CN112215857B - 一种基于浒苔生长周期的浒苔识别方法 - Google Patents
一种基于浒苔生长周期的浒苔识别方法 Download PDFInfo
- Publication number
- CN112215857B CN112215857B CN202011249640.8A CN202011249640A CN112215857B CN 112215857 B CN112215857 B CN 112215857B CN 202011249640 A CN202011249640 A CN 202011249640A CN 112215857 B CN112215857 B CN 112215857B
- Authority
- CN
- China
- Prior art keywords
- enteromorpha
- data
- ndvi
- image
- area
- 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
- 241000196252 Ulva Species 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005192 partition Methods 0.000 claims abstract description 62
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000000873 masking effect Effects 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims description 36
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 239000013535 sea water Substances 0.000 claims description 15
- 241000196253 Ulva prolifera Species 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 4
- 230000008033 biological extinction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001474374 Blennius Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明涉及海洋遥感识别领域，公开了一种基于浒苔生长周期的浒苔识别方法，包括获取遥感影像数据，对低空间分辨率多波段数据进行云识别处理，获得云掩膜shp数据，利用云掩膜shp数据对高空间分辨率陆地掩膜影像进行云掩膜；根据NDVI数据获得待识别浒苔区域的NDVI影像；将识别浒苔区域划分若干个分区，获取区域多波段数据和区域NDVI影像；根据区域多波段数据和区域NDVI影像进行待识别浒苔区域识别；根据区域浒苔像元分解结果提取待识别浒苔区域的区域浒苔shp数据。本发明综合区域多波段数据和区域NDVI影像并结合浒苔生长周期获取区域浒苔像元分解结果，利用浒苔的不同生长周期的特征对浒苔进行准确识别，能突破影像分辨率获取更为准确的浒苔覆盖面积。
Description
技术领域
本发明涉及海洋遥感识别技术领域，具体地涉及一种基于浒苔生长周期的浒苔识别方法。
背景技术
近年来，由于全球气候变化、水体富营养化等原因，海洋大型海藻浒苔绿潮频频爆发，大量浒苔漂浮聚集到岸边，阻塞航道，同时浒苔大量堆积后腐烂繁殖时需要消耗大量氧气，并散发出恶臭气味，破坏海洋生态系统，严重威胁沿海渔业、旅游业发展。为更好确定绿潮发生的过程，并对绿潮达到预防、治理进而达到合理利用绿潮的目的，对引发绿潮的浒苔类藻类进行监测是目前亟待解决的问题。而现有技术中尽管通过深度学习等方法获得绿潮是否为浒苔进行判断，但是无法获知遥感影像中每一个像元浒苔所占面积比值。
比如，国家专利公开文献“CN105279556B”，公开了“一种浒苔检测方法和装置”，该发明包括：采用深度学习方法对选取的样本数据进行模型设计，得到预设卷积神经网络模型；对得到的预设卷积神经网络模型进行多次迭代训练，并在预设卷积神经网络模型的精度达到预设阈值时确定为实际应用的卷积神经网络模型；根据确定的卷积神经网络模型对采集的待检测区域的绿潮信息进行检测，输出绿潮信息是否为浒苔的检测结果。尽管该发明能够通过卷积神经网络模型获得绿潮是否为浒苔，但是却无法获得遥感影像中区域浒苔所占面积，无法对具体的区域浒苔位置进行定位。
发明内容
本发明提供一种基于浒苔生长周期的浒苔识别方法，从而解决现有技术的上述问题。
一种基于浒苔生长周期的浒苔识别方法，包括以下步骤：
S1)获取待识别浒苔区域的遥感影像数据，遥感影像数据包括待识别浒苔区域的高空间分辨率多波段数据和低空间分辨率多波段数据；
S2)对低空间分辨率多波段数据进行云识别处理，获得与低空间分辨率多波段数据相对应的云掩膜shp数据；
