CN113033401B - 一种面向生态保护红线的人类活动变化识别监管方法 - Google Patents
一种面向生态保护红线的人类活动变化识别监管方法 Download PDFInfo
- Publication number
- CN113033401B CN113033401B CN202110321740.5A CN202110321740A CN113033401B CN 113033401 B CN113033401 B CN 113033401B CN 202110321740 A CN202110321740 A CN 202110321740A CN 113033401 B CN113033401 B CN 113033401B
- Authority
- CN
- China
- Prior art keywords
- human activity
- data
- image
- suspected
- clue
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 124
- 230000008859 change Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 34
- 230000002452 interceptive effect Effects 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000004075 alteration Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Algebra (AREA)
- Astronomy & Astrophysics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
一种面向生态保护红线的人类活动变化识别监管方法,S1:数据准备,挑选影像数据和生态保护红线区的矢量数据;S2:人类活动快速识别,基于矢量数据和影像数据制作大数据样本,选取大数据样本中的数据通过变化检测决策模型,得出疑似人类活动线索图斑;S3:人类活动交互判读,对疑似人类活动线索结果进行人工交互编辑,得到疑似人类活动问题图斑;S4:实地核查及验证,将人工交互编辑无法确定的地物标记为问题图斑进行实地核查,根据核查结果进行验证,得到人类活动监测成果;本发明提供了基于多源、多时相遥感数据的全样本人类活动快速识别能力,形成自动检测与人工交互式编辑相结合的面向生态保护红线的人类活动监管产品生产技术体系。
Description
技术领域
本发明属于生态保护技术领域,更具体的说是涉及一种面向生态保护红线的人类活动变化识别监管方法。
背景技术
生态保护红线是指在生态空间范围内具有特殊重要生态功能、必须强制性严格保护的区域,是保障和维护国家生态安全的底线和生命线,是继亿亩耕地红线后,另一条被提到国家层面的“生命线”。生态保护红线一旦划定,应满足功能不降低、面积不减少、性质不改变等管控要求,但是随着人们对于自然资源利用的增加、社会对于经济发展的迫切需求,生态保护红线内的人类活动逐渐增多,对生态保护红线区域的影响也日益加深,因此,面向生态保护红线的人类活动监管逐渐成为广泛关注的目标。
生态保护红线区域内的的人类活动通常面积较小、范围较窄,想要面向遥感影像采用目视解译的方法实现低漏提取、低误提取的目标是十分困难的。而基于遥感影像的自动化检测过程非常复杂,涉及图像预处理、阈值分割、特征提取、图像分割及分类等若干环节,当前并没有一种变化检测流程及方法被普遍认为具有绝对优势,且多数算法解决的问题及理论仍相对分散,同时需要确保影像本身必须有较好的清晰度及配准精度。
因此,如何提供一种高精度的、业务场景适用广泛的面向生态保护红线的人类活动变化识别监管方法是本领域亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种面向生态保护红线的人类活动变化识别监管方法,实现了多源多时相遥感全样本影像数据的快速识别和自动检测与人工交互编辑相结合。
为了实现上述目的,本发明采用如下技术方案:
一种面向生态保护红线的人类活动变化识别监管方法,步骤包括,
S1:数据准备,挑选影像数据和生态保护红线区的矢量数据;
S2:人类活动快速识别,基于矢量数据和影像数据制作大数据样本,选取大数据样本中的数据通过变化检测决策模型,输出疑似人类活动线索图斑;
S3:人类活动交互判读,对疑似人类活动线索结果进行人工交互编辑,得到疑似人类活动问题图斑;
S4:实地核查及验证,将人工交互编辑无法确定的地物标记为问题图斑进行实地核查,根据核查结果进行验证,得到人类活动监测成果;
S5:台账更新,将S3和S4中的疑似人类活动问题图斑和人类活动监测成果进行汇总形成人类活动台账。
优选的,所述步骤S1中,所述影像数据为的GF、ZY系列的高分辨率的遥感影像数据和亚米级的航空遥感影像数据。
优选的,所述步骤S1中影像数据保证三波段8位,灰度分布成正态分布、纹理正常,没有坏线、缺带,没有条带、斑点噪声和耀斑,云量低于百分之20。
优选的,所述步骤S1中影像数据进行几何精校正,校正后的平原地区优于1.5像元,山地地区误差不超过2-3像元。
优选的,所述步骤S2中的矢量数据包括边界数据和本底数据,所述步骤S2制作大数据样本为,以本底数据作为分割的边界引导,采用多尺度图像分割算法对影像数据的全样本进行图像多尺度分割,生成图斑,通过计算提取图斑中的多维特征,得到大数据样本。
优选的,在图像多尺度分割过程中,所述本底数据与影像数据的重叠区域不小于1:5万标准图幅大小,套合配准精度控制在一个像素。
优选的,所述步骤S2中变化检测决策模型包括,
S11:选取大数据样本中的多维特征,依据多维特征的异质性程度,设置阈值,挑选出异质性过阈值的多维特征所对应的图斑,标记为疑似人类活动线索;
S12:选取大数据样本中的多维特征,计算多维特征的中位数和中位数偏差;
S13:使用均值权重对中位数偏差加权;
S14:对于相邻的疑似人类活动线索,取偏差加权后的较大值进行人类活动线索合并,输出合并后的疑似人类活动线索图斑。
优选的,所述异质性的计算方法为,在每个图斑的多维特征中,多维特征的特征值相接近,对于变化的图斑,其多维特征产生偏离,产生偏离的多维特征特征值在地物类别中心点之外,为离散点,通过统计学分析方法,计算离散点的离散偏差,即异质性。
优选的所述步骤S3中人工交互编辑包括,矢量编辑、属性编辑、成果更新和成果提交;
矢量编辑:在判读软件中使用矢量采编工具对疑似人类活动线索图斑以及影像数据中漏提取的人类活动线索图斑进行调整或勾划,所述调整和勾划包括使用局部串接工具和裁切工具对疑似人类活动线索进行大小以及边缘优化;
属性编辑:针对已经完成矢量编辑的疑似人类活动线索图斑,在要素属性栏中对其进行属性编辑;
成果更新:对已经完成矢量和属性编辑的疑似人类活动线索图斑进行自动更新,得到疑似人类活动问题图斑;
成果提交:将判读软件中的疑似人类活动问题图斑矢量图层保存至后台指定路径。
优选的,所述步骤S4中实地核查包括,核查人员根据问题图斑的地理位置进行实地调查并进行图像、视频拍摄,实时获取异常区域数据并实时回传,通过回传的数据进行实际情况的最终判定,得到人类活动监测成果。
本发明的有益效果:.
本发明以生态保护红线区的矢量数据中的本底数据作为图像多尺度分割的边界引导,避免使用两期影像带来的数据源差异、时相差异、辐射差异、投影误差干扰提供了基于多源、多时相遥感数据的全样本人类活动快速识别能力,并且形成了与人工交互判读相结合的面向生态保护红线的人类活动监管体系;
通过人工交互判读和实地核查验证,及时发现和提取生态保护红线监管区域人类干扰活动的类型、范围、空间分布和变化趋势等有关信息,形成实时快速的人类活动识别与监测能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明一种面向生态保护红线的人类活动变化识别监管方法原理图;
图2为江苏省遥感影像、生态保护红线、人类活动快速识别结果示意图;
图3为江苏省遥感影像、生态保护红线、人类活动交互判读结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图2和图3,一种面向生态保护红线的人类活动变化识别监管方法,步骤包括,
S1:数据准备,挑选影像数据和生态保护红线区的矢量数据;
S2:人类活动快速识别,基于矢量数据和影像数据制作大数据样本,选取大数据样本中的数据通过变化检测决策模型,对伪图斑进行去除,最终得出疑似人类活动线索图斑;
S3:人类活动交互判读,对疑似人类活动线索结果进行人工交互编辑,得到疑似人类活动问题图斑;
S4:实地核查及验证,将人工交互编辑无法确定的地物标记为问题图斑进行实地核查,根据核查结果进行验证,得到人类活动监测成果;
S5:台账更新,将S3和S4中的疑似人类活动问题图斑和人类活动监测成果进行汇总形成人类活动台账。
在另一实施例中,步骤S1中的影像数据为国产主流的GF、ZY系列的高分辨率的遥感影像数据和亚米级的航空遥感影像数据。
在另一实施例中,步骤S1中影像数据保证三波段8位,灰度分布成正态分布、纹理正常,没有坏线、缺带,没有条带、斑点噪声和耀斑,云量低于百分之20,尽可能无云,辐射质量良好。
其中,影像数据挑选需综合考虑云覆盖、成像时间、等因素,要求图像清晰,地物层次分明,色调均一,色彩真实,反差适中(灰度分布成正态分布),不存在过度曝光、偏色、CCD拼接色差、饱和度异常等现象。
在另一实施例中,影像数据选择江苏省GF6融合影像数据,通过高分6号全色数据和多光谱数据融合而成,数据时间为5月份,云量低于10%;本底数据为2018年的地理国情数据,分类体系参考国情的分类体系;红线保护区边界数据来源于江苏省提交的红线边界数据。
在另一实施例中,影像数据基于影像控制基准网生产,生产的影像数据可以达到如下标准:a)全色数据和多光谱数据多波段之间无“双眼皮”现象,双眼皮指在做影像数据融合即全色和多光谱数据叠加时,由于融合配准没有做好,导致全色和多光谱数据中同一位置的同一地物出现偏差,没有完美叠加。;b)几何精校正(正射校正)精度:平原地区优于1.5像元,山地地区误差不超过2-3像元;c)影像配准精度优于1像元;d)保证图像清晰,地物层次分明,色调均一;图像没有坏行、缺带,没有条带、斑点噪声和耀斑。
在另一实施例中,充分利用现有本底数据,避免使用两期影像带来的数据源差异、时相差异、辐射差异、投影误差干扰。步骤S2中的矢量数据包括边界数据和本底数据,通过边界数据确认工作范围,在工作范围内,以本底数据作为分割的边界引导,采用多尺度图像分割算法对影像数据的全样本进行图像多尺度分割,在图像多尺度分割过程中,选取影像数据中某一区域与本底数据中对应的区域进行对比,本底数据与影像数据进行对比的重叠区域不小于1:5万标准图幅大小,套合精度控制在一个像素左右,多尺度分割生成图斑,通过提取图斑中的多维特征进行计算,得到大数据样本,从大数据样本中选取数据建立概率模型输出变化概率和疑似人类活动线索图斑。
其中,步骤S2人类活动快速识别过程采用基于全样本分析的人类活动快速识别技术,涉及图像预处理、阈值分割、特征提取、图像多尺度分割及分类等若干环节;图像的多尺度分割即将影像划分为若干个区域块,区域内部各特征差异性最小,以分割得到的区域块为处理对象。
另外,采用多尺度图像分割算法,算法输入包括待分割的影像数据、引导分割的历史本底矢量数据,设置分割参数与分割尺度,得到对象化的多尺度分割结果生成图斑;几何特征包括面积及、周长、狭长度和紧致值光谱特征包括均值和标准差,具体描述如下表:
在另一实施例中,步骤S2中的建立变化检测决策模型步骤包括:
S11:选取大数据样本中的多维特征,依据多维特征的异质性程度,设置阈值,挑选出异质性过阈值的图斑,标记为疑似人类活动线索;
S12:选取大数据样本中的多维特征,计算多维特征的中位数和中位数偏差;
S13:使用均值权重对中位数偏差加权;
S14:对于相邻的疑似人类活动线索,取偏差加权后的较大值进行人类活动线索结果合并,输出合并后的疑似人类活动线索图斑。
在另一实施例中,异质性的计算方法为,在每个图斑的多维特征中,多维特征的特征值接近于地物类别中心点,为相似点,而对于变化的图斑,其多维特征产生会偏离,产生偏离的多维特征特征值在地物类别中心点之外,为离散点,通过统计学分析方法,计算离散点的离散偏差,即异质性。
在另一实施例中,从n个图斑中选取k个特征,对应有k列中位数,f表示每个特征,m表示每个特征的中位数,
(f11-m1)2(f21-m2)2 (fk1-mk)2
(f12-m1)2(f22-m2)2 (fk2-mk)2
(f13-m1)2(f23-m2)2 (fk3-mk)2
...... ...... ...... ......
(f1x-m1)2(f2x-m2)2 (fkx-mk)2
...... ...... ......
(f1n-m1)2(f2n-m2)2 (fkn-mk)2
(1)中位数偏差加权,使用均值权重(即k个特征,权重值为1/k),可以得到一列F值,即变化概率;
(f11-m1)2 (f21-m2)2 (fk1-mk)2 F1
(f12-m1)2 (f22-m2)2 (fk2-mk)2 F2
(f13-m1)2 (f23-m2)2 (fk3-mk)2 F3
1/k*........+1/k*........+1/k*........=...
(f1x-m1)2 (f2x-m2)2 (fkx-mk)2 Fk
........ ........ ........ ...
(f1n-m1)2 (f2n-m2)2 (fkn-mk)2 Fn
(2)挑选F中较大值;
对输出变化检测结果进行合并处理,避免后处理冗余工作量,由于变化检测决策模型输出带有概率属性的变化图斑,存在同一地区多个概率图斑和图斑零散问题,因此,通过对相邻区域的图斑以变化概率较大的图斑为准进行合并处理,以达到去除伪图斑的目的,输出整合后变化图斑,即疑似人类活动线索图斑。
在另一实施例中,步骤S3中人工交互编辑包括,矢量编辑、属性编辑、成果更新和成果提交;
矢量编辑:在判读软件中使用矢量采编工具对疑似人类活动线索图斑以及影像数据中漏提取的人类活动线索图斑进行调整或勾划,所述调整和勾划包括使用局部串接工具和裁切工具对疑似人类活动线索进行大小以及边缘优化;
属性编辑:针对已经完成矢量编辑的疑似人类活动线索图斑,在要素属性栏中对其进行属性编辑;属性编辑包括疑似人类活动类型、变化类型、监测时间、是否需要实地核查、疑似人类活动线索图斑前后时相影像截图等;
成果更新:对已经完成矢量和属性编辑的疑似人类活动线索图斑进行中心经纬度、图斑面积、所属省市县等属性信息的自动更新,得到疑似人类活动问题图斑;
成果提交:将判读软件中的疑似人类活动问题图斑矢量图层保存至后台指定路径。
在另一实施例中,江苏省人类活动确定问题如下表:
其中,每个字段名称对应一个要素属性,通过对每个要素属性进行编辑,完成图斑的属性编辑。
在另一实施例中,采用江苏省GF6融合影像数据和2018年的地理国情数据,构建全样本对象多元多维特征模型,基于多尺度分割算法或者矢量约束的图像分割算法,通过对分割后的影像对象的光谱、纹理、几何特征等进行多维特征计算,构建大数据样本,利用高斯回归、贝叶斯分析等方法对大数据样本的特征进行分析,结合高斯混合模型、空间建模等决策模型,最终以概率模型的方式实现对生态保护红线区疑似人类活动的主动发现,实现人类活动快速识别变化检测,该景影像共发现疑似人类活动线索图斑61处。
在另一实施例中,人工交互判读是在得到的疑似人类活动线索图斑的基础上,结合历史高空间分辨率遥感影像及历史人类活动台账数据,通过对疑似人类活动线索图斑的矢量编辑和属性编辑,以及人类活动面积、类型和空间分布等信息进行统计分析,形成疑似人类活动问题图斑,该景影像共发现疑似人类活动问题图斑31处,对于不确定的问题形成疑似问题清单并指导进一步的核查工作。
其中,历史高空间分辨率遥感影像是用于人工的目视查看,对比历史和现状影像之间的变化,一方面是核实疑似人类活动线索的真实性,另一方面是发现漏提的人类活动线索;历史人类活动台账数据是以往所做的这个区域的人类活动问题图斑成果,可供此次人工交互判读任务参考,了解情况。
在另一实施例中,步骤S4中实地核查包括,对于人工交互判读也不能确定的地物进行实地核查,采用“云+端”业务模式,基于天地图底图服务,具有从数据集成管理、任务逐级下发、实地拍照举证、进度统计查询、实时监管调度到成果多维展示的完整业务能力。通过对核查任务采取统一下发方式,支持分批次、分人员、分区域的下发待核查任务。核查人员在接收到任务后,核查人员根据问题图斑的地理位置进行实地调查并进行图像、视频拍摄,实时获取异常区域数据并实时回传,通过回传的数据进行实际情况的最终判定。
在另一实施例中,对于疑似问题清单提出的拟核查地区,首先判断其开展野外实地人工核查的必要性和可行性。对于地面条件较好,需要进一步搜集、核实人类活动相关信息的地区开展人工野外实地核查,补充搜集典型人类活动的设施现状、建成时间、是否具有环评手续等信息;对于野外地面条件较为恶劣,人类活动线索较为清晰,航拍数据能够满足要求的地区,开展无人机航拍核查,搜集人类活动类型,现状,强度等信息。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种面向生态保护红线的人类活动变化识别监管方法,其特征在于,步骤包括,
S1:数据准备,挑选影像数据和生态保护红线区的矢量数据;
所述步骤S1中影像数据保证三波段8位,灰度分布成正态分布、纹理正常,没有坏线、缺带,没有条带、斑点噪声和耀斑,云量低于百分之20;影像数据挑选综合考虑云覆盖和成像时间因素,要求图像清晰,地物层次分明,色调均一,色彩真实,灰度分布成正态分布,不存在过度曝光、偏色、CCD拼接色差和饱和度异常现象;
S2:人类活动快速识别,基于矢量数据和影像数据制作大数据样本,选取大数据样本中的数据通过变化检测决策模型,得出疑似人类活动线索图斑;
所述步骤S2中的矢量数据包括边界数据和本底数据,所述步骤S2制作大数据样本为,以本底数据作为分割的边界引导,采用多尺度图像分割算法对影像数据的全样本进行图像多尺度分割,生成图斑,通过计算提取图斑中的多维特征,得到大数据样本;
S3:人类活动交互判读,对疑似人类活动线索结果进行人工交互编辑,得到疑似人类活动问题图斑;人工交互判读是在得到的疑似人类活动线索图斑的基础上,结合历史高空间分辨率遥感影像及历史人类活动台账数据,对疑似人类活动线索图斑的矢量编辑和属性编辑;其中,历史高空间分辨率遥感影像是用于人工的目视查看,对比历史和现状影像之间的变化,一方面是核实疑似人类活动线索的真实性,另一方面是发现漏提的人类活动线索;历史人类活动台账数据是以往所做的这个区域的人类活动问题图斑成果,供此次人工交互判读任务参考;
S4:实地核查及验证,将人工交互编辑无法确定的地物标记为问题图斑进行实地核查,根据核查结果进行验证,得到人类活动监测成果;采用“云+端”业务模式,基于天地图底图服务,对核查任务采取统一下发方式,支持分批次、分人员、分区域的下发待核查任务;核查人员在接收到任务后,核查人员根据问题图斑的地理位置进行实地调查并进行图像、视频拍摄,实时获取异常区域数据并实时回传,通过回传的数据进行实际情况的最终判定;
S5:台账更新,将S3和S4中的疑似人类活动问题图斑和人类活动监测成果进行更新并汇总形成人类活动台账;
所述步骤S2中变化检测决策模型包括,
S11:选取大数据样本中的多维特征,依据多维特征的异质性程度,设置阈值,挑选出异质性过阈值的多维特征所对应的图斑,标记为疑似人类活动线索;
S12:选取大数据样本中的多维特征,计算多维特征的中位数和中位数偏差;
S13:使用均值权重对中位数偏差加权;
S14:对于相邻的疑似人类活动线索,取偏差加权后的较大值进行人类活动线索合并,输出合并后的疑似人类活动线索图斑;
所述步骤S3中人工交互编辑包括,矢量编辑、属性编辑、成果更新和成果提交;
矢量编辑:在判读软件中使用矢量采编工具对疑似人类活动线索图斑以及影像数据中漏提取的人类活动线索图斑进行调整或勾划,所述调整和勾划包括使用局部串接工具和裁切工具对疑似人类活动线索进行大小以及边缘优化;
属性编辑:针对已经完成矢量编辑的疑似人类活动线索图斑,在要素属性栏中对其进行属性编辑;属性编辑包括疑似人类活动类型、变化类型、监测时间、是否需要实地核查、疑似人类活动线索图斑前后时相影像截图;
成果更新:对已经完成矢量和属性编辑的疑似人类活动线索图斑进行自动更新,得到疑似人类活动问题图斑;
成果提交:将判读软件中的疑似人类活动问题图斑矢量图层保存至后台指定路径;
所述异质性的计算方法为,在每个图斑的多维特征中,多维特征的特征值相接近,对于变化的图斑,其多维特征产生偏离,产生偏离的多维特征特征值在地物类别中心点之外,为离散点,通过统计学分析方法,计算离散点的离散偏差,即异质性。
2.根据权利要求1中所述的一种面向生态保护红线的人类活动变化识别监管方法,其特征在于,所述步骤S1中,所述影像数据为GF、ZY系列的高分辨率的遥感影像数据和亚米级的航空遥感影像数据。
3.根据权利要求1中所述的一种面向生态保护红线的人类活动变化识别监管方法,其特征在于,所述步骤S1中影像数据进行几何精校正,校正后的平原地区优于1.5像元,山地地区误差不超过2-3像元。
4.根据权利要求1中所述的一种面向生态保护红线的人类活动变化识别监管方法,其特征在于,在图像多尺度分割过程中,所述本底数据与影像数据的重叠区域不小于1∶5万标准图幅大小,套合配准精度控制在一个像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110321740.5A CN113033401B (zh) | 2021-03-25 | 2021-03-25 | 一种面向生态保护红线的人类活动变化识别监管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110321740.5A CN113033401B (zh) | 2021-03-25 | 2021-03-25 | 一种面向生态保护红线的人类活动变化识别监管方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033401A CN113033401A (zh) | 2021-06-25 |
