CN114187507A - 基于遥感数据的湿地分类方法、装置、设备及存储介质 - Google Patents

基于遥感数据的湿地分类方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114187507A
CN114187507A CN202111408502.4A CN202111408502A CN114187507A CN 114187507 A CN114187507 A CN 114187507A CN 202111408502 A CN202111408502 A CN 202111408502A CN 114187507 A CN114187507 A CN 114187507A
Authority
CN
China
Prior art keywords
remote sensing
cloud
wetland
free
data
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
CN202111408502.4A
Other languages
English (en)
Inventor
贾凯
王重洋
姜浩
陈水森
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.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
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 Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN202111408502.4A priority Critical patent/CN114187507A/zh
Publication of CN114187507A publication Critical patent/CN114187507A/zh
Pending legal-status Critical Current

Links

Images

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

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

本发明涉及数据分析领域，特别涉及一种基于遥感数据的湿地分类方法，所述方法包括：获取目标区域的遥感图像数据集，获取所述遥感图像的各个像元的云似值，根据所述云似值提取所述遥感图像的目标像元，对所述获得的目标像元进行拼接，获取所述目标区域的无云多光谱图像数据集，获取所述无云多光谱图像数据集中各个湿地类型相应的面积比例数据，根据预设的样本提取算法，对所述无云多光谱图像数据集进行样本提取，获取无云多光谱图像样本数据集；获取所述无云多光谱图像的特征指数，根据所述特征指数以及无云多光谱图像样本数据集，对所述无云多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据。

Description

基于遥感数据的湿地分类方法、装置、设备及存储介质
技术领域
本发明涉及数据分析领域，特别涉及是一种基于遥感数据的湿地分类方法、装置、设备以及存储介质。
背景技术
海岸带湿地分布区具有可达性差的特点，对该海岸带湿地分布区的湿地类型的分析需要耗费大量的人力、物力成本，且分析的周期较长。因此，快速、准确地获取海岸带湿地分布区的湿地类型，对于湿地资源的管理，沿海地区开发利用及资源的可持续发展意义重大。
发明内容
基于此，本发明的目的在于，提供一种基于遥感数据的湿地分类方法、装置、设备以及存储介质，通过对遥感图像数据集进行去云处理，转化为无云多光谱图像数据集，并进行样本提取，获取无云多光谱图像样本数据集；根据从无云多光谱图像数据集中提取的特征指数以及无云多光谱图像样本数据集进行分类识别分析，在保证了分析的速率的同时，实现了对遥感图像数据集的充分且准确的分析。
第一方面，本申请实施例提供了一种基于遥感数据的湿地分类方法，包括以下步骤：
获取目标区域的遥感图像数据集，其中，所述目标遥感图像数据集包括若干个遥感图像；
获取所述遥感图像的各个像元的云似值，根据所述云似值提取所述遥感图像的目标像元，对所述获得的目标像元进行拼接，获取所述目标区域的无云多光谱图像数据集，其中，所述无云多光谱图像数据集包括若干个无云多光谱图像；
获取所述无云多光谱图像数据集中各个湿地类型相应的面积比例数据，根据预设的样本提取算法，对所述无云多光谱图像数据集进行样本提取，获取无云多光谱图像样本数据集；
获取所述无云多光谱图像的特征指数，根据所述特征指数以及无云多光谱图像样本数据集，对所述无云多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据；
