本發(fā)明實施例涉及陸表遙感技術(shù)領(lǐng)域，具體涉及一種土地覆蓋遙感分類方法及系統(tǒng)。

背景技術(shù)：

土地覆蓋是指地球陸地表面的各種生物或物理的覆蓋類型，包括地表的植被(天然或人工)、建設(shè)用地(建筑、道路)、湖泊、冰川、裸巖和沙漠等，主要描述地球表面的自然屬性。土地覆蓋在反映人類和自然關(guān)系的人地交互系統(tǒng)中扮演著重要角色，影響著地球系統(tǒng)過程中的各個方面，并且是地球系統(tǒng)的氣候、生物化學(xué)等模型的重要參數(shù)。另外，在土地覆蓋應(yīng)用方面，目前國家各行業(yè)部門都需要地表覆蓋信息，如土地管理部門需要弄清土地覆蓋之外還需要了解土地覆蓋和居民地的關(guān)系，水利部門需要知道全國水利設(shè)施附近的地表覆蓋情況，環(huán)境部門需要了解各大江河周邊的工廠情況，農(nóng)業(yè)部門需要了解耕地的分布情況等，所有這些專業(yè)部門都需要綜合性的地表覆蓋數(shù)據(jù)。因此，準(zhǔn)確、及時、全面的獲取土地覆蓋信息具有重要的科學(xué)意義。

遙感技術(shù)是大區(qū)域土地覆蓋制圖和信息更新的有效手段,遙感數(shù)據(jù)分類是土地覆蓋信息提取的基礎(chǔ)手段。高分一號衛(wèi)星是我國高分辨率(以下簡稱高分)對地觀測系統(tǒng)重大專項的首發(fā)星，其搭載的4臺寬視場成像儀(widefieldview，以下簡稱wfv)可以獲取16米空間分辨率、4天重訪周期和800公里幅寬的多光譜數(shù)據(jù)。高分一號衛(wèi)星wfv數(shù)據(jù)實現(xiàn)了高空間分辨率、多光譜與高時間分辨率相結(jié)合的光學(xué)遙感技術(shù)，為各種定量化應(yīng)用奠定了基礎(chǔ)，是提高土地覆蓋遙感分類精度尤其是植被類型之間分類精度的非常有潛力的數(shù)據(jù)源。但目前較為成熟和廣泛應(yīng)用的土地覆蓋遙感分類一般只利用光譜特征對地表覆蓋類型進(jìn)行分類，導(dǎo)致分類精度尤其是植被類型分類精度不高，不利于推廣和滿足業(yè)務(wù)化產(chǎn)品生產(chǎn)需要。國產(chǎn)高分衛(wèi)星數(shù)據(jù)需要高精度的土地覆蓋分類方法，以發(fā)揮高分衛(wèi)星數(shù)據(jù)在陸表監(jiān)測中的巨大應(yīng)用潛力。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明實施例提供一種土地覆蓋遙感分類方法及系統(tǒng)。

第一方面，本發(fā)明實施例提供一種土地覆蓋遙感分類方法，所述方法包括：

獲取高分一號衛(wèi)星寬視場成像儀采集的影像數(shù)據(jù)，并對所述影像數(shù)據(jù)進(jìn)行預(yù)處理，得到每個像元的地表反射率；

根據(jù)所述地表反射率，構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量；

根據(jù)所述ndvi時間序列變量，提取地表覆蓋類型的時相特征；

根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類。

第二方面，本發(fā)明實施例提供一種土地覆蓋遙感分類系統(tǒng)，所述系統(tǒng)包括：

獲取模塊，用于獲取高分一號衛(wèi)星寬視場成像儀采集的影像數(shù)據(jù)，并對所述影像數(shù)據(jù)進(jìn)行預(yù)處理，得到每個像元的地表反射率；

構(gòu)建模塊，用于根據(jù)所述地表反射率，構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量；

提取模塊，用于根據(jù)所述ndvi時間序列變量，提取地表覆蓋類型的時相特征；

分類模塊，用于根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類。

本發(fā)明實施例提供的土地覆蓋遙感分類方法及系統(tǒng)，通過引入地表覆蓋類型的時相特征，提高了土地覆蓋遙感分類精度，解決了目前土地覆蓋分類精度尤其是植被類型分類精度不高問題。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的土地覆蓋遙感分類方法流程示意圖；

圖2為本發(fā)明實施例提供的不同地表覆蓋類型代表性的ndvi時間序列變量圖；

圖3為本發(fā)明實施例提供的研究區(qū)代表性地表覆蓋類型的光譜特征(左)和時相特征(右)圖；

圖4為本發(fā)明實施例提供的利用高分一號衛(wèi)星ndvi時間序列變量提取的地表覆蓋類型時相特征分布圖；

圖5為本發(fā)明實施例提供的利用高分一號衛(wèi)星wfv光譜特征(上)及其與時相特征組合(下)的土地覆蓋分類結(jié)果圖；

圖6為本發(fā)明實施例提供的高分一號衛(wèi)星ndvi時間序列變量在s-g濾波前后比較圖；

圖7為本發(fā)明實施例提供的土地覆蓋遙感分類系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

圖1為本發(fā)明實施例提供的土地覆蓋遙感分類方法流程示意圖，如圖1所示，本發(fā)明實施例提供了一種土地覆蓋遙感分類方法，該方法包括以下步驟：

s1：獲取高分一號衛(wèi)星寬視場成像儀采集的影像數(shù)據(jù)，并對所述影像數(shù)據(jù)進(jìn)行預(yù)處理，得到每個像元的地表反射率。

具體的，系統(tǒng)獲取高分一號衛(wèi)星寬視場成像儀采集的影像數(shù)據(jù)，并對所述影像數(shù)據(jù)進(jìn)行預(yù)處理，得到每個像元的地表反射率。高分一號衛(wèi)星wfv數(shù)據(jù)實現(xiàn)了寬覆蓋、中高空間分辨率、多光譜和高時間分辨率特征結(jié)合的光學(xué)遙感技術(shù)，是提高土地覆蓋分類精度，尤其是植被類型之間分類精度的非常有潛力的數(shù)據(jù)源。影像數(shù)據(jù)的預(yù)處理主要包括輻射校正和幾何糾正。輻射校正包括輻射定標(biāo)和大氣校正兩個過程。輻射定標(biāo)是將遙感數(shù)據(jù)的dn值轉(zhuǎn)換為大氣層頂?shù)妮椛淞炼戎?。大氣糾正是消除大氣和光照等因素對地物反射的影響。大氣校正后得到高分一號衛(wèi)星wfv地表反射率數(shù)據(jù)。幾何糾正是消除影像的幾何畸變，使其地理定位精度提高，能夠匹配實際地物的位置。數(shù)據(jù)預(yù)處理主要用于獲得土地覆蓋分類的高分一號衛(wèi)星wfv地表反射率數(shù)據(jù)。

s2：根據(jù)所述地表反射率，構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量。

具體的，系統(tǒng)根據(jù)所述地表反射率，構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量。地表反射率數(shù)據(jù)能夠反映土地覆蓋的光譜特征，根據(jù)該光譜特征可以對土地覆蓋進(jìn)行分類處理，但是不易區(qū)分土地覆蓋中的植被類型。歸一化差分植被指數(shù)(normalizeddifferencevegetationindex，以下簡稱ndvi)是衛(wèi)星數(shù)據(jù)各光譜波段反射率線性或非線性組合，能反映大部分的植被信息，并能在一定程度上消除外在因素的影響，從而較好地反映綠色植物的生長狀況及空間分布，也可以宏觀的反映綠色植物的生物量和蓋度等生物物理特征。因此，ndvi是一個很好的特征變量用于構(gòu)建反映地物時間變化規(guī)律的分類特征變量。

圖2為利用高分一號衛(wèi)星wfv數(shù)據(jù)構(gòu)建的不同地表覆蓋類型代表性的ndvi時間序列變量動態(tài)變化特征圖，如圖2所示，在植物生長過程中，由于各種植物自身結(jié)構(gòu)及對氣候響應(yīng)的方式不同，使其生長季開始時間、生長速率、生長幅度有所不同，相應(yīng)不同植被類型的ndvi動態(tài)變化特征也產(chǎn)生差異。通常，成熟期植被類型之間的ndvi差異要大于生長初期，而在快速生長期的變化更加顯著。常綠針葉林在整個生長期葉面變化較小，ndvi一直處于高位(ndvi約0.6～0.7)。落葉針葉林在生長季開始后，ndvi短時間內(nèi)達(dá)到高值水平并保持到落葉時間，而且闊葉林的ndvi峰值(ndvi約0.8)要明顯大于針葉林(ndvi約為0.7)。相對于落葉林，農(nóng)作物和草地生長季開始后ndvi時間序列變量增長較為緩慢，灌木ndvi時間序列變量增長速率處于落葉林與農(nóng)作物和草地之間。到達(dá)植被生長成熟期，各植被類型的ndvi時間序列變量值較為接近，其中闊葉林、高覆蓋度草地、農(nóng)作物的ndvi時間序列變量值略高，反映其整體的葉面積較大，而針葉林和灌木ndvi時間序列變量略低，低覆蓋度草地ndvi時間序列變量值更低。生育期的ndvi時間序列變量變幅，除了常綠針葉林較小外，其他植被類型變幅均較大，其中低覆蓋度草地略小一些。沙地、人工建筑和水體的ndvi時間序列變量變化總體表現(xiàn)出與各種植被類型的較大差異。沙地和人工建筑ndvi時間序列變量曲線總體保持水平，處于較低值。水體在3月份處于結(jié)冰狀態(tài)，ndvi時間序列變量表現(xiàn)為負(fù)值，隨著冰的融化，水體ndvi時間序列變量值增長到一個較小值并基本保持平穩(wěn)。總體上，ndvi時間序列變量可以很好的增加不同地物類型之間的可分性，尤其是植被類型之間的可分性，具體的，ndvi時間序列變量的計算公式為：

ndvi＝(rnir-rred)/(rnir+rred)

其中rnir表示近紅外波段地表反射率，rred表示紅外波段地表反射率，分別是高分一號衛(wèi)星寬視場成像儀采集的影像數(shù)據(jù)的第四和第三波段。

s3：根據(jù)所述ndvi時間序列變量，提取地表覆蓋類型的時相特征。

具體的，系統(tǒng)根據(jù)所述ndvi時間序列變量，提取地表覆蓋類型的時相特征，圖3為不同地表覆蓋類型代表性的光譜特征和ndvi時間序列變量的時相特征圖(左圖為光譜特征，數(shù)據(jù)獲取于2014年7月27日)、(右圖為ndvi時相特征圖)，如圖3所示，顯示了研究區(qū)代表性地物類型在2014年7月27日獲取高分一號衛(wèi)星wfv數(shù)據(jù)上的光譜特征以及經(jīng)savitzky-golay濾波(簡稱s-g濾波)后ndvi時間序列變量提取的時相特征。從光譜特征可以看出沙地、人工建筑等非植被地表和水體與其他植被之間的可分性較好，而不同植被類型之間的光譜則較為相似，可分性較差，比如落葉針葉林和常綠針葉林光譜特征極為相似、農(nóng)作物和高覆蓋度草地之間光譜較相似。而在ndvi時相特征上，沙地、人工建筑等非植被地表和水體等仍與其他植被差異較大，而且不同植被類型之間也表現(xiàn)出了時相特征差異，比如落葉針葉林和常綠針葉林ndvi的最小值和標(biāo)準(zhǔn)差具有很大差異、農(nóng)作物與草地之間也表現(xiàn)出了較大時相特征差異。不同地物之間的時相特征差異能夠在地物類型光譜特征差異的基礎(chǔ)上，進(jìn)一步擴大地物之間的可分性，進(jìn)而具有提高土地覆蓋分類精度的潛力。

圖4為高分一號衛(wèi)星wfv數(shù)據(jù)根據(jù)ndvi時間序列變量提取的時相特征分布圖，如圖4所示，顯示了研究區(qū)利用s-g濾波后ndvi時間序列變量提取的時相特征分布圖。從圖中可以看出，各種不同地表類型在ndvi時間序列變量的時相特征中有不同的表現(xiàn)，地物類型分布對比明顯，有利于土地覆蓋分類精度提高。ndvi時間序列變量最大值除了在低覆蓋度草地區(qū)較小外，其他植被類型覆蓋區(qū)都較大，非植被覆蓋地表和水體ndvi時間序列變量最大值比較小。在ndvi時間序列變量最小值分布圖上，常綠針葉林表現(xiàn)出較大的ndvi時間序列變量值，其他土地覆蓋類型都較小。在ndvi時間序列變量平均值分布圖上，常綠針葉林區(qū)ndvi時間序列變量平均值最大，落葉針葉林和落葉闊葉林次之，農(nóng)田、草地和灌木較小一些。在ndvi時間序列變量標(biāo)準(zhǔn)差方面，ndvi時間序列變量變化幅度小的像元標(biāo)準(zhǔn)差小，常綠針葉林、非植被地表和水體的標(biāo)準(zhǔn)差最小，而其他植被類型的ndvi時間序列變量變幅都比較大，但不同植被類型之間的ndvi時間序列變量標(biāo)準(zhǔn)差也有較大的差異?？傊?，ndvi時間序列變量的時相特征分布圖分析結(jié)果與上述不同地物類型ndvi時間序列變量的時相特征曲線分析結(jié)果一致，不同的地物類型在時相特征上表現(xiàn)出較大的差異，能夠用于改善土地覆蓋分類精度。

s4：根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類。

具體的，系統(tǒng)根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類。本發(fā)明實施例確定的分類系統(tǒng)中的土地覆蓋類別包括常綠針葉林、落葉針葉林、落葉闊葉林、農(nóng)田、草地、灌木、水體和非植被地表。其中常綠針葉林主要包括人工樟子松林以及樟子松的苗圃，落葉針葉林以人工落葉松林為主并包含落葉松的苗圃，落葉闊葉林主要是天然白樺林，農(nóng)田種植的作物主要有玉米、土豆和小麥，草地包括高覆蓋度和低覆蓋度的草地，非植被地表包括人工建筑區(qū)、道路和裸露的沙地等。

在地面調(diào)查了解的土地覆蓋類型實際分布特征、高分一號衛(wèi)星wfv數(shù)據(jù)解譯以及googleearth輔助識別的基礎(chǔ)上，采用隨機選取樣本像元的方法進(jìn)行訓(xùn)練和檢驗。對于每種土地覆蓋類型都獲取了足夠的樣本點，其中包括常綠針葉林像元2284個、落葉針葉林像元3342個、落葉闊葉林像元1868個、農(nóng)田像元1680個、草地像元3872個、灌木像元332個、水體像元1072個和非植被地表像元1616個。在一個土地覆蓋類型包含有不同特征子類的情況下，采用先以子類作為單獨的分類類別，分類完成后再合并成分類系統(tǒng)中的土地覆蓋類別，比如農(nóng)田包括玉米、土豆和小麥，三種作物的分類樣本分別選取并作為分類類別，然后對數(shù)據(jù)進(jìn)行分類后，三種作物合并作為農(nóng)田類別。最后，在樣本像元選取之后，隨機抽取一半樣本點作為訓(xùn)練樣本，剩下的一半樣本點作為檢驗樣本，訓(xùn)練樣本和檢驗樣本沒有重疊。

本發(fā)明實施例采用在遙感數(shù)據(jù)分類領(lǐng)域具有廣泛應(yīng)用的支持向量機分類器。與其他的分類算法相比，支持向量機分類器具有參數(shù)設(shè)定簡單和能夠得到全局最優(yōu)分類結(jié)果的優(yōu)點，尤其適合有限樣本問題，在很大程度上解決了傳統(tǒng)分類方法中存在的問題，如模型選擇、過學(xué)習(xí)、多維問題、局部極小點問題等。支持向量機的最終求解可以轉(zhuǎn)化為一個具有線性約束的二次凸規(guī)劃問題，不存在局部極小。引入該方法，可以將線性支持向量機簡單地推廣到非線性支持向量機，而且對于高維樣本幾乎不增加額外的計算量。

為了驗證時相特征對于提高土地覆蓋分類精度的作用，本發(fā)明實施例采用了兩種分類策略：其一為只采用地面調(diào)查同步的2014年7月27日的高分一號衛(wèi)星wfv數(shù)據(jù)進(jìn)行土地覆蓋分類，該wfv數(shù)據(jù)同時處于各種植被類型生長的旺盛期，有利于地物類型之間的區(qū)分，記為基于光譜特征的土地覆蓋分類；其二，在以上光譜特征的基礎(chǔ)上增加從高分一號衛(wèi)星wfv數(shù)據(jù)提取的時相特征進(jìn)行土地覆蓋分類，記為基于光譜特征與時相特征組合的土地覆蓋分類。為了使兩種采用不同分類特征變量的土地覆蓋分類結(jié)果具有可比性，兩種分類策略都采用了相同的訓(xùn)練樣本和支持向量機分類器參數(shù)設(shè)定。

本發(fā)明實施例采用隨機采樣的方式獲取用于精度檢驗的樣本，最終每個類別的樣本數(shù)分別為常綠針葉林像元1142個、落葉針葉林像元1671個、落葉闊葉林像元934個、農(nóng)田像元840個、草地像元1936個、灌木像元166個、水體像元536個和非植被地表像元808個。在檢驗樣本的基礎(chǔ)上對利用高分一號衛(wèi)星wfv數(shù)據(jù)光譜特征及其與時相特征組合的土地覆蓋分類結(jié)果進(jìn)行了精度檢驗和kappa(假設(shè)性檢驗分析)統(tǒng)計分析。

本發(fā)明實施例采用的誤差矩陣是遙感數(shù)據(jù)土地覆蓋分類精度評價的最常用手段，它是一個用于表示分為某一類別的像元個數(shù)與地面驗證為該類別數(shù)的比較矩陣。從分類誤差矩陣中可以計算一些精度測量指標(biāo)，比如總體分類精度、生產(chǎn)者精度和用戶精度。本發(fā)明實施例采用kappa分析技術(shù)比較不同的分類方法,評價土地覆蓋分類精度。表1為利用高分一號衛(wèi)星wfv數(shù)據(jù)光譜特征分類結(jié)果的混淆矩陣，表2為利用高分一號衛(wèi)星wfv數(shù)據(jù)光譜特征與時相特征組合分類結(jié)果的混淆矩陣；

表1

表2

通過表1和表2的對比，利用光譜特征與時相特征組合的土地覆蓋分類精度(總體分類精度為92.89％，kappa為0.916)明顯優(yōu)于利用光譜特征的土地覆蓋分類精度(總體分類精度為85.81％，kappa為0.831)，總體分類精度提高約7個百分點，說明高分一號衛(wèi)星wfv數(shù)據(jù)的時相特征能夠有效提高土地覆蓋分類精度。從單個地物類型的制圖精度和用戶精度來看，水體和非植被地表在兩種分類策略下分類精度都很高，時相特征的加入對于提高水體和非植被地表分類精度的提高作用不明顯。而對于各種植被類型，利用光譜特征分類混淆較大，常綠針葉林和落葉針葉林分類混淆最大，這是由于兩者在生長旺季的7月底的遙感圖像上光譜非常類似，而兩者生長過程中的巨大差異通過引入時相特征得到體現(xiàn)，進(jìn)而利用光譜特征與時相特征組合的分類使兩者的區(qū)分幾乎達(dá)到?jīng)]有混淆。其他植被類型之間的區(qū)分也由于時相特征的引入而有較大的提高，每種植被類型的制圖精度都能提高約4-6個百分點?？傊?，高分一號衛(wèi)星wfv數(shù)據(jù)的時相特征能夠明顯提高光譜特征土地覆蓋分類的精度，尤其提高了各種植被類型的分類精度。

圖5為利用高分一號衛(wèi)星wfv光譜特征(上)及其與時相特征組合(下)的土地覆蓋分類結(jié)果圖，如圖5所示，基于地面調(diào)查及googleearth輔助識別對研究區(qū)土地覆蓋類型分布的了解，兩種策略的分類結(jié)果都能較好的實現(xiàn)土地覆蓋類型分類，分類結(jié)果符合地物實際分布情況。但是在基于光譜特征的土地覆蓋分類結(jié)果中，常綠針葉林和落葉針葉林混淆較多，這是由于兩者的光譜特征類似造成的，另外其他地物類型的分類結(jié)果也混淆現(xiàn)象，表現(xiàn)在分類結(jié)果的斑點噪聲較明顯。而基于光譜特征與時相特征組合的土地覆蓋分類結(jié)果明顯優(yōu)于基于光譜特征的分類結(jié)果，常綠針葉林與落葉針葉林都被準(zhǔn)確的區(qū)分出來，地塊連續(xù)且邊界分布明顯，符合針葉林的實際分布情況。另外其他各種地物類型之間的區(qū)分也都取得了較好的結(jié)果，尤其是各種植被類型中間的區(qū)分，地塊分布清晰，分類混淆少，基本消除了斑點噪聲，符合研究區(qū)的地物類型分布情況。這是由于不同地物類型具有不同的時間動態(tài)變化特征，加入時相特征的土地覆蓋分類能夠增大不同地物類型之間的可分性，進(jìn)而提高土地覆蓋分類結(jié)果，尤其在各種植被類型光譜特征相似的情況下，時相特征較大幅度的提高了不同植被類型的識別準(zhǔn)確度。

本發(fā)明實施例提供的土地覆蓋遙感分類方法，通過引入地表覆蓋類型的時相特征，有效提高了土地覆蓋分類精度，解決了目前土地覆蓋分類精度尤其是植被類型分類精度不高問題。

在上述實施例的基礎(chǔ)上，所述根據(jù)所述ndvi時間序列變量，提取地表覆蓋類型的時相特征，包括：

采用ndvi時間序列變量的最大值、最小值、平均值和標(biāo)準(zhǔn)差作為地表覆蓋類型的時相特征。

具體的，系統(tǒng)采用ndvi時間序列變量的最大值、最小值、平均值和標(biāo)準(zhǔn)差作為地表覆蓋類型的時相特征。由于ndvi時間序列變量的數(shù)據(jù)量大，而且具有較大的冗余度，如果把所有ndvi時間序列變量加入土地覆蓋分類過程會造成分類器的輸入特征變量增多，使計算量大幅增加，而且有可能造成分類結(jié)果的不確定性增大。因此，需要選擇時相特征代表整個ndvi時間序列變量的變化特征，進(jìn)而提高土地覆蓋分類精度。通常，ndvi時間序列變量的統(tǒng)計特征和植被物候特征都能夠用于時相特征提取，而且有研究表明統(tǒng)計特征可以有效消除相同植被類型由于物候差異造成的ndvi時間序列變量時間動態(tài)變化特征的差異，更為有效的提高土地覆蓋分類精度。因此，本發(fā)明采用時間序列ndvi時間序列變量的最大值、最小值、平均值和標(biāo)準(zhǔn)差作為地表覆蓋類型的時相特征。

本發(fā)明實施例提供的土地覆蓋遙感分類方法，通過引入地表覆蓋類型的時相特征，有效提高了土地覆蓋分類精度，解決了目前土地覆蓋分類精度尤其是植被類型分類精度不高問題。

在上述實施例的基礎(chǔ)上，所述根據(jù)所述地表反射率，構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量之后，所述方法還包括：

采用s-g濾波對所述ndvi時間序列變量進(jìn)行修正。

具體的，系統(tǒng)采用s-g濾波對所述ndvi時間序列變量進(jìn)行修正。通常ndvi時間序列變量易受到云和大氣條件的影響而導(dǎo)致在影像中的數(shù)值低于正常值。對ndvi時間序列變量采用時間域濾波方法能夠利用ndvi時間序列變量的長期變化趨勢對異常值進(jìn)行修正，同時可以體現(xiàn)ndvi時間序列變量的時間動態(tài)變化特征，能夠有效減弱由于云、大氣條件等對ndvi時間序列變量造成的影響，本發(fā)明采用savitzky-golay濾波(s-g濾波)，圖6為高分一號衛(wèi)星ndvi時間序列變量在s-g濾波前后比較圖，如圖6所示可以發(fā)現(xiàn)，s-g濾波后的ndvi時間序列變量的時間序列曲線能夠很好的擬合原始ndvi時間序列變量值的時間變化規(guī)律，并能有效的改善由于大氣條件等因素造成的ndvi時間序列變量低值及云等造成的數(shù)據(jù)缺失現(xiàn)象，更為真實的恢復(fù)了地表植被的實際時間動態(tài)變化規(guī)律，為進(jìn)一步的地表覆蓋類型時相特征提取提供了可靠的數(shù)據(jù)基礎(chǔ)。

根據(jù)所述ndvi時間序列變量，提取地表覆蓋類型的時相特征。

具體的，系統(tǒng)根據(jù)所述ndvi時間序列變量，提取地表覆蓋類型的時相特征?？蓞⒄丈鲜鰧嵤├?，此處不再贅述。

根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類。

具體的，系統(tǒng)根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類?？蓞⒄丈鲜鰧嵤├?，此處不再贅述。

本發(fā)明實施例提供的土地覆蓋遙感分類方法，通過s-g濾波對ndvi時間序列變量進(jìn)行修正，能夠有效減弱天氣等條件對ndvi時間序列變量造成的影響，從而能夠進(jìn)一步實現(xiàn)對土地覆蓋的準(zhǔn)確分類，尤其是植被類型的準(zhǔn)確分類。

在上述實施例的基礎(chǔ)上，所述并對所述影像數(shù)據(jù)進(jìn)行預(yù)處理，得到每個像元的地表反射率，包括：

對所述影像數(shù)據(jù)進(jìn)行輻射校正，得到地表反射率數(shù)據(jù)。

具體的，系統(tǒng)對所述影像數(shù)據(jù)進(jìn)行輻射校正，得到地表反射率數(shù)據(jù)。

對所述地表反射率數(shù)據(jù)進(jìn)行幾何糾正，得到空間精確定位的數(shù)據(jù)。

具體的，系統(tǒng)對所述地表反射率數(shù)據(jù)進(jìn)行幾何糾正，得到空間精確定位的數(shù)據(jù)。參照上述實施例，此處不再贅述。

本發(fā)明實施例提供的土地覆蓋分類處理方法，通過進(jìn)行輻射校正和幾何糾正，能夠得到空間精確定位的數(shù)據(jù)。

在上述實施例的基礎(chǔ)上，所述根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類，包括：

根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，隨機選取樣本像元，訓(xùn)練支持向量機分類器。

具體的，系統(tǒng)根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，隨機選取樣本像元，訓(xùn)練支持向量機分類器。

根據(jù)所述支持向量機分類器，對待分類的遙感影像進(jìn)行分類。

具體的，系統(tǒng)根據(jù)所述支持向量機分類器，對待分類的遙感影像進(jìn)行分類。可參照上述實施例，不再贅述。

本發(fā)明實施例提供的土地覆蓋遙感分類方法，采用支持向量機分類器對待分類的遙感影像進(jìn)行分類，實現(xiàn)了對土地覆蓋的準(zhǔn)確分類。

在上述實施例的基礎(chǔ)上，所述根據(jù)所述地表反射率，構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量，包括：

根據(jù)如下公式構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量：

ndvi＝(rnir-rred)/(rnir+rred)

其中rnir表示近紅外波段地表反射率，rred表示紅外波段地表反射率，分別是高分一號衛(wèi)星寬視場成像儀采集的影像數(shù)據(jù)的第四和第三波段。

具體的，系統(tǒng)根據(jù)如下公式構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量：

ndvi＝(rnir-rred)/(rnir+rred)

其中rnir表示近紅外波段地表反射率，rred表示紅外波段地表反射率，分別是高分一號衛(wèi)星寬視場成像儀采集的影像數(shù)據(jù)的第四和第三波段?？蓞⒄丈鲜鰧嵤├?，不再贅述。

本發(fā)明實施例提供的土地覆蓋遙感分類方法，通過公式構(gòu)建ndvi時間序列變量，有效地獲取地表覆蓋類型的時相特征。

圖7為本發(fā)明實施例土地覆蓋遙感分類系統(tǒng)結(jié)構(gòu)示意圖，如圖7所示，本發(fā)明實施例提供了一種土地覆蓋遙感分類系統(tǒng)，包括：獲取模塊1、構(gòu)建模塊2、提取模塊3和分類模塊4，其中：

獲取模塊1用于獲取高分一號衛(wèi)星寬視場成像儀采集的影像數(shù)據(jù)，并對所述影像數(shù)據(jù)進(jìn)行預(yù)處理，得到每個像元的地表反射率；構(gòu)建模塊2，用于根據(jù)所述地表反射率，構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量；提取模塊3，用于根據(jù)所述ndvi時間序列變量，提取土地覆蓋時相特征；分類模塊4用于根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類。

具體的，獲取模塊1用于獲取高分一號衛(wèi)星寬視場成像儀采集的影像數(shù)據(jù)，并對所述影像數(shù)據(jù)進(jìn)行預(yù)處理，得到每個像元的地表反射率，獲取模塊1將地表反射率發(fā)送給構(gòu)建模塊2，構(gòu)建模塊2，用于根據(jù)所述地表反射率，構(gòu)建反映地表覆蓋類型隨時間變化的ndvi時間序列變量，構(gòu)建模塊2將ndvi時間序列變量發(fā)送給提取模塊3，提取模塊3用于根據(jù)所述ndvi時間序列變量，提取土地覆蓋時相特征，提取模塊3將時相特征變量、獲取模塊1將地表反射率發(fā)送給分類模塊4，分類模塊4用于根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類。

本發(fā)明實施例提供的土地覆蓋遙感分類系統(tǒng)，通過引入時相特征，提高了土地覆蓋分類精度，解決了目前土地覆蓋分類精度尤其是植被類型分類精度不高問題。

在上述實施例的基礎(chǔ)上，所述提取模塊3具體用于：

采用ndvi時間序列變量的最大值、最小值、平均值和標(biāo)準(zhǔn)差作為時相特征。

具體的，提取模塊3具體用于：采用ndvi時間序列變量的最大值、最小值、平均值和標(biāo)準(zhǔn)差作為分類的時相特征。

本發(fā)明實施例提供的土地覆蓋遙感分類系統(tǒng)，采用時相特征能夠較好地反映綠色植物的生長狀況及空間分布等信息，從而能夠進(jìn)一步實現(xiàn)對土地覆蓋的高精度分類。

在上述實施例的基礎(chǔ)上，所述系統(tǒng)還用于：

采用s-g濾波對所述ndvi時間序列變量進(jìn)行修正；根據(jù)修正后的ndvi時間序列變量，提取時相特征；根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類。

具體的，所述系統(tǒng)還用于：

采用s-g濾波對所述ndvi時間序列變量進(jìn)行修正；根據(jù)修正后的ndvi時間序列變量，提取時相特征；根據(jù)所述地表覆蓋類型的光譜特征和所述時相特征，對待分類的遙感影像進(jìn)行分類。

本發(fā)明實施例提供的土地覆蓋遙感分類系統(tǒng)，通過s-g濾波對ndvi時間序列變量進(jìn)行修正，能夠有效減弱天氣等條件對ndvi時間序列變量造成的影響，從而能夠進(jìn)一步實現(xiàn)對土地覆蓋的準(zhǔn)確分類。

在上述實施例的基礎(chǔ)上，所述獲取模塊具體用于：

對所述影像數(shù)據(jù)進(jìn)行輻射校正，得到地表反射率數(shù)據(jù)；以及對所述地表反射率數(shù)據(jù)進(jìn)行幾何糾正，得到空間精確定位的數(shù)據(jù)。

具體的，獲取模塊1具體用于：

對所述影像數(shù)據(jù)進(jìn)行輻射校正，得到地表反射率數(shù)據(jù)；以及對所述地表反射率數(shù)據(jù)進(jìn)行幾何糾正，得到空間精確定位的數(shù)據(jù)。

本發(fā)明實施例提供的土地覆蓋分類處理系統(tǒng)，通過進(jìn)行輻射校正和幾何糾正，能夠得到空間精確定位的數(shù)據(jù)。

本發(fā)明實施例提供的土地覆蓋遙感分類系統(tǒng)具體可以用于執(zhí)行上述各方法實施例的處理流程，其功能在此不再贅述，可以參照上述方法實施例的詳細(xì)描述。

最后應(yīng)說明的是：以上各實施例僅用以說明本發(fā)明的實施例的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明的實施例進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明的實施例各實施例技術(shù)方案的范圍。