CN116385867A - 生态地块监测识别与分析方法、系统、介质、设备及终端 - Google Patents

生态地块监测识别与分析方法、系统、介质、设备及终端 Download PDF

Info

Publication number
CN116385867A
CN116385867A CN202310136945.5A CN202310136945A CN116385867A CN 116385867 A CN116385867 A CN 116385867A CN 202310136945 A CN202310136945 A CN 202310136945A CN 116385867 A CN116385867 A CN 116385867A
Authority
CN
China
Prior art keywords
ecological
identification
ndvi
analysis
monitoring
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
CN202310136945.5A
Other languages
English (en)
Inventor
李凌骁
史曼儿
李嘉乔
郭金利
兰信润
郑贺
仇晓璇
段悦悦
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202310136945.5A priority Critical patent/CN116385867A/zh
Publication of CN116385867A publication Critical patent/CN116385867A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/40—Monitoring or fighting invasive species

Abstract

本发明属于生态监测技术领域，公开了一种生态地块监测识别与分析方法、系统、介质、设备及终端，将卫星影像资料以及用户输入影像资料输入至生态识别子系统；生态识别子系统利用正反样本监督分类法进行地区入侵生物识别，通过提取地物光谱特征实现生态地物识别，生成地区生态识别报告；利用规划分析子系统规划生态地块，判断入侵物种危险性，生成解决方案并提取分布范围；生成专题地图并进行地图合成，最后生成生态地块与生态指标规划与分析报告。本发明提供的生态地块监测识别与分析系统以云平台的形式，区别于传统的地面监测和人工核查手段，能够提供云计算、云服务、云存储，不必占用固件存储空间的同时提升了生态地块的分析效率与便捷性。

