CN109726705B - 红树林信息的提取方法、装置及电子设备 - Google Patents
红树林信息的提取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109726705B CN109726705B CN201910067635.6A CN201910067635A CN109726705B CN 109726705 B CN109726705 B CN 109726705B CN 201910067635 A CN201910067635 A CN 201910067635A CN 109726705 B CN109726705 B CN 109726705B
- Authority
- CN
- China
- Prior art keywords
- mangrove forest
- type
- target
- spectral
- land
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供了一种红树林信息的提取方法、装置及电子设备,该方法包括:获取目标区域的遥感数据;构建目标区域的土地覆盖类型分类体系,即包含红树林类型在内的多个土地类型;基于多个土地类型对应的遥感数据,确定与红树林类型易混淆的目标土地类型;确定红树林类型与目标土地类型对应的目标光谱波段;基于红树林类型与目标土地类型的对应的目标光谱波段的反射率,构建红树林植被指数;基于红树林植被指数和预设的分类方法,提取目标区域内的红树林信息。本申请基于红树林类型和其易混淆类型的光谱特征,构建红树林植被指数,将该指数作为特征并结合预设的分类方法进行红树林信息提取,可以提高红树林信息提取的准确性。
Description
技术领域
本申请涉及信息提取技术领域,尤其涉及一种红树林信息的提取方法、装置及电子设备。
背景技术
红树林是生长在热带和亚热带沿海地区,受到潮水周期性浸淹的常绿灌木或乔木组成的植物群落,主导着热带、亚热带地区沿海湿地的生态环境,有助于海岸侵蚀保护、水净化,对维护和改善海湾、河口地区生态环境具有重要作用。红树林资源调查是红树林科学保护与管理的前提,但红树林生长在潮间带浅滩,传统实地调查费时、费力、观测尺度小;与实地调查相比,遥感在红树林监测方面具有巨大的优势,已被广泛证明是红树林生态系统制图和监测中不可或缺的手段。
目前,基于遥感数据进行红树林信息提取的过程中,如何区分向陆部分的红树林是信息提取中的难点,由于红树林的光谱特征与相邻陆地植被的光谱特征相似,当陆地植被的光谱特征受到地表潮湿水分影响时,大量相邻的陆地植被很容易被错误分类为红树林,这一问题往往导致红树林信息的提取不够准确。
申请内容
有鉴于此,本申请实施例提供一种红树林信息的提取方法、装置及电子设备,能够基于红树林类型和其易混淆类型的光谱特征,构建红树林植被指数,将该指数作为特征并结合预设的分类方法进行红树林信息提取,可以提高红树林信息提取的准确性。
根据本申请的一个方面,提供一种红树林信息的提取方法,所述方法包括:
获取目标区域的遥感数据;
构建所述目标区域的分类体系;其中,所述分类体系包括:包含红树林类型在内的多个土地类型;
基于多个所述土地类型对应的遥感数据,确定与所述红树林类型易混淆的目标土地类型;
确定所述红树林类型与所述目标土地类型对应的目标光谱波段;其中,所述目标光谱波段为所述红树林类型与所述目标土地类型的光谱反射率差值排序靠前的指定个光谱波段;
基于所述红树林类型与所述目标土地类型对应的目标光谱波段的反射率,构建红树林植被指数;
基于所述红树林植被指数和预设的分类方法,提取所述目标区域内的红树林信息。
在一些实施例中,基于多个所述土地类型对应的遥感数据,确定与所述红树林类型易混淆的目标土地类型的步骤,包括:
基于各个所述土地类型对应的遥感数据及预设的距离模型,得到红树林类型与其它任意一个土地类型之间的可分离度;
将所述可分离度小于预设阈值的土地类型,作为与所述红树林类型易混淆的目标土地类型。
在一些实施例中,所述距离模型为J-M距离模型;
基于各个所述土地类型对应的遥感数据及预设的距离模型,得到红树林类型与其它任意一个土地类型之间的可分离度的步骤,包括:
从各个所述土地类型对应的遥感数据中,获取每个土地类型在多个光谱波段下的光谱反射率;
计算每个土地类型在多个光谱波段下的光谱反射率均值;
将各个所述土地类型对应的光谱反射率均值代入所述J-M距离模型中,计算得到所述红树林类型与其它任意一个土地类型之间的可分离度。
在一些实施例中,确定所述红树林类型与所述目标土地类型对应的目标光谱波段的步骤,包括:
从所述红树林类型与所述目标土地类型的遥感数据中,查找所述红树林类型与所述目标土地类型在多个光谱波段下的光谱反射率;
计算所述红树林类型与所述目标土地类型,在每个所述光谱波段下的光谱反射率的差值;
按照各个所述光谱波段下的光谱反射率的差值,由大到小排序;
将排序靠前的指定个光谱反射率的差值对应的光谱波段,确定为所述红树林类型与所述目标土地类型对应的目标光谱波段。
在一些实施例中,所述目标光谱波段包括:短波红外2波段、植被红边3波段和短波红外1波段;
基于所述红树林类型与所述目标土地类型的目标光谱波段对应的光谱反射率,构建红树林植被指数的步骤,包括:
计算所述短波红外2波段和所述植被红边3波段对应的光谱反射率的加权和;
将所述短波红外2波段和所述植被红边3波段对应的加权和作为综合反射率;
基于所述综合反射率及所述短波红外1波段对应的光谱反射率,构建所述红树林植被指数。
在一些实施例中,基于所述综合反射率及所述短波红外1波段对应的光谱反射率,构建所述红树林植被指数的步骤,包括:
分别计算所述综合反射率与所述短波红外1波段对应的光谱反射率的差与和;
将所述综合反射率与所述短波红外1波段对应的光谱反射率的差,除以所述综合反射率与所述短波红外1波段对应的光谱反射率的和,得到所述红树林植被指数。
在一些实施例中,在基于多个所述土地类型对应的遥感数据,确定与所述红树林类型易混淆的目标土地类型之前,还包括:
对所述目标区域的遥感数据进行预处理;其中,所述预处理包括以下至少一项:辐射标定、大气校正和几何校正。
在一些实施例中,所述分类方法为面向对象的分类方法;
基于所述红树林植被指数和预设的分类方法,提取所述目标区域内的红树林信息的步骤,包括:
对所述预处理后的遥感数据进行多尺度分割,得到多个斑块对象;
确定红树林信息提取的特征参数;所述特征参数包括:光谱特征、几何特征、纹理特征及所述红树林植被指数;
获取各个所述斑块对象对应的训练样本;
基于所述训练样本和所述特征参数,提取所述目标区域内的红树林信息。
根据本申请的另一方面,提供一种红树林信息的提取装置,所述装置包括:
数据获取模块,用于获取目标区域的遥感数据;
体系构建模块,用于构建所述目标区域的分类体系;其中,所述分类体系包括:包含红树林类型在内的多个土地类型;
易混淆类型确定模块,用于基于多个所述土地类型对应的遥感数据,确定与所述红树林类型易混淆的目标土地类型;
目标波段确定模块,用于确定所述红树林类型与所述目标土地类型对应的目标光谱波段;其中,所述目标光谱波段为所述红树林类型与所述目标土地类型的光谱反射率差值排序靠前的指定个光谱波段;
指数构建模块,用于基于所述红树林类型与所述目标土地类型对应的目标光谱波段的反射率,构建红树林植被指数;
信息提取模块,用于基于所述红树林植被指数和预设的分类方法,提取所述目标区域内的红树林信息。
根据本申请的另一方面,提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如上述红树林信息的提取方法中的一个或多个方法的步骤。
上述任一方面所述的红树林信息的提取方法和装置中,首先获取目标区域的遥感数据;构建所述目标区域的分类体系;其中,所述分类体系包括:包含红树林类型在内的多个土地类型;基于多个所述土地类型对应的遥感数据,确定与所述红树林类型易混淆的目标土地类型;确定所述红树林类型与所述目标土地类型对应的目标光谱波段;其中,所述目标光谱波段为所述红树林类型与所述目标土地类型的光谱反射率差值排序靠前的指定个光谱波段;基于所述红树林类型与所述目标土地类型对应的目标光谱波段的反射率,构建红树林植被指数;基于所述红树林植被指数和预设的分类方法,提取所述目标区域内的红树林信息。本申请能够基于红树林类型和其易混淆类型的光谱特征,构建红树林植被指数,将该指数作为特征并结合预设的分类方法进行红树林信息提取,可以提高红树林信息提取的准确性。
为使本申请实施例的上述目的、特征和优点能更明显易懂,下面将结合实施例,并配合所附附图,作详细说明。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种红树林信息的提取方法的流程图;
图2示出了本申请实施例所提供的另一种红树林信息的提取方法的流程图;
图3示出了本申请实施例所提供的另一种红树林信息的提取方法的流程图;
图4示出了本申请实施例所提供的另一种红树林信息的提取方法的流程图;
图5示出了本申请实施例所提供的一种红树林信息的提取装置的结构示意图;
图6示出了本申请实施例所提供的一种电子设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
现有的红树林信息提取过程中,由于红树林的光谱特征与相邻陆地植被的光谱特征相似,当陆地植被的光谱特征受到地表潮湿水分影响时,大量相邻的陆地植被很容易被错误分类为红树林,这一问题往往导致红树林信息的提取不够准确。基于此,本申请实施例提供一种红树林信息的提取方法、装置及电子设备,能够基于红树林类型和其易混淆类型的光谱特征,构建红树林植被指数,将该指数作为特征并结合预设的分类方法进行红树林信息提取,可以提高红树林信息提取的准确性。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种红树林信息的提取方法进行详细介绍。
图1提供了一种红树林信息的提取方法的流程图,该方法可以应用于服务器,该红树林信息的提取方法具体包括以下步骤:
步骤S102,获取目标区域的遥感数据。
本实施例以XX红树林自然保护区作为研究区域,即上述目标区域。首先获取目标区域的Sentinel-2卫星遥感数据。现有的相关研究中广泛局限在选取Landsat系列卫星影像进行红树林制图,由于红树林通常斑块面积不大,中低空间分辨率遥感数据限制了其对红树林斑块识别及变化检测能力,因此,本申请实施例中,采用Sentinel-2系列卫星的遥感数据,能够提高信息提取的准确性。
步骤S104,构建目标区域的分类体系;其中,分类体系包括:包含红树林类型在内的多个土地类型。
通过对该目标区域土地覆盖状况的野外前期调查及相关基础地理数据查询,建立针对红树林信息提取的分类体系。该分类体系中包括多个土地类型,在本实施例中,多个土地类型具体包括:红树林类型、陆生植被类型、农田类型、水体类型、建筑用地类型和裸露土壤类型。
步骤S106,基于多个土地类型对应的遥感数据,确定与红树林类型易混淆的目标土地类型。
在将目标区域划分为多种土地类型后,基于每个土地类型对应的遥感数据,确定出与红树林类型易混淆的土地类型,具体的确定方法比如,计算红树林类型和其他土地类型之间的可分离度,通过可分离度的大小来确定易混淆的目标土地类型,或者也可以通过其它的方式。而计算红树林类型和其他土地类型之间的可分离度的方式也有多种,比如:J-M距离模型、归一化距离模型、离散度模型、B距离模型(Bhattacharyya Distance)、以及熵函数模型等。在此不做具体限定。进一步将上述可分离度的计算结果及预设的阈值进行比较,即可以得出目标土地类型。这里,确定出的与红树林类型易混淆的目标土地类型可以是一个,也可以是多个。
步骤S108,确定红树林类型与目标土地类型对应的目标光谱波段。
遥感数据中包括13个光谱波段对应的影像数据,比如:海岸气溶胶波段、蓝、绿、红、植被红边1、植被红边2、植被红边3、近红外1、植被红边4、水汽压波段、短波红外卷积云波段、短波红外1和短波红外2波段,可以从该影响数据中查找到每个光谱波段对应的光谱反射率。这一步骤中,为了构建一个好的红树林植被指数,提高信息提取的精准度,需要找到红树林类型和目标土地类型对应的目标光谱波段,该目标光谱波段为红树林类型与目标土地类型的光谱反射率差值排序靠前的指定个光谱波段。在本实施例中,以排序前三的光谱波段为目标光谱波段。
步骤S110,基于红树林类型与目标土地类型对应的目标光谱波段的反射率,构建红树林植被指数。
在确定出红树林类型与目标土地类型对应的目标光谱波段后,进一步基于红树林类型与目标土地类型的目标光谱波段对应的光谱反射率,构建红树林植被指数。该红树林植被指数对土壤、水和红树林植被中的水含量相对敏感,将该指数作为特征,再结合分类方法,可以精确地提取出目标区域的红树林信息。
步骤S112,基于红树林植被指数和预设的分类方法,提取目标区域内的红树林信息。
预设的分类方法可以包括多种,如像元分类法、专家决策树、人工神经网络、支持向量机、面向对象分类法,将上述红树林植被指数作为特征之一,结合上述任一种分类方法均可以进行红树林分类,实现红树林信息的提取。在此不做具体限定。
本申请实施例提供的红树林信息的提取方法中,基于红树林类型和其易混淆类型的光谱特征,构建红树林植被指数,将该指数作为特征并结合预设的分类方法进行红树林信息提取,可以提高红树林信息提取的准确性。
在具体实施时,上述基于多个土地类型对应的遥感数据,确定与红树林类型易混淆的目标土地类型的步骤,包括:
(1)基于各个土地类型对应的遥感数据及预设的距离模型,得到红树林类型与其它任意一个土地类型之间的可分离度。
计算可分离度的方式有多种,比如:J-M距离模型、归一化距离模型、离散度模型、B距离模型(Bhattacharyya Distance)、以及熵函数模型等。其中,J-M距离模型由于是基于先验概率和样本分布的,因此具有较强的可操作性,被认为更适合衡量类别之间的可分性。因此,本实施例中,采用J-M距离模型来计算红树林类型和其他土地类型之间的可分离度,使得计算结果更加准确。
具体的过程如下,参见图2所示:
步骤S202,从各个土地类型对应的遥感数据中,获取每个土地类型在多个光谱波段下的光谱反射率。
步骤S204,计算每个土地类型在多个光谱波段下的光谱反射率均值。
步骤S206,将各个土地类型对应的光谱反射率均值代入J-M距离模型中,计算得到红树林类型与其它任意一个土地类型之间的可分离度。
J-M距离模型的具体表示形式如下:
J=2(1-e-B);
其中,J表示两个土地类型之间的可分离度,B表示巴氏距离,m1和m2表示两个土地类型的某特征均值,σ1和σ2表示两个类别的某特征标准差。
上述特征均值可以是多种特征中的某一种,在本实施例中,上述特征均值代表野外样本的光谱波段的光谱反射率均值,某特征标准差为光谱反射率的标准差。
如表1示出了本申请实施例提供的一种目标区域的多个土地类型的J-M差异。
(2)将可分离度小于预设阈值的土地类型,作为与红树林类型易混淆的目标土地类型。
上表中示出了任意两种土地类型之间的J-M距离,即可分离度,其中,裸露土壤和红树林的J-M距离均大于1.9,红树林和水体的J-M距离均大于1.9,水体和裸露土壤的J-M距离均大于1.9。本申请实施例主要是提取红树林信息,从红树林信息来看,可以看出红树林和陆生植物之间的J-M距离为1.2362,其小于预设的阈值,难于区分,确定陆生植物为与红树林类型易混淆的目标土地类型。
上述确定红树林类型与目标土地类型对应的目标光谱波段的过程,包括以下步骤,如图3所示:
步骤S302,从红树林类型与目标土地类型的遥感数据中,查找红树林类型与目标土地类型在多个光谱波段下的光谱反射率。
步骤S304,计算红树林类型与目标土地类型,在每个光谱波段下的光谱反射率的差值。
步骤S306,按照各个光谱波段下的光谱反射率的差值,由大到小排序。
步骤S308,将排序靠前的指定个光谱反射率的差值对应的光谱波段,确定为红树林类型与目标土地类型对应的目标光谱波段。
本实施例中,选取排序前三的光谱反射率的差值对应的光谱波段,作为红树林类型与目标土地类型对应的目标光谱波段,具体包括:短波红外2波段、植被红边3波段和短波红外1波段。
进一步,上述基于红树林类型与目标土地类型的目标光谱波段对应的光谱反射率,构建红树林植被指数的步骤,包括以下过程,参见图4所示:
步骤S402,计算短波红外2波段和植被红边3波段对应的光谱反射率的加权和。
步骤S404,将短波红外2波段和植被红边3波段对应的加权和作为综合反射率。
步骤S406,基于综合反射率及短波红外1波段对应的光谱反射率,构建红树林植被指数。
上述基于综合反射率及短波红外1波段对应的光谱反射率,构建红树林植被指数的步骤,包括:分别计算综合反射率与短波红外1波段对应的光谱反射率的差与和;将综合反射率与短波红外1波段对应的光谱反射率的差,除以综合反射率与短波红外1波段对应的光谱反射率的和,得到红树林植被指数。
具体的,利用短波红外2波段和植被红边3波段间反射率差异最大的特性,将两反射率的加权和作为两者的综合反射率,以最大限度的增加红树林和易混淆的陆生植被间的差异,具体公式如下:
ρRE3-SWIR2=α×ρRE3+(1-α)×ρSWIR2;
其中,ρRE3-SWIR2为综合反射率,ρRE3为植被红边3波段对应的光谱反射率,ρSWIR为短波红外2波段对应的光谱反射率,α是加权系数,取值范围在0-1之间。
基于提出的短波红外2波段和植被红边3波段间的综合反射率,结合短波红外1波段,构建凸显红树林信息的新型植被指数(New Mangrove Vegetation Index,NMVI),即上述红树林植被指数,具体公式如下:
即:
其中,NMVI表示红树林植被指数,ρSWIR1为短波红外1波段对应的光谱反射率。当α等于0和1时,NMVI分别收敛成不同的植被指数。为了确定最佳的α值,研究从0到1,以0.01为步长,逐个对比红树林类型和陆生植被类型的NMVI差值;最终得到当α设定为0.52时,红树林和陆生植被的NMVI值之间差异性最大。
在基于多个土地类型对应的遥感数据,确定与红树林类型易混淆的目标土地类型之前,还包括:
对目标区域的遥感数据进行预处理;其中,预处理包括以下至少一项:辐射标定、大气校正和几何校正。
其中辐射标定和大气校正是辐射校正的两个过程,辐射标定使将遥感数据的遥感影像像元亮度值(Digital Number,DN)转换为大气层顶的辐射亮度值;大气校正是消除大气和光照等因素对地物反射的影响。几何校正是消除影像的几何畸变,使其地理定位精度提高,能够匹配实际地物的位置。其中,辐射定标通过ENVI遥感影像专业处理软件中的辐射定标模块进行处理实现,大气校正通过Landsat生态系统扰动自适应处理系统(LandsatEcosystem Disturbance Adaptive Processing System,LEDAPS)中的大气校正工具进行处理实现,几何校正通过ENVI遥感影像专业处理软件中的几何校正模型进行处理实现,使几何位置的误差控制在一个像元以内。
需要说明的是,本申请实施例中的预处理操作还可以包括影像裁剪,可以针对特定区域进行裁剪,得到辐射标定、大气校正和几何校正后的目标区域的遥感影像。
上述基于红树林植被指数和预设的分类方法,提取目标区域内的红树林信息的步骤中,可选的分类方法有多种,如像元分类法、专家决策树、人工神经网络、支持向量机、面向对象分类法等,其中决策树法受样本数量的限制,分类方法不稳定,对于小样本、高维数据有一定的局限。支持向量机是可以解决非线性、小样本、高维数据的等问题的一种基于统计的机器学习,该算法是能够克服统计方法中所要求的特征向量服从正态分布,也解决了神经网络的局部极值问题,所需样本的干预较少,有较好的稳定性和高效性。而面向对象方法弥补了传统的分类方法的不足,综合考虑了像元的光谱信息、纹理信息、空间信息以及对象之间的关联信息。
作为一种优选的实施方式,基于红树林植被指数和面向对象的分类方法,提取目标区域内的红树林信息的过程如下:
对预处理后的遥感数据进行多尺度分割,得到多个斑块对象;确定红树林信息提取的特征参数;特征参数包括:光谱特征、几何特征、纹理特征及红树林植被指数;获取各个斑块对象对应的训练样本;基于训练样本和特征参数,提取目标区域内的红树林信息。
在具体实施中,整个面向对象的分类过程都在易康软件(eCognition Developer9.0)中进行,具体包括:
第一步,进行遥感影像的多尺度分割。根据尺度,形状和紧凑性三个参数来控制分割的结果。尺度是与创建对象的平均大小间接相关,形状是平衡光谱均匀性和类型形状,紧凑性平衡了紧凑性和平滑性。研究通过从低参数值开始,逐步调整三个参数,直到创建的对象代表最小的红树林对象。经过一系列试验测试后,最终得出当分割尺度为80,形状指数为0.6,紧致度指数为0.4时为最优尺度,可以获得满意的分割效果。
第二步,基于最优分割尺度,确定进行红树林分类的光谱、几何、纹理3大类变量特征及提出的新型植被指数。红树林遥感信息提取中,为了最大化避免“同谱异物,异谱同物”现象,提高分类精度,不仅需要光谱特征,而且更需要纹理、几何等空间特征作为辅助,特别是基于纹理特征的分类往往是区分同谱异物的不同对象的有效手段。特征选择有分类相关特征和无关特征两类,相关特征是指在分类作用中分类影像较大的特征,去除后,影像分类精度降低,无关特征是指在分类作用中起到反作用的特征,去除后分类精度提高的特征。
因此,研究选择常用的相关特征:波段均值、植被指数、边界指数、紧致度、灰度共生矩阵、灰度差分矢量及提出的新型植被指数进行红树林分类。
第三步,结合前期野外调查数据及分类体系,在影像最优分割结果上选择红树林及各非红树林类型的训练样本。训练样本的选择需要分析者对待分类区域有所了解,或进行过初步的野外调查。其最终选择的训练样本应能准确地代表整个区域内每个类别的光谱特征差异。
因此,同一类别的训练样本必须是均质的,不能包含其他类别,也不能是和其他类别之间的边界或混合像元;其大小、形状和位置必须能同时在图像和实地(或其他参考图)容易。
第四步,采用面向对象方法进行提取红树林遥感信息提取。适宜的分类方法选取是红树林分类成功的关键,面向对象的分类方法不同于传统分类方法,综合考虑了像元的光谱信息、对象内部的结构、纹理以及相邻对象之间的关联信息,弥补了单一利用光谱特征的不足,提高了分类精度。因此研究基于该方法,结合提出的NMVI指数及光谱、几何、纹理3大类变量特征、以及相关红树林及非红树林训练样本,进行影像的分类,最终得到红树林遥感信息提取结果。
在本实施例中,采用面向对象分类技术,先把遥感影像分割成斑块对象,再对这些斑块对象进行分类,特征量可以选择斑块的很多指标,例如光谱、纹理、形状、上述红树林植被指数等,都可以融入到先进模式分类算法中进行图像解译。面向对象的分类方法不同于传统分类方法,综合考虑了像元的光谱信息、对象内部的结构、纹理以及相邻对象之间的关联信息,弥补了单一利用光谱特征的不足,提高了分类精度。
图5示出了本申请实施例提供的一种红树林信息的提取装置的框图,该红树林信息的提取装置实现的功能对应上述红树林信息的提取方法执行的步骤。该红树林信息的提取装置可以理解为上述服务器,或服务器的处理器,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件,如图5所示,红树林信息的提取装置具体包括:数据获取模块502、体系构建模块504、易混淆类型确定模块506、目标波段确定模块508、指数构建模块510和信息提取模块512。
其中,数据获取模块502,用于获取目标区域的遥感数据;体系构建模块504,用于构建目标区域的分类体系;其中,分类体系包括:包含红树林类型在内的多个土地类型;易混淆类型确定模块506,用于基于多个土地类型对应的遥感数据,确定与红树林类型易混淆的目标土地类型;目标波段确定模块508,用于确定红树林类型与目标土地类型对应的目标光谱波段;其中,目标光谱波段为红树林类型与目标土地类型的光谱反射率差值排序靠前的指定个光谱波段;指数构建模块510,用于基于红树林类型与目标土地类型对应的目标光谱波段的反射率,构建红树林植被指数;信息提取模块512,用于基于红树林植被指数和预设的分类方法,提取目标区域内的红树林信息。
本申请实施例提供的红树林信息的提取装置,能够通过红树林类型和易混淆类型的光谱特征,构建红树林植被指数,基于该指数特征提取红树林信息,可以提高红树林信息提取的准确性,提高分类精度。
在一些实施例中,上述易混淆类型确定模块506还用于:基于各个土地类型对应的遥感数据及预设的距离模型,得到红树林类型与其它任意一个土地类型之间的可分离度;将可分离度小于预设阈值的土地类型,作为与红树林类型易混淆的目标土地类型。
在一些实施例中,上述距离模型为J-M距离模型;上述易混淆类型确定模块506还用于:从各个土地类型对应的遥感数据中,获取每个土地类型在多个光谱波段下的光谱反射率;计算每个土地类型在多个光谱波段下的光谱反射率均值;将各个土地类型对应的光谱反射率均值代入J-M距离模型中,计算得到红树林类型与其它任意一个土地类型之间的可分离度。
在一些实施例中,上述目标波段确定模块508还用于,从红树林类型与目标土地类型的遥感数据中,查找红树林类型与目标土地类型在多个光谱波段下的光谱反射率;计算红树林类型与目标土地类型,在每个光谱波段下的光谱反射率的差值;按照各个光谱波段下的光谱反射率的差值,由大到小排序;将排序靠前的指定个光谱反射率的差值对应的光谱波段,确定为红树林类型与目标土地类型对应的目标光谱波段。
在一些实施例中,上述目标光谱波段包括:短波红外2波段、植被红边3波段和短波红外1波段;上述指数构建模块510还用于,计算短波红外2波段和植被红边3波段对应的光谱反射率的加权和;将短波红外2波段和植被红边3波段对应的加权和作为综合反射率;基于综合反射率及短波红外1波段对应的光谱反射率,构建红树林植被指数。
在一些实施例中,上述指数构建模块510还用于,分别计算综合反射率与短波红外1波段对应的光谱反射率的差与和;将综合反射率与短波红外1波段对应的光谱反射率的差,除以综合反射率与短波红外1波段对应的光谱反射率的和,得到红树林植被指数。
在一些实施例中,上述红树林信息的提取装置还包括:预处理模块,用于对目标区域的遥感数据进行预处理;其中,预处理包括以下至少一项:辐射标定、大气校正和几何校正。
在一些实施例中,上述分类方法为面向对象的分类方法;上述信息提取模块512还用于,对预处理后的遥感数据进行多尺度分割,得到多个斑块对象;确定红树林信息提取的特征参数;特征参数包括:光谱特征、几何特征、纹理特征及红树林植被指数;获取各个斑块对象对应的训练样本;基于训练样本和特征参数,提取目标区域内的红树林信息。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
为便于理解,图6示出根据本申请的一些实施例的可以实现本申请思想的电子设备600的示例性硬件和软件组件的示意图。例如,处理器620可以用于电子设备600上,并且用于执行本申请中的功能。
电子设备600可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的红树林信息的提取方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备600可以包括连接到网络的网络端口610、用于执行程序指令的一个或多个处理器620、通信总线630和不同形式的存储介质640,例如,磁盘、ROM或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM或其他类型的非暂时性存储介质或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备600还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口650。