获取显示指令，其中，所述显示指令包括待分类的遥感图像数据集，获取电子地图数据，根据所述待分类的遥感图像数据集，获取相应的湿地分类数据，根据所述湿地分类数据的湿地类型以及与所述湿地类型对应的湿地标识，获取所述电子地图数据的各个区域的湿地标识，在所述电子地图数据上进行湿地标识的显示以及标注。
第二方面，本申请实施例提供了一种基于遥感数据的湿地分类装置，包括：
获取模块，用于获取目标区域的遥感图像数据集，其中，所述目标遥感图像数据集包括若干个遥感图像；
拼接模块，用于获取所述遥感图像的各个像元的云似值，根据所述云似值提取所述遥感图像的目标像元，对所述获得的目标像元进行拼接，获取所述目标区域的无云多光谱图像数据集，其中，所述无云多光谱图像数据集包括若干个无云多光谱图像；
样本提取模块，用于获取获取所述无云多光谱图像数据集中各个湿地类型相应的面积数据，根据预设的样本提取算法，对所述无云多光谱图像数据集进行样本提取，获取无云多光谱图像样本数据集；
分类模块，用于获取所述无云多光谱图像的特征指数，根据所述特征指数以及无云多光谱图像样本数据集对所述无云多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据；
显示模块，用于获取显示指令，其中，所述显示指令包括待分类的遥感图像数据集，获取电子地图数据，根据所述待分类的遥感图像数据集，获取相应的湿地分类数据，根据所述湿地分类数据的湿地类型以及与所述湿地类型对应的湿地标识，获取所述电子地图数据的各个区域的湿地标识，在所述电子地图数据上进行湿地标识的显示以及标注。
第三方面，本申请实施例提供了一种设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述基于遥感数据的湿地分类方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于遥感数据的湿地分类方法的步骤。
在本申请实施例中，提供一种基于遥感数据的湿地分类方法、装置、设备以及存储介质，通过对遥感图像数据集进行去云处理，转化为无云多光谱图像数据集，并进行样本提取，获取无云多光谱图像样本数据集；根据从无云多光谱图像数据集中提取的特征指数以及无云多光谱图像样本数据集进行分类识别分析，在保证了分析的速率的同时，实现了对遥感图像数据集的充分且准确的分析。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于遥感数据的湿地分类方法的流程示意图；
图2为本申请一个实施例提供的基于遥感数据的湿地分类方法中S2的流程示意图；
图3为本申请一个实施例提供的基于遥感数据的湿地分类方法的中S201的流程示意图；
图4为本申请一个实施例提供的基于遥感数据的湿地分类方法中S4的流程示意图；
图5为本申请另一个实施例提供的基于遥感数据的湿地分类方法的流程示意图；
图6为本申请一个实施例提供的基于遥感数据的湿地分类方法中的S6的流程示意图；
图7为本申请一个实施例提供的基于遥感数据的湿地分类装置的结构示意图；
图8为本申请一个实施例提供的设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的基于遥感数据的湿地分类方法的流程示意图，所述方法包括如下步骤：
S1：获取目标区域的遥感图像数据集，其中，所述目标遥感图像数据集包括若干个遥感图像。
所述基于遥感数据的湿地分类方法的执行主体为基于遥感数据的湿地分类方法的分类设备(以下简称分类设备)，在一个可选的实施例中，所述分类设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
由于早期的Landsat 1、2、3、4与后续卫星在传感器上的差异，只选择Landsat 5TM、7 ETM+和8 OLI/TIRS的无云多光谱和热红外波段作为数据源。其中，Landsat 5选择所有波段；Landsat 7具有两个热红外波段(高增益和低增益)，由于湿地不存在超高温或超低温地表(低增益模式下监测)，而在常温条件下，高增益反演精度高于低增益，因此，选择高增益模式下的热红外波段；与Landsat 7不同，Landsat 8的两个热红外波段(第10和11波段)位于不同的大气窗口，由于第11波段辐射定标误差大，因此选择Landsat 8的第10波段作为热红外波段数据源。
在本实施例中，分类设备获取目标区域内Landsat 8的第10波段的遥感图像数据集，其中，所述目标遥感图像数据集包括若干个遥感图像。
S2：获取所述遥感图像的各个像元的云似值，根据所述云似值提取所述遥感图像的目标像元，对所述获得的目标像元进行拼接，获取所述目标区域的无云多光谱图像数据集，其中，所述无云多光谱图像数据集包括若干个无云多光谱图像。
所述无云多光谱图像为物体对任一波段的电磁波的反射和透射所成的图像，其中，所述波段大多处于可见光区域；
