[发明专利]一种基于GlobeLand30的历史地表覆盖快速重建方法

说明书

本发明涉及一种基于GlobeLand30的历史地表覆盖快速重建方法，包括以下步骤：1）GlobeLand30的有效斑块提取：利用形态学运算去除错误斑块，获得可以正确表达地表覆盖信息空间分布的斑块。2）伪样本推选：计算影像光谱特征，以优化后的斑块作为聚类单元，采用无监督算法推选出伪样本集。3）全局样本优化：对不同地物类型分别构建高斯混合模型，通过求解模型的过程优化全局样本。4）地表覆盖重建：根据第三步结果获得训练样本集，判断是否需要进行变化检测，将样本集输入随机森林，重建目标历史时相的地表覆盖分类图。本算法考虑了地表覆盖产品中信息的有效性和不确定性，通过有效降低不确定性快速重建历史地表覆盖。

技术领域

本发明涉及一种基于GlobeLand30的历史地表覆盖快速重建方法，属于遥感智能信息提取技术领域。

背景技术

地表覆盖是描述地球表面构成的关键指标，对全球陆表水分、能量与物质循环有重要影响。遥感影像监督分类解译地表覆盖已成为主流的技术方法，通过对遥感影像进行目视解译，手动选取训练样本，基于监督分类算法生成多期地表覆盖分类结果。这类方法得益于监督分类方法有效性，在遥感地表覆盖分类中得到了广泛的应用。监督分类结果对训练样本非常依赖，训练样本获取环节对上述方法尤其重要。样本选取是一个依赖专家知识且需要花费一定时间与人力的过程，这个过程需要高分影像作为参考或者实地调查获得地表真实数据。

因此，对于历史影像地表覆盖重建问题，传统基于机器学习的遥感影像分类方法存在以下局限性：1)理想的监督分类结果依赖充分的高质量训练样本，需要大量的时间与人力的投入；2)对于历史影像，用于标记参考的高分影像非常缺乏，难以覆盖整个研究区域，使得训练样本集不能很好地代表整体研究区的地物分布。针对以上问题，提出了一种快速、无监督的历史地表覆盖快速重建方法，充分利用已有地表覆盖产品，实现历史影像训练样本的自动获取。构建一种无监督样本迁移方法嵌入地表覆盖分类框架中，快速准确地重建历史地表覆盖。

发明内容

本发明要解决的技术问题是：克服历史地表覆盖分类任务中训练样本获取难度大、成本高的不足，提出一种无监督样本迁移的方法，该方法利用存档地表覆盖产品数据，通过产品斑块的几何约束、影像光谱特征的属性约束以及地物的分布约束充分降低地表覆盖产品的时空不确定性，自动快速生产高质量历史影像训练样本，结合变化检测与分类算法，快速准确地完成历史地表覆盖的重建。

为了解决以上技术问题，本发明提供的一种基于GlobeLand30的历史地表覆盖快速重建方法，包括以下步骤：

第一步、准备地表覆盖产品GlobeLand30、遥感影像Landsat数据以及DEM数据，选择感兴趣区域并生成感兴趣区域的矢量文件，对GlobeLand30、DEM与遥感影像Landsat数据进行裁剪；

第二步、基于形态学开运算构建对地表覆盖产品土地斑块的优化从而获得斑块单元：将地表覆盖产品GlobeLand30按照类别划分为若干二值图层，同时对每一层二值图像进行窗口大小递增的形态学开运算，针对不同窗口大小下的计算结果，当前背景像元占比大于用户设定阈值时，对二值图层进行合并，获得优化后的斑块单元；

第三步、计算影像归一化差值光谱向量NDSV：通过遍历所有波段反射率的两两组合，对每一对波段组合计算归一化差值指数，获得对应的归一化差值光谱向量NDSV，所有的归一化差值光谱向量NDSV构成了影像光谱特征集；

第四步、将每一个斑块单元作为聚类计算单元，采用K-means算法进行无监督聚类，采用K-means++算法逐个初始化每个斑块单元的聚类中心：对于任意斑块单元，从中随机选择一个像元的归一化差值光谱向量NDSV作为第一个簇的聚类中心，当目前有k个聚类中心时，计算当前斑块单元内其他像元的归一化差值光谱向量NDSV到第k个聚类中心μ_k的欧式距离，并根据该欧式距离设置对应像元的抽样权重，根据抽样权重随机抽取第k+1个聚类中心，重复该过程直到簇的数量满足用户预设要求；