开云优惠体育网页版入口

专利名称：一种基于多源遥感影像的城市建成区绿地变化识别方法

专利类型：发明专利

专利申请号：CN202311589262.1

专利申请（专利权）人：通友微电(四川)有限公司
权利人地址：四川省巴中市通江县广纳镇金堂村1社(金堂新能源新材料产业园1栋)

专利发明（设计）人：高彦华,周晟,周旭

专利摘要：本发明公开一种基于多源遥感影像的城市建成区绿地变化识别方法，包括：获取覆盖城市行政区的十米级中高分卫星影像、米级高分卫星影像以及百米级中低分辨率夜间灯光影像的遥感数据；遥感数据预处理；建成区范围提。换袢〕鞘薪ǔ汕母叻忠８杏跋瘢唤ǔ汕痰乜焖偈侗，形成建成区绿地清单；获取时间序列上的建成区绿地分布及清单，从而建立系列建成区范围及绿地分布数据；绿地变化信息提。玫讲煌逼诩浣ǔ汕痰卦黾醯目占浞植记榭，统计减少及新增面积，形成建成区绿地增减信息空间分布数据及变化清单数据。本发明全面、快速的获取城市建成区绿地分布及变化信息，为城市生态环境评价及城市绿地保护与监管提供技术支持。

主权利要求：
1.一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，包括步骤：S1，数据采集，获取覆盖城市行政区的十米级中高分卫星影像、米级高分卫星影像以及百米级中低分辨率夜间灯光影像的遥感数据；
S2，遥感数据预处理，若所采集的遥感数据为原始数据，对所采集的数据进行辐射校正、几何纠正和大气纠正处理；
S3，建成区范围提。诿准陡叻治佬怯跋，利用十米级中高分卫星遥感数据谱段运算方法与百米级中低分辨率夜间灯光影像遥感数据相结合，获取精确的建成区覆盖范围，并提取建成区边界，包括步骤：S3?1，将米级高分遥感影像红、绿、蓝波段彩色合成作为底图，叠加十米级NDBI数据，将NDBI二值化，提取NDBI>0的单位像元并赋值为1，NDBI<0的单位像元赋值为0，并将栅格数据转成矢量数据，NDBI>0的部分为初步提取的城镇建设用地范围，再进行面空洞填充处理，计2
算图斑面积，保留的图斑面积≥1.5km；
S3?2，夜间灯光遥感数据叠加S3?1提取的城镇建设用地矢量数据，确定灯光遥感数据阈值，提取大于阈值的单位像元，并转成矢量数据，初步得到带有冗余信息的建成区范围数2
据，再进行面空洞填充处理，计算图斑面积，保留的图斑面积≥1.5km；
S3?3，将S3?1和S3?2得到的矢量数据叠加，提取两个数据相交的图斑范围，消除两个数2
据带有的冗余信息，计算图斑面积，保留的图斑面积≥1.5km；
S3?4，利用地图POI点信息，识别出POI点密集区域，补充纳入建成区范围；
S3?5，综合形成建成区提取结果，将建成区面积与城乡建设统计年报公布的建成区面积对照，优化和完善建成区边界数据；
S4，米级高分卫星影像剪切，利用所述建成区边界对所述的米级高分卫星影像进行图像裁剪运算，得到城市建成区的高分遥感影像；
S5，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单；
S6，对于年际间的建成区绿地变化信息提取重复步骤S1?S5，获取不同年份的建成区范围、建成区绿地分布及清单，从而建立年际间系列建成区绿地分布数据；对于同一年份不同时期的建成区绿地变化信息提。赟3重复步骤S4?S5，获取同一年份不同时期系列建成区绿地分布数据；
S7，绿地变化信息提。盗薪ǔ汕痰胤植际莅床煌疾憬锌占涞加，得到不2
同时期间建成区绿地增减的空间分布情况，统计减少及新增面积，保留变化面积大于100m图斑，形成建成区绿地增减信息空间分布数据及变化清单数据。
2.根据权利要求1所述的一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，在所述步骤S1中，米级高分卫星遥感数据采用红、绿、蓝、近红四波段16位；十米级中高分卫星遥感数据采用红、绿、蓝、近红外、短波红外五波段16位；遥感数据影像采用灰度分布成正态分布，纹理正常，没有坏线、缺带，以及没有条带、斑点噪声和耀斑。
3.根据权利要求1或2所述的一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，在所述步骤S1中，对遥感数据的影像进行筛。秆√跫为：成像时间一致，图像清晰，色彩真实，以及不存在过度曝光、偏色、CCD拼接色差和饱和度异常现象。
4.根据权利要求1所述的一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，基于米级高分卫星影像采用红、绿、蓝、近红四波段16位，十米级中高分卫星影像的多光谱遥感数据采用哨兵2号数据，波段运算指数NDBI＝(SWIR?NIR)/(SWIR+NIR)，其中，SWIR为短波近红外波段、NIR为近红外波段；百米级中低分辨率夜间灯光影像的遥感数据利用VIIRS?NPP夜间灯光年度合成数据。
5.根据权利要求1所述的一种基于多源遥感影像的城市建成区绿地变化识别方法，其特征在于，在所述步骤S5中，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单，包括步骤：S5?1，在建成区范围内，应用高分辨率卫星遥感数据，采样绿地样本作为训练数据，通过深度学习自动提取绿地斑块；
S5?2，计算米级高分卫星遥感数据的植被指数，NDVI＝(NIR?R)/(NIR+R)，其中NIR为近红外波段，R为红波段；运算的结果数据与S5?1提取数据进行叠加，提取并集图斑；计算各斑2
块面积，保留斑块面积大于400m，获取建成区绿地空间分布图，形成建成区绿地清单。 说明书 : 一种基于多源遥感影像的城市建成区绿地变化识别方法技术领域[0001] 本发明属于遥感技术领域，特别是涉及一种基于多源遥感影像的城市建成区绿地变化识别方法。背景技术[0002] 城市建成区绿地是反映城市生态环境的重要指标，传统的城市生态环境更多的关注建成区以外郊区的植被覆盖状况，建成区绿地是城市生态系统的重要组成部分，能够更客观的体现城市生态环境状况。[0003] 城市建成区绿地变化自动识别监管方法是一种能够自动识别和监测城市建成区绿地变化的方法。城市建成区绿地变化自动识别监管方法可以应用于城市规划、城市管理、环境保护等领域，以实现城市绿地的科学管理。传统的城市绿化管理方法需要人工进行监测和统计，存在效率低、精度差等问题。同时，由于城市建成区绿地变化频繁，人工监测和统计难以满足城市绿化的需求。[0004] 城市建成区范围通常因卫星影像空间分辨率的不同而有较大差别，随着空间分辨率的提高，建成区范围及边界细节表达越充分，但建成区范围的自动提取并非是分辨率越高越适合，分辨率越高，细节信息越多，对于建成区范围的提取会增加干扰信息。建成区绿地信息的自动识别采用单一的方法会出现漏判，为变化信息提取带来误差，通过人工质检增补信息在一定程度上提高了成本降低了效率。[0005] 现有技术中，对于城市建成区绿地变化自动识别监管方法的研究和探索还不够深入，存在一些不足之处。例如，一些方法需要使用大量的传感器和数据采集设备，成本较高；一些方法需要使用复杂的算法和数据处理技术，难以推广和应用；一些方法对于城市建成区绿地变化的识别精度和可靠性还有待提高。发明内容[0006] 为了解决上述问题，本发明提出了一种基于多源遥感影像的城市建成区绿地变化识别方法，全面、快速的获取城市建成区绿地分布及变化信息，为城市生态环境评价及城市绿地保护与监管提供技术支持。[0007] 为达到上述目的，本发明采用的技术方案是：一种基于多源遥感影像的城市建成区绿地变化识别方法，包括步骤：[0008] S1，数据采集，获取覆盖城市行政区的十米级中高分卫星影像、米级高分卫星影像以及百米级中低分辨率夜间灯光影像的遥感数据；[0009] S2，遥感数据预处理，若所采集的遥感数据为原始数据，对所采集的数据进行辐射校正、几何纠正和大气纠正处理；[0010] S3，建成区范围提。诿准陡叻治佬怯跋，利用十米级中高分卫星遥感数据谱段运算方法与百米级中低分辨率夜间灯光影像遥感数据相结合，获取精确的建成区覆盖范围，并提取建成区边界；[0011] S4，米级高分卫星影像剪切，利用所述建成区边界对所述的米级高分遥感影像进行图像裁剪运算，得到城市建成区的高分遥感影像；[0012] S5，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单；[0013] S6，对于年际间的建成区绿地变化信息提取重复步骤S1?S5，获取不同年份的建成区范围、建成区绿地分布及清单，从而建立年际间系列建成区绿地分布数据；对于同一年份不同时期的建成区绿地变化信息提。赟3重复步骤S4?S5，获取同一年份不同时期系列建成区绿地分布数据；[0014] S7，绿地变化信息提。盗薪ǔ汕痰胤植际莅床煌疾憬锌占涞加，得到不同年份或同一年份不同时期间建成区绿地增减的空间分布情况，统计减少及新增面2积，保留变化面积大于100m 图斑，形成建成区绿地增减信息空间分布数据及变化清单数据；[0015] 进一步的是，在所述步骤S1中，米级高分卫星遥感数据采用红、绿、蓝、近红四波段16位；十米级中高分卫星遥感数据采用红、绿、蓝、近红外、短波红外五波段16位；遥感数据影像采用灰度分布成正态分布，纹理正常，没有坏线、缺带，以及没有条带、斑点噪声和耀斑。[0016] 进一步的是，在所述步骤S1中，对遥感数据的影像进行筛。秆√跫为：成像时间一致，图像清晰，色彩真实，以及不存在过度曝光、偏色、CCD拼接色差和饱和度异常现象。[0017] 进一步的是，基于米级高分卫星影像采用红、绿、蓝、近红四波段16位，十米级中高分卫星影像的多光谱遥感数据采用哨兵2号数据，波段运算指数NDBI＝(SWIR?NIR)/(SWIR+NIR)，其中，SWIR为短波近红外波段、NIR为近红外波段；百米级中低分辨率夜间灯光影像的遥感数据利用VIIRS?NPP夜间灯光年度合成数据。[0018] 进一步的是，所述的S3步骤中，建成区范围提。诿准陡叻治佬怯跋，利用十米级中高分卫星遥感数据谱段运算方法与百米级中低分辨率夜间灯光影像遥感数据相结合，获取精确的建成区覆盖范围，并提取建成区边界，包括步骤：[0019] S3?1，将米级高分遥感影像红、绿、蓝波段彩色合成作为底图，叠加十米级NDBI数据，将NDBI二值化，提取NDBI>0的单位像元并赋值为1，NDBI<0的单位像元赋值为0，并将栅格数据转成矢量数据，NDBI>0的部分为初步提取的城镇建设用地范围，再进行面空洞填充2处理，计算图斑面积，保留的图斑面积≥1.5km；[0020] S3?2，夜间灯光遥感数据叠加S3?1提取的城镇建设用地矢量数据，确定灯光遥感数据阈值，提取大于阈值的单位像元，并转成矢量数据，初步得到带有冗余信息的建成区范2围数据，再进行面空洞填充处理，计算图斑面积，保留的图斑面积≥1.5km；[0021] S3?3，将S3?1和S3?2得到的矢量数据叠加，提取两个数据相交的图斑范围，消除两2个数据带有的冗余信息，计算图斑面积，保留的图斑面积≥1.5km；[0022] S3?4利用地图POI点信息，识别出POI点密集区域，补充纳入建成区范围；[0023] S3?5综合形成建成区提取结果，将建成区面积与城乡建设统计年报公布的建成区面积对照，优化和完善建成区边界数据。[0024] 进一步的是，在所述步骤S5中，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单，包括步骤：[0025] S5?1，在建成区范围内，应用高分辨率卫星遥感数据，采样绿地样本作为训练数据，通过深度学习自动提取绿地斑块；[0026] S5?2，计算米级高分卫星遥感数据的植被指数，NDVI＝(NIR?R)/(NIR+R)，其中NIR为近红外波段，R为红波段；运算的结果数据与S5?1提取数据进行叠加，提取并集图斑；计算2各斑块面积，保留斑块面积大于400m，获取建成区绿地空间分布图，形成建成区绿地清单。[0027] 采用本技术方案的有益效果：[0028] 本发明提供的基于多源遥感影像及方法融合的城市建成区绿地变化自动识别方法，可以快速、准确的获得建成区范围、识别建成区绿地分布及时空动态变化；与传统方法相比，成本低、效率高，时效性好，能更高效的为城市生态环境和城市绿地监管提供技术支持。[0029] 本发明利用中高分辨率卫星遥感影像及方法融合提取城市建成区范围及边界，利用高分辨率卫星遥感影像及方法融合识别提取建成区内绿地空间分布信息，通过时序信息分析获取绿地变化清单。该方法一方面既可以提高获取城市建成区的科学性和全面性，又可以提高识别城市建成区绿地的科学性和效率，另一方面，通过遥感影像自动提取技术，省时省力，提高了数据获取的便捷性和经济性。[0030] 本发明高分卫星遥感数据自动提取建成区范围，既可以保障建成区边界信息的准确性，又避免了因分辨率较高在自动提取过程中产生过多的冗余和干扰信息。获得的建成区边界数据作为绿地变化识别的默认范围。附图说明[0031] 图1为本发明的一种基于多源遥感影像的城市建成区绿地变化识别方法流程示意图。具体实施方式[0032] 为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。[0033] 在本实施例中，参见图1所示，本发明提出了一种基于多源遥感影像的城市建成区绿地变化识别方法，包括步骤：[0034] S1，数据采集，获取覆盖城市行政区的十米级中高分卫星影像、米级高分卫星影像以及百米级中低分辨率夜间灯光影像的遥感数据。[0035] 在步骤S1中，米级高分卫星遥感数据采用红、绿、蓝、近红四波段16位；十米级中高分卫星遥感数据采用红、绿、蓝、近红外、短波红外五波段16位；遥感数据影像采用灰度分布成正态分布，纹理正常，没有坏线、缺带，以及没有条带、斑点噪声和耀斑。对遥感数据的影像进行筛。秆√跫为：成像时间一致，图像清晰，色彩真实，以及不存在过度曝光、偏色、CCD拼接色差和饱和度异常现象。[0036] S2，若所采集的遥感数据为原始数据，对所采集的数据进行辐射校正、几何纠正和大气纠正处理；[0037] S3，建成区范围提。诿准陡叻治佬怯跋，利用十米级中高分卫星遥感数据谱段运算方法与百米级中低分辨率夜间灯光影像遥感数据相结合，获取精确的建成区覆盖范围，并提取建成区边界。[0038] 在步骤S3中，基于米级高分卫星影像采用红、绿、蓝、近红四波段16位，十米级中高分卫星影像的多光谱遥感数据采用哨兵2号数据，波段运算指数NDBI＝(SWIR?NIR)/(SWIR+NIR)，其中，SWIR为短波近红外波段、NIR为近红外波段；百米级中低分辨率夜间灯光影像的遥感数据利用VIIRS?NPP夜间灯光年度合成数据。[0039] S3?1，将米级高分遥感影像红、绿、蓝波段彩色合成作为底图，叠加十米级NDBI数据，将NDBI二值化，提取NDBI>0的单位像元并赋值为1，NDBI<0的单位像元赋值为0，并将栅格数据转成矢量数据，NDBI>0的部分为初步提取的城镇建设用地范围，再进行面空洞填充2处理，计算图斑面积，保留的图斑面积≥1.5km；[0040] S3?2，夜间灯光遥感数据叠加S3?1提取的城镇建设用地矢量数据，确定灯光遥感数据阈值，提取大于阈值的单位像元，并转成矢量数据，初步得到带有冗余信息的建成区范2围数据，再进行面空洞填充处理，计算图斑面积，保留的图斑面积≥1.5km；[0041] S3?3，将S3?1和S3?2得到的矢量数据叠加，提取两个数据相交的图斑范围，消除两2个数据带有的冗余信息，计算图斑面积，保留的图斑面积≥1.5km；[0042] S3?4利用地图POI点信息，识别出POI点密集区域，补充纳入建成区范围；[0043] S3?5综合形成建成区提取结果，将建成区面积与城乡建设统计年报公布的建成区面积对照，优化和完善建成区边界数据。[0044] S4，米级高分卫星影像剪切，利用所述建成区边界对所述的米级高分遥感影像进行图像裁剪运算，得到城市建成区的高分遥感影像。[0045] S5，建成区绿地快速识别，对所述建成区高分遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图，形成建成区绿地清单。[0046] S5?1，在建成区范围内，应用高分辨率卫星影像遥感数据，采样绿地样本作为训练数据，通过深度学习自动提取绿地斑块；[0047] S5?2，计算米级高分卫星影像遥感数据的植被指数，NDVI＝(NIR?R)/(NIR+R)，其中NIR为近红外波段，R为红波段；运算的结果数据与S5?1提取数据进行叠加，提取并集图2斑；计算各斑块面积，保留斑块面积大于400m，获取建成区绿地空间分布图，形成建成区绿地清单。[0048] S6，对于年际间的建成区绿地变化信息提取重复步骤S1?S5，获取不同年份的建成区范围、建成区绿地分布及清单，从而建立年际间系列建成区绿地分布数据；对于同一年份不同时期的建成区绿地变化信息提。赟3重复步骤S4?S5，获取同一年份不同时期系列建成区绿地分布数据。[0049] S7，绿地变化信息提。盗薪ǔ汕痰胤植际莅床煌疾憬锌占涞加，得到不同时期间建成区绿地增减的空间分布情况，统计减少及新增面积，保留变化面积大于2100m图斑；形成建成区绿地增减信息空间分布数据及变化清单数据。[0050] 本发明基于多源卫星遥感数据，运用夜间灯光遥感信息与中高分遥感数据波段算法相结合的方法获取建成区范围及边界矢量图，消除单个数据源提取建成区带来的冗余和干扰信息。[0051] 本发明基于高分辨率卫星遥感影像，利用遥感AI自动分类与波段运算相结合的方法获取建成区绿地空间分布图及清单。[0052] 本发明将不同时期影像上获得的建成区绿地信息进行空间分析运算，获取建成区绿地变化信息，形成绿地变化清单。[0053] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

专利地区：四川

专利申请日期：2023-11-27

专利公开日期：2024-07-23

专利公告号：CN117612003B