CN109614513B - 一种面向区域覆盖的遥感影像数据选取方法和系统 - Google Patents
一种面向区域覆盖的遥感影像数据选取方法和系统 Download PDFInfo
- Publication number
- CN109614513B CN109614513B CN201811490795.3A CN201811490795A CN109614513B CN 109614513 B CN109614513 B CN 109614513B CN 201811490795 A CN201811490795 A CN 201811490795A CN 109614513 B CN109614513 B CN 109614513B
- Authority
- CN
- China
- Prior art keywords
- image data
- remote sensing
- image
- data set
- effective range
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种面向区域覆盖的遥感影像数据选取方法和系统。包括以下步骤：首先对遥感影像数据预筛选并获取筛选后各影像的有效范围；其次根据选定区域范围创建格网并根据是否在选定区域对各格网值进行标记；用候选影像数据集子集中的各影像对格网值进行覆盖标记。通过以上步骤就可以快速、准确地筛选出选定区域的全覆盖遥感影像数据集，本发明可通过设定传感器类型、成像时间段、云量等预筛选条件，获得多种不同的遥感影像区域覆盖数据集，满足用户多种需求，可有效剔除遥感影像数据中成像时间跨度大、重复覆盖和云量较多的数据，缩减影像数据筛选时间，为获取选定区域无云或少云覆盖镶嵌图奠定基础，提高遥感影像数据的利用率。
Description
技术领域
本发明属于摄影测量与遥感图像处理领域，涉及为获取选定区域全覆盖合成影像进行数据集筛选时，一种面向区域覆盖的遥感影像数据选取方法和系统。
背景技术
遥感技术在我国农林业资源调查、环境监测、对抗自然灾害、地质矿产、水资源等方面已有广泛的应用，在这些应用中，通常需要获得选定区域的全覆盖合成影像，或者全覆盖镶嵌影像，即通过选取能够完全覆盖选定区域的影像，进而进行合成或者镶嵌生成选定区域的全覆盖影像。在这个过程中，影像数据的选取是一个关键步骤，需要考虑云覆盖、成像时间、影像间的重叠度等多种因素，从而选取最适合的影像数据，比如云覆盖尽可能少，全覆盖合成影像时间跨度尽可能短等。传统的方法是手动选择所需的遥感影像，不仅效率低下、数据利用率低，而且容易造成遗漏等问题。本发明提供了一种采用空间网格标记对遥感影像数据进行筛选的方法。该方法可以快速、准确地筛选出选定区域的全覆盖遥感影像数据集，并可通过设定传感器类型、成像时间段、云量等预筛选条件，获得多种不同的遥感影像区域覆盖数据集，满足用户多种需求，可有效剔除遥感影像数据中成像时间跨度大、重复覆盖和云量较多的数据，缩减影像数据筛选时间，为获取选定区域无云或少云覆盖镶嵌图奠定基础，提高遥感影像数据的利用率。
发明内容
本发明所要解决的问题是为获取选定区域全覆盖合成影像进行数据集筛选时，一种面向区域覆盖的遥感影像数据选取方法。
本发明提供的技术方案是一种面向区域覆盖的遥感影像数据选取方法，包括如下步骤：
步骤1，遥感影像数据预筛选并获取筛选后各影像的有效范围，包含以下子步骤：
步骤1.1，对选定区域的遥感影像数据进行预筛选，将满足一定条件的遥感影像作为候选影像数据集；
步骤1.2，对步骤1.1得到的候选影像数据集，进一步获取各影像的有效范围；
步骤1.3，利用各影像有效范围的多边形计算任意两幅影像有效范围多边形之间的距离，从候选影像数据集中以任意两幅影像之间的距离超过一定阈值为条件，筛选得到候选影像数据集子集；
步骤2，计算选定区域的外接矩形，将矩形等间隔划分成格网，并记录每个格网四个角点坐标，判断格网四个角点坐标是否在选定区域内，将格网四个角点坐标都在选定区域内的格网值进行符号标记，不满足上述条件的格网值进行另外的区别标记；
步骤3，用步骤1.3中得到的候选影像数据集子集中的各影像对格网进行覆盖标记，按一定的顺序循环遍历候选影像数据集子集中的影像，判断每个格网的四个角点坐标是否在该影像有效范围的多边形内，将在该影像有效范围多边形内的符号标记的格网进行重新标记，同时保留此遥感影像，以选定区域范围所有符号标记的格网全部重新标记为循环结束条件，最终保留的遥感影像集即为最终选取的影像数据集。
进一步的，步骤1.1中满足一定条件的遥感影像包括：尽量同一传感器获取，云量小于设定阈值，成像时间段为一个季节或相近时间段的遥感影像。
进一步的，步骤1.2中采用边界跟踪算法获取影像的有效范围。
进一步的，步骤1.3中两幅影像有效范围多边形之间的距离采用欧式距离公式计算，
其中(X1,Y1)、(X2,Y2)分别为两幅影像的中心点坐标，将影像有效范围多边形的重心作为该影像的中心点。
进一步的，步骤3中采用云量依次增大的顺序遍历候选影像数据集子集中的各影像。
本发明还提供一种面向区域覆盖的遥感影像数据选取系统，包括如下模块：
遥感影像数据预筛选模块，用于遥感影像数据预筛选并获取筛选后各影像的有效范围，包含以下子模块：
候选影像数据集获取子模块，用于对选定区域的遥感影像数据进行预筛选，将满足一定条件的遥感影像作为候选影像数据集；
影像有效范围获取子模块，用于对候选影像数据集获取子模块得到的候选影像数据集，进一步获取各影像的有效范围；
候选影像数据集子集获取子模块，用于利用各影像有效范围的多边形计算任意两幅影像有效范围多边形之间的距离，从候选影像数据集中以任意两幅影像之间的距离超过一定阈值为条件，筛选得到候选影像数据集子集；
格网划分及标记模块，用于计算选定区域的外接矩形，将矩形等间隔划分成格网，并记录每个格网四个角点坐标，判断格网四个角点坐标是否在选定区域内，将格网四个角点坐标都在选定区域内的格网值进行符号标记，不满足上述条件的格网值进行另外的区别标记；
影像数据集选取模块，用候选影像数据集子集获取子模块中得到的候选影像数据集子集中的各影像对格网进行覆盖标记，按一定的顺序循环遍历候选影像数据集子集中的影像，判断每个格网的四个角点坐标是否在该影像有效范围的多边形内，将在该影像有效范围多边形内的符号标记的格网进行重新标记，同时保留此遥感影像，以选定区域范围所有符号标记的格网全部重新标记为循环结束条件，最终保留的遥感影像集即为最终选取的影像数据集。
进一步的，候选影像数据集获取子模块中满足一定条件的遥感影像包括：尽量同一传感器获取，云量小于设定的阈值，成像时间段为同一季节或相近时间段的遥感影像。
进一步的，影像有效范围获取子模块中采用边界跟踪算法获取影像的有效范围。
进一步的，候选影像数据集子集获取子模块中两幅影像有效范围多边形之间的距离采用欧式距离公式计算，
其中(X1,Y1)、(X2,Y2)分别为两幅影像的中心点坐标，将影像有效范围多边形的重心作为该影像的中心点。
进一步的，影像数据集选取模块中采用云量依次增大的顺序遍历候选影像数据集子集中的各影像。
通过上述步骤，我们可以快速、准确地筛选出选定区域的全覆盖遥感影像数据集。本发明可通过设定传感器类型、成像时间段、云量等预筛选条件，获得多种不同的遥感影像区域覆盖数据集，有效缩短遥感影像数据的筛选时间，为获取选定区域无云或少云覆盖镶嵌图奠定基础，提高遥感影像数据的利用率。
附图说明
图1是格网标记算法原理示意图；
图2是选定区域格网划分及格网标记示意图，图中在选定区域内的格网值标记为1，不在选定区域内的格网值标记为0；
图3是影像覆盖格网标记示意图，图中矩形表示影像的有效范围，在影像有效范围内并且值为1的格网值被标记为2；
图4是最终选取的影像数据集示意图；
具体实施方式
本发明提出的一种面向区域覆盖的遥感影像数据选取方法，所要解决的问题是某一选定地区全覆盖影像数据集筛选问题，为遥感影像数据应用奠定基础，空间格网标记简单、有效，可快速、准确筛选出某一地区全覆盖影像数据集，能够有效剔除遥感影像数据中成像时间跨度大、重复覆盖和多云量的数据，有效地缩减影像数据筛选时间，其算法原理和执行步骤如下，可采用计算机软件技术实现自动运行流程。
其算法原理(如图1所示)如下：
假设选定区域的为任意多边形P(图1中黑色区域且区域格网值为1)，获取P的外接矩形(图中灰色部分的格网值为0)，待处理影像按一定权重排序后，表示为多边形Qi(图中虚线区域，其中0<i<n+1，n为待筛选遥感影像的总数，)，区域R(图中浅灰色区域，R内的格网值为2)表示P与Qi的交集，即R＝{X|X∈P，且X∈Qi}，则当选定区域P全部被标记完时(即黑色部分全部被浅灰色所标记—格网值为1全部标记为2)，表示P被覆盖完，即选定区域被全部覆盖集合Qi即为一次全覆盖的遥感影像结果集。
一种面向区域覆盖的遥感影像数据选取方法，包括以下步骤：
步骤1，遥感影像数据预筛选并获取筛选后各影像的有效范围。包含以下子步骤：
步骤1.1，对选定区域的遥感影像数据进行预筛选，将满足一定条件(传感器类型、云量以及成像时间段)的遥感影像作为候选影像数据集；
由于传感器的成像原理不同，工作环境、波长与技术要求均有差异，导致所成影像之间有很大差异，预筛选时有多种传感器数据的情况下，尽量选定同一传感器数据；由于遥感影像云量较大时，会严重影响遥感影像的可用性，预筛选时可采用云量小于设定的阈值作为筛选条件，例如10％；由于在获取时间不同的相邻图像上，对季节变化十分敏感的植被、水体等地物的色调和形态都会有所不同，因此尽可能选取同一季节,或相近时间段的遥感影像，例如两个月或者一个月,以消除太阳高度角及植物物候条件的差异影响。通过以上预筛选条件便可得到候选影像数据集。
步骤1.2，对步骤1.1得到的候选影像数据集，进一步获取各影像的有效范围(例如可采用边界跟踪算法获取影像的有效范围[1])；
[1]邓仕超,李伟明,龙芋宏,高兴宇.一种改进的二值图像边界跟踪与边界链码获取算法[J].激光与光电子学进展,2018,55(06):147-153.
步骤1.3，为避免出现遥感影像重复覆盖，利用各影像有效范围的多边形计算任意两幅影像有效范围多边形之间的距离(例如可计算影像多边形中心点之间的距离，多边形中心点可用多边形重心算法得到)，从候选影像数据集中以任意两幅影像之间的距离超过设定的宽度为条件(例如范围可用影像宽的80％)筛选得到候选影像数据集子集；
影像之间距离定义可采用欧式距离公式：
其中(X1,Y1)、(X2,Y2)分别为两幅影像的中心点坐标，各影像中心点坐标可参考多边形重心的计算方法[2]，即将影像有效范围多边形的重心作为该影像的中心点；
任意两幅影像之间的距离可参考如下关系：
D≥Width*T
其中Width表示影像的宽度，T表示阈值，例如可取80％，即影像间的距离需要大于设定的宽度。
[2]李玉冰,郝永杰,刘恩海.多边形重心的计算方法[J].计算机应用,2005(S1):391-393.
步骤2，根据选定区域范围创建格网并根据是否在选定区域对各格网值进行标记。包含以下子步骤：
步骤2.1，计算选定区域的外接矩形，将矩形等间隔划分成格网；
步骤2.2，记录每个格网四个角点坐标，判断格网四个角点坐标是否在选定区域内(可用点是否在多边形内算法进行判断)，将格网四个角点坐标都在选定区域内的格网值标记为1，不满足上述条件的格网值标记为0，如图2所示。
步骤3，用候选影像数据集子集中的各影像对格网进行覆盖标记。包含以下子步骤：
步骤3.1，用步骤1得到的候选影像数据集子集中的各影像对格网进行覆盖标记。即按一定的顺序循环遍历候选影像数据集子集中的影像(可采用云量依次增大的顺序遍历子集中的各影像)，判断每个格网的四个角点坐标是否在该影像有效范围的多边形内，将在该影像有效范围的多边形内并且格网值为1的格网值重新标记为2，同时保留此遥感影像。以选定区域范围内格网值为1的格网全部标记为2为循环结束条件，如图3所示；
步骤3.2，步骤3.1过程中保留的遥感影像集即为最终选取的影像数据集，如图4所示，可用于生成选定区域的合成影像，或者全覆盖镶嵌影像。
本发明实施例还提供一种面向区域覆盖的遥感影像数据选取系统，包括如下模块：
遥感影像数据预筛选模块，用于遥感影像数据预筛选并获取筛选后各影像的有效范围，包含以下子模块：
候选影像数据集获取子模块，用于对选定区域的遥感影像数据进行预筛选，将满足一定条件的遥感影像作为候选影像数据集；
影像有效范围获取子模块，用于对候选影像数据集获取子模块得到的候选影像数据集，进一步获取各影像的有效范围；
候选影像数据集子集获取子模块，用于利用各影像有效范围的多边形计算任意两幅影像有效范围多边形之间的距离，从候选影像数据集中以任意两幅影像之间的距离超过一定阈值为条件，筛选得到候选影像数据集子集；
格网划分及标记模块，用于计算选定区域的外接矩形，将矩形等间隔划分成格网，并记录每个格网四个角点坐标，判断格网四个角点坐标是否在选定区域内，将格网四个角点坐标都在选定区域内的格网值进行符号标记，不满足上述条件的格网值进行另外的区别标记；
影像数据集选取模块，用候选影像数据集子集获取子模块中得到的候选影像数据集子集中的各影像对格网进行覆盖标记，按一定的顺序循环遍历候选影像数据集子集中的影像，判断每个格网的四个角点坐标是否在该影像有效范围的多边形内，将在该影像有效范围多边形内的符号标记的格网进行重新标记，同时保留此遥感影像，以选定区域范围所有符号标记的格网全部重新标记为循环结束条件，最终保留的遥感影像集即为最终选取的影像数据集。
各模块的具体实现和各步骤相对应，本发明不予撰述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种面向区域覆盖的遥感影像数据选取方法，其特征在于，包括如下步骤：
步骤1，遥感影像数据预筛选并获取筛选后各影像的有效范围，包含以下子步骤：
步骤1.1，对选定区域的遥感影像数据进行预筛选，将满足一定条件的遥感影像作为候选影像数据集；
步骤1.2，对步骤1.1得到的候选影像数据集，进一步获取各影像的有效范围；
步骤1.3，利用各影像有效范围的多边形计算任意两幅影像有效范围多边形之间的距离，从候选影像数据集中以任意两幅影像之间的距离超过一定阈值为条件，筛选得到候选影像数据集子集；
步骤2，计算选定区域的外接矩形，将矩形等间隔划分成格网，并记录每个格网四个角点坐标，判断格网四个角点坐标是否在选定区域内，将格网四个角点坐标都在选定区域内的格网值进行符号标记，不满足上述条件的格网值进行另外的区别标记；
步骤3，用步骤1.3中得到的候选影像数据集子集中的各影像对格网进行覆盖标记，按一定的顺序循环遍历候选影像数据集子集中的影像，判断每个格网的四个角点坐标是否在该影像有效范围的多边形内，将在该影像有效范围多边形内的符号标记的格网进行重新标记，同时保留此遥感影像，以选定区域范围所有符号标记的格网全部重新标记为循环结束条件，最终保留的遥感影像集即为最终选取的影像数据集。
2.如权利要求1所述的一种面向区域覆盖的遥感影像数据选取方法，其特征在于；步骤1.1中满足一定条件的遥感影像包括：同一传感器获取，云量小于设定阈值，成像时间段为一个季节或相近时间段的遥感影像。
3.如权利要求1所述的一种面向区域覆盖的遥感影像数据选取方法，其特征在于；步骤1.2中采用边界跟踪算法获取影像的有效范围。
4.如权利要求1所述的一种面向区域覆盖的遥感影像数据选取方法，其特征在于：步骤1.3中两幅影像有效范围多边形之间的距离采用欧式距离公式计算，
其中(X1,Y1)、(X2,Y2)分别为两幅影像的中心点坐标，将影像有效范围多边形的重心作为该影像的中心点。
5.如权利要求1所述的一种面向区域覆盖的遥感影像数据选取方法，其特征在于：步骤3中采用云量依次增大的顺序遍历候选影像数据集子集中的各影像。
6.一种面向区域覆盖的遥感影像数据选取系统，其特征在于，包括如下模块：
遥感影像数据预筛选模块，用于遥感影像数据预筛选并获取筛选后各影像的有效范围，包含以下子模块：
候选影像数据集获取子模块，用于对选定区域的遥感影像数据进行预筛选，将满足一定条件的遥感影像作为候选影像数据集；
影像有效范围获取子模块，用于对候选影像数据集获取子模块得到的候选影像数据集，进一步获取各影像的有效范围；
候选影像数据集子集获取子模块，用于利用各影像有效范围的多边形计算任意两幅影像有效范围多边形之间的距离，从候选影像数据集中以任意两幅影像之间的距离超过一定阈值为条件，筛选得到候选影像数据集子集；
格网划分及标记模块，用于计算选定区域的外接矩形，将矩形等间隔划分成格网，并记录每个格网四个角点坐标，判断格网四个角点坐标是否在选定区域内，将格网四个角点坐标都在选定区域内的格网值进行符号标记，不满足上述条件的格网值进行另外的区别标记；
影像数据集选取模块，用候选影像数据集子集获取子模块中得到的候选影像数据集子集中的各影像对格网进行覆盖标记，按一定的顺序循环遍历候选影像数据集子集中的影像，判断每个格网的四个角点坐标是否在该影像有效范围的多边形内，将在该影像有效范围多边形内的符号标记的格网进行重新标记，同时保留此遥感影像，以选定区域范围所有符号标记的格网全部重新标记为循环结束条件，最终保留的遥感影像集即为最终选取的影像数据集。
7.如权利要求6所述的一种面向区域覆盖的遥感影像数据选取系统，其特征在于；候选影像数据集获取子模块中满足一定条件的遥感影像包括：同一传感器获取，云量小于设定的阈值，成像时间段为同一季节或相近时间段的遥感影像。
8.如权利要求6所述的一种面向区域覆盖的遥感影像数据选取系统，其特征在于；影像有效范围获取子模块中采用边界跟踪算法获取影像的有效范围。
9.如权利要求6所述的一种面向区域覆盖的遥感影像数据选取系统，其特征在于：候选影像数据集子集获取子模块中两幅影像有效范围多边形之间的距离采用欧式距离公式计算，
其中(X1,Y1)、(X2,Y2)分别为两幅影像的中心点坐标，将影像有效范围多边形的重心作为该影像的中心点。
10.如权利要求6所述的一种面向区域覆盖的遥感影像数据选取系统，其特征在于：影像数据集选取模块中采用云量依次增大的顺序遍历候选影像数据集子集中的各影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811490795.3A CN109614513B (zh) | 2018-12-06 | 2018-12-06 | 一种面向区域覆盖的遥感影像数据选取方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811490795.3A CN109614513B (zh) | 2018-12-06 | 2018-12-06 | 一种面向区域覆盖的遥感影像数据选取方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109614513A CN109614513A (zh) | 2019-04-12 |
| CN109614513B true CN109614513B (zh) | 2020-07-10 |
Family
ID=66007310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811490795.3A Active CN109614513B (zh) | 2018-12-06 | 2018-12-06 | 一种面向区域覆盖的遥感影像数据选取方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109614513B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754397B (zh) * | 2019-07-09 | 2023-03-21 | 北京市商汤科技开发有限公司 | 一种遥感影像的镶嵌方法、装置、电子设备及存储介质 |
| CN113297407B (zh) * | 2021-05-21 | 2021-11-26 | 生态环境部卫星环境应用中心 | 遥感影像优选方法和装置 |
| CN113327259B (zh) * | 2021-08-04 | 2021-10-29 | 中国科学院空天信息创新研究院 | 面向区域覆盖的遥感数据筛选方法及系统 |
| CN116563105B (zh) * | 2023-04-18 | 2024-02-02 | 武汉大学 | 一种众源卫星遥感影像数据集优选方法及计算机可读介质 |
| CN117112820B (zh) * | 2023-10-19 | 2024-01-23 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5360989B2 (ja) * | 2009-09-29 | 2013-12-04 | 株式会社日立ソリューションズ | 地理情報生成システム及び地理情報生成方法 |
| CN102565810B (zh) * | 2011-12-30 | 2013-11-06 | 武汉大学 | 一种遥感影像上土地利用地物边界轮廓提取方法 |
| CN102999927B (zh) * | 2012-11-23 | 2015-03-04 | 中国科学院亚热带农业生态研究所 | 一种土壤污染物含量空间分布的精细分区方法 |
| CN103218821B (zh) * | 2013-04-27 | 2015-12-23 | 航天恒星科技有限公司 | 一种面向区域覆盖的影像自动镶嵌方法 |
| CN107291801B (zh) * | 2017-05-12 | 2024-04-19 | 北京四维新世纪信息技术有限公司 | 一种基于格网补偿的单时相全覆盖遥感数据检索方法 |
-
2018
- 2018-12-06 CN CN201811490795.3A patent/CN109614513B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109614513A (zh) | 2019-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614513B (zh) | 一种面向区域覆盖的遥感影像数据选取方法和系统 | |
| Chen et al. | Spatially and temporally weighted regression: A novel method to produce continuous cloud-free Landsat imagery | |
| CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
| CN106780091B (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 | |
| Kavzoglu et al. | Parameter-based performance analysis of object-based image analysis using aerial and Quikbird-2 images | |
| Zhang et al. | Object-oriented method for urban vegetation mapping using IKONOS imagery | |
| Li et al. | An index and approach for water extraction using Landsat–OLI data | |
| Estoque et al. | Pixel-based and object-based classifications using high-and medium-spatial-resolution imageries in the urban and suburban landscapes | |
| Fang | Rice crop area estimation of an administrative division in China using remote sensing data | |
| CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
| Chen et al. | Land degradation monitoring using multi‐temporal Landsat TM/ETM data in a transition zone between grassland and cropland of northeast China | |
| Karami et al. | Gully erosion mapping using object-based and pixel-based image classification methods | |
| CN113160150B (zh) | 线网异物入侵ai检测方法与装置 | |
| Li et al. | Object-oriented classification of land use/cover using digital aerial orthophotography | |
| Li et al. | How urbanisation alters the intensity of the urban heat island in a tropical African city | |
| Juarez et al. | An improved estimate of leaf area index based on the histogram analysis of hemispherical photographs | |
| Liu et al. | Using SPOT 5 fusion-ready imagery to detect Chinese tamarisk (saltcedar) with mathematical morphological method | |
| Xie et al. | Dynamics and temperature regulation function of urban green connectivity | |
| Zhang et al. | Applying time series Landsat data for vegetation change analysis in the Florida Everglades Water Conservation Area 2A during 1996–2016 | |
| Mallinis et al. | Development of a nationwide approach for large scale estimation of green roof retrofitting areas and roof-top solar energy potential using VHR natural colour orthoimagery and DSM data over Thessaloniki, Greece | |
| Yadav et al. | Supervised learning based greenery region detection using unnamed aerial vehicle for smart city application | |
| Yadav et al. | Urban tree canopy detection using object-based image analysis for very high resolution satellite images: A literature review | |
| Lemenkova | Using open-source software GRASS GIS for analysis of the environmental patterns in Lake Chad, Central Africa | |
| Aher et al. | Rainfall estimation over roof-top using land-cover classification of google earth images | |
| CN106228553A (zh) | 高分辨率遥感图像阴影检测装置与方法 |
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 |