CN111144249B - 基于自动优化mesma的地表覆盖类型确定方法 - Google Patents

基于自动优化mesma的地表覆盖类型确定方法 Download PDF

Info

Publication number
CN111144249B
CN111144249B CN201911296681.XA CN201911296681A CN111144249B CN 111144249 B CN111144249 B CN 111144249B CN 201911296681 A CN201911296681 A CN 201911296681A CN 111144249 B CN111144249 B CN 111144249B
Authority
CN
China
Prior art keywords
data
coverage type
end member
probability
ground object
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
Application number
CN201911296681.XA
Other languages
English (en)
Other versions
CN111144249A (zh
Inventor
邓应彬
许剑辉
胡泓达
陈仁容
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.)
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
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 Guangzhou Institute of Geography of GDAS, Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201911296681.XA priority Critical patent/CN111144249B/zh
Publication of CN111144249A publication Critical patent/CN111144249A/zh
Application granted granted Critical
Publication of CN111144249B publication Critical patent/CN111144249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (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

本发明涉及一种基于自动优化MESMA的地表覆盖类型确定方法，通过将兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率，根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，以城市功能区信息，前向反馈多端元光谱混合分析方法，修正多端元光谱混合分析方法的端元选择，输出其它像元中各个地物覆盖类型的比例，利用该地物覆盖类型的比例，后向反馈城市功能区的概率估计。相对于现有技术，本发明实现了多端元光谱混合分析方法的自动优化分解，可以得到研究区内准确的地表覆盖类型信息。

Description

基于自动优化MESMA的地表覆盖类型确定方法
技术领域
本发明涉及地理信息技术领域，尤其是涉及一种基于自动优化MESMA的地表覆盖类型确定方法。
背景技术
由于地物的复杂多样性和传感器空间分辨率的限制，使得遥感图像中存在大量的混合像元。混合像元的存在严重影响后续图像处理的精度。为了提高光谱应用效果，必须先进行光谱混合分析，明确混合像元内包含的地物及其比例。
多端元光谱混合分析(multiple endmember spectral mixture analysis,MESMA)方法是遥感影像进行混合像元分解的一种主流方法之一，该方法相对简单、具有物理意义和精度相对较高的优点。可以很好地丰富了中大尺度的遥感影像的信息量。然而，该过程需要消耗较长的时间，并且再次分解的结果并不能得到保证，存在较大的人为不确定因素。
发明内容
本申请实施例提供了一种基于自动优化MESMA的地表覆盖类型确定方法，能够准确识别具体的城市地物覆盖信息。
第一方面，本申请实施例提供了一种基于自动优化MESMA的地表覆盖类型确定方法，包括以下步骤：
步骤S1：获取研究区的Landsat数据、兴趣点分布数据和行人分布数据；
步骤S2：根据所述Landsat数据计算光谱指数，从所述Landsat数据反演得到地表温度，将所述兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，作为输入数据；
步骤S3：基于支持向量机算法，将所述Landsat数据划分为植被、水体和其它像元；
步骤S4：基于多端元光谱混合分析方法，获取所述其它像元中各个地物覆盖类型的比例和提取端元；
步骤S5：将所述输入数据输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率；
步骤S6：根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，计算所述研究区内各地物覆盖类型的覆盖概率，获取概率值较大的若干种地物覆盖类型作为参考端元；
步骤S7：将所述提取端元与所述参考端元进行比较，若所述提取端元与所述参考端元一致，输出研究区各个地物覆盖类型的比例；否则，将所述参考端元作为新的提取端元，重新执行步骤S4并将获取的其它像元中各个地物覆盖类型的比例作为补充数据，与原输入数据进行融合作为输入数据，重新执行步骤S5-S7。
可选的，所述功能区地物覆盖类型概率范围统计数据通过随机抽取的城市功能区样本计算得到。
可选的，所述基于自动优化MESMA的地表覆盖类型确定方法还包括以下步骤：
获取同一区域的高分辨率影像作为验证样本，提取所述验证样本内的地物覆盖类型并进行数字化，作为参考数据集；
根据所述参考数据集验证所述随机森林模型输出数据的精度。
第二方面，本申请实施例提供了一种基于自动优化MESMA的地表覆盖类型确定装置，包括：
数据获取模块，用于获取研究区的Landsat数据、兴趣点分布数据和行人分布数据；
数据处理模块，用于根据所述Landsat数据计算光谱指数，从所述Landsat数据反演得到地表温度，将所述兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，作为输入数据；
分类模块，用于基于支持向量机算法，将所述Landsat数据划分为植被、水体和其它像元；
光谱分析模块，用于基于多端元光谱混合分析方法，获取所述其它像元中各个地物覆盖类型的比例和提取端元；
功能区计算模块，用于将所述输入数据输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率；
参考端元获取模块，用于根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，计算所述研究区内各地物覆盖类型的覆盖概率，获取概率值较大的若干种地物覆盖类型作为参考端元；
比较模块，用于将所述提取端元与所述参考端元进行比较，若所述提取端元与所述参考端元一致，输出研究区各个地物覆盖类型的比例；否则，将所述参考端元作为新的提取端元，重新进入光谱分析模块执行的步骤并将获取的其它像元中各个地物覆盖类型的比例作为补充数据，与原输入数据进行融合作为输入数据，重新执行光谱分析模块、参考端元获取模块和比较模块执行的步骤。
可选的，所述参考端元获取模块中的功能区地物覆盖类型概率范围统计数据通过随机抽取的城市功能区样本计算得到。
可选的，所述基于自动优化MESMA的地表覆盖类型确定装置还包括：
参考数据获取模块，用于获取同一区域的高分辨率影像作为验证样本，提取所述验证样本内的地物覆盖类型并进行数字化，作为参考数据集；
精度验证模块，用于根据所述参考数据集验证所述随机森林模型输出数据的精度。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的基于自动优化MESMA的地表覆盖类型确定方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于自动优化MESMA的地表覆盖类型确定方法的步骤
在本申请实施例中，通过将兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率，根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，计算研究区概率值最大的若干种地物覆盖类型作为先验事件，以城市功能区信息，前向反馈多端元光谱混合分析方法，修正多端元光谱混合分析方法的端元选择，输出其它像元中各个地物覆盖类型的比例，利用该地物覆盖类型的比例，后向反馈城市功能区的概率估计。本申请实施例实现了多端元光谱混合分析方法的自动优化分解，可以得到研究区内准确的地表覆盖类型信息。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性的实施例中一种基于自动优化MESMA的地表覆盖类型确定方法的流程图；
图2为本发明一个示例性的实施例中对Landsat数据的地表覆盖物类型进行确定的流程图；
图3为本发明一个示例性的实施例中一种基于自动优化MESMA的地表覆盖类型确定装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，本发明提供了一种基于自动优化MESMA的地表覆盖类型确定方法，包括以下步骤：
步骤S1：获取研究区的Landsat数据、兴趣点分布数据和行人分布数据；
Landsat数据是指Landsat卫星上携带OLI陆地成像仪(Operational LandImager)和TIRS热红外传感器(Thermal Infrared Sensor)获取到的遥感影像数据，Landsat卫星一共有11个波段，波段1-7，9-11的空间分辨率为30米，波段8为15米分辨率的全色波段。
兴趣点(POI，Point of Interest)分布数据包括餐饮、宾馆、购物、生活服务、旅游景点、休闲娱乐、医疗、汽车服务、交通设施、金融、商务大厦、地产小区、公司企业、道路和政府机构的名称、地址、分类、经纬度等内容，在地理信息系统中，一个兴趣点可以是一栋房子、一个商铺、一个邮筒、一个公交站等。
行人分布数据为包含若干张行人图片和若干张非行人图片的数据集，用于行人检测和跟踪研究，在一个例子中，行人分布数据可以是TUD行人分布数据。
步骤S2：根据所述Landsat数据计算光谱指数，从所述Landsat数据反演得到地表温度，将所述兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，作为输入数据；
所述光谱指数根据Landsat数据中各个波段的反射率计算得到，在一个例子中，所述光谱指数可以为归一化差异植被指数NDVI、归一化差异水体指数NDWI、改进的归一化差异水体指数MNDWI、归一化建筑指数NDBI、归一化燃烧指数NBR、归一化差分雪盖指数NDSI等数据。
地表温度可以通过对Landsat卫星上携带的TIRS热红外传感器收集到的热红外传感信息进行反演得到地表温度，在一个例子中，可以利用辐射传输方程法从所述Landsat数据反演得到地表温度。
步骤S3：基于支持向量机算法，将所述Landsat数据划分为植被、水体和其它像元；
支持向量机(SVM)是一种应用广泛的遥感图像分类方法。它的目标是找到超平面，以与训练样本一致的方式将数据集分割成预定义数量的离散类。大量应用表明，支持向量机比最大似然和神经网络分类器[30]等其他模式识别技术具有更好的识别性能。在本实施例中，利用支持向量机算法将Landsat数据划分为纯植被像元、纯水体像元和其它像元。
步骤S4：基于多端元光谱混合分析方法，获取所述其它像元中各个地物覆盖类型的比例和提取端元；
多端元光谱混合分析方法是在线性混合分解基础上发展而来的一种混合像元分解方法，通过对每一类地物选取多条光谱，并依此生成多个端元组合，并对每个像元寻找最小二乘法误差最小的端元组合，进而求解出每个像元的端元比例，即每个像元中地物信息丰度。
提取端元即为多端元光谱混合分析方法计算得出的误差最小的端元组合。
步骤S5：将所述输入数据输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率。
随机森林模型是以决策树为基本单元，每棵决策树都是一个分类器(假设现在针对的是分类问题)，那么对于一个输入样本，N棵树会有N个分类结果。随机森林模型集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出的一种集成学习算法。
步骤S6：根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，计算所述研究区内各地物覆盖类型的覆盖概率，获取概率值较大的若干种地物覆盖类型作为参考端元；
功能区地物覆盖类型概率范围统计数据是指每一个功能区内可能包含的若干种地物覆盖类型的概率范围，可以通过统计城市功能区的样本得到。在一个例子中，所述功能区地物覆盖类型概率范围统计数据可以是城市功能区概率和功能区地物覆盖类型概率范围统计表，通过随机抽取的城市功能区样本计算得到。
各地物覆盖类型的覆盖概率可以是各地物覆盖类型在研究区内的面积占比概率。
参考端元可以根据研究区内各地物覆盖类型的覆盖概率由大至小排序里的前几名进行确定，例如，在本申请实施例中，获取概率值最大的前4种地物覆盖类型作为参考端元。
步骤S7：将所述提取端元与所述参考端元进行比较，若所述提取端元与所述参考端元一致，输出研究区各个地物覆盖类型的比例；否则，将所述参考端元作为新的提取端元，重新执行步骤S4并将获取的其它像元中各个地物覆盖类型的比例作为补充数据，与原输入数据进行融合作为输入数据，重新执行步骤S5-S7。
