CN107423537B - 一种基于自适应阈值的地表温度降尺度的方法 - Google Patents
一种基于自适应阈值的地表温度降尺度的方法 Download PDFInfo
- Publication number
- CN107423537B CN107423537B CN201710055551.1A CN201710055551A CN107423537B CN 107423537 B CN107423537 B CN 107423537B CN 201710055551 A CN201710055551 A CN 201710055551A CN 107423537 B CN107423537 B CN 107423537B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- downscaling
- scale
- remote sensing
- earth surface
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开一种基于自适应阈值的地表温度降尺度的方法,主要利用多个和地表温度高度相关的因子作为降尺度因子;采用移动窗口法,通过降尺度评价指标获得降尺度因子参与降尺度模型拟合的最优阈值,可剔除移动窗口内不相关的尺度因子,自适应选择和土地覆盖类型高度匹配的尺度因子参与降尺度计算,使得本发明在土地覆盖类型复杂的区域具有良好的适用性,提高了地表温度降尺度的精度和效率,拓展了热红外图像在城市区域应用的深度和广度。
Description
技术领域
本发明属于降尺度领域,特别涉及一种基于自适应阈值的地表温度降尺度的方法。
背景技术
地表温度(Land Surface Temperature,下文简称LST)是表征地表能量平衡的重要参数,是研究地表生物物理化学过程的关键因子。目前主要有两种方法获取LST:通过地面气象站观测数据和热红外遥感数据。气象站观测数据精度高,且可全天连续监测,但覆盖范围小,不易用于大范围的温度制图。运用热红外遥感技术可获得大范围LST,而且能很好地描述LST的空间差异性和多样性。随着城市的发展,城市热岛、污染等生态环境问题更显突出,现有的地表温度产品的分辨率亟待提高。
尺度转换是指从某一个尺度上所获得的信息和知识扩展到其他尺度上的过程,尺度转换包括降尺度(Scaling-down)和升尺度(Scaling-up)。将大尺度上的信息推绎到小尺度上的过程称为降尺度,反之则为升尺度。空间降尺度是通过提高某一信息的空间分辨率,因此对热红外遥感数据进行降尺度,可得到具有更多空间细节信息的地表温度产品,以满足人们对高空间分辨率的地表温度产品的应用需求。
地表温度降尺度方法已有部分研究成果,已有学者从图像融合的角度提出了主成分分析、协-克里金插值、人工神经网络等方法,但这些方法通常忽略了明确的物理背景和热红外遥感的定量要求;有些学者通过研究LST变化与地理因素的关系,提出了机遇尺度因子的降尺度方法,该方法可保持降尺度前后热辐射信息的一致性。目前基于尺度因子的降尺度方法多采用单一植被指数进行降尺度研究,但是单一的尺度因子应用范围受限,主要是应用于植被覆盖区域,对于地表覆盖类型复杂多样的城市区域,该方法精度低,无法满足应用的需求。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供了一种精度高、效果好,使用范围广的基于自适应阈值的地表温度降尺度的方法。将降尺度方法推广到土地覆盖类型复杂多样的城市区域,有效解决目前遥感地表温度产品空间分辨率较低,无法应用于城市生态环境研究的问题。
发明内容:为解决上述技术问题,本发明提出一种基于自适应阈值的地表温度降尺度的方法,包括以下步骤:
步骤1:采集热红外遥感影像和多光谱遥感影像,并进行预处理;
步骤2:将多光谱影像与热红外影像通过聚合的方法升尺度到同一低分辨率,根据热红外遥感影像反演地表温度,根据多光谱遥感影像提取多个尺度因子;
步骤3:采用半方差函数的方法确定移动窗口大小;
步骤4:确定步骤2中得到低分辨率的多光谱遥感图像中每个尺度因子与低分辨率的热红外遥感图像中反演的地表温度的相关性的最优阈值;
步骤5:每个移动窗口内尺度因子与地表温度的相关性大于其最优阈值的尺度因子参与降尺度模型拟合,对于不满足阈值条件的像元只选取与地表温度相关性最大的一个尺度因子参与降尺度模型拟合,利用低分辨率的尺度因子与低分辨率的地表温度建立回归模型,根据尺度不变性,得到高分辨率的尺度因子与高分辨率的地表温度的回归模型;从而得到高分辨率地表温度。
进一步,所述步骤1中的预处理包括对热红外遥感影像和多光谱遥感影像进行校正,并将多光谱遥感影像重采样至与热红外遥感影像相同的分辨率,且统一裁剪至同一研究区域。
进一步,所述尺度因子包括植被指数、归一化多波段干旱指数、水体指数和不透水面指数。
进一步,所述步骤4中确定确定整幅影像每个尺度因子与地表温度的相关性的最优阈值的方法为:采用移动窗口法,逐步多元回归统计每个移动窗口中尺度因子与地表温度的相关性,并将每个尺度因子与地表温度的相关性分别进行升序排序;分别以每个窗口内尺度因子与地表温度的相关性为阈值,筛选尺度因子与地表温度的相关性大于阈值的尺度因子参与降尺度模型拟合;通过降尺度评价指标综合评价每个尺度因子与地表温度的相关性的阈值所拟合的降尺度模型精度,从而确定整幅影像每个尺度因子与地表温度的相关性的最优阈值
工作原理:本发明在由单一因子进行降尺度的基础上引进更多的尺度因子参与计算,可将降尺度方法扩展到地表覆盖类型复杂的城市区域。根据研究区的土地覆盖类型选择参与降尺度的候选因子,但不是所有尺度因子都参与计算,只有与地表温度相关性大且相互间独立性强的尺度因子才能参与降尺度计算;本发明通过降尺度评价指标,确定降尺度因子与地表温度的相关性最优阈值,以筛选移动窗口内参与降尺度计算的尺度因子。在进行多尺度因子降尺度时,各尺度因子相关性最优阈值的选取,成为决定整个降尺度模型精度和效率的关键问题。
有益效果:与现有技术相比,本发明采用移动窗口法,通过降尺度评价指标获得降尺度因子参与降尺度模型拟合的最优阈值,可剔除移动窗口内不相关的尺度因子,自适应选择和土地覆盖类型高度匹配的尺度因子参与降尺度计算,使得本方法在土地覆盖类型复杂的区域具有良好的适用性,提高了地表温度降尺度的精度和效率,拓展了热红外图像在城市区域应用的深度和广度。
附图说明
图1是本发明提供的发明工作流程图;
图2是本发明提供的研究区位置图;
图3是本发明提供的研究区地表覆盖类型分类图;
图4是本发明提供的90m分辨率LST产品及其聚合成的360mLST;
图5是本发明提供的尺度因子图;其中图5(a)为SAVI图;图5(b)为NMDI图;图5(c)为MNDWI图;图5(d)为NDBI图;
图6是本发明提供的每个尺度因子的半方差曲线图;其中图6(a)为SAVI的半方差曲线图;图6(b)为NMDI的半方差曲线图;图6(c)为MNDWI的半方差曲线图;图6(d)为NDBI的半方差曲线图;
图7是本发明提供的各级CCs评价指标曲线图;其中,图7(a)为决定系数R2的曲线图;图7(b)为均方根误差RMSE的曲线图;图7(c)为参与象元数的曲线图;
图8是本发明提供的不同CCs级对应的降尺度结果图;其中,图8(a)为CCs取最小时的降尺度结果图;图8(b)为CCs取440时的降尺度结果图;图8(c)为CCs取810时的降尺度结果图;图8(d)为CCs取最大时的降尺度结果图;
图9是本发明提供的降尺度最终结果图;
图10是本发明提供的模拟LST与参考LST散点图及误差密度图;
图11是本发明提供的误差空间分布图。
具体实施方式
下面结合附图对本发明的技术方案作进一步解释。
如图1所示,本发明提供了一种基于自适应阈值的地表温度降尺度的方法,具体包括以下步骤:
步骤1:获取遥感数据及预处理。获取研究区域范围内热红外遥感影像和多光谱遥感影像,并进行预处理。所采用的预处理主要包括影像的校正、重采样、裁剪等操作。对遥感影图像的多光谱和热红外图像进行校正,并将多光谱遥感影像重采样至与热红外遥感影像相同的分辨率,且统一裁剪至同一研究区域。
步骤2:反演地表温度和提取降尺度因子。将多光谱影像与热红外影像通过聚合的方法升尺度到同一低分辨率;对高分辨和低分辨率的两幅热红外图像,分别利用单窗算法反演地表温度,获得高低两种分辨率的地表温度;从高分辨率和低分辨率的多光谱遥感影像中分别提取高、低分辨率的降尺度因子。对于城市区域,常用且主要的尺度因子为以下四个:植被指数(下文简称SAVI)、归一化多波段干旱指数(下文简称NMDI)、水体指数(下文简称MNDWI)和不透水面指数(下文简称NDBI)。反演得到低分辨率与高分辨率的地表温度(下文简称LST),提取得到尺度因子图像。高分辨率影像的地表温度(LSTR)作为真值,用于评价降尺度方法的精度。
式中L为冠层背景调节系数,介于0-1之间,随着植被覆盖度的不同而变化。ρNIR和ρR分别为近红外波段和红光波段的地表反射率。
式中ρSWIR1和ρSWIR2分别为短波红外1.64μm和短波红外2.13μm的反射率。
式中ρG和ρSWIR分别指绿波段和短波红外的反射率。
步骤3:确定移动窗口大小。采用半方差函数的方法确定移动窗口大小,半方差曲线图反映的是两个距离为h的样点之间的空间自相关关系,其变程R范围内的像元可以认为具有相关性。
式中h为曲线拟合的步长,取值范围为0-300;m为参与的低分辨率影像像元数量,i表示像元的编号;Xi表示第i个像元的像素值,Xi+h表示第i+h个像元的像素值,即表示距离第i个像元h步长的像元的像素值;当半方差函数拟合曲线趋向稳定时,R(h)移动窗口大小。
步骤4:确定CCs最优阈值。首先统计每个移动窗口内尺度因子和窗口内LST之间的相关性(下文简称CCs),根据公式计算得到每个移动窗口内的每个尺度因子CCs值r:
根据计算出的r值大小将CCs按照由小到大的顺序进行排序;然后依次从小到大以每个CCs值作为阈值,移动窗口内每个尺度因子CCs值大于其阈值的都根据公式:
LSTF=aSAVIc+bNMDIc+cMNDWIc+dNDBIc (7)
进行降尺度模型拟合,一直循环到每个尺度因子CCs的最大值结束。其中,SAVIC,NMDIC,MNDWIC,NDBIC和LSTF分别是低分辨率的SAVI,NMDI,MNDWI,NDBI和拟合后的低分辨率LST,系数a,b,c,d随着移动窗口而变化。
通过降尺度评价指标(均方根误差(RMSE)、决定系数(R2)和参与回归模型建立的象元数)综合评价每个CCs阈值所拟合的降尺度模型精度;针对每个尺度因子,都选取误差较小、决定系数较大和参与象元数较多时的CCs值作为其CCs的最优阈值。
式中n为高分辨率影像图中所有像元个数,j为其中像元的编号;LSTH是拟合后的高分辨率地表温度,LSTR是用于对比价降尺度精度的参考地表温度,其空间分辨率和LSTH相同,该指数可以评价模拟的LST和参考LST之间的误差。
步骤5:建立降尺度回归模型。根据CCs最优阈值确定移动窗口内参与拟合降尺度回归模型的尺度因子;对于所有尺度因子都不满足阈值条件要求的窗口,选择与LST相关性最大的尺度因子建立降尺度回归模型。首先,根据公式7利用低分辨率的尺度因子与低分辨率的地表温度建立回归模型。
但由于地物发射率和地表覆盖的复杂性等问题,拟合后的LST和同等分辨率下通过地表温度反演算法得到的LST还存在差异。
e=LSTR-LSTF (10)
式中LSTR是用于对比价降尺度精度的参考地表温度,LSTF是拟合的地表温度,e是以上两者的误差,即残差。
根据残差,低分辨率的地表温度调整为公式11(以四个尺度因子为例,也可推广到多个尺度因子)。
LSTc=aSAVIc+bNMDIc+cMNDWIc+dNDBIc+e (11)
式中LSTC是模拟后的低分辨率地表温度。
根据尺度不变性,这种回归关系也可用于高分辨率的地表温度LST和尺度因子之间,即公式12(以四个尺度因子为例,也可推广到多个尺度因子)。
LSTH=aSAVIH+bNMDIH+cMNDWIH+dNDBIH+e (12)
式中SAVIH,NMDIH,MNDWIH,NDBIH和LSTH分别是高分辨率的SAVI,NMDI,MNDWI,NDBI和拟合后的高分辨率LST。
步骤6:评价降尺度精度。对比降尺度影像的LSTH和参考影像的LSTR,从RMSE、R2、误差空间分布图、误差概率密度图和参与降尺度的象元数等方面评价降尺度影像的质量。
如图2所示,以南京地区为例,展示一种基于自适应阈值的地表温度降尺度方法,具体包括以下步骤:
步骤1:获取2016年6月11日南京市范围内的一景Landsat8遥感影像,该影像包括热红外波段和多光谱波段,并进行预处理。所采用的预处理主要包括影像的校正、重采样、裁剪等操作。运用遥感软件ENVI对遥感影像进行校正,并将多光谱遥感影像重采样与热红外遥感影像重采样至90m,将其裁剪至同一研究区域。
步骤2,如图3~图4所示,将多光谱影像与热红外影像通过聚合的方法升尺度到同一低分辨率,360m。分别反演90m和360m的地表温度(LST),计算90m和360m的四个尺度因子(SAVI、NMDI、MNDWI和NDBI),得到90m和360m的地表温度以及尺度因子图像。反演得到的90mLST作为真值,用于对降尺度方法的精度评价。
步骤3,确定移动窗口大小。移动窗口直接关系到模型的精度以及模型的效率问题,确定合适的移动窗口至关重要。半方差曲线图反映的是两个距离为h的样点之间的空间自相关关系,其变程R范围内的像元可以认为具有相关性。如图6所示,由此利用各尺度因子的半方差曲线,并综合考虑均方根误差、决定系数等评价指标确定移动窗口的大小。
步骤4,估算CCs最优阈值。具体步骤为:首先,统计每个移动窗口内尺度因子和窗口内LST之间的相关性(CCs),将CCs按照由小到大的顺序进行排序;然后依次从小到大以每个CCs值作为阈值,移动窗口内每个尺度因子CCs值大于其阈值的都参与降尺度模型拟合,一直循环到每个尺度因子CCs的最大值结束,如图7所示,通过降尺度评价指标均方根误差(RMSE)、决定系数(R2)和参与象元数进行综合评价,选取出误差较小、决定系数较大和参与象元数较多的CCs作为其最优阈值。
选取不同的CCs作为阈值时,不是所有窗口的像元都能够满足阈值的条件,不能满足条件的窗口中的像元不会参与降尺度的计算,因此不同CCs级参与降尺度计算的像元数也是不同的,如图8所示。选择尺度因子阈值时,要保证降尺度精度的同时,也要保证影像的大部分像元参与降尺度的计算。
步骤5,建立多元线性回归降尺度模型。首先,利用360m的尺度因子与360m的地表温度建立回归模型。
LSTF360=aSAVIc360+bNMDIc360+cMNDWIc360+dNDBIc360
式中SAVIC360,NMDIC360,MNDWIC360,NDBIC360和LSTF360分别是360m的SAVI,NMDI,MNDWI,NDBI和拟合后的LST,系数a,b,c,d随着移动窗口而变化。
但由于地物发射率和地表覆盖的复杂性等问题,拟合后360m的LST和同等分辨率下通过地表温度反演算法得到的LST还存在差异。
e=LSTR360-LSTF360
式中LSTR360是反演的低分辨率地表温度,e是反演的地表温度和通过四个尺度因子拟合的地表温度之间的误差。
根据残差,低分辨率的地表温度调整为公式如下。
LSTc360=aSAVIc360+bNMDIc360+cMNDWIc360+dNDBIc360+e
式中LSTC360是根据四个尺度因子模拟的低分辨率地表温度。
根据尺度不变性,这种回归关系也可用于90m的地表温度LST和尺度因子之间。
LSTH90=aSAVIH90+bNMDIH90+cMNDWIH90+dNDBIH90+e
式中SAVIH90,NMDIH90,MNDWIH90,NDBIH90和LSTH90分别是90m的SAVI,NMDI,MNDWI,NDBI和模拟的LST
步骤6,获取降尺度后的LST。在每个移动窗口内根据阈值确定该窗口内参与建立回归模型的尺度因子的个数;对于所有尺度因子都不满足阈值条件要求的窗口,选择与LST相关性最大的尺度因子建立回归模型,如图9所示,残差修正后得到LST的模拟结果图。
步骤7,利用反演得到的90m LST对本发明的降尺度方法进行精度评价,为了便于对比分析,如图10所示,做出误差空间分布图,如图11所示,做出误差概率密度图。
由图10可以看出,本发明的降尺度方法与真实值之间的R2达到0.91,均方根误差为1.21℃,可以认为降尺度结果是可靠的。从误差概率密度图和误差空间分布图可以看出绝大部分像素误差小于1℃,其中大部分像素误差在0.5℃之内。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于自适应阈值的地表温度降尺度的方法,其特征在于:包括以下步骤:
步骤1:采集热红外遥感影像和多光谱遥感影像,并进行预处理;
步骤2:将多光谱影像与热红外影像分别通过聚合的方法升尺度到同一低分辨率,根据热红外遥感影像反演地表温度,根据多光谱遥感影像提取多个尺度因子;
步骤3:采用半方差函数的方法确定移动窗口大小;
步骤4:确定步骤2中得到低分辨率的多光谱遥感图像中每个尺度因子与低分辨率的热红外遥感图像中反演的地表温度的相关性的最优阈值;
步骤5:每个移动窗口内尺度因子与地表温度的相关性大于其最优阈值的尺度因子参与降尺度模型拟合,对于不满足阈值条件的像元只选取与地表温度相关性最大的一个尺度因子参与降尺度模型拟合,利用低分辨率的尺度因子与低分辨率的地表温度建立回归模型,根据尺度不变性,得到高分辨率的尺度因子与高分辨率的地表温度的回归模型;从而得到高分辨率地表温度;
所述步骤4中确定整幅影像每个尺度因子与地表温度的相关性的最优阈值的方法为:采用移动窗口法,逐步多元回归统计每个移动窗口中尺度因子与地表温度的相关性,并将每个尺度因子与地表温度的相关性分别进行升序排序;分别以每个窗口内尺度因子与地表温度的相关性为阈值,筛选尺度因子与地表温度的相关性大于阈值的尺度因子参与降尺度模型拟合;通过降尺度评价指标综合评价每个尺度因子与地表温度的相关性的阈值所拟合的降尺度模型精度,从而确定整幅影像每个尺度因子与地表温度的相关性的最优阈值。
2.根据权利要求1所述的基于自适应阈值的地表温度降尺度的方法,其特征在于:所述步骤1中的预处理包括对热红外遥感影像和多光谱遥感影像进行校正,并将多光谱遥感影像重采样至与热红外遥感影像相同的分辨率,且统一裁剪至同一研究区域。
3.根据权利要求1所述的基于自适应阈值的地表温度降尺度的方法,其特征在于:所述尺度因子包括植被指数、归一化多波段干旱指数、水体指数和不透水面指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710055551.1A CN107423537B (zh) | 2017-01-25 | 2017-01-25 | 一种基于自适应阈值的地表温度降尺度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710055551.1A CN107423537B (zh) | 2017-01-25 | 2017-01-25 | 一种基于自适应阈值的地表温度降尺度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423537A CN107423537A (zh) | 2017-12-01 |
CN107423537B true CN107423537B (zh) | 2020-09-18 |
Family
ID=60423289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710055551.1A Active CN107423537B (zh) | 2017-01-25 | 2017-01-25 | 一种基于自适应阈值的地表温度降尺度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423537B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753916B (zh) * | 2018-12-28 | 2021-05-04 | 厦门理工学院 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
CN109741261A (zh) * | 2019-01-03 | 2019-05-10 | 北京师范大学 | 一种基于面向对象窗口的遥感地表温度降尺度算法 |
CN109903234B (zh) * | 2019-01-18 | 2023-04-07 | 重庆邮电大学 | 一种城市热力景观定量描述及多尺度特征分析方法 |
CN109885959B (zh) * | 2019-03-05 | 2019-09-27 | 中国科学院地理科学与资源研究所 | 一种地表温度鲁棒降尺度方法 |
CN110319938B (zh) * | 2019-06-26 | 2020-10-20 | 西安空间无线电技术研究所 | 一种高空间分辨率地表温度生成方法 |
CN110866364A (zh) * | 2019-11-20 | 2020-03-06 | 中国科学院遥感与数字地球研究所 | 基于机器学习的地表温度降尺度方法 |
CN111337020A (zh) * | 2020-03-06 | 2020-06-26 | 兰州交通大学 | 引入抗差估计的因子图融合定位方法 |
CN112666633B (zh) * | 2020-12-22 | 2022-07-29 | 北京师范大学 | 一种地表温度降尺度调节方法及系统 |
CN113779863B (zh) * | 2021-08-02 | 2022-08-09 | 中国农业科学院农业资源与农业区划研究所 | 一种基于数据挖掘的地表温度降尺度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184076A (zh) * | 2015-09-02 | 2015-12-23 | 安徽大学 | 一种遥感地表温度数据的时空一体化融合方法 |
CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
-
2017
- 2017-01-25 CN CN201710055551.1A patent/CN107423537B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184076A (zh) * | 2015-09-02 | 2015-12-23 | 安徽大学 | 一种遥感地表温度数据的时空一体化融合方法 |
CN106226260A (zh) * | 2016-08-10 | 2016-12-14 | 武汉大学 | 一种结合微波和红外遥感影像的土壤水分反演方法 |
Non-Patent Citations (4)
Title |
---|
Downscaling of thermal images over urban areas using the land surface temperature-impervious percentage relationship;W.Essa,J.van der Kwast,et.al;《International Journal of Applied Earth Observation and Geoinformation》;20130831;95-108 * |
基于半方差函数的STARFM改进模型;王昆,张丽et.al;《测绘科学》;20130531;第38卷(第3期);140-142 * |
改进的DisTrad模型在地形起伏区地表温度空间分辨率提升的应用;庞庆飞,权凌;《地球信息科学学报》;20140131;第16卷(第1期);46-47 * |
遥感地表温度空间分辨率降尺度研究;郭会敏、宫阿都et.al;《遥感信息》;20150831;第30卷(第4期);30-32 * |
Also Published As
Publication number | Publication date |
---|---|
CN107423537A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423537B (zh) | 一种基于自适应阈值的地表温度降尺度的方法 | |
CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
CN107748736B (zh) | 一种基于随机森林的多因子遥感地表温度空间降尺度方法 | |
CN108896185B (zh) | 基于归一化沙漠指数的遥感地表温度空间降尺度方法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
CN107247927B (zh) | 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 | |
CN112115911A (zh) | 一种基于深度学习的轻量型sar图像目标检测方法 | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
CN110503137A (zh) | 基于交叉融合的遥感影像时空融合基础图像对的确定方法 | |
CN113324923A (zh) | 一种结合时空融合与深度学习的遥感水质反演方法 | |
Matsui et al. | Improving the resolution of UAV-based remote sensing data of water quality of Lake Hachiroko, Japan by neural networks | |
CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
Sihvonen et al. | Spectral profile partial least-squares (SP-PLS): Local multivariate pansharpening on spectral profiles | |
Teodoro et al. | Identification of beach hydromorphological patterns/forms through image classification techniques applied to remotely sensed data | |
CN111273376B (zh) | 降尺度的海表净辐射确定方法、系统、设备及存储介质 | |
CN101561882A (zh) | 一种基于空间相关性的亚像元空间定位方法 | |
Jiang et al. | Desertification in the south Junggar Basin, 2000–2009: Part I. Spatial analysis and indicator retrieval | |
CN101893540B (zh) | 一种基于八邻域算法估算悬沙反演模型尺度误差的方法 | |
CN115271560B (zh) | 一种海洋石油钻井溢油风化定量评估系统及评估方法 | |
Azhar et al. | A framework for multiscale intertidal sandflat mapping: A case study in the Whangateau estuary | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN113344846A (zh) | 基于生成对抗网络和压缩感知的遥感图像融合方法及系统 | |
Unsalan | Measuring land development in urban regions using graph theoretical and conditional statistical features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20171201 Assignee: Zhongke ningtu technology Jiangsu Co.,Ltd. Assignor: HOHAI University Contract record no.: X2020980010440 Denomination of invention: A method of land surface temperature downscaling based on adaptive threshold Granted publication date: 20200918 License type: Common License Record date: 20201231 |