CN110263764A - 基于遥感影像数据的土地利用监测方法和装置 - Google Patents
基于遥感影像数据的土地利用监测方法和装置 Download PDFInfo
- Publication number
- CN110263764A CN110263764A CN201910616291.XA CN201910616291A CN110263764A CN 110263764 A CN110263764 A CN 110263764A CN 201910616291 A CN201910616291 A CN 201910616291A CN 110263764 A CN110263764 A CN 110263764A
- Authority
- CN
- China
- Prior art keywords
- land use
- land
- remote sensing
- change
- landsat
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种基于Landsat影像的土地利用分类与动态变化监测方法和装置,其中,所述方法包括:对Landsat遥感影像数据进行预处理,获得目标监测区域内的土地利用信息;根据所述Landsat遥感影像数据中显示的影像特征差异构建遥感解译标志;根据所述遥感解译标志对不同土地利用类型进行分类,获得分类后不同土地利用类型的地物类型变化信息,对所述地物类型变化信息进行分析获得目标监测分析结果。采用本发明所述的方法,能够通过构建遥感解译标志对不同土地利用类型进行分类,进而分析不同土地利用类型的动态变化情况,有效提高了针对土地利用情况进行解译的效率和精确度,便于操作和实施,提升了用户的使用体验。
Description
技术领域
本发明实施例涉及土地遥感监测领域,具体涉及一种基于Landsat影像的土地利用分类与动态变化监测方法和装置,另外,还涉及一种电子设备和计算机存储介质。
背景技术
随着经济社会的不断发展,城市规模不断扩张,人口不断增多,土地利用结构已经产生了明显的变化,城市土地覆被也随之发生巨大改变。目前,各个地区土地资源形势面临严峻的问题,例如:土地资源分布不均匀、水资源与土地资源分布不平衡等。因此,如何加强对土地利用的监测和分析,有效进行管理,成为本领域改变土地资源严峻形势的迫切需要。
随着科学技术水平的不断提高,遥感技术也在不断地进步与完善,已经由传统的以数据为主,即主要以遥感数据为主导的数据阶段发展到以应用为主的应用阶段。利用遥感技术实现提高对土地利用情况的监测和分析已成为本领域解决上述问题急需突破的关键。然而,现有技术中利用遥感技术实现的针对土地利用变化情况的监测过程通常效率低下,监测精度不高,导致无法满足当前经济社会快速发展的需要。
发明内容
为此,本发明实施例提供一种基于Landsat影像的土地利用分类与动态变化监测方法,以解决现有技术存在的针对土地利用情况遥感监测效率低下,操作过程繁琐,精确度较低,导致用户使用体验较差的问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例提供的一种基于Landsat影像的土地利用分类与动态变化监测方法,包括:获得针对目标监测区域的Landsat遥感影像数据,对所述Landsat遥感影像数据进行预处理,获得所述目标监测区域内的土地利用信息;通过识别所述Landsat遥感影像数据中针对所述目标监测区域内不同部分显示的影像特征差异,从所述Landsat遥感影像数据中区分出所述目标监测区域包含的土地利用类型,并针对所述土地利用类型分别构建不同的遥感解译标志;根据所述遥感解译标志,利用预设的目标分类算法对所述Landsat遥感影像数据中针对所述目标监测区域包含的所述土地利用类型进行分类处理,获得针对不同所述土地利用类型的类别集合;利用预设的ENVI遥感图像处理系统对所述Landsat遥感影像数据中针对不同所述土地利用类型的所述类别集合的土地利用覆被变化情况进行分析,确定所述Landsat遥感影像数据中针对所述目标监测区域内不同所述类别集合显示出的地物类型变化信息;其中,所述地物类型变化信息包括土地利用覆被比例变化信息、土地利用覆被幅度变化信息、土地利用覆被类型变化信息以及土地利用覆被动态变化信息;根据所述地物类型变化信息对所述目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果。
进一步的,所述根据所述地物类型变化信息对所述目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果,具体包括:
通过将所述目标监测区域内不同土地利用类型在预定时间段内的面积变化幅度进行比对,获得所述目标监测区域内的不同土地利用类型的面积幅度变化情况,根据所述面积幅度变化情况获得第一监测分析结果;和
基于土地利用转移矩阵对所述目标监测区域内土地利用类型在预设时间段内转换数据进行分析,获得用于表示所述目标监测区域预设时间段内所述土地利用类型变化情况的转移矩阵,根据所述转移矩阵获得第二监测分析结果;和
获得针对土地利用覆被动态变化情况的土地利用覆被动态度变化信息,根据所述土地利用覆被动态度变化信息获得第三监测分析结果;和
通过所述目标分类算法计算不同土地利用类型在预设时间段内的面积以及所占比例变化情况,根据面积以及所占比例变化情况获得第四监测分析结果;
对所述获得第一监测分析结果、所述获得第二监测分析结果、获得第三监测分析结果以及获得第四监测分析结果进行统计分析,获得所述目标监测分析结果。
进一步的,所述预处理包括:辐射矫正处理、几何矫正处理、影像配准处理、图像融合处理以及影像剪辑处理。
进一步的,所述利用预设的目标分类算法对所述目标监测区域中包含的所述土地利用类型进行分类处理,获得针对不同所述土地利用类型的类别集合,具体包括:
利用所述目标分类算法针对所述Landsat遥感影像数据中所述目标监测区域的亮度值或像元值的高低差异进行分类处理,获得针对所述目标监测区域中不同所述土地利用类型的类别集合。
进一步的,所述的基于Landsat影像的土地利用分类与动态变化监测方法,还包括:在获得针对不同所述土地利用类型的类别集合后,基于预设的参数对所述类别集合进行过滤处理。
进一步的,所述目标分类算法为监督分类算法中的最大似然分类算法。
相应的,本发明还提供一种基于Landsat影像的土地利用分类与动态变化监测装置,包括:土地利用信息获得单元,用于获得针对目标监测区域的Landsat遥感影像数据,对所述Landsat遥感影像数据进行预处理,获得所述目标监测区域内的土地利用信息;遥感解译标志构建单元,用于通过识别所述Landsat遥感影像数据中针对所述目标监测区域内不同部分显示的影像特征差异,从所述Landsat遥感影像数据中区分出所述目标监测区域包含的土地利用类型,并针对所述土地利用类型分别构建不同的遥感解译标志;分类单元,用于根据所述遥感解译标志,利用预设的目标分类算法对所述Landsat遥感影像数据中针对所述目标监测区域包含的所述土地利用类型进行分类处理,获得针对不同所述土地利用类型的类别集合;地物类型变化信息确定单元,用于利用预设的ENVI遥感图像处理系统对所述Landsat遥感影像数据中针对不同所述土地利用类型的所述类别集合的土地利用覆被变化情况进行分析,确定所述Landsat遥感影像数据中针对所述目标监测区域内不同所述类别集合显示出的地物类型变化信息;其中,所述地物类型变化信息包括土地利用覆被比例变化信息、土地利用覆被幅度变化信息、土地利用覆被类型变化信息以及土地利用覆被动态变化信息;检测分析结果获得单元,用于根据所述地物类型变化信息对所述目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果。
进一步的,所述检测分析结果获得单元具体用于:通过将所述目标监测区域内不同土地利用类型在预定时间段内的面积变化幅度进行比对,获得所述目标监测区域内的不同土地利用类型的面积幅度变化情况,根据所述面积幅度变化情况获得第一监测分析结果;和基于土地利用转移矩阵对所述目标监测区域内土地利用类型在预设时间段内转换数据进行分析,获得用于表示所述目标监测区域预设时间段内所述土地利用类型变化情况的转移矩阵,根据所述转移矩阵获得第二监测分析结果;和获得针对土地利用覆被动态变化情况的土地利用覆被动态度变化信息,根据所述土地利用覆被动态度变化信息获得第三监测分析结果;和通过所述目标分类算法计算不同土地利用类型在预设时间段内的面积以及所占比例变化情况,根据面积以及所占比例变化情况获得第四监测分析结果;对所述获得第一监测分析结果、所述获得第二监测分析结果、获得第三监测分析结果以及获得第四监测分析结果进行统计分析,获得所述目标监测分析结果。
相应的,本发明实施例还提供一种电子设备,包括:处理器和存储器;其中,所述存储器,用于存储基于Landsat影像的土地利用分类与动态变化监测方法的程序,该设备通电并通过所述处理器运行该基于Landsat影像的土地利用分类与动态变化监测方法的程序后,执行上述任意一项所述的基于Landsat影像的土地利用分类与动态变化监测方法。
相应的,本发明实施例还提供一种计算机存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被服务器执行如上任意一项所述的基于Landsat影像的土地利用分类与动态变化监测方法。
采用本发明所述的基于Landsat影像的土地利用分类与动态变化监测方法,能够通过构建遥感解译标志对不同土地利用类型进行分类,进而分析不同利用类型的动态变化情况确定监测结果,有效提高了针对土地利用情况进行解译的效率和精确度,便于操作和实施,提升了用户的使用体验。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引申获得其它的实施附图。
图1为本发明实施例提供的一种基于Landsat影像的土地利用分类与动态变化监测方法的流程图;
图2为本发明实施例提供的一种基于Landsat影像的土地利用分类与动态变化监测装置的示意图;
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
下面基于本发明所述的基于Landsat影像的土地利用分类与动态变化监测方法,对其实施例进行详细描述。如图1所示,其为本发明实施例提供的一种基于Landsat影像的土地利用分类与动态变化监测方法的流程图,具体实现过程包括以下步骤:
步骤S101:获得针对目标监测区域的Landsat遥感影像数据,对所述Landsat遥感影像数据进行预处理,获得所述目标监测区域内的土地利用信息。
在本发明实施例中,所述的预处理包括:辐射矫正处理、几何矫正处理、影像配准处理、图像融合处理以及影像剪辑处理。
具体的,几何校正是利用目标监测区域内地区特征点和几何校正数学模型来校正具体实施过程中存在的非系统因素产生的误差。本发明实施例中可以采用ENVI(TheEnvironment for Visualizing Images)遥感图像处理系统中image to image的方式进行几何校正。在几何校正过程中,特征点的选取通常需要满足:选取Landsat遥感影像数据所包含的图像上易分辨且较精细的特征点、在特征变化较大的地区尽量多选特征点以及特征点数量在30-50个之间。
在具体实施过程中,由于太阳辐射通过大气入射到目标监测区域物体表面然后再反射回预设的传感器,所以获取的Landsat遥感影像数据包含了物体表面、大气以及太阳的信息,若想获得物体表面的光谱特性,就需要将物体表面的反射信息从大气和太阳的反射信息中分离出来,这就需要进行辐射矫正,即:大气校正。本发明实施例可以采用ENVI遥感图像处理系统中的FLAASH辐射矫正工具对Landsat遥感影像数据预先进行辐射矫正处理。需要说明的是,FLAASH辐射矫正工具基于MODTRAN4+辐射传输模型,可以支持高光谱和多光谱数据。
在实际实施过程中,由于几何校正存在误差的原因,目标监测区域中同一地区的Landsat遥感影像数据或者相邻地区的Landsat遥感影像数据的重叠区域中相同物体可能不重叠,因此,本发明实施例可以采用ENVI遥感图像处理系统中的Image Registration功能对Landsat遥感影像数据预先进行图像配准处理。
图像融合是指将低分辨率的多光谱影像数据与高分辨率的单波段影像数据经过重采样处理的方式生成高分辨率多光谱遥感影像数据的图像处理技术。在本发明是实例中采用的图像融合处理包括:HIS变换、Brovey变换、乘积运算(CN)、PCA变换以及Gram-schmidt Pan Sharpening(GS)等。图像裁剪的目的是将目标监测区域之外的区域去除。在本发明实施例中可以按照行政区划边界或者自然区划边界进行图像裁剪。
在本发明实施例中,服务器端可以获得针对目标监测区域的Landsat遥感影像数据,对所述Landsat遥感影像数据进行预处理,从而获得所述目标监测区域内的土地利用信息。
步骤S102:通过识别所述Landsat遥感影像数据中针对所述目标监测区域内不同部分显示的影像特征差异,从所述Landsat遥感影像数据中区分出所述目标监测区域包含的土地利用类型,并针对所述土地利用类型分别构建不同的遥感解译标志。
在本发明实施例中,所述的土地利用类型可以包括:耕地、水体、林地、草地、建设用地、未利用地等。
所述遥感解译标志用于区分和识别所述Landsat遥感影像数据中不同地物的特定影像特征。在实际实施过程中,为了提高遥感解译标志标识的精确度,所采用的遥感解译标志包括直接解译标志和间接解译标志两类。其中,直接解译标志是指目标监测区域中地物的属性特征在Landsat遥感影像数据上的直接反映,产生的相应影像特征可以包括形状、大小、色调、影纹等。间接解译标志是指与目标监测区域中地物的属性特征有内在联系,通过相关分析能够推断出其性质的影像特征,基于上述两种解译标志对所述土地利用类型进行标识,可以有效提高标识的精确度。
根据目标检测区域内地物类型的特征及分布状况,可以针对目标检测区域内的建设用地、林地、草地、水体、耕地等在Landsat遥感影像数据中呈现的影像特征分别构建遥感解译标志。例如:水体(如:天然水体、人工运河及面积较大的人工湖泊等)的影像特征信息包括:呈弯曲状,颜色整体显示为黑色或深蓝色等。建设用地(如:居住用地、公共建筑设施及厂房等)的影像特征信息包括:颜色多为紫色或粉色,分布及其形状不规则等。林地(如:乔木、灌木等)的影像特征信息包括:形状成片状、通常大面积分布、无明显边界等。草地(如:草本植物等)的影像特征信息包括:形状呈面状分布,无较明显边界等。耕地(如:农业生产土地,包括正在盛开或已收割土地)的影像特征信息包括:颜色为浅绿色,具有规则的方块状纹理,多分布于建设用地附近等。
步骤S103:根据所述遥感解译标志,利用预设的目标分类算法对所述Landsat遥感影像数据中针对所述目标监测区域包含的所述土地利用类型进行分类处理,获得针对不同所述土地利用类型的类别集合。
在本发明实施例中,服务器端可以根据所述遥感解译标志,利用所述目标分类算法针对所述Landsat遥感影像数据中所述目标监测区域的亮度值或像元值的高低差异进行分类处理,从而获得针对所述目标监测区域中不同所述土地利用类型的类别集合。其中,所述目标分类算法是指监督分类算法。
步骤S104:利用预设的ENVI遥感图像处理系统对所述Landsat遥感影像数据中针对不同所述土地利用类型的所述类别集合的土地利用覆被变化情况进行分析,确定所述Landsat遥感影像数据中针对所述目标监测区域内不同所述类别集合显示出的地物类型变化信息;其中,所述地物类型变化信息包括土地利用覆被比例变化信息、土地利用覆被幅度变化信息、土地利用覆被类型变化信息以及土地利用覆被动态变化信息。
需要说明的是,在获得针对不同所述土地利用类型的类别集合后,可以基于预设的参数对所述类别集合进行过滤处理。具体的,可以利用监督分类算法中最大似然分类算法对Landsat遥感影像数据进行分类处理,此时,Landsat遥感影像数据所包含的图像中通常仍存在一些面积较小的图斑。本发明实施例通过ENVI遥感图像处理系统中的Majority/Minority分析、聚类处理以及过滤处理的方式设定满足预设阈值的参数,可以实现对Landsat遥感影像数据所包含的图像中的小图斑进行剔除或合并。
步骤S105:根据所述地物类型变化信息对所述目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果。
在本发明实施例中,所述的根据地物类型变化信息对目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果,可以包括:
a、通过将目标监测区域内不同土地利用类型在预定时间段内的面积变化幅度进行比对,获得所述目标监测区域内的不同土地利用类型的面积幅度变化情况,根据所述面积幅度变化情况获得第一监测分析结果。
具体的,土地利用覆被变化幅度是指在预定时间段内目标监测区域中某一土地利用类型在面积上的变化幅度。根据所述面积幅度变化情况获得第一监测分析结果,基于所述第一监测分析结果可以获得不同土地利用类型在面积大小上的变化情况;通过分析各类土地利用类型的面积变化幅度,可以获得目标监测区域内土地利用覆被类型变化总体趋势及其结构变化情况。具体分析算法的表达式可以是:
U=Ub–Ua;L=Ub-Ua/T;
式中:U表示在预定时间段内目标监测区域中某一土地覆被类型的变化幅度;L表示在预定时间段内目标监测区域中某一土地覆被类型的年变化幅度;Ua表示预定时间段内目标监测区域初期(例如:1月份)某一土地覆被类型的面积;Ub表示预定时间段内目标监测区域末期(例如:同年12月份)土地覆被类型的面积;T为时间跨度(比例:月份或者年份)。需要说明的是,T的单位为年时,K表示某一土地覆被类型的年变化率。
b、基于土地利用转移矩阵对所述目标监测区域内土地利用类型在预设时间段内转换数据进行分析,获得用于表示所述目标监测区域预设时间段内所述土地利用类型变化情况的转移矩阵,根据所述转移矩阵获得第二监测分析结果。
在实际实施过程中,可以基于土地利用转移矩阵对所述目标监测区域内土地利用类型在预设时间段内转换数据进行分析,具体的,采用目标监测区域内某一区域预设时间段的土地利用覆被数据,可以获得转移矩阵,该转移矩阵为二维矩阵。其中,转移矩阵的列用于表示目标监测区域初期各个地物类型的面积,行用于表示目标监测区域末期各地物类型的面积。对转移矩阵进行定量分析可以获得不同时间段地物类型相互间类型转换的数据。在本发明实施例中可以利用ENVI遥感图像处理系统中change detection statistics功能对目标监测区域的土地利用/覆被类型进行计算,获得目标监测区域的土地利用覆被的转移矩阵,根据所述转移矩阵获得第二监测分析结果。
c、获得针对土地利用覆被动态变化情况的土地利用覆被动态度变化信息,根据所述土地利用覆被动态度变化信息获得第三监测分析结果。