在本申请实施例中，通过将兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率，根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，计算研究区概率值最大的若干种地物覆盖类型作为先验事件，以城市功能区信息，前向反馈多端元光谱混合分析方法，修正多端元光谱混合分析方法的端元选择，输出其它像元中各个地物覆盖类型的比例，利用该地物覆盖类型的比例，后向反馈城市功能区的概率估计。本申请实施例实现了多端元光谱混合分析方法的自动优化分解，可以得到研究区内准确的地表覆盖类型信息。
在一个示例性的实施例中，所述基于自动优化MESMA的地表覆盖类型确定方法的步骤包括：
获取同一区域的高分辨率影像作为验证样本，提取所述验证样本内的地物覆盖类型并进行数字化，作为参考数据集；
根据所述参考数据集验证所述随机森林模型输出数据的精度。
所述验证样本内的地物覆盖类型可以采用现有的提取遥感影像中的地物覆盖类型方法进行提取。
请参阅图2，其为本申请实施例对Landsat数据的地表覆盖物类型进行确定的流程图，其包括分级MESMA部分，该部分先利用支持向量机算法，将所述Landsat数据划分为纯植被像元、纯水体像元和其它像元；对于其它像元，利用多端元光谱混合分析方法(MESMA)获取所述其它像元中各个地物覆盖类型的比例，利用光谱库和多端元光谱混合分析方法分解其它像元的提取端元。
优化部分：获取研究区的Landsat数据、兴趣点分布数据和行人分布数据；根据所述Landsat数据计算光谱指数，从所述Landsat数据反演得到地表温度，将所述兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，作为随机森林模型的输入数据，计算得到研究区各城市功能区先验概率，根据所述城市功能区概率和功能区地物覆盖类型概率范围统计表计算研究区各地物覆盖类型的概率；若所述提取端元与所述参考端元不一致，将所述参考端元作为新的提取端元，进行端元优化。
结果输出部分：将纯植被像元、纯水体像元和利用多端元光谱混合分析方法(MESMA)获取得到的其它像元中各个地物覆盖类型的比例与参考数据集进行精度验证，得到精度验证结果。
在本申请实施例中，通过将兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率，根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，计算研究区概率值最大的若干种地物覆盖类型作为先验事件，以城市功能区信息，前向反馈多端元光谱混合分析方法输出的其它像元中各个地物覆盖类型的比例，通过修正多端元光谱混合分析方法的端元选择，实现多端元光谱混合分析方法的自动优化分解，得到研究区内准确的地表覆盖物信息。
请参阅图3，本发明还提供了一种基于自动优化MESMA的地表覆盖类型确定装置，包括：
数据获取模块1，用于获取研究区的Landsat数据、兴趣点分布数据和行人分布数据；
数据处理模块2，用于根据所述Landsat数据计算光谱指数，从所述Landsat数据反演得到地表温度，将所述兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，作为输入数据；
分类模块3，用于基于支持向量机算法，将所述Landsat数据划分为植被、水体和其它像元；
光谱分析模块4，用于基于多端元光谱混合分析方法，获取所述其它像元中各个地物覆盖类型的比例和提取端元；
功能区计算模块5，用于将所述输入数据输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率；
参考端元获取模块6，用于根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，计算所述研究区内各地物覆盖类型的覆盖概率，获取概率值较大的若干种地物覆盖类型作为参考端元；
比较模块7，用于将所述提取端元与所述参考端元进行比较，若所述提取端元与所述参考端元一致，输出研究区各个地物覆盖类型的比例；否则，将所述参考端元作为新的提取端元，重新进入光谱分析模块执行的步骤并将获取的其它像元中各个地物覆盖类型的比例作为补充数据，与原输入数据进行融合作为输入数据，重新执行光谱分析模块、参考端元获取模块和比较模块执行的步骤。
在一个示例性的实施例中，所述参考端元获取模块6中的功能区地物覆盖类型概率范围统计数据通过随机抽取的城市功能区样本计算得到。
在一个示例性的实施例中，所述基于自动优化MESMA的地表覆盖类型确定装置还包括：
参考数据获取模块，用于获取同一区域的高分辨率影像作为验证样本，提取所述验证样本内的地物覆盖类型并进行数字化，作为参考数据集；
精度验证模块，用于根据所述参考数据集验证所述随机森林模型输出数据的精度。
本申请实施例提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的基于自动优化MESMA的地表覆盖类型确定方法的步骤。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带，磁带磁盘存储或其它磁性存储设备或任何其它非传输介质，可用于存储可以被计算设备访问的信息。
本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于自动优化MESMA的地表覆盖类型确定方法的步骤。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (8)

1.一种基于自动优化MESMA的地表覆盖类型确定方法，其特征在于，包括以下步骤：
步骤S1：获取研究区的Landsat数据、兴趣点分布数据和行人分布数据；
步骤S2：根据所述Landsat数据计算光谱指数，从所述Landsat数据反演得到地表温度，将所述兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，作为输入数据；
步骤S3：基于支持向量机算法，将所述Landsat数据划分为植被、水体和其它像元；
步骤S4：基于多端元光谱混合分析方法，获取所述其它像元中各个地物覆盖类型的比例和提取端元；
步骤S5：将所述输入数据输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率；
步骤S6：根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，计算所述研究区内各地物覆盖类型的覆盖概率，获取概率值较大的若干种地物覆盖类型作为参考端元；
步骤S7：将所述提取端元与所述参考端元进行比较，若所述提取端元与所述参考端元一致，输出研究区各个地物覆盖类型的比例；否则，将所述参考端元作为新的提取端元，重新执行步骤S4并将获取的其它像元中各个地物覆盖类型的比例作为补充数据，与原输入数据进行融合作为输入数据，重新执行步骤S5-S7。
2.根据权利要求1所述的基于自动优化MESMA的地表覆盖类型确定方法，其特征在于，所述功能区地物覆盖类型概率范围统计数据通过随机抽取的城市功能区样本计算得到。
3.根据权利要求1所述的基于自动优化MESMA的地表覆盖类型确定方法，其特征在于，所述基于自动优化MESMA的地表覆盖类型确定方法还包括以下步骤：
获取同一区域的高分辨率影像作为验证样本，提取所述验证样本内的地物覆盖类型并进行数字化，作为参考数据集；
根据所述参考数据集验证所述随机森林模型输出数据的精度。
4.一种基于自动优化MESMA的地表覆盖类型确定装置，其特征在于，包括：
数据获取模块，用于获取研究区的Landsat数据、兴趣点分布数据和行人分布数据；
数据处理模块，用于根据所述Landsat数据计算光谱指数，从所述Landsat数据反演得到地表温度，将所述兴趣点分布数据、行人分布数据、光谱指数和地表温度进行像元融合，作为输入数据；
分类模块，用于基于支持向量机算法，将所述Landsat数据划分为植被、水体和其它像元；
光谱分析模块，用于基于多端元光谱混合分析方法，获取所述其它像元中各个地物覆盖类型的比例和提取端元；
功能区计算模块，用于将所述输入数据输入随机森林模型中获取研究区每个像元属于每种城市功能区的概率；
参考端元获取模块，用于根据所述城市功能区概率和功能区地物覆盖类型概率范围统计数据，计算所述研究区内各地物覆盖类型的覆盖概率，获取概率值较大的若干种地物覆盖类型作为参考端元；
比较模块，用于将所述提取端元与所述参考端元进行比较，若所述提取端元与所述参考端元一致，输出研究区各个地物覆盖类型的比例；否则，将所述参考端元作为新的提取端元，重新进入光谱分析模块执行的步骤并将获取的其它像元中各个地物覆盖类型的比例作为补充数据，与原输入数据进行融合作为输入数据，重新执行光谱分析模块、参考端元获取模块和比较模块执行的步骤。
5.根据权利要求4所述基于自动优化MESMA的地表覆盖类型确定装置，其特征在于，所述参考端元获取模块中的功能区地物覆盖类型概率范围统计数据通过随机抽取的城市功能区样本计算得到。
6.根据权利要求4所述基于自动优化MESMA的地表覆盖类型确定装置，其特征在于，所述基于自动优化MESMA的地表覆盖类型确定装置还包括：
参考数据获取模块，用于获取同一区域的高分辨率影像作为验证样本，提取所述验证样本内的地物覆盖类型并进行数字化，作为参考数据集；
精度验证模块，用于根据所述参考数据集验证所述随机森林模型输出数据的精度。
7.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-3任意一项所述的基于自动优化MESMA的地表覆盖类型确定方法的步骤。
8.一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-3中任意一项所述的基于自动优化MESMA的地表覆盖类型确定方法的步骤。
CN201911296681.XA 2019-12-16 2019-12-16 基于自动优化mesma的地表覆盖类型确定方法 Active CN111144249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911296681.XA CN111144249B (zh) 2019-12-16 2019-12-16 基于自动优化mesma的地表覆盖类型确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911296681.XA CN111144249B (zh) 2019-12-16 2019-12-16 基于自动优化mesma的地表覆盖类型确定方法

Publications (2)

Publication Number Publication Date
CN111144249A CN111144249A (zh) 2020-05-12
CN111144249B true CN111144249B (zh) 2022-05-10

Family

ID=70518450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911296681.XA Active CN111144249B (zh) 2019-12-16 2019-12-16 基于自动优化mesma的地表覆盖类型确定方法

Country Status (1)

Country Link
CN (1) CN111144249B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709927B (zh) * 2020-06-12 2022-05-27 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) 一种类型异常图斑自动识别方法及系统
CN111754096B (zh) * 2020-06-17 2022-09-20 河南大学 一种生态空间的人类影响度获取方法
CN112651145B (zh) * 2021-02-05 2021-09-10 河南省航空物探遥感中心 基于遥感数据反演的城市多样性指数分析与可视化建模

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919680A (zh) * 2017-02-28 2017-07-04 山东师范大学 一种利用poi数据进行地表覆盖分类的方法及系统
CN107966210A (zh) * 2017-11-03 2018-04-27 深圳市环境监测中心站 基于高光谱图像的热红外融合重构方法
US10403037B1 (en) * 2016-03-21 2019-09-03 URC Ventures, Inc. Verifying object measurements determined from mobile device images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10403037B1 (en) * 2016-03-21 2019-09-03 URC Ventures, Inc. Verifying object measurements determined from mobile device images
CN106919680A (zh) * 2017-02-28 2017-07-04 山东师范大学 一种利用poi数据进行地表覆盖分类的方法及系统
CN107966210A (zh) * 2017-11-03 2018-04-27 深圳市环境监测中心站 基于高光谱图像的热红外融合重构方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
利用混合光谱分解与SVM估算不透水面覆盖率;程熙等;《遥感学报》;20110630(第06期);第1228-1241页 *
基于多端元光谱混合分析方法的大兴安岭火后植被盖度恢复研究;陈宝等;《生态学报》;20191130(第22期);第434-442页 *
多端元光谱混合分析综述;戚文超等;《遥感信息》;20161015;第31卷(第05期);第11-18页 *

Also Published As

Publication number Publication date
CN111144249A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
Mundhenk et al. A large contextual dataset for classification, detection and counting of cars with deep learning
Boonpook et al. Deep learning-based multi-feature semantic segmentation in building extraction from images of UAV photogrammetry
Tomás et al. Semi-automatic identification and pre-screening of geological–geotechnical deformational processes using persistent scatterer interferometry datasets
CN111144249B (zh) 基于自动优化mesma的地表覆盖类型确定方法
Münzinger et al. Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models
CN111178179B (zh) 一种基于像元尺度的城市功能区的识别方法及装置
Alvioli et al. Topography-driven satellite imagery analysis for landslide mapping
Ai et al. Phenology-based Spartina alterniflora mapping in coastal wetland of the Yangtze Estuary using time series of GaoFen satellite no. 1 wide field of view imagery
Carvajal et al. Relationship between atmospheric corrections and training-site strategy with respect to accuracy of greenhouse detection process from very high resolution imagery
Gargoum et al. Effects of LiDAR point density on extraction of traffic signs: A sensitivity study
Hardin et al. Hyperspectral remote sensing of urban areas
Loghin et al. Potential of Pléiades and WorldView-3 tri-stereo DSMs to represent heights of small isolated objects
Chen et al. Urban land use mapping using high resolution SAR data based on density analysis and contextual information
Scholefield et al. Estimating habitat extent and carbon loss from an eroded northern blanket bog using UAV derived imagery and topography
Mansourmoghaddam et al. The separation of the unpaved roads and prioritization of paving these roads using UAV images
Lee et al. New approach for snow cover detection through spectral pattern recognition with MODIS data
Khoshboresh-Masouleh et al. A Deep Learning Method for Near‐Real‐Time Cloud and Cloud Shadow Segmentation from Gaofen‐1 Images
Negueruela et al. Westerlund 1 under the light of Gaia EDR3: Distance, isolation, extent, and a hidden population
Akcay Landslide fissure inference assessment by ANFIS and logistic regression using UAS-based photogrammetry
Li et al. Correction of Terrain Effects on Forest Canopy Height Estimation Using ICESat-2 and High Spatial Resolution Images
Kumar et al. Development of deep learning architecture for automatic classification of outdoor mobile LiDAR data
Koc-San et al. Support vector machines classification for finding building patches from IKONOS imagery: the effect of additional bands
Bakuła et al. A review of benchmarking in photogrammetry and remote sensing
Liu et al. Airborne laser scanning point clouds filtering method based on the construction of virtual ground seed points
CN109726679B (zh) 一种遥感分类误差空间分布制图方法

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Patentee after: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY

Patentee before: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)