CN103679202A - 一种适用于光学遥感卫星影像植被分类方法及装置 - Google Patents
一种适用于光学遥感卫星影像植被分类方法及装置 Download PDFInfo
- Publication number
- CN103679202A CN103679202A CN201310693804.XA CN201310693804A CN103679202A CN 103679202 A CN103679202 A CN 103679202A CN 201310693804 A CN201310693804 A CN 201310693804A CN 103679202 A CN103679202 A CN 103679202A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- pixel
- vegetation index
- image
- index value
- 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
Abstract
本发明公开了一种适用于光学遥感卫星影像植被分类方法及装置,首先对待测影像进行区域分割获得分割矢量区域,并针对不同分割矢量区域获取不同的纯裸土像元的植被指数值VIv和纯裸土像元的植被指数值VIs,进而获得有针对性的植被覆盖度,而非采用固定的经验值计算植被覆盖度,使得不同图像的取值不同,即便在同一幅图像中,对于土壤类型与植被类型不同的区域,VIs与VIv也会不同,使用本发明能够减少了因地域性和植被类型差异引起的植被覆盖度计算误差,具有提高植被分类精度的效果。
Description
技术领域
本发明涉及光学遥感卫星影像领域,具体涉及一种适用于光学遥感卫星影像植被分类方法及装置。
背景技术
遥感影像是利用星载或机载传感器获取的反应地球表面地物空间分布和光谱信息的图像资料,它具有覆盖范围广,成像周期短等特点,随着遥感影像分类技术的发展,使得遥感影像分类技术在植被监测中得到越来越多的应用。植被的遥感监测中,特别重要的一个方面是植被覆盖度(FVC)的计算。目前,遥感领域多使用线性光谱分离(LSU)方法估算多光谱和高光谱影像的植被覆盖度。对于波段相对较少的影像,一般采用两个端元的线性组合来估算植被覆盖度,这两个端元为:纯裸土和100%纯植被覆盖。基于植被指数(VI)的线性模型是目前比较通用的线性模型(公式1)。所用的植被指数可能是现有的植被指数,也可能是研究者专为植被覆盖度测量而发展出的新植被指数。
式中,VIi为像元i的植被指数值,VIs为纯裸土像元的植被指数值,VIv为纯植被像元的植被指数值。可见,遥感范畴的植被覆盖度的研究重点是如何确定VIs和VIv这两个参数。
2000年LePrieur在研究半干旱地区的植被覆盖度时,从1992年8月20日的AVHRR影像的红波段与近红外波段的散点图中得到VIs的值为0.2;Begue在1991年对Niamey地区的植被研究中,VIv值取为0.72(Leprieur,2000;Begue,1991)。QIJ等认为VIs应该取图像中理想的无植被地表的植被指数,如机场跑道和高速公路,并从多时相高分辨率数据中得出VIs为0.8,并将这一经验值用于所有研究的图像中(QIJ,etal,2000),然而机场跑道与高速公路等人工建筑的反射未必会与混合像元中裸土的反射一致。由于VIs与VIv是随着时间与空间变化的,不同图像的取值应该是不同的,即使是同一幅图像由于土壤类型与植被类型的不同,VIs与VIv也会不同,因此,仅仅采用固定的经验值计算植被覆盖度是不科学的。
发明内容
有鉴于此,本发明提供了一种适用于光学遥感卫星影像植被分类方案,能够针对不同区域计算纯裸土像元的植被指数值VIv和纯裸土像元的植被指数值VIs,进而获得有针对性的植被覆盖度。
一种适用于光学遥感卫星影像植被分类方法,包括下列步骤:
步骤一、获取待测影像中每个像元的植被指数;对待测影像进行区域分割,获得分割矢量区域;同时,根据待测影像中的具体地物特征,对待测影像进行初级分类,从而将感兴趣的待二级分类的植被目标提取出来。
步骤二、将每个分割矢量区域内的最大像元植被指数值作为该分割矢量区域内的纯植被像元的植被指数值,最小像元植被指数值作为该分割矢量区域内的纯裸土像元的植被指数值。
步骤三、针对待测影像中的每个像元,根据步骤一获得的该像元的植被指数和步骤二获得的该像元所在分割矢量区域内的纯植被像元的植被指数值和纯裸土像元的植被指数值,获得该像元的植被覆盖度。
步骤四、根据步骤三获得的每个像元的植被覆盖度,对步骤一初级分类提取的植被目标按照分类标准进行二级分类。
较佳的,像元植被指数为归一化植被指数或垂直植被指数或土壤调节植被指数或植被条件指数。
较佳的,区域分割以现有的行政边界、生态区边界进行分割,或以遥感影像作为基底,根据影像的类型以及影像上的地物特征采用多尺度分割方法进行区域分割。
较佳的,分类标准为FVC<0.1为极低覆盖区;0.1=<FVC<=0.35为低覆盖区;0.35<FVC<=0.55为中覆盖区;0.55<FVC<=0.75为中高覆盖区;FVC>0.75为高覆盖区。
基于一种适用于光学遥感卫星影像植被分类方法的分类装置,包括获取单元、分割单元、统计单元、FVC计算单元和分类单元。
获取单元,用于获取每个像元的植被指数,并发送给统计单元和FVC计算单元;对待测影像进行初步分类,将感兴趣的待二级分类的植被目标提取出来。
分割单元,用于对待测影像进行区域分割,获取分割矢量区域,并发送给统计单元。
统计单元,对接收到的每个像元的植被指数和分割矢量区域进行统计,从而获取每个分割矢量区域内的最大像元植被指数和最小像元植被指数,将每个分割矢量区域内的最大像元植被指数值作为该分割矢量区域内的纯植被像元的植被指数值,最小像元植被指数值作为该分割矢量区域内的纯裸土像元的植被指数值,并发送给FVC计算单元。
FVC计算单元,针对待测影像中的每个像元,根据获取单元获取的该像元的植被指数和统计单元获得的该像元所在分割矢量区域内的纯植被像元的植被指数值和纯裸土像元的植被指数值,获得该像元的植被覆盖度,并发送给分类单元。
分类单元,根据FVC计算单元获取的每个像元的植被覆盖度和初级分类提取的植被目标按照分类标准进行二级分类,以获取最终分类影像。
本发明与现有技术相比的优点在于:本发明对待测影像进行区域分割,获得分割矢量区域,针对不同的分割矢量区域获取不同的纯裸土像元的植被指数值VIv和纯裸土像元的植被指数值VIs,进而获得有针对性的植被覆盖度,而非采用固定的经验值计算植被覆盖度,使得不同图像的取值不同,即便在同一幅图像中,对于土壤类型与植被类型不同的区域,VIs与VIv也会不同,从而减少了因地域性和植被类型差异引起的植被覆盖度计算误差,具有提高植被分类精度的效果。
附图说明
图1为本发明植被分类方法的流程图;
图2为本发明实施例中待测影像的分割矢量区域图;
图3为本发明实施例中待测影像的每个像元植被指数示意图;
图4为本发明实施例中待测影像的初级分类示意图;
图5为本发明实施例中待测影像的植被覆盖度示意图;
图6为本发明实施例中待测影像的植被的最终分类图;
图7为本发明植被分类装置示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
如图1所示,为本发明植被分类方法的流程图。首先,对待测影像进行区域分割,并获得待测影像中每个像元的植被指数;同时,根据待测影像中的具体地物特征,对待测影像进行初级分类,从而将感兴趣的待二级分类的植被目标提取出来;其次,将每个区域内的最大像元植被指数值作为该区域内的纯植被像元的植被指数值,最小像元植被指数值作为该区域内的纯裸土像元的植被指数值;再次,针对待测影像中的每个像元,根据该像元所在区域的纯植被像元的植被指数值和纯裸土像元的植被指数值,获得该像元的植被覆盖度;从而对初级分类提取的植被目标进行二级分类。
实施例
下面以对一个Landsat TM(美国陆地探测卫星系统专题绘图仪)影像进行草地的高、中、低覆盖度的二级分类为例,进一步说明本发明方法的原理。
步骤一、获取待测影像中每个像元的植被指数;对待测影像进行区域分割,获得分割矢量区域;同时,根据待测影像中的具体地物特征,对待测影像进行初级分类,从而将感兴趣的待二级分类的植被目标提取出来。
(1)计算像元植被指数
植被指数有很多种,如归一化植被指数、垂直植被指数、土壤调节植被指数、植被条件指数等。可以根据不同的需要选择不同的植被指数作为计算植被覆盖度的植被指数。本例选择归一化植被指数(NDVI),通过计算得到待测影像的每个像元的归一化植被指数,如图3所示,图中植被指数值用灰度表示。
(2)影像分割
针对植被的地域性以及类别差异,将影像进行区域分割,获取分割矢量区域,以现有的行政边界、生态区边界进行分割,或者以遥感影像作为基底,根据影像的类型以及影像上的地物特征采用多尺度分割方法进行区域分割,从而获得分割矢量区域,不同分辨率的遥感影像可以选择不同分割尺度进行分割。本例选用TM(专题绘图仪)影像,分辨率为30m,将待测影像通过多尺度分割方法进行分割,选择的分割尺度为250,得到分割矢量区域图,如图2所示。如果使用较高分辨率的影像,如Qunckbnrd、Worldvnew等,可以选择更大的尺度。
然后,将待得影像的像元植被指数示意图1与分割矢量区域图2叠加,就可以知道像元与分割矢量区域的对应关系,从而得出每个分割矢量区域内的各像元的植被指数。
(3)影像初级分类
对影像进行初级分类,把感兴趣的目标提取出来。感兴趣的目标可以是整个区域的植被,也可以是草地或者林地这种更具体的植被。本例采用决策树分类方法,将影像初步分为六类:林地、草地、水体、耕地、建设用地、未利用地,如图4所示。且本实施例中将草地作为感兴趣的目标。
步骤二、将每个分割矢量区域内的最大像元植被指数值作为该分割矢量区域内的纯植被像元的植被指数值,最小像元植被指数值作为该分割矢量区域内的纯裸土像元的植被指数值。
步骤三、针对待测影像中的每个像元,根据步骤一获得的该像元的植被指数和步骤二获得的该像元所在分割矢量区域内的纯植被像元的植被指数值和纯裸土像元的植被指数值,获得该像元的植被覆盖度。
根据公式(1),获得待测影像中的每个像元的植被覆盖度,用灰度表示,如图5所示,
式中,VIi为像元i的植被指数值,VIs为纯裸土像元的植被指数值,VIv为纯植被像元的植被指数值。可见,遥感范畴的植被覆盖度的研究重点是如何确定VIs和VIv这两个参数。
步骤四、根据步骤三获得的每个像元的植被覆盖度,对步骤一初级分类提取的所述植被目标按照如下分类标准进行二级分类,得到植被的最终分类图,如图6所示。
FVC<0.1为极低覆盖区;0.1=<FVC<=0.35为低覆盖区;0.35<FVC<=0.55为中覆盖区;0.55<FVC<=0.75为中高覆盖区;FVC>0.5为高覆盖区。
植被覆盖度下降退化是草地退化的一种类型,能够监测草地的退化程度。通常将草地按植被覆盖度大小分为:低覆盖度草地、中覆盖度草地、高覆盖度草地,但是在对地理国情的监测中,重点区域的监测要求分类更加精确,三种分类已不能满足地理国情监测中对重要地理国情对象监测的要求。因此,为了更精确的监测草地退化情况,通过多次野外实地验证和实验分析,把草地按植被覆盖度大小分为极低、低、中、中高和高覆盖五种类型。
基于此光学遥感卫星影像植被分类分类方法的装置,包括获取单元01、分割单元02、统计单元03、FVC计算单元04和分类单元05。
获取单元01,用于获取每个像元的植被指数,并发送给统计单元03和FVC计算单元04;对待测影像进行初步分类,将感兴趣的待二级分类的植被目标提取出来。
分割单元02,用于对待测影像进行区域分割,获取分割矢量区域,并发送给统计单元03。
统计单元03,对接收到的获取单元01获取的每个像元的植被指数和分割单元02获取的分割矢量区域进行统计,从而获取每个分割矢量区域内的最大像元植被指数和最小像元植被指数,将每个分割矢量区域内的最大像元植被指数值作为该分割矢量区域内的纯植被像元的植被指数值,最小像元植被指数值作为该分割矢量区域内的纯裸土像元的植被指数值,并发送给FVC计算单元04。
FVC计算单元04,针对待测影像中的每个像元,根据获取单元01获取的该像元的植被指数和统计单元03获得的该像元所在分割矢量区域内的纯植被像元的植被指数值和纯裸土像元的植被指数值,获得该像元的植被覆盖度,并发送给分类单元05。
分类单元05,根据FVC计算单元04获取的每个像元的植被覆盖度和初级分类提取的所述植被目标按照分类标准进行二级分类,以获取最终分类影像。
本发明实施例中所描述的各种说明性的逻辑块或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。
通用处理器可以为微处理器,可选的,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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)
1.一种适用于光学遥感卫星影像植被分类方法,其特征在于,包括下列步骤:
步骤一、获取待测影像中每个像元的植被指数;对待测影像进行区域分割,获得分割矢量区域;同时,根据待测影像中的具体地物特征,对待测影像进行初级分类,从而将感兴趣的待二级分类的植被目标提取出来;
步骤二、将每个分割矢量区域内的最大像元植被指数值作为该分割矢量区域内的纯植被像元的植被指数值,最小像元植被指数值作为该分割矢量区域内的纯裸土像元的植被指数值;
步骤三、针对待测影像中的每个像元,根据步骤一获得的该像元的植被指数和步骤二获得的该像元所在分割矢量区域内的纯植被像元的植被指数值和纯裸土像元的植被指数值,获得该像元的植被覆盖度;
步骤四、根据步骤三获得的每个像元的植被覆盖度,对步骤一初级分类提取的所述植被目标按照分类标准进行二级分类。
2.根据权利要求1所述的一种光学遥感卫星影像植被分类方法,其特征在于:所述的像元植被指数为归一化植被指数或垂直植被指数或土壤调节植被指数或植被条件指数。
3.根据权利要求1所述的一种光学遥感卫星影像植被分类方法,其特征在于:所述的区域分割以现有的行政边界、生态区边界进行分割,或以遥感影像作为基底,根据影像的类型以及影像上的地物特征采用多尺度分割方法进行区域分割。
4.根据权利要求1所述的一种光学遥感卫星影像植被分类方法,其特征在于:所述的分类标准为FVC<0.1为极低覆盖区;0.1=<FVC<=0.35为低覆盖区;0.35<FVC<=0.55为中覆盖区;0.55<FVC<=0.75为中高覆盖区;FVC>0.75为高覆盖区。
5.一种适用于光学遥感卫星影像植被分类装置,其特征在于,包括获取单元(01)、分割单元(02)、统计单元(03)、FVC计算单元(04)和分类单元(05)。所述获取单元(01),用于获取每个像元的植被指数,并发送给统计单元(03)和FVC计算单元(04);对待测影像进行初步分类,将感兴趣的待二级分类的植被目标提取出来;
所述分割单元(02),用于对待测影像进行区域分割,获取分割矢量区域,并发送给统计单元(03);
所述统计单元(03),对接收到的每个像元的植被指数和分割矢量区域进行统计,从而获取每个分割矢量区域内的最大像元植被指数和最小像元植被指数,将每个分割矢量区域内的最大像元植被指数值作为该分割矢量区域内的纯植被像元的植被指数值,最小像元植被指数值作为该分割矢量区域内的纯裸土像元的植被指数值,并发送给FVC计算单元(04);
所述FVC计算单元(04),针对待测影像中的每个像元,根据获取单元(01)获取的该像元的植被指数和统计单元(03)获得的该像元所在分割矢量区域内的纯植被像元的植被指数值和纯裸土像元的植被指数值,获得该像元的植被覆盖度,并发送给分类单元(05);
所述分类单元(05),根据FVC计算单元(04)获取的每个像元的植被覆盖度和初级分类提取的所述植被目标按照分类标准进行二级分类,以获取最终分类影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310693804.XA CN103679202B (zh) | 2013-12-17 | 2013-12-17 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310693804.XA CN103679202B (zh) | 2013-12-17 | 2013-12-17 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679202A true CN103679202A (zh) | 2014-03-26 |
CN103679202B CN103679202B (zh) | 2017-04-12 |
Family
ID=50316690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310693804.XA Active CN103679202B (zh) | 2013-12-17 | 2013-12-17 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679202B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005782A (zh) * | 2014-04-24 | 2015-10-28 | 中国科学院遥感与数字地球研究所 | 一种基于多时相遥感数据及光谱数据的全球精细植被分类方法 |
CN109948556A (zh) * | 2019-03-21 | 2019-06-28 | 中国农业科学院农业资源与农业区划研究所 | 作物分类识别方法及系统 |
CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN111678871A (zh) * | 2020-06-16 | 2020-09-18 | 中国气象科学研究院 | 一种非生长季植被覆盖度遥感估算方法 |
CN113029971A (zh) * | 2021-02-10 | 2021-06-25 | 北京农业信息技术研究中心 | 一种作物冠层氮素监测方法及系统 |
CN113822107A (zh) * | 2020-08-11 | 2021-12-21 | 山东理工大学 | 一种融合多种植被指数的土地荒漠化提取方法及装置 |
US11206771B2 (en) * | 2017-03-31 | 2021-12-28 | Nec Corporation | Vegetation effect calculation device, vegetation effect calculation system, and storage medium storing vegetation effect calculation program |
CN114441456A (zh) * | 2022-04-08 | 2022-05-06 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
WO2023104130A1 (zh) * | 2021-12-08 | 2023-06-15 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
CN116912706A (zh) * | 2023-06-30 | 2023-10-20 | 中国科学院空天信息创新研究院 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934109B (zh) * | 2019-01-31 | 2022-03-04 | 黄河水利委员会黄河水利科学研究院 | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403795A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 估算城区树覆盖率的遥感测量方法及其遥感测量系统 |
US8478003B2 (en) * | 2008-11-14 | 2013-07-02 | Pasco Corporation | Vegetation growth condition analysis method, recording medium on which program is recorded, and vegetation growth condition analyzer |
-
2013
- 2013-12-17 CN CN201310693804.XA patent/CN103679202B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8478003B2 (en) * | 2008-11-14 | 2013-07-02 | Pasco Corporation | Vegetation growth condition analysis method, recording medium on which program is recorded, and vegetation growth condition analyzer |
CN101403795A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 估算城区树覆盖率的遥感测量方法及其遥感测量系统 |
Non-Patent Citations (2)
Title |
---|
汪求来: "面向对象遥感影像分类方法及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
贾坤等: "植被覆盖度遥感估算研究进展", 《地球科学进展》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005782A (zh) * | 2014-04-24 | 2015-10-28 | 中国科学院遥感与数字地球研究所 | 一种基于多时相遥感数据及光谱数据的全球精细植被分类方法 |
US11206771B2 (en) * | 2017-03-31 | 2021-12-28 | Nec Corporation | Vegetation effect calculation device, vegetation effect calculation system, and storage medium storing vegetation effect calculation program |
CN109948556A (zh) * | 2019-03-21 | 2019-06-28 | 中国农业科学院农业资源与农业区划研究所 | 作物分类识别方法及系统 |
CN109948556B (zh) * | 2019-03-21 | 2020-10-27 | 中国农业科学院农业资源与农业区划研究所 | 作物分类识别方法及系统 |
CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN111678871A (zh) * | 2020-06-16 | 2020-09-18 | 中国气象科学研究院 | 一种非生长季植被覆盖度遥感估算方法 |
CN113822107B (zh) * | 2020-08-11 | 2024-01-19 | 山东理工大学 | 一种融合多种植被指数的土地荒漠化提取方法及装置 |
CN113822107A (zh) * | 2020-08-11 | 2021-12-21 | 山东理工大学 | 一种融合多种植被指数的土地荒漠化提取方法及装置 |
CN113029971A (zh) * | 2021-02-10 | 2021-06-25 | 北京农业信息技术研究中心 | 一种作物冠层氮素监测方法及系统 |
WO2023104130A1 (zh) * | 2021-12-08 | 2023-06-15 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
CN114441456A (zh) * | 2022-04-08 | 2022-05-06 | 中国测绘科学研究院 | 多源遥感数据结合地理分区数据的植被覆盖度反演方法 |
CN116912706A (zh) * | 2023-06-30 | 2023-10-20 | 中国科学院空天信息创新研究院 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
CN116912706B (zh) * | 2023-06-30 | 2024-02-02 | 中国科学院空天信息创新研究院 | 采样点确定、植被遥感产品真实性校验方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103679202B (zh) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679202A (zh) | 一种适用于光学遥感卫星影像植被分类方法及装置 | |
Hermosilla et al. | Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics | |
Ene et al. | Single tree detection in heterogeneous boreal forests using airborne laser scanning and area-based stem number estimates | |
Lu | Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon | |
Yang et al. | A time-series analysis of urbanization-induced impervious surface area extent in the Dianchi Lake watershed from 1988–2017 | |
US10127457B2 (en) | System and methods for generating quality, verified, and synthesized information | |
Li et al. | An automatic approach for urban land-cover classification from Landsat-8 OLI data | |
Wang et al. | Fine-scale population estimation by 3D reconstruction of urban residential buildings | |
Chen et al. | Optimal segmentation of a high-resolution remote-sensing image guided by area and boundary | |
Yu et al. | Analysis of large-scale UAV images using a multi-scale hierarchical representation | |
Wu et al. | A comparison of pixel-based decision tree and object-based Support Vector Machine methods for land-cover classification based on aerial images and airborne lidar data | |
CN104899562A (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
Hussain et al. | Object-based urban land cover classification using rule inheritance over very high-resolution multisensor and multitemporal data | |
Jeong et al. | Mapping riparian habitat using a combination ofremote-sensing techniques | |
Li et al. | Extracting check dam areas from high‐resolution imagery based on the integration of object‐based image analysis and deep learning | |
Wieland et al. | Object-based urban structure type pattern recognition from Landsat TM with a Support Vector Machine | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
Tormos et al. | Object-based image analysis for operational fine-scale regional mapping of land cover within river corridors from multispectral imagery and thematic data | |
Kathuria et al. | Development of an automated individual tree detection model using point cloud LiDAR data for accurate tree counts in a Pinus radiata plantation | |
Zhang et al. | Prior-knowledge-based spectral mixture analysis for impervious surface mapping | |
Chen et al. | An integrated GIS tool for automatic forest inventory estimates of Pinus radiata from LiDAR data | |
Suyadi et al. | Sources of uncertainty in mapping temperate mangroves and their minimization using innovative methods | |
Hirata et al. | Allometric models of DBH and crown area derived from QuickBird panchromatic data in Cryptomeria japonica and Chamaecyparis obtusa stands | |
Ozdarici-Ok et al. | Automated extraction and validation of Stone Pine (Pinus pinea L.) trees from UAV-based digital surface models | |
Xi et al. | A morphology-based method for building change detection using multi-temporal airborne LiDAR data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |