CN110533052A - 一种协同遥感影像的航拍相片植被信息提取方法 - Google Patents

一种协同遥感影像的航拍相片植被信息提取方法 Download PDF

Info

Publication number
CN110533052A
CN110533052A CN201910872056.9A CN201910872056A CN110533052A CN 110533052 A CN110533052 A CN 110533052A CN 201910872056 A CN201910872056 A CN 201910872056A CN 110533052 A CN110533052 A CN 110533052A
Authority
CN
China
Prior art keywords
vegetation
layer
pixel
plane
photograph
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.)
Granted
Application number
CN201910872056.9A
Other languages
English (en)
Other versions
CN110533052B (zh
Inventor
王志伟
张文
宜树华
阮玺睿
宋雪莲
王茜
钟理
文克俭
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.)
Guizhou Institute Of Grass Industry
Original Assignee
Guizhou Institute Of Grass Industry
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 Guizhou Institute Of Grass Industry filed Critical Guizhou Institute Of Grass Industry
Priority to CN201910872056.9A priority Critical patent/CN110533052B/zh
Publication of CN110533052A publication Critical patent/CN110533052A/zh
Application granted granted Critical
Publication of CN110533052B publication Critical patent/CN110533052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种协同遥感影像的航拍相片植被信息提取方法，涉及图像处理技术领域，利用包含可见光波段的航拍相片和遥感影像展开对植被信息的提取，建立了一种有效的植被遥感监测方法，以应用到目的地航拍相片的植物辨识研究中，快速且相对准确的提取植被信息。

Description

一种协同遥感影像的航拍相片植被信息提取方法
技术领域
本发明涉及图像处理技术领域，特别是涉及一种协同遥感影像的航拍相片植被信息提取方法。
背景技术
在中国西南地区，土地退化是最严重的侵蚀过程。喀斯特则是我国西南地区最主要的自然景观，其生态系统极其脆弱，同时我国西南地区被认为是世界三大喀斯特区域之一。区域内具有充足的降水和水文过程，导致我国西南地区的喀斯特陆地生态系统存在严重的地质灾害过程，该过程被称为石漠化(karst rocky desertification，KRD)，受到各方广泛关注。中国西南地区作为我国最贫穷的区域，农业产品的可持续发展极大的受限于石漠化。石漠化虽然很难逆转，不过对其进行监测可以利用植被覆盖度作为划分石漠化演变过程的重要指标。
植被覆盖度(Fractional Vegetation Cover，FVC)一般是指植被的投影面积在单位面积上所占的百分比，可以用以衡量地表植被的生长状况或者数量，准确的地表植被覆盖度及其变化规律对揭示全球变化下各区域生态系统的生态质量具有重要意义。当前计算FVC的方法一般包括野外植被调查和遥感解译方法。野外调查方法存在显著的时空异质性，因此很难应用到区域尺度的FVC评估中。常见的遥感解译方法为遥感影像计算植被指数，通常是利用可见光及近红外波段来完成运算，如归一化植被指数NDVI(NormalizedDifference Vegetation Index)和增强型植被指数EVI(Enhanced Vegetation Index)等，仅利用可见光波段完成计算的植被指数主要包括过绿指数EXG(EXcess Green)、归一化绿红差异指数NGRDI(Normalized Green-Red Difference Index)仿照NGRDI构造的归一化绿蓝差异指数NGBDI、红绿比值指数RGRI(Red-Green Ratio Index)和仿NDVI构造原理及形式的可见光植被指数VDVI(Visible-band Difference Vegetation Index)。
仅利用可见光波段对植被信息进行提取，虽然操作简单。却存在容易对部分地物误判的缺陷。
发明内容
本发明实施例提供了一种协同遥感影像的航拍相片植被信息提取方法，可以解决现有技术中存在的问题。
本发明提供了一种协同遥感影像的航拍相片植被信息提取方法，该方法包括以下步骤：
步骤一，对遥感影像进行NDVI运算，获得相应的NDVI图层；
步骤二，提取航拍相片的RGB图层信息；
步骤三，对RGB图层信息进行VDVI运算，获得相应的可见光植被指数图层；
步骤四，对RGB图层信息进行目视解译，得到相应的训练样本点数据图层；
步骤五，根据训练样本点数据图层提供的样本资料确定阈值，根据该阈值将所述NDVI图层中的所有像元划分为植被像元和非植被像元，以及根据该阈值将所述可见光植被指数图层中的所有像元划分为植被像元和非植被像元；
步骤六，对可见光植被指数图层和NDVI图层进行协同处理，将可见光植被指数图层和NDVI图层中的像元重新进行分类，得到分类处理后的图层。
本发明中的协同遥感影像的航拍相片植被信息提取方法，以我国西南喀斯特地区的威宁高原为研究区，利用包含可见光波段的航拍相片和遥感影像展开对植被信息的提取，目地是建立一种有效的植被遥感监测方法，以应用到目的地航拍相片的植物辨识研究中，快速且相对准确的提取植被信息，从而获得一种能够扩大无人机遥感应用范围的方法，促进无人机遥感的定量应用。
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为本发明方法的流程图；
图2为航拍相片的空间分布信息；
图3为利用可见光波段对植被信息进行提取得到的结果示意图；
图4为利用本发明的方法对植被信息进行提取得到的结果示意图。
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。
参照图1，本发明提供了一种协同遥感影像的航拍相片植被信息提取方法，该方法包括以下步骤：
步骤一，对遥感影像进行NDVI运算，获得相应的NDVI图层；
步骤二，提取航拍相片的RGB图层信息；
步骤三，对RGB图层信息进行VDVI运算，获得相应的可见光植被指数图层；
步骤四，对RGB图层进行目视解译，得到相应的训练样本点数据图层；
步骤五，根据训练样本点数据图层提供的样本资料确定阈值，根据该阈值将所述NDVI图层中的所有像元划分为植被像元和非植被像元，以及根据该阈值将所述可见光植被指数图层中的所有像元划分为植被像元和非植被像元；
步骤六，对可见光植被指数图层和NDVI图层进行协同处理，将可见光植被指数图层和NDVI图层中的像元重新进行分类，得到相应的分类处理后的图层；
步骤七，根据训练样本点数据图层提供的样本资料，对分类处理后的图层进行精度验证。
在步骤二和步骤三中，研究区位于贵州省西北方的威宁县，航拍相片数据采集于2018年4月19日，利用大疆公司的精灵4无人机完成拍摄，飞行高度500米，拍摄时天气情况良好，晴朗无云。为了避免航拍相片拼接过程中边缘的畸变，本实施例裁剪航拍相片的RBG图层中央1km×1km的区域，以完成对RGB图层的目视解译。VDVI运算的过程如下：
EXG＝2×ρgreen-ρred-ρblue
其中，ρred、ρgreen、ρblue分别表示红、绿、蓝三个波段的反射率或像元值。
在步骤四中，在RGB图层的裁剪区域中选取多个样点，对这些样点进行人工目视解译，采用人工目视解译的方式人工确定每个样点是属于植被像元还是非植被像元，得到所述训练样本点数据图层，该训练样本点数据图层中包含了样点的位置数据，即样点的经纬度坐标，和每个样点的人工目视解译结果。
在步骤五中，在确定阈值时，利用人工目视解译结果为植被像元的样点的植被指数的平均值减去标准误，利用人工目视解译结果为非植被像元的样点的植被指数的平均值加上标准误，然后对这两个计算结果求均值，即可获得所述阈值。对像元按照阈值进行划分时，植被指数大于阈值的像元被划分为植被像元，植被指数小于或等于阈值的像元被划分为非植被像元。
在步骤六中，对可见光植被指数图层和NDVI图层中的像元重新分类的规则为：当可见光植被指数图层和NDVI图层中的相应像元分类一致时，该像元的分类不变；当可见光植被指数图层和NDVI图层中的相应像元分类不一致时，存在可见光植被指数图层中像元划分为植被像元，而NDVI图层中的相应像元划分为非植被像元，以及可见光植被指数图层中像元划分为非植被像元，而NDVI图层中的相应像元划分为植被像元这两种情况，这两种情况下均将该像元重新分类为非植被像元。造成两种图层中相应像元分类不一致的原因可能是由于遥感影像和航拍相片分辨率不一致导致的，因此需要融合二者的优势来完成对植被信息的准确提取，对于前一种情况而言，极大可能是误差所致，例如对水塘的错误分类，因此该像元应该被重新分类为非植被像元；对于后一种情况而言，可能是由于遥感影像的分辨率低，未区分出非植被区域所致，因该像元同样需要被重新分类为非植被像元。
采用以上规则对像元进行重新分类后，可以一方面保持NDVI图层的分类精度，另一方面最大限度保留无人机航拍相片的精度。
在步骤七中，对分类处理后的图层进行精度验证时，利用上述方法对人工目视解译的样点进行分类，然后将分类结果与人工目视解译结果进行比较，如果结果一致则表示分类正确，否则表示分类错误。
下面结合实验数据对本发明的发明效果进行说明：
图2示出了航拍相片的空间分布信息，其中A-I分别表示：真彩色三波段合成效果、红光波段效果、绿光波段效果、蓝光波段效果、EXG指数效果、NGRDI指数效果、NGBDI指数效果、RGRI指数效果、VDVI指数效果。根据已有研究可知，植被与非植被的像元数值范围在红光和蓝光波段基本没有重叠现象，只有裸土在绿光波段与植被区有重合，因此仅利用绿光与红光波段，或者仅用绿光与蓝光波段构造的植被指数，不易将植被与某些非植被区分开，如图2中的A、B、C和D所示。利用可见光波段计算的5种植被指数结果如图2中E、F、G、H和I所示，其表现趋势基本为色调越亮，数值越大，植被生长状况越好，暗色调反之。其中F的表现结果色调过于偏暗，而H表现的结果色调则过于明亮。下表1统计了5类指数及NDVI的统计特征：
表1EXG、NGRDI、NGBDI、RGRI、VDVI和NDVI的统计特征值
理论上EXG指数的值域范围为[-255,255]，NGRDI、NGBDI和VDVI指数的范围为[-1,1]，RGRI指数的范围为[0,+∞](本实施例中为[0,11])，NDVI指数的范围为[0,1]。为了区分植被与非植被特征，在此利用RGB图层裁剪的区域中选取的100个样点进行统计分析，如表1所示。
因本次实验中双峰直方图阈值法和直方图熵阈值法的阈值并不明显，因此利用其统计指标直接完成阈值的确定，即采用步骤五中的计算操作获得阈值。最终计算可知，本次实验中6项植被指数的植被信息提取阈值分别为9.5、0.0240、0.0144、0.9578、0.0179和0.4862。
利用上述阈值提取植被信息，得到各植被指数对应的植被分布结果如图3所示。图3中A-F分别表示EXG指数、NGRDI指数、NGBDI指数、RGRI指数、VDVI指数和NDVI指数的植被信息提取结果，图中深色表示非植被部分，浅色表示植被部分。
图3所示结果中，除图D的结果较差和F的结果分辨率较粗外，其余的A、B、C和E利用各种植被指数算法提取植被信息后的结果，整体表现比较一致，仅在细节上有所差异。此外相比最后一种NDVI指数的提取结果，前5类可见光指数对水塘和房屋都有部分不同程度的错误划分。在此利用图1中的分类规则，结合遥感影像对无人机航拍相片植物信息进行提取，期望精度能有提升，提取结果如图4所示。相比图3，图4中对水塘和房屋都进行了校正。图4中A-E分别表示EXG指数、NGRDI指数、NGBDI指数、RGRI指数和VDVI指数的植被信息提取结果。
如表2所示对5种分类方法进行校正后发现，融合遥感影像中的NDVI植被指数后，对非植被的分类精度明显提升了，对水塘和房屋的划分比未校正前更加准确。不过存在对部分绿度不高的森林区和农田区的误判，导致对植被区分类的准确率降低。
表2协同遥感影像的五种植物信息提取方法准确度评价
虽然本发明协同遥感影像和航拍相片的植被信息提取结果，在植被准确率上相对于可见光植被指数的分类方法有一定降低，但是由于在非植被准确率上提升较大，因此整体来说相对可见光植被指数的分类方法来说准确率更高。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种协同遥感影像的航拍相片植被信息提取方法，其特征在于，该方法包括以下步骤：
步骤一，对遥感影像进行NDVI运算，获得相应的NDVI图层；
步骤二，提取航拍相片的RGB图层信息；
步骤三，对RGB图层信息进行VDVI运算，获得相应的可见光植被指数图层；
步骤四，对RGB图层信息进行目视解译，得到相应的训练样本点数据图层；
步骤五，根据训练样本点数据图层提供的样本资料确定阈值，根据该阈值将所述NDVI图层中的所有像元划分为植被像元和非植被像元，以及根据该阈值将所述可见光植被指数图层中的所有像元划分为植被像元和非植被像元；
步骤六，对可见光植被指数图层和NDVI图层进行协同处理，将可见光植被指数图层和NDVI图层中的像元重新进行分类，得到分类处理后的图层。
2.如权利要求1所述的一种协同遥感影像的航拍相片植被信息提取方法，其特征在于，步骤四中选取RGB图层的中央区域，在该区域中选取多个样点，对这些样点进行目视解译，得到训练样本点数据图层。
3.如权利要求1所述的一种协同遥感影像的航拍相片植被信息提取方法，其特征在于，在步骤五中确定阈值时，利用人工目视解译结果为植被像元的样点的植被指数的平均值减去标准误，利用人工目视解译结果为非植被像元的样点的植被指数的平均值加上标准误，然后对这两个计算结果求均值，获得所述阈值。
4.如权利要求1所述的一种协同遥感影像的航拍相片植被信息提取方法，其特征在于，在步骤五中对像元按照阈值进行划分时，植被指数大于阈值的像元被划分为植被像元，植被指数小于或等于阈值的像元被划分为非植被像元。
5.如权利要求1所述的一种协同遥感影像的航拍相片植被信息提取方法，其特征在于，步骤六中对可见光植被指数图层和NDVI图层中的像元重新分类的规则为：当可见光植被指数图层和NDVI图层中的相应像元分类一致时，该像元的分类不变；当可见光植被指数图层和NDVI图层中的相应像元分类不一致时，该像元重新分类为非植被像元。
6.如权利要求1所述的一种协同遥感影像的航拍相片植被信息提取方法，其特征在于，所述航拍相片采用无人机拍摄获得。
7.如权利要求1所述的一种协同遥感影像的航拍相片植被信息提取方法，其特征在于，方法还包括：
步骤七，根据训练样本点数据图层提供的样本资料，对分类处理后的图层进行精度验证。
8.如权利要求7所述的一种协同遥感影像的航拍相片植被信息提取方法，其特征在于，对分类处理后的图层进行精度验证时，利用步骤一至六的方法对人工目视解译的样点进行分类，然后将分类结果与人工目视解译结果进行比较，如果结果一致则表示分类正确，否则表示分类错误。
CN201910872056.9A 2019-09-16 2019-09-16 一种协同遥感影像的航拍相片植被信息提取方法 Active CN110533052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910872056.9A CN110533052B (zh) 2019-09-16 2019-09-16 一种协同遥感影像的航拍相片植被信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910872056.9A CN110533052B (zh) 2019-09-16 2019-09-16 一种协同遥感影像的航拍相片植被信息提取方法

Publications (2)

Publication Number Publication Date
CN110533052A true CN110533052A (zh) 2019-12-03
CN110533052B CN110533052B (zh) 2020-09-18

Family

ID=68668748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910872056.9A Active CN110533052B (zh) 2019-09-16 2019-09-16 一种协同遥感影像的航拍相片植被信息提取方法

Country Status (1)

Country Link
CN (1) CN110533052B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242224A (zh) * 2020-01-16 2020-06-05 贵州省草业研究所 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
CN112016388A (zh) * 2020-07-08 2020-12-01 珠江水利委员会珠江水利科学研究院 一种基于可见光波段无人机遥感影像植被信息提取方法
CN112507932A (zh) * 2020-12-15 2021-03-16 国网陕西省电力公司电力科学研究院 一种基于协同遥感的航拍关键信息判定及提取方法及系统
CN112651312A (zh) * 2020-12-15 2021-04-13 北京林业大学 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679202A (zh) * 2013-12-17 2014-03-26 中国测绘科学研究院 一种适用于光学遥感卫星影像植被分类方法及装置
CN104915674A (zh) * 2014-10-24 2015-09-16 北京师范大学 Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法
CN107341795A (zh) * 2017-06-30 2017-11-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法
CN107389036A (zh) * 2017-08-02 2017-11-24 珠江水利委员会珠江水利科学研究院 一种结合无人机影像的大空间尺度植被覆盖度计算方法
US20180129879A1 (en) * 2016-11-04 2018-05-10 Intel Corporation Unmanned aerial vehicle-based systems and methods for agricultural landscape modeling
CN109345555A (zh) * 2018-10-15 2019-02-15 中科卫星应用德清研究院 基于多时相多源遥感数据进行水稻识别的方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法
CN109448127A (zh) * 2018-09-21 2019-03-08 洛阳中科龙网创新科技有限公司 一种基于无人机遥感的农田高精度导航地图生成方法
CN109684929A (zh) * 2018-11-23 2019-04-26 中国电建集团成都勘测设计研究院有限公司 基于多源遥感数据融合的陆生植物生态环境监测方法
CN109829425A (zh) * 2019-01-31 2019-05-31 沈阳农业大学 一种农田景观小尺度地物分类方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679202A (zh) * 2013-12-17 2014-03-26 中国测绘科学研究院 一种适用于光学遥感卫星影像植被分类方法及装置
CN104915674A (zh) * 2014-10-24 2015-09-16 北京师范大学 Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法
US20180129879A1 (en) * 2016-11-04 2018-05-10 Intel Corporation Unmanned aerial vehicle-based systems and methods for agricultural landscape modeling
CN107341795A (zh) * 2017-06-30 2017-11-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法
CN107389036A (zh) * 2017-08-02 2017-11-24 珠江水利委员会珠江水利科学研究院 一种结合无人机影像的大空间尺度植被覆盖度计算方法
CN109448127A (zh) * 2018-09-21 2019-03-08 洛阳中科龙网创新科技有限公司 一种基于无人机遥感的农田高精度导航地图生成方法
CN109345555A (zh) * 2018-10-15 2019-02-15 中科卫星应用德清研究院 基于多时相多源遥感数据进行水稻识别的方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法
CN109684929A (zh) * 2018-11-23 2019-04-26 中国电建集团成都勘测设计研究院有限公司 基于多源遥感数据融合的陆生植物生态环境监测方法
CN109829425A (zh) * 2019-01-31 2019-05-31 沈阳农业大学 一种农田景观小尺度地物分类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘纯平: ""多源遥感信息融合方法及其应用研究"", 《中国博士学位论文全文数据库 信息科技辑》 *
张翠芬: ""多源遥感数据协同岩性分类方法研究"", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242224A (zh) * 2020-01-16 2020-06-05 贵州省草业研究所 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
CN112016388A (zh) * 2020-07-08 2020-12-01 珠江水利委员会珠江水利科学研究院 一种基于可见光波段无人机遥感影像植被信息提取方法
CN112507932A (zh) * 2020-12-15 2021-03-16 国网陕西省电力公司电力科学研究院 一种基于协同遥感的航拍关键信息判定及提取方法及系统
CN112651312A (zh) * 2020-12-15 2021-04-13 北京林业大学 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法

Also Published As

Publication number Publication date
CN110533052B (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
AU2020100917A4 (en) A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images
CN110533052A (zh) 一种协同遥感影像的航拍相片植被信息提取方法
Jia et al. Mapping global distribution of mangrove forests at 10-m resolution
Rogers et al. Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices
Chen et al. Global land cover mapping at 30 m resolution: A POK-based operational approach
Sahebjalal et al. Analysis of land use-land covers changes using normalized difference vegetation index (NDVI) differencing and classification methods
Lu et al. Impervious surface mapping with Quickbird imagery
Mucher et al. Land cover characterization and change detection for environmental monitoring of pan-Europe
Hansen et al. Global land cover classification at 1 km spatial resolution using a classification tree approach
Huang et al. Mapping the maximum extents of urban green spaces in 1039 cities using dense satellite images
Zhang et al. Mapping the land-cover distribution in arid and semiarid urban landscapes with Landsat Thematic Mapper imagery
Sankey et al. Characterizing western juniper expansion via a fusion of Landsat 5 Thematic Mapper and lidar data
JP2011103098A (ja) 樹木本数算定方法及び樹木本数算定装置
Peacock et al. Accuracy assessment of supervised and unsupervised classification using Landsat imagery of Little Rock, Arkansas
Harb et al. Automatic delineation of clouds and their shadows in Landsat and CBERS (HRCC) data
CN113705441A (zh) 协同多光谱和sar影像的高时空分辨率地表水体提取方法
Chen et al. An IHS-based change detection approach for assessment of urban expansion impact on arable land loss in China
Thomson et al. The use of digital aerial photography and CORINE‐derived methodology for monitoring recent and historic changes in land cover near UK Natura 2000 sites for the BIOPRESS project
Gong et al. Scale issues of wetland classification and mapping using remote sensing images: A case of Honghe National Nature Reserve in Sanjiang Plain, Northeast China
Tsendbazar Object based image analysis of geo-eye VHR data to model above ground carbon stock in Himalayan mid-hill forests, Nepal
Xu et al. Advanced exploratory data analysis for mapping regional canopy cover
Grigillo et al. Classification based building detection from GeoEye-1 images
Rahm et al. Detecting forest degradation in the Congo Basin by optical remote sensing
McBride Mapping Chicago area urban tree canopy using color infrared imagery
Wahyuni Forest change analysis using OBIA approach and supervised classification a case study: Kolaka District, South East Sulawesi

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