CN115019184B - 基于遥感影像的石漠化程度自动分级方法及装置 - Google Patents

基于遥感影像的石漠化程度自动分级方法及装置 Download PDF

Info

Publication number
CN115019184B
CN115019184B CN202210900866.2A CN202210900866A CN115019184B CN 115019184 B CN115019184 B CN 115019184B CN 202210900866 A CN202210900866 A CN 202210900866A CN 115019184 B CN115019184 B CN 115019184B
Authority
CN
China
Prior art keywords
stony desertification
data
remote sensing
sensing image
sample 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.)
Active
Application number
CN202210900866.2A
Other languages
English (en)
Other versions
CN115019184A (zh
Inventor
符晗
贺广均
冯鹏铭
刘世烁
常江
韩昱
金世超
张拯宁
梁银川
王剑
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.)
Beijing Institute of Satellite Information Engineering
Original Assignee
Beijing Institute of Satellite Information Engineering
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 Beijing Institute of Satellite Information Engineering filed Critical Beijing Institute of Satellite Information Engineering
Priority to CN202210900866.2A priority Critical patent/CN115019184B/zh
Publication of CN115019184A publication Critical patent/CN115019184A/zh
Application granted granted Critical
Publication of CN115019184B publication Critical patent/CN115019184B/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
    • 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
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Abstract

本发明涉及一种基于遥感影像的石漠化程度自动分级方法及装置，该方法包括：获取石漠化区域的原始遥感影像和高程数据，并进行预处理；利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度，利用处理后的高程数据计算坡度数据；将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合，得到样本数据，对所述样本数据的石漠化程度进行等级区分和标注，获得标签文件；构建CKRD‑DNN模型，并利用所述样本数据和所述标签文件进行训练；利用训练好的CKRD‑DNN模型对待分级的石漠化区域遥感影像进行识别和判定，得到分级结果。本发明可以实现大范围石漠化区域不同发育程度石漠化的高效自动分级和判定。

