基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法
技术领域
本发明涉及一种基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法。
背景技术
水产养殖是世界上增长最快的粮食生产部门之一，是人们的重要蛋白质来源，并可能对未来全球粮食安全发挥重要和日益重要的作用，也是沿海地区开垦土地的主要方式。海岸带地处海陆交界，生态环境敏感脆弱，同时也是海水养殖业发展的主要地区。随着全球水产养殖业的快速发展，养殖池塘迅速扩大，不仅创造了巨大的经济效益，也对滨海湿地生态环境造成了很大压力，造成海洋环境质量恶化的后果，如水和土壤的污染、沿海湿地的破坏、生物多样性减少甚至丧失、景观破碎化等。因此在区域及全球范围内识别和评估水产养殖的空间分布，对分析生态系统日益增长的压力和相关的环境影响很有价值。遥感除了准确、快速和具有成本效益外，还提供了许多实地调查所没有的优势，在监测难以到达的海岸生态系统方面，遥感技术监测水产养殖面积、种类、规模等的变化，是目前水产养殖变化研究中的常用方法。但是不同季节与大尺度给海水养殖池遥感解译带来的困难，湖泊和坑塘等被错分为滨海养殖池。
发明内容
本发明的目的是为了解决现有的遥感技术无法准确快捷获得滨海养殖池分布的技术问题，提供了一种基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法。
基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法按照以下步骤进行：
步骤一、利用Google Earth Engine云平台，对滨海研究区进行0.1°*0.1°格网划分；
步骤二、基于JRC地表水体数据集与DEM数据集，分别获取每个格网单元的历史水体频率均值Pmean与坡度均值Slopemean，筛选出0＜Mp＜1和0＜Mslope＜5，确定海水养殖池潜在分布区域的格网；
步骤三、利用Google Earth Engine云平台，筛选研究区一年内云量较少且雨季的Sentinel-2MSI影像，基于像元进行无云中值影像合成，形成一个影像集；
步骤四、分别计算影像集中每一个影像的水体指数NDWI、植被指数NDVI、建筑物指数NDBI、纹理特征与边缘特征(通过调用GEE中函数实现)，得到空间上的NDWI、NDVI、NDBI、纹理特征与边缘特征的图像；
NDWI、NDVI及NDBI计算公式如下；
NDWI＝(PGreen-PNIR)/(PGreen+PNIR) (1)
NDVI＝(PNIR-PR)/(PNIR+PR) (2)
NDBI＝(PSWIR-PNIR)/(PSWIR+PNIR) (3)
式(1)、(2)、(3)中，PGreen、PNIR、PR与PSWIR分别代表绿波段反射率、近红外波段反射率、红波段反射率与短波红外波段的反射率；
步骤五、基于Google Earth Engine，采用K-means算法对研究区格网单元影像的光谱波段NDWI、NDVI、NDBI以及特征波段的纹理特征、边缘特征进行图像分割，将影像划分为K个簇，找出最小化目标函数；
目标函数如下；
J越小，代表聚类越紧凑，聚类效果更好；所以为使聚类效果最好，目标函数取值为0，各聚类中心如下：
式(4)、(5)中，Xj为第j个数据点，Ci为第i个聚类中心，ni是簇i中数据点个数；
步骤六、在经掩模处理的水体信息中，采用最大类间方差算法OTUS自动计算水体阈值，提取出水体；
采用Google Earth Engine提供的面向对象算法将获得的水体信息进行对象化操作，获得格网单元内的水体对象，同时删除像素个数小于10的对象；
步骤七、计算水体对象创建形状属性特征矩形度和长宽比，并根据不同的特征，采用决策树分类算法，长宽比可以把较纤细的物体与方形或圆形物体区分开，矩形度取值在0-1之间，且纤细、弯曲的物体取值较小，筛选出来的即为滨海养殖池；
矩形度的计算公式为：
其中，S0是斑块面积，而SMER是其最小外接矩形面积；
长宽比的计算公式为：
其中，WMER是斑块的最小外接矩形的宽度，LMER为最小外接矩形的长度。
本发明实现了遥感技术准确快速的探测滨海养殖池分布的问题。本发明首先利用Google Earth Engine云平台对滨海研究区进行0.1°*0.1°的格网划分。然后构建每个格网的历史水体频率均值(Pmean)与坡度均值(Slopemean)，筛选出养殖池潜在分布区域的格网。再筛选出质量好的Sentinel-2影像，形成影像集，并且利用Google Earth Engine计算出NDWI、NDVI、NDBI、纹理特征与边缘特征等进一步提取水体。最后利用形状属性特征，剔除细长河流、具有不规则自然边界的湖泊、坑塘等，从而获得了滨海养殖池的分布。本发明克服了不同季节与大尺度给海水养殖池遥感解译带来的困难，解决了湖泊和坑塘等被错分为滨海养殖池的问题。本发明所涉及的滨海养殖池提取方法快捷有效，提高了滨海养殖池解译的精度和可信度，具有可重复性和广泛性，对滨海养殖池遥感制图具有及其重要的意义。
附图说明
图1是本发明基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法的流程图；
图2是实验一步骤二中筛选出养殖池潜在分布区域的图；
图3是实验一步骤二中筛选出养殖池潜在分布区域格网的图；
图4是实验一步骤三中得到的影像集；
图5是实验一步骤四中空间上的NDWI图像；
图6是实验一步骤四中空间上的NDVI图像；
图7是实验一步骤四中空间上的NDBI图像；
图8是实验一步骤四中空间上的明暗对比度图像；
图9是实验一步骤四中空间上的方差图像；
图10是实验一步骤四中空间上的边缘特征图像；
图11是实验一步骤五中影像分割图像；
图12是实验一步骤六中提取水体图像；
图13是实验一步骤六中格网单元内的水体对象；
图14是实验一步骤六中删除像素个数小于10的水体图像；
图15是实验一步骤七中计算矩形度后的图像；
图16是实验一步骤七中计算长宽比后的图像。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。
具体实施方式一：本实施方式基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法按照以下步骤进行：
步骤一、利用Google Earth Engine云平台，对滨海研究区进行0.1°*0.1°格网划分；
步骤二、基于JRC地表水体数据集与DEM数据集，分别获取每个格网单元的历史水体频率均值Pmean与坡度均值Slopemean，筛选出0＜Mp＜1和0＜Mslope＜5，确定海水养殖池潜在分布区域的格网；
步骤三、利用Google Earth Engine云平台，筛选研究区一年内云量较少且雨季的Sentinel-2MSI影像，基于像元进行无云中值影像合成，形成一个影像集；
步骤四、分别计算影像集中每一个影像的水体指数NDWI、植被指数NDVI、建筑物指数NDBI、纹理特征与边缘特征(通过调用GEE中函数实现)，得到空间上的NDWI、NDVI、NDBI、纹理特征与边缘特征的图像；
NDWI、NDVI及NDBI计算公式如下；
NDWI＝(PGreen-PNIR)/(PGreen+PNIR) (1)
NDVI＝(PNIR-PR)/(PNIR+PR) (2)
NDBI＝(PSWIR-PNIR)/(PSWIR+PNIR) (3)
式(1)、(2)、(3)中，PGreen、PNIR、PR与PSWIR分别代表绿波段反射率、近红外波段反射率、红波段反射率与短波红外波段的反射率；
步骤五、基于Google Earth Engine，采用K-means算法对研究区格网单元影像的光谱波段NDWI、NDVI、NDBI以及特征波段的纹理特征、边缘特征进行图像分割，将影像划分为K个簇，找出最小化目标函数；
目标函数如下；
J越小，代表聚类越紧凑，聚类效果更好；所以为使聚类效果最好，目标函数取值为0，各聚类中心如下：
式(4)、(5)中，Xj为第j个数据点，Ci为第i个聚类中心，ni是簇i中数据点个数；
步骤六、在经掩模处理的水体信息中，采用最大类间方差算法OTUS自动计算水体阈值，提取出水体；
采用Google Earth Engine提供的面向对象算法将获得的水体信息进行对象化操作，获得格网单元内的水体对象，同时删除像素个数小于10的对象；
步骤七、计算水体对象创建形状属性特征矩形度和长宽比，并根据不同的特征，采用决策树分类算法，长宽比可以把较纤细的物体与方形或圆形物体区分开，矩形度取值在0-1之间，且纤细、弯曲的物体取值较小，筛选出来的即为滨海养殖池；
矩形度的计算公式为：
其中，S0是斑块面积，而SMER是其最小外接矩形面积；
长宽比的计算公式为：
其中，WMER是斑块的最小外接矩形的宽度，LMER为最小外接矩形的长度。
采用下述实验验证本发明效果：
实验一：
基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法按照以下步骤进行：
步骤一、利用Google Earth Engine云平台，对滨海研究区进行0.1°*0.1°格网划分；
步骤二、基于JRC地表水体数据集与DEM数据集，分别获取每个格网单元的历史水体频率均值Pmean与坡度均值Slopemean，筛选出0＜Mp＜1和0＜Mslope＜5，确定海水养殖池潜在分布区域的格网；
步骤三、利用Google Earth Engine云平台，筛选研究区一年内云量较少且雨季的Sentinel-2MSI影像，基于像元进行无云中值影像合成，形成一个影像集；
步骤四、分别计算影像集中每一个影像的水体指数NDWI、植被指数NDVI、建筑物指数NDBI、纹理特征与边缘特征(通过调用GEE中函数实现)，得到空间上的NDWI、NDVI、NDBI、纹理特征与边缘特征的图像；
NDWI、NDVI及NDBI计算公式如下；
NDWI＝(PGreen-PNIR)/(PGreen+PNIR) (1)
NDVI＝(PNIR-PR)/(PNIR+PR) (2)
NDBI＝(PSWIR-PNIR)/(PSWIR+PNIR) (3)
式(1)、(2)、(3)中，PGreen、PNIR、PR与PSWIR分别代表绿波段反射率、近红外波段反射率、红波段反射率与短波红外波段的反射率；
步骤五、基于Google Earth Engine，采用K-means算法对研究区格网单元影像的光谱波段(NDWI、NDVI及NDBI)以及特征波段(纹理特征与边缘特征)进行图像分割，其目的是将影像划分为K个簇，找出最小化目标函数；
目标函数如下；
J越小，代表聚类越紧凑，聚类效果更好。所以为使聚类效果最好，目标函数取值为0，各聚类中心如下：
式(4)、(5)中，Xj为第j个数据点，Ci为第i个聚类中心，ni是簇i中数据点个数。
步骤六、在经掩模处理的水体信息中，采用最大类间方差算法OTUS自动计算水体阈值，提取出水体；
采用Google Earth Engine提供的面向对象算法将获得的水体信息进行对象化操作，获得格网单元内的水体对象，同时删除像素个数小于10的对象；
步骤七、计算水体对象创建形状属性特征矩形度和长宽比，并根据不同的特征，采用决策树分类算法，长宽比可以把较纤细的物体与方形或圆形物体区分开，矩形度取值在0-1之间，且纤细、弯曲的物体取值较小，筛选出来的即为滨海养殖池；
矩形度的计算公式为：
其中，S0是斑块面积，而SMER是其最小外接矩形面积；
长宽比的计算公式为：
其中，WMER是斑块的最小外接矩形的宽度，LMER为最小外接矩形的长度。
