CN112541921A - 城市绿地植被信息数据化精准测定方法 - Google Patents
城市绿地植被信息数据化精准测定方法 Download PDFInfo
- Publication number
- CN112541921A CN112541921A CN202011295739.1A CN202011295739A CN112541921A CN 112541921 A CN112541921 A CN 112541921A CN 202011295739 A CN202011295739 A CN 202011295739A CN 112541921 A CN112541921 A CN 112541921A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- vegetation
- green land
- contour
- 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 65
- 241000196324 Embryophyta Species 0.000 claims abstract description 35
- 150000004636 anthocyanins Chemical class 0.000 claims abstract description 14
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 12
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 12
- 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 claims abstract description 12
- 229930002877 anthocyanin Natural products 0.000 claims abstract description 11
- 235000010208 anthocyanin Nutrition 0.000 claims abstract description 11
- 239000004410 anthocyanin Substances 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000002310 reflectometry Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 16
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 239000000049 pigment Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 150000001746 carotenes Chemical class 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- UPYKUZBSLRQECL-UKMVMLAPSA-N Lycopene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1C(=C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=C)CCCC2(C)C UPYKUZBSLRQECL-UKMVMLAPSA-N 0.000 claims description 3
- 235000005473 carotenes Nutrition 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- NCYCYZXNIZJOKI-UHFFFAOYSA-N vitamin A aldehyde Natural products O=CC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C NCYCYZXNIZJOKI-UHFFFAOYSA-N 0.000 claims description 3
- 235000021466 carotenoid Nutrition 0.000 abstract description 9
- 150000001747 carotenoids Chemical class 0.000 abstract description 9
- 230000003595 spectral effect Effects 0.000 abstract description 9
- 238000000691 measurement method Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000011835 investigation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 241000894007 species Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000931515 Acer palmatum Species 0.000 description 2
- 244000044554 Elaeagnus pungens Species 0.000 description 2
- 235000013935 Elaeagnus pungens Nutrition 0.000 description 2
- 240000006570 Euonymus japonicus Species 0.000 description 2
- 244000130592 Hibiscus syriacus Species 0.000 description 2
- 235000018081 Hibiscus syriacus Nutrition 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 240000000161 Lagerstroemia indica Species 0.000 description 2
- 241001528578 Malus halliana Species 0.000 description 2
- 241000219000 Populus Species 0.000 description 2
- 244000141698 Prunus lannesiana Species 0.000 description 2
- 235000014001 Prunus serrulata Nutrition 0.000 description 2
- 235000011449 Rosa Nutrition 0.000 description 2
- 235000004789 Rosa xanthina Nutrition 0.000 description 2
- 241000220222 Rosaceae Species 0.000 description 2
- 244000071378 Viburnum opulus Species 0.000 description 2
- 235000019013 Viburnum opulus Nutrition 0.000 description 2
- VEVZSMAEJFVWIL-UHFFFAOYSA-O cyanidin cation Chemical compound [O+]=1C2=CC(O)=CC(O)=C2C=C(O)C=1C1=CC=C(O)C(O)=C1 VEVZSMAEJFVWIL-UHFFFAOYSA-O 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- DSSYKIVIOFKYAU-XCBNKYQSSA-N (R)-camphor Chemical compound C1C[C@@]2(C)C(=O)C[C@@H]1C2(C)C DSSYKIVIOFKYAU-XCBNKYQSSA-N 0.000 description 1
- 241000266370 Blastus Species 0.000 description 1
- 241001508399 Elaeagnus Species 0.000 description 1
- 235000016796 Euonymus japonicus Nutrition 0.000 description 1
- 241000533849 Gleditsia Species 0.000 description 1
- 241000931164 Gleditsia japonica Species 0.000 description 1
- 241000721662 Juniperus Species 0.000 description 1
- 240000005308 Juniperus chinensis Species 0.000 description 1
- 241000218300 Liriodendron Species 0.000 description 1
- 241000218314 Liriodendron tulipifera Species 0.000 description 1
- 241000906048 Loropetalum chinense Species 0.000 description 1
- 241000218378 Magnolia Species 0.000 description 1
- 240000005819 Magnolia denudata Species 0.000 description 1
- 235000016094 Magnolia denudata Nutrition 0.000 description 1
- 240000001341 Reynoutria japonica Species 0.000 description 1
- 241000219093 Rhamnus Species 0.000 description 1
- 241000190021 Zelkova Species 0.000 description 1
- 241000190020 Zelkova serrata Species 0.000 description 1
- 229930014669 anthocyanidin Natural products 0.000 description 1
- 150000001453 anthocyanidins Chemical class 0.000 description 1
- 235000008758 anthocyanidins Nutrition 0.000 description 1
- 229940025250 camphora Drugs 0.000 description 1
- 239000010238 camphora Substances 0.000 description 1
- MYSWGUAQZAJSOK-UHFFFAOYSA-N ciprofloxacin Chemical compound C12=CC(N3CCNCC3)=C(F)C=C2C(=O)C(C(=O)O)=CN1C1CC1 MYSWGUAQZAJSOK-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000007336 cyanidin Nutrition 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
城市绿地植被信息数据化精准测定方法，在目标区域采集高分辨率的全色影像、高光谱影像和热红外影像，获取不同植物物种近似连续的光谱反射率，增强对地物属性信息探测的能力，结合高分辨率全色影像的纹理特征，精确定位识别植物轮廓，还通过热红外数据探测植物温度。本方法可以测定识别植物物种类别，获取城市绿地植物的地理位置、面积、叶绿素、类胡萝卜素、花青素、温度信息，还可以获取乔木和灌木的树冠投影面积和树冠投影周长。率先提出了面向对象的绿地植被精准测定方法，能快速和精确的计测大面积范围内的城市绿地信息。计算结果比起大多数基于像元的反演模型，更为快速、精确、全面。
Description
技术领域
本发明涉及生态环境监测领域，具体涉及一种城市绿地植被信息数据化精准测定方法。
背景技术
城市绿地是城市生态系统的重要组成部分，城市绿地中的植被是人类赖以生存的经济、美学、生态和文化资源，起到了保护物种多样性和避免生态系统失衡的作用。调查测定城市绿地中的植被信息，对评估、管理和营造良好城市公园绿地环境，提升城市形象、促进城市发展、改善居民生活质量有重要的作用。城市绿地植被的生产力和健康水平直接关系到人类的社会生活，开展城市绿地植被资源调查和评价有着非常重要的社会意义。然而，目前针对城市绿地内植被组成和景观特征的快速识别手段还比较欠缺，很难快速有效的对绿地组成和情况做出科学的评估，从而导致城市绿地植被管理存在一定的难度。
目前，城市绿地植被资源调查的方法主要是：1)利用3S技术调查的方式，即遥感技术、全球定位系统、地理信息系统，辅以计算机技术、通讯技术、卫星定位与导航技术的集成应用测定城市绿地植被信息。现阶段城市绿地资源调查，一种是利用卫星遥感影像对植物群落，即针叶林、阔叶林和针阔混交林进行分类统计。另一种是采用无人机航拍获取多光谱影像，利用监督或者非监督分类的方式对影像在像元级别进行识别；2)传统调查方式，采用样地调查和主观估计二者结合的方式，先经过外业调查后，然后再通过内业对数据进行整理和计算而获得城市绿地植被资源数据。
中国专利文献CN 105352895B记载了一种高光谱遥感数据植被信息提取方法，对所述高光遥感谱影像进行降维预处理，得到植被冠层光谱反射率数据；建立植被冠层光谱反射率数据与植被参量标准值之间的经验数学模型，得到植被生理生化参量的高光谱遥感估算方法；通过该方法模型，从高光谱影像得到植被冠层光谱反射率数据，进一步得到植被参量的估算值，实现对植被生理生化参量的估算，但利用卫星遥感数据，只能在大尺度上估算植被的部分信息，且无法识别植物的种类。同时，该专利得到的植被生理生化参量也十分有限，只包括叶面积指数和叶绿素含量。
发明内容
本发明所要解决的技术问题是提供一种城市绿地植被信息数据化精准测定方法，利用无人机摄取的高分辨率全色影像、高光谱影像和热红外影像，可以快速和精确的计测大面积范围内的城市绿地植被信息，包括植物轮廓和物种。获取城市绿地植物的地理位置、面积、叶绿素、类胡萝卜素、花青素、温度信息，还可以获取乔木和灌木的树冠投影面积和树冠投影周长，对于城市绿地植被资源调查监测具有重要意义。
为解决上述技术问题，本发明所采用的技术方案是：
城市绿地植被信息数据化精准测定方法，包括以下步骤：
步骤一、通过卫星、有人机或无人机对目标区域进行图像摄取，图像摄取的种类包括高分辨率全色影像、高光谱影像和热红外影像；
步骤二、对获取的高分辨率全色影像和高光谱影像数据进行预处理；
步骤三、将预处理后的高光谱图像进行图像分割，将影像数据中植被和非植被的区域进行区分；
步骤四、使用预处理后的高分辨率全色影像，使用灰度共生矩阵，计算图像的纹理特征，纹理特征包括相关度、均值、对比度、二阶矩、相异性、偏斜度、信息熵、方差和均匀度八个指标。
步骤五、将纹理特征和高光谱图像不同波段数据进行合并，建立特征选取，选取监督分类中的随机森林分类器，进行训练，并利用训练的模型，对影像进行分类；
步骤六、利用高分辨率全色影像，对植物区域的影像基于Sobel算子进行边缘检测，对不同植物物种的轮廓识别；
步骤七、将步骤五的训练分类结果和步骤六的轮廓识别结果叠加，将每个轮廓内占比最大的地类定义为一个轮廓内植物物种的识别结果，对轮廓识别结果进行统计；
步骤八、通过高光谱图像对不同植物的色素信息进行提取；
步骤九、通过热红外影像，结合尺度分割和地物识别结构，计算每一个轮廓内的平均温度；
步骤十、计算每个轮廓的面积、边长及形心的地理坐标；
步骤十一、利用精度评价指标对城市绿地植被信息测定结果进行精度评价。
上述的步骤一之前还包括如下步骤：
在地面设定标准参照物，并记录参照物的经纬度坐标和相关信息，用于影像的预处理中几何校正，以及植被要素测定的精度评价；
上述的步骤二之前还包括如下步骤：
将摄取的目标区域全色影像中的道路图像进行提取，具体是将采集的数字图像道路信息与采集的道路控制点经纬度坐标在地理信息系统中道路进行拟合，定位目标区域并获取地理数据信息。
上述的道路拟合的具体方法为：去除全色影像内的表面纹理信息，突出道路的轮廓信息和边缘信息，再采用最小绝对误差的中值滤波算法滤除噪声和干扰，再采用图像阈值分割法将道路图像中的目标区域进行分割之后，进行边缘检测，剔除边缘目标以外的其他信息，得到道路边缘的离散点，将这些离散点与采集的道路控制点经纬度坐标在地理信息系统中图像道路进行拟合。
上述的步骤二中的预处理包括对影像进行辐射标定、大气校正、地形矫正、几何校正、镶嵌和拼接。
上述的步骤三的具体过程为：
利用最大类间方差算法Otsu对归一化植被指数NDVI进行处理，将高光谱图像进行分割，筛选出影像数据中只包含植被的区域，获取城市森林影像数据，包括城市绿地中的所有乔木、灌木和草地；
NDVI的公式为：
NDVI＝(ρNIR-ρRED)/(ρNIR+ρRED)
式中，ρNIR为近红波段的反射率，ρRED为红波段的反射率。
Otsu的公式为：
设NDVI影像数据的灰度级为L(G＝1,2,3,…,L)，处在灰度级i的像元个数用ni表示，NDVI的总像元个数N为：
直方图归一化后为：
式中，p(i)表示图像中灰度级为i的像元出现的概率。
用T表示阈值，将归一化图像中的像元按灰度级T划分为两类：C1≤T和C2＞T，两类出现的概率为：
假设两类像元的均值分别为m1和m2，NDVI图像全局像元均值为mg，那么：
w1*m1+w2*m2＝m)
w1+w2＝1
此时方差为：
δ2＝p1(m1-mg)2+p2(m2-mg)2
即：
δ2＝p1p2(m1-m2)2
式中，δ2为类间方差，当类间方差为最大值时，对应的阈值T为NDVI影像数据中植被和非植被区分的最佳分割阈值。
上述步骤四种的纹理特征具体为：
相关度、均值、对比度、二阶矩、相异性、偏斜度、信息熵、方差和均匀度。
相关度(CR)：
均值(ME)：
对比度(CO)：
二阶矩(SM)：
相异性(DI)：
偏斜度(SK)：
信息熵(EN)：
方差(VA)：
均匀度(HO)：
其中，
ki,j表示第i行第j列位置上的像元亮度值，N表示计算纹理特征时移动窗口的大小。
上述的步骤五中随机森林具体过程为：
将原始的训练数据记为O＝{(x1,y1)(x2,y2),…,(xm,ym)}，然后使用Bootstrap方法从数据集O中随机抽样以获得R个子样本集：R＝{c1,c2,…,cr}用来建立回归模型，随机森林树f(c)是R个子样本集的集合，fr(c)表示由单个决策树做出的预测，f(fr(c))随机森林回归模型的预测结果,机森林回归模型的预测结果,
上述的步骤六中冠层轮廓识别步骤为：
首先，设定Sobel算子，公式为：
其次，利用全色高分辨率影像的像元集合Z与A和B做平面卷积，分别实现经横向及纵向边缘检测的图像灰度值Gx和Gy的计算，，公式如下：
最后，计算全色高分辨率影像的每一个像元的横向及纵向灰度大小，公式为：
使用近似值：
|f(Gx，Gy)|＝|Gx|+|Gy|
设置阈值为h，像元值f(Gx，Gy)大于h，即被标记为边缘点，这些边缘点的集合，即为轮廓识别的结果。
上述的步骤八中树冠色素信息的提取的具体方式为：
花青素(ARI)：
胡萝卜素(CRI)：
叶绿素(VOGI)：
式中，ρX为中心波段波长。
上述的步骤九中平均温度获取的公式为：TEM＝(t1+t2+…+tn)/n
式中，t1…tn为一个地物轮廓内的n个像元的温度，TEM为此轮廓内的平均温度。
上述的步骤十的具体计算过程为：
周长：
面积：
A＝n×j2
形心：
式中，随机森林分类预测结果结合轮廓识别，可定义了每一个轮廓内植物的种类，每个轮廓都为一个多边形，多边形种包含n个边长为j的像元，这些多边形有Pn个顶点，顶点Pn(n＝1，2，…，m)沿边界正向排列，坐标依次为(x1，y1)，(x2，y2)，…，(xn，yn)。
对于植被类型中的草坪，可以获得草坪的形心地理坐标信息，草坪面积大小和周长，对于灌木和乔木，可以获得乔木和灌木的形心作地理坐标信息，树冠投影周长和树冠投影面积。
上述步骤十一的精度评价具体计算过程为：利用总体准确率OA和Kappa系数评价植被分类精度，利用决定系数R2和相对均方根误差rRMSE评价其他信息(冠层色素和温度)模型拟合的效果和精度。
具体公式为：
式中，Nt为所有样本种被正确分类的样本数量，N为所有样本的数量。它反映了最终得到正确分类的样本占所有样本的比例情况。
式中，1，2，…，n代表了一共有n种分类，Nii代表了第i种分类被划分为i的样本数量，Nij代表了第j种分类被划分为i的样本数量，Nji代表了第i种分类被划分为j的样本数量。
式中，xi为某城市绿地植被信息(叶绿素、花青素、类胡萝卜素和温度)实测值；
为某城市绿地植被信息实测平均值；
为某城市绿地植被信息的模型估测值；n为样地的数量；i为某一个样地。
优选的方案中，上述的无人机对目标区域进行图像摄取之前，在目标区域道路四周放置带定位信息的图像识别信标，识别信标上表面带有便于图像识别的图案，摄取后的图像，可以根据信标所带的定位数据将图像在地理信息系统中特征点进行拟合，快速定位目标区域图像上的地理数据信息。
本发明提供的一种城市绿地植被信息数据化精准测定方法，脱离以往基于像元尺度的识别，同时，充分利用高光谱遥感优势，获取植物物种近似连续的光谱反射率，增强对地物属性信息探测的能力，结合了高分辨率全色影像的纹理特征，精确定位植物轮廓，还通过热红外数据识别植物冠层温度。本专利能测定识别植物物种信息，获取城市绿地植物地理位置、面积、叶绿素、类胡萝卜素、花青素、温度信息，还可以获取乔木和灌木的树冠投影面积和树冠投影周长。本专利率先提出了面向对象的绿地植被精准测定方法，能快速和精确的计测大面积范围内的城市绿地信息。计算结果比起大多数基于像元的反演模型，更为快速、精确、全面，时效性高且效果理想。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明中NDVI计算结果及Otsu法阈值分割图像示意图；
图2为基于Sobel算子的植物轮廓识别结果示意图；
图3为城市绿地植被信息数据化的精确测定数据表；
图4为花青素、类胡萝卜素和叶绿素反演结果；
图5为城市绿地植被信息数据化精准测定结果示意图；
图6为预处理后的全色影像和高光谱影像示意图。
具体实施方式
如图1-6中所示，城市绿地植被信息数据化精准测定方法，包括以下步骤：
步骤一、通过卫星、有人机或无人机对目标区域进行图像摄取，图像摄取的种类包括高分辨率全色影像、高光谱影像和热红外影像；
步骤二、对获取的高分辨率全色影像和高光谱影像数据进行预处理；
步骤三、将预处理后的高光谱图像进行图像分割，将影像数据中植被和非植被的区域进行区分；
步骤四、使用预处理后的高分辨率全色影像，使用灰度共生矩阵，计算图像的纹理特征，纹理特征包括相关度、均值、对比度、二阶矩、相异性、偏斜度、信息熵、方差和均匀度八个指标。
步骤五、将纹理特征和高光谱图像不同波段数据进行合并，建立特征选取，选取监督分类中的随机森林分类器，进行训练，并利用训练的模型，对影像进行分类；
步骤六、利用高分辨率全色影像，对植物区域的影像基于Sobel算子进行边缘检测，对不同植物物种的轮廓识别；
步骤七、将步骤五的训练分类结果和步骤六的冠层轮廓识别结果叠加，将每个轮廓内占比最大的地类定义为一个轮廓内植物物种的识别结果，对轮廓识别结果进行统计；
步骤八、通过高光谱图像对不同植物的色素信息进行提取；
步骤九、通过热红外影像，结合尺度分割和地物识别结构，计算每一个轮廓内的平均温度；
步骤十、计算每个轮廓的面积、边长及形心的地理坐标；
步骤十一、利用精度评价指标对城市绿地植被信息测定结果进行精度评价。
上述的步骤一之前还包括如下步骤：
在地面设定标准参照物，并记录参照物的经纬度坐标和相关信息，用于影像的预处理中几何校正，以及植被要素测定的精度评价；
上述的步骤二之前还包括如下步骤：
将摄取的目标区域全色影像中的道路图像进行提取，具体是将采集的数字图像道路信息与采集的道路控制点经纬度坐标在地理信息系统中道路进行拟合，定位目标区域并获取地理数据信息。
上述的道路拟合的具体方法为：去除全色影像内的表面纹理信息，突出道路的轮廓信息和边缘信息，再采用最小绝对误差的中值滤波算法滤除噪声和干扰，再采用图像阈值分割法将道路图像中的目标区域进行分割之后，进行边缘检测，剔除边缘目标以外的其他信息，得到道路边缘的离散点，将这些离散点与采集的道路控制点经纬度坐标在地理信息系统中图像道路进行拟合。
上述的步骤二中的预处理包括对影像进行辐射标定、大气校正、地形矫正、几何校正、镶嵌和拼接。
上述的步骤三的具体过程为：
利用最大类间方差算法Otsu对归一化植被指数NDVI进行处理，将高光谱图像进行分割，即将影像数据中植被的区域和非植被的区域进行划分，获取目标区域植被影像数据，植被影像数据包括目标区域中的所有乔木、灌木和草地；
NDVI的公式为：
NDVI＝(ρNIR-ρRED)/(ρNIR+ρRED)；
Otsu的公式为：
设NDVI影像数据的灰度级为L(G＝1,2,3,…,L)，处在灰度级i的像元个数用ni表示，NDVI的总像元个数N为：
直方图归一化后为：
式中，p(i)表示图像中灰度级为i的像元出现的概率。
用T表示阈值，将归一化图像中的像元按灰度级T划分为两类：C1≤T和C2＞T，两类出现的概率为：
假设两类像元的均值分别为m1和m2，NDVI图像全局像元均值为mg，那么：
w1*m1+w2*m2＝mg
w1+w2＝1
此时方差为：
δ2＝p1(m1-mg)2+p2(m2-mg)2
即：
δ2＝p1p2(m1-m2)2
式中，δ2为类间方差，类间方差为最大值时，对应的阈值T为NDVI影像数据中植被和非植被区分的最佳分割阈值。上述步骤四种的纹理特征具体为：
相关度、均值、对比度、二阶矩、相异性、偏斜度、信息熵、方差和均匀度。
相关度(CR)：
均值(ME)：
对比度(CO)：
二阶矩(SM)：
相异性(DI)：
偏斜度(SK)：
信息熵(EN)：
方差(VA)：
均匀度(HO)：
其中，
ki,j表示第i行第j列位置上的像元亮度值，N表示计算纹理特征时移动窗口的大小。
上述的步骤五中随机森林具体过程为：
将原始的训练数据记为O＝{(x1,y1)(x2,y2),…,(xm,ym)}，然后使用Bootstrap方法从数据集O中随机抽样以获得R个子样本集：R＝{c1,c2,…,cr}用来建立回归模型，随机森林树f(c)是R个子样本集的集合，fr(c)表示由单个决策树做出的预测，f(fr(c))随机森林回归模型的预测结果,机森林回归模型的预测结果,
上述的步骤六中冠层轮廓识别方法为：
首先，设定Sobel算子，公式为：
其次，利用全色高分辨率影像的像元集合Z与A和B做平面卷积，分别实现经横向及纵向边缘检测的图像灰度值Gx和Gy的计算，公式如下：
最后，计算全色高分辨率影像的每一个像元的横向及纵向灰度大小，公式为：
使用近似值：
|f(Gx，Gy)|＝|Gx|+|Gy|
设置阈值为h，像元值f(Gx，Gy)大于h，即被标记为边缘点，这些边缘点的集合，即为轮廓识别的结果。
上述的步骤八中树冠色素信息的提取的具体方式为：
花青素(ARI)：
胡萝卜素(CRI)：
叶绿素(VOGI)：
式中，ρX为中心波段波长。
上述的步骤九中平均温度获取的公式为：TEM＝(t1+t2+…+tn)/n
式中，t1…tn为一个地物轮廓内的n个像元的温度，TEM为此轮廓内的平均温度。
上述的步骤十的具体计算过程为：
周长：
面积：
A＝n×j2
形心：
式中，随机森林分类预测结果结合轮廓识别，可定义了每一个轮廓内植物的种类，每个轮廓都为一个多边形，多边形种包含n个边长为j的像元，这些多边形有Pn个顶点，顶点Pn(n＝1，2，…，m)沿边界正向排列，坐标依次为(x1，y1)，(x2，y2)，…，(xn，yn)。
对于植被类型中的草坪，可以获得草坪的形心地理坐标信息，草坪面积大小和周长，对于灌木和乔木，可以获得乔木和灌木的形心作地理坐标信息，树冠投影周长和树冠投影面积。
上述步骤十一的精度评价具体计算过程为：利用总体准确率OA和Kappa系数评价植被分类精度，利用决定系数R2和相对均方根误差rRMSE评价其他信息(冠层色素和温度)模型拟合的效果和精度。
具体公式为：
式中，Nt为所有样本种被正确分类的样本数量，N为所有样本的数量。它反映了最终得到正确分类的样本占所有样本的比例情况。
式中，1，2，…，n代表了一共有n种分类，Nii代表了第i种分类被划分为i的样本数量，Nij代表了第j种分类被划分为i的样本数量，Nji代表了第i种分类被划分为j的样本数量。
式中，xi为某城市绿地植被信息(叶绿素、花青素、类胡萝卜素和温度)实测值；
为某城市绿地植被信息实测平均值；
为某城市绿地植被信息的模型估测值；n为样地的数量；i为某一个样地。
优选的方案中，上述的卫星、有人机或无人机对目标区域进行图像摄取之前，在目标区域道路四周放置带定位信息的图像识别信标，识别信标上表面带有便于图像识别的图案，摄取后的图像，可以根据信标所带的定位数据将图像在地理信息系统中特征点进行拟合，快速定位目标区域图像上的地理数据信息。
实施例1：
如图1-6中所示，城市绿地植被信息数据化精准测定方法，包括以下步骤：
步骤一、通过有人机或无人机对目标区域进行图像摄取，图像摄取的种类包括高分辨率全色影像、高光谱影像和热红外影像；
步骤二、在地面设定标准参照物，并记录参照物的经纬度坐标和相关信息，用于影像的预处理中几何校正，以及植被要素测定的精度评价；
步骤三、将摄取的目标区域全色影像中的道路图像进行提取，并将提取的道路信息在地理信息系统中与地标点位数据进行拟合，可以定位目标区域并获取地理数据信息；
步骤四、对高分辨率全色影像、高光谱影像和热红外影像数据预处理为：借助传感器辐射定标数据对原始高光谱据进行辐射定标，并利用经验线性模型结合地面实测标靶光谱数据进行大气校正；然后，利用地面实测控制点，采用二次多项式模型对高光谱影像进行几何矫正，然后进行镶嵌和拼接；
步骤五、利用经过预处理的高光谱影像，进行NDVI的计算，得到NDVI分布图，利用Otsu法，求得阈值，本实例中为0.3，对NDVI进行分割，得到分布图中的植被区域；
步骤六、利用灰度共生矩阵，计算全色影像的八个纹理特征，包括相关度、均值、对比度、二阶矩、相异性、偏斜度、信息熵、方差、均匀度；
步骤七、将纹理特征和光谱特征进行合并，选取随机森林分类器，结合前期建立的标志性地物特征，进行特征学习，然后对高光谱影像进行分类；
步骤八、对全色影像的植被分布区，进行Sobel边缘检测，识别地物轮廓；
步骤九、在识别植物物种的轮廓基础上，结合分类结果，计算在每个轮廓内，像元分类占比最大的一类，作为轮廓内地物的识别结果；
步骤十、通过高光谱图像不同波段的数据进行植被色素信息的提取，并录入表格；
步骤十一、通过热红外影像，结合尺度分割和地物识别结构，结算每一个轮廓内的平均温度，并录入表格；
步骤十二、计算每个轮廓的面积、边长及形心的地理坐标，并录入表格；
步骤十三、利用精度评价指标对城市绿地植被信息测定结果进行精度评价。
实施例2：
1、本实施例试验区位于上海市奉贤区邬桥苗圃基地(121.41°E，30.96°N)，面积3.83hm2。其植被类型丰富。其中植物包括：植物包括：垂丝海棠(Malus halliana Koehne)、红花檵木(Loropetalum chinense(R.Br.)Oliver var.rubrum Yieh)、胡颓子(Elaeagnuspungens Thunb.)、鸡爪槭(Acer palmatum Thunb.)、荚蒾(Viburnum dilatatum Thunb.)、金边黄杨(Euonymus japonicus Thunb.var.aurea-marginatus Hort.)、金边马褂木(Liriodendron tulipifera‘ureomarginatum’)、金叶皂荚(Gleditsia triacaanthos‘sunburst’)、木槿(Hibiscus syriacus Linn.)、七叶树(Aesculus chinensis Bunge)、鹅掌楸(Liriodendron chinense(Hemsl.)Sarg.)、香茶藨子(Ribes odoratum Wendland)、香樟(Cinnamomum camphora(Linn)Presl)、樱花(Prunus serrulata)、玉兰(Magnoliadenudata Desr.)、圆柏(Sabina chinensis(Linn.)Ant.)、紫薇(Lagerstroemia indicaLinn.)、榉树(Zelkova serrata(Thunb.)Makino)等；
2、借助卫星、有人机或无人机采集高分辨率全色影像和多光谱数据；
3、在研究区范围内设置若干个方形样地(10×10m2)。样地中心点坐标使用GPS(Trimble GeoXH6000)测定，GPS通过接收广域差分信号定位，精度优于0.5m，并使用设备和仪器，在样地中记录植物类型、经纬度和植物冠层信息(叶青素、花青素、类胡萝卜素和温度)；
4、如图6中所示，对高分辨率全色影像、高光谱影像和热红外影像数据预处理为：借助传感器辐射定标数据对原始高光谱据进行辐射定标，并利用经验线性模型结合地面实测标靶光谱数据进行大气校正；然后，利用地面实测控制点，采用二次多项式模型对高光谱影像进行几何矫正，然后进行镶嵌和拼接
5、如图1中所示，利用经过预处理的高光谱影像，进行NDVI的计算，得到NDVI分布图，利用Otsu法，求得阈值，本实例中为0.3，对NDVI进行分割，得到分布图中的植被区域；
6、利用灰度共生矩阵，计算图像的纹理特征，包括相关度、均值、对比度、二阶矩、相异性、偏斜度、信息熵、方差和均匀度。
7、利用随机森林分类器，对地物基于像元进行分类，得到分类结果图；
8、如图2中所示，对全色影像的植被分布区，进行Sobel边缘检测，识别不同地物轮廓识别；
9、如图5中所示，结合轮廓识别结果和分类结果图，计算每个轮廓内占比最大的分类结果为改轮廓的识别结果；
10、如图4中所示，计算植物物种的轮廓面积，轮廓周长、形心地理坐标、平均温度、叶绿素、类胡萝卜素、花青素、温度的数据；
11、本实施例中通过联合同时相获取的高分辨率全色影像和高光谱影像数据，然后基于提取的特征变量建立城市绿地信息数据化的精准测定方法。数据源分别从纹理、光谱和空间的角度记录了绿地结构信息，其数据之间互为补充，并且本方案是面向对象的测定，脱离了以往基于像元的反演方法，且测定内容丰富，故本方法增强了城市绿地信息测定的内容和精度；结合表1的数据验证结果表明，本方法再获取城市绿地植被信息上，数据精度高且误差小，能提供便捷有效的快速测定方法。
