CN106125091A - 线性光谱解混的城市不透水面遥感提取方法 - Google Patents

线性光谱解混的城市不透水面遥感提取方法 Download PDF

Info

Publication number
CN106125091A
CN106125091A CN201610465385.8A CN201610465385A CN106125091A CN 106125091 A CN106125091 A CN 106125091A CN 201610465385 A CN201610465385 A CN 201610465385A CN 106125091 A CN106125091 A CN 106125091A
Authority
CN
China
Prior art keywords
pixel
impervious surface
end member
mixed
line spectrum
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
Application number
CN201610465385.8A
Other languages
English (en)
Inventor
钟凯文
赵�怡
许剑辉
孙彩歌
刘旭拢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201610465385.8A priority Critical patent/CN106125091A/zh
Publication of CN106125091A publication Critical patent/CN106125091A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种线性光谱解混的城市不透水面遥感提取方法，步骤一，获取遥感影像素材文件并进行数据预处理与水体掩摸；步骤二，将遥感影像素材文件通过最小噪声分离变换得到数据文件一；步骤三，将数据文件一通过纯净像元指数计算得出在数据文件一中每一像元的纯净度；步骤四，根据纯净度预设值，在数据文件一中筛选出大于该值的像元，得到纯净度较高的像元，即数据文件二；步骤五，利用数据文件二不同分量之间的特征散点二维模型，结合高分影像，选取纯净的像元；步骤六，以步骤五中的端元为依据，求解每个像元中各端元所占的比例；步骤七，对解混结果中的低反照率地物进行掩膜处理，最后将处理的低反照率地物与高反照率地物相加得到不透水面盖度图。

