CN116502803A - 土地资源资产实物量核算方法、装置 - Google Patents
土地资源资产实物量核算方法、装置 Download PDFInfo
- Publication number
- CN116502803A CN116502803A CN202310503009.3A CN202310503009A CN116502803A CN 116502803 A CN116502803 A CN 116502803A CN 202310503009 A CN202310503009 A CN 202310503009A CN 116502803 A CN116502803 A CN 116502803A
- Authority
- CN
- China
- Prior art keywords
- land
- index
- features
- soil
- accounting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000002689 soil Substances 0.000 claims abstract description 90
- 230000003595 spectral effect Effects 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000003066 decision tree Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000002485 combustion reaction Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 230000008859 change Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种土地资源资产实物量核算方法、装置，所述方法包括：获取目标区域在目标时期内的遥感影像、数字地形高程模型数据和土壤数据；提取光谱特征、纹理特征、光谱指数特征、地形特征和土壤特征；使用土地利用类型分类模型，通过多个特征，分别进行土地利用类型的分类；计算土地利用程度综合指数和土地综合利用动态度指数，作为土地资源资产实物量的流量核算结果。采用上述技术方案，通过提取地理数据中选定类型的地理特征，可以较为全面的描述各种类型的土地利用类型，并且彼此之间具有较强的区分度，由此通过土地利用类型分类模型准确的进行土地利用类型的分类，可以得到准确的土地资源资产实物量核算结果。
Description
技术领域
本发明涉及土地资源数据处理技术领域，尤其涉及一种土地资源资产实物量核算方法、装置。
背景技术
土地资源作为人类赖以生存的重要资源，开展土地资源资产实物量核算对于土地资源具有重要意义，通过土地资源资产的核算，可以有效、快速的掌握当前土地资源实物量情况，同时还能研究土地在目标周期内的变化情况，对于土地的管理，以及后续发展计划的制定，都有着重要的作用。
在土地资源资产实物量核算的过程中，需要基于待核算的目标区域在目标周期内的地理数据，对土地类型的面积和变化情况进行核算，但在实际的土地资源资产核算研究过程中，由于获取的基础数据的种类和数量有限，且时效性不足，严重制约了核算过程中对土地利用类型分类的准确度。
发明内容
发明目的：本发明提供一种土地资源资产实物量核算方法、装置，通过提取地理数据中选定类型的地理特征，可以较为全面的描述各种类型的土地利用类型，并且彼此之间具有较强的区分度，由此通过土地利用类型分类模型准确的进行土地利用类型的分类，可以得到准确的土地资源资产实物量核算结果；进一步的，分别计算存量结果和流量结果，综合全方面评价土地资源。
技术方案：本发明提供一种土地资源资产实物量核算方法，包括获取目标区域在目标时期内的遥感影像、数字地形高程模型数据和土壤数据；对目标区域土地在目标时期内的多个时刻，利用遥感影像，提取光谱特征、纹理特征和光谱指数特征；利用数字地形高程模型数据，提取地形特征；利用土壤数据，提取土壤特征；使用土地利用类型分类模型，通过光谱特征、纹理特征、地形特征和土壤特征，对目标区域土地在目标时期内的多个时刻，分别进行土地利用类型的分类；对于目标区域土地在目标时刻的土地利用类型，分别进行土地利用程度分级指数赋值，计算土地利用程度综合指数，作为土地资源资产实物量的存量核算结果；按照目标区域土地第一时刻和第二时刻的各土地利用类型的面积，计算得到土地综合利用动态度指数，作为土地资源资产实物量的流量核算结果。
