CN109636882A - 基于数字高程模型和遥感影像的黑土区数字土壤制图方法 - Google Patents

基于数字高程模型和遥感影像的黑土区数字土壤制图方法 Download PDF

Info

Publication number
CN109636882A
CN109636882A CN201811392342.7A CN201811392342A CN109636882A CN 109636882 A CN109636882 A CN 109636882A CN 201811392342 A CN201811392342 A CN 201811392342A CN 109636882 A CN109636882 A CN 109636882A
Authority
CN
China
Prior art keywords
soil
data
digital
remote sensing
black
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
Application number
CN201811392342.7A
Other languages
English (en)
Inventor
刘焕军
杨昊轩
张新乐
邵帅
武丹茜
韩雨
马雨阳
崔杨
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.)
Northeast Agricultural University
Original Assignee
Northeast Agricultural 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 Northeast Agricultural University filed Critical Northeast Agricultural University
Priority to CN201811392342.7A priority Critical patent/CN109636882A/zh
Publication of CN109636882A publication Critical patent/CN109636882A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

为了解决目前在典型黑土区土壤制图过程中耗时耗力，效率低下的问题，提供一种基于数字高程模型和遥感影像的黑土区数字土壤制图方法,属于数字土壤制图领域。本发明包括：使用黑土区裸土时期土地利用类型数据中的耕地部分，裁剪出耕地范围对应的裸土时期遥感影像数据、土壤普查数据和数字高程模型；将遥感影像数据进行缨帽变换；提取数字高程模型中的地形信息；将地形信息与缨帽变换后的遥感影像数据进行打包，获得数据集；按照土壤类型，从土壤普查数据中选取训练样本点，放到数据集中进行分类，得到土壤类型图。本发明也可以通过比较添加各种不同地形信息后的制图总体精度和KAPPA系数，得到黑土区数字土壤制图中的最佳地形信息。

Description

基于数字高程模型和遥感影像的黑土区数字土壤制图方法
技术领域
本发明涉及一种利用数字高程模型和遥感影像进行黑土区数字土壤制图的方法，属于数字土壤制图领域。
背景技术
黑土资源是一笔十分宝贵的财富，在全世界范围内仅有四个面积较大的典型黑土区，纬度大体相似，也都成为十分重要的粮食生产基地。主要因为黑土的有机质及养分含量远高于其他土壤类型，是最适合进行农业耕作和种植的土壤类型之一。但是近年来，随着耕地的过度开发与利用，黑土的有机质及养分含量下降，黑土资源面临着过退化、水土流失、板结等问题。因此，保护黑土成为一个亟待解决的问题。
美国航空航天局于2013年成功发射Landsat-8卫星。Landsat-8卫星上携带的OLI陆地成像仪，其中有7个30米空间分辨率的波段，可以实现全球覆盖，Landsat-8OLI遥感卫星影像数据已经投入使用多年，能够充分提取地表信息，并将提取的信息投入到研究和实际应用中。但由于Landsat-8OLI遥感影像数据波段较少，在使用Landsat-8OLI遥感影像数据提取黑土区各土壤类型光谱反射曲线时，发现黑土区内的各土壤类型拥有相似的光谱反射曲线。因此，仅凭借遥感影像数据不能够准确的完成黑土区数字土壤制图。
发明内容
为了解决目前在典型黑土区土壤制图过程中耗时耗力，效率低下的问题，提供了一种快速、便捷的基于数字高程模型和遥感影像的黑土区数字土壤制图方法。
本发明的基于数字高程模型和遥感影像的黑土区数字土壤制图方法，所述方法包括如下步骤：
S1、采集黑土区裸土时期遥感影像数据、土壤普查数据、土地利用类型数据和数字高程模型；
S2、使用土地利用类型数据中的耕地部分，裁剪出耕地范围对应的裸土时期遥感影像数据、土壤普查数据和数字高程模型；
S3、将裁剪出的遥感影像数据进行缨帽变换，获取亮度、绿度和湿度数据；
S4、提取数字高程模型中的地形信息；
S5、将地形信息与缨帽变换后的遥感影像数据进行打包，形成数据集；
S6、按照土壤类型从裁剪出的土壤普查数据中选取典型土壤类型训练样本点；
S7、将训练样本点放到地形信息条件下的数据集中进行分类，得到土壤类型图。
优选的是，所述方法还包括S8：
将裁剪后的土壤普查数据进行栅格化处理，获得土壤普查栅格数据，使用土壤普查栅格数据对得到的土壤类型图进行验证，获取总体精度和KAPPA系数，确定该土壤类型图是否合格。
优选的是，所述地形信息为坡度、坡向、曲率、高程或地表起伏度。
优选的是，所述S6中，按照土壤类型，在裁剪出的土壤普查数据中选取训练样本点，将训练样本点向耕地范围外进行设定距离的缓冲区处理，得到训练样本。
优选的是，所述S7中，利用最大似然法分类器，将训练样本放到地形条件下的数据集中，得到土壤类型图。
优选的是，所述S1中还包括：
对遥感影像数据进行辐射定标、大气校正、几何精纠正和栅格数据重采样。
本发明还提供一种基于数字高程模型和遥感影像的黑土区数字土壤制图方法，所述方法包括如下步骤：
S1、采集黑土区裸土时期遥感影像数据、土壤普查数据、土地利用类型数据和数字高程模型；
S2、使用土地利用类型数据中的耕地部分，裁剪出耕地范围对应的裸土时期遥感影像数据、土壤普查数据和数字高程模型；
S3、将裁剪出的遥感影像数据进行缨帽变换，获取亮度、绿度和湿度数据；
S4、提取数字高程模型中的不同地形信息，作为地形分类特征；
S5、将地形分类特征与缨帽变换后的遥感影像数据进行打包，形成不同地形分类特征条件下的数据集；
S6、按照土壤类型从裁剪出的土壤普查数据中选取典型土壤类型训练样本点；
S7、将训练样本点分别放到不同地形分类特征条件下的数据集中进行分类，得到不同的土壤类型图，将裁剪后的土壤普查数据进行栅格化处理，获得土壤普查栅格数据，使用土壤普查栅格数据对得到的不同的土壤类型图分别进行验证，选择总体精度和KAPPA系数高的土壤类型图。
