CN113160359A - 一种基于谐波拟合参数的滨海湿地遥感制图方法 - Google Patents

一种基于谐波拟合参数的滨海湿地遥感制图方法 Download PDF

Info

Publication number
CN113160359A
CN113160359A CN202110560269.5A CN202110560269A CN113160359A CN 113160359 A CN113160359 A CN 113160359A CN 202110560269 A CN202110560269 A CN 202110560269A CN 113160359 A CN113160359 A CN 113160359A
Authority
CN
China
Prior art keywords
remote sensing
harmonic
image
fitting
coastal wetland
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
Application number
CN202110560269.5A
Other languages
English (en)
Inventor
孙超
李加林
赵赛帅
刘永超
曹罗丹
杨晓东
林雄斌
赵冰雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN202110560269.5A priority Critical patent/CN113160359A/zh
Publication of CN113160359A publication Critical patent/CN113160359A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于谐波拟合参数的滨海湿地遥感制图方法，特点是包括以下步骤：S1、遥感影像预处理；S2、时间序列滤波构建；S3、采集分类样方的样本像元；S4、谐波函数拟合植被指数变化趋势；S5、随机森林决策树分类，绘制滨海湿地制图；优点是构建逐像元时间序列滤波，显著提升了遥感时间序列产品在海岸带上的有效观测数量；针对稀疏、非等时距的遥感时序，构建谐波函数充分表征遥感时序变化趋势，提取拟合参数统一分类特征，实现了滨海湿地类型精细分类制图，该制图方法分类精度高、鲁棒性强，适用于多种平台、不同空间和时间分辨率的遥感数据，可大范围推广应用于海岸、海岛、海洋植被遥感精细制图和动态监测中。

Description

一种基于谐波拟合参数的滨海湿地遥感制图方法
技术领域
本发明涉及遥感制图的技术领域，尤其涉及一种基于谐波拟合参数的滨海湿地遥感制图方法。
背景技术
滨海湿地是受到海洋潮汐周期性或间歇性影响的覆盖有草本植物群落的咸水或淡咸水淤泥质滩涂，是最具价值的生态***之一。然而，自然环境的改变以及人类活动的影响导致滨海湿地生态***经历了不断的更替与消亡；同时外来物种的入侵也使得湿地类型景观格局处于不断变化之中。准确的获取滨海湿地类型的空间分布，可为海岸带生态***的保护提供科学依据，服务沿海经济社会的平稳、持续发展。
遥感具有宏观性与可重复性，因此成为海岸带监测的重要手段。且随着遥感技术不断发展，近年来，中分影像标准数据中分发有质量评估波段，逐像元记录着成像时刻影像云（阴影）、雪的覆盖情况。质量评估波段有助于逐像元筛选影像的有用信息，显著提升了时序产品的有效观测，为利用遥感时序方法区分湿地类型提供了可能。但是，由于成像时刻云层空间分布的随机性，各个像元时序的有效观测往往是稀疏分布的，相邻观测的时距也不尽相等，导致了现有的使用各个观测作为特征的分类方式不再适用。如何在稀疏、非等时距的遥感时序上提取稳健的特征，进行大范围、精细的滨海湿地制图是当前面临的主要难题。
发明内容
本发明所要解决的技术问题是提供一种在谐波函数拟合构建的连续时间序列上提取稳健的特征，进行大范围、精细的滨海湿地遥感制图方法，且其适用范围广、分类精度高、鲁棒性强。
本发明解决上述技术问题所采用的技术方案为：一种基于谐波拟合参数的滨海湿地遥感制图方法，包括以下步骤：
S1、遥感影像预处理；
S2、时间序列滤波构建；
S3、采集分类样方的样本像元；
S4、谐波函数拟合植被指数变化趋势；
S5、随机森林决策树分类，绘制滨海湿地制图。
作为优选，所述的步骤S1中的遥感影像预处理具体包括以下步骤：
S11、获取研究区指定时间的遥感影像，对影像进行几何精矫正，并通过辐射定标与大气矫正，将影像像元值转化为地表反射率，得到地表反射率影像；
S12、同时自动生成每景影像的粗分类产品作为质量评估波段，并对质量评估波段进行几何精矫正；
S13、将转化后的地表反射率影像与粗分类产品进行裁切，获取覆盖研究区的影像数据。
作为优选，所述的步骤S2中的时间序列滤波构建具体包括以下步骤：
S21、将每景地表反射率影像转化为植被指数影像；
S22、剔除植被指数影像中的噪声像元；
S23、将植被指数影像按成像时间顺序进行排列构建时间序列。
作为优选，所述的步骤S22中的剔除植被指数影像中的噪声像元的具体步骤为：
S221、利用每景植被指数影像对应的粗分类产品剔除云、云阴影、雪覆盖的像元，以去除云雪噪声；
S222、利用改进归一化差异水体指数剔除植被指数影像中的潮位干扰的像元。
作为优选，所述的步骤S3中的分类样方的样本像元的采集方法为野外样方采集或影像解译采集，以此获取植被指数影像上对应的样本像元。
作为优选，所述的步骤S4中的谐波函数拟合植被指数变化趋势具体包括以下步骤：对每一样本像元，以植被指数有效观测值为因变量，以遥感影像获取日期对应的儒略日为自变量，采用谐波函数拟合植被指数有效观测值与儒略日的关系。
作为优选，所述的步骤S4中的谐波函数的拟合公式为：
Figure 100002_DEST_PATH_IMAGE001
，
其中，
Figure 846404DEST_PATH_IMAGE002
为儒略日，
Figure 100002_DEST_PATH_IMAGE003
为函数的频率，
Figure 421873DEST_PATH_IMAGE004
、
Figure 100002_DEST_PATH_IMAGE005
、
Figure 400194DEST_PATH_IMAGE006
、
Figure 100002_DEST_PATH_IMAGE007
、
Figure 386604DEST_PATH_IMAGE008
分别为谐波函数的待定系 数，通过最小二乘法拟合获得，不同的滨海湿地植被类型，对应的待定系数也不相同，
Figure 100002_DEST_PATH_IMAGE009
决 定了拟合函数的整体高度，
Figure 833897DEST_PATH_IMAGE005
、
Figure 665587DEST_PATH_IMAGE006
、
Figure 498414DEST_PATH_IMAGE007
、
Figure 124567DEST_PATH_IMAGE008
共同决定拟合函数的形态变化。
作为优选，所述的步骤S4中，对样本像元中的有效观测值数量设定阈值，当有效观测值数量小于阈值时，则谐波函数拟合失败，由人为设定谐波拟合参数值。
作为优选，所述的步骤S5中的随机森林决策树分类的具体步骤为：
S51、以谐波函数的拟合参数作为初始分类特征，以谐波函数的拟合参数数据作为输入变量，构建随机森林分类器；
S52、根据每一像元的类别归属绘制滨海湿地制图。
作为优选，所述的步骤S52中滨海湿地制图具体绘制步骤为：
S521、选取部分样本像元，利用随机森林分类器确定影像上每一像元的类别归属，根据每一像元的类别归属绘制滨海湿地初步分类图；
S522、剩余部分样本像元作为决策树精度评价；
S523、利用过滤处理和聚类处理去除、合并初步分类图中分布零星、面积细小的图斑，使分类结果更加贴近实际。
与现有技术相比，本发明的优点是构建逐像元时间序列滤波，显著提升了遥感时间序列产品在海岸带上的有效观测数量，为利用遥感时间序列精细分类制图创造了条件；针对稀疏、非等时距的遥感时序，构建谐波函数充分表征遥感时序变化趋势，提取拟合参数统一分类特征，实现了滨海湿地类型精细分类制图，该制图方法分类精度高、鲁棒性强，适用于多种平台、不同空间和时间分辨率的遥感数据，可大范围推广应用于海岸、海岛、海洋植被遥感精细制图和动态监测中。
附图说明
图1为本发明的流程图；
图2（a）-图2（d）分别为本发明实施例一的芦苇像元的原始植被指数与儒略日、植被指数去除云（阴影）噪声后、植被指数去除潮位干扰后、谐波函数拟合植被指数变化趋势的坐标图；
图3（a）为本发明实施例一的样本原始分类特征分布图；
图3（b）为本发明实施例一的谐波函数拟合后的拟合参数的分类特征空间分布图；
图4为本发明实施例一的采集样方分布图；
图5为本发明实施例一的滨海湿地遥感制图；
图6（a）-图6（d）分别为本发明实施例二的海三棱藨草的原始植被指数与儒略日、植被指数去除云（阴影）噪声后、植被指数去除潮位干扰后、谐波函数拟合植被指数变化趋势的坐标图；
图7（a）为本发明实施例二的样本原始分类特征分布图；
图7（b）为本发明实施例二的谐波函数拟合后的拟合参数的分类特征空间分布图；
图8为本发明实施例二的采集样方分布图；
图9为本发明实施例二的滨海湿地遥感制图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
实施例一：如图1-5所示，一种基于谐波拟合参数的滨海湿地遥感制图方法，以江苏中部沿海湿地为研究区，其包括以下步骤：
S1、遥感影像预处理：
通过欧空局网站下载获取研究区成像于2018年对应行代号为T51STT的68景经过 几何校正的Sentinel-2 MSI L1C产品的遥感影像，对影像进行几何精矫正，并通过欧空间 提供的Sen2Cor软件进行辐射定标与大气矫正，将影像像元值（DN）转化为地表反射率（
Figure 42845DEST_PATH_IMAGE010
）， 得到地表反射率影像，同时自动生成每景影像的粗分类产品（Sence Classification，SCL） 作为质量评估波段，并对质量评估波段进行几何精矫正处理，在ArcGIS软件上对转化后的 地表反射率影像与粗分类产品进行裁切，获取覆盖研究区的影像数据；
S2、时间序列滤波构建：
将每景地表反射率影像转化为植被指数影像，然后利用每景植被指数影像对应的 粗分类产品（SCL）剔除云、云阴影、雪覆盖的像元，即剔除在粗分类产品（SCL）产品上数值为 3（对应云阴影），8-10（对应不同概率的云），11（对应雪）的像元，再利用改进归一化差异水 体指数剔除植被指数影像中潮位干扰的像元，改进归一化水体指数的计算公式为：
Figure DEST_PATH_IMAGE011
，
Figure 960116DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
分别为绿光波段和短波红外波段的地 表光谱反射率，即设置改进归一化差异水体指数的阈值为0，剔除各个时期改进归一化差异 水体指数的阈值大于0的影像像元，之后将68景植被指数影像按成像时间顺序进行排列构 建时间序列；
S3、采集分类样方的样本像元：
本次研究区的分类样方主要采用野外样方采集方式，采集工作开展于2017至2018年间，主要位于盐城丹顶鹤自然保护区内，样方选择滨海湿地种类单一且覆盖度超过20×20 m（对应Sentinel-2 MSI光学波段4个像元）的区域，采集种类包括互花米草、碱蓬、芦苇和茅草，共获得实地调查样方526块，使用GPS手持机记录样方各角点坐标确定样方位置，投影至WGS84 UTM 51N下，此外，为了保证研究区的分类结果科考，又通过影像解译方式采集了滩涂和水体样本69个，共计595个样本用作样本像元；
S4、谐波函数拟合植被指数变化趋势：
对每一样本像元，以植被指数有效观测值为因变量，以遥感影像获取日期对应的儒略日为自变量，采用谐波函数拟合植被指数有效观测值与儒略日的关系，其利用Matlab软件Curve Fitting模块的自定义函数功能定义谐波函数，谐波函数的拟合公式为：
Figure 647449DEST_PATH_IMAGE014
，
其中，
Figure DEST_PATH_IMAGE015
为儒略日，
Figure 975663DEST_PATH_IMAGE016
为函数的频率，
Figure 863460DEST_PATH_IMAGE017
、
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
、
Figure DEST_PATH_IMAGE020
、
Figure 630427DEST_PATH_IMAGE021
分别为谐波函数的待定 系数，通过最小二乘法拟合获得，不同的滨海湿地植被类型，对应的待定系数也不相同，
Figure DEST_PATH_IMAGE022
决定了拟合函数的整体高度，
Figure 923000DEST_PATH_IMAGE018
、
Figure 422114DEST_PATH_IMAGE019
、
Figure 49404DEST_PATH_IMAGE020
、
Figure 26588DEST_PATH_IMAGE021
共同决定拟合函数的形态变化，其初始值[
Figure 157355DEST_PATH_IMAGE023
，
Figure 578103DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE024
，
Figure 958269DEST_PATH_IMAGE020
，
Figure 473564DEST_PATH_IMAGE021
，
Figure 989996DEST_PATH_IMAGE016
]设定为[0，0，0，0，0，0.085]，将拟合的上、下界分别设置为[Inf，Inf， Inf，Inf，Inf，0.01]、[-Inf，-Inf，-Inf，-Inf，-Inf，0.07]，实验中，设置有效观测值数量的 阈值为6，像元中的有效观测值数量小于6会导致拟合失效，此时需人为设定拟合参数值为 [0，0，0，0，0，0]，实验中，仅有0.92‰的像元有效观测值数量小于6而导致拟合失效的情况， 这类像元多对应与海水交互频繁的潮滩像元，此时人为设定拟合参数值，该谐波拟合函数 对于参数的约束力较少、拟合成功率较高，且时间成本也比较低，不但适用于遥感测绘领 域，还可为信息领域的稀疏信号序列特征表述提供有益参考，在此基础上，结合各类滨海湿 地采样像元，利用ENVI 5.1软件的ROI Separability工具计算Jeffries-Matusita距离，发 现各类滨海湿地可分性均大于1.8（分离性良好），因此，可直接将谐波函数的6个拟合参数 作为最终的分类特征；
S5、随机森林决策树分类：
将谐波函数的拟合参数数据作为输入变量，谐波函数的拟合参数作为初始分类特征，使用R语言的randomForest扩展包构建随机森林决策树，选取约50%（298个）的滨海湿地采样像元用于决策树构建，剩余约50%（297个）的采样像元用于决策树精度评价。每棵决策树的特征选择数量设为3，叶子节点的最小样本数量设定为15，建立100颗决策树综合判别每一像元的类别归属，获得初步分类图。使用ENVI 5.1软件的Sieve工具进行初步分类图过滤处理，设定8邻域分析法判定并去除分类图中的斑点像元；使用Clump工具进行分类图的聚类处理，设定3×3滑动窗口运用数学形态学算子将临近像元的类型聚类合并，获得最终滨海湿地制图，总体精度达到84.4%。
实施例二：如图1、图6-图9所示，一种基于谐波拟合参数的滨海湿地遥感制图方法，以长江口九段沙湿地为研究区，其包括以下步骤：
S1、遥感影像预处理：
通过欧空局网站下载获取研究区成像于2018年对应行代号为T51RUQ的72景来源于Sentinel-2 MSI L1C产品的遥感影像，对影像进行几何精矫正，并通过欧空间提供的Sen2Cor软件进行辐射定标与大气矫正，将影像像元值（DN）转化为地表反射率（ρ），得到地表反射率影像，同时自动生成每景影像的粗分类产品（Sence Classification，SCL）作为质量评估波段，并对质量评估波段进行几何精矫正处理，在ArcGIS软件上对转化后的地表反射率影像与粗分类产品进行裁切，获取覆盖研究区的影像数据；
S2、时间序列滤波构建：
将每景地表反射率影像转化为植被指数影像，然后利用每景植被指数影像对应的 粗分类产品（SCL）剔除云、云阴影、雪覆盖的像元，即剔除在粗分类产品（SCL）产品上数值为 3（对应云阴影），8-10（对应不同概率的云），11（对应雪）的像元，再利用改进归一化差异水 体指数剔除植被指数影像中潮位干扰的像元，改进归一化水体指数的计算公式为：，
Figure 316066DEST_PATH_IMAGE011
，
Figure 652369DEST_PATH_IMAGE012
和
Figure 236934DEST_PATH_IMAGE013
分别为绿光波段和短波红外波段的地 表光谱反射率，由于长江口潮位波动幅度较大，因此将MNDWI阈值修改为-0.1，剔除各个时 期改进归一化差异水体指数的阈值大于-0.1的影像像元，之后将72景植被指数影像按成像 时间顺序进行排列构建时间序列；
S3、采集分类样方的样本像元：
实验采用Google Earth高清影像解译方式采集滨海湿地样本，高清影像对应时间为2017至2018年，采集种类包括互花米草、海三棱藨草、芦苇、滩涂和水体，共计566个样本像元用于后续分类；
S4、谐波函数拟合植被指数变化趋势：
对每一样本像元，以植被指数有效观测值为因变量，以遥感影像获取日期对应的儒略日为自变量，采用谐波函数拟合植被指数有效观测值与儒略日的关系，其利用Matlab软件Curve Fitting模块的自定义函数功能定义谐波函数，谐波函数的拟合公式为：
Figure 342294DEST_PATH_IMAGE014
，
其中，
Figure 354112DEST_PATH_IMAGE015
为儒略日，
Figure 912132DEST_PATH_IMAGE016
为函数的频率，
Figure 878269DEST_PATH_IMAGE017
、
Figure 838135DEST_PATH_IMAGE018
、
Figure 20855DEST_PATH_IMAGE019
、
Figure 331750DEST_PATH_IMAGE020
、
Figure 258118DEST_PATH_IMAGE021
分别为谐波函数的待定 系数，通过最小二乘法拟合获得，不同的滨海湿地植被类型，对应的待定系数也不相同，
Figure 823223DEST_PATH_IMAGE022
决定了拟合函数的整体高度，
Figure 176844DEST_PATH_IMAGE018
、
Figure 975035DEST_PATH_IMAGE019
、
Figure 705094DEST_PATH_IMAGE020
、
Figure 373973DEST_PATH_IMAGE021
共同决定拟合函数的形态变化，其初始值[
Figure 898495DEST_PATH_IMAGE023
，
Figure 934715DEST_PATH_IMAGE018
，
Figure 937306DEST_PATH_IMAGE024
，
Figure 991850DEST_PATH_IMAGE020
，
Figure 687273DEST_PATH_IMAGE021
，
Figure 194478DEST_PATH_IMAGE016
]设定为[0，0，0，0，0，0.085]，将拟合的上、下界分别设置为[Inf，Inf， Inf，Inf，Inf，0.01]、[-Inf，-Inf，-Inf，-Inf，-Inf，0.07]，实验中，设置有效观测值数量的 阈值为6，像元中的有效观值测数量小于6会导致拟合失效，此时需人为设定拟合参数值为 [0，0，0，0，0，0]，实验中，仅有1.31‰的像元有效观测值数量小于6而导致拟合失效的情况， 此时将人为设定拟合参数值，该谐波拟合函数对于参数的约束力较少、拟合成功率较高，且 时间成本也比较低，不但适用于遥感测绘领域，还可为信息领域的稀疏信号序列特征表述 提供有益参考，在此基础上，结合各类滨海湿地采样像元，利用ENVI 5.1软件的ROI Separability工具计算Jeffries-Matusita距离，发现各类滨海湿地可分性均大于1.8（分 离性良好），因此，可直接将谐波函数的6个拟合参数作为最终的分类特征；
S5、随机森林决策树分类：
将谐波函数的拟合参数数据作为输入变量，谐波函数的拟合参数作为初始分类特征，使用R语言的randomForest扩展包构建随机森林决策树，选取约50%（283个）的滨海湿地采样像元用于决策树构建，剩余约50%（283个）的采样像元用于决策树精度评价。每棵决策树的特征选择数量设为3，叶子节点的最小样本数量设定为15，建立100颗决策树综合判别每一像元的类别归属，获得初步分类图。使用ENVI 5.1软件的Sieve工具进行初步分类图过滤处理，设定8邻域分析法判定并去除分类图中的斑点像元；使用Clump工具进行分类图的聚类处理，设定3×3滑动窗口运用数学形态学算子将临近像元的类型聚类合并，获得最终滨海湿地制图，总体精度达到89.8%。
本发明的保护范围包括但不限于以上实施方式，本发明的保护范围以权利要求书为准，任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。

Claims (10)

1.一种基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于包括以下步骤：
S1、遥感影像预处理；
S2、时间序列滤波构建；
S3、采集分类样方的样本像元；
S4、谐波函数拟合植被指数变化趋势；
S5、随机森林决策树分类，绘制滨海湿地制图。
2.如权利要求1所述的基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于：所述的步骤S1中的遥感影像预处理具体包括以下步骤：
S11、获取研究区指定时间的遥感影像，对影像进行几何精矫正，并通过辐射定标与大气矫正，将影像像元值转化为地表反射率，得到地表反射率影像；
S12、同时自动生成每景影像的粗分类产品作为质量评估波段，并对质量评估波段进行几何精矫正；
S13、将转化后的地表反射率影像与粗分类产品进行裁切，获取覆盖研究区的影像数据。
3.如权利要求1所述的基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于：所述的步骤S2中的时间序列滤波构建具体包括以下步骤：
S21、将每景地表反射率影像转化为植被指数影像；
S22、剔除植被指数影像中的噪声像元；
S23、将植被指数影像按成像时间顺序进行排列构建时间序列。
4.如权利要求3所述的基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于：所述的步骤S22中的剔除植被指数影像中的噪声像元的具体步骤为：
S221、利用每景植被指数影像对应的粗分类产品剔除云、云阴影、雪覆盖的像元，以去除云雪噪声；
S222、利用改进归一化差异水体指数剔除植被指数影像中的潮位干扰的像元。
5.如权利要求1所述的基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于：所述的步骤S3中的分类样方的样本像元的采集方法为野外样方采集或影像解译采集，以此获取植被指数影像上对应的样本像元。
6.如权利要求1所述的基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于：所述的步骤S4中的谐波函数拟合植被指数变化趋势具体包括以下步骤：对每一样本像元，以植被指数有效观测值为因变量，以遥感影像获取日期对应的儒略日为自变量，采用谐波函数拟合植被指数有效观测值与儒略日的关系。
7.如权利要求6所述的基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于：所述的步骤S4中的谐波函数的拟合公式为：
Figure DEST_PATH_IMAGE001
，
其中，
Figure 940210DEST_PATH_IMAGE002
为儒略日，
Figure DEST_PATH_IMAGE003
为函数的频率，
Figure 766083DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
、
Figure 537730DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
、
Figure 829647DEST_PATH_IMAGE008
分别为谐波函数的待定系数， 通过最小二乘法拟合获得，不同的滨海湿地植被类型，对应的待定系数也不相同，
Figure DEST_PATH_IMAGE009
决定 了拟合函数的整体高度，
Figure 977731DEST_PATH_IMAGE005
、
Figure 861374DEST_PATH_IMAGE006
、
Figure 351392DEST_PATH_IMAGE007
、
Figure 320485DEST_PATH_IMAGE008
共同决定拟合函数的形态变化。
8.如权利要求6所述的基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于：所述的步骤S4中，对样本像元中的有效观测值数量设定阈值，当有效观测值数量小于阈值时，则谐波函数拟合失败，由人为设定谐波拟合参数值。
9.如权利要求1所述的基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于：所述的步骤S5中的随机森林决策树分类的具体步骤为：
S51、以谐波函数的拟合参数作为初始分类特征，以谐波函数的拟合参数数据作为输入变量，构建随机森林分类器；
S52、根据每一像元的类别归属绘制滨海湿地制图。
10.如权利要求9所述的基于谐波拟合参数的滨海湿地遥感制图方法，其特征在于：所述的步骤S52中滨海湿地制图具体绘制步骤为：
S521、选取部分样本像元，利用随机森林分类器确定影像上每一像元的类别归属，根据每一像元的类别归属绘制滨海湿地初步分类图；
S522、剩余部分样本像元作为决策树精度评价；
S523、利用过滤处理和聚类处理去除、合并初步分类图中分布零星、面积细小的图斑，使分类结果更加贴近实际。
CN202110560269.5A 2021-05-21 2021-05-21 一种基于谐波拟合参数的滨海湿地遥感制图方法 Pending CN113160359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110560269.5A CN113160359A (zh) 2021-05-21 2021-05-21 一种基于谐波拟合参数的滨海湿地遥感制图方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110560269.5A CN113160359A (zh) 2021-05-21 2021-05-21 一种基于谐波拟合参数的滨海湿地遥感制图方法

Publications (1)

Publication Number Publication Date
CN113160359A true CN113160359A (zh) 2021-07-23

Family

ID=76877648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110560269.5A Pending CN113160359A (zh) 2021-05-21 2021-05-21 一种基于谐波拟合参数的滨海湿地遥感制图方法

Country Status (1)

Country Link
CN (1) CN113160359A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511790A (zh) * 2022-02-11 2022-05-17 广东海启星海洋科技有限公司 基于光学卫星数据的海洋溢油事件监测实现方法及装置
CN114612793A (zh) * 2022-02-22 2022-06-10 中国自然资源航空物探遥感中心 基于水边线高频次观测的多时相遥感海岸线与潮滩检测方法
CN115795255A (zh) * 2022-09-21 2023-03-14 深圳大学 一种湿地的时间序列变化检测方法、装置、介质及终端
CN115810155A (zh) * 2023-01-18 2023-03-17 中关村睿宸卫星创新应用研究院 一种潮汐湿地的分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法
CN111402169A (zh) * 2020-03-23 2020-07-10 宁波大学 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法
CN111402169A (zh) * 2020-03-23 2020-07-10 宁波大学 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHAO SUN等: "Plant species classification in salt marshes using phenological parameters derived from Sentinel-2 pixel-differential time-series", 《ELSEVIER》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511790A (zh) * 2022-02-11 2022-05-17 广东海启星海洋科技有限公司 基于光学卫星数据的海洋溢油事件监测实现方法及装置
CN114511790B (zh) * 2022-02-11 2022-09-30 广东海启星海洋科技有限公司 基于光学卫星数据的海洋溢油事件监测实现方法及装置
CN114612793A (zh) * 2022-02-22 2022-06-10 中国自然资源航空物探遥感中心 基于水边线高频次观测的多时相遥感海岸线与潮滩检测方法
CN115795255A (zh) * 2022-09-21 2023-03-14 深圳大学 一种湿地的时间序列变化检测方法、装置、介质及终端
CN115795255B (zh) * 2022-09-21 2024-03-26 深圳大学 一种湿地的时间序列变化检测方法、装置、介质及终端
CN115810155A (zh) * 2023-01-18 2023-03-17 中关村睿宸卫星创新应用研究院 一种潮汐湿地的分类方法
CN115810155B (zh) * 2023-01-18 2023-04-18 中关村睿宸卫星创新应用研究院 一种潮汐湿地的分类方法

Similar Documents

Publication Publication Date Title
CN113160359A (zh) 一种基于谐波拟合参数的滨海湿地遥感制图方法
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
US20210318253A1 (en) Method for retrieving atmospheric aerosol based on statistical segmentation
CN113033670B (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
CN111310681B (zh) 一种融入地学知识的红树林分布遥感提取方法
Ai et al. The impact of rapid urban expansion on coastal mangroves: a case study in Guangdong Province, China
Pimple et al. A history of the rehabilitation of mangroves and an assessment of their diversity and structure using Landsat annual composites (1987–2019) and transect plot inventories
Liu et al. Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network
Sun et al. Identifying terraces in the hilly and gully regions of the Loess Plateau in China
Wang et al. Continuous change detection of flood extents with multisource heterogeneous satellite image time series
Abbas et al. An assessment of status and distribution of mangrove forest cover in Pakistan
CN116702065B (zh) 基于影像数据黑臭水体生态治理污染监测方法及***
Nelson et al. Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery
Fisette et al. Methodology for a Canadian agricultural land cover classification
Yang et al. A comparative analysis of machine learning methods for algal Bloom detection using remote sensing images
Huang et al. Comparing the effects of temporal features derived from synthetic time-series NDVI on fine land cover classification
Nguyen et al. Monitoring 15-year land use/land cover change in the Vietnamese Mekong Delta
Setiawan et al. VEGETATION INDICES FROM LANDSAT-8 DATA IN PALABUHANRATU
Patil et al. Detection and delineation of critical areas using echelons and spatial scan statistics with synoptic cellular data
Dong et al. Optimization of post-classification processing of high-resolution satellite image: A case study
Chen et al. Assessing rice crop damage and restoration using remote sensing in tsunami-affected areas, Japan
Wang et al. Remote sensing unveils the explosive growth of global offshore wind turbines
Alimohammadi et al. A new approach for modeling uncertainty in remote sensing change detection process
Wang et al. Virtual image patch-based cloud removal for Landsat images
CN115719174B (zh) 土地利用类型与蓝藻水华风险定量关系确定方法和装置

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210723