CN109767409A - 基于遥感影像的滑坡变化检测方法、存储介质和电子设备 - Google Patents

基于遥感影像的滑坡变化检测方法、存储介质和电子设备 Download PDF

Info

Publication number
CN109767409A
CN109767409A CN201811431191.1A CN201811431191A CN109767409A CN 109767409 A CN109767409 A CN 109767409A CN 201811431191 A CN201811431191 A CN 201811431191A CN 109767409 A CN109767409 A CN 109767409A
Authority
CN
China
Prior art keywords
remote sensing
landslide
pixel
sensing image
subregion
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.)
Granted
Application number
CN201811431191.1A
Other languages
English (en)
Other versions
CN109767409B (zh
Inventor
李山山
张洪群
冯旭祥
陈勃
冯钟葵
李安
吴业炜
李宇
陈俊
石璐
韦宏卫
刘璐娇
万广通
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 CN201811431191.1A priority Critical patent/CN109767409B/zh
Publication of CN109767409A publication Critical patent/CN109767409A/zh
Application granted granted Critical
Publication of CN109767409B publication Critical patent/CN109767409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的基于遥感影像的滑坡变化检测方法、存储介质和电子设备,其中的方法包括数据获取步骤;第一时相滑坡分区影像获取步骤;其他时相滑坡分区影像获取步骤和滑坡变化检测结果输出步骤。其中,滑坡分区影像获取过程中,将遥感影像划分为高植被覆盖分区和低植被覆盖分区,并且不同分区单独计算其归一化植被指数进而得到改进指数,因此高植被覆盖分区和低植被覆盖分区中的改进指数是不同的。由于针对不同植被覆盖程度分别得到了改进指数,基于改进指数得到的滑坡变化检测结果也能够适用于不同植被覆盖程度的自然表面。无论是高植被覆盖分区还是低植被覆盖分区均能够得到准确的滑坡变化检测结果。

Description

基于遥感影像的滑坡变化检测方法、存储介质和电子设备
技术领域
本发明涉及遥感技术应用领域,尤其涉及一种基于遥感影像的滑坡变化检测方法、存储介质和电子设备。
背景技术
滑坡作为最常见的自然灾害之一,其危害程度仅次于地震。对滑坡的监测与评估是抢险救灾、防灾减灾工作中不容忽视的一部分,是灾害监测体系内重要的组成部分。滑坡灾害现场地势险要,实地监测难度大。遥感技术具有响应及时、宏观性强、集成性好、周期观测、安全高效、信息量丰富等特点,利用遥感监测手段能快速获得滑坡灾害的动态变化信息,针对滑坡灾害的全过程展开精细的定量化监测。其中,针对利用遥感数据,基于指数的滑坡提取和利用灾前数据的两个时相变化检测是获取滑坡面积的有效途径,通过多次采用滑坡提取或变化检测的方式,实现多时相下滑坡面积的变化监测。
基于指数的滑坡提取是指选择合适的遥感指数和阈值直接从单幅影像数据中提取滑坡体的过程,它的关键在于指数和阈值的选择上,利用灾前数据的双时相变化检测是指基于灾害发生前后的同一地区两幅影像进行变化检测的过程,它的关键在于数据配准、变化检测指标和阈值的选择上。由此可见,指数的选择是当前滑坡变化检测过程中的重要因素。目前常用的指数是像元的归一化植被指数(Normalized Difference VegetationIndex,NDVI),像元是指遥感影像中的部分区域,像元可以使仅有一个像素点也可以包括多个具有相同像素数据的像素点。可是发明人在实现本发明的过程中发现,目前采用灾害前后的NDVI数据进行双时相变化检测仅能够从高植被覆盖区中获得较为准确的滑坡面积。然而,实际应用时,自然表面是由不同比例的植被叶冠和裸土组成的,有相当一部分的自然表面属于低植被覆盖区域甚至是裸地区域,目前对于这类自然表面的滑坡变化检测效果较差、精度较低。
发明内容
本发明旨在提供一种基于遥感影像的滑坡变化检测方法、存储介质和电子设备,以解决现有技术中对于低植被覆盖区域和裸地区域的滑坡变化检测准确度低的技术问题。
为解决上述问题,本发明提供一种基于遥感影像的滑坡变化检测方法,包括:
数据获取步骤:获取监控区域表面的多个遥感影像,不同遥感影像对应于不同时相;
第一时相滑坡分区影像获取步骤:根据当前时相遥感影像中的像素数据将遥感影像划分为高植被覆盖分区和低植被覆盖分区,并获取高植被覆盖分区中每一像元的归一化植被指数和低植被覆盖分区中每一像元的归一化植被指数;根据当前时相遥感影像中的每一像元的归一化植被指数得到每一像元的改进指数,以得到当前时相的改进指数图;根据设定阈值对当前时相的改进指数图进行分割,将改进指数大于所述设定阈值的像元划分至滑坡分区,得到当前时相的滑坡分区影像;
其他时相滑坡分区影像获取步骤:获取第n时相遥感影像与第“n-1”时相遥感影像的相关度;若所述相关度小于或等于相关度阈值,则按照第一时相滑坡分区影像获取步骤的方式获得第n时相的滑坡分区影像,其中2≤n≤N,N为遥感影像的总数;
滑坡变化检测结果输出步骤:将不同时相的滑坡分区影像按照时间先后顺序排列得到的所述监控区域表面的滑坡分布图序列作为滑坡变化检测结果输出。
可选地,上述的基于遥感影像的滑坡变化检测方法中,在所述其他时相滑坡分区影像获取步骤中还包括:
若所述相关度大于相关度阈值,则采用第“n-1”时相遥感影像的滑坡分区影像作为第n时相的滑坡分区影像。
可选地,上述的基于遥感影像的滑坡变化检测方法中,在所述其他时相滑坡分区影像获取步骤中,通过如下方式得到所述相关度与所述相关度阈值的关系:
比对第n时相遥感影像与第“n-1”时相遥感影像,得到两幅遥感影像中相同位置处的像素数据的半方差系数,所有像素的半方差系数组成半方差系数图;
若所述半方差系数图中超过设定数量的像素点的半方差系数均大于给定相关阈值,则判定第n时相遥感影像与第“n-1”时相遥感影像的相关度大于相关度阈值,否则判定第n时相遥感影像与第“n-1”时相遥感影像的相关度小于或等于相关度阈值。
可选地,上述的基于遥感影像的滑坡变化检测方法中,第一时相滑坡分区影像获取步骤中,根据当前时相遥感影像中的像素数据将遥感影像划分为高植被覆盖分区和低植被覆盖分区包括:
获取遥感影像的纹理特征数据,所述纹理特征数据包括纹理的平均亮度数据和纹理图像灰度的分布均匀性数据;
将遥感影像中平均亮度数据大于第一分界值的区域划分至第一高植被覆盖分区,将除第一高植被覆盖分区之外的其他区域定义为第二区域;
将第二区域中分布均匀性数据大于第二分解值的区域划分至第二高植被覆盖分区,将第二区域中除第二高植被覆盖分区之外的其他区域划分至低植被覆盖分区;
将所述第一高植被覆盖分区和所述第二高植被覆盖分区合并为高植被覆盖分区。
可选地,上述的基于遥感影像的滑坡变化检测方法中,获取遥感影像的纹理特征数据,所述纹理特征数据包括纹理的平均亮度数据和纹理图像灰度的分布均匀性数据中,包括:
基于灰度共生矩阵法对遥感影像进行解析,得到遥感影像中每一像素点的灰度均值Mean和角二阶矩值ASM;以所述灰度均值Mean作为所述平均亮度数据,以角二阶矩值ASM作为所述分布均匀性数据,其中:
其中,Pm,θ,d(i,j)为对称矩阵,通过统计遥感影像中大小为m的基准窗口内某一方向角θ上相距为d的两个灰度级i和j同时出现的联合概率分布而获得,其中k为最大灰度级,所述Pm,θ,d(i,j)用于表示以所述基准窗口中心像素点为基准的一定范围内的像素点灰度的空间相关性。
可选地,上述的基于遥感影像的滑坡变化检测方法中,第一时相滑坡分区影像获取步骤中,根据当前时相遥感影像中的每一像元的归一化植被指数得到每一像元的改进指数,以得到当前时相的改进指数图中,包括:
根据高植被覆盖分区中每一像元的归一化植被指数和低植被覆盖分区中每一像元的归一化植被指数,得到高植被覆盖分区中每一像元的裸土纯净值NDVIsg和植被纯净值NDVIvg,以及低植被覆盖分区中每一像元的裸土纯净值NDVIsd和植被纯净值NDVIvd
根据每一像元的裸土纯净值NDVIs和植被纯净值NDVIv得到每一像元的植被覆盖度FVC;其中,当像元位于所述高植被覆盖分区中时:NDVIs=NDVIsg,NDVIv=NDVIvg;当像元位于所述低植被覆盖分区中时:NDVIs=NDVIsd,NDVIv=NDVIvd
根据如下方式获得每一像元的改进指数ε:
其中,εs和εv分别为纯净裸土和纯净植被的改进指数经验值。
可选地,上述的基于遥感影像的滑坡变化检测方法中,根据每一像元的裸土纯净值NDVIs和植被纯净值NDVIv得到每一像元的植被覆盖度FVC中,通过如下方式获得每一像元的植被覆盖度FVC:
可选地,上述的基于遥感影像的滑坡变化检测方法中,根据高植被覆盖分区中每一像元的归一化植被指数和低植被覆盖分区中每一像元的归一化植被指数,得到高植被覆盖分区中每一像元的裸土纯净值NDVIsg和植被纯净值NDVIvg,以及低植被覆盖分区中每一像元的裸土纯净值NDVIsd和植被纯净值NDVIvd中,包括:
获取高植被覆盖分区中每一像元的归一化植被指数的频率直方图,将高植被覆盖分区的频率直方图中第一频率对应的归一化植被指数作为裸土纯净值NDVIsg,第二频率对应的归一化植被指数作为植被纯净值NDVIvg
获取低植被覆盖分区中每一像元的归一化植被指数的频率直方图,将低植被覆盖分区的频率直方图中第一频率对应的归一化植被指数作为裸土纯净值NDVIsd,第二频率对应的归一化植被指数作为植被纯净值NDVIvd
以上,0<第一频率≤1.5%,98.5%≤第二频率<1。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有程序信息,计算机读取所述程序信息后执行以上任一项所述的基于遥感影像的滑坡变化检测方法。
本发明还提供一种电子设备,包括至少一个处理器和至少一个存储器,至少一个所述存储器中存储有程序信息,至少一个所述处理器读取所述程序信息后执行以上任一项所述的基于遥感影像的滑坡变化检测方法。
本发明提供的上述技术方案与现有技术中的方案相比,至少具有如下有益效果:
本发明提供的基于遥感影像的滑坡变化检测方法、存储介质和电子设备,其中的方法包括数据获取步骤;第一时相滑坡分区影像获取步骤,其他时相滑坡分区影像获取步骤和滑坡变化检测结果输出步骤。其中,滑坡分区影像获取中,根据当前时相遥感影像中的像素数据将遥感影像划分为高植被覆盖分区和低植被覆盖分区,并获取高植被覆盖分区中每一像元的归一化植被指数和低植被覆盖分区中每一像元的归一化植被指数;根据当前时相遥感影像中的每一像元的归一化植被指数得到每一像元的改进指数,以得到当前时相的改进指数图;根据设定阈值对当前时相的改进指数图进行分割,将改进指数大于所述设定阈值的像元划分至滑坡分区,得到当前时相的滑坡分区影像。通过上述方案,将每一遥感影像划分为高植被覆盖分区和低植被覆盖分区,并且不同分区单独计算其归一化植被指数进而得到改进指数,因此高植被覆盖分区和低植被覆盖分区中的改进指数是不同的。由于针对不同植被覆盖程度分别得到了改进指数,基于改进指数得到的滑坡变化检测结果也能够适用于不同植被覆盖程度的自然表面。无论是高植被覆盖分区还是低植被覆盖分区均能够得到准确的滑坡变化检测结果。
