CN109635765B - 一种浅海珊瑚礁遥感信息自动提取方法 - Google Patents
一种浅海珊瑚礁遥感信息自动提取方法 Download PDFInfo
- Publication number
- CN109635765B CN109635765B CN201811558152.8A CN201811558152A CN109635765B CN 109635765 B CN109635765 B CN 109635765B CN 201811558152 A CN201811558152 A CN 201811558152A CN 109635765 B CN109635765 B CN 109635765B
- Authority
- CN
- China
- Prior art keywords
- information
- remote sensing
- image
- float
- reef
- 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
- 235000014653 Carica parviflora Nutrition 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 241000243321 Cnidaria Species 0.000 title 1
- 244000132059 Carica parviflora Species 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 230000000873 masking effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 150000003839 salts Chemical class 0.000 claims abstract description 5
- 235000002566 Capsicum Nutrition 0.000 claims abstract description 4
- 239000006002 Pepper Substances 0.000 claims abstract description 4
- 235000016761 Piper aduncum Nutrition 0.000 claims abstract description 4
- 235000017804 Piper guineense Nutrition 0.000 claims abstract description 4
- 235000008184 Piper nigrum Nutrition 0.000 claims abstract description 4
- 244000203593 Piper nigrum Species 0.000 claims abstract 2
- 230000005855 radiation Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 6
- 239000013535 sea water Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 241000195493 Cryptophyta Species 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000009499 grossing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Farming Of Fish And Shellfish (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种浅海珊瑚礁遥感信息自动提取方法，该方法先对遥感影像进行预处理，然后对预处理后影像进行中值滤波，用于消除椒盐噪声或斑点，用于平滑影像，以减少错分结果，使提取结果呈现出更优效果。利用归一化差异水体指数(MNDWI)进行阈值分割，掩膜掉陆地信息，提取出水体信息。利用影像的绿光波段进行阈值分割，掩膜掉开放水体信息，提取出礁盘信息。利用归一化植被指数(NDVI)进行阈值分割，NDVI能够有效的识别珊瑚礁中藻类信息，进而区分珊瑚礁与沙滩信息，掩膜掉沙滩信息，提取出珊瑚礁信息。本发明提出的方法更为简洁，简化了之前相对复杂的提取流程，运行效率更高，具有更好的实用性。
Description
技术领域
本发明属于遥感影像地物自动提取领域，涉及一种遥感影像浅海珊瑚礁信息提取方法，特别是涉及一种分层剥离式的浅海珊瑚礁遥感信息提取方法。
背景技术
珊瑚礁是一种极具生物多样性和生态价值的生态系统。珊瑚礁具有极高的初级生产力，珊瑚礁的面积约占全球海洋总面积的0.25％，但是其上却养活了超过1/4的海洋鱼类，是重要的海洋渔场。因其自身独特的生长构造的原因，造就了五彩斑斓的珊瑚礁世界，蕴含丰富的旅游资源。珊瑚礁对海水温度、酸度和海水污染物的反应非常敏捷，可以作为一种海洋环境的主要生物指标，起到调节和优化海洋环境的作用。
实时、大面积的调查珊瑚礁的分布是一项非常重要的基础工作，目前应用于珊瑚礁信息提取的方法大概有以下四种：
(1)传统的托板法实地调查方法，这种方法只能获取小范围截面上的珊瑚礁的分布，此方法不仅耗时耗力效率低下，而且无法及时获取大面积的分布。
遥感技术作为大范围的、实时的全球观测技术，是调查和监测珊瑚礁状况的一种有效手段，通过运用不同种类的遥感影像，可以获取不同种类的遥感信息，完成对珊瑚礁多方面的监测。
(2)目视解译方法，根据人的经验和知识，通过影像的色形特征及解译标志来识别目标或对象。这种方法工作量大，且依赖工作人员的先验知识。
(3)监督分类方法，是以建立统计识别函数为理论基础、依据典型样本训练方法进行分类的技术，这种方法分类系统的确定、训练样本的选择，均人为主观因素较强，训练样本的选取和评估需花费较多的人力、时间，自动化程度低。
(4)分层次分解影像的方法，这种方法的思想较为新颖，自动化程度较高，但在区分不同类别所选取的参考标准是有优劣之分的，准确的分割标准和分割顺序，才能实现快速准确的提取信息。
总体来说，珊瑚礁的遥感信息提取方法相关研究比较匮乏，而关于浅海珊瑚礁的研究就更是贫乏了，各种方法提取精度不一且其操作起来较为复杂，自动化程度偏低。所以本发明致力于操作简单、自动化程度高的提取流程。
发明内容
本发明所要解决的技术问题是：提出一种遥感影像浅海珊瑚礁遥感信息自动提取的方法，可以快速有效的提取出目标物浅海珊瑚礁的有效信息。
本发明提出的技术方案如下：
一种浅海珊瑚礁遥感信息自动提取方法，包括以下步骤：
步骤1：载入原始遥感影像，对原始遥感影像进行辐射定标，将DN值转化为辐射亮度值L；
步骤2：对定标后的遥感影像进行FLAASH大气校正，将辐射亮度值L转化为地表反射率，根据试验区的矢量范围，将影像裁剪出来；
步骤3：对经过步骤1和2预处理后的影像进行中值滤波运算，从而消除孤立的噪声点，用于消除椒盐噪声或斑点，得到平滑后的反射率影像；
步骤4：对步骤3处理后的影像计算归一化差异水体指数MNDWI，进行直方图阈值分割，区分开陆地和海水，并将陆地信息掩膜掉，提取出水体信息；
步骤5：对步骤4中提取出来的水体信息，利用Band 3绿波段进行直方图阈值分割，区分开礁盘外开放水体和礁盘信息，并将开放水体信息掩膜掉，提取出礁盘信息；
步骤6：对提取出来的礁盘信息，计算归一化植被指数NDVI，进行直方图阈值分割，区分开沙滩和珊瑚礁，并将沙滩信息掩模掉，提取出珊瑚礁信息。
优选地，所述原始遥感影像为中等分辨率遥感影像，包括原始Landsat8OLI遥感影像。
优选地，所述辐射亮度值的计算公式如下：
L＝DN×gain+bias (1)
其中，DN值是卫星对接收到的辐射进行量化的数值，gain为增益系数，bias为偏移量。
优选地，归一化差异水体指数MNDWI的计算公式为：
MNDWI＝(float(b3)-float(b6))/(float(b3)+float(b6)) (2)
其中，b3和b6分别代表影像的第三波段和第六波段的中心波长值，b3为绿波段中心波长值，b6为短波红外波段的中心波长值，float(b3)和float(b6)代表要求输入的波长值为浮点型数值。
优选地，归一化植被指数NDVI的计算公式如下：
NDVI＝(float(b5)-float(b4))/(float(b5)+float(b4))， (3)
其中b4和b5分别为影像的红波段和近红外波段的中心波长值。
本发明针对目前浅海珊瑚礁遥感信息提取方法匮乏和提取流程自动化程度低，提出了一种浅海珊瑚礁遥感信息自动提取的方法，来改善当前所面临的困扰。本发明提出的方法更为简洁，简化了之前相对复杂的提取流程，运行效率更高，具有更好的实用性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1为浅海珊瑚礁遥感信息提取流程示意图。
图2为试验区2014年进行过预处理后的Landsat8OLI遥感影像，波段组合为432。
图3为进行中值滤波后的反射率影像。
图4为将陆地掩膜后提取到水体的影像。
图5为将开放水体掩膜后提取到礁盘的影像。
图6为将沙滩掩膜后提取到珊瑚礁的影像。
具体实施方式
本发明的方法原理如下：采用了一种分层剥离式思想，即逐层剔除掉海水、陆地等非目标区域，直到只留下浅海珊瑚礁信息为止。该方法先对遥感影像进行预处理，预处理包括辐射定标和大气校正，以减少卫星遥感影像在接收过程中受到许多因素的干扰。然后对预处理后影像进行中值滤波，用于消除椒盐噪声或斑点，用于平滑影像，以减少错分结果，使提取结果呈现出更优效果。利用归一化差异水体指数(MNDWI)进行阈值分割，MNDWI可以有效的区分水体与非水体信息，掩膜掉陆地信息，提取出水体信息。利用影像的绿波段进行阈值分割，绿光波段对水透射能力好能有效的识别出深水区，掩膜掉开放水体信息，提取出礁盘信息。利用归一化植被指数(NDVI)进行阈值分割，NDVI能够有效的识别珊瑚礁中藻类信息，进而区分珊瑚礁与沙滩信息，掩膜掉沙滩信息，提取出珊瑚礁信息。
按照如图1所示的提取流程，采用图2所示的遥感影像为待提取的浅海珊瑚礁遥感影像，采用ENVI遥感影像处理平台，实现本方法，包括以下步骤。
1：遥感影像预处理。
由于遥感影像在数据采集过程中会受到空间、时间、波谱、辐射分辨率等多方面限制，不可避免的存在误差；这些误差将会降低遥感影像的数据质量和影响影像分析的精度；因此，在遥感影像分析之前，需要对原始的遥感影像进行预处理。
包括如下步骤：
步骤1：载入原始Landsat8OLI遥感影像，对原始遥感影像进行辐射定标，将DN值转化为辐射亮度数据，按照如下公式：
L＝DN×gain+bias (1)
L为辐射亮度值。DN值是卫星对接收到的辐射进行量化的一个数值，辐射亮度值L是卫星上接受的辐射亮度，代表某一个面积辐射能量的总和，增益系数gain和偏移量bias采用USGS提供的同期参数。
步骤2：对定标后的遥感影像进行FLAASH大气校正，将辐射亮度值L转化为地表反射率，根据试验区的矢量范围，将影像裁剪出来，如图2所示。
步骤3：对经过预处理后的影像(图2)进行中值滤波运算，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点，用于消除椒盐噪声或斑点，得到平滑后的反射率影像，如图3所示。
步骤4：对平滑后的影像(图3)计算归一化差异水体指数(MNDWI)，计算公式为：
MNDWI＝(float(b3)-float(b6))/(float(b3)+float(b6)) (2)
其中b3和b6分别代表影像的第三波段(Band 3的缩写)和第六波段(Band6的缩写)的中心波长值，b3为绿波段中心波长值，b6为短波红外波段的中心波长值，float(b3)和float(b6)代表要求输入的波长值为浮点型数值，进行直方图阈值分割，区分开陆地和海水，并将陆地信息掩膜掉，提取出水体信息，如图4所示；
步骤:5：对提取出来的水体信息(图4)，利用Band 3绿波段进行直方图阈值分割，区分开礁盘外开放水体和礁盘信息，并将开放水体信息掩膜掉，提取出礁盘信息，如图5所示。
步骤6：对提取出来的礁盘信息(图5)，计算归一化植被指数NDVI，计算公式如下：
NDVI＝(float(b5)-float(b4))/(float(b5)+float(b4))， (3)
其中b4和b5分别为影像的红波段和近红外波段的中心波长值，进行直方图阈值分割，区分开沙滩和珊瑚礁，并将沙滩信息掩模掉，提取出珊瑚礁信息，如图6所示。
以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.一种浅海珊瑚礁遥感信息自动提取方法，包括以下步骤：
步骤1：载入原始遥感影像，对原始遥感影像进行辐射定标，将DN值转化为辐射亮度值L；
步骤2：对定标后的遥感影像进行FLAASH大气校正，将辐射亮度值L转化为地表反射率，根据试验区的矢量范围，将影像裁剪出来；
步骤3：对经过步骤1和2预处理后的影像进行中值滤波运算，从而消除孤立的噪声点，用于消除椒盐噪声或斑点，得到平滑后的反射率影像；步骤4：对步骤3处理后的影像计算归一化差异水体指数MNDWI，进行直方图阈值分割，区分开陆地和海水，并将陆地信息掩膜掉，提取出水体信息；归一化差异水体指数MNDWI的计算公式为：
MNDWI＝(float(b3)-float(b6))/(float(b3)+float(b6))
其中，b3和b6分别代表影像的第三波段和第六波段的中心波长值，b3为绿波段中心波长值，b6为短波红外波段的中心波长值，float(b3)和float(b6)代表要求输入的波长值为浮点型数值；
步骤5：对步骤4中提取出来的水体信息，利用所述b3的绿波段进行直方图阈值分割，区分开礁盘外开放水体和礁盘信息，并将开放水体信息掩膜掉，提取出礁盘信息；
步骤6：对提取出来的礁盘信息，计算归一化植被指数NDVI，进行直方图阈值分割，区分开沙滩和珊瑚礁，并将沙滩信息掩模掉，提取出珊瑚礁信息。
2.根据权利要求1所述的浅海珊瑚礁遥感信息自动提取方法，其特征在于：所述原始遥感影像为中等分辨率遥感影像，包括原始Landsat8 OLI遥感影像。
3.根据权利要求1所述的浅海珊瑚礁遥感信息自动提取方法，其特征在于：所述辐射亮度值的计算公式如下：
L＝DN×gain+bias
其中，DN值是卫星对接收到的辐射进行量化的数值，gain为增益系数，bias为偏移量。
4.根据权利要求1所述的浅海珊瑚礁遥感信息自动提取方法，其特征在于：归一化植被指数NDVI的计算公式如下：
NDVI＝(float(b5)-float(b4))/(float(b5)+float(b4))
其中b4和b5分别为影像的红波段和近红外波段的中心波长值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811558152.8A CN109635765B (zh) | 2018-12-19 | 2018-12-19 | 一种浅海珊瑚礁遥感信息自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811558152.8A CN109635765B (zh) | 2018-12-19 | 2018-12-19 | 一种浅海珊瑚礁遥感信息自动提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109635765A CN109635765A (zh) | 2019-04-16 |
| CN109635765B true CN109635765B (zh) | 2023-08-29 |
Family
ID=66075564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811558152.8A Active CN109635765B (zh) | 2018-12-19 | 2018-12-19 | 一种浅海珊瑚礁遥感信息自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109635765B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147746B (zh) * | 2019-05-09 | 2020-11-17 | 武汉大学 | 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统 |
| CN110208193B (zh) * | 2019-05-09 | 2021-11-26 | 航天恒星科技有限公司 | 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 |
| CN111695503B (zh) * | 2020-06-11 | 2023-04-18 | 自然资源部第一海洋研究所 | 基于双波段辐亮度的珊瑚礁底质分类方法 |
| CN112258523B (zh) * | 2020-10-20 | 2022-03-08 | 中国石油大学(华东) | 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 |
| CN113128523B (zh) * | 2021-05-12 | 2024-07-26 | 南京大学 | 一种基于时间序列遥感影像自动提取珊瑚礁的方法 |
| CN113988224A (zh) * | 2021-12-01 | 2022-01-28 | 中国自然资源航空物探遥感中心 | 一种珊瑚礁底质分类模型的训练、应用方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102032903A (zh) * | 2010-12-01 | 2011-04-27 | 南京大学 | 基于Landsat数据源的珊瑚岛礁遥感信息自动提取方法 |
| CN105389826A (zh) * | 2015-12-23 | 2016-03-09 | 国家海洋局第一海洋研究所 | 珊瑚岛礁岸线高分sar遥感提取方法 |
| CN105809140A (zh) * | 2016-03-18 | 2016-07-27 | 华南农业大学 | 一种基于遥感模型的地表水体信息的提取方法及其装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018028191A1 (zh) * | 2016-08-10 | 2018-02-15 | 福州大学 | 一种基于波段比模型和太阳高度角的tavi计算方法 |
-
2018
- 2018-12-19 CN CN201811558152.8A patent/CN109635765B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102032903A (zh) * | 2010-12-01 | 2011-04-27 | 南京大学 | 基于Landsat数据源的珊瑚岛礁遥感信息自动提取方法 |
| CN105389826A (zh) * | 2015-12-23 | 2016-03-09 | 国家海洋局第一海洋研究所 | 珊瑚岛礁岸线高分sar遥感提取方法 |
| CN105809140A (zh) * | 2016-03-18 | 2016-07-27 | 华南农业大学 | 一种基于遥感模型的地表水体信息的提取方法及其装置 |
Non-Patent Citations (1)
| Title |
|---|
| 胡蕾秋 等.SPOT5 多光谱图像对南沙珊瑚礁信息提取方法的探讨.《遥感技术与应用》.2010,第25卷(第4期),493-501. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109635765A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635765B (zh) | 一种浅海珊瑚礁遥感信息自动提取方法 | |
| CN112287871B (zh) | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 | |
| CN109190538B (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
| 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 | |
| CN106778629B (zh) | 大棚识别方法及装置 | |
| CN105631903A (zh) | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 | |
| CN117115077B (zh) | 一种湖泊蓝藻水华检测方法 | |
| CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
| CN114119618B (zh) | 一种基于深度学习的内陆盐湖卤虫条带遥感提取方法 | |
| CN115761493A (zh) | 一种基于组合水体指数频率的水体提取方法 | |
| CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| CN114119617B (zh) | 一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法 | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| CN117975282A (zh) | 基于多元光学特征融合的紫菜养殖区遥感提取方法及系统 | |
| Riniatsih et al. | Monitoring the seagrass ecosystem using the unmanned aerial vehicle (UAV) in coastal water of Jepara | |
| CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
| CN116645593B (zh) | 监测海草床分布的遥感方法、装置 | |
| Liu et al. | Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices | |
| CN115791639A (zh) | 基于物候信息的大豆种植区域遥感提取方法 | |
| CN108765370A (zh) | 一种基于Python语言的定量不饱和土壤中裂纹数量的方法 | |
| CN113469104A (zh) | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 | |
| CN112308024A (zh) | 一种水体信息提取方法 | |
| Lansbergen et al. | Sonar 2021-2022 field experiment method development: a case-study of seaweed cultivation and biomass estimation using different sonar techniques and image recognizing networks | |
| CN118533763B (zh) | 浒苔绿潮遥感监测方法、系统、设备、介质及程序产品 | |
| Achal et al. | WaterSat imaging spectrometer experiment (WISE) for Canadian microsatellite mission |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230801 Address after: 572029 No.6, Heitu village, Tianya Town, Sanya City, Hainan Province Applicant after: Hainan Aerospace Information Research Institute Applicant after: Aerospace Information Research Institute,Chinese Academy of Sciences Address before: 572029 No.6, Heitu village, Tianya Town, Sanya City, Hainan Province Applicant before: SANYA ZHONGKE REMOTE SENSING Research Institute Applicant before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |