CN108986040B - 一种基于遥感多光谱影像的ndvi阴影影响去除方法 - Google Patents
一种基于遥感多光谱影像的ndvi阴影影响去除方法 Download PDFInfo
- Publication number
- CN108986040B CN108986040B CN201810600462.5A CN201810600462A CN108986040B CN 108986040 B CN108986040 B CN 108986040B CN 201810600462 A CN201810600462 A CN 201810600462A CN 108986040 B CN108986040 B CN 108986040B
- Authority
- CN
- China
- Prior art keywords
- ndvi
- shadow
- value
- ndsi
- image
- 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 39
- 230000005855 radiation Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于遥感多光谱影像的NDVI阴影影响去除方法，是利用多光谱遥感影像中明亮区域的植被NDVI来修正阴影区域植被NDVI，达到去除影像中阴影对NDVI的影响。该方法与传统方法相比，无需多源的数据和复杂的处理过程，仅依赖于遥感影像自身信息，即可快速有效地去除阴影对NDVI指数产生的影响，提高其精度和准确度。本发明所涉及的方法计算高效且有效，能快速修正遥感影像普遍存在的阴影对NDVI的影响，为后续遥感反演与遥感监测等应用提供可靠的数据源，有效提高NDVI在环境监测、植被长势监测及农作物估产等一系列应用中的可靠性。
Description
技术领域
本发明涉及遥感植被指数NDVI反演技术领域，特别是涉及一种基于遥感多光谱影像的NDVI阴影影响去除方法。
背景技术
归一化植被指数(NDVI)是遥感领域目前应用最为广泛的植被指数，它利用植物光谱的典型特征(即植被在可见光波段的反射率远小于在近红外波段的反射率)，能够有效地反映植被信息与植被活力,成为多光谱遥感反演植被叶绿素含量、植被覆盖度、叶面积指数、生物量、净初级生产力(NPP)和光合有效辐射吸收等生物物理与生物化学参数的重要技术手段。NDVI在植被指数中占据着非常重要的位置，因其在一定程度上能消除地形和群落结构的阴影和辐射干扰，以及削弱太阳高度角和大气所带来的部分噪音。但是这些影响的消除是不完全的，无法消除的部分会导致NDVI在环境监测、植被长势监测及农作物估产等一系列定量遥感反演中引起很大的误差，在实际应用中出现很大困难。
受太阳入射角、卫星侧摆、地物自身高度及地形地伏等综合影响，遥感影像普遍存在相当比例的阴影：云阻挡太阳辐射会导致遥感影像中出现大面积连续阴影；地形对太阳辐射能量的影响，通常会导致阳坡与阴坡的植被光谱信息存在很大差异；树木因自身高度的遮挡，在森林中存在很大比例的阴影；即使是农田或草地，稀疏情况下，也有一定的可能性出现阴影。学者Alfredo提出由于暗土壤背景和阴影的存在，NDVI明显呈非线性特征，这使得应用NDVI估测植被覆盖度精度大大降低。因此去除阴影对植被指数NDVI的影响，对于定量化研究具有重要意义。
国内外学者针对阴影对植被的影响的研究已经取得一定的成果。现有的阴影影响NDVI的研究中，主要有以下几种方案：(1)将阴影区的植被NDVI进行剔除以获得整体上信息的准确性，但该方法往往舍弃了阴影像元下的信息，在某些情况下(如山区)会损失大部分的植被信息；(2)结合多源卫星数据、DEM专题数据等，融合其他途径的信息来补偿多光谱影像中阴影下的信息，该方法受异源数据复杂的同化过程和多种数据获得的难度等问题牵制，应用起来面临很大困难；(3)利用NDVI影像的空间自相关性，利用空间插值的方式来模拟阴影区域的NDVI，该方法仅考虑空间关系，而脱离了真实地物情况，在真实性与准确性方面存在问题。
因此，针对现有方法的不足之处，构建快速、高效的NDVI阴影影响去除方法，对植被NDVI定量遥感反演具有很大的应用价值和意义。
发明内容
本发明要解决的技术问题是：针对现有方法存在植被信息牺牲严重、多源数据获取难度大、异源数据同化过程复杂、忽略真实地物情况等问题，本发明提出一种基于遥感多光谱影像的NDVI阴影影响去除方法，即基于影像中阴影区域植被获得的能量大部分来自于太阳散射(天空光散射)辐射的真实物理过程，仅依赖于影像自身信息，以明亮区NDVI为基准，对阴影区NDVI进行修正，实现去除阴影影响。
为了解决以上技术问题，本发明提供的
基于遥感多光谱影像的NDVI阴影影响去除方法，包括以下步骤：
步骤1、多光谱遥感影像预处理，获得反射率影像；
步骤2、NDVI值与NDSI值计算
根据反射率影像计算各像元的NDVI值与NDSI值，获得NDVI影像和NDSI影像，所述NDSI值通过下述公式NDSI＝(R1-R2)/(R1+R2)计算获得，其中R1为400-500nm波段范围的反射率值，R2为2000nm-2400nm波段范围的反射率值；
步骤3、NDVI-NDSI散点图构建
选出影像中部分的植被区作为感兴趣区域，该感兴趣区域包含植被明亮区和植被阴影区，基于感兴趣区域内像元的NDVI值与NDSI值生成NDVI-NDSI的二维散点图，对二维散点图进行线性拟合，获得线性模型斜率k，从而获得NDVI的修正公式：
NDVIcorrect＝NDVIoriginal+k·(NDSIoriginal-NDSI(min,NDVImax))
其中，NDVIcorrect为阴影影响去除后NDVI值，NDVIoriginal为原始NDVI值，k为上述拟合出的线性模型斜率，NDSI(min,NDVImax)是NDVI最大且NDSI最小值的像元的NDSI值；
步骤4、NDVI阴影影响去除
将步骤3构建的修正公式对整景NDVI影像的NDVI值进行修正，实现整景NDVI影像的阴影影响去除。
本发明是基于以下理论研究：植被反射率曲线是植被固有的属性，不会受辐射能量、地形等变化而变化；影像中存在的阴影与非阴影区域的差异在于接收的太阳辐射能量的差异：非阴影区域直接被太阳辐射，地面接收太阳总辐射(包含太阳直射辐射和太阳散射(天空光)辐射)，而阴影区域因太阳直射被阻挡，接收的能量大部分来自于太阳散射(天空光)辐射；本发明以反射率不变为前提，构建植被在阴影与非阴影下的NDVI关系，利用与植被NDVI相关性小的NDSI指数，依靠NDSI对阴影有效的指示性，对阴影下NDVI进行补偿修正。
本发明具有如下有益效果：
本发明提供的基于遥感多光谱影像的NDVI阴影影响去除方法，考虑真实地物情况与物理过程，无需异源数据，仅依靠多光谱遥感影像自身信息，通过影像自身明亮区域的NDVI对阴影下的NDVI进行修正，计算快速且高效，NDVI阴影影响去除效果明显；为后续遥感反演与遥感监测等应用提供可靠的数据源，有效提高NDVI在环境监测、植被长势监测及农作物估产等一系列应用中的可靠性。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明流程示意图。
图2为多光谱影像及其阴影-非阴影植被光谱曲线。
图3为研究区NDVI影像。
图4为研究区NDSI影像。
图5为NDVI-NDSI散点图构建阴影影响去除公式过程图。
图6为本发明提供的NDVI阴影影响去除方法原理示意图。
图7为NDVI阴影影响去除结果与验证示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本实施例应用于Landsat8 OLI多光谱影像，进行NDVI阴影影响去除实验。Landsat8 OLI多光谱数据空间分辨率为30m，所包含波段如下表所示:
表1 Landsat8 OLI常用波段
在该多光谱影像中，本发明实施例中NDVI所使用波段为波段4和波段5，NDSI所使用波段为波段1和波段7。在本实施例中，选用同一地区两景Landsat8 OLI多光谱影像，一景(存在明显阴影区域)用于阴影影响去除实验，一景(几乎为明亮区域)用于验证阴影去除效果。结果表明，本发明提供的一种基于遥感多光谱影像的NDVI阴影影响去除方法，能快速有效的去除阴影对NDVI的影响。
如图1所示，为本发明实施例基于遥感多光谱影像的NDVI阴影影响去除方法流程示意图，具体包括以下步骤：
步骤1、多光谱遥感影像预处理。
该步骤包括：几何校正、辐射定标、大气校正等，最终生成反射率影像。
如图2所示，经步骤1处理的研究区Landsat8 OLI反射率影像图2中的(a)中，存在明显阴影区域；阴影区域的植被光谱如图2中的(b)所示，相对于正常的植被反射率曲线，阴影影响会导致其光谱信息损失，导致NDVI偏小。
步骤2、NDVI值与NDSI值计算。
NDVI值为现有研究应用最广泛的植被指数。在本实施例中，计算NDVI值所使用波段为红波段(波段4)和近红外波段(波段5)，计算NDSI值所使用波段为深蓝波段(波段1)和短波红外2(波段7)。
其中，NDVI值通过下述公式计算获得
NDVI＝(R3-R4)/(R3+R4)
其中，R3为近红外反射率值，R4为红波段反射率值。
如图3所述，对实验区计算NDVI值可见，图像中阴影区域的NDVI明显偏低，低于明亮区NDVI，因此可知，阴影对NDVI的影响会导致NDVI产生很大的误差，这种误差会在后续反演过程中传递，影响反演结果的真实性和有效性。
NDSI值为本发明提出的归一化阴影指数(Normalized Difference ShadowIndex)，用于指示出多光谱影像中的阴影区域。NDSI值通过下述公式计算获得：
NDSI＝(R1-R2)/(R1+R2)
其中，R1为400-500nm波段范围的反射率值，本例中选用深蓝波段(波段1)的反射率值，R2为2000nm-2400nm波段范围的反射率值，本例中选用短波红外2(波段7)的反射率值。
如图4所示，本发明构建NDSI值来指示出图像中的阴影区域，并借助阴影-非阴影区NDSI值与NDVI值的关系来对NDVI值进行修正。图4中的(a)为NDSI三维图、图4中的(b)为NDSI统计直方图，如图4中的(a)和(b)所示，阴影区和明亮区的NDSI差异明显，阴影区NDSI值为正值且聚集，明亮区NDSI值为负值且聚集；在NDSI统计直方图中的两个聚类之间的差异明显且稳定，在一定程度上能够量化表达，因此NDSI值可以有效地应用于阴影的指示过程中，并且结合NDVI值能有效实现NDVI值的修正。利用阈值分割将影像的阴影-非阴影区进行分类，图4中的(c)为研究区基于NDSI对阴影区和非阴影区分类结果，结果表明分类效果较好，这在另一方面说明NDSI的有效性。
步骤3、NDVI-NDSI散点图构建，拟合NDVI阴影影响去除公式。
如图5所示，NDVI阴影影响去除方法构建原理图。图5中的(a)为研究区NDVI图，图5中的(b)为阴影区ROI与明亮区ROI图，图5中的(c)为NDVI-NDSI散点图，图5中的(d)为研究区NDSI图，图5中的(e)为NDVI统计直方图，图5中的(f)为NDSI统计直方图。首先，在原始影像选择阴影区ROI和明亮区ROI，并结合NDVI-NDSI散点图(如图5中的(c)所示)，构建NDVI阴影影响去除线性公式，构建方法示意图如图6所示。在线性公式中，待修正的NDVI所在的拟合曲线上(斜率为k的直线)，以位于该线上影像中NDVI最大且NDSI最小的点作为修正基点，将这条线的NDVI修正到正常值。
具体实现过程如下：选出影像中部分的植被区作为感兴趣区域，该感兴趣区域包含植被明亮区和植被阴影区。植被明亮区是指直接接受太阳辐射的植被像元，植被阴影区是指未直接接受太阳辐射的植被像元，所述植被明亮区和植被阴影区通过目视判断来选取。基于感兴趣区域内像元的NDVI值与NDSI值生成NDVI-NDSI的二维散点图，以此构建明亮下NDVI与阴影下NDVI之间的关系，对二维散点图进行线性拟合，获得线性模型斜率k，从而获得NDVI的修正公式，通过该修正公式即可实现以明亮像元NDVI为基准对阴影像元NDVI的修正。修正公式如下：
NDVIcorrect＝NDVIoriginal+k·(NDSIoriginal-NDSI(min,NDVImax))
其中，NDVIcorrect为阴影影响去除后NDVI值，NDVIoriginal为原始NDVI值，k为上述拟合出的线性模型斜率，NDSI(min,NDVImax)是NDVI最大且NDSI最小值的像元的NDSI值。
步骤4、NDVI阴影影响去除。
将步骤3构建的修正公式对整景NDVI影像的NDVI值进行修正，实现整景NDVI影像的阴影影响去除。
如图7所示，为NDVI阴影影响去除结果与验证示意图。图7中的(a)、(b)、(c)分别为原始NDVI图，阴影影响去除后的NDVI图，以及验证影像计算所得NDVI图。剖面线验证结果如图7中的(d)所示，逐像元分析修正结果可以看出，在本实施例中，阴影区域的NDVI值接近正常值，阴影影响基本去除；图7中的(e)所示，NDVI统计直方图中，因阴影影响导致的NDVI值统计偏态问题得到解决，NDVI值接近正态分布。上述结果表明，本发明在此实施例中去除了阴影对NDVI值的影响，效果明显。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于遥感多光谱影像的NDVI阴影影响去除方法，包括以下步骤：
步骤1、多光谱遥感影像预处理，获得反射率影像；
步骤2、NDVI值与NDSI值计算
根据反射率影像计算各像元的NDVI值与NDSI值，获得NDVI影像和NDSI影像，NDVI值为归一化植被指数，NDSI值为归一化阴影指数，所述NDSI值通过下述公式NDSI＝(R1-R2)/(R1+R2)计算获得，其中R1为400-500nm波段范围的反射率值，R2为2000nm-2400nm波段范围的反射率值；
步骤3、NDVI-NDSI散点图构建
选出影像中部分的植被区作为感兴趣区域，该感兴趣区域包含植被明亮区和植被阴影区，基于感兴趣区域内像元的NDVI值与NDSI值生成NDVI-NDSI的二维散点图，对二维散点图进行线性拟合，获得线性模型斜率k，从而获得NDVI的修正公式：
NDVIcorrect＝NDVIoriginal+k·(NDSIoriginal-NDSI(min，NDVImax))
其中，NDVIcorrect为阴影影响去除后NDVI值，NDVIoriginal为原始NDVI值，k为上述拟合出的线性模型斜率，NDSI(min，NDVImax)是NDVI最大且NDSI最小值的像元的NDSI值；
步骤4、NDVI阴影影响去除
将步骤3构建的修正公式对整景NDVI影像的NDVI值进行修正，实现整景NDVI影像的阴影影响去除。
2.根据权利要求1所述的基于遥感多光谱影像的NDVI阴影影响去除方法，其特征在于：所述多光谱遥感影像预处理包括：几何校正、辐射定标和大气校正。
3.根据权利要求1所述的基于遥感多光谱影像的NDVI阴影影响去除方法，其特征在于：所述NDVI值通过下述公式计算获得
NDVI＝(R3-R4)/(R3+R4)
其中，R3为近红外反射率值，R4为红波段反射率值。
4.根据权利要求2所述的基于遥感多光谱影像的NDVI阴影影响去除方法，其特征在于：所述植被明亮区是指直接接受太阳辐射的植被像元，所述植被阴影区是指未直接接受太阳辐射的植被像元，所述植被明亮区和植被阴影区通过目视判断来选取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810600462.5A CN108986040B (zh) | 2018-06-12 | 2018-06-12 | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810600462.5A CN108986040B (zh) | 2018-06-12 | 2018-06-12 | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108986040A CN108986040A (zh) | 2018-12-11 |
| CN108986040B true CN108986040B (zh) | 2022-02-01 |
Family
ID=64541127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810600462.5A Active CN108986040B (zh) | 2018-06-12 | 2018-06-12 | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108986040B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815894A (zh) * | 2019-01-23 | 2019-05-28 | 中国石油大学(华东) | 一种针对哨兵2a影像的建筑物阴影提取处理方法 |
| CN110390267B (zh) * | 2019-06-25 | 2021-06-01 | 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 |
| CN111062265A (zh) * | 2019-11-28 | 2020-04-24 | 福州大学 | 一种适于高光谱遥感影像的阴影检测方法 |
| CN113284043B (zh) * | 2021-02-26 | 2022-11-11 | 天津绿茵景观生态建设股份有限公司 | 一种基于多源植被指数逐层逐像元npp修正方法 |
| CN113516362B (zh) * | 2021-05-17 | 2024-05-24 | 深圳大学 | 基于遥感与过程耦合模型的红树林净初级生产力估算方法 |
| CN114596234B (zh) * | 2022-03-21 | 2022-12-16 | 昆明理工大学 | 一种复杂山地的ndvi地形阴影效应校正方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
| CN105046242A (zh) * | 2015-08-24 | 2015-11-11 | 山东省农业可持续发展研究所 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
| CN107564016A (zh) * | 2017-08-28 | 2018-01-09 | 国家海洋局第二海洋研究所 | 一种集成地物光谱信息的多波段遥感图像分割及标记方法 |
| CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
-
2018
- 2018-06-12 CN CN201810600462.5A patent/CN108986040B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
| CN105046242A (zh) * | 2015-08-24 | 2015-11-11 | 山东省农业可持续发展研究所 | 一种基于Landsat 8影像二维特征空间的芦笋种植面积提取方法 |
| CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
| CN107564016A (zh) * | 2017-08-28 | 2018-01-09 | 国家海洋局第二海洋研究所 | 一种集成地物光谱信息的多波段遥感图像分割及标记方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction";Zhangyan Jiang等;《Remote Sensing of Environment》;20060430;第366-378页 * |
| "利用阴影指数和方位搜索法检测Landsat 8 OLI影像中云影";王凌等;《遥感学报》;20160602;第1461-1469页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108986040A (zh) | 2018-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108986040B (zh) | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 | |
| CN104915674B (zh) | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 | |
| Tokola et al. | Use of topographic correction in Landsat TM-based forest interpretation in Nepal | |
| CN106897707B (zh) | 基于多源中分的特征影像时间序列合成方法及装置 | |
| CN102565778B (zh) | 一种自动提取伪不变特征的遥感图像相对辐射校正方法 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN108256419A (zh) | 一种利用多光谱解译提取港口码头图像的方法 | |
| CN106780091A (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
| KR102018789B1 (ko) | 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 | |
| CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| CN110796001A (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| CN112711989B (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
| CN107145891B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
| Bruce et al. | Pre-processing methodology for application to Landsat TM/ETM+ imagery of the wet tropics | |
| CN112285710A (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
| CN111738916B (zh) | 一种基于统计学的遥感影像广义阴影光谱重建方法和系统 | |
| CN108961199A (zh) | 多源遥感数据时空融合方法及装置 | |
| CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
| Yang et al. | A correction method of NDVI topographic shadow effect for rugged terrain | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| Yang et al. | Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV | |
| CN113743303A (zh) | 一种林地遥感数据的林业碳汇算法 | |
| CN117274798A (zh) | 基于正则化的时序变分模型的遥感水稻识别方法 | |
| CN113534083A (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| CN111175231B (zh) | 冠层植被指数的反演方法、装置及服务器 |
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 |