CN107730527A - 一种基于遥感卫星影像的高原地区冰湖提取方法 - Google Patents
一种基于遥感卫星影像的高原地区冰湖提取方法 Download PDFInfo
- Publication number
- CN107730527A CN107730527A CN201710957162.8A CN201710957162A CN107730527A CN 107730527 A CN107730527 A CN 107730527A CN 201710957162 A CN201710957162 A CN 201710957162A CN 107730527 A CN107730527 A CN 107730527A
- Authority
- CN
- China
- Prior art keywords
- ice lake
- extraction
- ice
- lake
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 108
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 241000132092 Aster Species 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000010606 normalization Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000003809 water extraction Methods 0.000 description 2
- 229920000459 Nitrile rubber Polymers 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遥感卫星影像的高原地区冰湖提取方法,包括:(1)获取遥感卫星影像及DEM数据并分别进行预处理;(2)全局冰湖粗提取:根据预处理后的遥感卫星影像得到整个区域的归一化冰湖指数NDWI值,结合近红外波段NIR值及短波红外波段SWIR值,对整幅图像设置NDWI、NIR、SWIR的阈值去除冰川及其它部分地物的影响;利用预处理后的DEM数据生成区域的坡度图,并设定坡度阈值去除山体阴影的影响,粗略提取出所有冰湖以及混有的部分背景;(3)局部冰湖精提取:在冰湖粗提取的结果上,利用引入符号压力函数的C‑V模型逐个精确提取冰湖;本发明的提取方法能有效去除影响冰湖提取的各类因素,达到准确提取,同时针对图像中的较小冰湖,也有较好的提取效果。
Description
技术领域
本发明涉及遥感技术领域,特别是涉及一种基于遥感卫星影像的高原地区冰湖提取方法。
背景技术
冰湖被认为是能够反映全球变化的重要因子之一,是全球气候变化与冰川退缩共同作用所形成的产物。冰湖的状态及其变化情况不仅能够侧面反映出全球气候的整体变化趋势,也能够为评价冰湖溃决灾害做出预警。然而,实地调查冰湖效率低,困难大,因此对冰湖信息的研究多集中于利用遥感影像对其进行提取和后续分析。
目前遥感影像中的冰湖提取研究较少,主要方法可以分为以下4类:
①手工数字化。即通过人工目视解译的方式,对冰湖进行识别,并对其边界进行人工手工数字化,实现冰湖的提取。例如1987年中国和尼泊尔联合对喜马拉雅山地区的冰湖进行编目(徐道明,冯清华.西藏喜马拉雅山危险冰湖及其溃决特征[J].地理学报,1989,44(3))。该方法存在的问题:需要投入大量的人力资源,且受判别人员的主观经验影响较大,一些易与环境混淆的冰湖难以被识别,不能够快速的大范围提取冰湖。
②基于光谱信息的冰湖提取。典型的冰湖提取方法为分步迭代的多光谱遥感水体信息自动提取(骆剑承,盛永伟,沈占峰,等.分步迭代的多光谱遥感水体信息高精度的自动提取[J].遥感学报.2009,13(4):610-615),基于双峰阈值分割方法的冰湖提取(Li Junli,Sheng Yongwei.An Automated Scheme for Glacial Lake Dynamics Mapping UsingLandsat Imagery and Digital Elevation Models:a Case Study in the Himalayas[J].International Journal of Remote Sensing.2012,33(16):5194-5213),这类方法基于冰湖像元的光谱信息,对冰湖进行先全局提取,后局部提取的思路,并有效的考虑到了一些影响冰湖提取的因素。该方法存在的问题:该方法为基于像元的方法,只要是符合阈值条件的像元都会被提取出来,由此反而会在冰湖提取的过程中产生噪声;其次对于无法去除的山体阴影,后期还需手动去除;另外,这类方法仅从光谱角度入手,而忽略掉了冰湖的形状信息,提取出的冰湖边界往往是一些像元的边界,这导致冰湖的形状不够平滑;最后冰湖的边界信息本身相对模糊,因此这类方法对于冰湖边界的提取不够准确,尤其体现在一些易与周围环境混淆的细小冰湖上。
