CN105825222A - 基于多源多时相卫星影像数据的土地自动分类方法 - Google Patents
基于多源多时相卫星影像数据的土地自动分类方法 Download PDFInfo
- Publication number
- CN105825222A CN105825222A CN201510007315.3A CN201510007315A CN105825222A CN 105825222 A CN105825222 A CN 105825222A CN 201510007315 A CN201510007315 A CN 201510007315A CN 105825222 A CN105825222 A CN 105825222A
- Authority
- CN
- China
- Prior art keywords
- soil
- data
- land
- classification
- temporal
- 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及生态环境领域,公开了一种基于多源多时相卫星影像数据的土地自动分类方法,包含以下步骤:A.利用来自卫星的多时相数据计算土地的归一化植被指数NDVI值;B.根据NDVI值按预知土地分类基准数据对土地进行分区分类,获得土地初步分类表;C.利用引力模型和土地初步分类表,对土地进行精确分类,获得土地分类结果。由于作为数据源的多时相数据具有确切的时间点,利用本发明实施方式中土地自动分类方法可以通过对不同时间点的多时相数据进行处理,获得特定时相尺度上的土地自动分类完整数据,便于土地的演化分析。
Description
技术领域
本发明涉及生态环境领域,特别涉及基于多源多时相卫星影像数据的土地自动分类方法。
背景技术
土地利用和土地覆被不仅是某一地域内人类对自然空间的利用方式,它更牵扯到全球范围内的自然生态环境的变化。土地利用方式变化对气候、空气、生物多样性、土壤等环境因素都有着深远的影响。而在土地利用和土地覆被的变化中,人类活动是主要的影响因素之一,特别是在社会文明飞速发展的今天,人类社会经济活动在城镇周边乃至远离城镇的偏远郊区都起主导作用。
目前的土地利用和土地覆被研究主要有土地利用和土地覆被变化的驱动因素、土地利用和土地覆被的动态分析还有土地利用和土地覆被的变化模型这三个方面。近年来我国提出了大力推进生态文明建设和新型城镇化的发展战略,土地利用变化对全球气候、地区生态环境和资源安全的影响开始受到各界的关注。
为协调生态环境保护与社会经济发展,环境保护部与中国科学院于2012年启动了“全国生态环境十年变化遥感调查与评估项目”。但其中的数据仅有2000年、2005年和2010年三年的土地生态分类数据,纵向时间上并不完整。土地分类的完整数据对于土地演化分析有着重要意义,由于现有土地分类成果数据在时间上较为局限,无法获得时间上的完整数据,进而影响土地演化分析。
另外,现有用于生态环境尤其是生态系统空间关系研究的土地分类的自动分类工具较少,准确度也不高,对土地演化分析的精准度提高形成了阻碍。
发明内容
本发明的目的在于提供一种基于多源多时相卫星影像数据的土地自动分类方法,使得可以在特定时相尺度上对土地进行自动分类,获得完整的分类数据,便于土地的演化分析。
为解决上述技术问题,本发明的实施方式提供了一种基于多源多时相卫星影像数据的土地自动分类方法,包含以下步骤:
A.利用来自卫星的多时相数据计算土地的归一化植被指数NDVI值;
B.根据所述NDVI值按预知土地分类基准数据对土地进行分区分类,获得土地初步分类表;
C.利用引力模型和所述土地初步分类表,对土地进行精确分类,获得土地分类结果。
本发明实施方式相对于现有技术而言,主要区别及效果在于:对来自卫星的多时相数据进行影像预处理,根据预处理结果进行土地初步分类,同时,为了消除获得的分类结果中存在的分类冲突等误差现象,进一步结合数学统计算法中的引力模型进行消除,得到精确的土地分类。由于作为数据源的多时相数据具有确切的时间点,利用本发明实施方式中土地自动分类方法可以通过不同时间点的多时相数据进行处理,获得特定时相尺度上的土地自动分类完整数据,便于土地的演化分析。
作为进一步改进,在所述步骤C之后,还包含以下步骤:D.对土地分类表进行游标逼近算法,确定土地分类。
利用游标逼近算法可以进一步对分类结果中可能存在的交叉结果进行精确逼近,进一步消除分类结果中可能存在的二义性,提高土地自动分类的精度。
作为进一步改进,在所述步骤B之前,还包含以下步骤:
利用来自卫星的多时相数据计算土地的归一化水体指数NDWI值;
在所述步骤B中,利用所述NDWI值修正NDVI值,根据修正后的NDVI值对土地进行分类,获得土地初步分类表。
利用NDWI值可以消除NDVI值中无法区分云层与雪地的局限性,排除云层和雪地对土地分类结果的影像,进一步提高土地自动分类的精度。
作为进一步改进,在所述步骤B之前,还包含以下步骤:
根据预设的时间起末节点数据,计算土地分类的差异区域;
在所述步骤B中,利用对差异区域的土地的分类结果,获得土地初步分类表。
为避免计算大量重复数据,引入预设的起末节点数据,仅对起末节点间的差异区域进行土地自动分类,缩小需要自动分类的土地区域,大大加快了本发明实施方式中的土地自动分类方法的分类速度。
作为进一步改进,在所述根据预设的时间起末节点数据,计算土地分类的差异区域的步骤后,并在所述步骤B之前,包含以下步骤:
对所述NDVI值进行卷积运算;
在所述步骤B之中,根据所述进行卷积运算后的NDVI值对差异区域的土地进行分类,获得土地初步分类表。
由于作为数据源的卫星数据与起末节点数据间可能存在空间位移,所以利用卷积运算可以在精度要求不是很高的空间分辨率下消除上述空间位移造成的数据偏差。
作为进一步改进,在所述步骤C之后,还包含以下步骤:根据预设的融解规则对所述土地分类结果进行融解运算。
利用融解运算可以消除土地自动分类结果中的噪点,也可以提高分类结果的整合度,进一步利于土地分类结果的应用。
作为进一步改进,根据迭代方式更新所述多时相数据,并重复步骤A至C,获得土地分类演化数据。
利用迭代算法,进一步对土地的时相进行自动化分类,获得整体时间上的土地分类表。
附图说明
图1是根据本发明第一实施方式中基于多源多时相卫星影像数据的土地自动分类方法流程图;
图2是根据本发明第一实施方式中基于多源多时相卫星影像数据的土地自动分类方法中融解前的分类结果图像仿真图;
图3是根据本发明第一实施方式中基于多源多时相卫星影像数据的土地自动分类方法中融解后的分类结果图像仿真图;
图4是根据本发明第二实施方式中基于多源多时相卫星影像数据的土地自动分类方法流程图;
图5是根据本发明第二实施方式中基于多源多时相卫星影像数据的土地自动分类方法中土地S的差异区域示意图;
图6是根据本发明第三实施方式中基于多源多时相卫星影像数据的土地自动分类方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请各权利要求所要求保护的技术方案。
本发明的第一实施方式涉及一种基于多源多时相卫星影像数据的土地自动分类方法,其流程如图1所示,具体如下:
步骤101,利用来自卫星的多时相数据计算土地的归一化植被指数NDVI值。
具体的说,本实施方式中的数据源,也就是卫星的多时相数据可以为卫星的遥感影像数据。本实施方式中的卫星可以采用LandSat5卫星、LandSat7卫星和LandSat8卫星三颗卫星的遥感影像图片。
本发明发明人发现,由于时相遥感数据是本实施方式中的数据源,本实施方式中土地自动分类结果的正确、分类方法的高效运行需要大量高质量的影像数据,因此对时相数据的来源也有较高的要求。如空间分辨率高、影像获取时间跨度大,时间分辨率高,云量少等等。比如,为尽量减少云层对影像数据的影像,可以选择云量在5%以下的图像数据作为数据源。综合以上几点要求,本实施方式中选择Landsat系列卫星作为本实施方式中时相遥感数据的主要来源。美国NASA的陆地卫星(Landsat)计划,从1972年7月23日以来,已发射8颗(第6颗发射失败)。目前Landsat1-4均相继失效,Landsat5仍在超期运行(从1984年3月1日发射至今)。Landsat7于1999年4月15日发射升空。Landsat8于2013年2月11日发射升空,经过100天测试运行后开始获取影像。Landsat系列卫星可以提供自上世纪80年代至今的遥感影像图片,而且其遥感影像数据可以免费下载,降低了系统应用成本。
需要说明的是,由于同一土地不同季节的NDVI值差别较大,所以本实施方式中选用的多时相数据可以尽量分布在不同季节,以此增加本发明实施方式中土地自动分类的准确性。
此外,值得一提的是,在实际应用中,除了LandSat系列卫星外,还可以使用其他卫星,虽然LandSat卫星的影像数据可以基本满足本实施方式中土地自动分类方法的需求,但是其30米的分辨率、时相分布的不均衡还是会限制到分类结果的质量和应用范围。扩展遥感数据即是为了提升这方面的短板,采用更高遥感分辨率、更高光谱分辨率的影像,如来自HJ-1A/B卫星、SPOT5/6卫星、MODIS卫星和GF-2卫星的影像数据,对运算成果进行修正,从而提高成品的精确度。这些卫星的数据更加丰富,可以进一步增加本实施方式中土地自动分类的准确性。
