一种土地覆被数据融合修正方法技术

本发明专利技术公开了一种土地覆被数据融合修正方法，通过生成的超像素对象，结合主成分分析方法，实现了粗空间分辨率多源数据一致区域到精细空间分辨率多源数据一致区域的不确定信息过滤、精细空间分辨率信息提取，并通过局部采样技术获得可靠训练样本的方法，对精细空间分辨率多源数据不一致区域进行校正，实现对土地覆被数据的融合修正。相比现有技术中，仅能实现粗空间分辨率多源数据的融合修正，本发明专利技术的技术方案实现从粗分辨率向精细分辨率的精细化提升，具有可移植性，同时破解了在多源数据产品融合修正过程中，同时提高分辨率和精度的难点，并有效解决海量数据运算效率提升难题。题。题。

【技术实现步骤摘要】
一种土地覆被数据融合修正方法


[0001]本专利技术涉及土地覆盖信息领域，尤其涉及一种土地覆被数据融合修正方法。

技术介绍

[0002]通过单一来源的地表覆盖产品获得信息，可靠性往往弱于多种产品的融合。多种产品产生的一致区域保留了每个地表覆盖产品的信息，虽然每种产品在生产时使用的数据源和分类方法可能不相同，但是在多种数据叠加下还能保持一致区域，通常具有很高的置信程度。于是有研究通过多种地表覆盖产品叠加所产生的一致区域和不一致区域，并且在一致区域筛选出高置信度的样本。已有研究表明无论是算法参数的优化还是分类器的改进，对分类精度的贡献仍然比有效、精确且充足的训练样本的贡献要小。因此，从已有的土地覆盖产品中获取训练样本的方法通常需要一个质量控制机制来选取可靠有代表性的样本。
[0003]尽管各种分类算法在不断地改进，但目前大尺度的地表覆盖产品还是多以中低分辨率为主，多种产品的一致区域的获取依然需要统一重采样到相对低的分辨率，因为将低分辨率产品重采样到精细分辨率会增加地图信息的不确定性，所以此方法得到的土地覆盖分类结果也是低分辨率的，也形成了更多的混合像元、降低了准确率。因此，迫切需要研究尽快更多获取多源土地覆被产品精细分辨率和精细精度有效信息的提取方法。

技术实现思路

[0004]本专利技术要解决的技术问题是：提供一种超分辨率的土地覆被数据融合修正方法，以解决现有多源数据融合过程产生结果的分辨率过粗、存在大量混合像素的技术问题的一者或多者。
[0005]为了解决上述技术问题，本专利技术提供了一种土地覆被数据融合修正方法，包括：
[0006]建立统一的土地覆被分类体系，对获取的待处理区域的土地覆被产品进行重分类,并对每一个土地覆被产品进行预处理,得到粗空间分辨率土地覆被产品；
[0007]对所述粗空间分辨率土地覆被产品进行区域划分，得到粗空间分辨率多源数据一致区域和粗空间分辨率多源数据不一致区域；
[0008]获取所述待处理区域的遥感影像特征集合,并建立多个格网,获取并对每个网格中粗空间分辨率多源数据一致区域对应的遥感影像特征集合，进行降维处理，生成降维遥感影像特征集合；
[0009]对所述粗空间分辨率多源数据一致区域进行分割聚类处理，生成超像素对象集合，并对每个超像素对象对应的降维遥感影像特征集合进行判别，获取精细空间分辨率多源数据不一致区域，并剔除粗空间分辨率多源数据一致区域中的不可靠区域，得到精细空间分辨率多源数据一致区域，并将所述精细空间分辨率多源数据一致区域作为原始训练样本集；
[0010]计算并根据所述每个格网中精细空间分辨率多源数据一致区域每一土地覆被种
类对应的光谱指数，对原始训练样本集进行提纯，得到精筛选的训练样本集；
[0011]以每一预设格网为中心，结合其相邻格网形成局部采样样区，对所述精筛选的训练样本集进行分层随机抽样，以使所述预设格网和所述相邻格网分别获取预设数量的样本，得到每个格网对应的遥感解译的训练样本集；
[0012]对所述训练样本集构建分类器，根据所述分类器对所述多源数据不一致区域进行解译，获取精细空间分辨率土地覆被解译修正区域；
[0013]结合所述精细空间分辨率多源数据一致区域和所述精细空间分辨率土地覆被解译修正区域，生成土地覆被融合修正数据。
[0014]进一步地，所述获取所述待处理区域的遥感影像特征集合，具体为：
[0015]获取并根据预设年份的所述待处理区域的遥感影像数据，对所述遥感影像数据中的低质量像素进行掩膜处理；
[0016]同时提取并根据所述遥感影像数据中的高质量多波段数据，计算光谱指数及所述预设年份的数值标准差。
[0017]进一步地，所述提取并根据所述遥感影像数据中的高质量多波段数据，计算光谱指数，具体为：
[0018]提取所述遥感影像数据中的Landsat 7的第1波段至第5波段、第7波段共6个波段，以及Landsat 8第2波段至第7波段共6个波段；
[0019]根据所述Landsat 7的六个波段和所述Landsat 8的六个波段，计算光谱指数；其中，所述光谱指数包括植被指数、绿色叶绿素植被指数、改良土壤调整植被指数、土壤调整总植被指数、建筑指数、裸土指数、燃烧指数、雪指数和水体指数，各个光谱指数的公式具体如下：
[0020]植被指数：NDVI＝(Nir
‑
Red)/(Nir+Red)；
[0021]绿色叶绿素植被指数：
[0022]改良土壤调整植被指数：
[0023]土壤调整总植被指数：
[0024]建筑指数：NDBI＝(Swir1
‑
Nir)/(Swir1+Nir)；
[0025]裸土指数：BSI＝((Swir2+Red)
‑
(NIR+Blue))/((Swir2+Red)+(NIR+Blue))；
[0026]燃烧指数：NBR＝(Swir1
‑
Swir2)/(Swir1+Swir2)；
[0027]雪指数：NDSI＝(Green
‑
Swir1)/(Green+Swir1)；
[0028]水体指数：NDWI＝(Green
‑
Nir)/(Green+Nir)；
[0029]式中，Blue，Green，Red，Nir，Swir1，Swir2分别为Landsat 7ETM+影像的波段1
‑
蓝，波段2
‑
绿，波段3
‑
红，波段4
‑
近红外，波段5
‑
短波红外1，波段7
‑
短波红外2或者Landsat 8 OLI影像的波段2
‑
蓝，波段3
‑
绿，波段4
‑
红，波段5
‑
近红外，波段6
‑
短波红外1，波段7
‑
短波红外2。
[0030]进一步地，所述建立多个格网，具体为：
[0031]在所述粗空间分辨率多源数据一致区域建立多个5
°×5°
的格网，以使所述多个格
网均匀覆盖在所述粗空间分辨率多源数据一致区域。
[0032]进一步地，所述获取并对每个网格中粗空间分辨率多源数据一致区域对应的遥感影像特征集合，进行降维处理，生成降维遥感影像特征集合，具体为：
[0033]通过采用主成分分析方法，对每个网格中粗空间分辨率多源数据一致区域对应的遥感影像特征集合进行数据重建，以使获取所述每个网格对应的遥感影像特征集合的第一主成分和第二主成分，结合所述第一主成分和所述第二主成分，生成降维遥感影像特征集合。
[0034]进一步地，所述对每个超像素对象对应的降维遥感影像特征集合进行判别，获取精细空间分辨率多源数据不一致区域，并剔除粗空间分辨率多源数据一致区域中的不可靠区域，具体为：
[0035]根据预设的超像素算法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土地覆被数据融合修正方法，其特征在于，包括：建立统一的土地覆被分类体系，对获取的待处理区域的土地覆被产品进行重分类,并对每一个土地覆被产品进行预处理,得到粗空间分辨率土地覆被产品；对所述粗空间分辨率土地覆被产品进行区域划分，得到粗空间分辨率多源数据一致区域和粗空间分辨率多源数据不一致区域；获取所述待处理区域的遥感影像特征集合,并建立多个格网,获取并对每个网格中粗空间分辨率多源数据一致区域对应的遥感影像特征集合，进行降维处理，生成降维遥感影像特征集合；对所述粗空间分辨率多源数据一致区域进行分割聚类处理，生成超像素对象集合，并对每个超像素对象对应的降维遥感影像特征集合进行判别，获取精细空间分辨率多源数据不一致区域，并剔除粗空间分辨率多源数据一致区域中的不可靠区域，得到精细空间分辨率多源数据一致区域，并将所述精细空间分辨率多源数据一致区域作为原始训练样本集；计算并根据所述每个格网中精细空间分辨率多源数据一致区域每一土地覆被种类对应的光谱指数，对原始训练样本集进行提纯，得到精筛选的训练样本集；以每一预设格网为中心，结合其相邻格网形成局部采样样区，对所述精筛选的训练样本集进行分层随机抽样，以使所述预设格网和所述相邻格网分别获取预设数量的样本，得到每个格网对应的遥感解译的训练样本集；对所述训练样本集构建分类器，根据所述分类器对所述多源数据不一致区域进行解译，获取精细空间分辨率土地覆被解译修正区域；结合所述精细空间分辨率多源数据一致区域和所述精细空间分辨率土地覆被解译修正区域，生成土地覆被融合修正数据。2.如权利要求1所述的一种土地覆被数据融合修正方法，其特征在于，所述获取所述待处理区域的遥感影像特征集合，具体为：获取并根据预设年份的所述待处理区域的遥感影像数据，对所述遥感影像数据中的低质量像素进行掩膜处理；同时提取并根据所述遥感影像数据中的高质量多波段数据，计算光谱指数及所述预设年份的数值标准差。3.如权利要求2所述的一种土地覆被数据融合修正方法，其特征在于，所述提取并根据所述遥感影像数据中的高质量多波段数据，计算光谱指数，具体为：提取所述遥感影像数据中的Landsat 7的第1波段至第5波段、第7波段共6个波段，以及Landsat 8第2波段至第7波段共6个波段；根据所述Landsat 7的六个波段和所述Landsat 8的六个波段，计算光谱指数；其中，所述光谱指数包括植被指数、绿色叶绿素植被指数、改良土壤调整植被指数、土壤调整总植被指数、建筑指数、裸土指数、燃烧指数、雪指数和水体指数，各个光谱指数的公式具体如下：植被指数：NDVI＝(Nir
‑
Red)/(Nir+Red)；绿色叶绿素植被指数：
改良土壤调整植被指数：土壤调整总植被指数：建筑指数：NDBI＝(Swir1
‑
Nir)/(Swir1+Nir)；裸土指数：BSI＝((Swir2+Red)
‑
(NIR+Blue))/((Swir2+Red)+(NIR+Blue))；燃烧指数：NBR＝(Swir1
‑
Swir2)/(Swir1+Swir2)；雪指数：NDSI＝(Green
‑
Swir1)/(Green+Swir1)；水体指数：NDWI＝(Green
‑
Nir)/(Green+Nir)；式中，Blue，Green，Red，Nir，Swir1，Swir2分别为Landsat 7ETM+影像的波段1
‑
蓝，波段2
‑
绿，波段3
‑
红，波段4
‑
近红外，波段5
‑
短波红外1，波段7
‑
短波红外2或者Landsat 8 OLI影像的波段2
‑
蓝，波段3
‑
绿，波段4
‑
红，波段5
‑
近红外，波段6<...

【专利技术属性】
技术研发人员：许尔琪，李科为，
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：