CN108268527B - 一种检测土地利用类型变化的方法 - Google Patents

一种检测土地利用类型变化的方法 Download PDF

Info

Publication number
CN108268527B
CN108268527B CN201611264466.8A CN201611264466A CN108268527B CN 108268527 B CN108268527 B CN 108268527B CN 201611264466 A CN201611264466 A CN 201611264466A CN 108268527 B CN108268527 B CN 108268527B
Authority
CN
China
Prior art keywords
land use
remote sensing
use pattern
sensing image
region
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
CN201611264466.8A
Other languages
English (en)
Other versions
CN108268527A (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
Zhongke Star Map 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 Zhongke Star Map Co Ltd filed Critical Zhongke Star Map Co Ltd
Priority to CN201611264466.8A priority Critical patent/CN108268527B/zh
Publication of CN108268527A publication Critical patent/CN108268527A/zh
Application granted granted Critical
Publication of CN108268527B publication Critical patent/CN108268527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

一种检测土地利用类型变化的方法：收集研究地区的历史土地利用矢量数据；获得研究地区的遥感影像数据；对遥感影像进行计算机自动分类；将所述历史土地利用矢量数据与遥感影像数据进行叠加处理，得到遥感影像中各像元在历史土地利用矢量数据中的历史土地利用类型归属；判断当前土地利用类型和历史土地利用类型不一致的像元，标记为类型变化像元；类型变化像元中，将属于同一种当前土地利用类型的像元用同种颜色表示，实现土地利用类型变化检测。本发明的方法可以实现土地利用类型的统一标准的分类，并且实现快速地计算机自动分类，同时精准地检测土地利用类型变化，极大地提高了工作效率和精度。

Description

一种检测土地利用类型变化的方法
技术领域
本技术适用于地理信息系统制图领域，具体说是一种通过地理信息系统制图方法来检测土地利用类型变化的方法。
背景技术
随着全球变化研究的深入，土地利用/覆被变化研究已经成为全球环境变化研究的核心领域内容。应用遥感技术结合地理信息系统(Geographic Information System，简称GIS)、计算机技术以及传统调查方法进行土地利用类型的解译和分类已经成为当前获得大尺度、高时效性土地利用时空数据的重要手段。
在遥感技术的研究中，通过遥感影像判别各种目标是遥感技术发展的重要一环，遥感数据库的建立关乎专业信息提取、动态变化预测和专题地图制作等重要方面。
土地利用遥感分类实际上是遥感图像自动分类识别的过程，也就是用计算机模拟人类知觉，完成遥感图像分析和理解的过程。土地利用遥感分类的核心问题即是一个对遥感图像特征分析提取、图像分割和聚类，进行分类识别的过程。土地利用遥感分类的具体过程是把遥感图像中每一个像元或区域归为土地利用类型分类系统中的一种类别，也就是通过对各类地物的光谱特征分析来选择特征参数，划分出特征空间，将遥感图像的像元划分到特征空间中。
在现有技术中，常用的土地利用遥感分类方法有：目视解译法、监督分类法和非监督分类法。常用的土地利用遥感分类方法存在以下缺陷：目视解译法主要依靠人工解译的方式进行分类，不仅耗费时间长，而且不同人员的解译结果不同，导致分类结果存在差异，无法实现自动分类。监督分类法，选取训练区的过程同样是靠人工判断，所以工作量大，耗时长，而且结果存在差异，无法实现自动化。非监督分类法，只能区分出不同类型的土地，无法确定其土地利用类型，而且精确度较低，无法满足实际应用的需要。
发明内容
针对现有的缺陷或不足，本发明提供了一种检测土地利用类型变化的方法，其特征在于，该方法包括以下步骤：
步骤1，收集研究地区的历史土地利用矢量数据，所述历史土地利用矢量数据包括图斑和图斑土地利用类型信息，每个图斑与一种土地利用类型对应；
步骤2，获得研究地区的遥感影像数据，所述遥感影像数据包括若干像元，每个像元是对研究地区的遥感影像进行栅格划分而得的子单元；
步骤3，对遥感影像进行计算机自动分类，生成遥感影像当前土地利用类型图，其中，遥感影像数据中的每个像元都与一种土地利用类型对应；
步骤4，将所述历史土地利用矢量数据与遥感影像数据进行叠加处理，得到遥感影像中各像元在历史土地利用矢量数据中的历史土地利用类型归属；
步骤5，判断当前土地利用类型和历史土地利用类型不一致的像元，标记为类型变化像元；
步骤6，类型变化像元中，将属于同一种当前土地利用类型的像元用同种颜色表示，实现土地利用类型变化检测。
优选地，所述遥感影像为高分辨率卫星遥感影像数据，如ALOS，SPOT，Quick Bird等数据。
优选地，在所述步骤3之前，还对所述遥感影像数据进行图像预处理：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。
优选地，所述步骤3，对遥感影像进行计算机自动分类是基于ENVI软件实现。
优选地，所述步骤4，将所述历史土地利用矢量数据与遥感影像数据进行叠加处理，是基于ArcGIS软件的分析工具模块实现。
本发明的方法可以实现土地利用类型的统一标准的分类，并且实现快速地计算机自动分类，同时精准地检测土地利用类型变化，极大地提高了工作效率和精度。
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，本发明的一种检测土地利用类型变化的方法，其特征在于，该方法包括以下步骤：
步骤1，收集研究地区的历史土地利用矢量数据，所述历史土地利用矢量数据包括图斑和图斑土地利用类型信息，每个图斑与一种土地利用类型对应；
步骤2，获得研究地区的遥感影像数据，所述遥感影像数据包括若干像元，每个像元是对研究地区的遥感影像进行栅格划分而得的子单元；
步骤3，对遥感影像进行计算机自动分类，生成遥感影像当前土地利用类型图，其中，遥感影像数据中的每个像元都与一种土地利用类型对应；
步骤4，将所述历史土地利用矢量数据与遥感影像数据进行叠加处理，得到遥感影像中各像元在历史土地利用矢量数据中的历史土地利用类型归属；
步骤5，判断当前土地利用类型和历史土地利用类型不一致的像元，标记为类型变化像元；
步骤6，类型变化像元中，将属于同一种当前土地利用类型的像元用同种颜色表示，实现土地利用类型变化检测。
优选地，所述遥感影像为高分辨率卫星遥感影像数据，如ALOS，SPOT，Quick Bird等数据。
优选地，在所述步骤3之前，还对所述遥感影像数据进行图像预处理：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。
优选地，所述步骤3，对遥感影像进行计算机自动分类是基于ENVI软件实现。
优选地，所述步骤4，将所述历史土地利用矢量数据与遥感影像数据进行叠加处理，是基于ArcGIS软件的分析工具模块实现。
优选地，其中，所述步骤3，对遥感影像进行计算机自动分类，具体为：
步骤3-1，针对研究地区范围，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；
步骤3-2，提取各待分类区域的光谱特征信息；
步骤3-3，采集所述遥感影像中所具有的全部土地利用类型作为影像分类的依据，将每一类型的样本采集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3-4，选择分类算法和相应参数，执行遥感影像的土地利用类型自动分类。
优选地，其中，所述步骤3-1，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。
优选地，其中，所述步骤3-4，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土地利用类型的样本区域j之间的相关性C，全部土地利用类型为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的相关性所对应土地利用类型，将该待分类区域i归类于所述土地利用类型。
优选地，其中，所述步骤3-2，所述光谱特征包括亮度、饱和度或色调。
可见，本发明的方法可以实现土地利用类型的统一标准的分类，并且实现快速地计算机自动分类，同时精准地检测土地利用类型变化，极大地提高了工作效率和精度。
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 (1)

1.一种检测土地利用类型变化的方法，其特征在于，该方法包括以下步骤：
步骤1，收集研究地区的历史土地利用矢量数据，所述历史土地利用矢量数据包括图斑和图斑土地利用类型信息，每个图斑与一种土地利用类型对应；
步骤2，获得研究地区的遥感影像数据，所述遥感影像数据包括若干像元，每个像元是对研究地区的遥感影像进行栅格划分而得的子单元；
所述遥感影像为高分辨率卫星遥感影像数据：包括ALOS，SPOT和Quick Bird数据；
对所述遥感影像数据的图像预处理包括：大气校正、几何校正、投影转换、剪裁拼接或影像融合中的一种或多种；
步骤3，对遥感影像进行计算机自动分类，生成遥感影像当前土地利用类型图，其中，遥感影像数据中的每个像元都与一种土地利用类型对应；
用ENVI软件对遥感影像进行计算机自动分类；
步骤3-1，针对研究地区范围，设置分割尺度，对所述遥感影像进行影像分割，得到待分类区域；
其中，根据地形的复杂程度确定所述分割尺度，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，在单一地形的地域采用的大分割尺度；反之，在复杂地形的地域则设置小的分割尺度；
步骤3-2，提取各待分类区域的光谱特征信息包括亮度、饱和度或色调；
步骤3-3，采集所述遥感影像中所具有的全部土地利用类型作为影像分类的依据，将每一类型的样本采集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3-4，选择分类算法和相应参数，执行遥感影像的土地利用类型自动分类；
所述分类算法为：针对每个分割后的待分类区域i，分别求取其与各已知土地利用类型的样本区域j之间的相关性C，全部土地利用类型为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的相关性所对应土地利用类型，将该待分类区域i归类于所述土地利用类型；
步骤4，将所述历史土地利用矢量数据与遥感影像数据进行叠加处理，得到遥感影像中各像元在历史土地利用矢量数据中的历史土地利用类型归属；将所述历史土地利用矢量数据与遥感影像数据进行叠加处理，是基于ArcGIS软件的分析工具模块实现；
用ArcGIS软件的分析工具模块对所述历史土地利用矢量数据与遥感影像数据的叠加处理；
步骤5，判断当前土地利用类型和历史土地利用类型不一致的像元，标记为类型变化像元；
步骤6，类型变化像元中，将属于同一种当前土地利用类型的像元用同种颜色表示，实现土地利用类型变化检测。
CN201611264466.8A 2016-12-30 2016-12-30 一种检测土地利用类型变化的方法 Active CN108268527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611264466.8A CN108268527B (zh) 2016-12-30 2016-12-30 一种检测土地利用类型变化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611264466.8A CN108268527B (zh) 2016-12-30 2016-12-30 一种检测土地利用类型变化的方法

Publications (2)

Publication Number Publication Date
CN108268527A CN108268527A (zh) 2018-07-10
CN108268527B true CN108268527B (zh) 2019-03-29

Family

ID=62755382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611264466.8A Active CN108268527B (zh) 2016-12-30 2016-12-30 一种检测土地利用类型变化的方法

Country Status (1)

Country Link
CN (1) CN108268527B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109064000A (zh) * 2018-07-25 2018-12-21 天图软件科技有限公司 自然资源审计的方法、装置和系统
CN109739943A (zh) * 2018-12-14 2019-05-10 中国测绘科学研究院 面向自然资源矢量地表覆盖变化统计处理方法
CN110348506B (zh) * 2019-07-03 2021-06-29 广州大学 基于遥感图像的土地利用分类方法、存储介质和计算设备
CN110737745B (zh) * 2019-10-15 2022-03-01 中国地质大学（北京） 一种土地利用动态变化地图的构建方法
CN113609237B (zh) * 2021-07-15 2024-04-05 城乡院(广州)有限公司 一种建设用地变更的数据处理方法、装置、设备及介质
CN114882084B (zh) * 2022-05-07 2024-04-05 安徽农业大学 一种基于人工智能的土地利用变化图斑自动识别方法
CN115545334B (zh) * 2022-10-25 2024-04-02 石河子大学 土地利用类型预测方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661497A (zh) * 2009-09-10 2010-03-03 北京农业信息技术研究中心 遥感土地利用变化检测方法及系统
CN102208027A (zh) * 2011-05-31 2011-10-05 武汉理工大学 基于间隙度维数的土地利用空间格局评价方法
JP2011257946A (ja) * 2010-06-08 2011-12-22 Sharp Corp 画像処理装置、画像処理方法およびコンピュータプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661497A (zh) * 2009-09-10 2010-03-03 北京农业信息技术研究中心 遥感土地利用变化检测方法及系统
JP2011257946A (ja) * 2010-06-08 2011-12-22 Sharp Corp 画像処理装置、画像処理方法およびコンピュータプログラム
CN102208027A (zh) * 2011-05-31 2011-10-05 武汉理工大学 基于间隙度维数的土地利用空间格局评价方法

Also Published As

Publication number Publication date
CN108268527A (zh) 2018-07-10

Similar Documents

Publication Publication Date Title
CN108268527B (zh) 一种检测土地利用类型变化的方法
CN103577475B (zh) 一种图片自动化分类方法、图片处理方法及其装置
Huang et al. A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery
CN108846832A (zh) 一种基于多时相遥感影像与gis数据的变化检测方法及系统
CN106408030B (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN105574063A (zh) 基于视觉显著性的图像检索方法
Zhang et al. Toward evaluating multiscale segmentations of high spatial resolution remote sensing images
CN105068918B (zh) 一种页面测试方法及装置
CN106875481B (zh) 一种三维可视化遥感影像地表分类模型的制作方法
CN104462526B (zh) 面向高分辨率遥感影像的多人在线协同快速矢量化方法
CN108921120A (zh) 一种适应广泛零售场景下的香烟识别方法
CN106844739A (zh) 一种基于神经网络协同训练的遥感图像变化信息检索方法
CN107657207A (zh) 一种基于遥感影像的林地分类方法
CN106650811B (zh) 一种基于近邻协同增强的高光谱混合像元分类方法
CN113392930B (zh) 基于多层次分治网络的交通标志目标检测方法
CN112329559A (zh) 一种基于深度卷积神经网络的宅基地目标检测方法
CN107992856A (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN110986889A (zh) 一种基于遥感图像技术的高压变电站全景态监测方法
Xu et al. Using linear spectral unmixing for subpixel mapping of hyperspectral imagery: A quantitative assessment
Bin et al. Parcel-based change detection in land-use maps by adopting the holistic feature
Yin et al. Sub-pixel vs. super-pixel-based greenspace mapping along the urban–rural gradient using high spatial resolution Gaofen-2 satellite imagery: a case study of Haidian District, Beijing, China
CN109740504A (zh) 一种基于遥感影像提取海域资源的方法
CN109492573A (zh) 一种指针读取方法及装置
CN113033386A (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
Khalid et al. Evaluation the accuracy of oil palm tree detection using deep learning and support vector machine classifiers

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
CB02 Change of applicant information
CB02 Change of applicant information

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

Applicant after: Zhongke Star Map Co., Ltd.

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

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

GR01 Patent grant
GR01 Patent grant