当然,应用中也可以根据实际需求选择不同的卫星组合,如选择以下之一或其任意组合的卫星数据:LandSat5卫星、LandSat7卫星、LandSat8卫星、HJ-1A/B卫星、SPOT5/6卫星和GF-2卫星。同时,本领域普通技术人员可知,如果数据源越多,也就是利用的卫星越多,虽然会提高计算的复杂度,但也可以大大增加土地自动分类的准确性,使得本发明可以根据用户的实际需求,设计不同的卫星组合,灵活多变地适应不同的应用场景,拓展本发明的应用范围。
还需说明的是,数据源在进行NDVI计算前,还可以进行辐射校正或几何校正,其中,辐射校正又包括辐射定标与大气校正,将影像的数值转换为地表反射率,并消除大气对光线传输造成的影响。几何校正可以消除影像获取时由于传感器姿态、速度和地球自转而造成的影像畸变和几何误差。通过一系列的预处理,可以进一步增加本实施方式中土地自动分类方法的准确性。
另外,在进行NDVI值计算时,为简化计算,可以将图像中的栅格区域转换为点阵矢量数据。同时,为了加快运算速度,可以将NDVI中的数据进行重分类,重分类指的是将原有[-1,1]区间内的float型数据,按等比例间隔原则转换成运算速度更快的[0,255]区间的int型数据。每一个栅格的中心生成一个点,其属性值等于原演变栅格的Value值(即经过重分类的NDVI值)。
步骤102,根据NDVI值对土地进行分类,获得土地初步分类表。
具体的说,NDVI,即归一化植被指数,用于检测植被生长状态、植被覆盖度等要素。不同地物的NDVI值也不尽相同,如水体、云层、冰雪等呈现负值;建筑物、裸地等地物的NDVI值在0附近;有植被覆盖的区域NDVI呈现正值,其大小与植被的密度和生长情况有关。利用这一特点,即可根据NDVI值进行土地利用类型的分类,也就是进行本实施方式中的土地自动分类,进而获得土地初步分类表。
更具体的说,本实施方式中是根据NDVI值按预知土地分类基准数据对土地进行分区分类,也就是说,NDVI值和土地初步分类表中土地类型的对应关系可以来自已知的土地分类影像。其中,对已有土地利用分类结果的影像进行统计,将他们每一地类的属性值进行统计分析,得出每一地类的NDVI属性值的最小值、最大值、平均值、标准差、中位数、众数等值。如,计算出“水田”地类对应的NDVI值的最小值、最大值、平均值、标准差、中位数、众数等值。根据上述统计分析结果,对于每一种地类,都可以得出一个该地类属性值大小的分布范围,若一个未知地类的点的属性值落在某地类A的属性范围内,则可认为这个未知点的地类为A。
需要说明的是,本实施方式可以进一步优化,在利用NDVI值进行土地分类前,还可以计算NDWI(即归一化水体指数,用于提取遥感影像中的水体信息)值,并利用NDWI值对NDVI值进行修正,再利用修正后的NDVI值对土地进行分类,获得土地初步分类表。由于NDVI值具有无法将云层与雪地区分开来的缺陷,将NDWI和NDVI两指数结合,可以将云层与水体区分开,从而排除云层和水体或雪地对土地利用分类的影响。
步骤103,利用引力模型和土地初步分类表,对土地进行精确分类,获得土地分类结果。
具体的说,在步骤102中获得的土地初步分类表中,不同地类的属性值范围可能有重叠的部分,亦有某些属性值在任何一个地类属性范围之外的情况。这时,使用引力模型进行分类。参考万有引力公式,计算相邻的或者相互重叠的地类范围对需要分类的目标点的属性值的影响度,目标点的地类由对其影响较大的地类决定。最终自动得到土地利用分类成果。
步骤104,对土地分类表进行游标逼近算法,确定土地分类。
具体的说,利用游标逼近算法可以进一步对分类结果中可能存在的交叉结果进行精确逼近,进一步消除分类结果中可能存在的二义性,提高土地自动分类的精度。
值得一提的是,在实际应用中,交叉结果可能不存在,也就是本步骤104可以省略。
步骤105,根据预设的融解规则对土地分类结果进行融解运算。
具体的说,在步骤103或步骤104得出的分类结果中,可能会有零散的地类点,面积很小且与周围土地利用类型均不同。这样的点可能是由于用于分类的影像属性值处于两种地类的过渡区而令分类工具产生了歧义。通过图斑融合功能可以将这样的小图斑去除并自动根据周围地类进行分类,美化成品图的同时也减少了错误率。如图2所示的融解前的分类结果图像,如图3所示的融解后的分类结果图像,通过图2和图3的比较可以发现,利用融解运算可以消除土地自动分类结果中的噪点,也可以提高分类结果的整合度,同时进一步利于土地分类结果的应用。
值得一提的是,融解规则可以根据实际需要设置,比如以九宫格的图块为例,可以设置仅融解九宫格中心图块与周围图块不同时的情况,也可以融解九宫格中任意相邻的两块与其他图块不同时的情况,还可以设置为其他情况,在此不再一一列举。
