CN113989678B - 生态***分类样本库构建方法和装置 - Google Patents
生态***分类样本库构建方法和装置 Download PDFInfo
- Publication number
- CN113989678B CN113989678B CN202111368257.9A CN202111368257A CN113989678B CN 113989678 B CN113989678 B CN 113989678B CN 202111368257 A CN202111368257 A CN 202111368257A CN 113989678 B CN113989678 B CN 113989678B
- Authority
- CN
- China
- Prior art keywords
- sample
- ecosystem
- primary
- class
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种生态***分类样本库构建方法和装置，属于遥感领域。该方法利用历史生态***类型空间分布数据设定多尺度样本采集窗口，根据样本质量系数自动锁定样本采集窗口；在卫星遥感影像中进行样本采集与基本属性信息标注，利用样本的影像清晰度、样本数量、空间分布等信息优化样本质量，标记样本的生态***特征属性信息，将采集完成的样本入库管理与更新维护。实现了生态***分类样本的全自动、多尺度、高精度、规范化的采集建库，实现了样本库的智能扩建与可持续构建。解决了不同尺度生态***分类解译面临的尺度效应问题，满足了生态***分类样本多样性与区域性的要求，为生态***遥感智能解译分类奠定了可靠的样本基础。
Description
技术领域
本发明涉及卫星遥感领域，特别是指一种生态***分类样本库构建方法和装置。
背景技术
随着对地观测技术的快速发展，获取卫星遥感影像的空间分辨率日益精细、传感器类型逐渐丰富、时间效率越来越高、数据体量增长迅猛，应用领域也越来越广泛。如何充分挖掘海量卫星遥感数据的价值潜能是卫星遥感应用发展的重要方向。利用多源、多尺度卫星遥感影像快速获得大区域生态***类型分布数据，是自然资源监管与生态功能评价应用中面临的基础问题。生态***分类样本库的建设是智能遥感解译与分类的核心要素之一。生态***类型智能解译分类的精度很大程度上取决于影像样本的数量、区域性、多样性等。我国地域跨度广，土地利用类型多样，生态***季节及地域差异明显，遥感影像分类结果受遥感影像尺度信息影响较大，需要建设多尺度的生态***分类样本库来支持大区域生态***类型的解译分类。
传统的分类样本库获取主要通常依赖于人工标注方式，业务人员根据目视判读结果直接从遥感影像中裁切所需分类的地物影像块作为样本。人工标注耗时长、效率低，而且业务人员的专业水平参差不齐，采样质量难以把控，规范性有待提高。
传统的分类样本主要用于常规的土地利用/地表覆被分类，缺少植被、季节、区域、尺度、海拔、土壤等生态***类型特有的样本标识信息，难以满足我国地域跨度广、季节及地域差异明显等生态***类型解译分类的需求，限制了遥感智能解译与分类的精度。
发明内容
为解决上述技术问题，本发明提供一种生态***分类样本库构建方法和装置，实现了生态***分类样本的全自动、多尺度、高精度、规范化的采集建库。
本发明提供技术方案如下：
一种生态***分类样本库构建方法，所述方法包括：
S1：获取历史时期的生态***类型空间分布数据、卫星遥感影像数据、植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据；
其中，所述生态***类型的分级包括一级类和二级类，所述一级类和二级类均包括多个生态***类型；
S2：设定所述一级类样本采集窗口的大小，使用所述一级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数，根据一级类样本采集窗口的样本质量系数确定所述一级类的各个生态***类型的矢量范围；
其中，r1为一级类样本采集窗口的样本质量系数，M1×N1为一级类样本采集窗口的大小，sk为一级类样本采集窗口内一级类的第k个生态***类型的像素数量；
S3：根据所述一级类的各个生态***类型的矢量范围裁剪所述卫星遥感影像数据，得到一级类样本影像块，并为所述一级类样本影像块标记基本属性信息；
其中，所述基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源；
S4：根据所述一级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型一级类样本；
S5：根据所述生态***类型一级类样本，采集所述生态***类型一级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息；
S6：将所述生态***类型一级类样本及其基本属性信息和生态***特征属性信息存储在数据库中，得到生态***分类样本库。
进一步的，所述S5之后，S6之前还包括：
S51：将所述一级类样本采集窗口缩小，得到二级类样本采集窗口，使用所述二级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个二级类样本采集窗口的样本质量系数，根据二级类样本采集窗口的样本质量系数确定所述二级类的各个生态***类型的矢量范围；
其中，r2为二级类样本采集窗口的样本质量系数，M2×N2为二级类样本采集窗口的大小，SK为二级类样本采集窗口内二级类的第K个生态***类型的像素数量；
S52：根据所述二级类的各个生态***类型的矢量范围裁剪所述卫星遥感影像数据，得到二级类样本影像块，并为所述二级类样本影像块标记基本属性信息；
其中，所述基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源；
S53：根据所述二级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型二级类样本；
S54：根据所述生态***类型二级类样本，采集所述生态***类型二级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息；
所述S6还包括：
将所述生态***类型二级类样本及其基本属性信息和生态***特征属性信息存储在数据库中。
进一步的，所述S1包括：
S101：获取历史时期的生态***类型空间分布栅格数据，以及对应的生态***分类体系资料说明文档；
S102：获取相同历史时期的多种空间分辨率的卫星遥感影像数据，所述卫星遥感影像数据包括低、中、高空间分辨率遥感影像数据，并对所述卫星遥感影像进行正射校正和云检测处理；
S103：获取相同历史时期的植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据，并通过重采样、块统计和聚合分析将植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据的尺度转换至所述生态***类型空间分布栅格数据的空间分辨率。
进一步的，所述S2包括：
S201：根据所述生态***类型空间分布栅格数据的空间分辨率，设定所述一级类样本采集窗口的大小为M1×N1；
S202：使用所述一级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数r1；
S203：根据一级类样本采集窗口的样本质量系数r1判断所述一级类样本采集窗口的有效性；
其中，当r1＝100％时，该一级类样本采集窗口有效，并记录该一级类样本采集窗口的生态***类型；
当r1<100％时，该一级类样本采集窗口无效；
S204：提取有效的一级类样本采集窗口的矢量范围，得到一级类的各个生态***类型的矢量范围。
进一步的，所述S4包括：
S401：统计每个一级类样本影像块的平均梯度、均方差、信噪比和信息熵，根据所述平均梯度、均方差、信噪比和信息熵判断所述一级类样本影像块是否满足清晰度要求；若不满足，则查找符合清晰度要求的卫星遥感影像数据，从符合清晰度要求的卫星遥感影像数据上裁剪补充所述一级类样本影像块；
S402：统计所述一级类样本影像块的各个生态***类型的样本数量以及占比，根据各个生态***类型的占比的方差信息，判断各个生态***类型的样本数量是否分布均匀；若分布不均匀，对于样本数量缺少的生态***类型，调整所述一级类样本采集窗口的大小，重复所述S2～S3，筛选样本数量缺少的生态***类型对应的一级类样本影像块；
所述方差信息S2的计算公式如下：
其中，m为一级类的生态***类型的类型数量，Xk为一级类的第k个生态***类型的样本的数量的占比，
为Xk的平均值；
S403：根据所述一级类样本影像块的样本中心经纬度计算样本分布相关系数，根据所述样本分布相关系数判断所述一级类样本影像块是否满足均匀分布或随机分布；若不满足，则调整所述一级类样本采集窗口的大小，重复所述S2～S3，在缺少一级类样本影像块的空间区域重新筛选一级类样本影像块；
所述样本分布相关系数L(r)的计算公式如下：
其中，r为空间尺度，uij为第i个和第j个一级类样本影像块的中心距离，A为所有一级类样本影像块的总面积，ωij为以第i个一级类样本影像块的中心为圆心，以uij为半径的圆落在面积A中的比例，n为一级类样本影像块的总数，当uij≤r时，Ir(uij)＝1，否则Ir(uij)＝0。
进一步的，所述方法还包括：
S7：根据最新时期的卫星遥感影像数据和生态***类型空间分布数据对所述生态***分类样本库进行更新维护。
一种生态***分类样本库构建装置，所述装置包括：
数据获取模块，用于获取历史时期的生态***类型空间分布数据、卫星遥感影像数据、植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据；
其中，所述生态***类型的分级包括一级类和二级类，所述一级类和二级类均包括多个生态***类型；
一级类样本采集窗口扫描模块，用于设定所述一级类样本采集窗口的大小，使用所述一级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数，根据一级类样本采集窗口的样本质量系数确定所述一级类的各个生态***类型的矢量范围；
其中，r1为一级类样本采集窗口的样本质量系数，M1×N1为一级类样本采集窗口的大小，sk为一级类样本采集窗口内一级类的第k个生态***类型的像素数量；
一级类样本影像块获取模块，用于根据所述一级类的各个生态***类型的矢量范围裁剪所述卫星遥感影像数据，得到一级类样本影像块，并为所述一级类样本影像块标记基本属性信息；
其中，所述基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源；
第一质量检查模块，用于根据所述一级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型一级类样本；
第一标记模块，用于根据所述生态***类型一级类样本，采集所述生态***类型一级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息；
存储模块，用于将所述生态***类型一级类样本及其基本属性信息和生态***特征属性信息存储在数据库中，得到生态***分类样本库。
进一步的，所述装置还包括：
二级类样本采集窗口扫描模块，用于将所述一级类样本采集窗口缩小，得到二级类样本采集窗口，使用所述二级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个二级类样本采集窗口的样本质量系数，根据二级类样本采集窗口的样本质量系数确定所述二级类的各个生态***类型的矢量范围；
其中，r2为二级类样本采集窗口的样本质量系数，M2×N2为二级类样本采集窗口的大小，SK为二级类样本采集窗口内二级类的第K个生态***类型的像素数量；
二级类样本影像块获取模块，用于根据所述二级类的各个生态***类型的矢量范围裁剪所述卫星遥感影像数据，得到二级类样本影像块，并为所述二级类样本影像块标记基本属性信息；
其中，所述基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源；
第二质量检查模块，用于根据所述二级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型二级类样本；
第二标记模块，用于根据所述生态***类型二级类样本，采集所述生态***类型二级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息；
所述存储模块还包括：
将所述生态***类型二级类样本及其基本属性信息和生态***特征属性信息存储在数据库中。
进一步的，所述数据获取模块包括：
第一获取单元，用于获取历史时期的生态***类型空间分布栅格数据，以及对应的生态***分类体系资料说明文档；
第二获取单元，用于获取相同历史时期的多种空间分辨率的卫星遥感影像数据，所述卫星遥感影像数据包括低、中、高空间分辨率遥感影像数据，并对所述卫星遥感影像进行正射校正和云检测处理；
第三获取单元，用于获取相同历史时期的植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据，并通过重采样、块统计和聚合分析将植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据的尺度转换至所述生态***类型空间分布栅格数据的空间分辨率。
进一步的，所述一级类样本采集窗口扫描模块包括：
样本采集窗口确定单元，用于根据所述生态***类型空间分布栅格数据的空间分辨率，设定所述一级类样本采集窗口的大小为M1×N1；
扫描单元，用于使用所述一级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数r1；
有效性判断单元，用于根据一级类样本采集窗口的样本质量系数r1判断所述一级类样本采集窗口的有效性；
其中，当r1＝100％时，该一级类样本采集窗口有效，并记录该一级类样本采集窗口的生态***类型；
当r1<100％时，该一级类样本采集窗口无效；
矢量范围提取单元，用于提取有效的一级类样本采集窗口的矢量范围，得到一级类的各个生态***类型的矢量范围。
进一步的，所述第一质量检查模块包括：
清晰度检查单元，用于统计每个一级类样本影像块的平均梯度、均方差、信噪比和信息熵，根据所述平均梯度、均方差、信噪比和信息熵判断所述一级类样本影像块是否满足清晰度要求；若不满足，则查找符合清晰度要求的卫星遥感影像数据，从符合清晰度要求的卫星遥感影像数据上裁剪补充所述一级类样本影像块；
数量检查单元，用于统计所述一级类样本影像块的各个生态***类型的样本数量以及占比，根据各个生态***类型的占比的方差信息，判断各个生态***类型的样本数量是否分布均匀；若分布不均匀，对于样本数量缺少的生态***类型，调整所述一级类样本采集窗口的大小，重复所述一级类样本采集窗口扫描模块和一级类样本影像块获取模块，筛选样本数量缺少的生态***类型对应的一级类样本影像块；
所述方差信息S2的计算公式如下：
其中，m为一级类的生态***类型的类型数量，Xk为一级类的第k个生态***类型的样本的数量的占比，
为Xk的平均值；
空间分布检查单元，用于根据所述一级类样本影像块的样本中心经纬度计算样本分布相关系数，根据所述样本分布相关系数判断所述一级类样本影像块是否满足均匀分布或随机分布；若不满足，则调整所述一级类样本采集窗口的大小，重复所述一级类样本采集窗口扫描模块和一级类样本影像块获取模块，在缺少一级类样本影像块的空间区域重新筛选一级类样本影像块；
所述样本分布相关系数L(r)的计算公式如下：
其中，r为空间尺度，uij为第i个和第j个一级类样本影像块的中心距离，A为所有一级类样本影像块的总面积，ωij为以第i个一级类样本影像块的中心为圆心，以uij为半径的圆落在面积A中的比例，n为一级类样本影像块的总数，当uij≤r时，Ir(uij)＝1，否则Ir(uij)＝0。
