CN118196644A - 基于时序遥感图像数据的红树林分类方法以及装置 - Google Patents
基于时序遥感图像数据的红树林分类方法以及装置 Download PDFInfo
- Publication number
- CN118196644A CN118196644A CN202410157795.0A CN202410157795A CN118196644A CN 118196644 A CN118196644 A CN 118196644A CN 202410157795 A CN202410157795 A CN 202410157795A CN 118196644 A CN118196644 A CN 118196644A
- Authority
- CN
- China
- Prior art keywords
- mangrove
- classification
- remote sensing
- sensing image
- training
- 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.)
- Pending
Links
- 240000002044 Rhizophora apiculata Species 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 111
- 238000005070 sampling Methods 0.000 claims abstract description 65
- 238000013145 classification model Methods 0.000 claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000002310 reflectometry Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- HQHACWYQWDKBOZ-UHFFFAOYSA-N 1-nitroso-azacyclotridecane Chemical compound O=NN1CCCCCCCCCCCC1 HQHACWYQWDKBOZ-UHFFFAOYSA-N 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000000179 transient infrared spectroscopy Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及遥感数据分析领域，特别涉及一种基于时序遥感图像数据的红树林分类方法，包括：获得样本时序遥感图像数据，样本时序遥感图像数据包括若干个样本遥感图像；根据预设的若干个采样区域，获得各个样本遥感图像的若干个采样区域的光谱数据，根据光谱数据，对若干个采样区域进行分类，获得各个样本遥感图像的若干个红树林分类类型的分类区域；根据预设的像元采样数目，分别从若干个红树林分类类型的分类区域中均提取若干个像元，作为训练像元，采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据；将训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型。
Description
技术领域
本发明涉及遥感数据分析领域，特别涉及是一种基于时序遥感图像数据的红树林分类方法、装置、计算机设备以及存储介质。
背景技术
红树林是一种特殊的生态系统，分布在沿海地区，并对维持海岸线稳定和生态环境平衡具有重要作用。传统的红树林分类方法通常基于遥感图像的像元尺度进行分类，但由于红树林的空间异质性和高度动态性，使得传统方法往往无法有效提取和描述红树林的特征信息。
发明内容
基于此，本发明的目的在于，提供一种基于时序遥感图像数据的红树林分类方法、装置、计算机设备以及存储介质，对时序遥感图像数据中的各个遥感图像进行红树林分类以及像元提取，获得各个遥感图像的各个红树林分类类型的训练像元，采用亚像元映射方法，对训练像元进行反射特征提取，获得训练像元的更加精细的反射特征数据，用以对红树林分类模型进行训练，使得训练后的红树林分类模型能够贴合红树林的空间异质性和高度动态性，提高了红树林分类的准确性。
第一方面，本申请实施例提供了一种基于时序遥感图像数据的红树林分类方法，包括以下步骤：
获得样本时序遥感图像数据，其中，所述样本时序遥感图像数据包括若干个样本遥感图像；
根据预设的若干个采样区域，获得各个所述样本遥感图像的若干个采样区域的光谱数据，根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个红树林分类类型的分类区域；
根据预设的像元采样数目，分别从若干个红树林分类类型的分类区域中均提取若干个像元，作为训练像元，采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据；
将若干个训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型；
响应于分类指令，获得待分类的遥感图像，将所述待分类的遥感图像输入至所述目标红树林分类模型，获得所述待分类的遥感图像的红树林分类结果。
第二方面，本申请实施例提供了一种基于时序遥感图像数据的红树林分类装置，包括：
数据获取模块，用于获得样本时序遥感图像数据，其中，所述样本时序遥感图像数据包括若干个样本遥感图像；
区域划分模块，用于根据预设的若干个采样区域，获得各个所述样本遥感图像的若干个采样区域的光谱数据，根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个红树林分类类型的分类区域；
亚像元尺度特征提取模块，用于根据预设的像元采样数目，分别从若干个红树林分类类型的分类区域中均提取若干个像元，作为训练像元，采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据；
模型训练模块，用于将若干个训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型；
分类模块，用于响应于分类指令，获得待分类的遥感图像，将所述待分类的遥感图像输入至所述目标红树林分类模型，获得所述待分类的遥感图像的红树林分类结果。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述基于时序遥感图像数据的红树林分类方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于时序遥感图像数据的红树林分类方法的步骤。
在本申请实施例中，提供一种基于时序遥感图像数据的红树林分类方法、装置、计算机设备以及存储介质，对时序遥感图像数据中的各个遥感图像进行红树林分类以及像元提取，获得各个遥感图像的各个红树林分类类型的训练像元，采用亚像元映射方法，对训练像元进行反射特征提取，获得训练像元的更加精细的反射特征数据，用以对红树林分类模型进行训练，使得训练后的红树林分类模型能够贴合红树林的空间异质性和高度动态性，提高了红树林分类的准确性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于时序遥感图像数据的红树林分类方法的流程示意图；
图2为本申请一个实施例提供的基于时序遥感图像数据的红树林分类方法中S2的流程示意图；
图3为本申请一个实施例提供的基于时序遥感图像数据的红树林分类方法中S3的流程示意图；
图4为本申请一个实施例提供的基于时序遥感图像数据的红树林分类方法中S4的流程示意图；
图5为本申请另一个实施例提供的基于时序遥感图像数据的红树林分类方法的流程示意图；
图6为本申请一个实施例提供的基于时序遥感图像数据的红树林分类装置的结构示意图；
图7为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的基于时序遥感图像数据的红树林分类方法的流程示意图，所述方法包括如下步骤：
S1：获得样本时序遥感图像数据。
所述基于时序遥感图像数据的红树林分类方法的执行主体为基于时序遥感图像数据的红树林分类方法的分类设备(以下简称分类设备)，在一个可选的实施例中，所述分类设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
分类设备可以通过卫星获取样本区域的样本时序遥感图像数据，也可以通过从数据库中下载获取，其中，所述样本时序遥感图像数据包括若干个样本遥感图像。
具体地，分类设备将Landsat 5TM、Landsat 7ETM+、Landsat8 OLI/TIRS作为数据源，时间跨度为1993年—2015年，空间分辨率为30m×30m，获取多期长时序多源数据，作为样本时序遥感图像数据，在一个可选的实施例中，分类设备对所述样本时序遥感图像数据进行辐射校正、大气校正以及几何配准处理，获取处理后的样本时序遥感图像数据，用于将卫星采集的样本时序遥感图像数据进行校正，提高对样本遥感图像的特征信息提取的准确性。
S2：根据预设的若干个采样区域，获得各个所述样本遥感图像的若干个采样区域的光谱数据，根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个红树林分类类型的分类区域。
在本实施例中，分类设备根据预设的若干个采样区域，获得各个所述样本遥感图像的若干个采样区域的光谱数据，其中，所述光谱数据包括近红外波段反射率、短波红外波段反射率以及绿光波段反射率。
分类设备根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个红树林分类类型的分类区域。
具体地，分类设备根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个采样区域的红树林分类类型，将同一个红树林分类类型的若干个采样区域进行组合，构建各个所述样本遥感图像的若干个红树林分类类型的分类区域。
请参阅图2，图2为本申请一个实施例提供的基于时序遥感图像数据的红树林分类方法中S2的流程示意图，包括步骤S21～S23，具体如下：
S21：根据所述光谱数据中的近红外波段反射率、短波红外波段反射率以及预设的归一化差值湿度指数算法，获得若干个所述采样区域的归一化差值湿度指数。
所述归一化差值湿度指数算法为：
式中，NDMI为归一化差值湿度指数，ρNIR为近红外波段反射率，ρMIR为短波红外波段反射率。
在本实施例中，分类设备根据所述光谱数据中的近红外波段反射率、短波红外波段反射率以及预设的归一化差值湿度指数算法，获得若干个所述采样区域的归一化差值湿度指数。
S22：根据所述光谱数据中的短波红外波段反射率、绿光波段反射率以及预设的归一化差值池塘指数算法，获得若干个所述采样区域的归一化差值池塘指数。
所述归一化差值池塘指数算法为：
式中，NDPI为归一化差值湿度指数，ρGRE为绿光波段反射率。
在本实施例中，分类设备根据所述光谱数据中的短波红外波段反射率、绿光波段反射率以及预设的归一化差值池塘指数算法，获得若干个所述采样区域的归一化差值池塘指数。
S23：根据若干个所述采样区域的归一化差值湿度指数、归一化差值池塘指数以及相应的归一化差值指数阈值，将若干个所述采样区域进行分类，获得若干个采样区域的红树林分类类型。
在本实施例中，分类设备根据若干个所述采样区域的归一化差值湿度指数、归一化差值池塘指数以及相应的归一化差值指数阈值，将若干个所述采样区域进行分类，获得若干个采样区域的红树林分类类型。
具体地，所述归一化差值指数阈值包括归一化差值湿度指数阈值以及归一化差值池塘指数阈值，当
S3：根据预设的像元采样数目，分别从若干个红树林分类类型的分类区域中均提取若干个像元，作为训练像元，采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据。
在本实施例中，分类设备根据预设的像元采样数目，分别从若干个红树林分类类型的分类区域中均提取若干个像元，作为训练像元，能够更全面地反映红树林的空间动态变化，用以构建平衡的训练数据集，提高模型训练的准确性。
分类设备采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据。
请参阅图3，图3为本申请一个实施例提供的基于时序遥感图像数据的红树林分类方法中S3的流程示意图，包括步骤S31～S32，具体如下：
S31：采用光谱混合分析方法，对若干个所述训练像元进行混合像元分解，获得若干个所述训练像元的亚像元数据。
在本实施例中，分类设备采用光谱混合分析方法，对若干个所述训练像元进行混合像元分解，获得若干个所述训练像元的亚像元数据，识别混合光谱中独立纯净成分端元光谱，以及定量化它们在图像像元中的百分比，其中，所述亚像元数据包括纯净端元数目、各类纯净端元在训练像元中的面积占比比例以及各类纯净端元的波段反射率。
S32：根据所述亚像元数据以及预设的辐射亮度算法，获得若干个所述训练像元的辐射亮度，作为所述反射特征数据。
所述辐射亮度算法为：
式中，Rb为训练像元在波段b的辐射亮度，N为纯净端元数目，Fi为第i类纯净端元在训练像元中的面积占比比例，Ri，b为第i类纯净端元在波段b的反射率，Eb为波段b的拟合残差。
在本实施例中，分类设备根据所述亚像元数据以及预设的辐射亮度算法，获得若干个所述训练像元的辐射亮度，作为所述反射特征数据。将亚像元尺度引入分类过程，获得训练像元的更加精细的反射特征数据，更加准确地描述红树林内部的空间异质性。
S4：将若干个训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型。
所述分类模型采用随机森林模型，所述随机森林模型包括若干个决策树，在本实施例中，分类设备将若干个训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型，通过机器学习或深度学习等方法构建分类模型，能够有效地提高分类的准确性和稳定性。
请参阅图4，图4为本申请一个实施例提供的基于时序遥感图像数据的红树林分类方法中S4的流程示意图，包括步骤S41～S42，具体如下：
S41：根据若干个所述训练像元的反射特征数据以及预设的预测算法，获得若干个训练像元的覆盖率预测值。
所述预测算法为：
式中，Yj为第i个训练像元的覆盖率预测值，K为决策树的总数，k为决策树的索引，fk表示第k个决策树，xi为第i个训练像元的反射特征数据，fk(xi)表示第i个训练像元的反射特征数据通过第k个决策树预测的结果。
在本实施例中，分类设备根据若干个所述训练像元的反射特征数据以及预设的预测算法，获得若干个训练像元的覆盖率预测值，以反映红树林各类地物的覆盖度估计情况。
S42：获得若干个训练像元的覆盖率真实值，根据若干个训练像元的覆盖率预测值以及覆盖率真实值，采用均方根误差计算算法，对所述红树林分类模型进行训练，获得目标红树林分类模型。
所述均方根误差计算算法为：
式中，RMSE为均方根误差，Z为训练像元的数目，Xi为第i个训练像元的覆盖率真实值。
在本实施例中，分类设备获得若干个训练像元的覆盖率真实值，根据若干个训练像元的覆盖率预测值以及覆盖率真实值，采用均方根误差计算算法，对所述红树林分类模型进行训练，获得目标红树林分类模型，通过对时序遥感图像数据中的各个遥感图像进行红树林分类以及像元提取，获得各个遥感图像的各个红树林分类类型的训练像元，采用亚像元映射方法，对训练像元进行反射特征提取，获得训练像元的更加精细的反射特征数据，用以对红树林分类模型进行训练，使得训练后的红树林分类模型能够贴合红树林的空间异质性和高度动态性，提高了红树林分类的准确性。
S5：响应于分类指令，获得待分类的遥感图像，将所述待分类的遥感图像输入至所述目标红树林分类模型，获得所述待分类的遥感图像的红树林分类结果。
所述分类指令是用户发出，分类设备接收的。
在本实施例中，分类设备响应于分类指令，获得待分类的遥感图像，将所述待分类的遥感图像输入至所述目标红树林分类模型，获得所述待分类的遥感图像的红树林分类结果。
请参阅图5，图5为本申请另一个实施例提供的基于时序遥感图像数据的红树林分类方法的流程示意图，还包括步骤S6，具体如下：
S6：响应于显示指令，获取电子地图数据，根据所述待分类的遥感图像的红树林分类结果，在所述电子地图数据的待分类区域上进行红树林分类结果的显示以及标注。
所述显示指令是用户发出，分类设备接收的。
在本实施例中，分类设备响应于显示指令，获取电子地图数据，根据所述待分类的遥感图像的红树林分类结果，在所述电子地图数据的待分类区域上进行红树林分类结果的显示以及标注。
请参考图6，图6为本申请一个实施例提供的基于时序遥感图像数据的红树林分类装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于时序遥感图像数据的红树林分类装置的全部或一部分，该装置6包括：
数据获取模块61，用于获得样本时序遥感图像数据，其中，所述样本时序遥感图像数据包括若干个样本遥感图像；
区域划分模块62，用于根据预设的若干个采样区域，获得各个所述样本遥感图像的若干个采样区域的光谱数据，根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个红树林分类类型的分类区域；
亚像元尺度特征提取模块63，用于根据预设的像元采样数目，分别从若干个红树林分类类型的分类区域中均提取若干个像元，作为训练像元，采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据；
模型训练模块64，用于将若干个训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型；
分类模块65，用于响应于分类指令，获得待分类的遥感图像，将所述待分类的遥感图像输入至所述目标红树林分类模型，获得所述待分类的遥感图像的红树林分类结果。
在本申请实施例中，通过数据获取模块，获得样本时序遥感图像数据，其中，所述样本时序遥感图像数据包括若干个样本遥感图像；通过区域划分模块，根据预设的若干个采样区域，获得各个所述样本遥感图像的若干个采样区域的光谱数据，根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个红树林分类类型的分类区域；通过亚像元尺度特征提取模块，根据预设的像元采样数目，分别从若干个红树林分类类型的分类区域中均提取若干个像元，作为训练像元，采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据；通过模型训练模块，将若干个训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型；通过分类模块，响应于分类指令，获得待分类的遥感图像，将所述待分类的遥感图像输入至所述目标红树林分类模型，获得所述待分类的遥感图像的红树林分类结果。对时序遥感图像数据中的各个遥感图像进行红树林分类以及像元提取，获得各个遥感图像的各个红树林分类类型的训练像元，采用亚像元映射方法，对训练像元进行反射特征提取，获得训练像元的更加精细的反射特征数据，用以对红树林分类模型进行训练，使得训练后的红树林分类模型能够贴合红树林的空间异质性和高度动态性，提高了红树林分类的准确性。
请参考图7，图7为本申请一个实施例提供的计算机设备的结构示意图，计算机设备7包括：处理器71、存储器72以及存储在存储器72上并可在处理器71上运行的计算机程序73；计算机设备可以存储有多条指令，指令适用于由处理器71加载并执行上述图1至图5所示实施例的方法步骤，具体执行过程可以参见图1至图5所示实施例的具体说明，在此不进行赘述。
其中，处理器71可以包括一个或多个处理核心。处理器71利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器72内的指令、程序、代码集或指令集，以及调用存储器72内的数据，执行基于时序遥感图像数据的红树林分类装置6的各种功能和处理数据，可选的，处理器71可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programble Logic Array，PLA)中的至少一个硬件形式来实现。处理器71可集成中央处理器71(Central Processing Unit，CPU)、图像处理器71(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器71中，单独通过一块芯片进行实现。
其中，存储器72可以包括随机存储器72(Random Access Memory，RAM)，也可以包括只读存储器72(Read-Only Memory)。可选的，该存储器72包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器72可用于存储指令、程序、代码、代码集或指令集。存储器72可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器72可选的还可以是至少一个位于远离前述处理器71的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图5所示实施例的方法步骤，具体执行过程可以参见图1至图5所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (9)
1.一种基于时序遥感图像数据的红树林分类方法，其特征在于，包括以下步骤：
获得样本时序遥感图像数据，其中，所述样本时序遥感图像数据包括若干个样本遥感图像；
根据预设的若干个采样区域，获得各个所述样本遥感图像的若干个采样区域的光谱数据，根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个红树林分类类型的分类区域；
根据预设的像元采样数目，分别从若干个红树林分类类型的分类区域中均提取若干个像元，作为训练像元，采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据；
将若干个训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型；
响应于分类指令，获得待分类的遥感图像，将所述待分类的遥感图像输入至所述目标红树林分类模型，获得所述待分类的遥感图像的红树林分类结果。
2.根据权利要求1所述的基于时序遥感图像数据的红树林分类方法，其特征在于：所述光谱数据包括近红外波段反射率、短波红外波段反射率以及绿光波段反射率。
3.根据权利要求2所述的基于时序遥感图像数据的红树林分类方法，其特征在于，所述根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个采样区域的红树林分类类型，包括步骤：
根据所述光谱数据中的近红外波段反射率、短波红外波段反射率以及预设的归一化差值湿度指数算法，获得若干个所述采样区域的归一化差值湿度指数，其中，所述归一化差值湿度指数算法为：
式中，NDMI为归一化差值湿度指数，ρNIR为近红外波段反射率，ρMIR为短波红外波段反射率；
根据所述光谱数据中的短波红外波段反射率、绿光波段反射率以及预设的归一化差值池塘指数算法，获得若干个所述采样区域的归一化差值池塘指数，其中，所述归一化差值池塘指数算法为：
式中，NDPI为归一化差值湿度指数，ρGRE为绿光波段反射率；
根据若干个所述采样区域的归一化差值湿度指数、归一化差值池塘指数以及相应的归一化差值指数阈值，将若干个所述采样区域进行分类，获得若干个采样区域的红树林分类类型。
4.根据权利要求1或3所述的基于时序遥感图像数据的红树林分类方法，其特征在于，所述采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据，包括步骤：
采用光谱混合分析方法，对若干个所述训练像元进行混合像元分解，获得若干个所述训练像元的亚像元数据，其中，所述亚像元数据包括纯净端元数目、各类纯净端元在训练像元中的面积占比比例以及各类纯净端元的波段反射率；
根据所述亚像元数据以及预设的辐射亮度算法，获得若干个所述训练像元的辐射亮度，作为所述反射特征数据，其中，所述辐射亮度算法为：
式中，Rb为训练像元在波段b的辐射亮度，N为纯净端元数目，Fi为第i类纯净端元在训练像元中的面积占比比例，Ri,b为第i类纯净端元在波段b的反射率，Eb为波段b的拟合残差。
5.根据权利要求4所述的基于时序遥感图像数据的红树林分类方法，其特征在于，所述将若干个训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型，包括步骤：
根据若干个所述训练像元的反射特征数据以及预设的预测算法，获得若干个训练像元的覆盖率预测值，其中，所述红树林分类模型包括若干个决策树，所述预测算法为：
式中，Yj为第i个训练像元的覆盖率预测值，K为决策树的总数，k为决策树的索引，fk表示第k个决策树，xi为第i个训练像元的反射特征数据，fk(xi)表示第i个训练像元的反射特征数据通过第k个决策树预测的结果；
获得若干个训练像元的覆盖率真实值，根据若干个训练像元的覆盖率预测值以及覆盖率真实值，采用均方根误差计算算法，对所述红树林分类模型进行训练，获得目标红树林分类模型，其中，所述均方根误差计算算法为：
式中，RMSE为均方根误差，Z为训练像元的数目，为第i个训练像元的覆盖率真实值。
6.根据权利要求1所述的基于时序遥感图像数据的红树林分类方法，其特征在于，还包括步骤：
响应于显示指令，获取电子地图数据，根据所述待分类的遥感图像的红树林分类结果，在所述电子地图数据的待分类区域上进行红树林分类结果的显示以及标注。
7.一种基于时序遥感图像数据的红树林分类装置，其特征在于，包括：
数据获取模块，用于获得样本时序遥感图像数据，其中，所述样本时序遥感图像数据包括若干个样本遥感图像；
区域划分模块，用于根据预设的若干个采样区域，获得各个所述样本遥感图像的若干个采样区域的光谱数据，根据所述光谱数据，对若干个所述采样区域进行分类，获得各个所述样本遥感图像的若干个红树林分类类型的分类区域；
亚像元尺度特征提取模块，用于根据预设的像元采样数目，分别从若干个红树林分类类型的分类区域中均提取若干个像元，作为训练像元，采样亚像元映射方法，对若干个训练像元进行反射特征提取，获得若干个训练像元的反射特征数据；
模型训练模块，用于将若干个训练像元的反射特征数据输入至预设的红树林分类模型中进行训练，获得目标红树林分类模型；
分类模块，用于响应于分类指令，获得待分类的遥感图像，将所述待分类的遥感图像输入至所述目标红树林分类模型，获得所述待分类的遥感图像的红树林分类结果。
8.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于时序遥感图像数据的红树林分类方法的步骤。
9.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于时序遥感图像数据的红树林分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410157795.0A CN118196644A (zh) | 2024-02-02 | 2024-02-02 | 基于时序遥感图像数据的红树林分类方法以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410157795.0A CN118196644A (zh) | 2024-02-02 | 2024-02-02 | 基于时序遥感图像数据的红树林分类方法以及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118196644A true CN118196644A (zh) | 2024-06-14 |
Family
ID=91413073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410157795.0A Pending CN118196644A (zh) | 2024-02-02 | 2024-02-02 | 基于时序遥感图像数据的红树林分类方法以及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118196644A (zh) |
-
2024
- 2024-02-02 CN CN202410157795.0A patent/CN118196644A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
| CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| Baron et al. | Combining image processing and machine learning to identify invasive plants in high-resolution images | |
| CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
| CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
| CN112364681B (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
| Sameen et al. | A refined classification approach by integrating Landsat Operational Land Imager (OLI) and RADARSAT-2 imagery for land-use and land-cover mapping in a tropical area | |
| CN112966548A (zh) | 一种大豆地块识别方法及系统 | |
| Oldeland et al. | The potential of UAV derived image features for discriminating savannah tree species | |
| CN112712038A (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 | |
| CN113609910A (zh) | 基于遥感影像的冬小麦生长前期空间分布监测方法及装置 | |
| CN111814545A (zh) | 作物识别方法、装置、电子设备及存储介质 | |
| CN115439757A (zh) | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 | |
| Tamiminia et al. | comparison of machine and deep learning methods to estimate shrub willow biomass from UAS imagery | |
| Arenas-Castro et al. | Mapping wild pear trees (Pyrus bourgaeana) in Mediterranean forest using high-resolution QuickBird satellite imagery | |
| CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
| CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
| CN109948556B (zh) | 作物分类识别方法及系统 | |
| CN117079152A (zh) | 一种基于卫星遥感影像的农作物精细分类提取方法和系统 | |
| Qu et al. | A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography: Flight altitude, sampling method and model effects | |
| CN118196644A (zh) | 基于时序遥感图像数据的红树林分类方法以及装置 | |
| CN116379935A (zh) | 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 | |
| CN114494859B (zh) | 基于遥感数据的长时间序列积雪遥感数据集构建方法 | |
| CN114519721A (zh) | 基于遥感图像的作物倒伏识别方法、装置以及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |