CN102314677A - 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法 - Google Patents
一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法 Download PDFInfo
- Publication number
- CN102314677A CN102314677A CN2010102189274A CN201010218927A CN102314677A CN 102314677 A CN102314677 A CN 102314677A CN 2010102189274 A CN2010102189274 A CN 2010102189274A CN 201010218927 A CN201010218927 A CN 201010218927A CN 102314677 A CN102314677 A CN 102314677A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- resolution
- parameter
- spatial resolution
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种高时间分辨率与高空间分辨率遥感数据定量融合的方法。其特征在于利用高时间分辨率数据建立地表参数时间演变的函数曲线,利用高空间分辨率数据约束参数的空间分布特征,从而获得高时间分辨率和高空间分辨率的地表参数;其优点在于:高时间分辨率的数据不要求数据的完整性,在融合前不需要预先插值消除噪音处理;随着高时间分辨率数据的增多,时间演变函数会逐渐优化逼近,但在数据稀少时也可较好描述参数的时间演变关系从而实现数据融合;两类数据在融合时并不需要精确的空间位置匹配;两类数据在一类数据缺失时可使用历史背景数据替换。本发明可以用于作物生长监测等应用,也可用于多种类型数据融合填补数据获取的缺失(如云遮盖导致的数据不全)。
Description
技术领域
本发明属于遥感数字图像处理及定量数据融合领域。本发明是实现一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法,特别是一种利用高时间分辨率数据建立地表参数时间演变的函数曲线,利用高空间分辨率数据约束参数的空间分布特征,从而获得高时间分辨率和高空间分辨率的地表参数的方法。本发明可用于作物生长监测等领域,也可用于多种类型数据融合填补历史数据的缺失。
背景技术
现代遥感技术的发展,使人类能够从不同遥感平台获得特性不同的遥感数据。但由于传感器设计、数据传输及成本等方面的限制,单一传感器遥感数据只能在空间分辨率和时间分辨率等方面有所侧重,针对应用目的强化某一方面的功能。例如,高空间分辨率的数据可获取更多空间分布的变异信息而高时间分辨率数据可更好的捕捉地表的变化状况。对这些多源遥感数据进行融合处理,将它们所含的信息互补地有机结合起来,以提高数据时空分辨率,更好地消除云等对遥感应用的干扰,快速检测季节间的植被扰动,已成为遥感数据处理的迫切需求。
目前,基于视觉效果的遥感图像融合已经得到大量研究和应用,将不同光谱、时间和空间分辨率数据的优点或互补性有机地结合起来产生新的数据,从而尽可能多的提取包含在遥感数据中的各种信息,克服遥感数据信息提取中单一信息源不足的问题,达到1+1>2的目的。当前遥感数据的融合多集中在以视觉效果为目的的图像融合上,其应用目的包括锐化图像、改善几何定位精度、提供立体视像、增强单个数据中不可见的特征、作为分类的辅助数据、替代缺失数据等。基于视觉效果的数据融合方法不能用于定量遥感参数的融合,无法用于植被扰动等定量分析要求。
在利用高时间分辨率数据与高空间分辨率数据进行定量融合方面,目前也已经有部分成果。主要包括两大类:一类利用像元分解的方法,利用高分辨率像元与低分辨率像元的比例关系从低分辨率像元推算得到高分辨参数的分布。如高(Gao)等(2006)利用像元统计方法融合陆地卫星(Landsat TM)和中分辨率卫星(MODIS)数据获得高时空分辨率的地表反射率数据,此方法假设像元的组成比例是不变的。米拉(Zurita-Milla)等(2009)及布塞托(Busetto)等(2008)用多光谱波段的像元分解方法,从高分辨率数据中得到纯像元,然后对地空间分辨率进行像元分解,从中得到高空间分辨率的像元信息。另一类是利用参数的比例变化假设关系,假设低空间分辨率像元内部各分量参数的变化比例是相同的,从而可以利用高分辨率数据的比例关系从低分辨率数据估算得到高分辨率的参数分布。如罗伊(Roy)等(2008)利用中分辨率卫星(MODIS)的二向性函数(BRDF)参数通过这种比例关系与陆地卫星(Landsat TM)数据融合,得到时间分辨率更高的数据。
上述定量遥感参数融合的不足之处可归纳为:(1)基于像元分解的组成比例在一定时间范围内不变的假设很难成立,因为不同类型的地物随着时间演变的曲线是不同的;(2)低空间分辨率数据与高空间分辨率数据比例相同的假设也一样没考虑像元内部变化的不一致性;(3)把低空间分辨率高时间分辨率的数据都假设为质量完整的数据,很少有实际数据满足这种情况,很难用于运行系统中。
参考文献
[1].David P.Roy,Junchang Ju,Philip Lewis,Crystal Schaaf,Feng Gao,Matt Hansen,Erik Lindquist(2008),Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization,gap filling,andprediction of Landsat data,Remote Sensing of Environment,112:3112-3130.
[2].R.Zurita-Milla,G.Kaiser,J.G.P.W.Clevers,W.Schneider,M.E.Schaepman(2009),Downscaling time seriesof MERIS full resolution data to monitor vegetation seasonal dynamics,Remote Sensing of Envrionment,doi:10.1016/j.rse.2009.04.011.
[3].Feng Gao,Jeff Masek,Matt Schwaller,and Forrest Hall(2006),On the Blending of the Landsat and MODISSurface Reflectance:Predicting Daily Landsat Surface Reflectance,IEEE Transactions on Geoscience andRemote Sensing,44(8):2207-2218.
[4].Lorenzo Busetto,Michele Meroni,Roberto Colombo(2008),Combining medium and coarse spatialresolution satellite data to improve the estimation of sub-pixel NDVI time series,Remote Sensing ofEnvironment,112:118-131.
发明内容
本发明针对现有技术中存在的缺陷,提供一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法,特别是一种利用历史背景的高空间分辨率数据建立以类型为特征的参数时间演变曲线,将当年积累的高时间分辨率数据与历史类型变化的参数时间演变函数拟合,获得参数当年时间演变曲线;利用高空间分辨率数据约束参数的空间分布特征,从而获得高时间分辨率和高空间分辨率的地表参数的方法。本方法以分类建立背景参数时间演变曲线,无需背景参数完整,并能根据当年数据的不断积累动态修正时间演变曲线,用于约束高空间分辨率数据的时间演化预测,是一种快速、简单、普适的将高时间分辨率和高空间分辨率数据融合获得高时空分辨率参数的方法。
本发明的技术方案如下:
一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法,其特征在于包含如下步骤:(1)历史背景高时间分辨率数据处理生成尽可能无云无噪声的、表现像元参数的背景参数集;(2)高时间分辨率背景数据的聚类;(3)建立每类型参数的年度时间演化背景序列曲线函数;(4)根据当年积累数据动态调整每类时间演化序列曲线函数;(5)高空间数据预处理成一致空间坐标的反射率数据;(6)从高时间分辨率数据类型中找到与高空间分辨率数据像元最佳匹配的类型;(7)由匹配类型的时间演变曲线推测像元的任意时间的值,从而得到高时空分辨率的参数。
所述高时间分辨率背景数据生成处理的方法:将历史不同年份相同时间同一位置的所有非雪晴空参数和反射率数据的平均值作为该时间的背景值,如果所有值为云则标志为云,所有值为雪则标志为雪;
所述高时间分辨率数据聚类的方法:将年度时间与高空间分辨率数据时间相接近的高时间分辨率反射率数据,采用基于质心的聚类方法,将与高空间覆盖范围内的高时间分辨率数据聚合成15-20类;
所述建立类型年度时间演化背景序列曲线函数的方法:将每个时间内的高时间分辨率相同类型的所有参数值平均,得到该时间点的类型背景参数值,将一定时间范围的值带入下列方程模拟得到a,b,c,d系数:
其中,y(t)表示时间点某类的平均值,t表示时间,c表示参数在该时间段的最小值,d表示参数在该时间段内的最大值,a,b为曲线调节系数;
所述调整当年时间序列演化曲线的方法:根据方程(1),固定该类型的c和d,调整a和b,使y(t)与当年积累的时间序列参数的方差最小;
所述高空间分辨率数据预处理的方法:将高空间分辨率数据转换为与高时间分辨率数据规格一致的数据,包括通过坐标变换转换为一致的投影坐标、将图像计数值或辐射值转换为地表反射率和融合参数、标识、噪音和晴空像元状态信息;
所述高空间数据类型最佳匹配的途径:将高空间分辨率的每个像元与聚类得到的每类地物的光谱空间进行比较,距离误差最小的即标识为该类地物;
所述由高分辨率曲线推测像元参数的途径:得到当年序列曲线确定a、b、c和d后,根据方程(1),计算得高空间分辨率数据时间t0的值y(t0)以及需要时间t的值y(t),高空间分辨率数据的参数测量值为y’(t0),则推测的时间t的像元值由y’(t)=y’(t0)×y(t)/y(t0)计算获得。
本发明的技术效果如下:
本发明利用聚类从高时间分辨率数据的背景数据中得到每种地物类型的背景参数时间演变曲线,再根据当年积累的高时间分辨率的数据校正地类的参数时间演变曲线得到当年的参数时间演变曲线,然后通过地物类型的平均反射率光谱与高空间分辨率数据像元匹配,得到高空间分辨率数据的每个像元的最佳匹配地物类型,然后利用该类型当年的参数演变曲线,计算高空间分辨率数据获取时间的预测值、所求时间的预测值,由高空间数据参数的测量值估算得到所求时间高空间分辨率的参数值。
本发明包括高时间分辨率背景数据处理、高时间分辨率背景数据的聚类、每类型参数的年度时间演化背景序列曲线函数建立、当年时间演化序列曲线函数动态调整、高空间分辨率数据的预处理、高空间分辨率数据类型匹配、高空间分辨率像元任意时刻参数推算七部分。高时间分辨率背景数据处理将历史背景高时间分辨率数据处理生成尽可能无云无噪声的、表现像元参数的背景参数集;高时间分辨率背景数据的聚类将高时间分辨率聚类为15-20个类型;每类型参数的年度时间演化背景序列曲线函数建立构造时间演变的背景函数;当年时间演化序列曲线函数动态调整根据当年积累数据动态调整每类时间演化序列曲线函数;高空间分辨率数据的预处理将高空间数据预处理成一致空间坐标的反射率数据;高空间分辨率数据类型匹配从高时间分辨率数据类型中找到与高空间分辨率数据像元最佳匹配的类型;高空间分辨率像元任意时刻参数估算由匹配类型的时间演变曲线推测像元的任意时间的值,从而得到高时空分辨率的参数。
本发明与现在技术相比有如下特点:
(1)由于采用了背景参数的聚类,参与融合的两类数据都不要求具有完整性,在融合前不需要预先插值消除噪音处理;
(2)由于采用了当年累积数据的动态调整,随着高时间分辨率数据的增多,时间演变函数会逐渐优化逼近,但在数据稀少时也可较好描述参数的时间演变关系从而实现数据融合;
(3)由于时间演变曲线是类型匹配而非像元匹配,两类数据在融合时并不需要精确的空间位置配准;
(4)由于曲线模型的参数只有四个,两类数据在一类数据缺失时可使用历史背景数据替换或直接从模型推算。
附图说明
图1本发明基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明实现的基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的流程图如图1所示。图1包括高时间分辨率背景数据处理单元2、背景数据聚类单元4、时间演化背景曲线建立单元6、时间演化曲线函数动态调整单元8、高空间分辨率数据预处理单元10、高空间分辨率数据地类匹配单元12、高空间分辨率像元任意时刻参数推算单元14。
单元2将历史不同年份相同时间同一位置的所有非雪晴空参数和反射率数据的平均值作为该时间的背景值,如果所有值为云则标志为云,所有值为雪则标志为雪。然后进入单元4。
单元4将年度时间与高空间分辨率数据时间相接近的高时间分辨率反射率数据,采用基于质心的聚类方法,将与高空间覆盖范围内的高时间分辨率数据聚合成15-20类。然后进入单元6。
单元6将每个时间内的高时间分辨率相同类型的所有参数值平均,得到该时间点的类型背景参数值,将这些参数值带入时间序列函数,得到函数系数。然后进入单元8。
单元8根据当年累积的高时间分辨率数据,动态调整时间序列演化函数系数,使函数模拟值与当年积累的时间序列参数的方差最小。然后进入单元14。
单元10将高空间数据转换为与高时间分辨率数据规格一致的数据,包括通过坐标变换转换为一致的投影坐标、将图像计数值或辐射值转换为地表反射率和融合参数、标识云、噪音和晴空像元状态信息。然后进入单元12。
单元12将高空间分辨率的每个像元与聚类得到的每类此物的光谱空间进行比较,距离误差最小的即标识为该类地物。然后进入单元12。
单元14根据时间序列演变函数,计算得高空间分辨率数据任一时间的参数值。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,尽管本说明书参照附图和实施方式对本发明已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明的精神和技术实质的技术方案及其改进,其均应涵盖在本发明专利的保护范围当中。
Claims (5)
1.一种实现高时间分辨率与高空间分辨率遥感数据定量融合的方法,其特征在于利用高时间分辨率数据建立地表参数时间演变的函数曲线,利用高空间分辨率数据约束参数的空间分布特征,从而获得高时间分辨率和高空间分辨率的地表参数;高时间分辨率的数据不要求数据的完整性,在融合前不需要预先插值消除噪音处理;随着高时间分辨率数据的增多,时间演变函数会逐渐优化逼近,但在数据稀少时也可较好描述参数的时间演变关系从而实现数据融合;两类数据在融合时并不需要精确的空间位置匹配;两类数据在一类数据缺失时可使用历史背景数据替换,其具体包含如下步骤:(1)高时间分辨率背景数据处理;(2)高时间分辨率背景数据的聚类;(3)每类型参数的年度时间演化背景序列曲线函数建立;(4)当年时间演化序列曲线函数动态调整;(5)高空间分辨率数据的预处理;(6)高空间分辨率数据类型匹配;(7)高空间分辨率像元任意时刻参数推算。
2.根据权利1所述的一种实现高时间分辨率与高空间分辨率遥感数据定量融合的方法,其特征在于:以聚类的方式从高时间分辨率数据中提取参数的时间演变特征关系,从而以高空间分辨率数据实现最佳匹配以获得该像元的时间演化轨迹,从而推测该像元在任意时间的状态;
3.根据权利1所述的一种实现高时间分辨率与高空间分辨率遥感数据定量融合的方法,其特征在于:所述的时间演变关系函数可以用多项式或对数函数表示;
4.根据权利1所述的一种实现高时间分辨率与高空间分辨率遥感数据定量融合的方法,其特征在于:高时间分辨率数据类型与高空间分辨率像元的最佳匹配采用光谱空间距离最小确定。
5.根据权利1所述的一种实现高时间分辨率与高空间分辨率遥感数据定量融合的方法,其特征在于:高分辨率估算数据值等于高分辨率数据参数值/同期高时间分辨率参数值×估算的高时间分辨率参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010218927.4A CN102314677B (zh) | 2010-07-07 | 2010-07-07 | 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010218927.4A CN102314677B (zh) | 2010-07-07 | 2010-07-07 | 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102314677A true CN102314677A (zh) | 2012-01-11 |
CN102314677B CN102314677B (zh) | 2014-03-26 |
Family
ID=45427817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010218927.4A Expired - Fee Related CN102314677B (zh) | 2010-07-07 | 2010-07-07 | 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102314677B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020252A (zh) * | 2012-12-20 | 2013-04-03 | 武汉大学 | 一种基于需求特征关联的遥感影像需求融合方法 |
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN103729835A (zh) * | 2013-12-26 | 2014-04-16 | 河南大学 | 一种基于中高分辨率遥感的植被参数拟合方法 |
CN103902802A (zh) * | 2012-12-29 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种顾及空间信息的植被指数时间序列数据重建方法 |
CN104715467A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
CN105373694A (zh) * | 2015-08-31 | 2016-03-02 | 北京师范大学 | Modis宽波段发射率和glass宽波段发射率的融合计算方法 |
CN106327456A (zh) * | 2016-08-19 | 2017-01-11 | 中国科学院遥感与数字地球研究所 | 遥感图像信息缺失重建方法及装置 |
CN106599548A (zh) * | 2016-11-23 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
CN109596534A (zh) * | 2018-12-19 | 2019-04-09 | 塔里木大学 | 一种校正空间内不同方位的光谱图像的方法及装置 |
CN109685108A (zh) * | 2018-11-23 | 2019-04-26 | 电子科技大学 | 一种生成高时空分辨率ndvi长时间序列的方法 |
CN113160100A (zh) * | 2021-04-02 | 2021-07-23 | 深圳市规划国土房产信息中心(深圳市空间地理信息中心) | 一种基于光谱信息影像的融合方法、融合装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030152292A1 (en) * | 2001-12-17 | 2003-08-14 | Scott Walter S. | System, method, and apparatus for satellite remote sensing |
CN101236106A (zh) * | 2008-01-11 | 2008-08-06 | 北京航空航天大学 | 一种光谱和空间信息结合的高光谱数据分类方法 |
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
-
2010
- 2010-07-07 CN CN201010218927.4A patent/CN102314677B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030152292A1 (en) * | 2001-12-17 | 2003-08-14 | Scott Walter S. | System, method, and apparatus for satellite remote sensing |
CN101236106A (zh) * | 2008-01-11 | 2008-08-06 | 北京航空航天大学 | 一种光谱和空间信息结合的高光谱数据分类方法 |
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
孟京辉等: "基于ETM+遥感图像的图像融合试验及评价方法", 《南京林业大学学报(自然科学版)》, vol. 34, no. 1, 31 January 2010 (2010-01-31), pages 69 - 72 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020252B (zh) * | 2012-12-20 | 2015-09-02 | 武汉大学 | 一种基于需求特征关联的遥感影像需求融合方法 |
CN103020252A (zh) * | 2012-12-20 | 2013-04-03 | 武汉大学 | 一种基于需求特征关联的遥感影像需求融合方法 |
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN103177431B (zh) * | 2012-12-26 | 2015-10-14 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN103902802A (zh) * | 2012-12-29 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种顾及空间信息的植被指数时间序列数据重建方法 |
CN103902802B (zh) * | 2012-12-29 | 2017-06-13 | 中国科学院深圳先进技术研究院 | 一种顾及空间信息的植被指数时间序列数据重建方法 |
CN103729835B (zh) * | 2013-12-26 | 2016-08-17 | 河南大学 | 一种基于中高分辨率遥感的植被参数拟合方法 |
CN103729835A (zh) * | 2013-12-26 | 2014-04-16 | 河南大学 | 一种基于中高分辨率遥感的植被参数拟合方法 |
CN104715467A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
CN104715467B (zh) * | 2015-03-06 | 2017-07-07 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
CN105373694A (zh) * | 2015-08-31 | 2016-03-02 | 北京师范大学 | Modis宽波段发射率和glass宽波段发射率的融合计算方法 |
CN105373694B (zh) * | 2015-08-31 | 2017-12-29 | 北京师范大学 | Modis宽波段发射率和glass宽波段发射率的融合计算方法 |
CN106327456B (zh) * | 2016-08-19 | 2019-09-17 | 中国科学院遥感与数字地球研究所 | 遥感图像信息缺失重建方法及装置 |
CN106327456A (zh) * | 2016-08-19 | 2017-01-11 | 中国科学院遥感与数字地球研究所 | 遥感图像信息缺失重建方法及装置 |
CN106599548A (zh) * | 2016-11-23 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
CN106599548B (zh) * | 2016-11-23 | 2019-05-24 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
CN109685108A (zh) * | 2018-11-23 | 2019-04-26 | 电子科技大学 | 一种生成高时空分辨率ndvi长时间序列的方法 |
CN109685108B (zh) * | 2018-11-23 | 2022-05-03 | 电子科技大学 | 一种生成高时空分辨率ndvi长时间序列的方法 |
CN109596534A (zh) * | 2018-12-19 | 2019-04-09 | 塔里木大学 | 一种校正空间内不同方位的光谱图像的方法及装置 |
CN113160100A (zh) * | 2021-04-02 | 2021-07-23 | 深圳市规划国土房产信息中心(深圳市空间地理信息中心) | 一种基于光谱信息影像的融合方法、融合装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102314677B (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102314677B (zh) | 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法 | |
Zhao et al. | A robust adaptive spatial and temporal image fusion model for complex land surface changes | |
Sokol et al. | The role of weather radar in rainfall estimation and its application in meteorological and hydrological modelling—A review | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
