CN112364289A - 一种通过数据融合提取水体信息的方法 - Google Patents
一种通过数据融合提取水体信息的方法 Download PDFInfo
- Publication number
- CN112364289A CN112364289A CN202011201586.XA CN202011201586A CN112364289A CN 112364289 A CN112364289 A CN 112364289A CN 202011201586 A CN202011201586 A CN 202011201586A CN 112364289 A CN112364289 A CN 112364289A
- Authority
- CN
- China
- Prior art keywords
- water body
- data
- image data
- preprocessing
- body information
- 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 105
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 230000003287 optical effect Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 5
- 230000010287 polarization Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种通过数据融合提取水体信息的方法，步骤如下：S1、获取覆盖研究区范围的光学影像数据和SAR观测影像数据；S2、对所述S1中的光学影像数据进行预处理；S3、基于所述S2中的预处理结果，获取每个像元上的地表反射率值，通过波段计算，获取水体指数，选取提取效果最佳的水体指数图；S4、将所述S1中的SAR观测影像数据进行预处理，获取地物的后向散射系数图；S5、将所述S3中确定的水体指数图与所述S4中获得的后向散射系数图建立关系并进行数据融合，获得水体信息。这种融合方法可以科学、准确、快速地获取水体信息，掌握水体的时空变化规律，为水资源的有效利用、合理规划提供理论依据。
Description
技术领域
本发明涉及水资源管理领域，尤其涉及一种通过数据融合提取水体信息的方法。
背景技术
水是生命之源，水资源对一个国家和社会的发展起着尤为重要的作用。传统的水体信息获取方法主要是对人工野外监测和水文监测站获取的数据进行分析。虽然野外监测数据精度最高，但是野外监测周期长、成本高、监测范围有限。此外，水体的季节性变化大，年际变化明显，这些都不利于获取长时序、大范围的水体信息。
遥感技术在监测水体方面的应用越来越广泛。遥感影像覆盖范围广、周期短，能够获取高精度、高时空分辨率的水体信息，具有不受研究区地形的限制且不会对研究地点造成破坏等优点。目前，提取水体的技术按照影像类型可以分为利用光学影像提取、SAR影像提取以及将两种影像融合进行提取等。光学影像具有丰富的波段信息，但是影像受天气状况的影响，在多云雷雨等天气状况下，影像质量差，无法提取水体信息；SAR具有全天时、全天候监测的能力，并且能够穿云透雾，不受天气的影响，但是SAR在提取水体信息的时候易受地形以及相干斑噪声的影响，造成提取结果精度较低。
针对上述问题，本发明提出一种通过数据融合提取水体信息的方法。该方法通过数据融合，建立光学影像计算得到的水体指数与SAR影像预处理得到的后向散射强度系数之间的关系，克服光学影像受天气影响的限制和SAR影像噪声较多的问题，能够获取高精度、高时空分辨率的水体信息。通过该方法，能够实现水体的识别和定位，获取水体的空间位置、水体面积的时空变化规律，能够为水资源的监测和管理提供依据，对水利、资源环境等部门提供决策服务。
发明内容
本发明的目的是为了将两种遥感影像进行融合获取高时空分辨率的水体信息，获取水体的时空变化特征，从而提出了一种通过数据融合提取水体信息的方法，能够有效的将两种数据融合，获取高精度的水体信息。
为了实现上述目的，本发明提出的提通过数据融合提取水体信息的方法步骤如下：
S1、获取覆盖研究区范围的光学影像数据和SAR观测影像数据，为了获得较好的光学影像数据，光学影像当天的天气状况需为晴天；
S2、对所述S1中的光学影像数据进行辐射定标、大气校正和几何校正的数据预处理。辐射定标是建立地物光谱反射率与传感器获取的DN值之间的定量关系。主要依据的公式：
L＝M×Q+A
其中，L-转换后的辐亮度值，M-图像增益，Q-卫星载荷观测值(DN值)，A-图像偏置。大气校正的目的是消除大气层中的各种气体和杂质的影响，获取地物真实的反射率和辐射率。
S3、基于所述S2中的预处理结果，获取每个像元上的地表反射率值，通过波段计算，获取水体指数，选取提取效果最佳的水体指数图；
S4、将所述S1中的SAR观测影像数据进行辐射定标、地形校正、地理编码和滤波预处理，获取地物的后向散射系数图。本步骤中辐射定标的目的是将影像上的强度值转换为后向散射系数。辐射定标的基本公式为：
其中σ0为后向散射系数，D为原始影像上的DN值，K为SAR影像的定标因子，θ为入射角。由于SAR成像的方式是侧视成像，会产生透视收缩、阴影和迭掩等现象，这些现象会对水体信息提取的结果造成误差。地理编码的目的是将影像数据从SAR影像的坐标***(斜距坐标系)转换到某种较为通用的参考坐标系，通常为包含地理坐标的地理坐标系。
S5、利用滑动窗口回归拟合的方法，将所述S3中确定的水体指数图与所述S4中获得的后向散射系数图建立关系并进行数据融合，获得水体信息。
优选的，所述S2中的大气校正预处理采用FLAASH方法。
优选的，所述S3中的水体指数采用Otsu阈值法对选取的归一化差异水体指数NDWI、改进的归一化差异水体指数MNDWI、自动水体提取指数AWEInsh和AWEIsh进行二分类，基于GoogleEarth影像对提取结果进行验证，选取提取效果最好的水体指数图。
优选的，所述S4中选用RD模型进行地形校正，选用SRTMDEM数据进行地理编码，不仅可将SAR数据从斜距坐标系转换到地理坐标系，而且可消除透视、收缩、顶底位移等现象。SAR影像固有的相干斑噪声对水体信息的提取也会造成很大的干扰，本发明采用的Lee滤波来消除相干斑噪声。为了更好地区分水体和非水体，最后将经过预处理的两幅影像上的像元值由线性刻度转为对数刻度(dB)。
优选的，所述S2中对光学影像数据进行预处理可选用ENVI或SNAP软件，所述S4中对SAR观测影像数据预处理可选用SNAP、ENVI/Sarscape、PIE-SAR、PoLSAR软件中的一种。
优选的，还包括有对所述S5中数据融合结果进行精度验证，验证的指标分别为整体精度、用户精度、产品精度和Kappa系数。
与现有技术相比，本发明的有益效果为：
(1)本发明基于光学影像和SAR影像数据，利用滑动窗口回归拟合的方法，建立水体指数与后向散射系数之间的相关关系，提取水体信息。这种方法能够有效克服在水体提取时光学影像受天气状况的限制和SAR影像斑点噪声较多的缺点，使两种遥感数据在水体提取中得到更充分的利用。
(2)本发明能够精确提取高精度、高时空分辨率的水体信息，掌握水体在长时序中的时空变化规律。此外，遥感影像的图幅大，覆盖区域广，在低成本的条件下，可以高效快速的获取大范围的水体信息。掌握水体的时空分布和变化规律，建立水资源数据库，为水利、资源管理等部门合理规划水资源的有效利用提供理论依据。
附图说明
图1为本发明提出的一种通过数据融合提取水体信息的方法的流程示意图；
图2为利用本发明的方法提取的水体信息精度验证图；
图3为利用本发明的方法提取的水体结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
本发明提出一种通过数据融合提取水体信息的方法，具体的方法步骤如下：
S1、获取覆盖研究区范围的两景光学影像数据，其编号分别为L1和L2，获取时间分别标记为tL1和tL2，两景合成孔径雷达(SAR)观测影像数据，其编号分别为S1和S2，获取时间分别为tS1和tS2，其中将L1、S1和S2作为实验数据，L2作为验证数据，tL1与tS1，tL2与tS2的时间间隔越小越好。光学影像当天的天气状况需为晴天。
S2、将两景光学影像L1和L2进行数据辐射定标、大气校正和几何校正预处理。本发明采用FLAASH方法进行大气校正。选取L1作为基准影像，其他影像进行几何校正。选取控制点进行几何校正，控制点均匀的分布在整幅影像上，误差控制在0.5个像元内。
S3、计算水体指数。基于光学数据预处理结果，最终获取每个像元上的地表反射率值，通过波段计算，获取水体指数。本发明选取4种运用比较广泛水体指数，主要包括：归一化差异水体指数NDWI、改进的归一化差异水体指数MNDWI、自动水体提取指数AWEInsh和AWEIsh，计算公式分别为：
AWEInsh＝4×(G-SWIR1)-(0.25×NIR+2.75×SWIR2)
AWEIsh＝B+2.5×G-1.5×(NIR+SWIR1)-0.25×SWIR2
其中G-绿光，B-蓝光，NIR-近红外，MIR-中红外，SWIR1、SWIR2-短波近红外。
选用Otsu阈值法进行二分类，将研究区的地物分为水体和非水体。将提取结果叠加GoogleEarth影像进行验证，选取提取效果最好的水体指数图。
S4、将SAR影像S1和S2进行辐射定标、大气校正和几何校正。辐射定标将影像上的强度值转换为后向散射系数。辐射定标的基本公式为：
其中σ0为后向散射系数，D为原始影像上的DN值，K为SAR影像的定标因子，θ为入射角。由于SAR成像的方式是侧视成像，会产生透视收缩、迭掩和阴影等现象，这些现象会对水体提取的结果造成误差。本发明选用RD(RangeDoppler)模型进行地形校正。地理编码的目的是将影像数据从雷达成像时的坐标***(斜距坐标系)转换到某种较为通用的参考坐标系，一般为包含地理坐标的地理坐标系。本发明使用SRTM DEM数据进行地形纠正编码，不仅可将SAR数据从斜距坐标系转换到地理坐标系，而且可消除透视、收缩、顶底位移现象。SAR影像固有的相干斑噪声对水体信息的提取也会造成很大的干扰，本文采用的滤波算法是Lee滤波。为了更好地区分水体和非水体，最后将经过辐射校正、几何校正地理编码和滤波处理后的两幅影像上的像元值需要由线性刻度转为对数刻度(dB)。
S5、将光学影像的水体指数图与SAR影像的后向散射系数图进行影像融合。首先对S1和S2得到的后向散射系数图像用于最近邻法进行重采样，使两种数据的空间分辨率相同。将L1提取到的水体指数影像作为因变量图层Y，将S1不同极化方式得到的后向散射系数及其相关计算(相乘、平方等)得到的相关值共同组成n个图层，作为自变量图层X(X1，X2，…Xn)。本发明用回归拟合的方法，滑动窗口大小为(2m+1)×(2m+1)，m>＝1；建立Y与每个自变量X1，X2，…Xn之间的线性关系。具体过程如下：
在第j个滑动窗口中，自变量Yj为：
在自变量图层X1，X2，…Xn第j个滑动窗口中，对应的自变量Xij(1≤i≤n)为：
将Yj，Xij分别变成列向量yj，xij，
假设k为系数图层，C为常数项图层，根据拟合方程：
最终获得n个中心像元的系数矩阵图层，如第i个自变量第j个窗口对应的系数矩阵kij：
某个常数项图层，在第j个窗口对应的常数矩阵Cj:
最终得到n个系数图层k(k1，k2，…kn)，以及n个常数项图层C(C1，C2，…Cn)，此外也可以计算获得每个窗口拟合方程的决定系数R2图层和显著性p图层，用来评价方程的拟合优度；
S2不同极化方式得到的后向散射系数及其计算得到的相关计算值组成n个图层，作为输入自变量X'(X1'，X2'，…Xn')图层，通过公式：
Y′＝kX′+C
计算得到拟合值Y'。
S6、将融合结果进行精度验证。将拟合得到的Y'通过Otsu阈值法进行二分类，将地物分为水体和非水体。基于GoogleEarth影像，对光学影像L2的水体提取结果和融合影像Y'水体提取的结果进行精度验证；以L2水体指数提取结果为基准对融合结果进行验证，验证的指标分别为：整体精度、用户精度、产品精度和Kappa系数。
需要注意的是，本发明中光学影像的处理软件可以选用ENVI、SNAP其中的一款软件。而雷达影像的预处理软件可以为常用的SNAP、ENVI/Sarscape、PIE-SAR、PoLSAR等其中的一款软件。而上述步骤S2、S3、S4中的计算都可以通过ENVI、SNAP、PIE-SAR等软件计算所得，S5中的计算可以通过ArcGIS、Matlab、Python、C++等计算获得。
下面通过利用本发明提出的方法应用于实际案例中进一步的对本发明的可行性进一步补充证明。
本方案先获取张家口地区的两景光学影像数据Landsat8OIL(数据时间分别为：2019-07-30和2019-08-15)和两景SAR影像数据Sentinel-1(数据时间分别为：2019-08-02和2019-08-14)。利用本发明提出的数据融合方法，将两种数据进行融合，获取高精度的水体信息。主要步骤如下：
步骤一：利用ENVI软件对Landsat8OIL数据进行预处理，预处理的过程包括辐射定标、大气校正和几何校正。利用Landsat8自带的定标文件进行辐射定标；大气校正选取FLAASH工具；选取控制点进行几何校正，控制点均匀分布在图像上，校正误差控制在0.5个像元内。通过数据预处理，获得Landsat8地表反射率数据。
步骤二：对Landsat8地表反射率数据进行波段计算得到水体指数图像(NDWI、MNDWI、AWEInsh和AWEIsh)。在Matlab中，利用Otsu阈值法对4种水体指数图像进行二分类，将地物分为水体和非水体。利用GoogleEarth影像对分类结果进行精度验证，结果表明MNDWI的水体提取精度最高。
步骤二：利用SNAP软件对Sentinel-1数据进行预处理，预处理的过程包括辐射定标、地形校正、地理编码和滤波处理。其中辐射定标参数从Sentinel-1数据中获取，地形校正的选用RD(RangeDoppler)模型，选用SRTMDEM作为地形纠正数据，选用Lee滤波算法(滤波窗口：7×7)进行滤波处理，最终将后向散射系数值由线性刻度值转为dB值。通过数据预处理，最终获得VV、VH两种极化方式下的后向散射系数图(编号VV、VH)，空间分辨率为20m。
步骤三：通过Arcgis软件将VV、VH极化方下的后向散射系数图利用最近邻法进行重采样，重采样后的分辨率为30m。通过栅格计算，计算VV×VV、VH×VH和VV×VH，获得编号为VVVV、VHVH和VVVH三幅影像。
将2019年8月15日的MNDWI水体指数图作为因变量Y，将2019年8月14日的VV、VH、VVVV、VHVH和VVVH作为自变量X。根据本发明提出的滑动窗口回归拟合的方法，在不同的滑动窗口下对Y、X进行回归拟合，最终获得系数图层、常数项图层、决定系数R2图层和显著性p图层。将2019年8月2日获得的VV、VH、VVVV、VHVH和VVVH作为输入自变量X'，与上述获得的系数图层和常数项图层通过Y′＝kX′+C进行运算，最终获得2019年8月2日的数据数据融合结果Y′。通过Otsu阈值法，对融合结果进行二分类。基于GoogleEarth影像进行精度验证。此外与2019年7月30日的MNDWI水体指数图进行对比，通过总体精度、用户精度、产品精度和Kappa系数进行评价。通过精度评价调节滑动窗口大小，直到精度达到最大。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种通过数据融合提取水体信息的方法，其特征在于，方法步骤如下：
S1、获取覆盖研究区范围的光学影像数据和SAR观测影像数据；
S2、对所述S1中的光学影像数据进行辐射定标、大气校正和几何校正的数据预处理；
S3、基于所述S2中的预处理结果，获取每个像元上的地表反射率值，通过波段计算，获取水体指数，选取提取效果最佳的水体指数图；
S4、将所述S1中的SAR观测影像数据进行辐射定标、地形校正、地理编码和滤波预处理，获取地物的后向散射系数图；
S5、利用滑动窗口回归拟合的方法，将所述S3中确定的水体指数图与所述S4中获得的后向散射系数图建立关系并进行数据融合，获得水体信息。
2.根据权利要求1所述的一种通过数据融合提取水体信息的方法，其特征在于，所述S2中的大气校正预处理采用FLAASH方法。
3.根据权利要求1所述的一种通过数据融合提取水体信息的方法，其特征在于，所述S3中的水体指数采用Otsu阈值法对选取的归一化差异水体指数NDWI、改进的归一化差异水体指数MNDWI、自动水体提取指数AWEInsh和AWEIsh进行二分类，基于GoogleEarth影像对提取结果进行验证，选取提取效果最好的水体指数图。
4.根据权利要求1所述的一种通过数据融合提取水体信息的方法，其特征在于，所述S4中选用RD模型进行地形校正，选用SRTMDEM数据进行地理编码，采用的Lee滤波消除相干斑噪声。
5.根据权利要求1所述的一种通过数据融合提取水体信息的方法，其特征在于，所述S2中对光学影像数据进行预处理可选用ENVI或SNAP软件，所述S4中对SAR观测影像数据预处理可选用SNAP、ENVI/Sarscape、PIE-SAR、PoLSAR软件中的一种。
6.根据权利要求1所述的一种通过数据融合提取水体信息的方法，其特征在于，还包括有对所述S5中数据融合结果进行精度验证，验证的指标分别为整体精度、用户精度、产品精度和Kappa系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011201586.XA CN112364289B (zh) | 2020-11-02 | 2020-11-02 | 一种通过数据融合提取水体信息的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011201586.XA CN112364289B (zh) | 2020-11-02 | 2020-11-02 | 一种通过数据融合提取水体信息的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112364289A true CN112364289A (zh) | 2021-02-12 |
| CN112364289B CN112364289B (zh) | 2021-08-13 |
Family
ID=74514175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011201586.XA Active CN112364289B (zh) | 2020-11-02 | 2020-11-02 | 一种通过数据融合提取水体信息的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112364289B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129318A (zh) * | 2021-04-25 | 2021-07-16 | 水利部信息中心 | 一种利用sar影像计算蓄滞洪区蓄水量的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862255A (zh) * | 2017-10-23 | 2018-03-30 | 交通运输部科学研究院 | 一种基于微波遥感和光学遥感技术的湿地信息提取与生态敏感性评价的方法 |
| CN108303044A (zh) * | 2018-02-01 | 2018-07-20 | 苏州市农业科学院 | 一种叶面积指数获取方法及*** |
| CN108613933A (zh) * | 2018-06-13 | 2018-10-02 | 中南林业科技大学 | 基于多源遥感数据融合的林地干旱时空动态监测方法 |
| CN109087378A (zh) * | 2018-09-11 | 2018-12-25 | 首都师范大学 | 图像处理方法及*** |
| CN109300133A (zh) * | 2018-11-19 | 2019-02-01 | 珠江水利委员会珠江水利科学研究院 | 一种城市河网区水体提取方法 |
| CN110097101A (zh) * | 2019-04-19 | 2019-08-06 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
| CN111475950A (zh) * | 2020-04-09 | 2020-07-31 | 首都师范大学 | 一种下凹式立交桥下雨洪的模拟方法 |
| US10824861B2 (en) * | 2016-01-29 | 2020-11-03 | Global Surface Intelligence Limited | System and method using image based machine learning process for earth observation and analysis |
-
2020
- 2020-11-02 CN CN202011201586.XA patent/CN112364289B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10824861B2 (en) * | 2016-01-29 | 2020-11-03 | Global Surface Intelligence Limited | System and method using image based machine learning process for earth observation and analysis |
| CN107862255A (zh) * | 2017-10-23 | 2018-03-30 | 交通运输部科学研究院 | 一种基于微波遥感和光学遥感技术的湿地信息提取与生态敏感性评价的方法 |
| CN108303044A (zh) * | 2018-02-01 | 2018-07-20 | 苏州市农业科学院 | 一种叶面积指数获取方法及*** |
| CN108613933A (zh) * | 2018-06-13 | 2018-10-02 | 中南林业科技大学 | 基于多源遥感数据融合的林地干旱时空动态监测方法 |
| CN109087378A (zh) * | 2018-09-11 | 2018-12-25 | 首都师范大学 | 图像处理方法及*** |
| CN109300133A (zh) * | 2018-11-19 | 2019-02-01 | 珠江水利委员会珠江水利科学研究院 | 一种城市河网区水体提取方法 |
| CN110097101A (zh) * | 2019-04-19 | 2019-08-06 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
| CN111475950A (zh) * | 2020-04-09 | 2020-07-31 | 首都师范大学 | 一种下凹式立交桥下雨洪的模拟方法 |
Non-Patent Citations (4)
| Title |
|---|
| SUN YONGHUA ETC.: "A study on option and SAR data fusion for extracting flooded area", 《2007 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
| 张鸿生 等: "融合光学与雷达遥感数据的城市不透水面提取方法", 《地理与地理信息科学》 * |
| 杨生吉: "基于ETM+遥感影像的数据融合试验及分析评价", 《长春工程学院学报（自然科学版）》 * |
| 袁欣智 等: "一种应用大津法的自适应阈值水体提取方法", 《遥感信息》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129318A (zh) * | 2021-04-25 | 2021-07-16 | 水利部信息中心 | 一种利用sar影像计算蓄滞洪区蓄水量的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112364289B (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109581372B (zh) | 一种生态环境遥感监测方法 | |
| CN108333148B (zh) | 一种黑臭水体的识别方法及装置 | |
| CN102565778B (zh) | 一种自动提取伪不变特征的遥感图像相对辐射校正方法 | |
| CN109993237B (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及*** | |
| Marquez et al. | Intra-hour DNI forecasting based on cloud tracking image analysis | |
| CN109974665B (zh) | 一种针对缺少短波红外数据的气溶胶遥感反演方法及*** | |
| CN111368817B (zh) | 一种基于地表类型进行热效应定量评价方法及*** | |
| CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
| CN108268735A (zh) | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 | |
| CN108256186B (zh) | 一种在线计算查找表的逐像元大气校正方法 | |
| CN113205475A (zh) | 基于多源卫星遥感数据的森林高度反演方法 | |
| CN114022783A (zh) | 基于卫星图像的水土保持生态功能遥感监测方法和装置 | |
| CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
| CN111832518A (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| CN114092835B (zh) | 基于不同时空分辨率的归一化植被指数数据时空融合方法 | |
| CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
| CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
| CN110569797A (zh) | 地球静止轨道卫星影像山火检测方法、***及其存储介质 | |
| CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
| CN109671038B (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
| CN112364289B (zh) | 一种通过数据融合提取水体信息的方法 | |
| Zhang et al. | A back propagation neural network-based radiometric correction method (BPNNRCM) for UAV multispectral image | |
| CN110909821B (zh) | 基于作物参考曲线进行高时空分辨率植被指数数据融合的方法 | |
| CN116129278B (zh) | 一种基于遥感影像的土地利用分类识别*** | |
| CN115546658B (zh) | 一种数据集质量提升与改进cnn相结合的夜间云检测方法 |
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 |