CN113033401B true CN113033401B (zh) | 2022-10-11 |
Family
ID=76474019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110321740.5A Active CN113033401B (zh) | 2021-03-25 | 2021-03-25 | 一种面向生态保护红线的人类活动变化识别监管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033401B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663412B (zh) * | 2022-04-01 | 2023-02-10 | 中国科学院地理科学与资源研究所 | 基于陆表水域生态红线的长连续遥感图像处理方法及装置 |
CN117056856B (zh) * | 2023-07-21 | 2024-04-05 | 广东省国土资源测绘院 | 一种融合多源自然资源监测变化图斑数据的方法与系统 |
CN117475310A (zh) * | 2023-11-09 | 2024-01-30 | 生态环境部卫星环境应用中心 | 一种基于sar影像的人类活动变化检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992153A (zh) * | 2015-07-02 | 2015-10-21 | 中国科学院地理科学与资源研究所 | 自然保护区人类活动干扰检测方法和系统 |
CN111144340A (zh) * | 2019-12-30 | 2020-05-12 | 中山大学 | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 |
CN112115198A (zh) * | 2020-09-14 | 2020-12-22 | 宁波市测绘和遥感技术研究院 | 一种城市遥感智能服务平台 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263627A (zh) * | 2019-05-09 | 2019-09-20 | 生态环境部卫星环境应用中心 | 一种面向保护地监管的人类活动变化线索监测方法 |
CN110196892B (zh) * | 2019-05-09 | 2021-06-15 | 生态环境部卫星环境应用中心 | 一种基于物联网的保护地综合监控平台及其方法 |
CN110472661B (zh) * | 2019-07-10 | 2023-04-28 | 北京吉威数源信息技术有限公司 | 基于历史本底和现时遥感影像的自动变化检测方法和系统 |
CN111739067A (zh) * | 2020-05-28 | 2020-10-02 | 中国国土勘测规划院 | 一种遥感影像变化检测方法及装置 |
CN111680704B (zh) * | 2020-06-11 | 2021-01-15 | 生态环境部卫星环境应用中心 | 海洋红线新增人类活动斑块自动化快速提取方法和装置 |
-
2021
- 2021-03-25 CN CN202110321740.5A patent/CN113033401B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992153A (zh) * | 2015-07-02 | 2015-10-21 | 中国科学院地理科学与资源研究所 | 自然保护区人类活动干扰检测方法和系统 |
CN111144340A (zh) * | 2019-12-30 | 2020-05-12 | 中山大学 | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 |
CN112115198A (zh) * | 2020-09-14 | 2020-12-22 | 宁波市测绘和遥感技术研究院 | 一种城市遥感智能服务平台 |
Also Published As
