CN109614920B - 一种基于多时相遥感数据的地物信息提取方法 - Google Patents
一种基于多时相遥感数据的地物信息提取方法 Download PDFInfo
- Publication number
- CN109614920B CN109614920B CN201811490941.2A CN201811490941A CN109614920B CN 109614920 B CN109614920 B CN 109614920B CN 201811490941 A CN201811490941 A CN 201811490941A CN 109614920 B CN109614920 B CN 109614920B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- ground object
- data
- target ground
- target
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 abstract 1
- 241000209140 Triticum Species 0.000 description 15
- 235000021307 Triticum Nutrition 0.000 description 15
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000009342 intercropping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于遥感影像分类领域，具体涉及一种基于多时相遥感数据的地物信息提取方法，根据目标区域范围的大小，以及数据可获取性，选择合适的数据源和适宜的时相数据；提取目标地物的遥感特征指标数据的获取；基于提取目标地物的遥感特征指标数据，从多时间遥感数据角度出发，逐时相地提取目标地物信息，逐渐剔除非目标地物信息，逐渐精确目标地物，从而更精确地、更高精度地提取目标地物；模型提取结果精度验证。本发明基于高时间分辨率的遥感数据，从多时间遥感影像的角度出发，在每个时相影像数据上应用非监督分类方法逐渐剔除非目标地物，从而达到更准确获取目标地物信息的目的。可以用于农业、林业和地学等领域。
Description
技术领域
本发明属于遥感影像分类领域，具体涉及一种基于多时相遥感数据的地物信息提取方法。
背景技术
随着空间信息技术的发展，空间信息逐渐应用到了越来越多的领域，如地学、农学、林学、医学、生态、环境等社会各个领域。遥感作为一种非常重要的空间信息获取技术，不仅是遥感领域重要的研究方向之一，具有很好的科学研究价值，而且具有非常重要的实际应用意义。随着越来越多搭载遥感传感器的卫星发射，以及搭载遥感传感器的无人机广泛地使用，极大地丰富了遥感数据获取的来源，如国外卫星数据有MODIS、SPOT、Landsat系列、Worldview、Quikbird等，国内资源卫星、风云卫星、高分系列卫星等。这些丰富的遥感数据源极大地推动了遥感地物信息提取技术的发展，目前，地物信息遥感提取方法主要有目视解译、监督分类、非监督分类、决策树等。虽然这些遥感地物信息提取技术的研究取得了很多成果，但是，这些方法仍然存在着一些不足和问题，需要进一步研究和完善，如人为干扰严重，精度不稳定，自动化程度低等问题。
发明内容
为了克服现有基于遥感技术的信息提取方法和模型存在的上述问题，本发明提供了一种基于多时相遥感数据的地物信息提取方法，提高精度和自动化程度。
具体技术方案为：
一种基于多时相遥感数据的地物信息提取方法，包括以下步骤：
(1)多时相数据获取，根据目标区域范围的大小，以及数据可获取性，选择合适的数据源和适宜的时相数据；
(2)提取目标地物的遥感特征指标数据的获取；根据目标区域地物信息特征，进行目标地物和其它地物差异性分析，确定提取目标地物的特征指标，并根据该特征指标的原理或公式从遥感影像中获取该特征指标遥感数据；
(3)目标地物信息提取，基于提取目标地物的遥感特征指标数据，从多时间遥感数据角度出发，逐时相地提取目标地物信息，逐渐剔除非目标地物信息，逐渐精确目标地物，从而更精确地、更高精度地提取目标地物；
具体就是基于建立的多时相表达的目标地物特征指标数据中，从第一个时相遥感影像开始，应用非监督分类技术，将目标区划分为三类：候选目标地物、其它地物以及高干扰地物，此时提取到的候选目标地物包括目标地物和部分其它地物信息；然后，应用在第一个时相数据中获取的候选目标地物区域掩膜第二个时相数据，再次应用非监督分类方法将掩膜后的第二时相遥感数据分为同样的三类；同理，重复前面的步骤，直到最后一个时相遥感数据，此时提取到的目标地物信息就是本发明模型的最终提取结果。
(4)模型提取结果精度验证。应用验证样本数据和混淆矩阵对本发明模型提取结果进行精度验证，包括Kappa系数、整体精度、制图精度和用户精度。验证样本数据可以通过随机撒点结合高空间分辨率的遥感影像目视解译获取，也可以从野外采样获取，或者是高精度提取方法的结果中获取。
本发明提供的一种基于多时相遥感数据的地物信息提取方法，基于高时间分辨率的遥感数据，如MODIS和高分系列数据等，从多时间遥感影像的角度出发，在每个时相影像数据上应用非监督分类方法逐渐剔除非目标地物，从而达到更准确获取目标地物信息的目的。可以用于农业、林业和地学等领域，精确各领域内的目标地物信息。
附图说明
图1为本发明的方法流程图；
图2为实施例的辛集市2014年冬小麦种植空间分布图。
具体实施方式
下面将结合附图和实施例对本发明做进一步阐述，其中，下面的实施例只是本发明的一部分，并不是本发明的全部实施例。因此，以下实施例仅用于更加清楚地描述本发明的技术方案，而不能以此来限制本发明的保护范围。
采用如图1所示的一种基于多时相遥感数据的地物信息提取方法，下面采用该方法提取河北省辛集市2014年冬小麦种植面积及空间分布，并进行精度验证。遥感数据可以选择高时间分辨率遥感影像，如MODIS和高分一号(GF1)等影像。本次提取使用空间分辨率为16米的高分一号遥感影像数据。
具体提取过程如下：
1、获取多时相数据
辛集市是县级城市，空间分辨率为16米的高分一号不仅回访周期短(4天)，而且可以从遥感集市网站上免费获取。根据冬小麦的主要生长期和数据可获取性，本实施例选取2014年5月17日、4月23日和4月3日三个时相的高分一号遥感影像数据。
2、获取提取目标地物的遥感特征指标数据
植被指数是绿色植被的一种常用遥感提取指标，其中，归一化植被指数是最常用的一种植被指数。本实施例选取归一化植被指数作为冬小麦遥感提取特征指标。辛集市冬小麦从2月底和3月初为返青期，而后是拔节期，生长开始逐渐增快，NDVI随着冬小麦的快速生长发育而变得越来越高，到4月下旬和5月上旬抽穗期时冬小麦NDVI达到最高值，然后是开花结果实NDVI逐渐降低，到6月上旬和中旬为收割期时，NDVI达到阶段低值；辛集市内套种夏玉米大约在5月下旬开始播种；野草、树木等其它绿色干扰地物在4月初时基本还处于枯黄状态，NDVI值相对较低，但是这些干扰地物从4月中旬开始越来越绿，NDVI越来越大。根据归一化植被指数的原理或公式计算辛集市NDVI遥感数据。
3、提取冬小麦种植信息
基于2014年5月17日辛集市NDVI遥感数据，应用非监督分类将辛集市分为为三类：候选冬小麦、非冬小麦以及其它绿色干扰地物；然后，应用所提取到的候选冬小麦区域掩膜4月23日NDVI遥感数据，基于掩膜后的NDVI数据，再次应用非监督分类将辛集市分为同样的三类；同理，可以得到基于4月3日NDVI遥感数据的冬小麦种植信息，此时提取的冬小麦为本发明模型最终的提取结果。本实施例最终提取辛集市2014年冬小麦的种植面积为323.54KM2，其空间分布如附图2所示。
4、模型提取结果精度验证。
应用随机撒点和Google Earth高空间分辨率影像以及结合2014年4月3日和6月23日的高分一号标准假彩色图像目视解译获取验证样本数据。采用混淆矩阵法对本发明模型提取结果进行精度验证。
具体精度验证结果如表1所示。
表1本发明模型提取辛集市冬小麦的精度信息统计
以上实施例仅用于说明本发明，而并非是对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (2)
1.一种基于多时相遥感数据的地物信息提取方法，其特征在于，包括以下步骤：
(1)多时相数据获取，根据目标区域范围的大小，以及数据可获取性，选择合适的数据源和适宜的时相数据；
(2)提取目标地物的遥感特征指标数据的获取；根据目标区域地物信息特征，进行目标地物和其它地物差异性分析，确定提取目标地物的特征指标，并根据该特征指标的原理或公式从遥感影像中获取该遥感特征指标数据；
(3)目标地物信息提取，基于提取目标地物的遥感特征指标数据，从多时间遥感数据角度出发，逐时相地提取目标地物信息，逐渐剔除非目标地物信息，逐渐精确目标地物，从而更精确地、更高精度地提取目标地物；
(4)模型提取结果精度验证；
所述的步骤(3)具体包括以下步骤，基于建立的多时相表达的目标地物特征指标数据中，从第一个时相遥感影像开始，应用非监督分类技术，将目标区划分为三类：候选目标地物、其它地物以及高干扰地物，此时提取到的候选目标地物包括目标地物和部分其它地物信息；然后，应用在第一个时相数据中获取的候选目标地物区域掩膜第二个时相数据，再次应用非监督分类方法将掩膜后的第二时相遥感数据分为同样的三类；同理，重复前面的步骤，直到最后一个时相遥感数据，此时提取到的目标地物信息就是本发明模型的最终提取结果。
2.根据权利要求1所述的一种基于多时相遥感数据的地物信息提取方法，其特征在于，所述的步骤(4)包括以下步骤，应用验证样本数据和混淆矩阵对提取结果进行精度验证，包括Kappa系数、整体精度、制图精度和用户精度；验证样本数据通过随机撒点结合高空间分辨率的遥感影像目视解译获取，或者从野外采样获取，或者是高精度提取方法的结果中获取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811490941.2A CN109614920B (zh) | 2018-12-07 | 2018-12-07 | 一种基于多时相遥感数据的地物信息提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811490941.2A CN109614920B (zh) | 2018-12-07 | 2018-12-07 | 一种基于多时相遥感数据的地物信息提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109614920A CN109614920A (zh) | 2019-04-12 |
| CN109614920B true CN109614920B (zh) | 2023-12-01 |
Family
ID=66007732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811490941.2A Active CN109614920B (zh) | 2018-12-07 | 2018-12-07 | 一种基于多时相遥感数据的地物信息提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109614920B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536937A (zh) * | 2021-06-17 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于遥感技术的红树林生态定量反演方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650604A (zh) * | 2016-10-21 | 2017-05-10 | 河北工程大学 | 一种基于植被指数思想的地物信息遥感提取方法 |
-
2018
- 2018-12-07 CN CN201811490941.2A patent/CN109614920B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650604A (zh) * | 2016-10-21 | 2017-05-10 | 河北工程大学 | 一种基于植被指数思想的地物信息遥感提取方法 |
Non-Patent Citations (4)
| Title |
|---|
| "面向对象的高分辨率遥感影像分类及应用研究";陆美蓉;《中国优秀硕士论文全文数据库 农业科技辑》;20110515(第05期);全文 * |
| 基于MODIS数据的大尺度作物遥感监测综述（英文）;刘丹;杨风暴;李大威;梁若飞;冯裴裴;;Journal of Measurement Science and Instrumentation(02);第95-106页 * |
| 应用面向对象的决策树模型提取橡胶林信息;梁守真等;《遥感学报》;20150525(第03期);第486-492页 * |
| 遥感变化检测技术发展综述;马建文, 田国良, 王长耀, 燕守勋;地球科学进展(02);第27-31页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109614920A (zh) | 2019-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Long-short-term-memory-based crop classification using high-resolution optical images and multi-temporal SAR data | |
| Vaudour et al. | An overview of the recent approaches to terroir functional modelling, footprinting and zoning | |
| George et al. | Forest tree species discrimination in western Himalaya using EO-1 Hyperion | |
| CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
| CN110175931B (zh) | 一种大范围快速提取农作物种植面积和物候信息的方法 | |
| CN106650604B (zh) | 一种基于植被指数思想的地物信息遥感提取方法 | |
| Piazza et al. | Object-oriented and pixel-based classification approaches to classify tropical successional stages using airborne high–spatial resolution images | |
| WO2023109652A1 (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
| Sun et al. | Extracting distribution and expansion of rubber plantations from Landsat imagery using the C5. 0 decision tree method | |
| Liu et al. | Selection of Landsat8 image classification bands based on MLC–RFE | |
| Shimabukuro et al. | Discriminating land use and land cover classes in Brazil based on the annual PROBA-V 100 m time series | |
| Liu et al. | UAV-based crops classification with joint features from orthoimage and DSM data | |
| Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
| CN109614920B (zh) | 一种基于多时相遥感数据的地物信息提取方法 | |
| Song et al. | Recognition of sunflower growth period based on deep learning from UAV remote sensing images | |
| Kopeć et al. | The essence of acquisition time of airborne hyperspectral and on-ground reference data for classification of highly invasive annual vine Echinocystis lobata (Michx.) Torr. & A. Gray | |
| Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
| CN109670426B (zh) | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 | |
| Roy et al. | Comparative analysis of object based and pixel based classification for mapping of mango orchards in Sitapur district of Uttar Pradesh | |
| Liu | Classification of tree species using UAV-based multi-spectral and multi-seasonal images: A multi-feature-based approach | |
| Zhang et al. | A Mapping Approach for Eucalyptus Plantations Canopy and Single-Tree Using High-Resolution Satellite Images in Liuzhou, China | |
| Liu et al. | Preliminary tests on the performance of MLC-RFE and SVM-RFE in Lansat-8 image classification | |
| Dahiya et al. | An effective detection of litchi disease using deep learning | |
| CN109697411B (zh) | 一种基于统计标准差的地物信息提取方法 | |
| Yang et al. | Monitoring winter wheat in ShanDong province using Sentinel data and Google Earth Engine platform |
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 |