为了减小云层阴影产生的干扰的影响，从而对目标区域内的湿地类型作出精确分类，在本实施例中，分类设备通过对遥感图像进行去云处理，获取目标区域的无云多光谱图像数据集。
具体地，分类设备提取所述遥感图像数据集中的遥感图像的目标像元，其中，所述目标像元的云似值比预设的云似阈值小，所述云似值表示像元被云层污染的可能性大小，云似值越小，表示该像元受到云层阴影干扰影响越小。
将获取的目标像元进行拼接，获取无云多光谱图像，并将所述若干个遥感图像对应的无云多光谱图像组成无云多光谱图像数据集。
请参阅图2，图2为本申请一个实施例提供的基于遥感数据的湿地分类方法中S2的流程示意图，包括步骤S201～S202：
S201：获取所述若干个遥感图像的辐亮度、温度以及NDSI指数，根据所述辐亮度、温度、NDSI指数以及云似值计算算法，计算所述遥感图像的各个像元的云似值。
辐亮度一般指辐射亮度。辐射亮度简称辐亮度，辐射亮度表示面辐射源上某点在一定方向上的辐射强弱的物理量，即所述遥感图像所显示的目标区域内的辐射能量总和。
温度(LST)是指地表温度，太阳的热能被辐射到达地面后，一部分被反射，一部分被地面吸收，使地面增热，对地面的温度进行测量后得到的温度就是地表温度，即所述遥感图像所显示的目标区域内地表的温度。
NDSI为归一化雪被指数，利用可见光及短波红外波段的组合突显所述遥感图像中积雪的覆盖部分。
在本实施例中，分类设备获取所述若干个遥感图像的辐亮度、温度以及NDSI指数，根据所述辐亮度、温度、NDSI指数以及云似值计算算法，计算所述遥感图像的各个像元的云似值，其中，所述云似值计算算法为：
Sc＝Bp×Tp×NDSI
式中，Sc为所述遥感图像的云似值，Bp为辐亮度，Tp为温度。
请参阅图3，图3为本申请一个实施例提供的基于遥感数据的湿地分类方法的中S201的流程示意图，包括步骤S2011～S2012：
S2011：获取所述遥感图像的像元值、增益系数、偏置系数、温度系数以及波段信息参数。
像元值为卫星对接收到的辐射进行量化的一个数值，用于表示所述遥感图像的像元亮度值，记录着所述目标区域内地物的灰度值。
增益系数以及所述偏置系数为所述遥感图像的Landsat系列辐射定标参数，其中，所述增益系数为所述所述遥感图像的数据整体进行按比例的放大或减小的系数，所述偏置系数为对所述遥感图像的数据的零点对应位置进行调整的系数，用于获取遥感图像的辐亮度，实现遥感图像的去云处理，在一个可选的实施例中，所述增益系数以及所述偏置系数可以从所述遥感图像的头文件信息中获取。
所述温度系数为所述遥感图像的Landsat系列根据所述温度系数以及温度计算算法，用于获取遥感图像的温度，在一个可选的实施例中，所述温度系数可以从所述遥感图像的头文件信息中获取。
所述波段信息参数为所述遥感图像中任一波段的电磁波的信息参数。
在一个可选的实施例中，分类设备可以获取用户输入的所述遥感图像的像元值、增益系数、偏置系数、温度系数以及波段信息参数，在另一个可选的实施例中，所述遥感图像的像元值、增益系数、偏置系数、温度系数以及波段信息参数可以为分类设备预先存储的数据。
S2012：根据所述遥感图像的像元值、增益系数、偏置系数以及辐亮度计算算法，获取所述遥感图像的辐亮度。
所述辐亮度计算算法为：
Bp＝DN×Gain+offset
式中，Bp为辐亮度，DN为像元值，Gain为增益系数，offset为偏置系数；
在本实施例中，分类设备根据所述获取的遥感图像的像元值、增益系数以及偏置系数，利用辐亮度计算算法，获取所述遥感图像的辐亮度。
S2013：根据所述温度系数以及温度计算算法以及温度计算算法，获取所述遥感图像的温度。
所述温度计算算法为：
Figure BDA0003364236820000061
式中，Tp为温度，k1为第一根据所述温度系数以及温度计算算法，k2为第二根据所述温度系数以及温度计算算法。
在本实施例中，分类设备根据所述获取的遥感图像的第一根据所述温度系数以及温度计算算法以及第二根据所述温度系数以及温度计算算法，利用温度计算算法，获取所述遥感图像的温度。
S2014：根据所述波段信息参数以及NDSI指数计算算法，获取所述遥感图像的NDSI指数。
所述NDSI指数计算算法为：
Figure BDA0003364236820000071
式中，Green所述遥感图像的绿波段信息参数，SWIR1为所述遥感图像的近红外1波段信息参数，SWRI2为所述遥感图像的近红外2波段信息参数。
在本实施例中，分类设备根据所述获取的遥感图像的波段信息参数，利用NDSI指数计算算法，获取所述遥感图像的NDSI指数。
S202：根据所述遥感图像的各个像元的云似值以及预设的云似阈值，获取所述遥感图像的目标像元，将所述目标像元进行拼接，获取若干个无云多光谱图像，将其组合成无云多光谱图像数据集。
在一个可选的实施例中，分类设备获取的云似然值位于[0,100]之间，当该值小于10时表示可接受的较低云似然值。为了尽可能减小云层阴影产生的干扰的影响，对目标区域内的湿地类型作出精确分类，将云似阈值设置为40。
在本实施例中，分类设备根据所述遥感图像的各个像元的云似值以及预设的云似阈值，获取大于所述云似阈值的像元，作为所述遥感图像的目标像元，将所述目标像元进行拼接，获取无云多光谱图像。
S3：获取所述无云多光谱图像数据集中各个湿地类型相应的面积比例数据，根据预设的样本提取算法，对所述无云多光谱图像数据集进行样本提取，获取无云多光谱图像样本数据集。
所述无云多光谱图像数据集包括若干个湿地类型，具体地，所述湿地类型包括河流、近海与海岸湿地、水产养殖、湖库、浅海水域、红树林以及滩涂。
所述样本提取算法为：
Figure BDA0003364236820000072
式中，N为所述无云多光谱图像中某一湿地类型的样本量；Z为统计量，当置信度为95％时，Z＝1.96，当置信度为90％时，Z＝1.64；P为某一湿地类型的面积比例数据；ε为预设的误差值。
在本实施例中，分类设备获取所述无云多光谱图像中每年的某一湿地类型的样本量以及面积比例数据，根据预设的统计量以及误差值，利用样本提取算法，对所述无云多光谱图像数据集进行样本提取，获取若干个无云多光谱图像样本，并将其组成所述无云多光谱图像样本数据集。
S4：获取所述无云多光谱图像的特征指数，根据所述特征指数以及无云多光谱图像样本数据集，对所述无云多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据。
所述特征指数是不同遥感光谱波段间的线性或非线性组合，其中，所述特征指数包括水体指数以及植被指数，所述水体指数用于反映水体在可见光、近红外波段反射与土壤背景之间差异的指标；所述植被指数用于反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，在一定条件下能用来定量说明植被的生长状况。
分类设备根据所述无云多光谱图像的波段信息参数，获取所述无云多光谱图像的特征指数，其中，所述特征指数包括mNDWI(改进的归一化水体指数)、NDBI(归一化建筑物指数)、IR(红外比值指数)、SBL(土壤背景线指数)等等。
在本实施例中，分类设备根据所述获取的特征指数以及无云多光谱图像样本数据集，通过随机森林算法，对所述多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据，并保存至相应的存储空间中。
请参阅图4，图4为本申请一个实施例提供的基于遥感数据的湿地分类方法中S4的流程示意图，包括步骤S401～S402：
S401：从所述无云多光谱图像样本数据集中获取若干个训练样本，从所述特征指数中获取若干个训练特征。
在本实施例中，分类设备以有放回采样的方式，从所述无云多光谱图像样本数据集中获取若干个训练样本，同样以有放回采样的方式，从所述特征指数中获取若干个训练特征。
S402：根据所述训练样本、训练特征以及预设的迭代次数，获取若干个分类树，根据所述分类树，获取所述目标区域的湿地分类数据。
在本实施例中，分类设备根据所述某一训练特征C，将所述训练样本T分为T1和T2，根据基尼指数算法，计算在特征变量C下训练样本T的基尼指数，其中，所述基尼指数算法为：
Figure BDA0003364236820000091
Figure BDA0003364236820000092
式中，Gini表示基尼指数，K表示分类类别数量，pi表示属于第i个类别的概率。
对于所述训练特征C，计算任意取值下将所述训练样本划分为两部分之后的Gini(T|C)值，取最小Gini(T|C)值作为所述训练特征C下的最优二分方案。
重复上述步骤，获取所有的训练特征的最优二分方案，取基尼指数最小值对应的方案作为训练样本和整体训练特征的最优二分方案，并作为所述分类树的两个子节点，获取若干个分类树。
所述分类树为一个分类精度较低的弱分类器，每个分类树输出一个分类结果，所述分类结果为所述训练样本的各个像元的湿地分类结果，根据所述分类树，获取K个分类结果，根据所述分类结果中，某一分类结果占比比例最大的作为该像元的湿地分类结果，获取所述目标区域的湿地分类数据。
请参阅图5，图5为本申请另一个实施例提供的基于遥感数据的湿地分类方法的流程示意图，还包括步骤S6，所述步骤S6在S5之前，具体如下：
S6：对所述目标区域的湿地分类数据进行校正，获取校正后的湿地分类数据。
请参阅图6，图6为本申请一个实施例提供的基于遥感数据的湿地分类方法中的S6的流程示意图，包括步骤S601～S602，具体如下：
S601：获取连续若干年份的所述目标区域的遥感图像，根据所述遥感图像的像元，对所述年份对应的湿地分类数据进行校正，获取一次校正后的湿地分类数据。
分类设备获取连续若干年份的所述目标区域的遥感图像，根据所述遥感图像的像元，获取一次校正后的湿地分类数据，其中，所述像元的类型为湿地类型或者水体类型的一种，所述湿地类型包括红树林湿地类型、滩涂湿地类型以及浅海水域湿地类型。
以对第i年的红树林湿地类型进行校正为例，分类设备从所述目标区域的遥感图像中提取与所述第i年前后两年的遥感图像，构建若干个时间序列，其中，所述时间序列的表达式为：
[yi-2,yi-1,yi,yi+1,yi+2]
式中，yi为第i年的遥感图像，yi+1为第i+1年的遥感图像，yi-1为第i-1年的遥感图像。
分析所述时间序列，当所述时间序列中的遥感图像的各个像元的类型均不是红树林湿地类型，则获取分类错误结果，根据所述分类错误结果，获取所述时间序列的遥感图像的某一湿地类型的像元占比最大的湿地类型，将所述占比最大的湿地类型作为校正湿地类型，对所述时间序列的遥感图像的湿地类型进行替换，从而对所述年份对应的湿地分类数据进行校正，获取一次校正后的湿地分类数据。
S602：获取所述目标区域的遥感图像的像元的类型，根据所述遥感图像的像元的类型，对所述一次校正后的湿地分类数据进行校正，获取二次校正后的湿地分类数据，其中，所述像元的类型包括湿地类型以及水体类型。
在本实施例中，分类设备获取所述目标区域的遥感图像的像元的类型，根据所述遥感图像的像元的类型，对所述对所述一次校正后的湿地分类数据进行校正，获取二次校正后的湿地分类数据。
在一个可选的实施例中，分类设备从所述遥感图像的像元中选取一个单位像元，所述单位像元可以是单个像元，也可以是一个图像斑块，所述图像斑块为同一湿地类型的像元在空间上聚集在一起且相互连通的湿地区域。
获取所述单位像元为中心的邻近像元，其中，所述邻近像元为与所述单位像元的距离小于预设的像元距离阈值的像元，将所述邻近像元组成像元序列，对所述像元序列中的各个像元的类型是否为水体类型进行判断，当所述像元序列中的各个像元的类型均不是水体类型，获取分类错误结果，获取所述像元序列中的某一湿地类型占比最大的邻近像元的湿地类型，作为第二校正湿地类型，对所述像元序列的邻近像元的湿地类型进行替换，从而对所述一次校正后的湿地分类数据进行校正，获取二次校正后的湿地分类数据。
S5：获取显示指令，其中，所述显示指令包括待分类的遥感图像数据集，获取电子地图数据，根据所述待分类的遥感图像数据集，获取相应的湿地分类数据，根据所述湿地分类数据的湿地类型以及与所述湿地类型对应的湿地标识，获取所述电子地图数据的各个区域的湿地标识，在所述电子地图数据上进行湿地标识的显示以及标注。
所述湿地显示指令是用户发出的，由分类设备接收。
在本实施例中，分类设备获取用户发送的所述湿地显示指令，并进行响应，获取电子地图数据。
分类设备根据所述湿地显示指令获取的待分类的遥感图像数据集，获取相应的湿地分类数据，根据所述湿地分类数据的湿地类型以及与所述湿地类型对应的湿地标识，获取所述电子地图数据的各个区域的湿地标识，并返回至检测设备的显示界面中，在所述电子地图数据上进行湿地标识的显示以及标注。
请参考图7，图7为本申请一个实施例提供的基于遥感数据的湿地分类装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于遥感数据的湿地分类装置的全部或一部分，该装置7包括：
获取模块71，用于获取目标区域的遥感图像数据集，其中，所述目标遥感图像数据集包括若干个遥感图像；
拼接模块72，用于获取所述遥感图像的各个像元的云似值，根据所述云似值提取所述遥感图像的目标像元，对所述获得的目标像元进行拼接，获取所述目标区域的无云多光谱图像数据集，其中，所述无云多光谱图像数据集包括若干个无云多光谱图像；
样本提取模块73，用于获取获取所述无云多光谱图像数据集中各个湿地类型相应的面积数据，根据预设的样本提取算法，对所述无云多光谱图像数据集进行样本提取，获取无云多光谱图像样本数据集；
分类模块74，用于获取所述无云多光谱图像的特征指数，根据所述特征指数以及无云多光谱图像样本数据集对所述无云多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据；
显示模块75，用于获取显示指令，其中，所述显示指令包括待分类的遥感图像数据集，获取电子地图数据，根据所述待分类的遥感图像数据集，获取相应的湿地分类数据，根据所述湿地分类数据的湿地类型以及与所述湿地类型对应的湿地标识，获取所述电子地图数据的各个区域的湿地标识，在所述电子地图数据上进行湿地标识的显示以及标注。
在本申请实施例中，通过图像获取模块，获取目标区域的遥感图像数据集，其中，所述目标遥感图像数据集包括若干个遥感图像；通过拼接模块，获取所述遥感图像的各个像元的云似值，根据所述云似值提取所述遥感图像的目标像元，对所述获得的目标像元进行拼接，获取所述目标区域的无云多光谱图像数据集，其中，所述无云多光谱图像数据集包括若干个无云多光谱图像；通过获取获取所述无云多光谱图像数据集中各个湿地类型相应的面积数据，根据预设的样本提取算法，对所述无云多光谱图像数据集进行样本提取，获取无云多光谱图像样本数据集；通过分类模块，获取所述无云多光谱图像的特征指数，根据所述特征指数以及无云多光谱图像样本数据集对所述无云多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据；通过获取显示指令，其中，所述显示指令包括待分类的遥感图像数据集，获取电子地图数据，根据所述待分类的遥感图像数据集，获取相应的湿地分类数据，根据所述湿地分类数据的湿地类型以及与所述湿地类型对应的湿地标识，获取所述电子地图数据的各个区域的湿地标识，在所述电子地图数据上进行湿地标识的显示以及标注。通过对遥感图像数据集进行去云处理，转化为无云多光谱图像数据集，并进行样本提取，获取无云多光谱图像样本数据集；根据从无云多光谱图像数据集中提取的特征指数以及无云多光谱图像样本数据集进行分类识别分析，在保证了分析的速率的同时，实现了对遥感图像数据集的充分且准确的分析。
请参考图8，图8为本申请一个实施例提供的设备的结构示意图，设备8包括：处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83；计算机设备可以存储有多条指令，指令适用于由处理器81加载并执行上述图1至图6所示实施例的方法步骤，具体执行过程可以参见图1至图6所示实施例的具体说明，在此不进行赘述。
其中，处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器82内的指令、程序、代码集或指令集，以及调用存储器82内的数据，执行基于遥感数据的湿地分类装置7的各种功能和处理数据，可选的，处理器81可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrambleLogic Array，PLA)中的至少一个硬件形式来实现。处理器81可集成中央处理器81(CentralProcessing Unit，CPU)、图像处理器81(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器81中，单独通过一块芯片进行实现。
其中，存储器82可以包括随机存储器82(Random Access Memory，RAM)，也可以包括只读存储器82(Read-Only Memory)。可选的，该存储器82包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图6所示实施例的方法步骤，具体执行过程可以参见图1至图6所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元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单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (9)

1.一种基于遥感数据的湿地分类方法，其特征在于，包括以下步骤：
获取目标区域的遥感图像数据集，其中，所述目标遥感图像数据集包括若干个遥感图像；
获取所述遥感图像的各个像元的云似值，根据所述云似值提取所述遥感图像的目标像元，对所述获得的目标像元进行拼接，获取所述目标区域的无云多光谱图像数据集，其中，所述无云多光谱图像数据集包括若干个无云多光谱图像；
获取所述无云多光谱图像数据集中各个湿地类型相应的面积比例数据，根据预设的样本提取算法，对所述无云多光谱图像数据集进行样本提取，获取无云多光谱图像样本数据集；
获取所述无云多光谱图像的特征指数，根据所述特征指数以及无云多光谱图像样本数据集，对所述无云多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据；
获取显示指令，其中，所述显示指令包括待分类的遥感图像数据集，获取电子地图数据，根据所述待分类的遥感图像数据集，获取相应的湿地分类数据，根据所述湿地分类数据的湿地类型以及与所述湿地类型对应的湿地标识，获取所述电子地图数据的各个区域的湿地标识，在所述电子地图数据上进行湿地标识的显示以及标注。
2.根据权利要求1所述的基于遥感数据的湿地分类方法，其特征在于，所述获取所述遥感图像的各个像元的云似值，根据所述云似值提取所述遥感图像的目标像元，对所述获得的目标像元进行拼接，获取所述目标区域的无云多光谱图像数据集，包括步骤：
获取所述若干个遥感图像的辐亮度、温度以及NDSI指数，根据所述辐亮度、温度、NDSI指数以及云似值计算算法，计算所述遥感图像的各个像元的云似值；
根据所述遥感图像的各个像元的云似值以及预设的云似阈值，获取所述遥感图像的目标像元，将所述目标像元进行拼接，获取若干个无云多光谱图像，将其组合成无云多光谱图像数据集。
3.根据权利要求2所述的基于遥感数据的湿地分类方法，其特征在于，所述获取所述若干个遥感图像的辐亮度、温度以及NDSI指数，包括步骤：
获取所述遥感图像的像元值、增益系数、偏置系数、温度系数以及波段信息参数；
根据所述遥感图像的像元值、增益系数、偏置系数以及辐亮度计算算法，获取所述遥感图像的辐亮度，其中，所述辐亮度计算算法为：
Bp＝DN×Gain+offset
式中，Bp为辐亮度，DN为像元值，Gain为增益系数，offset为偏置系数；
根据所述温度系数以及温度计算算法，获取所述遥感图像的温度，其中，所述温度计算算法为：
Figure FDA0003364236810000021
式中，Tp为温度，k1为第一根据所述温度系数以及温度计算算法，k2为第二根据所述温度系数以及温度计算算法；
根据所述波段信息参数以及NDSI指数计算算法，获取所述遥感图像的NDSI指数，其中，所述NDSI指数计算算法为：
Figure FDA0003364236810000022
式中，Green所述遥感图像的绿波段信息参数，SWIR1为所述遥感图像的近红外1波段信息参数，SWRI2为所述遥感图像的近红外2波段信息参数。
4.根据权利要求1所述的基于遥感数据的湿地分类方法，其特征在于，所述根据所述特征指数以及无云多光谱图像样本数据集对所述无云多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据，包括步骤：
从所述无云多光谱图像样本数据集中获取若干个训练样本，从所述特征指数中获取若干个训练特征；
根据所述训练样本、训练特征以及预设的迭代次数，获取若干个分类树，根据所述分类树，获取所述目标区域的湿地分类数据。
5.根据权利要求1所述的基于遥感数据的湿地分类方法，其特征在于，还包括步骤：
对所述目标区域的湿地分类数据进行校正，获取校正后的湿地分类数据。
6.根据权利要求5所述的基于遥感数据的湿地分类方法，其特征在于，所述对所述目标区域的湿地分类数据进行校正，获取校正后的湿地分类数据，包括步骤：
获取连续若干年份的所述目标区域的遥感图像，根据所述遥感图像的像元，对所述年份对应的湿地分类数据进行校正，获取一次校正后的湿地分类数据；
获取所述目标区域的遥感图像的像元的类型，根据所述遥感图像的像元的类型，对所述一次校正后的湿地分类数据进行校正，获取二次校正后的湿地分类数据，其中，所述像元的类型包括湿地类型以及水体类型。
7.一种基于遥感数据的湿地分类装置，其特征在于，包括：
获取模块，用于获取目标区域的遥感图像数据集，其中，所述目标遥感图像数据集包括若干个遥感图像；
拼接模块，用于获取所述遥感图像的各个像元的云似值，根据所述云似值提取所述遥感图像的目标像元，对所述获得的目标像元进行拼接，获取所述目标区域的无云多光谱图像数据集，其中，所述无云多光谱图像数据集包括若干个无云多光谱图像；
样本提取模块，用于获取获取所述无云多光谱图像数据集中各个湿地类型相应的面积数据，根据预设的样本提取算法，对所述无云多光谱图像数据集进行样本提取，获取无云多光谱图像样本数据集；
分类模块，用于获取所述无云多光谱图像的特征指数，根据所述特征指数以及无云多光谱图像样本数据集对所述无云多光谱图像样本数据集进行湿地分类，获得所述目标区域的湿地分类数据；
显示模块，用于获取显示指令，其中，所述显示指令包括待分类的遥感图像数据集，获取电子地图数据，根据所述待分类的遥感图像数据集，获取相应的湿地分类数据，根据所述湿地分类数据的湿地类型以及与所述湿地类型对应的湿地标识，获取所述电子地图数据的各个区域的湿地标识，在所述电子地图数据上进行湿地标识的显示以及标注。
8.一种设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于遥感数据的湿地分类方法的步骤。
9.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于遥感数据的湿地分类方法的步骤。
CN202111408502.4A 2021-11-19 2021-11-19 基于遥感数据的湿地分类方法、装置、设备及存储介质 Pending CN114187507A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111408502.4A CN114187507A (zh) 2021-11-19 2021-11-19 基于遥感数据的湿地分类方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111408502.4A CN114187507A (zh) 2021-11-19 2021-11-19 基于遥感数据的湿地分类方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114187507A true CN114187507A (zh) 2022-03-15

Family

ID=80541504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111408502.4A Pending CN114187507A (zh) 2021-11-19 2021-11-19 基于遥感数据的湿地分类方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114187507A (zh)

Similar Documents

Publication Publication Date Title
CN109581372B (zh) 一种生态环境遥感监测方法
Zhang et al. A simple automated dynamic threshold extraction method for the classification of large water bodies from landsat-8 OLI water index images
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及系统
CN112183209B (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN109726705B (zh) 红树林信息的提取方法、装置及电子设备
Malahlela Inland waterbody mapping: Towards improving discrimination and extraction of inland surface water features
CN115481368B (zh) 一种基于全遥感机器学习的植被覆盖度估算方法
CN102829739A (zh) 一种面向对象的作物叶面积指数遥感反演方法
Wang et al. Using GF-2 imagery and the conditional random field model for urban forest cover mapping
Im et al. An automated binary change detection model using a calibration approach
CN109063660B (zh) 一种基于多光谱卫星影像的作物识别方法
Kobayashi et al. The integrated radiometric correction of optical remote sensing imageries
Shaoqing et al. The comparative study of three methods of remote sensing image change detection
CN113239830A (zh) 一种基于全尺度特征融合的遥感图像云检测方法
CN109977991A (zh) 基于高清卫星遥感的林业资源采集方法
Feng et al. Impervious surface extraction based on different methods from multiple spatial resolution images: a comprehensive comparison
CN115271217A (zh) 一种基于无人机多源遥感数据的小麦产量预测方法
Li et al. A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
Lou et al. An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data
Zhu et al. Identification of soybean based on Sentinel-1/2 SAR and MSI imagery under a complex planting structure
Izadi et al. Estimation of coppice forest characteristics using spatial and non-spatial models and Landsat data
Wei et al. Urban land use land cover classification based on GF-6 satellite imagery and multi-feature optimization
Bektas Balcik et al. Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul
CN112257531B (zh) 基于多样性特征联合的林地变化遥感监测方法

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