一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法技术

发明专利技术公开了一种基于Sentinel

【技术实现步骤摘要】
一种基于Sentinel
‑
2A遥感影像溜砂坡判识与自动提取方法


[0001]本专利技术涉及一种基于Sentinel
‑
2A遥感影像溜砂坡判识与自动提取方法，属于遥感影像目标提取领域。

技术介绍

[0002]溜砂坡是指高陡斜坡在强烈的物理风化作用下形成的砂粒和碎屑，在自重力作用下发生溜动，并在坡脚堆积形成的锥状斜坡。频发的溜砂坡掩埋道路、阻段交通甚至危及生命财产安全，而利用遥感技术对溜砂坡进行判识与提取，获取溜砂坡信息，可以有效解决调查难、救灾难的问题。
[0003]遥感影像中，裸露的溜砂坡与裸岩光谱特征类似，通过目视难以区分，部分溜砂坡覆盖人工防护林或重新生长植被，隐蔽性高，不利于遥感判识与提取。目前，利用野外调查特征结合目视解译提取、算法模型结合NDVI等指数基于像元提取，或者利用高分影像，结合机器学习算法识别提取等方法对于溜砂坡的形成机理，演化规律、地貌特征和防治提供了思路，也为溜砂坡的遥感提取提供了特征参数依据。然而，溜砂坡的自动判识与提取研究并未深入，尤其是复杂环境下不同类型溜砂坡自动判识与提取研究仍需加强。因此，传统的溜砂坡判识提取方法对于区分复杂条件下不同地物特征，消除混淆作用都难以获得令人满意的结果。
[0004]综上所述，如何在现有技术的基础上提出准确的溜砂坡判识提取方法成为了目前亟需解决的问题。

技术实现思路

[0005]本专利技术旨在解决次生植被覆盖下溜砂坡隐蔽性较强，且中低分遥感影像中溜砂坡与裸岩地物信息相似，难以区分的问题，提供了一种基于Sentinel
‑
2A遥感影像溜砂坡判识与自动提取方法。
[0006]本专利技术所述的基于Sentinel
‑
2A遥感影像溜砂坡判识与自动提取方法，包括如下步骤：
[0007]步骤一：基于ENVI5.3平台对原始影像进行辐射定标、大气校正、波段融合等预处理，使其空间分辨率达到最高10m，运用独立主成分分析将影像13个波段的纹理信息集中于前三个分量，与预处理后的影像进行波段融合，并裁剪出研究区；
[0008]步骤二：基于ArcGIS10.2平台对8m分辨率的数字高程数据进行空间分析，得到坡度、坡向信息，并与融合后的影像进行组合作为研究的基础影像。
[0009]步骤三：在光谱分析的基础上可知，植被反射率增高最快的点是红边波段且b8A反射率最高，对传统植被增强方法b
new
＝a
×
b
g
+(1
‑
a)
×
b
nir
进行改进，用b8A替换近红外波段b8，建立初始函数b
new
＝a
×
b3+(1
‑
a)
×
b
8A
；
[0010]步骤四：利用红边波段代替传统模型的近红外波段，以NDVI作为地物分类依据，建立分段增强函数：
[0011][0012]增大植被覆盖下的溜砂坡与原生植被的区别，增强了影像目视效果，以有效地区分不同类型的溜砂坡；
[0013]步骤五：在步骤三、四基础上，建立改进的植被指数：
[0014][0015]采用K
‑
means聚类算法对样本进行分析，初步获得分类阈值，其中冰雪、裸岩基本无植被覆盖，PEVI为负值，水体中少量植被则PEVI接近0.1，原生植被带由于植被茂盛，且多为乔木，PEVI明显较高，大于0.45，次生植被覆盖下的溜砂坡，具有一定的灌木等覆盖，因此PEVI大于裸岩，但由于植被类型与茂盛程度较低，PEVI低于原生植被，当0.1≤PEVI≤0.2时，该地物类型为溜砂坡。
[0016]步骤六：对影像中各类地物如冰雪、水体、植被、裸岩、溜砂坡的光谱分析；
[0017]步骤七：根据光谱分析结果，利用不同地物类型对于中红外波段b10、b11的反射强度不同这一特征，建立基于光谱特征的岩石反射指数：
[0018][0019]利用K
‑
mens聚类算法进行分析，确定不同地物GRSI取值范围：溜砂坡GRSI≥0.9，裸岩0.75≤GRSI≤0.85，可见溜砂坡与裸岩在该岩石指数取值范围中具有明显的分界，有效解决了溜砂坡与裸岩的区分问题。
[0020]步骤八：基于eCognition Developer 8.7平台，对影像进行多尺度分割，利用ESP2(Estimation of scale parameter)进行计算，得到不同尺度因子下的局部方差与异质性变化率(ROC
‑
LV)图像，得出最优尺度因子为5、50、100；
[0021]步骤九：充分理解和考虑溜砂坡地形地貌、临近关系以及在影像上的光谱、纹理信息，选择亮度、NDVI、PEVI、GRSI、均一性、坡度、坡向作为特征规则，建立特征空间；
[0022]步骤十：通过选择样本进行统计分析后得NDVI≥0.2为疑似植被区，包括植被和植被覆盖下溜砂坡，根据改进的植被指数建立0.1≤PEVI≤0.2，从植被中筛选植被覆盖下的溜砂坡；
[0023]步骤十一：由于溜砂坡形成机理的特殊性，坡体沙砾较小且整体均一性较好，故选择纹理特征均一性≥0.6，岩石反射模型参数GRSI≥0.9提取，地形条件上，溜砂坡天然休止角为34
°‑
38
°
，建立30
°
<slope<40
°
的规则，利用多特征的规则提取方法对溜砂坡进行识别与提取。
[0024]有益效果：基于Sentinel 2A影像，创新性建立了溜砂坡灾害判识方法和自动快速提取模型，实现了基于中等分辨率遥感影像的溜砂坡灾害准确判识、快速提取和动态监测。
[0025]本专利技术基于Sentinel 2A影像，利用改进的植被和岩石指数，将面向对象的遥感图像分类方法应用于溜砂坡自动提取中，通过分析地物在遥感影像中的光谱信息，利用红边波段替换传统植被增强模型中的近红外波段，以NDVI为依据分段增强，建立改进的植被指数，区分次生植被覆盖下的溜砂坡与原生植被带；同时利用不同粒径岩石对中红外波段反射的差异性，建立岩石指数，消除裸岩对溜砂坡的混淆作用，对象分割过程中不仅考虑光谱特征，还考虑到纹理特征和地形特征，逐步得到溜砂坡空间分布信息。所得识别结果正确识别率为85.67％，遗漏识别率为13.63％，多余识别率为8.24％。本专利技术解决了传统遥感技术提取溜砂坡时存在严重漏判和误判现象的难题，为溜砂坡灾害调查和溜砂坡灾害监测预警提供技术支撑，并能促进中低分影像在地质灾害领域中的应用。
附图说明
[0026]图1为溜砂坡提取技术路线图；
[0027]图2为纹理信息图；
[0028]图3为不同地物光谱信息图；
[0029]图4为不同地物GRSI指数分布图；
[0030]图5为植被增强对比图；
[0031]图6为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Sentinel
‑
2A遥感影像溜砂坡判识与自动提取方法，其特征在于，包括如下步骤：步骤一：对获取的Sentinel
‑
2A光学遥感影像以及高精度数字高程数据进行预处理；步骤二：分析地物在遥感影像中的光谱信息，利用红边波段替换传统植被增强模型中的近红外波段，以NDVI为依据分段增强，建立改进的植被指数(Plecewise
‑
Enhanced Vegetation Index，PEVI)，区分次生植被覆盖下的溜砂坡与原生植被带,当0.1≤PEVI≤0.2时，该对象地物类型为溜砂坡；步骤三：利用不同粒径岩石对中红外波段反射的差异性，建立岩石指数(Grit Reflectance Spectrum Index，GRSI)，消除裸岩对溜砂坡的混淆作用,溜砂坡GRSI≥0.9；步骤四：结合纹理信息，地形特征，建立多尺度分割对象，实现溜砂坡的精确提取。2.根据权利要求1所述的一种基于Sentinel
‑
2A遥感影像溜砂坡判识与自动提取方法，其特征在于，所述步骤一包括：(1)基于ENVI5.3平台对原始影像进行辐射定标、大气校正、波段融合等预处理，使其空间分辨率达到最高10m，运用独立主成分分析将影像13个波段的纹理信息集中于前三个分量，与预处理后的影像进行波段融合，并裁剪出研究区；(2)基于ArcGIS10.2平台对8m分辨率的数字高程数据进行空间分析，得到坡度、坡向信息，并与融合后的影像进行组合作为研究的基础影像。3.根据权利要求1所述的一种基于Sentinel
‑
2A遥感影像的溜砂坡判识与自动提取方法，其特征在于，所述步骤二包括：(1)在光谱分析的基础上可知，植被反射率增高最快的点是红边波段且b8A反射率最高，对传统植被增强方法b
new
＝a
×
b
g
+(1
‑
a)
×
b
nir
进行改进，用b8A替换近红外波段b8，建立初始函数b
new
＝a
×
b3+(1
‑
a)
×
b
8A
；(2)利用红边波段代替传统模型的近红外波段，以NDVI作为地物分类依据，建立分段增强函数：增大植被覆盖下的溜砂坡与原生植被的区别，增强了影像目视效果，以有效地区分不同类型的溜砂坡；(3)在步骤(1)、(...

【专利技术属性】
技术研发人员：韩用顺，张猛，刘正权，韩月，李爱国，曹泽辉，杨志全，韦建超，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：