CN110633672A - 一种基于光谱特征的泥炭藓沼泽遥感制图方法 - Google Patents
一种基于光谱特征的泥炭藓沼泽遥感制图方法 Download PDFInfo
- Publication number
- CN110633672A CN110633672A CN201910870548.4A CN201910870548A CN110633672A CN 110633672 A CN110633672 A CN 110633672A CN 201910870548 A CN201910870548 A CN 201910870548A CN 110633672 A CN110633672 A CN 110633672A
- Authority
- CN
- China
- Prior art keywords
- sphagnum
- data
- sentinel2a
- remote sensing
- spectrum
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明发明公开了一种基于光谱特征的泥炭藓沼泽遥感制图方法,本发明方法首先通过分析泥炭藓与周围生活型植被的冠层高光谱特征,获得泥炭藓识别的特征光谱空间;然后在Sentinel 2A MSI影像中根据泥炭藓沼泽中的实际植被群落类型确定分类体系,应用泥炭藓特殊的光谱规律,构建泥炭藓NIR‑SWIR水指数模型,最后输入随机森林分类器中完成泥炭藓沼泽遥感制图。本发明方法能够实现泥炭藓沼泽中植被群落制图,提升现有分类精度。
Description
技术领域
本发明涉及遥感技术的图像处理、计算机分类识别、环境生态学领域,提供了一种基于生态系统植被群落光谱特征的遥感制图方法和实现过程。
背景技术
2018年10月8日政府间气候变化专门委员会发表《全球变暖1.5℃特别报告》指出目前全球持续升温带来的影响和后果,进一步加剧,再次给世界敲响警钟。2019年5月份夏威夷监测站观测到的大气CO2浓度首次超过415ppm,创人类历史最高。大气CO2浓度直接决定了全球升温的速率,因此陆地生态系统的碳汇能力评估显的至关重要。
泥炭沼泽占据全球陆地区域的3%,存储了大约6000亿吨的碳,在气候变化和全球碳循环研究中占有相当重要的地位。沼泽中的碳,包括植物通过光合作用固定的大气中的CO2和溶解于水中的CO2,以及泥炭中的有机物质的分解。其中,泥炭藓(Sphagnum L.)是泥炭沼泽中的优势种及重要固碳植被功能群,其残体所固定的大气碳比全球所有的陆生植被一年所固定的还要多(Gajewski K,Viau A,Sawada M,et al.Sphagnum,peatlanddistribution in North America and Eurasia during the past 21,000years[J].Global Biogeochemical Cycles,2001,15(2):297–310)。因此泥炭藓沼泽的空间制图对科学家评估泥炭沼泽在当前背景下的演变过程显得尤为重要。
目前基于遥感的植被制图研究多直接采用反射率资料,或者增加植被指数作为参考,但泥炭藓是一种特殊的苔藓类型,它没有根系统和维管组织,因此,泥炭藓的遥感制图方法与传统方法有所差异。Vogelmann等(Vogelmann J E,Moss D M.Spectralreflectance measurements in the genus Sphagnum[J].Remote Sensing ofEnvironment,1993,45(3):273-279)对比不同种的泥炭藓光谱,发现它在可见光波段(380-760nm),中红外波段(1000-2400nm)反射率比一般绿色植物要低得多。Bubier等(Bubier JL,Rock B N,Crill P M.Spectral reflectance measurements of boreal wetland andforest mosses[J].Journal of Geophysical Research,1997,102(102):29483-29494)通过光谱实验,指出利用遥感区分泥炭藓和植物的潜力。Husson等(Husson E,Hagner O,EckeF,et al.Unmanned aircraft systems help to map aquatic vegetation[J].AppliedVegetation Science,2014,17(3):567-577)评估了利用无人机影像对水植被制图的可行性。基于无人机或卫星遥感数据制图,使我们能够大面积、迅速掌握泥炭藓沼泽植被资源现状。但,由于泥炭藓沼泽往往面积较小、碎斑化,利用遥感等手段进行制图时,往往存在高估和遗漏现象,这归因于在设计遥感或无人机影像提取算法和模型时,没有考虑苔藓间光谱差异以及与周边微地形、其他植被类型的区分(Bourgeau-Chavez L L,Endres S,PowellR,et al.Mapping boreal peatland ecosystem types from multitemporal radar andoptical satellite imagery[J].Canadian Journal of Forest Research,2017,47(4):545-559.)。
植被遥感是基于植物光谱的“峰和谷”特征来开展监测,这些特征与由叶子色素(350-750nm)、细胞结构(750-1250nm)以及含水量(1250-2500nm)密切相关。与维管植物相同的是,泥炭藓叶片细胞含有大量的叶绿体,由透明质细胞与包含叶绿体的细胞有规律的相间排列;与其他维管束植物不同的是:1)在细胞结构方面,泥炭藓植物没有明显的栅栏组织和海绵组织的分化,属于透明质细胞;2)在细胞水分方面,泥炭藓特有的储水细胞,储水能力是其他藓类数倍至数10倍,远超过维管植物。叶片组织结构不同和水分含量的差异,意味着其反射光谱也有巨大差别。这在光谱观测中也得到验证——近红外和中红外光谱与维管植物表现较大的差异(Harris A,Bryant R G.Northern peatland vegetation and thecarbon cycle:A remote sensing approach[J].Geophysical Monograph Series,2009,184.)。
此外,现有的植被遥感制图的改进方法侧重于分类器的提升,而分类目标的本质属性特征的挖掘才是分类制图的核心所在。传统的遥感植被类型制图除了利用基本的反射率资料,还会加入植被指数(Vegetable Index),如EVI(Enhanced Vegetation Index),NDVI(Normalized Difference Vegetation Index),RVI(Ratio Vegetation Index)等来提升植被的识别精度。然而,越来越多的研究指出,这些常用的指数模型多基于维管束植被的光谱反射特征,在构建时大多未考虑到植物叶片结构差异,尤其是泥炭藓的细胞结构与维管束植被差异很大,因此直接使用这些植被指数进行遥感植被制图,可能不仅无法提升分类精度,反而带来更多的错分和误分现象。因此进行基于光谱的泥炭藓沼泽植被识别是必要的,本发明提出了一种基于泥炭藓光谱特征的识别方法和技术体系(图1),以实现泥炭藓沼泽的遥感制图。
发明内容
针对现有技术对泥炭藓等苔藓类植被的光谱特征机理研究不够,没有合适的泥炭藓沼泽植被遥感提取方法,本发明提供一种基于光谱特征的泥炭藓沼泽遥感制图方法,能够实现泥炭藓沼泽中植被群落制图,提升现有分类精度。
本发明拟通过分析泥炭藓与周围生活型植被的冠层高光谱特征,获得泥炭藓识别的特征光谱空间;在Sentinel 2A MSI影像根据泥炭藓沼泽中的实际植被群落类型确定分类体系,应用泥炭藓特殊的光谱规律,构建泥炭藓提取的指数模型,输入随机森林分类器中完成泥炭藓沼泽遥感制图。
一种基于光谱特征的泥炭藓沼泽遥感制图方法步骤如下:
步骤(1).冠层光谱数据采集;
在室内构建暗室对泥炭藓及周围生活型植被样本进行光谱采集;暗室周围墙壁、天花板和地板均使用反射率小于3%的消光布覆盖,利用FieldSpec 4便携式地物光谱仪采集泥炭藓及作为对比的周围生活型植被样本冠层光谱数据;
步骤(2).通过光谱降维和数值分析方法,获得泥炭藓的特征光谱空间;
步骤(3).根据泥炭藓识别光谱空间,筛查现有多光谱传感器波段通道,选取Sentinel 2A MSI L1C级遥感影像为目标数据源;
步骤(4).数据预处理;
对Sentinel 2A MSI L1C级遥感影像进行辐射定标和大气校正,获得地表真实反射率数据即L2A级产品。
步骤(5).指定分类体系并选取训练样本;
确定泥炭藓沼泽试验区的地物类型,在所述L2A级产品上,广泛、均匀的选择各地物类型的训练样本,采集各训练样本的反射光谱;
步骤(6).构建泥炭藓NIR-SWIR水指数模型;
通过对比沼泽中地物特征光谱库中不同植被类型的光谱差异,结合泥炭藓在近红外-短波红外(NIR-SWIR)上的低反射率特性,构建归一化红外指数NDII;
其中,ρswir表示传感器在短波红外上的反射率值,ρnir表示传感器在近红外上的反射率值。
针对Sentinel 2A MSI影像进行计算;
其中,B11表示Sentinel 2A数据的第11波段,B9表示Sentinel2A数据的第9波段,1614nm表示Sentinel 2A数据的第11波段的中心波长,945nm表示Sentinel 2A数据的第9波段的中心波长;
通过水分胁迫指数MSI,辅助区分泥炭藓和其他植被类型;
针对Sentinel 2A MSI影像进行计算;
步骤(7).将L2A级产品叠加NIR-SWIR水指数模型(Ref+WIs)输入数据源输入随机森林分类器进行分类,获得分类结果图,即泥炭藓沼泽遥感图;
本发明的有益效果如下:
本发明根据泥炭藓独特的生理结构确定其光谱特征空间,并将这个结论应用到遥感产品中,构建NIR-SWIR模型。
从泥炭藓光谱特征出发的构建NIR-SWIR模型输入随机森林分类器,能够有效提高现有遥感泥炭藓植被制图的精度。本发明方法以泥炭藓为例,不仅适用于苔藓植被,技术路线能够应用到别的生态系统遥感制图中,根据制图的主要对象,根据其光谱特性,按照本发明利用的技术路线可以有效提高遥感制图精度。
附图说明
图1为本发明方法实施例的技术路线图;
图2为本发明Sentinel-2A MSI波段参数图;
具体实施过程
现结合附图和实例对本发明的技术方案进行进一步说明,本发明不仅限于下述的演示情形。
如图1所示,本发明具体步骤如下:
步骤(1).冠层光谱数据采集;
在室内构建暗室对泥炭藓及周围生活型植被样本进行光谱采集;暗室周围墙壁、天花板和地板均使用反射率小于3%的消光布覆盖,利用FieldSpec 4便携式地物光谱仪采集泥炭藓及作为对比的周围生活型植被样本冠层光谱数据;
