CN113158767A - 一种基于光谱特性的钉螺孳生地识别方法 - Google Patents

一种基于光谱特性的钉螺孳生地识别方法 Download PDF

Info

Publication number
CN113158767A
CN113158767A CN202110233232.1A CN202110233232A CN113158767A CN 113158767 A CN113158767 A CN 113158767A CN 202110233232 A CN202110233232 A CN 202110233232A CN 113158767 A CN113158767 A CN 113158767A
Authority
CN
China
Prior art keywords
oncomelania
breeding
index
identification
points
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
Application number
CN202110233232.1A
Other languages
English (en)
Other versions
CN113158767B (zh
Inventor
刘新
张志杰
苏亚聪
高风华
孙阳
徐爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202110233232.1A priority Critical patent/CN113158767B/zh
Publication of CN113158767A publication Critical patent/CN113158767A/zh
Application granted granted Critical
Publication of CN113158767B publication Critical patent/CN113158767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • 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
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于光谱特性的钉螺孳生地识别方法，属于遥感影像技术领域，包括以下步骤：获取识别区域的多时期多光谱卫星遥感影像；确定识别区域的“冬陆夏水”区域；获得识别区域的钉螺孳生点坐标、非钉螺孳生点坐标；制作光谱曲线对比图；删除灰度值失真影像；分析各波段在钉螺孳生点的反射、吸收特性；分析各波段在非钉螺孳生点的反射、吸收特性；确定参与钉螺指数构建的波段；构建钉螺指数；计算钉螺指数、植被指数和湿度指数；对影像进行阈值分割；根据总体精度和Kappa系数检验指数计算钉螺孳生地的识别精度；确定最优指数；根据最优指数的识别结果制作钉螺孳生地地图；完成基于光谱特性的钉螺孳生地识别。

Description

一种基于光谱特性的钉螺孳生地识别方法
技术领域
本发明公开了一种基于光谱特性的钉螺孳生地识别方法，属于摄影测量与遥感技术领域。
背景技术
血吸虫病是一种自然疫源和地方性人畜共患性寄生虫病，凡有血吸虫病流行的地方必有钉螺孳生，钉螺是血吸虫唯一中间宿主，消灭血吸虫病战略的关键措施是确定钉螺孳生地。识别钉螺孳生地的方法主要有实地调查和遥感监测。传统实地查找钉螺孳生位置费时费力，调查结果受人为因素的干扰。用遥感技术手段监测钉螺孳生地，用实测数据验证监测结果，实现钉螺孳生地的自动化监测识别，提高识别效率。
现有遥感识别钉螺孳生地的方法，是利用钉螺孳生在“冬陆夏水，无草不见螺”区域，或者是根据钉螺的生存和繁殖受温度、植被、土壤等自然因素影响的特点，用单一或多种指数识别钉螺孳生地。如分别利用水体指数、植被指数或湿度指数等单一指数识别钉螺孳生地。为提高识别的精度，综合植被指数(NDVI)、地表温度和土壤湿度(Wetness)等多种指数，采用阈值法确定钉螺孳生地。
上述方法均是根据钉螺生存环境确定钉螺孳生地，没有根据钉螺本身的光谱特点确定钉螺孳生地。遥感影像中的可见光与近红外波段对地面环境信息有一定的敏感性，对特定地物的识别有很好的效果，本发明根据钉螺孳生地多光谱遥感影像的光谱特征，构建钉螺指数，识别钉螺孳生地。
发明内容
本发明公开了一种基于光谱特性的钉螺孳生地识别方法，以解决现有技术中确定钉螺孳生地没有依据钉螺地本身的光谱特点的问题。
一种基于光谱特性的钉螺孳生地识别方法，包括以下步骤：
S1.选择识别区域，获取识别区域的多时期多光谱卫星遥感影像；
S2.对识别区域的卫星遥感影像进行辐射定标和大气纠正；
S3.确定识别区域的“冬陆夏水”区域；
S4.获取识别区域的钉螺孳生点坐标并构成钉螺孳生点样本；
获取识别区域的非钉螺孳生点坐标并构成非钉螺孳生点样本；
S5.制作钉螺孳生点和非钉螺孳生点在所有波段下的各时期光谱曲线对比图；
S6.将步骤S5中单一时期下钉螺孳生点和非钉螺孳生点光谱曲线平行的影像作为灰度值失真影像删除；
S7.根据光谱曲线分析各波段在钉螺孳生点的反射、吸收特性；
