CN116310842B - 基于遥感图像的土壤盐碱区域识别划分方法 - Google Patents

基于遥感图像的土壤盐碱区域识别划分方法 Download PDF

Info

Publication number
CN116310842B
CN116310842B CN202310542867.9A CN202310542867A CN116310842B CN 116310842 B CN116310842 B CN 116310842B CN 202310542867 A CN202310542867 A CN 202310542867A CN 116310842 B CN116310842 B CN 116310842B
Authority
CN
China
Prior art keywords
soil
saline
alkali
index
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310542867.9A
Other languages
English (en)
Other versions
CN116310842A (zh
Inventor
张东印
司建涛
郭梅
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.)
Heze City Land Comprehensive Improvement Service Center
Original Assignee
Heze City Land Comprehensive Improvement Service Center
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 Heze City Land Comprehensive Improvement Service Center filed Critical Heze City Land Comprehensive Improvement Service Center
Priority to CN202310542867.9A priority Critical patent/CN116310842B/zh
Publication of CN116310842A publication Critical patent/CN116310842A/zh
Application granted granted Critical
Publication of CN116310842B publication Critical patent/CN116310842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/776—Validation; Performance evaluation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及图像识别领域，具体公开了基于遥感图像的土壤盐碱区域识别划分方法，包括图像预处理、图像分割、模型建立、区域分类、评估与验证以及可视化结果；本发明通过遥感器获取土壤盐碱地图像，利用区域生长对图像进行划分，再对划分的各个区域进行特征提取，根据提取的特征建立土壤盐碱含量评估模型，利用支持向量机分类器对各区域进行分类，并标注土壤盐碱含量高的区域，结合遥感图像技术有助于提高土壤盐碱区域识别和划分的准确性和效率。

