CN109753916A - 一种归一化差分植被指数尺度转换模型构建方法及装置 - Google Patents
一种归一化差分植被指数尺度转换模型构建方法及装置 Download PDFInfo
- Publication number
- CN109753916A CN109753916A CN201811628081.4A CN201811628081A CN109753916A CN 109753916 A CN109753916 A CN 109753916A CN 201811628081 A CN201811628081 A CN 201811628081A CN 109753916 A CN109753916 A CN 109753916A
- Authority
- CN
- China
- Prior art keywords
- image
- ndvi
- remote sensing
- spatial scaling
- sensing image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000008569 process Effects 0.000 claims description 29
- 238000002310 reflectometry Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 241000282693 Cercopithecidae Species 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 23
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 241000894007 species Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012019 product validation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明实施例提供一种归一化差分植被指数尺度转换模型构建方法及装置。方法包括：获取目标区域的OLI遥感影像；其中，所述OLI遥感影像具有第一空间分辨率；对OLI遥感影像进行预处理；对OLI遥感影像进行面向对象分类，得到精细分类结果；根据目标空间分辨率确定采集窗口，根据采集窗口对OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，以得到具有目标空间分辨率的NDVI升尺度影像，从而根据NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证。本发明通过对影像进行精细分类，在描述地表空间异质性带来的NDVI尺度效应方面更为细致和深刻。
Description
技术领域
本发明涉及指数尺度转换技术领域，具体而言，涉及一种归一化差分植被指数尺度转换模型构建方法及装置。
背景技术
归一化差分植被指数(NDVI)作为植被生长状态及植被覆盖度的最佳指示因子，被广泛应用于环境(气候)变化、农作物估产等领域。在现有的多种植被指数产品中，MODIS植被指数产品因无偿使用、稳定提供、全球覆盖、时相连续等优点备受重视，它在森林火灾、草原植被生长、干旱、土地荒漠化等生态环境监测研究中应用广泛。但是MODIS植被指数产品的最高空间分辨率为250m，这种遥感地表参数的真实性检验是一个无法回避的重要问题。MODIS植被指数产品的真实性检验需要通过尺度转换的方法进行。
遥感地表参数的尺度转换问题是定量遥感研究中一个基础且重要的问题，许多学者对包含NDVI在内的多种地表参数进行研究并获得多种转换方法，通常包括统计学方法、物理模型方法及数学解析的方法几类。此外，还有一些学者，如张仁华、栾海军、Wu基于分形理论进行遥感地表参数尺度转换研究，在地表参数“连续”尺度转换关系建立方面有新的、有意义的发现。统计学方法实用性强、但是转换模型无明确物理意义、不具有普适性；物理模型方法所得转换模型物理意义更明确，但是数量少且简化假设条件多、精度受到限制；基于泰勒级数展开的尺度转换模型是一种颇具代表性的高精度、普适性强的数学解析方法，但以往的研究往往应用于均一地类；而基于分形理论进行的研究在转换的“尺不变”范围、内在机理阐释方面仍存在不少问题。
目前，融合地物类别信息的遥感地表参数尺度转换研究成为一种新的趋势。传统模型如式1-3所示：
ρr＝wρrw+(1-w)ρrl (式1)
ρnir＝wρnirw+(1-w)ρnirl (式2)
式中，ρr、ρnir分别代表大尺度像元红光、近红外波段的平均地表反射率，w代表大尺度像元内水体所占面积比，ρrw、ρnirw、ρrl、ρnirl分别代表大尺度像元内水体的红光、近红外波段地表反射率和陆地的红光、近红外波段地表反射率，NDVI代表大尺度像元的归一化差分植被指数值。
该已有的融合地物类别信息的地表参数升尺度转换研究中，传统模型对大尺度像元进行分类为水体、陆地两类，学者们所考虑的地物类别仍然较粗略，无法充分反映地表的空间异质性。
发明内容
有鉴于此，本发明实施例的目的在于提供一种归一化差分植被指数尺度转换模型构建方法，以改善现有的地表参数升尺度转换研究中的地物类别粗略、无法精确反映地表空间异质性影响的问题。
本发明实施例提供了一种归一化差分植被指数尺度转换模型构建方法，包括:
S1、获取目标区域的OLI遥感影像；其中，所述OLI遥感影像具有第一空间分辨率；
S2、对所述OLI遥感影像进行预处理；
S3、对所述OLI遥感影像进行面向对象分类，得到精细分类结果；
S4、根据目标空间分辨率确定采集窗口，根据所述采集窗口对所述OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，以得到具有目标空间分辨率的NDVI升尺度影像，从而根据所述NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证。
优选的，在步骤S2中，对所述OLI遥感影像进行预处理具体包括：
S21、对所述OLI遥感影像进行大气校正、异常值处理；
S22、利用野外实测控制点对OLI遥感影像进行几何精校正。
优选的，步骤S3具体包括：
S31、根据目标区域的地类状况，确定OLI遥感影像最优分割尺度，完成影像分割；
S32、提取影像特征。
S33、建立分类体系；其中，所述分类体系包括林地、建设用地、水体、农田、裸地、滩涂和沙地。
优选的，所述影像特征为光谱和几何特征，包括波段亮度、波段比、最大差分、长宽比、圆率和小波域分形纹理。
优选的，步骤S3还包括：对所述分类结果进行精度评定，具体为:
利用野外实测样点建立验证图层，计算分类结果的混淆矩阵，进而得出总体精度和Kappa系数。
优选的，在步骤S4中，根据目标空间分辨率确定采集窗口，根据所述采集窗口对所述OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，具体包括：
S41、根据目标分辨率确定采集窗口的大小；
S42、获取采集窗口内OLI遥感影像分类结果和OLI遥感影像中不同地类的红光、近红外波段地表反射率均值；
S43、根据改进的Chen NDVI尺度转换模型计算合并后像元的归一化差分植被指数NDVI。
优选的，在步骤S43中，所述改进的Chen NDVI尺度转换模型如下式所示：
式中，Num为地类种数，i为地类序号，取值范围为1～Num，classii为模型计算窗口内某一地类的数量占比，ρr为红光波段地表反射率，ρnir为近红外波段地表反射率，ρri、ρniri分别为计算窗口内对应于该地类的红光、近红外波段地表反射率均值。
优选的，在步骤S4中，根据所述NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证具体包括：
S44、分别计算得到预处理后的OLI遥感影像基于传统的Chen NDVI尺度转换模型、改进的Chen NDVI尺度转换模型的NDVI升尺度转换影像；
S45、处理得到MODIS产品“无数据”像素处理后影像，计算得到其与对应的NDVI升尺度转换影像的差值影像；
S46、绘制直方图进行比对，计算统计量和相关系数。
优选的，步骤S45具体包括：
对所述MODIS产品进行重投影，参考预处理后的OLI遥感影像分辨率对重投影后的MODIS产品进行裁剪；
利用所述NDVI升尺度转换影像对裁剪后的MODIS产品进行“无数据”像素处理，得到MODIS产品“无数据”像素处理后影像；
计算MODIS产品“无数据”像素处理后影像与对应的升尺度转换影像的差值，得到其与对应的NDVI升尺度转换影像的差值影像。
本发明实施例还提供了一种归一化差分植被指数尺度转换装置，包括：
影像获取单元：用于获取目标区域的OLI遥感影像；其中，所述OLI遥感影像具有第一空间分辨率；
影像预处理单元：用于对所述OLI遥感影像进行预处理；
分类单元：用于对所述OLI遥感影像进行面向对象分类，得到精细分类结果；
影像升尺度转换单元：用于根据目标空间分辨率确定采集窗口，根据所述采集窗口对所述OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，以得到具有目标空间分辨率的NDVI升尺度影像，从而根据所述NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证，其中所述目标空间分辨率大于所述第一空间分辨率。
本发明实施例的归一化差分植被指数尺度转换模型构建方法的有益效果是：本发明在传统模型的基础上，融入更为精细的地物类别信息，以改进NDVI尺度转换模型精细度，对影像进行精细分类，从而在定量描述地表空间异质性带来的NDVI尺度效应方面更为全面而深刻。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例1提供的一种归一化差分植被指数尺度转换模型构建方法的流程示意图；
图2为本发明实施例1提供的预处理所得OLI影像图；
图3为图2的NDVI影像图；
图4为240m MODIS产品影像；
图5为图4的直方图；
图6为250m MODIS产品影像；
图7为图6的直方图；
图8是建设用地与林地混合地类的不同方法的NDVI尺度转换结果；
图9是林地和水体混合地类的不同方法的NDVI尺度转换结果；
图10为水体和农田混合地类的不同方法的NDVI尺度转换结果；
图11是沙地和裸地混合地类的不同方法的NDVI尺度转换结果；
图12为传统的两种地类分类体系示意图；
图13为本发明实施例1提供的七种地类分类体系示意图；
图14为本发明实施例1提供的基于传统的Chen NDVI模型的240mNDVI升尺度影像示意图；
图15为本发明实施例1提供的基于改进的Chen NDVI模型的240mNDVI升尺度影像示意图；
图16为本发明实施例提供的240m MODIS产品基于图14影像“无数据”像素处理后的结果影像；
图17为本发明实施例提供的240m MODIS产品基于图15影像“无数据”像素处理后的结果影像；
图18为图16与图14的差值影像；
图19为图17与图15的差值影像；
图20为图14的直方图；
图21为图15的直方图；
图22为图16的直方图；
图23为图17的直方图；
图24是本发明实施例1提供的基于传统的Chen NDVI模型的250mNDVI升尺度影像直方图；
图25为本发明实施例1提供的基于改进的Chen NDVI模型的250mNDVI升尺度影像直方图；
图26为本发明实施例1提供的250m MODIS产品基于图24影像“无数据”像素处理后的结果影像直方图；
图27为本发明实施例1提供的250m MODIS产品基于图25影像“无数据”像素处理后的结果影像直方图；
图28是本发明第二实施例提供的一种归一化差分植被指数尺度转换装置示意图。
图标：210-影像获取单元；220-影像预处理单元；230-分类单元；240-影像升尺度转换单元。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，本发明第一实施例提供了一种归一化差分植被指数尺度转换模型构建方法，包括:
S1、获取目标区域的OLI遥感影像；其中，所述OLI遥感影像具有第一空间分辨率；
在本实施例中，可以选用代表性的中等空间分辨率卫星传感器获取目标区域的遥感影像，其中，Landsat8OLI传感器的波谱、辐射等特性使其在地类识别、专题要素提取方面具有典型优势。需要说明的是，可根据目标区域的地类状况，选用SPOT5卫星、rapideye卫星、landsat5卫星或landsat7卫星的影像，本发明不做具体限定。
其中，在本实施例中，矩形区域便于地表参数的尺度转换研究，气候环境适宜、生产活动兴盛的实验区域，其遥感影像上地物类别丰富，具有较显著的空间异质性，将引起遥感地表参数(如NDVI)的显著尺度效应，进而为实验提供重要的条件。
S2、对所述OLI遥感影像进行预处理；
S3、对所述OLI遥感影像进行面向对象分类，得到精细分类结果；
S4、根据目标空间分辨率确定采集窗口，根据所述采集窗口对所述OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，以得到具有目标空间分辨率的NDVI升尺度影像，从而根据所述NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证。
在本实施例中，通过分析参考目标区域的地类状况，综合考虑影像识别能力、后续尺度转换的需要，得到了更为精细的分类结果，可满足后续的应用需要。
其中，在本实施例中，所述MODIS产品为实验区OLI遥感影像相同时相的MODISNDVI产品，为了便于理解，本实施例中以MOD13Q1(16天合成植被指数产品)为目标区域的OLI遥感影像的同时相MODIS NDVI产品进行示例性描述。
在本实施例中，可以利用实验区OLI遥感影像精细分类结果，融入传统及改进的两类Chen NDVI尺度转换模型，实现分辨率为30m的OLI影像升尺度转换，进而对MOD13Q1产品进行真实性检验，获取评估结论。
在一种实现方式中，由于MOD13Q1产品的原始分辨率为231.7m，在利用MODIS重投影工具(MODIS Reprojection Tool,MRT)进行重投影时可得分辨率为240m、250m两类结果，因此，以240m、250m两种产品进行验证。其中250m分辨率产品是我们实际通常使用的产品，而240m分辨率产品由于原始OLI遥感影像符合整倍数的关系，OLI遥感影像的NDVI升尺度影像与240m分辨率产品可直接进行对比分析，无需进行重采样，因此对于有利于获取更为准确的验证结果。故对240m、250m两种分辨率产品都进行了真实性检验。
在第一实施例的基础上，在一个优选实施例中，在步骤S2中，对所述OLI遥感影像进行预处理具体包括：
S21、对所述OLI遥感影像进行大气校正、异常值处理；
在本实施例中，以目标区域为主体，参考其地理范围从原始OLI遥感影像中裁剪出实验区，进而对裁剪后的OLI遥感影像进行大气校正，异常值处理。其中，对所述OLI遥感影像进行大气校正、异常值处理时用到的基本数据，例如实验区高程、气象参数等基本数据，可由厦门市官方网站和气象数据网站获取，可以选用RSD大气校正、USGSLaSRC大气校正等，本发明不做具体限定。
S22、利用野外实测控制点对OLI遥感影像进行几何精校正。
在本实施例中，需要对大气校正后的OLI遥感影像进行几何精校正。具体的，可以根据需要在所述目标区域采集多个地面控制点，采用ENVI、ERDAS、PCI等商用遥感软件几何校正模块予以实施。
在一种具体的实现方式中，选取以福建省厦门市为核心区的矩形实验区(实验区边缘包含了泉州、漳州和大小金门岛部分区域，但该部分总体占比很小)，矩形区域便于地表参数的尺度转换研究。厦门市地处福建省东南端、台湾海峡西岸，地理范围介于北纬24°23′-24°54′、东经117°53′-118°26′之间。在实验区内进行，按几何校正、分类结果验证2种用途共采集地面控制点85个、地物分类结果验证样点615个，表1所示为厦门市集美区的地物类别样点示例。其中，影像几何精校正精度为0.45个像元，可满足后续应用处理需要，所得影像如图2所示，计算该影像的NDVI，如图3所示。
表1野外实测地物类别样点示例
在第一实施例的基础上，在一个优选实施例中，步骤S3具体包括：
S31、根据目标区域的地类状况，确定OLI遥感影像最优分割尺度，完成影像分割；
在本实施例中，不同分割尺度具有不同的特异地类识别优势，由于目标区域大、地物复杂，应根据目标区域的地类状况、总体地类识别目的、比较确定更优分割尺度或其组合。在本实施例中，经过多次试验，确定分割尺度为165，进而完成影像分割。
S32、提取影像特征。
在本实施例中，所述影像特征为光谱和几何特征，包括波段亮度、波段比、最大差分、长宽比、圆率和小波域分形纹理等。可选的，所述影像特征还可以是其它光谱衍生特征或者纹理特征，如归一化差分植被指数、归一化差分水体指数、GLCM纹理特征等，本发明不作具体限定。各地类在影像上的目视解译特征如表2所示。
表2各地类在影像上的目视解译特征(影像波段组成：R：4，G：3，B：2)
S33、建立分类体系；其中，所述分类体系包括林地、建设用地、水体、农田、裸地、滩涂和沙地。需要说明的是，在建立分类体系的过程中，可根据目标区域的地类状况、结合所获得的遥感影像空间分辨率，建立合适的分类体系。在本实施例中，利用最大似然法对所述分割影像进行监督分类，获得精细分类结果，为方便理解，本发明将目标区域福建省厦门市的OLI影像分为七类进行示例性描述，并将其与传统的两类分类体系进行对比如图12、图13所示。其中，在传统的两种地类分类体系中，将所述S33中分类体系保留水体，将其它地类的混合体划分为第二类：陆地。
需要说明的是，对所述分割影像进行监督分类可以选用最大似然法分类法，也可以采用最近邻分类算法、SVM智能分类法等，本发明不做具体限定。
在第一实施例的基础上，在一个优选实施例中，步骤S3还包括：对所述分类结果进行精度评定，具体为:
利用野外实测样点建立验证图层，计算分类结果的混淆矩阵，进而得出总体精度和Kappa系数。
例如，在一种实现方式中，利用野外实测样点建立验证图层，可以对基于eCognition的影像自动解译结果进行精度评价：分别获取野外实测和自动解译采样点位置对应的地物类别，统计分类正确和错误的点位和数量，构建精度验证混淆矩阵，分别计算解译精度和Kappa系数。在本实施例中，总体精度为79.5％，Kappa系数0.7508，表明分类结果精度较高，可满足进一步的应用需要。
在第一实施例的基础上，在一个优选实施例中，在步骤S4中，根据目标空间分辨率确定采集窗口，根据所述采集窗口对所述OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，具体包括：
S41、根据目标分辨率确定采集窗口的大小；
例如，在本实施例中，原始OLI遥感影像分辨率为30m，目标NDVI升尺度影像的分辨率为240m、250m，因此，以8像元×8像元为窗口，对OLI NDVI影像利用尺度转换模型计算，得到一个240m NDVI像元，遍历整幅影像(各窗口无重叠)，即可得到240m空间分辨率NDVI升尺度影像。
S42、获取采集窗口内OLI遥感影像分类结果和OLI遥感影像中不同地类的红光、近红外波段地表反射率均值；
S43、根据改进的Chen NDVI尺度转换模型计算合并后像元的归一化差分植被指数NDVI。
在第一实施例的基础上，在一个优选实施例中，在步骤S43中，所述改进的ChenNDVI尺度转换模型如下式所示：
式中，Num为地类种数，i为地类序号，取值范围为1～Num，classii为模型计算窗口(如上文所述的8像元×8像元窗口)内某一地类的数量占比，ρr为红光波段地表反射率，ρnir为近红外波段地表反射率，ρri、ρniri分别为计算窗口内对应于该地类的红光、近红外波段地表反射率均值。
在一种实现方式中，当Num数值为2时，一种情况即是把中高空间分辨率影像分为陆地和水体两种地类，这时式4-6即传统的Chen NDVI模型：将所有陆地看作一体、赋予其某一代表数值(红光、近红外波段地表反射率分别为0.03、0.17)，同时与水体的代表数值(红光、近红外波段地表反射率皆为0.02)共同进行“地类对NDVI尺度效应影响定量分析”。显然，此处的“陆地”数值代表性并不强，因此基于精细地类识别信息进行“NDVI尺度效应地类敏感性分析”是必要的；另一种情况是当Num数值更大时，表明将对影像进行精细分类，式4-6即改进的Chen NDVI模型。传统模型对大尺度像元进行分类为水体、陆地两类，本实施例对传统的Chen NDVI尺度转换模型做出改进，融入了更多地物类别，将OLI影像划分为7种地类。
改进的Chen NDVI模型可以实现多种不同地类对NDVI尺度效应影响的定量分析，相比较只是针对水体、陆地对NDVI尺度效应影响分析的传统Chen NDVI模型而言，改进的Chen NDVI模型在定量描述地表空间异质性带来的NDVI尺度效应方面更为全面而深刻。
基于上述结果可进行如下尺度转换模型分析和MOD13Q1产品验证。
传统的Chen NDVI尺度换换模型将将所有陆地看作一体、赋予其某一代表数值(红光、近红外波段地表反射率分别为0.03、0.17)，同时与水体的代表数值(红光、近红外波段地表反射率皆为0.02)共同进行“地类对NDVI尺度效应影响定量分析”。显然，此处的“陆地”数值代表性并不强，因此基于精细地类识别信息进行“NDVI尺度效应地类敏感性分析”是必要的。改进的Chen NDVI尺度转换模型也可以称为“先平均后反演”的方法，为体现该方法的效果，这里引入如下“先反演后平均”(传统的Chen NDVI尺度转换模型)的方法与其进行对比：
式中，Num、i、classii含义同上，ρri、ρniri、NDVIi分别代表计算窗口内对应于某地类i的红光波段、近红外波段地表反射率均值及其NDVI值，NDVI代表整体窗口“大尺度像元”的NDVI值。
这里以建设用地和林地、林地和水体、农田与水体、沙地和裸地等几种地类混合的情况为例验证上述两种方法差异，后续将进行多种地类混合的实验研究。根据分类结果，建设用地、林地、水体、农田、沙地、裸地的红光、近红外波段地表反射率分别取表3中的近似值。进而分别基于公式4-6、7-8计算得到结果，绘图得图8-11所示，其中方法1基于改进的ChenNDVI尺度转换模型，方法2基于传统的Chen NDVI尺度转换模型。
表3不同地类红光、近红外波段地表反射率近似值
结合图4-7进行分析，可知：①上述4种地类混合方式，“先平均后反演”(基于改进的Chen NDVI模型)与“先反演后平均”2种方法结果皆存在差异，甚至差值较大，说明NDVI存在较显著的空间尺度效应；②不同地物类别的存在对于NDVI尺度效应的影响不同，如林地与水体混合、水体和农田混合皆表现出更显著的尺度效应，两种混合地类中皆有水体，表明：对于NDVI而言，水体的存在影响重大，是其尺度效应显著性的重要影响因子；③不同地类对NDVI尺度效应影响不同，它们综合作用将使混合地表呈现出更为复杂的尺度效应，应予以重视。实验结果表明基于改进的Chen NDVI尺度转换模型具有精细探测不同地类对NDVI尺度效应影响的作用。
在第一实施例的基础上，在一个优选实施例中，在步骤S4中，根据所述NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证具体包括：
S44、分别计算得到预处理后的OLI遥感影像基于传统的Chen NDVI尺度转换模型、改进的Chen NDVI尺度转换模型的NDVI升尺度转换影像；
例如，在本实施例中，将预处理后的OLI遥感影像红光波段、进红外波段及OLI遥感影像分类结果带入式1-6中，计算得到基于传统、改进的Chen NDVI模型的两幅240m升尺度转换影像，如图14、15所示。
S45、处理得到MODIS产品“无数据”像素处理后影像，计算得到其与对应的NDVI升尺度转换影像的差值影像；
在本实施例中，对所述MODIS产品进行重投影，参考预处理后的OLI遥感影像分辨率对重投影后的MODIS产品进行裁剪，得到240mMODIS产品影像及其直方图如图4、图5所示。
对上述预处理后的240m MODISNDVI产品进行“无数据”像素处理，具体为：利用上述两幅240m升尺度转换影像分别替换对应的240m MODIS产品海水区域的“无数据”像素,得到MODIS产品“无数据”像素处理后影像，如图16、17所示，计算其与对应的240m升尺度转换影像的差值影像，结果如图18、19所示。
S46、绘制直方图进行比对，计算统计量和相关系数。
在本实施例中，对基于传统、改进的Chen NDVI模型的两幅240m升尺度转换影像、MODIS产品“无数据”像素处理后影像分别绘制直方图进行比较，结果如图20-23所示，计算基本统计值和相关系数如表4所示。
表4 240m NDVI升尺度转换影像与MOD13Q1产品基本统计值对比
分析表4、图20-23，从最值、均值、方差等基本统计量及直方图可以看出，两组影像的相关系数达到了0.9以上，各组影像的基本统计量也保持相当高的一致性，表明MODIS产品整体上与NDVI升尺度影像吻合度较高，该产品的总体质量较好。
在一个优选实施例中，步骤S45还包括：
对所述MODIS产品进行重投影，参考预处理后的OLI遥感影像分辨率对重投影后的MODIS产品进行裁剪，得到250m MODIS产品影像及其直方图如图6、图7所示。
对240m NDVI升尺度转换影像重采样得250m影像，利用此影像对相同范围的250mMODIS NDVI产品进行“无数据”像素处理，得到其“无数据”像素处理后的影像。
计算MODIS产品“无数据”像素处理后影像与对应的升尺度转换影像的差值，得到其与对应的NDVI升尺度转换影像的差值影像。
在本实施例中，“无数据”像素处理具体为，利用上述两幅240m升尺度转换影像分别替换对应的240m MODIS产品海水区域的“无数据”像素,得到MODIS产品“无数据”像素处理后影像。
在本实施例中，参考240m MOD13Q1影像的处理方法，对250mMOD13Q1产品进行验证，得到本发明实施例1提供的基于传统的、改进的Chen NDVI模型的250m NDVI升尺度影像如图24、25所示；进一步得到本发明实施例提供的250m MODIS产品基于传统的Chen NDVI模型尺度转换结果“无数据”像素处理后影像(其直方图如图26所示)，计算其与传统的ChenNDVI模型的250m NDVI升尺度影像的差值影像，计算250mMODIS产品基于改进的Chen NDVI模型尺度转换结果“无数据”像素处理后影像(其直方图如图27所示)，计算其与改进的ChenNDVI模型的250mNDVI升尺度影像的差值影像，计算上述影像的基本统计值和相关系数如表5所示：
表5 250m NDVI升尺度转换影像与MOD13Q1产品基本统计值对比
在本实施例中，通过对传统的、改进的Chen NDVI尺度转换模型进行比较，可以得出：
(1)在理论上传统的、改进的Chen NDVI模型结果相同，因此前段所述两种尺度转换方法结论吻合是合理的；甚至，相比较两类地物的识别，七类地物的识别精度低一些，改进的模型计算结果精度差一些；(2)精细地类充分顾及了地表空间异质性的客观存在，故相比较传统的Chen NDVI尺度转换模型，融入精细地物类别的改进的Chen NDVI尺度转换模型有助于获得更精细的升尺度转换结果，可实现不同地类对NDVI尺度效应影响的精细刻画，从这一方面讲，改进的Chen NDVI尺度转换模型有更大优势。
综上所述，本发明实施例的归一化差分植被指数尺度转换模型构建方法在传统模型的基础上，融入更为精细的地物类别信息，以改进NDVI尺度转换模型精细度，对影像划分为七种地类，从而在定量描述地表空间异质性带来的NDVI尺度效应方面更为全面而深刻，有利于精细探测不同地类对NDVI尺度效应影响。
参考图28所示，本发明第二实施例提供了一种归一化差分植被指数尺度转换装置，包括：
影像获取单元210：用于获取目标区域的OLI遥感影像；其中，所述OLI遥感影像具有第一空间分辨率；
影像预处理单元220：用于对所述OLI遥感影像进行预处理；
分类单元230：用于对所述OLI遥感影像进行面向对象分类，得到精细分类结果；
影像升尺度转换单元240：用于根据目标空间分辨率确定采集窗口，根据所述采集窗口对所述OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，以得到具有目标空间分辨率的NDVI升尺度影像，从而根据所述NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证，其中所述目标空间分辨率大于所述第一空间分辨率。
优选的，所述影像预处理单元210具体包括：
大气校正模块，用于对所述OLI遥感影像进行大气校正、异常值处理；
几何精校正模块，用于利用野外实测控制点对OLI遥感影像进行几何精校正。
优选的，分类单元230具体包括：
影像分割单元，用于根据目标区域的地类状况，确定OLI遥感影像最优分割尺度，进而完成影像分割；
影像特征提取单元，用于提取分割影像的影像特征；
分类体系建立单元，用于建立分类体系；其中，所述分类体系包括林地、建设用地、水体、农田、裸地、滩涂和沙地。
优选的，所述影像特征为光谱和几何特征，包括波段亮度、波段比、最大差分、长宽比、圆率和小波域分形纹理。
优选的，所述分类单元230还包括：
精度评定单元，用于对所述分类结果进行精度评定，具体为:
利用野外实测样点建立验证图层，计算分类结果的混淆矩阵，进而得出总体精度和Kappa系数。
优选的，所述影像升尺度转换单元240具体包括：
窗口大小采集单元，用于根据目标分辨率确定采集窗口的大小；
影像数据获取单元，用于获取采集窗口内OLI遥感影像分类结果和OLI遥感影像中不同地类的红光、近红外波段地表反射率均值；
归一化差分植被指数获取单元，用于根据改进的Chen NDVI尺度转换模型计算合并后像元的归一化差分植被指数NDVI。
优选的，所述改进的Chen NDVI尺度转换模型如下式所示：
式中，Num为地类种数，i为地类序号，取值范围为1～Num，classii为模型计算窗口内某一地类的数量占比，ρr为红光波段地表反射率，ρnir为近红外波段地表反射率，ρri、ρniri分别为计算窗口内对应于该地类的红光、近红外波段地表反射率均值。
优选的，所述影像升尺度转换单元240还包括：
升尺度转换影像获取单元210，用于计算得到预处理后的OLI遥感影像基于传统的Chen NDVI尺度转换模型、改进的Chen NDVI尺度转换模型的NDVI升尺度转换影像；
“无数据”像素处理单元，用于处理得到MODIS产品“无数据”像素处理后影像，计算得到其与对应的NDVI升尺度转换影像的差值影像；
分析单元，用于绘制直方图进行比对，计算统计量和相关系数。
优选的，所述“无数据”像素处理单元具体包括：
对所述MODIS产品进行重投影，参考预处理后的OLI遥感影像分辨率对重投影后的MODIS产品进行裁剪；
利用所述NDVI升尺度转换影像对裁剪后的MODIS产品进行“无数据”像素处理，得到MODIS产品“无数据”像素处理后影像；
计算MODIS产品“无数据”像素处理后影像与对应的升尺度转换影像的差值，得到其与对应的NDVI升尺度转换影像的差值影像。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种归一化差分植被指数尺度转换模型构建方法，其特征在于，包括:
S1、获取目标区域的OLI遥感影像；其中，所述OLI遥感影像具有第一空间分辨率；
S2、对所述OLI遥感影像进行预处理；
S3、对所述OLI遥感影像进行面向对象分类，得到精细分类结果；
S4、根据目标空间分辨率确定采集窗口，根据所述采集窗口对所述OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，以得到具有目标空间分辨率的NDVI升尺度影像，从而根据所述NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证，其中所述目标空间分辨率大于所述第一空间分辨率。
2.根据权利要求1所述的归一化差分植被指数尺度转换模型构建方法，其特征在于，在步骤S2中，对所述OLI遥感影像进行预处理具体包括：
S21、对所述OLI遥感影像进行大气校正、异常值处理；
S22、利用野外实测控制点对OLI遥感影像进行几何精校正。
3.根据权利要求1所述的归一化差分植被指数尺度转换模型构建方法，其特征在于，步骤S3具体包括：
S31、根据目标区域的地类状况，确定OLI遥感影像最优分割尺度，完成影像分割；
S32、提取影像特征；
S33、建立分类体系；其中，所述分类体系包括林地、建设用地、水体、农田、裸地、滩涂和沙地。
4.根据权利要求3所述的归一化差分植被指数尺度转换模型构建方法，其特征在于，所述影像特征为光谱和几何特征，包括波段亮度、波段比、最大差分、长宽比、圆率和小波域分形纹理。
5.根据权利要求3所述的归一化差分植被指数尺度转换模型构建方法，其特征在于，步骤S3还包括：对所述分类结果进行精度评定，具体为:
利用野外实测样点建立验证图层，计算分类结果的混淆矩阵，进而得出总体精度和Kappa系数。
6.根据权利要求1所述的归一化差分植被指数尺度转换模型构建方法，其特征在于，在步骤S4中，根据目标空间分辨率确定采集窗口，根据所述采集窗口对所述OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，具体包括：
S41、根据目标分辨率确定采集窗口的大小；
S42、获取采集窗口内OLI遥感影像分类结果和OLI遥感影像中不同地类的红光、近红外波段地表反射率均值；
S43、根据改进的Chen NDVI尺度转换模型计算合并后像元的归一化差分植被指数NDVI。
7.根据权利要求6所述的归一化差分植被指数尺度转换模型构建方法，其特征在于，在步骤S43中，所述改进的Chen NDVI尺度转换模型如下式所示：
式中，Num为地类种数，i为地类序号，取值范围为1～Num，classii为模型计算窗口内某一地类的数量占比，ρr为红光波段地表反射率，ρnir为近红外波段地表反射率，ρri、ρniri分别为计算窗口内对应于该地类的红光、近红外波段地表反射率均值。
8.根据权利要求1所述的归一化差分植被指数尺度转换模型构建方法，其特征在于，在步骤S4中，根据所述NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证具体包括：
S44、分别计算得到预处理后的OLI遥感影像基于传统的Chen NDVI尺度转换模型、改进的Chen NDVI尺度转换模型的NDVI升尺度转换影像；
S45、处理得到MODIS产品“无数据”像素处理后影像，计算得到其与对应的NDVI升尺度转换影像的差值影像；
S46、绘制直方图进行比对，计算统计量和相关系数。
9.根据权利要求8所述的归一化差分植被指数尺度转换模型构建方法，其特征在于，步骤S45具体包括：
对所述MODIS产品进行重投影，参考预处理后的OLI遥感影像分辨率对重投影后的MODIS产品进行裁剪；
利用所述NDVI升尺度转换影像对裁剪后的MODIS产品进行“无数据”像素处理，得到MODIS产品“无数据”像素处理后影像；
计算MODIS产品“无数据”像素处理后影像与对应的升尺度转换影像的差值，得到其与对应的NDVI升尺度转换影像的差值影像。
10.一种归一化差分植被指数尺度转换装置，其特征在于，包括：
影像获取单元：用于获取目标区域的OLI遥感影像；其中，所述OLI遥感影像具有第一空间分辨率；
影像预处理单元：用于对所述OLI遥感影像进行预处理；
分类单元：用于对所述OLI遥感影像进行面向对象分类，得到精细分类结果；
影像升尺度转换单元：用于根据目标空间分辨率确定采集窗口，根据所述采集窗口对所述OLI遥感影像进行像元合并，并计算得到合并后像元的NDVI值，以得到具有目标空间分辨率的NDVI升尺度影像，从而根据所述NDVI升尺度影像对由MODIS产品生成的具有相同目标空间分辨率的NDVI图像进行验证，其中所述目标空间分辨率大于所述第一空间分辨率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811628081.4A CN109753916B (zh) | 2018-12-28 | 2018-12-28 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811628081.4A CN109753916B (zh) | 2018-12-28 | 2018-12-28 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109753916A true CN109753916A (zh) | 2019-05-14 |
| CN109753916B CN109753916B (zh) | 2021-05-04 |
Family
ID=66403929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811628081.4A Active CN109753916B (zh) | 2018-12-28 | 2018-12-28 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109753916B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363246A (zh) * | 2019-07-18 | 2019-10-22 | 滨州学院 | 一种高时空分辨率植被指数ndvi的融合方法 |
| CN111242022A (zh) * | 2020-01-10 | 2020-06-05 | 西安科技大学 | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 |
| CN113077384A (zh) * | 2021-03-10 | 2021-07-06 | 中山大学 | 一种数据空间分辨率提高方法、装置、介质及终端设备 |
| CN113284043A (zh) * | 2021-02-26 | 2021-08-20 | 天津绿茵景观生态建设股份有限公司 | 一种基于多源植被指数的逐层逐像元npp空间分辨率提高方法 |
| CN113989661A (zh) * | 2021-10-15 | 2022-01-28 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
| CN115965812A (zh) * | 2022-12-13 | 2023-04-14 | 桂林理工大学 | 无人机影像对湿地植被物种和地物分类的评估方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
| CN103778622A (zh) * | 2013-10-29 | 2014-05-07 | 中国科学院东北地理与农业生态研究所 | 一种基于ndvi与lswi相结合的湿地信息提取方法 |
| CN104063718A (zh) * | 2014-04-01 | 2014-09-24 | 中国科学院遥感与数字地球研究所 | 在作物识别和面积估算中选择遥感数据和分类算法的方法 |
| CN104915954A (zh) * | 2015-05-25 | 2015-09-16 | 同济大学 | 基于Landsat OLI多光谱遥感影像的水体自动提取方法 |
| CN105115883A (zh) * | 2015-08-27 | 2015-12-02 | 北京地拓科技发展有限公司 | 土壤水蚀量的检测方法和装置 |
| CN105447274A (zh) * | 2015-12-22 | 2016-03-30 | 中国科学院东北地理与农业生态研究所 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
| CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
| CN106202878A (zh) * | 2016-06-28 | 2016-12-07 | 中国科学院南京地理与湖泊研究所 | 一种长时序遥感土壤水分降尺度方法 |
| CN106294991A (zh) * | 2016-08-10 | 2017-01-04 | 太原理工大学 | 一种荒漠草原绿色生物量遥感监测升尺度方法 |
| CN107203790A (zh) * | 2017-06-23 | 2017-09-26 | 上海海洋大学 | 利用二级抽样模型的中国陆地夜光遥感分类精度评价方法 |
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| CN107423537A (zh) * | 2017-01-25 | 2017-12-01 | 河海大学 | 一种基于自适应阈值的地表温度降尺度的方法 |
| CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
| CN107730502A (zh) * | 2017-11-15 | 2018-02-23 | 福州大学 | 一种关于新TAVI模型中s因子的算法 |
| CN108446636A (zh) * | 2018-03-20 | 2018-08-24 | 中国科学院地理科学与资源研究所 | 地物识别方法及系统 |
| CN108535338A (zh) * | 2018-01-25 | 2018-09-14 | 中国科学院东北地理与农业生态研究所 | 粗空间分辨率卫星遥感土壤水分真实性检验方法 |
| CN108898049A (zh) * | 2018-05-11 | 2018-11-27 | 中南林业科技大学 | 基于modis数据的林火识别方法 |
-
2018
- 2018-12-28 CN CN201811628081.4A patent/CN109753916B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
| CN103778622A (zh) * | 2013-10-29 | 2014-05-07 | 中国科学院东北地理与农业生态研究所 | 一种基于ndvi与lswi相结合的湿地信息提取方法 |
| CN104063718A (zh) * | 2014-04-01 | 2014-09-24 | 中国科学院遥感与数字地球研究所 | 在作物识别和面积估算中选择遥感数据和分类算法的方法 |
| CN104915954A (zh) * | 2015-05-25 | 2015-09-16 | 同济大学 | 基于Landsat OLI多光谱遥感影像的水体自动提取方法 |
| CN105115883A (zh) * | 2015-08-27 | 2015-12-02 | 北京地拓科技发展有限公司 | 土壤水蚀量的检测方法和装置 |
| CN105447274A (zh) * | 2015-12-22 | 2016-03-30 | 中国科学院东北地理与农业生态研究所 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
| CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
| CN106202878A (zh) * | 2016-06-28 | 2016-12-07 | 中国科学院南京地理与湖泊研究所 | 一种长时序遥感土壤水分降尺度方法 |
| CN106294991A (zh) * | 2016-08-10 | 2017-01-04 | 太原理工大学 | 一种荒漠草原绿色生物量遥感监测升尺度方法 |
| CN107423537A (zh) * | 2017-01-25 | 2017-12-01 | 河海大学 | 一种基于自适应阈值的地表温度降尺度的方法 |
| CN107203790A (zh) * | 2017-06-23 | 2017-09-26 | 上海海洋大学 | 利用二级抽样模型的中国陆地夜光遥感分类精度评价方法 |
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
| CN107730502A (zh) * | 2017-11-15 | 2018-02-23 | 福州大学 | 一种关于新TAVI模型中s因子的算法 |
| CN108535338A (zh) * | 2018-01-25 | 2018-09-14 | 中国科学院东北地理与农业生态研究所 | 粗空间分辨率卫星遥感土壤水分真实性检验方法 |
| CN108446636A (zh) * | 2018-03-20 | 2018-08-24 | 中国科学院地理科学与资源研究所 | 地物识别方法及系统 |
| CN108898049A (zh) * | 2018-05-11 | 2018-11-27 | 中南林业科技大学 | 基于modis数据的林火识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 苏伟等: "基于地基激光雷达的叶倾角分布升尺度方法研究", 《农业机械学报》 * |
| 高文杰: "土地覆盖多尺度遥感分类研究", 《中国优秀硕士学位论文数据库 基础科学辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363246A (zh) * | 2019-07-18 | 2019-10-22 | 滨州学院 | 一种高时空分辨率植被指数ndvi的融合方法 |
| CN110363246B (zh) * | 2019-07-18 | 2023-05-09 | 滨州学院 | 一种高时空分辨率植被指数ndvi的融合方法 |
| CN111242022A (zh) * | 2020-01-10 | 2020-06-05 | 西安科技大学 | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 |
| CN111242022B (zh) * | 2020-01-10 | 2023-02-03 | 西安科技大学 | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 |
| CN113284043A (zh) * | 2021-02-26 | 2021-08-20 | 天津绿茵景观生态建设股份有限公司 | 一种基于多源植被指数的逐层逐像元npp空间分辨率提高方法 |
| CN113284043B (zh) * | 2021-02-26 | 2022-11-11 | 天津绿茵景观生态建设股份有限公司 | 一种基于多源植被指数逐层逐像元npp修正方法 |
| CN113077384A (zh) * | 2021-03-10 | 2021-07-06 | 中山大学 | 一种数据空间分辨率提高方法、装置、介质及终端设备 |
| CN113989661A (zh) * | 2021-10-15 | 2022-01-28 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
| CN113989661B (zh) * | 2021-10-15 | 2022-05-17 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
| CN115965812A (zh) * | 2022-12-13 | 2023-04-14 | 桂林理工大学 | 无人机影像对湿地植被物种和地物分类的评估方法 |
| CN115965812B (zh) * | 2022-12-13 | 2024-01-19 | 桂林理工大学 | 无人机影像对湿地植被物种和地物分类的评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109753916B (zh) | 2021-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753916A (zh) | 一种归一化差分植被指数尺度转换模型构建方法及装置 | |
| Brodu et al. | 3D terrestrial lidar data classification of complex natural scenes using a multi-scale dimensionality criterion: Applications in geomorphology | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| Zhang et al. | Urban building density estimation from high-resolution imagery using multiple features and support vector regression | |
| Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
| Münzinger et al. | Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models | |
| CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
| Woodcock et al. | Trends in land cover mapping and monitoring | |
| Silvan-Cardenas et al. | Assessing fine-spatial-resolution remote sensing for small-area population estimation | |
| Wang et al. | The role of spatial heterogeneity in detecting urban slums | |
| Couteron et al. | Textural ordination based on Fourier spectral decomposition: a method to analyze and compare landscape patterns | |
| CN110097101A (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
| CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
| CN110909652B (zh) | 纹理特征优选的农作物种植结构月尺度动态提取方法 | |
| CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
| Zhang et al. | Remote sensing of impervious surfaces in tropical and subtropical areas | |
| CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
| Amalisana et al. | Land cover analysis by using pixel-based and object-based image classification method in Bogor | |
| Xu et al. | Mapping impervious surface fractions using automated Fisher transformed unmixing | |
| CN107688776A (zh) | 一种城市水体提取方法 | |
| Changhui et al. | Cloud detection method based on feature extraction in remote sensing images | |
| CN112669363A (zh) | 城市绿地三维绿量测算方法 | |
| Launeau et al. | Airborne hyperspectral mapping of trees in an urban area | |
| Ming et al. | Cropland extraction based on OBIA and adaptive scale pre-estimation | |
| Bin et al. | Parcel-based change detection in land-use maps by adopting the holistic feature |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240306 Address after: Unit B01, Unit 1301, No. 50 Chengyi North Street, Software Park Phase III, Xiamen Torch High tech Zone, Xiamen, Fujian Province, 361000 Patentee after: XIAMEN TIANWEI TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 361024 No. 600, science and engineering road, Jimei District, Fujian, Xiamen Patentee before: XIAMEN University OF TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right |