CN114842356B - 一种高分辨率地表类型样本自动生成方法、系统及设备 - Google Patents

一种高分辨率地表类型样本自动生成方法、系统及设备 Download PDF

Info

Publication number
CN114842356B
CN114842356B CN202210762814.3A CN202210762814A CN114842356B CN 114842356 B CN114842356 B CN 114842356B CN 202210762814 A CN202210762814 A CN 202210762814A CN 114842356 B CN114842356 B CN 114842356B
Authority
CN
China
Prior art keywords
resolution
surface type
sample set
remote sensing
type sample
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
Application number
CN202210762814.3A
Other languages
English (en)
Other versions
CN114842356A (zh
Inventor
黄敏
刘迎冰
吴雨琴
陈泽强
杜文英
陈能成
肖长江
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.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal University
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 Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202210762814.3A priority Critical patent/CN114842356B/zh
Publication of CN114842356A publication Critical patent/CN114842356A/zh
Application granted granted Critical
Publication of CN114842356B publication Critical patent/CN114842356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种高分辨率地表类型样本自动生成方法、系统及设备，包括以下步骤：步骤1，获取多种中等分辨率或低分辨率地表类型产品；步骤2，提取产品分类一致区；步骤3，获取高分辨率遥感影像数据，计算多种典型地表类型光谱指数，结合数字高程模型数据，合成具有更多波段特征的高分辨率遥感影像数据；步骤4，对步骤3所得结果进行同质区检测；步骤5，根据分类一致区和同质区，构建初步的高分辨率地表类型样本集；步骤6，对初步的高分辨率地表类型样本集筛选；步骤7，对筛选后高分辨率地表类型样本集纯化；步骤8，验证所得高分辨率地表类型样本集可靠性。本发明提高了高分辨率地表类型样本获取的自动化水平。

Description

一种高分辨率地表类型样本自动生成方法、系统及设备
技术领域
本发明涉及一种高分辨率地表类型样本自动生成方法、系统及设备，属于遥感图像处理与地理空间信息提取领域。
背景技术
目前在全球范围内，伴随着城市化加速推进，地表类型逐渐多样化。准确估算地表类型的空间分布及覆盖比例有着十分重要的意义，不仅能为城市规划及环境问题的精准建模提供基础数据支撑，更能够为促进人与环境和谐发展提供信息基础。目前，遥感技术已成为获取地表类型分布情况的重要手段，所提取的地表类型分辨率由遥感数据源的分辨率决定。近年来，随着城市建设和管理逐渐朝精细化、科学化方向发展，对辅助信息技术的精度逐渐提高，中分辨率和低分辨率地表类型分类产品已开始无法满足城市精细化管理需求，亟需精细的高分辨率地表类型数据。
基于遥感数据获取高分辨率地表类型结果的首要步骤是获得高分辨率地表类型样本。然而现有的地表类型样本获取过程大多需要人工介入，增大工作量的同时降低了效率。此外，由于地表类型多样、城市景观组成复杂，在多种地表类型混杂区域内标记地表类型样本困难、并且可靠性不高。如果能减少样本获取中人工参与的同时，增强样本的可靠性，提升高分辨率地表类型样本的自动化生成水平，将极大提升高分辨率地表类型的提取效率。
发明内容
针对现有地表类型样本获取方式的人工操作工作量大、效率低等问题，本发明提出了一种高分辨率地表类型样本自动生成方法、系统及设备。
本发明设计的一种高分辨率地表类型样本自动生成方法，其特殊之处在于，包括以下步骤：
步骤1，根据地表类型样本生成任务，获取对应年份的多种中等分辨率或低分辨率的多种地表类型产品数据，这些地表类型产品数据的分辨率相同并将分辨率记为R1米；
步骤2，根据步骤1所得多种地表类型产品数据，提取产品分类一致区；
步骤3，获取与步骤1中同一年份、满足高分辨率要求的遥感影像数据，计算多种典型地表类型的光谱指数，并结合数字高程模型数据，合成具有更多波段特征的高分辨率遥感影像数据，其中分辨率记为R2米；
步骤4，对步骤3所得具有更多波段特征的高分辨率遥感影像数据，进行同质区检测；
步骤5，根据步骤2和步骤4所得的分类一致区和同质区，二者进行叠置，相交的区域即为所需的高分辨率初步样本区域，将其与步骤3所得具有更多波段特征的高分辨率遥感影像数据结合，构建初步的高分辨率地表类型样本集；
步骤6，根据步骤5所得初步的高分辨率地表类型样本集结果，考虑典型地表类型的光谱特性，对初步的高分辨率地表类型样本集进行筛选，通过对步骤3所计算的多种典型地表类型的光谱指数分别设置阈值，排除超出阈值的样本，生成筛选后的高分辨率地表类型样本集；
步骤7，根据步骤6所得筛选后的高分辨率地表类型样本集结果，考虑样本信息的分布情况，对筛选后的高分辨率地表类型样本集进行纯化处理，生成纯化后的高分辨率地表类型样本集；
步骤8，验证步骤7所得高分辨率地表类型样本集的可靠性。
基于同一思想，本发明还设计了一种高分辨率地表类型样本自动生成系统，包括：
中等分辨率或低分辨率地表类型产品数据输入模块，用于输入完成地表类型样本生成任务所需的多种中等分辨率或低分辨率地表类型产品数据；
分类一致区提取模块，用于处理多种中等分辨率或低分辨率地表类型产品数据，从中提取分类一致区；
高分辨率遥感影像数据输入及处理模块，用于输入完成地表类型样本生成任务所需的高分辨率遥感影像数据，计算多种典型地表类型的光谱指数，并结合数字高程模型数据，合成具有更多波段特征的高分辨率遥感影像数据；
同质区检测模块，用于处理具有更多波段特征的高分辨率遥感影像数据，实现同质区检测；
高分辨率地表类型样本集初步构建模块，基于分类一致区和同质区结果，构建初步的高分辨率地表类型样本集；
高分辨率地表类型样本集筛选模块，对多种典型地表类型的光谱指数分别设置阈值，排除超出阈值的样本，生成筛选后的高分辨率地表类型样本集；
