CN110135322A - 一种基于ifi的时间序列森林变化监测方法 - Google Patents
一种基于ifi的时间序列森林变化监测方法 Download PDFInfo
- Publication number
- CN110135322A CN110135322A CN201910385377.6A CN201910385377A CN110135322A CN 110135322 A CN110135322 A CN 110135322A CN 201910385377 A CN201910385377 A CN 201910385377A CN 110135322 A CN110135322 A CN 110135322A
- Authority
- CN
- China
- Prior art keywords
- forest
- remote sensing
- image
- sensing image
- pixel
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明一种基于IFI的时间序列森林变化监测方法,包括:预处理遥感影像;利用其近红外波段和红光波段的反射率建立归一化植被指数NDVI,然后进行水体和阴影暗物质掩膜,识别掩膜后的遥感影像中水体和阴影;在红光波段使用固定大小的窗口进行影像分割处理,并在遥感影像上执行自动提取运算,得到森林训练样本;根据森林训练样本中遥感影像依据整合森林指数运算规则进行整景遥感影像森林、非森林像元识别,得到时间序列IFI影像;利用图像插值方法补全被掩膜部分影像的信息,并进行森林变化监测时间序列分析,获得森林扰动恢复信息图。本发明实现了森林变化信息全自动识别,同时减少了误差,提高了森林变化监测的准确性和监测结果的时效性。
Description
技术领域
本发明属于卫星遥感应用领域,涉及一种基于IFI的时间序列森林变化监测方法。
背景技术
森林是一种以木本植物为主体的生物群落,在陆地上森林可大致分为针叶林、阔叶林、针阔混交林和灌木林。森林不仅是大自然的调度室,还是人类社会林业产业发展的基础,更是与人类健康、人类居住环境和国民经济发展息息相关。开展森林变化监测工作,即对森林资源的数量、质量、空间分布及其利用状况等信息进行定期定点的分析和评价,是森林管理和保护工作中必不可少的环节。
森林变化监测传统的方法主要采用地面调查进行监测,该方法虽然监测精度高,但是工作量巨大且森林资源变化信息更新周期长,缺乏监测的及时性。近年来,随着遥感技术的不断发展,以及SPOT、RapidEye、高分卫星、资源卫星等一系列遥感卫星的成功发射,高分辨遥感卫星图像已成功应用于多个领域。国内外专家学者利用遥感卫星图像也开展了森林变化监测方法的一系列研究,比如分类法、代数运算法、变换法、模型法、计算机视觉方法等。然而这些方法各有优劣,容易受操作人员经验、阈值设定和影像时间等因素限制,难以大范围推广和应用。
开展快速有效、大范围高效森林变化监测,及时准确发布森林资源信息,对于森林生态环境保护、森林资源管理和森林保护政策制定都有着非常重要的意义。因此,本发明提出了一种基于IFI的时间序列森林变化监测方法,自动实现了森林变化监测的时间序列动态分析,更好地为森林资源管理和保护政策制定提供了辅助支撑。
发明内容
发明所要解决的课题是,克服现有森林变化监测方法无法大面积推广,且部分方法主观性强、变化监测处理过程繁琐的不足,本发明提出了一种基于IFI的时间序列森林变化监测方法,该方法考虑了森林变化监测法的普适性和易推广性,实现了森林扰动恢复信息自动识别,解决了森林变化监测受影像时间限制的问题,提高了变化监测的时序性和高效性。
用于解决课题的技术手段是,本发明提出一种基于IFI的时间序列森林变化监测方法,包括以下步骤:
步骤(1)、对森林遥感影像数据进行预处理,得到预处理后的遥感影像;
步骤(2)、根据预处理后的遥感影像,利用其近红外波段和红光波段的反射率,利用建立的归一化植被指数NDVI进行水体和阴影暗物质掩膜,识别掩膜后的遥感影像中水体和阴影;
步骤(3)、对掩膜后的遥感影像,在其红光波段使用固定大小的窗口进行影像分割处理,并在遥感影像上执行森林训练样本自动提取运算,得到森林训练样本;
步骤(4)、根据森林训练样本中遥感影像依据整合森林指数运算规则进行整景遥感影像森林、非森林像元识别,得到时间序列IFI影像;
步骤(5)、根据时间序列IFI影像,利用图像插值方法补全被掩膜部分影像的信息,并进行森林变化监测时间序列分析,获得森林扰动恢复信息图。
进一步地,作为本发明的一种优选技术方案,所述步骤(1)中对森林遥感影像数据进行预处理包括辐射校正、气溶胶反演和大气校正三个步骤。
进一步地,作为本发明的一种优选技术方案,所述预处理包括的辐射校正、气溶胶反演和大气校正三个步骤,具体为:
对森林遥感影像数据进行辐射相关误差校正,并将遥感影像数据的DN值转换为大气外层表面反射率,以得到遥感影像的辐射亮度值和表观反射率;
利用表观反射率结合基于归一化植被指数的暗像元法进行气溶胶光学厚度反演,得到气溶胶反演后的气溶胶影像;
利用经过辐射校正后的遥感影像的辐射亮度值和气溶胶反演后的气溶胶影像,基于大气辐射传输方程的大气校正法对遥感影像进行调整,以消除大气影响进而得到地表实际反射率,即得到预处理后的遥感影像。
进一步地,作为本发明的一种优选技术方案,所述步骤(2)中建立归一化植被指数NDVI,并结合近红外波段发射率值、蓝光波段反射率值进行水体和阴影的识别掩膜处理,NDVI采用如下公式计算:
其中,R代表遥感影像中各波段的反射率值,NIR代表近红外波段,RED代表红波段,RNIR代表影像的近红外波段反射率,RRED代表影像的红外波段反射率,NDVI代表归一化植被指数;
进一步地,作为本发明的一种优选技术方案,所述步骤(3)中,在遥感影像上执行森林训练样本自动提取运算包括:对分割的每个窗口中的遥感图像生成灰度直方图,从灰度直方图中识别出第一个峰值并将该峰值对应的影像像元作为森林训练样本。
进一步地,作为本发明的一种优选技术方案,所述步骤(4)中整合森林指数运算规则为:
其中,i代表影像波段,i=1,2,3...,NB,NB代表波段的个数,b代表影像像素光谱值,SD代表标准差,p代表影像上某个像素,IFI代表森林整合指数,代表遥感影像中的森林训练样本在波段i中的像素均值,SDi代表遥感影像中的森林训练样本在波段i中的标准差,bpi代表像素p在第i波段的光谱值,IFIp代表像素p的森林整合指数值。
进一步地,作为本发明的一种优选技术方案,所述步骤(5)中图像插值方法的计算公式为:
pi=(pi-1+pi+1)/2
其中,i代表年份,p代表遥感影像上某个像素,i-1代表第i年的前一年,i+1代表第i年的后一年;pi代表第i年的像素p的像元值,pi-1第i年的前一年该像素p的像元值,pi+1代表第i年的后一年该像素p的像元值。
发明效果为:
本发明的方法,依托“澜沧江湄公河空间信息交流合作中心”项目,利用以高分一号卫星载荷PMS为主的卫星遥感数据进行时间序列森林变化监测分析,卫星数据经影像预处理后,综合利用暗物质掩膜法、整合森林指数、图像插值法,进行长时间序列遥感影像数据森林变化监测分析,从而得到森林扰动恢复信息。
与现有监测方法相比,本发明考虑了森林变化监测法的普适性和易推广性,实现了时间序列森林变化信息的自动识别,方法的建立和提高主要体现在以下两个方面:
(1).基于森林变化监测的时效性和易变性,提升了森林变化监测效果;
(2).本发明提出的时间序列森林变化监测方法,形成了流程化的森林变化监测,实现了森林变化信息全自动识别,减少了人为主观判读影像信息带来的误差,提高了森林变化监测的准确性和监测结果的时效性。
因此,本发明的实现,大大提高了森林变化监测的可靠性与准确性,为森林变化监测、森林资源规划调查提供了可行性方案,进一步提高了林业经营管理和保护能力。
附图说明
图1为本发明基于IFI的时间序列森林变化监测方法的流程图;
图2为本发明中遥感影像数据预处理流程图;
图3为本发明中森林扰动识别决策流程示意图;
图4为本发明中森林恢复识别决策流程示意图;
图5为本发明中基于IFI时间序列森林变化监测结果示意图。
具体实施方式
以下,基于附图针对本发明进行详细地说明。
森林资源是陆地自然资源的重要组成部分,其变化情况时刻影响着自然生态环境和人类可持续发展。森林变化监测是一个复杂且耗时的工作,但又需要准确及时高效的大范围森林变化信息为生态环境重构、森林资源管理和保护提供辅助支撑。在此背景下,本发明提出来了一种基于IFI的时间序列森林变化监测方法,并以高分一号卫星GF1 PMS为卫星影像数据进行方法应用,获得森林变化监测信息。以下,基于附图针对本发明进行详细的说明。
如图1所示,为本发明提出的一种基于IFI的时间序列森林变化监测方法的流程图,本方法主要包括如下步骤:
步骤(1)、对森林遥感影像数据进行预处理,得到预处理后的遥感影像。由于GF1PMS卫星原始数据包括XML数据,存储了记录影像信息的基础信息,包括影像时间、经纬度信息、影像载荷、分辨率等。利用自研典型应用系统软件,实现卫星遥感数据预处理,主要包括辐射校正、气溶胶反演和大气校正三个步骤,如图2所示,具体如下:
步骤1(a)、在辐射校正中,本发明对森林遥感数据进行辐射相关误差校正,并将遥感影像数据的元亮度值DN值转换为大气外层表面反射率,从而得到影像的辐射亮度值和表观反射率,消除传感器对影像记录元亮度值DN值的影响和误差。
步骤1(b)、在气溶胶监测过程中,本发明利用经过辐射校正得到的表观反射率,结合基于归一化植被指数的暗像元法进行气溶胶光学厚度反演,得到气溶胶反演后的气溶胶影像,以消除大气中气溶胶对影像影响。
步骤1(c)、在大气校正过程中,为了消除大气、影像几何形变等因素对影像质量的影响,利用经过辐射校正后的遥感影像辐亮度值和气溶胶反演后的气溶胶影像,基于大气辐射传输方程的大气校正法进行影像大气校正处理,对遥感影像进行调整,获得标准格式且带有影像坐标、投影等信息的遥感反射率影像产品数据,即可消除大气影响进而表示影像上地物的地表实际反射率值,即得到预处理后的遥感影像。
步骤(2)、根据预处理后的遥感影像,利用其近红外波段和红光波段的反射率,建立归一化植被指数NDVI,然后依据NDVI值、近红外波段发射率值、蓝光波段反射率值来识别水体和阴影暗物质掩膜,识别掩膜后的遥感影像中水体和阴影。
建立的归一化植被指数NDVI,采用如下公式计算:
其中,R代表遥感影像中各波段的反射率值,NIR代表近红外波段,本实施例中GF1卫星为0.77-0.89um;RED代表红波段,本实施例中GF1卫星为0.63-0.69um;RNIR代表影像的近红外波段反射率,RRED代表影像的红外波段反射率,NDVI代表归一化植被指数;利用该方法得到的遥感影像将用于步骤(3)。
其中,水体和阴影的识别规则为当NDVI<0.2则认为该像素是水体。当近红外波段反射率值小于0.1,同时蓝光波段反射率值小于0.04,则认为该像素为阴影覆盖像素。
步骤(3)、对掩膜后的遥感影像,在其红光波段使用固定大小的窗口进行影像分割处理,并在遥感影像上执行森林训练样本自动提取运算,得到森林训练样本。
具体的,基于输入影像的红光波段反射率特征,对步骤(2)掩膜后的遥感影像中在红光波段使用400×400像素的窗口进行分割处理,并对分割后每个窗口内的影像执行森林训练样本自动提取运算,即对分割的每个窗口中的影像数据生成灰度直方图,然后从灰度直方图中识别出第一个峰值,并将该第一个峰值对应的影像像元存储作为森林训练样本。该森林训练样本集将用于步骤(4)。
步骤(4)、根据森林训练样本中遥感影像依据整合森林指数运算规则进行整景遥感影像森林、非森林像元识别,得到时间序列IFI影像,据此可判别卫星遥感影像中森林和非森林区。
所述整合森林指数运算规则为:
其中,i代表遥感影像波段,i=1,2,3...,NB,NB代表波段的个数,b代表遥感影像像素光谱值,SD代表标准差,p代表影像上某个像素,IFI代表森林整合指数,代表步骤(2)遥感影像中的森林训练样本在波段i中的像素均值,SDi代表遥感影像中的森林训练样本在波段i中的标准差,bpi代表像素p在第i波段的光谱值,IFIp代表像素p的森林整合指数值。
判别规则为,IFIp越小代表其距森林训练样本光谱中心越近,其越有可能为森林像元,相反,IFIp越大越有可能为非森林像素,该指数的建立大大提高了森林变化监测的准确率。对于本实施例选取的GF1卫星影像数据,IFIp<2.5的像元一般为森林像元,相反则一般为非森林像元。
步骤(5)、根据时间序列IFI影像,考虑暗物质掩膜后影像部分缺失信息,利用图像插值方法补全被掩膜部分影像的信息,并进行森林变化监测时间序列分析,获得森林扰动恢复信息图。
由于森林变化是一个时间序列上发生的情况,因此对于输入的多景遥感影像,经暗物质掩膜后,必然存在部分影像区域信息缺失的情况。对此,本发明利用图像插值的方法进行部分掩膜区信息缺失的补救,即对于第i年掩膜的像素p而言,其值可以使用该像素在前一年与后一年的未被掩膜的均值替代;而如果前一年或后一年同时也被掩膜,则使用其中最邻近一年未被掩膜的值替代,进而实现森林变化监测时间序列自动分析。
所述图像插值方法的计算公式为:
pi=(pi-1+pi+1)/2
其中,i代表年份,p代表遥感影像上某个像素,i-1代表第i年的前一年,i+1代表第i年的后一年;pi代表第i年的像素p的像元值,pi-1第i年的前一年该像素p的像元值,pi+1代表第i年的后一年该像素p的像元值。
对于时间序列的森林变化监测分析,本发明主要从森林扰动和森林恢复两种特征进行说明。
其中,森林扰动指时间序列影像数据,其在大于等于三年的时间范围内,不同年份的IFI影像中归一化数值不断变化,被自动识别为森林、非森林属性波动明显时,可判别该像元为森林扰动像元,具体的判别流程如图3所示的森林扰动识别决策流程示意图。
森林恢复指指时间序列影像数据,其在大于等于三年的时间范围内,不同年份的IFI影像中归一化数值由很低变高后,不再发生变化,即被自动识别为森林后不再出现为非森林的像元,可判别该像元为森林恢复像元,具体的判别流程如图4所示的森林恢复识别决策流程示意图。
由此,本发明提出的基于IFI的时间序列森林变化监测方法,实现了时间序列的森林变化监测分析,得到森林变化监测图如图5所示。
综上,本发明考虑了森林变化监测的时效性和易变性,提出了一种基于IFI的时间序列森林变化监测方法,形成了流程化的森林变化监测,实现了森林变化信息全自动识别,同时减少了人为主观判读影像信息带来的误差,可对大面积森林变化监测进行长时间分析,提高了森林变化监测的准确性和监测结果的时效性。
需要说明的是,以上说明仅是本发明的优选实施方式,应当理解,对于本领域技术人员来说,在不脱离本发明技术构思的前提下还可以做出若干改变和改进,这些都包括在本发明的保护范围内。
Claims (7)
1.一种基于IFI的时间序列森林变化监测方法,其特征在于,包括以下步骤:
步骤(1)、对森林遥感影像数据进行预处理,得到预处理后的遥感影像;
步骤(2)、根据预处理后的遥感影像,利用其近红外波段和红光波段的反射率,利用建立的归一化植被指数NDVI进行水体和阴影暗物质掩膜,识别掩膜后的遥感影像中水体和阴影;
步骤(3)、对掩膜后的遥感影像,在其红光波段使用固定大小的窗口进行影像分割处理,并在遥感影像上执行森林训练样本自动提取运算,得到森林训练样本;
步骤(4)、根据森林训练样本中遥感影像依据整合森林指数运算规则进行整景遥感影像森林、非森林像元识别,得到时间序列IFI影像;
步骤(5)、根据时间序列IFI影像,利用图像插值方法补全被掩膜部分影像的信息,并进行森林变化监测时间序列分析,获得森林扰动恢复信息图。
2.根据权利要求1所述基于IFI的时间序列森林变化监测方法,其特征在于,所述步骤(1)中对森林遥感影像数据进行预处理包括辐射校正、气溶胶反演和大气校正三个步骤。
3.根据权利要求2所述基于IFI的时间序列森林变化监测方法,其特征在于,所述预处理包括的辐射校正、气溶胶反演和大气校正三个步骤,具体为:
对森林遥感影像数据进行辐射相关误差校正,并将遥感影像数据的DN值转换为大气外层表面反射率,以得到遥感影像的辐射亮度值和表观反射率;
利用表观反射率结合基于归一化植被指数的暗像元法进行气溶胶光学厚度反演,得到气溶胶反演后的气溶胶影像;
利用经过辐射校正后的遥感影像的辐射亮度值和气溶胶反演后的气溶胶影像,基于大气辐射传输方程的大气校正法对遥感影像进行调整,以消除大气影响进而得到地表实际反射率,即得到预处理后的遥感影像。
4.根据权利要求1所述基于IFI的时间序列森林变化监测方法,其特征在于,所述步骤(2)中建立归一化植被指数NDVI,并结合近红外波段发射率值、蓝光波段反射率值进行水体和阴影的识别掩膜处理,NDVI采用如下公式计算:
其中,R代表遥感影像中各波段的反射率值,NIR代表近红外波段,RED代表红波段,RNIR代表影像的近红外波段反射率,RRED代表影像的红外波段反射率,NDVI代表归一化植被指数。
5.根据权利要求1所述基于IFI的时间序列森林变化监测方法,其特征在于,所述步骤(3)中,在遥感影像上执行森林训练样本自动提取运算包括:对分割的每个窗口中的遥感图像生成灰度直方图,从灰度直方图中识别出第一个峰值并将该峰值对应的影像像元作为森林训练样本。
6.根据权利要求1所述基于IFI的时间序列森林变化监测方法,其特征在于,所述步骤(4)中整合森林指数运算规则为:
其中,i代表影像波段,i=1,2,3...,NB,NB代表波段的个数,b代表影像像素光谱值,SD代表标准差,p代表影像上某个像素,IFI代表森林整合指数,代表遥感影像中的森林训练样本在波段i中的像素均值,SDi代表遥感影像中的森林训练样本在波段i中的标准差,bpi代表像素p在第i波段的光谱值,IFIp代表像素p的森林整合指数值。
7.根据权利要求1所述基于IFI的时间序列森林变化监测方法,其特征在于,所述步骤(5)中图像插值方法的计算公式为:
pi=(pi-1+pi+1)/2
其中,i代表年份,p代表遥感影像上某个像素,i-1代表第i年的前一年,i+1代表第i年的后一年;pi代表第i年的像素p的像元值,pi-1第i年的前一年该像素p的像元值,pi+1代表第i年的后一年该像素p的像元值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385377.6A CN110135322A (zh) | 2019-05-09 | 2019-05-09 | 一种基于ifi的时间序列森林变化监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385377.6A CN110135322A (zh) | 2019-05-09 | 2019-05-09 | 一种基于ifi的时间序列森林变化监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135322A true CN110135322A (zh) | 2019-08-16 |
Family
ID=67576939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910385377.6A Pending CN110135322A (zh) | 2019-05-09 | 2019-05-09 | 一种基于ifi的时间序列森林变化监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135322A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
CN111209871A (zh) * | 2020-01-09 | 2020-05-29 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
CN112257531A (zh) * | 2020-10-13 | 2021-01-22 | 西安电子科技大学 | 基于多样性特征联合的林地变化遥感监测方法 |
CN113065464A (zh) * | 2021-03-31 | 2021-07-02 | 国家林业和草原局调查规划设计院 | 森林遥感信息变化概率模型 |
CN113408370A (zh) * | 2021-05-31 | 2021-09-17 | 西安电子科技大学 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
CN113421273A (zh) * | 2021-06-30 | 2021-09-21 | 中国气象科学研究院 | 林草搭配信息遥感提取方法及装置 |
CN114295076A (zh) * | 2022-01-05 | 2022-04-08 | 南昌航空大学 | 一种解决基于结构光的微小物体测量阴影问题的测量方法 |
CN114445703A (zh) * | 2022-01-14 | 2022-05-06 | 清华大学 | 基于时间序列分析的森林增长年份自动识别方法、系统 |
CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719298A (zh) * | 2009-11-23 | 2010-06-02 | 中国科学院遥感应用研究所 | 森林草原火灾遥感监测预警方法 |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN108198178A (zh) * | 2018-01-02 | 2018-06-22 | 石家庄学院 | 大气程辐射值的确定方法和装置 |
CN109614942A (zh) * | 2018-12-14 | 2019-04-12 | 中国科学院遥感与数字地球研究所 | 一种基于云计算平台的森林扰动长时间序列监测方法 |
-
2019
- 2019-05-09 CN CN201910385377.6A patent/CN110135322A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719298A (zh) * | 2009-11-23 | 2010-06-02 | 中国科学院遥感应用研究所 | 森林草原火灾遥感监测预警方法 |
CN104851087A (zh) * | 2015-04-17 | 2015-08-19 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN108198178A (zh) * | 2018-01-02 | 2018-06-22 | 石家庄学院 | 大气程辐射值的确定方法和装置 |
CN109614942A (zh) * | 2018-12-14 | 2019-04-12 | 中国科学院遥感与数字地球研究所 | 一种基于云计算平台的森林扰动长时间序列监测方法 |
Non-Patent Citations (3)
Title |
---|
张莉: "基于Landsat时序数据的森林干扰监测和趋势分析", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
张连华等: "高分辨率遥感图像森林训练样本自动提取及其在变化检测中的应用", 《南京林业大学学报(自然科学版)》 * |
黄春波等: "基于时间序列统计特性的森林变化监测", 《遥感学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
CN111209871A (zh) * | 2020-01-09 | 2020-05-29 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
CN111209871B (zh) * | 2020-01-09 | 2021-06-25 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
CN112257531B (zh) * | 2020-10-13 | 2023-07-28 | 西安电子科技大学 | 基于多样性特征联合的林地变化遥感监测方法 |
CN112257531A (zh) * | 2020-10-13 | 2021-01-22 | 西安电子科技大学 | 基于多样性特征联合的林地变化遥感监测方法 |
CN113065464A (zh) * | 2021-03-31 | 2021-07-02 | 国家林业和草原局调查规划设计院 | 森林遥感信息变化概率模型 |
CN113065464B (zh) * | 2021-03-31 | 2024-02-02 | 国家林业和草原局林草调查规划院 | 森林遥感信息变化概率模型 |
CN113408370A (zh) * | 2021-05-31 | 2021-09-17 | 西安电子科技大学 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
CN113408370B (zh) * | 2021-05-31 | 2023-12-19 | 西安电子科技大学 | 基于自适应参数遗传算法的森林变化遥感检测方法 |
CN113421273A (zh) * | 2021-06-30 | 2021-09-21 | 中国气象科学研究院 | 林草搭配信息遥感提取方法及装置 |
CN113421273B (zh) * | 2021-06-30 | 2022-02-25 | 中国气象科学研究院 | 林草搭配信息遥感提取方法及装置 |
CN114295076A (zh) * | 2022-01-05 | 2022-04-08 | 南昌航空大学 | 一种解决基于结构光的微小物体测量阴影问题的测量方法 |
CN114295076B (zh) * | 2022-01-05 | 2023-10-20 | 南昌航空大学 | 一种解决基于结构光的微小物体测量阴影问题的测量方法 |
CN114445703A (zh) * | 2022-01-14 | 2022-05-06 | 清华大学 | 基于时间序列分析的森林增长年份自动识别方法、系统 |
CN114445703B (zh) * | 2022-01-14 | 2023-04-28 | 清华大学 | 基于时间序列分析的森林增长年份自动识别方法、系统 |
CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135322A (zh) | 一种基于ifi的时间序列森林变化监测方法 | |
Xiong et al. | Visual detection of green mangoes by an unmanned aerial vehicle in orchards based on a deep learning method | |
CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
CN104851099B (zh) | 一种基于表示学习的图像融合方法 | |
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 | |
CN109598273B (zh) | 一种融合地表温度和建筑指数的城市实体边界识别方法 | |
CN110645961B (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
CN110414738A (zh) | 一种农作物产量预测方法及系统 | |
CN101777129A (zh) | 一种基于特征检测的图像匹配方法 | |
CN108830844A (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
CN106897998A (zh) | 太阳能直射辐射强度信息预测方法和系统 | |
CN111582575A (zh) | 一种多时空尺度下城市热环境形成发展主导因素识别方法 | |
CN103281513A (zh) | 一种无重叠域监控系统中行人识别方法 | |
CN115542430A (zh) | 一种卫星定量降水估计方法 | |
CN109086661B (zh) | 一种农作物相对辐射归一化方法及装置 | |
Yang et al. | Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV | |
CN114398595A (zh) | 一种基于bp神经网络的火点遥感识别方法 | |
CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
Sui et al. | Processing of multitemporal data and change detection | |
Li et al. | Texture-Aware Self-Attention Model for Hyperspectral Tree Species Classification | |
CN115392137A (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
CN110135274A (zh) | 一种基于人脸识别的人流量统计方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN115223093A (zh) | 一种基于改进的yolox网络的工地安全帽佩戴检测方法 | |
CN114241333A (zh) | 一种基于多源时序遥感影像精准识别新生滑坡区域的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |