CN112766090A - 一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统 - Google Patents
一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统 Download PDFInfo
- Publication number
- CN112766090A CN112766090A CN202110006569.9A CN202110006569A CN112766090A CN 112766090 A CN112766090 A CN 112766090A CN 202110006569 A CN202110006569 A CN 202110006569A CN 112766090 A CN112766090 A CN 112766090A
- Authority
- CN
- China
- Prior art keywords
- image
- sentinel
- season
- resolution
- cultivated land
- 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 46
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 14
- 238000003066 decision tree Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000007500 overflow downdraw method Methods 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 239000002994 raw material Substances 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种利用多季相Sentinel‑2影像快速识别城郊闲置耕地的方法与系统,通过挑选出不同季节的Sentinel‑2影像数据,进行一系列的预处理,消除闲置耕地识别影响因素,对预处理后的Sentinel‑2多季相时间序列影像,分别计算多季相EVI指数影像、多季相TTVI指数影像;合成多季相Sentinel‑2影像波段与多季相EVI、TTVI指数影像为多波段影像,利用高分辨率的Google earth影像,生成闲置耕地和其他用地的训练样本,利用选择的训练样本,对多波段影像进行决策树分类,从而快速识别闲置耕地。本发明利用闲置耕地和地物的季节特征,可以快速识别城郊闲置耕地,大大提高了对闲置耕地的监管效率。
Description
技术领域
本发明属于图像处理技术领域,涉及一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统。
背景技术
闲置耕地是指过去被用于农业生产而现在不再进行农业活动的土地。闲置耕地不仅发生在种植成本高的偏远山区,也会发生在交通良好且经济活动强度高的城市区域,尤其是城市郊区。城市化进程会加快农业从业者向第二产业和第三产业的转移,从而导致闲置耕地的发生。对闲置耕地的监测,有利于政府相关部门对当前城市规划进行调整,以便于更有效地利用土地。
传统的区域闲置耕地估算和绘制方法主要是实地调查,虽然这种方法能够获得比较可靠的结果,但是需要耗费大量的人力和物力,而且非常耗时,只适合一些小区域监测。随着遥感技术的发展,利用遥感影像来识别闲置耕地已经成为一种重要手段。遥感影像具有多时相、多空间、多光谱分辨率的特点,能够很好地用于地物时空变化分析。相对于传统技术手段,遥感技术可以在更大范围内高效率地实现闲置耕地的快速识别。
目前用于闲置耕地识别的遥感影像数据源主要有250m的MODIS影像,30m的Landsat影像,10m-60m分辨率的Sentinel-2影像,以及米级的高分影像。由于MODIS的空间分辨率太低,其适用于全球尺度的闲置耕地信息提取,或者是耕地占主导的区域,并不适用于城市郊区耕地比较破碎的情况。高分辨率的遥感影像比较适用于精细尺度的耕地信息提取,但是该类影像获取成本昂贵,且分辨率高,以至于数据处理的成本相对增加,并不适用于大面积的闲置耕地提取,一般用于闲置耕地提取的精度验证。30m的Landsat影像已经成为一种重要的数据源,常常被用于区域尺度的地表覆盖信息提取与监测,例如不透水提取、闲置耕地的提取、土地利用变化等。尽管已有许多利用Landsat影像来识别、提取及监测闲置耕地的时空分布状态研究,但是这些方法大都是针对耕地占主导的区域进行研究。Landsat影像的空间分辨率相对较低,在城郊这种空间破碎且区域异质度高、地物场景复杂的区域,会有很严重的局限性。相对于Landsat影像,Sentinel-2影像具有更高的空间分辨率,包含4个10m分辨率的波段,6个20m分辨率的波段以及3个60m的波段。近年来,由于其相对较高的空间分辨率和较多的光谱波段,Sentinel-2数据受到了研究者的广泛关注,已被用于城市土地利用与覆盖信息的提取。然而,利用Sentinel-2影像来识别城郊闲置耕地的研究相对较少。已有研究表明,不同时期获取的影像会影响到闲置耕地的提取精度。因此,如何利用多季相的Sentinel-2影像来识别城郊复杂场景的闲置耕地具有重大意义。
发明内容
