CN114266958A - 一种基于云平台的红树林遥感快速精准提取方法 - Google Patents
一种基于云平台的红树林遥感快速精准提取方法 Download PDFInfo
- Publication number
- CN114266958A CN114266958A CN202111354990.5A CN202111354990A CN114266958A CN 114266958 A CN114266958 A CN 114266958A CN 202111354990 A CN202111354990 A CN 202111354990A CN 114266958 A CN114266958 A CN 114266958A
- Authority
- CN
- China
- Prior art keywords
- image
- ndvi
- mangrove
- vegetation
- mangrove forest
- 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
Links
- 240000002044 Rhizophora apiculata Species 0.000 title claims abstract description 76
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 7
- 241000120622 Rhizophoraceae Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 4
- 238000000034 method Methods 0.000 abstract description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
一种基于云平台的红树林遥感快速精准提取方法,涉及红树林分布图制作领域,本发明首先利用GoogleEarthEngine云平台筛选质量好的Sentinel‑2影像形成一个影像集;计算影像集中每一个影像的植被指数NDVI得到空间上的NDVI图像;形成最大NDVI像元组成的低潮图像;利用mask函数擦除没有植被的区域;利用MFVI指数识别红树林空间分布信息;利用mask函数擦除非红树林的区域,得到红树林的空间分布图。本发明克服了周期性的潮水淹没给红树林遥感解译带来的困难,解决了淹没红树林漏绘和内陆植被错分为红树林的问题。本发明快捷有效,提高了红树林解译的精度和可信度,具有可重复性和鲁棒性。
Description
技术领域
本发明涉及红树林分布图制作技术领域,具体涉及一种基于云平台的红树林遥感快速精准提取方法。
背景技术
红树林湿地生态系统作为最具生命力的海洋自然生态系统要素之一,在净化环境、维持生物多样性、防风消浪和固碳储碳等方面发挥着重要作用。2020年8月,为全面加强红树林保护修复工作,自然资源部、国家林业和草原局制定了《红树林保护修复专项行动计划(2020-2025年)》,其中明确指出要利用卫星遥感等高新技术手段,及时掌握红树林资源、生物多样性、重要生态功能、环境质量现状等的动态变化。因此,实时精准的获取红树林分布图是加强红树林保护管理和生态恢复的基础。
近年来,遥感技术已成为制作红树林专题图的有效方法。然而,红树林生长于海岸潮间带地区,周期性的潮水浸没给红树林精准制图带来了困难。此外,部分内陆植被在遥感影像中与红树林存在类似的颜色、纹理和分布规律(靠近水域)等特征,往往要借助大量辅助数据才能获取红树林的空间分布信息。近几年,遥感数据云平台(Google Earth Engine)的大范围使用和2-5天重访周期的哨兵-2号多光谱数据(Sentinel-2MSI)的出现给红树林快速精准识别带来了新的机遇。
发明内容
为了解决现有遥感技术无法快速精准识别获取红树林分布的问题,本发明提供一种基于云平台的红树林遥感快速精准提取方法。
本发明为解决技术问题所采用的技术方案如下:
本发明的一种基于云平台的红树林遥感快速精准提取方法,包括以下步骤:
步骤一、利用Google Earth Engine云平台,筛选研究区1月~3月和10月~12月时间段内的Sentinel-2MSI影像,形成影像集;
步骤二、计算影像集中每一个影像的植被指数NDVI,得到空间上的NDVI图像,并将NDVI图像作为一个波段,合并到原始影像中;植被指数NDVI的计算公式为:
NDVI=(ρNIR-ρRed)/(ρNIR+ρRed) (1)
式中,ρNIR和ρRed分别表示近红外波段和红波段的反射率;
步骤三、利用Google Earth Engine云平台中的qualityMosaic函数选取影像集中NDVI值最大的像素,形成由最大NDVI像素组成的低潮影像;
步骤四、利用OTSU算法自动计算NDVI阈值获取植被范围,利用mask函数擦除没有植被覆盖的区域;
步骤五、利用红树林与内陆植被在近红外波段和短波红外波段反射率明显差异的原理,建立适用于Sentinel-2MSI影像的红树林指数MFVI;设置MFVI阈值,提取红树林分布区域;红树林指数MFVI的计算公式为:
MFVI=(ρRedEdge4-ρGreen)/(ρSWIR1-ρGreen) (2)
式中,ρRedEdge4、ρGreen和ρSWIR1分别表示窄边近红外波段、绿波段和短波红外波段的反射率;
步骤六、设置MFVI阈值,选出植被覆盖区域中的红树林;
步骤七、利用mask函数擦除非红树林的区域得到红树林的空间分布。
进一步的,步骤一中,所述Sentinel-2MSI影像的云量小于10%。
进一步的,步骤三中,通过qualityMosaic函数对植被指数NDVI进行qualityMosaic形成一幅新的影像,影像中每一个像素都是时间序列上NDVI值最大的像素,某一个像素的NDVI值越大,则表示该像素是植被的可能性越大。
进一步的,步骤四中,通过mask函数直接将NDVI阈值中的非植被像素进行掩膜,使这部分像素区域被擦除。
进一步的,步骤六中,所述MFVI阈值大于5。
本发明的有益效果是:
本发明的一种基于云平台的红树林遥感快速精准提取方法,实现了快速精准的识别和获取红树林空间分布的需求。本发明首先利用Google Earth Engine云平台筛选质量好的Sentinel-2影像;然后利用Google Earth Engine提供的qualityMosaic函数,对影像集中NDVI最大值的像元进行融合,形成低潮影像;对新生成的融合影像进行阈值分类,空间叠加分析,最终获取红树林空间分布结果。
本发明克服了周期性的潮水淹没给红树林遥感解译带来的困难,解决了淹没红树林漏绘和内陆植被错分为红树林的问题。
本发明的一种基于云平台的红树林遥感快速精准提取方法,快捷有效,提高了红树林解译的精度和可信度,具有可重复性和鲁棒性,对红树林遥感制图具有极其重要的意义。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1为具体实施方式一中影像筛选结果。
图2为具体实施方式一中红树林覆盖范围最大的影像。
图3为具体实施方式一中植被覆盖区域影像。
图4为具体实施方式一中红树林与内陆植被的光谱响应曲线。
图5为具体实施方式一中获取的红树林分布图。
具体实施方式
本发明的一种基于云平台的红树林遥感快速精准提取方法,主要包括以下步骤:
步骤一、利用Google Earth Engine云平台,筛选研究区1月~3月和10月~12月时间段内的Sentinel-2MSI影像,形成影像集;
步骤二、计算影像集中每一个影像的植被指数NDVI,得到空间上的NDVI图像,并将NDVI图像作为一个波段,合并到原始影像中;植被指数NDVI的计算公式为:
NDVI=(ρNIR-ρRed)/(ρNIR+ρRed) (1)
式中,ρNIR和ρRed分别表示近红外波段和红波段的反射率;
步骤三、利用Google Earth Engine云平台中的qualityMosaic函数选取影像集中NDVI值最大的像素,形成由最大NDVI像素组成的低潮影像;
步骤四、利用OTSU算法自动计算NDVI阈值获取植被范围,利用mask函数擦除没有植被覆盖的区域;
步骤五、利用红树林与内陆植被在近红外波段和短波红外波段反射率明显差异的原理,建立适用于Sentinel-2MSI影像的红树林指数MFVI;设置MFVI阈值,提取红树林分布区域;红树林指数MFVI的计算公式为:
MFVI=(ρRedEdge4-ρGreen)/(ρSWIR1-ρGreen) (2)
式中,ρRedEdge4、ρGreen和ρSWIR1分别表示窄边近红外波段、绿波段和短波红外波段的反射率;
步骤六、设置MFVI阈值,选出植被覆盖区域中的红树林;
步骤七、利用mask函数擦除非红树林的区域得到红树林的空间分布。
具体实施方式一
本发明的一种基于云平台的红树林遥感快速精准提取方法,应用于福建漳江口红树林国家级自然保护区中的红树林空间分布信息快速精准提取,具体包括以下步骤:
(1)利用Google Earth Engine云平台,筛选研究区即福建漳江口红树林国家级自然保护区1月~3月和10月~12月时间段内且云量小于10%的Sentinel-2MSI影像,形成影像集;经过计算该研究区在2020年共有12景符合条件的影像,影像筛选结果如图1所示。
(2)计算影像集中每一个影像的植被指数(NDVI),得到空间上的NDVI图像,并将NDVI图像作为一个波段,合并到原始影像中。植被指数NDVI的计算公式为:
NDVI=(ρNIR-ρRed)/(ρNIR+ρRed) (1)
式中,ρNIR表示近红外波段反射率;ρRed表示红波段的反射率。
(3)利用Google Earth Engine云平台中的qualityMosaic函数选取影像集中NDVI值最大的像素,形成由最大NDVI像素组成的低潮影像。
本发明所采用的qualityMosaic函数是一种基于像素的影像镶嵌方法,将时间序列上的像素中所选特征值最大的像素选取出来组成一幅新的影像。通过qualityMosaic函数对植被指数NDVI进行qualityMosaic形成一幅新的影像,影像中每一个像素都是时间序列上NDVI值最大的像素,某一个像素的NDVI值越大,则表示该像素是植被的可能性越大。所获得的红树林覆盖范围最大的影像如图2所示。
(4)利用OTSU算法自动计算NDVI阈值获取植被范围,NDVI值大于0.19为植被覆盖范围,通过mask函数直接将NDVI阈值中的非植被像素进行掩膜,擦除没有植被覆盖的区域。植被覆盖区域影像如图3所示。
(5)利用红树林与内陆植被在近红外波段和短波红外波段反射率明显差异的原理,建立适用于Sentinel-2MSI影像的红树林指数(MFVI),该红树林指数(MFVI)能够精确地区分红树林与内陆植被,不需要借助其他辅助数据,所得红树林与内陆植被的光谱响应曲线如图4所示。
(6)设置MFVI阈值大于5,提取红树林分布区域;红树林指数MFVI的计算公式为:
MFVI=(ρRedEdge4-ρGreen)/(ρSWIR1-ρGreen) (2)
式中,ρRedEdge4、ρGreen和ρSWIR1分别表示窄边近红外波段(B8A)、绿波段(B4)和短波红外波段(B11)的反射率。
(7)利用mask函数擦除非红树林的区域就得到了红树林的空间分布,如图5所示。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于云平台的红树林遥感快速精准提取方法,其特征在于,包括以下步骤:
步骤一、利用Google Earth Engine云平台,筛选研究区1月~3月和10月~12月时间段内的Sentinel-2MSI影像,形成影像集;
步骤二、计算影像集中每一个影像的植被指数NDVI,得到空间上的NDVI图像,并将NDVI图像作为一个波段,合并到原始影像中;植被指数NDVI的计算公式为:
NDVI=(ρNIR-ρRed)/(ρNIR+ρRed) (1)
式中,ρNIR和ρRed分别表示近红外波段和红波段的反射率;
步骤三、利用Google Earth Engine云平台中的qualityMosaic函数选取影像集中NDVI值最大的像素,形成由最大NDVI像素组成的低潮影像;
