CN114882100A - 一种基于亚像元制图的土地覆盖面积估算方法及*** - Google Patents
一种基于亚像元制图的土地覆盖面积估算方法及*** Download PDFInfo
- Publication number
- CN114882100A CN114882100A CN202210504652.3A CN202210504652A CN114882100A CN 114882100 A CN114882100 A CN 114882100A CN 202210504652 A CN202210504652 A CN 202210504652A CN 114882100 A CN114882100 A CN 114882100A
- Authority
- CN
- China
- Prior art keywords
- abundance
- map
- pixel
- area
- target
- 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 36
- 238000013507 mapping Methods 0.000 title claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 32
- 238000011835 investigation Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 abstract description 10
- 238000012952 Resampling Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于亚像元制图的土地覆盖面积估算方法及***。本发明通过根据像元的目标地物丰度估值区间对亚像元地图分层,并根据各地图分层进行随机抽样,得到样本像元,之后利用所述地图分层中各样本像元对应的目标地物丰度估值和目标地物丰度真值,确定各地图分层的目标地物丰度误差,从而综合各地图分层的目标地物丰度误差和各地图分层的目标地物丰度估值的概率分布得到面积比例的误差,对面积比例的纠正更为精细,进而获取了更准确的土地覆盖面积估算值。
Description
技术领域
本发明涉及遥感影像的图像处理领域,特别是涉及一种基于遥感亚像元制图估算土地覆盖面积的方法及***。
背景技术
在土地测算和土地利用规划中,根据行政单位或自然区域内的遥感制图结果估算某一特定土地覆盖或土地利用类型的总面积是一项必不可少的任务。由于亚像元制图可以给出每个像元内某种土地覆盖类型的丰度,通常可以基于亚像元制图,通过像元计数来获得目标土地覆盖类型的面积。然而,这种方法获取的面积不可避免地包含面积偏差。
尽管亚像元制图中普遍存在面积偏差,但大多数研究都集中在亚像元制图的精度评价和改进制图精度。很少有研究探讨基于亚像元制图的面积估算偏差、面积偏差如何与不同的影响因素相关以及如何纠正面积偏差。现有的回归估算器(Regression Estimator,简称RE)以样本的参考丰度作为基本信息,而样本参考丰度的平均值用样本与总体的制图估计丰度的差异进行补偿,估计面积比例为其中和是样品的参考丰度和制图估计丰度的平均值,是从亚像元地图中统计的总面积比例(即所有像元的平均丰度)。
目前,现有的回归估算器仅在亚像元地图全局进行简单随机抽样。然而,目前的技术并没有合理地利用亚像元地图可提供的分层信息,因此会在面积估计中产生较大的不确定性,使估算结果不够准确。
发明内容
本发明的目的是提供一种能够有效合理地利用亚像元地图信息指导地图分层,结合地图分层信息和抽样样本信息的土地覆盖面积估算方法(命名为two-term method,简称TTM)。
为实现上述目的,本发明提供了如下方案:
一种基于亚像元制图的土地覆盖面积估算方法,包括如下步骤:
基于亚像元地图,通过像元计数法得到研究区域中目标地物的纠正前面积比例;
根据设定的目标地物丰度间隔,对所述亚像元地图中各像元进行分组,得到若干地图分层;其中,属于同一组的各像元构成一地图分层;
确定各所述地图分层对应的像元抽取数量;
根据各所述地图分层对应的像元抽取数量,对各所述地图分层中的像元进行随机抽取,得到样本像元;
获取所述样本像元对应的目标地物丰度真值;
根据所述地图分层中各样本像元对应的目标地物丰度估值和目标地物丰度真值,确定样本像元的目标地物丰度误差,并根据所述样本像元的目标地物丰度误差,确定所述地图分层的目标地物丰度误差;所述目标地物丰度估值即亚像元地图中的估值;
根据各地图分层的目标地物丰度误差以及各地图分层的目标地物丰度估值的概率分布,估算所述面积比例的误差;
根据所述研究区域的面积、所述纠正前面积比例以及所述面积比例的误差,确定所述研究区域中纠正后的目标地物总面积。
可选的,所述亚像元地图可为已发表的公开地图数据集,或由用户自行基于遥感影像和亚像元制图算法完成的亚像元制图结果。
可选的,所述基于亚像元地图,通过像元计数法得到研究区域中目标地物的纠正前面积比例,具体包括:
基于亚像元地图,将所有像元中目标地物的面积比例求取均值,所述像元中目标地物的面积比例为像元的目标地物丰度估值,根据以下公式计算研究区域中目标地物的纠正前面积比例:
可选的,所述确定各所述地图分层对应的像元抽取数量,具体包括:
根据以下公式确定像元抽取总量:
式中,n表示像元抽取总量,L是总地图分层数,h表示第h层,Nh表示各地图分层像元数量,e表示用户误差容限,z1-α/2是标准高斯分布在置信水平1-α下的双尾分位数,[]表示将数字向上取整,表示第h层各像元目标地物丰度误差的方差,Wh表示各地图分层的权重,所述地图分层的权重为所述地图分层的面积占据研究区域的面积的比例;
根据所述像元抽取总量,按照各地图分层的权重确定各地图分层随机抽取的样本像元数量:
nh=nWh
式中,nh表示第h层随机抽取的样本像元数量。
可选的,在所述确定像元抽取总量之前,还包括:
进行预抽样,在每一所述地图分层随机抽取指定数量的预抽样样本像元,所述指定数量小于像元抽取总量n;
获取所述预抽样样本像元对应的目标地物丰度真值;
根据所述地图分层中各预抽样样本像元对应的目标地物丰度真值和目标地物丰度估值,确定预抽样样本像元的目标地物丰度误差,并根据所述预抽样样本像元的目标地物丰度误差,计算各地图分层预抽样样本像元的目标地物丰度误差的方差作为各地图分层目标地物丰度误差的方差
可选的,所述获取所述样本像元对应的目标地物丰度真值,具体包括:
基于超高分辨率影像进行解译,获得样本像元对应的目标地物丰度真值,或者基于实地野外调查获取这些样本像元的真实目标地物丰度,进而以实地获取的真实目标地物丰度作为样本像元的目标地物丰度真值。
可选的,所述根据所述地图分层中各样本像元的目标地物丰度估值和目标地物丰度真值,确定样本像元的目标地物丰度误差,并根据所述样本像元的目标地物丰度误差,确定所述地图分层的目标地物丰度误差,具体包括:
可选的,所述根据各地图分层的目标地物丰度误差以及各地图分层的目标地物丰度估值的概率分布,估算所述面积比例的误差,具体包括:
根据以下公式确定所述面积比例的误差:
式中,是第h层的目标地物丰度误差,是第h层占据整个研究区域的概率,在数值上等于第h层的权重Wh,但是在涵义上与第h层的权重Wh有所不同。作为目标地物丰度估值的概率分布,是一个与空间分辨率和目标地物空间结构有关的变量,而权重Wh只是地图分层后的一个结果。
可选的,所述根据所述研究区域的面积、所述纠正前面积比例以及所述面积比例的误差,确定所述研究区域中纠正后的目标地物总面积,具体包括:
根据所述纠正前面积比例和所述面积比例的误差,计算纠正后的面积比例:
式中,FTTM表示纠正后的面积比例;
根据所述研究区域的面积和纠正后的面积比例,计算纠正后的目标地物总面积:
ATTM=Z×FTTM
式中,ATTM表示纠正后的目标地物总面积,Z表示研究区域的面积。
本发明还提供了一种基于亚像元制图的土地覆盖面积估算***,包括:
目标地物纠正前面积比例确定模块,用于基于亚像元地图确定研究区域中目标地物的纠正前面积比例;
地图分层模块,用于根据设定的目标地物丰度间隔,对所述亚像元地图中各像元进行分组,得到若干地图分层;其中,属于同一组的各像元构成一地图分层;
地图分层像元抽取数量确定模块,用于确定各所述地图分层对应的像元抽取数量;
随机抽取模块,用于根据各所述地图分层对应的像元抽取数量,对各所述地图分层中的像元进行随机抽取,得到样本像元;
丰度真值获取模块,用于获取所述样本像元对应的目标地物丰度真值;
地图分层丰度误差确定模块,用于根据所述地图分层中各样本像元对应的目标地物丰度估值和目标地物丰度真值,确定样本像元的目标地物丰度误差,并根据所述样本像元的目标地物丰度误差,确定所述地图分层的目标地物丰度误差;所述目标地物丰度估值根据亚像元地图确定;
面积比例误差确定模块,用于根据各地图分层的目标地物丰度误差以及各地图分层的目标地物丰度估值的概率分布,确定所述面积比例的误差;
目标地物纠正后面积确定模块,用于根据所述研究区域的面积、所述目标地物纠正前面积比例以及所述面积比例的误差,确定所述研究区域中目标地物的纠正后面积。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过根据像元丰度区间对亚像元地图分层,并根据各地图分层进行随机抽样得到样本像元,之后利用所述地图分层中各样本像元对应的目标地物丰度估值和目标地物丰度真值,确定各地图分层的目标地物丰度误差,进而基于各地图分层的目标地物丰度误差和各地图分层的目标地物丰度估值的概率分布得到面积比例的误差,从而确定了所述研究区域中目标地物的面积,实现了有效地利用亚像元地图信息指导地图分层,并且相较于现有技术中基于亚像元地图全局纠正误差的方式,本发明考虑了每一地图分层对面积比例的误差的影响,综合各地图分层的目标地物丰度误差和各地图分层的目标地物丰度估值的概率分布对面积比例的纠正更为精细,进而获取了更准确的土地覆盖面积估算值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于亚像元制图的土地覆盖面积估算方法的流程框图;
图2为本发明实施例的研究区域概况图;
图3为本发明实施例提供的亚像元制图结果和目标地物纠正前面积统计图;
图4为本发明实施例提供的各地图分层的目标地物丰度估值的概率分布和地图分层的目标地物丰度误差图;
图5为本发明实施例提供的纠正前后目标地物总面积和目标地物真实面积的一致性对比图;
图6为本发明实施例提供的500次重复纠正后的不透水层面积误差的均值和方差图;
图7为本发明实施例提供的基于亚像元制图的土地覆盖面积估算方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。
本发明的目的是提供一种能够有效合理地利用亚像元地图信息指导地图分层,结合地图分层信息和抽样样本信息的土地覆盖面积估算方法。
发明人发现,现有技术中的回归估算器仅在亚像元地图全局进行简单随机抽样,忽略了来自亚像元地图的地图分层信息,进而导致了在结果区域估计中产生较大的不确定性,使估算结果不够准确,面积偏差较大的问题。为解决这一问题,本发明实施例提供了以下技术方案,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供了一种基于亚像元制图的土地覆盖面积估算方法,参见图1,包括以下步骤:
步骤101:基于亚像元地图确定研究区域中目标地物的纠正前面积比例;
步骤102:根据设定的目标地物丰度间隔,对所述亚像元地图中各像元进行分组,得到若干地图分层;其中,属于同一组的各像元构成一地图分层;
步骤103:确定各所述地图分层对应的像元抽取数量;
步骤104:根据各所述地图分层对应的像元抽取数量,对各所述地图分层中的像元进行随机抽取,得到样本像元;
步骤105:获取所述样本像元对应的目标地物丰度真值;
步骤106:根据所述地图分层中各样本像元对应的目标地物丰度估值和目标地物丰度真值,确定样本像元的目标地物丰度误差,并根据所述样本像元的目标地物丰度误差,确定所述地图分层的目标地物丰度误差;所述目标地物丰度估值即为亚像元地图的制图丰度;
步骤107:根据各地图分层的目标地物丰度误差以及各地图分层的目标地物丰度估值的概率分布,确定所述面积比例的误差;
步骤108:根据所述研究区域的面积、所述纠正前面积比例和所述面积比例的误差,确定所述研究区域中纠正后的目标地物总面积。
本发明实施例在对目标地物面积进行估算时,考虑了亚像元地图分层的信息,具体体现在,本发明实施例通过根据亚像元地图信息将亚像元地图分层,在各地图分层进行随机抽样,根据抽样样本确定各分层目标地物丰度误差,从而综合各分层目标地物丰度误差得到面积比例的误差,再结合亚像元地图信息,确定了所述研究区域中目标地物的面积。与现有回归估算器仅在亚像元地图全局简单随机抽样,本发明实施例由于有效地利用亚像元地图信息指导地图分层,并更为精细地综合各地图分层的目标地物丰度误差和各地图分层的目标地物丰度估值的概率分布对面积比例的纠正,因而对目标地物面积估算得到的结果精度更高。
在一个示例中,在确定各所述地图分层对应的像元抽取数量之前,还包括:
进行预抽样,在每一所述地图分层随机抽取指定数量的预抽样样本像元;
获取所述预抽样样本像元对应的目标地物丰度真值;
下面以估算东经4.3914-4.4179°,北纬50.8188-50.8820°地区不透水层的面积为例,对上述基于亚像元制图的土地覆盖面积估算方法进行详细介绍:上述研究区概况如图2所示。研究区位于东经4.3914-4.4179°,北纬50.8188-50.8820°,覆盖比利时首都布鲁塞尔东部,主要由不透水层,植被,土壤三种土地覆盖类型组成,其中不透水层占比66%。
2015年6月30日,通过使用搭载于3600米高空飞行的飞机上的APEX传感器,获得了覆盖研究区域的2m空间分辨率,218光谱波段(450-2350nm)的高光谱图像,通过光谱重采样,生成了一个2m的6波段影像,波段包括489nm(蓝)、562nm(绿)、664nm(红)、842nm(近红外)、1612nm(短波红外1)和2193nm(短波红外2)(以下称为“光谱重采样高光谱影像-SRH影像”),通过将支持向量机(SVM)分类器应用于SRH影像,获得了研究区域的2m分辨率土地覆盖地图(总体分类精度为90%);同时,对2m分辨率的SRH影像和土地覆盖地图进行重采样,以获得10m,20m,30m,60m,100m,250m,500m的6波段反射率影像和不透水层丰度(ISA)真值;使用多端元混合像元分解方法(MESMA),生成了10m,20m,30m,60m,250m,500m的不透水层丰度(ISA)地图,参见图3(a);
以0.1的目标地物丰度间隔将整个研究区分为10层(即丰度区间0~0.1,0.1~0.2,0.2~0.3,……,0.9~1),并进行直方图统计,可得到丰度估值的概率分布参见图4(a),亦可得各地图分层像元数量Nh和各地图分层的权重Wh(等于),所述地图分层的权重为所述地图分层的面积占据研究区域的面积的比例;
进行预抽样,在每一地图分层随机抽取30个预抽样样本像元,获取所述预抽样样本像元对应的不透水层丰度真值f;根据所述地图分层中各预抽样样本像元对应的不透水层丰度真值f和不透水层丰度估值确定预抽样样本像元的不透水层丰度误差,并根据所述预抽样样本像元的不透水层丰度误差,计算各地图分层预抽样样本像元的不透水层丰度误差的方差作为各地图分层不透水层丰度误差的方差
用户要求的精度为:面积估算误差在95%的置信度下小于1%,则设置用户误差容限e=0.01和置信水平1-α=0.95,根据以下公式确定样本像元抽取总量:
式中,n表示样本像元抽取总量,像元抽取总量n多于预抽样样本像元数量,L是总地图分层数,z1-α/2是标准高斯分布在置信水平1-α下的双尾分位数,查找标准正态分布表可得z1-α/2=1.96,[]表示将数字向上取整,表示第h层各像元不透水层丰度误差的方差;
根据所述像元抽取总量n,按照各地图分层的权重确定各地图分层随机抽取的样本像元数量:
nh=nWh
式中,nh表示第h层随机抽取的样本像元数量;
实施分层随机抽样,基于研究区域的2m分辨率土地覆盖地图,获取样本像元的不透水层丰度真值f;基于10m,20m,30m,60m,250m,500m的不透水层丰度(ISA)地图,确定所述不透水层丰度估值计算样本像元的不透水层丰度误差将各地图分层所有样本像元的不透水层丰度误差的均值作为各地图分层的不透水层丰度误差参见图4(b)中黑色柱体所示;
基于各地图分层的不透水层丰度误差和不透水层丰度估值的概率分布,计算面积比例的误差:
基于面积比例的误差,纠正前面积比例可以纠正为:
其中FTTM是纠正后的面积比例,总面积可以通过纠正后的面积比例乘以研究区域的面积来计算:
ATTM=Z×FTTM
式中,ATTM表示纠正后的不透水层总面积,Z表示研究区域的面积。
下面对上述基于亚像元制图的土地覆盖面积估算方法的精度进行验证:
重复估算500次,得到基于10m,20m,30m,60m,250m,500m分辨率不透水层丰度(ISA)地图各500个纠正后的不透水层总面积值,其分布如图5所示,其均值和方差参见图6。基于以上数据,比较本发明实施例纠正后的不透水层的面积,以及通过纠正前的数像元得到的不透水层的面积,以验证基于亚像元制图的土地覆盖面积估算方法的精度。
TTM可有效地将数像元得到的较大面积偏差(-3.0720%,-2.6876%,-1.2908%,-1.6949%,-1.0526%,-0.7652%,-0.3473%)纠正至接近0(0.0330%,0.0533%,-0.0089%,-0.0135%,0.0282%,0.0226%,-0.0001%),500次重复估算结果的均值接近真值,这表明本申请公开的估算方法产生的结果是无偏估计;且TTM估计的95%置信区间(在此用500次重复值的1.96倍标准差近似)分别为1.1019%,1.0530%,1.0582%,1.0241%,0.9779%,0.8091%,和0.5417%,满足用户要求的误差容限1%。本发明所提供的面积估算方法,充分利用亚像元制图的信息,结合分层抽样的样本数据,可以提供目标区域内目标土地覆盖/使用类型的更准确的面积估算值。这会促进亚像元制图结果的进一步应用,尤其是在制图结果具有较大偏差的情况下,例如大区域和较长历史时期的土地覆盖制图应用中。
实施例2
本实施例提供了一种基于亚像元制图的土地覆盖面积估算***,该***包括:
地图分层像元抽取数量确定模块,用于根据计算像元抽取总量,其中,n表示像元抽取总量,L是总地图分层数,h表示第h层,Nh表示各地图分层像元数量,e表示用户误差容限,z1-α/2是标准高斯分布在置信水平1-α下的双尾分位数,[]表示将数字向上取整,表示第h层各像元目标地物丰度误差的方差,Wh表示各地图分层的权重,所述地图分层的权重为所述地图分层的面积占据研究区域的面积的比例,并根据nh=nWh计算各所述地图分层对应的像元抽取数量,其中,nh表示第h层随机抽取的样本像元数量;
随机抽取模块,用于根据各所述地图分层对应的像元抽取数量,对各所述地图分层中的像元进行随机抽取,得到样本像元;
丰度真值获取模块,用于获取所述样本像元对应的目标地物丰度真值,该目标地物丰度真值通过对超高分辨率影像中的样本像元进行解译或实地调查获得;
地图分层丰度误差确定模块,用于根据亚像元地图确定目标地物丰度估值,根据计算样本像元的目标地物丰度误差,并根据样本像元的目标地物丰度误差,计算各所述地图分层中所有样本像元的目标地物丰度误差的平均值,得到各所述地图分层的目标地物丰度误差其中,和f分别表示所述地图分层中各样本像元对应的目标地物丰度估值和目标地物丰度真值;
目标地物面积确定模块,用于根据计算纠正后的面积比例,其中,FTTM表示TTM纠正后的面积比例,并根据ATTM=Z×FTTM计算纠正后的目标地物总面积,其中,ATTM表示纠正后的目标地物总面积,Z表示研究区域的面积。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于亚像元制图的土地覆盖面积估算方法,其特征在于,包括如下步骤:
基于亚像元地图确定研究区域中目标地物的纠正前面积比例;
根据设定的目标地物丰度间隔,对所述亚像元地图中各像元进行分组,得到若干地图分层;其中,属于同一组的各像元构成一地图分层;
确定各所述地图分层对应的像元抽取数量;
根据各所述地图分层对应的像元抽取数量,对各所述地图分层中的像元进行随机抽取,得到样本像元;
获取所述样本像元对应的目标地物丰度真值;
根据所述地图分层中各样本像元对应的目标地物丰度估值和目标地物丰度真值,确定样本像元的目标地物丰度误差,并根据所述样本像元的目标地物丰度误差,确定所述地图分层的目标地物丰度误差;所述目标地物丰度估值根据亚像元地图确定;
根据各地图分层的目标地物丰度误差以及各地图分层的目标地物丰度估值的概率分布,确定所述面积比例的误差;
根据所述研究区域的面积、所述纠正前面积比例以及所述面积比例的误差,确定所述研究区域中目标地物的面积。
5.根据权利要求3所述的基于亚像元制图的土地覆盖面积估算方法,其特征在于,所述获取所述样本像元对应的目标地物丰度真值,具体包括:
基于实地野外调查或基于超高分辨率影像解译获取这些样本像元的真实目标地物丰度,作为样本像元的目标地物丰度真值。
9.一种基于亚像元制图的土地覆盖面积估算***,其特征在于,包括:
面积比例确定模块,用于基于亚像元地图确定研究区域中目标地物的纠正前面积比例;
地图分层模块,用于根据设定的目标地物丰度间隔,对所述亚像元地图中各像元进行分组,得到若干地图分层;其中,属于同一组的各像元构成一地图分层;
地图分层样本像元抽取数量确定模块,用于确定各所述地图分层对应的样本像元抽取数量;
随机抽取模块,用于根据各所述地图分层对应的像元抽取数量,对各所述地图分层中的像元进行随机抽取,得到样本像元;
丰度真值获取模块,用于获取所述样本像元对应的目标地物丰度真值;
地图分层丰度误差确定模块,用于根据所述地图分层中各样本像元对应的目标地物丰度估值和目标地物丰度真值,确定样本像元的目标地物丰度误差,并根据所述样本像元的目标地物丰度误差,确定所述地图分层的目标地物丰度误差;所述目标地物丰度估值即为亚像元地图中的估计值;
面积比例误差确定模块,用于根据各地图分层的目标地物丰度误差以及各地图分层的目标地物丰度估值的概率分布,确定所述面积比例的误差;
目标地物纠正后面积确定模块,用于根据所述研究区域的面积、所述纠正前面积比例以及所述面积比例的误差,确定所述研究区域中目标地物的纠正后面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504652.3A CN114882100A (zh) | 2022-05-10 | 2022-05-10 | 一种基于亚像元制图的土地覆盖面积估算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504652.3A CN114882100A (zh) | 2022-05-10 | 2022-05-10 | 一种基于亚像元制图的土地覆盖面积估算方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114882100A true CN114882100A (zh) | 2022-08-09 |
Family
ID=82675091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210504652.3A Pending CN114882100A (zh) | 2022-05-10 | 2022-05-10 | 一种基于亚像元制图的土地覆盖面积估算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882100A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559506A (zh) * | 2013-11-19 | 2014-02-05 | 中国科学院地理科学与资源研究所 | 一种基于矢量边界的亚像元制图方法 |
CN110263716A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种基于街景图像的遥感影像超分辨率土地覆被制图方法 |
WO2021036267A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图像检测方法及相关设备 |
-
2022
- 2022-05-10 CN CN202210504652.3A patent/CN114882100A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559506A (zh) * | 2013-11-19 | 2014-02-05 | 中国科学院地理科学与资源研究所 | 一种基于矢量边界的亚像元制图方法 |
CN110263716A (zh) * | 2019-06-21 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种基于街景图像的遥感影像超分辨率土地覆被制图方法 |
WO2021036267A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图像检测方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
王奇琪: "基于混合像元分解的矿区LUCC遥感监测", 工程科技Ⅰ辑, no. 4, 15 April 2018 (2018-04-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lenney et al. | The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM | |
Baltsavias et al. | High‐quality image matching and automated generation of 3D tree models | |
Bakr et al. | Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data | |
Sheng et al. | Quantitative dynamic flood monitoring with NOAA AVHRR | |
Morsdorf et al. | Clustering in airborne laser scanning raw data for segmentation of single trees | |
CN108765488B (zh) | 一种基于阴影的高分辨率遥感影像建筑物高度估测方法 | |
Ismail et al. | Satellite data classification accuracy assessment based from reference dataset | |
CN110335355B (zh) | 一种大型浅水湖泊水面高自动计算方法 | |
CN110569797B (zh) | 地球静止轨道卫星影像山火检测方法、***及其存储介质 | |
CN108919319B (zh) | 海岛礁卫星影像无地面控制点定位方法及*** | |
CN109741446B (zh) | 一种三维数字地球动态生成精细海岸地形的方法 | |
WO2024036739A1 (zh) | 水库水储量反演方法和装置 | |
CN112926468A (zh) | 一种潮滩高程自动提取方法 | |
CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
Xue et al. | Flood monitoring by integrating normalized difference flood index and probability distribution of water bodies | |
Gupta et al. | An innovative approach for retrieval of gridded urban canopy parameters using very high resolution optical satellite stereo | |
CN112949657A (zh) | 一种基于遥感影像纹理特征的林地分布提取方法及装置 | |
CN112967308A (zh) | 一种双极化sar影像的水陆边界提取方法及*** | |
CN111862005A (zh) | 一种利用合成雷达图像精准定位热带气旋中心的方法及*** | |
CN114882100A (zh) | 一种基于亚像元制图的土地覆盖面积估算方法及*** | |
Liu et al. | Automatic building height estimation with shadow correction over heterogeneous compact cities using stereo Gaofen-7 data at sub-meter resolution | |
Jabal et al. | Integrated Approach for Land Surface Temperature Assessment in Different Topography of Iraq | |
Nelson et al. | Combining moderate-resolution time-series RS data from SAR and optical sources for rice crop characterisation: examples from Bangladesh | |
CN112052720A (zh) | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 | |
Ding et al. | A spatial downscaling approach for land surface temperature by considering descriptor weight |
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 |