CN116310842A - 基于遥感图像的土壤盐碱区域识别划分方法 - Google Patents

基于遥感图像的土壤盐碱区域识别划分方法 Download PDF

Info

Publication number
CN116310842A
CN116310842A CN202310542867.9A CN202310542867A CN116310842A CN 116310842 A CN116310842 A CN 116310842A CN 202310542867 A CN202310542867 A CN 202310542867A CN 116310842 A CN116310842 A CN 116310842A
Authority
CN
China
Prior art keywords
soil
saline
alkali
image
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.)
Granted
Application number
CN202310542867.9A
Other languages
English (en)
Other versions
CN116310842B (zh
Inventor
张东印
司建涛
郭梅
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.)
Heze City Land Comprehensive Improvement Service Center
Original Assignee
Heze City Land Comprehensive Improvement Service Center
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 Heze City Land Comprehensive Improvement Service Center filed Critical Heze City Land Comprehensive Improvement Service Center
Priority to CN202310542867.9A priority Critical patent/CN116310842B/zh
Publication of CN116310842A publication Critical patent/CN116310842A/zh
Application granted granted Critical
Publication of CN116310842B publication Critical patent/CN116310842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured 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
    • G06V10/20—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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及图像识别领域，具体公开了基于遥感图像的土壤盐碱区域识别划分方法，包括图像预处理、图像分割、模型建立、区域分类、评估与验证以及可视化结果；本发明通过遥感器获取土壤盐碱地图像，利用区域生长对图像进行划分，再对划分的各个区域进行特征提取，根据提取的特征建立土壤盐碱含量评估模型，利用支持向量机分类器对各区域进行分类，并标注土壤盐碱含量高的区域，结合遥感图像技术有助于提高土壤盐碱区域识别和划分的准确性和效率。

