CN111666900A - 基于多源遥感影像的土地覆盖分类图的获取方法和装置 - Google Patents

基于多源遥感影像的土地覆盖分类图的获取方法和装置 Download PDF

Info

Publication number
CN111666900A
CN111666900A CN202010520052.7A CN202010520052A CN111666900A CN 111666900 A CN111666900 A CN 111666900A CN 202010520052 A CN202010520052 A CN 202010520052A CN 111666900 A CN111666900 A CN 111666900A
Authority
CN
China
Prior art keywords
modis
landsat
pixel
image
land cover
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
CN202010520052.7A
Other languages
English (en)
Other versions
CN111666900B (zh
Inventor
黄翀
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202010520052.7A priority Critical patent/CN111666900B/zh
Publication of CN111666900A publication Critical patent/CN111666900A/zh
Application granted granted Critical
Publication of CN111666900B publication Critical patent/CN111666900B/zh
Expired - Fee Related 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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供一种基于多源遥感影像的土地覆盖分类图的获取方法和装置，该方法包括从采集的MODIS影像数据中提取MODIS的模糊分类结果和局部权重，从采集的Landsat影像数据中提取Landsat模糊分类结果、局部权重和全局精度，从采集的MODIS影像数据和Landsat影像数据中提取MODIS全局精度，然后将MODIS的全局精度、局部权重和模糊分类结果，Landsat的全局精度、局部权重和模糊分类结果进行融合，获取MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。本发明实施例提供的方法和装置，实现了提高土地覆盖分类图获取时的土地覆盖分类的精度。

Description

基于多源遥感影像的土地覆盖分类图的获取方法和装置
技术领域
本发明涉及土地覆盖分类技术领域，尤其涉及一种基于多源遥感影像的土地覆盖分类图的获取方法和装置。
背景技术
土地覆被分类与识别是遥感应用领域的基本问题之一，土地覆盖变化对环境质量、生物多样性、陆地生态系统的生产力和适应能力等影响深刻。土地覆盖分类方法是了解土地覆盖的分布特点和区域结构的关键技术，遥感以其成本低、效率高的优势已成为土地覆盖分类的主要数据源。
热带地区气候湿润，降雨充沛，由于气旋影响，云覆盖量大，遥感影像云污染比例高，造成影像的无效像元间隔大。此外，充分的光热和水分条件致使植被物候多变，给基于单幅影像的土地覆被分类造成困难。为解决此问题，现有技术利用具有高重访特征的MODIS时间序列NDVI数据，引入动态时间规整方法，通过与地物标准NDVI时序曲线相似度对比进行模糊分类，充分挖掘高频率遥感的时态维信息，在一定程度上解决了因下垫面季节性变化引起的分类误差，提高土地覆被分类精度，一定程度上解决了因复杂下垫面造成的同物异谱和同谱异物难题。
然而，在基于MODIS NDVI遥感影像进行土地覆被分类时，若区域内包含的地物类型分布较为分散且分布面积较小，则此类地物的分类精度往往不理想，因为MODIS数据空间分辨率较低，容易存在混合像元，当某一地物类型面积很小且分布破碎时，由于混合像元的存在，导致其分类精度较低。
因此，如何避免现有的基于MODIS NDVI遥感影像进行土地覆被分类时由于MODIS数据空间分辨率较低造成的分类精度较低的情况，仍然是本领域技术人员亟待解决的问题。
发明内容
本发明实施例提供一种基于多源遥感影像的土地覆盖分类图的获取方法和装置，用以解决现有的基于MODIS NDVI遥感影像进行土地覆被分类时由于MODIS数据空间分辨率较低造成的分类精度较低的问题。
第一方面，本发明实施例提供一种基于多源遥感影像的土地覆盖分类图的获取方法，包括：
采集预设时间段内和预设区域内的MODIS影像数据和Landsat影像数据；
基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果为MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值；
基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重；
基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果为Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值；
基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重；
基于所述Landsat模糊分类结果确定Landsat全局精度，所述Landsat全局精度为Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵；
基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵；
基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。
优选地，该方法中，所述基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果包括MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值MODIS像元，具体包括：
对所述MODIS影像数据进行数据预处理，得到MODIS影像上每个MODIS像元的NDVI时序曲线；
将所述MODIS影像数据加载到Google Earth上，进行人工随机采样并人工标注采样点所在的MODIS像元的土地覆盖类型；
筛选所述采样点所在的MODIS像元中的纯MODIS像元；
基于所述纯MODIS像元的土地覆盖类型确定各土地覆盖类型对应的参考NDVI时序曲线；
基于所述每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值。
优选地，该方法中，所述基于所述每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的第j类土地覆盖类型的隶属度值
Figure BDA0002531705100000031
Figure BDA0002531705100000032
其中，
Figure BDA0002531705100000033
为MODIS像元i的NDVI时序曲线对应的离散函数，
Figure BDA0002531705100000034
表示MODIS像元i在时序为l时的NDVI值，l＝1,2,…M，M为时序取值的总个数，
Figure BDA0002531705100000035
为第j类土地覆盖类型对应的参考NDVI时序曲线对应的离散函数，
Figure BDA0002531705100000036
表示第j类土地覆盖类型在时序为l时的参考NDVI值，j＝1,2,…,N，N为土地覆盖类型的总类数。
优选地，该方法中，所述基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的模糊分类结果的模糊指数
Figure BDA0002531705100000046
Figure BDA0002531705100000042
其中，α为指数系数，0＜α＜1，
Figure BDA0002531705100000043
为所述MODIS影像中MODIS像元i的第j类土地覆盖类型的隶属度值，j＝1,2,…,N，N为土地覆盖类型的总类数；
通过如下公式确定所述MODIS影像中MODIS像元i的各土地覆盖类型的隶属度值的权重wi：
Figure BDA0002531705100000044
其中，
Figure BDA0002531705100000045
为所述MODIS影像中MODIS像元i的模糊分类结果的模糊指数；所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重集合{w1,w2,...,wi,...,wS}为MODIS局部权重，S为所述MODIS影像中MODIS像元的总个数。
优选地，该方法中，所述基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果包括Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值，具体包括：
对所述Landsat影像数据进行最小单元为对象的影像分割，使得分割后的任一Landsat对象内的土地覆盖类别相同；
将所述Landsat影像数据记载到Google Earth上，进行人工随机采样并人工标注采样点所在的采样Landsat对象的土地覆盖类型；
基于任一采样Landsat对象中的所有Landsat像元的前七个波段值、NDVI值和形状特征确定所述任一采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征；
将Landsat影像中任一Landsat对象的前七个波段值、NDVI值和形状特征输入Landsat模糊分类模型，输出所述任一Landsat对象的各土地覆盖类型的隶属度值，进而确定任一Landsat像元的各土地覆盖类型的隶属度值；
其中，所述Landsat模糊分类模型是基于采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征和对应于各采样Landsat对象的土地覆盖类型标签进行训练后得到的，训练时使用的网络模型为最邻近分类器；
对应地，所述基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重，具体包括：
通过如下公式确定所述Landsat影像中Landsat像元p的模糊分类结果的模糊指数
Figure BDA0002531705100000058
Figure BDA0002531705100000052
其中，α为指数系数，0＜α＜1，
Figure BDA0002531705100000053
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的隶属度值，j＝1,2,…,N，N为土地覆盖类型的总类数；
通过如下公式确定所述Landsat影像中Landsat像元p的各土地覆盖类型的隶属度值的权重w’p：
Figure BDA0002531705100000054
其中，
Figure BDA0002531705100000055
为所述Landsat影像中Landsat像元p的模糊分类结果的模糊指数；所述Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值的权重集合{w’1,w’2,...,w’p,...,w’R}为Landsat局部权重，R为所述Landsat影像中Landsat像元的总个数。
优选地，该方法中，所述基于所述Landsat模糊分类结果确定Landsat全局精度，具体包括：
通过如下公式确定所述Landsat影像中Landsat像元p的第j类土地覆盖类型的分类精度
Figure BDA0002531705100000059
Figure BDA0002531705100000057
其中，tpj为被所述Landsat模糊分类结果确定为第j类土地覆盖类型的采样点个数占实际为第j类土地覆盖类型的采样点个数的比重；prj为所述Landsat模糊分类结果中正确分类为第j类土地覆盖类型的采样点个数占被所述Landsat模糊分类结果确定为第j类土地覆盖类型的采样点个数的比重；p＝1,2,…,R，R为所述Landsat影像中Landsat像元的总个数，所述Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵为Landsat全局精度。
优选地，该方法中，所述基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的第j类土地覆盖类型的中间分类精度
Figure BDA0002531705100000061
Figure BDA0002531705100000062
其中，tp’j为被所述MODIS模糊分类结果确定为第j类土地覆盖类型的采样点个数占实际为第j类土地覆盖类型的采样点个数的比重；pr’j为所述MODIS模糊分类结果中正确分类为第j类土地覆盖类型的采样点个数占被所述MODIS模糊分类结果确定为第j类土地覆盖类型的采样点个数的比重；i＝1,2,…,N，N为所述MODIS影像中MODIS像元的总个数；
通过如下公式确定所述MODIS影像中Landsat像元p的第j类土地覆盖类型的分类的全局精度
Figure BDA0002531705100000063
Figure BDA0002531705100000064
其中，qp为所述MODIS影像中Landsat像元p所在的Landsat对象占所述Landsat像元p所在的MODIS像元的面积占比等级，ip为所述MODIS影像中Landsat像元p所在的MODIS像元，
Figure BDA0002531705100000065
为所述MODIS影像中MODIS像元ip的第j类土地覆盖类型的中间分类精度，Aq是采样点所在Landsat对象占所述采样点所在MODIS像元的不同面积占比等级q下的分类精度，q＝1,2,3,…,Q,Q为面积占比等级总数，面积占比等级q对应的面积占比取值范围为
Figure BDA0002531705100000066
所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵为MODIS全局精度。
优选地，该方法中，所述基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图，具体包括：
通过如下公式确定所述MODIS影像中的Landsat像元p的第j类土地覆盖类型的融合隶属度值
Figure BDA0002531705100000071
Figure BDA0002531705100000072
其中，qp为所述MODIS影像中Landsat像元p所在的Landsat对象占所述Landsat像元p所在的MODIS像元的面积占比等级，ip为所述MODIS影像中Landsat像元p所在的MODIS像元，
Figure BDA0002531705100000073
为所述MODIS影像中MODIS像元ip的各土地覆盖类型的隶属度值的权重，
Figure BDA0002531705100000074
为所述MODIS影像中MODIS像元ip的第j类土地覆盖类型的隶属度值，
Figure BDA0002531705100000075
为MODIS影像中Landsat像元p的第j类土地覆盖类型的分类的全局精度，w’p为所述Landsat影像中Landsat像元p的各土地覆盖类型的隶属度值的权重，
Figure BDA0002531705100000076
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的隶属度值，
Figure BDA0002531705100000077
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的分类精度；
确定所述MODIS影像中任一Landsat像元的各土地覆盖类型的融合隶属度值的最大值对应的土地覆盖类型为所述任一Landsat像元的最可能土地覆盖类型；
基于所述MODIS影像中各Landsat像元的最可能土地覆盖类型构成土地覆盖分类图。
第二方面，本发明实施例提供一种基于多源遥感影像的土地覆盖分类图的获取装置，包括：
采集单元，用于采集预设时间段内和预设区域内的MODIS影像数据和Landsat影像数据；
M分类单元，用于基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果为MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值；
M权重单元，用于基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重；
L分类单元，用于基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果为Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值；
L权重单元，用于基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重；
L全局单元，用于基于所述Landsat模糊分类结果确定Landsat全局精度，所述Landsat全局精度为Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵；
M全局单元，用于基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵；
融合单元，用于基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的基于多源遥感影像的土地覆盖分类图的获取方法的步骤。
本发明实施例提供的方法和装置，通过从采集的MODIS影像数据中提取MODIS模糊分类结果、MODIS局部权重，从采集的Landsat影像数据中提取Landsat模糊分类结果、Landsat局部权重和Landsat全局精度，从采集的MODIS影像数据和Landsat影像数据中提取MODIS全局精度，然后将MODIS全局精度、MODIS局部权重、MODIS模糊分类结果、Landsat全局精度、Landsat局部权重和Landsat模糊分类结果进行融合，获取MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。因此，本发明实施例将空间分辨率较高的Landsat数据与时间分辨率较高的MODIS数据进行融合，使得土地覆盖分类图获取过程中通过Landsat数据弥补MODIS数据空间分辨率的缺陷而提高土地覆盖分类的精度。如此，本发明实施例提供的方法和装置，实现了提高土地覆盖分类图获取时的土地覆盖分类的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于多源遥感影像的土地覆盖分类图的获取方法的流程示意图；
图2为本发明实施例提供的基于多源遥感影像的土地覆盖分类图的获取装置的结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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付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。
现有的基于MODIS NDVI遥感影像进行土地覆被分类普遍存在由于MODIS数据空间分辨率较低而造成的分类精度较低的问题。对此，本发明实施例提供了一种基于多源遥感影像的土地覆盖分类图的获取方法。图1为本发明实施例提供的基于多源遥感影像的土地覆盖分类图的获取方法的流程示意图，如图1所示，该方法包括：
步骤110，采集预设时间段内和预设区域内的MODIS影像数据和Landsat影像数据。
具体地，通常是对某个特定区域的土地覆盖类型作分析，因此，对于采集范围为全球的MODIS影像数据和Landsat影像数据需要进行预设区域的提取，分别提取需要分析的特定区域在全球MODIS影像数据和全球Landsat影像数据中对应于所述特定区域的MODIS影像数据和Landsat影像数据，而MODIS影像数据是每隔8天连续采集的全球地面影像，因此，一年有46张MODIS影像，Landsat影像数据是每隔16天连续采集的全球地面影像，一年后中采集的Landsat影像通常只有2-3张在所述特定区域处没有云层遮挡的噪声，因此，人工选取一张Landsat影像。为了能基于全年的土地覆盖变化作出分类，优选预设时间段为连续的一年时间，即采集连续一年中的46张MODIS影像和筛选其中的一张Landsat影像。
步骤120，基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果为MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值。
具体地，首先设置特定区域内需要进行土地覆盖类型分类的总类数和各土地覆盖类型，根据实际情况，可以设置不同的土地覆盖类型分类的总类数和各土地覆盖类型。例如，可以将土地覆盖类型分为5类，分别是小麦、水稻、旱地、水体和建筑物，也可以将土地覆盖类型分为6类，分别是小麦、水稻、旱地、水体、森林和玉米，需要根据实际情况进行设置。而确定MODIS模糊分类结果，即确定MODIS影像中各MODIS像元被分为各种土地覆盖类型的可能性，此处用隶属度值表示此可能性。而由于采集的预设时间段内的MODIS影像数据通常包括多张时序上连续的MODIS影像，因此，可以根据MODIS影像数据得到各个MODIS像元上的NDVI值的时序曲线。通过采样所述MODIS影像数据得到采样纯MODIS像元，所述采样纯MODIS像元表示采样点所在MODIS像元的土地覆盖类型一致。然后，基于各土地覆盖类型对应的纯像元上的NDVI值的时序曲线确定各土地覆盖类型对应的标准参考NDVI值的时序曲线。最后，通过计算MODIS影像数据得到各个MODIS像元上的NDVI值的时序曲线与各土地覆盖类型对应的标准参考NDVI值的时序曲线的欧式距离确定各MODIS像元的各种土地覆盖类型的隶属度值。
步骤130，基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重。
