CN111062368B - 基于Landsat时间序列遥感影像的城市更新区域监测方法 - Google Patents

基于Landsat时间序列遥感影像的城市更新区域监测方法 Download PDF

Info

Publication number
CN111062368B
CN111062368B CN201911422273.4A CN201911422273A CN111062368B CN 111062368 B CN111062368 B CN 111062368B CN 201911422273 A CN201911422273 A CN 201911422273A CN 111062368 B CN111062368 B CN 111062368B
Authority
CN
China
Prior art keywords
area
index
city
land development
land
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
CN201911422273.4A
Other languages
English (en)
Other versions
CN111062368A (zh
Inventor
齐志新
沈雪娇
张慧
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201911422273.4A priority Critical patent/CN111062368B/zh
Publication of CN111062368A publication Critical patent/CN111062368A/zh
Application granted granted Critical
Publication of CN111062368B publication Critical patent/CN111062368B/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
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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

Landscapes

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

Abstract

本发明公开了基于Landsat时间序列遥感影像的城市更新监测方法，包括以下步骤：利用研究区t1和t2连续两个年份的Landsat卫星影像计算土地开发指数，利用t1年份的Landsat卫星影像计算归一化植被指数、归一化水体指数；基于土地开发指数，通过阈值法提取出t1和t2年份间的土地开发区域；基于植被指数和水体指数，通过阈值法提取t1年份的植被和水体区域；对提取的土地开发区域、植被区域、水体区域进行叠加分析，从土地开发区域中去除由水体和植被区域转变而来的误差，从而提取出t1到t2年份的城市更新区域，再通过滤波降噪算法去除/降低噪声，得到t1到t2年份最终的城市更新区域。利用本方法，可以实现1984年至今任意年份、任意区域的城市更新范围提取。

