CN108399393B - 一种基于荧光遥感的植被冠层阴阳叶检测方法 - Google Patents
一种基于荧光遥感的植被冠层阴阳叶检测方法 Download PDFInfo
- Publication number
- CN108399393B CN108399393B CN201810192935.2A CN201810192935A CN108399393B CN 108399393 B CN108399393 B CN 108399393B CN 201810192935 A CN201810192935 A CN 201810192935A CN 108399393 B CN108399393 B CN 108399393B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- remote sensing
- yin
- leaf
- fluorescence
- 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于荧光遥感的植被冠层阴阳叶检测方法,包括:对目标遥感影像进行精确的几何校正和辐射标定;构建并计算荧光遥感植被识别指数;利用K‑Means法,计算得到植被空间分布图;采用空间运算法,获得仅包含植被信息的遥感影像图;构建并计算植被阴阳叶荧光指数;利用遥感非监督分类法提取植被冠层阴阳叶信息,获得一幅植被阴阳叶空间分布图。本发明最大程度地消除了非植被背景信息对植被冠层阴阳叶检测结果的影响,提高了阴阳叶检测的准确度和可靠性;同时,有效地解决了植被冠层阴阳叶区分的问题,检测精度高,操作过程简单、灵活,且不限植被类型,人工干预少,自动化程度高,具有较强的普适性,易推广应用。
Description
技术领域
本发明涉及一种基于荧光遥感的植被冠层阴阳叶检测方法,属于生态农业、生态建设、生态环境保护、灾害监测等应用领域。
背景技术
在自然光照条件下,因叶片所处位置及周边环境的差异,植被冠层中被太阳光直射到的叶片部分常称为“阳叶”,未被太阳光直射到的叶片部分称为“阴叶”。植被冠层阴阳叶信息的获取是有效测算植被光能利用效率、精确监测植被生理生态状况及作物长势的重要指标参量,可为植被光合作用研究、生产力的估算、植被与大气间的气体交换以及生态系统固碳功能评估提供必要的基础信息。
通常,植被冠层的阳叶和阴叶吸收辐射的能力不同,阳叶能够吸收到达植被冠层的直接辐射和散射辐射,阴叶仅能吸收散射辐射,阳叶光合速率随光强的增加会出现“午休”现象,阴叶往往处于光亏缺而光能利用率较高,因此,阴叶和阳叶光能利用率存在明显的差异;而且阳叶和阴叶具有不同的光截获能力、不同的温度和湿度,气孔的传导率也就不同,从而导致叶片光合作用差异较大;在晴朗干燥的天气条件下,阳叶的温度有时要比阴叶高几度,因此忽略这种温度差异可能会偏估冠层的感热通量和显热通量等参数;植被阴阳叶面积在一天中呈现动态变化,但在任意时间、任意高度的冠层内阳叶面积总是小于阴叶面积,导致冠层内上、下层及阴、阳叶对太阳辐射不同组分的吸收和利用能力存在较大差异,同时总辐射变化与散射辐射比例变化对光合作用的影响也不同。植被冠层中阴阳叶在不同组分的光辐射条件下会造成它们之间形态、结构和生理特征的差异,因此非常有必要考虑阴、阳叶对植被生长的综合影响。
在植被与大气交换的研究中,Sellars等提出的应用较多的基于大叶模型思想的光能利用率模型,假设冠层GPP随入射的太阳辐射线性増加,未考虑不同位置叶片对直接和散射辐射吸收和利用的差异,不加区别地用平均叶片辐射吸收来表示冠层吸收,结果会导致GPP估算值出现系统性低估低值和系统性高估高值的“跷跷板”现象。Monsi和Saeki等学者很早就意识到了区分阳叶和阴叶对估算冠层光合作用的重要性,为了解决这些问题,Hetal.等提出了两叶光能利用率模型,将冠层叶片分为阳叶和阴叶两部分,考虑两者在吸收太阳福射和光能利用率方面的差异,提高了GPP估算的精度。然而,在模型应用中,植被冠层阴阳叶信息往往取的是经验值而不是实际值,只能表明阴阳叶对应用分析的重要性,但无法得以具体应用。
目前,植被阴阳叶区分的方法大体可以分为两类:一类是传统的照相法或称为地面实测法,另一类是遥感估测法。第一类传统的照相法是采用相机对目标样方进行拍摄,然后利用图像处理技术和相关算法进行阴阳叶的检测区分,虽然精度较高,但是不同类型植被冠层阴阳叶比例差异悬殊,甚至同类型植被即使距离很近,其冠层阴阳叶比例也有一定差异,一个样方或几个样方数据结果不具有大范围的代表性,并且需要大量的人工操作,可操作性较差,不易推广应用。另一类基于遥感的估测法,该类方法现有研究非常少,在已有的方法中人工干预多,不确定性大,并且对植被类型又有一定的限制,应用范围窄,普适性较差。在实际应用中,仍然采用第一类传统的方法,利用固定的数值代表一种植被类型的阴阳叶信息,或在一定假设下利用一个平均值代表整个植被冠层,进而代入到模型中或作为一个参量信息,进行参与计算和分析应用,导致具体分析结果的精度大大降低。
发明内容
有鉴于此,本发明提供了一种基于荧光遥感的植被冠层阴阳叶检测方法,能够方便、快捷地获取植被冠层阴阳叶信息,且精度较高、适用性强、易推广应用,为植被长势精确监测、生产力估算、生态系统固碳功能评估及相关人员获取植被冠层阴阳叶信息提供技术支持。
为解决上述问题,本发明所采取的技术方案是:
一种基于荧光遥感的植被冠层阴阳叶检测方法,包括以下步骤:
S1,对目标遥感影像图进行预处理,得到代表不同地物类型真实辐亮度值的遥感影像结果图;
S2,构建荧光遥感植被识别指数FVDI,其计算公式为:
其中ρ740、ρ670分别为740nm和670nm波段处的地物上行辐亮度值,I740、I670分别为740nm和670nm波段处的太阳入射辐亮度值;
S3,基于步骤S1所得遥感影像结果图,计算荧光遥感植被识别指数FVDI;
S4,基于步骤S3所得荧光遥感植被识别指数结果,利用K-Means聚类分析法提取影像中的植被信息,得到一张植被信息空间分布图;
S5,将步骤S4所得植被信息空间分布图与步骤S1所得遥感影像结果图进行空间运算,得到一张仅包含植被信息的遥感影像结果图;
S6,构建植被阴阳叶荧光指数DLFI,其计算公式为:
其中ρ740、ρ760、ρ773分别为740nm、760nm和773nm波段处的地物上行辐亮度值,I760、I773分别为760nm和773nm波段处的太阳入射辐亮度值;
S7,基于步骤S5所得仅包含植被信息的遥感影像结果图,计算植被阴阳叶荧光指数DLFI;
S8,基于步骤S7所得植被阴阳叶荧光指数结果,利用遥感非监督分类法提取植被冠层阴叶和阳叶信息,得到最终的植被冠层阴阳叶空间分布图。
进一步的,步骤S1中对目标遥感影像图进行的预处理包括精确的几何校正和辐射标定。
进一步的,步骤S4中K-Means聚类分析法是一种遥感非监督分类法,无需训练样本,采用聚类分析技术,通过自组织自学习、迭代聚合过程完成对目标影像的分类,把植被信息与其他地物区分开来,生成一张植被空间分布图。
进一步的,步骤S5中空间运算具体包括以下两个步骤:
S51,对步骤S4所得植被信息空间分布图进行二值化处理,生成一个0-1二值信息图,0代表非植被像元,1代表植被像元;
S52,利用该0-1二值信息图对步骤S1所得遥感影像结果图进行掩模处理,得到一张仅包含植被信息的遥感影像结果图。
进一步的,步骤S8中所用遥感非监督分类法不需要目标影像的训练样本,是一种自组织、自学习的遥感分类方法。
进一步的,步骤S8中所用遥感非监督分类法是K-Means聚类分析法或ISODATA分类法。
本发明的有益效果在于:
1)本发明利用荧光遥感植被识别指数,最大程度地消除了非植被背景信息对植被冠层阴阳叶检测结果的影响,提高了冠层阴阳叶检测的准确度和可靠性。
2)本发明通过构建和计算植被阴阳叶荧光指数,有效地解决了植被冠层阴阳叶区分的问题,检测精度较高,操作过程简单、灵活。
3)另外,相比现有技术方法,本发明在基于荧光遥感植被识别指数信息剔除非植被背景信息和基于植被阴阳叶荧光指数信息区分阴阳叶过程中,均采用自组织、自学习的分类方法,人工参与少,抗干扰能力强,自动化程度高;同时,本发明对植被类型不做限制要求,具有较强的普适性和适应性,易推广应用。
附图说明
图1为本发明的流程示意图;
图2为辐射标定后的遥感影像结果图;
图3为荧光遥感植被识别指数信息图;
图4为植被冠层阴阳叶荧光指数信息图;
图5为植被冠层阴阳叶空间分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明的目标是区分植被冠层的阴叶和阳叶,仅要求保证满足遥感成像质量下的正常天气条件即可,而对目标对象植被的生长期、生长条件并无要求。因此,本实施例以盆栽植物为例,以便更清晰地解释和验证本发明。
为充分证明本发明的有效性和完整性,在实施例中,既考虑了在一定太阳高度角下,植被冠层自身遮挡造成的阴阳叶,也考虑了其他较高地物对目标对象的遮挡而引起的短时期内部分冠层的阴阳叶分布。
如图1为本发明一种基于荧光遥感的植被冠层阴阳叶检测方法的流程示意图,具体包括以下步骤:
S1,对目标遥感影像图进行预处理
在完成对目标对象(盆栽植物)遥感成像后,对获得的原始遥感影像图进行精确的几何校正和辐射标定,以获得代表不同地物类型真实辐亮度值的遥感影像结果图(如图2所示)。该过程可以在常用遥感数据处理软件中进行(本实施例使用ENVI 5.3)。另外,从图2中可以看出太阳照射到的阳叶以及未被直射到的阴叶在整个植被冠层中的空间分布,其中植被冠层右半部分有大范围的阴叶是由于其他物体遮挡太阳直射光而形成。
S2,构建荧光遥感植被识别指数FVDI
为了更准确地检测植被冠层的阴阳叶,首先需要把非植被信息剔除掉,以降低非植被信息像元对后期利用遥感非监督分类法进行阴阳叶信息像元自动分类的影响。本发明利用构建的荧光遥感植被识别指数FVDI,结合K-Means聚类分析法以剔除非植被信息,以获得试验区内植被冠层的空间分布信息。
植被叶片吸收太阳光能后会发射荧光,叶绿素发射的荧光主要位于可见光近红外光谱范围(约680-800nm)。尽管在不同的环境条件和不同的冠层结构下,植被会发射出不同的叶绿素荧光光谱,但是荧光光谱的形状却保留着典型特征。一般而言,荧光光谱由两个峰组成:一个位于红光光谱区域,其最大值在685nm附近,主要来自于光系统II(PSII)的荧光发射;另一个位于近红外区,其最大值在740nm附近,是由光系统I(PSI)和光系统II(PSII)共同引起的。
本发明基于上述植被叶绿素荧光发射光谱特征构建了一个荧光遥感植被识别指数(Fluorescence Vegetation Distinguish Index,简称FVDI),用于区分植被信息与非植被信息。
该荧光遥感植被识别指数FVDI的计算公式为:
其中ρ740、ρ670分别为740nm和670nm波段处的地物上行辐亮度值,I740、I670分别为740nm和670nm波段处的太阳入射辐亮度值。地物上行辐亮度值是指上述步骤S1中获得的经辐射标定后的遥感影像数据值;太阳入射辐亮度值可以通过参考白板来获取。
S3,计算荧光遥感植被识别指数FVDI
基于步骤S1遥感影像预处理结果,利用上述荧光遥感植被识别指数FVDI计算公式,借助ENVI5.3中的波段运算工具(Band Math),计算可得荧光遥感植被识别指数信息图(如图3所示)。从图3中,可以很清晰地看出植被信息(包含阴叶和阳叶)的空间分布。
S4,获取植被信息空间分布图
基于步骤S3计算所得荧光遥感植被识别指数FVDI信息结果,进一步利用K-Means聚类分析法把荧光遥感植被识别指数信息结果自动分为两大类,一类为植被信息像元,一类为非植被信息像元。
从原理讲K-Means聚类分析法是一种基于像元值本身特征,自组织、自学习的方法。它已经集成到ENVI5.3软件中,是一种常用的遥感非监督分类法,调用比较简单方便,无需训练样本,通过反复迭代聚合过程完成对目标对象的分类,把植被信息与其他地物区分开来,生成一张植被冠层空间分布图。
S5,获取仅包含植被信息的遥感影像图
上述步骤S4中获得的植被冠层空间分布图虽然剔除了非植被信息,但它是一张单波段的、仅含有荧光遥感植被识别指数信息的空间分布图,并没有包含区分植被冠层阴阳叶的相关遥感信号,还需要利用它来处理原始遥感影像图。
首先对步骤S4所得植被冠层空间分布图进行二值化处理,生成一个0-1二值信息图,即将代表植被信息的像元赋值为1,代表非植被信息的像元赋值为0;进而利用该0-1二值信息图对步骤S1所得遥感影像结果图进行掩模处理,得到一张仅包含植被信息的遥感影像图。
S6,构建植被阴阳叶荧光指数DLFI
叶绿素荧光信息伴随植物光合作用过程而产生,对实时的太阳光照强度具有较强的敏感性,因此本发明基于叶绿素荧光发射光谱信息与遥感光谱信息特征构建了一个植被阴阳叶荧光指数(Double Leaf Fluorescence Index,简称DLFI),用于区分植被冠层太阳直射到的叶片(阳叶)与未被照射到的叶片(阴叶)。
该植被阴阳叶荧光指数DLFI的计算公式为:
其中ρ740、ρ760、ρ773分别为740nm、760nm和773nm波段处的地物上行辐亮度值,I760、I773分别为760nm和773nm波段处的太阳入射辐亮度值。地物上行辐亮度值是指上述步骤S1中获得的经辐射标定后的遥感影像数据值;太阳入射辐亮度值可以通过参考白板来获取。
S7,计算植被阴阳叶荧光指数DLFI
基于步骤S5所得剔除非植被信息后遥感影像结果图,利用步骤S6构建的植被阴阳叶荧光指数DLFI,借助ENVI5.3中的波段运算工具(Band Math),计算可得植被冠层阴阳叶荧光指数信息图(如图4所示)。从图4中可以看出:植被冠层的阴叶信息被大大增强。
S8,获取植被冠层阴阳叶空间分布图
对比步骤S1所得遥感影像结果图(图2)中阴阳叶空间分布,从定性、直观角度,已经可以从步骤S7所得植被冠层阴阳叶荧光指数信息图(图4)中明显看出植被冠层阴叶和阳叶的差异。本发明目标是精确检测植被冠层的阴阳叶,它需要从像元尺度把冠层阴叶与阳叶区分开来。
遥感非监督分类法不需要目标影像的训练样本,是一种自组织、自学习的遥感分类方法,大大降低了人为因素对专题信息提取结果产生的影响,也加快了提取信息的效率。基于步骤S7所得植被阴阳叶荧光指数信息图,利用ENVI5.3中K-Means法(一种非监督分类法)自动提取植被冠层阴叶和阳叶信息,得到最终的植被冠层阴阳叶空间分布图(如图5所示)。
基于步骤S1所得遥感影像结果图(图2)随机选取冠层阴阳叶像元样本,对本发明阴阳叶检测结果进行像元级的验证。验证结果表明,对冠层阴叶和阳叶的检测精度均在95%以上。错判的阴叶和阳叶(低于5%)像元主要分布在阴叶和阳叶交界处,在阴叶和阳叶范围的内部,本发明对两者的检测精度可达到100%。
本发明一种基于荧光遥感的植被冠层阴阳叶检测方法不仅具有较高的检测精度,同时具有较强的普适性,对植被类型没有要求,且操作过程简单,运算效率较高。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说,在本申请公开、附图和权利要求的范围内,可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外,对于本领域技术人员来说,其他的用途也将是明显的。
Claims (5)
1.一种基于荧光遥感的植被冠层阴阳叶检测方法,其特征在于,包括以下步骤:
S1,对目标遥感影像图进行预处理,得到代表不同地物类型真实辐亮度值的遥感影像结果图;
S2,构建荧光遥感植被识别指数FVDI,其计算公式为:
其中ρ740、ρ670分别为740nm和670nm波段处的地物上行辐亮度值,I740、I670分别为740nm和670nm波段处的太阳入射辐亮度值;
S3,基于步骤S1所得遥感影像结果图,计算荧光遥感植被识别指数FVDI;
S4,基于步骤S3所得荧光遥感植被识别指数结果,利用K-Means聚类分析法提取影像中的植被信息,得到一张植被信息空间分布图;
S5,将步骤S4所得植被信息空间分布图与步骤S1所得遥感影像结果图进行空间运算,得到一张仅包含植被信息的遥感影像结果图;所述空间运算具体包括以下两个步骤:
S51,对步骤S4所得植被信息空间分布图进行二值化处理,生成一个0-1二值信息图,0代表非植被像元,1代表植被像元;
S52,利用该0-1二值信息图对步骤S1所得遥感影像结果图进行掩模处理,得到一张仅包含植被信息的遥感影像结果图;
S6,构建植被阴阳叶荧光指数DLFI,其计算公式为:
其中ρ740、ρ760、ρ773分别为740nm、760nm和773nm波段处的地物上行辐亮度值,I760、I773分别为760nm和773nm波段处的太阳入射辐亮度值;
S7,基于步骤S5所得仅包含植被信息的遥感影像结果图,计算植被阴阳叶荧光指数DLFI;
S8,基于步骤S7所得植被阴阳叶荧光指数结果,利用遥感非监督分类法提取植被冠层阴叶和阳叶信息,得到最终的植被冠层阴阳叶空间分布图。
2.如权利要求1所述的一种基于荧光遥感的植被冠层阴阳叶检测方法,其特征在于,步骤S1中对目标遥感影像图进行的预处理包括精确的几何校正和辐射标定。
3.如权利要求1所述的一种基于荧光遥感的植被冠层阴阳叶检测方法,其特征在于,步骤S4中K-Means聚类分析法是一种遥感非监督分类法,无需训练样本,采用聚类分析技术,通过自组织、自学习、迭代聚合过程完成对目标影像的分类,把植被信息与其他地物区分开来,生成一张植被空间分布图。
4.如权利要求1所述的一种基于荧光遥感的植被冠层阴阳叶检测方法,其特征在于,步骤S8中所用遥感非监督分类法不需要目标影像的训练样本,是一种自组织、自学习的遥感分类方法。
5.如权利要求1所述的一种基于荧光遥感的植被冠层阴阳叶检测方法,其特征在于,步骤S8中所用遥感非监督分类法是K-Means聚类分析法或ISODATA分类法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192935.2A CN108399393B (zh) | 2018-03-09 | 2018-03-09 | 一种基于荧光遥感的植被冠层阴阳叶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192935.2A CN108399393B (zh) | 2018-03-09 | 2018-03-09 | 一种基于荧光遥感的植被冠层阴阳叶检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108399393A CN108399393A (zh) | 2018-08-14 |
CN108399393B true CN108399393B (zh) | 2018-11-27 |
Family
ID=63092567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810192935.2A Active CN108399393B (zh) | 2018-03-09 | 2018-03-09 | 一种基于荧光遥感的植被冠层阴阳叶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399393B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109900672A (zh) * | 2019-04-02 | 2019-06-18 | 中国人民解放军战略支援部队航天工程大学 | 一种利用高光谱遥感分离阴叶和阳叶叶绿素荧光的方法 |
CN110069877B (zh) * | 2019-04-29 | 2020-11-24 | 中国科学院地理科学与资源研究所 | 一种总初级生产力确定方法、装置及电子设备 |
CN111948734A (zh) * | 2020-06-29 | 2020-11-17 | 北京农业信息技术研究中心 | 一种作物冠层表型及微气象参数测量装置及方法 |
CN112730412B (zh) * | 2020-12-31 | 2021-08-10 | 河北省科学院地理科学研究所 | 一种基于高光谱影像的植被冠层阴阳叶判别方法 |
CN116992682B (zh) * | 2023-08-16 | 2024-03-19 | 南京大学 | 阴阳叶激发日光诱导叶绿素荧光估算总初级生产力的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009149396A1 (en) * | 2008-06-06 | 2009-12-10 | Monsanto Technology Llc | Generating agricultural information products using remote sensing |
CN103674852B (zh) * | 2013-08-22 | 2015-12-23 | 南京大学 | 一种多角度观测植被冠层阴阳叶光化学反射指数的方法 |
US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
CN106568730B (zh) * | 2016-11-21 | 2019-02-05 | 南京农业大学 | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 |
-
2018
- 2018-03-09 CN CN201810192935.2A patent/CN108399393B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108399393A (zh) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399393B (zh) | 一种基于荧光遥感的植被冠层阴阳叶检测方法 | |
Ma et al. | Improved salient feature-based approach for automatically separating photosynthetic and nonphotosynthetic components within terrestrial lidar point cloud data of forest canopies | |
Ientilucci et al. | Advances in wide-area hyperspectral image simulation | |
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 | |
CN104063718B (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
CN105389538B (zh) | 一种基于点云半球切片估算森林叶面积指数的方法 | |
Ma et al. | Retrieving forest canopy extinction coefficient from terrestrial and airborne lidar | |
CN106778629B (zh) | 大棚识别方法及装置 | |
CN108592888B (zh) | 一种居民地提取方法 | |
CN108458978A (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
CN110189043A (zh) | 一种基于高分卫星遥感数据的可利用土地资源分析系统 | |
CN108051371A (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
Xu et al. | A unified model of bidirectional reflectance distribution function for the vegetation canopy | |
Yin et al. | Calculation of land surface emissivity and retrieval of land surface temperature based on a spectral mixing model | |
CN103400364A (zh) | 一种森林资源变化监测方法 | |
CN107607490A (zh) | 基于GOCI影像进行水体中叶绿素a浓度估算的方法 | |
CN114663786B (zh) | 基于点云数据和计算机图形学的林分辐射通量计算方法 | |
CN108416297B (zh) | 一种基于叶绿素荧光的植被信息快速识别方法 | |
CN114398595B (zh) | 一种基于bp神经网络的火点遥感识别方法 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
Zhang et al. | A comparison of pixel-based and object-based land cover classification methods in an arid/semi-arid environment of northwestern China | |
CN103413289B (zh) | 矿区图像处理方法及装置 | |
CN103424368A (zh) | 土壤盐渍化现场快速检测方法及装置 | |
CN117095290A (zh) | 一种基于卫星遥感的碳汇监测方法 | |
Zoran | Analysis of climatic and anthropogenic changes effects on spectral vegetation indices in forest areas derived from satellite 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 |