CN111402169B - 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法 - Google Patents
一种海岸带潮汐影响下遥感植被指数时间序列的修复方法 Download PDFInfo
- Publication number
- CN111402169B CN111402169B CN202010209792.9A CN202010209792A CN111402169B CN 111402169 B CN111402169 B CN 111402169B CN 202010209792 A CN202010209792 A CN 202010209792A CN 111402169 B CN111402169 B CN 111402169B
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- index
- vegetation
- water body
- time sequence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 64
- 238000012937 correction Methods 0.000 claims abstract description 33
- 230000003595 spectral effect Effects 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013535 sea water Substances 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000005067 remediation Methods 0.000 claims description 3
- 239000003643 water by type Substances 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 241001149258 Sporobolus alterniflorus Species 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 241001474374 Blennius Species 0.000 description 1
- 241001415959 Grus japonensis Species 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 240000002044 Rhizophora apiculata Species 0.000 description 1
- 241001466077 Salina Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种海岸带潮汐影响下遥感植被指数时间序列的修复方法，特点是包括以下步骤：植被指数时间序列和归一化差异水体指数获取、潮汐影响的样本像元采集、时间序列噪声点识别、噪声点数值修复模型构建和植被指数时间序列修复评估，其中遍历实验区每一样本像元，利用噪声点数值修复模型计算植被指数噪声点修正量，以植被指数噪声点数值和对应的植被指数噪声点修正量数值之和作为植被指数噪声点的植被指数修正值，进而获得修复后的植被指数时间序列；优点是适用范围广、自动化程度高、鲁棒性强以及适用于不同空间分辨率。
Description
技术领域
本发明涉及一种遥感影像植被指数时间序列修复方法，尤其是涉及一种海岸带潮汐影响下遥感植被指数时间序列的修复方法。
背景技术
在海陆交互密切的海岸带地区，植被(盐沼、红树林、海草等)作为重要的碳汇，通过自发的初级生产以及持续的海涂沉积作用，不断促进着土壤的“蓝碳”过程。遥感(RemoteSensing)提供了大范围、长时期的植被动态观测技术手段，有助于监测海岸带植被初级生产力，动态定量评估海岸带生态***固碳能力变化，具有十分重要意义。然而，受到海洋潮汐周期性影响，海岸带植被遥感尤为复杂——海水的淹没将明显削弱植被光谱反射率，在植被指数(Vegetation Index，VI)时间序列中引入噪声，进而掩盖植被自身的时序特征(形状和大小)。与陆地生态***相比，传统植被指数(NDVI、EVI、SAVI等)时间序列在海岸带生态***的整体范围偏低且随机噪声密布，时间序列模式扭曲明显。在此背景下，亟需准确识别和修复潮汐影响下植被指数噪声，复原海岸带植被指数时间序列，从而保证遥感技术有效地应用在海岸带生态***的动态监测中。
水体指数(Water Index，WI)能够有效区分遥感影像上水体和其它地表覆盖类型，为海岸带潮汐淹没监测提供了契机。目前，研究人员利用不同的影像波段组合方式，构建出多种水体指数，以满足不同地形背景下的水体识别的需要，并已成功应用在区域乃至全球地水体提取方面。值得注意地是，水体指数阈值选取是识别水体的前提和关键，通常通过单一时期、短时间跨度(同一月份、同一季度)的影像数据加以确定。然而，植被物候周期的发展以及成像时刻潮高的不同致使植被和海水间的相对差异不断发生着变化，单一时期地阈值选取方式较为片面，对于绘制跨越多时期的周期性潮汐淹没频次准确性较差。如何在时间序列中稳健地确定水体阈值，准确地识别植被指数噪声是当前面临的主要难题。此外，在识别植被指数噪声的基础上，如何定量刻画噪声到原始植被指数的差距，构建噪声数值修复模型，也是复原海岸带植被指数时间序列时需要攻克的技术难点。
发明内容
本发明所要解决的技术问题是提供一种适用范围广、自动化程度高、鲁棒性强以及适用于不同空间分辨率的遥感影像的多种植被指数时间序列修正的海岸带潮汐影响下遥感植被指数时间序列的修复方法。
本发明解决上述技术问题所采用的技术方案为：一种海岸带潮汐影响下遥感植被指数时间序列的修复方法，包括以下步骤：
(1)植被指数(NDVI)时间序列获取
通过欧空局数据库获取指定时间和实验区的影像像元(DN)，通过辐射校正将影像像元值(DN)转化为地表反射率，计算每景影像的植被指数(NDVI)，利用每景影像对应的粗分类产品剔除云、云阴影、雪覆盖的像元，再按照成像时间先后顺序依次排列植被指数影像，构建获得植被指数时间序列；
(2)归一化差异水体指数(MNDWI)计算
根据改进归一化差异水体指数公式计算每景影像的归一化差异水体指数(MNDWI)，利用每景影像对应的粗分类产品剔除被云、云阴影、雪覆盖的像元，构建获得与植被指数时间序列完全对应的水体指数时间序列；
(3)潮汐影响的样本像元采集
选取实验区无雪覆盖且云覆盖率低于10％的影像像元，采集典型的间歇性被海水覆盖的(保证多于7次的观测次数，多数时刻出露于水面，少数时刻被海水淹没)植被像元(多分布于河口、港口以及向海一侧的先锋植被群落中)，作为噪声点识别和修复的样本；
(4)时间序列噪声点识别
每一样本像元对应植被指数和水体指数两条时间序列，观测每一样本像元的植被指数时间序列和水体指数时间序列整体变化趋势，同时逐样本记录植被指数的异常极小值和水体指数的正数值，当两者同时出现时标记水体指数数值，汇总全部样本标记的水体指数数值，取其中水体指数数值的最小值作为水体指数阈值，将水体指数时间序列中水体指数数值大于水体指数阈值时对应的植被指数视为植被指数噪声点(VInoise)；
(5)噪声点数值修复模型构建
对于每一样本像元，剔除植被指数噪声点，采用二阶傅里叶函数拟合植被指数时间序列中剩余植被指数变化趋势，将样本像元中植被指数噪声点到傅里叶函数拟合值曲线的垂直距离作为植被指数噪声点修正量，以植被指数噪声点修正量ΔNDVI为因变量，以植被指数噪声点对应的水体指数为自变量，绘制两者散点图，采用多项式方程拟合植被指数噪声点修正量ΔNDVI与水体指数的关系，定量构建噪声点数值修复模型如下：
ΔNDVI＝-3.84*MNDWI3+3.98*MNDWI2-0.33*MNDWI+0.14；
(6)植被指数时间序列修复评估
遍历实验区每一样本像元，利用噪声点数值修复模型计算植被指数噪声点修正量，以植被指数噪声点数值和对应的植被指数噪声点修正量数值之和作为植被指数噪声点的植被指数修正值VIm，进而获得修复后的植被指数时间序列。
步骤(1)中每景影像的植被指数(NDVI)计算公式如下：
其中ρNIR为近红外波段的地表光谱反射率，ρred为红光波段的地表光谱反射率。
步骤(2)中改进归一化差异水体指数(MNDWI)计算公式如下：
其中ρgreen为绿光波段的地表光谱反射率，ρswIR为短波红外波段的地表光谱反射率。
步骤(5)中二阶傅里叶函数拟合植被指数时间序列中剩余植被指数变化趋势的公式如下：FF＝a0+a1*Cos(w*x)+b1*sin(w*x)+a2*cos(2w*x)+b2*sin(2w*x)，其中x为儒略日；w为频率，对于一年的时间序列取值一般为2π/365，w＝0.018，a0＝0，a1＝0，a2＝0，b1＝0，b2＝0，FF表示傅里叶函数对剩余植被指数的拟合值。
与现有技术相比，本发明的优点在于：
第一，提出了植被指数时间序列噪声识别方法。通过针对性选取少量海水覆盖的植被像元，自动优化了适用于全年观测的水体指数阈值，准确识别了植被指数时间序列的噪声，为植被指数时间序列修复创造了条件。该方法识别精度高、泛化能力强，可运用于其它水陆交互频繁区域(江河两岸、吞吐型湖泊)的植被指数时间序列滤波去噪过程。
第二，构建了植被指数时间序列数值修复模型。以二阶傅里叶函数充分刻画植被指数年内变化趋势，定量测算了植被指数噪声修正量。依托噪声修正值与水体指数的相关关系，构建多项式数值修复模型实现了植被指数时间序列全局批量修正。利用拟合函数弥补、修正缺失数据的创新方法不但适用于遥感测绘领域，亦可为通信领域的稀疏信号序列数值修复、数据补充提供有益参考。
综上，本发明提出了一种海岸带潮汐影响下遥感植被指数时间序列的修复方法。该方法解决了海岸带植被指数时间序列噪声点识别、噪声值复原等技术难点，攻克了植被指数时间序列在海岸带区域整体范围偏低、随机噪声密布而适用性不强的瓶颈。该方法自动化程度高、鲁棒性强，适用于不同空间分辨率的遥感影像(MODIS、Landsat、Sentinel等)的多种植被指数(NDVI、EVI、SAVI等)时间序列修正，有望服务于海岸带生态***的遥感时间序列监测中，为遥感时间序列技术有效应用在海岸带生态***的动态监测中奠定了基础。