步骤四、利用OTSU算法自动计算NDVI阈值获取植被范围,利用mask函数擦除没有植被覆盖的区域;
步骤五、利用红树林与内陆植被在近红外波段和短波红外波段反射率明显差异的原理,建立适用于Sentinel-2MSI影像的红树林指数MFVI;设置MFVI阈值,提取红树林分布区域;红树林指数MFVI的计算公式为:
MFVI=(ρRedEdge4-ρGreen)/(ρSWIR1-ρGreen) (2)
式中,ρRedEdge4、ρGreen和ρSWIR1分别表示窄边近红外波段、绿波段和短波红外波段的反射率;
步骤六、设置MFVI阈值,选出植被覆盖区域中的红树林;
步骤七、利用mask函数擦除非红树林的区域得到红树林的空间分布。
2.根据权利要求1所述的一种基于云平台的红树林遥感快速精准提取方法,其特征在于,步骤一中,所述Sentinel-2MSI影像的云量小于10%。
3.根据权利要求1所述的一种基于云平台的红树林遥感快速精准提取方法,其特征在于,步骤三中,通过qualityMosaic函数对植被指数NDVI进行qualityMosaic形成一幅新的影像,影像中每一个像素都是时间序列上NDVI值最大的像素,某一个像素的NDVI值越大,则表示该像素是植被的可能性越大。
4.根据权利要求1所述的一种基于云平台的红树林遥感快速精准提取方法,其特征在于,步骤四中,通过mask函数直接将NDVI阈值中的非植被像素进行掩膜,使这部分像素区域被擦除。
5.根据权利要求1所述的一种基于云平台的红树林遥感快速精准提取方法,其特征在于,步骤六中,所述MFVI阈值大于5。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354990.5A CN114266958A (zh) | 2021-11-16 | 2021-11-16 | 一种基于云平台的红树林遥感快速精准提取方法 |
CN202210666467.4A CN114821343A (zh) | 2021-11-16 | 2022-06-14 | 一种基于云平台的红树林遥感快速精准提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354990.5A CN114266958A (zh) | 2021-11-16 | 2021-11-16 | 一种基于云平台的红树林遥感快速精准提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266958A true CN114266958A (zh) | 2022-04-01 |
Family
ID=80825405
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111354990.5A Pending CN114266958A (zh) | 2021-11-16 | 2021-11-16 | 一种基于云平台的红树林遥感快速精准提取方法 |
CN202210666467.4A Pending CN114821343A (zh) | 2021-11-16 | 2022-06-14 | 一种基于云平台的红树林遥感快速精准提取方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210666467.4A Pending CN114821343A (zh) | 2021-11-16 | 2022-06-14 | 一种基于云平台的红树林遥感快速精准提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114266958A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 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 |
CN115063437A (zh) * | 2022-06-16 | 2022-09-16 | 广西壮族自治区气象科学研究所 | 一种红树林冠层可见光图像指数特征分析方法及系统 |
CN115078263A (zh) * | 2022-05-27 | 2022-09-20 | 苏州科技大学 | 顾及潮汐影响的海草遥感信息提取方法 |
CN115512223A (zh) * | 2022-09-28 | 2022-12-23 | 桂林理工大学 | 一种融合多种变化检测算法的红树林动态监测方法 |
CN115620133A (zh) * | 2022-10-08 | 2023-01-17 | 宁波大学 | 一种顾及物候与水位时序特征的红树林提取方法 |
-
2021
- 2021-11-16 CN CN202111354990.5A patent/CN114266958A/zh active Pending
-
2022
- 2022-06-14 CN CN202210666467.4A patent/CN114821343A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 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 |
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 |
CN115078263A (zh) * | 2022-05-27 | 2022-09-20 | 苏州科技大学 | 顾及潮汐影响的海草遥感信息提取方法 |
CN115063437A (zh) * | 2022-06-16 | 2022-09-16 | 广西壮族自治区气象科学研究所 | 一种红树林冠层可见光图像指数特征分析方法及系统 |
CN115512223A (zh) * | 2022-09-28 | 2022-12-23 | 桂林理工大学 | 一种融合多种变化检测算法的红树林动态监测方法 |
CN115512223B (zh) * | 2022-09-28 | 2023-08-11 | 桂林理工大学 | 一种融合多种变化检测算法的红树林动态监测方法 |
CN115620133A (zh) * | 2022-10-08 | 2023-01-17 | 宁波大学 | 一种顾及物候与水位时序特征的红树林提取方法 |
CN115620133B (zh) * | 2022-10-08 | 2023-05-23 | 宁波大学 | 一种顾及物候与水位时序特征的红树林提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114821343A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114266958A (zh) | 一种基于云平台的红树林遥感快速精准提取方法 | |
Chen et al. | Spatially and temporally weighted regression: A novel method to produce continuous cloud-free Landsat imagery | |
Sun et al. | Monitoring dynamic changes of global land cover types: Fluctuations of major lakes in China every 8 days during 2000–2010 | |
Li et al. | An index and approach for water extraction using Landsat–OLI data | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
Saeed et al. | Coastline extraction using satellite imagery and image processing techniques | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN110334623B (zh) | 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法 | |
Feng et al. | A hierarchical extraction method of impervious surface based on NDVI thresholding integrated with multispectral and high-resolution remote sensing imageries | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
He et al. | Object‐Based Distinction between Building Shadow and Water in High‐Resolution Imagery Using Fuzzy‐Rule Classification and Artificial Bee Colony Optimization | |
CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
Hu et al. | Combination of hard and soft classification method based on adaptive threshold | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
Mukhtar | Land use land cover change detection through remote sensing approach in Kano State Nigeria | |
Siok et al. | A simulation approach to the spectral quality of multispectral images enhancement | |
CN113592770B (zh) | 一种去除水草影响的藻华遥感识别方法 | |
Liao et al. | Study on mangrove of maximum likelihood: Reclassification method in Xiezhou bay | |
Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
CN110033460B (zh) | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 | |
El-Mezouar et al. | A high-resolution index for vegetation extraction in IKONOS images | |
Yang et al. | A comparative analysis of machine learning methods for algal Bloom detection using remote sensing images | |
Thompson et al. | A methodology proposed for a South African national wetland inventory | |
Kumar et al. | Accuracy assessment of land cover classification and change detection using remote sensing and GIS |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220401 |
|
WD01 | Invention patent application deemed withdrawn after publication |