一种用于调查打草场地的遥感自动识别方法与流程

本发明涉及计算机技术领域，具体而言，涉及一种用于调查打草场地的遥感自动识别方法。

背景技术

打草场的分布、状况、面积、产量和退化等信息尚匮乏，其中对其分布的识别显得十分必要。遥感数据为大面积识别提供了便捷的途径，同时对技术方法也有更高的要求，需要考虑到遥感和地面特征等各方面信息。

根据文献调查，对草原打草场识别的方案当中，有一类方法使用较为普遍，简称基于landsattm目视解译法。它可以识别打草场分布，划分固定打草场和疑似打草场，具体所采用的方案如下：

根据草原草地生长特点，选取往年合适时间的landsattm5影像数据(1年合成1份数据)，对影像数据采用遥感处理方式，最终获得假彩色影像数据，从而得到反映地面植物特征的遥感影像。结合野外调查获取地面采样数据作为地面验证点，采用目视解译(目视解译是遥感图像解译的一种，又称目视判读，或目视判译，是遥感成像的逆过程。它指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。)的方式，同时结合googleearth影像，经过综合判读最后确定打草场。

基于landsattm目视解译法所采用的目视解译方法需要大量的人工绘制和判别，识别过程会比较长。在没有丰富地面样点数据，丰富经验人员的指导与辅助判别，难以准确识别，和快速判定，这难以达到业务当中的高效识别要求。

技术实现要素：

本发明的目的在于提供一种用于调查打草场地的遥感自动识别方法，既能保证识别结果准确性，又能够避免大量人工绘制和经验判别的方式，达到高效识别。克服了现有方法中因经验不足带来的识别误差以及人工干预的缺陷。

本发明的实施例是这样实现的：

一种用于调查打草场地的遥感自动识别方法，其包括：

获取打草前和打草后的ndvi影像数据；

对打草前所对应的ndvi影像数据和打草后所对应的ndvi影像数据采用变化识别策略进行对比处理，得到变化情况影像；

根据草的生长变化规律所对应的ndvi的变化曲线计算相应的ndvi影像数据；

进行影像变化检测。

本发明实施例的有益效果是：

本发明提供的用于调查打草场地的遥感自动识别方法，时间消耗主要在数据准备、识别参数的调整部分，识别的过程快速交互式得到结果，并可通过网络平台快速增加经验判断的标记作为补充修正信息。

专家经验转化为价值数据，作为验证结果标识数据，反馈识别参数设定，避免因人员经验不足参入错误信息。

减少人工长时间投入，专注在结果判读当中。数据结果的修正后达到业务需求，剔除了噪点，根据提供的矢量或者人工添加矢量规范化识别范围，从而达到业务展示或者进一步分析的要求。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的主流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述。

实施例

图1示出了本发明实施例提供的用于调查打草场地的遥感自动识别方法的主流程图，该方法包括：

步骤s110，数据准备。

通过筛选标准，经过遥感数据前处理，分别获得打草前所对应的真彩色影像和ndvi影像数据，以及打草前后所对应的真彩色影像和ndvi影像数据。

打草前所对应的ndvi影像数据和打草后所对应的ndvi影像数据由下式所得：

ndvi＝(nir–red)/(nir+red)。

准备草的365天ndvi变化曲线。

步骤s120，不同时间的变化检测。

对打草前所对应的ndvi影像数据和打草后所对应的ndvi影像数据采用变化识别策略进行对比处理，得到变化情况影像，由不同变化范围的数据识别相应打草场为固定打草场、疑似打草场。

根据草的生长变化规律，由准备好的草的365天ndvi变化曲线计算相应日期影像的ndvi数据。

利用图像差值法、图像比值法、图像回归分析法或机器学习技术方法中的至少一者进行影像变化检测，生成分类结果。

其中，图像比值法包括，将两个时相影像的比值取对数，其计算式如下：

图像回归分析法首先假定两期影像线性相关，也就是说两期影像中多数像元变化不大。通过最小二乘法进行回归分析，再用回归方程计算出的预测值减去影像真实值，从而获得两期影像的回归差值影像，利用该回归差值影像可以反映土地覆盖变化信息。

机器学习技术方法采用提升法进行计算，其是一种框架算法，用来提高弱分类器准确度的方法，通过构造一个预测函数序列，然后以一定的方式将他们，组合成为一个准确度较高的预测函数。

具体地，该机器学习技术方法包括：

初始给定模型为常数f0(x^→)，对于m＝1m＝1到m。

计算伪残差，由下式进行：

使用数据，由下式进行：

{(x^→i,γim)}ⁿi＝1计算拟合残差的基函数fm(x)。

计算步长，由下式进行：

更新模型，由下式进行：

步骤s130，检查与反复调整。

利用地面样点数据、地表类型数据，还可以适当加入其它样点数据，对具体位置是否属于打草场进行判别，根据误差率判定识别结果准确性。

利用打草前和打草后所对应的真彩色影像，选定部分区域进行对比，对该具体位置是否属于打草场进行判别，根据误差率判定识别结果准确性。

若误差范围在可接受的范围内，则判断为yes，最后在后处理当中进行数据合成。若误差范围超过可接受的范围，则判断为no，将数据反馈给步骤s120，或者单独记录该区域存储成矢量然后标识为打草场或非打草场，此时多次调整参数直至误差范围在可接受的范围内被判断为yes。

在接收到准备好的数据之后，对数据进行地理空间一致性判断，按照初设定的参数可快速识别结果并可视化查看，同时根据样点验证数据计算给出结果判别指标，即准确率。

用户可以交互式调整参数，即时查看结果和判别指标。

步骤s140，打草场分布数据后处理。

根据步骤s130中得到的变化参数，经过算识别，获得打草场分布数据。对该数据进行栅格处理、矢量化修正，形成完备的数据。栅格处理如噪点、错误区等。

如果在步骤s130当中添加记录有具体为打草场或者非打草场的区域，完备数据将该部分识别数据合成，即添加了具体人工修正数据，最终形成符合业务要求的打草场识别结果。

在相同的平台环境当中，用户采用栅格噪点处理策略，剔除部分噪点，同时人工可通过矢量数据辅助限定具体范围，从而实现对区域范围的打草场识别。

综上所述，本发明实施例的提供的用于调查打草场地的遥感自动识别方法，时间消耗主要在数据准备、识别参数的调整部分，识别的过程快速交互式得到结果，并可通过网络平台快速增加经验判断的标记作为补充修正信息。

专家经验转化为价值数据，作为验证结果标识数据，反馈识别参数设定，避免因人员经验不足参入错误信息。

减少人工长时间投入，专注在结果判读当中。数据结果的修正后达到业务需求，剔除了噪点，根据提供的矢量或者人工添加矢量规范化识别范围，从而达到业务展示或者进一步分析的要求。

以上所描述的实施例是本发明一部分实施例，而不是全部的实施例。本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。