CN108875146B - 一种考虑变化过程的地表覆盖连续变化检测方法 - Google Patents

一种考虑变化过程的地表覆盖连续变化检测方法 Download PDF

Info

Publication number
CN108875146B
CN108875146B CN201810519610.0A CN201810519610A CN108875146B CN 108875146 B CN108875146 B CN 108875146B CN 201810519610 A CN201810519610 A CN 201810519610A CN 108875146 B CN108875146 B CN 108875146B
Authority
CN
China
Prior art keywords
change
vegetation
earth surface
kurtosis
variation
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
Application number
CN201810519610.0A
Other languages
English (en)
Other versions
CN108875146A (zh
Inventor
邱炳文
燕雄飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201810519610.0A priority Critical patent/CN108875146B/zh
Publication of CN108875146A publication Critical patent/CN108875146A/zh
Application granted granted Critical
Publication of CN108875146B publication Critical patent/CN108875146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种考虑变化过程的地表覆盖连续变化检测方法，首先建立植被指数时序数据，建立表征地表覆盖变化过程的植被峰度时序曲线图，接着利用Logistic模型对植被峰度时序曲线进行模型拟合，依据Logistic模型参数将地表变化过程设置为突变型、渐变型和稳定型，进而针对突变型、渐变型两种地表变化过程，结合植被峰度变化量，建立考虑地表变化过程的地表覆盖连续变化检测技术流程方法。本发明充分考虑地表变化过程，将体现变化过程的模型参数纳入地表覆盖变化区域提取，具有时空连续性好、鲁棒性强以及自动化程度相对较高等优点。

Description

一种考虑变化过程的地表覆盖连续变化检测方法
技术领域
本发明涉及遥感信息处理领域，特别是一种考虑变化过程的地表覆盖连续变化检测方法。
背景技术
土地是人类以及其他动植物赖以生存和发展的最基本的自然资源。随着人口的快速增长以及城市化进程加速，各种人类土地利用导致翻天覆地的地表覆盖变化，由此也引发一系列的资源与生态环境问题。如城市化占用大量优质耕地，能否有效地保护耕地红线从而确保粮食安全是一个严重的问题。地表覆盖变化导致的全球环境变化，已经成为全球变化的重要组成部分。快速准确获取地表覆盖变化信息，对于自然资源管理以及可持续利用至关重要。随着遥感影像数据的不断丰富，基于时序遥感影像的地表覆盖变化检测技术备受关注。
目前已有不少基于时序遥感数据开展地表覆盖变化检测的技术方法。如：Landsatbased detection ofTrends in Disturbance and Recovery (LandTrendr)、VegetationChange Tracker(VCT),the Breaks for Additive Season and Trend(BFAST),theContinuous Change Detection and Classification(CCDC)(Zhu,2017)等等。目前多数基于时序遥感数据的地表覆盖变化检测技术，多偏重森林干扰方面。虽然少数基于时序遥感数据开展地表覆盖变化检测技术如CCDC能同时检测多种地表覆盖变化，但CCDC需要数据驱动以及基于Sin()的模型假设并不一定能合适刻画所有地表覆盖类型的年内变化特征。因此，基于时序遥感影像的地表覆盖变化检测急需新的技术与方法突破。
基于时序遥感数据的地表覆盖变化检测技术的思路，通常通过设计模型或指数，然后依据模型参数或指数大小，通过设置阈值来确定变化与未变化像元。这种方法思路的理论基础是：变化发生前后时刻模型参数或指数将发生较大变化，由此可以依据变化前后两个时刻的差异来确定是否发生地表覆盖变化。
发明内容
有鉴于此，本发明的目的是提出一种考虑变化过程的地表覆盖连续变化检测方法，不仅仅依据变化前后两个时刻模型参数或指数的差异，而是综合考虑整个研究时段内地表覆盖变化过程，从而更好地检测地表覆盖变化区域。
本发明采用以下方案实现：一种考虑变化过程的地表覆盖连续变化检测方法，具体包括以下步骤：
步骤S1：建立一年以上连续年份的植被指数时序数据集；
步骤S2：对像元进行逐年的植被峰度计算；
步骤S3：生成表征地表覆盖变化过程的植被峰度时序曲线图；
步骤S4：利用Logistic模型对植被峰度时序曲线进行模型拟合；
步骤S5：将地表变化过程设置为突变型、渐变型和稳定型；
步骤S6：对于符合突变型与渐变型地表变化过程的像元，提取其突变型或渐变型地表变化过程的植被峰度变化量；
步骤S7：根据步骤S6得到的植被峰度变化量判断当前像元是否为地表覆盖变化区域；
步骤S8：重复步骤S1至S7进行研究区域逐像元的检测，实现研究区域地表覆盖连续变化检测，获得地表覆盖变化区域图。
进一步地，步骤S2具体为：基于每年植被指数时序数据集的第二四分位数Q2，获得植被指数时序数据的中高值区域M，计算植被指数时序数据的中高值区域M的平均值，并将该平均值定义为植被峰度。
进一步地，步骤S4具体为：基于植被峰度时序曲线图，利用Logistic模型进行地表变化过程拟合；其中，Logistic模型的公式为：
Figure BDA0001674489290000021
式中，f(t)表示拟合后的植被峰度，t为时间，用年份表示，a为研究时段内的植被峰度变化量，b为变化速率，c为变化发生的时间，d为变化发生前的植被峰度；其中，Logistic模型的拟合度为R1。
进一步地，步骤S5具体为：根据步骤S4中Logistic模型的参数将地表变化过程设置为突变型、渐变型和稳定型：
当变化速率满足b＜0.9或者b＞1.1，则进一步判断Logistic模型的拟合度R1是否大于预设的第一阈值θ1，若大于，则将当前地表的变化过程设置为突变型；
当变化速率满足0.9≤b≤1.1，则建立线性模型，并进一步判断线性模型的拟合度R2是否大于预设的第二阈值θ2，若大于，则将当前地表的变化过程设置为渐变型；
将不为突变型并且也不为渐变型的变化过程设置为稳定型。
进一步地，设研究区域Logistic模型拟合度R1均符合平均值为μ1、标准差为σ1的正态分布，则所述第一阈值θ1满足：θ1＝μ1+1.96σ1；
设研究区域线性模型拟合度R2均符合平均值为μ2、标准差为σ2的正态分布，则所述第二阈值θ2满足：θ2＝μ2+1.96σ2。
进一步地，步骤S6具体为：
对于突变型地表变化过程，所述植被峰度变化量为Logistic模型的参数a；
对于渐变型地表变化过程，所述植被峰度变化量为线性模型的斜率与研究时间的乘积。
进一步地，步骤S7具体为：若植被峰度变化量大于预设的第三阈值θ3，则当前像元为地表覆盖变化区域，否则当前像元不为地表覆盖变化区域。
进一步地，设研究区域植被峰度变化量符合平均值为μ3、标准差为σ3的正态分布，则所述第三阈值θ3满足：θ3＝μ3+1.96σ3。
与现有技术相比，本发明有以下有益效果：
1、本发明充分挖掘利用时空连续植被指数时序数据集，通过提取植被峰度指标，尽可能避免各种天气因素以及传感器带来的数据噪声或其他数据质量问题，用于表征地表覆盖变化连续过程。
2、本发明基于表征地表覆盖变化过程的植被峰度时序曲线，通过Logistic模型拟合，从而充分利用每个年份时序数据，避免仅仅采用变化前后两个年份带来的不确定性。
3、本发明充分考虑到地表覆盖变化存在突变和渐变两种类型，各自结合其模型拟合度，分析评估其地表变化过程：如果地表覆盖发生变化，必将符合突变型或渐变型两种类型特征，其模型拟合度必然相对较高。真正将地表变化过程纳入地表变化区域识别中，而不是仅仅考虑变化前后发生的变化量本身，从而更好地检测地表覆盖变化区域。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例2001-2017年逐日MODIS EVI时序曲线图。
图3为本发明实施例中森林点位A与森林点位B的植被峰度时序曲线图。
图4为本发明实施例Logistic模型及其模型参数对应的含义图。
图5为本发明实施例地表覆盖类型变化的时序轨迹图。
图6为本发明实施例地表覆盖类型未发生变化的时序轨迹图。
图7为本发明实施例中步骤S4至步骤S7的方法流程示意图。
图8为本发明实施例研究区地表覆盖变化区域空间分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种考虑变化过程的地表覆盖连续变化检测方法，具体包括以下步骤：
步骤S1：建立一年以上连续年份的植被指数时序数据集；本实施例中以2001年至2017年为例；
步骤S2：对像元进行逐年的植被峰度计算；
步骤S3：生成表征地表覆盖变化过程的植被峰度时序曲线图；
步骤S4：利用Logistic模型对植被峰度时序曲线进行模型拟合；
步骤S5：将地表变化过程设置为突变型、渐变型和稳定型；
步骤S6：对于符合突变型与渐变型地表变化过程的像元，提取其突变型或渐变型地表变化过程的植被峰度变化量；
步骤S7：根据步骤S6得到的植被峰度变化量判断当前像元是否为地表覆盖变化区域；
步骤S8：重复步骤S1至S7进行研究区域逐像元的检测，实现研究区域地表覆盖连续变化检测，获得地表覆盖变化区域图。
较佳的，在本实施例中，步骤S1具体为：利用MODIS波段反射率数据，计算MODISEVI。基于无云日计算得到的MODIS EVI时序数据，利用线性插值方法获得2001-2017年研究区逐日MODIS EVI时序数据集。然后，采用Whittaker Smoother数据平滑方法，逐像元构建平滑后的2001-2017年研究区时空连续逐日MODIS EVI时序数据集。分别以2001-2017年多年生长茂盛的森林点位以及期间森林被砍伐的点位为例说明，所形成的2001-2017年逐日MODIS EVI时序曲线见图2。
其中，MODIS数据为中分辨率成像光谱仪数据，全称为MODerate resolutionImaging Spectroradiometer。
在本实施例中，步骤S2具体为：基于2001-2017年研究区时空连续逐日MODIS EVI时序数据集，逐年计算2001-2017年表征地表植被覆盖状况的植被峰度。逐年逐像元获取该年份植被指数时序数据集的第二四分位数Q2(中位数)，在此基础上依次提取该年份植被指数时序数据集大于或等于第二四分位数的所有数据，分别为对应年份逐日MODIS EVI时序数据集的中高值区域M。进而计算该年份逐日MODIS EVI时序数据集的中高值区域M的平均值，定义为植被峰度。逐年逐像元计算植被峰度，获得2001-2017年植被峰度时序数据集。
其中，植被指数是表征植被生长状态以及空间分布密度的因子。常见的植被指数有NDVI和EVI。NDVI为归一化植被指数，全称为Normalized Difference VegetationIndex。EVI为增强型植被指数，全称为Enhanced Vegetation Index。EVI指数的计算公式为：
Figure BDA0001674489290000061
其中Red,Blue,NIR分别为红光、蓝光和近红外波段。
在本实施例中，步骤S3具体为：基于2001-2017年植被峰度时序数据集，生成2001-2017年植被峰度时序曲线图。植被峰度能很好地表征每年植被覆盖总体状况。2001-2017年植被峰度时序曲线图，揭示了历年植被峰度的变化，进而很好地表征植被覆盖变化状况。继续分别以2001-2017年生长茂盛的森林点位A以及期间森林被砍伐的点位B，举例说明(见图3)。2001-2017年多年生长茂盛森林点位A的植被峰度，一直保持在0.6左右的较高位水平。而森林被砍伐的点位B，在被砍伐前具有较高的植被峰度(0.6左右)，而在2008-2009年被砍伐后植被峰度迅速下降，并稳定在较低水平(0.35左右)。
在本实施例中，步骤S4具体为：基于2001-2017年植被峰度时序曲线图，利用Logistic模型进行地表变化过程拟合；其中，Logistic模型的公式为：
Figure BDA0001674489290000071
式中，f(t)表示拟合后的植被峰度，t为时间，用年份表示，a为研究时段内的植被峰度变化量，b为变化速率，c为变化发生的时间，d为变化发生前的植被峰度；其中，Logistic模型的拟合度为R1，其中R1值越高，表示模型的拟合度越高。Logistic模型及其模型参数对应的含义图见图4。
在本实施例中，步骤S5具体为：根据步骤S4中Logistic模型的参数将地表变化过程设置为突变型、渐变型和稳定型：
如果地表覆盖类型发生变化，如从类型A变化为类型B，其植被峰度变化时序轨迹通常满足两种形式：其一为突变型，S型；其二为渐变型，线型(见图5)。第一种类型突变型，体现其变化过程的植被峰度时序曲线与Logistic模型形状极为相似。因此如果地表覆盖从类型A突变为类型B，其地表变化过程的Logistic模型拟合度相对会比较高。
如果地表覆盖类型保持不变，其植被峰度变化时序轨迹同样将有可能两种情况：(1)保持平稳，其曲线形状类似于平稳的直线；(2)基本平稳，略有随机波动：虽然地表覆盖类型不变，但植被覆盖受到降水、温度等气候要素年际变化影响，植被峰度会产生一些年际波动(见图6)。在这两种情况下，其地表变化过程的Logistic模型拟合度均较低，甚至Logistic模型参数超出正常范围，如模型参数c超出研究时段(2001-2017)，即模型拟合失败。
因此，步骤S4具体采用以下方法：
当变化速率满足b＜0.9或者b＞1.1，则揭示其拟合的地表变化过程呈现出突变特征，进一步判断Logistic模型的拟合度R1是否大于预设的第一阈值θ1，若大于，则将当前地表的变化过程设置为突变型；
当变化速率满足0.9≤b≤1.1，则揭示其拟合的地表变化过程呈现出线性变化特征，建立线性模型，其中，线性模型的公式为y＝e*t+f，e与f均为常数，e为线性模型的斜率。并进一步判断线性模型的拟合度R2是否大于预设的第二阈值θ2，若大于，则将当前地表的变化过程设置为渐变型；
除突变型、渐变型外，其余为稳定型。将不满足以上条件的，设置为稳定型。上述地表变化过程类型划分的技术流程见图7。
在本实施例中，设研究区域Logistic模型拟合度R1均符合平均值为μ1、标准差为σ1的正态分布，则所述第一阈值θ1满足：θ1＝μ1+1.96σ1；
设研究区域线性模型拟合度R2均符合平均值为μ2、标准差为σ2的正态分布，则所述第二阈值θ2满足：θ2＝μ2+1.96σ2。
在本实施例中，步骤S6具体为：
对于突变型地表变化过程，所述植被峰度变化量为Logistic模型的参数a；
对于渐变型地表变化过程，所述植被峰度变化量为线性模型的斜率与研究时间的乘积，即e*(2017-2001)。
在本实施例中，步骤S7具体为：若植被峰度变化量大于预设的第三阈值θ3，则当前像元为地表覆盖变化区域，否则当前像元不为地表覆盖变化区域。
在本实施例中，设研究区域植被峰度变化量符合平均值为μ3、标准差为σ3的正态分布，则所述第三阈值θ3满足：θ3＝μ3+1.96σ3。
在本实施例中，步骤S8具体为，基于上述所建立的考虑地表变化过程的地表覆盖连续变化的流程方法，逐像元检测地表覆盖变化区域，最终生成研究区地表覆盖变化区域分布图。依据上述流程，可实现地表覆盖变化区域的自动提取。以京津冀地区为例，获得研究区地表覆盖变化区域空间分布图见图8。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种考虑变化过程的地表覆盖连续变化检测方法，其特征在于：包括以下步骤：
步骤S1：建立一年以上连续年份的植被指数时序数据集；
步骤S2：对像元进行逐年的植被峰度计算；
步骤S3：生成表征地表覆盖变化过程的植被峰度时序曲线图；
步骤S4：利用Logistic模型对植被峰度时序曲线进行模型拟合；
步骤S5：将地表变化过程设置为突变型、渐变型和稳定型；
步骤S6：对于符合突变型与渐变型地表变化过程的像元，提取其突变型或渐变型地表变化过程的植被峰度变化量；
步骤S7：根据步骤S6得到的植被峰度变化量判断当前像元是否为地表覆盖变化区域；
步骤S8：重复步骤S1至S7进行研究区域逐像元的检测，实现研究区域地表覆盖连续变化检测，获得地表覆盖变化区域图；
步骤S2具体为：基于每年植被指数时序数据集的第二四分位数Q2，获得植被指数时序数据的中高值区域M，计算植被指数时序数据的中高值区域M的平均值，并将该平均值定义为植被峰度。
2.根据权利要求1所述的一种考虑变化过程的地表覆盖连续变化检测方法，其特征在于：步骤S4具体为：基于植被峰度时序曲线图，利用Logistic模型进行地表变化过程拟合；其中，Logistic模型的公式为：
Figure FDA0003514455740000011
式中，f(t)表示拟合后的植被峰度，t为时间，用年份表示，a为研究时段内的植被峰度变化量，b为变化速率，c为变化发生的时间，d为变化发生前的植被峰度；其中，Logistic模型的拟合度为R1。
3.根据权利要求2所述的一种考虑变化过程的地表覆盖连续变化检测方法，其特征在于：步骤S5具体为：根据步骤S4中Logistic模型的参数将地表变化过程设置为突变型、渐变型和稳定型：
当变化速率满足b＜0.9或者b＞1.1，则进一步判断Logistic模型的拟合度R1是否大于预设的第一阈值θ1，若大于，则将当前地表的变化过程设置为突变型；
当变化速率满足0.9≤b≤1.1，则建立线性模型，并进一步判断线性模型的拟合度R2是否大于预设的第二阈值θ2，若大于，则将当前地表的变化过程设置为渐变型；
将不为突变型并且也不为渐变型的变化过程设置为稳定型。
4.根据权利要求3所述的一种考虑变化过程的地表覆盖连续变化检测方法，其特征在于：
设研究区域Logistic模型拟合度R1均符合平均值为μ1、标准差为σ1的正态分布，则所述第一阈值θ1满足：θ1＝μ1+1.96σ1；
设研究区域线性模型拟合度R2均符合平均值为μ2、标准差为σ2的正态分布，则所述第二阈值θ2满足：θ2＝μ2+1.96σ2。
5.根据权利要求3所述的一种考虑变化过程的地表覆盖连续变化检测方法，其特征在于：步骤S6具体为：
对于突变型地表变化过程，所述植被峰度变化量为Logistic模型的参数a；
对于渐变型地表变化过程，所述植被峰度变化量为线性模型的斜率与研究时间的乘积。
6.根据权利要求1所述的一种考虑变化过程的地表覆盖连续变化检测方法，其特征在于：步骤S7具体为：若植被峰度变化量大于预设的第三阈值θ3，则当前像元为地表覆盖变化区域，否则当前像元不为地表覆盖变化区域。
7.根据权利要求6所述的一种考虑变化过程的地表覆盖连续变化检测方法，其特征在于：设研究区域植被峰度变化量符合平均值为μ3、标准差为σ3的正态分布，则所述第三阈值θ3满足：θ3＝μ3+1.96σ3。
CN201810519610.0A 2018-05-28 2018-05-28 一种考虑变化过程的地表覆盖连续变化检测方法 Active CN108875146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810519610.0A CN108875146B (zh) 2018-05-28 2018-05-28 一种考虑变化过程的地表覆盖连续变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810519610.0A CN108875146B (zh) 2018-05-28 2018-05-28 一种考虑变化过程的地表覆盖连续变化检测方法

Publications (2)

Publication Number Publication Date
CN108875146A CN108875146A (zh) 2018-11-23
CN108875146B true CN108875146B (zh) 2022-06-07

Family

ID=64335014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810519610.0A Active CN108875146B (zh) 2018-05-28 2018-05-28 一种考虑变化过程的地表覆盖连续变化检测方法

Country Status (1)

Country Link
CN (1) CN108875146B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784729B (zh) * 2019-01-17 2019-11-29 北京师范大学 一种水土环境评价指标的阈值确定方法
CN110991332A (zh) * 2019-11-30 2020-04-10 内蒙古蒙草生命共同体大数据有限公司 一种植被指数预警方法
CN110991333A (zh) * 2019-11-30 2020-04-10 内蒙古蒙草生命共同体大数据有限公司 一种地上生物量预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012203582A (ja) * 2011-03-24 2012-10-22 Akita Univ カラー画像に含まれる植生領域の判別方法、判別装置、判別システム、及び判別プログラム
CN106446555A (zh) * 2016-09-29 2017-02-22 福州大学 基于时序相似性的植被变化发生时间检测方法
CN106548146A (zh) * 2016-11-01 2017-03-29 北京航天泰坦科技股份有限公司 基于时空分析的地表覆盖变化算法和系统
CN106872665A (zh) * 2015-12-11 2017-06-20 张成才 基于遥感的土壤墒情监测方法
CN107463775A (zh) * 2017-07-24 2017-12-12 福州大学 基于多遥感指数变化趋势的植被流失去向识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012203582A (ja) * 2011-03-24 2012-10-22 Akita Univ カラー画像に含まれる植生領域の判別方法、判別装置、判別システム、及び判別プログラム
CN106872665A (zh) * 2015-12-11 2017-06-20 张成才 基于遥感的土壤墒情监测方法
CN106446555A (zh) * 2016-09-29 2017-02-22 福州大学 基于时序相似性的植被变化发生时间检测方法
CN106548146A (zh) * 2016-11-01 2017-03-29 北京航天泰坦科技股份有限公司 基于时空分析的地表覆盖变化算法和系统
CN107463775A (zh) * 2017-07-24 2017-12-12 福州大学 基于多遥感指数变化趋势的植被流失去向识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
1991—2006年桂林市植被覆盖度、地表温度时空变化及相关性研究;梁保平，翟禄新;《中国园林》;20140710;第30卷(第7期);全文 *

Also Published As

Publication number Publication date
CN108875146A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108875146B (zh) 一种考虑变化过程的地表覆盖连续变化检测方法
CN110852262A (zh) 基于时间序列高分一号遥感影像的农业用地提取方法
CN113850139B (zh) 一种基于多源遥感的森林年际物候监测方法
Tottrup et al. Mapping fractional forest cover across the highlands of mainland Southeast Asia using MODIS data and regression tree modelling
WO2007149250A2 (en) Remote sensing and probabilistic sampling based forest inventory method
CN110208193A (zh) 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法
Webb et al. Spatial analysis of frost risk to determine viticulture suitability in Tasmania, Australia
Shahrin et al. Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning
CN116227758B (zh) 基于遥感技术和深度学习的农产品成熟度预测方法及系统
Smyth et al. Extent, accuracy and repeatability of bare sand and vegetation cover in dunes mapped from aerial imagery is highly variable
Lu et al. Integration of Landsat TM and SPOT HRG images for vegetation change detection in the Brazilian Amazon
CN116824384A (zh) 一种基于标准曲线的大豆识别方法
CN110929222A (zh) 基于遥感植被冠层水分指数的灌溉农田识别方法
Kasimati et al. Investigation of the similarities between NDVI maps from different proximal and remote sensing platforms in explaining vineyard variability
Kashtan et al. Information Technology Analysis of Satellite Data for Land Irrigation Monitoring
Rouze et al. Evaluating unoccupied aerial systems (UAS) imagery as an alternative tool towards cotton-based management zones
CN116843217A (zh) 一种基于欧式空间距离法的农业干旱监测方法
CN108629818B (zh) 一种大范围不透水面百分比变化量快速制图技术
Raheem et al. Calculation of Salinity and Soil Moisture indices in south of Iraq-Using Satellite Image Data
Melendez-Pastor et al. Mapping soil salinization of agricultural coastal areas in Southeast Spain
Rees et al. Mapping of the Eurasian Circumboreal Forest–Tundra Transition Zone by Remote Sensing
Dubois et al. Copernicus sentinel-2 data for the determination of groundwater withdrawal in the maghreb region
Keshtkar et al. Land cover classification using IRS-1D data and a decision tree classifier
Verhegghen et al. Mapping Congo Basin forest types from 300m and 1km multi-sensor time series for carbon stocks and forest areas estimation.
Bouhennache et al. Using landsat images for urban change detection, a case study in Algiers town

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