具体的，基于GEE平台获取遥感影像，并从中选取大气表观反射率数据；基于SRTM1获取数字地形高程模型数据；基于OpenLandMap获取包括多种土壤属性的土壤数据。
具体的，获取利用主成分分析变换，计算光谱特征；依据光谱特征将遥感影像的光谱中对应的波段进行组合，提取光谱指数特征，所述光谱指数特征包括如下光谱指数中的至少一个：植被指数、增强型植被指数、修改型土壤调整植被指数、建筑指数、水体指数、燃烧指数和水汽指数；利用灰度共生矩阵，计算如下特征量中的至少一个，作为遥感影像纹理特征：角二阶矩、对比度、相关性、逆差矩、熵、差异性、方差、总方差、差方差和惯性。
具体的，利用数字地形高程模型数据，计算高程特征分量、坡度特征分量和坡向特征分量，作为地形特征。
具体的，对土壤数据中的各类土壤属性进行特征的提取，并对提取得到的各类特征进行加权平均计算，得到土壤数据的土壤特征；采用如下公式进行土壤属性的特征进行加权计算：
其中，N表示土壤深度的数量，xk表示第k个深度，f(xk)表示深度xk处的特征数值，a和b分别表示土壤深度的最小值和最大值。
具体的，基于MODIS和GlobCover获取土地覆盖类型数据，从土地覆盖类型数据中，通过装袋算法得到多个训练集；结合光谱特征、纹理特征、光谱指数特征、地形特征和土壤特征，生成多个决策树模型；对于每个决策树模型，基于基尼系数选择当前最优特征属性，生成分支节点，完成决策树模型的建立，多个建立完成的决策树模型组成基于随机森林的土地利用类型分类模型；使用多个训练集对土地利用类型分类模型进行训练。
具体的，采用如下公式，计算土地利用程度综合指数La：La＝100∑m q＝1(Aq×Cq)，其中，m表示土地利用程度级别总数，Aq表示第q级的土地利用类型的分级指数，Cq表示第q级的土地利用类型的面积比例。
具体的，采用如下公式，计算土地综合利用动态度指数LC：
LC＝(∑n i＝1△LUi-j)/T(2∑n i＝1△LUi)，
其中，n表示土地利用类型的总数，T表示第一时刻和第二时刻之间的时间间隔，△LUi表示在第一时刻时i类型的土地利用类型的面积，△LUi-j表示在第一时刻和第二时刻之间由i土地利用类型转化为j土地利用类型的土地面积。
具体的，计算土地利用转移矩阵，作为土地资源资产实物量的流量核算结果；所述土地利用转移矩阵如下：
其中，Sij表示目标时期内由i土地利用类型转化为j土地利用类型的土地面积。
本发明还提供一种土地资源资产实物量核算装置，包括：数据获取单元、特征提取单元、土地类型分类单元和核算单元，其中：所述数据获取单元，用于获取目标区域在目标时期内的遥感影像、数字地形高程模型数据和土壤数据；所述特征提取单元，用于对目标区域土地在目标时期内的多个时刻，利用遥感影像，提取光谱特征、纹理特征和光谱指数特征；利用数字地形高程模型数据，提取地形特征；利用土壤数据，提取土壤特征；所述土地类型分类单元，用于使用土地利用类型分类模型，通过光谱特征、纹理特征、地形特征和土壤特征，对目标区域土地在目标时期内的多个时刻，分别进行土地利用类型的分类；所述核算单元，用于对于目标区域土地在目标时刻的土地利用类型，分别进行土地利用程度分级指数赋值，计算土地利用程度综合指数，作为土地资源资产实物量的存量核算结果；按照目标区域土地第一时刻和第二时刻的各土地利用类型的面积，计算得到土地综合利用动态度指数，作为土地资源资产实物量的流量核算结果。
有益效果：与现有技术相比，本发明具有如下显著优点：通过提取地理数据中选定类型的地理特征，可以较为全面的描述各种类型的土地利用类型，并且彼此之间具有较强的区分度，由此通过土地利用类型分类模型准确的进行土地利用类型的分类，可以得到准确的土地资源资产实物量核算结果；进一步的，分别计算存量结果和流量结果，综合全方面评价土地资源。
附图说明
图1为本发明提供的土地资源资产实物量核算方法的流程示意图；
图2为本发明提供的土地资源的光谱特征的示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参阅图1，其为本发明提供的土地资源资产实物量核算方法的流程示意图。
步骤1，获取目标区域目标时期内的遥感影像、数字地形高程模型数据和土壤数据。
本发明实施例中，基于GEE平台获取遥感影像，并从中选取大气表观反射率数据；基于SRTM1获取数字地形高程模型数据；基于OpenLandMap获取包括多种土壤属性的土壤数据。
在具体实施中，从GEE(Google Earth Engine)平台可以获得待核算的目标区域较为完整的遥感影像数据，30m空间分辨率的SRTM1数据可以用于辅助土地利用类型的分类，OpenLandMap中可以获得较为完整的土壤数据。基于以上获取的数据，可以从多个方面对于目标区域的土地资源利用情况进行描述，有利于后续的特征提取和分类。
参阅图2，其为本发明提供的土地资源的光谱特征(B2-B7波段光谱特征)示意图。
步骤2，对目标区域土地在目标时期内的多个时刻，利用遥感影像，提取光谱特征、纹理特征和光谱指数特征；利用数字地形高程模型数据，提取地形特征；利用土壤数据，提取土壤特征。
本发明实施例中，获取利用主成分分析变换，计算光谱特征；依据光谱特征将遥感影像的光谱中对应的波段进行组合，提取光谱指数特征，所述光谱指数特征包括如下光谱指数中的至少一个：植被指数、增强型植被指数、修改型土壤调整植被指数、建筑指数、水体指数、燃烧指数和水汽指数；利用灰度共生矩阵，计算如下特征量中的至少一个，作为遥感影像纹理特征：角二阶矩、对比度、相关性、逆差矩、熵、差异性、方差、总方差、差方差和惯性。
在具体实施中，遥感影像的光谱特征、纹理特征和光谱指数特征，可以反映目标区域内的各土地区域从视觉外观上的变化情况，例如从未利用地转变成林用地，或者从草用地转变成城镇用地。
在具体实施中，利用主成分分析变换，计算土地资源的光谱特征，计算公式如下：
输入数据Xp×N＝[x1，x2，…，xp]T，通过X-E(X)将X的行向量组的均值变化为0，然后通过变化矩阵将X映射为大小为ρ×N的矩阵Z＝[z1，z2，…，zp]，如以下公式所示：
对矩阵Z中的行向量求方差和协方差，如下所示：
Var(zi)＝ai T∑ai,i＝1,2,……,p；Cov(zi,zj)＝ai T∑aj,i＝1,2,……,p,1≤j≤p。其中，Var(zi)表示zi的方差，Cov(zi,zj)表示zi和zj的协方差。
在以上公式中，X表示变换前的多光谱图像的像元矢量，是一个ρ×N的矩阵，xi表示该点在第i个坐标轴上的投影，即亮度值；Z表示变换后的主成分空间的像元矢量，zi表示Z的第i个分量；A表示变换矩阵，是X空间协方差的特征向量矩阵的转置矩阵，其中表示第i个主值向量，其中/>ap,i表示特征值。
在具体实施中，光谱指数特征的计算，如下表所示：
上表中，ρBlue为蓝光波段的反射率；ρGreen为绿光波段的反射率；ρRed为红光波段的反射率；ρNIR为近红外波段的反射率；ρSwir为短波红外波段的反射率；ρMIR为中红外波段反射率。
本发明实施例中，利用数字地形高程模型数据，计算高程特征分量、坡度特征分量和坡向特征分量，作为地形特征。
在具体实施中，通过输入30m空间分辨率的SRTM1数据生成的DEM(数字地形高程模型)，使用ee.Algorithms.Terrain函数获取包括高程(elevation)、坡度(slope)和坡向(aspect)三个特征分量，构建地形特征数据集。通过地形特征，可以通过土地的实际外形上的变化，来对土地利用类型进行分类，例如未利用地的高程和坡度较为明显，而城镇用地的高程和坡度较为平缓，可以作为土地分类的参考因素之一。
本发明实施例中，对土壤数据中的各类土壤属性进行特征的提取，并对提取得到的各类特征进行加权平均计算，得到土壤数据的土壤特征。
在具体实施中，获取的土壤属性可以包括土壤体积密度、土壤黏土含量、土壤有机碳含量、土壤PH值、土壤含沙量、土壤质地类别和土壤含水量等。土地利用/覆盖变化的主要影响因素还包括土壤特征。例如，草地土壤的体积密度明显高于天然草本植被中土壤的体积密度，在土地利用分类中土壤特征有助于区分草地和林地。本发明利用OpenLandMap提供的土壤数据集来描述土壤特征的变化，该数据集包含6个深度(0、10、30、60、100和200厘米)的标准数字土壤特征和土壤全球预测的类别分布。
在具体实施中，对各类土壤属性的特征进行加权平均计算，采用如下公式：
其中，N表示土壤深度的数量，xk表示第k个深度，f(xk)表示深度xk处的特征数值，a和b分别表示土壤深度的最小值和最大值。
步骤3，使用土地利用类型分类模型，通过光谱特征、纹理特征、地形特征和土壤特征，对目标区域土地在目标时期内的多个时刻，分别进行土地利用类型的分类。
本发明实施例中，基于MODIS和GlobCover获取土地覆盖类型数据，从土地覆盖类型数据中，通过装袋算法(bagging)得到多个训练集，训练集的数量可以为k个；结合光谱特征、纹理特征、光谱指数特征、地形特征和土壤特征，生成多个决策树模型，决策树模型的数量可以为k个；对于每个决策树模型，基于基尼系数选择当前最优特征属性，生成分支节点，完成决策树模型的建立，多个建立完成的决策树模型组成基于随机森林的土地利用类型分类模型；使用多个训练集对土地利用类型分类模型进行k轮训练，随机分类模型公式如下：
其中，H(x)表示随机森林模型，Cj表示类别j标记，T表示决策树的数量，hi表示第i个决策树。根据分类总体精度确定最优参数，通过多次实验确定T值。首先从10开始，以10步增加到100；然后从100开始，以100步增加到1000；最后通过重复实验比较，将本发明所有模型的决策树数量T都设置为100。
在具体实施中，MODIS土地覆盖类型产品(MCD12Q1)、欧空局全球陆地覆盖数据(GlobCover2009)，具有较为全面和准确的土地覆盖类型的数据，可以作为训练集。
在具体实施中，模型的训练完成之后，可以进行精度的验证，以确保后续土地利用类型分类的准确度。采用生产者精度(Producer Accuracy,PA)、用户精度(User accuracy,UA)、总体精度(Overall accuracy,OA)和Kappa系数(Kappa Coefficient,KC)等评价指标，从不同的测度反映了分类的精度，结果如下表所示：
| 耕地 | 林地 | 草地 | 水域 | 建设用地 | 未利用地 | Kappa | OA | |
| UA | 89.92％ | 96.51％ | 43.69％ | 97.93％ | 87.37％ | 92.86％ | 0.91 | 0.94 |
| PA | 94.00％ | 99.19％ | 38.80％ | 98.15％ | 78.02％ | 27.08％ | 0.91 | 0.94 |
步骤4，对于目标区域土地在目标时刻的土地利用类型，分别进行土地利用程度分级指数赋值，计算土地利用程度综合指数，作为土地资源资产实物量的存量核算结果；按照目标区域土地第一时刻和第二时刻的各土地利用类型的面积，计算得到土地综合利用动态度指数，作为土地资源资产实物量的流量核算结果。
在具体实施中，土地资源资产实物量核算遵循“先存量后流量”的核算原则。存量核算是指对目标区域某一特定时间的所拥有的土地资源存储量进行核算，反映了某一特定时间土地资源的静态分布。流量核算指对一个时间段内土地资源的数量、质量变化进行核算，反映了某个时间段内土地资源的动态变化情况。
在具体实施中，第一时刻相对在先，第二时刻相对在后，第一时刻和第二时刻可以是目标时期内任意的两个时刻，第一时刻可以是目标时期的起始时刻，第二时刻可以是目标时期的结束时刻。
本发明实施例中，采用如下公式，计算土地利用程度综合指数La：
La＝100∑m q＝1(Aq×Cq)，
其中，m表示土地利用程度级别总数，Aq表示第q级的土地利用类型的分级指数，Cq表示第q级的土地利用类型的面积比例。
在具体实施中，目标时刻可以第一时刻。关于土地利用程度分级指数赋值，例如可以将未利用地和难利用地划分为1级，分级指数为1，林地、草地和水域划分为2级，分级指数为2，耕地、园地和人工草地划分为3级，分级指数为3，城镇、居民点、工况用地和交通用地划分为4级，分级指数为4。采用1km×1km的网格作为统计单元，对每个网格内的土地利用综合程度指数进行计算，将计算后的指数依次赋值到对应的网格处。
本发明实施例中，采用如下公式，计算土地综合利用动态度指数LC：
LC＝(∑n i＝1△LUi-j)/T(2∑n i＝1△LUi)，
其中，n表示土地利用类型的总数，T表示第一时刻和第二时刻之间的时间间隔，△LUi表示在第一时刻时i类型的土地利用类型的面积，△LUi-j表示在第一时刻和第二时刻之间由i土地利用类型转化为j土地利用类型的土地面积。
本发明实施例中，计算土地利用转移矩阵，作为土地资源资产实物量的流量核算结果；所述土地利用转移矩阵如下：
其中，Sij表示目标时期内由i土地利用类型转化为j土地利用类型的土地面积。
在具体实施中，实际计算得到的转移矩阵如下表所示(单位：hm2)：
本发明还提供一种土地资源资产实物量核算装置，包括：数据获取单元、特征提取单元、土地类型分类单元和核算单元，其中：所述数据获取单元，用于获取目标区域在目标时期内的遥感影像、数字地形高程模型数据和土壤数据；所述特征提取单元，用于对目标区域土地在目标时期内的多个时刻，利用遥感影像，提取光谱特征、纹理特征和光谱指数特征；利用数字地形高程模型数据，提取地形特征；利用土壤数据，提取土壤特征；所述土地类型分类单元，用于使用土地利用类型分类模型，通过光谱特征、纹理特征、地形特征和土壤特征，对目标区域土地在目标时期内的多个时刻，分别进行土地利用类型的分类；所述核算单元，用于对于目标区域土地在目标时刻的土地利用类型，分别进行土地利用程度分级指数赋值，计算土地利用程度综合指数，作为土地资源资产实物量的存量核算结果；按照目标区域土地第一时刻和第二时刻的各土地利用类型的面积，计算得到土地综合利用动态度指数，作为土地资源资产实物量的流量核算结果。
本发明实施例中，所述数据获取单元，用于基于GEE平台获取遥感影像，并从中选取大气表观反射率数据；基于SRTM1获取数字地形高程模型数据；基于OpenLandMap获取包括多种土壤属性的土壤数据。
本发明实施例中，所述特征提取单元，用于获取利用主成分分析变换，计算光谱特征；依据光谱特征将遥感影像的光谱中对应的波段进行组合，提取光谱指数特征，所述光谱指数特征包括如下光谱指数中的至少一个：植被指数、增强型植被指数、修改型土壤调整植被指数、建筑指数、水体指数、燃烧指数和水汽指数；利用灰度共生矩阵，计算如下特征量中的至少一个，作为遥感影像纹理特征：角二阶矩、对比度、相关性、逆差矩、熵、差异性、方差、总方差、差方差和惯性。
本发明实施例中，所述特征提取单元，用于利用数字地形高程模型数据，计算高程特征分量、坡度特征分量和坡向特征分量，作为地形特征。
本发明实施例中，所述特征提取单元，用于对土壤数据中的各类土壤属性进行特征的提取，并对提取得到的各类特征进行加权平均计算，得到土壤数据的土壤特征；采用如下公式进行土壤属性的特征进行加权计算：
其中，N表示土壤深度的数量，xk表示第k个深度，f(xk)表示深度xk处的特征数值，a和b分别表示土壤深度的最小值和最大值。
本发明实施例中，所述土地类型分类单元，用于对土地利用类型分类模型进行训练，过程包括：基于MODIS和GlobCover获取土地覆盖类型数据，从土地覆盖类型数据中，通过装袋算法得到多个训练集；结合光谱特征、纹理特征、光谱指数特征、地形特征和土壤特征，生成多个决策树模型；对于每个决策树模型，基于基尼系数选择当前最优特征属性，生成分支节点，完成决策树模型的建立，多个建立完成的决策树模型组成基于随机森林的土地利用类型分类模型；使用多个训练集对土地利用类型分类模型进行训练。
本发明实施例中，所述核算单元，用于采用如下公式，计算土地利用程度综合指数La：
La＝100∑m q＝1(Aq×Cq)，
其中，m表示土地利用程度级别总数，Aq表示第q级的土地利用类型的分级指数，Cq表示第q级的土地利用类型的面积比例。
本发明实施例中，所述核算单元，用于采用如下公式，计算土地综合利用动态度指数LC：
LC＝(∑n i＝1△LUi-j)/T(2∑n i＝1△LUi)，
其中，n表示土地利用类型的总数，T表示第一时刻和第二时刻之间的时间间隔，△LUi表示在第一时刻时i类型的土地利用类型的面积，△LUi-j表示在第一时刻和第二时刻之间由i土地利用类型转化为j土地利用类型的土地面积。
本发明实施例中，所述核算单元，用于计算土地利用转移矩阵，作为土地资源资产实物量的流量核算结果；所述土地利用转移矩阵如下：
其中，Sij表示目标时期内由i土地利用类型转化为j土地利用类型的土地面积。
Claims (10)
1.一种土地资源资产实物量核算方法，其特征在于，包括：
获取目标区域在目标时期内的遥感影像、数字地形高程模型数据和土壤数据；
对目标区域土地在目标时期内的多个时刻，利用遥感影像，提取光谱特征、纹理特征和光谱指数特征；利用数字地形高程模型数据，提取地形特征；利用土壤数据，提取土壤特征；
使用土地利用类型分类模型，通过光谱特征、纹理特征、地形特征和土壤特征，对目标区域土地在目标时期内的多个时刻，分别进行土地利用类型的分类；
对于目标区域土地在目标时刻的土地利用类型，分别进行土地利用程度分级指数赋值，计算土地利用程度综合指数，作为土地资源资产实物量的存量核算结果；按照目标区域土地第一时刻和第二时刻的各土地利用类型的面积，计算得到土地综合利用动态度指数，作为土地资源资产实物量的流量核算结果。
2.根据权利要求1所述的土地资源资产实物量核算方法，其特征在于，所述获取目标区域在目标时期内的遥感影像、数字地形高程模型数据和土壤数据，包括：
基于GEE平台获取遥感影像，并从中选取大气表观反射率数据；基于SRTM1获取数字地形高程模型数据；基于OpenLandMap获取包括多种土壤属性的土壤数据。
3.根据权利要求2所述的土地资源资产实物量核算方法，其特征在于，所述利用遥感影像，提取光谱特征、纹理特征和光谱指数特征，包括：
获取利用主成分分析变换，计算光谱特征；依据光谱特征将遥感影像的光谱中对应的波段进行组合，提取光谱指数特征，所述光谱指数特征包括如下光谱指数中的至少一个：植被指数、增强型植被指数、修改型土壤调整植被指数、建筑指数、水体指数、燃烧指数和水汽指数；利用灰度共生矩阵，计算如下特征量中的至少一个，作为遥感影像纹理特征：角二阶矩、对比度、相关性、逆差矩、熵、差异性、方差、总方差、差方差和惯性。
4.根据权利要求2所述的土地资源资产实物量核算方法，其特征在于，所述利用数字地形高程模型数据，提取地形特征，包括：
利用数字地形高程模型数据，计算高程特征分量、坡度特征分量和坡向特征分量，作为地形特征。
5.根据权利要求2所述的土地资源资产实物量核算方法，其特征在于，所述利用土壤数据，提取土壤特征，包括：
对土壤数据中的各类土壤属性进行特征的提取，并对提取得到的各类特征进行加权平均计算，得到土壤数据的土壤特征；采用如下公式进行土壤属性的特征进行加权计算：
其中，N表示土壤深度的数量，xk表示第k个深度，f(xk)表示深度xk处的特征数值，a和b分别表示土壤深度的最小值和最大值。
6.根据权利要求2所述的土地资源资产实物量核算方法，其特征在于，所述土地利用类型分类模型的训练过程包括：
基于MODIS和GlobCover获取土地覆盖类型数据，从土地覆盖类型数据中，通过装袋算法得到多个训练集；
结合光谱特征、纹理特征、光谱指数特征、地形特征和土壤特征，生成多个决策树模型；
对于每个决策树模型，基于基尼系数选择当前最优特征属性，生成分支节点，完成决策树模型的建立，多个建立完成的决策树模型组成基于随机森林的土地利用类型分类模型；
使用多个训练集对土地利用类型分类模型进行训练。
7.根据权利要求1所述的土地资源资产实物量核算方法，其特征在于，所述计算土地利用程度综合指数，包括：
采用如下公式，计算土地利用程度综合指数La：
La＝100∑m q＝1(Aq×Cq)，
其中，m表示土地利用程度级别总数，Aq表示第q级的土地利用类型的分级指数，Cq表示第q级的土地利用类型的面积比例。
8.根据权利要求1所述的土地资源资产实物量核算方法，其特征在于，所述计算得到土地综合利用动态度指数，包括：
采用如下公式，计算土地综合利用动态度指数LC：
LC＝(∑n i＝1△LUi-j)/T(2∑n i＝1△LUi)，
其中，n表示土地利用类型的总数，T表示第一时刻和第二时刻之间的时间间隔，△LUi表示在第一时刻时i类型的土地利用类型的面积，△LUi-j表示在第一时刻和第二时刻之间由i土地利用类型转化为j土地利用类型的土地面积。
9.根据权利要求1所述的土地资源资产实物量核算方法，其特征在于，还包括：计算土地利用转移矩阵，作为土地资源资产实物量的流量核算结果；所述土地利用转移矩阵如下：
其中，Sij表示目标时期内由i土地利用类型转化为j土地利用类型的土地面积。
10.一种土地资源资产实物量核算装置，其特征在于，包括：数据获取单元、特征提取单元、土地类型分类单元和核算单元，其中：
所述数据获取单元，用于获取目标区域在目标时期内的遥感影像、数字地形高程模型数据和土壤数据；
所述特征提取单元，用于对目标区域土地在目标时期内的多个时刻，利用遥感影像，提取光谱特征、纹理特征和光谱指数特征；利用数字地形高程模型数据，提取地形特征；利用土壤数据，提取土壤特征；
所述土地类型分类单元，用于使用土地利用类型分类模型，通过光谱特征、纹理特征、地形特征和土壤特征，对目标区域土地在目标时期内的多个时刻，分别进行土地利用类型的分类；
所述核算单元，用于对于目标区域土地在目标时刻的土地利用类型，分别进行土地利用程度分级指数赋值，计算土地利用程度综合指数，作为土地资源资产实物量的存量核算结果；按照目标区域土地第一时刻和第二时刻的各土地利用类型的面积，计算得到土地综合利用动态度指数，作为土地资源资产实物量的流量核算结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310503009.3A CN116502803A (zh) | 2023-05-06 | 2023-05-06 | 土地资源资产实物量核算方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310503009.3A CN116502803A (zh) | 2023-05-06 | 2023-05-06 | 土地资源资产实物量核算方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116502803A true CN116502803A (zh) | 2023-07-28 |
Family
ID=87324562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310503009.3A Pending CN116502803A (zh) | 2023-05-06 | 2023-05-06 | 土地资源资产实物量核算方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502803A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117169138A (zh) * | 2023-11-02 | 2023-12-05 | 天津市农业发展服务中心 | 一种基于遥感数据的区域墒情监测方法 |
| CN118551920A (zh) * | 2024-05-06 | 2024-08-27 | 北京四象爱数科技有限公司 | 一种基于遥感数据的项目资产核算方法及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108154270A (zh) * | 2017-12-25 | 2018-06-12 | 广州地理研究所 | 中小流域洪水特征对变化环境的响应模型构建方法 |
| CN112784907A (zh) * | 2021-01-27 | 2021-05-11 | 安徽大学 | 基于空谱特征与bp神经网络的高光谱图像分类方法 |
| CN114021829A (zh) * | 2021-11-11 | 2022-02-08 | 东莞理工学院 | 考虑非点源污染控制的土地利用格局预测和优化方法 |
-
2023
- 2023-05-06 CN CN202310503009.3A patent/CN116502803A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108154270A (zh) * | 2017-12-25 | 2018-06-12 | 广州地理研究所 | 中小流域洪水特征对变化环境的响应模型构建方法 |
| CN112784907A (zh) * | 2021-01-27 | 2021-05-11 | 安徽大学 | 基于空谱特征与bp神经网络的高光谱图像分类方法 |
| CN114021829A (zh) * | 2021-11-11 | 2022-02-08 | 东莞理工学院 | 考虑非点源污染控制的土地利用格局预测和优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王艳: ""基于Google_Eart 南京市土地资源资产核算研究"", 《中国优秀硕士论文全文数据库》, no. 2, 15 February 2023 (2023-02-15), pages 16 - 41 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117169138A (zh) * | 2023-11-02 | 2023-12-05 | 天津市农业发展服务中心 | 一种基于遥感数据的区域墒情监测方法 |
| CN117169138B (zh) * | 2023-11-02 | 2024-01-09 | 天津市农业发展服务中心 | 一种基于遥感数据的区域墒情监测方法 |
| CN118551920A (zh) * | 2024-05-06 | 2024-08-27 | 北京四象爱数科技有限公司 | 一种基于遥感数据的项目资产核算方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502803A (zh) | 土地资源资产实物量核算方法、装置 | |
| van Noordwijk et al. | Functional branch analysis as tool for fractal scaling above-and belowground trees for their additive and non-additive properties | |
| CN104318270A (zh) | 一种基于modis时间序列数据的土地覆盖分类方法 | |
| Puente et al. | A genetic programming approach to estimate vegetation cover in the context of soil erosion assessment | |
| CN115272860B (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
| Wang et al. | Decadal trend in agricultural abandonment and woodland expansion in an agro-pastoral transition band in Northern China | |
| Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
| CN116168244A (zh) | 一种基于多源遥感数据与云计算的土地利用自动分类方法 | |
| CN105279223A (zh) | 一种遥感图像计算机自动解译的方法 | |
| CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
| Zhang et al. | Winter wheat yield prediction using integrated Landsat 8 and Sentinel-2 vegetation index time-series data and machine learning algorithms | |
| Zhang | A time-series approach to detect urbanized areas using biophysical indicators and landsat satellite imagery | |
| Adzhar et al. | MODIS Vegetation Continuous Fields tree cover needs calibrating in tropical savannas | |
| CN107194857A (zh) | 基于高分卫星遥感数据的可利用土地资源分析系统 | |
| CN114494909A (zh) | 一种大豆生长季空间分布图的生成方法和系统 | |
| CN117611893A (zh) | 一种基于降冗余特征优选策略的大豆种植区遥感提取方法 | |
| Adzhar et al. | Assessing MODIS Vegetation Continuous Fields tree cover product (collection 6): performance and applicability in tropical forests and savannas | |
| CN115147726B (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 | |
| CN115063610B (zh) | 基于Sentinel-1、2影像的大豆种植区识别方法 | |
| Kussul et al. | Information technology for land degradation assessment based on remote sensing | |
| Mngadi et al. | Quantifying carbon stock variability of species within a reforested urban landscape using texture measures derived from remotely sensed imagery | |
| CN115063678A (zh) | 基于国产gf-6 wfv数据的大豆种植区提取方法 | |
| Sayad et al. | Crop management using Big Data | |
| RU2705549C1 (ru) | Способ агрохимического обследования земель сельскохозяйственного назначения | |
| Atzberger et al. | Portability of neural nets modelling regional winter crop acreages using AVHRR time series |
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 |