具体的,土地利用覆被变化主要反映在土地利用类型、程度及其区域差异性。土地利用覆被动态变化分析常常用土地利用覆被动态度表示。基于土地利用覆被动态度可以从整体上分析出土地利用覆被变化的程度。在实施过程中,土地利用覆被动态度通常分为两种:单一土地覆被变化动态度和综合土地覆被变化动态度。其中,单一土地覆被变化动态度在目标监测区域内,特定的地物类型在预设时间段内数量的变化。具体分析算法的表达式可以是:
K=Ub-Ua/Ua*1/T*100%
式中:K表示在预设时间段内目标监测区域内某一土地覆被类型的单一变化动态度;Ua表示预定时间段内目标监测区域初期(例如:1月份)某一土地覆被的面积;Ub表示预定时间段内目标监测区域末期(例如:同年12月份)某一土地覆被类型的面积;T为时间跨度。需要说明的是,T的单位为年时,K表示某一土地覆被类型的年变化率。动态度值越大,表示干扰程度越大。单一动态度值为正值时,表示该类型面积增长,反之则减少。同时动态度值的绝对值代表其土地利用类型的转换程度,绝对值越小,表示该地物类型状态越稳定,反之则变化幅度相对较大。综合土地覆被变化动态度具体实现过程与上述单一土地覆被变化动态度的实现过程类似,在此不再一一赘述,具体实现过程可以参照上面描述的内容。
d、通过所述目标分类算法计算不同土地利用类型在预设时间段内的面积以及所占比例变化情况,根据面积以及所占比例变化情况获得第四监测分析结果。
e、进一步对所述获得第一监测分析结果、所述获得第二监测分析结果、获得第三监测分析结果以及获得第四监测分析结果进行统计分析,获得所述目标监测分析结果。
采用本发明所述的基于Landsat影像的土地利用分类与动态变化监测方法,能够通过构建遥感解译标志对不同土地利用类型进行分类,进而分析不同利用类型的动态变化情况确定监测结果,有效提高了针对土地利用情况进行解译的效率和精确度,便于操作和实施,提升了用户的使用体验。
与上述提供的一种基于Landsat影像的土地利用分类与动态变化监测方法相对应,本发明还提供一种基于Landsat影像的土地利用分类与动态变化监测装置。由于该装置的实施例相似于上述方法实施例,所以描述的比较简单,相关之处请参见上述方法实施例部分的说明即可,下面描述的基于Landsat影像的土地利用分类与动态变化监测装置的实施例仅是示意性的。请参考图2所示,其为本发明实施例提供的一种基于Landsat影像的土地利用分类与动态变化监测装置的示意图。
本发明所述的一种基于Landsat影像的土地利用分类与动态变化监测装置包括如下部分:
土地利用信息获得单元201,用于获得针对目标监测区域的Landsat遥感影像数据,对所述Landsat遥感影像数据进行预处理,获得所述目标监测区域内的土地利用信息。
在本发明实施例中,所述的预处理包括:辐射矫正处理、几何矫正处理、影像配准处理、图像融合处理以及影像剪辑处理。
具体的,几何校正是利用目标监测区域内地区特征点和几何校正数学模型来校正具体实施过程中存在的非系统因素产生的误差。本发明实施例中可以采用ENVI遥感图像处理系统中image to image的方式进行几何校正。在几何校正过程中,特征点的选取通常需要满足:选取Landsat遥感影像数据所包含的图像上易分辨且较精细的特征点、在特征变化较大的地区尽量多选特征点以及特征点数量在30-50个之间。
在具体实施过程中,由于太阳辐射通过大气入射到目标监测区域物体表面然后再反射回预设的传感器,所以获取的Landsat遥感影像数据包含了物体表面、大气以及太阳的信息,若想获得物体表面的光谱特性,就需要将物体表面的反射信息从大气和太阳的反射信息中分离出来,这就需要进行辐射矫正,即:大气校正。本发明实施例可以采用ENVI遥感图像处理系统中的FLAASH辐射矫正工具对Landsat遥感影像数据预先进行辐射矫正处理。需要说明的是,FLAASH辐射矫正工具基于MODTRAN4+辐射传输模型,可以支持高光谱和多光谱数据。
在实际实施过程中,由于几何校正存在误差的原因,目标监测区域中同一地区的Landsat遥感影像数据或者相邻地区的Landsat遥感影像数据的重叠区域中相同物体可能不重叠,因此,本发明实施例可以采用ENVI遥感图像处理系统中的Image Registration功能对Landsat遥感影像数据预先进行图像配准处理。
图像融合是指将低分辨率的多光谱影像数据与高分辨率的单波段影像数据经过重采样处理的方式生成高分辨率多光谱遥感影像数据的图像处理技术。在本发明是实例中采用的图像融合处理包括:HIS变换、Brovey变换、乘积运算(CN)、PCA变换以及Gram-schmidt Pan Sharpening(GS)等。图像裁剪的目的是将目标监测区域之外的区域去除。在本发明实施例中可以按照行政区划边界或者自然区划边界进行图像裁剪。
在本发明实施例中,服务器端可以获得针对目标监测区域的Landsat遥感影像数据,对所述Landsat遥感影像数据进行预处理,从而获得所述目标监测区域内的土地利用信息。
遥感解译标志构建单元202,用于通过识别所述Landsat遥感影像数据中针对所述目标监测区域内不同部分显示的影像特征差异,从所述Landsat遥感影像数据中区分出所述目标监测区域包含的土地利用类型,并针对所述土地利用类型分别构建不同的遥感解译标志。
在本发明实施例中,所述的土地利用类型可以包括:耕地、水体、林地、草地、建设用地、未利用地等。
所述遥感解译标志用于区分和识别所述Landsat遥感影像数据中不同地物的特定影像特征。在实际实施过程中,为了提高遥感解译标志标识的精确度,所采用的遥感解译标志包括直接解译标志和间接解译标志两类。其中,直接解译标志是指目标监测区域中地物的属性特征在Landsat遥感影像数据上的直接反映,产生的相应影像特征可以包括形状、大小、色调、影纹等。间接解译标志是指与目标监测区域中地物的属性特征有内在联系,通过相关分析能够推断出其性质的影像特征,基于上述两种解译标志对所述土地利用类型进行标识,可以有效提高标识的精确度。
根据目标检测区域内地物类型的特征及分布状况,可以针对目标检测区域内的建设用地、林地、草地、水体、耕地等在Landsat遥感影像数据中呈现的影像特征分别构建遥感解译标志。例如:水体(如:天然水体、人工运河及面积较大的人工湖泊等)的影像特征信息包括:呈弯曲状,颜色整体显示为黑色或深蓝色等。建设用地(如:居住用地、公共建筑设施及厂房等)的影像特征信息包括:颜色多为紫色或粉色,分布及其形状不规则等。林地(如:乔木、灌木等)的影像特征信息包括:形状成片状、通常大面积分布、无明显边界等。草地(如:草本植物等)的影像特征信息包括:形状呈面状分布,无较明显边界等。耕地(如:农业生产土地,包括正在盛开或已收割土地)的影像特征信息包括:颜色为浅绿色,具有规则的方块状纹理,多分布于建设用地附近等。
分类单元203,用于根据所述遥感解译标志,利用预设的目标分类算法对所述Landsat遥感影像数据中针对所述目标监测区域包含的所述土地利用类型进行分类处理,获得针对不同所述土地利用类型的类别集合。
在本发明实施例中,服务器端可以根据所述遥感解译标志,利用所述目标分类算法针对所述Landsat遥感影像数据中所述目标监测区域的亮度值或像元值的高低差异进行分类处理,从而获得针对所述目标监测区域中不同所述土地利用类型的类别集合。其中,所述目标分类算法是指监督分类算法。
地物类型变化信息确定单元204,用于利用预设的ENVI遥感图像处理系统对所述Landsat遥感影像数据中针对不同所述土地利用类型的所述类别集合的土地利用覆被变化情况进行分析,确定所述Landsat遥感影像数据中针对所述目标监测区域内不同所述类别集合显示出的地物类型变化信息;其中,所述地物类型变化信息包括土地利用覆被比例变化信息、土地利用覆被幅度变化信息、土地利用覆被类型变化信息以及土地利用覆被动态变化信息。
需要说明的是,在获得针对不同所述土地利用类型的类别集合后,可以基于预设的参数对所述类别集合进行过滤处理。具体的,可以利用监督分类算法中最大似然分类算法对Landsat遥感影像数据进行分类处理,此时,Landsat遥感影像数据所包含的图像中通常仍存在一些面积较小的图斑。本发明实施例通过ENVI遥感图像处理系统中的Majority/Minority分析、聚类处理以及过滤处理的方式设定满足预设阈值的参数,可以实现对Landsat遥感影像数据所包含的图像中的小图斑进行剔除或合并。
检测分析结果获得单元205,用于根据所述地物类型变化信息对所述目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果。
在本发明实施例中,所述的根据地物类型变化信息对目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果,可以包括:
a、通过将目标监测区域内不同土地利用类型在预定时间段内的面积变化幅度进行比对,获得所述目标监测区域内的不同土地利用类型的面积幅度变化情况,根据所述面积幅度变化情况获得第一监测分析结果。
具体的,土地利用覆被变化幅度是指在预定时间段内目标监测区域中某一土地利用类型在面积上的变化幅度。根据所述面积幅度变化情况获得第一监测分析结果,基于所述第一监测分析结果可以获得不同土地利用类型在面积大小上的变化情况;通过分析各类土地利用类型的面积变化幅度,可以获得目标监测区域内土地利用覆被类型变化总体趋势及其结构变化情况。具体分析算法的表达式可以是:
U=Ub–Ua;L=Ub-Ua/T;
式中:U表示在预定时间段内目标监测区域中某一土地覆被类型的变化幅度;L表示在预定时间段内目标监测区域中某一土地覆被类型的年变化幅度;Ua表示预定时间段内目标监测区域初期(例如:1月份)某一土地覆被类型的面积;Ub表示预定时间段内目标监测区域末期(例如:同年12月份)土地覆被类型的面积;T为时间跨度(比例:月份或者年份)。需要说明的是,T的单位为年时,K表示某一土地覆被类型的年变化率。
b、基于土地利用转移矩阵对所述目标监测区域内土地利用类型在预设时间段内转换数据进行分析,获得用于表示所述目标监测区域预设时间段内所述土地利用类型变化情况的转移矩阵,根据所述转移矩阵获得第二监测分析结果。
在实际实施过程中,可以基于土地利用转移矩阵对所述目标监测区域内土地利用类型在预设时间段内转换数据进行分析,具体的,采用目标监测区域内某一区域预设时间段的土地利用覆被数据,可以获得转移矩阵,该转移矩阵为二维矩阵。其中,转移矩阵的列用于表示目标监测区域初期各个地物类型的面积,行用于表示目标监测区域末期各地物类型的面积。对转移矩阵进行定量分析可以获得不同时间段地物类型相互间类型转换的数据。在本发明实施例中可以利用ENVI遥感图像处理系统中change detection statistics功能对目标监测区域的土地利用/覆被类型进行计算,获得目标监测区域的土地利用覆被的转移矩阵,根据所述转移矩阵获得第二监测分析结果。
c、获得针对土地利用覆被动态变化情况的土地利用覆被动态度变化信息,根据所述土地利用覆被动态度变化信息获得第三监测分析结果。
具体的,土地利用覆被变化主要反映在土地利用类型、程度及其区域差异性。土地利用覆被动态变化分析常常用土地利用覆被动态度表示。基于土地利用覆被动态度可以从整体上分析出土地利用覆被变化的程度。在实施过程中,土地利用覆被动态度通常分为两种:单一土地覆被变化动态度和综合土地覆被变化动态度。其中,单一土地覆被变化动态度在目标监测区域内,特定的地物类型在预设时间段内数量的变化。具体分析算法的表达式可以是:
K=Ub-Ua/Ua*1/T*100%
式中:K表示在预设时间段内目标监测区域内某一土地覆被类型的单一变化动态度;Ua表示预定时间段内目标监测区域初期(例如:1月份)某一土地覆被的面积;Ub表示预定时间段内目标监测区域末期(例如:同年12月份)某一土地覆被类型的面积;T为时间跨度。需要说明的是,T的单位为年时,K表示某一土地覆被类型的年变化率。动态度值越大,表示干扰程度越大。单一动态度值为正值时,表示该类型面积增长,反之则减少。同时动态度值的绝对值代表其土地利用类型的转换程度,绝对值越小,表示该地物类型状态越稳定,反之则变化幅度相对较大。综合土地覆被变化动态度具体实现过程与上述单一土地覆被变化动态度的实现过程类似,在此不再一一赘述,具体实现过程可以参照上面描述的内容。
d、通过所述目标分类算法计算不同土地利用类型在预设时间段内的面积以及所占比例变化情况,根据面积以及所占比例变化情况获得第四监测分析结果。
e、进一步对所述获得第一监测分析结果、所述获得第二监测分析结果、获得第三监测分析结果以及获得第四监测分析结果进行统计分析,获得所述目标监测分析结果。
采用本发明所述的基于Landsat影像的土地利用分类与动态变化监测装置,能够通过构建遥感解译标志对不同土地利用类型进行分类,进而分析不同利用类型的动态变化情况确定监测结果,有效提高了针对土地利用情况进行解译的效率和精确度,便于操作和实施,提升了用户的使用体验。
与上述提供的基于Landsat影像的土地利用分类与动态变化监测方法相对应,本发明还提供一种电子设备和计算机存储介质。由于该电子设备和计算机存储介质的实施例相似于上述方法实施例,所以描述的比较简单,相关之处请参见上述方法实施例部分的说明即可,下面描述的电子设备和计算机存储介质仅是示意性的。如图3所示,其为本发明实施例提供的一种电子设备的示意图。
该电子设备具体可以包括:处理器301和存储器302;其中,存储器302用于运行一个或多个程序指令,用于存储基于Landsat影像的土地利用分类与动态变化监测方法的程序,该电子设备通电并通过所述处理器301运行该基于Landsat影像的土地利用分类与动态变化监测方法的程序后,执行上述任意一项所述的基于Landsat影像的土地利用分类与动态变化监测方法。其中,所述电子设备可以是指服务器。
所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被服务器执行上述所述的基于Landsat影像的土地利用分类与动态变化监测方法。所述服务器可以是指如上所述的电子设备。
在本发明实施例中,处理器或处理器模块可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,简称SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于Landsat影像的土地利用分类与动态变化监测方法,其特征在于,包括:
获得针对目标监测区域的Landsat遥感影像数据,对所述Landsat遥感影像数据进行预处理,获得所述目标监测区域内的土地利用信息;
通过识别所述Landsat遥感影像数据中针对所述目标监测区域内不同部分显示的影像特征差异,从所述Landsat遥感影像数据中区分出所述目标监测区域包含的土地利用类型,并针对所述土地利用类型分别构建不同的遥感解译标志;
根据所述遥感解译标志,利用预设的目标分类算法对所述Landsat遥感影像数据中针对所述目标监测区域包含的所述土地利用类型进行分类处理,获得针对不同所述土地利用类型的类别集合;
利用预设的ENVI遥感图像处理系统对所述Landsat遥感影像数据中针对不同所述土地利用类型的所述类别集合的土地利用覆被变化情况进行分析,确定所述Landsat遥感影像数据中针对所述目标监测区域内不同所述类别集合显示出的地物类型变化信息;其中,所述地物类型变化信息包括土地利用覆被比例变化信息、土地利用覆被幅度变化信息、土地利用覆被类型变化信息以及土地利用覆被动态变化信息;
根据所述地物类型变化信息对所述目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果。
2.根据权利要求1所述的基于Landsat影像的土地利用分类与动态变化监测方法,其特征在于,所述根据所述地物类型变化信息对所述目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果,具体包括:
通过将所述目标监测区域内不同土地利用类型在预定时间段内的面积变化幅度进行比对,获得所述目标监测区域内的不同土地利用类型的面积幅度变化情况,根据所述面积幅度变化情况获得第一监测分析结果;和
基于土地利用转移矩阵对所述目标监测区域内土地利用类型在预设时间段内转换数据进行分析,获得用于表示所述目标监测区域预设时间段内所述土地利用类型变化情况的转移矩阵,根据所述转移矩阵获得第二监测分析结果;和
获得针对土地利用覆被动态变化情况的土地利用覆被动态度变化信息,根据所述土地利用覆被动态度变化信息获得第三监测分析结果;和
通过所述目标分类算法计算不同土地利用类型在预设时间段内的面积以及所占比例变化情况,根据面积以及所占比例变化情况获得第四监测分析结果;
对所述获得第一监测分析结果、所述获得第二监测分析结果、获得第三监测分析结果以及获得第四监测分析结果进行统计分析,获得所述目标监测分析结果。
3.根据权利要求1所述的基于Landsat影像的土地利用分类与动态变化监测方法,其特征在于,所述预处理包括:辐射矫正处理、几何矫正处理、影像配准处理、图像融合处理以及影像剪辑处理。
4.根据权利要求1所述的基于Landsat影像的土地利用分类与动态变化监测方法,其特征在于,所述利用预设的目标分类算法对所述目标监测区域中包含的所述土地利用类型进行分类处理,获得针对不同所述土地利用类型的类别集合,具体包括:
利用所述目标分类算法针对所述Landsat遥感影像数据中所述目标监测区域的亮度值或像元值的高低差异进行分类处理,获得针对所述目标监测区域中不同所述土地利用类型的类别集合。
5.根据权利要求1所述的基于Landsat影像的土地利用分类与动态变化监测方法,其特征在于,还包括:
在获得针对不同所述土地利用类型的类别集合后,基于预设的参数对所述类别集合进行过滤处理。
6.根据权利要求1所述的基于Landsat影像的土地利用分类与动态变化监测方法,其特征在于,所述目标分类算法为监督分类算法中的最大似然分类算法。
7.一种基于Landsat影像的土地利用分类与动态变化监测装置,其特征在于,包括:
土地利用信息获得单元,用于获得针对目标监测区域的Landsat遥感影像数据,对所述Landsat遥感影像数据进行预处理,获得所述目标监测区域内的土地利用信息;
遥感解译标志构建单元,用于通过识别所述Landsat遥感影像数据中针对所述目标监测区域内不同部分显示的影像特征差异,从所述Landsat遥感影像数据中区分出所述目标监测区域包含的土地利用类型,并针对所述土地利用类型分别构建不同的遥感解译标志;
分类单元,用于根据所述遥感解译标志,利用预设的目标分类算法对所述Landsat遥感影像数据中针对所述目标监测区域包含的所述土地利用类型进行分类处理,获得针对不同所述土地利用类型的类别集合;
地物类型变化信息确定单元,用于利用预设的ENVI遥感图像处理系统对所述Landsat遥感影像数据中针对不同所述土地利用类型的所述类别集合的土地利用覆被变化情况进行分析,确定所述Landsat遥感影像数据中针对所述目标监测区域内不同所述类别集合显示出的地物类型变化信息;其中,所述地物类型变化信息包括土地利用覆被比例变化信息、土地利用覆被幅度变化信息、土地利用覆被类型变化信息以及土地利用覆被动态变化信息;
检测分析结果获得单元,用于根据所述地物类型变化信息对所述目标监测区域内的土地利用类型变化情况做定量分析,获得目标监测分析结果。
8.根据权利要求1所述的基于Landsat影像的土地利用分类与动态变化监测装置,其特征在于,所述检测分析结果获得单元具体用于:
通过将所述目标监测区域内不同土地利用类型在预定时间段内的面积变化幅度进行比对,获得所述目标监测区域内的不同土地利用类型的面积幅度变化情况,根据所述面积幅度变化情况获得第一监测分析结果;和
基于土地利用转移矩阵对所述目标监测区域内土地利用类型在预设时间段内转换数据进行分析,获得用于表示所述目标监测区域预设时间段内所述土地利用类型变化情况的转移矩阵,根据所述转移矩阵获得第二监测分析结果;和
获得针对土地利用覆被动态变化情况的土地利用覆被动态度变化信息,根据所述土地利用覆被动态度变化信息获得第三监测分析结果;和
通过所述目标分类算法计算不同土地利用类型在预设时间段内的面积以及所占比例变化情况,根据面积以及所占比例变化情况获得第四监测分析结果;
对所述获得第一监测分析结果、所述获得第二监测分析结果、获得第三监测分析结果以及获得第四监测分析结果进行统计分析,获得所述目标监测分析结果。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储基于Landsat影像的土地利用分类与动态变化监测方法的程序,该电子设备通电并通过所述处理器运行该基于Landsat影像的土地利用分类与动态变化监测方法的程序后,执行上述权利要求1-7任意一项所述的基于Landsat影像的土地利用分类与动态变化监测方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被服务器执行如权利要求1-7任一项所述的基于Landsat影像的土地利用分类与动态变化监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616291.XA CN110263764A (zh) | 2019-07-09 | 2019-07-09 | 基于遥感影像数据的土地利用监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616291.XA CN110263764A (zh) | 2019-07-09 | 2019-07-09 | 基于遥感影像数据的土地利用监测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263764A true CN110263764A (zh) | 2019-09-20 |
Family
ID=67925295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910616291.XA Withdrawn CN110263764A (zh) | 2019-07-09 | 2019-07-09 | 基于遥感影像数据的土地利用监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263764A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705449A (zh) * | 2019-09-27 | 2020-01-17 | 佛山科学技术学院 | 一种土地利用变化遥感监测分析方法 |
CN111259840A (zh) * | 2020-01-21 | 2020-06-09 | 中南民族大学 | 土地占用预警方法、装置、设备和存储介质 |
CN111325126A (zh) * | 2020-02-12 | 2020-06-23 | 二十一世纪空间技术应用股份有限公司 | 遥感图像的解译方法及装置 |
CN111523381A (zh) * | 2020-03-13 | 2020-08-11 | 上海眼控科技股份有限公司 | 数值天气预报中土地利用信息的更新方法及设备 |
CN111753703A (zh) * | 2020-06-18 | 2020-10-09 | 杭州浙大东南土地研究所有限公司 | 一种城镇土地边界的监控系统及其监控方法 |
CN113762155A (zh) * | 2021-09-07 | 2021-12-07 | 重庆零壹空间科技集团有限公司 | 一种基于卫星遥感影像的土地动态监管方法及装置 |
CN114882084A (zh) * | 2022-05-07 | 2022-08-09 | 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 |
CN115187060A (zh) * | 2022-07-08 | 2022-10-14 | 中科三清科技有限公司 | 土地利用数据处理方法、装置、存储介质及电子设备 |
CN115861798A (zh) * | 2022-11-18 | 2023-03-28 | 江苏星月测绘科技股份有限公司 | 一种应用于国土空间监测的遥感大数据解译系统及方法 |
CN116246175A (zh) * | 2023-05-05 | 2023-06-09 | 西昌学院 | 土地利用信息生成方法、电子设备和计算机可读介质 |
CN117292275A (zh) * | 2023-11-24 | 2023-12-26 | 江西省国土空间调查规划研究院 | 一种基于土地利用变化的滑坡预测方法及设备 |
-
2019
- 2019-07-09 CN CN201910616291.XA patent/CN110263764A/zh not_active Withdrawn
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705449A (zh) * | 2019-09-27 | 2020-01-17 | 佛山科学技术学院 | 一种土地利用变化遥感监测分析方法 |
CN111259840A (zh) * | 2020-01-21 | 2020-06-09 | 中南民族大学 | 土地占用预警方法、装置、设备和存储介质 |
CN111325126B (zh) * | 2020-02-12 | 2023-11-03 | 二十一世纪空间技术应用股份有限公司 | 遥感图像的解译方法及装置 |
CN111325126A (zh) * | 2020-02-12 | 2020-06-23 | 二十一世纪空间技术应用股份有限公司 | 遥感图像的解译方法及装置 |
CN111523381A (zh) * | 2020-03-13 | 2020-08-11 | 上海眼控科技股份有限公司 | 数值天气预报中土地利用信息的更新方法及设备 |
CN111753703A (zh) * | 2020-06-18 | 2020-10-09 | 杭州浙大东南土地研究所有限公司 | 一种城镇土地边界的监控系统及其监控方法 |
CN111753703B (zh) * | 2020-06-18 | 2024-04-30 | 杭州浙大东南土地研究所有限公司 | 一种城镇土地边界的监控系统及其监控方法 |
CN113762155A (zh) * | 2021-09-07 | 2021-12-07 | 重庆零壹空间科技集团有限公司 | 一种基于卫星遥感影像的土地动态监管方法及装置 |
CN114882084A (zh) * | 2022-05-07 | 2022-08-09 | 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 |
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 |
CN115187060A (zh) * | 2022-07-08 | 2022-10-14 | 中科三清科技有限公司 | 土地利用数据处理方法、装置、存储介质及电子设备 |
CN115187060B (zh) * | 2022-07-08 | 2023-04-18 | 中科三清科技有限公司 | 土地利用数据处理方法、装置、存储介质及电子设备 |
CN115861798A (zh) * | 2022-11-18 | 2023-03-28 | 江苏星月测绘科技股份有限公司 | 一种应用于国土空间监测的遥感大数据解译系统及方法 |
CN115861798B (zh) * | 2022-11-18 | 2023-07-18 | 江苏星月测绘科技股份有限公司 | 一种应用于国土空间监测的遥感大数据解译系统及方法 |
CN116246175A (zh) * | 2023-05-05 | 2023-06-09 | 西昌学院 | 土地利用信息生成方法、电子设备和计算机可读介质 |
CN117292275A (zh) * | 2023-11-24 | 2023-12-26 | 江西省国土空间调查规划研究院 | 一种基于土地利用变化的滑坡预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263764A (zh) | 基于遥感影像数据的土地利用监测方法和装置 | |
Ardila et al. | Context-sensitive extraction of tree crown objects in urban areas using VHR satellite images | |
RU2680765C1 (ru) | Автоматизированное определение и обрезка неоднозначного контура документа на изображении | |
CN108009542A (zh) | 油菜大田环境下杂草图像分割方法 | |
Walker et al. | An object-oriented approach to urban forest mapping in Phoenix | |
CN108323204A (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
CN102308306A (zh) | 用于图像分离的约束生成器 | |
CN108921031A (zh) | 汉字模型训练方法、手写字识别方法、装置、设备及介质 | |
EP2478467A2 (en) | Method and system for processing an image received from a remote source | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN108804394A (zh) | 一种城市夜光总量-城镇人口回归模型的构建方法 | |
CN110879992A (zh) | 基于迁移学习的草原地表覆盖物分类方法和系统 | |
CN113657324A (zh) | 基于遥感影像地物分类的城市功能区识别方法 | |
CN109063720A (zh) | 手写字训练样本获取方法、装置、计算机设备及存储介质 | |
CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN106875481A (zh) | 一种三维可视化遥感影像地表分类模型的制作方法 | |
CN109977832A (zh) | 一种图像处理方法、装置及存储介质 | |
CN102156886A (zh) | 基于统计数据和遥感影像数据的区域化肥投入空间化方法 | |
CN109472804A (zh) | 基于遥感影像的陆表水体提取方法和装置 | |
CN110222934A (zh) | 自然资源资产的审计方法、装置、设备及可读介质 | |
CN113033401A (zh) | 一种面向生态保护红线的人类活动变化识别监管方法 | |
CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及系统 | |
Yang et al. | FG-GAN: a fine-grained generative adversarial network for unsupervised SAR-to-optical image translation | |
CN111160331A (zh) | 防伪标签验伪方法、设备、介质及模板图生成方法 | |
Levien et al. | A machine-learning approach to change detection using multi-scale imagery |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190920 |