CN110879969A - 一种基于遥感影像的林地变化检测方法 - Google Patents

一种基于遥感影像的林地变化检测方法 Download PDF

Info

Publication number
CN110879969A
CN110879969A CN201911000098.XA CN201911000098A CN110879969A CN 110879969 A CN110879969 A CN 110879969A CN 201911000098 A CN201911000098 A CN 201911000098A CN 110879969 A CN110879969 A CN 110879969A
Authority
CN
China
Prior art keywords
index
remote sensing
forest land
area
ndvi
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
Application number
CN201911000098.XA
Other languages
English (en)
Inventor
张灏
柴向停
夏石明
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.)
Beijing Zhongke Ruijing Technology Co Ltd
Original Assignee
Beijing Zhongke Ruijing Technology Co Ltd
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 Beijing Zhongke Ruijing Technology Co Ltd filed Critical Beijing Zhongke Ruijing Technology Co Ltd
Priority to CN201911000098.XA priority Critical patent/CN110879969A/zh
Publication of CN110879969A publication Critical patent/CN110879969A/zh
Pending legal-status Critical Current

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种基于遥感影像的林地变化检测方法，包括：获取待测区前、后时相遥感影像；逐像元计算所述前、后时相遥感影像的BAI指数、NDWI指数和NDVI指数；设定水体区域与非水体区域BAI指数分界点为第一阈值，设定水体区域与非水体区域NDWI指数分界点为第二阈值，设定植被区域与非植被区域NDVI指数分界点为第三阈值；同时满足BAI指数小于第一阈值，NDWI指数小于第二阈值，NDVI指数大于第三阈值的像元为林地区域，其他像元为非林地区域。通过BAI指数、NDWI指数、NDVI指数分别与第一阈值、第二阈值、第三阈值比较，检测林地变化，响应速度快，成本低，能够反映变化类型，提高了适用性和检测精度。

Description

一种基于遥感影像的林地变化检测方法
技术领域
本申请涉及遥感技术领域，尤其涉及一种基于遥感影像的林地变化检测方法。
背景技术
森林植被对于生态环境中水土保持、平衡大气二氧化碳、保护生物多样性等方面具有重要意义，然而随着人口的增加，为了获取更高的经济价值，对森林进行开采、占用，改变了地表覆盖变化，直接导致生物多样性的丧失，恶化了外围环境。因此对于森林地表的定期变化监测，是保护森林植被可行而又有效的方法之一。
森林资源的动态监测传统方法有图像代数变化检测算法，通过图像差值或图像比值进行运算实现变化检测。该方法通用性较低，其中多时相图像主成分分析变化检测，仅能反映变化分布，无法表示变化类型。
近年来通过机器学习方法以及深度学习方法，图像分割结合神经网络以及自动分类等方法进行变化检测，可以在小范围区域得到较高的准确率，但是这些方法对样本的要求较高，同时对硬件的要求较高，分类过程较慢，计算量大，无法有效的满足监测林地资源变化的快速响应要求。
发明内容
本申请提出一种基于遥感影像的林地变化检测方法，用于解决现有检测方法通用性低，响应速度慢的问题。
本申请实施例提供一种基于遥感影像的林地变化检测方法，包括：
获取待测区前、后时相遥感影像；
逐像元计算所述前、后时相遥感影像的BAI指数、NDWI指数和NDVI指数；
设定水体区域与非水体区域BAI指数分界点为第一阈值，设定水体区域与非水体区域NDWI指数分界点为第二阈值，设定植被区域与非植被区域NDVI指数分界点为第三阈值；
同时满足BAI指数小于第一阈值，NDWI指数小于第二阈值，NDVI指数大于第三阈值的像元为林地区域，其他像元为非林地区域。
优选地，BAI指数计算公式为：
BAI＝(B-NIR)/(B+NIR)
其中NIR表示近红外波段的反射率，B表示蓝波段的反射率。
优选地，NDWI指数计算公式为：
NDWI＝(G-NIR)/(G+NIR)
其中NIR表示近红外波段的反射率，G表示绿波段的反射率。
优选地，NDVI指数计算公式为：
NDVI＝(NIR-R)/(NIR+R)
其中NIR表示近红外波段的反射率，R表示红波段的反射率。
优选地，在计算BAI指数、NDWI指数和NDVI指数之前，所述方法还包括：对所述前、后时相遥感影像进行预处理，包括以下至少一项：
对所述前、后时相遥感影像提取云、云影区域，筛除所述云、云影区域的像元；
对所述前、后时相遥感影像进行大气校正。
优选地，提取所述前、后时相遥感影像林地区域像元，比较所述前、后时相遥感影像林地区域变化，得到林地变化检测结果。
优选地，所述提取云、云影区域使用Fmask算法。
优选地，使用Sen2Cor工具对所述前、后时相遥感影像进行大气校正。
优选地，对所述林地变化检测结果进行精度评价，包括以下至少一项：
精确度评价、准确度评价和召回率评价。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：通用性高，响应速度快，能够反映变化类型，成本低，硬件要求低，提高了适用性和检测精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为基于遥感影像的林地变化检测方法流程图；
图2为包含预处理的林地变化检测方法流程图；
图3为一种具体检测和评价的实施例。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为基于遥感影像的林地变化检测方法流程图；
基于遥感影像的林地变化检测方法，包括：
步骤101、获取待测区前、后时相遥感影像；
前、后时相遥感影像是指待测时间范围的前时间点遥感影像、后时间点遥感影像。
遥感影像为中分辨率多光谱影像，分辨率一般不高于30米，达到一定处理级，例如，在哨兵二号影像中，处理级满足L1C级，即消除影像中几何变形。
例如，使用2018年第二季度前、后两个时相覆盖广西省三江侗族自治县区域的哨兵二号影像，前时相采用2018年3月27日影像，后时相采用2018年8月9日影像，图幅大小为100km×100km，空间分辨率为10米，即每个像素点面积为10米×10米，收集到的数据产品处理级为L1C级。
步骤102、逐像元计算所述前、后时相遥感影像的BAI指数、NDWI指数和NDVI指数；
不同波段数据指近红外波段、红波段、绿波段和蓝波段数据。
BAI指数为人工建筑范围指数，是基于蓝波段与近红外波段的归一化比值，能够区分水体区域、建筑区域、裸地和林地区域。NDWI指数为归一化水指数，是基于绿波段与近红外波段的归一化比值，能够较好的提取水体区域。NDVI指数为归一化植被指数，是基于红波段与近红外波段的归一化比值，能够提取植被区域。
使用近红外波段、红波段、绿波段和蓝波段数据，逐个像元计算所述前、后时相遥感影像的BAI指数、NDWI指数和NDVI指数，得到每个像元的BAI指数、NDWI指数和NDVI指数。
例如，前时相遥感影像为2018年3月27日哨兵二号影像，计算第一个像元在近红外波段、蓝波段BAI指数为0.2；在近红外波段、绿波段NDWI指数为0.1；在近红外波段、红波段NDVI指数为0.9。依次计算第二个像元、第三个像元等，计算后时相遥感影像每个像元的BAI指数、NDWI指数和NDVI指数。
步骤103、设定水体区域与非水体区域BAI指数分界点为第一阈值，设定水体区域与非水体区域NDWI指数分界点为第二阈值，设定植被区域与非植被区域NDVI指数分界点为第三阈值；
利用水体区域与非水体区域对蓝波段与近红外波段反射差异，BAI指数能够较好地区分水体区域与非水体区域。水体区域蓝波段强反射，近红外波段弱反射，BAI指数接近1；非水体区域近红外波段反射强于蓝波段反射，BAI指数为负数。BAI指数与建筑、裸土颗粒程度有关，例如，人工建筑表面区域，BAI指数处于-0.5到0范围内；裸土与植被区域，BAI指数处于-1到-0.5范围内。设定水体区域与非水体区域BAI指数分界点为第一阈值，根据待测区地貌特征依据经验设定。
例如，位于广西省三江侗族自治县区域的哨兵2号遥感影像，根据建筑、裸土颗粒程度，设定第一阈值为0。当某像元BAI指数小于0时，该像元为非水体区域，当BAI指数大于0时，该像元为水体区域。
利用水体区域与非水体区域对绿波段与近红外波段反射差异，NDWI指数能够较好地区分水体区域与非水体区域。水体区域绿波段强反射，近红外波段弱反射，NDWI指数接近1；非水体区域近红外波段反射强于绿波段反射，NDWI指数为负数。NDWI指数与水体区域含沙、含藻量有关，例如，含沙、含藻量高，NDWI指数接近0；含沙、含藻量低，NDWI指数接近1。设定水体区域与非水体区域NDWI指数分界点为第二阈值，根据待测区地貌特征依据经验设定。
例如，位于广西省三江侗族自治县区域的哨兵2号遥感影像，根据水体区域含沙、含藻量，设定第二阈值为0。当某像元NDWI指数小于0时，该像元为非水体区域，当NDWI指数大于0时，则该像元为水体区域。
利用植被区域与非植被区域对红波段与近红外波段反射差异，NDVI指数能够较好地区分植被区域与非植被区域。植被区域近红外波段强反射，红波段弱反射，NDVI指数接近1；非植被区域红波段反射强于近红外波段反射，NDVI指数为负数。NDVI指数与植被覆盖度有关，例如，北方林地区域NDVI指数处于0.4到0.5范围内，南方林地区域NDVI指数处于0.7到0.8范围内。设定植被区域与非植被区域NDVI指数分界点为第三阈值，根据待测区地貌特征依据经验设定。
例如，位于广西省三江侗族自治县区域的哨兵2号遥感影像，根据植被覆盖程度，设定第三阈值为0.6。当某像元NDVI指数小于0.6时，该像元为非植被区域，当NDVI指数大于0.6时，该像元为植被区域。
步骤104、同时满足BAI指数小于第一阈值，NDWI指数小于第二阈值，NDVI指数大于第三阈值的像元为林地区域，其他像元为非林地区域。
利用地表不同区域反射光谱特征不同，通过BAI指数、NDWI指数和NDVI指数分别与相对应的第一阈值、第二阈值和第三阈值比较，筛选地物类别，区分林地区域与非林地区域。
BAI指数小于第一阈值，该像元为建筑、裸地或植被区域，其余像元为水体区域。NDWI指数小于第二阈值，该像元为非水区域。NDVI指数大于第三阈值，该像元为植被区域。
每个像元均已计算出BAI指数、NDWI指数和NDVI指数，逐个像元比较BAI指数与第一阈值，NDWI指数与第二阈值，NDVI指数与第三阈值的大小，同时满足BAI小于第一阈值，NDWI小于第二阈值，NDVI大于第三阈值的像元，该像元为林地区域像元。
例如，位于广西省三江侗族自治县区域的哨兵2号遥感影像，第一阈值、第二阈值、第三阈值分别设定为0、0、0.6。同时满足BAI指数小于0，NDWI指数小于0，NDVI指数大于0.6的像元，该像元为林地区域，其他像元为非林地区域。
BAI指数计算公式为：
BAI＝(B-NIR)/(B+NIR) (1)
其中NIR表示近红外波段的反射率，B表示蓝波段的反射率。
遥感影像中包含不同波段数据，利用蓝波段与近红外波段数据对BAI指数进行归一化计算，指数值处于-1到1范围。
NDWI指数计算公式为：
NDWI＝(G-NIR)/(G+NIR) (2)
其中NIR表示近红外波段的反射率，G表示绿波段的反射率。
遥感影像中包含不同波段数据，利用绿波段与近红外波段数据对NDWI指数进行归一化计算，指数值处于-1到1范围。
NDVI指数计算公式为：
NDVI＝(NIR-R)/(NIR+R) (3)
其中NIR表示近红外波段的反射率，R表示红波段的反射率。
遥感影像中包含不同波段数据，利用红波段与近红外波段数据对NDVI指数进行归一化计算，指数值处于-1到1范围。
图2为包含预处理的林地变化检测方法实施例流程图。
在计算BAI指数、NDWI指数和NDVI指数之前，所述方法还包括：
步骤100、对所述前、后时相遥感影像进行预处理。
包括以下步骤100A-100B至少一项：
步骤100A、对所述前、后时相遥感影像提取云、云影区域，筛除所述云、云影区域的像元；
步骤100A中，云、云影干扰信息影响遥感影像，对所述前、后时相遥感影像分别进行云和云影提取，得到云和云影的分布情况，将云、云影区域从遥感影像中筛除，即后续的步骤中排除云、云影区域的像元。
例如，对LIC级遥感影像进行云、云影提取，筛除云、云影区域像元。
所述提取云、云影区域使用Fmask算法。
Fmask算法是一种面向对象的云检测算法，能够从多光谱数据中检测云、云影区域。
例如，使用Fmask算法对前、后时相影像分别进行云和云影提取，得到云和云影的分布情况。
步骤100B、对所述前、后时相遥感影像进行大气校正。
步骤100B中，大气校正是消除由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。
例如，对2018年第二季度哨兵二号影像进行大气校正，得到大气校正的大气底层反射率数据。
再例如，使用Sen2Cor工具对所述前、后时相遥感影像进行大气校正。
Sen2Cor工具是欧空局发布的大气校正工具，能够产生L2A级数据，L2A级数据为经过辐射定标和大气校正的大气底层反射率数据。
例如，通过数据分发方提供的Sen2Cor工具进行大气校正，得到L2A级数据。
当完成步骤100-104后，直观地或定量地，能够提取所述前、后时相遥感影像林地区域像元，比较所述前、后时相遥感影像林地区域变化，得到林地变化检测结果。
图3为一种具体检测和评价的实施例。优选地，当完成步骤100-104后，可实施如下步骤105-106。
步骤105、比较前时相遥感影像林地区域像元数量与后时相遥感影像林地区域像元数量，得到林地像元变化数量。
若前时相遥感影像林地区域像元数量多于后时相遥感影像林地区域像元数量，为林地增加；若前时相遥感影像林地区域像元数量少于后时相遥感影像林地区域像元数量，为林地减少；变化数量为二者差值的绝对值，根据遥感影像分辨率，即像元大小实际表示面积，得到林地变化检测结果。
例如，使用2018年在三江侗族自治县区域的哨兵二号影像，像元空间分辨率为10米，每个像元面积为10米×10米。若前时相遥感影像林地区域像元数量为975，后时相遥感影像林地区域像元数为832，则林地减少，减少量为14300平方米。若前时相林地区域像元为832，后时相林地区域像元为975，则林地增加，增加量为14300平方米。
进一步地，本申请实施例还可包含以下步骤106。
步骤106、对所述林地变化检测结果进行精度评价，包括以下至少一项：
精确度评价、准确度评价和召回率评价。
精度评价是对林地变化检测结果进行精度上的评价，其评价能够较好地反映检测方法与实际结果的接近程度、林地区域被正确识别程度。
精确度为真实变化且被识别值占检测变化总值的比率。例如，真实变化且被识别值为80，检测变化总值为100，即真实变化且被识别值与真实无变化被误判为变化值之和，则精确度为80％。
准确度为正确检测识别值占检测总值的比率。例如，正确检测识别值为85，检测总值为100，则准确度为85％。
召回率是指真实变化且被识别值占真实变化总值的比率。真实变化总值是“真实变化且被识别值”和被误判为无变化值的总和。例如真实变化且被识别值为70，真实变化被误判为无变化值为20，则召回率为77.8％。
某检测区域合计X个斑块，其中Xa个斑块发生变化，Xb个斑块无变化。检测结果中X1个变化斑块被正确识别，X2个真实无变化斑块被正确识别，X3个真实变化的斑块被误判为无变化，X4个真实无变化的斑块被误判为变化，则精确度为X1/(X1+X4)，准确度为(X1+X2)/X，召回率为X1/(X1+X3)。
例如，使用2018年在三江侗族自治县人工外业核查的林地资源变化结果进行验证。外业核查结果包含1040个斑块，其中975个斑块发生变化，65个斑块无变化。基于遥感影像得到的林地变化检测结果中，832个真实变化的斑块被正确识别，24个真实无变化的斑块被正确识别，143个真实变化的斑块被误判为无变化，41个真实无变化的斑块被误判为变化，精确度为95.3％，准确度为82.3％，召回率为85.3％。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种基于遥感影像的林地变化检测方法，其特征在于，包括：
获取待测区前、后时相遥感影像；
逐像元计算所述前、后时相遥感影像的BAI指数、NDWI指数和NDVI指数；
设定水体区域与非水体区域BAI指数分界点为第一阈值，设定水体区域与非水体区域NDWI指数分界点为第二阈值，设定植被区域与非植被区域NDVI指数分界点为第三阈值；
同时满足BAI指数小于第一阈值，NDWI指数小于第二阈值，NDVI指数大于第三阈值的像元为林地区域，其他像元为非林地区域。
2.根据权利要求1所述的检测方法，其特征在于，BAI指数计算公式为：
BAI＝(B-NIR)/(B+NIR)
其中NIR表示近红外波段的反射率，B表示蓝波段的反射率。
3.根据权利要求1所述的检测方法，其特征在于，NDWI指数计算公式为：
NDWI＝(G-NIR)/(G+NIR)
其中NIR表示近红外波段的反射率，G表示绿波段的反射率。
4.根据权利要求1所述的检测方法，其特征在于，NDVI指数计算公式为：
NDVI＝(NIR-R)/(NIR+R)
其中NIR表示近红外波段的反射率，R表示红波段的反射率。
5.根据权利要求1所述的检测方法，其特征在于，在计算BAI指数、NDWI指数和NDVI指数之前，所述方法还包括：对所述前、后时相遥感影像进行预处理，包括以下至少一项：
对所述前、后时相遥感影像提取云、云影区域，筛除所述云、云影区域的像元；
对所述前、后时相遥感影像进行大气校正。
6.根据权利要求1所述的检测方法，其特征在于，提取所述前、后时相遥感影像林地区域像元，比较所述前、后时相遥感影像林地区域变化，得到林地变化检测结果。
7.根据权利要求5所述的检测方法，其特征在于，所述提取云、云影区域使用Fmask算法。
8.根据权利要求5所述的检测方法，其特征在于，使用Sen2Cor工具对所述前、后时相遥感影像进行大气校正。
9.根据权利要求6所述的检测方法，其特征在于，对所述林地变化检测结果进行精度评价，包括以下至少一项：
精确度评价、准确度评价和召回率评价。
CN201911000098.XA 2019-10-21 2019-10-21 一种基于遥感影像的林地变化检测方法 Pending CN110879969A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911000098.XA CN110879969A (zh) 2019-10-21 2019-10-21 一种基于遥感影像的林地变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911000098.XA CN110879969A (zh) 2019-10-21 2019-10-21 一种基于遥感影像的林地变化检测方法

Publications (1)

Publication Number Publication Date
CN110879969A true CN110879969A (zh) 2020-03-13

Family

ID=69727931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911000098.XA Pending CN110879969A (zh) 2019-10-21 2019-10-21 一种基于遥感影像的林地变化检测方法

Country Status (1)

Country Link
CN (1) CN110879969A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832575A (zh) * 2020-07-16 2020-10-27 黄河勘测规划设计研究院有限公司 一种基于遥感图像的水面区域提取方法及装置
CN112101159A (zh) * 2020-09-04 2020-12-18 国家林业和草原局中南调查规划设计院 多时相林业遥感影像变化监测方法
CN112131953A (zh) * 2020-08-26 2020-12-25 航天信德智图（北京）科技有限公司 基于高分二号影像的森林变化快速检测方法研究
CN112800823A (zh) * 2021-04-19 2021-05-14 上海普适导航科技股份有限公司 一种水体快速提取方法
CN113095303A (zh) * 2021-06-04 2021-07-09 成都数之联科技有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN113553967A (zh) * 2021-07-28 2021-10-26 广东工业大学 一种基于遥感图像的植被和水体变化检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096511A (zh) * 2015-08-04 2015-11-25 中国林业科学研究院资源信息研究所 一种自动生成烟区检测结果的方法
CN109598202A (zh) * 2018-11-05 2019-04-09 中国科学院遥感与数字地球研究所 一种基于对象的卫星图像多指标建成区自动提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096511A (zh) * 2015-08-04 2015-11-25 中国林业科学研究院资源信息研究所 一种自动生成烟区检测结果的方法
CN109598202A (zh) * 2018-11-05 2019-04-09 中国科学院遥感与数字地球研究所 一种基于对象的卫星图像多指标建成区自动提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ENVI-IDL技术殿堂: "【ENVI入门系列】15.遥感动态监测", 《HTTP://BLOG.SINA.COM.CN/S/BLOG_764B1E9D0102V28P.HTML》 *
YUANYWRS: "Landat8 图像融合、波段相关系数、信息熵和图像处理代码实验（实验报告形式）", 《HTTPS://BLOG.CSDN.NET/YUANYW7556/ARTICLE/DETAILS/103529405》 *
卢鹏等: "基于高分辨率遥感影像的林地变化图斑检测方法研究", 《林业调查规划》 *
郝荣欣: "基于GF-1多光谱影像的林地变化检测方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
霍鹏等: "基于QUEST决策树的火烧迹地自动提取", 《四川林业科技》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832575A (zh) * 2020-07-16 2020-10-27 黄河勘测规划设计研究院有限公司 一种基于遥感图像的水面区域提取方法及装置
CN111832575B (zh) * 2020-07-16 2024-04-30 黄河勘测规划设计研究院有限公司 一种基于遥感图像的水面区域提取方法及装置
CN112131953A (zh) * 2020-08-26 2020-12-25 航天信德智图（北京）科技有限公司 基于高分二号影像的森林变化快速检测方法研究
CN112101159A (zh) * 2020-09-04 2020-12-18 国家林业和草原局中南调查规划设计院 多时相林业遥感影像变化监测方法
CN112800823A (zh) * 2021-04-19 2021-05-14 上海普适导航科技股份有限公司 一种水体快速提取方法
CN112800823B (zh) * 2021-04-19 2024-04-02 上海普适导航科技股份有限公司 一种水体快速提取方法
CN113095303A (zh) * 2021-06-04 2021-07-09 成都数之联科技有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
WO2022252799A1 (zh) * 2021-06-04 2022-12-08 成都数之联科技股份有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN113553967A (zh) * 2021-07-28 2021-10-26 广东工业大学 一种基于遥感图像的植被和水体变化检测方法及系统

Similar Documents

Publication Publication Date Title
CN110879969A (zh) 一种基于遥感影像的林地变化检测方法
CN104778721B (zh) 一种双目图像中显著性目标的距离测量方法
CN107610164B (zh) 一种基于多特征混合的高分四号影像配准方法
CN109584281B (zh) 一种基于彩色图像和深度图像的重叠颗粒物分层计数方法
Chen et al. The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images
Stereńczak et al. Mapping individual trees with airborne laser scanning data in an European lowland forest using a self-calibration algorithm
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
JP6822569B2 (ja) 画像処理装置、画像処理方法及び画像処理プログラム
CN115439759B (zh) 遥感影像中植被的提取方法、装置、电子设备及介质
Taghadosi et al. Trend analysis of soil salinity in different land cover types using Landsat time series data (case study Bakhtegan Salt Lake)
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN110703244A (zh) 基于遥感数据识别城区内水体的方法和装置
Mei et al. Tree crown delineation from digital elevation models and high resolution imagery
CN109034189B (zh) 基于高分遥感影像的森林类型识别方法
CN112285710A (zh) 一种多源遥感水库蓄水量估算方法与装置
CN110889840A (zh) 面向地物目标的高分6号遥感卫星数据的有效性检测方法
CN116295285A (zh) 基于区域自适应的浅海水深遥感反演方法
CN111060455B (zh) 面向东北冷凉区的遥感图像作物标记方法和装置
CN113421273B (zh) 林草搭配信息遥感提取方法及装置
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
CN111882573A (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
CN115512159A (zh) 面向对象的高分辨率遥感影像地表覆盖分类方法及系统
CN115082812A (zh) 一种农业景观非农生境绿地斑块提取方法及其相关设备
CN114120128A (zh) 基于深度学习与机器学习的无人机遥感乔木改种检测方法
Abraham et al. Unsupervised building extraction from high resolution satellite images irrespective of rooftop structures

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 2nd floor, 15 building, community supporting commercial building, maker Town, Wenquan Town, Haidian District, Beijing 100095

Applicant after: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd.

Address before: Room 1108, 11th floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing

Applicant before: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200313