CN109784251A - 高铁沿线小型水体遥感识别方法 - Google Patents
高铁沿线小型水体遥感识别方法 Download PDFInfo
- Publication number
- CN109784251A CN109784251A CN201910008581.6A CN201910008581A CN109784251A CN 109784251 A CN109784251 A CN 109784251A CN 201910008581 A CN201910008581 A CN 201910008581A CN 109784251 A CN109784251 A CN 109784251A
- Authority
- CN
- China
- Prior art keywords
- speed rail
- remote sensing
- earth
- moisture content
- water
- 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
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开的高铁沿线小型水体遥感识别方法包括,获取高铁沿线高分辨率遥感影像、影像预处理及划分高铁敏感区、提取大型水体信息并进行掩膜处理、利用定量遥感提取地表含水率高值区,提取高铁沿线小型水体信息。选取测量点进行现场地物光谱及含水率测量,模拟不同含水率地物在高分辨率影像各波段的光谱特征,建立地表含水率与高分辨率影像不同波段组合的光谱反射反演模型,提取地表含水率高值区,利用高分辨率影像对高值区进行特征判别,进一步得到小型水体信息。本发明能够大范围快速获取小型水体信息,具有不受地形及天气影响、准确性和效率高、成本低等特点,可用于高铁工程勘察、运维环境监测和灾害防治等工作,以提高工程的安全性。
Description
技术领域
本发明涉及一种环境遥感技术,特别是涉及一种高铁沿线小型水体遥感识别方法。
背景技术
井、泉点或地下水溢出带等小型水体是铁路水文地质勘察的重点内容。同时,高铁沿线井泉等小型水体的存在,可能引起局部地面沉降,给高铁运营安全带来影响。传统的小型水体勘察方法以大范围地面调查为主,需要耗费大量人力物力资源。在一些密林、高山等人类很难到达地区,存在调查有遗漏的问题。近些年,出现了利用遥感光谱反射差异识别河流、湖泊等信息的技术方法,包括水体指数法、谱间信息法、阈值法等,这些方法一般针对多光谱遥感数据,空间分辨率(10m~30m)往往较低,无法实现对井泉等小型水体的识别。因此,提高小型水体遥感识别的准确性和效率,降低勘察成本,是铁路水文地质勘察的重要任务之一。
发明内容
针对现有技术中高铁沿线小型水体识别中存在的问题,本发明推出一种小型水体遥感识别方法,其目的在于,利用获取的高铁沿线高分辨率遥感影像,划分高铁影响敏感区,提取湖泊、河流大型水体信息并对其进行掩膜处理,利用定量遥感技术反演高铁敏感区地表含水率,并提取地表含水率高值区,利用高分辨率影像对高值区进行特征判别,提取高铁沿线小型水体信息,用于高铁运维管理和灾害防治工作。
本发明涉及的一种高铁沿线小型水体遥感识别方法,技术步骤包括:获取高铁沿线高分辨率遥感影像,影像预处理及划分高铁敏感区,提取大型水体信息并进行掩膜处理,利用定量遥感提取地表含水率高值区,提取高铁沿线小型水体信息。具体方法如下:
获取高铁沿线高分辨率遥感影像S1:获取高铁沿线成像分辨率高于1m的遥感影像数据;
影像预处理及划分高铁敏感区S2:对获取的遥感影像进行预处理,以高铁线位为中心建立缓冲区,以缓冲区边界为模板,对处理后的影像进行裁剪处理,得到高铁敏感区;
提取大型水体信息并进行掩膜处理S3:利用水体与其他地物的光谱反射差异,提取河流、湖泊大型水体信息,并对这些信息进行掩膜处理;
利用定量遥感提取地表含水率高值区S4:选取测量点进行现场地物光谱及含水率测量,模拟不同含水率地物在高分辨率影像各波段的光谱特征,建立地表含水率与高分辨率影像不同波段组合的光谱反射反演模型,通过定量反演提取地表含水率高值区;
提取高铁沿线小型水体信息S5:对步骤S4得到的地表含水率高值区进行分块形态分析,在此基础上,对步骤S4得到的地表含水率高值区与步骤S2得到的高分辨率影像进行叠加分析,利用高分辨率影像对高值区进行特征判别,进一步区分小型水体类型,提取高铁沿线小型水体信息。
本发明具有的优点和积极效果是:
本发明能够大范围快速获取井、泉、断头河等小型水体信息,具有不受地形及天气影响、准确性和效率高、成本低等特点,可用于高铁工程勘察、运维环境监测和灾害防治等工作,以提高工程的安全性。
附图说明
图1为本发明的高铁沿线小型水体遥感识别方法的流程图。
图中标记说明:
S1、获取高铁沿线高分辨率遥感影像
S2、影像预处理及划分高铁敏感区
S3、提取大型水体信息并进行掩膜处理
S4、利用定量遥感提取地表含水率高值区
S5、提取高铁沿线小型水体信息
具体实施方式
下面结合附图对本发明的高铁沿线小型水体遥感识别方法做进一步说明。
图1为本发明涉及的的高铁沿线小型水体遥感识别技术的流程图。如图1所示,本发明所述的一种高铁沿线小型水体遥感识别技术,技术步骤包括:获取高铁沿线高分辨率遥感影像S1、影像预处理及划分高铁敏感区S2、提取大型水体信息并进行掩膜处理S3、利用定量遥感提取地表含水率高值区S4、提取高铁沿线小型水体信息S5。具体实施方式如下:
S1、获取高铁沿线高分辨率遥感影像
获取高铁沿线成像分辨率高于1m的遥感影像数据,如分辨率为1m的国产高分二号卫星影像、分辨率为0.61m的快鸟卫星影像以及分辨率更高的航空摄影图像。遥感影像应包含红、绿、蓝及近红外波段,且带有空间定位参数。
S2、影像预处理及划分高铁敏感区
对获取的遥感影像进行预处理,以高铁线位为中心建立缓冲区,以缓冲区边界为模板,对处理后的影像进行裁剪处理,得到高铁敏感区。
①遥感影像预处理
利用遥感图像处理软件进行遥感影像的辐射校正、大气校正、几何精校正和镶嵌处理。
②划分高铁敏感区
以高铁线位为中心,向两侧延伸各500米建立缓冲区。以缓冲区边界为模板,对遥感影像预处理结果进行外部裁剪处理,得到高铁敏感区。
S3、提取大型水体信息并进行掩膜处理
利用水体与其他地物的光谱反射差异,提取河流、湖泊大型水体信息,并对这些信息进行掩膜处理。
①提取河流、湖泊大型水体信息
水体与土壤、植被等地物相比,总体光谱反射率较低。此外,水体与其他地物有明显光谱反射差异,表现为水体在绿波段具有强透射性,在短波红外波段具有强吸收性。其他地物在这两个波段的光谱反射特征则恰恰相反。采用绿波段与短波红外波段数值之差和这两个波段数值之和的比值作为判别规则,当满足比值大于零时,所提取的地物为河流、湖泊大型水体信息。这过程可在遥感图像处理软件中执行。
②掩膜处理
上述步骤提取的河流、湖泊大型水体信息均为栅格数据,需要将这些栅格数据转换为矢量数据。以转换后的矢量数据为模板,对高铁敏感区范围内遥感影像进行掩膜处理。实现河流、湖泊大型水体信息的屏蔽,防止与后期提取的小型水体信息混淆。
S4、利用定量遥感提取地表含水率高值区
选取测量点进行现场地物光谱及含水率测量,模拟不同含水率地物在高分辨率影像各波段的光谱特征,建立地表含水率与高分辨率影像不同波段组合的光谱反射反演模型,通过定量反演提取地表含水率高值区。
①现场地物光谱及含水率测量
在高铁敏感区内选取测量点,在测量点上进行地物光谱测量和地物含水率测量。
测量点涵盖不同含水率区域,测量点定位采用卫星导航差分定位方式,以达到厘米级定位精度。测量气象条件选在无严重大气污染、光照稳定、无卷积云或浓云的天气。测试时间一般在9:30-14:30之间。记录测量点的基本信息,包括位置、时间和土类、干湿度、地貌类型等属性信息。
地物光谱测量包括表观向上辐射亮度(Ssw)、天空漫散射的反射辐亮度(Ssky)和标准板的总辐射亮度(Sp)的观测,在这三个参量观测的基础上,地物光谱反射率(Rrs)可根据下式计算:
Rrs=[Ssw-γSsky]ρp/πSp
其中,Ssw,Ssky,Sp分别为表观向上辐射亮度、天空漫散射的反射辐亮度和标准板的总辐射亮度。
地物含水率测量主要为体积含水率的测量。与地物光谱测量同步进行,在测量点采集单位体积样品并立刻密封保存。带回室内采用称重法得到地物体积含水率。
②模拟不同含水率地物在高分辨率影像各波段的光谱特征
高分辨率遥感影像包括蓝、绿、红及近红外4个光谱波段。依据这些波段的光谱宽度,对现场测量的地物光谱曲线进行切割,然后进行光谱线段平化处理,来模拟不同含水率地物光谱反射率在高分辨率影像各波段的光谱特征。具体过程包括:
a、光谱切割。以高分辨率影像各波段光谱宽度为区间,将现场测量的不同含水率地物光谱曲线切割成对应的光谱线段。
b、光谱线段平化。计算上述步骤获得的光谱线段内所有采样点光谱反射率的平均值(计算见公式1),以L作为该光谱线段的反射率值,实现光谱线段平化处理。
式中,为光谱波段反射率平均值,Li为采样点i的光谱反射率值, n为该光谱波段内采样点的数量。
c、重复光谱线段平化过程,对现场测量的所有地物光谱反射曲线进行平化处理,实现不同含水率地物光谱反射率在高分辨率影像各波段的光谱特征模拟。
③建立地表含水率与高分辨率影像的光谱反射关系
在模拟不同含水率地物在高分辨率影像各波段的光谱特征的基础上,统计不同含水率地物在高分辨率影像各波段的光谱反射值,建立地物含水率与高分辨率影像波段光谱反射率的多种回归关系,进行回归计算,对比得到最优的回归关系模型。具体过程包括:
a、统计不同含水率地物在高分辨率影像各波段的光谱反射值,放入数据库中备用;
b、建立地物含水率与高分辨率影像各波段光谱反射值的多种回归关系。
包括地物含水率与B1、B2、B3、B4以及B2/B1、B3/B1、B4/B1、 B3/B2、B4/B2、B4/B3等组合形式的回归关系,B1、B2、B3、B4分别为高分辨率影像的四个波段;
c、进行回归计算,优选回归关系模型。对地物含水率与高分辨率影像各波段光谱反射值的多种回归关系进行计算,对比得到的相关系数值(R2)。选取R2的最大值所对应的回归关系模型,作为最优计算模型。
④通过定量反演提取地表含水率高值区
对步骤S3得到的遥感影像,进行遥感器接收光谱反射率的精化,依据建立地表含水率与高分辨率影像的光谱反射关系步骤得到的最优计算模型,进行地表含水率定量反演计算,得到地表含水率高值区。具体过程如下:
a、遥感器接收光谱反射率的精化。遥感器所接收的光谱反射率与地物反射率相关,经过大气校正后的地物光谱反射率与遥感器光谱反射率的关系可表述为
式中,Rd为地物光谱反射率,ρ为遥感器光谱反射率。
经过以上计算,对遥感器接收的光谱反射率进行精化处理。
b、定量反演计算。利用上述得到的最优计算模型,对精化处理后的遥感影像进行反演计算,得到地表含水率高值区。
S5、提取高铁沿线小型水体信息
对步骤S4得到的地表含水率高值区进行分块形态分析,在此基础上,对步骤S4得到的地表含水率高值区与步骤S2得到的高分辨率影像进行叠加分析,利用高分辨率影像对高值区进行特征判别,进一步区分小型水体类型,提取高铁沿线小型水体信息。
对步骤S4得到的地表含水率高值区进行分块形态分析,重点识别并划分放射形、扇形、三角形及线形等形状典型高值区,如扇形高值区自上而下扩散,其上方尖端处往往是泉水出露处。线形异常上溯至山坡坡脚等处中断,该处往往是岩溶水出露处或断头河的源头。在此基础上,对步骤S4得到的地表含水率高值区与步骤S2得到的高分辨率影像进行空间叠加分析,借助高分辨率影像纹理特征,对地表含水率高值区进行特征判别,提取小型水体类型和属性信息,提取高铁沿线小型水体信息。
该方法将纷繁复杂的影像内容转化为地表含水率差异分布特征,能够大范围快速获取井、泉、断头河等小型水体信息,具有不受地形及天气影响、准确性和效率高、成本低等特点,可用于高铁工程勘察、运维环境监测和灾害防治等工作,以提高工程的安全性。
Claims (8)
1.一种高铁沿线小型水体遥感识别方法,其特征在于,技术步骤包括:获取高铁沿线高分辨率遥感影像(S1)、影像预处理及划分高铁敏感区(S2)、提取大型水体信息并进行掩膜处理(S3)、利用定量遥感提取地表含水率高值区(S4)、提取高铁沿线小型水体信息(S5);
所述获取高铁沿线高分辨率遥感影像(S1),获取高铁沿线成像分辨率高于1m的遥感影像数据,遥感影像包含红、绿、蓝及近红外波段,并带有空间定位参数;
所述影像预处理及划分高铁敏感区(S2),对获取的遥感影像进行预处理,以高铁线位为中心建立缓冲区,以缓冲区边界为模板,对处理后的影像进行裁剪处理,得到高铁敏感区;
所述提取大型水体信息并进行掩膜处理(S3),利用水体与其他地物的光谱反射差异,提取河流、湖泊大型水体信息,并对这些信息进行掩膜处理;
所述利用定量遥感提取地表含水率高值区(S4),选取测量点进行现场地物光谱及含水率测量,模拟不同含水率地物在高分辨率影像各波段的光谱特征,建立地表含水率与高分辨率影像不同波段组合的光谱反射反演模型,通过定量反演提取地表含水率高值区;
所述提取高铁沿线小型水体信息(S5),对利用定量遥感提取地表含水率高值区(S4)步骤得到的地表含水率高值区进行分块形态分析,在此基础上,对利用定量遥感提取地表含水率高值区(S4)步骤得到的地表含水率高值区与影像预处理及划分高铁敏感区(S2)步骤得到的高分辨率影像进行叠加分析,利用高分辨率影像对高值区进行特征判别,进一步区分小型水体类型,提取高铁沿线小型水体信息。
2.根据权利要求1所述的高铁沿线小型水体遥感识别方法,其特征在于,所述的影像预处理及划分高铁敏感区(S2)包括:遥感影像预处理,利用遥感图像处理软件进行遥感影像的辐射校正、大气校正、几何精校正和镶嵌处理;划分高铁敏感区,以高铁线位为中心,向两侧各延伸500米建立缓冲区,以缓冲区边界为模板,对遥感影像预处理结果进行外部裁剪处理,得到高铁敏感区。
3.根据权利要求1所述的高铁沿线小型水体遥感识别方法,其特征在于,所述的提取大型水体信息并进行掩膜处理(S3)包括:提取河流、湖泊大型水体信息,采用绿波段与短波红外波段数值之差和这两个波段数值之和的比值作为判别规则,提取河流、湖泊水体地物信息;将提取的河流、湖泊水体信息的栅格数据转换为矢量数据,并以转换后的矢量数据为模板,对高铁敏感区范围内遥感影像进行掩膜处理,实现河流、湖泊水体信息的屏蔽,防止与后期提取的小型水体信息混淆。
4.根据权利要求1所述的高铁沿线小型水体遥感识别方法,其特征在于,所述的利用定量遥感提取地表含水率高值区(S4)在测量点上进行现场地物光谱和含水率测量,在影像预处理及划分高铁敏感区(S2)步骤得到的高铁敏感区内选取测量点,测量点涵盖不同含水率区域,测量点定位采用卫星导航差分定位方式,以达到厘米级定位精度;记录测量点的基本信息,包括位置、时间和土类、干湿度、地貌类型等属性信息;
所述的地物光谱测量包括表观向上辐射亮度、天空漫散射的反射辐亮度和标准板的总辐射亮度的观测,在这三个参量观测的基础上计算地物光谱反射率,Rrs=[Ssw-rSsky]ρp/πSp;
其中,Rrs、Ssw、Ssky、Sp分别为地物光谱反射率、表观向上辐射亮度、天空漫散射的反射辐亮度和标准板的总辐射亮度;
所述的地物含水率测量为体积含水率的测量,与地物光谱测量同步进行,在测量点采集单位体积样品采用称重法得到地物体积含水率。
5.根据权利要求1所述的高铁沿线小型水体遥感识别方法,其特征在于,所述的利用定量遥感提取地表含水率高值区(S4)中模拟不同含水率地物在高分辨率影像各波段的光谱特征,包括蓝、绿、红及近红外4个光谱波段,依据这些波段的光谱宽度,将现场测量的不同含水率情况下地物光谱反射曲线进行平化处理,来模拟不同含水率地物光谱反射率在高分辨率影像各波段的光谱特征;具体过程包括光谱切割、光谱线段平化以及重复光谱线段平化过程;
所述光谱切割,以高分辨率影像各波段光谱宽度为区间,将现场测量的不同含水率地物光谱曲线切割成对应的光谱线段;
所述光谱线段平化,计算光谱切割获得的光谱线段内所有采样点光谱反射率的平均值实现光谱线段平化处理,
式中,为光谱波段反射率平均值,Li为采样点i的光谱反射率值,n为该光谱波段内采样点的数量;
所述重复光谱线段平化过程,对现场测量的所有地物光谱反射曲线进行平化处理,实现不同含水率地物光谱反射率在高分辨率影像各波段的光谱特征模拟。
6.根据权利要求1所述的高铁沿线小型水体遥感识别方法,其特征在于,所述的利用定量遥感提取地表含水率高值区(S4)中建立地表含水率与高分辨率影像不同波段组合的光谱反射反演模型,是在模拟不同含水率地物在高分辨率影像各波段的光谱特征的基础上,建立地物含水率与高分辨率影像波段光谱反射率的回归关系,对地物含水率与高分辨率影像各波段光谱反射值的多种回归关系进行计算对比,得到最优的回归关系模型进行反演计算。
7.根据权利要求1所述的高铁沿线小型水体遥感识别方法,其特征在于,所述的利用定量遥感提取地表含水率高值区(S4)中通过定量反演提取地表含水率高值区,对提取大型水体信息并进行掩膜处理(S3)步骤得到的遥感影像,进行遥感器接收光谱反射率的精化,依据回归关系计算模型,进行地表含水率定量反演计算,得到地表含水率高值区;
所述遥感器接收光谱反射率的精化,遥感器所接收的光谱反射率与地物反射率相关,经过大气校正后的地物光谱反射率与遥感器光谱反射率的关系可表述为:
式中,Rd为地物光谱反射率,ρ为遥感器光谱反射率。经过以上计算,对遥感器接收的光谱反射率进行精化处理;
所述定量反演计算,利用最优计算模型,对精化处理后的遥感影像进行反演计算,得到地表含水率高值区。
8.根据权利要求1所述的高铁沿线小型水体遥感识别方法,其特征在于,所述的提取高铁沿线小型水体信息(S5)中对地表含水率高值区进行分块形态分析,重点识别并划分放射形、扇形、三角形及线形等形状典型高值区;对地表含水率高值区与高分辨率影像进行空间叠加分析,借助高分辨率影像纹理特征,对高值区进行特征判别,提取小型水体类型和属性信息,实现小型水体信息提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008581.6A CN109784251A (zh) | 2019-01-04 | 2019-01-04 | 高铁沿线小型水体遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008581.6A CN109784251A (zh) | 2019-01-04 | 2019-01-04 | 高铁沿线小型水体遥感识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784251A true CN109784251A (zh) | 2019-05-21 |
Family
ID=66499265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910008581.6A Pending CN109784251A (zh) | 2019-01-04 | 2019-01-04 | 高铁沿线小型水体遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784251A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
CN112903631A (zh) * | 2021-01-25 | 2021-06-04 | 杭州师范大学 | 一种内陆河道表层水体反射光谱走航观测方法 |
CN113327214A (zh) * | 2021-05-19 | 2021-08-31 | 中国科学院地理科学与资源研究所 | 一种连续时间序列水体遥感制图方法 |
CN113343945A (zh) * | 2021-08-02 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 水体识别方法、装置、电子设备及存储介质 |
CN113484245A (zh) * | 2021-07-05 | 2021-10-08 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质 |
CN114720396A (zh) * | 2022-04-24 | 2022-07-08 | 中国科学院空天信息创新研究院 | 一种均匀不变地物控制点光谱库的生成方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092241A1 (en) * | 2008-10-13 | 2010-04-15 | Muhammad Arshad | Canal Seepage Detection |
CN103646246A (zh) * | 2013-12-19 | 2014-03-19 | 交通运输部天津水运工程科学研究所 | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 |
CN104463166A (zh) * | 2014-11-13 | 2015-03-25 | 环境保护部卫星环境应用中心 | 目标水体的提取方法和系统 |
CN107421892A (zh) * | 2016-05-23 | 2017-12-01 | 核工业北京地质研究院 | 一种用于水体信息提取的高光谱数据处理方法 |
CN107688776A (zh) * | 2017-07-21 | 2018-02-13 | 同济大学 | 一种城市水体提取方法 |
-
2019
- 2019-01-04 CN CN201910008581.6A patent/CN109784251A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092241A1 (en) * | 2008-10-13 | 2010-04-15 | Muhammad Arshad | Canal Seepage Detection |
CN103646246A (zh) * | 2013-12-19 | 2014-03-19 | 交通运输部天津水运工程科学研究所 | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 |
CN104463166A (zh) * | 2014-11-13 | 2015-03-25 | 环境保护部卫星环境应用中心 | 目标水体的提取方法和系统 |
CN107421892A (zh) * | 2016-05-23 | 2017-12-01 | 核工业北京地质研究院 | 一种用于水体信息提取的高光谱数据处理方法 |
CN107688776A (zh) * | 2017-07-21 | 2018-02-13 | 同济大学 | 一种城市水体提取方法 |
Non-Patent Citations (2)
Title |
---|
何磊: "基于实测光谱的昆承湖水质遥感模型及反演", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
谢兵: "生态水信息指标参数土壤含水率遥感反演", 《中国优秀硕士学位论文全文数据库 基础科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390255A (zh) * | 2019-05-29 | 2019-10-29 | 中国铁路设计集团有限公司 | 基于多维度特征提取的高铁环境变化监测方法 |
CN112903631A (zh) * | 2021-01-25 | 2021-06-04 | 杭州师范大学 | 一种内陆河道表层水体反射光谱走航观测方法 |
CN112903631B (zh) * | 2021-01-25 | 2024-02-09 | 杭州师范大学 | 一种内陆河道表层水体反射光谱走航观测方法 |
CN113327214A (zh) * | 2021-05-19 | 2021-08-31 | 中国科学院地理科学与资源研究所 | 一种连续时间序列水体遥感制图方法 |
CN113484245A (zh) * | 2021-07-05 | 2021-10-08 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质 |
CN113484245B (zh) * | 2021-07-05 | 2022-11-22 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质 |
CN113343945A (zh) * | 2021-08-02 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 水体识别方法、装置、电子设备及存储介质 |
CN113343945B (zh) * | 2021-08-02 | 2021-12-31 | 航天宏图信息技术股份有限公司 | 水体识别方法、装置、电子设备及存储介质 |
CN114720396A (zh) * | 2022-04-24 | 2022-07-08 | 中国科学院空天信息创新研究院 | 一种均匀不变地物控制点光谱库的生成方法和系统 |
CN114720396B (zh) * | 2022-04-24 | 2022-10-25 | 中国科学院空天信息创新研究院 | 一种均匀不变地物控制点光谱库的生成方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784251A (zh) | 高铁沿线小型水体遥感识别方法 | |
Tian et al. | Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing | |
Kelly et al. | Using GPS-surveyed intertidal zones to determine the validity of shorelines automatically mapped by Landsat water indices | |
Luo et al. | Estimation of wetland vegetation height and leaf area index using airborne laser scanning data | |
Hladik et al. | Salt marsh elevation and habitat mapping using hyperspectral and LIDAR data | |
CN109190538A (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 | |
CN108613933A (zh) | 基于多源遥感数据融合的林地干旱时空动态监测方法 | |
CN107063197A (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
CN110132237A (zh) | 一种城市地面变形灾害早期识别的方法 | |
Hester et al. | Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping | |
CN108171210B (zh) | 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 | |
CN111951392A (zh) | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 | |
Yang et al. | Impervious surface extraction in urban areas from high spatial resolution imagery using linear spectral unmixing | |
CN104502919A (zh) | 利用机载激光雷达点云提取城市植被三维覆盖的方法 | |
CN107479065A (zh) | 一种基于激光雷达的林窗立体结构量测方法 | |
Kim et al. | Estimation of carbon storage based on individual tree detection in Pinus densiflora stands using a fusion of aerial photography and LiDAR data | |
CN109581412A (zh) | 一种快速进行水土流失动态变化遥感监测的方法 | |
CN109635713A (zh) | 高原山地阴影区冰川识别方法 | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
Liu et al. | A geomorphological model for landslide detection using airborne LIDAR data | |
CN103413289B (zh) | 矿区图像处理方法及装置 | |
CN112270225A (zh) | 一种峡谷型高含沙蜿蜒河流遥感影像提取方法 | |
Yan | Airborne Lidar Data Artifacts: What we know thus far |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190521 |