Zhu et al. | An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions | |
Chen et al. | Improving estimates of fractional vegetation cover based on UAV in alpine grassland on the Qinghai–Tibetan Plateau | |
Lu et al. | A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems | |
Zhu et al. | A flexible spatiotemporal method for fusing satellite images with different resolutions | |
Guerschman et al. | MODIS-based standing water detection for flood and large reservoir mapping: algorithm development and applications for the Australian continent | |
Gupta et al. | MODIS aerosol optical depth observations over urban areas in Pakistan: quantity and quality of the data for air quality monitoring | |
CN102540166B (zh) | 一种基于优化算法的高光谱传感器交叉辐射定标方法 | |
Shi et al. | Spatial downscaling of monthly TRMM precipitation based on EVI and other geospatial variables over the Tibetan Plateau from 2001 to 2012 | |
CN102024260B (zh) | 基于局部Gamma拟合的活动轮廓SAR图像分割方法 | |
Pasolli et al. | Estimation of soil moisture in an alpine catchment with RADARSAT2 images | |
CN111191673B (zh) | 一种地表温度降尺度方法及系统 | |
Persson et al. | Combining TanDEM-X and Sentinel-2 for large-area species-wise prediction of forest biomass and volume | |
Chung et al. | Soil moisture content estimation based on Sentinel-1 SAR imagery using an artificial neural network and hydrological components | |
Tang et al. | Radar and rain gauge merging-based precipitation estimation via geographical–temporal attention continuous conditional random field | |
CN101308215A (zh) | 一种ⅱ类水体离水辐亮度反演方法 | |
Kukkonen et al. | Fusion of crown and trunk detections from airborne UAS based laser scanning for small area forest inventories | |
Wenxia et al. | Normalization of NDVI from different sensor system using MODIS products as reference | |
CN103034988A (zh) | 一种任意传感器数量的时空定量遥感融合方法 | |
Wijaya et al. | Fusion of ALOS Palsar and Landsat ETM data for land cover classification and biomass modeling using non-linear methods | |
CN113378476B (zh) | 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法 | |
Yang et al. | MODIS-Landsat Data Fusion for Estimating Vegetation Dynamics—A Case Study for Two Ranches in Southwestern Texas |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140326 Termination date: 20140707 |
|
EXPY | Termination of patent right or utility model |