基于多源大数据的海岸带地域功能长时序识别方法技术

本发明专利技术涉及基于多源大数据的海岸带地域功能长时序识别方法，方法如下：首先，构建以人类生产、生活、生态为基础的海岸带地域功能用地分类，基于多源大数据融合平台采用随机森林算法对长时序影像进行初始分类。其次，利用扫描线种子填充算法和几何特征分析实现不透水面、水体的空间分离，并基于时空变化逻辑规则对耕地转变、近海养殖用地及盐田、围填海涉及的功能类型进行修正。最后，根据分类结果，提取粮食生产、近海养殖、围填海的变化范围和时间阶段。该方法提高了海岸带地域功能长时序识别精度，尤其适用于长时序、大范围、高密度的近海岸人类活动引发的地域功能用地转变与围填海建设的变化检测，能够直接应用于海岸带空间规划与区域政策的辅助决策。划与区域政策的辅助决策。划与区域政策的辅助决策。

【技术实现步骤摘要】
基于多源大数据的海岸带地域功能长时序识别方法


[0001]本专利技术涉及基于多源大数据的长时序海岸带地域功能长时序识别方法，特别是涉及一种基于遥感大数据分类的近海岸人类活动引发的地域功能用地转变与围填海建设的长时序识别方法。

技术介绍

[0002]海岸带区域是人口经济高度集聚且快速增长的区域，也是人地关系作用最为剧烈的区域，突出表现为海岸带陆地部分显著的土地利用变化以及近海海域的围填海活动。受人类日益增长的海产品需求以及临海经济发展的经济收益驱动，无论是海岸带陆域部分还是近海海域，除了传统的海水/混合水养殖、盐田等人类生产活动，围填海用于港口工业园区发展、滨海房地产开发、滨海旅游以及基础设施建设等，同样处于较为显著的扩张状态。随着遥感技术的飞速发展，遥感影像在时间、空间和光谱分辨率上都得到了极大的提高，凭借其广泛的观测范围、高效的数据获取方式和较低的经济成本，在海岸带资源调查、土地利用分类、景观功能监测等方面具有很大的潜力。如何能够快速、准确地对大区域的海岸带区域进行长时序、大范围、高密度的地域功能用地识别，一直是海岸带区域规划与政策研究亟待解决的基础性难题。
[0003]以往传统海岸带区域土地利用或地域功能变化检测的研究，普遍采用的是基于分类的变化检测方法。基于分类的变化检测方法，目前主要有两种，一种是较为传统和常用的分类后比较法或者双时态变化检测方法，一种是基于时间轨迹分析的变化检测。前者是先根据单时相影像进行分类，然后比较不同时相的分类结果获取变化检测信息，一般采用周年日期或周年窗口（年度周期或其倍数），多针对多地类要素整体分析。如2020年Liu等在《Ecological Indicators》撰文“Assessing and predicting changes in ecosystem service values based on land use/cover change in the Bohai Rim coastal zone”，基于多时相土地利用数据（2000、2005、2010、2015年），对环渤海沿岸地区生态系统服务价值进行评估。后者是通过构建时间序列指数重构地物变化过程，利用其季节和周期性特征，通过检测时间突变点获取目标地物转化情况。如2016年Zhang等在《ISPRS Journal of Photogrammetry and Remote Sensing》撰文“Annual dynamics of impervious surface in the Pearl River Delta, China,from 1988 to 2013, using time series Landsat imagery”，开发这一种逐年提取不投水面的有效方法，并应用于1988
‑
2013年中国南部的珠江三角洲。然而，当进行大尺度长时序、高频率的土地覆盖分类与变化检测时，受制于处理平台的计算能力和储存设备，且需要付出巨大的时间成本，传统遥感手段显然不是理想平台。近年来，新开发的地理空间数据分析云平台Google Earth Engine（GEE，https://earthengine.google.com/），改变了传统的遥感处理方法，其庞大的遥感影像数据集和高性能的计算能力，为长时期、大规模的海岸带遥感变化监测分析提供了一种新途径。
[0004]借助于GEE平台进行长时序海岸带地域功能或土地利用功能识别与变化检测的研究已取得了一些突破性的进展，主要侧重于基于时间序列特征指数的单一地物或同类地物
的研究，通过重构地物生产过程或利用季节性、稳定性等时间序列特征对海岸带特定地物或特定现象进行识别与变化检测，包括沿海滩涂、湿地、红树林、海岸线等特有的海岸带生态景观，以及养殖网箱、水产养殖池塘、围填海等多种沿海人类开发活动。利用GEE平台，对海岸带区域进行全覆盖、长时序土地利用功能谱系分类与变化检测的研究，已有一些初步的探索。如2018年Wang等在《Remote Sensing of Environment》撰文“Tracking annual changes of coastal tidal flats in China during 1986
–
2016 through analyses of Landsat images with Google Earth Engine”，通过计算自然地表水与植被覆盖海岸带的年度频率，得到1986
‑
2020年中国东部沿海滩涂的逐年30m空间分辨率地图；2019年Ma等在《remote sensing》撰文“Change Detection of Mangrove Forests in Coastal Guangdong during the Past Three Decades Based on Remote Sensing Data”，利用基于决策树方法研究广东省1985
‑
2015年30年红树林分布的时空特征。
[0005]在单一地物或同类地物在利用季节性、稳定性等时间序列特征进行识别与变化检测取得突出进展的同时，全覆盖的海岸带地域功能（或土地利用功能）分类仍侧重于陆域系统，在海陆统筹以及服务于海岸带地区可持续调控等方面需求仍有较大的差距。突出表现为：一是海岸带功能分类体系依然侧重于陆域土地覆盖/土地利用系统，缺乏对海陆统筹的整体考虑，尤其缺少对影响海岸带可持续发展的主要功能变化的关注；二是在解决海岸带这种复杂区域的分类制图与变化检测时，还需要进一步发挥大数据平台的多源数据融合的优势；三是长时序、大范围、高密度的海岸带地域功能识别与变化监测的研究较为薄弱，在已有的这些研究中有极少能够同时考虑到海岸带特有的地域功能类型时序间与空间邻域间的合理变化逻辑，严重制约了其识别与变化检测的精度。
[0006]本文提出了基于多源大数据的海岸带地域功能长时序识别方法，采用基于多源大数据融合的长时序、大范围、高密度地域功能用地识别方法，突出了沿海人类生产生活活动的功能特点以及海陆统筹的功能细分特征，实现了天然海水、天然水域与近海养殖用地及盐田，城镇建设用地、农村居民区与工矿及基础设施建设用地的空间分离，能够快速、准确地识别长时间尺度过程中近海岸地域功能转变与围填海建设变化特征。该方法提高了海岸带地域功能长时序识别精度，尤其适用于长时序、大范围、高密度的近海岸人类活动引发的地域功能用地转变与围填海建设的识别与变化检测，能够直接应用于海岸带空间规划与区域政策的辅助决策。

技术实现思路

[0007]本专利技术要解决技术问题是：如何利用多源大数据更为快速、准确地对大区域的海岸带区域进行长时序、大范围、高密度的地域功能用地识别，进而能够有效识别粮食生产功能、近海养殖用地及盐田、围填海的海岸带地区人类生产生活主要活动引发的地域功能用地变化时间和范围。
[0008]为了解决上述技术问题，本专利技术提出基于多源大数据的海岸带地域功能长时序识别方法，包括以下步骤：步骤1：海岸带地域功能用地分类——从海岸带人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源大数据的海岸带地域功能长时序识别方法，包括以下步骤：步骤1：海岸带地域功能用地分类——从海岸带人类生产、生活、生态为基础构建海岸带地域功能用地分类，包括：城镇生产生活区、农村生活区、粮食生产功能区、近海生产区域、陆地生态功能区、海洋生态功能区6个一级分类，其中，城镇生产生活区包括城镇建设用地、工矿及基础设施建设用地，农村生活区为农村居民区用地，粮食生产功能区为耕地，近海生产区域为近海养殖用地及盐田，陆地生态功能区包括陆地天然水域、林地、草地、未利用地，海洋生态功能区包括海水水域、沿海滩涂，一共11个二级分类；步骤2：多源大数据的收集——借助Google Earth Engine云平台收集指定时间范围和研究范围的云量少于15%的Landsat卫星影像数据，并完成卫星影像拼接和裁剪处理；收集其他的多源辅助大数据包括：VIIRS夜间灯光数据、数字高程数据、最新年度的土地利用调查产品、城市兴趣点；步骤3：样本点选取——通过实地采样、借助高分辨率影像或城市兴趣点选取最后一年各类地物的样本点，并以此年为基准年，切换上一年参考影像，逐点比对，对地物类别发生改变的样本点进行修改，从而得到上一年的样本点，以此类推，直到完成全部年份的样本点选取；步骤4：多源大数据融合的初始分类——针对海岸带地区复杂多样的区域特征，采用随机森林算法对融合数据进行长时序影像分类，在此过程，通过不断调整样点分布、特征向量、纹理及最优窗口大小，持续优化初始分类结果，按照以下步骤进行处理：4.1、以耕地、林地、草地、水体、不透水面、未利用地作为初步分类类型，使用Google Earth Engine内置的随机函数对训练样本点进行10
‑
20次随机位置分布，取精度最高的结果，作为最终训练样本，所述不透水面包括城镇建设用地、工矿及基础设施建设用地和农村居民区；4.2、计算所有影像中各像元的特征变量及纹理特征，所述特征变量包括：归一化植被指数（NDVI）、归一化建筑指数（NDBI）、归一化差水指数(NDWI)、修正归一化差水指数(MNDWI)，与VIIRS夜间灯光数据、数字高程数据（SRTM）；纹理特征包括差异值（diss）、惯性矩（inertia）、相关度（idm）；4.3、将上述的特征变量及纹理特征进行组合，分别对纹理特征进行取值为1
‑
9的不同窗口大小设置，利用随机森林算法进行优化，取精度最高的结果，作为最终纹理特征和窗口尺寸；4.4、使用步骤4.1的最终训练样本、步骤4.2和步骤4.3的最终遥感指数特征、纹理特征和窗口大小，对分类器进行训练，使用训练完成的分类器对对应年份的影像进行分类，获得初始分类结果，并进行滤波处理；4.5、对步骤4.4获得的历年分类结果进行合成，构造指定时间范围地时间序列数据集，使用最新年度的土地利用调查产品中的城乡范围栅格数据裁剪不透水面，将工矿及基础设施建设用地从不透水面中分离；步骤5：基于扫描线种子填充算法的初步分离——利用扫描线种子填充算法将城镇建设用地和农村居民区从不透水面中分离，内陆水域和海水水域从水体中分离，具体按以下步骤进行实施：5.1、取城市中心兴趣点为种子点，放入堆栈中，作为待填充对象；
5.2、填充当前种子点所处水平扫描线到边界之前的区段，填充完毕后删除堆栈中的该种子点，然后确定与此相邻的上下两条平行扫描线，并在这两者与边界间的区段中，取与种子点上下相邻的点并存入堆栈中，作为下次填充的种子点；5.3反复这一过程，直至清空堆栈内所有种子点，则区域填充完成；5.4保持种子点不变，遍历所有年度的初步分类结果，对其完成城镇建设用地、农村居民区从不透水面的分离；5.5以任一处海水位置为种子点，重复5.3
‑
5.4，完成内陆水域和海水水域从水体中分离；步骤6：基于几何特征的生产生态水体分离——将内陆水域分为天然水域和近海养殖用地及盐田，依据两者显著区别的几何特征进行分离，具体步骤如下：6.1、对所有影像进行二值化处理，内陆水域区域赋值为1，其他为0，并进行对象分割和轮廓提取，获得若干内陆水域对象；6.2、计算内陆水域对象P
i
的中心线长度L
i
、宽纵比R
i
和凸包Conv
i
三个形态特征，宽纵比R
i
为内陆水域对象P
i
的中心线长度L
i
与内陆水域对象P
i
的像素总数S

【专利技术属性】
技术研发人员：王亚飞，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：