System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于植被遥感快速分类,具体涉及一种融合植被生命周期特征的遥感分类方法。
技术介绍
1、基于遥感数据的地物/植被类型提取技术在自然资源调查与监测、生态与环境保护、市政及公路工程规划等方面均具有重要意义。现大部分地物分类研究集中于对遥感图像的分类方法研究,提出了一系列基于光谱、纹理及形状等的机器学习模型与方法。尽管遥感分类的研究取得了显著的进步,但对于植被自身的生长特性研究不足。
2、在植被的不同生长时间段内获取影像及特征对遥感分类具有重要的意义,而不同植被在遥感影像上的差异性表现受到其生长速度的影响。根据不同植被的生长速度周期可以将植被生长周期划为三个阶段,分别为:生长期、饱和期和衰老期。其中,生长期是植被处于快速生长阶段;处于饱和期的植被生长速度减缓,此时发育也是比较好的时期;在衰老期,植被的生长速度则趋近于停滞。在过往的研究中,针对植被生长的研究主要包括两个方面:时序序列重构和生命周期节点提取,时间序列重构过程中主要使用savitzky-golay滤波法、双logistic函数以及谐波分析等方法重构具有代表性的植被指数数据,生命周期节点参数提取方法主要有阈值法、导数法、拟合法等。但是上述时间序列针对整个植被生长周期使用一种拟合方式,无法很好的反应不同生长周期植被发育生长速率的差异性,导致分类精度不高且生命周期节点参数提取方法有待发展。
技术实现思路
1、本专利技术的目的就是为了解决上述
技术介绍
存在的不足,提供一种融合植被生命周期特征的遥感分类方法,能够基于高
2、本专利技术采用的技术方案是:一种融合植被生命周期特征的遥感分类方法,包括以下步骤;
3、基于待分类区域的遥感图像中每个像素点在不同时间的植被指数,形成各像素点的密集长时间序列植被指数数据集;
4、针对待分类区域的遥感图像中每种植被类型的样本集在不同时间的植被指数取均值,形成各植被类型的密集长时间序列植被指数数据集;
5、分别针对每个像素点和植被类型的密集长时间序列植被指数数据集进行曲线拟合,形成每个像素点和植被类型相应的全程拟合曲线;
6、对每个像素点和各植被类型的全程拟合曲线分别进行微分操作得到对应的导函数曲线;
7、根据每个像素点和植被类型的导函数曲线最大值、最小值和设定阈值比例所确定的时间节点,确定每个像素点和植被类型的生长期、饱和期和衰老期的时间段;
8、根据每个像素点和植被类型的密集长时间序列植被指数数据集的最大值和最小值及设定比率,获取每个像素点的生长阶段特征图;所述生长阶段特征图用于表征植被在生长开始时间、饱和时间和衰老时间;
9、构建待分类区域的遥感图像中每个像素点和各植被类型的样本集的分类特征空间;所述分类特征空间包括生长期、饱和期和衰老期相应的光谱特征、纹理特征和极化特征,以及生长阶段特征图;
10、使用待分类区域的不同植被类型的样本集及其分类特征空间训练分类器;
11、基于待分类区域的遥感图像所有像素点的分类特征空间,利用训练完成的分类器,对待分类区域的遥感图像中所有像素点进行植被类型分类。
12、上述技术方案中,基于不同来源的遥感卫星数据获取待分类区域的遥感图像;对多源的待分类区域的遥感图像各时间点进行波段变换和植被指数变换,并计算变换后的每个时间点的植被指数均值,用于形成每个像素点和植被类型的密集长时间序列植被指数数据集。
13、上述技术方案中,将每种植被类型的样本集分为训练集和验证集;采用训练集形成不同植被类型的分类特征空间,以训练分类器;利用验证集对训练完成的分类器进行验证,生成植被类型预测精度。
14、上述技术方案中,密集长时间序列植被指数数据集的拟合过程包括:针对任一个密集长时间序列植被指数数据集,按照生长期和衰老期进行分割,并对分割形成的数据集单独进行拟合得到生长期和衰老期阶段的拟合曲线,然后将生长期和衰老期阶段的拟合曲线进行连接,以形成每个像素点和植被类型相应的全程拟合曲线。
15、上述技术方案中,针对每个像素点和植被类型的密集长时间序列植被指数数据集,找到其最大值和最小值;最大值对应时间点以前的时间段为生长期,最大值对应时间点以后的时间段为衰老期,最小值对应时间点以前的时间段为衰老期,最小值对应时间点以后的时间段为生长期。
16、上述技术方案中,对待分类区域的遥感图像进行大气校正、地形校正和数据去云处理后,再生成每个像素点和植被类型的密集长时间序列植被指数数据集。
17、上述技术方案中,对每个像素点和植被类型的密集长时间序列植被指数数据集进行平滑去噪后再进行曲线拟合。
18、上述技术方案中,构建各植被类型的样本集的分类特征空间的过程包括:针对任一种植被类型的样本集中的任一个样本点,基于该植被类型生长期、饱和期和衰老期的时间段内的该样本点的遥感图像,得到该样本点生长期、饱和期和衰老期相应的光谱特征、纹理特征和极化特征;采用该样本点对应的像素点的生长阶段特征图,作为该样本点的生长阶段特征图。
19、上述技术方案中,确定单个像素点和各植被类型的生长期、饱和期和衰老期的时间段的过程包括:获取相应的导函数曲线的最小值pmin和最大值pmax,并计算其振幅为d;根据设定阈值比例r,通过下式计算阈值t1和阈值t2:
20、d=pmax-pmin;
21、t1=pmax-r·d;
22、t2=pmin+r·d;
23、所述导函数曲线的横坐标表示时间,纵坐标表示斜率;
24、以阈值t1所做水平线与导函数曲线交叉点所对应的时间点形成的时间段为生长期,
25、以阈值t2所做水平线与导函数曲线交叉点所对应的时间点形成的时间段为衰老期,
26、导函数曲线的最小值和最大值所对应的时间点形成的时间段为饱和期。
27、上述技术方案中,所述每个像素点的生长阶段特征图u均采用下式计算:
28、u=(vmin-vmax)·p+vmin
29、其中,vmin和vmax分别为相应每个像素点的密集长时间序列植被指数数据集的最小值和最大值,p为设定的振幅比例。
30、本专利技术还提供了一种融合植被生命周期特征的遥感分类系统,该系统用于实现上述技术方案所述的融合植被生命周期特征的遥感分类方法。
31、本专利技术还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现权上述技术方案所述的融合植被生命周期特征的遥感分类方法。
32、本专利技术提出了一种融合植被生命周期特征的遥感分类方法、系统及其存储介质,其有益效果在于:本专利技术基于植被生命周期知识驱动,构建了从遥感图像中提取生命周期特征的方法,可以充分发挥植被生命周期特征在植被分类中的作用,尤其是针对植被发育茂盛区域地物提取具有一定优势。本专利技术针对训练集采用求本文档来自技高网...
【技术保护点】
1.一种融合植被生命周期特征的遥感分类方法,其特征在于:包括以下步骤;
2.根据权利要求1所述的一种方法,其特征在于:基于不同来源的遥感卫星数据获取待分类区域的遥感图像;对多源的待分类区域的遥感图像各时间点进行波段变换和植被指数变换,并计算变换后的每个时间点的植被指数均值,用于形成每个像素点和植被类型的密集长时间序列植被指数数据集。
3.根据权利要求1所述的一种方法,其特征在于:将每种植被类型的样本集分为训练集和验证集;采用训练集形成不同植被类型的分类特征空间,以训练分类器;利用验证集对训练完成的分类器进行验证,生成植被类型预测精度。
4.根据权利要求1所述的一种方法,其特征在于:密集长时间序列植被指数数据集的拟合过程包括:针对任一个密集长时间序列植被指数数据集,按照生长期和衰老期进行分割,并对分割形成的数据集单独进行拟合得到生长期和衰老期阶段的拟合曲线,然后将生长期和衰老期阶段的拟合曲线进行连接,以形成每个像素点和植被类型相应的全程拟合曲线。
5.根据权利要求4所述的一种方法,其特征在于:针对每个像素点和植被类型的密集长时间序列植
6.根据权利要求1所述的一种方法,其特征在于:对待分类区域的遥感图像进行大气校正、地形校正和数据去云处理后,再生成每个像素点和植被类型的密集长时间序列植被指数数据集。
7.根据权利要求1所述的一种方法,其特征在于:对每个像素点和植被类型的密集长时间序列植被指数数据集进行平滑去噪后再进行曲线拟合。
8.根据权利要求1所述的一种方法,其特征在于:构建各植被类型的样本集的分类特征空间的过程包括:针对任一种植被类型的样本集中的任一个样本点,基于该植被类型生长期、饱和期和衰老期的时间段内的该样本点的遥感图像,得到该样本点生长期、饱和期和衰老期相应的光谱特征、纹理特征和极化特征;采用该样本点对应的像素点的生长阶段特征图,作为该样本点的生长阶段特征图。
9.根据权利要求1所述的一种方法,其特征在于:确定单个像素点和各植被类型的生长期、饱和期和衰老期的时间段的过程包括:获取相应的导函数曲线的最小值Pmin和最大值Pmax,并计算其振幅为D;根据设定阈值比例R,通过下式计算阈值T1和阈值T2:
10.根据权利要求1所述的一种方法,其特征在于:所述每个像素点的生长阶段特征图U均采用下式计算:
...【技术特征摘要】
1.一种融合植被生命周期特征的遥感分类方法,其特征在于:包括以下步骤;
2.根据权利要求1所述的一种方法,其特征在于:基于不同来源的遥感卫星数据获取待分类区域的遥感图像;对多源的待分类区域的遥感图像各时间点进行波段变换和植被指数变换,并计算变换后的每个时间点的植被指数均值,用于形成每个像素点和植被类型的密集长时间序列植被指数数据集。
3.根据权利要求1所述的一种方法,其特征在于:将每种植被类型的样本集分为训练集和验证集;采用训练集形成不同植被类型的分类特征空间,以训练分类器;利用验证集对训练完成的分类器进行验证,生成植被类型预测精度。
4.根据权利要求1所述的一种方法,其特征在于:密集长时间序列植被指数数据集的拟合过程包括:针对任一个密集长时间序列植被指数数据集,按照生长期和衰老期进行分割,并对分割形成的数据集单独进行拟合得到生长期和衰老期阶段的拟合曲线,然后将生长期和衰老期阶段的拟合曲线进行连接,以形成每个像素点和植被类型相应的全程拟合曲线。
5.根据权利要求4所述的一种方法,其特征在于:针对每个像素点和植被类型的密集长时间序列植被指数数据集,找到其最大值和最小值;最大值对应时间点以前的时间段为生长期,最大值对应时间点以后的时间段为衰老期,最小值对应...
【专利技术属性】
技术研发人员:姚金玺,余绍淮,张晟斌,余顺新,吴游宇,庄稼丰,余飞,罗博仁,刘德强,徐乔,
申请(专利权)人:中交第二公路勘察设计研究院有限公司,
类型:发明
国别省市:
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。