CN111832486B - 一种基于合成孔径雷达的大尺度潮间带植被分类方法 - Google Patents
一种基于合成孔径雷达的大尺度潮间带植被分类方法 Download PDFInfo
- Publication number
- CN111832486B CN111832486B CN202010676492.1A CN202010676492A CN111832486B CN 111832486 B CN111832486 B CN 111832486B CN 202010676492 A CN202010676492 A CN 202010676492A CN 111832486 B CN111832486 B CN 111832486B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- annual
- classification
- intertidal
- intertidal zone
- 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
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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 Processing (AREA)
Abstract
本发明公开了一种基于合成孔径雷达的大尺度潮间带植被分类方法,包括以下步骤:潮间带基础情况实测;潮间带分区,基于潮间带基础情况调查结果对潮间带进行子区域划分;生成特征波谱数据集,基于原始合成孔径雷达数据计算新谱段并合成数据集;输入训练样本,随机均匀选不同地物若干个样本;阈值分割,基于样本对特征波谱数据集的提取,在频率分布图选取合适阈值以区分不同地区;生成决策树,基于各区域的阈值分割结果,构建一套大尺度潮间带植被分类体系;输入待分类区域,根据输入区域选择对应的决策树模型;生成分类结果;分类后处理;面积统计和制图。相比传统的小区域分类方法,本发明具有工作量小、操作简单、效率高、鲁棒性强等优势。
Description
技术领域
本发明涉及应用遥感技术的地物识别领域,具体涉及一种基于合成孔径雷达的大尺度潮间带植被分类方法。
技术背景
潮间带植被生态系统是海岸地区最具活力的生态系统之一。在海平面上升、人类活动加剧的背景下,潮间带植被发生了显著变化,快速掌握其空间分布特征在蓝碳固定、消浪缓流、生物多样性维持、生态保护、科学研究等多方面都具有重要意义,而潮间带植被制图是其中重要环节之一。
由于潮间带地区地质条件复杂、通达性差,基于实地调查的植被分类方法无法在潮间带地区开展,遥感技术是目前解决潮间带分类的一个有效方法。然而,因潮间带地区云雾覆盖时间长、潮汐动态变化幅度大等因素,常用的可见光遥感在潮间带植被提取上一般需要投入大量的人工和时间成本对数据进行筛选和处理,且无法很好地完成大尺度提取工作。近年来,合成孔径雷达(Synthetic Aperture Radar, SAR)作为一种新的遥感数据源,为潮间带监测提供了数据保障。合成孔径雷达一般提供单种或多种极化方式供选择,不同植被类型在不同极化模式下的后向散射系数存在差异。为了掌握潮间带植被分布状况,需要研究不同植被类型在不同极化方式下的特征,并根据植被种间的特征差异构建一套分类体系。在目前的研究中,尚缺乏一套这样的分类体系以完成潮间带植被的大尺度提取和分类工作。
发明内容
本发明的目的是为了解决目前遥感技术在潮间带植被分类上无法准确获得大尺度地表植被覆被情况的现状而提供的一种基于合成孔径雷达的大尺度潮间带植被分类方法,该方法根据不同植被类型在不同极化模式下的后向散射系数差异,提出了一套基于6个特征谱段的潮间带植被分类体系,可应用于潮间带区域大尺度植被分类工作,提高分类精度和效率。
实现本发明目的的具体技术方案是:
一种基于合成孔径雷达的大尺度潮间带植被分类方法,该方法主要包括如下步骤:
S1.潮间带基础情况实测,对待分类的大尺度潮间带区域进行实地观测,得到潮间带区域内生长植被的种类、植被经纬度坐标及植被空间分布面积数据,利用气象站点观测数据计算潮间带地区年均气温和年均降水量;
S2.潮间带分区,利用1°*1°的经纬网对待分类的大尺度潮间带进行划分,根据每个1°*1°网格内基础情况的差异,将基础情况相近即植被种类一致、年均气温相差<5℃、年均降水量相差<200mm/年的网格进行合并,得到若干个大尺度潮间带植被分类的子区域;
S3. 生成特征波谱数据集,利用全年合成孔径雷达数据计算年平均值,得到同极化VV和交叉极化VH两种极化模式下的地物年均后向散射系数,同时计算累计值(Sum),差值(Difference),比值(Radio)和归一化差异指数(NDI)四项指数,并将上述四项指数的计算结果与合成孔径雷达数据中VV和VH极化的计算结果合并,形成新的影像数据集合;四项指数的计算公式如下:
