基于多源影像的湿地分类方法技术

本发明专利技术属于遥感影像处理领域，公开了一种基于多源影像的湿地分类方法，包括如下步骤：(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM‑RFE算法获得最佳特征组合；(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。本发明专利技术实现了湿地信息准确、快速提取。

【技术实现步骤摘要】
基于多源影像的湿地分类方法
本专利技术涉及一种基于多源影像的湿地分类方法，属于遥感影像处理领域。
技术介绍
高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。利用遥感影像与机器学习已成为湿地分类及制图的主要方法之一。因获取质量较好的高时空分辨率光学影像十分困难，以往的区域湿地分类研究多采用时序中分辨率成像光谱仪(MODIS)获取的低分辨率影像(空间分辨率>100)，尽管其能反映湿地植被的时序变化，但空间表达不够精细，从而影响分类精度，低分辨率影像在区域湿地信息精细提取中面临着较大的挑战。目前，可免费获取的Sentinel-2MSI影像具有较Landsat8OLI更高的空间分辨率、光谱分辨率及时间分辨率，更有利于湿地植被与农作物识别。但受天气影响，获取的时序Sentinel-2MSI影像的时间间隔会相应延长。因此，部分学者采用遥感时空融合技术，如时空自适应反射融合模型(STARFM)和增强型时空自适应反射融合模型(ESTARFM)等，以获取密集的时序Sentinel-2MSI影像。该类算法主要对MODIS产品数据进行降尺度来预测对应日期的Sentinel-2MSI影像。但由于MODIS数据分辨率较低，在寻找“同质像元”的过程中势必会受到影响，从而有时会导致Sentinel-2MSI的预测精度过低。另一方面，在以往的湿地分类研究中，主要采用单一分类器(如支持向量机算法(SVM)、随机森林算法(RF)、K-近邻(kNN)算法及卷积神经网络(CNN))和固定组合分类器，但由于湿地生态系统较为复杂，这些分类器的稳定性和适应性明显不足。
技术实现思路
本专利技术的目的是提供一种基于多源影像的湿地分类方法，采用多尺度卷积神经网络超分辨率重建技术，结合陆地卫星8号陆地成像仪(Landsat8OLI，空间分辨率30m)与哨兵2号卫星多光谱成像仪(Sentinel-2MSI，空间分辨率10m)两者之间的光谱协同效应，对Landsat8OLI数据进行降尺度，构建高时间分辨率(2-3天)、高空间分辨率(10米)的多光谱遥感影像，在此基础之上，结合哨兵1号(Sentinel-1)雷达卫星数据，利用面向对象的影像分析技术，并基于最佳分类精度进而选择最优的分类器组合，构建面向对象的自适应集成学习模型，从而提高湿地分类的精度及稳定性。为了实现上述目的，本专利技术提供一种基于多源影像的湿地分类方法，包括如下步骤：(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM-RFE(SupportVectorMachine-RecursiveFeatureElimination，支持向量迭代特征删除)算法获得最佳特征组合；(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。进一步地，所述步骤(4)后面还包括步骤(5)：通过土地利用数据和谷歌地球数据来选取训练样本，并利用实地调查数据对湿地分类结果进行验证。进一步地，步骤(1)中所述多源遥感影像包括两个来源的光学遥感影像和一个来源的雷达遥感影像，其中，所述两个来源的光学遥感影像分别取自Landsat8OLI和Sentinel-2MSI，所述雷达遥感影像取自Sentinel-1。进一步地，步骤(2)中所述多尺度卷积神经网络超分辨率重建的过程如下：1)将Sentinel-2MSI中的11，12波段的20m分辨率数据使用双线性内插法重采样成10m分辨率数据；2)将重采样后的Sentinel-2MSI中的11，12波段的10m分辨率数据和Sentinel-2MSI中的2，3，4，8波段的原始数据输入多尺度卷积神经网络超分辨率重建模型中生成10m分辨率的11，12波段；3)将Landsat8OLI中的1-7波段的原始数据及全色波段的原始数据分别通过双线性内插法重采样成10m分辨率数据；4)将重建后的Sentinel-2MSI所有波段的10m分辨率数据和重采样后的Landsat8OLI所有波段的数据全部输入多尺度卷积神经网络超分辨率重建模型生成10m分辨率的Landsat8OLI多光谱影像。进一步地，步骤(3)中所述改进的SVM-RFE算法的计算过程为：1)首先通过排序标准指标Ci对特征从大到小进行排列；2)生成一个大小为n×n的特征相关矩阵R；3)通过对R的上三角相关元素rij给定阈值对其进行选择性删除；进一步地，当rij<0.8时，则删除该第i行第j列的特征值rij。进一步地，步骤(4)中所述的面向对象的自适应集成学习模型的构建过程为：1)首先对最佳特征组合进行多尺度分割；2)将分割的影像及多个基分类器输入Stacking算法模型中，通过固定元分类器作为元分类器来组合各所述基分类器，逐步寻优以获得最佳的基分类器组合；3)基于最佳的基分类器组合对最佳特征组合进行分类，获取湿地信息。进一步地，所述基分类器包括SVM(支持向量机)、RF(随机森林)、DT(决策树)、kNN(K最近邻)和XGB(极端梯度提升)。进一步地，所述逐步寻优的过程为：通过SVM、RF、DT、kNN和XGB各算法进行自由组合来对湿地进行分类，通过各种组合产生的分类结果的精度验证及对比，以具有最佳分类精度的组合为基分类器组合。进一步地，以SVM+RF+kNN+XGB组合为最佳基分类器组合。通过本专利技术的上述技术方案，利用影像超分辨率重建技术融合多源影像，获取高时空分辨率多光谱影像，并构建了面向对象的自适应集成学习模型，实现了湿地信息准确、快速提取。本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术实施例，但并不构成对本专利技术实施例的限制。在附图中：图1为本专利技术一实施例的流程图；图2为本专利技术一实施例中用作湿地分类研究区的洞庭湖的位置图；图3为本专利技术一实施例中多尺度卷积神经网络超分辨率重建算法流程图；图4为本专利技术一实施例中面向对象的自适应集成学习模型的原理示意图。具体实施方式以下结合附图对本专利技术实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术实施例，并不用于限制本专利技术实施例。如图1所示，本专利技术基于多源影像的湿地分类方法的一个实施例，包括如下步骤：(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱本文档来自技高网...

【技术保护点】
1.一种基于多源影像的湿地分类方法，其特征在于，包括如下步骤：/n(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；/n(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；/n(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM-RFE算法获得最佳特征组合；/n(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。/n

【技术特征摘要】
1.一种基于多源影像的湿地分类方法，其特征在于，包括如下步骤：
(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；
(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；
(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM-RFE算法获得最佳特征组合；
(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。


2.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，所述步骤(4)后面还包括步骤(5)：通过土地利用数据和谷歌地球数据来选取训练样本，并利用实地调查数据对湿地分类结果进行验证。


3.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(1)中所述多源遥感影像包括两个来源的光学遥感影像和一个来源的雷达遥感影像，其中，所述两个来源的光学遥感影像分别取自Landsat8OLI和Sentinel-2MSI，所述雷达遥感影像取自Sentinel-1。


4.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(2)中所述多尺度卷积神经网络超分辨率重建的过程如下：1)将Sentinel-2MSI中的11，12波段的20m分辨率数据使用双线性内插法重采样成10m分辨率数据；2)将重采样后的Sentinel-2MSI中的11，12波段的10m分辨率数据和Sentinel-2MSI中的2，3，4，8波段的原始数据输入多尺度卷积神经网络超分辨率重建模型中生成10m分辨率的11，12波段；3)将Landsat8OLI中的1-7波段的原始数据及全色波段的原始数据分别通过双线性内插法重采样成10m分辨率...

【专利技术属性】
技术研发人员：张猛，林辉，蔡耀通，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：湖南;43