为了便于说明,在电子设备600中仅描述了一个处理器。然而,应当注意,本申请中的电子设备600还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备600的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述任一的红树林信息的提取方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块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通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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网络单元上。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,在本申请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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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(可以是个人计算机,服务器,或者网络设备等)执行本申请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、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
另外,在本申请实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种红树林信息的提取方法,其特征在于,所述方法包括:
获取目标区域的遥感数据;
构建所述目标区域的分类体系;其中,所述分类体系包括:包含红树林类型在内的多个土地类型;
基于多个所述土地类型对应的遥感数据,确定与所述红树林类型易混淆的目标土地类型;
确定所述红树林类型与所述目标土地类型对应的目标光谱波段;其中,所述目标光谱波段为所述红树林类型与所述目标土地类型的光谱反射率差值排序靠前的指定个光谱波段;
基于所述红树林类型与所述目标土地类型对应的目标光谱波段的反射率,构建红树林植被指数;
基于所述红树林植被指数和预设的分类方法,提取所述目标区域内的红树林信息;所述分类方法包括以下之一:像元分类法、专家决策树、人工神经网络、支持向量机和面向对象分类法。
2.根据权利要求1所述的方法,其特征在于,基于多个所述土地类型对应的遥感数据,确定与所述红树林类型易混淆的目标土地类型的步骤,包括:
基于各个所述土地类型对应的遥感数据及预设的距离模型,得到红树林类型与其它任意一个土地类型之间的可分离度;
将所述可分离度小于预设阈值的土地类型,作为与所述红树林类型易混淆的目标土地类型。
3.根据权利要求2所述的方法,其特征在于,所述距离模型为J-M距离模型;
基于各个所述土地类型对应的遥感数据及预设的距离模型,得到红树林类型与其它任意一个土地类型之间的可分离度的步骤,包括:
从各个所述土地类型对应的遥感数据中,获取每个土地类型在多个光谱波段下的光谱反射率;
计算每个土地类型在多个光谱波段下的光谱反射率均值;
将各个所述土地类型对应的光谱反射率均值代入所述J-M距离模型中,计算得到所述红树林类型与其它任意一个土地类型之间的可分离度。
4.根据权利要求1所述的方法,其特征在于,确定所述红树林类型与所述目标土地类型对应的目标光谱波段的步骤,包括:
从所述红树林类型与所述目标土地类型的遥感数据中,查找所述红树林类型与所述目标土地类型在多个光谱波段下的光谱反射率;
计算所述红树林类型与所述目标土地类型,在每个所述光谱波段下的光谱反射率的差值;
按照各个所述光谱波段下的光谱反射率的差值,由大到小排序;
将排序靠前的指定个光谱反射率的差值对应的光谱波段,确定为所述红树林类型与所述目标土地类型对应的目标光谱波段。
5.根据权利要求4所述的方法,其特征在于,所述目标光谱波段包括:短波红外2波段、植被红边3波段和短波红外1波段;
基于所述红树林类型与所述目标土地类型的目标光谱波段对应的光谱反射率,构建红树林植被指数的步骤,包括:
计算所述短波红外2波段和所述植被红边3波段对应的光谱反射率的加权和;
将所述短波红外2波段和所述植被红边3波段对应的加权和作为综合反射率;
基于所述综合反射率及所述短波红外1波段对应的光谱反射率,构建所述红树林植被指数。
6.根据权利要求5所述的方法,其特征在于,基于所述综合反射率及所述短波红外1波段对应的光谱反射率,构建所述红树林植被指数的步骤,包括:
分别计算所述综合反射率与所述短波红外1波段对应的光谱反射率的差与和;
将所述综合反射率与所述短波红外1波段对应的光谱反射率的差,除以所述综合反射率与所述短波红外1波段对应的光谱反射率的和,得到所述红树林植被指数。
7.根据权利要求1所述的方法,其特征在于,在基于多个所述土地类型对应的遥感数据,确定与所述红树林类型易混淆的目标土地类型之前,还包括:
对所述目标区域的遥感数据进行预处理;其中,所述预处理包括以下至少一项:辐射标定、大气校正和几何校正。
8.根据权利要求7所述的方法,其特征在于,所述分类方法为面向对象的分类方法;
基于所述红树林植被指数和预设的分类方法,提取所述目标区域内的红树林信息的步骤,包括:
对所述预处理后的遥感数据进行多尺度分割,得到多个斑块对象;
确定红树林信息提取的特征参数;所述特征参数包括:光谱特征、几何特征、纹理特征及所述红树林植被指数;
获取各个所述斑块对象对应的训练样本;
基于所述训练样本、所述特征参数和所述面向对象的分类方法,提取所述目标区域内的红树林信息。
9.一种红树林信息的提取装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标区域的遥感数据;
体系构建模块,用于构建所述目标区域的分类体系;其中,所述分类体系包括:包含红树林类型在内的多个土地类型;
易混淆类型确定模块,用于基于多个所述土地类型对应的遥感数据,确定与所述红树林类型易混淆的目标土地类型;
目标波段确定模块,用于确定所述红树林类型与所述目标土地类型对应的目标光谱波段;其中,所述目标光谱波段为所述红树林类型与所述目标土地类型的光谱反射率差值排序靠前的指定个光谱波段;
指数构建模块,用于基于所述红树林类型与所述目标土地类型对应的目标光谱波段的反射率,构建红树林植被指数;
信息提取模块,用于基于所述红树林植被指数和预设的分类方法,提取所述目标区域内的红树林信息;所述分类方法包括以下之一:像元分类法、专家决策树、人工神经网络、支持向量机和面向对象分类法。
10.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至8任一所述的红树林信息的提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910067635.6A CN109726705B (zh) | 2019-01-24 | 2019-01-24 | 红树林信息的提取方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910067635.6A CN109726705B (zh) | 2019-01-24 | 2019-01-24 | 红树林信息的提取方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726705A CN109726705A (zh) | 2019-05-07 |
CN109726705B true CN109726705B (zh) | 2020-07-31 |
Family
ID=66299942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910067635.6A Active CN109726705B (zh) | 2019-01-24 | 2019-01-24 | 红树林信息的提取方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726705B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334869A (zh) * | 2019-08-15 | 2019-10-15 | 重庆大学 | 一种基于动态群优化算法的红树林生态健康预测训练方法 |
CN110852300A (zh) * | 2019-11-19 | 2020-02-28 | 中煤航测遥感集团有限公司 | 地物分类的方法、地图的绘制方法、装置及电子设备 |
CN111950530B (zh) * | 2020-09-08 | 2024-04-12 | 中国水利水电科学研究院 | 农作物种植结构提取的多特征优选与融合方法 |
CN113920440A (zh) * | 2021-04-06 | 2022-01-11 | 中国科学院地理科学与资源研究所 | 垃圾填埋场遥感识别方法、装置和计算机设备 |
CN113139511B (zh) * | 2021-05-13 | 2021-12-31 | 珠江水利委员会珠江流域水土保持监测中心站 | 水土保持生产建设项目扰动图斑提取方法、介质和设备 |
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 |
CN117765051B (zh) * | 2024-01-10 | 2024-06-07 | 济宁市市政园林养护中心 | 一种园林绿化养护监测预警系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103528570A (zh) * | 2013-10-23 | 2014-01-22 | 环境保护部卫星环境应用中心 | 广西北海地区互花米草的空间分布获取方法和系统 |
CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
CN105447274A (zh) * | 2015-12-22 | 2016-03-30 | 中国科学院东北地理与农业生态研究所 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
CN106709517A (zh) * | 2016-12-19 | 2017-05-24 | 航天恒星科技有限公司 | 红树林识别方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103778622A (zh) * | 2013-10-29 | 2014-05-07 | 中国科学院东北地理与农业生态研究所 | 一种基于ndvi与lswi相结合的湿地信息提取方法 |
CN106908415B (zh) * | 2017-02-24 | 2019-05-21 | 郑州大学 | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 |
-
2019
- 2019-01-24 CN CN201910067635.6A patent/CN109726705B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103528570A (zh) * | 2013-10-23 | 2014-01-22 | 环境保护部卫星环境应用中心 | 广西北海地区互花米草的空间分布获取方法和系统 |
CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
CN105447274A (zh) * | 2015-12-22 | 2016-03-30 | 中国科学院东北地理与农业生态研究所 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
CN106709517A (zh) * | 2016-12-19 | 2017-05-24 | 航天恒星科技有限公司 | 红树林识别方法及系统 |
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
Non-Patent Citations (6)
Title |
---|
A snow-free vegetation index for improved monitoring of vegetation spring green- up date in deciduous ecosystems;Wang C;《Remote Sensing of Environment》;20171231;全文 * |
Effects of near shore land-use dynamic on coastal erosion in Phuket, Thailand;Suwanprasit C;《Geoscience and Remote Sensing Symposium. IEEE》;20151231;全文 * |
Remote sensing of mangrove wetlands identification;Fei S X;《Procedia Environmental Sciences》;20111231;全文 * |
基于可见光植被指数的面向对象湿地水生植被提取方法;井然;《应用生态学报》;20160531;第27卷(第5期);全文 * |
植被指数研究进展;田庆久;《地球科学进展》;19980831;第13卷(第4期);全文 * |
海岸带盐沼植被指数构建研究;舒敏彦;《中国优秀硕士学位论文全文数据库 基础科学辑》;20180115(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109726705A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
WO2020160641A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using multilayer perceptron | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
CN102829739A (zh) | 一种面向对象的作物叶面积指数遥感反演方法 | |
CN111798327A (zh) | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 | |
CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
CN112364681B (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN115995005B (zh) | 基于单期高分辨率遥感影像的农作物的提取方法和装置 | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
CN116295285A (zh) | 基于区域自适应的浅海水深遥感反演方法 | |
Schindler et al. | Method for national mapping spatial extent of southern beech forest using temporal spectral signatures | |
CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
CN109784320B (zh) | 人参设施农业域确定方法 | |
CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
JP6060377B2 (ja) | 画像クラスタ分析装置 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
GASTELLU-ETCHEGORRY et al. | Computer-assisted land cover mapping with SPOT in Indonesia | |
CN114187507A (zh) | 基于遥感数据的湿地分类方法、装置、设备及存储介质 |
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 |