CN111127405B - 基于亚米级高分遥感影像的大型水库水位淹没线提取方法 - Google Patents

基于亚米级高分遥感影像的大型水库水位淹没线提取方法 Download PDF

Info

Publication number
CN111127405B
CN111127405B CN201911248387.1A CN201911248387A CN111127405B CN 111127405 B CN111127405 B CN 111127405B CN 201911248387 A CN201911248387 A CN 201911248387A CN 111127405 B CN111127405 B CN 111127405B
Authority
CN
China
Prior art keywords
image
water
remote sensing
line
mosaic
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
CN201911248387.1A
Other languages
English (en)
Other versions
CN111127405A (zh
Inventor
李治
郑琎琎
傅俏燕
李娅
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.)
China Center for Resource Satellite Data and Applications CRESDA
Original Assignee
China Center for Resource Satellite Data and Applications CRESDA
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 China Center for Resource Satellite Data and Applications CRESDA filed Critical China Center for Resource Satellite Data and Applications CRESDA
Priority to CN201911248387.1A priority Critical patent/CN111127405B/zh
Publication of CN111127405A publication Critical patent/CN111127405A/zh
Application granted granted Critical
Publication of CN111127405B publication Critical patent/CN111127405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于亚米级高分遥感影像的大型水库水位淹没线提取方法，(1)根据覆盖水库区域的遥感影像集重叠区差异度最小原则生成数据镶嵌线，基于镶嵌线构建遥感镶嵌影像；(2)计算归一化水体指数NDWI和归一化植被指数NDVI；(3)采用最近邻的重采样方法将SRTM原始数据重采样为与高分遥感影像分辨率一致的栅格，构建联合特征数据集；(4)对步骤(3)的联合特征数据集进行影像分割，获取特征集对象图斑；(5)采集水体和非水体样本，获取每个区域的水边线的提取结果；(6)对步骤(5)的提取结果，利用经验模型提取水位淹没线。本发明通过构建影像分区，建立各自分区的SVM机器学习模型，解决由于影像成像差异带来的提取精度低的问题。