进一步的，所述装置还包括：
更新模块，用于根据最新时期的卫星遥感影像数据和生态***类型空间分布数据对所述生态***分类样本库进行更新维护。
本发明具有以下有益效果：
本发明利用历史生态***类型空间分布数据设定多尺度样本采集窗口，根据样本质量系数自动锁定样本采集窗口的空间位置；然后在对应的卫星遥感影像中进行样本采集与基本属性信息标注，然后利用样本的影像清晰度、样本数量、空间分布等统计信息优化样本质量，进一步的标记样本的生态***特征属性信息，最后将采集完成的样本入库管理与更新维护，实现了生态***分类样本的全自动、多尺度、高精度、规范化的采集建库，实现了样本库的智能扩建与可持续构建。
本发明构建了生态***类型一级类、二级类等多尺度生态***分类样本库，在样本信息中标注了植被、季节、区域、尺度、海拔、土壤等生态***类型特有的样本标识信息，解决了不同尺度生态***分类解译面临的尺度效应问题，满足了生态***分类样本多样性与区域性的要求，为生态***遥感智能解译分类奠定了可靠的样本基础。
附图说明
图1为本发明的生态***分类样本库构建方法的流程图；
图2为生态***类型一级类样本的一个示例的示意图；
图3为本发明的生态***分类样本库构建装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
实施例1：
本发明实施例提供一种生态***分类样本库构建方法，如图1所示，该方法包括：
S1：获取历史时期的生态***类型空间分布数据、卫星遥感影像数据、植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据，并对各类数据进行预处理。
其中，生态***类型的分级包括一级类和二级类，一级类和二级类均包括多个生态***类型。
具体的，S1的一种实现方式包括：
S101：获取历史时期的生态***类型空间分布栅格数据，包括生态***一级类和二级类等信息，以及对应的生态***分类体系资料说明文档。
S102：获取与生态***类型空间分布栅格数据相同历史时期的多种空间分辨率的卫星遥感影像数据，卫星遥感影像数据包括低、中、高空间分辨率遥感影像数据，并对卫星遥感影像进行正射校正和云检测等处理，获得正射校正后的无云区域的遥感影像。
S103：获取与生态***类型空间分布栅格数据相同历史时期的植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据，并通过重采样、块统计和聚合分析等方法将上述各类数据的尺度转换至生态***类型空间分布栅格数据对应的空间分辨率。
上述S1的一种实现方式只是用于举例说明，不能作为本发明的限制。S2：设定一级类样本采集窗口的大小，使用一级类样本采集窗口按照逐行逐列的方式逐像元扫描生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数，根据一级类样本采集窗口的样本质量系数确定一级类的各个生态***类型的矢量范围。
其中，r1为一级类样本采集窗口的样本质量系数，M1×N1为一级类样本采集窗口的大小，sk为一级类样本采集窗口内一级类的第k个生态***类型的像素数量。
本步骤初步设定一级类样本采集窗口的大小，用一级类样本采集窗口逐行逐列逐像元扫描生态***类型空间分布数据，并统计每个一级类样本采集窗口位置的样本质量系数，根据样本系数锁定一级类样本采集窗口的空间位置。
具体的，S2的一种实现方式包括：
S201：根据生态***类型空间分布栅格数据的空间分辨率，设定一级类样本采集窗口的大小为M1×N1。
S202：使用一级类样本采集窗口按照逐行逐列的方式逐像元扫描生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数r1。
S203：根据一级类样本采集窗口的样本质量系数r1判断一级类样本采集窗口的有效性。
其中，当r1＝100％时，设定该一级类样本采集窗口有效，并记录该一级类样本采集窗口的生态***类型，该一级类样本采集窗口的生态***类型即为使得sk/(M1×N1)最大的生态***类型。
当r1<100％时，该一级类样本采集窗口无效。
S204：提取有效的一级类样本采集窗口的矢量范围，得到一级类的各个生态***类型的矢量范围。
本步骤针对有效的一级类样本采集窗口，提取其矢量范围，初步获得生态***类型一级类样本采集窗口的空间位置，即为一级类的各个生态***类型的矢量范围。
S3：根据一级类的各个生态***类型的矢量范围裁剪卫星遥感影像数据，得到一级类样本影像块，并为一级类样本影像块标记基本属性信息。
本步骤的卫星遥感影像数据为与生态***类型空间分布数据相同历史时期且相同空间分辨率的数据。根据前述的矢量范围，裁切相应位置的卫星遥感影像数据，并标记得到的影像块的基本属性信息，作为初步采集的生态***类型一级类样本影像块。
其中，基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源等。
具体的：
样本分级即为所述一级类样本影像块对应的生态***类型的分级，此处为一级类。
样本类型为生态***分类体系所对应的分类名称，如一级类所对应的森林生态***、灌丛生态***、草地生态***、湿地生态***、农田生态***、荒漠生态***、城镇生态***等。
样本类型代码为生态***分类体系所对应的分类名称的代码。
样本大小为一级类样本采集窗口的大小，为M1×N1。
样本中心经纬度为所述一级类样本影像块中心的经纬度。
季度为生长季和非生长季，其中生长季为每年4-10月，非生长季为11月至次年3月。
所在区域为华东地区、华南地区、华北地区、华中地区、西南地区、西北地区和东北地区。
卫星传感器为卫星遥感影像的卫星传感器。
影像时间为卫星遥感影像的成像时间。
空间分辨率为卫星传感器的空间分辨率。
影像来源包括全色影像、多光谱影像、融合影像、雷达影像、高光谱影像和地面照片等。
S4：根据一级类样本影像块的清晰度、数量和空间分布进行质量检查，进一步优化一级类样本影像块的质量，得到生态***类型一级类样本。
具体的，S4的一种实现方式包括：
S401：统计每个一级类样本影像块的平均梯度、均方差、信噪比和信息熵等信息，根据平均梯度、均方差、信噪比和信息熵判断一级类样本影像块是否满足清晰度要求；若不满足，则查找符合清晰度要求的卫星遥感影像数据，从符合清晰度要求的卫星遥感影像数据上裁剪补充一级类样本影像块。
本发明不限制平均梯度、均方差、信噪比和信息熵的具体计算方式，可以采用现有技术中已有的计算平均梯度、均方差、信噪比和信息熵公式，也可以采用本发明规定的公式。
在其中一个示例中，平均梯度G的计算公式如下：
其中，
表示水平方向的梯度，
表示垂直方向的梯度，p,q分别为一级类样本影像块中像素的行数和列数。
平均梯度G越大，表明一级类样本影像块越清晰，反映一级类样本影像块中细节反差和纹理变换越好。
S402：统计一级类样本影像块的各个生态***类型的样本数量以及占比，根据各个生态***类型的占比的方差信息，判断各个生态***类型的样本数量是否分布均匀；若分布不均匀，对于样本数量缺少的生态***类型，调整一级类样本采集窗口的大小，重复S2～S3，筛选样本数量缺少的生态***类型对应的一级类样本影像块。
方差信息S2的计算公式如下：
其中，m为一级类的生态***类型的类型数量，Xk为一级类的第k个生态***类型的样本的数量的占比，
为一级类的各个生态***类型的样本的数量的占比的平均值，为1/m。方差S2越小，说明各个生态***类型的样本数量分布越均匀。
S403：根据一级类样本影像块的样本中心经纬度计算样本分布相关系数，根据样本分布相关系数判断一级类样本影像块是否满足均匀分布或随机分布；若不满足，则调整一级类样本采集窗口的大小，重复S2～S3，在缺少一级类样本影像块的空间区域重新筛选一级类样本影像块。
样本分布相关系数L(r)的计算公式如下：
其中，r为空间尺度，uij为第i个和第j个一级类样本影像块的中心距离，A为所有一级类样本影像块的总面积，ωij为以第i个一级类样本影像块的中心为圆心，以uij为半径的圆落在面积A中的比例，n为一级类样本影像块的总数，当uij≤r时，Ir(uij)＝1，否则Ir(uij)＝0。
当L(r)＝0时，表示一级类样本影像块随机分布，当L(r)>0时，表示一级类样本影像块聚集分布，当L(r)<0时，表示一级类样本影像块均匀分布。
S5：根据生态***类型一级类样本，采集生态***类型一级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型等信息，并两采集的上述各类信息标记至生态***特征属性信息。
其中，植被覆盖度包括生态***类型一级类样本的平均植被覆盖度、最大植被覆盖度、最小植被覆盖度等信息。
土地利用结构包括生态***类型一级类样本的土地利用类型占比等信息。
居民点密度为生态***类型一级类样本的平均居民点密度。
干旱指数为生态***类型一级类样本的干旱指数，包括湿润、半湿润、干旱、半干旱等信息。
海拔高度为生态***类型一级类样本的平均海拔高度。
地形坡度为生态***类型一级类样本的平均坡度。
土壤类型为生态***类型一级类样本的主要土壤类型。
上述S2～S5为生态***类型一级类样本的获取过程，对于生态***类型二级类，其获取过程与生态***类型一级类类似，具体过程参见S51～S54，包括：
S51：将一级类样本采集窗口缩小，得到二级类样本采集窗口，使用二级类样本采集窗口按照逐行逐列的方式逐像元扫描生态***类型空间分布数据，并计算每个二级类样本采集窗口的样本质量系数，根据二级类样本采集窗口的样本质量系数确定二级类的各个生态***类型的矢量范围。
其中，r2为二级类样本采集窗口的样本质量系数，M2×N2为二级类样本采集窗口的大小，SK为二级类样本采集窗口内二级类的第K个生态***类型的像素数量。
S52：根据二级类的各个生态***类型的矢量范围裁剪卫星遥感影像数据，得到二级类样本影像块，并为二级类样本影像块标记基本属性信息。
本步骤中使用的卫星遥感影像为中、高空间分辨率遥感影像。
基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源。
S53：根据二级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型二级类样本。
S54：根据生态***类型二级类样本，采集生态***类型二级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息。
获得生态***类型一级类样本和生态***类型二级类样本及其基本属性信息和生态***特征属性信息后，即可执行后续的S6。
S6：将生态***类型一级类样本和生态***类型二级类样本及其基本属性信息和生态***特征属性信息存储在数据库中统一管理，得到生态***分类样本库。
本步骤中，将采集完成的生态***类型一级类样本和生态***类型二级类样本统一存储在数据库中，包括样本影像块、样本空间矢量及其基本属性信息和生态***特征属性信息；根据不同的生态***分类体系，构建生态***类型一级类样本和生态***类型二级类样本对应关系的关系表，便于样本库的智能扩建与可持续构建。
建立生态***分类样本库后，可以定期对其进行更新维护，更新维护的方法包括：
S7：根据最新时期的卫星遥感影像数据和最新时期的生态***类型空间分布数据对生态***分类样本库进行更新维护。
具体的，S7的一种实现方式包括：
S701：基于已有的生态***分类样本库的样本空间矢量，在最新时期的卫星遥感影像数据上采集与样本空间矢量相同区域的样本，检查新采集的样本的光谱、纹理等信息与历史样本影像块的信息的一致性，采集信息匹配一致的样本，并更新到生态***分类样本库中。
S702：利用最新时期的生态***类型空间分布数据，按照上述S1-S6重新进行样本的采集与质量检查，并更新到生态***分类样本库中。
本发明利用历史生态***类型空间分布数据设定多尺度样本采集窗口，根据样本质量系数自动锁定样本采集窗口的空间位置；然后在对应的卫星遥感影像中进行样本采集与基本属性信息标注，然后利用样本的影像清晰度、样本数量、空间分布等统计信息优化样本质量，进一步的标记样本的生态***特征属性信息，最后将采集完成的样本入库管理与更新维护，实现了生态***分类样本的全自动、多尺度、高精度、规范化的采集建库，实现了样本库的智能扩建与可持续构建。
本发明构建了生态***类型一级类、二级类等多尺度生态***分类样本库，在样本信息中标注了植被、季节、区域、尺度、海拔、土壤等生态***类型特有的样本标识信息，解决了不同尺度生态***分类解译面临的尺度效应问题，满足了生态***分类样本多样性与区域性的要求，为生态***遥感智能解译分类奠定了可靠的样本基础。
下面通过一个具体的示例对本发明的方法进行详细说明：
1、获取2010年全国生态环境十年变化调查评估全国生态***分布栅格数据(即生态***类型空间分布数据)。其中，空间分辨率30米，生态***类型一级类包括森林、灌丛、草地、湿地、农田、城镇、荒漠、其他。
同时，获取同时期2010年的Landsat30米分辨率影像数据，以及植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型以及生态***分类相关资料，并对各类数据进行预处理。
2、初步设定生态***类型一级类样本采集窗口的像素大小为10×10像素，用一级类样本采集窗口逐行逐列逐像元扫描全国生态***分布栅格数据，并统计每个一级类样本采集窗口的样本质量系数，根据样本系数锁定一级类样本采集窗口的空间位置，得到一级类的各个生态***类型的矢量范围。
3、获得生态***类型一级类对应的同时期、同分辨率的卫星遥感影像数据，根据一级类的各个生态***类型的矢量范围，裁切相应位置的卫星遥感影像数据，并标记裁切得到的影像块的基本属性信息，作为初步采集的生态***类型一级类样本影像块。
4、对初步采集的生态***类型一级类样本影像块的清晰度、样本数量、样本空间分布等进行质量检查，进一步优化样本质量，得到生态***类型一级类样本。
5、根据已确定的质量合格的生态***类型一级类样本，采集生态***类型一级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型等信息，标记样本的生态***特征属性信息。
6、将采集完成的生态***类型一级类分类样本存储在数据库中统一管理，部分地区的生态***类型一级类分类样本的结果见图2。
7、采用上述1-6的步骤，利用2015年全国生态环境十年变化调查评估全国生态***分布数据重新采集生态***类型一级类样本，对历史生态***类型一级类样本库进行更新。
实施例2：
本发明实施例提供一种生态***分类样本库构建装置，如图3所示，该装置包括：
数据获取模块1，用于获取历史时期的生态***类型空间分布数据、卫星遥感影像数据、植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据。
其中，生态***类型的分级包括一级类和二级类，一级类和二级类均包括多个生态***类型。
一级类样本采集窗口扫描模块2，用于设定一级类样本采集窗口的大小，使用一级类样本采集窗口按照逐行逐列的方式逐像元扫描生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数，根据一级类样本采集窗口的样本质量系数确定一级类的各个生态***类型的矢量范围。
其中，r1为一级类样本采集窗口的样本质量系数，M1×N1为一级类样本采集窗口的大小，sk为一级类样本采集窗口内一级类的第k个生态***类型的像素数量。
一级类样本影像块获取模块3，用于根据一级类的各个生态***类型的矢量范围裁剪卫星遥感影像数据，得到一级类样本影像块，并为一级类样本影像块标记基本属性信息。
其中，基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源。
第一质量检查模块4，用于根据一级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型一级类样本。
第一标记模块5，用于根据生态***类型一级类样本，采集生态***类型一级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息。
存储模块6，用于将生态***类型一级类样本及其基本属性信息和生态***特征属性信息存储在数据库中，得到生态***分类样本库。
本发明的装置还包括：
二级类样本采集窗口扫描模块，用于将一级类样本采集窗口缩小，得到二级类样本采集窗口，使用二级类样本采集窗口按照逐行逐列的方式逐像元扫描生态***类型空间分布数据，并计算每个二级类样本采集窗口的样本质量系数，根据二级类样本采集窗口的样本质量系数确定二级类的各个生态***类型的矢量范围。
其中，r2为二级类样本采集窗口的样本质量系数，M2×N2为二级类样本采集窗口的大小，SK为二级类样本采集窗口内二级类的第K个生态***类型的像素数量。
二级类样本影像块获取模块，用于根据二级类的各个生态***类型的矢量范围裁剪卫星遥感影像数据，得到二级类样本影像块，并为二级类样本影像块标记基本属性信息。
其中，基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源。
第二质量检查模块，用于根据二级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型二级类样本。
第二标记模块，用于根据生态***类型二级类样本，采集生态***类型二级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息。
相应的，存储模块还包括：
将生态***类型二级类样本及其基本属性信息和生态***特征属性信息存储在数据库中。
作为本发明实施例的一种具体实现方式，前述的数据获取模块包括：
第一获取单元，用于获取历史时期的生态***类型空间分布栅格数据，以及对应的生态***分类体系资料说明文档。
第二获取单元，用于获取相同历史时期的多种空间分辨率的卫星遥感影像数据，卫星遥感影像数据包括低、中、高空间分辨率遥感影像数据，并对卫星遥感影像进行正射校正和云检测处理。
第三获取单元，用于获取相同历史时期的植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据，并通过重采样、块统计和聚合分析将植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据的尺度转换至生态***类型空间分布栅格数据的空间分辨率。
一级类样本采集窗口扫描模块包括：
样本采集窗口确定单元，用于根据生态***类型空间分布栅格数据的空间分辨率，设定一级类样本采集窗口的大小为M1×N1。
扫描单元，用于使用一级类样本采集窗口按照逐行逐列的方式逐像元扫描生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数r1。
有效性判断单元，用于根据一级类样本采集窗口的样本质量系数r1判断一级类样本采集窗口的有效性。
其中，当r1＝100％时，该一级类样本采集窗口有效，并记录该一级类样本采集窗口的生态***类型。
当r1<100％时，该一级类样本采集窗口无效。
矢量范围提取单元，用于提取有效的一级类样本采集窗口的矢量范围，得到一级类的各个生态***类型的矢量范围。
第一质量检查模块包括：
清晰度检查单元，用于统计每个一级类样本影像块的平均梯度、均方差、信噪比和信息熵，根据平均梯度、均方差、信噪比和信息熵判断一级类样本影像块是否满足清晰度要求；若不满足，则查找符合清晰度要求的卫星遥感影像数据，从符合清晰度要求的卫星遥感影像数据上裁剪补充一级类样本影像块。
数量检查单元，用于统计一级类样本影像块的各个生态***类型的样本数量以及占比，根据各个生态***类型的占比的方差信息，判断各个生态***类型的样本数量是否分布均匀；若分布不均匀，对于样本数量缺少的生态***类型，调整一级类样本采集窗口的大小，重复一级类样本采集窗口扫描模块和一级类样本影像块获取模块，筛选样本数量缺少的生态***类型对应的一级类样本影像块。
方差信息S2的计算公式如下：
其中，m为一级类的生态***类型的类型数量，Xk为一级类的第k个生态***类型的样本的数量的占比，
为Xk的平均值。
空间分布检查单元，用于根据一级类样本影像块的样本中心经纬度计算样本分布相关系数，根据样本分布相关系数判断一级类样本影像块是否满足均匀分布或随机分布；若不满足，则调整一级类样本采集窗口的大小，重复一级类样本采集窗口扫描模块和一级类样本影像块获取模块，在缺少一级类样本影像块的空间区域重新筛选一级类样本影像块。
样本分布相关系数L(r)的计算公式如下：
其中，r为空间尺度，uij为第i个和第j个一级类样本影像块的中心距离，A为所有一级类样本影像块的总面积，ωij为以第i个一级类样本影像块的中心为圆心，以uij为半径的圆落在面积A中的比例，n为一级类样本影像块的总数，当uij≤r时，Ir(uij)＝1，否则Ir(uij)＝0。
本发明的装置还可以包括：
更新模块，用于根据最新时期的卫星遥感影像数据和生态***类型空间分布数据对生态***分类样本库进行更新维护。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例1中相应内容。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，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
需要说明的是，本说明书上述所述的装置或者***根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类、存储介质+程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定按照要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(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。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本底和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种生态***分类样本库构建方法，其特征在于，所述方法包括：
S1：获取历史时期的生态***类型空间分布数据、卫星遥感影像数据、植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据；
其中，所述生态***类型的分级包括一级类和二级类，所述一级类和二级类均包括多个生态***类型；
S2：设定所述一级类样本采集窗口的大小，使用所述一级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数，根据一级类样本采集窗口的样本质量系数确定所述一级类的各个生态***类型的矢量范围；
其中，r1为一级类样本采集窗口的样本质量系数，M1×N1为一级类样本采集窗口的大小，sk为一级类样本采集窗口内一级类的第k个生态***类型的像素数量；
S3：根据所述一级类的各个生态***类型的矢量范围裁剪所述卫星遥感影像数据，得到一级类样本影像块，并为所述一级类样本影像块标记基本属性信息；
其中，所述基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源；
S4：根据所述一级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型一级类样本；
S5：根据所述生态***类型一级类样本，采集所述生态***类型一级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息；
S6：将所述生态***类型一级类样本及其基本属性信息和生态***特征属性信息存储在数据库中，得到生态***分类样本库；
所述S5之后，S6之前还包括：
S51：将所述一级类样本采集窗口缩小，得到二级类样本采集窗口，使用所述二级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个二级类样本采集窗口的样本质量系数，根据二级类样本采集窗口的样本质量系数确定所述二级类的各个生态***类型的矢量范围；
其中，r2为二级类样本采集窗口的样本质量系数，M2×N2为二级类样本采集窗口的大小，SK为二级类样本采集窗口内二级类的第K个生态***类型的像素数量；
S52：根据所述二级类的各个生态***类型的矢量范围裁剪所述卫星遥感影像数据，得到二级类样本影像块，并为所述二级类样本影像块标记基本属性信息；
其中，所述基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源；
S53：根据所述二级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型二级类样本；
S54：根据所述生态***类型二级类样本，采集所述生态***类型二级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息；
所述S6还包括：
将所述生态***类型二级类样本及其基本属性信息和生态***特征属性信息存储在数据库中。
2.根据权利要求1所述的生态***分类样本库构建方法，其特征在于，所述S1包括：
S101：获取历史时期的生态***类型空间分布栅格数据，以及对应的生态***分类体系资料说明文档；
S102：获取相同历史时期的多种空间分辨率的卫星遥感影像数据，所述卫星遥感影像数据包括低、中、高空间分辨率遥感影像数据，并对所述卫星遥感影像进行正射校正和云检测处理；
S103：获取相同历史时期的植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据，并通过重采样、块统计和聚合分析将植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据的尺度转换至所述生态***类型空间分布栅格数据的空间分辨率。
3.根据权利要求2所述的生态***分类样本库构建方法，其特征在于，所述S2包括：
S201：根据所述生态***类型空间分布栅格数据的空间分辨率，设定所述一级类样本采集窗口的大小为M1×N1；
S202：使用所述一级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数r1；
S203：根据一级类样本采集窗口的样本质量系数r1判断所述一级类样本采集窗口的有效性；
其中，当r1＝100％时，该一级类样本采集窗口有效，并记录该一级类样本采集窗口的生态***类型；
当r1<100％时，该一级类样本采集窗口无效；
S204：提取有效的一级类样本采集窗口的矢量范围，得到一级类的各个生态***类型的矢量范围。
4.根据权利要求3所述的生态***分类样本库构建方法，其特征在于，所述S4包括：
S401：统计每个一级类样本影像块的平均梯度、均方差、信噪比和信息熵，根据所述平均梯度、均方差、信噪比和信息熵判断所述一级类样本影像块是否满足清晰度要求；若不满足，则查找符合清晰度要求的卫星遥感影像数据，从符合清晰度要求的卫星遥感影像数据上裁剪补充所述一级类样本影像块；
S402：统计所述一级类样本影像块的各个生态***类型的样本数量以及占比，根据各个生态***类型的占比的方差信息，判断各个生态***类型的样本数量是否分布均匀；若分布不均匀，对于样本数量缺少的生态***类型，调整所述一级类样本采集窗口的大小，重复所述S2～S3，筛选样本数量缺少的生态***类型对应的一级类样本影像块；
所述方差信息S2的计算公式如下：
其中，m为一级类的生态***类型的类型数量，Xk为一级类的第k个生态***类型的样本的数量的占比，
为Xk的平均值；
S403：根据所述一级类样本影像块的样本中心经纬度计算样本分布相关系数，根据所述样本分布相关系数判断所述一级类样本影像块是否满足均匀分布或随机分布；若不满足，则调整所述一级类样本采集窗口的大小，重复所述S2～S3，在缺少一级类样本影像块的空间区域重新筛选一级类样本影像块；
所述样本分布相关系数L(r)的计算公式如下：
其中，r为空间尺度，uij为第i个和第j个一级类样本影像块的中心距离，A为所有一级类样本影像块的总面积，ωij为以第i个一级类样本影像块的中心为圆心，以uij为半径的圆落在面积A中的比例，n为一级类样本影像块的总数，当uij≤r时，Ir(uij)＝1，否则Ir(uij)＝0。
5.根据权利要求4所述的生态***分类样本库构建方法，其特征在于，所述方法还包括：
S7：根据最新时期的卫星遥感影像数据和生态***类型空间分布数据对所述生态***分类样本库进行更新维护。
6.一种生态***分类样本库构建装置，其特征在于，所述装置包括：
数据获取模块，用于获取历史时期的生态***类型空间分布数据、卫星遥感影像数据、植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据；
其中，所述生态***类型的分级包括一级类和二级类，所述一级类和二级类均包括多个生态***类型；
一级类样本采集窗口扫描模块，用于设定所述一级类样本采集窗口的大小，使用所述一级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数，根据一级类样本采集窗口的样本质量系数确定所述一级类的各个生态***类型的矢量范围；
其中，r1为一级类样本采集窗口的样本质量系数，M1×N1为一级类样本采集窗口的大小，sk为一级类样本采集窗口内一级类的第k个生态***类型的像素数量；
一级类样本影像块获取模块，用于根据所述一级类的各个生态***类型的矢量范围裁剪所述卫星遥感影像数据，得到一级类样本影像块，并为所述一级类样本影像块标记基本属性信息；
其中，所述基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源；
第一质量检查模块，用于根据所述一级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型一级类样本；
第一标记模块，用于根据所述生态***类型一级类样本，采集所述生态***类型一级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息；
存储模块，用于将所述生态***类型一级类样本及其基本属性信息和生态***特征属性信息存储在数据库中，得到生态***分类样本库；
所述装置还包括：
二级类样本采集窗口扫描模块，用于将所述一级类样本采集窗口缩小，得到二级类样本采集窗口，使用所述二级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个二级类样本采集窗口的样本质量系数，根据二级类样本采集窗口的样本质量系数确定所述二级类的各个生态***类型的矢量范围；
其中，r2为二级类样本采集窗口的样本质量系数，M2×N2为二级类样本采集窗口的大小，SK为二级类样本采集窗口内二级类的第K个生态***类型的像素数量；
二级类样本影像块获取模块，用于根据所述二级类的各个生态***类型的矢量范围裁剪所述卫星遥感影像数据，得到二级类样本影像块，并为所述二级类样本影像块标记基本属性信息；
其中，所述基本属性信息包括样本分级、样本类型、样本类型代码、样本大小、样本中心经纬度、季度、所在区域、卫星传感器、影像时间、空间分辨率和影像来源；
第二质量检查模块，用于根据所述二级类样本影像块的清晰度、数量和空间分布进行质量检查，得到生态***类型二级类样本；
第二标记模块，用于根据所述生态***类型二级类样本，采集所述生态***类型二级类样本对应位置的植被覆盖度、土地利用结构、居民点密度、干旱指数、海拔高度、地形坡度和土壤类型，并标记至生态***特征属性信息；
所述存储模块还包括：
将所述生态***类型二级类样本及其基本属性信息和生态***特征属性信息存储在数据库中。
7.根据权利要求6所述的生态***分类样本库构建装置，其特征在于，所述数据获取模块包括：
第一获取单元，用于获取历史时期的生态***类型空间分布栅格数据，以及对应的生态***分类体系资料说明文档；
第二获取单元，用于获取相同历史时期的多种空间分辨率的卫星遥感影像数据，所述卫星遥感影像数据包括低、中、高空间分辨率遥感影像数据，并对所述卫星遥感影像进行正射校正和云检测处理；
第三获取单元，用于获取相同历史时期的植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据，并通过重采样、块统计和聚合分析将植被覆盖度数据、土地利用结构数据、居民点密度数据、干旱指数数据、海拔高度数据、地形坡度数据和土壤类型数据的尺度转换至所述生态***类型空间分布栅格数据的空间分辨率。
8.根据权利要求7所述的生态***分类样本库构建装置，其特征在于，所述一级类样本采集窗口扫描模块包括：
样本采集窗口确定单元，用于根据所述生态***类型空间分布栅格数据的空间分辨率，设定所述一级类样本采集窗口的大小为M1×N1；
扫描单元，用于使用所述一级类样本采集窗口按照逐行逐列的方式逐像元扫描所述生态***类型空间分布数据，并计算每个一级类样本采集窗口的样本质量系数r1；
有效性判断单元，用于根据一级类样本采集窗口的样本质量系数r1判断所述一级类样本采集窗口的有效性；
其中，当r1＝100％时，该一级类样本采集窗口有效，并记录该一级类样本采集窗口的生态***类型；
当r1<100％时，该一级类样本采集窗口无效；
矢量范围提取单元，用于提取有效的一级类样本采集窗口的矢量范围，得到一级类的各个生态***类型的矢量范围。
9.根据权利要求8所述的生态***分类样本库构建装置，其特征在于，所述第一质量检查模块包括：
清晰度检查单元，用于统计每个一级类样本影像块的平均梯度、均方差、信噪比和信息熵，根据所述平均梯度、均方差、信噪比和信息熵判断所述一级类样本影像块是否满足清晰度要求；若不满足，则查找符合清晰度要求的卫星遥感影像数据，从符合清晰度要求的卫星遥感影像数据上裁剪补充所述一级类样本影像块；
数量检查单元，用于统计所述一级类样本影像块的各个生态***类型的样本数量以及占比，根据各个生态***类型的占比的方差信息，判断各个生态***类型的样本数量是否分布均匀；若分布不均匀，对于样本数量缺少的生态***类型，调整所述一级类样本采集窗口的大小，重复所述一级类样本采集窗口扫描模块和一级类样本影像块获取模块，筛选样本数量缺少的生态***类型对应的一级类样本影像块；
所述方差信息S2的计算公式如下：
其中，m为一级类的生态***类型的类型数量，Xk为一级类的第k个生态***类型的样本的数量的占比，
为Xk的平均值；
空间分布检查单元，用于根据所述一级类样本影像块的样本中心经纬度计算样本分布相关系数，根据所述样本分布相关系数判断所述一级类样本影像块是否满足均匀分布或随机分布；若不满足，则调整所述一级类样本采集窗口的大小，重复所述一级类样本采集窗口扫描模块和一级类样本影像块获取模块，在缺少一级类样本影像块的空间区域重新筛选一级类样本影像块；
所述样本分布相关系数L(r)的计算公式如下：
其中，r为空间尺度，uij为第i个和第j个一级类样本影像块的中心距离，A为所有一级类样本影像块的总面积，ωij为以第i个一级类样本影像块的中心为圆心，以uij为半径的圆落在面积A中的比例，n为一级类样本影像块的总数，当uij≤r时，Ir(uij)＝1，否则Ir(uij)＝0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111368257.9A CN113989678B (zh) | 2021-11-18 | 2021-11-18 | 生态***分类样本库构建方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111368257.9A CN113989678B (zh) | 2021-11-18 | 2021-11-18 | 生态***分类样本库构建方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113989678A CN113989678A (zh) | 2022-01-28 |
| CN113989678B true CN113989678B (zh) | 2022-06-10 |
Family
ID=79749303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111368257.9A Active CN113989678B (zh) | 2021-11-18 | 2021-11-18 | 生态***分类样本库构建方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989678B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3017790A1 (fr) * | 2014-02-25 | 2015-08-28 | Chru Lille | Procede et dispositif de controle automatique de la qualite d'une serie rr obtenue a partir d'un signal cardiaque |
| CN112883839A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 基于自适应样本集构造与深度学习的遥感影像解译方法 |
| CN113220920A (zh) * | 2021-06-01 | 2021-08-06 | 中国电子科技集团公司第五十四研究所 | 一种基于微服务架构的卫星遥感影像样本标注***及方法 |
| CN113223042A (zh) * | 2021-05-19 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种遥感影像深度学习样本智能采集方法及设备 |
| CN113408460A (zh) * | 2021-06-30 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感大数据和云平台探测互花米草分布的方法 |
-
2021
- 2021-11-18 CN CN202111368257.9A patent/CN113989678B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3017790A1 (fr) * | 2014-02-25 | 2015-08-28 | Chru Lille | Procede et dispositif de controle automatique de la qualite d'une serie rr obtenue a partir d'un signal cardiaque |
| CN112883839A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 基于自适应样本集构造与深度学习的遥感影像解译方法 |
| CN113223042A (zh) * | 2021-05-19 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种遥感影像深度学习样本智能采集方法及设备 |
| CN113220920A (zh) * | 2021-06-01 | 2021-08-06 | 中国电子科技集团公司第五十四研究所 | 一种基于微服务架构的卫星遥感影像样本标注***及方法 |
| CN113408460A (zh) * | 2021-06-30 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 一种基于遥感大数据和云平台探测互花米草分布的方法 |
Non-Patent Citations (2)
| Title |
|---|
| AquaSat:A Data Set to Enable Remote Sensing of Water Quality for Inland Waters;Matthew R.V.Ross, et al.;《WaterResources Research》;20191011;1-14 * |
| 基于地理国情普查遥感影像解译样本库建立的探讨;高军;《地球》;20161231;253 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113989678A (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Spatiotemporal evolution of urban agglomerations in four major bay areas of US, China and Japan from 1987 to 2017: Evidence from remote sensing images | |
| Bouzekri et al. | A new spectral index for extraction of built-up area using Landsat-8 data | |
| Guan et al. | Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests | |
| Fan et al. | Quantifying disaster physical damage using remote sensing data—A technical work flow and case study of the 2014 Ludian earthquake in China | |
| Ma et al. | Optimized sample selection in SVM classification by combining with DMSP-OLS, Landsat NDVI and GlobeLand30 products for extracting urban built-up areas | |
| Zhang et al. | Detecting horizontal and vertical urban growth from medium resolution imagery and its relationships with major socioeconomic factors | |
| Yu et al. | FROM-GLC Plus: Toward near real-time and multi-resolution land cover mapping | |
| Tehrany et al. | Remote sensing data reveals eco-environmental changes in urban areas of Klang Valley, Malaysia: contribution from object based analysis | |
| Ares et al. | Detection of process‐related changes in plant patterns at extended spatial scales during early dryland desertification | |
| Gong et al. | Spatiotemporal dynamics of urban forest conversion through model urbanization in Shenzhen, China | |
| Chen et al. | A new method for building-level population estimation by integrating LiDAR, nighttime light, and POI data | |
| Göttlicher et al. | Land‐cover classification in the Andes of southern Ecuador using Landsat ETM+ data as a basis for SVAT modelling | |
| Delalay et al. | Land-use and land-cover classification using Sentinel-2 data and machine-learning algorithms: operational method and its implementation for a mountainous area of Nepal | |
| CN116543312B (zh) | 大范围河湖水质参数遥感反演样本库构建与更新方法 | |
| Fan et al. | Understanding spatial-temporal urban expansion pattern (1990–2009) using impervious surface data and landscape indexes: a case study in Guangzhou (China) | |
| Amarsaikhan et al. | Applications of remote sensing and geographic information systems for urban land-cover change studies in Mongolia | |
| Defourny et al. | 14 Global Land-Cover Map Validation Experiences | |
| Xu et al. | Extraction of built-up area using multi-sensor data—A case study based on Google earth engine in Zhejiang Province, China | |
| Javed et al. | Review of spectral indices for urban remote sensing | |
| Tang et al. | Spatial–temporal landscape pattern change under rapid urbanization | |
| Mast et al. | Mapping urban villages using fully convolutional neural networks | |
| He et al. | How do two-and three-dimensional urban structures impact seasonal land surface temperatures at various spatial scales? A case study for the northern part of Brooklyn, New York, USA | |
| Merchant et al. | Integrating remote sensing and geographic information systems | |
| Wang et al. | Updatable dataset revealing decade changes in land cover types in Mongolia | |
| Murayama et al. | Land-use/land-cover changes in major Asian and African cities |
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 |