CN116091927B - 一种快速的池塘养殖面源污染源遥感识别方法 - Google Patents
一种快速的池塘养殖面源污染源遥感识别方法 Download PDFInfo
- Publication number
- CN116091927B CN116091927B CN202310036720.2A CN202310036720A CN116091927B CN 116091927 B CN116091927 B CN 116091927B CN 202310036720 A CN202310036720 A CN 202310036720A CN 116091927 B CN116091927 B CN 116091927B
- Authority
- CN
- China
- Prior art keywords
- pond
- remote sensing
- pond culture
- parameter
- index
- 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
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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06V20/13—Satellite images
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种快速的池塘养殖面源污染源遥感识别方法,该方法中应用多尺度分割的方法针对池塘养殖特定对象和规模明确分割的参数,识别出养殖区的边界信息和独立的斑块对象,其次,通过对比斑块分割对象的颜色、形状指数、纹理指数和光谱特征指数等近50余个信息特征,开展多类特征迭代分类试验分析,筛选最优对象特征并优化识别流程,最终获取3项关键特征参数,经参数阈值优化,设计出针对池塘养殖区的计算最敏捷的自动分类模型,识别出边界和属性与目视解译结果高度吻合的特定时间的池塘养殖对象;考虑到单期数据的池塘存在因干塘期导致的结果不完整性,通过多期影像的解译成果的归集,最终生成区域全部池塘空间分布成果。
Description
技术领域
本发明涉及遥感图像处理及水污染面源监管领域,是一种基于面向对象的方法构建的针对大空间范围内池塘水产养殖区域对象及其倒塘期的快速提取方法,同时涉及水产养殖面源污染源卫星遥感监测、精准治污等应用领域。
背景技术
遥感具有探测范围广、周期短、时效性强、成本低、经济效益大等优点,高分辨率遥感技术的发展进步为水产养殖信息获取提供了新的契机,许多学者也对水产养殖专题信息的快速、高精度提取方法进行了积极的探索和研究,使得遥感在水产养殖中的应用日趋广泛。目前常用的水产养殖区识别方法主要有目视解译、比值指数分析法、对应分析法、空间结构分析法、面向对象法和集成分类模型等。
基于光学影像的水产养殖提取,多基于影像的光谱、纹理几何和形状等特征。其方法主要分为两类:(1)基于像素的提取方法。以每个像素为研究对象,统计图像中各像素的光谱和纹理特征,通过影像增强和霍夫变换等影像变换等方法,设置阈值对水域进行提取。但此类方法仅考虑单个像元的特征,缺少像元所属地物的整体属性,以及像元之间的空间关系,提取的图斑多比较琐碎,而且受影像成像角度和光照条件影响较大;(2)面向对象的提取方法。以区域为研究对象,通过设置的区域增长规则对具有相似光谱和纹理特征的相邻像素进行合并以形成区域,并统计图像中各区域的光谱、纹理、几何和形状特征设置阈值,进而对池塘对象进行提取。大部分面向对象方法受增长后得到的区域对目标地物表达代表性影响较大,一旦合并的区域中包含很多背景地物,或者缺失很多目标地物像元,直接会影响后续的提取精度。而且面向对象方法的特征参数达到上百个,面向池塘养殖面源的最优参数集合尚无相关研究。(3)机器学习方法可以通过构建模型对用于池塘提取的特征阈值基于训练样本进行自动学习,并也得到了广泛的应用。但是这类方法仍然需要大量的人工对池塘提取特征进行提取,对研究人员的背景知识要求比较高,而且训练得到的模型鲁棒性受遥感影像地物的分布与模型训练采用的训练样本分布一致性影响较大。
对于不同的识别对象,需要分析其特征,选择最适宜的方法框架开展方法研究,其中的面向对象的方法已经广泛用于图像处理领域中的目标检测、识别和分割等任务,但目前面向对象的方法的解算速度较低,难以满足实时性要求,另外目前面向对象的方法精度较低,基本不具备识别池塘倒塘期的能力,在环境保护领域的应用受到制约。
由于上述原因,本发明人研究基于面向对象的方法研究多源高空间分辨率遥感影像的池塘养殖区大范围快速提取及其倒塘期识别方法,以期待设计出一种能够解决上述问题的快速的池塘养殖面源污染源遥感识别方法。
发明内容
为了克服上述问题,本发明人进行了锐意研究,设计出一种快速的池塘养殖面源污染源遥感识别方法,该方法中应用多尺度分割的方法针对池塘养殖特定对象和规模明确分割的参数,识别出养殖区的边界信息和独立的斑块对象,其次,通过对比斑块分割对象的颜色、形状指数、纹理指数和光谱特征指数等近50余个信息特征,开展多类特征迭代分类试验分析,筛选最优对象特征并优化识别流程,最终获取3项关键特征参数,经参数阈值优化,设计出针对池塘养殖区的计算最敏捷的自动分类模型,识别出边界和属性与目视解译结果高度吻合的特定时间的池塘养殖对象;考虑到单期数据的池塘存在因干塘期导致的结果不完整性,通过多期影像的解译成果的归集,最终生成区域全部池塘空间分布成果,从而完成本发明。
具体来说,本发明的目的在于提供一种快速的池塘养殖面源污染源遥感识别方法,该方法包括如下步骤:
步骤1,调取监测区域的米级(1-2m)分辨率的多源卫星遥感数据;
步骤2,对所述多源卫星遥感数据做多尺度分割,获得多个单独区域;
步骤3,基于关键对象参数,逐步剔除所述多个单独区域中的非池塘对象;
步骤4,重复步骤1、步骤2和步骤3,调取监测区域的同年份多时相的多源卫星遥感数据,将获得结果取并集,从而得到完整的区域年度池塘养殖区空间分布数据。
其中,在所述步骤2中,基于形状shape参数、紧致度参数和斑块尺度参数对所述多源卫星遥感数据做多尺度分割。
其中,所述形状shape参数的取值为0.5-1,优选地取值为0.8,
所述紧致度参数的取值为0.4-0.8,优选地取值为0.5,
所述斑块尺度参数scale的取值为150-220,优选地取值为200。
其中,所述步骤3包括如下子步骤,
子步骤1,通过建立归一化植被指数(NDVI)特征参数对所述单独区域做初步识别筛除;
子步骤2,利用近红外光谱均值特征参数对所述单独区域做进一步识别筛除;
子步骤3,通过形状密度指数(DENSITY)对所述单独区域做最终识别筛除。
其中,在子步骤1中,筛除归一化植被指数(NDVI)特征参数不在设定阈值中的单独区域;
所述归一化植被指数(NDVI)特征参数的设定阈值为大于-5且小于0.1,优选为大于-2且小于0.07。
其中,在子步骤2中,筛除近红外光谱均值特征参数不在设定阈值中的单独区域;
所述近红外光谱均值特征参数的设定阈值为大于180且小于800,优选为大于200且小于770。
其中,在子步骤3中,筛除形状密度指数(DENSITY)不在设定阈值中的单独区域;
所述形状密度指数(DENSITY)的设定阈值为大于1.5,优选为大于1.3。
其中,该方法还包括步骤5,对所述区域年度池塘养殖区空间分布数据做空间统计分析,获取每个池塘多时相归一化水体指数NDWI数据;根据每个池塘的时序光谱曲线,建立区域年度光谱曲线库。
其中,所述归一化水体指数通过下式(一)获得:
NDWI=(Green-NIR)/(Green+NIR)(一)
其中,NDWI表示归一化水体指数;
Green表示可见光绿光波段反射率;
NIR表示近红外波段反射率。
本发明所具有的有益效果包括:
(1)、根据本发明提供的快速的池塘养殖面源污染源遥感识别方法,该方法使用面向对象的方案,根据具有各类光谱、纹理、几何特征的大量多源卫星数据,包括高分一号(GF1)、六号(GF6)和资源三号02星(ZY3-02)多光谱影像进行实用性测试,该方法面向不同侧视角的多源卫星数据,具备较强的普适性;
(2)、根据本发明提供的快速的池塘养殖面源污染源遥感识别方法,该方法基于面向对象的方法,较传统的提取方法省时省力,可实现大空间范围内池塘养殖区的快速自动提取;
(3)、根据本发明提供的快速的池塘养殖面源污染源遥感识别方法,通过对池塘影像特征进行筛选和优化,避免了特征冗余提高了计算效率,为方案的实用性提供保障。
附图说明
图1示出本申快速的池塘养殖面源污染源遥感识别方法整体过程逻辑图;
图2示出实验例中宜兴市滆湖南部区域地区未被多尺度分割时的卫星遥感图像;
图3示出实验例中宜兴市滆湖南部区域地区的卫星遥感图像被多尺度分割后的影像;
图4中示出实验例中对多尺度分割后的影像做初步识别筛除得到的筛除结果示意图;
图5中示出实验例中对初步识别筛除后的影像做进一步识别筛除得到的筛除结果示意图;
图6中示出实验例中对进一步识别筛除后的影像做最终识别筛除得到的筛除结果示意图;
图7中示出实验例中2018年1月12日宜兴市滆湖南部倒塘期的遥感识别结果示意图;
图8中示出实验例中2018年2月23日宜兴市滆湖南部倒塘期的遥感识别结果示意图;
图9中示出实验例中2018年4月8日宜兴市滆湖南部倒塘期的遥感识别结果示意图;
图10中示出实验例中2018年6月25日宜兴市滆湖南部倒塘期的遥感识别结果示意图;
图11中示出实验例中2018年7月19日宜兴市滆湖南部倒塘期的遥感识别结果示意图;
图12中示出实验例中2018年9月24日宜兴市滆湖南部倒塘期的遥感识别结果示意图;
图13中示出实验例中2018年10月6日宜兴市滆湖南部倒塘期的遥感识别结果示意图;
图14中示出实验例中2018年11月23日宜兴市滆湖南部倒塘期的遥感识别结果示意图;
图15中示出实验例中2018年12月18日宜兴市滆湖南部倒塘期的遥感识别结果示意图;
图16中示出3号池塘点位9个时相的年度光谱曲线;
图17示出对比例1中宜兴市滆湖南部区域地区的卫星遥感图像被多尺度分割后的影像;
图18中示出对比例2中对多尺度分割后的影像做初步识别筛除得到的筛除结果示意图;
图19中示出对比例2中对初步识别筛除后的影像做进一步识别筛除得到的筛除结果示意图;
图20中示出对比例2中对进一步识别筛除后的影像做最终识别筛除得到的筛除结果示意图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
本申请中,池塘养殖区提取对象具有动态变化性(涉及干塘期,不同时间的池塘利用情况不同)、斑块空间独立性(池塘养殖区之间相对独立且封闭)和规模形状特殊性(单一池塘面规模差别不大、池塘形状较规则),因此,考虑到池塘养殖的以上三种特性,利用多源卫星遥感数据,基于面向对象的分类方法,通过先分割再分类实现池塘养殖区的提取。进一步地,通过分析池塘养殖区时序光谱曲线,获取倒塘期的特征阈值,通过运算在空间维度可以获取单时相倒塘期空间分布和倒塘规模,在时间维度可以获取单一倒塘期特定时间维度的倒塘时间和频次,结合地面监测数据和高分遥感影像可实现结果的验证,直观反映池塘养殖区的倒塘情况。
根据本发明提供的快速的池塘养殖面源污染源遥感识别方法,如图1中所示,该方法包括如下步骤:
步骤1,调取监测区域的多源卫星遥感数据;
所述多源卫星遥感数据的分辨率须达到米级分辨率,所述卫星遥感数据可选用GF-1、ZY3-02等。
步骤2,对所述多源卫星遥感数据做多尺度分割,获得多个单独区域;
其中,在所述步骤2中,基于形状shape参数、紧致度参数和斑块尺度参数对所述多源卫星遥感数据做多尺度分割。本申请中的多尺度分割是指在影像信息损失最小的前提下,以任意尺度生成异质性最小、同质性最大的有意义影像多边形对象的过程,其是一种影像抽象(压缩)的手段,即把高分辨率像元的信息保留到低分辨率的对象上,不同的地物类型可以在相应尺度的对象上得到反映。通过多尺度分割得到多个彼此独立的、存在分界线的多个单独区域,所述各个单独区域可能是本申请中的池塘或池塘养殖区,也可能是其他地貌结构,如建筑群、植被区域等,需要进一步筛选排除。
优选地,所述形状shape参数的取值为0.5-1,优选地取值为0.8,
所述紧致度参数的取值为0.4-0.8,优选地取值为0.5,
所述斑块尺度参数scale的取值为150-220,优选地取值为200;
本发明人发现,通过设定上述参数对所述多源卫星遥感数据做多尺度分割,能够刚好将各个池塘或池塘养殖区独立分割为单独区域,例如对宜兴市滆湖南部区域的卫星遥感数据做多尺度分割,分割前的影像如图2中所示,分割后获得的包含多个单独区域的影像如图3中所示。通过目视解译识别图2中的池塘,并与所述图3中的多个单独区域做比较,可知该多尺度分割刚好将每个池塘都单独划分到一个单独区域中。
步骤3,基于关键对象参数,逐步剔除所述多个单独区域中的非池塘对象;
所述步骤3包括如下子步骤,
子步骤1,通过建立归一化植被指数(NDVI)特征参数对所述单独区域做初步识别筛除;
子步骤2,利用近红外光谱均值特征参数对所述单独区域做进一步识别筛除;
子步骤3,通过形状密度指数(DENSITY)对所述单独区域做最终识别筛除。
其中,在子步骤1中,所述归一化植被指数(NDVI)基于易康平台建立,利用该指数实现水体和植被对象的初步识别。
优选的,筛除归一化植被指数(NDVI)特征参数不在设定阈值中的单独区域;所述归一化植被指数(NDVI)特征参数的设定阈值为大于-5且小于0.1,优选为大于-2且小于0.07。
本发明人发现,通过基于归一化植被指数,且指定上述阈值区间,能够区分出单独区域中的植被对象,从而排除植被对象对池塘水体的干扰。例如,选取宜兴市滆湖南部区域的卫星遥感数据并做多尺度分割处理后得到的单独区域影像如图3中所示,使用子步骤1中方法对该影像做初步识别筛除得到的筛除结果如图4中所示,其中红色区域为池塘的识别结果;通过目视解译识别图3中的池塘,并与所述图4中的识别结果做比较,可知该子步骤1并未误删池塘区,并且将植被覆盖的单独区域予以准确识别筛除。
其中,在子步骤2中,利用近红外光谱均值特征参数剔除归一化植被指数特征相近的建设用地对象,具体来说,筛除近红外光谱均值特征参数不在设定阈值中的单独区域;所述近红外光谱均值特征参数的设定阈值为大于180且小于800,优选为大于200且小于770。
本发明人发现,通过利用近红外光谱均值特征参数,且指定上述阈值区间,能够区分出单独区域中的建设用地对象,从而排除建设用地对池塘水体的干扰。例如,选取图4中经过子步骤1识别筛除后的卫星遥感数据影像,使用子步骤2中方法对该影像做进一步识别筛除得到的筛除结果如图5中所示,其中蓝色区域为池塘的识别结果;通过目视解译识别图4中的池塘,并与所述图5中的识别结果做比较,可知该子步骤2并未误删池塘区,并且将建设用地的单独区域予以准确识别筛除。
其中,所述单独区域中除了会混有植被对象和建设用地对象,还可能包含河道、阴影、沟渠等与池塘养殖光谱相近的斑块对象,在子步骤2的基础上,通过形状密度指数(DENSITY)能够更进一步予以识别筛除,获得准确的池塘单独区域;具体来说,在子步骤3中,筛除形状密度指数(DENSITY)不在设定阈值中的单独区域;所述形状密度指数(DENSITY)的设定阈值为大于1.5,优选为大于1.3。
本发明人发现,通过利用形状密度指数(DENSITY),且指定上述阈值区间,能够区分出单独区域中的河道、阴影、沟渠等与池塘养殖光谱相近的斑块对象,从而获得仅包含池塘的单独区域。例如,选取图5中经过子步骤2识别筛除后的卫星遥感数据影像,使用子步骤3中方法对该影像做最终识别筛除得到的筛除结果如图6中所示,其中黄色区域为池塘的识别结果;通过目视解译识别图5中的池塘,即人工看图5的放大细节图,并逐一与所述图6中的识别结果做比较,比较发现两者基本完全一致,并未误删池塘区,并且将河道、阴影、沟渠等斑块对象的单独区域予以准确识别筛除,获得的各个单独区域都是池塘养殖区。
步骤4,重复步骤1、步骤2和步骤3,调取其他覆盖监测区域的同年份多时相的多源卫星遥感数据,将获得结果取并集,从而得到完整的区域年度池塘养殖区空间分布数据。
其中,步骤4需要重复至少6次,在一个年度中,每隔一个月选取一帧多源卫星遥感数据;更优选地,可以重复12次,即年度池塘养殖区空间分布数据中至少包含12组影像数据,优选地为每个月至少有一帧覆盖监测区域的多源卫星遥感数据。
本申请中,在所述步骤3中可以通过对比斑块分割对象的颜色、形状指数、纹理指数和光谱特征指数等近50余个信息特征来分析筛选池塘养殖区的单独区域,但50余个信息特征的分析筛选过于繁琐,不仅仅会导致筛选时间过长,还会误删很多池塘区,实际应用效果不够理想,本发明人经过多类特征迭代分类试验分析,筛选最优对象特征并优化识别流程,从而获得上述步骤3中的具体筛选流程,经过对3项关键特征参数的阈值优化,最终得到上述步骤3,能够实时地、准确地筛选出每帧影像信息中的池塘养殖区。
在一个优选的实施方式中,该方法还包括步骤5,对所述区域年度池塘养殖区空间分布数据做空间统计分析,获取每个池塘多时相归一化水体指数NDWI数据;根据每个池塘的时序光谱曲线,建立区域年度光谱曲线库。
优选地,所述归一化水体指数通过下式(一)获得:
NDWI=(Green-NIR)/(Green+NIR)(一)
其中,NDWI表示归一化水体指数;
Green表示可见光绿光波段反射率;
NIR表示近红外波段反射率。
本申请中,利用NDWI能够有效判断池塘养殖区的水体覆盖情况,由于获取到的GF-1(WFV传感器)数据为16位,为了实现基于ENVI平台的NDWI运算,需要进行降位计算,将原始16位数据将至8位。
优选地,在所述年度光谱曲线库中逐一分析每个池塘,针对每个池塘,都有一个对应的光谱曲线,光谱曲线的横坐标为时相序号,纵坐标显示NDWI值,从光谱曲线中能够读取出该池塘区域的光谱变化规律;当某个时期,池塘光谱的纵坐标值大于设定值时,即可认为该池塘在该时期处于倒塘期。优选地,所述设定值为0.45。
实验例
调取2018年宜兴市滆湖南部区域的米级分辨率的GF-1卫星遥感影像共9份,其中包括1月、2月、4月、6月、7月、9月、10月、11月、12月的遥感影像,对每一帧遥感影像都进行多尺度分割和剔除非池塘对象处理,将获得结果取并集,从而得到完整的区域年度池塘养殖区空间分布数据,在时间维度获取每个池塘全年的光谱曲线,进而获知其倒塘期对应的特定时间维度和全年内倒塘时间和频次;
其中,所述多尺度分割过程中,基于形状shape参数取值为0.8、紧致度参数取值为0.5、斑块尺度参数取值为200;
其中,调取的1月的遥感影像如图2中所示,针对该遥感影像做多尺度分割后得到的遥感影像如图3中所示;
所述剔除非池塘对象处理过程包括如下子步骤:
子步骤1,筛除归一化植被指数(NDVI)特征参数不在大于-2且小于0.07阈值中的单独区域;图3中遥感影像经过子步骤1后得到的遥感影像为图4中所示,其中红色区域为得到的池塘识别结果;
子步骤2,筛除近红外光谱均值特征参数不在200且小于770阈值中的单独区域;图4中遥感影像经过子步骤2后得到的遥感影像为图5中所示,其中蓝色区域为得到的池塘识别结果;
子步骤3,筛除形状密度指数(DENSITY)不在大于1.3阈值中的单独区域;图5中遥感影像经过子步骤3后得到的遥感影像为图6中所示,其中黄色区域为得到的池塘识别结果。
根据所述完整的区域年度池塘养殖区空间分布数据,调取宜兴市滆湖南部倒塘期的遥感识别结果,其中2018年1月12日的结果如图7中所示,2018年2月23日的结果如图8中所示,2018年4月8日的结果如图9中所示,2018年6月25日的结果如图10中所示,2018年7月19日的结果如图11中所示,2018年9月24日的结果如图12中所示,2018年10月6日的结果如图13中所示,2018年11月23日的结果如图14中所示,2018年12月18日的结果如图15中所示,图中黄色边界内的单独区域即为处于倒塘期的池塘。再调取宜兴市滆湖南部池塘实际倒塘记录,通过比较可知图7至图15中的结果准确,无误选和漏选。
选择宜兴市2018年3号池塘点位,该3号池塘点位如图7中原点位置所示,调取其9个时相的年度光谱曲线,如图16中所示,横坐标为时相序号,纵坐标显示NDWI值;该图表明第9个时相即12月的时相的纵坐标值大于0.45,该池塘在该时相处于倒塘期。
对比例1
调取2018年1月12日宜兴市滆湖南部区域的米级分辨率的GF-1卫星遥感影像,对遥感影像都进行多尺度分割处理;
其中,所述多尺度分割过程中,基于形状shape参数取值为0.7、紧致度参数取值为0.6、斑块尺度参数取值为300;得到的多个单独区域如图17中所示;
再调取2018年1月12日宜兴市滆湖南部区域的实际鱼塘分布数据,经比对发现图17中的分割不够准确,存在池塘区域未被分割为单独区域的情况。
对比例2
调取2018年1月12日宜兴市滆湖南部区域的米级分辨率的GF-1卫星遥感影像,对遥感影像都进行多尺度分割和剔除非池塘对象处理;
其中,所述多尺度分割过程中,基于形状shape参数取值为0.8、紧致度参数取值为0.5、斑块尺度参数取值为200;得到的图像如图3中所示。
所述剔除非池塘对象处理过程包括如下子步骤:
子步骤1,筛除归一化植被指数(NDVI)特征参数不在大于-1.5且小于0.1阈值中的单独区域;图3中遥感影像经过子步骤1后得到的遥感影像为图18中所示,其中红色区域为得到的池塘识别结果;
子步骤2,筛除近红外光谱均值特征参数不在150且小于700阈值中的单独区域;图18中遥感影像经过子步骤2后得到的遥感影像为图19中所示,其中蓝色区域为得到的池塘识别结果;
子步骤3,筛除形状密度指数(DENSITY)不在大于1.2阈值中的单独区域;图19中遥感影像经过子步骤2后得到的遥感影像为图20中所示,其中黄色区域为得到的池塘识别结果。
与图6进行比对,经比对发现表示池塘识别结果的黄色区域与实际池塘划分结果之间不完全一致。追溯分析子步骤2获得的蓝色区域和子步骤1获得的红色区域,发现二者均存在误判和漏判。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (6)
1.一种快速的池塘养殖面源污染源遥感识别方法,其特征在于,
该方法包括如下步骤:
步骤1,调取监测区域的米级分辨率的多源卫星遥感数据;
步骤2,对所述多源卫星遥感数据做多尺度分割,获得多个单独区域;
步骤3,基于关键对象参数,逐步剔除所述多个单独区域中的非池塘对象;
步骤4,重复步骤1、步骤2和步骤3,调取监测区域的同年份多时相的多源卫星遥感数据,将获得结果取并集,从而得到完整的区域年度池塘养殖区空间分布数据;
在所述步骤2中,基于形状shape参数、紧致度参数和斑块尺度参数对所述多源卫星遥感数据做多尺度分割;
所述形状shape参数的取值为0.5-1,
所述紧致度参数的取值为0.4-0.8,
所述斑块尺度参数scal e的取值为150-220;
所述步骤3包括如下子步骤,
子步骤1,通过建立归一化植被指数特征参数对所述单独区域做初步识别筛除;
子步骤2,利用近红外光谱均值特征参数对所述单独区域做进一步识别筛除;
子步骤3,通过形状密度指数对所述单独区域做最终识别筛除;
在子步骤1中,筛除归一化植被指数特征参数不在设定阈值中的单独区域;
所述归一化植被指数特征参数的设定阈值为大于-5且小于0.1;
在子步骤2中,筛除近红外光谱均值特征参数不在设定阈值中的单独区域;
所述近红外光谱均值特征参数的设定阈值为大于180且小于800;
在子步骤3中,筛除形状密度指数不在设定阈值中的单独区域;
所述形状密度指数的设定阈值为大于1.5。
2.根据权利要求1所述的快速的池塘养殖面源污染源遥感识别方法,其特征在于,
所述归一化植被指数特征参数的设定阈值为大于-2且小于0.07。
3.根据权利要求1所述的快速的池塘养殖面源污染源遥感识别方法,其特征在于,
所述近红外光谱均值特征参数的设定阈值为大于200且小于770。
4.根据权利要求1所述的快速的池塘养殖面源污染源遥感识别方法,其特征在于,
所述形状密度指数的设定阈值为大于1.3。
5.根据权利要求1所述的快速的池塘养殖面源污染源遥感识别方法,其特征在于,
该方法还包括步骤5,对所述区域年度池塘养殖区空间分布数据做空间统计分析,获取每个池塘多时相归一化水体指数NDW I数据;根据每个池塘的时序光谱曲线,建立区域年度光谱曲线库。
6.根据权利要求5所述的快速的池塘养殖面源污染源遥感识别方法,其特征在于,
所述归一化水体指数通过下式(一)获得:
NDWI=(Green-NIR)/(Green+NIR)(一)其中,NDW I表示归一化水体指数;
Green表示可见光绿光波段反射率;
NI R表示近红外波段反射率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036720.2A CN116091927B (zh) | 2023-01-09 | 2023-01-09 | 一种快速的池塘养殖面源污染源遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036720.2A CN116091927B (zh) | 2023-01-09 | 2023-01-09 | 一种快速的池塘养殖面源污染源遥感识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091927A CN116091927A (zh) | 2023-05-09 |
CN116091927B true CN116091927B (zh) | 2023-09-26 |
Family
ID=86200490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310036720.2A Active CN116091927B (zh) | 2023-01-09 | 2023-01-09 | 一种快速的池塘养殖面源污染源遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091927B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN112560585A (zh) * | 2020-11-27 | 2021-03-26 | 中国科学院东北地理与农业生态研究所 | 一种基于AWEInsh与MNDWI指数相结合的养殖池塘信息提取方法 |
CN114565853A (zh) * | 2022-03-22 | 2022-05-31 | 福州大学 | 光谱特征和空间卷积协同下的近岸海域养殖塘区提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8463458B2 (en) * | 2009-09-03 | 2013-06-11 | Johnson Outdoors Marine Electronics, Inc. | Depth highlight, depth highlight range, and water level offset highlight display and systems |
-
2023
- 2023-01-09 CN CN202310036720.2A patent/CN116091927B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN112560585A (zh) * | 2020-11-27 | 2021-03-26 | 中国科学院东北地理与农业生态研究所 | 一种基于AWEInsh与MNDWI指数相结合的养殖池塘信息提取方法 |
CN114565853A (zh) * | 2022-03-22 | 2022-05-31 | 福州大学 | 光谱特征和空间卷积协同下的近岸海域养殖塘区提取方法 |
Non-Patent Citations (2)
Title |
---|
Effects of Plot Size, Stand Density and Scan Density on the Relationship between Airborne Laser Scanning Metrics and the Gini Coefficient of Tree Size Inequality;Syed Adnan;《ResearchGate》;1-49 * |
全域土地综合整治项目生态修复效果评估体系初步构建;仪小梅;《上海国土资源》;86-104 * |
Also Published As
Publication number | Publication date |
---|---|
CN116091927A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing | |
CN107341795B (zh) | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 | |
CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
Yang et al. | Detecting and mapping tree crowns based on convolutional neural network and Google Earth images | |
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 | |
CN108830877A (zh) | 岩心体视显微图像定量描述方法 | |
CN107504923B (zh) | 一种综合遥感影像和延绳信息的海带养殖面积监测方法 | |
CN111582194A (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
CN111881816A (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
Zeng et al. | A phenology-based vegetation index classification (PVC) algorithm for coastal salt marshes using Landsat 8 images | |
CN114241321A (zh) | 高分遥感图像平顶建筑快速精准识别方法 | |
Wang et al. | Color-and texture-based image segmentation for improved forest delineation | |
Baraldi et al. | Operational performance of an automatic preliminary spectral rule-based decision-tree classifier of spaceborne very high resolution optical images | |
CN115761493A (zh) | 一种基于组合水体指数频率的水体提取方法 | |
Chang et al. | An object-oriented analysis for characterizing the rainfall-induced shallow landslide | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
CN116091927B (zh) | 一种快速的池塘养殖面源污染源遥感识别方法 | |
Yadav et al. | Urban tree canopy detection using object-based image analysis for very high resolution satellite images: A literature review | |
Sari et al. | Effect of Feature Engineering Technique for Determining Vegetation Density | |
Yin et al. | U-Net-STN: A Novel End-to-End Lake Boundary Prediction Model. Land 2023, 12, 1602 | |
CN116189005A (zh) | 基于Landsat影像的富营养化湖泊水生植被和藻华自动提取方法 | |
Liu et al. | Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices |
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 |