协方差、角二阶矩；基于支持向量机算法，根据至少一种属性值，将至少一个斑块进行分类；根据分类结果确定目标区域的第一斑块分布数据。
在一种可选的实施例中，通过如下的计算公式计算植被覆盖指数：
其中，NDVI为植被覆盖指数，ρNIR,ρRed分别表示近红外和红光波段的反射率。
在一种可选的实施例中，上述装置还包括：第三处理模块，用于对分类后的至少一个斑块进行平滑处理，该第三处理模块包括：获取子模块，用于获取至少一个斑块的面积；判断子模块，用于判断每个斑块的面积是否小于预设阈值；合并子模块，用于将面积小于预设阈值的斑块合并到相邻的斑块。
在一种可选的实施例中，上述装置还包括：核实单元，用于核实目标区域内发生变化的斑块是否需要实地验证；记录单元，用于将实地验证后的斑块记录入目标区域的地理数据库。
实施例3
根据本发明实施例，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行实施例1中任意一项可选的或优选的检测森林斑块变化方法。
实施例4
根据本发明实施例，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行实施例1中任意一项可选的或优选的检测森林斑块变化方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种检测森林斑块变化的方法，其特征在于，包括：
获取目标区域的影像数据；
对所述影像数据处理，确定所述目标区域的至少一个斑块；
基于所述目标区域的不同类别的训练样本，对所述至少一个斑块进行分类，得到所述目标区域的第一斑块分布数据，其中，训练样本用于表征所述目标区域内的不同环境资源的样本数据；
将所述目标区域的第一斑块分布数据与实地考察得到的所述目标区域的第二斑块分布数据比对，提取所述目标区域内发生变化的斑块。
2.根据权利要求1所述的方法，其特征在于，获取目标区域的影像数据，包括：
获取通过卫星采集到的所述目标区域的高分辨率多光谱影像数据；
对所述高分辨率多光谱影像数据进行预处理数据操作，得到所述目标区域的所述影像数据，其中，所述预处理数据操作包括如下至少之一：几何校正、辐射校正、大气校正。
3.根据权利要求1所述的方法，其特征在于，对所述影像数据处理，确定所述目标区域的至少一个斑块，包括：
基于所述影像数据，获取所述目标区域的全彩色图像；
通过遥感图像处理平台，对所述目标区域的全彩色图像进行分割处理，得到所述目标区域至少一个斑块的矢量数据。
4.根据权利要求1所述的方法，其特征在于，在基于所述目标区域的不同类别的训练样本，对所述至少一个斑块进行分类，得到所述目标区域的第一斑块分布数据之前，所述方法还包括：
通过对所述目标区域的影像数据进行机器学习，得到所述目标区域的第一类训练样本和第二类训练样本，其中，所述第一类训练样板用于表征所述目标区域内的林地区域，所述第二类训练样本用于表征所述目标区域内非林地区域。
5.根据权利要求4所述的方法，其特征在于，基于所述目标区域的不同类别的训练样本，对所述至少一个斑块进行分类，得到所述目标区域的第一斑块分布数据，包括：
计算所述第一类训练样本和所述第二类训练样本的如下至少一种属性值：样本特征值、纹理特征值和植被覆盖指数，其中，所述纹理特征包括如下至少之一：相关性、方差、熵、协方差、角二阶矩；
基于支持向量机算法，根据所述至少一种属性值，将所述至少一个斑块进行分类；
根据分类结果确定所述目标区域的第一斑块分布数据。
6.根据权利要求5所述的方法，其特征在于，通过如下的计算公式计算所述植被覆盖指数：
<mrow> <mi>N</mi> <mi>D</mi> <mi>V</mi> <mi>I</mi> <mo>=</mo> <mfrac> <mrow> <mo>(</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>N</mi> <mi>I</mi> <mi>R</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>Re</mi> <mi>d</mi> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>N</mi> <mi>I</mi> <mi>R</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>Re</mi> <mi>d</mi> </mrow> </msub> <mo>)</mo> </mrow> </mfrac> <mo>;</mo> </mrow>
其中，NDVI为植被覆盖指数，ρNIR,ρRed分别表示近红外和红光波段的反射率。
7.根据权利要求5所述的方法，其特征在于，在基于支持向量机算法，根据所述至少一种属性值，将所述至少一个斑块进行分类之后，所述方法还包括：对分类后的至少一个斑块进行平滑处理，该步骤包括：
获取所述至少一个斑块的面积；
判断每个斑块的面积是否小于预设阈值；
将面积小于所述预设阈值的斑块合并到相邻的斑块。
8.一种检测森林斑块变化的装置，其特征在于，包括：
获取单元，用于获取目标区域的影像数据；
处理单元，用于对所述影像数据处理，确定所述目标区域的至少一个斑块；
分类单元，用于基于所述目标区域的不同类别的训练样本，对所述至少一个斑块进行分类，得到所述目标区域的第一斑块分布数据，其中，训练样本用于表征所述目标区域内的不同环境资源的样本数据；
比对单元，用于将所述目标区域的第一斑块分布数据与实地考察得到的所述目标区域的第二斑块分布数据比对，提取所述目标区域内发生变化的斑块。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至7中任意一项所述的检测森林斑块变化的方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的检测森林斑块变化的方法。
CN201710878295.6A 2017-09-25 2017-09-25 检测森林斑块变化的方法和装置 Pending CN107798294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710878295.6A CN107798294A (zh) 2017-09-25 2017-09-25 检测森林斑块变化的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710878295.6A CN107798294A (zh) 2017-09-25 2017-09-25 检测森林斑块变化的方法和装置

Publications (1)

Publication Number Publication Date
CN107798294A true CN107798294A (zh) 2018-03-13

Family

ID=61532445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710878295.6A Pending CN107798294A (zh) 2017-09-25 2017-09-25 检测森林斑块变化的方法和装置

Country Status (1)

Country Link
CN (1) CN107798294A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647568A (zh) * 2018-03-30 2018-10-12 电子科技大学 基于全卷积神经网络的草地退化自动提取方法
CN108764090A (zh) * 2018-05-18 2018-11-06 腾讯大地通途（北京）科技有限公司 一种区域性异动确定方法、装置、服务器及存储介质
CN109635836A (zh) * 2018-11-09 2019-04-16 广西壮族自治区遥感信息测绘院 基于稀疏dbn模型的遥感影像林地变化检测方法
CN109658380A (zh) * 2018-11-09 2019-04-19 广西壮族自治区遥感信息测绘院 基于前期林地矢量数据的林地变化检测方法
CN110749323A (zh) * 2019-10-22 2020-02-04 广州极飞科技有限公司 一种作业路线的确定方法及装置
CN111144340A (zh) * 2019-12-30 2020-05-12 中山大学 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统
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
CN111340779A (zh) * 2020-02-25 2020-06-26 中国科学院地理科学与资源研究所 一种类圆形植被斑块综合检测方法
CN112613426A (zh) * 2020-12-26 2021-04-06 北京国腾联信科技有限公司 一种资源区域确定方法、装置、设备和存储介质
CN113095303A (zh) * 2021-06-04 2021-07-09 成都数之联科技有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN113989660A (zh) * 2021-10-14 2022-01-28 浙江数维科技有限公司 一种不同时相影像变化的检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268613A (zh) * 2013-05-28 2013-08-28 北京林业大学 利用遥感、地理信息系统技术检测小班林业资源的方法
CN103400364A (zh) * 2013-06-06 2013-11-20 武汉大学 一种森林资源变化监测方法
CN104239890A (zh) * 2014-08-12 2014-12-24 浙江工商大学 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268613A (zh) * 2013-05-28 2013-08-28 北京林业大学 利用遥感、地理信息系统技术检测小班林业资源的方法
CN103400364A (zh) * 2013-06-06 2013-11-20 武汉大学 一种森林资源变化监测方法
CN104239890A (zh) * 2014-08-12 2014-12-24 浙江工商大学 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
WEI CHEN等: "DETECTION OF FOREST DISTURBANCE IN THE GREATER HINGGAN MOUNTAIN OF CHINA BASED ON LANDSAT TIME-SERIES DATA", 《 2012 IEEE INTERNATIONAL》 *
李春干等: "面向对象遥感图像森林变化检测的工程化应用方法", 《林业资源管理》 *
王荣等: "高分辨率遥感影像天然林与人工林植被覆盖信息提取", 《资源科学》 *
蔡红玥等: "基于分水岭算法的高分遥感图像道路提取优化方法", 《国土资源遥感》 *
黄俊杰等: "基于ArcGIS的电网特殊区域电子图栅格转矢量质量控制方法", 《电气应用》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647568A (zh) * 2018-03-30 2018-10-12 电子科技大学 基于全卷积神经网络的草地退化自动提取方法
CN108764090B (zh) * 2018-05-18 2022-05-17 腾讯大地通途（北京）科技有限公司 一种区域性异动确定方法、装置、服务器及存储介质
CN108764090A (zh) * 2018-05-18 2018-11-06 腾讯大地通途（北京）科技有限公司 一种区域性异动确定方法、装置、服务器及存储介质
CN109635836A (zh) * 2018-11-09 2019-04-16 广西壮族自治区遥感信息测绘院 基于稀疏dbn模型的遥感影像林地变化检测方法
CN109658380A (zh) * 2018-11-09 2019-04-19 广西壮族自治区遥感信息测绘院 基于前期林地矢量数据的林地变化检测方法
CN110749323A (zh) * 2019-10-22 2020-02-04 广州极飞科技有限公司 一种作业路线的确定方法及装置
CN111144340A (zh) * 2019-12-30 2020-05-12 中山大学 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统
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
CN111340779A (zh) * 2020-02-25 2020-06-26 中国科学院地理科学与资源研究所 一种类圆形植被斑块综合检测方法
CN112613426A (zh) * 2020-12-26 2021-04-06 北京国腾联信科技有限公司 一种资源区域确定方法、装置、设备和存储介质
CN113095303A (zh) * 2021-06-04 2021-07-09 成都数之联科技有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN113095303B (zh) * 2021-06-04 2021-09-28 成都数之联科技有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN113989660A (zh) * 2021-10-14 2022-01-28 浙江数维科技有限公司 一种不同时相影像变化的检测方法

