CN115291229A - 湖泊中挺水植被的识别方法、装置、设备及存储介质 - Google Patents

湖泊中挺水植被的识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115291229A
CN115291229A CN202210901341.0A CN202210901341A CN115291229A CN 115291229 A CN115291229 A CN 115291229A CN 202210901341 A CN202210901341 A CN 202210901341A CN 115291229 A CN115291229 A CN 115291229A
Authority
CN
China
Prior art keywords
data
lake
random forest
vegetation
classification
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
Application number
CN202210901341.0A
Other languages
English (en)
Other versions
CN115291229B (zh
Inventor
李杨杨
曹磊
阮鲲
王帅飞
张宏达
钱明浪
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.)
3Clear Technology Co Ltd
Original Assignee
3Clear Technology Co Ltd
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 3Clear Technology Co Ltd filed Critical 3Clear Technology Co Ltd
Priority to CN202210901341.0A priority Critical patent/CN115291229B/zh
Publication of CN115291229A publication Critical patent/CN115291229A/zh
Application granted granted Critical
Publication of CN115291229B publication Critical patent/CN115291229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种湖泊中挺水植被的识别方法、装置、电子设备及存储介质。方法包括：获取目标湖泊的星载激光测高数据；从所述目标湖泊的星载激光测高数据中提取目标特征数据；将所述目标特征数据输入分类模型中，得到所述分类模型输出的所述目标湖泊的挺水植被识别结果；其中，所述分类模型是以湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果为样本集，预先训练建立的。本申请的技术方案，解决了光学遥感影像进行水生植被分类时挺水植被与浮叶植被难以区分的问题，本方案能够提升对湖泊中挺水植被识别的准确度，对监测湖泊生态系统安全具有重要意义。

Description

湖泊中挺水植被的识别方法、装置、设备及存储介质
技术领域
本申请涉及遥感技术领域，具体涉及一种湖泊中挺水植被的识别方法、装置、电子设备及存储介质。
背景技术
挺水植被是水生植被的一种，是指那些根或地下茎生长于泥土中，下部或基部沉于水中，茎或叶绝大部分挺立于水面上的植物，如莲、芦苇等。
水生植被是湖泊生态系统的重要组成部分，在抑制沉积物再悬浮、提高水体透明度、吸收水体中营养盐、抑制浮游藻类生长等方面起着重要作用。但水生植物的过度生长若不能被及时收割或利用，尤其是挺水植被和浮叶植被，会对水体造成二次污染。因此，有效监测湖泊中水生植被的分布对监测湖泊生态系统具有重要意义。此外，准确获取不同类群水生植被的空间分布有助于了解湖泊水生植被的时空变化特征，分析其演变机制及驱动因素，对湖泊管理有重要意义。
但是，由于挺水植被和浮叶植被叶片均在水面之上，均具有典型的植被光谱特征，光谱间差异较小，使得挺水植被与浮叶植被之间难以区分。有学者使用植被指数结合水生植被的分布特点或其他先验知识区分挺水植被，但这种方法不适用于其他无先验知识的湖泊中挺水植被的识别。因此，如何准确识别湖泊中的挺水植被，是本领域亟需解决的技术问题。
发明内容
本申请提出一种湖泊中挺水植被的识别方法、装置、电子设备及存储介质，能够对湖泊中挺水植被进行准确识别。
第一方面，本申请提供一种湖泊中挺水植被的识别方法，包括：
获取目标湖泊的星载激光测高数据；
从所述目标湖泊的星载激光测高数据中提取目标特征数据；
将所述目标特征数据输入分类模型中，得到所述分类模型输出的所述目标湖泊的挺水植被识别结果；
其中，所述分类模型是以湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果为样本集，预先训练建立的。
一种可能的实现方式中，所述分类模型采用预先训练好的随机森林模型；
所述随机森林模型的训练过程包括：
将目标特征数据作为初始随机森林模型的分类属性；
根据湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果构建样本集；