③基于机器学习方法的冰湖提取。这类方法的代表方法包括神经网络(杨文亮,杨敏华,祁洪霞.利用BP神经网络提取TM影像水体[J].测绘科学,2012,37(1):148-150),决策树(杨树文,薛重生,刘涛,等.一种利用TM影像自动提取细小水体的方法[J].测绘学报.2010,39(6):611-617),聚类算法(YangY.H.,LiuY.X.,ZhouM.X.."Landsat8 OLI ImageBased Terrestrial Water Extraction from Heterogeneous Backgrounds Using aReflectance Homogenization Approach."Remote Sensing of Environment.,vol.171,pp.14-32,2015.)。这类方法的思路即从研究区域中选择一小块样本区域作为训练数据,然后选择合适的模型进行训练,并将此模型应用于整个研究区,实现对冰湖的大范围提取。该方法存在的问题:这类方法的提取精度很大程度上依靠于训练样本的选择,如何选择合适的样本是这类方法的关键问题;另一方面,训练样本的选择仍要耗费一定的人力和时间,且实现合适样本的自动化选择仍旧比较困难。
④基于图像分割的方法。代表方法为面向对象法(Blaschke T.Object BasedImage Analysis for Remote Sensing[J].ISPRS Journal of Photogrammetry andRemote Sensing.2010,65:2-16),选取合适的分割尺度,将图像分割成若干个小区域,通过对冰湖的目视解译,合并组成冰湖的小区域,实现对冰湖的提取。该方法存在的问题:当研究范围非常大的时候,不同冰湖的形状特征差别非常大,因此合适的分割尺度较难选择;另外目前虽有相关成熟的软件,如易康(eCognition),但该方法仍需少量人力做后处理工作。
目前对冰湖的提取,多数研究是基于冰湖的光谱信息,设定合适的水体指数和阈值,实现冰湖的提取。从现有技术来看,针对冰湖提取的研究还不够深入,冰湖与其他类型湖泊存在显著区别,且影响冰湖提取的因素众多,例如山体阴影,融化冰川等。现有方法对这些因素的分析不够深入,难以去除这些因素的干扰,且实现冰湖的自动化提取,或多或少都需要人工干预,这就导致了当前冰湖提取方法的效率较低,精度较差。
发明内容
本发明要解决的技术问题是提供一种提取效率及精度较高的基于遥感卫星影像的高原地区冰湖提取方法。
为解决上述技术问题,本发明采用如下技术方案:
一种基于遥感卫星影像的高原地区冰湖提取方法,包括如下步骤:
(1)获取数据及预处理:
获取遥感卫星影像及DEM数据并分别进行预处理;
(2)全局冰湖粗提取:
根据预处理后的遥感卫星影像得到整个区域的归一化冰湖指数NDWI值,结合近红外波段NIR值及短波红外波段SWIR值,对整幅图像设置NDWI、NIR、SWIR的阈值去除冰川及其它部分地物的影响;利用预处理后的DEM数据生成区域的坡度图,设定坡度阈值去除山体阴影的影响,粗略提取出所有冰湖以及混有的部分背景;
(3)局部冰湖精提取:
对全局冰湖粗提取出的所有目标对象进行编号并以膨胀的方式建立缓冲区,利用引入符号压力函数的C-V模型在每一个缓冲区内精确提取冰湖;当前冰湖提取完毕后,则进行下一个冰湖的提取,直至所有冰湖提取完毕。
进一步地,所述(1)中,遥感卫星影像选择空间分辨率为30米的Landsat-8数据,DEM数据选择空间分辨率为30米的ASTER V2数据。
进一步地,所述Landsat-8数据的成像时间选择9-11月之间的无云数据。
进一步地,所述(1)中,遥感卫星影像预处理包括图像裁剪和像元DN值转换为大气顶层表观反射率TOA;DEM数据预处理包括对DEM数据的裁剪。
进一步地,所述(2)全局冰湖粗提取具体包括如下步骤:
①计算整个区域的NDWI值,NDWI定义为:
其中,ρGreen表示绿光波段的大气顶层表观反射率,ρNIR表示近红外波段的大气顶层表观反射率;
将NDWI初始阈值设为0.4;NIR初始阈值设为0.15,SWIR初始阈值设为0.05;
②利用DEM数据生成研究区域的坡度图,选取的初始坡度slope阈值为15°;即全局冰湖粗提取的条件可以定义为:
③生成冰湖二值掩膜影像:经过多重阈值的过滤,得到含有冰湖及部分背景信息的二值掩膜图像,将该图像作为全局冰湖粗提取的结果;
④形态学开运算去除冰湖提取的噪声:对图像进行腐蚀运算,去除部分像元数量小于5的斑块,之后对图像进行膨胀,填充空洞区域。
进一步地,所述(3)局部冰湖精提取的具体步骤为:
①对全局粗提取出的所有目标对象进行编号1,……,i,……,n;
②对编号第i个湖泊以膨胀的方式建立缓冲区,直到膨胀后的面积约为膨胀前面积的3倍,即保证冰湖面积与背景面积的比值近似为1:2;
③利用引入符号压力函数的C-V模型在每一个缓冲区内精确提取冰湖,设置迭代次数为35,初始曲线设置为以缓冲区内NDWI最大值点为圆心,半径为5个像素的圆,当前冰湖提取完毕后,则进行下一个冰湖的提取,直至所有冰湖提取完毕。
进一步地,所述(3)局部冰湖精提取中,引入符号压力函数spf的C-V模型的演化方程为:
式中
其中,I表示原始灰度图像,c1表示C-V模型中曲线内部的平均灰度,c2则表示曲线外部的平均灰度,φ表示水平集函数。
进一步地,在(3)局部冰湖精提取过程中,对提取结果进行判断,形成稳定轮廓的为冰湖,无法获得稳定轮廓的为山体阴影,以去除部分山体阴影的影响;最后,在每个冰湖提取完后,通过计算提取冰湖区域的平均坡度,并设置较低的平均坡度阈值,进一步剔除提取的山体阴影。
进一步地,所述平均坡度阈值为10°。
进一步地,还包括(4)精度评定,采用高分1号遥感数据作为参考数据,将其中较为明显的湖泊进行矢量化,作为冰湖的真实边界,并与实验提取的结果进行比较和验证。
本发明针对冰湖的提取方法问题,通过大量实验,提出了一个***的冰湖提取方法TSCV(Threshold and simplified C-Vmodel,TSCV),核心思想为结合传统的阈值法,并引入一种基于区域的图像分割方法——改进的C-V模型,综合提取冰湖信息。该方法能够有效去除影响冰湖提取的各类因素,达到对冰湖信息的准确提取,同时针对图像中的较小冰湖,也能够有较好的提取效果。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明实施例中的冰湖提取方法TSCV的技术流程图;
图2是典型地物的NDWI,NIR,SWIR值箱线图分析。纵坐标代表值的大小,横坐标中,A表示阿尔泰地区,CH表示喜马拉雅山中部地区,ST表示藏东南地区,S表示山体阴影,G表示冰川,O表示其余典型地物,包括雪盖、植被、苔原等;
图3是冰湖提取精度评定图;
图4是实验区冰湖提取流程示意图;
图5是细小冰湖的提取结果比较图。
具体实施方式
本发明利用遥感影像来提取冰湖信息重点需要解决两个问题,一个是数据源的选择问题,另一个则是针对冰湖特征的合适提取方法问题。
在数据源的选择上,考虑到提取冰湖应该选择具有较高空间分辨率和时间分辨率的数据,且由于仅使用遥感影像数据难以去除山体阴影所带来的影响,因此需引入空间分辨率为30米的DEM(digital elevation model,DEM)数据——ASTERV2数据,建立坡度模型,结合坡度数据去除山体阴影的影响。综上考虑,最终本方法的数据源选择为Landsat-8数据,其空间分辨率为30米,可以与DEM数据较好的结合,时间分辨率为16天,该数据可以在地理空间数据云或者USGS上下载得到。另外考虑到冰湖受季节的影响变化较大,一般来说,每年的9-11月为冰湖最为稳定的时期(陈晓清,崔鹏,杨忠,等.喜马拉雅山中段波曲流域近期冰湖溃决危险性分析与评估[J].冰川冻土,2007,29(4):509-516),在这个时期内,冰湖的物质盈亏达到平衡状态,冰湖的边界最为清晰。因此选择Landsat-8数据时,应保证成像时间为9-11月之间,同时,为了排除云的影响,选择影像时需注意选择无云数据。
针对冰湖的提取方法问题,通过大量实验,本发明提出一个***的冰湖提取方法TSCV(Threshold and simplified C-V model,TSCV),核心思想为结合传统的阈值法,并引入一种基于区域的图像分割方法——改进的C-V模型,综合提取冰湖信息。该方法能够有效去除影响冰湖提取的各类因素,达到对冰湖信息的准确提取,同时针对图像中的较小冰湖,也能够有较好的提取效果。
本发明提出的TSCV冰湖提取方法结合了光谱阈值法和改进C-V模型的优势,提高了冰湖提取的精度和准确度,为大范围的高原水文环境研究提供可靠基础。该方法以Landsat-8影像和DEM数据为基础,进行大区域的冰湖提取。该方法的流程见图1,具体为:
(1)数据预处理
数据预处理包括遥感卫星影像预处理和DEM数据预处理。
遥感卫星影像预处理包括图像裁剪和像元DN(digital number,DN)值转换为大气顶层表观反射率TOA(top of atmosphere reflection,TOA)。由于DN值只表示了图像的明暗程度,没有实际的物理意义,因此在实际工作中,常利用表观反射率TOA或地表真实反射率来计算归一化冰湖指数NDWI(normalized difference water index,NDWI)。考虑到本实验的目的是将冰湖从复杂背景中提取出来,并不需要得到湖泊表面的真实反射率,因此,本发明选择将遥感影像中的DN值转化为大气顶层表观反射率TOA。
DEM数据预处理包括对DEM数据的裁剪。由于Landsat-8 OLI多光谱影像的空间分辨率为30米,因此选择空间分辨率为30米的ASTER V2数据进行裁剪。
(2)全局冰湖粗提取
全局冰湖粗提取的思路为:整体计算图像的NDWI值,并结合部分波段信息,对整幅图像设置较低的阈值,粗略提取出所有冰湖以及部分背景。
全局冰湖粗提取的关键步骤包括以下几步:
①计算整个区域的NDWI值。考虑到NDWI能够有效抑制非冰湖等背景地物的亮度值,且能够对冰雪信息进行区分,故将其作为全局冰湖提取的指标。本发明所采用的NDWI定义为:
其中,ρGreen表示绿光波段的大气顶层表观反射率,ρNIR表示近红外波段的大气顶层表观反射率,参考(McFeeters S K.The Use of the Normalized Difference WaterIndex(NDWI)in the Delineation of Open Water Features[J].International Journalof Remote Sensing.1996,17(7):1425-1432)。
通过对实验区域冰湖的NDWI采样分析,采样冰湖的NDWI值的取值范围为[0.41],因此本发明选择NDWI初始阈值为0.4。同时,融化冰川在近红外波段NIR(Near infraredreflectance)及短波红外波段SWIR(Short wave infrared reflectance)的反射率明显大于冰湖的反射率,因此可以辅以红外波段的数据来减少融化冰川的影响,本实验选取NIR<0.15,SWIR<0.05,参考(Yang Yuhao,Liu Yongxue,Zhou Minxi,et al.Landsat8 OLIImage Based Terrestrial Water Extraction From Heterogeneous Backgrounds Usinga Reflectance Homogenization Approach[J].Remote Sensing of Environment,2015,171:14-32)。
②利用DEM数据生成研究区域的坡度图。高原区域的地形起伏较大,坡度变化剧烈,而冰湖的表面却非常平坦,坡度值较小,因此设置坡度阈值来限制其他非冰湖因素的干扰。为保证所有冰湖都能被提取出来,本实验选取的初始坡度阈值为15°。
综上,全局冰湖粗提取的条件可以定义为:
③生成冰湖二值掩膜影像。经过多重阈值的过滤,可以得到所以冰湖及部分背景信息的二值掩膜图像,将该图像作为全局冰湖粗提取的结果。
④形态学开运算去除冰湖提取的噪声。为了减少图像噪声的影响,对图像进行腐蚀运算,去除部分像元数量小于5的斑块,之后对图像进行膨胀,填充空洞区域。
(3)局部冰湖精提取
进行全局冰湖粗提取后,可粗略得到实验区内的所有冰湖及部分背景信息,但由于全局冰湖粗提取的过程仅设定了较低的NDWI阈值,提取出冰湖边界不一定准确,因此需要进一步对冰湖进行精确提取。因此,此步骤需针对每一个冰湖进行单独处理,其处理的思路则是采用改进后的C-V模型进行冰湖边界的精确提取。
C-V模型是一种典型的基于偏微分方程的几何活动轮廓模型。该方法的原理为:在图像中定义一条闭合曲线C,该曲线将图像分为内外两个区域,这两个区域的灰度均值分别为c1和c2,由此定义C-V模型的能量泛函:
式中,λ1∫outside(c)|I-c1|2dxdy表示曲线内部能量,λ2∫outside(c)|I-c2|2dxdy表示曲线外部能量,ulength(C)和vArea(inside(C))为曲线长度和面积的约束项,I表示原始图像的灰度值,c1表示曲线内部的平均灰度,c2表示曲线外部的平均灰度,λ1、λ2、μ、ν为常数,ν常取值为0。
引入水平集函数φ(x,y)、Heaviside函数Η(x)、Dirac函数δ(x)后,C-V模型的能量泛函可表示为:
由于传统的C-V模型计算量大,收敛速度慢,难以应用于大型的遥感影像数据中,参考(李传龙.基于水平集和模糊聚类方法的图像分割技术研究[D].辽宁:大连海事大学.2012),为了加速曲线的演化,本发明将符号压力函数spf(苏日娜.改进符号压力函数的区域活动轮廓模型[J].中国图像图形学报.2011,16(12):2169-2174)引入C-V模型中:
并对传统C-V模型的演化方程进行简化,调整其系数,以控制曲线演化速度:
最终以公式6作为冰湖边界演化的数学依据,可将局部冰湖精提取的关键步骤概括为:
①对全局粗提取出的所有目标对象进行编号1,……,i,……,n。
②对编号第i个湖泊以膨胀的方式建立缓冲区,直到膨胀后的面积约为膨胀前面积的3倍,即保证冰湖面积与背景面积的比值近似为1:2。
③利用引入符号压力函数的C-V模型在每一个缓冲区内精确提取冰湖,设置迭代次数为35,初始曲线设置为以缓冲区内NDWI最大值点为圆心,半径为5个像素的圆。当前冰湖提取完毕后,则进行下一个冰湖的提取,直至所有冰湖提取完毕。
(4)影响冰湖提取因素的剔除
①影响因素分析
利用冰湖指数NDWI对冰湖信息进行突出之后,本发明选择了多种典型地物进行分析,分析结果如图2所示,主要易与冰湖信息混淆的地物为冰川和山体阴影,其余典型地物,包括雪盖、植被、苔原等,都可以通过简单阈值过滤掉。因此本发明主要考虑的影响因素则为冰川和山体阴影。
②冰川的去除
由于在SWIR波段冰川与冰湖的值较为接近,因此想要去除冰川的干扰,必须引入别的波段。由于冰川在近红外波段的反射率远远高于冰湖的反射率,因此可以在NIR波段设置阈值,过滤掉冰川的影响。
③山体阴影的剔除
山体阴影与冰湖具有相似的NDWI值,无法利用NDWI与冰湖直接区分。但部分山体阴影范围较小,且阴影处所含地物信息量又有差别,因此阴影处的NDWI值变化较大,而冰湖的NDWI值则更为均一。C-V模型是一种基于区域的图像分割模型,在本方法提取冰湖的过程中,山体阴影的NDWI值变化较大,则会被视为噪声信息,难以获得稳定平滑的轮廓,据此,可以加入对提取结果的判断,即是否形成稳定轮廓,以剔除部分山体阴影的影像。
对于难以直接进行剔除的山体阴影,本发明考虑利用DEM生成坡度数据进行判断。在进行全局冰湖粗提取的过程中先设置较高的坡度阈值,筛选掉部分明显的山体阴影;其次在局部冰湖精提取的过程中再加入对山体阴影的判断,去掉一些细小的山体阴影;最后,在每个冰湖提取完后,通过计算提取冰湖区域的平均坡度,并设置较低的平均坡度阈值,本发明设置平均坡度阈值为10°,进一步剔除提取的山体阴影。
(5)精度评定
为了验证冰湖的提取结果的精度,本发明将高分辨率的遥感数据——高分1号数据(全色波段的空间分辨率为8米)作为参考数据,将其中较为明显的湖泊进行矢量化,作为冰湖的真实边界,并与实验提取的结果进行比较和验证。
如图3所示,以藏东南的一景影像中的冰湖为例,将冰湖提取面积与真实面积进行比较和统计,结果表明:提取冰湖总面积为10.74km2,真实冰湖总面积为10.94km2,总体提取精度为98.14%,相关系数R2=0.9895,均方根误差RMSE=0.034km2。能够有效的提取出冰湖。
另外,为了更好的说明实验步骤,图4以一小处冰湖为例,展示了该方法的提取结果,并与谷歌影像中的真实冰湖做了对比,证明起能够有效提取出冰湖。
最后,为了说明该方法可以有效提取出细小冰湖,本发明选择了三处不同的冰湖发育区——阿尔泰地区,喜马拉雅山地区,和藏东南地区,进行冰湖的提取研究,以此来体现出本发明对不同地区冰湖提取效果的鲁棒性。同时,为了表明该方法在细小冰湖的提取中具有明显优势,本发明将该方法的提取结果与两种传统的冰湖提取方法——阈值法(threshold method)和模糊聚类法(fuzzy cluster method,FCM)——进行比较,结果如图5所示,结果表明:实验区域内共计106个细小冰湖,即冰湖面积小于0.1km2为细小冰湖,本发明提出的方法平均精度达到77.55%,且有几乎一半的小冰湖的提取精度达到了80%以上,而模糊聚类法的平均提取精度仅有63.50%,只有16个小冰湖的提取精度达到80%以上,阈值法的平均提取精度仅有65.63%,仅有18个小冰湖的提取精度达到了80%以上。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (10)
1.一种基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,包括如下步骤:
(1)获取数据及预处理:
获取遥感卫星影像及DEM数据并分别进行预处理;
(2)全局冰湖粗提取:
根据预处理后的遥感卫星影像得到整个区域的归一化冰湖指数NDWI值,结合近红外波段NIR值及短波红外波段SWIR值,对整幅图像设置NDWI、NIR、SWIR的阈值去除冰川及其它部分地物的影响;利用预处理后的DEM数据生成区域的坡度图,设定坡度阈值去除山体阴影的影响,粗略提取出所有冰湖以及混有的部分背景;
(3)局部冰湖精提取:
对全局冰湖粗提取出的所有目标对象进行编号并以膨胀的方式建立缓冲区,利用引入符号压力函数的C-V模型在每一个缓冲区内精确提取冰湖;当前冰湖提取完毕后,则进行下一个冰湖的提取,直至所有冰湖提取完毕。
2.根据权利要求1所述的基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,所述(1)中,遥感卫星影像选择空间分辨率为30米的Landsat-8数据,DEM数据选择空间分辨率为30米的ASTER V2数据。
3.根据权利要求2所述的基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,所述Landsat-8数据的成像时间选择9-11月之间的无云数据。
4.根据权利要求1所述的基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,所述(1)中,遥感卫星影像预处理包括图像裁剪和像元DN值转换为大气顶层表观反射率TOA;DEM数据预处理包括对DEM数据的裁剪。
5.根据权利要求1所述的基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,所述(2)全局冰湖粗提取具体包括如下步骤:
①计算整个区域的NDWI值,NDWI定义为:
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>G</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>G</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中,ρGreen表示绿光波段的大气顶层表观反射率,ρNIR表示近红外波段的大气顶层表观反射率;
将NDWI初始阈值设为0.4;NIR初始阈值设为0.15,SWIR初始阈值设为0.05;
②利用DEM数据生成研究区域的坡度图,选取的初始坡度slope阈值为15°;即全局冰湖粗提取的条件可以定义为:
③生成冰湖二值掩膜影像:经过多重阈值的过滤,得到含有冰湖及部分背景信息的二值掩膜图像,将该图像作为全局冰湖粗提取的结果;
④形态学开运算去除冰湖提取的噪声:对图像进行腐蚀运算,去除部分像元数量小于5的斑块,之后对图像进行膨胀,填充空洞区域。
6.根据权利要求1所述的基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,所述(3)局部冰湖精提取的具体步骤为:
①对全局粗提取出的所有目标对象进行编号1,……,i,……,n;
②对编号第i个湖泊以膨胀的方式建立缓冲区,直到膨胀后的面积约为膨胀前面积的3倍,即保证冰湖面积与背景面积的比值近似为1:2;
③利用引入符号压力函数的C-V模型在每一个缓冲区内精确提取冰湖,设置迭代次数为35,初始曲线设置为以缓冲区内NDWI最大值点为圆心,半径为5个像素的圆,当前冰湖提取完毕后,则进行下一个冰湖的提取,直至所有冰湖提取完毕。
7.根据权利要求1或6所述的基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,所述(3)局部冰湖精提取中,引入符号压力函数spf的C-V模型的演化方程为:
式中
其中,I表示原始灰度图像,c1表示C-V模型中曲线内部的平均灰度,c2则表示曲线外部的平均灰度,φ表示水平集函数。
8.根据权利要求1或6所述的基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,在(3)局部冰湖精提取过程中,对提取结果进行判断,形成稳定轮廓的为冰湖,无法获得稳定轮廓的为山体阴影,以去除部分山体阴影的影响;最后,在每个冰湖提取完后,通过计算提取冰湖区域的平均坡度,并设置较低的平均坡度阈值,进一步剔除提取的山体阴影。
9.根据权利要求8所述的基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,所述平均坡度阈值为10°。
10.根据权利要求1-9任一项所述的基于遥感卫星影像的高原地区冰湖提取方法,其特征在于,还包括(4)精度评定,采用高分1号遥感数据作为参考数据,将其中较为明显的湖泊进行矢量化,作为冰湖的真实边界,并与实验提取的结果进行比较和验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710957162.8A CN107730527B (zh) | 2017-10-16 | 2017-10-16 | 一种基于遥感卫星影像的高原地区冰湖提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710957162.8A CN107730527B (zh) | 2017-10-16 | 2017-10-16 | 一种基于遥感卫星影像的高原地区冰湖提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730527A true CN107730527A (zh) | 2018-02-23 |
CN107730527B CN107730527B (zh) | 2021-03-30 |
Family
ID=61211443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710957162.8A Active CN107730527B (zh) | 2017-10-16 | 2017-10-16 | 一种基于遥感卫星影像的高原地区冰湖提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730527B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647738A (zh) * | 2018-05-17 | 2018-10-12 | 中国科学院遥感与数字地球研究所 | 基于多指数的全球尺度遥感影像水体智能提取方法 |
CN109186561A (zh) * | 2018-09-19 | 2019-01-11 | 南京大学 | 一种冰下湖体积变化的估算方法 |
WO2019184269A1 (zh) * | 2018-03-30 | 2019-10-03 | 长安大学 | 基于Landsat8含雪影像的云检测方法 |
CN110400291A (zh) * | 2019-07-02 | 2019-11-01 | 北京师范大学 | 基于rbg颜色模型法提取阿德利企鹅数量的方法 |
CN110738187A (zh) * | 2019-10-24 | 2020-01-31 | 中国科学院城市环境研究所 | 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法 |
CN111160349A (zh) * | 2019-12-16 | 2020-05-15 | 广州地理研究所 | 基于哨兵遥感数据的水体提取方法及装置、设备 |
CN111192282A (zh) * | 2019-12-19 | 2020-05-22 | 中国科学院南京地理与湖泊研究所 | 湖滨带虚拟站的湖库时序水位重建方法 |
CN111191530A (zh) * | 2019-12-16 | 2020-05-22 | 广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
CN111324952A (zh) * | 2020-02-17 | 2020-06-23 | 中国科学院水利部成都山地灾害与环境研究所 | 基于多源遥感数据获取水位的冰湖体积估算方法 |
CN111832575A (zh) * | 2020-07-16 | 2020-10-27 | 黄河勘测规划设计研究院有限公司 | 一种基于遥感图像的水面区域提取方法及装置 |
CN111862134A (zh) * | 2020-07-13 | 2020-10-30 | 中国科学院南京地理与湖泊研究所 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN111983609A (zh) * | 2020-07-30 | 2020-11-24 | 中国科学院空天信息创新研究院 | 基于雷达遥感影像的湿芦苇提取方法 |
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
CN113379759A (zh) * | 2021-05-11 | 2021-09-10 | 中国资源卫星应用中心 | 一种光学遥感卫星影像水体自动提取方法 |
CN113435484A (zh) * | 2021-06-15 | 2021-09-24 | 兰州交通大学 | 结合自注意力机制的U-Net神经网络冰湖提取方法 |
CN113900097A (zh) * | 2021-11-29 | 2022-01-07 | 商丘师范学院 | 基于卫星遥感数据的冰川量检测方法 |
CN113936226A (zh) * | 2021-11-23 | 2022-01-14 | 河南大学 | 一种基于遥感云计算的全球冰川搜索识别方法 |
CN115272878A (zh) * | 2022-07-22 | 2022-11-01 | 中国自然资源航空物探遥感中心 | 一种基于机器学习的高原冰湖自动提取方法 |
CN115469370A (zh) * | 2022-11-14 | 2022-12-13 | 航天宏图信息技术股份有限公司 | 一种消除冰湖干扰的冰川边界提取方法和装置 |
CN117236668A (zh) * | 2023-11-15 | 2023-12-15 | 山东锋士信息技术有限公司 | 基于供给与消耗的区域水资源配置分析决策方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2294447A1 (en) * | 2008-05-08 | 2011-03-16 | The University Court Of The University of Edinburgh | Remote sensing system |
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
-
2017
- 2017-10-16 CN CN201710957162.8A patent/CN107730527B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2294447A1 (en) * | 2008-05-08 | 2011-03-16 | The University Court Of The University of Edinburgh | Remote sensing system |
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
Non-Patent Citations (3)
Title |
---|
QIQI ZHU: "Bag-of-Visual-Words Scene Classifier With Local and Global Features for High Spatial Resolution Remote Sensing Imagery", 《 IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
刘亮: "基于主动轮廓模型的遥感图像", 《万方学位论文数据库》 * |
黄启厅: "干旱区山地冰川-冰湖协同演变遥感监测与气候变化响应机制研究", 《中国博士学位论文全文库》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019184269A1 (zh) * | 2018-03-30 | 2019-10-03 | 长安大学 | 基于Landsat8含雪影像的云检测方法 |
CN108647738B (zh) * | 2018-05-17 | 2021-09-14 | 中国科学院遥感与数字地球研究所 | 基于多指数的全球尺度遥感影像水体智能提取方法 |
CN108647738A (zh) * | 2018-05-17 | 2018-10-12 | 中国科学院遥感与数字地球研究所 | 基于多指数的全球尺度遥感影像水体智能提取方法 |
CN109186561A (zh) * | 2018-09-19 | 2019-01-11 | 南京大学 | 一种冰下湖体积变化的估算方法 |
CN109186561B (zh) * | 2018-09-19 | 2020-10-02 | 南京大学 | 一种冰下湖体积变化的估算方法 |
CN110400291A (zh) * | 2019-07-02 | 2019-11-01 | 北京师范大学 | 基于rbg颜色模型法提取阿德利企鹅数量的方法 |
CN110738187A (zh) * | 2019-10-24 | 2020-01-31 | 中国科学院城市环境研究所 | 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法 |
CN111160349A (zh) * | 2019-12-16 | 2020-05-15 | 广州地理研究所 | 基于哨兵遥感数据的水体提取方法及装置、设备 |
CN111191530A (zh) * | 2019-12-16 | 2020-05-22 | 广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
CN111191530B (zh) * | 2019-12-16 | 2022-06-28 | 广东省科学院广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
CN111160349B (zh) * | 2019-12-16 | 2022-06-03 | 广东省科学院广州地理研究所 | 基于哨兵遥感数据的水体提取方法及装置、设备 |
CN111192282A (zh) * | 2019-12-19 | 2020-05-22 | 中国科学院南京地理与湖泊研究所 | 湖滨带虚拟站的湖库时序水位重建方法 |
CN111324952A (zh) * | 2020-02-17 | 2020-06-23 | 中国科学院水利部成都山地灾害与环境研究所 | 基于多源遥感数据获取水位的冰湖体积估算方法 |
CN111324952B (zh) * | 2020-02-17 | 2023-09-01 | 中国科学院水利部成都山地灾害与环境研究所 | 基于多源遥感数据获取水位的冰湖体积估算方法 |
CN111862134A (zh) * | 2020-07-13 | 2020-10-30 | 中国科学院南京地理与湖泊研究所 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
CN111862134B (zh) * | 2020-07-13 | 2023-11-07 | 中国科学院南京地理与湖泊研究所 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
CN111832575A (zh) * | 2020-07-16 | 2020-10-27 | 黄河勘测规划设计研究院有限公司 | 一种基于遥感图像的水面区域提取方法及装置 |
CN111832575B (zh) * | 2020-07-16 | 2024-04-30 | 黄河勘测规划设计研究院有限公司 | 一种基于遥感图像的水面区域提取方法及装置 |
CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN111881816B (zh) * | 2020-07-27 | 2023-06-09 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN111983609A (zh) * | 2020-07-30 | 2020-11-24 | 中国科学院空天信息创新研究院 | 基于雷达遥感影像的湿芦苇提取方法 |
CN111983609B (zh) * | 2020-07-30 | 2022-02-08 | 中国科学院空天信息创新研究院 | 基于雷达遥感影像的湿芦苇提取方法 |
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
CN112766075B (zh) * | 2020-12-31 | 2021-12-28 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
CN113379759A (zh) * | 2021-05-11 | 2021-09-10 | 中国资源卫星应用中心 | 一种光学遥感卫星影像水体自动提取方法 |
CN113435484A (zh) * | 2021-06-15 | 2021-09-24 | 兰州交通大学 | 结合自注意力机制的U-Net神经网络冰湖提取方法 |
CN113936226A (zh) * | 2021-11-23 | 2022-01-14 | 河南大学 | 一种基于遥感云计算的全球冰川搜索识别方法 |
CN113900097B (zh) * | 2021-11-29 | 2022-08-16 | 商丘师范学院 | 基于卫星遥感数据的冰川量检测方法 |
CN113900097A (zh) * | 2021-11-29 | 2022-01-07 | 商丘师范学院 | 基于卫星遥感数据的冰川量检测方法 |
CN115272878A (zh) * | 2022-07-22 | 2022-11-01 | 中国自然资源航空物探遥感中心 | 一种基于机器学习的高原冰湖自动提取方法 |
CN115469370A (zh) * | 2022-11-14 | 2022-12-13 | 航天宏图信息技术股份有限公司 | 一种消除冰湖干扰的冰川边界提取方法和装置 |
CN117236668A (zh) * | 2023-11-15 | 2023-12-15 | 山东锋士信息技术有限公司 | 基于供给与消耗的区域水资源配置分析决策方法及*** |
CN117236668B (zh) * | 2023-11-15 | 2024-03-08 | 山东锋士信息技术有限公司 | 基于供给与消耗的区域水资源配置分析决策方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107730527B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730527B (zh) | 一种基于遥感卫星影像的高原地区冰湖提取方法 | |
CN109190538B (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
CN111932567B (zh) | 基于卫星影像的冰湖轮廓自动提取方法 | |
CN110298211B (zh) | 一种基于深度学习和高分辨率遥感影像的河网提取方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
CN108051371B (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** | |
CN111881816B (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
Zhao et al. | A systematic extraction approach for mapping glacial lakes in high mountain regions of Asia | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN114359243B (zh) | 一种季节性小微湿地动态监测方法 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
CN112033937B (zh) | 一种水体提取精度的评价方法 | |
CN112270225A (zh) | 一种峡谷型高含沙蜿蜒河流遥感影像提取方法 | |
CN113379620B (zh) | 一种光学遥感卫星影像云检测方法 | |
CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
CN115620132A (zh) | 一种无监督的对比学习冰湖提取方法 | |
CN114399514A (zh) | 一种基于Sentinel-2影像的山区水体提取方法 | |
CN115078263A (zh) | 顾及潮汐影响的海草遥感信息提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |