CN117612003A - 一种基于多源遥感影像的城市建成区绿地变化识别方法 - Google Patents
一种基于多源遥感影像的城市建成区绿地变化识别方法 Download PDFInfo
- Publication number
- CN117612003A CN117612003A CN202311589262.1A CN202311589262A CN117612003A CN 117612003 A CN117612003 A CN 117612003A CN 202311589262 A CN202311589262 A CN 202311589262A CN 117612003 A CN117612003 A CN 117612003A
- Authority
- CN
- China
- Prior art keywords
- area
- built
- remote sensing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 241000209094 Oryza Species 0.000 claims description 17
- 235000007164 Oryza sativa Nutrition 0.000 claims description 17
- 235000009566 rice Nutrition 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V10/70—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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Astronomy & Astrophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于多源遥感影像的城市建成区绿地变化识别方法，包括：获取覆盖城市行政区的十米级中高分卫星影像、米级高分卫星影像以及百米级中低分辨率夜间灯光影像的遥感数据；遥感数据预处理；建成区范围提取；获取城市建成区的高分遥感影像；建成区绿地快速识别，形成建成区绿地清单；获取时间序列上的建成区绿地分布及清单，从而建立系列建成区范围及绿地分布数据；绿地变化信息提取，得到不同时期间建成区绿地增减的空间分布情况，统计减少及新增面积，形成建成区绿地增减信息空间分布数据及变化清单数据。本发明全面、快速的获取城市建成区绿地分布及变化信息，为城市生态环境评价及城市绿地保护与监管提供技术支持。
Description
技术领域
本发明属于遥感技术领域，特别是涉及一种基于多源遥感影像的城市建成区绿地变化识别方法。
背景技术
城市建成区绿地是反映城市生态环境的重要指标，传统的城市生态环境更多的关注建成区以外郊区的植被覆盖状况，建成区绿地是城市生态系统的重要组成部分，能够更客观的体现城市生态环境状况。
城市建成区绿地变化自动识别监管方法是一种能够自动识别和监测城市建成区绿地变化的方法。城市建成区绿地变化自动识别监管方法可以应用于城市规划、城市管理、环境保护等领域，以实现城市绿地的科学管理。传统的城市绿化管理方法需要人工进行监测和统计，存在效率低、精度差等问题。同时，由于城市建成区绿地变化频繁，人工监测和统计难以满足城市绿化的需求
城市建成区范围通常因卫星影像空间分辨率的不同而有较大差别，随着空间分别率的提高，建成区范围及边界细节表达越充分，但建成区范围的自动提取并非是分辨率越高越适合，分辨率越高，细节信息越多，对于建成区范围的提取会增加干扰信息。建成区绿地信息的自动识别采用单一的方法会出现漏判，为变化信息提取带来误差，通过人工质检增补信息在一定程度上提高了成本降低了效率。
现有技术中，对于城市建成区绿地变化自动识别监管方法的研究和探索还不够深入，存在一些不足之处。例如，一些方法需要使用大量的传感器和数据采集设备，成本较高；一些方法需要使用复杂的算法和数据处理技术，难以推广和应用；一些方法对于城市建成区绿地变化的识别精度和可靠性还有待提高。
发明内容
为了解决上述问题，本发明提出了一种基于多源遥感影像的城市建成区绿地变化识别方法，全面、快速的获取城市建成区绿地分布及变化信息，为城市生态环境评价及城市绿地保护与监管提供技术支持。
为达到上述目的，本发明采用的技术方案是：一种基于多源遥感影像的城市建成区绿地变化识别方法，包括步骤：
S1，数据采集，获取覆盖城市行政区的十米级中高分卫星影像、米级高分卫星影像以及百米级中低分辨率夜间灯光影像的遥感数据；
S2，遥感数据预处理，若所采集的遥感数据为原始数据，对所采集的数据进行辐射校正、几何纠正和大气纠正处理；
S3，建成区范围提取，基于米级高分卫星影像，利用十米级中高分卫星遥感数据谱段运算方法与百米级中低分辨率夜间灯光影像遥感数据相结合，获取精确的建成区覆盖范围，并提取建成区边界；
S4，米级高分卫星影像剪切，利用所述建成区边界对所述的米级高分遥感影像进行图像裁剪运算，得到城市建成区的高分遥感影像；
S5，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单；
S6，对于年际间的建成区绿地变化信息提取重复步骤S1-S5，获取不同年份的建成区范围、建成区绿地分布及清单，从而建立年际间系列建成区绿地分布数据；对于同一年份不同时期的建成区绿地变化信息提取，基于S3重复步骤S4-S5，获取同一年份不同时期系列建成区绿地分布数据；
S7，绿地变化信息提取，将系列建成区绿地分布数据按不同图层进行空间叠加，得到不同年份或同一年份不同时期间建成区绿地增减的空间分布情况，统计减少及新增面积，保留变化面积大于100m2图斑，形成建成区绿地增减信息空间分布数据及变化清单数据；
进一步的是，在所述步骤S1中，米级高分卫星遥感数据采用红、绿、蓝、近红四波段16位；十米级中高分卫星遥感数据采用红、绿、蓝、近红外、短波红外五波段16位；遥感数据影像采用灰度分布成正态分布，纹理正常，没有坏线、缺带，以及没有条带、斑点噪声和耀斑。
进一步的是，在所述步骤S1中，对遥感数据的影像进行筛选，筛选条件为：成像时间一致，图像清晰，色彩真实，以及不存在过度曝光、偏色、CCD拼接色差和饱和度异常现象。
进一步的是，基于米级高分卫星影像采用红、绿、蓝、近红四波段16位，十米级中高分卫星影像的多光谱遥感数据采用哨兵2号数据，波段运算指数NDBI=（SWIR-NIR）/(SWIR+NIR)，其中，SWIR为短波近红外波段、NIR为近红外波段；百米级中低分辨率夜间灯光影像的遥感数据利用VIIRS-NPP夜间灯光年度合成数据。
进一步的是，所述的S3步骤中，建成区范围提取，基于米级高分卫星影像，利用十米级中高分卫星遥感数据谱段运算方法与百米级中低分辨率夜间灯光影像遥感数据相结合，获取精确的建成区覆盖范围，并提取建成区边界，包括步骤：
S3-1，将米级高分遥感影像红、绿、蓝波段彩色合成作为底图，叠加十米级NDBI数据，将NDBI二值化，提取NDBI>0的单位像元并赋值为1，NDBI<0的单位像元赋值为0，并将栅格数据转成矢量数据，NDBI>0的部分为初步提取的城镇建设用地范围，再进行面空洞填充处理，计算图斑面积，保留的图斑面积≥1.5km2；
S3-2，夜间灯光遥感数据叠加S3-1提取的城镇建设用地矢量数据，确定灯光遥感数据阈值，提取大于阈值的单位像元，并转成矢量数据，初步得到带有冗余信息的建成区范围数据，再进行面空洞填充处理，计算图斑面积，保留的图斑面积≥1.5km2；
S3-3，将S3-1和S3-2得到的矢量数据叠加，提取两个数据相交的图斑范围，消除两个数据带有的冗余信息，计算图斑面积，保留的图斑面积≥1.5km2；
S3-4 利用地图POI点信息，识别出POI点密集区域，补充纳入建成区范围；
S3-5 综合形成建成区提取结果，将建成区面积与城乡建设统计年报公布的建成区面积对照，优化和完善建成区边界数据。
进一步的是，在所述步骤S5中，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单，包括步骤：
S5-1，在建成区范围内，应用高分辨率卫星遥感数据，采样绿地样本作为训练数据，通过深度学习自动提取绿地斑块；
S5-2，计算米级高分卫星遥感数据的植被指数，NDVI=（NIR-R）/(NIR+R)，其中NIR为近红外波段，R为红波段；运算的结果数据与S5-1提取数据进行叠加，提取并集图斑；计算各斑块面积，保留斑块面积大于400m2，获取建成区绿地空间分布图，形成建成区绿地清单。
采用本技术方案的有益效果：
本发明提供的基于多源遥感影像及方法融合的城市建成区绿地变化自动识别方法，可以快速、准确的获得建成区范围、识别建成区绿地分布及时空动态变化；与传统方法相比，成本低、效率高，时效性好，能更高效的为城市生态环境和城市绿地监管提供技术支持。
本发明利用中高分辨率卫星遥感影像及方法融合提取城市建成区范围及边界，利用高分辨率卫星遥感影像及方法融合识别提取建成区内绿地空间分布信息，通过时序信息分析获取绿地变化清单。该方法一方面既可以提高获取城市建成区的科学性和全面性，又可以提高识别城市建成区绿地的科学性和效率，另一方面，通过遥感影像自动提取技术，省时省力，提高了数据获取的便捷性和经济性。
本发明高分卫星遥感数据自动提取建成区范围，既可以保障建成区边界信息的准确性，又避免了因分辨率较高在自动提取过程中产生过多的冗余和干扰信息。获得的建成区边界数据作为绿地变化识别的默认范围。
附图说明
图1 为本发明的一种基于多源遥感影像的城市建成区绿地变化识别方法流程示意图。
实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种基于多源遥感影像的城市建成区绿地变化识别方法，包括步骤：
S1，数据采集，获取覆盖城市行政区的十米级中高分卫星影像、米级高分卫星影像以及百米级中低分辨率夜间灯光影像的遥感数据。
在步骤S1中，米级高分卫星遥感数据采用红、绿、蓝、近红四波段16位；十米级中高分卫星遥感数据采用红、绿、蓝、近红外、短波红外五波段16位；遥感数据影像采用灰度分布成正态分布，纹理正常，没有坏线、缺带，以及没有条带、斑点噪声和耀斑。对遥感数据的影像进行筛选，筛选条件为：成像时间一致，图像清晰，色彩真实，以及不存在过度曝光、偏色、CCD拼接色差和饱和度异常现象。
S2，若所采集的遥感数据为原始数据，对所采集的数据进行辐射校正、几何纠正和大气纠正处理；
S3，建成区范围提取，基于米级高分卫星影像，利用十米级中高分卫星遥感数据谱段运算方法与百米级中低分辨率夜间灯光影像遥感数据相结合，获取精确的建成区覆盖范围，并提取建成区边界。
在步骤S3中，基于米级高分卫星影像采用红、绿、蓝、近红四波段16位，十米级中高分卫星影像的多光谱遥感数据采用哨兵2号数据，波段运算指数NDBI=（SWIR-NIR）/(SWIR+NIR)，其中，SWIR为短波近红外波段、NIR为近红外波段；百米级中低分辨率夜间灯光影像的遥感数据利用VIIRS-NPP夜间灯光年度合成数据。
S3-1，将米级高分遥感影像红、绿、蓝波段彩色合成作为底图，叠加十米级NDBI数据，将NDBI二值化，提取NDBI>0的单位像元并赋值为1，NDBI<0的单位像元赋值为0，并将栅格数据转成矢量数据，NDBI>0的部分为初步提取的城镇建设用地范围，再进行面空洞填充处理，计算图斑面积，保留的图斑面积≥1.5km2；
S3-2，夜间灯光遥感数据叠加S3-1提取的城镇建设用地矢量数据，确定灯光遥感数据阈值，提取大于阈值的单位像元，并转成矢量数据，初步得到带有冗余信息的建成区范围数据，再进行面空洞填充处理，计算图斑面积，保留的图斑面积≥1.5km2；
S3-3，将S3-1和S3-2得到的矢量数据叠加，提取两个数据相交的图斑范围，消除两个数据带有的冗余信息，计算图斑面积，保留的图斑面积≥1.5km2；
S3-4 利用地图POI点信息，识别出POI点密集区域，补充纳入建成区范围；
S3-5 综合形成建成区提取结果，将建成区面积与城乡建设统计年报公布的建成区面积对照，优化和完善建成区边界数据。
S4，米级高分卫星影像剪切，利用所述建成区边界对所述的米级高分遥感影像进行图像裁剪运算，得到城市建成区的高分遥感影像。
S5，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单。
S5-1，在建成区范围内，应用高分辨率卫星影像遥感数据，采样绿地样本作为训练数据，通过深度学习自动提取绿地斑块；
S5-2，计算米级高分卫星影像遥感数据的植被指数，NDVI=（NIR-R）/(NIR+R)，其中NIR为近红外波段，R为红波段；运算的结果数据与S5-1提取数据进行叠加，提取并集图斑；计算各斑块面积，保留斑块面积大于400m2，获取建成区绿地空间分布图，形成建成区绿地清单。
S6，对于年际间的建成区绿地变化信息提取重复步骤S1-S5，获取不同年份的建成区范围、建成区绿地分布及清单，从而建立年际间系列建成区绿地分布数据；对于同一年份不同时期的建成区绿地变化信息提取，基于S3重复步骤S4-S5，获取同一年份不同时期系列建成区绿地分布数据。
S7，绿地变化信息提取，将系列建成区绿地分布数据按不同图层进行空间叠加，得到不同时期间建成区绿地增减的空间分布情况，统计减少及新增面积，保留变化面积大于100m2图斑；形成建成区绿地增减信息空间分布数据及变化清单数据。
本发明基于多源卫星遥感数据，运用夜间灯光遥感信息与中高分遥感数据波段算法相结合的方法获取建成区范围及边界矢量图，消除单个数据源提取建成区带来的冗余和干扰信息。
本发明基于高分辨率卫星遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图及清单。
本发明将不同时期影像上获得的建成区绿地信息进行空间分析运算，获取建成区绿地变化信息，形成绿地变化清单。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，包括步骤：
S1，数据采集，获取覆盖城市行政区的十米级中高分卫星影像、米级高分卫星影像以及百米级中低分辨率夜间灯光影像的遥感数据；
S2，遥感数据预处理，若所采集的遥感数据为原始数据，对所采集的数据进行辐射校正、几何纠正和大气纠正处理；
S3，建成区范围提取，基于米级高分卫星影像，利用十米级中高分卫星遥感数据谱段运算方法与百米级中低分辨率夜间灯光影像遥感数据相结合，获取精确的建成区覆盖范围，并提取建成区边界；
S4，米级高分卫星影像剪切，利用所述建成区边界对所述的米级高分遥感影像进行图像裁剪运算，得到城市建成区的高分遥感影像；
S5，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单；
S6，对于年际间的建成区绿地变化信息提取重复步骤S1-S5，获取不同年份的建成区范围、建成区绿地分布及清单，从而建立年际间系列建成区绿地分布数据；对于同一年份不同时期的建成区绿地变化信息提取，基于S3重复步骤S4-S5，获取同一年份不同时期系列建成区绿地分布数据；
