CN109359631A - 一种基于卷积神经网络的海冰类型遥感分类方法 - Google Patents
一种基于卷积神经网络的海冰类型遥感分类方法 Download PDFInfo
- Publication number
- CN109359631A CN109359631A CN201811455975.8A CN201811455975A CN109359631A CN 109359631 A CN109359631 A CN 109359631A CN 201811455975 A CN201811455975 A CN 201811455975A CN 109359631 A CN109359631 A CN 109359631A
- Authority
- CN
- China
- Prior art keywords
- data
- sea ice
- types
- latitude
- radar return
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 10
- 239000003643 water by type Substances 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000012952 Resampling Methods 0.000 claims abstract description 3
- 238000013461 design Methods 0.000 claims abstract description 3
- 238000010586 diagram Methods 0.000 claims description 7
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的海冰类型遥感分类方法。属于遥感地学应用技术领域。本方法采用卫星雷达高度计数据对海冰进行分类(分为多年冰、一年冰和开阔水域三种类型),其步骤包括从高度计数据中获取测量点的经纬度坐标及其雷达回波波形。下载海冰类型数据,并提取相应测量点位处的海冰类型信息。将上述提取的数据信息进行空间位置匹配,通转换为带经纬度坐标的矢量点数据。所获取的雷达回波波形和对应的海冰类型作为训练数据,对卷积神经网络进行训练,对待分类的雷达回波波形进行海冰类型的识别。分类后将海冰类型标记到矢量数据上;标记后的矢量数据在通过投影变换、栅格转换和空间重采样等处理,获得整个研究区的海冰类型。
Description
技术领域
本发明涉及一种基于卷积神经网络的海冰类型遥感分类方法,属于遥感应用技术领域。
技术背景
海冰类型的变化是气候变化的重要指示器,其变化会影响海冰厚度的反演、船只航行路线的划定以及其他人类重要的极地活动。早期海冰类型数据只能通过人工实地调查得到,之后利用光学和SAR遥感影像可以实现海冰的分类,但是由于遥感影像空间覆盖范围小,光学影像受光线、云的影响较大,SAR影像获取成本比较高等困难的限制,难以实现大尺度的海冰分类。随着卫星雷达高度计的发展,可利用高度计数据对海冰进行分类。虽然高度计常常被用来反演海冰厚度,但自1990年以来,多位学者相继发现不同类型的海冰其雷达回波波形具有一定的差异性,并且这种差异可以用来对海冰进行分类。同时由于高度计的空间覆盖范围更大,时间分辨率也较高,因此可采用高度计数据实现的海冰分类。然而要实现更为准确的海冰分类,需要更加先进的雷达高度计。
2010年4月,欧空局发射的CryoSat-2卫星,是目前为止最为先进的卫星雷达高度计,观测数据范围可达南北纬88°N的区域,且拥有369天的全周期和30天的小周期,一个月即可实现对南极海冰的全部观测。卫星上携带的合成孔径干涉雷达高度计(SIRAL)的垂直测量精度达到1~3cm,并采用延迟多普勒雷达高度计(DDA)技术将卫星地面足迹减小到沿轨约为0.3km,跨轨约为1.5km,分辨率优于传统的高度计。此外,SIRAL对地表点进行多视处理以减少雷达斑点引起的噪声,其测量海平面高度数据精度约为传统雷达高度计的2倍。
美国国家海冰中心(NIC)每周提供一次南极海域的冰况图。该海冰类型产品是使用光学、近红外、SAR卫星数据和船舶走航数据得到的。采用其shapefile格式的数据产品,产品中主要包含三种海冰类型数据:一年冰、多年冰和开阔水域。因此,我们以美国国家海冰中心的冰况图作为参考对照数据,针对全南极进行一年冰、多年冰和开阔水域的分类。
发明内容
本发明要解决的技术问题是:提供一种基于CryoSat-2卫星测高数据的海冰分类方法。考虑到高度计数据较高的空间分辨率和时间分辨率,该数据大大提高了海冰分类的时效性,同时提出了一种快速、大尺度的海冰分类方法。
为了解决上述技术问题,本发明提出的技术方案是:一种基于卷积神经网络的海冰类型遥感分类方法,包括以下步骤:
第一步:准备训练数据和待分类数据,具体包括如下几个方面的内容:
a.下载某一时期内和待分类的CryoSat-2卫星SAR模式L1b级数据,将所述某一时期内的数据作为训练数据;读取L1b级数据DBL格式的原始文件,从中提取各测量点的经纬度和雷达回波波形;
