CN109670426B - 一种基于陆地卫星遥感影像数据源的地物信息提取方法 - Google Patents
一种基于陆地卫星遥感影像数据源的地物信息提取方法 Download PDFInfo
- Publication number
- CN109670426B CN109670426B CN201811491712.2A CN201811491712A CN109670426B CN 109670426 B CN109670426 B CN 109670426B CN 201811491712 A CN201811491712 A CN 201811491712A CN 109670426 B CN109670426 B CN 109670426B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- data
- ground object
- image data
- target ground
- 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
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明属于遥感影像分类领域,具体涉及一种基于陆地卫星遥感影像数据源的地物信息提取方法,根据目标区域内地物特征以及数据可获取性获取适宜时相的相应传感器的陆地卫星遥感影像数据;应用全色波段数据融合多光谱数据,再根据目标地物与其它地物的差异性,选取合适的目标地物提取特征指标,并应用15米和30米多光谱遥感影像数据构建多尺度表达;基于多尺度目标地物遥感提取特征指标遥感数据,结合非监督分类方法,逐尺度提取目标地物信息。本发明应用多尺度和非监督分类技术提取地物信息具有精度高、流程简单、人为干扰少、自动化程度以及构建的多尺度数据具有同源性等特点。
Description
技术领域
本发明属于遥感影像分类领域,具体涉及一种基于陆地卫星遥感影像数据源的地物信息提取方法。
背景技术
遥感具有获取数据范围大、速度快、成本低、信息内容丰富等优点,是当前非常重要的地物信息获取手段。同时,遥感地物信息提取也是遥感领域重要的一个研究方向,应用范围十分广泛,如地理、地质、水利、农业、林业、城市等各个涉及空间信息的领域。因此,遥感地物信息提取技术的研究具有非常重要的研究价值和应用意义。应用遥感技术提取地物信息的方法有很多,从数据源的角度可以分为应用于低空间分辨率大范围和中高空间分辨率局部区域的遥感提取方法;从方法角度,可以分为监督分类、非监督分类、目视解译、决策树、支持向量机等方法。
但是,当前已有的遥感信息提取方法长期存在着一些问题:(1)人为干扰因素多;(2)方法及流程复杂;(3)自动化程度低(4)多源、多尺度数据异构等问题。
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,本发明提供一种基于陆地卫星遥感影像数据源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:
一种基于陆地卫星遥感影像数据源的地物信息提取方法,包括以下步骤:
(1)数据获取,根据目标区域内地物特征以及数据可获取性获取适宜时相的相应传感器的陆地卫星遥感影像数据;
(2)目标地物特征信息多尺度表达,应用全色波段数据融合多光谱数据,再根据目标地物与其它地物的差异性,选取合适的目标地物提取特征指标,并应用15米和30米多光谱遥感影像数据构建多尺度表达;
(3)目标地物提取,基于多尺度目标地物遥感提取特征指标遥感数据,结合非监督分类方法,逐尺度提取目标地物信息;即先在30米分辨率遥感数据上应用非监督分类将目标区域分为冬小麦和非冬小麦两类,然后应用所提取的冬小麦区域掩膜15米的遥感数据,并在掩膜后的遥感数据上,应用非监督分类再次分为冬小麦和非冬小麦两类,此时,提取冬小麦,最终提取结果;
(4)精度验证。以随机撒点结合高分辨率影像数据或目视解译,再或者野外采集的地面数据作为验证数据,应用混淆矩阵方法对提取结果进行精度验证。
本发明提供的一种基于陆地卫星遥感影像数据源的地物信息提取方法,根据陆地卫星多光谱影像数据空间分辨率为30米和全色波段空间分辨率为15米的特性,由全色波段融合多光谱数据为15米,再由30米和15米两种多光谱数据建立多尺度表达,在此基础上,应用多尺度和非监督分类技术提取地物信息。该方法具有精度高、流程简单、人为干扰少、自动化程度以及构建的多尺度数据具有同源性等特点。
附图说明
图1为本发明的方法流程图;
图2为实施例的为实施例的辛集市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所示的一种基于陆地卫星遥感影像数据源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Landsat7或8遥感影像。本次提取使用Landsat8遥感影像数据。具体提取过程如下:
1、数据选取。
植被指数是绿色植被信息提取常用的指标信息之一,本实施例选取归一化植被指数(NDVI)作为冬小麦种植信息提取指标。根据目标区域内地物特征可以得出:冬小麦的归一化植被指数(NDVI)从2月底和3月初(返青期)开始逐渐增大,到4月下旬和5月上旬(抽穗期)植被指数达到最大,然后逐渐减小直到6月上旬和中旬收割时达到一个较小值;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,但是这些干扰地物的NDVI从4月中旬开始越来越大。考虑到遥感影像的空间分辨率和数据可获取性,本实施例选取2014年4月13日的Landsat8遥感影像,云量接近为0%。
2、归一化植被指数(NDVI)数据多尺度表达。
应用空间分辨率为15米的全色波段数据将多光谱数据融合为空间分辨率30米。再根据归一化植被指数(NDVI)的计算公式,获取NDVI遥感数据,并应用15米和30米多光谱遥感影像数据构建多尺度辛集市NDVI数据。
3、冬小麦种植信息提取。
基于多尺度NDVI遥感数据,结合非监督分类方法,逐尺度提取冬小麦种植信息。具体为:先在30米NDVI遥感数据上直接应用非监督分类将辛集市分为冬小麦和非冬小麦两类;然后应用在30米NDVI遥感数据上提取的冬小麦区域掩膜15米的NDVI遥感数据,并在掩膜后的15NDVI遥感数据上,再次直接应用非监督分类方法将辛集市分为冬小麦和非冬小麦两类,此时,提取的冬小麦为本发明模型最终提取结果。本实施例提取辛集市2014年冬小麦种植面积为345.10KM2,其空间分布见图2所示。
4、精度验证。
基于验证样本数据,应用混淆矩阵方法对提取结果进行精度验证。本实施例的验证样本数据是应用随机撒点结合Googleearth高分辨率影像数据以及空间分辨率为16米的高分一号4月3日和6月23日标准假彩色影像数据目视获取的。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 (1)
1.一种基于陆地卫星遥感影像数据源的地物信息提取方法,其特征在于,包括以下步骤:
(1)数据获取,根据目标区域内地物特征以及数据可获取性获取适宜时相的相应传感器的陆地卫星遥感影像数据;
(2)目标地物特征信息多尺度表达,应用全色波段数据融合多光谱数据,再根据目标地物与其它地物的差异性,选取合适的目标地物提取特征指标,并应用15米和30米多光谱遥感影像数据构建多尺度表达;
(3)目标地物提取,基于多尺度目标地物遥感提取特征指标遥感数据,结合非监督分类方法,逐尺度提取目标地物信息;
(4)精度验证;
所述的步骤(3)具体包括以下步骤:先在30米分辨率遥感数据上应用非监督分类将目标区域分为目标地物和其它地物两类,然后应用所提取的目标地物区域掩膜15米的遥感数据,并在掩膜后的遥感数据上,应用非监督分类再次分为目标地物和其它地物两类,此时,提取的目标地物为最终提取结果;
所述的步骤(4)具体包括以下步骤:以随机撒点结合高分辨率影像数据或目视解译,或者野外采集的地面数据作为验证数据,应用混淆矩阵方法对提取结果进行精度验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811491712.2A CN109670426B (zh) | 2018-12-07 | 2018-12-07 | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811491712.2A CN109670426B (zh) | 2018-12-07 | 2018-12-07 | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670426A CN109670426A (zh) | 2019-04-23 |
CN109670426B true CN109670426B (zh) | 2023-08-04 |
Family
ID=66144733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811491712.2A Active CN109670426B (zh) | 2018-12-07 | 2018-12-07 | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670426B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110208193B (zh) * | 2019-05-09 | 2021-11-26 | 航天恒星科技有限公司 | 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840581A (zh) * | 2010-02-05 | 2010-09-22 | 北京交通大学 | 一种从卫星遥感影像中提取建筑物轮廓的方法 |
CN106683096A (zh) * | 2017-01-25 | 2017-05-17 | 中国科学院寒区旱区环境与工程研究所 | 基于卫星遥感影像的冻土灾害信息提取方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8150199B2 (en) * | 2007-03-29 | 2012-04-03 | Texas Instruments Incorporated | Methods and apparatus for image enhancement |
US10515272B2 (en) * | 2017-05-11 | 2019-12-24 | Digitalglobe, Inc. | Muddy water detection using normalized semantic layers |
-
2018
- 2018-12-07 CN CN201811491712.2A patent/CN109670426B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840581A (zh) * | 2010-02-05 | 2010-09-22 | 北京交通大学 | 一种从卫星遥感影像中提取建筑物轮廓的方法 |
CN106683096A (zh) * | 2017-01-25 | 2017-05-17 | 中国科学院寒区旱区环境与工程研究所 | 基于卫星遥感影像的冻土灾害信息提取方法及装置 |
Non-Patent Citations (1)
Title |
---|
