CN103500325B - 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 - Google Patents
基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 Download PDFInfo
- Publication number
- CN103500325B CN103500325B CN201310482889.7A CN201310482889A CN103500325B CN 103500325 B CN103500325 B CN 103500325B CN 201310482889 A CN201310482889 A CN 201310482889A CN 103500325 B CN103500325 B CN 103500325B
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- thermal infrared
- band
- moraine
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000003287 optical effect Effects 0.000 title claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 26
- 230000005855 radiation Effects 0.000 claims abstract description 20
- 238000012952 Resampling Methods 0.000 claims abstract description 19
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 2
- 239000011435 rock Substances 0.000 abstract description 6
- 238000005286 illumination Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Radiation Pyrometers (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,属于遥感地学应用领域。本方法利用Landsat TM/ETM+遥感影像的光学波段和热红外波段,结合DEM等数据对表碛覆盖型冰川进行识别,首先对TM/ETM+影像的光学波段进行大气辐射校正和地形辐射校正,利用热红外波段进行地表温度反演,并进行归一化,然后区分光照区和阴影区;最后利用最大似然法对影像的光照区和阴影区分别进行分类,得到冰、表碛覆盖型冰川、冰与岩屑混合区、阴影、岩石等类别。与传统方法相比,本发明引入热红外波段,对表碛覆盖型冰川的识别更准确和高效,在数据空间分辨率的重采样上本发明提出的方法得到的结果更加合理。
Description
技术领域
本发明涉及基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,属于遥感地学应用技术领域。
背景技术
冰川资源是地球上重要的淡水资源,约占总淡水资源的75%,而且冰川是全球气候变化的重要指示器,利用遥感的方法进行冰川识别对于了解冰川资源,分析全球气候变化具有重要意义。但是传统的冰雪指数等光学波段的遥感识别方法只能将较干净的冰川识别出来,对于表碛覆盖型冰川光学波段就很难进行识别了。表碛覆盖型冰川的表面有一层岩屑覆盖,这与冰川周围裸露的岩石在光学波段范围上光谱信息相似,不易区分。但是由于表碛覆盖型冰川的下面有冰川,在地表温度的表现上会较周围岩石低一些,因此,发明人考虑可以将这一特点作为识别表碛覆盖型冰川的特征。
发明内容
本发明要解决的技术问题是:克服现有技术缺点,提出一种基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,能够较准确、完整地识别出表碛覆盖型冰川,达到比较好的效果。
为了解决上述技术问题,本发明提出的技术方案是:一种基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,包括以下步骤:
第一步、将遥感影像各波段的DN值根据卫星参数文件转换成卫星接收的辐亮度值,获得由辐亮度值表征的各波段影像,所述遥感影像为Landsat TM影像或Landsat ETM+影像;
第二步、将TM第一至第五波段影像(TM1-TM5)、TM第七波段影像(TM7)作为光学波段组影像,TM第六波段影像(TM6)作为热红外波段组影像;
第三步、对光学波段组影像的6个波段分别进行大气辐射校正、地形辐射校正,得到光学波段组6个波段的地表反射率影像;
第四步、对热红外波段组影像的1个波段进行地表温度反演,并进行归一化处理,得到地表温度影像;
第五步、将光学波段组的6个波段地表反射率影像和热红外波段组的1个地表温度影像进行合并,得到待分类影像;
第六步、结合DEM数据与遥感影像成像时的太阳方位角,获取遥感影像的光照区和阴影区;
