发明内容
针对上述问题,本发明旨在提供一种面向图斑的高分辨率年度城市绿地遥感信息提取方法。
本发明的技术方案如下:
一种面向图斑的高分辨率年度城市绿地遥感信息提取方法,包括以下步骤:
获取某一年份的Google Earth高分辨率影像,根据所述Google Earth影像采集城市绿地样本;
采用深度学习的方法对所述样本进行模型训练,应用训练好的模型对所述GoogleEarth影像进行分类处理,获得初始高分辨率绿地图斑;
获取所述某一年份中逐月的多光谱影像;
根据所有月份的多光谱影像计算月度归一化植被指数,获得年度多光谱绿地图斑;
矢量化所述初始高分辨率绿地图斑和所述年度绿地图斑,然后对所述初始高分辨率绿地图斑和所述年度绿地图斑进行空间关系分析;
根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正,获得修正后的年度绿地图斑。
作为优选,所述样本的尺寸为4000×4000像素或1000×1000像素。
作为优选,所述深度学习的方法为卷积神经网络算法。
作为优选,所述卷积神经网络算法采用DlinkNet卷积神经网络算法或UNet卷积神经网络算法。
作为优选,所述多光谱影像通过Sentinel 2卫星获得。
作为优选,计算所述月度归一化植被指数之后,还包括将所述月度归一化植被指数进行季节时间序列特征分类的步骤。
作为优选,根据所有月份的多光谱影像计算月度归一化植被指数,获得年度多光谱绿地图斑时,根据季节性的归一化植被指数特征对所述多光谱影像进行分类,且分类时采用Random Forest算法。
作为优选,根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正具体包括以下三条并行的修正规则:
修正规则一:若Google Earth影像提取结果为面积大于阈值一的绿地,且所述多光谱影像提取结果为非绿地,则去除所述绿地;
若Google Earth影像提取结果为绿地,且所述绿地的面积小于阈值一,则对所述绿地进行目视检测;若是绿地则保留所述绿地,若是非绿地则去除所述绿地;
修正规则二:若多光谱影像提取结果为绿地,则检查Google Earth影像的提取结果中是否有弱分类的绿地,若有,则将所述弱分类的绿地替换为强分类的绿地;
修正规则三:根据所述初始绿地图斑提取绿地图斑外边界,若所述外边界内包含的非绿地面积大于阈值二,且所述多光谱影像提取结果为绿地,则对所述非绿地进行填充将其归类为绿地。
作为优选,所述阈值一为一颗树的树冠面积。
作为优选,所述阈值二为一间房屋的大小。
作为优选,还包括根据所述修正后的年度绿地图斑,计算每个图斑内部时间序列特征,获取面向图斑的绿地变化信息的步骤。
本发明的有益效果是:
本发明以Google Earth影像通过深度学习获得的初始高分辨率绿地图斑为基础,结合通过Sentinel 2获得的年度多光谱绿地图斑进行空间分析,并通过三条并行的绿地图斑修正规则对所述初始高分辨率绿地图斑进行修正,最终获得精度稳定的高分辨率年度城市绿地信息。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明面向图斑的高分辨率年度城市绿地遥感信息提取方法的流程示意图;
图2为某地原始遥感图像示意图;
图3为图2遥感图像采用DlinkNet卷积神经网络算法识别绿地图斑的结果示意图;
图4为图2遥感图像采用UNet卷积神经网络算法识别绿地图斑的结果示意图;
图5为某样本一的Google Earth原始图片及其初始高分分辨率绿地图斑识别结果示意图;
图6为某样本一的Sentinel 2原始影像合成图及其年度绿地图斑结果示意图;
图7为某样本二采用修正规则一进行修正的年度绿地图斑结果示意图;
图8为某样本三采用修正规则二进行修正的年度绿地图斑结果示意图;
图9为某样本四采用修正规则三进行修正的年度绿地图斑结果示意图;
图10为某样本五的春夏秋冬四季变化的时间序列信息结果示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是,除非另有指明,本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
如图1所示,本发明提供一种面向图斑的高分辨率年度城市绿地遥感信息提取方法,包括以下步骤:
S111:获取某一年份的Google Earth高分辨率影像,根据所述Google Earth影像采集城市绿地样本。
在一个具体的实施例中,所述样本的尺寸为4000×4000像素(对应Google Earth20级影像)或1000×1000像素(对应Google Earth 18级影像)。需要说明的是,所述样本的尺寸大小根据像源的影像级别及计算机处理能力进行确定,上述实施例中的样本尺寸并非对发明样本尺寸的限定,只要样本为N×N大小的图片即可。
S112:采用深度学习的方法对所述样本进行模型训练,应用训练好的模型对所述Google Earth影像进行分类处理,获得初始高分辨率绿地图斑。
在一个具体的实施例中,所述深度学习的方法为卷积神经网络算法。可选地,所述卷积神经网络算法采用DlinkNet卷积神经网络算法或UNet卷积神经网络算法。
在一个具体的实施例中,分别采用DlinkNet卷积神经网络算法和UNet卷积神经网络算法对图2所示的原始遥感图像进行分类处理,结果分别如图3和图4所示。对比图2和图3可以看出,对于图2中的各种大小的树、草地等主要城市绿地,DlinkNet卷积神经网络算法均能准确识别其边界,其分类结果优于常见基于影像分割的提取方法。对比图2和图4可以看出,图2中的各类绿地UNet卷积神经网络算法也均能较好地实现提取,但对比图3和图4,UNet卷积神经网络算法未能全部识别出部分细小的绿地,识别结果的空间形态不如DLinkNet卷积神经网络算法完善,但是分类结果已经基本可以满足一般要求。
需要说明的是,除了上述可满足后续分析精度要求的算法外,本发明所述深度学习方法还可采用现有技术中的其他深度学习方法,例如DeepNetV3卷积神经网络算法等。
S121:获取所述某一年份中逐月的多光谱影像。可选地,所述多光谱影像通过Sentinel 2卫星获得。
S122:根据所有月份的多光谱影像计算月度归一化植被指数,获得年度多光谱绿地图斑。
在一个具体的实施例中,根据所有月份的多光谱影像计算月度归一化植被指数,获得年度多光谱绿地图斑时,根据季节性的归一化植被指数特征对所述多光谱影像进行分类,且分类时采用Random Forest算法。
S200:矢量化所述初始高分辨率绿地图斑和所述年度绿地图斑,然后对所述初始高分辨率绿地图斑和所述年度绿地图斑进行空间关系分析。
S300:根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正,获得修正后的年度绿地图斑。
在一个具体的实施例中,根据所述空间关系分析的结果对所述初始高分辨率绿地图斑进行修正具体包括以下三条并行的修正规则:
修正规则一:若Google Earth影像提取结果为面积大于阈值一的绿地,且所述多光谱影像提取结果为非绿地,则去除所述绿地(对于此种情况,可能是由于Google Earth影像提取错误或者时向错误的原因造成的);若Google Earth影像提取结果为绿地,且所述绿地的面积小于阈值一,则对所述绿地进行目视检测;若是绿地则保留所述绿地,若是非绿地则去除所述绿地。
可选地,所述阈值一为一颗树的树冠面积。需要说明的是,选择的树为任意景观树或其他树木,所述阈值一也可直接设置为一个具体的面积范围。
修正规则二:若多光谱影像提取结果为绿地,则检查Google Earth影像的提取结果中是否有弱分类的绿地,若有,则将所述弱分类的绿地替换为强分类的绿地。
需要说明的是,所述弱分类和所述强分类是根据初始绿地图斑的结果自定义的,具体的通过深度学习确定的绿地结果具有0-100的值,该值的大小表明了该像素为绿地的概率大小,值越大是真实绿地的概率越大,可根据该值的大小将结果分为0-50的弱分类绿地以及50-100的强分类绿地。需要说明的是,也可将强弱分类绿地的分类边界值选为其他值,例如40、60、70等等。
修正规则三:根据所述初始绿地图斑提取绿地图斑外边界,若所述外边界内包含的非绿地面积大于阈值二,且所述多光谱影像提取结果为绿地,则对所述非绿地进行填充将其归类为绿地。需要说明的是,此种情况对应Google Earth影像获取时间上的某块绿地的植被稀疏的情况,对应年度时间范围,仍将该地归类为绿地。
可选地,所述阈值二为一间房屋的大小。需要说明的是,所述阈值二也可以是几间房屋的面积总和,具体可根据不同的场景进行区别设置。
在一个具体的实施例中,本发明所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法,在计算所述月度归一化植被指数之后,还包括将所述月度归一化植被指数进行季节时间序列特征分类的步骤。
在一个具体的实施例中,本发明所述的面向图斑的高分辨率年度城市绿地遥感信息提取方法,还包括根据所述修正后的年度绿地图斑,计算每个图斑内部时间序列特征,获取面向图斑的绿地变化信息的步骤。
实施例1
中国四川省成都市的某区域内的城市绿地包含了从低密度到高密度的树木、草地等常见类型,具有代表性,以其为本发明的实施范围,该区域的年度城市绿地遥感信息提取方法具体包括以下步骤:
首先,通过Google Earth获得该区域2020年的20级影像,通过Sentinel 2卫星获得该区域2020年1-12月份的影像;
其次,根据获取的Google Earth 20级影像采集60个尺寸均为4000×4000像素的样本,并采用DlinkNet卷积神经网络算法对所有样本进行模型训练,应用训练好的模型对所述Google Earth 20级影像进行分类处理,获得初始高分辨率绿地图斑。其中某样本一的原始图片及其初始高分分辨率绿地图斑识别结果如图5所示,其中,图5(a)为该样本的原始图片,图5(b)为该样本通过DlinkNet卷积神经网络算法识别到的初始高分分辨率绿地图斑结果示意图。从图5可以看出,本发明提供的深度学习方法能够提取到准确的高分辨率绿地图斑轮廓。
再次,对获得的Sentinel 2影像进行去云合成处理,计算月度归一化植被指数并构建春夏秋冬4个季节的最小值、最大值、平均值的时序特征,并取其中具有10米空间分辨率的蓝、绿、红与近红外4个波段组成分类特征,采用Random Forest模型进行影像分类并矢量化后获得该区域的年度绿地图斑。其中上述步骤中的某样本一的Sentinel 2原始影像合成图及其年度绿地图斑结果如图6所示,其中,图6(a)为该样本的Sentinel 2原始影像,图6(b)为该样本年度绿地图斑结果示意图。
然后,根据所述初始高分辨率绿地图斑和所述年度绿地图斑进行空间关系分析,根据空间分析结果对所述初始高分辨率绿地图斑采用三条并行的修正规则进行修正,获得修正后的年度绿地图斑。
其中某样本二采用修正规则一进行修正的结果如图7所示,其中,图7(a)为该样本的Google Earth原始影像,图7(b)为该样本的初始高分辨率绿地图斑,图7(c)为该样本的年度绿地图斑,图7(d)为该样本采用修正规则一修正后的年度绿地图斑结果示意图。从图7可以看出,原始影像中的绿色操场部分因其颜色的关系,被深度学习方法识别为了绿地图斑,模型提取错误,而在结合多光谱的年度绿地图斑以及修正规则一进行修正后,最终的年度绿地图斑结果与实际相符,本发明的提取方法提取结果精确。
其中某样本三采用修正规则二进行修正的结果如图8所示,其中,图8(a)为该样本的Google Earth原始影像,图8(b)为该样本的初始高分辨率绿地图斑,图8(c)为该样本的年度绿地图斑,图8(d)为该样本采用修正规则二修正后的年度绿地图斑结果示意图。从图8可以看出,结合多光谱的年度绿地图斑以及修正规则二进行修正后,最终的年度绿地图斑结果比初始高分辨率绿地图斑准确度更高,与实际更加相符,本发明的提取方法提取结果精确。
其中某样本四采用修正规则三进行修正的结果如图9所示,其中,图9(a)为该样本的Google Earth原始影像,图9(b)为该样本的初始高分辨率绿地图斑,图9(c)为该样本的年度绿地图斑,图9(d)为该样本采用修正规则三修正后的年度绿地图斑结果示意图。从图9可以看出,结合多光谱的年度绿地图斑以及修正规则三进行修正后,最终的年度绿地图斑结果比初始高分辨率绿地图斑准确度更高,与实际更加相符,本发明的提取方法提取结果精确。
最后,以修正后的年度绿地图斑为边界,前述步骤获得的时序特征计算其中从1月到12月的归一化植被指数的变化,获得其年度变化的时间序列信息。
其中某样本五的春夏秋冬四个季节变化的时间序列信息如图10所示,图10中亮度越高的区域代表其植被越茂盛。从图10可以看出,植被茂盛情况与植物四季生长情况一致,本发明获得的粘度变化时间序列信息精确。
通过上述实施例的结果可以发现,本发明提供的提取方法通过首先获取高分辨率的绿地图斑轮廓信息,然后以图斑为基本分析单元,结合多光谱影像对其提取结果的模型错误或时相不一致误差进行修正,最终获得结果准确的年度城市绿地遥感信息。另外,还可进一步结合多光谱影像的时间序列特征获取各个绿地图斑内部植被变化的年度时间序列信息。
综上所述,本发明提供的方法能够实现以面向图斑的高分辨率城市绿地信息的准确提取,并提供比一般方法更精细的形态特征和更丰富的光谱变化信息。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。