国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      時(shí)空概率模型水稻遙感識(shí)別方法

      文檔序號(hào):10535364閱讀:1319來(lái)源:國(guó)知局
      時(shí)空概率模型水稻遙感識(shí)別方法
      【專利摘要】本發(fā)明公開(kāi)了一種時(shí)空概率模型水稻遙感識(shí)別方法,主要包括數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)預(yù)處理、構(gòu)建時(shí)空概率模型、像元?dú)w屬概率計(jì)算、像元時(shí)空概率計(jì)算、作物類別閾值劃分及水稻分類結(jié)果識(shí)別。本發(fā)明可以有效提取水稻,降低傳統(tǒng)變化監(jiān)測(cè)作物遙感識(shí)別存在的誤差累積問(wèn)題,避免了云污染,一定程度上消除了椒鹽現(xiàn)象。對(duì)水稻的識(shí)別達(dá)到了較高的精度。
      【專利說(shuō)明】
      時(shí)空概率模型水稻遙感識(shí)別方法
      技術(shù)領(lǐng)域
      [0001] 本發(fā)明涉及一種在時(shí)間序列影像基礎(chǔ)上,從時(shí)間和空間兩個(gè)維度出發(fā),以濾波方 法計(jì)算像元時(shí)空概率,作為閾值劃分依據(jù)的時(shí)空概率模型水稻遙感識(shí)別方法。充分的利用 了鄰域像元和相鄰時(shí)相的遙感影像信息,構(gòu)造了中心像元時(shí)空概率計(jì)算方法,并以此作為 中心像元類別判別依據(jù)。提取水稻,并進(jìn)行精度評(píng)價(jià)及時(shí)空概率模型水稻遙感識(shí)別方法不 同濾波尺度在不同景觀特征下的適用性分析。屬于遙感影像應(yīng)用領(lǐng)域。
      【背景技術(shù)】
      [0002] 水稻是我國(guó)糧食作物的重要組成部分,準(zhǔn)確地獲取水稻種植面積對(duì)制定農(nóng)業(yè)政策 和管理具有十分重要的意義。利用遙感變化監(jiān)測(cè)技術(shù)進(jìn)行農(nóng)業(yè)監(jiān)測(cè)是一個(gè)重要的應(yīng)用方 向,無(wú)論在面積識(shí)別還是遙感估產(chǎn)等方面都發(fā)揮著重要作用。
      [0003] 然而變化監(jiān)測(cè)遙感識(shí)別存在著以下四個(gè)難以解決的問(wèn)題1、無(wú)云影像難以獲取: 所需影像數(shù)據(jù)在作物生長(zhǎng)的關(guān)鍵期,但是水稻生長(zhǎng)于溫暖濕潤(rùn)的環(huán)境中,云頻繁出現(xiàn),在水 稻生長(zhǎng)期很難獲得無(wú)云的影像。云雨天氣造成"云污染(cloud contamination)"限制了 利用遙感變化監(jiān)測(cè)進(jìn)行水稻識(shí)別的適用性。2、幾何校正不準(zhǔn)確:幾何校正不準(zhǔn)確導(dǎo)致各期 影像分類結(jié)果中像元位置偏差,多期影像像元類別錯(cuò)誤的變化信息使得作物遙感識(shí)別準(zhǔn)確 性降低。3、單期影像分類誤差:各期影像的大量地物光譜互相影響及單期影像選擇的分類 方法會(huì)導(dǎo)致分類結(jié)果不準(zhǔn)確程度增加(如椒鹽現(xiàn)象),有可能為變化監(jiān)測(cè)提供錯(cuò)誤的類別 信息。最終導(dǎo)致像元識(shí)別誤差不斷累積,影響了像元類型的確定。4、椒鹽現(xiàn)象(salt and p印per):云污染、幾何校正不準(zhǔn)確、單期影像分類誤差會(huì)導(dǎo)致各期影像對(duì)應(yīng)位置的像元分 類結(jié)果存在差異,進(jìn)而導(dǎo)致產(chǎn)生椒鹽現(xiàn)象。
      [0004] 遙感影像上的云以"團(tuán)簇"狀分布。不同時(shí)相遙感影像的云在空間上的分布是隨 機(jī)的。從時(shí)間維度分析,對(duì)于一個(gè)像元而言是能夠找到不受"云"污染時(shí)期的影像。因此充 分的利用多期影像上水稻的光譜信息進(jìn)行像元類別判定是可行的。從空間維度分析,相鄰 位置像元類別信息為目標(biāo)像元類別的確定提供了一定的依據(jù),提高了像元類別判斷的準(zhǔn)確 性。傳統(tǒng)的變化監(jiān)測(cè)遙感識(shí)別雖然或結(jié)合了時(shí)間維度或空間維度的信息或同時(shí)結(jié)合二者信 息,但是忽略了各期影像由于云污染、幾何校正不準(zhǔn)確、分類結(jié)果不準(zhǔn)確,進(jìn)而導(dǎo)致的不同 期影像對(duì)應(yīng)位置像元類別的差異和由此而帶來(lái)的誤差累積問(wèn)題。因此,單純的將像元時(shí)間 維度與空間維度的信息相結(jié)合的變化監(jiān)測(cè)遙感識(shí)別方法并不能夠有效的提高像元遙感分 類識(shí)別的精度,甚至在一定程度上降低了遙感識(shí)別的精度。

      【發(fā)明內(nèi)容】

      [0005] 本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題,從時(shí)間和空間維度相結(jié)合的角度, 提出以濾波方式計(jì)算像元?dú)w屬概率,結(jié)合時(shí)間維度計(jì)算像元時(shí)空概率,進(jìn)而作為作物類別 閾值劃分依據(jù)的時(shí)空概率模型水稻遙感識(shí)別方法。利用該模型進(jìn)行水稻遙感識(shí)別,驗(yàn)證識(shí) 別精度及模型濾波尺度在不同景觀特征下的適用性。
      [0006] 本發(fā)明通過(guò)以下技術(shù)方案解決上述問(wèn)題,本發(fā)明提供時(shí)空概率模型水稻遙感識(shí)別 方法,主要包括以下步驟:
      [0007] 步驟一、數(shù)據(jù)準(zhǔn)備;
      [0008] 步驟二、數(shù)據(jù)預(yù)處理;
      [0009] 步驟三、構(gòu)建時(shí)空概率模型
      [0010] 步驟四、像元?dú)w屬概率計(jì)算;
      [0011] 步驟五、像元時(shí)空概率計(jì)算;
      [0012] 步驟六、作物類別閾值劃分;
      [0013] 步驟七、時(shí)空概率模型分類實(shí)現(xiàn);
      [0014] 優(yōu)選的,上述步驟一~步驟七具體為:
      [0015] 步驟一、數(shù)據(jù)準(zhǔn)備,選取目標(biāo)區(qū)域,獲取同一區(qū)域的LandsatS多期影像數(shù)據(jù)、航拍 數(shù)據(jù);
      [0016] 步驟二、數(shù)據(jù)預(yù)處理,包括對(duì)步驟一獲取的Landsat8影像數(shù)據(jù)根據(jù)一定的先驗(yàn)知 識(shí)對(duì)影像進(jìn)行初步分類;對(duì)航拍數(shù)據(jù)和"高分一號(hào)"數(shù)據(jù)進(jìn)行坐標(biāo)系轉(zhuǎn)換、解譯、矢量化和屬 性賦值并形成柵格數(shù)據(jù);
      [0017] 步驟三、構(gòu)建時(shí)空概率模型,以濾波方法為基礎(chǔ),從影像時(shí)間維度和空間維度出 發(fā),提取像元類別信息,通過(guò)概率計(jì)算的方式,構(gòu)建像元時(shí)空概率計(jì)算方法。
      [0018] 步驟四、像元?dú)w屬概率計(jì)算,定義鄰域像元與中心像元類別相同所占濾波窗口總 數(shù)的比例為像元的歸屬概率;
      [0019] 步驟五、像元時(shí)空概率計(jì)算,以時(shí)間序列影像相同位置像元?dú)w屬概率的均值作為 中心像元的時(shí)空概率;被云污染的像元不參與時(shí)空概率計(jì)算;
      [0020] 步驟六、作物類別閾值劃分,選取適宜的變化監(jiān)測(cè)閾值劃分方法,以像元時(shí)空概率 為基礎(chǔ),計(jì)算作物類別劃分閾值。
      [0021] 步驟七、時(shí)空概率模型水稻遙感識(shí)別方法分類實(shí)現(xiàn),以步驟六所計(jì)算閾值為依據(jù), 提取作物像元。實(shí)現(xiàn)作物類別劃分。
      [0022] 優(yōu)選的,上述方法還包括步驟八、采用無(wú)人機(jī)航拍數(shù)據(jù)和"高分一號(hào)"8米分辨率影 像數(shù)據(jù)評(píng)價(jià)分類結(jié)果,對(duì)選取目標(biāo)區(qū)域航拍影像及"高分一號(hào)" 8米分辨率樣方影像矢量化 數(shù)據(jù)轉(zhuǎn)化的柵格數(shù)據(jù)進(jìn)行重分類,使重分類后的分類結(jié)果與所述步驟七的分類數(shù)據(jù)進(jìn)行像 元對(duì)像元的疊加比較,得到用于分類結(jié)果精度評(píng)價(jià)的混淆矩陣。
      [0023] 優(yōu)選的,上述步驟二中以時(shí)間序列Landsat8多期影像初步分類結(jié)果為基礎(chǔ)數(shù) 據(jù),利用時(shí)空概率型計(jì)算方法,計(jì)算像元時(shí)空概率,通過(guò)下列公式計(jì)算得到:
      [0024] Pij= n / (m*m), (i = 1,2, . . . , L ; j = 1,2, . . . , K) N
      [0025] D Pj=~N~
      [0026] 式中:-第i期影像中第j個(gè)像元的歸屬概率;n,-第i期影像第j個(gè)像元為中 心像元時(shí)窗口內(nèi)目標(biāo)作物的像元個(gè)數(shù);m*m-搜索窗口大??;L-影像總數(shù);K-各期影像參與 計(jì)算像元數(shù);Pf像元時(shí)空歸屬概率;N-參與像元時(shí)空概率計(jì)算的影像數(shù)量。
      [0027] 優(yōu)選的,上述步驟四、五是以濾波方法為基礎(chǔ),以概率表達(dá)像元類別為核心,構(gòu)建 像元時(shí)空概率計(jì)算方法。
      [0028] 優(yōu)選的,上述的航拍數(shù)據(jù)為高分辨率的無(wú)人機(jī)航拍數(shù)據(jù),拍攝多個(gè)無(wú)人機(jī)航拍樣 方,對(duì)多幅樣方進(jìn)行拼接后轉(zhuǎn)換坐標(biāo)系,同時(shí)對(duì)"高分一號(hào)"8米分辨率樣方影像進(jìn)行轉(zhuǎn)換坐 標(biāo)系。并對(duì)以上兩種樣方數(shù)據(jù)進(jìn)行目視解譯矢量化及地塊屬性賦值,以面積占優(yōu)方法轉(zhuǎn)換 成一定分辨率的柵格數(shù)據(jù)。
      [0029] 本發(fā)明公開(kāi)了一種時(shí)空概率模型水稻遙感識(shí)別方法,主要包括數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)預(yù) 處理、構(gòu)建時(shí)空概率模型、像元?dú)w屬概率計(jì)算、像元時(shí)空概率計(jì)算、作物類別閾值劃分及水 稻分類結(jié)果識(shí)別。本發(fā)明可以有效提取水稻,降低傳統(tǒng)變化監(jiān)測(cè)作物遙感識(shí)別存在的誤差 累積問(wèn)題,避免了云污染,一定程度上消除了椒鹽現(xiàn)象。對(duì)水稻的識(shí)別達(dá)到了較高的識(shí)別精 度。
      【附圖說(shuō)明】
      [0030] 圖1為本發(fā)明時(shí)空概率模型結(jié)構(gòu)圖;
      [0031] 圖2為本發(fā)明實(shí)施例研究區(qū)位置及樣方分布圖;
      [0032] 圖3為濾波尺度為3X 3的時(shí)空概率計(jì)算過(guò)程圖;
      [0033] 圖4為濾波尺度3X3濾波尺度下時(shí)空概率圖;
      [0034] 圖5時(shí)空概率模型水稻分類識(shí)別結(jié)果
      [0035] 圖6云污染區(qū)域處理TSPM模型及分類后比較法結(jié)果對(duì)比
      [0036] 圖7椒鹽現(xiàn)象處理TSPM模型及分類后比較法結(jié)果對(duì)比
      [0037] 圖8濾波尺度變化對(duì)應(yīng)水稻閾值
      [0038] 圖9時(shí)空概率模型分類精度隨濾波尺度變化趨勢(shì)圖
      [0039] 圖10試驗(yàn)選取的景觀規(guī)整區(qū)域TSPM分類結(jié)果
      [0040] 圖11試驗(yàn)選取的景觀破碎區(qū)域TSPM分類結(jié)果
      [0041] 圖12(a)試驗(yàn)選取的景觀規(guī)整區(qū)域分類精度,(b)試驗(yàn)選取的景觀破碎區(qū)域分類 精度
      【具體實(shí)施方式】
      [0042] 為了便于本領(lǐng)域普通技術(shù)人員理解和實(shí)施本發(fā)明,下面結(jié)合附圖及【具體實(shí)施方式】 對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。
      [0043] 如圖1所示,本發(fā)明公開(kāi)的時(shí)空概率模型水稻遙感識(shí)別方法。遙感具有豐富的 時(shí)空信息,是作物調(diào)查的重要手段(Hatfield,2008)。目前遙感分類識(shí)別方法主要分為兩 大類:一是單時(shí)相遙感識(shí)別,利用植被指數(shù)NDVI和LWSI分析得到水稻種植區(qū)域(Xiao, 2005)。根據(jù)葉面積指數(shù)(LAI)和植被指數(shù)生物量的反演模型,進(jìn)行水稻監(jiān)測(cè)(Li,2011)。 但是,單一時(shí)相的影像存在許多異物同譜的現(xiàn)象,對(duì)于作物識(shí)別精度影響很大。二是多時(shí)相 的變化監(jiān)測(cè)方法。Okamato (2009)等用多時(shí)相的中分辨率TM數(shù)據(jù)分類識(shí)別水稻,精度達(dá)到 了 80%以上。Lorenzo (1997)等利用迭代檢測(cè)的方法進(jìn)行水稻識(shí)別,與分類后比較法的分 類結(jié)果比較,總體精度提高了約10%。Chen(2008)等在傳統(tǒng)的馬爾可夫隨機(jī)場(chǎng)的基礎(chǔ)上提 出了基于變化監(jiān)測(cè)的馬爾可夫隨機(jī)場(chǎng)用于多時(shí)相的遙感影像變化監(jiān)測(cè)研究。Xiao(2005)等 利用 M0DIS 數(shù)據(jù),計(jì)算 EVI (Enhanced Vegetation Index)、NDVI (Normalized Difference Vegetation Index)、LSWI (Land Surface Water Index),提出了 LWSI+T^EVI (或 NDVI) 時(shí),判定作物為水稻。其中T是固定的閾值。但是MODIS數(shù)據(jù)分辨率較低,對(duì)于水稻種植破 碎區(qū)域識(shí)別精度較低(Xiao, 2003)。Jeong(2012)等在Xiao的基礎(chǔ)上提出了可變閾值模 型識(shí)別水稻區(qū)域。變化監(jiān)測(cè)遙感識(shí)別的方法雖然能夠較好的識(shí)別水稻,但是都存在以下四 個(gè)影響識(shí)別精度的問(wèn)題:1、無(wú)云影像難以獲?。核栌跋駭?shù)據(jù)在作物生長(zhǎng)的關(guān)鍵期(Peng, 2011),但是水稻生長(zhǎng)于溫暖濕潤(rùn)的環(huán)境中,云頻繁出現(xiàn)(Shao, 2001),在水稻生長(zhǎng)期很難獲 得無(wú)云的影像(Zhang,2009)。云雨天氣造成"云污染(cloud contamination)"限制了利用 遙感變化監(jiān)測(cè)進(jìn)行水稻識(shí)別的適用性(Cheng,2014)。2、幾何校正不準(zhǔn)確:幾何校正不準(zhǔn)確 導(dǎo)致各期影像分類結(jié)果中像元位置偏差,多期影像像元類別錯(cuò)誤的變化信息使得作物遙感 識(shí)別準(zhǔn)確性降低。3、單期影像分類誤差:各期影像的大量地物光譜互相影響及單期影像選 擇的分類方法會(huì)導(dǎo)致分類結(jié)果不準(zhǔn)確程度增加(如椒鹽現(xiàn)象)(Stuckens,2000),有可能為 變化監(jiān)測(cè)提供錯(cuò)誤的類別信息。最終導(dǎo)致像元識(shí)別誤差不斷累積,影響了像元類型的確定 (Serra,2003)。4、椒鹽現(xiàn)象(salt and pepper (Bischof,1992)):云污染、幾何校正不準(zhǔn)確、 單期影像分類誤差會(huì)導(dǎo)致各期影像對(duì)應(yīng)位置的像元分類結(jié)果存在差異,進(jìn)而導(dǎo)致產(chǎn)生椒鹽 現(xiàn)象(Goodchild,1994)。
      [0044] 本發(fā)明針對(duì)多時(shí)相變化監(jiān)測(cè)進(jìn)行遙感分類識(shí)別時(shí),單期影像被云污染、幾何校正 不準(zhǔn)確、分類結(jié)果不準(zhǔn)確導(dǎo)致的像元類別判定誤差累積嚴(yán)重的問(wèn)題,從時(shí)間和空間維度相 結(jié)合的角度出發(fā),提出用像元時(shí)空概率作為作物類別閾值劃分依據(jù)的方法來(lái)降低判別錯(cuò)誤 的概率的時(shí)空概率模型水稻遙感識(shí)別方法。從而提高變化監(jiān)測(cè)遙感分類識(shí)別精度。該模型 充分利用多時(shí)相影像及相鄰像元的光譜信息計(jì)算像元作物時(shí)空概率,有效地降低了傳統(tǒng)變 化監(jiān)測(cè)遙感識(shí)別方法像元類別判定誤差累積問(wèn)題,避免了水稻遙感分類識(shí)別時(shí)影像被云污 染的問(wèn)題,一定程度上解決了椒鹽現(xiàn)象的出現(xiàn)。模型算法簡(jiǎn)單,處理效率較高。
      [0045] 為了驗(yàn)證本發(fā)明提出的方法有效性,本發(fā)明選擇了實(shí)地區(qū)域進(jìn)行了實(shí) 驗(yàn)研究,研究位于遼寧省西部3市縣(盤錦市市轄區(qū)、盤山市、大洼縣),總面積 2947. 7KM2(40° 0' -40° 6' N,121° 3' -122° 8' E),處于中煒度地區(qū),屬于溫帶大陸 性季風(fēng)氣候區(qū),如圖1。水稻種植區(qū)域地勢(shì)平緩,地塊較為規(guī)整。境內(nèi)雨熱同季,日照豐富, 積溫較高,冬長(zhǎng)夏暖,春秋季短,四季分明,是水稻的主要產(chǎn)區(qū)。水稻4月上旬播種,5月上旬 出苗,6月至9月上旬水稻返青、分蘗、抽穗、乳熟、9月中下旬至10月上旬成熟收獲。以上 幾個(gè)時(shí)段為水稻生長(zhǎng)的關(guān)鍵物候期。
      [0046] 一、數(shù)據(jù)與預(yù)處理
      [0047] l、Landsat 8 數(shù)據(jù)
      [0048] 選取研究區(qū)水稻生長(zhǎng)物候期5月至10月份內(nèi)的6景Landsat 8影像數(shù)據(jù),其投 影坐標(biāo)系為 UTM-WGS84 Zone 51N,獲取時(shí)間分別為 2013-05-23, 2013-06-08, 2013-07-26, 2013-08-11,2013-09-12和2013-09-28。由于Landsat8數(shù)據(jù)做過(guò)基于地形數(shù)據(jù)的幾何校 正,一般情況下可以直接使用而不需要做幾何校正。因此,本實(shí)驗(yàn)中LandsatS數(shù)據(jù)不再進(jìn) 行幾何校正。
      [0049] 表1用于實(shí)驗(yàn)的Landsat 8影像數(shù)據(jù)的主要特征
      [0050]
      [0052] 3、驗(yàn)證數(shù)據(jù)
      [0053] 本實(shí)驗(yàn)采用無(wú)人機(jī)高分辨率影像和"高分一號(hào)"8米分辨率影像為驗(yàn)證數(shù)據(jù)。驗(yàn)證 數(shù)據(jù)均以Landsat TM8影像數(shù)據(jù)為基準(zhǔn)進(jìn)行無(wú)人機(jī)影像幾何校正,校正誤差小于0. 5個(gè)像 元。并將投影轉(zhuǎn)為UTM-WGS84投影坐標(biāo)系。①高分辨率無(wú)人機(jī)航拍影像:對(duì)無(wú)人機(jī)影像進(jìn) 行拼接。研究區(qū)內(nèi)共6個(gè)樣方,約24平方公里。②"高分一號(hào)"8米分辨率影像數(shù)據(jù):由于 無(wú)人機(jī)樣方數(shù)據(jù)量較少,不能充分的反映地表真實(shí)情況,實(shí)驗(yàn)另一部分高分影像樣方精準(zhǔn) 數(shù)據(jù)由"高分一號(hào)"8米分辨率數(shù)據(jù)獲取。在研究區(qū)范圍內(nèi)隨機(jī)選取19個(gè)樣方,約233平方 公里。
      [0054] 對(duì)無(wú)人機(jī)樣方和"高分一號(hào)"影像樣方進(jìn)行矢量化和目視解譯確定地表真值類型。 以面積占優(yōu)的方式將目視解譯結(jié)果轉(zhuǎn)為30米分辨率的柵格數(shù)據(jù),包含水稻和非水稻兩類, 作為驗(yàn)證數(shù)據(jù)進(jìn)行水稻分類精度檢驗(yàn)。
      [0055] 二、水稻時(shí)空概率表達(dá)模型
      [0056] 本發(fā)明時(shí)空概率模型水稻遙感識(shí)別方法根據(jù)多期遙感影像分類結(jié)果計(jì)算研究區(qū) 各像元的歸屬概率(像元屬于某一地類的概率),進(jìn)而根據(jù)時(shí)空概率模型水稻遙感識(shí)別方 法計(jì)算像元時(shí)空概率。最后根據(jù)一定的變化閾值檢測(cè)方法確定目標(biāo)作物類的概率范圍,從 而確定像元所屬作物種類。該模型充分提取多期影像時(shí)間維度和空間維度的信息,準(zhǔn)確、有 效地確定被云覆蓋的像元類型。模型結(jié)構(gòu)如圖1。模型由3部分組成:時(shí)間序列影像分類、 像元空間概率計(jì)算、像元時(shí)空概率計(jì)算。
      [0057] (1)時(shí)間序列影像分類
      [0058] 獲取水稻關(guān)鍵生長(zhǎng)期時(shí)間序列影像數(shù)據(jù),采用支持向量機(jī)方法進(jìn)行影像分類。
      [0059] (2)像元時(shí)空概率計(jì)算
      [0060] 1)單期影像像元?dú)w屬概率計(jì)算:
      [0061] 在單期影像上,建立mXm像元窗口,遍歷分類專題圖像元,統(tǒng)計(jì)搜索窗口內(nèi)屬于 目標(biāo)作物的像元個(gè)數(shù),計(jì)算像元?dú)w屬概率(公式1)。移動(dòng)窗口直至整景分類專題圖遍歷完 成,獲得各期影像所有像元?dú)w屬概率。所取影像范圍大于研究區(qū),影像邊緣像元忽略不計(jì)。
      [0062] 卩。=n .j/(mXm),(i = 1,2,…,L ; j = 1,2,…,K)公式 1
      [0063] 式中:-第i期影像中第j個(gè)像元的歸屬概率;n,-第i期影像第j個(gè)像元為中 心像元時(shí)窗口內(nèi)目標(biāo)作物的像元個(gè)數(shù);mXm-搜索窗口大?。籐-影像總數(shù);K-各期影像參 與計(jì)算像元數(shù);
      [0064] 2)像元時(shí)空概率計(jì)算:
      [0065] 像元時(shí)空概率計(jì)算首先從時(shí)間維度結(jié)合被云污染像元在其它期影像上的光譜信 息,以像元?dú)w屬概率來(lái)表達(dá)時(shí)間維度上空間維度的信息。最后計(jì)算像元時(shí)空歸屬概率(模 型結(jié)構(gòu)見(jiàn)圖1)。被云污染的像元時(shí)空概率通過(guò)時(shí)間維度上對(duì)應(yīng)空間位置的未被云污染像元 歸屬概率來(lái)計(jì)算。以此實(shí)現(xiàn)被云污染像元類型的確定。計(jì)算方法如公式2:
      [0067] 式中:-第i期影像中第j個(gè)像元的歸屬概率;n,-第i期影像第j個(gè)像元為中 心像元時(shí)窗口內(nèi)目標(biāo)作物的像元個(gè)數(shù);mXm-搜索窗口大?。籐-影像總數(shù);K-各期影像參 與計(jì)算像元數(shù);
      [0068] 三、水稻作物識(shí)別
      [0069] 本實(shí)驗(yàn)將6景影像的分類結(jié)果按照濾波尺度為3 X 3的時(shí)空概率模型水稻遙感識(shí) 別方法計(jì)算像元時(shí)空概率,結(jié)合雙窗口變步長(zhǎng)閾值劃分方法(Chen,2003)計(jì)算水稻與非水 稻閾值,最終得到水稻分類結(jié)果。
      [0070] 1、時(shí)空概率計(jì)算
      [0071] 根據(jù)時(shí)空概率模型水稻遙感識(shí)別方法結(jié)構(gòu),首先計(jì)算像元?dú)w屬概率:將6景 Landsat TM8影像分類結(jié)果分別按照3X3的濾波尺度進(jìn)行計(jì)算,得到6景影像每個(gè)像元的 歸屬概率。接著從空間維度出發(fā),根據(jù)像元時(shí)空概率計(jì)算方法(見(jiàn)公式2),得到像元時(shí)空概 率。圖3為截取的研究區(qū)局部參與TSPM分類過(guò)程中各步驟的像元?dú)w屬概率圖和最終像元 時(shí)空概率圖。最終得到時(shí)空概率分布圖如圖4所示。
      [0072] 2、基于雙窗口變步長(zhǎng)的閾值設(shè)定方法水稻提取
      [0073] (1)水稻閾值計(jì)算:根據(jù)變化閾值檢測(cè)方法-雙窗口變步長(zhǎng)閾值搜尋方法劃分目 標(biāo)作物閾值,提取水稻。其基本假設(shè)是:如果包含不同變化類型的典型變化訓(xùn)練樣區(qū),能夠 確定某一閾值,使得變化檢測(cè)精度達(dá)到最大,則該閾值在整景圖像上亦可能使檢測(cè)精度達(dá) 到最大(陳晉等,2001)。計(jì)算得到水稻時(shí)空概率閾值為0. 68。
      [0074] (2)分類結(jié)果優(yōu)化:分類結(jié)果優(yōu)化主要是為了剔除與水稻易混地類-水體:在水稻 的生長(zhǎng)初期,水體區(qū)域的像元?dú)w屬于水稻的概率為100%。根據(jù)TSPM計(jì)算方法,在水稻關(guān)鍵 生長(zhǎng)期的其他影像水體的像元屬于水稻的概率為〇%。最后計(jì)算出這些像元屬于水稻的概 率為100%,顯然是錯(cuò)誤的。因此,需要對(duì)這部分象元進(jìn)行剔除。剔除方法:以水體為目標(biāo) 類,采用本實(shí)驗(yàn)提出的方法,獲取象元屬于水體的時(shí)空概率,其值為100%的像元可確定類 別為水體。最后,根據(jù)劃分的閾值,分出水稻與非水稻(見(jiàn)圖5)。
      [0075] 五、結(jié)果與分析
      [0076] 1、精度評(píng)價(jià)
      [0077] 本實(shí)驗(yàn)采用無(wú)人機(jī)航拍影像和"高分一號(hào)" 8米分辨率影像作為地表真值,研究區(qū) 內(nèi)無(wú)人機(jī)航拍影像和"高分一號(hào)" 8米分辨率影像和矢量化數(shù)據(jù)轉(zhuǎn)化的柵格數(shù)據(jù)進(jìn)行重分 類,使重分類后的地物為水稻和非水稻。采用混淆矩陣進(jìn)行精度評(píng)價(jià)。通過(guò)混淆矩陣計(jì)算 獲得圖像分類的用戶精度、生產(chǎn)精度及總體精度進(jìn)行分類結(jié)果精度評(píng)價(jià)與分析。并與分類 后比較法分類結(jié)果精度進(jìn)行比較。
      [0078] (1)時(shí)空概率模型水稻遙感識(shí)別方法與分類后比較法結(jié)果比較:時(shí)空概率模型水 稻遙感識(shí)別方法分類結(jié)果的用戶精度、制圖精度、總體精度均高于分類后比較法。時(shí)空概率 模型水稻遙感識(shí)別方法對(duì)于水稻的識(shí)別方法精度達(dá)到了較高的準(zhǔn)確率。其原因是,時(shí)空概 率模型水稻遙感識(shí)別方法將像元時(shí)間維度和空間維度的信息充分利用,并且有效的避免了 影像被云污染和各期影像對(duì)應(yīng)空間位置像元類別不同的影響,很大程度上提高了識(shí)別的精 度。而分類后比較法影像被云污染,光譜信息損失,導(dǎo)致單期影像分類結(jié)果存在錯(cuò)誤。進(jìn)行 分類后比較時(shí),這種錯(cuò)誤被繼承到了最后的分類結(jié)果中,很大程度的降低了分類精度。
      [0079] 表1試驗(yàn)結(jié)果
      [0080]
      [0081] (2)云污染區(qū)域分類結(jié)果比較:實(shí)驗(yàn)選取云污染較嚴(yán)重區(qū)域(圖6)。時(shí)空概率模 型水稻遙感識(shí)別方法較好的得到了云污染區(qū)域的水稻分布信息。而分類后比較法,由于光 譜信息的缺失,無(wú)法完整的獲得云污染區(qū)域水稻分布信息。時(shí)空概率模型水稻遙感識(shí)別方 法不完全依賴像元光譜信息,而是結(jié)合了時(shí)間維度和空間維度上的鄰域像元和相鄰時(shí)相影 像像元的相關(guān)信息,對(duì)污染區(qū)域水稻分布情況進(jìn)行了較準(zhǔn)確的預(yù)測(cè)。很好的避免了影像被 云污染導(dǎo)致的分類結(jié)果不準(zhǔn)確的問(wèn)題。
      [0082] (3)椒鹽處理:分類結(jié)果中的椒鹽現(xiàn)象表現(xiàn)為單個(gè)像元類別與其周圍像元類別不 同。實(shí)驗(yàn)選取了分類結(jié)果中的局部區(qū)域分析,PCC分類結(jié)果中存在椒鹽現(xiàn)象,TSPM-定程 度上解決了這個(gè)問(wèn)題(見(jiàn)圖7)。原因是,PCC方法中兩景影像基于像元的分類結(jié)果本身存 在椒鹽現(xiàn)象,兩景影像分類結(jié)果進(jìn)行分類后比較分析時(shí)使得這種識(shí)別錯(cuò)誤進(jìn)一步累積,導(dǎo) 致分類結(jié)果中椒鹽現(xiàn)象增多。TSPM分類采用像元?dú)w屬概率和時(shí)空概率的方法,以濾波的方 式,去除了單期影像的椒鹽現(xiàn)象,最后通過(guò)閾值分析確定了像元的類別,有效的降低了單期 影像椒鹽現(xiàn)象帶來(lái)的誤差積累問(wèn)題。模型本身采取的濾波方式進(jìn)行概率計(jì)算,從一定程度 上降低了單個(gè)像元類別不同于鄰域像元類別這種情況發(fā)生的概率。
      [0083] 2、濾波尺度對(duì)分類結(jié)果的影響
      [0084] 為分析TSPM模型濾波尺度對(duì)分類結(jié)果的影響,實(shí)驗(yàn)另外分別設(shè)置5 X 5、7 X 7、 9 X 9、11 X 11大小的搜索窗口,獲取不同濾波尺度下的水稻時(shí)空概率圖。并根據(jù)雙窗口變步 長(zhǎng)的閾值確定方法計(jì)算閾值見(jiàn)圖8,分出水稻與非水稻類。TSPM模型分類精度隨濾波尺度 變化的趨勢(shì)見(jiàn)圖9。
      [0085] (1)濾波尺度改變對(duì)分類精度的影響分析
      [0086] 不同濾波尺度下TSPM分類精度見(jiàn)表2。隨著時(shí)空概率模型水稻遙感識(shí)別方法搜索 窗口的增大,用戶精度逐漸降低并趨于穩(wěn)定,制圖精度則呈相反趨勢(shì)變化,總體精度呈現(xiàn)先 降低后增加的現(xiàn)象(圖9)。但整體上來(lái)看呈現(xiàn)上升趨勢(shì)。由此結(jié)果可知:隨著TSPM模型 搜索窗口的增大,水稻被漏分的可能性升高,而其它類錯(cuò)分入水稻的可能性則在降低。其 原因是隨著搜索窗口的增大,中心像元?dú)w屬概率的計(jì)算受到了周圍像元的影響更大。模型 對(duì)于作物空間分布的敏感性會(huì)有一定程度的增加,分類結(jié)果的穩(wěn)定性就會(huì)降低。因此用戶 精度呈下降趨勢(shì)而制圖精度則呈上升趨勢(shì)。這也很好的解釋了總體精度升高的原因。但是 對(duì)于分類來(lái)說(shuō),是一個(gè)目標(biāo)作物錯(cuò)入和錯(cuò)出的平衡過(guò)程,因此并非窗口越大越好。從圖9可 以看出搜索窗口設(shè)置為9X9時(shí)較為適宜。
      [0087] 表2不同濾波尺度下TSPM分類精度
      [0088]
      [0089] (2)TSPM在不同景觀特征下的適用性探討:實(shí)驗(yàn)選取研究區(qū)內(nèi)景觀規(guī)整區(qū)域(圖 10)與景觀特破碎區(qū)域(圖11)的分類結(jié)果進(jìn)行分析。從分類精度來(lái)看,TSPM在景觀規(guī)整區(qū) 域,用戶精度在95. 5%~93. 5%之間,隨濾波尺度增大呈下降趨勢(shì)。制圖精度在93. 5%~ 97. 0 %之間,隨濾波尺度增加呈上升趨勢(shì)。總體精度均達(dá)到了 93. 5%以上,隨濾波尺度增加 呈先上升后下降趨勢(shì)。景觀破碎區(qū)域用戶精度在95 %~91 %之間,制圖精度在86 %~91 % 之間,二者精度隨濾波尺度增加的變化趨勢(shì)與景觀規(guī)整區(qū)域的相同??傮w精度則在88%~ 89%之間,呈先下降再平緩上升的趨勢(shì)。分析圖12(a)可知,景觀規(guī)整區(qū)域窗口大小為5X5 時(shí)分類達(dá)到較好效果。分析圖12(b)可知,景觀破碎區(qū)域窗口大小為9X9時(shí)達(dá)到較好效 果。從時(shí)空概率模型水稻遙感識(shí)別方法分類總體的結(jié)果來(lái)看,隨著搜索窗口的增大,對(duì)分類 總體的精度是有益的。而對(duì)于景觀破碎區(qū)域,為了保證破碎區(qū)域地物邊界附近像元分類更 加準(zhǔn)確,需要增加鄰域像元的信息來(lái)進(jìn)行判斷。這也從直觀上說(shuō)明了 TSPM模型在對(duì)景觀破 碎區(qū)域分類時(shí),濾波尺度應(yīng)當(dāng)大于景觀規(guī)整區(qū)域較為適宜。
      [0090] 本方法以遼寧省西部3市縣(盤錦市市轄區(qū)、盤山市、大洼縣),總面積 2947.7KM2(40。0' -40° 6' N,121° 3' -122° 8' E)為實(shí)驗(yàn)區(qū),將影像時(shí)間維度與空 間維度相結(jié)合,以濾波方式計(jì)算像元時(shí)空概率,對(duì)水稻進(jìn)行遙感分類識(shí)別,得出以下結(jié)論:
      [0091] (1)本研究提出的時(shí)空概率模型水稻遙感識(shí)別方法進(jìn)行作物遙感監(jiān)測(cè)是可行且有 效的。該模型可以充分利用中心像元的鄰域像元及相鄰時(shí)相像元的信息進(jìn)行中心像元類別 的判定。從實(shí)驗(yàn)結(jié)果看,該模型水稻遙感分類識(shí)別的精度較高。避免了影像被云污染、各期 影像幾何校正不準(zhǔn)確及單期影像分類不準(zhǔn)確帶來(lái)的變化監(jiān)測(cè)遙感分類識(shí)別類別錯(cuò)誤信息 的累積問(wèn)題,并且一定程度上解決了單期影像分類結(jié)果椒鹽現(xiàn)象累積和最終分類結(jié)果椒鹽 現(xiàn)象嚴(yán)重的出現(xiàn)。
      [0092] (2)時(shí)空概率模型水稻遙感識(shí)別方法充分提取時(shí)間維度和空間維度的影像信息, 利用濾波方式進(jìn)行概率計(jì)算,最終判定中心像元類別。實(shí)驗(yàn)結(jié)果說(shuō)明,TSPM濾波尺度在不 同景觀特征下的適用性不同。景觀特征破碎區(qū)域比規(guī)整區(qū)域更適宜較大的濾波尺度。
      [0093] (3)時(shí)空概率模型水稻遙感識(shí)別方法分類識(shí)別方法簡(jiǎn)單、有效的避免了影像被"云 污染"的問(wèn)題。針對(duì)作物的分類識(shí)別,充分提取時(shí)間和空間兩個(gè)維度的像元信息,以時(shí)空概 率進(jìn)行目標(biāo)作物閾值劃分能夠有效的進(jìn)行水稻識(shí)別,提高了遙感影像的適用性。
      [0094] 以上所述,僅是用以說(shuō)明本發(fā)明的具體實(shí)施案例而已,并非用以限定本發(fā)明的可 實(shí)施范圍,舉凡本領(lǐng)域熟練技術(shù)人員在未脫離本發(fā)明所指示的精神與原理下所完成的一切 等效改變或修飾,仍應(yīng)由本發(fā)明權(quán)利要求的范圍所覆蓋。
      【主權(quán)項(xiàng)】
      1. 一種時(shí)空概率模型水稻遙感識(shí)別方法,用于水稻識(shí)別。其特征在于所述方法主要包 括以下步驟: 步驟一、數(shù)據(jù)準(zhǔn)備; 步驟二、數(shù)據(jù)預(yù)處理; 步驟三、構(gòu)建時(shí)空概率模型; 步驟四、像元?dú)w屬概率計(jì)算; 步驟五、像元時(shí)空概率計(jì)算; 步驟六、作物類別閾值劃分; 步驟七、時(shí)空概率模型分類實(shí)現(xiàn)。2. 根據(jù)權(quán)利要求1所述的時(shí)空概率模型水稻遙感識(shí)別方法,其特征在于:所述步驟 一~步驟七具體為: 步驟一、數(shù)據(jù)準(zhǔn)備,選取目標(biāo)區(qū)域,獲取同一區(qū)域的多期LandsatS影像數(shù)據(jù)、航拍數(shù) 據(jù)、"高分一號(hào)"數(shù)據(jù); 步驟二、數(shù)據(jù)預(yù)處理,包括對(duì)步驟一獲取的Landsat8影像數(shù)據(jù)根據(jù)一定的先驗(yàn)知識(shí)對(duì) 影像進(jìn)行初步分類;對(duì)航拍數(shù)據(jù)和"高分一號(hào)"8米分辨率數(shù)據(jù)進(jìn)行坐標(biāo)系轉(zhuǎn)換、解譯、矢量 化和屬性賦值并形成柵格數(shù)據(jù); 步驟三、構(gòu)建時(shí)空概率模型,以濾波方法為基礎(chǔ),從影像時(shí)間維度和空間維度出發(fā),提 取像元類別信息,通過(guò)概率計(jì)算的方式,構(gòu)建像元時(shí)空概率計(jì)算方法。 步驟四、像元?dú)w屬概率計(jì)算,定義與中心像元類別相同的鄰域像元的數(shù)目占濾波窗口 總數(shù)的比例為中心像元的歸屬概率; 步驟五、像元時(shí)空概率計(jì)算,以時(shí)間序列影像相同位置像元?dú)w屬概率的均值作為中心 像元的時(shí)空概率;被云污染的像元不參與時(shí)空概率計(jì)算; 步驟六、作物類別閾值劃分,選取適宜的變化監(jiān)測(cè)閾值劃分方法,以像元時(shí)空概率為基 礎(chǔ),計(jì)算劃分作物類別的閾值。 步驟七、時(shí)空概率模型分類實(shí)現(xiàn),以步驟六所計(jì)算閾值為依據(jù),提取目標(biāo)作物像元。實(shí) 現(xiàn)作物類別劃分。3. 根據(jù)權(quán)利要求2所述的時(shí)空概率模型水稻遙感識(shí)別方法,其特征在于:所述方法還 包括步驟八、采用無(wú)人機(jī)航拍數(shù)據(jù)和"高分一號(hào)"8米分辨率數(shù)據(jù)評(píng)價(jià)分類結(jié)果,對(duì)選取目標(biāo) 區(qū)域無(wú)人機(jī)航拍影像及"高分一號(hào)" 8米分辨率影像矢量化數(shù)據(jù)轉(zhuǎn)化的柵格數(shù)據(jù)進(jìn)行重分 類,使重分類后的分類結(jié)果與所述步驟七的分類數(shù)據(jù)進(jìn)行像元對(duì)像元的疊加比較,得到用 于分類結(jié)果精度評(píng)價(jià)的混淆矩陣。4. 根據(jù)權(quán)利要求2所述的時(shí)空概率模型水稻遙感識(shí)別方法,其特征在于:所述步驟二 中以時(shí)間序列LandsatS多期影像初步分類結(jié)果為基礎(chǔ)數(shù)據(jù),利用時(shí)空概率型計(jì)算方法,計(jì) 算像元時(shí)空概率,通過(guò)下列公式計(jì)算得到: Pij= n .j/(m*m),(i = 1,2, · · ·,L ; j = 1,2, · · ·,K)式中:P1,-第i期影像中第j個(gè)像元的歸屬概率;η ,-第i期影像第j個(gè)像元為中心 像元時(shí)窗口內(nèi)目標(biāo)作物的像元個(gè)數(shù);m*m-搜索窗口大小;L-影像總數(shù);K-各期影像參與 計(jì)算像元數(shù);像元時(shí)空歸屬概率;N-參與像元時(shí)空概率計(jì)算的影像數(shù)量。5. 如權(quán)利要求2所述的時(shí)空概率模型水稻識(shí)別方法,其特征在于:所述步驟四、五是以 濾波方法為基礎(chǔ),以概率表達(dá)像元類別為核心,構(gòu)建像元時(shí)空概率計(jì)算方法。6. 如權(quán)利要求2-5之一所述的時(shí)空模型水稻識(shí)別方法,其特征在于:所述的航拍數(shù)據(jù) 為高分辨率的無(wú)人機(jī)航拍數(shù)據(jù),拍攝多個(gè)無(wú)入機(jī)航拍樣方,對(duì)多幅樣方進(jìn)行拼接后轉(zhuǎn)換坐 標(biāo)系。對(duì)"高分一號(hào)"8米分辨率樣方數(shù)據(jù)進(jìn)行坐標(biāo)轉(zhuǎn)換。并且目視解譯矢量化及地塊屬性 賦值,以面積占優(yōu)的方法轉(zhuǎn)換成一定分辨率的柵格數(shù)據(jù)。
      【文檔編號(hào)】G06K9/62GK105894006SQ201410711795
      【公開(kāi)日】2016年8月24日
      【申請(qǐng)日】2014年12月2日
      【發(fā)明人】張錦水, 孫佩軍, 潘耀忠, 謝登峰, 袁周米琪
      【申請(qǐng)人】北京師范大學(xué)
      網(wǎng)友詢問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1