本实施方式相对于现有技术而言,对来自卫星的多时相数据进行影像预处理,根据预处理结果进行土地初步分类,同时,为了消除获得的分类结果中存在的分类冲突等误差现象,进一步结合数学统计算法中的引力模型进行消除,得到精确的土地分类。由于作为数据源的多时相数据具有确切的时间点,利用本发明实施方式中土地自动分类方法可以通过不同时间点的多时相数据进行处理,获得特定时相尺度上的土地自动分类完整数据,便于土地的演化分析。综上,本实施方式以已知的土地利用分类影像为数据基础,结合遥感技术、GIS(GeographicInformationSystems,地理信息系统)技术和统计学相关理论,可以实现对相同地区的自动土地利用分类。
本发明的第二实施方式涉及一种基于多源多时相卫星影像数据的土地自动分类方法。第二实施方式是在第一实施方式上的做的进一步改进,主要改进之处在于:在第一实施方式中,对数据源所有的数据进行土地分类计算。而在本发明第二实施方式中,根据预设的时间起末节点数据,计算土地分类的差异区域,并仅对差异区域的土地进行分类。减少了无差异区域的土地分类运算,大大加快了本实施方式中的土地自动分类方法的分类速度。
本实施方式中的方法流程如图4所示,具体如下:
步骤401,根据预设的时间起末节点数据,计算土地分类的差异区域。
具体的说,本实施方式中预设的时间起末节点数据可以来自中国地理数据云的中国生态环境十年变化评估数据库系统。为优化工具的运算效率,避免重复工作,本自动土地分类方法在分类之前会使用期末点数据得出差异区域。即得出两控制节点年份之间土地利用类型发生变化的部分,将发生变化的部分导出为演变运算区域,反之不发生的变化则默认在需要运算的年份内也没有变化。如在现有的2000年、2005年或2010年的数据中,利用2000年和2005年作为两个控制节点(即预设的时间起末节点),2000年的数据作为起始点,利用2005年的数据作为结束点,计算出2000年数据和2005年数据中的差异数据(如图5所示,图中土地S中的黑色斑块即为计算得到的差异区域),可见,差异区域仅占总区域的一小部分,与对所有区域进行土地分类相比,仅对差异区域进行土地分类显然会大大降低运算量,从而加快土地分类速度。
值得一提的是,预设的起末节点除了利用上述提到的中国地理数据云的中国生态环境十年变化评估数据库系统,还可以来自其他可以提供起末节点时相数据的土地分类数据库,在此不再一一列举。
步骤402与第一实施方式中的步骤101大致相同,在此不再赘述。
步骤403,根据对差异区域的土地的分类结果,获得土地初步分类表。
也就是说,利用根据NDVI值对差异区域的土地的分类结果,获得土地初步分类表。需要说明的是,在本步骤中,由于默认非差异区域部分的土地分类无变化,在对差异区域的土地分类后,将其结果叠加已知分类结果中非差异区域的部分,也就可以得到总的土地初步分类表了。
值得一提的是,本步骤前还可以预先对NDVI值进行卷积运算,再根据进行卷积运算后的NDVI值对差异区域的土地进行分类,获得土地初步分类表。由于作为数据源的卫星数据与起末节点数据间可能存在空间位移,所以利用卷积运算可以消除上述空间位移造成的数据偏差。
本步骤中具体的分类方法和第一实施方式中的步骤102相类似,在此不再赘述。
步骤404至步骤406和第一实施方式中的步骤103至步骤105相类似,在此不再赘述。
本实施方式中的土地自动分类方法为避免计算大量重复数据,引入预设的起末节点数据,仅对起末节点间的差异区域进行土地自动分类,起末节点间没有差异的土地分类,即可认为是中间也没有变化,则不需重复计算分类,大大加快了本发明实施方式中的土地自动分类方法的分类速度。
本发明的第三实施方式涉及一种基于多源多时相卫星影像数据的土地自动分类方法。第三实施方式是在第一实施方式上的做的进一步改进,主要改进之处在于:在第一实施方式中,仅得到一个最终的土地分类结果;而本实施方式中,可以利用迭代方式更新多时相数据,再通过重复土地自动分类方法,获得土地分类演化数据。利用迭代算法,进一步对土地的时相进行自动化分类,获得整体时间上的土地分类表。
本实施方式中的土地自动分类方法流程如图6所示,具体如下:
步骤601至步骤605与第一实施方式中的步骤101至步骤105大致相同,在此不再赘述。
步骤606,判断迭代算法是否完毕;若是,则结束本实施方式中的土地自动分类方法;若否,则执行步骤607。
具体的说,在应用中可以根据需要设定迭代算法的次数,如3次等。
步骤607,更新多时相数据;继而返回步骤601。
