CN117218535B - 一种基于sfa的长期森林覆盖变化检测方法 - Google Patents
一种基于sfa的长期森林覆盖变化检测方法 Download PDFInfo
- Publication number
- CN117218535B CN117218535B CN202311173891.6A CN202311173891A CN117218535B CN 117218535 B CN117218535 B CN 117218535B CN 202311173891 A CN202311173891 A CN 202311173891A CN 117218535 B CN117218535 B CN 117218535B
- Authority
- CN
- China
- Prior art keywords
- forest
- remote sensing
- period
- real
- grids
- 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
- 230000007774 longterm Effects 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000004164 analytical calibration Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000021391 short chain fatty acids Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- 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
- Image Analysis (AREA)
Abstract
一种基于SFA的长期森林覆盖变化检测方法,属于森林检测技术领域。方法如下:采集A1、A2时期被检测森林区域实时遥感图像并划分为多个栅格后进行存储;计算每个栅格的植被指数;对对应的栅格的植被覆盖度进行融合;获得数据集并将数据集划分为训练集和测试集;构建神经网络模型;利用训练集对神经网络模型进行训练;利用测试集和训练好的神经网络模型,实现对A1至A2期间的森林覆盖变化的检测;重复上述步骤实现长期森林覆盖变化的检测。本发明运用SFA提取森林信息,解决了目前没有对植被缓慢变化特征进行检测的问题,提高了长期森林覆盖变化检测的准确度,有助于对森林进行有效及时的排查维护,从而保证了整个森林的安全。
Description
技术领域
本发明涉及一种基于SFA的长期森林覆盖变化检测方法,属于森林检测技术领域。
背景技术
通过植被短期内的缓慢变化可以有效判断环境因素对植被的短期影响。
近年来,在统计学习领域,缓慢特征分析(Slow Feature Analysis,缩写:SFA)可以用来分析提取数据中的缓慢变化特征,从而发现数据变化的本质驱动因素。这主要是因为快速变化特征通常都代表着噪声,缓慢变化特征更能体现数据中潜藏的本质信息。因此,SFA在消除测量数据干扰影响中有着不可替代的功效。
然后在传统的森林覆盖变化检测中,并没有对植被缓慢变化特征进行检测的先例。
发明内容
为解决背景技术中存在的问题,本发明提供一种基于SFA的长期森林覆盖变化检测方法。
实现上述目的,本发明采取下述技术方案:一种基于SFA的长期森林覆盖变化检测方法,所述方法包括如下步骤:
S1:采集A1时期的被检测森林区域的实时遥感图像;
S2:将A1时期的实时遥感图像划分为多个栅格后进行存储;
S3:采集A2时期的被检测森林区域的实时遥感图像;
S4:将A2时期的实时遥感图像按照与A1时期的实时遥感图像相同标准划分为多个栅格后进行存储;
S5:利用慢特征分析算法计算A1时期的实时遥感图像以及A2时期的实时遥感图像的每个栅格的植被指数,植被指数用于表征栅格内的植被覆盖度;
S6:利用图像处理技术,分别对A1时期的实时遥感图像以及A2时期的实时遥感图像中每两个对应的栅格的植被覆盖度进行融合;
S7:基于融合的特征,分别获得每两个对应的栅格的数据集,并将所述数据集划分为训练集和测试集;
S8:构建神经网络模型;
S9:利用训练集对神经网络模型进行训练;
S10:利用测试集和训练好的神经网络模型,实现对A1至A2期间的森林覆盖变化的检测;
S11:重复S1-S10实现长期森林覆盖变化的检测。
与现有技术相比,本发明的有益效果是:
本发明运用SFA提取森林信息,解决了目前没有对植被缓慢变化特征进行检测的问题,提高了长期森林覆盖变化检测的准确度,有助于对森林进行有效及时的排查维护,从而保证了整个森林的安全。
具体实施方式
下面将对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是发明的一部分实施例,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。
一种基于SFA的长期森林覆盖变化检测方法,所述方法包括如下步骤:
S1:利用遥感图像采集无人机,采集A1时期的被检测森林区域的实时遥感图像;
S2:将A1时期的实时遥感图像划分为多个栅格后进行存储;
S3:利用遥感图像采集无人机,采集A2时期的被检测森林区域的实时遥感图像;所述遥感图像通过CCD相机拍摄获取。
S4:将A2时期的实时遥感图像按照与A1时期的实时遥感图像相同标准划分为多个栅格后进行存储;
S5:利用慢特征分析算法(Slow Feature Analysis,SFA)计算A1时期的实时遥感图像以及A2时期的实时遥感图像的每个栅格的植被指数,植被指数用于表征栅格内的植被覆盖度;
植被指数即NDVI,其定义是近红外区与红光区的反射率差值/近红外区与红光区的反射率和值,是最常用的植被指数,虽然NDVI对土壤背景的变化较为敏感,但由于NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化,增强了对植被的响应能力,是目前已有的40多种植被指数中应用最广的一种。
所述植被指数至少包括植被的高度信息、植被的颜色信息以及植被的覆盖面信息。
S6:利用图像处理技术,分别对A1时期的实时遥感图像以及A2时期的实时遥感图像中每两个对应的栅格的植被覆盖度进行融合;
S7:基于融合的特征,分别获得每两个对应的栅格的数据集,并将所述数据集划分为训练集和测试集;
S8:构建神经网络模型;
S9:利用训练集对神经网络模型进行训练;
S10:利用测试集和训练好的神经网络模型,实现对A1至A2期间的森林覆盖变化的检测;
S11:重复S1-S10实现长期森林覆盖变化的检测。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于SFA的长期森林覆盖变化检测方法,其特征在于:所述方法包括如下步骤:
S1:采集A1时期的被检测森林区域的实时遥感图像;
S2:将A1时期的实时遥感图像划分为多个栅格后进行存储;
S3:采集A2时期的被检测森林区域的实时遥感图像;
S4:将A2时期的实时遥感图像按照与A1时期的实时遥感图像相同标准划分为多个栅格后进行存储;
S5:利用慢特征分析算法计算A1时期的实时遥感图像以及A2时期的实时遥感图像的每个栅格的植被指数,植被指数用于表征栅格内的植被覆盖度;
S6:利用图像处理技术,分别对A1时期的实时遥感图像以及A2时期的实时遥感图像中每两个对应的栅格的植被覆盖度进行融合;
S7:基于融合的特征,分别获得每两个对应的栅格的数据集,并将所述数据集划分为训练集和测试集;
S8:构建神经网络模型;
S9:利用训练集对神经网络模型进行训练;
S10:利用测试集和训练好的神经网络模型,实现对A1至A2期间的森林覆盖变化的检测;
S11:重复S1-S10实现长期森林覆盖变化的检测。
2.根据权利要求1所述的一种基于SFA的长期森林覆盖变化检测方法,其特征在于:所述遥感图像通过CCD相机拍摄获取。
3.根据权利要求1或2所述的一种基于SFA的长期森林覆盖变化检测方法,其特征在于:所述植被指数至少包括植被的高度信息、植被的颜色信息以及植被的覆盖面信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311173891.6A CN117218535B (zh) | 2023-09-12 | 2023-09-12 | 一种基于sfa的长期森林覆盖变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311173891.6A CN117218535B (zh) | 2023-09-12 | 2023-09-12 | 一种基于sfa的长期森林覆盖变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117218535A CN117218535A (zh) | 2023-12-12 |
CN117218535B true CN117218535B (zh) | 2024-05-14 |
Family
ID=89047499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311173891.6A Active CN117218535B (zh) | 2023-09-12 | 2023-09-12 | 一种基于sfa的长期森林覆盖变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218535B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751478A (zh) * | 2015-04-20 | 2015-07-01 | 武汉大学 | 一种基于多特征融合的面向对象的建筑物变化检测方法 |
CN111079556A (zh) * | 2019-11-25 | 2020-04-28 | 航天时代飞鸿技术有限公司 | 一种多时相无人机视频图像变化区域检测及分类方法 |
CN111931744A (zh) * | 2020-10-09 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 一种遥感影像变化检测方法和装置 |
CN112084837A (zh) * | 2020-07-13 | 2020-12-15 | 江南大学 | 一种基于深度网络的遥感影像变化检测方法及系统 |
CN113359133A (zh) * | 2021-06-03 | 2021-09-07 | 电子科技大学 | 一种协同光学和雷达遥感数据的面向对象变化检测方法 |
CN114092837A (zh) * | 2021-11-05 | 2022-02-25 | 中国科学院空天信息创新研究院 | 一种基于长时间尺度的遗址环境遥感监测方法及系统 |
CN114708550A (zh) * | 2022-03-29 | 2022-07-05 | 中国地质大学(武汉) | 融入先验知识的无监督学习森林火灾变化检测方法及装置 |
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
CN115456957A (zh) * | 2022-08-19 | 2022-12-09 | 广州大学 | 一种全尺度特征聚合的遥感影像变化检测的方法 |
CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
-
2023
- 2023-09-12 CN CN202311173891.6A patent/CN117218535B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751478A (zh) * | 2015-04-20 | 2015-07-01 | 武汉大学 | 一种基于多特征融合的面向对象的建筑物变化检测方法 |
CN111079556A (zh) * | 2019-11-25 | 2020-04-28 | 航天时代飞鸿技术有限公司 | 一种多时相无人机视频图像变化区域检测及分类方法 |
CN112084837A (zh) * | 2020-07-13 | 2020-12-15 | 江南大学 | 一种基于深度网络的遥感影像变化检测方法及系统 |
CN111931744A (zh) * | 2020-10-09 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 一种遥感影像变化检测方法和装置 |
CN113359133A (zh) * | 2021-06-03 | 2021-09-07 | 电子科技大学 | 一种协同光学和雷达遥感数据的面向对象变化检测方法 |
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
CN114092837A (zh) * | 2021-11-05 | 2022-02-25 | 中国科学院空天信息创新研究院 | 一种基于长时间尺度的遗址环境遥感监测方法及系统 |
CN114708550A (zh) * | 2022-03-29 | 2022-07-05 | 中国地质大学(武汉) | 融入先验知识的无监督学习森林火灾变化检测方法及装置 |
CN115456957A (zh) * | 2022-08-19 | 2022-12-09 | 广州大学 | 一种全尺度特征聚合的遥感影像变化检测的方法 |
CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
Non-Patent Citations (4)
Title |
---|
Remote Sensing Change Detection Based on Unsupervised Multi-Attention Slow Feature Analysis;Weipeng Jing 等;《remote sensing》;20220613;1-23 * |
基于光谱指数和SFA算法的长白山林线变化研究;乔相;《中国优秀硕士学位论文全文数据库 基础科学辑》;20220415(第04期);A009-65 * |
基于缩影的多时相遥感语义变化检测方法;景维鹏 等;《华中农业大学学报》;20230531;第42卷(第3期);123-131 * |
多时相遥感影像变化检测方法综述;眭海刚 等;《武汉大学学报(信息科学版)》;20181205(第12期);1885-1898 * |
Also Published As
Publication number | Publication date |
---|---|
CN117218535A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marquez et al. | Intra-hour DNI forecasting based on cloud tracking image analysis | |
CN111342391B (zh) | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 | |
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
CN109034252B (zh) | 空气质量站点监测数据异常的自动化识别方法 | |
CN110675588B (zh) | 一种森林火灾检测装置和方法 | |
CN112507865B (zh) | 一种烟雾识别方法及识别装置 | |
Zhang et al. | Automatically monitoring impervious surfaces using spectral generalization and time series Landsat imagery from 1985 to 2020 in the Yangtze River Delta | |
CN107527037A (zh) | 基于无人机遥感数据的蓝藻识别与分析系统 | |
CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN108734122A (zh) | 一种基于自适应样本选择的高光谱城区水体检测方法 | |
Li et al. | Hybrid cloud detection algorithm based on intelligent scene recognition | |
CN117218535B (zh) | 一种基于sfa的长期森林覆盖变化检测方法 | |
CN114005027A (zh) | 一种基于无人机影像的城市单木检测系统及方法 | |
CN113283276A (zh) | 一种联动热成像自学习火点检测方法及系统 | |
CN106960119A (zh) | 一种融合di的森林扰动综合特征指数及方法 | |
US20230169681A1 (en) | Quantitative evaluation method and system for prediction result of remote sensing inversion | |
CN114494281B (zh) | 基于增强型燃烧指数的中小型火烧迹地自动提取方法 | |
Wang et al. | Improved cloud mask algorithm for FY-3A/VIRR data over the northwest region of China | |
CN113657275A (zh) | 一种林草火点自动检测方法 | |
CN115457351B (zh) | 一种多源信息融合不确定性判别方法 | |
CN118230257B (zh) | 一种输电线通道烟火识别方法、系统、装置及存储介质 | |
Fu et al. | DBH Extraction of Standing Trees Based on a Binocular Vision Method | |
CN117434624B (zh) | 一种基于语义分割的强对流天气识别和发展预判方法 |
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 |