CN109840516A - 一种基于时序遥感影像的水体变化自动识别方法 - Google Patents
一种基于时序遥感影像的水体变化自动识别方法 Download PDFInfo
- Publication number
- CN109840516A CN109840516A CN201910168472.0A CN201910168472A CN109840516A CN 109840516 A CN109840516 A CN 109840516A CN 201910168472 A CN201910168472 A CN 201910168472A CN 109840516 A CN109840516 A CN 109840516A
- Authority
- CN
- China
- Prior art keywords
- index
- water body
- vegetation
- humidity
- brightness
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013480 data collection Methods 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 102000006463 Talin Human genes 0.000 claims description 13
- 108010083809 Talin Proteins 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 210000000746 body region Anatomy 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 239000002023 wood Substances 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 3
- 239000002689 soil Substances 0.000 description 6
- 230000007423 decrease Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于时序遥感影像的水体变化自动识别方法。本发明首先基于植被指数时序数据提取植被丰度指标,通过缨帽变换建立亮度、绿度和湿度指标时序数据集,同时利用研究区森林区域指标的均值和标准差,对亮度、绿度和湿度三个指标进行标准化处理,结合标准化处理后的亮度、绿度和湿度指标,提取干扰指数,进而检测植被丰度、干扰指数和湿度指标是否存在显著的变化趋势,最终依据植被丰度、干扰指数和湿度指标的变化趋势,建立基于时序遥感影像的水体变化自动识别方法。本发明具有时空连续性好、鲁棒性强,适用于大范围水体变化自动提取等优点。
Description
技术领域
本发明涉及遥感信息处理领域,具体涉及一种基于时序遥感影像的水体变化自动识别方法。
背景技术
湿地是重要的自然资源,是众多动植物的栖息地,在人类生态***中占有重要地位。任何生命都离不开水。近年来一些重要湖泊如洞庭湖湖泊面积减少现象,引起了各界高度关注。利用时序遥感影像,能大范围快速获取水体分布范围及其变化特点。为了更好地提取水体,众多学者提出了一系列能有效地凸显水体的水体指数,如LSWI (Land SurfaceWater Index)、NDWI (Normalized Difference Water Index)、MNDWI (ModifiedNormalized Difference Water Index)等。这些水体指数,在湖泊、河流等水体提取中发挥重要作用。但其遇到的挑战是:应用于大范围水体提取时,容易出现阈值设置困难并且容易受到阴影等暗地物的技术瓶颈。
术语解释:
MODIS数据:中分辨率成像光谱仪数据,全称为MODerate resolution ImagingSpectroradiometer。
植被指数:植被指数是表征植被生长状态以及空间分布密度的因子。常见的植被指数有NDVI和EVI。NDVI为归一化植被指数,全称为Normalized Difference VegetationIndex。EVI为增强型植被指数,全称为Enhanced Vegetation Index。EVI指数的计算公式为:,其中Red, Blue, NIR分别为红光、蓝光和近红外波段。
发明内容
有鉴于此,本发明的目的在于提供一种基于时序遥感影像的水体变化自动识别方法,不需要设置阈值,能很好地应用于大范围长时间序列水体变化区域快速监测。
为实现上述目的,本发明采用如下技术方案:
一种基于时序遥感影像的水体变化自动识别方法,包括以下步骤:
步骤S01:采集研究区历年的植被指数时序数据,并建立植被指数时序数据集;
步骤S02:根据得到的植被数据时序数据集,逐年提取植被丰度指标;
步骤S03:根据研究区最大化合成MODIS遥感影像波段反射率数据,通过缨帽变换建立亮度、绿度和湿度指标时序数据集;
步骤S04:根据得到的亮度、绿度和湿度指标时序数据集,建立干扰指数时序数据集;
步骤S05:计算干扰指数、植被丰度指标和湿度指标的变化趋势;
步骤S06:根据得到的干扰指数、植被丰度和湿度指标的变化趋势,获得研究区水体变化分布图。
进一步的,基于植被指数时序数据集的第二四分位数Q2,获得增强型植被指数时序数据的中高值区域M,计算增强型植被指数时序数据的中高值区域M的平均值,即为植被丰度指标。
进一步的,所述步骤S03具体为:基于8天最大化合成MODIS遥感影像波段1-7反射率数据,通过缨帽变换计算亮度、绿度和湿度三个指标,建立亮度、绿度和湿度指标时序数据集,其中亮度B、绿度G和湿度W指标的计算公式分别为:
B=0.3956*Band1 + 0.4718*Band2 + 0.3354*Band3 + 0.3834*Band4 + 0.3946*Band5 + 0.3434* Band6+0.2964* Band7
G= -0.3399* Band1 + 0.5952*Band2 - 0.2129*Band3 - 0.2222*Band4 + 0.4617*Band5- 0.1037* Band6 - 0.4600* Band7
W=0.10839 *Band1+ 0.0912*Band2 + 0.5065*Band3 + 0.4040*Band4 - 0.2410*Band5- 0.4658* Band6 - 0.5306* Band7
其中波段Band1,Band2,Band3,Band4,Band5,Band6和Band7分别为MODIS影像波段1-7对应的波段反射率。
进一步的,所述步骤S04具体为:
步骤S401:对的亮度、绿度和湿度指标进行标准化处理;
亮度、绿度和湿度指标的标准化计算方法依次为:
B
r
= (B-B
u
)/ B
ǒ
G
r
= (G-G
u
)/ G
ǒ
W
r
= (W-W
u
)/ W
ǒ
其中,Br、Gr和Wr分别是经过标准化后的亮度、绿度和湿度指标B u , G u , W u 分别为研究区内亮度、绿度、湿度指标的平均值;B ǒ , G ǒ , W ǒ 分别为研究区内亮度、绿度、湿度指标的标准差;
步骤S402:利用标准化后的亮度、绿度和湿度指标,建立干扰指数DI;
DI=B r -(G r +W r ) 。
进一步的,所述步骤S05采用Sen氏斜率法和Mann-Kendall方法,逐像元检测干扰指数、植被丰度和湿度指标历年变化趋势。
本发明与现有技术相比具有以下有益效果:
1、本发明利用时空连续植被指数时序数据集,通过提取植被丰度指标,尽可能避免各种天气因素以及传感器带来的数据噪声或其他数据质量问题,表征植被总体覆盖状况。
2、本发明考虑到水体相对于植被、裸土和不透水面等不同地物的特殊性,即植被丰度和干扰指数均最低,而其他地物通常在植被丰度较低的情况下,具有较高的干扰指数,进而依据植被丰度、干扰指数并结合湿度指数判断是否发生水体变化
3、本发明利用多指标多年变化趋势,判断是否发生水体增加或减少情况,有助于消除观测影像数据中阴影以及水体不同季节波段的影响。
附图说明
图1为本发明实施例的实现流程图;
图2为本发明一实施例中2001-2017年不同地物类型的MODIS EVI和植被丰度指标时序曲线图;
图3 为本发明一实施例中2001-2017年不同地物类型的湿度指标时序曲线图;
图4 为本发明一实施例中2001-2017年不同地物类型的干扰指数时序曲线图;
图5 为本发明一实施例中干扰指数-植被丰度散点图;
图6 为本发明一实施例中干扰指数-湿度指标散点图;
图7为本发明一实施例中水体变化自动识别方法技术流程图;
图8 为本发明一实施例中研究区地表覆盖变化区域空间分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于时序遥感影像的水体变化自动识别方法,包括以下步骤:
步骤S01:建立植被指数时序数据集。
采用500米8天最大化合成MOD09A1波段反射率数据,计算MODIS EVI。基于无云日计算得到的MODIS EVI时序数据,利用线性插值方法获得2001-2017年研究区逐日MODISEVI时序数据集。然后,采用Whittaker Smoother数据平滑方法,逐像元构建平滑后的2001-2017年研究区时空连续逐日MODIS EVI时序数据集。
步骤S02:逐年提取植被丰度指标。
基于2001-2017年研究区时空连续逐日MODIS EVI时序数据集,逐年计算2001-2017年表征地表植被覆盖状况的植被丰度。
逐年逐像元获取该年份植被指数时序数据集的第二四分位数Q2(中位数),在此基础上依次提取该年份植被指数时序数据集大于或等于第二四分位数的所有数据,分别为对应年份逐日MODIS EVI时序数据集的中高值区域M。进而计算该年份逐日MODIS EVI时序数据集的中高值区域M的平均值,定义为植被丰度。逐年逐像元计算植被丰度,获得2001-2017年植被丰度时序数据集。以植被、不透水面、水体、裸地四种地物类型为例,所形成的2001-2017年MODIS EVI以及植被丰度指标时序曲线图见图2。
步骤S03:通过缨帽变换建立亮度、绿度和湿度指标时序数据集
基于2001-2017年8天最大化合成MODIS遥感影像波段1-7反射率数据,通过缨帽变换获得亮度、绿度和湿度三个指标。其中缨帽变换的系数表见表1。
表1 MODIS的缨帽变换系数表
波段 | Band1 | Band2 | Band3 | Band4 | Band5 | Band6 | Band7 |
MODIS (nm) | 620~670 | 841~876 | 459~479 | 545~565 | 1230~1250 | 1628~1652 | 2105~2155 |
亮度 | 0.3956 | 0.4718 | 0.3354 | 0.3834 | 0.3946 | 0.3434 | 0.2964 |
绿度 | -0.3399 | 0.5952 | -0.2129 | -0.2222 | 0.4617 | -0.1037 | -0.4600 |
湿度 | 0.10839 | 0.0912 | 0.5065 | 0.4040 | -0.2410 | -0.4658 | -0.5306 |
亮度(B)、绿度(G)和湿度(W)指标的计算公式分别:
B=0.3956* Band1 + 0.4718* Band2 + 0.3354* Band3 +0.3834* Band4 + 0.3946*Band5 + 0.3434* Band6+0.2964* Band7
G= -0.3399* Band1 + 0.5952* Band2 - 0.2129* Band3 -0.2222* Band4 +0.4617*Band5- 0.1037* Band6-0.4600* Band7
W=0.10839 * Band1 +0.0912* Band2+0.5065* Band3 +0.4040*Band4 - 0.2410*Band5- 0.4658* Band6 - 0.5306* Band7
其中波段Band1,Band2,Band3,Band4,Band5,Band6和Band7分别为MODIS影像波段1-7对应的波段反射率。
逐像元逐年逐期依据上述公式通过缨帽变换获得亮度、绿度和湿度三个指标,生成500米8天2001-2017年亮度、绿度和湿度指标时序数据集。以植被、不透水面、水体、裸地四种地物类型为例,所形成的2001-2017年湿度指标时序曲线图见图3。
步骤S04:建立干扰指数时序数据集。
对于植被而言,其绿度和湿度通常较高,而亮度较低。而对于裸土、不透水面等而言,则刚好相反。为了消除季节以及不同时期、不同区域影像差异带来的影响,首先将亮度、绿度和湿度指标时序数据集进行标准化处理。利用森林区域的平均值和标准差,进行亮度、绿度、湿度指标的标准化处理。其中亮度、绿度和湿度指标的标准化计算方法依次为:
B
r
= (B-B
u
)/ B
ǒ
G
r
= (G-G
u
)/ G
ǒ
W
r
= (W-W
u
)/ W
ǒ
其中,B, G, W分别为步骤S03缨帽变换后生成的亮度、绿度、湿度指标;B u , G u , W u 分别为研究区森林区域内亮度、绿度、湿度指标的平均值;B ǒ , G ǒ , W ǒ 分别为研究区森林区域内亮度、绿度、湿度指标的标准差。
利用标准化后的亮度、绿度和湿度指标,建立干扰指数(简称DI)。其计算公式为:
DI=B
r
-(G
r
+W
r
)
其中,DI为干扰指数,Br、Gr和Wr分别是经过标准化后的亮度、绿度和湿度指标。
逐像元逐年逐期计算干扰指数,生成2001-2017年研究区干扰指数时序数据集。以植被、不透水面、水体、裸地四种地物类型为例,所形成的2001-2017年干扰指数时序曲线图见图4。
步骤S05:计算干扰指数、植被丰度和湿度指标的变化趋势
利用Sen氏斜率方法,分别基于2001-2017年干扰指数、植被丰度和湿度指标时序数据集,逐像元依次计算2001-2017年干扰指数、植被丰度和湿度指标的变化趋势Q。当Q>0时,表示该时序曲线呈一定的上升趋势;当Q<0时,表示该时序曲线具有一定的下降趋势。基于Mann-Kendall方法,进一步判断该时序曲线的变化趋势是否显著。依据显著性检验的结果,将变化趋势分为三种情况:显著的正趋势(显著的上升趋势)、没有趋势(不变)和显著的负趋势(显著的下降趋势)。
步骤S06:获得研究区水体变化分布图。
首先依据干扰指数是否存在变化趋势,初步确定潜在水体变化区域,进而依据植被丰度和湿度指标变化趋势,判断水体究竟减少或增加;
对于植被、不透水面、裸地、水体四种不同地物类型而言,其干扰指数数值呈现出明显不同。具体表现为,水体的干扰指数最低,其次为植被,再次为不透水面,裸土的干扰指数最高。如果干扰指数发生显著变化趋势,则表明这四种不同地物类型之间可能发生变化。
对于植被、不透水面、裸地、水体四种不同地物类型而言,植被丰度和湿度指标也存在明显差异。就植被丰度而言,植被的植被丰度最高,其次为不透水面、裸地,水体的植被丰度最低。就湿度指标而言,从低到高依次为:裸土、不透水面、植被、水体。
因此,选取若干个裸土、不透水面、植被、水体参考点位,以干扰指数、植被丰度为横纵坐标做散点图(见图5)。在四种不同地物类型中,水体靠近原点并且落在第三和第四象限(见图5)。选取若干个裸土、不透水面、植被、水体参考点位,以干扰指数、湿度指标为横纵坐标作散点图见图6。在四种不同地物类型中,水体的湿度最高、干扰指数较小且为负值,水体落在第二象限或者第三象限靠近原点位置(见图6)。
依据水体的干扰指数、植被丰度相对最低而湿度指标相对最高的特点,将干扰指数、植被丰度均呈显著下降趋势而水体指数呈显著上升趋势的像元,判断为水体增加;将干扰指数、植被丰度均呈显著上升趋势而水体指数呈显著下降趋势的像元,判断为水体减少。逐像元判断水体是否增加或减少,最终生成研究区水体变化分布图。依据本实施例中提供的方法,以青海省为例,所获得的研究区水体变化分布图见图8。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (8)
1.一种基于时序遥感影像的水体变化自动识别方法,其特征在于,包括以下步骤:
步骤S01:采集研究区历年的植被指数时序数据,并建立植被指数时序数据集;
步骤S02:根据得到的植被数据时序数据集,逐年提取植被丰度指标;
步骤S03:根据研究区最大化合成MODIS遥感影像波段反射率数据,通过缨帽变换建立亮度、绿度和湿度指标时序数据集;
步骤S04:根据得到的亮度、绿度和湿度指标时序数据集,建立干扰指数时序数据集;
步骤S05:计算干扰指数、植被丰度指标和湿度指标的变化趋势;
步骤S06:根据得到的干扰指数、植被丰度和湿度指标的变化趋势,获得研究区水体变化分布图。
2.根据权利要求1所述的一种基于时序遥感影像的水体变化自动识别方法,其特征在于:所述步骤S02具体为:基于植被指数时序数据集的第二四分位数Q2,获得增强型植被指数时序数据的中高值区域M,计算增强型植被指数时序数据的中高值区域M的平均值,即为植被丰度指标。
3.根据权利要求1所述的一种基于时序遥感影像的水体变化自动识别方法,其特征在于:所述步骤S03具体为:基于2001-2017年8天最大化合成MODIS遥感影像波段1-7反射率数据,通过缨帽变换计算亮度、绿度和湿度三个指标,建立2001-2017年亮度、绿度和湿度指标时序数据集,其中亮度B、绿度G和湿度W指标的计算公式分别为:
B=0.3956*Band1 + 0.4718*Band2 + 0.3354*Band3 + 0.3834*Band4 + 0.3946*Band5 + 0.3434* Band6+0.2964* Band7
G= -0.3399* Band1 + 0.5952*Band2 - 0.2129*Band3 - 0.2222*Band4 + 0.4617*Band5- 0.1037* Band6 - 0.4600* Band7
W=0.10839 *Band1+ 0.0912*Band2 + 0.5065*Band3 + 0.4040*Band4 - 0.2410*Band5- 0.4658* Band6 - 0.5306* Band7
其中波段Band1,Band2,Band3,Band4,Band5,Band6和Band7分别为MODIS影像波段1-7对应的波段反射率。
4.根据权利要求1所述的一种基于时序遥感影像的水体变化自动识别方法,其特征在于:所述步骤S04具体为:
步骤S401:对的亮度、绿度和湿度指标进行标准化处理;
亮度、绿度和湿度指标的标准化计算方法依次为:
B
r
= (B-B
u
)/ B
ǒ
G
r
= (G-G
u
)/ G
ǒ
W
r
= (W-W
u
)/ W
ǒ
其中,Br、Gr和Wr分别是经过标准化后的亮度、绿度和湿度指标;B u , G u , W u 分别为研究区内亮度、绿度、湿度指标的平均值;B ǒ , G ǒ , W ǒ 分别为研究区内亮度、绿度、湿度指标的标准差;
步骤S402:利用标准化后的亮度、绿度和湿度指标,建立干扰指数DI;
DI=B
r
-(G
r
+W
r
)
其中,DI为干扰指数,Br、Gr和Wr分别是经过标准化后的亮度、绿度和湿度指标;逐像元逐年逐期计算干扰指数,生成2001-2017年研究区干扰指数时序数据集。
5.根据权利要求1所述的一种基于时序遥感影像的水体变化自动识别方法,其特征在于:所述步骤S05采用Sen氏斜率法和Mann-Kendall方法,逐像元检测干扰指数、植被丰度和湿度指标历年变化趋势。
6.根据权利要求1所述的一种基于时序遥感影像的水体变化自动识别方法,其特征在于:所述步骤S06中,如果干扰指数存在显著上升或下降趋势,则判断为潜在水体变化区域。
7.根据权利要求1所述的一种基于时序遥感影像的水体变化自动识别方法,其特征在于:所述步骤S06中,将干扰指数、植被丰度均呈显著下降趋势而水体指数呈显著上升趋势的像元,判断为水体增加;将干扰指数、植被丰度均呈显著上升趋势而水体指数呈显著下降趋势的像元,判断为水体减少。
8.根据权利要求1至7任意一项所述的一种基于时序遥感影像的水体变化自动识别方法,其特征在于:该方法适用于时序遥感变化检测技术及其相关应用领域中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168472.0A CN109840516B (zh) | 2019-03-06 | 2019-03-06 | 一种基于时序遥感影像的水体变化自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168472.0A CN109840516B (zh) | 2019-03-06 | 2019-03-06 | 一种基于时序遥感影像的水体变化自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840516A true CN109840516A (zh) | 2019-06-04 |
CN109840516B CN109840516B (zh) | 2022-10-14 |
Family
ID=66885429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910168472.0A Expired - Fee Related CN109840516B (zh) | 2019-03-06 | 2019-03-06 | 一种基于时序遥感影像的水体变化自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840516B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832506A (zh) * | 2020-07-20 | 2020-10-27 | 大同煤矿集团有限责任公司 | 一种基于长时序植被指数的重建植被遥感判别方法 |
CN112116242A (zh) * | 2020-09-17 | 2020-12-22 | 福州福大经纬信息科技有限公司 | 一种结合多种遥感指标的裸土变化识别方法 |
CN112861810A (zh) * | 2021-03-23 | 2021-05-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于时序遥感观测数据的人工林种植时间自动检测方法 |
CN114005040A (zh) * | 2021-06-24 | 2022-02-01 | 闽江学院 | 一种基于di的森林扰动变化遥感监测方法及装置 |
CN114120137A (zh) * | 2021-10-19 | 2022-03-01 | 桂林理工大学 | 一种基于时序主被遥感影像的湿地要素时空演变监测方法 |
CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN115452759A (zh) * | 2022-09-14 | 2022-12-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于卫星遥感数据的河湖健康指标评价方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及*** |
CN107340268A (zh) * | 2017-07-07 | 2017-11-10 | 福州大学 | 一种基于遥感时序数据的旱地作物识别方法 |
CN107463775A (zh) * | 2017-07-24 | 2017-12-12 | 福州大学 | 基于多遥感指数变化趋势的植被流失去向识别方法 |
KR20180099347A (ko) * | 2017-02-28 | 2018-09-05 | 부산대학교 산학협력단 | 기상과 식생 탄소 모델 결과를 이용한 지역 규모 이산화탄소 수지 계산 방법 |
-
2019
- 2019-03-06 CN CN201910168472.0A patent/CN109840516B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及*** |
KR20180099347A (ko) * | 2017-02-28 | 2018-09-05 | 부산대학교 산학협력단 | 기상과 식생 탄소 모델 결과를 이용한 지역 규모 이산화탄소 수지 계산 방법 |
CN107340268A (zh) * | 2017-07-07 | 2017-11-10 | 福州大学 | 一种基于遥感时序数据的旱地作物识别方法 |
CN107463775A (zh) * | 2017-07-24 | 2017-12-12 | 福州大学 | 基于多遥感指数变化趋势的植被流失去向识别方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832506A (zh) * | 2020-07-20 | 2020-10-27 | 大同煤矿集团有限责任公司 | 一种基于长时序植被指数的重建植被遥感判别方法 |
CN111832506B (zh) * | 2020-07-20 | 2023-10-17 | 中国矿业大学 | 一种基于长时序植被指数的重建植被遥感判别方法 |
CN112116242A (zh) * | 2020-09-17 | 2020-12-22 | 福州福大经纬信息科技有限公司 | 一种结合多种遥感指标的裸土变化识别方法 |
CN112116242B (zh) * | 2020-09-17 | 2022-08-16 | 福州福大经纬信息科技有限公司 | 一种结合多种遥感指标的裸土变化识别方法 |
CN112861810A (zh) * | 2021-03-23 | 2021-05-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于时序遥感观测数据的人工林种植时间自动检测方法 |
CN112861810B (zh) * | 2021-03-23 | 2021-11-02 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于时序遥感观测数据的人工林种植时间自动检测方法 |
CN114005040A (zh) * | 2021-06-24 | 2022-02-01 | 闽江学院 | 一种基于di的森林扰动变化遥感监测方法及装置 |
CN114120137A (zh) * | 2021-10-19 | 2022-03-01 | 桂林理工大学 | 一种基于时序主被遥感影像的湿地要素时空演变监测方法 |
CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN114419463B (zh) * | 2022-01-26 | 2022-09-30 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN115452759A (zh) * | 2022-09-14 | 2022-12-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于卫星遥感数据的河湖健康指标评价方法及*** |
CN115452759B (zh) * | 2022-09-14 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于卫星遥感数据的河湖健康指标评价方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109840516B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840516A (zh) | 一种基于时序遥感影像的水体变化自动识别方法 | |
CN103473764B (zh) | 一种遥感影像目标变化检测方法 | |
CN111626269B (zh) | 一种实用的大空间范围滑坡提取方法 | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN106960436A (zh) | 一种光学遥感图像处理性能评估方法 | |
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 | |
CN105243367A (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN109636784A (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN109859219B (zh) | 结合相位与光谱的高分遥感影像分割方法 | |
CN113705523B (zh) | 一种基于光学和双极化sar融合的分层城市不透水面提取方法 | |
CN111553922A (zh) | 一种卫星遥感影像自动云检测方法 | |
CN114724049A (zh) | 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 | |
CN108629297A (zh) | 一种基于空域自然场景统计的遥感图像云检测方法 | |
JP2019537151A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
WO2019184269A1 (zh) | 基于Landsat8含雪影像的云检测方法 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
CN112613545B (zh) | 一种基于多光谱遥感数据提取水体的方法 | |
CN109946670A (zh) | 一种光学影像驱动的雷达极化信息提取方法 | |
Shi et al. | Urban feature shadow extraction based on high-resolution satellite remote sensing images | |
CN109389063A (zh) | 基于波段相关性的遥感影像条带噪声去除方法 | |
CN104282012A (zh) | 一种基于小波域的半参考图像质量评价算法 | |
CN104933703A (zh) | 一种基于水体指数的亚像元级水体提取方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221014 |
|
CF01 | Termination of patent right due to non-payment of annual fee |