S8.根据光谱曲线分析各波段在非钉螺孳生点的反射、吸收特性；
S9.结合各波段在卫星遥感影像中的探测作用及步骤S7、步骤S8的分析结果，确定参与钉螺指数构建的波段；
S10.构建钉螺指数；
S11.计算钉螺指数、归一化差值植被指数和湿度指数；
计算上述三种指数时使用波段的地表反射率进行运算；
S12.对影像进行阈值分割；
S13.分别使用总体精度和Kappa系数，检验步骤S11中三种指数识别钉螺孳生地的精度；
S14.根据步骤S13的识别精度确定钉螺指数、归一化差值植被指数和湿度指数中的最优指数；
S15.根据最优指数的识别结果制作钉螺孳生地地图；
S16.完成基于光谱特性的钉螺孳生地识别。
优选地，确定“冬陆夏水”区域包括以下子步骤：
S3.1.根据识别区域丰水期的多光谱遥感影像卫星中，绿光波段和中红外波段的地表反射率，计算丰水期的归一化差值水体指数，提取相应时期的水体信息；
归一化差值水体指数计算公式为：
Figure BDA0002957288260000021
其中NDWI为归一化差值水体指数，ρGreen为Green波段的地表反射率，ρNIR为NIR波段的地表反射率，ρRed为Red波段的地表反射率；
S3.2.根据识别区域枯水期的多光谱遥感影像中，绿光波段和中红外波段的地表反射率，计算枯水期的归一化差值水体指数，提取相应时期的水体信息；
S3.3.根据丰水期与枯水期的水体范围，用裁切法得到“冬陆夏水”区域。
优选地，步骤S9中参与钉螺指数构建的波段为：Blue、Green、NIR、Red。
优选地，步骤S10中，分别采用单波段、双波段组合、三波段组合和四波段组合构建钉螺指数。
优选地，步骤S11中，植被指数具体为：
Figure BDA0002957288260000022
其中NDVI为植被指数。
优选地，步骤S12中阈值分割包括以下子步骤：
S12.1.选取钉螺孳生点样本和非钉螺孳生点样本；
S12.2.取阈值ti，根据阈值ti分类上述样本，大于ti为有螺点，用1表示，否则为无螺点，用0表示；
S12.3.计算真有螺率TPR和假有螺率FPR：
Figure BDA0002957288260000031
式中，TP为真有螺样本个数，FP为假有螺样本个数，TN为真无螺样本个数，FN为假无螺样本个数；
S12.4.以FPR为横轴，TPR为纵轴绘制ROC曲线，根据约登指数确定最优阈值，即TPR-FPR最大值对应的阈值t。
优选地，总体精度计算公式为：
Figure BDA0002957288260000032
其中n为总样本数；Kappa系数计算公式为：
Figure BDA0002957288260000033
其中，Pe为理论一致率，
Figure BDA0002957288260000034
优选地，步骤S15制作钉螺孳生地地图具体步骤为：
选取识别区域的某一期遥感影像，将空间分辨率较低的彩色影像与空间分辨率较高的全色影像进行融合，将彩色影像的空间分别率提高到全色影像空间分辨率，以融合后的遥感影像为底图，将导出的属性为1的栅格颜色设置为显著颜色进行空间叠加，得到识别区域内钉螺孳生地地图。
优选地，完成步骤S15后，将多时期卫星遥感影像按照所属时期划分至四个季节，在每个季节的卫星遥感影像中通过精度对比选取识别精度最高的一幅卫星遥感影像，作为该幅影像所属季节的识别影像，将各季节的识别影像叠加到全色波段影像上，得到识别区域钉螺孳生地季节性地图。
与现有技术相比，本发明的有益效果是，提供了一种全新的钉螺孳生地识别方法，利用钉螺光谱特性构建指数，获取了相对比现有技术更高的钉螺孳生地识别成果；有助于相关部门锁定血吸虫病防控的首要和重点区域，合理配置有限的卫生资源，从而实现最优的成本-效果。
附图说明
图1为实施例中鄱阳湖的地理位置图；
图2为实施例中辐射定标和大气纠正后的鄱阳湖LadSat8-OLI影像图；
图3为实施例中鄱阳湖钉螺实测数据地理位置图；
图4为实施例中多时相鄱阳湖光谱曲线图；
图5为实施例中春夏秋冬影像的识别精度视图，其中abcd分别表示春夏秋冬；
图6为实施例中鄱阳湖四季钉螺孳生地分布图，其中abcd分别表示春夏秋冬；
图7为实施例中2014-2017年钉螺孳生地变化图，其中abcd分别表示2014-2017年。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明：
鄱阳湖区是湖沼型血吸虫病流行区，由于鄱阳湖频繁的水位波动，导致长期存在大面积的钉螺孳生地。鄱阳湖频繁的水位波动、高风险地区居民传统的畜牧和养殖方式等复杂原因，导致人、畜血吸虫病感染与再感染概率高，本申请的实施例以鄱阳湖为研究区，识别钉螺孳生地，鄱阳湖的地理位置图如图1所示。
一种基于光谱特性的钉螺孳生地识别方法，包括以下步骤：
S1.选择识别区域，获取识别区域的多时期多光谱卫星遥感影像；
Landsat-8OLI有Blue、Green、Red和NIR等空间分辨率为30m的8个单色波段和一个空间分辨率为15m的全色波段PAN。其中，Blue波段用于水体穿透，分辨土壤和植被，主要用于分析土地利用；3-Green波段处于叶绿素吸收区，主要用于分辨植被，区分植被类型；4-Red波段主要用于观测道路、裸露土壤和植被种类等。NIR波段主要用于探测植物含水量和土壤湿度。鄱阳湖LandSat-8 OLI影像,行列号为120/40，选取云量小于10％的影像，最终确定了2013-2018年成像的共计19幅遥感影像。
S2.利用ENVI软件对识别区域的卫星遥感影像进行辐射定标和大气纠正，如图2所示；
S3.确定识别区域的“冬陆夏水”区域；
S4.获取识别区域的钉螺孳生点坐标并构成钉螺孳生点样本；
获取识别区域的非钉螺孳生点坐标并构成非钉螺孳生点样本；
根据现场调查和历史记录数据，在鄱阳湖湖区按照间距50米的系统间隔法，用手持GPS定位有螺点的坐标，共采集了3000个有螺点的坐标，构成有螺数据集(Presence数据集)。同样方法采集3000个无螺样本点的坐标，构成无螺数据集(Absence数据集)，上述点的空间分布如图3所示。
S5.制作钉螺孳生点和非钉螺孳生点在所有波段下的各时期光谱曲线对比图；
在NIR、SWIR1、SWIR2波段，有钉螺地物反射率值高于无钉螺地物的反射率值；在Coastal、Blue、Green、Red波段，有钉螺地物的反射率低于无钉螺地物的反射率。有螺点的反射率在NIR达到最大值，在Blue和Red波段达到最小值，即NIR波段是有螺点地物的强反射波段，Blue和Red波段是有螺点地物的强吸收波段。同样，Green和Red波段是无螺点地物的强反射波段，SWIR1和SWIR2波段是无螺点地物的强吸收波段。
S6.将步骤S5中单一时期下钉螺孳生点和非钉螺孳生点光谱曲线平行的影像作为灰度值失真影像删除；
2016/6/23、2016/7/25、2017/7/12和2017/7/28和2018/4/10共5期影像，有钉螺地物和无螺地物的光谱曲线平行，经过研究发现这5期原始影像的云量集中在研究区域附近，使研究区地物影像的灰度值失真，因此上述5期影像不参与实验。
S7.根据光谱曲线分析各波段在钉螺孳生点的反射、吸收特性；
S8.根据光谱曲线分析各波段在非钉螺孳生点的反射、吸收特性；
S9.结合各波段在卫星遥感影像中的探测作用及步骤S7、步骤S8的分析结果，确定参与钉螺指数构建的波段；
S10.构建钉螺指数，具体如表1所示。
表1螺钉指数
Figure BDA0002957288260000051
Figure BDA0002957288260000061
Figure BDA0002957288260000071
Figure BDA0002957288260000081
S11.计算钉螺指数、归一化差值植被指数和湿度指数；
计算上述三种指数时使用波段的地表反射率进行运算；
S12.对影像进行阈值分割；
S13.分别使用总体精度和Kappa系数，检验步骤S11中三种指数识别钉螺孳生地的精度；
S14.根据步骤S13的识别精度确定钉螺指数、归一化差值植被指数和湿度指数中的最优指数，识别精度对比如表2所示。
表2识别精度对比
Figure BDA0002957288260000082
Figure BDA0002957288260000091
表2给出根据I1-I63指数(其中I3对应指数被指数)以及传统湿度指数和植被指数识别14期遥感影像钉螺滋生地总体精度和Kappa的精度。根据表2，指数I2，I5,I10,I11,I13,I15,I18,I20,I30,I36,I38,I45,I47,I48,I56,I60识别钉螺地的平均总体精度优于NDVI(Overall accuracy:0.8206)和Wetness(Overall accuracy:0.8081)识别的总体精度，并且指数I2，I15,I18,I20,I30,I36,I38,I45,I47,I48,I56,I60识别钉螺地的Kappa均值大于NDVI(Kappa：0.6421)和Wetness(Kappa：0.6192)识别的Kappa。其中I30(Overallaccuracy:0.8281,Kappa：0.6572)总体精度均值分别比Wetness(Overall accuracy:0.8081)和NDVI(Overall accuracy:0.8206)识别的总体精度均值分别提高了0.02和0.0075，Kappa均值分别比Wetness(Kappa：0.6192)和NDVI(Kappa：0.6421)提高了0.038和0.0152。
S15.根据最优指数的识别结果制作钉螺孳生地地图；
S16.完成基于光谱特性的钉螺孳生地识别。
确定“冬陆夏水”区域包括以下子步骤：
S3.1.根据识别区域丰水期的多光谱遥感影像卫星中，绿光波段和中红外波段的地表反射率，计算丰水期的归一化差值水体指数，提取相应时期的水体信息；
归一化差值水体指数计算公式为：
Figure BDA0002957288260000101
其中NDWI为归一化差值水体指数，ρGreen为Green波段的地表反射率，ρNIR为NIR波段的地表反射率，ρRed为Red波段的地表反射率；
S3.2.根据识别区域枯水期的多光谱遥感影像中，绿光波段和中红外波段的地表反射率，计算枯水期的归一化差值水体指数，提取相应时期的水体信息；
S3.3.根据丰水期与枯水期的水体范围，用裁切法得到“冬陆夏水”区域。
步骤S9中参与钉螺指数构建的波段为：Blue、Green、NIR、Red。
步骤S10中，分别采用单波段、双波段组合、三波段组合和四波段组合构建钉螺指数。
