CN110428013B - 一种农作物遥感分类方法及系统 - Google Patents

一种农作物遥感分类方法及系统 Download PDF

Info

Publication number
CN110428013B
CN110428013B CN201910725616.8A CN201910725616A CN110428013B CN 110428013 B CN110428013 B CN 110428013B CN 201910725616 A CN201910725616 A CN 201910725616A CN 110428013 B CN110428013 B CN 110428013B
Authority
CN
China
Prior art keywords
sentinel
crop
image
data
wfv
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.)
Active
Application number
CN201910725616.8A
Other languages
English (en)
Other versions
CN110428013A (zh
Inventor
陈圣波
韩冰冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201910725616.8A priority Critical patent/CN110428013B/zh
Publication of CN110428013A publication Critical patent/CN110428013A/zh
Application granted granted Critical
Publication of CN110428013B publication Critical patent/CN110428013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种农作物遥感分类方法及系统。所述方法利用雷达影像解决云雨天气较多的地区的农作物分类，以高分一号WFV光学影像数据和Sentinel‑1雷达数据为数据源，通过对WFV光学影像数据进行监督分类进行耕地范围提取，根据野外采样点和WFV影像信息创建农作物样本，利用J‑M距离可分性进行Sentinel‑1影像最优分类时相组合的判断，通过计算各类别样本和Sentinel‑1影像间的差异度来对影像进行分类，提高了研究区域农作物遥感分类的准确性和分类效率。

Description

一种农作物遥感分类方法及系统
技术领域
本发明涉及农业遥感监测技术领域，特别是涉及一种农作物遥感分类方法及系统。
背景技术
中国作为农业大国，农业的发展与经济的发展息息相关。农作物种类的空间分布是农业遥感监测的基本前提，及时准确的获取农作物空间分布情况对保障食品安全、自然资源保护方面和实现可持续发展的农业管理有着重要意义。
遥感影像在时空尺度上的优势，为大范围农作物检测提供了有效的技术支撑。当前农作物分类方法多基于光学数据，光学数据处理分析的方法成熟、应用广泛，但其易受到云雨天气影响，这使得部分地区数据质量难以保障，一定程度上限制了作物信息的获取。由于当前农作物分类方法多基于光学数据，实际应用中受天气影响较大，因此对不同作物类型进行划分的准确性较低。
发明内容
本发明的目的是提供一种农作物遥感分类方法及系统，以解决现有基于光学数据的农作物分类方法对农作物类型划分准确度低的问题。
为实现上述目的，本发明提供了如下方案：
一种农作物遥感分类方法，所述方法包括：
获取监测区域的WFV光学影像数据和Sentinel-1雷达数据；
对所述WFV光学影像数据进行数据预处理，生成预处理后的WFV光学数据；
对所述Sentinel-1雷达数据进行数据预处理，生成预处理后的Sentinel-1雷达数据；
采用最大似然分类器对所述预处理后的WFV光学数据进行分类，生成耕地分类结果；
采用所述耕地分类结果对所述预处理后的Sentinel-1雷达数据进行掩膜得到Sentinel-1耕地影像；
根据所述预处理后的WFV光学数据和实地采集的野外信息创建农作物样本；
根据所述农作物样本和所述Sentinel-1耕地影像计算各个时相下不同农作物之间的J-M距离值；
根据所述J-M距离值的大小对时相进行排序，选取排序结果中所述J-M距离值较大的多景Sentinel-1耕地影像；
根据所述农作物样本的面矢量对所述多景Sentinel-1耕地影像进行裁剪，得到各类Sentinel-1农作物样本集；
根据所述Sentinel-1农作物样本集计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度；
根据所述差异度确定研究区域农作物的分类结果。
可选的，所述对所述WFV光学影像数据进行数据预处理，生成预处理后的WFV光学数据，具体包括：
对所述WFV光学影像数据进行辐射定标，生成辐射定标后光学数据；
对所述辐射定标后光学数据采用FLAASH模型进行大气校正，生成大气校正后的光学数据；
采用二次多项式纠正方法对所述大气校正后的光学数据进行几何校正，生成几何校正后的光学数据；
利用研究区域矢量边界对所述几何校正后的光学数据进行裁剪，得到研究区域WFV影像图作为预处理后的WFV光学数据。
可选的，所述对所述Sentinel-1雷达数据进行数据预处理，生成预处理后的Sentinel-1雷达数据，具体包括：
通过热噪声去除方法初步消除所述Sentinel-1雷达数据的噪声影响，生成热噪声去除后影像；
采用辐射定标方法将所述热噪声去除后影像的强度值转换为后向散射系数，生成辐射定标后雷达数据；
采用滤波算法对所述辐射定标后雷达数据的斑点噪声进行滤波去除，生成滤波后雷达数据；
对所述滤波后雷达数据进行地形校正，生成地理几何校正后影像；
将所述地理几何校正后影像重采样为与所述预处理后的WFV光学数据分辨率一致的重采样后Sentinel-1数据；
对所述预处理后的WFV光学数据和所述重采样后Sentinel-1数据进行配准，生成配准后的Sentinel-1影像；
利用研究区域矢量边界对所述配准后的Sentinel-1影像进行裁剪，得到研究区域Sentinel-1影像图作为预处理后的Sentinel-1雷达数据。
可选的，所述根据所述农作物样本和所述Sentinel-1耕地影像计算各个时相下不同农作物之间的J-M距离值，具体包括：
根据所述农作物样本和所述Sentinel-1耕地影像，采用公式Jij＝k(1-eα)和公式
Figure BDA0002158833390000031
计算各个时相下不同农作物之间的J-M距离值；其中Jij表示第i类所述农作物样本与所述Sentinel-1耕地影像中的第j类农作物之间的J-M距离值；ui、uj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处像元的均值；Ci、Cj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处的协方差矩阵；ln表示取自然对数；|Ci|、|Cj|分别为协方差矩阵Ci、Cj的行列式的值；k为常数系数。
可选的，所述根据所述Sentinel-1农作物样本集计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度，具体包括：
从所述Sentinel-1农作物样本集中随机抽取每类农作物的m个Sentinel-1样本作为随机样本集；
计算所述随机样本集中m个Sentinel-1样本的样本像素均值；
根据所述多景Sentinel-1耕地影像的像素值和每类农作物的样本像素均值，采用公
Figure BDA0002158833390000032
计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度err；其中n表示所述Sentinel-1农作物样本集中的时相个数；σobs(n)为所述多景Sentinel-1耕地影像中第n景影像的像素值；σtrain(n)是所述Sentinel-1农作物样本集中第n个随机样本集的样本像素均值；var(σtrain(n))是第n个随机样本集中Sentinel-1样本的方差。
一种农作物遥感分类系统，所述系统包括：
数据获取模块，用于获取监测区域的WFV光学影像数据和Sentinel-1雷达数据；
光学数据预处理模块，用于对所述WFV光学影像数据进行数据预处理，生成预处理后的WFV光学数据；
雷达数据预处理模块，用于对所述Sentinel-1雷达数据进行数据预处理，生成预处理后的Sentinel-1雷达数据；