Sum=VHannual+VVannual
Difference=VHannual-VVannual
Radio=VHannual/VVannual
NDI=(VHannual-VVannual)/(VHannual+VVannual)
式中,VHannual代表VH极化模式下的年平均后向散射系数值,VVannual代表VV极化模式下的年平均后向散射系数值。
S4. 输入训练样本,根据步骤S1中得到的植被经纬度数据和植被空间分布数据,以训练样本的形式在步骤S3中合成的新的影像数据集中选取不同植被种类以及海水、潮滩的若干个斑块对影像数据集合中各个谱段的像元值进行提取;
S5. 阈值分割,根据不同植被种类在波谱数据集各个谱段中像元的差异,生成四组对应频率分布图,分别为不同地物类型在Sum谱段的频率分布图,不同地物类型在Difference谱段的频率分布图,不同地物类型在Radio谱段的频率分布图和不同地物类型在NDI谱段的频率分布图;采用递推法测试最优分割效果,利用错分率为评判标准,得到基于最优谱段的任意两种地物的最优阈值划分结果,得到不同植被种间分割以及植被与海水和潮滩之间分割的最优阈值和最优谱段;
S6. 生成决策树,根据步骤S5得到的最优阈值和最优谱段,构建该区域对应的植被分类决策树模型,依次计算各子区域的植被分类决策树模型并将各子区域决策树模型综合,得到大尺度潮间带植被分类决策树体系;
S7.输入待分类区域,在潮间带地区内自由选取任意区域,根据该区域的空间位置匹配对应的子区域决策树模型进行分类运算;
S8.生成分类结果,根据决策树模型的运算结果得到各地物类型的分类结果数据;
S9.分类后处理,利用遥感软件读取分类结果数据,并使用majority和minority分析、聚类处理、过滤处理或人工修正的分类后处理方法,对分类后的碎斑进行处理,得到修正后分类结果数据;
S10.面积统计和制图,根据分类后处理得到的分类结果数据,对数据中植被种类及其数量进行统计,得到各植被种类的面积分布数据,利用制图软件对分类结果进行符号化处理,得到潮间带植被分类结果数据;
与现有技术相比,本发明具备以下优点:
本发明实现了潮间带植被的大尺度准确制图工作。本发明首先利用年际合成孔径雷达数据,计算其两种极化模式下的年均后向散射系数及衍生特征谱段。采用合成孔径雷达数据避免了潮间带地区云雾覆盖对植被分类的影响。采用年际合成数据,反映了潮间带植被在一年中的平均情况,有效的避免了潮位变化对潮间带植被分类的影响。基于植被分类的实际状况,对大尺度潮间带范围进行空间划分并构建对应的决策树模型,保证了植被分类的准确性同时最大限度的减少分类器构建的工作量。本发明所涉及的基于合成孔径雷达的潮间带植被分类方法能够高效快捷地对潮间带区域的植被类型进行分类,提高了分类的精度,分类结果准确可信,方法稳定可重复,相比传统的小区域分类方法,具有工作量小、操作简单、效率高、鲁棒性强等优势。
附图说明
图1是本发明一种基于合成孔径雷达的大尺度潮间带植被分类方法的流程图;
图2是本发明实施例步骤五中不同植被种类训练样本在不同谱段上的频率分布图;
图3是本发明实施例中长江口区域所对应的分类模型;
图4是根据本发明实施例输入区域上海市崇明东滩国家自然保护区所生成的植被分类结果图。
具体实施方式
为了使本发明的优点、技术方案及目的更加准确、清晰,使得本领域普通技术人员可以实现本发明,下面结合本发明实施例中的附图,对本发明进行阐述。显然,以下实施例仅作为本发明的一种举例,本领域普通技术人员可以据此实现其他显而易见的变型,基于本实施例,本领域普通技术人员在不付出创造性劳动的前提下取得的其他变型方案、改进方案、等同方案以及没有背离本发明范围的其他技术方案,都属于本发明的保护范围。
参阅图1,本发明实施例的技术流程得以阐明。以中国潮间带地区为实施例,本发明基于合成孔径雷达的大尺度潮间带植被分类方法利用遥感技术,通过对潮间带的基础情况调查将中国潮间带分为数个子区域,并在各个子区域选择不同植被类型的训练样本,利用全年合成孔径雷达及其衍生数据构建数据集,根据训练样本在不同谱段上的分布情况,选择合适的阈值进行分割,得到各区域潮间带植被分类决策树模型,进而得到一套全国潮间带植被分类体系。通过空间选取的方式选择待分类区域,并利用对应的决策树模型得到分类结果,在分类后处理的基础上得到修正后的分类结果并进行统计和制图。主要包括以下步骤:
步骤一:.潮间带基础情况实测,对待分类的大尺度潮间带区域进行实地观测,得到潮间带区域内生长植被的种类、植被经纬度坐标及植被空间分布面积数据,利用气象站点观测数据计算潮间带地区年均气温和年均降水量。
步骤二:潮间带分区,利用1°*1°的经纬网对待分类的大尺度潮间带进行划分,根据每个1°*1°网格内基础情况的差异,将基础情况相近即植被种类一致、年均气温相差<5℃、年均降水量相差<200mm/年的网格进行合并,得到若干个大尺度潮间带植被分类的子区域。基于实际植被调查结果,本实施例中将中国潮间带为了五个区域,分别为:北方区域、黄河口区域、江苏区域、长江口区域和南方区域。其中北方区域潮间带植被种类主要为芦苇、互花米草和碱蓬;黄河口区域潮间带植被种类主要为芦苇、互花米草、碱蓬和柽柳;江苏区域潮间带植被种类主要为芦苇、互花米草和碱蓬;长江口区域潮间带植被种类主要为芦苇、互花米草和海三棱藨草;南方区域潮间带植被种类主要为芦苇、互花米草和红树林。
步骤三:生成特征波谱数据集,利用全年合成孔径雷达数据计算年平均值,得到同极化VV和交叉极化VH两种极化模式下的地物年均后向散射系数,同时计算累计值(Sum),差值(Difference),比值(Radio)和归一化差异指数(NDI)四项指数,并将上述四项指数的计算结果与合成孔径雷达数据中VV和VH极化的计算结果合并,形成新的影像数据集合。为后续分类提供数据基础;四项指数的计算公式如下:
Sum=VHannual+VVannual
Difference=VHannual-VVannual
Radio=VHannual/VVannual
NDI=(VHannual-VVannual)/(VHannual+VVannual)
式中,VHannual代表VH极化模式下的年平均后向散射系数值,VVannual代表VV极化模式下的年平均后向散射系数值。
步骤四:输入训练样本,根据步骤一中得到的植被经纬度数据和植被空间分布数据,以训练样本的形式在步骤三中合成的新的影像数据集中选取不同植被种类以及海水、潮滩的若干个斑块对影像数据集合中各个谱段的像元值进行提取。本实施例以长江口区域三种主要潮间带植被为例,根据长江口潮间带植被实际情况,在区域内随机选取均匀分布的芦苇斑块、互花米草斑块、海三棱藨草斑块、潮滩斑块和海水斑块,并将上述选取的斑块输入S3中生成的新的影像数据集合中。
步骤五:阈值分割,根据不同植被种类在波谱数据集各个谱段中像元的差异,生成四组对应频率分布图,分别为不同地物类型在Sum谱段的频率分布图,不同地物类型在Difference谱段的频率分布图,不同地物类型在Radio谱段的频率分布图和不同地物类型在NDI谱段的频率分布图。本实施例中三种植被地物斑块在各个谱段的频率分布图分布情况如图2所示,其中图(a)-(e)分别是三种植被类型在VV、VH、Difference、Sum和NDI五个谱段上的频率分布图;根据图2可以得到Differences谱段(c)是分离互花米草和其他地物的最优谱段,Sum谱段是分离海三棱藨草和芦苇的最优谱段。
根据频率分布图的分布情况,采用递推法,得到不同植被类型、海水和潮滩之间分割的最优阈值和最优谱段。递推法的分割效果以错分率为评判标准,错分率最低的阈值即为最优阈值。逐波谱测试任意两种地物类型的最优分割阈值,可得到分类任意两种地物的最优谱段和最优阈值。
步骤六:生成决策树,根据步骤S5得到的最优阈值和最优谱段,构建该区域对应的植被分类决策树模型,依次计算各子区域的植被分类决策树模型并将各子区域决策树模型综合,得到全国潮间带植被分类决策树体系。本实施例中依据步骤四和步骤五所生成的长江口区域分类模型在图3中示出,根据相同原理可得到其他四个区域分类模型。
步骤七:输入待分类区域,在全国潮间带地区内自由选取任意区域,根据该区域的空间位置匹配对应的子区域决策树模型进行分类运算,本实施例输入的分类区域是上海市崇明东滩国家自然保护区,根据该区域的地理位置应选择长江口区域分类模型。
步骤八:生成分类结果,根据决策树模型的运算结果得到各地物类型的分类结果数据。
步骤九:利用遥感软件读取分类结果数据,并选择合适的分类后处理方法,包括majority和minority分析、聚类处理、过滤处理、人工修正等对分类后的碎斑进行处理,得到修正后分类结果数据。本实施例分类结果在图4中示出。
步骤十:面积统计和制图,根据分类后处理得到的分类结果数据,对数据中植被种类及其数量进行统计,得到各植被种类的面积分布数据,利用制图软件对分类结果进行符号化处理,得到潮间带植被分类结果数据。
以上所述,仅为本发明的一种具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的普通技术人员可在本发明所揭露的技术范围内,在不付出创造性劳动的条件下所取得的其他变型方案、改进方案、等同方案以及没有背离本发明范围的其他技术方案,都应属于本发明的保护范围。
Claims (1)
1.一种基于合成孔径雷达的大尺度潮间带植被分类方法,其特征在于,包括如下步骤:
S1.潮间带基础情况实测,对待分类的大尺度潮间带区域进行实地观测,得到潮间带区域内生长植被的种类、植被经纬度坐标及植被空间分布面积数据,利用气象站点观测数据计算潮间带地区年均气温和年均降水量;
S2.潮间带分区,利用1°*1°的经纬网对待分类的大尺度潮间带区域进行划分,根据每个1°*1°网格内基础情况的差异,将基础情况相近即植被种类一致、年均气温相差<5℃、年均降水量相差<200mm/年的网格进行合并,得到若干个大尺度潮间带植被分类的子区域;
S3.生成特征波谱数据集,利用全年合成孔径雷达数据计算年平均值,得到同极化VV和交叉极化VH两种极化模式下的地物年均后向散射系数,同时计算累计值即Sum、差值即Difference、比值即Radio和归一化差异指数即NDI四项指数,并将所述四项指数的计算结果与合成孔径雷达数据中VV和VH极化的计算结果合并,形成新的影像数据集合;四项指数的计算公式如下:
Sum=VHannual+VVannual
Difference=VHannual-VVannual
Radio=VHannual/VVannual
NDI=(VHannual-VVannual)/(VHannual+VVannual)
式中,VHannual代表VH极化模式下的年平均后向散射系数值,VVannual代表VV极化模式下的年平均后向散射系数值;
S4.输入训练样本,根据步骤S1中得到的植被经纬度数据和植被空间分布数据,以训练样本的形式在步骤S3中合成的新的影像数据集合中选取不同植被种类以及海水、潮滩的若干个斑块对影像数据集合中各个谱段的像元值进行提取;
S5.阈值分割,根据不同植被种类在波谱数据集各个谱段中像元的差异,生成四组对应频率分布图,分别为不同地物类型在Sum谱段的频率分布图,不同地物类型在Difference谱段的频率分布图,不同地物类型在Radio谱段的频率分布图和不同地物类型在NDI谱段的频率分布图;采用递推法测试最优分割效果,利用错分率为评判标准,得到不同植被种间分割以及植被与海水和潮滩之间分割的最优阈值和最优谱段;
S6.生成决策树,根据步骤S5得到的最优阈值和最优谱段,构建步骤S2所述的子区域对应的植被分类决策树模型,依次计算各子区域的植被分类决策树模型并将各子区域决策树模型综合,得到大尺度潮间带植被分类决策树体系;
S7.输入待分类区域,在潮间带地区内自由选取任意区域,根据该区域的空间位置匹配对应的子区域决策树模型进行分类运算;
S8.生成分类结果,根据决策树模型的运算结果得到各地物类型的分类结果数据;
S9.分类后处理,利用遥感软件读取分类结果数据,并使用majority和minority分析、聚类处理、过滤处理或人工修正的分类后处理方法,对分类后的碎斑进行处理,得到修正后分类结果数据;
S10.面积统计和制图,根据分类后处理得到的分类结果数据,对数据中植被种类及其数量进行统计,得到各植被种类的面积分布数据,利用制图软件对分类结果进行符号化处理,得到潮间带植被分类结果数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676492.1A CN111832486B (zh) | 2020-07-14 | 2020-07-14 | 一种基于合成孔径雷达的大尺度潮间带植被分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676492.1A CN111832486B (zh) | 2020-07-14 | 2020-07-14 | 一种基于合成孔径雷达的大尺度潮间带植被分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832486A CN111832486A (zh) | 2020-10-27 |
CN111832486B true CN111832486B (zh) | 2021-07-27 |
Family
ID=72923193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010676492.1A Active CN111832486B (zh) | 2020-07-14 | 2020-07-14 | 一种基于合成孔径雷达的大尺度潮间带植被分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832486B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175993A (zh) * | 2011-01-28 | 2011-09-07 | 华中科技大学 | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 |
CN102722883B (zh) * | 2012-04-16 | 2015-06-17 | 上海交通大学 | 一种具有空间自适应性的极化sar图像分割方法 |
CN103593669B (zh) * | 2013-11-22 | 2016-08-24 | 中国电子科技集团公司第五十四研究所 | 一种极化合成孔径雷达影像四分量分解的方法 |
US10705204B2 (en) * | 2017-12-08 | 2020-07-07 | International Business Machines Corporation | Crop classification and growth tracking with synthetic aperture radar |
-
2020
- 2020-07-14 CN CN202010676492.1A patent/CN111832486B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111832486A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
CN107504923B (zh) | 一种综合遥感影像和延绳信息的海带养殖面积监测方法 | |
CN111738066B (zh) | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 | |
CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
CN111310681B (zh) | 一种融入地学知识的红树林分布遥感提取方法 | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
CN114581784B (zh) | 一种长时序逐年红树林遥感监测产品的构建方法 | |
CN104199027A (zh) | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 | |
CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
Zeng et al. | A phenology-based vegetation index classification (PVC) algorithm for coastal salt marshes using Landsat 8 images | |
CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
CN110298322A (zh) | 一种基于遥感数据的耕地提取方法及系统 | |
Wan et al. | Mapping annual urban change using time series Landsat and NLCD | |
CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
CN117475313A (zh) | 一种基于训练样本自动化提取的大尺度冬小麦早期识别方法 | |
CN107977765A (zh) | 一种基于遥感解译技术的湖泊湿地景观健康状况评价方法 | |
CN112730465B (zh) | 一种smap l波段亮温的农业干旱监测方法 | |
CN111832486B (zh) | 一种基于合成孔径雷达的大尺度潮间带植被分类方法 | |
CN115496939A (zh) | 一种基于多源遥感数据的湿地信息提取方法 | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
CN116129284A (zh) | 一种基于时间序列变化特征的撂荒地遥感提取方法 | |
Xu et al. | Crop discrimination in shandong province based on phenology analysis of multi-year time series | |
CN114663780A (zh) | 基于gee和机器学习的河套灌区种植结构识别方法及系统 | |
Zhang et al. | Influence of landscape pattern on epidemic of rice sheath blight disease at regional scale |
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 |