Similar Documents

Publication Publication Date Title
CN107798294A (zh) 检测森林斑块变化的方法和装置
Weinstein et al. Cross-site learning in deep learning RGB tree crown detection
Qin et al. Individual tree segmentation and tree species classification in subtropical broadleaf forests using UAV-based LiDAR, hyperspectral, and ultrahigh-resolution RGB data
CN104881865B (zh) 基于无人机图像分析的森林病虫害监测预警方法及其系统
Hussain et al. Change detection from remotely sensed images: From pixel-based to object-based approaches
CN109493320B (zh) 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
George et al. Forest tree species discrimination in western Himalaya using EO-1 Hyperion
Middleton et al. Ordination and hyperspectral remote sensing approach to classify peatland biotopes along soil moisture and fertility gradients
Onojeghuo et al. Object-based habitat mapping using very high spatial resolution multispectral and hyperspectral imagery with LiDAR data
CN107895136A (zh) 一种煤矿区域识别方法及系统
Zhou et al. Tree crown detection in high resolution optical and LiDAR images of tropical forest
Reyes et al. Comparison of different object-based classifications in LandsatTM images for the analysis of heterogeneous landscapes
Hu et al. A robust deep learning approach for the quantitative characterization and clustering of peach tree crowns based on UAV images
Zou et al. The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance
Levien et al. A machine-learning approach to change detection using multi-scale imagery
Khalid et al. Evaluation the accuracy of oil palm tree detection using deep learning and support vector machine classifiers
Mahdavi Saeidi et al. Detecting the development stages of natural forests in northern Iran with different algorithms and high-resolution data from GeoEye-1
Nimbalkar et al. Optimal band configuration for the roof surface characterization using hyperspectral and LiDAR imaging
Akinbiola et al. Application of UAV photogrammetry for the assessment of forest structure and species network in the tropical forests of southern nigeria
Soto Vega et al. Deforestation detection with weak supervised convolutional neural networks in tropical biomes
Van Den Eeckhaut et al. Identification of vegetated landslides using only a lidar-based terrain model and derivatives in an object-oriented environment
Nazeri Evaluation of Multi-Platform LiDAR-Based Leaf Area Index Estimates Over Row Crops
Pokhre Assessment of above ground biomass and fire risk zonation in selected forest areas of ludhikhola watershed, gorkha Nepal
Reddy et al. Geospatial Approach for the Analysis of Forest Cover Change Detection using Machine Learning
Fawad et al. Impact of Machine Learning Techniques for Lulc Classification of Peshawar Pakistan

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180313

RJ01 Rejection of invention patent application after publication