S3)对高空间分辨率多波段数据进行云识别处理，获得高空间分辨率陆地掩膜影像，利用云掩膜shp数据对高空间分辨率陆地掩膜影像进行云掩膜，获得待识别浒苔区域的云掩膜影像数据；
S4)获取与高空间分辨率多波段数据相对应的NDVI数据，根据NDVI数据获得待识别浒苔区域的NDVI影像；
S5)根据待识别浒苔区域的经纬度范围将识别浒苔区域划分若干个分区，获取若干个分区的区域多波段数据和区域NDVI影像；
S6)根据若干个分区的区域多波段数据和区域NDVI影像进行待识别浒苔区域识别，获取区域浒苔像元分解结果；
S7)根据区域浒苔像元分解结果提取待识别浒苔区域的区域浒苔shp数据。
进一步的，在步骤S2)中，对低空间分辨率多波段数据进行云识别处理，包括以下步骤：
S21)对低空间分辨率多波段数据进行几何校正，获得低空间分辨率几何校正后影像；
S22)对几何校正后影像进行大气校正，获得低空间分辨率大气校正影像；
S23)获取待识别浒苔区域的经纬度范围和高分辨率岸线文件，根据区域经纬度范围对低空间分辨率大气校正影像进行裁剪、并利用高分辨率岸线文件进行陆地掩膜，获得低空间分辨率陆地掩膜影像；
S24)利用多波段阈值法对低空间分辨率陆地掩膜影像进行云检测和识别，获得云掩膜shp数据。
进一步的，在步骤S3)中，对高空间分辨率多波段数据进行云识别处理，获得高空间分辨率陆地掩膜影像，利用云掩膜shp数据对高空间分辨率陆地掩膜影像进行云掩膜，获得待识别浒苔区域的云掩膜影像数据，包括以下步骤：
S31)对高空间分辨率多波段数据进行几何校正，获得高空间分辨率几何校正后影像；
S22)对几何校正后影像进行大气校正，获得高空间分辨率大气校正影像；
S23)根据区域经纬度范围对大气校正影像进行裁剪、并利用高分辨率岸线文件进行陆地掩膜，获得高空间分辨率陆地掩膜影像；
S24)利用云掩膜shp数据对高空间分辨率陆地掩膜影像进行云掩膜处理，获得待识别浒苔区域的云掩膜影像数据。
经过陆地掩膜和云掩膜后获得海水区域，可将云掩膜影像数据中掩膜掉的陆地像元红光波段数据保持原值，掩膜掉的陆地像元红外波段数据设置为(-1/3)*掩膜掉的陆地像元红光波段数据；掩膜掉的云像元红光波段数据保持原值，掩膜掉的云像元红外波段数据设置为0。这样陆地NDVI结果为-2，云NDVI结果为-1；有利于后续NDVI计算和浒苔识别。
进一步的，在步骤S4)中，高空间分辨率多波段数据包括高空间分辨率红外波段数据B2和高空间分辨率红光波段数据B1，通过计算NDVI＝(B2-B1)/(B2+B1)获得与高空间分辨率多波段数据相对应的NDVI数据。
进一步的，在步骤S5)中，根据待识别浒苔区域的经纬度范围将所述识别浒苔区域划分若干个分区，分区的总数为n，获取若干个分区的区域多波段数据和区域NDVI影像，包括以下步骤：
S51)根据待识别浒苔区域的经纬度范围将识别浒苔区域划分若干个分区；
S52)对云掩膜影像数据进行分区剪裁，按照分区获取若干个区域多波段数据；
S53)对待识别浒苔区域的NDVI影像进行分区剪裁，按照分区获取若干个区域NDVI影像。
进一步的，步骤S6)中，根据若干个分区的区域多波段数据和区域NDVI影像进行待识别浒苔区域识别，获取区域浒苔像元分解结果，包括以下步骤：
S61)对第i个分区的区域NDVI影像进行云覆盖比例判断；
S62)提取影像参数；
S63)根据影像参数获取阈值T；
S64)利用阈值T对第i个分区的区域NDVI影像中的每个像元进行浒苔识别，若第j个像元的数值大于或等于所述阈值T，则标记第j个像元为浒苔；若第j个像元的数值小于所述阈值T，则标记第j个像元为纯海水，j＝1、2、...、m，m为第i个分区的区域NDVI影像中的像元总数；
S65)获取第i个分区的区域NDVI影像中标记为浒苔的所有像元，计算标记为浒苔的第z个像元的浒苔像元占比，标记为浒苔的第z个像元的浒苔像元占比为(NDVI-NDVI1)/(b1+b2*NDVI)，NDVI为第z个像元的NDVI读数；z＝1、2、...、f，f为第i个分区的区域NDVI影像中标记为浒苔的所有像元的总数，b1为像元占比第一参数，b2为像元占比第二系参数；
S66)获取第i个分区的区域NDVI影像中标记为浒苔的所有像元的浒苔像元占比；
S67)i＝1、2、...、n，依次重复步骤S61)至步骤S66)，统计所有分区的区域NDVI影像中标记为浒苔的所有像元的浒苔像元占比；
S68)获得区域浒苔像元分解结果。
步骤S6)中，包括计算获取每个分区的浒苔像元分解结果，其中，浒苔像元分解结果中纯海水像元取值为0，浒苔像元按照浒苔像元占比取值，取值范围为(0,1]。统计所有像元浒苔占比，获得整个待识别浒苔区域的区域浒苔面积，保存并输出图像，生成区域浒苔像元分解结果。
进一步的，在步骤S61)中，对第i个分区的区域NDVI影像进行云覆盖比例判断，包括以下步骤：
S611)根据第i个区域NDVI影像获取每个像元的NDVI读数；
S612)设定每个分区的面积为S，获取第i个区域NDVI影像中陆地区域面积S1、云区域面积S2、海水和浒苔区域面积S3；
S613)根据陆地区域面积S1、云区域面积S2、海水和浒苔区域面积S3计算云覆盖比例S3/(S2+S3)，判断S2<4*S3是否成立，若是，则进入步骤S62)；若否，则进入步骤S614)；
S614)输出云覆盖比例并进行云覆盖提示。
在S611)中，第i个区域NDVI影像中陆地区域NDVI为-2；云区域NDVI为-1，海水和浒苔区域NDVI位于(-1,1]之间。
进一步的，步骤S62)中，提取影像参数，影像参数包括区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4，包括以下步骤：
S621)获取第i个分区的区域多波段数据，区域多波段数据包括区域多波段数据红光波段R1和区域多波段数据红外波段R2；
S622)对区域多波段数据红光波段R1进行线性变换，获得区域多波段数据红光波段转换数值R3，区域多波段数据红光波段转换数值R3＝1.1*R1+0.01；
S623)设置浒苔生长周期，根据浒苔生长周期获取浒苔识别参数R4,浒苔识别参数R4包括生长初期数值、快速生长数值、缓慢生长数值、白化成熟数值或缓慢消亡数值。
进一步的，在步骤S63)中，根据影像参数获取阈值T，包括以下步骤：
S631)根据区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4获取第一NDVI参数NDVI1，NDVI1＝(R2-R1)/(R2+R1)；
S632)区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4获取第二NDVI参数NDVI2，NDVI2＝(R4-R3)/(R4+R3)；
S633)区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4获取第一系数a，第一系数a＝(R3+R4)/(R1+R2)；
S634)获取像元占比第一参数b1，像元占比第一参数b1＝a*NDVI2-NDVI1；
S635)获取像元占比第二系参数b2，像元占比第二系参数b2＝1-a；
S636)设置浒苔混合比例P，根据浒苔混合比例P计算阈值T。
进一步的，在步骤S636)中，根据浒苔混合比例P计算获取阈值T，包括以下步骤：
S6361)根据浒苔混合比例P和浒苔识别参数R4计算第一中间参数T1，第一中间参数T1＝P*R4；
S6362)根据浒苔混合比例P和区域多波段数据红外波段R2计算第二中间参数T2，第二中间参数T2＝(1-P)*R2；
S6363)根据浒苔混合比例P和区域多波段数据红光波段转换数值R3计算第三中间参数T3，第三中间参数T3＝P*R3；
S6364)根据浒苔混合比例P和区域多波段数据红光波段R1计算第四中间参数T4，第四中间参数T4＝(1-P)*R1；
S6365)根据第一中间参数T1、第二中间参数T2、第三中间参数T3和第四中间参数T4计算阈值T，阈值T＝(T1+T2-T3-T4)/(T1+T2+T3+T4)。
本发明的有益效果是：本发明对低空间分辨率多波段数据进行云识别处理，并利用云掩膜shp数据对高空间分辨率陆地掩膜影像进行云掩膜，获得待识别浒苔区域的云掩膜影像数据，根据识别浒苔区域的经纬度范围将识别浒苔区域划分若干个分区，通过云掩膜影像数据获取若干个分区的区域多波段数据和区域NDVI影像，综合区域多波段数据和区域NDVI影像并结合浒苔生长周期获取区域浒苔像元分解结果，本发明利用浒苔的不同生长周期的特征对浒苔进行准确识别，能够突破影像分辨率获取更为准确的浒苔覆盖面积。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例所需要使用的附图作一简单地介绍，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为本实施例一提供的基于浒苔生长周期的浒苔识别方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例一，一种基于浒苔生长周期的浒苔识别方法，如图1所示，包括以下步骤：
S1)获取待识别浒苔区域的遥感影像数据，遥感影像数据包括待识别浒苔区域的高空间分辨率多波段数据和低空间分辨率多波段数据。
本实施例中，待识别浒苔区域的高空间分辨率多波段数据为MODIS 250m L1B准实时数据，待识别浒苔区域的低空间分辨率多波段数据为MODIS 1000M L1B准实时数据。
S2)对低空间分辨率多波段数据进行云识别处理，获得与低空间分辨率多波段数据相对应的云掩膜shp数据；
S3)对高空间分辨率多波段数据进行云识别处理，获得高空间分辨率陆地掩膜影像，利用云掩膜shp数据对高空间分辨率陆地掩膜影像进行云掩膜，获得待识别浒苔区域的云掩膜影像数据；
S4)获取与高空间分辨率多波段数据相对应的NDVI数据，根据NDVI数据获得待识别浒苔区域的NDVI影像；
S5)根据待识别浒苔区域的经纬度范围将识别浒苔区域划分若干个分区，获取若干个分区的区域多波段数据和区域NDVI影像；
S6)根据若干个分区的区域多波段数据和区域NDVI影像进行待识别浒苔区域识别，获取区域浒苔像元分解结果；
S7)根据区域浒苔像元分解结果提取待识别浒苔区域的区域浒苔shp数据。
为了便于管理，本发明多采用shp格式的中间文件，云掩膜等中间数据以及最终的浒苔产品多采用shp格式来保存。
在步骤S2)中，对低空间分辨率多波段数据进行云识别处理，包括以下步骤：
S21)采用ENVI(The Environment for Visualizing Images)的MCT(MODISConversionToolkit)校正模块对低空间分辨率多波段数据进行几何校正，获得低空间分辨率几何校正后影像；
S22)采用ENVI的FLAASH校正模块对几何校正后影像进行大气校正，获得低空间分辨率大气校正影像；
S23)获取待识别浒苔区域的经纬度范围和高分辨率岸线文件，根据区域经纬度范围对低空间分辨率大气校正影像进行裁剪、并利用高分辨率岸线文件进行陆地掩膜，获得低空间分辨率陆地掩膜影像；
S24)利用多波段阈值法对低空间分辨率陆地掩膜影像进行云检测和识别，获得云掩膜shp数据。
在步骤S3)中，对高空间分辨率多波段数据进行云识别处理，获得高空间分辨率陆地掩膜影像，利用云掩膜shp数据对高空间分辨率陆地掩膜影像进行云掩膜，获得待识别浒苔区域的云掩膜影像数据，包括以下步骤：
S31)采用ENVI的MCT校正模块对高空间分辨率多波段数据进行几何校正，获得高空间分辨率几何校正后影像；
S22)采用ENVI的FLAASH校正模块对几何校正后影像进行大气校正，获得高空间分辨率大气校正影像；
S23)根据区域经纬度范围对大气校正影像进行裁剪、并利用高分辨率岸线文件进行陆地掩膜，获得高空间分辨率陆地掩膜影像；
S24)利用云掩膜shp数据对高空间分辨率陆地掩膜影像进行云掩膜处理，获得待识别浒苔区域的云掩膜影像数据。
经过陆地掩膜和云掩膜后获得海水区域，可将云掩膜影像数据中掩膜掉的陆地像元红光波段数据保持原值，掩膜掉的陆地像元红外波段数据设置为(-1/3)*掩膜掉的陆地像元红光波段数据；掩膜掉的云像元红光波段数据保持原值，掩膜掉的云像元红外波段数据设置为0。这样陆地NDVI结果为-2；云NDVI结果为-1；有利于后续NDVI计算和浒苔识别。
在步骤S4)中，高空间分辨率多波段数据包括高空间分辨率红外波段数据B2和高空间分辨率红光波段数据B1，通过计算NDVI＝(B2-B1)/(B2+B1)获得与高空间分辨率多波段数据相对应的NDVI数据。
在步骤S5)中，根据待识别浒苔区域的经纬度范围将所述识别浒苔区域划分若干个分区，分区的总数为n，获取若干个分区的区域多波段数据和区域NDVI影像，包括以下步骤：
S51)根据待识别浒苔区域的经纬度范围将识别浒苔区域划分若干个分区；
S52)对云掩膜影像数据进行分区剪裁，按照分区获取若干个区域多波段数据；
S53)对待识别浒苔区域的NDVI影像进行分区剪裁，按照分区获取若干个区域NDVI影像。
步骤S6)中，根据若干个分区的区域多波段数据和区域NDVI影像进行待识别浒苔区域识别，获取区域浒苔像元分解结果，包括以下步骤：
S61)对第i个分区的区域NDVI影像进行云覆盖比例判断；
S62)提取影像参数；
S63)根据影像参数获取阈值T；
S64)利用阈值T对第i个分区的区域NDVI影像中的每个像元进行浒苔识别，若第j个像元的数值大于或等于所述阈值T，则标记第j个像元为浒苔；若第j个像元的数值小于所述阈值T，则标记第j个像元为纯海水，j＝1、2、...、m，m为第i个分区的区域NDVI影像中的像元总数；
S65)获取第i个分区的区域NDVI影像中标记为浒苔的所有像元，计算标记为浒苔的第z个像元的浒苔像元占比，标记为浒苔的第z个像元的浒苔像元占比为(NDVI-NDVI1)/(b1+b2*NDVI)，NDVI为第z个像元的NDVI读数；z＝1、2、...、f，f为第i个分区的区域NDVI影像中标记为浒苔的所有像元的总数；b1为像元占比第一参数，b2为像元占比第二系参数；
S66)获取第i个分区的区域NDVI影像中标记为浒苔的所有像元的浒苔像元占比；
S67)i＝1、2、...、n，依次重复步骤S61)至步骤S66)，统计所有分区的区域NDVI影像中标记为浒苔的所有像元的浒苔像元占比；
S68)获得区域浒苔像元分解结果。
步骤S6)中，包括计算获取每个分区的浒苔像元分解结果，其中，浒苔像元分解结果中纯海水像元取值为0，浒苔像元按照浒苔像元占比取值，取值范围为(0，1]。统计所有像元浒苔占比，获得整个待识别浒苔区域的区域浒苔面积，保存并输出图像，生成区域浒苔像元分解结果。
在步骤S61)中，对第i个分区的区域NDVI影像进行云覆盖比例判断，包括以下步骤：
S611)根据第i个区域NDVI影像获取每个像元的NDVI读数；
S612)设定每个分区的面积为S，获取第i个区域NDVI影像中陆地区域面积S1、云区域面积S2、海水和浒苔区域面积S3；
S613)根据陆地区域面积S1、云区域面积S2、海水和浒苔区域面积S3计算云覆盖比例S3/(S2+S3)，判断S2＜4*S3是否成立，若是，则进入步骤S62)；若否，则进入步骤S614)；
S614)输出云覆盖比例并进行云覆盖提示。
当S2<4*S3不成立时，则表明云覆盖比例很大，直接输出云覆盖比例。
在S611)中，第i个区域NDVI影像中陆地区域NDVI为-2；云区域NDVI为-1，海水和浒苔区域NDVI位于(-1,1]之间。
步骤S62)中，提取影像参数，影像参数包括区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4，包括以下步骤：
S621)获取第i个分区的区域多波段数据，区域多波段数据包括区域多波段数据红光波段R1和区域多波段数据红外波段R2；
S622)对区域多波段数据红光波段R1进行线性变换，获得区域多波段数据红光波段转换数值R3，区域多波段数据红光波段转换数值R3＝1.1*R1+0.01；
S623)设置浒苔生长周期，根据浒苔生长周期获取浒苔识别参数R4,浒苔识别参数R4包括生长初期数值、快速生长数值、缓慢生长数值、白化成熟数值或缓慢消亡数值。浒苔识别参数R4由实际生长周期来决定，按照生长情况，该参数在0.2-0.35之间变化。
在步骤S63)中，根据影像参数获取阈值T，包括以下步骤：
S631)根据区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4获取第一NDVI参数NDVI1，NDVI1＝(R2-R1)/(R2+R1)；
S632)区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4获取第二NDVI参数NDVI2，NDVI2＝(R4-R3)/(R4+R3)；
S633)区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4获取第一系数a，a＝(R3+R4)/(R1+R2)；
S634)获取像元占比第一参数b1，像元占比第一参数b1＝a*NDVI2-NDVI1；
S635)获取像元占比第二系参数b2，像元占比第二系参数b2＝1-a；
S636)设置浒苔混合比例P，根据浒苔混合比例P计算阈值T。
在步骤S636)中，根据浒苔混合比例P计算获取阈值T，包括以下步骤：
S6361)根据浒苔混合比例P和浒苔识别参数R4计算第一中间参数T1，第一中间参数T1＝P*R4；
S6362)根据浒苔混合比例P和区域多波段数据红外波段R2计算第二中间参数T2，第二中间参数T2＝(1-P)*R2；
S6363)根据浒苔混合比例P和区域多波段数据红光波段转换数值R3计算第三中间参数T3，第三中间参数T3＝P*R3；
S6364)根据浒苔混合比例P和区域多波段数据红光波段R1计算第四中间参数T4，第四中间参数T4＝(1-P)*R1；
S6365)根据第一中间参数T1、第二中间参数T2、第三中间参数T3和第四中间参数T4计算阈值T，阈值T＝(T1+T2-T3-T4)/(T1+T2+T3+T4)。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明分别对待识别浒苔区域的高空间分辨率多波段数据和低空间分辨率多波段数据进行云识别处理，并利用云掩膜shp数据对高空间分辨率陆地掩膜影像进行云掩膜，获得待识别浒苔区域的云掩膜影像数据，根据识别浒苔区域的经纬度范围将识别浒苔区域划分若干个分区，通过云掩膜影像数据获取若干个分区的区域多波段数据和区域NDVI影像，综合区域多波段数据和区域NDVI影像并结合浒苔生长周期获取区域浒苔像元分解结果，本发明能够定位到浒苔位置，并能够对浒苔进行准确识别，识别精度高。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (5)
1.一种基于浒苔生长周期的浒苔识别方法，其特征在于，包括以下步骤：
S1)获取待识别浒苔区域的遥感影像数据，所述遥感影像数据包括待识别浒苔区域的高空间分辨率多波段数据和低空间分辨率多波段数据；
S2)对所述低空间分辨率多波段数据进行云识别处理，获得与低空间分辨率多波段数据相对应的云掩膜shp数据；
S3)对所述高空间分辨率多波段数据进行云识别处理，获得高空间分辨率陆地掩膜影像，利用所述云掩膜shp数据对所述高空间分辨率陆地掩膜影像进行云掩膜，获得待识别浒苔区域的云掩膜影像数据；
S4)获取与所述高空间分辨率多波段数据相对应的NDVI数据，根据所述NDVI数据获得待识别浒苔区域的NDVI影像；在步骤S4)中，所述高空间分辨率多波段数据包括高空间分辨率红外波段数据B2和高空间分辨率红光波段数据B1，通过计算NDVI＝(B2-B1)/(B2+B1)获得与高空间分辨率多波段数据相对应的NDVI数据；
S5)根据待识别浒苔区域的经纬度范围将所述识别浒苔区域划分若干个分区，获取若干个分区的区域多波段数据和区域NDVI影像；在步骤S5)中，根据待识别浒苔区域的经纬度范围将所述识别浒苔区域划分若干个分区，分区的总数为n，获取若干个分区的区域多波段数据和区域NDVI影像，包括以下步骤：
S51)根据待识别浒苔区域的经纬度范围将所述识别浒苔区域划分若干个分区；
S52)对所述云掩膜影像数据进行分区剪裁，按照分区获取若干个区域多波段数据；
S53)对所述待识别浒苔区域的NDVI影像进行分区剪裁，按照分区获取若干个区域NDVI影像；
S6)根据所述若干个分区的区域多波段数据和区域NDVI影像进行待识别浒苔区域识别，获取区域浒苔像元分解结果；步骤S6)中，根据所述若干个分区的区域多波段数据和区域NDVI影像进行待识别浒苔区域识别，获取区域浒苔像元分解结果，包括以下步骤：
S61)对第i个分区的区域NDVI影像进行云覆盖比例判断；
S62)提取影像参数，所述影像参数包括区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4；所述浒苔识别参数R4包括生长初期数值、快速生长数值、缓慢生长数值、白化成熟数值或缓慢消亡数值；
S63)根据影像参数获取阈值T；在步骤S63)中，根据影像参数获取阈值T，包括以下步骤：
S631)根据区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4获取第一NDVI参数NDVI1，NDVI1＝(R2-R1)/(R2+R1)；
S632)区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4获取第二NDVI参数NDVI2，NDVI2＝(R4-R3)/(R4+R3)；
S633)区域多波段数据红光波段R1、区域多波段数据红外波段R2、区域多波段数据红光波段转换数值R3和浒苔识别参数R4获取第一系数a，所述第一系数a＝(R3+R4)/(R1+R2)；
S634)获取像元占比第一参数b1，所述像元占比第一参数b1＝a*NDVI2-NDVI1；
S635)获取像元占比第二系参数b2，所述像元占比第二系参数b2＝1-a；
S636)设置浒苔混合比例P，根据所述浒苔混合比例P计算阈值T；在步骤S636)中，根据所述浒苔混合比例P计算获取阈值T，包括以下步骤：
S6361)根据所述浒苔混合比例P和浒苔识别参数R4计算第一中间参数T1，所述第一中间参数T1＝P*R4；
S6362)根据所述浒苔混合比例P和所述区域多波段数据红外波段R2计算第二中间参数T2，所述第二中间参数T2＝(1-P)*R2；
S6363)根据所述浒苔混合比例P和所述区域多波段数据红光波段转换数值R3计算第三中间参数T3，所述第三中间参数T3＝P*R3；
S6364)根据所述浒苔混合比例P和所述区域多波段数据红光波段R1计算第四中间参数T4，所述第四中间参数T4＝(1-P)*R1；
S6365)根据所述第一中间参数T1、所述第二中间参数T2、所述第三中间参数T3和所述第四中间参数T4计算阈值T，所述阈值T＝(T1+T2-T3-T4)/(T1+T2+T3+T4)；
S64)利用所述阈值T对第i个分区的区域NDVI影像中的每个像元进行浒苔识别，若第j个像元的数值大于或等于所述阈值T，则标记所述第j个像元为浒苔；若第j个像元的数值小于所述阈值T，则标记所述第j个像元为纯海水，j＝1、2、...、m，m为第i个分区的区域NDVI影像中的像元总数；
S65)获取第i个分区的区域NDVI影像中标记为浒苔的所有像元，计算标记为浒苔的第z个像元的浒苔像元占比，所述标记为浒苔的第z个像元的浒苔像元占比为(NDVI-NDVI1)/(b1+b2*NDVI)，NDVI为第z个像元的NDVI读数；z＝1、2、…、f，f为第i个分区的区域NDVI影像中标记为浒苔的所有像元的总数；b1为像元占比第一参数，b2为像元占比第二系参数；
S66)获取第i个分区的区域NDVI影像中标记为浒苔的所有像元的浒苔像元占比；
S67)i＝1、2、...、n，依次重复步骤S61)至步骤S66)，统计所有分区的区域NDVI影像中标记为浒苔的所有像元的浒苔像元占比；
S68)获得区域浒苔像元分解结果；
S7)根据所述区域浒苔像元分解结果提取待识别浒苔区域的区域浒苔shp数据。
2.根据权利要求1所述的基于浒苔生长周期的浒苔识别方法，其特征在于，在步骤S2)中，对所述低空间分辨率多波段数据进行云识别处理，包括以下步骤：
S21)对所述低空间分辨率多波段数据进行几何校正，获得低空间分辨率几何校正后影像；
S22)对所述几何校正后影像进行大气校正，获得低空间分辨率大气校正影像；
S23)获取待识别浒苔区域的经纬度范围和高分辨率岸线文件，根据所述区域经纬度范围对所述低空间分辨率大气校正影像进行裁剪、并利用高分辨率岸线文件进行陆地掩膜，获得低空间分辨率陆地掩膜影像；
S24)利用多波段阈值法对所述低空间分辨率陆地掩膜影像进行云检测和识别，获得云掩膜shp数据。
3.根据权利要求2所述的基于浒苔生长周期的浒苔识别方法，其特征在于，在步骤S3)中，对所述高空间分辨率多波段数据进行云识别处理，获得高空间分辨率陆地掩膜影像，利用所述云掩膜shp数据对所述高空间分辨率陆地掩膜影像进行云掩膜，获得待识别浒苔区域的云掩膜影像数据，包括以下步骤：
S31)对所述高空间分辨率多波段数据进行几何校正，获得高空间分辨率几何校正后影像；
S32)对所述几何校正后影像进行大气校正，获得高空间分辨率大气校正影像；
S33)根据所述区域经纬度范围对所述大气校正影像进行裁剪、并利用高分辨率岸线文件进行陆地掩膜，获得高空间分辨率陆地掩膜影像；
S34)利用所述云掩膜shp数据对所述高空间分辨率陆地掩膜影像进行云掩膜处理，获得待识别浒苔区域的云掩膜影像数据。
4.根据权利要求1所述的基于浒苔生长周期的浒苔识别方法，其特征在于，在步骤S61)中，对第i个分区的区域NDVI影像进行云覆盖比例判断，包括以下步骤：
S611)根据第i个区域NDVI影像获取每个像元的NDVI读数；
S612)设定每个分区的面积为S，获取第i个区域NDVI影像中陆地区域面积S1、云区域面积S2、海水和浒苔区域面积S3；
S613)根据所述陆地区域面积S1、云区域面积S2、海水和浒苔区域面积S3计算云覆盖比例S3/(S2+S3)，判断S2<4*S3是否成立，若是，则进入步骤S62)；若否，则进入步骤S614)；
S614)输出云覆盖比例并进行云覆盖提示。
5.根据权利要求1所述的基于浒苔生长周期的浒苔识别方法，其特征在于，步骤S62)中，提取影像参数，包括以下步骤：
S621)获取第i个分区的区域多波段数据，所述区域多波段数据包括区域多波段数据红光波段R1和区域多波段数据红外波段R2；
S622)对所述区域多波段数据红光波段R1进行线性变换，获得区域多波段数据红光波段转换数值R3，所述区域多波段数据红光波段转换数值R3＝1.1*R1+0.01；
S623)设置浒苔生长周期，根据浒苔生长周期获取浒苔识别参数R4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011249640.8A CN112215857B (zh) | 2020-11-10 | 2020-11-10 | 一种基于浒苔生长周期的浒苔识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011249640.8A CN112215857B (zh) | 2020-11-10 | 2020-11-10 | 一种基于浒苔生长周期的浒苔识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215857A CN112215857A (zh) | 2021-01-12 |
| CN112215857B true CN112215857B (zh) | 2021-07-06 |
Family
ID=74058484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011249640.8A Active CN112215857B (zh) | 2020-11-10 | 2020-11-10 | 一种基于浒苔生长周期的浒苔识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215857B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569823B (zh) * | 2021-09-26 | 2021-12-17 | 中国石油大学(华东) | 一种多指数决策的浒苔混合像元分解方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
| CN109781626A (zh) * | 2019-03-11 | 2019-05-21 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
| CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985154B (zh) * | 2018-06-06 | 2020-10-27 | 中国农业科学院农业资源与农业区划研究所 | 基于影像聚集度的小尺寸地物亚像元定位方法和系统 |
| CN111598045B (zh) * | 2020-05-27 | 2021-05-18 | 中国科学院地理科学与资源研究所 | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 |
-
2020
- 2020-11-10 CN CN202011249640.8A patent/CN112215857B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
| CN109781626A (zh) * | 2019-03-11 | 2019-05-21 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
| CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data;kun jia et al.;《ISPRS journal of photogrammetry and remote sensing》;20140731;第93卷;第49-55页 * |
| Object-oriented random forest classification for enteromorpha prolifera detection with SAR images;cui xie et al.;《2016 international conference on virtual reality and visualization》;20170605;第119-125页 * |
| 基于NDVI与丰度关系的MODIS影像浒苔混合像元分解方法;丁一等;《海洋学报》;20150731;第37卷(第7期);第2.2节 * |
| 基于worldview2影像的矿区植被重建效果评估;张泽民等;《生态学报》;20180228;第38卷(第4期);第1302-1310页 * |
| 基于遥感的海岛植被生态宏观评价方法初探;腾骏华等;《海洋学研究》;20110331;第29卷(第1期);第62-67页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215857A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Freitas et al. | The performance of the IMERG satellite-based product in identifying sub-daily rainfall events and their properties | |
| CN114384015A (zh) | 一种基于多源遥感和机器学习的水环境监测方法 | |
| CN111310681B (zh) | 一种融入地学知识的红树林分布遥感提取方法 | |
| CN111680866A (zh) | 一种海洋生态保护重要性的评价方法、应用和装置 | |
| CN102521624A (zh) | 一种土地利用类型分类的方法和系统 | |
| CN112418506B (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
| Shen et al. | Multi-layer perceptron neural network and Markov chain based geospatial analysis of land use and land cover change | |
| CN113018725B (zh) | 基于远程图像分析处理技术的智慧消防分析管理一体化平台 | |
| CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
| CN111914767A (zh) | 一种基于多源遥感数据的散乱污企业检测方法及系统 | |
| CN112215857B (zh) | 一种基于浒苔生长周期的浒苔识别方法 | |
| CN115937692B (zh) | 一种滨海湿地碳汇效果评估方法和系统 | |
| CN111222539A (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
| CN114663764A (zh) | 一种耕地土壤环境质量区划方法、装置、介质及终端设备 | |
| Araujo et al. | Strong temporal variation in treefall and branchfall rates in a tropical forest is related to extreme rainfall: results from 5 years of monthly drone data for a 50 ha plot | |
| Muñoz et al. | Fusing multisource data to estimate the effects of urbanization, sea level rise, and hurricane impacts on long-term wetland change dynamics | |
| 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 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| CN116340863B (zh) | 空气污染物预测方法、装置、电子设备及可读存储介质 | |
| CN112577955A (zh) | 一种水华水体检测方法和系统 | |
| Halim et al. | Land use/land cover mapping for conservation of UNESCO Global Geopark using object and pixel-based approaches | |
| CN114998719A (zh) | 一种基于深度学习和多源遥感数据的林火预测方法 | |
| CN114202551A (zh) | 一种喀斯特石漠化的分级制图方法及装置 | |
| LU505176B1 (en) | A Method and System for Evaluating the Carbon Sequestration Effect of Coastal Wetlands |
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 |