CN114202551A - 一种喀斯特石漠化的分级制图方法及装置 - Google Patents

一种喀斯特石漠化的分级制图方法及装置 Download PDF

Info

Publication number
CN114202551A
CN114202551A CN202111507003.0A CN202111507003A CN114202551A CN 114202551 A CN114202551 A CN 114202551A CN 202111507003 A CN202111507003 A CN 202111507003A CN 114202551 A CN114202551 A CN 114202551A
Authority
CN
China
Prior art keywords
stony desertification
grading
data
karst
karst stony
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
CN202111507003.0A
Other languages
English (en)
Other versions
CN114202551B (zh
Inventor
许尔琪
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 CN202111507003.0A priority Critical patent/CN114202551B/zh
Publication of CN114202551A publication Critical patent/CN114202551A/zh
Application granted granted Critical
Publication of CN114202551B publication Critical patent/CN114202551B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—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
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明提供了一种喀斯特石漠化的分级制图方法及装置，通过获取待划分区域的遥感产品数据和环境要素数据，建立了喀斯特石漠化分级参照系，基于此参照系，对待划分区域的遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标，对喀斯特石漠化待分级区域进行石漠化分级制图。本发明既有效降低了喀斯特环境因素对遥感信息反演技术的不确定性，增加了遥感信息作为石漠化分级依据，提高了可靠性，又同时有效解决了目前石漠化分级参照标准以及分级阈值难以确定的难题，降低喀斯特石漠化分级制图的难度，能有效提高喀斯特石漠化分级制图的精度和效率。

Description

一种喀斯特石漠化的分级制图方法及装置
技术领域
本发明涉及土地退化的技术领域，特别是涉及一种喀斯特石漠化的分级制图方法及装置。
背景技术
喀斯特石漠化是全球范围内重大的经济、生态和环境问题，威胁着社会的可持续发展。石漠化的发生和加剧，带来了诸多负面环境影响，包括耕地资源流失、水资源减少、土壤侵蚀以及生物多样性减少；与此同时，地区人民的社会经济收益也受到了损害。为了有效控制石漠化并评估石漠化治理工程的效果，迫切需要准确描述不同喀斯特石漠化等级的空间分布格局及其动态特征，以作为当前喀斯特石漠化恢复及区域可持续发展的基础。遥感技术由于其大范围获取地表空间信息的能力，成为石漠化分级制图的主要技术手段。
所谓石漠化的分级，就是在一定的单元内根据不同的土壤、岩石和植被等组分的比例进行石漠化的等级划分。石漠化强度越大，其基岩裸露率越大，而植被覆盖率和土壤覆盖率则越低，在遥感影像中对不同的石漠化强度将产生不同地物覆盖率以及不同光谱数值，这便是遥感数据能够成为石漠化分级依据的基本出发点。相比于目视解译方法的局限性，自动图像解译方法已广泛应用于石漠化的分级绘图，这主要包括监督分类方法、机器学习算法、石荒漠化分级指数和光谱混合分解等一系列方法。
然而，上述分级技术将土地石漠化过程与遥感观测联系起来的数学逻辑仍然不确定，导致通过遥感图像进行石漠化动态监测仍然是一项挑战性。尤其是喀斯特地区高度景观异质性，增加了卫星观测数据与地面石漠化强度的关系的不确定性，这一点受到了限制。归一化植被指数作为陆表的重要遥感产品之一，由于其与植被覆盖度密切相关的，目前成为众多石漠化制图研究的重要依据。有案例研究发现同一石漠化等级内部的归一化植被指数的数值波动范围较大，这可能有以下两方面的原因：一是归一化植被指数受到气候、土壤和地形等等地理环境背景的影响，在喀斯特地区与植被覆盖度的相关性有所降低；二是石漠化的分级是植被、土壤和基岩等地物特征的综合评估结果，单单依靠归一化植被指数为代表的植被特征还难以进行石漠化的分级。受环境因素变化的影响，遥感获取的地表参数数值的大小往往与石漠化等级的高低往往表现为非线性关系，尤其随着研究尺度的增加，这样的不确定性急剧增加，这将显著增加石漠化分级制图的难度，严重影响了现有遥感石漠化分级技术的精度。
发明内容
本发明要解决的技术问题是：提供一种喀斯特石漠化的分级制图方法及装置，通过生成喀斯特石漠化分级参照系进行遥感信息标准化处理，以此对待划分区域进行石漠化分级划分，降低喀斯特石漠化分级制图的难度，能有效提高喀斯特石漠化分级制图的精度和效率。
为了解决上述技术问题，本发明提供了一种喀斯特石漠化的分级制图方法及装置，包括：
获取格式一致的待划分区域的遥感产品数据和环境要素数据，其中，所述环境要素数据包括海拔数据、土地利用数据和岩性数据；
根据所述海拔数据，设置并根据多组分层参数，对所述待划分区域进行海拔分层，将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系；
根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化区域和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系；
根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标；
根据所述标准化遥感指标进行多指标合成，计算喀斯特石漠化分级的标准遥感指标和阈值，根据所述喀斯特石漠化分级阈值对所述喀斯特石漠化待分级区域进行喀斯特石漠化分级，得到所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果；
将所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果与所述非喀斯特石漠化区域和不发生石漠化区域进行镶嵌，生成喀斯特石漠化分级制图。
进一步地，所述获取格式一致的待划分区域的遥感产品数据和环境要素数据，具体为：
获取待划分区域的遥感产品数据和环境要素数据，对所述遥感产品数据和所述环境要素数据的空间范围和参照坐标系进行统一处理，以使所述遥感产品数据和所述环境要素数据格式一致。
进一步地，所述将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系，具体为：
获取所述多组海拔分层结果，基于局部方差方法分别计算所述多组海拔分层结果对应的局部方差值；
同时根据所述局部方差值，计算其对应的局部方差变化速率，根据所述局部方差变化速率选取最优海拔分层结果，并将所述最优海拔分层结果作为初始喀斯特石漠化分级参照系。
进一步地，根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系，具体为：
对所述土地利用数据和所述岩性数据进行多因子空间叠置，基于所述土地利用数据剔除所述待划分区域内的不发生石漠化区域，基于所述岩性数据剔除所述待划分区域内的非喀斯特石漠化区域，获得喀斯特石漠化待分级区域；
根据所述初始喀斯特石漠化分级参照系的海拔分层结果，空间叠置所述喀斯特石漠化待分级区域和所述土地利用数据，获得喀斯特石漠化分级参照系。
进一步地，所述根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标，具体为：
根据所述喀斯特石漠化分级参照系，对所述喀斯特石漠化分级参照系中每一个分层区域中的所述遥感产品数据进行数值排序和分位数统计，其中，所述遥感产品数据包括归一化植被数据和地表温度数据；
根据预设公式计算所述归一化植被数据和所述地表温度数据对应的标准化数值，并对所述植被和地表温度标准化数据进行合成，生成喀斯特石漠化分级的标准化遥感指标，其中，预设公式如下所示：
Figure BDA0003403530790000041
Figure BDA0003403530790000042
其中，N.NDVIj和N.LSTj分别表示标准化的归一化植被指数NDVI和地表温度LST数值，NDVIj、
Figure BDA0003403530790000043
和
Figure BDA0003403530790000044
分别表示在j个分层区域内原始的归一化植被指数NDVI，所有归一化植被指数NDVI的1％分位数和90％分位数的数值，LSTj、
Figure BDA0003403530790000045
和
Figure BDA0003403530790000046
分别表示在j个分层区域内原始的地表温度LST，所有地表温度LST的10％分位数和99％分位数的数值。
进一步地，本发明还提供一种喀斯特石漠化的分级制图装置，包括：获取模块、分层模块、剔除模块、标准化模块、分级结果生成模块和分级制图模块；
所述获取模块用于获取格式一致的待划分区域的遥感产品数据和环境要素数据，其中，所述环境要素数据包括海拔数据、土地利用数据和岩性数据；
所述分层模块用于根据所述海拔数据，设置并根据多组分层参数，对所述待划分区域进行海拔分层，将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系；
所述剔除模块用于根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化区域和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系；
所述标准化模块用于根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标；
所述分级结果生成模块用于将所述标准化遥感指标进行多指标合成，计算喀斯特石漠化分级的标准遥感指标和阈值，根据所述喀斯特石漠化分级阈值对所述喀斯特石漠化待分级区域进行喀斯特石漠化分级，得到所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果；
所述分级制图模块用于将所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果与所述非喀斯特石漠化区域和所述不发生石漠化区域进行镶嵌，生成喀斯特石漠化分级制图。
进一步地，所述获取模块用于获取格式一致的待划分区域的遥感产品数据和环境要素数据，具体为：
获取待划分区域的遥感产品数据和环境要素数据，对所述遥感产品数据和所述环境要素数据的空间范围和参照坐标系进行统一处理，以使所述遥感产品数据和所述环境要素数据格式一致。
进一步地，所述分层模块用于将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系，具体为：
获取所述多组海拔分层结果，基于局部方差方法分别计算所述多组海拔分层结果对应的局部方差值；
同时根据所述局部方差值，计算其对应的局部方差变化速率，根据所述局部方差变化速率选取最优海拔分层结果，并将所述最优海拔分层结果作为初始喀斯特石漠化分级参照系。
进一步地，所述剔除模块用于根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系，具体为：
对所述土地利用数据和所述岩性数据进行多因子空间叠置，基于所述土地利用数据剔除所述待划分区域内的不发生石漠化区域，基于所述岩性数据剔除所述待划分区域内的非喀斯特石漠化区域，获得喀斯特石漠化待分级区域；
根据所述初始喀斯特石漠化分级参照系的海拔分层结果，空间叠置所述喀斯特石漠化待分级区域和所述土地利用数据，获得喀斯特石漠化分级参照系。
进一步地，所述标准化模块用于根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标，具体为：
根据所述喀斯特石漠化分级参照系，对所述喀斯特石漠化分级参照系中每一个分层区域中的所述遥感产品数据进行数值排序和分位数统计，其中，所述遥感产品数据包括归一化植被数据和地表温度数据；
根据预设公式计算所述归一化植被数据和所述地表温度数据对应的标准化数值，并对所述植被和地表温度标准化数据进行合成，生成喀斯特石漠化分级的标准化遥感指标，其中，预设公式如下所示：
Figure BDA0003403530790000061
Figure BDA0003403530790000071
其中，N.NDVIj和N.LSTj分别表示标准化的归一化植被指数NDVI和地表温度LST数值，NDVIj、
Figure BDA0003403530790000072
和
Figure BDA0003403530790000073
分别表示在j个分层区域内原始的归一化植被指数NDVI，所有归一化植被指数NDVI的1％分位数和90％分位数的数值，LSTj、
Figure BDA0003403530790000074
和
Figure BDA0003403530790000075
分别表示在j个分层区域内原始的地表温度LST，所有地表温度LST的10％分位数和99％分位数的数值。
本发明实施例一种喀斯特石漠化的分级制图方法及装置，与现有技术相比，具有如下有益效果：
本发明的技术方案通过获取待划分区域的遥感产品数据和环境要素数据，建立基于环境要素的喀斯特石漠化分级参照系，并运用此参照系进行待划分区域的遥感产品数据的标准化处理，生成喀斯特石漠化分级的标准化遥感指标，对喀斯特石漠化待分级区域进行石漠化分级处理。本发明既有效降低了喀斯特环境因素对遥感信息反演技术的不确定性，增加了作为石漠化分级依据的遥感信息的可靠性，进而有效提高了石漠化分级精度；又有效解决了目前石漠化分级参照标准以及分级阈值难以确定的难题，降低喀斯特石漠化分级制图的难度，能有效提高喀斯特石漠化分级制图的精度和效率。
附图说明
图1是本发明提供的一种喀斯特石漠化的分级制图方法的一种实施例的流程示意图；
图2是本发明提供的一种喀斯特石漠化的分级制图装置的一种实施例的结构示意图；
图3是本发明提供的一种实施例中的喀斯特石漠化分级划分标准示意图。
具体实施方式
下面将结合本发明中的附图，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1
参见图1，图1是本发明提供的一种喀斯特石漠化的分级制图方法的一种实施例的流程示意图，如图1所示，该方法包括步骤101-步骤106，具体如下：
步骤101：获取格式一致的待划分区域的遥感产品数据和环境要素数据，其中，所述环境要素数据包括海拔数据、土地利用数据和岩性类型数据。
本实施例中，获取待划分区域的遥感产品数据和环境要素数据，其中，获取的遥感产品数据包括归一化植被指数NDVI和地表温度LST，作为本实施例中的一种举例，遥感产品主要通过美国MODIS陆地标准产品的MOD13Q1的归一化植被指数NDVI产品和MCD43A3的白天地表温度LST产品来获取对应的遥感产品数据。
本实施例中，获取的环境要素数据包括海拔数据、岩性数据和土地利用数据，其中，岩性数据包括连续性碳酸盐岩、碳酸盐岩夹碎屑岩组合、碳酸盐岩/碎屑岩互层和非碎屑岩等类型；土地利用数据包括水田、旱地、草地、林地、水体和建设用地等类型；作为本实施例中的一种举例，海拔数据为SRTM DEM数据。
本实施例中，在获取遥感产品数据和环境要素数据后，还对遥感产品数据和环境要素数据的空间范围和参照坐标系进行统一处理，以使所述遥感产品数据和所述环境要素数据格式一致，其中，将遥感产品数据和环境要素数据的格式统一为栅格格式。
本实施例中，对于遥感产品数据，在获取待划分区域的遥感产品数据后，对每个遥感产品数据进行分幅的合并镶嵌和掩膜提取，并得到遥感产品数据的月度合成结果和年度合成结果；通过利用MRT(MODISRe-projection Tool)完成MODIS产品的归一化植被指数NDVI和白天地表温度LST的投影转换、影像重采样以及影像镶嵌等操作；同时根据最优面积原则对将遥感产品的空间分辨率统一为250m；对归一化植被指数NDVI和地表温度LST按月最大值方法进行合成，并按照年平均值方法计算年度归一化植被指数NDVI和地表温度LST结果；对整月都缺失的遥感数据进行线性趋势预测，按照该月份相邻两个月的平均值插补。
本实施例中，对于环境要素数据，在获取覆盖待划分区域的环境要素数据后，对环境要素数据进行掩膜提取。
步骤102：根据所述海拔数据，设置并根据多组分层参数，对所述待划分区域进行海拔分层，将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系。
本实施例中，根据待划分区域的海拔数据，设置多组分层参数；其中，多组分层参数是在获取的海拔数据的基础上，通过面向对象方法进行多尺度分割得到的。作为本实施例中的一种举例，通过设置尺度、形状和紧致度三个参数对分层参数进行限定；其中，根据喀斯特石漠化空间特征，将形状和紧致度分别设置为0.2和0.3；同时，对于尺度的选取范围根据待划分区域的海拔数据进行设置，作为本实施例中的一种优选方案，将尺度参数范围设置为500～10000，变化步长设置为500，以此生成20组分层参数。
本实施例中，根据设置的多组分层参数，对待划分区域进行多尺度分层，以得到待划分区域的多组海拔分层结果，基于局部方差方法分别计算所述多组海拔分层结果对应的局部方差值；同时根据所述局部方差值，计算其对应的局部方差变化速率；具体的，基于局部方差方法计算多组海拔分层结果分别对应的局部方差，其中，局部方差为单组海拔分层结果中各分层归一化植被指数NDVI的平均标准均差LV，表示每组海拔分层结果中所有分层之间的差异，在计算出局部方差后，根据预设公式计算每组海拔分层结果相对前一个海拔分层结果的局部方差变化速率；该局部方差和局部方差变化速率的计算公式如下所示：
Figure BDA0003403530790000101
Figure BDA0003403530790000102
其中，LVj和LVj-1分别为j分层参数和j-1分层参数下海拔分层归一化植被指数NDVI的局部方差，CR_LVj为j分层参数下的局部方差变化速率，mi是j分层参数下海拔分层结果中第i个海拔分层归一化植被指数NDVI的平均值，
Figure BDA0003403530790000103
是j分层参数下所有海拔分层结果中归一化植被指数NDVI的平均值。
