CN113392377A - 基于土壤湿度的沼泽湿地遥感提取方法和系统 - Google Patents

基于土壤湿度的沼泽湿地遥感提取方法和系统 Download PDF

Info

Publication number
CN113392377A
CN113392377A CN202110729708.0A CN202110729708A CN113392377A CN 113392377 A CN113392377 A CN 113392377A CN 202110729708 A CN202110729708 A CN 202110729708A CN 113392377 A CN113392377 A CN 113392377A
Authority
CN
China
Prior art keywords
soil humidity
remote sensing
inversion
entropy
lst
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.)
Pending
Application number
CN202110729708.0A
Other languages
English (en)
Inventor
侯鹏
候静
付卓
肖如林
翟俊
陈妍
金点点
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.)
Satellite Application Center for Ecology and Environment of MEE
Original Assignee
Satellite Application Center for Ecology and Environment of MEE
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 Satellite Application Center for Ecology and Environment of MEE filed Critical Satellite Application Center for Ecology and Environment of MEE
Priority to CN202110729708.0A priority Critical patent/CN113392377A/zh
Publication of CN113392377A publication Critical patent/CN113392377A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于土壤湿度的沼泽湿地遥感提取方法和系统。该方法包括：获取预定区域的遥感影像数据，并对遥感影像数据进行预处理；将经预处理的遥感影像数据输入至土壤湿度反演模型，得到土壤湿度反演模型输出的区域土壤湿度，其中土壤湿度反演模型用于基于地表温度LST反演和归一化植被指数NDVI反演的结果进行温度植被干旱指数TVDI反演，并基于反演出的温度植被干旱指数TVDI反映区域土壤湿度；将区域土壤湿度输入至最大熵地理信息分析模型，得到最大熵地理信息分析模型输出的用于对影像中的土壤湿度进行分割的最佳分割阈值；以及基于最佳分割阈值对影像进行二值分割，以识别影像中的内陆沼泽湿地的边界。

Description

基于土壤湿度的沼泽湿地遥感提取方法和系统
技术领域
本发明涉及基于遥感应用领域，尤其涉及一种基于土壤湿度的沼泽湿地遥感提取方法和系统。
背景技术
沼泽湿地是陆地生态系统和水生生态系统之前的过渡生态系统，与森林、海洋并称为全球三大生态系统。沼泽湿地是具有薄层积水或经常过湿、土壤有泥炭层或潜育层、生长有喜湿性和喜水性沼生植物的自然地理单元，为人类社会提供着供给、调节、支持、文化四大类生态系统服务，对保障国家和区域生态安全、人类社会永续发展极为重要的基础作用。但是，由于沼泽湿地的“过渡性”特点，如何识别和确定沼泽湿地在水平空间上的地理边界，一直是个技术难题。
目前，基于遥感影像的湿地边界提取方法主要有包括基于可见光影像或SAR图像的分类，如最小距离、马氏距离、最大似然、神经网络、支持向量机、随机森林等；另有基于多源数据的如高程、影像纹理、植被覆盖度等构建决策树模型对沼泽湿地进行提取。
然而，现有技术中沼泽湿地范围的识别效率仍然较低，并且受传感器类型和数据分辨率的影响较大，导致适用性相对较小。此外，现有技术中的诸多方法均忽略了沼泽湿地的核心参数，即土壤湿度。
发明内容
本发明通过耦合土壤湿度反演模型和最大熵地理信息分析模型，提出了一种基于土壤湿度的沼泽湿地遥感提取方法和系统，旨在解决现有技术中沼泽湿地范围的识别效率仍然较低，并且受传感器类型和数据分辨率的影响较大，导致适用性相对较小的问题，并克服现有技术中忽略沼泽湿地的核心参数(即土壤湿度)的缺陷。本发明以较少且容易获取的参数进行模型构建及沼泽提取工作，减少了人工识别样本的成本，提高了沼泽湿地范围的识别效率，并且本发明所提供的模型具有较明确的物理意义，受传感器类型和数据分辨率的影响较小，适用性较为广泛。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明的实施例提供一种基于土壤湿度的沼泽湿地遥感提取方法，包括：
获取预定区域的遥感影像数据，并对所述遥感影像数据进行预处理；
将经预处理的所述遥感影像数据输入至土壤湿度反演模型，得到所述土壤湿度反演模型输出的区域土壤湿度，其中所述土壤湿度反演模型用于基于地表温度LST反演和归一化植被指数NDVI反演的结果进行温度植被干旱指数TVDI反演，并基于反演出的温度植被干旱指数TVDI反映所述区域土壤湿度；
将所述区域土壤湿度输入至最大熵地理信息分析模型，得到所述最大熵地理信息分析模型输出的用于对所述影像中的土壤湿度进行分割的最佳分割阈值；以及
基于所述最佳分割阈值对所述影像进行二值分割，以识别所述影像中的内陆沼泽湿地的边界。
进一步地，该基于土壤湿度的沼泽湿地遥感提取方法还包括：
所述土壤湿度反演模型包括NDVI反演层、LST反演层和TVDI反演层，
所述NDVI反演层用于计算归一化植被指数NDVI；
所述LST反演层用于计算地表温度LST；以及
所述TVDI反演层用于基于所述归一化植被指数NDVI和所述地表温度LST计算温度植被干旱指数TVDI。
进一步地，该基于土壤湿度的沼泽湿地遥感提取方法还包括：
所述最大熵地理信息分析模型包括最佳分割阈值确定层，
所述最佳分割阈值确定层用于分别计算影像的目标熵和背景熵并进行求和，并从求和结果中选择最大时对应的灰度级作为分割影像的最佳分割阈值。
进一步地，该基于土壤湿度的沼泽湿地遥感提取方法还包括：
基于数字高程模型DEM，去除所述土壤湿度反演模型输出的所述区域土壤湿度中的异常值。
进一步地，该基于土壤湿度的沼泽湿地遥感提取方法还包括：
所述对所述遥感影像数据进行预处理包括：分别对所述遥感影像数据的可见光与热红外波段进行辐射定标、大气校正。
进一步地，该基于土壤湿度的沼泽湿地遥感提取方法还包括：
所述计算归一化植被指数NDVI包括:
通过以下公式计算所述归一化植被指数NDVI:
NDVI＝(NIR-R)/(NIR+R)
其中R为红波段，NIR为近红外波段，NDVI为归一化植被指数；以及
所述计算地表温度LST包括:
采用辐射传输方程算法反演地表温度；以及
通过以下公式计算最大地表温度LSTmax和最小地表温度LSTmin:
LSTmax＝a+b×NDVI
LSTmin＝c+d×NDVI
其中，LSTmax为最大地表温度，LSTmin为最小地表温度，a和b为干边拟合系数，c和d为湿边拟合系数，并且a、b、c、d均为实数。
进一步地，该基于土壤湿度的沼泽湿地遥感提取方法还包括：
所述基于所述归一化植被指数NDVI和所述地表温度LST计算温度植被干旱指数TVDI包括:
通过以下公式计算所述温度植被干旱指数TVDI:
Figure BDA0003139617390000031
进一步地，该基于土壤湿度的沼泽湿地遥感提取方法还包括：
所述分别计算影像的目标熵和背景熵并进行求和包括:
通过以下公式计算所述影像的目标区和背景区各灰度级的分布概率:
Figure BDA0003139617390000041
Figure BDA0003139617390000042
其中，
Figure BDA0003139617390000043
T为分割阈值，L为图像的灰度级，PO为所述目标区的各灰度级的分布概率，PB为所述背景区各灰度级的分布概率。
进一步地，该基于土壤湿度的沼泽湿地遥感提取方法还包括：
所述分别计算影像的目标熵和背景熵并进行求和还包括:
通过以下公式计算所述目标熵HO和所述背景熵HB：
Figure BDA0003139617390000044
Figure BDA0003139617390000045
第二方面，本发明的实施例还提供一种基于土壤湿度的沼泽湿地遥感提取系统，包括：
预处理模块，用于获取预定区域的遥感影像数据，并对所述遥感影像数据进行预处理；
土壤湿度反演模块，用于将经预处理的所述遥感影像数据输入至土壤湿度反演模型，得到所述土壤湿度反演模型输出的区域土壤湿度，其中所述土壤湿度反演模型用于基于地表温度LST反演和归一化植被指数NDVI反演的结果进行温度植被干旱指数TVDI反演，并基于反演出的温度植被干旱指数TVDI反映所述区域土壤湿度；
最佳分割阈值确定模块，用于将所述区域土壤湿度输入至最大熵地理信息分析模型，得到所述最大熵地理信息分析模型输出的用于对所述影像中的土壤湿度进行分割的最佳分割阈值；
内陆沼泽湿地边界识别模块，用于基于所述最佳分割阈值对所述影像进行二值分割，以识别所述影像中的内陆沼泽湿地的边界。
本发明通过耦合土壤湿度反演模型和最大熵地理信息分析模型，提出了一种基于土壤湿度的沼泽湿地遥感提取方法和系统，旨在解决现有技术中沼泽湿地范围的识别效率仍然较低，并且受传感器类型和数据分辨率的影响较大，导致适用性相对较小的问题，并克服现有技术中忽略沼泽湿地的核心参数(即土壤湿度)的缺陷。本发明以较少且容易获取的参数进行模型构建及沼泽提取工作，减少了人工识别样本的成本，提高了沼泽湿地范围的识别效率，并且本发明所提供的模型具有较明确的物理意义，受传感器类型和数据分辨率的影响较小，适用性较为广泛。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的基于土壤湿度的沼泽湿地遥感提取方法的流程图；以及
图2为本发明一实施例提供的基于土壤湿度的沼泽湿地遥感提取系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
本发明使用的各种术语或短语具有本领域普通技术人员公知的一般含义，即便如此，本发明仍然希望在此对这些术语或短语作更详尽的说明和解释。如果本文涉及的术语和短语有与公知含义不一致的，则以本发明所表述的含义为准；并且如果在本申请中没有定义，则其具有本领域普通技术人员通常理解的含义。
现有技术中沼泽湿地范围的识别效率仍然较低，并且受传感器类型和数据分辨率的影响较大，导致适用性相对较小。此外，现有技术中的诸多方法均忽略了沼泽湿地的核心参数，即土壤湿度。
针对于此，第一方面，本发明通过耦合土壤湿度反演模型和最大熵地理信息分析模型，提出了一种基于土壤湿度的沼泽湿地遥感提取方法，旨在解决现有技术中沼泽湿地范围的识别效率仍然较低，并且受传感器类型和数据分辨率的影响较大，导致适用性相对较小的问题，并克服现有技术中忽略沼泽湿地的核心参数(即土壤湿度)的缺陷。本发明以较少且容易获取的参数进行模型构建及沼泽提取工作，减少了人工识别样本的成本，提高了沼泽湿地范围的识别效率，并且本发明所提供的模型具有较明确的物理意义，受传感器类型和数据分辨率的影响较小，适用性较为广泛。
若尔盖高原沼泽湿地是青藏高原湿地的典型代表，也是世界上海拔最高、面积最大的高原泥炭沼泽的主要分布区之一。本研究选用2015年轨道号为131/37的Landsat8遥感数据，通过耦合土壤湿度遥感反演模型和最大熵地理信息分析模型来定量监测若尔盖湿地范围。
下面结合图1描述本发明的基于土壤湿度的沼泽湿地遥感提取方法。
图1为本发明一实施例提供的基于土壤湿度的沼泽湿地遥感提取方法的流程图。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取方法可以包括以下步骤：
S1：获取预定区域的遥感影像数据，并对遥感影像数据进行预处理；
S2：将经预处理的遥感影像数据输入至土壤湿度反演模型，得到土壤湿度反演模型输出的区域土壤湿度，其中土壤湿度反演模型用于基于地表温度LST反演和归一化植被指数NDVI反演的结果进行温度植被干旱指数TVDI反演，并基于反演出的温度植被干旱指数TVDI反映区域土壤湿度；
S3：将区域土壤湿度输入至最大熵地理信息分析模型，得到最大熵地理信息分析模型输出的用于对影像中的土壤湿度进行分割的最佳分割阈值；以及
S4：基于最佳分割阈值对影像进行二值分割，以识别影像中的内陆沼泽湿地的边界。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取方法还可以包括：收集基础数据源，并对基础数据源进行预处理S1进一步包括：分别对基础数据源的可见光与热红外波段进行辐射定标、大气校正。
具体地，选取植被生长季Landsat30米中分辨率影像为数据源卫星数据作为基础数据源，分别对Landsat数据的可见光与热红外波段进行辐射定标、大气校正等预处理。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取方法还可以包括：土壤湿度反演模型包括NDVI反演层、LST反演层和TVDI反演层，NDVI反演层用于计算归一化植被指数NDVI；LST反演层用于计算地表温度LST；以及TVDI反演层用于基于归一化植被指数NDVI和地表温度LST计算温度植被干旱指数TVDI。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取方法还可以包括：计算归一化植被指数NDVI包括:
通过以下公式计算归一化植被指数NDVI:
NDVI＝(NIR-R)/(NIR+R) (1)
其中R为红波段，NIR为近红外波段，NDVI为归一化植被指数；以及
计算地表温度LST包括:
采用辐射传输方程算法反演地表温度；以及
通过以下公式计算最大地表温度LSTmax和最小地表温度LSTmin:
LSTmax＝a+b×NDVI (2)
LSTmin＝c+d×NDVI (3)
其中，LSTmax为最大地表温度，LSTmin为最小地表温度，a和b为干边拟合系数，c和d为湿边拟合系数，并且a、b、c、d均为实数。
具体地，针对LST反演：采用辐射传输方程算法反演地表温度(LST)。
具体地，针对LST反演：LSTmax和LSTmi分别为相同植被指数像元中的最大地表温度和最小地表温度，即模型的干边和湿边。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取方法还可以包括：基于归一化植被指数NDVI和地表温度LST计算温度植被干旱指数TVDI包括:
通过以下公式计算温度植被干旱指数TVDI:
Figure BDA0003139617390000081
具体地，研究采用温度植被干旱指数反演土壤水分，TVDI的构建是基于植被-温度的理想假设，即在相同植被覆盖条件下，土壤水分越高，地表温度越低。
更具体地，TVDI为温度植被干旱指数，其值越趋近于1越干旱，越趋近于0越湿润。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取方法还可以包括：基于数字高程模型DEM，去除土壤湿度反演模型输出的区域土壤湿度中的异常值。
具体地，对比遥感影像中沼泽湿地的范围，采用数字高程模型设定海拔与坡度，从而剔除山体阴影与高海拔积雪影响。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取方法还可以包括：最大熵地理信息分析模型包括最佳分割阈值确定层，最佳分割阈值确定层用于分别计算影像的目标熵和背景熵并进行求和，并从求和结果中选择最大时对应的灰度级作为分割影像的最佳分割阈值。
例如，采用阈值法对土壤湿度进行分割，从而提取沼泽湿地范围。最大熵模型通过将图像的灰度分布直方图分为两部分，分别表示目标和背景，计算两者的熵，然后将两部分的熵值相加，两者和最大时对应的像素值即为分割阈值。
具体地，熵是图像特征的一种统计形式，它反映了图像中平均信息量的多少，若图像只包含目标或者背景，则熵值较大，若同时包含目标和背景，则熵值较小，其计算公式为：
Figure BDA0003139617390000091
其中，H(X)表示图像的熵，p(xi)表示像素值为xi的像素点个数占总像素点数的比例。
假设灰度级T为影像分割阈值，即影像中低于T灰度级的像元点构成目标，高于T的像元点构成背景，则目标和背景各灰度级的分布概率为PO和PB。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取方法还可以包括：分别计算影像的目标熵和背景熵并进行求和包括:通过以下公式计算影像的目标区和背景区各灰度级的分布概率:
Figure BDA0003139617390000092
Figure BDA0003139617390000093
其中，
Figure BDA0003139617390000094
T为分割阈值，L为图像的灰度级，PO为目标区的各灰度级的分布概率，PB为背景区各灰度级的分布概率。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取方法还可以包括：分别计算影像的目标熵和背景熵并进行求和还包括:通过以下公式计算目标熵HO和背景熵HB：
Figure BDA0003139617390000101
Figure BDA0003139617390000102
进一步地，对影像中每一个灰度级，计算目标熵和背景熵的和H:
H＝HO+HB (9)
取H最大时对应的灰度级TH作为分割影像的最佳阈值TH，即
TH＝max(HO+HB) (10)
在一定区域内选取不同的阈值计算两部分熵之和，和最大时对应最佳的分割阈值。
具体地，根据阈值对图像进行二值分割，其中低于阈值的区域被置为“0”，高于阈值的区域被置为“1”。经过阈值分割后，整幅图像被转化为二值图像。结合先验知识与地物影像对湿地边界进行提取。
基于同样的发明构思，另一方面，本发明的一实施例提出一种基于土壤湿度的沼泽湿地遥感提取系统。
下面结合图2对本发明提供的基于土壤湿度的沼泽湿地遥感提取系统进行描述，下文描述的基于土壤湿度的沼泽湿地遥感提取系统与上文描述的基于土壤湿度的沼泽湿地遥感提取方法可相互对应参照。
图2为本发明一实施例提供的基于土壤湿度的沼泽湿地遥感提取系统的结构示意图。
在本实施例中，需要说明的是，该基于土壤湿度的沼泽湿地遥感提取系统1包括：预处理模块10，用于获取预定区域的遥感影像数据，并对遥感影像数据进行预处理；土壤湿度反演模块20，用于将经预处理的遥感影像数据输入至土壤湿度反演模型，得到土壤湿度反演模型输出的区域土壤湿度，其中土壤湿度反演模型用于基于地表温度LST反演和归一化植被指数NDVI反演的结果进行温度植被干旱指数TVDI反演，并基于反演出的温度植被干旱指数TVDI反映区域土壤湿度；最佳分割阈值确定模块30，用于将区域土壤湿度输入至最大熵地理信息分析模型，得到最大熵地理信息分析模型输出的用于对影像中的土壤湿度进行分割的最佳分割阈值；内陆沼泽湿地边界识别模块40，用于基于最佳分割阈值对影像进行二值分割，以识别影像中的内陆沼泽湿地的边界。
由于本发明实施例提供的基于土壤湿度的沼泽湿地遥感提取系统可以用于执行上述实施例所述的基于土壤湿度的沼泽湿地遥感提取方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
在本实施例中，需要说明的是，本发明实施例的系统中的各个模块可以集成于一体，也可以分离部署。上述模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本发明中，参考术语“实施例”、“本实施例”、“又一实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于土壤湿度的沼泽湿地遥感提取方法，其特征在于，包括：
获取预定区域的遥感影像数据，并对所述遥感影像数据进行预处理；
将经预处理的所述遥感影像数据输入至土壤湿度反演模型，得到所述土壤湿度反演模型输出的区域土壤湿度，其中所述土壤湿度反演模型用于基于地表温度LST反演和归一化植被指数NDVI反演的结果进行温度植被干旱指数TVDI反演，并基于反演出的温度植被干旱指数TVDI反映所述区域土壤湿度；
将所述区域土壤湿度输入至最大熵地理信息分析模型，得到所述最大熵地理信息分析模型输出的用于对所述影像中的土壤湿度进行分割的最佳分割阈值；以及
基于所述最佳分割阈值对所述影像进行二值分割，以识别所述影像中的内陆沼泽湿地的边界。
2.根据权利要求1所述的基于土壤湿度的沼泽湿地遥感提取方法，其特征在于，所述土壤湿度反演模型包括NDVI反演层、LST反演层和TVDI反演层，
所述NDVI反演层用于计算归一化植被指数NDVI；
所述LST反演层用于计算地表温度LST；以及
所述TVDI反演层用于基于所述归一化植被指数NDVI和所述地表温度LST计算温度植被干旱指数TVDI。
3.根据权利要求1所述的基于土壤湿度的沼泽湿地遥感提取方法，其特征在于，所述最大熵地理信息分析模型包括最佳分割阈值确定层，
所述最佳分割阈值确定层用于分别计算影像的目标熵和背景熵并进行求和，并从求和结果中选择最大时对应的灰度级作为分割影像的最佳分割阈值。
4.根据权利要求1所述的基于土壤湿度的沼泽湿地遥感提取方法，其特征在于，所述方法还包括：
基于数字高程模型DEM，去除所述土壤湿度反演模型输出的所述区域土壤湿度中的异常值。
5.根据权利要求2所述的基于土壤湿度的沼泽湿地遥感提取方法，其特征在于，所述对所述遥感影像数据进行预处理包括：分别对所述遥感影像数据的可见光与热红外波段进行辐射定标、大气校正。
6.根据权利要求2所述的基于土壤湿度的沼泽湿地遥感提取方法，其特征在于，所述计算归一化植被指数NDVI包括:
通过以下公式计算所述归一化植被指数NDVI:
NDVI＝(NIR-R)/(NIR+R)
其中R为红波段，NIR为近红外波段，NDVI为归一化植被指数；以及
所述计算地表温度LST包括:
采用辐射传输方程算法反演地表温度；以及
通过以下公式计算最大地表温度LSTmax和最小地表温度LSTmin:
LSTmax＝a+b×NDVI
LSTmin＝c+d×NDVI
其中，LSTmax为最大地表温度，LSTmin为最小地表温度，a和b为干边拟合系数，c和d为湿边拟合系数，并且a、b、c、d均为实数。
7.根据权利要求2所述的基于土壤湿度的沼泽湿地遥感提取方法，其特征在于，所述基于所述归一化植被指数NDVI和所述地表温度LST计算温度植被干旱指数TVDI包括:
通过以下公式计算所述温度植被干旱指数TVDI:
Figure FDA0003139617380000021
8.根据权利要求3所述的基于土壤湿度的沼泽湿地遥感提取方法，其特征在于，所述分别计算影像的目标熵和背景熵并进行求和包括:
通过以下公式计算所述影像的目标区和背景区各灰度级的分布概率:
Figure FDA0003139617380000031
Figure FDA0003139617380000032
其中，
Figure FDA0003139617380000033
T为分割阈值，L为图像的灰度级，PO为所述目标区的各灰度级的分布概率，PB为所述背景区各灰度级的分布概率。
9.根据权利要求7所述的基于土壤湿度的沼泽湿地遥感提取方法，其特征在于，所述分别计算影像的目标熵和背景熵并进行求和还包括:
通过以下公式计算所述目标熵HO和所述背景熵HB：
Figure FDA0003139617380000034
Figure FDA0003139617380000035
10.一种基于土壤湿度的沼泽湿地遥感提取系统，其特征在于，
预处理模块，用于获取预定区域的遥感影像数据，并对所述遥感影像数据进行预处理；
土壤湿度反演模块，用于将经预处理的所述遥感影像数据输入至土壤湿度反演模型，得到所述土壤湿度反演模型输出的区域土壤湿度，其中所述土壤湿度反演模型用于基于地表温度LST反演和归一化植被指数NDVI反演的结果进行温度植被干旱指数TVDI反演，并基于反演出的温度植被干旱指数TVDI反映所述区域土壤湿度；
最佳分割阈值确定模块，用于将所述区域土壤湿度输入至最大熵地理信息分析模型，得到所述最大熵地理信息分析模型输出的用于对所述影像中的土壤湿度进行分割的最佳分割阈值；
内陆沼泽湿地边界识别模块，用于基于所述最佳分割阈值对所述影像进行二值分割，以识别所述影像中的内陆沼泽湿地的边界。
CN202110729708.0A 2021-06-29 2021-06-29 基于土壤湿度的沼泽湿地遥感提取方法和系统 Pending CN113392377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110729708.0A CN113392377A (zh) 2021-06-29 2021-06-29 基于土壤湿度的沼泽湿地遥感提取方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110729708.0A CN113392377A (zh) 2021-06-29 2021-06-29 基于土壤湿度的沼泽湿地遥感提取方法和系统

Publications (1)

Publication Number Publication Date
CN113392377A true CN113392377A (zh) 2021-09-14

Family

ID=77624458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110729708.0A Pending CN113392377A (zh) 2021-06-29 2021-06-29 基于土壤湿度的沼泽湿地遥感提取方法和系统

Country Status (1)

Country Link
CN (1) CN113392377A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663783A (zh) * 2023-07-28 2023-08-29 中国科学院东北地理与农业生态研究所 沼泽湿地生态系统碳储量统计分析系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180373932A1 (en) * 2016-12-30 2018-12-27 International Business Machines Corporation Method and system for crop recognition and boundary delineation
CN110672640A (zh) * 2019-11-13 2020-01-10 武汉大学 一种植被覆盖区域的土壤湿度估计方法及装置
CN111678866A (zh) * 2020-05-28 2020-09-18 电子科技大学 一种多模型集成学习的土壤含水量反演方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180373932A1 (en) * 2016-12-30 2018-12-27 International Business Machines Corporation Method and system for crop recognition and boundary delineation
CN110672640A (zh) * 2019-11-13 2020-01-10 武汉大学 一种植被覆盖区域的土壤湿度估计方法及装置
CN111678866A (zh) * 2020-05-28 2020-09-18 电子科技大学 一种多模型集成学习的土壤含水量反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋亚玲: "基于熵的图像阈值分割研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郭瑞宁: "基于TVDI土壤湿度时空分布及影响因子", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
阿多 等: "一种基于TVDI模型的边界提取方法", 《河南师范大学学报（自然科学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663783A (zh) * 2023-07-28 2023-08-29 中国科学院东北地理与农业生态研究所 沼泽湿地生态系统碳储量统计分析系统
CN116663783B (zh) * 2023-07-28 2023-10-13 中国科学院东北地理与农业生态研究所 沼泽湿地生态系统碳储量统计分析系统

Similar Documents

Publication Publication Date Title
CN109190538B (zh) 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
Li et al. Mapping Moso bamboo forest and its on-year and off-year distribution in a subtropical region using time-series Sentinel-2 and Landsat 8 data
Sun et al. Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery
Hou et al. Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm
CN113033670B (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
Jing et al. Above-bottom biomass retrieval of aquatic plants with regression models and SfM data acquired by a UAV platform–A case study in Wild Duck Lake Wetland, Beijing, China
Zhao et al. Remote sensing of aquatic vegetation distribution in Taihu Lake using an improved classification tree with modified thresholds
CN111881816B (zh) 一种长时序的河湖围埂养殖区域监测方法
Chen et al. Mapping forest and their spatial–temporal changes from 2007 to 2015 in tropical hainan island by integrating ALOS/ALOS-2 L-Band SAR and landsat optical images
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN101114023A (zh) 一种基于模型的湖泊湿地泛洪遥感监测方法
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
CN110849814A (zh) 一种基于多源遥感卫星的遥感影像处理方法
CN109409265B (zh) 一种基于陆地资源卫星影像的浮筏养殖区域提取方法
Zeng et al. A phenology-based vegetation index classification (PVC) algorithm for coastal salt marshes using Landsat 8 images
CN113221806A (zh) 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
CN115294460B (zh) 雷竹林退化程度确定方法、介质和电子设备
CN114445703A (zh) 基于时间序列分析的森林增长年份自动识别方法、系统
CN117197668A (zh) 基于深度学习的作物倒伏级别的预测方法及系统
CN113392377A (zh) 基于土壤湿度的沼泽湿地遥感提取方法和系统
CN117690017B (zh) 一种顾及物候时序特征的单、双季水稻提取方法
Allard et al. Forty years of change in the bulrush marshes of the St. Lawrence Estuary and the impact of the Greater Snow Goose
CN115661675B (zh) 多云地区地震滑坡遥感识别方法、系统、设备及存储介质
CN116129284A (zh) 一种基于时间序列变化特征的撂荒地遥感提取方法
CN115078263A (zh) 顾及潮汐影响的海草遥感信息提取方法

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