CN117911880A - 基于遥感影像的城市碳排放时空分布模拟方法及系统 - Google Patents
基于遥感影像的城市碳排放时空分布模拟方法及系统 Download PDFInfo
- Publication number
- CN117911880A CN117911880A CN202410318860.3A CN202410318860A CN117911880A CN 117911880 A CN117911880 A CN 117911880A CN 202410318860 A CN202410318860 A CN 202410318860A CN 117911880 A CN117911880 A CN 117911880A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- value
- remote sensing
- significance
- region
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 260
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004088 simulation Methods 0.000 title claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 49
- 238000009792 diffusion process Methods 0.000 claims description 40
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及遥感图像处理技术领域,具体涉及一种基于遥感影像的城市碳排放时空分布模拟方法及系统。该方法首先获得碳排放遥感图像中每个像素点的初始显著性值,并筛选出疑似高碳排放区域。根据色彩表现系数、区域内部的颜色信息渐变特征、区域之间颜色信息特征获得每个疑似高碳排放区域的显著性修正因子。利用显著性修正因子修正初始显著性值,获得修正显著性值,进而确定真实高碳排放区域用于可视化以及时空分布模拟。本发明通过修正显著性使得高碳排放区域的显著性能够进一步特征,进而获得准确的高碳排放区域用于时空模拟。
Description
技术领域
本发明涉及遥感图像处理技术领域,具体涉及一种基于遥感影像的城市碳排放时空分布模拟方法及系统。
背景技术
遥感技术是通过航空遥感或卫星遥感获取地球表面信息的技术,其可以利用遥感影像数据获取城市要素的空间分布信息,如建筑、交通网络和绿地覆盖等。碳排放模型是基于能源消耗、交通流量和产业活动等因素,对碳排放进行估算和模拟的数学模型。通过遥感图像可获取城市内的碳排放分布信息,并且可以结合地理信息系统进行时空分布模拟,使得相关技术人员能够更直观了解城市碳排放的时空分布情况。
现有技术中考虑到高碳排放区域在遥感图像中具有显著的颜色特征,因此可根据CA显著性检测算法获取每个像素点的显著性值,进而确定高碳排放区域用于可视化展示。但是在现有技术中,由于CA显著性检测算法是一种基于局部特征和全局特征显著性的检测算法,对于面积较小的高碳排放区域,在分析其局部显著性特征时会被背景信息将显著性值淡化,导致所得到的显著性值较小,进而出现漏检现象,使得最终的高碳排放区域展示不完全,影响地理信息系统上对于城市碳排放的时空分布模拟效果。
发明内容
为了解决现有技术中使用CA显著性检测算法得到的显著值不准确,无法得到准确的高碳排放区域,进而影响城市碳排放的时空分布模拟效果技术问题,本发明的目的在于提供一种基于遥感影像的城市碳排放时空分布模拟方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于遥感影像的城市碳排放时空分布模拟方法,所述方法包括:
获取每个采样时刻下城市的碳排放遥感图像;获得所述碳排放遥感图像中每个像素点的初始显著性值;根据所述初始显著性值获得疑似高碳排放区域;
根据所述疑似高碳排放区域的颜色信息以及颜色对比度获得每个疑似高碳排放区域的色彩表现系数;根据所述疑似高碳排放区域内部的颜色信息渐变特征,以及相邻疑似高碳排放区域之间的颜色信息,获得碳排放扩散程度;根据所述色彩表现系数和所述碳排放扩散程度获得每个所述疑似高碳排放区域的显著性修正因子;
根据所述显著性修正因子对所述疑似高碳排放区域中每个像素点的初始显著性值进行修正,获得每个像素点的修正显著性值;根据所述修正显著性值确定真实高碳排放区域;
将每个时刻下所述城市的真实高碳排放区域在地理信息系统上进行可视化显示并进行时空分布模拟。
进一步地,所述根据所述初始显著性值获得疑似高碳排放区域,包括:
将所述初始显著性值大于预设初始显著性阈值的像素点作为目标像素点;对目标像素点进行聚类,获得所述疑似高碳排放区域。
进一步地,所述颜色信息为所述碳排放遥感图像中的像素点在RGB色彩空间中的红色通道的通道值。
进一步地,所述颜色对比度的获取方法包括:
对于所述疑似高碳排放区域中的一个边界像素点,距离所述边界像素点最近的非疑似高碳排放区域的像素点为所述边界像素点的第一对比点;
对于一个疑似高碳排放区域而言,将每个边界像素点与对应第一对比点之间的颜色信息差值进行累加,获得所述颜色对比度。
进一步地,所述色彩表现系数的获取方法包括:
将所述疑似高碳排放区域内的平均颜色信息和归一化后的所述颜色对比度相乘,获得所述色彩表现系数。
进一步地,所述碳排放扩散程度的获取方法包括:
对于每个疑似高碳排放区域而言,在疑似高碳排放区域中随机挑选预设数量个像素点作为边界像素点的第二对比点;所述第二对比点的平均颜色信息作为对比颜色信息;将对比颜色信息与每个边界像素点的颜色信息之间的差值进行累加,获得区域内部碳扩散程度;
将距离最近的其他疑似高碳排放区域作为对比区域,所述疑似高碳排放区域与对应对比区域之间距离最短的两个边界像素点分别作为第一待分析点和第二待分析点;所述第一待分析点和所述第二待分析点之间连线上的像素点作为第三待分析点;
将所述第一待分析点与每个所述第三待分析点之间的颜色信息差值累加,获得第一差值累加值;将所述第二待分析点与每个所述第三待分析点之间的颜色信息差值累加,获得第二差值累加值;所述第一差值累加值和所述第二差值累加值的和作为区域间碳扩散程度;
所述区域内部碳扩散程度与所述区域间碳扩散程度的乘积作为所述碳排放扩散程度。
进一步地,所述显著性修正因子的获取方法包括:
将所述色彩表现系数和所述碳排放扩散程度相乘后进行归一化,获得初始修正因子,将所述初始修正因子乘上预设最大调整倍数,获得所述显著性修正因子。
进一步地,所述根据所述修正显著性值确定真实高碳排放区域,包括:
获得每个所述疑似高碳排放区域的平均修正显著性值,若所述平均修正显著性值大于预设修正显著性阈值,则将对应疑似高碳排放区域作为真实高碳排放区域。
进一步地,所述获得每个像素点的修正显著性值,之后还包括:
根据所述疑似高碳排放区域在城市中所属的行政区域类别设置区域权重,将所述区域权重与所述修正显著性值相乘获得优化显著性值;根据所述优化显著性值确定真实高碳排放区域。
本发明还提出了一种基于遥感影像的城市碳排放时空分布模拟系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于遥感影像的城市碳排放时空分布模拟方法的步骤。
本发明具有如下有益效果:
本发明实施例在获得每个像素点的初始显著值后,获得疑似高碳排放区域。为了避免疑似高碳排放区域的误检,考虑到真实的高碳排放区域在遥感图像中会具有明显的颜色特征以及对比度,首先获得色彩表现系数,进一步考虑到碳排放具有明显的扩散性,真实的高碳排放区域的含碳量会呈现中心向外扩散的特征,因此通过色彩表现系数和碳排放扩散程度获得显著性修正因子,用于修正初始显著值性值,根据修正显著性值即可确定真实的高碳排放区域。本发明实施例通过高碳排放区域在遥感图像中的具体特征对显著值进行进一步的修正,使得能够获得准确的真实高碳排放区域用于地理信息系统上的可视化显示,进而实现了对城市碳排放的准确时空分布模拟。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于遥感影像的城市碳排放时空分布模拟方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于遥感影像的城市碳排放时空分布模拟方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种基于遥感影像的城市碳排放时空分布模拟方法及系统实施例:
下面结合附图具体地说明本发明所提供的一种基于遥感影像的城市碳排放时空分布模拟方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于遥感影像的城市碳排放时空分布模拟方法流程图,该方法包括:
步骤S1:获取每个采样时刻下城市的碳排放遥感图像;获得碳排放遥感图像中每个像素点的初始显著性值;根据初始显著性值获得疑似高碳排放区域。
本发明实施例为了对城市碳排放进行时空分布模拟,需要采集不同采样时刻下的碳排放遥感图像,通过对碳排放遥感图像中的真实高碳排放区域进行识别,进而实现时间信息和空间信息分布的具体获取,通过地理信息系统的可视化实现碳排放时空分布模拟。在本发明一个实施例中,采样时刻设置为每一个周采集一次。
在碳排放遥感图像中,高碳区域相对于其他背景区域而言具有更明显的颜色特征,因此可通过显著性检测算法获得碳排放遥感图像中每个像素点的初始显著值。CA显著性检测算法将图像转换至Lab颜色空间,进而通过分区域等方式分析局部特征与全局特征,进而获得显著值。但是由于分区过程中区域大小会影响局部特征分析结果,在一个分区区域中较小的高碳排放区域会受到背景信息的影响,进而导致显著性值获取的较小。因此初始显著值并不能直接用于区分高碳排放区域,根据初始显著性值获得的疑似高碳排放区域需要在后续步骤中进一步的分析。
优选地,在本发明一个实施例中,根据初始显著性值获得疑似高碳排放区域,包括:
将初始显著性值大于预设初始显著性阈值的像素点作为目标像素点;对目标像素点进行聚类,获得疑似高碳排放区域。需要说明的是,为了进一步避免漏检,在本发明实施例中初始限制性阈值设置为一个较小的阈值,因为初始显著性阈值值域为0到1之间,因此设置初始显著性阈值为0.3,通过一个较小的初始显著性阈值能够避免进一步地漏检,使得疑似高碳排放区域能够包含更多区域,在后续过程中进行准确识别。在本发明一个实施例中,聚类方法为K-means聚类算法,在其他实施例中也可选用DBSCAN等聚类算法进行聚类,在此不做限定。
需要说明的是,CA显著性检测算法、聚类算法等内容均为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:根据疑似高碳排放区域的颜色信息以及颜色对比度获得每个疑似高碳排放区域的色彩表现系数;根据疑似高碳排放区域内部的颜色信息渐变特征,以及相邻疑似高碳排放区域之间的颜色信息,获得碳排放扩散程度;根据色彩表现系数和碳排放扩散程度获得每个疑似高碳排放区域的显著性修正因子。
真实的高碳排放区域在遥感图像中存在显著的颜色信息,并且该区域相对于周围背景区域具有明显的颜色对比度,因此基于该颜色特征可根据疑似高碳排放区域的颜色信息以及颜色对比度获得每个疑似高碳排放区域的色彩表现系数。色彩表现系数越鲜明,则说明对应的疑似高碳排放区域越可能为真实高碳排放区域。
优选地,在本发明一个实施例中考虑到对于遥感图像而言,高碳排放区域通常呈现黄色和红色,而背景区域呈现绿色,即在RGB色彩空间中的红色通道下高碳排放区域的特征更加明显,因此颜色信息为碳排放遥感图像中的像素点在RGB色彩空间中的红色通道的通道值。
优选地,在本发明一个实施例中,颜色对比度的获取方法包括:
对于疑似高碳排放区域中的一个边界像素点,距离边界像素点最近的非疑似高碳排放区域的像素点为边界像素点的第一对比点。
对于一个疑似高碳排放区域而言,将每个边界像素点与对应第一对比点之间的颜色信息差值进行累加,获得颜色对比度。若疑似高碳排放区域为真实高碳排放区域,则边界像素点的颜色信息会明显大于周围的背景像素点,即边界像素点与对应第一对比点之间的颜色信息差值应为正数并且数值较大,因此累加后的结果越大,说明颜色对比度越强。
颜色对比度用公式表示为:;其中/>为第/>个疑似高碳排放区域的颜色对比度,/>为第/>个疑似高碳排放区域的边界像素点的数量,/>为第/>个疑似高碳排放区域中第/>个边界像素点的颜色信息,/>为第/>个疑似高碳排放区域中第/>个边界像素点的第一对比点的颜色信息。
优选地,在本发明一个实施例中色彩表现系数的获取方法包括:
将疑似高碳排放区域内的平均颜色信息和归一化后的颜色对比度相乘,获得色彩表现系数。即平均颜色信息越大,说明该区域整体颜色信息越强,越属于真实高碳排放区域,色彩表现系数越大;颜色对比度越大说明该区域越符合真实高碳排放区域的颜色特征,色彩表现系数越大。
在本发明一个实施例中,归一化操作采用极差标准化进行处理,在本发明其他实施例中也可采用如双曲正切函数映射等基础数学运算实现归一化,具体不再限定及赘述。
仅根据色彩表现系数表征的色彩信息判断疑似高碳排放区域是否为真实高碳排放区域并不准确,因为可能会存在一些较低碳排放区域因为与周围背景区域之间的强烈对比度仍会呈现一种高色彩表现系数的情况。因此还需要进一步考虑到高碳排放区域的其他特征,本发明实施例考虑到高碳排放区域本身具有明显的扩散特征,区域内部会呈现由中心向四周进行发散,直至扩散至边界,由中心向边界的方向上颜色信息逐渐变浅;并且基于扩散特征,相邻两个区域之间的背景像素点应与两个区域均存在较大的颜色信息差异。因此可根据疑似高碳排放区域内部的颜色信息渐变特征,以及相邻疑似高碳排放区域之间的颜色信息,获得碳排放扩散程度。碳排放扩散程度越大说明对应疑似高碳排放区域越符合真实的高碳排放区域。
优选地,碳排放扩散程度的获取方法包括:
对于每个疑似高碳排放区域而言,在疑似高碳排放区域中随机挑选预设数量个像素点作为边界像素点的第二对比点。第二对比点的平均颜色信息作为对比颜色信息。即对比颜色信息代表的就是区域内部的颜色信息。将对比颜色信息与每个边界像素点的颜色信息之间的差值进行累加,获得区域内部碳扩散程度。因为边界像素点的颜色信息应与区域内部的颜色信息存在较大差异并且为较小值,因此将对比颜色信息作为区域内的代表颜色信息,对比颜色信息与边界像素点之间的颜色信息差值越大,则说明该区域内部存在明显的扩散特征。
将距离最近的其他疑似高碳排放区域作为对比区域,疑似高碳排放区域与对应对比区域之间距离最短的两个边界像素点分别作为第一待分析点和第二待分析点;第一待分析点和第二待分析点之间连线上的像素点作为第三待分析点。因为相邻两个高碳排放区域之间的背景像素点应与两个区域存在较大的差异,因此将第一待分析点与每个第三待分析点之间的颜色信息差值累加,获得第一差值累加值;将第二待分析点与每个第三待分析点之间的颜色信息差值累加,获得第二差值累加值;第一差值累加值和第二差值累加值的和作为区域间碳扩散程度。即各项差值越大说明两个区域之间的颜色信息分布越属于真实高碳排放区域之间的颜色信息分布,则区域间碳扩散程度越大。
区域内部碳扩散程度与区域间碳扩散程度的乘积作为碳排放扩散程度。碳排放扩散程度用公式表示为:
;其中/>为第/>个疑似高碳排放区域的碳排放扩散程度,/>为第/>个疑似高碳排放区域的边界像素点的数量,为第/>个疑似高碳排放区域中第/>个边界像素点的颜色信息,/>为第/>个疑似高碳排放区域中的对比颜色信息,/>为第三待分析点的数量,/>为第/>个疑似高碳排放区域与对比区域/>之间的第一待分析点的颜色信息,/>为第/>个疑似高碳排放区域与对比区域/>之间的第二待分析点的颜色信息,/>为第/>个第三待分析点。
根据色彩表现系数和碳排放扩散程度即可获得每个疑似高碳排放区域的显著性修正因子,显著性修正因子能够在后续步骤中修正初始显著性值,使得高碳排放区域的显著性值更加突出。
优选地,在本发明一个实施例中,显著性修正因子的获取方法包括:
将色彩表现系数和碳排放扩散程度相乘后进行归一化,获得初始修正因子,将初始修正因子乘上预设最大调整倍数,获得显著性修正因子。即通过归一化后的初始修正因子与预设最大调整倍数相乘,使得显著性修正因子为一个增幅倍数,通过对初始显著性值的增幅使得高碳排放区域更显著。在本发明一个实施例中,最大调整倍数设置为2,即最大将初始显著性值调整为二倍。
步骤S3:根据显著性修正因子对疑似高碳排放区域中每个像素点的初始显著性值进行修正,获得每个像素点的修正显著性值;根据修正显著性值确定真实高碳排放区域。
在本发明一个实施例中,将初始显著性值与显著性修正因子的乘积作为修正显著性值。
修正显著性值通过了显著性修正因子的调整,使得真实高碳排放区域的显著性值能够更加突出,因此可根据修正显著性值确定真实高碳排放区域。
优选地,在本发明一个实施例中根据修正显著性值确定真实高碳排放区域,包括:
获得每个疑似高碳排放区域的平均修正显著性值,若平均修正显著性值大于预设修正显著性阈值,则将对应疑似高碳排放区域作为真实高碳排放区域。在本发明一个实施例中,将平均修正显著性值归一化之后将修正显著性阈值设置为0.6。
优选地,在本发明一个实施例中,考虑到在一个城市中不同位置具有不同的功能分区、行政分区等划分,其中人口密度较多、工业化完备等特征的区域应具有更高的碳排放量,因此获得每个像素点的修正显著性值,之后还包括:根据疑似高碳排放区域在城市中所属的区域类别设置区域权重,将区域权重与修正显著性值相乘获得优化显著性值;根据优化显著性值确定真实高碳排放区域。需要说明的是,在本发明一个实施例中根据行政区域将整个城市划分,通过将各个行政区域对应的GDP进行归一化,获得区域权重。若某个疑似高碳排放区域中同时包含了两个行政区域,则选择所占面积最大的行政区域作为该疑似高碳排放区域的行政区域类别。
步骤S4:将每个时刻下城市的真实高碳排放区域在地理信息系统上进行可视化显示并进行时空分布模拟。
通过地图软件可将每个高碳排放区域的位置在地图上进行标注和可视化。进一步利用地理信息系统结合不同时刻下的真实高碳排放区域的分布进行时空模拟。在本发明一个实施例中,通过制作动态地图方式展示高碳排放区域的时空分布情况,能够直观展现真实高碳排放区域的分布模式和变化趋势,为进一步的碳排放研究提供重要参考。
综上所述,本发明实施例首先获得碳排放遥感图像中每个像素点的初始显著性值,并筛选出疑似高碳排放区域。根据色彩表现系数、区域内部的颜色信息渐变特征、区域之间颜色信息特征获得每个疑似高碳排放区域的显著性修正因子。利用显著性修正因子修正初始显著性值,获得修正显著性值,进而确定真实高碳排放区域用于可视化以及时空分布模拟。本发明通过修正显著性使得高碳排放区域的显著性能够进一步特征,进而获得准确的高碳排放区域用于时空模拟。
本发明还提出了一种基于遥感影像的城市碳排放时空分布模拟系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时任意一项一种基于遥感影像的城市碳排放时空分布模拟方法的步骤。
一种基于遥感影像的城市高碳排放区域识别方法实施例:
现有技术中考虑到高碳排放区域在遥感图像中具有显著的颜色特征,因此可根据CA显著性检测算法获取每个像素点的显著性值,进而确定高碳排放区域用于可视化展示。但是在现有技术中,由于CA显著性检测算法是一种基于局部特征和全局特征显著性的检测算法,对于面积较小的高碳排放区域,在分析其局部显著性特征时会被背景信息将显著性值淡化,导致所得到的显著性值较小,进而出现漏检现象。为了解决该问题,本发明实施例提出了一种基于遥感影像的城市高碳排放区域识别方法:
步骤S1:获取每个采样时刻下城市的碳排放遥感图像;获得所述碳排放遥感图像中每个像素点的初始显著性值;根据所述初始显著性值获得疑似高碳排放区域。
步骤S2:根据所述疑似高碳排放区域的颜色信息以及颜色对比度获得每个疑似高碳排放区域的色彩表现系数;根据所述疑似高碳排放区域内部的颜色信息渐变特征,以及相邻疑似高碳排放区域之间的颜色信息,获得碳排放扩散程度;根据所述色彩表现系数和所述碳排放扩散程度获得每个所述疑似高碳排放区域的显著性修正因子。
步骤S3:根据所述显著性修正因子对所述疑似高碳排放区域中每个像素点的初始显著性值进行修正,获得每个像素点的修正显著性值;根据所述修正显著性值确定真实高碳排放区域。
由于步骤S1-步骤S3的具体实现过程在上述一种基于遥感影像的城市碳排放时空分布模拟方法及系统中已给出详细说明,在此不再赘述。
本发明实施例在获得每个像素点的初始显著值后,获得疑似高碳排放区域。为了避免疑似高碳排放区域的误检,考虑到真实的高碳排放区域在遥感图像中会具有明显的颜色特征以及对比度,首先获得色彩表现系数,进一步考虑到碳排放具有明显的扩散性,真实的高碳排放区域的含碳量会呈现中心向外扩散的特征,因此通过色彩表现系数和碳排放扩散程度获得显著性修正因子,用于修正初始显著值性值,根据修正显著性值即可确定真实的高碳排放区域。本发明实施例通过高碳排放区域在遥感图像中的具体特征对显著值进行进一步的修正,使得能够获得准确的真实高碳排放区域。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于遥感影像的城市碳排放时空分布模拟方法,其特征在于,所述方法包括:
获取每个采样时刻下城市的碳排放遥感图像;获得所述碳排放遥感图像中每个像素点的初始显著性值;根据所述初始显著性值获得疑似高碳排放区域;
根据所述疑似高碳排放区域的颜色信息以及颜色对比度获得每个疑似高碳排放区域的色彩表现系数;根据所述疑似高碳排放区域内部的颜色信息渐变特征,以及相邻疑似高碳排放区域之间的颜色信息,获得碳排放扩散程度;根据所述色彩表现系数和所述碳排放扩散程度获得每个所述疑似高碳排放区域的显著性修正因子;
根据所述显著性修正因子对所述疑似高碳排放区域中每个像素点的初始显著性值进行修正,获得每个像素点的修正显著性值;根据所述修正显著性值确定真实高碳排放区域;
将每个时刻下所述城市的真实高碳排放区域在地理信息系统上进行可视化显示并进行时空分布模拟。
2.根据权利要求1所述的一种基于遥感影像的城市碳排放时空分布模拟方法,其特征在于,所述根据所述初始显著性值获得疑似高碳排放区域,包括:
将所述初始显著性值大于预设初始显著性阈值的像素点作为目标像素点;对目标像素点进行聚类,获得所述疑似高碳排放区域。
3.根据权利要求1所述的一种基于遥感影像的城市碳排放时空分布模拟方法,其特征在于,所述颜色信息为所述碳排放遥感图像中的像素点在RGB色彩空间中的红色通道的通道值。
4.根据权利要求1所述的一种基于遥感影像的城市碳排放时空分布模拟方法,其特征在于,所述颜色对比度的获取方法包括:
对于所述疑似高碳排放区域中的一个边界像素点,距离所述边界像素点最近的非疑似高碳排放区域的像素点为所述边界像素点的第一对比点;
对于一个疑似高碳排放区域而言,将每个边界像素点与对应第一对比点之间的颜色信息差值进行累加,获得所述颜色对比度。
5.根据权利要求1所述的一种基于遥感影像的城市碳排放时空分布模拟方法,其特征在于,所述色彩表现系数的获取方法包括:
将所述疑似高碳排放区域内的平均颜色信息和归一化后的所述颜色对比度相乘,获得所述色彩表现系数。
6.根据权利要求1所述的一种基于遥感影像的城市碳排放时空分布模拟方法,其特征在于,所述碳排放扩散程度的获取方法包括:
对于每个疑似高碳排放区域而言,在疑似高碳排放区域中随机挑选预设数量个像素点作为边界像素点的第二对比点;所述第二对比点的平均颜色信息作为对比颜色信息;将对比颜色信息与每个边界像素点的颜色信息之间的差值进行累加,获得区域内部碳扩散程度;
将距离最近的其他疑似高碳排放区域作为对比区域,所述疑似高碳排放区域与对应对比区域之间距离最短的两个边界像素点分别作为第一待分析点和第二待分析点;所述第一待分析点和所述第二待分析点之间连线上的像素点作为第三待分析点;
将所述第一待分析点与每个所述第三待分析点之间的颜色信息差值累加,获得第一差值累加值;将所述第二待分析点与每个所述第三待分析点之间的颜色信息差值累加,获得第二差值累加值;所述第一差值累加值和所述第二差值累加值的和作为区域间碳扩散程度;
所述区域内部碳扩散程度与所述区域间碳扩散程度的乘积作为所述碳排放扩散程度。
7.根据权利要求1所述的一种基于遥感影像的城市碳排放时空分布模拟方法,其特征在于,所述显著性修正因子的获取方法包括:
将所述色彩表现系数和所述碳排放扩散程度相乘后进行归一化,获得初始修正因子,将所述初始修正因子乘上预设最大调整倍数,获得所述显著性修正因子。
8.根据权利要求1所述的一种基于遥感影像的城市碳排放时空分布模拟方法,其特征在于,所述根据所述修正显著性值确定真实高碳排放区域,包括:
获得每个所述疑似高碳排放区域的平均修正显著性值,若所述平均修正显著性值大于预设修正显著性阈值,则将对应疑似高碳排放区域作为真实高碳排放区域。
9.根据权利要求1所述的一种基于遥感影像的城市碳排放时空分布模拟方法,其特征在于,所述获得每个像素点的修正显著性值,之后还包括:
根据所述疑似高碳排放区域在城市中所属的行政区域类别设置区域权重,将所述区域权重与所述修正显著性值相乘获得优化显著性值;根据所述优化显著性值确定真实高碳排放区域。
10.一种基于遥感影像的城市碳排放时空分布模拟系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述一种基于遥感影像的城市碳排放时空分布模拟方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410318860.3A CN117911880B (zh) | 2024-03-20 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410318860.3A CN117911880B (zh) | 2024-03-20 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117911880A true CN117911880A (zh) | 2024-04-19 |
CN117911880B CN117911880B (zh) | 2024-05-31 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507586A (zh) * | 2011-11-14 | 2012-06-20 | 辽宁师范大学 | 碳排放遥感监测方法 |
CN115147733A (zh) * | 2022-09-05 | 2022-10-04 | 山东东盛澜渔业有限公司 | 一种基于人工智能的海洋垃圾识别回收方法 |
US20220383633A1 (en) * | 2019-10-23 | 2022-12-01 | Beijing University Of Civil Engineering And Architecture | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device |
CN116092018A (zh) * | 2023-04-10 | 2023-05-09 | 同方德诚(山东)科技股份公司 | 一种基于智慧建筑的消防隐患监测方法及系统 |
CN116259005A (zh) * | 2023-02-04 | 2023-06-13 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于屋顶光伏消防的智能监控系统 |
CN116773485A (zh) * | 2023-06-16 | 2023-09-19 | 中国科学院地质与地球物理研究所 | 一种基于多模态数据的城市区域碳排放检测系统 |
CN117197683A (zh) * | 2023-09-05 | 2023-12-08 | 中南林业科技大学 | 基于深度特征融合的乡村地区遥感影像碳排放估算系统 |
CN117494859A (zh) * | 2023-07-25 | 2024-02-02 | 中国科学院城市环境研究所 | 一种基于地统计的城市碳排放形态分区构建的方法 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507586A (zh) * | 2011-11-14 | 2012-06-20 | 辽宁师范大学 | 碳排放遥感监测方法 |
US20220383633A1 (en) * | 2019-10-23 | 2022-12-01 | Beijing University Of Civil Engineering And Architecture | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device |
CN115147733A (zh) * | 2022-09-05 | 2022-10-04 | 山东东盛澜渔业有限公司 | 一种基于人工智能的海洋垃圾识别回收方法 |
CN116259005A (zh) * | 2023-02-04 | 2023-06-13 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于屋顶光伏消防的智能监控系统 |
CN116092018A (zh) * | 2023-04-10 | 2023-05-09 | 同方德诚(山东)科技股份公司 | 一种基于智慧建筑的消防隐患监测方法及系统 |
CN116773485A (zh) * | 2023-06-16 | 2023-09-19 | 中国科学院地质与地球物理研究所 | 一种基于多模态数据的城市区域碳排放检测系统 |
CN117494859A (zh) * | 2023-07-25 | 2024-02-02 | 中国科学院城市环境研究所 | 一种基于地统计的城市碳排放形态分区构建的方法 |
CN117197683A (zh) * | 2023-09-05 | 2023-12-08 | 中南林业科技大学 | 基于深度特征融合的乡村地区遥感影像碳排放估算系统 |
Non-Patent Citations (4)
Title |
---|
YANG HAO等: "Joint Observations of Vertical Distribution of Aerosols in Hefei Area by Spaceborne and Ground-Based Lidars", 《CHINESE JOURNAL OF LASERS》, 1 November 2022 (2022-11-01) * |
ZHOU MINQIANG: "Evolution of China\'s Coastal Economy since the Belt and Road Initiative Based on Nighttime Light Imagery", 《SUSTAINABILITY》, 19 February 2024 (2024-02-19) * |
周敏强等: "GOSAT卫星二氧化碳遥感产品的验证与分析", 《气象》, 31 October 2018 (2018-10-31) * |
潘益群: "基于特征的光学和SAR影像配准与融合方法研究", 《硕士电子期刊》, 15 January 2022 (2022-01-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798467B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN112633185B (zh) | 图像处理的方法及装置 | |
CN109410171B (zh) | 一种用于雨天图像的目标显著性检测方法 | |
CN111179230A (zh) | 遥感影像对比变化检测方法、装置、存储介质及电子设备 | |
CN112084869A (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN102768757B (zh) | 一种基于图像类型分析的遥感图像色彩校正方法 | |
CN111291826A (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
CN109916415B (zh) | 道路类型确定方法、装置、设备及存储介质 | |
CN105046701A (zh) | 一种基于构图线的多尺度显著目标检测方法 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN113569724A (zh) | 基于注意力机制和扩张卷积的道路提取方法及系统 | |
US9396552B1 (en) | Image change detection | |
CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 | |
CN117451012B (zh) | 一种无人机航摄测量方法及系统 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
AU2015376657B2 (en) | Image change detection | |
CN117911880B (zh) | 基于遥感影像的城市碳排放时空分布模拟方法及系统 | |
CN117911880A (zh) | 基于遥感影像的城市碳排放时空分布模拟方法及系统 | |
CN112241956A (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
CN111199188A (zh) | 遥感影像差异图的像素处理方法、装置、存储介质及设备 | |
CN111598036B (zh) | 分布式架构的城市群地理环境知识库构建方法及系统 | |
CN110322454B (zh) | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 | |
CN113468982A (zh) | 一种城市功能区分类方法、装置及存储介质 | |
CN108389219B (zh) | 一种基于多峰值判定的弱小目标跟踪丢失重检方法 |
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 |