Description

生态地块监测识别与分析方法、系统、介质、设备及终端
技术领域
本发明属于生态监测技术领域，尤其涉及一种生态地块监测识别与分析方法、系统、介质、设备及终端。
背景技术
目前，在环境保护与绿色经济要求日益提高的背景下，生态识别与生态地块价值分析占据着越来越重要的地位。但目前传统方法对地区生态地物的监测识别不准确，对植被以及入侵植物的即时识别率较低，目前利用卫星结合无人机进行生态监测应用尚处于初期阶段，在生态指标分析、植物识别方面的业务落地还比较欠缺。生态地块价值分析规划方面周期较长、精确度较低，应用效果不佳。因此，亟需设计一种新的生态地块监测识别与分析方法及系统。
目前传统方法对地区生态地物的监测识别不准确，对植被以及入侵植物的即时识别率较低。传统的地物遥感分类方法以像元为基本单元,仅依靠地物的光谱信息,错分现象严重且分类结果存在严重的“椒盐现象”。目前利用卫星结合无人机进行生态监测应用尚处于初期阶段，在生态指标分析、植物识别方面的业务落地还比较欠缺无人机监测时效性高，如果用卫星遥感监测，分辨率低、时效慢、可操作性弱。精准分辨率在0.3米时，可能需要几年的时间才能覆盖一次。而无人机监测，只要需要，随时都可以覆盖，且分辨率在0.1米左右，比卫星遥感分辨率要高。
卫星遥感技术应用于宏观生态环境要素的监测,具有视野广阔、获取的信息量多、效率高、适应性强、可用于动态监测等众多优点,同时其技术方法成熟。应用范围较广。但目前更多应用聚焦在生物量监测方面，市场上少有将两者结合起来的生态监测平台。生态地块价值分析规划方面周期较长、精确度较低，应用效果不佳。当前少有技术对生态地块进行规划并同时分析其价值，大部分系统过于冗杂，数据重复计算量大，数据计算不够精确，缺少商业应用价值。
通过上述分析，现有技术存在的问题及缺陷为：
(1)目前传统方法对地区生态地物的监测识别不准确，对植被以及入侵植物的即时识别率较低。
(2)目前利用卫星结合无人机进行生态监测应用尚处于初期阶段，在生态指标分析、植物识别方面的业务落地还比较欠缺。
(3)生态地块价值分析规划方面周期较长、精确度较低，应用效果不佳。
发明内容
针对现有技术存在的问题，本发明提供了一种生态地块监测识别与分析方法、系统、介质、设备及终端。
本发明是这样实现的，一种生态地块监测识别与分析方法，生态地块监测识别与分析方法包括：将卫星影像资料以及用户输入影像资料输入至生态识别子系统；生态识别子系统利用正反样本监督分类法进行地区入侵生物识别，通过提取地物光谱特征实现生态地物识别，生成地区生态识别报告；利用规划分析子系统规划生态地块，判断入侵物种危险性，生成解决方案并提取分布范围；生成专题地图并进行地图合成，生成生态地块与生态指标规划与分析报告。
进一步，在入侵生物识别中，通过正反样本监督分类法进行样品分类与精度分析，判断地区生物入侵情况并确定生态健康度，实现地区的入侵生物识别；在生态地物识别中，通过提取地物光谱特征，利用不同波段的组合运算得到不同的指数；将识别地物进行分类提取，基于提取土壤识别NDSI、植被识别NDVI、水体识别MNDWI、NDSI和NDVI识别精度指标，提取其他识别精度指标。
进一步，利用规划分析子系统读取生态识别子系统生成的地区生态识别报告。在入侵植物的监测中，根据客户不同需求对入侵植物进行风险判定并据已有数据库检索并生成解决方案；在地区生态区域规划中，根据不同精度指标规划生态地块，同步生成专题地图，最后进行地图合成；经过人工检验后，形成对当地生态地块与生态指标的规划与分析报告。
进一步，生态地块监测识别与分析方法包括以下步骤：
步骤一，生态识别：通过影像识别生物类型并分析入侵植物；
步骤二，规划分析：识别地物规划地区性生态地块与生态指标。
进一步，步骤一中的生态识别包括：
(1)利用波段运算实现地块分类
1)归一化植被指数NDVI识别植被覆盖
通过测量近红外和红光之间的差异量化植被；
Figure BDA0004086248810000031
式中，NIR、Red分别为近红外波段与红光波段的反射率。
植被量化结果介于-1和+1之间，如果红色通道的反射率较低，而近红外通道的反射率较高，则将产生较高的NDVI值；反之亦然。
NDVI为负值表征地面覆盖为云、水和雪的对可见光具有高反射的地物；NDVI接近零表征岩石或裸土的近红外与红光反射近似相等的地物；NDVI为正值则表征有植被覆盖，且值随植被丰度增大而增大。
利用GEE计算NDVI，具体包括：
定义分析区域：
筛选影像数据：数据经过大气校正；
中值合成处理：对筛选而得的影像集进行中值处理，得到无云影像。
计算NDVI值：
显示结果图层：显示分析区域的RGB和NDVI图层；其中，NDVI图层使用蓝白绿调色板，将显示范围设置为[-0.2，0.5]；
导出结果图层：导出RGB和NDVI图层至GoogleDrive。
根据NDVI指数构建阈值模型，滤去裸土中的建筑用地信息；构建模型为：若NDVI>a，则为植被覆盖；若0<NDVI<a，则提交审核人工判断；其中，a为阈值；通过对NDVI指数影像的统计，获得直方图和统计参数，并在直方图上通过目视判读和人工调试，获得a的最佳阈值；阈值计算采用OTSU算法。
2)归一化土壤指数NDSI与归一化差分不透水面指数NDISI识别裸土地与人工地面
归一化土壤指数NDSI利用裸土在中红外波段反射率最高特性，将中红外和近红外波段组合构建归一化指数，对裸土信息进行增强；
Figure BDA0004086248810000041
式中，MIR、NIR分别为中红外和近红外波段的反射率。
Figure BDA0004086248810000042
Figure BDA0004086248810000043
式中，NIR、MIR和TIR分别为影像的近红外、中红外1和热红外波段；Green为绿光波段。
根据NDSI和NDISI指数构建阈值模型，滤去裸土中的建筑用地信息；构建模型为：若NDSI>a且NDISI<b，则为土壤或裸地；若NDSI>a且NDISI>b，则为人工地面；其中，a，b为阈值；通过对NDSI指数影像的统计，获得直方图和统计参数，并在直方图上通过目视判读和人工调试，获得a、b的最佳阈值，阈值计算采用OTSU算法。
3)归一化水体指数MNDWI识别水域
利用改进的归一化差异水体指数MNDWI识别水域；
Figure BDA0004086248810000044
式中，分别代表绿光波段、中红外波段。
根据MNDWI指数构建阈值模型，滤去裸土中的建筑用地信息。构建模型为：若MNDWI>a，则为水域；其中，a为阈值；通过对MNDWI指数影像的统计，获得直方图和统计参数，并在直方图上通过目视判读和人工调试，获得a的最佳阈值，阈值计算采用OTSU算法。
4)适用于生态识别系统的图像分割
采用OTSU法对阈值进行分割，按照图像的灰度特性，将图像分为背景和物体两部分，通过计算得到阈值，阈值使背景和物体的像素差异最大。
设定分割阈值，将像素F(a,b)分为对象和背景二类；通过最大化类间方差并最小化类内方差得到目标阈值。
当大小M×N为图像的像素分为L个灰度级{0,1,2,…,L-1}，ni为灰度级为i的像素个数，则像素总数为：
MN＝n0+n1+n2+…+nL-1；
灰度级的概率为：
Figure BDA0004086248810000051
其中，概率满足
Figure BDA0004086248810000052
且Pi≥0；若目标阈值为k，将所有像素分为灰度值为[0,k]的背景类C1和[k+1,L-1]的对象类C2；P1(k)和P2(k)为C1和C2中的概率；
Figure BDA0004086248810000053
Figure BDA0004086248810000054
式中，m1(k)和m2(k)分别为C1和C2像素的灰度平均值；
Figure BDA0004086248810000055
Figure BDA0004086248810000056
式中，mG为图像平均灰度值，θ为类间平方差；
θ＝P1(k)(m1(k)-mG)2+P2(k)(m2(k)-mG)2＝P1(k)P2(k)(m1(k)-m2(k))2；
Figure BDA0004086248810000057
其中，T为目标阈值，输入图像按照阈值T进行分割，则：
Figure BDA0004086248810000058
5)指标综合计算
土壤识别NDSI，人工地面识别NDISI：若NDSI>a且NDISI<b，则为土壤或裸地；若NDSI>a且NDISI>b，则为人工地面；其中，a，b为阈值。
植被识别NDVI：若NDVI>a，则为植被覆盖；若0<NDVI<a，则提交审核人工判断；其中，a为阈值。
水体识别MNDWI、NDSI、NDVI三者均较高则判定为沼泽，其余归一化水体指数MNDWI较高的情况为河湖：若MNDWI>a、NDSI>b、NDVI>c则为沼泽；其余MNDWI>a的情况判断为河湖；其中，a、b、c为阈值。
叶绿素浓度监测水体富营养化：若MNDWI>a，叶绿素浓度大于b则为发生水体富营养化；其中，a、b为阈值。
6)空隙点处理
阈值为算法选取，采用K-近邻算法，逐一选取空隙点进行分析：
以空隙点为中心，逐步向外选取3×3矩阵、5×5矩阵、7×7矩阵，直到所选矩阵内包含K个已知点为止，确定K个点所在类别的出现频率，返回前K个点中出现频率最高的类别作为测试数据的预测分类。
K的确定方法：将K从1开始逐步递增，采用随机分布选取已知点重复K-近邻算法，直到选取已知点的预测成功率达到98％，确定K的数值。
(2)利用正负样本法识别入侵植物
1)数据来源
样本库：自带样本库筛选近年常见入侵植物的照片影像，随时间不断更新样本，得到监测正样本，同时使用用户提供样本库进行筛选。
监测数据：以用户提供无人机影像为主，卫星影像以高分一号影像为辅。
2)Faster-RCNN训练
Faster-RCNN的RPN训练过程和正向传播过程如下：
①Proposal的生成：
RPN网络给特征图的每个网格生成9个anchor，3中尺度×3个高宽比，忽略跨越边界的anchor后，剩余anchor通过边界框回归参数调整为候选框；采用极大值抑制过滤部分框，剩余2k个候选框作为输出传递给ROI网络进行预测。
②RPN的正负样本和损失：训练RPN时从所有的anchor中选取正负样本；
正负样本是从生成的所有anchor中选取并采样计算损失，是在生成anchor后根据iou＝0.7区分正负样本；通过正负样本比例1：1采集256个anchor计算损失，如果正样本不足，则采集负样本弥补。
③正负样本选取规则：
和GT(真实框)有最大iou的anchor为正样本；
和GT的iou超过0.7的anchor为正样本；
和GT的iou小于0.3的anchor为负样本；
iou在0.3～0.7之间的anchor会被忽略。
(3)识别结果应用：将iou大于0.7的正样本记录并报告为入侵植物，统计正样本在地区分布数量、密度和范围。
进一步，步骤二中的规划分析包括：
(1)建立生态地块综合评价层次结构
根据生态系统各方面的价值对生态地块效益评价进行分层，建立生态地块综合评价系统层次结构。将生态地块综合评价系统分为A、B和C层；A层为评价目标层，是生态地块的综合价值；将B和C层的指标个数分别记为和。
(2)构造判断矩阵
以上层指标为基准对B和C层的指标进行比较，根据各指标相对重要性得到B和C层的判断矩阵；
Figure BDA0004086248810000071
Figure BDA0004086248810000072
(3)权重优化
基于判断矩阵
Figure BDA0004086248810000081
对应的权重值计算以及优化，设B层各要素的单排序权值为Wk，k＝1-nb；若判断矩阵Ak满足/>
Figure BDA0004086248810000082
则Ak具有完全一致性，并将B层各要素权重的优化整理成目标函数；
Figure BDA0004086248810000083
Figure BDA0004086248810000084
其中，约束条件为：
Figure BDA0004086248810000085
式中，约束条件左端的值越小，Ak的一致性程度越高；约束条件成立，则认为Ak具有完全一致性；CIF(nb)是B层的一致性目标函数，是处理困难的非线性优化函数；求取矩阵Ak的最优权重，就是求解当CIF(nb)取得最小值时对应的权重值；通过求解优化函数，进行权重值优化。
本发明的另一目的在于提供一种应用所述的生态地块监测识别与分析方法的生态地块监测识别与分析系统，生态地块监测识别与分析系统包括：
生态识别子系统，用于通过影像识别生物类型并分析入侵植物；
规划分析子系统，用于识别地物规划地区性生态地块与生态指标。
其中，生态识别子系统和规划分析子系统均包括产品自带样本库以及用户输入样本库。
本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的生态地块监测识别与分析方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的生态地块监测识别与分析方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的生态地块监测识别与分析系统。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明的系统区别于传统的地面监测和人工核查手段，通过分析多频段卫星遥感图像记录地区生态状况的高分辨率影像和无人机高分遥感影像，可以高精度实现提取区域植被、土壤、水域、其他(主要监测入侵植物)四类指标，实现入侵植物识别，并利用层次分析法实现生态地块的识别与价值分析。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明提供的生态地块监测识别与分析系统以云平台的形式，提供云计算、云服务、云存储，不必占用固件存储空间的同时提升了分析效率与便捷性。大津算法分类，自动提取阈值；目前的生物量计算与入侵物种监测结合；
本发明提供的生态地块监测识别与分析系统以云平台的形式，提供云计算、云服务、云存储，不必占用固件存储空间的同时提升了分析效率与便捷性。本发明利用大津算法进行分类处理，可以实现高精度的自动提取阈值，计算简单，不受图像亮度和对比度的影响，优化了处理过程，提高了处理效率与实现精度。本平台将计算生物量与识别入侵物种结合起来，同时将识别生态地物与地区规划分析结合起来，在同一产品中融合了多种功能，更具综合性与一体性，优化了组合类问题的处理流程，使得处理效率更高，数据兼容性更强。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案转化后的预期收益和商业价值为：
入侵种给中国造成的损害尚未做出全面的评估。由于中国的生态环境破坏得更为严重，入侵种更为猖獗，加上本土物种的基数较大，估计受损程度要大于美国。入侵种已成为我国经济发展、生物多样性及环境保护的一个重要制约因素。据保守估计，外来物种每年给我国的农林业经济发展直接造成数千亿元的经济损失。这是旅游业、生态系统间接损失等评估尚未计算入内。
据农业部外来入侵生物预防与控制研究中介绍，目前我国生物入侵形势十分严峻。据不完全统计，目前入侵我国的外来物种已有400多种，其中大面积发生、危害严重的多达100余种；在国际自然保护联盟(IUCN)公布的全球100种最具威胁的外来物种中，入侵我国的就有50余种，这些入侵物种已导致严重的经济损失与生态灾难。外来生物入侵在我国涉及面也相当广。目前全国34个省(市、区)及计划单列市均有入侵生物发生和危害，涉及农田、森林、水域、湿地、草地、岛屿、城市居民区等几乎所有的生态系统
目前有大量研究利用收益—成本方法来估计案例中入侵的损失和不同控制方案净收益的差别。对入侵物种防治的经济分析主要包括事前分析和事后分析。统计国内外目前已有的研究，事后分析多于事前分析
综上可以明确知道的是，目前我国入侵物种的防治形势非常严峻，并且如果可以在生物入侵前期就将其识别并且处理，我国因生物入侵而导致的经济损失将会大大下降，本发明即有效的对区域生态地物进行识别同时识别入侵物种，可极大的降低经济损失。
(2)本发明的技术方案填补了国内外业内技术空白：
本发明提供的生态地块监测识别与分析系统以云平台的形式，将计算生物量与识别入侵物种结合起来，同时将识别生态地物与地区规划分析结合起来，在同一产品中融合了多种功能，更具综合性与一体性，优化了组合类问题的处理流程，使得处理效率更高，数据兼容性更强。
使用多种技术进行组合应用，扩大了技术应用的覆盖面与实用性，将多种技术或原理进行融合进而实现本发明的复杂功能。使得本发明的适用性更强，在处理同一问题时效率更高、流程更简单。
(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：
1)集成性强，功能性多，系统性好，将入侵物种识别、生态地物识别、生态地块规划三项功能集成至一个平台，简化了相关问题的处理步骤，降低了因切换不同处理平台而导致的兼容性问题。提高了处理效率与识别精度。
2)便捷性高，本发明将所有功能全部可视化的展现出来，不需要二次编程即可使用，方便使用者，提高使用效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅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是本发明实施例提供的生态地块监测识别与分析方法流程图；
图2是本发明实施例提供的生态地块监测识别与分析方法原理图；
图3是本发明实施例提供的Faster-RCNN的训练过程示意图；
图4是本发明实施例提供的生态地块综合评价系统层次结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种生态地块监测识别与分析方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的生态地块监测识别与分析方法包括以下步骤：
S101，将卫星影像资料以及用户输入影像资料输入至生态识别子系统；
S102，生态识别子系统利用正反样本监督分类法进行地区入侵生物识别，通过提取地物光谱特征实现生态地物识别，生成地区生态识别报告；
S103，利用规划分析子系统规划生态地块，判断入侵物种危险性，生成解决方案并提取分布范围；
S104，利用规划分析子系统生成专题地图并进行地图合成，最后生成生态地块与生态指标规划与分析报告。
本发明实施例提供的生态地块监测识别与分析系统包括：
1.平台组成
本发明实施例提供的生态地块监测识别与分析系统以云平台的形式提供云计算、云服务、云存储，不占用固件存储空间的同时提升分析效率与便捷性。
本发明实施例提供的生态地块监测识别与分析系统内包括通过影像识别生物类型并分析入侵植物的识别系统(以下简称生态识别系统)、通过识别地物规划地区性生态地块与生态指标的分析系统(以下简称规划分析系统)。
其中，生态识别系统包含建立的样本库与识别软件，可实现入侵生物识别与生态地物识别两种功能。在入侵生物识别方面，通过正反样本监督分类法进行样品分类与精度分析，迅速判断地区生物入侵情况即生态健康度，进而实现地区高精度的入侵生物识别；在生态地物识别方面，通过提取地物光谱特征，利用不同波段的组合运算得到不同的指数，减少提取样本的步骤，将识别地物进行分类提取，基于提取土壤识别(可利用归一化土壤指数NDSI)、植被识别(林木、草地、耕田)(可利用归一化植被指数NDVI)、水体识别(河湖、沼泽等)(当归一化水体指数MNDWI、归一化土壤指数NDSI、归一化植被指数NDVI三者均较高即可判定为沼泽，其余归一化水体指数MNDWI较高的情况为河湖)三类主要识别精度指标，提取其他(主要包括利用NDISI归一化差分不透水面指数识别人工地面、同过叶绿素浓度监测水体富营养化等)识别精度指标。生态识别系统将以上识别信息生成地区生态识别报告。
规划分析系统读取生态识别系统生成的地区生态识别报告。在入侵植物的监测、解决方面，可根据客户不同需求对入侵植物进行风险判定并据已有数据库检索、生成解决方案；在地区生态区域规划方面，根据不同精度指标规划生态地块，同步生成专题地图，最后进行地图合成，经过人工检验之后，形成对当地生态地块与生态指标的规划与分析报告。
2.数据来源与精度
根据影像查询获取结果，本平台以哨兵二号遥感影像与无人机遥感影像为主，补充GF1B遥感数据，辅以Landsat影像数据。本系统空间分辨率为10m。
卫星影像数据为官网直接下载(或参考GEE、PIE)。
无人机影像为用户输入数据。
3.生态识别系统原理介绍
3.1波段运算实现地块分类的原理
(1)归一化植被指数NDVI识别植被覆盖：
通过测量近红外(植被强烈)和红光(植被吸收)之间的差异来量化植被，其公式如式(1)所示。
Figure BDA0004086248810000131
式中，NIR、Red分别为近红外波段与红光波段的反射率。
此公式的结果介于-1和+1之间，如果红色通道的反射率较低，而近红外通道的反射率较高，则将产生较高的NDVI值；反之亦然。
NDVI为负值一般表征地面覆盖为云、水、雪等对可见光具有高反射的地物；NDVI接近零一般表征岩石或裸土等近红外与红光反射近似相等的地物；NDVI为正值则表征有植被覆盖，且其值随植被丰度增大而增大。
如果没有其他专业软件，可以利用GEE来计算NDVI。以下为示例(其他指数计算均可使用示例)。
GEE计算NDVI的具体操作步骤如下：
定义分析区域：
筛选影像数据：数据需经过大气校正
中值合成处理：对筛选而得的影像集进行中值处理，得到无云影像；
计算NDVI值：
显示结果图层：显示研究区域的RGB和NDVI图层。其中，NDVI图层使用蓝白绿调色板，为获得较好的视觉效果，将显示范围设置为[-0.2，0.5]；
导出结果图层：导出RGB和NDVI图层至GoogleDrive。
GEE实现代码(四种)：
//1.调用API函数计算NDVI
varndvi＝image.normalizedDifference(['B8','B4'])；
//2.四则运算函数计算NDVI
varRED＝image.select("B4")；
varNIR＝image.select("B8")；
varndvi2＝NIR.subtract(RED).divide(NIR.add(RED))；
//3.自定义方程式计算NDVI
varndvi3＝image.expression(
"(NIR-RED)/(NIR+RED)",
{
RED:image.select("B4"),//Red
NIR:image.select("B8"),//NIR
})；
//4.创建函数对影像集计算NDVI
functionaddNDVI(image){
varndvi＝image.normalizedDifference(['B8','B4']).rename('NDVI')；
returnimage.addBands(ndvi)；
}
varndvi4＝imageC.map(addNDVI).median().clip(roi).select('NDVI')；
根据NDVI指数构建阈值模型，可滤去裸土中的建筑用地信息。其构建模型为：若NDVI>a，则为植被覆盖。若0<NDVI<a，则需要提交审核人工判断；其中，a为阈值。通过对NDVI指数影像的统计，获得其直方图和统计参数，并在直方图上通过目视判读和人工调试，获得a的最佳阈值。阈值计算采用OTSU算法。
(2)归一化土壤指数NDSI与归一化差分不透水面指数NDISI识别裸土地与人工地面：
针对土壤信息提取的指数有Kearney等提出的归一化土壤指数NDSI、Rikimaru提出的裸土指数BSI及Zhao等提出的归一化裸土指数NDBaI。经本发明的实验对比，NDSI较适合研究区的裸土提取。该指数主要利用了裸土在中红外波段反射率最高这一特性，将中红外和近红外波段组合来构建归一化指数，对裸土信息进行增强，其公式如式(2)所示。
Figure BDA0004086248810000151
式中，MIR、NIR分别为中红外和近红外波段的反射率。
Figure BDA0004086248810000152
Figure BDA0004086248810000153
式中，NIR、MIR和TIR分别为影像的近红外、中红外1和热红外波段；Green为绿光波段。
根据以上两个指数构建阈值模型，可滤去裸土中的建筑用地信息。其构建模型为：若NDSI>a且NDISI<b，则为土壤或裸地。若NDSI>a且NDISI>b，则为人工地面；其中，a，b为阈值。通过对NDSI指数影像的统计，获得其直方图和统计参数，并在直方图上通过目视判读和人工调试，获得a、b的最佳阈值。阈值计算采用OTSU算法。
(3)归一化水体指数MNDWI识别水域
本发明利用改进的归一化差异水体指数MNDWI，其公式如式(5)所示。
Figure BDA0004086248810000154
式中，Green、MIR分别代表绿光波段、中红外波段。
根据MNDWI指数构建阈值模型，可滤去裸土中的建筑用地信息。其构建模型为：若MNDWI>a，则为水域；其中，a为阈值。通过对MNDWI指数影像的统计，获得其直方图和统计参数，并在直方图上通过目视判读和人工调试，获得a的最佳阈值。阈值计算采用OTSU算法。
(4)适用于生态识别系统的图像分割(阈值提取)原理
本系统采用OTSU法，又称最大类间方差法，是目前公认的，对阈值分割选择相对合理，且分割效果良好的办法。其理论依据为：按照图像的灰度特性，将图像分为背景和物体两部分，通过计算得到一个阈值，该阈值满足:使背景和物体的像素差异最大，即类间方差最大。
OTSU的基本思想：设定分割阈值，将像素F(a,b)分为对象和背景二类；通过最大化类间方差并最小化类内方差得到目标阈值。
假设一副大小M×N为图像的像素分为L个灰度级{0,1,2,…,L-1}，ni为灰度级为i的像素个数，则像素总数公式为：
MN＝n0+n1+n2+…+nL-1 (6)
灰度级的概率为：
Figure BDA0004086248810000161
其中，概率满足
Figure BDA0004086248810000162
且Pi≥0。若目标阈值为k，将所有像素分为灰度值为[0,k]的背景类C1和[k+1,L-1]的对象类C2。P1(k)和P2(k)为C1和C2中的概率，可由式(8)和(9)计算得到：
Figure BDA0004086248810000163
Figure BDA0004086248810000164
其中，m1(k)和m2(k)分别为C1和C2像素的灰度平均值，可由式(10)和式(11)计算得到：
Figure BDA0004086248810000165
Figure BDA0004086248810000166
其中，mG为图像平均灰度值，θ为类间平方差，可由式(12)计算得到：
θ＝P1(k)(m1(k)-mG)2+P2(k)(m2(k)-mG)2＝P1(k)P2(k)(m1(k)-m2(k))2 (12)
可由式(12)可得式(13)：
Figure BDA0004086248810000171
其中，T即为目标阈值，输入图像就可以按照阈值T进行分割，如式(14)所示：
Figure BDA0004086248810000172
(5)指标综合计算应用
土壤识别NDSI，人工地面识别NDISI：若NDSI>a且NDISI<b，则为土壤或裸地。若NDSI>a且NDISI>b，则为人工地面；其中，a，b为阈值。
植被识别(林木、草地、耕田)NDVI：若NDVI>a，则为植被覆盖。若0<NDVI<a，则需要提交审核人工判断；其中，a为阈值。
水体识别(河湖、沼泽等)MNDWI、NDSI、NDVI三者均较高即可判定为沼泽，其余归一化水体指数MNDWI较高的情况为河湖)：若MNDWI>a、NDSI>b、NDVI>c则为沼泽。其余MNDWI>a的情况判断为河湖，其中，a、b、c为阈值。
叶绿素浓度监测水体富营养化：若MNDWI>a，叶绿素浓度大于b则为发生水体富营养化；其中a、b为阈值。
(6)空隙点处理方法
阈值为算法选取，在图像处理过程中可能会出现某像素点未被分类或被多次分类，此像素点统称为空隙点。其余已被唯一分类的像素点称为已知点
采用K-近邻算法，逐一选取空隙点进行分析：
以空隙点为中心，逐步向外选取3×3矩阵、5×5矩阵、7×7矩阵，直到所选矩阵内包含K个已知点为止，确定K个点所在类别的出现频率，返回前K个点中出现频率最高的类别作为测试数据的预测分类。
K的确定方法：将K从1开始逐步递增，采用随机分布选取已知点重复K-近邻算法，直到选取已知点的预测成功率达到98％，此时确定K的数值。
3.2正负样本法识别入侵植物的原理
(1)数据来源：
样本库：自带样本库筛选近年常见入侵植物的照片影像，随时间不断更新样本，此部分为监测正样本。同时可以使用用户提供样本库进行筛选。
监测数据：以用户提供无人机影像为主，卫星影像以高分一号影像为辅。
(2)实现算法：Faster-RCNN训练过程
如图3所示，Faster-RCNN的RPN训练过程和正向传播过程如下：
①Proposal的生成：
RPN网络给特征图的每个网格生成9个anchor(3中尺度×3个高宽比)忽略掉跨越边界的anchor以后，剩下的anchor通过边界框回归参数调整为候选框，然后采用极大值抑制过滤掉一部分框，剩下的2k个候选框作为输出传递给ROI网络进行预测。
②RPN的正负样本和损失
如图3所示，正负样本是从生成的所有anchor中选取并采样计算损失，可以理解为在生成anchor以后就根据iou＝0.7来区分正负样本，然后通过正负样本比例1：1采集256个anchor计算损失，如果正样本不足，则采集负样本弥补。一句话概况就是训练RPN时是从所有的anchor中选取正负样本。
③正负样本选取规则：
和GT(真实框)有最大iou的anchor为正样本；
和GT的iou超过0.7的anchor为正样本；
和GT的iou小于0.3的anchor为负样本；
iou在0.3～0.7之间的anchor会被忽略。
(3)识别结果应用：
将iou大于0.7的正样本记录并报告为入侵植物。统计正样本在地区分布数量、密度、范围。
4.规划分析系统原理介绍
4.1建立生态地块综合评价系统层次结构
根据生态系统各方面的价值，对生态地块效益评价进行分层，建立生态地块综合评价系统层次结构。将生态地块综合评价系统分为A、B和C层；A层为评价目标层，即生态地块的综合价值；为便于分析，将B和C层的指标个数分别记为和。
4.2构造判断矩阵
以上层指标为基准对B和C层的指标进行比较，根据各指标相对重要性得到B和C层的判断矩阵，如式(15)、(16)所示。
Figure BDA0004086248810000191
Figure BDA0004086248810000192
4.3权重优化
以判断矩阵
Figure BDA0004086248810000193
对应的权重值计算及优化为例，设B层各要素的单排序权值为Wk，k＝1-nb。若判断矩阵Ak满足/>
Figure BDA0004086248810000194
则Ak具有完全一致性，并将B层各要素权重的优化整理成目标函数，步骤如下：
Figure BDA0004086248810000195
Figure BDA0004086248810000196
其中，约束条件为：
Figure BDA0004086248810000197
显然，式中左端的值越小，Ak的一致性程度越高；该式成立，认为Ak具有完全一致性。式中的CIF(nb)是B层的一致性目标函数，是处理困难的非线性优化函数。求矩阵Ak的最优权重，即CIF(nb)取得最小值时对应的权重值。通过求解上述优化函数，可以进行权重值优化。
如图2所示，具体包括以下步骤：
1、将数据源1(卫星影像资料与无人机影像资料)和数据源2(产品自带样本库与用户输入的样本库)一同导入至第一个子系统：生态识别系统；
2、生态识别系统分别基于两个原理进行分析，并最终得到地区生态报告(影像类与数据类资料)：
(1)利用正负样本监督分类法对地区内获取的无人经影响进行分析，由于无人机影像的分辨率可达厘米级，因此对于入侵物种的监测会更加精确。
(2)通过提取地物光谱特征进行地物识别。经过波段运算得出说明图中的光谱识别指数NDSI、NDVI、MNDWI、NDSI、NDVI和NDISI分别进行土壤识别、植被识别、水体识别与人工地面识别，利用叶绿素浓度的检测可以监测水体污染(主要为水体富营养化)；
3、将过程一中的数据源2(产品自带样本库与用户输入的样本库)与过程二中的地区生态报告一同导入至第二个子系统：规划分析系统；
4、规划分析子系统分为两个模块来实现不同的功能：
(1)生成入侵生物专题地图：
将识别到的入侵物种在专题图中进行标识，并展示其分布范围与密度；
将识别到的入侵物种与库中物种进行比对，得到其相关资料并分析该物种的危险等级；
将物种危险等级与其分布范围与密度进行结合分析可以得出该物种在此地区的危险性；
将物种分布范围着重提取，并依据库中其他相似方案提出适合的解决方案；
(2)生成地块识别专题地图：
将按照时间维度分析出的该地区不同生态地块类型，利用“土地利用转移矩阵进行分析”(此分析方式不仅可以定量地表明不同土地利用类型之间的转化情况，还可以揭示不同土地利用类型间的转移速率)对当地的土地利用情况进行分析；
将分析结果与图4的层次分析指标法结合，分析得到当地的土地利用价值与潜力；
据此对当地的生态地块进行价值规划与区块发展规划，即提出适应当地的发展趋势与方向(发展方向如“区块A适应‘林业-林业生产-森林的培育与采伐活动’”等)；
5、结合过程四中的两个模块，生成生态地块与生态指标规划与分析报告。
为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
1、大津算法方面
在模式识别和机器视觉系统中，图像分割是进一步理解图像的基础。图像处理中许多至关重要的后续任务，如特征提取、图像分析、模式识别、图像理解等都是基于图像分割技术的操作。没有正确的分割就不可能获得正确的识别，能否准确地分割图像直接关系到能否顺利进行图像处理的后续工作。鉴于图像分割的重要性，该技术已受到国内外信息领域学者们的广泛关注，这种分割技术广泛应用于人们的生产和生活。例如:
(1)在遥感领域中，人造地球卫星将探测所得的信息传回地球，人们通过分析大量的遥感图像信息从而对自然灾害做出预警提示或搜寻无人区域。利用合成孔径技术提取并分割雷达图像中的目标；根据光学遥感图像在大气校正、图像目标探测等技术上的优势，拓展该技术在城市基础设施建设、环境保护以及区域生态环境监测中的重要作用。
(2)在医学领域中，利用CT影像和MR图像准确地定位病变部位，从而帮助医生确定诊断和治疗方案。临床医学中图像分割技术成功应用的典范有:脑MR图像被分割成脑脊髓、白质和灰质等区域；肝脏CT影像图片的分割、功能成像数据局部体效应的校正以及医学专家根据影像资料远程指导手术等。
(3)在交通安全领域的应用中，根据监控设备中的影像信息还原事故现场，将车辆或肇事者等目标从纷繁的背景中提取出来以明析事故责任、追踪肇事(尤其是逃逸)车辆。维护安全的交通秩序，确保车辆正常运行。
(4)在工业生产领域中的应用，如:对电力设备红外图像的分割与识别、对变电站巡检的图像处理、对泊车车位的检测技术、对焊接图像的分割与应用等。
图像识别中图像分割技术直接影响到识别效果。OTSU算法具有简单、运行效率高特征，但是抗干扰能力差。为此出现了二维、三维OTSU算法，这些算法能力提高算法抗干扰能力，但是算法复杂程度比一维高。目前提高算法效率可用遗传算法等智能算法可提高算法效率
OTSU算法在医学图像的分割中，无论采用原始二维OTSU算法进行分割还是采用改进算法分割得到的结果都比较清晰。在对人物图像的分割中，分割效果更清晰，可以将人的轮廓合理的分割出来。在“基于OTSU算法的图像阈值分割技术”中，OTSU算法的计算时间过长问题得到了较好的解决，且有较高的区域一致性、很好的全局性，其改进算法使得分割时间下降、分割精度提升。
在实地应用中，可参考“Sentinel-2密集时间序列数据和GoogleEarthEngine的潮间带湿地快速自动分类”，先前的潮间带湿地分类研究依赖于训练样本、人工设定阈值或后处理等，本研究基于GEE(GoogleEarthEngine)平台开发一种自动、快速、高精度的潮间带湿地分类方法。该方法首先构建高质量密集时序Sentinel-2影像堆栈；然后，分析不同潮间带湿地的遥感特征，基于最大光谱指数合成算法(MSIC)和大津算法(Otsu)建立多层自动决策树分类模型。应用该方法对2020年福建漳江口红树林自然保护区的潮间带湿地进行分类，得到的总体精度为96.5％，Kappa系数为0.95。漳江口红树林保护区内潮间带湿地包括红树林、互花米草和滩涂3种类型，面积分别为82.46hm2、218.26hm2和496.84hm2。本研究的方法能够实现潮间带湿地的自动、快速、高精度分类，对潮间带和其他内陆湿地的精准分类研究具有重要的借鉴价值。
同时也有实际算法在海南岛红树林的研究应用中，Kappa系数达到0.86，同样符合基本要求。
2、生物识别方面
本发明基于长期对闽江河口湿地植被物候期观察基础上，掌握芦苇、互花米草、秋茄和短叶茳芏4种典型盐沼植被的物候特征，选取晚春(植被生长旺盛期)、夏末(互花米草花期)、深秋(芦苇花期)三个具有突出特点的物候期，测定其冠层光谱反射率和叶片生化组分含量。首先，使用光谱分析法分析不同物候期闽江河口典型盐沼植被的光谱特征及其影响因素；然后，结合ANOVA和CART模型对不同物候期的盐沼植被进行高光谱识别，找出其最佳识别波段和最佳物候期；同时，按波段响应函数，模拟3种在轨卫星遥感影像的7种光谱指数(DVI、SR、NDVI、NDWI、SAVI、MNDWI、DVW)在盐沼植被的识别能力表现；最后，使用影像，基于先验知识和决策树分类方法对闽江河口盐沼植被进行遥感分类识别并制图。
研究表明：(闽江河口不同植被物候期的典型盐沼植被的冠层光谱反射率具有显著的差异性，在冠层尺度进行分类识别可得到较高的识别精度；分析得到了晚春时期、夏末时期、深秋时期的最佳识别波段；从最佳的物候期来看，夏末时期盐沼植被分类识别精度最高。即互花米草花期，有助于盐沼植被分类识别精度的提高。模拟实验发现，SR、NDVI、NDWI、DVW在盐沼植被识别表现中比其他植被指数更具优越性。基于先验知识的决策树对闽江河口盐沼植被分类总体精度为83.62％，Kappa系数为0.79,相比于最大似然法分类有一定程度的提高。总之，选取适合的遥感传感器、植被物候期以及处理技术，对于提高遥感在盐沼植被分类识别和制图中的应用至关重要。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种生态地块监测识别与分析方法，其特征在于，生态地块监测识别与分析方法包括：将卫星影像资料以及用户输入影像资料输入至生态识别子系统；生态识别子系统利用正反样本监督分类法进行地区入侵生物识别，通过提取地物光谱特征实现生态地物识别，生成地区生态识别报告；利用规划分析子系统规划生态地块，判断入侵物种危险性，生成解决方案并提取分布范围；生成专题地图并进行地图合成，最后生成生态地块与生态指标规划与分析报告。
2.如权利要求1所述生态地块监测识别与分析方法，其特征在于，在入侵生物识别中，通过正反样本监督分类法进行样品分类与精度分析，判断地区生物入侵情况并确定生态健康度，实现地区的入侵生物识别；在生态地物识别中，通过提取地物光谱特征，利用不同波段的组合运算得到不同的指数；将识别地物进行分类提取，基于提取土壤识别NDSI、植被识别NDVI、水体识别MNDWI、NDSI和NDVI识别精度指标，提取其他识别精度指标。
3.如权利要求1所述生态地块监测识别与分析方法，其特征在于，利用规划分析子系统读取生态识别子系统生成的地区生态识别报告；在入侵植物的监测中，根据客户不同需求对入侵植物进行风险判定并据已有数据库检索并生成解决方案；在地区生态区域规划中，根据不同精度指标规划生态地块，同步生成专题地图，最后进行地图合成；经过人工检验后，形成对当地生态地块与生态指标的规划与分析报告。
4.如权利要求1所述生态地块监测识别与分析方法，其特征在于，生态地块监测识别与分析方法包括以下步骤：
步骤一，生态识别：通过影像识别生物类型并分析入侵植物；
步骤二，规划分析：识别地物规划地区性生态地块与生态指标。
5.如权利要求4所述生态地块监测识别与分析方法，其特征在于，步骤一中的生态识别包括：
(1)利用波段运算实现地块分类
1)归一化植被指数NDVI识别植被覆盖
通过测量近红外和红光之间的差异量化植被；
Figure FDA0004086248800000021
式中，NIR、Red分别为近红外波段与红光波段的反射率；
植被量化结果介于-1和+1之间，如果红色通道的反射率较低，而近红外通道的反射率较高，则将产生较高的NDVI值；反之亦然；
NDVI为负值表征地面覆盖为云、水和雪的对可见光具有高反射的地物；NDVI接近零表征岩石或裸土的近红外与红光反射近似相等的地物；NDVI为正值则表征有植被覆盖，且值随植被丰度增大而增大；
利用GEE计算NDVI，具体包括：
定义分析区域：
筛选影像数据：数据经过大气校正；
中值合成处理：对筛选而得的影像集进行中值处理，得到无云影像；
计算NDVI值：
显示结果图层：显示分析区域的RGB和NDVI图层；其中，NDVI图层使用蓝白绿调色板，将显示范围设置为[-0.2，0.5]；
导出结果图层：导出RGB和NDVI图层至GoogleDrive；
根据NDVI指数构建阈值模型，滤去裸土中的建筑用地信息；构建模型为：若NDVI>a，则为植被覆盖；若0<NDVI<a，则提交审核人工判断；其中，a为阈值；通过对NDVI指数影像的统计，获得直方图和统计参数，并在直方图上通过目视判读和人工调试，获得a的最佳阈值；阈值计算采用OTSU算法；
2)归一化土壤指数NDSI与归一化差分不透水面指数NDISI识别裸土地与人工地面
归一化土壤指数NDSI利用裸土在中红外波段反射率最高特性，将中红外和近红外波段组合构建归一化指数，对裸土信息进行增强；
Figure FDA0004086248800000022
式中，MIR、NIR分别为中红外和近红外波段的反射率；
Figure FDA0004086248800000031
Figure FDA0004086248800000032
式中，NIR、MIR和TIR分别为影像的近红外、中红外1和热红外波段；Green为绿光波段；
根据NDSI和NDISI指数构建阈值模型，滤去裸土中的建筑用地信息；构建模型为：若NDSI>a且NDISI<b，则为土壤或裸地；若NDSI>a且NDISI>b，则为人工地面；其中，a，b为阈值；通过对NDSI指数影像的统计，获得直方图和统计参数，并在直方图上通过目视判读和人工调试，获得a、b的最佳阈值，阈值计算采用OTSU算法；
3)归一化水体指数MNDWI识别水域
利用改进的归一化差异水体指数MNDWI识别水域；
Figure FDA0004086248800000033
式中，分别代表绿光波段、中红外波段；
根据MNDWI指数构建阈值模型，滤去裸土中的建筑用地信息；构建模型为：若MNDWI>a，则为水域；其中，a为阈值；通过对MNDWI指数影像的统计，获得直方图和统计参数，并在直方图上通过目视判读和人工调试，获得a的最佳阈值，阈值计算采用OTSU算法；
4)适用于生态识别系统的图像分割
采用OTSU法对阈值进行分割，按照图像的灰度特性，将图像分为背景和物体两部分，通过计算得到阈值，阈值使背景和物体的像素差异最大；
设定分割阈值，将像素F(a,b)分为对象和背景二类；通过最大化类间方差并最小化类内方差得到目标阈值；
当大小M×N为图像的像素分为L个灰度级{0,1,2,…,L-1}，ni为灰度级为i的像素个数，则像素总数为：
MN＝n0+n1+n2+…+nL-1；
灰度级的概率为：
Figure FDA0004086248800000041
其中，概率满足
Figure FDA0004086248800000042
且Pi≥0；若目标阈值为k，将所有像素分为灰度值为[0,k]的背景类C1和[k+1,L-1]的对象类C2；P1(k)和P2(k)为C1和C2中的概率；
Figure FDA0004086248800000043
Figure FDA0004086248800000044
式中，m1(k)和m2(k)分别为C1和C2像素的灰度平均值；
Figure FDA0004086248800000045
Figure FDA0004086248800000046
式中，mG为图像平均灰度值，θ为类间平方差；
θ＝P1(k)(m1(k)-mG)2+P2(k)(m2(k)-mG)2＝P1(k)P2(k)(m1(k)-m2(k))2；
Figure FDA0004086248800000047
其中，T为目标阈值，输入图像按照阈值T进行分割，则：
Figure FDA0004086248800000048
5)指标综合计算
土壤识别NDSI，人工地面识别NDISI：若NDSI>a且NDISI<b，则为土壤或裸地；若NDSI>a且NDISI>b，则为人工地面；其中，a，b为阈值；
植被识别NDVI：若NDVI>a，则为植被覆盖；若0<NDVI<a，则提交审核人工判断；其中，a为阈值；
水体识别MNDWI、NDSI、NDVI三者均较高则判定为沼泽，其余归一化水体指数MNDWI较高的情况为河湖：若MNDWI>a、NDSI>b、NDVI>c则为沼泽；其余MNDWI>a的情况判断为河湖；其中，a、b、c为阈值；
叶绿素浓度监测水体富营养化：若MNDWI>a，叶绿素浓度大于b则为发生水体富营养化；其中，a、b为阈值；
6)空隙点处理
阈值为算法选取，采用K-近邻算法，逐一选取空隙点进行分析：
以空隙点为中心，逐步向外选取3×3矩阵、5×5矩阵、7×7矩阵，直到所选矩阵内包含K个已知点为止，确定K个点所在类别的出现频率，返回前K个点中出现频率最高的类别作为测试数据的预测分类；
K的确定方法：将K从1开始逐步递增，采用随机分布选取已知点重复K-近邻算法，直到选取已知点的预测成功率达到98％，确定K的数值；
(2)利用正负样本法识别入侵植物
1)数据来源
样本库：自带样本库筛选近年常见入侵植物的照片影像，随时间不断更新样本，得到监测正样本，同时使用用户提供样本库进行筛选；
监测数据：以用户提供无人机影像为主，卫星影像以高分一号影像为辅；
2)Faster-RCNN训练
Faster-RCNN的RPN训练过程和正向传播过程如下：
①Proposal的生成：
RPN网络给特征图的每个网格生成9个anchor，3中尺度×3个高宽比，忽略跨越边界的anchor后，剩余anchor通过边界框回归参数调整为候选框；采用极大值抑制过滤部分框，剩余2k个候选框作为输出传递给ROI网络进行预测；
②RPN的正负样本和损失：训练RPN时从所有的anchor中选取正负样本；
正负样本是从生成的所有anchor中选取并采样计算损失，是在生成anchor后根据iou＝0.7区分正负样本；通过正负样本比例1：1采集256个anchor计算损失，如果正样本不足，则采集负样本弥补；
③正负样本选取规则：
和GT(真实框)有最大iou的anchor为正样本；
和GT的iou超过0.7的anchor为正样本；
和GT的iou小于0.3的anchor为负样本；
iou在0.3～0.7之间的anchor会被忽略；
(3)识别结果应用：将iou大于0.7的正样本记录并报告为入侵植物，统计正样本在地区分布数量、密度和范围。
6.如权利要求4所述的生态地块监测识别与分析方法，其特征在于，步骤二中的规划分析包括：
(1)建立生态地块综合评价层次结构
根据生态系统各方面的价值对生态地块效益评价进行分层，建立生态地块综合评价系统层次结构；将生态地块综合评价系统分为A、B和C层；A层为评价目标层，是生态地块的综合价值；将B和C层的指标个数分别记为和；
(2)构造判断矩阵
以上层指标为基准对B和C层的指标进行比较，根据各指标相对重要性得到B和C层的判断矩阵；
Figure FDA0004086248800000061
Figure FDA0004086248800000062
(3)权重优化
基于判断矩阵
Figure FDA0004086248800000063
对应的权重值计算以及优化，设B层各要素的单排序权值为Wk，k＝1-nb；若判断矩阵Ak满足/>
Figure FDA0004086248800000064
则Ak具有完全一致性，并将B层各要素权重的优化整理成目标函数；
Figure FDA0004086248800000065
Figure FDA0004086248800000066
其中，约束条件为：
Figure FDA0004086248800000067
式中，约束条件左端的值越小，的一致性程度越高；约束条件成立，则认为具有完全一致性；是B层的一致性目标函数，是处理困难的非线性优化函数；求取矩阵的最优权重，就是求解当取得最小值时对应的权重值；通过求解优化函数，进行权重值优化。
7.一种应用如权利要求1～6任意一项所述生态地块监测识别与分析方法的生态地块监测识别与分析系统，其特征在于，生态地块监测识别与分析系统，包括：
生态识别子系统，用于通过影像识别生物类型并分析入侵植物；
规划分析子系统，用于识别地物规划地区性生态地块与生态指标；
其中，生态识别子系统和规划分析子系统均包括产品自带样本库以及用户输入样本库。
8.一种计算机设备，其特征在于，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述生态地块监测识别与分析方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述生态地块监测识别与分析方法的步骤。
10.一种信息数据处理终端，其特征在于，信息数据处理终端用于实现如权利要求7所述生态地块监测识别与分析系统。
CN202310136945.5A 2023-02-20 2023-02-20 生态地块监测识别与分析方法、系统、介质、设备及终端 Pending CN116385867A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310136945.5A CN116385867A (zh) 2023-02-20 2023-02-20 生态地块监测识别与分析方法、系统、介质、设备及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310136945.5A CN116385867A (zh) 2023-02-20 2023-02-20 生态地块监测识别与分析方法、系统、介质、设备及终端

Publications (1)

Publication Number Publication Date
CN116385867A true CN116385867A (zh) 2023-07-04

Family

ID=86977737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310136945.5A Pending CN116385867A (zh) 2023-02-20 2023-02-20 生态地块监测识别与分析方法、系统、介质、设备及终端

Country Status (1)

Country Link
CN (1) CN116385867A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117690029A (zh) * 2024-02-02 2024-03-12 云南大学 一种基于自动生成样本的岩性识别方法、平台及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117690029A (zh) * 2024-02-02 2024-03-12 云南大学 一种基于自动生成样本的岩性识别方法、平台及介质

Similar Documents

Publication Publication Date Title
CN111666918B (zh) 一种基于多因素的海岸线变化识别方法
Hladik et al. Salt marsh elevation and habitat mapping using hyperspectral and LIDAR data
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
Mallinis et al. Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site
CN101840581B (zh) 一种从卫星遥感影像中提取建筑物轮廓的方法
CN102012528A (zh) 一种稀疏植被地区的高光谱遥感油气勘探方法
Matasci et al. Mapping tree canopies in urban environments using airborne laser scanning (ALS): a Vancouver case study
Hester et al. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping
CN115452759B (zh) 一种基于卫星遥感数据的河湖健康指标评价方法及系统
Yan Pixel based and object oriented image analysis for coal fire research
Karna Mapping above ground carbon using worldview satellite image and lidar data in relationship with tree diversity of forests
Zhang et al. Mapping freshwater marsh species in the wetlands of Lake Okeechobee using very high-resolution aerial photography and lidar data
CN106228136A (zh) 基于聚合通道特征的全景街景隐私保护方法
Myint et al. Examining lacunarity approaches in comparison with fractal and spatial autocorrelation techniques for urban mapping
CN116385867A (zh) 生态地块监测识别与分析方法、系统、介质、设备及终端
Wistrand Investigating the potential of object-based image analysis to identify tree avenues in high resolution aerial imagery and lidar data
Goetzke et al. A method to map land-use change and urban growth in North Rhine-Westphalia (Germany)
Awuah Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping
Höfle Detection and utilization of the information potential of airborne laser scanning point cloud and intensity data by developing a management and analysis system
Teerarojanarat Remotely-Sensed Derived Built-up Area as an Alternative Indicator in the Study of Thailand's Regional Development.
Adhikari A Comparison of Water Indices and Binary Thresholding Techniques for Water Surface Delineation for St. Croix Watershed Area
van Niekerk et al. THE APPLICATION OF NATIONAL SCALE REMOTELY SENSED EVAPOTRANSPIRATION (ET) ESTIMATES TO QUANTIFY WATER USE AND DIFFERENCES BETWEEN PLANTATIONS IN COMMERCIAL FORESTRY REGIONS OF SOUTH AFRICA
CN113096114B (zh) 结合形态与指数的高分辨率城市水体图斑遥感提取方法
Ozbakir et al. Performance of TDVI in Urban Land Use/Cover Classification for Quality of Place Measurement
Johnson Mapping urban land cover using multi-scale and spatial autocorrelation information in high resolution imagery

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