CN117541940B - 基于遥感数据的土地利用分类方法及系统 - Google Patents
基于遥感数据的土地利用分类方法及系统 Download PDFInfo
- Publication number
- CN117541940B CN117541940B CN202410033181.1A CN202410033181A CN117541940B CN 117541940 B CN117541940 B CN 117541940B CN 202410033181 A CN202410033181 A CN 202410033181A CN 117541940 B CN117541940 B CN 117541940B
- Authority
- CN
- China
- Prior art keywords
- land
- classification
- image data
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 239000002689 soil Substances 0.000 claims abstract description 112
- 238000004458 analytical method Methods 0.000 claims abstract description 107
- 238000012545 processing Methods 0.000 claims abstract description 75
- 230000003595 spectral effect Effects 0.000 claims description 111
- 238000001914 filtration Methods 0.000 claims description 84
- 238000012549 training Methods 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 53
- 230000011218 segmentation Effects 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 39
- 238000005516 engineering process Methods 0.000 claims description 33
- 238000007637 random forest analysis Methods 0.000 claims description 31
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 10
- 238000004856 soil analysis Methods 0.000 claims description 10
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 15
- 230000007613 environmental effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000012876 topography Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 238000013439 planning Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003709 image segmentation Methods 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
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G06V20/13—Satellite images
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及土地分类技术领域,尤其涉及基于遥感数据的土地利用分类方法及系统。所述方法包括以下步骤:获取土地分析区域;对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;对遥感土地图像数据进行地表高程分析,生成地表高程数据;根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据;对一级分类土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;根据土地图像特征参数对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理,生成二级分类土地图像数据。本发明实现基于遥感数据更加细致化地土地利用多级分类。
Description
技术领域
本发明涉及土地分类技术领域,尤其涉及基于遥感数据的土地利用分类方法及系统。
背景技术
通过遥感技术获取的关于地球表面特征的信息。这种数据主要来自于卫星或飞机搭载的传感器,以此采集遥感土地图像数据。遥感土地图像数据可以用于多种应用,包括环境监测、农业管理、城市规划等,由于能提供广阔区域的连续观测,对于管理土地信息的动态变化尤为重要。通过遥感技术可以获得关于土地变化、资源分配的宝贵信息,区分土地上不同的利用类型,如城市、农田、森林、水体等。然而,传统的基于遥感数据的土地利用分类方法未通过土地地表高程以及土地图像特征进行土地利用类型的多级分类,使得土地利用分类不够细致化,以此造成一些土地利用类型的分类不够精准。
发明内容
基于此,本发明提供一种基于遥感数据的土地利用分类方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种基于遥感数据的土地利用分类方法,包括以下步骤:
步骤S1:获取土地分析区域;利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;对遥感土地图像数据进行滤波处理,生成滤波土地图像数据;
步骤S2:利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据;
步骤S3:对一级分类土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;获取土地分类训练样本;基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立,生成土地分类预测模型;将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;根据土地利用类型预测数据对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理,生成二级分类土地图像数据;
步骤S4:基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立,以获得仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
本发明通过明确定义土地分析区域,确保了数据采集的精确性和相关性,卫星遥感技术可以覆盖大范围的地区,提供广泛的视角和高分辨率的图像,对于准确判断土地利用类型至关重要。遥感土地图像数据在采集过程中可能受到各种噪声和干扰的影响,例如云层、大气条件等。通过滤波处理,可以去除或减少这些干扰,提高图像数据的清晰度和可用性,是土地利用分类的重要前提,因为高质量的图像数据可以提供更准确的分析基础,从而提高了整个分类过程的效率和可靠性。通过数字高程模型的应用,可以准确地获得地表高程信息,对于理解地形变化、坡度、海拔等地理特征至关重要,因为这些特征对于土地利用类型的判定有着直接的影响,例如不同的海拔和坡度条件可能适合于不同类型的农业活动或城市发展,过结合地表高程数据,引入了一个额外的地形维度,多维度分析可以显著提高土地利用分类的准确性和细致性。基于地表高程数据进行土地利用的分类提高分类过程的全面性以及分类的细致性。对一级分类土地图像数据进行详细的特征参数分析,这一步骤提高了土地分类的精度,土地图像特征参数如纹理、颜色和形状等,为随后的分类提供了关键信息。应用随机森林算法进一步提高了土地利用分类的准确性和可靠性。通过获取土地分类训练样本以及随机森林算法建立土地图像特征分类的关系模型,能够适应实际的土地利用情况,这种基于实际数据的训练使模型更贴近实际应用场景,提高了其普遍适用性。通过将土地图像特征参数传输至预测模型并进行土地利用类型预测,实现了一级分类土地图像数据内部的土地利用的二级分类,这种多级分类方法能够更详细地划分土地类型,如在农业用地类别中进一步区分不同种植作物。通过建立仿真土地地图,提供了一种直观的方式来展示土地利用分类结果。这种图形化展示使得分类结果更易于理解和解释,多级划分的仿真土地地图融合了一级和二级分类的详细信息,提供了一个更全面的视角来观察和分析土地利用情况。将仿真分类土地地图传输至终端,便于数据的共享和协作。因此,本发明的基于遥感数据的土地利用分类方法通过土地地表高程以及土地图像特征进行土地利用类型的多级分类,使得土地利用分类更加细致化,从而对于土地利用类型的分类更为精准。
优选地,步骤S1包括以下步骤:
步骤S11:获取土地分析区域;
步骤S12:利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;
步骤S13:设计遥感土地图像的滤波参数;
步骤S14:利用滤波参数对遥感土地图像数据进行滤波处理,生成滤波土地图像数据。