高分辨率地表类型样本集纯化模块，对筛选后的高分辨率样本集进行纯化处理，生成纯化后的高分辨率地表类型样本集；
高分辨率地表类型样本集的可靠性验证模块，采取分层随机抽样的方式，判断每个样本的地表类型是否与实际相符合，以混淆矩阵的形式评估所得高分辨率地表类型样本集的可靠性。
基于同一思想，本发明还设计了一种高分辨率地表类型样本自动生成设备，包括：处理器；存储器；其中，所述存储器存储有所述处理器的可执行指令，所述处理器配置为经由执行所述可执行指令来执行所述的高分辨率地表类型样本自动生成方法的步骤。
本发明具有以下优点和积极效果：
（1）提高了高分辨率样本生成过程中的自动化水平。基于中等分辨率或低分辨率的地表类型产品和高分辨率的遥感影像，自动得到了高分辨率的地表类型样本集，在无需人工标注样本的同时，提高了高分辨率地表类型样本集的获取效率。
（2）提高了高分辨率地表类型样本集的可靠性。通过一致区获取、同质区检测、样本筛选与纯化等步骤，提高了高分辨率地表类型样本集的可靠性。
附图说明
图1是本发明中的高分辨率地表类型样本自动生成方法流程图。
具体实施方式
具体实施时，本发明所提供的技术方法和流程可通过计算机编程技术进行实现，为了使本发明技术更容易理解掌握，下面以具体实施结合附图与实例对本发明作进一步说明：
本发明设计了一种高分辨率地表类型样本自动生成方法，实施例采用如下的技术方案：
步骤1，根据地表类型样本生成任务，获取对应年份的多种中等分辨率或低空间分辨率的多种地表类型产品数据，这些地表类型产品数据的分辨率相同并将分辨率记为R1米。
如地表类型样本生成任务为“生成2018年、满足10米分辨率的武汉市不透水面与非不透水面2种地表类型样本”，获取3种2018年、覆盖武汉市、空间分辨率均为30米的中等分辨率或低分辨率地表类型产品，包括Global Artificial Impervious Area（GAIA）、Annual large-scale urban land mapping、中国多时期土地利用土地覆被遥感监测数据集CNLUCC，在后续步骤中分别简称为产品1、产品2和产品3；其中产品1和产品2仅包含不透水面和非不透水面等2类地表类型，产品3包括耕地、林地、草地、水域、建设用地和未利用土地等6类地表类型。
步骤2，根据步骤1所得多种地表类型产品数据，提取产品分类一致区。
步骤2.1，按照地表类型样本生成任务要求，对步骤1所得多种地表类型产品数据分别进行重分类与坐标转换，得到地表类型与任务所需相符、坐标系统一致的地表类型产品结果。
对于需获得不透水面和非不透水面样本的地表类型样本生成任务，产品1、产品2的地表类型与任务所需一致，仅将产品3中的耕地、林地、草地、水域和未利用土地五种类型重分类为非不透水面，而将建设用地作为不透水面。将三种产品中不透水面栅格值设置为1，非不透水面栅格值设为0。并通过坐标转换，使对3种地表类型产品的地理坐标系和投影坐标系保持一致。
步骤2.2，对步骤2.1所得多种地表类型产品结果，利用叠置分析，判断同一栅格单元对应的多种地表类型产品结果是否相同，从而提取产品分类一致区。
根据步骤2.1所得多种地表类型产品结果，采用叠置分析的方法，将3种地表类型产品分类结果一致的区域视为分类结果的真值，提取出三者栅格值相同的区域，即得到已有产品的分类一致区。这样做既综合了多种产品的分类结果，也提高了样本的精度。
步骤3，获取与步骤1中同一年份、满足高分辨率要求的遥感影像数据，计算多种典型地表类型的光谱指数，并结合数字高程模型数据，合成具有更多波段特征的高分辨率遥感影像数据，其中分辨率记为R2米。
具体地，获取与步骤1同一年份的所有高分辨率遥感影像时间序列数据，逐景地对整年的高分辨率遥感影像进行去云处理；然后对所有无云像元分别计算植被、水体、建筑、土壤这四种典型地表类型的光谱指数，具体地，通过计算归一化植被指数NDVI（NormalizedDifference Vegetation Index）以表征植被信息，通过计算改进型归一化插值水体指数MNDWI（Modified Normalized Difference Water Index）以表征水体信息，通过计算归一化建筑指数NDBI（Normalized Difference Building Index）以表征建筑信息，通过计算土壤提取指数SoEI（Soil Extraction Index）以表征土壤信息，从而得到四种典型地表类型光谱指数的年度时间序列数据；再从四种典型地表类型光谱指数的年度时间序列数据中，逐像元地计算年度归一化植被指数NDVI最大值、年度改进型归一化插值水体指数MNDWI中位值、年度归一化建筑指数NDBI最小值和年度土壤提取指数SoEI中位值，从而得到四种典型地表类型光谱指数的年度合成数据；对去云后的高分辨率遥感影像年度时间序列数据，逐个像元、逐个原始波段地分别按时间顺序的中位值合成，再结合四种典型地表类型光谱指数的年度合成数据以及数字高程模型数据，进行最终的影像合成，并将其统一重采样为R2米高分辨率，从而得到具有更多波段特征的高分辨率遥感影像数据。
如选用空间分辨率为10米的Sentinel-2高分辨率遥感影像，获取2018年的Sentinel-2影像时间序列数据。首先，逐景地对整年的高分辨率遥感影像进行去云处理；然后，对所有无云像元分别计算NDVI、MNDWI、NDBI和SoEI这四种典型地表类型光谱指数，得到四种典型地表类型光谱指数的年度时间序列数据；再逐像元地计算年度NDVI最大值、年度MNDWI中位值、年度NDBI最小值和年度SoEI中位值，从而得到四种典型地表类型光谱指数的年度合成数据；接着，对去云后的Sentinel-2影像年度时间序列数据，按照13个原始波段、逐像元地分别进行年度中位值合成，得到具有13波段的Sentinel-2影像年度合成数据；再结合ALOS World 3D-30m（AW3D30）数字高程模型数据，使之与四种光谱指数的年度合成数据、具有13波段的Sentinel-2影像年度合成数据进行合成，并将其统一重采样为10米空间分辨率，从而得到具有18个波段特征的10米高分辨率遥感影像数据。
步骤4，对步骤3所得具有更多波段特征的高分辨率遥感影像数据，进行同质区检测。
步骤4.1，对步骤3所得具有更多波段特征的高分辨率遥感影像数据进行聚类处理，如通过ISODATA、KMEANS等算法。由于这一步的聚类结果是下一步同质区提取的准备工作，故无需确定每种类型具体代表的地表类型，但可以通过目视的方式对比分类结果与原始影像，观察分类效果是否良好。
步骤4.2，根据步骤4.1所得聚类结果进行同质区检测，以判断每个中等分辨率或低分辨率地表类型产品栅格对应的 (R1 / R2) * (R1 / R2) 个高分辨率遥感影像像元是否属于同一类型；将属于同一种类型的高分辨率遥感影像栅格视为同质区，反之则视作非同质区，最终保留同质区。
由于使用的3种地表类型产品空间分辨率都为30米，而高分辨率影像的空间分辨率为10米，所以一个30米分辨率的产品栅格对应9个10米分辨率的影像像元。为了避免样本区中出现混合像元，通过计算每个产品栅格对应的9个像元是否在聚类结果中属于同一类型，不需要对聚类结果作出详细的地表类型区分，只需判断块内的9个像元是否一致，30米*30米的栅格包含的9个10米*10米像元存在两种情况：（1）9个像元均属于同一类型，（2）9个像元不属于同一类型。在同质区的判断中，将符合第一种情况的栅格视为同质区，反之则视作非同质区，最终保留同质区的栅格。
步骤5，根据步骤2和步骤4所得的分类一致区和同质区，二者进行叠置，相交的区域即为所需的高分辨率初步样本区域，将其与步骤3所得具有更多波段特征的高分辨率遥感影像数据结合，构建初步的高分辨率地表类型样本集。
步骤6，根据步骤5所得初步的高分辨率地表类型样本集结果，考虑典型地表类型的光谱特性，对初步的高分辨率地表类型样本集进行筛选，通过对步骤3所计算的多种典型地表类型的光谱指数分别设置阈值，排除超出阈值的样本，生成筛选后的高分辨率地表类型样本集。
具体地，选择步骤1中具有更多地表类型的产品，基于其原始分类数据，与步骤5取得的高分辨率初步样本区域进行栅格叠加后，再将该产品的不同地表类型编码值赋给样本区当中的栅格，再对步骤3所计算的多种光谱指数分别设置阈值，排除超出阈值的样本。其中，对初步样本区域内所有具有更多波段特征的高分辨率遥感影像像元，首先判断地表类型，再判断其对应光谱指数是否满足阈值筛选条件，不满足条件的像元从步骤5所得初步的高分辨率地表类型样本集中删除，从而得到筛选后的高分辨率地表类型样本集结果。
如选用具有更多地表类型的产品3原始分类数据，与步骤5取得的高分辨率样本区进行栅格叠加后，再将产品3的不同地表类型编码值赋给样本区当中的栅格，因而将原本只有不透水面和非不透水面2种类型的样本划分为6种类型。对4种光谱指数分别设置筛选阈值如表1所示，阈值的取值方法可以是根据其它相关研究的经验设置或者通过对影像的目视判断或者利用自动阈值分割法。对于初步样本区域内的所有具有更多波段特征的高分辨率影像像元，首先判断地表类型，再判断其对应指数是否满足表1中的筛选条件，不满足条件的像元从初步的高分辨率地表类型样本集中删除，剩余部分即为筛选后的高分辨率地表类型样本集。
表1样本筛选对应光谱指数及阈值
Figure 969052DEST_PATH_IMAGE001
步骤7，根据步骤6所得筛选后的高分辨率地表类型样本集结果，考虑样本信息的分布情况，对筛选后的高分辨率地表类型样本集进行纯化处理，生成纯化后的高分辨率地表类型样本集。
针对光谱指数设置阈值筛选后，剩余样本数据仍然庞大，直接使用其作为样本不仅降低数据处理和影像的效率，分类结果的精度也可能无法保证，对此，对地表类型样本集内需要进一步纯化。
具体地，根据步骤6所得筛选后的高分辨率地表类型样本集结果，先将与样本区域相对应的具有更多波段特征的高分辨率遥感影像数据进行逐波段地归一化处理，再计算每种地表类型的平均光谱向量；计算每个像元的光谱向量到其所属类别平均光谱向量的方差，并统计每种地表类型的平均方差；将光谱向量到其所属类别平均光谱向量的方差大于所属类别平均方差三倍的像元视作不纯的像元，并将其从筛选后的高分辨率地表类型样本集中剔除，从而得到纯化后的高分辨率地表类型样本集结果。
在实施例步骤3所得具有18个波段特征的10米高分辨率遥感影像数据中，4种光谱指数和数字高程模型数据等5个波段的取值范围，和Sentinel-2影像的13个原始波段差距较大，因而需要先将样本区域对应高分辨率合成影像的数据进行逐波段地归一化处理，再进行平均值和方差的计算。通过样本纯化处理，去除光谱向量到其所属类别平均光谱向量的方差大于所属类别平均方差三倍的像元，剩余部分即为纯化后的高分辨率地表类型样本集。
步骤8，验证步骤7所得高分辨率地表类型样本集的可靠性。
采取分层随机抽样的方式，抽取同等数量的多种地表类型样本，通过已有地表类型样本集或者结合高分辨率影像目视判读的方法，判断每个样本的地表类型是否与实际相符合，最终的可靠性评估结果以混淆矩阵的形式展现。基于混淆矩阵计算的用户精度、生产者精度、总体精度和Kappa系数等指标，为高分辨率地表类型样本集的可靠性指标。精度值越高，所得高分辨率地表类型样本集的可靠性越强。
以上所述仅为本发明的优选实施例而已，不能认定本发明的具体实施只限于此实例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，都应当视为属于本发明的保护范围。

Claims (9)

1.一种高分辨率地表类型样本自动生成方法，其特征在于，包括以下步骤：
步骤1，根据地表类型样本生成任务，获取对应年份的多种中等分辨率的地表类型产品数据，这些地表类型产品数据的分辨率相同并将分辨率记为R1米，其中有一种产品具有相比任务所需种类更多的地表类型；
步骤2，根据步骤1所得多种地表类型产品数据，提取产品分类一致区；
步骤3，获取与步骤1中同一年份、满足高分辨率要求的遥感影像数据，计算多种典型地表类型的光谱指数，并结合数字高程模型数据，合成具有更多波段特征的高分辨率遥感影像数据，其中分辨率记为R2米；
步骤4，对步骤3所得具有更多波段特征的高分辨率遥感影像数据，进行同质区检测；
步骤4.1，对步骤3所得具有更多波段特征的高分辨率遥感影像数据进行聚类处理；
步骤4.2，根据步骤4.1所得聚类结果进行同质区检测，以判断每个中等分辨率地表类型产品栅格对应的 (R1 / R2) * (R1 / R2) 个高分辨率遥感影像像元是否属于同一类型，将属于同一种类型的高分辨率遥感影像栅格视为同质区，反之则视作非同质区，最终保留同质区；
步骤5，根据步骤2和步骤4所得的分类一致区和同质区，二者进行叠置，相交的区域即为所需的高分辨率初步样本区域，将其与步骤3所得具有更多波段特征的高分辨率遥感影像数据结合，构建初步的高分辨率地表类型样本集；
步骤6，根据步骤5所得初步的高分辨率地表类型样本集结果，考虑典型地表类型的光谱特性，对初步的高分辨率地表类型样本集进行筛选，选择步骤1中具有更多地表类型的产品，基于其原始分类数据，与步骤5取得的高分辨率初步样本区域进行栅格叠加后，再将该产品的不同地表类型编码值赋给样本区当中的栅格，再通过对步骤3所计算的多种典型地表类型的光谱指数分别设置阈值，排除超出阈值的样本，生成筛选后的高分辨率地表类型样本集；
步骤7，根据步骤6所得筛选后的高分辨率地表类型样本集结果，考虑样本信息的分布情况，对筛选后的高分辨率地表类型样本集进行纯化处理，生成纯化后的高分辨率地表类型样本集；
步骤8，验证步骤7所得高分辨率地表类型样本集的可靠性。
2.根据权利要求1所述的方法，其特征在于：步骤2的具体过程如下：
步骤2.1，按照地表类型样本生成任务要求，对步骤1所得多种地表类型产品数据分别进行重分类与坐标转换，得到地表类型与任务所需相符、坐标系统一致的地表类型产品结果；
步骤2.2，对步骤2.1所得多种地表类型产品结果，利用叠置分析，判断同一栅格单元对应的多种地表类型产品结果是否相同，从而提取产品分类一致区。
3.根据权利要求1所述的方法，其特征在于：步骤3合成具有更多波段特征的高分辨率遥感影像数据的具体过程如下：
获取与步骤1同一年份的所有高分辨率遥感影像时间序列数据，逐景地对整年的高分辨率遥感影像进行去云处理；然后对所有无云像元分别计算植被、水体、建筑、土壤这四种典型地表类型的光谱指数，具体地，通过计算归一化植被指数NDVI以表征植被信息，通过计算改进型归一化插值水体指数MNDWI以表征水体信息，通过计算归一化建筑指数NDBI以表征建筑信息，通过计算土壤提取指数SoEI以表征土壤信息，从而得到四种典型地表类型光谱指数的年度时间序列数据；再从四种典型地表类型光谱指数的年度时间序列数据中，逐像元地计算年度归一化植被指数NDVI最大值、年度改进型归一化插值水体指数MNDWI中位值、年度归一化建筑指数NDBI最小值和年度土壤提取指数SoEI中位值，从而得到四种典型地表类型光谱指数的年度合成数据；对去云后的高分辨率遥感影像年度时间序列数据，逐个像元、逐个原始波段地分别按时间顺序的中位值合成，再结合四种典型地表类型光谱指数的年度合成数据以及数字高程模型数据，进行最终的影像合成，并将其统一重采样为R2米高分辨率，从而得到具有更多波段特征的高分辨率遥感影像数据。
4.根据权利要求1所述的方法，其特征在于：步骤6的具体过程如下：
其中，对于初步样本区域内的所有具有更多波段特征的高分辨率遥感影像像元，首先判断地表类型，再判断其对应光谱指数是否满足阈值筛选条件，不满足条件的像元从步骤5所得初步的高分辨率地表类型样本集中删除，从而得到筛选后的高分辨率地表类型样本集结果。
5.根据权利要求1所述的方法，其特征在于：步骤7的具体过程如下：
根据步骤6所得筛选后的高分辨率地表类型样本集结果，先将与样本区域相对应的具有更多波段特征的高分辨率遥感影像数据进行逐波段地归一化处理，再计算每种地表类型的平均光谱向量；计算每个像元的光谱向量到其所属类别平均光谱向量的方差，并统计每种地表类型的平均方差；将光谱向量到其所属类别平均光谱向量的方差大于所属类别平均方差三倍的像元视作不纯的像元，并将其从筛选后的高分辨率地表类型样本集中剔除，从而得到纯化后的高分辨率地表类型样本集结果。
6.根据权利要求1所述的方法，其特征在于：步骤8的具体过程如下：
采取分层随机抽样的方式，抽取同等数量的多种地表类型样本，通过已有地表类型样本集或者结合高分辨率影像目视判读的方法，判断每个样本的地表类型是否与实际相符合，最终的可靠性评估结果以混淆矩阵的形式展现。
7.根据权利要求5所述的方法，其特征在于：对多种典型地表类型的光谱指数分别设置阈值的方法可以是对影像的目视判断或者自动阈值分割法。
8.一种高分辨率地表类型样本自动生成系统，其特征在于，包括：
中等分辨率地表类型产品数据输入模块，根据地表类型样本生成任务，获取对应年份的多种中等分辨率的地表类型产品数据，这些地表类型产品数据的分辨率相同并将分辨率记为R1米，其中有一种产品具有相比任务所需种类更多的地表类型；
分类一致区提取模块，根据中等分辨率地表类型产品数据输入模块所得多种地表类型产品数据，提取产品分类一致区；
高分辨率遥感影像数据输入及处理模块，获取与中等分辨率地表类型产品数据输入模块中同一年份、满足高分辨率要求的遥感影像数据，计算多种典型地表类型的光谱指数，并结合数字高程模型数据，合成具有更多波段特征的高分辨率遥感影像数据，其中分辨率记为R2米；
同质区检测模块，对高分辨率遥感影像数据输入及处理模块所得具有更多波段特征的高分辨率遥感影像数据，进行同质区检测，首先，对所得具有更多波段特征的高分辨率遥感影像数据进行聚类处理，再根据所得聚类结果进行同质区检测，以判断每个中等分辨率地表类型产品栅格对应的 (R1 / R2) * (R1 / R2) 个高分辨率遥感影像像元是否属于同一类型，将属于同一种类型的高分辨率遥感影像栅格视为同质区，反之则视作非同质区，最终保留同质区；
高分辨率地表类型样本集初步构建模块，根据分类一致区提取模块和同质区检测模块所得的分类一致区和同质区，二者进行叠置，相交的区域即为所需的高分辨率初步样本区域，将其与高分辨率遥感影像数据输入及处理模块所得具有更多波段特征的高分辨率遥感影像数据结合，构建初步的高分辨率地表类型样本集；
高分辨率地表类型样本集筛选模块，根据高分辨率地表类型样本集初步构建模块所得初步的高分辨率地表类型样本集结果，考虑典型地表类型的光谱特性，对初步的高分辨率地表类型样本集进行筛选，选择中等分辨率地表类型产品数据输入模块中具有更多地表类型的产品，基于其原始分类数据，与高分辨率地表类型样本集初步构建模块取得的高分辨率初步样本区域进行栅格叠加后，再将该产品的不同地表类型编码值赋给样本区当中的栅格，再通过对高分辨率遥感影像数据输入及处理模块所计算的多种典型地表类型的光谱指数分别设置阈值，排除超出阈值的样本，生成筛选后的高分辨率地表类型样本集；
高分辨率地表类型样本集纯化模块，根据高分辨率地表类型样本集筛选模块所得筛选后的高分辨率地表类型样本集结果，考虑样本信息的分布情况，对筛选后的高分辨率地表类型样本集进行纯化处理，生成纯化后的高分辨率地表类型样本集；
高分辨率地表类型样本集的可靠性验证模块，验证高分辨率地表类型样本集纯化模块所得高分辨率地表类型样本集的可靠性。
9.一种高分辨率地表类型样本自动生成设备，其特征在于，包括：处理器；存储器；其中，所述存储器存储有所述处理器的可执行指令，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的高分辨率地表类型样本自动生成方法的步骤。
CN202210762814.3A 2022-07-01 2022-07-01 一种高分辨率地表类型样本自动生成方法、系统及设备 Active CN114842356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210762814.3A CN114842356B (zh) 2022-07-01 2022-07-01 一种高分辨率地表类型样本自动生成方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210762814.3A CN114842356B (zh) 2022-07-01 2022-07-01 一种高分辨率地表类型样本自动生成方法、系统及设备

Publications (2)

Publication Number Publication Date
CN114842356A CN114842356A (zh) 2022-08-02
CN114842356B true CN114842356B (zh) 2022-10-04

Family

ID=82574580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210762814.3A Active CN114842356B (zh) 2022-07-01 2022-07-01 一种高分辨率地表类型样本自动生成方法、系统及设备

Country Status (1)

Country Link
CN (1) CN114842356B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912676A (zh) * 2023-06-05 2023-10-20 广东省水利水电科学研究院 一种水浮莲变化检测方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295696A (zh) * 2016-08-09 2017-01-04 中国科学院遥感与数字地球研究所 一种多源遥感影像辐射归一化方法
CN107609526A (zh) * 2017-09-21 2018-01-19 吉林大学 基于规则的精细尺度城市不透水面快速提取方法
CN108648200A (zh) * 2018-05-10 2018-10-12 武汉大学 一种间接的城市高分辨率不透水面提取方法
CN109934770A (zh) * 2019-01-21 2019-06-25 广州地理研究所 基于高分辨率卫星遥感影像的城市不透水面提取方法
CN112767244A (zh) * 2020-12-31 2021-05-07 武汉大学 一种高分辨率地表要素无缝感知方法与系统
CN114049562A (zh) * 2021-11-30 2022-02-15 中国科学院地理科学与资源研究所 一种土地覆被数据融合修正方法
CN114398592A (zh) * 2021-12-27 2022-04-26 中国人民武装警察部队警官学院 一种基于异质格网高程线性分解模型的高程值解算方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295696A (zh) * 2016-08-09 2017-01-04 中国科学院遥感与数字地球研究所 一种多源遥感影像辐射归一化方法
CN107609526A (zh) * 2017-09-21 2018-01-19 吉林大学 基于规则的精细尺度城市不透水面快速提取方法
CN108648200A (zh) * 2018-05-10 2018-10-12 武汉大学 一种间接的城市高分辨率不透水面提取方法
CN109934770A (zh) * 2019-01-21 2019-06-25 广州地理研究所 基于高分辨率卫星遥感影像的城市不透水面提取方法
CN112767244A (zh) * 2020-12-31 2021-05-07 武汉大学 一种高分辨率地表要素无缝感知方法与系统
CN114049562A (zh) * 2021-11-30 2022-02-15 中国科学院地理科学与资源研究所 一种土地覆被数据融合修正方法
CN114398592A (zh) * 2021-12-27 2022-04-26 中国人民武装警察部队警官学院 一种基于异质格网高程线性分解模型的高程值解算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An on-demand scheme driven by the knowledge of geospatial distribution for large-scale high-resolution impervious surface mapping;Min Huang，et al.;《GIScience & Remote Sensing》;20210430;1-25 *
结合Sentinel影像与特征优选的山地城市不透水面提取;陈鑫亚 等;《软件导刊》;20220415;214-219 *

Also Published As

Publication number Publication date
CN114842356A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Bechtel et al. Generating WUDAPT Level 0 data–Current status of production and evaluation
Huang et al. Multi-level monitoring of subtle urban changes for the megacities of China using high-resolution multi-view satellite imagery
Brousse et al. Using local climate zones in Sub-Saharan Africa to tackle urban health issues
Guan et al. Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests
Mao et al. An improved approach to estimate above-ground volume and biomass of desert shrub communities based on UAV RGB images
Defourny et al. Accuracy assessment of a 300 m global land cover map: The GlobCover experience
Hidayati et al. Developing an extraction method of urban built-up area based on remote sensing imagery transformation index
Liu et al. Large-scale mapping of gully-affected areas: An approach integrating Google Earth images and terrain skeleton information
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
Wang et al. Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform
CN108898096B (zh) 一种面向高分影像的信息快速精确提取方法
CN111323788B (zh) 建筑物变化的监测方法、装置及计算机设备
Ding et al. Time-series land cover mapping and urban expansion analysis using OpenStreetMap data and remote sensing big data: A case study of Guangdong-Hong Kong-Macao Greater Bay Area, China
Lu et al. Regional assessment of pan-Pacific urban environments over 25 years using annual gap free Landsat data
Khayyal et al. Creation and spatial analysis of 3D city modeling based on GIS data
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
Bektas et al. Remote sensing and GIS integration for land cover analysis, a case study: Bozcaada Island
CN117171533B (zh) 一种地理测绘作业数据实时采集处理方法及系统
CN115147726B (zh) 城市形态图的生成方法、装置、电子设备和可读存储介质
Bindajam et al. Characterizing the urban decadal expansion and its morphology using integrated spatial approaches in semi-arid mountainous environment, Saudi Arabia
CN114202551B (zh) 一种喀斯特石漠化的分级制图方法及装置
Rocchini Resolution problems in calculating landscape metrics
Tian et al. A Process-Oriented Method for Rapid Acquisition of Canopy Height Model From RGB Point Cloud in Semiarid Region
CN114863274A (zh) 基于深度学习的地表绿网苫盖提取方法
Abougendia et al. Classification framework of local climate zones using world urban database and access portal tools: Case study of Alexandria City, Egypt

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