CN115063437B - 一种红树林冠层可见光图像指数特征分析方法及*** - Google Patents
一种红树林冠层可见光图像指数特征分析方法及*** Download PDFInfo
- Publication number
- CN115063437B CN115063437B CN202210678055.2A CN202210678055A CN115063437B CN 115063437 B CN115063437 B CN 115063437B CN 202210678055 A CN202210678055 A CN 202210678055A CN 115063437 B CN115063437 B CN 115063437B
- Authority
- CN
- China
- Prior art keywords
- visible light
- image
- vegetation
- mangrove
- tide
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
一种红树林冠层可见光图像指数特征分析方法及***,方法包括以下步骤:获取红树林冠层可见光图像数据集、气象数据和潮汐数据;基于可见光图像数据集和潮汐数据相结合,分析得到红树林遭海水侵淹的临界潮高;筛选出低于临界潮高的可见光图像,对可见光图像进行图像分割,获取可见光图像中绿色植被区域图像;基于绿色植被区域图像,进行可见光图像指数计算以及植被变化趋势模拟,得到可见光图像指数特征和植被变化趋势。***包括:图像收集模块、潮高计算模块、图像分割模块和指数计算模块。本申请结合了图像处理和机器学习技术,为红树林植被状况的自动、连续监测提供了方法,又为红树林植被长势参量的实时、快速、准确估算提供技术支撑。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种红树林冠层可见光图像指数特征分析方法及***。
背景技术
红树林生态***具有高生产力、高归还率和高分解率,生物量和碳储存能力强的特点,同时能够起到防御风浪、防治污染和美化海岸的作用,具有重要的生态服务功能和社会经济价值。定量化红树林生长状况监测可以为深入诠释红树林生态***功能提供重要的数据基础。但生长在海岸潮间带滩涂或河流入海口处的红树林受周期性潮汐侵淹的影响,生长发育状况实地调查存在难度高、周期长和信息不完整等问题。遥感技术的快速发展为大尺度红树林动态监测提供了切实可行的技术手段和方法,但卫星固定的访问周期容易导致关键信息缺失或不足。数码相机RGB图像拍摄因其在灵活性、低成本和稳定性等方面的优势,已经在植被生育期、冠层结构、生物量等综合信息监测方面获得成功应用。
图像分割技术旨在将包含复杂地物空间分布信息的图像划分为具有特定语义标签的不同区域,是利用近地冠层RGB图像开展植被监测的基础。目前已经发展了区域、直方图阈值化、特征空间聚类、边缘检测、模糊技术人工神经网络和深度学习等多种分割方法。学者们基于RGB不同颜色通道构建了NDYI(Normalized DifferenceYellowness Index)、GLA(Green Leaf Algorithm)、VARI(VisibleAtmospherically Resistant Index)、NGRDI(Normalized green-reddifference index)等多种可见光植被指数用于植被变化监测。目前,无人机RGB图像在红树林植被分割和冠层结构反演上初见成效,但地基获取的RGB图像在红树林生长状况监测中的可行性仍有待明确,各种分割算法对红树林植被信息提取的有效性,多种可见光植被指数用于红树林生长状况监测的适用性都鲜见研究。
发明内容
本申请提供了一种红树林冠层可见光图像指数特征分析方法及***,获取红树林冠层可见光图像数据集、气象数据和潮汐数据,基于可见光图像数据集和潮汐数据相结合,进行可见光图像指数计算以及植被变化趋势模拟,得到可见光图像指数特征和植被变化趋势。
为实现上述目的,本申请提供了以下方案:
一种红树林冠层可见光图像指数特征分析方法,包括以下步骤:
S1.获取红树林冠层可见光图像数据集和潮汐数据;
S2.基于所述可见光图像数据集和所述潮汐数据,得到红树林遭海水侵淹的临界潮高;
S3.筛选出低于所述临界潮高的可见光图像,对所述可见光图像进行图像分割,获取所述可见光图像中绿色植被区域图像;
S4.基于所述绿色植被区域图像,进行可见光图像指数计算以及植被变化趋势模拟,得到可见光图像指数特征和植被变化趋势。
优选的,所述临界潮高的分析方法为:
基于所述可见光图像数据集,通过比对图像底部滩涂上受海水侵淹状况,找出有少量积水或滩涂完全露出的图像并确定拍摄时间;
基于所述拍摄时间在潮汐表中确定海水侵淹红树林的临界潮高。
优选的,所述图像分割方法为:
利用机器学习分割算法,首先采用非监督聚类生成训练样本并对所述训练样本进行筛选,然后采用支持向量机对植被和背景信息分类,得到所述绿色植被区域图像。
优选的,所述绿色植被区域图像采用NLM算法进行优化。
优选的,所述可见光指数特征计算方法为:
提取所述绿色植被区域每个像素的R、G、B颜色通道值后对该区域内的所有像素进行平均,然后计算红树林可见光植被指数。
优选的,利用复合正弦函数来模拟植被长势随时间的变化趋势,得到植被变化趋势,计算公式如下:
VI=a+b sin[2π(tday-c)/365]
其中,a、b、c均为经验系数,tday为日序。
本申请还提供了一种红树林冠层可见光图像指数特征分析***,包括:图像收集模块、潮高计算模块、图像分割模块和指数计算模块;
所述图像收集模块与所述潮高计算模块连接,用于获取红树林冠层可见光图像数据集、气象数据和潮汐数据;
所述潮高计算模块还与所述图像分割模块连接,用于基于所述可见光图像数据集和所述潮汐数据相结合,分析得到红树林遭海水侵淹的临界潮高;
所述图像分割模块还与所述指数计算模块连接,用于筛选出低于所述临界潮高的可见光图像,对所述可见光图像进行图像分割,获取所述可见光图像中绿色植被区域图像;
所述指数计算模块用于基于所述绿色植被区域图像,进行可见光图像指数计算以及植被变化趋势模拟,得到可见光图像指数特征和植被变化趋势。
优选的,所述图像分割模块还用于对所述绿色植被区域图像进行NLM算法优化。
本申请的有益效果为:
本申请结合了图像处理和机器学***台搭载多光谱相机获取多光谱、高光谱数据,在目标区域设置样方,采集植物理化性状数据,丰富地面数据集;设置相机参数,改进图像校正方法,可以降低可见光图像指数的变异;构建基于可见光图像指数的生物量、叶面积指数和叶绿素含量预测模型,可以为红树林植被长势参量的实时、快速、准确估算提供技术支撑。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一种红树林冠层可见光图像指数特征分析方法流程示意图;
图2为本申请一种红树林冠层可见光图像指数特征分析***结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例一中,如图1所示,一种红树林冠层可见光图像指数特征分析方法,选取北海红树林生态气象观测试验站,位于广西北海市国家海洋科技园区的小海湾。研究区属亚热带季风气候,全年温暖潮湿,年均降水量1644mm,年平均气温22.6℃。观测区域内红树林总面积约为5.5hm2,种类以白骨壤群落为主,混生少量秋茄和桐花树;土壤以砾质细沙土至粗沙土为主,有机质含量较低。
可见光图像数据集来源于生态气象观测站通量塔上架设的数码相机,距离地面高度为6m,相机型号为ZQZ-TIM,采用1/1.8英寸CMOS传感器,总像素约644万像素,光圈值F1.5-4.3,30倍光学变倍,16倍数字变倍,宽动态效果,加上图像降噪功能,能够较好地展示白天/夜晚图像,水平方向360°连续旋转,垂直方向-20°~90°自动翻转180°后连续监视,无监视盲区。图像采集完成后可上传至云平台或导入计算机进行处理。可见光图像采集时间为每日8:00~17:00,间隔时间为1h,图像序列为2018年9月3日至2019年8月31日。气象数据来源于生态气象观测站的自动气象观测设备,观测要素包括日平均气温、日最高气温、日最低气温、相对湿度和降雨量。潮汐数据来源于国家海洋信息中心编制的中国潮汐表(北海港监测点),观测要素包含每时潮高、潮时时分和潮高。
通过人工目视解译,结合潮汐数据,判别目标区域内受海水侵淹的临界潮高,然后筛选出低于该潮高时的可见光图像,最后选取每天亮度最大的图像代表当日图像,其中可见光图像亮度值用R、G、B颜色通道值之和来表示。确定海水侵淹目标区域红树林的临界潮高的具体方法如下:(1)每个月随机选取3天受海水侵淹的可见光图像数据集;(2)通过目视比对图像底部滩涂上受海水侵淹状况,找出开始有少量积水或滩涂完全露出的图像,并将该图像的拍摄时间确定为涨潮开始侵淹或落潮结束侵淹的时间;(3)根据该时间在潮汐表中确定海水侵淹红树林的临界潮高。
基于机器学习分割算法首先采用K-means非监督聚类生成训练样本并对样本进行筛选,然后采用支持向量机(support vector machine,SVM)对植被和背景信息分类。
受光照条件差异和成像质量等因素的影响,植被边缘部位错分概率较大。为了减少叶片边缘错误分割现象,引入了非局部均值滤波(Non-Local Means,NLM)对植被分割结果进行优化。NLM算子能够保护类似于植被叶片的狭长结构,通过在一定邻域范围内同一个结构上的不相邻像素互相增强,消除植被叶片边缘部位像素分割歧义性。NLM算法原理如下:
式中,w(a,b)表征像素a与像素b之间的相似度(高斯加权欧式距离)权值,满足0≤w(a,b)≤1且Σb w(a,b)=1,其表达式如下:
以人工实地标注结果作为参考,对上述三种分割算法滤波前后获取的分类图像进行准确性评估,准确性评估指标Qseg和Sr计算公式如下:
式中,A是分割后图像的前景(绿色植被)像素集(p=255)或背景(绿色植被以外信息)像素集(p=0),B为人工实地标注获取的前景像素集(p=255)或背景像素集(p=0),m,n分别为图像的行数和列数,i,j分别为对应的坐标,Qseg和Sr值越大,分割准确度越高,其中Qseg表示分割结果背景和前景的总体一致性,而Sr仅表示前景分割结果的一致性。
在完成对可见光图像中绿色植被部分的分割后,提取绿色植被区域每个像素的R、G、B颜色通道值后对该区域内的所有像素进行平均,然后计算红树林可见光植被指数,如表1所示。
表1
注:R、G、B分别为红光、绿光和蓝光波段值,r、g、b为归一化后的红光、绿光和蓝光波段值。
植被变化趋势模拟:利用复合正弦函数来模拟植被长势随时间的变化趋势,计算公示如下:
VI=a+b sin[2π(tday-c)/365]
式中,a、b、c均为经验系数,tday为日序。
10种可见光图像指数依据其时序变化特征可分为两类,第一类是与气温变化呈准同步的季节性变化(统称为季节性指数),包括ExG、ExGR、GLA、GMRVI、NDYI、RGBVI、VARI和VEG,这类指数值冬春季节值较低,夏秋季节值较高。第二类是随着时间的推移与气温变化呈相反的季节性变化趋势(统称为反季节性指数),包括ExR和CIVE,这类指数值夏秋值较低,春春季节值较高,与季节性指数相反。
复合正弦函数可以较好的模拟各可见光图像指数年内周期变化,各指数模拟值和观测值相关系数在0.430~0.643之间,其中VARI拟合效果最好(R=0.643),ExG拟合效果最差(R=0.505)。各指数全序列拟合偏差在0.03%~26.16%之间,其中ExR(4.09%)、VEG(1.73%)和CIVE(0.03%)拟合值与观测值偏差较小,其他指数偏差均大于17%。
不同季节各个指数的模拟值和观测值偏差差异显著,春季偏差0.02%~17.98%,夏季0.04%~39.97%,秋季0.05%~59.66%,冬季0.02%~22.05%。相较而言,冬季和春季偏差较小,夏季和秋季偏差较大。
实施例二
在本实施例二中,选取日平均温度、日最高气温、日最低温度、相对湿度和日降雨量作为主要气象因子,分析其与红树林冠层可将光图像指数的相关性,如表2所示。各个可见光图像指数之间存在着高度相关性,如表3所示,但由于构成图像波段和参数的差异,不同可见光图像指数与各个气象因子的相关性差异明显。ExG、ExGR、GLA、GMRVI、NDYI、RGBVI、VARI和VEG 8种季节性可见光图像指数与平均气温、最高气温、最低气温、降水量呈正相关关系,与相对湿度呈负相关关系,而ExR和CIVE两种反季节性可见光图像指数与各气象因子的相关性与季节性图像指数相反。其中,ExR、VARI、MGRVI和NGRDI和气温(平均、最高和最低)和相对湿度的相关性均达到极显著水平,而NDYI和CIVE与气温和相对湿度的相关性均不显著。降水方面,NDYI、GLA、RGBVI、CIVE、VEG与之相关性达显著水平,其余可见光图像指数与之相关性不显著。
表2
注:ns:p≥0.05;*:p<0.05;**:p<0.01
表3
实施例三
在本实施例三中,如图2所示,一种红树林冠层可见光图像指数特征分析***,包括:图像收集模块、潮高计算模块、图像分割模块和指数计算模块;图像收集模块与潮高计算模块连接,用于获取红树林冠层可见光图像数据集、气象数据和潮汐数据;潮高计算模块还与图像分割模块连接,用于基于可见光图像数据集和潮汐数据相结合,分析得到红树林遭海水侵淹的临界潮高;图像分割模块还与指数计算模块连接,用于筛选出低于临界潮高的可见光图像,对可见光图像进行图像分割,获取可见光图像中绿色植被区域图像,还用于对绿色植被区域图像进行NLM算法优化,减少叶片边缘错误分割;指数计算模块用于基于绿色植被区域图像,进行可见光图像指数计算以及植被变化趋势模拟,得到可见光图像指数特征和植被变化趋势。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (4)
1.一种红树林冠层可见光图像指数特征分析方法,其特征在于,包括以下步骤:
S1.获取红树林冠层可见光图像数据集和潮汐数据;
S2.基于所述可见光图像数据集和所述潮汐数据,得到红树林遭海水侵淹的临界潮高;
S3.筛选出低于所述临界潮高的可见光图像,对所述可见光图像进行图像分割,获取所述可见光图像中绿色植被区域图像;
S4.基于所述绿色植被区域图像,进行可见光图像指数计算以及植被变化趋势模拟,得到可见光图像指数特征和植被变化趋势;
所述临界潮高的分析方法为:
基于所述可见光图像数据集,通过比对图像底部滩涂上受海水侵淹状况,找出有少量积水或滩涂完全露出的图像并确定拍摄时间;
基于所述拍摄时间在潮汐表中确定海水侵淹红树林的临界潮高;
所述图像分割的方法为:
利用机器学习分割算法,首先采用非监督聚类生成训练样本并对所述训练样本进行筛选,然后采用支持向量机对植被和背景信息分类,得到所述绿色植被区域图像;
所述可见光图像指数特征的计算方法为:
提取所述绿色植被区域每个像素的R、G、B颜色通道值后对该区域内的所有像素进行平均,然后计算红树林可见光植被指数;
利用复合正弦函数来模拟植被长势随时间的变化趋势,得到植被变化趋势,计算公式如下:
VI=a+bsin[2π(tday-c)/365]
其中,a、b、c均为经验系数,tday为日序。
2.根据权利要求1所述一种红树林冠层可见光图像指数特征分析方法,其特征在于,所述绿色植被区域图像采用NLM算法进行优化。
3.一种红树林冠层可见光图像指数特征分析***,其特征在于,包括:图像收集模块、潮高计算模块、图像分割模块和指数计算模块;
所述图像收集模块与所述潮高计算模块连接,用于获取红树林冠层可见光图像数据集、气象数据和潮汐数据;
所述潮高计算模块还与所述图像分割模块连接,用于基于所述可见光图像数据集和所述潮汐数据相结合,分析得到红树林遭海水侵淹的临界潮高;
所述图像分割模块还与所述指数计算模块连接,用于筛选出低于所述临界潮高的可见光图像,对所述可见光图像进行图像分割,获取所述可见光图像中绿色植被区域图像;
所述指数计算模块用于基于所述绿色植被区域图像,进行可见光图像指数计算以及植被变化趋势模拟,得到可见光图像指数特征和植被变化趋势;
所述临界潮高的分析方法为:
基于所述可见光图像数据集,通过比对图像底部滩涂上受海水侵淹状况,找出有少量积水或滩涂完全露出的图像并确定拍摄时间;
基于所述拍摄时间在潮汐表中确定海水侵淹红树林的临界潮高;
所述图像分割的方法为:
利用机器学习分割算法,首先采用非监督聚类生成训练样本并对所述训练样本进行筛选,然后采用支持向量机对植被和背景信息分类,得到所述绿色植被区域图像;
所述可见光图像指数特征的计算方法为:
提取所述绿色植被区域每个像素的R、G、B颜色通道值后对该区域内的所有像素进行平均,然后计算红树林可见光植被指数;
利用复合正弦函数来模拟植被长势随时间的变化趋势,得到植被变化趋势,计算公式如下:
VI=a+bsin[2π(tday-c)/365]
其中,a、b、c均为经验系数,tday为日序。
4.根据权利要求3所述一种红树林冠层可见光图像指数特征分析***,其特征在于,所述图像分割模块还用于对所述绿色植被区域图像进行NLM算法优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678055.2A CN115063437B (zh) | 2022-06-16 | 2022-06-16 | 一种红树林冠层可见光图像指数特征分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678055.2A CN115063437B (zh) | 2022-06-16 | 2022-06-16 | 一种红树林冠层可见光图像指数特征分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063437A CN115063437A (zh) | 2022-09-16 |
CN115063437B true CN115063437B (zh) | 2023-04-28 |
Family
ID=83201075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210678055.2A Active CN115063437B (zh) | 2022-06-16 | 2022-06-16 | 一种红树林冠层可见光图像指数特征分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063437B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229263A (zh) * | 2023-02-24 | 2023-06-06 | 广西壮族自治区气象科学研究所 | 一种基于地基可见光图像的植被长势灾损验证方法 |
CN117607070A (zh) * | 2023-11-22 | 2024-02-27 | 广州双木林业有限公司 | 一种基于无人机的红树林检测方法、***、设备及介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019037198A (ja) * | 2017-08-28 | 2019-03-14 | 東京電力ホールディングス株式会社 | 植生被度判定方法および植生被度判定装置 |
CN109034026B (zh) * | 2018-07-16 | 2021-06-25 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像中水陆区域的红树林提取方法及*** |
CN109884664B (zh) * | 2019-01-14 | 2022-12-02 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及*** |
CN111275254B (zh) * | 2020-01-17 | 2022-08-05 | 河海大学 | 基于潮间带面积变化模型预测未来潮间带面积发展趋势的方法 |
AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
CN112861837B (zh) * | 2020-12-30 | 2022-09-06 | 北京大学深圳研究生院 | 一种基于无人机的红树林生态信息智慧提取方法 |
CN112765556B (zh) * | 2020-12-30 | 2022-05-24 | 中国空间技术研究院 | 一种基于密集时间遥感数据的新生红树林树龄评估方法 |
CN112881294B (zh) * | 2021-01-13 | 2023-01-24 | 北京大学深圳研究生院 | 一种基于无人机的红树林林分健康度评价方法 |
CN113536937A (zh) * | 2021-06-17 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于遥感技术的红树林生态定量反演方法 |
CN114266958A (zh) * | 2021-11-16 | 2022-04-01 | 中林信达(北京)科技信息有限责任公司 | 一种基于云平台的红树林遥感快速精准提取方法 |
-
2022
- 2022-06-16 CN CN202210678055.2A patent/CN115063437B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115063437A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115063437B (zh) | 一种红树林冠层可见光图像指数特征分析方法及*** | |
Liu et al. | Satellite-based monitoring and statistics for raft and cage aquaculture in China’s offshore waters | |
Sun et al. | Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery | |
Hou et al. | Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm | |
Dronova et al. | Object-based analysis and change detection of major wetland cover types and their classification uncertainty during the low water period at Poyang Lake, China | |
Lyons et al. | Long term land cover and seagrass mapping using Landsat and object-based image analysis from 1972 to 2010 in the coastal environment of South East Queensland, Australia | |
Zhao et al. | Mapping large-area tidal flats without the dependence on tidal elevations: A case study of Southern China | |
Zhao et al. | Remote sensing of aquatic vegetation distribution in Taihu Lake using an improved classification tree with modified thresholds | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** | |
CN111310681B (zh) | 一种融入地学知识的红树林分布遥感提取方法 | |
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 | |
Xiong et al. | Comparison of artificial neural network and support vector machine methods for urban land use/cover classifications from remote sensing images a case study of Guangzhou, South China | |
Luo et al. | VHR GeoEye-1 imagery reveals an ancient water landscape at the Longcheng site, northern Chaohu Lake Basin (China) | |
CN112418506A (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
Gonzalez et al. | Vegetation patterns in a South American coastal wetland using high-resolution imagery | |
Colkesen et al. | Automated mucilage extraction index (AMEI): a novel spectral water index for identifying marine mucilage formations from Sentinel-2 imagery | |
Zhou et al. | Developing seagrass index for long term monitoring of Zostera japonica seagrass bed: A case study in Yellow River Delta, China | |
Yackel et al. | A spectral mixture analysis approach to quantify Arctic first-year sea ice melt pond fraction using QuickBird and MODIS reflectance data | |
Ghofrani et al. | Evaluating coverage changes in national parks using a hybrid change detection algorithm and remote sensing | |
Solaimani et al. | Land use/cover change detection based on remote sensing data (A case study; Neka Basin) | |
Sun et al. | Mapping China’s coastal aquaculture ponds expansion with sentinel-2 images during 2017–2021 | |
Chen et al. | Mangrove Growth Monitoring Based on Camera Visible Images—A Case Study on Typical Mangroves in Guangxi | |
Laine | Crop identification with Sentinel-2 satellite imagery in Finland | |
CN114550005A (zh) | 一种自然保护区内建筑物识别方法及*** | |
Trinh et al. | Sentinel-2 mapping of a turbid intertidal seagrass meadow in Southern Vietnam |
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 |