附图说明
图1为潮汐影响下海岸带植被指数时间序列修复技术流程；
图2为江苏中部沿海Sentinel-2MSI影像及其样本像元分布；
图3为修复前海岸带植被指数时间序列噪声点识别；
图4为基于多项式的植被指数噪声修正量与水体指数关系表达；
图5为修复后海岸带植被指数时间序列噪声点识别；
图6为修复前后植被指数时间序列拟合的决定系数差值分布。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
下面以江苏中部沿海的丹顶鹤自然保护区为实验区，以哨兵2号卫星多光谱数据(Sentinel-2MSI)构建的归一化差异植被指数(NDVI)为实验数据，进一步说明海岸带潮汐影响下遥感植被指数时间序列的修复方法，流程如图1所示，具体步骤如下：
步骤1、植被指数时间序列获取。实验数据来源于欧空局(https：//scihub.copernicus.eu/)提供的哨兵2号多光谱成像仪影像(Sentinel-2MSI)。通过指定时间和实验区，实验下载了成像于2018年对应行代号为T51STT的68景经过几何校正的Sentinel-2MSI L1C产品，其几何精度满足像元级时间序列构建分析要求。在此基础上，实验采用欧空局提供的Sen2Cor软件进行辐射校正，将影像像元值(DN)转化为地表反射率，并计算每景影像的植被指数(NDVI)，计算公式如下：
其中ρNIR为近红外波段的地表光谱反射率，ρred为红光波段的地表光谱反射率。
在辐射校正过程中自动生成了每景影像的粗分类产品(Scene CLassification，SCL)，以此为据，实验剔除每景NDVI影像中的云、云阴影、雪覆盖的像元，再按照成像时间先后顺序依次排列NDVI影像，构建获得NDVI时间序列。
步骤2：归一化差异水体指数计算。在获取地表反射率的基础上，实验根据改进归一化水体指数公式计算每景影像的归一化差异水体指数(MNDWI)。同样，利用每景影像对应的SCL产品剔除云、云阴影、雪覆盖的像元，按照成像时间先后顺序依次排列MNDWI影像，构建获得与NDVI时间序列完全对应的MNDWI时间序列。
其中改进归一化差异水体指数(Modified Normalized Difference Index，MNDWI)计算公式如下：
其中ρgreen为绿光波段的地表光谱反射率，ρSWIR为短波红外波段的地表光谱反射率。MNDWI能够凸显水体和植被的差异，并抑制建筑物的混淆。
步骤3：潮汐影响的样本像元采集。在2018年68景影像中，实验挑选了17景无雪覆盖且云覆盖率低于10％的影像像元，并以R-4、G-3、B-2的标准假彩色方案显示。通过多时相影像对比观测，实验将海陆交互频繁的互花米草(Spartina alterniflora)盐沼边缘作为植被样本选择的靶区。为了保证样本选取的客观性和代表性，实验以500m为距在靶区内等距选取了39个样本像元(详见附图2)。
步骤4：时间序列噪声点识别。实验利用Matlab软件绘制了39个样本像元2018年的NDVI时间序列和MNDWI时间序列，植被指数的异常极小值和水体指数的正数值，当两者同时出现时标记水体指数数值(详见附图3)，汇总全部样本标记的水体指数数值，统计其最小值为0.023作为水体指数阈值。在此基础上，遍历实验区每一像元，将水体指数时间序列中水体指数大于此阈值时对应的植被指数，视为植被指数噪声点(VInoise)。
步骤5：噪声点数值修复模型构建。实验逐样本像元地剔除植被指数噪声点，同时利用Matlab软件Curve Fitting模块的二阶傅里叶函数(Fourier)拟合植被指数时间序列中剩余植被指数的变化趋势。在此基础上，实验将样本像元中植被指数噪声点到傅里叶函数拟合值曲线的垂直距离作为植被指数噪声点修正量，以植被指数噪声点修正量ΔNDVI为因变量，以植被指数噪声点对应的水体指数为自变量，绘制散点图如附图4所示。采用多项式方程(阶数＜4)拟合植被指数修正量与水体指数的关系，定量构建噪声点数值修复模型：ΔNDVI＝-3.84*MNDWI3+3.98*MNDWI2-0.33*MNDWI+0.14其中二阶傅里叶函数(FourierFunction，FF)能够充分刻画海岸带植被的由于季节性温度和降水环境因素引起的年内周期性变化，其计算公式如下：
FF＝a0+a1*cos(w*x)+b1*sin(w*x)+a2*cos(2w*x)+b2*sin(2w*x)，其中x为儒略日；w为频率，对于一年的时间序列取值一般为2π/365，w＝0.018，a0＝0，a1＝0，a2＝0，b1＝0，b2＝0，FF表示傅里叶函数对剩余植被指数的拟合值。
步骤6：植被指数时间序列修复评估。遍历实验区每一像元，利用噪声点数值修复模型计算植被指数噪声点修正量，将植被指数噪声点数值和其对应的植被指数噪声点修正量数值之和作为植被指数修正值(NDVIm)，以此修复植被指数时间序列(详见附图5)。通过二阶傅里叶函数拟合决定系数(R2)的差值分布来看，本发明的效果良好，-40％实验区范围拟合精度得以提高，尤其是互花米草盐沼外缘区域，拟合精度平均提升0.32，详见附图6。
上述说明并非对本发明的限制，本发明也并不限于上述举例。本技术领域的普通技术人员在本发明的实质范围内，做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (4)
1.一种海岸带潮汐影响下遥感植被指数时间序列的修复方法，其特征在于包括以下步骤：
(1)植被指数时间序列获取
通过欧空局数据库获取指定时间和实验区的影像像元，通过辐射校正将影像像元值转化为地表反射率，计算每景影像的植被指数，利用每景影像对应的粗分类产品剔除云、云阴影、雪覆盖的像元，再按照成像时间先后顺序依次排列植被指数影像，构建获得植被指数时间序列；
(2)归一化差异水体指数计算
根据改进归一化差异水体指数公式计算每景影像的归一化差异水体指数，利用每景影像对应的粗分类产品剔除被云、云阴影、雪覆盖的像元，构建获得与植被指数时间序列完全对应的水体指数时间序列；
(3)潮汐影响的样本像元采集
选取实验区无雪覆盖且云覆盖率低于10％的影像像元，采集典型的间歇性被海水覆盖的植被像元，作为噪声点识别和修复的样本；
(4)时间序列噪声点识别
每一样本像元对应植被指数和水体指数两条时间序列，观测每一样本像元的植被指数时间序列和水体指数时间序列整体变化趋势，同时逐样本记录植被指数的异常极小值和水体指数的正数值，当两者同时出现时标记水体指数数值，汇总全部样本标记的水体指数数值，取其中水体指数数值的最小值作为水体指数阈值，将水体指数时间序列中水体指数数值大于水体指数阈值时对应的植被指数视为植被指数噪声点；
(5)噪声点数值修复模型构建
对于每一样本像元，剔除植被指数噪声点，采用二阶傅里叶函数拟合植被指数时间序列中剩余植被指数变化趋势，将样本像元中植被指数噪声点到傅里叶函数拟合值曲线的垂直距离作为植被指数噪声点修正量，以植被指数噪声点修正量ΔNDVI为因变量，以植被指数噪声点对应的水体指数为自变量，绘制两者散点图，采用多项式方程拟合植被指数噪声点修正量ΔNDVI与水体指数MNDWI的关系，定量构建噪声点数值修复模型如下：
ΔNDVI＝-3.84*MNDWI3+3.98*MNDWI2-0.33*MNDWI+0.14；
(6)植被指数时间序列修复评估
遍历实验区每一样本像元，利用噪声点数值修复模型计算植被指数噪声点修正量，以植被指数噪声点数值和对应的植被指数噪声点修正量数值之和作为植被指数噪声点的植被指数修正值VIm，进而获得修复后的植被指数时间序列。
2.根据权利要求1所述的一种海岸带潮汐影响下遥感植被指数时间序列的修复方法，其特征在于：步骤(1)中每景影像的植被指数计算公式如下：
其中ρNIR为近红外波段的地表光谱反射率，ρred为红光波段的地表光谱反射率。
3.根据权利要求1所述的一种海岸带潮汐影响下遥感植被指数时间序列的修复方法，其特征在于：步骤(2)中改进归一化差异水体指数计算公式如下：
其中ρgreen为绿光波段的地表光谱反射率，ρSWIR为短波红外波段的地表光谱反射率。
4.根据权利要求1所述的一种海岸带潮汐影响下遥感植被指数时间序列的修复方法，其特征在于：步骤(5)中二阶傅里叶函数拟合植被指数时间序列中剩余植被指数变化趋势的公式如下：FF＝a0+a1*cos(w*x)+b1*sin(w*x)+a2*cos(2w*x)+b2*sin(2w*x)，其中x为儒略日；w为频率，对于一年的时间序列取值一般为2π/365，w＝0.018，a0＝0，a1＝0，a2＝0，b1＝0，b2＝0，FF表示傅里叶函数对剩余植被指数的拟合值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010209792.9A CN111402169B (zh) | 2020-03-23 | 2020-03-23 | 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010209792.9A CN111402169B (zh) | 2020-03-23 | 2020-03-23 | 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111402169A CN111402169A (zh) | 2020-07-10 |
| CN111402169B true CN111402169B (zh) | 2023-04-11 |
Family
ID=71413997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010209792.9A Active CN111402169B (zh) | 2020-03-23 | 2020-03-23 | 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402169B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160359A (zh) * | 2021-05-21 | 2021-07-23 | 宁波大学 | 一种基于谐波拟合参数的滨海湿地遥感制图方法 |
| CN113591032B (zh) * | 2021-07-15 | 2023-06-16 | 清华大学深圳国际研究生院 | 一种红树植物最适生长高程的计算方法 |
| CN115078263B (zh) * | 2022-05-27 | 2023-07-28 | 苏州科技大学 | 顾及潮汐影响的海草遥感信息提取方法 |
| CN115035411B (zh) * | 2022-06-17 | 2023-01-17 | 宁波大学 | 一种基于高光谱数据的互花米草指数构建与提取方法 |
| CN115082809B (zh) * | 2022-06-23 | 2023-02-17 | 宁波大学 | 一种基于遥感影像大数据的潮滩演变监测新方法 |
| CN116341932B (zh) * | 2023-05-31 | 2023-08-22 | 自然资源部第二海洋研究所 | 一种基于双遥感时序指数的潮滩变化监测方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101650422A (zh) * | 2009-09-27 | 2010-02-17 | 北京师范大学 | 遥感植被指数时间序列数据去噪方法 |
| CN103971027A (zh) * | 2014-05-29 | 2014-08-06 | 福州大学 | 基于水体与植被指数变化比值指数的水稻自动制图方法 |
| CN110378576A (zh) * | 2019-07-01 | 2019-10-25 | 中国环境科学研究院 | 城市化植被效应有效距离的定量化检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2617119A1 (en) * | 2008-01-08 | 2009-07-08 | Pci Geomatics Enterprises Inc. | Service oriented architecture for earth observation image processing |
-
2020
- 2020-03-23 CN CN202010209792.9A patent/CN111402169B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101650422A (zh) * | 2009-09-27 | 2010-02-17 | 北京师范大学 | 遥感植被指数时间序列数据去噪方法 |
| CN103971027A (zh) * | 2014-05-29 | 2014-08-06 | 福州大学 | 基于水体与植被指数变化比值指数的水稻自动制图方法 |
| CN110378576A (zh) * | 2019-07-01 | 2019-10-25 | 中国环境科学研究院 | 城市化植被效应有效距离的定量化检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘婷 ; 包广道 ; 张大伟 ; 何怀江 ; 罗也 ; 张忠辉 ; .基于植被指数的GF-2影像防护林快速提取研究.森林工程.2018,(06),全文. * |
| 刘永超 ; 李加林 ; 张宇 ; 赵冰雪 ; 许文轩 ; 何改丽 ; 刘永学 ; .时间序列遥感影像支持下杭州湾南岸植被动态监测.宁波大学学报(理工版).2020,(01),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111402169A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402169B (zh) | 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法 | |
| Wang et al. | Tracking annual changes of coastal tidal flats in China during 1986–2016 through analyses of Landsat images with Google Earth Engine | |
| Yao et al. | Constructing long-term high-frequency time series of global lake and reservoir areas using Landsat imagery | |
| Sun et al. | Classification mapping of salt marsh vegetation by flexible monthly NDVI time-series using Landsat imagery | |
| 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 | |
| Sun et al. | Plant species classification in salt marshes using phenological parameters derived from Sentinel-2 pixel-differential time-series | |
| Zhao et al. | 10-m-resolution mangrove maps of China derived from multi-source and multi-temporal satellite observations | |
| Zhao et al. | Mapping large-area tidal flats without the dependence on tidal elevations: A case study of Southern China | |
| Sánchez-García et al. | An efficient protocol for accurate and massive shoreline definition from mid-resolution satellite imagery | |
| Frazier et al. | Water body detection and delineation with Landsat TM data | |
| Lathrop et al. | A multi-scale segmentation approach to mapping seagrass habitats using airborne digital camera imagery | |
| Dong et al. | Coral reef geomorphology of the Spratly Islands: A simple method based on time-series of Landsat-8 multi-band inundation maps | |
| Behling et al. | Spatiotemporal shoreline dynamics of Namibian coastal lagoons derived by a dense remote sensing time series approach | |
| CN107688776B (zh) | 一种城市水体提取方法 | |
| CN109801306B (zh) | 基于高分遥感影像的潮沟提取方法 | |
| Peng et al. | Accurate mapping of Chinese coastal aquaculture ponds using biophysical parameters based on Sentinel-2 time series images | |
| Taghadosi et al. | Trend analysis of soil salinity in different land cover types using Landsat time series data (case study Bakhtegan Salt Lake) | |
| CN115810155B (zh) | 一种潮汐湿地的分类方法 | |
| 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 | |
| Zhao et al. | Stability evaluation of tidal flats based on time-series satellite images: A case study of the Jiangsu central coast, China | |
| Matsui et al. | Improving the resolution of UAV-based remote sensing data of water quality of Lake Hachiroko, Japan by neural networks | |
| Tsai | Monitoring 23-year of shoreline changes of the Zengwun Estuary in Southern Taiwan using time-series Landsat data and edge detection techniques | |
| Wibisana et al. | Preliminary study of total suspended solid distribution in coastal ujung Pangkah Gresik based reflectance value of Landsat satellite imagery | |
| Fitton et al. | Remotely sensed mapping of the intertidal zone: A Sentinel-2 and Google Earth Engine methodology | |
| CN110274858A (zh) | 利用goci数据递归估算浅水湖泊不同深度悬浮泥沙浓度的遥感方法 |
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 |