本发明通过精确定义土地分析区域确保了研究的专注性和效率,明确的区域范围帮助集中资源和分析工作。卫星遥感技术能覆盖广泛区域,提供高分辨率的图像,使得对大范围地区的综合分析提供后续步骤的数据流,帮助监测和分析土地利用的时间变化,对于理解长期趋势和做出及时响应至关重要。设计滤波参数允许对图像数据进行定制化的处理,这样可以针对特定的数据特性和分析需求调整滤波方法,合适的滤波参数可以显著提高图像数据的质量,减少噪声和干扰,提供更清晰、更准确的数据用于后续分析。通过滤波处理,可以去除或减少图像数据中的噪声和误差,增加数据的可靠性,为后续的土地利用分类提供了坚实的基础,清晰、高质量的滤波图像数据使得后续的土地利用分类更为精确和高效。这种优化可以节约时间和资源,同时提高整体分析的效率。
优选地,步骤S13包括以下步骤:
步骤S131:获取时间序列上与遥感土地图像数据对应的气象数据;
步骤S132:将气象数据传输至预构建的辐射传输模型中进行光谱分析,生成气象光谱参数;
步骤S133:利用光谱滤波转换算法对气象光谱参数进行遥感土地图像的滤波参数计算,生成遥感土地图像的滤波参数。
本发明结合气象数据提供了关于图像获取时气候和天气状况的关键信息,有助于更好地理解图像数据。将气象数据传输至辐射传输模型进行光谱分析,可以生成与特定气候条件相关的光谱参数,有助于更精确地调整和优化图像数据处理。气象光谱参数的获取为遥感图像的滤波处理提供了定制化的基础,确保滤波方法能够针对特定的环境条件进行优化。利用光谱滤波转换算法根据气象光谱参数计算遥感土地图像的滤波参数,可以极大地提高滤波处理的准确性和效果,计算出的滤波参数使得能够针对特定的气象条件进行有效的图像处理,提高了图像质量。
优选地,步骤S133中的光谱滤波转换算法如下所示:
;
式中,表示为光谱波长为/>时的滤波参数,/>表示为气象光谱参数的光谱波长,/>表示为光谱波长为/>时设定的基准滤波参数,/>表示为设定的基准光谱波长,表示为光谱波长为/>时的基准光谱强度数据,/>表示为光谱波长为/>的光谱强度,/>表示为气象光谱参数的光谱平均强度,/>表示为相邻光谱波长间的间隔长度,/>表示为光谱波长/>的前一个光谱波长节点的光谱强度,/>表示为光谱波长/>的后一个光谱波长节点的光谱强度。
本发明利用一种光谱滤波转换算法,该算法充分考虑了气象光谱参数的光谱波长、光谱波长为/>时设定的基准滤波参数/>、设定的基准光谱波长/>、光谱波长为/>时的基准光谱强度数据/>、光谱波长为/>的光谱强度/>、气象光谱参数的光谱平均强度/>、相邻光谱波长间的间隔长度/>、光谱波长/>的前一个光谱波长节点的光谱强度、光谱波长/>的后一个光谱波长节点的光谱强度/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式通过对特定光谱波长的滤波参数进行计算,实现了对遥感图像数据中各个波长的定制化滤波处理,这种针对性的参数调整对于消除或减少特定波长下的噪声和干扰尤为有效,通过考虑气象光谱参数中的变化,能够更准确地反映大气条件对遥感数据的影响,这样的滤波优化可以显著提高图像数据的质量,尤其是在不同气象条件下。该函数关系式中/>为降噪信号与光谱强度的比值,通过设定基准滤波参数可以调节滤波强度的大小,从而达到在保留图像特征中起到降噪效果,/>反映了当前波长相对于整体光谱强度的变化,这有助于理解特定波长下光谱数据的特殊性。/>以及/>提供了对/>波长点附近光谱连续性的评估,有助于理解光谱数据在该波长点的稳定性或变化性。该函数关系式随着气象光谱参数的变化动态计算滤波参数,使得滤波处理能够适应于图像数据中的光谱强度变化,使得采集到的遥感土地图像更接近于真实的土地图像,降低外界条件的误差干扰。
优选地,步骤S2包括以下步骤:
步骤S21:利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;
步骤S22:基于预设的地表高程利用类型对地表高程数据进行数据划分,生成划分地表高程数据;
步骤S23:根据划分地表高程数据对滤波土地图像数据进行土地图像的一级分割处理,生成一级分割土地图像数据;
步骤S24:根据预设的地表高程利用类型对一级分类土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据。
本发明数字高程模型(DEM)能够提供关于地表高程的详细信息,有助于理解地形的变化、坡度、海拔等关键地理特征,地表高程信息是理解某些土地覆盖类型(如山地森林、湿地等)的重要因素,提高土地分类的准确性和可靠性。通过基于预设的地表高程利用类型进行数据划分,可以将地表高程数据与特定的土地利用类型相关联,为更精细的土地分类提供依据,有助于优化土地分类的流程,通过预先筛选相关的地表高程数据,可以减少不必要的处理,提高整体的分类效率,对滤波土地图像数据进行基于地表高程的一级分割,为进一步的详细分类打下基础,一级分割处理有助于明确区分不同地理特征的区域,为每个区域的特定土地利用类型提供初步判断。结合预设的地表高程利用类型,进一步提高了土地利用分类的精确度,为每个区域提供了更加明确的土地利用类型标签。
优选地,步骤S3包括以下步骤:
步骤S31:对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理,生成二级分割土地图像数据;
步骤S32:对二级分割土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;
步骤S33:基于随机森林算法建立土地图像特征分类的映射关系,以生成初始土地分类预测模型;
步骤S34:获取土地分类训练样本,其中所述土地分类训练样本包括历史土地图像特征参数以及历史图像特征参数对应的历史土地利用类型标签数据;
步骤S35:将土地分类训练样本传输至初始土地分类预测模型进行模型训练,并基于遗传算法对模型训练中的初始土地分类预测模型进行模型超参数优化调节,生成土地分类预测模型;
步骤S36:将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;
步骤S37:根据土地利用类型预测数据对二级分割土地图像数据进行土地利用二级分类,生成二级分类土地图像数据。
本发明对一级分类土地图像数据进行更细致的图像二级分割,进一步细化了土地特征的识别,有助于揭示一级分类内部的更复杂和细微的土地利用模式和变化,图像二级分割处理为土地利用类型识别提供了基础,使得能够区分出更具体的土地利用子类别,如特定类型的农田、不同种类的林地等。对二级分割土地图像数据进行特征参数分析,可以更精确地把握土地特征,如纹理、颜色、形状等,这种分析提供了详细的数据特征,为后续的分类提供了重要依据,生成详尽的土地图像特征参数,为使用机器学习算法(如随机森林算法)进行更精确的土地分类提供了关键输入。准确的特征参数有助于提高分类算法的性能和预测准确率。随机森林算法是一种强大的机器学习技术,能有效处理复杂的数据模式,通过此算法建立的模型能够高效地识别土地图像特征和土地利用类型之间的复杂关系,随机森林算法因其决策树的集成方法而在分类任务中表现出高准确度,并且不同的决策树中可以应对不同的图像特征,这种算法能够处理大量的特征变量,从而生成更准确、可靠的土地分类预测模型。通过使用包含历史土地图像特征参数和对应的土地利用类型标签数据的训练样本,确保了模型训练基于实际、历史的土地利用情况,提高了模型对的泛化能力。使用历史数据训练模型能够使其适应不同的土地覆盖和环境条件,从而提高模型在各种情境下的适用性和预测准确性。通过将土地分类训练样本传输至初始土地分类预测模型进行训练,模型能够更好地适应特定数据集的特性,提高预测的准确性,利用遗传算法对模型训练中的初始土地分类预测模型进行超参数优化调节,可以自动发现最优的模型参数配置。这种优化方法提高了模型的效率和性能,使其更适合于处理复杂的土地利用分类任务。将土地图像特征参数传输至优化后的土地分类预测模型,可以实现更精确的土地利用类型预测,确保了土地分类的准确性和可靠性,优化后的模型能够快速处理新的数据,为实时或近实时的土地利用分析提供支持。根据土地利用类型预测数据对二级分割土地图像数据进行分类,能够生成更细致、更具体的土地利用分类信息,如不同类型的农田、森林和建筑区域,生成的二级分类土地图像数据为土地管理和规划提供了更详尽的信息。
优选地,步骤S31包括以下步骤:
步骤S311:对一级分类土地图像数据进行图像灰度值参数计算,生成图像灰度值参数;
步骤S312:根据图像灰度值参数对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理,生成二级分割土地图像数据。
本发明通过计算一级分类土地图像数据的图像灰度值参数,这一步骤可以增强对图像数据的解析度。图像灰度值的分析能揭示图像中不同特征的细节和对比度,对于识别不同土地覆盖类型和条件至关重要,图像灰度值参数为土地利用分类提供了一个重要的特征维度,帮助识别和区分土地图像中的不同区域。基于图像灰度值参数对一级分类土地图像数据进行图像二级分割处理,能够实现更精细的土地类型区分,这种精细化处理有助于区分一级分类中的细微差异,例如在林地和草地之间的区分。通过在一级分类基础上进行图像二级分割,这一步骤保证了土地分类流程的逻辑性和连续性。这样的分割处理为后续更复杂的分类工作提供了坚实的基础。
优选地,步骤S32包括以下步骤:
步骤S321:利用离散小波变换技术对二级分割土地图像数据据进行土地图像纹理参数提取,生成土地图像纹理参数;
步骤S322:根据图像灰度值参数以及土地图像纹理参数进行土地图像特征参数整合,以获得二级分割土地图像数据的土地图像特征参数。
本发明利用离散小波变换技术在土地图像的纹理参数提取中尤其重要,因为不同的土地类型(如森林、农田、城市区域)会显示出不同的纹理特征,离散小波变换是一种强大的图像分析工具,能够有效地捕捉和提取图像中的纹理信息,通过详细分析土地图像的纹理,可以更准确地区分细微的土地利用差异,这对于精确的土地分类至关重要。结合图像灰度值参数和土地图像纹理参数进行特征整合,提供了一个更全面的视角来分析土地图像,这种综合方法使得能够同时考虑图像的亮度、对比度和纹理等多个方面,从而提高分类的准确性和可靠性。通过整合这些关键特征参数,为后续使用的分类模型(如基于机器学习的模型)提供了更丰富、更准确的输入数据,这种优化输入有助于提高模型在土地利用分类中的表现。
优选地,步骤S4包括以下步骤:
步骤S41:根据GIS技术对土地分析区域进行仿真土地地图建立,以获得仿真土地地图;
步骤S42:根据一级分类土地图像数据以及二级分类土地图像数据对仿真土地地图进行土地利用的多级分类处理,生成仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
本发明通过GIS技术建立的仿真土地地图能够准确地反映土地分析区域的空间特征和地理上下文,这种空间上下文对于理解和解释土地利用数据至关重要。GIS提供了强大的数据可视化和空间分析功能,通过建立仿真土地地图,提供了一种直观的方式来查看和分析土地覆盖和利用情况。结合一级和二级分类土地图像数据对仿真土地地图进行多级分类处理,可以生成更详细和细分的土地利用分类图,提高了分类信息的细致程度。仿真分类土地地图的生成和传输至终端设备,使得这些详细的分类信息可以被广泛应用于土地管理、城市规划、环境保护等决策过程中,提供了有力的数据支持。
本说明书中提供一种基于遥感数据的土地利用分类系统,用于执行如上述所述的基于遥感数据的土地利用分类方法,该基于遥感数据的土地利用分类系统包括:
遥感图像滤波处理模块,用于获取土地分析区域;利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;对遥感土地图像数据进行滤波处理,生成滤波土地图像数据;
土地利用一级分类模块,利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据;
土地利用二级分类模块,用于对一级分类土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;获取土地分类训练样本;基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立,生成土地分类预测模型;将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;根据土地利用类型预测数据对一级分类土地图像数据进行土地利用二级分类,生成二级分类土地图像数据;
仿真分类土地地图展示模块,基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立,以获得仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
本申请有益效果在于,本发明实现了土地利用类型的多级精确分类。通过分析气象造成的光谱噪声设计滤波参数,并滤波技术处理遥感图像,去除噪声和干扰,提高了图像数据的质量,高质量的图像数据为后续的土地利用分类提供了准确的分析基础,从而提高整个分类过程的效率和可靠性。结合地表高程数据引入了一个额外的地形维度,提供了更全面的土地利用分类方法,多维度分析显著提高了土地利用分类的准确性和细致性,尤其是在复杂地形的区域,配合地表高程信息,能够更准确地判断土地利用类型,如平原、高地等。应用随机森林算法进一步提高了土地利用分类的精度和可靠性,这种机器学习方法能够有效处理大量数据,并提供高准确率的预测。实施一级和二级的土地分类,使得土地利用分类更加细致和具体。通过建立仿真土地地图,提供了一种直观的方式来展示土地利用分类结果。多级划分的仿真土地地图融合了一级和二级分类的详细信息,提供了更全面的视角来观察和分析土地利用情况。将仿真分类土地地图传输至终端设备,便于数据的共享和协作,对于土地管理、城市规划、环境保护等领域的决策制定提供了有力的数据支持。
附图说明
图1为本发明一种基于遥感数据的土地利用分类方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图1中步骤S3的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本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,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供一种基于遥感数据的土地利用分类方法,包括以下步骤:
步骤S1:获取土地分析区域;利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;对遥感土地图像数据进行滤波处理,生成滤波土地图像数据;
步骤S2:利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据;
步骤S3:对一级分类土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;获取土地分类训练样本;基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立,生成土地分类预测模型;将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;根据土地利用类型预测数据对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理,生成二级分类土地图像数据;
步骤S4:基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立,以获得仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
本发明通过明确定义土地分析区域,确保了数据采集的精确性和相关性,卫星遥感技术可以覆盖大范围的地区,提供广泛的视角和高分辨率的图像,对于准确判断土地利用类型至关重要。遥感土地图像数据在采集过程中可能受到各种噪声和干扰的影响,例如云层、大气条件等。通过滤波处理,可以去除或减少这些干扰,提高图像数据的清晰度和可用性,是土地利用分类的重要前提,因为高质量的图像数据可以提供更准确的分析基础,从而提高了整个分类过程的效率和可靠性。通过数字高程模型的应用,可以准确地获得地表高程信息,对于理解地形变化、坡度、海拔等地理特征至关重要,因为这些特征对于土地利用类型的判定有着直接的影响,例如不同的海拔和坡度条件可能适合于不同类型的农业活动或城市发展,过结合地表高程数据,引入了一个额外的地形维度,多维度分析可以显著提高土地利用分类的准确性和细致性。基于地表高程数据进行土地利用的分类提高分类过程的全面性以及分类的细致性。对一级分类土地图像数据进行详细的特征参数分析,这一步骤提高了土地分类的精度,土地图像特征参数如纹理、颜色和形状等,为随后的分类提供了关键信息。应用随机森林算法进一步提高了土地利用分类的准确性和可靠性。通过获取土地分类训练样本以及随机森林算法建立土地图像特征分类的关系模型,能够适应实际的土地利用情况,这种基于实际数据的训练使模型更贴近实际应用场景,提高了其普遍适用性。通过将土地图像特征参数传输至预测模型并进行土地利用类型预测,实现了一级分类土地图像数据内部的土地利用的二级分类,这种多级分类方法能够更详细地划分土地类型,如在农业用地类别中进一步区分不同种植作物。通过建立仿真土地地图,提供了一种直观的方式来展示土地利用分类结果。这种图形化展示使得分类结果更易于理解和解释,多级划分的仿真土地地图融合了一级和二级分类的详细信息,提供了一个更全面的视角来观察和分析土地利用情况。将仿真分类土地地图传输至终端,便于数据的共享和协作。因此,本发明的基于遥感数据的土地利用分类方法通过土地地表高程以及土地图像特征进行土地利用类型的多级分类,使得土地利用分类更加细致化,从而对于土地利用类型的分类更为精准。
本发明实施例中,参考图1所述,为本发明一种基于遥感数据的土地利用分类方法的步骤流程示意图,在本实施例中,所述基于遥感数据的土地利用分类方法包括以下步骤:
步骤S1:获取土地分析区域;利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;对遥感土地图像数据进行滤波处理,生成滤波土地图像数据;
本发明实施例中,选定一个特定的区域作为土地分析的目标。例如,可以选择一个正在经历快速城市化的地区,或者一个由于环境变化而土地利用类型发生变化的农业区域,使用地图和其他地理信息系统(GIS)工具来准确地界定这个区域的边界,以获取土地分析区域。利用卫星遥感技术,如利用LANDSAT、Sentinel-2或其他遥感卫星,对选定的土地分析区域进行图像数据采集,确保采集的图像数据覆盖了整个区域,并且具有足够的分辨率来识别土地特征。采集数据时,考虑到云层遮挡等因素,可能需要在不同的时间点进行多次采集,以确保获得高质量的图像数据。采集到的遥感图像数据可能包含由于大气散射、传感器噪声等因素造成的干扰。因此,使用图像处理软件(如ERDAS IMAGINE、ENVI或QGIS)进行滤波处理,应用如高斯滤波器、中值滤波器等图像滤波技术,来去除噪声和其他干扰,同时保持土地覆盖特征的清晰度,经过滤波处理后,生成的滤波土地图像数据将更适用于后续的土地利用分类和分析。
步骤S2:利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据;
