CN110456352B - 一种基于相干系数阈值的冰川识别方法 - Google Patents
一种基于相干系数阈值的冰川识别方法 Download PDFInfo
- Publication number
- CN110456352B CN110456352B CN201910813512.2A CN201910813512A CN110456352B CN 110456352 B CN110456352 B CN 110456352B CN 201910813512 A CN201910813512 A CN 201910813512A CN 110456352 B CN110456352 B CN 110456352B
- Authority
- CN
- China
- Prior art keywords
- glacier
- coherence coefficient
- coherence
- image
- coefficient
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9004—SAR image acquisition techniques
- G01S13/9005—SAR image acquisition techniques with optical processing of the SAR signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/955—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on satellite
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于相干系数阈值的冰川识别方法,首先对SAR影像对进行原始数据读取、图像配准、干涉图计算、相干性估计、去除平地相位、相位滤波以及地理编码等处理得到相干系数图,冰川区在相干系数图上呈现低相干的特性。然后拟合研究区相干系数图中相干系数值和对应的像元个数的曲线关系,并对该曲线关系求一阶导数,其一阶导数曲线变缓的地方被认为是图像上由冰川区域向非冰川区域的过渡点,即为选取的阈值b。再通过基于规则的面向对象分类方法对相干系数图进行分类,设立分类规则为:γ<b。最后对所得图像进行去除小图斑、栅格转矢量、去除面状对象内部空洞异常、平滑锯齿状边缘等分类后处理得到冰川区域边界。
Description
技术领域
本发明涉及一种基于相干系数的冰川识别方法,特别涉及用于识别冰川的相干系数阈值的确定。
技术背景
冰川资源作为重要的可调节淡水资源,与区域气候变化和水文效应紧密相关,是气候系统中良好的变化指示因子。随着全球气候变暖、淡水资源紧缺,冰川变化尤其是山地冰川变化监测成为了资源利用与可持续发展方面的重要课题。早期的冰川监测主要依赖于实地考察,1930s之前一直依靠实测冰川末端若干监测点的变化来计算冰川长度变化。但山地冰川多分布于地势高、地形险峻的地区,难以进行大范围、长时间序列的野外实测。遥感技术的快速发展给冰川监测带来了更多的可能性。尤其自1972年以来发布的一系列陆地资源卫星,是目前国内外监测冰川变化的重要光学遥感数据源。基于冰川影像各波段所表现出的反射波谱特性,通过各波段间的比值、差值运算等方法能够实现对纯净冰川的提取。但山地冰川区覆盖大量表碛,在光学遥感影像上表碛与周边地物在可见光、近红外波段差异较小,难以区分。同时光学遥感影像受天气状况限制,往往因云雾影响难以进行目标识别。
合成孔径雷达(SAR)能够全天时全天候工作且几乎不受云雾等天气状况影响。近年来基于SAR平台数据监测冰川变化的技术不断发展,主要是基于SAR数据的极化特性与干涉特性来监测冰川运动模式和流速、物质平衡以及面积的变化。通过SAR干涉测量技术(InSAR),不仅能够获取高精度DEM,并且能利用重复轨道雷达数据的相干性特征识别地物。在一定时间间隔内,冰川表面及其表碛覆盖区域不停流动,比周围静止的地物呈现更低的相干性从而在SAR干涉影像中得以区分。
发明内容
本发明要解决的技术问题是:克服现有技术缺点,提出一种基于相干系数阈值的冰川识别方法,对SAR干涉影像设定合理阈值,从而较准确、完整地识别冰川覆盖区域,达到比较好的效果。
为了解决上述技术问题,本发明提出的技术方案是:
基于相干系数阈值的冰川识别方法,包括以下步骤:
第一步、下载包含研究区的SAR影像对和相应的SRTM DEM数据,并对原始数据进行读取,所述SAR影像对包括一幅主影像和一幅副影像,SAR影像对的拍摄时间在8-10月;
第二步、对下载好的SAR影像对进行配准,估计两幅影像的相对偏差,生成配准偏移多项式;
第三步、对配准后的SAR影像对进行干涉计算,生成SAR影像对的干涉图;
第四步、对所得干涉图进行去除平地相位、相位滤波处理,将去平、滤波后的干涉图作为相位修正项,使用相位修正项对SAR影像对进行相位修正,然后生成SAR影像对未进行地理编码的相干系数图;
第五步、对下载好的SRTM DEM数据进行拼接,得到一个无间隙的能够完全覆盖研究区的DEM数据;
第六步、基于拼接后的DEM数据对相干系数图进行地理编码,使二者具有相同的地理参考,并输出经地理编码后的相干系数图;
第七步、利用研究区范围矢量文件裁剪得到研究区相干系数图,统计研究区相干系数图所有像元的相干系数值γ'和与相干系数值对应的像元个数count;