Description

基于亚米级高分遥感影像的大型水库水位淹没线提取方法
技术领域
本发明属于高分遥感图像处理及信息提取技术领域，涉及基于亚米级高分遥感影像的大型水库水位淹没线提取方法。
背景技术
水库水位淹没线是水库水量控制，上下游水量调节和调度的主要指标依据，具有十分重要的意义和作用。由于大型水库区域范围大，水位淹没线变化速率快且精细程度要求高，传统方法(如：实地勘察和站点监测等)难于满足精度和时效的要求。而随着亚米级国产高分遥感卫星数量的增多且更容易获取，亚米级高分遥感影像具备精细监测、细节信息识别、覆盖范围广、重访周期快等优势，使其成为水库水位淹没线最为理想的数据源。
目前基于遥感的水库水位淹没线提取方法多采用监督分类法或阈值分割法，即通过选择样本进行模型训练或者选择阈值进行图像分割，从而进行水位淹没线提取。然而，由于大型水库范围较大，亚米级国产高分遥感卫星幅宽难于在用一景或者同一时间成像条件下进行覆盖，因此成像差异较大的影像导致全局训练的分类模型或者选择的阈值分割方法，难以获取较为理想的水位淹没线提取结果。当前应用效果较好的方法是基于水体指数计算的方法，这种方法用于抑制阴影噪声的高分遥感影像水体监测有一定的优势，但对于存在时相差异的大区域高分影像来说并不适用，且这种方法需要更多的光谱波段信息，如：黄波段和海岸带波段等。这同样也无法应用于亚米级国产遥感数据中。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提出一种基于亚米级高分遥感影像的大型水库水位淹没线提取方法，采用影像分割方法构建与水体强相关的归一化水体指数NDWI、抑制水体易混分类型的归一化植被指数NDVI和SRTM原始数据，在构建的影像分区内，利用少量样本统计各影像分区特征，从而训练分区式机器学习模型，解决了影像时相差异所导致大区域水体提取精度低的问题。
本发明解决技术的方案是：
基于亚米级高分遥感影像的大型水库水位淹没线提取方法，该方法的步骤包括：
(1)根据覆盖水库区域的遥感影像集重叠区差异度最小原则生成数据镶嵌线，基于镶嵌线构建遥感镶嵌影像；
(2)计算归一化水体指数NDWI和归一化植被指数NDVI；
(3)采用最近邻的重采样方法将SRTM原始数据重采样为与高分遥感影像分辨率一致的栅格，与步骤(1)的遥感镶嵌影像、步骤(2)的归一化水体指数NDWI和归一化植被指数NDVI波段合成，构建联合特征数据集；
(4)对步骤(3)的联合特征数据集进行影像分割，获取特征集对象图斑；
(5)采集水体和非水体样本，按下式(Ⅰ)对步骤(4)的特征集对象图斑在步骤(1)数据镶嵌线内，独立训练每个区域的SVM机器学习模型，获取每个区域的水边线的提取结果；
分类面：wx+b＝0 (Ⅰ)
优化条件：
s.t.yi((w·xi)+b)+1)≥1-ζi,i＝1,...,l
式中，w为特征集对象图斑法向量，b为特征集对象图斑偏移量，ζ为特征集对象图斑松弛变量，xi为特征集对象图斑，yi为水体与非水体的标注值，C为特征集对象图斑松弛变量的超参数，s.t.为优化条件的限制条件；
(6)对步骤(5)的提取结果，利用经验模型提取水位淹没线。
进一步的，步骤(1)中根据覆盖水库区域遥感影像集的重叠区生成数据镶嵌线，基于镶嵌线构建遥感镶嵌影像具体方法为：
(1.1)根据遥感影像集的重叠区生成数据镶嵌线；
(1.2)根据步骤(1.1)生成的数据镶嵌线，对遥感影像集进行裁剪；
(1.3)对步骤(1.2)的影像裁剪结果进行镶嵌，构建遥感镶嵌影像。
进一步的，步骤(2)中计算归一化水体指数NDWI和归一化植被指数NDVI的具体方法为：
(2.1)按下式(Ⅱ)计算每一个像素的归一化水体指数NDWI，
其中，G为当前计算影像绿波段的像素值，NIR为当前计算影像近红外波段的像素值；
(2.2)按下式(Ⅲ)计算每一个像素的归一化植被指数NDVI，
其中，NIR为当前计算影像近红外波段的像素值，R为当前计算影像红波段的像素值。
进一步的，步骤(6)中利用经验模型提取水位淹没线的具体方法为：
(6.1)分别合并水体和非水体对象，将水体内的空洞值剔除；
(6.2)剔除细小水体图斑；
(6.3)按照下式(Ⅳ)，对水体对象进行组合运算，优化水边线边界，
式中，f(w)为影像中水体的对象类型，B为结构体，δ膨胀运算，ε为腐蚀运算，r为开运算，φ为闭运算。
(6.4)提取面积最大的水边线作为水库的水位淹没线。
本发明与现有技术相比的有益效果是：
(1)本发明通过构建影像分区，建立各自分区的SVM机器学习模型，解决由于影像成像差异带来的提取精度低的问题；
(2)本发明通过特征提取和影像分割建立的特征集对象，增强不同水质环境下的水体特征显著性；
(3)本发明经验模型，提取大型水库的水位淹没线，在不同影像成像环境条件下，对大型水库水位淹没线的遥感提取具有较好的鲁棒性，在每景影像中，不同水环境条件下具有较好的提取能力。
附图说明
图1为本发明流程图；
图2为本发明具体实施例采用的原始亚米级高分遥感影像；
图3为构建的遥感影像镶嵌线及亚米级高分遥感影像镶嵌结果图；
图4为具体实施例中NDWI特征图；
图5为具体实施例中NDVI特征图；
图6为具体实施例中样本分布图；
图7为具体实施例中的大型水库水边线提取结果图；
图8为具体实施例中大型水库水位淹没线提取结果图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
采用本发明的方法进行处理的原始亚米级高分遥感影像为高景一号遥感卫星数据，其多光谱和全色分辨率分别为2米和0.5米，含有四个波段，分别是蓝波段(0.45-0.52μm),绿波段(0.52-0.59μm),红波段(0.63-0.69μm),近红外波段(0.77-0.89μm)，辐射量化等级为16bit，幅宽12公里，采用pansharpening融合算法获取0.5米融合后的高景一号卫星数据。待提取的目标是小浪底水库的水位淹没线，其覆盖研究区范围共需要17景高景一号卫星数据。如图2所示。
如图1所示，本发明的基于超高分遥感影像的大型水库水位淹没线提取方法的具体步骤如下：
(1)计算每两景遥感影像间的重叠区像素差异度最小，生成数据镶嵌线。采用ArcGIS软件中所提供的构建镶嵌线工具集构建数据镶嵌线。以数据镶嵌线为基础，采用ArcGIS软件中裁剪工具和镶嵌工具对影像数据集进行裁剪与镶嵌，构建镶嵌遥感影像，如图3所示。忽略背景参数设置为0，匀色方式选择无。
(2)按照(a)和(b)分别计算镶嵌遥感影像的归一化水体指数NDWI和归一化植被指数NDVI；结果如图4和图5所示；
其中，G为当前计算影像绿波段的像素值，NIR为当前计算影像近红外波段的像素值，R为当前计算影像红波段的像素值；
(3)采用ENVI软件的重采样工具，将SRTM(30米)数据重采样为0.5米分辨率。并采用ENVI软件的波段合成工具，将重采样的SRTM数据与遥感镶嵌影像、归一化水体指数NDWI和归一化植被指数NDVI波段合成，构建特征数据集；
(4)对步骤(3)的特征数据集进行影像分割，分割算法应用eCognition软件中所提供的Multiresolution Segmention分割算法，计算公式如(c)所示。其中尺度参数设置为40，颜色参数设置为0.2，形状参数设置为0.5，参与分割的特征权重选择遥感影像的蓝波段、绿波段、红波段和近红外波段以及归一化水体指数NDWI和归一化植被指数NDVI特征；
dH＝dHcolorWcolor+dHshapeWshape......(c)
式中，dHcolor和Wcolor分别表示光谱的异质性和其权重；dHshape和Wshape分别代表形状异质性和其权重；dH为分割算法的评价标准。
(5)人工采集少量水体和非水体样本，如图6所示，按下式(d)对步骤(4)的分割对象在步骤(1)数据镶嵌线内，独立训练每个区域的SVM机器学习模型，并对相应分区内的影像进行水体提取，获取水边线提取结果，如图7所示；
分类面：wx+b＝0……(d)
优化条件：
s.t.yi((w·xi)+b)+1)≥1-ζi,i＝1,...,l
式中，w为法向量，b为偏移量，ζ为松弛变量，xi为特征，yi为标注，C为超参数。
(6)对步骤(5)的水边线提取结果进行空洞填充，即将提取的水体和非水体对象分别合并，将水体内的非水体空洞归并为水体类型，合并算法应用eCognition软件中所提供的Find Enclosed by Class合并算法。剔除细小水体图斑，应用ArcGIS软件中所提供的Select by Attributes。按照下式(e)，对水体对象进行组合运算，优化水边线边界，
式中，f(w)为影像中水体的对象类型，B为结构体，δ膨胀运算，ε为腐蚀运算，r为开运算，φ为闭运算。
提取面积最大的水边线作为水库的水位淹没线，如图8所示，提取算法应用eCognition软件中所提供的find domain extrema检索算法。
本发明的方法利用数据镶嵌线进行影像分区，提出了一种分区式机器学习模型集，有效的解决了因影像时相差异导致难于采用统一的分类模型获取大区域较高的水体提取结果问题；在每个影像分区中，由于大型水库的水环境复杂，易于呈现多种水体类型和混分问题，为此，构建了面向对象的水体多特征联合的方式，在抑制混分类型的同时，提升水体特征的显著性；在水库水边线提取的基础上，构建非结构化专家知识，对水边线的几何和属性信息进一步提取，最终实现大型水库的水位淹没线高精度提取。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (2)

1.基于亚米级高分遥感影像的大型水库水位淹没线提取方法，其特征在于，该方法的步骤包括：
(1)根据覆盖水库区域的遥感影像集重叠区差异度最小原则生成数据镶嵌线，基于镶嵌线构建遥感镶嵌影像；
(2)计算归一化水体指数NDWI和归一化植被指数NDVI；
(3)采用最近邻的重采样方法将SRTM原始数据重采样为与高分遥感影像分辨率一致的栅格，与步骤(1)的遥感镶嵌影像、步骤(2)的归一化水体指数NDWI和归一化植被指数NDVI波段合成，构建联合特征数据集；
(4)对步骤(3)的联合特征数据集进行影像分割，获取特征集对象图斑；
(5)采集水体和非水体样本，按下式(Ⅰ)对步骤(4)的特征集对象图斑在步骤(1)数据镶嵌线内，独立训练每个区域的SVM机器学习模型，获取每个区域的水边线的提取结果；
分类面：wx+b＝0 (Ⅰ)
优化条件：
s.t.yi((w·xi)+b)+1)≥1-ζi,i＝1,...,l
式中，w为特征集对象图斑法向量，b为特征集对象图斑偏移量，ζ为特征集对象图斑松弛变量，xi为特征集对象图斑，yi为水体与非水体的标注值，C为特征集对象图斑松弛变量的超参数，s.t.为优化条件的限制条件；
(6)对步骤(5)的提取结果，利用经验模型提取水位淹没线；
步骤(1)中根据覆盖水库区域遥感影像集的重叠区生成数据镶嵌线，基于镶嵌线构建遥感镶嵌影像具体方法为：
(1.1)根据遥感影像集的重叠区生成数据镶嵌线；
(1.2)根据步骤(1.1)生成的数据镶嵌线，对遥感影像集进行裁剪；
(1.3)对步骤(1.2)的影像裁剪结果进行镶嵌，构建遥感镶嵌影像；
步骤(6)中利用经验模型提取水位淹没线的具体方法为：
(6.1)分别合并水体和非水体对象，将水体内的空洞值剔除；
(6.2)剔除细小水体图斑；
(6.3)按照下式(Ⅳ)，对水体对象进行组合运算，优化水边线边界，
rB(f(w))＝δB[εB(f(w))],φB(f(w))＝εB[δB(f(w))]……(Ⅳ)
式中，f(w)为影像中水体的对象类型，B为结构体，δ膨胀运算，ε为腐蚀运算，r为开运算，φ为闭运算；
(6.4)提取面积最大的水边线作为水库的水位淹没线。
2.根据权利要求1所述的基于亚米级高分遥感影像的大型水库水位淹没线提取方法，其特征在于：步骤(2)中计算归一化水体指数NDWI和归一化植被指数NDVI的具体方法为：
(2.1)按下式(Ⅱ)计算每一个像素的归一化水体指数NDWI，
其中，G为当前计算影像绿波段的像素值，NIR为当前计算影像近红外波段的像素值；
(2.2)按下式(Ⅲ)计算每一个像素的归一化植被指数NDVI，
其中，NIR为当前计算影像近红外波段的像素值，R为当前计算影像红波段的像素值。
CN201911248387.1A 2019-12-09 2019-12-09 基于亚米级高分遥感影像的大型水库水位淹没线提取方法 Active CN111127405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911248387.1A CN111127405B (zh) 2019-12-09 2019-12-09 基于亚米级高分遥感影像的大型水库水位淹没线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911248387.1A CN111127405B (zh) 2019-12-09 2019-12-09 基于亚米级高分遥感影像的大型水库水位淹没线提取方法

Publications (2)

Publication Number Publication Date
CN111127405A CN111127405A (zh) 2020-05-08
CN111127405B true CN111127405B (zh) 2023-08-04

Family

ID=70497837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911248387.1A Active CN111127405B (zh) 2019-12-09 2019-12-09 基于亚米级高分遥感影像的大型水库水位淹没线提取方法

Country Status (1)

Country Link
CN (1) CN111127405B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931709B (zh) * 2020-09-17 2021-01-05 航天宏图信息技术股份有限公司 遥感影像的水体提取方法、装置、电子设备及存储介质
CN112784803A (zh) * 2021-02-03 2021-05-11 北华航天工业学院 一种基于连续小波变换的区域尺度农业大棚信息增强方法
CN112945352A (zh) * 2021-02-03 2021-06-11 成都鼎安华智慧物联网股份有限公司 基于遥感数据水位异常信息的提取方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400151A (zh) * 2013-08-16 2013-11-20 武汉大学 一体化的光学遥感影像与gis自动配准与水体提取方法
CN105844709A (zh) * 2016-03-25 2016-08-10 中国水利水电科学研究院 复杂河道地形流域洪水演进虚拟仿真的淹没线追踪方法
JP2017111816A (ja) * 2015-12-15 2017-06-22 株式会社リコー 物体分割方法及び装置
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN208432321U (zh) * 2018-06-21 2019-01-25 天津水运工程勘察设计院 一种闭口法地下水位测量装置
CN109801327A (zh) * 2018-12-21 2019-05-24 杭州电子科技大学 一种基于视频数据的城市内涝积水深度信息提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080277492A1 (en) * 2007-05-11 2008-11-13 Cannon David J Fluid property regulator

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400151A (zh) * 2013-08-16 2013-11-20 武汉大学 一体化的光学遥感影像与gis自动配准与水体提取方法
JP2017111816A (ja) * 2015-12-15 2017-06-22 株式会社リコー 物体分割方法及び装置
CN105844709A (zh) * 2016-03-25 2016-08-10 中国水利水电科学研究院 复杂河道地形流域洪水演进虚拟仿真的淹没线追踪方法
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN208432321U (zh) * 2018-06-21 2019-01-25 天津水运工程勘察设计院 一种闭口法地下水位测量装置
CN109801327A (zh) * 2018-12-21 2019-05-24 杭州电子科技大学 一种基于视频数据的城市内涝积水深度信息提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于面向对象和CART决策树方法的遥感影像湿地变化检测研究――以龙祥岛地区为例;马宇龙等;《福建师范大学学报(自然科学版)》;20171120(第06期);全文 *

Also Published As

Publication number Publication date
CN111127405A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111127405B (zh) 基于亚米级高分遥感影像的大型水库水位淹没线提取方法
CN103971115B (zh) 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法
Li et al. Super-resolution mapping of forests with bitemporal different spatial resolution images based on the spatial-temporal Markov random field
CN108053408B (zh) 一种基于遥感卫星影像的高自动化土地利用更新方法
CN111008664B (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN109409265B (zh) 一种基于陆地资源卫星影像的浮筏养殖区域提取方法
CN110348324A (zh) 一种基于遥感大数据的洪涝实时淹没分析方法及系统
CN112037244B (zh) 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法
Bektas Balcik et al. Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul
CN113837123A (zh) 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法
Wang et al. Mapping of regional soil salinities in Xinjiang and strategies for amelioration and management
Zhu et al. Reducing mis-registration and shadow effects on change detection in wetlands
Al Kuwari et al. Impact of North Gas Field development on landuse/landcover changes at Al Khore, North Qatar, using remote sensing and GIS
CN110276270B (zh) 一种高分辨率遥感影像建筑区提取方法
CN115984689A (zh) 一种多尺度地表复杂性特征提取及其土地利用分割方法
CN116183868A (zh) 一种复杂生态系统土壤有机碳遥感估算方法及系统
Xu et al. Spatiotemporal distribution of cage and raft aquaculture in China's offshore waters using object-oriented random forest classifier
CN114596490A (zh) 丘陵地形特征线提取方法、丘陵地dem精细化生产方法
Li et al. Research on the classification of high resolution image based on object-oriented and class rule
CN116681711B (zh) 一种分区指导下的高分辨率遥感影像多尺度分割方法
Ciaburri et al. Automatic extraction of rivers from satellite images using image processing techniques
Aman et al. Comparative analysis of different methodologies for local climate zone classification
Pamungkas et al. 3D-building reconstruction approach using semi-global matching classified
Zhang et al. Drone-Based Remote Sensing for Research onWind Erosion in Drylands: Possible Applications. Remote Sens. 2021, 13, 283
Liu et al. Fish-pond change detection based on short term time series of RADARSAT images and object-oriented method

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