CN115170981B - 基于云平台融合多源卫星影像的常绿森林自动识别方法 - Google Patents
基于云平台融合多源卫星影像的常绿森林自动识别方法 Download PDFInfo
- Publication number
- CN115170981B CN115170981B CN202210800778.5A CN202210800778A CN115170981B CN 115170981 B CN115170981 B CN 115170981B CN 202210800778 A CN202210800778 A CN 202210800778A CN 115170981 B CN115170981 B CN 115170981B
- Authority
- CN
- China
- Prior art keywords
- ndvi
- forest
- evergreen
- eva
- data set
- 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
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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明属于遥感目标识别技术领域,公开一种基于云平台融合多源卫星影像的常绿森林自动识别方法,该方法结合研究期内研究区域中所有Sentinel‑1A/B和Sentinel‑2A/B卫星影像,通过提取常绿森林在不同时期与其他地类的物候差异进行常绿森林自动识别;首先,生成了森林掩膜;其次,将森林分为常绿森林和落叶森林,并根据高质量的时间序列曲线提取出了用于分类的物候指标;最后,逐像素对研究区常绿森林进行提取。本发明充分利用了常绿森林的独特物候指标,融合了研究区和研究期内所有卫星影像,有利于捕捉常绿森林的关键物候期,有效提高了常绿森林识别的精度。
Description
技术领域
本发明涉及遥感目标识别技术领域,尤其涉及一种基于云平台融合多源卫星影像的常绿森林自动识别方法。
背景技术
常绿森林对气候变化十分敏感,在全球变化对森林系统影响的研究领域具有不可替代的作用,并且及时、准确地编制常绿森林清查数据,对森林的决策和经营管理具有重要意义。常绿森林在碳固存、水土保持和气候变化响应方面与其他树种存在显著差异,因此,关注常绿森林对充分了解森林生态系统的碳水通量功能以及森林生态系统与气候之间的反馈至关重要。所以,及时、准确的获取常绿森林的大规模分布是至关重要的。
可以使用实地测量的方法来绘制常绿森林地图,但实地调查的方法耗时耗力,且无法提供及时的信息。随着遥感技术的发展,来自星载传感器的遥感数据提供了监测大面积常绿森林覆盖的最有效和最具成本效益的方法。在过去十几年中,基于卫星遥感的方法越来越多的用于绘制一系列具有不同空间和时间分辨率的常绿森林地图。传统上,常绿森林制图是使用中分辨率成像光谱仪(MODIS,250m),陆地卫星(Landsat,30m)和相控阵L波段合成孔径雷达(PALSAR,25或30m)卫星图像进行的。MODIS的时间分辨率高(1天),但它的空间分辨率有限。Landsat的空间分辨率相对较高,但它的重放周期相对较长(16天),而且容易受到频繁的云污染。这些卫星图像难以制作高空间分辨率的大区域常绿森林地图。本研究提出一种基于高时空分辨主被动卫星影像和物候期的常绿森林自动识别方法。
发明内容
本发明针对现有常绿森林数据集中缺乏高空间分辨率的常绿森林地图的问题,提出一种基于云平台融合多源卫星影像的常绿森林自动识别方法。
为了实现上述目的,本发明采用以下技术方案:
一种基于云平台融合多源卫星影像的常绿森林自动识别方法,包括:
步骤1、基于Google Earth Engine云计算平台获取研究期内研究区所有Sentinel-1A/B和Sentinel-2A/B卫星影像,分别对Sentinel-1A/B和Sentinel-2A/B卫星影像进行预处理,得到卫星影像数据集;
步骤2:基于步骤1所得卫星影像数据集,获取归一化植被指数和VH后向散射系数,即获取NDVI和VH时间序列数据;
步骤3、根据步骤2中得到的NDVI和VH时间序列数据,提取水体区域WBA、农田区域CA、不透水面区域ISA和森林区域FVA,得到WBA、CA、ISA和FVA分布图;
步骤4、结合常绿植被和落叶植被的参考样本数据,利用卫星影像数据集,分别创建常绿植被区域EVA和落叶植被区域DVA的NDVI和VH时间序列数据集;
步骤5、对步骤4得到的EVA和DVA的NDVI时间序列数据集进行处理,得到EVA和DVA的最大NDVI时间序列数据集;
步骤6、对步骤4得到的EVA和DVA的VH时间序列数据集进行处理,得到EVA和DVA的平均VH时间序列数据集;
步骤7、根据步骤5中得到的最大NDVI时间序列数据集和步骤6中得到的平均VH时间序列数据集,根据常绿植被物候特征,提取EVA的分类物候指标,生成分类物候指标直方图;
步骤8、根据步骤7中得到的分类物候直方图构建EVA识别模型;
步骤9、根据步骤8中构建的EVA识别模型对步骤3中得到的FVA分布图进行分类,得到EVA分布图。
