CN112329829A - 一种基于高光谱数据的红树林提取方法 - Google Patents
一种基于高光谱数据的红树林提取方法 Download PDFInfo
- Publication number
- CN112329829A CN112329829A CN202011162112.9A CN202011162112A CN112329829A CN 112329829 A CN112329829 A CN 112329829A CN 202011162112 A CN202011162112 A CN 202011162112A CN 112329829 A CN112329829 A CN 112329829A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- mangrove forest
- index
- mangrove
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于高光谱数据的红树林提取方法,包括:步骤1、对高光谱数据进行预处理;步骤2、计算归一化植被指数;步骤3、构建红树林背景差异指数;步骤4、依据实地情况去除误分像素。本发明的有益效果是:本发明首先计算植被指数来区分植被与非植被,再构建红树林背景差异指数来增大红树林与其他陆地植被差异,并根据样本指数统计直方图确定阈值提取红树林,最后结合地形数据去除误分像素,实现红树林的精细提取。本发明流程容易实现,是对现有红树林提取方法的有效补充,有利于提高红树林分类准确性、反映红树林的真实空间分布情况,能为红树林的管理与保护提供科学依据,因此具有重要的实际应用意义。
Description
技术领域
本发明属于遥感影像的分类提取技术领域,尤其涉及一种基于高光谱数据的红树林提取方法,综合植被指数、光谱信息与地形数据,实现对红树林的单独提取。
背景技术
红树林生长于热带与亚热带海岸潮间带滩涂上,具有防浪护堤、促淤造陆、净化土壤水体空气、维持生物多样性等功能;还创造了重大的社会经济价值。全球红树林面积正以年均1%的速度减少,中国红树林反复经历破坏后,面积剧减,林分质量下降,生物多样性遭到严重破坏,生态服务功能得不到应有的发挥。
红树林遥感监测技术已经应用于区域提取、种间分类、群落结构、生物量、灾害灾情、动态变化、驱动机制和红树林湿地保护与管理等多个领域。红树林分布范围的提取往往基于单一植被指数(包括归一化植被指数、比值植被指数、绿度植被指数等)、光谱特征和纹理特征,提取红树林常用的分类方法包括目视解译、面向对象分类法、决策树法、支持向量机方法等。研究常用的数据源为中分辨率光学遥感数据,其中最普遍的为Landsat数据;高分辨率遥感数据有利于提高分类精度并且能实现进一步的红树林种间分类,包括IKONOS、QuickBird、ZY-3和GF-1等卫星数据以及无人机数据;除光学遥感外,雷达数据也越来越多地被运用到红树林遥感监测中。
红树林与其他陆地植被在可见光波段的光谱曲线极为接近,但在对水分含量敏感的红外波段具有较为明显的差异。高光谱数据光谱分辨率高,具有数十至数百个红外波段,包含丰富的信息,可以充分体现出红树林与其他陆地植被的光谱差异。但目前红树林提取的研究中常用的数据源为多光谱数据,很少用到高光谱数据。多光谱数据的红外波段数量少,且多光谱数据包含的信息不能很好地区分红树林和其他陆地植被,容易造成错误提取,提取结果不能精确地反映红树林的真实空间分布情况。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于高光谱数据的红树林提取方法。
这种基于高光谱数据的红树林提取方法,包括以下步骤:
步骤1、对高光谱数据进行预处理,该预处理包括辐射定标、大气校正和正射校正;
步骤2、计算归一化植被指数(NDVI),根据植被阈值来区分植被区域与非植被区域;
步骤3、构建红树林背景差异指数(MBDI),根据样本的背景差异指数来统计直方图确定阈值提取红树林,判断植被区域中的植被是否为其他陆地植被;
步骤4、根据DEM得到高程数据和坡度数据,依据实地情况去除误分像素,实现红树林的最终提取。
作为优选,步骤2具体包括以下步骤:
步骤2.1、通过ENVI中Vegetation Index Calculator工具计算归一化植被指数(NDVI):
上式中,NDVI为归一化植被指数,NIR为近红外波段值,R为红光波段值;
步骤2.2、根据归一化植被指数和植被阈值来区分植被区域与非植被区域:
minv≤NDVI(m,n)≤maxv (2)
上式中,minv为植被阈值下限,maxv为植被阈值上限,NDVI(m,n)为位置(m,n)的NDVI值;若位置(m,n)处的NDVI(m,n)值满足上式(2),则位置(m,n)处为植被区域,并执行步骤3;若位置(m,n)的NDVI(m,n)值不满足上式(2),则判定位置(m,n)处为非植被区域。
作为优选,步骤3具体包括以下步骤:
步骤3.1、通过ENVI中Band Math工具来计算植被区域红树林背景差异指数(MBDI):
MBDI=(ρ1654-ρ531)+(ρ2193-ρ2404) (3)
上式中,MBDI为红树林背景差异指数,ρ1654表示中心波长为1654nm的波段值(即GF-5中SW数据Band 78的波段值),ρ531表示中心波长为531nm的波段值(即GF-5中VN数据Band34的波段值),ρ2193表示中心波长为2193nm的波段值(即GF-5中SW数据Band 142的波段值),ρ2404表示中心波长为2404nm的波段值(即GF-5中SW数据Band 167的波段值);通过构建红树林背景差异指数(MBDI)增强了红树林与其他陆地植被的区别;
步骤3.2、根据样本的红树林背景差异指数(MBDI)来统计直方图,然后和植被阈值进行比较,根据比较结果来简单快速地提取红树林:
minm≤MBDI(m,n)≤maxm (4)
上式中,MBDI(m,n)为位置(m,n)的红树林背景差异指数的计算结果,minm、maxm分别为红树林的植被阈值下限和植被阈值上限;若位置(m,n)处的红树林背景差异指数MBDI(m,n)满足上式(4),则执行步骤4,若不满足上式(4),则判定位置(m,n)所在的区域的植被为其他陆地植被。
作为优选,步骤4具体包括以下步骤:
步骤4.1、采用GDEM V2.0数据,通过DEM计算得到高程和坡度数据,实现红树林的最终提取;
步骤4.2、若位置(m,n)处的高程和坡度满足下式(5),则位置(m,n)处所在的植被区域为红树林区域,若不满足下式(5),则判定位置(m,n)处所在的植被区域为其他陆地植被区域;
上式中,H(m,n)和S(m,n)分别为位置(m,n)的高程和位置(m,n)的坡度;minh和maxh分别为高程范围下限与高程范围的上限;mins和maxs分别为坡度下限与坡度上限。
本发明的有益效果是:本发明首先计算植被指数来区分植被与非植被,再构建红树林背景差异指数来增大红树林与其他陆地植被差异,并根据样本指数统计直方图确定阈值提取红树林,最后结合地形数据去除误分像素,实现红树林的精细提取。本发明流程容易实现,是对现有红树林提取方法的有效补充,有利于提高红树林分类准确性、反映红树林的真实空间分布情况,能为红树林的管理与保护提供科学依据,因此具有重要的实际应用意义。
附图说明
图1是本发明实施例的流程图;
图2是本发明的植被区域红树林背景差异指数(MBDI)的计算结果直方图,第一处峰值为红树林区的MBDI值,第二处峰值为其他陆地植被的MBDI值;
图3为本发明实施例的结果图,左半部分为广西珍珠港真彩色合成影像;右半部分为灰色为红树林最终提取结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
随着我国高光谱卫星的发射,高分5号(GF-5)和资源02D(ZY-02D)等高光谱卫星可以提供具备高空间分辨率的高光谱数据;本发明针对目前红树林提取研究中存在异物同谱的问题,提出一种基于高光谱数据的红树林提取方法。
作为一种实施例,一种基于高光谱数据的红树林提取方法,以GF-5高光谱数据为数据源,通过ENVI5.3软件实现,其流程如图1所示:
步骤1、对GF-5高光谱数据进行依次辐射定标、大气校正和正射校正等预处理操作;
步骤2、区分植被区域与非植被区域;
步骤2.1、通过ENVI中Vegetation Index Calculator工具计算归一化植被指数(NDVI):
上式中,NDVI为归一化植被指数,NIR为近红外波段值,R为红光波段值;
步骤2.2、根据归一化植被指数和植被阈值来区分植被区域与非植被区域:
0.5≤NDVI(m,n)≤1 (2)
上式中,0.5为植被阈值下限,1为植被阈值上限,NDVI(m,n)为位置(m,n)的NDVI值;若位置(m,n)处的NDVI(m,n)值满足上式(2),则位置(m,n)处为植被区域,并执行步骤3;若位置(m,n)的NDVI(m,n)值不满足上式(2),则判定位置(m,n)处为非植被区域。;
步骤3、判断植被区域中的植被是否为其他陆地植被;
步骤3.1、通过ENVI中Band Math工具来计算植被区域红树林背景差异指数(MBDI):
MBDI=(ρ1654-ρ531)+(ρ2193-ρ2404) (3)
上式中,MBDI为红树林背景差异指数,ρ1654表示中心波长为1654nm的波段值(即GF-5中SW数据Band 78的波段值),ρ531表示中心波长为531nm的波段值(即GF-5中VN数据Band34的波段值),ρ2193表示中心波长为2193nm的波段值(即GF-5中SW数据Band 142的波段值),ρ2404表示中心波长为2404nm的波段值(即GF-5中SW数据Band 167的波段值);通过构建红树林背景差异指数(MBDI)增强了红树林与其他陆地植被的区别;
步骤3.2、根据样本的红树林背景差异指数(MBDI)来统计直方图(如图2所示),然后和植被阈值进行比较,根据比较结果来简单快速地提取红树林:
164≤MBDI(m,n)≤704 (4)
上式中,MBDI(m,n)为位置(m,n)的红树林背景差异指数的计算结果,红树林的植被阈值下限为164和植被阈值上限为704;若位置(m,n)处的红树林背景差异指数MBDI(m,n)满足上式(4),则执行步骤4,若不满足上式(4),则判定位置(m,n)所在的区域的植被为其他陆地植被;
步骤4、依据实地情况去除误分像素。
步骤4.1、本实施例中采用GDEM V2.0数据,通过DEM计算得到高程和坡度数据,实现红树林的最终提取;
步骤4.2、若位置(m,n)处的高程和坡度满足下式(5),则位置(m,n)处所在的植被区域为红树林区域,若不满足下式(5),则判定位置(m,n)处所在的植被区域为其他陆地植被区域;
上式中,H(m,n)和S(m,n)分别为位置(m,n)的高程和位置(m,n)的坡度;位置(m,n)的高程范围下限为-10,高程范围的上限为10;位置(m,n)的坡度下限为0°,坡度上限为8°。
图3为本实施例的红树林提取结果图,通过本发明提出的方法较为精确地提取出了广西珍珠港的红树林,并且去除了绝大部分其他陆地植被像素被误分的情况,很好地反映了红树林的真实空间分布情况,有利于红树林的监测与管理。
基于高光谱数据的红树林提取方法是一种综合植被指数、光谱信息与地形数据的决策树分类方法,可以对现有红树林提取方法进行有效的补充,有利于提高红树林分类的准确性,有利于反映红树林的真实空间分布情况;结合了地形数据去除误分像素,有利于提高红树林提取精度,能为红树林的管理与保护提供科学依据。
Claims (4)
1.一种基于高光谱数据的红树林提取方法,其特征在于,包括以下步骤:
步骤1、对高光谱数据进行预处理,该预处理包括辐射定标、大气校正和正射校正;
步骤2、计算归一化植被指数,根据植被阈值来区分植被区域与非植被区域;
步骤3、构建红树林背景差异指数,根据样本的背景差异指数来统计直方图确定阈值提取红树林;
步骤4、根据DEM得到高程数据和坡度数据,依据实地情况去除误分像素。
2.根据权利要求1所述基于高光谱数据的红树林提取方法,其特征在于,步骤2具体包括以下步骤:
步骤2.1、计算归一化植被指数:
上式中,NDVI为归一化植被指数,NIR为近红外波段值,R为红光波段值;
步骤2.2、根据归一化植被指数和植被阈值来区分植被区域与非植被区域:
minv≤NDVI(m,n)≤maxv (2)
