CN115711855A - 一种不透水面的提取方法、装置、终端设备以及存储介质 - Google Patents
一种不透水面的提取方法、装置、终端设备以及存储介质 Download PDFInfo
- Publication number
- CN115711855A CN115711855A CN202211452604.0A CN202211452604A CN115711855A CN 115711855 A CN115711855 A CN 115711855A CN 202211452604 A CN202211452604 A CN 202211452604A CN 115711855 A CN115711855 A CN 115711855A
- Authority
- CN
- China
- Prior art keywords
- impervious surface
- soil
- spectral data
- target end
- vegetation
- 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
Links
- 238000000605 extraction Methods 0.000 title claims description 39
- 230000003595 spectral effect Effects 0.000 claims abstract description 162
- 238000001228 spectrum Methods 0.000 claims abstract description 137
- 239000002689 soil Substances 0.000 claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000002310 reflectometry Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000000243 solution Substances 0.000 claims description 8
- 239000011259 mixed solution Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001747 exhibiting effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/30—Landfill technologies aiming to mitigate methane emissions
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种不透水面的提取方法、装置、终端设备以及存储介质，所述方法包括：根据目标地物的多源遥感影像数据计算得到若干光谱指数，将所有光谱指数进行波段组合，最终生成若干目标端元光谱，从所有目标端元光谱中提取选定目标端元光谱，对选定目标端元光谱进行线性光谱混解，从第一土壤盖度分量中提取第二不透水面盖度分量，将第二不透水面盖度分量叠加到第一不透水面盖度分量中，得到第三不透水面盖度分量，并分别将第三不透水面盖度分量中的土壤盖度分量和植被盖度分量剔除，得到最终的不透水面，克服了在提取不透水面时，不透水面在低密度区域被高估，在高密度区域被低估的问题。
Description
技术领域
本发明涉及不透水面监测领域，尤其涉及一种不透水面的提取方法、装置、终端设备以及存储介质。
背景技术
由于我国城市化进程加快，使得不透水面快速扩张，对城市人文及生态环境产生了重要影响，同时，随着碳中和政策的深入，对土地利用变化及生态环境等碳汇机制也提出了更高的要求，这就要求更加精确、时空分辨率更高的不透水面监测，从而为城市化发展、生态系统服务决策等提供科学依据。
遥感技术由于其低成本、高覆盖、数据多源、空间尺度大等优点，快速发展成为不透水面监测的新技术，是目前城市地理国情监测必不可少的手段之一。因为城市地表复杂，在使用该技术进行遥感数据分析时，象元尺度由于混合象元的问题，已经无法满足高时空分辨率、高精度不透水面的产品需求，需要进一步将亚象元作为数据处理的尺度，同时结合多源高分辨率卫星遥感、多光谱特征及其光谱解混等技术，来更好地揭示卫星遥感影像与实际地物的关系。但是对于多光谱影像，这一方法在线性光谱解混的端元选取这一关键过程中，单纯从混合象元中选择纯净象元有一定难度，容易造成不透水面在低密度区域被高估，在高密度区域被低估的问题，使得该技术在准确、快速地获取不透水面空间分布上仍存在限制，因此，亟需一种能够克服上述缺陷的城市不透水面提取方法，在亚象元尺度实现高效、高精度的城市不透水面提取。
发明内容
本发明提供了一种不透水面的提取方法、装置、终端设备以及存储介质，以解决现有技术在提取不透水面时，不透水面在低密度区域被高估，在高密度区域被低估的技术问题。
为了解决上述技术问题，本发明实施例提供了一种不透水面的提取方法，包括如下步骤：
获取目标地物的多源遥感影像数据，根据多源遥感影像数据计算得到若干光谱指数；
将所述所有光谱指数进行波段组合，生成若干多波段光谱数据，继而根据若干多波段光谱数据生成若干目标端元光谱；其中，每一目标端元光谱对应一土地类型；
从所有目标端元光谱中提取选定目标端元光谱；其中，所述选定目标端元光谱为土地类型与目标地物土地类型相同的目标端元光谱；
对选定目标端元光谱进行线性光谱混解，生成第一植被盖度分量、第一土壤盖度分量和第一不透水面盖度分量；
根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取被错分成土壤盖度分量的第二不透水面盖度分量；
将第二不透水面盖度分量叠加到第一不透水面盖度分量中，得到第三不透水面盖度分量；
根据预设的第二土壤指数阈值和植被指数阈值，分别将第三不透水面盖度分量中被错分成不透水面盖度分量的土壤盖度分量和植被盖度分量剔除，得到最终的不透水面。
作为优选方案，所述根据多源遥感影像数据计算得到若干光谱指数，包括：
将多源遥感影像数据进行预处理，得到不同波段的反射率数据；
根据不同波段的反射率数据计算得到植被指数、土壤指数和不透水面指数；
将不同波段的反射率数据进行缨帽变换处理，得到用于表征土壤反射率的亮度分量和用于表征植被枯萎程度的黄度分量；
将亮度分量和黄度分量进行归一化处理，得到高反射率不透水面敏感组分和低反射率不透水面敏感组分。
作为优选方案，所述将所有光谱指数进行波段组合，生成若干多波段光谱数据，继而根据若干多波段光谱数据生成若干目标端元光谱，包括：
根据不同波段的反射率数据提取出植被区域、不透水面区域和土壤区域，并将植被区域、不透水面区域和土壤区域作为感兴趣区域；
根据各个感兴趣区域的土地类型，分别将所述光谱指数进行波段组合，生成各个感兴趣区域的若干多波段光谱数据；
根据若干多波段光谱数据生成各个感兴趣区域的若干目标端元光谱。
作为优选方案，所述分别将光谱指数进行波段组合，生成各个感兴趣区域的若干多波段光谱数据，包括:
将植被指数和不透水面指数进行波段叠加，生成若干第一多波段光谱数据；
将第一多波段光谱数据中的植被指数与不透水面指数进行比较；
若第一多波段光谱数据中的植被指数大于或者等于不透水面指数，则将第一多波段光谱数据作为第一植被区域的多波段光谱数据；
若第一多波段光谱数据中的植被指数小于不透水面指数，则将第一多波段光谱数据作为第一不透水面区域的多波段光谱数据；
将高反射率不透水面敏感组分和不透水面指数进行波段叠加，生成第二不透水面区域的多波段光谱数据；
将高反射率不透水面敏感组分和低反射率不透水面敏感组分进行波段叠加，生成第三不透水面区域的多波段光谱数据；
将植被指数和低反射率不透水面敏感组分进行波段叠加，生成若干第二多波段光谱数据；
将第二多波段光谱数据中的植被指数与不透水面指数进行比较；
若第二多波段光谱数据中的植被指数大于或者等于不透水面指数，则将第二多波段光谱数据作为第二植被区域的多波段光谱数据；
若第二多波段光谱数据中的植被指数小于不透水面指数，则将第二多波段光谱数据作为第四不透水面区域的多波段光谱数据；
将植被指数和土壤指数进行波段叠加，生成若干第三多波段光谱数据；
将第三多波段光谱数据中的植被指数与土壤指数进行比较；
若第三多波段光谱数据中的植被指数大于或者等于土壤指数，则将第三多波段光谱数据作为第三植被区域的多波段光谱数据；
若第三多波段光谱数据中的植被指数小于土壤指数，则将第三多波段光谱数据作为土壤区域的多波段光谱数据；
将所述第一植被区域的多波段光谱数据、第二植被区域的多波段光谱数据和第三植被区域的多波段光谱数据作为植被区域的多波段光谱数据；
将所述第一不透水面区域的多波段光谱数据、第二不透水面区域的多波段光谱数据、第三不透水面区域的多波段光谱数据和第四不透水面区域的多波段光谱数据作为不透水面区域的多波段光谱数据。
作为优选方案，所述从所有目标端元光谱中提取选定目标端元光谱，包括：
根据所述所有目标端元光谱生成所有目标端元的光谱曲线；
将所有目标端元的光谱曲线与标准地物波谱库中每种土地类型的光谱曲线进行逐一对比，确定每一目标端元光谱对应的土地类型；
将土地类型与目标地物土地类型相同的目标端元光谱作为选定目标端元光谱。
作为优选方案，所述根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取被错分成土壤盖度分量的第二不透水面盖度分量，包括：
根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取出小于第一土壤指数阈值的盖度分量；
将小于第一土壤指数阈值的盖度分量作为第二不透水面盖度分量。
作为优选方案，所述根据预设的第二土壤指数阈值和植被指数阈值，分别将第三不透水面盖度分量中被错分成不透水面盖度分量的土壤盖度分量和植被盖度分量剔除，包括：
根据预设的第二土壤指数阈值和植被指数阈值，将所述第三不透水面盖度分量中大于第二土壤指数阈值且不大于植被指数阈值的盖度分量剔除；
将所述第三不透水面盖度分量中小于第二土壤指数阈值且大于植被指数阈值的盖度分量剔除。
在上述实施例的基础上，本发明另一实施例提供了一种不透水面的提取装置，包括：多源遥感影像数据处理模块、目标端元生成模块、目标端元比对模块、线性光谱混解模块和不透水面提取模块；
所述源遥感影像数据处理模块，用于获取目标地物的多源遥感影像数据，根据多源遥感影像数据计算得到若干光谱指数，并将所述所有光谱指数发送至目标端元生成模块；
所述目标端元生成模块，用于将所述所有光谱指数进行波段组合，生成若干多波段光谱数据，继而根据若干多波段光谱数据生成若干目标端元光谱；其中，每一目标端元光谱对应一土地类型，并将生成的所有目标端元光谱发送至目标端元比对模块；
所述目标端元比对模块，用于从所有目标端元光谱中提取选定目标端元光谱；其中，所述选定目标端元光谱为土地类型与目标地物土地类型相同的目标端元光谱，并将提取的选定目标端元光谱发送至线性光谱混解模块；
所述线性光谱混解模块，用于对选定目标端元光谱进行线性光谱混解，生成第一植被盖度分量、第一土壤盖度分量和第一不透水面盖度分量，并将所述第一植被盖度分量、第一土壤盖度分量和第一不透水面盖度分量发送至后处理模块；
所述不透水面提取模块，用于根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取被错分成土壤盖度分量的第二不透水面盖度分量，将第二不透水面盖度分量叠加到第一不透水面盖度分量中，得到第三不透水面盖度分量，再根据预设的第二土壤指数阈值和植被指数阈值，分别将第三不透水面盖度分量中被错分成不透水面盖度分量的土壤盖度分量和植被盖度分量剔除，得到最终的不透水面。
在上述实施例的基础上，本发明又一实施例提供了一种不透水面的提取终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例所述的不透水面的提取方法。
在上述实施例的基础上，本发明又一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述实施例所述的不透水面的提取方法。
相比于现有技术，本发明实施例具有如下有益效果：
和现有技术相比，本发明实施例首先在目标端元的选取中，基于目标地物的多源卫星遥感资料得到若干目标端元，进一步的，选取目标端元中与目标地物土地类型的目标端元作为选定目标端元，使得选取的目标端元更符合目标地物的土地类型，提高了目标端元的选取精度。本发明实施例还基于线性光谱解混技术，将目标端元的选取和不透水面的提取方法进行结合，将选定的目标端元光谱进行线性光谱解混后，利用不透水面的提取方法对光谱解混结果进行再次处理，将经线性光谱解混后得到的土壤盖度分量中混合的不透水面盖度分量提取出来叠加到不透水面盖度分量中，并将叠加后得到的不透水面盖度分量中混合植被盖度分量和土壤盖度分量剔除，得到最终的不透水面，通过本发明实施例大幅度提高了不透水面的提取精度，能够有效解决不透水面被高估和低估的问题，实现不透水面的高效、高精度提取。
附图说明
图1是本发明一实施例提供的一种不透水面的提取方法的流程示意图；
图2是本发明的多源遥感影像数据预处理的流程示意图；
图3是本发明的感兴趣区域的目标端元光谱选取散点图；
图4是本发明的所有目标端元的光谱曲线图；
图5是三种不透水面提取方法的精度对比图；
图6是本发明提取的不透水面和GISD30产品的相关性分析图；
图7是大湾区四个城市的总不透水面地表类型占比数据图；
图8是大湾区四个城市的总不透水面面积占比分布图；
图9是本发明一实施例提供的一种不透水面的提取装置的结构示意图；
图10是本发明一实施例提供的一种不透水面的提取终端设备的结构示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
请参照图1，为本发明实施例提供的一种不透水面的提取方法的流程示意图，该方法包括如下具体步骤：
S1、获取目标地物的多源遥感影像数据，根据多源遥感影像数据计算得到若干光谱指数。
具体的，将多源遥感影像数据进行预处理，得到不同波段的反射率数据，根据不同波段的反射率数据计算得到植被指数、土壤指数和不透水面指数；再将不同波段的反射率数据进行缨帽变换处理，得到用于表征土壤反射率的亮度分量和用于表征植被枯萎程度的黄度分量，将亮度分量和黄度分量进行归一化处理，得到高反射率不透水面敏感组分和低反射率不透水面敏感组分。植被指数、土壤指数、不透水面指数高反射率不透水面敏感组分和低反射率不透水面敏感组分即为得到的所有光谱指数。
具体的，请参照图2，为本发明的多源遥感影像数据预处理的流程示意图。先获取目标地物的多源遥感影像数据，根据图2的预处理流程对目标地物的多源遥感影像数据进行预处理，得到不同波段的反射率数据，继而根据不同波段的反射率数据计算光谱指数，计算过程分为以下两部分：
(1)计算归一化植被指数(Normalized Difference Vegetation Index，NVDI)、干旱裸土指数(Dry Bare-Soil Index,DBSI)和建筑指数(Normalized DifferenceBuilding-up Index，NDBI)，计算公式如下：
以上公式中，BNIR、BR、BSWIR1、BGREEN对应波段如表1所示。
表1各参数波段所对应传感器波段
(2)缨帽变换(Tasseled Cap Transform，TC)，类似于主成分变化(PCA)，将不同波段的反射率数据进行缨帽变换得到前三个主分量TC1、TC2、TC3，其中TC1、TC2、TC3分别表示亮度分量、绿度分量和黄度分量(第四分量为噪声，无实际意义)，即亮度、绿度和湿度，分别反映土壤反射率变化的信息、地面植被的绿度和植被的枯萎程度。再对第一主分量TC1和第三主分量TC3进行归一化处理，建立生物物理组份指数(Biophysical composition index，BCI)指数，利用BCI指数可较好区分不透水面和裸土，计算BCI指数和主分量归一化处理的公式如下：
以上公式中，H、L、V分别为TC变换对应的第一主分量TC1、第三主分量TC3和第二主分量TC2的归一化值，TC1min和TC1max为TC1在取值范围内的最小值和最大值，TC2min和TC2max为TC2在取值范围内的最小值和最大值，TC3min、TC3max为TC3在取值范围内的最小值和最大值。H和L分别为对不透水面敏感的高反射率H值和低反射率L值，是本不透水面提取算法的重要部分。其中V对不透水面不敏感，这里不多加赘述。
S2、将所述所有光谱指数进行波段组合，生成若干多波段光谱数据，继而根据若干多波段光谱数据生成若干目标端元光谱；其中，每一目标端元光谱对应一土地类型。
具体的，根据不同波段的反射率数据提取出植被区域、不透水面区域和土壤区域，并将植被区域、不透水面区域和土壤区域作为感兴趣区域，根据各个感兴趣区域的土地类型，分别将所述光谱指数进行波段组合，生成各个感兴趣区域的若干多波段光谱数据，继而根据若干多波段光谱数据生成各个感兴趣区域的若干目标端元光谱。
可以利用ENVI软件感兴趣区工具(Region of Interest，ROI)，根据数据预处理得到的不同波段的反射率数据，利用感兴趣区域在大面积的森林区域、商业区域或居民区及存在大片裸土的区域等具有明显特征的土地覆盖处选择ROI，提取出植被区域、不透水面区域和土壤区域，并将植被区域、不透水面区域和土壤区域作为感兴趣区域。通过区域的选择，将感兴区域提取出来，作为目标端元选取的来源，减少了后续计算的数据量，减少混合像元的复杂程度，使目标地物的土地类型特征更加明显。
具体的，分别将光谱指数进行波段组合，生成各个感兴趣区域的若干多波段光谱数据的过程中，将植被指数和不透水面指数进行波段叠加，生成若干第一多波段光谱数据；将第一多波段光谱数据中的植被指数与不透水面指数进行比较；若第一多波段光谱数据中的植被指数大于或者等于不透水面指数，则将第一多波段光谱数据作为第一植被区域的多波段光谱数据；若第一多波段光谱数据中的植被指数小于不透水面指数，则将第一多波段光谱数据作为第一不透水面区域的多波段光谱数据。将高反射率不透水面敏感组分和不透水面指数进行波段叠加，生成第二不透水面区域的多波段光谱数据。将高反射率不透水面敏感组分和低反射率不透水面敏感组分进行波段叠加，生成第三不透水面区域的多波段光谱数据。将植被指数和低反射率不透水面敏感组分进行波段叠加，生成若干第二多波段光谱数据；将第二多波段光谱数据中的植被指数与不透水面指数进行比较；若第二多波段光谱数据中的植被指数大于或者等于不透水面指数，则将第二多波段光谱数据作为第二植被区域的多波段光谱数据；若第二多波段光谱数据中的植被指数小于不透水面指数，则将第二多波段光谱数据作为第四不透水面区域的多波段光谱数据。将植被指数和土壤指数进行波段叠加，生成若干第三多波段光谱数据；将第三多波段光谱数据中的植被指数与土壤指数进行比较；若第三多波段光谱数据中的植被指数大于或者等于土壤指数，则将第三多波段光谱数据作为第三植被区域的多波段光谱数据；若第三多波段光谱数据中的植被指数小于土壤指数，则将第三多波段光谱数据作为土壤区域的多波段光谱数据。将所述第一植被区域的多波段光谱数据、第二植被区域的多波段光谱数据和第三植被区域的多波段光谱数据作为植被区域的多波段光谱数据。将所述第一不透水面区域的多波段光谱数据、第二不透水面区域的多波段光谱数据、第三不透水面区域的多波段光谱数据和第四不透水面区域的多波段光谱数据作为不透水面区域的多波段光谱数据。
在二维可视化窗口中，利用上述五个光谱指数(NDVI、NDBI、DBSI，H、L)的波段组合，根据各个感兴趣区域的土地类型有目的地选取目标端元，生成各个感兴趣区域的目标端元，并输出目标端元的光谱信息。其中，在目标端元的选取过程中，不同地物类型的光谱指数表现不同，因此利用ENVI软件的散点图工具将光谱指数两两组合，即可较好识别与目标地物的土地类型相同的目标端元。请参照图3，为本发明的感兴趣区域的目标端元光谱选取散点图，在图中的各个子图均重点关注顶端的端元，这即是不同土地类型对应的目标端元。各子图的感兴趣区域的目标端元光谱选取方法如下：
图3(a)为NDVI与NDBI组合的二维散点图，在横坐标NDVI值较小，且纵坐标NDBI值较大区域的端元在遥感影像上表现为覆盖度较高的不透水面；而横坐标NDVI值较大，且纵坐标NDBI值较小区域的端元则即表现为覆盖度较高的植被。
图3(b)为H与NDBI组合的二维散点图，在横坐标H值和纵坐标NDBI值都较大的区域选择端元，该端元表现为反射率较高的不透水面。
图3(c)为H和L组合的二维散点图，在横坐标H值较小，且纵坐标L值较大区域的端元表现为覆盖度较高的高反射率不透水面；在横坐标H值较大，且纵坐标L值较小区域的端元表现为覆盖度较高的低反射率不透水面。
图3(d)为NDVI与L组合的二维散点图，在横坐标H值较小，且纵坐标NDVI值较大区域的端元表现为覆盖度较高的低反射率不透水面；在横坐标H值较大，且纵坐标NDVI值较小区域的端元则表现为覆盖度较高的植被。
依次类推，将NDVI与DBSI组合的二维散点图，在NDVI值较小，且DBSI值较大区域的端元表现为覆盖度较高的土壤；在NDVI值较大，且DBSI值较小区域的端元则表现为覆盖度较高的植被。
S3、从所有目标端元光谱中提取选定目标端元光谱；其中，所述选定目标端元光谱为土地类型与目标地物土地类型相同的目标端元光谱。
具体的，根据所述所有目标端元光谱生成所有目标端元的光谱曲线；将所有目标端元的光谱曲线与标准地物波谱库中每种土地类型的光谱曲线进行逐一对比，确定每一目标端元光谱对应的土地类型；将土地类型与目标地物土地类型相同的目标端元光谱作为选定目标端元光谱。
在识别植被时，NDVI值越大，说明混合像元内植被盖度越大；NDVI值和H越大，说明混合像元内不透水面盖度越大；DBSI值越大，说明混合像元内土壤盖度越大。值得注意的是，DBSI值越高，说明土壤特性越大，但是在一定阈值内，DBSI对不透水面也有一定的识别能力。因此，在指数组合选择端元过程中，需要将每次组合后选取的目标端元光谱导出，在ENVI光谱显示工具中生成所有目标端元的光谱曲线，然后将所有目标端元光谱曲线和ENVI软件自带的标准地物波谱库(或城市实测光谱曲线)进行对比，通过比对曲线变化特征，确定每一目标端元光谱对应的土地类型，进而选择最能代表目标地物的光谱曲线，即与目标地物土地类型相同的目标端元光谱，作为选定目标端元光谱，这就是基于光谱解混的端元选择的主要步骤。
S4、对选定目标端元光谱进行线性光谱混解，生成第一植被盖度分量、第一土壤盖度分量和第一不透水面盖度分量。
具体的，线性光谱解混模型LSMA核心算式如下：
以上公式中，i为波段数，k为端元的指标，N为端元数量，Ri为该混合象元在i波段的光谱反射率，f为端元k面积比例(即盖度)，ER为波段残差。
在现有技术中，将生成的所有目标端元作为纯净的像元，在后续流程中用该像元来直接进行线性光谱混解来提取不透水面。但是组合的光谱指数一般不全面，所以生成的目标端元并不纯净，用不纯的像元提取出来的不透水面也不纯净。因而从目标端元中提取的选定目标端元并非完全纯净的单一土地类型，还存在着由外部环境和周围地物影响带来的的混合光谱端元，因此基于线性光谱解混(LSMA)方法对混合端元解混的各地表类型覆盖的面积比例(盖度)还存在较大误差，如土壤盖度和不透水面盖度经常依然混合，高反射率和低反射率不透水面盖度分量中有大量的植被和土壤被错分为不透水面，植被和土壤盖度分量中也包含着不透水面盖度。因此需要对解混结果再进行后续的处理，来提高不透水面的提取精度。
S5、根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取被错分成土壤盖度分量的第二不透水面盖度分量。
具体的，根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取出小于第一土壤指数阈值的盖度分量；将小于第一土壤指数阈值的盖度分量作为第二不透水面盖度分量。
S6、将第二不透水面盖度分量叠加到第一不透水面盖度分量中，得到第三不透水面盖度分量。
S7、根据预设的第二土壤指数阈值和植被指数阈值，分别将第三不透水面盖度分量中被错分成不透水面盖度分量的土壤盖度分量和植被盖度分量剔除，得到最终的不透水面。
具体的，根据预设的第二土壤指数阈值和植被指数阈值，将所述第三不透水面盖度分量中大于第二土壤指数阈值且不大于植被指数阈值的盖度分量剔除；将所述第三不透水面盖度分量中小于第二土壤指数阈值且大于植被指数阈值的盖度分量剔除。
先将线性光谱解混(LSMA)的结果分为四部分，即植被盖度分量(I)、高反射率不透水面盖度分量(Highalbedo)、低反射率不透水面盖度(Lowalbedo)和土壤盖度分量(I)，再利用不透水面的提取方法提取最终的不透水面盖度(Large Impervious Surface Index)，提取不透水面的核心算式如下：
ISI＝SoilI,ifDBSI<0.1
ISII＝ISI+Highalbedo+Lowalbedo
根据以上公式提取不透水面的流程为：
(1)在LSMA线性光谱解混结果的土壤盖度分量中，有被错分为土壤的不透水面。因此结合真彩谷歌影像，借助DBSI影像的直方图信息，通过象元值的比较，确定DBSI阈值为0.1，即这部分不透水面从土壤盖度分量中提取出来，记为ISI。
(2)进一步再叠加LSMA结果中高反射率不透水面盖度分量和低反射率不透水面盖度分量，记为ISII。
(3)从步骤(2)中的不透水面结果中剔除被错分的植被和土壤，则得到最终的不透水面LISI。而ISII中的植被和土壤部分，则根据多景影像与谷歌影像反复对比实验，自适应动态调整阈值。如本发明实施例是以2015年的不透水面提取为例，则对比后阈值设定如公式(9)，即对DBSI、NDVI分别设定阈值0.2、0.4，
在阈值选取过程中，公式(9)说明，在DBSI阈值确定的情况下，NDVI阈值越大，表明从不透水面(Ⅱ)中剔除的植被像元就越少。相应地，这些像元会被认为是不透水面，则不透水面盖度也会偏高。基于以上规律，调整各个光谱指数的阈值，使不透水面盖度与实际情况一致，去除植被盖度(VF)和土壤盖度(SF)噪声，确保不透水面盖度结果对的精度，最终不透水面为LISI。
由上可见，本发明提供了一种不透水面的提取方法，通过将目标端元的选取和不透水面的提取方法进行结合，在选取目标端元时，选取与目标地物土地类型的目标端元作为选定目标端元进行线性光谱解混，并将经线性光谱解混后得到的结果进行再次处理，将其他盖度分量中混合的不透水面盖度分量提取出来，叠加到不透水面盖度上，再将叠加得到的不透水面盖度分量的混合的其他盖度分量剔除，得到最终的不透水面，大幅度提高了不透水面的提取精度，能够有效解决不透水面被高估和低估的问题，实现不透水面的高效、高精度提取。
实施例二
在上述实施例的基础上，本实施例提供了对上述实施例提取的最终不透水面的精度验证，可更好地展现本发明技术方案的可行性。
本发明实施例基于谷歌影像将本发明提取的最终不透水面盖度，与传统多光谱指数组合法、常规线性光谱解混法(LSMA)、国家地球系统科学数据中心2015年不透水面产品(GISD30)进行多方比较，来验证本发明方法提取的最终不透水面精度是否有所提高。本发明实施例的精度验证分为以下两个部分：
(1)将本发明计算的最终不透水面盖度LISI与现有技术中三种主要的方法进行比较，一种方法是多指数组合法(Li,2020)，即基于NDVI指数等多种光谱指数组合提取的不透水面盖度；二是基于常规线性光谱解混LSMA法提取的不透水面盖度。三是国家地球系统科学数据中心2020年发布的2015年不透水面产品(GISD30)，该产品由中科院刘良云团队利用GlobelLand30地表覆盖产品、VIIRS夜光数据和MODIS EVI植被指数产品提取大量训练样本，并结合Landsat8 OLI反射率特征等数据，基于随机森林建模提取拼接生成的全球2015年30米不透水面产品。精度验证指标如下：
以上公式中，RMSE、MAE、SE、R2分别表示均方根误差、平均绝对误差、系统误差和相关性。以广州和深圳两个城市不透水面提取的精度验证结果为例，如下表2所示，将通过本发明的提取方法、多光谱指数组合法和常规线性光谱解混法提取的不透水面精度进行对比。请参照图5，是三种不透水面提取方法的精度对比图，图5(a)为本发明提取方法的精度对比图，图5(b)为多光谱指数组合法的精度对比图,图5(c)为常规线性光谱解混法的精度对比图。将通过上述三种不透水面提取方法得到的不透水面盖度和真实不透水面盖度进行对比，其中，真实不透水面为谷歌地球高分影像手动选取的不透水面。
表2精度指标对比
由表2可知，本发明的提取方法将目标端元的选取和不透水面的提取方法进行结合之后，提取的最终不透水面的精度明显高于多光谱指数组合法(Li,2020)和常规线性光谱解混法。本发明提取方法的相关性R2最高，SE最小，表明本方法提取的不透水面与实际不透水面分布基本吻合。同时，在与谷歌地球高分影像对比过程中，本发明提取方法的性能也优于其他两种方法。即在裸地和植被等透水面区域，本发明的提取方法显著缓解了对不透水面盖度被高估的问题，同时也有效减轻了城市区域不透水面盖度被低估的问题，保证了土壤和不透水面(如道路和建筑物等)的完整性。
(2)请参照图6，是本发明提取的不透水面和GISD30产品的相关性分析图，将本发明提取方法计算的最终不透水面盖度LISI结果与国家地球系统科学数据中心2020年发布的2015年不透水面产品(GISD30)进行相关性分析，相关系数R2＝0.78，表明本方法计算的不透水面结果精度也较高，且两者在空间分布上具有较好的一致性。
最后，通过本发明的不透水面提取方法，提取大湾区四个城市的不透水面，可对大湾区不透水面总体分布进行分析研究。
大湾区不透水面空间特征：将本方法构建的城市不透水面盖度LISI值采用均值-标准差方法进行等级划分，深入分析不透水面的特性与空间特征。划分标准如下表3所示，其中均值U＝0.0641828，标准差STD＝0.0606826。
| 不透水面等级 | 不透水面分区标准 | 具体划分值 |
| 弱不透水面 | LISI<u-std | LISI<0.00350022 |
| 较弱不透水面 | u-std≤LISI<u-0.5std | 0.00350022≤LISI<0.0338415 |
| 中等不透水面 | u-0.5std≤LISI<u+0.5std | 0.0338415≤LISI<0.0945241 |
| 较强不透水面 | u+0.5std≤LISI<u+std | 0.0945241≤LISI<0.124865 |
| 强不透水面 | LISI≥u+std | LISI≥0.124865 |
表3不透水面划分标准
请参照图7和图8，分别是大湾区四个城市的总不透水面地表类型占比图，和大湾区四个城市的总不透水面面积占比分布图。从图7和图8中可以看出：不透水面分布存在空间差异，其总体分布等级变化趋势由北向南逐渐增加。在表3所示的5个分类级别中，面积排序依次由大到小依次为：较弱不透水面(28.10％)>弱不透水面(26.18％)>中等不透水面(16.75％)>强不透水面(16.11％)>较强不透水面(12.86％)。面积最大的较弱不透水面和面积第二大的弱不透水面面积比例之和为54.28％，超过50％，这与研究区北部存在大面积林地植被地类有着密切联系。
根据2015年研究区不透水面等级分布数据与地类分布数据进行面积交叉统计分析，结果显示，植被地类中不透水面等级占比中、弱不透水面和较弱不透水面两者比例之和超过80％，这也解释了整体不透水面的等级分布中较弱不透水面及弱不透水面面积之和远大于其他等级；建筑地类中，最大占比等级为强不透水面，占比40.27％，在一定程度上说明建筑地类与强不透水面间的关系；裸土地类则是由较弱不透水面占比最高，但裸土地类存在自然裸土与人工裸土之分，因此也出现强不透水面比例在裸土类也有着21.56％的占比。研究区地类分布则与不透水面等级分布情况较为吻合，与面积比例统计表格中各地类最大值不透水面等级分布相同。
综上，本发明实施例将本发明提取的不透水面盖度LISI与三种主要的方法进行了比较，即与多光谱指数组合法(Li,2020zhanbi)、常规线性光谱解混LSMA法、国家地球系统科学数据中心2020年发布的不透水面产品(GISD30)进行了对比，并与谷歌地球高分影像数据进行了对比分析。结果显示：本方法的相关性R2最高，SE最小，表明本方法提取的不透水面与实际不透水面分布基本吻合。在与谷歌地球高分影像对比过程中，本方法性能也优于其他两种方法。与2015年不透水面产品(GISD30)相关系数R2＝0.78，精度也较高。
实施例三
请参照图2，为本发明实施例提供的一种不透水面的提取装置的结构示意图，该装置包括：多源遥感影像数据处理模块、目标端元生成模块、目标端元比对模块、线性光谱混解模块和不透水面提取模块；
所述源遥感影像数据处理模块，用于获取目标地物的多源遥感影像数据，根据多源遥感影像数据计算得到若干光谱指数，并将所述所有光谱指数发送至目标端元生成模块；
所述目标端元生成模块，用于将所述所有光谱指数进行波段组合，生成若干多波段光谱数据，继而根据若干多波段光谱数据生成若干目标端元光谱；其中，每一目标端元光谱对应一土地类型，并将生成的所有目标端元光谱发送至目标端元比对模块；
所述目标端元比对模块，用于从所有目标端元光谱中提取选定目标端元光谱；其中，所述选定目标端元光谱为土地类型与目标地物土地类型相同的目标端元光谱，并将提取的选定目标端元光谱发送至线性光谱混解模块；
所述线性光谱混解模块，用于对选定目标端元光谱进行线性光谱混解，生成第一植被盖度分量、第一土壤盖度分量和第一不透水面盖度分量，并将所述第一植被盖度分量、第一土壤盖度分量和第一不透水面盖度分量发送至后处理模块；
所述不透水面提取模块，用于根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取被错分成土壤盖度分量的第二不透水面盖度分量，将第二不透水面盖度分量叠加到第一不透水面盖度分量中，得到第三不透水面盖度分量，再根据预设的第二土壤指数阈值和植被指数阈值，分别将第三不透水面盖度分量中被错分成不透水面盖度分量的土壤盖度分量和植被盖度分量剔除，得到最终的不透水面。
实施例四
请参照图3，为本发明实施例提供的一种不透水面的提取终端设备的结构示意图，该终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的不透水面的提取方法。
实施例五
相应地，本发明实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的不透水面的提取方法。
综上所述，本发明提供了一种不透水面的提取装置、终端设备以及存储介质，在提取不透水面时，能解决不透水面在低密度区域被高估，在高密度区域被低估的问题，实现高效、高精度的不透水面提取。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
所述领域的技术人员可以清楚地了解到，为的方便和简洁，上述描述的装置的具体工作过程，可参考前述方法实施例中对应的过程，在此不再赘述。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序，所述处理器通过运行或执行存储在所述存储器内的计算机程序，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储介质为计算机可读存储介质，所述计算机程序存储在所述计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种不透水面的提取方法，其特征在于，包括如下步骤：
获取目标地物的多源遥感影像数据，根据多源遥感影像数据计算得到若干光谱指数；
将所述所有光谱指数进行波段组合，生成若干多波段光谱数据，继而根据若干多波段光谱数据生成若干目标端元光谱；其中，每一目标端元光谱对应一土地类型；
从所有目标端元光谱中提取选定目标端元光谱；其中，所述选定目标端元光谱为土地类型与目标地物土地类型相同的目标端元光谱；
对选定目标端元光谱进行线性光谱混解，生成第一植被盖度分量、第一土壤盖度分量和第一不透水面盖度分量；
根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取被错分成土壤盖度分量的第二不透水面盖度分量；
将第二不透水面盖度分量叠加到第一不透水面盖度分量中，得到第三不透水面盖度分量；
根据预设的第二土壤指数阈值和植被指数阈值，分别将第三不透水面盖度分量中被错分成不透水面盖度分量的土壤盖度分量和植被盖度分量剔除，得到最终的不透水面。
2.如权利要求1所述的不透水面的提取方法，其特征在于，所述根据多源遥感影像数据计算得到若干光谱指数，包括：
将多源遥感影像数据进行预处理，得到不同波段的反射率数据；
根据不同波段的反射率数据计算得到植被指数、土壤指数和不透水面指数；
将不同波段的反射率数据进行缨帽变换处理，得到用于表征土壤反射率的亮度分量和用于表征植被枯萎程度的黄度分量；
将亮度分量和黄度分量进行归一化处理，得到高反射率不透水面敏感组分和低反射率不透水面敏感组分。
3.如权利要求2所述的不透水面的提取方法，其特征在于，所述将所有光谱指数进行波段组合，生成若干多波段光谱数据，继而根据若干多波段光谱数据生成若干目标端元光谱，包括：
根据不同波段的反射率数据提取出植被区域、不透水面区域和土壤区域，并将植被区域、不透水面区域和土壤区域作为感兴趣区域；
根据各个感兴趣区域的土地类型，分别将所述光谱指数进行波段组合，生成各个感兴趣区域的若干多波段光谱数据；
根据若干多波段光谱数据生成各个感兴趣区域的若干目标端元光谱。
4.如权利要求3所述的不透水面的提取方法，其特征在于，所述分别将光谱指数进行波段组合，生成各个感兴趣区域的若干多波段光谱数据，包括:
将植被指数和不透水面指数进行波段叠加，生成若干第一多波段光谱数据；
将第一多波段光谱数据中的植被指数与不透水面指数进行比较；
若第一多波段光谱数据中的植被指数大于或者等于不透水面指数，则将第一多波段光谱数据作为第一植被区域的多波段光谱数据；
若第一多波段光谱数据中的植被指数小于不透水面指数，则将第一多波段光谱数据作为第一不透水面区域的多波段光谱数据；
将高反射率不透水面敏感组分和不透水面指数进行波段叠加，生成第二不透水面区域的多波段光谱数据；
将高反射率不透水面敏感组分和低反射率不透水面敏感组分进行波段叠加，生成第三不透水面区域的多波段光谱数据；
将植被指数和低反射率不透水面敏感组分进行波段叠加，生成若干第二多波段光谱数据；
将第二多波段光谱数据中的植被指数与不透水面指数进行比较；
若第二多波段光谱数据中的植被指数大于或者等于不透水面指数，则将第二多波段光谱数据作为第二植被区域的多波段光谱数据；
若第二多波段光谱数据中的植被指数小于不透水面指数，则将第二多波段光谱数据作为第四不透水面区域的多波段光谱数据；
将植被指数和土壤指数进行波段叠加，生成若干第三多波段光谱数据；
将第三多波段光谱数据中的植被指数与土壤指数进行比较；
若第三多波段光谱数据中的植被指数大于或者等于土壤指数，则将第三多波段光谱数据作为第三植被区域的多波段光谱数据；
若第三多波段光谱数据中的植被指数小于土壤指数，则将第三多波段光谱数据作为土壤区域的多波段光谱数据；
将所述第一植被区域的多波段光谱数据、第二植被区域的多波段光谱数据和第三植被区域的多波段光谱数据作为植被区域的多波段光谱数据；
将所述第一不透水面区域的多波段光谱数据、第二不透水面区域的多波段光谱数据、第三不透水面区域的多波段光谱数据和第四不透水面区域的多波段光谱数据作为不透水面区域的多波段光谱数据。
5.如权利要求1所述的不透水面的提取方法，其特征在于，所述从所有目标端元光谱中提取选定目标端元光谱，包括：
根据所述所有目标端元光谱生成所有目标端元的光谱曲线；
将所有目标端元的光谱曲线与标准地物波谱库中每种土地类型的光谱曲线进行逐一对比，确定每一目标端元光谱对应的土地类型；
将土地类型与目标地物土地类型相同的目标端元光谱作为选定目标端元光谱。
6.如权利要求1所述的不透水面的提取方法，其特征在于，所述根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取被错分成土壤盖度分量的第二不透水面盖度分量，包括：
根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取出小于第一土壤指数阈值的盖度分量；
将小于第一土壤指数阈值的盖度分量作为第二不透水面盖度分量。
7.如权利要求1所述的不透水面的提取方法，其特征在于，所述根据预设的第二土壤指数阈值和植被指数阈值，分别将第三不透水面盖度分量中被错分成不透水面盖度分量的土壤盖度分量和植被盖度分量剔除，包括：
根据预设的第二土壤指数阈值和植被指数阈值，将所述第三不透水面盖度分量中大于第二土壤指数阈值且不大于植被指数阈值的盖度分量剔除；
将所述第三不透水面盖度分量中小于第二土壤指数阈值且大于植被指数阈值的盖度分量剔除。
8.一种不透水面的提取装置，其特征在于，包括：多源遥感影像数据处理模块、目标端元生成模块、目标端元比对模块、线性光谱混解模块和不透水面提取模块；
所述源遥感影像数据处理模块，用于获取目标地物的多源遥感影像数据，根据多源遥感影像数据计算得到若干光谱指数，并将所述所有光谱指数发送至目标端元生成模块；
所述目标端元生成模块，用于将所述所有光谱指数进行波段组合，生成若干多波段光谱数据，继而根据若干多波段光谱数据生成若干目标端元光谱；其中，每一目标端元光谱对应一土地类型，并将生成的所有目标端元光谱发送至目标端元比对模块；
所述目标端元比对模块，用于从所有目标端元光谱中提取选定目标端元光谱；其中，所述选定目标端元光谱为土地类型与目标地物土地类型相同的目标端元光谱，并将提取的选定目标端元光谱发送至线性光谱混解模块；
所述线性光谱混解模块，用于对选定目标端元光谱进行线性光谱混解，生成第一植被盖度分量、第一土壤盖度分量和第一不透水面盖度分量，并将所述第一植被盖度分量、第一土壤盖度分量和第一不透水面盖度分量发送至后处理模块；
所述不透水面提取模块，用于根据预设的第一土壤指数阈值，从所述第一土壤盖度分量中提取被错分成土壤盖度分量的第二不透水面盖度分量，将第二不透水面盖度分量叠加到第一不透水面盖度分量中，得到第三不透水面盖度分量，再根据预设的第二土壤指数阈值和植被指数阈值，分别将第三不透水面盖度分量中被错分成不透水面盖度分量的土壤盖度分量和植被盖度分量剔除，得到最终的不透水面。
9.一种不透水面的提取终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的不透水面的提取方法。
10.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的不透水面的提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211452604.0A CN115711855B (zh) | 2022-11-21 | 2022-11-21 | 一种不透水面的提取方法、装置、终端设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211452604.0A CN115711855B (zh) | 2022-11-21 | 2022-11-21 | 一种不透水面的提取方法、装置、终端设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115711855A true CN115711855A (zh) | 2023-02-24 |
| CN115711855B CN115711855B (zh) | 2024-05-17 |
Family
ID=85233902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211452604.0A Active CN115711855B (zh) | 2022-11-21 | 2022-11-21 | 一种不透水面的提取方法、装置、终端设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115711855B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830823A (zh) * | 2023-11-15 | 2024-04-05 | 西藏自治区农牧科学院水产科学研究所 | 一种城市水生态保护的水面率值域测算方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
| CN106125091A (zh) * | 2016-06-22 | 2016-11-16 | 广州地理研究所 | 线性光谱解混的城市不透水面遥感提取方法 |
| CN107390286A (zh) * | 2017-07-12 | 2017-11-24 | 广州地理研究所 | 一种基于Landsat遥感影像的海岸不透水面提取方法 |
| CN109374564A (zh) * | 2018-08-20 | 2019-02-22 | 广州地理研究所 | 一种多源遥感数据城市不透水面提取方法 |
| CN109490209A (zh) * | 2018-11-15 | 2019-03-19 | 中国科学院遥感与数字地球研究所 | 一种基于城市不透水面和dem的城市地表径流检测方法 |
| KR20190063985A (ko) * | 2017-11-30 | 2019-06-10 | 인하대학교 산학협력단 | 근적외선 항공영상을 활용한 아파트 단지 내 인공초지 자동 탐색 및 세분류 토지피복도 부분 갱신 방법 및 장치 |
| US20210199579A1 (en) * | 2019-12-31 | 2021-07-01 | Beijing Normal University | Method and system for urban impervious surface extraction based on remote sensing |
-
2022
- 2022-11-21 CN CN202211452604.0A patent/CN115711855B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
| CN106125091A (zh) * | 2016-06-22 | 2016-11-16 | 广州地理研究所 | 线性光谱解混的城市不透水面遥感提取方法 |
| CN107390286A (zh) * | 2017-07-12 | 2017-11-24 | 广州地理研究所 | 一种基于Landsat遥感影像的海岸不透水面提取方法 |
| KR20190063985A (ko) * | 2017-11-30 | 2019-06-10 | 인하대학교 산학협력단 | 근적외선 항공영상을 활용한 아파트 단지 내 인공초지 자동 탐색 및 세분류 토지피복도 부분 갱신 방법 및 장치 |
| CN109374564A (zh) * | 2018-08-20 | 2019-02-22 | 广州地理研究所 | 一种多源遥感数据城市不透水面提取方法 |
| CN109490209A (zh) * | 2018-11-15 | 2019-03-19 | 中国科学院遥感与数字地球研究所 | 一种基于城市不透水面和dem的城市地表径流检测方法 |
| US20210199579A1 (en) * | 2019-12-31 | 2021-07-01 | Beijing Normal University | Method and system for urban impervious surface extraction based on remote sensing |
Non-Patent Citations (2)
| Title |
|---|
| 潘竟虎;李晓雪;刘春雨;: "兰州市中心城区不透水面覆盖度的遥感估算", 西北师范大学学报(自然科学版), no. 04, 15 July 2009 (2009-07-15), pages 99 - 104 * |
| 许剑辉;赵怡;钟凯文;刘旭拢;: "基于改进线性光谱解混和SCS-CN模型的广州主城区降雨产流模拟", 热带地理, no. 06, 31 December 2016 (2016-12-31), pages 77 - 83 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830823A (zh) * | 2023-11-15 | 2024-04-05 | 西藏自治区农牧科学院水产科学研究所 | 一种城市水生态保护的水面率值域测算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115711855B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Enhancing endmember selection in multiple endmember spectral mixture analysis (MESMA) for urban impervious surface area mapping using spectral angle and spectral distance parameters | |
| Xu et al. | Object‐based mapping of karst rocky desertification using a support vector machine | |
| Frohn et al. | Multi-temporal sub-pixel Landsat ETM+ classification of isolated wetlands in Cuyahoga County, Ohio, USA | |
| CN104657739B (zh) | 一种城市监测方法及系统 | |
| Lu et al. | Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images | |
| Rouibah et al. | Applying multi-index approach from Sentinel-2 imagery to extract Urban area in dry season (semi-arid land in north east Algeria) | |
| Bhandari et al. | Improved feature extraction scheme for satellite images using NDVI and NDWI technique based on DWT and SVD | |
| CN104951765A (zh) | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 | |
| CN115711855B (zh) | 一种不透水面的提取方法、装置、终端设备以及存储介质 | |
| Angayarkkani et al. | Efficient forest fire detection system: a spatial data mining and image processing based approach | |
| US9396552B1 (en) | Image change detection | |
| Verma et al. | Development of LR-PCA based fusion approach to detect the changes in mango fruit crop by using landsat 8 OLI images | |
| CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
| CN113361407B (zh) | 基于PCANet的空谱特征联合高光谱海冰图像分类方法 | |
| Xu et al. | A comparative study on the applicability and effectiveness of NSVI and NDVI for estimating fractional vegetation cover based on multi-source remote sensing image | |
| CN114049571A (zh) | 高光谱影像的水体区域提取方法、装置及电子设备 | |
| AU2015376657B2 (en) | Image change detection | |
| CN116824371B (zh) | 生态保护红线植被异常快速监测方法和装置 | |
| CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
| CN110689549B (zh) | 对象提取方法、装置和设备 | |
| Dibs et al. | Robust Radiometric Normalization of the near Equatorial Satellite Images Using Feature Extraction and Remote Sensing Analysis | |
| Masinde et al. | Estimation of the degree of surface sealing with Sentinel 2 data using building indices | |
| CN118446938B (zh) | 一种遥感影像的阴影区域修复方法、装置及电子设备 | |
| CN117274763B (zh) | 基于平衡点分析的遥感影像空-谱融合方法、系统、设备及介质 | |
| CN117315496A (zh) | 基于时空约束的多源遥感影像精确水体提取方法及系统 |
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 |