附图说明
图1为本发明一个实施例所述基于遥感影像的滑坡变化检测方法的流程图;
图2为本发明一个实施例所述基于长时序Landsat遥感影像集的滑坡变化检测过程示意图;
图3为本发明一个实施例所述基于Landsat滑坡变化检测结果的获取方式流程图;
图4为本发明一个实施例所述监控区域划分为高植被覆盖分区和低植被覆盖分区过程的流程图;
图5为本发明一个实施例所述电子设备的硬件结构示意图。
具体实施方式
下面将结合附图进一步说明本发明实施例。在本发明的描述中,需要说明的是,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,可以是两个组件内部的连通。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发明中的具体含义。
实施例1
本实施例提供一种基于遥感影像的滑坡变化检测方法,可应用于滑坡变化检测系统中的控制器中,结合图1和图2所示,其包括如下步骤:
S101:数据获取步骤:获取监控区域表面的多个遥感影像,不同遥感影像对应于不同时相;其中时相优选在夏季时间的多雨时节,七八月份较佳。例如,从2009年-2018年,每年的七月份和八月份均选择一遥感影像。如图2所示,本步骤中的遥感影像可以采用长时序Landsat遥感数据得到,具体可包括:
(1)获取到Landsat遥感数据之后,利用已有的遥感软件将遥感数据的数字量化值转化为地表的辐射亮度值、反射率值、表面温度等具有实际物理意义的物理量。
(2)大气校正:消除大气对地表真实反射率的干扰;可以采用当地的实测数据或者历史经验值得到大气对地表真实反射率,将遥感影像中得到的地表反射率值与大气对地表真实反射率的干扰减去即可得到地表的真实反射率。
(3)影像镶嵌:将分景的遥感影像拼接成覆盖监控区域地表数据的过程;也即保证遥感影像中一定是覆盖了监控区域的全部数据。
(4)影像配准:同一地区不同时相Landsat遥感数据进行严格对准的处理。对于同一地区的滑坡变化检测,最优情况下不同时相是严格对准的,例如所选择的不同时相分别为2009-2018年的每年7月8号,依次作为十个时相,当然由于各种原因,可能导致遥感影像数据会存在较大误差,此时可以摒弃误差较大的数据,选择与理论时相时间接近的误差小的数据。经过发明人实验发现,可以选择不同年份下同一个月内的数据即可。
(5)影像裁剪:从研究区覆盖影像中截取部分影像的操作过程。通过裁剪,可获取到监控区域、去除与工作无关的区域。
对于Landsat遥感数据进行处理得到地表监控影像的方案可采用现有技术中已经成熟的技术实现即可,在本发明实施例中不再详细描述。
S102:第一时相滑坡分区影像获取步骤:根据当前时相遥感影像中的像素数据将遥感影像划分为高植被覆盖分区和低植被覆盖分区,并获取高植被覆盖分区中每一像元的归一化植被指数和低植被覆盖分区中每一像元的归一化植被指数;根据当前时相遥感影像中的每一像元的归一化植被指数得到每一像元的改进指数,以得到当前时相的改进指数图;根据设定阈值对当前时相的改进指数图进行分割,将改进指数大于所述设定阈值的像元划分至滑坡分区,得到当前时相的滑坡分区影像。归一化植被指数是指遥感影像中,近红外波段的反射值与红光波段的反射值之差比上两者之和,是检测植被生长状态、植被覆盖度和消除部分辐射误差等。NDVI能反映出植物冠层的背景影响,如土壤、潮湿地面、雪、枯叶、粗糙度等,且与植被覆盖有关。目前已有多种公开文献中提供了归一化植被覆盖指数的计算方式。而本发明实施例中,其关键点在于根据遥感影像中各个像素点的灰度信息或者其他像素信息,首先将遥感影像中所记录的监控区域的表面划分为高植被覆盖分区和低植被覆盖分区,对于不同分区分别采用现有计算归一化植被覆盖指数,从而使得同一监控区域中不同植被覆盖程度的表面得到的归一化植被覆盖指数也有所区别,而归一化植被覆盖指数作为后续计算改进指数的基础,能够保证不同植被覆盖程度的表面计算得到的改进指数有所区分。由此可以实现对于高植被覆盖分区和低植被覆盖分区都能够得到准确的改进指数,从而保证对于不同植被覆盖程度的表面进行滑坡变化检测的结果更加准确。
S103:其他时相滑坡分区影像获取步骤:获取第n时相遥感影像与第“n-1”时相遥感影像的相关度;若所述相关度小于或等于相关度阈值,则按照第一时相滑坡分区影像获取步骤的方式获得第n时相的滑坡分区影像,其中2≤n≤N,N为遥感影像的总数。本步骤中,结合图2所示,当相邻两遥感影像的相关度小时,则需要重新计算新一时相的遥感影像所对应的改进指数图。而如果若所述相关度大于相关度阈值,则采用第“n-1”时相遥感影像的滑坡分区影像作为第n时相的滑坡分区影像,这种情况下,说明相邻两遥感影像的相似度很高,可以采用前一时相的遥感影像结果作为当前影像的遥感影像结果,因此不需要在重复计算改进指数图,能够从一定程度上减少数据处理量,提高效果。
S104:滑坡变化检测结果输出步骤:将不同时相的滑坡分区影像按照时间先后顺序排列得到的所述监控区域表面的滑坡分布图序列作为滑坡变化检测结果输出。通过将滑坡分区影像按照时间先后顺序进行排列,可以直观地得到监控区域发生滑坡后的变化。
本实施例中的上述方案,将每一遥感影像划分为高植被覆盖分区和低植被覆盖分区,并且不同分区单独计算其归一化植被指数进而得到改进指数,因此高植被覆盖分区和低植被覆盖分区中的改进指数是不同的。由于针对不同植被覆盖程度分别得到了改进指数,基于改进指数得到的滑坡变化检测结果也能够适用于不同植被覆盖程度的自然表面。无论是高植被覆盖分区还是低植被覆盖分区均能够得到准确的滑坡变化检测结果。因此,通过利用Landsat影像较好的解决了稀疏植被区和高植被区共存的复杂灾区环境下的滑坡提取,提高了提取结果的精度;不仅能保持NDVI在高植被覆盖区分离滑坡的能力,还能增强低植被覆盖区域和裸地区域的滑坡分离能力,使滑坡分离在低植被覆盖区也能取得较好的效果。