步骤S11中，植被指数具体为：
Figure BDA0002957288260000102
其中NDVI为植被指数。
湿度指数具体为：
Wetness＝a1*ρBlue+a2*ρGreen+a3*ρRed+a4*ρNIR-a5*ρSWIR1+a6*ρSWIR2，其中Wetness为湿度指数，ρGreen、ρNIR、ρRed、ρBlue、ρSWIR1、ρSWIR2分别是Green、NIR、Red、Blue、SWIR1和SWIR2波段的地表反射率，a1,…,a6为上述波段的系数。
步骤S12中阈值分割包括以下子步骤：
S12.1.选取钉螺孳生点样本和非钉螺孳生点样本；
S12.2.取阈值ti，根据阈值ti分类上述样本，大于ti为有螺点，用1表示，否则为无螺点，用0表示；
S12.3.计算真有螺率TPR和假有螺率FPR：
Figure BDA0002957288260000103
式中，TP为真有螺样本个数，FP为假有螺样本个数，TN为真无螺样本个数，FN为假无螺样本个数；
S12.4.以FPR为横轴，TPR为纵轴绘制ROC曲线，根据约登指数确定最优阈值，即TPR-FPR最大值对应的阈值t。
总体精度计算公式为：
Figure BDA0002957288260000111
其中n为总样本数；Kappa系数计算公式为：
Figure BDA0002957288260000112
其中，Pe为理论一致率，
Figure BDA0002957288260000113
步骤S15制作钉螺孳生地地图具体步骤为：
选取识别区域的某一期遥感影像，将空间分辨率较低的彩色影像与空间分辨率较高的全色影像进行融合，将彩色影像的空间分别率提高到全色影像空间分辨率，以融合后的遥感影像为底图，将导出的属性为1的栅格颜色设置为显著颜色进行空间叠加，得到识别区域内钉螺孳生地地图。
完成步骤S15后，将多时期卫星遥感影像按照所属时期划分至四个季节，在每个季节的卫星遥感影像中通过精度对比选取识别精度最高的一幅卫星遥感影像，作为该幅影像所属季节的识别影像，将各季节的识别影像叠加到全色波段影像上，得到识别区域钉螺孳生地季节性地图。
根据采集遥感影像时间，将15期Landsat-8影像分为春、夏、秋和冬共计四个时相，春季影像包括2014/5/1和2017/5/9共2期；夏季影像包括2014/10/8、2015/9/9、2017/8/29和2017/9/14影像共4期；秋季影像包括2014/10/8、2014/10/24、2015/10/11、2016/9/27和2017/11/1共5期；冬季影像包括2014/3/14、2016/2/16和2016/3/3共3期。对比根据I1，I2，…,I63、NDVI和Wetness识别有螺点，识别的kappa系数和总体精度如图5所示。
根据图5a,在春季影像的指数试验中：根据指数I1、I2、…、I63、NDVI和Wetness识别2017/5/9期影像钉螺孳生地的用户精度和Kappa系数均优于基于2014/5/1影像识别的精度；
根据图5b，在夏季影像的指数试验中：根据指数I1、I2、…、I63、NDVI和Wetness识别2015/9/9期影像钉螺孳生地的用户精度和Kappa系数均优于基于夏季其他遥感影像(2014/10/8，2017/8/29和2017/9/14)识别的精度；
根据图5c，在秋季影像的指数试验中：根据指数I1、I2、…、I63、NDVI和Wetness识别秋季5期影像的钉螺孳生地，2014/10/24期遥感影像识别精度高于2014/10/8期遥感影像识别精度，2014/10/24和2015/10/11两期影像识别精度相近，2016/9/27期遥感影像识别精度优于2015/10/11与2017/11/11的遥感影像精度；
根据图5d，在冬季影像的指数试验中：根据指数I1、I2、…、I63、NDVI和Wetness识别冬季3期影像的钉螺孳生地，2016年的遥感影像精度高于2014年的遥感影像精度，且2016/2/16期遥感影像识别精度高于2016/3/3期遥感影像精度。
因此，分别采用2017/5/9、2015/9/9、2016/9/27、和2016/2/16四期影像识别鄱阳湖四季的钉螺地。
选取春夏秋冬四季中识别效果好的四期影像(2017/5/9、2015/9/9、2016/9/27和2016/2/16)，对比光谱特征指数(即钉螺指数)与传统指数(植被指数和湿度指数)识别钉螺孳生地的精度,结果如下表所示。
在春季影像的指数试验中：选取2017/5/9期遥感影像，指数I4、I9、I10、I14、I20、I22、I24、I29等指数的识别精度高于植被指数、土壤湿度的识别精度，其中，指数I30的总体精度0.89302和Kappa系数0.78614为最高的。因此根据I30识别2017/5/9期影像，确定鄱阳湖春季的钉螺孳生地，钉螺地的空间分布见图6a。
在夏季影像的指数试验中：选取2015/9/9期遥感影像，特征指数I5，I10，I11，I13，I15，I18，I20，I36，I38，I40等指数的识别精度高于植被指数、土壤湿度的识别精度；特征指数I13的总体精度0.88129和Kappa系数0.76257为最高的，识别钉螺孳生地较为精准。因此根据I13识别2015/9/9期影像，确定鄱阳湖夏季的钉螺孳生地，钉螺地的空间分布见图6b。
在秋季影像的指数试验中：选取2016/9/27期遥感影像，指数I2，I30的识别精度高于植被指数、土壤湿度的识别精度；指数I30的总体精度0.90292和Kappa系数0.80581为最高的，识别钉螺孳生地较为精准。因此根据I30识别2016/9/27期影像，确定鄱阳湖秋季的钉螺孳生地，钉螺地的空间分布见图6c。
在冬季影像的指数试验中：选取2016/2/16期遥感影像，特征指数I25，I26，I27，I28，I30,I48等指数的识别精度高于植被指数、土壤湿度的识别精度；特征指数I30的总体精度0.90107和Kappa系数0.80222为最高的，识别钉螺孳生地较为精准。因此根据I30识别2016/2/16期影像，确定鄱阳湖秋季的钉螺孳生地，钉螺地的空间分布见图6d。
综上实验分析，构建的特征指数I30的识别效果最好，秋季影像识别精度最高。
表3-表6为各季节指数识别精度表，表4-表7依次对应春夏秋冬。
Figure BDA0002957288260000121
Figure BDA0002957288260000131
根据研究区内的县级行政区划图，计算得出各县的钉螺孳生地面积变化，如表7所示。研究得出，九江县、南昌县、新建县、波阳县、余干县等的钉螺孳生地面积占比较大，基本上四季钉螺面积变化不大，属于常年有螺地带；永修县、南昌市区随四季变化钉螺孳生地面积改变；彭泽县、德安县、东乡县距鄱阳湖距离较远，钉螺孳生地面积相对较小。
表7各县四季钉螺孳生地分布图(km2)
Figure BDA0002957288260000132
Figure BDA0002957288260000141
由表8可知，2014-2017年中，星子县、都昌县、九江县等鄱阳湖周边的15个县常年有螺，钉螺孳生面积有些许差异。其中九江县、南昌县、余干县、波阳县等县钉螺孳生地面积常年较大，九江县、南昌县、南昌市区钉螺孳生地面积变化明显，应是因为此三县位于鄱阳湖周边，据鄱阳湖距离较近，地理环境因丰水期、枯水期引起的水位变化使得地面湿度较高，更加适合钉螺孳生。
表8各县2014-2017年钉螺孳生地面积变化(km2)
县 2014 2015 2016 2017
星子县 58.15 75.52 61.36 61.90
都昌县 136.13 137.08 145.39 140.07
九江县 749.97 721.24 670.61 551.16
九江市 35.38 39.28 37.33 40.96
湖口县 30.32 36.74 28.32 38.44
永修县 68.45 84.37 57.06 83.58
南昌市 24.43 42.37 24.94 43.39
南昌县 575.97 655.88 590.25 654.25
新建县 267.10 291.38 249.34 292.42
彭泽县 14.40 15.10 15.09 15.41
波阳县 394.43 443.89 408.19 416.45
余干县 630.76 668.43 625.97 669.74
进贤县 314.89 318.57 318.65 352.02
德安县 15.00 15.90 15.28 16.17
东乡县 15.97 16.42 16.32 16.44
根据钉螺地的光谱特征构建指数识别钉螺地精度是可行的。根据实测有螺点和无螺点的光谱特征(强吸收光谱和强反射光谱)，组合构建指数I1-I63,根据指数识别有螺地，其中，I2、I15、I18、I20、I30、I36、I38、I45、I47、I48、I56、I60等12个指数识别有螺地总体精度和Kappa的均值大于传统的NDVI和Wetness，其中精度最优的指数是I30(Overallaccuracy:0.8281，Kappa：0.6572)，这比NDVI分别提高了0.0075和0.0151，比Wetness分别提高了0.0200和0.0151。指数I30识别春季影像总体精度和Kappa比NDVI分别提高了0.0106和0.0211；指数I13识别夏季影像总体精度和Kappa比NDVI分别提高了0.0029和0.0057，指数I30识别夏季影像总体精度和Kappa比NDVI分别提高了0.0018和0.0038。指数I30识别秋影像总体精度和Kappa比NDVI分别提高了0.0127和0.0154。指数I30识别冬季影像总体精度和Kappa比NDVI分别提高了0.0045和0.0091。
钉螺孳生地大多分布在鄱阳湖水域边缘的外围洲滩区域，鄱阳湖的水域及植被稀疏的土壤区域没有钉螺。这是由于鄱阳湖的外围洲滩区域在不同季节频繁的出现水陆交替变化，并且混生苔草、芦苇等多种植物群，植物物种丰富度高，构成了适宜钉螺生长和繁殖的理想微环境；而由于钉螺的水淹时间过长不适宜生存，因此无钉螺识别结果为鄱阳湖水域。春夏秋三季的钉螺孳生地识别分布范围大致相同，差别不大；冬季的识别的钉螺孳生地空间范围小于其他三季，应是因为冬季的气候不适宜植被生长，而钉螺的繁殖植被是必不可少的，因此冬季的钉螺孳生地空间范围减小。但是根据表4至表7的钉螺孳生地识别精度对比，根据春(overall accuracy：0.893，Kappa：0.786)，夏(overall accuracy：0.882，Kappa：0.763)、秋(overall accuracy：0.903，Kappa：0.806)和冬(overall accuracy：0.901，Kappa：0.802)四个季节采集影像识别钉螺地精度相近，因此，不同季节的遥感影像对识别结果差异无太大影响。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (9)

1.一种基于光谱特性的钉螺孳生地识别方法，其特征在于，包括以下步骤：
S1.选择识别区域，获取识别区域的多时期多光谱卫星遥感影像；
S2.对识别区域的卫星遥感影像进行辐射定标和大气纠正；
S3.确定识别区域的“冬陆夏水”区域；
S4.获取识别区域的钉螺孳生点坐标并构成钉螺孳生点样本；
获取识别区域的非钉螺孳生点坐标并构成非钉螺孳生点样本；
S5.制作钉螺孳生点和非钉螺孳生点在所有波段下的各时期光谱曲线对比图；
S6.将步骤S5中单一时期下钉螺孳生点和非钉螺孳生点光谱曲线平行的影像作为灰度值失真影像删除；
S7.根据光谱曲线分析各波段在钉螺孳生点的反射、吸收特性；
S8.根据光谱曲线分析各波段在非钉螺孳生点的反射、吸收特性；
S9.结合各波段在卫星遥感影像中的探测作用及步骤S7、步骤S8的分析结果，确定参与钉螺指数构建的波段；
S10.构建钉螺指数；
S11.计算钉螺指数、归一化差值植被指数和湿度指数；
计算上述三种指数时使用波段的地表反射率进行运算；
S12.对影像进行阈值分割；
S13.分别使用总体精度和Kappa系数，检验步骤S11中三种指数识别钉螺孳生地的精度；
S14.根据步骤S13的识别精度确定钉螺指数、归一化差值植被指数和湿度指数中的最优指数；
S15.根据最优指数的识别结果制作钉螺孳生地地图；
S16.完成基于光谱特性的钉螺孳生地识别。
2.根据权利要求1所述的基于光谱特性的钉螺孳生地识别方法，其特征在于，确定“冬陆夏水”区域包括以下子步骤：
S3.1.根据识别区域丰水期的多光谱遥感影像卫星中，绿光波段和中红外波段的地表反射率，计算丰水期的归一化差值水体指数，提取相应时期的水体信息；
归一化差值水体指数计算公式为：
Figure FDA0002957288250000011
其中NDWI为归一化差值水体指数，ρGreen为Green波段的地表反射率，ρNIR为NIR波段的地表反射率，ρRed为Red波段的地表反射率；
S3.2.根据识别区域枯水期的多光谱遥感影像中，绿光波段和中红外波段的地表反射率，计算枯水期的归一化差值水体指数，提取相应时期的水体信息；
S3.3.根据丰水期与枯水期的水体范围，用裁切法得到“冬陆夏水”区域。
3.根据权利要求1所述的基于光谱特性的钉螺孳生地识别方法，其特征在于，步骤S9中参与钉螺指数构建的波段为：Blue、Green、NIR、Red。
4.根据权利要求1所述的基于光谱特性的钉螺孳生地识别方法，其特征在于，步骤S10中，分别采用单波段、双波段组合、三波段组合和四波段组合构建钉螺指数。
5.根据权利要求2所述的基于光谱特性的钉螺孳生地识别方法，其特征在于，步骤S11中，植被指数具体为：
Figure FDA0002957288250000021
其中VDVI为植被指数。
6.根据权利要求1所述的基于光谱特性的钉螺孳生地识别方法，其特征在于，步骤S12中阈值分割包括以下子步骤：
S12.1.选取钉螺孳生点样本和非钉螺孳生点样本；
S12.2.取阈值ti，根据阈值ti分类上述样本，大于ti为有螺点，用1表示，否则为无螺点，用0表示；
S12.3.计算真有螺率TPR和假有螺率FPR：
Figure FDA0002957288250000022
式中，TP为真有螺样本个数，FP为假有螺样本个数，TN为真无螺样本个数，FN为假无螺样本个数；
S12.4.以FPR为横轴，TPR为纵轴绘制ROC曲线，根据约登指数确定最优阈值，即TPR-FPR最大值对应的阈值t。
7.根据权利要求6所述的基于光谱特性的钉螺孳生地识别方法，其特征在于，总体精度计算公式为：
Figure FDA0002957288250000023
其中n为总样本数；Kappa系数计算公式为：
Figure FDA0002957288250000024
其中，Pe为理论一致率，
Figure FDA0002957288250000025
8.根据权利要求1所述的基于光谱特性的钉螺孳生地识别方法，其特征在于，步骤S15制作钉螺孳生地地图具体步骤为：
选取识别区域的某一期遥感影像，将空间分辨率较低的彩色影像与空间分辨率较高的全色影像进行融合，将彩色影像的空间分别率提高到全色影像空间分辨率，以融合后的遥感影像为底图，将导出的属性为1的栅格颜色设置为显著颜色进行空间叠加，得到识别区域内钉螺孳生地地图。
9.根据权利要求1所述的基于光谱特性的钉螺孳生地识别方法，其特征在于，完成步骤S15后，将多时期卫星遥感影像按照所属时期划分至四个季节，在每个季节的卫星遥感影像中通过精度对比选取识别精度最高的一幅卫星遥感影像，作为该幅影像所属季节的识别影像，将各季节的识别影像叠加到全色波段影像上，得到识别区域钉螺孳生地季节性地图。
CN202110233232.1A 2021-03-02 2021-03-02 一种基于光谱特性的钉螺孳生地识别方法 Active CN113158767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110233232.1A CN113158767B (zh) 2021-03-02 2021-03-02 一种基于光谱特性的钉螺孳生地识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110233232.1A CN113158767B (zh) 2021-03-02 2021-03-02 一种基于光谱特性的钉螺孳生地识别方法

Publications (2)

Publication Number Publication Date
CN113158767A true CN113158767A (zh) 2021-07-23
CN113158767B CN113158767B (zh) 2022-09-30

Family

ID=76883918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110233232.1A Active CN113158767B (zh) 2021-03-02 2021-03-02 一种基于光谱特性的钉螺孳生地识别方法

Country Status (1)

Country Link
CN (1) CN113158767B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102540169A (zh) * 2012-01-11 2012-07-04 武汉大学 一种基于遥感影像的水体制图产品质量评价方法
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
CN108007880A (zh) * 2017-11-30 2018-05-08 洛阳师范学院 一种树种光谱曲线多边形面积指数的建立方法
CN109357711A (zh) * 2018-11-07 2019-02-19 江苏省血吸虫病防治研究所 一种追踪钉螺漂移轨迹的装置
CN209085662U (zh) * 2018-11-07 2019-07-09 江苏省血吸虫病防治研究所 一种追踪钉螺漂移轨迹的装置
CN110472184A (zh) * 2019-08-22 2019-11-19 电子科技大学 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法
CN111507303A (zh) * 2020-04-28 2020-08-07 同济大学 一种湿地植物种类检测方法
CN111832480A (zh) * 2020-07-14 2020-10-27 北京师范大学 一种基于光谱特征的油菜种植区遥感识别方法
CN112102312A (zh) * 2020-09-29 2020-12-18 滁州学院 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102540169A (zh) * 2012-01-11 2012-07-04 武汉大学 一种基于遥感影像的水体制图产品质量评价方法
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
CN108007880A (zh) * 2017-11-30 2018-05-08 洛阳师范学院 一种树种光谱曲线多边形面积指数的建立方法
CN109357711A (zh) * 2018-11-07 2019-02-19 江苏省血吸虫病防治研究所 一种追踪钉螺漂移轨迹的装置
CN209085662U (zh) * 2018-11-07 2019-07-09 江苏省血吸虫病防治研究所 一种追踪钉螺漂移轨迹的装置
CN110472184A (zh) * 2019-08-22 2019-11-19 电子科技大学 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法
CN111507303A (zh) * 2020-04-28 2020-08-07 同济大学 一种湿地植物种类检测方法
CN111832480A (zh) * 2020-07-14 2020-10-27 北京师范大学 一种基于光谱特征的油菜种植区遥感识别方法
CN112102312A (zh) * 2020-09-29 2020-12-18 滁州学院 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GUO JIA-GANG 等: "A geographic information and remote sensing based model for prediction of Oncomelania hupensis habitats in the Poyang Lake area, China", 《SCIENCE DIRECT》 *
张健钦 等: "应用知识决策树分类遥感影像识别鄱阳湖区钉螺孳生地", 《中国血吸虫病防治杂志》 *
张治英 等: "遥感图像非监督分类分析江宁县江滩钉螺孳生地植被特征", 《中华流行病学杂志》 *
饶滴滴: "基于遥感环境指标的鄱阳湖典型湿地钉螺孳生地研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Also Published As

Publication number Publication date
CN113158767B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN108764255B (zh) 一种冬小麦种植信息的提取方法
CN107527014A (zh) 县级作物种植面积遥感统计抽样调查方案设计方法
CN101435873A (zh) 基于伴生物种和群落分级的药用植物资源的遥感监测方法
CN111209871A (zh) 一种基于光学卫星影像的油菜种植地块遥感自动识别方法
CN116645603A (zh) 一种大豆种植区识别和面积测算方法
CN114519821A (zh) 一种绿色健康植被遥感识别指数的构建方法
CN115661634A (zh) 城市生态网络空间要素精准识别方法
CN115953685A (zh) 多层多尺度分割的农用大棚类型信息提取方法及系统
CN113158767B (zh) 一种基于光谱特性的钉螺孳生地识别方法
WO2005122744A1 (es) Procedimiento para la discriminación de usos de suelo y cuantificación de cubiertas vegetales mediante teledetección con fotografía aérea.
CN111192315B (zh) 一种基于多源信息的实际灌溉面积提取方法
Sarker Estimation of forest biomass using remote sensing
Mirik et al. Estimating biophysical characteristics of musk thistle (Carduus nutans) with three remote sensing instruments
Kabanda Introducing an agricultural land capability framework for land reform beneficiaries
Lam-Dao Rice crop monitoring using new generation synthetic aperture radar (SAR) imagery
Medvedeva et al. Determination of area of drought-affected crops based on satellite data (exemplified by crops in Chuvashia in 2010)
CN117648555B (zh) 一种基于空-地多因子的水土流失程度量化方法及装置
CN114067213B (zh) 基于多源遥感数据的湿地甲烷排放变化研究方法
Collu et al. On the Application of Remote Sensing Time Series Analysis for Land Cover Mapping: Spectral Indices for Crops Classification
Lanne Monitoring indigenous tropical montane forests in the Taita Hills using airborne digital camera imagery
Karms et al. Using remote sensing to improve crop water allocation in scarce water resources environment
Hnatushenko et al. Identification of Objects on Satellite Images Using the Image Texture Properties.
Watt An evaluation of LiDAR and optical satellite data for the measurement of structural attributes in British upland conifer plantation forestry
Gudmundsdottir Detection of potential arable land with remote sensing and GIS: a case study for Kjósarhreppur
Adjorlolo Estimating woody vegetation cover in an African Savanna using remote sensing and geostatistics.

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