优选的是，所述地形信息包括坡度、坡向、曲率、高程和地表起伏度。
优选的是，所述S6中，按照土壤类型，在裁剪出的土壤普查数据中选取训练样本点，将训练样本点向耕地范围外进行设定距离的缓冲区处理，得到训练样本。
优选的是，所述S7中，利用最大似然法分类器，将训练样本分别放到地形特征条件下的数据集中，得到不同的土壤类型图。
本发明的有益效果，本发明运用Landsat-8OLI遥感影像数据提取地表信息，在地表信息相似的条件下，使用缨帽变换对遥感数据进行降维压缩处理，同时引入地形信息，也可以通过比较添加各种地形信息(坡度、坡向、曲率、高程、地表起伏度)后的制图总体精度和KAPPA系数，得到黑土区数字土壤制图中的最佳地形信息。本发明避免了大面积实地采集土壤样本的工作，实现快速、便捷的黑土区数字土壤制图。本发明提供的实施例中，经过分析和比较，地形起伏度是所有地形信息中在提升黑土区数字土壤制图精度最明显的地形信息。
附图说明
图1是不同土壤类型在Landsat-8OLI遥感影像数据中的反射光谱曲线；
图2是本发明使用缨帽变换后的Landsat-8OLI遥感影像数据引入地表起伏度后的典型黑土区数字土壤制图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
下面结合图1至图2说明本实施方式，本实施方式的基于数字高程模型和遥感影像的黑土区数字土壤制图方法，包括如下步骤：
S1、采集黑土区裸土时期Landsat-8OLI遥感影像数据、土壤普查数据、土地利用类型数据和90米分辨率数字高程模型；对遥感影像数据进行辐射定标、大气校正、几何精纠正和栅格数据重采样；
S2、使用土地利用类型数据中的耕地部分，在Arcgis10.1中裁剪出耕地范围对应的裸土时期遥感影像数据、土壤普查数据和90米分辨率数字高程模型；
S3、将裁剪出的遥感影像数据进行缨帽变换，获取亮度、绿度和湿度数据；
S4、提取数字高程模型中的地形信息；该地形信息为坡度、坡向、曲率、高程或地表起伏度；
S5、使用ENVI5.1将地形信息与缨帽变换后的遥感影像数据进行打包，形成不同地形信息条件下的数据集；
S6、按照土壤类型从裁剪出的土壤普查数据中选取典型土壤类型训练样本点；优选实施例中，将训练样本点向耕地范围外进行设定距离的缓冲区处理，得到训练样本；土壤类型训练样本点的数量比应该与各土壤类型面积比相同；
S7、将训练样本点放到地形信息条件下的数据集中进行分类，得到土壤类型图，优选实施例中，利用最大似然法分类器，将训练样本分别放到地形特征条件下的数据集中，得到土壤类型图。
本实施方式运用Landsat-8OLI遥感影像数据提取地表信息，在地表信息相似的条件下，使用缨帽变换对遥感数据进行降维压缩处理，同时引入地形信息，避免了大面积实地采集土壤样本的工作，实现快速、便捷的黑土区数字土壤制图；
将裁剪后的土壤普查数据进行栅格化处理，获得土壤普查栅格数据，该土壤普查栅格数据的样本数大于训练样本点数，使用土壤普查栅格数据对得到的土壤类型图进行验证，获取总体精度和KAPPA系数，确定该土壤类型图是否合格。
如果不合格，可以更换其他地形信息进行制图，或者将S4至S7替换为：
S4、提取数字高程模型中的地形信息，作为地形分类特征；
S5、将地形分类特征与缨帽变换后的数据进行打包，形成不同地形分类特征条件下的数据集；
S6、按照土壤类型从裁剪出的土壤普查数据中选取典型土壤类型训练样本点；
S7、将训练样本点分别放到不同地形分类特征条件下的数据集中进行分类，得到不同的土壤类型图，将裁剪后的土壤普查数据进行栅格化处理，获得土壤普查栅格数据，使用土壤普查栅格数据对得到的不同的土壤类型图分别进行验证，选择总体精度和KAPPA系数高的土壤类型图。
