CN112381013A - 基于高分辨率遥感影像的城市植被反演方法及系统 - Google Patents
基于高分辨率遥感影像的城市植被反演方法及系统 Download PDFInfo
- Publication number
- CN112381013A CN112381013A CN202011298755.6A CN202011298755A CN112381013A CN 112381013 A CN112381013 A CN 112381013A CN 202011298755 A CN202011298755 A CN 202011298755A CN 112381013 A CN112381013 A CN 112381013A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- inversion
- urban
- remote sensing
- scale
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003595 spectral effect Effects 0.000 claims abstract description 54
- 239000002028 Biomass Substances 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000002310 reflectometry Methods 0.000 claims abstract description 24
- 230000003287 optical effect Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
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
本发明提供一种基于高分辨率遥感影像的城市植被反演方法及系统，包括对目标区域的高分辨率光学遥感数据数据进行数据预处理；根据提取对象的规模，利用FNEA算法对高分辨率影像采用自底而上的区域合并的策略，以异质度增长最小为合并准则进行不同尺度分割和最优尺度同质区地物对象提取；针对多尺度同质区对象，基于光学地表反射率数据，提取光谱特征集和空间特征集；针对城市中的植被采用多尺度特征逐层融合的多分类器集成建立提取模型，并分别提取植被区域和非植被区域；分别提取植被区域范围内相应的特征指数，选择多种非参数化模型作为城市植被地上生物量反演模型，选取最优模型实现城市范围内复杂地表区域的植被定量监测和制图。
Description
技术领域
本发明属于城市植被监测技术领域，具体涉及一种基于高分辨率遥感影像的城市植被反演方案。
背景技术
城市植被作为城市生态环境系统的重要组成部分，不仅在保持水土、涵养水源、净化空气、保护生物多样性、减弱和消除噪声等方面起着至关重要的作用，而且在吸收固定CO2、减缓气候变化方面有着举足轻重的作用。一方面通过光合作用固定大气中的CO2，另一方面通过遮荫和挡风来减少建筑物制冷和采暖的能源消耗碳排放。
城市植被覆盖度作为国家森林城市评价指标体系中的核心指标，不仅反映了城市植被资源的丰富程度，也是确定城市植被经营和开发利用的基本依据之一，对于维持区域生态平衡具有重要意义。城市植被生物量是衡量城市碳汇的重要指标，其大小及分布格局不仅为陆地生态系统碳循环过程研究提供理论依据。在规划和建设过程中，通过城市植被覆盖度的估算，获取其大小及分布现状，能够得知城市森林的理想区域及城市生态压力的发生区域和诱发因素，从而对理想区域进行监测和保护，对不理想区域进行改造，最终使城市植被保护与社会经济发展相协调，构建和谐、持续发展的城市。
在林业资源调查中，卫星遥感广泛应用于各类资源调查。在森林类别提取中多使用中低分辨率数据，高分辨率数据在植被精细化提取中的应用较少，尤其针对城市范围内的植被提取。高空间分辨率的遥感影像具有地物边界清晰、内容丰富的优点，使得基于高分辨率遥感影像的植被提取方法可大大减少中低分辨率遥感影像中的混合像元问题，提升类别提取的准确性。多时相数据的协同处理，为植被的精细化提取提供一种有效的解决方案。
城市植被参数监测的研究已经由过去的定性分析逐步发展到现在的定量评价，其监测评价由传统的依据地面调查统计数据和观测结果发展到运用遥感手段与传统技术的结合进行监测评价。虽然近年来基于遥感技术的森林/草地提取研究进展显著，但分类精度仍然整体偏低。亟待突破的技术瓶颈包括：
(1)搜集的地面观测数据难以全面反映区域植被结构及生长状态变化，并且由于时间、人力成本等的限制，无法获取足够数量的样本；
(2)城市范围内植被空间分布的复杂性，以及城市化对植被结构的影响，针对大面积自然植被的提取方法不能完全迁移到城市植被的研究中，缺少合适的算法使植被的精细化提取面临很大的挑战；
(3)单一数据源和单一时相的数据无法全面反应植被的生长状态和物候变化，导致植被提取不够精细，且植被被城市中的房屋等产生的阴影所遮挡，容易造成提取不完全和漏提的情况。
发明内容
针对现有技术的不足，本发明提出一种基于高分辨率遥感影像的城市植被反演方案，通过建立影像数据中的各类特征与城市植被的相互关系，构建多尺度多特征多模型集成的城市植被反演方法，为城市复杂地表内的植被准确高效的定量监测找到一条可行的解决途径。
为实现上述目的，本发明的技术方案为一种基于高分辨率遥感影像的城市植被反演方法，包括以下步骤：
步骤a，对目标区域的高分辨率光学遥感数据数据进行数据预处理，并得到相应的地表反射率数据；
步骤b，根据提取对象的规模大小差异，利用FNEA算法对高分辨率影像采用自底而上的区域合并的策略，以异质度增长最小为合并准则进行不同尺度分割和最优尺度同质区地物对象提取；
步骤c，针对多尺度同质区对象，基于光学地表反射率数据，提取得到的光谱特征集包含光谱特征指数，空间特征集包含形状特征指数和纹理特征指数；
步骤d，根据步骤c中获取的光谱特征集和空间特征集，针对城市中的植被采用多尺度特征逐层融合的多分类器集成建立提取模型，并分别提取植被区域和非植被区域；
步骤e，根据步骤a中得到的地表反射率数据，分别提取植被区域范围内相应的波段特征、纹理特征以及根据波段特征计算得到的各类植被指数；
步骤f，根据步骤e中所得结果进行城市植被生物量反演，基于地面样点数据划为分为建模样本和验证样本，选择多种非参数化模型作为城市植被地上生物量反演模型，进行模型反演后根据模型评价标准选取最优模型；
步骤g，利用步骤f所确定最佳的生物量反演模型，在步骤d所得植被区域对应数据集上进行植被精细化反演，实现城市范围内复杂地表区域的植被定量监测和制图。
而且，步骤b中，所述异质度由光谱异质度hcolour、紧致度异质度hcompact和光滑度异质度hsmooth构成，设影像对象异质度f定义如下，
f＝wcolour×hcolour+wshape×(wconpact×hconpact+wsmooth×hsmooth)
其中wcolour和wshape分别为颜色权重和形状权重，两个变量的取值范围均为[0，1]，且相加和为1。wcompact及wsmooth分别为紧致度和光滑度的权重，两个变量的取值范围均为[0，1]，且相加和为1。
而且，步骤c中，从形状的狭长程度、紧凑程度和平滑程度构造多尺度同质区对象的形状指数，用于描述对象形状的规则程度；在纹理特征描述方面，将以多尺度同质区对象为单元，基于时频分析的纹理描述方法实现影像对象纹理特征的描述；光谱特征指数用每个波段光谱反射率的标准差的均值表示。
而且，步骤d中，采用迭代手段实现多尺度多特征的逐层次递进式融合，实现步骤如下，
1)根据阴影检测算法，对非阴影区域利用多特征融合提取分类结果，提取阴影区域，进行标记，确定细分类的同质区对象，得到细分类对象集合；
2)对细分类对象集合进行判别，若所有单分类器分类结果中仅含有植被的地物，则分类结束，输出当前的细分类对象集合；
否则进入步骤3)；
3)利用多特征集提取出未能确定类别的遮挡区域，对遮挡区域进行细化分类，利用已有的先验知识和互信息熵最大准则，在光谱特征集和空间特征集选择相应特征并输入到随机森林多分类器集成系统中进行分类，
重复上述操作，在光谱特征集和空间特征集重新选择特征对遮挡区域进行细化分类，并在达到迭代次数上限或者满足收敛条件时，结束迭代，输出当前的细分类对象集合。
而且，步骤f中，所述非参数化模型包括K最近邻、误差反向传播神经网络、支持向量回归机、随机森林以及多元逐步线性回归，构建城市植被地上生物量反演模型，选择判定系数、均方根误差以及相对均方根误差为模型精度的验证指标，将精度最高的预测模型作为最终选定的反演模型。
另一方面，本发明提供一种基于高分辨率遥感影像的城市植被反演系统，用于实现如上所述的一种基于高分辨率遥感影像的城市植被反演方法。
而且，包括以下模块，
第一模块，用于对目标区域的高分辨率光学遥感数据数据进行数据预处理，并得到相应的地表反射率数据；
第二模块，用于根据提取对象的规模大小差异，利用FNEA算法对高分辨率影像采用自底而上的区域合并的策略，以异质度增长最小为合并准则进行不同尺度分割和最优尺度同质区地物对象提取；
第三模块，用于针对多尺度同质区对象，基于光学地表反射率数据，提取得到的光谱特征集包含光谱特征指数，空间特征集包含形状特征指数和纹理特征指数；
第四模块，用于根据第三模块中获取的光谱特征集和空间特征集，针对城市中的植被采用多尺度特征逐层融合的多分类器集成建立提取模型，并分别提取植被区域和非植被区域；
第五模块，用于根据第一模块中得到的地表反射率数据，分别提取植被区域范围内相应的波段特征、纹理特征以及根据波段特征计算得到的各类植被指数；
第六模块，用于根据第五模块中所得结果进行城市植被生物量反演，基于地面样点数据划为分为建模样本和验证样本，选择多种非参数化模型作为城市植被地上生物量反演模型，进行模型反演后根据模型评价标准选取最优模型；
第七模块，用于利用第六模块所确定最佳的生物量反演模型，在第四模块所得植被区域对应数据集上进行植被精细化反演，实现城市范围内复杂地表区域的植被定量监测和制图。
或者，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于高分辨率遥感影像的城市植被反演方法。
或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于高分辨率遥感影像的城市植被反演方法。
与现有技术相比，本发明提供的技术方案的有益效果为：
(1)本发明提出一种基于高分辨率遥感影像光谱和空间信息进行深入挖掘的基础上构建一种多尺度多特征融合的多分类器集成植被分类提取方案；
(2)本发明提出一种结合地物分类信息的城市植被反演方案，弥补了仅使用高分辨率影像的光谱特征来反演城市植被时存在植被类别信息不足的问题，使得反演结果具有更好的稳健性和完整度。
附图说明
图1为本发明实施例的流程图。
具体实施方式
为了便于本领域相关技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，便于理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
参见图1，本发明实施例提供的一种基于高分辨率遥感影像的城市植被反演方法，具体步骤如下：
步骤a：对目标区域的高分辨率光学遥感数据进行数据预处理，并得到相应的地表反射率数据。
本发明高分辨率光学数据主要是指米级分辨率的影像数据，例如：SPOT系列，WorldView系列，国产高分系列数据等。
具体实施时，可以利用现有技术实现数据预处理，包括辐射定标和大气校正。例如通过利用ENVI5.3软件，首先基于数据自带RPC(Rational Polynomial Coefficient))信息，对多光谱和全色数据进行正射校正；其次，利用自动配准工具对正射校正后的多光谱和全色数据进行配准，实现多光谱和全色数据的完全匹配；然后，利用NNDiffuse PanSharpening方法对多光谱和全色数据进行融合；最后，基于融合后的影像数据进行辐射定标和FLAASH(Fast line-of-sight atmospheric analysis of spectral hypercubes)大气校正的方法，将原始的数字信号值即DN值转换为地表反射率数据。
步骤b：根据提取对象的规模大小差异，利用FNEA算法对高分辨率影像采用自底而上的区域合并的策略，以“异质度增长最小”为合并准则进行不同尺度分割和最优尺度同质区地物对象提取。
具体实施时，针对城市复杂地表地物多层次结构特点，分层次设定尺度阈值，根据各层次同质区对象的光谱和空间特征，确定多特征异质度准则，基于同质区对象内部异质性最小和对象间异质性最大原则，使各尺度的同质分割达到最优化的程度，从而实现地物类别的多尺度表达。由于根据提取地物对象设置多个层次，每个层次都有不同的尺度阈值，即在影像范围内，影像的大尺度对象和小尺度对象同时存在。
用于分割的尺度对分割结果的数量，大小和合理性具有决定性影响。一般情况下，对于同一图像，由分割图像形成的对象的面积与分割尺度正相关，并且形成的对象的数量与分割尺度负相关。分割后产生的图像对象的边界是否清晰，内部对象是否被破坏，对象的边界与对象的边界是否一致以及对象的异质性是否合适是区分对象的基础。
通过遥感影像分割获取对象，影像分割采用分形网络演化算法(Fractal NetEvolution Approach，FNEA)自底而上的区域合并的策略，其中以“异质度增长最小”为合并准则。在FNEA算法中影像对象异质度(f)是定义为：
f＝wcolour×hcolour+wshape×(wconpact×hconpact+wsmooth×hsmooth) (1)
其中wcolour和wshape分别为光谱权重和形状权重，两个变量的取值范围均为[0，1]，且相加和为1。wcompact及wsmooth分别为紧致度和光滑度的权重，两个变量的取值范围均为[0，1]，且相加和为1。具体实施时，权重取值可根据需求调整。
从异质度的定义中可以看出，FNEA算法中异质度仅由光谱异质度hcolour、紧致度异质度hcompact和光滑度异质度hsmooth构成，即通过影像的光谱特征和形状特征对影像进行分割。
通过多尺度同质区对象内光谱的异质性指数hs来度量同质区内像元光谱的差异性。光谱异质性指数通常用每个波段光谱反射率的标准差的均值表示。由于地物在不同的波段的光谱反射强度不同，本项目在计算光谱异质性时，对每个波段的光谱首先除以该波段光谱反射率的均值，再计算该波段光谱的异质性。异质性指数hs的计算如下所示：
其中ri,j表示第j个像元在第i个波段上的光谱反射率，
表示同质区内所有像元在第i个波段上的平均光谱反射率，m为同质区内像元的个数，n为影像的波段数。
根据以上异质性指数公式，可以计算步骤b中所述光谱异质度hcolour、紧致度异质度hcompact和光滑度异质度hsmooth。
通过对同质区内所有的像元在光谱空间进行异常光谱检测，寻找并剔除与同质区内大部分像元的光谱差异性较大的像元，迭代地进行异常光谱像元剔除过程直到检测出没有光谱异常像元或者迭代次数达到设定的阈值次数。将剔除了光谱异常像元后的同质区像元在光谱空间进行聚类分析，提取聚类中心代表该同质区的特征光谱向量，对特征光谱向量进行归一化处理作为该多尺度同质区对象的光谱特征。记特征光谱向量为(r1,…,ri,…,rn)，归一化后的光谱向量为
其中ri表示第i个波段的光谱反射率，
表示归一化后第i个波段的光谱反射率，n是影像的光谱波段数。
根据上式求得归一化后的光谱向量后，用于根据式(2)计算异质性指数。
步骤c：多尺度同质区对象的光谱-空间特征的描述和提取：基于光学地表反射率数据，从光谱、形状、纹理三个方面进行描述并提取多种特征指数。得到的光谱特征集包含光谱特征指数，空间特征集包含形状特征指数和纹理特征指数。
具体实施时，将从形状的狭长程度、紧凑程度、平滑程度等方面通过构造多尺度同质区对象的形状指数，用于描述对象形状的规则程度；在纹理特征描述方面，将以多尺度同质区对象为单元，基于时频分析的纹理描述方法实现影像对象纹理特征的描述，描述方法主要包括两个步骤：首先基于非下采样的金字塔结构将影像分为低频子带及多尺度的高频子带，获得多尺度分解结果。然后采用非下采样的方向滤波器组对每个高频子带分别进行多方向分解。最后将使用局部纹理能量函数计算每个尺度和方向子带的局部能量，并用该结果形成多尺度多方向的影像纹理特征向量。光谱特征指数通常用每个波段光谱反射率的标准差的均值表示。
步骤d：根据步骤c中获取的光谱特征集和空间特征集，针对城市中的植被采用多尺度特征逐层融合的多分类器集成建立提取模型，并分别提取植被区域和非植被区域。
具体实施时，在经过上述步骤处理后已获得用于城市地物提取的光谱特征集和空间特征集。通过采用随机森林算法实现多分类器系统的集成，将多特征逐层次进行融合，在多尺度递进的逻辑关系下最大程度利用已有的光谱和空间特征集，实现迭代提取。
采用迭代手段实现多尺度多特征的逐层次递进式融合，其步骤如下：
1)首先，根据阴影检测算法，对非阴影区域利用多特征融合提取分类结果，提取阴影区域，进行标记，确定细分类的同质区对象。
2)然后，对细分类对象集合进行判别，若所有单分类器分类结果中仅含有植被的地物，则分类结束，输出当前的细分类对象集合；
否则进入步骤3)。
3)利用多特征集提取出来未能确定类别的遮挡区域，最后，对遮挡区域进行细化分类。利用已有的先验知识和互信息熵最大准则，在光谱、空间数据特征集选择相应特征并输入到随机森林多分类器集成系统中进行分类，其中特征x和y的互信息熵可以表示为：
其中，x、y分别表示光谱特征集、空间特征集选择的相应特征；I(x,y)指x,y之间的互信息熵；p(x,y)是x,y的联合分布，p(x)、p(y)分别是x,y的边缘分布；dx表示对x的积分，dy表示对y的积分。
重复上述操作，在光谱、空间数据特征集重新选择特征对遮挡区域进行细化分类，并在达到迭代次数上限或者满足收敛条件时，结束迭代，输出当前的细分类对象集合。可选的收敛条件如下：
其中，Ci表示第i次的特征，Fi表示第i次迭代的分类精度，ε为精度控制阈值，具体实施时可根据需要设定取值。
步骤e：根据步骤a中得到的地表反射率数据，分别提取植被区域范围内相应的波段特征、纹理特征以及根据波段特征计算得到的各类植被指数。
具体实施时，基于步骤a得到的高分辨率影像的反射率数据，分辨计算了三组光学变量：4个光谱波段、14个光谱指数和8个纹理特征。光谱波段包括蓝(B)、绿(G)、红(R)、近红外(NIR)。利用缨帽变换(Tasseled Cap Transformation，TCT)计算得出了5种TCT变量；采用灰度共生矩阵(Grey Level Co-occurrence Matrices，GLCM)，采用3×3窗口大小提取了8种纹理特征。光谱指数和纹理特征的具体计算方式如下所示：
比值植被指数(Simple Ratio Vegetation Index,SR)
归一化植被指数(Normalized Difference Vegetation Index,NDVI)
增强型植被指数(Enhanced Vegetation Index,EVI)
土壤调节植被指数(Soil Adjusted Vegetation Index,SAVI)
修正土壤调节植被指数(Modified Soil Adjusted Vegetation Index,MSAVI)
优化型土壤调节植被指数(Optimized Soil-Adjusted Vegetation Index,OSAVI)
叶绿素指数(Green chlorophyll index,GCI)
大气阻抗植被指数(Atmospherically Resistant Vegetation Index,ARVI)
绿度植被指数(Green Vegetation Index,GNDVI)
缨帽变换亮度Tasseled cap brightness，TCB
缨帽变换绿度Tasseled cap greenness，TCG
缨帽变换湿度Tasseled cap wetness，TCW
缨帽变换角度Tasseled cap angle，TCA
缨帽变换距离Tasseled cap distance，TCD
平均值(Mean,ME)
协同性(Homogeneity,HO)
对比度(Contrast,CON)
相异性(Dissimilarity,DI)
信息熵(Entropy,EN)
方差(Variance,Var)
二阶矩(Second Moment,SM)
相关性(Correlation,COR)
其中，i,j表示第i行和第j列的像素亮度值，N表示计算纹理测度时移动窗口的大小。
步骤f：根据步骤e中获取的各种特征集进行城市植被生物量反演，基于地面样点数据，根据选择的特征集将其划分为建模样本和验证样本，选择多种非参数化模型作为城市植被地上生物量反演模型，进行模型反演后根据模型评价标准选取最优模型。
具体实施时，利用步骤e中得到的光学特征变量数据集，以及采样获得的训练数据集，分别采用K最近邻(K-nearest Neighbor，KNN)、误差反向传播神经网络(BackPropagation Neural Networks，BPNN)、支持向量回归机(Support Vector Regression，SVR)、随机森林(Random Forest，RF)以及多元逐步线性回归(multiple stepwise linearregressions，SLR)非参数化模型方法，构建城市植被地上生物量反演模型，选择判定系数(R2)、均方根误差(RMSE)以及相对均方根误差(RMSEr)为模型精度的验证指标，将精度最高的预测模型作为最终选定的反演模型。通过对比各模型的验证精度，确定最佳的生物量反演模型并用于步骤g进行植被制图。
步骤g：利用步骤f所确定最佳的生物量反演模型，在步骤d所得植被区域对应数据集上进行植被精细化反演，实现城市范围内复杂地表区域的植被定量监测和制图。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
在一些可能的实施例中，提供一种基于高分辨率遥感影像的城市植被反演系统，包括以下模块，
第一模块，用于对目标区域的高分辨率光学遥感数据数据进行数据预处理，并得到相应的地表反射率数据；
第二模块，用于根据提取对象的规模大小差异，利用FNEA算法对高分辨率影像采用自底而上的区域合并的策略，以异质度增长最小为合并准则进行不同尺度分割和最优尺度同质区地物对象提取；
第三模块，用于针对多尺度同质区对象，基于光学地表反射率数据，提取得到的光谱特征集包含光谱特征指数，空间特征集包含形状特征指数和纹理特征指数；
第四模块，用于根据第三模块中获取的光谱特征集和空间特征集，针对城市中的植被采用多尺度特征逐层融合的多分类器集成建立提取模型，并分别提取植被区域和非植被区域；
第五模块，用于根据第一模块中得到的地表反射率数据，分别提取植被区域范围内相应的波段特征、纹理特征以及根据波段特征计算得到的各类植被指数；
第六模块，用于根据第五模块中所得结果进行城市植被生物量反演，基于地面样点数据划为分为建模样本和验证样本，选择多种非参数化模型作为城市植被地上生物量反演模型，进行模型反演后根据模型评价标准选取最优模型；
第七模块，用于利用第六模块所确定最佳的生物量反演模型，在第四模块所得植被区域对应数据集上进行植被精细化反演，实现城市范围内复杂地表区域的植被定量监测和制图。
在一些可能的实施例中，提供一种基于高分辨率遥感影像的城市植被反演系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于高分辨率遥感影像的城市植被反演方法。
在一些可能的实施例中，提供一种基于高分辨率遥感影像的城市植被反演系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于高分辨率遥感影像的城市植被反演方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种基于高分辨率遥感影像的城市植被反演方法，其特征在于，包括以下步骤：
步骤a，对目标区域的高分辨率光学遥感数据数据进行数据预处理，并得到相应的地表反射率数据；
步骤b，根据提取对象的规模大小差异，利用FNEA算法对高分辨率影像采用自底而上的区域合并的策略，以异质度增长最小为合并准则进行不同尺度分割和最优尺度同质区地物对象提取；
步骤c，针对多尺度同质区对象，基于光学地表反射率数据，提取得到的光谱特征集包含光谱特征指数，空间特征集包含形状特征指数和纹理特征指数；
步骤d，根据步骤c中获取的光谱特征集和空间特征集，针对城市中的植被采用多尺度特征逐层融合的多分类器集成建立提取模型，并分别提取植被区域和非植被区域；
步骤e，根据步骤a中得到的地表反射率数据，分别提取植被区域范围内相应的波段特征、纹理特征以及根据波段特征计算得到的各类植被指数；
步骤f，根据步骤e中所得结果进行城市植被生物量反演，基于地面样点数据划为分为建模样本和验证样本，选择多种非参数化模型作为城市植被地上生物量反演模型，进行模型反演后根据模型评价标准选取最优模型；
步骤g，利用步骤f所确定最佳的生物量反演模型，在步骤d所得植被区域对应数据集上进行植被精细化反演，实现城市范围内复杂地表区域的植被定量监测和制图。
2.根据权利要求1所述的一种基于高分辨率遥感影像的城市植被反演方法，其特征在于：步骤b中，所述异质度由光谱异质度hcolour、紧致度异质度hcompact和光滑度异质度hsmooth构成，设影像对象异质度f定义如下，
f＝wcolour×hcolour+wshape×(wconpact×hconpact+wsmooth×hsmooth)
其中wcolour和wshape分别为颜色权重和形状权重，两个变量的取值范围均为[0，1]，且相加和为1。wcompact及wsmooth分别为紧致度和光滑度的权重，两个变量的取值范围均为[0，1]，且相加和为1。
3.根据权利要求1所述的一种基于高分辨率遥感影像的城市植被反演方法，其特征在于：步骤c中，从形状的狭长程度、紧凑程度和平滑程度构造多尺度同质区对象的形状指数，用于描述对象形状的规则程度；在纹理特征描述方面，将以多尺度同质区对象为单元，基于时频分析的纹理描述方法实现影像对象纹理特征的描述；光谱特征指数用每个波段光谱反射率的标准差的均值表示。
4.根据权利要求1所述的一种基于高分辨率遥感影像的城市植被反演方法，其特征在于：步骤d中，采用迭代手段实现多尺度多特征的逐层次递进式融合，实现步骤如下，
1)根据阴影检测算法，对非阴影区域利用多特征融合提取分类结果，提取阴影区域，进行标记，确定细分类的同质区对象，得到细分类对象集合；
2)对细分类对象集合进行判别，若所有单分类器分类结果中仅含有植被的地物，则分类结束，输出当前的细分类对象集合；
否则进入步骤3)；
3)利用多特征集提取出未能确定类别的遮挡区域，对遮挡区域进行细化分类，利用已有的先验知识和互信息熵最大准则，在光谱特征集和空间特征集选择相应特征并输入到随机森林多分类器集成系统中进行分类，
重复上述操作，在光谱特征集和空间特征集重新选择特征对遮挡区域进行细化分类，并在达到迭代次数上限或者满足收敛条件时，结束迭代，输出当前的细分类对象集合。
5.根据权利要求1或2或3或4所述的一种基于高分辨率遥感影像的城市植被反演方法，其特征在于：步骤f中，所述非参数化模型包括K最近邻、误差反向传播神经网络、支持向量回归机、随机森林以及多元逐步线性回归，构建城市植被地上生物量反演模型，选择判定系数、均方根误差以及相对均方根误差为模型精度的验证指标，将精度最高的预测模型作为最终选定的反演模型。
6.一种基于高分辨率遥感影像的城市植被反演系统，其特征在于：用于实现如权利要求1-5任一项所述的一种基于高分辨率遥感影像的城市植被反演方法。
7.根据权利要求6所述基于高分辨率遥感影像的城市植被反演系统，其特征在于：包括以下模块，
第一模块，用于对目标区域的高分辨率光学遥感数据数据进行数据预处理，并得到相应的地表反射率数据；
第二模块，用于根据提取对象的规模大小差异，利用FNEA算法对高分辨率影像采用自底而上的区域合并的策略，以异质度增长最小为合并准则进行不同尺度分割和最优尺度同质区地物对象提取；
第三模块，用于针对多尺度同质区对象，基于光学地表反射率数据，提取得到的光谱特征集包含光谱特征指数，空间特征集包含形状特征指数和纹理特征指数；
第四模块，用于根据第三模块中获取的光谱特征集和空间特征集，针对城市中的植被采用多尺度特征逐层融合的多分类器集成建立提取模型，并分别提取植被区域和非植被区域；
第五模块，用于根据第一模块中得到的地表反射率数据，分别提取植被区域范围内相应的波段特征、纹理特征以及根据波段特征计算得到的各类植被指数；
第六模块，用于根据第五模块中所得结果进行城市植被生物量反演，基于地面样点数据划为分为建模样本和验证样本，选择多种非参数化模型作为城市植被地上生物量反演模型，进行模型反演后根据模型评价标准选取最优模型；
第七模块，用于利用第六模块所确定最佳的生物量反演模型，在第四模块所得植被区域对应数据集上进行植被精细化反演，实现城市范围内复杂地表区域的植被定量监测和制图。
8.根据权利要求6所述基于高分辨率遥感影像的城市植被反演系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-5任一项所述的一种基于高分辨率遥感影像的城市植被反演方法。
9.根据权利要求6所述基于高分辨率遥感影像的城市植被反演系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-5任一项所述的一种基于高分辨率遥感影像的城市植被反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011298755.6A CN112381013B (zh) | 2020-11-18 | 2020-11-18 | 基于高分辨率遥感影像的城市植被反演方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011298755.6A CN112381013B (zh) | 2020-11-18 | 2020-11-18 | 基于高分辨率遥感影像的城市植被反演方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381013A true CN112381013A (zh) | 2021-02-19 |
| CN112381013B CN112381013B (zh) | 2024-02-27 |
Family
ID=74585236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011298755.6A Active CN112381013B (zh) | 2020-11-18 | 2020-11-18 | 基于高分辨率遥感影像的城市植被反演方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381013B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112927150A (zh) * | 2021-02-20 | 2021-06-08 | 河北先河环保科技股份有限公司 | 高光谱图像的水体倒影区域光谱恢复方法及终端设备 |
| CN113656978A (zh) * | 2021-08-25 | 2021-11-16 | 青岛星科瑞升信息科技有限公司 | 一种应用于城市的新型高光谱植被指数的构建方法 |
| CN114441456A (zh) * | 2022-04-08 | 2022-05-06 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
| CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
| CN116051838A (zh) * | 2023-01-06 | 2023-05-02 | 深圳技术大学 | 面向对象的高分辨率无人机图像多尺度分割方法及系统 |
| CN116052017A (zh) * | 2023-01-17 | 2023-05-02 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
| WO2023104130A1 (zh) * | 2021-12-08 | 2023-06-15 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
| CN116993583A (zh) * | 2023-06-09 | 2023-11-03 | 昆明理工大学 | 一种基于高分辨率遥感影像高原湿地智能精细提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495412A (zh) * | 2011-11-23 | 2012-06-13 | 中国科学院地理科学与资源研究所 | 一种多尺度不透水地表信息协同遥感反演方法 |
| CN102708307A (zh) * | 2012-06-26 | 2012-10-03 | 上海大学 | 一种应用于城市的植被指数构造方法 |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| US20190339242A1 (en) * | 2018-05-06 | 2019-11-07 | Beijing Normal University | Method and system for identifying plant species based on hyperspectral data |
| WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
-
2020
- 2020-11-18 CN CN202011298755.6A patent/CN112381013B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495412A (zh) * | 2011-11-23 | 2012-06-13 | 中国科学院地理科学与资源研究所 | 一种多尺度不透水地表信息协同遥感反演方法 |
| CN102708307A (zh) * | 2012-06-26 | 2012-10-03 | 上海大学 | 一种应用于城市的植被指数构造方法 |
| US20190339242A1 (en) * | 2018-05-06 | 2019-11-07 | Beijing Normal University | Method and system for identifying plant species based on hyperspectral data |
| WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 钱军朝;徐丽华;邱布布;陆张维;庞恩奇;郑建华;: "基于WorldView-2影像数据对杭州西湖区绿地信息提取研究", 西南林业大学学报(自然科学), no. 04, 15 July 2017 (2017-07-15) * |
| 高永刚;徐涵秋;: "基于多源遥感影像的多尺度城市植被覆盖度估算", 红外与毫米波学报, no. 02, 15 April 2017 (2017-04-15) * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112927150A (zh) * | 2021-02-20 | 2021-06-08 | 河北先河环保科技股份有限公司 | 高光谱图像的水体倒影区域光谱恢复方法及终端设备 |
| CN112927150B (zh) * | 2021-02-20 | 2023-04-07 | 河北先河环保科技股份有限公司 | 高光谱图像的水体倒影区域光谱恢复方法及终端设备 |
| CN113656978A (zh) * | 2021-08-25 | 2021-11-16 | 青岛星科瑞升信息科技有限公司 | 一种应用于城市的新型高光谱植被指数的构建方法 |
| WO2023104130A1 (zh) * | 2021-12-08 | 2023-06-15 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
| CN114441456A (zh) * | 2022-04-08 | 2022-05-06 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
| CN114441456B (zh) * | 2022-04-08 | 2022-12-09 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
| CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
| CN116051838A (zh) * | 2023-01-06 | 2023-05-02 | 深圳技术大学 | 面向对象的高分辨率无人机图像多尺度分割方法及系统 |
| CN116052017A (zh) * | 2023-01-17 | 2023-05-02 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
| CN116052017B (zh) * | 2023-01-17 | 2023-11-10 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
| CN116993583A (zh) * | 2023-06-09 | 2023-11-03 | 昆明理工大学 | 一种基于高分辨率遥感影像高原湿地智能精细提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112381013B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
| CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
| Huo et al. | Supervised spatial classification of multispectral LiDAR data in urban areas | |
| CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| CN103150577A (zh) | 基于粒子群优化的高光谱遥感影像自适应波段选择方法 | |
| CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
| Yu et al. | Land cover classification of multispectral lidar data with an efficient self-attention capsule network | |
| Hui et al. | Wood and leaf separation from terrestrial LiDAR point clouds based on mode points evolution | |
| Wei et al. | Study on remote sensing image vegetation classification method based on decision tree classifier | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| Lou et al. | Recognition of thaw slumps based on machine learning and UAVs: A case study in the Qilian Mountains, northeastern Qinghai-Tibet Plateau | |
| Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
| CN108229426B (zh) | 一种基于差分描述子的遥感图像变化向量变化检测法 | |
| Wang et al. | Multispectral point cloud superpoint segmentation | |
| Yao et al. | Cloud detection of GF‐7 satellite laser footprint image | |
| CN110929739B (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| Wang | [Retracted] Landscape Classification Method Using Improved U‐Net Model in Remote Sensing Image Ecological Environment Monitoring System | |
| CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
| Ansith et al. | A modified Generative Adversarial Network (GAN) architecture for land use classification | |
| CN116091911A (zh) | 一种地震勘探工区建筑物自动识别方法及系统 | |
| Li et al. | Automatic extraction of urban built-up area based on object-oriented method and remote sensing data | |
| Tian et al. | Recognition Method of Corn and Rice Crop Growth State Based on Computer Image Processing Technology |
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 |