CN105868761A - 一种与spot5影像匹配的城市森林植被覆盖度采样方法 - Google Patents
一种与spot5影像匹配的城市森林植被覆盖度采样方法 Download PDFInfo
- Publication number
- CN105868761A CN105868761A CN201610411722.5A CN201610411722A CN105868761A CN 105868761 A CN105868761 A CN 105868761A CN 201610411722 A CN201610411722 A CN 201610411722A CN 105868761 A CN105868761 A CN 105868761A
- Authority
- CN
- China
- Prior art keywords
- spot5
- sampling
- image
- vegetation coverage
- urban
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种与SPOT5影像匹配的城市森林植被覆盖度采样方法,在选定的区域,以城市森林覆盖区域为对象,获得该区SPOT5影像,采用面向对象分割算法对森林覆盖区域进行分割,形成采样区,生成影像区域;在每个采样区,构建模糊分类器进行面向对象的覆盖分类;通过GPS定位获得每个采样区的位置信息,并进行记录;计算所有采样区的位置信息,并以SPOT5影像作为数据源进行匹配,对分类结果进行精度评价;根据分类对象的覆盖面积获得城市森林植被覆盖度。本发明提供的与SPOT5影像匹配的城市森林植被覆盖度采样方法,能够实现对城市森林的地面植被覆盖区域面积的精确采样,为提高城市森林植被覆盖度监测数据的精度做好充分的准备。
Description
技术领域
本发明涉及遥感技术,具体涉及一种与SPOT5影像匹配的城市森林植被覆盖度采样方法。
背景技术
城市森林覆盖度(The forest coverage)指一个城市植被面积占土地面积的百分比,是反映一个城市森林面积占有情况或植被种类丰富程度及实现绿化程度的指标,又是确定城市规划和生态***环境测定的重要依据之一。
对于城市森林植被覆盖度的测量与普通森林覆盖度的测量在一定程度上存在差异,目前研究者一般还是借鉴普通森林覆盖度的测量进行测定,普通森林覆盖度测量的传统方法是地面测量,最简单的是目估法,但此方法主观性太强,测量不够准确。为了获得更准确的数据和规律,统计学思想被引入其中,通过一定数量的地面测量,然后对实测数据进行时间或空间上的分析,寻找森林覆盖度的时空分布规律,形成经验模型,但这种方法一般仅适用于特定区域特定的植被类别,局限性太大,不宜推广。遥感技术的发展,为森林覆盖度的测量提供了一个新的发展方向,尤其是为大范围区域的森林覆盖度调查提供了可能,但是对于要计算城市森林覆盖度的树木精确采样比较困难,且目前对于这方面的研究较少。
发明内容
为了解决现有技术中存在的问题,本发明提供了一种与SPOT5影像匹配的城市森林植被覆盖度采样方法,大大提高了森林覆盖度调查数据的精度。
本发明提供的一种与SPOT5影像匹配的城市森林植被覆盖度采样方法,包括如下步骤:
S1:在选定的区域,以城市森林覆盖区域为对象,获得高地面分辨率、大比例的SPOT5影像,采用面向对象分割算法对城市森林覆盖区域进行分割,形成一系列采样区,生成影像区域;
S2:在每个采样区,构建模糊分类器进行面向对象的乔木、灌木和草地的覆盖分类;
S3:从采样区的中心点开始,通过GPS定位获得每个采样区的位置信息,并进行记录;
S4:根据一个采样区的位置信息,计算所有采样区的位置信息,并以SPOT5影像作为数据源进行匹配,对分类结果进行精度评价;
S5:根据分类的乔木、灌木和草地各自的覆盖面积获得城市森林植被覆盖度。
优选地,所述SPOT5影像的分辨率是2.5m的地面分辨率。
优选地,S3中,所述位置信息包括经度信息和纬度信息。
更优选地,所述SPOT5影像采用全色波段光谱与多光谱波段进行影像融合。
优选地,所述SPOT5影像的全色波段的光谱范围为0.49-0.60μm,影像分辨率是2.5m。
优选地,S1中,根据城市森林树冠覆盖区域大小选定分割尺度,采用可调尺度的面向对象分割算法进行分割。
更优选地,S1中,每个采样区为菱形,在采样区内按矩阵形式选取45个采样点,相邻采样点相隔2.5-5m。
更优选地,S3中,所述SPOT5影像生成的影像区域内的每个像元内不超过一个采样点。
优选地,S2中,构建的模糊分类器基于向量机分类,采用的分类关键特征包括样本选择、归一化差值植被指数、与相邻对象的平均差值和平均亮度值。
本发明提供的与SPOT5影像匹配的城市森林植被覆盖度采样方法,以SPOT5影像作为数据源,从采样区的中心点开始,通过GPS定位获得并记录每个采样区的位置信息进行匹配,快速、准确的锁定目标,从而实现对城市森林的树木地面覆盖区域面积的精确采样,为提高森林覆盖度调查数据的精度做了充分的准备。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案能予以实施,下面结合具体实施例对本发明作进一步说明,但所举实施例并不作为对本发明的范围限定。
一种与SPOT5影像匹配的城市森林植被覆盖度采样方法,包括如下处理步骤:
S1:在选定的区域,以城市森林覆盖区域为对象,获得高地面分辨率、大比例的SPOT5影像,采用面向对象分割算法对城市森林覆盖区域进行分割,形成一系列采样区,生成影像区域;
S2:在每个采样区,构建模糊分类器进行面向对象的乔木、灌木和草地的覆盖分类;
S3:从采样区的中心点开始,通过GPS定位获得每个采样区的位置信息,并进行记录;
S4:根据一个采样区的位置信息,计算所有采样区的位置信息,并以SPOT5影像作为数据源进行匹配,对分类结果进行精度评价;
S5:根据分类的乔木、灌木和草地各自的覆盖面积获得城市森林植被覆盖度。
优选地,上述构建的模糊分类器基于向量机分类,采用的分类关键特征包括样本选择、归一化差值植被指数、与相邻对象的平均差值和平均亮度值。具体选取的样本为乔木、灌木和草,对选定区域进行模糊分类后显示的暗绿色为乔木,亮绿色为草或灌木;上述所指的位置信息指的是采样区经度信息和纬度信息。
在本发明中,根据城市森林树冠覆盖区域大小选定分割尺度,采用可调尺度的面向对象分割算法进行分割;所用的SPOT5影像采用全色波段光谱与多光谱波段进行影像融合,被利用的多光谱(蓝、绿、红、近红外波段)SPOT5影像的分辨率是小于等于10m的地面分辨率,对该SPOT5进行一提取树冠覆盖区为目的的分割,采用全色波段时,其全色波段的光谱范围为0.49-0.60μm,影像分辨率是2.5m。
为了方便采样,通常以一个采样区为基础单元,每个采样区为菱形,在采样区内按矩阵形式选取45个采样点,相邻采样点相隔2.5-5m,其中以2.5m为最佳。SPOT5影像生成的影像区域内,黑色部分为采样区,红色的线组成的是影像的格网,通过采样区采样点的位置信息,和SPOT5影像作为数据源进行匹配,每个像元内不超过一个采样点,并使得每个采样点的位置尽可能落在影像每个格网的中心,从而确定采样。
本发明通过SPOT5影像提取出符合选定区域城市森林真实的树冠地面覆盖区域,然后依据SPOT5影像像元地面分辨率,获得城市森林覆盖度样本。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,其保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内,本发明的保护范围以权利要求书为准。
Claims (9)
1.一种与SPOT5影像匹配的城市森林植被覆盖度采样方法,其特征在于,包括如下步骤:
S1:在选定的区域,以城市森林覆盖区域为对象,获得高地面分辨率、大比例的SPOT5影像,采用面向对象分割算法对城市森林覆盖区域进行分割,形成一系列采样区,生成影像区域;
S2:在每个采样区,构建模糊分类器进行面向对象的乔木、灌木和草地的覆盖分类;
S3:从采样区的中心点开始,通过GPS定位获得每个采样区的位置信息,并进行记录;
S4:根据一个采样区的位置信息,计算所有采样区的位置信息,并以SPOT5影像作为数据源进行匹配,对分类结果进行精度评价;
S5:根据分类的乔木、灌木和草地各自的覆盖面积获得城市森林植被覆盖度。
2.根据权利要求1所述的与SPOT5影像匹配的城市森林植被覆盖度采样方法,其特征在于,所述SPOT5影像的分辨率是2.5m的地面分辨率。
3.根据权利要求1所述的与SPOT5影像匹配的城市森林植被覆盖度采样方法,其特征在于,S3中,所述位置信息包括经度信息和纬度信息。
4.根据权利要求2所述的与SPOT5影像匹配的城市森林植被覆盖度采样方法,其特征在于,所述SPOT5影像采用全色波段光谱与多光谱波段进行影像融合。
5.根据权利要求4所述的与SPOT5影像匹配的城市森林植被覆盖度采样方法,其特征在于,所述SPOT5影像的全色波段的光谱范围为0.49-0.60μm,影像分辨率是2.5m。
6.根据权利要求1所述的与SPOT5影像匹配的城市森林植被覆盖度采样方法,其特征在于,S1中,根据城市森林树冠覆盖区域大小选定分割尺度,采用可调尺度的面向对象分割算法进行分割。
7.根据权利要求6所述的与SPOT5影像匹配的城市森林植被覆盖度采样方法,其特征在于,S1中,每个采样区为菱形,在采样区内按矩阵形式选取45个采样点,相邻采样点相隔2.5-5m。
8.根据权利要求7所述的与SPOT5影像匹配的城市森林植被覆盖度采样方法,其特征在于,S3中,所述SPOT5影像生成的影像区域内的每个像元内不超过一个采样点。
9.根据权利要求1所述的与SPOT5影像匹配的城市森林植被覆盖度采样方法,其特征在于,S2中,构建的模糊分类器基于向量机分类,采用的分类关键特征包括样本选择、归一化差值植被指数、与相邻对象的平均差值和平均亮度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610411722.5A CN105868761A (zh) | 2016-06-06 | 2016-06-06 | 一种与spot5影像匹配的城市森林植被覆盖度采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610411722.5A CN105868761A (zh) | 2016-06-06 | 2016-06-06 | 一种与spot5影像匹配的城市森林植被覆盖度采样方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105868761A true CN105868761A (zh) | 2016-08-17 |
Family
ID=56650227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610411722.5A Pending CN105868761A (zh) | 2016-06-06 | 2016-06-06 | 一种与spot5影像匹配的城市森林植被覆盖度采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868761A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845366A (zh) * | 2016-12-29 | 2017-06-13 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗覆盖度自动检测方法 |
CN113776487A (zh) * | 2021-10-25 | 2021-12-10 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种水生植物覆盖度评估方法 |
CN114972750A (zh) * | 2022-04-29 | 2022-08-30 | 北京九章云极科技有限公司 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
CN116912706A (zh) * | 2023-06-30 | 2023-10-20 | 中国科学院空天信息创新研究院 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403795A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 估算城区树覆盖率的遥感测量方法及其遥感测量*** |
CN104574347A (zh) * | 2013-10-24 | 2015-04-29 | 南京理工大学 | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 |
-
2016
- 2016-06-06 CN CN201610411722.5A patent/CN105868761A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403795A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 估算城区树覆盖率的遥感测量方法及其遥感测量*** |
CN104574347A (zh) * | 2013-10-24 | 2015-04-29 | 南京理工大学 | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 |
Non-Patent Citations (2)
Title |
---|
张伐伐 等: "SPOT5遥感影像土地利用信息提取方法研究", 《西北农林科技大学学报(自然科学版)》 * |
王蕾 等: "地理国情地表覆盖业内分类与识别方法初探", 《价值工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845366A (zh) * | 2016-12-29 | 2017-06-13 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗覆盖度自动检测方法 |
CN106845366B (zh) * | 2016-12-29 | 2020-03-27 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗覆盖度自动检测方法 |
CN113776487A (zh) * | 2021-10-25 | 2021-12-10 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种水生植物覆盖度评估方法 |
CN114972750A (zh) * | 2022-04-29 | 2022-08-30 | 北京九章云极科技有限公司 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
CN114972750B (zh) * | 2022-04-29 | 2023-10-27 | 北京九章云极科技有限公司 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
CN116912706A (zh) * | 2023-06-30 | 2023-10-20 | 中国科学院空天信息创新研究院 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
CN116912706B (zh) * | 2023-06-30 | 2024-02-02 | 中国科学院空天信息创新研究院 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ismail et al. | Satellite data classification accuracy assessment based from reference dataset | |
Gini et al. | Aerial images from an UAV system: 3D modeling and tree species classification in a park area | |
Gonsamo et al. | Measuring fractional forest canopy element cover and openness–definitions and methodologies revisited | |
Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
CA2709377A1 (en) | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest | |
CN105868761A (zh) | 一种与spot5影像匹配的城市森林植被覆盖度采样方法 | |
JP2003344048A (ja) | 森林情報処理システム | |
CN108267175A (zh) | 一种基于无人机的农作物监测方法和装置 | |
CN103424366A (zh) | 一种多光谱精准识别的智能施肥实施方法 | |
CN109635827A (zh) | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 | |
Danaher et al. | Remote sensing of tree-grass systems: The Eastern Australian Woodlands | |
Liu et al. | Detection of Firmiana danxiaensis canopies by a customized imaging system mounted on an UAV platform | |
Qubaa et al. | Using uavs/drones and vegetation indices in the visible spectrum to monitoring agricultural lands | |
CN115760885A (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 | |
Wang et al. | Canopy extraction and height estimation of trees in a shelter forest based on fusion of an airborne multispectral image and photogrammetric point cloud | |
Pabi et al. | Linking Optical SPOT and Unmanned Aerial Vehicle data for a rapid biomass estimation in a Forest-savanna Transitional Zone of Ghana | |
Caccetta et al. | Fine-scale monitoring of complex environments using remotely sensed aerial, satellite, and other spatial data | |
Behn et al. | Mapping forest cover, Kimberley region of Western Australia | |
Sener et al. | Planning and controlling of hazelnut production areas with the remote sensing techniques | |
Heckel et al. | The first sub-meter resolution digital elevation model of the Kruger National Park, South Africa | |
Hosingholizade et al. | An assessment of support vector machines for crown delineation of pine single trees on unmanned aerial vehicle imagery | |
Deng et al. | Automated extracting tree crown from QuickBird Stand Image | |
Dixit et al. | Potential of Lightweight Drones and Object-Oriented Image Segmentation in Forest Plantation Assessment | |
Watt | An evaluation of LiDAR and optical satellite data for the measurement of structural attributes in British upland conifer plantation forestry | |
Malthus et al. | Remotely sensing stress in street trees using high spatial resolution data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160817 |
|
RJ01 | Rejection of invention patent application after publication |