上式中,minv为植被阈值下限,maxv为植被阈值上限,NDVI(m,n)为位置(m,n)的NDVI值;若位置(m,n)处的NDVI(m,n)值满足上式(2),则位置(m,n)处为植被区域,并执行步骤3;若位置(m,n)的NDVI(m,n)值不满足上式(2),则判定位置(m,n)处为非植被区域。
3.根据权利要求1所述基于高光谱数据的红树林提取方法,其特征在于,步骤3具体包括以下步骤:
步骤3.1、计算植被区域红树林背景差异指数:
MBDI=(ρ1654-ρ531)+(ρ2193-ρ2404) (3)
上式中,MBDI为红树林背景差异指数,ρ1654表示中心波长为1654nm的波段值,ρ531表示中心波长为531nm的波段值,ρ2193表示中心波长为2193nm的波段值,ρ2404表示中心波长为2404nm的波段值;
步骤3.2、根据样本的红树林背景差异指数来统计直方图,然后和植被阈值进行比较,根据比较结果来提取红树林:
minm≤MBDI(m,n)≤maxm (4)
上式中,MBDI(m,n)为位置(m,n)的红树林背景差异指数的计算结果,minm、maxm分别为红树林的植被阈值下限和植被阈值上限;若位置(m,n)处的红树林背景差异指数MBDI(m,n)满足上式(4),则执行步骤4,若不满足上式(4),则判定位置(m,n)所在的区域的植被为其他陆地植被。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162112.9A CN112329829B (zh) | 2020-10-27 | 2020-10-27 | 一种基于高光谱数据的红树林提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162112.9A CN112329829B (zh) | 2020-10-27 | 2020-10-27 | 一种基于高光谱数据的红树林提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329829A true CN112329829A (zh) | 2021-02-05 |
CN112329829B CN112329829B (zh) | 2021-08-27 |
Family
ID=74311137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011162112.9A Active CN112329829B (zh) | 2020-10-27 | 2020-10-27 | 一种基于高光谱数据的红树林提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329829B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076506A (zh) * | 2021-03-23 | 2021-07-06 | 北京师范大学 | 一种基于水质净化和生态节水相结合调控湿地ndvi的方法 |
CN117036777A (zh) * | 2023-07-04 | 2023-11-10 | 宁波大学 | 一种基于高光谱数据的滩涂提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232349A1 (en) * | 2008-01-08 | 2009-09-17 | Robert Moses | High Volume Earth Observation Image Processing |
US20150027044A1 (en) * | 2013-03-07 | 2015-01-29 | Blue River Technology, Inc. | System and method for plant treatment |
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
CN110046415A (zh) * | 2019-04-08 | 2019-07-23 | 中国科学院南京地理与湖泊研究所 | 一种时空精细化的土壤有机质含量遥感动态反演方法 |
CN111523587A (zh) * | 2020-04-17 | 2020-08-11 | 中国科学院植物研究所 | 一种基于机器学习的木本植物物种光谱识别方法 |
CN111767813A (zh) * | 2020-06-19 | 2020-10-13 | 宁波大学 | 一种多特征与长时序概率协同的红树林提取方法 |
-
2020
- 2020-10-27 CN CN202011162112.9A patent/CN112329829B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232349A1 (en) * | 2008-01-08 | 2009-09-17 | Robert Moses | High Volume Earth Observation Image Processing |
US20150027044A1 (en) * | 2013-03-07 | 2015-01-29 | Blue River Technology, Inc. | System and method for plant treatment |
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
CN110046415A (zh) * | 2019-04-08 | 2019-07-23 | 中国科学院南京地理与湖泊研究所 | 一种时空精细化的土壤有机质含量遥感动态反演方法 |
CN111523587A (zh) * | 2020-04-17 | 2020-08-11 | 中国科学院植物研究所 | 一种基于机器学习的木本植物物种光谱识别方法 |
CN111767813A (zh) * | 2020-06-19 | 2020-10-13 | 宁波大学 | 一种多特征与长时序概率协同的红树林提取方法 |
Non-Patent Citations (3)
Title |