Description

基于遥感图像的土壤盐碱区域识别划分方法
技术领域
本发明涉及图像识别领域，更具体地说，本发明涉及基于遥感图像的土壤盐碱区域识别划分方法。
背景技术
土壤的盐碱化会使其物理和化学性质发生变化，导致土壤中的养分减少而变得坚硬，且降低甚至丧失耕种能力，从而导致作物产量的下降，造成农业土壤的破坏。我国盐碱地分布广泛，面积大，类型多，但是大多数的盐碱地都有令植物再生的可能性，因而对其进行修复和治理是十分必要的。土壤盐碱含量关系到土地能否继续使用，但现有技术没有一个综合的方法利用遥感图像对土壤盐碱含量进行评估，效率低下的同时浪费人力物力。为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明提供基于遥感图像的土壤盐碱区域识别划分方法，是通过遥感器获取土壤盐碱地图像，利用区域生长对图像进行划分，再对划分的各个区域进行特征提取，根据提取的特征建立土壤盐碱含量评估模型，利用支持向量机分类器对各区域进行分类，并标注土壤盐碱含量高的区域，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于遥感图像的土壤盐碱区域识别划分方法，包括如下步骤：
步骤一，图像预处理：通过遥感器获取土壤盐碱地图像，对获取图像进行预处理；
步骤二，图像分割：通过区域生长的图像分割算法将土壤盐碱地图像进行划分，划分为各个土壤盐碱区域；
步骤三，模型建立：对各个区域进行特征提取，提取出土壤盐碱区域的特征，根据提取的特征建立土壤盐碱含量评估模型；
步骤四，区域分类：通过将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，标注土壤盐碱含量高的区域；
步骤五，评估与验证：对土壤盐碱含量评估模型的准确性进行评估，通过对评估结果进行验证；
步骤六，可视化结果：通过热力图对遥感图像中的异常区域进行可视化反馈。
作为本发明的进一步方案，对土壤盐碱地图像进行预处理，预处理包括图像灰度化、图像滤波以及图像增强，其中，对土壤盐碱地图像进行图像灰度化的计算公式为：
；
式中：为灰度化后的图像，/>、/>及/>分别为输入图像的蓝、绿及红通道；
对土壤盐碱地图像进行图像滤波的计算公式为：
；
式中：为土壤盐碱地图像滤波结果，/>为土壤盐碱地图像信息，/>为土壤盐碱地图像信息的均值，/>为土壤盐碱地图像信息的方差；
对土壤盐碱地图像进行图像增强的计算公式为：
；
式中：为增强后的图像，/>为土壤盐碱地图像滤波后亮度最小值，/>为土壤盐碱地图像滤波后亮度最大值。
作为本发明的进一步方案，模型建立提取出土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，根据提取的特征建立评估模型评估土壤盐碱含量，土壤盐碱含量评估模型的具体公式为：
；
式中：为土壤盐碱含量，/>为光谱指标，/>为地貌指标，/>为水资源分布指标。
在进行光谱指标评估时，各项评估指标存在以下的数值变化规则：
情况一：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，辐射传递速率和标准辐射传递速率差值的绝对值较大时，光谱指标数值较大，辐射传递速率和标准辐射传递速率差值的绝对值较小时，光谱指标数值较小；
情况二：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，吸收峰强度和标准吸收峰强度差值的绝对值较小时，光谱指标数值较大，辐射传递速率和标准辐射传递速率差值的绝对值较大时，光谱指标数值较小；
情况三：辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值较小时，光谱指标数值较大，光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值较大时，光谱指标数值较小；
情况四：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内，反射率和标准反射率差值的绝对值较小时，光谱指标数值较大，反射率和标准反射率差值的绝对值较大时，光谱指标数值较小。
作为本发明的进一步方案，土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，光谱指标的评估因子包括光谱峰值偏移指标、吸收峰强度、反射率以及辐射传递速率，地貌指标的评估因子包括凹陷参数、陡坡参数以及沟壑参数，其中，光谱指标与光谱峰值偏移指标负相关，与吸收峰强度负相关，与反射率负相关，与辐射传递速率正相关，光谱指标的评估机制为：
；
式中：为光谱指标，/>为光谱峰值偏移指标，/>为吸收峰强度，/>为反射率，/>为辐射传递速率；
地貌指标的评估机制为：
；
式中：为地貌指标，/>为凹陷参数，/>为陡坡参数，/>为沟壑参数。
作为本发明的进一步方案，将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，对土壤盐碱区域的各个特征进行分类的具体步骤为：
步骤S1，将提取的特征包括光谱指标、地貌指标以及水资源分布指标划分为训练集和测试集，其中，训练集用于训练支持向量机分类器，测试集用于评估支持向量机分类器的分类效果；
步骤S2，将训练集输入至支持向量机分类器，通过分类器对提取的特征进行分类；
步骤S3，根据分类结果标注土壤盐碱含量高的区域；
步骤S4，通过训练集训练支持向量机分类器，利用交叉验证的方法对分类器进行调优；
步骤S5，通过测试集计算支持向量机分类器的准确率、召回率以及F1分数评估模型的性能，其中，支持向量机分类器准确率的计算公式为：
；
支持向量机分类器召回率的计算公式为：
；
支持向量机分类器F1分数的计算公式为：
；
式中：为支持向量机分类器的准确率/>为支持向量机分类器的召回率，/>为支持向量机分类器的F1分数。
作为本发明的进一步方案，评估与验证中对土壤盐碱含量评估模型的准确性进行评估，通过相关系数对土壤盐碱含量评估模型的准确性进行评估，其中，相关系数的计算公式为：
；
式中：为相关系数，/>为评估获得的光谱指标、评估获得的地貌指标以及提取的水资源分布指标之和，/>为标准光谱指标、标准地貌指标以及标准水资源分布指标之和，/>为评估获得的光谱指标、评估获得的地貌指标以及提取的水资源分布指标的均值，/>为标准光谱指标、标准地貌指标以及标准水资源分布指标的均值。
作为本发明的进一步方案，评估与验证根据土壤盐碱含量评估模型准确性的评估结果进行验证，验证方法采用均方根误差法，用于验证预测值与真实值之间的符合度，其中，均方根误差值越小，预测值和真实值之间的符合度越好，模型预测结果越准确，均方根误差值的计算公式为：
；
式中：为均方根误差值，/>为预测值，/>为真实值，/>为验证点，/>为验证点的总数量。
本发明基于遥感图像的土壤盐碱区域识别划分方法的技术效果和优点：
1.本发明利用遥感图像技术可以实时或周期性地监测土壤盐碱区域的变化情况，及时发现盐碱化程度加重或减轻的区域，为相关部门提供有效的动态信息；
2.本发明基于遥感图像可以覆盖大面积区域，实现土壤盐碱区域的快速监测和识别，对于农业、生态和水资源管理领域具有重要意义；
3.本发明相较于人工监测和现场调查，成本更低，通过遥感图像获取的信息可以减少现场调查的工作量和成本，同时提高监测的时效性和准确性。
附图说明
图1为本发明基于遥感图像的土壤盐碱区域识别划分方法的流程图。
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做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。
基于遥感图像的土壤盐碱区域识别划分方法，包括如下步骤：
步骤一，图像预处理：通过遥感器获取土壤盐碱地图像，对获取图像进行预处理；
步骤二，图像分割：通过区域生长的图像分割算法将土壤盐碱地图像进行划分，划分为各个土壤盐碱区域；
步骤三，模型建立：对各个区域进行特征提取，提取出土壤盐碱区域的特征，根据提取的特征建立土壤盐碱含量评估模型；
步骤四，区域分类：通过将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，标注土壤盐碱含量高的区域；
步骤五，评估与验证：对土壤盐碱含量评估模型的准确性进行评估，通过对评估结果进行验证；
步骤六，可视化结果：通过热力图对遥感图像中的异常区域进行可视化反馈。
本实施例通过遥感器获取土壤盐碱地图像，利用区域生长对图像进行划分，再对划分的各个区域进行特征提取，根据提取的特征建立土壤盐碱含量评估模型，利用支持向量机分类器对各区域进行分类，并标注土壤盐碱含量高的区域，结合遥感图像技术有助于提高土壤盐碱区域识别和划分的准确性和效率。
本实施例中对土壤盐碱地图像进行预处理，预处理包括图像灰度化、图像滤波以及图像增强，其中，对土壤盐碱地图像进行图像灰度化的计算公式为：
；
式中：为灰度化后的图像，/>、/>及/>分别为输入图像的蓝、绿及红通道；
对土壤盐碱地图像进行图像滤波的计算公式为：
；
式中：为土壤盐碱地图像滤波结果，/>为土壤盐碱地图像信息，/>为土壤盐碱地图像信息的均值，/>为土壤盐碱地图像信息的方差；
对土壤盐碱地图像进行图像增强的计算公式为：
；
式中：为增强后的图像，/>为土壤盐碱地图像滤波后亮度最小值，/>为土壤盐碱地图像滤波后亮度最大值。
本实施例对图像进行预处理，预处理可以改善图像的对比度、清晰度和分辨率，提高图像的可识别性和可用性，便于后续的分析和处理。
本实施例中模型建立提取出土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，根据提取的特征建立评估模型评估土壤盐碱含量，土壤盐碱含量评估模型的具体公式为：
；
式中：为土壤盐碱含量，/>为光谱指标，/>为地貌指标，/>为水资源分布指标。
在进行光谱指标评估时，各项评估指标存在以下的数值变化规则：
情况一：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，辐射传递速率和标准辐射传递速率差值的绝对值较大时，光谱指标数值较大，辐射传递速率和标准辐射传递速率差值的绝对值较小时，光谱指标数值较小；
情况二：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，吸收峰强度和标准吸收峰强度差值的绝对值较小时，光谱指标数值较大，辐射传递速率和标准辐射传递速率差值的绝对值较大时，光谱指标数值较小；
情况三：辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值较小时，光谱指标数值较大，光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值较大时，光谱指标数值较小。
本实施例中土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，光谱指标的评估因子包括光谱峰值偏移指标、吸收峰强度、反射率以及辐射传递速率，地貌指标的评估因子包括凹陷参数、陡坡参数以及沟壑参数，其中，光谱指标与光谱峰值偏移指标负相关，与吸收峰强度负相关，与反射率负相关，与辐射传递速率正相关，光谱指标的评估机制为：
；
式中：为光谱指标，/>为光谱峰值偏移指标，/>为吸收峰强度，/>为反射率，/>为辐射传递速率；
地貌指标的评估机制为：
；
式中：为地貌指标，/>为凹陷参数，/>为陡坡参数，/>为沟壑参数。
本实施例中将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，对土壤盐碱区域的各个特征进行分类的具体步骤为：
步骤S1，将提取的特征包括光谱指标、地貌指标以及水资源分布指标划分为训练集和测试集，其中，训练集用于训练支持向量机分类器，测试集用于评估支持向量机分类器的分类效果；
步骤S2，将训练集输入至支持向量机分类器，通过分类器对提取的特征进行分类；
步骤S3，根据分类结果标注土壤盐碱含量高的区域；
步骤S4，通过训练集训练支持向量机分类器，利用交叉验证的方法对分类器进行调优；
步骤S5，通过测试集计算支持向量机分类器的准确率、召回率以及F1分数评估模型的性能，其中，支持向量机分类器准确率的计算公式为：
；
支持向量机分类器召回率的计算公式为：
；
支持向量机分类器F1分数的计算公式为：
；
式中：为支持向量机分类器的准确率，/>为支持向量机分类器的召回率，/>为支持向量机分类器的F1分数。
本实施例通过支持向量机分类器标注土壤盐碱含量高的区域，支持向量机分类器在处理数据不平衡问题时具有较好的鲁棒性，它可以在保证分类精度的同时，降低对数据分布的依赖。同时，其在训练集和测试集之间具有较好的泛化能力，有助于提高模型的稳定性和可靠性。
本实施例中评估与验证中对土壤盐碱含量评估模型的准确性进行评估，通过相关系数对土壤盐碱含量评估模型的准确性进行评估，其中，相关系数的计算公式为：
；
式中：为相关系数，/>为评估获得的光谱指标、评估获得的地貌指标以及提取的水资源分布指标之和，/>为标准光谱指标、标准地貌指标以及标准水资源分布指标之和，/>为评估获得的光谱指标、评估获得的地貌指标以及提取的水资源分布指标的均值，/>为标准光谱指标、标准地貌指标以及标准水资源分布指标的均值。
本实施例中评估与验证根据土壤盐碱含量评估模型准确性的评估结果进行验证，验证方法采用均方根误差法，用于验证预测值与真实值之间的符合度，其中，均方根误差值越小，预测值和真实值之间的符合度越好，模型预测结果越准确，均方根误差值的计算公式为：
；
式中：为均方根误差值，/>为预测值，/>为真实值，/>为验证点，/>为验证点的总数量。
本发明提出了基于遥感图像的土壤盐碱区域识别划分方法，通过遥感器获取土壤盐碱地图像，利用区域生长对图像进行划分，再对划分的各个区域进行特征提取，根据提取的特征建立土壤盐碱含量评估模型，利用支持向量机分类器对各区域进行分类，并标注土壤盐碱含量高的区域，结合遥感图像技术有助于提高土壤盐碱区域识别和划分的准确性和效率，并且节省了人力物力。基于遥感图像技术可以实时且周期性地监测土壤盐碱区域的变化情况，及时发现盐碱化程度加重或减轻的区域，为相关部门提供有效的动态信息。且遥感图像可以迅速覆盖大面积区域，实现土壤盐碱区域的快速监测和识别。
以上所述仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，包括如下步骤：
步骤一，图像预处理：通过遥感器获取土壤盐碱地图像，对获取图像进行预处理；
步骤二，图像分割：通过区域生长的图像分割算法将土壤盐碱地图像进行划分，划分为各个土壤盐碱区域；
步骤三，模型建立：对各个区域进行特征提取，提取出土壤盐碱区域的特征，根据提取的特征建立土壤盐碱含量评估模型；土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，光谱指标的评估因子包括光谱峰值偏移指标、吸收峰强度、反射率以及辐射传递速率，地貌指标的评估因子包括凹陷参数、陡坡参数以及沟壑参数，光谱指标的评估机制为：
；
式中：为光谱指标，/>为光谱峰值偏移指标，/>为吸收峰强度，/>为反射率，/>为辐射传递速率；
地貌指标的评估机制为：
；
式中：为地貌指标，/>为凹陷参数，/>为陡坡参数，/>为沟壑参数；
步骤四，区域分类：通过将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，标注土壤盐碱含量高的区域；
步骤五，评估与验证：对土壤盐碱含量评估模型的准确性进行评估，通过对评估结果进行验证；
步骤六，可视化结果：通过热力图对遥感图像中的异常区域进行可视化反馈。
2.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，对土壤盐碱地图像进行预处理，预处理包括图像灰度化、图像滤波以及图像增强，其中，对土壤盐碱地图像进行图像灰度化的计算公式为：
；
式中：为灰度化后的图像，/>、/>及/>分别为输入图像的蓝、绿及红通道；
对土壤盐碱地图像进行图像滤波的计算公式为：
；
式中：为土壤盐碱地图像滤波结果，/>为土壤盐碱地图像信息，/>为土壤盐碱地图像信息的均值，/>为土壤盐碱地图像信息的方差；
对土壤盐碱地图像进行图像增强的计算公式为：
；
式中：为增强后的图像，/>为土壤盐碱地图像滤波后亮度最小值，/>为土壤盐碱地图像滤波后亮度最大值。
3.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，模型建立提取出土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，根据提取的特征建立评估模型评估土壤盐碱含量，土壤盐碱含量评估模型的具体公式为：
；
式中：为土壤盐碱含量，/>为光谱指标，/>为地貌指标，/>为水资源分布指标。
4.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，对土壤盐碱区域的各个特征进行分类的具体步骤为：
步骤S1，将提取的特征包括光谱指标、地貌指标以及水资源分布指标划分为训练集和测试集，其中，训练集用于训练支持向量机分类器，测试集用于评估支持向量机分类器的分类效果；
步骤S2，将训练集输入至支持向量机分类器，通过分类器对提取的特征进行分类；
步骤S3，根据分类结果标注土壤盐碱含量高的区域；
步骤S4，通过训练集训练支持向量机分类器，利用交叉验证的方法对分类器进行调优；
步骤S5，通过测试集计算支持向量机分类器的准确率、召回率以及F1分数评估模型的性能，其中，支持向量机分类器准确率的计算公式为：
；
支持向量机分类器召回率的计算公式为：
；
支持向量机分类器F1分数的计算公式为：
；
式中：为支持向量机分类器的准确率，/>为支持向量机分类器的召回率，/>为支持向量机分类器的F1分数。
5.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，评估与验证中对土壤盐碱含量评估模型的准确性进行评估，通过相关系数对土壤盐碱含量评估模型的准确性进行评估，其中，相关系数的计算公式为：
；
式中：为相关系数，/>为评估获得的光谱指标、评估获得的地貌指标以及提取的水资源分布指标之和，/>为标准光谱指标、标准地貌指标以及标准水资源分布指标之和，/>为评估获得的光谱指标、评估获得的地貌指标以及提取的水资源分布指标的均值，/>为标准光谱指标、标准地貌指标以及标准水资源分布指标的均值。
6.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，评估与验证根据土壤盐碱含量评估模型准确性的评估结果进行验证，验证方法采用均方根误差法，用于验证预测值与真实值之间的符合度，其中，均方根误差值越小，预测值和真实值之间的符合度越好，模型预测结果越准确，均方根误差值的计算公式为：
；
式中：为均方根误差值，/>为预测值，/>为真实值，/>为验证点，/>为验证点的总数量。
CN202310542867.9A 2023-05-15 2023-05-15 基于遥感图像的土壤盐碱区域识别划分方法 Active CN116310842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310542867.9A CN116310842B (zh) 2023-05-15 2023-05-15 基于遥感图像的土壤盐碱区域识别划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310542867.9A CN116310842B (zh) 2023-05-15 2023-05-15 基于遥感图像的土壤盐碱区域识别划分方法

Publications (2)

Publication Number Publication Date
CN116310842A CN116310842A (zh) 2023-06-23
CN116310842B true CN116310842B (zh) 2023-08-04

Family

ID=86789034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310542867.9A Active CN116310842B (zh) 2023-05-15 2023-05-15 基于遥感图像的土壤盐碱区域识别划分方法

Country Status (1)

Country Link
CN (1) CN116310842B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703181B (zh) * 2023-07-31 2023-10-24 中国科学院东北地理与农业生态研究所 一种盐碱地的改良方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113125383A (zh) * 2021-04-19 2021-07-16 遥相科技发展(北京)有限公司 基于遥感的农耕用地次生盐渍化监测和预警方法和系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106769974B (zh) * 2016-11-23 2019-06-07 合肥金星机电科技发展有限公司 气体浓度二维分布在线检测系统及方法
WO2022038623A1 (en) * 2020-08-20 2022-02-24 Shoba Periasamy System and method for remote quantification of electrical conductivity of soil
AU2020102098A4 (en) * 2020-09-02 2020-10-08 Gautam, Deepesh Kumar MR Soil salinity degradation estimation by regression algorithm using agricultural internet of things
CN112949038B (zh) * 2021-02-01 2023-04-28 南京信息工程大学 一种计算海洋水体不同浮游植物种群比吸收系数的方法
CN113016553A (zh) * 2021-03-16 2021-06-25 郭丁琦 一种沿黄陡坡困难立地高质量综合造林方法
CN113033994B (zh) * 2021-03-23 2023-06-02 平安科技（深圳）有限公司 农业险情数据评估方法、装置、计算机设备及存储介质
CN113011372B (zh) * 2021-04-01 2022-08-09 清华大学 一种盐碱化土地自动监测和识别方法
CN114993965B (zh) * 2022-05-13 2023-04-18 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及系统
CN115147746B (zh) * 2022-09-02 2022-11-29 广东容祺智能科技有限公司 基于无人机遥感图像的盐碱地质识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113125383A (zh) * 2021-04-19 2021-07-16 遥相科技发展(北京)有限公司 基于遥感的农耕用地次生盐渍化监测和预警方法和系统

Also Published As

Publication number Publication date
CN116310842A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN110765941B (zh) 一种基于高分遥感影像的海水污染区域识别方法和设备
CN103034838B (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN112101159B (zh) 多时相林业遥感影像变化监测方法
CN106779418A (zh) 基于神经网络和证据理论的水污染事件智能决策方法
CN105825169B (zh) 一种基于道路影像的路面裂缝识别方法
CN116310842B (zh) 基于遥感图像的土壤盐碱区域识别划分方法
CN112613454A (zh) 一种电力基建施工现场违章识别方法及系统
CN111896540B (zh) 一种基于区块链的水质在线监测系统
CN103278616B (zh) 一种土壤腐蚀性快速评价的多因子方法
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN111879915B (zh) 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统
CN102521624A (zh) 一种土地利用类型分类的方法和系统
CN113049509B (zh) 一种基于光谱技术的农产品检测管理系统
CN116699096B (zh) 一种基于深度学习的水质检测方法和系统
Yang et al. A rapid rice blast detection and identification method based on crop disease spores' diffraction fingerprint texture
CN117171533B (zh) 一种地理测绘作业数据实时采集处理方法及系统
CN107608938B (zh) 基于增强回归树算法的面向二值分类的因子筛选方法
CN110807174B (zh) 一种基于统计分布的污水厂厂群出水分析及异常识别方法
CN113255440B (zh) 一种基于机器学习的农作物叶片异常检测方法及系统
Li et al. Spatiotemporal classification analysis of long-term environmental monitoring data in the northern part of Lake Taihu, China by using a self-organizing map
CN112966710B (zh) 基于线性判别分析的fy-3d红外高光谱云检测方法
CN112036410B (zh) 基于深度学习和图像梯度的电力设备红外图像分割方法
CN111768101B (zh) 一种顾及物候特征的遥感耕地变化检测方法及系统
CN114398760A (zh) 区域植被覆盖度与降水关系非一致性识别方法
Mohd et al. Thresholding and fuzzy rule-based classification approaches in handling mangrove forest mixed pixel problems associated with in QuickBird remote sensing image analysis

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