步骤(2).通过光谱降维和数值分析方法,获得泥炭藓的特征光谱空间;两个水分吸收谷位于980nm和1135nm,以及NIR-SWIR的低值反射率区间:1600-1900nm和2100-2300nm。
步骤(3).根据泥炭藓识别光谱空间,筛查现有多光谱传感器波段通道,选取Sentinel 2A MSI L1C级遥感影像为目标数据源;根据泥炭藓在近红外两个水分吸收谷以及NIR-SWIR的低反射率特征,选择Sentinel 2A MSI数据进行泥炭藓沼泽遥感制图。在欧空局Sentinel2A分发平台下载得到试验区加拿大Mer Bleue Bog的L1C级产品。
步骤(4).数据预处理;
通过欧空局SNAP软件对L1C级产品进行辐射定标和大气校正,获得L2C级地表反射率产品。
步骤(5).指定分类体系并选取训练样本;
通过加拿大Mer Bleue Bog中地物类型,确定分类体系,具体包括:1)针叶林:沼泽边缘开阔地分布的针叶林;2)藓丘:约占泥炭沼泽的70%,主要是厚厚的灌木层覆盖,很少有裸露苔藓;3)藓洼:由不同类型的泥炭藓组成的低洼微地貌区,苔藓裸露地表;4)沼泽边缘,沼泽中从开阔水体和池塘边缘到沼泽边缘的过渡区域;5)耕地:沼泽外城市周边的耕地,主要分布各种类型农作物;6)裸地:沼泽外城市周边的裸露空地;7)建筑区:为城市中的房屋建成区,主要是居民地;8)开阔水体:沼泽中的水域,香蒲和泥炭藓苔藓很常见。在L2C级产品影像中广泛、均匀的选择不同地物类型的训练样本,采集各训练样本的反射光谱。
步骤(6).构建泥炭藓NIR-SWIR水指数模型;
通过对比沼泽中地物特征光谱库中不同植被类型的光谱差异,结合泥炭藓在近红外-短波红外(NIR-SWIR)上的低反射率特性,构建归一化红外指数NDII;
其中,ρswir表示传感器在短波红外上的反射率值,ρnir表示传感器在近红外上的反射率值。
针对Sentinel 2A MSI影像进行计算;
其中,B11表示Sentinel 2A数据的第11波段,B9表示Sentinel2A数据的第9波段,1614nm表示Sentinel 2A数据的第11波段的中心波长,945nm表示Sentinel 2A数据的第9波段的中心波长;Sentinel-2A MSI波段参数详见图2。
通过水分胁迫指数MSI,辅助区分泥炭藓和其他植被类型;
针对Sentinel 2A MSI影像进行计算;
步骤(7).计算Sentinel 2A MSI影像的归一化植被指数NDVI和增强型植被指数EVI作为对比;
其中,B8表示Sentinel 2A数据的第8波段,B4表示Sentinel2A数据的第4波段,833nm表示Sentinel 2A数据的第8波段的中心波长,645nm表示Sentinel 2A数据的第4波段的中心波长;
步骤(8).将特征数据输入数据源输入随机森林分类器进行分类;
所述特征数据分别为:L2A级产品反射率数据(Ref)、L2A级产品反射率数据叠加NIR-SWIR水指数模型(Ref+WIs)、L2A级产品反射率数据叠加植被指数模型(Ref+VIs);分别得到三类特征数据输入随机森林后的分类结果图。
步骤(9).分类结果精度评价;
通过地面真实地物资料对L2A级产品反射率数据(Ref)、L2A级产品反射率数据叠加NIR-SWIR水指数模型(Ref+WIs)、L2A级产品反射率数据叠加植被指数模型(Ref+VIs)的分类结果图进行精度评价,获得分类的总体精度和Kappa系数。
步骤(10).输出泥炭藓沼泽遥感制图产品;
通过精度评价,可以发现,本发明提出加入光谱的泥炭藓NIR-SWIR特征的指数方法(Ref+WIs)有效的提升了制图精度,而且加入了传统植被指数的分类方法(Ref+VIs)反而还降低了原有精度。
Claims (1)
1.一种基于光谱特征的泥炭藓沼泽遥感制图方法,其特征在于,该方法具体步骤如下:
步骤(1).冠层光谱数据采集;
在室内构建暗室对泥炭藓及周围生活型植被样本进行光谱采集;暗室周围墙壁、天花板和地板均使用反射率小于3%的消光布覆盖,利用FieldSpec 4便携式地物光谱仪采集泥炭藓及作为对比的周围生活型植被样本冠层光谱数据;
步骤(2).通过光谱降维和数值分析方法,获得泥炭藓的特征光谱空间;
步骤(3).根据泥炭藓识别光谱空间,筛查现有多光谱传感器波段通道,选取Sentinel2A MSI L1C级遥感影像为目标数据源;
步骤(4).数据预处理;
对Sentinel 2A MSI L1C级遥感影像进行辐射定标和大气校正,获得地表真实反射率数据即L2A级产品;
步骤(5).指定分类体系并选取训练样本;
确定泥炭藓沼泽试验区的地物类型,在所述L2A级产品上,广泛、均匀的选择各地物类型的训练样本,采集各训练样本的反射光谱;
步骤(6).构建泥炭藓NIR-SWIR水指数模型;
通过对比沼泽中地物特征光谱库中不同植被类型的光谱差异,结合泥炭藓在近红外-短波红外(NIR-SWIR)上的低反射率特性,构建归一化红外指数NDII;
其中,ρswir表示传感器在短波红外上的反射率值,ρnir表示传感器在近红外上的反射率值;
针对Sentinel 2A MSI影像进行计算;
其中,B11表示Sentinel 2A数据的第11波段,B9表示Sentinel 2A数据的第9波段,1614nm表示Sentinel 2A数据的第11波段的中心波长,945nm表示Sentinel 2A数据的第9波段的中心波长;
通过水分胁迫指数MSI,辅助区分泥炭藓和其他植被类型;
针对Sentinel 2A MSI影像进行计算;
步骤(7).将L2A级产品叠加NIR-SWIR水指数模型(Ref+WIs)输入数据源输入随机森林分类器进行分类,获得分类结果图,即泥炭藓沼泽遥感图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870548.4A CN110633672A (zh) | 2019-09-16 | 2019-09-16 | 一种基于光谱特征的泥炭藓沼泽遥感制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870548.4A CN110633672A (zh) | 2019-09-16 | 2019-09-16 | 一种基于光谱特征的泥炭藓沼泽遥感制图方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633672A true CN110633672A (zh) | 2019-12-31 |
Family
ID=68970953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910870548.4A Pending CN110633672A (zh) | 2019-09-16 | 2019-09-16 | 一种基于光谱特征的泥炭藓沼泽遥感制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633672A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935222A (zh) * | 2023-07-25 | 2023-10-24 | 珠江水利委员会珠江水利科学研究院 | 一种遥感影像蓝波段模拟方法、系统及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766075A (zh) * | 2015-05-06 | 2015-07-08 | 吉林大学 | 一种基于阈值提取和模糊评价的草炭土遥感识别方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN107067035A (zh) * | 2017-04-17 | 2017-08-18 | 哈尔滨师范大学 | 协同演化算法优化的支持向量机湿地遥感分类方法 |
-
2019
- 2019-09-16 CN CN201910870548.4A patent/CN110633672A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766075A (zh) * | 2015-05-06 | 2015-07-08 | 吉林大学 | 一种基于阈值提取和模糊评价的草炭土遥感识别方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN107067035A (zh) * | 2017-04-17 | 2017-08-18 | 哈尔滨师范大学 | 协同演化算法优化的支持向量机湿地遥感分类方法 |
Non-Patent Citations (2)
Title |
---|
庞毓雯 等: "泥炭藓群落的光谱特征及遥感识别研究", 《植物科学学报》 * |
王甜甜: "泥炭藓沼泽遥感监测机理研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935222A (zh) * | 2023-07-25 | 2023-10-24 | 珠江水利委员会珠江水利科学研究院 | 一种遥感影像蓝波段模拟方法、系统及可读存储介质 |
CN116935222B (zh) * | 2023-07-25 | 2024-02-13 | 珠江水利委员会珠江水利科学研究院 | 一种遥感影像蓝波段模拟方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramoelo et al. | Potential of Sentinel-2 spectral configuration to assess rangeland quality | |
Liu et al. | Estimation of potato above-ground biomass based on unmanned aerial vehicle red-green-blue images with different texture features and crop height | |
Campbell et al. | Detection of initial damage in Norway spruce canopies using hyperspectral airborne data | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
Galvão et al. | Crop Type Discrimination Using Hyperspectral Data: Advances and Perspectives | |
CN110378926B (zh) | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 | |
Dube et al. | The impact of integrating WorldView-2 sensor and environmental variables in estimating plantation forest species aboveground biomass and carbon stocks in uMgeni Catchment, South Africa | |
Grüner et al. | Prediction of biomass and N fixation of legume–grass mixtures using sensor fusion | |
Navarro-Cerrillo et al. | Hyperspectral and multispectral satellite sensors for mapping chlorophyll content in a Mediterranean Pinus sylvestris L. plantation | |
Junttila et al. | Can leaf water content be estimated using multispectral terrestrial laser scanning? A case study with Norway spruce seedlings | |
Darvishsefat et al. | Evaluation of spectral reflectance of seven Iranian rice varieties canopies | |
Launeau et al. | Airborne hyperspectral mapping of trees in an urban area | |
Shuhada et al. | Conversion of peat swamp forest to oil palm cultivation reduces the diversity and abundance of macrofungi | |
Banskota et al. | Continuous wavelet analysis for spectroscopic determination of subsurface moisture and water-table height in northern peatland ecosystems | |
O'neill et al. | Biochemical and reflectance variation throughout a Sitka spruce canopy | |
Hoi et al. | Seasonal dynamics of tropical forest vegetation in Ngoc Linh nature reserve, Vietnam based on UAV data | |
Vyas et al. | Canopy level estimations of chlorophyll and LAI for two tropical species (teak and bamboo) from Hyperion (EO1) data | |
Marin et al. | Unmanned aerial vehicle to evaluate frost damage in coffee plants | |
CN110633672A (zh) | 一种基于光谱特征的泥炭藓沼泽遥感制图方法 | |
Kunakh et al. | Modeling the spatial variation of urban park ecological properties using remote sensing data | |
Wei | Biomass estimation: A remote sensing approach | |
Zovko et al. | Hyperspectral imagery as a supporting tool in precision irrigation of karst landscapes | |
Ramoelo et al. | Integrating environmental and in situ hyperspectral remote sensing variables for grass nitrogen estimation in savannah ecosystems | |
Wania et al. | Hyperspectral imagery and urban green observation | |
Vastaranta et al. | Monitoring forests in space and time using close-range sensing |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191231 |
|
WD01 | Invention patent application deemed withdrawn after publication |