---|
LUOMA WAN 等: ""GF-5 Hyperspectral Data for species Mapping of mangrove in Mai Po,Hong Kong"", 《REMOTE SENSING》 * |
SHAOHUA ZHAO: ""An overview of satellite remote sensing technology used in China’s environmental protection"", 《REVIEW ARTICLE》 * |
董迪 等: ""联合星载光学和SAR影像的漳江口红树林与互花米草遥感监测"", 《热带海洋学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076506A (zh) * | 2021-03-23 | 2021-07-06 | 北京师范大学 | 一种基于水质净化和生态节水相结合调控湿地ndvi的方法 |
CN113076506B (zh) * | 2021-03-23 | 2023-06-09 | 北京师范大学 | 一种基于水质净化和生态节水相结合调控湿地ndvi的方法 |
CN117036777A (zh) * | 2023-07-04 | 2023-11-10 | 宁波大学 | 一种基于高光谱数据的滩涂提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112329829B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592882B (zh) | 一种基于无人机多源遥感的树冠提取方法 | |
US20050286770A1 (en) | Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN112329829B (zh) | 一种基于高光谱数据的红树林提取方法 | |
CN102750701A (zh) | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN108537169B (zh) | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 | |
CN103077515A (zh) | 一种多光谱图像建筑物变化检测方法 | |
Yang et al. | Evaluating AISA+ hyperspectral imagery for mapping black mangrove along the South Texas Gulf Coast | |
CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
CN106875407A (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
Kupková et al. | Towards reliable monitoring of grass species in nature conservation: Evaluation of the potential of UAV and PlanetScope multi-temporal data in the Central European tundra | |
Kumar et al. | Aviris-ng hyperspectral data for mapping mangrove forests and their health spatially | |
CN117036777B (zh) | 一种基于高光谱数据的滩涂提取方法 | |
Xiao et al. | A Novel Image Fusion Method for Water Body Extraction Based on Optimal Band Combination. | |
CN115035411B (zh) | 一种基于高光谱数据的互花米草指数构建与提取方法 | |
Ouerghemmi et al. | Urban vegetation mapping using hyperspectral imagery and spectral library | |
CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
Ouerghemmi et al. | Urban vegetation mapping by airborne hyperspetral imagery; feasibility and limitations | |
CN112418156B (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 | |
Li et al. | Tree species classification based on WorldView-2 imagery in complex urban environment | |
JP4106894B2 (ja) | 目標検出装置 | |
CN115909050B (zh) | 一种结合线段方向和形态学差分的遥感图像机场提取方法 | |
Wan et al. | Tree Species Classification of Forest Stands Using Multisource Remote Sensing Data. Remote Sens. 2021, 13, 144 | |
Orny et al. | Characterization of maritime pine forest structure changes with vhr satellite imagery: application to the 24th january 2009 windfall damages cartography |
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 |