以上方案中,图3给出了遥感时间序列变化检测的方法流程。如图3所示,在获得改良指数图序列的基础上,该方法首先针对第一时相,进行基于改良指数的滑坡提取,获得第一时相的滑坡分布图。对于第一时相的选择,优选为滑坡发生后采集到的首个可用的时相,一般落在滑坡灾后一年内。此时的滑坡具有鲜明的图像特征,与背景的反差较为明显,适合采用基于改良指数的滑坡提取方法。接着,将进入一个循环迭代过程。假如存在N个时相,那么迭代将从第二个时相开始直到第N个时相为止,一共进行N-1次循环。在每次循环迭代中进行一次相邻时相的比较,利用前一时相和当前时相的遥感影像的相关度,计算相关系数图,当相关系数高于给定阈值时,说明相邻两遥感影像的数据非常相似,则可以进行基于相似性度量的预估保留过程,以监测处于恢复状态的滑坡。当相关系数低于或等于给定阈值时,再进行基于改良指数的滑坡提取过程,以发现并监测恢复阶段出现的新滑坡。综合两个过程所得的结果后便获得第n时相的滑坡分布图,并进入下一轮迭代。循环迭代结束后,将各时相的滑坡分布图,按照时间先后顺序组合起来,构成滑坡分布图序列,作为输出结果。
本方案中,比对第n时相遥感影像与第“n-1”时相遥感影像,得到两幅遥感影像中相同位置处的像素数据的半方差系数,所有像素的半方差系数组成半方差系数图;若所述半方差系数图中超过设定数量的像素点的半方差系数均大于给定相关阈值,则判定第n时相遥感影像与第“n-1”时相遥感影像的相关度大于相关度阈值,否则判定第n时相遥感影像与第“n-1”时相遥感影像的相关度小于或等于相关度阈值。对于半方差系数的计算方式可以参考现有技术中的文献。除了半方差系数,也可以直接采用像素灰度值比对结果作为相关度的考量,例如两遥感影像中同一位置处的像素点灰度值相差过大,可以认为这个像素点不同,而整个遥感影像中像素点不同的个数超过总数的50%认定两遥感影像不相关等。也可以其他图像相似度比判方法实现,根据经验值或者专家意见选择相应的阈值即可。以上方案中,针对多个时相的遥感影像能顾及时空相关性,设计了遥感时间序列变化检测方法,提出了基于相似性度量的预估保留方法,强化了变化检测过程中时空相关性的作用,有效解决了滑坡监测过程中时空相关性顾及程度不足的难题。
实施例2
本实施例提供的基于遥感影像的滑坡变化检测方法,在实施例1的方案基础上,其中的步骤S102中根据当前时相遥感影像中的像素数据将遥感影像划分为高植被覆盖分区和低植被覆盖分区包括:
S201:获取遥感影像的纹理特征数据,所述纹理特征数据包括纹理的平均亮度数据和纹理图像灰度的分布均匀性数据。其中:基于灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)的纹理特征分析是常用的纹理特征分析方法。它基于灰度共生矩阵的统计分析,获得相应的纹理描述子,以有效表达纹理特征。灰度共生矩阵是通过统计图像上一定大小m的基准窗口内某一方向θ上相距为d的两个灰度级i和j同时出现的联合概率分布而获得的对称矩阵Pm,θ,d(i,j),能表现基准窗口中心点附k个像素点像素灰度的空间相关性。本实施例用到均值Mean和角二阶矩值ASM(Angular Second Moment),其计算公式如下:
在以上公式中,k为最大灰度级,Mean值主要反映局部区域纹理的平均亮度信息,灰度平均值越大,其值越大,反之越小。ASM值是图像灰度分布均匀性的度量,局部区域内图像灰度分布越均匀,其值越大,反之越小。
S202:将遥感影像中平均亮度数据大于第一分界值的区域划分至第一高植被覆盖分区,将除第一高植被覆盖分区之外的其他区域定义为第二区域;
S203:将第二区域中分布均匀性数据大于第二分解值的区域划分至第二高植被覆盖分区,将第二区域中除第二高植被覆盖分区之外的其他区域划分至低植被覆盖分区;
S204:将所述第一高植被覆盖分区和所述第二高植被覆盖分区合并为高植被覆盖分区。
如图4所示,基于遥感影像计算Mean纹理描述子,设定一个Mean阈值作为第一分界值(可根据经验值或者专家意见设定),将Mean用于分离滑坡分布较少的高植被覆盖区;然后在其他区域利用近红外数据计算ASM纹理描述子,设定1个或1个以上ASM阈值(作为第二分界值,所述第二分解值可以由多个不同的值组成,依据地形的复杂程度决定数量),将ASM用于分离滑坡分布较多的高植被覆盖区和低植被覆盖区,其中低植被覆盖区视土壤复杂度情况可能存在多个;然后,将滑坡分布较少和滑坡分布较多的高植被覆盖区合并成1个高植被覆盖分区。最终,纹理特征分析将地物要素较复杂的研究区划分为一个以植被为主导因子的高植被覆盖分区和1个或1个以上以土壤为主导因子的低植被覆盖分区。之后的统计NDVI纯净值、计算植被覆盖度和计算改良指数的操作均在每个局部分区上进行。
进一步地,步骤S102中根据当前时相遥感影像中的每一像元的归一化植被指数得到每一像元的改进指数,以得到当前时相的改进指数图中,包括:
S205:根据高植被覆盖分区中每一像元的归一化植被指数和低植被覆盖分区中每一像元的归一化植被指数,得到高植被覆盖分区中每一像元的裸土纯净值NDVIsg和植被纯净值NDVIvg,以及低植被覆盖分区中每一像元的裸土纯净值NDVIsd和植被纯净值NDVIvd。自然表面被看作是由不同比例的植被叶冠和裸土组成的混合像元,在计算像元的植被覆盖度FVC前,首先需要给定裸土纯净值NDVIs和植被纯净值NDVIv。这两个参数的确定具有重要意义,将直接影响FVC的计算结果。在实际应用中因缺少大面积地表实测数据作为参考,很难从影像上获取到纯净像元值,所以通常结合NDVI统计直方图和给定置信区间进行取值,例如,可以采用如下方式得到:
获取高植被覆盖分区中每一像元的归一化植被指数的频率直方图,将高植被覆盖分区的频率直方图中第一频率对应的归一化植被指数作为裸土纯净值NDVIsg,第二频率对应的归一化植被指数作为植被纯净值NDVIvg;获取低植被覆盖分区中每一像元的归一化植被指数的频率直方图,将低植被覆盖分区的频率直方图中第一频率对应的归一化植被指数作为裸土纯净值NDVIsd,第二频率对应的归一化植被指数作为植被纯净值NDVIvd;以上,0<第一频率≤1.5%,98.5%≤第二频率<1,其中第一频率优选为1%,第二频率优选为99%。
S206:根据每一像元的裸土纯净值NDVIs和植被纯净值NDVIv得到每一像元的植被覆盖度FVC;其中,当像元位于所述高植被覆盖分区中时:NDVIs=NDVIsg,NDVIv=NDVIvg;当像元位于所述低植被覆盖分区中时:NDVIs=NDVIsd,NDVIv=NDVIvd;植被覆盖度FVC是反映混合像元中植被成分含量的重要参量。纯净裸土像元FVC=0,表示不含植被成分,纯净植被像元FVC=1,表示完全的植被成分,不含其它杂质。实际上,纯净像元是理想化模型,在实际应用中,只要NDVI≤NDVIs的像元均被视为纯净裸土,NDVI≥NDVIv的像元均被视为纯净植被。根据像元二分模型的原理,FVC与NDVI之间的关系可通过如下公式体现:
从公式可以看出,FVC是基于NDVIs和NDVIv这两个参数所做的分段线性拉伸,两者的反差越小,其拉伸程度越大,反之越小,其作用是将大气、土壤与植被等因素的影响降至最低。
S207:根据如下方式获得每一像元的改进指数ε:
其中,εs和εv分别为纯净裸土和纯净植被的改进指数经验值,此处选取经验值εs=0.97215、εv=0.986。改进指数能有效降低土壤、季相等因素对NDVI图像的影响,并增强裸地信息,有利于构建时空一致性较好的时间序列数据集并提高滑坡识别的精度,将其作为滑坡变化指标,将有助于提高滑坡变化监测的有效性和准确性。
本实施例中的上述方案,以改进指数作为滑坡提取的指标,对经过辐射、几何和大气校正等处理后的中等分辨率Landsat遥感卫星数据计算改良指数,后选择合适的阈值进行阈值分割,获得滑坡提取结果,较好的解决了稀疏植被区和高植被区共存的复杂灾区环境下的滑坡提取,提高了提取结果的精度;不仅能保持NDVI在高植被覆盖区分离滑坡的能力,还能增强低植被覆盖区域和裸地区域的滑坡分离能力,使滑坡分离在低植被覆盖区也能取得较好的效果。
实施例3
本实施例提供一种计算机可读存储介质,所述存储介质中存储有供计算机读取的程序指令,所述计算机读取所述程序指令后执行实施例1或2中任意方案所述的基于遥感影像的滑坡变化检测方法。
实施例4
本实施例提供一种电子设备,如图5所示,包括至少一个处理器301和至少一个存储器302,至少一个所述存储器302中存储有程序指令,至少一个所述处理器301读取所述程序指令后可执行以上任一所述的基于遥感影像的滑坡变化检测方法。上述装置还可以包括:输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接。上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于遥感影像的滑坡变化检测方法,其特征在于,包括:
数据获取步骤:获取监控区域表面的多个遥感影像,不同遥感影像对应于不同时相;
第一时相滑坡分区影像获取步骤:根据当前时相遥感影像中的像素数据将遥感影像划分为高植被覆盖分区和低植被覆盖分区,并获取高植被覆盖分区中每一像元的归一化植被指数和低植被覆盖分区中每一像元的归一化植被指数;根据当前时相遥感影像中的每一像元的归一化植被指数得到每一像元的改进指数,以得到当前时相的改进指数图;根据设定阈值对当前时相的改进指数图进行分割,将改进指数大于所述设定阈值的像元划分至滑坡分区,得到当前时相的滑坡分区影像;
其他时相滑坡分区影像获取步骤:获取第n时相遥感影像与第“n-1”时相遥感影像的相关度;若所述相关度小于或等于相关度阈值,则按照第一时相滑坡分区影像获取步骤的方式获得第n时相的滑坡分区影像,其中2≤n≤N,N为遥感影像的总数;
滑坡变化检测结果输出步骤:将不同时相的滑坡分区影像按照时间先后顺序排列得到的所述监控区域表面的滑坡分布图序列作为滑坡变化检测结果输出。
2.根据权利要求1所述的基于遥感影像的滑坡变化检测方法,其特征在于,在所述其他时相滑坡分区影像获取步骤中还包括:
若所述相关度大于相关度阈值,则采用第“n-1”时相遥感影像的滑坡分区影像作为第n时相的滑坡分区影像。
3.根据权利要求2所述的基于遥感影像的滑坡变化检测方法,其特征在于,在所述其他时相滑坡分区影像获取步骤中,通过如下方式得到所述相关度与所述相关度阈值的关系:
比对第n时相遥感影像与第“n-1”时相遥感影像,得到两幅遥感影像中相同位置处像素点的像素数据的半方差系数,所有像素点的半方差系数组成半方差系数图;
若所述半方差系数图中超过设定数量的像素点的半方差系数均大于给定相关阈值,则判定第n时相遥感影像与第“n-1”时相遥感影像的相关度大于相关度阈值,否则判定第n时相遥感影像与第“n-1”时相遥感影像的相关度小于或等于相关度阈值。
4.根据权利要求1所述的基于遥感影像的滑坡变化检测方法,其特征在于,第一时相滑坡分区影像获取步骤中,根据当前时相遥感影像中的像素数据将遥感影像划分为高植被覆盖分区和低植被覆盖分区包括:
获取遥感影像的纹理特征数据,所述纹理特征数据包括纹理的平均亮度数据和纹理图像灰度的分布均匀性数据;
将遥感影像中平均亮度数据大于第一分界值的区域划分至第一高植被覆盖分区,将除第一高植被覆盖分区之外的其他区域定义为第二区域;
将第二区域中分布均匀性数据大于第二分解值的区域划分至第二高植被覆盖分区,将第二区域中除第二高植被覆盖分区之外的其他区域划分至低植被覆盖分区;
将所述第一高植被覆盖分区和所述第二高植被覆盖分区合并为高植被覆盖分区。
5.根据权利要求4所述的基于遥感影像的滑坡变化检测方法,其特征在于,获取遥感影像的纹理特征数据,所述纹理特征数据包括纹理的平均亮度数据和纹理图像灰度的分布均匀性数据中,包括:
基于灰度共生矩阵法对遥感影像进行解析,得到遥感影像中每一像素点的灰度均值Mean和角二阶矩值ASM;以所述灰度均值Mean作为所述平均亮度数据,以角二阶矩值ASM作为所述分布均匀性数据,其中:
其中,Pm,θ,d(i,j)为对称矩阵,通过统计遥感影像中大小为m的基准窗口内某一方向角θ上相距为d的两个灰度级i和j同时出现的联合概率分布而获得,其中k为最大灰度级,所述Pm,θ,d(i,j)用于表示以所述基准窗口中心像素点为基准的一定范围内的像素点灰度的空间相关性。
6.根据权利要求1-5任一项所述的基于遥感影像的滑坡变化检测方法,其特征在于,第一时相滑坡分区影像获取步骤中,根据当前时相遥感影像中的每一像元的归一化植被指数得到每一像元的改进指数,以得到当前时相的改进指数图中,包括:
根据高植被覆盖分区中每一像元的归一化植被指数和低植被覆盖分区中每一像元的归一化植被指数,得到高植被覆盖分区中每一像元的裸土纯净值NDVIsg和植被纯净值NDVIvg,以及低植被覆盖分区中每一像元的裸土纯净值NDVIsd和植被纯净值NDVIvd
根据每一像元的裸土纯净值NDVIs和植被纯净值NDVIv得到每一像元的植被覆盖度FVC;其中,当像元位于所述高植被覆盖分区中时:NDVIs=NDVIsg,NDVIv=NDVIvg;当像元位于所述低植被覆盖分区中时:NDVIs=NDVIsd,NDVIv=NDVIvd
根据如下方式获得每一像元的改进指数ε:
其中,εs和εv分别为纯净裸土和纯净植被的改进指数经验值。
7.根据权利要求6所述的基于遥感影像的滑坡变化检测方法,其特征在于,根据每一像元的裸土纯净值NDVIs和植被纯净值NDVIv得到每一像元的植被覆盖度FVC中,通过如下方式获得每一像元的植被覆盖度FVC:
8.根据权利要求7所述的基于遥感影像的滑坡变化检测方法,其特征在于,根据高植被覆盖分区中每一像元的归一化植被指数和低植被覆盖分区中每一像元的归一化植被指数,得到高植被覆盖分区中每一像元的裸土纯净值NDVIsg和植被纯净值NDVIvg,以及低植被覆盖分区中每一像元的裸土纯净值NDVIsd和植被纯净值NDVIvd中,包括:
获取高植被覆盖分区中每一像元的归一化植被指数的频率直方图,将高植被覆盖分区的频率直方图中第一频率对应的归一化植被指数作为裸土纯净值NDVIsg,第二频率对应的归一化植被指数作为植被纯净值NDVIvg
获取低植被覆盖分区中每一像元的归一化植被指数的频率直方图,将低植被覆盖分区的频率直方图中第一频率对应的归一化植被指数作为裸土纯净值NDUIsd,第二频率对应的归一化植被指数作为植被纯净值NDVIvd
以上,0<第一频率≤1.5%,98.5%≤第二频率<1。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序信息,计算机读取所述程序信息后执行权利要求1-8任一项所述的基于遥感影像的滑坡变化检测方法。
10.一种电子设备,其特征在于,包括至少一个处理器和至少一个存储器,至少一个所述存储器中存储有程序信息,至少一个所述处理器读取所述程序信息后执行权利要求1-8任一项所述的基于遥感影像的滑坡变化检测方法。
CN201811431191.1A 2018-11-28 2018-11-28 基于遥感影像的滑坡变化检测方法、存储介质和电子设备 Active CN109767409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811431191.1A CN109767409B (zh) 2018-11-28 2018-11-28 基于遥感影像的滑坡变化检测方法、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811431191.1A CN109767409B (zh) 2018-11-28 2018-11-28 基于遥感影像的滑坡变化检测方法、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN109767409A true CN109767409A (zh) 2019-05-17
CN109767409B CN109767409B (zh) 2021-04-09

Family

ID=66450168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811431191.1A Active CN109767409B (zh) 2018-11-28 2018-11-28 基于遥感影像的滑坡变化检测方法、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN109767409B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427841A (zh) * 2019-07-18 2019-11-08 中国科学院遥感与数字地球研究所 基于遥感信息的常绿林地识别方法及系统
CN111626269A (zh) * 2020-07-07 2020-09-04 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
CN113205006A (zh) * 2021-04-12 2021-08-03 武汉大学 一种基于水稻指数的多时相遥感影像水稻提取方法
CN113591033A (zh) * 2021-05-28 2021-11-02 河海大学 基于联合概率分布的干旱区地下水生态埋深分析方法
CN113780175A (zh) * 2021-09-10 2021-12-10 福州大学 高植被覆盖区台风暴雨型滑坡的遥感识别方法
CN115272874A (zh) * 2022-09-28 2022-11-01 中国科学院、水利部成都山地灾害与环境研究所 基于遥感影像的泥石流灾害识别及频率计算方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法
CN106777585A (zh) * 2016-12-01 2017-05-31 桂林理工大学 一种区域浅表滑坡时空分异规律的esda分析法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法
CN106777585A (zh) * 2016-12-01 2017-05-31 桂林理工大学 一种区域浅表滑坡时空分异规律的esda分析法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ALESSANDRO C.MONDINI: ""Measures of Spatial Autocorrelation Changes in Multitemporal SAR Image for Event Landslides Detection"", 《REMOTE SENSING》 *
杨明生等: ""结合纹理特征分析与比辐射率估计的震后滑坡提取"", 《遥感学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427841B (zh) * 2019-07-18 2021-09-21 中国科学院遥感与数字地球研究所 基于遥感信息的常绿林地识别方法及系统
CN110427841A (zh) * 2019-07-18 2019-11-08 中国科学院遥感与数字地球研究所 基于遥感信息的常绿林地识别方法及系统
US20220012460A1 (en) * 2020-07-07 2022-01-13 Aerospace Information Research Institute, Chinese Academy Of Sciences Practical method for landslide detection in large space
CN111626269A (zh) * 2020-07-07 2020-09-04 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
US11574464B2 (en) * 2020-07-07 2023-02-07 Aerospace Information Research Institute, Chinese Academy Of Sciences Practical method for landslide detection in large space
CN111626269B (zh) * 2020-07-07 2021-08-27 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
CN113205006B (zh) * 2021-04-12 2022-07-19 武汉大学 一种基于水稻指数的多时相遥感影像水稻提取方法
CN113205006A (zh) * 2021-04-12 2021-08-03 武汉大学 一种基于水稻指数的多时相遥感影像水稻提取方法
CN113591033B (zh) * 2021-05-28 2022-03-25 河海大学 基于联合概率分布的干旱区地下水生态埋深分析方法
CN113591033A (zh) * 2021-05-28 2021-11-02 河海大学 基于联合概率分布的干旱区地下水生态埋深分析方法
CN113780175A (zh) * 2021-09-10 2021-12-10 福州大学 高植被覆盖区台风暴雨型滑坡的遥感识别方法
CN113780175B (zh) * 2021-09-10 2023-08-15 福州大学 高植被覆盖区台风暴雨型滑坡的遥感识别方法
CN115272874A (zh) * 2022-09-28 2022-11-01 中国科学院、水利部成都山地灾害与环境研究所 基于遥感影像的泥石流灾害识别及频率计算方法
CN115272874B (zh) * 2022-09-28 2022-12-09 中国科学院、水利部成都山地灾害与环境研究所 基于遥感影像的泥石流灾害识别及频率计算方法

Also Published As

Publication number Publication date
CN109767409B (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN109767409A (zh) 基于遥感影像的滑坡变化检测方法、存储介质和电子设备
Li et al. Mapping annual urban dynamics (1985–2015) using time series of Landsat data
Zhu et al. Including land cover change in analysis of greenness trends using all available Landsat 5, 7, and 8 images: A case study from Guangzhou, China (2000–2014)
Szantoi et al. Analyzing fine-scale wetland composition using high resolution imagery and texture features
Brooks et al. On-the-fly massively multitemporal change detection using statistical quality control charts and Landsat data
Culvenor TIDA: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery
CN103971115B (zh) 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法
CN101937079B (zh) 基于区域相似度的遥感影像变化检测方法
Chen et al. An iterative haze optimized transformation for automatic cloud/haze detection of Landsat imagery
Lin et al. Radiometric normalization and cloud detection of optical satellite images using invariant pixels
Lv et al. Object-oriented key point vector distance for binary land cover change detection using VHR remote sensing images
CN106650812B (zh) 一种卫星遥感影像的城市水体提取方法
Rich et al. Detecting wind disturbance severity and canopy heterogeneity in boreal forest by coupling high-spatial resolution satellite imagery and field data
CN110472525A (zh) 一种时间序列遥感植被指数的噪声检测方法
Xiao et al. Segmentation of multispectral high-resolution satellite imagery using log Gabor filters
Su et al. Analysis of wavelet packet and statistical textures for object-oriented classification of forest-agriculture ecotones using SPOT 5 imagery
CN109360184A (zh) 结合阴影补偿与决策融合的遥感影像变化检测方法
Lam Methodologies for mapping land cover/land use and its change
Zhang et al. Deriving stand age distribution in boreal forests using SPOT VEGETATION and NOAA AVHRR imagery
Yang et al. Spatial-temporal dynamic monitoring of vegetation recovery after the Wenchuan earthquake
Thessler et al. Using k-nn and discriminant analyses to classify rain forest types in a Landsat TM image over northern Costa Rica
Sun et al. Tracking annual changes in the distribution and composition of saltmarsh vegetation on the Jiangsu coast of China using Landsat time series–based phenological parameters
Bin et al. Parcel-based change detection in land-use maps by adopting the holistic feature
An et al. Object-oriented urban dynamic monitoring—A case study of Haidian district of Beijing
Zhu et al. Reducing mis-registration and shadow effects on change detection in wetlands

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: No. 9 Dengzhuang South Road, Haidian District, Beijing 100094

Applicant after: Research Institute of aerospace information innovation, Chinese Academy of Sciences

Address before: No. 9 Dengzhuang South Road, Haidian District, Beijing 100094

Applicant before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences

GR01 Patent grant
GR01 Patent grant