CN117689964A - 一种基于多源影像的城市森林分类方法及装置 - Google Patents
一种基于多源影像的城市森林分类方法及装置 Download PDFInfo
- Publication number
- CN117689964A CN117689964A CN202410151267.4A CN202410151267A CN117689964A CN 117689964 A CN117689964 A CN 117689964A CN 202410151267 A CN202410151267 A CN 202410151267A CN 117689964 A CN117689964 A CN 117689964A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- vgg16
- source
- indexes
- 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 42
- 238000007637 random forest analysis Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000003287 optical effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000010521 absorption reaction Methods 0.000 claims description 24
- 229930002875 chlorophyll Natural products 0.000 claims description 24
- 235000019804 chlorophyll Nutrition 0.000 claims description 24
- 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 claims description 24
- 230000006870 function Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims 2
- 238000012876 topography Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于多源影像的城市森林分类方法及装置，所述方法包括：获取待分类地区的多源遥感影像数据，对所述多源遥感影像数据进行预处理；获取预处理后光学遥感影像数据的光谱特征、植被指数和纹理特征，使用随机森林算法筛选出最佳特征数据集；使用预训练后的VGG16‑UNet++深度学习网络从所述最佳特征数据集中提取深层次特征输出集；使用随机森林分类器对提取到的所述深层次特征输出集进行训练，得到城市森林分类结果。该方法采用多源遥感影像作为数据源进行分类，能抑制天气变化以及地形起伏的影响，结合深度学习网络和随机森林分类器，能挖掘深层次语义信息，对抗云雾影响，提高城市森林的分类精度。
Description
技术领域
本发明属于遥感影像处理领域，具体涉及一种基于多源影像的城市森林分类方法及装置。
背景技术
中低空间分辨率的遥感数据成为长时间序列和大范围的森林资源监测的主要数据源，然而面对中小尺度的高异质区域，受到空间分辨率的限制，中低空间分辨率的影像无法进行更细致准确地森林信息提取。目前，2015年发射的Sentinel-2卫星所拍摄的遥感影像具有较高的空间分辨率（10m/20m/30m）和丰富的光谱波段，已被广泛应用于土地利用分类研究中。但是光学遥感地表的穿透力弱，并且易受天气和地形起伏阴影的影响，导致部分土地信息无法准确提取。
在以往的城市森林分类研究中，机器学习满足了海量遥感影像的需求，已成为主要的分类方法之一。传统的机器算法包括阈值法、最大似然法、支持向量机、决策树、k值最邻近、随机森林等算法。但是随着区域土地异质性地提高，简单的机器学习算法无法进行高精度地提取森林信息。
目前，现有的城市深林分类容易受到数据源的限制，以及受到天气和地形起伏阴影得影响，部分地类信息无法准确识别，另外受到单一网络的限制，在高异质的城市地区，无法进行高精度地提取森林信息。
发明内容
本发明提供一种基于多源影像的城市森林分类方法及装置，可以对抗少量的云雾影响，以及提高城市森林的提取精度。
一种基于多源影像的城市森林分类方法，所述方法包括：
获取待分类地区的多源遥感影像数据，对所述多源遥感影像数据进行预处理，所述多源遥感影像至少包括一个来源的光学遥感影像和一个来源的雷达遥感影像。
获取预处理后光学遥感影像数据的光谱特征、植被指数和纹理特征，使用随机森林算法从光谱特征、植被指数、纹理特征和雷达遥感影像数据中筛选出最佳特征数据集，所述植被指数包括归一化指数、基于近红外的转换型叶绿素吸收反射率指数、基于红边波段的归一化指数、基于红边波段的转换型叶绿素吸收反射率指数，所述纹理特征为近红外和红边波段的纹理特征。
使用预训练后的VGG16-UNet++深度学习网络从所述最佳特征数据集中提取深层次特征输出集，所述VGG16-UNet++深度学习网络为UNet++型编码器-解码器网络结构，包含4次下采样、4次上采样和多个跳跃连接，所述下采样使用VGG16结构。
使用随机森林分类器对提取到的所述深层次特征输出集进行训练，得到城市森林分类结果。
进一步的，所述光谱特征包含B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段，所述归一化指数的计算公式为：NDVI=(B8-B4)/(B8+B4)，其中，NDVI为归一化指数，所述基于近红外的转换型叶绿素吸收反射率指数的计算公式为：B5TCARI=3×[(B5-B4)-0.2×(B5-B3)×(B5/B4)]，其中，B5TCARI为基于近红外的转换型叶绿素吸收反射率指数，所述基于红边波段的归一化指数的计算公式为：B6RedNDVI=(B8-B6)/(B8+B6)，其中，B6RedNDVI为基于红边波段的归一化指数，所述基于红边波段的转换型叶绿素吸收反射率指数的计算公式为：B6TCARI=3×[(B6-B4)-0.2×(B6-B3)×(B6/B4)，其中，B6TCARI为基于红边波段的转换型叶绿素吸收反射率指数，所述纹理特征通过对B6和B8波段使用灰度共生矩阵算法计算得到。
进一步的，所述VGG16结构包含五个卷积层，五个卷积层的卷积核数量分别设置为64、128、256、512和1024，所述上采样的每层卷积核大小为3×3，激活函数为ReLu函数。
进一步的，所述VGG16-UNet++深度学习网络在每一层中间包含多个卷积块，每两个卷积块之间使用跳跃连接和特征拼接，从随机森林算法筛选出的最佳特征数据集经VGG16-UNet++网络训练后得到四个不同深度的输出，根据四个不同深度的输出的损失函数得到的损失值对VGG16-UNet++网络进行剪枝，得到一个最佳的深层次特征输出集。
进一步，上述方法中的随机森林分类器通过多个决策树来预测结果，所述决策树数量为100。
进一步的，在上述方法中获得所述城市森林分类结果后，使用实地调查数据和谷歌地球数据来辅助选取样本，以7：2：1的比例随机抽样为训练样本、验证样本和测试样本，利用测试样本对所述城市森林分类结果进行精度验证。
进一步的，上述方法中所述光学遥感影像取自Sentinel-2，所述雷达遥感影像取自Sentinel-1。
根据以上所述基于多源影像的城市森林分类方法，本发明还提出了一种基于多源影像的城市森林分类装置，所述装置包括：
数据获取单元，用于获取待分类地区的中高时空分辨率多源遥感影像数据，对所述多源遥感影像数据进行预处理，所述多源遥感影像至少包括一个来源的光学遥感影像和一个来源的雷达遥感影像。
数据处理单元，获取预处理后光学遥感影像数据的光谱特征、植被指数和纹理特征，使用随机森林算法从光谱特征、植被指数、纹理特征和雷达遥感影像数据中筛选出最佳特征数据集，所述植被指数包括归一化指数、基于近红外的转换型叶绿素吸收反射率指数、基于红边波段的归一化指数、基于红边波段的转换型叶绿素吸收反射率指数，所述纹理特征为近红外和红边波段的纹理特征。
训练单元，使用预训练后的VGG16-UNet++深度学习网络从所述最佳特征数据集中提取深层次特征输出集，所述VGG16-UNet++深度学习网络为UNet++型编码器-解码器网络结构，包含4次下采样、4次上采样和多个跳跃连接，所述下采样使用VGG16结构。
分类单元，使用随机森林分类器对提取到的所述深层次特征输出集进行训练，得到城市森林分类结果。
根据以上所述基于多源影像的城市森林分类方法，本发明还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述的方法。
根据以上所述基于多源影像的城市森林分类方法，本发明还提出了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行以上所述的方法。
本发明提供的基于多源影像的城市森林分类方法及装置，利用多源遥感影像作为数据源进行分类，抑制天气变化以及地形起伏的影响，结合VGG16-UNet++深度学习网络和随机森林提取城市森林信息，挖掘深层次语义信息，对抗云雾影响，提高城市森林的分类精度。
附图说明
图1为基于多源影像的城市森林分类方法流程图。
图2为基于多源影像的城市森林分类方法示意图。
图3为VGG16-UNet++和随机深林分类器的原理结构图。
图4为实施例中某地区的位置图。
图5为实施例中某地区的城市森林分类结果图。
图6为基于多源影像的城市森林分类装置结构框图。
具体实施方式
本发明实施列提供了基于多源影像的城市森林分类方法，本发明实施例的基于多源影像的城市森林分类方法应用于服务器。如附图1、附图2所示，基于多源影像的城市森林分类方法包括：
第一步，获取待分类地区的多源遥感影像数据，对所述多源遥感影像数据进行预处理，所述多源遥感影像至少包括一个来源的光学遥感影像和一个来源的雷达遥感影像。
在该步中，光学遥感影像取自Sentinel-2，雷达遥感影像取自Sentinel-1。
第二步，获取预处理后光学遥感影像数据的光谱特征、植被指数和纹理特征，使用随机森林算法从光谱特征、植被指数、纹理特征和雷达遥感影像数据中筛选出最佳特征数据集，所述植被指数包括归一化指数、基于近红外的转换型叶绿素吸收反射率指数、基于红边波段的归一化指数、基于红边波段的转换型叶绿素吸收反射率指数，所述纹理特征为近红外和红边波段的纹理特征。
该步中，所述光谱特征包含B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段，所述归一化指数的计算公式为：NDVI=(B8-B4)/(B8+B4)，其中，NDVI为归一化指数，所述基于近红外的转换型叶绿素吸收反射率指数的计算公式为：B5TCARI=3×[(B5-B4)-0.2×(B5-B3)×(B5/B4)]，其中，B5TCARI为基于近红外的转换型叶绿素吸收反射率指数，所述基于红边波段的归一化指数的计算公式为：B6RedNDVI=(B8-B6)/(B8+B6)，其中，B6RedNDVI为基于红边波段的归一化指数，所述基于红边波段的转换型叶绿素吸收反射率指数的计算公式为：B6TCARI=3×[(B6-B4)-0.2×(B6-B3)×(B6/B4)，其中，B6TCARI为基于红边波段的转换型叶绿素吸收反射率指数，所述纹理特征通过对B6和B8波段使用灰度共生矩阵算法计算得到。
所述光谱波段、植被指数、纹理特征和雷达遥感影像数据的描述如表1所示。
表1
第三步，使用预训练后的VGG16-UNet++深度学习网络从所述最佳特征数据集中提取深层次特征输出集，所述VGG16-UNet++深度学习网络为UNet++型编码器-解码器网络结构，包含4次下采样、4次上采样和多个跳跃连接，所述下采样使用VGG16结构。
该步中，所述VGG16结构包含五个卷积层，五个卷积层的卷积核数量分别设置为64、128、256、512和1024，所述上采样的每层卷积核大小为3×3，激活函数为ReLu函数。所述VGG16-UNet++深度学习网络在每一层中间包含多个卷积块，每两个卷积块之间使用跳跃连接和特征拼接，从随机森林算法筛选出的最佳特征数据集经VGG16-UNet++网络训练后得到四个不同深度的输出，根据四个不同深度的输出的损失函数得到的损失值对VGG16-UNet++网络进行剪枝，得到一个最佳的深层次特征输出集。
第四步，使用随机森林分类器（RF）对提取到的所述深层次特征输出集进行训练，得到城市森林分类结果。
该步中，随机森林分类器通过多个决策树来预测结果，所述决策树数量为100。
上述VGG16-UNet++和随机森林分类器的原理结构如附图3所示。
在获得所述城市森林分类结果后，还可以使用实地调查数据和谷歌地球数据来辅助选取样本，以7：2：1的比例随机抽样为训练样本、验证样本和测试样本，利用测试样本对所述城市森林分类结果进行精度验证。
城市土地利用分类基于《土地利用现状分类》国标，土地利用包括草地、林地、耕地、建筑用地和水体等。在另一个实施例中，获取某地区的Sentinel-2和Sentinel-1遥感影像并进行预处理，如附图4所示。研究选取2020年的VV偏振和VH偏振Sentinel-1 SAR数据，处理流程包括噪声和辐射校准处理等。选取2020年4月和5月云量小于15%的Sentinel-2MSI数据，处理流程包括去云和中值合成等。为了使Sentinel-1和Sentinel-2图像的分辨率保持一致，将两个数据集的空间分辨率（最邻近法）重采样至10米。
基于Sentinel-2号数据利用指数公式和灰度共生矩阵获取植被指数和纹理特征，利用随机森林算法从光谱特征、植被指数、纹理特征和Sentinel-1遥感影像数据中筛选出最佳特征数据集；通过预训练后的VGG16-UNet++深度学习网络从最佳特征数据集中提取深层次特征；将深层次特征投入随机森林分类器进行训练并得到某地区的森林分类结果，如附图5所示，利用混淆矩阵得到分类精度，如表2所示。
表2
上述VGG16-UNet++深度学习网络的构建为：1）在预训练网络后，手动设置初始参数再训练网络；2）利用L2范式对最佳影像特征集做标准化处理，将影像中每一通道的数值归一化至[0，1]区间；3）用VGG16取代UNet++下采样部分，卷积层的卷积核数量分别设置为64、128、256、512和1024；4）对应下采样部分，VGG16-UNet++也具有四个上采样，每层的卷积核大小为3×3，激活函数为ReLu函数；5）在每一层中间具有多个卷积块，并且在每两个卷积块之间进行跳跃连接和特征拼接；6）训练之后具有四个不同深度的特征输出（L1、L2、L3和L4），并根据四个不同深度的输出的损失函数得到的损失值对VGG16-UNet++网络进行剪枝，获取一个深层次特征输出集。
上述UNet++的基础结构（骨干）被替换为VGG16网络，以便获得更好的迁移学习效果。预训练VGG16-UNet++网络所用数据集为公开数据集-高分影像土地覆盖数据集（GID-5）。利用L2范式对最佳影像特征样本集中的影像做标准化处理，有利于减少灰度变化等对训练的影响以及加快网络训练收敛速度。VGG16-UNet++在直接连接中添加了更多的卷积块，有利于防止浅层和深层特征的过度变化，并增加网络的学习难度。VGG16-UNet++的最后一个Sigmoid层被移除，所以其训练后共有四个输出：L1、L2、L3和L4。为了减少分类过程中网络参数的数量，根据四个不同深度的输出的损失函数得到的损失值对VGG16-UNet++网络进行剪枝，获取一个深层次特征输出集。其次，为了使卷积神经网络在训练过程中迭代更快，设置了的些初始参数中批次大小为6，训练模型的迭代数为100，以及初始学习率为0.0001。如果三个迭代后验证损失率没有下降，当前学习率将减半。损失函数由二元交叉熵（BCE）和Dice 损失组成的Dice BCE损失函数。
上述的随机森林分类器是通过多个决策树来预测结果，因此能提高分类的稳定性和泛化能力，以及防止过拟合现象和提高准确性。随机森林分类器中的决策树数量为100。
上述实施例在获得分类结果后还可以通过土地利用数据和谷歌地球数据来辅助选取训练样本，验证样本和测试样本，利用测试样本对城市植被分类结果进行精度验证。本实例中，谷歌地球数据为2020年度谷歌遥感影像，实地数据通过实地调查获得，地理信息和相应的土地覆被类型通过GPS获取并记录。对于其他无法进入的地区，则通过使用谷歌地球高分辨率图像进行目视判读来收集数据，结合实地数据和谷歌地球图像，制作研究区域的10m×10m图像分类标签。考虑到语义分割和传统遥感影像的分类特性，为了定量评估算法的性能，利用混淆矩阵进行评价。评价指标包括总体精度（Overall Accuracy，OA）、Kappa系数、生产者精度（Producer Accuracy，PA）及用户精度（User Accuracy，UA）。
根据上述基于多源影像的城市森林分类方法，本发明实施例还提供了一种基于多源影像的城市森林分类方法装置，如图6所示，该装置包括：
数据获取单元，用于获取待分类地区的中高时空分辨率多源遥感影像数据，对所述多源遥感影像数据进行预处理，所述多源遥感影像至少包括一个来源的光学遥感影像和一个来源的雷达遥感影像。
数据处理单元，获取预处理后光学遥感影像数据的光谱特征、植被指数和纹理特征，使用随机森林算法从光谱特征、植被指数、纹理特征和雷达遥感影像数据中筛选出最佳特征数据集，所述植被指数包括归一化指数、基于近红外的转换型叶绿素吸收反射率指数、基于红边波段的归一化指数、基于红边波段的转换型叶绿素吸收反射率指数，所述纹理特征为近红外和红边波段的纹理特征。
训练单元，使用预训练后的VGG16-UNet++深度学习网络从所述最佳特征数据集中提取深层次特征输出集，所述VGG16-UNet++深度学习网络为UNet++型编码器-解码器网络结构，包含4次下采样、4次上采样和多个跳跃连接，所述下采样使用VGG16结构。
分类单元，使用随机森林分类器对提取到的所述深层次特征输出集进行训练，得到城市森林分类结果。
根据所述基于多源影像的城市森林分类方法，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述的方法。
根据所述基于多源影像的城市森林分类方法，本发明实施例还提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行以上所述的方法。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的保护范围限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请中一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请中一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于多源影像的城市森林分类方法，其特征是，所述方法包括：
获取待分类地区的多源遥感影像数据，对所述多源遥感影像数据进行预处理，所述多源遥感影像至少包括一个来源的光学遥感影像和一个来源的雷达遥感影像；
获取预处理后光学遥感影像数据的光谱特征、植被指数和纹理特征，使用随机森林算法从光谱特征、植被指数、纹理特征和雷达遥感影像数据中筛选出最佳特征数据集，所述植被指数包括归一化指数、基于近红外的转换型叶绿素吸收反射率指数、基于红边波段的归一化指数、基于红边波段的转换型叶绿素吸收反射率指数，所述纹理特征为近红外和红边波段的纹理特征；
使用预训练后的VGG16-UNet++深度学习网络从所述最佳特征数据集中提取深层次特征输出集，所述VGG16-UNet++深度学习网络为UNet++型编码器-解码器网络结构，包含4次下采样、4次上采样和多个跳跃连接，所述下采样使用VGG16结构；
使用随机森林分类器对提取到的所述深层次特征输出集进行训练，得到城市森林分类结果。
2.如权利要求1所述的城市森林分类方法，其特征是，
所述光谱特征包含B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段；
所述归一化指数的计算公式为：NDVI=(B8-B4)/(B8+B4)，其中，NDVI为归一化指数；
所述基于近红外的转换型叶绿素吸收反射率指数的计算公式为：B5TCARI=3×[(B5-B4)-0.2×(B5-B3)×(B5/B4)]，其中，B5TCARI为基于近红外的转换型叶绿素吸收反射率指数；
所述基于红边波段的归一化指数的计算公式为：B6RedNDVI=(B8-B6)/(B8+B6)，其中，B6RedNDVI为基于红边波段的归一化指数；
所述基于红边波段的转换型叶绿素吸收反射率指数的计算公式为：B6TCARI=3×[(B6-B4)-0.2×(B6-B3)×(B6/B4)，其中，B6TCARI为基于红边波段的转换型叶绿素吸收反射率指数；
所述纹理特征通过对B6和B8波段使用灰度共生矩阵算法计算得到。
3.如权利要求1所述的城市森林分类方法，其特征是，所述VGG16结构包含五个卷积层，五个卷积层的卷积核数量分别设置为64、128、256、512和1024，所述上采样的每层卷积核大小为3×3，激活函数为ReLu函数。
4.如权利要求1所述的城市森林分类方法，其特征是，所述VGG16-UNet++深度学习网络在每一层中间包含多个卷积块，每两个卷积块之间使用跳跃连接和特征拼接，从随机森林算法筛选出的最佳特征数据集经VGG16-UNet++网络训练后得到四个不同深度的输出，根据四个不同深度的输出的损失函数得到的损失值对VGG16-UNet++网络进行剪枝，得到一个最佳的深层次特征输出集。
5.如权利要求1-4中任一项所述的城市森林分类方法，其特征是，所述随机森林分类器通过多个决策树来预测结果，所述决策树数量为100。
6.如权利要求1-4中任一项所述的城市森林分类方法，其特征是，使用实地调查数据和谷歌地球数据来辅助选取样本，以7：2：1的比例随机抽样为训练样本、验证样本和测试样本，利用测试样本对所述城市森林分类结果进行精度验证。
7.如权利要求1-4中任一项所述的城市森林分类方法，其特征是，所述光学遥感影像取自Sentinel-2，所述雷达遥感影像取自Sentinel-1。
8.一种基于多源影像的城市森林分类装置，其特征是，所述装置包括：
数据获取单元，用于获取待分类地区的中高时空分辨率多源遥感影像数据，对所述多源遥感影像数据进行预处理，所述多源遥感影像至少包括一个来源的光学遥感影像和一个来源的雷达遥感影像；
数据处理单元，获取预处理后光学遥感影像数据的光谱特征、植被指数和纹理特征，使用随机森林算法从光谱特征、植被指数、纹理特征和雷达遥感影像数据中筛选出最佳特征数据集，所述植被指数包括归一化指数、基于近红外的转换型叶绿素吸收反射率指数、基于红边波段的归一化指数、基于红边波段的转换型叶绿素吸收反射率指数，所述纹理特征为近红外和红边波段的纹理特征；
训练单元，使用预训练后的VGG16-UNet++深度学习网络从所述最佳特征数据集中提取深层次特征输出集，所述VGG16-UNet++深度学习网络为UNet++型编码器-解码器网络结构，包含4次下采样、4次上采样和多个跳跃连接，所述下采样使用VGG16结构；
分类单元，使用随机森林分类器对提取到的所述深层次特征输出集进行训练，得到城市森林分类结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-6中任意一项所述的方法。
10.一种计算机存储介质，其特征是，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410151267.4A CN117689964B (zh) | 2024-02-02 | 2024-02-02 | 一种基于多源影像的城市森林分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410151267.4A CN117689964B (zh) | 2024-02-02 | 2024-02-02 | 一种基于多源影像的城市森林分类方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117689964A true CN117689964A (zh) | 2024-03-12 |
| CN117689964B CN117689964B (zh) | 2024-05-03 |
Family
ID=90128627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410151267.4A Active CN117689964B (zh) | 2024-02-02 | 2024-02-02 | 一种基于多源影像的城市森林分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689964B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2008102408A (ru) * | 2008-01-25 | 2009-07-27 | Государственное учреждение "Научный центр Проблем аэрокосмического мониторинга"-ЦПАМ "АЭРОКОСМОС" (RU) | Способ определения категории состояния лесных массивов |
| US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
| US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
| CN109815357A (zh) * | 2019-01-28 | 2019-05-28 | 辽宁工程技术大学 | 一种基于非线性降维及稀疏表示的遥感图像检索方法 |
| CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
| US20200250428A1 (en) * | 2019-02-04 | 2020-08-06 | Farmers Edge Inc. | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron |
| CN114120128A (zh) * | 2021-11-30 | 2022-03-01 | 上海岩易科技有限公司 | 基于深度学习与机器学习的无人机遥感乔木改种检测方法 |
| EP4196910A1 (en) * | 2020-08-14 | 2023-06-21 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
| CN116452872A (zh) * | 2023-04-19 | 2023-07-18 | 中国电建集团江西省电力设计院有限公司 | 一种基于改进的Deeplabv3+的森林场景树种分类方法 |
| CN116883853A (zh) * | 2023-01-12 | 2023-10-13 | 河南大学 | 基于迁移学习的作物时空信息遥感分类方法 |
| CN116935238A (zh) * | 2023-07-07 | 2023-10-24 | 滁州学院 | 基于深度学习的森林扰动监测方法、系统、设备及介质 |
-
2024
- 2024-02-02 CN CN202410151267.4A patent/CN117689964B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2008102408A (ru) * | 2008-01-25 | 2009-07-27 | Государственное учреждение "Научный центр Проблем аэрокосмического мониторинга"-ЦПАМ "АЭРОКОСМОС" (RU) | Способ определения категории состояния лесных массивов |
| US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
| US20180211156A1 (en) * | 2017-01-26 | 2018-07-26 | The Climate Corporation | Crop yield estimation using agronomic neural network |
| CN109815357A (zh) * | 2019-01-28 | 2019-05-28 | 辽宁工程技术大学 | 一种基于非线性降维及稀疏表示的遥感图像检索方法 |
| US20200250428A1 (en) * | 2019-02-04 | 2020-08-06 | Farmers Edge Inc. | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron |
| CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
| EP4196910A1 (en) * | 2020-08-14 | 2023-06-21 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
| CN114120128A (zh) * | 2021-11-30 | 2022-03-01 | 上海岩易科技有限公司 | 基于深度学习与机器学习的无人机遥感乔木改种检测方法 |
| CN116883853A (zh) * | 2023-01-12 | 2023-10-13 | 河南大学 | 基于迁移学习的作物时空信息遥感分类方法 |
| CN116452872A (zh) * | 2023-04-19 | 2023-07-18 | 中国电建集团江西省电力设计院有限公司 | 一种基于改进的Deeplabv3+的森林场景树种分类方法 |
| CN116935238A (zh) * | 2023-07-07 | 2023-10-24 | 滁州学院 | 基于深度学习的森林扰动监测方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117689964B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | ADS-Net: An Attention-Based deeply supervised network for remote sensing image change detection | |
| Dihkan et al. | Remote sensing of tea plantations using an SVM classifier and pattern-based accuracy assessment technique | |
| WO2020160641A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using multilayer perceptron | |
| CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
| CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
| Xi et al. | Exploitation of time series sentinel-2 data and different machine learning algorithms for detailed tree species classification | |
| Hu et al. | HyperNet: Self-supervised hyperspectral spatial–spectral feature understanding network for hyperspectral change detection | |
| Feizizadeh et al. | A comparison of the integrated fuzzy object-based deep learning approach and three machine learning techniques for land use/cover change monitoring and environmental impacts assessment | |
| CN113591766A (zh) | 一种无人机多源遥感的树种识别方法 | |
| CN114399685B (zh) | 一种森林病虫害的遥感监测评估方法及装置 | |
| Li et al. | Temporal attention networks for multitemporal multisensor crop classification | |
| CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
| Kundu et al. | Detection and prediction of sundarban reserve forest using the CA-Markov chain model and remote sensing data | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| Li et al. | An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification | |
| Qadri et al. | A comparative study of land cover classification by using multispectral and texture data | |
| Wei et al. | Urban land use land cover classification based on GF-6 satellite imagery and multi-feature optimization | |
| Islam et al. | Deforestation mapping of Sundarbans using multi-temporal sentinel-2 data & transfer learning | |
| Juola et al. | Classification of tree species based on hyperspectral reflectance images of stem bark | |
| CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
| CN117689964B (zh) | 一种基于多源影像的城市森林分类方法及装置 | |
| Asadi et al. | Crop mapping through a hybrid machine learning and deep learning method | |
| Osei et al. | Long term monitoring of Ghana’s forest reserves Using Google Earth Engine | |
| Nasiri et al. | Integration of radar and optical sentinel images for land use mapping in a complex landscape (case study: Arasbaran Protected Area) | |
| Chen et al. | Spectral Query Spatial: Revisiting the Role of Center Pixel in Transformer for Hyperspectral Image Classification |
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 |