CN110598553A - 基于遥感影像与地形数据的原真地貌采矿破坏区探测方法 - Google Patents
基于遥感影像与地形数据的原真地貌采矿破坏区探测方法 Download PDFInfo
- Publication number
- CN110598553A CN110598553A CN201910734695.9A CN201910734695A CN110598553A CN 110598553 A CN110598553 A CN 110598553A CN 201910734695 A CN201910734695 A CN 201910734695A CN 110598553 A CN110598553 A CN 110598553A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- image
- area
- mining
- 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.)
- Withdrawn
Links
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于遥感影像与地形数据的原真地貌采矿破坏区探测方法。在计算归一化差值植被指数(NDVI)的基础上,结合基于时间序列的断点监测和趋势分析方法,实现对NDVI时间序列断点的有效识别,并通过多时相DEM数据高程变化信息进行对比分析,进而完成对采矿区域时空分布的自动化探测。本发明的方法具有较高的识别效率和精度,同时可采用免费获取的中高空间分辨率遥感影像(如Landsat影像)和高时间分辨率遥感影像(如MODIS),具有较低的数据依赖性和较高的可扩展性,为大区域露天矿区自动化识别、生态环境监测和自然资源普查等提供了重要的方法支撑。
Description
技术领域
本发明涉及遥感技术领域,特别涉及一种基于遥感影像和地形数据的原真地貌采矿破坏区探测方法。
背景技术
原真地貌通常指原初、真实、完整、较少受人类活动干扰的地貌单元。这些区域通常远离人类聚居区,自然条件恶劣,物种稀缺,环境承载力较差,属于生态环境敏感和脆弱区,气候变化及不合理的人类活动极易对这类区域造成生态破坏、物种多样性减少问题,严重影响到生态文明建设的实施和“美丽中国”的愿景。
近年来原真地貌区地表形态及生态环境出现了严重的破坏,主要由于气候变化和人类活动对地表水热状况及土壤属性的干扰。对于气候变化以及人类活动中等行为已有较多的研究提供了可靠的技术方法进行定量化评估,然而,对于原真地貌区不合理的采矿行为引起的植被退化,现有研究涉及较少,缺乏相对有效的监测手段,导致相关环境问题未得到很好的解决。不合理采矿行为具有极大的危害性,其破坏范围分布广,时间周期长,特别是影响植被生长周期,破坏地区原有的植被覆盖。
遥感技术具有探测范围大、时效性强、获取信息快、更新周期短、可动态监测、受环境限制少等特点,目前已成为地质调查和环境资源勘查与监测的重要技术手段。现有的研究大规模植物生命周期的方法主要是基于遥感的植被指数(VI)(Tucker et al.,2005),但是由于检测到的植被具有十分相似的扰动类型,并且存在目标区域中混合植被不能对特定的驱动力进行响应的问题(Watts and Laffan,2014),所以该方法并不能很好的获得采矿引起的植被破坏区域。
为了在区域尺度上评价地表变化过程及其动力学,需要利用高重返周期、长时间跨度的遥感影像以及多时相数字高程模型对覆盖范围进行观测,以区分自然因素和人类因素导致的变化,目前BFAST算法已被用于区分植被指数时间序列的不同信息(Verbesseltetal.,2010b),其时间序列中的变化可分为三大类:季节变化、趋势变化和随机变化(Verbesselt et al.,2010a)。季节变化为固有的植被物候变化(Angert et al.,2005),趋势变化为季节变化以外的趋势组分,通常是由缓慢的环境变化过程引起的,例如气候变化或土地退化。随着时间的推移,这些趋势变化可能会停滞或逆转(Scheffer et al.,2001;Zhao and Running,2010),并且幅度和/或方向也会发生变化,即趋势组分的断点(Verbesseltet al.,2010a)。矿区植被信息时空提取的主要方法是通过BFAST算法分解出高时间分辨率遥感影像植被指数的时间序列信息(Verbesseltet al.,2010b),并运用一定的阈值对分解出的时间序列信息进行过滤筛选,同时运用多时相数字高程模型对原真地貌采矿破坏区高程变化情况进行分析,从而达到探测采矿区和非采矿区植被的时空分布及地表破坏情况的目的。该方法为大区域矿区自动化识别、植被覆盖率和植被生态系统的调查和研究提供重要的方法和技术支撑。
参考文献
[1]Angert,A.et al.,2005.Drier summers cancel out the CO2uptakeenhancement induced by warmer springs.Proceedings of the National Academy ofSciences,102(31):10823-10827.
[2]Cornelissen,J.H.et al.,2007.Global negative vegetation feedback toclimate warming responses of leaf litter decomposition rates in coldbiomes.Ecology letters,10(7):619-627.
[3]Tucker,C.J.;Pinzon,J.E.;Brown,M.E.;Slayback,D.A.;Pak,E.W.;Mahoney,R.;Vermote,E.F.;El Saleous,N.An extended AVHRR 8-km NDVI dataset compatiblewith MODIS and spot vegetation NDVI data.Int.J.Remote.Sens.2005,26,4485–4498.[CrossRef]
[4]Scheffer,M.,Carpenter,S.,Foley,J.A.,Folke,C.,Walker,B.,2001.Catastrophic shifts in ecosystems.Nature,413(6856):591.
[5]Verbesselt,J.,Hyndman,R.,Newnham,G.,Culvenor,D.,2010a.Detectingtrend and seasonal changes in satellite image time series.Remote sensing ofEnvironment,114(1):106-115.
[6]Verbesselt,J.,Hyndman,R.,Zeileis,A.,Culvenor,D.,2010b.Phenologicalchange detection while accounting for abrupt and gradual trends in satelliteimage time series.Remote Sensing of Environment,114(12):2970-2980.
[7]Watts,L.M.,Laffan,S.W.,2014.Effectiveness of the BFAST algorithmfor detecting vegetation response patterns in a semi-arid region.Remotesensing of environment,154:234-245.
[8]Zhao,M.;Running,S.W.Drought-induced reduction in globalterrestrial net primary production from 2000through 2009.Science 2010,329,940–943.[CrossRef][PubMed]
[9]李昕.《青少年课外知识全知道》.中国华侨出版社:中国华侨出版社,2015.04
[10]贾治邦.《论生态文明》第2版.北京:中国林业出版社,2015.03
发明内容
本发明的目的在于提供一种基于遥感影像与地形数据的原真地貌采矿破坏区探测方法,基于可免费获取的高时间分辨率MODIS卫星遥感数据、高空间分辨率Landsat影像数据和多时相数字高程模型,可精确获取植被破坏区域的时空分布,从而正确评估其所造成的环境危害,为生态环境的植被管理和决策提供重要的科学依据。
针对上述发明目的,本发明所采用的技术方案如下:
一种基于遥感影像与地形数据的原真地貌采矿破坏区探测方法,包括以下步骤:
步骤1,研究区长时序光学影像数据、高空间分辨率影像数据和多时相数字高程模型影像数据下载;
步骤2,计算长时序光学影像中各像元的归一化植被指数NDVI(NormalizedDifference Vegetation Index),获取NDVI时间序列数据;基于BFAST算法将时间序列数据分解为季节组分,趋势组分和随机组分,并获取突变点数据;
步骤3,基于步骤2获取的突变点数据,对数据趋势进行筛选分析,生成突变点图像;
步骤4,基于高分辨率遥感影像对突变点图像采用监督分类方法,获取更精细化的植被破坏区域,对该区域进行边界提取;
步骤5,基于多时相数字高程模型,运用栅格计算工具,获取研究时段内的高程差,探测高程发生异常变化区域,得到潜在采矿区空间分布图;
步骤6,组合步骤4与步骤5两套数据处理所探测的潜在采矿区,进行栅格图像叠置分析,确认露天矿区发生位置,并结合步骤3的结果,生产原真地貌采矿破坏区的空间分布与采矿时间信息。
本发明的方法,所述步骤1中,所下载长时序光学影像数据、多时相数字高程模型的时间跨度应尽可能大于植被遭到破坏的时间长度,使得步骤2中能够获得较长的时间序列并获得突变点准确的时空分布位置。所述长时序光学影像数据选用MODIS MOD09A1地表反射率数据;高分辨率遥感影像选用Landsat-8OLI影像数据;多时相数字高程模型影像选用TanDEM-X DEM及MERIT DEM数据。
所述步骤2中还包括对时间序列数据的缺失值和异常值处理;缺失值以缺失值前1次观测和缺失值后1次观测的平均值填充,特别地,若缺失值为时间序列中第一次或最后一次观测,则以后1次或前1次观测值代为填充;异常值须对异常值前后进行50次遍历,若发现非异常值,则异常值设置为前后观测值的平均值,否则异常值设置为0值。
突变点数据主要为趋势组分的突变点数据,因为BFAST算法生成的突变点数据包括季节组分突变点数据和趋势组分突变点数据,其中通过趋势组分的突变点数据能够得出整个时间跨度中突变产生的位置及时间。另外,应用BFAST算法进行时间序列分解与突变点监测,迭代次数设为2次,断点之间的最大间隔设为整个时间序列时间跨度的1/10,季节模型选用harmonic模型。
所述步骤3中,基于突变点前后的趋势变化,筛选人为因素引起的植被破坏区域像元,方法如下:
1)断点数量仅为一个;
由于采矿等人为因素引起的植被破坏为一次性不可逆过程,故NDVI值产生突变的现象只能发生一次,因此在BFAST算法中设定断点数量为1。
2)趋势组分的起始点到突变点的平均值Astarting与突变点到终止点的平均值Aending之差的绝对值应大于某一合适阈值;
阈值过大则对属于植被破坏像元的筛选过于严苛,即需要NDVI值在短期内发生一个巨大的突变,导致部分本应是人工影响破坏的植被排除在外;同时地,阈值过小则会导致监测出的像元中包含较多由季节、环境因素影响而非人工影响的像元。
3)趋势组分的起始点到突变点的平均值Astarting与突变点到终止点的平均值Aending之差应大于0;
采矿引起的植被破坏为不可逆过程,故NDVI值的趋势应为下降趋势,即突变点前NDVI值的平均值应大于突变点后NDVI值的平均值。
根据前述流程,基于BFAST算法,能够获取植被破坏区域的空间分布及发生时间数据,从而绘制时空分布图像。
所述步骤4中,高分辨率影像数据选用春夏季节无云影像,春夏季节的植被受低温影响较小,天气条件较适宜,植被生长较为茂盛,可减少季节因素对处理结果精度的影响;进一步的,当涉及到多幅影像时,对所述多幅影像进行影像融合和匀色处理。多幅影像的情况下,对影像进行影像融合和匀色处理可减小影像数据之间的差异。
所述步骤5中,影像选用多时相数字高程模型,运用栅格计算工具,通过对不同时相内原真地貌采矿区的高程值进行相减,获得高程变化影像,根据变化影像,结合步骤6中获取的采矿区边界,对采矿区破坏情况进行对比分析。
本发明的方法,影像数据来源为MODIS MOD09A1地表反射率数据、Landsat-8OLI影像数据及MERIT DEM、TanDEM-X DEM数字高程模型。MODIS和Landsat影像数据可免费获取,来源方便。
本发明的方法可采用免费获取的中高空间分辨率遥感影像(Landsat影像)和高时间分辨率遥感影像(MODIS)实现,具有较低的数据依赖性和较高的可扩展性;基于历史获取的MODIS地表反射率数据与Landsat遥感影像数据,通过BFAST算法来实现对MODIS影像中采矿引起的植被破坏区域的筛查,并利用监督分类法对Landsat数据进行分类,同时通过多时相数字高程模型获取矿区高程变化情况,进行对比分析后获取精确破坏区域,从而正确把握采矿区生态破坏、植被覆盖及植被生态系统的情势,为大范围的植被信息普查、植被破坏程度评价、大区域露天矿区自动化识别、生态环境监测和自然资源普查等提供重要的科技支撑。
附图说明
图1本发明实施例提供的样区图。
图2本发明算法流程图。
图3本发明实施例阈值选取的试验情况。
图4a本发明实施例矿区像元趋势组分变化情况。
图4b本发明实施例非矿区像元趋势组分变化情况。
图5本发明实施例基于MODIS影像的白云鄂博矿区植被破坏时间。
图6本发明实施例基于MERIT DEM、TanDEM-X DEM数字高程模型的白云鄂博矿区高程变化情况。
具体实施方法
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施案例用于说明本发明,但不用来限制本发明的范围。
实施例以内蒙古自治区白云鄂博矿区为例,对本发明的方法作进一步阐述。
如图1所示,本研究区包含内蒙古自治区包头市境内的白云鄂博矿区及其周边地区,影像数据采用Landsat-8OLI影像数据。
如图2所示,是本发明的流程图,包括以下步骤:
步骤1、下载研究区从2000年至2018年的所有可用的MODIS MOD09A1地表反射率数据、2018年9月18日植被处于生长茂盛期的Landsat-8OLI数据,以及MERIT DEM和TanDEM-XDEM数字高程模型。
步骤2、基于MODIS数据,对每幅影像进行波段运算,计算其归一化植被指数(NDVI),其表达形式为:NDVI=(NIR-R)/(NIR+R),其中NIR为近红外波段,即第2波段,R为红光波段,即第1波段;故计算公式又可表达为:NDVI=(band2-band1)/(band2+band1)。
基于获得的NDVI有效值数据,采用python语言提取每个像元的时间序列,获得多个txt文件。
对个别时段某一像元NDVI值存在缺失值的情况,以缺失值前1次观测和缺失值后1次观测的平均值填充,特别的,若缺失值为时间序列中第一次或最后一次观测,则以后1次或前1次观测值代为填充;异常值须对异常值前后进行50次遍历,若仍未发现非异常值,则异常值设置为0值,否则异常值设置为前后观测值的平均值。
基于获得的时间序列文件,在R语言中构建时间序列,使用ts()函数读取时间序列文件并生成NDVI年际变化数据,其中frequency设置为46(本实施例中所用MODIS影像以8天为一周期,一年共有46次观测数据),start设置为c(2000,49/366),即开始时间为2000年的第49天。在R studio中调用BFAST包,对生成的时间序列进行分解和突变点获取,分解为3种组分,分别为季节组分、趋势组分和随机组分,重点提取突变点数据。本实例中主要运用趋势组分突变点辅以下述步骤进行分析。
步骤3、由于被BFAST监测出的NDVI值突变并非都由采矿导致的,故需对监测后的存在突变点像元进行筛选。基于突变点前后的趋势变化,筛选植被破坏区域像元的方法如下:
1)断点数量仅为一个,位于新建矿区内的像元,其NDVI时间序列值将会随矿区的开采呈现下降趋势,并且由于采矿是短期快速的过程,对植被的破坏极大,采矿过程中,其NDVI值将出现较大程度的下降,即可监测出突变点。由于其对植被破坏力度较大,短期内被采矿活动破坏的地区不能很快的恢复原状,故基于BFAST算法,仅一个突变点会被检测出来。因此在BFAST算法中设定断点数量为1。
2)趋势组分的起始点到突变点的平均值Astarting与突变点到终止点的平均值Aending之差的绝对值应大于某一合适阈值;阈值过大则对属于植被破坏像元的筛选过于严苛,即需要NDVI值在短期内发生一个巨大的突变,导致部分本应是人工影响破坏的植被被排除在外;同时地,阈值过小则会导致监测出的像元中包含较多由季节、环境因素影响而非人工影响的像元。如图3所示,不同阈值条件下的突变点分布情况相差甚远,阈值取0.040过大,导致很大一部分采矿区像元没有纳入在内,而阈值为0.020则太小,将多数非矿区像元包括在内,故实施例阈值的最终取值为0.030。
3)趋势组分的起始点到突变点的平均值Astarting与突变点到终止点的平均值Aending之差应大于0;采矿引起的植被破坏为不可逆过程,即1)中所提,故NDVI值的趋势应为下降趋势,即突变点前NDVI值的平均值应大于突变点后NDVI值的平均值。
根据前述流程,基于BFAST算法辅以上述3个筛选条件,通过对突变点的自动分析,可将影像中像元分为非矿区像元和矿区像元(图4a~b),从而获得遥感影像时间跨度内采矿区的地理位置及采矿发生的时间数据,从而绘制时空分布图像,其中右侧矿区开采时间超出本实施例遥感影像时间跨度,故不满足本发明适用条件。(图5)
步骤4、基于高分辨率遥感影像,采用最大似然监督分类方法,将地表土地类型分为矿区、水体、裸地、植被,即能够较为准确的获得矿区所在位置,从而获取更精细化的采矿区域,之后在ArcGIS软件内对该区域进行边界提取。
步骤5、基于多时相数字高程模型,运用栅格计算工具对其进行相减处理,从而获得高程变化异常的区域。
步骤6,组合步骤4与步骤5两套数据处理所探测的潜在采矿区,进行栅格图像叠置分析,确认露天矿区发生位置,并结合步骤3的结果,生产原真地貌采矿破坏区的空间分布与采矿时间信息。
由于只依靠BFAST算法及三个筛选条件仍无法获得准确的采矿边界,可能存在下述情况:
1)采矿区破坏时间跨度超出遥感影像时间跨度,导致在该时间跨度内监测不到NDVI值发生突变的现象。
2)地表出现非采矿引起的植被破坏(建成区等),该算法监测出NDVI突变,误判为采矿破坏区。
故通过获得的高程变化影像与采矿区边界及突变发生位置图像进行对比分析,从而获得精确采矿范围。(图6)
Claims (10)
1.一种基于遥感影像与地形数据的原真地貌采矿破坏区探测方法,其特征在于,包括以下步骤:
步骤1,获取研究区长时序光学影像数据、高分辨率影像数据和多时相数字高程模型;
步骤2,计算长时序光学影像中各像元的归一化植被指数NDVI,获取NDVI时间序列数据;基于BFAST算法将时间序列数据分解为季节组分,趋势组分和随机组分,并获取突变点数据;
步骤3,基于步骤2获取的突变点数据,对数据趋势进行筛选分析,生成突变点图像;
步骤4,基于高分辨率影像数据对突变点图像采用监督分类方法,获取更精细化的植被破坏区域,对该区域进行边界提取;
步骤5,基于多时相数字高程模型影像,获取研究时段内的高程差,探测高程发生异常变化区域,得到潜在采矿区空间分布图;
步骤6,结合步骤4的边界提取结果与步骤5得到的潜在采矿区空间分布,进行栅格图像叠置分析,确认露天矿区发生位置,并结合步骤3的结果,生产原真地貌采矿破坏区的空间分布与采矿时间信息。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中,获取的长时序光学影像数据、多时相数字高程模型的时间跨度尽可能长于植被破坏过程的时间跨度。
3.根据权利要求1所述的方法,其特征在于,所述步骤1中,长时序光学影像数据选用MODISMOD09A1地表反射率数据;高分辨率遥感影像选用Landsat-8 OLI影像数据;多时相数字高程模型影像选用TanDEM-X DEM及MERIT DEM数据。
4.根据权利要求1所述的方法,其特征在于,所述步骤2中还包括对时间序列数据的缺失值和异常值处理;
缺失值处理:以缺失值前1次观测和缺失值后1次观测的平均值填充,若缺失值为时间序列中第一次或最后一次观测,则以后1次或前1次观测值代为填充;
异常值处理:对异常值前后进行50次遍历,若发现非异常值,则异常值设置为前后观测值的平均值,否则异常值设置为0值。
5.根据权利要求1所述的方法,其特征在于,所述步骤2中,突变点数据主要为趋势组分的突变点数据,包括突变发生时间。
6.根据权利要求1所述的方法,其特征在于,所述步骤2中,应用BFAST算法进行时间序列分解与突变点监测,迭代次数设为2次,断点之间的最大间隔设为整个时间序列时间跨度的1/10,季节模型选用harmonic模型。
7.根据权利要求1所述的方法,其特征在于,所述步骤3中,基于突变点前后的趋势变化,筛选人为因素引起的植被破坏区域像元,流程如下:
1)断点数量仅为一个;
2)趋势组分的起始点到突变点的平均值Astarting与突变点到终止点的平均值Aending之差的绝对值大于某一合适阈值;
3)趋势组分的起始点到突变点的平均值Astarting与突变点到终止点的平均值Aending之差大于0;
基于上述流程,获取破坏植被区域的空间分布及发生时间。
8.根据权利要求1所述的方法,其特征在于,所述步骤3中,突变点图像包括突变发生的位置图像和时间图像。
9.根据权利要求1所述的方法,其特征在于,所述步骤4中,高分辨率遥感影像选用夏季无云影像。
10.根据权利要求1所述的方法,其特征在于,所述步骤4中,当涉及多幅影像时,对所述多幅影像进行影像融合和匀色处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734695.9A CN110598553A (zh) | 2019-08-09 | 2019-08-09 | 基于遥感影像与地形数据的原真地貌采矿破坏区探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734695.9A CN110598553A (zh) | 2019-08-09 | 2019-08-09 | 基于遥感影像与地形数据的原真地貌采矿破坏区探测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598553A true CN110598553A (zh) | 2019-12-20 |
Family
ID=68853819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910734695.9A Withdrawn CN110598553A (zh) | 2019-08-09 | 2019-08-09 | 基于遥感影像与地形数据的原真地貌采矿破坏区探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598553A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274545A (zh) * | 2020-02-25 | 2020-06-12 | 河海大学 | 一种栅格尺度基于地形地貌的多模式产流计算方法 |
CN111352973A (zh) * | 2020-03-02 | 2020-06-30 | 武汉中旗生物医疗电子有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN111898494A (zh) * | 2020-07-16 | 2020-11-06 | 大同煤矿集团有限责任公司 | 一种采矿扰动地块边界识别方法 |
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 |
CN112561235A (zh) * | 2020-11-23 | 2021-03-26 | 中铁二十四局集团福建铁路建设有限公司 | 一种适于高速公路路域的生态脆弱性评价方法 |
CN114092837A (zh) * | 2021-11-05 | 2022-02-25 | 中国科学院空天信息创新研究院 | 一种基于长时间尺度的遗址环境遥感监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645410A (zh) * | 2012-04-28 | 2012-08-22 | 中国神华能源股份有限公司 | 煤矸石污染范围的检测方法和装置及数据处理设备 |
CN102706328A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 地面沉陷区域的检测方法和装置及数据处理设备 |
CN106840409A (zh) * | 2017-01-23 | 2017-06-13 | 北京师范大学 | 一种基于modis的森林火灾火点检测方法 |
CN109145730A (zh) * | 2018-07-13 | 2019-01-04 | 安徽大学 | 一种遥感影像中矿区自动语义分割方法 |
CN109376622A (zh) * | 2018-10-08 | 2019-02-22 | 国网经济技术研究院有限公司 | 基于多源遥感影像的矿区分布专题信息提取方法 |
CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学(武汉) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
-
2019
- 2019-08-09 CN CN201910734695.9A patent/CN110598553A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645410A (zh) * | 2012-04-28 | 2012-08-22 | 中国神华能源股份有限公司 | 煤矸石污染范围的检测方法和装置及数据处理设备 |
CN102706328A (zh) * | 2012-04-28 | 2012-10-03 | 中国神华能源股份有限公司 | 地面沉陷区域的检测方法和装置及数据处理设备 |
CN106840409A (zh) * | 2017-01-23 | 2017-06-13 | 北京师范大学 | 一种基于modis的森林火灾火点检测方法 |
CN109145730A (zh) * | 2018-07-13 | 2019-01-04 | 安徽大学 | 一种遥感影像中矿区自动语义分割方法 |
CN109376622A (zh) * | 2018-10-08 | 2019-02-22 | 国网经济技术研究院有限公司 | 基于多源遥感影像的矿区分布专题信息提取方法 |
CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学(武汉) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
Non-Patent Citations (2)
Title |
---|
WENSONG ZHANG等: ""Identifying Emerging Reservoirs along Regulated Rivers Using Multi-Source Remote Sensing Observations"", 《REMOTE SENSING》 * |
刘宝柱等: ""基于 MODIS 数据和 BFAST 方法的植被变化监测"", 《国土资源遥感》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274545A (zh) * | 2020-02-25 | 2020-06-12 | 河海大学 | 一种栅格尺度基于地形地貌的多模式产流计算方法 |
CN111274545B (zh) * | 2020-02-25 | 2020-10-16 | 河海大学 | 一种栅格尺度基于地形地貌的多模式产流计算方法 |
CN111352973A (zh) * | 2020-03-02 | 2020-06-30 | 武汉中旗生物医疗电子有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN111352973B (zh) * | 2020-03-02 | 2023-11-03 | 武汉中旗生物医疗电子有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN111898494A (zh) * | 2020-07-16 | 2020-11-06 | 大同煤矿集团有限责任公司 | 一种采矿扰动地块边界识别方法 |
CN111898494B (zh) * | 2020-07-16 | 2022-09-27 | 大同煤矿集团有限责任公司 | 一种采矿扰动地块边界识别方法 |
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 |
CN112561235A (zh) * | 2020-11-23 | 2021-03-26 | 中铁二十四局集团福建铁路建设有限公司 | 一种适于高速公路路域的生态脆弱性评价方法 |
CN114092837A (zh) * | 2021-11-05 | 2022-02-25 | 中国科学院空天信息创新研究院 | 一种基于长时间尺度的遗址环境遥感监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598553A (zh) | 基于遥感影像与地形数据的原真地貌采矿破坏区探测方法 | |
Eckert et al. | Trend analysis of MODIS NDVI time series for detecting land degradation and regeneration in Mongolia | |
Wu et al. | Mapping soil salinity changes using remote sensing in Central Iraq | |
Askar et al. | Estimating aboveground biomass on private forest using Sentinel-2 imagery | |
Sulla-Menashe et al. | Detecting forest disturbance in the Pacific Northwest from MODIS time series using temporal segmentation | |
Broich et al. | Land surface phenological response to decadal climate variability across Australia using satellite remote sensing | |
Prenzel | Remote sensing-based quantification of land-cover and land-use change for planning | |
Senf et al. | A Bayesian hierarchical model for estimating spatial and temporal variation in vegetation phenology from Landsat time series | |
Morshed et al. | Soil salinity detection from satellite image analysis: an integrated approach of salinity indices and field data | |
Brown et al. | Multitemporal, moderate-spatial-resolution remote sensing of modern agricultural production and land modification in the Brazilian Amazon | |
Eid et al. | Coastal wetland vegetation features and digital Change Detection Mapping based on remotely sensed imagery: El-Burullus Lake, Egypt | |
Kowalski et al. | Quantifying drought effects in Central European grasslands through regression-based unmixing of intra-annual Sentinel-2 time series | |
Latifovic et al. | Monitoring cumulative long-term vegetation changes over the Athabasca oil sands region | |
Zhao et al. | Rapid monitoring of reclaimed farmland effects in coal mining subsidence area using a multi-spectral UAV platform | |
Bonannella et al. | Forest tree species distribution for Europe 2000–2020: mapping potential and realized distributions using spatiotemporal machine learning | |
Kolli et al. | Assessment of change in the extent of mangrove ecosystems using different spectral indices in Google Earth Engine based on random forest model | |
Kiapasha et al. | Trends in phenological parameters and relationship between land surface phenology and climate data in the Hyrcanian Forests of Iran | |
Prăvălie et al. | Modelling forest biomass dynamics in relation to climate change in Romania using complex data and machine learning algorithms | |
Sibanda et al. | Cotton fields drive elephant habitat fragmentation in the Mid Zambezi Valley, Zimbabwe | |
Singh et al. | Spatio-temporal forest change assessment using time series satellite data in Palamu District of Jharkhand, India | |
Dong et al. | Intercalibration between night-time DMSP/OLS radiance calibrated images and NPP/VIIRS images using stable pixels | |
Nandasena et al. | Monitoring invasive pines using remote sensing: a case study from Sri Lanka | |
Barry et al. | Variability and predictability of bush fire in Guinea on inter-annual and multi-year timescales based on NDVI-MODIS datasets analysis | |
Herdianto et al. | Transitional responses of vegetation activities to temperature variations: Insights obtained from a forested catchment in Korea | |
Kharazmi et al. | Long-term time series analysis of land cover changes in an arid environment using landsat data:(a case study of Hamoun Biosphere Reserve, Iran) |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191220 |
|
WW01 | Invention patent application withdrawn after publication |