数据分类模块，用于采用最大似然分类器对所述预处理后的WFV光学数据进行分类，生成耕地分类结果；
耕地影像获取模块，用于采用所述耕地分类结果对所述预处理后的Sentinel-1雷达数据进行掩膜得到Sentinel-1耕地影像；
农作物样本创建模块，用于根据所述预处理后的WFV光学数据和实地采集的野外信息创建农作物样本；
J-M距离值计算模块，用于根据所述农作物样本和所述Sentinel-1耕地影像计算各个时相下不同农作物之间的J-M距离值；
最优分类时相选取模块，用于根据所述J-M距离值的大小对时相进行排序，选取排序结果中所述J-M距离值较大的多景Sentinel-1耕地影像；
农作物样本集获取模块，用于根据所述农作物样本的面矢量对所述多景Sentinel-1耕地影像进行裁剪，得到各类Sentinel-1农作物样本集；
差异度计算模块，用于根据所述Sentinel-1农作物样本集计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度；
农作物分类模块，用于根据所述差异度确定研究区域农作物的分类结果。
可选的，所述光学数据预处理模块具体包括：
光学数据辐射定标单元，用于对所述WFV光学影像数据进行辐射定标，生成辐射定标后光学数据；
大气校正单元，用于对所述辐射定标后光学数据采用FLAASH模型进行大气校正，生成大气校正后的光学数据；
几何校正单元，用于采用二次多项式纠正方法对所述大气校正后的光学数据进行几何校正，生成几何校正后的光学数据；
光学数据裁剪单元，用于利用研究区域矢量边界对所述几何校正后的光学数据进行裁剪，得到研究区域WFV影像图作为预处理后的WFV光学数据。
可选的，所述雷达数据预处理模块具体包括：
噪声去除单元，用于通过热噪声去除方法初步消除所述Sentinel-1雷达数据的噪声影响，生成热噪声去除后影像；
雷达数据辐射定标单元，用于采用辐射定标方法将所述热噪声去除后影像的强度值转换为后向散射系数，生成辐射定标后雷达数据；
滤波单元，用于采用滤波算法对所述辐射定标后雷达数据的斑点噪声进行滤波去除，生成滤波后雷达数据；
地形校正单元，用于对所述滤波后雷达数据进行地形校正，生成地理几何校正后影像；
重采样单元，用于将所述地理几何校正后影像重采样为与所述预处理后的WFV光学数据分辨率一致的重采样后Sentinel-1数据；
影像配准单元，用于对所述预处理后的WFV光学数据和所述重采样后Sentinel-1数据进行配准，生成配准后的Sentinel-1影像；
雷达数据裁剪单元，用于利用研究区域矢量边界对所述配准后的Sentinel-1影像进行裁剪，得到研究区域Sentinel-1影像图作为预处理后的Sentinel-1雷达数据。
可选的，所述J-M距离值计算模块具体包括：
J-M距离值计算单元，用于根据所述农作物样本和所述Sentinel-1耕地影像，采用公式Jij＝k(1-eα)和公式
Figure BDA0002158833390000051
计算各个时相下不同农作物之间的J-M距离值；其中Jij表示第i类所述农作物样本与所述Sentinel-1耕地影像中的第j类农作物之间的J-M距离值；ui、uj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处像元的均值；Ci、Cj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处的协方差矩阵；ln表示取自然对数；|Ci|、|Cj|分别为协方差矩阵Ci、Cj的行列式的值；k为常数系数。
可选的，所述差异度计算模块具体包括：
样本抽取单元，用于从所述Sentinel-1农作物样本集中随机抽取每类农作物的m个Sentinel-1样本作为随机样本集；
像素均值计算单元，用于计算所述随机样本集中m个Sentinel-1样本的样本像素均值；
差异度计算单元，用于根据所述多景Sentinel-1耕地影像的像素值和每类农作物的样本像素均值，采用公式
Figure BDA0002158833390000061
计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度err；其中n表示所述Sentinel-1农作物样本集中的时相个数；σobs(n)为所述多景Sentinel-1耕地影像中第n景影像的像素值；σtrain(n)是所述Sentinel-1农作物样本集中第n个随机样本集的样本像素均值；var(σtrain(n))是第n个随机样本集中Sentinel-1样本的方差。
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：
本发明提供一种农作物遥感分类方法及系统，所述方法利用雷达影像解决云雨天气较多的地区的农作物分类，以高分一号WFV光学影像数据和Sentinel-1雷达数据为数据源，通过对WFV光学影像数据进行监督分类进行耕地范围提取，根据野外采样点和WFV影像信息创建农作物样本，利用J-M距离可分性进行Sentinel-1影像最优分类时相组合的判断，通过计算各类别样本和Sentinel-1影像间的差异度来对影像进行分类，提高了研究区域农作物遥感分类的准确性和分类效率。
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为本发明提供的农作物遥感分类方法的方法流程图。
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。
当前农作物分类方法多基于光学数据，实际应用中受天气影响较大。而合成孔径雷达数据不受天气影响，可全天时、全天候对地观测，能够有效避免数据获取难的问题。除此之外，微波穿透性的特点使得雷达数据可提供茎和叶的植被结构信息，同时还可提供土壤粗糙度和水分含量等与光学影像不同的地物信息，因此可通过光学和雷达数据相结合来进行农作物分类。本发明的目的是提供一种农作物遥感分类方法及系统，通过光学和雷达数据相结合来进行农作物分类，以解决现有基于光学数据的农作物分类方法对农作物类型划分准确度低的问题。
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为本发明提供的农作物遥感分类方法的方法流程图。参见图1，本发明提供的农作物遥感分类方法具体包括：
步骤1：获取监测区域的WFV光学影像数据和Sentinel-1雷达数据。
高分一号(GF-1)卫星于卫星上载荷了4台WFV(Wide Field View sensor)多光谱相机，4台相机组合幅宽不小于800km，WFV传感器共包括4个波段，光谱范围为0.45～0.89μm(蓝光0.45～0.52μm，绿光0.52～0.59μm，红光0.63～0.69μm，近红外0.77～0.89μm)。本发明方法从中国资源卫星应用中心获取GF-1卫星采集的监测区域的WFV光学影像数据作为数据源之一。其中监测区域包括本发明的研究区域。
Sentinel-1是欧洲委员会和欧洲航天局针对哥白尼全球对地观测项目研制的首颗卫星，在近极地太阳同步轨道上运行，轨道高度约700km，重访周期为12天。Sentinel-1有多种成像方式，可实现单极化、双极化等不同的极化方式，共有条带成像(SM，Stripmap)模式、干涉宽幅(IW，Interferometric Wide swath)模式、超幅宽(EW，Extra Wide swath)模式和波浪模式(Wave mode)4种成像模式。Sentinel-1卫星产品一般分为3个级别，Level-0指成像处理前的原始数据，Level-1包括单视复数产品(Single Look complex,SLC)和地距探测产品(Ground Range Detected，GRD)两类，Level-2是各种模式的海洋产品。本发明选取的Sentinel-1雷达数据是level 1级别的干涉宽幅(IW)测量模式的GRD数据，包含VH(Vertical polarization Horizontal polarization，交叉极化)和VV(Verticalpolarization，同极化)两种极化方式。
本发明实施例中，选择日期从5月到10月的监测区域的WFV光学影像数据和Sentinel-1雷达数据作为数据源。
步骤2：对所述WFV光学影像数据进行数据预处理，生成预处理后的WFV光学数据。
所述WFV光学影像数据的数据预处理通过ENVI5.3软件实现，具体包括：
2.1、对所述WFV光学影像数据进行辐射定标，生成辐射定标后光学数据；
为将不同时间的影像进行比较，需采用辐射定标方法将图像的亮度灰度值转换为绝对的辐射亮度，确定每个波段的中心波长和带宽，为后续大气校正做准备。
2.2、对所述辐射定标后光学数据采用FLAASH模型进行大气校正，生成大气校正后的光学数据；
卫星在接收地物发射的电磁波时会受到由大气散射和吸收引起的大气衰减，为消除大气影响，对辐射定标后光学数据选择FLAASH模型进行大气校正，根据元数据中的头文件信息填写影像获取日期和成像时间，生成大气校正后的光学数据；其中FLAASH是由世界一流的光学成像研究所－波谱科学研究所(Spectral Sciences Inc.)在美国空军研究实验室(U.S.Air Force Research Laboratory)支持下开发的大气校正模块。
2.3、采用二次多项式纠正方法对所述大气校正后的光学数据进行几何校正，生成几何校正后的光学数据；
遥感成像时由于飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，对大气校正后的光学数据采用二次多项式纠正方法对大气校正后的光学数据进行几何校正，生成几何校正后的光学数据。
2.4、利用研究区域(也称研究区)矢量边界对所述几何校正后的光学数据进行裁剪，得到研究区域WFV影像图作为预处理后的WFV光学数据。
步骤3：对所述Sentinel-1雷达数据进行数据预处理，生成预处理后的Sentinel-1雷达数据。
所述Sentinel-1雷达数据(即Sentinel-1GRD数据)的数据预处理通过Snap软件实现，具体包括：
3.1、通过热噪声去除方法初步消除所述Sentinel-1雷达数据的噪声影响，生成热噪声去除后影像；
3.2、采用辐射定标方法将所述热噪声去除后影像的强度值转换为后向散射系数，生成辐射定标后雷达数据；
3.3、采用Lee滤波(7×7)滤波算法对所述辐射定标后雷达数据的斑点噪声进行滤波去除，生成滤波后雷达数据；
3.4、对所述滤波后雷达数据进行地形校正，生成地理几何校正后影像；
通过Snap中的SRTM 3Sec作为DEM(Digital Elevation Model，数字高程模型)数据，影像投影选择WGS84/UTM Zone 52N(World Geodetic System 1984/UniversalTransverse Mercator Zone 52North)坐标系，对滤波后雷达数据进行地形校正，生成地理几何校正后影像。其中SRTM(Shuttle Radar Topography Mission)是由美国太空总署(NASA)和国防部国家测绘局(NIMA)联合测量的90米DEM数据。WGS84是为GPS全球定位系统使用而建立的坐标系统，UTM坐标系是由美国军方在1947提出的，中国国境所跨UTM带号为43-53，根据研究区域位置选择52进行地形校正。
3.5、采用公式(1)把经过地理几何校正后影像转换成以dB表示的后向散射系数，便于对图像进行目标的定量度量和分析：
S＝10.0*log10(A2) (1)
公式(1)中S表示后向散射系数，A表示地理几何校正后影像值。
3.6、将所述地理几何校正后影像重采样为16m，使其分辨率与所述预处理后的WFV光学数据分辨率一致，生成重采样后Sentinel-1数据；
3.7、利用ENVI5.3软件对所述预处理后的WFV光学数据和所述重采样后Sentinel-1数据进行配准，生成配准后的Sentinel-1影像；
3.8、利用研究区域矢量边界对所述配准后的Sentinel-1影像进行裁剪，得到研究区域Sentinel-1影像图作为预处理后的Sentinel-1雷达数据。
步骤4：采用最大似然分类器对所述预处理后的WFV光学数据进行分类，生成耕地分类结果。
在ENVI5.3软件中选择不同地物类别ROI(Region of Interest，感兴趣区)，选择最大似然分类器对预处理后的WFV光学影像数据进行分类，得到城镇、水体、植被和耕地的分类结果。
步骤5：采用所述耕地分类结果对所述预处理后的Sentinel-1雷达数据进行掩膜得到Sentinel-1耕地影像。
在ENVI5.3软件中提取步骤4得到的WFV分类结果中的耕地分类结果，对预处理后的Sentinel-1雷达数据进行掩膜，得到Sentinel-1耕地影像。
步骤6：根据所述预处理后的WFV光学数据和实地采集的野外信息创建农作物样本。具体包括：
6.1、进行实地信息采集，利用GPS(Global Positioning System，全球定位系统)记录研究区域各类农作物的经纬度，得到研究区域的野外信息；
6.2、在ArcGIS10.5软件中根据步骤6.1中采集的野外信息和预处理后的WFV光学数据进行农作物样本的创建，对各类农作物野外记录的经纬度建立30m缓冲区，使原始的点矢量变为面矢量。
步骤7：根据所述农作物样本和所述Sentinel-1耕地影像计算各个时相下不同农作物之间的J-M距离值。
在ENVI5.3软件中利用步骤6生成的农作物样本和步骤5生成的Sentinel-1耕地影像分别计算各个时相下不同农作物的J-M距离值，J-M(Jeffries-Matusita)距离计算公式如下：
Jij＝k(1-eα) (2)
Figure BDA0002158833390000101
其中Jij表示第i类所述农作物样本与所述Sentinel-1耕地影像中的第j类农作物之间的J-M距离值；ui、uj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处像元的均值；Ci、Cj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处的协方差矩阵；ln表示取自然对数；|Ci|、|Cj|分别为协方差矩阵Ci、Cj的行列式的值；k为常数系数，通常取值为2。
J-M距离大小范围为0-2，值越大代表样本间可分离程度越高。Jij位于0.0～1.0之间时，样本间不具有可分性；Jij位于1.0～1.9之间时，样本间具有一定的可分性，但存在较大程度的重叠；Jij位于1.9～2.0之间时，样本间具有很好的可分性。
步骤8：根据所述J-M距离值的大小对时相进行排序，选取排序结果中所述J-M距离值较大的多景Sentinel-1耕地影像。
根据步骤7计算的J-M距离值大小对时相进行排序，选取J-M距离值大的多景Sentinel-1耕地影像作为Sentinel-1最优分类时相。优选选取九景时相的Sentinel-1耕地影像作为Sentinel-1最优分类时相。
本发明实施例中，最终选取5月13号、6月25号、7月7号、7月15号、7月31号、8月17号、8月29号、9月5号、9月22号的九景时相的影像进行农作物分类。当选取9景影像时，若任意两类农作物样本J-M距离值均在1.9以上，即表明选取的9景影像可得到较好分类结果，有效避免数据冗余。
步骤9：根据所述农作物样本的面矢量对所述多景Sentinel-1耕地影像进行裁剪，得到各类Sentinel-1农作物样本集。
在ENVI5.3软件中，采用步骤6.2生成的面矢量对步骤8选取的多景Sentinel-1耕地影像进行裁剪，得到各类Sentinel-1农作物样本集。所述Sentinel-1农作物样本集中包括各类农作物在9个日期(时相)的Sentinel-1影像。
步骤10：根据所述Sentinel-1农作物样本集计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度；具体包括：
10.1、从步骤9生成的Sentinel-1农作物样本集中随机抽取每类农作物的m个Sentinel-1样本作为随机样本集；
10.2、分别计算每类所述随机样本集中m个Sentinel-1样本的样本像素均值；
10.3、分别计算步骤8选取的9景Sentinel-1影像像素值和步骤10.2计算得到的每类样本像素均值之间的差异度，差异度计算公式如下：
Figure BDA0002158833390000121
其中err为所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度；其中n表示所述Sentinel-1农作物样本集中的时相个数；σobs(n)为步骤8生成的所述多景Sentinel-1耕地影像中第n景影像的像素值；σtrain(n)是步骤10.2中计算的所述Sentinel-1农作物样本集中第n个随机样本集的样本像素均值；var(σtrain(n))是第n个随机样本集中Sentinel-1样本的方差。
步骤11：根据所述差异度确定研究区域农作物的分类结果。具体包括：
11.1、对步骤10计算出的9景影像和每类农作物样本的差异度进行求和得到影像各个位置上每类农作物对应的差异度和，对差异度和进行大小判断，差异度和最小的值对应的农作物类别即为该位置处农作物类别，此时得到了单次循环分类结果；
11.2、分类次数i+1(i的初始值为0)；
11.3、对分类次数i进行判断，判断i是否小于n(设定的总分类次数)；
11.4、当i小于n的时候，返回步骤10.1；当i不小于n的时候，进行步骤11.5；
11.5、根据循环生成的n个分类结果生成多次循环后分类结果，确定影像各个位置在进行的n次分类中出现最高次数的类别即为该影像对应位置的分类类别，从而得到研究区域农作物的多次循环分类结果作为研究区域农作物的分类结果。
在云雨较多地区，及时准确的获取到农作物空间分布信息对于农业指导、保障粮食安全等具有重要意义。而雷达影像具有全天时、全天候的观测特征，能够避免光学影像易受云雨天气影响而不能及时获取到地表信息的缺陷。本发明利用雷达影像解决云雨天气较多的地区的农作物分类，以高分一号WFV光学数据和Sentinel-1雷达数据为数据源，通过对WFV进行监督分类进行耕地范围提取，根据野外采样点和WFV影像信息创建农作物样本，利用J-M距离可分性进行Sentinel-1影像最优分类时相组合的判断，通过计算各类别样本和Sentinel-1影像间的差异度来对影像进行分类，有效提高了农作物遥感分类的准确性和分类效率。
基于本发明提供的农作物遥感分类方法，本发明还提供一种农作物遥感分类系统，所述系统包括：
数据获取模块，用于获取监测区域的WFV光学影像数据和Sentinel-1雷达数据；
光学数据预处理模块，用于对所述WFV光学影像数据进行数据预处理，生成预处理后的WFV光学数据；
雷达数据预处理模块，用于对所述Sentinel-1雷达数据进行数据预处理，生成预处理后的Sentinel-1雷达数据；
数据分类模块，用于采用最大似然分类器对所述预处理后的WFV光学数据进行分类，生成耕地分类结果；
耕地影像获取模块，用于采用所述耕地分类结果对所述预处理后的Sentinel-1雷达数据进行掩膜得到Sentinel-1耕地影像；
农作物样本创建模块，用于根据所述预处理后的WFV光学数据和实地采集的野外信息创建农作物样本；
J-M距离值计算模块，用于根据所述农作物样本和所述Sentinel-1耕地影像计算各个时相下不同农作物之间的J-M距离值；
最优分类时相选取模块，用于根据所述J-M距离值的大小对时相进行排序，选取排序结果中所述J-M距离值较大的多景Sentinel-1耕地影像；
农作物样本集获取模块，用于根据所述农作物样本的面矢量对所述多景Sentinel-1耕地影像进行裁剪，得到各类Sentinel-1农作物样本集；
差异度计算模块，用于根据所述Sentinel-1农作物样本集计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度；
农作物分类模块，用于根据所述差异度确定研究区域农作物的分类结果。
其中，所述光学数据预处理模块具体包括：
光学数据辐射定标单元，用于对所述WFV光学影像数据进行辐射定标，生成辐射定标后光学数据；
大气校正单元，用于对所述辐射定标后光学数据采用FLAASH模型进行大气校正，生成大气校正后的光学数据；
几何校正单元，用于采用二次多项式纠正方法对所述大气校正后的光学数据进行几何校正，生成几何校正后的光学数据；
光学数据裁剪单元，用于利用研究区域矢量边界对所述几何校正后的光学数据进行裁剪，得到研究区域WFV影像图作为预处理后的WFV光学数据。
所述雷达数据预处理模块具体包括：
噪声去除单元，用于通过热噪声去除方法初步消除所述Sentinel-1雷达数据的噪声影响，生成热噪声去除后影像；
雷达数据辐射定标单元，用于采用辐射定标方法将所述热噪声去除后影像的强度值转换为后向散射系数，生成辐射定标后雷达数据；
滤波单元，用于采用滤波算法对所述辐射定标后雷达数据的斑点噪声进行滤波去除，生成滤波后雷达数据；
地形校正单元，用于对所述滤波后雷达数据进行地形校正，生成地理几何校正后影像；
重采样单元，用于将所述地理几何校正后影像重采样为与所述预处理后的WFV光学数据分辨率一致的重采样后Sentinel-1数据；
影像配准单元，用于对所述预处理后的WFV光学数据和所述重采样后Sentinel-1数据进行配准，生成配准后的Sentinel-1影像；
雷达数据裁剪单元，用于利用研究区域矢量边界对所述配准后的Sentinel-1影像进行裁剪，得到研究区域Sentinel-1影像图作为预处理后的Sentinel-1雷达数据。
所述J-M距离值计算模块具体包括：
J-M距离值计算单元，用于根据所述农作物样本和所述Sentinel-1耕地影像，采用公式Jij＝k(1-eα)和公式
Figure BDA0002158833390000141
计算各个时相下不同农作物之间的J-M距离值；其中Jij表示第i类所述农作物样本与所述Sentinel-1耕地影像中的第j类农作物之间的J-M距离值；ui、uj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处像元的均值；Ci、Cj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处的协方差矩阵；ln表示取自然对数；|Ci|、|Cj|分别为协方差矩阵Ci、Cj的行列式的值；k为常数系数。
所述差异度计算模块具体包括：
样本抽取单元，用于从所述Sentinel-1农作物样本集中随机抽取每类农作物的m个Sentinel-1样本作为随机样本集；
像素均值计算单元，用于计算所述随机样本集中m个Sentinel-1样本的样本像素均值；
差异度计算单元，用于根据所述多景Sentinel-1耕地影像的像素值和每类农作物的样本像素均值，采用公式
Figure BDA0002158833390000151
计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度err；其中n表示所述Sentinel-1农作物样本集中的时相个数；σobs(n)为所述多景Sentinel-1耕地影像中第n景影像的像素值；σtrain(n)是所述Sentinel-1农作物样本集中第n个随机样本集的样本像素均值；var(σtrain(n))是第n个随机样本集中Sentinel-1样本的方差。
本发明农作物遥感分类方法及系统与现有技术相比，还具有以下优点：
1、数据开源，本发明采用的WFV数据和Sentinel-1数据可分别从中国资源卫星应用中心和欧空局网站上免费下载；
2、分类效率高，本发明方法Sentinel-1时相选取部分对预处理后的Sentinel-1数据进行了筛选，选择出多景最优分类时相的农作物样本集，减少了后续运算数据量，提高了农作物分类效率；
3、分类结果准确，本发明农作物分类结果是根据多次迭代产生结果进行判断得出，避免了随机采样产生的偶然性，分类结果更为准确。
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 (2)

1.一种农作物遥感分类方法，其特征在于，所述方法包括：
获取监测区域的WFV光学影像数据和Sentinel-1雷达数据；
对所述WFV光学影像数据进行数据预处理，生成预处理后的WFV光学数据；
对所述Sentinel-1雷达数据进行数据预处理，生成预处理后的Sentinel-1雷达数据；
采用最大似然分类器对所述预处理后的WFV光学数据进行分类，生成耕地分类结果；
采用所述耕地分类结果对所述预处理后的Sentinel-1雷达数据进行掩膜得到Sentinel-1耕地影像；
根据所述预处理后的WFV光学数据和实地采集的野外信息创建农作物样本；
根据所述农作物样本和所述Sentinel-1耕地影像计算各个时相下不同农作物之间的J-M距离值；
根据所述J-M距离值的大小对时相进行排序，选取排序结果中所述J-M距离值较大的多景Sentinel-1耕地影像；
根据所述农作物样本的面矢量对所述多景Sentinel-1耕地影像进行裁剪，得到各类Sentinel-1农作物样本集；
根据所述Sentinel-1农作物样本集计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度；
根据所述差异度确定研究区域农作物的分类结果；
所述根据所述预处理后的WFV光学数据和实地采集的野外信息创建农作物样本，包括：
进行实地信息采集，利用GPS记录研究区域各类农作物的经纬度，得到研究区域的野外信息；
根据所述野外信息和预处理后的WFV光学数据进行农作物样本的创建，对各类农作物野外记录的经纬度建立30m缓冲区，使原始的点矢量变为面矢量；
所述对所述WFV光学影像数据进行数据预处理，生成预处理后的WFV光学数据，具体包括：
对所述WFV光学影像数据进行辐射定标，生成辐射定标后光学数据；
对所述辐射定标后光学数据采用FLAASH模型进行大气校正，生成大气校正后的光学数据；
采用二次多项式纠正方法对所述大气校正后的光学数据进行几何校正，生成几何校正后的光学数据；
利用研究区域矢量边界对所述几何校正后的光学数据进行裁剪，得到研究区域WFV影像图作为预处理后的WFV光学数据；
所述对所述Sentinel-1雷达数据进行数据预处理，生成预处理后的Sentinel-1雷达数据，具体包括：
通过热噪声去除方法初步消除所述Sentinel-1雷达数据的噪声影响，生成热噪声去除后影像；
采用辐射定标方法将所述热噪声去除后影像的强度值转换为后向散射系数，生成辐射定标后雷达数据；
采用滤波算法对所述辐射定标后雷达数据的斑点噪声进行滤波去除，生成滤波后雷达数据；
对所述滤波后雷达数据进行地形校正，生成地理几何校正后影像；
将所述地理几何校正后影像重采样为与所述预处理后的WFV光学数据分辨率一致的重采样后Sentinel-1数据；
对所述预处理后的WFV光学数据和所述重采样后Sentinel-1数据进行配准，生成配准后的Sentinel-1影像；
利用研究区域矢量边界对所述配准后的Sentinel-1影像进行裁剪，得到研究区域Sentinel-1影像图作为预处理后的Sentinel-1雷达数据；
所述农作物样本和所述Sentinel-1耕地影像计算各个时相下不同农作物之间的J-M距离值，具体包括：
根据所述农作物样本和所述Sentinel-1耕地影像，采用公式Jij＝k(1-eα)和公式
Figure FDA0003463693920000031
计算各个时相下不同农作物之间的J-M距离值；其中Jij表示第i类所述农作物样本与所述Sentinel-1耕地影像中的第j类农作物之间的J-M距离值；ui、uj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处像元的均值；Ci、Cj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处的协方差矩阵；ln表示取自然对数；|Ci|、|Cj|分别为协方差矩阵Ci、Cj的行列式的值；k为常数系数；
所述根据所述Sentinel-1农作物样本集计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度，具体包括：
从所述Sentinel-1农作物样本集中随机抽取每类农作物的m个Sentinel-1样本作为随机样本集；
计算所述随机样本集中m个Sentinel-1样本的样本像素均值；
根据所述多景Sentinel-1耕地影像的像素值和每类农作物的样本像素均值，采用公式
Figure FDA0003463693920000032
计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度err；其中n表示所述Sentinel-1农作物样本集中的时相个数；σobs(n)为所述多景Sentinel-1耕地影像中第n景影像的像素值；σtrain(n)是所述Sentinel-1农作物样本集中第n个随机样本集的样本像素均值；var(σtrain(n))是第n个随机样本集中Sentinel-1样本的方差。
2.一种农作物遥感分类系统，其特征在于，所述系统包括：
数据获取模块，用于获取监测区域的WFV光学影像数据和Sentinel-1雷达数据；
光学数据预处理模块，用于对所述WFV光学影像数据进行数据预处理，生成预处理后的WFV光学数据；
雷达数据预处理模块，用于对所述Sentinel-1雷达数据进行数据预处理，生成预处理后的Sentinel-1雷达数据；
数据分类模块，用于采用最大似然分类器对所述预处理后的WFV光学数据进行分类，生成耕地分类结果；
耕地影像获取模块，用于采用所述耕地分类结果对所述预处理后的Sentinel-1雷达数据进行掩膜得到Sentinel-1耕地影像；
农作物样本创建模块，用于根据所述预处理后的WFV光学数据和实地采集的野外信息创建农作物样本；
J-M距离值计算模块，用于根据所述农作物样本和所述Sentinel-1耕地影像计算各个时相下不同农作物之间的J-M距离值；
最优分类时相选取模块，用于根据所述J-M距离值的大小对时相进行排序，选取排序结果中所述J-M距离值较大的多景Sentinel-1耕地影像；
农作物样本集获取模块，用于根据所述农作物样本的面矢量对所述多景Sentinel-1耕地影像进行裁剪，得到各类Sentinel-1农作物样本集；
差异度计算模块，用于根据所述Sentinel-1农作物样本集计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度；
农作物分类模块，用于根据所述差异度确定研究区域农作物的分类结果；
所述根据所述预处理后的WFV光学数据和实地采集的野外信息创建农作物样本，包括：
进行实地信息采集，利用GPS记录研究区域各类农作物的经纬度，得到研究区域的野外信息；
根据所述野外信息和预处理后的WFV光学数据进行农作物样本的创建，对各类农作物野外记录的经纬度建立30m缓冲区，使原始的点矢量变为面矢量；
所述光学数据预处理模块具体包括：
光学数据辐射定标单元，用于对所述WFV光学影像数据进行辐射定标，生成辐射定标后光学数据；
大气校正单元，用于对所述辐射定标后光学数据采用FLAASH模型进行大气校正，生成大气校正后的光学数据；
几何校正单元，用于采用二次多项式纠正方法对所述大气校正后的光学数据进行几何校正，生成几何校正后的光学数据；
光学数据裁剪单元，用于利用研究区域矢量边界对所述几何校正后的光学数据进行裁剪，得到研究区域WFV影像图作为预处理后的WFV光学数据；
所述雷达数据预处理模块具体包括：
噪声去除单元，用于通过热噪声去除方法初步消除所述Sentinel-1雷达数据的噪声影响，生成热噪声去除后影像；
雷达数据辐射定标单元，用于采用辐射定标方法将所述热噪声去除后影像的强度值转换为后向散射系数，生成辐射定标后雷达数据；
滤波单元，用于采用滤波算法对所述辐射定标后雷达数据的斑点噪声进行滤波去除，生成滤波后雷达数据；
地形校正单元，用于对所述滤波后雷达数据进行地形校正，生成地理几何校正后影像；
重采样单元，用于将所述地理几何校正后影像重采样为与所述预处理后的WFV光学数据分辨率一致的重采样后Sentinel-1数据；
影像配准单元，用于对所述预处理后的WFV光学数据和所述重采样后Sentinel-1数据进行配准，生成配准后的Sentinel-1影像；
雷达数据裁剪单元，用于利用研究区域矢量边界对所述配准后的Sentinel-1影像进行裁剪，得到研究区域Sentinel-1影像图作为预处理后的Sentinel-1雷达数据；
所述J-M距离值计算模块具体包括：
J-M距离值计算单元，用于根据所述农作物样本和所述Sentinel-1耕地影像，采用公式Jij＝k(1-eα)和公式
Figure FDA0003463693920000061
计算各个时相下不同农作物之间的J-M距离值；其中Jij表示第i类所述农作物样本与所述Sentinel-1耕地影像中的第j类农作物之间的J-M距离值；ui、uj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处像元的均值；Ci、Cj分别为第i、j类农作物样本对应Sentinel-1耕地影像位置处的协方差矩阵；ln表示取自然对数；|Ci|、|Cj|分别为协方差矩阵Ci、Cj的行列式的值；k为常数系数；
所述差异度计算模块具体包括：
样本抽取单元，用于从所述Sentinel-1农作物样本集中随机抽取每类农作物的m个Sentinel-1样本作为随机样本集；
像素均值计算单元，用于计算所述随机样本集中m个Sentinel-1样本的样本像素均值；
差异度计算单元，用于根据所述多景Sentinel-1耕地影像的像素值和每类农作物的样本像素均值，采用公式
Figure FDA0003463693920000062
计算所述Sentinel-1农作物样本集中每类农作物样本与所述多景Sentinel-1耕地影像中各个位置上的每类农作物之间的差异度err；其中n表示所述Sentinel-1农作物样本集中的时相个数；σobs(n)为所述多景Sentinel-1耕地影像中第n景影像的像素值；σtrain(n)是所述Sentinel-1农作物样本集中第n个随机样本集的样本像素均值；var(σtrain(n))是第n个随机样本集中Sentinel-1样本的方差。
CN201910725616.8A 2019-08-07 2019-08-07 一种农作物遥感分类方法及系统 Active CN110428013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910725616.8A CN110428013B (zh) 2019-08-07 2019-08-07 一种农作物遥感分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910725616.8A CN110428013B (zh) 2019-08-07 2019-08-07 一种农作物遥感分类方法及系统

Publications (2)

Publication Number Publication Date
CN110428013A CN110428013A (zh) 2019-11-08
CN110428013B true CN110428013B (zh) 2022-04-15

Family

ID=68414567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910725616.8A Active CN110428013B (zh) 2019-08-07 2019-08-07 一种农作物遥感分类方法及系统

Country Status (1)

Country Link
CN (1) CN110428013B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178186A (zh) * 2019-12-16 2020-05-19 广州地理研究所 基于哨兵遥感数据的水稻提取方法及装置、设备
CN111144295A (zh) * 2019-12-26 2020-05-12 贵州华图科技有限公司 农作物分类方法、装置及设备
CN116664959B (zh) * 2023-07-28 2023-11-03 航天宏图信息技术股份有限公司 基于多源卫星遥感的无样本农作物分类方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8611603B2 (en) * 2012-02-14 2013-12-17 The United States Of America As Represented By The Secretary Of The Army Method and apparatus for object tracking via hyperspectral imagery
CN104751166B (zh) * 2013-12-30 2018-04-13 中国科学院深圳先进技术研究院 基于光谱角和欧氏距离的遥感影像分类方法
CN105930772A (zh) * 2016-04-13 2016-09-07 武汉大学 基于sar影像与光学遥感影像融合的城市不透水面提取方法
CN108596029A (zh) * 2018-03-20 2018-09-28 尚正（北京）信息技术有限公司 农作物分类方法、装置、计算机设备和存储介质
CN109063577B (zh) * 2018-07-05 2021-08-31 浙江大学 基于信息增益率的卫星影像分割最佳分割尺度确定方法
CN109389049A (zh) * 2018-09-19 2019-02-26 中国科学院东北地理与农业生态研究所 基于多时相sar数据与多光谱数据的作物遥感分类方法

Also Published As

Publication number Publication date
CN110428013A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN108732129B (zh) 一种用图像表示农田土壤成分的系统及其方法
Li et al. An evaluation of the use of atmospheric and BRDF correction to standardize Landsat data
Bendig et al. UAV-based imaging for multi-temporal, very high resolution crop surface models to monitor crop growth variability
Verger et al. Green area index from an unmanned aerial system over wheat and rapeseed crops
Morsdorf et al. Assessment of the influence of flying altitude and scan angle on biophysical vegetation products derived from airborne laser scanning
CN110428013B (zh) 一种农作物遥感分类方法及系统
Zhang et al. Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery
Gao et al. Angular effects and correction for medium resolution sensors to support crop monitoring
Davaze et al. Monitoring glacier albedo as a proxy to derive summer and annual surface mass balances from optical remote-sensing data
CN113920438B (zh) 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法
Mitra et al. Evaluation of INSAT-3D satellite derived precipitation estimates for heavy rainfall events and its validation with gridded GPM (IMERG) rainfall dataset over the Indian region
Li et al. Individual tree delineation in windbreaks using airborne-laser-scanning data and unmanned aerial vehicle stereo images
Jumaat et al. Land cover change mapping using high resolution satellites and unmanned aerial vehicle
Song et al. Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data
Mokarram et al. RELATIONSHIP BETWEEN LAND COVER AND VEGETATION INDICES. CASE STUDY: EGHLID PLAIN, FARS PROVINCE, IRAN.
Yang et al. Forest canopy height mapping over China using GLAS and MODIS data
Weng et al. Introduction to remote sensing systems, data, and applications
Hu et al. The potential of retrieving snow line dynamics from Landsat during the end of the ablation seasons between 1982 and 2017 in European mountains
Antropov et al. PolSAR mosaic normalization for improved land-cover mapping
Ormeci et al. Identification of crop areas Using SPOT–5 data
CN108132096B (zh) 一种基于激光雷达的林窗太阳辐射监测方法
Ssentongo et al. Detecting forest cover and ecosystem service change using integrated approach of remotely sensed derived indices in the Central Districts of Uganda
CN110516588A (zh) 一种遥感卫星系统
Loghin et al. Accuracy Analysis of Digital Elevation Models from very High Resolution Satellite Imagery
Stark et al. Optimal collection of high resolution aerial imagery with unmanned aerial systems

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