Description

基于遥感图像的土壤盐碱区域识别划分方法
技术领域
本发明涉及图像识别领域，更具体地说，本发明涉及基于遥感图像的土壤盐碱区域识别划分方法。
背景技术
土壤的盐碱化会使其物理和化学性质发生变化，导致土壤中的养分减少而变得坚硬，且降低甚至丧失耕种能力，从而导致作物产量的下降，造成农业土壤的破坏。我国盐碱地分布广泛，面积大，类型多，但是大多数的盐碱地都有令植物再生的可能性，因而对其进行修复和治理是十分必要的。土壤盐碱含量关系到土地能否继续使用，但现有技术没有一个综合的方法利用遥感图像对土壤盐碱含量进行评估，效率低下的同时浪费人力物力。为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明提供基于遥感图像的土壤盐碱区域识别划分方法，是通过遥感器获取土壤盐碱地图像，利用区域生长对图像进行划分，再对划分的各个区域进行特征提取，根据提取的特征建立土壤盐碱含量评估模型，利用支持向量机分类器对各区域进行分类，并标注土壤盐碱含量高的区域，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于遥感图像的土壤盐碱区域识别划分方法，包括如下步骤：
步骤一，图像预处理：通过遥感器获取土壤盐碱地图像，对获取图像进行预处理；
步骤二，图像分割：通过区域生长的图像分割算法将土壤盐碱地图像进行划分，划分为各个土壤盐碱区域；
步骤三，模型建立：对各个区域进行特征提取，提取出土壤盐碱区域的特征，根据提取的特征建立土壤盐碱含量评估模型；
步骤四，区域分类：通过将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，标注土壤盐碱含量高的区域；
步骤五，评估与验证：对土壤盐碱含量评估模型的准确性进行评估，通过对评估结果进行验证；
步骤六，可视化结果：通过热力图对遥感图像中的异常区域进行可视化反馈。
作为本发明的进一步方案，对土壤盐碱地图像进行预处理，预处理包括图像灰度化、图像滤波以及图像增强，其中，对土壤盐碱地图像进行图像灰度化的计算公式为：
Figure SMS_1
；
式中：
Figure SMS_2
为灰度化后的图像，/>
Figure SMS_3
、/>
Figure SMS_4
及/>
Figure SMS_5
分别为输入图像的蓝、绿及红通道；
对土壤盐碱地图像进行图像滤波的计算公式为：
Figure SMS_6
；
式中：
Figure SMS_7
为土壤盐碱地图像滤波结果，/>
Figure SMS_8
为土壤盐碱地图像信息，/>
Figure SMS_9
为土壤盐碱地图像信息的均值，/>
Figure SMS_10
为土壤盐碱地图像信息的方差；
对土壤盐碱地图像进行图像增强的计算公式为：
Figure SMS_11
；
式中：
Figure SMS_12
为增强后的图像，/>
Figure SMS_13
为土壤盐碱地图像滤波后亮度最小值，/>
Figure SMS_14
为土壤盐碱地图像滤波后亮度最大值。
作为本发明的进一步方案，模型建立提取出土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，根据提取的特征建立评估模型评估土壤盐碱含量，土壤盐碱含量评估模型的具体公式为：
Figure SMS_15
；
式中：
Figure SMS_16
为土壤盐碱含量，/>
Figure SMS_17
为光谱指标，/>
Figure SMS_18
为地貌指标，/>
Figure SMS_19
为水资源分布指标。
在进行光谱指标评估时，各项评估指标存在以下的数值变化规则：
情况一：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，辐射传递速率和标准辐射传递速率差值的绝对值较大时，光谱指标数值较大，辐射传递速率和标准辐射传递速率差值的绝对值较小时，光谱指标数值较小；
情况二：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，吸收峰强度和标准吸收峰强度差值的绝对值较小时，光谱指标数值较大，辐射传递速率和标准辐射传递速率差值的绝对值较大时，光谱指标数值较小；
情况三：辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值较小时，光谱指标数值较大，光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值较大时，光谱指标数值较小；
情况四：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内，反射率和标准反射率差值的绝对值较小时，光谱指标数值较大，反射率和标准反射率差值的绝对值较大时，光谱指标数值较小。
作为本发明的进一步方案，土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，光谱指标的评估因子包括光谱峰值偏移指标、吸收峰强度、反射率以及辐射传递速率，地貌指标的评估因子包括凹陷参数、陡坡参数以及沟壑参数，其中，光谱指标与光谱峰值偏移指标负相关，与吸收峰强度负相关，与反射率负相关，与辐射传递速率正相关，光谱指标的评估机制为：
Figure SMS_20
；
式中：
Figure SMS_21
为光谱指标，/>
Figure SMS_22
为光谱峰值偏移指标，/>
Figure SMS_23
为吸收峰强度，/>
Figure SMS_24
为反射率，/>
Figure SMS_25
为辐射传递速率；
地貌指标的评估机制为：
Figure SMS_26
；
式中：
Figure SMS_27
为地貌指标，/>
Figure SMS_28
为凹陷参数，/>
Figure SMS_29
为陡坡参数，/>
Figure SMS_30
为沟壑参数。
作为本发明的进一步方案，将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，对土壤盐碱区域的各个特征进行分类的具体步骤为：
步骤S1，将提取的特征包括光谱指标、地貌指标以及水资源分布指标划分为训练集和测试集，其中，训练集用于训练支持向量机分类器，测试集用于评估支持向量机分类器的分类效果；
步骤S2，将训练集输入至支持向量机分类器，通过分类器对提取的特征进行分类；
步骤S3，根据分类结果标注土壤盐碱含量高的区域；
步骤S4，通过训练集训练支持向量机分类器，利用交叉验证的方法对分类器进行调优；
步骤S5，通过测试集计算支持向量机分类器的准确率、召回率以及F1分数评估模型的性能，其中，支持向量机分类器准确率的计算公式为：
Figure SMS_31
；
支持向量机分类器召回率的计算公式为：
Figure SMS_32
；
支持向量机分类器F1分数的计算公式为：
Figure SMS_33
；
式中：
Figure SMS_34
为支持向量机分类器的准确率，/>
Figure SMS_35
为支持向量机分类器的召回率，/>
Figure SMS_36
为支持向量机分类器的F1分数。
作为本发明的进一步方案，评估与验证中对土壤盐碱含量评估模型的准确性进行评估，通过相关系数对土壤盐碱含量评估模型的准确性进行评估，其中，相关系数的计算公式为：
Figure SMS_37
；
式中：
Figure SMS_38
为相关系数，/>
Figure SMS_39
为土壤盐碱区域所提取特征的位置坐标。
作为本发明的进一步方案，评估与验证根据土壤盐碱含量评估模型准确性的评估结果进行验证，验证方法采用均方根误差法，用于验证预测值与真实值之间的符合度，其中，均方根误差值越小，预测值和真实值之间的符合度越好，模型预测结果越准确，均方根误差值的计算公式为：
Figure SMS_40
；
式中：
Figure SMS_41
为均方根误差值，/>
Figure SMS_42
为预测值，/>
Figure SMS_43
为真实值，/>
Figure SMS_44
为验证点，/>
Figure SMS_45
为验证点的总数量。
本发明基于遥感图像的土壤盐碱区域识别划分方法的技术效果和优点：
1.本发明利用遥感图像技术可以实时或周期性地监测土壤盐碱区域的变化情况，及时发现盐碱化程度加重或减轻的区域，为相关部门提供有效的动态信息；
2.本发明基于遥感图像可以覆盖大面积区域，实现土壤盐碱区域的快速监测和识别，对于农业、生态和水资源管理领域具有重要意义；
3.本发明相较于人工监测和现场调查，成本更低，通过遥感图像获取的信息可以减少现场调查的工作量和成本，同时提高监测的时效性和准确性。
附图说明
图1为本发明基于遥感图像的土壤盐碱区域识别划分方法的流程图。
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。
基于遥感图像的土壤盐碱区域识别划分方法，包括如下步骤：
步骤一，图像预处理：通过遥感器获取土壤盐碱地图像，对获取图像进行预处理；
步骤二，图像分割：通过区域生长的图像分割算法将土壤盐碱地图像进行划分，划分为各个土壤盐碱区域；
步骤三，模型建立：对各个区域进行特征提取，提取出土壤盐碱区域的特征，根据提取的特征建立土壤盐碱含量评估模型；
步骤四，区域分类：通过将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，标注土壤盐碱含量高的区域；
步骤五，评估与验证：对土壤盐碱含量评估模型的准确性进行评估，通过对评估结果进行验证；
步骤六，可视化结果：通过热力图对遥感图像中的异常区域进行可视化反馈。
本实施例通过遥感器获取土壤盐碱地图像，利用区域生长对图像进行划分，再对划分的各个区域进行特征提取，根据提取的特征建立土壤盐碱含量评估模型，利用支持向量机分类器对各区域进行分类，并标注土壤盐碱含量高的区域，结合遥感图像技术有助于提高土壤盐碱区域识别和划分的准确性和效率。
本实施例中对土壤盐碱地图像进行预处理，预处理包括图像灰度化、图像滤波以及图像增强，其中，对土壤盐碱地图像进行图像灰度化的计算公式为：
Figure SMS_46
；
式中：
Figure SMS_47
为灰度化后的图像，/>
Figure SMS_48
、/>
Figure SMS_49
及/>
Figure SMS_50
分别为输入图像的蓝、绿及红通道；
对土壤盐碱地图像进行图像滤波的计算公式为：
Figure SMS_51
；
式中：
Figure SMS_52
为土壤盐碱地图像滤波结果，/>
Figure SMS_53
为土壤盐碱地图像信息，/>
Figure SMS_54
为土壤盐碱地图像信息的均值，/>
Figure SMS_55
为土壤盐碱地图像信息的方差；
对土壤盐碱地图像进行图像增强的计算公式为：
Figure SMS_56
；
式中：
Figure SMS_57
为增强后的图像，/>
Figure SMS_58
为土壤盐碱地图像滤波后亮度最小值，/>
Figure SMS_59
为土壤盐碱地图像滤波后亮度最大值。
本实施例对图像进行预处理，预处理可以改善图像的对比度、清晰度和分辨率，提高图像的可识别性和可用性，便于后续的分析和处理。
本实施例中模型建立提取出土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，根据提取的特征建立评估模型评估土壤盐碱含量，土壤盐碱含量评估模型的具体公式为：
Figure SMS_60
；
式中：
Figure SMS_61
为土壤盐碱含量，/>
Figure SMS_62
为光谱指标，/>
Figure SMS_63
为地貌指标，/>
Figure SMS_64
为水资源分布指标。
在进行光谱指标评估时，各项评估指标存在以下的数值变化规则：
情况一：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，辐射传递速率和标准辐射传递速率差值的绝对值较大时，光谱指标数值较大，辐射传递速率和标准辐射传递速率差值的绝对值较小时，光谱指标数值较小；
情况二：光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值在设定的阈值范围内、辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，吸收峰强度和标准吸收峰强度差值的绝对值较小时，光谱指标数值较大，辐射传递速率和标准辐射传递速率差值的绝对值较大时，光谱指标数值较小；
情况三：辐射传递速率和标准辐射传递速率差值的绝对值在设定的阈值范围内、吸收峰强度和标准吸收峰强度差值的绝对值在设定的阈值范围内、反射率和标准反射率差值的绝对值在设定的阈值范围内，光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值较小时，光谱指标数值较大，光谱峰值偏移指标和标准光谱峰值偏移指标差值的绝对值较大时，光谱指标数值较小。
本实施例中土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，光谱指标的评估因子包括光谱峰值偏移指标、吸收峰强度、反射率以及辐射传递速率，地貌指标的评估因子包括凹陷参数、陡坡参数以及沟壑参数，其中，光谱指标与光谱峰值偏移指标负相关，与吸收峰强度负相关，与反射率负相关，与辐射传递速率正相关，光谱指标的评估机制为：
Figure SMS_65
；
式中：
Figure SMS_66
为光谱指标，/>
Figure SMS_67
为光谱峰值偏移指标，/>
Figure SMS_68
为吸收峰强度，/>
Figure SMS_69
为反射率，/>
Figure SMS_70
为辐射传递速率；
地貌指标的评估机制为：
Figure SMS_71
；
式中：
Figure SMS_72
为地貌指标，/>
Figure SMS_73
为凹陷参数，/>
Figure SMS_74
为陡坡参数，/>
Figure SMS_75
为沟壑参数。
本实施例中将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，对土壤盐碱区域的各个特征进行分类的具体步骤为：
步骤S1，将提取的特征包括光谱指标、地貌指标以及水资源分布指标划分为训练集和测试集，其中，训练集用于训练支持向量机分类器，测试集用于评估支持向量机分类器的分类效果；
步骤S2，将训练集输入至支持向量机分类器，通过分类器对提取的特征进行分类；
步骤S3，根据分类结果标注土壤盐碱含量高的区域；
步骤S4，通过训练集训练支持向量机分类器，利用交叉验证的方法对分类器进行调优；
步骤S5，通过测试集计算支持向量机分类器的准确率、召回率以及F1分数评估模型的性能，其中，支持向量机分类器准确率的计算公式为：
Figure SMS_76
；
支持向量机分类器召回率的计算公式为：
Figure SMS_77
；
支持向量机分类器F1分数的计算公式为：
Figure SMS_78
；
式中：
Figure SMS_79
为支持向量机分类器的准确率，/>
Figure SMS_80
为支持向量机分类器的召回率，/>
Figure SMS_81
为支持向量机分类器的F1分数。
本实施例通过支持向量机分类器标注土壤盐碱含量高的区域，支持向量机分类器在处理数据不平衡问题时具有较好的鲁棒性，它可以在保证分类精度的同时，降低对数据分布的依赖。同时，其在训练集和测试集之间具有较好的泛化能力，有助于提高模型的稳定性和可靠性。
本实施例中评估与验证中对土壤盐碱含量评估模型的准确性进行评估，通过相关系数对土壤盐碱含量评估模型的准确性进行评估，其中，相关系数的计算公式为：
Figure SMS_82
；
式中：
Figure SMS_83
为相关系数，/>
Figure SMS_84
为土壤盐碱区域所提取特征的位置坐标。
本实施例中评估与验证根据土壤盐碱含量评估模型准确性的评估结果进行验证，验证方法采用均方根误差法，用于验证预测值与真实值之间的符合度，其中，均方根误差值越小，预测值和真实值之间的符合度越好，模型预测结果越准确，均方根误差值的计算公式为：
Figure SMS_85
；
式中：
Figure SMS_86
为均方根误差值，/>
Figure SMS_87
为预测值，/>
Figure SMS_88
为真实值，/>
Figure SMS_89
为验证点，/>
Figure SMS_90
为验证点的总数量。
综上所述，本发明提出了基于遥感图像的土壤盐碱区域识别划分方法，通过遥感器获取土壤盐碱地图像，利用区域生长对图像进行划分，再对划分的各个区域进行特征提取，根据提取的特征建立土壤盐碱含量评估模型，利用支持向量机分类器对各区域进行分类，并标注土壤盐碱含量高的区域，结合遥感图像技术有助于提高土壤盐碱区域识别和划分的准确性和效率，并且节省了人力物力。基于遥感图像技术可以实时且周期性地监测土壤盐碱区域的变化情况，及时发现盐碱化程度加重或减轻的区域，为相关部门提供有效的动态信息。且遥感图像可以迅速覆盖大面积区域，实现土壤盐碱区域的快速监测和识别。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，包括如下步骤：
步骤一，图像预处理：通过遥感器获取土壤盐碱地图像，对获取图像进行预处理；
步骤二，图像分割：通过区域生长的图像分割算法将土壤盐碱地图像进行划分，划分为各个土壤盐碱区域；
步骤三，模型建立：对各个区域进行特征提取，提取出土壤盐碱区域的特征，根据提取的特征建立土壤盐碱含量评估模型；土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，光谱指标的评估因子包括光谱峰值偏移指标、吸收峰强度、反射率以及辐射传递速率，地貌指标的评估因子包括凹陷参数、陡坡参数以及沟壑参数，光谱指标的评估机制为：
Figure QLYQS_1
；
式中：
Figure QLYQS_2
为光谱指标，/>
Figure QLYQS_3
为光谱峰值偏移指标，/>
Figure QLYQS_4
为吸收峰强度，/>
Figure QLYQS_5
为反射率，/>
Figure QLYQS_6
为辐射传递速率；
地貌指标的评估机制为：
Figure QLYQS_7
；
式中：
Figure QLYQS_8
为地貌指标，/>
Figure QLYQS_9
为凹陷参数，/>
Figure QLYQS_10
为陡坡参数，/>
Figure QLYQS_11
为沟壑参数；
步骤四，区域分类：通过将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，标注土壤盐碱含量高的区域；
步骤五，评估与验证：对土壤盐碱含量评估模型的准确性进行评估，通过对评估结果进行验证；
步骤六，可视化结果：通过热力图对遥感图像中的异常区域进行可视化反馈。
2.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，对土壤盐碱地图像进行预处理，预处理包括图像灰度化、图像滤波以及图像增强，其中，对土壤盐碱地图像进行图像灰度化的计算公式为：
Figure QLYQS_12
；
式中：
Figure QLYQS_13
为灰度化后的图像，/>
Figure QLYQS_14
、/>
Figure QLYQS_15
及/>
Figure QLYQS_16
分别为输入图像的蓝、绿及红通道；
对土壤盐碱地图像进行图像滤波的计算公式为：
Figure QLYQS_17
；
式中：
Figure QLYQS_18
为土壤盐碱地图像滤波结果，/>
Figure QLYQS_19
为土壤盐碱地图像信息，/>
Figure QLYQS_20
为土壤盐碱地图像信息的均值，/>
Figure QLYQS_21
为土壤盐碱地图像信息的方差；
对土壤盐碱地图像进行图像增强的计算公式为：
Figure QLYQS_22
；
式中：
Figure QLYQS_23
为增强后的图像，/>
Figure QLYQS_24
为土壤盐碱地图像滤波后亮度最小值，/>
Figure QLYQS_25
为土壤盐碱地图像滤波后亮度最大值。
3.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，模型建立提取出土壤盐碱区域的特征包括光谱指标、地貌指标以及水资源分布指标，根据提取的特征建立评估模型评估土壤盐碱含量，土壤盐碱含量评估模型的具体公式为：
Figure QLYQS_26
；
式中：
Figure QLYQS_27
为土壤盐碱含量，/>
Figure QLYQS_28
为光谱指标，/>
Figure QLYQS_29
为地貌指标，/>
Figure QLYQS_30
为水资源分布指标。
4.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，将土壤盐碱区域的各个特征输入至支持向量机分类器中进行分类，对土壤盐碱区域的各个特征进行分类的具体步骤为：
步骤S1，将提取的特征包括光谱指标、地貌指标以及水资源分布指标划分为训练集和测试集，其中，训练集用于训练支持向量机分类器，测试集用于评估支持向量机分类器的分类效果；
步骤S2，将训练集输入至支持向量机分类器，通过分类器对提取的特征进行分类；
步骤S3，根据分类结果标注土壤盐碱含量高的区域；
步骤S4，通过训练集训练支持向量机分类器，利用交叉验证的方法对分类器进行调优；
步骤S5，通过测试集计算支持向量机分类器的准确率、召回率以及F1分数评估模型的性能，其中，支持向量机分类器准确率的计算公式为：
Figure QLYQS_31
；
支持向量机分类器召回率的计算公式为：
Figure QLYQS_32
；
支持向量机分类器F1分数的计算公式为：
Figure QLYQS_33
；
式中：
Figure QLYQS_34
为支持向量机分类器的准确率，/>
Figure QLYQS_35
为支持向量机分类器的召回率，/>
Figure QLYQS_36
为支持向量机分类器的F1分数。
5.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，评估与验证中对土壤盐碱含量评估模型的准确性进行评估，通过相关系数对土壤盐碱含量评估模型的准确性进行评估，其中，相关系数的计算公式为：
Figure QLYQS_37
；
式中：
Figure QLYQS_38
为相关系数，/>
Figure QLYQS_39
为土壤盐碱区域所提取特征的位置坐标。
6.根据权利要求1所述的基于遥感图像的土壤盐碱区域识别划分方法，其特征在于，评估与验证根据土壤盐碱含量评估模型准确性的评估结果进行验证，验证方法采用均方根误差法，用于验证预测值与真实值之间的符合度，其中，均方根误差值越小，预测值和真实值之间的符合度越好，模型预测结果越准确，均方根误差值的计算公式为：
Figure QLYQS_40
；
式中：
Figure QLYQS_41
为均方根误差值，/>
Figure QLYQS_42
为预测值，/>
Figure QLYQS_43
为真实值，/>
Figure QLYQS_44
为验证点，/>
Figure QLYQS_45
为验证点的总数量。
CN202310542867.9A 2023-05-15 2023-05-15 基于遥感图像的土壤盐碱区域识别划分方法 Active CN116310842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310542867.9A CN116310842B (zh) 2023-05-15 2023-05-15 基于遥感图像的土壤盐碱区域识别划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310542867.9A CN116310842B (zh) 2023-05-15 2023-05-15 基于遥感图像的土壤盐碱区域识别划分方法

Publications (2)

Publication Number Publication Date
CN116310842A true CN116310842A (zh) 2023-06-23
CN116310842B CN116310842B (zh) 2023-08-04

Family

ID=86789034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310542867.9A Active CN116310842B (zh) 2023-05-15 2023-05-15 基于遥感图像的土壤盐碱区域识别划分方法

Country Status (1)

Country Link
CN (1) CN116310842B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703181A (zh) * 2023-07-31 2023-09-05 中国科学院东北地理与农业生态研究所 一种盐碱地的改良方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106769974A (zh) * 2016-11-23 2017-05-31 合肥金星机电科技发展有限公司 气体浓度二维分布在线检测***及方法
AU2020102098A4 (en) * 2020-09-02 2020-10-08 Gautam, Deepesh Kumar MR Soil salinity degradation estimation by regression algorithm using agricultural internet of things
CN112949038A (zh) * 2021-02-01 2021-06-11 南京信息工程大学 一种计算海洋水体不同浮游植物种群比吸收系数的方法
CN113011372A (zh) * 2021-04-01 2021-06-22 清华大学 一种盐碱化土地自动监测和识别方法
CN113016553A (zh) * 2021-03-16 2021-06-25 郭丁琦 一种沿黄陡坡困难立地高质量综合造林方法
CN113125383A (zh) * 2021-04-19 2021-07-16 遥相科技发展(北京)有限公司 基于遥感的农耕用地次生盐渍化监测和预警方法和***
WO2022038623A1 (en) * 2020-08-20 2022-02-24 Shoba Periasamy System and method for remote quantification of electrical conductivity of soil
CN114993965A (zh) * 2022-05-13 2022-09-02 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及***
WO2022198744A1 (zh) * 2021-03-23 2022-09-29 平安科技（深圳）有限公司 农业险情数据评估方法、装置、计算机设备及存储介质
CN115147746A (zh) * 2022-09-02 2022-10-04 广东容祺智能科技有限公司 基于无人机遥感图像的盐碱地质识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106769974A (zh) * 2016-11-23 2017-05-31 合肥金星机电科技发展有限公司 气体浓度二维分布在线检测***及方法
WO2022038623A1 (en) * 2020-08-20 2022-02-24 Shoba Periasamy System and method for remote quantification of electrical conductivity of soil
AU2020102098A4 (en) * 2020-09-02 2020-10-08 Gautam, Deepesh Kumar MR Soil salinity degradation estimation by regression algorithm using agricultural internet of things
CN112949038A (zh) * 2021-02-01 2021-06-11 南京信息工程大学 一种计算海洋水体不同浮游植物种群比吸收系数的方法
CN113016553A (zh) * 2021-03-16 2021-06-25 郭丁琦 一种沿黄陡坡困难立地高质量综合造林方法
WO2022198744A1 (zh) * 2021-03-23 2022-09-29 平安科技（深圳）有限公司 农业险情数据评估方法、装置、计算机设备及存储介质
CN113011372A (zh) * 2021-04-01 2021-06-22 清华大学 一种盐碱化土地自动监测和识别方法
CN113125383A (zh) * 2021-04-19 2021-07-16 遥相科技发展(北京)有限公司 基于遥感的农耕用地次生盐渍化监测和预警方法和***
CN114993965A (zh) * 2022-05-13 2022-09-02 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及***
CN115147746A (zh) * 2022-09-02 2022-10-04 广东容祺智能科技有限公司 基于无人机遥感图像的盐碱地质识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
QING DING等: "Land Cover Classification by using of Multi-source Remote Sensing Image based on ELM", 《2019 SAR IN BIG DATA ERA (BIGSARDATA)》, pages 1 - 4 *
司建涛等: "汽车钻施工取样方法在坦桑尼亚恩泽加绿岩带寻找隐伏金矿床中的应用研究", 《中国矿业》, pages 1 - 10 *
程诗念等: "支持向量机的盐碱土壤Philip入渗模型参数预测研究", 《节水灌溉》, no. 9, pages 47 - 50 *
马驰;: "基于GF-1遥感图像土壤含盐量反演研究", 《中国农村水利水电》, no. 05, pages 5 - 8 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703181A (zh) * 2023-07-31 2023-09-05 中国科学院东北地理与农业生态研究所 一种盐碱地的改良方法
CN116703181B (zh) * 2023-07-31 2023-10-24 中国科学院东北地理与农业生态研究所 一种盐碱地的改良方法

Also Published As

Publication number Publication date
CN116310842B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN110765941B (zh) 一种基于高分遥感影像的海水污染区域识别方法和设备
CN112101159B (zh) 多时相林业遥感影像变化监测方法
CN105825169B (zh) 一种基于道路影像的路面裂缝识别方法
CN114998852A (zh) 一种基于深度学习的公路路面病害智能检测方法
CN116310842B (zh) 基于遥感图像的土壤盐碱区域识别划分方法
CN111896540B (zh) 一种基于区块链的水质在线监测***
CN103034838A (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN101738998B (zh) 一种基于局部判别分析的工业过程监测***及方法
CN111879915B (zh) 一种滨海湿地高分辨率的逐月土壤盐度监测方法及***
CN102521624A (zh) 一种土地利用类型分类的方法和***
CN103278616A (zh) 一种土壤腐蚀性快速评价的多因子方法
CN114581764B (zh) 基于深度学习算法的地下结构裂纹病害判别方法
CN113049509B (zh) 一种基于光谱技术的农产品检测管理***
Ji et al. In-field automatic detection of maize tassels using computer vision
CN110705449A (zh) 一种土地利用变化遥感监测分析方法
Kamal et al. Comparison of Google Earth Engine (GEE)-based machine learning classifiers for mangrove mapping
Yang et al. A rapid rice blast detection and identification method based on crop disease spores' diffraction fingerprint texture
CN117171533B (zh) 一种地理测绘作业数据实时采集处理方法及***
CN112966710B (zh) 基于线性判别分析的fy-3d红外高光谱云检测方法
CN110807174B (zh) 一种基于统计分布的污水厂厂群出水分析及异常识别方法
CN112036410B (zh) 基于深度学习和图像梯度的电力设备红外图像分割方法
CN110751398B (zh) 一种区域生态质量评价方法及装置
Xie et al. Research on recognition methods of pomelo fruit hanging on trees base on machine vision
Wang et al. Study on estimation method of plant leaf area based on image processing technology

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