Description

基于Landsat时间序列遥感影像的城市更新区域监测方法
技术领域
本发明涉及智慧城市、遥感监测、城市规划及管理领域。
背景技术
快速城市化是目前全球变化的主要趋势之一。许多国家和地区，随着城市建设速度的提升，土地资源越来越稀缺，成为制约发展的瓶颈。为确保土地得到更高效的利用、应对快速城市化导致的问题，必须对城市进行存量规划，开展土地的集约化利用。通过城市更新的手段提高城市土地利用效益，可以有效缓解土地使用压力。目前，城市更新正在成为中国城市发展的主要方式，我国各城市在不同程度上都已完成了各类型的城市更新。及时准确的城市更新时空分布信息，对于城市规划及管理、智慧城市建设及城市可持续发展具有重要意义。但由于类型众多、区域广泛等问题，使得大尺度区域城市更新数据可获取性难度较高，数据时效性差，因此也未能建立起城市更新数据库。
近年来，随着对地观测技术的发展，使低成本、大范围及周期性的城市更新数据获取成为可能。利用目前积累的大量卫星遥感影像数据，有望获取长时间序列的城市更新数据。相比于传统实地调研，卫星遥感技术在空间覆盖、周期监测、数据积累上具有独特的优势，有望实时地观测整个城市及城市群的城市更新发展，建立城市更新数据库。这对研究城市及城市群的时空变化模式具有重要意义。
然而，由于城市更新前后建筑物的光谱信息十分相似，利用传统的变化检测方法，对比两幅不同时间获取的遥感影像，很难准确提取城市更新区域，且无法确定城市更新的具体时间。
发明内容
为克服上述现有技术与方法的不足，本发明提出了基于Landsat时间序列遥感影像的城市更新区域监测方法。本发明能够根据城市更新过程中土地覆盖变化的时空特征，从长时间序列的Landsat卫星遥感影像中提取并识别城市更新的具体范围及年份，获取城市更新的时空分布信息。
为解决上述技术问题，本发明的技术方案如下：
基于Landsat时间序列遥感影像的城市更新区域监测方法，包括以下步骤：
获取t2年份和上一年份t1年份的Landsat卫星遥感影像；
通过t1和t2两个年份的Landsat卫星影像计算土地开发指数LDI(Landdevelopment Index)，通过t1年份的Landsat卫星影像计算植被指数NDVI(NormalizedDifference Vegetation Index)、水体指数NDWI(Normalized Difference Water Index)；
根据土地开发指数LDI通过阈值法提取t2年份基于t1年份的土地开发区域；
根据植被指数NDVI和水体指数NDWI通过阈值法提取t1年份Landsat卫星影像的植被和水体区域；
对土地开发指数LDI、植被指数NDVI、水体指数NDWI进行叠加分析，从土地开发区域中去除由水体和植被转变而来的区域(城市扩张区域)，保留土地开发区域中由建筑物转变而来待建用地的区域，从而筛选出土地开发区域中全部的城市更新区域，即为t1到t2年份的城市更新区域；
针对提取的城市更新区域通过滤波降噪算法去除/降低噪声、保持边界平滑，得到t1到t2年份的最终城市更新区域。
本发明中，Landsat卫星影像数据具有覆盖范围广(全球覆盖)、时间跨度长(1984年至今)，空间分辨率高(30米)和免费共享等优势，非常适合作为本发明的数据源。
在一种优选的方案中，土地开发指数LDI通过以下子步骤进行计算：
根据t1年份Landsat卫星影像中的红光波段和蓝光波段计算t1年份的城市待建用地指数CLIt1；
根据t2年份的Landsat卫星影像中的红光波段和蓝光波段计算t2年份的城市待建用地指数CLIt2；
根据待建用地指数CLIt2和待建用地指数CLIt1计算土地开发指数LDI。
在一种优选的方案中，待建用地指数CLI进行如下计算：
Figure GDA0002606199380000021
其中，Red表示Landsat卫星影像中的红光波段；Blue表示Landsat卫星影像中的蓝光波段。
在城市更新过程中，土地覆盖的时空变化特征为旧建筑物->待建用地(旧建筑物被推平后形成的裸地)->新建筑物。更新前后的建筑物光谱特征相似，难以区分。但与建筑物相比，待建用地具有明显不同的光谱特征。因此，可以通过检测建筑物到待建用地的变化来提取城市更新区域。在所有土地覆盖类型中，待建用地在红光波段反射率最高。有些建筑物在红光波段的反射率接近待建用地，但是这些建筑物在蓝光波段的反射率明显高于待建用地。因此，通过对比不同土地覆盖类型的光谱反射特征，利用蓝光波段和红光波段区分待建用地与其它土地覆盖类型。
Figure GDA0002606199380000031
在一种优选的方案中，土地开发指数LDI进行如下计算：
在一种优选的方案中，根据土地开发指数LDI通过阈值法提取t2年份基于t1年份的城市土地开发区域包括以下内容：
若LDI≥α，则定义为土地开发区域，参数α是阈值。
本优选方案中，LDI值越大，代表从t1年份的非待建用地变为t2年份的待建用地的可能性越大，即土地开发的可能性越大。通过选取合适阈值，可以确定t2年份基于t1年份的土地开发区域。然而，土地开发区域既包括城市更新区域(建筑物变为待建用地)，也包括城市扩张区域(植被区域或水体区域变为待建用地)。因此，需要进一步分析，以便得到城市更新区域。
在一种优选的方案中，植被指数NDVI进行如下计算：
Figure GDA0002606199380000032
其中，NIR表示t1年份Landsat卫星影像中的近红外波段，Red表示t1年份Landsat卫星影像中的红光波段。
在一种优选的方案中，植被区域通过以下内容进行判定：
若NDVI≥β，则定义为植被区域；
若NDVI＜β，则定义为非植被区域；
参数β是阈值。
本优选方案中，NDVI值越大，是植被区域的可能性越大。通过选取合适阈值，可以确定植被区域或者非植被区域。
在一种优选的方案中，水体指数NDWI进行如下计算：
Figure GDA0002606199380000033
其中，Green表示t1年份Landsat卫星影像中的绿光波段，MIR表示t1年份Landsat卫星影像中的中红外波段。
在一种优选的方案中，水体区域通过以下内容进行判定:
若NDWI≥γ，则定义为水体区域；
若NDWI＜γ，则定义为非水体区域；
γ是阈值。
本优选方案中，NDWI值越大，是水体区域的可能性越大。通过选取合适阈值，可以确定水体区域或者非水体区域。
在一种优选的方案中，t1到t2年份的城市更新区域通过以下内容进行判定:
LDI≥α
NDVI＜β
NDWI＜γ，
若满足上述全部条件，则土地开发区域定义为城市更新区域；
若否，则土地开发区域定义为未发生城市更新的区域。
本优选方案中，将t2年份基于t1年份的土地开发区域中在t1年份是水体和植被的区域去除，剩余的区域就是t1到t2年份的城市更新区域。
在一种优选的方案中，滤波降噪算法是众数滤波算法。
本优选方案中，众数滤波算法有利于减小误差、提高提取的准确率。
与现有技术相比，本发明技术方案的有益效果是：
本发明基于Landsat卫星遥感影像，能够实现零数据成本、全球尺度范围、长时间序列的城市更新监测，获取城市更新时空分布数据，为城市规划与管理、智慧城市建设及城市可持续发展相关研究和应用提供技术手段和数据支撑。
附图说明
图1为实施例的流程图；
图2(a)为实施例中实验区Landsat遥感影像图；
图2(b)为实施例中实验区待建用地指数图；
图3为实施例实验区区位图；
图4为实施例实验区某一年份LDI结果图；
图5为实施例实验区某一年份城市更新区域结果图；
图6为实施例实验区目标时间范围内全部城市更新区域结果图；
图7(a)为实施例实验区目标时间范围内历年的城市更新面积条形图；
图7(b)为实施例实验区各城区城市更新面积条形图；
图8(a)为实施例中利用本发明方法从Landsat遥感影像上检测的城市更新区域；
图8(b)为实施例中Google Earth高分辨率遥感影像上显示的相同区域的城市更新范围。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例
基于Landsat时间序列遥感影像的城市更新区域监测方法，包括以下步骤：
获取t2年份和上一年份t1年份的Landsat卫星遥感影像；
通过t1年份和t2年份的Landsat卫星遥感影像计算城市土地开发指数LDI，通过t1年份的Landsat卫星影像计算植被指数NDVI、水体指数NDWI；
根据土地开发指数LDI通过阈值法提取t2年份基于t1年份的土地开发区域；
根据植被指数NDVI和水体指数NDWI通过阈值法提取t1年份卫星影像的植被和水体区域；
对城市土地开发指数LDI、植被指数NDVI、水体指数NDWI进行叠加分析，从土地开发区域中去除由水体和植被变为待建用地的区域(城市扩张区域)，获取土地开发区域中由建筑物变为待建用地的区域，从而筛选出土地开发区域中全部的城市更新区域，定义为t1到t2年份的城市更新区域；
城市更新区域通过滤波降噪算法去除/降低噪声、保持边界平滑，得到t1到t2年份的最终城市更新区域。
在实施例中，还可以进行以下扩展：土地开发指数LDI通过以下子步骤进行计算：
根据t1年份的Landsat卫星影像中的红光波段和蓝光波段计算t1年份的城市待建用地指数CLIt1；
根据t2年份的Landsat卫星影像中的红光波段和蓝光波段计算t2年份的城市待建用地指数CLIt2；
根据待建用地指数CLIt2和待建用地指数CLIt1计算土地开发指数LDI。
在实施例及上述改进实施例中，还可以进行以下扩展：待建用地指数CLI进行如下计算：
Figure GDA0002606199380000061
其中，Red表示Landsat卫星影像中的红光波段；Blue表示Landsat卫星影像中的蓝光波段。
在实施例及上述改进实施例中，还可以进行以下扩展：土地开发指数LDI进行如下计算：
Figure GDA0002606199380000062
在实施例及上述改进实施例中，还可以进行以下扩展：根据土地开发指数LDI通过阈值法提取t2年份基于t1年份的城市土地开发区域包括以下内容：
若LDI≥α，则定义为城市土地开发区域，参数α是阈值。
在实施例及上述改进实施例中，还可以进行以下扩展：植被指数NDVI进行如下计算：
Figure GDA0002606199380000063
其中，NIR表示t1年份Landsat卫星影像中的近红外波段，Red表示t1年份Landsat卫星影像中的红光波段。
在上述个实施例中，植被区域通过以下内容进行判定：
若NDVI≥β，则定义为植被区域；
若NDVI＜β，则定义为非植被区域；
参数β是阈值。
在实施例及上述改进实施例中，还可以进行以下扩展：水体指数NDWI进行如下计算：
Figure GDA0002606199380000064
其中，Green表示t1年份Landsat卫星影像中的绿光波段，MIR表示t1年份Landsat卫星影像中的中红外波段。
在实施例及上述改进实施例中，还可以进行以下扩展：水体区域通过以下内容进行判定:
若NDWI≥γ，则定义为水体区域；
若NDWI＜γ，则定义为非水体区域；
γ是阈值。
在实施例及上述改进实施例中，还可以进行以下扩展：t1到t2年份的城市更新区域通过以下内容进行判定:
LDI≥α
NDVI＜β
NDWI＜γ，
若满足上述全部条件，则土地开发区域定义为城市更新区域；
若否，则土地开发区域定义为未发生城市更新的区域。
通过实施例对本发明方法的准确性、有效性进行以下验证，实施例的工作流程如图1所示。
实验区域：
以广州市作为实验区域，选取2008-2018年共10景Landsat系列卫星影像作为基础分析数据，提取了2008-2018年广州市每年的城市更新区域，并对城市更新时空变化情况进行了分析。
(1)研究区域
研究区域为广州市，包括白云、荔湾、海珠、越秀、番禺、天河、增城、黄埔、花都、从化和南沙，如图3所示。
(2)研究数据
研究数据为2008-2018年每年的Landsat卫星系列遥感影像，影像具体参数如表1所示。
(3)计算每幅影像的待建用地指数(CLI)
根据待建用地指数CLI的公式，计算每幅Landsat影像的待建用地指数CLI，结果如图2所示。图2中虚线圆圈中为待建用地，具有较高的待建用地指数。
(4)计算两幅连续影像间的土地开发指数(LDI)
根据土地开发指数LDI的公式，计算两幅连续Landsat影像间的土地开发指数LDI，结果如图4所示。图4中虚线圆圈中为土地开发区域，具有较高的土地开发指数。
(5)LDI、NDVI、NDWI的叠加分析
得到土地开发指数LDI后，选取合适阈值，具体的阈值如表2所示，确定土地开发区域，如图5所示。然后，根据植被指数NDVI的公式和水体指数NDWI的公式，计算城市更新前遥感影像的植被指数和水体指数，确定植被和水体区域，如图5所示。最后，采用叠加腌膜分析，在土地开发区域中去除所有植被和水体变为待建用地的区域，余下的土地开发区域即为城市更新区域，如图5所示。由于城市更新结果中会存在一定的斑点噪音。因此，通过众数滤波(Majority Filter)的方法去除掉噪音，得到最终城市更新区域的结果。
表1 2008-2018年共10景Landsat系列卫星时间序列影像
Figure GDA0002606199380000081
表2 2008年～2018年阈值数值表
Figure GDA0002606199380000082
(6)2008-2018年广州市城市更新监测结果
图6显示2008-2018年广州市城市更新区域提取结果。结果显示，2008-2018广州市城市更新区域总面积为12.49平方千米。对比分析不同年份的城市更新面积，发现2010年和2016年城市更新面积最多，分别为4.59平方千米和1.78平方千米。对比广州各区发现，城市更新面积从大到小依次为：白云、荔湾、海珠、番禺、天河、增城、黄埔、花都和从化，如图7所示。
(7)精度评价
通过Google Earth高分辨率遥感影像，我们获取了更加准确的城市更新区域，作为验证本实施例的精度。通过验证样本，计算本实施例的检测率和误报率，分别为94.16％和0.12％。实验结果表明，该发明方法能准确、有效的监测城市更新。图8显示了实施例的提取结果和Google Earth高分辨率遥感影像的对比。
在上述具体实施方式的具体内容中，各技术特征可以进行任意不矛盾的组合，为使描述简洁，未对上述各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；例如，实验案例中阈值法的具体数值，仅为当前实验数据下的优选值，并不能认定为对本专利的限制。实际上，任何符合逻辑，不违反技术矛盾的阈值数值，都属于本专利保护范畴。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。例如可以基于实际的要求，可以调节阈值法中的阈值，而不仅限于实施例中的参数。因此无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.基于Landsat时间序列遥感影像的城市更新区域监测方法，其特征在于，包括以下步骤：
获取t2年份和上一年份t1年份的Landsat卫星遥感影像；
通过t1和t2两个年份的Landsat卫星影像计算土地开发指数LDI，通过t1年份的Landsat卫星影像计算植被指数NDVI、水体指数NDWI；
根据土地开发指数LDI通过阈值法提取t2年份基于t1年份的土地开发区域；
根据植被指数NDVI和水体指数NDWI通过阈值法提取t1年份Landsat卫星影像上的植被和水体区域；
对土地开发指数LDI、植被指数NDVI、水体指数NDWI进行叠加分析，从土地开发区域中去除由水体和植被转变而来的区域，即城市扩张区域，保留土地开发区域中由建筑物转变而来的区域，从而筛选出土地开发区域中全部的城市更新区域，即为t1到t2年份的城市更新区域；
针对提取的城市更新区域通过滤波降噪算法去除/降低噪声、保持边界平滑，得到t1到t2年份的最终城市更新区域；
土地开发指数LDI通过以下子步骤进行计算：
根据t1年份Landsat卫星影像中的红光波段和蓝光波段计算t1年份的城市待建用地指数CLIt1；
根据t2年份的Landsat卫星影像中的红光波段和蓝光波段计算t2年份的城市待建用地指数CLIt2；
根据待建用地指数CLIt2和待建用地指数CLIt1计算土地开发指数LDI；
待建用地指数CLI进行如下计算：
Figure FDA0002606199370000011
其中，Red表示Landsat卫星影像中的红光波段；Blue表示Landsat卫星影像中的蓝光波段；
土地开发指数LDI进行如下计算：
Figure FDA0002606199370000012
2.根据权利要求1所述的城市更新区域监测方法，其特征在于，根据土地开发指数LDI通过阈值法提取t2年份基于t1年份的土地开发区域包括以下内容：
若LDI≥α，则定义为土地开发区域，参数α是阈值。
3.根据权利要求1或2所述的城市更新区域监测方法，其特征在于，植被指数NDVI进行如下计算：
Figure FDA0002606199370000021
其中，NIR表示t1年份Landsat卫星影像中的近红外波段，Red表示t1年份Landsat卫星影像中的红光波段。
4.根据权利要求3所述的城市更新区域监测方法，其特征在于，植被区域通过以下内容进行判定：
若NDVI≥β，则定义为植被区域；
若NDVI＜β，则定义为非植被区域；
参数β是阈值。
5.根据权利要求1、2或4所述的城市更新区域监测方法，其特征在于，水体指数NDWI进行如下计算：
Figure FDA0002606199370000022
其中，Green表示t1年份Landsat卫星影像中的绿光波段，MIR表示t1年份Landsat卫星影像中的中红外波段。
6.根据权利要求5所述的城市更新区域监测方法，其特征在于，水体区域通过以下内容进行判定:
若NDWI≥γ，则定义为水体区域；
若NDWI＜γ，则定义为非水体区域；
γ是阈值。
7.根据权利要求6所述的城市更新区域监测方法，其特征在于，t1到t2年份的初步城市更新区域通过以下内容进行判定:
LDI≥α
NDVI＜β
NDWI＜γ，
若满足上述全部条件，则土地开发区域定义为城市更新区域；
若否，则土地开发区域定义为未发生城市更新的区域。
CN201911422273.4A 2019-12-31 2019-12-31 基于Landsat时间序列遥感影像的城市更新区域监测方法 Active CN111062368B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911422273.4A CN111062368B (zh) 2019-12-31 2019-12-31 基于Landsat时间序列遥感影像的城市更新区域监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911422273.4A CN111062368B (zh) 2019-12-31 2019-12-31 基于Landsat时间序列遥感影像的城市更新区域监测方法

Publications (2)

Publication Number Publication Date
CN111062368A CN111062368A (zh) 2020-04-24
CN111062368B true CN111062368B (zh) 2020-09-11

Family

ID=70306115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911422273.4A Active CN111062368B (zh) 2019-12-31 2019-12-31 基于Landsat时间序列遥感影像的城市更新区域监测方法

Country Status (1)

Country Link
CN (1) CN111062368B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597949B (zh) * 2020-05-12 2023-04-11 中国科学院城市环境研究所 一种基于npp-viirs夜间灯光数据的城市建成区提取方法
CN112179294A (zh) * 2020-09-21 2021-01-05 杭州星网测绘技术有限公司 一种土地校对方法、装置以及系统
CN112270291B (zh) * 2020-11-11 2021-09-07 中山大学 一种基于多源光学遥感图像的违法建设用地开发自动检测方法
CN112818923A (zh) * 2021-02-25 2021-05-18 中国科学院地理科学与资源研究所 一种城市群居住空间建成时间识别方法
CN113343180B (zh) * 2021-06-17 2022-02-01 北京市环境保护科学研究院 一种植被生态环境突变监测方法及其系统
CN113780232B (zh) * 2021-09-23 2024-02-02 中国科学院东北地理与农业生态研究所 一种城市湿地动态监测方法
CN114022413B (zh) * 2021-10-14 2023-03-24 中山大学 一种生产建设用地的高频次全自动遥感监测方法
CN118096471B (zh) * 2024-04-19 2024-08-30 佛山市城市规划设计研究院有限公司 一种城市更新历史项目的检测评估系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650689A (zh) * 2016-12-30 2017-05-10 厦门理工学院 一种沿海城市时间序列土地利用信息提取方法
CN107194857A (zh) * 2017-05-23 2017-09-22 国家地理空间信息中心 基于高分卫星遥感数据的可利用土地资源分析系统
CN107463775A (zh) * 2017-07-24 2017-12-12 福州大学 基于多遥感指数变化趋势的植被流失去向识别方法
CN110210438A (zh) * 2019-06-10 2019-09-06 南京林业大学 北方土石山区水土流失监测土地利用/覆盖分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521273B (zh) * 2011-11-23 2013-06-19 中国科学院地理科学与资源研究所 一种高分辨率遥感的多功能城市用地空间信息生成方法
CN107064932A (zh) * 2017-02-28 2017-08-18 华南农业大学 一种基于时间序列sar遥感影像的建设用地变化检测方法
CN107292484A (zh) * 2017-05-02 2017-10-24 深圳市数字城市工程研究中心 基于城市空间大数据的城市再开发土地识别方法及系统
CN108776360A (zh) * 2018-06-13 2018-11-09 华南农业大学 一种城市热岛强度动态变化监测的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650689A (zh) * 2016-12-30 2017-05-10 厦门理工学院 一种沿海城市时间序列土地利用信息提取方法
CN107194857A (zh) * 2017-05-23 2017-09-22 国家地理空间信息中心 基于高分卫星遥感数据的可利用土地资源分析系统
CN107463775A (zh) * 2017-07-24 2017-12-12 福州大学 基于多遥感指数变化趋势的植被流失去向识别方法
CN110210438A (zh) * 2019-06-10 2019-09-06 南京林业大学 北方土石山区水土流失监测土地利用/覆盖分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于谱间特征和归一化指数分析的城市建筑用地信息提取;徐涵秋;《地理研究》;20050425;第24卷(第2期);311-321 *
安徽省淮北市城市空间增长边界划定与研究;张志赟;《中国优秀硕士学位论文全文数据库_基础科学辑》;20190415;第15页第4段、第31-32页第3.2.1节、第42-53页第4.1-4.2节、图4-1、表4-2、表4-3 *
岩溶区典型采矿迹地遥感监测方法对比研究;岩溶区典型采矿迹地遥感监测方法对比研究;《中国优秀硕士学位论文全文数据库_工程科技Ⅰ辑》;20170615;第21-25页第3.1-3.3节 *
张志赟.安徽省淮北市城市空间增长边界划定与研究.《中国优秀硕士学位论文全文数据库_基础科学辑》.2019,A008-83. *

Also Published As

Publication number Publication date
CN111062368A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111062368B (zh) 基于Landsat时间序列遥感影像的城市更新区域监测方法
Li et al. A 30-year (1984–2013) record of annual urban dynamics of Beijing City derived from Landsat data
Zhang et al. Urban built-up land change detection with road density and spectral information from multi-temporal Landsat TM data
Zhou et al. Individual tree parameters estimation for plantation forests based on UAV oblique photography
CN108197583A (zh) 基于图割优化和影像结构特征的建筑物变化检测方法
CN104408463B (zh) 一种高分辨率建设用地图斑识别方法
Jing et al. A novel approach for quantifying high-frequency urban land cover changes at the block level with scarce clear-sky Landsat observations
CN113033670A (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
Wang et al. Urban development analysis using built-up area maps based on multiple high-resolution satellite data
CN104899562A (zh) 基于纹理分割融合的雷达遥感影像人工建筑识别算法
Lu et al. Regional assessment of pan-Pacific urban environments over 25 years using annual gap free Landsat data
CN113780307A (zh) 一种区域年度最大蓝绿空间信息提取方法
Hamada et al. Mapping ephemeral stream networks in desert environments using very-high-spatial-resolution multispectral remote sensing
CN116486031A (zh) 时序遥感数据与地理大数据融合的城市更新区域识别方法
CN115294460A (zh) 雷竹林退化程度确定方法、介质和电子设备
CN107657246B (zh) 一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法
Chen et al. Fractional monitoring of desert vegetation degradation, recovery, and greening using optimized multi-endmembers spectral mixture analysis in a dryland basin of Northwest China
Mustafa et al. RETRACTED: Water surface area detection using remote sensing temporal data processed using MATLAB
Bi et al. Delineation water of pearl river basin using Landsat images from Google Earth Engine
CN117171533A (zh) 一种地理测绘作业数据实时采集处理方法及系统
Yang et al. Urban roads network detection from high resolution remote sensing
Weng Remote sensing of urban biophysical environments
CN116665070A (zh) 融合跳跃网络与Mask R-CNN模型的梯田遥感识别方法
CN114241333B (zh) 一种基于多源时序遥感影像精准识别新生滑坡区域的方法
CN114973018A (zh) 一种人类活动对植被覆盖变化的定量分析方法

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