CN106650689B - 一种沿海城市时间序列土地利用信息提取方法 - Google Patents
一种沿海城市时间序列土地利用信息提取方法 Download PDFInfo
- Publication number
- CN106650689B CN106650689B CN201611253105.3A CN201611253105A CN106650689B CN 106650689 B CN106650689 B CN 106650689B CN 201611253105 A CN201611253105 A CN 201611253105A CN 106650689 B CN106650689 B CN 106650689B
- Authority
- CN
- China
- Prior art keywords
- land
- remote sensing
- coastal cities
- index
- sensing image
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种沿海城市时间序列土地利用信息提取方法,包括如下步骤:采集遥感影像Landsat进行大气校正,选取一组遥感分类特征构建遥感分类特征指数数据库;采集数字高程影像DEM数据,得到高程数据和坡度数据;基于多特征的决策树模型,根据沿海城市不同土地利用类型构建单分类特征指数或多分类特征指数的决策规则,并依据规则进行沿海城市土地利用逐级分类,最终确定决策树的各个分支;时间序列遥感影像变化检测,区分误分和漏分地类;包括两部分内容:进行分类精度的评价;输出基于决策树模型提取的土地利用分类图。此种方法可大大提高沿海城市土地利用分类精度,解决沿海城市土地利用分类中的关键问题。
Description
技术领域
本发明属于图像智能处理技术领域,涉及一种遥感影像信息提取方法,特别涉及一种沿海城市时间序列土地利用信息提取方法。
背景技术
随着经济的快速发展,城市人口不断膨胀,城市规模不断扩张,城市环境和地表覆被也随之发生巨大变化。实时监测城市发展、掌握城市土地利用信息是进行科学化、合理化城市规划与环境管理的基本要求。当前全球60%左右的人口以及1/3的人口过百万的大城市都分布在沿海地区。我国自北向南拥有18,000km的狭长海岸线,在包括渤海经济区、长江三角洲经济区和珠江三角洲经济区等在内的海岸带区域内,集中了全国70%以上的大城市、50%左右的人口和55%的国民收入。与此同时,由于快速城市化发展所带来的人口、环境、经济问题在沿海城市也尤为突显。因此,无论是从世界范围,还是中国范围,沿海城市已然成为热点研究区域,准确、快速地获取沿海城市土地利用类型及其空间动态分布对于解决城市环境与社会经济问题等方面均有重要意义。
遥感影像分类是城市土地利用信息提取的重要环节。目前一系列的遥感影像分类法,包括监督分类法和非监督分类法等传统分类法,也包括神经网络分类、支持向量机、专家系统分类法和遗传算法等智能算法。但受“同物异谱,同谱异物”和地物空间结构的复杂性影响,传统分类方法并不能很好地处理线性不可分的地物,其分类精度不高,往往难以达到分类要求,而多数智能分类法虽能有效提高分类精度,但其算法往往过于复杂,不易于理解与操作。因此,如何综合多种分类方法的优点,探索利用中等分辨率影像解决多类别图像的分类特征识别并满足一定的精度,尚需深入研究。
近年来,基于知识的决策树分类方法在遥感影像分类中应用广泛。它是一种空间数据发掘的多步骤分类方法,可以方便地融合其它多种方法分层提取信息,减少每次分类所需识别的类别数,从而消除多类间的相互影响,有效提高各地物的提取精度,具有无法取代的优势。但是目前建立的决策树分类,多数直接对原始影像光谱特征进行阈值分割或稍加之GIS的辅助信息,过于单一,没有充分挖掘影像光谱特征和地理信息特征,而且决策树的决策规则的确定过多通过人工选择,缺乏自动选择特征及优化决策树的措施。如果能选取一组具有代表性的分类特征并能稳定地用于不同城市土地利用类别之间的判断,则决策树分类方法的鲁棒性和普适性就有可能得以极大提高。因此,分类特征的选取对于优化决策树至关重要。
分类特征就是从众多的分类数据中选取能够表征地物类型特征的一组参与遥感分类运算的数据,既可以是遥感特征信息,也可以是非遥感特征信息如高程和气温等因子。目前常用的分类特征指数包括表征植被生长状况信息的归一化植被指数(NDVI)和修正的土壤调节植被指数(SAVI),表征水体的归一化水体指数(NDWI)和修正的归一化水体指数(MNDWI),表征建筑物特征的归一化建筑指数(NDBI),表征裸地的归一化裸地指数(NDBaI)等。除此以外,对于难以区分的平原和山地植被类型则可选择高程影像数据获取高程信息作为分类特征。分类特征指数的构建为部分地物信息提取提供了一个快速、便捷、有效的途径,它使得目标地物在所生成的指数影像上得到了最大的亮度增强,而其他背景地物受到普遍抑制,从而达到突出目标地物的目的。但是分类特征指数在提取地物信息时仍不可避免的要用到阈值分割,且同一目标地物受季相、地域等影响,其分割阈值可能不唯一,所提取的目标地物信息中往往掺杂其他地物信息噪声。沿海城市土地利用分类中,植被阴影与水体、滩涂湿地与裸地以及建设用地与滩涂湿地两两之间的光谱特征接近,因此,直接利用单一的分类特征指数难以有效区分地物类别。
发明内容
本发明的目的,在于提供一种沿海城市时间序列土地利用信息提取方法,其具有一定的通用性,其中的许多决策规则参数比较稳定,避免了仅仅采用原始影像光谱特征导致的分类特征过于单一,且需要不断的人工调整确定决策规则的缺陷,可大大提高沿海城市土地利用分类精度,解决沿海城市土地利用分类中的关键问题。
为了达成上述目的,本发明的解决方案是:
一种沿海城市时间序列土地利用信息提取方法,包括如下步骤:
步骤1,采集遥感影像Landsat进行大气校正,将原始像元的灰度值转换为地表像元反射值;同时采集数字高程影像DEM数据,得到高程数据和坡度数据;
步骤2,在对遥感影像进行大气校正的基础上,根据沿海城市土地利用类型具体的划分情况,选取一组遥感分类特征并进行计算,构建遥感分类特征指数数据库;
步骤3,基于多特征的决策树模型,通过分类特征指数以及由DEM数据所得的高程数据和坡度数据,根据沿海城市不同土地利用类型构建单分类特征指数或多分类特征指数的决策规则,并依据规则进行沿海城市土地利用逐级分类,最终确定决策树的各个分支;
步骤4,时间序列遥感影像变化检测,区分误分和漏分地类;
步骤5,进行分类精度的评价;
步骤6,输出遥感影像中决策树模型提取的土地利用分类图。
上述步骤1中,采集遥感影像Landsat进行大气校正,将原始像元的灰度值转换为地表像元反射值的具体过程是:
(11)根据遥感器的增益与偏移进行遥感器定标;
(12)将遥感器的光谱辐射值转换为遥感器的相对反射值;
(13)大气纠正,消除因大气吸收和散射造成的大气影响,根据下式计算地球表面像元相对反射率:
Lsat=Gain·DN+Bias
其中,Lsat为传感器所接收的辐射能量,Gain为增益,DN为像元值,Bias为偏移;ρ为遥感影像经过大气体校正的地表反射率,π为常量,Lhaze为大气层辐射值,ESUN为大气顶层的太阳平均光谱辐照度;θ为太阳天顶角与太阳高度角互余;D为日地天文单位距离。
上述步骤2中,遥感分类特征包括土壤调节植被指数SAVI、归一化水体指数NDWI、归一化裸地指数NDBaI、修正的归一化裸地指数MNDBaI以及缨帽变换的亮度指数BI和湿度指数WI:
SAVI=(ρNIR-ρRed)(1+l)/(ρNIR+ρRed+l)
其中,ρNIR为遥感影像近红外波段经过大气体校正的地表反射率,ρRed为遥感影像红光波段经过大气体校正的地表反射率;l为土壤调节因子,其值介于0-1之间,0和1分别代表植被覆盖率极高和极低的两种极端情况;
NDWI=(ρGruun-ρNIR)/(ρGruun+ρNIR)
其中,ρGruun为遥感影像绿光波段经过大气体校正的地表反射率;
NDBaI=(dSWRI1-dTIR)/(dSWRI1+dTIR)
其中,d为未经过大气体校正的原始影像值,下标SWIR和TIR分别为短波红外波段和热红外波段;
MNDBaI=(ρRed-ρBlue)/(ρRed+ρBlue)
其中,ρRed为遥感影像红光波段经过大气体校正的地表反射率,ρBlue为遥感影像蓝光波段经过大气体校正的地表反射率;
BITM=0.2043ρBlue+0.4158ρGreen+0.5524ρRed+0.5741ρNIR+0.3124ρSWIR1+0.2303ρSWIR2
WITM=0.0315ρBlue+0.2021ρGreen+0.3102ρRed+0.1594ρNIR-0.6806ρSWIR1-0.6109ρSWIR2
其中,BITM、WITM分别为Landsat 5 TM的缨帽变换的亮度指数和湿度指数,ρ为遥感影像经过大气体校正的地表反射率,下标Blue、Green、Red、NIR、SWIR1及SWIR2分别对应Landsat 5 TM的蓝光、绿光、红光、近红外、短波红外1和短波红外2波段;
BIOLI=0.3029ρBlue+0.2786ρGreen+0.4733ρRed+0.5599ρNIR+0.508ρSWIR1+0.1872ρSWIR2
WIOLI=0.1511ρBlue+0.1973ρGreen+0.3283ρRed+0.3407ρNIR-0.7117ρSWIR1-0.4559ρSWIR2
其中,BIOLI、WIOLI分别为Landsat 5 TM的缨帽变换的亮度指数和湿度指数,ρ为遥感影像经过大气体校正的地表反射率,下标Blue、Green、Red、NIR、SWIR1及SWIR2分别对应Landsat 8 OLI的蓝光、绿光、红光、近红外、短波红外1和短波红外2波段。
上述步骤3的实现过程是:
(31)利用地理信息特征将植被阴影与其他地类区分开;
(32)提取沿海城市水体信息;
(33)区分植被区与非植被区;
(34)提取植被区中林地信息与耕地信息;
(35)提取非植被区中裸地信息;
(36)提取非裸地中建设用地和滩涂湿地信息。
上述步骤(31)中,以基于COST模型大气校正的遥感影像为根节点,将高程DEM1≥P1或坡度Slope≥P2作为约束条件,沿海城市土地利用类型中满足这一约束条件的区域判别为山区林地,不满足约束条件的区域则归为非山区林地,完成一级分类,P1、P2为阈值。
上述步骤(32)中,以上一级判断中的非山区林地为分支节点,将归一化水体指数NDWI≥P3作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为水体,其余不满足约束条件的区域归为非水体,完成二级分类,P3为阈值。
上述步骤(33)中,以上一级判断中的非水体为分支节点,将土壤调节植被指数SAVI≥P4作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为植被区,其余不满足约束条件的区域归为非植被区,完成三级分类,P4为阈值。
上述步骤(34)中,以上一级判断中的植被区为分支节点,将缨帽变换的亮度指数BI≥P6作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为耕地,其余不满足约束条件的区域归为林地,P6为阈值。
上述步骤(35)中,以上一级判断中的非植被区为分支节点,将归一化裸地指数NDBaI≥P5或改进的归一化裸地指数MNDBaI≥P5作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为裸地,其余不满足约束条件的区域归为非裸地,P5为阈值。
上述步骤(36)中,以上一级判断中的非裸地为分支节点,将高程DEM2≥P7且缨帽变换的湿度指数WI<P8作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为建设用地,其余不满足约束条件的区域归为滩涂湿地,P7、P8为阈值。
上述步骤4中,区分建设用地与休耕地时,基于两期影像A和B,利用决策树法提取其建设用地,把这两期建设用地的先做差值运算,再借助SAVI指数做遥感变化监测,判别错分和漏分的建设用地和耕地。
上述步骤4中,区分高层高密度建设用地与水体时,利用时间序列遥感影像对裸地和建设用地做遥感变化检测,从而判断早期所提取的裸地和建设用地信息是否有误。
上述步骤5的具体内容是:首先从Google Earth获得高分辨率影像,影像配准后,设定重采样标准,采用分层随机采样法为每种土地利用类型抽取数个样本点,进而建立混淆矩阵,计算其生产精度、用户精度、总体分类精度与Kappa系数,如果分类精度不满足要求,则调整决策树中的参数。
采用上述方案后,本发明具有如下有益效果:
(1)相比现有决策树分类法,本发明的鲁棒性和普适性更好,其许多决策规则参数比较稳定,避免了仅仅采用原始影像光谱特征导致的分类特征过于单一,且需要不断的人工调整确定决策规则的缺陷。此外,在实际应用中,具体分类特征的选取、土地利用类型的划分等均可进行调整;
(2)针对沿海城市滩地与建设用从光谱上难以区分的问题:本研究提出使用DEM与湿度指数联合提取滩地与建设用地的方法,效果较好。因为沿海城市扩展往往通过不断的围海造地来新增建设用地完成,它们从光谱上难以区分;
(3)对于建设用地与休耕地易混淆的特点,研究提出耕地变化差异明显的两期影像中提取的建设用地先做差值运算,再借助SAVI指数变化监测,判别错分和漏分的建设用地,该方法的应用使包含修耕地影像中的建设用地的分类精度大大提高;
(4)针对山区林地阴影与水体光谱易混淆的问题,提出使用地形数据(DEM和坡度)区分;
(5)针对高层高密度建筑用地与水体光谱易混淆的问题,提出使用相邻两期影像变化检测区分,该方法能够快速准确区分误分和漏分的高层高密度建筑用地。
附图说明
图1是本发明的流程图;
图2是本发明中基于多特征的决策树分类流程图;
图3是实施区域土地利用分类结果示意图;
其中,(a)、(b)、(c)分别对应2015年、2007年和2003年。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
如图1所示,本发明提供一种沿海城市时间序列土地利用信息提取方法,包括如下步骤:
步骤1,数据采集与预处理,采集的数据包括遥感影像(如Landsat TM/ETM+/OLI、Landsat 5 TM/Landsat8 OLI)和数字高程影像DEM数据,预处理的内容包括对中分辨率遥感影像Landsat基于COST模型进行大气校正,将原始像元的灰度值转换为地表像元反射值,具体包括以下步骤:
(1)根据遥感器的增益与偏移进行遥感器定标;
(2)将遥感器的光谱辐射值转换为遥感器的相对反射值;
(3)大气纠正,消除因大气吸收和散射造成的大气影响,同时按公式①②计算地球表面像元相对反射率:
Lsat=Gain·DN+Bias 公式①
其中,Lsat为传感器所接收的辐射能量(或大气层顶进入卫星传感器的光谱辐射亮度,单位为W/(m2.ster.μm),Gain为增益,DN为像元值,Bias为偏移,各波段光谱通道的增益和偏移可以从遥感头文件中获取;ρ为遥感影像经过大气体校正的地表反射率(或大气层顶(TOA)表观反射率(无量纲)或星上反射率),π为常量,Lhaze为大气层辐射值,ESUN为大气顶层的太阳平均光谱辐照度,即大气顶层太阳辐照度;θ为太阳天顶角与太阳高度角互余,太阳高度角可以从影像头文件获得;D为日地天文单位距离(天文单位)或叫日地天文距离,可以通过D=1-0.01674*cos(0.9856×(JD-4)×π/180)求得,JD为遥感成像时的儒略日。
步骤2,在对中分辨率遥感影像进行COST模型大气校正的基础上,根据沿海城市土地利用类型具体的划分情况,选取一组遥感分类特征,并按公式③-⑩分别计算土壤调节植被指数(SAVI)、归一化水体指数(NDWI)、归一化裸地指数(NDBaI)、修正的归一化裸地指数(MNDBaI)以及缨帽变换的亮度指数(BI)和湿度指数(WI),进而构建遥感分类特征指数数据库;
SAVI=(ρNIR-ρRed)(1+l)/(ρNIR+ρRed+l) 公式③
其中,ρNIR为遥感影像近红外波段经过大气体校正的地表反射率,ρRed为遥感影像红光波段经过大气体校正的地表反射率;l为土壤调节因子,其值介于0-1之间,0和1分别代表植被覆盖率极高和极低的两种极端情况,通常选择0.5可以较好地清除土壤的噪声影响。
NDWI=(ρGruun-ρNIR)/(ρGruun+ρNIR) 公式④
其中,ρGruun为遥感影像绿光波段经过大气体校正的地表反射率。
NDBaI=(dSWRI1-dTIR)/(dSWRI1+dTIR) 公式⑤
其中,d为未经过大气体校正的原始影像值,下标SWIR和TIR分别为短波红外波段和热红外波段。
MNDBaI=(ρRed-ρBlue)/(ρRed+ρBlue) 公式⑥
BITM=0.2043ρBlue+0.4158ρGreen+0.5524ρRed+0.5741ρNIR+0.3124ρSWIR1+0.2303ρSWIR2公式⑦
WITM=0.0315ρBlue+0.2021ρGreen+0.3102ρRed+0.1594ρNIR-0.6806ρSWIR1-0.6109ρSWIR2公式⑧
公式⑦、⑧中,BITM、WITM分别为Landsat 5 TM的缨帽变换的亮度指数和湿度指数,ρ为遥感影像经过大气体校正的地表反射率,下标Blue、Green、Red、NIR、SWIR1及SWIR2分别对应Landsat 5 TM的蓝光、绿光、红光、近红外、短波红外1和短波红外2波段。
BIOLI=0.3029ρBlue+0.2786ρGreen+0.4733ρRed+0.5599ρNIR+0.508ρSWIR1+0.1872ρSWIR2公式⑨
WIOLI=0.1511ρBlue+0.1973ρGreen+0.3283ρRed+0.3407ρNIR-0.7117ρSWIR1-0.4559ρSWIR2 公式⑩
公式⑨、⑩中,BIOLI、WIOLI分别为Landsat 5 TM的缨帽变换的亮度指数和湿度指数,ρ为遥感影像经过大气体校正的地表反射率,下标Blue、Green、Red、NIR、SWIR1及SWIR2分别对应Landsat 8 OLI的蓝光、绿光、红光、近红外、短波红外1和短波红外2波段。
步骤3,基于多特征的决策树模型。通过运用公式③-⑩计算所得的6种分类特征指数以及由DEM数据所得的高程数据和坡度数据,根据沿海城市不同土地利用类型构建单分类特征指数或多分类特征指数的决策规则,并依据规则进行沿海城市土地利用逐级分类,最终确定决策树的各个分支。具体地说就是,把遥感影像看成一个原级T(根结点),进行地物的分类时,将原级T分为T1(非水体)和T2(水体/阴影)两大类,称为“一级”分类,进而每大类中又可再进一步分类,如T1(非水体)可分为A1(植被)和A2(非植被),T2(水体/阴影)可分为B1(水体)和B2(阴影)等,称为“二级”分类,如此不断地细分,直到所要求的“终级”类别分出为止。
结合图2所示,利用基于多特征的决策树模型进行沿海城市土地利用类型分类的具体步骤是:
(1)利用地理信息特征将植被阴影与其他地类区分开。以基于COST模型大气校正的遥感影像为根节点,将高程DEM1≥P1或坡度Slope≥P2作为约束条件,沿海城市土地利用类型中满足这一约束条件的区域判别为山区林地,不满足约束条件的区域则归为非山区林地,完成一级分类;
(2)提取沿海城市水体信息。以上一级判断中的非山区林地为分支节点,将归一化水体指数NDWI≥P3作为约束条件,由于水体的NDWI值远大于其他地类。因此,把沿海城市土地利用类型中满足这一约束条件的区域判别为水体,其余不满足约束条件的区域归为非水体,完成二级分类;
(3)区分植被区与非植被区。以上一级判断中的非水体为分支节点,将土壤调节植被指数SAVI≥P4作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为植被区(林地和耕地),其余不满足约束条件的区域归为非植被区(建设用地、裸地和滩涂湿地),完成三级分类;
(4)提取植被区中林地信息与耕地信息。以上一级判断中的植被区为分支节点,将缨帽变换的亮度指数BI≥P6作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为耕地,其余不满足约束条件的区域归为林地;
(5)提取非植被区中裸地信息。以上一级判断中的非植被区为分支节点,将归一化裸地指数NDBaI≥P5或改进的归一化裸地指数MNDBaI≥P5作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为裸地,其余不满足约束条件的区域归为非裸地(建设用地、裸地和滩涂湿地)。需要注意的是,用于该级约束条件的两个分类特征指数并非“或”的关系,在使用时需要根据具体情况“二者择其一”。当沿海城市中存在大量屋顶为浅色的建筑物时,若继续使用NDBaI作为约束条件,容易漏分屋顶为浅色的建筑物。因此,需要采用改进的归一化裸地指数MNDBaI替换NDBaI作为约束条件;
(6)提取非裸地中建设用地和滩涂湿地信息。以上一级判断中的非裸地为分支节点,将高程DEM2≥P7且缨帽变换的湿度指数WI<P8作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为建设用地,其余不满足约束条件的区域归为滩涂湿地。
步骤4,时间序列遥感影像变化检测,区分误分和漏分地类,包括两部分内容:
(1)区分建设用地与休耕地。如耕地变化差异明显的两期影像A和B,影像A中含有大量休耕地时,需要和影像B进行SAVI变化检测,进一步区分A建设用地中误提的耕地,同时能够修正B影像漏提的建设用地。具体做法是:基于A和B两期影像,利用决策树法提取其建设用地,把这两期建设用地的先做差值运算,再借助SAVI指数做遥感变化监测,判别错分和漏分的建设用地和耕地;
(2)区分高层高密度建设用地与水体。若在早期的遥感影像C所提取出的裸地和建设用地,在对应后一期遥感影像D中变成滩涂湿地或者水体,则可判断早期所提取的裸地和建设用地信息有误,需要利用时间序列遥感影像对裸地和建设用地做遥感变化检测。如快速城市化区域中高楼林立,其在影像图中呈现为水体特征,变化监测方法能够及时修正这种情况。
步骤5,分类精度评价。地面验证点从Google Earth影像获得,具体做法是首先从Google Earth获得高分辨率影像,影像配准后,重采样为5m(或<5m)。采用分层随机采样法为每种土地利用类型抽取至少50个样本点,进而建立混淆矩阵,计算其生产精度、用户精度、总体分类精度与Kappa系数等指标。如果分类精度不满足要求,需要调整决策树中的某些参数。
步骤6,输出遥感影像中决策树模型提取的土地利用分类图。
以下将选取厦门市为实施案例城市,采用一组(3个时相)遥感影像为数据源,以此数据验证沿海城市时间序列土地利用信息提取方法的有效性。
所使用的影像数据分别为2景Landsat 5 TM和1景Landsat 8 OLI遥感影像,成像时间分别为2003/10/28、2007/01/08和2015/01/14,影像面积约480km2,空间分辨率均为30m。案例实施过程中将根据研究区厦门市土地利用类型,将其划分为6类:水体、林地、建设用地、滩涂湿地、耕地和裸地,应用本发明所述方法对厦门市3个时相的遥感影像数据进行了土地利用信息提取,并将其结果与最大似然法监督分类提取结果进行了比较。具体实施步骤如下:
步骤一、利用基于COST模型所实现的大气校正程序对原始影像进行数据预处理;
步骤二、对经过COST模型大气校正的遥感影像,按本发明技术方案中公式③-⑩,分别计算出对应的分类特征指数:SAVI、NDWI、NDBaI、MNDBaI、BI和WI,从而构建遥感分类特征指数数据库;
步骤三、以地形学知识,DEM与坡度作为重要的辅助分类因子,建立基于多特征的决策树分类模型(见图2),模型中涉及的阈值P1-P8的选取如表1所示。以2007年厦门市TM影像决策树模型的建立过程进行详细说明:
第一步,分出山区林地。对比影像、高程与坡度图发现,山区林地分布于海拔112m或坡度10°以上的丘陵区,因此引入高程和坡度图设置DEM1≥112或Slope≥10,可以有效提取山区林地,这种区分方法的优点是提取林地的同时提取了植被阴影信息,避免了植被阴影混入水体中,植被阴影归入林地类;
第二步,山区林地中,应用MNDWI指数区分出水体与非水体,NDWI≥-0.01为水体;
第三步,非水体中,应用SAVI指数区分植被区与非植被区,SAVI≥0.31为植被区;
第四步,非植被区中,应用MNDBal指数区分裸地与非裸地,MNDBal<0.33为裸地。需要特别说明的是,由于2007和2015年影像中存在大量的浅白色建筑屋顶,因此2003年应用NDBal作为判断阈值,而2007年和2015年应用MNDBal作为判断阈值。
第五步,在非裸地中区分出建设用地与滩涂湿地。滩涂湿地是沿海城市的特点,但它们不易区分。对比影像、高程与湿度指数图,发现滩涂湿地比建设用地具有较高的湿度指数,DEM2<6且WI≥-0.14为滩涂湿地,否则为为建设用地。若用单纯的湿度指数,则提取结果中滩涂湿地会混入建筑物阴影。若想通过设置某一高程条件(如DEM2>2)提取建设用地,则会导致明显的错误。因为厦门城市不断的填海行为导致较低地形上进行城市建设,所以漏分了城市围海造地。因此借助高程图与湿度指数共同提取沿海城市的建设用地效果好。
第六步,植被区中,应用亮度指数BI将植被区进一步分为耕地与林地。因为耕地具有较高的亮度指数,因此,取BI≥0.45为耕地,否则为林地。
步骤四、时间序列遥感影像变化检测,区分误分和漏分地类。
2003年建设用地中,混入了大量的休耕地,应用植被指数SAVI对2003和2007建设用地进行变化检测,将03年提取的建设用地进一步分为耕地与建设用地。
2015年建设用地中,漏提了大量的高层高密度建筑用地,这些建筑用地通常由前期的裸地变化而来,应用2007和2015年的裸地进行变化检测,将2015年漏分的高层高密度建筑用地正确分类。
表1 厦门市3个时相影像在决策树分类模型中对应的阈值
步骤五、以具有高空间分辨率的谷歌影像2003,2005及2015三个时相数据提取采样点为参考影像数据,分别对案例实施过程中三个时相的影像土地利用分类结果进行精度评价,并将其结果与最大似然法监督分类提取结果进行比较。
根据本发明实现的分类结果如图3所示,其中,(a)、(b)、(c)分别对应2015年、2007年和2003年的情况。
测试结果表明,运用本发明进行厦门市土地利用分类信息提取,提取结果的精度明显高于最大似然法监督分类。基于多特征的决策树模型三个时相的土地利用分类结果中,平均的总体分类精度和Kappa系数分别为92.13%和0.90,相比最大似然法监督分类的分类精度,分别提高了10.17%和0.13。其中,建设用地的分类精度大大提升,其平均用户精度高达91.36%。相比最大似然法监督分类的平均的用户分类精度提高了15.87%。
表2 决策树方法与最大似然法监督分类分法精度评价对比
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (12)
1.一种沿海城市时间序列土地利用信息提取方法,其特征在于包括如下步骤:
步骤1,采集遥感影像Landsat进行大气校正,将原始像元的灰度值转换为地表像元反射值;同时采集数字高程影像DEM数据,得到高程数据和坡度数据;
步骤2,在对遥感影像进行大气校正的基础上,根据沿海城市土地利用类型具体的划分情况,选取一组遥感分类特征并进行计算,构建遥感分类特征指数数据库;
所述步骤2中,遥感分类特征包括土壤调节植被指数SAVI、归一化水体指数NDWI、归一化裸地指数NDBaI、修正的归一化裸地指数MNDBaI以及缨帽变换的亮度指数BI和湿度指数WI:
SAVI=(ρNIR-ρRed)(1+l)/(ρNIR+ρRed+l)
其中,ρNIR为遥感影像近红外波段经过大气体校正的地表反射率,ρRed为遥感影像红光波段经过大气体校正的地表反射率;l为土壤调节因子,其值介于0-1之间,0和1分别代表植被覆盖率极高和极低的两种极端情况;
NDWI=(ρGruun-ρNIR)/(ρGruun+ρNIR)
其中,ρGruun为遥感影像绿光波段经过大气体校正的地表反射率;
NDBaI=(dSWRI1-dTIR)/(dSWRI1+dTIR)
其中,d为未经过大气体校正的原始影像值,下标SWIR和TIR分别为短波红外波段和热红外波段;
MNDBaI=(ρRed-ρBlue)/(ρRed+ρBlue)
其中,ρRed为遥感影像红光波段经过大气体校正的地表反射率,ρBlue为遥感影像蓝光波段经过大气体校正的地表反射率;
BITM=0.2043ρBlue+0.4158ρGreen+0.5524ρRed+0.5741ρNIR+0.3124ρSWIR1+0.2303ρSWIR2
WITM=0.0315ρBlue+0.2021ρGreen+0.3102ρRed+0.1594ρNIR-0.6806ρSWIR1-0.6109ρSWIR2
其中,BITM、WITM分别为Landsat 5 TM的缨帽变换的亮度指数和湿度指数,ρ为遥感影像经过大气体校正的地表反射率,下标Blue、Green、Red、NIR、SWIR1及SWIR2分别对应Landsat5 TM的蓝光、绿光、红光、近红外、短波红外1和短波红外2波段;
BIOLI=0.3029ρBlue+0.2786ρGreen+0.4733ρRed+0.5599ρNIR+0.508ρSWIR1+0.1872ρSWIR2
WIOLI=0.1511ρBlue+0.1973ρGreen+0.3283ρRed+0.3407ρNIR-0.7117ρSWIR1-0.4559ρSWIR2
其中,BIOLI、WIOLI分别为Landsat 5 TM的缨帽变换的亮度指数和湿度指数,ρ为遥感影像经过大气体校正的地表反射率,下标Blue、Green、Red、NIR、SWIR1及SWIR2分别对应Landsat 8 OLI的蓝光、绿光、红光、近红外、短波红外1和短波红外2波段;
步骤3,基于多特征的决策树模型,通过分类特征指数以及由DEM数据所得的高程数据和坡度数据,根据沿海城市不同土地利用类型构建单分类特征指数或多分类特征指数的决策规则,并依据规则进行沿海城市土地利用逐级分类,最终确定决策树的各个分支;
步骤4,时间序列遥感影像变化检测,区分误分和漏分地类;
步骤5,进行分类精度的评价;
步骤6,输出遥感影像中决策树模型提取的土地利用分类图。
2.如权利要求1所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤1中,采集遥感影像Landsat进行大气校正,将原始像元的灰度值转换为地表像元反射值的具体过程是:
(11)根据遥感器的增益与偏移进行遥感器定标;
(12)将遥感器的光谱辐射值转换为遥感器的相对反射值;
(13)大气纠正,消除因大气吸收和散射造成的大气影响,根据下式计算地球表面像元相对反射率:
Lsat=Gain·DN+Bias
其中,Lsat为传感器所接收的辐射能量,Gain为增益,DN为像元值,Bias为偏移;ρ为遥感影像经过大气体校正的地表反射率,π为常量,Lhaze为大气层辐射值,ESUN为大气顶层的太阳平均光谱辐照度;θ为太阳天顶角与太阳高度角互余;D为日地天文单位距离。
3.如权利要求1所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤3的实现过程是:
(31)利用地理信息特征将植被阴影与其他地类区分开;
(32)提取沿海城市水体信息;
(33)区分植被区与非植被区;
(34)提取植被区中林地信息与耕地信息;
(35)提取非植被区中裸地信息;
(36)提取非裸地中建设用地和滩涂湿地信息。
4.如权利要求3所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤(31)中,以基于COST模型大气校正的遥感影像为根节点,将高程DEM1≥P1或坡度Slope≥P2作为约束条件,沿海城市土地利用类型中满足这一约束条件的区域判别为山区林地,不满足约束条件的区域则归为非山区林地,完成一级分类,P1、P2为阈值。
5.如权利要求3所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤(32)中,以上一级判断中的非山区林地为分支节点,将归一化水体指数NDWI≥P3作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为水体,其余不满足约束条件的区域归为非水体,完成二级分类,P3为阈值。
6.如权利要求3所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤(33)中,以上一级判断中的非水体为分支节点,将土壤调节植被指数SAVI≥P4作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为植被区,其余不满足约束条件的区域归为非植被区,完成三级分类,P4为阈值。
7.如权利要求3所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤(34)中,以上一级判断中的植被区为分支节点,将缨帽变换的亮度指数BI≥P6作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为耕地,其余不满足约束条件的区域归为林地,P6为阈值。
8.如权利要求3所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤(35)中,以上一级判断中的非植被区为分支节点,将归一化裸地指数NDBaI≥P5或改进的归一化裸地指数MNDBaI≥P5作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为裸地,其余不满足约束条件的区域归为非裸地,P5为阈值。
9.如权利要求3所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤(36)中,以上一级判断中的非裸地为分支节点,将高程DEM2≥P7且缨帽变换的湿度指数WI<P8作为约束条件,把沿海城市土地利用类型中满足这一约束条件的区域判别为建设用地,其余不满足约束条件的区域归为滩涂湿地,P7、P8为阈值。
10.如权利要求1所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤4中,区分建设用地与休耕地时,基于两期影像A和B,利用决策树法提取其建设用地,把这两期建设用地的先做差值运算,再借助SAVI指数做遥感变化监测,判别错分和漏分的建设用地和耕地。
11.如权利要求1所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤4中,区分高层高密度建设用地与水体时,利用时间序列遥感影像对裸地和建设用地做遥感变化检测,从而判断早期所提取的裸地和建设用地信息是否有误。
12.如权利要求1所述的一种沿海城市时间序列土地利用信息提取方法,其特征在于:所述步骤5的具体内容是:首先从Google Earth获得高分辨率影像,影像配准后,设定重采样标准,采用分层随机采样法为每种土地利用类型抽取数个样本点,进而建立混淆矩阵,计算其生产精度、用户精度、总体分类精度与Kappa系数,如果分类精度不满足要求,则调整决策树中的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611253105.3A CN106650689B (zh) | 2016-12-30 | 2016-12-30 | 一种沿海城市时间序列土地利用信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611253105.3A CN106650689B (zh) | 2016-12-30 | 2016-12-30 | 一种沿海城市时间序列土地利用信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650689A CN106650689A (zh) | 2017-05-10 |
CN106650689B true CN106650689B (zh) | 2019-08-27 |
Family
ID=58836897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611253105.3A Active CN106650689B (zh) | 2016-12-30 | 2016-12-30 | 一种沿海城市时间序列土地利用信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650689B (zh) |
Families Citing this family (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292232B (zh) * | 2017-05-11 | 2020-12-22 | 中国科学院地理科学与资源研究所 | 遥感分类产品精度检验的方法和系统 |
CN107247927B (zh) * | 2017-05-23 | 2022-11-18 | 浙江海洋大学 | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 |
CN107273868A (zh) * | 2017-06-28 | 2017-10-20 | 电子科技大学 | 一种遥感图像中区分煤矿区的煤堆和煤矸石区域的方法 |
CN107480634A (zh) * | 2017-08-12 | 2017-12-15 | 天津市测绘院 | 一种基于多级对象分类的地理国情地表覆盖监测方法 |
CN109426772A (zh) * | 2017-08-24 | 2019-03-05 | 中国科学院城市环境研究所 | 一种城市人为热排放时空变化的遥感检测方法 |
CN108171245B (zh) * | 2017-10-09 | 2021-06-08 | 浙江海洋大学 | 一种基于缨帽变换的洪水淹没范围遥感信息提取方法及装置 |
CN108592888B (zh) * | 2018-04-23 | 2020-11-10 | 中国科学院地球化学研究所 | 一种居民地提取方法 |
CN108896185B (zh) * | 2018-05-14 | 2020-10-16 | 河海大学 | 基于归一化沙漠指数的遥感地表温度空间降尺度方法 |
CN109447436A (zh) * | 2018-10-17 | 2019-03-08 | 中国路桥工程有限责任公司 | 一种环湖旅游公路景观视觉影响评价方法 |
CN109472304B (zh) * | 2018-10-30 | 2021-04-16 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN109636882A (zh) * | 2018-11-21 | 2019-04-16 | 东北农业大学 | 基于数字高程模型和遥感影像的黑土区数字土壤制图方法 |
CN109614942B (zh) * | 2018-12-14 | 2023-04-25 | 中国科学院遥感与数字地球研究所 | 一种基于云计算平台的森林扰动长时间序列监测方法 |
CN109740645A (zh) * | 2018-12-20 | 2019-05-10 | 核工业北京地质研究院 | 一种适用于高分一号影像的cart决策树分类方法 |
CN109801304B (zh) * | 2019-01-11 | 2022-12-27 | 重庆邮电大学 | 一种抑制裸地的建筑指数构建及建筑区域快速提取方法 |
CN109726705B (zh) * | 2019-01-24 | 2020-07-31 | 中国科学院地理科学与资源研究所 | 红树林信息的提取方法、装置及电子设备 |
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 |
CN110598513A (zh) * | 2019-05-24 | 2019-12-20 | 南京大学 | 一种基于sleuth模型的城市开发边界预测方法 |
CN110296690A (zh) * | 2019-06-06 | 2019-10-01 | 中国科学院东北地理与农业生态研究所 | 一种基于Google Earth Engine云平台的潮间带滩涂快速遥感提取方法 |
CN110210438B (zh) * | 2019-06-10 | 2023-07-14 | 南京林业大学 | 北方土石山区水土流失监测土地利用/覆盖分类方法 |
CN110705449A (zh) * | 2019-09-27 | 2020-01-17 | 佛山科学技术学院 | 一种土地利用变化遥感监测分析方法 |
CN111222536A (zh) * | 2019-11-19 | 2020-06-02 | 南京林业大学 | 一种基于决策树分类的城市绿色空间信息提取方法 |
CN111079672B (zh) * | 2019-12-20 | 2023-10-13 | 中国科学院空天信息创新研究院 | 基于最大熵特征的葡萄分类提取方法 |
CN111079846A (zh) * | 2019-12-20 | 2020-04-28 | 中国科学院遥感与数字地球研究所 | 基于时间序列高分辨率遥感数据的苹果识别方法 |
CN111123234B (zh) * | 2019-12-20 | 2021-09-17 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于粗糙度和湿度的相似裸地杂波均值特性类推方法 |
CN111062368B (zh) * | 2019-12-31 | 2020-09-11 | 中山大学 | 基于Landsat时间序列遥感影像的城市更新区域监测方法 |
CN111368261A (zh) * | 2020-03-19 | 2020-07-03 | 重庆邮电大学 | 一种基于大气校正对不透水面指数的定量定性描述方法 |
CN112329790B (zh) * | 2020-10-27 | 2024-01-23 | 厦门理工学院 | 一种城市不透水面信息快速提取方法 |
CN112329829B (zh) * | 2020-10-27 | 2021-08-27 | 宁波大学 | 一种基于高光谱数据的红树林提取方法 |
CN112800973B (zh) * | 2021-01-29 | 2021-08-27 | 宁波大学 | 一种基于植被物候特征决策的互花米草提取方法 |
CN112990657B (zh) * | 2021-02-06 | 2021-12-07 | 首都师范大学 | 一种通过长时序卫星遥感评价湿地退化的方法 |
CN112818923A (zh) * | 2021-02-25 | 2021-05-18 | 中国科学院地理科学与资源研究所 | 一种城市群居住空间建成时间识别方法 |
CN113203399B (zh) * | 2021-04-16 | 2022-02-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种地下空间资源量分析方法 |
CN113128453B (zh) * | 2021-04-30 | 2022-12-06 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
CN113592770B (zh) * | 2021-06-23 | 2024-02-23 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
CN113780232B (zh) * | 2021-09-23 | 2024-02-02 | 中国科学院东北地理与农业生态研究所 | 一种城市湿地动态监测方法 |
CN114022413B (zh) * | 2021-10-14 | 2023-03-24 | 中山大学 | 一种生产建设用地的高频次全自动遥感监测方法 |
CN114529838B (zh) * | 2022-04-24 | 2022-07-15 | 江西农业大学 | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 |
CN115346120B (zh) * | 2022-08-16 | 2023-06-20 | 中国科学院空天信息创新研究院 | 一种草地地上生物量及其固碳量遥感估算方法 |
CN117115376A (zh) * | 2023-09-01 | 2023-11-24 | 山东省水利科学研究院 | 一种识别与绘制gde范围的方法、系统、设备及介质 |
CN116994072B (zh) * | 2023-09-26 | 2024-01-30 | 航天宏图信息技术股份有限公司 | 基于决策树分类模型的湿地提取方法、装置、设备和介质 |
CN117541940B (zh) * | 2024-01-10 | 2024-03-22 | 日照市自然资源和规划局 | 基于遥感数据的土地利用分类方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955154A (zh) * | 2012-10-16 | 2013-03-06 | 中国科学院遥感应用研究所 | 一种高分辨率遥感数据大气校正方法 |
CN103914809A (zh) * | 2014-03-27 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 一种基于Landsat8星上反射率的缨帽变换方法及装置 |
WO2015038358A1 (en) * | 2013-09-11 | 2015-03-19 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
-
2016
- 2016-12-30 CN CN201611253105.3A patent/CN106650689B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955154A (zh) * | 2012-10-16 | 2013-03-06 | 中国科学院遥感应用研究所 | 一种高分辨率遥感数据大气校正方法 |
WO2015038358A1 (en) * | 2013-09-11 | 2015-03-19 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN103914809A (zh) * | 2014-03-27 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 一种基于Landsat8星上反射率的缨帽变换方法及装置 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
Non-Patent Citations (1)
Title |
---|
额尔齐斯河-斋桑湖流域近20年来土地利用/土地覆被时空演变;沈金祥 等;《干旱地理》;20100315;第33卷(第2期);正文190页第3段、190页第1节、191页第2.1节、192页第2.2.2-2.3节,表1 * |
Also Published As
Publication number | Publication date |
---|---|
CN106650689A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650689B (zh) | 一种沿海城市时间序列土地利用信息提取方法 | |
CN109101894B (zh) | 一种地表类型数据支持的遥感图像云阴影检测方法 | |
Liao et al. | High-resolution remote sensing mapping of global land water | |
Avitabile et al. | Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda | |
CN103824077B (zh) | 一种基于多源遥感数据的城市不透水层率息提取方法 | |
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
US20210199579A1 (en) | Method and system for urban impervious surface extraction based on remote sensing | |
Chen et al. | Mapping forest and their spatial–temporal changes from 2007 to 2015 in tropical hainan island by integrating ALOS/ALOS-2 L-Band SAR and landsat optical images | |
CN110308097A (zh) | 一种卫星图像云检测方法及系统 | |
Chen et al. | Shrub biomass estimation in semi-arid sandland ecosystem based on remote sensing technology | |
Mustafa et al. | Identification and mapping of tree species in urban areas using worldview-2 imagery | |
Feng et al. | A hierarchical extraction method of impervious surface based on NDVI thresholding integrated with multispectral and high-resolution remote sensing imageries | |
Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
Zhang et al. | Automated paddy rice extent extraction with time stacks of Sentinel data: A case study in Jianghan plain, Hubei, China | |
Al Kuwari et al. | Impact of North Gas Field development on landuse/landcover changes at Al Khore, North Qatar, using remote sensing and GIS | |
Lu et al. | Mapping the terraces on the Loess Plateau based on a deep learning-based model at 1.89 m resolution | |
Guo et al. | Estimating aboveground biomass using Pléiades satellite image in a karst watershed of Guizhou Province, Southwestern China | |
Fawzy et al. | AUTOMATIC INDICES BASED CLASSIFICATION METHOD FOR MAP UPDATING USING VHR SATELLITE IMAGES | |
Chen et al. | A novel water change tracking algorithm for dynamic mapping of inland water using time-series remote sensing imagery | |
Deng et al. | Tree crown recognition algorithm on high spatial resolution remote sensing imagery | |
Alba et al. | Land cover change detection in Southern Brazil through orbital imagery classification methods | |
Zhang et al. | Land cover/use classification based on feature selection | |
Van Niel | Classification of vegetation and analysis of its recent trends at Camp Williams, Utah using remote sensing and geographic information system techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |