CN111125277B - 一种基于立方体技术的Landsat遥感植被指数修复方法 - Google Patents
一种基于立方体技术的Landsat遥感植被指数修复方法 Download PDFInfo
- Publication number
- CN111125277B CN111125277B CN201911112996.4A CN201911112996A CN111125277B CN 111125277 B CN111125277 B CN 111125277B CN 201911112996 A CN201911112996 A CN 201911112996A CN 111125277 B CN111125277 B CN 111125277B
- Authority
- CN
- China
- Prior art keywords
- product
- ndvi
- landsat
- data
- month
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于立方体技术的Landsat遥感植被指数修复方法,该方法首先对每个自然月内的Landsat数据计算成NDVI产品,并以月为单位采用最大合成法,将计算得到的Landsat NDVI轨道产品在同一自然月内的全部数据合成为一期月产品,该产品分辨率为30m,简称L30产品;然后,使用MODIS 250米分辨率16天NDVI产品,以月为单位采用最大合成法,合成NDVI月产品,简称M250产品,最后使用M250数据对L30数据进行修补。本发明方法能够修复由于云造成的Landsat数据缺失问题,采用基于前后一定时间周期内的Landsat NDVI有效数据,配合MODIS NDVI产品进行无效区域的估计和修补。
Description
技术领域
本发明属于环境如植被监测领域,具体涉及一种基于立方体技术的Landsat遥感植被指数修复方法。
背景技术
卫星遥感在进行地表植被监测上具有覆盖范围广的特点,其中NDVI产品被广泛用于评价植被健康状况与长势等信息。Landsat系列卫星遥感影像具有30m空间分辨率,具有红光与近红外波段,适合于对地表植被情况进行检测。Landsat卫星的重访周期为16天,每个月对同一地理位置一般可以观测两次。这两次观测难免会受到云的影响,而有云覆盖的区域是无法获取地表有效信息的。因此当制作逐月的Landsat NDVI序列时由于云造成的数据缺失十分严重,这个序列产品难以直接使用。
为了修复由于云造成的Landsat数据缺失问题,本发明方法采用基于前后一定时间周期内的Landsat NDVI有效数据,配合MODIS NDVI产品进行无效区域的估计和修补。
发明内容
针对上述问题,本发明提供一种基于立方体技术的Landsat遥感植被指数修复方法,该方法基于前后一定时间周期内的Landsat NDVI有效数据,配合MODIS NDVI产品进行无效区域的估计和修补。
因此,本发明提供的一种基于立方体技术的Landsat遥感植被指数修复方法,首先对每个自然月内的Landsat数据计算成NDVI产品,并以月为单位采用最大合成法,将计算得到的Landsat NDVI轨道产品在同一自然月内的全部数据合成为一期月产品,该产品分辨率为30m,简称L30产品;然后,使用MODIS 250米分辨率 16天NDVI产品,以月为单位采用最大合成法,合成NDVI月产品,简称M250产品,最后使用M250数据对L30数据进行修补。
本发明所述的方法依次包括Landsat轨道NDVI产品处理流程、Landsat NDVI原数据月合成产品处理流程、MODIS 250m NDVI 16天产品处理流程、MODIS 250m NDVI月合成产品处理流程、Landsat NDVI数据立方体修补处理流程;其中,
所述Landsat轨道NDVI产品处理流程如下:
(1)将原始Landsat T1轨道数据产品解压缩,形成geoTiff格式的波段数据和质量控制码文件;
(2)计算轨道NDVI产品;
(3)对NDVI产品进行质量控制,对于云阴影和云象元使用无效值替换;
(4)对NDVI产品进行投影变换;
(5)NDVI产品以GeoTiff格式文件保存,产品信息入库;
所述Landsat NDVI原数据月合成产品处理流程如下:
(1)查询Landsat NDVI月产品数据库是否有某一月份产品;
(2)从数据库读取该月份全部轨道NDVI产品文件信息;
(3)进行数据拼接,重叠区域使用最大值合成;
(4)月合成产品保存为GeoTiff格式,产品信息入库;
所述MODIS 250m NDVI 16天产品处理流程如下:
(1)获取MOD13Q1 NDVI 250m 16天产品原始HDF分片数据文件;
(2)检查覆盖中国区的分片数据是否完整;
(3)对分片数据进行质量控制;
(4)将分片数据拼接到一个整个影像上面;
(5)投影变换为Albers投影坐标系;
(6)形成MODIS 16天NDVI产品,产品信息入库;
所述MODIS 250m NDVI月合成产品处理流程如下:
(1)以自然月为时间区间,获取某个自然月全部MODIS 16天产品;
(2)使用最大值合成将16天产品合成为月产品;
(3)月产品保存为GeoTiff格式,产品信息入库;
所述Landsat NDVI数据立方体修补处理流程如下:
(1)查看数据获取没有进行过数据修补的Landsat月产品;
(2)针对该Landsat月产品进行逐像素判断是否无效值;
(3)对于无效值像素,查看同期MODIS月产品是否有效,如果MODIS月产品是有效值则进入数据立方体填充步骤,否则将新生成的结果影像该像素位置填充为无效值;
(4)获取前后各12期的Landsat和MODIS在该像素位置的NDVI值;
(5)找到距离当前月份最近的两组有效值值;
(6)通过MODIS的NDVI计算NDVI相对该月份的变化率;
(7)将变化率应用于Landsat NDVI值,可以估算出该月份两个NDVI值;
(8)计算两个NDVI估计值的平均值,写入到结果影像中;
(9)完成全部像素计算,结果保存为GeoTiff文件,产品信息入库。
本发明具有以下有益效果:
本发明能够解决由于云造成的Landsat数据缺失问题,采用基于前后一定时间周期内的Landsat NDVI有效数据,配合MODIS NDVI产品能够进行无效区域的估计和修补。
修补完成后,能够形成期完整的植被指数图,解决了由于云的影响造成中国区域部分地方无法进行中高分辨率监测地表状况的问题。提高了LANDSAT数据质量,以及该数据在中国区域的应用水平。
附图说明
图1 Landsat轨道NDVI产品处理流程图。
图2 Landsat NDVI原数据月合成产品处理流程图。
图3 MODIS 250m NDVI 16天产品处理流程图。
图4 MODIS 250m NDVI月合成产品处理流程图。
图5 Landsat NDVI数据立方体修补处理流程图。
图6 修补结果图。
图7 2017年4月中国区域的部分数据。
具体实施方式
本发明基于立方体技术的Landsat遥感植被指数修复方法,首先对每个自然月内的Landsat数据计算成NDVI产品,并以月为单位采用最大合成法,将计算得到的LandsatNDVI轨道产品在同一自然月内的全部数据合成为一期月产品,该产品分辨率为30m,简称L30产品;然后,使用MODIS 250米分辨率 16天NDVI产品,以月为单位采用最大合成法,合成NDVI月产品,简称M250产品,最后使用M250数据对L30数据进行修补。
本发明将每个月内的Landsat数据计算成NDVI产品,并以月为单位采用最大合成法,将月内全部的Landsat NDVI轨道产品拼接合成为一期月产品。该产品分辨率为30m(L30产品)。
因为Landsat卫星重访周期为16天,一个月一个区域只能观测两次,而这两次观测较大的概率会被云层覆盖造成地表数据无效。而MODIS卫星,同一区域每天可以重访两次,一个月可以重访60次,所以MODIS的NDVI月合成产品在绝大多数区域都比较完整。
MODIS NDVI产品分为250m、500m和1Km三种分辨率,本发明方法使用分辨率最高的250m数据。250m NDVI产品是16天产品,本发明方法采用以自然月为单位进行最大合成,得到月最大合成NDVI产品(M250产品)。
本发明假设L30和M250产品可以分别代表不同传感器观测到整个月份的植被变化,月内植被变化忽略不计。不同传感器观测的NDVI可能由于光照条件、大气校正处理步骤、地表BRDF、观测时间等条件的差异造成不同,但是本发明方法假设不同传感器观测到的植被变化是一致的。
通过上述假设,针对某一个L30像素为无效NDVI值的像素,定义为A,对应该像素采用最邻近法找到M250的值,定义为B。由于认为L30和M250的NDVI变化是一致的,故将L30产品以自然月顺序排列,尝试依时间顺序,向前和向后找到同一位置距离A时间(用T表示当前月)最近两期的有效值,定义前一期(用T0表示前一月)的值为A0,定义后一期(用T1表示后一月)的值为A1。在M250产品序列中,找到对应A0和A1时间的同一位置的对应值,分别定义为B0和B1。
分别计算B0到B和B1到B的变化百分比。得到r0和r1两个比值(计算公式如下)。这两组公式表示M250在该像素位置前后两个时次相对B的NDVI变化。
将slope0、offset0、slope1和offset1带入下面公式,可以计算出T时刻的L30的估计值A’和A’’。通过计算A’和A’’二者的平均值,得到最终该像素在T时刻的修补NDVI值(Aavg)。
请参见图1至图5,本发明所述的方法依次包括Landsat轨道NDVI产品处理流程、Landsat NDVI原数据月合成产品处理流程、MODIS 250m NDVI 16天产品处理流程、MODIS250m NDVI月合成产品处理流程、Landsat NDVI数据立方体修补处理流程;其中,
所述Landsat轨道NDVI产品处理流程如下:
(1)将原始Landsat T1轨道数据产品解压缩,形成geoTiff格式的波段数据和质量控制码文件;
(2)计算轨道NDVI产品;
(3)对NDVI产品进行质量控制,对于云阴影和云象元使用无效值替换;
(4)对NDVI产品进行投影变换;
(5)NDVI产品以GeoTiff格式文件保存,产品信息入库;
所述Landsat NDVI原数据月合成产品处理流程如下:
(1)查询Landsat NDVI月产品数据库是否有某一月份产品;
(2)从数据库读取该月份全部轨道NDVI产品文件信息;
(3)进行数据拼接,重叠区域使用最大值合成;
(4)月合成产品保存为GeoTiff格式,产品信息入库;
所述MODIS 250m NDVI 16天产品处理流程如下:
(1)获取MOD13Q1 NDVI 250m 16天产品原始HDF分片数据文件;