本实施例中，根据所述海拔分层的局部方差变化速率选取最优海拔分层结果，并将所述最优海拔分层结果作为初始喀斯特石漠化分级参照系；具体的，获取多组海拔分层结果对应的局部方差变化速率，并对多组海拔分层的局部方差变化速率进行从大到小进行排序，将获取的海拔分层局部方差变化速率的最大值作为最优海拔分层结果，并将该最优海拔分层结果作为初始喀斯特石漠化分级参照系。作为本实施例中的一种优选方案，在尺度参数为5500时海拔分层CR_LVj的数值达到最大，该海拔分层结果为初始喀斯特石漠化分级参照系。
步骤103：根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化区域和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系。
本实施例中，由于待划分区域内包括非喀斯特石漠化区域和不发生石漠化区域，其中，非喀斯特石漠化区域由环境要素数据中的岩性数据表示，具体的，将岩性数据中碎屑岩数据对应的分布范围作为非喀斯特石漠化区域。不发生石漠化区域由环境要素数据中的土地利用数据表示；具体的，将待划分区域内剩余的区域，基于土地利用数据剔除建设用地、水田和水域等不发生石漠化的范围。
本实施例中，根据所述初始喀斯特石漠化分级参照系，对土地利用数据和岩性数据进行多因子空间叠置，其中，多因子空间叠置是将环境要素数据中的岩性数据和土地利用数据作为控制因子，通过岩性数据剔除非喀斯特区域，依据土地利用类型剔除不发生石漠化区域，最终得到喀斯特石漠化待分级区域；在喀斯特石漠化待分级区域，将海拔分层结果细分不同的土地利用类型，得到喀斯特石漠化分级参照系，具体的，根据初始喀斯特石漠化分级参照系的海拔分层结果，叠加上述得到的喀斯特石漠化待分级区域，同时叠加土地利用数据对应的土地利用图，得到初始喀斯特石漠化分级参照系中不同海拔高度分层下对不同土地利用类型的细分区域，以使建立最终的喀斯特石漠化分级参照系，其中，不同土地利用类型包括旱地、林地和草地。
本实施例中，通过建立喀斯特石漠化分级参照系，区分了参照系内不同分区的遥感产品数值差异，有效降低了由于喀斯特环境因素对遥感信息反演技术造成的不确定性，增加了作为石漠化分级依据的遥感信息的可靠性，进而有效提高了石漠化分级精度。
步骤104：根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标。
本实施例中，对所述遥感产品数据进行标准化处理是指根据喀斯特石漠化分级参照系，对喀斯特石漠化分级参照系中每一个分层区域中的归一化植被指数NDVI和地表温度LST的数值进行排序和分位数统计，根据预设公式计算所述归一化植被数据和所述地表温度数据对应的标准化数值；其中，计算归一化植被数据和所述地表温度数据对应的标准化数值的预设公式为：
Figure BDA0003403530790000121
Figure BDA0003403530790000122
其中，N.NDVIj和N.LSTj分别表示标准化的归一化植被指数NDVI和地表温度LST数值，NDVIj、
Figure BDA0003403530790000123
和
Figure BDA0003403530790000124
分别表示在j个分层区域内原始的归一化植被指数NDVI，所有归一化植被指数NDVI的1％分位数和90％分位数的数值，LSTj、
Figure BDA0003403530790000125
和
Figure BDA0003403530790000126
分别表示在j个分层区域内原始的地表温度LST，所有地表温度LST的10％分位数和99％分位数的数值。
本实施例中，对于归一化植被指数NDVI和地表温度LST的10％分位数和99％分位数的数值作为参考标准的选取，是基于以往研究中关于喀斯特石漠化分级标准来确定的；根据喀斯特石漠化分级标准，一般认为植被覆盖大于80％的区域为无石漠化区域，因此，90％参考标准的确定，按照无石漠化区域数值范围80％-100％的平均值来确定喀斯特土地系统处于健康状态。同时一般认为植被覆盖度低于10％是极重度石漠化的分级标准因此，1％参考标准表明喀斯特土地系统处于极端退化状态，处于该状态的面积比例极低，根据石漠化公报和前人研究的结果，最终确定为1％。地表温度LST数值与归一化植被指数NDVI为负相关关系，土地系统退化越严重，地表和基岩裸露更严重，因此，地表温度LST数值更大，反之，土地系统越健康，地表温度LST数值越小。因此，LST喀斯特土地系统处于健康状态和极端退化状态的参考基线，基于归一化植被指数NDVI参数的设定原则，分别设置LST的10％分位数和99％分位数的数值作为参考标准的确定。
本实施例中，在计算出归一化植被数据和所述地表温度数据对应的标准化数值后，建立“参考标准-石漠化现状-偏离指数”石漠化分级的标准化遥感指标，其中，参考标准为喀斯特石漠化分级参照系对应的归一化植被指数NDVI的1％分位数和90％分位数，以及地表温度LST和10％分位数和99％分位数，石漠化现状为原遥感产品数据的归一化植被指数NDVI和地表温度LST数值，偏离指数即为标准化后的归一化植被指数N.NDVIj和标准化后的地表温度N.LSTj。
本实施例中，应用喀斯特环境因素建立石喀斯特石漠化分级参照系，并提出了“参考标准-石漠化现状-偏离指数”分级指标计算方法，进行植被指数、地表温度等遥感数据标准化，有效解决了目前石漠化分级参照标准以及分级阈值难以确定的难题。
步骤105：根据所述标准化遥感指标进行多指标合成，计算喀斯特石漠化分级的标准遥感指标和阈值，根据所述喀斯特石漠化分级阈值对所述喀斯特石漠化待分级区域进行喀斯特石漠化分级，得到所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果。
本实施例中，根据所述标准化遥感指标进行多指标合成，计算公式如下所示，
Figure BDA0003403530790000131
其中，Kj是喀斯特石漠化分级的标准遥感指标，数值范围为0-1，Kj数值越小，表明石漠化越严重，反之，数值越大，表明石漠化越轻。
本实施例中，由于石漠化的分级标准多依据植被覆盖率和基岩裸露率来判定，而本实施例中通过计算的喀斯特石漠化分级阈值的百分比来代表了土地系统的健康与退化状态，因此，本实施例中，通过结合植被覆盖率、基岩裸露率和喀斯特石漠化分级阈值，确定三者的对应关系，将分级阈值的判定从植被覆盖率和基岩裸露率扩展到喀斯特石漠化分级的标准遥感指标Kj，增加了计算喀斯特石漠化分级阈值的参数可选性。
本实施例中，根据计算出的喀斯特石漠化分级阈值喀斯特石漠化待分级区域进行划分，得到所述待划分区域的喀斯特石漠化分级结果；具体地，基于喀斯特石漠化分级指标Kj划分阈值，将喀斯特石漠化待分级区域的喀斯特石漠化待划分区域划分为无石漠化，潜在石漠化，轻度石漠化，中度石漠化和重度石漠化5个等级，同时结合植被覆盖率、基岩裸露率和喀斯特石漠化分级阈值的关系，生成喀斯特石漠化分级划分标准图，其中，喀斯特石漠化分级划分标准图，如图3所示。
本实施例中，对于喀斯特石漠化分级阈值的计算，无需获取实地喀斯特石漠化分级的参考样本点以及先验知识，即可快速、准确地建立遥感信息与石漠化强度的对应关系，能够有效实现高效率的石漠化分级制图，具有可移植性。
本实施例中，由于生成喀斯特石漠化分级划分标准图，需要结合植被覆盖率、基岩裸露率，因此，为提高生成的成喀斯特石漠化分级划分标准图的准确性，本实施例针对不同植被覆盖率、基岩裸露率训练数据处理神经网络模型，以使建立不同植被覆盖率、基岩裸露率等级对应的覆盖率检测模型，其中，数据处理神经网络模型用于计算遥感产品上的植被覆盖率、基岩裸露率；具体的，在建立不同植被覆盖率、基岩裸露率对应的覆盖率检测模型时，通过在不同植被覆盖率、基岩裸露率的环境下获取的遥感产品，并将该遥感产品标注为训练样本，增强了算法针对不同场景下图像数据的适配能力。同时通过针对不同植被覆盖率、基岩裸露率对覆盖率检测模型，能解决相对单一训练的感知处理神经网络模型在不同植被覆盖率、基岩裸露率环境下泛化能力较差的特点，可以提高数据处理神经网络模型的推理精度。
本实施例中，对在不同植被覆盖率、基岩裸露率的环境下获取的遥感产品进行处理，包括将遥感产品缩放至数据处理神经网络模型的输入尺寸、将遥感产品的像素值归一化和将遥感产品转换为灰度图像。把经过处理后的遥感产品输入到数据处理神经网络模型中，得到遥感产品中各个分层区域对应的植被覆盖率、基岩裸露率。
本实施例中，通过将覆盖率检测模型检测得到的待划分区域的喀斯特石漠化待划分区域中各个分层区域对应的植被覆盖率、基岩裸露率，与根据计算出的喀斯特石漠化分级阈值对喀斯特石漠化待分级区域进行划分后的喀斯特石漠化分级结果进行对比，若两者划分结果相同，则输出根据喀斯特石漠化分级阈值计算得到的喀斯特石漠化分级结果。若不相同，则再次进行计算，直至两者结果相同。
本实施例中，通过根据植被覆盖率、基岩裸露率得到的喀斯特石漠化待分级区域的石漠化分级结果与根据喀斯特石漠化分级阈值计算得到的喀斯特石漠化分级结果做对比，能进一步提高输出石漠化分级结果的准确性，提高后续生成的喀斯特石漠化分级制图的有效性。
步骤106：将所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果与所述非喀斯特石漠化区域和所述不发生石漠化区域进行镶嵌，生成喀斯特石漠化分级制图。
本实施例中，将步骤105中得到的待划分区域的喀斯特石漠化分级结果与步骤103中剔除的非喀斯特石漠化区域和不发生石漠化区域进行镶嵌，形成完整的待划分区域，并在镶嵌后的待划分区域中对不同的区域进行标记，具体为，非喀斯特区域标记为非喀斯特，不发生石漠化区域标记为无石漠化，同时对于其他区域，根据步骤105中的喀斯特石漠化分级划分标准图进行标记，形成最终的喀斯特石漠化分级制图结果。
参见图2，图2是本发明提供的一种喀斯特石漠化的分级制图装置的一种实施例的结构示意图，如图2所示，该结构包括获取模块201、分层模块202、剔除模块203、标准化模块204、分级结果生成模块205和分级制图模块206，具体如下：
获取模块201用于获取格式一致的待划分区域的遥感产品数据和环境要素数据，其中，所述环境要素数据包括海拔数据、土地利用数据和岩性数据。
本实施例中，获取待划分区域的遥感产品数据和环境要素数据，其中，获取的遥感产品数据包括归一化植被指数NDVI和地表温度LST，作为本实施例中的一种举例，遥感产品主要通过美国MOD I S陆地标准产品的MOD13Q1的归一化植被指数NDVI产品和MCD43A3的白天地表温度LST产品来获取对应的遥感产品数据。
本实施例中，获取的环境要素数据包括海拔数据、岩性数据和土地利用数据，其中，岩性数据包括连续性碳酸盐岩、碳酸盐岩夹碎屑岩组合、碳酸盐岩/碎屑岩互层和非碎屑岩等类型；土地利用数据包括水田、旱地、草地、林地、水体和建设用地等类型；作为本实施例中的一种举例，海拔数据为SRTM DEM数据。
本实施例中，在获取遥感产品数据和环境要素数据后，还对遥感产品数据和环境要素数据的空间范围和参照坐标系进行统一处理，以使所述遥感产品数据和所述环境要素数据格式一致，其中，将遥感产品数据和环境要素数据的格式统一为栅格格式。
本实施例中，对于遥感产品数据，在获取待划分区域的遥感产品数据后，对每个遥感产品数据进行分幅的合并镶嵌和掩膜提取，并得到遥感产品数据的月度合成结果和年度合成结果；通过利用MRT(MODISRe-projection Tool)完成MODIS产品的归一化植被指数NDVI和白天地表温度LST的投影转换、影像重采样以及影像镶嵌等操作；同时根据最优面积原则对将遥感产品的空间分辨率统一为250m；对归一化植被指数NDVI和地表温度LST按月最大值方法进行合成，并按照年平均值方法计算年度归一化植被指数NDVI和地表温度LST结果；对整月都缺失的遥感数据进行线性趋势预测，按照该月份相邻两个月的平均值插补。
本实施例中，对于环境要素数据，在获取覆盖待划分区域的环境要素数据后，对环境要素数据进行掩膜提取。
分层模块202用于根据所述海拔数据，设置并根据多组分层参数，对所述待划分区域进行海拔分层，将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系。
本实施例中，根据待划分区域的海拔数据，设置多组分层参数；其中，多组分层参数是在获取的海拔数据的基础上，通过面向对象方法进行多尺度分割得到的。作为本实施例中的一种举例，通过设置尺度、形状和紧致度三个参数对分层参数进行限定；其中，根据喀斯特石漠化空间特征，将形状和紧致度分别设置为0.2和0.3；同时，对于尺度的选取范围根据待划分区域的海拔数据进行设置，作为本实施例中的一种优选方案，将尺度参数范围设置为500～10000，变化步长设置为500，以此生成20组分层参数。
本实施例中，根据设置的多组分层参数，对待划分区域进行多尺度分层，以使得到待划分区域的多组海拔分层结果，基于局部方差方法分别计算所述多组海拔分层结果对应的局部方差值；同时根据所述局部方差值，计算其对应的局部方差变化速率；具体的，基于局部方差方法计算多组海拔分层结果分别对应的局部方差，其中，局部方差为单组海拔分层结果中各分层归一化植被指数NDVI的平均标准均差LV，表示每组海拔分层结果中所有分层之间的差异，在计算出局部方差后，根据预设公式计算每组海拔分层结果相对前一个海拔分层结果的局部方差变化速率；该局部方差和局部方差变化速率的计算公式如下所示：
Figure BDA0003403530790000171
Figure BDA0003403530790000172
其中，LVj和LVj-1分别为j分层参数和j-1分层参数下海拔分层归一化植被指数NDVI的局部方差，CR_LVj为j分层参数下的局部方差变化速率，mj是j分层参数下海拔分层结果中第i个海拔分层归一化植被指数NDVI的平均值，
Figure BDA0003403530790000181
是j分层参数下所有海拔分层结果中归一化植被指数NDVI的平均值。
本实施例中，根据所述海拔分层的局部方差变化速率选取最优海拔分层结果，并将所述最优海拔分层结果作为初始喀斯特石漠化分级参照系；具体的，获取多组海拔分层结果对应的局部方差变化速率，并对多组海拔分层的局部方差变化速率进行从大到小进行排序，将获取的海拔分层局部方差变化速率的最大值作为最优海拔分层结果，并将该最优海拔分层结果作为初始喀斯特石漠化分级参照系。作为本实施例中的一种优选方案，在尺度参数为5500时海拔分层CR_LVj的数值达到最大，该海拔分层结果为初始喀斯特石漠化分级参照系。
剔除模块203用于根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化区域和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系。
本实施例中，由于待划分区域内包括非喀斯特石漠化区域和不发生石漠化区域，其中，非喀斯特石漠化区域由环境要素数据中的岩性数据表示，具体的，将岩性数据中碎屑岩数据对应的分布范围作为非喀斯特石漠化区域。不发生石漠化区域由环境要素数据中的土地利用数据表示；具体的，将待划分区域内剩余的区域，基于土地利用数据剔除建设用地、水田和水域等不发生石漠化的范围。
本实施例中，根据所述初始喀斯特石漠化分级参照系，对土地利用数据和岩性数据进行多因子空间叠置，其中，多因子空间叠置是将环境要素数据中的岩性数据和土地利用数据作为控制因子，通过岩性数据剔除非喀斯特区域，依据土地利用类型剔除不发生石漠化区域，最终得到喀斯特石漠化待分级区域；在最终得到喀斯特石漠化待分级区域，将海拔分层结果细分不同的土地利用类型，得到喀斯特石漠化分级参照系，具体的，根据初始喀斯特石漠化分级参照系将海拔分层结果，叠加上述得到的喀斯特石漠化待分级区域，同时叠加土地利用数据对应的土地利用图，得到初始喀斯特石漠化分级参照系中不同海拔高度分层下对不同土地利用类型的细分区域，以使建立最终的喀斯特石漠化分级参照系，其中，不同土地利用类型包括旱地、林地和草地。
本实施例中，通过建立喀斯特石漠化分级参照系，区分了参照系内不同分区的遥感产品数值差异，有效降低了由于喀斯特环境因素对遥感信息反演技术造成的不确定性，增加了作为石漠化分级依据的遥感信息的可靠性，进而有效提高了石漠化分级精度。
标准化模块204用于根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标。
本实施例中，对所述遥感产品数据进行标准化处理是指根据喀斯特石漠化分级参照系，对喀斯特石漠化分级参照系中每一个分层区域中的归一化植被指数NDVI和地表温度LST的数值进行排序和分位数统计，根据预设公式计算所述归一化植被数据和所述地表温度数据对应的标准化数值；其中，计算归一化植被数据和所述地表温度数据对应的标准化数值的预设公式为：
Figure BDA0003403530790000191
Figure BDA0003403530790000192
其中，N.NDVIj和N.LSTj分别表示标准化的归一化植被指数NDVI和地表温度LST数值，NDVIj、
Figure BDA0003403530790000193
和
Figure BDA0003403530790000194
分别表示在j个分层区域内原始的归一化植被指数NDVI，所有归一化植被指数NDVI的1％分位数和90％分位数的数值，LSTj、
Figure BDA0003403530790000195
和
Figure BDA0003403530790000196
分别表示在j个分层区域内原始的地表温度LST，所有地表温度LST的10％分位数和99％分位数的数值。
本实施例中，对于归一化植被指数NDVI和地表温度LST的10％分位数和99％分位数的数值作为参考标准的选取，是基于以往研究中关于喀斯特石漠化分级标准来确定的；根据喀斯特石漠化分级标准，一般认为植被覆盖大于80％的区域为无石漠化区域，因此，90％参考标准的确定，按照无石漠化区域数值范围80％-100％的平均值来确定喀斯特土地系统处于健康状态。同时一般认为植被覆盖度低于10％是极重度石漠化的分级标准因此，1％参考标准表明喀斯特土地系统处于极端退化状态，处于该状态的面积比例极低，根据石漠化公报和前人研究的结果，最终确定为1％。地表温度LST数值与归一化植被指数NDVI为负相关关系，土地系统退化越严重，地表和基岩裸露更严重，因此，地表温度LST数值更大，反之，土地系统越健康，地表温度LST数值越小。因此，LST喀斯特土地系统处于健康状态和极端退化状态的参考基线，基于归一化植被指数NDVI参数的设定原则，分别设置LST的10％分位数和99％分位数的数值作为参考标准的确定。
本实施例中，在计算出归一化植被数据和所述地表温度数据对应的标准化数值后，建立“参考标准-石漠化现状-偏离指数”石漠化分级的标准化遥感指标，其中，参考标准为喀斯特石漠化分级参照系对应的归一化植被指数NDVI的1％分位数和90％分位数，以及地表温度LST和10％分位数和99％分位数，石漠化现状为原遥感产品数据的归一化植被指数NDVI和地表温度LST数值，偏离指数即为标准化后的归一化植被指数N.NDVIj和标准化后的地表温度N.LSTj。
本实施例中，应用喀斯特环境因素建立石喀斯特石漠化分级参照系，并提出了“参考标准-石漠化现状-偏离指数”分级指标计算方法，进行植被指数、地表温度等遥感数据标准化，有效解决了目前石漠化分级参照标准以及分级阈值难以确定的难题。
分级结果生成模块205用于根据所述标准化遥感指标进行多指标合成，计算喀斯特石漠化分级的标准遥感指标和阈值，根据所述喀斯特石漠化分级阈值对所述喀斯特石漠化待分级区域进行喀斯特石漠化分级，得到所述待分级区域的喀斯特石漠化分级结果。
本实施例中，根据所述标准化遥感指标进行多指标合成，计算公式如下所示，
Figure BDA0003403530790000211
其中，Kj是喀斯特石漠化分级的标准遥感指标，数值范围为0-1，Kj数值越小，表明石漠化越严重，反之，数值越大，表明石漠化越轻。
本实施例中，由于石漠化的分级标准多依据植被覆盖率和基岩裸露率来判定，而本实施例中通过计算的喀斯特石漠化分级阈值的百分比来代表了土地系统的健康与退化状态，因此，本实施例中，通过结合植被覆盖率、基岩裸露率和喀斯特石漠化分级阈值，确定三者的对应关系，将分级阈值的判定从植被覆盖率和基岩裸露率扩展到喀斯特石漠化分级的标准遥感指标Kj，增加了计算喀斯特石漠化分级阈值的参数可选性。
本实施例中，根据计算出的喀斯特石漠化分级阈值对喀斯特石漠化待分级区域进行划分，得到所述待划分区域的喀斯特石漠化分级结果；具体地，基于喀斯特石漠化分级指标Kj划分阈值，将喀斯特石漠化待分级区域的喀斯特石漠化待划分区域划分为无石漠化，潜在石漠化，轻度石漠化，中度石漠化和重度石漠化5个等级，同时结合植被覆盖率、基岩裸露率和喀斯特石漠化分级阈值的关系，生成喀斯特石漠化分级划分标准图，其中，喀斯特石漠化分级划分标准图，如图3所示。
本实施例中，对于喀斯特石漠化分级阈值的计算，无需获取实地喀斯特石漠化分级的参考样本点以及先验知识，即可快速、准确地建立遥感信息与石漠化强度的对应关系，能够有效实现高效率的石漠化分级制图，具有可移植性。
本实施例中，由于生成喀斯特石漠化分级划分标准图，需要结合植被覆盖率、基岩裸露率，因此，为提高生成的成喀斯特石漠化分级划分标准图的准确性，本实施例针对不同植被覆盖率、基岩裸露率训练数据处理神经网络模型，以使建立不同植被覆盖率、基岩裸露率等级对应的覆盖率检测模型，其中，数据处理神经网络模型用于计算遥感产品上的植被覆盖率、基岩裸露率；具体的，在建立不同植被覆盖率、基岩裸露率对应的覆盖率检测模型时，通过在不同植被覆盖率、基岩裸露率的环境下获取的遥感产品，并将该遥感产品标注为训练样本，增强了算法针对不同场景下图像数据的适配能力。同时通过针对不同植被覆盖率、基岩裸露率对覆盖率检测模型，能解决相对单一训练的感知处理神经网络模型在不同植被覆盖率、基岩裸露率环境下泛化能力较差的特点，可以提高数据处理神经网络模型的推理精度。
本实施例中，对在不同植被覆盖率、基岩裸露率的环境下获取的遥感产品进行处理，包括将遥感产品缩放至数据处理神经网络模型的输入尺寸、将遥感产品的像素值归一化和将遥感产品转换为灰度图像。把经过处理后的遥感产品输入到数据处理神经网络模型中，得到遥感产品中各个分层区域对应的植被覆盖率、基岩裸露率。
本实施例中，通过将覆盖率检测模型检测得到的待划分区域的喀斯特石漠化待划分区域中各个分层区域对应的植被覆盖率、基岩裸露率，与根据计算出的喀斯特石漠化分级阈值对喀斯特石漠化待分级区域进行划分后的喀斯特石漠化分级结果进行对比，若两者划分结果相同，则输出根据喀斯特石漠化分级阈值计算得到的喀斯特石漠化分级结果。若不相同，则再次进行计算，直至两者结果相同。
本实施例中，通过根据植被覆盖率、基岩裸露率得到的喀斯特石漠化待分级区域的石漠化分级结果与根据喀斯特石漠化分级阈值计算得到的喀斯特石漠化分级结果做对比，能进一步提高输出石漠化分级结果的准确性，提高后续生成的喀斯特石漠化分级制图的有效性。
分级制图模块206用于将所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果与所述非喀斯特石漠化区域和不发生石漠化区域进行镶嵌，生成喀斯特石漠化分级制图。
本实施例中，将分级结果生成模块205中得到的喀斯特石漠化待分级区域的喀斯特石漠化分级结果与剔除模块203中剔除的非喀斯特石漠化区域和不发生石漠化区域进行镶嵌，形成完整的待划分区域，并在镶嵌后的待划分区域中对不同的区域进行标记，具体为，非喀斯特区域标记为非喀斯特，不发生石漠化区域标记为无石漠化，同时对于其他区域，根据分级结果生成模块205中的喀斯特石漠化分级划分标准图进行标记，形成最终的喀斯特石漠化分级制图结果。
本发明实施例中，还提供了一种喀斯特石漠化的分级制图的设备，包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序，处理器执行计算机程序时实现上述的喀斯特石漠化的分级制图方法。
本发明实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述的喀斯特石漠化的分级制图方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (10)

1.一种喀斯特石漠化的分级制图方法，其特征在于，包括：
获取格式一致的待划分区域的遥感产品数据和环境要素数据，其中，所述环境要素数据包括海拔数据、土地利用数据和岩性数据；
根据所述海拔数据，设置并根据多组分层参数，对所述待划分区域进行海拔分层，将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系；
根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化区域和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系；
根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标；
根据所述标准化遥感指标进行多指标合成，计算喀斯特石漠化分级的标准遥感指标和阈值，根据所述喀斯特石漠化分级阈值对所述喀斯特石漠化待分级区域进行喀斯特石漠化分级，得到所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果；
将所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果与所述非喀斯特石漠化区域和不发生石漠化区域进行镶嵌，生成喀斯特石漠化分级制图。
2.如权利要求1所述的一种喀斯特石漠化的分级制图方法，其特征在于，所述获取格式一致的待划分区域的遥感产品数据和环境要素数据，具体为：
获取待划分区域的遥感产品数据和环境要素数据，对所述遥感产品数据和所述环境要素数据的空间范围和参照坐标系进行统一处理，以使所述遥感产品数据和所述环境要素数据格式一致。
3.如权利要求1所述的一种喀斯特石漠化的分级制图方法，其特征在于，所述将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系，具体为：
获取所述多组海拔分层结果，基于局部方差方法分别计算所述多组海拔分层结果对应的局部方差值；
同时根据所述局部方差值，计算其对应的局部方差变化速率，根据所述局部方差变化速率选取最优海拔分层结果，并将所述最优海拔分层结果作为初始喀斯特石漠化分级参照系。
4.如权利要求1所述的一种喀斯特石漠化的分级制图方法，其特征在于，根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系，具体为：
对所述土地利用数据和所述岩性数据进行多因子空间叠置，基于所述土地利用数据剔除所述待划分区域内的不发生石漠化区域，基于所述岩性数据剔除所述待划分区域内的非喀斯特石漠化区域，获得喀斯特石漠化待分级区域；
根据所述初始喀斯特石漠化分级参照系的海拔分层结果，空间叠置所述喀斯特石漠化待分级区域和所述土地利用数据，获得喀斯特石漠化分级参照系。
5.如权利要求1所述的一种喀斯特石漠化的分级制图方法，其特征在于，所述根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标，具体为：
根据所述喀斯特石漠化分级参照系，对所述喀斯特石漠化分级参照系中每一个分层区域中的所述遥感产品数据进行数值排序和分位数统计，其中，所述遥感产品数据包括归一化植被数据和地表温度数据；
根据预设公式计算所述归一化植被数据和所述地表温度数据对应的标准化数值，并对所述植被和地表温度标准化数据进行合成，生成喀斯特石漠化分级的标准化遥感指标，其中，预设公式如下所示：
Figure FDA0003403530780000031
Figure FDA0003403530780000032
其中，N.NDVIj和N.LSTj分别表示标准化的归一化植被指数NDVI和地表温度LST数值，NDVIj、
Figure FDA0003403530780000033
和
Figure FDA0003403530780000034
分别表示在j个分层区域内原始的归一化植被指数NDVI，所有归一化植被指数NDVI的1％分位数和90％分位数的数值，LSTj、
Figure FDA0003403530780000035
和
Figure FDA0003403530780000036
分别表示在j个分层区域内原始的地表温度LST，所有地表温度LST的10％分位数和99％分位数的数值。
6.一种喀斯特石漠化的分级制图装置，其特征在于，包括：获取模块、分层模块、剔除模块、标准化模块、分级结果生成模块和分级制图模块；
所述获取模块用于获取格式一致的待划分区域的遥感产品数据和环境要素数据，其中，所述环境要素数据包括海拔数据、土地利用数据和岩性数据；
所述分层模块用于根据所述海拔数据，设置并根据多组分层参数，对所述待划分区域进行海拔分层，将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系；
所述剔除模块用于根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化区域和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系；
所述标准化模块用于根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标；
所述分级结果生成模块用于将所述标准化遥感指标进行多指标合成，计算喀斯特石漠化分级的标准遥感指标和阈值，根据所述喀斯特石漠化分级阈值对所述喀斯特石漠化待分级区域进行喀斯特石漠化分级，得到所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果；
所述分级制图模块用于将所述喀斯特石漠化待分级区域的喀斯特石漠化分级结果与所述非喀斯特石漠化区域和所述不发生石漠化区域进行镶嵌，生成喀斯特石漠化分级制图。
7.如权利要求6所述的一种喀斯特石漠化的分级制图装置，其特征在于，所述获取模块用于获取格式一致的待划分区域的遥感产品数据和环境要素数据，具体为：
获取待划分区域的遥感产品数据和环境要素数据，对所述遥感产品数据和所述环境要素数据的空间范围和参照坐标系进行统一处理，以使所述遥感产品数据和所述环境要素数据格式一致。
8.如权利要求6所述的一种喀斯特石漠化的分级制图装置，其特征在于，所述分层模块用于将多组海拔分层结果中的最优海拔分层结果作为初始喀斯特石漠化分级参照系，具体为：
获取所述多组海拔分层结果，基于局部方差方法分别计算所述多组海拔分层结果对应的局部方差值；
同时根据所述局部方差值，计算其对应的局部方差变化速率，根据所述局部方差变化速率选取最优海拔分层结果，并将所述最优海拔分层结果作为初始喀斯特石漠化分级参照系。
9.如权利要求6所述的一种喀斯特石漠化的分级制图装置，其特征在于，所述剔除模块用于根据所述初始喀斯特石漠化分级参照系，对所述土地利用数据和所述岩性数据进行多因子空间叠置，获取并剔除所述待划分区域内的非喀斯特石漠化和不发生石漠化区域，获得喀斯特石漠化待分级区域，生成喀斯特石漠化分级参照系，具体为：
对所述土地利用数据和所述岩性数据进行多因子空间叠置，基于所述土地利用数据剔除所述待划分区域内的不发生石漠化区域，基于所述岩性数据剔除所述待划分区域内的非喀斯特石漠化区域，获得喀斯特石漠化待分级区域；
根据所述初始喀斯特石漠化分级参照系的海拔分层结果，空间叠置所述喀斯特石漠化待分级区域和所述土地利用数据，获得喀斯特石漠化分级参照系。
10.如权利要求6所述的一种喀斯特石漠化的分级制图装置，其特征在于，所述标准化模块用于根据所述喀斯特石漠化分级参照系对所述遥感产品数据进行标准化处理，生成喀斯特石漠化分级的标准化遥感指标，具体为：
根据所述喀斯特石漠化分级参照系，对所述喀斯特石漠化分级参照系中每一个分层区域中的所述遥感产品数据进行数值排序和分位数统计，其中，所述遥感产品数据包括归一化植被数据和地表温度数据；
根据预设公式计算所述归一化植被数据和所述地表温度数据对应的标准化数值，并对所述植被和地表温度标准化数据进行合成，生成喀斯特石漠化分级的标准化遥感指标，其中，预设公式如下所示：
Figure FDA0003403530780000051
Figure FDA0003403530780000061
其中，N.NDVIj和N.LSTj分别表示标准化的归一化植被指数NDVI和地表温度LST数值，NDVIj、
Figure FDA0003403530780000062
和
Figure FDA0003403530780000063
分别表示在j个分层区域内原始的归一化植被指数NDVI，所有归一化植被指数NDVI的1％分位数和90％分位数的数值，LSTj、
Figure FDA0003403530780000064
和
Figure FDA0003403530780000065
分别表示在j个分层区域内原始的地表温度LST，所有地表温度LST的10％分位数和99％分位数的数值。
CN202111507003.0A 2021-12-10 2021-12-10 一种喀斯特石漠化的分级制图方法及装置 Expired - Fee Related CN114202551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111507003.0A CN114202551B (zh) 2021-12-10 2021-12-10 一种喀斯特石漠化的分级制图方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111507003.0A CN114202551B (zh) 2021-12-10 2021-12-10 一种喀斯特石漠化的分级制图方法及装置

Publications (2)

Publication Number Publication Date
CN114202551A true CN114202551A (zh) 2022-03-18
CN114202551B CN114202551B (zh) 2022-06-03

Family

ID=80652224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111507003.0A Expired - Fee Related CN114202551B (zh) 2021-12-10 2021-12-10 一种喀斯特石漠化的分级制图方法及装置

Country Status (1)

Country Link
CN (1) CN114202551B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115019184A (zh) * 2022-07-28 2022-09-06 北京卫星信息工程研究所 基于遥感影像的石漠化程度自动分级方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108051565A (zh) * 2017-12-14 2018-05-18 中国科学院地理科学与资源研究所 大尺度土地沙漠化的快速监测方法
CN109006111A (zh) * 2018-07-16 2018-12-18 雷学军 生态文明建设的方法
CN110553980A (zh) * 2019-07-03 2019-12-10 中南大学 基于多源遥感数据的石漠化治理成效多指标监测评价方法
US20200408731A1 (en) * 2019-06-28 2020-12-31 Institute Of Geochemistry, Chinese Academy Of Sciences Method for Estimating Soil Organic Carbon in Karst Area
AU2020103423A4 (en) * 2020-11-13 2021-01-28 Nanjing Forestry University Identification Method of Land Suitable for Afforestation in Karst Area Based on Neural Network System
CN113076796A (zh) * 2021-02-08 2021-07-06 中国科学院地理科学与资源研究所 喀斯特石漠化的遥感制图方法及装置
CN113269030A (zh) * 2021-04-07 2021-08-17 中南林业科技大学 石漠化演变的遥感监测方法
CN113640041A (zh) * 2021-09-18 2021-11-12 贵州大学 一种喀斯特石漠化区岩-土界面形态及土壤信息采集方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108051565A (zh) * 2017-12-14 2018-05-18 中国科学院地理科学与资源研究所 大尺度土地沙漠化的快速监测方法
CN109006111A (zh) * 2018-07-16 2018-12-18 雷学军 生态文明建设的方法
US20200408731A1 (en) * 2019-06-28 2020-12-31 Institute Of Geochemistry, Chinese Academy Of Sciences Method for Estimating Soil Organic Carbon in Karst Area
CN110553980A (zh) * 2019-07-03 2019-12-10 中南大学 基于多源遥感数据的石漠化治理成效多指标监测评价方法
AU2020103423A4 (en) * 2020-11-13 2021-01-28 Nanjing Forestry University Identification Method of Land Suitable for Afforestation in Karst Area Based on Neural Network System
CN113076796A (zh) * 2021-02-08 2021-07-06 中国科学院地理科学与资源研究所 喀斯特石漠化的遥感制图方法及装置
CN113269030A (zh) * 2021-04-07 2021-08-17 中南林业科技大学 石漠化演变的遥感监测方法
CN113640041A (zh) * 2021-09-18 2021-11-12 贵州大学 一种喀斯特石漠化区岩-土界面形态及土壤信息采集方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
CHUNHUA QIAN 等: "Optimization of Rocky Desertification Classification Model Based on Vegetation Type and Seasonal Characteristic", 《REMOTE SENSING》 *
CHUNHUA QIAN 等: "Optimization of Rocky Desertification Classification Model Based on Vegetation Type and Seasonal Characteristic", 《REMOTE SENSING》, 26 July 2021 (2021-07-26), pages 1 - 23 *
E.Q XU 等: "Characterization and interaction of driving factors in karst rocky desertification: a case study from Changshun，China", 《SOLID EARTH DISCUSS》 *
E.Q XU 等: "Characterization and interaction of driving factors in karst rocky desertification: a case study from Changshun，China", 《SOLID EARTH DISCUSS》, 9 October 2014 (2014-10-09), pages 2939 - 2969 *
EQ XU 等: "Object‐Based Mapping of Karst Rocky Desertification using a Support Vector Machine", 《LAND DEGRADATION & DEVELOPMENT》 *
EQ XU 等: "Object‐Based Mapping of Karst Rocky Desertification using a Support Vector Machine", 《LAND DEGRADATION & DEVELOPMENT》, 31 December 2015 (2015-12-31), pages 158 - 167 *
王明明 等: "典型小流域喀斯特石漠化演变特征及其关键表征因子与驱动因素", 《生态学报》 *
王明明 等: "典型小流域喀斯特石漠化演变特征及其关键表征因子与驱动因素", 《生态学报》, vol. 39, no. 16, 31 August 2019 (2019-08-31), pages 6083 - 6097 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115019184A (zh) * 2022-07-28 2022-09-06 北京卫星信息工程研究所 基于遥感影像的石漠化程度自动分级方法及装置

Also Published As

Publication number Publication date
CN114202551B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Jafari et al. Spatial prediction of soil great groups by boosted regression trees using a limited point dataset in an arid region, southeastern Iran
Pradhan et al. Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling
Yang et al. Mapping topsoil electrical conductivity by a mixed geographically weighted regression kriging: A case study in the Heihe River Basin, northwest China
Haselbeck et al. Self-organizing maps for the identification of groundwater salinity sources based on hydrochemical data
Pawluszek Landslide features identification and morphology investigation using high-resolution DEM derivatives
CN113283802A (zh) 一种复杂艰险山区滑坡危险性评估方法
CN111028255A (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
Bishop et al. Digital soil-terrain modeling: the predictive potential and uncertainty
Sarkar Accuracy assessment and analysis of land use land cover change using geoinformatics technique in Raniganj Coalfield Area, India
CN111539904B (zh) 一种基于降雨量的灾害易发性预测方法
CN112131731A (zh) 一种基于空间特征向量滤波的城市生长元胞模拟方法
Schleier et al. Robust landslide susceptibility analysis by combination of frequency ratio, heuristic GIS-methods and ground truth evaluation for a mountainous study area with poor data availability in the Three Gorges Reservoir area, PR China
CN110569733A (zh) 基于遥感大数据平台的湖泊长时序连续水域变化重建方法
Supriyono Critical land detection watershed river bengkulu and effect of coastal area using geographic information system
Mallick Geospatial-based soil variability and hydrological zones of Abha semi-arid mountainous watershed, Saudi Arabia
CN114202551B (zh) 一种喀斯特石漠化的分级制图方法及装置
Pawłuszek et al. Landslides identification using airborne laser scanning data derived topographic terrain attributes and support vector machine classification
Habib Quantifying topographic ruggedness using principal component analysis
Camargo et al. An open source object-based framework to extract landform classes
Nguyen et al. Gaussian anamorphosis for ensemble kalman filter analysis of SAR-derived wet surface ratio observations
Ahmadlou et al. Comparing ANN and CART to model multiple land use changes: A case study of Sari and Ghaem-Shahr cities in Iran
CN114842356B (zh) 一种高分辨率地表类型样本自动生成方法、系统及设备
Tochamnanvita et al. Investigation of coastline changes in three provinces of Thailand using remote sensing
MacMillan Experiences with applied DSM: protocol, availability, quality and capacity building
CN112907567B (zh) 基于空间推理方法的sar图像有序人造构筑物提取方法

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
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: 20220603