CN113538559B - 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 - Google Patents
一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 Download PDFInfo
- Publication number
- CN113538559B CN113538559B CN202110753385.9A CN202110753385A CN113538559B CN 113538559 B CN113538559 B CN 113538559B CN 202110753385 A CN202110753385 A CN 202110753385A CN 113538559 B CN113538559 B CN 113538559B
- Authority
- CN
- China
- Prior art keywords
- raft
- culture
- extraction
- index
- remote sensing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法,包括步骤:对高光谱数据进行预处理,预处理包括正射校正、辐射定标、大气校正和影像裁剪;分析地物光谱特征,构建高光谱遥感影像的近海养殖筏提取指数,根据高光谱遥感影像的近海养殖筏提取指数的阈值来区分养殖筏、背景水体、植被和其他地物;计算养殖筏提取结果的面积信息,过滤面积小于设定值的误分像素。本发明的有益效果是:简化现有养殖筏提取的流程与难度,分析高光谱影像上养殖筏的光谱信息,通过增大其与其他地物的光谱差距,构建一种基于高光谱数据的近海水产养殖筏提取指数,增大养殖筏与其他地物的差异根据养殖筏指数结果使用阈值分割提取养殖筏。
Description
技术领域
本发明属于遥感影像的分类提取技术领域,尤其涉及一种基于高光谱遥感影像的近海养殖筏提取指数。
背景技术
根据2016年全球水产养殖产量统计,中国的水产养殖产量占世界总产量的一半以上,是世界上最大的水产养殖国家,而筏式养殖是海水养殖中最重要的方式之一。但是近些年来为追求经济利益,沿海水产养殖产业迅速扩大导致沿海环境遭受巨大压力,养殖过程中营养物质和抗生素的过度供应导致富营养化、水污染、赤潮等环境问题。因此,对沿海养殖渔业进行遥感监测,***而深入地研究浮筏养殖用海面积及分布,了解养殖区的空间分布及发展,为渔业管理部门合理规划养殖用海提供辅助决策信息,对于海岸带的科学管理和可持续发展至关重要。
近年来随着对近海养殖区观测资料的日益稳定和丰富,对养殖区的养殖范围和养殖密度,甚至于对养殖类型进行识别和提取等日益成为海洋遥感研究中的热点问题。目前传统浮筏养殖的识别和提取常用的方法大致可分为三类:人工目视解译,面向对象分类,机器学习分类等。人工目视解译工作量大,成本高,操作繁琐;面向对象分类需要同时利用光谱信息和形状信息且对数据的分辨率要求高,普适性低,不易实现;机器学习分类的方法需对特定研究区的养殖筏选取大量样本进行训练,实现难度大,缺乏可迁移性。
研究常用的数据源为中高分辨率的多光谱遥感数据,其中最普遍的为Landsat数据,除了中分辨率卫星遥感影像,SPOT、IKONOS以及我国近年发射的高分系列卫星等高分辨率影像也是该研究方向重要的数据来源。但是近海养殖浮筏与背景水体光谱曲线极为接近,仅在可见光的红黄光波段存在明显的差异。目前研究常用的多光谱数据波段数量很少,依靠宽波段信息较难区分养殖筏与背景水体。高光谱数据光谱分辨率高,能够区分地物的细微差异特征,可以充分体现出养殖筏与背景海水的光谱差异。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法。
这种基于高光谱遥感影像的近海养殖筏提取指数的提取方法,包括以下步骤:
步骤1、对高光谱数据进行预处理,预处理包括正射校正、辐射定标、大气校正和影像裁剪;
步骤2、分析地物光谱特征,构建高光谱遥感影像的近海养殖筏提取指数,根据高光谱遥感影像的近海养殖筏提取指数的阈值来区分养殖筏、背景水体、植被和其他地物;
步骤2.1、分析高光谱遥感影像中养殖筏、背景水体、植被、其他地物的均值光谱曲线,得到高光谱遥感影像的高光谱信息;根据高光谱信息构建养殖筏指数ARI,通过等光谱间波段的差值运算得到背景地物信息;其中养殖筏指数ARI为:
ARI=(ρ593-ρ955)+(ρ1040-ρ1240) (1)
上式中,ARI为养殖筏指数,ρ593表示中心波长为593nm的波段对应的反射率,ρ955表示中心波长为955nm的波段对应的反射率,ρ1040表示中心波长为1040nm的波段对应的反射率,ρ1240表示中心波长为1240nm的波段对应的反射率;ρ593-ρ955得到的植被波段反射率为负值,表示ρ593处植被的反射率低于ρ955处植被的反射率,ρ593处养殖筏的反射率与背景水体的反射率均高于ρ955处养殖筏的反射率与背景水体的反射率,且ρ593-ρ955得到的植被波段反射率总是小于背景水体波段反射率;将植被从图像中分离开,分离背景水体和养殖筏;
步骤2.2、通过ENVI中Band Math工具来计算步骤2.1构建的养殖筏指数;
步骤2.3、统计各类地物样本养殖筏指数的计算结果,生成箱型图;根据养殖筏提取指数的阈值来提取养殖筏:
minm≤ARI(m,n)≤maxm (2)
上式中,ARI(m,n)为位置(m,n)的养殖筏指数的计算结果,minm、maxm分别为养殖筏提取指数的阈值下限和阈值上限;若位置(m,n)处的养殖筏指数ARI(m,n)满足上式(2),则执行步骤3,若不满足上式(2),则判定位于(m,n)的地物为非养殖筏。
步骤3、计算养殖筏提取结果的面积信息,过滤面积小于等于设定值的误分像素。
作为优选,步骤3具体包括以下步骤:
步骤3.1、将提取到的养殖筏对象转为矢量数据,在ArcMap软件中计算提取到的养殖筏对象的面积信息,通过过滤掉面积小于等于设定值的提取要素来去除误分像素;
步骤3.2、若提取要素i的面积满足下式(3),则该提取要素为养殖筏,若不满足下式(3),则判定该提取要素为误分像素;
Si>minm1 (3)
上式中,Si为提取要素i的面积;minm1为养殖筏面积的最小下限。
作为优选,步骤2.3中养殖筏提取指数的阈值下限和阈值上限分别为0.8和1.1。
作为优选,步骤3.2中养殖筏面积的最小下限为0.9平方米。
本发明的有益效果是:
本发明针对近海浮筏养殖遥感信息自动提取应用难度较大的问题,简化现有养殖筏提取的流程与难度,分析高光谱影像上养殖筏的光谱信息,通过增大其与其他地物的光谱差距,构建一种基于高光谱数据的近海水产养殖筏提取指数,增大养殖筏与其他地物的差异根据养殖筏指数结果使用阈值分割提取养殖筏,最后结合面积信息去除误分像素;实现了近海养殖筏的简单、快速、精确提取。
本发明构建了养殖筏提取指数来增大养殖筏与其他地物的差异,并根据养殖筏指数结果使用阈值分割提取养殖筏,最后结合面积信息去除误分像素,实现近海养殖筏的简单、快速、精确提取。本发明流程容易实现,是对现有养殖筏提取方法的有效补充,有利于提高养殖筏提取的准确性、反映近海养殖筏的真实空间分布情况,能为养殖筏的管理与保护提供科学依据,具有十分重要的实际应用意义。
本发明提出的一种基于高光谱遥感影像的近海养殖筏提取指数,充分利用了高光谱数据“图谱合一”的优点,简化了近海养殖筏提取的难度与流程,较传统分类方法具有明显的优越性。ρ1040-ρ1240的作用是抑制与水和养殖筏光谱曲线相似的潮滩、湿地的指数值,。
附图说明
图1为本发明实施例的流程图;
图2是资源一号02D高光谱影像中养殖筏、背景水体、植被、其他地物的均值光谱曲线图;
图3为各类样本进行养殖筏提取指数(ARI)的计算结果统计生成的箱线图;
图4-1为本发明实施例中温州市苍南县近海养殖区的真彩色合成原始高光谱影像,图4-2为本发明实施例中养殖筏最终提取结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
实施例一
本申请实施例一提供了一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法,包括以下步骤:
步骤1、对高光谱数据进行预处理,预处理包括正射校正、辐射定标、大气校正和影像裁剪;
步骤2、分析地物光谱特征,构建高光谱遥感影像的近海养殖筏提取指数,根据高光谱遥感影像的近海养殖筏提取指数的阈值来区分养殖筏、背景水体、植被和其他地物;
步骤2.1、分析高光谱遥感影像中养殖筏、背景水体、植被、其他地物的均值光谱曲线,得到高光谱遥感影像的高光谱信息;根据高光谱信息构建养殖筏指数(AquacultureRaft Index,以下简称ARI),通过等光谱间波段的差值运算得到抑制水体等背景地物信息,增强养殖筏与背景地物间的差异,从而突出筏式养殖区的信息特征;其中养殖筏指数ARI为:
ARI=(ρ593-ρ955)+(ρ1040-ρ1240) (1)
上式中,ARI为养殖筏指数,ρ593表示中心波长为593nm的反射率,ρ955表示中心波长为955nm的反射率,ρ1040表示中心波长为1040nm的反射率,ρ1240表示中心波长为1240nm的反射率;ρ593-ρ955得到的植被反射率为负值,表示ρ593处植被的反射率低于ρ955处植被的反射率,因为近海养殖悬浮泥沙的存在,ρ593处养殖筏的反射率与背景水体的反射率均高于ρ955处养殖筏的反射率与背景水体的反射率,且ρ593-ρ955得到的植被反射率总是小于背景水体反射率;将植被从图像中分离开,分离背景水体和养殖筏;
步骤2.2、通过ENVI中Band Math工具来计算步骤2.1构建的养殖筏指数;
步骤2.3、统计各类地物样本养殖筏指数的计算结果,生成箱型图;ρ1040-ρ1240的作用是抑制与水和养殖筏光谱曲线相似的潮滩、湿地的指数值,减小ρ1040-ρ1240指数计算值;通过构建养殖筏指数(ARI)增强了养殖筏与其他地物的区别,这样即可根据ARI植被<ARI其他地物<AIR养殖筏<ARI水体的关系,然后确定养殖筏提取指数的阈值,其中ARI植被为高光谱遥感影像中植被对应的养殖筏指数,ARI其他地物为高光谱遥感影像中其他地物对应的养殖筏指数,AIR养殖筏为高光谱遥感影像中养殖筏对应的养殖筏指数,ARI水体为高光谱遥感影像中背景水体对应的养殖筏指数;根据养殖筏提取指数的阈值来简单快速地提取养殖筏:
minm≤ARI(m,n)≤maxm (2)
上式中,ARI(m,n)为位置(m,n)的养殖筏指数的计算结果,minm、maxm分别为养殖筏提取指数的阈值下限和阈值上限;若位置(m,n)处的养殖筏指数ARI(m,n)满足上式(2),则执行步骤3,若不满足上式(2),则判定位于(m,n)的地物为非养殖筏。
步骤3、计算养殖筏提取结果的面积信息,过滤少量面积小于等于设定值的误分像素。
步骤3.1、将提取到的养殖筏对象转为矢量数据,在ArcMap软件中计算提取到的养殖筏对象的面积信息,通过过滤掉面积小于等于设定值的提取要素来去除误分像素;
步骤3.2、若提取要素i的面积满足下式(3),则该提取要素为养殖筏,若不满足下式(3),则判定该提取要素为误分像素;
Si>minm1 (3)
上式中,Si为提取要素i的面积;minm1为养殖筏面积的最小下限。
实施例二
随着我国高光谱卫星的发射,资源1号02D等高光谱卫星可以同时采集地物的光谱和图像信息,实现了“图谱合一”,大大提升了数据应用潜力;本申请实施例二在实施例一的基础上针对目前使用多光谱数据进行近海养殖筏提取时存在的“异物同谱”问题,提出一种基于高光谱数据的近海养殖筏提取指数,实现近海养殖筏简单快速的提取。提供了一种基于高光谱数据的近海养殖筏提取指数,以资源一号02D高光谱数据为数据源,通过ENVI5.3、ArcMap10.2软件实现,其提取流程如图1所示:
步骤1、对资源一号02D的高光谱数据进行预处理,该预处理主要包括辐射定标、正射校正、大气校正和影像裁剪;
步骤2、分析地物光谱特征构建特征指数(高光谱遥感影像的近海养殖筏提取指数),根据养殖筏提取指数的阈值来区分养殖筏、背景水体、植被和其他地物;
步骤2.1、分析如图2所示高光谱影像中养殖筏、背景水体、植被、其他地物的均值光谱曲线,分析各地物光谱关系;针对影像的高光谱信息,构建养殖筏指数(AquacultureRaftIndex,以下简称ARI),通过等光谱间波段的差值运算抑制水体等背景地物信息,增强养殖筏与背景地物间的差异,从而突出筏式养殖区的信息特征。
ARI=(ρ593-ρ955)+(ρ1040-ρ1240) (1)
上式中,ARI为本实施例所构建的养殖筏指数,ρ593表示中心波长为593nm的反射率(即ZY1-02D影像可见光近红外数据中Band 23的反射率),ρ955表示中心波长为955nm的反射率(即ZY1-02D影像可见光近红外数据中Band 72的反射率),ρ955表示中心波长为955nm的反射率,ρ1040表示中心波长为1040nm的反射率(即ZY1-02D影像可见光近红外数据中Band 76的反射率),ρ1240表示中心波长为1240nm的反射率(即ZY1-02D影像短波红外数据中Band15的反射率)。ρ593处植被的反射率低于ρ955处的反射率,ρ593-ρ955得到的植被的值即为负值,从而将植被从图像中分离开,因为近海养殖悬浮泥沙的存在ρ593处养殖筏与背景水体的反射率高于ρ955处的反射率,且ρ593-ρ955的结果值养殖筏总是小于背景水体,以此分离背景水体和养殖筏。ρ1040-ρ1240的作用是抑制与水和养殖筏光谱曲线相似的潮滩、湿地的指数值,以此将其指数计算值减小。通过构建养殖筏指数(ARI)增强了养殖筏与其他地物的区别;这样即可根据ARI植被<ARI其他地物<AIR养殖筏<ARI水体的关系,设定阈值来提取养殖筏。
步骤2.2、通过ENVI中Band Math工具计算所构建的养殖筏指数。
步骤2.3、根据各类地物样本的养殖筏指数(ARI)计算结果来统计生成如图3所示箱型图,结果显示出了本发明指数对养殖筏、水体、植被、其他地物具有良好的可分离性;然后确定养殖筏提取阈值,根据阈值分割来简单快速地提取养殖筏:
0.8≤ARI(m,n)≤1.1 (2)
上式中,ARI(m,n)为位置(m,n)的养殖筏指数的计算结果,经计算统计,养殖筏的指数阈值下限为0.8和养殖筏的指数阈值上限为1.1;若位置(m,n)处的养殖筏指数ARI(m,n)满足上式(2),则执行步骤3,若不满足上式(2),则判定位置(m,n)所在的区域的植被位于(m,n)的地物为非养殖筏。
步骤3、图4-1为本发明实施例中温州市苍南县近海养殖区的真彩色合成原始高光谱影像,图4-2为本发明实施例中养殖筏最终提取结果图;计算如图4-2提取结果面积信息,过滤掉少量小面积误分像素。
步骤3.1、将提取到的养殖筏对象转为矢量数据,在ArcMap软件中计算其面积信息,通过过滤掉面积过小的提取要素来去除误提像素。
Si>0.9(m2) (3)
上式中,Si为要素i的面积;0.9平方米为养殖筏面积的最小下限。
步骤3.2、若要素i的面积大于0.9平方米,该要素为养殖筏,若不满足,则判定该要素为误提像素。
图4-2为本实施例的近海养殖筏提取结果图,通过本发明提出的指数简单、快速、精确地提取出了温州市苍南县的近海养殖浮筏,并且去除了绝大部分其他地物的像素被误分的情况,很好地反映了近海养殖筏的真实空间分布情况,有利于近海养殖浮筏的监测与管理。
Claims (4)
1.一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法,其特征在于,包括以下步骤:
步骤1、对高光谱数据进行预处理,预处理包括正射校正、辐射定标、大气校正和影像裁剪;
步骤2、分析地物光谱特征,构建高光谱遥感影像的近海养殖筏提取指数,根据高光谱遥感影像的近海养殖筏提取指数的阈值来区分养殖筏、背景水体、植被和其他地物;
步骤2.1、分析高光谱遥感影像中养殖筏、背景水体、植被、其他地物的均值光谱曲线,得到高光谱遥感影像的高光谱信息;根据高光谱信息构建养殖筏指数ARI,通过等光谱间波段的差值运算得到背景地物信息;其中养殖筏指数ARI为:
ARI=(ρ593-ρ955)+(ρ1040-ρ1240) (1)
上式中,ARI为养殖筏指数,ρ593表示中心波长为593nm的波段对应的反射率,ρ955表示中心波长为955nm的波段对应的反射率,ρ1040表示中心波长为1040nm的波段对应的反射率,ρ1240表示中心波长为1240nm的波段对应的反射率;将植被从图像中分离开,分离背景水体和养殖筏;
步骤2.2、通过ENVI中Band Math工具来计算步骤2.1构建的养殖筏指数;
步骤2.3、统计各类地物样本养殖筏指数的计算结果,生成箱型图;根据养殖筏提取指数的阈值来提取养殖筏:
minm≤ARI(m,n)≤maxm (2)
上式中,ARI(m,n)为位置(m,n)的养殖筏指数的计算结果,minm、maxm分别为养殖筏提取指数的阈值下限和阈值上限;若位置(m,n)处的养殖筏指数ARI(m,n)满足上式(2),则执行步骤3,若不满足上式(2),则判定位于(m,n)的地物为非养殖筏;
步骤3、计算养殖筏提取结果的面积信息,过滤面积小于等于设定值的误分像素。
2.根据权利要求1所述基于高光谱遥感影像的近海养殖筏提取指数的提取方法,其特征在于,步骤3具体包括以下步骤:
步骤3.1、将提取到的养殖筏对象转为矢量数据,在ArcMap软件中计算提取到的养殖筏对象的面积信息,通过过滤掉面积小于等于设定值的提取要素来去除误分像素;
步骤3.2、若提取要素i的面积满足下式(3),则该提取要素为养殖筏,若不满足下式(3),则判定该提取要素为误分像素;
Si>minm1 (3)
上式中,Si为提取要素i的面积;minm1为养殖筏面积的最小下限。
3.根据权利要求1所述基于高光谱遥感影像的近海养殖筏提取指数的提取方法,其特征在于:步骤2.3中养殖筏提取指数的阈值下限和阈值上限分别为0.8和1.1。
4.根据权利要求2所述基于高光谱遥感影像的近海养殖筏提取指数的提取方法,其特征在于:步骤3.2中养殖筏面积的最小下限为0.9平方米。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753385.9A CN113538559B (zh) | 2021-07-02 | 2021-07-02 | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753385.9A CN113538559B (zh) | 2021-07-02 | 2021-07-02 | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538559A CN113538559A (zh) | 2021-10-22 |
CN113538559B true CN113538559B (zh) | 2022-02-18 |
Family
ID=78126680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110753385.9A Active CN113538559B (zh) | 2021-07-02 | 2021-07-02 | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538559B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565853A (zh) * | 2022-03-22 | 2022-05-31 | 福州大学 | 光谱特征和空间卷积协同下的近岸海域养殖塘区提取方法 |
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 |
CN117036777B (zh) * | 2023-07-04 | 2024-06-28 | 宁波大学 | 一种基于高光谱数据的滩涂提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880856A (zh) * | 2012-08-22 | 2013-01-16 | 国家***第二海洋研究所 | 基于油、水光谱特征差异的航空高光谱遥感自动识别海表溢油的方法 |
KR101271489B1 (ko) * | 2012-10-09 | 2013-06-05 | 한국지질자원연구원 | 인공위성 영상자료 중 해조류 양식장 탐지용 분광영역의 인공위성 영상자료 추출방법 |
CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 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 |
CN110033499A (zh) * | 2019-04-21 | 2019-07-19 | 南京林业大学 | 一种基于Landsat OLI遥感影像的区域性水体制图方法 |
CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107504923B (zh) * | 2017-08-04 | 2020-03-06 | 浙江大学 | 一种综合遥感影像和延绳信息的海带养殖面积监测方法 |
CN109211798A (zh) * | 2018-11-16 | 2019-01-15 | 福州大学 | 一种基于遥感影像光谱特征的一年生海冰分布信息提取方法 |
CN111062265A (zh) * | 2019-11-28 | 2020-04-24 | 福州大学 | 一种适于高光谱遥感影像的阴影检测方法 |
CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
CN112766036A (zh) * | 2020-12-08 | 2021-05-07 | 中科禾信遥感科技(苏州)有限公司 | 一种倒伏玉米遥感提取方法与装置 |
-
2021
- 2021-07-02 CN CN202110753385.9A patent/CN113538559B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880856A (zh) * | 2012-08-22 | 2013-01-16 | 国家***第二海洋研究所 | 基于油、水光谱特征差异的航空高光谱遥感自动识别海表溢油的方法 |
KR101271489B1 (ko) * | 2012-10-09 | 2013-06-05 | 한국지질자원연구원 | 인공위성 영상자료 중 해조류 양식장 탐지용 분광영역의 인공위성 영상자료 추출방법 |
CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 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 |
CN110033499A (zh) * | 2019-04-21 | 2019-07-19 | 南京林业大学 | 一种基于Landsat OLI遥感影像的区域性水体制图方法 |
CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
Non-Patent Citations (3)
Title |
---|
"Assessment of the Ecological Destruction of Wildfire Based on Remote Sensing Image";SHIXIANG LI等;《ACM》;20210103;第97-101页 * |
"基于GF-2的近海养殖区遥感监测及环境污染负荷评估";王庭刚;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20200215(第02期);B027-700 * |
"高分一号的浮筏养殖信息提取方法";初佳兰等;《测绘科学》;20191120;论文第1-3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN113538559A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538559B (zh) | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 | |
US20210199579A1 (en) | Method and system for urban impervious surface extraction based on remote sensing | |
CN110987955B (zh) | 一种基于决策树的城市黑臭水体分级方法 | |
CN111310681B (zh) | 一种融入地学知识的红树林分布遥感提取方法 | |
CN103077515A (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN115452759B (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及*** | |
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 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
Chunyang et al. | Sea fog detection using U-Net deep learning model based on MODIS data | |
CN113312993A (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
CN111611965A (zh) | 一种基于Sentinel-2影像的陆表水体提取方法 | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
CN104573662A (zh) | 一种云判方法和*** | |
CN112613545B (zh) | 一种基于多光谱遥感数据提取水体的方法 | |
CN112033937A (zh) | 一种水体提取精度的评价方法 | |
Chen et al. | Automatic Extraction Method of Sargassum Based on Spectral-Texture Features of Remote Sensing Images | |
Liu et al. | Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices | |
Liao et al. | Study on mangrove of maximum likelihood: Reclassification method in Xiezhou bay | |
CN116012707A (zh) | 一种渔光互补光伏养殖模式的遥感识别方法 | |
He et al. | Glacier identification from Landsat8 OLI imagery using deep U-NET | |
Cui et al. | Remote sensing identification of marine floating raft aquaculture area based on sentinel-2A and DEM data | |
CN116486248A (zh) | 一种多源多模态遥感影像海气界面目标协同探测与识别方法 | |
CN112270301B (zh) | 一种基于波段特性的Landsat遥感影像水体提取方法 |
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 |