根据所述样本集对初始随机森林模型进行训练，得到最终用于分类的随机森林模型。
一种可能的实现方式中，所述根据所述样本集对初始随机森林模型进行训练，得到最终用于分类的随机森林模型，包括：
从所述样本集中随机选取预设比例的样本作为训练数据训练初始随机森林模型，所述样本集中剩余的样本作为测试数据用于测试训练后的随机森林模型；
重复以上训练步骤多次，得到多个不同的随机森林模型；
从所述多个不同的随机森林模型中选取精度最高的随机森林模型作为最终用于分类的随机森林模型。
一种可能的实现方式中，所述目标特征数据包括：预设沿轨距离间隔内的光子高度、光子数量、被分类为冠层的光子比例、被分类为冠层顶部的光子比例和被分类为地形的光子比例，以及预设沿轨距离间隔内的地表分类数据和水体掩膜数据。
一种可能的实现方式中，所述星载激光测高数据采用ICESat-2卫星的ATL08数据集。
第二方面，本申请提供一种湖泊中挺水植被的识别装置，包括：
获取模块，用于获取目标湖泊的星载激光测高数据；
提取模块，用于从所述目标湖泊的星载激光测高数据中提取目标特征数据；
识别模块，用于将所述目标特征数据输入分类模型中，得到所述分类模型输出的所述目标湖泊的挺水植被识别结果；
其中，所述分类模型是以湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果为样本集，预先训练建立的。
一种可能的实现方式中，所述分类模型采用预先训练好的随机森林模型；
所述装置还包括：训练模块，用于对随机森林模型进行训练，所述随机森林模型的训练过程包括：
将目标特征数据作为初始随机森林模型的分类属性；
根据湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果构建样本集；
根据所述样本集对初始随机森林模型进行训练，得到最终用于分类的随机森林模型。
一种可能的实现方式中，所述训练模块，具体用于：
从所述样本集中随机选取预设比例的样本作为训练数据训练初始随机森林模型，所述样本集中剩余的样本作为测试数据用于测试训练后的随机森林模型；
重复以上训练步骤多次，得到多个不同的随机森林模型；
从所述多个不同的随机森林模型中选取精度最高的随机森林模型作为最终用于分类的随机森林模型。
一种可能的实现方式中，所述目标特征数据包括：预设沿轨距离间隔内的光子高度、光子数量、被分类为冠层的光子比例、被分类为冠层顶部的光子比例和被分类为地形的光子比例，以及预设沿轨距离间隔内的地表分类数据和水体掩膜数据。
一种可能的实现方式中，所述星载激光测高数据采用ICESat-2卫星的ATL08数据集。
本申请第三方面提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时实现本申请第一方面所述的方法。
本申请第四方面提供一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现本申请第一方面所述的方法。
相较于现有技术，本申请实施例提供的湖泊中挺水植被的识别方法、装置、电子设备及存储介质，获取目标湖泊的星载激光测高数据；从所述目标湖泊的星载激光测高数据中提取目标特征数据；将所述目标特征数据输入分类模型中，得到所述分类模型输出的所述目标湖泊的挺水植被识别结果；其中，所述分类模型是以湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果为样本集，预先训练建立的。本申请的技术方案，解决了光学遥感影像进行水生植被分类时挺水植被与浮叶植被难以区分的问题，本方案能够提升对湖泊中挺水植被识别的准确度，对监测湖泊生态系统安全具有重要意义。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请提供的一种湖泊中挺水植被的识别方法的流程图；
图2示出了太湖地区ICESat-2卫星激光测高数据的示意图；
图3示出了基于ICESat-2卫星的ATL08数据集构建随机森林模型的过程示意图；
图4示出了本申请提供的一种湖泊中挺水植被的识别装置的示意图；
图5示出了本申请提供的一种电子设备的示意图；
图6示出了本申请提供的一种计算机可读存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
当前，利用遥感技术对水生植被的识别主要使用光学遥感影像作为数据源，如多光谱/高光谱的卫星或无人机遥感影像。基于水生植被与水体间的光谱差异，采用监督分类、非监督分类、决策树或机器学习的方法对水生植被进行识别。研究中需要综合考虑卫星影像的波段设置，植被类群在卫星影像上的光谱响应，构建相应的植被指数识别水生植被。由于挺水植被和浮叶植被叶片均在水面之上，均具有典型的植被光谱特征，光谱间差异较小，使得挺水植被与浮叶植被之间难以区分。有学者使用植被指数结合水生植被的分布特点或其他先验知识区分挺水植被，但这种方法不适用于其他无先验知识的湖泊中挺水植被的识别。在许多研究中，挺水植被和浮叶植被被统称为浮叶类植被，未进行区分，这不利于研究湖泊中水生植被长期的演变机制。挺水植被高度高于水面，浮叶植被叶片漂浮在水面之上，两者具有非常明显的差异，若能利用这一高度差异区分挺水植被和浮叶植被，将有效解决光学遥感数据中挺水植被和浮叶植被难以区分的问题。
近年来，星载激光探测技术有了长足的发展。已有学者利用星载激光测高数据对地表覆盖进行分类，将地表分为森林、水体、城市、裸地等类型。在这些分类中，水作为整体被分为一类。能否利用星载激光测高数据从湖泊水体中识别出水生植被尚未有报道。
相较于地表覆盖分类，水生植被与水体间的高度差异较小、不同类型水生植被与水体间的相对位置不统一，并且水生植被在湖泊中的面积占比较小。基于此，利用星载激光测高数据能够从湖泊中提取哪一类型的水生植被，使用哪种星载激光测高数据产品，选取哪些数据特征，都是使用星载激光测高数据识别水生植被需要考虑的问题。
为进一步说明本申请实施例的方案，下面将结合附图进行描述。可以理解的是，下面各实施例中，相同或相应的内容可以相互参考，为描述简便，后续不作赘述。
请参考图1，其示出了本申请实施例所提供的一种湖泊中挺水植被的识别方法的流程图，该方法的执行主体可以为服务器，或者手机、电脑等电子设备。如图1所示，上述湖泊中挺水植被的识别方法，可以包括以下步骤S101-S103：
S101、获取目标湖泊的星载激光测高数据。
星载激光测高数据与光学遥感影像不同：
光学遥感影像，如MODIS，Landsat，Sentinel-2/3等卫星遥感影像，是利用可见光、红外等波段对地表进行成像，得到的是类似于照片的图像。
星载激光测高数据，如ICESat-2卫星激光测高数据，通过向地表发射一定波长的激光脉冲，收集返回的光子并记录光子往返时间测量地表高度，得到的是点云数据。图2所示为太湖地区ICESat-2卫星激光测高数据的示意图。
S102、从目标湖泊的星载激光测高数据中提取目标特征数据。
目标特征数据包括：预设沿轨距离间隔内的光子高度、光子数量、被分类为冠层的光子比例、被分类为冠层顶部的光子比例和被分类为地形的光子比例，以及预设沿轨距离间隔内的地表分类数据和水体掩膜数据。预设沿轨距离间隔可以是50m、100m等，本申请不做限定。
例如，本申请选取的目标特征数据可以包括：每100m沿轨距离间隔内的光子高度、光子数量、被分类为冠层的光子比例、被分类为冠层顶部的光子比例和被分类为地形的光子比例，以及每100m沿轨距离间隔内的地表分类数据和水体掩膜数据。
目标特征数据的选取过程如下：
ICESat-2卫星搭载的先进激光测高仪ATLAS通过向地表发射波长为532nm的激光脉冲，收集返回的光子并记录光子往返时间测量地表高度。ATLAS共发布了Level0～Level3共四级、21种数据产品，编号为ATL00～ATL21。其中ATL08为地表和植被高度数据，包含基于WGS84椭球体的地面和冠层沿轨高度。因此，本申请的星载激光测高数据可以采用ICESat-2卫星的ATL08数据集，当然也可以选取其它的星载激光测高数据，本申请对此不做限定。
ATL08数据产品是按照沿轨距离100m的间隔对光子进行分析和处理的，每个100m间隔的光子数量均大于100个，因此冠层和地表高度的空间分辨率为100m。
①挺水植被的高度高于水面，因此水体区域和挺水植被覆盖区域的高度会有差异，可以使用每100m沿轨距离间隔内光子的高度作为分类特征。
②由于水体和植被的反射率差异，在每个沿轨距离间隔内，挺水植被覆盖区域和水体区域返回的光子数不同。因此，每100m沿轨距离间隔内的光子数量也可作为分类特征之一。
③挺水植被覆盖区域被分类为冠层光子的数量和被分类为冠层顶部光子的数量会显著高于水体区域。而水体区域被分类为地形的光子数量占比较高。因此，计算每100m沿轨距离间隔内被分类为冠层的光子比例、被分类为冠层顶部的光子比例和被分类为地形的光子比例，作为特征参与分类模型构建。
④此外，ATL08数据集中，还包含了水体掩膜数据和地表分类数据，分别为：参照空间分辨率为250m的全球栅格水体掩膜数据(ANC33)对每100m沿轨距离间隔内的水体进行标识，得到水体掩膜数据；参照哥白尼土地覆盖数据(ANC18)对每100m沿轨距离间隔内的地表类型进行分类，得到地表分类数据。水体掩膜数据和地表分类数据，这两类数据也可作为特征参与挺水植被与水体的区分。
综上，本申请实施例中使用每100m沿轨距离间隔内光子高度、光子数量、地表分类数据、水体掩膜数据，以及每100m沿轨距离间隔内被分类为冠层的光子比例、被分类为冠层顶部的光子比例和被分类为地形的光子比例共7种遥感数据特征作为分类属性，用于构建识别挺水植被的分类模型。
S103、将目标特征数据输入分类模型中，得到分类模型输出的目标湖泊的挺水植被识别结果；其中，分类模型是以湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果为样本集，预先训练建立的。
可选的，上述分类模型可以采用预先训练好的随机森林模型。随机森林(RandomForest，RF)算法是一种基于多棵相互独立的决策树对样本进行训练，再根据训练得到的模型对待测样本进行预测的机器学习算法。随机森林算法中，通过随机选取样本和属性特征防止算法过拟合，同时对每棵决策树生成的结果采用多数表决原则确定最终结果，提升分类的准确度。
上述随机森林模型的训练过程如下：
将目标特征数据作为初始随机森林模型的分类属性；
根据湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果构建样本集；
根据构建的样本集对初始随机森林模型进行训练，得到最终用于分类的随机森林模型。
具体的，可以从样本集中随机选取预设比例的样本作为训练数据训练初始随机森林模型，所述样本集中剩余的样本作为测试数据用于测试训练后的随机森林模型；重复以上训练步骤多次，得到多个不同的随机森林模型；从多个不同的随机森林模型中选取精度最高的随机森林模型作为最终用于分类的随机森林模型。
图3所示为是基于ICESat-2卫星的ATL08数据集构建随机森林模型的过程示意图，如图3所示：
第一步：从ATL08数据集中提取或计算出目标特征数据，再从实测数据或文献数据中提取每一条特征数据对应的分类结果(水体或挺水植被)，构建样本集合。
第二步：从样本集合中随机选取75％作为训练数据训练随机森林模型，剩余的25％作为测试数据用于测试随机森林模型。
第三步：重复第二步100次，得到100个不同的随机森林分类模型，选取精度最高的随机森林分类模型作为最优随机森林分类模型。
第四步：从待测ATL08数据集提取或计算目标特征数据，输入第三步获取的最优随机森林分类模型中，得到挺水植被识别结果。
相对于现有技术，本申请中使用一种新的数据源—星载激光测高数据ICESat-2/ATL08数据集，基于高度差异特征构建随机森林模型识别挺水植被，有效解决了光学遥感数据中挺水植被与浮叶植被光谱相似难以区分的问题，从而可以进行大范围、高时效的挺水植被识别，可作为光学遥感图像识别水生植被的有益补充。
在上述的实施例中，提供了一种湖泊中挺水植被的识别方法，与之相对应的，本申请还提供一种湖泊中挺水植被的识别装置。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图4所示，所述湖泊中挺水植被的识别装置10可以包括：
获取模块101，用于获取目标湖泊的星载激光测高数据；
提取模块102，用于从所述目标湖泊的星载激光测高数据中提取目标特征数据；
识别模块103，用于将所述目标特征数据输入分类模型中，得到所述分类模型输出的所述目标湖泊的挺水植被识别结果；
其中，所述分类模型是以湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果为样本集，预先训练建立的。
一种可能的实现方式中，所述分类模型采用预先训练好的随机森林模型；
所述装置还包括：训练模块，用于对随机森林模型进行训练，所述随机森林模型的训练过程包括：
将目标特征数据作为初始随机森林模型的分类属性；
根据湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果构建样本集；
根据所述样本集对初始随机森林模型进行训练，得到最终用于分类的随机森林模型。
一种可能的实现方式中，所述训练模块，具体用于：
从所述样本集中随机选取预设比例的样本作为训练数据训练初始随机森林模型，所述样本集中剩余的样本作为测试数据用于测试训练后的随机森林模型；
重复以上训练步骤多次，得到多个不同的随机森林模型；
从所述多个不同的随机森林模型中选取精度最高的随机森林模型作为最终用于分类的随机森林模型。
一种可能的实现方式中，所述目标特征数据包括：预设沿轨距离间隔内的光子高度、光子数量、被分类为冠层的光子比例、被分类为冠层顶部的光子比例和被分类为地形的光子比例，以及预设沿轨距离间隔内的地表分类数据和水体掩膜数据。
一种可能的实现方式中，所述星载激光测高数据采用ICESat-2卫星的ATL08数据集。
本申请实施例提供的湖泊中挺水植被的识别装置与本申请实施例提供的湖泊中挺水植被的识别方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的湖泊中挺水植被的识别方法对应的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述湖泊中挺水植被的识别方法。
请参考图5，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图5所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的湖泊中挺水植被的识别方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述湖泊中挺水植被的识别方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的湖泊中挺水植被的识别方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的湖泊中挺水植被的识别方法对应的计算机可读存储介质，请参考图6，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的湖泊中挺水植被的识别方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的湖泊中挺水植被的识别方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。

Claims (10)

1.一种湖泊中挺水植被的识别方法，其特征在于，包括：
获取目标湖泊的星载激光测高数据；
从所述目标湖泊的星载激光测高数据中提取目标特征数据；
将所述目标特征数据输入分类模型中，得到所述分类模型输出的所述目标湖泊的挺水植被识别结果；
其中，所述分类模型是以湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果为样本集，预先训练建立的。
2.根据权利要求1所述的方法，其特征在于，所述分类模型采用预先训练好的随机森林模型；
所述随机森林模型的训练过程包括：
将目标特征数据作为初始随机森林模型的分类属性；
根据湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果构建样本集；
根据所述样本集对初始随机森林模型进行训练，得到最终用于分类的随机森林模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述样本集对初始随机森林模型进行训练，得到最终用于分类的随机森林模型，包括：
从所述样本集中随机选取预设比例的样本作为训练数据训练初始随机森林模型，所述样本集中剩余的样本作为测试数据用于测试训练后的随机森林模型；
重复以上训练步骤多次，得到多个不同的随机森林模型；
从所述多个不同的随机森林模型中选取精度最高的随机森林模型作为最终用于分类的随机森林模型。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述目标特征数据包括：预设沿轨距离间隔内的光子高度、光子数量、被分类为冠层的光子比例、被分类为冠层顶部的光子比例和被分类为地形的光子比例，以及预设沿轨距离间隔内的地表分类数据和水体掩膜数据。
5.根据权利要求1所述的方法，其特征在于，所述星载激光测高数据采用ICESat-2卫星的ATL08数据集。
6.一种湖泊中挺水植被的识别装置，其特征在于，包括：
获取模块，用于获取目标湖泊的星载激光测高数据；
提取模块，用于从所述目标湖泊的星载激光测高数据中提取目标特征数据；
识别模块，用于将所述目标特征数据输入分类模型中，得到所述分类模型输出的所述目标湖泊的挺水植被识别结果；
其中，所述分类模型是以湖泊的历史星载激光测高数据中的目标特征数据及其对应的挺水植被识别结果为样本集，预先训练建立的。
7.根据权利要求6所述的装置，其特征在于，所述目标特征数据包括：预设沿轨距离间隔内的光子高度、光子数量、被分类为冠层的光子比例、被分类为冠层顶部的光子比例和被分类为地形的光子比例，以及预设沿轨距离间隔内的地表分类数据和水体掩膜数据。
8.根据权利要求6所述的装置，其特征在于，所述星载激光测高数据采用ICESat-2卫星的ATL08数据集。
9.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至5中任一项所述的方法。
CN202210901341.0A 2022-07-28 2022-07-28 湖泊中挺水植被的识别方法、装置、设备及存储介质 Active CN115291229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210901341.0A CN115291229B (zh) 2022-07-28 2022-07-28 湖泊中挺水植被的识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210901341.0A CN115291229B (zh) 2022-07-28 2022-07-28 湖泊中挺水植被的识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115291229A true CN115291229A (zh) 2022-11-04
CN115291229B CN115291229B (zh) 2023-09-22

Family

ID=83824827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210901341.0A Active CN115291229B (zh) 2022-07-28 2022-07-28 湖泊中挺水植被的识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115291229B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116022931A (zh) * 2023-02-13 2023-04-28 中国水利水电科学研究院 生态系统修复方法、装置、设备、介质及产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020101054A4 (en) * 2020-06-19 2020-07-30 Guizhou Institute Of Pratacultural A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV
CN112668400A (zh) * 2020-12-08 2021-04-16 深圳先进技术研究院 一种植被识别方法及应用
CN112883987A (zh) * 2021-03-11 2021-06-01 成都数之联科技有限公司 基于遥感光谱特征的目标提取方法及系统及装置及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020101054A4 (en) * 2020-06-19 2020-07-30 Guizhou Institute Of Pratacultural A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV
CN112668400A (zh) * 2020-12-08 2021-04-16 深圳先进技术研究院 一种植被识别方法及应用
CN112883987A (zh) * 2021-03-11 2021-06-01 成都数之联科技有限公司 基于遥感光谱特征的目标提取方法及系统及装置及介质

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
侍昊;李旭文;牛志春;李继影;李杨;李宁;: "基于随机森林模型的太湖水生植被遥感信息提取", 湖泊科学, no. 03, pages 01 - 03 *
吴红波;郭忠明;毛瑞娟;: "ICESat-GLAS测高数据在长江中下游湖泊水位变化监测中的应用", 资源科学, no. 12 *
安德笼;杨进;武永斌;马旭辉;陶德龙;史红岭;: "ICESat-2激光测高卫星应用研究进展", 海洋测绘, no. 06 *
张智宇;王虹;张文豪;黄科;周辉;马跃;李松;: "卫星激光测高植被目标回波的半解析仿真模型", 测绘学报, no. 02 *
李亭亭;田礼乔;李建;张;孙兆华;: "基于Sentinel卫星的浑浊水体叶绿素反演对比研究――以鄱阳湖为例", 华中师范大学学报(自然科学版), no. 06 *
李彬彬，谢欢，童小华，叶丹，孙凯鹏，李铭: "基于随机森林的 ICESat-2 卫星数据地表覆盖分类", 红外与激光工程, vol. 49, no. 11, pages 01 - 06 *
杨婷;王成;李贵才;骆社周;习晓环;高帅;HONGCHENG ZENG;: "基于星载激光雷达GLAS和光学MODIS数据中国森林冠层高度制图", 中国科学:地球科学, no. 11 *
王?;李松;田昕;张智宇;张文豪;: "方向自适应的星载光子计数激光测高植被冠层高度估算", 红外与毫米波学报, no. 03 *
王虹;张智宇;周辉;李松;马跃;张文豪;: "面向森林植被的星载大光斑激光雷达回波仿真", 武汉大学学报(信息科学版), no. 05 *
胡琳;甘淑;袁希平;李雁;付承彪;宋春雨;闫馨方;: "滇池不同空间分布水体的高光谱特征差异分析", 云南大学学报(自然科学版), no. 04 *
葛莉;习晓环;王成;KHUN-NEAY KHUON;: "ICESat-1/GLAS数据湖泊水位监测研究进展", 遥感技术与应用, no. 01 *
闫大鹏;周兴东;刘伟;罗菊花;芮佳;汪政辉;余悠然;: "一种基于高斯拟合的水生植被遥感分类阈值确定方法", 西安科技大学学报, no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116022931A (zh) * 2023-02-13 2023-04-28 中国水利水电科学研究院 生态系统修复方法、装置、设备、介质及产品
CN116022931B (zh) * 2023-02-13 2023-09-15 中国水利水电科学研究院 生态系统修复方法、装置、设备、介质及产品

Also Published As

Publication number Publication date
CN115291229B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
Navarro et al. The application of Unmanned Aerial Vehicles (UAVs) to estimate above-ground biomass of mangrove ecosystems
Amani et al. A generalized supervised classification scheme to produce provincial wetland inventory maps: An application of Google Earth Engine for big geo data processing
Koko et al. Monitoring and predicting spatio-temporal land use/land cover changes in Zaria City, Nigeria, through an integrated cellular automata and markov chain model (CA-Markov)
Tariq et al. Modelling, mapping and monitoring of forest cover changes, using support vector machine, kernel logistic regression and naive bayes tree models with optical remote sensing data
Anand et al. Use of hyperion for mangrove forest carbon stock assessment in Bhitarkanika forest reserve: A contribution towards blue carbon initiative
Sharma et al. A Machine Learning and Cross‐Validation Approach for the Discrimination of Vegetation Physiognomic Types Using Satellite Based Multispectral and Multitemporal Data
Bässler et al. LiDAR as a rapid tool to predict forest habitat types in Natura 2000 networks
Al-Fares Historical land use/land cover classification using remote sensing: A case study of the Euphrates River basin in Syria
Abdu Classification accuracy and trend assessments of land cover-land use changes from principal components of land satellite images
Sun et al. Hydrologic changes of Aral Sea: a reveal by the combination of radar altimeter data and optical images
Herbei et al. Processing and Use of Satellite Images in Order to Extract Useful Information in Precision Agriculture.
Dimov et al. Sugarcane yield estimation through remote sensing time series and phenology metrics
Kavats et al. Monitoring of sugarcane harvest in Brazil based on optical and SAR data
Gómez et al. Shoreline change and coastal vulnerability characterization with Landsat imagery: a case study in the Outer Hebrides, Scotland
Zhu et al. Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models
CN115291229B (zh) 湖泊中挺水植被的识别方法、装置、设备及存储介质
Löw et al. Land cover change detection in the Aralkum with multi-source satellite datasets
Shin et al. High spatial-resolution red tide detection in the southern coast of Korea using u-net from planetscope imagery
Tamiminia et al. Decision tree-based machine learning models for above-ground biomass estimation using multi-source remote sensing data and object-based image analysis
Ozdarici-Ok et al. Automated extraction and validation of Stone Pine (Pinus pinea L.) trees from UAV-based digital surface models
Ghosh et al. Assessing the spatial variation of cropping intensity using multi-temporal Sentinel-2 data by rule-based classification
Weng Remote sensing of urban biophysical environments
D'iorio et al. Optimizing remote sensing and GIS tools for mapping and managing the distribution of an invasive mangrove (Rhizophora mangle) on South Molokai, Hawaii
Safaee et al. Towards global mapping of salt pans and salt playas using Landsat imagery: A case study of western United States
Arizapana-Almonacid et al. Land cover changes and comparison of current landscape metrics in a region of the Central Andes affected by population migration

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