CN104766070A - 基于植被指数时序数据离散度的森林信息遥感自动提取方法 - Google Patents
基于植被指数时序数据离散度的森林信息遥感自动提取方法 Download PDFInfo
- Publication number
- CN104766070A CN104766070A CN201510191297.9A CN201510191297A CN104766070A CN 104766070 A CN104766070 A CN 104766070A CN 201510191297 A CN201510191297 A CN 201510191297A CN 104766070 A CN104766070 A CN 104766070A
- Authority
- CN
- China
- Prior art keywords
- forest
- vegetation index
- time series
- dispersion
- series data
- 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
- Image Processing (AREA)
Abstract
本发明涉及基于植被指数时序数据离散度的森林信息遥感自动提取方法,该方法基于研究区每个栅格像元的年内逐日植被指数时序数据,依据植被指数时序数据的整体分布情况以及在不同值域范围内的分布情况,分别设计整体离散度指标、中高值离散度指标、生长旺期离散度指标以及高值持续性指标。同时基于森林的植被指数时序数据离散度较小的原则,建立森林分类流程图,实现森林信息遥感自动提取,最终获得研究区森林分布图。该方法从整体上、不同值域区间以及时间段内,充分挖掘不同森林类型的植被指数数据离散程度的变化的基础上,建立多种离散度指标,用于森林信息遥感自动提取,具有鲁棒性好、分类精度高、自动化程度与抗干扰能力强的特点。
Description
技术领域
本发明属于图像处理领域,特别涉及基于植被指数时序数据离散度的森林信息遥感自动提取方法。
背景技术
快速准确获取不同类型的森林分布信息对于全球碳循环的研究并确保生态系统安全至关重要。传统的森林资源调查方法难以快速高效地获取森林空间分布信息,无法满足现代森林资源管理的需求。由于遥感数据具有大范围、高时效以及免费数据日趋丰富等优点,基于遥感时序数据开展大面积的森林资源监测不失为一种有效途径。
时序遥感数据能有效地刻画不同地物类型在一年四季甚至多年的变化特征,信息的维度大大增加,从而有效地缓解了“同物异谱”和“异物同谱”这一遥感分类的大难题。近年来,随着遥感数据源的不断丰富,基于时序遥感数据的分类技术已经成为遥感分类的主流研究方向。在森林监测方面,比较常用的方法有曲线拟合法以及物候参数法。曲线拟合法首先建立森林的标准植被指数时序曲线,通过计算和标准曲线的距离,衡量未知像元植被指数时序曲线与标准植被指数时序曲线的相似度,从而最终实现森林信息提取。物候参数法的研究思路为:首先从时序数据曲线图中提取与植被物候密切相关的参数,如植被开始生长时间、峰值时间与峰值高度、结束生长时间、不同物候期内的平均值与增长率等等参数,依据这些物候参数在不同植被类型的值域范围进行分类。这两类遥感时序分类方法均具有一定的合理性,也取得了比较好的应用效果。但其不足之处在于:由于植被物候不可避免地受到海拔、地形、气候等因素的影响,很难建立不同地物的标准时序曲线和理想的物候参数分布区间,从而直接影响到分类精度。因此,如何有效地避开建立标准时序曲线或物候参数分布的思路,设计鲁棒性强的时序遥感分类方法,成为遥感技术应用的瓶颈。本研究本着这种思路,建立基于植被指数时序数据离散度的森林信息遥感自动提取方法,为快速高效地开展森林资源调查提供相关技术方法。
在森林信息遥感自动提取中术语解释如下:MODIS数据:中分辨率成像光谱仪数据,全称为Moderate Resolution Imaging Spectroradiometer。植被指数:植被指数是表征植被生长状态以及空间分布密度的因子。常见的植被指数有NDVI和EVI。NDVI为归一化植被指数,全称为Normalized Difference Vegetation Index。EVI为增强型植被指数,全称为Enhanced Vegetation Index。年内逐日植被指数时序数据:从元旦开始,按时间顺序,逐日记录一年内的植被指数的数据列。离散度:离散程度(Measures of Dispersion),即观测变量各个取值之间的差异程度,可以通过极差、标准差以及四分位距等指标表示。
发明内容
有鉴于此,本发明的目的是提供基于植被指数时序数据离散度的森林信息遥感自动提取方法,该方法适用于大范围快速遥感监测的需求,具有自动化程度高、简单易用、鲁棒性好以及分类精度高的特点。
本发明采用以下方案实现:一种基于植被指数时序数据离散度的森林信息遥感自动提取方法,包括以下步骤:
步骤S01:建立研究区年内逐日植被指数时序数据;
步骤S02:构建整体离散度指标P;
步骤S03:构建中高值离散度指标DM;
步骤S04:构建生长旺期离散度指标DH以及高值持续性指标TH;
步骤S05:建立森林分类流程图;
步骤S06:根据所述步骤S05的分类流程图,逐像元对植被指数进行遥感自动提取,生成研究区森林分布图。
进一步地,所述步骤S01中建立研究区年内逐日植被指数时序数据的具体方法为:首先根据线性插值方法获取研究区每个栅格像元的原始的年内逐日植被指数时序数据,再采用Whittaker smoother的数据平滑方法建立研究区每个栅格单元的平滑的年内逐日植被指数时序数据,建立年内逐日植被指数时序数据的四分位图。
进一步地,所述步骤S02中构建整体离散度指标P的具体方法为:逐像元提取年内逐日植被指数时序数据的四分位图,分别获取该四分位图中植被指数的最小值Min、第一四分位数Q1、第二四分位数Q2、第三四分位数Q3以及最大值Max,其中第三四分位数Q3与第一四分位数Q1的差距为四分位距,最大值Max与最小值Min的差距为全距;根据植被指数的四分位距与全距的比值,即根据公式P=(Q3- Q1)/(Max-Min),可计算整体离散度指标P。
进一步地,所述步骤S03中构建中高值离散度指标DM的具体方法为:逐像元提取植被指数不小于第二四分位数Q2的所有植被指数时序数据,所有植被指数时序数据位于植被指数时序数据的四分位图的中高值区域M,分别计算植被指数在中高值区域内所有植被指数时序数据的极差和标准差SDm,根据植被指数在中高值区域内所有植被指数时序数据的极差与标准差的乘积,即根据公式DM=(Max-Q2)( SDm),可计算中高值离散度DM。
进一步地,所述步骤S04中构建生长旺期离散度指标DH以及高值持续性指标TH的具体方法为:首先逐像元提取植被指数不小于第二四分位数Q3的所有植被指数时序数据,分别将植被指数时序数据首次与最后一次出现不小于第三四分位数Q3的时刻记录为Start与End,将Start至End所组成的时间段记为生长旺期H,再分别计算植被指数在生长旺期内所有植被指数时序数据的极差Rh和标准差SDh,根据植被指数在生长旺期内所有植被指数时序数据的极差与标准差的乘积,即根据公式DH=Rh (SDh),可计算生长旺期离散度指标DH;逐像元按时间顺序依次提取植被指数时序数据不小于第三四分位数Q3的持续时间,依次记为t1至tn,计算所有持续时间t1至tn中的最大值,即为高值持续性指标TH。
进一步地,所述步骤S05中建立森林分类流程图,根据常绿阔叶林的中高值离散度DM很小的原则提取常绿阔叶林,即如果DM<θ1,提取出的像元为常绿阔叶林,其中θ1为阈值参数且θ1取值为0.005±0.001。
进一步地,所述步骤S05中建立森林分类流程图,根据常绿针叶林的整体离散度P以及中高值离散度DH均较小的原则提取常绿针叶林,即如果P>θ2并且DH<θ3,提取出的像元为常绿针叶林,其中θ2与θ3为阈值参数且θ2与θ3分布取值为0.45±0.09与0.04±0.008。
进一步地,所述步骤S05中建立森林分类流程图,根据落叶林的整体离散度P较小、高值持续性TH较大以及中高值离散度DM较小的原则提取落叶林,即如果P>θ2并且TH>θ4 并且 DM<θ5,提取出的像元为落叶林,其中θ2、θ4与θ5为阈值参数且θ2、θ4与θ5分别取值为0.45±0.09、70±10与0.03±0.006。
相较于现有技术,本发明具有以下有益效果:
(1)通过监测植被指数时序数据的分布情况,提取表征数据离散程度的指标,从而有效地避开建立不同地物的标准植被指数时序曲线,以及获取理想的物候参数分布区间这一难题,为鲁棒性强的时序遥感分类方法提供了新思路;
(2)综合极差与标准差,设计表征植被指数时序数据离散程度的指标,充分利用数据的整体分布特征,能有效地避免了个别数据噪声、数据异常值等带来的干扰;
(3)从数据分布的离散程度以及高值持续性出发,设计植被生长旺期的离散度指标,提取最能体现植被生长的核心特征,从而提高了分类精度;
(4)可以不借助其他辅助数据,抗噪能力强,结果稳定可靠。
附图说明
图1为本发明实施例的实现流程图。
图2为常绿阔叶林、常绿针叶林、落叶阔叶林以及落叶针叶林的植被指数时序曲线图。
图3为单季农作物、多季农作物的植被指数时序曲线图。
图4为植被指数时序数据的四分位图、生长旺期的植被指数离散度指标示意图。
图5高值持续性指标示意图。
图6为森林分类流程图。
图7为研究区森林空间分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施例提供一种基于植被指数时序数据离散度的森林信息遥感自动提取方法,如图1所示,包括以下步骤:
步骤S01:建立研究区年内逐日植被指数时序数据;
步骤S02:构建整体离散度指标P;
步骤S03:构建中高值离散度指标DM;
步骤S04:构建生长旺期离散度指标DH以及高值持续性指标TH;
步骤S05:建立森林分类流程图;
步骤S06:根据所述步骤S05的分类流程图,逐像元对植被指数进行遥感自动提取,生成研究区森林分布图。
在本实施例中,所述步骤S01中建立研究区年内逐日植被指数时序数据的具体方法为:首先根据线性插值方法获取研究区每个栅格像元的原始的年内逐日植被指数时序数据,再采用Whittaker smoother的数据平滑方法建立研究区每个栅格单元的平滑的年内逐日植被指数时序数据,建立年内逐日植被指数时序数据的四分位图。
在本实施例中,获取研究区每个栅格像元的原始的年内逐日植被指数时序数据为基于8天最大化合成的MODIS EVI数据,在去除受到云干扰的观测值的基础上得到。基于年内逐日植被指数时序数据,所建立的常绿阔叶林、常绿针叶林、落叶阔叶林、落叶针叶林、单季农作物以及多季农作物的植被指数时序曲线图如图2和图3所示。
在本实施例中,所述步骤S02中构建整体离散度指标P的具体方法为:逐像元提取年内逐日植被指数时序数据的四分位图,分别获取该四分位图中植被指数的最小值Min、第一四分位数Q1、第二四分位数Q2、第三四分位数Q3以及最大值Max,其中第三四分位数Q3与第一四分位数Q1的差距为四分位距,最大值Max与最小值Min的差距为全距;根据植被指数的四分位距与全距的比值,即根据公式P=(Q3- Q1)/(Max-Min),可计算整体离散度指标P。
在本实施例中,所述步骤S03中构建中高值离散度指标DM的具体方法为:逐像元提取植被指数不小于第二四分位数Q2的所有植被指数时序数据,所有植被指数时序数据位于植被指数时序数据的四分位图的中高值区域M,分别计算植被指数在中高值区域内所有植被指数时序数据的极差和标准差SDm,根据植被指数在中高值区域内所有植被指数时序数据的极差与标准差的乘积,即根据公式DM=(Max-Q2)( SDm),可计算中高值离散度DM。
在本实施例中,所述步骤S04中构建生长旺期离散度指标DH以及高值持续性指标TH的具体方法为:首先逐像元提取植被指数不小于第三四分位数Q3的所有植被指数时序数据,分别将植被指数时序数据首次与最后一次出现不小于第三四分位数Q3的时刻记录为Start与End,将Start至End所组成的时间段记为生长旺期H,再分别计算植被指数在生长旺期内所有植被指数时序数据的极差Rh和标准差SDh,根据植被指数在生长旺期内所有植被指数时序数据的极差与标准差的乘积,即根据公式DH=Rh (SDh),可计算生长旺期离散度指标DH;逐像元按时间顺序依次提取植被指数时序数据不小于第三四分位数Q3的持续时间,依次记为t1至tn,计算所有持续时间t1至tn中的最大值,即为高值持续性指标TH。生长旺期离散度DH与高值持续性指标TH示意图如图4与图5所示。
特别地,在本实施例中,其中Start与End的数值的含义为每年的第几天,默认元旦为第1天。
在本实施例中,所述步骤S05中建立森林分类流程图时,根据常绿阔叶林的中高值离散度DM很小的原则提取常绿阔叶林,即如果DM<θ1,提取出的像元为常绿阔叶林,其中θ1为阈值参数且θ1取值为0.005±0.001。
在本实施例中,所述步骤S05中建立森林分类流程图时,根据常绿针叶林的整体离散度P以及中高值离散度DH均较小的原则提取常绿针叶林,即如果P>θ2并且DH<θ3,提取出的像元为常绿针叶林,其中θ2与θ3为阈值参数且θ2与θ3分布取值为0.45±0.09与0.04±0.008。
在本实施例中,所述步骤S05中建立森林分类流程图时,根据落叶林的整体离散度P较小、高值持续性TH较大以及中高值离散度DM较小的原则提取落叶林,即如果P>θ2并且TH>θ4 并且 DM<θ5,提取出的像元为落叶林,其中θ2、θ4与θ5为阈值参数且θ2、θ4与θ5分别取值为0.45±0.09、70±10与0.03±0.006。
特别地,在本实施例中,综合植被指数时序数据的第三四分位数Q3、整体离散度指标P、中高值离散度指标DM、生长旺期离散度指标DH以及高值持续性指标TH,建立的森林分类流程图如图6所示。常绿阔叶林的年内植被指数时序数据的变化幅度比较小,特别是在中高值区域,其变化幅度更小,因此可以基于中高值离散度指标提取常绿阔叶林。除常绿阔叶林外的其他森林,还表现出整体离散度较低的特点,因此基于整体离散度指标剔除非森林。另外,常绿针叶林具有在生长旺期离散度很小的特征,因此利用生长旺期离散度提取常绿针叶林。对于落叶林而言,虽然不具备中高值离散度、生长旺期离散度很小的特征,但其高值持续性相对较大、中高值离散度较低,因此基于这两项指标提取落叶(阔叶或针叶)林。
在本实施例中,所建立的森林分类流程为:如果Q3>0.1,该像元为植被像元;在此基础上依据中高值离散度指标DM进一步判断属于何种植被类型,如果DM<θ1,则该像元为常绿阔叶林;否则依据整体离散度指标P进一步剔除非森林,如果P>θ2,该像元可能为森林,否则为非森林;如果该像元可能为森林,则进一步依据生长旺期离散度指标DH、高值持续性指标TH和中高值离散度指标DM判断该像元为何种森林类型;如果P>θ2并且DH<θ3,则该像元为常绿针叶林,否则依据高值持续性指标TH和中高值离散度指标DM做进一步判断;如果TH>θ4并且DM<θ5(TH>θ4 & DM<θ5),该像元为落叶(阔叶或针叶)林。
在本实施例中,特别地,基于所建立的森林分类流程图,逐像元进行森林信息遥感自动提取,最终生成研究区森林分布图。依据上述流程,可实现较精确的森林信息遥感自动提取。以湖北省为例,生产的森林分布图如图7所示。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (8)
1.基于植被指数时序数据离散度的森林信息遥感自动提取方法,其特征在于包括以下步骤:
步骤S01:建立研究区年内逐日植被指数时序数据;
步骤S02:构建整体离散度指标P;
步骤S03:构建中高值离散度指标DM;
步骤S04:构建生长旺期离散度指标DH以及高值持续性指标TH;
步骤S05:建立森林分类流程图;
步骤S06:根据所述步骤S05的分类流程图,逐像元对植被指数进行遥感自动提取,生成研究区森林分布图。
2.根据权利要求1所述的基于植被指数时序数据离散度的森林信息遥感自动提取方法,其特征在于:所述步骤S01中建立研究区年内逐日植被指数时序数据的具体方法为:首先根据线性插值方法获取研究区每个栅格像元的原始的年内逐日植被指数时序数据,再采用Whittaker smoother的数据平滑方法建立研究区每个栅格单元的平滑的年内逐日植被指数时序数据,建立年内逐日植被指数时序数据的四分位图。
3.根据权利要求1所述的基于植被指数时序数据离散度的森林信息遥感自动提取方法,其特征在于:所述步骤S02中构建整体离散度指标P的具体方法为:逐像元提取年内逐日植被指数时序数据的四分位图,分别获取该四分位图中植被指数的最小值Min、第一四分位数Q1、第二四分位数Q2、第三四分位数Q3以及最大值Max,其中第三四分位数Q3与第一四分位数Q1的差距为四分位距,最大值Max与最小值Min的差距为全距;根据植被指数的四分位距与全距的比值,即根据公式P=(Q3- Q1)/(Max-Min),可计算整体离散度指标P。
4.根据权利要求1所述的基于植被指数时序数据离散度的森林信息遥感自动提取方法,其特征在于:所述步骤S03中构建中高值离散度指标DM的具体方法为:逐像元提取植被指数不小于第二四分位数Q2的所有植被指数时序数据,所有植被指数时序数据位于植被指数时序数据的四分位图的中高值区域M,分别计算植被指数在中高值区域内所有植被指数时序数据的极差和标准差SDm,根据植被指数在中高值区域内所有植被指数时序数据的极差与标准差的乘积,即根据公式DM=(Max-Q2)( SDm),可计算中高值离散度DM。
5.根据权利要求1所述的基于植被指数时序数据离散度的森林信息遥感自动提取方法,其特征在于:所述步骤S04中构建生长旺期离散度指标DH以及高值持续性指标TH的具体方法为:首先逐像元提取植被指数不小于第二四分位数Q3的所有植被指数时序数据,分别将植被指数时序数据首次与最后一次出现不小于第三四分位数Q3的时刻记录为Start与End,将Start至End所组成的时间段记为生长旺期H,再分别计算植被指数在生长旺期内所有植被指数时序数据的极差Rh和标准差SDh,根据植被指数在生长旺期内所有植被指数时序数据的极差与标准差的乘积,即根据公式DH=Rh (SDh),可计算生长旺期离散度指标DH;逐像元按时间顺序依次提取植被指数时序数据不小于第三四分位数Q3的持续时间,依次记为t1至tn,计算所有持续时间t1至tn中的最大值,即为高值持续性指标TH。
6.根据权利要求1所述的基于植被指数时序数据离散度的森林信息遥感自动提取方法,其特征在于:所述步骤S05中建立森林分类流程图,根据常绿阔叶林的中高值离散度DM很小的原则提取常绿阔叶林,即如果DM<θ1,提取出的像元为常绿阔叶林,其中θ1为阈值参数且θ1取值为0.005±0.001。
7.根据权利要求1所述的基于植被指数时序数据离散度的森林信息遥感自动提取方法,其特征在于:所述步骤S05中建立森林分类流程图,根据常绿针叶林的整体离散度P以及中高值离散度DH均较小的原则提取常绿针叶林,即如果P>θ2并且DH<θ3,提取出的像元为常绿针叶林,其中θ2与θ3为阈值参数且θ2与θ3分布取值为0.45±0.09与0.04±0.008。
8.根据权利要求1所述的基于植被指数时序数据离散度的森林信息遥感自动提取方法,其特征在于:所述步骤S05中建立森林分类流程图,根据落叶林的整体离散度P较小、高值持续性TH较大以及中高值离散度DM较小的原则提取落叶林,即如果P>θ2并且TH>θ4 并且 DM<θ5,提取出的像元为落叶林,其中θ2、θ4与θ5为阈值参数且θ2、θ4与θ5分别取值为0.45±0.09、70±10与0.03±0.006。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510191297.9A CN104766070B (zh) | 2015-04-22 | 2015-04-22 | 基于植被指数时序数据离散度的森林信息遥感自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510191297.9A CN104766070B (zh) | 2015-04-22 | 2015-04-22 | 基于植被指数时序数据离散度的森林信息遥感自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766070A true CN104766070A (zh) | 2015-07-08 |
CN104766070B CN104766070B (zh) | 2018-02-06 |
Family
ID=53647884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510191297.9A Expired - Fee Related CN104766070B (zh) | 2015-04-22 | 2015-04-22 | 基于植被指数时序数据离散度的森林信息遥感自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766070B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388475A (zh) * | 2015-10-27 | 2016-03-09 | 中国热带农业科学院橡胶研究所 | 一种在palsar森林分类结果中去除高生物量甘蔗的方法 |
CN105718936A (zh) * | 2016-02-02 | 2016-06-29 | 福州大学 | 一种森林动态变化模式自动提取方法 |
CN108388832A (zh) * | 2018-01-11 | 2018-08-10 | 福州大学 | 一种基于多时序指标变化趋势的退耕还林自动识别方法 |
CN113343180A (zh) * | 2021-06-17 | 2021-09-03 | 北京市环境保护科学研究院 | 一种植被生态环境突变监测方法及其系统 |
CN113392166A (zh) * | 2021-06-11 | 2021-09-14 | 河南工业大学 | 一种遥感时序数据聚类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
CN101216297A (zh) * | 2008-01-14 | 2008-07-09 | 北京林业大学 | 森林资源航天遥感与地面角规抽样配套系统集成技术方法 |
CN102401894A (zh) * | 2010-09-08 | 2012-04-04 | 杨存建 | 多源数据协同的精细森林植被类型信息遥感更新方法 |
-
2015
- 2015-04-22 CN CN201510191297.9A patent/CN104766070B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
CN101216297A (zh) * | 2008-01-14 | 2008-07-09 | 北京林业大学 | 森林资源航天遥感与地面角规抽样配套系统集成技术方法 |
CN102401894A (zh) * | 2010-09-08 | 2012-04-04 | 杨存建 | 多源数据协同的精细森林植被类型信息遥感更新方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388475A (zh) * | 2015-10-27 | 2016-03-09 | 中国热带农业科学院橡胶研究所 | 一种在palsar森林分类结果中去除高生物量甘蔗的方法 |
CN105388475B (zh) * | 2015-10-27 | 2018-01-19 | 中国热带农业科学院橡胶研究所 | 一种在palsar森林分类结果中去除高生物量甘蔗的方法 |
CN105718936A (zh) * | 2016-02-02 | 2016-06-29 | 福州大学 | 一种森林动态变化模式自动提取方法 |
CN108388832A (zh) * | 2018-01-11 | 2018-08-10 | 福州大学 | 一种基于多时序指标变化趋势的退耕还林自动识别方法 |
CN113392166A (zh) * | 2021-06-11 | 2021-09-14 | 河南工业大学 | 一种遥感时序数据聚类方法 |
CN113392166B (zh) * | 2021-06-11 | 2022-10-21 | 河南工业大学 | 一种遥感时序数据聚类方法 |
CN113343180A (zh) * | 2021-06-17 | 2021-09-03 | 北京市环境保护科学研究院 | 一种植被生态环境突变监测方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104766070B (zh) | 2018-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766070A (zh) | 基于植被指数时序数据离散度的森林信息遥感自动提取方法 | |
Grogan et al. | Cross-border forest disturbance and the role of natural rubber in mainland Southeast Asia using annual Landsat time series | |
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
Xue et al. | Phenology-driven land cover classification and trend analysis based on long-term remote sensing image series | |
CN106548141B (zh) | 一种基于三角网的面向对象耕地信息自动提取方法 | |
Sen et al. | Identifying revegetated mines as disturbance/recovery trajectories using an interannual Landsat chronosequence | |
Pirotti et al. | A comparison of tree segmentation methods using very high density airborne laser scanner data | |
CN105718936A (zh) | 一种森林动态变化模式自动提取方法 | |
CN106845366B (zh) | 基于图像的甘蔗覆盖度自动检测方法 | |
CN104155638A (zh) | 一种基于LiDAR伪垂直波形模型的树种分类方法 | |
Li et al. | Enhanced automatic root recognition and localization in GPR images through a YOLOv4-based deep learning approach | |
CN105893977A (zh) | 一种基于自适应特征选择的水稻制图方法 | |
CN112347894A (zh) | 基于迁移学习和高斯混合模型分离的单株植被提取方法 | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
CN112116242A (zh) | 一种结合多种遥感指标的裸土变化识别方法 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
CN117475313A (zh) | 一种基于训练样本自动化提取的大尺度冬小麦早期识别方法 | |
CN103268632B (zh) | 一种机载激光雷达扫描生成地形信息的方法 | |
CN101788664A (zh) | 面向土地退化响应单元的高光谱土地退化信息提取方法 | |
CN102982345B (zh) | 基于连续小波变换的时序遥感影像半自动分类方法 | |
CN101788685B (zh) | 基于像元的遥感震害信息提取与挖掘方法 | |
Rowell et al. | Using laser altimetry-based segmentation to refine automated tree identification in managed forests of the Black Hills, South Dakota | |
CN114463621A (zh) | 现代沉积源-汇系统遥感定量分析方法及装置 | |
Che et al. | Spatio-temporal urban change mapping with time-series SAR data | |
CN107507885B (zh) | 基于多通道传感器数据的太阳能电池生产过程监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate 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: 20180206 Termination date: 20210422 |
|
CF01 | Termination of patent right due to non-payment of annual fee |