CN108458978A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108458978A CN108458978A CN201810203100.2A CN201810203100A CN108458978A CN 108458978 A CN108458978 A CN 108458978A CN 201810203100 A CN201810203100 A CN 201810203100A CN 108458978 A CN108458978 A CN 108458978A
- Authority
- CN
- China
- Prior art keywords
- band
- identification
- seeds
- remote sensing
- maximum likelihood
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 abstract description 8
- 241000593922 Quercus acutissima Species 0.000 description 32
- 238000002310 reflectometry Methods 0.000 description 8
- 239000002023 wood Substances 0.000 description 8
- 238000011835 investigation Methods 0.000 description 5
- 238000004611 spectroscopical analysis Methods 0.000 description 5
- 241000219492 Quercus Species 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 244000050510 Cunninghamia lanceolata Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 244000166124 Eucalyptus globulus Species 0.000 description 1
- 241001397809 Hakea leucoptera Species 0.000 description 1
- 240000007049 Juglans regia Species 0.000 description 1
- 235000009496 Juglans regia Nutrition 0.000 description 1
- 244000179970 Monarda didyma Species 0.000 description 1
- 235000010672 Monarda didyma Nutrition 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 235000011609 Pinus massoniana Nutrition 0.000 description 1
- 241000018650 Pinus massoniana Species 0.000 description 1
- 235000005456 Pinus sylvestris var mongolica Nutrition 0.000 description 1
- 241000114025 Pinus sylvestris var. mongolica Species 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 241000881856 Rhinopithecus roxellana Species 0.000 description 1
- 244000126002 Ziziphus vulgaris Species 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 235000020234 walnut Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种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，包括获取多光谱遥感图像，并选取树种样区，每个样区包含若干像元；对所述多光谱遥感图像进行预处理，所述预处理包括大气校正、几何校正、几何精校正以及地形辐射校正；提取光谱信息，进行光谱特征分析，确定敏感波段以及波段组合；利用敏感波段、波段组合构建若干最大似然识别模型，并得出各个最大似然识别模型的识别精度；利用识别精度最优的最大似然识别模型进行树种空间分布反演。本发明利用多光谱遥感影像的敏感波段和波段组合分别构建最大似然识别模型，并选取最优识别模型对树种进行反演，提高识别精度和反演效果。
Description
技术领域
本发明属于多光谱遥感识别技术领域，特别涉及一种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。
背景技术