针对现有技术的不足,本发明提供一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统,能够大大提升对城郊破碎区域闲置耕地的监测效率。
为实现上述目的,本发明的技术方案为一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统,包括以下步骤:
步骤1:挑选出不同季节的Sentinel-2影像数据,并对每幅Sentinel-2S1C影像进行大气校正,获得地表反射率产品Sentinel-2L2A;
步骤2:对步骤1获得的影像,利用图像融合的方法合成10m分辨率的影像;
步骤3:针对步骤2获得的10m分辨率产品进行预处理,包括去除影像生成时产生的云和云阴影,以及会对闲置耕地识别产生影响的水体和不透水面等地表覆盖类型区域;
步骤4:针对步骤3处理后的Sentinel-2多季相时间序列影像,分别计算多季相EVI指数影像、多季相TTVI指数影像;
步骤5:合成步骤3获得的多季相Sentinel-2影像波段与步骤4获得的多季相EVI、TTVI指数影像为一个新的多波段影像,利用高分辨率的Google earth影像,生成闲置耕地和其他用地的训练样本,利用选择的训练样本,对多波段影像进行决策树分类,从而快速识别闲置耕地。
作为优选,步骤1中,针对每一幅Sentinel-2S1C级影像,利用sen2cor方法进行大气校正,生成Sentinel-2L2A级产品。
作为优选,步骤2中,具体包含以下步骤:
步骤2.1,对于每一个20m分辨率的波段,分别计算其与10m分辨率波段之间的相关性,挑选出与其相关性最高的10m分辨率的波段作为全色波段;
步骤2.2,利用多尺度小波变换方法ATWT(A Trous Wavelet Transform)将20m分辨率波段提升至10m分辨率。该方法将原始多光谱波段重采样至全色波段分辨率,并通过小波变换,分别将全色影像和插值为10m分辨率的影像分解成三个高频分量和一个低频分量,然后将全色影像的高频分量合并到插值的多光谱影像中,并通过逆小波变换,生成10m分辨率的波段影像。
作为优选,所述步骤3中,具体包括以下步骤:
步骤3.1,Sentinel-2S1C级产品元数据中提供了云及云阴影的掩膜文件,其中云掩膜文件包含薄云和卷积云两类,利用获得的云及云掩膜文件,剔除Sentinel-2L2A级影像中的云及云阴影,并采用三次样条插值函数估计影像中的缺失值,得到完整的影像;
步骤3.2,针对步骤3.1获得的无云及云阴影污染的影像,计算该幅影像的归一化水指数NDWI影像,并利用Otsu自动阈值法,提取并去除影像中的水体区域,得到不包括水体的影像;
步骤3.3,针对步骤3.2获得的无云及云阴影污染、无水体的影像,计算该幅影像的PISI影像,并利用Otsu自动阈值法,提取并去除影像中的不透水面区域,得到无云及云阴影污染、无水体、无不透水面的影像,以减少云、云阴影、水体及不透水面等对闲置耕地提取的影响。
作为优选,所述步骤4中,具体包括以下步骤:
步骤4.1,针对步骤3.3获得的影像,计算该幅影像的EVI影像,得到Sentinel-2多季相影像的时间序列EVI;
步骤4.2,针对步骤3.3获得的影像,计算该幅影像的TTVI影像,得到Sentinel-2多季相影像的时间序列TTVI。
作为优选,所述步骤5,具体为:
提取多季节Sentinel-2影像的2、3、4、8波段,并且与步骤4得到的多季相EVI、TTVI影像合成一个多波段的影像,利用高分辨率的Google earth影像构建样本区ROI,基于所选样本采用CART决策树对合成的多波段影像进行分类,从而提取城郊闲置耕地信息。
基于同一思想,本发明还设计了一种用于实现利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法的系统,其特殊之处在于:包括,
影像预处理模块,对每幅输入的Sentinel-2S1C影像进行大气校正,获得地表反射率产品Sentinel-2L2A;
分辨率改善模块,利用图像融合的方法将影像预处理模块得到的产品合成10m分辨率的影像;
外围因素剔出模块,对分辨率改善模块获取的图像进行处理,包括去除影像生成时产生的云和云阴影,以及会对闲置耕地识别产生影响的水体和不透水面等地表覆盖类型区域;
植被相关指数计算模块,对外围因素剔出模块处理后的多季相时间序列影像,分别计算多季相EVI指数影像、多季相TTVI指数影像;
闲置耕地识别模块,利用高分辨率的Google earth影像,生成闲置耕地和其他用地的训练样本,利用选择的训练样本,对影像进行CART决策树分类,从而快速识别闲置耕地。
与现有技术相比,本发明提供的技术方案的有益效果为:本发明提出一种利用闲置耕地以及地物的季节性物候特征,实现城郊闲置耕地的快速和准确提取,大大提高了城郊闲置耕地的提取效率和准确性。
附图说明
图1为本发明实施例的流程图。
名词解释:
EVI Enhanced Vegetation Index,增强植被指数;
TTVI Thiam’s Transformed Vegetation Index,Thiam变换植被指数;
NDWI Normalized Difference Water Index,归一化水体指数;
PISI Perpendicular Impervious Surface Index,垂直不透水面指数。
具体实施方式
为了便于本领域普通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,应当理解,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。
本发明提出的一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统,主要包含以下步骤:
步骤1:挑选出不同季节的Sentinel-2影像数据,并对每幅Sentinel-2S1C影像进行大气校正,获得地表反射率产品Sentinel-2L2A;
步骤2:对步骤1获得的影像,利用图像融合的方法合成10m分辨率的影像;
步骤3:针对步骤2获得的10m分辨率的产品进行预处理,包括去除影像生成时产生的云和云阴影,以及会对闲置耕地识别产生影响的水体和不透水面等地表覆盖类型区域;
步骤4:针对步骤3处理后的Sentinel-2多季相时间序列影像,分别计算多季相EVI指数影像、多季相TTVI指数影像;
步骤5:合成步骤3获得的多季相Sentinel-2影像波段与步骤4获得的多季相EVI、TTVI指数影像为一个新的多波段影像,利用高分辨率的Google earth影像,生成闲置耕地和其他用地的训练样本,利用选择的训练样本,对多波段影像进行决策树分类,从而快速识别闲置耕地。
具体实施时,本发明可采用计算机软件技术实现自动运行流程。为详细说明本发明技术方案,请见图1,本发明提供的一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统,包括以下步骤:
步骤1:挑选出不同季节的Sentinel-2影像数据,并对每幅Sentinel-2L1C影像进行大气校正,获得地表反射率产品Sentinel-2L2A;
由于下载的Sentinel-2L1C级数据是大气层顶的反射率,需要对Sentinel-2影像进行校正,以消除大气、地形和卷积云等对地物反射率的影响。
具体实施时,本发明采用sen2cor方法对每幅Sentinel-2L1C影像进行大气校正,从而获得地表反射率产品Sentinel-2L2A。
步骤2:对步骤1获得的影像,利用图像融合的方法合成10m分辨率的影像;
Sentinel-2L2A级产品具有10-60m分辨率的12个波段,包括4个10m分辨率的波段,6个20m分辨率的波段和2个60m分辨率的波段。为了充分利用各个波段,需要对相关波段进行处理,使得影像各个分辨率保持一致。因此,本发明采用图像融合的方法,将低空间分辨率的波段提升至10m分辨率,在提升影像空间分辨率的同时,保留影像的光谱分辨率,以减少信息的损失。由于Sentinel-2卫星影像没有全色波段,本发明假设10m分辨率的波段为全色波段,利用10m分辨率的波段融合至20m分辨率的波段中,从而生成10m分辨率的产品。
具体实施时,包括以下步骤:
步骤2.1,对于每一个20m分辨率的波段,分别计算其与10m分辨率波段之间的相关性,挑选出与其相关性最高的10m分辨率波段作为全色波段;
步骤2.2,利用多尺度小波变换方法ATWT(A Trous Wavelet Transform)将20m分辨率波段提升至10m分辨率。该方法将原始多光谱波段重采样至全色波段分辨率,并通过小波变换,分别将全色影像和插值为10m分辨率的影像分解成三个高频分量和一个低频分量,然后将全色影像的高频分量合并到插值的多光谱影像中,并通过逆小波变换,生成10m分辨率的波段影像。
步骤3:针对步骤2获得的10m分辨率的产品进行预处理,包括去除影像生成时产生的云和云阴影,以及会对闲置耕地识别产生影响的水体和不透水面等地表覆盖类型区域;
由于水体、云及云阴影、不透水面会影响植被指数的提取,从而影响到闲置耕地的识别,本发明采用两步预处理方法,不仅剔除由于云及云阴影覆盖导致的数据缺失带来的影响,而且剔除与耕地无关的水体、不透水面区域。
具体实施时,本发明包括以下几个步骤:
步骤3.1,采用Sentinel-2L1C级产品自带的云及云阴影掩膜文件,去除影像中的云及云阴影,并采用三次样条插值函数估计影像中的缺失值,得到完整的影像。
步骤3.2,利用NDWI获取影像水体灰度图,然后利用Otsu自动阈值法计算最优阈值,将水体灰度影像分成水体和非水体两类,提取出水体分布区域,并在影像中剔除。NDWI的计算公式如下:
其中,ρgreen为绿波段的反射率,ρnir为近红外波段的反射率。
步骤3.3,利用PISI提取影像中不透水面灰度图,然后利用Otsu自动阈值法计算最优阈值,将不透水面灰度影像分成不透水面和透水面两类,提取出不透水面分布区域,并在影像中剔除。PISI的计算公式如下:
PISI=0.8192ρblue-0.5735ρnir+0.075 (2)
其中,ρblue为绿波段的反射率,ρnir为近红外波段的反射率。
步骤4:针对步骤3处理后的Sentinel-2多季相时间序列影像,分别计算多季相EVI指数影像、多季相TTVI指数影像;
由于NDVI对高植被区具有较低的灵敏度,因此,具体实施时,本发明采用EVI和TTVI指数来计算影像特征。
EVI和TTVI的计算公式分别如下:
其中,ρblue为绿波段的反射率,ρnir为近红外波段的反射率,ρred为红波段的反射率。
步骤5:合成步骤3获得的多季相Sentinel-2影像波段与步骤4获得的多季相EVI、TTVI指数影像为一个新的多波段影像,根据高分辨率的Google earth影像,生成闲置耕地和其他用地的训练样本和验证样本,利用选择的训练样本,对影像进行CART决策树分类,从而快速识别闲置耕地。
