CN110348506B - 基于遥感图像的土地利用分类方法、存储介质和计算设备 - Google Patents
基于遥感图像的土地利用分类方法、存储介质和计算设备 Download PDFInfo
- Publication number
- CN110348506B CN110348506B CN201910594038.9A CN201910594038A CN110348506B CN 110348506 B CN110348506 B CN 110348506B CN 201910594038 A CN201910594038 A CN 201910594038A CN 110348506 B CN110348506 B CN 110348506B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- land
- sensing image
- rail transit
- classification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种基于遥感图像的土地利用分类方法、存储介质和计算设备,方法包括:首先,获取目标城市的遥感图像;初步解译遥感图像,得到图像初步分类结果;矢量提取出目标城市地图中的轨道交通线路和站点,得到矢量化的轨道交通线路与站点;利用矢量化的轨道交通线路与站点对遥感图像进行裁剪,裁剪出轨道交通沿线区域的遥感图像;利用Google地球获取轨道交通沿线区域的遥感图像,根据POI类别和从Google地球获取到的遥感图像中的用地类型判别标志针对初步分类结果为建筑用地的轨道交通沿线区域遥感图像进行再次解译,得到最终土地利用分类结果;本发明可以准确快速地对城市轨道交通线路与站点区域进行土地利用分类,快速获取到土地利用情况。
Description
技术领域
本发明涉及土地调查与规划技术领域,特别涉及一种基于遥感图像的土地利用分类方法、存储介质和计算设备。
背景技术
城市轨道交通从规划、建设到运营等阶段,土地的利用状态在不断地发生着变化。城市的地铁线路里程不断增长,城市内部的区域经济发展状况不同,地形地貌亦有差别,引起了周边土地发生复杂的利用变化,即使是同一个位置的土地,在地铁发展的不同阶段以及城市的不同年份也存着在一定的差异性。
在实际生活中,在进行土地调查与规划工作时就需要获取到最新的土地利用数据。目前国内外主要利用测绘和实地调查方法获取有关于轨道交通沿线的土地利用分类情况,由于轨道交通沿线的土地发展迅速,用地类型转换频繁,利用现有的方法获取最新的土地利用数据都需要浪费大量财力、物力,而且时效性差,无法满足实际应用的需要。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种基于遥感图像的土地利用分类方法,该方法可以准确且快速对城市轨道交通沿线的土地利用进行分类,快速获取到土地利用情况。
本发明的第二目的在于提供一种存储介质。
本发明的第三目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种基于遥感图像的土地利用分类方法,包括:
获取目标城市的遥感图像;
对目标城市的遥感图像进行初步解译,得到图像初步分类结果;初步分类结果包括绿地、水域、空地和建筑用地四个基本类别;
获取目标城市的地图,矢量提取出地图中的轨道交通线路和站点,得到矢量化的轨道交通线路与站点;
针对于待土地利用分类的轨道交通沿线区域,利用矢量化的轨道交通线路与站点对遥感图像进行裁剪,裁剪出轨道交通沿线区域的遥感图像,并且获取到裁剪出的轨道交通沿线区域遥感图像的初步分类结果;
利用Google地球获取轨道交通沿线区域的遥感图像,根据POI类别和从Google地球获取到的遥感图像中的用地类型判别标志针对初步分类结果为建筑用地的轨道交通沿线区域遥感图像进行再次解译,得到最终土地利用分类结果。
优选的,目标城市的遥感图像通过地理空间数据云网站下载得到,目标城市的遥感图像的分辨率低于利用Google地球获取到的遥感图像的分辨率。
优选的,获取目标城市的遥感图像,还包括对目标城市的遥感图像进行预处理,预处理包括图像拉伸增强和波段组合,其中,
图像拉伸是指调整、变换遥感图像的密度和色调;
波段组合是指针对于经过图像拉伸处理后的遥感图像,对遥感图像进行不同光谱波段的叠加组合。
优选的,通过机器学习得到的分类器对遥感图像进行初步解译,其中机器学习得到分类器的具体过程如下:
获取多个来自不同区域的已知基本类别的遥感图像,作为训练样本,其中,在获取训练样本的过程中,包括对训练样本进行可分离性验证,判断能否用于训练分类器;
选择分类器类型;
获取各训练样本的光谱信息,将各训练样本的光谱信息作为分类器的输入,各训练样本的基本类别作为分类器的输出,对分类器进行训练,得到用于分类遥感图像的分类器。
优选的,初步解译后还包括分类精度验证步骤:
随机获取不同区域的已知基本类别的遥感图像作为验证样本,根据各验证样本对应的基本类别与初步分类结果进行对比,利用混淆矩阵计算Kappa系数,得到分类精度,
若分类精度达到第一预设阈值,则结束验证,将当前训练好的分类器作为最终分类器;
若分类精度达不到第一预设阈值,则重新选择多个来自不同区域的已知基本类别的遥感图像作为训练样本对分类器进行重新训练,直到分类的精度达到第一预设阈值。
优选的,针对于初步解译后的遥感图像进行小斑剔除,具体为:利用Majority分析方法剔除初步解译后的遥感图像中面积小于一定值的图斑。
