CN113837095B - 基于三类阴影的地形校正效果评估方法 - Google Patents
基于三类阴影的地形校正效果评估方法 Download PDFInfo
- Publication number
- CN113837095B CN113837095B CN202111125474.5A CN202111125474A CN113837095B CN 113837095 B CN113837095 B CN 113837095B CN 202111125474 A CN202111125474 A CN 202111125474A CN 113837095 B CN113837095 B CN 113837095B
- Authority
- CN
- China
- Prior art keywords
- shadow
- slope
- shadows
- area
- sun
- 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
Classifications
-
- 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
- G06F18/2431—Multiple classes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于三类阴影的地形校正效果评估方法,该方法包括以下步骤:数据准备、影像分类、样本划分、本影提取、落影提取、灰影提取、结果输出。评估结果采用箱形图、玫瑰图、地表反射率与太阳入射角余弦值(cosi)散点图、三类阴影相对光照区误差柱状图等可视化方法。本发明的验证方法完善了地形校正效果定量评估中对山区地形阴影的分类和量化分析,定量评估结果可靠、直观,对科学认知山区地形影响和定量评估实际地形校正效果具有重要的科学意义与实用价值。
Description
技术领域
本发明属于地形校正效果性能定量评价方法技术领域,尤其涉及一种基于三类阴影的地形校正效果评估方法。
背景技术
现有的地形校正效果定量评估方法主要是把山区影像划分为阳坡与阴坡两类对象,或者阳坡与地形本影、落影三类对象进行评估。这两种分类主要考虑了太阳直射辐射的两种常规情况,即太阳入射角小(坡面辐射亮度高)和太阳入射角大以至无太阳直射辐射(坡面辐射亮度低),却忽略了二者的过渡状态——灰影。灰影是太阳入射角接近但小于90度的坡面,理论上灰影存在太阳直射辐射,但辐射亮度低,与阴坡(本影、落影)具有相同或相近的光谱反射特征。忽略灰影进行地形校正效果定量评估显然存在不足,会影响到对山区地形影响的科学认知与实际地形校正效果的准确评估。
发明内容
本发明的目的是提供一种基于三类阴影的地形校正效果评估方法,该方法包括以下步骤:数据准备、影像分类、样本划分、本影提取、落影提取、灰影提取、结果输出。评估结果采用箱形图、玫瑰图、地表反射率与太阳入射角余弦值(cosi)散点图、三类阴影相对光照区误差柱状图等可视化方法。本发明的验证方法完善了地形校正效果定量评估中对山区地形阴影的分类和量化分析,定量评估结果可靠、直观,对科学认知山区地形影响和定量评估实际地形校正效果具有重要的科学意义与实用价值。
本发明具体采用以下技术方案:
一种基于三类阴影的地形校正效果评估方法,其特征在于,包括以下步骤:
步骤S1,数据准备:获取同一区域的山区光学遥感影像和数字高程模型DEM数据;
步骤S2,影像分类:将所述光学遥感影像分为阴影区域和非阴影区域;
步骤S3,样本划分:根据山区地物光谱特征原理图划分四类样本:阳坡、本影、落影与灰影;依据地理学第一定律,选取空间邻近的阳坡、本影、落影和灰影为一组样本;
步骤S4,本影选取:采用以下公式提取地形本影样本:
tanξ=tanσ*cos(π-(ω-β))
tanξ>tanγ
式中,ξ是折算为背向太阳入射方向的坡度角,σ为自然坡度角,β为坡向角,γ、ω是卫星过境时的太阳高度角与太阳方位角;σ和β从坡度、坡向图中获取,γ和ω从遥感影像头文件中获取;
步骤S5,落影选取:顺着太阳入射方向,在紧邻地形本影的山体阴影区选取地形落影,地形落影为平地或坡面朝向太阳的阴影山坡;
步骤S6,灰影选取:逆着太阳入射方向,在紧邻地形本影的山体阴影区选取地形灰影,或在准本影区选取灰影样本;
步骤S7,结果输出:采用箱形图和/或玫瑰图和/或影像参数与太阳入射角余弦值(cosi)散点分析和/或三类阴影相对阳坡误差柱状图表达三类阴影和阳坡地形校正效果,并对地形校正效果进行评估。
进一步地,在步骤S1中,数字高程模型DEM数据替换为坡度、坡向数据。
进一步地,在步骤S2中,应用影像光谱特征,采用监督分类、非监督分类、机器学习分类或深度学习分类方法中的一种或多种,将所述光学遥感影像分为阴影区域和非阴影区域。
进一步地,在步骤S3中,选区的样本数大于60组。
进一步地,在步骤S4中,所述坡度、坡向图由DEM数据生成。
进一步地,在步骤S7中,所述影像参数包括:波段反射率、波段辐射亮度、波段DN值、植被指数VI、叶面积指数LAI、植被覆盖度FVC、叶绿素含量和植被净初级生产力NPP。
相较于现有技术,本发明及其优选方案具有以下有益效果:
1、完善了地形校正效果定量评估中对山区地形阴影的分类和量化分析。
2、定量评估结果可靠、直观。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细的说明:
图1为本发明实施例山区地物光谱特征原理示意图(sunny area表示阳坡,grayshadow表示灰影,self shadow表示本影,cast shadow表示落影,forest表示森林,grass表示草地)。
图2为本发明实施例总体流程示意图。
图3为本发明实施例遥感影像地表反射率地形校正结果示意图((a)未做地形校正的参照数据,(b)SCS+C校正结果,(c)SSR地形校正结果;gray shadow表示灰影,selfshadow表示本影,cast shadow表示落影)。
图4为本发明实施例遥感影像蓝波段地表反射率箱形图(Not TC表示未做地形校正的参照数据,SCS+C表示SCS+C地形校正结果数据,SSR表示SSR地形校正结果数据;sunnyarea表示阳坡,gray shadow表示灰影,self shadow表示本影,cast shadow表示落影)。
图5为本发明实施例遥感影像蓝波段地表反射率玫瑰图((a)未做地形校正的参照数据,(b)SCS+C校正结果,(c)SSR地形校正结果;sunny area表示阳坡,gray shadow表示灰影,self shadow表示本影,cast shadow表示落影)。
图6为本发明实施例遥感影像蓝波段地表反射率与cosi的散点图((a)未做地形校正的参照数据,(b)SCS+C校正结果,(c)SSR地形校正结果;sunny area表示阳坡,grayshadow表示灰影,self shadow表示本影,cast shadow表示落影)。
图7为本发明实施例遥感影像蓝波段阴影相对阳坡地表反射率误差直方图(NotTC表示未做地形校正的参照数据,SCS+C表示SCS+C地形校正结果数据,SSR表示SSR地形校正结果数据;gray shadow表示灰影,self shadow表示本影,cast shadow表示落影)。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文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。需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图2所示,本发明包括如下步骤:
步骤S1,数据准备:下载福建省福州地区Landsat8 OLI遥感影像,条带号119-042,日期2019年12月11日,空间分辨率30米,太阳高度角36.98°,太阳方位角155.56°;数字高程模型数据ASTER GDEM V2,空间分辨率30米,影像所在区域海拔0-1823米,坡度0-75°。
步骤S2,影像分类:基于影像波段光谱特征,采用随机森林(RF)模型方法把遥感影像分类为山体阴影区域和非阴影区域。
步骤S3,样本划分:根据如图1所示的山区地物光谱特征划分四类样本:阳坡、本影、落影与灰影。依据地理学第一定律,选取空间邻近的阳坡、本影、落影和灰影为一组样本,共选取213组;
步骤S4,本影选取:采用以下公式提取地形本影样本:
tanξ=tanσ*cos(π-(ω-β))
tanξ>tanγ
式中,ξ是折算为背向太阳入射方向的坡度角,σ为自然坡度角,β为坡向角,γ、ω是卫星过境时的太阳高度角与太阳方位角;σ和β从坡度、坡向图中获取(坡度、坡向图由DEM数据生成),γ和ω从遥感影像头文件中获取。
步骤S5,落影选取:顺着太阳入射方向,在紧邻地形本影的平地或坡面朝向太阳的阴影区选取地形落影(图1的E和F)。
步骤S6,灰影选取。逆着太阳入射方向,在紧邻地形本影的山体阴影区选取地形灰影(图1的C);
步骤S7,结果输出。采用箱形图、玫瑰图、地表反射率与太阳入射角余弦值(cosi)散点图、三类阴影相对阳坡误差柱状图等可视化方法展示影像地形校正结果,其中,影像参数包括但不限于波段反射率、波段辐射亮度、波段DN值、植被指数(VI)、叶面积指数(LAI)、植被覆盖度(FVC)、叶绿素含量、植被净初级生产力(NPP)。(图3,红绿蓝波段组合),其他具体示例可视化如图4-图7,以及表1所示。
表1
遥感影像蓝波段地表反射率与cosi回归模型,决定系数(r2)和均方根误差
(RMSE)
以上示例体现了本实施例提供方案定量评估结果可靠、直观的优势。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于三类阴影的地形校正效果评估方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (1)
1.一种基于三类阴影的地形校正效果评估方法,其特征在于,包括以下步骤:
步骤S1,数据准备:获取同一区域的山区光学遥感影像和数字高程模型DEM数据;
步骤S2,影像分类:将所述光学遥感影像分为阴影区域和非阴影区域;
步骤S3,样本划分:根据山区地物光谱特征原理图划分四类样本:阳坡、本影、落影与灰影;依据地理学第一定律,选取空间邻近的阳坡、本影、落影和灰影为一组样本;
步骤S4,本影选取:采用以下公式提取地形本影样本:
tanξ=tanσ*cos(π-(ω-β))
tanξ>tanγ
式中,ξ是折算为背向太阳入射方向的坡度角,σ为自然坡度角,β为坡向角,γ、ω是卫星过境时的太阳高度角与太阳方位角;σ和β从坡度、坡向图中获取,γ和ω从遥感影像头文件中获取;
步骤S5,落影选取:顺着太阳入射方向,在紧邻地形本影的山体阴影区选取地形落影,地形落影为平地或坡面朝向太阳的阴影山坡;
步骤S6,灰影选取:逆着太阳入射方向,在紧邻地形本影的山体阴影区选取地形灰影,或在准本影区选取灰影样本;
步骤S7,结果输出:采用箱形图和/或玫瑰图和/或影像参数与太阳入射角余弦值散点分析图和/或三类阴影相对阳坡误差柱状图表达三类阴影和阳坡地形校正效果,并对地形校正效果进行评估;
在步骤S1中,数字高程模型DEM数据替换为坡度、坡向数据;
在步骤S2中,应用影像光谱特征,采用监督分类、非监督分类、机器学习分类或深度学习分类方法中的一种或多种,将所述光学遥感影像分为阴影区域和非阴影区域;
在步骤S3中,选区的样本数大于60组;
在步骤S4中,所述坡度、坡向图由DEM数据生成;
在步骤S7中,所述影像参数包括:波段反射率、波段辐射亮度、波段DN值、植被指数VI、叶面积指数LAI、植被覆盖度FVC、叶绿素含量和植被净初级生产力NPP。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111125474.5A CN113837095B (zh) | 2021-09-24 | 2021-09-24 | 基于三类阴影的地形校正效果评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111125474.5A CN113837095B (zh) | 2021-09-24 | 2021-09-24 | 基于三类阴影的地形校正效果评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837095A CN113837095A (zh) | 2021-12-24 |
CN113837095B true CN113837095B (zh) | 2023-08-08 |
Family
ID=78970018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111125474.5A Active CN113837095B (zh) | 2021-09-24 | 2021-09-24 | 基于三类阴影的地形校正效果评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837095B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778483A (zh) * | 2022-04-25 | 2022-07-22 | 福州大学 | 用于监测山地的遥感影像近红外波段地形阴影校正方法 |
CN116385883B (zh) * | 2023-04-13 | 2024-01-05 | 珠江水利委员会珠江水利科学研究院 | 基于无人机山体阴影区植被覆盖度修正方法、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236792A (zh) * | 2010-04-30 | 2011-11-09 | 中国人民解放军装备指挥技术学院 | 月面影像的特征点选择和提取方法 |
KR101479220B1 (ko) * | 2014-06-03 | 2015-01-12 | 주식회사 우리강산시스템 | 음영기복의 오류 확인을 통해 영상이미지의 정밀도를 높인 기복영상 처리시스템 |
CN108151719A (zh) * | 2017-12-07 | 2018-06-12 | 福州大学 | 一种验证地形阴影校正效果的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257364A1 (en) * | 2003-06-18 | 2004-12-23 | Basler Gregory A. | Shadow casting within a virtual three-dimensional terrain model |
-
2021
- 2021-09-24 CN CN202111125474.5A patent/CN113837095B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236792A (zh) * | 2010-04-30 | 2011-11-09 | 中国人民解放军装备指挥技术学院 | 月面影像的特征点选择和提取方法 |
KR101479220B1 (ko) * | 2014-06-03 | 2015-01-12 | 주식회사 우리강산시스템 | 음영기복의 오류 확인을 통해 영상이미지의 정밀도를 높인 기복영상 처리시스템 |
CN108151719A (zh) * | 2017-12-07 | 2018-06-12 | 福州大学 | 一种验证地形阴影校正效果的方法 |
Non-Patent Citations (1)
Title |
---|
基于阴影检测模型的图像拼接盲取证;杨滨;陈先意;胡伟峰;;应用科学学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837095A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837095B (zh) | 基于三类阴影的地形校正效果评估方法 | |
CN104915674B (zh) | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 | |
Sabol Jr et al. | Structural stage in Pacific Northwest forests estimated using simple mixing models of multispectral images | |
Sonnentag et al. | Tracking the structural and functional development of a perennial pepperweed (Lepidium latifolium L.) infestation using a multi-year archive of webcam imagery and eddy covariance measurements | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
Nuarsa et al. | Spectral characteristics and mapping of rice plants using multi-temporal Landsat data | |
CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
Hovi et al. | Quantifying the missing link between forest albedo and productivity in the boreal zone | |
Nguy‐Robertson et al. | Continuous monitoring of crop reflectance, vegetation fraction, and identification of developmental stages using a four band radiometer | |
Hase et al. | Identifying the main drivers of the seasonal decline of near-infrared reflectance of a temperate deciduous forest | |
Dieye et al. | Sensitivity analysis of the GEMS soil organic carbon model to land cover land use classification uncertainties under different climate scenarios in senegal | |
Gholz et al. | The use of remote sensing in the modeling of forest productivity | |
Peterson | Seasonal reflectance factor dynamics in boreal forest clear-cut communities | |
Qian et al. | The global leaf chlorophyll content dataset over 2003–2012 and 2018–2020 derived from MERIS/OLCI satellite data (GLCC): Algorithm and validation | |
CN115759526A (zh) | 基于卷积神经网络和作物模型的作物收获指数反演方法 | |
Zhang et al. | Estimation of leaf area index over heterogeneous regions using the vegetation type information and PROSAIL model | |
Dwyer | Spatial estimation of herbaceous biomass using remote sensing in Southern African savannas | |
Liesenberg et al. | Spectral variability and discrimination assessment in a tropical peat swamp landscape using CHRIS/PROBA data | |
LU501987B1 (en) | A new method to evaluate topographic correction performance using three types of topographic shadow for land-cover monitoring in rugged mountains | |
García-Haro et al. | A directional spectral mixture analysis method: Application to multiangular airborne measurements | |
Cui et al. | Land-Use Changes in China: Historical Reconstruction Over the Past 300 Years and Future Projection | |
De Vroey | Measuring Grassland Use Intensity by Remote Sensing for Agroecological Monitoring |
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 |