第七步、对待分类影像的光照区和阴影区分别进行监督分类,并将光照区和阴影区的分类结果进行合并,分类中包含有表碛覆盖型冰川;
第八步、对于分类结果手工修改明显的错分像元,改进分类结果,最终完成对表碛覆盖型冰川的识别。
本方法利用Landsat TM/ETM+遥感影像的光学波段和热红外波段,结合DEM等数据对表碛覆盖型冰川进行识别,首先对TM/ETM+影像的光学波段进行大气辐射校正和地形辐射校正,利用热红外波段进行地表温度反演,并进行归一化,然后区分光照区和阴影区;最后利用最大似然法对影像的光照区和阴影区分别进行分类,得到冰、表碛覆盖型冰川、冰与岩屑混合区、阴影、岩石等类别。与传统方法相比,本发明引入热红外波段,对表碛覆盖型冰川的识别更准确和高效,在数据空间分辨率的重采样上本发明提出的方法得到的结果更加合理。
本发明基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,还具有如下改进:
1、所述第三步中,采用FLAASH大气辐射校正模型进行大气辐射校正;采用改进的C校正方法进行地形辐射校正。
2、所述第四步中,首先将热红外波段影像重采样到30m空间分辨率,再进行地表温度反演。
3、第四步中,采用普适单通道方法进行地表温度反演,所述普适单通道方法中的大气水汽含量数据采用经重采样到30m空间分辨率的MOD05数据,普适单通道方法中NDVI参数通过TM第三波段影像(TM3)和TM第四波段影像(TM4)获得。
4、所述第四步中,将MOD05数据的空间分辨率重采样到30m的方法如下:
步骤a、将1km分辨率的MOD05数据转换到与遥感影像(TM/ETM+影像)一致的地图投影下;
步骤b、将MOD05数据的每个像元转成一个位置在其中心的矢量点;
步骤c、以矢量点为基础,以30m×30m为像元大小,采用Kriging方法进行插值,得到重采样后的大气水汽含量数据。
5、所述第六步中,DEM数据为经重采样到30m空间分辨率的SRTM DEM数据。
6、所述第七步中,监督分类采用人工进行样本训练并应用最大似然分类法进行分类。
7、所述第七步在分类合并完成后,进行分类精度评价,若满足分析要求则执行第八步,否则重新选择样本,重新分类,直到精度评价结果符合分析要求。
本发明利用Landsat TM或Landsat ETM+遥感卫星数据的光学波段和热红外波段对研究区进行分类,提取表碛覆盖型冰川。本发明识别方法由于增加了热红外波段数据,分类的特征空间中加入了地表温度特征,因此对于冰川上的岩屑和岩石有了比较好的区分。该方法对于表碛覆盖型冰川的识别比较准确,由于没有使用额外的热红外数据,而且使用的TM/ETM+数据、MOD05数据和SRTM DEM数据获取方便,因此方法可操作性强,易于推广。进行分类的光学波段影像像元的反射率值都在0到1之间,而地表温度数据一般采用开氏温度表示,其值一般都大于250K,为了使所有特征空间在一个权重下进行分类,本发明将反演得到的地表温度数据标准化到[0,1]之间(归一化),然后再合并组成新的特征空间,得到含有地表温度信息的待分类影像,用于监督分类,能有效准确识别表碛覆盖型冰川。
由于MOD05数据的空间分别率是1km,而Landsat TM/ETM+数据的空间分辨率是30m,因此需要对MOD05数据进行重采样,但是由于两种数据的空间分辨率相差很大,传统的重采样方法(最邻近法、双线性插值法、三次卷积插值法)得到的重采样结果都不是很理想,因此本发明提出了一种采用Kriging插值进行重采样的方法,得到的采样结果更加合理,效果更好。
综上,本发明针对表碛覆盖型冰川,综合利用光学波段的地表反射率特征和热红外波段反演的地表温度特征,提出识别表碛覆盖型冰川的方法。该方法只使用免费公开的、易于获得的Landsat TM/ETM+数据、MODIS水汽含量产品数据(MOD05)和SRTM DEM数据,以较高精度完成表碛覆盖型冰川的识别。与传统方法相比,该方法引入了地表温度特征,使得在光学波段难以区分的冰川上的岩屑和岩石可以有效的区分开来,另外,本发明采用的空间分辨率重采样方法使得重采样后的结果更加合理,更加符合自然情况。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明表碛覆盖型冰川识别方法的流程图。
图2是MOD05数据Kriging插值重采样过程示意图。
图3是MOD05数据三次卷积重采样结果示意图。
图4是研究区Landsat TM影像。
图5是图4的光照区和阴影区示意图。
图6是研究区初步分类结果图。
图7是经手工修改后的最终分类结果图。
具体实施方式
下面根据附图详细阐述本发明,使本发明的目的和效果变得更加明显。
如图1所示,为本实施例基于光学和热红外遥感影像的表碛覆盖型冰川识别方法流程图,具体步骤如下:
第一步、将Landsat TM遥感影像各波段的DN值根据卫星参数文件转换成卫星接收的辐亮度值,获得由辐亮度值表征的各波段影像。
本步骤中,根据Landsat Mission官方网站上提供的卫星成像时的参数文件及影像头文件信息,将各波段的DN值转成卫星接收的辐亮度值。不同时间成像的影像,不同的传感器需要采用不同的参数,需要根据具体影像进行计算。
第二步、将TM第一至第五波段影像(TM1-TM5)、TM第七波段影像(TM7)作为光学波段组影像,和TM第六波段影像(TM6)作为热红外波段组影像。
Landsat TM数据一共有7个波段(Landsat ETM+数据一共9个波段,这里以TM为例),其中TM1-3为可见光波段,TM4为近红外波段,TM5、TM7为中红外波段,TM6为热红外波段。在后续处理中TM6热红外波段将用来反演地表温度,而其他波段则用来计算地表反射率,处理步骤不同,因此将数据分成两组,TM1-5和TM7为光学波段组,TM6为热红外波段组。
第三步、对光学波段组影像的6个波段分别采用FLAASH大气辐射校正模型进行大气辐射校正、改进的C校正方法进行地形辐射校正,得到光学波段组6个波段的地表反射率影像。
本步骤中考虑了影像地表反射率受大气状况的影响,因此采用常用的FLAASH大气校正模型对影像进行大气辐射校正,由于缺乏气溶胶数据,因此在FLAASH模型参数中均采用默认值。同时考虑到冰川多在山地地区,地形复杂,因此需要进行地形辐射校正,目前使用最广泛的地形辐射校正方法是经典的C校正方法,但是C校正方法必须对遥感影像的每一波段都进行像元值和入射角余弦值的线性拟合,这是一个复杂费时的过程。为了改善校正效果和节省校正时间,本发明采用了黄微等于2005年发表在中国图象图形学报第10卷第9期上的《一种改进的卫星影像地形校正算法》一文中提出的改进的C校正方法对研究区影像进行地形辐射校正。
第四步、对热红外波段组影像的1个波段采用普适单通道方法进行地表温度反演,并进行归一化处理,得到地表温度影像,其中普适单通道方法中的大气水汽含量数据采用经重采样到30m空间分辨率的MOD05数据,普适单通道方法中NDVI参数通过TM3波段影像和TM4波段影像获得。
本步骤中需要利用热红外波段数据进行地表温度的反演,本发明采用Juan C.Jimé等于2003年在Journal of Geophysical Research第108卷第D22期上发表的《A generalized single-channel method for retrieving landsurface temperature from remote sensing data》一文中提出的普适单通道算法进行反演。由于TM传感器的热红外波段数据的空间分辨率是120m(ETM+是60m),因此需要重采样到30m,因为120m仅仅是30m的4倍,使用三次卷积或双线性插值方法重采样均可。在普适单通道算法中需要输入研究区的大气水汽含量数据,本发明采用了MODIS数据的大气水汽产品MOD05数据,采用MOD05数据具有以下优点,第一、本数据可以全部免费获取;第二、本数据由NASA官方发布,具有一定权威性;第三、本数据时间分辨率很高,每天都有相应的数据,基本上在2000年之后的TM数据每天都会有对应的大气水汽含量产品。但是该数据的空间分辨率是1km,而TM数据的空间分辨率是30m,相差较多,采用传统的三次卷积重采样方法得到的效果并不理想。
因此本实施例提出了一种基于Kriging插值的重采样方法(过程示意图见图2),将MOD05数据的空间分辨率重采样到30m,步骤如下:
步骤a、将1km分辨率的MOD05数据转换到与TM/ETM+影像一致的地图投影下;
步骤b、将MOD05数据的每个像元转成一个位置在其中心的矢量点;
步骤c、以矢量点为基础,以30m×30m为像元大小,采用Kriging方法进行插值,得到重采样后的大气水汽含量数据。
见图2中的步骤c结果,可知本实施例重采样结果相比图3传统三次卷积重采样结果,更加符合自然状态,结果更加合理。
利用TM3波段影像和TM4波段影像计算NDVI参数的方法为现有技术范畴,本实施例不做详细解释。
第五步、将光学波段组的6个波段地表反射率影像和热红外波段组的1个地表温度影像进行合并,得到待分类影像;
第六步、利用经过重采样到30m分辨率的SRTM DEM数据和成像时的太阳方位角计算研究区Landsat TM影像(图4)的光照区和阴影区,结果见图5。
本步骤中考虑到受太阳照射的区域和不受太阳照射的区域反射率和温度的差异会给最后的分类产生影响,因此本发明在这一步中利用SRTM DEM数据计算坡向角,并结合影像成像时的太阳方位角将遥感影像(研究区)分成光照区和阴影区。
本实施例选择SRTM DEM数据的原因有以下几点,第一、该数据覆盖范围广,数据覆盖了南北纬60°以内的所有陆地;第二、该数据获取全部免费,使用方便,具有一定的权威性;第三、该数据质量较好,错误较少,使用可靠,ASTERDEM数据虽然分辨率更高,但是数据质量较差,不易使用。SRTM DEM数据的分辨率一般是90m,因此也需要重采样到30m,但是由于90m和30m只相差3倍,因此采用传统的三次卷积插值或双线性内插即可。
第七步、对待分类影像的光照区和阴影区分别进行监督分类,并将光照区和阴影区的分类结果进行合并,分类中包含有表碛覆盖型冰川;本步骤中监督分类采用人工进行样本训练并应用最大似然分类法(MLC)进行分类。分类结果见图6。
为了提高识别准确度,在分类合并后可进行精度评价,若满足要求则进行第八步,否则重新选择样本,重新分类,直到精度评价结果符合分析要求。
第八步、对于图6分类结果手工修改明显的错分像元,改进分类结果,最终完成对表碛覆盖型冰川的识别。经手工修改后的最终分类结果图见图7。
本步骤中考虑到即使分类精度很高,还是会存在部分错分像元,因此需要手动消除,手工消除的错分像元仅仅是可以判断并非常明显的、严重影响分析结果的像元,因此手工的工作量不大。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (5)
1. 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,包括以下步骤:
第一步、将遥感影像各波段的DN值根据卫星参数文件转换成卫星接收的辐亮度值,获得由辐亮度值表征的各波段影像,所述遥感影像为Landsat TM影像或Landsat ETM+影像;
第二步、将TM第一至第五波段影像、TM第七波段影像作为光学波段组影像,TM第六波段影像作为热红外波段组影像;
第三步、对光学波段组影像的6个波段分别进行大气辐射校正、地形辐射校正,得到光学波段组6个波段的地表反射率影像;
第四步、对热红外波段组影像的1个波段进行地表温度反演,并进行归一化处理,得到地表温度影像;
本步骤中,首先将热红外波段影像重采样到30m空间分辨率,再进行地表温度反演:
将MOD05数据的空间分辨率重采样到30m的方法如下:
步骤a、将1km分辨率的MOD05数据转换到与遥感影像一致的地图投影下;
步骤b、将MOD05数据的每个像元转成一个位置在其中心的矢量点;
步骤c、以矢量点为基础,以30m×30m为像元大小,采用Kriging方法进行插值,得到重采样后的大气水汽含量数据;
地表温度反演采用普适单通道方法进行,所述普适单通道方法中的大气水汽含量数据采用经重采样到30m空间分辨率的MOD05数据,普适单通道方法中NDVI参数通过TM第三波段影像和TM第四波段影像获得;
第五步、将光学波段组的6个波段地表反射率影像和热红外波段组的1个地表温度影像进行合并,得到待分类影像;
第六步、结合DEM数据与遥感影像成像时的太阳方位角,获取遥感影像的光照区和阴影区;
第七步、对待分类影像的光照区和阴影区分别进行监督分类,并将光照区和阴影区的分类结果进行合并,分类中包含有表碛覆盖型冰川;
第八步、对于分类结果手工修改明显的错分像元,改进分类结果,最终完成对表碛覆盖型冰川的识别。
2. 根据权利要求1所述的基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,其特征在于:第三步中,采用FLAASH大气辐射校正模型进行大气辐射校正;采用改进的C校正方法进行地形辐射校正。
3. 根据权利要求1所述的基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,其特征在于:第六步中,DEM数据为经重采样到30m空间分辨率的SRTM DEM数据。
4. 根据权利要求1所述的基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,其特征在于:第七步中,监督分类采用人工进行样本训练并应用最大似然分类法进行分类。
5. 根据权利要求3所述的基于光学和热红外遥感影像的表碛覆盖型冰川识别方法,其特征在于:第七步在分类合并完成后,进行分类精度评价,若满足分析要求则执行第八步,否则重新选择样本,重新分类,直到精度评价结果符合分析要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310482889.7A CN103500325B (zh) | 2013-10-15 | 2013-10-15 | 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310482889.7A CN103500325B (zh) | 2013-10-15 | 2013-10-15 | 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103500325A CN103500325A (zh) | 2014-01-08 |
CN103500325B true CN103500325B (zh) | 2016-10-19 |
Family
ID=49865530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310482889.7A Expired - Fee Related CN103500325B (zh) | 2013-10-15 | 2013-10-15 | 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103500325B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654524A (zh) * | 2014-11-11 | 2016-06-08 | 孙义 | 一种建立土地数据光谱库的方法 |
RU2605528C2 (ru) * | 2015-01-12 | 2016-12-20 | Открытое акционерное общество "Ракетно-космическая корпорация "Энергия" имени С.П. Королева" | Способ определения момента времени схода наблюдаемого с космического аппарата ледника |
RU2642544C2 (ru) * | 2016-06-28 | 2018-01-25 | Публичное акционерное общество "Ракетно-космическая корпорация "Энергия" имени С.П. Королева" | Способ определения положения фронтальной части ледника с находящегося на околокруговой орбите космического аппарата |
CN107247038B (zh) * | 2017-06-14 | 2020-02-14 | 电子科技大学 | 一种获取河流冰凌红外波段散射特性的方法 |
CN109472810A (zh) * | 2018-07-10 | 2019-03-15 | 湖南科技大学 | 一种基于遥感图像的冰川流速可视化提取方法 |
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 |
CN110516646B (zh) * | 2019-09-02 | 2022-02-15 | 南京大学 | 一种结合极化分解与地形特征的表碛覆盖型冰川识别方法 |
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 |
RU2742051C1 (ru) * | 2020-01-31 | 2021-02-02 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Забайкальский государственный университет" (ФГБОУ ВО "ЗабГУ") | Способ определения начальной стадии деформации наблюдаемого с космического аппарата ледника |
CN111798378A (zh) * | 2020-07-08 | 2020-10-20 | 北京航空航天大学 | 一种热红外图像超分辨率重建评价方法 |
CN112036264B (zh) * | 2020-08-13 | 2023-04-07 | 长安大学 | 一种表碛覆盖型冰川的自动化提取方法 |
CN113936226B (zh) * | 2021-11-23 | 2022-07-08 | 河南大学 | 一种基于遥感云计算的全球冰川搜索识别方法 |
CN114280608B (zh) * | 2022-03-07 | 2022-06-17 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及系统 |
CN115311578B (zh) * | 2022-08-19 | 2023-08-25 | 国家卫星海洋应用中心 | 一种利用高分辨率红外影像识别海上漂浮物的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608592A (zh) * | 2012-04-05 | 2012-07-25 | 吉林大学 | 基于五种地物分类信息的积雪被动微波混合像元分解方法 |
-
2013
- 2013-10-15 CN CN201310482889.7A patent/CN103500325B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608592A (zh) * | 2012-04-05 | 2012-07-25 | 吉林大学 | 基于五种地物分类信息的积雪被动微波混合像元分解方法 |
Non-Patent Citations (2)
Title |
---|
基于混合像元分解的天山典型地区冰雪变化监测;金鑫等;《国土资源遥感》;20121215(第4期);146-151 * |
基于遥感和GIS的我国季风海洋型冰川区冰碛物覆盖型冰川边界的自动识别;宋波等;《冰川冻土》;20070630;第29卷(第3期);456-462 * |
Also Published As
Publication number | Publication date |
---|---|
CN103500325A (zh) | 2014-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103500325B (zh) | 基于光学和热红外遥感影像的表碛覆盖型冰川识别方法 | |
Ma et al. | Coupling urbanization analyses for studying urban thermal environment and its interplay with biophysical parameters based on TM/ETM+ imagery | |
