CN113327214B - 一种连续时间序列水体遥感制图方法 - Google Patents

一种连续时间序列水体遥感制图方法 Download PDF

Info

Publication number
CN113327214B
CN113327214B CN202110544868.8A CN202110544868A CN113327214B CN 113327214 B CN113327214 B CN 113327214B CN 202110544868 A CN202110544868 A CN 202110544868A CN 113327214 B CN113327214 B CN 113327214B
Authority
CN
China
Prior art keywords
water body
remote sensing
band
image
year
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.)
Expired - Fee Related
Application number
CN202110544868.8A
Other languages
English (en)
Other versions
CN113327214A (zh
Inventor
许尔琪
李科为
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202110544868.8A priority Critical patent/CN113327214B/zh
Publication of CN113327214A publication Critical patent/CN113327214A/zh
Application granted granted Critical
Publication of CN113327214B publication Critical patent/CN113327214B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种连续时间序列水体遥感制图方法，提出了遥感影像解译训练样本点自动更新方法，及时序一致性分析与伪变化修正技术，并结合GEE大数据平台，建立了长时间序列高精度水体制图和动态监测方法，解决了目前连续时间水体遥感制图费时费力、包含大量伪变化的问题；并基于稳健马氏距离和GEE平台提供的海量遥感数据，获取了大量长时间序列准确的训练样本，有效提高了监督分类的效率和精度，同时自动化程度高，具有可移植性；同时，本发明通过对逐年的水体分类结果进行时序一致性识别，并结合年内水体信息，建立水体伪变化判别与修正规则，有效提高了水体动态变化的精度，准确提供了长时间序列水体动态信息。

Description

一种连续时间序列水体遥感制图方法
技术领域
本发明涉及水体遥感制图技术领域，尤其涉及一种连续时间序列水体遥感制图方法。
背景技术
湿地作为自然界生产力的重要组成部分，提供了各种生态服务价值，如涵养水源、调蓄洪水、迁移营养物质和沉积物以及维持生物栖息地的稳定等。由于气候变化和人类活动的影响，全球范围内大面积的湿地遭到破坏，湿地的退化缩减导致极端气候现象(如洪水和干旱)以及生物多样性降低等问题的出现。湿地是以具有常年或者季节性的水体作为其地表覆盖特征，基于遥感的水体制图已经成为长时间序列水体动态监测的重要手段，准确提取长时间序列水体空间分布、并有效提取其变化区域，对管理和保护水体具有重要的意义。
目前常用的水体遥感制图的自动及半自动方法，主要包括系列水体指数为代表的非监督分类法和基于样本的监督分类方法。例如：基于水体指数和植被指数等阈值提取方法，识别了某地区滨海水体的分布；基于目视解译获取的样本点建立典型地物的光谱库，应用监督分类方法绘制了长时间序列的全球地表水分布以及其长期变化；基于HJ-1A/B卫星，采用了支持向量机的监督分类方法提取了鄱阳湖近十年枯季水体信息；应用随机森林算法的监督分类绘制了半干旱区长期地表水范围和动态，等等。
然而，这两类遥感制图方法中，水体指数的非监督分类法存在阈值不稳定、不同水体指数的分类结果不一致、水体的混合像元低估等问题；而监督分类方法在以往案例中能够实现较高精度的水体制图，但其精度明显依赖于训练样本，获取大区域范围长时间序列的训练样本费时费力，难以满足大区域水体变化监测的要求。此外，上述两类方法在应用于大区域长时间序列水体变化监测时，往往忽略了不同时相遥感影像产生误差的叠加效应，而这些误差将叠加在最终的长时间序列制图结果中，进一步影响了水体监测变化部分的准确性。目前缺乏在大区域进行快速、准确地长时间序列水体变化监测的方法，影像中的分类误差导致了长时间序列水体制图中包含大量伪变化，使得水体的变化监测存在较大的不确定性。
因此，目前市面上亟需一种用于水体长时间序列和动态监测的快速遥感制图方法，用以解决水体遥感制图训练样本获取费时费力的难点、破解不同时相分类误差导致水体变化识别精度低的难题。
发明内容
本发明提供了一种连续时间序列水体遥感制图方法，实现快速而准确的长时间序列水体高精度制图，具有简单易用、自动化程度高以及变化识别精度高的优点。
为了解决上述技术问题，本发明实施例提供了一种连续时间序列水体遥感制图方法，包括：
获取目标区域的遥感影像，对所述遥感影像进行掩膜处理，得到预处理遥感影像；以及，根据所述遥感影像的多波段数据，计算所述目标区域的遥感指数；
对所述预处理遥感影像进行中值合成，得到合成影像；以及，获取目标区域的高分影像，根据所述高分影像和合成影像确定以预设时间段为节点的目标区域水体训练样本，建立初始水体解译训练样本数据集；
根据用于区分水体和非水体的特征参数，以及遥感指数，获取所述初始水体解译训练样本数据集在每一年度的合成影像和待分类遥感影像的特征参数数据集；并剔除地物类别已经发生变化的训练样本点，得到筛选后的训练样本；通过机器学习算法和所述筛选后的训练样本构建分类器进行逐一影像的水体监督分类，得到水体分类图；
根据所述水体分类图计算出年度水体频率，并根据预设阈值对非水体像元进行过滤，得到修正后的逐年度水体分布图；
根据所述修正后的逐年度水体分布图，提取每一个像元的水体变化时间序列信息；并建立移动窗口分析的时序一致性检测方法，提取水体出现或者消失的变化像元，作为潜在伪变化的突变像元；
根据预设修正规则，并结合所述潜在伪变化突变像元在发生变化当年的年内水体出现频率信息，对发生变化确为伪变化的像元进行修正，获得最终的水体时空分布图。
作为优选方案，所述连续时间序列水体遥感制图方法还包括：获取目标区域的海拔数据；所述对所述遥感影像进行掩膜处理，得到预处理遥感影像的步骤中，包括：
对所述遥感影像中低质量像元进行掩膜处理；以及，根据所述海拔数据计算山体坡度，根据所述山体坡度对所述遥感影像中的山体阴影进行掩膜处理，得到预处理遥感影像。
作为优选方案，所述遥感指数包括：植被指数、水体指数和穗帽变换湿度指数。
作为优选方案，所述遥感影像为LandsatSR影像，所述多波段数据包括Landsat5/7影像第1波段到第5波段和第7波段共6个波段，Landsat8影像第2波段到第7波段共6个波段；
其中，所述植被指数、水体指数和穗帽变换湿度指数的计算公式具体如下：
植被指数：NDVI＝(Nir-Red)/(Nir+Red)；
EVI＝2.5×(Nir-Red)/(Nir+6×Red-7.5×Blue+1)；
水体指数：NDWI＝(Green-Nir)/(Green+Nir)；
MNDWI＝(Green-Swir1)/(Green+Swir1)；
AWEIsh＝Blue+2.5×Green-1.5×(Nir+Swir1)-0.25×Swir2；
AWEInsh＝4×(Green-Swir1)-(0.25×NIR+2.75×Swir1)；
湿度指数：WI1＝0.0315×Blue+0.2021×Green+0.3102×Red+0.1594×Nir-0.6806×Swir1-0.6109×Swir2；
WI2＝0.1511×Blue+0.1973×Green+0.3283×Red+0.3407×Nir-0.7117×Swir1-0.4559×Swi2；
式中，Blue，Green，Red，Nir，Swir1，Swir2分别为Landsat5/7影像的波段1-蓝，波段2-绿，波段3-红，波段4-近红外，波段5-短波红外1，波段7-短波红外2；Landsat8影像的波段2-蓝，波段3-绿，波段4-红，波段5-近红外，波段6-短波红外1，波段7-短波红外2。
作为优选方案，所述用于区分水体和非水体的特征参数，包括Landsat5/7第4波段到第5波段或Landsat8第5波段到第6波段共2个光谱波段。
作为优选方案，所述剔除地物类别已经发生变化的训练样本点，得到筛选后的训练样本的步骤中，包括：
计算所述初始水体解译训练样本数据集在节点年份和非节点年份的稳健马氏距离，建立1σ准则剔除训练样本集中的离群值，得到筛选后的训练样本。
作为优选方案，所述年度水体频率的计算公式为：
Figure BDA0003073222320000041
式中，F代表年度水体频率，VO为指定年份内遥感影像的有效观测次数，WO为对该年度所有遥感影像进行水体监督分类后、分类是水体的观测次数。
作为优选方案，所述建立移动窗口分析的时序一致性检测方法，提取水体突然出现或者消失的变化像元，作为潜在伪变化突变像元的步骤中，包括：
通过建立移动窗口对提取后的像元进行时序一致性分析，将水体和非水体像元分别赋值为1和0，通过二阶差分算法识别两种变化类型仅出现一次的像元作为潜在伪变化突变像元；其中，两种变化类型包括：水体转为非水体类型和非水体转为水体类型。
作为优选方案，所述预设修正规则具体为：
规则1：对于某一年度突然出现的潜在伪变化突变像元，如果所述突变像元在该年的有效观测次数≤3或未在连续月份内出现水体信息，则认为所述突变像元是伪变化，并将该像元在该年修正为非水体；
规则2：对于某一年度突然消失的潜在伪变化突变像元，如果所述突变像元在该年的有效观测次数≤3或者年度水体频率＞0.1，则认为所述突变像元是伪变化，并将所述像元在该年修正为水体。
作为优选方案，所述根据预设阈值对非水体像元进行过滤的步骤中，所述预设阈值为0.25。
相比于现有技术，本发明实施例至少具有如下有益效果：
本发明技术方案提出了一种用于水体长时间序列和动态监测的快速遥感制图方法，通过稳健马氏距离的统计检验方法建立样本迁移学习方法，用以解决水体遥感制图训练样本获取费时费力的难点，并通过建立移动窗口变化检测和伪变化修正的方法，用以破解不同时相分类误差导致水体变化识别精度低的难题，实现快速而准确的长时间序列水体制图及变化检测，具有简单易用、自动化程度高以及变化识别精度高的优点。
附图说明
图1：为本发明实施例提供的一种连续时间序列水体遥感制图方法的步骤流程图。
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作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。
实施例
请参照图1，为本发明实施例提供的一种连续时间序列水体遥感制图方法的步骤流程图，包括步骤101至步骤106，各步骤具体如下：
步骤101，获取目标区域的遥感影像，对所述遥感影像进行掩膜处理，得到预处理遥感影像；以及，根据所述遥感影像的多波段数据，计算所述目标区域的遥感指数。
具体地，基于GEE平台获取目标区域全时段的遥感影像，此例为1986年-2019年Landsat5卫星TM传感器、Landsat7卫星ETM+传感器和Landsat8卫星OLI提供的全部SR影像。依据QA波段掩膜影像中的云和云阴影等质量差的像元。
在本实施例另一个方面中，所述连续时间序列水体遥感制图方法还包括：获取目标区域的海拔数据；根据所述海拔数据计算山体坡度，根据所述山体坡度对所述遥感影像中的山体阴影进行掩膜处理，得到预处理遥感影像。
由于山体阴影容易与水体混淆，使用SRTMDEM数据计算坡度，并利用GEE中的ee.Terrain.hillshade函数，并设置阈值，此例阈值＜95，对山体阴影进行掩膜。
在本实施例中，所述遥感指数包括：植被指数、水体指数和穗帽变换湿度指数。依据掩膜处理后的Landsat5/7第1波段到第5波段和第7波段等6个波段，Landsat8第2波段到第7波段等6个波段，计算植被指数、水体指数和穗帽变换湿度指数等8个指数，计算公式如下：
植被指数：NDVI＝(Nir-Red)/(Nir+Red)；
EVI＝2.5×(Nir-Red)/(Nir+6×Red-7.5×Blue+1)；
水体指数：NDWI＝(Green-Nir)/(Green+Nir)；
MNDWI＝(Green-Swir1)/(Green+Swir1)；
AWEIsh＝Blue+2.5×Green-1.5×(Nir+Swir1)-0.25×Swir2；
AWEInsh＝4×(Green-Swir1)-(0.25×NIR+2.75×Swir1)；
湿度指数：WI1＝0.0315×Blue+0.2021×Green+0.3102×Red+0.1594×Nir-0.6806×Swir1-0.6109×Swir2；
WI2＝0.1511×Blue+0.1973×Green+0.3283×Red+0.3407×Nir-0.7117×Swir1-0.4559×Swi2；
式中，Blue，Green，Red，Nir，Swir1，Swir2分别为Landsat5/7影像的波段1-蓝，波段2-绿，波段3-红，波段4-近红外，波段5-短波红外1，波段7-短波红外2；Landsat8影像的波段2-蓝，波段3-绿，波段4-红，波段5-近红外，波段6-短波红外1，波段7-短波红外2。
步骤102，对所述预处理遥感影像进行中值合成，得到合成影像；以及，获取目标区域的高分影像，根据所述高分影像和合成影像确定以预设时间段为节点的目标区域水体训练样本，建立初始水体解译训练样本数据集。
具体地，基于GEE平台ee.median()函数，使用一年中全部可用的Landsat影像进行中值合成，本例中采用的土地覆被分类包括了水体与非水体等两类，既可通过已有的水体或者土地覆被产品快速提取相应的水体训练样本点，也可通过目视解译选取典型的水体类型，保证训练样本点尽量均匀分布在目标区域，此例根据目标区域面积，将样本点的数量设置为500个，建立初始水体解译训练样本数据集。
步骤103，根据用于区分水体和非水体的特征参数，以及遥感指数，获取所述初始水体解译训练样本数据集在每一年度的合成影像和待分类遥感影像的特征参数数据集；并剔除地物类别已经发生变化的训练样本点，得到筛选后的训练样本数据集；通过机器学习算法和所述筛选后的训练样本构建分类器进行逐一影像的水体自动分类，得到水体分类图。
具体地，选取用于区分水体和非水体的特征参数，包括了Landsat5/7第4波段到第5波段或Landsat8第5波段到第6波段共2个光谱波段，以及植被指数、水体指数、穗帽变换湿度指数等共8个遥感指数，基于GEE平台建立训练样本集在每一年度合成影像和待分类遥感影像的特征参数数据集。
在本实施例第一方面中，所述剔除地物类别已经发生变化的训练样本点，得到筛选后的训练样本的步骤中，包括：计算所述初始水体解译训练样本数据集在节点年份和非节点年份的稳健马氏距离，建立1σ准则剔除训练样本集中的离群值，得到筛选后的训练样本。
具体地，使用R语言软件环境中的mvoutiler包，计算水体训练样本点在节点年份和非节点年份的稳健马氏距离，建立1σ统计判别准则，剔除训练样本集中的离群值，即为在节点年份到非节点年份发生地类变化的样本，对筛选后训练样本集的数量若低于初始样本量的90％，则进行目视解译补充，获取长时间序列水体解译训练样本数据集。
最后，将筛选后的训练样本及其特征参数的数据集作为随机森林分类器的输入，设置随机森林分类器参数，此例将参数treenumber设置为300，每棵树选取的特征数量为波段和遥感指数总数的平方根，每棵树输入的训练数量为总样本量的63％，进行逐一影像的水体监督分类的自动解译。
步骤104，根据所述水体分类图计算出年度水体频率，并根据预设阈值对非水体像元进行过滤，得到修正后的逐年度水体分布图。
具体地，将逐一影像的水体分类图以年为单位进行整合，计算逐一年度的水体频率，所述年度水体频率的计算公式为：
Figure BDA0003073222320000081
式中，F代表年度水体频率，VO为指定年份内遥感影像的有效观测次数，WO为对该年度所有遥感影像进行水体监督分类后、分类是水体的观测次数。
在本实施例中，所述根据预设阈值对非水体像元进行过滤的步骤中，所述预设阈值为0.25。设置年度水体与非水体的区分阈值，对年度水体频率<0.25的像元进行过滤，将这类低频噪声像元分类为非水体，获得修正后的逐年度水体分布图。
步骤105，根据所述修正后的逐年度水体分布图，提取每一个像元的水体变化时间序列信息；并建立移动窗口分析的时序一致性检测方法，提取水体突然出现或者消失的变化像元，作为潜在伪变化的突变像元。
具体地，通过栅格叠加所有年度的水体图，提取整个研究时段每一个出现过水体信息的像元，并建立其水体变化的时间序列。建立移动窗口分析检测方法，以步长为11年的移动窗口对提取后的时间变化序列进行时序一致性分析，将水体和非水体分别赋值为1和0，通过二阶差分算法识别“水体转为非水体”或者“非水体转为水体”等两种变化类型在移动窗口内仅出现一次的像元，归类为发生突变的水体像元，即为相较于前后年份水体突然出现或消失的像元，将这些突然出现或消失像元定义为潜在水体伪变化的突变像元。
步骤106，根据预设修正规则，并运用所述伪变化突变像元在发生变化当年的年内水体出现频率信息，对发生变化确为伪变化的像元进行修正，获得最终的水体时空分布图。
在本实施例中，所述预设修正规则具体为：
规则1：对于某一年度突然出现水体的突变像元，如果所述像元在该年的有效观测次数≤3或未在连续月份内出现水体信息，则认为所述伪变化突变像元是伪变化，并将该像元在该年修正为非水体；
规则2：对于某一年度水体突然消失的突变像元，如果所述像元在该年的有效观测次数≤3或者年度水体频率＞0.1，则认为所述伪变化突变像元是伪变化，并将所述伪变化突变像元在该年修正为水体。
根据规则修正后的像元结果，对原始的年度水体分类图进行更新，最终获取长时间序列的逐年水体分布图。
本发明提出了遥感影像解译连续时间训练样本点的自动更新方法，以及时序一致性监测与伪变化修正技术，并结合GEE大数据平台，建立了长时间序列高精度水体制图和动态监测方法，解决了目前连续时间水体遥感制图费时费力、且包含大量伪变化的问题；其中，基于稳健马氏距离比较、统计规则判断和GEE平台提供的高时间分辨率遥感数据，获取了长时间连续序列的可靠训练样本，有效提高了监督分类的效率和精度，同时自动化程度高，具有可移植性；同时，本发明通过对逐年的水体分类结果进行时序一致性识别，并结合年内水体信息，建立水体伪变化的判别和修正规则，有效提高了水体发生变化区域的动精度，可更为准确提供了长时间序列水体动态监测信息。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种连续时间序列水体遥感制图方法，其特征在于，包括：
获取目标区域的遥感影像，对所述遥感影像进行掩膜处理，得到预处理遥感影像；以及，根据所述遥感影像的多波段数据，计算所述目标区域的遥感指数；
对所述预处理遥感影像进行中值合成，得到合成影像；以及，获取目标区域的高分影像，根据所述高分影像和合成影像确定以预设时间段为节点的目标区域水体训练样本，建立初始水体解译训练样本数据集；
根据用于区分水体和非水体的特征参数，以及遥感指数，获取所述初始水体解译训练样本数据集在每一年度的合成影像和待分类遥感影像的特征参数数据集；并剔除地物类别已经发生变化的训练样本点，得到筛选后的训练样本；通过机器学习算法和所述筛选后的训练样本构建分类器进行逐一影像的水体监督分类，得到水体分类图；
根据所述水体分类图计算出年度水体频率，并根据预设阈值对非水体像元进行过滤，得到修正后的逐年度水体分布图；
根据所述修正后的逐年度水体分布图，提取每一个像元的水体变化时间序列信息；并建立移动窗口分析的时序一致性检测方法，提取水体突然出现或者消失的变化像元，作为伪变化突变像元；
根据预设修正规则，并结合所述伪变化突变像元在发生变化当年的年内水体出现频率信息，对发生变化确为伪变化的像元进行修正，获得最终的水体时空分布图。
2.如权利要求1所述的连续时间序列水体遥感制图方法，其特征在于，还包括：获取目标区域的海拔数据；所述对所述遥感影像进行掩膜处理，得到预处理遥感影像的步骤中，包括：
对所述遥感影像中低质量像元进行掩膜处理；以及，根据所述海拔数据计算山体坡度，根据所述山体坡度对所述遥感影像中的山体阴影进行掩膜处理，得到预处理遥感影像。
3.如权利要求1所述的连续时间序列水体遥感制图方法，其特征在于，所述遥感指数包括：植被指数、水体指数和穗帽变换湿度指数。
4.如权利要求3所述的连续时间序列水体遥感制图方法，其特征在于，所述遥感影像为LandsatSR影像，所述多波段数据包括Landsat5/7影像第1波段到第5波段和第7波段共6个波段，Landsat8影像第2波段到第7波段共6个波段；
其中，所述植被指数、水体指数和穗帽变换湿度指数的计算公式具体如下：
植被指数：NDVI＝(Nir-Red)/(Nir+Red)；
EVI＝2.5×(Nir-Red)/(Nir+6×Red-7.5×Blue+1)；
水体指数：NDWI＝(Green-Nir)/(Green+Nir)；
MNDWI＝(Green-Swir1)/(Green+Swir1)；
AWEIsh＝Blue+2.5×Green-1.5×(Nir+Swir1)-0.25×Swir2；
AWEInsh＝4×(Green-Swir1)-(0.25×NIR+2.75×Swir1)；
湿度指数：WI1＝0.0315×Blue+0.2021×Green+0.3102×Red+0.1594×Nir-0.6806×Swir1-0.6109×Swir2；
WI2＝0.1511×Blue+0.1973×Green+0.3283×Red+0.3407×Nir-0.7117×Swir1-0.4559×Swi2；
式中，Blue，Green，Red，Nir，Swir1，Swir2分别为Landsat5/7影像的波段1-蓝，波段2-绿，波段3-红，波段4-近红外，波段5-短波红外1，波段7-短波红外2；Landsat8影像的波段2-蓝，波段3-绿，波段4-红，波段5-近红外，波段6-短波红外1，波段7-短波红外2。
5.如权利要求4所述的连续时间序列水体遥感制图方法，其特征在于，所述用于区分水体和非水体的特征参数，包括Landsat5/7第4波段到第5波段或Landsat8第5波段到第6波段共2个光谱波段，以及所述遥感指数。
6.如权利要求1所述的连续时间序列水体遥感制图方法，其特征在于，所述年度水体频率的计算公式为：
Figure FDA0003369118610000031
式中，F代表年度水体频率，VO为指定年份内遥感影像的有效观测次数，WO为对该年度所有遥感影像进行水体监督分类后、分类是水体的观测次数。
7.如权利要求1所述的连续时间序列水体遥感制图方法，其特征在于，所述建立移动窗口分析的时序一致性检测方法，提取水体出现或者消失的变化像元，作为伪变化突变像元的步骤中，包括：
通过建立移动窗口对提取后的像元进行时序一致性分析，将水体和非水体像元分别赋值为1和0，通过二阶差分算法识别两种变化类型在移动窗口内仅出现一次的像元作为突变像元；其中，两种变化类型包括：水体转为非水体类型和非水体转为水体类型。
8.如权利要求7所述的连续时间序列水体遥感制图方法，其特征在于，所述预设修正规则具体为：
规则1：对于某一年度突然出现的潜在伪变化突变像元，如果所述突变像元在该年的有效观测次数≤3或未在连续月份内出现水体信息，则认为所述突变像元是伪变化，并将该像元在该年修正为非水体；
规则2：对于某一年度突然消失的潜在伪变化突变像元，如果所述突变像元在该年的有效观测次数≤3或者年度水体频率＞0.1，则认为所述伪变化突变像元是伪变化，并将所述伪变化突变像元在该年修正为水体。
9.如权利要求1至8任一项所述的连续时间序列水体遥感制图方法，其特征在于，所述根据预设阈值对非水体像元进行过滤的步骤中，所述预设阈值为0.25。
CN202110544868.8A 2021-05-19 2021-05-19 一种连续时间序列水体遥感制图方法 Expired - Fee Related CN113327214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110544868.8A CN113327214B (zh) 2021-05-19 2021-05-19 一种连续时间序列水体遥感制图方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110544868.8A CN113327214B (zh) 2021-05-19 2021-05-19 一种连续时间序列水体遥感制图方法

Publications (2)

Publication Number Publication Date
CN113327214A CN113327214A (zh) 2021-08-31
CN113327214B true CN113327214B (zh) 2022-01-07

Family

ID=77416289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110544868.8A Expired - Fee Related CN113327214B (zh) 2021-05-19 2021-05-19 一种连续时间序列水体遥感制图方法

Country Status (1)

Country Link
CN (1) CN113327214B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780232B (zh) * 2021-09-23 2024-02-02 中国科学院东北地理与农业生态研究所 一种城市湿地动态监测方法
CN115019188B (zh) * 2022-03-10 2024-09-20 武汉大学 基于多源遥感数据的洲滩植被量动态解译方法及装置
CN114581784B (zh) * 2022-05-07 2022-08-12 自然资源部第二海洋研究所 一种长时序逐年红树林遥感监测产品的构建方法
CN117218552B (zh) * 2023-08-04 2024-06-04 华南师范大学 一种基于像元变化检测的估测算法优化方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100092241A1 (en) * 2008-10-13 2010-04-15 Muhammad Arshad Canal Seepage Detection
WO2016088136A2 (en) * 2014-12-01 2016-06-09 Ingen Robotics Private Limited Autonomous dosing, mixing, kneading, shaping and transfer system
GB2560790B (en) * 2017-12-20 2019-05-15 Intellitect Water Ltd A water network monitor, monitoring system and method
CN108229425A (zh) * 2018-01-29 2018-06-29 浙江大学 一种基于高分辨率遥感图像的水体识别方法
CN109784251A (zh) * 2019-01-04 2019-05-21 中国铁路总公司 高铁沿线小型水体遥感识别方法
CN110517575B (zh) * 2019-08-21 2021-03-02 华北水利水电大学 一种地表水体制图方法及装置

Also Published As

Publication number Publication date
CN113327214A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN113327214B (zh) 一种连续时间序列水体遥感制图方法
Khandelwal et al. An approach for global monitoring of surface water extent variations in reservoirs using MODIS data
Sun et al. Classification mapping of salt marsh vegetation by flexible monthly NDVI time-series using Landsat imagery
Giglio et al. The Collection 6 MODIS burned area mapping algorithm and product
Wang et al. Multi-scale integration of satellite remote sensing improves characterization of dry-season green-up in an Amazon tropical evergreen forest
Ahmed et al. Characterizing stand-level forest canopy cover and height using Landsat time series, samples of airborne LiDAR, and the Random Forest algorithm
Dong et al. Tracking the dynamics of paddy rice planting area in 1986–2010 through time series Landsat images and phenology-based algorithms
Rogan et al. Mapping land-cover modifications over large areas: A comparison of machine learning algorithms
Goodwin et al. Cloud and cloud shadow screening across Queensland, Australia: An automated method for Landsat TM/ETM+ time series
Lenney et al. The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM
Chen et al. Aboveground biomass of salt-marsh vegetation in coastal wetlands: Sample expansion of in situ hyperspectral and Sentinel-2 data using a generative adversarial network
Worden et al. Surface water detection in the Caucasus
Sharma et al. Geospatial technology in agroforestry: status, prospects, and constraints
Marvin et al. Liana canopy cover mapped throughout a tropical forest with high-fidelity imaging spectroscopy
Shahabi et al. Detection of urban irregular development and green space destruction using normalized difference vegetation index (NDVI), principal component analysis (PCA) and post classification methods: A case study of Saqqez city
CN114581784B (zh) 一种长时序逐年红树林遥感监测产品的构建方法
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
Liu et al. Crown-level tree species classification from AISA hyperspectral imagery using an innovative pixel-weighting approach
Conti et al. Spatial database modeling for mangrove forests mapping; example of two estuarine systems in Brazil
Dech et al. Blowout dynamics on Lake Huron sand dunes: analysis of digital multispectral data from colour air photos
CN113096114B (zh) 结合形态与指数的高分辨率城市水体图斑遥感提取方法
Kennaway et al. Mapping land cover and estimating forest structure using satellite imagery and coarse resolution lidar in the Virgin Islands
Johansen et al. Mapping banana plantations from object-oriented classification of SPOT-5 imagery
Lee et al. Cost-effective and accurate monitoring of flowering across multiple tropical tree species over two years with a time series of high-resolution drone imagery and deep learning
Yadav et al. Urban tree canopy detection using object-based image analysis for very high resolution satellite images: A literature review

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220107