本發(fā)明涉及遙感分類
技術(shù)領(lǐng)域：
，具體涉及一種基于植被指數(shù)思想的地物信息遙感提取方法。
背景技術(shù)：
：地物識別與提取對社會很多領(lǐng)域都具有重要的應(yīng)用意義。遙感是一種大范圍、快速獲取地面地物信息的技術(shù)。因此，及時(shí)、準(zhǔn)確地獲取地物空間分布信息的技術(shù)與方法是當(dāng)前遙感領(lǐng)域重要研究方向之一。當(dāng)前，已有的地物遙感提取技術(shù)與方法有很多，例如基于不同分類技術(shù)的提取方法，包括監(jiān)督分類和非監(jiān)督分類(比如，目視解譯、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、聚類等分類技術(shù))；基于不同遙感數(shù)據(jù)源的提取方法，包括高、中、低分辨率遙感影像(MODIS、TM/ETM、SPOT、高分等)，以及地面、航空、航天等方式獲取的遙感數(shù)據(jù)(車載掃描儀、無人機(jī)/載人飛機(jī)、衛(wèi)星等)。但是，根據(jù)已有研究成果分析發(fā)現(xiàn)，現(xiàn)有地物遙感提取方法存在以下問題：一是提取精度不穩(wěn)定，特別是空間位置精度低；二是方法具有區(qū)域局限性，普適性差；三是需要人工采集大量的地物訓(xùn)練樣本；四是人為因素干擾較大；五是方法復(fù)雜；六是自動化程度較低。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于解決以上技術(shù)問題，提供一種基于植被指數(shù)思想的地物信息遙感提取方法，通過遙感技術(shù)獲取目標(biāo)的遙感圖像，根據(jù)遙感圖像建立目標(biāo)地物特征信息曲線，經(jīng)特定的技術(shù)方法，結(jié)合閾值分割技術(shù)提取地物信息。為解決上述問題，本發(fā)明采用以下技術(shù)方案：一種基于植被指數(shù)思想的地物信息遙感提取方法，包括以下步驟：S1.選取目標(biāo)地物，計(jì)算得出相應(yīng)的NEW-NDVI或NEW-RVI值，所述NEW-NDVI和NEW-RVI的計(jì)算方法包括以下步驟：a.通過遙感技術(shù)獲取目標(biāo)地物特征信息數(shù)據(jù)，并根據(jù)目標(biāo)地物特征信息數(shù)據(jù)建立目標(biāo)地物特征信息時(shí)間序列曲線；b.將目標(biāo)地物特征信息時(shí)間序列曲線與葉綠素波譜特征曲線類比，取目標(biāo)地物特征信息時(shí)間序列曲線中的高值影像(H_Image)和低值影像(L_Image)；根據(jù)下述公式計(jì)算NEW-NDVI或NEW-RVI，NEW-NDVI＝(H_Image-L_Image)/(H_Image+L_Image)，NEW-RVI＝H_Image/L_Image，其中，H_Image是目標(biāo)地物特征信息高值影像，L_Image是目標(biāo)地物特征信息低值影像，NEW-NDVI或NEW-RVI值大于T的區(qū)域表示目標(biāo)地物，小于等于T的區(qū)域表示其它地物；所述T在與NEW-NDVI值對比時(shí)，-1＜T≤0；所述T在與NEW-RVI值對比時(shí)，0＜T≤1；所述葉綠素波譜特征曲線選自地物波譜庫；c.重復(fù)步驟a和b，再選取幾對目標(biāo)地物特征信息時(shí)間序列曲線中的高值和低值影像，按照NEW-NDVI或NEW-RVI公式計(jì)算得出NEW-NDVI2/NEW-RVI2、NEW-NDVI3/NEW-RVI3、NEW-NDVI4/NEW-RVI4…S2.應(yīng)用閾值分割技術(shù)分別提取步驟S1獲得NEW-NDVII或NEW-RVI值中大于T的部分，即可去除部分非目標(biāo)地物信息；S3.應(yīng)用數(shù)學(xué)中集合相交運(yùn)算，將步驟S2得到的多個(gè)NEW-NDVI或NEW-RVI值求交得出最終的目標(biāo)地物信息。進(jìn)一步地，所述目標(biāo)地物特征信息數(shù)據(jù)為高分辨率遙感影像、中分辨率遙感影像、低分辨率遙感影像、多光譜遙感數(shù)據(jù)或高光譜遙感數(shù)據(jù)。進(jìn)一步地，所述步驟S1的子步驟b中，還包括將H_Image和L_Image分別類比葉綠素波譜特征曲線的近紅外光波段和紅光波段。進(jìn)一步地，所述葉綠素波譜特征曲線是由光譜儀測量得到，或者通過遙感軟件處理多光譜影像得到；進(jìn)一步地，所述目標(biāo)地物為植被、土壤、巖石或大氣。本發(fā)明的原理為：根據(jù)葉綠素波譜特征曲線，近紅外光波段是葉綠素高反射波段，可見光紅光波段是葉綠素低反射波段，近紅外光和紅光兩個(gè)波段之比即為比值植被指數(shù)(RVI)，兩波段之差除以兩波段之和即為歸一化植被指數(shù)(NDVI)。上述幾種植被指數(shù)的原理可以簡單地看做是對葉綠素具有高值(近紅外波段)和低值(可見光紅波段)特征的兩個(gè)影像做比值或差值等運(yùn)算的指數(shù)，這些植被指數(shù)可以較好的描述綠色植被的覆蓋程度。歸一化植被指數(shù)的取值在-1和1之間，其中，小于0的部分表示水體、雪、云等；等于0表示巖石；大于0表示綠色植被。對于比值植被指數(shù)，綠色植被覆蓋區(qū)域的比值植被指數(shù)的值遠(yuǎn)大于1，小于2；無植被覆蓋區(qū)域的RVI值小于或等于1。本發(fā)明一種基于植被指數(shù)思想的地物信息遙感提取方法，與現(xiàn)有技術(shù)相比，其突出的特點(diǎn)和優(yōu)異的效果在于：本發(fā)明基于植被指數(shù)思想的地物信息遙感提取方法根據(jù)目標(biāo)地物特征信息曲線類比葉綠素波譜特征曲線來提取植被信息，提取精度穩(wěn)定，普適性強(qiáng)，適用于各種復(fù)雜環(huán)境，自動化程度高，避免了提取過程中人為因素的干擾，同時(shí)提取方法簡單，提取的信息準(zhǔn)確，對掌握目標(biāo)地物空間分布信息、促進(jìn)遙感分類技術(shù)的應(yīng)用發(fā)展具有重要意義。附圖說明圖1為本發(fā)明一種基于植被指數(shù)思想的地物信息遙感提取方法的流程圖；圖2為本發(fā)明實(shí)施例中目標(biāo)地物冬小麥NDVI時(shí)間序列曲線圖；圖3為本發(fā)明實(shí)施例中冬小麥波譜特征曲線圖；圖4為本發(fā)明實(shí)施例中冬小麥高分目視解譯結(jié)果圖；圖5為本發(fā)明實(shí)施例中提取出冬小麥種植面積及空間分布圖。具體實(shí)施方式以下通過具體實(shí)施方式和附圖對本發(fā)明作進(jìn)一步的詳細(xì)說明，但不應(yīng)將此理解為本發(fā)明的范圍僅限于以下的實(shí)例。在不脫離本發(fā)明上述方法思想的情況下，根據(jù)本領(lǐng)域普通技術(shù)知識和慣用手段做出的各種替換或變更，均應(yīng)包含在本發(fā)明的范圍內(nèi)。下面以農(nóng)作物冬小麥作為目標(biāo)地物為例，提取河北省辛集市2014年農(nóng)作物冬小麥種植面積及空間分布，并進(jìn)行精度驗(yàn)證。遙感數(shù)據(jù)可以選擇高、中、低分辨率遙感影像，以及多光譜、高光譜等遙感數(shù)據(jù)。本次提取使用分辨率為250米的MODIS-NDVI16天合成遙感影像數(shù)據(jù)。具體提取過程如下：(1)選取歸一化植被指數(shù)作為目標(biāo)地物冬小麥的特征信息，從2013年第289天到2014年第177天總共16期MODIS-NDVI影像數(shù)據(jù)，并以這16期MODIS影像數(shù)據(jù)建立冬小麥NDVI時(shí)間序列曲線。根據(jù)NEW-NDVI＝(H_Image-L_Image)/(H_Image+L_Image)計(jì)算對應(yīng)的NEW-NDVI值，應(yīng)用閾值分割法分別提取這16期NEW-NDVI大于零的部分，初次去除非目標(biāo)地物信息。并基于分割提取后的16期數(shù)據(jù)，再次建立目標(biāo)地物冬小麥NDVI時(shí)間序列曲線(如圖2所示)。(2)將目標(biāo)地物冬小麥NDVI時(shí)間序列曲線類比冬小麥波譜特征曲線(如圖3所示)，選取冬小麥NDVI時(shí)間序列曲線中2013年第321天數(shù)據(jù)作為高值影像和2013年第289天數(shù)據(jù)作為低值影像，分別類比冬小麥波譜特征曲線中的近紅外波段和紅波段。高值和低值影像之差除以高值和低值影像之和，記為NEW-NDVI1并計(jì)算相應(yīng)的值；(3)同理，根據(jù)目標(biāo)地物冬小麥NDVI時(shí)間序列曲線和NEW-NDVI公式，選取2014年第81天作為高值，2014年第161天作為低值，記為NEW-NDVI2并計(jì)算相應(yīng)的值；選取2014年第97天作為高值，2014年第145天作為低值，記為NEW-NDVI2并計(jì)算相應(yīng)的值；(4)應(yīng)用閾值分割技術(shù)分別提取NEW-NDVI1、NEW-NDVI2和NEW-NDVI3大于零的部分，進(jìn)一步去除非目標(biāo)地物冬小麥信息；(5)應(yīng)用數(shù)學(xué)集合相交運(yùn)算法，將NEW-NDVI1、NEW-NDVI2、NEW-NDVI3等大于零的部分求交得出最終的目標(biāo)地物冬小麥種植信息(如圖4所示)。辛集市2014年冬小麥種植面積及空間分布見表1；(6)本發(fā)明方法提取目標(biāo)地物結(jié)果精度驗(yàn)證；驗(yàn)證數(shù)據(jù)選用分辨率為16米的2014年4月3日高分一號遙感影像數(shù)據(jù)結(jié)合2014年6月23日高分一號影像，目視解譯辛集市冬小麥的種植結(jié)構(gòu)，解譯數(shù)據(jù)記為高分目視解譯結(jié)果，如圖5所示。2014年辛集市高分目視解譯提取冬小麥面積為362.96平方公里，應(yīng)用該解譯結(jié)果驗(yàn)證本發(fā)明中M-NDVI模型提取目標(biāo)地物冬小麥的精度，具體見下面統(tǒng)計(jì)表1。表1本發(fā)明方法提取目標(biāo)地物冬小麥精度本發(fā)明提取冬小麥精度驗(yàn)證包括三個(gè)個(gè)方面：面積準(zhǔn)確度、位置準(zhǔn)確度以及整體精度，具體定量描述公式為：面積準(zhǔn)確度＝Abs(新方法提取面積-目視解譯面積)/目視解譯面積位置準(zhǔn)確度＝新方法提取結(jié)果與目視解譯結(jié)果位置重合面積/目視解譯面積整體精度＝(面積準(zhǔn)確度+位置準(zhǔn)確度)/2在驗(yàn)證過程中，除與高分一號目視解譯結(jié)果驗(yàn)證以外，還可以應(yīng)用政府部門統(tǒng)計(jì)數(shù)據(jù)對新方法提取結(jié)果進(jìn)行面積精度驗(yàn)證，基于統(tǒng)計(jì)數(shù)據(jù)的精度驗(yàn)證見表2。據(jù)政府部門統(tǒng)計(jì)數(shù)據(jù)，辛集市常年種植小麥60萬畝(400平方公里)。表2本發(fā)明方法提取目標(biāo)地物冬小麥精度年份本發(fā)明方法提取面積政府部門統(tǒng)計(jì)面積面積之差準(zhǔn)確度2014381.03km2400km218.97km295.26％以上實(shí)施例僅用于說明本發(fā)明，而并非是對本發(fā)明的限制，有關(guān)
技術(shù)領(lǐng)域：
的普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護(hù)范圍應(yīng)由權(quán)利要求限定。當(dāng)前第1頁1 2 3