Zhang et al. | Glacier facies mapping using a machine-learning algorithm: The Parlung Zangbo Basin case study | |
CN102708307B (zh) | 一种应用于城市的植被指数构造方法 | |
WO2018028191A1 (zh) | 一种基于波段比模型和太阳高度角的tavi计算方法 | |
CN107944368B (zh) | 一种基于时序遥感图像的水体提取方法 | |
CN102622738B (zh) | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 | |
CN102034337B (zh) | 草原雪灾遥感监测与灾情评估系统及方法 | |
Deka et al. | Implementation of forest canopy density model to monitor tropical deforestation | |
Cavalli et al. | Hyperspectral sensor data capability for retrieving complex urban land cover in comparison with multispectral data: Venice city case study (Italy) | |
CN101561502A (zh) | 地形校正植被指数的构造方法 | |
CN106442422A (zh) | 水草型湖泊水草区水质遥感间接监测方法 | |
CN104484859A (zh) | 一种多光谱光学遥感图像数据去除薄云的方法 | |
CN107421892A (zh) | 一种用于水体信息提取的高光谱数据处理方法 | |
Yang et al. | A correction method of NDVI topographic shadow effect for rugged terrain | |
Zhu et al. | A change type determination method based on knowledge of spectral changes in land cover types | |
Meng et al. | Improving the spatial resolution of hyperspectral image using panchromatic and multispectral images: An integrated method | |
Deng et al. | Mapping bathymetry from multi-source remote sensing images: a case study in the Beilun estuary, Guangxi, China | |
Ukhnaa et al. | Modification of urban built-up area extraction method based on the thematic index-derived bands | |
CN117036323A (zh) | 一种综合的云及云影下积雪信息重建方法 | |
Xie et al. | Estimation of forest stand parameters using SPOT-5 satellite images and topographic information | |
Li | Dynamic monitoring algorithm of natural resources in scenic spots based on MODIS Remote Sensing technology | |
Zhang et al. | Precise classification of forest species based on multi-source remote-sensing images. | |
Li et al. | A General Framework for Retrieving Land Surface Emissivity and Temperature Using Sensors with Split-Window Thermal Infrared Channels: A Case Study with Landsat 9 | |
Pan et al. | Accuracy evaluation of several AVHRR fractional snow cover retrieval algorithms in Asia water tower region |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161019 Termination date: 20171015 |
|
CF01 | Termination of patent right due to non-payment of annual fee |