S7，绿地变化信息提取，将系列建成区绿地分布数据按不同图层进行空间叠加，得到不同时期间建成区绿地增减的空间分布情况，统计减少及新增面积，保留变化面积大于100m2图斑，形成建成区绿地增减信息空间分布数据及变化清单数据。
2.根据权利要求1所述的一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，在所述步骤S1中，米级高分卫星遥感数据采用红、绿、蓝、近红四波段16位；十米级中高分卫星遥感数据采用红、绿、蓝、近红外、短波红外五波段16位；遥感数据影像采用灰度分布成正态分布，纹理正常，没有坏线、缺带，以及没有条带、斑点噪声和耀斑。
3.根据权利要求1或2所述的一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，在所述步骤S1中，对遥感数据的影像进行筛选，筛选条件为：成像时间一致，图像清晰，色彩真实，以及不存在过度曝光、偏色、CCD拼接色差和饱和度异常现象。
4.根据权利要求1所述的一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，基于米级高分卫星影像采用红、绿、蓝、近红四波段16位，十米级中高分卫星影像的多光谱遥感数据采用哨兵2号数据，波段运算指数NDBI=（SWIR-NIR）/（SWIR+NIR），其中，SWIR为短波近红外波段、NIR为近红外波段；百米级中低分辨率夜间灯光影像的遥感数据利用VIIRS-NPP夜间灯光年度合成数据。
5.根据权利要求4所述的一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，所述的S3步骤中，建成区范围提取，基于米级高分卫星影像，利用十米级中高分卫星遥感数据谱段运算方法与百米级中低分辨率夜间灯光影像遥感数据相结合，获取精确的建成区覆盖范围，并提取建成区边界，包括步骤：
S3-1，将米级高分遥感影像红、绿、蓝波段彩色合成作为底图，叠加十米级NDBI数据，将NDBI二值化，提取NDBI>0的单位像元并赋值为1，NDBI<0的单位像元赋值为0，并将栅格数据转成矢量数据，NDBI>0的部分为初步提取的城镇建设用地范围，再进行面空洞填充处理，计算图斑面积，保留的图斑面积≥1.5km2；
S3-2，夜间灯光遥感数据叠加S3-1提取的城镇建设用地矢量数据，确定灯光遥感数据阈值，提取大于阈值的单位像元，并转成矢量数据，初步得到带有冗余信息的建成区范围数据，再进行面空洞填充处理，计算图斑面积，保留的图斑面积≥1.5km2；
S3-3，将S3-1和S3-2得到的矢量数据叠加，提取两个数据相交的图斑范围，消除两个数据带有的冗余信息，计算图斑面积，保留的图斑面积≥1.5km2；
S3-4 利用地图POI点信息，识别出POI点密集区域，补充纳入建成区范围；
S3-5 综合形成建成区提取结果，将建成区面积与城乡建设统计年报公布的建成区面积对照，优化和完善建成区边界数据。
6.根据权利要求1所述的一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，在所述步骤S5中，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单，包括步骤：
S5-1，在建成区范围内，应用高分辨率卫星遥感数据，采样绿地样本作为训练数据，通过深度学习自动提取绿地斑块；
S5-2，计算米级高分卫星遥感数据的植被指数，NDVI=（NIR-R）/(NIR+R)，其中NIR为近红外波段，R为红波段；运算的结果数据与S5-1提取数据进行叠加，提取并集图斑；计算各斑块面积，保留斑块面积大于400m2，获取建成区绿地空间分布图，形成建成区绿地清单。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311589262.1A CN117612003B (zh) | 2023-11-27 | 2023-11-27 | 一种基于多源遥感影像的城市建成区绿地变化识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311589262.1A CN117612003B (zh) | 2023-11-27 | 2023-11-27 | 一种基于多源遥感影像的城市建成区绿地变化识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117612003A true CN117612003A (zh) | 2024-02-27 |
| CN117612003B CN117612003B (zh) | 2024-07-23 |
Family
ID=89954414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311589262.1A Active CN117612003B (zh) | 2023-11-27 | 2023-11-27 | 一种基于多源遥感影像的城市建成区绿地变化识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117612003B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111597949A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院城市环境研究所 | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 |
| CN112989985A (zh) * | 2021-03-08 | 2021-06-18 | 武汉大学 | 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 |
| CN113111794A (zh) * | 2021-04-16 | 2021-07-13 | 成都理工大学 | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 |
| CN114596489A (zh) * | 2022-03-03 | 2022-06-07 | 湘潭大学 | 一种高精度人类居住指数的多源遥感城市建成区提取方法 |
| CN114936999A (zh) * | 2022-03-29 | 2022-08-23 | 河南图真智能科技有限公司 | 一种基于改进vanui指数的城市建成区提取方法 |
| CN115018859A (zh) * | 2022-04-14 | 2022-09-06 | 中国资源卫星应用中心 | 基于多尺度空间嵌套的城市建成区遥感提取方法及系统 |
| CN115049834A (zh) * | 2022-08-15 | 2022-09-13 | 南通电博士自动化设备有限公司 | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 |
| CN115223054A (zh) * | 2022-07-15 | 2022-10-21 | 国家林业和草原局西南调查规划院 | 一种基于分区聚类与卷积的遥感影像变化检测方法 |
| CN116486031A (zh) * | 2023-05-25 | 2023-07-25 | 南京大学 | 时序遥感数据与地理大数据融合的城市更新区域识别方法 |
-
2023
- 2023-11-27 CN CN202311589262.1A patent/CN117612003B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111597949A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院城市环境研究所 | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 |
| CN112989985A (zh) * | 2021-03-08 | 2021-06-18 | 武汉大学 | 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 |
| CN113111794A (zh) * | 2021-04-16 | 2021-07-13 | 成都理工大学 | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 |
| CN114596489A (zh) * | 2022-03-03 | 2022-06-07 | 湘潭大学 | 一种高精度人类居住指数的多源遥感城市建成区提取方法 |
| CN114936999A (zh) * | 2022-03-29 | 2022-08-23 | 河南图真智能科技有限公司 | 一种基于改进vanui指数的城市建成区提取方法 |
| CN115018859A (zh) * | 2022-04-14 | 2022-09-06 | 中国资源卫星应用中心 | 基于多尺度空间嵌套的城市建成区遥感提取方法及系统 |
| CN115223054A (zh) * | 2022-07-15 | 2022-10-21 | 国家林业和草原局西南调查规划院 | 一种基于分区聚类与卷积的遥感影像变化检测方法 |
| CN115049834A (zh) * | 2022-08-15 | 2022-09-13 | 南通电博士自动化设备有限公司 | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 |
| CN116486031A (zh) * | 2023-05-25 | 2023-07-25 | 南京大学 | 时序遥感数据与地理大数据融合的城市更新区域识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHANG LIU ET AL.: "Automated Extraction of Built-Up Areas by Fusing VIIRS Nighttime Lights and Landsat-8 Data", 《REMOTE SENSING》, 2 July 2019 (2019-07-02), pages 1 - 20 * |
| YUANMAO ZHENG ET AL.: "An improved approach for monitoring urban built-up areas by combining NPP-VIIRS nighttime light, NDVI, NDWI, and NDBI", 《JOURNAL OF CLEANER PRODUCTION》, 27 October 2021 (2021-10-27), pages 1 - 13 * |
| 王晓艳 等: "夜间灯光融合多源数据的建成区提取方法", 《遥感信息》, vol. 36, no. 5, 31 October 2021 (2021-10-31), pages 114 - 123 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117612003B (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111742329B (zh) | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 | |
| CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
| CN105956557B (zh) | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 | |
| CN110865040A (zh) | 天空地一体化高光谱水质监测分析方法 | |
| CN108389137A (zh) | 基于红外图谱技术的电力故障诊断预警系统 | |
| CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
| CN115205709B (zh) | 一种基于卫星遥感的森林火点识别方法 | |
| CN113033385A (zh) | 一种基于深度学习的违章建筑遥感识别方法及系统 | |
| CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
| CN117036326A (zh) | 一种基于多模态融合的缺陷检测方法 | |
| CN113902759B (zh) | 一种空谱信息联合的星载高光谱影像分割与聚类方法 | |
| Zou et al. | Object based image analysis combining high spatial resolution imagery and laser point clouds for urban land cover | |
| CN113469127B (zh) | 河流敏感性等级划分方法、装置、设备及存储介质 | |
| CN112597936B (zh) | 基于面向对象分层分割的建筑垃圾分离方法及相关产品 | |
| CN110929739B (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
| CN117612003B (zh) | 一种基于多源遥感影像的城市建成区绿地变化识别方法 | |
| CN112033937B (zh) | 一种水体提取精度的评价方法 | |
| CN117132894A (zh) | 一种基于时序遥感影像的露天煤矿区生态损伤区识别方法 | |
| CN107977968A (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
| CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
| CN112906528B (zh) | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 | |
| CN110363082A (zh) | 一种基于立体遥感影像的建筑物提取方法及系统 | |
| CN114596490A (zh) | 丘陵地形特征线提取方法、丘陵地dem精细化生产方法 | |
| CN114255406A (zh) | 遥感阴影计量修复图像非渗透面识别方法 | |
| Colaninno et al. | Defining Densities for Urban Residential Texture, through Land use Classification, from Landsat TM Imagery: Case Study of Spanish Mediterranean Coast |
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 |