CN116912689A - 基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法 - Google Patents
基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法 Download PDFInfo
- Publication number
- CN116912689A CN116912689A CN202310887870.4A CN202310887870A CN116912689A CN 116912689 A CN116912689 A CN 116912689A CN 202310887870 A CN202310887870 A CN 202310887870A CN 116912689 A CN116912689 A CN 116912689A
- Authority
- CN
- China
- Prior art keywords
- water body
- flooding
- water
- radar data
- wetland
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 105
- 230000007774 longterm Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 18
- 238000004891 communication Methods 0.000 abstract description 9
- 238000001914 filtration Methods 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法,属于水文遥感技术领域。通过中值滤波去除Sentinel‑1雷达数据影像中影响分类的噪点;计算每景Sentinel‑1雷达数据影像频率分布直方图,使类间方差最大,得到水体、非水体分类阈值,对影像进行分类;基于步骤2提取的水体数据,通过累加方法得到一定时间范围内水体淹没概率,选择其中大于95%作为长期河道水体判断每景水体斑块数据是否与长期河道水体连通,不连通则去除;得到洪泛湿地一定时间范围内与长期河道水体连通时间,即洪泛湿地水文连通度。其计算量小,处理效率高,实时性强,不受天气影响,动态的洪泛湿地水文连通度。
Description
技术领域
本发明涉及一种基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法,尤其适用于遥感雷达数据的洪泛湿地结构水文连通性的提取,属于水文遥感技术领域。
背景技术
水文连通性是指水体在河流、湖泊以及洪泛湿地之间的流通和交换的能力,是维持湿地生态***服务和功能的关键性指标之一。水文连通性影响湿地的淹没范围、淹水深度以及洲滩出露时间,进而塑造湿地植物分布格局及其时间动态。水文连通性的概念因研究对象和目标的差异,其定义和度量方法有所不同。不同观测技术和方法在量化水文结构连通性和功能连通性中的应用,为后续研究提供了重要支撑。水文连通性度量方法大致有图论方法、物理或化学等参数的运移、基于水动力模型和实地调查的地统计分析和基于遥感产品提取的连通性指标等。基于图论方法的结构连通性往往指示了一种静态的水文连通性,而后两种水文水动力要素的空间分布及其与气象等环境要素的耦合关系,但有效的野外观测和调查数据成本高昂。
现有的水文连通度的度量数据源主要有:站点实测数据,以及相对静态的土地利用、地形数据和遥感数据。站点数据源的水文连通性难以实现水文联通的空间量化。基于相对固定的DEM、土地利用数据计算,得到了一个相对静态结果。而洪泛湿地中,水文特征快速变化,短期内水位快速涨落,年际差异大,静态的水文连通度无法反应这种快速的变化。基于遥感数据提取水体,具有实时性强、成本低、效率高等优点。但是常用的光学影像虽然具有丰富的光谱信息,容易受夜间、云、雨等天气因素的影响,导致数据源不稳定。
发明内容
针对现有技术的不足之处,提供一种基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法,先判定长期河道位置,并计算洪泛湿地范围内不同像元与长期河道连通时长作为量化水文连通性指标;在不依赖成本较高的水文要素及气象要素监测数据的情况下,实现洪泛湿地结构水文连通度的提取;不受天气影响,动态的洪泛湿地水文连通度;其计算量小,处理效率高,实时性强。
为达到上述目的,本发明基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法,其特征在于步骤如下:
步骤1、收集洪泛湿地区域的Sentinel-1雷达数据影像,对Sentinel-1雷达数据影像进行预处理,去除Sentinel-1雷达数据影像中影响分类的噪声点;
步骤2、根据每景Sentinel-1雷达数据影像的灰度特性,将Sentinel-1雷达数据影像分成背景和前景两部分,计算每景Sentinel-1雷达数据影像的灰度频率直方图,依据使类间方差最大化原则,得到水体、非水体分类的最优阈值K,利用最优阈值K对Sentinel-1雷达数据影像进行逐个像元分类,得到分类后的水体/非水体数据;将水体赋值为1,非水体赋值为0;
步骤3、将水体/非水体数据进行空间叠加分析得到预设时间段内水体淹没概率,将水体淹没概率小于95%的像元组成的区域删除,将水体淹没概率大于95%的像元组成的区域标注为长期河道水体,简称长期河道;
步骤4、为去除洪泛湿地中短期淹没的水体,将水体/非水体数据转为矢量数据,判断矢量数据影像内每个矢量水体是否与步骤3判断为长期河道水体的区域相交,如部分相交则判断为与长期河道连通水体;不相交则为阻隔水体并移除;得到与长期河道连通的水体空间分布数据,通过空间叠加计算后,最终得到预设时间范围内与长期河道连通水体时长,作为量化洪泛湿地水文结构连通性的指标。
进一步,通过待计算像素及其周围3x3邻域内像素点的像素值进行排序,然后将位于中间位置的像素值作为当前像素点的像素值,让周围的像素值接近真实值从而消除孤立的噪声点。
进一步,获取水体数据时,当背景和前景之间的类间方差越大,则构成图像的两部分的差别越大,使类间方差最大的分割意味着错分概率最小;
类间方差最大的阈值最优选择公式为:
其中,k*是区分水体和非水体的最佳阈值,ω0(k)和ω1(k)是被阈值k分为水体和非水体的概率,μ0(k)和μ1(k)是水体和非水体在阈值处的平均值,δ2是总方差。
有益效果:本发明的目的是基于高时空分辨率遥感雷达数据,融合地学空间分析方法,提出一种洪泛湿地水文结构连通性时空动态监测的方法。洪泛湿地淹没范围具有高度动态性,受制于数据和方法的限制难以于精细尺度上进行时空动态变化监测。本发明突破了常规数据频率低、覆盖范围窄的局限性,实现洪泛湿地复杂水文特征的时间和空间量化。
本发明的优点:1)本发明基于免费开源数据计算,提高了方法可应用范围,避免了传统实地监测调查的人力和经济成本;2)基于雷达数据提取的水文连通度指数可以得到高时空分辨率的水文连通度数据,有效反应洪泛湿地中水文的高度动态特性。
附图说明
图1为本发明基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法的流程示意图;
图2为本发明的实施例中利用中值滤波处理雷达数据影像的噪声示意图;
图3为本发明实施例中Sentinel-1雷达数据影像极化数据频率分布直方图;
图4为本发明实施中Sentinel-1雷达数据分类示意图,图中A.Sentinel-1雷达数据影像极化数据B.水体、非水体分类结果;
图5为本发明实施中长期河道水体示意图;
图6为本发明实施中判断水体与长期河道是否连通概念图;
图7为本发明实施中水文连通性提取示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明的基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法,其步骤如下:
步骤1:去除Sentinel-1雷达数据影像的噪声
Sentinel-1雷达数据影像通常具有斑点噪声,会降低影像质量,影响分类精度。水体中有细小的噪声,在分类过程中被误分为陆地。采用中值滤波处理,通过待计算像素及其周围3x3邻域内像素点的像素值进行排序,然后将位于中间位置的像素值作为当前像素点的像素值,让周围的像素值接近真实值从而消除孤立的噪声点。如图,待计算像素为噪点,值为2。将待计算像素点周围3x3邻域内像素点按从小到大排列为{2,16,25,27,28,36,44,45,80},中位数为28,将28赋值给待计算像素,具体见图2所示。
步骤2:将影像分为水体、非水体
根据影像的灰度特性,将影像分成背景和前景两部分。方差可以度量灰度分布均匀性,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小,具体见图3所示。
通过Sentinel-1雷达数据灰度直方图自动选择水体和非水体之间的阈值,根据图像直方图计算出某一阈值处的类间方差,并自动选择最优的阈值,使类间方差最大。公式如下:
其中,k*是区分水体和非水体的最佳阈值,ω0(k)和ω1(k)是被阈值k分为水体和非水体的概率,μ0(k)和μ1(k)是水体和非水体在阈值处的平均值,δ2是总方差,具体见图4所示。
步骤3:提取长期河道水体
洪泛湿地不同季节水位涨落明显,以一定时间范围内与长期河道水体连通时间作为量化水文连通性的指标。通过步骤2,得到一定时间范围内洪泛湿地6天/景水体分布数据,将水体赋值为1,非水体赋值为0。将1年内分类结果进行累加计算并除以总时间,得到洪泛湿地淹没概率。其中淹没概率大于95%区域为长期河道水体,具体见图5所示。
步骤4:空间连通性分析
将步骤2得到的一定时间范围内水体分布栅格数据转为矢量数据局,判断影像内每个矢量水体是否与步骤3得到的长期淹没水体相交,如相交则判断为与长期河道连通水体。不相交则为阻隔水体并移除,具体见图6所示。
Sentinel-1时间分辨率为6天,研究认为一景水体连通分布图代表6天变化,将得到的一定时间范围内与长期河道连通水体数据结果累加,进行空间叠加计算后,得到了与长期河道水体连通时长,作为量化洪泛湿地水文结构连通性的指标,具体见图7所示。
Claims (3)
1.一种基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法,其特征在于步骤如下:
步骤1、收集洪泛湿地区域的Sentinel-1雷达数据影像,对Sentinel-1雷达数据影像进行预处理,去除Sentinel-1雷达数据影像中影响分类的噪声点;
步骤2、根据每景Sentinel-1雷达数据影像的灰度特性,将Sentinel-1雷达数据影像分成背景和前景两部分,计算每景Sentinel-1雷达数据影像的灰度频率直方图,依据使类间方差最大化原则,得到水体、非水体分类的最优阈值K,利用最优阈值K对Sentinel-1雷达数据影像进行逐个像元分类,得到分类后的水体/非水体数据;将水体赋值为1,非水体赋值为0;
步骤3、将水体/非水体数据进行空间叠加分析得到预设时间段内水体淹没概率,将水体淹没概率小于95%的像元组成的区域删除,将水体淹没概率大于95%的像元组成的区域标注为长期河道水体,即长期河道;
步骤4、为去除洪泛湿地中短期淹没的水体,将水体/非水体数据转为矢量数据,判断矢量数据影像内每个矢量水体是否与步骤3判断为长期河道水体的区域相交,如部分相交则判断为与长期河道连通水体;不相交则为阻隔水体并移除;得到与长期河道连通的水体空间分布数据,通过空间叠加计算后,最终得到预设时间范围内与长期河道连通水体时长,作为量化洪泛湿地水文结构连通性的指标。
2.根据权利要求1所述的基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法,其特征在于:通过待计算像素及其周围3x3邻域内像素点的像素值进行排序,然后将位于中间位置的像素值作为当前像素点的像素值,让周围的像素值接近真实值从而消除孤立的噪声点。
3.根据权利要求1所述的基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法,其特征在于:获取水体数据时,当背景和前景之间的类间方差越大,则构成图像的两部分的差别越大,使类间方差最大的分割意味着错分概率最小;
类间方差最大的阈值最优选择公式为:
其中,k*是区分水体和非水体的最佳阈值,ω0(k)和ω1(k)是被阈值k分为水体和非水体的概率,μ0(k)和μ1(k)是水体和非水体在阈值处的平均值,δ2是总方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310887870.4A CN116912689A (zh) | 2023-07-19 | 2023-07-19 | 基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310887870.4A CN116912689A (zh) | 2023-07-19 | 2023-07-19 | 基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912689A true CN116912689A (zh) | 2023-10-20 |
Family
ID=88364332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310887870.4A Pending CN116912689A (zh) | 2023-07-19 | 2023-07-19 | 基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912689A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295890A (zh) * | 2016-08-12 | 2017-01-04 | 中国水利水电科学研究院 | 基于复杂网络理论评价河流网络的连通性的方法 |
KR20200063682A (ko) * | 2018-11-28 | 2020-06-05 | 홍익대학교 산학협력단 | 인공위성 영상을 이용한 하천의 유량추정방법 및 장치 |
CN112508415A (zh) * | 2020-12-10 | 2021-03-16 | 中国科学院东北地理与农业生态研究所 | 湿地水文连通程度综合评价指标体系的构建方法 |
CN112700431A (zh) * | 2021-01-11 | 2021-04-23 | 武汉大学 | 基于遥感影像的洪水覆盖面的提取方法 |
WO2022121112A1 (zh) * | 2020-12-10 | 2022-06-16 | 长安大学 | 一种应用于城市的洪涝在线监测报警*** |
CN116304161A (zh) * | 2023-03-01 | 2023-06-23 | 长江水利委员会长江科学院 | 一种自然连通河流-湖泊的水文连通度计算方法、***及介质 |
CN116341928A (zh) * | 2023-03-23 | 2023-06-27 | 西安理工大学 | 水系连通多维评价及生态响应评估方法 |
-
2023
- 2023-07-19 CN CN202310887870.4A patent/CN116912689A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295890A (zh) * | 2016-08-12 | 2017-01-04 | 中国水利水电科学研究院 | 基于复杂网络理论评价河流网络的连通性的方法 |
KR20200063682A (ko) * | 2018-11-28 | 2020-06-05 | 홍익대학교 산학협력단 | 인공위성 영상을 이용한 하천의 유량추정방법 및 장치 |
CN112508415A (zh) * | 2020-12-10 | 2021-03-16 | 中国科学院东北地理与农业生态研究所 | 湿地水文连通程度综合评价指标体系的构建方法 |
WO2022121112A1 (zh) * | 2020-12-10 | 2022-06-16 | 长安大学 | 一种应用于城市的洪涝在线监测报警*** |
CN112700431A (zh) * | 2021-01-11 | 2021-04-23 | 武汉大学 | 基于遥感影像的洪水覆盖面的提取方法 |
CN116304161A (zh) * | 2023-03-01 | 2023-06-23 | 长江水利委员会长江科学院 | 一种自然连通河流-湖泊的水文连通度计算方法、***及介质 |
CN116341928A (zh) * | 2023-03-23 | 2023-06-27 | 西安理工大学 | 水系连通多维评价及生态响应评估方法 |
Non-Patent Citations (3)
Title |
---|
JIAKUN TENG 等: "Suitable Habitat Dynamics of Wintering Geese in a Large Floodplain Wetland: Insights from Flood Duration", 《REMOTE SENSING》, vol. 2022, pages 2 * |
刘烨凌 等: "1970−2015 年黄河三角洲高效生态经济区河湖沼水系水文连通时空演变", 《北京师范大学学报(自然科学版)》, vol. 57, no. 1, pages 2 - 11 * |
闫欣 等,: "白洋淀流域湿地连通性研究", 《生态学报》, vol. 39, no. 24 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ao et al. | Detection and discrimination of ship targets in complex background from spaceborne ALOS-2 SAR images | |
Li et al. | An improved superpixel-level CFAR detection method for ship targets in high-resolution SAR images | |
CN109001780B (zh) | 一种自适应的sar卫星海面舰船目标在轨检测方法 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN113567981B (zh) | 一种基于sar影像的洪涝风险区自动提取方法 | |
CN107230214B (zh) | 基于递归otsu算法的sar图像水域自动检测方法 | |
Wan et al. | Automatic extraction of flood inundation areas from SAR images: A case study of Jilin, China during the 2017 flood disaster | |
CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
Soloy et al. | A fully automated method for monitoring the intertidal topography using Video Monitoring Systems | |
CN116758049A (zh) | 一种基于主被动卫星遥感的城市洪涝立体监测方法 | |
Li et al. | Dynamic waterline mapping of inland great lakes using time-series SAR data from GF-3 and S-1A satellites: A case study of DJK reservoir, China | |
CN114519824A (zh) | 一种sar图像洪涝淹没区域的快速检测方法 | |
Jyh-Horng et al. | Automated image identification method for flood disaster monitoring in riverine environments: A case study in Taiwan | |
Buck et al. | Enhanced ship detection from overhead imagery | |
CN116912689A (zh) | 基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法 | |
CN108447045B (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 | |
Xie et al. | Water-body types classification using Radarsat-2 fully polarimetric SAR data | |
CN111929680B (zh) | 一种基于sar图像的洪水淹没程度快速评价方法 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和*** | |
Gong et al. | Applicability of the Surface Water Extraction Methods Based on China's GF-2 HD Satellite in Ussuri River, Tonghe County of Northeast China. | |
Millard et al. | Automated surface water detection from space: a Canada-wide, open-source, automated, near-real time solution | |
CN110211124B (zh) | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 | |
Ji et al. | An land masking algorithm for ship detection in SAR images | |
CN110472472A (zh) | 基于sar遥感图像的机场检测方法与装置 | |
CN114627148B (zh) | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
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 |