CN109522788B - 基于随机森林分类算法的城市范围提取方法、装置及电子设备 - Google Patents
基于随机森林分类算法的城市范围提取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109522788B CN109522788B CN201811159030.1A CN201811159030A CN109522788B CN 109522788 B CN109522788 B CN 109522788B CN 201811159030 A CN201811159030 A CN 201811159030A CN 109522788 B CN109522788 B CN 109522788B
- Authority
- CN
- China
- Prior art keywords
- urban
- remote sensing
- night light
- vegetation index
- data
- 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.)
- Active
Links
Images
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于随机森林分类算法的城市范围提取方法、装置及电子设备。本发明的基于随机森林分类算法的城市范围提取方法包括如下步骤:并根据夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数;从样本区域的夜间灯光遥感影像和植被指数影像中选取训练样本,并根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数,建立并训练最优随机森林算法模型;将待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型,判断该区域是否为城市范围。本发明的基于随机森林分类算法的城市范围提取方法能够根据夜间灯光遥感影像和植被指数,识别城市区域和非城市区域。
Description
技术领域
本发明涉及城市发展研究信息技术领域,特别是涉及一种基于随机森林分类算法的城市范围提取方法、装置及电子设备。
背景技术
目前城市范围提取主要采用航空航天遥感技术,相比于传统的地面实际测量的方法,遥感技术有着工作量小、成本低、周期短、效率高等特点,并且能够满足当前研究城市化的需求。传统的遥感技术提取城市范围的方式一般是利用一年内较高分辨率的多光谱的遥感影像进行提取,其提取过程主要包括影像的几何校正、大气校正、镶嵌、裁剪、分类等步骤。由于多光谱的遥感影像获取受到天气的影响较大,因此所得到的影像在进行几何校正、镶嵌等工作时由于成像时间的不同导致其操作比较困难。
发明内容
基于此,本发明的目的在于,提供一种基于随机森林分类算法的城市范围提取方法,其能够根据夜间灯光遥感影像和植被指数,识别城市区域和非城市区域。
本发明是通过如下方案实现的:
一种基于随机森林分类算法的城市范围提取方法,包括如下步骤:
获取样本区域的夜间灯光遥感影像和植被指数影像;
获取样本区域的夜间灯光遥感数据和植被指数数据,并根据所述夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数;
根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元;
从所述样本区域中的城市像元和非城市像元中选取训练样本,并根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数,建立并训练最优随机森林算法模型,其中,所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的城市像元和非城市像元作为所述训练最优随机森林算法模型的输出样本;
获取待识别区域的夜间灯光遥感影像和植被指数影像;
将所述待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型,判断该区域是否为城市范围。
本发明所述的基于随机森林分类算法的城市范围提取方法,根据样本区域的夜间灯光遥感影像和植被指数影像和数据,训练出最优的随机森林算法模型,通过该模型,可以根据待识别区域的夜间灯光遥感影像和植被指数影像判断所述待识别区域是否为城市范围,可以弥补卫星遥感监测的缺陷,完善城市范围数据。
在一种实施例中,根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元,包括如下步骤:
如果所述样本区域内某一像元中的夜间灯光遥感数据大于第一设定阈值,且该像元中的植被指数数据小于第二设定阈值,则该像元为城市像元,如果某一像元中的植被指数数据大于第二设定阈值,则该像元为非城市像元。
在一种实施例中,从所述样本区域中的城市像元和非城市像元中选取训练样本,包括如下步骤:
基于行政区划边界分层采样训练样本。
在一种实施例中,基于行政区划边界分层采样训练样本,还包括如下步骤:
生成一值为0~1之间的随机数;
获取每一层中选中样本数量与城市像元与非城市像元总数量之间的比例值;
如果所述随机数小于所述比例值,则将该选中样本作为训练样本。
在一种实施例中,根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元前,还包括如下步骤:
根据水体分布数据,移除所述夜间灯光遥感影像中的水体像元。
进一步地,本发明还提供一种基于随机森林分类算法的城市范围提取装置,包括:
第一数据采集模块,用于获取样本区域的夜间灯光遥感影像和植被指数影像;
第二数据采集模块,用于获取样本区域的夜间灯光遥感数据和植被指数数据,并根据所述夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数;
样本处理模块,用于根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元;
随机森林训练模块,用于从所述样本区域中的城市像元和非城市像元中选取训练样本,并根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数,建立并训练最优随机森林算法模型,其中,所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的城市像元和非城市像元作为所述训练最优随机森林算法模型的输出样本;
第三数据采集模块,用于获取待识别区域的夜间灯光遥感影像和植被指数影像;
城市范围判断模块,用于将所述待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型,判断该区域是否为城市范围。
本发明所述的基于随机森林分类算法的城市范围提取装置,根据样本区域的夜间灯光遥感影像和植被指数影像和数据,训练出最优的随机森林算法模型,通过该模型,可以根据待识别区域的夜间灯光遥感影像和植被指数影像判断所述待识别区域是否为城市范围,可以弥补卫星遥感监测的缺陷,完善城市范围数据。
在一种实施例中,所述随机森林训练模块,包括:
像元区分单元,用于判断所述样本区域内的夜间灯光遥感数据是否大于第一设定阈值,且该像元中的植被指数数据是否小于第二设定阈值,如果是,则该像元为城市像元,如果某一像元中的植被指数数据大于第二设定阈值,则该像元为非城市像元。
在一种实施例中,还包括:
水体移除模块,用于根据水体分布数据,移除所述夜间灯光遥感影像中的水体像元。
进一步地,本发明还提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任意一项基于随机森林分类算法的城市范围提取方法。
进一步地,本发明还提供一种电子设备,包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的任意一项基于随机森林分类算法的城市范围提取方法。
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为一种实施例中基于随机森林分类算法的城市范围提取方法流程图;
图2为一种实施例中选取训练样本流程图;
图3为不同的行政区域,采样选取训练样本流程图;
图4为一种实施例中基于随机森林分类算法的城市范围提取方法流程图;
图5为一种实施例中基于随机森林分类算法的城市范围提取装置结构示意图;
图6为一种实施例中电子设备结构示意图。
具体实施方式
请参阅图1,在一种实施例中,基于随机森林分类算法的城市范围提取方法包括如下步骤:
步骤S10:获取样本区域的夜间灯光遥感影像和植被指数影像。
步骤S20:获取样本区域的夜间灯光遥感数据和植被指数数据,并根据所述夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数。
所述夜间灯光遥感影像,为在夜间无云的情况下,卫星上的遥感传感器获取的陆地或水体的可见光源图像,所述夜间灯光遥感数据(NTL),为与所述夜间灯光遥感影像所对应的数据,为对夜间灯光遥感影像中,每一分辨率中的灯光亮度的数值指示,所述夜间灯光遥感数据值通常为0-63。所述植被指数(NDVI)为根据植被的光谱特性,将卫星可见光和近红外波段进行组合,形成的植被覆盖指标,定性和定量评价植被覆盖及其生长活力。植被指数的值通常为-1至1,在冰雪覆盖、水体及沙漠区域,植被指数通常为小于零的常数,所述植被指数图像,为所述植被指数数据与所述夜间灯光遥感影像所对应的数据表所形成的图像。所述夜间灯光城市指数(the Vegetation Adjusted NTL Urban Index,VANUI)为根据所述植被指数数据调整后的夜间灯光遥感数据,在本实施例中,所述夜间灯光城市指数的计算公式为:VANUI=NTL*(1-NDVI),其中,样本区域的夜间灯光遥感影像及数据和植被指数影像及数据可通过卫星遥感数据获取。
步骤S30:根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元。
在本实施例中,通过判断夜间灯光遥感数据的高低,以及,植被指数数据的高低,来判断样本区域的某一像元属于城市像元或非城市像元,其中,夜间灯光遥感数据较高的区域并且植被指数数据较低的区域,为城市像元,植被指数数据较高的区域,则为非城市像元。
步骤S40:从所述样本区域中的城市像元和非城市像元中选取训练样本,并根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数,建立并训练最优随机森林算法模型,其中,所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的城市像元和非城市像元作为所述训练最优随机森林算法模型的输出样本。
步骤S50:获取待识别区域的夜间灯光遥感影像和植被指数影像。
所述待识别区域为样本区域中,需要识别为城市范围,或非城市范围的区域。
其中,待识别区域的夜间灯光遥感影像及数据和植被指数影像及数据可通过卫星遥感数据获取。
步骤S60:将所述待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型,判断该区域是否为城市范围。
本发明所述的基于随机森林分类算法的城市范围提取方法,根据样本区域的夜间灯光遥感影像和植被指数影像和数据,训练出最优的随机森林算法模型,通过该模型,可以根据待识别区域的夜间灯光遥感影像和植被指数影像判断所述待识别区域是否为城市范围,可以弥补卫星遥感监测的缺陷,完善城市范围数据。
在一种实施例中,为了更好的筛选训练样本,根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元前,还包括如下步骤:
根据水体分布数据,移除所述夜间灯光遥感影像中的水体像元。
所述水体分布数据为与所述夜间灯光遥感影响所对应的关于水体的分布数据,可通过卫星遥感获取,将水体分布数据中的水体分布坐标输入夜间灯光遥感影像中,可以移出夜间灯光遥感影像中的水体坐标。
请参阅图2,在一种实施例中,步骤S30中根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元,具体包括如下步骤:
步骤S31:如果所述样本区域内某一像元中的夜间灯光遥感数据大于第一设定阈值,且该像元中的植被指数数据小于第二设定阈值,则该像元为城市像元,如果某一像元中的植被指数数据大于第二设定阈值,则该像元为非城市像元。
其中,第一设定阈值和第二设定阈值为设定值。所述像元为灯光遥感影像或植被指数影像中的最小分辨率单元,如果某一像元中的灯光遥感数据大于第一设定阈值,且植被指数数据小于第二设定阈值,则说明该像元很可能为城市像元,如果某一像元中的植被指数数据大于第二设定阈值,则说明该像元很可能为非城市像元,而其他区域,例如灯光遥感数据小于第一设定阈值,且植被指数数据小于第二设定阈值的像元,则比较难以判断是否为城市像元或非城市像元,因此,不选为训练样本。在本实施例中,第一设定阈值为40,第二设定阈值为0.4。
由于同一城市中,不同行政区域的发达程度不同,因此,其城市范围判断标准有所不同,因此,在一种实施例中,基于行政区域边界分层采样来选取训练样本,不同的行政区域,分别采样,来选取训练样本。
请参阅图3,在一种实施例中,在不同的行政区域,采样选取训练样本包括如下步骤:
步骤S32:生成一值为0~1之间的随机数。
步骤S33:获取每一层中选中样本数量与城市像元与非城市像元总数量之间的比例值。
步骤S34:如果所述随机数小于所述比例值,则将该选中样本作为训练样本。
其中,所述比例值的计算公式为:P=Ns/N,其中,Ns为每一层中选中的样本数量,N为城市像元和非城市像元总数量。选取像元时,如果所述随机数小于所述比例值P,则该像元被选中为样本像元,如果所述随机数大于所述比例值P,则该像元不被选中。在本实施例中,样本数量Ns为城市像元和非城市像元总数量的15%。
请参阅图4,在一个具体的实施例中,本发明基于随机森林分类算法的城市范围提取方法包括如下步骤:
步骤S401:获取样本区域的夜间灯光遥感影像和植被指数影像。
步骤S402:根据水体分布数据,移除所述夜间灯光遥感影像中的水体像元。
步骤S403:获取样本区域的夜间灯光遥感数据和植被指数数据,并根据所述夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数。
步骤S404:区分样本区域的城市像元和非城市像元,并基于行政区划边界分层,从城市像元和非城市像元中选取训练样本。
步骤S405:生成一值为0~1之间的随机数,并获取每一层中选中样本数量与城市像元与非城市像元总数量之间的比例值。
步骤S406:如果所述随机数小于所述比例值,则将该选中样本作为训练样本。
步骤S407:根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数,建立原始样本集S。
步骤S408:通过Bootstrap方法在原始样本集S中抽取k个训练样本集。
步骤S409:对k个训练集进行学习,以此生成k个决策树模型。在决策树生成过程中,共有4个输入变量,从4个变量中随机抽取n个变量,各个内部节点均是利用这n个特征变量上最优的***方式来***,且n值在随机森林模型的形成过程中为恒定常数。
步骤S410:将k个决策树的结果进行组合,经反复训练,形成最优随机森林算法模型。
步骤S411:获取待识别区域的夜间灯光遥感影像和植被指数影像。
步骤S412:将所述待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型,判断该区域是否为城市范围。
本发明所述的基于随机森林分类算法的城市范围提取方法,根据样本区域的夜间灯光遥感影像和植被指数影像和数据,训练出最优的随机森林算法模型,通过该模型,可以根据待识别区域的夜间灯光遥感影像和植被指数影像判断所述待识别区域是否为城市范围,可以弥补卫星遥感监测的缺陷,完善城市范围数据;通过移除水体数据,以及对采样样本更精确的划分,以及采用随机数抽样策略,能更准确的建立随机森林回归模型,自动提取到更准确的城市范围。
请参阅图5,在一种实施例中,本发明基于随机森林分类算法的城市范围提取装置500,包括:
第一数据采集模块501,用于获取样本区域的夜间灯光遥感影像和植被指数影像;
第二数据采集模块502,用于获取样本区域的夜间灯光遥感数据和植被指数数据,并根据所述夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数;
样本处理模块503,用于根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元;
随机森林训练模块504,用于从所述样本区域中的城市像元和非城市像元中选取训练样本,并根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数,建立并训练最优随机森林算法模型,其中,所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的城市像元和非城市像元作为所述训练最优随机森林算法模型的输出样本;
第三数据采集模块505,用于获取待识别区域的夜间灯光遥感影像和植被指数影像;
城市范围判断模块506,用于将所述待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型,判断该区域是否为城市范围。
在一种实施例中,还包括水体移除模块507,用于根据水体分布数据,移除所述夜间灯光遥感影像中的水体像元。
在一种实施例中,所述样本处理模块503,包括:
像元区分单元5031,用于判断某一像元中的灯光遥感数据是否大于第一设定阈值,且该像元中的植被指数数据是否小于第二设定阈值,如果是,则该像元为城市像元,如果某一像元中的植被指数数据大于第二设定阈值,则该像元为非城市像元。
在一种实施例中,所述随机森林训练模块504,还包括:
随机数生成单元5041,用于生成一值为0~1之间的随机数;
比例值获取单元5042,用于获取每一层中选中样本数量与城市像元与非城市像元总数量之间的比例值;
判断单元5043,用于在所述随机数小于所述比例值时,将该选中样本作为训练样本。
本发明所述的基于随机森林分类算法的城市范围提取装置,根据样本区域的夜间灯光遥感影像和植被指数影像和数据,训练出最优的随机森林算法模型,通过该模型,可以根据待识别区域的夜间灯光遥感影像和植被指数影像判断所述待识别区域是否为城市范围,可以弥补卫星遥感监测的缺陷,完善城市范围数据;通过移除水体数据,以及对采样样本更精确的划分,以及采用随机数抽样策略,能更准确的建立随机森林回归模型,自动提取到更准确的城市范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
请参阅图6,在一种实施例中,本发明的电子设备60包括存储器61和处理器62,以及储存在所述存储器61并可被所述处理器62执行的计算机程序,所述处理器62执行所述计算机程序时,实现如上述任意一项实施例中的基于随机森林分类算法的降水数据估算方法。
在本实施例中,控制器62可以是一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件。存储介质61可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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***,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种基于随机森林分类算法的城市范围提取方法,其特征在于,包括如下步骤:
获取样本区域的夜间灯光遥感影像和植被指数影像;
获取样本区域的夜间灯光遥感数据和植被指数数据,并根据所述夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数;
根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元,如果所述样本区域内某一像元中的夜间灯光遥感数据大于第一设定阈值,且该像元中的植被指数数据小于第二设定阈值,则该像元为城市像元,如果某一像元中的植被指数数据大于第二设定阈值,则该像元为非城市像元,其中,夜间灯光遥感数据较高的区域并且植被指数数据较低的区域为城市像元,植被指数数据较高的区域则为非城市像元;
从所述样本区域中的城市像元和非城市像元中选取训练样本,并根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数,建立并训练最优随机森林算法模型,其中,所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的城市像元和非城市像元作为所述训练最优随机森林算法模型的输出样本;
获取待识别区域的夜间灯光遥感影像和植被指数影像;
将所述待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型,判断该区域是否为城市范围。
2.根据权利要求1所述的基于随机森林分类算法的城市范围提取方法,其特征在于,从所述样本区域中的城市像元和非城市像元中选取训练样本,包括如下步骤:
基于行政区划边界分层采样训练样本。
3.根据权利要求2所述的基于随机森林分类算法的城市范围提取方法,其特征在于,基于行政区划边界分层采样训练样本,还包括如下步骤:
生成一值为0~1之间的随机数;
获取每一层中选中样本数量与所述城市像元与非城市像元总数量之间的比例值;
如果所述随机数小于所述比例值,则将该选中样本作为训练样本。
4.根据权利要求1所述的基于随机森林分类算法的城市范围提取方法,其特征在于,根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元前,还包括如下步骤:
根据水体分布数据,移除所述夜间灯光遥感影像中的水体像元。
5.一种基于随机森林分类算法的城市范围提取装置,其特征在于,包括:
第一数据采集模块,用于获取样本区域的夜间灯光遥感影像和植被指数影像;
第二数据采集模块,用于获取样本区域的夜间灯光遥感数据和植被指数数据,并根据所述夜间灯光遥感数据和植被指数数据获取样本区域的夜间灯光城市指数;
样本处理模块,用于根据样本区域的夜间灯光遥感数据和植被指数数据,获取所述样本区域中的城市像元和非城市像元,其中,夜间灯光遥感数据较高的区域并且植被指数数据较低的区域为城市像元,植被指数数据较高的区域则为非城市像元,所述随机森林训练模块,包括:
像元区分单元,用于判断所述样本区域内的夜间灯光遥感数据是否大于第一设定阈值,且该像元中的植被指数数据是否小于第二设定阈值,如果是,则该像元为城市像元,如果某一像元中的植被指数数据大于第二设定阈值,则该像元为非城市像元;
随机森林训练模块,用于从所述样本区域中的城市像元和非城市像元中选取训练样本,并根据所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数,建立并训练最优随机森林算法模型,其中,所选举出的训练样本以及样本区域的夜间灯光遥感数据、植被指数数据和夜间灯光城市指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的城市像元和非城市像元作为所述训练最优随机森林算法模型的输出样本;
第三数据采集模块,用于获取待识别区域的夜间灯光遥感影像和植被指数影像;
城市范围判断模块,用于将所述待识别区域的夜间灯光遥感影像和植被指数影像输入最优随机森林算法模型,判断该区域是否为城市范围。
6.根据权利要求5所述的基于随机森林分类算法的城市范围提取装置,其特征在于,还包括:
水体移除模块,用于根据水体分布数据,移除所述夜间灯光遥感影像中的水体像元。
7.一种计算机可读介质,其上存储有计算机程序,其特征在于:
该计算机程序被处理器执行时实现如权利要求1至4任意一项基于随机森林分类算法的城市范围提取方法。
8.一种电子设备,包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序,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至4所述的任意一项基于随机森林分类算法的城市范围提取方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159030.1A CN109522788B (zh) | 2018-09-30 | 2018-09-30 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
PCT/CN2019/106857 WO2020063461A1 (zh) | 2018-09-30 | 2019-09-20 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159030.1A CN109522788B (zh) | 2018-09-30 | 2018-09-30 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522788A CN109522788A (zh) | 2019-03-26 |
CN109522788B true CN109522788B (zh) | 2020-11-06 |
Family
ID=65771619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159030.1A Active CN109522788B (zh) | 2018-09-30 | 2018-09-30 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109522788B (zh) |
WO (1) | WO2020063461A1 (zh) |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522788B (zh) * | 2018-09-30 | 2020-11-06 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN111178180B (zh) * | 2019-12-16 | 2023-08-11 | 广州地理研究所 | 基于改进型蚁群算法的高光谱影像特征选择方法及装置 |
CN111178179B (zh) * | 2019-12-16 | 2023-08-11 | 广州地理研究所 | 一种基于像元尺度的城市功能区的识别方法及装置 |
CN111144340A (zh) * | 2019-12-30 | 2020-05-12 | 中山大学 | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及*** |
CN113392859A (zh) * | 2020-03-11 | 2021-09-14 | Tcl科技集团股份有限公司 | 一种确定城市功能区域的类型的方法及装置 |
CN111476308B (zh) * | 2020-04-10 | 2024-06-11 | 高崟 | 基于先验几何约束的遥感影像分类方法、装置和电子设备 |
CN111695606B (zh) * | 2020-05-25 | 2022-10-04 | 中国科学院东北地理与农业生态研究所 | 一种多类型城市绿地分类方法 |
CN111709379B (zh) * | 2020-06-18 | 2023-04-18 | 广西壮族自治区农业科学院 | 基于遥感影像的丘陵区柑橘种植地块监测方法及*** |
CN111767813B (zh) * | 2020-06-19 | 2021-09-28 | 宁波大学 | 一种多特征与长时序概率协同的红树林提取方法 |
CN111723525B (zh) * | 2020-06-23 | 2023-10-31 | 南通大学 | 一种基于多源数据和神经网络模型的pm2.5反演方法 |
CN111832575B (zh) * | 2020-07-16 | 2024-04-30 | 黄河勘测规划设计研究院有限公司 | 一种基于遥感图像的水面区域提取方法及装置 |
CN112131946B (zh) * | 2020-08-21 | 2023-06-23 | 长沙银汉空间科技有限公司 | 光学遥感影像植被和水体信息自动提取方法 |
CN112257531B (zh) * | 2020-10-13 | 2023-07-28 | 西安电子科技大学 | 基于多样性特征联合的林地变化遥感监测方法 |
CN112257626A (zh) * | 2020-10-29 | 2021-01-22 | 辽宁工程技术大学 | 一种遥感数据采样的方法及*** |
CN112381013B (zh) * | 2020-11-18 | 2024-02-27 | 南通市测绘院有限公司 | 基于高分辨率遥感影像的城市植被反演方法及*** |
CN112683811B (zh) * | 2020-11-27 | 2023-01-10 | 南京观微空间科技有限公司 | 基于中分辨率影像的森林冠层光谱季相变化监测方法 |
CN112395383B (zh) * | 2020-11-30 | 2024-03-22 | 湘潭大学 | 基于多源信息融合的人口数据空间化方法、装置和设备 |
CN112508386A (zh) * | 2020-12-04 | 2021-03-16 | 湘潭大学 | 一种夜光与poi数据融合的城市建成区提取方法 |
CN112800826A (zh) * | 2020-12-15 | 2021-05-14 | 四川航天神坤科技有限公司 | 一种基于遥感影像分类的城市变化监测方法及*** |
CN112560990A (zh) * | 2020-12-25 | 2021-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于数据挖掘的遥感影像城市扩张监测方法 |
CN112860767B (zh) * | 2021-02-09 | 2023-04-21 | 中国科学院地理科学与资源研究所 | 一种基于时序数据的城乡过渡带的识别 |
CN113158899B (zh) * | 2021-04-22 | 2022-07-29 | 中国科学院地理科学与资源研究所 | 基于遥感夜光暗目标增强技术的村镇发展状态测度方法 |
CN113158934A (zh) * | 2021-04-28 | 2021-07-23 | 中国科学院空天信息创新研究院 | 基于高分辨率遥感影像的城市用地分类方法及装置、设备 |
CN113392585B (zh) * | 2021-06-10 | 2023-11-03 | 京师天启(北京)科技有限公司 | 一种污染地块周边敏感人群空间化方法 |
CN113378785A (zh) * | 2021-07-05 | 2021-09-10 | 中煤航测遥感集团有限公司 | 森林类型识别方法及装置 |
CN113761790B (zh) * | 2021-07-27 | 2024-04-23 | 河海大学 | 一种基于Stacking集成学习的果树叶片氮含量估算方法 |
CN113723228B (zh) * | 2021-08-16 | 2024-04-26 | 北京大学 | 地表类型占比的确定方法、装置、电子设备和存储介质 |
CN113780174B (zh) * | 2021-09-10 | 2023-09-15 | 福州大学 | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 |
CN113780232B (zh) * | 2021-09-23 | 2024-02-02 | 中国科学院东北地理与农业生态研究所 | 一种城市湿地动态监测方法 |
CN113989657B (zh) * | 2021-10-11 | 2024-05-10 | 中国测绘科学研究院 | 基于不变信息样本筛选的耕地范围变化检测方法及装置 |
CN113936054A (zh) * | 2021-10-18 | 2022-01-14 | 中国科学院东北地理与农业生态研究所 | 一种探测塑料大棚面积及分布范围的方法 |
CN114266138B (zh) * | 2021-11-29 | 2022-09-16 | 西南大学 | 一种利用云端数据进行城市边缘区识别与验证方法 |
CN114529721B (zh) * | 2022-02-08 | 2024-05-10 | 山东浪潮科学研究院有限公司 | 一种基于深度学习的城市遥感影像植被覆盖识别方法 |
CN114782835B (zh) * | 2022-05-05 | 2024-04-26 | 中国农业大学 | 作物倒伏面积比例检测方法及装置 |
CN114581784B (zh) * | 2022-05-07 | 2022-08-12 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
CN114782255B (zh) * | 2022-06-16 | 2022-09-02 | 武汉大学 | 一种基于语义的夜光遥感影像高分辨率重建方法 |
CN114782837B (zh) * | 2022-06-17 | 2022-10-18 | 中化现代农业有限公司 | 种植物估产方法、装置、电子设备和存储介质 |
CN115223062B (zh) * | 2022-06-30 | 2023-10-20 | 桂林理工大学 | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 |
CN115272878A (zh) * | 2022-07-22 | 2022-11-01 | 中国自然资源航空物探遥感中心 | 一种基于机器学习的高原冰湖自动提取方法 |
CN115424134B (zh) * | 2022-08-26 | 2024-04-09 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的污染入海通量预测方法以及装置 |
CN116151610B (zh) * | 2022-12-16 | 2023-10-03 | 中国水利水电科学研究院 | 一种非均质城市下垫面承灾体风险暴露空间模拟方法 |
CN115937454B (zh) * | 2023-01-09 | 2023-05-30 | 航天宏图信息技术股份有限公司 | 一种在大规模城市场景中自动摆放树木模型的方法和装置 |
CN117423003B (zh) * | 2023-12-19 | 2024-03-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
CN117495425B (zh) * | 2023-12-29 | 2024-04-12 | 武汉大学 | 一种基于多维夜光特征的资产财富估算方法及*** |
CN117787813B (zh) * | 2024-02-23 | 2024-05-31 | 中国农业科学院农业资源与农业区划研究所 | 基于细粒度特征约束的城中村识别方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850853A (zh) * | 2015-06-02 | 2015-08-19 | 中国地质大学(武汉) | 城市快速提取方法及装置 |
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
CN106127121A (zh) * | 2016-06-15 | 2016-11-16 | 四川省遥感信息测绘院 | 一种基于夜间灯光数据的建成区智能化提取方法 |
CN106682830A (zh) * | 2016-12-26 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 城市化鬼城指数评测方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8306942B2 (en) * | 2008-05-06 | 2012-11-06 | Lawrence Livermore National Security, Llc | Discriminant forest classification method and system |
US8224097B2 (en) * | 2008-06-12 | 2012-07-17 | Sri International | Building segmentation for densely built urban regions using aerial LIDAR data |
WO2013002349A1 (ja) * | 2011-06-29 | 2013-01-03 | 富士通株式会社 | 植物種識別装置、方法およびプログラム |
CN105608474B (zh) * | 2015-12-30 | 2019-07-09 | 二十一世纪空间技术应用股份有限公司 | 基于高分辨率影像的区域自适应耕地提取方法 |
CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
CN106056134A (zh) * | 2016-05-20 | 2016-10-26 | 重庆大学 | 一种基于Spark的半监督随机森林分类方法 |
US11315045B2 (en) * | 2016-12-29 | 2022-04-26 | Intel Corporation | Entropy-based weighting in random forest models |
CN107895136B (zh) * | 2017-08-15 | 2020-09-15 | 东北大学 | 一种煤矿区域识别方法及*** |
CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和*** |
CN109522788B (zh) * | 2018-09-30 | 2020-11-06 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
-
2018
- 2018-09-30 CN CN201811159030.1A patent/CN109522788B/zh active Active
-
2019
- 2019-09-20 WO PCT/CN2019/106857 patent/WO2020063461A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850853A (zh) * | 2015-06-02 | 2015-08-19 | 中国地质大学(武汉) | 城市快速提取方法及装置 |
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
CN106127121A (zh) * | 2016-06-15 | 2016-11-16 | 四川省遥感信息测绘院 | 一种基于夜间灯光数据的建成区智能化提取方法 |
CN106682830A (zh) * | 2016-12-26 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 城市化鬼城指数评测方法及装置 |
Non-Patent Citations (4)
Title |
---|
Classification of Urban Environment Using Feature Extraction and Random Forest;Camila Souza dos Anjos等;《IEEE》;20171204;第1205-1208页 * |
基于随机森林模型的城市不透水面提取研究—以呼和浩特市为例;郜燕芳等;《冰川冻土》;20180831;第40卷(第4期);第828-836页 * |
基于随机森林的遥感干旱监测模型的构建;沈润平等;《地球信息科学》;20170131;第19卷(第1期);第125-133页 * |
面向对象随机森林方法在湿地植被分类的应用;李方方等;《遥感信息》;20180228;第33卷(第1期);第111-116页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020063461A1 (zh) | 2020-04-02 |
CN109522788A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522788B (zh) | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 | |
CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及*** | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN109840553B (zh) | 耕地作物类型的提取方法及***、存储介质、电子设备 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
CN109472393B (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
CN109522516B (zh) | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 | |
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其*** | |
CN103363962A (zh) | 一种基于多光谱影像的湖泊水储量遥感估算方法 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
WO2020063529A1 (zh) | 基于随机森林算法的降水数据检测方法、装置及电子设备 | |
Kang et al. | Identifying tree crown areas in undulating eucalyptus plantations using JSEG multi-scale segmentation and unmanned aerial vehicle near-infrared imagery | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
Yang et al. | Delineating individual tree crowns in an uneven-aged, mixed broadleaf forest using multispectral watershed segmentation and multiscale fitting | |
Fang et al. | An improved tree crown delineation method based on live crown ratios from airborne LiDAR data | |
CN111914767A (zh) | 一种基于多源遥感数据的散乱污企业检测方法及*** | |
Zhou et al. | Individual tree crown segmentation based on aerial image using superpixel and topological features | |
Wu et al. | A comparison of 4 shadow compensation techniques for land cover classification of shaded areas from high radiometric resolution aerial images | |
Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
WO2018098736A1 (zh) | 一种基于遥感成像的蓝藻监测方法及装置 | |
Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
Korpela et al. | The performance of a local maxima method for detecting individual tree tops in aerial photographs | |
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 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY |
|
CP01 | Change in the name or title of a patent holder |