CN109815894A - 一种针对哨兵2a影像的建筑物阴影提取处理方法 - Google Patents
一种针对哨兵2a影像的建筑物阴影提取处理方法 Download PDFInfo
- Publication number
- CN109815894A CN109815894A CN201910061707.6A CN201910061707A CN109815894A CN 109815894 A CN109815894 A CN 109815894A CN 201910061707 A CN201910061707 A CN 201910061707A CN 109815894 A CN109815894 A CN 109815894A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- shadow
- shade
- wave band
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种针对哨兵2A影像的建筑物阴影提取处理方法,包括:S1、提取城区主要地物特征分量,包括设计基于哨兵2A原始光谱的阴影增强指数来增强建筑阴影;计算归一化差异水体指数来增强水体;提取哨兵2A的原始光谱波段Band 8来增强其他暗反射率地物;S2、基于以上提取的三个特征分量,构建组合阴影指数来突出建筑物阴影;利用OTSU方法选择最佳阈值,得到最终的城市建筑阴影分布图。采用本发明的技术方案,能够显著增加阴影和其他地物之间的差异,有效避免城区建筑阴影和水体、暗反射率地物混淆的现象,提高城区建筑阴影的提取精度。
Description
技术领域
本发明涉及建筑物阴影提取技术领域,尤其涉及一种针对哨兵2A影像的建筑物阴影提取处理方法。
背景技术
阴影在遥感影像中是一种广泛分布,不可忽视的地物。在高分影像中,城市的建筑物阴影通常由于高大的建筑物遮挡光源产生。阴影区的光谱信息大量削弱,其存在对后续的城市土地利用分类和变化检测造成了很大的阻碍。因此,在利用高分遥感影像研究城市问题时,阴影探测是影像预处理过程中必须考虑的一步。
目前,利用高分遥感影像做阴影探测时,普遍使用的方法有两种,即基于模型和基于阴影性质的方法。基于模型的方法需要大量的先验知识且需要建立复杂的数学模型,因此不太常用。基于阴影性质的算法可以分为像元级别的和对象级别的算法。面向对象的算法由于其需要设置并优选大量的参数,因而比较复杂且耗时。相较于以上所述的几种算法,光谱指数因其无参数,容易实现等优点被广泛使用。目前存在的阴影光谱指数包括:P算法,Normalized Saturation-Value Difference Index(NSVDI)和Shadow Index(SI)。但是,以上几种建筑阴影提取指数是针对Quickbird,IKONOS等空间分辨率较高的影像设置的,并不适用于哨兵2A的10m分辨率影像。除此之外,哨兵2A影像有13个波段,现存的光谱指数并没有利用到其丰富的光谱信息,因此提取哨兵2A的建筑阴影时并没有好的效果。
发明内容
本发明目的是针对上述问题,提供一种针对哨兵2A影像的建筑物阴影提取处理方法,能够有效拉大阴影和光谱相似地物的差异,提高复杂城市环境下建筑阴影的探测精度。
为了实现上述目的,本发明的技术方案是:
一种针对哨兵2A影像的建筑物阴影提取处理方法,包括以下步骤:
S1、提取城区主要地物特征分量
S1.1、对城市遥感影像进行预处理,所述预处理包含大气校正,得到地表反射率数据;
S1.2、对预处理之后的12个光谱波段进行波段选择,对地物在光谱波段上的特性进行分析,确定出对本研究最有利的6个波段;
S1.3、利用主成分融合算法,对数据进行主成分融合,将所有波段全部融合至10m空间分辨率;
S1.4、分析阴影以及其他地物尤其是和阴影光谱相似地物的特性,提取三个特征分量:阴影增强指数Shadow Enhanced Index(SEI)、归一化水体指数NormalizedDifference Water Index(NDWI)、原影像第8波段Band 8(NIR),以分别增强建筑阴影、水体和暗反射率地物,并对地物在三个特征分量的特性进行分析;
S2、基于特征分量的建筑阴影提取,具体过程包括以下步骤:
S2.1、根据建立的特征分量,设计构建组合阴影指数Combinational ShadowIndex(CSI),进一步增强建筑阴影,拉大阴影与其他地物的差异;
2.2、利用最大类间方差算法(OTSU)选择出CSI图像上的最佳阈值;
S2.3、根据选择出的阈值对CSI进行阈值分割,得到研究区最终的阴影图。
作为优选,所述主要地物特征分量是指阴影、水体、暗反射率地物的特征分量。
作为优选,所述步骤S1.2具体为:在预处理后的图像中,采大量纯净且具有代表性的阴影像元样本,分析建筑阴影在12个光谱波段上的反射率特性,画出平均光谱曲线,最终选择了6个光谱波段,包括:B1,B2,B3,B4,B8,B9。其中,B2,B3,B4是可见光波段,B8是近红外波段,这四个波段种包含了大量的光谱信息;B1和B9分别是海蓝波段以及红外波段,建筑阴影在这两个波段上有较高的反射率值。
作为优选,所述步骤S1.3具体为:对B2,B3,B4,B84个原始分辨率为10m的波段做PCA变换之后第一主成分分量Fist Principle Component(FPC)作为全色波段的替代波段,进行PC融合,最终得到6个10m分辨率波段的产品。
作为优选,所述步骤S1.4具体为:选择的三个特征波段SEI、NDWI和NIR,其中SEI作为表征建筑物阴影信息的特征分量,其定义为:
其中,B1和B9分别对应哨兵2A影像的相应波段;
NDWI作为表征水体信息的特征分量,其定义为:
其中,Green和NIR分别对应哨兵2A的B3和B8波段;
NIR波段作为表征暗反射率地物信息的特征分量,直接取自于原始光谱波段,对应于哨兵2A影像的B8波段。
作为优选,所述步骤S2.1具体为:在得到了三个特征分量的基础上,采取大量阴影、水体、暗反射率地物的纯净样本,分析这三张地物在三个特征分量上的特性,最终构建CSI,进一步增强阴影信息,其定义为:
其中,SEI,NDWI,NIR分别代表像元在三个提取的特征分量上的值。
与现有技术相比,本发明具有的优点和积极效果是:
本发明的针对哨兵2A影像的建筑物阴影提取处理方法,以哨兵2A的城市影像为主要数据源,根据区域的主要地物提取三个特征分量,用以增强不同的地物信息。然后,通过分析区域主要地物特别是和阴影易混淆的地物在三个特征分量上的特性,设计构建了组合阴影指数CSI,以再一次的增强区域建筑阴影信息。最后,利用OTSU方法选择最佳阈值,对CSI做阈值分割,得到最终的城区建筑阴影分布图。
本发明与现有技术相比具有如下特点:充分利用哨兵2A的丰富的光谱信息,并且利用了特征分量进行阴影指数的设计,从而增强建筑阴影和城区其他地物的差异,提高建筑阴影提取精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1本发明针对哨兵2A影像的建筑阴影提取指数方法流程图;
图2为特征分量提取流程图;
图3城区主要地物,以及和阴影光谱混淆的地物在三个特征分量上的平均特征曲线示意图,地物主要包括:高反射率地物(Highalbedo),植被(Vegetation),水体(Water),建筑阴影(Building shadow)和暗反射率地物(Low albedo);
图4组合阴影指数CSI计算以及阴影提取流程示意图;
图5建筑物阴影提取结果示意图,其中,图5a:本发明的方法得到的建筑物阴影;图5b:P算法得到的建筑物阴影;图5c:NSVDI得到的建筑物阴影;图5d:SI得到的建筑物阴影。
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前提下所获得的所有其他实施例,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。
本发明提供一种针对哨兵2A影像的建筑物阴影提取指数,根据城区主要地物的光谱特征提取三个特征分量,再根据地物再三个特征分量的特性,设计构建组合阴影指数CSI,提高了建筑物阴影探测精度,如图1所示,包括以下步骤,
步骤S1、提取城区主要地物特征分量
城区不同地物具有一定的光谱特性差异,这种差异是提取不同特征分量的基础;本发明针对阴影、水体、暗反射率地物,这三种光谱相似的地物提取三个特征分量用来增强其信息,如图2所示,具体包括以下步骤:
步骤S1.1、对城市遥感影像进行预处理,所述预处理包括大气校正和波段选择。
欧空局(ESA)提供的哨兵2A的城市遥感影像是辐射定标后的产品,使用官方提供的SEN2COR工具进行大气校正,得到地面表观反射率产品。
步骤S1.2、对预处理之后的12个光谱波段进行波段选择,对地物在光谱波段上的特性进行分析,确定出对本研究最有利的6个波段。
大气校正之后的哨兵2A影像包含12个光谱波段。为了不造成光谱信息的冗余和计算时间的增加,根据阴影在不同光谱波段上的特性,我们最终选择了对阴影提取最有效的6个波段,分别是B1,B2,B3,B4,B8和B9。
步骤S1.3、对数据进行主成分融合,将所有波段全部融合至10m的空间分辨率;
选择的6个波段中,B1和B9的原始分辨率是60m,为了得到统一的10m分辨率产品,需要对B1和B9进行重采样。由于哨兵2A数据不再提供全色波段,因此,本发明将对B2,B3,B4,B8等4个原始分辨率为10m的波段做PCA变换之后第一主成分分量Fist PrincipleComponent(FPC)作为全色波段的替代波段,进行PC融合,最终得到6个10m分辨率波段的产品。
步骤S1.4、分析阴影以及其他地物尤其是和阴影光谱相似地物的特性,分别提取三个特征分量SEI,NDWI,NIR,来增强建筑阴影、水体和暗反射率地物,对地物在三个特征分量的特性进行分析;
在得到的6波段10m分辨率影像中,提取三个特征分量SEI,NDWI和NIR,其中SEI作为表征建筑物阴影信息的特征分量,其定义为:
其中,B1和B9分别对应哨兵2A影像的相应波段。
引入NDWI作为表征水体信息的特征分量,其定义为:
其中,Green和NIR分别对应哨兵2A的B3和B8波段
引入NIR波段作为表征暗反射率地物信息的特征分量,直接取自于原始光谱波段,对应于哨兵2A影像的B8波段。
步骤S2、基于特征分量的建筑阴影提取
现有的阴影提取光谱指数直接针对原始光谱进行构建,很难分离阴影和水体、暗反射率地物等光谱易混淆地物,在一定程度上影像了阴影提取的准确性。因此,为了拉大阴影和其他光谱相似地物的光谱差异,本发明通过分析其在不同特征分量上的特性,以三个特征分量为基础,设计构建了组合阴影指数CSI,重点解决了相似地物的类间混淆问题。
如图4所示,基于特征分量的建筑阴影提取的具体过程包括以下步骤:
步骤S2.1、根据建立的特征分量,设计构建组合阴影指数Combinational ShadowIndex(CSI),进一步增强建筑阴影,拉大阴影与其他地物的差异;
通过分析地物在特征分量上的特征曲线,研究发现,阴影在SEI分量上达到一个最大值,水体在NDWI分量上达到最大值,其他暗反射率地物在NIR分量上达到最大值。因此,为了增强阴影信息,削弱背景信息,本发明构建了组合阴影指数CSI,其定义为:
其中,SEI,NDWI,NIR分别代表像元在三个提取的特征分量上的值。
步骤S2.2、利用OTSU方法选择出CSI图像上的最佳阈值。
步骤S2.3、根据选择出的阈值对CSI进行阈值分割,得到研究区最终的阴影图。
本实施例中得到的建筑物阴影提取图如图5所示。其中,图5a是本发明提出的CSI指数对建筑物阴影的提取结果,图5b是P算法对建筑物阴影的提取结果;图5c是NSVDI对建筑物阴影的提取结果;图5d是SI对建筑物阴影的提取解雇。可以看出本发明的方法极大得提高研究区阴影提取的精度,有效抑制了光谱易混淆地物的影响。同时,对本实施例提取的建筑物阴影结果进行精度评价,选总误差total error(ET),错分误差committederror(EC),漏分误差omittederror(EO)三个指标对结果进行定量评价。将对原影像的目视解译数据作为参考数据,通过统计ET为5.95%,EC为4.63%,SE为1.32%,经实验验证,本发明能够得到较理想的提取结果。
上述实施例,只是本发明的一个实例,并不是用来限制本发明的实施与权利范围,凡与本发明权利要求所述内容相同或等同的技术方案,均应包括在本发明保护范围内。
Claims (6)
1.种针对哨兵2A影像的建筑物阴影提取处理方法,其特征在于:包括以下步骤:
S1、提取城区主要地物特征分量
S1.1、对城市遥感影像进行预处理,所述预处理包含大气校正,得到地表反射率数据;
S1.2、对预处理之后的12个光谱波段进行波段选择,对地物在光谱波段上的特性进行分析,确定出对本研究最有利的6个波段;
S1.3、利用主成分融合算法,对数据进行主成分融合,将所有波段全部融合至10m空间分辨率;
S1.4、分析阴影以及其他地物尤其是和阴影光谱相似地物的特性,提取三个特征分量:阴影增强指数Shadow Enhanced Index(SEI)、归一化水体指数Normalized DifferenceWater Index(NDWI)、原影像第8波段Band 8(NIR),以分别增强建筑阴影、水体和暗反射率地物,并对地物在三个特征分量的特性进行分析;
S2、基于特征分量的建筑阴影提取,具体过程包括以下步骤:
S2.1、根据建立的特征分量,设计构建组合阴影指数Combinational Shadow Index(CSI),进一步增强建筑阴影,拉大阴影与其他地物的差异;
2.2、利用最大类间方差算法(OTSU)选择出CSI图像上的最佳阈值;
S2.3、根据选择出的阈值对CSI进行阈值分割,得到研究区最终的阴影图。
2.如权利要求1所述的建筑物阴影提取处理方法,其特征在于:所述主要地物特征分量是指阴影、水体、暗反射率地物的特征分量。
3.如权利要求2所述的建筑物阴影提取处理方法,其特征在于:所述步骤S1.2具体为:在预处理后的图像中,采大量纯净且具有代表性的阴影像元样本,分析建筑阴影在12个光谱波段上的反射率特性,画出平均光谱曲线,最终选择了6个光谱波段,包括:B1,B2,B3,B4,B8,B9;其中,B2,B3,B4是可见光波段,B8是近红外波段,这四个波段种包含了大量的光谱信息;B1和B9分别是海蓝波段以及红外波段,建筑阴影在这两个波段上有较高的反射率值。
4.如权利要求3所述的建筑物阴影提取处理方法,其特征在于:所述步骤S1.3具体为:对B2,B3,B4,B84个原始分辨率为10m的波段做PCA变换之后第一主成分分量FistPrinciple Component(FPC)作为全色波段的替代波段,进行PC融合,最终得到6个10m分辨率波段的产品。
5.如权利要求4所述的建筑物阴影提取处理方法,其特征在于:所述步骤S1.4具体为:选择的三个特征波段SEI、NDWI和NIR,其中SEI作为表征建筑物阴影信息的特征分量,其定义为:
其中,B1和B9分别对应哨兵2A影像的相应波段;
NDWI作为表征水体信息的特征分量,其定义为:
其中,Green和NIR分别对应哨兵2A的B3和B8波段;
NIR波段作为表征暗反射率地物信息的特征分量,直接取自于原始光谱波段,对应于哨兵2A影像的B8波段。
6.如权利要求5所述的建筑物阴影提取处理方法,其特征在于:所述步骤S2.1具体为:在得到了三个特征分量的基础上,采取大量阴影、水体、暗反射率地物的纯净样本,分析这三张地物在三个特征分量上的特性,最终构建CSI,进一步增强阴影信息,其定义为:
其中,SEI,NDWI,NIR分别代表像元在三个提取的特征分量上的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061707.6A CN109815894A (zh) | 2019-01-23 | 2019-01-23 | 一种针对哨兵2a影像的建筑物阴影提取处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061707.6A CN109815894A (zh) | 2019-01-23 | 2019-01-23 | 一种针对哨兵2a影像的建筑物阴影提取处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815894A true CN109815894A (zh) | 2019-05-28 |
Family
ID=66604865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910061707.6A Pending CN109815894A (zh) | 2019-01-23 | 2019-01-23 | 一种针对哨兵2a影像的建筑物阴影提取处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815894A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796113A (zh) * | 2019-11-05 | 2020-02-14 | 洛阳师范学院 | 一种基于WorldView-2影像的城市蓝色地物检测方法 |
CN110969607A (zh) * | 2019-11-29 | 2020-04-07 | 洛阳师范学院 | 一种基于快鸟影像的城市冰面检测方法 |
CN111160349A (zh) * | 2019-12-16 | 2020-05-15 | 广州地理研究所 | 基于哨兵遥感数据的水体提取方法及装置、设备 |
CN111191530A (zh) * | 2019-12-16 | 2020-05-22 | 广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
CN111415357A (zh) * | 2020-03-19 | 2020-07-14 | 长光卫星技术有限公司 | 一种基于彩色影像的便携式阴影提取方法 |
CN113177473A (zh) * | 2021-04-29 | 2021-07-27 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279951A (zh) * | 2013-05-13 | 2013-09-04 | 武汉理工大学 | 一种面向对象的遥感影像建筑物及其阴影提取的方法 |
CN107992856A (zh) * | 2017-12-25 | 2018-05-04 | 南京信息工程大学 | 城市场景下的高分遥感建筑物阴影检测方法 |
CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
CN108986040A (zh) * | 2018-06-12 | 2018-12-11 | 南京大学 | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 |
-
2019
- 2019-01-23 CN CN201910061707.6A patent/CN109815894A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279951A (zh) * | 2013-05-13 | 2013-09-04 | 武汉理工大学 | 一种面向对象的遥感影像建筑物及其阴影提取的方法 |
CN107992856A (zh) * | 2017-12-25 | 2018-05-04 | 南京信息工程大学 | 城市场景下的高分遥感建筑物阴影检测方法 |
CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
CN108986040A (zh) * | 2018-06-12 | 2018-12-11 | 南京大学 | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 |
Non-Patent Citations (1)
Title |
---|
黄惠 等: "Spectral-Spatial topographic shadow detection from sentinel-2A MSI imagery via convolutional neural networks", 《IEEE》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796113A (zh) * | 2019-11-05 | 2020-02-14 | 洛阳师范学院 | 一种基于WorldView-2影像的城市蓝色地物检测方法 |
CN110796113B (zh) * | 2019-11-05 | 2023-04-18 | 洛阳师范学院 | 一种基于WorldView-2影像的城市蓝色地物检测方法 |
CN110969607A (zh) * | 2019-11-29 | 2020-04-07 | 洛阳师范学院 | 一种基于快鸟影像的城市冰面检测方法 |
CN110969607B (zh) * | 2019-11-29 | 2023-03-03 | 洛阳师范学院 | 一种基于快鸟影像的城市冰面检测方法 |
CN111160349A (zh) * | 2019-12-16 | 2020-05-15 | 广州地理研究所 | 基于哨兵遥感数据的水体提取方法及装置、设备 |
CN111191530A (zh) * | 2019-12-16 | 2020-05-22 | 广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
CN111160349B (zh) * | 2019-12-16 | 2022-06-03 | 广东省科学院广州地理研究所 | 基于哨兵遥感数据的水体提取方法及装置、设备 |
CN111191530B (zh) * | 2019-12-16 | 2022-06-28 | 广东省科学院广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
CN111415357A (zh) * | 2020-03-19 | 2020-07-14 | 长光卫星技术有限公司 | 一种基于彩色影像的便携式阴影提取方法 |
CN111415357B (zh) * | 2020-03-19 | 2023-04-07 | 长光卫星技术股份有限公司 | 一种基于彩色影像的便携式阴影提取方法 |
CN113177473A (zh) * | 2021-04-29 | 2021-07-27 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
CN113177473B (zh) * | 2021-04-29 | 2021-11-16 | 生态环境部卫星环境应用中心 | 遥感影像水体自动化提取方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815894A (zh) | 一种针对哨兵2a影像的建筑物阴影提取处理方法 | |
WO2020258899A1 (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
CN107392130B (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
Ghiyamat et al. | A review on hyperspectral remote sensing for homogeneous and heterogeneous forest biodiversity assessment | |
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 | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
CN111122449A (zh) | 一种城市不透水面遥感提取方法及系统 | |
CN102750701A (zh) | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 | |
CN115170979B (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
CN105894520B (zh) | 一种基于高斯混合模型的卫星影像自动云检测方法 | |
CN108986040B (zh) | 一种基于遥感多光谱影像的ndvi阴影影响去除方法 | |
CN103942769A (zh) | 一种卫星遥感影像融合方法 | |
CN102982538A (zh) | 一种资源卫星多光谱图像模拟真彩色方法 | |
CN107145891A (zh) | 一种基于遥感影像的水体提取方法及系统 | |
CN105590316A (zh) | 面向对象的高分辨率遥感影像阴影提取方法 | |
CN105512619B (zh) | 一种基于分层知识的不透水面信息提取方法 | |
CN112052757B (zh) | 火烧迹地信息提取方法、装置、设备和存储介质 | |
CN114821349A (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
CN110458208A (zh) | 基于信息测度的高光谱图像分类方法 | |
Zhang et al. | Multi-temporal cloud detection based on robust PCA for optical remote sensing imagery | |
CN104573662B (zh) | 一种云判方法和系统 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN104881659B (zh) | 一种不透水层的提取方法及装置 | |
CN116935238B (zh) | 基于深度学习的森林扰动监测方法、系统、设备及介质 | |
CN112257531A (zh) | 基于多样性特征联合的林地变化遥感监测方法 |
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 |