基于高分辨率遥感影像城市绿地变化信息提取技术与应用.docx
《基于高分辨率遥感影像城市绿地变化信息提取技术与应用.docx》由会员分享,可在线阅读,更多相关《基于高分辨率遥感影像城市绿地变化信息提取技术与应用.docx(22页珍藏版)》请在冰点文库上搜索。
![基于高分辨率遥感影像城市绿地变化信息提取技术与应用.docx](https://file1.bingdoc.com/fileroot1/2023-7/7/18c47720-e026-4e5e-9f59-ab0fa0b2f07f/18c47720-e026-4e5e-9f59-ab0fa0b2f07f1.gif)
基于高分辨率遥感影像城市绿地变化信息提取技术与应用
基于高分辨率遥感影像城市绿地变化信息提取技术与应用
1、研究背景
随着对全球变化研究的深入,当前对于城市土地利用/土地覆盖变化信息的监测、定量化及变化制图变得越来越重要。
城市绿地是指城市中以自然植被和人工植被为主要存在形态的城市用地。
作为城市中唯一有生命的基础设施,不仅具有不可替代的生态效益和环境效益,还发挥着相当程度的经济效,所以对于城市绿地的变化监测和调控成为城市规划的一项重要的课题。
随着城市的发展常规的实地调查等方法很难及时的得到城市绿地资料、冰倩效率低、成本高。
遥感技术作为城市土地利用/土地覆盖信息提取最重要的手段之一,具有快速、搞笑、范围大、动态实时获取信息的特点,利用该技术提取城市绿地变化信息可以很好的弥补常规方法的缺陷,实现大范围城市绿化调查,为城市发展和生态规划提供科学依据和技术支撑。
目前基于遥感影像提取城市绿地变化信息的主要方法有监督分类法、非监督分类法、目视解译、决策树分类法、专家系统分类法、神经网络分类法、支持向量机分类及模糊分类法。
不同方法各有优点,本次研究选择模糊分类法,而模糊分类法中目前最主流的就是面向对象分类法。
3、基于eCognition的城市绿地变化信息提取过程
选择某一地区成像于2002年和2004年的QuickBird高分辨率多光谱影像和全色影像,试验基于面向对象分类法的快速提取城市绿地变化信息。
主要分为四大步:
创建两期影像地图空间、分别进行分类、同步两期分类结果、变化监测分析。
3.1创建两期影像地图空间
打开eCognition软件主界面如下。
新建工程,添加数据,注意修改影像层的波段名称区分T1和T2实相,并统一投影坐标,如下
利用分层显色工具实现不同实相数据的正彩色显示,并利用垂直并列工具目视分析研究区的城市绿地分布差异。
在进程树种开始建立分类分类体系的建立。
右键鼠标弹出如下菜单栏
点击AppendNew弹出如下窗口
确定分类标题,点击OK,建立如下变化监检测总体分类树
在空白区继续右键鼠标,选择InsertChild弹出同样的窗体,分别输入四个子流程如下。
利用copymap算法分别为T1实相和T2实相建立独立的题图空间参数设置如下
点击执行,查看算法结果如下
按照相同的算法步骤建立T2实相的地图空间。
3.2进行分类
城市绿地信息提取的最主要指标NDVI,eCogntion软件本身没有提供这个特征的算法,但是可以进行简单的波段运算,人工定义NDVI特征。
在特征描述窗口中选择自定义算术特征如下
点击自定义算术特征弹出如下窗口
分别选择T1和T2实相的近红外波段和红外波段进行简单的波段运算,建立T1和T2实相的城市绿地提取特征NDVI.
在进行分类子流程下点击InsertChild弹出如下窗口:
做如上的参数设置:
选择Multiresolutionsegmentation(多尺度分割)算法、T1时相的所有波段分割权重设置为1、分割尺度为25、形状指数0.1、紧凑度指数0.8。
点击执行,分割结果如下
右键自定义的饿NDVI特征,
调整NDVI特征的特征值上下限,获取城市绿地分布NDVI特征值分布范围。
最后获取的城市绿地EDVI特征值范围如下
同样在分类子流程下添加子模糊分类器算法,弹出入戏窗口
选择分类分类算法assignclass算法、选择分类条件NDVI>=0.3、并分类为T1时相的植被
点击执行,T1时相的城市植被提取结果如下
把其他不是城市植被的地物全部分为非植被,参数设置如下
点击执行,T1时相的城市绿地信息提取结果如下
选择mergeregion算法分别把T1时相的植被和非植被各自相邻的相同类别进行合并参数设置如下
合并结果如下
遵循相同的分类步骤实现T2时相的城市植被提取,最后两期影像分类结果对比如下
3.3同步地图空间
在同步地图子流程下,分别把T1时相和T2时相的分类结果复制到主地图Main中。
首先进行T1时相的分类结果复制到Main中,参数设置如下
点击执行后,结果如下
主地图中只有T1一个图层,需要新建一个图层,一般都是把T1时相的图层在Main中复制,T2时相数据覆盖原有数据即可。
利用copyimageobjectlevel算法实现图层复制如下
按照相似的参数设置把T2时相的分类结果复制到Main地图空间中。
注意:
选择两期影像地图不完全同步!
!
!
因为在复制地图空间后的地图空间是在T1地图空间的上层,所以T2时相复制到Main空间后作为了T1时相的父对象,而下层子对象的分割尺度必须不大于上层父对象的分割尺度,所以把T2时相数据复制到Main中相当于利用T2时相的数据对T1时相的数据进行了一次切割,效果如下:
T2时相数据T1时相数据
切割后T1时相的数据
3.4变化检测
在3.3中已经利用T2时相把T1时相切割了一次,使得T1时相的对应区域与T2时边界相同,选择converttosub-objects算法工具,利用T1时相对T2时相进行再一次的切割,保证最后两者分类区域边界完全一致
点击执行后切割结果如下:
切割前的T2
切割后的T2
新建一个图层用来保存变化检测结果数据。
同样的方法把T2时相的数据复制成新的数据层作为T2时相的父对象如下:
利用removeclassification算法工具删除已有类别,只保存地物对象的轮廓线,结果如下
变化检测的原则:
变化检测层包含有于T1时相和T2时相的相同边界的对象,仅仅只是没有确定具体的类别名称。
当T1时相某区域有植被而T2时相相同区域没有植被,则在变化检测层中显示为植被减少类;当T1时相某区域没有植被而T2时相相同区域有植被,则显示为植被增加类;当T1时相和T2时相相同区域内同时有植被,则显示为植被未变化类。
自定义变化检测层与T1时相和T2时相数据层的距离如下:
新建分类体系中分别新建立植被减少、植被增加和植被未变化三类。
双击植被减类,点击Contained添加分类规则Existenceofsubobjects植被T1
(2)=1。
同样添加Existenceofsubobjects植被T1
(1)=0
建立的植被减少分类规则集如下:
按照相同的方法建立植被增加的分类规则集如下
分类未变化类的分类规则如下
利用Classification算法实现变化植被的提取,参数设置如下
提取结果如下所示
4总结
本次试验对城市绿地信息提取研究背景和发展趋势进行了综述。
并对模糊分类法中的面向对象分类的算法及分类核心理论进行了深入的研究,同时也利用eCogntion软件进行了某地区的QuickBird高分辨率分多光谱和全色波段影像了城市绿地信息的快速提取,提取结果通过模糊显示可以看出分类结果和实际地物分布边界吻合程度高,分类效果好。
随着高分辨遥感影像的发展,目前的城市土地利用/土地覆盖分类技术能够利用的影像信息非常有限,分类总体效率不高,分类的结果已经难以满足城市规划和发展的需求。
所以进一步改进分类算法、提高分类效率和分类精度已经成为遥感科研工作必须解决的问题。