Publication number | Publication date |
---|---|
CN113033401A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033401B (zh) | 一种面向生态保护红线的人类活动变化识别监管方法 | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
EP3022686B1 (en) | Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures | |
CN110196892B (zh) | 一种基于物联网的保护地综合监控平台及其方法 | |
Elberink et al. | Detection of collapsed buildings by classifying segmented airborne laser scanner data | |
CN114359756A (zh) | 一种震后无人机遥感影像损毁房屋快速智能检测方法 | |
CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
CN116503705B (zh) | 一种数字城市多源数据的融合方法 | |
CN109766824A (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
Zhang et al. | Building footprint and height information extraction from airborne LiDAR and aerial imagery | |
Meng et al. | Canopy structure attributes extraction from LiDAR data based on tree morphology and crown height proportion | |
CN116258869B (zh) | 一种基于Sentinel-2遥感数据的毛竹林大小年边界线提取方法 | |
Albuquerque et al. | Remotely piloted aircraft imagery for automatic tree counting in forest restoration areas: a case study in the Amazon | |
CN114742876B (zh) | 一种土地视觉立体测量方法 | |
Tao et al. | Optimal selection from extremely redundant satellite images for efficient large-scale mapping | |
CN110427961A (zh) | 一种基于规则和样本融合的建筑信息提取方法及系统 | |
CN115512159A (zh) | 面向对象的高分辨率遥感影像地表覆盖分类方法及系统 | |
Cal | High-resolution object-based building extraction using PCA of LiDAR nDSM and aerial photos | |
Ahmed et al. | High-quality building information models (BIMs) using geospatial datasets | |
Castilla et al. | The Land-cover Change Mapper (LCM) and its application to timber harvest monitoring in Western Canada | |
JP2012243226A (ja) | 地盤高データ生成装置、地盤高データ生成方法、及びプログラム | |
CN116168290B (zh) | 基于高分辨率遥感影像及三维数据的乔灌草分类方法 | |
Cornic et al. | Assessment of urban land-cover classification: Comparison between pixel and object scales | |
CN115984702B (zh) | 一种基于高分影像监测矿区林地变化的方法 |
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 |