CN114266981A - 一种适用于高山峡谷地区的遥感智能解译方法 - Google Patents
一种适用于高山峡谷地区的遥感智能解译方法 Download PDFInfo
- Publication number
- CN114266981A CN114266981A CN202111300390.0A CN202111300390A CN114266981A CN 114266981 A CN114266981 A CN 114266981A CN 202111300390 A CN202111300390 A CN 202111300390A CN 114266981 A CN114266981 A CN 114266981A
- Authority
- CN
- China
- Prior art keywords
- function
- remote sensing
- value
- weighted sum
- interpretation method
- 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
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种适用于高山峡谷地区的遥感智能解译方法,使用至少5个波段的数据,基于线性预测函数分类,所述线性预测函数结合了特征向量,这些特征向量与权重相结合以构建预测函数;在找到特征向量并初始化权重后,计算加权和;所述加权和作为二元分类器输出函数的输入,利用所述二元分类器的输出函数,将所述输入“x”映射到一个值“y”,使用硬限制功能执行分类过程,在执行分类过程时使用临界值;所述临界值取决于所述特征向量和所述权重,选择物体像素显示的加权和的最大可能值,将每个像素获取的加权和与临界值进行比较,从而完成分类。
Description
技术领域
本发明涉及遥感数据解译技术领域,特别地涉及一种适用于高山峡谷地区的遥感智能解译方法。
背景技术
水资源是地球生态系统中不可或缺的重要资源,是气候变化和生态系统演化的重要影响因素。快速精准地识别水域,对水资源调查、洪水监测及防灾减灾等有重要意义。随着遥感技术的发展,高分辨率遥感成为目前水体监测的重要手段。目前,人们广泛探索了从卫星图像中提取水域的方法。已经开发了几种方法来从空间、光谱和时间特征不同的不同卫星图像中描绘水域。用卫星图像绘制森林和水域等自然资源的地图变得越来越重要。森林和水资源都受到强烈开发,定期监测对于可持续管理至关重要。在全球碳循环和气候变化中发挥关键作用的水域在时空域中被绘制出来,以分析和评估其退化和消失的程度和速度。
世界各地的研究人员已经使用了不同的卫星数据在空间、光谱和时间特征的变化,以产生土地利用土地覆盖的专题地图或特别强调水域。同时,已经采用了各种技术从卫星图像中提取这些特征,每种方法都有其优点和缺点。卫星数据的目视解译提供了对不同大小水域的最佳描绘,但很耗时,尤其是在处理高分辨率数据时。当水域与其他类别之间存在光谱重叠时,使用交互式自组织数据分析技术这类简单且常见的无监督分类方法,提供的结果精度和解译效率非常低。
发明内容
针对上述现有技术中的问题,本申请提出了一种适用于高山峡谷地区的遥感智能解译方法,使用至少5个波段的数据,基于线性预测函数分类,所述线性预测函数结合了特征向量,这些特征向量与权重相结合以构建预测函数;在找到特征向量并初始化权重后,计算加权和;所述加权和作为二元分类器输出函数的输入,利用所述二元分类器的输出函数,将所述输入“x”映射到一个值“y”,使用硬限功能执行分类过程,在执行分类过程时使用临界值;所述临界值取决于所述特征向量和所述权重,选择物体像素显示的加权和的最大可能值,将每个像素获取的加权和与临界值进行比较,从而完成分类。
优选地,特征向量通过找出作为物体特征的描述符来定义。
优选地,权重取决于对象的空间和时间属性。
优选地,每个向量的权重函数是关于时间和位置的函数Gi(r,t),通过统计大量不同时间、不同地点、不同物体的反射率值的变化数据,拟合出每个向量的权重函数Gi(r,t),通常情况下权重函数Gi(r,t)的数值与标准时间严格相关,如果遇到多个像素点反射率实际测量值偏离历史同期数据时,允许计算机根据反射率实际测量值自动匹配另一时间段的权重函数曲线,以适应特例情况。
优选地,特征向量包括短波红外波段物体的反射辐射值和反射波段中不同物体的反射率值的变化规律。
优选地,根据反射波段中不同物体的反射率值的变化规律,对绿地、建筑物和非绿地的智能提取。
上述技术特征可以各种适合的方式组合或由等效的技术特征来替代,只要能够达到本发明的目的。
本发明提供的一种适用于高山峡谷地区的遥感智能解译方法,与现有技术相比,至少具备有以下有益效果:本发明对基于遥感技术获取的大量数据进行智能、高效解译,综合考虑了多种与被测对象属性相关的特征,兼顾了时间、空间、特例水文气象等特征,使得高山峡谷地区的遥感数据解译更加智能、更加准确。遥感数据量庞杂繁巨,按照土地类型的变化情况,优选关注区域,才能获得更加高效、优质的解译结果。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中:
图1显示了本发明的感知器模型示意图;
图2显示了本发明的水域和其他土地特征的反射率值示意图;
图3显示了反射波段中不同物体的反射率值示意图;
具体实施方式
下面将结合附图对本发明作进一步说明。
本发明提供了一种适用于高山峡谷地区的遥感智能解译方法,使用至少5个波段的数据,即蓝色波段、绿色波段、红色波段、近红外波段和短波红外波段,基于线性预测函数分类,该函数结合了特征向量。特征向量是表示对象的属性;特征向量越多,分类过程就越容易。这些特征向量与权重相结合以构建预测函数。利用二元分类器,将输入“x”映射到一个值“y”使用硬限制功能(如图1所示)。
w为权重向量,w·x为点积。要使用感知器执行分类,第一步是通过找出作为水域特征的描述符来定义特征向量。在当前的研究中,仅使用基于像素的信息。一旦定义了向量特征,下一步就是初始化每个向量的权重。这些权重取决于对象的空间和时间属性。水域显示的波段反射值在不同季节会有所不同,因为水位增加、沉积物沉积和其他杂质。因此,每个向量的权重函数是关于时间和位置的函数Gi(r,t),通过统计大量不同时间、不同地点、不同物体的反射率值的变化数据,拟合出每个向量的权重函数Gi(r,t),通常情况下权重函数Gi(r,t)的数值与标准时间严格相关,如果遇到多个像素点反射率实际测量值偏离历史同期数据时,允许计算机根据反射率实际测量值自动匹配另一时间段的权重函数曲线,以适应特例情况(数十年一遇的干旱、洪水、严寒等)。
在找到特征向量并初始化权重后,计算加权和。这个加权和作为输出函数的输入。输出函数是一个硬限制二元函数,在执行分类过程时它使用临界值。临界值取决于特征向量和权重。在这种情况下,我们选择水域像素显示的加权和的最大可能值,并使用极值来计算该最大可能值。为每个像素获取的加权和与临界值进行比较,这样就完成了分类。
特征向量一:短波红外波段水的低反射辐射
在遥感图像中捕获的物体的反射辐射取决于物体吸收的电磁辐射的程度;也就是说,它吸收的越多,反射的就越少。水域在红外区域吸收更多。因此,水在红外和短波红外波段的反射辐射低于其他物体,如绿地、建筑物和非绿地等。非绿地包括裸露的土地、道路、沙地等,水域和地物部分像素的反射率值如图2所示。
进一步从图3可以清楚地看出,水域在所有红外波段(包括第五波段B5,即短波红外波段)中都显示出明显的低反射辐射值。
特征向量二:反射波段中不同物体的反射率值的变化规律
第五波段B5中水的反射率小于第二波段B2中水的反射,但不适用于其他对象,如非绿地、绿地或建筑物。因此,通过应用这个条件,可以很容易地提取水域。
第一波段B1中非绿地的反射率小于第二波段B2中非绿地的反射,但不适用于其他对象,如水域、绿地或建筑物。因此,通过应用这个条件,可以很容易地提取非绿地。
第三波段B3中绿地的反射率小于第四波段B4中绿地的反射,但不适用于其他对象,如水域、非绿地或建筑物。因此,通过应用这个条件,可以很容易地提取绿地。
第二波段B2中建筑物的反射率小于第一波段B1中建筑物的反射,且第二波段B2中建筑物的反射率小于第三波段B3中建筑物的反射,但不适用于其他对象,如水域、非绿地或绿地。因此,通过应用这个条件,合理设置第二波段B2与第三波段B3的差值临界值,可以很容易地提取建筑物。所述差值临界值是关于时间和位置的函数gi(r,t),通过统计大量不同时间、不同地点、不同物体的反射率值的变化数据,拟合出差值临界值函数gi(r,t),不同的差值临界值函数gi(r,t)之间相互关联,例如,通常情况下差值临界值函数gi(r,t)的数值与标准时间严格相关,如果遇到多个反射率实际测量值偏离历史同期数据时,允许计算机根据反射率实际测量值自动匹配另一时间段的差值临界值函数曲线,以适应特例情况(数十年一遇的干旱、洪水、严寒等)。
特征向量三:像素点位置的相对海拔高度与邻近区域的反射率值
高山峡谷地区的水域通常位于山体之间,两侧山体与峡谷共同构成天然的容器,同一容器内水域通常位于相对海拔较低的区域,解译过程中如若计算机判定同一山体同一连续坡面中海拔较高处有水域存在,那么推断同一山体同一连续坡面中海拔较低处也有水域存在;同理,解译过程中如若计算机判定同一山体同一连续坡面中海拔较低处没有水域存在,那么推断同一山体同一连续坡面中海拔较高处也没有水域存在。
此外,在同一个地区中,根据该区域不同土地覆盖类型对其生态系统服务功能状况的影响和作用,可以科学合理地对土地覆盖类型的生态级别进行分类。但对于不同类型的区域类型来说,不同的土地覆盖变化类型对其生态系统服务功能变化的影响和作用不同。因此,本申请针对不同的区域类型,分别对各种土地覆盖类型的转换趋势进行了计算。利用转换矩阵表征各种土地类型转换趋势,表达式如表1所示。
表1.土地利用转换矩阵的描述
其中,T1和T2为不同的提取期;TY11-TYnn是不同的土地利用类型;TR1-TRn是T1到T2的转移区;TYn+到TY+n表示T1和T2期间地面n的总面积。
计算某一土地利用类型的转移面积占转移前总面积的比例,代表转移期内的单一活跃度,表达式如下:Lj=(Sj-Sjj)/Sj T,其中,j为某一土地利用类型;Sj是转移前的面积;Sjj为未转移面积,单位为km2;T代表持续时间。Lj值反映变化前后两个时期之间某类型面积的净变化。计算机自动筛选Lj值较大的区域作为第一优先关注的目标区域。
为客观反映土地利用的动态变化,引入综合活跃度,即流转后某类土地总面积与流转前的比值,计算公式如下:Uj=(SA+SC)/Sj T,其中,SA为某一类型转换为其他类型的面积,SC表示其他土地利用类型转换为该类型的面积。Uj值大时,表明土地利用综合活跃程度大,土地利用流转频繁。计算机自动筛选(Lj+Uj)值较大的区域作为第二优先关注的目标区域。
为了反映区域特征并减少信息冗余,选择了5个空间度量来描述研究的区域。
表2.本发明的区域特征描述
以斑点数、斑点平均面积、斑点密度、周长面积指数和最大斑点比例五个指标作为雷达图的五个要素,自动生成对应的雷达图,按照雷达图中五边形面积值,从大到小排列图像顺序,计算机自动筛选五边形面积值较大的区域作为第三优先关注的目标区域。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (6)
1.一种适用于高山峡谷地区的遥感智能解译方法,其特征在于,使用至少5个波段的数据,基于线性预测函数分类,所述线性预测函数结合了特征向量,这些特征向量与权重相结合以构建预测函数;在找到特征向量并初始化权重后,计算加权和;所述加权和作为二元分类器输出函数的输入,利用所述二元分类器的输出函数,将所述输入“x”映射到一个值“y”,使用硬限功能执行分类过程,在执行分类过程时使用临界值;所述临界值取决于所述特征向量和所述权重,选择物体像素显示的加权和的最大可能值,将每个像素获取的加权和与临界值进行比较,从而完成分类。
2.根据权利要求1所述的适用于高山峡谷地区的遥感智能解译方法,其特征在于,所述特征向量通过找出作为物体特征的描述符来定义。
3.根据权利要求1-2所述的适用于高山峡谷地区的遥感智能解译方法,其特征在于,所述权重取决于对象的空间和时间属性。
4.根据权利要求3所述的适用于高山峡谷地区的遥感智能解译方法,其特征在于,每个向量的权重函数是关于时间和位置的函数Gi(r,t),通过统计大量不同时间、不同地点、不同物体的反射率值的变化数据,拟合出每个向量的权重函数Gi(r,t),通常情况下权重函数Gi(r,t)的数值与标准时间严格相关,如果遇到多个像素点反射率实际测量值偏离历史同期数据时,允许计算机根据反射率实际测量值自动匹配另一时间段的权重函数曲线,以适应特例情况。
5.根据权利要求1所述的适用于高山峡谷地区的遥感智能解译方法,其特征在于,所述特征向量包括短波红外波段物体的反射辐射值和反射波段中不同物体的反射率值的变化规律。
6.根据权利要求1至5任一项所述的适用于高山峡谷地区的遥感智能解译方法,其特征在于,包括根据反射波段中不同物体的反射率值的变化规律,对绿地、建筑物和非绿地的智能提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111300390.0A CN114266981B (zh) | 2021-11-04 | 2021-11-04 | 一种适用于高山峡谷地区的遥感智能解译方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111300390.0A CN114266981B (zh) | 2021-11-04 | 2021-11-04 | 一种适用于高山峡谷地区的遥感智能解译方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266981A true CN114266981A (zh) | 2022-04-01 |
CN114266981B CN114266981B (zh) | 2023-04-07 |
Family
ID=80824800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111300390.0A Active CN114266981B (zh) | 2021-11-04 | 2021-11-04 | 一种适用于高山峡谷地区的遥感智能解译方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266981B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6356646B1 (en) * | 1999-02-19 | 2002-03-12 | Clyde H. Spencer | Method for creating thematic maps using segmentation of ternary diagrams |
US20160110630A1 (en) * | 2013-06-13 | 2016-04-21 | Sicpa Holding Sa | Image based object classification |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN109190538A (zh) * | 2018-08-24 | 2019-01-11 | 华北水利水电大学 | 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 |
CN110645961A (zh) * | 2019-09-27 | 2020-01-03 | 佛山科学技术学院 | 基于遥感和ndvi的森林资源动态变化检测方法 |
CN111222536A (zh) * | 2019-11-19 | 2020-06-02 | 南京林业大学 | 一种基于决策树分类的城市绿色空间信息提取方法 |
CN112270225A (zh) * | 2020-10-15 | 2021-01-26 | 天津大学 | 一种峡谷型高含沙蜿蜒河流遥感影像提取方法 |
-
2021
- 2021-11-04 CN CN202111300390.0A patent/CN114266981B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6356646B1 (en) * | 1999-02-19 | 2002-03-12 | Clyde H. Spencer | Method for creating thematic maps using segmentation of ternary diagrams |
US20160110630A1 (en) * | 2013-06-13 | 2016-04-21 | Sicpa Holding Sa | Image based object classification |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN109190538A (zh) * | 2018-08-24 | 2019-01-11 | 华北水利水电大学 | 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 |
CN110645961A (zh) * | 2019-09-27 | 2020-01-03 | 佛山科学技术学院 | 基于遥感和ndvi的森林资源动态变化检测方法 |
CN111222536A (zh) * | 2019-11-19 | 2020-06-02 | 南京林业大学 | 一种基于决策树分类的城市绿色空间信息提取方法 |
CN112270225A (zh) * | 2020-10-15 | 2021-01-26 | 天津大学 | 一种峡谷型高含沙蜿蜒河流遥感影像提取方法 |
Non-Patent Citations (3)
Title |
---|
卡西克·拉玛苏布兰马尼安: "《R语言机器学习 原书第2版》", 31 January 2020 * |
周伯燕: "基于二调数据的中等分辨率遥感影像地类解译精度分析及结果校正研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
李瑄: "时空融合技术在区域级地表覆盖时序分类中的应用研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114266981B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Viana et al. | Land use/land cover change detection and urban sprawl analysis | |
CN113298818B (zh) | 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 | |
EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
Fathizad et al. | Evaluating desertification using remote sensing technique and object-oriented classification algorithm in the Iranian central desert | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN106228130B (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN114037891A (zh) | 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置 | |
Robb et al. | A semi-automated method for mapping glacial geomorphology tested at Breiðamerkurjökull, Iceland | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
Zhang | A time-series approach to detect urbanized areas using biophysical indicators and landsat satellite imagery | |
Liu et al. | Spatial-temporal hidden Markov model for land cover classification using multitemporal satellite images | |
Xiao et al. | Multiresolution-Based Rough Fuzzy Possibilistic C-Means Clustering Method for Land Cover Change Detection | |
CN110751699B (zh) | 基于卷积神经网络的光学遥感图像的色彩重建方法 | |
CN114266981B (zh) | 一种适用于高山峡谷地区的遥感智能解译方法 | |
Zhang et al. | Cascaded attention-induced difference representation learning for multispectral change detection | |
CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
Li et al. | Integrating MODIS and Landsat imagery to monitor the small water area variations of reservoirs | |
Feng et al. | Evaluation of the spatial pattern of the resolution-enhanced thermal data for urban area | |
Ma et al. | Feature enhanced deep learning network for digital elevation model super-resolution | |
Zhao et al. | Contextual-Aware Land Cover Classification With U-Shaped Object Graph Neural Network | |
CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 |
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 |