[发明专利]基于多源影像的湿地分类方法

说明书

本发明属于遥感影像处理领域，公开了一种基于多源影像的湿地分类方法，包括如下步骤：(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM‑RFE算法获得最佳特征组合；(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。本发明实现了湿地信息准确、快速提取。

技术领域

本发明涉及一种基于多源影像的湿地分类方法，属于遥感影像处理领域。

背景技术

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。利用遥感影像与机器学习已成为湿地分类及制图的主要方法之一。

因获取质量较好的高时空分辨率光学影像十分困难，以往的区域湿地分类研究多采用时序中分辨率成像光谱仪(MODIS)获取的低分辨率影像(空间分辨率100)，尽管其能反映湿地植被的时序变化，但空间表达不够精细，从而影响分类精度，低分辨率影像在区域湿地信息精细提取中面临着较大的挑战。

目前，可免费获取的Sentinel-2 MSI影像具有较Landsat 8 OLI更高的空间分辨率、光谱分辨率及时间分辨率，更有利于湿地植被与农作物识别。但受天气影响，获取的时序Sentinel-2 MSI影像的时间间隔会相应延长。因此，部分学者采用遥感时空融合技术，如时空自适应反射融合模型(STARFM)和增强型时空自适应反射融合模型(ESTARFM)等，以获取密集的时序Sentinel-2 MSI影像。该类算法主要对MODIS产品数据进行降尺度来预测对应日期的Sentinel-2 MSI影像。但由于MODIS数据分辨率较低，在寻找“同质像元”的过程中势必会受到影响，从而有时会导致Sentinel-2 MSI的预测精度过低。

另一方面，在以往的湿地分类研究中，主要采用单一分类器(如支持向量机算法(SVM)、随机森林算法(RF)、K-近邻(kNN)算法及卷积神经网络(CNN))和固定组合分类器，但由于湿地生态系统较为复杂，这些分类器的稳定性和适应性明显不足。

发明内容

本发明的目的是提供一种基于多源影像的湿地分类方法，采用多尺度卷积神经网络超分辨率重建技术，结合陆地卫星8号陆地成像仪(Landsat 8 OLI，空间分辨率30m)与哨兵2号卫星多光谱成像仪(Sentinel-2 MSI，空间分辨率10m)两者之间的光谱协同效应，对Landsat 8 OLI数据进行降尺度，构建高时间分辨率(2-3天)、高空间分辨率(10米)的多光谱遥感影像，在此基础之上，结合哨兵1号(Sentinel-1)雷达卫星数据，利用面向对象的影像分析技术，并基于最佳分类精度进而选择最优的分类器组合，构建面向对象的自适应集成学习模型，从而提高湿地分类的精度及稳定性。

为了实现上述目的，本发明提供一种基于多源影像的湿地分类方法，包括如下步骤：(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM-RFE(Support Vector Machine-Recursive Feature Elimination，支持向量迭代特征删除)算法获得最佳特征组合；(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。

进一步地，所述步骤(4)后面还包括步骤(5)：通过土地利用数据和谷歌地球数据来选取训练样本，并利用实地调查数据对湿地分类结果进行验证。