CN104766075B - 一种基于阈值提取和模糊评价的草炭土遥感识别方法 - Google Patents
一种基于阈值提取和模糊评价的草炭土遥感识别方法 Download PDFInfo
- Publication number
- CN104766075B CN104766075B CN201510224154.3A CN201510224154A CN104766075B CN 104766075 B CN104766075 B CN 104766075B CN 201510224154 A CN201510224154 A CN 201510224154A CN 104766075 B CN104766075 B CN 104766075B
- Authority
- CN
- China
- Prior art keywords
- turfy soil
- soil
- remote sensing
- turfy
- threshold 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于阈值提取和模糊评价的草炭土遥感识别方法,通过已知草炭土的光谱特征,对草炭土阈值分布正态拟合,并对定性找到的草炭土可能区域进行阈值提取;引入模糊评价,从R,G,B三种光谱,对判别区域的每一个像元进行模糊评价,求得不同光谱对草炭土的识别效果,按照最高隶属度原则判断草炭土区域,给出草炭土的分布范围。实现草炭土的自动识别,解决了草炭土沼泽难以现场验证以及经验统计的局限性等问题;该模型结构简单,可操作性强,模拟效果好;该模型较好的解决了草炭土识别的异物同谱的难题,不仅仅识别出草炭土的区域,同时给出隶属于草炭土区域的可能性,这把草炭土的识别模式从“绝对的是与否”引入相对的可能性。
Description
技术领域:
本发明涉及一种通过遥感卫片提取和模糊评价的草炭土遥感识别方法,尤其是判定某个区域是否有草炭土分布及其分布范围。
背景技术:
草炭土是一种由地表沼泽环境的植物遗体,经过氧化和部分分解作用,堆积形成的特殊腐殖质土壤。由于草炭土具有高压缩性、高含水率、高孔隙比等特殊性质,对工程与环境都有重大影响。
徐燕等对草炭土地基的沉降变形特征,徐燕,季冻区草炭土工程地质特性及变形沉降研究,吉林大学,2008,草炭土的结构特性,吕岩,吉林省东部地区草炭土的结构特性与模型研究,吉林大学,2012,都曾有过详细研究。但是对于草炭土的分布却少有研究,佴磊等,中国主要草炭土的形成环境及分布特征,吉林大学学报,2012曾根据草炭土的形成条件和经验总结草炭土的大致分布,但是仍不能全面准确的统计草炭土的分布区域。因此草炭土的遥感识别仍是十分必要的,具体体现在:
(1)草炭土识别的现实意义:一方面,草炭土具有不良的工程地质性质,随着科学技术的发展,公路铁路穿越草炭土不可避免;另一方面,草炭土沼泽是湿地的重要组成部分,草炭土的识别,同时具有经济安全效益和环境生态效益。
(2)经验总结和现场调查的局限性:经验和现场调查难以系统全面的建立完善的草炭土分布模式;同时,由于草炭土沼泽的特殊性,有些区域难以现场验证;从遥感的角度,建立系统性的识别模式,是一种有效而简便的方法。
遥感影像是物体对不同光谱的反射情况的综合体现,每个遥感影像都可以看成一个多维矩阵,矩阵的每一个元素都是某一个点对某一种光谱的反射率的定量描述。根据不同物体对光的敏感性不同,建立象元光谱值域和物体之间的映射关系。
阈值分割法是遥感识别的一种基本方法。阈值分割常用于云检测(Shuang Liu等,Automatic Cloud Detection for All-Sky Images Using■Superpixel Segmentation;IEEE GEOSCIENCE AND REMOTE SENSING LETTERS,VOL.12,NO.2,FEBRUARY 2015)、道路识别(Guo-bao Xu等,An Optimalizing Threshold Segmentation Algorithm for RoadImages Based on Mathematical Morphology,Intelligent Information TechnologyApplication,2009;Third International Symposium on Volume:2;DOI:10.1109/IITA.2009.310;2009,Page(s):518-521Cited by:Papers(5))以及植被识别(Yaowen Xie等,The application of threshold methods for image segmentation in oasisvegetation extraction,Geoinformatics,201018th International Conference,2010,Page(s):1-4)等相关方面。通过确定草炭土对某种光谱的反射率的范围,设定其上下阈值,是草炭土识别的基础。但是仅仅通过阈值法是无法精确提取出草炭土区域的,其原因主要在于:草炭土是埋藏于地下的土壤,遥感卫片反应的是地表的土壤植被,二者之间有着一定的联系,而且,草炭土赋存条件其实是个混合体,积水和植被都是草炭土存在的必要条件,另外,沼泽草炭土和森林草炭土也有着一定的区别,因此,在草炭土识别中,除了相应的遥感识别方法,对草炭土的形成,赋存环境及其相关遥感特性也及其重要。
考虑到草炭土植被和积水的混合体,与非草炭土的沼泽,草炭土退化形成的农田等地形地貌,都难免存在异物同谱的情况,因此,草炭土的识别是具有不确定性的,这也是其难点所在。模糊评价是解决此类问题的一种比较有效的方法。模糊评价在环境监测,谢峰等,用模糊评价法评价土壤重金属污染程度,贵州农业科学,2005,滑坡监测,周勇,湘西高速公路滑坡监测关键技术及监测信息系统研究,中南大学,2012等方面都有应用,其关键在于模糊数学把绝对的“是与否”转化为[0,1]区间的模糊隶属度,而对于草炭土而言,这不仅仅能够解决草炭土识别中的异物同谱的难题,也从物理意义上吻合了草炭土的演化过程。
模糊数学需要确定因素集,和评语集,进而建立二者的联系。对于草炭土识别而言,因素集可综合体现成为对不同光谱的敏感程度,评语集即为该区最可能的地貌,因此,关键在于建立二者的联系。通过已知的草炭土及其相关地貌的遥感特征,可以将问题转化为数学求解问题,建立相应的权函数和不同光谱对应的权系数,进而进行模糊评价。
发明内容:
本发明的目的是是针对现有技术的不足,提供一种通过已知草炭土的光谱特征,以谷歌遥感卫星照片为数据源,对草炭土可能分布区域进行识别和判断的一种基于阈值提取和模糊评价的草炭土遥感识别方法。
本发明的目的是通过以下技术方案实现的:
一种基于阈值提取和模糊评价的草炭土遥感识别方法,先把草炭土按照其光谱特征分为沼泽草炭土和林下草炭土,并将已知的草炭土区域和易混淆的分草炭土区域的遥感图片统计储存;然后根据草炭土的形成机制定性找到草炭土的可能分布区域,并以图片格式保存,作为待判别区域;再通过统计的已知草炭土的光谱特征,对草炭土阈值分布正态拟合,按照90%可信度确定草炭土的绝对阈值,并对定性找到的草炭土可能区域进行阈值提取;最后引入模糊评价,以已知的沼泽草炭土,林下草炭土和两个容易混淆的地貌(可以从山峰,农田,湖泊等已知地貌进行选择)建立评语集,从R,G,B三种光谱,对判别区域的每一个像元进行模糊评价,求得不同光谱对草炭土的识别效果,并作为其权重,得到每个像元对不同地貌的隶属度,并按照最高隶属度原则判断草炭土区域,给出草炭土的分布范围。
一种基于阈值提取和模糊评价的草炭土遥感识别方法,包括以下步骤:
a、已知遥感数据处理:将已知草炭土区域以及草炭土易混区域以图片的格式(仅限*.jpg、*.bmp、和*.GIF三种中的任意一种)存储,包括沼泽草炭土,林下草炭土,以及至少两个易混区域,要求每一个遥感图片的拍摄时间,比例尺等因素一致,同时要求每一个图片的像元数相等(至少每一类(如沼泽草炭土)的遥感图片的像元要求行数一致,因为在进行阈值统计时需要对其光谱所对应矩阵进行叠加,如行数不同则程序无法运行)。
b、未知区域的确定:定性判断草炭土的可能分布区域,以图片格式存储,作为待识别区域。(定性识别是草炭土识别的基础,本发明是在草炭土形成机制及其定性遥感特性的基础上进行的优化和自动化;由于对于每个像元都进行模糊评价,计算量较大,要求像元总数不超过20000,否则识别结果可能无效。)
c、选择已知草炭土的数量,包括沼泽草炭土和林下草炭土,要求其值至少为2。(草炭土模糊识别是一种由已知到未知的识别模式,已知草炭土的数量越多,则识别效果越趋于理想值。当每一类只有一张已知遥感图时,可以选择重复调用。)
d、数据的导入:分别点击沼泽草炭土,林下草炭土,易混区域1,易混区域2,未知区域,选择整理好的遥感数据,点击导入。
e、草炭土自动识别:点击自动识别即可,计算结束弹出草炭土的分布区域和对不同区域的隶属度情况。(整个过程自动运算,大约需要10秒钟,请耐心等待)。
f、相关数据查看:阈值结果和模糊评价的计算过程量保存于与程序相同文件夹的result.txt文件中,可以打开查看。
有益效果:本发明通过遥感数据,实现草炭土的自动识别,解决了草炭土沼泽难以现场验证以及经验统计的局限性等问题;该模型结构简单,可操作性强,模拟效果好;该模型较好的解决了草炭土识别的异物同谱的难题,不仅仅识别出草炭土的区域,同时给出隶属于草炭土区域的可能性,这把草炭土的识别模式从“绝对的是与否”引入“相对的可能性”,对草炭土的退化识别,沼泽草炭土的保护等方面,具有重大意义,同时也把数学上的隶属度和退化的物理意义建立起联系;该模型是一个动态性识别,每一次识别结果,都可以通过野外现场验证其准确定,对于验证后的草炭土,可以作为新的已知草炭土数据源,进而草炭土的阈值,不同光谱的权重等,都会随之优化。
附图说明:
图1一种基于阈值提取和模糊评价的草炭土遥感识别方法流程图
图2基于阈值提取和模糊评价的草炭土遥感识别方法软件安装
图3遥感图像的统计与处理
图4草炭土识别软件界面
图5遥感图像导入模型
图6识别结果显示
图7计算结果保存位置
图8计算结果文件
图9实例所在位置及待判定遥感图像的选择
图10区域1识别结果
图11查看阈值、权系数以及隶属度矩阵
图12区域2识别结果显示
图13区域3识别结果显示
图14总体区域识别结果显示
图15草炭土识别结论以及现场验证结果
具体实施方式:
下面结合附图和实施例对本发明作进一步的详细说明:
根据不同地貌对光谱的反射率不同,可以通过阈值将草炭土区域初步提取出来。截取矩形区域,对每一种光谱的灰度图像做正态拟合,灰度值为x轴,每个灰度对应的累计值为y轴。对所有累计值进行归一化,每个灰度值对应归一化累计值即为其所占比例,对于某个灰度值而言,其概率只与正态分布的均值和标准差有关,记为:p(xi)=f(μ,σ)。
截取90%置信度提取阈值,即可得:上下阈值分别为:
由于草炭土和周边农田,湖泊沼泽等地貌存在异物同谱的情况,阈值提取无法区别,因此引入模糊评价。根据与草炭土最容易混淆的地貌选定评语集选择{草炭土;农田;湖泊;山峰};影响因素集选择{R,G,B};拟合线性分段隶属度函数,可记为:
μi,j(x)=ax+b(i=1,2,3,4;j=R,G,B)
确定不同光谱对草炭土的识别度:对于某一种光谱而言(以R为例),每一个图像可以整体看成一个只于μ和σ有关的函数曲线,因此,把四个图像的对红光的反射率记为:
f(μi,σi)(i=1,2,3,4)
则由图可知,当μi差值越大,识别效果越好;σi越小,识别效果越好。
引入概念识别度RE,可令:
其中,k为常系数,对其进行归一化可消去。
对识别度进行归一化,作为权系数:
则隶属度公式为:
以此为理论基础,编写出草炭土的识别软件,具体实施方式如下所示:
一种滑坡监测数据对数拟合的预测预报方法的工作过程:
A、软件安装:如图2所示,打开草炭土识别程序文件夹,双击安装MCRInstaller.exe,保证软件可独立运行。
B、数据整理:将已知区域遥感影像整理成相同大小的图片格式(仅限*.jpg、*.bmp、和*.GIF三种中的任意一种)如图3所示,遥感图像包括沼泽草炭土,林下草炭土,以及至少两个易混区域,每一类草炭土应有至少两张以上遥感图像,同时保证遥感影像的拍摄时间,比例尺等因素保持一致。(保证遥感影像的一致性,可以不用考虑光照条件等对遥感图像的影响,已知草炭土的遥感图像越多,则判定结果越有代表性,当每一类的遥感影像只有1张时,可以选择重复调用。)
C、打开程序:如图2所示,打开草炭土识别程序文件夹,双击中的turfysoil.exe文件,进入软件界面,如图4所示,软件界面包括一个GUI界面和一个Dos界面。
D、输入已知沼泽草炭土的数量:根据已有遥感图像输入沼泽草炭土的数量,此项决定下面对沼泽草炭土的录入。(当只有一个已知沼泽草炭土点的时候,可以选择截取不同位置的草炭土影像,也可以对单张影像重复调用,保证程序正常运行。
E、输入已知林下草炭土数量:同步骤D。
F、导入沼泽草炭土:点击沼泽草炭土,程序自动弹出对话框,找到沼泽草炭土影像所在路径,双击打开,如图5所示。录入次数决定于之前输入的沼泽草炭土数量。
G、其他影像导入:同理,分别录入林下草炭土,易混区域1,易混区域2。(易混区域可以根据草炭土成因判定,比如草炭土是在长期积水,缺氧状态植被不完全分解形成的,积水是草炭土形成的一个重要原因,当积水较少时,草炭土往往退化成农田,而当积水很多的时候,则形成湖泊河流。因此,二者在遥感特性上与草炭土存在异物同谱的情况,可以作为模糊评价的一个评语集,同时也可根据实际情况选择山峰,树林等。)
F、草炭土识别:点击自动识别,程序自动计算。识别结果以图片形式弹出,如图6所示,包括草炭土的分布区域,以及每个像元对不同地貌的隶属度,当像元对应点越亮,则其隶属度越高,反之亦然。
G、查看相关计算量:计算结束后,程序在turfysoil.exe文件所在文件夹自动生成result.txt文件,记录相关计算量,如图7所示。文件含有四个隶属度矩阵,记录了待判别区域每一个像元对四个已知区域的隶属度;同时记录了草炭土灰度图像正态拟合后的方差和标准差,程序就是以此为基础按照90%可信度进行阈值提取的;同时记录了不同光谱的归一化权重,它是由三个方差和标准差共同决定的,用作模糊评价的权向量,具体见上述推到。
实施例1
A、本次草炭土识别选择吉林省敦化市大石头镇哈尔巴岭村附近的草炭土可能区域,如图9所示,该区位于山间低洼三角地带,附近有长期积水形成的小湖泊,湖泊周边和山间低洼地带,满足草炭土的赋存环境,本次以此为例,选择三个不同地貌的遥感图片分别识别,同时选择一个稍小比例尺进行识别。(小比例尺总图作为一个未知区域识别,另外三个图分别作为一个整体进行识别。)遥感图片为谷歌卫星照片,拍摄时间2013年4月10号,稍小比例尺总图视角相对高度10km,另外三个遥感图视角相对高度2km。
B、已知区域的选择:2013年4月10号的遥感图像,现有沼泽草炭土区域(江源草炭土),林下草炭土(黄松甸草炭土);根据选择的实例,选取山峰和湖泊作为易混区域进行识别。
C、数据的录入:点击安装MCRInstaller.exe后;双击turfysoil.exe,在输入已知沼泽草炭土数量和输入已知林下草炭土后分别输入2,点击沼泽草炭土,重复调用江源草炭土,同理分别把林下草炭土,易混区域1(湖泊),易混区域2(山峰)的遥感影像数据导入。
D、自动识别(区域1):先判断区域1的结果。以区域1整体作为未知区域进行识别,点击未知区域,导入图片后,点击自动识别,结果如图10所示。由结果可以看出,按照隶属度提取和模糊评价结果,该区大部分为草炭土(图10-草炭土分布),且该区域对草炭土的隶属度最大,远远大于湖泊和农田,可以判断此处为草炭土。双击打开result.exe文件,如图11所示,除了三个隶属度矩阵(即图10对应的原始数据,文件中还记录了草炭土不同光谱的均值,按照正态拟合90%置信度,则为本次阈值提取的上下界限。同时记录了R,G,B三个光谱对草炭土,湖泊和山峰的识别度,绿光光谱的识别效果最好,所以其权重最大,是相对合理的结果;
E、自动识别(区域2、3)同时对另外两个小区域进行识别,结果如图12,图13所示。图12结果显示,该区基本没有草炭土的分布,只有在其右下角小部分可能有草炭土的分布,通过对比该遥感图片截取位置(图9)可知,该区右下角趋于湖泊的边界,积水减少,可能是湖泊到草炭土演化的开始。而对于图13的结果,该区域基本上可以断定没有草炭土分布,而且从隶属度图像看,该区为山峰。
F、自动识别及结果分析(总体区域)对总体区域进行识别(图9-总),结果如图14所示。由以上可以得到结论:此处有草炭土分布,分布区域为山间沟谷的低洼地带,如图15-A所示。而根据现场验证,草炭土实际分布区域如图15-B所示。草炭土预测结果基本合理,未识别出的区域为湖泊周边深水区,积水较周边深,属于湖泊积水开始减少退化成草炭土的区域;哈尔巴岭草炭土分布区域主要植被为灰脉苔草形成的塔头,相对而言,区域a植被较区域b植被多,因此在遥感图像上,区域b的光谱特征与湖泊则更为相似,这也与上述区域2右下角出现小部分可能分布有草炭土的结果一致,正是因为不同区域存在异物同谱,本识别模式才选择模糊评价,得到的判断结果不仅仅是草炭土的范围,也包括对草炭土的隶属度,也就是说,判断的结果是一个相对的值,这与草炭土不断形成不断退化的过程相吻合,因此,本软件能够较准确的识别草炭土。每一次判断的结果,经过现场验证,都可以作为新的已知点,对本识别模式进行完善和补充。
Claims (2)
1.一种基于阈值提取和模糊评价的草炭土遥感识别方法,其特征在于,先对未知区域进行定性识别,然后通过已知草炭土及草炭土易混区域的遥感图像,利用草炭土灰度图像正态拟合,按照90%可信度提取阈值,进而利用模糊数学方法,选择包含与草炭土易混的地貌作为评语集,对未知区域进行模糊评价,求出每一个像元对不同地貌的隶属度,确定草炭土的分布区域,对于不确定的结果,选择现场确认,并对结果做出分析解释,把验证结果作为已知草炭土相关数据,对整个识别模式进行优化。
2.按照权利要求1所述的一种基于阈值提取和模糊评价的草炭土遥感识别方法,其特征在于,包括以下步骤:
A、已知遥感数据处理:将已知草炭土区域以及草炭土易混区域以图片的格式,仅限*.jpg、*.bmp、和*.GIF三种中的任意一种存储,包括沼泽草炭土,林下草炭土,至少两个易混区域,要求每一类的遥感图片的像元行数一致,否则程序无法运行;
B、未知区域的确定:定性判断草炭土的可能分布区域,以图片格式存储,作为待识别区域,要求像元总数不超过20000,否则识别结果可能无效;
C、选择已知草炭土的数量,包括沼泽草炭土和林下草炭土,要求其值至少为2,当每一类只有一张已知遥感图时,选择重复调用;
D、数据的导入:分别点击沼泽草炭土,林下草炭土,易混区域1,易混区域2,未知区域,选择整理好的遥感数据,点击导入;
E、草炭土自动识别:点击自动识别即可,计算结束弹出草炭土的分布区域和对不同区域的隶属度;
F、相关数据查看:阈值结果和模糊评价的计算过程量保存于与程序相同文件夹的result.txt文件中;
G、对于不确定区域选择现场确定,并把验证结果作为已知草炭土的遥感数据,对整个识别模式进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510224154.3A CN104766075B (zh) | 2015-05-06 | 2015-05-06 | 一种基于阈值提取和模糊评价的草炭土遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510224154.3A CN104766075B (zh) | 2015-05-06 | 2015-05-06 | 一种基于阈值提取和模糊评价的草炭土遥感识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766075A CN104766075A (zh) | 2015-07-08 |
CN104766075B true CN104766075B (zh) | 2018-05-18 |
Family
ID=53647889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510224154.3A Expired - Fee Related CN104766075B (zh) | 2015-05-06 | 2015-05-06 | 一种基于阈值提取和模糊评价的草炭土遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766075B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633672A (zh) * | 2019-09-16 | 2019-12-31 | 杭州师范大学 | 一种基于光谱特征的泥炭藓沼泽遥感制图方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6266442B1 (en) * | 1998-10-23 | 2001-07-24 | Facet Technology Corp. | Method and apparatus for identifying objects depicted in a videostream |
CN101221662A (zh) * | 2008-01-31 | 2008-07-16 | 复旦大学 | 基于自组织映射神经网络的遥感图像混合像元分解方法 |
CN101551863A (zh) * | 2009-05-22 | 2009-10-07 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路提取方法 |
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN102013017A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像场景粗分类方法 |
-
2015
- 2015-05-06 CN CN201510224154.3A patent/CN104766075B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6266442B1 (en) * | 1998-10-23 | 2001-07-24 | Facet Technology Corp. | Method and apparatus for identifying objects depicted in a videostream |
US6363161B2 (en) * | 1998-10-23 | 2002-03-26 | Facet Technology Corp. | System for automatically generating database of objects of interest by analysis of images recorded by moving vehicle |
CN101221662A (zh) * | 2008-01-31 | 2008-07-16 | 复旦大学 | 基于自组织映射神经网络的遥感图像混合像元分解方法 |
CN101551863A (zh) * | 2009-05-22 | 2009-10-07 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路提取方法 |
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN102013017A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像场景粗分类方法 |
Non-Patent Citations (2)
Title |
---|
应用于混合像元的模糊分类技术研究;王辉等;《城市建设理论研究》;20120420;正文第1-6页 * |
遥感图像分割中阈值的自动选取技术研究;李琳琳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120915;摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN104766075A (zh) | 2015-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vos et al. | CoastSat: A Google Earth Engine-enabled Python toolkit to extract shorelines from publicly available satellite imagery | |
Guo et al. | FSDAF 2.0: Improving the performance of retrieving land cover changes and preserving spatial details | |
Malof et al. | Automatic detection of solar photovoltaic arrays in high resolution aerial imagery | |
Zomlot et al. | Trajectory analysis of land use and land cover maps to improve spatial–temporal patterns, and impact assessment on groundwater recharge | |
Balázs et al. | Extracting water-related features using reflectance data and principal component analysis of Landsat images | |
Feng et al. | Pavement crack detection and segmentation method based on improved deep learning fusion model | |
Atkinson et al. | Autologistic modelling of susceptibility to landsliding in the Central Apennines, Italy | |
Schumann et al. | Progress in integration of remote sensing–derived flood extent and stage data and hydraulic models | |
Cai et al. | Impacts of regional characteristics on improving the accuracy of groundwater level prediction using machine learning: The case of central eastern continental United States | |
Ling et al. | Object-based sub-pixel mapping of buildings incorporating the prior shape information from remotely sensed imagery | |
Camus et al. | Regional analysis of multivariate compound coastal flooding potential around Europe and environs: sensitivity analysis and spatial patterns | |
Chen et al. | Building detection in an urban area using lidar data and QuickBird imagery | |
Zhang et al. | Multi-scale segmentation approach for object-based land-cover classification using high-resolution imagery | |
Huang et al. | An improved nightlight threshold method for revealing the spatiotemporal dynamics and driving forces of urban expansion in China | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
Shi et al. | Training image selection for development of subsurface geological cross-section by conditional simulations | |
Zhu et al. | Loess terrain segmentation from digital elevation models based on the region growth method | |
Ding et al. | Efficient vanishing point detection method in unstructured road environments based on dark channel prior | |
Xia et al. | Land resource use classification using deep learning in ecological remote sensing images | |
Huang et al. | Modelling landslide susceptibility prediction: a review and construction of semi-supervised imbalanced theory | |
Xu et al. | Building function classification in Nanjing, China, using deep learning | |
He et al. | Inferring economic impacts from a program’s physical outcomes: An application to forest protection in Thailand | |
CN104766075B (zh) | 一种基于阈值提取和模糊评价的草炭土遥感识别方法 | |
George et al. | Critical factors affecting the adoption of airborne geophysics for management of dryland salinity | |
Sun et al. | GABLE: A first fine-grained 3D building model of China on a national scale from very high resolution satellite imagery |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180518 Termination date: 20190506 |