Description

线性光谱解混的城市不透水面遥感提取方法
技术领域
本发明涉及遥感图像处理领域，更具体地说，涉及一种线性光谱解混的城市不透水面遥感提取方法。
背景技术
采用遥感数据提取城市不透水面过程中，首先选取合适的数据源，经过几何校正和大气校正等预处理，对遥感影像上地物的分类和提取的方法有线性光谱解混方法、监督分类、非监督分类、决策树分类、人工神经网络等，常用的提取方法是线性光谱解混方法(LSMA)。在遥感提取城市不透水面过程中，传统的线性光谱解混方法存在两个问题：一、在森林区域，有少量不透水面如个别房屋等高反照率地物，在端元选取时容易被忽略，影响端元选取的准确度；二、有些区域像元反照率比较低，如植被、裸土等，对不透水面中低反照率部分的影响较大，容易出现大面积解混异常区域，一般线性光谱解混提取不透水面时，需要对提取结果采用阈值法去除异常区域。阈值的选择直接影响不透水面的提取精度，且具有经验性，人为影响因素较大。
发明内容
有鉴于此，本发明目的是提供本发明提出一种线性光谱解混方法来提取城市不透水面。首先利用纯净像元指数结合手动端元选取的方式优化端元选取，确保森林区域少量高反照率地物的端元被合理选取；然后利用归一化建筑指数(Normalized DifferenceBuilding Index，NDBI)对低反照率结果进行掩膜，剔除不透水面中低反照率地物解混异常区域。
为了解决上述技术问题，本发明的技术方案是：一种线性光谱解混的城市不透水面遥感提取方法，
步骤一，获取遥感影像素材文件并进行数据预处理与水体掩摸；
步骤二，将遥感影像素材文件通过最小噪声分离变换得到数据文件一；
步骤三，将数据文件一通过纯净像元指数计算得出在数据文件一中每一像元的纯净度；
步骤四，根据纯净度预设值(阈值)，在数据文件一中筛选出大于该值的像元，即数据文件二；
步骤五，利用数据文件二并根据筛选结果在分量特征散点二维模型构建拟化分量三角形，根据三角形的三个顶角位置筛选端元；
步骤六，以步骤五中的端元为依据，结合线性光谱解混模型采用最小二乘法求解每个像元中各端元所占的比例，其数学模型为，错误！未找到引用源。；错误！未找到引用源。
式中i＝1,2…,M，M为光谱波段数；N为端元数目。Ri是波段i的反射率；fk是端元k在像元中所占的面积比例；Rik波段i上端元k的光谱反射率；ERi是波段i的残差；
步骤七，对解混结果中的低反照率地物采用归一化建筑物指数进行掩膜处理。
进一步地：所述的端元类型设置为四个且为高反照率、低反照率、植被和土壤端元。
进一步地：步骤六，结合线性光谱解混模型采用最小二乘法求解每个像元中各端元所占的比例。
进一步地：在步骤七中，结合空间分辨率为2m的Google Earth高分影像，采用均方根误差RMSE，系统误差SE，平均绝对误差MAE以及精度验证趋势图对不透水面提取精度进行验证：错误！未找到引用源。错误！未找到引用源。；错误！未找到引用源。错误！未找到引用源。错误！未找到引用源。；错误！未找到引用源。错误！未找到引用源。错误！未找到引用源。；
其中，为本研究中从Landsat 8OLI数据中提取的样本区域内不透水面的比例；Xi为高分验证影像样本区域内不透水面的比例；N为样本数。
进一步地：步骤七中，根据Landsat 8第5波段和第6波段反射率计算遥感影像的归一化建筑物指数NDBI：其中，MIR为遥感影像中红外波段反射率，NIR为遥感影像近红外波段反射率。
进一步地，步骤四中，构建拟化分量三角形的方法如下，根据筛选结果的坐标值寻找极限位置的四个极点，分别对四个极点中的三个极点进行连线围成四个对照分量三角形，求取每一对照分量三角形中像元的数量，将像元数量最多的对照分量三角形作为拟化分量三角形。
进一步地，步骤四中，筛选端元的方法如下，以拟化分量三角形的三个顶点为中心分别做圆，圆的半径为R，当前纯净度为X，线性减小变量R或增加变量X的值，直至每个顶点剩余一个像元，该像元即为端元。
进一步地，步骤四中，定义线性率Q1和Q2，每次变化时，使R＝Q1*R或X＝Q2*X。
进一步地，步骤五中，结合高分影像，通过目视、比较分析的方法选取纯净的像元。
本发明技术效果主要体现在以下方面：本研究提出结合手动选取端元，即从MNF变换结果中将PPI阈值筛选出来的像元掩膜，作为手动选取端元的基础，像元数量减少，纯度提高，利用二维散点图，以高分影像为参考，继续选取影像空间顶点区域零散的点，确保植被和高反照率地物的端元具有各自代表性，使高反照率地物在大面积森林中可以被识别区分，提高端元选取的精度。
为了减少人为选择阈值对不透水面提取精度的影响，利用归一化建筑指数对不透水面的敏感性以及对植被土壤等地物的区分性，提出利用归一化建筑指数对低反照率结果进行处理，剔除不透水面的异常区域，大大提高不透水面的提取精度。
附图说明
图1：本发明的线性光谱解混流程图；
图2：传统的LSMA端元选取结果图；
图3：本发明的LSMA端元选取结果图；
图4：线性光谱解混结果图；
图5：传统LSMA结果与结合手动端元选取的LSMA结果的差异图；
图6：研究区域100个样本的空间分布；
图7：精度评价结果图；
图8：MNF变换结果图；
图9：PPI计算结果图；
图10：经过PPI阈值筛选的MNF变换结果图。
具体实施方式
以下结合附图，对本发明的具体实施方式作进一步详述，以使本发明技术方案更易于理解和掌握。
传统线性光谱解混模型提取不透水面流程包括：
(1)最小噪声分离变换(Minimum Noise Fraction Transform，MNF)——去除影像噪声，将遥感影像主要信息集中在前几个波段；
(2)纯净像元指数(Pixel Purity Index，PPI)计算——计算每个像元的纯净度，用于选择纯净度比较高的像元；
(3)端元选取——选择纯净度较高，并且光谱特征具有代表性的像元，用于线性光谱解混方程中的输入参数；
(4)线性光谱模型解混——假设影像中每个像元的反射率由该像元中所有地物端元的反射率以及其所占像元面积比例为权重系数的线性组合，其数学模型为：
错误！未找到引用源。，式中i＝1,2…,M，M为光谱波段数；N为端元数目。Ri是波段i的反射率；fk是端元k在像元中所占的面积比例；Rik波段i上端元k的光谱反射率；ERi是波段i的残差；
(5)精度验证。在遥感影像上选择土壤、植被、高反照率和低反照率四个端元作为解混对象，采用最小二乘法求解各端元所占的比例。不透水面采用高反照率和低反照率组合表示。
本发明做出了以下改进，(1)在传统线性光谱解混模型基础上，在端元选取阶段，结合手动方式选取合适的端元，即从MNF变换结果中计算PPI，选取合适阈值筛选纯净度较高的像元，作为手动选取端元的基础，增加人为因素；分量两两之间的像元特征空间一般呈现三角形，端元分布在特征空间的三个顶点上。通常认为，纯度高的端元靠近边缘。因此，选取端元时尽量靠近三角形顶点区域，确保适用于研究区域。(2)在遥感数据OLI前四个波段，低反照率地物与植被、土壤等透水面的区分不明显，造成解混过程中的错分现象。在5、6波段，它们之间的光谱差异明显增大。计算遥感影像的NDBI值：错误！未找到引用源。，其中，MIR为遥感影像的中红外波段，即第6波段，NIR为遥感影像的近红外波段，即第5波段。然后通过与高分影像对比，确定NDBI阈值。将符合阈值条件的像元作为掩膜，对解混后不透水面低反照率结果进行裁剪，去除掉低于NDBI值的部分。此外，精度验证阶段，结合空间分辨率为2m的Google Earth高分影像，采用均方根误差RMSE，系统误差SE，平均绝对误差MAE以及精度验证趋势图对不透水面提取精度进行验证：错误！未找到引用源。；错误！未找到引用源。；错误！未找到引用源。；其中，为本研究中从Landsat 8OLI数据中提取的样本区域内不透水面的比例；Xi为高分验证影像样本区域内不透水面的比例；N为样本数。
从图2和图3可以看出经过筛选后的纯净像元数量大大减少，纯度普遍较高。通过结合手动选取端元，可以有目的性的将这种小面积不透水面选取出来，提高植被端元和不透水面高反照率端元的准确性，如图3(d)所示，高反照率端元的反射率高于植被端元的反射率。图4(b)为结合手动端元选取方式的LSMA模型提取的不透水面。由图4(a)和4(b)可以看出，结合手动选取端元的LSMA模型比传统的LSMA模型能更好地改善不透水面的提取精度，特别是在森林区域，如图5所示。图5为传统LSMA结果与手动端元选取优化LSMA结果的差异图，可以看出结合手动端元选取的方法能较好地减少大面积森林区植被的影响，而且对森林区域不透水面的提取也有较好的效果。这是因为经过手动选取端元后，植被与高反照率地物被区分开了，从图3(d)的光谱特性曲线也可以看出。
尽管结合手动端元选取方法可以较好地提高不透水面的提取精度，但是在森林区域仍存在较大误差，如图4(b)所示。为了进一步改善不透水面提取精度，本研究采用归一化建筑指数对低反照率地物进行优化处理。首先计算影像的NDBI值；统计发现计算的NDBI值在-0.66—0.45之间。通过与高分影像的对比发现，绝大部分不透水面的NDBI值在-0.15—0.45之间，因此设置其阈值为-0.15作为不透水面与透水面的临界值，将NDBI值小于-0.15的像元作为掩膜区域，对不透水面低反照率提取结果进行处理，去除异常部分，结果如图4(c)所示。通过对比图4(a)和4(c)可知，利用第5、6波段计算的NDBI值可以有效地突出不透水面，较好地区分较暗区域的透水面与不透水面，将森林区的透水面掩膜掉，更好地提取森林区的建筑物，这是因为NDBI对建筑区域具有一定的敏感性，较容易地从植被、土壤中将建筑区分出来。因此，将NDBI值对不透水面低反照率结果进行掩膜可以有效地提高不透水面的提取精度。
如图6，每个样本区域面积为230400平方米，对样本区域的高分影像进行人工解译以及矢量化不透水面并进行实地验证，并计算每个样本区域内不透水面的比例。
将不同方法提取的不透水面分别与验证数据进行比较。传统LSMA方法得到不透水面的RMS平均值为0.0093，RMSE为0.306，相关系数R为0.898，SE为0.21，MAE为0.24。而结合手动选取端元改进后的LSMA方法得到不透水面的RMS平均值为0.0079，从频率分布可以看出，绝大部分像元的RMS值都低于0.005，RMSE为0.293，相关系数R为0.932，SE为0.20，MAE为0.23。相对传统的LSMA方法，结合手动端元选取的LSMA方法可以较好地减少不透水面提取的异常值，如图7(a)和7(b)所示。然而，结合手动端元选取的LSMA方法得到的结果与验证数据相比仍存在较大的误差，很多透水面的地物(植被、土壤)被误分为不透水面了，如7(b)所示，这是不合理的。通过NDBI筛选去除异常部分后，得到不透水面的精度有了较大的提高，如图7(c)所示，RMSE减少到0.125，相关系数R高达0.943，SE减少为-0.035。总的来说，NDBI指数对可以较好地将解混结果中绝大部分异常区域剔除，如图4(c)所示，异常区域主要集中在大面积森林区域。这是因为NDBI指数可以较好地区分不透水面中低反照率地物和较暗的像元地物，对不透水面提取结果起到较好的优化作用。
选取合适的遥感数据源，采用2015年10月18日Landsat 8OLI数据，分别采用传统的线性光谱解混光谱解混方法和改进的线性光谱解混光谱解混方法提取不透水面，利用高分影像对不同方法提取的不透水面精度进行验证。整个过程可以在软件ENVI和Arcgis中实现：
在ENVI中，将遥感影像进行几何校正和大气校正。采用Bandmath计算影像的归一化水体指数，分析后选取0.4作为阈值，利用MASK功能去除水体。
MNF变换：选择Spectral/MNF Rotation/Forward MNF/Estimate NoiseStatistics from Data。如下图8。
PPI计算：Spectral/Pixel Purity Index/Pixel Purity Index(PPI)New OutputBand利用MNF变换结果图进行PPI计算。如下图9。
手动端元选取：使用Band Threshold to ROI Input Band工具，根据PPI计算结果选取合适的PPI阈值5，经过MASK筛选MNF变换结果图，如下图10。选取纯度较高的像元作为手动选取端元对象。通过目视、比较分析的方法，利用二维散点图，以高分影像为参考，继续选取影像空间顶点区域零散的点，选取植被、土壤、高反照率地物、低反照率地物四类。将选取的端元保存至ASCLL文件，将其光谱曲线图保存。
线性光谱解混：采用ENVI扩展工具——FCLS Spectral Unmixing工具，采用上述过程中保存的光谱特征曲线图解混遥感影像。得到的结果中包括植被、土壤、高反照率地物、低反照率地物波段，以及一个误差RMS波段：NDBI掩膜：计算全图NDBI，统计发现计算的NDBI值在-0.66—0.45之间。通过与高分影像的对比发现，绝大部分不透水面的NDBI值在-0.15—0.45之间，因此设置其阈值为-0.15作为不透水面与透水面的临界值，将NDBI值小于-0.15的像元作为掩膜区域，对不透水面低反照率提取结果进行处理。
精度验证：采用经过几何校正后的同时相Google Earth高分影像作为不透水面提取精度的验证影像。随机选取100个空间分布均匀的样本区域，每个样本区域面积为230400平方米，分别对NDBI掩膜结果和高分影像进行掩膜，得到100个验证区。在Arcgis中，对样本区域的高分影像进行人工解译以及矢量化不透水面并进行实地验证，并计算每个样本区域内不透水面的比例。在Excel表中分别列出解混结果验证区和高分矢量化验证区，求出SE、MAE、以及RMSE，并且绘制趋势图，同时添加趋势线，显示相关系数。
当然，以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围之内。

Claims (9)

1.一种线性光谱解混的城市不透水面遥感提取方法，其特征在于：
步骤一，获取遥感影像素材文件并进行数据预处理与水体掩摸；
步骤二，将遥感影像素材文件通过最小噪声分离变换得到数据文件一；
步骤三，将数据文件一通过纯净像元指数计算得出在数据文件一中每一像元的纯净度；
步骤四，根据纯净度预设值(阈值)，在数据文件一中筛选出大于该值的像元，即数据文件二；
步骤五，利用数据文件二并根据筛选结果在分量特征散点二维模型构建拟化分量三角形，根据三角形的三个顶角位置筛选端元；
步骤六，以步骤五中的端元为依据，结合线性光谱解混模型采用最小二乘法求解每个像元中各端元所占的比例，其数学模型为，错误！未找到引用源。；错误！未找到引用源。
式中i＝1,2…,M，M为光谱波段数；N为端元数目。Ri是波段i的反射率；fk是端元k在像元中所占的面积比例；Rik波段i上端元k的光谱反射率；ERi是波段i的残差；
步骤七，对解混结果中的低反照率地物采用归一化建筑物指数进行掩膜处理。
2.如权利要求1所述的线性光谱解混的城市不透水面遥感提取方法，其特征在于：所述的端元类型设置为四个且为高反照率、低反照率、植被和土壤端元。
3.如权利要求2所述的线性光谱解混的城市不透水面遥感提取方法，其特征在于：步骤六，结合线性光谱解混模型采用最小二乘法求解每个像元中各端元所占的比例。
4.如权利要求3所述的线性光谱解混的城市不透水面遥感提取方法，其特征在于：在步骤七中，结合空间分辨率为2m的Google Earth高分影像，采用均方根误差RMSE，系统误差SE，平均绝对误差MAE以及精度验证趋势图对不透水面提取精度进行验证：错误！未找到引用源。错误！未找到引用源。；错误！未找到引用源。错误！未找到引用源。错误！未找到引用源。；错误！未找到引用源。错误！未找到引用源。错误！未找到引用源。；
其中，为本研究中从Landsat 8 OLI数据中提取的样本区域内不透水面的比例；Xi为高分验证影像样本区域内不透水面的比例；N为样本数。
5.如权利要求2所述的线性光谱解混的城市不透水面遥感提取方法，其特征在于：步骤七中，根据Landsat 8第5波段和第6波段反射率计算遥感影像的归一化建筑物指数NDBI：其中，MIR为遥感影像中红外波段反射率，NIR为遥感影像近红外波段反射率。
6.如权利要求1所述的线性光谱解混的城市不透水面遥感提取方法，其特征在于：步骤四中，构建拟化分量三角形的方法如下，根据筛选结果的坐标值寻找极限位置的四个极点，分别对四个极点中的三个极点进行连线围成四个对照分量三角形，求取每一对照分量三角形中像元的数量，将像元数量最多的对照分量三角形作为拟化分量三角形。
7.如权利要求1所述的线性光谱解混的城市不透水面遥感提取方法，其特征在于：步骤四中，筛选端元的方法如下，以拟化分量三角形的三个顶点为中心分别做圆，圆的半径为R，当前纯净度为X，线性减小变量R或增加变量X的值，直至每个顶点剩余一个像元，该像元即为端元。
8.如权利要求7所述的线性光谱解混的城市不透水面遥感提取方法，其特征在于：步骤四中，定义线性率Q1和Q2，每次变化时，使R＝Q1*R或X＝Q2*X。
9.如权利要求1所述的线性光谱解混的城市不透水面遥感提取方法，其特征在于：步骤五中，结合高分影像，通过目视、比较分析的方法选取纯净的像元。
CN201610465385.8A 2016-06-22 2016-06-22 线性光谱解混的城市不透水面遥感提取方法 Pending CN106125091A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610465385.8A CN106125091A (zh) 2016-06-22 2016-06-22 线性光谱解混的城市不透水面遥感提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610465385.8A CN106125091A (zh) 2016-06-22 2016-06-22 线性光谱解混的城市不透水面遥感提取方法

Publications (1)

Publication Number Publication Date
CN106125091A true CN106125091A (zh) 2016-11-16

Family

ID=57269664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610465385.8A Pending CN106125091A (zh) 2016-06-22 2016-06-22 线性光谱解混的城市不透水面遥感提取方法

Country Status (1)

Country Link
CN (1) CN106125091A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239782A (zh) * 2017-05-09 2017-10-10 广州地理研究所 基于亚像元定位的遥感影像水体提取方法
CN107390286A (zh) * 2017-07-12 2017-11-24 广州地理研究所 一种基于Landsat遥感影像的海岸不透水面提取方法
CN108021887A (zh) * 2017-12-05 2018-05-11 中国科学院遥感与数字地球研究所 基于空间光谱差比参量的遥感影像分析方法及应用
CN108648200A (zh) * 2018-05-10 2018-10-12 武汉大学 一种间接的城市高分辨率不透水面提取方法
CN108760658A (zh) * 2018-06-06 2018-11-06 湖南省有色地质勘查研究院 一种遥感影像植被抑制及岩石土壤信息还原方法
CN109374564A (zh) * 2018-08-20 2019-02-22 广州地理研究所 一种多源遥感数据城市不透水面提取方法
CN109490209A (zh) * 2018-11-15 2019-03-19 中国科学院遥感与数字地球研究所 一种基于城市不透水面和dem的城市地表径流检测方法
CN109522849A (zh) * 2018-11-22 2019-03-26 中国科学院遥感与数字地球研究所 一种基于mndii时间序列的城市不透水面提取方法
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN110060292A (zh) * 2019-04-03 2019-07-26 广州地理研究所 一种基于多尺度融合的土地利用面积计算方法
CN110991705A (zh) * 2019-11-15 2020-04-10 广州地理研究所 一种基于深度学习的城市扩展预测方法及系统
CN111670668A (zh) * 2020-06-05 2020-09-18 沈阳农业大学 基于高光谱遥感处方图的水稻农用无人机精准追肥方法
CN111738144A (zh) * 2020-06-19 2020-10-02 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN112508796A (zh) * 2020-12-02 2021-03-16 东华理工大学 基于地表覆盖信息的夜光遥感影像去饱和校正方法及系统
CN113191328A (zh) * 2021-05-26 2021-07-30 辽宁工程技术大学 一种基于lsma-ibai综合指数的不透水面提取方法
CN115711855A (zh) * 2022-11-21 2023-02-24 广州市城市规划勘测设计研究院 一种不透水面的提取方法、装置、终端设备以及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544477A (zh) * 2013-09-30 2014-01-29 北京师范大学 基于改进的线性光谱混合模型的植被覆盖度估算方法
CN104751181A (zh) * 2015-04-02 2015-07-01 山东大学 一种基于相对丰度的高光谱图像解混方法
CN105138860A (zh) * 2015-10-23 2015-12-09 武汉大学 一种基于边界投影最优梯度的高光谱非线性解混方法
CN105224915A (zh) * 2015-09-07 2016-01-06 河海大学 一种高光谱图像混合像元分解方法
CN105488805A (zh) * 2015-12-15 2016-04-13 吉林大学 多频双极化林地积雪被动微波混合像元分解方法
CN105512619A (zh) * 2015-11-27 2016-04-20 中国石油大学(华东) 一种基于分层知识的不透水面信息提取方法
CN105513097A (zh) * 2015-12-30 2016-04-20 哈尔滨工业大学 一种基于最小体积与优化约束条件的高光谱解混方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544477A (zh) * 2013-09-30 2014-01-29 北京师范大学 基于改进的线性光谱混合模型的植被覆盖度估算方法
CN104751181A (zh) * 2015-04-02 2015-07-01 山东大学 一种基于相对丰度的高光谱图像解混方法
CN105224915A (zh) * 2015-09-07 2016-01-06 河海大学 一种高光谱图像混合像元分解方法
CN105138860A (zh) * 2015-10-23 2015-12-09 武汉大学 一种基于边界投影最优梯度的高光谱非线性解混方法
CN105512619A (zh) * 2015-11-27 2016-04-20 中国石油大学(华东) 一种基于分层知识的不透水面信息提取方法
CN105488805A (zh) * 2015-12-15 2016-04-13 吉林大学 多频双极化林地积雪被动微波混合像元分解方法
CN105513097A (zh) * 2015-12-30 2016-04-20 哈尔滨工业大学 一种基于最小体积与优化约束条件的高光谱解混方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李珊珊等: "高光谱遥感图像的端元递进提取算法", 《遥感学报》 *
樊蔚: "不透水面视角下广州市长时间序列城市扩张空间变化分析", 《HTTPS://WWW.DOCIN.COM/P-1055447072.HTML》 *
项宏亮等: "基于SVM和线性光谱混合模型的城市不透水面丰度提取", 《安徽师范大学学报（自然科学版）》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239782A (zh) * 2017-05-09 2017-10-10 广州地理研究所 基于亚像元定位的遥感影像水体提取方法
CN107390286A (zh) * 2017-07-12 2017-11-24 广州地理研究所 一种基于Landsat遥感影像的海岸不透水面提取方法
CN108021887A (zh) * 2017-12-05 2018-05-11 中国科学院遥感与数字地球研究所 基于空间光谱差比参量的遥感影像分析方法及应用
CN108021887B (zh) * 2017-12-05 2019-10-01 中国科学院遥感与数字地球研究所 基于空间光谱差比参量的遥感影像分析方法及应用
CN108648200A (zh) * 2018-05-10 2018-10-12 武汉大学 一种间接的城市高分辨率不透水面提取方法
CN108648200B (zh) * 2018-05-10 2020-09-22 武汉大学 一种间接的城市高分辨率不透水面提取方法
CN108760658B (zh) * 2018-06-06 2019-08-20 湖南省有色地质勘查研究院 一种遥感影像植被抑制及岩石土壤信息还原方法
CN108760658A (zh) * 2018-06-06 2018-11-06 湖南省有色地质勘查研究院 一种遥感影像植被抑制及岩石土壤信息还原方法
CN109374564A (zh) * 2018-08-20 2019-02-22 广州地理研究所 一种多源遥感数据城市不透水面提取方法
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN109490209A (zh) * 2018-11-15 2019-03-19 中国科学院遥感与数字地球研究所 一种基于城市不透水面和dem的城市地表径流检测方法
CN109522849A (zh) * 2018-11-22 2019-03-26 中国科学院遥感与数字地球研究所 一种基于mndii时间序列的城市不透水面提取方法
CN110060292A (zh) * 2019-04-03 2019-07-26 广州地理研究所 一种基于多尺度融合的土地利用面积计算方法
CN110991705B (zh) * 2019-11-15 2023-07-11 南方海洋科学与工程广东省实验室(广州) 一种基于深度学习的城市扩展预测方法及系统
CN110991705A (zh) * 2019-11-15 2020-04-10 广州地理研究所 一种基于深度学习的城市扩展预测方法及系统
CN111670668A (zh) * 2020-06-05 2020-09-18 沈阳农业大学 基于高光谱遥感处方图的水稻农用无人机精准追肥方法
CN111738144A (zh) * 2020-06-19 2020-10-02 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN111738144B (zh) * 2020-06-19 2021-08-31 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN112508796A (zh) * 2020-12-02 2021-03-16 东华理工大学 基于地表覆盖信息的夜光遥感影像去饱和校正方法及系统
CN112508796B (zh) * 2020-12-02 2023-09-01 东华理工大学 基于地表覆盖信息的夜光遥感影像去饱和校正方法及系统
CN113191328A (zh) * 2021-05-26 2021-07-30 辽宁工程技术大学 一种基于lsma-ibai综合指数的不透水面提取方法
CN115711855A (zh) * 2022-11-21 2023-02-24 广州市城市规划勘测设计研究院 一种不透水面的提取方法、装置、终端设备以及存储介质
CN115711855B (zh) * 2022-11-21 2024-05-17 广州市城市规划勘测设计研究院 一种不透水面的提取方法、装置、终端设备以及存储介质

Similar Documents

Publication Publication Date Title
CN106125091A (zh) 线性光谱解混的城市不透水面遥感提取方法
Wu et al. Individual tree crown delineation using localized contour tree method and airborne LiDAR data in coniferous forests
Pitkänen et al. Adaptive methods for individual tree detection on airborne laser based canopy height model
CN106384081B (zh) 一种基于高分辨率遥感影像的坡耕地提取方法和系统
Hamraz et al. A robust approach for tree segmentation in deciduous forests using small-footprint airborne LiDAR data
CN107609526A (zh) 基于规则的精细尺度城市不透水面快速提取方法
Lu The potential and challenge of remote sensing‐based biomass estimation
CN105809140B (zh) 一种基于遥感模型的地表水体信息的提取方法及其装置
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
CN108051371B (zh) 一种面向生态环境参量遥感反演的阴影提取方法
CN108710864B (zh) 基于多维度识别及图像降噪处理的冬小麦遥感提取方法
CN106228130A (zh) 基于模糊自编码网络的遥感影像云检测方法
Hu et al. A fast and simple method of building detection from LiDAR data based on scan line analysis
Panagiotidis et al. Detection of fallen logs from high-resolution UAV images
Effiom et al. Combining unmanned aerial vehicle and multispectral Pleiades data for tree species identification, a prerequisite for accurate carbon estimation
CN108711159B (zh) 基于Landsat8含雪影像的云检测方法
Liu et al. Individual tree identification using a new cluster-based approach with discrete-return airborne LiDAR data
CN107292328A (zh) 多尺度多特征融合的遥感影像阴影检测提取方法及系统
Sun et al. Mapping tropical dry forest age using airborne waveform LiDAR and hyperspectral metrics
Smits et al. Individual tree identification using different LIDAR and optical imagery data processing methods
Fu et al. Forest cover classification with MODIS images in Northeastern Asia
CN107392927B (zh) 一种亚米级遥感影像渔业网箱提取方法
Villoslada et al. Reindeer control over shrubification in subarctic wetlands: spatial analysis based on unoccupied aerial vehicle imagery
Kumar et al. A two-stage algorithm for ground filtering of airborne laser scanning data
Silveira et al. Characterizing landscape spatial heterogeneity using semivariogram parameters derived from NDVI images

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20161116

RJ01 Rejection of invention patent application after publication