CN115393728A - 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法 - Google Patents

一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法 Download PDF

Info

Publication number
CN115393728A
CN115393728A CN202210772224.9A CN202210772224A CN115393728A CN 115393728 A CN115393728 A CN 115393728A CN 202210772224 A CN202210772224 A CN 202210772224A CN 115393728 A CN115393728 A CN 115393728A
Authority
CN
China
Prior art keywords
data
sentinel
remote sensing
index
water body
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.)
Pending
Application number
CN202210772224.9A
Other languages
English (en)
Inventor
胡洛佳
陈鹭真
张韵
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.)
Xiamen University
China Academy of Space Technology CAST
Original Assignee
Xiamen University
China Academy of Space Technology CAST
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 Xiamen University, China Academy of Space Technology CAST filed Critical Xiamen University
Priority to CN202210772224.9A priority Critical patent/CN115393728A/zh
Publication of CN115393728A publication Critical patent/CN115393728A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

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

Abstract

一种基于Sentinel‑1/2时间序列遥感图像的废弃鱼塘提取方法，属于卫星遥感图像处理技术领域，包括步骤：首先利用研究时间前连续五年的Sentinel‑1/2时间序列图像生成逐年分位数数据，以及采用30米全球高程数据生成10m高程数据；然后建立研究区土地覆盖分类系统，生成训练样本集；得到连续五年逐年分类结果，并生成覆盖五年所有水体的掩膜；最后识别研究年份在掩膜范围内非水体像元，并用于计算面向对象特征，得到废弃鱼塘分布结果。本发明在使用时空分辨率较高的Sentinel‑1/2时间序列遥感数据的基础上，设计了将基于像元和面向对象分类方法相结合的废弃鱼塘提取方法，实现了对具有斑块破碎化和尺度较小特点的废弃鱼塘的自动化、准确提取。

Description

一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取 方法
技术领域
本发明涉及一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，属于卫星遥感图像处理技术领域。
背景技术
大面积的废弃鱼塘提取结果对于开展退塘还林(例如红树林)等工程，实现国家碳中和战略目标具有重要作用。遥感图像由于其大范围、快速、实时、长时间数据获取能力，是大面积鱼塘提取的主要数据。然而，目前，基于遥感图像的鱼塘提取研究主要集中在活动鱼塘提取方面，对于废弃鱼塘提取的研究较少。和活动鱼塘遥感提取相比，废弃鱼塘提取需要综合考虑时间信息和空间信息，难度更大。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，充分考虑了废弃鱼塘提取所需要的时空信息，具有准确提取废弃鱼塘的能力。
本发明的技术解决方案是：一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，包括：
获取关注区域在研究时间之前包括研究时间在内的连续预设年数的预设卫星的遥感数据，以及预设雷达测绘获取的高程数据；
对遥感数据和高程数据进行预处理；
基于预处理后的数据，计算和生成后向散射系数、原始光谱波段、植被指数、水体指数和纹理指数时间序列数据，提取逐年分位数特征；
基于已有高分辨率遥感影像，根据研究区特点建立土地覆盖分类系统，并生成逐年训练样本集；
根据逐年训练样本集和分位数特征，生成逐年分类图；
根据连续五年的逐年分类图，生成覆盖五年所有水体的掩膜；
识别在研究时间，掩膜内的非水体像元，并生成矢量文件；
根据矢量文件，计算面向对象特征；
基于矢量文件和已有高分辨率影像，建立面向对象废弃鱼塘和非废弃鱼塘训练样本库；
根据矢量文件面向对象特征和样本库，生成关注时间点废弃鱼塘分布图。
进一步地，所述预设卫星的遥感数据包括Sentinel-1SAR GRD数据和Sentinel-2Level-1C数据，提取波段包括Sentinel-1SAR GRD的VV和VH波段，以及Sentinel-2Level-1C的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段。
进一步地，所述预处理包括剪裁、提取所需波段、剔除不可用像元和重采样；
其中，所述剔除不可用像元包括：
(1)根据Sentinel-2Level-1C的质量控制波段QA60数据说明文件，找到云和卷云对应的数值范围；
(2)遍历数据QA60波段所有像元，识别出来与云和卷云数值对应的Sentinel-2Level-1C各波段像元，并将值设置为0。
进一步地，所述植被指数包括归一化植被指数和穗帽变换植被指数；所述水体指数包括归一化水体指数、改进的归一化水体指数和自动水体计算指数；所述纹理指数包括对比度、熵和相关性。
进一步地，所述计算和生成后向散射系数、原始光谱波段、植被指数、水体指数和纹理指数时间序列数据包括：
(1)根据Sentinel-2Level-1C的原始光谱波段数据，计算植被指数、水体指数；
(2)根据Sentinel-1SAR GRD的后向散射系数波段数据，以及Sentinel-2Level-1C的原始光谱波段、植被指数和水体指数数据，计算纹理指数；
(3)将后向散射系数、原始光谱波段数据，以及上述生成的植被指数、水体指数和纹理指数数据按照年份分组；
(4)将每一个波段每年的数据叠加在一起形成时间序列数据。
进一步地，所述提取逐年分位数特征包括：
(1)将每一个波段时间序列数据中的每个像元进行升序排序；
(2)根据排序结果，提取90％、75％、50％、25％和10％分位数特征。
进一步地，所述根据连续五年的逐年分类图，生成覆盖五年所有水体的掩膜，包括：
(1)生成与研究区范围和像元数相同的栅格文件，并将像元值均设置为0；
(2)遍历研究区五年的逐年分类结果图，识别类别为水体的像元位置；
(3)将步骤(1)中生成的栅格文件对应水体像元的位置值设置为1。
进一步地，计算面向对象特征包括表示多边形形状的ELONGATION特征和表示矩形形状的RECT_FIT特征。
一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法的步骤。
一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法的步骤。
本发明与现有技术相比的优点在于：
本发明提供的基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，解决了现有基于遥感图像的鱼塘提取研究主要集中在活动鱼塘提取方面，对于废弃鱼塘提取的研究较少。和活动鱼塘遥感提取相比，废弃鱼塘提取需要综合考虑时间信息和空间信息，难度更大等技术问题，实现了基于遥感数据快速、准确得到大范围废弃鱼塘结果的目标。该方法应用性强，不仅可用于废弃鱼塘的管理和监测，而且还有助于开展退塘还林(例如红树林)等工程，助力国家碳中和战略目标的实现。
附图说明
图1是本发明中废弃鱼塘提取流程图。
图2是本发明中提取逐年分位数特征的流程图。
图3是本发明中基于逐年分类结果图生成覆盖五年所有水体掩膜的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
以下结合说明书附图对本申请实施例所提供的一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法做进一步详细的说明，具体实现方式可以包括(如图1～3所示)：
步骤1：获取关注区域在研究时间之前连续五年(包括研究时间在内)的所有Sentinel-1SAR GRD数据、Sentinel-2Level-1C数据，以及2002年航天飞船雷达测绘获取的30米高程数据；
步骤2：对Sentinel-1SAR GRD、Sentinel-2Level-1C和高程数据进行预处理；
进一步地，所述对Sentinel-1SAR GRD、Sentinel-2Level-1C和高程数据进行预处理包括剪裁、提取所需波段、剔除不可用像元和重采样。
进一步地，所述提取所需波段包括Sentinel-1SAR GRD的VV和VH波段，以及Sentinel-2Level-1C的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段。
进一步地，所述剔除不可用像元包括如下步骤：
(1)根据Sentinel-2Level-1C的质量控制波段QA60数据说明文件，找到云和卷云对应的数值范围；
(2)遍历数据QA60波段所有像元，识别出来与云和卷云数值对应的Sentinel-2Level-1C各波段像元，并将值设置为0。
步骤3：基于预处理后的数据，计算和生成后向散射系数、原始光谱波段、植被指数、水体指数和纹理指数时间序列数据，并提取逐年分位数特征；
进一步地，所述植被指数包括归一化植被指数(NDVI)和穗帽变换植被指数(TCW)。
进一步地，所述水体指数包括归一化水体指数(NDWI)、改进的归一化水体指数(MNDWI)和自动水体计算指数(AWEInsh，AWEIsh)。
进一步地，所述纹理指数包括对比度(CON)、熵(ENT)和相关性(COR)。
进一步地，所述计算和生成后向散射系数、原始光谱波段、植被指数、水体指数和纹理指数时间序列数据包括如下步骤：
(1)根据Sentinel-2Level-1C的原始光谱波段数据，计算植被指数、水体指数；
(2)根据Sentinel-1SAR GRD的后向散射系数波段数据，以及Sentinel-2Level-1C的原始光谱波段、植被指数和水体指数数据，计算纹理指数；
(3)将后向散射系数、原始光谱波段数据，以及上述生成的植被指数、水体指数和纹理指数数据按照年份分组；
(4)将每一个波段每年的数据叠加在一起形成时间序列数据。
进一步地，所述提取逐年分位数特征包括如下步骤：
(1)将每一个波段时间序列数据中的每个像元进行升序排序；
(2)根据排序结果，提取90％、75％、50％、25％和10％分位数特征，
步骤4：基于Google Earth高分辨率遥感影像，根据研究区特点建立土地覆盖分类系统，并生成逐年训练样本集；
步骤5：根据逐年训练样本集和分位数特征，采用随机森林机器学习方法生成逐年分类图；
步骤6：根据连续五年的逐年分类图，生成覆盖五年所有水体的掩膜；
进一步地，覆盖五年所有水体的掩膜的生成，具体步骤如下：
(1)生成与研究区范围和像元数相同的栅格文件，并将像元值均设置为0；
(2)遍历研究区五年的逐年分类结果图，识别类别为水体的像元位置；
(3)将(1)中生成的栅格文件对应水体像元的位置值设置为1。
步骤7：识别在研究时间，掩膜内的非水体像元，并生成矢量文件；
步骤8：根据步骤7生成的矢量文件，计算面向对象特征；
进一步地，所述计算面向对象特征包括表示多边形形状的ELONGATION和表示矩形形状的RECT_FIT特征。
步骤9：基于步骤8生成的矢量文件和Google Earth高分辨率影像，建立面向对象废弃鱼塘和非废弃鱼塘训练样本库；
步骤10：根据矢量文件面向对象特征和样本库，采用随机森林机器学习方法，生成关注时间点废弃鱼塘分布图。
在本申请实施例所提供的方案中，具体包括如下步骤：
步骤1：获取关注区域在研究时间之前连续五年(包括研究时间在内)的所有Sentinel-1SAR GRD数据、Sentinel-2Level-1C数据，以及2002年航天飞船雷达测绘获取的30米高程数据；
步骤2：对Sentinel-1SAR GRD、Sentinel-2Level-1C和高程数据进行预处理；
步骤3：基于预处理后的数据，计算和生成后向散射系数、原始光谱波段、植被指数、水体指数和纹理指数时间序列数据，并提取逐年分位数特征；
步骤4：基于Google Earth高分辨率遥感影像，根据研究区特点建立土地覆盖分类系统，并生成逐年训练样本集；
步骤5：根据逐年训练样本集和分位数特征，采用随机森林机器学习方法生成逐年分类图；
步骤6：根据连续五年的逐年分类图，生成覆盖五年所有水体的掩膜；
步骤7：识别在研究时间，掩膜内的非水体像元，并生成矢量文件；
步骤8：根据步骤7生成的矢量文件，计算面向对象特征；
步骤9：基于步骤8生成的矢量文件和Google Earth高分辨率影像，建立面向对象废弃鱼塘和非废弃鱼塘训练样本库；
步骤10：根据矢量文件面向对象特征和样本库，采用随机森林机器学习方法，生成关注时间点废弃鱼塘分布图。
步骤2中所述的对Sentinel-1SAR GRD、Sentinel-2Level-1C和高程数据进行预处理包括剪裁、提取所需波段、剔除不可用像元和重采样；
步骤2中所述的提取所需波段包括Sentinel-1SAR GRD的VV和VH波段，以及Sentinel-2Level-1C的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段；
步骤2中所述的剔除不可用像元包括如下步骤：
(1)根据Sentinel-2Level-1C的质量控制波段QA60数据说明文件，找到云和卷云对应的数值范围；
(2)遍历数据QA60波段所有像元，识别出来与云和卷云数值对应的Sentinel-2Level-1C各波段像元，并将值设置为0。
步骤3中所述的植被指数包括归一化植被指数(NDVI)和穗帽变换植被指数(TCW)；
步骤3中所述的水体指数包括归一化水体指数(NDWI)、改进的归一化水体指数(MNDWI)和自动水体计算指数(AWEInsh，AWEIsh)；
步骤3中所述的纹理指数包括对比度(CON)、熵(ENT)和相关性(COR)；
步骤3中所述的计算和生成后向散射系数、原始光谱波段、植被指数、水体指数和纹理指数时间序列数据包括如下步骤：
(1)根据Sentinel-2Level-1C的原始光谱波段数据，计算植被指数、水体指数；
(2)根据Sentinel-1SAR GRD的后向散射系数波段数据，以及Sentinel-2Level-1C的原始光谱波段、植被指数和水体指数数据，计算纹理指数；
(3)将后向散射系数、原始光谱波段数据，以及上述生成的植被指数、水体指数和纹理指数数据按照年份分组；
(4)将每一个波段每年的数据叠加在一起形成时间序列数据；
步骤3中所述的提取逐年分位数特征包括如下步骤：
(1)将每一个波段时间序列数据中的每个像元进行升序排序；
(2)根据排序结果，提取90％、75％、50％、25％和10％分位数特征；
步骤6中所述的根据连续五年的逐年分类图，生成覆盖五年所有水体的掩膜，包括如下步骤：
(1)生成与研究区范围和像元数相同的栅格文件，并将像元值均设置为0；
(2)遍历研究区五年的逐年分类结果图，识别类别为水体的像元位置；
(3)将(1)中生成的栅格文件对应水体像元的位置值设置为1；
步骤8中所述的计算面向对象特征包括表示多边形形状的ELONGATION特征和表示矩形形状的RECT_FIT特征。
在本申请实施例所提供的方案中，具体包括以下步骤：
步骤1：获取关注区域在研究时间之前连续五年(包括研究时间在内)的所有Sentinel-1SAR GRD数据、Sentinel-2Level-1C数据，以及2002年航天飞船雷达测绘获取的30米高程数据，具体步骤如下：
(1)采用ArcGIS软件，根据中国广东省的海岸线矢量文件，生成缓冲距离为10公里的区域，作为研究区；
(2)将研究区矢量数据加载至数据下载页面，获取研究区2015-2020年所有Sentinel-1SAR GRD数据、Sentinel-2Level-1C数据，以及2002年航天飞船雷达测绘获取的30米高程数据；
步骤2：对Sentinel-1SAR GRD、Sentinel-2Level-1C和高程数据进行预处理，具体步骤如下：
将研究区矢量、Sentinel-1SAR GRD、Sentinel-2Level-1C和高程
数据导入ENVI软件中进行数据剪裁；
(2)提取Sentinel-1SAR GRD的VV和VH波段，以及Sentinel-2Level-1C的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段；
(3)根据Sentinel-2Level-1C的质量控制波段QA60数据说明文件，找到云和卷云对应的数值范围；
(4)遍历数据QA60波段所有像元，识别出来与云和卷云数值对应的Sentinel-2Level-1C各波段像元，并将值设置为0；
步骤3：基于预处理后的数据，计算和生成后向散射系数、原始光谱波段、植被指数、水体指数和纹理指数时间序列数据，并提取逐年分位数特征，具体步骤如下：
根据Sentinel-2Level-1C的原始光谱波段数据，计算NDVI、TCW
等植被指数，以及NDWI、MNDWI、AWEInsh，AWEIsh等水体指数，计算公式如下：
Figure BDA0003724643760000091
TCW＝0.0315ρBlue+0.2021ρGreen+0.3102ρRed+0.1594ρNIR+0.6806ρSWIR1+0.6109ρSWIR2(公式2)
Figure BDA0003724643760000092
Figure BDA0003724643760000093
AWEInsh＝4×(ρGreen-ρSWIR1)-(0.25×ρNIR+2.75×ρSWIR2) (公式5)
AWEIsh＝ρBlue+2.5×ρGreen-1.5×(ρNIR+ρSWIR1)-0.25×ρSWIR2 (公式6)
(2)根据Sentinel-1SAR GRD的后向散射系数波段数据，以及Sentinel-2Level-1C的原始光谱波段、植被指数和水体指数数据，计算用于表征两个像元同时出现概率的灰度共生矩阵(GLCM)，并用于得到对比度(CON)、熵(ENT)和相关性(COR)三个纹理指数，计算公式如下：
Figure BDA0003724643760000094
Figure BDA0003724643760000101
Figure BDA0003724643760000102
(3)将后向散射系数、原始光谱波段数据，以及上述生成的植被指数、水体指数和纹理指数数据按照年份分组；
(4)将每一个波段每年的数据叠加在一起形成时间序列数据；
(5)将每一个波段时间序列数据中的每个像元进行升序排序；
(6)根据排序结果，提取90％、75％、50％、25％和10％分位数特征；
步骤4：基于Google Earth高分辨率遥感影像，根据广东省海岸带地区地物类型特点建立土地覆盖分类系统，并生成逐年训练样本集，具体步骤如下：
建立广东省海岸带地区的土地覆盖分类系统，如下：
表1土地覆盖分类系统
Figure BDA0003724643760000103
(2)基于Google Earth高分辨率遥感影像，生成研究区上述土地覆盖类型逐年训练样本；
步骤5：根据逐年训练样本集和分位数特征，采用随机森林机器学习方法生成逐年分类图，具体步骤如下：
(1)提取所有土地覆盖类型逐年训练样本点的向散射系数、原始光谱波段、植被指数、水体指数和纹理指数逐年分位数及地形特征为excel文件；
(2)将(1)中得到的训练样本数据集，采用matlab中classRF_train函数得到随机森林训练模型，并以图像特征数据为输入数据，采用classRF_predict函数，生成研究区逐年分类结果图；
步骤6：根据连续五年的逐年分类图，生成覆盖五年所有水体的掩膜，具体步骤如下：
(1)生成与研究区范围和像元数相同的栅格文件，并将像元值均设置为0；
(2)遍历研究区五年的逐年分类结果图，识别类别为水体的像元位置；
(3)将(1)中生成的栅格文件对应水体像元的位置值设置为1；
步骤7：识别在研究时间，掩膜内的非水体像元，并生成矢量文件：
步骤8：根据步骤7生成的矢量文件，计算面向对象特征，具体步骤为：
(1)在ArcGIS软件中，计算出步骤7生成的矢量文件中每一个多边形的面积、最大直径和最小直径；
(2)计算面向对象特征包括表示多边形形状的ELONGATION和表示矩形形状的RECT_FIT特征，计算公式如下：
ELONGATION＝最大直径/最小直径(公式9)
RECT_FIT＝面积/(最大直径*最小直径)(公式10)
步骤9：基于步骤8生成的矢量文件和Google Earth高分辨率影像，建立面向对象废弃鱼塘和非废弃鱼塘训练样本库；
步骤10：根据矢量文件面向对象特征和样本库，采用随机森林机器学习方法，生成关注时间点废弃鱼塘分布图。
本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行图1所述的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (10)

1.一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，其特征在于，包括：
获取关注区域在研究时间之前包括研究时间在内的连续预设年数的预设卫星的遥感数据，以及预设雷达测绘获取的高程数据；
对遥感数据和高程数据进行预处理；
基于预处理后的数据，计算和生成后向散射系数、原始光谱波段、植被指数、水体指数和纹理指数时间序列数据，提取逐年分位数特征；
基于已有高分辨率遥感影像，根据研究区特点建立土地覆盖分类系统，并生成逐年训练样本集；
根据逐年训练样本集和分位数特征，生成逐年分类图；
根据连续五年的逐年分类图，生成覆盖五年所有水体的掩膜；
识别在研究时间，掩膜内的非水体像元，并生成矢量文件；
根据矢量文件，计算面向对象特征；
基于矢量文件和已有高分辨率影像，建立面向对象废弃鱼塘和非废弃鱼塘训练样本库；
根据矢量文件面向对象特征和样本库，生成关注时间点废弃鱼塘分布图。
2.根据权利要求1所述的一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，其特征在于：所述预设卫星的遥感数据包括Sentinel-1 SAR GRD数据和Sentinel-2Level-1C数据，提取波段包括Sentinel-1 SAR GRD的VV和VH波段，以及Sentinel-2 Level-1C的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段。
3.根据权利要求2所述的一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，其特征在于：所述预处理包括剪裁、提取所需波段、剔除不可用像元和重采样；
其中，所述剔除不可用像元包括：
(1)根据Sentinel-2 Level-1C的质量控制波段QA60数据说明文件，找到云和卷云对应的数值范围；
(2)遍历数据QA60波段所有像元，识别出来与云和卷云数值对应的Sentinel-2 Level-1C各波段像元，并将值设置为0。
4.根据权利要求1所述的一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，其特征在于：所述植被指数包括归一化植被指数和穗帽变换植被指数；所述水体指数包括归一化水体指数、改进的归一化水体指数和自动水体计算指数；所述纹理指数包括对比度、熵和相关性。
5.根据权利要求1所述的一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，其特征在于，所述计算和生成后向散射系数、原始光谱波段、植被指数、水体指数和纹理指数时间序列数据包括：
(1)根据Sentinel-2 Level-1C的原始光谱波段数据，计算植被指数、水体指数；
(2)根据Sentinel-1 SAR GRD的后向散射系数波段数据，以及Sentinel-2 Level-1C的原始光谱波段、植被指数和水体指数数据，计算纹理指数；
(3)将后向散射系数、原始光谱波段数据，以及上述生成的植被指数、水体指数和纹理指数数据按照年份分组；
(4)将每一个波段每年的数据叠加在一起形成时间序列数据。
6.根据权利要求1所述的一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，其特征在于，所述提取逐年分位数特征包括：
(1)将每一个波段时间序列数据中的每个像元进行升序排序；
(2)根据排序结果，提取90％、75％、50％、25％和10％分位数特征。
7.根据权利要求2所述的一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，其特征在于，所述根据连续五年的逐年分类图，生成覆盖五年所有水体的掩膜，包括：
(1)生成与研究区范围和像元数相同的栅格文件，并将像元值均设置为0；
(2)遍历研究区五年的逐年分类结果图，识别类别为水体的像元位置；
(3)将步骤(1)中生成的栅格文件对应水体像元的位置值设置为1。
8.根据权利要求2所述的一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法，其特征在于，计算面向对象特征包括表示多边形形状的ELONGATION特征和表示矩形形状的RECT_FIT特征。
9.一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现如权利要求1～权利要求8任一所述方法的步骤。
10.一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时实现如权利要求1～权利要求8任一所述方法的步骤。
CN202210772224.9A 2022-06-30 2022-06-30 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法 Pending CN115393728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210772224.9A CN115393728A (zh) 2022-06-30 2022-06-30 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210772224.9A CN115393728A (zh) 2022-06-30 2022-06-30 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法

Publications (1)

Publication Number Publication Date
CN115393728A true CN115393728A (zh) 2022-11-25

Family

ID=84116354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210772224.9A Pending CN115393728A (zh) 2022-06-30 2022-06-30 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法

Country Status (1)

Country Link
CN (1) CN115393728A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012723A (zh) * 2022-12-08 2023-04-25 北京师范大学 基于时序遥感影像的湿地类型提取方法、装置及电子设备
CN117197650A (zh) * 2023-07-24 2023-12-08 移动广播与信息服务产业创新研究院(武汉)有限公司 基于sar数据时空极化定标的甘蔗分布提取方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012723A (zh) * 2022-12-08 2023-04-25 北京师范大学 基于时序遥感影像的湿地类型提取方法、装置及电子设备
CN117197650A (zh) * 2023-07-24 2023-12-08 移动广播与信息服务产业创新研究院(武汉)有限公司 基于sar数据时空极化定标的甘蔗分布提取方法及系统
CN117197650B (zh) * 2023-07-24 2024-03-19 移动广播与信息服务产业创新研究院(武汉)有限公司 基于sar数据时空极化定标的甘蔗分布提取方法及系统

Similar Documents

Publication Publication Date Title
Cutler et al. Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data: An assessment of predictions between regions
CN115393728A (zh) 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法
CN111738144B (zh) 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
Li et al. SinoLC-1: the first 1-meter resolution national-scale land-cover map of China created with the deep learning framework and open-access data
CN112765556B (zh) 一种基于密集时间遥感数据的新生红树林树龄评估方法
CN111444616B (zh) 海表叶绿素传输轨迹模拟方法
CN114219847A (zh) 基于物候特征的作物种植面积确定方法、系统及存储介质
Bragagnolo et al. Towards the automatic monitoring of deforestation in Brazilian rainforest
Gazzea et al. Tree species classification using high-resolution satellite imagery and weakly supervised learning
Coladello et al. Macrophytes’ abundance changes in eutrophicated tropical reservoirs exemplified by Salto Grande (Brazil): Trends and temporal analysis exploiting Landsat remotely sensed data
CN112489108B (zh) 一种远海珊瑚礁水下表面积反演重建的方法及装置
Liu et al. CALC-2020: a new baseline land cover map at 10 m resolution for the circumpolar Arctic
CN112215135B (zh) 矿区开采与治理成效监测方法及装置
Hashim et al. Land use land cover analysis with pixel-based classification approach
CN115620133B (zh) 一种顾及物候与水位时序特征的红树林提取方法
Ghosh et al. Mekong River Delta crop mapping using a machine learning approach
CN114494901A (zh) 一种水体提取方法、系统、存储介质及计算设备
Liao et al. Study on mangrove of maximum likelihood: Reclassification method in Xiezhou bay
CN113705429A (zh) 一种滑坡地质灾害遥感解译方法、装置、设备及存储介质
Harshana et al. The Implementation of the Mangrove Quality Index: A Way to Overcome Overestimation and Classification Concerns in Detecting Mangrove Forest Cover
Xu Obtaining forest description for small-scale forests using an integrated remote sensing approach
Omar et al. Production of High-Resolution Map of Biomass Carbon over Forests in Malaysia Estimated using Aboveground Carbon Density Indicator (ACDI) and a Collection of 12 Years Inventory Data
CN114627148B (zh) 一种基于微波遥感的海岸带养殖水体对象提取方法及装置
Ceballos Arroyo A machine learning methodology for land use/land cover classification in tropical areas using medium resolution satellite imagery, case: Colombia
Alyokhina et al. Neural network texture segmentation of satellite images of woodlands using the U-net model

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