Red de conocimiento informático - Material del sitio web - Información de vegetación urbana basada en imágenes de teledetección Clasificación de la vegetación de imágenes de teledetección

Información de vegetación urbana basada en imágenes de teledetección Clasificación de la vegetación de imágenes de teledetección

0 Introducción La vegetación juega un papel importante para nosotros. No sólo afecta a diversos equilibrios de la tierra, sino que también juega un papel importante en los ciclos bioquímicos. por lo tanto. La vegetación de la Tierra y sus cambios siempre han atraído la atención de científicos y gobiernos. [2] La vegetación urbana forma parte de la vegetación terrestre y desempeña un papel importante en la protección de los ecosistemas urbanos. Además, el espacio verde urbano es una parte indispensable del ecosistema urbano, el resultado de la acción conjunta de múltiples factores y un símbolo importante del nivel de vida de los residentes y del entorno urbano. Por lo tanto, es de gran importancia práctica llevar a cabo investigaciones sobre la ecología de la vegetación urbana.

La teledetección identifica principalmente diversas características del terreno basándose en las diferentes respuestas de ondas electromagnéticas producidas por diferentes objetos. Tiene las ventajas de un amplio campo de visión, imágenes claras y realistas, gran macroscopicidad, período de repetición corto, gran cantidad de información y recolección de datos conveniente. [1] Por lo tanto, la teledetección por satélite es un medio eficaz de seguimiento de la vegetación.

Este artículo se centra en la extracción de información de vegetación urbana, analiza el progreso de la investigación de la extracción de información de vegetación urbana basada en imágenes de teledetección desde los aspectos de los principios y fuentes de datos de la teledetección urbana, los métodos de extracción de información de vegetación urbana, la teledetección. tecnología, etc., y analiza las características de estos estudios, algunas deficiencias de cada uno y las tendencias de desarrollo.

1 Características espectrales de la vegetación urbana e imágenes de teledetección

1.1 Vegetación urbana

La vegetación urbana se refiere a las plantas vivas que cubren la ciudad, es decir, la A Término general para varios tipos de plantas cultivadas de forma natural y artificial.

1.2 Características espectrales de las imágenes de teledetección de vegetación

En las bandas de luz azul y roja, la energía es muy baja; cerca de la banda de luz verde, se forma un pequeño pico. En la banda del infrarrojo cercano, la estructura del tejido esponjoso del mesófilo tiene una superficie reflectante más grande.

2 Fuentes de datos de extracción de información de vegetación urbana y preprocesamiento de imágenes de teledetección

2.1 Fuentes de datos de extracción de información y su selección

1) Imágenes Landsat TM y teledetección ETM datos . La resolución espacial no es alta.

2) Datos MODIS, la relación señal-ruido es muy alta.

3) Las imágenes del satélite comercial estadounidense de teledetección "Quickbird" pueden proporcionar una interpretación más clara de los espacios verdes urbanos a partir de imágenes de teledetección. [4]

4) Datos de teledetección IKONOS, la resolución de la banda pancromática es de 1 my la resolución de datos multiespectrales es de 4 m. [5]

5) Además, existen muchos otros tipos de datos de teledetección, como las imágenes SPOT.

2.2 Preprocesamiento de imágenes de satélite

El preprocesamiento de imágenes de teledetección en el estudio incluye una serie de procesos, como corrección geométrica, mejora de imágenes de teledetección, interceptación del estudio área y análisis de correlación, etc., que requieren diferentes preprocesamientos según los diferentes tipos y características de las imágenes de teledetección.

3 Métodos de extracción de información de vegetación urbana

3.1 Extracción de información de vegetación de interacción persona-computadora

3.1.1 Extracción de métodos de clasificación basados ​​en la selección de bandas

Pasos:

1) Selección de bandas experimentales y síntesis de color

Combinado con las características físicas espectrales de las bandas, seleccione varias bandas primero y calcule la primera, segunda y Las segundas bandas después de la transformación K-L se analizan para determinar la correlación entre las bandas y se realiza la síntesis de color falso en los datos de las tres bandas. se seleccionan a través de comparaciones repetidas la mejor imagen compuesta del paisaje de vegetación.

2) Clasificación y posprocesamiento de imágenes de teledetección

Utilizar métodos no supervisados ​​para determinar el número óptimo de categorías de imágenes basadas en clasificación por computadora, mediante interpretación visual Correcta; puntuaciones erróneas; realizar filtrado espacial para eliminar parches de elementos de la imagen que aparecen muy raramente para obtener precisión en la interpretación. [3]

Características: Al extraer información, no solo se consideran los siete datos de banda originales, sino también los datos de banda "derivados", incluidos los componentes principales y el índice de relación NDVI. También se pueden utilizar métodos como la combinación de datos de bandas para mejorar la precisión de la interpretación y clasificación.

Desventajas: el fenómeno de homogeneidad y heterogeneidad conduce a una disminución en la precisión de la clasificación, por lo que varios factores objetivos o subjetivos afectarán la precisión de la clasificación durante la clasificación. Además, la cantidad de información sobre la vegetación depende del número de clasificaciones, lo que también afectará la precisión de la clasificación.

3.1.2 Extraer vegetación urbana a partir de imágenes de alta resolución

Pasos:

1) Extracción de NDVI. Primero, establezca el umbral de NDVI y cualquier valor superior a este umbral se considera espacio verde. Realice ciertas operaciones lógicas en el espacio verde extraído y la imagen original para eliminar elementos de la imagen del espacio verde de la imagen original.

2) Basado en la comprensión de las características de respuesta espectral y extracción de espacios verdes ISODATA

Basado en las características de la no vegetación, extraer y eliminar este tipo de información, y utilizar la imagen. en este momento como una nueva imagen original y luego realice la extracción de clasificación mediante estiramiento en escala de grises. Después de la interpretación visual, se seleccionan puntos de muestra de espacios verdes y se utiliza la tecnología de agrupamiento ISODATA no supervisada para extraer información de espacios verdes por última vez. [6]

Características: Hay pocos fenómenos de clasificación mixta y la precisión de la extracción de información es alta. Este método procesa las características de cada tipo de característica por separado. Cuando se extrae una capa de información, se elimina para evitar afectar la extracción de otra información. Este método es conveniente y rápido y puede distinguir características con diferencias espectrales sutiles sin considerar las características espectrales de otras características que se separan.

Desventajas: Sólo funciona con imágenes de alta resolución.

3.2 Método de extracción automática por computadora

3.2.1 Para la extracción de información se utiliza un modelo de clasificación que combina la descomposición de información de elementos y la clasificación de redes neuronales

Pasos: Diseñó el elementos Un modelo de clasificación que combina la descomposición de información y la clasificación de redes neuronales. El modelo primero considera la separación de espacios verdes de imágenes de detección remota mediante el método de descomposición de información de píxeles (el modelo de descomposición de información de píxeles tiene en cuenta que varias características típicas pueden superponerse en el espacio) y luego utiliza la clasificación de la red neuronal BP como máscara de clasificación para clasificarlos. Este modelo utiliza el método de descomposición de información de píxeles en la clasificación primaria para clasificar solo unos pocos tipos de características, eliminando y evitando efectivamente la interferencia y la influencia de otra información redundante al extraer información de espacios verdes. [7]

Características: Es un nuevo método para la extracción automática de información de teledetección de espacios verdes urbanos basado en una combinación de descomposición de información de píxeles y clasificación de redes neuronales. La precisión de la clasificación se puede mejorar y verificar mediante encuestas de teledetección sobre el terreno. Esto garantiza la pureza del espacio verde durante el proceso de clasificación y mejora la precisión de la clasificación.

Desventajas: La precisión de los datos NDVI y DEM afecta la precisión de la extracción de información. En la descomposición de la información de píxeles, la reflectancia de varios objetos terrestres típicos se utiliza como reflectancia estándar. Si se puede medir la reflectancia real de cada objeto terrestre típico, la precisión de la clasificación mejorará aún más.

3.2.2 Clasificación del árbol de decisión de imágenes de teledetección basada en See5

Pasos:

1) Seleccionar el área de muestra de entrenamiento y el área de muestra de prueba, y extraer el índice de vegetación de la imagen.

2) Aplicar el módulo de árbol de decisión del software ENVI para implementar la clasificación de imágenes.

3) Análisis de resultados y pruebas de precisión. Análisis de resultados y pruebas de precisión. Utilice muestras de prueba para probar la precisión de los resultados de la clasificación. [8]

Características: Distinguir con precisión la vegetación de la no vegetación y extraer información sobre varios tipos de vegetación juega un papel decisivo en la precisión de la clasificación. Al utilizar la tasa de ganancia de información como función de evaluación para la selección de características, se pueden seleccionar características más efectivas para la clasificación en el espacio de características múltiples, lo que puede analizar mejor el tipo de patrón de paisaje del área de estudio, mejorar la precisión de la clasificación y reducir el tiempo requerido. para la clasificación.