CN112699850A - 一种基于多源信息融合的荒漠植物遥感识别方法 - Google Patents
一种基于多源信息融合的荒漠植物遥感识别方法 Download PDFInfo
- Publication number
- CN112699850A CN112699850A CN202110085438.4A CN202110085438A CN112699850A CN 112699850 A CN112699850 A CN 112699850A CN 202110085438 A CN202110085438 A CN 202110085438A CN 112699850 A CN112699850 A CN 112699850A
- Authority
- CN
- China
- Prior art keywords
- desert
- remote sensing
- steps
- source information
- information fusion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000008635 plant growth Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000010354 integration Effects 0.000 abstract 2
- 230000012010 growth Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000004083 survival effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013329 compounding Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源信息融合的荒漠植物遥感识别方法,包括以下步骤:步骤1:获取指定区域荒漠初始遥感数据A,采集荒漠植物的源数据B;通过将荒漠进行网格化和获取源数据B,在遥感识别过程中,实时遥感数据C通过与B的源数据做对比,进而可以快速的获取植物生长坐标,初步缩小了C的误差,进而可以根据坐标对荒漠植物N进行快速识别,并且融合之前,基于B对N选取控制点通过影像配准或者校正,增加了融合的准确性,进而使遥感识别更加准确,根据融合图像的坐标分布范围对不同的植物分布面积进行计算,可以得知荒漠植物的存活情况,进而便于及时进行补救,为荒漠治理带来便利。
Description
技术领域
本发明属于遥感识别技术领域,具体涉及一种基于多源信息融合的荒漠植物遥感识别方法。
背景技术
荒漠植物是指荒漠条件下能生存的植物;多数荒漠植物是抗旱或抗盐的植物;有些根、茎、叶里存水;有些具有庞大的根茎***,可以达到地下水层,拦住土壤,防止水土流失;有些有较大的茎叶,可以减低风速,保存沙土。
自然环境是变化的,荒漠则是一种典型的多变环境;荒漠的特点是干旱少雨,温度、湿度和降水的时间变异率大,空间分布的异质性程度高;这种严酷多变的生境条件对植物的生长、生存极为不利;有限的降水直接影响着一年生植物的生长、繁殖、初级生产力以及物种的空间分布和丰富度等。然而长期的生物进化过程也选择出了一些适应于在此生境中生存的植物,并以此组成了虽然很稀疏但十分珍贵的荒漠植被;按照进化生态学理论,一定的植物之所以能在特定的生境中持续存在,是因为这些植物通过自然选择在进化中形成了适应极端干旱环境的生活史对策。荒漠中水分是影响植物生长与生存的主要限制因子,荒漠植物的适应特征都与水资源(主要指天然降水)的利用有关;以荒漠植物为研究对象,分析荒漠植物的生活史,研究其生活史对策,可以帮助我们阐明荒漠植物群落乃至整个荒漠生态***生物多样性形成与维持的内在机制,结合主要限制性因子的分析,更易于揭示植物的生态适应对策与进化机制。
现实中,荒漠植物伴随着时间和气候的变化,会出现部分死亡,为了更好的对荒漠进行监视,以便及时进行补救治理,通常采用遥感识别的方法进行监视,传统的遥感识别方法在使用过程中,由于气候的变化使荒漠植物分布不均匀,存在许多植物稀疏的位置,而相对于整个荒漠而言,较为稀疏的植物往往无法进行准确识别,进而无法准确获取荒漠植物的生长分布情况,为荒漠治理带来较多不便,所以需要一种基于多源信息融合的荒漠植物遥感识别方法。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供一种基于多源信息融合的荒漠植物遥感识别方法,以解决上述背景技术中提出的较为稀疏的植物往往无法进行准确识别,进而无法准确获取荒漠植物的生长分布情况,为荒漠治理带来较多不便的问题。
为实现上述目的,本发明提供如下技术方案:一种基于多源信息融合的荒漠植物遥感识别方法,包括以下步骤:
步骤1:获取指定区域荒漠初始遥感数据A,采集荒漠植物的源数据B;
步骤2:基于A和B对数据进行预处理;
步骤3:对指定区域的荒漠植物进行遥感识别,获取实时遥感数据C;
步骤4:基于C进行多源信息融合;
步骤5:获取基于多源信息融合的荒漠植物生长分布图像。
优选的,所述步骤1包括以下步骤:
步骤1.1:获取荒漠的光谱、纹路、形状和地貌等地理信息于A中;
步骤1.2:获取荒漠植物的光谱、纹路、形状、和种类等信息于B中。
优选的,所述步骤2包括以下步骤:
步骤2.1:基于A将信息网格化;
步骤2.2:基于B进行多级分割得到B1、B2、B3等模块,获取不同尺度的光谱、纹路和种类等信息。
优选的,所述步骤3包括以下步骤:
步骤3.1:基于B对A中的荒漠植物N进行识别,并且基于A的网格化信息对N的坐标范围进行获取;
步骤3.2:基于B获取荒漠植物N的影像光谱、纹理等因子于C中。
优选的,所述步骤4包括以下步骤:
步骤4.1:基于实时遥感数据C对N进行多级分割得到N1、N2、N3等模块;
步骤4.2:基于B对N进行配准;
步骤4.3:根据B1对应N1、B2对应N2、B3对应N3的原则对N进行多源信息融合,得到识别信息M;
步骤4.4:根据识别信息M的坐标范围计算荒漠植物分布面积S。
优选的,所述步骤2.1包括以下步骤:
步骤2.1.1:设输入计算机时,各已知离散点的坐标为(xi,yi),现求待生成的每十网格点的值,以O′点为例,取待定点O′为一新平面坐标x′O′y′原点,即x′o=O,y′o=O,其他各已知离散点坐标x′i=xi-xo,y′i=yi-yo;以O′为圆心,离散点疏密为半径,离散点疏,取值大,离散点密,取值小,以保证圆内有足够的离散点;取二次多项式进行拟合,O′点的值Zo为Zo=ax′·x′+bx′·y′+cy′·y′+dx′+ey′+f,式中有未知系数6个,至少需有6个已知点数据,形成6个方程求出,这里只要求出f,Zo=fo,如离散已知点多于6个时,采用最小二乘法计算f值;
步骤2.1.2:这一网格点的值求出后,向右移动一个点同样方法计算下一点的值,逐个移动直到本行结束再进行下一行,直到全图扫描完毕。
优选的,所述步骤4.2包括以下步骤:
步骤4.2.1:基于B和N选取控制点;
步骤4.2.2:影像配准或者校正;
步骤4.2.3:配准精度检查;
步骤4.2.4:若不符合配准要求,则继续加密控制点,直到达到配准要求。
优选的,所述步骤4.3包括以下步骤:
步骤4.3.1:设LRTM、LGTM、LBTM分别为TM4,3,2波段的亮度值,LSPoT为SPOT全色波段的亮度值,G为权函数,则生成三幅新图像亮度值L复为:
LR复=G·LspoT·LRTM/(LRTM+LGTM+LBTM),
LG复=G·LspoT·LGTM/(LRTM+LGTM+LBTM),
LB复=G·LspoT·LBTM/(LRTM+LGTM+LBTM);
步骤4.3.2:将新生成的图像LR复、LG复、LB复分别赋予不同的颜色,合成后生成复合图像。
与现有技术相比,本发明提供了一种基于多源信息融合的荒漠植物遥感识别方法,具备以下有益效果:
1、本发明通过将荒漠进行网格化和获取源数据B,在遥感识别过程中,实时遥感数据C通过与B的源数据做对比,进而可以快速的获取植物生长坐标,初步缩小了C的误差,进而可以根据坐标对荒漠植物N进行快速识别;
2、本发明通过将荒漠植物N基于实时遥感数据C进行多级分割得到N1、N2、N3等模块,基于B进行多级分割得到B1、B2、B3等模块,获取不同尺度的光谱、纹路和种类等信息,根据B1对应N1、B2对应N2、B3对应N3的原则对N进行多源信息融合,并且融合之前,基于B对N选取控制点通过影像配准或者校正,增加了融合的准确性,进而使遥感识别更加准确;
3、本发明融合时,将识别的不同的模块进行彩色复合,使识别图像更加清晰,并且根据融合图像的坐标分布范围对不同的植物分布面积进行计算,可以得知荒漠植物的存活情况,进而便于及时进行补救,为荒漠治理带来便利。
具体实施方式
所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本发明提供一种技术方案:一种基于多源信息融合的荒漠植物遥感识别方法,包括以下步骤:
步骤1:获取指定区域荒漠初始遥感数据A,采集荒漠植物的源数据B;
步骤2:基于A和B对数据进行预处理;
步骤3:对指定区域的荒漠植物进行遥感识别,获取实时遥感数据C;
步骤4:基于C进行多源信息融合;
步骤5:获取基于多源信息融合的荒漠植物生长分布图像。
本发明的工作原理及使用流程:使用时,针对某一荒漠模块通过遥感识别对其时相光谱、形状和纹路进行采集,然后对荒漠中的植物进行初步的识别,将识别的光谱、纹路、形状、和种类等信息用于源数据B,基于实时遥感数据C对N和B进行多源信息融合,根据融合图像可以得知荒漠植物的存活情况,进而便于及时进行补救,为荒漠治理带来便利。
实施例二
本发明提供一种技术方案:一种基于多源信息融合的荒漠植物遥感识别方法,包括以下步骤:
步骤1:获取指定区域荒漠初始遥感数据A,采集荒漠植物的源数据B;
步骤2:基于A和B对数据进行预处理;
步骤3:对指定区域的荒漠植物进行遥感识别,获取实时遥感数据C;
步骤4:基于C进行多源信息融合;
步骤5:获取基于多源信息融合的荒漠植物生长分布图像。
本发明中,优选的,步骤1包括以下步骤:
步骤1.1:获取荒漠的光谱、纹路、形状和地貌等地理信息于A中;
步骤1.2:获取荒漠植物的光谱、纹路、形状、和种类等信息于B中。
本发明中,优选的,步骤2包括以下步骤:
步骤2.1:基于A将信息网格化;
步骤2.2:基于B进行多级分割得到B1、B2、B3等模块,获取不同尺度的光谱、纹路和种类等信息。
本发明中,优选的,步骤3包括以下步骤:
步骤3.1:基于B对A中的荒漠植物N进行识别,并且基于A的网格化信息对N的坐标范围进行获取;
步骤3.2:基于B获取荒漠植物N的影像光谱、纹理等因子于C中。
本发明中,优选的,步骤4包括以下步骤:
步骤4.1:基于实时遥感数据C对N进行多级分割得到N1、N2、N3等模块;
步骤4.2:基于B对N进行配准;
步骤4.3:根据B1对应N1、B2对应N2、B3对应N3的原则对N进行多源信息融合,得到识别信息M;
步骤4.4:根据识别信息M的坐标范围计算荒漠植物分布面积S。
本发明中,优选的,步骤2.1包括以下步骤:
步骤2.1.1:设输入计算机时,各已知离散点的坐标为(xi,yi),现求待生成的每十网格点的值,以O′点为例,取待定点O′为一新平面坐标x′O′y′原点,即x′o=O,y′o=O,其他各已知离散点坐标x′i=xi-xo,y′i=yi-yo;以O′为圆心,离散点疏密为半径,离散点疏,取值大,离散点密,取值小,以保证圆内有足够的离散点;取二次多项式进行拟合,O′点的值Zo为Zo=ax′·x′+bx′·y′+cy′·y′+dx′+ey′+f,式中有未知系数6个,至少需有6个已知点数据,形成6个方程求出,这里只要求出f,Zo=fo,如离散已知点多于6个时,采用最小二乘法计算f值;
步骤2.1.2:这一网格点的值求出后,向右移动一个点同样方法计算下一点的值,逐个移动直到本行结束再进行下一行,直到全图扫描完毕。
本发明的工作原理及使用流程:使用时,针对某一荒漠模块通过遥感识别对其时相光谱、形状和纹路进行采集,并且将荒漠进行网格化,生成网格数据时,设输入计算机时,各已知离散点的坐标为(xi,yi),现求待生成的每十网格点的值,以O′点为例,取待定点O′为一新平面坐标x′O′y′原点,即x′o=O,y′o=O,其他各已知离散点坐标x′i=xi-xo,y′i=yi-yo;以O′为圆心,离散点疏密为半径,离散点疏,取值大,离散点密,取值小,以保证圆内有足够的离散点;取二次多项式进行拟合,O′点的值Zo为Zo=ax′·x′+bx′·y′+cy′·y′+dx′+ey′+f,式中有未知系数6个,至少需有6个已知点数据,形成6个方程求出,这里只要求出f,Zo=fo,如离散已知点多于6个时,采用最小二乘法计算f值;这一网格点的值求出后,向右移动一个点同样方法计算下一点的值,逐个移动直到本行结束再进行下一行,直到全图扫描完毕;然后对荒漠中的植物进行初步的识别,将识别的光谱、纹路、形状、和种类等信息用于源数据B,并且基于网格化数据对植物的生长范围坐标进行获取,随着时间和气候的变化,荒漠中的植物也会伴随着死亡,进而在后期监视过程中,导致监视信息多样性,在遥感识别过程中,实时遥感数据C通过与B的源数据做对比,进而可以快速的获取植物生长坐标,初步缩小了C的误差,进而可以根据坐标对荒漠植物N进行快速识别,由于植物的生长发生了变化,所以需要对N的影像光谱、纹理等因子进行获取,为了增加识别的准确性,基于实时遥感数据C对N进行多级分割得到N1、N2、N3等模块,并且基于B进行多级分割得到B1、B2、B3等模块,获取不同尺度的光谱、纹路和种类等信息,根据B1对应N1、B2对应N2、B3对应N3的原则对N进行多源信息融合,并且根据融合图像的坐标分布范围对不同的植物分布面积进行计算,可以得知荒漠植物的存活情况,进而便于及时进行补救,为荒漠治理带来便利。
实施例三
本发明提供一种技术方案:一种基于多源信息融合的荒漠植物遥感识别方法,包括以下步骤:
步骤1:获取指定区域荒漠初始遥感数据A,采集荒漠植物的源数据B;
步骤2:基于A和B对数据进行预处理;
步骤3:对指定区域的荒漠植物进行遥感识别,获取实时遥感数据C;
步骤4:基于C进行多源信息融合;
步骤5:获取基于多源信息融合的荒漠植物生长分布图像。
本发明中,优选的,步骤1包括以下步骤:
步骤1.1:获取荒漠的光谱、纹路、形状和地貌等地理信息于A中;
步骤1.2:获取荒漠植物的光谱、纹路、形状、和种类等信息于B中。
本发明中,优选的,步骤2包括以下步骤:
步骤2.1:基于A将信息网格化;
步骤2.2:基于B进行多级分割得到B1、B2、B3等模块,获取不同尺度的光谱、纹路和种类等信息。
本发明中,优选的,步骤3包括以下步骤:
步骤3.1:基于B对A中的荒漠植物N进行识别,并且基于A的网格化信息对N的坐标范围进行获取;
步骤3.2:基于B获取荒漠植物N的影像光谱、纹理等因子于C中。
本发明中,优选的,步骤4包括以下步骤:
步骤4.1:基于实时遥感数据C对N进行多级分割得到N1、N2、N3等模块;
步骤4.2:基于B对N进行配准;
步骤4.3:根据B1对应N1、B2对应N2、B3对应N3的原则对N进行多源信息融合,得到识别信息M;
步骤4.4:根据识别信息M的坐标范围计算荒漠植物分布面积S。
本发明中,优选的,步骤2.1包括以下步骤:
步骤2.1.1:设输入计算机时,各已知离散点的坐标为(xi,yi),现求待生成的每十网格点的值,以O′点为例,取待定点O′为一新平面坐标x′O′y′原点,即x′o=O,y′o=O,其他各已知离散点坐标x′i=xi-xo,y′i=yi-yo;以O′为圆心,离散点疏密为半径,离散点疏,取值大,离散点密,取值小,以保证圆内有足够的离散点;取二次多项式进行拟合,O′点的值Zo为Zo=ax′·x′+bx′·y′+cy′·y′+dx′+ey′+f,式中有未知系数6个,至少需有6个已知点数据,形成6个方程求出,这里只要求出f,Zo=fo,如离散已知点多于6个时,采用最小二乘法计算f值;
步骤2.1.2:这一网格点的值求出后,向右移动一个点同样方法计算下一点的值,逐个移动直到本行结束再进行下一行,直到全图扫描完毕。
本发明中,优选的,步骤4.2包括以下步骤:
步骤4.2.1:基于B和N选取控制点;
步骤4.2.2:影像配准或者校正;
步骤4.2.3:配准精度检查;
步骤4.2.4:若不符合配准要求,则继续加密控制点,直到达到配准要求。
本发明中,优选的,步骤4.3包括以下步骤:
步骤4.3.1:设LRTM、LGTM、LBTM分别为TM4,3,2波段的亮度值,LSPoT为SPOT全色波段的亮度值,G为权函数,则生成三幅新图像亮度值L复为:
LR复=G·LspoT·LRTM/(LRTM+LGTM+LBTM),
LG复=G·LspoT·LGTM/(LRTM+LGTM+LBTM),
LB复=G·LspoT·LBTM/(LRTM+LGTM+LBTM);
步骤4.3.2:将新生成的图像LR复、LG复、LB复分别赋予不同的颜色,合成后生成复合图像。
本发明的工作原理及使用流程:使用时,针对某一荒漠模块通过遥感识别对其时相光谱、形状和纹路进行采集,并且将荒漠进行网格化,生成网格数据时,设输入计算机时,各已知离散点的坐标为(xi,yi),现求待生成的每十网格点的值,以O′点为例,取待定点O′为一新平面坐标x′O′y′原点,即x′o=O,y′o=O,其他各已知离散点坐标x′i=xi-xo,y′i=yi-yo;以O′为圆心,离散点疏密为半径,离散点疏,取值大,离散点密,取值小,以保证圆内有足够的离散点;取二次多项式进行拟合,O′点的值Zo为Zo=ax′·x′+bx′·y′+cy′·y′+dx′+ey′+f,式中有未知系数6个,至少需有6个已知点数据,形成6个方程求出,这里只要求出f,Zo=fo,如离散已知点多于6个时,采用最小二乘法计算f值;这一网格点的值求出后,向右移动一个点同样方法计算下一点的值,逐个移动直到本行结束再进行下一行,直到全图扫描完毕;然后对荒漠中的植物进行初步的识别,将识别的光谱、纹路、形状、和种类等信息用于源数据B,并且基于网格化数据对植物的生长范围坐标进行获取,随着时间和气候的变化,荒漠中的植物也会伴随着死亡,进而在后期监视过程中,导致监视信息多样性,在遥感识别过程中,实时遥感数据C通过与B的源数据做对比,进而可以快速的获取植物生长坐标,初步缩小了C的误差,进而可以根据坐标对荒漠植物N进行快速识别,由于植物的生长发生了变化,所以需要对N的影像光谱、纹理等因子进行获取,为了增加识别的准确性,基于实时遥感数据C对N进行多级分割得到N1、N2、N3等模块,并且基于B进行多级分割得到B1、B2、B3等模块,获取不同尺度的光谱、纹路和种类等信息,根据B1对应N1、B2对应N2、B3对应N3的原则对N进行多源信息融合,融合之前,基于B对N选取控制点通过影像配准或者校正,然后检查配准精度是否符合配准要求,若不符合配准要求,则继续加密控制点,直到达到配准要求,融合时,将识别的不同的模块进行彩色复合,复合时,设LRTM、LGTM、LBTM分别为TM4,3,2波段的亮度值,LSPoT为SPOT全色波段的亮度值,G为权函数,则生成三幅新图像亮度值L复为:
LR复=G·LspoT·LRTM/(LRTM+LGTM+LBTM),
LG复=G·LspoT·LGTM/(LRTM+LGTM+LBTM),
LB复=G·LspoT·LBTM/(LRTM+LGTM+LBTM);将新生成的图像LR复、LG复、LB复分别赋予不同的颜色,合成后生成复合图像,并且根据融合图像的坐标分布范围对不同的植物分布面积进行计算,可以得知荒漠植物的存活情况,进而便于及时进行补救,为荒漠治理带来便利。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于多源信息融合的荒漠植物遥感识别方法,其特征在于:包括以下步骤:
步骤1:获取指定区域荒漠初始遥感数据A,采集荒漠植物的源数据B;
步骤2:基于A和B对数据进行预处理;
步骤3:对指定区域的荒漠植物进行遥感识别,获取实时遥感数据C;
步骤4:基于C进行多源信息融合;
步骤5:获取基于多源信息融合的荒漠植物生长分布图像。
2.根据权利要求1所述的一种基于多源信息融合的荒漠植物遥感识别方法,其特征在于:所述步骤1包括以下步骤:
步骤1.1:获取荒漠的光谱、纹路、形状和地貌等地理信息于A中;
步骤1.2:获取荒漠植物的光谱、纹路、形状、和种类等信息于B中。
3.根据权利要求1所述的一种基于多源信息融合的荒漠植物遥感识别方法,其特征在于:所述步骤2包括以下步骤:
步骤2.1:基于A将信息网格化;
步骤2.2:基于B进行多级分割得到B1、B2、B3等模块,获取不同尺度的光谱、纹路和种类等信息。
4.根据权利要求1所述的一种基于多源信息融合的荒漠植物遥感识别方法,其特征在于:所述步骤3包括以下步骤:
步骤3.1:基于B对A中的荒漠植物N进行识别,并且基于A的网格化信息对N的坐标范围进行获取;
步骤3.2:基于B获取荒漠植物N的影像光谱、纹理等因子于C中。
5.根据权利要求1所述的一种基于多源信息融合的荒漠植物遥感识别方法,其特征在于:所述步骤4包括以下步骤:
步骤4.1:基于实时遥感数据C对N进行多级分割得到N1、N2、N3等模块;
步骤4.2:基于B对N进行配准;
步骤4.3:根据B1对应N1、B2对应N2、B3对应N3的原则对N进行多源信息融合,得到识别信息M;
步骤4.4:根据识别信息M的坐标范围计算荒漠植物分布面积S。
6.根据权利要求3所述的一种基于多源信息融合的荒漠植物遥感识别方法,其特征在于:所述步骤2.1包括以下步骤:
步骤2.1.1:设输入计算机时,各已知离散点的坐标为(xi,yi),现求待生成的每十网格点的值,以0′点为例,取待定点0′为一新平面坐标x′0′y′原点,即x′o=0,y′o=0,其他各已知离散点坐标x′i=xi-xo,y′i=yi-yo;以0′为圆心,离散点疏密为半径,离散点疏,取值大,离散点密,取值小,以保证圆内有足够的离散点;取二次多项式进行拟合,0′点的值Zo为Zo=ax′·x′+bx′·y′+cy′·y′+dx′+ey′+f,式中有未知系数6个,至少需有6个已知点数据,形成6个方程求出,这里只要求出f,Zo=fo,如离散已知点多于6个时,采用最小二乘法计算f值;
步骤2.1.2:这一网格点的值求出后,向右移动一个点同样方法计算下一点的值,逐个移动直到本行结束再进行下一行,直到全图扫描完毕。
7.根据权利要求5所述的一种基于多源信息融合的荒漠植物遥感识别方法,其特征在于:所述步骤4.2包括以下步骤:
步骤4.2.1:基于B和N选取控制点;
步骤4.2.2:影像配准或者校正;
步骤4.2.3:配准精度检查;
步骤4.2.4:若不符合配准要求,则继续加密控制点,直到达到配准要求。
8.根据权利要求5所述的一种基于多源信息融合的荒漠植物遥感识别方法,其特征在于:所述步骤4.3包括以下步骤:
步骤4.3.1:设LRTM、LGTM、LBTM分别为TM4,3,2波段的亮度值,LSPoT为SPOT全色波段的亮度值,G为权函数,则生成三幅新图像亮度值L复为:
LR复=G·LspoT·LRTM/(LRTM+LGTM+LBTM),
LG复=G·LspoT·LGTM/(LRTM+LGTM+LBTM),
LB复=G·LspoT·LBTM/(LRTM+LGTM+LBTM);
步骤4.3.2:将新生成的图像LR复、LG复、LB复分别赋予不同的颜色,合成后生成复合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110085438.4A CN112699850A (zh) | 2021-01-14 | 2021-01-14 | 一种基于多源信息融合的荒漠植物遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110085438.4A CN112699850A (zh) | 2021-01-14 | 2021-01-14 | 一种基于多源信息融合的荒漠植物遥感识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699850A true CN112699850A (zh) | 2021-04-23 |
Family
ID=75515918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110085438.4A Pending CN112699850A (zh) | 2021-01-14 | 2021-01-14 | 一种基于多源信息融合的荒漠植物遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699850A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903014A (zh) * | 2014-04-17 | 2014-07-02 | 西安煤航卫星数据应用有限公司 | 一种基于卫星遥感技术的荒漠化判释方法 |
CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
CA2840436A1 (en) * | 2013-01-22 | 2014-07-22 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
CN108613933A (zh) * | 2018-06-13 | 2018-10-02 | 中南林业科技大学 | 基于多源遥感数据融合的林地干旱时空动态监测方法 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
CN109766824A (zh) * | 2019-01-08 | 2019-05-17 | 河南理工大学 | 基于模糊证据理论的主被动遥感数据融合分类方法 |
CN109960972A (zh) * | 2017-12-22 | 2019-07-02 | 北京航天泰坦科技股份有限公司 | 一种基于中高分辨率时序遥感数据的农林作物识别方法 |
CN110458201A (zh) * | 2019-07-17 | 2019-11-15 | 北京科技大学 | 一种遥感影像面向对象分类方法及分类装置 |
-
2021
- 2021-01-14 CN CN202110085438.4A patent/CN112699850A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
CA2840436A1 (en) * | 2013-01-22 | 2014-07-22 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
CN103903014A (zh) * | 2014-04-17 | 2014-07-02 | 西安煤航卫星数据应用有限公司 | 一种基于卫星遥感技术的荒漠化判释方法 |
CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
CN109960972A (zh) * | 2017-12-22 | 2019-07-02 | 北京航天泰坦科技股份有限公司 | 一种基于中高分辨率时序遥感数据的农林作物识别方法 |
CN108613933A (zh) * | 2018-06-13 | 2018-10-02 | 中南林业科技大学 | 基于多源遥感数据融合的林地干旱时空动态监测方法 |
CN109766824A (zh) * | 2019-01-08 | 2019-05-17 | 河南理工大学 | 基于模糊证据理论的主被动遥感数据融合分类方法 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
CN110458201A (zh) * | 2019-07-17 | 2019-11-15 | 北京科技大学 | 一种遥感影像面向对象分类方法及分类装置 |
Non-Patent Citations (2)
Title |
---|
AINIWAER MIREGULI等: "Deep learning-based rapid recognition of oasis-desert ecotone plant communities using UAV low-altitude remote-sensing data", 《ENVIRONMENTAL EARTH SCIENCES》, vol. 79, no. 10, 10 May 2020 (2020-05-10), pages 1 - 11, XP037147463, DOI: 10.1007/s12665-020-08965-w * |
孔嘉鑫 等: "基于多源遥感数据的植物物种分类与识别:研究进展与展望", 《生物多样性》, vol. 27, no. 07, 15 July 2019 (2019-07-15), pages 796 - 812 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109884664B (zh) | 一种城市地上生物量光学微波协同反演方法及*** | |
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
CN110610054B (zh) | 一种土壤湿度长方体反演模型构建方法及*** | |
CN105760978B (zh) | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 | |
CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN111598019A (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
CN110414738B (zh) | 一种农作物产量预测方法及*** | |
CN108764255A (zh) | 一种冬小麦种植信息的提取方法 | |
CN107014753B (zh) | 作物长势监测方法和*** | |
CN105372672B (zh) | 基于时间序列数据的南方冬种作物种植面积提取方法 | |
CN109919083A (zh) | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 | |
CN103971199B (zh) | 一种大范围农作物长势的遥感评级方法 | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
CN112348086B (zh) | 一种基于多源数据的物种生境质量模拟方法 | |
CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及*** | |
CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
CN115512237A (zh) | 基于多时相卫星遥感数据的安徽冬小麦种植面积提取方法 | |
CN115937705A (zh) | 一种基于多源数据和物候特征的南方单双季稻识别方法 | |
CN112730465B (zh) | 一种smap l波段亮温的农业干旱监测方法 | |
CN117455939A (zh) | 遥感卫星图像的耕地边界提取方法 | |
CN112945881A (zh) | 一种基于高光谱特征参数的马铃薯叶片含水量监测方法 | |
CN112699850A (zh) | 一种基于多源信息融合的荒漠植物遥感识别方法 |
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 |