CN116429938B - 一种基于遥感影像的土地n2o排放量的测算方法及系统 - Google Patents
一种基于遥感影像的土地n2o排放量的测算方法及系统 Download PDFInfo
- Publication number
- CN116429938B CN116429938B CN202310389334.1A CN202310389334A CN116429938B CN 116429938 B CN116429938 B CN 116429938B CN 202310389334 A CN202310389334 A CN 202310389334A CN 116429938 B CN116429938 B CN 116429938B
- Authority
- CN
- China
- Prior art keywords
- land
- remote sensing
- sensing image
- index
- type
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004907 flux Effects 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000004587 chromatography analysis Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 238000011065 in-situ storage Methods 0.000 claims abstract description 7
- 238000000691 measurement method Methods 0.000 claims abstract description 6
- 230000005855 radiation Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011066 ex-situ storage Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000001272 nitrous oxide Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/28—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N2030/022—Column chromatography characterised by the kind of separation mechanism
- G01N2030/025—Gas chromatography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感影像的土地N2O排放量测算方法，包括：获取待测土地的遥感影像；对遥感影像进行预处理，得到处理后的遥感影像；利用处理后的遥感影像解译出待测土地的土地利用分类结果；获取野外原位观测情况下利用静态箱‑气象色谱法得到的各类型用地历史N2O平均排放通量，根据各类型用地历史N2O平均排放通量计算各类型用地对应的N2O年均排放通量；计算待测土地中各类型用地的面积；用待测土地中各类型用地的面积乘以各类型用地对应的N2O年均排放通量得到各类型用地N2O年排放量。该方法通过遥感影像精准识别土地利用类型，依据不同土地利用类型排放系数，精准计算区域各类型用地N2O排放量。
Description
技术领域
本发明涉及气候治理技术领域，具体涉及一种基于遥感影像的土地N2O排放量的测算方法及系统。
背景技术
氧化亚氮(N2O)是全球第三大温室气体，其单分子增温潜势是CO2的298倍(百年时间范围)，即所能造成的温室效应的效果是二氧化碳的298倍，约占全球辐射强迫的7％。N2O还被公认为是消耗臭氧最具破坏力的化学物质。耕地是N2O的全球第一大排放源，占人为排放总量的50％左右。由于受到自然因素和农业管理措施共同影响，N2O排放通量具有显著的时空分异，不同的土地利用类型，耕地、草地和林地土壤N2O排放呈现不同的特征，目前对其全球估计存在相当大的不确定性。目前，N2O排放测算大多采用基于案例区的田间监测、作物模型模拟、地球化学模型模拟、遥感反演以及排放系数法等估算N2O排放量，因此现有的测算方法存在模拟精度不够、排放系数本地化难度较大、作物模型难以区分地域影响等不足。
发明内容
针对现有技术中的缺陷，本发明实施例提供的一种基于遥感影像的土地N2O排放量的测算方法及系统，通过遥感影像精准划分出土地利用类型，根据依据不同土地利用类型排放系数的差异，精准计算出区域各类型用地N2O排放量。
第一方面，本发明实施例提供的一种基于遥感影像的土地N2O排放量测算方法，包括：
S1:获取待测土地的遥感影像；
S2:对所述遥感影像进行预处理，得到处理后的遥感影像；
S3:利用处理后的遥感影像解译出待测土地的土地利用分类结果；
S4:获取野外原位观测情况下利用静态箱-气象色谱法得到的历史各类型用地N2O平均排放通量，根据历史各类型用地N2O平均排放通量计算各类型用地对应的N2O年均排放通量；
S5:根据所述土地利用分类结果分别计算出待测土地中各类型用地的面积；
S6:用待测土地中各类型用地的面积乘以各类型用地对应的N2O年均排放通量得到各类型用地N2O年排放量。
可选地，对所述遥感影像进行预处理的具体方法包括：
对待测土地的遥感影像进行裁剪；
对裁剪后的遥感影像进行降噪、增强处理，所述增强处理包括：辐射增强和光谱增强。
可选地，所述辐射增强包括：辐射增强包括二值化、线性拉伸、直方图均衡化、直方图匹配和去霾处理。
可选地，所述利用处理后的遥感影像解译出待测土地的土地利用分类结果的具体方法包括：
利用光谱波段运算计算出遥感指数，所述遥感指数包括增强型植被指数、差值植被指数和比值植被指数；
结合野外采样点，通过灰度分割的方式对各类遥感指数的阈值进行调节，并结合野外训练样本，对各类型用地进行标记，建立各类型用地的分类规则；
对各类遥感指数波段进行合成处理得到新的遥感影像；
对新的遥感影像进行影像分割得到多个地块影像；
根据设定的分类规则对地块影像的类型进行判断，得到待测土地的土地利用分类结果。
可选地，所述分类规则为：当差值植被指数遥感指数阈值范围为0.075～0.19时，土地利用分类结果为草地，当差值植被指数遥感指数阈值范围大于0.2时，土地利用分类结果为耕地，当比值植被指数遥感指数阈值范围为4～8时，土地利用分类结果为林地。
第二方面，本发明实施例提供的一种基于遥感影像的土地N2O排放量测算系统，包括：获取模块、预处理模块、解译模块、第一计算模块、第二计算模块和第三计算模块；
所述获取模块用于获取待测土地的遥感影像；
所述预处理模块用于对所述遥感影像进行预处理，得到处理后的遥感影像；
所述解译模块利用处理后的遥感影像解译出待测土地的土地利用分类结果；
所述第一计算模块获取野外原位观测情况下利用静态箱-气象色谱法得到的历史各类型用地N2O平均排放通量，根据历史各类型用地N2O平均排放通量计算各类型用地对应的N2O年均排放通量；
所述第二计算模块根据所述土地利用分类结果分别计算出待测土地中各类型用地的面积；
所述第三计算模块用待测土地中各类型用地的面积乘以各类型用地对应的N2O年均排放通量得到各类型用地N2O年排放量。
可选地，所述预处理模块包括裁剪单元和处理单元，所述裁剪单元用于对待测土地的遥感影像进行裁剪，所述处理单元用于对裁剪后的遥感影像进行降噪、增强处理，所述增强处理包括：辐射增强和光谱增强。
可选地，所述辐射增强包括：辐射增强包括二值化、线性拉伸、直方图均衡化、直方图匹配和去霾处理。
可选地，所述解译模块利用处理后的遥感影像解译出待测土地的土地利用分类结果的具体方法包括：
利用光谱波段运算计算出遥感指数，所述遥感指数包括增强型植被指数、差值植被指数和比值植被指数；
结合野外采样点，通过灰度分割的方式对各类遥感指数的阈值进行调节，并结合野外训练样本，对各类型用地进行标记，建立各类型用地的分类规则；
对各类遥感指数波段进行合成处理得到新的遥感影像；
对新的遥感影像进行影像分割得到多个地块影像；
根据设定的分类规则对地块影像的类型进行判断，得到待测土地的土地利用分类结果。
可选地，所述分类规则为：当差值植被指数遥感指数阈值范围为0.075～0.19时，土地利用分类结果为草地，当差值植被指数遥感指数阈值范围大于0.2时，土地利用分类结果为耕地，当比值植被指数遥感指数阈值范围为4～8时，土地利用分类结果为林地。
本发明的有益效果：
本发明实施例提供的一种基于遥感影像的土地N2O排放量测算方法及系统，通过遥感影像精准划分出土地利用类型，根据依据不同土地利用类型排放系数的差异，精准计算出区域各类型用地N2O排放量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种基于遥感影像的土地N2O排放量的测算方法的流程图；
图2示出了本发明另一实施例所提供的一种基于遥感影像的土地N2O排放量的测算系统的结构示意图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，示出了本发明第一实施例所提供的一种基于遥感影像的土地N2O排放量的测算方法的流程图，包括：
S1:获取待测土地的遥感影像；
S2:对所述遥感影像进行预处理，得到处理后的遥感影像；
S3:利用处理后的遥感影像解译出待测土地的土地利用分类结果；
S4:获取野外原位观测情况下利用静态箱-气象色谱法得到的各类型用地历史N2O平均排放通量，根据各类型用地历史N2O平均排放通量计算各类型用地对应的N2O年均排放通量；
S5:根据所述土地利用分类结果分别计算出待测土地中各类型用地的面积；
S6:用待测土地中各类型用地的面积乘以各类型用地对应的N2O年均排放通量得到各类型用地N2O年排放量。
在本实施例中，待测土地的遥感影像采用高分二号影像。高分二号卫星是我国自主研制的首颗空间分辨优于1米的民用光学遥感卫星，搭载有两台高分辨率1米全色、4米多光谱相机，具有高空间分辨率、高定位精度和快速姿态机动能力等特点。多光谱影像有蓝、绿、红和近红外4个波段。全色的分辨率为1m，多光谱的分辨率为4m，两者融合之后得到的分辨率为1m。高分二号影像参数指标如表1所示。
表1高分二号影像参数指标
在获取高分二号影像后，对高分二号影像进行预处理得到处理后的遥感影像，通过预处理可以提高遥感影像的图像质量，有利于提高遥感影像解译结果的准确性。
具体地，对遥感影像进行预处理的具体方法包括：
对待测土地的遥感影像进行裁剪；
对裁剪后的遥感影像进行降噪、增强处理，所述增强处理包括：辐射增强、光谱增强和影像融合处理。其中，辐射增强包括：辐射增强包括二值化、线性拉伸、直方图均衡化、直方图匹配和去霾处理。
将待测土地的遥感影像裁剪成所需的影像大小，对裁剪后的遥感影像采用傅里叶变换消除噪声，影像增强包括辐射增强和光谱增强。辐射增强包括二值化、线性拉伸、直方图均衡化、直方图匹配、去霾处理等，二值化是对遥感影像进行二值化处理，得到二值化图像。线性拉伸后的影像地物差异增大，易于地物判别；直方图均衡化可以提高影像细节部分的分辨度，改变亮度值和纹理结构的关系；直方图匹配常用于影像拼接前处理；去霾处理增强影像清晰度。光谱增强包括去相关拉伸、缨帽变换等，去相关拉伸能够增加影像饱和度；缨帽变换广泛应用于农作物长势、植被、土壤等研究。遥感影像通过上述预处理方法进行处理，提高遥感影像土地利用的辨识精度。
采用遥感影像解译土地利用分类结果的方法很多，比如，利用机器学习的方法进行土地利用分类，虽然采用机器学习的方法比较有潜力，但是构建神经网络模型和训练模型过程复杂，需要前期使用大量的样本进行训练和测试，并且还面临训练样本数量不足导致过拟合、下采样导致信息损失等问题。在本实施例中，基于遥感影像的土地利用分类方法更简单。
在本实施例中，利用处理后的遥感影像解译出待测土地的土地利用分类结果的具体方法包括：
利用光谱波段运算计算出遥感指数，所述遥感指数包括增强型植被指数、差值植被指数和比值植被指数；
结合野外采样点，通过灰度分割的方式对各类遥感指数的阈值进行调节，并结合野外训练样本，对各类型用地进行标记，建立各类型用地的分类规则；
对各类遥感指数波段进行合成处理得到新的遥感影像；
对新的遥感影像进行影像分割得到多个地块影像；
根据设定的分类规则对地块影像的类型进行判断，得到待测土地的土地利用分类结果。
由于在本发明实施例中，需要识别遥感影像中的草地、林地和耕地，所以选用的遥感指数包括增强型植被指数、差值植被指数和比值植被指数。
其中，增强型植被指数(Enhanced Vegetation Index，即EVI)计算公式为：
其中，P1为近红外波段的反射率、P2为红外波段的反射率，P3为蓝光波段的反射率。
RVI为比值植被指数，其计算公式为：
RVI＝P1/P2
绿色健康植被覆盖地区的比值植被指数远大于1，而无植被覆盖的地面的比值植被指数在1附近。植被的比值植被指数通常大于2；比值植被指数是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；植被覆盖度影响比值植被指数，当植被覆盖度较高时，比值植被指数对植被十分敏感；当植被覆盖度<50％时，这种敏感性显著降低；比值植被指数受大气条件影响，大气效应大大降低对植被检测的灵敏度，在计算前需要进行大气校正，或用反射率计算比值植被指数。
DVI为差值植被指数，计算公式为：
DVI＝P1-P2
结合野外采样点，通过灰度分割的方式对各类遥感指数的阈值进行调节，参考野外训练样本，对耕地、林地、草地进行标记，根据遥感指数阈值建立各类用地的分类规则。
分类规则为：当差值植被指数遥感指数阈值范围为0.075～0.19时，土地利用分类结果为草地，当差值植被指数遥感指数阈值范围大于0.2时，土地利用分类结果为耕地，当比值植被指数遥感指数阈值范围为4～8时，土地利用分类结果为林地。
获取野外原位观测情况下利用静态箱-气象色谱法得到的各类型用地历史N2O平均排放通量，根据各类型用地历史N2O平均排放通量计算各类型用地对应的N2O年均排放通量，根据解译出来的土地利用分类结果计算待测土地中草地、林地、耕地的面积，结合其对应的N2O年均排放通量，计算公式分别为：
草地N2O排放年平均通量＝草地N2O平均排放量×365天×24小时林地N2O排放年平均通量＝林地N2O平均排放量×365天×24小时耕地(本底)N2O排放年平均通量＝林地N2O平均排放量×365天×24小时
计算草地N2O年排放量、林地N2O年排放量和耕地N2O年排放量，具体的计算公式分别为：
草地N2O年排放总量＝草地的面积×草地N2O排放年平均通量
林地N2O年排放总量＝林地的面积×林地N2O排放年平均通量
耕地(本底)N2O年排放总量＝耕地的面积×耕地N2O排放年平均通量。
本发明实施例提供的一种基于遥感影像的土地N2O排放量测算方法，通过遥感影像精准划分出土地利用类型，划分出土地利用类型的方法简单，根据依据不同土地利用类型排放系数的差异，精准计算出区域各类型用地N2O排放量。
在上述的第一实施例中，提供了一种基于遥感影像的土地N2O排放量测算方法，与之相对应的，本申请还提供一种基于遥感影像的土地N2O排放量测算系统。请参考图2，其为本发明第二实施例提供的一种基于遥感影像的土地N2O排放量测算系统的结构框图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图2所示，示出了本发明另一实施例提供的一种基于遥感影像的土地N2O排放量测算系统的结构示意图，该系统包括：获取模块、预处理模块、解译模块、第一计算模块、第二计算模块和第三计算模块；获取模块用于获取待测土地的遥感影像；预处理模块用于对所述遥感影像进行预处理，得到处理后的遥感影像；解译模块利用处理后的遥感影像解译出待测土地的土地利用分类结果；第一计算模块获取野外原位观测情况下利用静态箱-气象色谱法得到的各类型用地历史N2O平均排放通量，根据各类型用地历史N2O平均排放通量计算各类型用地对应的N2O年均排放通量；第二计算模块根据所述土地利用分类结果分别计算出待测土地中各类型用地的面积；第三计算模块用待测土地中各类型用地的面积乘以各类型用地对应的N2O年均排放通量得到各类型用地N2O年排放量。
在本实施例中，待测土地的遥感影像采用高分二号影像。高分二号卫星是我国自主研制的首颗空间分辨优于1米的民用光学遥感卫星，搭载有两台高分辨率1米全色、4米多光谱相机，具有高空间分辨率、高定位精度和快速姿态机动能力等特点。多光谱影像有蓝、绿、红和近红外4个波段。全色的分辨率为1m，多光谱的分辨率为4m，两者融合之后得到的分辨率为1m。
在获取高分二号影像后，对高分二号影像进行预处理得到处理后的遥感影像，通过预处理可以提高遥感影像的图像质量，有利于提高遥感影像解译结果的准确性。
在本实施例中，预处理模块包括裁剪单元和处理单元，所述裁剪单元用于对待测土地的遥感影像进行裁剪，所述处理单元用于对裁剪后的遥感影像进行降噪、增强处理，所述增强处理包括：辐射增强、光谱增强和影像融合处理。
辐射增强包括：辐射增强包括二值化、线性拉伸、直方图均衡化、直方图匹配、亮度反转和去霾处理。
在本实施例中，解译模块利用处理后的遥感影像解译出待测土地的土地利用分类结果的具体方法包括：
利用光谱波段运算计算出遥感指数，所述遥感指数包括EVI增强型植被指数、DVI差值植被指数和RVI比值植被指数；
结合野外采样点，通过灰度分割的方式对各类遥感指数的阈值进行调节，并结合野外训练样本，对各类型用地进行标记，建立各类型用地的分类规则；
对各类遥感指数波段进行合成处理得到新的遥感影像；
对新的遥感影像进行影像分割得到多个地块影像；
根据设定的分类规则对地块影像的类型进行判断，得到待测土地的土地利用分类结果。
分类规则为：当差值植被指数遥感指数阈值范围为0.075～0.19时，土地利用分类结果为草地，当差值植被指数遥感指数阈值范围大于0.2时，土地利用分类结果为耕地，当比值植被指数遥感指数阈值范围为4～8时，土地利用分类结果为林地。
本发明实施例提供的一种基于遥感影像的土地N2O排放量测算系统，通过遥感影像精准划分出土地利用类型，划分出土地利用类型的方法简单，根据依据不同土地利用类型排放系数的差异，精准计算出区域各类型用地N2O排放量。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种基于遥感影像的土地N2O排放量测算方法，其特征在于，包括：
S1:获取待测土地的遥感影像；
S2:对所述遥感影像进行预处理，得到处理后的遥感影像；
S3:利用处理后的遥感影像解译出待测土地的土地利用分类结果；
所述利用处理后的遥感影像解译出待测土地的土地利用分类结果的具体方法包括：
利用光谱波段运算计算出遥感指数，所述遥感指数包括增强型植被指数、差值植被指数和比值植被指数；
结合野外采样点，通过灰度分割的方式对各类遥感指数的阈值进行调节，并结合野外训练样本，对各类型用地进行标记，建立各类型用地的分类规则；
对各类遥感指数波段进行合成处理得到新的遥感影像；
对新的遥感影像进行影像分割得到多个地块影像；
根据设定的分类规则对地块影像的类型进行判断，得到待测土地的土地利用分类结果；
所述分类规则为：当差值植被指数遥感指数阈值范围为0.075～0.19时，土地利用分类结果为草地，当差值植被指数遥感指数阈值范围大于0.2时，土地利用分类结果为耕地，当比值植被指数遥感指数阈值范围为4～8时，土地利用分类结果为林地；
S4:获取野外原位观测情况下利用静态箱-气象色谱法得到的各类型用地历史N2O平均排放通量，根据各类型用地历史N2O平均排放通量计算各类型用地对应的N2O年均排放通量；
S5:根据所述土地利用分类结果分别计算出待测土地中各类型用地的面积；
S6:用待测土地中各类型用地的面积乘以各类型用地对应的N2O年均排放通量得到各类型用地N2O年排放量。
2.如权利要求1所述的基于遥感影像的土地N2O排放量测算方法，其特征在于，对所述遥感影像进行预处理的具体方法包括：
将待测土地的遥感影像进行裁剪；
对裁剪后的遥感影像进行降噪、增强处理，所述增强处理包括：辐射增强和光谱增强。
3.如权利要求2所述的基于遥感影像的土地N2O排放量测算方法，其特征在于，所述辐射增强包括：辐射增强包括二值化、线性拉伸、直方图均衡化、直方图匹配和去霾处理。
4.一种基于遥感影像的土地N2O排放量测算系统，其特征在于，包括：获取模块、预处理模块、解译模块、第一计算模块、第二计算模块和第三计算模块；
所述获取模块用于获取待测土地的遥感影像；
所述预处理模块用于对所述遥感影像进行预处理，得到处理后的遥感影像；
所述解译模块利用处理后的遥感影像解译出待测土地的土地利用分类结果；
所述解译模块利用处理后的遥感影像解译出待测土地的土地利用分类结果的具体方法包括：
利用光谱波段运算计算出遥感指数，所述遥感指数包括增强型植被指数、差值植被指数和比值植被指数；
结合野外采样点，通过灰度分割的方式对各类遥感指数的阈值进行调节，并结合野外训练样本，对各类型用地进行标记，建立各类型用地的分类规则；
对各类遥感指数波段进行合成处理得到新的遥感影像；
对新的遥感影像进行影像分割得到多个地块影像；
根据设定的分类规则对地块影像的类型进行判断，得到待测土地的土地利用分类结果；
所述分类规则为：当差值植被指数遥感指数阈值范围为0.075～0.19时，土地利用分类结果为草地，当差值植被指数遥感指数阈值范围大于0.2时，土地利用分类结果为耕地，当比值植被指数遥感指数阈值范围为4～8时，土地利用分类结果为林地；
所述第一计算模块获取野外原位观测情况下利用静态箱-气象色谱法得到的各类型用地历史N2O平均排放通量，根据各类型用地历史N2O平均排放通量计算各类型用地对应的N2O年均排放通量；
所述第二计算模块根据所述土地利用分类结果分别计算出待测土地中各类型用地的面积；
所述第三计算模块用待测土地中各类型用地的面积乘以各类型用地对应的N2O年均排放通量得到各类型用地N2O年排放量。
5.如权利要求4所述的基于遥感影像的土地N2O排放量测算系统，其特征在于，所述预处理模块包括裁剪单元和处理单元，所述裁剪单元用于对待测土地的遥感影像进行裁剪，所述处理单元用于对裁剪后的遥感影像进行降噪、增强处理，所述增强处理包括：辐射增强和光谱增强。
6.如权利要求5所述的基于遥感影像的土地N2O排放量测算系统，其特征在于，所述辐射增强包括：辐射增强包括二值化、线性拉伸、直方图均衡化、直方图匹配和去霾处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310389334.1A CN116429938B (zh) | 2023-04-12 | 2023-04-12 | 一种基于遥感影像的土地n2o排放量的测算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310389334.1A CN116429938B (zh) | 2023-04-12 | 2023-04-12 | 一种基于遥感影像的土地n2o排放量的测算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116429938A CN116429938A (zh) | 2023-07-14 |
| CN116429938B true CN116429938B (zh) | 2024-01-02 |
Family
ID=87090274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310389334.1A Active CN116429938B (zh) | 2023-04-12 | 2023-04-12 | 一种基于遥感影像的土地n2o排放量的测算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116429938B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190011619A (ko) * | 2017-07-25 | 2019-02-07 | 경북대학교 산학협력단 | 온실가스 분포 데이터 생성 장치 및 방법 |
| CN113392363A (zh) * | 2021-07-06 | 2021-09-14 | 中国环境科学研究院 | 一种用于废弃物焚烧处理产生的氧化亚氮排放的核算方法 |
| CN113763455A (zh) * | 2021-09-14 | 2021-12-07 | 中科三清科技有限公司 | 一种温室气体排放的溯源方法、装置、计算机设备及介质 |
| CN114021348A (zh) * | 2021-11-05 | 2022-02-08 | 中国矿业大学(北京) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 |
| CN114659993A (zh) * | 2022-03-28 | 2022-06-24 | 王大成 | 一种基于卫星遥感的温室气体排放检测系统 |
| CN114863289A (zh) * | 2022-07-06 | 2022-08-05 | 环球数科集团有限公司 | 一种基于土地利用的动态遥感监测方法与系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2953021B1 (fr) * | 2009-11-26 | 2011-12-09 | Tanguy Griffon | Methode de mesure des emissions hebdomadaires et annuelles d'un gaz a effet de serre sur une surface donnee |
| US12118626B2 (en) * | 2021-10-06 | 2024-10-15 | International Business Machines Corporation | Generating context-aware process-based model determinations for greenhouse gas emissions from agricultural fields |
-
2023
- 2023-04-12 CN CN202310389334.1A patent/CN116429938B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190011619A (ko) * | 2017-07-25 | 2019-02-07 | 경북대학교 산학협력단 | 온실가스 분포 데이터 생성 장치 및 방법 |
| CN113392363A (zh) * | 2021-07-06 | 2021-09-14 | 中国环境科学研究院 | 一种用于废弃物焚烧处理产生的氧化亚氮排放的核算方法 |
| CN113763455A (zh) * | 2021-09-14 | 2021-12-07 | 中科三清科技有限公司 | 一种温室气体排放的溯源方法、装置、计算机设备及介质 |
| CN114021348A (zh) * | 2021-11-05 | 2022-02-08 | 中国矿业大学(北京) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 |
| CN114659993A (zh) * | 2022-03-28 | 2022-06-24 | 王大成 | 一种基于卫星遥感的温室气体排放检测系统 |
| CN114863289A (zh) * | 2022-07-06 | 2022-08-05 | 环球数科集团有限公司 | 一种基于土地利用的动态遥感监测方法与系统 |
Non-Patent Citations (3)
| Title |
|---|
| 不同土地利用方式下土壤温度与土壤水分对黑土N_2O排放的影响;石洪艾;李禄军;尤孟阳;丁娇;王帅;韩晓增;;农业环境科学学报(第11期);摘要 * |
| 基于遥感和通量观测数据的生态系统净碳交换估算;牟苏斌;;现代信息科技(第15期);全文 * |
| 辽东湾沿海水稻田温室气体排放的时空动态模拟;张远;齐家国;殷鸣放;吴嘉平;;中国农业科学(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116429938A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948596B (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
| CN109345555B (zh) | 基于多时相多源遥感数据进行水稻识别的方法 | |
| CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| WO2023029373A1 (zh) | 一种高精度的农田植被信息提取方法 | |
| Dobrowski et al. | Grapevine dormant pruning weight prediction using remotely sensed data | |
| CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
| CN102072882B (zh) | 一种基于叶片图像特征的植物养分含量指标定量分析方法 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
| CN116188465B (zh) | 基于图像处理技术的作物生长状态检测方法 | |
| CN112577906B (zh) | 城市绿地土壤含水率检测方法 | |
| CN114821362A (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
| CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
| CN111007013A (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
| Yang et al. | Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage | |
| CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| Carlier et al. | Using open-source software and digital imagery to efficiently and objectively quantify cover density of an invasive alien plant species | |
| CN112528726B (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
| CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
| CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
| CN116429938B (zh) | 一种基于遥感影像的土地n2o排放量的测算方法及系统 | |
| Kang et al. | Estimating soil and grapevine water status using ground based hyperspectral imaging under diffused lighting conditions: Addressing the effect of lighting variability in vineyards | |
| CN115063610B (zh) | 基于Sentinel-1、2影像的大豆种植区识别方法 |
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 |