进一步地,按照如下方式对卫星影像进行预处理:
利用质量波段去云算法对所述卫星影像进行观测值提取,去除云、云阴影、卷云和冰/雪覆盖的观测值,获得高质量卫星影像数据集。
进一步地,所述步骤3包括:
按照如下方式提取不透水面区域ISA:
VH>-14and Freq>70%
NDVImax<0.3and Freq>60%
其中Freq为VH大于-14的观测频率,NDVImax为全年NDVI的最大值;
按照如下方式提取水体区域WBA:
VH<-25and Freq>50%
其中Freq为VH小于-25的观测频率;
按照如下方式提取农田区域CA:
-25<VH<-14and Freq>80%
VHmax-VHmin>6
其中Freq为VH大于-25且小于-14的观测频率,VHmax和VHmin分别为6月1日至9月1日VH的最大值和最小值;
按照如下方式提取森林植被区域FVA:
NDVImax>0.5
其中NDVImax为1月1日至次年1月1日NDVI的最大值。
进一步地,所述步骤5中,按照如下方式对NDVI时间序列数据集进行处理:
计算每10天所有NDVI的最大值作为综合NDVI值,获得等时间间隔时间序列NDVI数据集;在缺失10天的观测值的地区,根据前、后10天的观测值进行线性插值;使用Savitzky-Golay滤波器对NDVI数据集进行平滑处理。
进一步地,所述步骤6中,按照如下方式对VH时间序列数据集进行处理:
计算每12天所有VH的平均值作为综合VH值,获得等时间间隔时间序列VH数据集;在缺失12天的观测值的地区,根据前、后12天的观测值进行线性插值;使用Savitzky-Golay滤波器对VH数据集进行平滑处理。
进一步地,所述步骤7包括:
根据常绿森林的生长特征,将一年分为5个时期,分别为春季、夏季、秋季、冬季和全年,分别命名为TW1~TW5,根据TW1~TW5来提取用于分类的物候指标。
进一步地,所述步骤7中,EVA的分类物候指标包括:TW4时期识别到的NDVI最大值NDVIwinter_max,TW5时期识别到的NDVI最大值NDVImax。
进一步地,所述步骤8中,EVA识别模型为:
NDVImax-NDVIwinter_max>0.25
进一步地,在所述步骤9之后,还包括:
步骤10、根据步骤9中得到的EVA分布图对步骤3中得到的FVA分布图进行掩膜处理,得到DVA分布图。
与现有技术相比,本发明具有的有益效果:
(1)本发明充分利用了常绿森林的独特物候指标,更符合常绿森林的真实生长规律,生成的物候指标图对常绿森林的生长监测具有指导意义;
(2)本发明可以准确地提取常绿森林面积,为常绿森林等其他地物的识别提供了一种新的研究思路;
(3)本发明融合了研究区和研究期内所有Sentinel-1A/B和Sentinel-2A/B卫星影像,有利于捕捉常绿森林的关键物候期,有效提高了常绿森林识别的精度,实现了基于云计算平台整合多源卫星影像和常绿林物候的常绿森林自动化识别。
附图说明
图1为本发明实施例一种基于云平台融合多源卫星影像的常绿森林自动识别方法的流程图;
图2为本发明实施例生成的WBA、CA、ISA和FVA分布图;
图3为本发明实施例生成的FVA分布图;
图4为本发明实施例生成的EVA分布图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,一种基于云平台融合多源卫星影像的常绿森林自动识别方法,包括:
步骤S1、基于Google Earth Engine云计算平台获取研究期内研究区所有Sentinel-1A/B和Sentinel-2A/B卫星影像,分别对Sentinel-1A/B和Sentinel-2A/B卫星影像进行预处理,得到卫星影像数据集;作为一种可实施方式,以2019年为研究期,以大别山地区为研究区域。
进一步地,按照如下方式对卫星影像进行预处理:
利用质量波段去云算法对所述卫星影像进行观测值提取,去除云、云阴影、卷云和冰/雪覆盖的观测值,获得高质量卫星影像数据集。
步骤S2:基于步骤S1所得卫星影像数据集,获取归一化植被指数和VH后向散射系数,即获取NDVI和VH时间序列数据;
具体地,NDVI计算公式为:
其中ρNIR和ρRED分别代表卫星影像数据中的近红外波段和红色波段。
步骤S3、根据步骤S2中得到的NDVI和VH时间序列数据,提取水体区域WBA、农田区域CA、不透水面区域ISA和森林区域FVA,得到WBA、CA、ISA和FVA分布图;
进一步地,所述步骤S3包括:
按照如下方式提取不透水面区域ISA:
VH>-14and Freq>70%
NDVImax<0.3and Freq>60%
其中Freq为VH大于-14的观测频率,NDVImax为全年NDVI的最大值;作为一种可实施方式,NDVImax为2019年全年NDVI的最大值。
按照如下方式提取水体区域WBA:
VH<-25and Freq>50%
其中Freq为VH小于-25的观测频率;
按照如下方式提取农田区域CA:
-25<VH<-14and Freq>80%
VHmax-VHmin>6
其中Freq为VH大于-25且小于-14的观测频率,VHmax和VHmin分别为6月1日至9月1日VH的最大值和最小值;作为一种可实施方式,VHmax和VHmin分别为2019年6月1日至2019年9月1日VH的最大值和VH的最小值。
按照如下方式提取森林植被区域FVA:
NDVImax>0.5
其中NDVImax为1月1日至次年1月1日NDVI的最大值。作为一种可实施方式,NDVImax为2019年1月1日至2020年1月1日NDVI的最大值。
步骤S4、结合常绿植被和落叶植被的参考样本数据,利用卫星影像数据集,分别创建常绿植被区域EVA和落叶植被区域DVA的NDVI和VH时间序列数据集;具体地,通过实地调查和谷歌影像目视解译收集了102个EVA样本点和101个DVA地面参考数据样本点,利用样本点分别创建EVA和DVA的NDVI时间序列数据集以及VH时间序列数据集。
步骤S5、对步骤S4得到的EVA和DVA的NDVI时间序列数据集进行处理,得到高质量EVA和DVA的最大NDVI时间序列数据集;
进一步地,所述步骤S5中,按照如下方式对NDVI时间序列数据集进行处理:
首先计算每10天所有NDVI的最大值作为综合NDVI值,获得等时间间隔时间序列NDVI数据集;其次基于10天前、后的高质量观测值对空隙进行线性插值:在缺失10天的观测值的地区,根据前、后10天的高质量观测值进行线性插值;最后使用Savitzky-Golay滤波器(S-G滤波器)对NDVI数据集进行平滑处理。
步骤S6、对步骤S4得到的EVA和DVA的VH时间序列数据集进行处理,得到EVA和DVA的平均VH时间序列数据集;
进一步地,所述步骤S6中,按照如下方式对VH时间序列数据集进行处理:
计算每12天所有VH的平均值作为综合VH值,获得等时间间隔时间序列VH数据集;在缺失12天的观测值的地区,根据前、后12天的观测值进行线性插值;使用Savitzky-Golay滤波器对VH数据集进行平滑处理。
步骤S7、根据步骤S5中得到的最大NDVI时间序列数据集和步骤S6中得到的平均VH时间序列数据集,根据常绿植被物候特征,提取EVA的分类物候指标,生成分类物候指标直方图;
具体地,我们计算了处理后EVA和DVA的平均NDVI和VH时间序列曲线。根据现场调查获取的信息,在春季,DVA和EVA开始发芽(NDVI逐渐上升),并于夏季,DVA和EVA达到生长旺盛期(NDVI达到局部峰值),此时DVA和EVA都具有很高的NDVI值,在秋季和冬季,DVA的NDVI值持续下降,下降幅度很大,而EVA的NDVI值相对稳定,下降幅度不明显。根据EVA的生长特征,我们将一年分为5个时期,这5个时期分别为春季、夏季、秋季、冬季和全年,按照时间顺序将其命名为TW1~TW5。我们将根据TW1~TW5这5个时间窗口来提取用于分类的物候指标。
根据步骤S5中得到的平均NDVI时间序列数据集,发现在TW4期间,EVA的NDVI时间序列在视觉上没有明显的下降趋势,而DVA的NDVI时间序列在视觉上具有明显的下降趋势。根据该特征,通过提取TW4期间和TW5期间的峰值建立EVA和DVA的分类物候指标,生成分类物候指标直方图。
进一步地,所述步骤S7中,EVA的分类物候指标包括:TW4时期识别到的NDVI最大值NDVIwinter_max,TW5时期识别到的NDVI最大值NDVImax。
步骤S8、根据步骤S7中得到的分类物候直方图构建EVA识别模型;
进一步地,所述步骤S8中,EVA识别模型为:
NDVImax-NDViwinter_max>0.25
步骤S9、根据步骤S8中构建的EVA识别模型对步骤S3中得到的FVA分布图进行分类,得到EVA分布图。
进一步地,在所述步骤S9之后,还包括:
步骤S10、根据步骤S9中得到的EVA分布图对步骤S3中得到的FVA分布图进行掩膜处理,得到DVA分布图。
为验证本发明效果,通过本发明方法,我们生成了2019年大别山地区的10m的水体、农田、不透水面和森林地图,如图2所示。在图2的a)部分随机抽取4个地区:b、c、d、e,4个区域的Google图像显示在b2)、c2)、d2)和e2)中,本发明的分类结果显示在b1)、c1)、d1)和e1)中。通过本发明方法,我们生成了2019年大别山地区10m的FVA地图,如图3所示。2019年大别山地区森林的面积为3.6×104km2,占大别山总面积的46%,主要集中在研究区中部。在图3的a)部分随机抽取4个地区:b、c、d、e,4个区域的Google图像显示在b2)、c2)、d2)和e2)中,本发明的分类结果显示在b1)、c1)、d1)和e1)中。通过本发明方法,我们生成了2019年大别山地区10m的EVA地图,如图4所示。2019年大别山地区EVA的面积为1.55×104km2,占大别山森林总面积(3.6×104km2)的43%。常绿森林主要集中在大别山的东南部,如霍山县、舒城县、潜山县、岳西县、太湖县、宿松县和黄梅县。信阳市和黄陂县也有一大片的常绿森林。一些小片常绿森林散落在大别山的中部。在图4的a)部分随机抽取4个地区:b、c、d、e,4个区域的Google图像显示在b2)、c2)、d2)和e2)中,本发明的分类结果显示在b1)、c1)、d1)和e1)中。通过图2,图3和图4可以看出水体、农田、不透水面,森林和常绿森林得到了完整识别,同时从局部放大图可以看出地块的边界等纹理信息完整,道路和其他地物被有效区分,说明了本发明对常绿森林识别的可靠性,准确性。
具体地,通过实地调查和谷歌影像目视解译来获取地面参考数据作为训练样本和验证样本。首先,我们在实地调查的过程中,收集了常绿植被、落叶植被、农田、水体和不透水面的样本点,并拍摄了他们的地理参考照片。第二,将实地调查的样本点定位到谷歌影像中,通过人眼识别不同区域表面的特征和纹理,结合谷歌地球历史影像,目视解译以获得样本点。最终,我们共收集了203个森林样本点(常绿林102个,落叶林101个)和167个非森林样本点(水体46个,不透水面21个,农田100个)。我们根据获得的样本点生成多边形缓冲区,每个多边形缓冲区的形状和大小取决于地面的实际情况。通过分层抽样,我们共收集了339,764个像素用于非森林系统,60,447个像素用于森林系统(40,893个EVA像素,19,554个DVA像素)。首先,我们使用森林验证栅格和非森林验证栅格与生成的森林分类结果计算了混淆矩阵,结果如表1所示,其中总体精度为97.98%,Kappa系数为0.92。森林的用户精度是97.46%,生产者精度是90.09%,非森林的用户精度是98.08%,生产者精度是99.54%。从精度评价来看,这表明我们精准的提取出了大别山地区的森林植被,为下一步的算法提供了良好的基础。第二,我们使用EVA验证栅格和Non-EVA验证栅格与生成的常绿森林分类结果计算了混淆矩阵,结果如表2所示。其中总体精度为99.73%,Kappa系数为0.98。常绿森林的用户精度是97.84%,生产者精度是99.68%,非常绿森林的用户精度是99.96%,生产者精度是99.74%。从精度评价来看,EVA的分类结果与验证数据之间的强一致性,这表明了我们绘制的常绿森林地图具有出色的准确性。总体而言,本次研究的精度和Kappa系数较高,地面参考数据与分类结果之间具有很强的一致性,证明了本发明的有效性、可靠性和科学性。
表1
表2
综上,本发明以2019年大别山地区为案例,提供了一种可用于提取其他地区,其他年份的研究思路,分类规则是根据目标物在不同时期独特的物候表现而建立的。在其他地区,由于不同的环境因素,例如地形、气候、海拔,常绿森林表现的物候特征可能会有所不同,因此可以通过修正阈值来使模型更贴切研究区域的真实情况。由于常绿森林光谱和结构参数在连续的年份里的变动极小,因此使用本发明可以提取和预测过去和未来的常绿森林面积。
目前有关于10m空间分辨率的常绿森林面积提取的研究较少,本发明结合Sentinel-1A/B和Sentinel-2A/B卫星影像,大大增加了单个像元高质量观测数量,可以很好的捕捉常绿森林的物候学指标,再通过线性插值和S-G滤波,得到连续且平滑的时间序列。通过以上操作,我们得到了一个高时空分辨率的影像集,充分的影像数量和高质量的观测使分类结果更加科学和准确。目前有关于常绿森林提取的方法主要是物候学。需要补充的一点是,其主要使用的物候指标是LSWI和EVI。本发明监测的是常绿森林在一年中的生长状况,分析并提取了每个时期常绿森林的物候特征情况,并基于此建立了识别规则。这相较于其他算法,本发明提取的特征更符合常绿森林的真实生长规律,更能捕捉到常绿森林的特征。
以上所示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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于云平台融合多源卫星影像的常绿森林自动识别方法,其特征在于,包括:
步骤1、基于Google Earth Engine云计算平台获取研究期内研究区所有Sentinel-1A/B和Sentinel-2 A/B卫星影像,分别对Sentinel-1 A/B和Sentinel-2 A/B卫星影像进行预处理,得到卫星影像数据集;
步骤2:基于步骤1所得卫星影像数据集,获取归一化植被指数和VH后向散射系数,即获取NDVI和VH时间序列数据;
步骤3、根据步骤2中得到的NDVI和VH时间序列数据,提取水体区域WBA、农田区域CA、不透水面区域ISA和森林区域FVA,得到WBA、CA、ISA和FVA分布图;
步骤4、结合常绿植被和落叶植被的参考样本数据,利用卫星影像数据集,分别创建常绿植被区域EVA和落叶植被区域DVA的NDVI和VH时间序列数据集;
步骤5、对步骤4得到的EVA和DVA的NDVI时间序列数据集进行处理,得到EVA和DVA的最大NDVI时间序列数据集;
步骤6、对步骤4得到的EVA和DVA的VH时间序列数据集进行处理,得到EVA和DVA的平均VH时间序列数据集;
步骤7、根据步骤5中得到的最大NDVI时间序列数据集和步骤6中得到的平均VH时间序列数据集,根据常绿植被物候特征,提取EVA的分类物候指标,生成分类物候指标直方图;
所述步骤7包括:
根据常绿森林的生长特征,将一年分为5个时期,分别为春季、夏季、秋季、冬季和全年,分别命名为TW1~TW5,根据TW1~TW5来提取用于分类的物候指标;
所述步骤7中,EVA的分类物候指标包括:TW4时期识别到的NDVI最大值NDVIwinter_max,TW5时期识别到的NDVI最大值NDVImax;
步骤8、根据步骤7中得到的分类物候直方图构建EVA识别模型;
所述步骤8中,EVA识别模型为:
NFVImax-NFVIwinter_max>0.25
步骤9、根据步骤8中构建的EVA识别模型对步骤3中得到的FVA分布图进行分类,得到EVA分布图。
2.根据权利要求1所述的基于云平台融合多源卫星影像的常绿森林自动识别方法,其特征在于,按照如下方式对卫星影像进行预处理:
利用质量波段去云算法对所述卫星影像进行观测值提取,去除云、云阴影、卷云和冰/雪覆盖的观测值,获得高质量卫星影像数据集。
3.根据权利要求1所述的基于云平台融合多源卫星影像的常绿森林自动识别方法,其特征在于,所述步骤3包括:
按照如下方式提取不透水面区域ISA:
VH>-14 and Freq>70%
NDVImax<0.3 and Freq>60%
其中Freq为VH大于-14的观测频率,NDVImax为全年NDVI的最大值;
按照如下方式提取水体区域WBA:
VH<-25 and Freq>50%
其中Freq为VH小于-25的观测频率;
按照如下方式提取农田区域CA:
-25<VH<-14 and Freq>80%
VHmax-VHmin>6
其中Freq为VH大于-25且小于-14的观测频率,VHmax和VHmin分别为6月1日至9月1日VH的最大值和最小值;
按照如下方式提取森林植被区域FVA:
NDVImax>0.5
其中NDVImax为1月1日至次年1月1日NDVI的最大值。
4.根据权利要求1所述的基于云平台融合多源卫星影像的常绿森林自动识别方法,其特征在于,所述步骤5中,按照如下方式对NDVI时间序列数据集进行处理:
计算每10天所有NDVI的最大值作为综合NDVI值,获得等时间间隔时间序列NDVI数据集;在缺失10天的观测值的地区,根据前、后10天的观测值进行线性插值;使用Savitzky-Golay滤波器对NDVI数据集进行平滑处理。
5.根据权利要求1所述的基于云平台融合多源卫星影像的常绿森林自动识别方法,其特征在于,所述步骤6中,按照如下方式对VH时间序列数据集进行处理:
计算每12天所有VH的平均值作为综合VH值,获得等时间间隔时间序列VH数据集;在缺失12天的观测值的地区,根据前、后12天的观测值进行线性插值;使用Savitzky-Golay滤波器对VH数据集进行平滑处理。
6.根据权利要求1所述的基于云平台融合多源卫星影像的常绿森林自动识别方法,其特征在于,在所述步骤9之后,还包括:
步骤10、根据步骤9中得到的EVA分布图对步骤3中得到的FVA分布图进行掩膜处理,得到DVA分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210800778.5A CN115170981B (zh) | 2022-07-08 | 2022-07-08 | 基于云平台融合多源卫星影像的常绿森林自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210800778.5A CN115170981B (zh) | 2022-07-08 | 2022-07-08 | 基于云平台融合多源卫星影像的常绿森林自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115170981A CN115170981A (zh) | 2022-10-11 |
CN115170981B true CN115170981B (zh) | 2023-06-06 |
Family
ID=83493929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210800778.5A Active CN115170981B (zh) | 2022-07-08 | 2022-07-08 | 基于云平台融合多源卫星影像的常绿森林自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170981B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015152340A (ja) * | 2014-02-12 | 2015-08-24 | 株式会社パスコ | 林相解析装置、林相解析方法及びプログラム |
CN113408468A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221806B (zh) * | 2021-05-25 | 2022-02-01 | 河南大学 | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 |
-
2022
- 2022-07-08 CN CN202210800778.5A patent/CN115170981B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015152340A (ja) * | 2014-02-12 | 2015-08-24 | 株式会社パスコ | 林相解析装置、林相解析方法及びプログラム |
CN113408468A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115170981A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Isolating individual trees in a savanna woodland using small footprint lidar data | |
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
CN113505635B (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
CN110926430B (zh) | 一种空地一体化红树林监测系统及控制方法 | |
dos Santos et al. | Biophysical parameters of coffee crop estimated by UAV RGB images | |
Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
CN113392759B (zh) | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 | |
Hou et al. | Use of ALS, Airborne CIR and ALOS AVNIR-2 data for estimating tropical forest attributes in Lao PDR | |
CN113221806B (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
CN108038433B (zh) | 基于多回波机载激光扫描数据的城市树木碳含量估计方法 | |
S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
Rahman et al. | Urban tree damage estimation using airborne laser scanner data and geographic information systems: An example from 2007 Oklahoma ice storm | |
Szantoi et al. | A tool for rapid post-hurricane urban tree debris estimates using high resolution aerial imagery | |
Panagiotidis et al. | Detection of fallen logs from high-resolution UAV images | |
Mustafa | Spatiotemporal analysis of vegetation cover in Kurdistan region-Iraq using MODIS image data | |
CN114445703A (zh) | 基于时间序列分析的森林增长年份自动识别方法、系统 | |
CN114998728A (zh) | 无人机多源遥感预测棉花叶面积指数的方法及系统 | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
Geng et al. | Vegetation coverage of desert ecosystems in the Qinghai-Tibet Plateau is underestimated | |
CN111985433B (zh) | 一种水稻遥感信息提取方法和系统 | |
CN115170981B (zh) | 基于云平台融合多源卫星影像的常绿森林自动识别方法 | |
Workie | Assessment of aboveground carbon stock in coniferous and broadleaf forests, using high spatial resolution satellite images | |
CN112215094B (zh) | 一种卫星遥感图像的积雪提取方法及装置 | |
Jiménez-Bello et al. | Use of remote sensing and geographic information tools for irrigation management of citrus trees | |
Dali et al. | Deep Learning Based Multi Task Road Extractor Model for Parcel Extraction and Crop Classification Using Knowledge Based Ndvi Time Series Data |
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 |