CN108256534A - 一种基于高分遥感影像的筏式海水养殖区域提取方法 - Google Patents
一种基于高分遥感影像的筏式海水养殖区域提取方法 Download PDFInfo
- Publication number
- CN108256534A CN108256534A CN201810083538.1A CN201810083538A CN108256534A CN 108256534 A CN108256534 A CN 108256534A CN 201810083538 A CN201810083538 A CN 201810083538A CN 108256534 A CN108256534 A CN 108256534A
- Authority
- CN
- China
- Prior art keywords
- patch
- ndvi
- water area
- remote sensing
- calculating
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明涉及一种基于高分遥感影像的筏式海水养殖区域提取方法,其特征在于,包括以下步骤:1)采用归一化水体指数NDWI提取遥感影像中的水体区域;2)对水体区域进行图像分割,计算水体区域中每一个斑块的归一化植被指数NDVI;3)计算水体区域中每一个斑块的NDVI显著特征;4)设置养殖区域与其相邻海水区域的区分域值,根据步骤3)计算得到的NDVI显著特征提取海水养殖区域。本发明的方法利用筏式养殖物叶绿素含量高使得归一化植被指数NDVI高的特点,提出一种融合视觉注意模型与基于分割斑块相结合的NDVI显著特征,实现了筏式养殖区域的高精度提取,即使海水背景复杂,养殖区域呈弯曲的条带状,也能通过对NDVI显著特征简单阈值分割实现提取。
Description
技术领域
本发明属于数字图像处理技术领域,特别涉及一种基于高分遥感影像的筏式海水养殖提取方法。
背景技术
海水养殖业是许多海岸带区域最主要的水产养殖方式,具有极高的商业价值。及时、准确地获取海水养殖区域面积及其空间分布,对商业情报获取、海洋灾害预警评估、海岸带管理等均具有重要意义。而遥感技术相对于传统的实地调查,具有无可替代的高频率、宽覆盖、低成本优势,被联合国粮农组织认为是一个非常具有潜力的评估手段。尤其是近些年发展起来的米级高分遥感,更是能够用于精准地识别、提取。因此,针对海水养殖区域的提取是一件非常有意义的工作。
现有的海水养殖提取多是采用监督分类法,即先选择样本,然后训练分类器,最后执行分类。这种技术的缺点就是需要样本尽可能多的覆盖提取区域,尤其是在靠近海岸水色变化比较明显的区域。此外,由于海水养殖处于浮动状态,选择的样本还会因为这种浮动产生位置偏移,难以应用于多期遥感影像中养殖区域的提取。当前精度较高的方法是基于养殖区域矩形形状的方法(Wang,Min,Qi Cui,Jie Wang,Dongping Ming,and GuonianLv.2017."Raft cultivation area extraction from high resolution remote sensingimagery by fusing multi-scale region-line primitive association features."Isprs Journal of Photogrammetry&Remote Sensing 123:104-13.doi:10.1016/j.isprsjprs.2016.10.008.)。这种方法对于矩形形状明显的筏式海水养殖有一定的优势,但对于实际中广泛存在的弯曲形长条带的筏式海水养殖提取并不适用,例如筏式海水养殖广泛分布的中国福建省宁德市。
对中外文献进行检索,现有技术中没有采用归一化植被指数(NDVI)进行海水养殖区域的提取方法。
发明内容
针对上述问题,本发明提出了一种基于高分遥感影像的筏式海水养殖区域提取方法,该方法利用阀式养殖目标叶绿素浓度较高的特点,将遥感解译中与叶绿素相关的归一化植被指数(NDVI)、基于分割的图像解译思路和基于人眼视觉显著机理相结合,提出一种NDVI显著特征,进而通过对该特征的阈值分割实现矩形筏式养殖区域的提取。
本发明的具体技术方案是一种基于高分遥感影像的筏式海水养殖区域提取方法,其特征在于,包括以下步骤:
1)采用归一化水体指数NDWI提取遥感影像中的水体区域;
2)对水体区域进行图像分割,计算水体区域中每一个斑块的归一化植被指数NDVI;
3)按下式(I)计算水体区域中每一个斑块的NDVI显著特征SO(NDVI),
其中O是当前计算斑块,N(O)是当前计算斑块的所有相邻斑块的集合,B(O,Oi)是计算斑块O与相邻斑块Oi的公共边长,mO(NDVI)表示计算斑块O的NDVI;
4)设置养殖区域与其相邻海水区域的区分域值,根据步骤3)计算得到的NDVI显著特征提取海水养殖区域。
更进一步地,所述的步骤2)中采用归一化水体指数NDWI提取遥感影像中的水体区域的具体方法是,
1.1)对遥感影像进行图像分割,分割算法为eCognition软件中的Multiresolution Segmentation算法或SLIC超像素分割算法;
1.2)按下式(II)计算每一个斑块的归一化水体指数NDWI,
其中,G为当前计算斑块的绿波段均值,NIR为当前计算斑块的近红外波段均值;
1.3)设置水体与陆地的区分域值,提取水体区域。
更进一步地,所述的步骤2)中对水体区域进行图像分割,计算水体区域中每一个斑块的归一化植被指数NDVI的具体方法是,
2.1)对水体区域进行图像分割,分割算法为eCognition软件中的Multiresolution Segmentation算法或SLIC超像素分割算法;
2.2)按下式(III)计算每一个斑块的归一化植被指数NDVI,
其中,NIR为当前计算斑块的近红外波段均值,R为当前计算斑块的红波段均值。
本发明的有益效果是:本发明的方法通过对NDWI的阈值分割方法,有效分离海水和陆地;通过计算NDVI,能够圈定筏式海水养殖的大致位置;通过计算NDVI显著特征,能够使得海水养殖区域与其临近的斑块能够区分,最终通过阈值的方式实现养殖区域提取。
本发明对筏式海水养殖,包括呈长条带状的海水养殖,具有较好的鲁棒性,并具有在大区域提取时海水背景复杂情况下的提取能力。
附图说明
图1为本发明的基于高分遥感影像的筏式海水养殖提取提取方法的流程图;
图2为本发明一个具体实施例采用的原始高分遥感影像;
图3为具体实施例中基于NDWI分离的水体区域和陆地结果图;
图4为具体实施例中对水体区域进行的小尺度图像分割结果图;
图5是具体实施例中每一个斑块的NDVI图;
图6是具体实施例中每一个斑块的NDVI显著特征图;
图7是具体实施例中的筏式养殖区域提取结果图。
具体实施方式
下面结合说明书附图对本发明的具体技术方案作进一步地描述。
采用本发明的方法进行处理的原始高分遥感影像分辨率达3.2米,图像尺寸为1419行×823列,含有四个波段,分别是蓝波段(0.45-0.52μm),绿波段(0.52-0.59μm),红波段(0.63-0.69μm),近红外波段(0.77-0.89μm),辐射量化等级为16bit。待提取的目标是筏式海水养殖。如图2所示。
如图1所示,本发明的基于高分遥感影像的筏式海水养殖提取提取方法的具体步骤如下:
1)采用归一化水体指数NDWI提取遥感影像中的水体区域。使用较大尺度参数S1对遥感影像进行分割。分割算法可采用eCognition软件中的Multiresolution Segmentation算法,SLIC超像素分割算法等。本实施例中使用Multiresolution Segmentation算法,尺度参数S1设置为300。
计算每一个斑块的归一化水体指数NDWI,计算公式如下:
其中,G为当前计算斑块的绿波段均值,NIR为当前计算斑块的近红外波段均值,
将归一化水体指数大于阈值T1的分割斑块设置为水体区域,其它斑块为非水体。阈值T1的设定准则是在当前影像中能够区分水体区域和陆地,可以使用大津OTSU方法获取阈值。本实施例使用大津OTSU方法,得到阈值T1=0.3513。将归一化水体指数大于0.3513的设置为水体区域,小于0.3513的设置为陆地,如附图3所示;
2)对水体区域进行图像分割,计算水体区域中每一个斑块的归一化植被指数NDVI。参照步骤2)的图像分割方法,使用较小尺度参数S2对水体区域再次进行分割。尺度参数S2的设定准则是分割的斑块能够不混淆水体区域和养殖区域的情况下,尽可能偏大。本实施例中S2设置为10,如附图4所示。
计算水体区域中每一个斑块的归一化植被指数NDVI。计算公式如下:
其中,NIR为当前计算斑块的近红外波段均值,R为当前计算斑块的红波段均值。计算得到的NDVI如附图5所示;
3)按下式(c)计算水体区域中每一个斑块的NDVI显著特征SO(NDVI),
其中O是当前计算斑块,N(O)是当前计算斑块的所有相邻斑块的集合,B(O,Oi)是计算斑块O与相邻斑块Oi的公共边长,mO(NDVI)表示计算斑块O的NDVI,计算得到的NDVI显著特征如附图6所示。从图5可以看出,虽然养殖区域NDVI特征值较高,但是部分的海水区域NDVI值同样偏高,因此,直接基于NDVI特征进行阈值分割,会存在较大的混淆。而NDVI显著特征SO(NDVI)则消除了不同海水区域的差异,突出显示养殖区域,为后续基于阈值分割的准确提取奠定基础;
4)设置养殖区域与其相邻海水区域的区分域值,提取海水养殖区域。将NDVI显著特征大于设定阈值T2的分割斑块设置为海水养殖区域,进行结果输出。阈值T2的设定准则是能够区分养殖区域与及其相邻的海水,或者使用大津OTSU方法获取阈值。本实施例中,本实施例使用大津OTSU方法,得到阈值T2=0.0065。将NDVI显著特征大于0.0065的设置为养殖区域,小于0.0065的设置为非养殖区域,最终果如附图7所示。
本发明的方法利用筏式养殖物叶绿素含量高的特点,提出利用归一化植被指数NDVI提取筏式养殖区域;当大面积提取时,海水背景复杂,很多海水的NDVI特征同样较高,与养殖区域混淆,为此,提出一种融合视觉注意模型与基于分割斑块相结合的NDVI显著特征,克服了海水背景复杂、养殖区域呈弯曲的条带状等难题,进而通过对NDVI显著特征简单阈值分割实现筏式养殖区域的高精度提取。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (3)
1.一种基于高分遥感影像的筏式海水养殖区域提取方法,其特征在于,包括以下步骤:
1)采用归一化水体指数NDWI提取遥感影像中的水体区域;
2)对水体区域进行图像分割,计算水体区域中每一个斑块的归一化植被指数NDVI;
3)按下式(I)计算水体区域中每一个斑块的NDVI显著特征SO(NDVI),
其中O是当前计算斑块,N(O)是当前计算斑块的所有相邻斑块的集合,B(O,Oi)是计算斑块O与相邻斑块Oi的公共边长,mO(NDVI)表示计算斑块O的NDVI;
4)设置养殖区域与其相邻海水区域的区分域值,根据步骤3)计算得到的NDVI显著特征提取海水养殖区域。
2.如权利要求1所述的一种基于高分遥感影像的筏式海水养殖区域提取方法,其特征在于,所述的步骤2)中采用归一化水体指数NDWI提取遥感影像中的水体区域的具体方法是,
1.1)对遥感影像进行图像分割,分割算法为eCognition软件中的MultiresolutionSegmentation算法或SLIC超像素分割算法;
1.2)按下式(II)计算每一个斑块的归一化水体指数NDWI,
其中,G为当前计算斑块的绿波段均值,NIR为当前计算斑块的近红外波段均值;
1.3)设置水体与陆地的区分域值,提取水体区域。
3.如权利要求1所述的一种基于高分遥感影像的筏式海水养殖区域提取方法,其特征在于,所述的步骤2)中对水体区域进行图像分割,计算水体区域中每一个斑块的归一化植被指数NDVI的具体方法是,
2.1)对水体区域进行图像分割,分割算法为eCognition软件中的MultiresolutionSegmentation算法或SLIC超像素分割算法;
2.2)按下式(III)计算每一个斑块的归一化植被指数NDVI,
其中,NIR为当前计算斑块的近红外波段均值,R为当前计算斑块的红波段均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810083538.1A CN108256534B (zh) | 2018-01-29 | 2018-01-29 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810083538.1A CN108256534B (zh) | 2018-01-29 | 2018-01-29 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256534A true CN108256534A (zh) | 2018-07-06 |
CN108256534B CN108256534B (zh) | 2019-03-15 |
Family
ID=62743294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810083538.1A Active CN108256534B (zh) | 2018-01-29 | 2018-01-29 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256534B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409265A (zh) * | 2018-10-15 | 2019-03-01 | 中国科学院地理科学与资源研究所 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
CN110008908A (zh) * | 2019-04-10 | 2019-07-12 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于高分遥感影像的草原围栏提取方法 |
CN110033460A (zh) * | 2019-04-03 | 2019-07-19 | 中国科学院地理科学与资源研究所 | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 |
CN110399860A (zh) * | 2019-08-02 | 2019-11-01 | 吉林高分遥感应用研究院有限公司 | 一种玉米涝灾监测方法及系统 |
CN110765941A (zh) * | 2019-10-23 | 2020-02-07 | 张学玲 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN111127405A (zh) * | 2019-12-09 | 2020-05-08 | 中国资源卫星应用中心 | 基于亚米级高分遥感影像的大型水库水位淹没线提取方法 |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111275065A (zh) * | 2018-12-05 | 2020-06-12 | 中国科学院烟台海岸带研究所 | 一种基于海洋环境多属性的水产养殖空间分区方法 |
CN111291621A (zh) * | 2020-01-14 | 2020-06-16 | 中国科学院南京地理与湖泊研究所 | 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法 |
CN112037244A (zh) * | 2020-08-26 | 2020-12-04 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
CN113420780A (zh) * | 2021-05-24 | 2021-09-21 | 中国科学院地理科学与资源研究所 | 一种遥感时空谱特征融合的养殖池提取方法 |
CN113538559A (zh) * | 2021-07-02 | 2021-10-22 | 宁波大学 | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 |
CN114596300A (zh) * | 2022-03-17 | 2022-06-07 | 中国科学院地理科学与资源研究所 | 滨海养殖遥感信息处理方法、装置、电子设备及存储介质 |
CN116091927A (zh) * | 2023-01-09 | 2023-05-09 | 生态环境部卫星环境应用中心 | 一种快速的池塘养殖面源污染源遥感识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447274A (zh) * | 2015-12-22 | 2016-03-30 | 中国科学院东北地理与农业生态研究所 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
US20170116742A1 (en) * | 2015-10-26 | 2017-04-27 | Pixart Imaging Inc. | Image segmentation threshold value deciding method, gesture determining method, image sensing system and gesture determining system |
CN107093177A (zh) * | 2017-01-23 | 2017-08-25 | 黑龙江禾禾遥感科技有限公司 | 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法 |
CN107145891A (zh) * | 2017-05-08 | 2017-09-08 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像的水体提取方法及系统 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
CN107527364A (zh) * | 2017-07-25 | 2017-12-29 | 浙江大学 | 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 |
-
2018
- 2018-01-29 CN CN201810083538.1A patent/CN108256534B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170116742A1 (en) * | 2015-10-26 | 2017-04-27 | Pixart Imaging Inc. | Image segmentation threshold value deciding method, gesture determining method, image sensing system and gesture determining system |
CN105447274A (zh) * | 2015-12-22 | 2016-03-30 | 中国科学院东北地理与农业生态研究所 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
CN107093177A (zh) * | 2017-01-23 | 2017-08-25 | 黑龙江禾禾遥感科技有限公司 | 面向对象分割和中等分辨率遥感影像的精准农业管理分区的方法 |
CN107145891A (zh) * | 2017-05-08 | 2017-09-08 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像的水体提取方法及系统 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
CN107527364A (zh) * | 2017-07-25 | 2017-12-29 | 浙江大学 | 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409265A (zh) * | 2018-10-15 | 2019-03-01 | 中国科学院地理科学与资源研究所 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
CN109409265B (zh) * | 2018-10-15 | 2021-05-18 | 中国科学院地理科学与资源研究所 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
CN111275065A (zh) * | 2018-12-05 | 2020-06-12 | 中国科学院烟台海岸带研究所 | 一种基于海洋环境多属性的水产养殖空间分区方法 |
CN111275065B (zh) * | 2018-12-05 | 2023-08-15 | 中国科学院烟台海岸带研究所 | 一种基于海洋环境多属性的水产养殖空间分区方法 |
CN110033460A (zh) * | 2019-04-03 | 2019-07-19 | 中国科学院地理科学与资源研究所 | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 |
CN110008908A (zh) * | 2019-04-10 | 2019-07-12 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于高分遥感影像的草原围栏提取方法 |
US20210166020A1 (en) * | 2019-06-25 | 2021-06-03 | Southeast University | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images |
US11615615B2 (en) * | 2019-06-25 | 2023-03-28 | Southeast University | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images |
WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
CN110399860A (zh) * | 2019-08-02 | 2019-11-01 | 吉林高分遥感应用研究院有限公司 | 一种玉米涝灾监测方法及系统 |
CN110399860B (zh) * | 2019-08-02 | 2021-04-09 | 吉林高分遥感应用研究院有限公司 | 一种玉米涝灾监测方法及系统 |
US11836976B2 (en) | 2019-10-23 | 2023-12-05 | Beijing University Of Civil Engineering And Architecture | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device |
WO2021077847A1 (zh) * | 2019-10-23 | 2021-04-29 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN110765941A (zh) * | 2019-10-23 | 2020-02-07 | 张学玲 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN111127405A (zh) * | 2019-12-09 | 2020-05-08 | 中国资源卫星应用中心 | 基于亚米级高分遥感影像的大型水库水位淹没线提取方法 |
CN111127405B (zh) * | 2019-12-09 | 2023-08-04 | 中国资源卫星应用中心 | 基于亚米级高分遥感影像的大型水库水位淹没线提取方法 |
CN111199195B (zh) * | 2019-12-26 | 2023-07-18 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111291621B (zh) * | 2020-01-14 | 2023-05-16 | 中国科学院南京地理与湖泊研究所 | 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法 |
CN111291621A (zh) * | 2020-01-14 | 2020-06-16 | 中国科学院南京地理与湖泊研究所 | 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法 |
CN112037244A (zh) * | 2020-08-26 | 2020-12-04 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
CN112037244B (zh) * | 2020-08-26 | 2024-02-20 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
CN113420780A (zh) * | 2021-05-24 | 2021-09-21 | 中国科学院地理科学与资源研究所 | 一种遥感时空谱特征融合的养殖池提取方法 |
CN113538559B (zh) * | 2021-07-02 | 2022-02-18 | 宁波大学 | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 |
CN113538559A (zh) * | 2021-07-02 | 2021-10-22 | 宁波大学 | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 |
CN114596300A (zh) * | 2022-03-17 | 2022-06-07 | 中国科学院地理科学与资源研究所 | 滨海养殖遥感信息处理方法、装置、电子设备及存储介质 |
CN116091927A (zh) * | 2023-01-09 | 2023-05-09 | 生态环境部卫星环境应用中心 | 一种快速的池塘养殖面源污染源遥感识别方法 |
CN116091927B (zh) * | 2023-01-09 | 2023-09-26 | 生态环境部卫星环境应用中心 | 一种快速的池塘养殖面源污染源遥感识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108256534B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256534B (zh) | 一种基于高分遥感影像的筏式海水养殖区域提取方法 | |
Novelli et al. | Performance evaluation of object based greenhouse detection from Sentinel-2 MSI and Landsat 8 OLI data: A case study from Almería (Spain) | |
Wittmann et al. | Tree species distribution and community structure of central Amazonian várzea forests by remote-sensing techniques | |
Malambo et al. | Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data | |
Hou et al. | Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm | |
CN105957079B (zh) | 基于Landsat OLI多光谱影像的湖泊水域信息提取方法 | |
Zhang et al. | A novel index for robust and large-scale mapping of plastic greenhouse from Sentinel-2 images | |
CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN106709517A (zh) | 红树林识别方法及系统 | |
CN109409265B (zh) | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 | |
KR20200020209A (ko) | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 | |
CN111199195A (zh) | 一种基于遥感图像的池塘状态全自动监测方法和装置 | |
CN111007013A (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
Guldogan et al. | Automated tree detection and density calculation using unmanned aerial vehicles | |
Anjos et al. | Change detection techniques using multisensor data | |
Ouerghemmi et al. | Urban vegetation mapping using hyperspectral imagery and spectral library | |
MacLean et al. | Investigating issues in map accuracy when using an object-based approach to map benthic habitats | |
Zhu et al. | spectral characteristic analysis and remote sensing classification of coastal aquaculture areas based on GF-1 data | |
Singh et al. | Advanced image processing approach for color-texture analysis of UAV imagery for weed detection in sugarcane crop | |
CN110033460B (zh) | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 | |
CN109359583A (zh) | 一种遥感影像中显著性面状特定目标提取方法 | |
CN117333494B (zh) | 基于深度学习的秸秆覆盖率检测方法及系统 | |
Fadaei et al. | Estimation of tree density with high-resolution imagery in the zarbin forest of North Iran (Cupressus sempervirence var. horzontalis) | |
Zhang et al. | A reflectance spectra-based approach to mapping salt fields using PCA-fused Landsat TM 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 |