CN111178169A - 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 - Google Patents

Abstract

本发明涉及一种基于遥感影像的城市地表覆盖物精细分类方法及装置，将所述Landsat数据、光谱指数和地表温度进行像元级融合，获得一个融合多种信息的新图像作为模型的输入数据，通过结合三层分类体系从光谱库中提取对应的光谱作为第一分类模型、第二分类模型和第三分类模型的训练样本，以多层模型计算细分地物覆盖类型在像元内的丰度。相对于现有技术，本发明实现了地物覆盖类型亚像元尺度的精细分类，提高遥感影像的城市地表覆盖物分类的精度。

Description

一种基于遥感影像的城市地表覆盖物精细分类方法及装置

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遥感影像的城市地表覆盖物精细分类方法及装置。

背景技术

城市中的水泥、沥青、砖石等人工地物取代了原有近地表层的自然形态，形成具有高度连通、结构复杂、功能多样的人工地物覆盖装置。这些人工地物覆盖为城市提供了社会、经济、文化与基础设施及公共服务条件，但同时也产生了明显的生态胁迫与生态效应，影响着城市生态空间结构，从而影响城市群生态环境承载力。其次，不同的城市人工地物覆盖类型，有着不同的使用年限及老化速率，它们的分布，对生产和生活的安全的管理、城市的整体面貌和形象维护、城市规划、灾害应急管理、城市环境管理和旧城改造具有重要意义。但目前的土地利用/覆盖产品数据无法准确识别具体的城市地物覆盖信息。

发明内容

本申请实施例提供了一种基于遥感影像的城市地表覆盖物精细分类方法及装置，能够准确识别具体的城市地物覆盖信息。所述技术方案如下：

第一方面，本申请实施例提供了一种基于遥感影像的城市地表覆盖物精细分类方法，包括以下步骤：

获取Landsat数据和与所述Landsat数据分辨率一致地表温度；

根据Landsat数据计算光谱指数，将所述Landsat数据、光谱指数和地表温度进行像元级融合，作为输入数据；

根据预设的三层分类体系，从光谱库中提取第一层和第二层对应地物覆盖类型的光谱作为第一训练样本和第二训练样本；

基于XGBoost算法，将所述输入数据和所述第一训练样本输入第一分类模型得到每个像元所属的地物覆盖类别，并作为第一分类数据；

基于XGBoost算法，将所述第一分类数据和所述第二训练样本输入第二分类模型计算各像元内地物覆盖类型的概率，并作为第二分类数据；

根据所述第二分类数据中的各类地物覆盖类型和所述分类体系，从光谱库中提取该类地物覆盖类型对应细分的光谱作为第三训练样本；

基于XGBoost算法，将所述第二分类数据和所述第三训练样本输入第三分类模型，得到细分地物覆盖类型在像元内的丰度；

根据所述第二分类数据和第三分类数据的乘积，得到细分的地物覆盖类型在像元内的丰度。

可选的，所述获取与所述Landsat数据分辨率一致地表温度的步骤包括：

利用辐射传输方程法反演地表温度，并重采样至与所述Landsat数据分辨率一致的空间分辨率。

可选的，所述预设的三层分类体系中的第一层包括：混合、不透水面、纯植被、纯裸土像元和纯水体；

第二层中包括：不透水面+水、不透水面+植被、其他、混合不透水面和各种纯净不透水面，其中，所述不透水面+水像元、不透水面+植被像元和其他像元由第一层中的混合像元得到，所述混合不透水面和各种纯净不透水面由第一层中的不透水面分类得到；

第三层包括：金属、水泥、沥青、石材、砖/瓦、塑胶、树木、草地、裸土和水体。

可选的，所述基于遥感影像的城市地表覆盖物精细分类方法还包括以下步骤：

在Landsat图像上分别选择纯净地物样本和混合地物样本，从样本中提取对应地物覆盖类型的光谱构建光谱库；

其中，若一地物覆盖类型无法从Landast数据中提取出对应地物覆盖类型的光谱，收集该地物类型样本，利用光谱仪对该地物覆盖类型样本进行实测，按照以下方式，对测量光谱进行重采样，得到与Landast数据波段一致的光谱：

其中，ρ_i为重采样后的波段i的光谱值；ρ_i,j为Landsat数据中第i波段对应波长范围的光谱值，n_i为测量光谱中在该波长范围内的波段数。

可选的，所述基于遥感影像的城市地表覆盖物精细分类方法还包括以下步骤：

获取与所述Landsat数据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第三分类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遥感影像的城市地表覆盖物精细分类装置，包括：

数据获取模块，用于获取Landsat数据和与所述Landsat数据分辨率一致地表温度；

数据处理模块，用于根据Landsat数据计算光谱指数，将所述Landsat数据、光谱指数和地表温度进行像元级融合，作为输入数据；

光谱提取模块，用于根据预设的三层分类体系，从光谱库中提取第一层和第二层对应地物覆盖类型的光谱作为第一训练样本和第二训练样本；

第一分类模块，用于基于XGBoost算法，将所述输入数据和所述第一训练样本输入第一分类模型得到每个像元所属的地物覆盖类别，并作为第一分类数据；

第二分类模块，用于基于XGBoost算法，将所述第一分类数据和所述第二训练样本输入第二分类模型计算各像元内地物覆盖类型的概率，并作为第二分类数据；

第三训练样本提取模块，用于根据所述第二分类数据中的各类地物覆盖类型和所述分类体系，从光谱库中提取该类地物覆盖类型对应细分的光谱作为第三训练样本；

第三分类模块，用于基于XGBoost算法，将所述第二分类数据和所述第三训练样本输入第三分类模型，得到细分地物覆盖类型在像元内的丰度；

丰度获取模块，用于根据所述第二分类数据和第三分类数据的乘积，得到细分的地物覆盖类型在像元内的丰度。

可选的，所述数据获取模块包括：

地表温度获取单元，用于利用辐射传输方程法反演地表温度，并重采样至与所述Landsat数据分辨率一致的空间分辨率。

可选的，所述预设的三层分类体系中的第一层包括：混合、不透水面、纯植被、纯裸土像元和纯水体；

第二层中包括：不透水面+水、不透水面+植被、其他、混合不透水面和各种纯净不透水面，其中，所述不透水面+水像元、不透水面+植被像元和其他像元由第一层中的混合像元得到，所述混合不透水面和各种纯净不透水面由第一层中的不透水面分类得到；

第三层包括：金属、水泥、沥青、石材、砖/瓦、塑胶、树木、草地、裸土和水体。

可选的，所述基于遥感影像的城市地表覆盖物精细分类装置还包括：

光谱库构建模块，用于在Landsat图像上分别选择纯净地物样本和混合地物样本，从样本中提取对应地物覆盖类型的光谱构建光谱库；

其中，若一地物覆盖类型无法从Landast数据中提取出对应地物覆盖类型的光谱，收集该地物类型样本，利用光谱仪对该地物覆盖类型样本进行实测，按照以下方式，对测量光谱进行重采样，得到与Landast数据波段一致的光谱：

其中，ρ_i为重采样后的波段i的光谱值；ρ_i,j为Landsat数据中第i波段对应波长范围的光谱值，n_i为测量光谱中在该波长范围内的波段数。

可选的，所述基于遥感影像的城市地表覆盖物精细分类装置还包括：

参考数据获取模块，用于获取与所述Landsat数据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；

精度值计算模块，根据所述参考数据集验证所述第三分类模型输出数据的精度。

在本申请实施例中，将所述Landsat数据、光谱指数和地表温度进行像元级融合，获得一个融合多种信息的新图像作为模型的输入数据，通过结合三层分类体系从光谱库中提取对应的光谱作为第一分类模型、第二分类模型和第三分类模型的训练样本，以多层模型计算细分地物覆盖类型在像元内的丰度，实现地物覆盖类型亚像元尺度的精细分类，提高遥感影像的城市地表覆盖物分类的精度。

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遥感影像的城市地表覆盖物精细分类方法的流程图；

图2为本发明一个示例性的实施例中三层分类体系的结构示意图；

图3为本发明一个示例性的实施例中获取细分地物覆盖类型的丰度的流程示意图；

图4为本发明一个示例性的实施例中基于遥感影像的城市地表覆盖物精细分类装置的结构示意图。

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遥感影像的城市地表覆盖物精细分类方法，包括以下步骤：

步骤S1：获取Landsat数据和与所述Landsat数据分辨率一致地表温度。

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。TIRS热红外传感器主要用于收集地球两个热区地带的热量流失，在本实施例中，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，反演得到地表温度，并通过重采样的方式获取与Landsat数据分辨率一致的地表温度。

步骤S2：根据Landsat数据计算光谱指数，将所述Landsat数据、光谱指数和地表温度进行像元级融合，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；

像元级融合是指将所测量的不同物理参量(数据),以像元为基础逐个像元地加以综合。其目标是将不同图像的特点互相补充,生成一幅新图像。例如，在本申请实施例中，将所述Landsat数据、光谱指数和地表温度进行像元级融合,生成一幅综合了各项数据的新图像。

步骤S3：根据预设的三层分类体系，从光谱库中提取第一层和第二层对应地物覆盖类型的光谱作为第一训练样本和第二训练样本。

所述三层分类体系可以为人为设定的对Landsat数据进行逐步分类的体系结构，在一个例子中，如图2所示，所述预设的三层分类体系中的第一层包括：混合、不透水面、纯植被、纯裸土像元和纯水体；

第二层中包括：不透水面+水、不透水面+植被、其他、混合不透水面和各种纯净不透水面，其中，所述不透水面+水像元、不透水面+植被像元和其他像元由第一层中的混合像元得到，所述混合不透水面和各种纯净不透水面由第一层中的不透水面分类得到；

第三层包括：金属、水泥、沥青、石材、砖/瓦、塑胶、树木、草地、裸土和水体。

需要说明的是，所述分类体系也可以设置为二层或多层，其具体的分类结构也可根据实际需求进行设定。

地物覆盖类型是指研究区的土地利用或覆盖类型，可以根据中国土地利用分类或美国土地利用/覆被分类装置进行分类得到。

光谱库可以为现有的光谱库，也可以通过在Landsat图像上分别选择纯净地物样本，例如金属、水泥、沥青、石材、砖/瓦、塑胶、树木、草地、裸土、水体；混合地物样本，例如混合物、纯不透水面、不透水面+水混合、水透水面+植被混合、其他或各纯净不透水面混合样本，从样本中提取对应地物覆盖类型的光谱构建得到。

步骤S4：基于XGBoost算法，将所述输入数据和所述第一训练样本输入第一分类模型得到每个像元所属的地物覆盖类别，并作为第一分类数据。

极端梯度提升算法(XGBoost算法)是以若干决策树作为基分类器，根据上一决策树输出结果与实际值的残差拟合下一决策树，通过对若干决策树输出结果求和得到预测值的一种集成学习方法。

地物覆盖类别为三层分类体系中的第一层，例如，可以是混合物、不透水面、水体、植被和裸土。

步骤S5：基于XGBoost算法，将所述第一分类数据和所述第二训练样本输入第二分类模型计算各像元内地物覆盖类型的概率，并作为第二分类数据。

步骤S6：根据所述第二分类数据中的各类地物覆盖类型和所述三层分类体系，从光谱库中提取该地物覆盖类型对应细分的光谱作为第三训练样本。

例如，可以对第二分类数据得到概率值大于0的各类地物覆盖类型，根据三层分类体系确定该地物类型对应的细分地物覆盖类型，从光谱库中提取对应细分的光谱作为第三训练样本。

步骤S7：基于XGBoost算法，将所述第二分类数据和所述第三训练样本输入第三分类模型，得到细分地物覆盖类型在像元内的丰度。

细分地物覆盖类型是指对第二分类模型输出的地物覆盖类型进一步细分得到的地物覆盖类型，

步骤S8：根据所述第二分类数据和第三分类数据的乘积，得到细分的地物覆盖类型在像元内的丰度。

所述第二分类数据和第三分类数据的乘积代表既属于对应类别又为对应细分地物覆盖类型的概率，避免在非对应类别出现相同细分地物覆盖类型的情况，提高细分的地物覆盖类型在像元内的丰度的准确性。

如图3所示，输入数据和第一光谱至第一分类模型，确定每个像元所属的地物覆盖类别，得到第一层分类结果，根据各类别的地物覆盖类型从光谱库中提取对应的第二训练样本，利用第二分类模型得到第二层输出概率：即各像元内第i地物类型的概率p(f_i)，第三分类模型在第二层分类结果的基础上，找出对应的第三训练样本，计算得到第三层输出概率：即对应细分地物类型第k类的概率p(c_k|f_i)。在第二层与第三层的输出概率基础上，计算得出该像元内该地物的最终概率

以此概率作为该细分地物类型在像元内的丰度，其中，M为第二层的地物覆盖类型数量，k为第三层的细分地物覆盖类型数量。

在本申请实施例中，将所述Landsat数据、光谱指数和地表温度进行像元级融合，获得一个融合多种信息的新图像作为模型的输入数据，通过结合三层分类体系从光谱库中提取对应的光谱作为第一分类模型、第二分类模型和第三分类模型的训练样本，以多层模型计算细分地物覆盖类型在像元内的丰度，实现地物覆盖类型亚像元尺度的精细分类，提高遥感影像的城市地表覆盖物分类的精度。

在一个示例性的实施例中，所述获取Landsat数据的步骤还包括：

对Landsat数据进行包括辐射定标、大气校正、几何校正的预处理，减少其它因素的影响，使影像数据更接近真实情况。

辐射定标是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度。

大气校正是指利用大气校正模型消除由于大气吸收，尤其是散射作用造成的辐射量误差，其中，大气校正模型可以为6S模型，FLAASH模型等常见的大气校正模型。

几何校正是指通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照装置中的表达要求不一致时产生的变形。

在一个示例性的实施例中，所述获取与所述Landsat数据分辨率一致地表温度的步骤包括：

利用辐射传输方程法反演地表温度，并重采样至与所述Landsat数据分辨率一致的空间分辨率。

辐射传输方程是指电磁波在介质中传播时，受到介质的吸收、散射等作用的影响发生衰减，利用辐射传输方程法反演地表温度包括以下步骤：首先估计大气对地表热辐射的影响,然后把该部分大气影响从卫星传感器所观测到的热辐射总量中减去,从而得到地表热辐射强度,再把这一热辐射强度转化为相应的地表温度。

在一个示例性的实施例中，所述基于遥感影像的城市地表覆盖物精细分类方法还包括以下步骤：

在Landsat图像上分别选择纯净地物样本和混合地物样本，从样本中提取对应地物覆盖类型的光谱构建光谱库；

其中，若一地物覆盖类型无法从Landast数据中提取出对应地物覆盖类型的光谱，收集该地物类型样本，利用光谱仪对该地物覆盖类型样本进行实测，按照以下方式，对测量光谱进行重采样，得到与Landast数据波段一致的光谱：

其中，ρ_i为重采样后的波段i的光谱值；ρ_i,j为Landsat数据中第i波段对应波长范围的光谱值，n_i为测量光谱中在该波长范围内的波段数。例如Landsat 8OLI数据中，第一波段(蓝色波段)的波长范围为(433nm–453nm)。重采样即计算测量光谱中，在该波长范围内的光谱值的平均值。

在一个示例性的实施例中，所述基于遥感影像的城市地表覆盖物精细分类方法还包括以下步骤：

获取与所述Landsat数据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第三分类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。

在一个示例性的实施例中，所述基于遥感影像的城市地表覆盖物精细分类方法还包括以下步骤：

利用三明治空间抽样模型随机抽取研究区内的某个区域的Landsat影像数据，例如，可以在研究区内抽取50个3像元*3像元的Landsat影像数据，获取利用所述基于遥感影像的城市地表覆盖物精细分类方法得到对应区域的地物覆盖类型的丰度，比对得到整体精度。

三明治空间抽样模型(SSSI)是一个建立在空间分层抽样模型之上的新的抽样模型,它是由样本层、知识层和报告层三层架构组成,因此被称作"三明治空间抽样模型"。该模型通过建立信息和误差从样本层到知识层再到报告层的传递,从而打破了布样与统计推断之间的联系,一旦知识层上的布样确定,即可以任意类型的报告单元进行统计推断。在本申请实施例中，利用三明治空间抽样模型实现精度验证样本的随机抽取，保证精度验证的准确性。

请参阅图4，本发明还提供了一种基于遥感影像的城市地表覆盖物精细分类装置，包括：

数据获取模块1，用于获取Landsat数据和与所述Landsat数据分辨率一致地表温度；

数据处理模块2，用于根据Landsat数据计算光谱指数，将所述Landsat数据、光谱指数和地表温度进行像元级融合，作为输入数据；

光谱提取模块3，用于根据预设的三层分类体系，从光谱库中提取第一层和第二层对应地物覆盖类型的光谱作为第一训练样本和第二训练样本；

第一分类模块4，用于基于XGBoost算法，将所述输入数据和所述第一训练样本输入第一分类模型得到每个像元所属的地物覆盖类别，并作为第一分类数据；

第二分类模块5，用于基于XGBoost算法，将所述第一分类数据和所述第二训练样本输入第二分类模型计算各像元内地物覆盖类型的概率，并作为第二分类数据；

第三训练样本提取模块6，用于根据所述第二分类数据中的各类地物覆盖类型和所述分类体系，从光谱库中提取该类地物覆盖类型对应细分的光谱作为第三训练样本；

第三分类模块7，用于基于XGBoost算法，将所述第二分类数据和所述第三训练样本输入第三分类模型，得到细分地物覆盖类型在像元内的丰度；

丰度获取模块8，用于根据所述第二分类数据和第三分类数据的乘积，得到细分的地物覆盖类型在像元内的丰度。

在一个示例性的实施例中，所述数据获取模块包括：

地表温度获取单元，用于利用辐射传输方程法反演地表温度，并重采样至与所述Landsat数据分辨率一致的空间分辨率。

在一个示例性的实施例中，所述预设的三层分类体系中的第一层包括：混合、不透水面、纯植被、纯裸土像元和纯水体；

第二层中包括：不透水面+水、不透水面+植被、其他、混合不透水面和各种纯净不透水面，其中，所述不透水面+水像元、不透水面+植被像元和其他像元由第一层中的混合像元得到，所述混合不透水面和各种纯净不透水面由第一层中的不透水面分类得到；

第三层包括：金属、水泥、沥青、石材、砖/瓦、塑胶、树木、草地、裸土和水体。

在一个示例性的实施例中，所述基于遥感影像的城市地表覆盖物精细分类装置还包括：

光谱库构建模块，用于在Landsat图像上分别选择纯净地物样本和混合地物样本，从样本中提取对应地物覆盖类型的光谱构建光谱库；

其中，若一地物覆盖类型无法从Landast数据中提取出对应地物覆盖类型的光谱，收集该地物类型样本，利用光谱仪对该地物覆盖类型样本进行实测，按照以下方式，对测量光谱进行重采样，得到与Landast数据波段一致的光谱：

其中，ρ_i为重采样后的波段i的光谱值；ρ_i,j为Landsat数据中第i波段对应波长范围的光谱值，n_i为测量光谱中在该波长范围内的波段数。

在一个示例性的实施例中，所述基于遥感影像的城市地表覆盖物精细分类装置还包括：

参考数据获取模块，用于获取与所述Landsat数据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；

精度值计算模块，根据所述参考数据集验证所述第三分类模型输出数据的精度。

相对于现有技术，本发明为城市提供更为精细和丰富的地物覆盖类型信息，为城市精细化管理、城市微生态、城市生态空间结构等研究提供准确可靠的基础数据。

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 (10)

1.一种基于遥感影像的城市地表覆盖物精细分类方法，其特征在于，包括以下步骤：

获取Landsat数据和与所述Landsat数据分辨率一致地表温度；

根据Landsat数据计算光谱指数，将所述Landsat数据、光谱指数和地表温度进行像元级融合，作为输入数据；

根据预设的三层分类体系，从光谱库中提取第一层和第二层对应地物覆盖类型的光谱作为第一训练样本和第二训练样本；

基于XGBoost算法，将所述输入数据和所述第一训练样本输入第一分类模型得到每个像元所属的地物覆盖类别，并作为第一分类数据；

基于XGBoost算法，将所述第一分类数据和所述第二训练样本输入第二分类模型计算各像元内地物覆盖类型的概率，并作为第二分类数据；

根据所述第二分类数据中的各类地物覆盖类型和所述三层分类体系，从光谱库中提取该类地物覆盖类型对应细分的光谱作为第三训练样本；

基于XGBoost算法，将所述第二分类数据和所述第三训练样本输入第三分类模型，得到细分地物覆盖类型在像元内的丰度；

根据所述第二分类数据和第三分类数据的乘积，得到细分的地物覆盖类型在像元内的丰度。

2.根据权利要求1所述的基于遥感影像的城市地表覆盖物精细分类方法，其特征在于，所述获取与所述Landsat数据分辨率一致地表温度的步骤包括：

利用辐射传输方程法反演地表温度，并重采样至与所述Landsat数据分辨率一致的空间分辨率。

3.根据权利要求1所述的基于遥感影像的城市地表覆盖物精细分类方法，其特征在于，所述预设的三层分类体系中的第一层包括：混合、不透水面、纯植被、纯裸土像元和纯水体；

第二层中包括：不透水面+水、不透水面+植被、其他、混合不透水面和各种纯净不透水面，其中，所述不透水面+水像元、不透水面+植被像元和其他像元由第一层中的混合像元得到，所述混合不透水面和各种纯净不透水面由第一层中的不透水面分类得到；

第三层包括：金属、水泥、沥青、石材、砖/瓦、塑胶、树木、草地、裸土和水体。

4.根据权利要求1所述的基于遥感影像的城市地表覆盖物精细分类方法，其特征在于，所述基于遥感影像的城市地表覆盖物精细分类方法还包括以下步骤：构建光谱库，该步骤包括：

在Landsat图像上分别选择纯净地物样本和混合地物样本，从样本中提取对应地物覆盖类型的光谱构建光谱库；

其中，若一地物覆盖类型无法从Landast数据中提取出对应地物覆盖类型的光谱，收集该地物类型样本，利用光谱仪对该地物覆盖类型样本进行实测，按照以下方式，对测量光谱进行重采样，得到与Landast数据波段一致的光谱：

其中，ρ_i为重采样后的波段i的光谱值；ρ_i,j为Landsat数据中第i波段对应波长范围的光谱值，n_i为测量光谱中在该波长范围内的波段数。

5.根据权利要求1所述的基于遥感影像的城市地表覆盖物精细分类方法，其特征在于，所述基于遥感影像的城市地表覆盖物精细分类方法还包括以下步骤：

获取与所述Landsat数据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第三分类模型输出数据的精度。

6.一种基于遥感影像的城市地表覆盖物精细分类装置，其特征在于，包括：

数据获取模块，用于获取Landsat数据和与所述Landsat数据分辨率一致地表温度；

数据处理模块，用于根据Landsat数据计算光谱指数，将所述Landsat数据、光谱指数和地表温度进行像元级融合，作为输入数据；

光谱提取模块，用于根据预设的三层分类体系，从光谱库中提取第一层和第二层对应地物覆盖类型的光谱作为第一训练样本和第二训练样本；

第一分类模块，用于基于XGBoost算法，将所述输入数据和所述第一训练样本输入第一分类模型得到每个像元所属的地物覆盖类别，并作为第一分类数据；

第二分类模块，用于基于XGBoost算法，将所述第一分类数据和所述第二训练样本输入第二分类模型计算各像元内地物覆盖类型的概率，并作为第二分类数据；

第三训练样本提取模块，用于根据所述第二分类数据中的各类地物覆盖类型和所述分类体系，从光谱库中提取该类地物覆盖类型对应细分的光谱作为第三训练样本；

第三分类模块，用于基于XGBoost算法，将所述第二分类数据和所述第三训练样本输入第三分类模型，得到细分地物覆盖类型在像元内的丰度作为第三分类数据；

丰度获取模块，用于根据所述第二分类数据和第三分类数据的乘积，得到细分的地物覆盖类型在像元内的丰度。

7.根据权利要求6所述基于遥感影像的城市地表覆盖物精细分类装置，其特征在于，所述数据获取模块包括：

地表温度获取单元，用于利用辐射传输方程法反演地表温度，并重采样至与所述Landsat数据分辨率一致的空间分辨率。

8.根据权利要求6所述基于遥感影像的城市地表覆盖物精细分类装置，其特征在于，所述预设的三层分类体系中的第一层包括：混合、不透水面、纯植被、纯裸土像元和纯水体；

第二层中包括：不透水面+水、不透水面+植被、其他、混合不透水面和各种纯净不透水面，其中，所述不透水面+水像元、不透水面+植被像元和其他像元由第一层中的混合像元得到，所述混合不透水面和各种纯净不透水面由第一层中的不透水面分类得到；

第三层包括：金属、水泥、沥青、石材、砖/瓦、塑胶、树木、草地、裸土和水体。

9.根据权利要求6所述基于遥感影像的城市地表覆盖物精细分类装置，其特征在于，所述基于遥感影像的城市地表覆盖物精细分类装置还包括：

光谱库构建模块，用于在Landsat图像上分别选择纯净地物样本和混合地物样本，从样本中提取对应地物覆盖类型的光谱构建光谱库；

其中，若一地物覆盖类型无法从Landast数据中提取出对应地物覆盖类型的光谱，收集该地物类型样本，利用光谱仪对该地物覆盖类型样本进行实测，按照以下方式，对测量光谱进行重采样，得到与Landast数据波段一致的光谱：

其中，ρ_i为重采样后的波段i的光谱值；ρ_i,j为Landsat数据中第i波段对应波长范围的光谱值，n_i为测量光谱中在该波长范围内的波段数。

10.根据权利要求6所述基于遥感影像的城市地表覆盖物精细分类装置，其特征在于，所述基于遥感影像的城市地表覆盖物精细分类装置还包括：

参考数据获取模块，用于获取与所述Landsat数据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；

精度值计算模块，根据所述参考数据集验证所述第三分类模型输出数据的精度。

Images