具体实施例
步骤一：采集裸土时期某平原典型黑土区某县的Landsat-8OLI遥感影像数据一幅，行列号为119-27，采集最新该县土地利用数据和90米空间分辨率的数字高程模型DEM；
步骤二：对遥感影像进行辐射定标、大气校正、几何精校正。将90米空间分辨率的数字高程模型DEM进行重采样，重采样后的DEM数据空间分辨率为30米。
步骤三：结合目视解译，仅保留土地利用类型数据中耕地部分。使用土地利用类型数据中的耕地部分，在Arcgis10.1中裁剪出耕地范围的裸土时期遥感影像、土壤普查数据、90米分辨率数字高程模型(DEM)；
步骤四：将遥感影像数据进行缨帽变换降维处理，缨帽变换是一种特殊的主成分分析，既可以对于遥感影像数据进行降噪，又可以使处理后的遥感影像实现数据压缩和图像增强的效果。一幅遥感影像进行缨帽变换后可以得到3个波段，记为KT3，分别是亮度指数，绿度指数，湿度指数；其中亮度指数可以反映出地物总体反射效果，绿度指数反映出地表植被情况，而湿度指数反映出地表的水分条件。
步骤五：地形是五大成土因素之一，因此在Arcgis10.1中对数字高程模型(DEM)进行处理，提取出坡度(SLO)，坡向(ASP)，曲率(CUR)，高程(ELE)，地表起伏度(RDLS)，作为5个地形分类特征；
步骤六：使用ENVI5.1中layer stacking功能，将步骤四中提取出的缨帽变换后的数据与步骤五提取的5个地形分类特征分别合成，形成不同地形分类特征条件下的数据集，见表1；
表1不同地形分类特征条件下的数据集
序号 1 2 3 4 5 6
数据集 KT3 KT3+SLO KT3+ASP KT3+CUR KT3+RDLS KT3+ELE
步骤七：在步骤三中裁剪得到的耕地范围土壤普查数据中，表2所示按照土壤类型选取的典型训练样本点数量；将训练样本点向外进行100米的缓冲区处理，得到最终的训练样本，土壤类型训练样本点的数量比应该与各土壤类型面积比相同；
使用土壤普查数据中土壤类型数据，作为验证样本；
表2训练样本点数量
土壤类型 黑土 黑钙土 草甸土
训练样本点数量 35 35 55
步骤八：利用ENVI5.1中最大似然法分类器，将训练样本分别放到不同地形分类特征条件下的数据集中，得到不同的土壤类型图，并使用验证样本进行验证，得到总体精度和KAPPA系数，总体精度和KAPPA系数越高，制图精度越高。公式具体如下：
总体精度
其中n是混淆矩阵的总列数，即类别的总数，Pii是混淆矩阵中第i行第i列的上的土壤图像元点数量，即该土壤类型正确分布的数量，Pi+和P+i是第i行和第i列上土壤图像元点的总数，N是用来验证的总共像元点数量。
使用训练样本在不同地形条件下的数据集进行最大似然法分类，能够完成不同数据集条件下的数字土壤制图，使用步骤7中的验证样本进行验证，通过总体精度和KAPPA系数进行比较。见表3；
表3不同地形条件下数字土壤制图总体精度和Kappa系数
KT3 KT3+SLO KT3+ASP KT3+CUR KT3+RDLS KT3+ELE
OA 57.76％ 64.69％ 57.82％ 61.53％ 70.56％ 63.92％
Kappa 0.357 0.463 0.358 0.416 0.554 0.450
能够得出，本实施例引入地形起伏度(RDLS)之后的制图总体精度和Kappa系数是最高的，分别为70.56％和0.554，而没有引入地形起伏度(RDLS)的制图精度和Kappa系数是最低的，分别为57.76％和0.357。本发明能够满足提高数字土壤制图的要求，说明本发明能够为黑土区数字土壤制图提供一种便捷、准确的方法。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (10)

1.一种基于数字高程模型和遥感影像的黑土区数字土壤制图方法，其特征在于，所述方法包括如下步骤：
S1、采集黑土区裸土时期遥感影像数据、土壤普查数据、土地利用类型数据和数字高程模型；
S2、使用土地利用类型数据中的耕地部分，裁剪出耕地范围对应的裸土时期遥感影像数据、土壤普查数据和数字高程模型；
S3、将裁剪出的遥感影像数据进行缨帽变换，获取亮度、绿度和湿度数据；
S4、提取数字高程模型中的地形信息；
S5、将地形信息与缨帽变换后的遥感影像数据进行打包，形成数据集；
S6、按照土壤类型从裁剪出的土壤普查数据中选取典型土壤类型训练样本点；
S7、将训练样本点放到地形信息条件下的数据集中进行分类，得到土壤类型图。
2.根据权利要求1所述的基于数字高程模型和遥感影像的黑土区数字土壤制图方法，其特征在于，所述方法还包括S8：
将裁剪后的土壤普查数据进行栅格化处理，获得土壤普查栅格数据，使用土壤普查栅格数据对得到的土壤类型图进行验证，获取总体精度和KAPPA系数，确定该土壤类型图是否合格。
3.根据权利要求1或2所述的黑土区数字土壤制图方法，其特征在于，所述地形信息为坡度、坡向、曲率、高程或地表起伏度。
4.根据权利要求3所述的黑土区数字土壤制图方法，其特征在于，所述S6中，按照土壤类型，在裁剪出的土壤普查数据中选取训练样本点，将训练样本点向耕地范围外进行设定距离的缓冲区处理，得到训练样本。
5.根据权利要求4所述的黑土区数字土壤制图方法，其特征在于，所述S7中，利用最大似然法分类器，将训练样本放到地形条件下的数据集中，得到土壤类型图。
6.根据权利要求5所述的黑土区数字土壤制图方法，其特征在于，所述S1中还包括：
对遥感影像数据进行辐射定标、大气校正、几何精纠正和栅格数据重采样。
7.一种基于数字高程模型和遥感影像的黑土区数字土壤制图方法，其特征在于，所述方法包括如下步骤：
S1、采集黑土区裸土时期遥感影像数据、土壤普查数据、土地利用类型数据和数字高程模型；
S2、使用土地利用类型数据中的耕地部分，裁剪出耕地范围对应的裸土时期遥感影像数据、土壤普查数据和数字高程模型；
S3、将裁剪出的遥感影像数据进行缨帽变换，获取亮度、绿度和湿度数据；
S4、提取数字高程模型中的不同地形信息，作为地形分类特征；
S5、将地形分类特征与缨帽变换后的数据进行打包，形成不同地形分类特征条件下的数据集；
S6、按照土壤类型从裁剪出的土壤普查数据中选取典型土壤类型训练样本点；
S7、将训练样本点分别放到不同地形分类特征条件下的数据集中进行分类，得到不同的土壤类型图，将裁剪后的土壤普查数据进行栅格化处理，获得土壤普查栅格数据，使用土壤普查栅格数据对得到的不同的土壤类型图分别进行验证，选择总体精度和KAPPA系数高的土壤类型图。
8.根据权利要求7所述的黑土区数字土壤制图方法，其特征在于，所述地形信息包括坡度、坡向、曲率、高程和地表起伏度。
9.根据权利要求8所述的黑土区数字土壤制图方法，其特征在于，所述S6中，按照土壤类型，在裁剪出的土壤普查数据中选取训练样本点，将训练样本点向耕地范围外进行设定距离的缓冲区处理，得到训练样本。
10.根据权利要求9所述的黑土区数字土壤制图方法，其特征在于，所述S7中，利用最大似然法分类器，将训练样本分别放到地形特征条件下的数据集中，得到不同的土壤类型图。
CN201811392342.7A 2018-11-21 2018-11-21 基于数字高程模型和遥感影像的黑土区数字土壤制图方法 Pending CN109636882A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811392342.7A CN109636882A (zh) 2018-11-21 2018-11-21 基于数字高程模型和遥感影像的黑土区数字土壤制图方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811392342.7A CN109636882A (zh) 2018-11-21 2018-11-21 基于数字高程模型和遥感影像的黑土区数字土壤制图方法

Publications (1)

Publication Number Publication Date
CN109636882A true CN109636882A (zh) 2019-04-16

Family

ID=66068505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811392342.7A Pending CN109636882A (zh) 2018-11-21 2018-11-21 基于数字高程模型和遥感影像的黑土区数字土壤制图方法

Country Status (1)

Country Link
CN (1) CN109636882A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340307A (zh) * 2023-06-01 2023-06-27 北京易控智驾科技有限公司 坡道图层生成方法和装置、高精度地图及电子设备
CN116863010A (zh) * 2023-05-18 2023-10-10 珠江水利委员会珠江流域水土保持监测中心站 基于空间聚集度分析的水土流失图斑综合制图方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166782A (zh) * 2014-06-05 2014-11-26 刘健 一种林地土壤有机碳遥感估测的方法
CN106384081A (zh) * 2016-08-30 2017-02-08 水利部水土保持监测中心 一种基于高分辨率遥感影像的坡耕地提取方法和系统
CN106650689A (zh) * 2016-12-30 2017-05-10 厦门理工学院 一种沿海城市时间序列土地利用信息提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166782A (zh) * 2014-06-05 2014-11-26 刘健 一种林地土壤有机碳遥感估测的方法
CN106384081A (zh) * 2016-08-30 2017-02-08 水利部水土保持监测中心 一种基于高分辨率遥感影像的坡耕地提取方法和系统
CN106650689A (zh) * 2016-12-30 2017-05-10 厦门理工学院 一种沿海城市时间序列土地利用信息提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘焕军等: "基于裸土期多时相遥感影像特征及最大似然法的土壤分类", 《农业工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863010A (zh) * 2023-05-18 2023-10-10 珠江水利委员会珠江流域水土保持监测中心站 基于空间聚集度分析的水土流失图斑综合制图方法
CN116863010B (zh) * 2023-05-18 2023-12-19 珠江水利委员会珠江流域水土保持监测中心站 基于空间聚集度分析的水土流失图斑综合制图方法
CN116340307A (zh) * 2023-06-01 2023-06-27 北京易控智驾科技有限公司 坡道图层生成方法和装置、高精度地图及电子设备
CN116340307B (zh) * 2023-06-01 2023-08-08 北京易控智驾科技有限公司 坡道图层生成方法和装置、高精度地图及电子设备

Similar Documents

Publication Publication Date Title
CN108764255B (zh) 一种冬小麦种植信息的提取方法
Azar et al. Assessing in-season crop classification performance using satellite data: A test case in Northern Italy
Qin et al. Mapping paddy rice planting area in cold temperate climate region through analysis of time series Landsat 8 (OLI), Landsat 7 (ETM+) and MODIS imagery
Li et al. Changes in rice cropping systems in the Poyang Lake Region, China during 2004–2010
CN107527014A (zh) 县级作物种植面积遥感统计抽样调查方案设计方法
CN105678281B (zh) 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
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
CN109389049A (zh) 基于多时相sar数据与多光谱数据的作物遥感分类方法
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
CN108932521B (zh) 一种基于深度学习的农作物分类方法及系统
CN108399400A (zh) 一种基于高分辨率遥感数据的早期作物识别方法和系统
CN103914755A (zh) 一种确定田间调查及田间管理的空间尺度的方法及系统
CN109636882A (zh) 基于数字高程模型和遥感影像的黑土区数字土壤制图方法
Cuo et al. Topographic normalization for improving vegetation classification in a mountainous watershed in Northern Thailand
Scholand et al. Deriving the main cultivation direction from open remote sensing data to determine the support practice measure contouring
Lubis et al. Land Use and Land Cover change detection using remote sensing and geographic information system in Bodri Watershed, Central Java, Indonesia
Villarreal et al. A multitemporal (1979-2009) land-use/land-cover dataset of the binational Santa Cruz watershed
CN110188955A (zh) 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法
Chaudhari et al. Crop inventory of orchard crops in India using remotely sensed data
Miao et al. Investigating the capability of multi-temporal Landsat images for crop identification in high farmland fragmentation regions
Foroutan‐pour et al. Effects of plant population density and intercropping with soybean on the fractal dimension of corn plant skeletal images
Yang et al. Monitoring winter wheat in ShanDong province using Sentinel data and Google Earth Engine platform
Mustafa et al. Mapping of degraded lands from multidate remotely sensed data using decision tree based classification (DTC)
Chong et al. Combination of radar and optical remote sensing data for land cover/use mapping
Lasquites et al. Mapping of Sargassum distribution in the eastern coast of southern leyte using sentinel 2 satellite imagery

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190416