表1城市绿地植被信息测定结果进行精度评价
| 信息 | OA | Kappa | R<sup>2</sup> | rRMSE |
| 分类精度 | 93.58％ | 0.92 | \ | \ |
| 叶绿素 | \ | \ | 0.82 | 12.12 |
| 花青素 | \ | \ | 0.81 | 11.32 |
| 类胡萝卜素 | \ | \ | 0.79 | 12.62 |
| 树冠投影面积 | \ | \ | 0.94 | 9.25 |
| 树冠投影周长 | \ | \ | 0.92 | 8.95 |
Claims (10)
1.城市绿地植被信息数据化精准测定方法，其特征在于，包括以下步骤：
步骤一、通过卫星、有人机或无人机对目标区域进行图像摄取，图像摄取的种类包括全色影像、高光谱影像和热红外影像；
步骤二、对获取的全色影像和高光谱影像数据进行预处理；
步骤三、将预处理后的高光谱图像进行分割，将影像数据中植被和非植被的区域进行区分；
步骤四、使用预处理后的全色影像，使用灰度共生矩阵，计算图像的纹理特征，纹理特征包括相关度、均值、对比度、二阶矩、相异性、偏斜度、信息熵、方差和均匀度八个指标；
步骤五、将纹理特征和高光谱图像不同波段数据进行合并，建立特征选取，选取监督分类中的随机森林分类器，进行训练并分类；
步骤六、利用全色影像，对植物区域的影像基于Sobel算子进行边缘检测，对不同植物物种的轮廓进行识别；
步骤七、将步骤五的分类结果和步骤六的轮廓识别结果叠加，将每个轮廓内占比最大的地类定义为一个轮廓内植物物种的识别结果，并对轮廓识别结果进行统计；
步骤八、通过高光谱图像不同波段的数据对不同植物的色素信息进行提取；
步骤九、通过热红外影像，结合识别结果，计算每一个轮廓内的平均温度；
步骤十、计算每个轮廓的面积、边长及形心的地理坐标。
2.根据权利要求1所述的城市绿地植被信息数据化精准测定方法，其特征在于，所述的步骤一之前还包括如下步骤：
在地面设定标准参照物，并记录参照物的经纬度坐标和相关信息，用于影像的预处理中几何校正，以及植被要素测定的精度评价；
所述的步骤二之前还包括如下步骤：
将摄取的目标区域全色影像中的道路图像进行提取，具体是将采集的数字图像道路信息与采集的道路控制点经纬坐标在地理信息系统中的道路进行拟合，定位目标区域并获取地理数据信息。
3.根据权利要求2所述的城市绿地植被信息数据化精准测定方法，其特征在于，所述的道路拟合的具体方法为：去除全色影像内的表面纹理信息，突出道路的轮廓信息和边缘信息，再采用最小绝对误差的中值滤波算法滤除噪声和干扰，然后采用图像阈值分割法将道路图像中的目标区域进行分割之后，进行边缘检测，剔除道路边缘目标以外的其他信息，得到道路边缘的离散点，将这些离散点与采集的道路控制点经纬度坐标在地理信息系统中图像道路进行拟合，以定位目标区域的位置并获取地理数据信息。
4.根据权利要求1所述的城市绿地植被信息数据化精准测定方法，其特征在于，所述的步骤二中的预处理包括对影像进行辐射标定、大气校正、地形矫正、几何校正、镶嵌和拼接。
5.根据权利要求1所述的城市绿地植被信息数据化精准测定方法，其特征在于，所述的步骤三的具体过程为：
利用最大类间方差算法Otsu对归一化植被指数NDVI进行处理，将高光谱图像进行分割，即将影像数据中植被的区域和非植被的区域进行划分，获取目标区域植被影像数据，植被影像数据包括目标区域中的所有乔木、灌木和草地；
NDVI的公式为：
NDVI＝(ρNIR-ρRED)/(ρNIR+ρRED)
式中，ρNIR为近红波段的反射率，ρRED为红波段的反射率。
Otsu的公式为：
设NDVI影像数据的灰度级为L(G＝1，2，3，…，L)，处在灰度级i的像元个数用ni表示，NDVI的总像元个数N为：
直方图归一化后为：
式中，p(i)表示图像中灰度级为i的像元出现的概率。
用T表示阈值，将归一化图像中的像元按灰度级T划分为两类：C1≤T和C2＞T，两类出现的概率为：
假设两类像元的均值分别为m1和m2，NDVI图像全局像元均值为mg，那么：
w1*m1+w2*m2＝mg
w1+w2＝1
此时方差为：
δ2＝p1(m1-mg)2+p2(m2-mg)2
即：
δ2＝p1p2(m1-m2)2
式中，δ2为类间方差，当类间方差为最大值时，对应的阈值T为NDVI影像数据中植被和非植被区分的最佳分割阈值。
6.根据权利要求1所述的城市绿地植被信息数据化精准测定方法，其特征在于，所述的步骤五中随机森林具体过程为：
将原始的训练数据记为O＝{(x1，y1)(x2，y2)，...，(xm，ym)}，然后使用Bootstrap方法从数据集O中随机抽样以获得R个子样本集：R＝{c1，c2，...，cr}来建立回归模型，随机森林树f(c)是R个子样本集的集合，fr(c)表示由单个决策树做出的预测，f(fr(c))随机森林回归模型的预测结果，机森林回归模型的预测结果，
7.根据权利要求1所述的城市绿地植被信息数据化精准测定方法，其特征在于，所述的步骤六中轮廓识别方法是基于索贝尔Sobel算子进行边缘检测，实现轮廓识别，具体步骤为：
首先，设定Sobel算子，公式为：
其次，利用全色高分辨率影像的像元集合Z与A和B做平面卷积，分别实现经横向及纵向边缘检测的图像灰度值Gx和Gy的计算，公式如下：
最后，计算全色高分辨率影像的每一个像元的横向及纵向灰度大小，公式为：
使用近似值：
|f(Gx，Gy)|＝|Gx|+|Gy|
设置阈值为h，像元值f(Gx，Gy)大于h，即被标记为边缘点，这些边缘点的集合，即为轮廓识别的结果。
8.根据权利要求1所述的城市绿地植被信息数据化精准测定方法，其特征在于，所述的步骤八中植被色素信息的提取的具体方式为：
花青素(ARI)：
胡萝卜素(CRI)：
叶绿素(VOGI)：
式中，ρx为中心波段波长。
9.根据权利要求1所述的城市绿地植被信息数据化精准测定方法，其特征在于，所述的步骤九中平均温度获取的公式为：
TEM＝(t1+t2+…+tn)/n
式中，t1…tn为一个地物轮廓内的n个像元的温度，TEM为此轮廓内的平均温度。
10.根据权利要求1所述的城市绿地植被信息数据化精准测定方法，其特征在于，所述的步骤十的具体计算过程为：
周长：
面积：
A＝n×j2
形心：
式中，随机森林分类预测结果结合轮廓识别，定义了每一个轮廓内植物的种类，每个轮廓都为一个多边形，多边形种包含n个边长为j的像元，这些多边形有Pn个顶点，顶点Pn(n＝1，2，…，m)沿边界正向排列，坐标依次为(x1，y1)，(x2，y2)，…，(xn，yn)；
对于植被类型中的草坪，可以获得草坪的形心地理坐标信息，草坪面积大小和周长，对于灌木和乔木，可以获得乔木和灌木的形心作地理坐标信息，树冠投影周长和树冠投影面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295739.1A CN112541921B (zh) | 2020-11-18 | 2020-11-18 | 城市绿地植被信息数据化精准测定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295739.1A CN112541921B (zh) | 2020-11-18 | 2020-11-18 | 城市绿地植被信息数据化精准测定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112541921A true CN112541921A (zh) | 2021-03-23 |
| CN112541921B CN112541921B (zh) | 2023-06-20 |
Family
ID=75014253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011295739.1A Active CN112541921B (zh) | 2020-11-18 | 2020-11-18 | 城市绿地植被信息数据化精准测定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541921B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949607A (zh) * | 2021-04-15 | 2021-06-11 | 辽宁工程技术大学 | 一种基于JM Relief F湿地植被特征优选与融合方法 |
| CN113469127A (zh) * | 2021-07-23 | 2021-10-01 | 平安国际智慧城市科技股份有限公司 | 河流敏感性等级划分方法、装置、设备及存储介质 |
| CN113793405A (zh) * | 2021-09-15 | 2021-12-14 | 杭州睿胜软件有限公司 | 用于呈现植物的分布的方法、计算机系统和存储介质 |
| CN113945524A (zh) * | 2021-09-30 | 2022-01-18 | 中国地质大学（武汉） | 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统 |
| CN114120106A (zh) * | 2021-11-13 | 2022-03-01 | 肇庆市城市规划设计院 | 城市绿地景观评价方法、装置、存储介质及终端设备 |
| CN114166842A (zh) * | 2021-11-19 | 2022-03-11 | 中国自然资源航空物探遥感中心 | 高分遥感数据与地面调查数据协同的城镇森林监测方法 |
| CN114581855A (zh) * | 2022-04-29 | 2022-06-03 | 深圳格隆汇信息科技有限公司 | 一种基于大数据的信息收集方法与系统 |
| CN115239750A (zh) * | 2022-09-19 | 2022-10-25 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
| CN117036963A (zh) * | 2023-10-08 | 2023-11-10 | 中国农业大学 | 一种针对典型草原地表植物量的检测估算方法 |
| CN117808900A (zh) * | 2024-02-29 | 2024-04-02 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
| CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学（武汉） | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
| CN107316013A (zh) * | 2017-06-14 | 2017-11-03 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
| US20170352100A1 (en) * | 2016-06-03 | 2017-12-07 | Conduent Business Services, Llc | Image segmentation system for verification of property roof damage |
-
2020
- 2020-11-18 CN CN202011295739.1A patent/CN112541921B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
| US20170352100A1 (en) * | 2016-06-03 | 2017-12-07 | Conduent Business Services, Llc | Image segmentation system for verification of property roof damage |
| CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学（武汉） | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
| CN107316013A (zh) * | 2017-06-14 | 2017-11-03 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周智勇等: "基于GF-1遥感数据的城市绿地信息提取研究", 《矿产勘查》 * |
| 孙小芳等: "城市地区高分辨率遥感影像绿地提取研究", 《遥感技术与应用》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949607A (zh) * | 2021-04-15 | 2021-06-11 | 辽宁工程技术大学 | 一种基于JM Relief F湿地植被特征优选与融合方法 |
| CN113469127A (zh) * | 2021-07-23 | 2021-10-01 | 平安国际智慧城市科技股份有限公司 | 河流敏感性等级划分方法、装置、设备及存储介质 |
| CN113793405A (zh) * | 2021-09-15 | 2021-12-14 | 杭州睿胜软件有限公司 | 用于呈现植物的分布的方法、计算机系统和存储介质 |
| CN113945524A (zh) * | 2021-09-30 | 2022-01-18 | 中国地质大学（武汉） | 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统 |
| CN114120106A (zh) * | 2021-11-13 | 2022-03-01 | 肇庆市城市规划设计院 | 城市绿地景观评价方法、装置、存储介质及终端设备 |
| CN114166842A (zh) * | 2021-11-19 | 2022-03-11 | 中国自然资源航空物探遥感中心 | 高分遥感数据与地面调查数据协同的城镇森林监测方法 |
| CN114581855A (zh) * | 2022-04-29 | 2022-06-03 | 深圳格隆汇信息科技有限公司 | 一种基于大数据的信息收集方法与系统 |
| CN114581855B (zh) * | 2022-04-29 | 2022-08-02 | 深圳格隆汇信息科技有限公司 | 一种基于大数据的信息收集方法与系统 |
| CN115239750A (zh) * | 2022-09-19 | 2022-10-25 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
| CN115239750B (zh) * | 2022-09-19 | 2022-12-20 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
| CN117036963A (zh) * | 2023-10-08 | 2023-11-10 | 中国农业大学 | 一种针对典型草原地表植物量的检测估算方法 |
| CN117036963B (zh) * | 2023-10-08 | 2024-01-26 | 中国农业大学 | 一种针对典型草原地表植物量的检测估算方法 |
| CN117808900A (zh) * | 2024-02-29 | 2024-04-02 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
| CN117808900B (zh) * | 2024-02-29 | 2024-05-14 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112541921B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
| Liu et al. | A disease index for efficiently detecting wheat fusarium head blight using sentinel-2 multispectral imagery | |
| Mishra et al. | Change detection techniques in remote sensing: A review | |
| Goodwin et al. | Assessing plantation canopy condition from airborne imagery using spectral mixture analysis and fractional abundances | |
| CN112577906B (zh) | 城市绿地土壤含水率检测方法 | |
| CN106778629B (zh) | 大棚识别方法及装置 | |
| Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
| CN112669363B (zh) | 城市绿地三维绿量测算方法 | |
| CN112699756A (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
| CN113723254A (zh) | 一种毛竹林分布的识别方法、装置、设备和存储介质 | |
| Launeau et al. | Airborne hyperspectral mapping of trees in an urban area | |
| Baron et al. | Monitoring grassland invasion by spotted knapweed (Centaurea maculosa) with RPAS-acquired multispectral imagery | |
| Maimaitijiang et al. | A fully automated and fast approach for canopy cover estimation using super high-resolution remote sensing imagery | |
| CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
| Becker et al. | Robust forest cover indices for multispectral images | |
| CN116205678A (zh) | 基于遥感自动化解译的农用地实物量调查和价值量估算方法 | |
| Zaki et al. | Individual tree crown (ITC) delineation using watershed transformation algorithm for tropical lowland dipterocarp | |
| CN112577907B (zh) | 城市绿地树木树冠缺损率计算方法 | |
| Iskandar et al. | Crown closure segmentation on wetland lowland forest using the mean shift algorithm | |
| Nuthammachot et al. | Exploring Sentinel-2 Satellite Imagery-Based Vegetation Indices for Classifying Healthy and Diseased Oil Palm Trees | |
| Panday et al. | Estimation of above Ground Forest Biomass Using Ultra High Resolution Uav Images: A Case Study from Barandabhar Forest, Nepal | |
| Xi et al. | What information is important? A spatiotemporal inference for classification of satellite image time series | |
| CN116824157B (zh) | 采样点确定、遥感产品真实性校验方法、装置及电子设备 | |
| Chi et al. | Urban Tree Species Classification Using Airborne Lidar and Hyperspectral Imagery | |
| Zheng et al. | Individual Tree-Based Forest Species Diversity Estimation Using Uav-Borne Hyperspectral and LIDAR Data |
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 |