CN104596448A - 基于藻类指数频次法的富营养水体水生植被遥感提取方法 - Google Patents
基于藻类指数频次法的富营养水体水生植被遥感提取方法 Download PDFInfo
- Publication number
- CN104596448A CN104596448A CN201510074116.4A CN201510074116A CN104596448A CN 104596448 A CN104596448 A CN 104596448A CN 201510074116 A CN201510074116 A CN 201510074116A CN 104596448 A CN104596448 A CN 104596448A
- Authority
- CN
- China
- Prior art keywords
- period
- vpf
- eutrophic water
- vegetation
- aquatic vegetation
- 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
Landscapes
- Cultivation Of Seaweed (AREA)
Abstract
本发明提供了一种基于藻类指数频次法的富营养水体水生植被遥感提取方法,包括:S1、对富营养化水域中水生植被茂盛且面积稳定的若干时段选取MODIS影像;S2、对选取的MODIS影像进行FAI指数的计算;S3、根据FAI指数计算若干时段中每一像元j处植被信号出现频次VPF;S4、定义所有时段的VPF阈值,计算水生植被面积Aav。本发明能有效去除漂浮藻类在水生植被遥感反演中造成的影响,通过典型时段划分、频次判定与卫星影像判定结合的方式,达到了同时去除漂浮藻类以及常年水华区域对水生植被面积遥感精确反演影响的目的。
Description
技术领域
本发明涉及水环境遥感反演过程中藻类与水生植被的区分技术领域,尤其涉及一种基于指数频次法的富营养化(藻华频发)水域中水生植被遥感提取方法。
背景技术
水生植被在水生态系统中有诸多重要的生态和经济价值,如:为水生生物提供必要的生境、沉积物的固定、营养盐的循环以及维持渔业生产。水质的恶化往往伴随着水生植被面积的急剧消退,水生植被分布情况往往成为水生态系统中水质及营养盐输入的指示指标。因此,水生植被分布及面积的及时有效监测对湖泊(水库)的监测和管理有着极其重要的作用。
传统的实地观测费时费力且频率较低,利用遥感手段对大型湖泊进行水生植被的面积和分布进行调查,有着传统实地观测不可比拟的优势。一般来说,水生植被的遥感监测多使用机载照相机或多光谱遥感影像数据(如Landsat TM和SPOT)来进行。较之机载成像,卫星遥感影像具有诸多优势:1)区域的重复性。卫星会周期性的覆盖固定区域,有利于监测目标地物的时空变化。2)数据处理的便捷性。遥感卫星数据是数字格式,可以便捷的整合进地理信息系统以便进一步的分析处理。3)更加经济实用。反之,机载成像花费高且处理过程复杂,不适合区域的重复监测。
通过卫星遥感影片判别水生植被的分析手段一般有影像分类法和植被指数法。众多遥感影像的分析方法已被运用在水生植被的判别中,如监督最大似然分类法,决策树法,人工神经网络和模糊聚类法,非监督聚类分类法以及基于先验知识的遥感反演等。植被指数可加强植被的信号,归一化植被指数(Normalized Difference Vegetation Index,NDVI),最大叶绿素指数(Maximum Chorophyll Index,MCI),蓝藻指数(Cyanobacteria Index,CI)和漂浮藻类指数(Floating Algal Index,FAI)等。其中,FAI指数最初用于浑浊二类水体漂浮藻类的识别,在浑浊水体和浅水水域的实用性更强,可有效避免CDOM、厚气溶胶以及夏季太阳耀斑的影响;并已在太湖,黄海,墨西哥湾等水域得到了验证。
然而,对于大型浅水湖泊太湖而言,由于富营养化严重,藻类频发,而目前的中等分辨率卫星均难以区分藻类与水生植被的光谱信息,因而极大的影响了水生植被面积的遥感精确反演。在藻类和水生植被共存的水域,悬浮藻类的光谱信息与挺水植被类似,所以极易形成误判。同时,目前现存的利用中等分辨率卫星对此类水域水生植被的判别均是基于环境先验知识(直接去除可能出现藻类的区域)或者缺少地面实测数据的检验。事实上,在浅水环境中水生植被与藻类共存的情况十分多见。以太湖为例,实地监测表明,即使是在藻华频发的竺山湾,梅梁湾和贡湖湾依然有较多水生植被生存。并且,目前的方法反演水生植被面积时直接依据先验知识去除藻类频发的区域,在长时间序列反演时会造成较大的误差,不能真实的反映水生态系统的演变过程。
有鉴于此,针对富营养化水域这一敏感地带,有必要提出一种基于藻类指数频次法的富营养化水体水生植被遥感提取方法,提高水生植被的遥感判别精度。
发明内容
本发明的目的在于提供一种基于藻类指数频次法的富营养水体水生植被遥感提取方法,适用于藻类频发的大面积水域,同时操作方法简便,便与推广和应用。
本发明利用MODIS(Moderate Resolution Imaging Spectroradiometer,MODIS)影像,通过FAI植被指数、藻类和水生植被物候学的典型时段划分以及植被信号出现频次三者结合的方法实现了对太湖水生植被分布的精确反演。该方法一方面去除了漂浮藻类引起的误判,另一方面去除了常年水华堆积区域引起的误判,具有较为明显的优势和创新性。
为实现上述目的,本发明采用如下技术方案:
一种基于藻类指数频次法的富营养水体水生植被遥感提取方法,所述方法包括:
S1、对富营养化水域中水生植被茂盛且面积稳定的若干时段选取MODIS影像;
S2、对选取的MODIS影像进行FAI指数的计算;
S3、根据FAI指数计算若干时段中每一像元j处植被信号出现频次VPF;
S4、定义所有时段的VPF阈值,计算水生植被面积Aav。
作为本发明的进一步改进,所述步骤S1包括:
所述富营养化水域为不存在常年堆积藻华的富营养化水域时,选取富营养化水域中水生植被茂盛且面积稳定的时段内的MODIS影像;或
所述富营养化水域为存在常年堆积藻华的富营养化水域时,将富营养化水域划分为藻类和水生植被繁茂期的第一时段、堆积藻类和越冬植被共存期的第二时段、和越冬植被期的第三时段,选取各时段的MODIS影像。
作为本发明的进一步改进,所述富营养化水域为不存在常年堆积藻华的富营养化水域时,选取的时段大于或等于2个月;所述富营养化水域为存在常年堆积藻华的富营养化水域时,第一时段为当年的6月-10月,第二时段为当年的2月和3月,第三时段为上一年的12月和当年的1月。
作为本发明的进一步改进,所述步骤S2具体为:
对选取的MODIS影像进行FAI指数的计算,计算方法为:
FAI=Rrc(859)-Rrc'(859),
Rrc'(859)=Rrc(645)+[Rrc(1240)-Rrc(645)]·(859-645)/(1240-645),
其中,Rrc(λ)为经瑞利散射校正后的遥感反射率,λ为波长。
作为本发明的进一步改进,所述步骤S3具体为:
计算各个时段中每一像元j处植被信号出现频次VPF:
当FAI大于阈值TFAI,即将像该元j在FAI层赋值为1;否则,即赋值为0;
其中,VPFnj指像元j在影像集n中植被信号出现的频次,代表总影像数量n中像元j值为1的频次。
作为本发明的进一步改进,所述阈值TFAI为-0.025。
作为本发明的进一步改进,所述富营养化水域为不存在常年堆积藻华的富营养化水域时,所述步骤S4具体为:
计算水生植被面积Aav:
Aav=A(T),
Aav指水生植被面积;T是所选取时段的VPF阈值;A(T)指在VPF图层中数值大于阈值T的区域。
作为本发明的进一步改进,所述步骤S4中所选取时段的VPF阈值为0.85。
作为本发明的进一步改进,所述富营养化水域为存在常年堆积藻华的富营养化水域时,所述步骤S4具体为:
计算水生植被面积Aav:
Aav=A(T1)-A(T2)+A(T3)-A(depth),
Aav指水生植被面积;T1、T2、T3分别是第一时段、第二时段和第三时段的VPF阈值;A(T1)、A(T2)、A(T3)指三个VPF图层中数值大于VPF阈值T1、T2、T3的区域;A(depth)指水深大于某一深度阈值的区域。
作为本发明的进一步改进,所述步骤S4中第一时段、第二时段和第三时段的VPF阈值分别为:0.85、0.45和0.55;水生植被生长的深度阈值为2.2m。
本发明的有益效果是:
能有效去除漂浮藻类在水生植被遥感反演中造成的影响,通过典型时段划分、频次判定与卫星影像判定结合的方式,达到了同时去除漂浮藻类以及常年水华区域对水生植被面积遥感精确反演影响的目的;
操作较为简便,所需成本低。
附图说明
图1为本发明一种基于藻类指数频次法的富营养水体水生植被遥感提取方法的流程图;
图2为本发明实施例1中水生植被判别的最适阈值TFAI选取示意图;
图3为本发明实施例1中不同阈值TFAI判别结果对比图;
图4为本发明实施例1中基于MODIS影像得到的太湖2003-2013逐月FAI频次分布图;
图5为本发明实施例2中2008到2012年太湖水生植被遥感反演结果与实测值对比图。
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述。但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
参图1所示,本发明公开了一种基于藻类指数频次法的富营养水体水生植被遥感提取方法,其包括:
S1、对富营养化水域中水生植被茂盛且面积稳定的若干时段选取MODIS影像;
S2、对选取的MODIS影像进行FAI指数的计算;
S3、根据FAI指数计算若干时段中每一像元j处植被信号出现频次VPF;
S4、定义所有时段的VPF阈值,计算水生植被面积Aav。
具体包括:
方案一,针对仅存在暂时漂浮藻类,不存在常年堆积藻华的富营养化水域。首先,选取水生植被茂盛且面积稳定的时间段内的MODIS影像,然后对选取的MODIS影像进行FAI指数的计算,再计算该时段中每一像元处植被信号出现频次,再通过频次阈值的设定达到去除漂浮藻类的效果,一般情况下,该阈值定为0.85。
方案二,针对存在常年堆积藻华的富营养化水域。首先根据太湖藻类和水生植被的物候学生长特征,将全年符合标准的MODIS影像划分为三个时间段(藻类和水生植被茂盛期,常年堆积藻华与越冬植被共存期,越冬植被期),再对选取的MODIS影像进行FAI指数的计算,然后根据实测结果设定每个时段植被信号出现的频次阈值,以去除偶然出现的藻华区域;将三个时段的判别结果进行计算,最终获得精确的水生植被面积。同时,加入水深判别,进一步提高结果的精度。
具体而言,本方法包括如下两种具体的技术方案:
方案一,针对仅存在暂时漂浮藻类,不存在常年堆积藻华的富营养化水域。
本方案包含如下步骤:
S1、选取水生植被茂盛且面积稳定的时段内的MODIS影像,一般该时段应大于或等于2个月。
S2、对选取的MODIS影像进行FAI指数的计算,计算方法为:
FAI=Rrc(859)-Rrc'(859),
Rrc'(859)=Rrc(645)+[Rrc(1240)-Rrc(645)]·(859-645)/(1240-645),
其中,Rrc(λ)为经瑞利散射校正后的遥感反射率,sr-1,λ为波长,nm。
S3、计算该时段中每一像元j处植被信号出现频次(Vegetation Presence Frequency,VPF):
当FAI大于阈值TFAI,即将像该元j在FAI层赋值为1;否则,即赋值为0;
其中,VPFnj指像元j在影像集n中植被信号出现的频次,代表总影像数量n中像元j值为1的频次。
因此,当像元j在每个FAI层均等于1,则VPF等于1;当像元j在每个FAI层均等于0,则VPF等于0。
阈值TFAI需根据所研究区域的实际情况确定,一般为-0.025。
S4、计算水生植被面积Aav:
Aav=A(T),
Aav指水生植被面积;T是所选取时段的VPF阈值;A(T)指在VPF图层中数值大于阈值T的区域。
VPF阈值需根据所研究区域的实际情况确定,一般为0.85。
方案二,针对存在常年堆积藻华的富营养化水域。
以太湖为例,本方案包括如下步骤:
S1、藻类和水生植被生长典型时段的划分,根据太湖藻类和水生植被的物候学生长特征,将全年符合标准的MODIS影像划分为以下三组:
第一时段(藻类和水生植被繁茂期):6月-10月;
第二时段(堆积藻类和越冬植被共存期):2月和3月;
第三时段(越冬植被期):上一年的12月和当年1月。
S2、对选取的MODIS影像进行FAI指数的计算,计算方法为:
FAI=Rrc(859)-Rrc'(859),
Rrc'(859)=Rrc(645)+[Rrc(1240)-Rrc(645)]·(859-645)/(1240-645),
其中,Rrc(λ)为经瑞利散射校正后的遥感反射率,sr-1,λ为波长,nm。
S3、计算所定义的三个时段中每一像元j处植被信号出现频次(Vegetation PresenceFrequency,VPF):
当FAI大于阈值TFAI,即将像该元j在FAI层赋值为1;否则,即赋值为0;
其中,VPFnj指像元j在影像集n中植被信号出现的频次,代表总影像数量n中像元j值为1的频次。
因此,当像元j在每个FAI层均等于1,则VPF等于1;当像元j在每个FAI层均等于0,则VPF等于0。
阈值TFAI需根据所研究区域的实际情况确定,一般为-0.025。
S4、计算水生植被面积Aav:
Aav=A(T1)-A(T2)+A(T3)-A(depth),
Aav指水生植被面积;T1、T2、T3分别是第一时段、第二时段和第三时段的VPF阈值;A(T1)、A(T2)、A(T3)指三个VPF图层中数值大于VPF阈值T1、T2、T3的区域;A(depth)指水深大于某一深度阈值的区域。
第一时段、第二时段和第三时段的VPF阈值以及水生植被生长的深度阈值需根据研究区域的实际情况确定。在太湖,T1、T2、T3区域的VPF阈值分别为:0.85、0.45和0.55;水生植被生长的深度阈值为2.2m。
本发明所述的方法,优先使用MODIS影像,不包含受到云覆盖、太阳耀斑和厚气溶胶影响严重(超过研究区域面积的15%)的影像。
本发明所述的方法,所选择阈值根据太湖实际测定结果得到。若用于其它区域水生植被的判定,可根据研究区域的实际情况重新设定。
以下结合具体实施例对本发明作进一步说明。
实施例1
图2为水生植被判别的最适阈值TFAI选取示意图。
由于原始的阈值TFAI是用于水体中浮游藻类面积的判别,因此本发明以太湖为例,改进了这一阈值,使其适用于水生植被分布的判别。从图2中可以看出,与同期实测值(均匀分布于湖面的104个实测站点)比较表明,阈值TFAI为-0.025时对水域中植被信号的判别效果最佳,与实测结果相符的总体精度为81.55%。
图3为不同阈值TFAI判别结果对比图,其中,黑色圆点表示实测结果为水域,黑色十字表示实测结果为水生植被,黑色三角形表示实测结果为堆积藻华。
为了进一步阐明FAI阈值变化对水生植被面积判别结果的影响,挑选了阈值为-0.04,-0.025和-0.004的情况加以详述。从图3中可以看出,当阈值TFAI为-0.04(小于-0.025)时,总体精度为77.67%,大面积的非藻华堆积区域被误判为植被信号,如太湖北部的两个湖湾;当阈值TFAI为-0.004(大于-0.025)时,总体精度为70%,太湖东南部的水生植被区域明显偏小;当阈值TFAI为-0.025时,总体精度为81.55%,判别结果与实测结果十分相符。
图4为基于MODIS影像得到的太湖2003-2013逐月FAI频次分布图。从图4中可以看出:1月和12月的植被信号分布十分相似,植被信号多分布在东太湖和岸边带。这与实地观测的结果相吻合,在此期间的植被信号均来自于岸边及浅滩处的芦苇。2月和3月期间高频植被信号区域逐渐扩大。在此期间,水温有所提高,藻华严重区域沉积物中越冬的微囊藻生长并上浮至水体表面。4月和5月,由于藻类和水生植被的生长,高频植被区域迅速扩张。6月至10月,藻类和水生植被生长均处于巅峰期,高频植被区域达到最大。11月期间,由于温度的降低,藻类和水生植被面积均急剧减小。说明在藻华频发的水域,以时段划分的方法去除常年堆积藻华区域对水生植被分布的遥感精确反演,有着明确的生态学理论基础。
实施例2
本实施例中,利用方案二计算太湖2008-2012年水生植被分布情况,所得结果用2008-2012年太湖水生植被实测数据进行验证(实测数据为每年48个点位,均匀分布,于图5中标出;2008和2009年均缺失一个实测点)。
(1)藻类和水生植被生长典型时段的划分,根据太湖藻类和水生植被的物候学生长特征,将全年符合标准的MODIS影像划分为以下三组:
时段1(藻类和水生植被繁茂期):6月-10月;
时段2(堆积藻类和越冬植被共存期):2月和3月;
时段3(越冬植被期):上一年的12月和当年1月。
(2)对选取的MODIS影像进行FAI指数的计算
FAI=Rrc(859)-Rrc'(859),
Rrc'(859)=Rrc(645)+[Rrc(1240)-Rrc(645)]·(859-645)/(1240-645),
其中,Rrc(λ)为经瑞利散射校正后的遥感反射率,sr-1,λ为波长,nm。
(3)所定义的三个时段中每一像元j处植被出现频次(Vegetation PresenceFrequency,VPF)的计算:
当FAI大于阈值TFAI,即将像该元j在FAI层赋值为1;否则,即赋值为0;
其中,VPFnj指像元j在影像集n中植被信号出现的频次,代表总影像数量n中像元j值为1的频次。因此,当像元j在每个FAI层均等于1,则VPF等于1;当像元j在每个FAI层均等于0,则VPF等于0。阈值TFAI为-0.025。
(4)计算水生植被面积:
Aav=A(T1)-A(T2)+A(T3)-A(depth),
Aav指水生植被面积;T1、T2、T3分别是第一时段、第二时段和第三时段的VPF阈值;A(T1)、A(T2)、A(T3)指三个VPF图层中数值大于VPF阈值T1、T2、T3的区域;A(depth)指水深大于某一深度阈值的区域。T1、T2、T3区域的VPF阈值分别为:0.85、0.45和0.55;水生植被生长的深度阈值为2.2m。
所得结果与实测结果对比如图5,图5中黑色圆点表示实测结果为水域,黑色十字表示实测结果为水生植被。对本方法计算所得植被面积和实测结果进行精度验证,结果表明:2008年到2012年,水生植被的分类精度分别为90.90%,,80.00%,66.67%,86.36%和68.42%;总体精度分别为87.23%,80.85%,77.08%,87.50%和72.92%(图5,表1)。
表1:2008到2012年水生植被判别精度表
由以上技术方案可以看出,本发明具有以下有益效果:
能有效去除漂浮藻类在水生植被遥感反演中造成的影响,通过典型时段划分、频次判定与卫星影像判定结合的方式,达到了同时去除漂浮藻类以及常年水华区域对水生植被面积遥感精确反演影响的目的;
操作较为简便,所需成本低。
应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于藻类指数频次法的富营养水体水生植被遥感提取方法,其特征在于,所述方法包括:
S1、对富营养化水域中水生植被茂盛且面积稳定的若干时段选取MODIS影像;
S2、对选取的MODIS影像进行FAI指数的计算;
S3、根据FAI指数计算若干时段中每一像元j处植被信号出现频次VPF;
S4、定义所有时段的VPF阈值,计算水生植被面积Aav。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1包括:
所述富营养化水域为不存在常年堆积藻华的富营养化水域时,选取富营养化水域中水生植被茂盛且面积稳定的时段内的MODIS影像;或
所述富营养化水域为存在常年堆积藻华的富营养化水域时,将富营养化水域划分为藻类和水生植被繁茂期的第一时段、堆积藻类和越冬植被共存期的第二时段、和越冬植被期的第三时段,选取各时段的MODIS影像。
3.根据权利要求2所述的方法,其特征在于,所述富营养化水域为不存在常年堆积藻华的富营养化水域时,选取的时段大于或等于2个月;所述富营养化水域为存在常年堆积藻华的富营养化水域时,第一时段为当年的6月-10月,第二时段为当年的2月和3月,第三时段为上一年的12月和当年的1月。
4.根据权利要求2所述的方法,其特征在于,所述步骤S2具体为:
对选取的MODIS影像进行FAI指数的计算,计算方法为:
FAI=Rrc(859)-Rrc'(859),
Rrc'(859)=Rrc(645)+[Rrc(1240)-Rrc(645)]·(859-645)/(1240-645),
其中,Rrc(λ)为经瑞利散射校正后的遥感反射率,λ为波长。
5.根据权利要求4所述的方法,其特征在于,所述步骤S3具体为:
计算各个时段中每一像元j处植被信号出现频次VPF:
当FAI大于阈值TFAI,即将像该元j在FAI层赋值为1;否则,即赋值为0;
其中,VPFnj指像元j在影像集n中植被信号出现的频次,代表总影像数量n中像元j值为1的频次。
6.根据权利要求5所述的方法,其特征在于,所述阈值TFAI为-0.025。
7.根据权利要求5所述的方法,其特征在于,所述富营养化水域为不存在常年堆积藻华的富营养化水域时,所述步骤S4具体为:
计算水生植被面积Aav:
Aav=A(T),
Aav指水生植被面积;T是所选取时段的VPF阈值;A(T)指在VPF图层中数值大于阈值T的区域。
8.根据权利要求7所述的方法,其特征在于,所述步骤S4中所选取时段的VPF阈值为0.85。
9.根据权利要求5所述的方法,其特征在于,所述富营养化水域为存在常年堆积藻华的富营养化水域时,所述步骤S4具体为:
计算水生植被面积Aav:
Aav=A(T1)-A(T2)+A(T3)-A(depth),
Aav指水生植被面积;T1、T2、T3分别是第一时段、第二时段和第三时段的VPF阈值;A(T1)、A(T2)、A(T3)指三个VPF图层中数值大于VPF阈值T1、T2、T3的区域;A(depth)指水深大于某一深度阈值的区域。
10.根据权利要求9所述的方法,其特征在于,所述步骤S4中第一时段、第二时段和第三时段的VPF阈值分别为:0.85、0.45和0.55;水生植被生长的深度阈值为2.2m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510074116.4A CN104596448B (zh) | 2015-02-11 | 2015-02-11 | 基于藻类指数频次法的富营养水体水生植被遥感提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510074116.4A CN104596448B (zh) | 2015-02-11 | 2015-02-11 | 基于藻类指数频次法的富营养水体水生植被遥感提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104596448A true CN104596448A (zh) | 2015-05-06 |
CN104596448B CN104596448B (zh) | 2017-05-24 |
Family
ID=53122391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510074116.4A Active CN104596448B (zh) | 2015-02-11 | 2015-02-11 | 基于藻类指数频次法的富营养水体水生植被遥感提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104596448B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106468658A (zh) * | 2016-09-05 | 2017-03-01 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻蓝素的modis遥感监测方法 |
CN109635249A (zh) * | 2019-01-09 | 2019-04-16 | 中国科学院遥感与数字地球研究所 | 水体浊度反演模型建立方法、水体浊度检测方法及装置 |
CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101271489B1 (ko) * | 2012-10-09 | 2013-06-05 | 한국지질자원연구원 | 인공위성 영상자료 중 해조류 양식장 탐지용 분광영역의 인공위성 영상자료 추출방법 |
CN103743700B (zh) * | 2014-01-17 | 2016-07-06 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
-
2015
- 2015-02-11 CN CN201510074116.4A patent/CN104596448B/zh active Active
Non-Patent Citations (4)
Title |
---|
CHUANMIN HU等: "Moderate Resolution Imaging Spectroradiometer (MODIS)", 《JOURNAL OF GEOPHYSICAL RESEARCH》 * |
尚琳琳等: "利用MODIS影像提取太湖蓝藻水华的尺度差异性分析", 《湖泊科学》 * |
李亚春等: "基于MODIS植被指数的太湖蓝藻信息提取方法研究", 《气象科学》 * |
鲁韦坤等: "MODIS遥感监测滇池蓝藻水华分布", 《气象科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106468658A (zh) * | 2016-09-05 | 2017-03-01 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻蓝素的modis遥感监测方法 |
CN106468658B (zh) * | 2016-09-05 | 2019-08-02 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻蓝素的modis遥感监测方法 |
CN109635249A (zh) * | 2019-01-09 | 2019-04-16 | 中国科学院遥感与数字地球研究所 | 水体浊度反演模型建立方法、水体浊度检测方法及装置 |
CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104596448B (zh) | 2017-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Rapid, robust, and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine | |
Isikdogan et al. | RivaMap: An automated river analysis and mapping engine | |
Zhao et al. | Mapping large-area tidal flats without the dependence on tidal elevations: A case study of Southern China | |
Frazier et al. | Water body detection and delineation with Landsat TM data | |
CN102855494B (zh) | 一种卫星遥感影像的水体提取方法及装置 | |
Zhou et al. | Remotely sensed water turbidity dynamics and its potential driving factors in Wuhan, an urbanizing city of China | |
Gao et al. | AlgaeNet: A deep-learning framework to detect floating green algae from optical and SAR imagery | |
CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
Jiang et al. | A novel index to detect green-tide using UAV-based RGB imagery | |
Xia et al. | High-resolution mapping of water photovoltaic development in China through satellite imagery | |
CN111402169A (zh) | 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法 | |
Zhou et al. | Retrieving dynamics of the surface water extent in the upper reach of Yellow River | |
CN104596448A (zh) | 基于藻类指数频次法的富营养水体水生植被遥感提取方法 | |
Wang et al. | Recognition of aquatic vegetation above water using shortwave infrared baseline and phenological features | |
Wei et al. | Long-term observation of global nuclear power plants thermal plumes using Landsat images and deep learning | |
Saleh et al. | Analyzing land use/land cover change using remote sensing and GIS in Mosul District, Iraq | |
Ji et al. | Identification and assessment of the drift velocity of green tides using the maximum cross-correlation method in the Yellow Sea | |
Pinton et al. | Estimating mussel mound distribution and geometric properties in coastal salt marshes by using UAV-Lidar point clouds | |
Shih et al. | Waterline digital elevation model development to quantify inundation duration and coastal protection of tidal wetlands | |
Bocchino et al. | Water reservoirs monitoring through Google Earth Engine: application to Sentinel and Landsat imagery | |
Kaplan | Mapping three decades water changes in North Macedonia using remote sensing data | |
Dewidar | Monitoring temporal changes of the surface water area of the Burullus and Manzala lagoons using automatic techniques applied to a Landsat satellite data series of the Nile Delta coast | |
AI-Mashagbah et al. | Estimation of changes in the Dead Sea surface water area through multiple water index algorithms and geospatial techniques | |
Liu et al. | Mapping 10 m monthly surface water dynamics in the Yangtze River basin from 2017 to 2020 using a robust ATMC algorithm | |
Ge et al. | Coastal erosion mapping through intergration of SAR and Landsat TM imagery |
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 |