第八步、对研究区相干系数图所有的相干系数值γ'和对应的像元个数count进行曲线拟合,拟合曲线的一阶导数曲线变缓处所对应的相干系数值即为相干系数阈值b,冰川区与非冰川区在该处过渡;
第九步、基于像元的相干系数值对研究区相干系数图进行图像分割,采用面向对象分类方法,根据分类规则进行冰川提取,分类规则设定为对象的相干系数值<b,从而完成冰川识别。
本发明中采用的是Sentinel-1A SAR卫星数据,属于合成孔径雷达数据。Sentinel-1A重轨单视复数SAR数据的干涉数据常用于地表变化检测中,利用其干涉处理得到的相干系数图进行冰川识别属于SAR数据应用的创新。本发明方法同样适宜于可重轨干涉生成相干系数图的SAR卫星数据(ERS 1/2SAR数据)。
本发明中数据获取相对方便简捷。Sentinel-1A重轨SAR数据经过干涉处理得到的相干系数图中有效提供了研究区一定时间间隔内的地表相干系数,冰川区域因不断流动在相干系数图中呈现明显的低值,从而与周围地物得以区分。本发明中统计拟合像元个数count与相干系数γ的曲线关系,冰川区域因失相干在相干系数低值区域会开始积累,随着相干系数γ值增大,冰川区域向非冰川区域过渡,像元个数减少,变化趋于平缓,之后因冰川周围地物的高相干性像元个数再次升高。对曲线进行一阶求导从而确定合理的区分冰川区与非冰川区的阈值b。阈值b对于不同区域不同影像是不固定的值。利用ENVI软件中的基于规则的面向图像分类工具进行冰川提取,该工具采用决策树分类方法进行分类。
本发明中SAR数据的干涉处理与分类过程均在SNAP软件与ENVI软件中实现,减少了人工参与,提高了分类效率。
综上,本发明方法的执行步骤简单易行,分类效果较好。目前的冰川资源大面积观测资料主要依赖于光学遥感影像与人工目视解译。光学遥感数据严格受天气限制,且人工目视解译耗时耗力,难以大范围展开。本发明使用大空间覆盖范围重轨SAR数据对,利用相干系数取阈值的方法实现大空间尺度上的冰川分类。对冰川变化监测研究具有一定的科学意义。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于相干系数阈值的冰川识别方法流程图。
图2为干涉处理后得到的相干系数图。
图3为研究区相干系数图像元个数count与相干系数γ拟合曲线与一阶导数曲线冰川分布图。
图4曲线拟合像元个数count与相干系数γ关系并一阶求导后导数曲线转折点数据统计。
图5为2018年冰川的分类结果。
具体实施方式
下面根据附图详细阐述本发明,使本发明的技术路线和操作步骤更加清晰。本发明实例采用的数据是Sentinel-1A SAR数据的宽幅干涉模式(Interferometric WideSwath,IW)数据。文中所选用数据极化方式均为“VV”极化方式。筛选数据时,为了降低积雪对冰川边界提取精度的影响,尽可能地选择8-10月影像数据。SAR数据获取时间为2018年8月05日(主影像)、2018年8月17日(副影像)。SAR影像对时间基线为12天,垂直基线为9.93m。
图1为冰川识别方法流程图,具体步骤如下:
第一步、下载含研究区的待分类SAR影像对数据和相应的SRTM DEM(version 4.1)数据,并对原始数据进行读取,具体包括以下几个方面的内容:
1)下载研究区Sentinel-1A的重轨单视复数SAR影像对,所述SAR数据对为Sentlnel-1A卫星SAR数据的宽幅干涉模式(Interferometric Wide Swath,IW)数据,该模式将扫描获得的三个子条带合成一幅影像,幅宽为250km。文中所选用数据极化方式均为“VV”极化方式,然后读取原始影像(*.safe文件)。
2)下载研究区的SRTM DEM数据,版本为version 4.1,空间分辨率为90m。
为了避免积雪对冰川识别的影响,建议选择拍摄时间在8-10月的SAR影像对。
第二步、对下载的SLC格式的SAR影像对进行配准,估计两幅影像间的相对偏差,生成配准偏移多项式。具体的,以主影像为准,副影像中的像素被移动以与主影像对准到子像素精度。首先依据卫星轨道与定时信息粗略配准,随后的精细配准应用相关匹配技术以获得子像素对准精度。
第三步、对配准后的SAR影像对进行干涉计算。雷达图像数据一般表现为复数形式,冰川因表面不断运动在参与相干计算的复数图像上呈现低相干性。通过将主影像与副影像的共轭复数交叉相乘(做归一化处理)来形成干涉图。
第四步、对所得干涉图进行去除平地相位、相位滤波处理,参考轨道、元数据信息和SRTM DEM数据估算由地球曲率引起的平地相位,再从上述第三步中所得干涉图像中减去模拟平地相位。使用SNAP软件中的Goldstein滤波工具进行相位滤波以增加图像信噪比。将去平、滤波后干涉图作为相位修正项,使用相位修正项对SAR影像对进行相位修正,然后估计SAR影像对的相干性,得到未进行地理编码的相干系数图。对于复干涉图像对S1,S2,其相干系数的计算公式如下:
式中,S1为主影像,S2为副影像,E表示复数共轭,每个像元的相干系数值代表主影像S1与副影像S2对应像元之间的相干性大小,值域为(0,1),相干系数值越小表示相干性越低,相干系数值越大表示相干性越高。
第五步、DEM数据预处理,对下载好的SRTM DEM数据进行拼接,接得到一个无间隙的能够完全覆盖研究区的DEM数据。
第六步、对获取的相干系数图进行地理编码,需要输入有地理参考的数据高程模型(DEM)数据,运用SNAP软件中的Terrain Correction工具进行地理编码,所得相干系数图和输入DEM数据具有相同的地理参考。坐标系采用UTM_WGS 1984坐标系,得到地理编码后的相干系数图(图2,横坐标为像元的相干系数值,颜色越深,代表相干度越低,颜色越浅代表相干度越高)。
第七步、利用研究区范围矢量文件裁剪得到研究区相干系数图,统计研究区相干系数图所有像元的相干系数值γ'和与相干系数值对应的像元个数count。
第八步:在MATLAB软件中使用Curve Fitting Tool工具曲线拟合研究区相干系数图相干系数值γ'和对应的像元个数count的关系。本实施例拟合关系为9次拟合,并对拟合曲线进行一阶求导(见图3)。一阶导数曲线变缓处(即二阶导数为零)即为从冰川区向非冰川区过渡的地方,该处所对应的相干系数值即为相干系数阈值b。
统计一阶导数曲线变缓处的数据值(见图4),可以得出,2018年在相干系数值γ'大约为0.319时表现为曲线累积变缓的转折点,即认为0.319是研究区由冰川区向非冰川区转变的转折点,也是该区域较为合理的相干系数阈值。
第九步、在ENVI软件中对相干系数图进行图像分割,采用面向对象分类方法,输入研究区相干系数图,根据分类规则进行冰川提取。分类规则设定为对象的相干系数值<b=0.319,从而完成冰川识别。带有分类规则的基于对象的分类是ENVI软件的功能,其大致原理是:通过图像分割,使同质像元组成大小不同的对象。对象内部光谱特征差异小。在分类过程中处理得不再是一个个像元,而是分割后所形成的对象,通过对象间的光谱特征(均值、标准差等)差异设立分类规则进行分类。
第十步、冰川提取分类结果,借助ENVI软件去除小图斑,并栅格转矢量;然后利用Arcgis软件进行去除面状对象内部空洞异常,平滑锯齿状边缘,得到最终的冰川分类结果(图5)
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (8)
1.一种基于相干系数阈值的冰川识别方法,包括以下步骤:
第一步、下载包含研究区的SAR影像对和相应的SRTM DEM数据,并对原始数据进行读取,所述SAR影像对包括一幅主影像和一幅副影像,SAR影像对的拍摄时间在8-10月;
第二步、对下载好的SAR影像对进行配准,估计两幅影像的相对偏差,生成配准偏移多项式;
第三步、对配准后的SAR影像对进行干涉计算,生成SAR影像对的干涉图;
第四步、对所得干涉图进行去除平地相位、相位滤波处理,将去平、滤波后的干涉图作为相位修正项,使用相位修正项对SAR影像对进行相位修正,然后生成SAR影像对未进行地理编码的相干系数图;
第五步、对下载好的SRTM DEM数据进行拼接,得到一个无间隙的能够完全覆盖研究区的DEM数据;
第六步、基于拼接后的DEM数据对相干系数图进行地理编码,使二者具有相同的地理参考,并输出经地理编码后的相干系数图;
第七步、利用研究区范围矢量文件裁剪得到研究区相干系数图,统计研究区相干系数图所有像元的相干系数值γ'和与相干系数值对应的像元个数count;
第八步、对研究区相干系数图所有的相干系数值γ'和对应的像元个数count进行曲线拟合,拟合曲线的一阶导数曲线变缓处所对应的相干系数值即为相干系数阈值b,冰川区与非冰川区在该处过渡;
第九步、基于像元的相干系数值对研究区相干系数图进行图像分割,采用面向对象分类方法,根据分类规则进行冰川提取,分类规则设定为对象的相干系数值<b,从而完成冰川识别。
2.根据权利要求1所述基于相干系数阈值的冰川识别方法,其特征在于:还具有第十步,对冰川识别结果经过去除小图斑、栅格转矢量、去除面状对象内部空洞异常,和平滑锯齿状边缘,得到最终的冰川提取结果。
3.根据权利要求1所述基于相干系数阈值的冰川识别方法,其特征在于:第二步中,估计SLC影像对间的相对偏差,以主影像为准,副影像中的像素被移动以与主影像对准到子像素精度。
4.根据权利要求1所述基于相干系数阈值的冰川识别方法,其特征在于:所述第四步中,对配准后的SAR影像对进行干涉计算得到干涉图,根据主影像的卫星轨道、元数据信息和SRTM DEM数据计算由地球曲率引起的平地相位,从干涉图中减去该平地相位,然后使用Goldstein滤波工具进行相位滤波以增加图像信噪比,将去平、滤波后的干涉图作为相位修正项对SAR影像对进行相位修正,计算相位修正后的SAR影像对的相干系数图,相干系数的计算公式如下:
式中,S1为主影像,S2为副影像,E表示复数共轭,每个像元的相干系数值代表主影像S1与副影像S2对应像元之间的相干性大小,值域为(0,1),相干系数值越小表示相干性越低,相干系数值越大表示相干性越高。
5.根据权利要求1所述基于相干系数阈值的冰川识别方法,其特征在于:所述第六步中,运用SNAP软件中的Terrain Correction工具对相干系数图进行地理编码。
6.根据权利要求1所述基于相干系数阈值的冰川识别方法,其特征在于:所述第八步中,拟合曲线的一阶导数曲线变缓处即为二阶导数为0的点。
7.根据权利要求1所述基于相干系数阈值的冰川识别方法,其特征在于:第九步中,在ENVI软件中进行图像分割和分类处理,利用Rule Based Feature Extraction Workflow工具进行冰川区提取,输入数据为研究区相干系数图,输入分类规则为对象的相干系数值<b,输出研究区的冰川区域。
8.根据权利要求2所述基于相干系数阈值的冰川识别方法,其特征在于:所述第十步中分类后处理借助ENVI和Arcgis软件完成,在ENVI软件中去除小图斑,栅格转矢量,在Arcgis软件中进行去除面状对象内部空洞异常,平滑锯齿状边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813512.2A CN110456352B (zh) | 2019-08-30 | 2019-08-30 | 一种基于相干系数阈值的冰川识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813512.2A CN110456352B (zh) | 2019-08-30 | 2019-08-30 | 一种基于相干系数阈值的冰川识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110456352A CN110456352A (zh) | 2019-11-15 |
CN110456352B true CN110456352B (zh) | 2022-03-04 |
Family
ID=68490131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910813512.2A Active CN110456352B (zh) | 2019-08-30 | 2019-08-30 | 一种基于相干系数阈值的冰川识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110456352B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398957B (zh) * | 2020-04-01 | 2022-08-02 | 中国林业科学研究院资源信息研究所 | 改进相干性计算方法的短波长双天线InSAR森林高度反演方法 |
CN112232135A (zh) * | 2020-09-21 | 2021-01-15 | 铜陵有色金属集团股份有限公司 | 一种基于监督分类和dem的露天开采区边界提取方法 |
CN114035188B (zh) * | 2022-01-11 | 2022-04-01 | 西南交通大学 | 一种地基雷达冰川流速高精度监测方法与系统 |
CN114994675B (zh) * | 2022-04-19 | 2023-10-03 | 西南交通大学 | 一种基于归一化强度离差指数的冰川分类方法及系统 |
CN114994677B (zh) * | 2022-04-19 | 2023-10-13 | 西南交通大学 | 一种基于sar影像的冰川分类方法及系统 |
CN115061136B (zh) * | 2022-06-08 | 2024-01-09 | 江苏省水利科学研究院 | 一种基于sar图像的河湖岸线变化点检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574856A (zh) * | 2015-12-10 | 2016-05-11 | 国网四川省电力公司电力科学研究院 | 一种基于双极化sar图像的冰雪面积提取方法 |
CN105785369A (zh) * | 2016-05-10 | 2016-07-20 | 电子科技大学 | 基于InSAR技术的SAR图像冰雪覆盖信息提取方法 |
CN107527331A (zh) * | 2017-09-26 | 2017-12-29 | 南京大学 | 基于双冒泡法的极地冰山遥感识别方法 |
CN109635713A (zh) * | 2018-12-07 | 2019-04-16 | 云南大学 | 高原山地阴影区冰川识别方法 |
-
2019
- 2019-08-30 CN CN201910813512.2A patent/CN110456352B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574856A (zh) * | 2015-12-10 | 2016-05-11 | 国网四川省电力公司电力科学研究院 | 一种基于双极化sar图像的冰雪面积提取方法 |
CN105785369A (zh) * | 2016-05-10 | 2016-07-20 | 电子科技大学 | 基于InSAR技术的SAR图像冰雪覆盖信息提取方法 |
CN107527331A (zh) * | 2017-09-26 | 2017-12-29 | 南京大学 | 基于双冒泡法的极地冰山遥感识别方法 |
CN109635713A (zh) * | 2018-12-07 | 2019-04-16 | 云南大学 | 高原山地阴影区冰川识别方法 |
Non-Patent Citations (2)
Title |
---|
《基于Sentinel-1 SAR数据的黑河上游冻土形变时序InSAR监测》;陈玉兴 等;《地球物理学报》;20190731;第62卷(第7期);第2441-2454页 * |
《黄河源区阿尼玛卿山典型冰川表面高程近期变化》;蒋宗立 等;《冰川冻土》;20180430;第40卷(第2期);第231-237页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110456352A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110456352B (zh) | 一种基于相干系数阈值的冰川识别方法 | |
Tong et al. | An approach for flood monitoring by the combined use of Landsat 8 optical imagery and COSMO-SkyMed radar imagery | |
Fahnestock et al. | Rapid large-area mapping of ice flow using Landsat 8 | |
Hemmelder et al. | Monitoring river morphology & bank erosion using UAV imagery–A case study of the river Buëch, Hautes-Alpes, France | |
Isikdogan et al. | RivaMap: An automated river analysis and mapping engine | |
Paul et al. | The glaciers climate change initiative: Methods for creating glacier area, elevation change and velocity products | |
Rossini et al. | Rapid melting dynamics of an alpine glacier with repeated UAV photogrammetry | |
Marti et al. | Mapping snow depth in open alpine terrain from stereo satellite imagery | |
Mukherjee et al. | Evaluation of vertical accuracy of open source Digital Elevation Model (DEM) | |
Kayitakire et al. | Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery | |
Zhang et al. | Remote sensing research issues of the national land use change program of China | |
Mondini et al. | Combining multiple change detection indices for mapping landslides triggered by typhoons | |
Woodcock et al. | Trends in land cover mapping and monitoring | |
Sharma et al. | Potential of airborne LiDAR data for terrain parameters extraction | |
Benoit et al. | A high-resolution image time series of the Gorner Glacier–Swiss Alps–derived from repeated unmanned aerial vehicle surveys | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
CN115060208A (zh) | 基于多源卫星融合的输变电线路地质灾害监测方法及系统 | |
Junqueira et al. | Estimation of river flow using CubeSats remote sensing | |
Singh et al. | Detection of 2011 Sikkim earthquake-induced landslides using neuro-fuzzy classifier and digital elevation model | |
Zhang et al. | Reconstruction of GF-1 soil moisture observation based on satellite and in situ sensor collaboration under full cloud contamination | |
Nazmfar et al. | Classification of satellite images in assessing urban land use change using scale optimization in object-oriented processes (a case study: Ardabil city, Iran) | |
Alcaras et al. | Coastline extraction from optical satellite imagery and accuracy evaluation | |
Sui et al. | Processing of multitemporal data and change detection | |
Vassileva et al. | Unsupervised flood extent detection from SAR imagery applying shadow filtering from SAR simulated image | |
CN114550005A (zh) | 一种自然保护区内建筑物识别方法及系统 |
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 |