具体地，基于MODIS模糊分类结果可以确定MODIS模糊分类隶属度集的局部精度，即MODIS局部权重，用于后续MODIS精度和Landsat精度融合时与MODIS模糊分类隶属度加权使用。通常是基于MODIS模糊分类隶属度集的模糊程度，给予其权重值，隶属度集的模糊程度越低，权重值越接近1，并以此权重来代表MODIS影像模糊分类的局部精度。优选衡量MODIS模糊分类隶属度集的模糊程度的方法是通过计算隶属度集的α二次熵的隶属度熵值，任一土地覆盖类型的隶属度熵值越大表示隶属度值越接近，则隶属度的模糊度越小，因此，该任一土地覆盖类型的局部权重与所述任一土地覆盖类型的隶属度熵值负相关。此处需要说明的是，不同MODIS像元的同一土地覆盖类型的局部权重相同。
步骤140，基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果为Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值。
具体地，首先对Landsat影像数据进行面向对象影像分割，分割得到的最小单位为Landsat对象，通常一个对象中包括多个Landsat像元，而一个Landsat对象最大不超过一个MODIS像元，通常是一个MODIS像元包括多个Landsat对象，由于Landsat影像数据的空间分辨率远高于MODIS影像数据，因此，一个MODIS像元对应的实际大小通常是一个Landsat像元对应的实际大小的几百倍。由于分割的规则是基于Landsat像元的光学特征之间相似度进行聚类，故同一个Landsat对象对应的土地覆盖类型一致。此处确定Landsat模糊分类结果需要使用机器学习方法，对Landsat影像进行采样，并人工标注采样点对应的土地覆盖类型，因此，可以得到该采样点所在Landsat对象的真实土地覆盖类型，该真实土地覆盖类型可以作为该采样点所在Landsat对象(即采样Landsat对象)的土地覆盖类型，即可以作为样本Landsat对象的土地覆盖类型标签，同时，可以提取采样Landsat对象各种光学特征作为样本Landsat对象的各种样本光学特征，然后，通过将上述样本Landsat对象的各种样本光学特征和样本Landsat对象的土地覆盖类型标签构建神经网络进行训练，可以得到土地覆盖分类模型。当将Landsat影像中任一Landsat对象的各种样本光学特征输入到该土地覆盖分类模型，即可以输出该任一Landsat对象的各土地覆盖类型的概率值(即隶属度值)，而同一Landsat对象中的Landsat像元的各土地覆盖类型的概率值集合是相同的，因此，可以得到Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值。
步骤140，基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重。
具体地，与步骤120中求MODIS局部权重的方法一样，也是基于Landsat模糊分类结果可以确定Landsat模糊分类隶属度集的局部精度，即Landsat局部权重，用于后续MODIS精度和Landsat精度融合时与Landsat模糊分类隶属度加权使用。通常是基于Landsat模糊分类隶属度集的模糊程度，给予其权重值，隶属度集的模糊程度越低，权重值越接近1，并以此权重来代表Landsat影像模糊分类的局部精度。优选衡量Landsat模糊分类隶属度集的模糊程度的方法是通过计算隶属度集的α二次熵的隶属度熵值，任一土地覆盖类型的隶属度熵值越大表示隶属度值越接近，则隶属度的模糊度越小，因此，该任一土地覆盖类型的局部权重与所述任一土地覆盖类型的隶属度熵值负相关。此处需要说明的是，不同Landsat像元的同一土地覆盖类型的局部权重相同。
步骤150，基于所述Landsat模糊分类结果确定Landsat全局精度，所述Landsat全局精度为Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵。
具体地，Landsat全局精度是通过对Landsat影像进行采样并标注实际土地覆盖类型后，基于Landsat模糊分类结果和采样点所在的Landsat像元的实际土地覆盖类型求出各个土地覆盖类型的查全率和查准率，进而确定各个土地覆盖类型的分类精度。此处需要说明的是，对于不同Landsat像元之间的同一土地覆盖类型的分类精度相同。
步骤160，基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵。
具体地，确定MODIS全局精度分为两个步骤，第一个步骤与步骤150中确定Landsat全局精度的方法一样，也是对MODIS影像进行采样并标注实际土地覆盖类型后，基于MODIS模糊分类结果和采样点所在的MODIS像元的实际土地覆盖类型求出各个土地覆盖类型的查全率和查准率，进而确定各个土地覆盖类型的中间分类精度。此处需要说明的是，对于不同MODIS像元之间的同一土地覆盖类型的中间分类精度相同。第一个步骤确定的仅仅是各个土地覆盖类型的中间分类精度，第二个步骤是基于中间分类精度确定各个Landsat像元的各类土地覆盖类型的分类的全局精度，此处需要说明的是不同Landsat像元之间的同一土地覆盖类型的分类的全局精度相同，而此处确定的全局精度的对应的空间最小单位为Landsat像元是为了后续MODIS精度和Landsat精度融合时的维度的统一。而第二个步骤中基于各个土地覆盖类型的中间分类精度确定各类土地覆盖类型的分类的全局精度还需要引入一个通过采样获得的不同面积占比的分类精度。即基于各个土地覆盖类型的中间分类精度和采样点所在Landsat对象占所述采样点所在MODIS像元的不同面积占比等级q下的分类精度Aq来确定各类土地覆盖类型的分类的全局精度，q＝1,2,3,…,Q,Q为面积占比等级总数，面积占比等级q对应的面积占比取值范围为
Figure BDA0002531705100000131
步骤170，基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。
具体地，基于上述步骤120-160获得的MODIS全局精度、MODIS局部权重、MODIS模糊分类结果、Landsat全局精度、Landsat局部权重和Landsat模糊分类结果进行决策级融合，获得融合结果，即MODIS影像中各Landsat像元的各土地覆盖类型的融合隶属度值，然后确定所述MODIS影像中任一Landsat像元的各土地覆盖类型的融合隶属度值的最大值对应的土地覆盖类型为所述任一Landsat像元的最可能土地覆盖类型，再基于所述MODIS影像中各Landsat像元的最可能土地覆盖类型构成土地覆盖分类图。
本发明实施例提供的方法，通过从采集的MODIS影像数据中提取MODIS模糊分类结果、MODIS局部权重，从采集的Landsat影像数据中提取Landsat模糊分类结果、Landsat局部权重和Landsat全局精度，从采集的MODIS影像数据和Landsat影像数据中提取MODIS全局精度，然后将MODIS全局精度、MODIS局部权重、MODIS模糊分类结果、Landsat全局精度、Landsat局部权重和Landsat模糊分类结果进行融合，获取MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。因此，本发明实施例将空间分辨率较高的Landsat数据与时间分辨率较高的MODIS数据进行融合，使得土地覆盖分类图获取过程中通过Landsat数据弥补MODIS数据空间分辨率的缺陷而提高土地覆盖分类的精度。如此，本发明实施例提供的方法，实现了提高土地覆盖分类图获取时的土地覆盖分类的精度。
基于上述实施例，该方法中，所述基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果包括MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值MODIS像元，具体包括：
对所述MODIS影像数据进行数据预处理，得到MODIS影像上每个MODIS像元的NDVI时序曲线；
将所述MODIS影像数据加载到Google Earth上，进行人工随机采样并人工标注采样点所在的MODIS像元的土地覆盖类型；
筛选所述采样点所在的MODIS像元中的纯MODIS像元；
基于所述纯MODIS像元的土地覆盖类型确定各土地覆盖类型对应的参考NDVI时序曲线；
基于所述每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值。
具体地，首先对MODIS影像数据进行数据预处理，基于MODIS09Q1数据，使用MRT工具进行影像拼接和投影转换，获得NDVI时序影像，然后，使用LDOPE软件解码MODIS HDF文件，获得NDVI质量文件，最后，将NDVI时序影像以及NDVI质量文件，输入TIMESAT软件，利用S-G滤波方法得到用于使用的MODIS影像上每个MODIS像元的NDVI时序曲线。再将所述MODIS影像数据加载到Google Earth上，进行人工随机采样并人工标注采样点所在的MODIS像元的土地覆盖类型，筛选所述采样点所在的MODIS像元中的纯MODIS像元，然后基于所述纯MODIS像元的土地覆盖类型确定各土地覆盖类型对应的参考NDVI时序曲线。例如筛选出500个纯MODIS像元，其中，有30个纯MODIS像元的标注土地覆盖类型为小麦，然后，基于上述30个纯MODIS像元的NDVI时序曲线可以计算出小麦类型对应的参考NDVI时序曲线，计算方式即将上述30个纯MODIS像元的NDVI时序曲线求平均。通过上述方法，可以计算出其他各土地覆盖类型对应的参考NDVI时序曲线。最后，基于所述每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值，其中，计算每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线之间的相似度来确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值，而计算两条时序曲线之间的相似度的方法有多种，此处不作具体限定。
基于上述任一实施例，该方法中，所述基于所述每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的第j类土地覆盖类型的隶属度值
Figure BDA0002531705100000151
Figure BDA0002531705100000152
其中，
Figure BDA0002531705100000153
为MODIS像元i的NDVI时序曲线对应的离散函数，
Figure BDA0002531705100000154
表示MODIS像元i在时序为l时的NDVI值，l＝1,2,…M，M为时序取值的总个数，
Figure BDA0002531705100000161
为第j类土地覆盖类型对应的参考NDVI时序曲线对应的离散函数，
Figure BDA0002531705100000162
表示第j类土地覆盖类型在时序为l时的参考NDVI值，j＝1,2,…,N，N为土地覆盖类型的总类数。
具体地，对于计算每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线之间的相似度来确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值，此处计算相似度的方法选择计算时序曲线之间的欧氏距离，该欧式距离即将所有时序点对应的两时序曲线NDVI值之差的累加。
基于上述任一实施例，该方法中，所述基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的模糊分类结果的模糊指数
Figure BDA0002531705100000169
Figure BDA0002531705100000164
其中，α为指数系数，0＜α＜1，
Figure BDA0002531705100000165
为所述MODIS影像中MODIS像元i的第j类土地覆盖类型的隶属度值，j＝1,2,…,N，N为土地覆盖类型的总类数；
通过如下公式确定所述MODIS影像中MODIS像元i的各土地覆盖类型的隶属度值的权重wi：
Figure BDA0002531705100000166
其中，
Figure BDA0002531705100000167
为所述MODIS影像中MODIS像元i的模糊分类结果的模糊指数；所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重集合{w1,w2,...,wi,...,wS}为MODIS局部权重，S为所述MODIS影像中MODIS像元的总个数。
具体地，α为指数系数，0＜α＜1，优选地，α设置为0.5。
Figure BDA0002531705100000168
代表MODIS像元i的模糊分类结果的模糊性，可以称为α二次熵(即隶属度熵值)，通过如下公式计算：
Figure BDA0002531705100000171
任一土地覆盖类型的隶属度熵值越大表示隶属度值越接近，则隶属度的模糊度越小，因此，该任一土地覆盖类型的局部权重与所述任一土地覆盖类型的隶属度熵值负相关。此处通过如下公式表示负相关：
Figure BDA0002531705100000172
此处需要说明的是，不同MODIS像元的同一土地覆盖类型的局部权重相同。基于上述任一实施例，该方法中，所述基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果包括Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值，具体包括：
对所述Landsat影像数据进行最小单元为对象的影像分割，使得分割后的任一Landsat对象内的土地覆盖类别相同；
将所述Landsat影像数据记载到Google Earth上，进行人工随机采样并人工标注采样点所在的采样Landsat对象的土地覆盖类型；
基于任一采样Landsat对象中的所有Landsat像元的前七个波段值、NDVI值和形状特征确定所述任一采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征；
将Landsat影像中任一Landsat对象的前七个波段值、NDVI值和形状特征输入Landsat模糊分类模型，输出所述任一Landsat对象的各土地覆盖类型的隶属度值，进而确定任一Landsat像元的各土地覆盖类型的隶属度值；
其中，所述Landsat模糊分类模型是基于采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征和对应于各采样Landsat对象的土地覆盖类型标签进行训练后得到的，训练时使用的网络模型为最邻近分类器；
对应地，所述基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重，具体包括：
通过如下公式确定所述Landsat影像中Landsat像元p的模糊分类结果的模糊指数
Figure BDA0002531705100000173
Figure BDA0002531705100000181
其中，α为指数系数，0＜α＜1，
Figure BDA0002531705100000182
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的隶属度值，j＝1,2,…,N，N为土地覆盖类型的总类数；
通过如下公式确定所述Landsat影像中Landsat像元p的各土地覆盖类型的隶属度值的权重w’p：
Figure BDA0002531705100000183
其中，
Figure BDA0002531705100000184
为所述Landsat影像中Landsat像元p的模糊分类结果的模糊指数；所述Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值的权重集合{w’1,w’2,...,w’p,...,w’R}为Landsat局部权重，R为所述Landsat影像中Landsat像元的总个数。
具体地，对所述Landsat影像数据进行最小单元为对象的影像分割，由于分割的规则是基于Landsat像元的光学特征之间相似度进行聚类，故同一个Landsat对象对应的土地覆盖类型一致。
此处具体介绍采用eCongition软件对所述Landsat影像数据进行最小单元为对象的影像分割的原理：
eCognition软件的多分辨率分割(Multi-resolutionsegmentation)是自下而上的分割方法，其核心思想是分形网络演化思想，即利用图像分割的方法得到的分割图斑，图斑还可以在不同尺度上聚合。分形网络演化思想是基于像素从下向上的区域增长的分割算法，遵循异质性最小的原则，把光谱信息相似的邻近像元合并为一个同质的影像对象，分割后属于同一对象的所有像元都赋予同一含义。分割参数包括光谱异质性、形状异质性和整体异质性。
(1)对象的光谱异质性可以采用如下的定义：
Figure BDA0002531705100000185
式中，ωc是不同光谱波段的权重，σc是光谱值的标准差。标准差代表了影像灰度分布的波动情况，可以用来衡量整体差异，因此单个对象的光谱异质性可以理解为对象对应的各波段标准差的加权平均值。
对象合并前后的异质性用下面的式子来表示：
Figure BDA0002531705100000191
式中，hcolor为两个对象合并后得到的光谱异质性值和合并前对象obj1和obj2的各自光谱异质性值之和的差异，ωc表示参与分割合并的波段权重，nmerge，δc,merge分别表示合并后的区域面积和光谱方差，δc,obj1，nobj1，δc,obj2，nobj2分别为两个空间相邻区域的光谱方差和面积。
(2)对象的形状异质性可以采用如下的定义：
对象的形状异质性指标是由光滑度指数与紧凑度指数这两个子异质性指标所构成。所谓的紧凑度指数就是指对象的圆度，用来衡量区域接近圆形的程度，也可以作为衡量对象形状的规则程度的指标；平滑度指数和圆度有些类似，但是用来表示对象形状的平滑程度的，影像的平滑与否是衡量对象规则不规则的一种指标。对象合并前后的形状异质性增量为光滑度指数增量和紧凑度指数增量的加权平均值，ωsmoothness与ωcompactness代表两者间的权重调配，两者的和为1，其表达形式为：
hshape＝ωsmootjness×jsmootjness+ωcompactness×jcompactness
若平滑指标的权重较高，分割后的对象边界较为平滑，反之，若紧密指标的权重较高，分割后的对象形状较为紧密较接近矩形，根据不同的影像特性以及目标对象特性，两者间的权重调配亦有所不同，可依使用者的需求加以调整。加入形状的因子于影像分割的过程中，能约制对象形状的发展，使分割后的区域形状较平滑完整，较符合人的视觉习惯。
(3)对象的整体异质性可以采用如下的定义：
对象的整体异质性增量由光谱异质性增量和形状异质性增量的加权平均值所构成的。ωcolor与ωshape代表光谱与形状两者间的权重调配，两者之和为1，同样可以依据使者的需求进行调整，其计算公式为：
sp＝ωcolor×hcolor+ωshape×hshape
影像分割过程中对影像对象的空间特征、光谱特征和形状特征同时进行操作，因此生成的影像对象不仅包括了光谱同质性，而且包括了空间特征与形状特征的同质性。
对于基于任一采样Landsat对象中的所有Landsat像元的前七个波段值、NDVI值和形状特征确定所述任一采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征，即对上述所有Landsat像元的前七个波段值、NDVI值和形状特征求平均，将各平均值确定为任一采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征。
从Landsat模糊分类模型输出各Landsat对象的各土地覆盖类型的隶属度值后，由于同一Landsat对象中的Landsat像元的土地覆盖类型是相同的，因此，进而确定各Landsat对象中的所有Landsat像元的各土地覆盖类型的隶属度值，即可以确定各Landsat像元的各土地覆盖类型的隶属度值。
基于所述Landsat模糊分类结果确定Landsat局部权重的方法与基于所述MODIS模糊分类结果确定MODIS局部权重的方法相同。
基于上述任一实施例，该方法中，所述基于所述Landsat模糊分类结果确定Landsat全局精度，具体包括：
通过如下公式确定所述Landsat影像中Landsat像元p的第j类土地覆盖类型的分类精度
Figure BDA0002531705100000203
Figure BDA0002531705100000202
其中，tpj为被所述Landsat模糊分类结果确定为第j类土地覆盖类型的采样点个数占实际为第j类土地覆盖类型的采样点个数的比重；prj为所述Landsat模糊分类结果中正确分类为第j类土地覆盖类型的采样点个数占被所述Landsat模糊分类结果确定为第j类土地覆盖类型的采样点个数的比重；p＝1,2,…,R，R为所述Landsat影像中Landsat像元的总个数，所述Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵为Landsat全局精度。
具体地，Landsat全局精度是通过对Landsat影像进行采样并标注实际土地覆盖类型后，基于Landsat模糊分类结果和采样点所在的Landsat像元的实际土地覆盖类型求出各个土地覆盖类型的查全率和查准率，进而确定各个土地覆盖类型的分类精度。此处需要说明的是，对于不同Landsat像元之间的同一土地覆盖类型的分类精度相同。例如，从Landsat影像中采样30个采样点并进行人工标注其土地覆盖类型，其中，标注结果得到这30个采样点中实际有12个采样点是水稻类型，而基于Landsat模糊分类结果可以确定这30个采样点中有8个采样点的最可能类型是水稻，Landsat模糊分类结果可以得到这30个采样点的各个土地覆盖类型的隶属度值，确定任一采样点中的隶属度值的最大值对应的土地覆盖类型为所述任一采样点的最可能类型，而确定的8个最可能类型是水稻的采样点中与标注类型比对，只有6个是正确的，因此，tpj＝8/12，prj＝6/8，其中，j为水稻类型。
基于上述任一实施例，该方法中，所述基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的第j类土地覆盖类型的中间分类精度
Figure BDA0002531705100000211
Figure BDA0002531705100000212
其中，tp’j为被所述MODIS模糊分类结果确定为第j类土地覆盖类型的采样点个数占实际为第j类土地覆盖类型的采样点个数的比重；pr’j为所述MODIS模糊分类结果中正确分类为第j类土地覆盖类型的采样点个数占被所述MODIS模糊分类结果确定为第j类土地覆盖类型的采样点个数的比重；i＝1,2,…,N，N为所述MODIS影像中MODIS像元的总个数；
通过如下公式确定所述MODIS影像中Landsat像元p的第j类土地覆盖类型的分类的全局精度
Figure BDA0002531705100000213
Figure BDA0002531705100000214
其中，qp为所述MODIS影像中Landsat像元p所在的Landsat对象占所述Landsat像元p所在的MODIS像元的面积占比等级，ip为所述MODIS影像中Landsat像元p所在的MODIS像元，
Figure BDA0002531705100000215
为所述MODIS影像中MODIS像元ip的第j类土地覆盖类型的中间分类精度，Aq是采样点所在Landsat对象占所述采样点所在MODIS像元的不同面积占比等级q下的分类精度，q＝1,2,3,…,Q,Q为面积占比等级总数，面积占比等级q对应的面积占比取值范围为
Figure BDA0002531705100000221
所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵为MODIS全局精度。
具体地，确定MODIS全局精度分为两个步骤，第一个步骤与上述实施例中给出的确定Landsat全局精度的方法一样，也是对MODIS影像进行采样并标注实际土地覆盖类型后，基于MODIS模糊分类结果和采样点所在的MODIS像元的实际土地覆盖类型求出各个土地覆盖类型的查全率和查准率，进而确定各个土地覆盖类型的中间分类精度。此处需要说明的是，对于不同MODIS像元之间的同一土地覆盖类型的中间分类精度相同。第一个步骤确定的仅仅是各个土地覆盖类型的中间分类精度，第二个步骤是基于中间分类精度确定各个Landsat像元的各类土地覆盖类型的分类的全局精度，此处需要说明的是不同Landsat像元之间的同一土地覆盖类型的分类的全局精度相同，而此处确定的全局精度的对应的空间最小单位为Landsat像元是为了后续MODIS精度和Landsat精度融合时的维度的统一。而第二个步骤中基于各个土地覆盖类型的中间分类精度确定各类土地覆盖类型的分类的全局精度还需要引入一个通过采样获得的不同面积占比的分类精度。即基于各个土地覆盖类型的中间分类精度和采样点所在Landsat对象占所述采样点所在MODIS像元的不同面积占比等级q下的分类精度Aq来确定各类土地覆盖类型的分类的全局精度，q＝1,2,3,…,Q,Q为面积占比等级总数，面积占比等级q对应的面积占比取值范围为
Figure BDA0002531705100000222
其中，Aq是通过采样获得的不同面积占比的分类精度的方法举例说明：在MODIS影像中进行采样并标注各个采样点的土地覆盖类型，例如取Q＝10,面积占比等级q＝1对应的面积占比取值范围为[0,0.1),q＝2对应的面积占比取值范围为[0.1,0.2)，q＝3对应的面积占比取值范围为[0.2,0.3)，……,q＝10对应的面积占比取值范围为[0.9,1)。此时，有100个采样点，对于其中的第一个采样点，标注为水稻类型，所述第一个采样点所在的MODIS像元在MODIS模糊分类结果下可以得到最可能类型为水稻，而所述第一个采样点所在MODIS像元中3个Landsat对象的面积占比分别为0.1,0.2,0.7，那么此时Aq(q＝2)＝1/1＝100％,Aq(q＝3)＝1/1＝100％,Aq(q＝8)＝1/1＝100％；再看第二个采样点，标注为水稻类型，所述第二个采样点所在的MODIS像元在MODIS模糊分类结果下可以得到最可能类型为小麦，而所述第二个采样点所在MODIS像元中3个Landsat对象的面积占比分别为0.1,0.2,0.7，那么此时进行Aq的更新：Aq(q＝2)＝1/(1+1)＝50％,Aq(q＝3)＝1/(1+1)＝50％,Aq(q＝8)＝1/(1+1)＝100％；再看第三个采样点，标注为森林类型，所述第三个采样点所在的MODIS像元在MODIS模糊分类结果下可以得到最可能类型为水体，而所述第三个采样点所在MODIS像元中10个Landsat对象的面积占比都是0.1，那么此时进行Aq的更新：Aq(q＝2)＝1/(1+1+10)＝8.3％,Aq(q＝3)＝1/(1+1)＝50％,Aq(q＝8)＝1/(1+1)＝100％，依次进行后续剩余97个采样点的对Aq的更新，最后一个采样点更新得到的Aq即为本次采样100个采样点统计得到的Aq。
基于上述任一实施例，该方法中，所述基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图，具体包括：
通过如下公式确定所述MODIS影像中的Landsat像元p的的第j类土地覆盖类型的融合隶属度值
Figure BDA0002531705100000231
Figure BDA0002531705100000232
其中，qp为所述MODIS影像中Landsat像元p所在的Landsat对象占所述Landsat像元p所在的MODIS像元的面积占比等级，ip为所述MODIS影像中Landsat像元p所在的MODIS像元，
Figure BDA0002531705100000233
为所述MODIS影像中MODIS像元ip的各土地覆盖类型的隶属度值的权重，
Figure BDA0002531705100000234
为所述MODIS影像中MODIS像元ip的第j类土地覆盖类型的隶属度值，
Figure BDA0002531705100000235
为MODIS影像中Landsat像元p的第j类土地覆盖类型的分类的全局精度，w’p为所述Landsat影像中Landsat像元p的各土地覆盖类型的隶属度值的权重，
Figure BDA0002531705100000236
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的隶属度值，
Figure BDA0002531705100000237
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的分类精度；
确定所述MODIS影像中任一Landsat像元的各土地覆盖类型的融合隶属度值的最大值对应的土地覆盖类型为所述任一Landsat像元的最可能土地覆盖类型；
基于所述MODIS影像中各Landsat像元的最可能土地覆盖类型构成土地覆盖分类图。
具体地，通过公式
Figure BDA0002531705100000241
实现MODIS精度与Landsat精度决策级融合。
基于上述任一实施例，本发明实施例提供一种基于多源遥感影像的土地覆盖分类图的获取装置，图2为本发明实施例提供的基于多源遥感影像的土地覆盖分类图的获取装置的结构示意图。如图2所示，该装置包括采集单元210、M分类单元220、M权重单元230、L分类单元240、L权重单元250、L全局单元260、M全局单元270和融合单元280，其中，
所述采集单元210，用于采集预设时间段内和预设区域内的MODIS影像数据和Landsat影像数据；
所述M分类单元220，用于基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果为MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值；
所述M权重单元230，用于基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重；
所述L分类单元240，用于基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果为Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值；
所述L权重单元250，用于基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重；
所述L全局单元260，用于基于所述Landsat模糊分类结果确定Landsat全局精度，所述Landsat全局精度为Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵；
所述M全局单元270，用于基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵；
所述融合单元280，用于基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。
本发明实施例提供的装置，通过从采集的MODIS影像数据中提取MODIS模糊分类结果、MODIS局部权重，从采集的Landsat影像数据中提取Landsat模糊分类结果、Landsat局部权重和Landsat全局精度，从采集的MODIS影像数据和Landsat影像数据中提取MODIS全局精度，然后将MODIS全局精度、MODIS局部权重、MODIS模糊分类结果、Landsat全局精度、Landsat局部权重和Landsat模糊分类结果进行融合，获取MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。因此，本发明实施例将空间分辨率较高的Landsat数据与时间分辨率较高的MODIS数据进行融合，使得土地覆盖分类图获取过程中通过Landsat数据弥补MODIS数据空间分辨率的缺陷而提高土地覆盖分类的精度。如此，本发明实施例提供的装置，实现了提高土地覆盖分类图获取时的土地覆盖分类的精度。
基于上述任一实施例，该装置中，所述M分类单元，具体用于，
对所述MODIS影像数据进行数据预处理，得到MODIS影像上每个MODIS像元的NDVI时序曲线；
将所述MODIS影像数据加载到Google Earth上，进行人工随机采样并人工标注采样点所在的MODIS像元的土地覆盖类型；
筛选所述采样点所在的MODIS像元中的纯MODIS像元；
基于所述纯MODIS像元的土地覆盖类型确定各土地覆盖类型对应的参考NDVI时序曲线；
基于所述每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值。
基于上述任一实施例，该装置中，所述基于所述每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的第j类土地覆盖类型的隶属度值
Figure BDA0002531705100000261
Figure BDA0002531705100000262
其中，
Figure BDA0002531705100000263
为MODIS像元i的NDVI时序曲线对应的离散函数，
Figure BDA0002531705100000264
表示MODIS像元i在时序为l时的NDVI值，l＝1,2,…M，M为时序取值的总个数，
Figure BDA0002531705100000265
为第j类土地覆盖类型对应的参考NDVI时序曲线对应的离散函数，
Figure BDA0002531705100000266
表示第j类土地覆盖类型在时序为l时的参考NDVI值，j＝1,2,…,N，N为土地覆盖类型的总类数。
基于上述任一实施例，该装置中，所述M权重单元，具体用于，
通过如下公式确定所述MODIS影像中MODIS像元i的模糊分类结果的模糊指数
Figure BDA00025317051000002612
Figure BDA0002531705100000268
其中，α为指数系数，0＜α＜1，
Figure BDA0002531705100000269
为所述MODIS影像中MODIS像元i的第j类土地覆盖类型的隶属度值，j＝1,2,…,N，N为土地覆盖类型的总类数；
通过如下公式确定所述MODIS影像中MODIS像元i的各土地覆盖类型的隶属度值的权重wi：
Figure BDA00025317051000002610
其中，
Figure BDA00025317051000002611
为所述MODIS影像中MODIS像元i的模糊分类结果的模糊指数；所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重集合{w1,w2,...,wi,...,wS}为MODIS局部权重，S为所述MODIS影像中MODIS像元的总个数。
基于上述任一实施例，该装置中，所述L分类单元，具体用于，
对所述Landsat影像数据进行最小单元为对象的影像分割，使得分割后的任一Landsat对象内的土地覆盖类别相同；
将所述Landsat影像数据记载到Google Earth上，进行人工随机采样并人工标注采样点所在的采样Landsat对象的土地覆盖类型；
基于任一采样Landsat对象中的所有Landsat像元的前七个波段值、NDVI值和形状特征确定所述任一采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征；
将Landsat影像中任一Landsat对象的前七个波段值、NDVI值和形状特征输入Landsat模糊分类模型，输出所述任一Landsat对象的各土地覆盖类型的隶属度值，进而确定任一Landsat像元的各土地覆盖类型的隶属度值；
其中，所述Landsat模糊分类模型是基于采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征和对应于各采样Landsat对象的土地覆盖类型标签进行训练后得到的，训练时使用的网络模型为最邻近分类器；
对应地，所述L权重单元，具体用于，
通过如下公式确定所述Landsat影像中Landsat像元p的模糊分类结果的模糊指数
Figure BDA0002531705100000276
Figure BDA0002531705100000272
其中，α为指数系数，0＜α＜1，
Figure BDA0002531705100000273
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的隶属度值，j＝1,2,…,N，N为土地覆盖类型的总类数；
通过如下公式确定所述Landsat影像中Landsat像元p的各土地覆盖类型的隶属度值的权重w’p：
Figure BDA0002531705100000274
其中，
Figure BDA0002531705100000275
为所述Landsat影像中Landsat像元p的模糊分类结果的模糊指数；所述Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值的权重集合{w’1,w’2,...,w’p,...,w’R}为Landsat局部权重，R为所述Landsat影像中Landsat像元的总个数。
基于上述任一实施例，该装置中，所述L全局单元，具体用于，
通过如下公式确定所述Landsat影像中Landsat像元p的第j类土地覆盖类型的分类精度
Figure BDA0002531705100000287
Figure BDA0002531705100000282
其中，tpj为被所述Landsat模糊分类结果确定为第j类土地覆盖类型的采样点个数占实际为第j类土地覆盖类型的采样点个数的比重；prj为所述Landsat模糊分类结果中正确分类为第j类土地覆盖类型的采样点个数占被所述Landsat模糊分类结果确定为第j类土地覆盖类型的采样点个数的比重；p＝1,2,…,R，R为所述Landsat影像中Landsat像元的总个数，所述Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵为Landsat全局精度。
基于上述任一实施例，该装置中，所述M全局单元，具体用于，
通过如下公式确定所述MODIS影像中MODIS像元i的第j类土地覆盖类型的中间分类精度
Figure BDA0002531705100000283
Figure BDA0002531705100000284
其中，tp’j为被所述MODIS模糊分类结果确定为第j类土地覆盖类型的采样点个数占实际为第j类土地覆盖类型的采样点个数的比重；pr’j为所述MODIS模糊分类结果中正确分类为第j类土地覆盖类型的采样点个数占被所述MODIS模糊分类结果确定为第j类土地覆盖类型的采样点个数的比重；i＝1,2,…,N，N为所述MODIS影像中MODIS像元的总个数；
通过如下公式确定所述MODIS影像中Landsat像元p的第j类土地覆盖类型的分类的全局精度
Figure BDA0002531705100000285
Figure BDA0002531705100000286
其中，qp为所述MODIS影像中Landsat像元p所在的Landsat对象占所述Landsat像元p所在的MODIS像元的面积占比等级，ip为所述MODIS影像中Landsat像元p所在的MODIS像元，
Figure BDA0002531705100000291
为所述MODIS影像中MODIS像元ip的第j类土地覆盖类型的中间分类精度，Aq是采样点所在Landsat对象占所述采样点所在MODIS像元的不同面积占比等级q下的分类精度，q＝1,2,3,…,Q,Q为面积占比等级总数，面积占比等级q对应的面积占比取值范围为
Figure BDA0002531705100000292
所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵为MODIS全局精度。
基于上述任一实施例，该装置中，所述融合单元，具体用于，
通过如下公式确定所述MODIS影像中的Landsat像元p的第j类土地覆盖类型的融合隶属度值
Figure BDA0002531705100000293
Figure BDA0002531705100000294
其中，qp为所述MODIS影像中Landsat像元p所在的Landsat对象占所述Landsat像元p所在的MODIS像元的面积占比等级，ip为所述MODIS影像中Landsat像元p所在的MODIS像元，
Figure BDA0002531705100000295
为所述MODIS影像中MODIS像元ip的各土地覆盖类型的隶属度值的权重，
Figure BDA0002531705100000296
为所述MODIS影像中MODIS像元ip的第j类土地覆盖类型的隶属度值，
Figure BDA0002531705100000297
为MODIS影像中Landsat像元p的第j类土地覆盖类型的分类的全局精度，w’p为所述Landsat影像中Landsat像元p的各土地覆盖类型的隶属度值的权重，
Figure BDA0002531705100000298
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的隶属度值，
Figure BDA0002531705100000299
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的分类精度；
确定所述MODIS影像中任一Landsat像元的各土地覆盖类型的融合隶属度值的最大值对应的土地覆盖类型为所述任一Landsat像元的最可能土地覆盖类型；
基于所述MODIS影像中各Landsat像元的最可能土地覆盖类型构成土地覆盖分类图。
图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储在存储器303上并可在处理器301上运行的计算机程序，以执行上述各实施例提供的基于多源遥感影像的土地覆盖分类图的获取方法，例如包括：采集预设时间段内和预设区域内的MODIS影像数据和Landsat影像数据；
基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果为MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值；基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重；基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果为Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值；基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重；基于所述Landsat模糊分类结果确定Landsat全局精度，所述Landsat全局精度为Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵；基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵；基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于多源遥感影像的土地覆盖分类图的获取方法，例如包括：采集预设时间段内和预设区域内的MODIS影像数据和Landsat影像数据；
基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果为MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值；基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重；基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果为Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值；基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重；基于所述Landsat模糊分类结果确定Landsat全局精度，所述Landsat全局精度为Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵；基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵；基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于多源遥感影像的土地覆盖分类图的获取方法，其特征在于，包括：
采集预设时间段内和预设区域内的MODIS影像数据和Landsat影像数据；
基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果为MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值；
基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重；
基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果为Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值；
基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重；
基于所述Landsat模糊分类结果确定Landsat全局精度，所述Landsat全局精度为Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵；
基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵；
基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。
2.根据权利要求1所述的基于多源遥感影像的土地覆盖分类图的获取方法，其特征在于，所述基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果包括MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值MODIS像元，具体包括：
对所述MODIS影像数据进行数据预处理，得到MODIS影像上每个MODIS像元的NDVI时序曲线；
将所述MODIS影像数据加载到Google Earth上，进行人工随机采样并人工标注采样点所在的MODIS像元的土地覆盖类型；
筛选所述采样点所在的MODIS像元中的纯MODIS像元；
基于所述纯MODIS像元的土地覆盖类型确定各土地覆盖类型对应的参考NDVI时序曲线；
基于所述每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值。
3.根据权利要求2所述的基于多源遥感影像的土地覆盖分类图的获取方法，其特征在于，所述基于所述每个MODIS像元的NDVI时序曲线和所述各土地覆盖类型对应的参考NDVI时序曲线确定所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的第j类土地覆盖类型的隶属度值
Figure FDA0002531705090000021
Figure FDA0002531705090000022
其中，
Figure FDA0002531705090000023
为MODIS像元i的NDVI时序曲线对应的离散函数，
Figure FDA0002531705090000024
表示MODIS像元i在时序为l时的NDVI值，l＝1,2,…M，M为时序取值的总个数，
Figure FDA0002531705090000025
为第j类土地覆盖类型对应的参考NDVI时序曲线对应的离散函数，
Figure FDA0002531705090000026
表示第j类土地覆盖类型在时序为l时的参考NDVI值，j＝1,2,…,N，N为土地覆盖类型的总类数。
4.根据权利要求1所述的基于多源遥感影像的土地覆盖分类图的获取方法，其特征在于，所述基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的模糊分类结果的模糊指数
Figure FDA0002531705090000036
Figure FDA0002531705090000037
其中，α为指数系数，0＜α＜1，
Figure FDA0002531705090000033
为所述MODIS影像中MODIS像元i的第j类土地覆盖类型的隶属度值，j＝1,2,…,N，N为土地覆盖类型的总类数；
通过如下公式确定所述MODIS影像中MODIS像元i的各土地覆盖类型的隶属度值的权重wi：
Figure FDA0002531705090000034
其中，
Figure FDA0002531705090000035
为所述MODIS影像中MODIS像元i的模糊分类结果的模糊指数；所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重集合{w1,w2,...,wi,...,wS}为MODIS局部权重，S为所述MODIS影像中MODIS像元的总个数。
5.根据权利要求1所述的基于多源遥感影像的土地覆盖分类图的获取方法，其特征在于，所述基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果包括Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值，具体包括：
对所述Landsat影像数据进行最小单元为对象的影像分割，使得分割后的任一Landsat对象内的土地覆盖类别相同；
将所述Landsat影像数据记载到Google Earth上，进行人工随机采样并人工标注采样点所在的采样Landsat对象的土地覆盖类型；
基于任一采样Landsat对象中的所有Landsat像元的前七个波段值、NDVI值和形状特征确定所述任一采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征；
将Landsat影像中任一Landsat对象的前七个波段值、NDVI值和形状特征输入Landsat模糊分类模型，输出所述任一Landsat对象的各土地覆盖类型的隶属度值，进而确定任一Landsat像元的各土地覆盖类型的隶属度值；
其中，所述Landsat模糊分类模型是基于采样Landsat对象的样本前七个波段值、样本NDVI值和样本形状特征和对应于各采样Landsat对象的土地覆盖类型标签进行训练后得到的，训练时使用的网络模型为最邻近分类器；
对应地，所述基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重，具体包括：
通过如下公式确定所述Landsat影像中Landsat像元p的模糊分类结果的模糊指数
Figure FDA0002531705090000041
Figure FDA0002531705090000042
其中，α为指数系数，0＜α＜1，
Figure FDA0002531705090000043
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的隶属度值，j＝1,2,…,N，N为土地覆盖类型的总类数；
通过如下公式确定所述Landsat影像中Landsat像元p的各土地覆盖类型的隶属度值的权重w’p：
Figure FDA0002531705090000044
其中，
Figure FDA0002531705090000045
为所述Landsat影像中Landsat像元p的模糊分类结果的模糊指数；所述Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值的权重集合{w’1,w’2,...,w’p,...,w’R}为Landsat局部权重，R为所述Landsat影像中Landsat像元的总个数。
6.根据权利要求1所述的基于多源遥感影像的土地覆盖分类图的获取方法，其特征在于，所述基于所述Landsat模糊分类结果确定Landsat全局精度，具体包括：
通过如下公式确定所述Landsat影像中Landsat像元p的第j类土地覆盖类型的分类精度
Figure FDA0002531705090000046
Figure FDA0002531705090000047
其中，tpj为被所述Landsat模糊分类结果确定为第j类土地覆盖类型的采样点个数占实际为第j类土地覆盖类型的采样点个数的比重；prj为所述Landsat模糊分类结果中正确分类为第j类土地覆盖类型的采样点个数占被所述Landsat模糊分类结果确定为第j类土地覆盖类型的采样点个数的比重；p＝1,2,…,R，R为所述Landsat影像中Landsat像元的总个数，所述Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵为Landsat全局精度。
7.根据权利要求5所述的基于多源遥感影像的土地覆盖分类图的获取方法，其特征在于，所述基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵，具体包括：
通过如下公式确定所述MODIS影像中MODIS像元i的第j类土地覆盖类型的中间分类精度
Figure FDA0002531705090000051
Figure FDA0002531705090000052
其中，tp’j为被所述MODIS模糊分类结果确定为第j类土地覆盖类型的采样点个数占实际为第j类土地覆盖类型的采样点个数的比重；pr’j为所述MODIS模糊分类结果中正确分类为第j类土地覆盖类型的采样点个数占被所述MODIS模糊分类结果确定为第j类土地覆盖类型的采样点个数的比重；i＝1,2,…,N，N为所述MODIS影像中MODIS像元的总个数；
通过如下公式确定所述MODIS影像中Landsat像元p的第j类土地覆盖类型的分类的全局精度
Figure FDA0002531705090000053
Figure FDA0002531705090000054
其中，qp为所述MODIS影像中Landsat像元p所在的Landsat对象占所述Landsat像元p所在的MODIS像元的面积占比等级，ip为所述MODIS影像中Landsat像元p所在的MODIS像元，
Figure FDA0002531705090000055
为所述MODIS影像中MODIS像元ip的第j类土地覆盖类型的中间分类精度，Aq是采样点所在Landsat对象占所述采样点所在MODIS像元的不同面积占比等级q下的分类精度，q＝1,2,3,…,Q,Q为面积占比等级总数，面积占比等级q对应的面积占比取值范围为
Figure FDA0002531705090000056
所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵为MODIS全局精度。
8.根据权利要求1或7所述的基于多源遥感影像的土地覆盖分类图的获取方法，其特征在于，所述基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图，具体包括：
通过如下公式确定所述MODIS影像中的Landsat像元p的第j类土地覆盖类型的融合隶属度值
Figure FDA0002531705090000061
Figure FDA0002531705090000062
其中，qp为所述MODIS影像中Landsat像元p所在的Landsat对象占所述Landsat像元p所在的MODIS像元的面积占比等级，ip为所述MODIS影像中Landsat像元p所在的MODIS像元，
Figure FDA0002531705090000063
为所述MODIS影像中MODIS像元ip的各土地覆盖类型的隶属度值的权重，
Figure FDA0002531705090000064
为所述MODIS影像中MODIS像元ip的第j类土地覆盖类型的隶属度值，
Figure FDA0002531705090000065
为MODIS影像中Landsat像元p的第j类土地覆盖类型的分类的全局精度，w’p为所述Landsat影像中Landsat像元p的各土地覆盖类型的隶属度值的权重，
Figure FDA0002531705090000066
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的隶属度值，
Figure FDA0002531705090000067
为所述Landsat影像中Landsat像元p的第j类土地覆盖类型的分类精度；
确定所述MODIS影像中任一Landsat像元的各土地覆盖类型的融合隶属度值的最大值对应的土地覆盖类型为所述任一Landsat像元的最可能土地覆盖类型；
基于所述MODIS影像中各Landsat像元的最可能土地覆盖类型构成土地覆盖分类图。
9.一种基于多源遥感影像的土地覆盖分类图的获取装置，其特征在于，包括：
采集单元，用于采集预设时间段内和预设区域内的MODIS影像数据和Landsat影像数据；
M分类单元，用于基于所述MODIS影像数据确定MODIS模糊分类结果，所述MODIS模糊分类结果为MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值；
M权重单元，用于基于所述MODIS模糊分类结果确定MODIS局部权重，所述MODIS局部权重为所述MODIS影像中各MODIS像元的各土地覆盖类型的隶属度值的权重；
L分类单元，用于基于所述Landsat影像数据确定Landsat模糊分类结果，所述Landsat模糊分类结果为Landsat影像中各Landsat像元的各土地覆盖类型的隶属度值；
L权重单元，用于基于所述Landsat模糊分类结果确定Landsat局部权重，所述Landsat局部权重为所述Landsat影像中各Landsat像元对应土地覆盖类型的隶属度值的权重；
L全局单元，用于基于所述Landsat模糊分类结果确定Landsat全局精度，所述Landsat全局精度为Landsat影像中各Landsat像元的各土地覆盖类型的分类精度组成的矩阵；
M全局单元，用于基于所述MODIS模糊分类结果和基于所述Landsat影像数据进行面向对象影像分割得到的Landsat对象确定MODIS全局精度，所述MODIS全局精度为所述MODIS影像中各Landsat像元的各土地覆盖类型的分类的全局精度组成的矩阵；
融合单元，用于基于所述MODIS全局精度、所述MODIS局部权重、所述MODIS模糊分类结果、所述Landsat全局精度、所述Landsat局部权重和所述Landsat模糊分类结果确定所述MODIS影像中各Landsat像元对应的最终最可能土地覆盖类型，进而获取土地覆盖分类图。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一项所述的基于多源遥感影像的土地覆盖分类图的获取方法的步骤。
CN202010520052.7A 2020-06-09 2020-06-09 基于多源遥感影像的土地覆盖分类图的获取方法和装置 Expired - Fee Related CN111666900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010520052.7A CN111666900B (zh) 2020-06-09 2020-06-09 基于多源遥感影像的土地覆盖分类图的获取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010520052.7A CN111666900B (zh) 2020-06-09 2020-06-09 基于多源遥感影像的土地覆盖分类图的获取方法和装置

Publications (2)

Publication Number Publication Date
CN111666900A true CN111666900A (zh) 2020-09-15
CN111666900B CN111666900B (zh) 2022-06-03

Family

ID=72386297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010520052.7A Expired - Fee Related CN111666900B (zh) 2020-06-09 2020-06-09 基于多源遥感影像的土地覆盖分类图的获取方法和装置

Country Status (1)

Country Link
CN (1) CN111666900B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112806963A (zh) * 2021-01-27 2021-05-18 高也陶 一种人体气味嗅诊仪
CN113160237A (zh) * 2021-03-02 2021-07-23 中国科学院地理科学与资源研究所 一种土地覆被制图方法
RU2769575C1 (ru) * 2021-07-05 2022-04-04 Общество с ограниченной ответственностью «АГРОНОУТ» Способ генерации карт деградации почвенного покрова
CN114821362A (zh) * 2022-07-01 2022-07-29 江苏省水利科学研究院 一种基于多源数据的水稻种植面积提取方法
CN115359369A (zh) * 2022-10-19 2022-11-18 中国科学院、水利部成都山地灾害与环境研究所 一种基于时相自适应的山地卫星影像融合方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636779A (zh) * 2012-05-07 2012-08-15 武汉大学 一种基于重采样回归分析的亚像素积雪覆盖率提取方法
US20170235996A1 (en) * 2015-07-28 2017-08-17 Chiman KWAN Method and system for collaborative multi-satellite remote sensing
CN109101894A (zh) * 2018-07-19 2018-12-28 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636779A (zh) * 2012-05-07 2012-08-15 武汉大学 一种基于重采样回归分析的亚像素积雪覆盖率提取方法
US20170235996A1 (en) * 2015-07-28 2017-08-17 Chiman KWAN Method and system for collaborative multi-satellite remote sensing
CN109101894A (zh) * 2018-07-19 2018-12-28 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112806963A (zh) * 2021-01-27 2021-05-18 高也陶 一种人体气味嗅诊仪
CN113160237A (zh) * 2021-03-02 2021-07-23 中国科学院地理科学与资源研究所 一种土地覆被制图方法
CN113160237B (zh) * 2021-03-02 2021-11-02 中国科学院地理科学与资源研究所 一种土地覆被制图方法
RU2769575C1 (ru) * 2021-07-05 2022-04-04 Общество с ограниченной ответственностью «АГРОНОУТ» Способ генерации карт деградации почвенного покрова
WO2023282787A1 (ru) * 2021-07-05 2023-01-12 Общество с ограниченной ответственностью "АГРОНОУТ" Способ генерации карт деградации почвенного покрова
CN114821362A (zh) * 2022-07-01 2022-07-29 江苏省水利科学研究院 一种基于多源数据的水稻种植面积提取方法
CN114821362B (zh) * 2022-07-01 2022-09-23 江苏省水利科学研究院 一种基于多源数据的水稻种植面积提取方法
CN115359369A (zh) * 2022-10-19 2022-11-18 中国科学院、水利部成都山地灾害与环境研究所 一种基于时相自适应的山地卫星影像融合方法和系统

Also Published As

Publication number Publication date
CN111666900B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN111666900B (zh) 基于多源遥感影像的土地覆盖分类图的获取方法和装置
CN108764005B (zh) 一种高光谱遥感图像地物空间波谱特征提取方法及系统
Wang et al. A random forest classifier based on pixel comparison features for urban LiDAR data
Drăguţ et al. Automated object-based classification of topography from SRTM data
Sharifi et al. Agricultural field extraction with deep learning algorithm and satellite imagery
CN109472199B (zh) 一种图像融合分类的方法及装置
US9330336B2 (en) Systems, methods, and media for on-line boosting of a classifier
CN110309780A (zh) 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别
CN112819821B (zh) 一种细胞核图像检测方法
Peng et al. Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion
CN112396619B (zh) 一种基于语义分割的内部复杂组成的小型颗粒分割方法
CN107403434A (zh) 基于两阶段聚类的sar图像语义分割方法
CN109446894A (zh) 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN110516754A (zh) 一种基于多尺度超像元分割的高光谱图像分类方法
Van der Kwast et al. Inferring urban land use using the optimised spatial reclassification kernel
CN111079807A (zh) 一种地物分类方法及装置
CN115019163A (zh) 基于多源大数据的城市要素识别方法
Ming et al. Coupling relationship among scale parameter, segmentation accuracy, and classification accuracy in geobia
CN116563649B (zh) 基于张量映射网络的高光谱图像轻量化分类方法及装置
Albert et al. Land use classification using conditional random fields for the verification of geospatial databases
CN115147726B (zh) 城市形态图的生成方法、装置、电子设备和可读存储介质
CN108154107B (zh) 一种确定遥感图像归属的场景类别的方法
Wang et al. An unsupervised multi-scale segmentation method based on automated parameterization
CN114626459A (zh) 使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统
CN115239947A (zh) 基于无监督学习的小麦条锈病严重度评估方法及装置

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220603