Description

基于遥感影像的石漠化程度自动分级方法及装置
技术领域
本发明涉及深度学习与空间对地观测技术领域，尤其涉及一种基于遥感影像的石漠化程度自动分级方法及装置。
背景技术
石漠化是指在湿润气候条件下，受喀斯特作用及人类不合理活动的干扰，喀斯特地表土层流失殆尽、基岩大面积裸露，呈现出一种无土无水无林、类似于荒漠化的景观现象与过程。
准确的石漠化程度分级是进行石漠化科学治理、构筑生态安全屏障的重要基础和前提。对于我国西南大范围区域的石漠化研究，不同地区、不同时期和不同环境下石漠化的演变速率、趋势和规模是存在差异的，因而需要对不同区域的石漠化程度和发展变化进行针对性的评估和监测。传统的石漠化研究多通过野外实地考察进行，很难实现针对大范围区域的石漠化分级研究。而卫星遥感技术因其观测范围大、数据获取效率高、波谱信息丰富等突出优势可以很好地满足这种大范围区域的石漠化监测需求。
但是，由于石漠化地貌的形态特征的几何形态的不规则性和空间分布的复杂性，为利用卫星遥感影像实现高精度、高效率地识别大区域范围石漠化地貌的发育等级带来了巨大挑战。另外，由于石漠化地貌的形成多受地质构造运动的影响，海拔高程及坡度也是对石漠化分级研究的重要因素，因此单纯依靠遥感影像所蕴含的光谱信息进行分级也不能获得理想的效果。
对此，深度学习方法可以有效改善这一问题。该方法是一种含有多个隐藏层的机器学习方法，利用深层次的神经网络模型对样本进行学习和训练，利用计算机自动识别和提取输入影像的多种特征，并以此为依据实现对待分类影像目标信息的精确自动提取。其中，深度学习的分类过程完全依靠深度神经网络模型(Deepneuralnetworkmodel)的自我学习能力提取目标特征，并通过不断最小化损失函数(Lossfunction)告知神经网络模型停止学习的时机。整个训练过程不需要人为干预，非常适合用来处理数据量级庞大、数据种类繁多的自然数据，且具有很强的泛化能力。并且，深度学习模型可以针对图像的每个像素进行分类，从而不仅可以识别图像中目标地物的种类和位置，而且可以精确勾画出目标地物的轮廓，这就是所谓的图像语义分割(Semanticsegmentation)，可应用于实现大范围区域不同程度石漠化的识别判定。
发明内容
本发明的目的在于提供一种基于遥感影像的石漠化程度自动分级方法及装置，可以实现不同发育程度的大范围石漠化区域的高效自动分级和判定。
为实现上述发明目的，本发明的技术方案是：
本发明提供一种基于遥感影像的石漠化程度自动分级方法，包括：
获取石漠化区域的原始遥感影像和高程数据，并进行预处理；
利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度，利用处理后的高程数据计算坡度数据；
将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合，得到样本数据，对所述样本数据的石漠化程度进行等级区分和标注，获得标签文件；
构建喀斯特石漠化分类深度神经网络(Classificationofkarstrocky desertificationDeepNeuralNetwork，CKRD-DNN)模型，并利用所述样本数据和所述标签文件进行训练；
利用训练好的CKRD-DNN模型对待分级的石漠化区域遥感影像进行识别和判定，得到分级结果。
根据本发明的一个方面，所述预处理包括：对所述原始遥感影像依次进行通道融合、校正、拼接和裁剪，以及对所述高程数据进行拼接和裁剪。
根据本发明的一个方面，所述利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度的过程中，
根据不同石漠化区域不同的地质、地形特点和环境气候条件，采用波段比值法反演所述石漠化区域的基岩裸露率和植被覆盖度；
若所述石漠化区域的坡度陡峭，则确定该坡度条件对所述反演的精度影响。
根据本发明的一个方面，所述将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合，包括：
对所述基岩裸露率、所述植被覆盖度和所述坡度数据进行裁剪处理；
将处理后的基岩裸露率、植被覆盖度和坡度数据分别作为第四通道、第五通道和第六通道，与所述原始遥感影像的三个波段通道进行融合，得到六个通道的样本数据。
根据本发明的一个方面，所述三个波段通道分别为红、绿和蓝，并将三个波段设置为标准假彩色。
根据本发明的一个方面，所述对所述样本数据的石漠化程度进行等级区分和标注，包括：
对所述样本数据的石漠化区域的不同发育程度进行等级区分；
利用在Linux系统下的LabelMe程序对所述样本数据中不同发育程度等级的石漠化区域边缘进行勾勒，获得所述样本数据对应的标签文件。
根据本发明的一个方面，所述构建CKRD-DNN模型，并利用所述样本数据和所述标签文件进行训练，包括：
构建由特征提取层、特征融合层和交叉熵函数组成的CKRD-DNN模型；
将所述样本数据和所述标签文件输入所述CKRD-DNN模型，利用所述特征提取层提取所述样本数据的不同等级的石漠化区域的地貌特征；
利用所述特征融合层对提取到不同等级的地貌特征进行串联融合；
利用交叉熵函数根据串联融合后的地貌特征判断所述样本数据所属的地貌类型。
根据本发明的一个方面，所述特征提取层为一组并联运行且卷积核大小不同的卷积操作。
根据本发明的一个方面，所述利用所述特征融合层对提取到不同等级的地貌特征进行串联融合之前，还包括：
利用所述特征融合层采用不同倍数的上采样操作对所述特征提取层得到的特征图像的大小进行还原，并将所述特征图像的大小还原至与所述原始遥感影像的大小相同。
本发明还提供一种利用上述基于遥感影像的石漠化程度自动分级方法的基于遥感影像的石漠化程度自动分级装置，包括：
预处理模块，用于获取石漠化区域的原始遥感影像和高程数据，并进行预处理；
指数计算模块，用于利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度，利用处理后的高程数据计算坡度数据；
融合模块，用于将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合，得到样本数据，对所述样本数据的石漠化程度进行等级区分和标注，获得标签文件；
模型构建与训练模块，用于构建CKRD-DNN模型，并利用所述样本数据和所述标签文件进行训练；以及
分级模块，用于利用训练好的CKRD-DNN模型对待分级的石漠化区域遥感影像进行识别和判定，得到分级结果。
本发明与现有技术相比，具有如下优点：
根据本发明的方案，利用深层次的神经网络模型自主设计用于喀斯特石漠化分类的模型，对样本数据进行学习和训练，自动识别和提取输入影像的多种特征，并以此为依据实现对待分类影像目标信息的精确自动提取。该模型可以针对图像的每个像素进行分类，识别图像中目标地物的种类和位置，并精确勾画出目标地物的轮廓，从而实现我国西南岩溶地区石漠化发育情况的自动分级和判别。
根据本发明的一个方案，不需要人工提炼不同程度石漠化地貌的特征或设定判别准则，利用空间对地观测技术和深度学习方法真正实现了准确、高效地自动识别大范围区域内不同发育程度的石漠化地貌，有效地解决了传统野外考察的方式无法实现大区域范围石漠化程度高效自动分级的难题，从而为利用空间对地观测技术和深度学习等方法全面、准确地刻画和判别我国西南岩溶地区石漠化的发育情况提供了一种具有较大潜力且高效的实施方案。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性表示本发明实施例提供的一种基于遥感影像的石漠化程度自动分级方法的实现流程图；
图2示意性表示本发明实施例提供的喀斯特石漠化分类深度神经网络CKRD-DNN模型的结构示意图。
具体实施方式
此说明书实施方式的描述应与相应的附图相结合，附图应作为完整的说明书的一部分。在附图中，实施例的形状或是厚度可扩大，并以简化或是方便标示。再者，附图中各结构的部分将以分别描述进行说明，值得注意的是，图中未示出或未通过文字进行说明的元件，为所属技术领域中的普通技术人员所知的形式。
此处实施例的描述，有关方向和方位的任何参考，均仅是为了便于描述，而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合，这些特征可能独立存在或者组合存在，本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
参见图1，本发明实施例提供的一种基于遥感影像的石漠化程度自动分级方法，包括以下步骤：
步骤100、获取石漠化区域的原始遥感影像和高程数据，并进行预处理。
在一个实施例中，步骤100中预处理的具体实施过程包括：对所述原始遥感影像依次进行通道融合、校正、拼接和裁剪，以及对所述高程数据进行拼接和裁剪。
示例性的，以贵州省为例，首先获取贵州省已知存在石漠化现象的区域的原始Landsat光学遥感影像和对应范围的地表高程数据(数字高程模型，DEM，DigitalElevationModel)。然后，对原始光学遥感影像依次进行通道融合、校正、拼接(或称镶嵌)和裁剪一系列预处理，以及对高程数据进行拼接和裁剪，均得到500*500(裁剪的数据大小根据后续构建的深度神经网络模型读取数据的能力决定)大小的子样本数据。需要解释的是，这里对原始光学遥感影像进行预处理后，将影像原来的多个波段通道融合得到三个波段通道，例如红、绿、蓝。
步骤200、利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度，利用处理后的高程数据计算坡度数据。
在一个实施例中，步骤200中利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度的具体实施过程中，根据不同石漠化区域不同的地质、地形特点和环境气候条件，采用波段比值法反演所述石漠化区域的基岩裸露率和植被覆盖度。若所述石漠化区域的坡度陡峭，则确定该坡度条件对所述反演的精度影响。
具体的，基于预处理后的遥感影像分析不同程度石漠化区域的裸岩光谱特征和植被光谱特征，针对不同的特征设计不同的基岩裸露率和植被覆盖度表征指数(本实施例分别按照归一化岩石指数(NDRI，Normalized DifferenceRockIndex)和增强植被指数(EVI，EnhancedVegetationIndex)计算，如下公式(1)和(2))。再基于预处理后的高程数据生成坡度数据(slope)，并将得到的基岩裸露率、植被覆盖度和坡度数据同样裁剪成500*500大小的子样本数据。
Figure GDA0004017957250000061
Figure GDA0004017957250000062
其中，SWIR(ShortwaveNearInfrared)表示短波红外波段光谱反射率，NIR(NearInfrared)表示近红外波段光谱反射率，Red表示红光波段光谱反射率，Blue表示蓝光波段光谱反射率。
步骤300、将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合，得到样本数据，对所述样本数据的石漠化程度进行等级区分和标注，获得标签文件。
在一个实施例中，步骤300中将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合的具体实施过程包括：
对所述基岩裸露率、所述植被覆盖度和所述坡度数据进行裁剪处理。
将处理后的基岩裸露率、植被覆盖度和坡度数据分别作为第四通道、第五通道和第六通道，与所述原始遥感影像的三个波段通道进行融合，得到六个通道的样本数据。
具体的，在获取的原始Landsat光学遥感影像中寻找同时包含不同发育程度石漠化现象(作为正样本)和背景区域(作为负样本)的区域，均裁剪成500×500像素大小的子样本。其中，原始光学遥感影像三个波段通道的设置为标准假彩色。设置标准假彩色波段的原因是，石漠化地貌的最主要特点为植被稀疏、岩石裸露，标准假彩色波段可以有效区分植被和其他地貌类型。根据所有子样本的范围对计算得到的基岩裸露率、植被覆盖度和坡度数据进行裁剪处理，随后，分别以基岩裸露率、植被覆盖度和坡度数据作为第四通道、第五通道和第六通道与原始光学遥感影像的红、绿、蓝三个波段通道进行融合。如此，共制作生成1326张六通道的样本数据，其中，训练样本数据和测试样本数据的数量按照4:1设置。
在一个实施例中，步骤300中对所述样本数据的石漠化程度进行等级区分和标注的具体实施过程包括：对所述样本数据的石漠化区域的不同发育程度进行等级区分。利用在Linux系统下的LabelMe程序对所述样本数据中不同发育程度等级的石漠化区域边缘进行勾勒，获得所述样本数据对应的标签文件。该过程结合野外实地考察的结果完成，以保证标注样本的精确度。
步骤400、构建CKRD-DNN模型，并利用所述样本数据和所述标签文件进行训练。
在一个实施例中，参见图2，步骤400中构建CKRD-DNN模型，并利用所述样本数据和所述标签文件进行训练的具体实施过程包括：
构建由特征提取层、特征融合层和交叉熵函数组成的CKRD-DNN模型。
将所述样本数据和所述标签文件输入所述CKRD-DNN模型，利用所述特征提取层提取所述样本数据的不同等级的石漠化区域的地貌特征。
利用所述特征融合层对提取到不同等级的地貌特征进行串联融合。
利用交叉熵函数根据串联融合后的地貌特征判断所述样本数据所属的地貌类型。
在一个实施例中，上述利用所述特征融合层对提取到不同等级的地貌特征进行串联融合之前，还包括：利用所述特征融合层采用不同倍数的上采样操作对所述特征提取层得到的特征图像的大小进行还原，并将所述特征图像的大小还原至与所述原始遥感影像的大小相同。
具体的，上述CKRD-DNN模型为自主设计的深度神经网络模型，该模型由特征提取层和特征融合层组成，之后是一层交叉熵函数。所述特征提取层为一组并联运行且卷积核大小不同的卷积操作。通过该卷积操作提取样本数据中不同等级或不同发育程度的石漠化地貌的特征，再利用特征融合层首先通过不同倍数(与卷积核大小有关)的上采样操作以将特征提取层得到的特征图像还原至原始遥感影像的大小，然后对提取到的不同等级的地貌特征进行串联融合。交叉熵函数用以判断样本数据所属的地貌类型。
步骤500、利用训练好的CKRD-DNN模型对待分级的石漠化区域遥感影像进行识别和判定，得到分级结果。
具体的，步骤500中利用训练好的CKRD-DNN模型对待分级的石漠化区域遥感影像进行识别和判定之前，需要对待分级的石漠化区域遥感影像及其高程数据进行获取，再对获取的数据进行融合和裁剪处理，处理后的数据即为待识别数据，再将待识别数据(即待分级的石漠化区域遥感影像)输入训练好的CKRD-DNN模型进行识别和判定，最终实现大范围石漠化区域不同发育程度的石漠化的分级和判别。
本发明实施例还提供了一种利用上述基于遥感影像的石漠化程度自动分级方法的基于遥感影像的石漠化程度自动分级装置，包括：
预处理模块，用于获取石漠化区域的原始遥感影像和高程数据，并进行预处理；
指数计算模块，用于利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度，利用处理后的高程数据计算坡度数据；
融合模块，用于将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合，得到样本数据，对所述样本数据的石漠化程度进行等级区分和标注，获得标签文件；
模型构建与训练模块，用于构建CKRD-DNN模型，并利用所述样本数据和所述标签文件进行训练；以及
分级模块，用于利用训练好的CKRD-DNN模型对待分级的石漠化区域遥感影像进行识别和判定，得到分级结果。
本发明实施例的基于遥感影像的石漠化程度自动分级方法及装置，属于以卫星遥感为核心的空间对地观测技术，适用于对石漠化地区存在不同石漠化发育程度的自动分级任务。
根据本发明的构思，本发明实施例的上述方案结合石漠化区域的地貌形态特征，选择基岩裸露率和植被覆盖度作为表征其发育程度的指标，根据不同区域石漠化发育的不同特征，利用卫星遥感影像反演其基岩裸露率和植被覆盖度。同时，充分考虑地形构造条件对于参数反演精度的影响，利用高程数据生成坡度信息。将基岩裸露率、植被覆盖度和坡度数据分别作为第4、5、6个通道与原始光学遥感影像的三个通道进行融合，得到训练深度神经网络模型的样本数据。自主设计用于石漠化分级的深度神经网络模型CKRD-DNN，将融合得到的样本数据输入CKRD-DNN进行训练，从而实现不同石漠化程度分级的自动判定和高效判定。
对于本发明的方法所涉及的上述各个步骤的序号并不意味着方法执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本发明的实施方式的实施过程构成任何限定。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (9)

1.一种基于遥感影像的石漠化程度自动分级方法，包括：
获取石漠化区域的原始遥感影像和高程数据，并进行预处理；
利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度，利用处理后的高程数据计算坡度数据；
将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合，得到样本数据，对所述样本数据的石漠化程度进行等级区分和标注，获得标签文件；
构建喀斯特石漠化分类深度神经网络模型，并利用所述样本数据和所述标签文件进行训练；
利用训练好的喀斯特石漠化分类深度神经网络模型对待分级的石漠化区域遥感影像进行识别和判定，得到分级结果；
其中，所述构建喀斯特石漠化分类深度神经网络模型，并利用所述样本数据和所述标签文件进行训练，包括：
构建由特征提取层、特征融合层和交叉熵函数组成的喀斯特石漠化分类深度神经网络模型；
将所述样本数据和所述标签文件输入所述喀斯特石漠化分类深度神经网络模型，利用所述特征提取层提取所述样本数据的不同等级的石漠化区域的地貌特征；
利用所述特征融合层对提取到不同等级的地貌特征进行串联融合；
利用交叉熵函数根据串联融合后的地貌特征判断所述样本数据所属的地貌类型。
2.根据权利要求1所述的方法，其特征在于，所述预处理包括：对所述原始遥感影像依次进行通道融合、校正、拼接和裁剪，以及对所述高程数据进行拼接和裁剪。
3.根据权利要求1所述的方法，其特征在于，所述利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度的过程中，
根据不同石漠化区域不同的地质、地形特点和环境气候条件，采用波段比值法反演所述石漠化区域的基岩裸露率和植被覆盖度；
若所述石漠化区域的坡度陡峭，则确定该坡度条件对所述反演的精度影响。
4.根据权利要求1所述的方法，其特征在于，所述将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合，包括：
对所述基岩裸露率、所述植被覆盖度和所述坡度数据进行裁剪处理；
将处理后的基岩裸露率、植被覆盖度和坡度数据分别作为第四通道、第五通道和第六通道，与所述原始遥感影像的三个波段通道进行融合，得到六个通道的样本数据。
5.根据权利要求4所述的方法，其特征在于，所述三个波段通道分别为红、绿和蓝，并将三个波段设置为标准假彩色。
6.根据权利要求1所述的方法，其特征在于，所述对所述样本数据的石漠化程度进行等级区分和标注，包括：
对所述样本数据的石漠化区域的不同发育程度进行等级区分；
利用在Linux系统下的LabelMe程序对所述样本数据中不同发育程度等级的石漠化区域边缘进行勾勒，获得所述样本数据对应的标签文件。
7.根据权利要求1所述的方法，其特征在于，所述特征提取层为一组并联运行且卷积核大小不同的卷积操作。
8.根据权利要求1所述的方法，其特征在于，所述利用所述特征融合层对提取到不同等级的地貌特征进行串联融合之前，还包括：
利用所述特征融合层采用不同倍数的上采样操作对所述特征提取层得到的特征图像的大小进行还原，并将所述特征图像的大小还原至与所述原始遥感影像的大小相同。
9.一种利用权利要求1-8中任一项所述的基于遥感影像的石漠化程度自动分级方法的基于遥感影像的石漠化程度自动分级装置，其特征在于，包括：
预处理模块，用于获取石漠化区域的原始遥感影像和高程数据，并进行预处理；
指数计算模块，用于利用处理后的遥感影像反演所述石漠化区域的基岩裸露率和植被覆盖度，利用处理后的高程数据计算坡度数据；
融合模块，用于将所述基岩裸露率、所述植被覆盖度、所述坡度数据和所述原始遥感影像进行融合，得到样本数据，对所述样本数据的石漠化程度进行等级区分和标注，获得标签文件；
模型构建与训练模块，用于构建喀斯特石漠化分类深度神经网络模型，并利用所述样本数据和所述标签文件进行训练；以及
分级模块，用于利用训练好的喀斯特石漠化分类深度神经网络模型对待分级的石漠化区域遥感影像进行识别和判定，得到分级结果。
CN202210900866.2A 2022-07-28 2022-07-28 基于遥感影像的石漠化程度自动分级方法及装置 Active CN115019184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210900866.2A CN115019184B (zh) 2022-07-28 2022-07-28 基于遥感影像的石漠化程度自动分级方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210900866.2A CN115019184B (zh) 2022-07-28 2022-07-28 基于遥感影像的石漠化程度自动分级方法及装置

Publications (2)

Publication Number Publication Date
CN115019184A CN115019184A (zh) 2022-09-06
CN115019184B true CN115019184B (zh) 2023-02-07

Family

ID=83065488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210900866.2A Active CN115019184B (zh) 2022-07-28 2022-07-28 基于遥感影像的石漠化程度自动分级方法及装置

Country Status (1)

Country Link
CN (1) CN115019184B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794528A (zh) * 2015-01-05 2015-07-22 胡宝清 一种石漠化治理模式案例库管理系统及方法
CN105027940A (zh) * 2015-08-20 2015-11-11 贵州师范大学 一种石漠化地区牧草建植方法及其使用方法
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103063311B (zh) * 2012-12-24 2015-01-14 珠江水利委员会珠江水利科学研究院 基于土壤指数的裸露基岩信息提取方法
CN103931372B (zh) * 2014-03-03 2015-11-18 贵州师范大学 喀斯特山区轻度石漠化的治理方法
CN107330898B (zh) * 2017-06-20 2020-04-28 中国科学院遥感与数字地球研究所 植被垂直带定量刻划计算方法和系统
CN108985260B (zh) * 2018-08-06 2022-03-04 航天恒星科技有限公司 一种遥感及气象一体化水稻估产方法
CN111444835B (zh) * 2020-03-26 2023-08-04 贵阳欧比特宇航科技有限公司 一种基于多源遥感数据提取地物空间分布位置的方法
CN114202551B (zh) * 2021-12-10 2022-06-03 中国科学院地理科学与资源研究所 一种喀斯特石漠化的分级制图方法及装置
CN114359722A (zh) * 2021-12-24 2022-04-15 北京卫星信息工程研究所 特殊地貌分布范围识别方法、装置及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794528A (zh) * 2015-01-05 2015-07-22 胡宝清 一种石漠化治理模式案例库管理系统及方法
CN105027940A (zh) * 2015-08-20 2015-11-11 贵州师范大学 一种石漠化地区牧草建植方法及其使用方法
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

Also Published As

Publication number Publication date
CN115019184A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN109800736A (zh) 一种基于遥感影像和深度学习的道路提取方法
CN103646246A (zh) 一种基于决策树模型的多光谱遥感影像河流信息提取方法
CN102855494B (zh) 一种卫星遥感影像的水体提取方法及装置
CN111626092B (zh) 一种基于机器学习的无人机影像地裂缝识别及提取方法
CN107392133B (zh) 利用面向对象多源信息融合的荒漠植物遥感识别方法
CN113256649B (zh) 一种基于深度学习的遥感图像选站选线语义分割方法
CN114359722A (zh) 特殊地貌分布范围识别方法、装置及设备
CN104239890A (zh) 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法
CN111951285A (zh) 基于级联深度卷积神经网络的光学遥感影像林地分类方法
CN108932474B (zh) 一种基于全卷积神经网络复合特征的遥感影像云判方法
CN111738052B (zh) 基于深度学习的多特征融合高光谱遥感地物分类方法
CN112001293A (zh) 结合多尺度信息和编解码网络的遥感影像地物分类方法
CN112329706A (zh) 一种基于遥感技术的采矿用地识别方法
Xu et al. Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil
CN113780307A (zh) 一种区域年度最大蓝绿空间信息提取方法
CN114943902A (zh) 基于多尺度特征感知网络的城市植被无人机遥感分类方法
CN102231190B (zh) 冲洪积扇信息的自动提取方法
CN106529600A (zh) 一种基于svm的高分辨率光学影像建筑物角点识别方法
CN116543165B (zh) 一种基于双通道复合深度网络的遥感图像果树分割方法
CN113158770A (zh) 一种改进的全卷积孪生神经网络的矿区变化检测方法
CN108109125A (zh) 基于遥感图像的信息提取方法和装置
CN115019184B (zh) 基于遥感影像的石漠化程度自动分级方法及装置
CN114743103A (zh) 基于Deeplabv3+网络模型的海岛礁遥感影像地质分类方法
Bishta et al. Utilizing the image processing techniques in mapping the geology of Al Taif area, central western Arabian Shield, Saudi Arabia

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