CN113936226B - 一种基于遥感云计算的全球冰川搜索识别方法 - Google Patents
一种基于遥感云计算的全球冰川搜索识别方法 Download PDFInfo
- Publication number
- CN113936226B CN113936226B CN202111393831.6A CN202111393831A CN113936226B CN 113936226 B CN113936226 B CN 113936226B CN 202111393831 A CN202111393831 A CN 202111393831A CN 113936226 B CN113936226 B CN 113936226B
- Authority
- CN
- China
- Prior art keywords
- glacier
- image
- median
- pixel
- index
- 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 32
- 238000002310 reflectometry Methods 0.000 claims abstract description 58
- 230000003287 optical effect Effects 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 239000002131 composite material Substances 0.000 claims description 37
- 230000015572 biosynthetic process Effects 0.000 claims description 30
- 238000003786 synthesis reaction Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001308 synthesis method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于遥感云计算的全球冰川搜索识别方法,其步骤为:通过云计算平台获取夏季光学卫星影像的地表反射率图像,并利用光谱采集软件采集冰川和其他地物的光谱信息;分析冰川光谱与其他地物光谱的差异,确定识别冰川的有效光谱波段及其阈值;构建冰川指数算法,并确定冰川指数的阈值以区分冰川与非冰川;基于冰川指数算法计算研究区内夏季的每幅卫星影像的冰川指数图像,然后采用中值合成算法得到夏季冰川指数图像的中值合成图像;利用冰川的有效光谱波段及其阈值、冰川指数中值合成图像及其阈值构建冰川自动识别模型,实现冰川分布的遥感自动识别制图。本发明提出冰川遥感识别模型,可实现全球冰川分布的遥感精准、自动识别。
Description
技术领域
本发明涉及遥感目标识别技术领域,特别是指一种基于遥感云计算的全球冰川搜索识别方法。
背景技术
全球气候变化背景下,冰川分布呈现显著的年际变化特征。及时有效更新全球尺度上的冰川分布数据,对气候变化与生态环境相互作用等方面的研究具有重要的科学价值。冰川与云在可见光范围内均呈现白色,在光学卫星影像上表现为相似的可见光光谱特征。受云阴影覆盖的冰川,其在光学卫星影像上的光谱特征也发生了显著变化。这些因素增加了冰川准确识别的难度。加之冰川分布广、年际变化大的特征,对快速更新全球尺度上冰川分布数据提出了更高要求。因此,冰川分布制图领域急需一种能够实现全球尺度上冰川的快速解译方法。
发明内容
针对上述技术背景中存在的不足,本发明提出了一种基于遥感云计算的全球冰川搜索识别方法,解决了冰川识别准确率低的技术问题,实现了全球尺度上冰川的年际遥感解译及制图。
本发明的技术方案是这样实现的:
一种基于遥感云计算的全球冰川搜索识别方法,其步骤如下:
S1、利用遥感云平台采集X年夏季时间范围内的若干幅光学卫星影像,这若干幅光学卫星影像的像元行列数均相同,并对光学卫星影像进行预处理,得到若干幅地表反射率图像;
S2、利用目视解译方法获得冰川和非冰川地物的地理位置信息,并使用光谱采集软件采集地表反射率图像中的冰川和非冰川地物的像元光谱样本;
S3、基于步骤S2中得到的像元光谱样本分析冰川的像元光谱与非冰川地物的像元光谱之间的差异,得到用于识别冰川的有效光谱波段,其中,有效光谱波段包括蓝色波段、绿色波段、红色波段和短波红外波段;
S4、采用中值合成算法对步骤S1中的若干幅地表反射率图像进行中值合成,分别得到蓝色波段中值合成图像和绿色波段中值合成图像;
S5、根据步骤S2中得到的冰川和非冰川地物的地理位置信息,分别对步骤S4中得到的蓝色波段中值合成图像进行统计,得到冰川和非冰川地物在蓝色波段中值合成图像中的像元值分布,并将蓝色波段中值合成图像中的冰川的像元值分布中的最小值作为区分冰川和非冰川地物的阈值α;
S6、根据步骤S2中得到的冰川和非冰川地物的地理位置信息,分别对步骤S4中得到的绿色波段中值合成图像进行统计,得到冰川和非冰川地物在绿色波段中值合成图像中的像元值分布,并将绿色波段中值合成图像中的冰川的像元值分布中的最小值作为区分冰川和非冰川地物的阈值β;
S7、构建冰川遥感指数,并利用冰川遥感指数和步骤S1中的若干幅地表反射率图像计算得到若干幅冰川指数图像,然后采用中值合成方法,对若干幅冰川指数图像进行中值合成,得到冰川指数中值合成图像;
S8、根据步骤S2中得到的冰川和非冰川地物的地理位置信息,对步骤S7中得到的冰川指数中值合成图像进行统计,得到冰川和非冰川地物在冰川指数中值合成图像中的像元值分布,将冰川指数中值合成图像中的冰川的像元值分布的最小值与非冰川地物的最大值的平均值作为区分冰川和非冰川地物的阈值γ;
S9、将全球地表划分为72×36块待搜索识别区域,每个区域的地理范围为5×5个经纬度,利用遥感云平台采集第J个待搜索识别区域的X年夏季时间范围内待识别的光学卫星影像,并对待识别的光学卫星影像进行预处理,得到待识别的地表反射率图像,然后采用中值合成算法对待识别的地表反射率图像进行中值合成,分别合成得到蓝色波段中值合成图像、绿色波段中值合成图像;
S10、利用步骤S7中冰川遥感指数的计算方法,对步骤S9中得到的待识别的地表反射率图像进行冰川指数计算,并采用中值合成算法合成得到待识别的冰川指数中值合成图像;
S11、判断步骤S9中蓝色波段中值合成图像中像元i的蓝色波段的像元值是否大于阈值α,同时绿色波段中值合成图像中像元i的绿色波段的像元值是否大于阈值β,若同时满足这两个约束条件,执行步骤S12,否则,像元i所在像元位置为非冰川;
S12、判断像元i在步骤S10中得到的待识别的冰川指数中值合成图像中的像元值是否大于阈值γ,若是,像元i所在位置为冰川,否则,像元i所在位置为非冰川;
S13、循环执行步骤S11至步骤S12,直至遍历完待识别的合成图像中的所有像元位置,完成第J个待搜索识别区域的冰川遥感识别;
S14、循环执行步骤S9至步骤S13,直至遍历完全球所有的待搜索识别区域,完成全球冰川搜索识别。
优选地,所述地表反射率图像的获得方法为:对光学影像中所有像元值乘以修正系数0.0000275,再减去0.2,得到光学卫星影像的地表反射率图像。
优选地,在步骤S4中,蓝色波段中值合成图像的获取方法为:首先创建一幅与地表反射率图像的像元行列数一致的空白图像;然后提取像元i位置上的地表反射率图像中所有蓝色波段的像元值,计算得到这些像元值的中值,并把该中值写入空白图像中的对应位置;依次遍历所有像元位置,即得到蓝色波段中值合成图像;
绿色波段中值合成图像的获取方法为:首先创建一幅与地表反射率图像的像元行列数一致的空白图像;然后提取像元i位置上的地表反射率图像中所有绿色波段的像元值,计算得到这些像元值的中值,并把该中值写入空白图像中的对应位置;依次遍历所有像元位置,即得到绿色波段中值合成图像。
优选地,所述冰川遥感指数为:
GIi=(ξSWIR,i-ξred,i)/(ξSWIR,i+ξred,i+0.1);
其中,GIi表示冰川遥感指数图像中像元i的冰川遥感指数,ξSWIR,i表示地表反射率图像中像元i的短波红外波段的地表反射率,ξred,i表示地表反射率图像中像元i的红色波段的地表反射率,i=1,2,…,n,n为地表反射率图像中像元的总数量。
优选地,所述冰川指数中值合成图像的获得方法为:首先创建一幅与冰川指数图像的像元行列数一致的空白图像;然后提取像元i位置上的冰川指数图像中的所有像元值,计算得到这些像元值的中值,并把该中值写入空白图像中的对应位置;依次遍历所有像元位置,即得到冰川指数中值合成图像。
优选地,步骤S9中,将全球地表划分为72×36块待搜索识别区域的方法为:首先以地理本初子午线为起点,以5个地理经度为间隔划分地理经线,将全球地表划分为72个与地理经线平行的条带;然后以北极为起点,以5个地理纬度为间隔划分地理纬线,将全球划分为36个与地理纬线平行的条带;纬线条带与经线条带交叉,将地球表面划分为72×36块区域。
与现有技术相比,本发明产生的有益效果为:
(1)本发明提出了一种基于光学卫星影像的冰川指数,即GI(Glacier Index)指数,为冰川遥感识别提供了理论基础;
(2)本发明创建的全球冰川自动识别算法,充分利用了冰川短波红外和可见光波段上的光谱特征,能够适用于全球尺度上的冰川快速识别,为相关部门、行业提供精准的冰川信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图;
图2为本发明的冰川识别结果。
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。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于遥感云计算的全球冰川搜索识别方法,具体步骤如下:
S1、利用遥感云平台(Google Earth Engine)采集2021年夏季时间范围内的5幅光学卫星影像,这5幅光学卫星影像的像元行列数均相同,并对光学卫星影像进行预处理,得到若干幅地表反射率图像。
所述地表反射率图像的获得方法为:对光学影像中所有像元值乘以修正系数0.0000275,再减去0.2,得到光学卫星影像的地表反射率图像。
S2、利用目视解译方法获得冰川和非冰川地物的地理位置信息,并使用光谱采集软件采集2021年7月10日的地表反射率图像中的冰川和非冰川地物的像元光谱样本;其中冰川的样本像元数为1190个,非冰川地物的样本像元数为1134个,非冰川地物类型包括云层、水体、裸地、植被、建设用地等。
S3、基于步骤S2中得到的像元光谱样本分析冰川的像元光谱与非冰川地物在2021年7月10日的的像元光谱之间的差异,对比分析发现,短波红外波段是区分冰川与云层的最佳波段,蓝色波段、绿色波段、红色波段是区分冰川与水体、裸地、植被、建设用地等其他土地覆盖类型的有效波段,因此,确定用于识别冰川的有效光谱波段,其中,有效光谱波段包括蓝色波段、绿色波段、红色波段和短波红外波段;
S4、采用中值合成算法对步骤S1中的5幅地表反射率图像进行中值合成,分别得到蓝色波段中值合成图像和绿色波段中值合成图像。
蓝色波段中值合成图像的获取方法为:
首先创建一幅与地表反射率图像的像元行列数一致的空白图像;然后提取像元i位置上的地表反射率图像中所有蓝色波段的像元值,计算得到这些像元值的中值,并把该中值写入空白图像中的对应位置;依次遍历所有像元位置,即得到蓝色波段中值合成图像。
绿色波段中值合成图像的获取方法为:
首先创建一幅与地表反射率图像的像元行列数一致的空白图像;然后提取像元i位置上的地表反射率图像中所有绿色波段的像元值,计算得到这些像元值的中值,并把该中值写入空白图像中的对应位置;依次遍历所有像元位置,即得到绿色波段中值合成图像。
S5、根据步骤S2中得到的冰川和非冰川地物的地理位置信息,分别对步骤S4中得到的蓝色波段中值合成图像进行统计,得到冰川和非冰川地物在蓝色波段中值合成图像中的像元值分布,即冰川∈[0.19,0.98],并将蓝色波段中值合成图像中的冰川的像元值分布中的最小值作为区分冰川和非冰川地物的阈值α=0.19。
S6、根据步骤S2中得到的冰川和非冰川地物的地理位置信息,分别对步骤S4中得到的绿色波段中值合成图像进行统计,得到冰川和非冰川地物在绿色波段中值合成图像中的像元值分布,即冰川∈[0.21,0.98],并将绿色波段中值合成图像中的冰川的像元值分布中的最小值作为区分冰川和非冰川地物的阈值β=0.21。
S7、根据步骤S3中得到的结果发现冰川在短波红外波段上的反射率极低,一般小于0.1,冰川在红色波段上的反射率明显高于其在短波红外波段上的反射率,非冰川地物很少具有这种特征,据此构建冰川遥感指数,并利用冰川遥感指数和步骤S1中的若干幅地表反射率图像计算得到若干幅冰川指数图像,然后采用中值合成方法,对若干幅冰川指数图像进行中值合成,得到冰川指数中值合成图像;
所述冰川遥感指数为:
GIi=(ξSWIR,i-ξred,i)/(ξSWIR,i+ξred,i+0.1);
其中,GIi表示冰川遥感指数图像中像元i的冰川遥感指数,ξSWIR,i表示地表反射率图像中像元i的短波红外波段的地表反射率,ξred,i表示地表反射率图像中像元i的红色波段的地表反射率,i=1,2,…,n,n为地表反射率图像中像元的总数量。
S8、根据步骤S2中得到的冰川和非冰川地物的地理位置信息,对步骤S7中得到的冰川指数中值合成图像进行统计,得到冰川和非冰川地物在冰川指数中值合成图像中的像元值分布,即冰川∈[0.62,0.81],非冰川地物∈[-0.51,0.13],将冰川指数中值合成图像中的冰川的像元值分布的最小值与非冰川地物的最大值的平均值作为区分冰川和非冰川地物的阈值γ=0.47。
S9、将全球地表划分为72×36块待搜索识别区域,每个区域的地理范围为5×5个经纬度,利用遥感云平台采集第J个待搜索识别区域的2021年夏季时间范围内待识别的光学卫星影像,并对待识别的光学卫星影像进行预处理,得到待识别的地表反射率图像,然后采用中值合成算法对待识别的地表反射率图像进行中值合成,分别合成得到蓝色波段中值合成图像、绿色波段中值合成图像,即待识别的中值合成图像。将全球地表划分为72×36块待搜索识别区域的方法为:首先以地理本初子午线为起点,以5个地理经度为间隔划分地理经线,将全球地表划分为72个与地理经线平行的条带;然后以北极为起点,以5个地理纬度为间隔划分地理纬线,将全球划分为36个与地理纬线平行的条带;纬线条带与经线条带交叉,将地球表面划分为72×36块区域。
S10、利用步骤S7中冰川遥感指数的计算方法,对步骤S9中得到的待识别的地表反射率图像进行冰川指数计算,并采用中值合成算法合成得到待识别的冰川指数中值合成图像;所述冰川指数中值合成图像的获得方法为:首先创建一幅与冰川指数图像的像元行列数一致的空白图像;然后提取像元i位置上的冰川指数图像中的所有像元值,计算得到这些像元值的中值,并把该中值写入空白图像中的对应位置;依次遍历所有像元位置,即得到冰川指数中值合成图像。
S11、判断步骤S9中蓝色波段中值合成图像中像元i的蓝色波段的像元值是否大于阈值α,同时绿色波段中值合成图像中像元i的绿色波段的地表反射率是否大于阈值β,若同时满足这两个约束条件,执行步骤S12,否则,像元i所在像元位置为非冰川。
S12、判断像元i在步骤S10中得到的待识别的冰川指数中值合成图像中的像元值是否大于阈值γ,若是,像元i所在位置为冰川,否则,像元i所在位置为非冰川。
S13、循环执行步骤S11至步骤S12,直至遍历完待识别的合成图像中的所有像元位置,完成第J个待搜索识别区域的冰川遥感识别。
S14、循环执行步骤S9至步骤S13,直至遍历完全球所有的待搜索识别区域,完成全球冰川搜索识别。
为了验证本发明的效果,本发明以2021年青藏高原地区冰川遥感识别为实验对象,卫星影像为Landsat-8光学卫星影像,云平台为Google Earth Engine遥感云计算平台,识别结果如图2所示。通过图2可以看出冰川的边界等纹理信息完整,云层等其他地物可以被有效区分,说明了本发明对冰川识别的可靠性、准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于遥感云计算的全球冰川搜索识别方法,其特征在于,其步骤如下:
S1、利用遥感云平台采集X年夏季时间范围内的若干幅光学卫星影像,这若干幅光学卫星影像的像元行列数均相同,并对光学卫星影像进行预处理,得到若干幅地表反射率图像;
S2、利用目视解译方法获得冰川和非冰川地物的地理位置信息,并使用光谱采集软件采集地表反射率图像中的冰川和非冰川地物的像元光谱样本;
S3、基于步骤S2中得到的像元光谱样本分析冰川的像元光谱与非冰川地物的像元光谱之间的差异,得到用于识别冰川的有效光谱波段,其中,有效光谱波段包括蓝色波段、绿色波段、红色波段和短波红外波段;
S4、采用中值合成算法对步骤S1中的若干幅地表反射率图像进行中值合成,分别得到蓝色波段中值合成图像和绿色波段中值合成图像;
S5、根据步骤S2中得到的冰川和非冰川地物的地理位置信息,分别对步骤S4中得到的蓝色波段中值合成图像进行统计,得到冰川和非冰川地物在蓝色波段中值合成图像中的像元值分布,并将蓝色波段中值合成图像中的冰川的像元值分布中的最小值作为区分冰川和非冰川地物的阈值α;
S6、根据步骤S2中得到的冰川和非冰川地物的地理位置信息,分别对步骤S4中得到的绿色波段中值合成图像进行统计,得到冰川和非冰川地物在绿色波段中值合成图像中的像元值分布,并将绿色波段中值合成图像中的冰川的像元值分布中的最小值作为区分冰川和非冰川地物的阈值β;
S7、构建冰川遥感指数,并利用冰川遥感指数和步骤S1中的若干幅地表反射率图像计算得到若干幅冰川指数图像,然后采用中值合成方法,对若干幅冰川指数图像进行中值合成,得到冰川指数中值合成图像;
所述冰川遥感指数为:
S8、根据步骤S2中得到的冰川和非冰川地物的地理位置信息,对步骤S7中得到的冰川指数中值合成图像进行统计,得到冰川和非冰川地物在冰川指数中值合成图像中的像元值分布,将冰川指数中值合成图像中的冰川的像元值分布的最小值与非冰川地物的最大值的平均值作为区分冰川和非冰川地物的阈值γ;
S9、将全球地表划分为72×36块待搜索识别区域,每个区域的地理范围为5×5个经纬度,利用遥感云平台采集第J个待搜索识别区域的X年夏季时间范围内待识别的光学卫星影像,并对待识别的光学卫星影像进行预处理,得到待识别的地表反射率图像,然后采用中值合成算法对待识别的地表反射率图像进行中值合成,分别合成得到蓝色波段中值合成图像、绿色波段中值合成图像;
S10、利用步骤S7中冰川遥感指数的计算方法,对步骤S9中得到的待识别的地表反射率图像进行冰川指数计算,并采用中值合成算法合成得到待识别的冰川指数中值合成图像;
S11、判断步骤S9中蓝色波段中值合成图像中像元i的蓝色波段的像元值是否大于阈值α,同时绿色波段中值合成图像中像元i的绿色波段的像元值是否大于阈值β,若同时满足这两个约束条件,执行步骤S12,否则,像元i所在像元位置为非冰川;
S12、判断像元i在步骤S10中得到的待识别的冰川指数中值合成图像中的像元值是否大于阈值γ,若是,像元i所在位置为冰川,否则,像元i所在位置为非冰川;
S13、循环执行步骤S11至步骤S12,直至遍历完待识别的合成图像中的所有像元位置,完成第J个待搜索识别区域的冰川遥感识别;
S14、循环执行步骤S9至步骤S13,直至遍历完全球所有的待搜索识别区域,完成全球冰川搜索识别。
2.根据权利要求1所述的基于遥感云计算的全球冰川搜索识别方法,其特征在于,所述地表反射率图像的获得方法为:对光学影像中所有像元值乘以修正系数0.0000275,再减去0.2,得到光学卫星影像的地表反射率图像。
3.根据权利要求1或2所述的基于遥感云计算的全球冰川搜索识别方法,其特征在于,在步骤S4中,蓝色波段中值合成图像的获取方法为:首先创建一幅与地表反射率图像的像元行列数一致的空白图像;然后提取像元i位置上的地表反射率图像中所有蓝色波段的像元值,计算得到这些像元值的中值,并把该中值写入空白图像中的对应位置;依次遍历所有像元位置,即得到蓝色波段中值合成图像;
绿色波段中值合成图像的获取方法为:首先创建一幅与地表反射率图像的像元行列数一致的空白图像;然后提取像元i位置上的地表反射率图像中所有绿色波段的像元值,计算得到这些像元值的中值,并把该中值写入空白图像中的对应位置;依次遍历所有像元位置,即得到绿色波段中值合成图像。
4.根据权利要求1所述的基于遥感云计算的全球冰川搜索识别方法,其特征在于,所述冰川指数中值合成图像的获得方法为:首先创建一幅与冰川指数图像的像元行列数一致的空白图像;然后提取像元i位置上的冰川指数图像中的所有像元值,计算得到这些像元值的中值,并把该中值写入空白图像中的对应位置;依次遍历所有像元位置,即得到冰川指数中值合成图像。
5.根据权利要求1所述的基于遥感云计算的全球冰川搜索识别方法,其特征在于,步骤S9中,将全球地表划分为72×36块待搜索识别区域的方法为:首先以地理本初子午线为起点,以5个地理经度为间隔划分地理经线,将全球地表划分为72个与地理经线平行的条带;然后以北极为起点,以5个地理纬度为间隔划分地理纬线,将全球划分为36个与地理纬线平行的条带;纬线条带与经线条带交叉,将地球表面划分为72×36块区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393831.6A CN113936226B (zh) | 2021-11-23 | 2021-11-23 | 一种基于遥感云计算的全球冰川搜索识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393831.6A CN113936226B (zh) | 2021-11-23 | 2021-11-23 | 一种基于遥感云计算的全球冰川搜索识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936226A CN113936226A (zh) | 2022-01-14 |
CN113936226B true CN113936226B (zh) | 2022-07-08 |
Family
ID=79287477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111393831.6A Active CN113936226B (zh) | 2021-11-23 | 2021-11-23 | 一种基于遥感云计算的全球冰川搜索识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936226B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500325B (zh) * | 2013-10-15 | 2016-10-19 | 南京大学 | 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 |
CN106845326B (zh) * | 2015-12-04 | 2020-10-23 | 核工业北京地质研究院 | 一种基于航空高光谱遥感数据的冰川识别方法 |
CN107730527B (zh) * | 2017-10-16 | 2021-03-30 | 中国科学院遥感与数字地球研究所 | 一种基于遥感卫星影像的高原地区冰湖提取方法 |
CN109635713A (zh) * | 2018-12-07 | 2019-04-16 | 云南大学 | 高原山地阴影区冰川识别方法 |
CN110532953B (zh) * | 2019-08-30 | 2023-04-07 | 南京大学 | 基于纹理特征辅助的sar影像冰川识别方法 |
CN110992437B (zh) * | 2019-11-28 | 2023-02-24 | 安徽理工大学 | 一种冰川编目快速更新方法 |
CN111209871B (zh) * | 2020-01-09 | 2021-06-25 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
CN111695606B (zh) * | 2020-05-25 | 2022-10-04 | 中国科学院东北地理与农业生态研究所 | 一种多类型城市绿地分类方法 |
CN111932567B (zh) * | 2020-07-30 | 2022-09-06 | 中国科学院空天信息创新研究院 | 基于卫星影像的冰湖轮廓自动提取方法 |
CN113177441A (zh) * | 2021-04-09 | 2021-07-27 | 首都师范大学 | 面向对象与物候知识相融合的遥感互花米草制图方法 |
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 |
-
2021
- 2021-11-23 CN CN202111393831.6A patent/CN113936226B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113936226A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
CN113936226B (zh) | 一种基于遥感云计算的全球冰川搜索识别方法 | |
CN112101256B (zh) | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 | |
Rogers et al. | Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices | |
KR100678395B1 (ko) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 | |
CN111209871B (zh) | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 | |
CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
CN110569797A (zh) | 地球静止轨道卫星影像山火检测方法、***及其存储介质 | |
CN114419463B (zh) | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 | |
CN113221765A (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN114519821A (zh) | 一种绿色健康植被遥感识别指数的构建方法 | |
CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
CN113869370A (zh) | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 | |
CN113780307A (zh) | 一种区域年度最大蓝绿空间信息提取方法 | |
CN115661634A (zh) | 城市生态网络空间要素精准识别方法 | |
Solaimani et al. | Land use/cover change detection based on remote sensing data (A case study; Neka Basin) | |
Zhang et al. | Mapping functional vegetation abundance in a coastal dune environment using a combination of LSMA and MLC: a case study at Kenfig NNR, Wales | |
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 | |
CN114266968B (zh) | 一种城市不同土地覆盖类型遥感自动解译方法 | |
Javed et al. | Development of global impervious surface area index for automatic spatiotemporal urban mapping | |
Vorovencii | Analyzing the Sprawl of Built-up Areas Using Landsat Data and the Normalized Difference Built-up Index | |
Cao et al. | New method and error analysis of lake retrieval with MetOp-A AVHRR images on the Tibetan Plateau | |
CN117292154B (zh) | 基于密集时序遥感影像的长时序地物样本自动生产方法 | |
Kilberg et al. | Digital classification and mapping of urban tree cover: city of St. Paul | |
Wang et al. | Scaling effects of chlorophyll content in walnut leaves estimations with coupling Boruta algorithm and machine learning model |
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 |