CN116012723A - 基于时序遥感影像的湿地类型提取方法、装置及电子设备 - Google Patents
基于时序遥感影像的湿地类型提取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116012723A CN116012723A CN202211575359.2A CN202211575359A CN116012723A CN 116012723 A CN116012723 A CN 116012723A CN 202211575359 A CN202211575359 A CN 202211575359A CN 116012723 A CN116012723 A CN 116012723A
- Authority
- CN
- China
- Prior art keywords
- target
- wetland
- remote sensing
- determining
- target area
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 52
- 230000015572 biosynthetic process Effects 0.000 claims description 49
- 238000003786 synthesis reaction Methods 0.000 claims description 49
- 238000001228 spectrum Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 30
- 230000003595 spectral effect Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 230000010287 polarization Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 14
- 238000007637 random forest analysis Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000012876 topography Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 3
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 239000000872 buffer Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 240000002044 Rhizophora apiculata Species 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 241000120622 Rhizophoraceae Species 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于时序遥感影像的湿地类型提取方法、装置及电子设备,涉及湿地分类技术领域,其中方法包括:获取目标区域的遥感影像集,遥感影像集表征年内不同时序的Sentinel‑2多光谱影像、年内不同时序的Sentinel‑1SAR影像、SRTM高程数据和HAND水文高程数据;基于遥感影像集,确定目标区域的目标时序物候特征集;基于遥感影像集和目标区域的目标时序物候特征集进行湿地类型提取,确定目标区域的目标湿地类型;目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。本发明能够确保所确定的目标湿地类型更加精细和准确,从而也大幅提高了湿地类型提取的广泛适用性。
Description
技术领域
本发明涉及湿地分类技术领域,尤其涉及一种基于时序遥感影像的湿地类型提取方法、装置及电子设备。
背景技术
湿地是由水体、植被和土壤构成的复杂生态系统,其不仅类型多样,包含内陆湿地、滨海湿地和人工湿地等多种类型。并且,作为地球的三大生态系统之一,湿地具有重要的生态系统服务功能和物质生产力。然而,在全球社会发展和气候变化的影响下,湿地生态系统的功能和面积严重受损。因此,开展大尺度湿地提取对于湿地资源的保护和可持续利用具有重要的支撑作用。
相关技术中,可以使用训练好的随机森林分类器对遥感影像进行湿地分类;也可以利用分割算法将待测区域的遥感影像分割为同质图斑,再计算同质图斑的光谱特征、几何特征和纹理特征等,分析不同湿地类型在不同特征中的差异,构建知识规则的分层决策树,最后使用分层决策树对同质图斑进行湿地类型的提取。
然而,由于随机森林分类器存在水体类型的异物同谱问题,难以将水体细分为河流、湖泊、水库等类型;分层决策树的模型构建复杂,并且知识规则的阈值通常随时间和区别的变化而变化,算法的普适性不够,从而导致湿地类型提取的精细度不高,适用范围受限。
发明内容
本发明提供一种基于时序遥感影像的湿地类型提取方法、装置及电子设备,用以解决现有技术中湿地类型提取的精细度不高且适用范围受限的缺陷,实现大幅提高湿地类型提取的精细度和适用范围的目的。
本发明提供一种基于时序遥感影像的湿地类型提取方法,包括:
获取目标区域的遥感影像集,所述遥感影像集表征年内不同时序的Sentinel-2多光谱影像、所述年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据;
基于所述遥感影像集,确定所述目标区域的目标时序物候特征集;
基于所述遥感影像集和所述目标区域的目标时序物候特征集进行湿地类型提取,确定所述目标区域的目标湿地类型;所述目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。
根据本发明提供的一种基于时序遥感影像的湿地类型提取方法,所述基于所述遥感影像集,确定所述目标区域的目标时序物候特征集,包括:
基于所述遥感影像集,确定覆盖所述目标区域的目标Sentinel-2多光谱合成影像以及覆盖所述目标区域的目标Sentinel-1SAR中值影像;
基于所述目标Sentinel-2多光谱合成影像,确定所述目标区域的年尺度光谱指数合成特征;
基于所述目标Sentinel-2多光谱合成影像和所述目标Sentinel-1SAR中值影像,确定所述目标区域的年尺度影像特征;
确定所述目标区域的地形特征集;
基于所述年尺度光谱指数合成特征、所述年尺度影像特征和所述地形特征集,确定所述目标区域的目标时序物候特征集。
根据本发明提供的一种基于时序遥感影像的湿地类型提取方法,所述基于所述目标Sentinel-2多光谱合成影像,确定所述目标区域的年尺度光谱指数合成特征,包括:
基于所述目标Sentinel-2多光谱合成影像,确定含有水体指数和植被指数的光谱指数集;
对所述光谱指数集的时序指数波段进行百分位特征、百分位均值范围特征、统计特征的合成处理,确定所述目标区域的年尺度光谱指数合成特征。
根据本发明提供的一种基于时序遥感影像的湿地类型提取方法,所述确定所述目标区域的地形特征数据集,包括:
基于所述遥感影像集中的SRTM高程数据,确定所述目标区域的坡度数据和坡向数据;
基于所述目标区域的坡度数据和坡向数据,确定所述目标区域的地形特征数据集。
根据本发明提供的一种基于时序遥感影像的湿地类型提取方法,所述基于所述遥感影像集和所述目标区域的目标时序物候特征集进行湿地类型提取,确定所述目标区域的目标湿地类型,包括:
基于所述遥感影像集以及辅助数据,确定所述目标区域的目标湿地潜在分布区域;所述辅助数据表征所述目标区域的土地利用情况、大坝点位情况、水深情况和海岸线情况;
基于所述目标时序物候特征集和所述目标湿地潜在分布区域,确定所述目标区域的大类湿地分类结果;
基于所述大类湿地分类结果,确定所述目标区域的水体图斑;
确定所述水体图斑的不同几何特征,并基于所述不同几何特征和所述辅助数据对所述大类湿地分类结果进行湿地类型提取,确定所述目标区域的目标湿地类型。
根据本发明提供的一种基于时序遥感影像的湿地类型提取方法,所述基于所述遥感影像集以及辅助数据,确定所述目标区域的目标湿地潜在分布区域,包括:
基于所述遥感影像集中的HAND水文高程数据,构建第一湿地潜在分布区掩模图像;
基于所述目标区域的坡度数据,构建第二湿地潜在分布区掩模图像;
基于辅助数据中的GLobeLand30土地利用数据和GLC_FCS30土地利用数据,构建第三湿地潜在分布区掩模图像;
基于所述第一湿地潜在分布区掩模图像、所述第二湿地潜在分布区掩模图像和所述第三湿地潜在分布区掩模图像,确定所述目标湿地潜在分布区域。
根据本发明提供的一种基于时序遥感影像的湿地类型提取方法,所述确定覆盖所述目标区域的目标Sentinel-2多光谱合成影像的过程包括:
对所述遥感影像集中年内不同时间序列的Sentinel-2多光谱影像进行遮挡像元剔除、第一预设空间分辨率波段的重采样处理及镶嵌裁剪处理,确定覆盖所述目标区域的目标Sentinel-2多光谱合成影像。
根据本发明提供的一种基于时序遥感影像的湿地类型提取方法,确定覆盖所述目标区域的目标Sentinel-1SAR中值影像的过程包括:
对所述遥感影像集中Sentinel-1SAR卫星的下行轨道卫星在年内不同时间序列的Sentinel-1SAR影像进行预设极化波段选取和中值合成处理,确定覆盖所述目标区域的目标Sentinel-1SAR中值影像。
根据本发明提供的一种基于时序遥感影像的湿地类型提取方法,在所述确定所述目标区域的目标湿地类型之后,所述方法还包括:
对所述目标区域的目标湿地类型进行错误修正及噪声剔除处理。
本发明还提供一种基于时序遥感影像的湿地类型提取装置,包括:
获取模块,用于获取目标区域的遥感影像集,所述遥感影像集表征年内不同时序的Sentinel-2多光谱影像、所述年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据;
确定模块,用于基于所述遥感影像集,确定所述目标区域的目标时序物候特征集;
提取模块,用于基于所述遥感影像集和所述目标区域的目标时序物候特征集进行湿地类型提取,确定所述目标区域的目标湿地类型;所述目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于时序遥感影像的湿地类型提取方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于时序遥感影像的湿地类型提取方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于时序遥感影像的湿地类型提取方法。
本发明提供的基于时序遥感影像的湿地类型提取方法、装置及电子设备,其中基于时序遥感影像的湿地类型提取方法,终端设备首先获取目标区域的遥感影像集,再基于遥感影像集,确定目标区域的目标时序物候特征集;由于遥感影像集表征年内不同时序的Sentinel-2多光谱影像、年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据,因此所确定的目标时序物候特征集能够大量捕捉湿地类型的物候和季节变化信息,提升湿地信息提取的精度,而且也能充分发挥时序密集的遥感大数据优势,不仅能够大幅提升挖掘湿地类型的时序变化信息量,而且也能减少密集时序影像信息冗余对湿地分类提取的影响,基于此,再结合目标时序物候特征集和遥感影像集进行湿地类型提取,自然能够确保所确定的目标湿地类型更加精细和准确,从而也大幅提高了湿地类型提取的广泛适用性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明提供的基于时序遥感影像的湿地类型提取方法的流程示意图;
图2是本发明提供的年尺度的时序物候影像示意图;
图3是本发明提供的基于目标Sentinel-2多光谱合成影像确定的五种光谱指数的示意图;
图4是本发明提供的目标区域的地形特征数据集的影像示意图;
图5是本发明提供的目标湿地潜在分布区域的概念图;
图6是本发明提供的精细湿地类型的制图结果示意图;
图7是本发明提供的目标湿地潜在分布区域的影像示意图;
图8是本发明提供的基于时序遥感影像的湿地类型提取方法的整体流程示意图;
图9是本发明提供的基于时序遥感影像的湿地类型提取装置的结构示意图;
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
湿地是由水体、植被和土壤构成的复杂生态系统,其类型多样,包含内陆湿地、滨海湿地和人工湿地。作为地球的三大生态系统之一,湿地具有重要的生态系统服务功能和物质生产力。然而,由于受全球社会发展和气候变化的影响,湿地生态系统的功能和面积受损严重。开展大尺度湿地提取对于湿地资源的保护和可持续利用具有重要的支撑作用。
相关技术中,遥感卫星技术因其具有覆盖范围大、重访周期短、获取成本低等优势,在大尺度湿地提取方面应用广泛,也即,根据目标区域的地理位置和时间范围,收集无云、无阴影的遥感影像数据,并对遥感影像数据进行辐射定标、大气校正、几何校正等操作,获取高质量影像;然后利用人工目视解译、监督分类或非监督分类等方式,对目标区域的遥感影像数据进行湿地遥感制图。
随机森林分类器是湿地遥感制图中常用的方法,该算法是一种集成算法,通过内部的多决策树投票机制,获得最优的分类结果。也即,使用遥感影像的光谱特征作为随机森林分类器的输入特征进行训练学习,同时通过分析训练后随机森林分类器的误差确定最优的分类器参数。然后利用训练好的随机森林分类器,对遥感影像进行分类,进而实现湿地范围的制图。
随着遥感影像空间分辨率的提升和图像处理算法的不断发展,面向对象的分层决策树算法也常常应用于湿地制图中。利用分层决策树算法的分割算法,将目标区域的遥感影像分割为同质图斑,计算同质图斑的光谱、几何、纹理等不同特征,分析不同湿地类型在不同特征中的差异,构建知识规则的分层决策树,实现湿地类型的提取。
由于随机森林算法适用于大类湿地的提取,但在精细湿地类型提取方面略显不足,譬如随机森林算法难以将水体精细分为河流、湖泊、水库等类型;面向对象的分层决策树算法的模型构建复杂,且其知识规则的阈值往往随时间和区域的变化而变化,算法的普适性不够。同时,上述随机森林算法和面向对象的分层决策树算法大多是利用单时相遥感影像数据进行湿地制图,也不能提高湿地类型提取的精细度和适用范围。
基于此,为了解决上述问题,本发明提供一种基于时序遥感影像的湿地类型提取方法、装置及电子设备,其中基于时序遥感影像的湿地类型提取方法的执行主体可以为终端设备,也可以为服务器,终端设备可以为个人计算机(Personal Computer,PC)、便携式设备、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等其它电子设备;服务器可以使用独立的服务器或者多个服务器组成的服务器集群,比如服务器可以为包含独立主机的物理服务器、主机集群承载的虚拟服务器、云服务器等。本发明对终端设备的具体形式不做限定,也不具体限定服务器的具体形式。
下面结合图1-图10描述本发明的基于时序遥感影像的湿地类型提取方法、装置及电子设备,下述方法实施例以执行主体为终端设备为例进行说明,并且下述方法实施例的执行主体可以是终端设备的部分或全部。
参照图1,为本发明实施例提供的基于时序遥感影像的湿地类型提取方法的流程示意图,如图1所示,该基于时序遥感影像的湿地类型提取方法,包括以下步骤:
步骤110、获取目标区域的遥感影像集,遥感影像集表征年内不同时序的Sentinel-2多光谱影像、年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据。
具体的,终端设备基于目标区域的地理范围和时间范围,可以利用遥感大数据云平台(Google Earth Engine,GEE)获取符合需求的遥感影像集,遥感影像集包括年内不同时间序列的Sentinel-2多光谱影像、年内不同时间序列的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据;SRTM的全称是Shuttle Radar Topography Mission,也即航天飞机雷达地形测绘任务;HAND的全称是Height Above Nearest Drainage,也即最近邻河道相对高度;Sentinel-1为哨兵1号,Sentinel-2为哨兵2号;SAR的全称是Synthetic ApertureRadar,即合成孔径雷达。
步骤120、基于遥感影像集,确定目标区域的目标时序物候特征集。
具体的,终端设备针对获取的目标区域的遥感影像集进行物候特征分析,以分析确定出能够开展精细湿地分类的目标时序物候特征集,当目标区域的目标时序物候特征集为PF时,目标时序物候特征集PF的表达式可以如下所示。
式(1)中,ImgGreenest为目标区域的年尺度最绿影像,ImgWettest为目标区域的年尺度最湿影像,ImgMedian为目标区域的目标Sentinel-2多光谱合成影像,SARMedian为目标区域的目标Sentinel-1SAR中值影像,SIpercentile为目标区域的光谱指数百分位特征,SIintervalMean为目标区域的光谱指数百分位均值范围特征,SIstatistical为目标区域的光谱指数统计特征,Terrain为目标区域的地形特征集;其中,目标Sentinel-2多光谱合成影像是基于年内不同时间序列的Sentinel-2多光谱影像确定的,目标Sentinel-1SAR中值影像是基于年内不同时间序列的Sentinel-2多光谱影像、年内不同时间序列的Sentinel-1SAR影像确定的。