(2)检查覆盖中国区的分片数据是否完整;
(3)对分片数据进行质量控制;
(4)将分片数据拼接到一个整个影像上面;
(5)投影变换为Albers投影坐标系;
(6)形成MODIS 16天NDVI产品,产品信息入库;
所述MODIS 250m NDVI月合成产品处理流程如下:
(1)以自然月为时间区间,获取某个自然月全部MODIS 16天产品;
(2)使用最大值合成将16天产品合成为月产品;
(3)月产品保存为GeoTiff格式,产品信息入库;
所述Landsat NDVI数据立方体修补处理流程如下:
(1)查看数据获取没有进行过数据修补的Landsat月产品;
(2)针对该Landsat月产品进行逐像素判断是否无效值;
(3)对于无效值像素,查看同期MODIS月产品是否有效,如果MODIS月产品是有效值则进入数据立方体填充步骤,否则将新生成的结果影像该像素位置填充为无效值;
(4)获取前后各12期的Landsat和MODIS在该像素位置的NDVI值;
(5)找到距离当前月份最近的两组有效值值;
(6)通过MODIS的NDVI计算NDVI相对该月份的变化率;
(7)将变化率应用于Landsat NDVI值,可以估算出该月份两个NDVI值;
(8)计算两个NDVI估计值的平均值,写入到结果影像中;
(9)完成全部像素计算,结果保存为GeoTiff文件,产品信息入库。
为了评估本发明方法的修补效果,下面以一个具体的案例进行分析评估。本次案例在空间尺度上选择全国范围,在时间尺度上以2017年1、4、7、10可以代表不同季节的四个月份为例进行修补。
1.数据说明
本案例中使用的Landsat和MODIS源数据说明如下表所示:
卫星类型 | 产品类型 | 空间分辨率(米) | 1月数据量(景) | 4月数据量(景) | 7月数据量(景) | 10月数据量(景) |
Landsat | 轨道数据 | 30 | 1017 | 985 | 1025 | 1017 |
MODIS | 16天NDVI | 250 | 68 | 68 | 68 | 34 |
如果不进行修复,将无法得到我们国家全国范围完整的植被监测,即使拼接成一张全国植被监测图,也有很多地方由于数据质量问题或者云层遮挡,而形成条状的缺陷,监测到的植被状况不完整,这样就无法对全国的植被生长状况及分布状况进行监测评估。
图7是2017年4月的中国区域的几幅遥感影像,从图上可以看出,很多数据有云的遮挡,数据质量不高。如果直接拼接成图的话,就形成了图6 2017年4月landsatNDVI修补前的图。通过立方体算法进行修改后,可以形成图6 2017年4月landsatNDVI修补后的图,图像的完整性和质量得到大幅度提高。
2.修补流程
本案例中,首先对每个自然月内的Landsat数据计算成NDVI产品,并以月为单位采用最大合成法,将计算得到的Landsat NDVI轨道产品在同一自然月内的全部数据合成为一期月产品,该产品分辨率为30m(L30产品)。
然后,使用MODIS 250米分辨率 16天NDVI产品,以月为单位采用最大合成法,合成NDVI月产品(M250产品)。
最后使用M250数据对L30数据进行修补,修补流程如图5所示。
3.修补结果
修补结果如图6所示,通过采取立方体算法对缺失部分区域数据进行填充与修补,对于填充与修补块的合成更准确。且从修复效果上看,利用本文方法填充后的遥感图像在结构一致性上保持较好,在图像的平滑部分和边缘部分均有较理想的效果,满足遥感图像修复中对纹理细节信息要求较高的需求,同时也提高了整幅遥感影像的质量,有利于提高LANDSAT30米数据对我国区域生态环境的监测能力和水平。
Claims (6)
1.一种基于立方体技术的Landsat遥感植被指数修复方法,包括下述步骤:
首先对每个自然月内的Landsat数据计算成NDVI产品,并以月为单位采用最大合成法,将计算得到的Landsat NDVI轨道产品在同一自然月内的全部数据合成为一期月产品,该产品分辨率为30m,简称L30产品;
然后,使用MODIS 250米分辨率 16天NDVI产品,以月为单位采用最大合成法,合成NDVI月产品,简称M250产品,最后使用M250数据对L30数据进行修补;
其中,所述使用M250数据对L30数据进行修补为Landsat NDVI数据立方体修补处理,其流程如下:
(1)查看数据获取没有进行过数据修补的Landsat月产品;
(2)针对该Landsat月产品进行逐像素判断是否无效值;
(3)对于无效值像素,查看同期MODIS月产品是否有效,如果MODIS月产品是有效值则进入数据立方体填充步骤,否则将新生成的结果影像该像素位置填充为无效值;
(4)获取前后各12期的Landsat和MODIS在该像素位置的NDVI值;
(5)找到距离当前月份最近的两组有效值值;
(6)通过MODIS的NDVI计算NDVI相对该月份的变化率;
(7)将变化率应用于Landsat NDVI值,可以估算出该月份两个NDVI值;
(8)计算两个NDVI估计值的平均值,写入到结果影像中;
(9)完成全部像素计算,结果保存为GeoTiff文件,产品信息入库。
2.根据权利要求1所述的方法,其特征在于:
该方法依次包括Landsat轨道NDVI产品处理流程、Landsat NDVI原数据月合成产品处理流程、MODIS 250m NDVI 16天产品处理流程、MODIS 250m NDVI月合成产品处理流程、Landsat NDVI数据立方体修补处理流程。
3.根据权利要求2所述的方法,其特征在于:
所述Landsat轨道NDVI产品处理流程如下:
(1)将原始Landsat T1轨道数据产品解压缩,形成geoTiff格式的波段数据和质量控制码文件;
(2)计算轨道NDVI产品;
(3)对NDVI产品进行质量控制,对于云阴影和云象元使用无效值替换;
(4)对NDVI产品进行投影变换;
(5)NDVI产品以GeoTiff格式文件保存,产品信息入库;
所述Landsat NDVI原数据月合成产品处理流程如下:
(1)查询Landsat NDVI月产品数据库是否有某一月份产品;
(2)从数据库读取该月份全部轨道NDVI产品文件信息;
(3)进行数据拼接,重叠区域使用最大值合成;
(4)月合成产品保存为GeoTiff格式,产品信息入库。
4.根据权利要求2所述的方法,其特征在于:
所述MODIS 250m NDVI 16天产品处理流程如下:
(1)获取MOD13Q1 NDVI 250m 16天产品原始HDF分片数据文件;
(2)检查覆盖中国区的分片数据是否完整;
(3)对分片数据进行质量控制;
(4)将分片数据拼接到一个整个影像上面;
(5)投影变换为Albers投影坐标系;
(6)形成MODIS 16天NDVI产品,产品信息入库。
5.根据权利要求2所述的方法,其特征在于:
所述MODIS 250m NDVI月合成产品处理流程如下:
(1)以自然月为时间区间,获取某个自然月全部MODIS 16天产品;
(2)使用最大值合成将16天产品合成为月产品;
(3)月产品保存为GeoTiff格式,产品信息入库。
6.一种基于立方体技术的Landsat遥感植被指数修复系统,其特征在于:
它包括Landsat轨道NDVI产品处理模块、Landsat NDVI原数据月合成产品处理模块、MODIS 250m NDVI 16天产品处理模块、MODIS 250m NDVI月合成产品处理模块、LandsatNDVI数据立方体修补处理模块;
所述Landsat轨道NDVI产品处理模块执行下述流程:
(1)将原始Landsat T1轨道数据产品解压缩,形成geoTiff格式的波段数据和质量控制码文件;
(2)计算轨道NDVI产品;
(3)对NDVI产品进行质量控制,对于云阴影和云象元使用无效值替换;
(4)对NDVI产品进行投影变换;
(5)NDVI产品以GeoTiff格式文件保存,产品信息入库;
所述Landsat NDVI原数据月合成产品处理模块执行下述流程:
(1)查询Landsat NDVI月产品数据库是否有某一月份产品;
(2)从数据库读取该月份全部轨道NDVI产品文件信息;
(3)进行数据拼接,重叠区域使用最大值合成;
(4)月合成产品保存为GeoTiff格式,产品信息入库;
所述MODIS 250m NDVI 16天产品处理模块执行下述流程:
(1)获取MOD13Q1 NDVI 250m 16天产品原始HDF分片数据文件;
(2)检查覆盖中国区的分片数据是否完整;
(3)对分片数据进行质量控制;
(4)将分片数据拼接到一个整个影像上面;
(5)投影变换为Albers投影坐标系;
(6)形成MODIS 16天NDVI产品,产品信息入库;
所述MODIS 250m NDVI月合成产品处理流程模块执行下述流程:
(1)以自然月为时间区间,获取某个自然月全部MODIS 16天产品;
(2)使用最大值合成将16天产品合成为月产品;
(3)月产品保存为GeoTiff格式,产品信息入库;
所述Landsat NDVI数据立方体修补处理流程模块执行下述流程:
(1)查看数据获取没有进行过数据修补的Landsat月产品;
(2)针对该Landsat月产品进行逐像素判断是否无效值;
(3)对于无效值像素,查看同期MODIS月产品是否有效,如果MODIS月产品是有效值则进入数据立方体填充步骤,否则将新生成的结果影像该像素位置填充为无效值;
(4)获取前后各12期的Landsat和MODIS在该像素位置的NDVI值;
(5)找到距离当前月份最近的两组有效值值;
(6)通过MODIS的NDVI计算NDVI相对该月份的变化率;
(7)将变化率应用于Landsat NDVI值,可以估算出该月份两个NDVI值;
(8)计算两个NDVI估计值的平均值,写入到结果影像中;
(9)完成全部像素计算,结果保存为GeoTiff文件,产品信息入库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112996.4A CN111125277B (zh) | 2019-11-14 | 2019-11-14 | 一种基于立方体技术的Landsat遥感植被指数修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112996.4A CN111125277B (zh) | 2019-11-14 | 2019-11-14 | 一种基于立方体技术的Landsat遥感植被指数修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111125277A CN111125277A (zh) | 2020-05-08 |
CN111125277B true CN111125277B (zh) | 2023-04-11 |
Family
ID=70495612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911112996.4A Active CN111125277B (zh) | 2019-11-14 | 2019-11-14 | 一种基于立方体技术的Landsat遥感植被指数修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125277B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012101249A4 (en) * | 2012-08-17 | 2012-09-20 | Beijing Normal University | Method for Generating High Spatial Resolution NDVI Time Series Data |
WO2019157348A1 (en) * | 2018-02-09 | 2019-08-15 | The Board Of Trustees Of The University Of Illinois | A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617629B (zh) * | 2013-12-13 | 2016-05-04 | 南京大学 | 基于modis遥感影像的高分辨率遥感影像植被指数时间序列校正方法 |
CN103678914A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于卫星遥感数据的高寒草地土壤呼吸估算方法 |
US9824276B2 (en) * | 2014-04-15 | 2017-11-21 | Open Range Consulting | System and method for assessing rangeland |
GB201601660D0 (en) * | 2016-01-29 | 2016-03-16 | Global Surface Intelligence Ltd | System and method for earth observation and analysis |
CN107103584B (zh) * | 2017-04-11 | 2019-06-14 | 北京师范大学 | 一种基于时空加权的生产高时空分辨率ndvi的方法 |
CN107247935B (zh) * | 2017-05-27 | 2020-07-24 | 深圳先进技术研究院 | 深圳海域初级生产力遥感反演方法及系统 |
CN109359264B (zh) * | 2018-05-30 | 2023-06-16 | 深圳先进技术研究院 | 一种基于modis的叶绿素产品降尺度方法及装置 |
CN109033962A (zh) * | 2018-06-22 | 2018-12-18 | 苏州中科天启遥感科技有限公司 | 基于gf-1/wfv数据的月度有效植被指数合成方法 |
CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
-
2019
- 2019-11-14 CN CN201911112996.4A patent/CN111125277B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012101249A4 (en) * | 2012-08-17 | 2012-09-20 | Beijing Normal University | Method for Generating High Spatial Resolution NDVI Time Series Data |
WO2019157348A1 (en) * | 2018-02-09 | 2019-08-15 | The Board Of Trustees Of The University Of Illinois | A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product |
Non-Patent Citations (2)
Title |
---|
R.S. Lunetta."Land-cover characterization and change detection using multitemporal MODIS NDVI data".• 《IEEE Xplore-Analysis of Multi-Temporal Remote Sensing Images》.2005,全文. * |
Xiaojing Li ; ."Innovative NDVI time-series analysis based on multispectral images for detecting small scale vegetation cover change".《2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS》 .2014,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111125277A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Henriksen et al. | Extracting accurate and precise topography from LROC narrow angle camera stereo observations | |
Petit et al. | Integration of multi-source remote sensing data for land cover change detection | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
Chen et al. | Assessment of the image misregistration effects on object-based change detection | |
Dong et al. | Decrease in the residents’ accessibility of summer cooling services due to green space loss in Chinese cities | |
Nemmaoui et al. | DSM and DTM generation from VHR satellite stereo imagery over plastic covered greenhouse areas | |
CN114092835B (zh) | 基于不同时空分辨率的归一化植被指数数据时空融合方法 | |
CN110569797B (zh) | 地球静止轨道卫星影像山火检测方法、系统及其存储介质 | |
CN114022783A (zh) | 基于卫星图像的水土保持生态功能遥感监测方法和装置 | |
CN108230326A (zh) | 基于gpu-cpu协同的卫星影像拉花变形快速检测方法 | |
Liu et al. | Robust radiometric normalization of multitemporal satellite images via block adjustment without master images | |
CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及系统 | |
Cihlar et al. | From need to product: a methodology for completing a land cover map of Canada with Landsat data | |
CN111125277B (zh) | 一种基于立方体技术的Landsat遥感植被指数修复方法 | |
CN117274798B (zh) | 基于正则化的时序变分模型的遥感水稻识别方法 | |
CN108985154B (zh) | 基于影像聚集度的小尺寸地物亚像元定位方法和系统 | |
Hoegner et al. | Thermal leakage detection on building facades using infrared textures generated by mobile mapping | |
Qin et al. | Quality assessment of image matchers for DSM generation--a comparative study based on UAV images | |
Baltsavias et al. | Automated road extraction and updating using the ATOMI system performance comparison between aerial film, ADS40, Ikonos and Quickbird orthoimagery | |
Khamis et al. | Assessing the urban encroachment phenomenon in Egypt using satellite imagery | |
Fallah et al. | Intensifying the spatial resolution of 3D thermal models from aerial imagery using deep learning-based image super-resolution | |
Chen et al. | Urban-Rural Fringe Recognition with the Integration of Optical and Nighttime Lights Data | |
CN111127525A (zh) | 带约束点集配准的增量式农田边界精度校准方法及装置 | |
Torma et al. | Sentinel-2 Images and Finnish Corine Land Cover Classification | |
CN117592002B (zh) | 一种初生对流的判识方法及装置 |
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 |