CN110046214A - 基于植被分布数据库的植被类遥感信息自动识别方法 - Google Patents
基于植被分布数据库的植被类遥感信息自动识别方法 Download PDFInfo
- Publication number
- CN110046214A CN110046214A CN201910308829.0A CN201910308829A CN110046214A CN 110046214 A CN110046214 A CN 110046214A CN 201910308829 A CN201910308829 A CN 201910308829A CN 110046214 A CN110046214 A CN 110046214A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- vegetation
- sensing image
- data base
- distributed data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于植被分布数据库的植被类遥感信息自动识别方法,该方法包括:基于SPOT6高分辨率假彩色遥感影像数据建立植被分布数据库;利用Erdas平台对植被分布数据库中的遥感影像进行波段组合和提取、几何校正、图像拼接和裁剪预处理;采用监督分类方法进行林地类型分类,获取林地类型遥感影像信息;扫描数字化地形图,将地形图与林地类型遥感影像进行叠加;利用ArcGIS10.0平台对叠加数据进行林地落界矢量化处理,生成Shp格式小班图形数据。本发明提供的基于植被分布数据库的植被类遥感信息自动识别方法,实现对样本区域植被数据的提取、分类管理,使其可应用于数据库中,有效节约信息提取时间,提高工作效率。
Description
技术领域
本发明涉及植被遥感信息识别技术领域,特别是涉及一种基于植被分布数据库的植被类遥感信息自动识别方法。
背景技术
植被遥感监测是遥感技术在土地利用领域应用的重要内容。遥感技术作为地球信息科学的前沿技术,可以在短期内连续获取大范围的地面信息,实现植被信息的快速收集和定量分析,反应迅速,客观性强,是目前最为有效的对地观测技术和信息获取手段。尤其近年来新的高空间分辨率、高光谱、雷达等遥感技术的发展,为植被现代化监测提供了新的机遇。我国幅员辽阔,农作物种类丰富,如何及时、客观、准确地收集植被信息,对科学指导土地利用具有重要意义。
监督分类是一种常见的遥感影像分类方法,需要以人工选取样本区域,为计算机自动分类提供依据,样本质量与遥感影像分类结果精度密切相关。在监督分类中,样本区域由操作人员根据具体遥感影像特征和遥感解译经验选取,传统的人工采样的方法效率低,且工作量巨大,特别是人为因素会产生干扰,形成误差,导致最终得到的分类结果精度较差。
发明内容
本发明的目的是提供一种基于植被分布数据库的植被类遥感信息自动识别方法,实现对样本区域植被数据的提取、分类管理,使其可应用于数据库中,有效节约信息提取时间,提高工作效率。
为实现上述目的,本发明提供了如下方案:
一种基于植被分布数据库的植被类遥感信息自动识别方法,该方法包括以下步骤:
(1)基于SPOT6高分辨率假彩色遥感影像数据建立植被分布数据库;
(2)利用Erdas平台对植被分布数据库中的遥感影像进行波段组合和提取、几何校正、图像拼接和裁剪预处理;
(3)采用监督分类方法进行林地类型分类,获取林地类型遥感影像信息;
(4)扫描数字化地形图,将地形图与林地类型遥感影像进行叠加;
(5)利用ArcGIS10.0平台对叠加数据进行林地落界矢量化处理,生成Shp格式小班图形数据。
可选的,所述步骤(2)中所述的波段组合和提取,具体包括:分别赋予每个波段红、绿、蓝色调,进行遥感影像的多波段假彩色合成,每个波段名称和波长范围分别是:绿色,0.50-0.59Lm;红色,0.60-0.68Lm;近红外,0.78-0.90Lm;短波红外1.58-1.76Lm;全色0.49-0.71Lm。
可选的,所述步骤(3)中的监督分类方法,具体包括:
确定不同类别的训练样本;
根据训练样本特征计算各类的特征统计值,建立分类判别函数和判别规则;
对遥感影像不同像元进行扫描,同时计算出像元特征分属于不同类别的概率大小,具体做法是在判别函数中分别代入像元特征向量,并且将待判断像元划属于判别函数中概率最大的一类。
可选的,所述步骤(4)中扫描数字化地形图,将地形图与林地类型遥感影像进行叠加,具体包括:扫描数字化地形图,得到1:1万地形图,采用ArcGIS10.0软件用配准好的遥感影像配准扫描获得的1:1万地形图,并设置坐标投影和参考系,使地形图具有与林地类型遥感影像相同的坐标,进行叠加。
可选的,所述步骤(5)中的Shp格式小班图形数据是以行政驻地(县-乡-村)、小班和行政界线(县-乡-村)形式呈现,所述行政界线用于行政区划单位面积的统计和权责的明细。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于植被分布数据库的植被类遥感信息自动识别方法,基于SPOT6遥感影像和ArcGIS10.0技术对植被分布数据进行采集和处理,有效节约信息提取时间,提高工作效率;由SPOT6遥感影像中选择光谱特征明显的数据源影像,采用多时相、多季相的遥感分类方法,提高分类精度并加强遥感影像的几何精校正。在林地保护利用规划林地落界过程中,采用遥感影像和1:1万地形图叠加分析勾绘小班界,以提高配准精度,使其小于0.5ost;另外,采用监督分类方法对林地类型进行分类的过程中,影像分辨率、山体阴影、云层、季节等因素,会对遥感影像分类精度产生一定的影响,因此利用GIS数据支持以辅助监督分类中的最大似然分类法提高分类的精度,有效防止分类误差的扩大化;在样本的选取上,本方法有着很高的可信度,同时克服了人工选取受人为因素影响较大的弊端。
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为本发明的基于植被分布数据库的植被类遥感信息自动识别方法工作流程图;
图2为本发明基于植被分布数据库的植被类遥感信息自动识别方法的具体实施流程图;
图3为波段合成后的遥感影像图;
图4为张家口地区植被分布遥感影像图。
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。
本发明的目的是提供一种基于植被分布数据库的植被类遥感信息自动识别方法,实现对样本区域植被数据的提取、分类管理,使其可应用于数据库中,有效节约信息提取时间,提高工作效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的实施流程图,如图1所示,本发明提供的基于植被分布数据库的植被类遥感信息自动识别方法,该方法包括以下步骤:
(1)基于SPOT6高分辨率假彩色遥感影像数据建立植被分布数据库;
(2)利用Erdas平台对植被分布数据库中的遥感影像进行波段组合和提取、几何校正、图像拼接和裁剪预处理;
(3)采用监督分类方法进行林地类型分类,获取林地类型遥感影像信息;
(4)扫描数字化地形图,将地形图与林地类型遥感影像进行叠加;
(5)利用ArcGIS10.0平台对叠加数据进行林地落界矢量化处理,生成Shp格式小班图形数据。
如图3所示,其中,所述步骤(2)中所述的波段组合和提取,具体包括:分别赋予每个波段红、绿、蓝色调,进行遥感影像的多波段假彩色合成,每个波段名称和波长范围分别是:绿色,0.50-0.59Lm;红色,0.60-0.68Lm;近红外,0.78-0.90Lm;短波红外1.58-1.76Lm;全色0.49-0.71Lm。以SPOT6的高分辨率遥感影像作为数据源,由于植被、水域、岩石等由于对光谱的反射特性存在差异,在遥感影像上呈现出不同的彩色灰度,因此,需要对数据源进行波段组合、图像增强、几何精校正、影像裁剪和拼接等准备工作。SPOT6遥感影像各波段之间存在着繁杂的信息,并且各波段特征差异较大,为了提高遥感信息优化处理速度,并且有利于提高影像镶嵌、融合时的效果,增强基于图像解译标志进行分类的能力,有必要对遥感影像的多波段中三个合适的波段进行组合,分别赋予每个波段红、绿、蓝,进行遥感影像的多波段假彩色合成。合成后的遥感影像图如图3所示。此外,运用最佳指数因子法(QIF如公式1所示)对SPOT6遥感影像各个波段组合进行计算和量化排序,最终得到123波段组合最佳指数最大,且结合解译标志的目视判读效果最好的123波段组合为最佳波段组合方案。
Si是第i个波段的标准差,Rij为i、j两波段的相关系数。
其中,所述步骤(3)中的监督分类方法,指的是采用监督分类中的最大似然方法对林地类型进行分类,具体包括:
确定不同类别的训练样本;
根据训练样本特征计算各类的特征统计值,建立分类判别函数和判别规则;
对遥感影像不同像元进行扫描,同时计算出像元特征分属于不同类别的概率大小,具体做法是在判别函数中分别代入像元特征向量,并且将待判断像元划属于判别函数中概率最大的一类。
最大似然分类法误差小精度高,在多种分类方法中是非常好的一种遥感影像分类方法,公式如2所示。
D=ln(ac)-[0.5ln(|Covc|)]-|0.5(x-Mc)T(Covc -1)(x-Mc)| (2)
其中,D为加权距离,Mc为类型C的样本平均矢量,C为特征类型,X为像素的测量矢量,ac为某一像素分属于类型c的概率,ln表示自然对数函数;T为转置函数,Covc为类型C样本中像素的协方差矩阵,|Covc|为Covc的行列式,Covc-1为Covc的逆矩阵。
其中,所述步骤(4)中扫描数字化地形图,将地形图与林地类型遥感影像进行叠加,具体包括:采用常规的现有技术,扫描数字化地形图,得到1:1万地形图,采用ArcGIS10.0软件用配准好的遥感影像配准扫描获得的1:1万地形图,并设置坐标投影和参考系,使地形图具有与林地类型遥感影像相同的坐标,进行叠加。
其中,所述步骤(5)中的Shp格式小班图形数据是以行政驻地(县-乡-村)、小班和行政界线(县-乡-村)形式呈现,所述行政界线用于行政区划单位面积的统计和权责的明细。
本发明实时例中,以张家口市为例进行图像处理,以张家口市所在的地区作为边界,利用ArcGis10.0软件对边界进行矢量化,生成SHP格式文件,然后利用Arc Tool矢量裁剪工具,不规则裁剪得到张家口市遥感影像。将卫星影像特征与实地进行对照,记录各地类影像的色调、纹理、大小、几何形状、地形地貌及地理位置等因素,拍摄地面实况照片,通过室内分析和适当的野外勘察,合理建立对林地类型与现地实况一一对应关系加以判读的标准,最终形成目视判读标志。对张家口1:1万地形图进行图面扫描,采用ArcGIS10.0软件用配准好的张家口遥感影像配准扫描获得的1:1万地形图,并设置坐标投影和参考系,使地形图具有与遥感影像相同的坐标;在校正过的遥感影像和需要校正的地形图上寻找明显的、相同的地物点作为控制点即可完成校正;经过配准和几何纠正的1:1万地形图和遥感影像的基础上,在ArcGis10.0的软件操作环境下,叠加地形图和遥感影像,并调节地形图透明度,使得地形图和遥感影像能同时显现出来,建立与地形图和遥感影像具有相同坐标系和投影的点、线、面图层,根据张家口地类型遥感解译标志,判读不同林地类型,形成张家口植被分布遥感图像,结果如图4所示。
在步骤(5)后,在ArcGis 10.0中进行林地小班面状图层的拓扑检查,主要检查是否存在悬挂点、伪结点以及线与线、面与面之间是否存在相交,面与面之间是否存在间隙等,以确保所有图斑不存在拓扑错误。
本发明提供的基于植被分布数据库的植被类遥感信息自动识别方法,基于SPOT6遥感影像和ArcGIS10.0技术对植被分布数据进行采集和处理,有效节约信息提取时间,提高工作效率;由SPOT6遥感影像中选择光谱特征明显的数据源影像,采用多时相、多季相的遥感分类方法,提高分类精度并加强遥感影像的几何精校正。在林地保护利用规划林地落界过程中,采用遥感影像和1:1万地形图叠加分析勾绘小班界,以提高配准精度,使其小于0.5ost;另外,采用监督分类方法对林地类型进行分类的过程中,影像分辨率、山体阴影、云层、季节等因素,会对遥感影像分类精度产生一定的影响,因此利用GIS数据支持以辅助监督分类中的最大似然分类法提高分类的精度,有效防止分类误差的扩大化;在样本的选取上,本方法有着很高的可信度,同时克服了人工选取受人为因素影响较大的弊端。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于植被分布数据库的植被类遥感信息自动识别方法,其特征在于,包括以下步骤:
(1)基于SPOT6高分辨率假彩色遥感影像数据建立植被分布数据库;
(2)利用Erdas平台对植被分布数据库中的遥感影像进行波段组合和提取、几何校正、图像拼接和裁剪预处理;
(3)采用监督分类方法进行林地类型分类,获取林地类型遥感影像信息;
(4)扫描数字化地形图,将地形图与林地类型遥感影像进行叠加;
(5)利用ArcGIS10.0平台对叠加数据进行林地落界矢量化处理,生成Shp格式小班图形数据。
2.根据权利要求1所述的基于植被分布数据库的植被类遥感信息自动识别方法,其特征在于,所述步骤(2)中所述的波段组合和提取,具体包括:分别赋予每个波段红、绿、蓝色调,进行遥感影像的多波段假彩色合成,每个波段名称和波长范围分别是:绿色,0.50-0.59Lm;红色,0.60-0.68Lm;近红外,0.78-0.90Lm;短波红外1.58-1.76Lm;全色0.49-0.71Lm。
3.根据权利要求1所述的基于植被分布数据库的植被类遥感信息自动识别方法,其特征在于,所述步骤(3)中的监督分类方法,具体包括:
确定不同类别的训练样本;
根据训练样本特征计算各类的特征统计值,建立分类判别函数和判别规则;
对遥感影像不同像元进行扫描,同时计算出像元特征分属于不同类别的概率大小,具体做法是在判别函数中分别代入像元特征向量,并且将待判断像元划属于判别函数中概率最大的一类。
4.根据权利要求1所述的基于植被分布数据库的植被类遥感信息自动识别方法,其特征在于,所述步骤(4)中扫描数字化地形图,将地形图与林地类型遥感影像进行叠加,具体包括:扫描数字化地形图,得到1:1万地形图,采用ArcGIS10.0软件用配准好的遥感影像配准扫描获得的1:1万地形图,并设置坐标投影和参考系,使地形图具有与林地类型遥感影像相同的坐标,进行叠加。
5.根据权利要求1所述的基于植被分布数据库的植被类遥感信息自动识别方法,其特征在于,所述步骤(5)中的Shp格式小班图形数据是以行政驻地(县-乡-村)、小班和行政界线(县-乡-村)形式呈现,所述行政界线用于行政区划单位面积的统计和权责的明细。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308829.0A CN110046214A (zh) | 2019-04-17 | 2019-04-17 | 基于植被分布数据库的植被类遥感信息自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308829.0A CN110046214A (zh) | 2019-04-17 | 2019-04-17 | 基于植被分布数据库的植被类遥感信息自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110046214A true CN110046214A (zh) | 2019-07-23 |
Family
ID=67277585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910308829.0A Pending CN110046214A (zh) | 2019-04-17 | 2019-04-17 | 基于植被分布数据库的植被类遥感信息自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046214A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046838A (zh) * | 2019-12-24 | 2020-04-21 | 天津大学 | 一种湿地遥感信息的识别方法及装置 |
CN113780096A (zh) * | 2021-08-17 | 2021-12-10 | 北京数慧时空信息技术有限公司 | 基于半监督深度学习的植被类地物提取方法 |
CN114067221A (zh) * | 2022-01-14 | 2022-02-18 | 成都数联云算科技有限公司 | 一种遥感影像林地提取方法及系统及装置及介质 |
CN115439759A (zh) * | 2022-11-09 | 2022-12-06 | 航天宏图信息技术股份有限公司 | 遥感影像中植被的提取方法、装置、电子设备及介质 |
CN115641412A (zh) * | 2022-05-13 | 2023-01-24 | 泰瑞数创科技(北京)股份有限公司 | 基于高光谱数据的三维语义地图的生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN103425995A (zh) * | 2013-07-22 | 2013-12-04 | 西安电子科技大学 | 基于区域相似性低秩表示降维的高光谱图像分类方法 |
CN108053408A (zh) * | 2017-12-05 | 2018-05-18 | 中国资源卫星应用中心 | 一种基于遥感卫星影像的高自动化土地利用更新方法 |
-
2019
- 2019-04-17 CN CN201910308829.0A patent/CN110046214A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN103425995A (zh) * | 2013-07-22 | 2013-12-04 | 西安电子科技大学 | 基于区域相似性低秩表示降维的高光谱图像分类方法 |
CN108053408A (zh) * | 2017-12-05 | 2018-05-18 | 中国资源卫星应用中心 | 一种基于遥感卫星影像的高自动化土地利用更新方法 |
Non-Patent Citations (4)
Title |
---|
任冲: "《中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究》", 《中国博士学位论文全文数据库 农业科技辑》 * |
杨可明: "《遥感原理与应用》", 30 September 2016, 《中国矿业大学出版社》 * |
班松涛: "《县域农作物分类类型遥感识别与提取》", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
陈秀万: "《洪水灾害损失评估系统——遥感与GIS技术应用研究》", 28 February 1999, 《中国水利水电出版社》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046838A (zh) * | 2019-12-24 | 2020-04-21 | 天津大学 | 一种湿地遥感信息的识别方法及装置 |
CN113780096A (zh) * | 2021-08-17 | 2021-12-10 | 北京数慧时空信息技术有限公司 | 基于半监督深度学习的植被类地物提取方法 |
CN113780096B (zh) * | 2021-08-17 | 2023-12-01 | 北京数慧时空信息技术有限公司 | 基于半监督深度学习的植被类地物提取方法 |
CN114067221A (zh) * | 2022-01-14 | 2022-02-18 | 成都数联云算科技有限公司 | 一种遥感影像林地提取方法及系统及装置及介质 |
CN114067221B (zh) * | 2022-01-14 | 2022-04-15 | 成都数联云算科技有限公司 | 一种遥感影像林地提取方法及系统及装置及介质 |
CN115641412A (zh) * | 2022-05-13 | 2023-01-24 | 泰瑞数创科技(北京)股份有限公司 | 基于高光谱数据的三维语义地图的生成方法 |
CN115641412B (zh) * | 2022-05-13 | 2023-08-04 | 泰瑞数创科技(北京)股份有限公司 | 基于高光谱数据的三维语义地图的生成方法 |
CN115439759A (zh) * | 2022-11-09 | 2022-12-06 | 航天宏图信息技术股份有限公司 | 遥感影像中植被的提取方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046214A (zh) | 基于植被分布数据库的植被类遥感信息自动识别方法 | |
CN105551028B (zh) | 一种基于遥感影像的地理空间数据动态更新的方法及系统 | |
CN109886207B (zh) | 基于图像风格迁移的广域监测系统及方法 | |
CN109697475A (zh) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 | |
KR100678395B1 (ko) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 | |
CN107527038A (zh) | 一种三维地物自动提取与场景重建方法 | |
CN106295562A (zh) | 一种高分辨率遥感影像道路信息提取方法 | |
CN109840553A (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN103871072B (zh) | 基于投影数字高程模型的正射影像镶嵌线自动提取方法 | |
CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
Deliry et al. | Extracting urban impervious surfaces from Sentinel-2 and Landsat-8 satellite data for urban planning and environmental management | |
CN108681715A (zh) | 海南热带天然林植被型组分类方法 | |
CN115452759B (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
CN106780586A (zh) | 一种基于地面激光点云的太阳能潜力评估方法 | |
CN109492606A (zh) | 多光谱矢量图获取方法及系统、三维单体化方法及系统 | |
CN114926739B (zh) | 内河航道水上水下地理空间信息无人化协同采集处理方法 | |
CN112348758B (zh) | 一种光学遥感图像数据增强方法及目标识别方法 | |
CN109308451A (zh) | 一种高分数据信息提取系统及方法 | |
Gennaretti et al. | A methodology proposal for land cover change analysis using historical aerial photos | |
CN103778625A (zh) | 基于遥感图像变化检测算法的地物智能搜索技术 | |
Billah et al. | Land cover mapping of Khulna city applying remote sensing technique | |
CN109447916A (zh) | 一种基于高分辨率遥感影像的水质定量方法 | |
CN113705523A (zh) | 一种基于光学和双极化sar融合的分层城市不透水面提取方法 | |
CN113870278A (zh) | 基于改进的Mask R-CNN模型的卫星遥感图像农田块分割方法 | |
Zarro et al. | Semi-automatic classification of building from low-density Lidar data and worldview-2 images through OBIA technique |
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 |
Application publication date: 20190723 |
|
RJ01 | Rejection of invention patent application after publication |