CN109670521A - 一种基于遥感图像的内陆水体蓝藻分类识别方法 - Google Patents

一种基于遥感图像的内陆水体蓝藻分类识别方法 Download PDF

Info

Publication number
CN109670521A
CN109670521A CN201810840258.0A CN201810840258A CN109670521A CN 109670521 A CN109670521 A CN 109670521A CN 201810840258 A CN201810840258 A CN 201810840258A CN 109670521 A CN109670521 A CN 109670521A
Authority
CN
China
Prior art keywords
cyanobacteria
output
remote sensing
node
neural network
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.)
Withdrawn
Application number
CN201810840258.0A
Other languages
English (en)
Inventor
陈嘉琪
吕吉明
王健
王娴珏
胡居荣
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201810840258.0A priority Critical patent/CN109670521A/zh
Publication of CN109670521A publication Critical patent/CN109670521A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于遥感图像的内陆水体蓝藻分类识别方法，包括如下步骤：1）获得光学遥感数据源图像，然后对获得的数据源图像进行处理，得到一个可以进行识别的预处理光学图像；2）对步骤1）中得到的可识别的预处理光学图像进行辐射定标和大气校正；3）利用步骤2）中得到的进行过辐射标定和大气校正之后的图像建立用于提取水体蓝藻信息的深度神经网络并通过其识别蓝藻信息。本发明将遥感图像引入到蓝藻的监测当中，克服传统的人工现场采集水样进行水质分析的方法因为采样频次有限、成本高。耗时长等困难。遥感图像具备高空间覆盖度、高时间分辨率的特点，能够很好地对湖泊蓝藻水华进行检测。

Description

一种基于遥感图像的内陆水体蓝藻分类识别方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于遥感图像的内陆水体蓝藻分类识别方法。
背景技术
LANDSAT美国陆地系列卫星，是主要传输光学图像的卫星，主要任务是调查地下矿藏、海洋资源和地下水资源，监视和协助管理农、林、畜牧业和水利资源的合理使用，预报农作物的收成，研究自然植物的生长和地貌，考察和预报各种严重的自然灾害(如地震)和环境污染，拍摄各种目标的图像，以及绘制各种专题图(如地质图、地貌图、水文图)等
欧洲航天局(ESA，European Space Agency)发射的Sentinel－2A卫星携带一枚多光谱成像仪，可覆盖13个光谱波段，幅宽度达290千米。该卫星在运行期间将提供有关农业、林业种植方面的监测信息，对预测粮食产量、保证粮食安全等具有重要意义。此外，它还将用于观测地球土地覆盖变化及森林，监测湖水和近海水域污染情况，以及通过对洪水、火山喷发、山体滑坡等自然灾害进行成像为灾害测绘和人道主义救援提供帮助。
对蓝藻的爆发有明显的季节性，受温度、阳光、PH值、营养物质以及风向、风速、水体流速等多种综合因素的影响，具有面积大、时空变异剧烈的特点。卫星遥感作为一种全新的技术检测手段，具备高空间覆盖度、高时间分辨率的的特点，能够很好的满足湖泊蓝藻水华爆发的要求。应用卫星遥感技术可以快速、直观、准确的圈定水域藻类爆发的时间和地点，为蓝藻水华监测提供充足的数据。
光学遥感是指传感器的工作波段在可见光波段范围(0.38-0.76μm)之内的遥感技术。各种地物对不同光谱具有不同的吸收率和反射率，且物体在高于绝对温度零度时，因为其自身的辐射，发射率与波长的关系也不同。叶绿素a是藻类植物中最丰富的色素，是反映水体富营养化程度的一个重要指标。一般情况下，随着叶绿素a浓度的不同，在0.43-0.70μm范围会有选择地出现较明显的差异。通过正常水体与蓝藻水华水体在近红外波段处的显著性差异，可以有效区分正常水体和蓝藻水华水体。
传统对蓝藻的监测，主要集中的方法在于利用陆地水环境监测站，该方法虽然可以监测湖水蓝藻情况，但受限于人力，该方法不能及时大面积准确的监测湖面蓝藻。
发明内容
针对现有技术存在的问题，本发明提供一种基于遥感图像的内陆水体蓝藻分类识别方法，能够对研究区域的蓝藻在一定范围内进行实时监测。本发明所要解决的技术问题是通过以下技术方案实现的：
一种基于遥感图像的内陆水体蓝藻分类识别方法，包括以下步骤：
第一步，首先是在获得相关的光学遥感数据源图像，并且对数据源进行处理，这里处理指对数据源图像进行多波段的融合得到一个多通道的卫星光学图像，目的在于利用不同波段的光谱特征进行蓝藻的识别。
接下来，因为得到的图像存在噪点和光学偏差，对得到的可识别的预处理光学图像进行辐射定标和大气校正，通过ENVI5.1中提供的通用辐射定标工具(RadiometricCalibration)自动从元数据文件中读取参数，从而完成辐射定标。大气校正基于ENVI 5.1中的FLAASH辐射传输模块完成。
再接下来，利用得到的进行过辐射标定和大气校正之后的图像建立用于提取水体蓝藻信息的深度神经网络并通过其识别蓝藻信息，具体为：
a)构建BP神经网络，利用BP神经网络对图像进行水体分类
将之前经处理过的图像作为原始输入数据，从中抽出原始数据的80％作为训练样本，剩下20％作为测试样本来评估结果精度；
b)利用BP神经网络进行样本训练：包括正向传播，即样本信息进入神经网络中的输入层后，隐含层计算后将计算结果传递到输出层，输出结果不符合要求时再进行反向传播，即从输出节点反向向神经网络中的隐含层传播由总误差诱发的权值修正；
c)对通过样本训练构建出的神经网络进行参数设定，设定初始权值θ＝0.9，权重调节速度η＝0.2，动量因子ɑ＝0.9，网络全局误差E＝0.1；进行过辐射标定和大气校正之后的图像经过参数设定后的神经网络层得到识别出的蓝藻信息。
进一步的，所述构建BP神经网络具体为：
(a)将全部的权值与结点的阈值预置为一个小的随机值；
(b)加载输入与输出；在n个输入结点上加载一维输入向量x，并指定每一输出的结点期望值ti,若该网络用于实现M种模式的分类器，则除了表征与输入相对应模式类的输出结点期望值为1外，其余输出节点的期望值均应指定为0；
(c)计算实际输出y1,y2,...yi...,yM；假设欲将M类模式分类，则先计算各输出结点i＝1,2,…，M的实际输出yi，yi表示第i类模式所对应的输出节点的实际输出向量，输出节点的计算公式如下：
其中，xj和yk分别为隐含层和输出层的输出值，θj和θk分别为输出层和隐含层所对应的内部阈值，Wi和Wj分别表示从输入层到隐含层、从隐含层到输出层的权值；
(d)修正权值，从输出结点开始，反向地向第一隐含层传播由总误差诱发的权值修正，下一时刻互联权值的计算公式如下：
Wij(t+1)＝Wij(t)+ηδjxi (3)
其中，j为本结点的序号，i为隐含层或输入层结点序号；xi是第i个结点的输出或是外部输入，η为增益项；δj为误差项。
(e)在达到预定误差精度或循环次数后退出，否则转到步骤(b)重复。
本发明所达到的有益效果是：首先，本发明使用机器学习中的神经网络算法，搭建的神经网络结构实现了光学遥感图像的蓝藻提取，不仅可以减少了人工监测的工作量，而且对于精度也较之传统方式有了一个较大的提升。
其次，本发明实现了利用应用卫星遥感技术可以快速、直观、准确的圈定水域藻类爆发的时间和地点，为蓝藻水华监测提供充足的数据。
附图说明
图1为本发明的人工神经元数学模型示意图；
图2为本发明中三层BP神经网络模型示意图；
图3为本发明中BP网络训练基本原理图示意图；
图4为本发明中BP算法流程图；
图5为本发明中波段融合后的太湖水域遥感影像图；
图6为本发明中分类后的太湖水域遥感影像图；
图7为本发明的流程图。
具体实施方式
为了进一步描述本发明的技术特点和效果，以下结合附图和具体实施方式对本发明做进一步描述。
参照图1到图7所示，一种基于遥感图像的内陆水体蓝藻分类识别方法，
图1是本发明的人工神经元数学模型示意图，每个神经元单元都是生物神经网络中神经元细胞的模拟样式，具有多输入、单输出的特点，是人工神经网络中的一个非线性元件。接着，图2是本发明中三层BP神经网络模型示意图，BP神经网络由一个输入层、一个或多个隐含层以及一个输入层组成。经过上文的分析，已知只有一个隐含层时可以满足效果与效率的双重要求。本研究采用了只有一个隐含层的三层BP神经网络。本研究使用了预处理之后的三个波段作为源数据，因此设置三个输入结点。输出结点数即为分类结果数，与用户定义的分类数量相同。由于在本文中主要研究蓝藻的提取，不涉及植被以及建筑用地等的详细分类，因此只定义了三种分类类型：陆地、水体和蓝藻。隐含层节点个数的确定相对比较困难，一般情况下，只有一个隐含层时，隐含层节点数量是输入节点的2-3倍。
图3为本发明中BP网络训练基本原理图示意图。BP算法的实现过程如下：
(1)将全部的权值与结点的阈值预置为一个小的随机值；
(2)加载输入与输出；
在n个输入结点上加载一维输入向量x，并指定每一输出的结点期望值ti。若该网络用于实现M种模式的分类器，则除了表征与输入相对应模式类的输出结点期望值为1外，其余输出节点的期望值均应指定为0，每次训练可以从样本集中选取新的同类或异类样本，查到权值对各类样本均达到稳定。实际上，为保证好的分类效果，准备足够数量的分类样本，常常是必要的。
(3)计算实际输出y1,y2,...yi...,yM；
假设欲将M类模式分类，需要先计算各输出结点(i＝1,2,…，M)的实际输出yi。输出结点计算公式如下：
隐含层的输出值：
输出层的输出值：
上式中，xj和yk分别为隐含层和输出层的输出值，θj和θk输出层和隐含层所对应的内部阈值，Wi和Wj分别代表从输入层到隐含层、从隐含层到输出层的权值。
(4)修正权值；
权值修正过程是从输出结点开始，反向地向第一隐含层(存在多层隐含层时最接近输入层的隐含层)传播由总误差诱发的权值修正。下一时刻互联权值的计算公式如下：
Wij(t+1)＝Wij(t)+ηδjxi (3)
其中，j为本结点(当前状态)的序号，i为隐含层或输入层结点序号；Wij(t+1)为t+1时刻从当前的j节点返回到节点i的权值，xi是结点i的输出或是外部输入；η为增益项；δj为误差项，其取值有以下两种情况：
4.1)若j为输出结点，δj＝yj(1-yi)(tj-yj) (4)
其中，tj为输出结点j的期望值；yi为该节点(即隐含层或外部输入层)的实际输出值；yj表示输出节点的输出值；
4.2)若j为内部隐含结点，
其中，k为j结点所在层(隐含层)之上各层的全部结点；
δk为所在层(隐含层)所有节点的误差项、Wk表示全部节点的权值。
(5)在达到预定误差精度或循环次数后退出，否则转步骤(2)重复。
再下一步中，BP网络学习开始，需要首先确以下参数：
1)选择活化函数(Activation)。对数(Logistic)和双曲线(Hyperbolic)。
2)训练贡献阈值(Training Threshold Contribution)即初始权值。该参数取值在0-1之间，用于调节结点内部权重的变化。适当调整结点的内部权重可以获得较好的分类效果。但是当设置的权重过大时，对分类结果也会产生不良影响。
3)权重调节速度(Training Rate)。取值范围在0-1之间，参数值越大，训练速度越快，但会增加摆动或者使训练结果不收敛。
4)动量因子(Training Momentum)。取值范围在0-1之间，取值越大，训练的步幅越大。该参数的作用是促使权重沿当前方向改变。
5)网络全局误差E。即在神经网络运行时，输出成果与期望值进行对比，产生的误差与设定的误差临界值对比，如小于临界值则输出，如大于临界值则返回继续运算。
在本发明中，选择对数为活化函数，设置各参数数值如下：初始权值θ＝0.9，权重调节速度η＝0.2，动量因子ɑ＝0.9，网络全局误差E＝0.1。
图5为本发明的波段融合后的太湖水域遥感影像，选取通道(band)为752的遥感图像，以达到提高地物的可判读性，使判读结果更科学合理的目的。
最后，使用上述已经完成的神经网络对已有的光学图像进行分类，得到的结果如图6所示。
上述实施例不以任何形式限定本发明，凡采取等同替换或等效变换的形式所获得的技术方案，均落在本发明的保护范围之内。

Claims (6)

1.一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于，包括如下步骤：
(1)获得光学遥感数据源图像，然后对获得的数据源图像进行处理，得到一个可以进行识别的预处理光学图像；
(2)对步骤(1)中得到的可识别的预处理光学图像进行辐射定标和大气校正；
(3)利用步骤(2)中得到的进行过辐射标定和大气校正之后的图像建立用于提取水体蓝藻信息的深度神经网络并通过其识别蓝藻信息。
2.根据权利要求1所述的一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于：
步骤(1)中对获得的数据源图像进行处理具体为：对数据源图像进行多波段的融合得到一个多通道的卫星光学图像。
3.根据权利要求1所述的一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于，步骤(2)中辐射标定采用ENVI5.1中的辐射标定工具自动从图像文件中读取参数，从而完成辐射标定；大气校正采用ENVI5.1中的FLAASH辐射传输模块完成校正。
4.根据权利要求1所述的一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于，
所述步骤(3)利用步骤(2)中得到的进行过辐射标定和大气校正之后的图像建立用于提取水体蓝藻信息的深度神经网络并通过其识别蓝藻信息具体为：
3a)构建BP神经网络，利用BP神经网络对图像进行水体分类
将经处理过的图像作为原始输入数据，从中抽出原始数据的80％作为训练样本，剩下20％作为测试样本来评估结果精度；
3b)利用BP神经网络进行样本训练：包括正向传播，即样本信息进入神经网络中的输入层后，隐含层计算后将计算结果传递到输出层，输出结果不符合要求时再进行反向传播，即从输出节点反向向神经网络中的隐含层传播由总误差诱发的权值修正；
3c)对通过样本训练构建出的神经网络进行参数设定，进行过辐射标定和大气校正之后的图像经过参数设定后的神经网络层得到识别出的蓝藻信息。
5.根据权利要求4所述的一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于：所述参数设定具体为：设定初始权值θ＝0.9，权重调节速度η＝0.2，动量因子ɑ＝0.9，网络全局误差E＝0.1。
6.根据权利要求4所述的一种基于遥感图像的内陆水体蓝藻分类识别方法，其特征在于：所述构建BP神经网络具体为：
(a)将全部的权值与结点的阈值预置为一个小的随机值；
(b)加载输入与输出；在n个输入结点上加载一维输入向量x，并指定每一输出的结点期望值ti,若该网络用于实现M种模式的分类器，则除了表征与输入相对应模式类的输出结点期望值为1外，其余输出节点的期望值均应指定为0；
(c)计算实际输出y1,y2,...yi...,yM；假设欲将M类模式分类，则先计算各输出结点i＝1,2,…，M的实际输出yi，yi表示第i类模式所对应的输出节点的实际输出向量，输出节点的计算公式如下：
其中，xj和yk分别为隐含层和输出层的输出值，θj和θk分别为输出层和隐含层所对应的内部阈值，Wi和Wj分别表示从输入层到隐含层、从隐含层到输出层的权值；
(d)修正权值，从输出结点开始，反向地向第一隐含层传播由总误差诱发的权值修正，下一时刻互联权值的计算公式如下：
Wij(t+1)＝Wij(t)+ηδjxi (3)
其中，j为本结点的序号，i为隐含层或输入层结点序号；xi是第i个结点的输出或是外部输入，η为增益项；δj为误差项；
(e)在达到预定误差精度或循环次数后退出，否则转到步骤(b)重复。
CN201810840258.0A 2018-07-27 2018-07-27 一种基于遥感图像的内陆水体蓝藻分类识别方法 Withdrawn CN109670521A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810840258.0A CN109670521A (zh) 2018-07-27 2018-07-27 一种基于遥感图像的内陆水体蓝藻分类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810840258.0A CN109670521A (zh) 2018-07-27 2018-07-27 一种基于遥感图像的内陆水体蓝藻分类识别方法

Publications (1)

Publication Number Publication Date
CN109670521A true CN109670521A (zh) 2019-04-23

Family

ID=66141930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810840258.0A Withdrawn CN109670521A (zh) 2018-07-27 2018-07-27 一种基于遥感图像的内陆水体蓝藻分类识别方法

Country Status (1)

Country Link
CN (1) CN109670521A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414488A (zh) * 2019-08-20 2019-11-05 河海大学 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法
CN111104976A (zh) * 2019-12-12 2020-05-05 南京大学 一种基于时间序列图像的蓝藻覆盖率计算方法
CN111325126A (zh) * 2020-02-12 2020-06-23 二十一世纪空间技术应用股份有限公司 遥感图像的解译方法及装置
CN111798124A (zh) * 2020-06-30 2020-10-20 平安国际智慧城市科技股份有限公司 基于图像识别的任务管理方法、装置、电子设备及介质
CN113063906A (zh) * 2021-02-09 2021-07-02 国家海洋局南海预报中心(国家海洋局广州海洋预报台) 一种叶绿素a锋面的检测方法及装置
CN113537405A (zh) * 2021-08-25 2021-10-22 太湖流域水文水资源监测中心（太湖流域水环境监测中心） 一种采用人工智能技术的蓝藻图像分类识别工具

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414488A (zh) * 2019-08-20 2019-11-05 河海大学 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法
CN111104976A (zh) * 2019-12-12 2020-05-05 南京大学 一种基于时间序列图像的蓝藻覆盖率计算方法
CN111325126A (zh) * 2020-02-12 2020-06-23 二十一世纪空间技术应用股份有限公司 遥感图像的解译方法及装置
CN111325126B (zh) * 2020-02-12 2023-11-03 二十一世纪空间技术应用股份有限公司 遥感图像的解译方法及装置
CN111798124A (zh) * 2020-06-30 2020-10-20 平安国际智慧城市科技股份有限公司 基于图像识别的任务管理方法、装置、电子设备及介质
CN113063906A (zh) * 2021-02-09 2021-07-02 国家海洋局南海预报中心(国家海洋局广州海洋预报台) 一种叶绿素a锋面的检测方法及装置
CN113537405A (zh) * 2021-08-25 2021-10-22 太湖流域水文水资源监测中心（太湖流域水环境监测中心） 一种采用人工智能技术的蓝藻图像分类识别工具

Similar Documents

Publication Publication Date Title
CN109670521A (zh) 一种基于遥感图像的内陆水体蓝藻分类识别方法
Wang et al. Neural network classification of mangrove species from multi-seasonal Ikonos imagery
Ruiz-Luna et al. Modifications in coverage patterns and land use around the Huizache-Caimanero lagoon system, Sinaloa, Mexico: a multi-temporal analysis using LANDSAT images
Zhao et al. Mapping rice paddies in complex landscapes with convolutional neural networks and phenological metrics
CN111046613B (zh) 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法
CN111523525A (zh) 农作物分类识别方法、装置和电子设备
CN116883853B (zh) 基于迁移学习的作物时空信息遥感分类方法
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
Khan et al. County-level corn yield prediction using supervised machine learning
Zou et al. The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance
Ayub et al. Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning
Mohammadpour et al. Applications of Multi‐Source and Multi‐Sensor Data Fusion of Remote Sensing for Forest Species Mapping
Zhang et al. Water quality parameters retrieval of coastal mariculture ponds based on UAV multispectral remote sensing
Ormeci et al. Identification of crop areas Using SPOT–5 data
Zhang et al. Detailed mapping of a salt farm from Landsat TM imagery using neural network and maximum likelihood classifiers: a comparison
Nanare et al. Remote sensing satellite image analysis for deforestation in yavatmal district, maharashtra, india
Tahraoui et al. Land change detection in sentinel-2 images using ir-mad and deep neural network
Meedeniya et al. Prediction of paddy cultivation using deep learning on land cover variation for sustainable agriculture
Han et al. A graph-based deep learning framework for field scale wheat yield estimation
Duan et al. Time-scale transferring deep convolutional neural network for mapping early rice
Norris et al. Effect of textural features for landcover classification of UAV multispectral imagery of a salt marsh restoration site
Alba et al. Land cover change detection in Southern Brazil through orbital imagery classification methods
Nurul Application of Remote Sensing and Geographic Information System Techniques to Monitoring of Protected Mangrove Forest Change in Sabah, Malaysia
Khidher et al. Automatic trees density classification using deep learning of unmanned aerial vehicles images
Khallaghi Posidonia Oceanica habitat mapping in shallow coastal waters along Losinj Island, Croatia using Geoeye-1 multispectral 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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190423

WW01 Invention patent application withdrawn after publication