本发明实施例中,将滤波处理的遥感土地图像数据传输至数字高程模型(DEM),以提供数字高程模型输出的DEM数据。例如,可以利用SRTM(穿越雷达地形测绘任务)或ASTER(高级空间辐射热发射和反射辐射计)提供的DEM数据。从DEM中提取土地分析区域的地表高程数据,包括识别最高点和最低点、计算平均海拔、分析地势变化等。结合地表高程数据和滤波后的遥感图像数据,进行土地利用的一级分类。例如,可以设计土地地表高度的主要类别,如高山区域、丘陵区、平原区等,并对每个类别设定对应的地表高程区间,根据地表高程数据对应的地表高程区间进行滤波土地图像数据区域分类,完成分类后,生成的一级分类土地图像数据将在地图上展示不同类别的土地,这些数据可以用于进一步的为后续土地利用二级分类的分析提供数据基础,如土地覆盖的变化、城市扩张、农业用地的分布等。
步骤S3:对一级分类土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;获取土地分类训练样本;基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立,生成土地分类预测模型;将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;根据土地利用类型预测数据对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理,生成二级分类土地图像数据;
本发明实施例中,利用一级分类土地图像数据进行图像特征参数分析,包括分析图像的光谱特征、纹理特征、颜色特征等。使用图像处理和分析软件(如ENVI或QGIS)来提取这些特征。例如,对于农田区域,分析可能集中在植被指数和土壤湿度指标上;对于城市区域,可能更关注建筑物的几何特征和反射特性。收集与分析区域相对应的历史土地利用数据作为训练样本,包括以前的遥感图像、地面调查数据、或者其他来源的土地利用记录。确保这些训练样本覆盖不同的土地利用类型,并且与当前分析区域的条件相匹配。使用随机森林算法,结合收集的土地分类训练样本,来建立土地图像特征分类的关系模型,优化模型参数,确保其在处理土地图像特征方面的有效性和准确性。将一级分类土地图像数据的特征参数输入到建立好的土地分类预测模型中,模型将基于这些输入特征对土地利用类型进行预测,生成的土地利用类型预测数据会提供关于各区域可能的土地利用情况的信息。根据土地利用类型预测数据,对一级分类土地图像数据内部进行更细致的二级分类处理。这可能包括将一个较大的高山区域进一步细分为不同作物种植区域,或者将平原区域细分为住宅、商业和工业区,生成的二级分类土地图像数据为决策者提供了更详尽的土地利用信息。
步骤S4:基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立,以获得仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
本发明实施例中,使用一级分类土地图像数据和二级分类土地图像数据,开始建立仿真土地地图。这个过程可以在高级GIS软件中进行,如ArcGIS或QGIS。在GIS环境中,先根据一级分类土地图像数据进行仿真土地的初步利用类型划分,例如高原、平地,再根据二级分类土地图像数据在初步划分的仿真土地上再进行细致的利用类型划分,例如草原类型区域,工业类型区域等,将一级和二级分类的土地图像数据叠加到地理位置准确的基础地图上,每块土地区域都会根据其一级和二级分类被正确地定位和标识。在仿真土地地图中,不同的土地利用类型用不同的颜色或纹理表示,以便清楚地区分不同的分类。确保这个多级划分的地图能够清楚展示一级分类的大范围土地类型,以及更细致的二级分类信息,如不同类型的农作物或不同性质的城市区域。将完成的仿真分类土地地图导出为适合终端设备查看的格式,如PDF、JPEG或GIS专用格式,将这些地图文件传输至相关的终端设备,在终端设备上,使用这些地图来展示和解释不同区域的土地利用情况。
优选地,步骤S1包括以下步骤:
步骤S11:获取土地分析区域;
步骤S12:利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;
步骤S13:设计遥感土地图像的滤波参数;
步骤S14:利用滤波参数对遥感土地图像数据进行滤波处理,生成滤波土地图像数据。
本发明通过精确定义土地分析区域确保了研究的专注性和效率,明确的区域范围帮助集中资源和分析工作。卫星遥感技术能覆盖广泛区域,提供高分辨率的图像,使得对大范围地区的综合分析提供后续步骤的数据流,帮助监测和分析土地利用的时间变化,对于理解长期趋势和做出及时响应至关重要。设计滤波参数允许对图像数据进行定制化的处理,这样可以针对特定的数据特性和分析需求调整滤波方法,合适的滤波参数可以显著提高图像数据的质量,减少噪声和干扰,提供更清晰、更准确的数据用于后续分析。通过滤波处理,可以去除或减少图像数据中的噪声和误差,增加数据的可靠性,为后续的土地利用分类提供了坚实的基础,清晰、高质量的滤波图像数据使得后续的土地利用分类更为精确和高效。这种优化可以节约时间和资源,同时提高整体分析的效率。
本发明实施例中,选定一个特定的区域作为土地分析的目标。例如,可以选择一个正在经历快速城市化的地区,或者一个由于环境变化而土地利用类型发生变化的农业区域,使用地图和其他地理信息系统(GIS)工具来准确地界定这个区域的边界,以获取土地分析区域。使用卫星遥感技术,如LANDSAT或Sentinel-2卫星,对选定的土地分析区域进行多次遥感图像数据的采集,以确保获得高质量和代表性的数据,分析所采集的遥感图像数据,确定其中存在的噪声类型,如大气散射、云层遮挡或传感器噪声。根据图像噪声的特性,设计合适的滤波参数。例如,如果图像中有大量的大气散射噪声,可以根据大气散射噪声设计滤波参数。使用设计好的滤波参数对遥感图像数据进行处理,可以通过图像处理软件,如ENVI或ERDAS IMAGINE来完成,滤波处理后获得滤波土地图像数据。
优选地,步骤S13包括以下步骤:
步骤S131:获取时间序列上与遥感土地图像数据对应的气象数据;
步骤S132:将气象数据传输至预构建的辐射传输模型中进行光谱分析,生成气象光谱参数;
步骤S133:利用光谱滤波转换算法对气象光谱参数进行遥感土地图像的滤波参数计算,生成遥感土地图像的滤波参数。
本发明结合气象数据提供了关于图像获取时气候和天气状况的关键信息,有助于更好地理解图像数据。将气象数据传输至辐射传输模型进行光谱分析,可以生成与特定气候条件相关的光谱参数,有助于更精确地调整和优化图像数据处理。气象光谱参数的获取为遥感图像的滤波处理提供了定制化的基础,确保滤波方法能够针对特定的环境条件进行优化。利用光谱滤波转换算法根据气象光谱参数计算遥感土地图像的滤波参数,可以极大地提高滤波处理的准确性和效果,计算出的滤波参数使得能够针对特定的气象条件进行有效的图像处理,提高了图像质量。
本发明实施例中,对于选定的土地分析区域和时间点,获取相应时间序列上的气象数据,这些数据可以从气象卫星、地面气象站或气象数据库中获得。收集的气象数据应包括与遥感图像采集时间相匹配的温度、湿度、云量、太阳辐射等参数。例如遥感图像是在夏季早晨采集的,那么应该获取该时间点的气象数据。将收集到的气象数据传输至预构建的辐射传输模型中,如MODTRAN或6S,这些程序能够模拟大气对太阳辐射的影响。在模型中输入气象数据,进行光谱分析,模型将基于输入的气象条件,计算影响遥感图像数据的大气辐射传输特性,生成气象光谱参数。利用光谱滤波转换算法,对从辐射传输模型中得到的气象光谱参数进行处理,这个算法可以是一个自动化的程序,它根据气象光谱参数计算出最适合用于滤波处理的参数。这些滤波参数将被用于遥感土地图像数据滤波处理,例如气象光谱分析显示大气中有较高的水汽含量,滤波参数将被调整以最大限度地减少由水汽引起的影响。
优选地,步骤S133中的光谱滤波转换算法如下所示:
;
式中,表示为光谱波长为/>时的滤波参数,/>表示为气象光谱参数的光谱波长,/>表示为光谱波长为/>时设定的基准滤波参数,/>表示为设定的基准光谱波长,表示为光谱波长为/>时的基准光谱强度数据,/>表示为光谱波长为/>的光谱强度,/>表示为气象光谱参数的光谱平均强度,/>表示为相邻光谱波长间的间隔长度,/>表示为光谱波长/>的前一个光谱波长节点的光谱强度,/>表示为光谱波长/>的后一个光谱波长节点的光谱强度。
本发明利用一种光谱滤波转换算法,该算法充分考虑了气象光谱参数的光谱波长、光谱波长为/>时设定的基准滤波参数/>、设定的基准光谱波长/>、光谱波长为/>时的基准光谱强度数据/>、光谱波长为/>的光谱强度/>、气象光谱参数的光谱平均强度/>、相邻光谱波长间的间隔长度/>、光谱波长/>的前一个光谱波长节点的光谱强度、光谱波长/>的后一个光谱波长节点的光谱强度/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式通过对特定光谱波长的滤波参数进行计算,实现了对遥感图像数据中各个波长的定制化滤波处理,这种针对性的参数调整对于消除或减少特定波长下的噪声和干扰尤为有效,通过考虑气象光谱参数中的变化,能够更准确地反映大气条件对遥感数据的影响,这样的滤波优化可以显著提高图像数据的质量,尤其是在不同气象条件下。该函数关系式中/>为降噪信号与光谱强度的比值,通过设定基准滤波参数可以调节滤波强度的大小,从而达到在保留图像特征中起到降噪效果,/>反映了当前波长相对于整体光谱强度的变化,这有助于理解特定波长下光谱数据的特殊性。/>以及/>提供了对/>波长点附近光谱连续性的评估,有助于理解光谱数据在该波长点的稳定性或变化性。该函数关系式随着气象光谱参数的变化动态计算滤波参数,使得滤波处理能够适应于图像数据中的光谱强度变化,使得采集到的遥感土地图像更接近于真实的土地图像,降低外界条件的误差干扰。
优选地,步骤S2包括以下步骤:
步骤S21:利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;
步骤S22:基于预设的地表高程利用类型对地表高程数据进行数据划分,生成划分地表高程数据;
步骤S23:根据划分地表高程数据对滤波土地图像数据进行土地图像的一级分割处理,生成一级分割土地图像数据;
步骤S24:根据预设的地表高程利用类型对一级分类土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据。
本发明数字高程模型(DEM)能够提供关于地表高程的详细信息,有助于理解地形的变化、坡度、海拔等关键地理特征,地表高程信息是理解某些土地覆盖类型(如山地森林、湿地等)的重要因素,提高土地分类的准确性和可靠性。通过基于预设的地表高程利用类型进行数据划分,可以将地表高程数据与特定的土地利用类型相关联,为更精细的土地分类提供依据,有助于优化土地分类的流程,通过预先筛选相关的地表高程数据,可以减少不必要的处理,提高整体的分类效率,对滤波土地图像数据进行基于地表高程的一级分割,为进一步的详细分类打下基础,一级分割处理有助于明确区分不同地理特征的区域,为每个区域的特定土地利用类型提供初步判断。结合预设的地表高程利用类型,进一步提高了土地利用分类的精确度,为每个区域提供了更加明确的土地利用类型标签。
作为本发明的一个实例,参考图2所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;
本发明实施例中,在完成的滤波土地图像数据的基础上,引入数字高程模型(DEM)来进行地表高程分析。例如,可以使用如SRTM(Shuttle Radar Topography Mission)或ASTER(Advanced Spaceborne Thermal Emission and Reflection Radiometer)的DEM数据。在GIS软件(如ArcGIS或QGIS)中导入DEM数据,并与滤波后的遥感图像叠加,通过GIS软件中的分析工具,提取地表高程数据,例如计算不同地区的平均海拔、坡度和地形起伏等。
步骤S22:基于预设的地表高程利用类型对地表高程数据进行数据划分,生成划分地表高程数据;
本发明实施例中,根据预设的地表高程利用类型(如山地、丘陵、平原、河谷等)对提取的地表高程数据进行分类划分,涉及设置特定的高程范围或特征来识别不同的地形类型。使用GIS软件的分析功能,如分级或分类工具,来划分地表高程数据。例如,可以设置海拔高度阈值来区分山地和平原,或者根据坡度来区分丘陵和平缓地区,生成划分后的地表高程数据,这些数据将直观地展示不同地表高程类型的分布,例如地图上可以用不同的颜色或图案来表示山地、平原、丘陵等不同的高程区域。
步骤S23:根据划分地表高程数据对滤波土地图像数据进行土地图像的一级分割处理,生成一级分割土地图像数据;
本发明实施例中,利用划分的地表高程数据,对滤波后的遥感土地图像进行一级分割处理,可以在GIS软件中实施,通过结合地表高程数据和遥感图像的特性来划分土地。例如,在GIS中,使用地表高程数据中不同高程的区域对遥感图像进行初步的分割,每个分割区域代表具有相似地表高程特征的土地区块,生成的一级分割土地图像数据将反映出基于地形条件的不同土地区域,为进一步的详细分类提供基础。
步骤S24:根据预设的地表高程利用类型对一级分类土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据。
本发明实施例中,在一级分割土地图像的基础上进一步对这些区域进行土地利用的一级分类处理,依赖于预设的地表高程利用类型,如山区、平原、丘陵等,将一级分割土地图像中每个分割图像对应的高程数据进行分类,生成的一级分类土地图像数据将详细展示各区域的初步土地利用类型。
优选地,步骤S3包括以下步骤:
步骤S31:对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理,生成二级分割土地图像数据;
步骤S32:对二级分割土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;
步骤S33:基于随机森林算法建立土地图像特征分类的映射关系,以生成初始土地分类预测模型;
步骤S34:获取土地分类训练样本,其中所述土地分类训练样本包括历史土地图像特征参数以及历史图像特征参数对应的历史土地利用类型标签数据;
步骤S35:将土地分类训练样本传输至初始土地分类预测模型进行模型训练,并基于遗传算法对模型训练中的初始土地分类预测模型进行模型超参数优化调节,生成土地分类预测模型;
步骤S36:将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;
步骤S37:根据土地利用类型预测数据对二级分割土地图像数据进行土地利用二级分类,生成二级分类土地图像数据。
本发明对一级分类土地图像数据进行更细致的图像二级分割,进一步细化了土地特征的识别,有助于揭示一级分类内部的更复杂和细微的土地利用模式和变化,图像二级分割处理为土地利用类型识别提供了基础,使得能够区分出更具体的土地利用子类别,如特定类型的农田、不同种类的林地等。对二级分割土地图像数据进行特征参数分析,可以更精确地把握土地特征,如纹理、颜色、形状等,这种分析提供了详细的数据特征,为后续的分类提供了重要依据,生成详尽的土地图像特征参数,为使用机器学习算法(如随机森林算法)进行更精确的土地分类提供了关键输入。准确的特征参数有助于提高分类算法的性能和预测准确率。随机森林算法是一种强大的机器学习技术,能有效处理复杂的数据模式,通过此算法建立的模型能够高效地识别土地图像特征和土地利用类型之间的复杂关系,随机森林算法因其决策树的集成方法而在分类任务中表现出高准确度,并且不同的决策树中可以应对不同的图像特征,这种算法能够处理大量的特征变量,从而生成更准确、可靠的土地分类预测模型。通过使用包含历史土地图像特征参数和对应的土地利用类型标签数据的训练样本,确保了模型训练基于实际、历史的土地利用情况,提高了模型对的泛化能力。使用历史数据训练模型能够使其适应不同的土地覆盖和环境条件,从而提高模型在各种情境下的适用性和预测准确性。通过将土地分类训练样本传输至初始土地分类预测模型进行训练,模型能够更好地适应特定数据集的特性,提高预测的准确性,利用遗传算法对模型训练中的初始土地分类预测模型进行超参数优化调节,可以自动发现最优的模型参数配置。这种优化方法提高了模型的效率和性能,使其更适合于处理复杂的土地利用分类任务。将土地图像特征参数传输至优化后的土地分类预测模型,可以实现更精确的土地利用类型预测,确保了土地分类的准确性和可靠性,优化后的模型能够快速处理新的数据,为实时或近实时的土地利用分析提供支持。根据土地利用类型预测数据对二级分割土地图像数据进行分类,能够生成更细致、更具体的土地利用分类信息,如不同类型的农田、森林和建筑区域,生成的二级分类土地图像数据为土地管理和规划提供了更详尽的信息。
作为本发明的一个实例,参考图3所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理,生成二级分割土地图像数据;
本发明实施例中,确定适用于一级分类土地图像数据的图像二级分割技术。考虑到土地图像的特性,可以将一级分类土地图像数据转换为灰度值图像,并根据灰度值图像的灰度值进行图像分割,例如图像中的河流与树林颜色差异进行分割。调整分割参数,如分割的图像的灰度值区间,以确保能够准确分割不同类型的土地区域。分割过程完成后,每个一级分类区域内部将被进一步细分为具有不同特征的子区域,形成二级分割的土地图像数据。
步骤S32:对二级分割土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;
本发明实施例中,确定用于分析二级分割土地图像数据的特征参数,这些特征可能包括纹理特征(如纹理粗糙度、对比度)、颜色特征等。选择合适的分析工具和技术,如使用图像处理软件(如ENVI、ERDAS IMAGINE)或GIS软件(如ArcGIS、QGIS)进行光谱分析和纹理分析,在图像处理软件中载入二级分割的土地图像数据。根据所选择的特征参数类型,设置相应的分析参数和方法。对每个二级分割区域进行详细分析。例如,对于,可以分析图像颜色,用于后续来评估农田区域;可以分析图像的纹理和形状,用于后续来评估城市区域。完成特征参数的分析后,为每个二级分割区域生成对应的特征参数数据,这些数据将详细反映每个区域的特定特征。
步骤S33:基于随机森林算法建立土地图像特征分类的映射关系,以生成初始土地分类预测模型;
本发明实施例中,选择随机森林算法作为建立土地图像特征分类映射关系的工具。随机森林是一种有效的机器学习方法,特别适合处理具有多个特征参数的复杂数据集。使用统计软件或编程环境(如R语言、Python等)中的机器学习库来设置随机森林模型,设定模型参数,如树的数量、深度、分割标准等。将土地图像特征参数作为输入。这些数据将包括纹理特征、颜色特征等。根据土地图像特征参数的数据类型设置随机森林中树的数量,并根据每个数据类型中的数据来设置树的深度。可以使用已知分类的土地图像数据作为训练集,以确保模型能够学习并识别不同分类的特征模式。
步骤S34:获取土地分类训练样本,其中所述土地分类训练样本包括历史土地图像特征参数以及历史图像特征参数对应的历史土地利用类型标签数据;
本发明实施例中,识别和收集用于训练随机森林模型的土地分类训练样本,这些样本应该包括历史土地图像特征参数及其对应的土地利用类型标签。例如,可以从历史遥感数据集中选取样本,这些数据集可能包括过去几年在同一地区收集的土地图像及其经专家或现场调查验证的土地利用类型,并将这些经过专家验证的土地利用类型作为训练样本的标签数据。对选定的历史土地图像进行特征提取,包括纹理特征、颜色特征等,确保这些特征参数与用于建立模型的特征参数类型和格式一致。将这些特征参数与相应的历史土地利用类型标签配对,创建一个完整的训练数据集,每个样本都应包含一组特征参数和一个对应的土地利用类型标签。
步骤S35:将土地分类训练样本传输至初始土地分类预测模型进行模型训练,并基于遗传算法对模型训练中的初始土地分类预测模型进行模型超参数优化调节,生成土地分类预测模型;
本发明实施例中,使用土地分类训练样本来训练初始土地分类预测模型,这个过程通常在统计软件或编程环境(如R语言、Python等)中进行,其中应用了随机森林算法。将特征参数和相应的土地利用类型标签加载到模型中,执行训练过程,训练过程中,模型将学习如何根据输入的特征参数预测土地利用类型。在模型训练的同时,引入遗传算法来进行超参数优化,遗传算法是一种启发式搜索算法,用于在给定的参数空间内找到最优的参数组合,设置遗传算法的参数,如土地类型数量大小、交叉率和迭代次数,然后,遗传算法通过模拟自然选择的过程来调整和优化模型的超参数,如随机森林中的树的数量、树的深度等。通过遗传算法优化的过程完成后,得到一组最优化的超参数,应用这些超参数,重新优化后的初始土地分类预测模型,以提高其预测性能,最终生成的土地分类预测模型将基于这些优化后的参数,提供更准确、更可靠的土地利用类型预测。
步骤S36:将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;
本发明实施例中,将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,土地分类预测模型将根据输入的土地图像特征参数进行分析,预测每个区域的土地利用类型,这个过程涉及模型内部的决策树进行分析和分类。预测结果将为每个区域提供一个土地利用类型标签,如农田、森林、城市区域等。将预测结果整理成易于理解和使用的格式,例如,创建一个包含地理位置、特征参数和预测土地利用类型的数据表。
步骤S37:根据土地利用类型预测数据对二级分割土地图像数据进行土地利用二级分类,生成二级分类土地图像数据。
本发明实施例中,利用土地利用类型预测数据以及结合二级分割土地图像数据,确保两者在地理位置和分辨率上匹配。在GIS软件或图像处理软件中,将这些数据层叠加,以便在地理空间上准确对应每个区域的土地利用预测类型和图像特征。根据预测数据,对每个二级分割区域进行更细致的土地利用类型分类,涉及将预测的土地利用类型应用于相应的图像区域。例如,如果某个区域在二级分割图像中被识别为平原,且模型预测它为农田,这个信息将被用来标记该区域。每个二级分割区域根据其预测的土地利用类型进行标记和分类,形成最终的二级分类土地图像数据。
优选地,步骤S31包括以下步骤:
步骤S311:对一级分类土地图像数据进行图像灰度值参数计算,生成图像灰度值参数;
步骤S312:根据图像灰度值参数对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理,生成二级分割土地图像数据。
本发明通过计算一级分类土地图像数据的图像灰度值参数,这一步骤可以增强对图像数据的解析度。图像灰度值的分析能揭示图像中不同特征的细节和对比度,对于识别不同土地覆盖类型和条件至关重要,图像灰度值参数为土地利用分类提供了一个重要的特征维度,帮助识别和区分土地图像中的不同区域。基于图像灰度值参数对一级分类土地图像数据进行图像二级分割处理,能够实现更精细的土地类型区分,这种精细化处理有助于区分一级分类中的细微差异,例如在林地和草地之间的区分。通过在一级分类基础上进行图像二级分割,这一步骤保证了土地分类流程的逻辑性和连续性。这样的分割处理为后续更复杂的分类工作提供了坚实的基础。
本发明实施例中,对一级分类土地图像数据执行灰度值分析,这涉及到计算每个像素点的灰度值,生成图像灰度值参数,该图像灰度值参数反映了土地的颜色特征,并对每个一级分类土地图像数据中的一级分类子图像进行图像灰度值分类,将一级分类子图像中的图像灰度值不处于同一预设灰度值区间的相邻图像进行分割,例如,不同类型的土地覆盖(如城市区域、农田、森林)可能会在灰度值上显示出不同的特征,在GIS或图像处理软件中设置分割参数,如灰度值的阈值范围,以区分不同的土地类型。例如,较高的灰度值可能代表城市地区,而较低的灰度值可能代表水体或植被区域,执行分割处理后,一级分类的图像将被进一步细分为具有不同特征的小区域,形成二级分割的土地图像数据。
优选地,步骤S32包括以下步骤:
步骤S321:利用离散小波变换技术对二级分割土地图像数据据进行土地图像纹理参数提取,生成土地图像纹理参数;
步骤S322:根据图像灰度值参数以及土地图像纹理参数进行土地图像特征参数整合,以获得二级分割土地图像数据的土地图像特征参数。
本发明利用离散小波变换技术在土地图像的纹理参数提取中尤其重要,因为不同的土地类型(如森林、农田、城市区域)会显示出不同的纹理特征,离散小波变换是一种强大的图像分析工具,能够有效地捕捉和提取图像中的纹理信息,通过详细分析土地图像的纹理,可以更准确地区分细微的土地利用差异,这对于精确的土地分类至关重要。结合图像灰度值参数和土地图像纹理参数进行特征整合,提供了一个更全面的视角来分析土地图像,这种综合方法使得能够同时考虑图像的亮度、对比度和纹理等多个方面,从而提高分类的准确性和可靠性。通过整合这些关键特征参数,为后续使用的分类模型(如基于机器学习的模型)提供了更丰富、更准确的输入数据,这种优化输入有助于提高模型在土地利用分类中的表现。
本发明实施例中,应用离散小波变换技术对二级分割图像数据进行纹理分析。离散小波变换能够有效地在多个尺度上分析图像纹理,捕捉不同纹理特征,如边缘、线条和局部变化等。对每个分割的区域提取纹理参数,如纹理的均匀性、粗糙度和方向性等,这些纹理参数能够帮助识别不同类型的土地覆盖,如区分裸土、密集植被或建筑区域。结合图像灰度值参数以及纹理参数,对二级分割土地图像数据的特征进行整合,并确保每个区域的灰度值和纹理特征能够准确匹配,生成的特征参数数据集将包含关于每个二级分割区域的综合特征信息。
优选地,步骤S4包括以下步骤:
步骤S41:根据GIS技术对土地分析区域进行仿真土地地图建立,以获得仿真土地地图;
步骤S42:根据一级分类土地图像数据以及二级分类土地图像数据对仿真土地地图进行土地利用的多级分类处理,生成仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
本发明通过GIS技术建立的仿真土地地图能够准确地反映土地分析区域的空间特征和地理上下文,这种空间上下文对于理解和解释土地利用数据至关重要。GIS提供了强大的数据可视化和空间分析功能,通过建立仿真土地地图,提供了一种直观的方式来查看和分析土地覆盖和利用情况。结合一级和二级分类土地图像数据对仿真土地地图进行多级分类处理,可以生成更详细和细分的土地利用分类图,提高了分类信息的细致程度。仿真分类土地地图的生成和传输至终端设备,使得这些详细的分类信息可以被广泛应用于土地管理、城市规划、环境保护等决策过程中,提供了有力的数据支持。
本发明实施例中,使用GIS软件(如ArcGIS或QGIS)对土地分析区域的地理信息创建基础地图,这包括描绘区域的物理边界、主要地形地貌、水体、道路等基础地理特征。在基础地图上叠加一级分类土地图像数据和二级分类土地图像数据。这些数据层将提供关于土地覆盖和利用的详细视图。结合一级和二级分类数据,对仿真土地地图进行多级分类处理,例如先区分高原、平底为一级土地利用类型标签,再一级土地利用类型标签中再进行不同类型的土地利用区分,如农田、城市等为二级土地利用类型标签,将不同类型的土地利用(如农田、森林、城市区域等)以不同的颜色或图案表示,为每种土地利用类型分配一个独特的视觉标识,使其在地图上容易区分。例如,可以使用不同的颜色阴影来区分不同密度的城市区域或不同类型的植被覆盖。完成多级分类处理后,将生成的仿真分类土地地图导出为适合展示和分析的格式,如PDF、JPEG或专业的GIS数据格式。将这些地图传输至各种终端设备进行土地利用分类展示。
本说明书中提供一种基于遥感数据的土地利用分类系统,用于执行如上述所述的基于遥感数据的土地利用分类方法,该基于遥感数据的土地利用分类系统包括:
遥感图像滤波处理模块,用于获取土地分析区域;利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;对遥感土地图像数据进行滤波处理,生成滤波土地图像数据;
土地利用一级分类模块,利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据;
土地利用二级分类模块,用于对一级分类土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;获取土地分类训练样本;基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立,生成土地分类预测模型;将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;根据土地利用类型预测数据对一级分类土地图像数据进行土地利用二级分类,生成二级分类土地图像数据;
仿真分类土地地图展示模块,基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立,以获得仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
本申请有益效果在于,本发明实现了土地利用类型的多级精确分类。通过分析气象造成的光谱噪声设计滤波参数,并滤波技术处理遥感图像,去除噪声和干扰,提高了图像数据的质量,高质量的图像数据为后续的土地利用分类提供了准确的分析基础,从而提高整个分类过程的效率和可靠性。结合地表高程数据引入了一个额外的地形维度,提供了更全面的土地利用分类方法,多维度分析显著提高了土地利用分类的准确性和细致性,尤其是在复杂地形的区域,配合地表高程信息,能够更准确地判断土地利用类型,如平原、高地等。应用随机森林算法进一步提高了土地利用分类的精度和可靠性,这种机器学习方法能够有效处理大量数据,并提供高准确率的预测。实施一级和二级的土地分类,使得土地利用分类更加细致和具体。通过建立仿真土地地图,提供了一种直观的方式来展示土地利用分类结果。多级划分的仿真土地地图融合了一级和二级分类的详细信息,提供了更全面的视角来观察和分析土地利用情况。将仿真分类土地地图传输至终端设备,便于数据的共享和协作,对于土地管理、城市规划、环境保护等领域的决策制定提供了有力的数据支持。
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,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于遥感数据的土地利用分类方法,其特征在于,包括以下步骤:
步骤S1:获取土地分析区域;利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;对遥感土地图像数据进行滤波处理,生成滤波土地图像数据;
步骤S2:利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据;
步骤S3:对一级分类土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;获取土地分类训练样本;基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立,生成土地分类预测模型;将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;根据土地利用类型预测数据对一级分类土地图像数据进行一级分类土地图像内部的土地利用二级分类处理,生成二级分类土地图像数据;
步骤S4:基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立,以获得仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
2.根据权利要求1所述的基于遥感数据的土地利用分类方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取土地分析区域;
步骤S12:利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;
步骤S13:设计遥感土地图像的滤波参数;
步骤S14:利用滤波参数对遥感土地图像数据进行滤波处理,生成滤波土地图像数据。
3.根据权利要求2所述的基于遥感数据的土地利用分类方法,其特征在于,步骤S13包括以下步骤:
步骤S131:获取时间序列上与遥感土地图像数据对应的气象数据;
步骤S132:将气象数据传输至预构建的辐射传输模型中进行光谱分析,生成气象光谱参数;
步骤S133:利用光谱滤波转换算法对气象光谱参数进行遥感土地图像的滤波参数计算,生成遥感土地图像的滤波参数。
4.根据权利要求3所述的基于遥感数据的土地利用分类方法,其特征在于,步骤S133中的光谱滤波转换算法如下所示:
;
式中,表示为光谱波长为/>时的滤波参数,/>表示为气象光谱参数的光谱波长,表示为光谱波长为/>时设定的基准滤波参数,/>表示为设定的基准光谱波长,/>表示为光谱波长为/>时的基准光谱强度数据,/>表示为光谱波长为/>的光谱强度,/>表示为气象光谱参数的光谱平均强度,/>表示为相邻光谱波长间的间隔长度,/>表示为光谱波长/>的前一个光谱波长节点的光谱强度,/>表示为光谱波长/>的后一个光谱波长节点的光谱强度。
5.根据权利要求1所述的基于遥感数据的土地利用分类方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;
步骤S22:基于预设的地表高程利用类型对地表高程数据进行数据划分,生成划分地表高程数据;
步骤S23:根据划分地表高程数据对滤波土地图像数据进行土地图像的一级分割处理,生成一级分割土地图像数据;
步骤S24:根据预设的地表高程利用类型对一级分类土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据。
6.根据权利要求1所述的基于遥感数据的土地利用分类方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理,生成二级分割土地图像数据;
步骤S32:对二级分割土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;
步骤S33:基于随机森林算法建立土地图像特征分类的映射关系,以生成初始土地分类预测模型;
步骤S34:获取土地分类训练样本,其中所述土地分类训练样本包括历史土地图像特征参数以及历史图像特征参数对应的历史土地利用类型标签数据;
步骤S35:将土地分类训练样本传输至初始土地分类预测模型进行模型训练,并基于遗传算法对模型训练中的初始土地分类预测模型进行模型超参数优化调节,生成土地分类预测模型;
步骤S36:将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;
步骤S37:根据土地利用类型预测数据对二级分割土地图像数据进行土地利用二级分类,生成二级分类土地图像数据。
7.根据权利要求6所述的基于遥感数据的土地利用分类方法,其特征在于,步骤S31包括以下步骤:
步骤S311:对一级分类土地图像数据进行图像灰度值参数计算,生成图像灰度值参数;
步骤S312:根据图像灰度值参数对一级分类土地图像数据进行一级分类土地图像内部的图像二级分割处理,生成二级分割土地图像数据。
8.根据权利要求7所述的基于遥感数据的土地利用分类方法,其特征在于,步骤S32包括以下步骤:
步骤S321:利用离散小波变换技术对二级分割土地图像数据据进行土地图像纹理参数提取,生成土地图像纹理参数;
步骤S322:根据图像灰度值参数以及土地图像纹理参数进行土地图像特征参数整合,以获得二级分割土地图像数据的土地图像特征参数。
9.根据权利要求1所述的基于遥感数据的土地利用分类方法,其特征在于,步骤S4包括以下步骤:
步骤S41:根据GIS技术对土地分析区域进行仿真土地地图建立,以获得仿真土地地图;
步骤S42:根据一级分类土地图像数据以及二级分类土地图像数据对仿真土地地图进行土地利用的多级分类处理,生成仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
10.一种基于遥感数据的土地利用分类系统,其特征在于,用于执行如权利要求1所述的基于遥感数据的土地利用分类方法,该基于遥感数据的土地利用分类系统包括:
遥感图像滤波处理模块,用于获取土地分析区域;利用卫星遥感技术对土地分析区域进行遥感土地图像数据采集,生成遥感土地图像数据;对遥感土地图像数据进行滤波处理,生成滤波土地图像数据;
土地利用一级分类模块,利用数字高程模型对滤波土地图像数据进行地表高程分析,生成地表高程数据;根据地表高程数据对滤波土地图像数据进行土地利用一级分类处理,生成一级分类土地图像数据;
土地利用二级分类模块,用于对一级分类土地图像数据进行土地图像特征参数分析,生成土地图像特征参数;获取土地分类训练样本;基于随机森林算法以及土地分类训练样本进行土地图像特征分类的关系模型建立,生成土地分类预测模型;将土地图像特征参数传输至土地分类预测模型进行土地利用类型预测,生成土地利用类型预测数据;根据土地利用类型预测数据对一级分类土地图像数据进行土地利用二级分类,生成二级分类土地图像数据;
仿真分类土地地图展示模块,基于一级分类土地图像数据以及二级分类土地图像数据对土地分析区域进行多级划分的仿真土地地图建立,以获得仿真分类土地地图,并将仿真分类土地地图传输至终端以进行土地利用分类的展示任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033181.1A CN117541940B (zh) | 2024-01-10 | 2024-01-10 | 基于遥感数据的土地利用分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033181.1A CN117541940B (zh) | 2024-01-10 | 2024-01-10 | 基于遥感数据的土地利用分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541940A CN117541940A (zh) | 2024-02-09 |
CN117541940B true CN117541940B (zh) | 2024-03-22 |
Family
ID=89796223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410033181.1A Active CN117541940B (zh) | 2024-01-10 | 2024-01-10 | 基于遥感数据的土地利用分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541940B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760421A (zh) * | 2016-01-12 | 2016-07-13 | 西安科技大学 | 土地利用类型分类的方法 |
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
CN111666999A (zh) * | 2020-06-03 | 2020-09-15 | 周雷文 | 一种遥感图像的分类方法 |
CN112070078A (zh) * | 2020-11-16 | 2020-12-11 | 武汉思众空间信息科技有限公司 | 基于深度学习的土地利用分类方法及系统 |
CN113807278A (zh) * | 2021-09-23 | 2021-12-17 | 华中师范大学 | 一种基于深度学习的土地利用分类及变化预测方法 |
CN116168244A (zh) * | 2023-02-09 | 2023-05-26 | 中国林业科学研究院林业研究所 | 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 |
CN116977750A (zh) * | 2023-09-25 | 2023-10-31 | 中国地质大学(武汉) | 土地覆盖场景分类模型构建方法及分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210209424A1 (en) * | 2020-01-06 | 2021-07-08 | Quantela Inc | Computer-based method and system for predicting and generating land use land cover (lulc) classification |
-
2024
- 2024-01-10 CN CN202410033181.1A patent/CN117541940B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760421A (zh) * | 2016-01-12 | 2016-07-13 | 西安科技大学 | 土地利用类型分类的方法 |
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
CN111666999A (zh) * | 2020-06-03 | 2020-09-15 | 周雷文 | 一种遥感图像的分类方法 |
CN112070078A (zh) * | 2020-11-16 | 2020-12-11 | 武汉思众空间信息科技有限公司 | 基于深度学习的土地利用分类方法及系统 |
CN113807278A (zh) * | 2021-09-23 | 2021-12-17 | 华中师范大学 | 一种基于深度学习的土地利用分类及变化预测方法 |
CN116168244A (zh) * | 2023-02-09 | 2023-05-26 | 中国林业科学研究院林业研究所 | 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 |
CN116977750A (zh) * | 2023-09-25 | 2023-10-31 | 中国地质大学(武汉) | 土地覆盖场景分类模型构建方法及分类方法 |
Non-Patent Citations (3)
Title |
---|
发展NECT土地覆盖特征数据集的原理、方法和应用;李晓兵, 陈云浩, 余弘婧;植物生态学报;20050320(02);全文 * |
基于RS和IGS的番禺区土地利用分类研究;何磊;;环境与可持续发展;20100816(04);全文 * |
基于遥感影像的土地利用分类系统的设计――以石河子垦区为例;许西盼;曹卫彬;刘娇娣;李华;;新疆农业科学;20100130(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117541940A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shahtahmassebi et al. | Remote sensing of urban green spaces: A review | |
Goldblatt et al. | Utilizing publicly available satellite data for urban research: Mapping built-up land cover and land use in Ho Chi Minh City, Vietnam | |
Myint et al. | Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery | |
Addink et al. | Introduction to the GEOBIA 2010 special issue: From pixels to geographic objects in remote sensing image analysis | |
Benza et al. | A pattern-based definition of urban context using remote sensing and GIS | |
Ardila et al. | Markov-random-field-based super-resolution mapping for identification of urban trees in VHR images | |
EP3022686B1 (en) | Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures | |
CN113780174A (zh) | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 | |
Muttaqin et al. | MaxEnt (Maximum Entropy) model for predicting prehistoric cave sites in Karst area of Gunung Sewu, Gunung Kidul, Yogyakarta | |
Sugg et al. | Mapping impervious surfaces using object-oriented classification in a semiarid urban region | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
Sadeghi et al. | Design and implementation of an expert system for updating thematic maps using satellite imagery (case study: changes of Lake Urmia) | |
Colkesen et al. | Multi-seasonal evaluation of hybrid poplar (P. Deltoides) plantations using Worldview-3 imagery and state-of-the-art ensemble learning algorithms | |
Mellor et al. | Forest classification using random forests with multisource remote sensing and ancillary GIS data | |
Tzelidi et al. | Detailed urban surface characterization using spectra from enhanced spatial resolution Sentinel-2 imagery and a hierarchical multiple endmember spectral mixture analysis approach | |
CN117541940B (zh) | 基于遥感数据的土地利用分类方法及系统 | |
CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 | |
CN113780175B (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
Nolè et al. | Applying spatial autocorrelation techniques to multi-temporal satellite data for measuring urban sprawl | |
Taha | Assessment of urbanization encroachment over Al-Monib island using fuzzy post classification comparison and urbanization metrics | |
Korting | GEODMA: a toolbox integrating data mining with object-based and multi-temporal analysis of satellite remotely sensed imagery | |
Awuah | Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping | |
Colaninno et al. | Defining Densities for Urban Residential Texture, through Land use Classification, from Landsat TM Imagery: Case Study of Spanish Mediterranean Coast | |
Canters et al. | Use of Image Endmember Libraries for Multi‐Sensor, Multi‐Scale, and Multi‐Site Mapping of Urban Areas | |
Bentir et al. | Optimization of object—based image segmentation in classifying water region |
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 |