"基于高分一号的面向对象影像信息提取";于辉,陈晓停,汪金花;《华北理工大学学报(自然科学版)》;第39卷(第1期);第6-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109670426A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Stem–leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data | |
AU2020103026A4 (en) | A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images | |
Liu et al. | Large-scale crop mapping from multisource remote sensing images in google earth engine | |
Joshi et al. | Vegetation cover mapping in India using multi-temporal IRS Wide Field Sensor (WiFS) data | |
CN106650604B (zh) | 一种基于植被指数思想的地物信息遥感提取方法 | |
CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
Chen et al. | Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning | |
CN105893977A (zh) | 一种基于自适应特征选择的水稻制图方法 | |
CN110298322A (zh) | 一种基于遥感数据的耕地提取方法及系统 | |
Ottlé et al. | Use of various remote sensing land cover products for plant functional type mapping over Siberia | |
Deng et al. | Winter wheat planting area extraction technique using multi-temporal remote sensing images based on field parcel | |
Song et al. | Recognition of sunflower growth period based on deep learning from UAV remote sensing 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 | |
Zhang et al. | A comparison of pixel-based and object-based land cover classification methods in an arid/semi-arid environment of northwestern China | |
Dong et al. | Fine mapping of key soil nutrient content using high resolution remote sensing image to support precision agriculture in Northwest China | |
CN109614920B (zh) | 一种基于多时相遥感数据的地物信息提取方法 | |
Yang et al. | Digital Soil Mapping Based on Fine Temporal Resolution Landsat Data Produced by Spatio-temporal Fusion | |
Fan et al. | An improved Deeplab based model for extracting cultivated land information from high definition remote sensing images | |
Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
CN114663780A (zh) | 基于gee和机器学习的河套灌区种植结构识别方法及系统 | |
Zhang et al. | A Mapping Approach for Eucalyptus Plantations Canopy and Single-Tree Using High-Resolution Satellite Images in Liuzhou, China | |
Yan et al. | Extraction of physical and chemical information from soil based on hyperspectral remote sensing based on plantation of Jerusalem artichoke | |
Li et al. | Construction of a small sample dataset and identification of Pitaya trees (Selenicereus) based on UAV image on close-range acquisition | |
Liu et al. | Preliminary tests on the performance of MLC-RFE and SVM-RFE in Lansat-8 image classification | |
Chang et al. | Rice field mapping using sentinel-1a time series data and deep learning model |
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 |