具体实施时,本发明提取多季节Sentinel-2影像的2、3、4、8波段,并且与步骤4得到的多季相EVI、TTVI影像合成一个多波段的影像,利用高分辨率的Google earth影像构建样本区ROI,基于所选样本采用CART决策树对合成的多波段影像进行分类,从而提取城郊闲置耕地信息。
本发明还设计了一种用于实现利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法的系统,包括,
影像预处理模块,对每幅输入的Sentinel-2S1C影像进行大气校正,获得地表反射率产品Sentinel-2L2A;
分辨率改善模块,利用图像融合的方法将影像预处理模块得到的产品合成10m分辨率的影像;
外围因素剔出模块,对分辨率改善模块获取的图像进行处理,包括去除影像生成时产生的云和云阴影,以及会对闲置耕地识别产生影响的水体和不透水面等地表覆盖类型区域;
植被相关指数计算模块,对外围因素剔出模块处理后的多季相时间序列影像,分别计算多季相EVI指数影像、多季相TTVI指数影像;
闲置耕地识别模块,利用高分辨率的Google earth影像,生成闲置耕地和其他用地的训练样本,利用选择的训练样本,对影像进行CART决策树分类,从而快速识别闲置耕地。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法,其特征在于,包括以下步骤:
步骤1:挑选出不同季节的Sentinel-2影像数据,并对每幅Sentinel-2 S1C影像进行大气校正,获得地表反射率产品Sentinel-2 L2A;
步骤2:对步骤1获得的影像,利用图像融合的方法合成10m分辨率的影像;
步骤3:针对步骤2获得的10m分辨率的产品进行预处理,包括去除影像生成时产生的云和云阴影,以及会对闲置耕地识别产生影响的水体和不透水面等地表覆盖类型区域;
步骤4:针对步骤3处理后的Sentinel-2多季相时间序列影像,分别计算多季相EVI指数影像、多季相TTVI指数影像;
步骤5:合成步骤3获得的多季相Sentinel-2影像波段与步骤4获得的多季相EVI、TTVI指数影像,利用高分辨率的Google earth影像,生成闲置耕地和其他用地的训练样本,利用选择的训练样本,对多波段影像进行CART决策树分类,从而快速识别闲置耕地。
2.根据权利要求1所述的一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法,其特征在于,所述步骤1,具体为:
针对每一幅Sentinel-2 S1C级影像,利用sen2cor方法进行大气校正,生成Sentinel-2L2A级产品。
3.根据权利要求1所述的一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法,其特征在于,所述步骤2中,具体包括以下步骤:
步骤2.1,对于每一个20m分辨率的波段,分别计算其与10m分辨率波段之间的相关性,挑选出与其相关性最高的10m分辨率的波段作为全色波段;
步骤2.2,利用多尺度小波变换方法ATWT(A Trous Wavelet Transform)将20m分辨率波段提升至10m分辨率。该方法将原始多光谱波段重采样至全色波段分辨率,并通过小波变换,分别将全色影像和插值为10m分辨率的影像分解成三个高频分量和一个低频分量,然后将全色影像的高频分量合并到插值的多光谱影像中,并通过逆小波变换,生成10m分辨率的波段影像。
4.根据权利要求1所述的一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法,其特征在于,所述步骤3,具体包括以下步骤:
步骤3.1,从Sentinel-2 S1C级产品中提取云及云阴影的掩膜文件,其中云掩膜文件包含薄云和卷积云两类,利用获得的云及云掩膜文件,剔除Sentinel-2 L2A级影像中的云及云阴影,并采用三次样条插值函数估计影像中的缺失值,得到完整的影像;
步骤3.2,针对步骤3.1获得的无云及云阴影污染的影像,计算该幅影像的NDWI影像,并利用Otsu自动阈值法,提取并去除影像中的水体区域,得到不包括水体的影像;
步骤3.3,针对步骤3.2获得的无云及云阴影污染、无水体的影像,计算该幅影像的PISI影像,并利用Otsu自动阈值法,提取并去除影像中的不透水面区域,得到无云及云阴影污染、无水体、无不透水面的影像,以减少云、云阴影、水体及不透水面等对闲置耕地提取的影响。
5.根据权利要求1所述的一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法,其特征在于,所述步骤4中,具体包括以下步骤:
步骤4.1,针对步骤3.3获得的影像,计算该幅影像的EVI影像,得到Sentinel-2多季相影像的时间序列EVI;
步骤4.2,针对步骤3.3获得的影像,计算该幅影像的TTVI影像,得到Sentinel-2多季相影像的时间序列TTVI。
6.根据权利要求1所述的一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法,其特征在于,所述步骤5,具体为:
提取多季节Sentinel-2影像的2、3、4、8波段,并且与步骤4得到的多季相EVI、TTVI影像合成一个多波段的影像,利用高分辨率的Google earth影像构建样本区ROI,基于所选样本采用CART决策树对合成的多波段影像进行分类,从而提取城郊闲置耕地信息。
7.一种用于实现权利要求1-6中任一所述利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法的系统,其特征在于:包括,
影像预处理模块,对每幅输入的Sentinel-2 S1C影像进行大气校正,获得地表反射率产品Sentinel-2 L2A;
分辨率改善模块,利用图像融合的方法将影像预处理模块得到的产品合成10m分辨率的影像;
外围因素剔出模块,对分辨率改善模块获取的图像进行处理,包括去除影像生成时产生的云和云阴影,以及会对闲置耕地识别产生影响的水体和不透水面等地表覆盖类型区域;
植被相关指数计算模块,对外围因素剔出模块处理后的多季相时间序列影像,分别计算多季相EVI指数影像、多季相TTVI指数影像;
闲置耕地识别模块,利用高分辨率的Google earth影像,生成闲置耕地和其他用地的训练样本,利用选择的训练样本,对影像进行CART决策树分类,从而快速识别闲置耕地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006569.9A CN112766090B (zh) | 2021-01-05 | 2021-01-05 | 一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006569.9A CN112766090B (zh) | 2021-01-05 | 2021-01-05 | 一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766090A true CN112766090A (zh) | 2021-05-07 |
CN112766090B CN112766090B (zh) | 2022-07-05 |
Family
ID=75699186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110006569.9A Expired - Fee Related CN112766090B (zh) | 2021-01-05 | 2021-01-05 | 一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766090B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
US20120002865A1 (en) * | 2009-03-10 | 2012-01-05 | Choros Cognition Ab | Method for performing automatic classification of image information |
CN103500421A (zh) * | 2013-10-09 | 2014-01-08 | 福州大学 | 一种基于频率特征的耕地复种指数提取方法 |
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN107689051A (zh) * | 2017-09-08 | 2018-02-13 | 浙江环球星云遥感科技有限公司 | 一种基于变化因子的多时相sar影像变化检测方法 |
US20190087682A1 (en) * | 2015-12-07 | 2019-03-21 | The Climate Corporation | Cloud detection on remote sensing imagery |
-
2021
- 2021-01-05 CN CN202110006569.9A patent/CN112766090B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120002865A1 (en) * | 2009-03-10 | 2012-01-05 | Choros Cognition Ab | Method for performing automatic classification of image information |
CN102073869A (zh) * | 2010-12-27 | 2011-05-25 | 中国农业大学 | 基于点位数据和遥感影像数据的区域耕地质量监测方法 |
CN103500421A (zh) * | 2013-10-09 | 2014-01-08 | 福州大学 | 一种基于频率特征的耕地复种指数提取方法 |
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
US20190087682A1 (en) * | 2015-12-07 | 2019-03-21 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN107689051A (zh) * | 2017-09-08 | 2018-02-13 | 浙江环球星云遥感科技有限公司 | 一种基于变化因子的多时相sar影像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