需要说明的是,对于目标区域的目标时序物候特征集,物候特征是自然环境中动植物生命活动的季节性现象和在一年中特定时间出现的某些气象和水文现象的特征,比如各种气象、水文现象可以为初霜、终霜、结冰、消融、初雪、终雪等自然现象;候可以为五天一候,一年365天(平年)为73候,为与24节气对应,规定三候为一节(气)、一年为72候;时序可以为年内不同时间序列。
步骤130、基于遥感影像集和目标区域的目标时序物候特征集进行湿地类型提取,确定目标区域的目标湿地类型;目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。
具体的,终端设备基于遥感影像集和目标区域的目标时序物候特征集,对目标区域进行湿地类型提取,比如先剔除目标区域内的非湿地区域,再对目标区域中剔除非湿地区域后的剩余区域进行湿地类型提取,从而确定目标区域的目标湿地类型,目标湿地类型可以为内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种,内陆湿地可以包括但不限定河流、湖泊、内陆木本沼泽、内陆草本沼泽和内陆滩地,滨海湿地可以包括但不限定红树林、滨海盐沼、滨海滩涂、浅海水域和潟湖,人工湿地可以包括但不限定水库、运河/水渠和养殖池,非湿地可以包括但不限定林地、草地、建设用地、农田和裸地。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法,终端设备首先获取目标区域的遥感影像集,再基于遥感影像集,确定目标区域的目标时序物候特征集;由于遥感影像集表征年内不同时序的Sentinel-2多光谱影像、年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据,因此所确定的目标时序物候特征集能够大量捕捉湿地类型的物候和季节变化信息,提升湿地信息提取的精度,而且也能充分发挥时序密集的遥感大数据优势,不仅能够大幅提升挖掘湿地类型的时序变化信息量,而且也能减少密集时序影像信息冗余对湿地分类提取的影响,基于此,再结合目标时序物候特征集和遥感影像集进行湿地类型提取,自然能够确保所确定的目标湿地类型更加精细和准确,从而也大幅提高了湿地类型提取的广泛适用性。
可选的,步骤120的具体实现过程可以包括:
首先,基于遥感影像集,确定覆盖目标区域的目标Sentinel-2多光谱合成影像以及覆盖目标区域的目标Sentinel-1SAR中值影像;进一步基于目标Sentinel-2多光谱合成影像,确定目标区域的年尺度光谱指数合成特征;基于目标Sentinel-2多光谱合成影像和目标Sentinel-1SAR中值影像,确定目标区域的年尺度影像特征;再确定目标区域的地形特征集;然后,基于年尺度光谱指数合成特征、年尺度影像特征和地形特征集,确定目标区域的目标时序物候特征集。
具体的,终端设备针对遥感影像集中年内不同时序的Sentinel-2多光谱影像,可以结合预先针对Sentinel-2影像设置的QA60质量波段,对年内不同时序的Sentinel-2多光谱影像进行数据预处理,数据预处理的目标是确保年内每期Sentinel-2多光谱影像经过数据预处理后既没有云层、云阴影遮挡,而且空间分辨率足够清晰,也即年内每期Sentinel-2多光谱影像经过数据预处理后的质量波段均与QA60质量波段相匹配,直至确定出完整覆盖目标区域的目标Sentinel-2多光谱合成影像。并且,终端设备也可以针对遥感影像集中年内不同时序的Sentinel-1SAR影像,通过选择合适的Sentinel-1SAR卫星及波段的方式,确定可以参与后续湿地类型提取的目标Sentinel-1SAR中值影像。基于此,终端设备基于目标Sentinel-2多光谱合成影像,确定目标区域的年尺度光谱指数合成特征包括目标区域的光谱指数百分位特征SIpercentile、目标区域的光谱指数百分位均值范围特征SIintervalMean和目标区域的光谱指数统计特征SIstatistical;以及基于目标Sentinel-2多光谱合成影像和目标Sentinel-1SAR中值影像,确定目标区域的年尺度影像特征可以包括目标区域的年尺度最绿影像ImgGreenest、目标区域的年尺度最湿影像ImgWettest、目标区域的目标Sentinel-2多光谱合成影像ImgMedian和目标区域的目标Sentinel-1SAR中值影像SARMedian;再进一步确定目标区域的地形特征集Terrain,地形特征集可以表征目标区域的目标高程、目标坡度和目标坡向;此时,再将年尺度光谱指数合成特征、年尺度影像特征和地形特征集合并为一个数据集,即可确定目标区域的目标时序物候特征集。进一步的,在目标时序物候特征集包括120个特征的情况下,可以将该目标时序物候特征集作为湿地类型提取的输入特征,开展后续精细湿地类型的分类。
需要说明的是,为了捕捉湿地类型的季节变化信息,同时减少时序密集影像的信息冗余,本发明可以利用影像合成算法,将目标Sentinel-2多光谱合成影像和目标Sentinel-1SAR中值影像合成为年尺度的时序物候影像,如图2所示,年尺度的时序物候影像包括目标区域的年尺度最绿影像ImgGreenest、目标区域的年尺度最湿影像ImgWettest、目标区域的目标Sentinel-2多光谱合成影像ImgMedian和目标区域的目标Sentinel-1SAR中值影像SARMedian,其计算公式如下所示:
ImgGreenest=bandk(i,j,tmax1)|NDVImax(i,j,tmax1) (2)
ImgWettest=bandk(i,j,tmax2)|MNDWImax(i,j,tmax2) (3)
ImgMedian=median{Img1,Img2,...,Imgn} (4)
SARMedian=median{SAR1,SAR2,...,SARm} (5)
式(2)~(5)中,(i,j)为目标Sentinel-2多光谱合成影像或目标Sentinel-1SAR中值影像中第i行、第j列的像元,NDVImax为目标Sentinel-2多光谱合成影像中归一化植被指数的最大值,tmax1为归一化植被指数的最大值NDVImax所对应的时间,MNDWImax为目标Sentinel-2多光谱合成影像中改进的归一化水体指数的最大值,tmax2为改进的归一化水体指数的最大值MNDWImax所对应的时间,bandk为K个波段中的第k个波段,K个波段包括红波段、绿波段、蓝波段、近红外波段、Red Edge1波段、Red Edge2波段、Red Edge3波段、RedEdge4波段、SWIR1波段和SWIR2波段,n为目标Sentinel-2多光谱合成影像的总个数,Img1,Img2,...,Imgn为第1个目标Sentinel-2多光谱合成影像、第2个目标Sentinel-2多光谱合成影像、….、第n个目标Sentinel-2多光谱合成影像;m为目标Sentinel-1SAR中值影像的总个数,SAR1,SAR2,...,SARm为第1个目标Sentinel-1SAR中值影像、第2个目标Sentinel-1SAR中值影像、…、第m个目标Sentinel-1SAR中值影像;median为求中值函数。在目标Sentinel-2多光谱合成影像包括10个波段、目标Sentinel-1SAR中值影像包括2个波段的情况下,所合成的年尺度的时序物候影像包括32个特征。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法,终端设备先基于覆盖目标区域的目标Sentinel-2多光谱合成影像,确定目标区域的年尺度光谱指数合成特征,再基于覆盖目标区域的目标Sentinel-1SAR中值影像和目标Sentinel-2多光谱合成影像,确定目标区域的年尺度影像特征;再结合目标区域的地形特征集、年尺度光谱指数合成特征、年尺度影像特征,确定目标区域的目标时序物候特征集,以此实现了构建时序物候特征集的目的,确保所构建的时序物候特征集更加丰富和全面,从而也能提升后续湿地提取的精度。
可选的,基于目标Sentinel-2多光谱合成影像,确定目标区域的年尺度光谱指数合成特征,其具体实现过程可以包括:
首先,基于目标Sentinel-2多光谱合成影像,确定含有水体指数和植被指数的光谱指数集;再进一步对光谱指数集的时序指数波段进行百分位特征、百分位均值范围特征、统计特征的合成处理,确定目标区域的年尺度光谱指数合成特征。
具体的,终端设备基于目标Sentinel-2多光谱合成影像,可以计算五种光谱指数,所计算的五种光谱指数的示意图如图3所示;并将五种光谱指数确定为含有水体指数和植被指数的光谱指数集SI,SI={NDWI,MNDWI,AWEI,NDVI,EVI},光谱指数集SI中包括归一化水体指数NDWI、改进的归一化水体指数MNDWI、自动水体提取指数AWEI、归一化植被指数NDVI和增强植被指数EVI,其计算公式分别如下:
AWEI=4×(ρ3-ρ11)-(0.25×ρ8+2.75×ρ12) (8)
式(6)~(10)中,ρ2为目标Sentinel-2多光谱合成影像的蓝波段,ρ3为目标Sentinel-2多光谱合成影像的绿波段,ρ4为目标Sentinel-2多光谱合成影像的红波段,ρ8为目标Sentinel-2多光谱合成影像的近红外波段,ρ11为目标Sentinel-2多光谱合成影像的SWIR1中红外波段,ρ12为目标Sentinel-2多光谱合成影像的SWIR2中红外波段。
基于此,在对计算的五种光谱指数的时序指数波段进行百分位特征、百分位均值范围特征、统计特征的合成处理,确定目标区域的年尺度光谱指数合成特征包括年尺度光谱指数百分位数特征SIpercentile、年尺度光谱指数百分位均值范围特征SIintervalMean和年尺度光谱指数统计特征SIstatistical,其计算公式如下:
SIpercentile=SIascending(p*n/100)(11)
SIstatistical=(max,min,stdDev,median)SI(13)
式(11)~(13)中,p为百分数且p的取值为10%、25%、50%、75%、90%;n为目标Sentinel-2多光谱合成影像的总个数,SIascending为光谱指数按升序排列;minR和maxR分别为均值范围的最大值和最小值,并且最小值和最大值的组合构成百分位范围,分别包括0-10%、10-25%、25-50%、50-75%、75-90%、90-100%、10-90%、25-75%;max为时序光谱指数的最大值,min为时序光谱指数的最小值,stdDev为时序光谱指数的标准差,median为时序光谱指数的中值;SI为含有水体指数和植被指数的光谱指数集。在含有水体指数和植被指数的光谱指数集SI包括5种光谱指数且每个光谱指数的时间序列能合成17个特征的情况下,目标区域的年尺度光谱指数合成特征可以共计85个特征。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法,终端设备通过先基于目标Sentinel-2多光谱合成影像确定含有水体指数和植被指数的光谱指数集、后对光谱指数集的时序指数波段进行百分位特征、百分位均值范围特征、统计特征的合成处理的方式,确定目标区域的年尺度光谱指数合成特征,提高了确定年尺度光谱指数合成特征的丰富全面性和可靠稳定性。
可选的,确定目标区域的地形特征数据集,其具体实现过程可以包括:
首先,基于遥感影像集中的SRTM高程数据,确定目标区域的坡度数据和坡向数据;再进一步基于目标区域的坡度数据和坡向数据,确定目标区域的地形特征数据集。
具体的,终端设备基于遥感影像集中的SRTM高程数据和目标区域的地理范围,首先获取SRTM高程数据中30m空间分辨率的SRTM高程数据,并将获取的30m空间分辨率的SRTM高程数据确定为目标区域的目标SRTM高程数据,再利用坡度算法和坡向算法,分别计算目标区域的坡度数据和坡向数据,从而确定目标区域的地形特征数据集为Terrain,目标区域的地形特征数据集的影像示意图如图4所示;并且,目标区域的地形特征数据集Terrain的表达式为:
Terrain={elevation,slope,aspect}(14)
式(14)中,elevation为目标区域的目标SRTM高程数据;slope为目标区域的坡度数据,具体为目标区域的SRTM坡度数据;aspect为目标区域的坡向数据,具体为目标区域的SRTM坡向数据。此时将目标区域的目标SRTM高程数据elevation、目标区域的坡度数据slope和目标区域的坡向数据aspect作为辅助特征参与后续的湿地类型提取中。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法,终端设备通过基于遥感影像集中的SRTM高程数据确定目标区域的坡度数据和坡向数据的方式,确定目标区域的地形特征数据集,提高了确定地形特征数据的可靠性和全面性,为后续湿地类型提取的精度提供辅助作用。
可选的,步骤130的具体实现过程可以包括:
首先,基于遥感影像集以及辅助数据,确定目标区域的目标湿地潜在分布区域;辅助数据表征目标区域的土地利用情况、大坝点位情况、水深情况和海岸线情况;再基于目标时序物候特征集和目标湿地潜在分布区域,确定目标区域的大类湿地分类结果;进一步基于大类湿地分类结果,确定目标区域的水体图斑;然后,确定水体图斑的不同几何特征,并基于不同几何特征和和辅助数据对大类湿地分类结果进行湿地类型提取,确定目标区域的目标湿地类型。
具体的,终端设备基于目标区域的遥感影像集和辅助数据,以及湿地的水文和地形特征数据,可以绘制目标区域的目标湿地潜在分布区域,目标湿地潜在分布区域的概念图可以如图5所示。目标湿地潜在分布区域能够完整涵盖湿地范围,同时也能最大程度剔除非湿地区域。需要说明的是,目标湿地潜在分布区域不仅包含了真实湿地范围(即现存湿地),同时也包含了非湿地的类型。基于此,可以使用本发明构建的“像元-对象-知识”的湿地提取算法进行湿地提取,“像元-对象-知识”的湿地提取算法是一种多方法耦合算法,其中“像元”是指面向像元的大类湿地提取,“对象”是指棋盘分割与几何特征计算,“知识”是指知识规则的精细湿地提取,其实现过程为:
(1)面向像元的大类湿地提取:基于目标区域的目标时序物候特征集PF,在目标区域的目标湿地潜在分布区域内开展10折随机森林分类,并取10次分类结果的众数作为目标区域的大类湿地分类结果Cfinal,其表达式如下:
Cfinal=mode(CRF1,CRF2...CRF10)(15)
式(15)中,CRF1,CRF2...CRF10为针对目标区域的目标湿地潜在分布区域进行第1次随机森林分类后的分类结果、针对目标区域的目标湿地潜在分布区域进行第2次随机森林分类后的分类结果、....、针对目标区域的目标湿地潜在分布区域进行第10次随机森林分类后的分类结果,mode为求取10次分类结果的众数操作。通过面向像元的大类湿地提取,实现了水体、草本沼泽、木本沼泽、内陆滩地、滨海滩涂的5种大类湿地提取,以及林地、草地、建设用地、农田、裸地的5种非湿地的提取。
(2)棋盘分割与几何特征计算:对目标区域的大类湿地分类结果Cfinal进行重分类,获取水体二值格栅图,同时将该水体二值格栅图转化为矢量形式,得到水体矢量图;然后,使用eCognition软件对水体进行棋盘分割,输入eCognition软件的影像为水体二值栅格图,输入eCognition软件的矢量文件为水体矢量图,分割尺度大于水体二值格栅图的行数和列数,从而获取eCognition软件输出的分割结果,分割结果为目标区域的水体图斑,水体图斑即为对象。
然后,使用eCognition软件计算水体图斑的不同几何特征,不同几何特征可以包括但不限定水体图斑的紧致度(compactness)、矩形度(rectangular)、圆度(roundness)、形状指数(shape index)、长宽比(length/width)和面积(area)。将水体图斑的不同几何特征作为水体图斑的属性特征,以矢量数据的形式导入到本地。
(3)知识规则的精细湿地提取。基于不同几何特征和辅助数据对大类湿地分类结果进行湿地类型提取,也即使用水体图斑的不同几何特征和辅助数据对大类湿地分类结果进一步细分水体类型,通过分析河流、湖泊、养殖池、运河/水渠的几何特征可以提取出目标区域的目标湿地类型,具体包括:
使用“compactness>5&rectangular<0.5&roundness>2”可以提取出河流;
使用“compactness<4.5&rectangular>0.5&roundness<2”可以提取出湖泊;
使用“5<area<=500ha&length/width>5.8”or“500<area<5000ha&compactness>20&rectangular fit<0.05&roundness>6.22”可以提取出运河/水渠;
使用“1<area<=100ha&length/width<2&roundness>1”or“100<area&shapeindex>4.3&roundness>1”可以提取出养殖池;
对于水库,将辅助数据中的大坝点位数据与水体图斑相交,即可从大坝点位数据与水体图斑的相交区域提取出水库;
对于浅海水域、潟湖,使用辅助数据中的海岸线数据和水深数据,即可提取出浅海水域、潟湖;
对于木本沼泽和草本沼泽,使用海岸线缓冲区进行精细分类,海岸线缓冲区以内的木本沼泽和草本沼泽分别被标识为红树林和滨海盐沼,海岸线以外的木本沼泽和草本沼泽被标识为内陆木本沼泽和内陆草本沼泽。其中,海岸线缓冲区是目标区域的海岸线数据内侧5km、海岸线数据外侧水深小于25m的区域。
综上,使用“像元-对象-知识”的湿地提取算法对大类湿地分类结果进行精细水体类型分类,实现了5种内陆湿地(河流、湖泊、内陆木本沼泽、内陆草本沼泽、内陆滩地)、5种滨海湿地(红树林、滨海盐沼、滨海滩涂、浅海水域、潟湖)、3种人工湿地(水库、运河/水渠、养殖池)和5种非湿地(林地、草地、建设用地、农田、裸地),并可以得到含有5种内陆湿地、5种滨海湿地、3种人工湿地和5种非湿地的精细湿地类型的制图结果,如图6所示;由此说明“像元-对象-知识”的湿地提取算法的分类精度高,普适性好,其阈值和规则不会随时间和区域的变化而发生变化。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法,终端设备通过先确定目标区域的目标湿地潜在分布区域、再确定目标区域的大类湿地分类结果、后对目标区域的大类湿地分类结果进行湿地类型提取的方式,确定目标区域的目标湿地类型。以此结合构建的“像元-对象-知识”的湿地提取算法,能够充分利用遥感影像集的光谱特征和几何特征,有效避免湿地类型的异物同谱问题,实现了13种精细湿地类型和5种非湿地的提取,从而大幅提高了湿地类型分类的精细度和普适性。
可选的,基于遥感影像集以及辅助数据,确定目标区域的目标湿地潜在分布区域,其具体实现过程可以包括:
首先,基于遥感影像集中的HAND水文高程数据,构建第一湿地潜在分布区掩模图像;再基于目标区域的坡度数据,构建第二湿地潜在分布区掩模图像;进一步基于辅助数据中的GLobeLand30土地利用数据和GLC_FCS30土地利用数据,构建第三湿地潜在分布区掩模图像;然后,基于第一湿地潜在分布区掩模图像、第二湿地潜在分布区掩模图像和第三湿地潜在分布区掩模图像,确定目标湿地潜在分布区域。
具体的,终端设备使用遥感影像集中的HAND水文高程数据,通过预先设置的HAND<30时赋值为1、HAND≥30时赋值为0的掩模图构建方式,构建第一湿地潜在分布区掩模图像,第一湿地潜在分布区掩模图像为第一二值图像,第一二值图像中的1值表示湿地区、0值表示非湿地区;再基于目标区域的坡度数据,通过预先设置的slope<8时赋值为1、slope≥8时赋值为0的掩模图构建方式,构建第二湿地潜在分布区掩模图像,第二湿地潜在分布区掩模图像为第二二值图像,第二二值图像中的1值表示湿地区、0值表示非湿地区;进一步基于辅助数据中的GLobeLand30土地利用数据和GLC_FCS30土地利用数据,将GLobeLand30土地利用数据和GLC_FCS30土地利用数据进行空间叠置,其空间重叠区域即为稳定的农田区,并将该空间重叠区域确定为第三湿地潜在分布区掩模图像,第三湿地潜在分布区掩模图像为第三二值图像,第三二值图像中的0值表示稳定的农田区、1值表示其它;然后,将第一湿地潜在分布区掩模图像、第二湿地潜在分布区掩模图像和第三湿地潜在分布区掩模图像进行空间叠置,并将空间叠置后的公共相交区域确定为目标湿地潜在分布区域,目标湿地潜在分布区域的影像示意图可以如图7所示。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法,终端设备通过基于遥感影像集中的HAND水文高程数据构建的第一湿地潜在分布区掩模图像、基于目标区域的坡度数据构建的第二湿地潜在分布区掩模图像以及基于辅助数据中的GLobeLand30土地利用数据和GLC_FCS30土地利用数据构建的第三湿地潜在分布区掩模图像的方式,确定目标区域的目标湿地潜在分布区域,不仅能够绘制湿地类型可能出现的范围,完整地包含了湿地类型的空间分布,同时也能够将大部分非湿地区域剔除,极大地减少了非湿地信息对湿地分类提取的干扰,从而也能大幅提升湿地分类精度。
可选的,确定覆盖目标区域的目标Sentinel-2多光谱合成影像的过程包括:
对遥感影像集中年内不同时间序列的Sentinel-2多光谱影像进行遮挡像元剔除、第一预设空间分辨率波段的重采样处理及镶嵌裁剪处理,确定覆盖目标区域的目标Sentinel-2多光谱合成影像。
其中,第一预设空间分辨率波段可以为20m空间分辨率的波段。
具体的,终端设备基于预先针对Sentinel-2影像设置的QA60质量波段,将遥感影像集中年内不同时间序列的Sentinel-2多光谱影像中每期影像的被云层和云阴影遮挡的遮挡像元选取出来,使用掩模操作将选取的遮挡像元从对应影像中剔除,再针对遮挡像元剔除后的每期光谱影像选取4个10m空间分辨率波段和6个20m空间分辨率波段;然后,使用最近邻采样的方法,将选择的6个20m分辨率的波段分别重采样为10m,从而获取10个空间分辨率为10m的波段。最后,对遮挡像元剔除及重采样后的每期影像进行镶嵌裁剪处理,从而确定完整覆盖目标区域的目标Sentinel-2多光谱合成影像。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法,终端设备通过针对年内不同时序的Sentinel-2多光谱影像进行遮挡像元剔除、第一预设空间分辨率波段的重采样处理及镶嵌裁剪出的方式,确定能够完整覆盖目标区域的目标Sentinel-2多光谱合成影像。以此结合遮挡像元剔除、波段重采样及镶嵌处理技术能够确保目标Sentinel-2多光谱合成影像的质量更加可靠和准确。
可选的,确定覆盖目标区域的目标Sentinel-1SAR中值影像的过程包括:
对遥感影像集中Sentinel-1SAR卫星的下行轨道卫星在年内不同时间序列的Sentinel-1SAR影像进行预设极化波段选取和中值合成处理,确定覆盖目标区域的目标Sentinel-1SAR中值影像。
其中,预设极化波段可以为VV波段和VH波段。
具体的,考虑到Sentinel-1SAR卫星的下行轨道的卫星影像多且覆盖范围完整,因此可以选择下行轨道卫星在一年内所有的影像。也即,终端设备针对遥感影像集中Sentinel-1SAR卫星的下行轨道卫星在年内不同时间序列的Sentinel-1SAR影像进行VV波段和VH波段的选取以及中值合成处理,从而确定完全覆盖目标区域的目标Sentinel-1SAR中值影像,并将目标Sentinel-1SAR中值影像确定为后续参与湿地类型提取的分类特征。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法,终端设备通过对遥感影像集中Sentinel-1SAR卫星的下行轨道卫星在年内不同时间序列的Sentinel-1SAR影像进行预设极化波段选取和中值合成处理的方式,确定覆盖目标区域的目标Sentinel-1SAR中值影像。以此结合极化波段选择和中值合成算法能够确保所确定的目标Sentinel-1SAR中值影像的覆盖范围更加全面和完整。
可选的,在步骤130之后,本发明提供的基于时序遥感影像的湿地类型提取还可以包括:
对目标区域的目标湿地类型进行错误修正及噪声剔除处理。
具体的,终端设备针对目标区域的目标湿地类型,可以通过目视判读和人工编辑的方式,对目标区域的目标湿地类型进行错误修正。比如,由于影像空间分辨率的限制,使得部分细小河流未能有效提取,则可以通过目视解译的方式,将未能提取出的部分细小水体对应标记为河流。然后,再进一步使用Majority算法对错误修正后的目标湿地类型进行去噪处理,比如剔除错误修正后的目标湿地类型中的椒盐噪声,设置核大小为5×5,中心像元权重为1。从而确保经由错误修正及噪声剔除处理后的目标湿地类型更加完整和紧凑。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法,终端设备针对目标区域的目标湿地类型进行错误修正及噪声剔除处理的方式,能够有效减少湿地分类结果中的琐碎图斑,从而使得制图结果更加紧凑和完整。
参照图8,为本发明提供的基于时序遥感影像的湿地类型提取方法的整体流程示意图,如图8所示,针对遥感影像集中年内不同时间序列的Sentinel-2多光谱影像,通过数据预处理和影像合成算法,可以确定覆盖目标区域的目标Sentinel-2多光谱合成影像,并基于目标Sentinel-2多光谱合成影像确定目标区域的年尺度光谱指数合成特征;针对遥感影像集中Sentinel-1SAR卫星的下行轨道卫星在年内不同时间序列的Sentinel-1SAR影像,通过极化波段选择和中值合成算法,可以确定覆盖目标区域的目标Sentinel-1SAR中值影像;再基于遥感影像集中的HAND水文高程数据、GLobeLand30土地利用数据和GLC_FCS30土地利用数据以及坡度数据,确定目标湿地潜在分布区域;再进一步基于目标Sentinel-2多光谱合成影像、年尺度光谱指数合成特征、目标Sentinel-1SAR中值影像以及目标区域的坡度数据和坡向数据,确定目标时序物候特征集,再基于确定的目标湿地潜在分布区域和“像元-对象-知识”的湿地提取算法确定目标区域的目标湿地类型,得到精细湿地类型的制图结果。其中涉及的具体过程和相应效果可以参照前述实施例,此处不再赘述。
本发明实施例提供的基于时序遥感影像的湿地类型提取方法能够有效实现大尺度、精细湿地类型的提取,方法的分类精度和普适性更好,其具体效果主要体现在三方面:①其构建的时序物候特征能够较好地捕捉湿地类型的物候和季节变化信息,提升湿地提取的精度;②其构建的湿地潜在分布区,将很多与湿地无关的非湿地区剔除,减少了湿地类型与非湿地之间的误分类;③其构建的“像元-对象-知识”的湿地提取算法,具有较好的鲁棒性和普适性,有效避免异物同谱的问题,且其知识规则和阈值不随区域和时间的变化而变化。
参照图9,为本发明提供的基于时序遥感影像的湿地类型提取装置的结构示意图,如图9所示,该基于时序遥感影像的湿地类型提取装置900,包括:
获取模块910,用于获取目标区域的遥感影像集,遥感影像集表征年内不同时序的Sentinel-2多光谱影像、年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据;
确定模块920,用于基于遥感影像集,确定目标区域的目标时序物候特征集;
提取模块930,用于基于遥感影像集和目标区域的目标时序物候特征集进行湿地类型提取,确定目标区域的目标湿地类型;目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。
可选的,确定模块920,具体可以用于基于遥感影像集,确定覆盖目标区域的目标Sentinel-2多光谱合成影像以及覆盖目标区域的目标Sentinel-1SAR中值影像;基于目标Sentinel-2多光谱合成影像,确定目标区域的年尺度光谱指数合成特征;基于目标Sentinel-2多光谱合成影像和目标Sentinel-1SAR中值影像,确定目标区域的年尺度影像特征;确定目标区域的地形特征集;基于年尺度光谱指数合成特征、年尺度影像特征和地形特征集,确定目标区域的目标时序物候特征集。
可选的,确定模块920,具体还可以用于基于目标Sentinel-2多光谱合成影像,确定含有水体指数和植被指数的光谱指数集;对光谱指数集的时序指数波段进行百分位特征、百分位均值范围特征、统计特征的合成处理,确定目标区域的年尺度光谱指数合成特征。
可选的,确定模块920,具体还可以用于基于遥感影像集中的SRTM高程数据,确定目标区域的坡度数据和坡向数据;基于目标区域的坡度数据和坡向数据,确定目标区域的地形特征数据集。
可选的,提取模块930,具体可以用于基于遥感影像集以及辅助数据,确定目标区域的目标湿地潜在分布区域;辅助数据表征目标区域的土地利用情况、大坝点位情况、水深情况和海岸线情况;基于目标时序物候特征集和目标湿地潜在分布区域,确定目标区域的大类湿地分类结果;基于大类湿地分类结果,确定目标区域的水体图斑;确定水体图斑的不同几何特征,并基于不同几何特征和辅助数据对大类湿地分类结果进行湿地类型提取,确定目标区域的目标湿地类型。
可选的,提取模块930,具体还可以用于基于遥感影像集中的HAND水文高程数据,构建第一湿地潜在分布区掩模图像;基于目标区域的坡度数据,构建第二湿地潜在分布区掩模图像;基于辅助数据中的GLobeLand30土地利用数据和GLC_FCS30土地利用数据,构建第三湿地潜在分布区掩模图像;基于第一湿地潜在分布区掩模图像、第二湿地潜在分布区掩模图像和第三湿地潜在分布区掩模图像,确定目标湿地潜在分布区域。
可选的,确定模块920,具体还可以用于对遥感影像集中年内不同时间序列的Sentinel-2多光谱影像进行遮挡像元剔除、第一预设空间分辨率波段的重采样处理及镶嵌裁剪处理,确定覆盖目标区域的目标Sentinel-2多光谱合成影像。
可选的,确定模块920,具体还可以用于对遥感影像集中Sentinel-1SAR卫星的下行轨道卫星在年内不同时间序列的Sentinel-1SAR影像进行预设极化波段选取和中值合成处理,确定覆盖目标区域的目标Sentinel-1SAR中值影像。
可选的,本发明提供的基于时序遥感影像的湿地类型提取装置还可以包括处理模块,具体用于对目标区域的目标湿地类型进行错误修正及噪声剔除处理。
图10示例了一种电子设备的实体结构示意图,如图10所示,该电子设备1000可以包括:处理器(processor)1010、通信接口(CommunicationsInterface)1020、存储器(memory)1030和通信总线1040,其中,处理器1010,通信接口1020,存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令,以执行基于时序遥感影像的湿地类型提取方法,该方法包括:
获取目标区域的遥感影像集,遥感影像集表征年内不同时序的Sentinel-2多光谱影像、年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据;
基于遥感影像集,确定目标区域的目标时序物候特征集;
基于遥感影像集和目标区域的目标时序物候特征集进行湿地类型提取,确定目标区域的目标湿地类型;目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。
此外,上述的存储器1030中的逻辑指令可以通过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,本发明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)执行本发明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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于时序遥感影像的湿地类型提取方法,该方法包括:
获取目标区域的遥感影像集,遥感影像集表征年内不同时序的Sentinel-2多光谱影像、年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据;
基于遥感影像集,确定目标区域的目标时序物候特征集;
基于遥感影像集和目标区域的目标时序物候特征集进行湿地类型提取,确定目标区域的目标湿地类型;目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于时序遥感影像的湿地类型提取方法,该方法包括:
获取目标区域的遥感影像集,遥感影像集表征年内不同时序的Sentinel-2多光谱影像、年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据;
基于遥感影像集,确定目标区域的目标时序物候特征集;
基于遥感影像集和目标区域的目标时序物候特征集进行湿地类型提取,确定目标区域的目标湿地类型;目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。
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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (13)
1.一种基于时序遥感影像的湿地类型提取方法,其特征在于,包括:
获取目标区域的遥感影像集,所述遥感影像集表征年内不同时序的Sentinel-2多光谱影像、所述年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据;
基于所述遥感影像集,确定所述目标区域的目标时序物候特征集;
基于所述遥感影像集和所述目标区域的目标时序物候特征集进行湿地类型提取,确定所述目标区域的目标湿地类型;所述目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。
2.根据权利要求1所述的基于时序遥感影像的湿地类型提取方法,其特征在于,所述基于所述遥感影像集,确定所述目标区域的目标时序物候特征集,包括:
基于所述遥感影像集,确定覆盖所述目标区域的目标Sentinel-2多光谱合成影像以及覆盖所述目标区域的目标Sentinel-1SAR中值影像;
基于所述目标Sentinel-2多光谱合成影像,确定所述目标区域的年尺度光谱指数合成特征;
基于所述目标Sentinel-2多光谱合成影像和所述目标Sentinel-1SAR中值影像,确定所述目标区域的年尺度影像特征;
确定所述目标区域的地形特征集;
基于所述年尺度光谱指数合成特征、所述年尺度影像特征和所述地形特征集,确定所述目标区域的目标时序物候特征集。
3.根据权利要求2所述的基于时序遥感影像的湿地类型提取方法,其特征在于,所述基于所述目标Sentinel-2多光谱合成影像,确定所述目标区域的年尺度光谱指数合成特征,包括:
基于所述目标Sentinel-2多光谱合成影像,确定含有水体指数和植被指数的光谱指数集;
对所述光谱指数集的时序指数波段进行百分位特征、百分位均值范围特征、统计特征的合成处理,确定所述目标区域的年尺度光谱指数合成特征。
4.根据权利要求2所述的基于时序遥感影像的湿地类型提取方法,其特征在于,所述确定所述目标区域的地形特征数据集,包括:
基于所述遥感影像集中的SRTM高程数据,确定所述目标区域的坡度数据和坡向数据;
基于所述目标区域的坡度数据和坡向数据,确定所述目标区域的地形特征数据集。
5.根据权利要求1至4任一项所述的基于时序遥感影像的湿地类型提取方法,其特征在于,所述基于所述遥感影像集和所述目标区域的目标时序物候特征集进行湿地类型提取,确定所述目标区域的目标湿地类型,包括:
基于所述遥感影像集以及辅助数据,确定所述目标区域的目标湿地潜在分布区域;所述辅助数据表征所述目标区域的土地利用情况、大坝点位情况、水深情况和海岸线情况;
基于所述目标时序物候特征集和所述目标湿地潜在分布区域,确定所述目标区域的大类湿地分类结果;
基于所述大类湿地分类结果,确定所述目标区域的水体图斑;
确定所述水体图斑的不同几何特征,并基于所述不同几何特征和所述辅助数据对所述大类湿地分类结果进行湿地类型提取,确定所述目标区域的目标湿地类型。
6.根据权利要求5所述的基于时序遥感影像的湿地类型提取方法,其特征在于,所述基于所述遥感影像集以及辅助数据,确定所述目标区域的目标湿地潜在分布区域,包括:
基于所述遥感影像集中的HAND水文高程数据,构建第一湿地潜在分布区掩模图像;
基于所述目标区域的坡度数据,构建第二湿地潜在分布区掩模图像;
基于辅助数据中的GLobeLand30土地利用数据和GLC_FCS30土地利用数据,构建第三湿地潜在分布区掩模图像;
基于所述第一湿地潜在分布区掩模图像、所述第二湿地潜在分布区掩模图像和所述第三湿地潜在分布区掩模图像,确定所述目标湿地潜在分布区域。
7.根据权利要求2至4任一项所述的基于时序遥感影像的湿地类型提取方法,其特征在于,所述确定覆盖所述目标区域的目标Sentinel-2多光谱合成影像的过程包括:
对所述遥感影像集中年内不同时间序列的Sentinel-2多光谱影像进行遮挡像元剔除、第一预设空间分辨率波段的重采样处理及镶嵌裁剪处理,确定覆盖所述目标区域的目标Sentinel-2多光谱合成影像。
8.根据权利要求2至4任一项所述的基于时序遥感影像的湿地类型提取方法,其特征在于,确定覆盖所述目标区域的目标Sentinel-1SAR中值影像的过程包括:
对所述遥感影像集中Sentinel-1SAR卫星的下行轨道卫星在年内不同时间序列的Sentinel-1SAR影像进行预设极化波段选取和中值合成处理,确定覆盖所述目标区域的目标Sentinel-1SAR中值影像。
9.根据权利要求1至4任一项所述的基于时序遥感影像的湿地类型提取方法,其特征在于,在所述确定所述目标区域的目标湿地类型之后,所述方法还包括:
对所述目标区域的目标湿地类型进行错误修正及噪声剔除处理。
10.一种基于时序遥感影像的湿地类型提取装置,其特征在于,包括:
获取模块,用于获取目标区域的遥感影像集,所述遥感影像集表征年内不同时序的Sentinel-2多光谱影像、所述年内不同时序的Sentinel-1SAR影像、SRTM高程数据和HAND水文高程数据;
确定模块,用于基于所述遥感影像集,确定所述目标区域的目标时序物候特征集;
提取模块,用于基于所述遥感影像集和所述目标区域的目标时序物候特征集进行湿地类型提取,确定所述目标区域的目标湿地类型;所述目标湿地类型包括内陆湿地、滨海湿地、人工湿地和非湿地中的至少一种。
11.一种电子设备,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,所述处理器执行所述程序时实现如权利要求1至9任一项所述基于时序遥感影像的湿地类型提取方法。
12.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述基于时序遥感影像的湿地类型提取方法。
13.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述基于时序遥感影像的湿地类型提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575359.2A CN116012723A (zh) | 2022-12-08 | 2022-12-08 | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575359.2A CN116012723A (zh) | 2022-12-08 | 2022-12-08 | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012723A true CN116012723A (zh) | 2023-04-25 |
Family
ID=86034678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211575359.2A Pending CN116012723A (zh) | 2022-12-08 | 2022-12-08 | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012723A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824157A (zh) * | 2023-06-30 | 2023-09-29 | 中国科学院空天信息创新研究院 | 采样点确定、遥感产品真实性校验方法、装置及电子设备 |
CN117115666A (zh) * | 2023-10-17 | 2023-11-24 | 航天宏图信息技术股份有限公司 | 基于多源数据的高原湖泊提取方法、装置、设备及介质 |
CN117197673A (zh) * | 2023-09-20 | 2023-12-08 | 北京师范大学 | 城市湿地精细类型逐级遥感提取方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN110288602A (zh) * | 2019-05-10 | 2019-09-27 | 香港理工大学深圳研究院 | 滑坡提取方法、滑坡提取系统及终端 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN115393728A (zh) * | 2022-06-30 | 2022-11-25 | 中国空间技术研究院 | 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法 |
-
2022
- 2022-12-08 CN CN202211575359.2A patent/CN116012723A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573654A (zh) * | 2015-01-08 | 2015-04-29 | 中国林业科学研究院资源信息研究所 | 一种基于分层决策树的红树林提取方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN110288602A (zh) * | 2019-05-10 | 2019-09-27 | 香港理工大学深圳研究院 | 滑坡提取方法、滑坡提取系统及终端 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN115393728A (zh) * | 2022-06-30 | 2022-11-25 | 中国空间技术研究院 | 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法 |
Non-Patent Citations (2)
Title |
---|
张春华;李修楠;吴孟泉;秦伟山;张筠;: "基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取", 地理科学, no. 11, 15 November 2018 (2018-11-15), pages 1904 - 1913 * |
张洋洋;刘海娟;张婷;徐雁南;侍昊;: "基于SDA和CART算法的面向对象分类研究", 南京林业大学学报(自然科学版), no. 03, 31 May 2015 (2015-05-31), pages 6 - 12 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824157A (zh) * | 2023-06-30 | 2023-09-29 | 中国科学院空天信息创新研究院 | 采样点确定、遥感产品真实性校验方法、装置及电子设备 |
CN116824157B (zh) * | 2023-06-30 | 2024-02-02 | 中国科学院空天信息创新研究院 | 采样点确定、遥感产品真实性校验方法、装置及电子设备 |
CN117197673A (zh) * | 2023-09-20 | 2023-12-08 | 北京师范大学 | 城市湿地精细类型逐级遥感提取方法、系统、设备及介质 |
CN117197673B (zh) * | 2023-09-20 | 2024-06-07 | 北京师范大学 | 城市湿地精细类型逐级遥感提取方法、系统、设备及介质 |
CN117115666A (zh) * | 2023-10-17 | 2023-11-24 | 航天宏图信息技术股份有限公司 | 基于多源数据的高原湖泊提取方法、装置、设备及介质 |
CN117115666B (zh) * | 2023-10-17 | 2024-02-13 | 航天宏图信息技术股份有限公司 | 基于多源数据的高原湖泊提取方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | 10-m-resolution mangrove maps of China derived from multi-source and multi-temporal satellite observations | |
Mao et al. | National wetland mapping in China: A new product resulting from object-based and hierarchical classification of Landsat 8 OLI images | |
Tian et al. | Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing | |
Dronova et al. | Object-based analysis and change detection of major wetland cover types and their classification uncertainty during the low water period at Poyang Lake, China | |
Sun et al. | Classification mapping of salt marsh vegetation by flexible monthly NDVI time-series using Landsat imagery | |
CN116012723A (zh) | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 | |
Zhang et al. | GWL_FCS30: global 30 m wetland map with fine classification system using multi-sourced and time-series remote sensing imagery in 2020 | |
CN111738144A (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 | |
CN105447274A (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
Guo et al. | Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images | |
Wang et al. | Wetland mapping in East Asia by two-stage object-based Random Forest and hierarchical decision tree algorithms on Sentinel-1/2 images | |
Liu et al. | Environment monitoring of Shanghai Nanhui intertidal zone with dual-polarimetric SAR data based on deep learning | |
Peng et al. | Detailed wetland-type classification using Landsat-8 time-series images: a pixel-and object-based algorithm with knowledge (POK) | |
Liu et al. | Mapping large-scale aquaculture ponds in Jiangsu Province, China: An automatic extraction framework based on Sentinel-1 time-series imagery | |
Chen et al. | Mapping mangrove using a red-edge mangrove index (REMI) based on Sentinel-2 multispectral images | |
Jawak et al. | Validation of high-density airborne LiDAR-based feature extraction using very high resolution optical remote sensing data | |
CN113420780B (zh) | 一种遥感时空谱特征融合的养殖池提取方法 | |
Alrassi et al. | GEOBIA For Land Use Mapping Using Worldview2 Image In Bengkak Village Coastal, Banyuwangi Regency, East Java | |
Luo et al. | Fine Monitoring of Wetlands at Provincial Large-Scale Using Object-Based Technique and Medium-Resolution Image | |
Huang et al. | Mapping gully affected areas by using Sentinel 2 imagery and digital elevation model based on the Google Earth Engine | |
He et al. | Development of a tidal flat recognition index based on multispectral images for mapping tidal flats | |
Miliaresis | The terrain signatures of administrative units: a tool for environmental assessment | |
Islam et al. | Land use and land cover classification of coastal districts of Bangladesh in a 10m resolution of Sentinel-2 satellite image | |
Adhikari | A Comparison of Water Indices and Binary Thresholding Techniques for Water Surface Delineation for St. Croix Watershed Area | |
Tang et al. | Large-Scale Surface Water Mapping Based on Landsat and Sentinel-1 Images. Water 2022, 14, 1454 |
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 |