比如说,在第一次运算时,利用2002年全年的多时相数据作为数据源进行土地自动分类,在步骤605中得到2002年的土地自动分类结果。根据需要,可以设置更新数据为下一年,如将多时相数据更新为2003年全年的多时相数据作为数据源,之后再次执行步骤601至步骤605,此时获得2003年的土地自动分类结果,之后可以循环执行,再得到2004年的土地自动分类结果。本实施方式中循环三次即可得到2002年至2004年三年的自动分类结果,汇总后即成为2002年至2004年的土地分类演化数据。
此外,本实施方式也可以进一步优化,仅对预设的起末节点数据中差异区域的土地进行分类,那么在迭代方式中,更新的数据就不仅是多时相数据,还需要更新起末节点数据,如初始的起末节点为2000年和2005年,多时相数据为2001年,在第一次执行完毕后获得2001年的土地自动分类结果,在执行下一次土地自动分类时,需要获得2002年的土地自动分类结果,那么除了将多时相数据更新为2002年的数据,还需要把起末节点改为2001年和2005年,依次类推。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包含相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,包含以下步骤:
A.利用来自卫星的多时相数据计算土地的归一化植被指数NDVI值;
B.根据所述NDVI值按预知土地分类基准数据对土地进行分区分类,获得土地初步分类表;
C.利用引力模型和所述土地初步分类表,对土地进行精确分类,获得土地分类结果。
2.根据权利要求1所述的基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,在所述步骤C之后,还包含以下步骤:
D.对土地分类表进行游标逼近算法,确定土地分类。
3.根据权利要求1所述的基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,在所述步骤B之前,还包含以下步骤:
利用来自卫星的多时相数据计算土地的归一化水体指数NDWI值;
在所述步骤B中,利用所述NDWI值修正NDVI值,根据修正后的NDVI值对土地进行分类,获得土地初步分类表。
4.根据权利要求1所述的基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,在所述步骤B之前,还包含以下步骤:
根据预设的时间起末节点数据,计算土地分类的差异区域;
在所述步骤B中,利用对差异区域的土地的分类结果,获得土地初步分类表。
5.根据权利要求4所述的基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,在所述根据预设的时间起末节点数据,计算土地分类的差异区域的步骤后,并在所述步骤B之前,包含以下步骤:
对所述NDVI值进行卷积运算;
在所述步骤B之中,根据所述进行卷积运算后的NDVI值对差异区域的土地进行分类,获得土地初步分类表。
6.根据权利要求4所述的基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,所述预设的时间起末节点数据来自中国地理数据云的中国生态环境十年变化评估数据库系统。
7.根据权利要求1所述的基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,在所述步骤C之后,还包含以下步骤:
根据预设的融解规则对所述土地分类结果进行融解运算。
8.根据权利要求1所述的基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,根据迭代方式更新所述多时相数据,并重复步骤A至C,获得土地分类演化数据。
9.根据权利要求1所述的基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,所述卫星的多时相数据为卫星的遥感影像数据。
10.根据权利要求1所述的基于多源多时相卫星影像数据的土地自动分类方法,其特征在于,所述卫星为以下之一或其任意组合:
LandSat5卫星、LandSat7卫星、LandSat8卫星、HJ-1A/B卫星、SPOT5/6卫星和GF-2卫星。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510007315.3A CN105825222A (zh) | 2015-01-07 | 2015-01-07 | 基于多源多时相卫星影像数据的土地自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510007315.3A CN105825222A (zh) | 2015-01-07 | 2015-01-07 | 基于多源多时相卫星影像数据的土地自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105825222A true CN105825222A (zh) | 2016-08-03 |
Family
ID=56514837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510007315.3A Pending CN105825222A (zh) | 2015-01-07 | 2015-01-07 | 基于多源多时相卫星影像数据的土地自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825222A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
CN109115770A (zh) * | 2018-06-14 | 2019-01-01 | 中科禾信遥感科技(苏州)有限公司 | 一种大范围农作物遥感监测方法及装置 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047820A1 (en) * | 2005-08-12 | 2007-03-01 | Microsoft Corporation | Computer generated land cover classification |
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
CN103093182A (zh) * | 2011-11-03 | 2013-05-08 | 北京师范大学 | 一种基于多敏感性策略的遥感影像层次分类识别方法 |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN104123561A (zh) * | 2014-07-10 | 2014-10-29 | 中国矿业大学 | 基于空间引力模型的模糊c均值遥感影像自动分类方法 |
-
2015
- 2015-01-07 CN CN201510007315.3A patent/CN105825222A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047820A1 (en) * | 2005-08-12 | 2007-03-01 | Microsoft Corporation | Computer generated land cover classification |
CN103093182A (zh) * | 2011-11-03 | 2013-05-08 | 北京师范大学 | 一种基于多敏感性策略的遥感影像层次分类识别方法 |
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN104123561A (zh) * | 2014-07-10 | 2014-10-29 | 中国矿业大学 | 基于空间引力模型的模糊c均值遥感影像自动分类方法 |
Non-Patent Citations (4)
Title |
---|
常变蓉等: "江汉平原土地利用对钉螺分布的影响研究", 《长江流域资源与环境》 * |
李熙等: "基于万有引力的遥感影像分类", 《应用技术》 * |
甘淑等: "澜沧江流域山区土地覆盖遥感监测分类组织与实施技术研究", 《资源科学》 * |
许新国等: "城乡交错带空间边界界定方法的研究", 《安徽农业科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
CN109115770A (zh) * | 2018-06-14 | 2019-01-01 | 中科禾信遥感科技(苏州)有限公司 | 一种大范围农作物遥感监测方法及装置 |
CN109115770B (zh) * | 2018-06-14 | 2019-05-24 | 中科禾信遥感科技(苏州)有限公司 | 一种大范围农作物遥感监测方法及装置 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
CN102521273B (zh) | 一种高分辨率遥感的多功能城市用地空间信息生成方法 | |
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 | |
CN106157309B (zh) | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 | |
Maeda et al. | Modelling agricultural expansion in Kenya’s Eastern Arc Mountains biodiversity hotspot | |
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 | |
CN102110227B (zh) | 基于上下文关系的多分辨率遥感图像复合分类方法 | |
CN104063718B (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
Gong et al. | Effect of terrain on landscape patterns and ecological effects by a gradient-based RS and GIS analysis | |
CN114861277B (zh) | 一种长时序国土空间功能与结构模拟方法 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
Na et al. | Bidirectional DEM relief shading method for extraction of gully shoulder line in loess tableland area | |
CN107657618A (zh) | 基于遥感影像和地形数据的区域尺度侵蚀沟自动提取方法 | |
Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
CN104318611A (zh) | 一种基于激光扫描点云的三维树木重建方法 | |
CN104268581A (zh) | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 | |
CN105825222A (zh) | 基于多源多时相卫星影像数据的土地自动分类方法 | |
CN104850853A (zh) | 城市快速提取方法及装置 | |
Zhang | Spatiotemporal features of the three-dimensional architectural landscape in Qingdao, China | |
Wan et al. | Application of deep learning in land use classification for soil erosion using remote sensing | |
Li et al. | Evaluating the influencing factors of urbanization in the Xinjiang Uygur Autonomous Region over the past 27 years based on VIIRS-DNB and DMSP/OLS nightlight imageries | |
Aljumaily et al. | Voxel change: Big data–based change detection for aerial urban LiDAR of unequal densities | |
Liu et al. | Spatial-temporal hidden Markov model for land cover classification using multitemporal satellite images | |
CN116561845B (zh) | 数字技术赋能的城市屋顶绿化多情景模拟方法及系统 | |
Wang et al. | A novel sampling design considering the local heterogeneity of soil for farm field-level mapping with multiple soil properties |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160803 |
|
WD01 | Invention patent application deemed withdrawn after publication |