CN110705455B - 一种基于多光谱卫星遥感影像的三七种植面积计算方法 - Google Patents

一种基于多光谱卫星遥感影像的三七种植面积计算方法 Download PDF

Info

Publication number
CN110705455B
CN110705455B CN201910931447.3A CN201910931447A CN110705455B CN 110705455 B CN110705455 B CN 110705455B CN 201910931447 A CN201910931447 A CN 201910931447A CN 110705455 B CN110705455 B CN 110705455B
Authority
CN
China
Prior art keywords
pseudo
ginseng
area
greenhouse
planting area
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
CN201910931447.3A
Other languages
English (en)
Other versions
CN110705455A (zh
Inventor
谢相建
徐子超
付书记
朱帅光
谢灵惠
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.)
East China Institute of Technology
Original Assignee
East China Institute of Technology
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 East China Institute of Technology filed Critical East China Institute of Technology
Priority to CN201910931447.3A priority Critical patent/CN110705455B/zh
Publication of CN110705455A publication Critical patent/CN110705455A/zh
Application granted granted Critical
Publication of CN110705455B publication Critical patent/CN110705455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多光谱卫星遥感影像的三七种植面积计算方法，包括：S1，获取陆地卫星Landsat 8 OLI影像作为主要数据源，对数据进行预处理，在Google Earth相同或相近时相高分辨率影像中进行特定数量的地物样本收集，导入ENVI统计分析各地物的光谱特征，据此提取影像光谱特征并确定区分三七种植区(大棚)与其他地物的阈值，再使用这些阈值进行决策树分类，得到三七大棚纯净像元；S2，利用缓冲区分析基于种植区纯净像元生成缓冲区，进而基于线性光谱混合分解模型对缓冲区影像解混，得到该区域三七大棚组份比例；S3，将纯净像元区域和混合区域的三七大棚组分比例进行整合，最后区域统计得到感兴趣区完整的三七种植面积。本发明能够降低数据成本，提高计算精度。

Description

一种基于多光谱卫星遥感影像的三七种植面积计算方法
技术领域
本发明涉及遥感分析技术领域，特别是涉及一种基于多光谱卫星遥感影像的三七种植面积计算方法。
背景技术
我国栽培药用植物资源种类繁多、生境各异，针对处于不同生长环境不同生长习性的药用植物，通常采用不同的调查方法进行研究。利用遥感技术对名贵药用植物进行生长、分布的监测是遥感在地类作物监测方面的一个新的应用方向。三七属五加科人参属植物，是我国特有的名贵中草药材，三七作为我国独有的具有显著功效的名贵中草药材，具有止血补血、降脂镇痛、活血化瘀的等功效。由对产地的海拔、湿度、温度等自然生长条件的特殊需求，其大部分集中分布于云南省的文山州和红河州的特定区域，对当地区域的土地利用起到了决定性影响，也是区域经济发展中经济创收最高的经济作物之一。
近年来对三七原料需求的日益增加，导致了三七价格的逐年升高和种植面积的不断扩大，但由于三七轮作期、土地资源状况和气候条件的限制，使云南省内的三七种植区域在不断发生变化，这就需要借助一定的技术手段对当地三七种植状况进行监测和统计分析。遥感技术具有信息量丰富、覆盖面广、实时性和现实性强、获取速度快等优势，在三七种植面积监测、市场价格评估与预测具有巨大的潜力和价值。然而现有的通过遥感技术计算三七种植面积的技术方案不仅计算精度较低，需要高分影像作为数据源，导致数据成本较高。
发明内容
本发明的目的在于提出一种基于多光谱卫星遥感影像的三七种植面积计算方法，以降低数据成本，提高计算精度。
为此，本发明提出一种基于多光谱卫星遥感影像的三七种植面积计算方法，包括以下步骤：
S1，获取陆地卫星Landsat8 OLI数据作为主要数据源，并对数据进行辐射定标、大气校正、裁剪的预处理，同时在Google Earth相同或相近时相高分辨率影像中进行特定数量的地物样本收集，进而导入ENVI统计分析各地物光谱特征，据此提取影像光谱特征并确定区分三七种植区与其他地物的阈值，再使用这些阈值进行决策树分类，完成纯三七种植区域提取，得到纯净像元区域；
S2，利用缓冲区分析基于三七大棚纯净像元生成缓冲区，再利用线性光谱混合分解模型对缓冲区影像进行线性解混，得到该区域三七大棚组份比例；
S3，利用Band math工具将步骤S1得到的纯净像元区域和步骤S2得到的三七组分比例进行区域整合，最后区域统计得到感兴趣区完整的三七种植面积。
根据本发明提供的基于多光谱卫星遥感影像的三七种植面积计算方法，以陆地卫星Landsat 8OLI数据作为主要数据源，该数据源为开放获取的中等分辨率卫星遥感影像数据，可以直接在公开网站下载，数据成本低，本发明基于决策树分类方法，进行纯三七种植区域提取，原理简单，计算便捷，能够考虑到并消除山体阴影、水体和城市建设用地等地物的影响，提高了三七提取的精度。该方法结合基于像元的分类和亚像元的混合像元分解技术，能够真实地表征中等分辨率遥感影像上三七种植区域分布特性，从而提高了面积计算精度，能够为三七药材市场价格的预测和评估提供决策依据。
另外，根据本发明上述的基于多光谱卫星遥感影像的三七种植面积计算方法，还可以具有如下附加的技术特征：
进一步地，步骤S1中，步骤S1中，在相同或相近时相高分辨率影像中进行对应目标地物样本的收集时，根据研究区地物覆盖状况，把研究区地物分为三七大棚、水体、建筑、植被、裸岩、土壤、混合、阴影这八种地物类型，所有数据预处理都在WGS-1984地理坐标系UTM48N投影分带下进行。
进一步地，步骤S1中，用于决策树分类的特征子集包括归一化植被指数NDVI、归一化水体指数NDWI、归一化混合物指数NDMI、近红外波段NIR，归一化植被指数NDVI用于增强三七大棚与植被和山体阴影的可区分性，归一化水体指数NDWI用于增强水体、土壤、裸岩与三七大棚的可分性，归一化混合物指数NDMI用于增强三七大棚与土壤植被等混合物的可区分性，近红外指数NIR用于增强三七大棚与建筑的可区分性。
进一步地，步骤S1中，在确定区分三七种植区的阈值时，将易区分各类地物的归一化混合物指数NDMI、归一化植被指数NDVI、归一化水体指数NDWI和原图像进行特征叠加，然后对感兴趣区域各地物在不同特征统计直方图进行比较分析，以确定能够区分出三七大棚与其他类型地物的特征阈值。
进一步地，步骤S2中，缓冲区分析完后，采用Buildmask工具将提取出来的缓冲区建立混合区掩膜，混合区掩膜文件用于目标区线性混合像元分解。
进一步地，步骤S2中，将提取好的目标缓冲区进行混合像元分解，分解所用的纯净端元由ASD光谱仪获取，通过工具linear spectral unmixing工具来实现端元的输入和线性光谱混合像元的分解，并设置地物比例和为1约束。
进一步地，步骤S3之后，所述方法还包括：
S4，面积统计，使用ENVI Task扩展工具将三七种植面积自动计算并以文件形式输出。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例提供的基于多光谱卫星遥感影像的三七种植面积计算方法的逻辑流程图；
图2为三七提取决策树图；
图3为过滤筛选处理示意图；
图4为混合区掩膜操作过程和结果示意图；
图5为混合区混合像元分解示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明一是通过决策树分类方法提取三七种植区纯净像元，二是采用线性光谱像元分解方法提取混合像元中三七组分比例。首先，决策树分类需要进行决策树的创建，而决策树的创建需要确定阈值，因此提取纯净三七种植区像元的关键在于阈值的确定。本发明将决策树分类得到的纯净像元区域与混合线性光谱分解得到的三七组分比例进行三七种植区域整合，得到最终的三七种植区域，三七种植区域面积计算流程如图1所示，然后，对完整的结果进行制图与和面积统计。
具体的，本发明一实施例提供的基于多光谱卫星遥感影像的三七种植面积计算方法，包括以下步骤S1～S5：
S1，获取陆地卫星Landsat 8OLI数据作为主要数据源，并对数据进行辐射定标、大气校正、裁剪等预处理，同时在Google Earth相同或相近时相高分辨率影像中进行特定数量的地物样本收集，进而导入ENVI统计分析各地物光谱特征，据此提取影像光谱特征并确定区分三七种植区与其他地物的阈值，再使用这些阈值进行决策树分类，完成纯三七种植区域提取，得到纯净像元区域；
其中，步骤S1具体包括(1.1)～(1.4)四个阶段：
(1.1)数据采集及其预处理
数据源的选择主要考虑到遥感图像的分辨率、经济成本、可获取性、三七种植物候特点等因素，综合考虑后最终选择陆地卫星Landsat8 OLI数据作为本技术的主要数据源。
本方法首先需要对获取的Landat8 OLI 30米分辨率的多光谱影像数据先进行辐射定标、大气校正、拼接和裁剪等预处理，同时在Google Earth相同或相近时相高分辨率影像中进行对应目标地物样本的收集，根据研究区地物覆盖状况，把研究区地物分为三七大棚、水体、建筑、植被、裸岩、土壤、混合、阴影这八种地物类型。为保证分类的准确性，地物样本的选择应分布均匀且有代表性，如每种类型样本数在400个像元左右，所有数据预处理都在WGS-1984地理坐标系UTM 48N投影分带下进行。
(1.2)三七大棚区纯净像元提取
由于决策树方法具有计算简单，框架清晰，分类精度高等特点，本方法基于几种特征指数构建决策树分类模型实现对三七大棚的纯像元区域的提取。三七生长需要较好的遮阳条件，因此通常种植区域覆盖有黑色大棚，为三七生长提供了良好的遮阳环境。由于原始影像数据的光谱特征中三七种植区域易与水体、建筑、阴影等混淆，因此，研究通过分析各地物的光谱特征，以此选择和提取相应特征构建用于决策树分类的特征子集，这些特征子集包括归一化植被指数NDVI、归一化水体指数NDWI、归一化混合物指数NDMI、近红外波段NIR。
其中，归一化植被指数NDVI用于增强三七大棚与植被和山体阴影的可区分性。
通过地物光谱曲线分析可知，三七大棚与水体、土壤、裸岩在第七波段和第二波段差值方面有明显不同，因此，选择归一化水体指数NDWI用于增强水体、土壤、裸岩与三七大棚的可分性。
由地物光谱曲线可得，植被、土壤和裸岩等混合物在第一波段和第四波段具有明显的差异性，而三七大棚在该两通道差异较小，因此，归一化混合物指数NDMI用于增强三七大棚与土壤植被等混合物的可区分性。
近红外波段NIR用于增强三七大棚与建筑的可区分性。
为更好地实现三七大棚与其他地物类型的区分，将易区分各类地物的NDMI、NDVI、NDWI和原图像进行特征叠加，然后对感兴趣区域各地物在不同特征统计直方图进行比较分析，从而确定能区分出三七大棚与其他类型地物的特征阈值。在近红外波段、NDWI、NDMI、NDVI特征空间，三七大棚与其他地物之间的特征值有明显的差异。
(1.3)决策树创建
根据上述统计分析确定相应特征的阈值和划分规则，由此构建的三七大棚提取的决策树如下图2所示，具体的，设置以下阈值范围把三七大棚和其他类型地物区别开来：
三七和混合物的区分：NDMI<0.0466
三七和建筑的区分：NIR<0.1388
三七和水体、土壤、裸岩的区分：-0.3<NDWI<0
三七和植被、阴影的区分：NDVI<0.3393。
(1.4)决策树分类及其后处理
基于创建的决策树，选择相应分类工具计算得到分类结果。由于水陆边界部分混合地物的影响，初始分类结果出现一些零散小斑，需要做些后处理。将分类后的图像在ENVI打开进行过滤处理，选择classification→Post classification→sieve classes进行筛选处理，操作面板和具体参数如图3所示，操作完成后，此区域为三七种植区域纯像素区域，并将得到的结果进行保存。
S2，利用缓冲区分析基于三七大棚纯净像元生成缓冲区，再利用线性光谱混合分解模型对缓冲区影像进行线性解混，得到该区域三七大棚组份比例；
其中，线性混合像元分解的目的是将三七大棚纯净像元缓冲区中的三七种植区域信号分离出来，其关键是确定缓冲区的范围大小和纯净地物端元的输入。线性光谱混合分析(Linear Spectral MixtureAnalysis，LSMA)是光谱混合模型中最常用的方法，它被定义为：像元的每一个波段反射率(亮度值)表示为构成像元的基本组分反射率与它们各自面积比例的线性组合。
步骤S2具体包括(2.1)～(2.3)四个阶段：
(2.1)建立缓冲区
线性混合像元分解的目的是将三七大棚纯净像元缓冲区中的三七种植区域信号分离出来，其关键是确定缓冲区的范围大小和纯净地物端元的输入。缓冲区大小根据实际情况设为1个像元，生成缓冲区域。
(2.2)建立三七混合区掩膜
缓冲区分析完后，采用Build mask工具将提取出来的缓冲区建立混合区掩膜，混合区掩膜文件用于三七目标区的线性混合像元分解，操作过程和结果如图4所示。
(2.3)缓冲区线性光谱混合像元分解
将提取好的地表缓冲区进行混合像元分解。三七种植大棚周边地物类型相对比较简单，主要是植被和土壤，所以只考虑植被、土壤、三七这三种地物来进行混合像元的线性分解。纯净端元由ASD地物光谱仪野外地面采集并重采样而得，通过工具linear spectralunmixing工具来实现端元的输入和线性光谱混合像元的分解，并设置地物比例和为1约束。操作过程如下图5所示。
S3，利用Band math工具将步骤S1得到的纯净像元区域和步骤S2得到的三七组分比例进行区域整合，最后区域统计得到感兴趣区完整的三七种植面积。
其中，将分别得到的三七纯像元区域与缓冲区混合像元区域整合，用band math工具实现此过程。根据缓冲区域混合像元的特征值，可以实现公式(b1 eq4)+(0>b2<1)的架构，b1代表决策树分类后的影像，b2代表混合像元分解后的三七组分。
S4，面积统计，使用ENVI Task扩展工具将三七种植面积自动计算并以文件形式输出。
根据本实施例提供的基于多光谱卫星遥感影像的三七种植面积计算方法，选用Landsat8 OLI卫星遥感影像数据，基于决策树分类和线性混合像元分解方法，构建适用于中等分辨率遥感影像的三七种植面积信息提取方法。相比传统技术，本发明以陆地卫星Landsat8 OLI数据作为主要数据源，该数据源为开放获取的中低分辨率卫星遥感影像数据，可以直接在公开网站下载Landsat序列卫星影像，数据成本低，本发明基于决策树分类方法，利用NDVI、NDWI、NDMI和NIR等特征有效地区分了三七种植区与阴影、水体和建筑，原理简单，计算便捷，能够考虑到并消除山体阴影、水体和城市建设用地等的影响，提高了三七提取的精度。该方法结合基于像元的分类和亚像元的混合像元分解技术，能够真实地表征中等分辨率遥感影像上三七种植区域分布特性，从而提高了面积计算精度，能够为三七药材市场价格的预测和评估提供决策依据。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (2)

1.一种基于多光谱卫星遥感影像的三七种植面积计算方法，其特征在于，包括以下步骤：
S1，获取陆地卫星 Landsat8 OLI数据作为主要数据源，并对数据进行辐射定标、大气校正、裁剪的预处理，同时在Google Earth相同或相近时相高分辨率影像中进行特定数量的地物样本收集，进而导入ENVI统计分析各地物光谱特征，据此提取影像光谱特征并确定区分三七种植区与其他地物的阈值，再使用这些阈值进行决策树分类，完成纯三七种植区域提取，得到纯净像元区域；用于决策树分类的特征子集包括归一化植被指数NDVI、归一化水体指数NDWI、归一化混合物指数NDMI、近红外波段NIR，其中，归一化植被指数NDVI用于增强三七大棚与植被和山体阴影的可区分性，归一化水体指数NDWI用于增强水体、土壤、裸岩与三七大棚的可分性，归一化混合物指数NDMI用于增强三七大棚与土壤植被混合物的可区分性，近红外指数NIR用于增强三七大棚与建筑的可区分性；
S2，利用缓冲区分析基于三七大棚纯净像元生成缓冲区，再利用线性光谱混合分解模型对缓冲区影像进行线性解混，得到该三七大棚组份比例；
S3，利用Band math工具将步骤S1得到的纯净像元区域和步骤S2得到的三七组分比例进行区域整合，最后区域统计得到感兴趣区完整的三七种植面积。
2.根据权利要求1所述的基于多光谱卫星遥感影像的三七种植面积计算方法，其特征在于，步骤S1中，在确定区分三七种植区的阈值时，将易区分各类地物的归一化混合物指数NDMI、归一化植被指数NDVI、归一化水体指数NDWI和原图像进行特征叠加，然后对感兴趣区域各地物在不同特征统计直方图进行比较分析，以确定能够区分出三七大棚与其他类型地物的特征阈值。
CN201910931447.3A 2019-09-29 2019-09-29 一种基于多光谱卫星遥感影像的三七种植面积计算方法 Active CN110705455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910931447.3A CN110705455B (zh) 2019-09-29 2019-09-29 一种基于多光谱卫星遥感影像的三七种植面积计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910931447.3A CN110705455B (zh) 2019-09-29 2019-09-29 一种基于多光谱卫星遥感影像的三七种植面积计算方法

Publications (2)

Publication Number Publication Date
CN110705455A CN110705455A (zh) 2020-01-17
CN110705455B true CN110705455B (zh) 2023-04-07

Family

ID=69197211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910931447.3A Active CN110705455B (zh) 2019-09-29 2019-09-29 一种基于多光谱卫星遥感影像的三七种植面积计算方法

Country Status (1)

Country Link
CN (1) CN110705455B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582181B (zh) * 2020-05-11 2023-06-09 北华航天工业学院 一种区域尺度大棚内有无作物种植的检测方法
CN112102312B (zh) * 2020-09-29 2022-11-15 滁州学院 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法
CN112991431B (zh) * 2021-04-15 2021-09-17 北京英视睿达科技有限公司 区域面积确定方法、装置及电子设备
CN113191328A (zh) * 2021-05-26 2021-07-30 辽宁工程技术大学 一种基于lsma-ibai综合指数的不透水面提取方法
CN113310904B (zh) * 2021-06-15 2023-04-07 东南大学 一种植被覆盖下的土壤光谱还原的图像处理方法
CN113378848B (zh) * 2021-07-08 2024-01-30 湖南元想科技有限公司 南荻收割区或弃割区分布提取方法、系统及存储介质
CN114841231B (zh) * 2022-03-21 2024-04-09 赛思倍斯(绍兴)智能科技有限公司 一种农作物遥感分类方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740794A (zh) * 2016-01-27 2016-07-06 中国人民解放军92859部队 一种基于卫星影像的海岸线自动提取与分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761447B (zh) * 2014-02-18 2017-05-24 中国科学院遥感与数字地球研究所 用于地市及县两级粮食补贴核算的种植面积遥感确定方法
US10586105B2 (en) * 2016-12-30 2020-03-10 International Business Machines Corporation Method and system for crop type identification using satellite observation and weather data
CN109614942B (zh) * 2018-12-14 2023-04-25 中国科学院遥感与数字地球研究所 一种基于云计算平台的森林扰动长时间序列监测方法
CN110060292A (zh) * 2019-04-03 2019-07-26 广州地理研究所 一种基于多尺度融合的土地利用面积计算方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740794A (zh) * 2016-01-27 2016-07-06 中国人民解放军92859部队 一种基于卫星影像的海岸线自动提取与分类方法

Also Published As

Publication number Publication date
CN110705455A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110705455B (zh) 一种基于多光谱卫星遥感影像的三七种植面积计算方法
Flood et al. Using a U-net convolutional neural network to map woody vegetation extent from high resolution satellite imagery across Queensland, Australia
Azzari et al. Landsat-based classification in the cloud: An opportunity for a paradigm shift in land cover monitoring
Pan et al. Mapping cropping intensity in Huaihe basin using phenology algorithm, all Sentinel-2 and Landsat images in Google Earth Engine
Mui et al. An object-based approach to delineate wetlands across landscapes of varied disturbance with high spatial resolution satellite imagery
CN111598019B (zh) 基于多源遥感数据的作物类型与种植模式识别方法
Lu et al. Impervious surface mapping with Quickbird imagery
Bayr et al. Automatic detection of woody vegetation in repeat landscape photographs using a convolutional neural network
Tasser et al. An integrative approach for analysing landscape dynamics in diverse cultivated and natural mountain areas
King et al. Modelling and mapping damage to forests from an ice storm using remote sensing and environmental data
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
Descals et al. A threshold method for robust and fast estimation of land-surface phenology using Google Earth Engine
Hu et al. Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China
Zhang et al. Detecting fractional land-cover change in arid and semiarid urban landscapes with multitemporal Landsat Thematic mapper imagery
Safanelli et al. Leveraging the application of Earth observation data for mapping cropland soils in Brazil
CN114708490A (zh) 水稻种植提取及复种指数监测方法、系统、终端及存储介质
Ghosh et al. Calcrop21: A georeferenced multi-spectral dataset of satellite imagery and crop labels
Lessel et al. Creating a basic customizable framework for crop detection using Landsat imagery
CN112597936A (zh) 基于面向对象分层分割的建筑垃圾分离方法及相关产品
Warner et al. Remote sensing of land cover change
CN114842356A (zh) 一种高分辨率地表类型样本自动生成方法、系统及设备
CN103778413A (zh) 一种遥感影像欠分割对象自动识别方法
CN113610294A (zh) 一种中小城市色彩规划方法、存储介质和装置
Atzberger et al. Portability of neural nets modelling regional winter crop acreages using AVHRR time series
Jha et al. Wheat acreage estimation using remote sensing in tarai region of Uttarakhand

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