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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。