YUHENDRA ET AL.: "Optical SAR Fusion of Sentinel-2 Images for Mapping High Resolution Land Cover", 《2018 INTERNATIONAL CONFERENCE ON SYSTEM SCIENCE AND ENGINEERING (ICSSE)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766090B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
Chen et al. | Spatially and temporally weighted regression: A novel method to produce continuous cloud-free Landsat imagery | |
CN108596103B (zh) | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 | |
CN105957079B (zh) | 基于Landsat OLI多光谱影像的湖泊水域信息提取方法 | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
Wang | A multi-scale approach for delineating individual tree crowns with very high resolution imagery | |
CN106778640B (zh) | 一种三维可视化环境下地表植被覆盖模型的生成方法 | |
CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
CN112907587B (zh) | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
CN105447274A (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
CN116883853A (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
Geng et al. | Vegetation coverage of desert ecosystems in the Qinghai-Tibet Plateau is underestimated | |
Zhang et al. | Two-step ResUp&Down generative adversarial network to reconstruct multispectral image from aerial RGB image | |
CN104881659A (zh) | 一种不透水层的提取方法及装置 | |
CN112766090B (zh) | 一种利用多季相Sentinel-2影像快速识别城郊闲置耕地的方法与系统 | |
Xiao et al. | A Novel Image Fusion Method for Water Body Extraction Based on Optimal Band Combination. | |
CN113780232B (zh) | 一种城市湿地动态监测方法 | |
CN114445719A (zh) | 一种基于遥感数据的植被分类和生物量反演方法 | |
Wang et al. | Study on object-oriented urban land use extraction based on Landsat image | |
Chen et al. | Extraction of tea plantation with high resolution Gaofen-2 image | |
Yu et al. | Building footprint extraction model based on deep supervision and post-processing technology | |
CN117347974B (zh) | 一种灌丛植被地上生物量的估测方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210518 Address after: 518034 1st floor, 69 Xinwen Road, Lianhua street, Futian District, Shenzhen City, Guangdong Province Applicant after: SHENZHEN RESEARCH CENTER OF DIGITAL CITY ENGINEERING Applicant after: WUHAN University Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Applicant before: WUHAN University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220705 |
|
CF01 | Termination of patent right due to non-payment of annual fee |