b.下载与训练数据相同时期内的美国国家海冰中心的冰况图数据使用多年冰、一年冰和开阔水域数据,获得相应的海冰类型信息;
第二步、获取雷达回波波形图像和提取波形特征:根据训练数据和待分类数据中所有测量点的雷达回波波形生成雷达回波波形图像像,并提取波形特征值用于后续的海冰分类;所述波形特征值包含脉冲宽度、前缘宽度和栈标准差;
第三步、分别将训练数据和待分类数据中提取的波形特征值与对应的经纬度坐标进行空间匹配;将匹配好的数据转换成带经纬度坐标的矢量点数据,同时记录每个雷达回波波形图像所代表的测量点处的经纬度;
第四步、分类前处理:对于训练数据和待分类数据,剔除前缘宽度大于14的雷达回波波形图像,再剔除脉冲宽度小于0.3且栈标准差大于4的雷达回波波形图像;
第五步、生成训练样本:将训练数据中带有经纬度坐标和波形特征值的矢量点与同时期内的冰况图数据进行空间匹配,进而得到各矢量点的海冰类型信息,并根据矢量点的经纬度信息得到各自雷达回波波形图像所代表的海冰类型,将该雷达回波波形图像集作为训练样本。
第六步、训练分类器并利用分类器进行分类:并利用训练样本对卷积神经网络进行训练,使用训练完毕后的卷积神经网络对待分类的雷达回波波形图像进行分类,分类完成后根据经纬度信息对相应的矢量点数据进行类型标记;
第七步、生成海冰类型图:将矢量点数据投影至栅格图内,每个栅格内所有矢量点的海冰类型的众数作为该栅格的海冰类型,并根据栅格的海冰类型对栅格赋值。
本发明利用了CryoSat-2数据和NIC海冰类型数据,数据获取相对简单,操作便捷。CryoSat-2可以提供精确的波形信息,NIC海冰类型数据可以提供时空分辨率极高的海冰类型数据。利用卷积神经网络将两者有效地结合,从而可以用于大尺度的海冰分类,为后续海冰厚度的估算和气候变化的研究提供了较好的理论基础。
本发明相关数据提取和矢量转换过程均通过MATLAB编程和ArcGIS平台实现,减少了人工参与,提高了分类效率。
综上,本发明方法的执行步骤简单易行,分类效果较好。目前大尺度海冰类型资料很少,基于传统的实地调查和光学、SAR影像的分类方法获取的海冰类型范围十分有限。本发明使用高精度、大空间覆盖范围的卫星雷达高度计CryoSat-2数据,利用一种经典的深度学习方法-卷积神经网络探究雷达回波波形与海冰类型之间的关系,实现大空间尺度上的海冰分类。对精确量化南极海冰物质平衡变化、研究南极海冰类型对全球气候的影响有深远的科学意义。
附图说明
下面结合附图对本发明作进一步的说明。
图1是基于卷积神经网络的海冰分类方法流程图。
图2为2017年9月NIC冰况图。
图3为提取的矢量点的经纬度坐标和3种波形特征数据。
图4与NIC冰况图匹配后包含海冰类型的矢量点的有关信息。
图5根据经纬度信息得到雷达回波波形图像的海冰类型。
图6为2017年9月海冰的分类结果。
具体实施方式
下面根据附图详细阐述本发明,使本发明的技术路线和操作步骤更加清晰。本发明实例采用的数据是CryoSat-2卫星L1b级SAR模式基线C数据和NIC shapfile格式数据。示例数据获取时间为2017年9月1日——2017年9月30日,NIC海冰类型数据获取时间为2017年9月14日。
图1为基于卷积神经网络的海冰遥感分类方法流程图,具体步骤如下:
第一步:准备训练数据和待分类数据,并对数据进行信息读取。具体包括如下几个方面的内容:
a.下载某一时期内的CryoSat-2卫星SAR模式L1b级数据,获得示例数据(2017年9月1日——2017年9月30日),按照训练样本和测试样本3∶1的比例随机生成训练数据和待分类数据,从两个数据中提取每个测量点的经纬度信息和雷达回波波形。
b.读取同时期NIC冰况图(海冰类型)shapefile格式文件(2017年9月),获得研究区海冰类型分布图。2017年9月NIC冰况图如图2所示。
第二步、获取雷达回波波形图像和提取波形特征值。根据训练数据和待分类数据中所有测量点的雷达回波波形生成雷达回波波形图像,并提取波形特征值用于后续的海冰分类。波形特征值主要包含脉冲宽度、前缘宽度、栈标准差,其中栈标准差可以直接从Cryosat-2L1b数据中获取,其他特征计算式如下:
脉冲宽度PP是最大能量与累计能量和的比值:
式中,Pi是在第i个距离门处的回波能量值,Pmax是回波波形中最大回波能量值;
前缘宽度是能量值等于第一个1%Pmax的至能量值等于第一个最大能量值99%Pmax之间的距离门数量。
第三步、分别将训练数据和待分类数据中提取的波形特征值与对应的经纬度坐标进行空间匹配。使用MATLAB软件中shapewrite函数将匹配好的数据(包含波形特征)转换成带经纬度坐标的矢量点数据,同时记录每个雷达回波波形图像所代表的测量点处的经纬度。生成的矢量文件包含了经纬度信息和3个波形特征值(脉冲宽度、前缘宽度和栈标准差),矢量数据的属性值如图3所示。
第四步、分类前处理。仅使用前缘宽度小于或等于14的波形图像,因为大于14的波形受噪声影响较为严重。同时,为了去除冰间水道可能带来的影响,脉冲宽度小于0.3且栈标准差大于4的波形需要被剔除。
第五步、生成训练样本。将训练数据中带有经纬度坐标和波形特征的矢量点与同时期内的NIC进行空间匹配,进而得到各矢量点的海冰类型信息,并根据经纬度信息得到每幅雷达回波波形图像所代表的海冰类型,将该波形图像集作为训练样本。矢量数据的属性值如图4所示,0代表多年冰,1代表一年冰。雷达回波波形图像所代表得测量点处的海冰类型信息如图5所示。
第六步、采用一种经典且高效的深度学习方法—卷积神经网络进行分类,并利用训练样本对卷积神经网络进行训练,训练完毕后对待分类的雷达回波波形图像进行分类,分类完成后根据经纬度信息对相应的矢量点数据进行类型标记。卷积神经网络相关参数设置为:设置3个卷积层,大小为3×3,每层依次64、128和256个滤波器;设置3个池化层,大小为3×3;设置一个全连接层,大小为1×1×3,采用Softmax函数进行分类;学习率设置为0.01;采用SGD函数进行参数更新以较少损失函数的值,在SFG优化算法中,批量值设置为64,权重衰减因子设置为0.0001,迭代值设置为22500。
第七步、使用ArcGIS软件获取同一坐标系下相同空间分辨率的分类后海冰类型栅格数据。具体包括如下几个方面的内容。
定义投影。将矢量文件加载到ArcGIS中,定义WGS_1984地理坐标系,极地立体方位投影。
获得栅格数据集。Conversion Tools->To Raster->Point to Raster,计算方式选择frequency,栅格内所有矢量点的海冰类型的众数作为该栅格的海冰类型,栅格大小为默认值。获得海冰类型栅格数据。
通过空间重采样将上述栅格数据的空间分辨率统一为25km×25km。DataManagement Tools->Raster->Raster Processing->Resample,选取最邻近分配法,将上述栅格数据统一为25km×25km空间分辨率。分类结果如图6所示。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (5)
1.一种基于卷积神经网络的海冰类型遥感分类方法,包括以下步骤:
第一步:准备训练数据和待分类数据,具体包括如下几个方面的内容:
a.下载某一时期内和待分类的CryoSat-2卫星SAR模式L1b级数据,将所述某一时期内的数据作为训练数据;读取L1b级数据DBL格式的原始文件,从中提取各测量点的经纬度和雷达回波波形;
b.下载与训练数据相同时期内的美国国家海冰中心的冰况图数据使用多年冰、一年冰和开阔水域数据,获得相应的海冰类型信息;
第二步、获取雷达回波波形图像和提取波形特征值:根据训练数据和待分类数据中所有测量点的雷达回波波形生成雷达回波波形图像,并提取波形特征值用于后续的海冰分类;所述波形特征值包含脉冲宽度、前缘宽度和栈标准差;
第三步、分别将训练数据和待分类数据中提取的波形特征值与对应的经纬度坐标进行空间匹配;将匹配好的数据转换成带经纬度坐标的矢量点数据,同时记录每个雷达回波波形图像所代表的测量点处的经纬度;
第四步、分类前处理:对于训练数据和待分类数据,剔除前缘宽度大于14的雷达回波波形图像,再剔除脉冲宽度小于0.3且栈标准差大于4的雷达回波波形图像;
第五步、生成训练样本:将训练数据中带有经纬度坐标和波形特征值的矢量点与同时期内的冰况图数据进行空间匹配,进而得到各矢量点的海冰类型信息,并根据矢量点的经纬度信息得到各自雷达回波波形图像所代表的海冰类型,将该雷达回波波形图像集作为训练样本。
第六步、训练分类器并利用分类器进行分类:并利用训练样本对卷积神经网络进行训练,使用训练完毕后的卷积神经网络对待分类的雷达回波波形图像进行分类,分类完成后根据经纬度信息对相应的矢量点数据进行类型标记;
第七步、生成海冰类型图:将矢量点数据投影至栅格图内,每个栅格内所有矢量点的海冰类型的众数作为该栅格的海冰类型,并根据栅格的海冰类型对栅格赋值。
2.根据权利要求1所述基于卷积神经网络的海冰类型遥感分类方法,其特征在于:第一步中利用MATLAB软件编写程序从DBL格式的训练数据和待分类数据的原始文件中读取经纬度和波形信息。
3.根据权利要求1所述基于卷积神经网络的海冰类型遥感分类方法,其特征在于:第二步中,栈标准差直接从Cryosat-2L1b数据中获取,脉冲宽度和前缘宽度计算式如下:
脉冲宽度PP是最大能量与累计能量和的比值:
式中,Pi是在第i个距离门处的回波能量值,Pmax是回波波形中最大回波能量值;
前缘宽度是能量值等于第一个1%Pmax的至能量值等于第一个最大能量值99%Pmax之间的距离门数量。
4.根据权利要求1所述基于卷积神经网络的海冰类型遥感分类方法,其特征在于:第三步中,使用MATLAB软件中shapewrite函数将匹配好的数据换成带经纬度坐标的矢量点数据。
5.根据权利要求1所述,其特征在于:第七步中,使用ArcGIS软件获取同一坐标系下相同空间分辨率的分类后海冰类型栅格数据,具体包括如下几个方面的内容:
定义投影,将矢量文件加载到ArcGIS中,定义WGS_1984地理坐标系,极地立体方位投影;
获得栅格数据集,栅格内所有矢量点的海冰类型的众数作为该栅格的海冰类型,栅格大小为默认值;获得海冰类型栅格数据;
通过空间重采样将上述栅格数据的空间分辨率统一为25km×25km,选取最邻近分配法,将上述栅格数据统一为25km×25km空间分辨率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811455975.8A CN109359631A (zh) | 2018-11-30 | 2018-11-30 | 一种基于卷积神经网络的海冰类型遥感分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811455975.8A CN109359631A (zh) | 2018-11-30 | 2018-11-30 | 一种基于卷积神经网络的海冰类型遥感分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359631A true CN109359631A (zh) | 2019-02-19 |
Family
ID=65330492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811455975.8A Pending CN109359631A (zh) | 2018-11-30 | 2018-11-30 | 一种基于卷积神经网络的海冰类型遥感分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359631A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163802A (zh) * | 2019-05-20 | 2019-08-23 | 电子科技大学 | 一种基于神经网络的sar图像超分辨方法 |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140313072A1 (en) * | 2013-04-23 | 2014-10-23 | Conocophillips Company | Ice keel prediction from sar, optical imagery and upward looking sonars |
CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
CN107679476A (zh) * | 2017-09-26 | 2018-02-09 | 南京大学 | 一种海冰类型遥感分类方法 |
CN107909109A (zh) * | 2017-11-17 | 2018-04-13 | 西安电子科技大学 | 基于显著性和多尺度深度网络模型的sar图像分类方法 |
-
2018
- 2018-11-30 CN CN201811455975.8A patent/CN109359631A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140313072A1 (en) * | 2013-04-23 | 2014-10-23 | Conocophillips Company | Ice keel prediction from sar, optical imagery and upward looking sonars |
CN107516317A (zh) * | 2017-08-18 | 2017-12-26 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
CN107679476A (zh) * | 2017-09-26 | 2018-02-09 | 南京大学 | 一种海冰类型遥感分类方法 |
CN107909109A (zh) * | 2017-11-17 | 2018-04-13 | 西安电子科技大学 | 基于显著性和多尺度深度网络模型的sar图像分类方法 |
Non-Patent Citations (1)
Title |
---|
沈校熠: "基于CrvoSat-2的海冰厚度反演方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163802A (zh) * | 2019-05-20 | 2019-08-23 | 电子科技大学 | 一种基于神经网络的sar图像超分辨方法 |
CN110163802B (zh) * | 2019-05-20 | 2020-09-01 | 电子科技大学 | 一种基于神经网络的sar图像超分辨方法 |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
CN112102324B (zh) * | 2020-09-17 | 2021-06-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Razak et al. | Airborne laser scanning of forested landslides characterization: Terrain model quality and visualization | |
Phinn et al. | Monitoring the composition of urban environments based on the vegetation-impervious surface-soil (VIS) model by subpixel analysis techniques | |
CN104867180B (zh) | 一种集成uav与lidar的森林林分特征反演方法 | |
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
Gong et al. | ICEsat GLAS data for urban environment monitoring | |
CN107679476B (zh) | 一种海冰类型遥感分类方法 | |
CN106443830A (zh) | 一种基于多源卫星数据的台风监测及评价监测精度的方法 | |
CN109359631A (zh) | 一种基于卷积神经网络的海冰类型遥感分类方法 | |
CN104899562A (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
CN109299673A (zh) | 城市群绿度空间提取方法及介质 | |
CN103197305A (zh) | 基于支持向量机识别的沙尘型气溶胶反演方法 | |
Huang et al. | High-efficiency determination of coastline by combination of tidal level and coastal zone DEM from UAV tilt photogrammetry | |
Selim et al. | Semi-automatic tree detection from images of unmanned aerial vehicle using object-based image analysis method | |
Ren et al. | Mapping high-resolution global impervious surface area: status and trends | |
Haines-Young | The use of remotely-sensed satellite imagery for landscape classification in Wales (UK) | |
Oșlobanu et al. | Built-up area analysis using Sentinel data in metropolitan areas of Transylvania, Romania | |
Xiao et al. | Re-delineating mountainous areas with three topographic parameters in Mainland Southeast Asia using ASTER global digital elevation model data | |
Büyüksalih et al. | Design for 3D city model management using remote sensing and GIS: A case study for the Golden Horn in Istanbul, Turkey | |
Li et al. | Using UAV imagery to generate DEMs of the intertidal zone | |
Wang et al. | Review of land cover classification based on remote sensing data | |
Zhang et al. | Drone-Based Remote Sensing for Research onWind Erosion in Drylands: Possible Applications. Remote Sens. 2021, 13, 283 | |
CN102495405B (zh) | 一种tm/etm+影像大气校正产品质量评价方法 | |
Miles | Global digital elevation model accuracy assessment in the Himalaya, Nepal | |
Suwanlee et al. | Population Estimation Using Land-Use Change Data from Multi-Sensor Images in Maha Sarakham Province, Thailand | |
Xu et al. | Application of airborne laser radar technology of UAV based on river embankment survey |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |