CN110334623A - 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法 - Google Patents

一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法 Download PDF

Info

Publication number
CN110334623A
CN110334623A CN201910553113.7A CN201910553113A CN110334623A CN 110334623 A CN110334623 A CN 110334623A CN 201910553113 A CN201910553113 A CN 201910553113A CN 110334623 A CN110334623 A CN 110334623A
Authority
CN
China
Prior art keywords
judged
judge whether
soil
process terminates
wave band
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
CN201910553113.7A
Other languages
English (en)
Other versions
CN110334623B (zh
Inventor
王家强
王天巍
李念
盖宇函
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.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
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 Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN201910553113.7A priority Critical patent/CN110334623B/zh
Publication of CN110334623A publication Critical patent/CN110334623A/zh
Application granted granted Critical
Publication of CN110334623B publication Critical patent/CN110334623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

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

本发明公开了一种基于Sentinel‑2A卫星遥感影像提取崩岗信息的方法，包括：对原始遥感影像进行几何校正、辐射定标和大气校正，得到遥感影像的反射率；通过面向对象的方法对Sentinel‑2A卫星遥感影像反射率图像进行图形分割与合并，利用反射率波段计算裸土指数及归一化差异植被指数，并反演植被覆盖度和计算纹理参数，将b2/b3/b4波段合成的假彩色图进行HSV彩色变换；根据实地资料及调查数据确定相关参数的阈值范围，并结合随机采集的像元反射率数据、纹理参数、图形参数的统计阈值，建立决策树规则，即可利用Sentinel‑2A卫星遥感影像快速提取崩岗信息。本发明能提高崩岗实地调查的精度与工作效率，提高崩岗调查的安全性，可以为低山丘陵区防灾减灾工作提供科学依据。

Description

一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法
技术领域
本发明涉及崩岗侵蚀的信息提取技术领域，具体是一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法。
背景技术
崩岗是南方红壤区特有的一种严重侵蚀类型，在南方红壤丘陵区内广泛分布，同时其在水土流失问题中扮演重要角色。它是花岗岩浅丘岗地长期遭受自然与人为破坏而导致岗地崩塌的结果；崩岗被称为我国南方地区的生态溃疡”；崩岗侵蚀产沙对生态环境造成“泥沙污染”和严重破坏；崩岗危害还表现在：危害下游农田，使良田可能变为沙溃地；淤积河道,影响航运；淤塞水库，增加水旱灾害。因此，及时准确地获取崩岗发生区域的面积及空间分布，对水土流失信息的获取、崩岗侵蚀的预警评估，崩岗区域的治理均具有重要意义。而遥感技术相对于传统的实地调查，具有无可替代的重复率高、宏观、节省人力财力物力的优势，被联合国粮农组织认为是一个非常具有潜力的评估手段。尤其是近些年发展起来的高分辨率卫星影像，更能用于准确识别崩岗侵蚀。因此，针对崩岗侵蚀区域的信息提取是一件非常有意义而且重要的工作。
现有的崩岗信息提取方法多采用人机交互目视解译的方式，即利用高分辨率遥感影像作为数据源，结合野外考察的感性认识，通过目视解译提取崩岗的形态特征，绘制崩岗空间分布图。当前提取崩岗的方法主要是基于野外调查后的目视解译方法(“沈盛彧，赵元凌，程冬兵，张平仓.基于无人机遥感技术的崩岗快速调查方法.长江科学院院报，2018,35(4)：43-47,53”.“李昊洁,谢浩,胥闻博,刘洪鹄.遥感影像的空间分辨率对提取崩岗精度的影响.安徽农业科学,2016,44(30):227-229,246”.)。这些方法对应区域面积较小，崩岗数量较少的研究区有一定的优势，但对应南方红壤丘陵区广泛存在的崩岗来说，实践意义并不是太大。对中外文献进行检索，现有技术中没有采用Sentinel-2A卫星遥感影像实现崩岗信息自动提取的方法。
发明内容
本发明要解决的技术问题在于，针对现有技术中当前提取崩岗的方法主要是基于野外调查后的目视解译方法，这些方法对应区域面积较小，崩岗数量较少的研究区有一定的优势，但对应南方红壤丘陵区广泛存在的崩岗来说，实践意义并不是太大的技术缺陷，提供一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法，以解决上述技术问题。
本发明解决其技术问题所采用的基于Sentinel-2A卫星遥感影像提取崩岗信息的方法包含如下步骤：
S1、对Sentinel-2A原始遥感影像先进行裁剪，再利用几何校正、辐射定标和大气校正，得到遥感影像的反射率图像；
S2、通过面向对象的方法对Sentinel-2A原始遥感影像对应的反射率图像进行基于对象的图形分割与合并；
S3、利用步骤S2之后得到的反射率图像的多光谱波段计算裸土指数BLI及归一化差异植被指数NDVI，计算纹理参数Texturemean，并通过统计随机像元分别获取BLI、NDVI、Texturemean以及B4波段的阈值范围以及图形参数Elongation的统计阈值；
S4、将步骤S2之后得到的反射率图像的第2波段绿波段、第3波段红波段及第4波段近红外波段合成假彩色图，并将假彩色图像进行HSV彩色变换，将假彩色图像分为色调Hue、明度Sat和饱和度Val，然后通过统计随机像元分别获取Hue、Sat、Val的阈值范围；
S5、根据实地调查资料及分析数据确定土壤砂粒含量clay content、土壤有机质含量OM、土壤游离氧化铁含量Fe2O3、地质类型geological type、土壤类型soil type、降雨量precipitation、DEM、坡度Slope及土地利用类型Land-use tape的阈值范围，并结合BLI、NDVI、Texturemean以及B4波段、图形参数Elongation的统计阈值、色调Hue、明度Sat和饱和度Val，建立决策树规则，从而利用Sentinel-2A卫星遥感影像快速提取崩岗信息。
实施本发明的基于Sentinel-2A卫星遥感影像提取崩岗信息的方法，具有以下有益效果：本发明操作过程简单、灵活，易推广应用；一方面能提高崩岗实地调查的精度与工作效率，另一方面可提高崩岗调查的安全性，可以为低山丘陵区防灾减灾工作提供科学依据，在水土保持领域也具有广阔的应用前景。本发明能够用于区域面积较大，崩岗数量较多的研究区进行崩岗识别，可以有效南方红壤丘陵区域的崩岗识别问题。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的基于Sentinel-2A卫星遥感影像提取崩岗信息的方法一实施例的流程图；
图2是异质性示意图；
图3是分割合并流程图；
图4是决策树的模型图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1，本实施例的基于Sentinel-2A卫星遥感影像提取崩岗信息的方法包含如下步骤：
S1、对Sentinel-2A原始遥感影像先进行裁剪，再利用几何校正、辐射定标和大气校正，得到遥感影像的反射率图像。
采用本发明方法进行处理的原始Sentinel-2A卫星影像多光谱分辨率为10米，包含4个波段，蓝波段(447.6-545.6nm)，绿波段(537.5-582.5nm)，红波段(645.5-683.5nm)，红外波段(762.6-907.6nm)，用县域行政边界对影像进行裁剪，然后用1:5万地形图进行几何校正，用Sen2Cor软件进行辐射定标和大气校正，得到一个具体实施例的反射率影像。
S2、通过面向对象的方法对Sentinel-2A原始遥感影像对应的反射率图像进行基于对象的图形分割与合并；具体包括：
S21、将几何校正、辐射定标与大气校正后影像的近红外波段放入红通道、红波段放入绿通道、绿波段放入蓝通道，进行合成形成假彩色图像；
S22、对合成的假彩色图像进行多尺度分割与合成，多尺度分割是指一种自下而上的方法，通过合并相邻的像素或小的分割对象，在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割，多尺度分割采用分形网络演化方法(Fractal Net Evolution Approach，FNEA)，FNEA利用模糊集(FuzzySet)理论提取影像中的感兴趣对象，分割从像素层开始，通过设置参数将相邻的具有相似特征的小对象合并成大对象，进行合并的依据是相邻两个对象的异质性测度是否小于一定的阈值(尺度参数)当大于该阈值时合并终止。多尺度影像分割的效果在较大程度上取决于分割参数的设置。分割参数主要包括波段权重、分割尺度、异质性参数。波段权重主要根据实际应用中感兴趣的信息以及影像各波段所含信息进行设置，权重越高，说明该波段信息参与分割程度越高。分割尺度是保证分割对像异质性为最小的阈值，该参数的设置直接影响生成的影像对象的大小以及分割精度。异质性参数由颜色因子(Color)和形状因子(Shape)以及相对应的权重来定义，参考图2。
分割时：
Homogeneity Criterion＝(1-ω2)Color+ω2Shape
Shape＝(1-ω1)Smoothness+ω1Compactness
合并时：
Homogeneity Criterion＝(1-ω2)Color+ω2Shape
Shape＝(1-ω1)Smoothness+ω1Compactness
其中，Homogeneity Criterion是异质性测度，Color是光谱异质性，Shape是形状异质性；Smoothness是指平滑度；Compactness是指紧致度；ω1，ω2，ωλi分别是光谱权重，形状权重和波段权重；N是合并后区域内像元总数，N1和N2依次为两合并域的像素数，E为合并后区域真实的边界长度，N1和N2分别为两合并区域的真实边界长度，L为合并后其所含区域最小的矩形边界长度，L1和L2依次为其包含两合并区域内的最小矩形的边界长度，σi为区域合并后的第i波段的标准差，σ1和σ2依次为两合并域的第i波段的标准差。
参考图3，分割与合并的具体流程图如下：(其中，图中Sentinel-2A反射率图像是指合并后的假彩色图像)
(1)设置尺度参数以及异质性权重；
(2)初次分割，以单个像元为起点，计算与邻近像元合并后异质性；
(3)判断异质性是否小于阈值，若是则停止分割与合并，输出最终的结果，若否，则每次在前一次分割与合并的基础上再次进行分割，第n+1次(n为正整数)分割时，以第n次分割生成的区域对象为起点，计算与邻近像元合并的一致性，直至新的异质性小于阈值。
S3、利用步骤S2之后得到的反射率图像的多光谱波段计算裸土指数BLI及归一化差异植被指数NDVI，计算纹理参数Texturemean，并通过统计随机像元分别获取BLI、NDVI、Texturemean以及B4波段的阈值范围以及图形参数(图斑形状的延长线)Elongation的统计阈值。其中，
其中，NIR是近红外波段的反射率，R是红波段的反射率，B是蓝波段的反射率，P(i，j)为反射率图像的归一化共生矩阵中灰度级对(i，j)联合概率，Ng表示反射率图像像元的最大行列数，i和j分别表示反射率图像像元的行号和列号。
具体实施例中，通过统计随机像元获取了NDVI≤0.65，BLI＜0，Texturemean＞3.2，B4＞0.586。
将第2波段绿波段、第3波段红波段、第4波段近红外波段合成的假彩色图，并将假彩色图像进行HSV彩色变换。因为合成的假彩色影像本来用的就是反射率影像，因此R、G、B的数值范围本身就是在0～1之间，故，此RGB影像不需再进行归一化处理。
Cmax＝max(R，G，B) (e)
Cmin＝min(R，G，B) (f)
Δ＝Cmax-Cmin (g)
V＝Cmax (j)
其中，Cmax为红波段、绿波段和蓝波段的最大值，Cmin为红波段、绿波段和蓝波段的最小值；△为Cmax与Cmin的差值；H为色调；S为明度；V为饱和度；R’为红波段的最大值；G’为绿波段的最大值；B’为蓝波段的最大值。此为影像的HSV变换方法。
在对崩岗侵蚀发育的研究中，地质因素、降雨量、土壤类型、植被因素，高度、坡度大小以及崩岗侵蚀的坡向在崩岗形成过程中的起到很大作用；在对样区的崩岗发育成因进行分析时，着重于样区崩岗侵蚀区域的这些因素的统计，并确定其阈值范围；作为分类规则。具体实施例中，通过资料查询和地面采样调查，崩岗土壤的土壤砂粒含量在270g·kg-1～532g·kg-1，土壤有机质含量在1.49g·kg-1～19.25g·kg-1之间，土壤游离氧化铁含量在21.91g·kg-1～55.95g·kg-1之间；在地质类型里有96.6％的崩岗发生在花岗岩上，有3.4％的崩岗发生在碎屑岩上；崩岗均发生在年平均降雨量≥1000mm的区域，在土壤类型里有84.7％发生在砖红壤上，15.3％发生在红壤上；通过无人机航拍崩岗发生区域，然后生成DEM，确定样区崩岗发生的海拔高度为130～350m的范围内；坡度在13°～40°之间，坡向没有明显规律，在0～358°之间；在土地利用类型里崩岗主要分布在林地和草地上。
在图斑确立后，依据图斑中的像元值计算每个图斑的整体属性值，主要计算空间(spatial)和光谱(spectral)属性。对于某一图斑，波段的平均灰度值计算公式如下所示：
式中，Vx为该图斑在x波段的整体属性值，n为这一图斑内的像元个数，Vxi为x波段的第i像元的属性值。
S4、将步骤S2之后得到的反射率图像的第2波段绿波段、第3波段红波段及第4波段近红外波段合成假彩色图，并将假彩色图像进行HSV彩色变换，将假彩色图像分为色调Hue、明度Sat和饱和度Val，然后通过统计随机像元分别获取Hue、Sat、Val的阈值范围。
步骤S3和步骤S4中，通过统计随机像元得到阈值范围的具体实现包括：把每种地物纯像元的区域建立感兴趣区，对感兴趣区内的像元反射率进行统计，将统计的每种地物的感兴趣区内像元反射率的最小值与最大值，作为该类地物的阈值范围。
S5、根据实地调查资料及分析数据确定土壤砂粒含量clay content、土壤有机质含量OM、土壤游离氧化铁含量Fe2O3、地质类型geological type、土壤类型soil type、降雨量precipitation、DEM、坡度Slope及土地利用类型Land-use type的阈值范围，并结合BLI、NDVI、Texturemean以及B4波段、图形参数Elongation的统计阈值、色调Hue、明度Sat和饱和度Val，建立决策树规则，从而利用Sentinel-2A卫星遥感影像快速提取崩岗信息。
步骤S5中根据实地调查资料及分析数据确定土壤砂粒含量clay content、土壤有机质含量OM、土壤游离氧化铁含量Fe2O3、地质类型geological type、土壤类型soil type、降雨量precipitation、DEM、坡度Slope及土地利用类型Land-use tape的阈值范围具体方法是：
S51、根据收集的相关实地资料，统计当地崩岗区域的地质类型、土壤类型、降雨量；并生成崩岗区域的地质类型图、土壤类型图及降雨量图；
S52、利用实地调查数据，确定崩岗发生区域的土壤砂粒含量、土壤有机质、土壤游离氧化铁含量、DEM、坡度、坡向及土地利用现状的阈值范围，并生成崩岗发生区域土壤砂粒含量图、土壤有机质图、土壤游离氧化铁含量图、DEM、坡度图及土地利用现状图；
S53、根据土壤质地分析，确定崩岗发生区域的土壤质地，从而确定崩岗发生区域的土壤反射率的阈值范围。
参考图4，本实施例的步骤S5中，建立的决策树具体为：
土壤砂粒含量clay content、土壤有机质含量OM和土壤游离氧化铁含量Fe2O3的单位是g·kg-1；降雨量precipitation的单位是毫米；DEM的单位米；坡度Slope的单位是度；BLI、NDVI、Texturemean、B4波段、图形参数Elongation、色调Hue、明度Sat和饱和度Val都是无量纲。
地质类型geological type、土壤类型soil type和土地利用类型Land-use tape这三种类型的图需要进行二值化处理，把发生崩岗的地质类型geological type、土壤类型soil type和土地利用类型Land-use tape赋值1，其余的类型赋值为0；因此，地质类型geological type里花岗岩与碎屑岩区域赋值1，其他赋值0；土壤类型soil type里砖红壤与红壤区域赋值1，其他赋值0；土地利用类型Land-use type里林地与草地区域赋值1，其他赋值0。
A1、判断NDVI是否小于或等于0.65，若否则判断为植被，流程结束，否则进入步骤B1；
B1、判断NDVI是否小于或等于0.38，若否则进入步骤C1，若是则进入步骤C2；
C1、判断Hue是否小于或等于94.99，若否则进入步骤D1，否则进入步骤D2；
D1、判断Sat是否大于0.12，若否则进入步骤E1，否则判断为植被，流程结束；
E1、判断Elongation是否小于或等于3，若否则判断为建筑与交通用地，流程结束，否则判断为裸地；
D2、判断BLI是否小于或者等于0，若否则判断为建筑与交通用地，流程结束，否则进入步骤E2；
E2、判断DEM是否大于350，若是则判断为裸地，流程结束，否则进入步骤F1；
F1、判断DEM是否小于130，若是则判断为裸地，流程结束，否则进入步骤G1；
G1、判断Slope是否满足13≤Slope≤40，若否则判断为裸地，流程结束，否则进入步骤H1；
H1、判断geological type是否等于1，若否则判断为裸地，流程结束，否则进入步骤I1；
H1、判断soil type是否等于1，若否则判断为裸地，流程结束，否则进入步骤J1；
J1、判断Land-use tape是否等于1，若否则判断为裸地，流程结束，否则进入步骤K1；
K1、判断clay content是否满足270<clay content<532，若否则判断为裸地，流程结束，否则进入步骤L1；
L1、判断OM是否满足1.49<OM<19.25，若否则判断为裸地，流程结束，否则进入步骤M1；
M1、判断Fe2O3是否满足21.91<Fe2O3<55.95，若否则判断为裸地，流程结束，否则进入步骤N1；
N1、判断precipitation是否大于或者等于1800，若否则判断为裸地，流程结束，否则判断为崩岗，流程结束；
C2、判断B4是否大于0.027，若否则判断为水，流程结束，否则进入步骤D3；
D3、判断Val是否小于或者等于0.71，若是则判断为裸地，流程结束，否则进入步骤E3；
E3、判断Texturemean是否大于3.2，若是则判断为建筑与交通用地，流程结束，否则进入步骤F2；
F2、判断Elongation是否大于3，若否则判断为建筑与交通用地，流程结束，否则进入步骤G2；
G2、判断DEM是否小于或者等于350，若否则判断为建筑与交通用地，流程结束，否则进入步骤H2；
H2、判断DEM是否小于130，若是则判断为建筑与交通用地，流程结束，否则进入步骤I2；
I2、判断Slope是否满足13≤Slope≤40，若否则判断为建筑与交通用地，流程结束，否则进入步骤J2；
J2、判断geological type是否等于1，若否则判断为建筑与交通用地，流程结束，否则进入步骤K2；
K2、判断soil type是否等于1，若否则判断为建筑与交通用地，流程结束，否则进入步骤L2；
L2、判断Land-use tape是否等于1，若否则判断为建筑与交通用地，流程结束，否则进入步骤M2；
M2、判断clay content是否满足270<clay content<532，若否则判断为建筑与交通用地，流程结束，否则进入步骤N2；
N2、判断OM是否满足1.49<OM<19.25，若否则判断为建筑与交通用地，流程结束，否则进入步骤O2；
O2、判断Fe2O3是否满足21.91<Fe2O3<55.95，若否则判断为建筑与交通用地，流程结束，否则进入步骤P2；
P2、判断precipitation是否大于或者等于1800，若否则判断为建筑与交通用地，流程结束，否则判断为崩岗，流程结束。
利用面向对象的决策树分类规则进行崩岗信息的提取，一个具体实施例的精度验证表如下。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (5)

1.一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法，其特征在于，包含如下步骤：
S1、对Sentinel-2A原始遥感影像先进行裁剪，再利用几何校正、辐射定标和大气校正，得到遥感影像的反射率图像；
S2、通过面向对象的方法对Sentinel-2A原始遥感影像对应的反射率图像进行基于对象的图形分割与合并；
S3、利用步骤S2之后得到的反射率图像的多光谱波段计算裸土指数BLI及归一化差异植被指数NDVI，计算纹理参数Texturemean，并通过统计随机像元分别获取BLI、NDVI、Texturemean、B4波段以及图形参数Elongation的统计阈值；
S4、将步骤S2之后得到的反射率图像的第2波段绿波段、第3波段红波段及第4波段近红外波段合成假彩色图，并将假彩色图像进行HSV彩色变换，将假彩色图像分为色调Hue、明度Sat和饱和度Val，然后通过统计随机像元分别获取Hue、Sat、Val的阈值范围；
S5、根据实地调查资料及分析数据确定土壤砂粒含量clay content、土壤有机质含量OM、土壤游离氧化铁含量Fe2O3、地质类型geological type、土壤类型soil type、降雨量precipitation、DEM、坡度Slope及土地利用类型Land-use tape的阈值范围，并结合BLI、NDVI、Texturemean以及B4波段、图形参数Elongation的统计阈值、色调Hue、明度Sat和饱和度Val，建立决策树规则，从而利用Sentinel-2A卫星遥感影像快速提取崩岗信息。
2.根据权利要求1所述的基于Sentinel-2A卫星遥感影像提取崩岗信息的方法，其特征在于，步骤S2具体包括：
S21、将几何校正、辐射定标与大气校正后影像的近红外波段放入红通道、红波段放入绿通道、绿波段放入蓝通道，进行合成形成假彩色图像；
S22、对合成的假彩色图像进行多尺度分割与合成，多尺度分割是指一种自下而上的方法，通过合并相邻的像素或小的分割对象，在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割，多尺度分割采用分形网络演化方法，分形网络演化方法利用模糊集理论提取影像中的感兴趣对象，分割从像素层开始，通过设置参数将相邻的具有相似特征的小对象合并成大对象，进行合并的依据是相邻两个对象的异质性测度是否小于一定的阈值；
分割时：
Homogeneity Criterion＝(1-ω2)Color+ω2Shape
Shape＝(1-ω1)Smoothness+ω1Compactness
合并时：
Homogeneity Criterion＝(1-ω2)Color+ω2Shape
Shape＝(1-ω1)Smoothness+ω1Compactness
其中，Homogeneity Criterion是异质性测度，Color是光谱异质性，Shape是形状异质性；Smoothness是指平滑度；Compactness是指紧致度；ω1，ω2，ωλi分别是光谱权重，形状权重和波段权重；N是合并后区域内像元总数，N1和N2依次为两合并域的像素数，E为合并后区域真实的边界长度，N1和N2分别为两合并区域的真实边界长度，L为合并后其所含区域最小的矩形边界长度，L1和L2依次为其包含两合并区域内的最小矩形的边界长度，σi为区域合并后的第i波段的标准差，σ1和σ2依次为两合并域的第i波段的标准差。
3.根据权利要求1所述的基于Sentinel-2A卫星遥感影像提取崩岗信息的方法，其特征在于，步骤S5中根据实地调查资料及分析数据确定土壤砂粒含量clay content、土壤有机质含量OM、土壤游离氧化铁含量Fe2O3、地质类型geological type、土壤类型soil type、降雨量precipitation、DEM、坡度Slope及土地利用类型Land-use tape的阈值范围具体方法是：
S51、根据收集的相关实地资料，统计当地崩岗区域的地质类型、土壤类型、降雨量；并生成崩岗区域的地质类型图、土壤类型图及降雨量图；
S52、利用实地调查数据，确定崩岗发生区域的土壤砂粒含量、土壤有机质、土壤游离氧化铁含量、DEM、坡度、坡向及土地利用现状的阈值范围，并生成崩岗发生区域土壤砂粒含量图、土壤有机质图、土壤游离氧化铁含量图、DEM、坡度图及土地利用现状图；
S53、根据土壤质地分析，确定崩岗发生区域的土壤质地，从而确定崩岗发生区域的土壤反射率的阈值范围。
4.根据权利要求1所述的基于Sentinel-2A卫星遥感影像提取崩岗信息的方法，其特征在于，步骤S3和步骤S4中，通过统计随机像元得到阈值范围的具体实现包括：把每种地物纯像元的区域建立感兴趣区，对感兴趣区内的像元反射率进行统计，将统计的每种地物的感兴趣区内像元反射率的最小值与最大值，作为该类地物的阈值范围。
5.根据权利要求1所述的基于Sentinel-2A卫星遥感影像提取崩岗信息的方法，其特征在于，步骤S5中，建立的决策树具体为：
A1、判断NDVI是否小于或等于0.65，若否则判断为植被，流程结束，否则进入步骤B1；
B1、判断NDVI是否小于或等于0.38，若否则进入步骤C1，若是则进入步骤C2；
C1、判断Hue是否小于或等于94.99，若否则进入步骤D1，否则进入步骤D2；
D1、判断Sat是否大于0.12，若否则进入步骤E1，否则判断为植被，流程结束；
E1、判断Elongation是否小于或等于3，若否则判断为建筑与交通用地，流程结束，否则判断为裸地；
D2、判断BLI是否小于或者等于0，若否则判断为建筑与交通用地，流程结束，否则进入步骤E2；
E2、判断DEM是否大于350，若是则判断为裸地，流程结束，否则进入步骤F1；
F1、判断DEM是否小于130，若是则判断为裸地，流程结束，否则进入步骤G1；
G1、判断Slope是否满足13≤Slope≤40，若否则判断为裸地，流程结束，否则进入步骤H1；
H1、判断geological type是否等于1，若否则判断为裸地，流程结束，否则进入步骤I1；
H1、判断soil type是否等于1，若否则判断为裸地，流程结束，否则进入步骤J1；
J1、判断Land-use tape是否等于1，若否则判断为裸地，流程结束，否则进入步骤K1；
K1、判断clay content是否满足270＜clay content＜532，若否则判断为裸地，流程结束，否则进入步骤L1；
L1、判断OM是否满足1.49＜OM＜19.25，若否则判断为裸地，流程结束，否则进入步骤M1；
M1、判断Fe2O3是否满足21.91＜Fe2O3＜55.95，若否则判断为裸地，流程结束，否则进入步骤N1；
N1、判断precipitation是否大于或者等于1800，若否则判断为裸地，流程结束，否则判断为崩岗，流程结束；
C2、判断B4是否大于0.027，若否则判断为水，流程结束，否则进入步骤D3；
D3、判断Val是否小于或者等于0.71，若是则判断为裸地，流程结束，否则进入步骤E3；
E3、判断Texturemean是否大于3.2，若是则判断为建筑与交通用地，流程结束，否则进入步骤F2；
F2、判断Elongation是否大于3，若否则判断为建筑与交通用地，流程结束，否则进入步骤G2；
G2、判断DEM是否小于或者等于350，若否则判断为建筑与交通用地，流程结束，否则进入步骤H2；
H2、判断DEM是否小于130，若是则判断为建筑与交通用地，流程结束，否则进入步骤I2；
I2、判断Slope是否满足13≤Slope≤40，若否则判断为建筑与交通用地，流程结束，否则进入步骤J2；
J2、判断geological type是否等于1，若否则判断为建筑与交通用地，流程结束，否则进入步骤K2；
K2、判断soil type是否等于1，若否则判断为建筑与交通用地，流程结束，否则进入步骤L2；
L2、判断Land-use tape是否等于1，若否则判断为建筑与交通用地，流程结束，否则进入步骤M2；
M2、判断clay content是否满足270＜clay content＜532，若否则判断为建筑与交通用地，流程结束，否则进入步骤N2；
N2、判断OM是否满足1.49＜OM＜19.25，若否则判断为建筑与交通用地，流程结束，否则进入步骤O2；
O2、判断Fe2O3是否满足21.91＜Fe2O3＜55.95，若否则判断为建筑与交通用地，流程结束，否则进入步骤P2；
P2、判断precipitation是否大于或者等于1800，若否则判断为建筑与交通用地，流程结束，否则判断为崩岗，流程结束。
CN201910553113.7A 2019-06-25 2019-06-25 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法 Active CN110334623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910553113.7A CN110334623B (zh) 2019-06-25 2019-06-25 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910553113.7A CN110334623B (zh) 2019-06-25 2019-06-25 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法

Publications (2)

Publication Number Publication Date
CN110334623A true CN110334623A (zh) 2019-10-15
CN110334623B CN110334623B (zh) 2021-04-30

Family

ID=68142385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910553113.7A Active CN110334623B (zh) 2019-06-25 2019-06-25 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法

Country Status (1)

Country Link
CN (1) CN110334623B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111521562A (zh) * 2020-03-19 2020-08-11 航天信德智图（北京）科技有限公司 基于Sentinel-2卫星的棉花植被指数遥感检测方法
CN113609910A (zh) * 2021-07-06 2021-11-05 北京农业信息技术研究中心 基于遥感影像的冬小麦生长前期空间分布监测方法及装置
CN114913424A (zh) * 2022-05-27 2022-08-16 长江水利委员会长江科学院 一种基于改进的U-net模型的崩岗提取方法及系统
CN114972991A (zh) * 2022-05-27 2022-08-30 长江水利委员会长江科学院 一种崩岗的自动识别方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254174A (zh) * 2011-07-08 2011-11-23 中铁第四勘察设计院集团有限公司 崩滑体中裸地信息的自动提取方法
CN103576132A (zh) * 2012-07-20 2014-02-12 上海莱凯数码科技有限公司 一种遥感影像的处理方法及系统
KR20160018191A (ko) * 2014-08-08 2016-02-17 김강 비탈면 붕괴 사전 감지시스템
CN106443701A (zh) * 2016-08-31 2017-02-22 华中农业大学 基于时序水范围遥感影像的洪涝灾前预警方法
CN106950177A (zh) * 2016-11-16 2017-07-14 中国科学院遥感与数字地球研究所 一种gf‑4卫星遥感影像的水体提取方法
CN107145891A (zh) * 2017-05-08 2017-09-08 中国科学院遥感与数字地球研究所 一种基于遥感影像的水体提取方法及系统
CN107389036A (zh) * 2017-08-02 2017-11-24 珠江水利委员会珠江水利科学研究院 一种结合无人机影像的大空间尺度植被覆盖度计算方法
US20180045853A1 (en) * 2016-08-15 2018-02-15 U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration Landslide hazard assessment system and method
CN108760658A (zh) * 2018-06-06 2018-11-06 湖南省有色地质勘查研究院 一种遥感影像植被抑制及岩石土壤信息还原方法
CN108846565A (zh) * 2018-06-04 2018-11-20 福建师范大学地理研究所 南方红壤侵蚀区生态恢复适时介入与安全退出的评估方法
CN109425561A (zh) * 2017-08-30 2019-03-05 中国科学院城市环境研究所 一种基于拦砂坝前淤积土壤剖面颗粒组成的已治理崩岗稳定性诊断技术

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254174A (zh) * 2011-07-08 2011-11-23 中铁第四勘察设计院集团有限公司 崩滑体中裸地信息的自动提取方法
CN103576132A (zh) * 2012-07-20 2014-02-12 上海莱凯数码科技有限公司 一种遥感影像的处理方法及系统
KR20160018191A (ko) * 2014-08-08 2016-02-17 김강 비탈면 붕괴 사전 감지시스템
US20180045853A1 (en) * 2016-08-15 2018-02-15 U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration Landslide hazard assessment system and method
CN106443701A (zh) * 2016-08-31 2017-02-22 华中农业大学 基于时序水范围遥感影像的洪涝灾前预警方法
CN106950177A (zh) * 2016-11-16 2017-07-14 中国科学院遥感与数字地球研究所 一种gf‑4卫星遥感影像的水体提取方法
CN107145891A (zh) * 2017-05-08 2017-09-08 中国科学院遥感与数字地球研究所 一种基于遥感影像的水体提取方法及系统
CN107389036A (zh) * 2017-08-02 2017-11-24 珠江水利委员会珠江水利科学研究院 一种结合无人机影像的大空间尺度植被覆盖度计算方法
CN109425561A (zh) * 2017-08-30 2019-03-05 中国科学院城市环境研究所 一种基于拦砂坝前淤积土壤剖面颗粒组成的已治理崩岗稳定性诊断技术
CN108846565A (zh) * 2018-06-04 2018-11-20 福建师范大学地理研究所 南方红壤侵蚀区生态恢复适时介入与安全退出的评估方法
CN108760658A (zh) * 2018-06-06 2018-11-06 湖南省有色地质勘查研究院 一种遥感影像植被抑制及岩石土壤信息还原方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FREEKVAN DER MEER ET.AL: "Geologic remote sensing for geothermal exploration : A review", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》 *
S JAYAKUMAR ET.AL: "Estimates of current status of forest types in Kolli Hill using remote sensing", 《JOURNAL OF THE INDIAN SOCIETY OF REMOTE SENSING》 *
李昊洁 等: "遥感影像的空间分辨率对提取崩岗精度的影响", 《安徽农业科学》 *
蔡卓杰: "基于RS/GIS崩岗调查与评价研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111521562A (zh) * 2020-03-19 2020-08-11 航天信德智图（北京）科技有限公司 基于Sentinel-2卫星的棉花植被指数遥感检测方法
CN113609910A (zh) * 2021-07-06 2021-11-05 北京农业信息技术研究中心 基于遥感影像的冬小麦生长前期空间分布监测方法及装置
CN114913424A (zh) * 2022-05-27 2022-08-16 长江水利委员会长江科学院 一种基于改进的U-net模型的崩岗提取方法及系统
CN114972991A (zh) * 2022-05-27 2022-08-30 长江水利委员会长江科学院 一种崩岗的自动识别方法及系统
CN114972991B (zh) * 2022-05-27 2023-04-07 长江水利委员会长江科学院 一种崩岗的自动识别方法及系统
CN114913424B (zh) * 2022-05-27 2023-08-01 长江水利委员会长江科学院 一种基于改进的U-net模型的崩岗提取方法及系统

Also Published As

Publication number Publication date
CN110334623B (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN110334623A (zh) 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法
Cheng et al. Estimation of soil moisture content under high maize canopy coverage from UAV multimodal data and machine learning
Song et al. Predicting temperate conifer forest successional stage distributions with multitemporal Landsat Thematic Mapper imagery
CN107145872A (zh) 基于gis缓冲区分析的荒漠河岸林空间分布获取方法
CN106971156A (zh) 一种基于面向对象分类的稀土开采区遥感信息提取方法
CN106683096A (zh) 基于卫星遥感影像的冻土灾害信息提取方法及装置
CN106023133A (zh) 一种基于多特征联合处理的高分辨率遥感影像水体提取方法
CN107491758A (zh) 长江流域水体信息提取及其空间编码方法
CN115546636A (zh) 基于高分辨率遥感图像的地质灾害后植被恢复监测方法
CN105447274A (zh) 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
Clark et al. Landscape analysis using multi-scale segmentation and object-oriented classification
Li et al. Effects of RapidEye imagery’s red-edge band and vegetation indices on land cover classification in an arid region
CN112700358A (zh) 一种海洋生态桩监测的海洋空间资源智能监管系统
Feng et al. A hierarchical extraction method of impervious surface based on NDVI thresholding integrated with multispectral and high-resolution remote sensing imageries
Hwang et al. Expanding vegetated areas by human activities and strengthening vegetation growth concurrently explain the greening of Seoul
Sun et al. Synergistic use of optical and dual-polarized SAR data with multiple kernel learning for urban impervious surface mapping
Hidayatullah et al. Species-based aboveground mangrove carbon stock estimation using WorldView-2 image data
Kılıç et al. An integrated framework to identify and map gullies in a Mediterranean region of Turkey
Wang et al. Archaeological site segmentation of ancient city walls based on deep learning and LiDAR remote sensing
Tenenbaum et al. A comparison of object-oriented image classification and transect sampling methods for obtaining land cover information from digital orthophotography
Zhou et al. Comparison of object-oriented and Maximum Likelihood Classification of land use in Karst area
Danoedoro et al. Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery
Yue et al. The extraction of water information based on SPOT5 image using object-oriented method
Rahaman et al. Natural and human-induced land degradation and its impact using geospatial approach in the Kallar Watershed of Tamil Nadu, India
Yayusman et al. ALOS-Sensor data integration for the detection of smallholder's oil palm plantation in Southern Sumatra, Indonesia

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