优选的,再次解译包括:利用POI类别和从Google地球获取到的轨道交通沿线区域的遥感图像的用地类型判别标志,获取不同用地类型的用地类型图层,其中,每获取到一种用地类型的用地类型图层,将该用地类型图层叠加到初步分类结果为建筑用地的轨道交通沿线区域遥感图像,融合相同用地类型的图斑,得到更新的轨道交通沿线区域遥感图像。
优选的,再次解译后还包括精度验证步骤:
随机选取轨道交通沿线区域内的多个POI类别样本;
根据多个POI类别样本以及经过再次解译后轨道交通沿线区域遥感图像中所分类出的用地类型,利用混淆矩阵计算Kappa系数,得到轨道交通沿线区域遥感图像的分类精度,
当轨道交通沿线区域遥感图像的分类精度达到第二预设阈值,则结束验证,轨道交通沿线区域遥感图像所分类出的用地类型为最终土地利用分类结果;
当轨道交通沿线区域遥感图像的分类精度达不到第二预设阈值,则重新进行再次解译,直至轨道交通沿线区域遥感图像的分类精度达到第二预设阈值。
本发明的第二目的通过下述技术方案实现:一种存储介质,存储有程序,所述程序被处理器执行时,实现本发明第一目的所述的基于遥感图像的土地利用分类方法。
本发明的第三目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现本发明第一目的所述的基于遥感图像的土地利用分类方法。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明基于遥感图像的土地利用分类方法,首先获取目标城市的遥感图像;对目标城市的遥感图像进行初步解译,得到图像初步分类结果;初步分类结果包括绿地、水域、空地和建筑用地四个基本类别;获取目标城市的地图,矢量提取出地图中的轨道交通线路和站点,得到矢量化的轨道交通线路与站点;针对于待土地利用分类的轨道交通沿线区域,利用矢量化的轨道交通线路与站点对遥感图像进行裁剪,裁剪出轨道交通沿线区域的遥感图像,并且获取到裁剪出的轨道交通沿线区域遥感图像的初步分类结果;利用Google地球获取轨道交通沿线区域的遥感图像,根据POI类别和从Google地球获取到的遥感图像中的用地类型判别标志针对初步分类结果为建筑用地的轨道交通沿线区域遥感图像进行再次解译,得到最终土地利用分类结果。本发明方法基于遥感图像,通过结合POI类别和从Google地球获取到的遥感图像,可以更准确快速地对遥感图像进行土地利用分类,最终所得的土地利用分类结果可以判读出绿地、水域、空地以及由多种不同用地类型组成的建筑用地,因此通过本发明土地利用分类方法可以准确且快速对城市轨道交通线路与站点区域进行土地利用分类,时效性好,所得的土地利用分类结果可以有效识别出不同用地类型,因此可以快速获取到土地利用情况,节省人力、财力和物力;另外,通过本发明方法可以得到不同时间段下同一地区的土地利用分类情况,以及同一时间段不同地区的土地利用分类情况,有利于城市的土地调查与规划工作。
(2)本发明基于遥感图像的土地利用分类方法中,预处理包括图像拉伸增强和波段组合,图像拉伸用于调整、变换遥感图像的密度和色调,改善遥感图像的目视质量,突出遥感图像中的地物特征,提高遥感图像判读性能和效果;波段组合用于针对于经过图像拉伸处理后的遥感图像,对遥感图像进行不同光谱波段的叠加组合,达到突出遥感图像中不同地物显示效果的处理目的,方便解译;当目标城市的遥感图像中还包括目标城市之外的其他地区,预处理还包括在图像拉伸增强和波段组合之前,对目标城市的遥感图像进行裁剪,按照目标城市的行政区划边界进行裁剪,将遥感图像中目标城市裁剪出来,去除遥感图像中目标城市之外的部分,使得裁剪后的遥感图像更方便分析;经过预处理后的遥感图像可以增强遥感图像的分类效果和质量,有利于减少再次解译的计算量。
(3)本发明基于遥感图像的土地利用分类方法中,通过机器学习得到的分类器对遥感图像进行初步解译,且分类器初步解译之后还包括进行分类精度验证,从而得到分类精准率高的分类器,可以得到较好的初步分类结果,方便再次解译。
(4)本发明基于遥感图像的土地利用分类方法中,在完成初步解译后,还包括针对于初步解译后的遥感图像进行小斑剔除,利用Majority分析方法剔除初步解译后的遥感图像中面积小于一定值的图斑,可以提高初步解译后的遥感图像的质量,有利于再次解译。
(5)本发明基于遥感图像的土地利用分类方法中,针对于待土地利用分类的轨道交通沿线区域,利用矢量化的轨道交通线路与站点对遥感图像进行裁剪,裁剪出轨道交通沿线区域的遥感图像,并且获取到裁剪出的轨道交通沿线区域遥感图像的初步分类结果,利用矢量化的轨道交通线路与站点可以对遥感图像进行更精确地裁剪,所得的轨道交通沿线区域更简化,减少了再次解译的计算量,提高了再次解译的效率。
(6)本发明基于遥感图像的土地利用分类方法中,再次解译后还包括精度验证步骤,通过随机选取轨道交通沿线区域内的多个POI类别样本,根据多个POI类别样本以及经过再次解译后轨道交通沿线区域遥感图像中所分类出的用地类型,利用混淆矩阵计算Kappa系数,得到轨道交通沿线区域遥感图像的分类精度,当轨道交通沿线区域遥感图像的分类精度达到第二预设阈值,则结束验证,轨道交通沿线区域遥感图像为最终土地利用分类结果;当轨道交通沿线区域遥感图像的分类精度达不到第二预设阈值,则重新进行再次解译,直至轨道交通沿线区域遥感图像的分类精度达到第二预设阈值。通过精度验证步骤可以提高土地利用分类结果的质量,保证所得的土地利用分类结果可以满足实际应用的需要。
附图说明
图1是本发明基于遥感图像的土地利用分类方法的示意图。
图2是2000年、2005年、2010年、2017年广州地铁3号线沿线土地利用分布图。
图3是2000年、2005年、2010年、2017年广州地铁7号线沿线土地利用分布图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本发明公开了一种基于遥感图像的土地利用分类方法,如图1所示,包括:
步骤1、获取目标城市的遥感图像;在本实施例中,目标城市的遥感图像通过地理空间数据云网站下载得到,所下载的遥感图像分辨率为30m。
在本实施例中,获取目标城市的遥感图像,还包括对目标城市的遥感图像进行预处理,预处理包括图像拉伸增强和波段组合,其中,
图像拉伸是指调整、变换遥感图像的密度和色调,用于改善遥感图像的目视质量,突出遥感图像中的地物特征,提高遥感图像判读性能和效果。
波段组合是指针对于经过图像拉伸处理后的遥感图像,对遥感图像进行不同光谱波段的叠加组合,达到突出遥感图像中不同地物显示效果的处理目的,方便解译。本实施例综合了各个波段的不同特性,考虑到分类是以城市内部的土地利用类型为主,所以选择7、6、4波段(SWIR2、SWIR1、Red)进行组合。
当目标城市的遥感图像中还包括目标城市之外的其他地区,则预处理还包括在图像拉伸增强和波段组合之前,对目标城市的遥感图像进行裁剪:按照目标城市的行政区划边界进行裁剪,将遥感图像中目标城市裁剪出来,去除遥感图像中目标城市之外的部分,使得裁剪后的遥感图像更方便分析。
步骤2、对目标城市的遥感图像进行初步解译,得到图像初步分类结果;初步分类结果包括绿地、水域、空地和建筑用地四个基本类别。
在本实施例中,具体是通过机器学习得到的分类器对遥感图像进行初步解译,其中机器学习得到分类器的具体过程如下:
(1)获取多个来自不同区域的已知基本类别的遥感图像,作为训练样本;在本实施例中训练样本为选择已知基本类别且分离性好的遥感图像区域,分离性好的遥感图像区域具体是指不同基本类别之间地物差异大且尺寸小的遥感图像,有利于分类器识别;
其中,在获取训练样本的过程中,包括对训练样本进行可分离性验证,判断能否用于训练分类器,具体为:
利用Jeffries-Matusita方法计算训练样本的可分离性,可分离性的数值大小位于在0~2.0之间,
当可分离性数值大于1.9,则说明训练样本的可分离性好,可用于训练分类器;
当可分离性数值小于1.8,则需要编辑训练样本或者重新选择训练样本;
当可分离性数值小于1,则将训练样本中的两种基本类别合并成其中一种基本类别,重新作为训练样本。
(2)选择分类器类型;分类器类型具体可选择平行六面体、神经网络、支持向量机(Support Vector Machine或SVM)等。
在本实施例中,分类器为支持向量机(Support Vector Machine或SVM)。SVM是一种建立在统计学习理论(StatisticalLearning Theory或SLT)基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量,由此构造出分类器,可以将类与类之间的间隔最大化,因而有较好的推广性和较高的分类准确率。
(3)获取各训练样本的光谱信息,将各训练样本的光谱信息作为分类器的输入,各训练样本的基本类别作为分类器的输出,对分类器进行训练,得到用于分类遥感图像的分类器。
初步解译后还包括分类精度验证步骤:
随机获取不同区域的已知基本类别的遥感图像作为验证样本,根据各验证样本对应的基本类别与初步分类结果进行对比,利用混淆矩阵计算Kappa系数,得到分类精度,
若分类精度达到第一预设阈值,则结束验证,将当前训练好的分类器作为最终分类器;
若分类精度达不到第一预设阈值,则重新选择多个来自不同区域的已知基本类别的遥感图像作为训练样本对分类器进行重新训练,直到分类的精度达到第一预设阈值。
本实施例第一预设阈值为Kappa系数等于80%。Kappa系数是指:通过把所有真实参考的像元总数乘以混淆矩阵对角线的和,再减去某一类中真实参考像元数与该类中被分类像元总数之积之后,再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。在其他实施例中,也可以利用其它计算精度的方法得到分类精度。
本实施例土地利用分类方法还包括:针对于初步解译后的遥感图像进行小斑剔除,具体为:利用Majority分析方法剔除初步解译后的遥感图像中面积小于一定值的图斑。
步骤3、获取目标城市的地图,矢量提取出地图中的轨道交通线路和站点,得到矢量化的轨道交通线路与站点。在本实施例中,采用GIS(Geographic Information System或Geo-Information system,地理信息系统)软件矢量提取目标城市百度地图中的地铁线路和站点,在GIS软件中新建线文件和点文件把地铁线路和站点分别描绘出来,并且配准、定义投影和地理坐标系。
步骤4、针对于待土地利用分类的轨道交通沿线区域,利用矢量化的轨道交通线路与站点对遥感图像进行裁剪,裁剪出轨道交通沿线区域的遥感图像,并且获取到裁剪出的轨道交通沿线区域遥感图像的初步分类结果。轨道交通沿线区域是指轨道交通线路两侧各一定宽度的范围,在本实施例中,两侧宽度均不大于2km;在其他实施例中可以根据实际情况设置轨道交通沿线区域的大小。
步骤5、利用Google地球获取轨道交通沿线区域的高清遥感图像,根据POI(Pointof Interest,兴趣点)类别和从Google地球获取到的遥感图像中的用地类型判别标志针对初步分类结果为建筑用地的轨道交通沿线区域遥感图像进行再次解译,得到最终土地利用分类结果。
在本实施例中,利用Google地球获取到的遥感图像的分辨率高于目标城市的遥感图像的分辨率,本实施例利用Google地球获取到的遥感图像的分辨率大于0.1m。POI类别具体是通过网络爬取地图得到的,将地图中每个地物简化为一个POI类别,每个POI类别包括商家的名称和用地类型。
本实施例中的用地类型分为13类,具体为:一类居住用地(楼层7楼以下的居住用地)、二类居住用地(楼层7楼以上的居住用地)、三类居住用地(城中村里的私人建筑居住用地)、公共用地(公园和广场等提供公共娱乐休憩的地方)、交通设施用地(道路,收费站,露天停车场,车站,地铁站,机场等)、行政办公用地(政府部门和一些公益性的机构团体办公主要地方)、教育科研用地(幼儿园、小学、中学和大学等学校用地和一些科研机构用地)、特殊用地(主要指墓地和军事用地)、医疗用地(大型公立、私立医院)、体育用地(露天和非露天球场)、商业用地(大型商场或者写字楼)、工业用地和城市其他用地(以上12类用地类型以外的城市用地,主要是各个用地类型之间的衔接处的土地)。如下表1为POI类别与用地类型的对应关系表。
表1
POI类别 | 用地类型 | POI类别 | 用地类型 |
宾馆 | 商业用地 | 金融 | 商业用地 |
餐饮 | 商业用地 | 汽车服务 | 商业用地 |
道路 | 交通设施用地 | 商务大厦 | 商业用地 |
政府机构 | 行政办公用地 | 生活服务 | 商业用地 |
购物 | 商业用地 | 休闲娱乐 | 商业用地 |
交通设施 | 交通设施用地 | 医疗 | 医疗用地 |
教育 | 教育科研用地 | 公司企业 | 商业用地 |
地产小区 | 居住用地 | 厂矿 | 工业用地 |
别墅 | 居住用地 | 殡葬 | 特殊用地 |
小区 | 居住用地 | 其他 | 城市其他用地 |
其中,再次解译包括:
利用POI类别和从Google地球获取到的轨道交通沿线区域的遥感图像的用地类型判别标志,获取不同用地类型的用地类型图层,例如可以根据楼层高度、阴影划分出一、二类居住用地,根据楼层形状,大小,建筑物之间的间隙划分出三类居住用地,根据POI类别划分出公共用地、交通设施用地、行政办公用地、医疗用地,以此获取对应的用地类型图层。其中,每获取到一种用地类型的用地类型图层,将该用地类型图层叠加到初步分类结果为建筑用地的轨道交通沿线区域遥感图像,融合相同用地类型的图斑,得到更新的轨道交通沿线区域遥感图像。
在本实施例中,再次解译后还包括精度验证步骤:
(1)随机选取轨道交通沿线区域内均匀分布的多个POI类别样本;本实施例具体是在轨道交通线路每处分别抽取一定数量的POI类别,最终选取到的POI类别样本的总量为1000个。
(2)根据多个POI类别样本以及经过再次解译后轨道交通沿线区域遥感图像中所分类出的用地类型,利用混淆矩阵计算Kappa系数,得到轨道交通沿线区域遥感图像的分类精度。其中:
当轨道交通沿线区域遥感图像的分类精度达到第二预设阈值,则结束验证,轨道交通沿线区域遥感图像所分类出的用地类型为最终土地利用分类结果;
当轨道交通沿线区域遥感图像的分类精度达不到第二预设阈值,则重新进行再次解译,直至轨道交通沿线区域遥感图像的分类精度达到第二预设阈值。本实施例的第二预设阈值设为Kappa系数等于90%。
本实施例还包括针对于轨道交通沿线区域遥感图像上无法解译的部分,利用实景地图和实地调查对该部分的土地利用分类进行完善。
本实施例具体是通过遥感图像处理软件ENVI和GIS软件相结合对遥感图像进行土地利用分类,其中,步骤1中对目标城市的遥感图像的预处理、步骤2和步骤4是在遥感图像处理软件ENVI实现的,步骤3、5是在GIS软件实现的。
本实施例具体选择广州地铁3号线和7号线沿线区域进行土地利用分类,首先,在地理空间数据云网站分别下载2000年、2005年、2010年、2017年广州市的遥感图像;在百度地图网站分别截取2000年、2005年、2010年、2017年广州市的城市轨道交通沿线地图;通过GIS软件从广州市地图中矢量提取出广州地铁3号线和7号线的地铁线路;在Google地球截取广州地铁3号线和7号线沿线区域的高分辨率遥感图像,通过网络爬取地图以获取广州地铁3号线和7号线沿线区域的POI类别。
利用ENVI软件广州市的遥感图像进行预处理和初步解译,其中,按Linear 2%拉伸显示遥感图像,选择7、6、4波段(SWIR2、SWIR1、Red)进行波段组合,7波段是短波红外2,6波段是短波红外1,4波段是红波段,利用7、6、4波段可以合成假彩色,使遥感图像明亮,有利于再次解译。利用矢量化的广州地铁3号线的轨道线路将广州市遥感图像中的3号线沿线区域选取出来,得到轨道交通沿线区域的遥感图像,并将轨道交通沿线区域的遥感图像转成矢量图,通过GIS软件对矢量图进行再次解译,得到3号线沿线区域的土地利用分类结果;通过同样步骤,得到7号线沿线区域的土地利用分类结果。本实施例的3号线沿线区域中,3号线所经过的白云区、番禺区的区域范围均为沿线两侧各1km,3号线所经过的海珠区的区域范围为沿线两侧各1.2km,3号线所经过的天河区的区域范围为沿线两侧各1.4km。7号线沿线区域具体区域范围为沿线两侧各1km。
如下表2为2000年、2005年、2010年、2017年广州地铁3号线各用地类型的土地利用面积,图2为四个年份所对应的广州地铁3号线沿线区域的土地利用分类结果。
表2
结合图2和表2可以得到,广州地铁3号线在2000年开始研究区范围内的教育科研用地性质用途基本没变,因为面积比例较大的区域主要集中在岗顶、华师、五山这三个站,这些区域覆盖了暨南大学、华南师范大学、华南理工大学、华南农业大学等高校,这些高校的用地范围基本没变。三类居住用地主要是城中村,其用地范围也基本没变,说明广州城乡建设用地约束性指标执行得很好。随着私家车的增长,交通设施用地中主要是露天停车场越来越多了,同时,空地越来越少了,最明显是珠江新城、广州塔、嘉禾望岗一带。珠江新城主要由空地变为商业用地,广州塔一带由空地变为了公共用地和二类居住用地,嘉禾望岗则是空地变为医疗用地和二类居住用地。医疗用地面积和行政办公用地(政府大楼)都逐年增加。自然景观方面,水域(包括基塘)演变为绿地再到建筑用地,这转变也是城市化进程中不可避免的,但由于近年来国家强调生态安全,所以使得相对于2010年而言,2017年的绿地面积有所提升。
如下表3为2000年、2005年、2010年、2017年广州地铁7号线各用地类型的土地利用面积,图3为四个年份所对应的广州地铁7号线沿线区域土地利用分类结果。
表3
结合图3和表3可以很明显得知,7号线两端的用地类型发生了根本性的改变。大学城南由以前的绿地及空地变为了大块连片的教育科研用地,广州南站由以前水域(基塘)和农田变为了交通设施用地。当然这两端的土地利用变化,主要是受到政策影响因素为主。7号线沿线范围内的绿地面积减少,大片的空地转换为一二类居住用地(房地产);公共用地和行政办公用地很少,基本对整体用地结构影响不大;商业用地逐年上升,主要是长隆和万博中心的用地面积在扩张。开通了地铁7号线后预计未来站点周边的空地还将继续转化为商业用地。通过图3和表3可以反映的是,轨道交通线路对商业和房地产的带动作用是非常明显的。
总的来说,通过土地利用分类方法所得的土地利用分类结果可以有效识别出不同用地类型,通过对不同年份的土地利用分类结果之间的比较,可以判读出不同用地类型的分布变化和面积变化情况,方便实际的土地调查与规划工作。
实施例2
本发明公开了一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例1所述的基于遥感图像的土地利用分类方法,具体如下:
获取目标城市的遥感图像;
对目标城市的遥感图像进行初步解译,得到图像初步分类结果;初步分类结果包括绿地、水域、空地和建筑用地四个基本类别;
获取目标城市的地图,矢量提取出地图中的轨道交通线路和站点,得到矢量化的轨道交通线路与站点;
针对于待土地利用分类的轨道交通沿线区域,利用矢量化的轨道交通线路与站点对遥感图像进行裁剪,裁剪出轨道交通沿线区域的遥感图像,并且获取到裁剪出的轨道交通沿线区域遥感图像的初步分类结果;
利用Google地球获取轨道交通沿线区域的遥感图像,根据POI类别和从Google地球获取到的遥感图像中的用地类型判别标志针对初步分类结果为建筑用地的轨道交通沿线区域遥感图像进行再次解译,得到最终土地利用分类结果。
其中,用地类型分为13类,具体为:一类居住用地(楼层7楼以下的居住用地)、二类居住用地(楼层7楼以上的居住用地)、三类居住用地(城中村里的私人建筑居住用地)、公共用地(公园和广场等提供公共娱乐休憩的地方)、交通设施用地(道路,收费站,露天停车场,车站,地铁站,机场等)、行政办公用地(政府部门和一些公益性的机构团体办公主要地方)、教育科研用地(幼儿园,小学,中学和大学等学校用地和一些科研机构用地)、特殊用地(主要指墓地和军事用地)、医疗用地(大型公立、私立医院)、体育用地(露天和非露天球场)、商业用地(大型商场或者写字楼)、工业用地和城市其他用地(以上12类用地类型以外的城市用地,主要是各个用地类型之间的衔接处的土地)。
在本实施例中,目标城市的遥感图像通过地理空间数据云网站下载得到,目标城市的遥感图像的分辨率低于利用Google地球获取到的遥感图像的分辨率。POI类别具体是通过网络爬取地图得到的,将地图中每个地物简化为一个POI类别,每个POI类别包括商家的名称和用地类型。
本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例3
本发明公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现实施例1所述的基于遥感图像的土地利用分类方法,具体如下:
获取目标城市的遥感图像;
对目标城市的遥感图像进行初步解译,得到图像初步分类结果;初步分类结果包括绿地、水域、空地和建筑用地四个基本类别;
获取目标城市的地图,矢量提取出地图中的轨道交通线路和站点,得到矢量化的轨道交通线路与站点;
针对于待土地利用分类的轨道交通沿线区域,利用矢量化的轨道交通线路与站点对遥感图像进行裁剪,裁剪出轨道交通沿线区域的遥感图像,并且获取到裁剪出的轨道交通沿线区域遥感图像的初步分类结果;
利用Google地球获取轨道交通沿线区域的遥感图像,根据POI类别和从Google地球获取到的遥感图像中的用地类型判别标志针对初步分类结果为建筑用地的轨道交通沿线区域遥感图像进行再次解译,得到最终土地利用分类结果。
其中,用地类型分为13类,具体为:一类居住用地(楼层7楼以下的居住用地)、二类居住用地(楼层7楼以上的居住用地)、三类居住用地(城中村里的私人建筑居住用地)、公共用地(公园和广场等提供公共娱乐休憩的地方)、交通设施用地(道路,收费站,露天停车场,车站,地铁站,机场等)、行政办公用地(政府部门和一些公益性的机构团体办公主要地方)、教育科研用地(幼儿园,小学,中学和大学等学校用地和一些科研机构用地)、特殊用地(主要指墓地和军事用地)、医疗用地(大型公立、私立医院)、体育用地(露天和非露天球场)、商业用地(大型商场或者写字楼)、工业用地和城市其他用地(以上12类用地类型以外的城市用地,主要是各个用地类型之间的衔接处的土地)。
在本实施例中,目标城市的遥感图像通过地理空间数据云网站下载得到,目标城市的遥感图像的分辨率低于利用Google地球获取到的遥感图像的分辨率。POI类别具体是通过网络爬取地图得到的,将地图中每个地物简化为一个POI类别,每个POI类别包括商家的名称和用地类型。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于遥感图像的土地利用分类方法,其特征在于,包括:
获取目标城市的遥感图像;
对目标城市的遥感图像进行初步解译,得到图像初步分类结果;初步分类结果包括绿地、水域、空地和建筑用地四个基本类别;
获取目标城市的地图,矢量提取出地图中的轨道交通线路和站点,得到矢量化的轨道交通线路与站点;
针对于待土地利用分类的轨道交通沿线区域,利用矢量化的轨道交通线路与站点对遥感图像进行裁剪,裁剪出轨道交通沿线区域的遥感图像,并且获取到裁剪出的轨道交通沿线区域遥感图像的初步分类结果;
利用Google地球获取轨道交通沿线区域的遥感图像,根据POI类别和从Google地球获取到的遥感图像中的用地类型判别标志针对初步分类结果为建筑用地的轨道交通沿线区域遥感图像进行再次解译,得到最终土地利用分类结果;
其中,再次解译包括:
利用POI类别和从Google地球获取到的轨道交通沿线区域的遥感图像的用地类型判别标志,获取不同用地类型的用地类型图层,其中,每获取到一种用地类型的用地类型图层,将该用地类型图层叠加到初步分类结果为建筑用地的轨道交通沿线区域遥感图像,融合相同用地类型的图斑,得到更新的轨道交通沿线区域遥感图像;
精度验证:随机选取轨道交通沿线区域内的多个POI类别样本;根据多个POI类别样本以及经过再次解译后轨道交通沿线区域遥感图像中所分类出的用地类型,利用混淆矩阵计算Kappa系数,得到轨道交通沿线区域遥感图像的分类精度,当轨道交通沿线区域遥感图像的分类精度达到第二预设阈值,则结束验证,轨道交通沿线区域遥感图像所分类出的用地类型为最终土地利用分类结果;当轨道交通沿线区域遥感图像的分类精度达不到第二预设阈值,则重新进行再次解译,直至轨道交通沿线区域遥感图像的分类精度达到第二预设阈值。
2.根据权利要求1所述的基于遥感图像的土地利用分类方法,其特征在于,目标城市的遥感图像通过地理空间数据云网站下载得到,目标城市的遥感图像的分辨率低于利用Google地球获取到的遥感图像的分辨率。
3.根据权利要求1所述的基于遥感图像的土地利用分类方法,其特征在于,获取目标城市的遥感图像,还包括对目标城市的遥感图像进行预处理,预处理包括图像拉伸增强和波段组合,其中,
图像拉伸是指调整、变换遥感图像的密度和色调;
波段组合是指针对于经过图像拉伸处理后的遥感图像,对遥感图像进行不同光谱波段的叠加组合。
4.根据权利要求1所述的基于遥感图像的土地利用分类方法,其特征在于,通过机器学习得到的分类器对遥感图像进行初步解译,其中机器学习得到分类器的具体过程如下:
获取多个来自不同区域的已知基本类别的遥感图像,作为训练样本,其中,在获取训练样本的过程中,包括对训练样本进行可分离性验证,判断能否用于训练分类器;
选择分类器类型;
获取各训练样本的光谱信息,将各训练样本的光谱信息作为分类器的输入,各训练样本的基本类别作为分类器的输出,对分类器进行训练,得到用于分类遥感图像的分类器。
5.根据权利要求1所述的基于遥感图像的土地利用分类方法,其特征在于,初步解译后还包括分类精度验证步骤:
随机获取不同区域的已知基本类别的遥感图像作为验证样本,根据各验证样本对应的基本类别与初步分类结果进行对比,利用混淆矩阵计算Kappa系数,得到分类精度,
若分类精度达到第一预设阈值,则结束验证,将当前训练好的分类器作为最终分类器;
若分类精度达不到第一预设阈值,则重新选择多个来自不同区域的已知基本类别的遥感图像作为训练样本对分类器进行重新训练,直到分类的精度达到第一预设阈值。
6.根据权利要求1所述的基于遥感图像的土地利用分类方法,其特征在于,针对于初步解译后的遥感图像进行小斑剔除,具体为:利用Majority分析方法剔除初步解译后的遥感图像中面积小于一定值的图斑。
7.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1至6中任一项所述的基于遥感图像的土地利用分类方法。
8.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1至6中任一项所述的基于遥感图像的土地利用分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594038.9A CN110348506B (zh) | 2019-07-03 | 2019-07-03 | 基于遥感图像的土地利用分类方法、存储介质和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594038.9A CN110348506B (zh) | 2019-07-03 | 2019-07-03 | 基于遥感图像的土地利用分类方法、存储介质和计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348506A CN110348506A (zh) | 2019-10-18 |
CN110348506B true CN110348506B (zh) | 2021-06-29 |
Family
ID=68177636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910594038.9A Active CN110348506B (zh) | 2019-07-03 | 2019-07-03 | 基于遥感图像的土地利用分类方法、存储介质和计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348506B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259727A (zh) * | 2019-12-12 | 2020-06-09 | 中国资源卫星应用中心 | 基于遥感数据的秋收主要农作物信息提取方法及系统 |
CN111125080B (zh) * | 2019-12-23 | 2023-09-26 | 北京航天世景信息技术有限公司 | 基于图斑模型的多源遥感影像一体化管理系统及方法 |
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 |
CN111898503B (zh) * | 2020-07-20 | 2021-02-26 | 中国农业科学院农业资源与农业区划研究所 | 基于云覆盖遥感影像和深度学习的作物识别方法和系统 |
CN112149719A (zh) * | 2020-09-04 | 2020-12-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种多用途一站式遥感分类方法、装置及计算机设备 |
CN112102338A (zh) * | 2020-09-17 | 2020-12-18 | 西安泽塔云科技股份有限公司 | 基于深度学习的影像样本数据的获取方法及装置 |
CN112801838B (zh) * | 2020-12-25 | 2023-06-16 | 广州市城市规划勘测设计研究院 | 一种城市湿地生态单元划分方法、装置及其存储介质 |
CN112733782B (zh) * | 2021-01-20 | 2022-02-11 | 中国科学院地理科学与资源研究所 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
CN114677589B (zh) * | 2022-03-18 | 2022-12-06 | 广州市城市规划勘测设计研究院 | 基于遥感解译的城市功能区识别方法、装置、设备及介质 |
CN116049464B (zh) * | 2022-08-05 | 2023-10-20 | 荣耀终端有限公司 | 一种图像整理方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7298869B1 (en) * | 2003-07-21 | 2007-11-20 | Abernathy Donald A | Multispectral data acquisition system and method |
CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN108665149A (zh) * | 2018-04-23 | 2018-10-16 | 深圳市城市规划设计研究院有限公司 | 一种基于城市功能混合度的测算方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222311A (zh) * | 2011-06-14 | 2011-10-19 | 东方电子股份有限公司 | 基于Google Earth遥感影像的配电网地理信息获取方法 |
CN105868717B (zh) * | 2016-03-29 | 2019-05-28 | 南京信息工程大学 | 一种基于分类的高分辨率遥感图像单木树冠信息提取方法 |
CN108268527B (zh) * | 2016-12-30 | 2019-03-29 | 中科星图股份有限公司 | 一种检测土地利用类型变化的方法 |
CN106845559B (zh) * | 2017-02-28 | 2019-09-24 | 山东师范大学 | 顾及poi数据空间异质性的地表覆盖验证方法及系统 |
CN107193877A (zh) * | 2017-04-24 | 2017-09-22 | 中国科学院遥感与数字地球研究所 | 土地覆被分类系统与方法 |
CN109508585A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院城市环境研究所 | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 |
CN109325085B (zh) * | 2018-08-08 | 2019-11-08 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
CN109657602A (zh) * | 2018-12-17 | 2019-04-19 | 中国地质大学(武汉) | 基于街景数据和迁移学习的自动城市功能分区方法及系统 |
-
2019
- 2019-07-03 CN CN201910594038.9A patent/CN110348506B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7298869B1 (en) * | 2003-07-21 | 2007-11-20 | Abernathy Donald A | Multispectral data acquisition system and method |
CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN108665149A (zh) * | 2018-04-23 | 2018-10-16 | 深圳市城市规划设计研究院有限公司 | 一种基于城市功能混合度的测算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110348506A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348506B (zh) | 基于遥感图像的土地利用分类方法、存储介质和计算设备 | |
CN108764193B (zh) | 融合poi和遥感影像的城市功能区划分方法 | |
Li et al. | RSI-CB: A large scale remote sensing image classification benchmark via crowdsource data | |
Wheeler | Built landscapes of metropolitan regions: An international typology | |
Dickinson | The west European city | |
CN102521273B (zh) | 一种高分辨率遥感的多功能城市用地空间信息生成方法 | |
Dmowska et al. | High resolution dasymetric model of US demographics with application to spatial distribution of racial diversity | |
CN107133900B (zh) | 城市土地混合利用特征格网计算方法及装置 | |
Guan et al. | The concept of urban intensity and China's townization policy: Cases from Zhejiang Province | |
Rosier et al. | Fusing Earth observation and socioeconomic data to increase the transferability of large-scale urban land use classification | |
CN108052876A (zh) | 基于图像识别的区域发展评估方法及装置 | |
Călina et al. | Research on the use of aerial scanning for completing a GIS database. | |
Pafi et al. | Measuring the accessibility of urban green areas | |
Ye et al. | Urban commerce distribution analysis based on street view and deep learning | |
Zhang et al. | Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis | |
Cao et al. | Urban land use classification based on aerial and ground images | |
Elena Huzui et al. | Analysing urban dynamics using multi-temporal satellite images in the case of a mountain area, Sinaia (Romania) | |
Zhou et al. | Building use and mixed-use classification with a transformer-based network fusing satellite images and geospatial textual information | |
CN109376638A (zh) | 一种基于遥感图像和地理信息系统的文地率计算方法 | |
CN106529560A (zh) | 一种综合人口密度与景观结构的城市功能区的识别方法 | |
CN107220615A (zh) | 一种融合兴趣点大数据的城市不透水面信息提取方法 | |
Green | Archaeology in broad strokes: collating data for England from 1500 BC to AD 1086 | |
Guo et al. | Population estimation in Singapore based on remote sensing and open data | |
Noor et al. | Geospatial technology approaches in urban morphology for resilient urban governance | |
Marić et al. | Gateway-pathway heritage and urban growth Zagreb case study |
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 |