CN107966210B - 基于高光谱图像的热红外融合重构方法 - Google Patents
基于高光谱图像的热红外融合重构方法 Download PDFInfo
- Publication number
- CN107966210B CN107966210B CN201711072932.7A CN201711072932A CN107966210B CN 107966210 B CN107966210 B CN 107966210B CN 201711072932 A CN201711072932 A CN 201711072932A CN 107966210 B CN107966210 B CN 107966210B
- Authority
- CN
- China
- Prior art keywords
- end member
- surface temperature
- abundance
- selecting
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 238000002310 reflectometry Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及遥感技术领域,尤其是涉及一种基于高光谱图像的热红外融合重构方法,包括以下步骤A:依据城市材料的光谱反射率特性与热响应特性选取纯净端元;B:利用多端元光谱混合分析方法反演精确的地物空间丰度信息;C:通过联合代表性端元的地表温度以及它们的空间丰度信息获取高空间分辨率的地表温度图像;本发明的技术方案可以通过数据融合的手段,基于高光谱遥感数据重构理论得到具有高空间分辨率的城市地表温度图像,该图像可以显著提高城市温度的空间分辨率,有利于开展针对城市热岛以及全球变化所带来的一系列问题的研究。
Description
技术领域
本发明涉及遥感技术领域,尤其是涉及一种基于高光谱图像的热红外融合重构方法。
背景技术
热红外遥感数据提供了地物的大量热红外信息,有利于城市热岛研究和定量遥感分析,然而,热红外遥感在城市领域至今没有得到大面积推广应用和普及,由于红外焦平面列阵制作工艺及量子效率等问题,高密度小像素尺寸的红外焦平面器件的制作尚存在一定困难,探测器列阵的结构组织和当前的技术水平又无法满足填充因子达到100%,焦平面列阵的采样频率有一定的限制,红外图像会因欠采样而引起信号混叠,造成红外图像模糊,空间分辨率较低,其应用能力受到了很大的制约。
目前,解决热红外遥感数据空间分辨率低的问题主要采用数据融合的方法。遥感数据融合技术目的是借助高空间分辨率的非热红外图像的相关信息,提高热红外图像的空间分辨率。然而目前主流的热红外数据融合的方法虽然可以提高城市地表温度数据的空间分辨率,但其分辨率均限于100米左右。也就是说,传统算法通过数据融合技术,只能产生100米左右的地表温度图像,对于更高空间分辨率(如低于30米)始终无能为力,城市热红外数据的瓶颈难题仍然没有解决,严重制约了城市热岛以及全球变化带来的一系列环境与社会问题的研究。
发明内容
本发明的目的是提供一种基于高光谱图像的热红外融合重构方法,该方法可以解决现有技术遥感图像的获取中热红外图像的高空间分辨率不能保证的问题。
为了实现上述目的,本发明采用了以下的技术方案:
基于高光谱图像的热红外融合重构方法,其特征在于,包括以下步骤:
A:依据城市材料的光谱反射率特性与热响应特性选取纯净端元;
B:利用多端元光谱混合分析方法反演精确的地物空间丰度信息;
C:通过联合代表性端元的地表温度以及它们的空间丰度信息获取高空间分辨率的地表温度图像;
其中,A所述的选取纯净端元包括以下步骤:
A1:选取含有独特的光谱反射率和地表温度的代表性端元,包括选取三个主要的城市土地覆盖类型:植被,土壤和不透水地表;
A2:在实际野外采样中,使用GPS接收机记录单一同质地物的位置信息,即地面坐标,包括纬度和经度;
A3:利用光谱仪和红外测温仪记录端元属性,每个端元属性不仅包括了反射率光谱,还包括了描述热响应特征的地表温度;
A4:从大量的端元中选择最优化的代表性端元构建端元库,在候选端元选取的过程中,用到的指标包括低值的平均均方根误差,低值的最小平均光谱角和高计数值的端元选择;
其中,B所述利用多端元光谱混合分析方法反演精确的地物空间丰度信息包括以下步骤:
对于每个像元,基于以下两个公式运行线性光谱混合分析方法,在分解结果中选择符合现实场景的丰度值在-0.05到1.05之间的模型,从这些模型中选择最优分解模型,并将其所采用的端元作为基本端元,分解得到的端元丰度值作为这个像元的最终丰度值结果,所述的两个公式为:
式中i是端元序号,fi是端元i的丰度信息,Ri是端元i的反射光谱;
其中,C所述的高空间分辨率的地表温度通过以下方法获得:
高空间分辨率的地表温度值是端元地表温度与以丰度信息为权重的简单线性热混合模型,表示为:
式中T是一个整体像元的地表温度估计值;fi是端元i的丰度信息;Ti是端元i的组分温度。
进一步的,A所述的选取纯净端元之前还包括以下步骤:利用高光谱传感器获取原始高光谱图像数据,然后根据遥感图像处理流程,对原始高光谱图像分别进行预处理,获取反射率数据。
进一步的,A4所述的端元库的端元为具有代表性的端元且数量任意选择。
进一步的,B所述的地物空间丰度信息依据其相应的非阴影信息进行归一化处理,各端元丰度除以所有非阴影端元的和以实现归一化。
与现有技术相比,本发明具有以下优势:
本发明的技术方案可以通过数据融合的手段,基于高光谱遥感数据重构理论得到具有高空间分辨率的城市地表温度图像,该图像可以显著提高城市温度的空间分辨率,有利于开展针对城市热岛以及全球变化所带来的一系列问题的研究。
附图说明
图1为本发明基于高光谱图像的热红外融合重构方法的流程示意图;
图2为本发明实施例2中的SASI高光谱图像;
图3为本发明实施例4中的反射率光谱曲线图;
图4为本发明实施例5中的不透水地表和植被丰度结果示意图;
图5为本发明实施例6中的城市地表温度图像。
具体实施方式
本领域技术人员应理解,以下实施例中所公开的技术代表本发明人发现的在本发明的实践中发挥良好作用的技术。然而,在所公开的具体实施方案中可以做出许多改变,并仍然获得相同或相似的结果,而不脱离本发明的精神和范围。
实施例1:
如图1所示,本发明基于高光谱图像的热红外融合重构方法包括以下步骤:
A:依据城市材料的光谱反射率特性与热响应特性选取纯净端元;
B:利用多端元光谱混合分析方法反演精确的地物空间丰度信息;
C:通过联合代表性端元的地表温度以及它们的空间丰度信息获取高空间分辨率的地表温度图像;
其中,A所述的选取纯净端元包括以下步骤:
A1:选取含有独特的光谱反射率和地表温度的代表性端元,包括选取三个主要的城市土地覆盖类型:植被,土壤和不透水地表;
A2:在实际野外采样中,使用GPS接收机记录单一同质地物的位置信息,即地面坐标,包括纬度和经度;
A3:利用光谱仪和红外测温仪记录端元属性,每个端元属性不仅包括了反射率光谱,还包括了描述热响应特征的地表温度;
A4:从大量的端元中选择最优化的代表性端元构建端元库,在候选端元选取的过程中,用到的指标包括低值的平均均方根误差,低值的最小平均光谱角和高计数值的端元选择;
其中,B所述利用多端元光谱混合分析方法反演精确的地物空间丰度信息包括以下步骤:
对于每个像元,基于以下两个公式运行线性光谱混合分析方法,在分解结果中选择符合现实场景的丰度值在-0.05到1.05之间的模型,从这些模型中选择最优分解模型,并将其所采用的端元作为基本端元,分解得到的端元丰度值作为这个像元的最终丰度值结果,所述的两个公式为:
式中i是端元序号,fi是端元i的丰度信息,Ri是端元i的反射光谱;
其中,C所述的高空间分辨率的地表温度通过以下方法获得:
高空间分辨率的地表温度值是端元地表温度与以丰度信息为权重的简单线性热混合模型,表示为:
式中T是一个整体像元的地表温度估计值;fi是端元i的丰度信息;Ti是端元i的组分温度;
A所述的选取纯净端元之前还包括以下步骤:利用高光谱传感器获取原始高光谱图像数据,然后根据遥感图像处理流程,对原始高光谱图像分别进行预处理,获取反射率数据。
实施例2:
如图2所示,利用高光谱传感器获取高光谱图像数据的方法包括以下步骤:本实施例中,以利用航空传感器SASI高光谱图像重构8米分辨率地表温度图像为例,共101个波段,空间分辨率8米,幅宽1.6km;以获取原始高光谱图像数据。
实施例3:
对原始高光谱图像分别进行预处理,获取反射率数据,本实施例中,对原始SASI数据的预处理步骤是:首先进行坏线与条带的去除,然后利用FLAASH等大气校正软件模块进行反射率反演,得到反射率数据,最后去除低信噪比、强水汽吸收和氧气吸收波段,保留950-2450nm间的70个波段。
实施例4:
如图3所示,选取纯净端元,构建端元库,本实施例中,选择含有独特的光谱反射率和地表温度的代表性端元,参照植被-不透水层-土壤(VIS)理论,重点选取了三个主要的土地覆盖类型:植被,土壤和不透水地表,采用地面收集方法:首先,使用GPS接收机记录单一同质地物的位置信息,即地面坐标,包括纬度和经度;然后,地面测量该点的端元属性,每个端元属性不仅包括了反射率光谱,还包括了描述热响应特征的地表温度;在实地采样过程中,一共采集126个地面点,每个子类中至少有4处,建立一个小型的光谱库;
从大量的端元中选择最优化的代表性端元构建端元库,在候选端元选取的过程中,主要用到的指标包括低值的平均均方根误差,低值的最小平均光谱角和高计数值的端元选择;
依据地物的光谱变化和热辐射性能,土地类型被进一步划分成11个亚类,在场景中,构建了一个包含56条光谱的光谱库,不透水地表包含了34个不同的端元光谱,植被和裸土分别包含了14条和8条光谱,所采集的代表性端元的平均SASI反射光谱如图3所示。
其中,表1给出了各端元的统计信息,提取的地物光谱和温度数据均以二维矩阵格式保存为光谱库文件。
表1所选取的地表分类描述
实施例5:
如图4所示,利用多端元光谱混合分析方法反演精确的地物空间丰度信息,本实施例中,利用构建的端元库和高光谱图像进行空间丰度解算,用多端元光谱混合分析方法获取主要城市土地覆盖的丰度信息,由于各种形式的阴影可能会导致亮度变化,因此所有反演的丰度必须利用其相应的非阴影信息进行归一化处理;当用迭代光谱混合分析生成端元的丰度信息后,各端元丰度除以所有非阴影端元的和以实现归一化,使所有端元丰度之和为100%。
在多端元光谱混合分析方法的具体实施过程中,共有22472个组合模型施加到场景的每个像元中,反演得到的不透水地表和植被丰度结果见图4。
实施例6:
如图5所示,通过联合代表性端元的地表温度以及它们的空间丰度信息获取高空间分辨率的地表温度图像,本实施例中,利用地物空间丰度信息和端元地表温度特征,重构出8米分辨率的地表温度图像;高分辨率LST值是端元地表温度与以丰度信息为权重的简单线性热混合模型,表示为:
示中T是一个整体像元的地表温度估计值;fi是端元i的丰度信息;Ti是端元i的组分温度。这一过程被重复应用于SASI高光谱图像的所有像元,可以得到最终重构的如图5所示的8米分辨率的城市地表图像。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.基于高光谱图像的热红外融合重构方法,其特征在于,包括以下步骤:
A:依据城市材料的光谱反射率特性与热响应特性选取纯净端元;
B:利用多端元光谱混合分析方法反演精确的地物空间丰度信息;
C:通过联合代表性端元的地表温度以及它们的空间丰度信息获取高空间分辨率的地表温度图像;
其中,A所述的选取纯净端元包括以下步骤:
A1:选取含有独特的光谱反射率和地表温度的代表性端元,包括选取三个主要的城市土地覆盖类型:植被,土壤和不透水地表;
A2:在实际野外采样中,使用GPS接收机记录单一同质地物的位置信息,即地面坐标,包括纬度和经度;
A3:利用光谱仪和红外测温仪记录端元属性,每个端元属性不仅包括了反射率光谱,还包括了描述热响应特征的地表温度;
A4:从大量的端元中选择最优化的代表性端元构建端元库,在候选端元选取的过程中,用到的指标包括低值的平均均方根误差,低值的最小平均光谱角和高计数值的端元选择;
其中,B所述利用多端元光谱混合分析方法反演精确的地物空间丰度信息包括以下步骤:
对于每个像元,基于以下两个公式运行线性光谱混合分析方法,在分解结果中选择符合现实场景的丰度值在-0.05到1.05之间的模型,从这些模型中选择最优分解模型,并将其所采用的端元作为基本端元,分解得到的端元丰度值作为这个像元的最终丰度值结果,所述的两个公式为:
式中i是端元序号,fi是端元i的丰度信息,Ri是端元i的反射光谱;
其中,C所述的高空间分辨率的地表温度通过以下方法获得:
高空间分辨率的地表温度值是端元地表温度与以丰度信息为权重的简单线性热混合模型,表示为:
式中T是一个整体像元的地表温度估计值;fi是端元i的丰度信息;Ti是端元i的组分温度。
2.根据权利要求1所述的基于高光谱图像的热红外融合重构方法,其特征在于,A所述的选取纯净端元之前还包括以下步骤:利用高光谱传感器获取原始高光谱图像数据,然后根据遥感图像处理流程,对原始高光谱图像分别进行预处理,获取反射率数据。
3.根据权利要求1所述的基于高光谱图像的热红外融合重构方法,其特征在于,A4所述的端元库的端元为具有代表性的端元且数量任意选择。
4.根据权利要求1所述的基于高光谱图像的热红外融合重构方法,其特征在于,B所述的地物空间丰度信息依据其相应的非阴影信息进行归一化处理,各端元丰度除以所有非阴影端元的和以实现归一化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711072932.7A CN107966210B (zh) | 2017-11-03 | 2017-11-03 | 基于高光谱图像的热红外融合重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711072932.7A CN107966210B (zh) | 2017-11-03 | 2017-11-03 | 基于高光谱图像的热红外融合重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107966210A CN107966210A (zh) | 2018-04-27 |
CN107966210B true CN107966210B (zh) | 2019-12-20 |
Family
ID=62000017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711072932.7A Active CN107966210B (zh) | 2017-11-03 | 2017-11-03 | 基于高光谱图像的热红外融合重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107966210B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111144249B (zh) * | 2019-12-16 | 2022-05-10 | 广州地理研究所 | 基于自动优化mesma的地表覆盖类型确定方法 |
CN112991288B (zh) * | 2021-03-09 | 2022-11-18 | 东南大学 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
CN113643409B (zh) * | 2021-08-24 | 2022-03-18 | 中国农业大学 | 植被生产速率的表征方法、装置以及存储介质 |
CN117523419B (zh) * | 2024-01-08 | 2024-04-26 | 银河航天(西安)科技有限公司 | 提升确定地物类型信息的精确度的方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN105261000A (zh) * | 2015-09-17 | 2016-01-20 | 哈尔滨工程大学 | 一种基于端元提取与光谱解混的高光谱图像融合方法 |
CN106124454A (zh) * | 2016-06-30 | 2016-11-16 | 中国交通通信信息中心 | 一种基于遥感影像的沥青路面老化状况监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE272208T1 (de) * | 2000-03-13 | 2004-08-15 | Suisse Electronique Microtech | Bildgebendes pyrometer |
US6608931B2 (en) * | 2001-07-11 | 2003-08-19 | Science Applications International Corporation | Method for selecting representative endmember components from spectral data |
-
2017
- 2017-11-03 CN CN201711072932.7A patent/CN107966210B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN105261000A (zh) * | 2015-09-17 | 2016-01-20 | 哈尔滨工程大学 | 一种基于端元提取与光谱解混的高光谱图像融合方法 |
CN106124454A (zh) * | 2016-06-30 | 2016-11-16 | 中国交通通信信息中心 | 一种基于遥感影像的沥青路面老化状况监测方法 |
Non-Patent Citations (1)
Title |
---|
城市地表端元丰度与地表亮温关系;张叙葭;《遥感信息》;20170430;第32卷(第2期);第113-120页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107966210A (zh) | 2018-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107966210B (zh) | 基于高光谱图像的热红外融合重构方法 | |
De Keukelaere et al. | Atmospheric correction of Landsat-8/OLI and Sentinel-2/MSI data using iCOR algorithm: validation for coastal and inland waters | |
Hansen et al. | Continuous fields of land cover for the conterminous United States using Landsat data: First results from the Web-Enabled Landsat Data (WELD) project | |
Schowengerdt | Remote sensing: models and methods for image processing | |
Schultz et al. | Remote sensing in hydrology and water management | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
Song et al. | Comparison and conversion of AVHRR GIMMS and SPOT VEGETATION NDVI data in China | |
Zhang et al. | A stepwise downscaling method for generating high-resolution land surface temperature from AMSR-E data | |
Mathews | Object-based spatiotemporal analysis of vine canopy vigor using an inexpensive unmanned aerial vehicle remote sensing system | |
Zhou et al. | Reconstructing spatial–temporal continuous MODIS land surface temperature using the DINEOF method | |
CN107688776A (zh) | 一种城市水体提取方法 | |
CN116245757B (zh) | 多模态数据的多场景通用性遥感影像云修复方法和系统 | |
CN117148360B (zh) | 雷电临近预报方法、装置、电子设备及计算机存储介质 | |
CN111402162A (zh) | 卫星遥感图像的晴空数据集处理方法 | |
Jing et al. | Sub-pixel accuracy evaluation of FY-3D MERSI-2 geolocation based on OLI reference imagery | |
He et al. | Direct estimation of land surface albedo from simultaneous MISR data | |
Zhang et al. | Enhanced resolution of FY4 remote sensing visible spectrum images utilizing super-resolution and transfer learning techniques | |
Liu et al. | High-spatial-resolution nighttime light dataset acquisition based on volunteered passenger aircraft remote sensing | |
Han et al. | Refined land-cover classification mapping using a multi-scale transformation method from remote sensing, unmanned aerial vehicle, and field surveys in Sanjiangyuan National Park, China | |
Cao et al. | The retrieval of shrub fractional cover based on a geometric-optical model in combination with linear spectral mixture analysis | |
Fayad et al. | Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights | |
Zhang et al. | Incorporating dynamic factors for improving a GIS‐based solar radiation model | |
Jones et al. | A method for multisensor-multispectral satellite data fusion | |
de Lange | Remote Sensing and Digital Image Processing | |
Estes et al. | Characteristics, sources, and management of remotely-sensed data |
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 |