树种识别是森林资源监测的重要内容。以麻栎为例，麻栎是泰山夏绿阔叶林的主要树种，实现麻栎的快速识别是对泰山树种资源调查和动态监测的前提。目前麻栎等泰山主要建群树种的分布制图大多通过人工野外调查，由于泰山地形较复杂，植被覆盖面积大，且混交林广泛存在，野外调查难度大，影响了树种资源信息的快速更新。
遥感技术凭借快速、准确、大范围识别、周期性强等特点被广泛应用，在森林资源监测方面逐渐发挥巨大的作用。利用光谱数据对树种进行遥感识别，国内外已有一定的研究成果，宫鹏等(1998)基于高分辨率光谱仪实测光谱数据识别美国加州的6种主要针叶树种，采用相邻窄波段逐步加宽的方法，利用神经元网络算法测试不同波段宽度对树种识别的影响，结果表明20nm波段宽度的识别效果较理想；王志辉等(2010)利用光谱微分法对浙江林学院校内植物园部分树种的原始光谱数据进行处理，通过分析光谱曲线图选择差异较大的波段来鉴别树种，最后利用欧氏距离法进行识别效果检验，结果显示选择的波段能有效区分不同树种；刘丽娟等(2013)将机载LiDAR与光谱数据融合，根据黑龙江省凉水国家自然保护区树种的垂直结构信息和光谱信息，利用支持向量机分类器进行树种分类，探索融合数据与仅使用光谱数据的分类精度变化，结果表明，融合数据的树种分类总体精度和Kappa系数(83.88％和0.80)优于仅使用光谱数据(76.71％和0.71)；岳俊等(2015)基于不同分辨率遥感影像，分别运用最大似然法、马氏距离、神经网络、支持向量机4种分类方法，对南疆盆地4种主栽果树(核桃、红枣、香梨和苹果)进行了遥感识别，在分辨率为2米的遥感影像中，各方法分类精度分别为58.32％、58.70％、68.70％和69.71％；林丽群等(2017)利用冬季Landsat8/OLI多源多时相遥感数据分层提取神农架川金丝猴生境常绿、落叶林的地域范围，进而依据夏季Worldview-2高分遥感影像提出了一种将光谱特征与专家知识修正结合的乔木树种识别方法，得出栎树的用户精度为86.59％；吕杰等(2017)利用高分一号卫星影像，结合遥感判读样地、植被指数、纹理信息以及地形因子等多源数据，构建最小距离、支持向量机和随机森林分类模型识别黑龙江凉水自然保护区森林优势树种，结果表明，支持向量机的分类结果总精度和Kappa系数为76.71％和0.71；谭念等(2017)以桉木、杉木、落叶松、马尾松和樟子松近红外光谱数据为研究对象，分别建立基于主成分分析和支持向量机的木材树种定性识别模型，结果表明，智能算法优化后的支持向量机树种识别模型识别精度可达90％，能够实现对木材树种的有效鉴别。
利用敏感波段进行农作物病情和长势监测，国内外也已有不少研究成果(罗菊花，2010；杨宝华，2015)，在这其中，最大似然法较常用，并取得了较好的识别结果。
虽然光谱技术识别的关键是提取识别目标的敏感波段，但是在进行树种识别时，敏感波段结合最大似然法的识别精度还较低。
发明内容
本发明要解决的技术问题是，提供一种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，利用多光谱遥感影像的敏感波段和波段组合分别构建最大似然识别模型，并选取最优识别模型对树种进行反演，提高识别精度和反演效果。
为解决上述技术问题，本发明所采用的技术方案是：
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，包括以下步骤：
S1：获取多光谱遥感图像，并选取树种样区，每个样区包含若干像元；
S2：对所述多光谱遥感图像进行预处理，所述预处理包括大气校正、几何校正、几何精校正以及地形辐射校正；
S3：提取光谱信息，进行光谱特征分析，确定敏感波段以及波段组合；
S4：利用敏感波段、波段组合构建若干最大似然识别模型，并得出各个最大似然识别模型的识别精度；
S5：利用识别精度最优的最大似然识别模型进行申诉中空间分布反演。
在上述技术方案中，通过优选敏感波段和波段组合，作为条件属性构建若干最大似然识别模型。其中优选敏感波段构建最大似然识别模型进行树种识别，可强化树种光谱特征，提高识别精度；进一步还利用波段组合后的数据构建最大似然识别分类模型进行树种识别，将各个识别模型进行比较后，便可得出识别精度最高的识别模型，进而用于树种空间分布反演。本发明针对任一种类型的多光谱遥感图像，能够既考虑了各个敏感波段与最大似然法结合构建最大似然识别模型进行树种识别的情况，又考虑了波段组合与最大似然法结合构建最大似然识别模型进行树种识别的情况，从而能够得出相对最优的最大似然识别模型，提高识别精度和反演效果。
作为本发明技术方案的进一步改进，所述最大似然识别模型包括一维、二维和三维模型，这些模型通过各个单敏感波段以及波段组合得到，从而能够多方面、多维度比较利用各个敏感波段以及波段组合构建识别模型后的识别效果，找到相对最优的模型构建方式并用于树种识别和反演。
附图说明
图1是本发明具体实施方式的步骤示意图。
图2是本发明具体实施方式中的样区分布图。
图3是本发明具体实施方式中各波段平均发射率图。
图4是本发明具体实施方式中泰山麻栎空间分布反演图。
具体实施方式
本实施方式中，该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所针对的研究区位于山东省泰山(116°50'～117°12'E，36°11'～36°31'N)，地处山东省中部，总面积为426km2，海拔1545m。泰山为暖温带半湿润季风气候，气候垂直变化大，山脚是暖温带，山顶是中温带，山脚和山顶1月均温分别为-3℃和-9℃，7月均温分别为26℃和18℃；年降水量也随高度增加而增加，山顶和山脚年降水量分别为1132mm和722.6mm。泰山冬季时间较长，结冰期达150天，山顶冬季最低气温达-27.5℃。地形复杂，地势变化大，呈北高南低、西高东低。植被生长茂盛，森林覆盖率达80％以上，以人工林和次生天然林为主，包括针叶林、阔叶林和针阔混交林，其中栎类林木是泰山夏绿阔叶林的主要林木，以麻栎分布面积最大。
如图1所示，以麻栎作为识别和反演对象为例，该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包括以下步骤：
S1：获取多光谱遥感图像，并选取麻栎样区，每个样区包含若干像元。
通过麻栎物候特征分析得出，5月份为麻栎开花盛期，物候特征较其它时相更明显。在本实施方式中以资源一号02C(ZY-1 02C)5月12日影像为数据源，该影像云量为0％，共3个波段(分别记为B1、B2和B3)，波谱范围分别为0.52-0.59um(绿光)、0.63-0.69um(红光)、0.77-0.89um(近红外)，空间分辨率10m。
通过野外调查选择麻栎样区并定位，以力求均匀为原则，于2014年5月在泮黄岭、玉泉寺、大虎峪等多处麻栎生长区域进行了多次野外调查，最终确定100个样区，分布如图2。因每个样区包含多个像元，像元之间也有差异，为兼顾差异，选择像元为实验单元。麻栎样区内共包含像元2109个，等距抽样选择2/3为建模样本(1406个)，1/3为验证样本(703个)。
S2：对所述多光谱遥感图像进行预处理，所述预处理包括大气校正、几何校正、几何精校正以及地形辐射校正。
大气校正：消除大气、光照等因素对麻栎反射率的影响，获取麻栎真实反射率数据。详细来说是用来消除大气中的水蒸气、氧气、甲烷、臭氧等物质以及大气分子、气溶胶散射对麻栎反射率的影响。利用ERDAS IMAGING扩展模块ATCOR(即Atmospheric CORrection)完成。
几何校正：消除或改正遥感影像的几何误差，关键是建立地球固定坐标系中LOS和未校正图像平面到校正图像平面之间的相互转换关系。具体步骤为：(1)建立地球固定坐标系下的LOS；(2)LOS投影到大地坐标系级地图平面；(3)建立输入平面到输出平面之间的相互转换关系；(4)寻找输出平面点在输入平面中的对应关系；(5)在整个输出平面内执行重采样。其中几何精校正是利用控制点进行的几何校正。利用ERDAS的Raster→GeometricCorrection模块完成。
地形辐射校正：将研究区所有像元的辐射亮度变换到相同条件下，消除因地形起伏引起的辐射强度变化对麻栎反射率的影响。本实施方式中采用影像辐射畸变校正方式，通过ERDAS的建模模块Modeler完成。地形辐射校正可以显著减少泰山复杂地形对树种识别精度的影响。
S3：提取光谱信息，进行光谱特征分析，确定敏感波段以及波段组合。
提取整个研究区的像元反射率，由图3可以看出，本实施方式中所采用的遥感影像3个波段平均反射率表现为B3＞B1＞B2，其中B1与B2平均反射率相差不大，B3反射率远高于其他波段。
利用MATLAB软件对麻栎和各波段反射率进行相关性分析，得出麻栎与各波段反射率的相关系数，如图3所示。可以看出，B1与麻栎呈实正相关，B2与麻栎呈显著正相关，B3与麻栎呈高度负相关，因此，B2和B3为5月12日识别麻栎的敏感波段，其中B3为最敏感波段。
对于其他类型的多光谱遥感图像，同样可以采用这种方法确定敏感波段，即：利用MATLAB软件对麻栎和各波段反射率进行相关性分析，得出麻栎与各波段反射率的相关系数，相关系数为显著正负相关是为敏感波段，相关系数为高度正负相关时为最敏感波段。
注：相关系数值：0.00～±0.3、±0.3～±0.5、±0.5～±0.8、±0.8～±1分别表示微正负相关、实正负相关、显著正负相关、高度正负相关。
S4：利用敏感波段、波段组合构建若干最大似然识别模型，并得出各个最大似然识别模型的识别精度。
最大似然分类方法理论基础是贝叶斯(Bayes)分类。设待分类影像由n个像元组成向量X=[x1，x2，...，xn]，影像光谱类别数为wi，i＝1，2，...，M，其中M为总类别数。则向量X归属于类别wi的概率为
式中：(1)P(X/wi)—似然概率，X在类别wi出现的概率；(2)P(wi)—先验概率，类别wi在整幅影像分类中出现的概率
由于P(wi)由先验知识决定，与判别无关，则将其作为公共项删除。P(X/wi)则由建模样本来确定其参数，假设建模样本服从多元正态分布，则向量X归属于类别wi的条件概率密度函数为
式中：ui和∑i为第i类训练样本的均值向量和协方差矩阵，均可从建模数据中获得。
将5月12日B1、B2和B3这3个波段光谱数据分别作为一维建模数据；3个波段光谱数据进行两两组合得到B1B2、B2B3、B1B3三组数据，作为二维建模数据；3个波段光谱数据组合得到B1B2B3作为三维建模数据；其中，单独的B1波段数据虽然为非敏感波段，但可以看作三个波段的组合形式之一。分别利用上述数据构建麻栎最大似然识别模型，识别精度如表1。
表1识别精度
由表1可得，一维最大似然识别模型中，利用敏感波段对麻栎的识别精度高于其他波段，其中，由B3构建的识别模型总体识别精度高于B2 4.20％，高于B1 15.08％，由B2构建的识别模型总体识别精度高于B1 10.88％。二维模型中，各波段组合总体识别精度总体表现为：B1B3＞B2B3＞B1B2，其中，B1B2识别精度远远低于B1B3和B2B3，B1B3与B2B3则相差不大。因此，利用敏感波段构建的二维模型识别精度较其他波段组合构建的二维模型有显著提高。总体来说，由B3、B1B3、B2B3和B1B2B3构建的最大似然识别模型总体识别精度较高，均在85％左右，具体识别精度为：B1B3(85.54％)>B3(85.02％)>B2B3(84.84％)>B1B2B3(84.81％)，其中以B1B3识别精度最高，说明因而选用由B1B3所构建的最大似然识别模型用于进行麻栎空间分布反演。通过识别精度分析可以看出，识别精度相对最优的波段选取方式并不一定是单个敏感波段或者最敏感波段，也并不一定是敏感波段的组合，本实施方式中充分考虑了敏感波段以及波段组合的各种情况，从而可以得到相对最优的结果，而不会局限于敏感波段或者敏感波段的组合。
S5：利用识别精度最优的最大似然识别模型进行麻栎空间分布反演。
根据S4中的识别精度分析，将根据B1B3所构建的最大似然模型作为反演模型，生成泰山麻栎空间分布反演图，如图4所示。可以看出，麻栎多分布于泰山中西部和北部的中高海拔区域，有的成片生长为纯林，有的则分散生长，与其它林木混生。
为了对识别结果进行评价，另选取其他类别树种100个样区，共包含像元2436个，等距抽样选择2/3为建模样本(1624个)，1/3为验证样本(812个)，并结合前述的“麻栎样区内共包含像元2109个，等距抽样选择2/3为建模样本(1406个)，1/3为验证样本(703个)”，计算混淆矩阵进行识别精度评价。混淆矩阵用于比较麻栎识别结果和实际观测结果，每一列代表了像元的实际类别，每一列中的数值等于实际测得像元在分类图象中对应于相应类别的数量；每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在实测像元相应类别中的数量。通过计算得到分类图精度、Kappa系数如表2。
表2精度评价
通过表2可知，麻栎的用户精度为91.00％，制图精度为91.18％，总体识别精度为91.09％，Kappa系数为0.8871，表明麻栎识别结果与实际一致性较好，因而本方法具有识别精度高的特点。
Claims (2)
1.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，包括以下步骤：
S1：获取多光谱遥感图像，并选取树种样区，每个样区包含若干像元；
S2：对所述多光谱遥感图像进行预处理，所述预处理包括大气校正、几何校正、几何精校正以及地形辐射校正；
S3：提取光谱信息，进行光谱特征分析，确定敏感波段以及波段组合；
S4：利用敏感波段、波段组合构建若干最大似然识别模型，并得出各个最大似然识别模型的识别精度；
S5：利用识别精度最优的最大似然识别模型进行树种空间分布反演。
2.根据权利要求1所述的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，其特征在于：所述最大似然识别模型包括一维、二维和三维模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810203100.2A CN108458978B (zh) | 2018-03-13 | 2018-03-13 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810203100.2A CN108458978B (zh) | 2018-03-13 | 2018-03-13 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108458978A true CN108458978A (zh) | 2018-08-28 |
| CN108458978B CN108458978B (zh) | 2021-03-19 |
Family
ID=63219917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810203100.2A Expired - Fee Related CN108458978B (zh) | 2018-03-13 | 2018-03-13 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108458978B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109932319A (zh) * | 2019-04-11 | 2019-06-25 | 山东农业大学 | 一种果园土壤速效钾含量获取方法、系统及装置 |
| CN113111763A (zh) * | 2021-04-08 | 2021-07-13 | 洛阳师范学院 | 一种建立光谱体积指数的方法、装置及树种识别的方法 |
| CN113496218A (zh) * | 2021-07-27 | 2021-10-12 | 浙江省淡水水产研究所 | 一种高光谱遥感敏感波段选择方式的评价方法和系统 |
| CN113640244A (zh) * | 2021-07-28 | 2021-11-12 | 湖南师范大学 | 一种基于可见近红外光谱的果树品种鉴别方法 |
| CN113762226A (zh) * | 2021-11-09 | 2021-12-07 | 成都理工大学 | 基于高光谱分辨率调整提升树种识别精度的方法及系统 |
| CN114076738A (zh) * | 2021-11-22 | 2022-02-22 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
| CN114397250A (zh) * | 2021-12-27 | 2022-04-26 | 中国林业科学研究院木材工业研究所 | 一种基于光谱特征和图像特征的木材识别方法 |
| CN116310772A (zh) * | 2023-05-18 | 2023-06-23 | 德州华恒环保科技有限公司 | 基于多光谱图像的水环境污染识别方法 |
| CN117092040A (zh) * | 2023-08-22 | 2023-11-21 | 云南大学 | 一种蚀变矿物遥感定量识别方法、系统及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462741A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种融合树冠三维结构的城市绿辐射受益量计算模型 |
| CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
| CN105405148A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种结合树木阴影特征的遥感影像毛白杨识别方法 |
| CN205333857U (zh) * | 2015-11-12 | 2016-06-22 | 西安科技大学 | 一种用于林业树种识别的遥感系统 |
-
2018
- 2018-03-13 CN CN201810203100.2A patent/CN108458978B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462741A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种融合树冠三维结构的城市绿辐射受益量计算模型 |
| CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
| CN205333857U (zh) * | 2015-11-12 | 2016-06-22 | 西安科技大学 | 一种用于林业树种识别的遥感系统 |
| CN105405148A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种结合树木阴影特征的遥感影像毛白杨识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHAO YU ET AL: "Classification of Dominant Tree Species in An Urban Forest Park Using the Remote Sensing Image of WorldView-2", 《8TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
| 冯振峰等: "基于Hyperion 数据的南疆环塔里木盆地经济林树种识别敏感波段选择", 《森林工程》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109932319A (zh) * | 2019-04-11 | 2019-06-25 | 山东农业大学 | 一种果园土壤速效钾含量获取方法、系统及装置 |
| CN113111763B (zh) * | 2021-04-08 | 2023-01-24 | 洛阳师范学院 | 一种建立光谱体积指数的方法、装置及树种识别的方法 |
| CN113111763A (zh) * | 2021-04-08 | 2021-07-13 | 洛阳师范学院 | 一种建立光谱体积指数的方法、装置及树种识别的方法 |
| CN113496218A (zh) * | 2021-07-27 | 2021-10-12 | 浙江省淡水水产研究所 | 一种高光谱遥感敏感波段选择方式的评价方法和系统 |
| CN113496218B (zh) * | 2021-07-27 | 2023-10-24 | 浙江省淡水水产研究所 | 一种高光谱遥感敏感波段选择方式的评价方法和系统 |
| CN113640244A (zh) * | 2021-07-28 | 2021-11-12 | 湖南师范大学 | 一种基于可见近红外光谱的果树品种鉴别方法 |
| CN113762226A (zh) * | 2021-11-09 | 2021-12-07 | 成都理工大学 | 基于高光谱分辨率调整提升树种识别精度的方法及系统 |
| CN113762226B (zh) * | 2021-11-09 | 2022-01-07 | 成都理工大学 | 基于高光谱分辨率调整提升树种识别精度的方法及系统 |
| CN114076738A (zh) * | 2021-11-22 | 2022-02-22 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
| CN114397250A (zh) * | 2021-12-27 | 2022-04-26 | 中国林业科学研究院木材工业研究所 | 一种基于光谱特征和图像特征的木材识别方法 |
| CN114397250B (zh) * | 2021-12-27 | 2024-02-13 | 中国林业科学研究院木材工业研究所 | 一种基于光谱特征和图像特征的木材识别方法 |
| CN116310772A (zh) * | 2023-05-18 | 2023-06-23 | 德州华恒环保科技有限公司 | 基于多光谱图像的水环境污染识别方法 |
| CN117092040A (zh) * | 2023-08-22 | 2023-11-21 | 云南大学 | 一种蚀变矿物遥感定量识别方法、系统及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108458978B (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
| CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
| CN105354534B (zh) | 一种基于多源同期高分辨率遥感数据的树种分类方法 | |
| CN104483271B (zh) | 光学反射模型与微波散射模型协同的森林生物量反演方法 | |
| CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
| CN107273820A (zh) | 一种土地覆盖遥感分类方法及系统 | |
| CN110308097A (zh) | 一种卫星图像云检测方法及系统 | |
| He et al. | Retrieval of leaf area index in alpine wetlands using a two-layer canopy reflectance model | |
| CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
| CN108592888B (zh) | 一种居民地提取方法 | |
| CN110378925B (zh) | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 | |
| CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
| CN115170341A (zh) | 利用激光雷达修正小微样的林业资源碳汇精准测算方法 | |
| CN110378926A (zh) | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 | |
| CN109934109A (zh) | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 | |
| CN107831168A (zh) | 遥感技术测量水田防护林防护效果的方法 | |
| Kang et al. | Support vector machine classification of crop lands using sentinel-2 imagery | |
| She‐Zhou et al. | Forest leaf area index (LAI) estimation using airborne discrete‐return lidar data | |
| CN109946714A (zh) | 一种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法 | |
| CN105678280B (zh) | 基于纹理特征的地膜覆盖农田遥感监测方法 | |
| Qin et al. | Estimating aboveground carbon stocks of urban trees by synergizing ICESat-2 LiDAR with GF-2 data | |
| Li et al. | Hyperspectral inversion of maize biomass coupled with plant height data | |
| Huang et al. | Linking random forest and auxiliary factors for extracting the major economic forests in the mountainous areas of southwestern Yunnan Province, China | |
| RU2424540C2 (ru) | Способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210319 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |