一种沿海城市时间序列土地利用信息提取方法技术

本发明专利技术公开一种沿海城市时间序列土地利用信息提取方法，包括如下步骤：采集遥感影像Landsat进行大气校正，选取一组遥感分类特征构建遥感分类特征指数数据库；采集数字高程影像DEM数据，得到高程数据和坡度数据；基于多特征的决策树模型，根据沿海城市不同土地利用类型构建单分类特征指数或多分类特征指数的决策规则，并依据规则进行沿海城市土地利用逐级分类，最终确定决策树的各个分支；时间序列遥感影像变化检测，区分误分和漏分地类；包括两部分内容：进行分类精度的评价；输出基于决策树模型提取的土地利用分类图。此种方法可大大提高沿海城市土地利用分类精度，解决沿海城市土地利用分类中的关键问题。

Land use information extraction method for coastal city time series

The invention discloses a coastal city time series land use information extraction method, which comprises the following steps: collecting the Landsat atmospheric correction of remote sensing image, select a group of remote sensing classification characteristics of remote sensing classification feature index database; digital elevation data acquisition of DEM image, get the elevation data and slope data; decision tree model based on multi features, according to the decision the rules of the coastal city of different land use types to construct single feature index classification or classification index, and according to the rules of the coastal city land use level classification, and ultimately determine the various branches of the decision tree; time series remote sensing image change detection, distinguish false and missed pixelssegmented types; including two parts: evaluation of classification accuracy output; land use classification map extraction based on decision tree model. This method can greatly improve the classification accuracy of land use in coastal cities and solve the key problems in the classification of land use in coastal cities.

【技术实现步骤摘要】
一种沿海城市时间序列土地利用信息提取方法
本专利技术属于图像智能处理
，涉及一种遥感影像信息提取方法，特别涉及一种沿海城市时间序列土地利用信息提取方法。
技术介绍
随着经济的快速发展，城市人口不断膨胀，城市规模不断扩张，城市环境和地表覆被也随之发生巨大变化。实时监测城市发展、掌握城市土地利用信息是进行科学化、合理化城市规划与环境管理的基本要求。当前全球60％左右的人口以及1/3的人口过百万的大城市都分布在沿海地区。我国自北向南拥有18,000km的狭长海岸线，在包括渤海经济区、长江三角洲经济区和珠江三角洲经济区等在内的海岸带区域内，集中了全国70％以上的大城市、50％左右的人口和55％的国民收入。与此同时，由于快速城市化发展所带来的人口、环境、经济问题在沿海城市也尤为突显。因此，无论是从世界范围，还是中国范围，沿海城市已然成为热点研究区域，准确、快速地获取沿海城市土地利用类型及其空间动态分布对于解决城市环境与社会经济问题等方面均有重要意义。遥感影像分类是城市土地利用信息提取的重要环节。目前一系列的遥感影像分类法，包括监督分类法和非监督分类法等传统分类法，也包括神经网络分类、支持向量机、专家系统分类法和遗传算法等智能算法。但受“同物异谱，同谱异物”和地物空间结构的复杂性影响，传统分类方法并不能很好地处理线性不可分的地物，其分类精度不高，往往难以达到分类要求，而多数智能分类法虽能有效提高分类精度，但其算法往往过于复杂，不易于理解与操作。因此，如何综合多种分类方法的优点，探索利用中等分辨率影像解决多类别图像的分类特征识别并满足一定的精度，尚需深入研究。近年来，基于知识的决策树分类方法在遥感影像分类中应用广泛。它是一种空间数据发掘的多步骤分类方法，可以方便地融合其它多种方法分层提取信息，减少每次分类所需识别的类别数，从而消除多类间的相互影响，有效提高各地物的提取精度，具有无法取代的优势。但是目前建立的决策树分类，多数直接对原始影像光谱特征进行阈值分割或稍加之GIS的辅助信息，过于单一，没有充分挖掘影像光谱特征和地理信息特征，而且决策树的决策规则的确定过多通过人工选择，缺乏自动选择特征及优化决策树的措施。如果能选取一组具有代表性的分类特征并能稳定地用于不同城市土地利用类别之间的判断，则决策树分类方法的鲁棒性和普适性就有可能得以极大提高。因此，分类特征的选取对于优化决策树至关重要。分类特征就是从众多的分类数据中选取能够表征地物类型特征的一组参与遥感分类运算的数据，既可以是遥感特征信息，也可以是非遥感特征信息如高程和气温等因子。目前常用的分类特征指数包括表征植被生长状况信息的归一化植被指数(NDVI)和修正的土壤调节植被指数(SAVI)，表征水体的归一化水体指数(NDWI)和修正的归一化水体指数(MNDWI)，表征建筑物特征的归一化建筑指数(NDBI)，表征裸地的归一化裸地指数(NDBaI)等。除此以外，对于难以区分的平原和山地植被类型则可选择高程影像数据获取高程信息作为分类特征。分类特征指数的构建为部分地物信息提取提供了一个快速、便捷、有效的途径，它使得目标地物在所生成的指数影像上得到了最大的亮度增强，而其他背景地物受到普遍抑制，从而达到突出目标地物的目的。但是分类特征指数在提取地物信息时仍不可避免的要用到阈值分割，且同一目标地物受季相、地域等影响，其分割阈值可能不唯一，所提取的目标地物信息中往往掺杂其他地物信息噪声。沿海城市土地利用分类中，植被阴影与水体、滩涂湿地与裸地以及建设用地与滩涂湿地两两之间的光谱特征接近，因此，直接利用单一的分类特征指数难以有效区分地物类别。
技术实现思路
本专利技术的目的，在于提供一种沿海城市时间序列土地利用信息提取方法，其具有一定的通用性，其中的许多决策规则参数比较稳定，避免了仅仅采用原始影像光谱特征导致的分类特征过于单一，且需要不断的人工调整确定决策规则的缺陷，可大大提高沿海城市土地利用分类精度，解决沿海城市土地利用分类中的关键问题。为了达成上述目的，本专利技术的解决方案是：一种沿海城市时间序列土地利用信息提取方法，包括如下步骤：步骤1，采集遥感影像Landsat进行大气校正，将原始像元的灰度值转换为地表像元反射值；同时采集数字高程影像DEM数据，得到高程数据和坡度数据；步骤2，在对遥感影像进行大气校正的基础上，根据沿海城市土地利用类型具体的划分情况，选取一组遥感分类特征并进行计算，构建遥感分类特征指数数据库；步骤3，基于多特征的决策树模型，通过分类特征指数以及由DEM数据所得的高程数据和坡度数据，根据沿海城市不同土地利用类型构建单分类特征指数或多分类特征指数的决策规则，并依据规则进行沿海城市土地利用逐级分类，最终确定决策树的各个分支；步骤4，时间序列遥感影像变化检测，区分误分和漏分地类；步骤5，进行分类精度的评价；步骤6，输出遥感影像中决策树模型提取的土地利用分类图。上述步骤1中，采集遥感影像Landsat进行大气校正，将原始像元的灰度值转换为地表像元反射值的具体过程是：(11)根据遥感器的增益与偏移进行遥感器定标；(12)将遥感器的光谱辐射值转换为遥感器的相对反射值；(13)大气纠正，消除因大气吸收和散射造成的大气影响，根据下式计算地球表面像元相对反射率：Lsat＝Gain·DN+Bias其中，Lsat为传感器所接收的辐射能量，Gain为增益，DN为像元值，Bias为偏移；ρ为遥感影像经过大气体校正的地表反射率，π为常量，Lhaze为大气层辐射值，ESUN为大气顶层的太阳平均光谱辐照度；θ为太阳天顶角与太阳高度角互余；D为日地天文单位距离。上述步骤2中，遥感分类特征包括土壤调节植被指数SAVI、归一化水体指数NDWI、归一化裸地指数NDBaI、修正的归一化裸地指数MNDBaI以及缨帽变换的亮度指数BI和湿度指数WI：SAVI＝(ρNIR-ρRed)(1+l)/(ρNIR+ρRed+l)其中，ρNIR为遥感影像近红外波段经过大气体校正的地表反射率，ρRed为遥感影像红光波段经过大气体校正的地表反射率；l为土壤调节因子，其值介于0-1之间，0和1分别代表植被覆盖率极高和极低的两种极端情况；NDWI＝(ρGruun-ρNIR)/(ρGruun+ρNIR)其中，ρGruun为遥感影像绿光波段经过大气体校正的地表反射率；NDBaI＝(dSWRI1-dTIR)/(dSWRI1+dTIR)其中，d为未经过大气体校正的原始影像值，下标SWIR和TIR分别为短波红外波段和热红外波段；MNDBaI＝(ρRed-ρBlue)/(ρRed+ρBlue)其中，ρRed为遥感影像红光波段经过大气体校正的地表反射率，ρBlue为遥感影像蓝光波段经过大气体校正的地表反射率；BITM＝0.2043ρBlue+0.4158ρGreen+0.5524ρRed+0.5741ρNIR+0.3124ρSWIR1+0.2303ρSWIR2WITM＝0.0315ρBlue+0.2021ρGreen+0.3102ρRed+0.1594ρNIR-0.6806ρSWIR1-0.6109ρSWIR2其中，BITM、WITM分别为Landsat5TM的缨帽变换的亮度指数和湿度指数，ρ为遥感影像经过大气体校正的地表反射率，下标Bl本文档来自技高网...

【技术保护点】
一种沿海城市时间序列土地利用信息提取方法，其特征在于包括如下步骤：步骤1，采集遥感影像Landsat进行大气校正，将原始像元的灰度值转换为地表像元反射值；同时采集数字高程影像DEM数据，得到高程数据和坡度数据；步骤2，在对遥感影像进行大气校正的基础上，根据沿海城市土地利用类型具体的划分情况，选取一组遥感分类特征并进行计算，构建遥感分类特征指数数据库；步骤3，基于多特征的决策树模型，通过分类特征指数以及由DEM数据所得的高程数据和坡度数据，根据沿海城市不同土地利用类型构建单分类特征指数或多分类特征指数的决策规则，并依据规则进行沿海城市土地利用逐级分类，最终确定决策树的各个分支；步骤4，时间序列遥感影像变化检测，区分误分和漏分地类；步骤5，进行分类精度的评价；步骤6，输出遥感影像中决策树模型提取的土地利用分类图。

【技术特征摘要】
1.一种沿海城市时间序列土地利用信息提取方法，其特征在于包括如下步骤：步骤1，采集遥感影像Landsat进行大气校正，将原始像元的灰度值转换为地表像元反射值；同时采集数字高程影像DEM数据，得到高程数据和坡度数据；步骤2，在对遥感影像进行大气校正的基础上，根据沿海城市土地利用类型具体的划分情况，选取一组遥感分类特征并进行计算，构建遥感分类特征指数数据库；步骤3，基于多特征的决策树模型，通过分类特征指数以及由DEM数据所得的高程数据和坡度数据，根据沿海城市不同土地利用类型构建单分类特征指数或多分类特征指数的决策规则，并依据规则进行沿海城市土地利用逐级分类，最终确定决策树的各个分支；步骤4，时间序列遥感影像变化检测，区分误分和漏分地类；步骤5，进行分类精度的评价；步骤6，输出遥感影像中决策树模型提取的土地利用分类图。2.如权利要求1所述的一种沿海城市时间序列土地利用信息提取方法，其特征在于：所述步骤1中，采集遥感影像Landsat进行大气校正，将原始像元的灰度值转换为地表像元反射值的具体过程是：(11)根据遥感器的增益与偏移进行遥感器定标；(12)将遥感器的光谱辐射值转换为遥感器的相对反射值；(13)大气纠正，消除因大气吸收和散射造成的大气影响，根据下式计算地球表面像元相对反射率：Lsat＝Gain·DN+Bias其中，Lsat为传感器所接收的辐射能量，Gain为增益，DN为像元值，Bias为偏移；ρ为遥感影像经过大气体校正的地表反射率，π为常量，Lhaze为大气层辐射值，ESUN为大气顶层的太阳平均光谱辐照度；θ为太阳天顶角与太阳高度角互余；D为日地天文单位距离。3.如权利要求1所述的一种沿海城市时间序列土地利用信息提取方法，其特征在于：所述步骤2中，遥感分类特征包括土壤调节植被指数SAVI、归一化水体指数NDWI、归一化裸地指数NDBaI、修正的归一化裸地指数MNDBaI以及缨帽变换的亮度指数BI和湿度指数WI：SAVI＝(ρNIR-ρRed)(1+l)/(ρNIR+ρRed+l)其中，ρNIR为遥感影像近红外波段经过大气体校正的地表反射率，ρRed为遥感影像红光波段经过大气体校正的地表反射率；l为土壤调节因子，其值介于0-1之间，0和1分别代表植被覆盖率极高和极低的两种极端情况；NDWI＝(ρGruun-ρNIR)/(ρGruun+ρNIR)其中，ρGruun为遥感影像绿光波段经过大气体校正的地表反射率；NDBaI＝(dSWRI1-dTIR)/(dSWRI1+dTIR)其中，d为未经过大气体校正的原始影像值，下标SWIR和TIR分别为短波红外波段和热红外波段；MNDBaI＝(ρRed-ρBlue)/(ρRed+ρBlue)其中，ρRed为遥感影像红光波段经过大气体校正的地表反射率，ρBlue为遥感影像蓝光波段经过大气体校正的地表反射率；BITM＝0.2043ρBlue+0.4158ρGreen+0.5524ρRed+0.5741ρNIR+0.3124ρSWIR1+0.2303ρSWIR2WITM＝0.0315ρBlue+0.2021ρGreen+0.3102ρRed+0.1594ρNIR-0.6806ρSWIR1-0.6109ρSWIR2其中，BITM、WITM分别为Landsat5TM的缨帽变换的亮度指数和湿度指数，ρ为遥感影像经过大气体校正的地表反射率，下标Blue、Green、Red、NIR、SWIR1及SWIR2分别对应Landsat5TM的蓝光、绿光、红光、近红外、短波红外1和短波红外2波段；BIOLI＝0.3029ρBlue+0.2786ρGreen+0.4733ρRed+0.5599ρNIR+0.508ρSWIR1+0.1872ρSWIR2WIOLI＝0.1511ρBlue+0.1973ρGreen+0.3283ρ...

【专利技术属性】
技术研发人员：花利忠，章欣欣，陈曦，邓富亮，栾海军，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：福建,35