CN111144340A - 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 - Google Patents
基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 Download PDFInfo
- Publication number
- CN111144340A CN111144340A CN201911393612.0A CN201911393612A CN111144340A CN 111144340 A CN111144340 A CN 111144340A CN 201911393612 A CN201911393612 A CN 201911393612A CN 111144340 A CN111144340 A CN 111144340A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- light
- module
- night light
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 2
- 238000011161 development Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
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
- G06V20/13—Satellite images
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法，包括以下步骤：获取同一光源在不同时间的夜间灯光影像；对所有的夜间灯光影像进行联合分割，对同一光源在不同时间内产生的灯光区域归属为同一图像对象；提取所有的图像对象的属性；从图像对象中提取夜间灯光斑块图像；根据得到的夜间灯光区域对高分辨率遥感影像进行剪裁，剪裁后的遥感影像和灯光斑块图像范围相同；对与灯光斑块对应的高分辨遥感影像进行检测、分析，自动提取人类活动信息。本发明还公开了基于上述方法所对应的自然保护区人类活动自动监测系统，包括图像获取模块、图像分割模块、属性提取模块、灯光斑块提取模块、剪裁模块、分析模块。
Description
技术领域
本发明涉及遥感监测技术领域，更具体地，涉及基于夜间灯光及高分辨率遥 感影像的自然保护区人类活动自动监测方法及系统。
背景技术
近几十年来，自然保护与经济开发之间的矛盾日益突出，涉及自然保护区的 各类开发建设项目等人类活动呈逐年增长趋势，破坏了人与自然的和谐。随着对 地观测技术的发展，低成本、大范围及周期性的自然保护区监测成为可能。目前 针对自然保护区内人类活动的监测，主要采用的是人工目视解译高空间分辨率光 学遥感影像的方法，虽然取得了较好的监测效果，但存在两个主要问题。第一， 由于高分辨率遥感影像通常覆盖范围小、数据量大、自动化解译程度不高，开展 大范围监测需要耗费大量的人力和时间成本。例如环保部2016年开展的全国国 家级自然保护区监测，一共处理和解译了4013景2米和大量亚米级的高分辨率 卫星影像，工作量巨大。第二，当某些人类活动停止之后，原始的土地覆盖可能 不会立即得到恢复。利用高分辨率遥感影像很难区分正在进行的人类活动(如正 在开采的矿区，对环境正在产生破坏)和已经停止的人类活动(如已经关停的矿 区，对环境的破坏已经停止)，从而不利于评估人类活动对环境的影响和治理措 施的有效性。
发明内容
为克服上述现有技术与方法的不足，本发明提出了基于夜间灯光及高分辨率 遥感影像的自然保护区人类活动自动监测方法及系统。本发明利用夜间灯光遥感 影像可以锁定人类活动的大概范围(灯光斑块范围)，然后只需解译相应范围的 高分辨率遥感影像，便可获取人类活动的具体信息。
为解决上述技术问题，本发明的技术方案如下：
基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法，包 括以下步骤：
获取同一光源在不同时间的夜间灯光影像；
对所有的夜间灯光图像进行联合分割，对同一光源在不同时间内产生的灯光 区域归属为相同的图像对象，便于之后的变化检测；
提取所有的图像对象的属性；
从图像对象中提取夜间灯光斑块图像；
根据灯光区域图像对遥感影像进行剪裁，剪裁后的遥感影像和灯光斑块图像 范围相同；
通过对裁剪后的高分辨率遥感影像进行检测、分析，结合夜间灯光区域，得 到人类活动信息。
与现有的自然保护区人类活动遥感监测方法相比，本发明能够检测正在进行 的人类活动，同时避免了对大范围高分辨率遥感影像的收集、处理和解译，显著 降低了监测成本、提高了监测效率；
与现有的人工目视解译法相比，本发明能够自动从高分辨率遥感影像中检测 人类活动的数量、类型和面积，避免了大量的人工目视解译工作，从而显著降低 监测成本、提高监测效率。
在一种优选的方案中，所述的“对所有的夜间灯光图像进行联合分割”包括 以下内容：
通过多尺度分割算法对所有夜间灯光图像进行联合分割。
在一种优选的方案中，所述的“提取所有的图像对象的属性”包括以下内容：
通过eCognition软件提取所有的图像对象的属性。
本优选方案中，相比背景噪音(如地表反射月光导致的噪音，如图2所示)， 人类活动导致的灯光斑块一般面积很小，并且与周围背景有较高的对比度，利用 这些几何和空间关系等属性有望提高人类活动灯光的提取精度。
在一种优选的方案中，所述的“通过多尺度分割算法对所有的夜间灯光图像 进行联合分割”通过eCognition软件实现。
在一种优选的方案中，所述的“从图像对象中提取灯光斑块图像”包括以下 内容：
通过随机森林算法(Random Forest)从图像对象中提取灯光斑块图像。
传统的阈值法提取灯光斑块图像存在以下问题，第一，自然保护区内很多人 类活动产生的灯光强度较弱、范围较小，很容易与背景噪音混淆，可能导致无法 被阈值法准确提取。第二，由于遥感成像时大气环境或地表环境的变化，同一光 源不同日期产生的灯光区域可能会有一定差异，给不同时间的夜间灯光数据比较 带来一定误差。通过面向对象的随机森林算法，不仅可以充分提取和利用灯光斑 块图像的属性，还能够减少无关属性和冗余属性的影响，从而提高自然保护区人 类活动灯光的提取精度。
在一种优选的方案中，所述的“对剪裁后的遥感影像进行分析”包括以下内 容：
通过目标检测算法对剪裁后的遥感影像进行分析。
在一种优选的方案中，所述的目标检测算法是Mask RCNN算法。
本优选的方案中，Mask RCNN算法是目前精度最高的目标检测算法之一。
在一种优选的方案中，所述的属性包括像素平均值、纹理、形状和空间关系。
本发明还公开了基于上述方法的一种基于夜间灯光及高分辨率遥感影像的 自然保护区人类活动自动监测系统，包括图像获取模块、图像分割模块、属性提 取模块、灯光斑块提取模块、剪裁模块、分析模块，其中，
所述的图像获取模块用于获取指定光源在不同时间的夜间灯光图像；
所述的图像分割模块用于将夜间灯光图像进行联合分割，得到图像对象；
所述的属性提取模块提取图像对象中的属性；
所述的灯光斑块提取模块用于从图像对象中提取灯光斑块图像；
所述的剪裁模块将遥感图像进行剪裁，使得剪裁后的遥感影像和灯光斑块图 像范围相同；
所述的分析模块对图像对象的属性和剪裁后的遥感影像进行分析，得到人类 活动的数据。
在一种优选的方案中，所述的图像分割模块是多尺度分割算法。
在一种优选的方案中，所述的分析模块是Mask RCNN算法。
与现有技术相比，本发明技术方案的有益效果是：
1、与现有的自然保护区人类活动遥感监测方法相比，本发明能够检测正在 进行的人类活动，同时避免了对大范围高分辨率遥感影像的收集、处理和解译， 显著降低了监测成本、提高了监测效率；
2、与现有的人工目视解译法相比，本发明能够自动从高分辨率遥感影像中 检测人类活动的数量、类型和面积，避免了大量的人工目视解译工作，从而显著 降低监测成本、提高监测效率。
附图说明
图1为实施例的流程图；
图2为人类活动产生的灯光区域和地表反射月光导致的背景噪音对比图；
图3为基于Mask RCNN的灯光斑块内人类活动自动检测方法流程图；
图4为实施例的灯光斑块的提取示意图；
图5为实施例中基于Mask RCNN算法后得到的活动检测结果示意图；
图6为实施例中人类活动变化示意图。
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
如图1和图3所示，基于夜间灯光及高分辨率遥感影像的自然保护区人类活 动自动监测方法，包括以下步骤：
获取同一光源在不同时间的夜间灯光影像；
通过多尺度图像分割算法对所有的夜间灯光图像进行联合分割，对同一光源 在不同时间内产生的灯光区域归属为相同的图像对象；
通过多尺度图像分割算法提取所有的图像对象的属性像素平均值、纹理、形 状和空间关系等属性；
通过随机森林算法从图像对象中提取夜间灯光斑块图像；
根据夜间灯光区域对高分辨率遥感影像进行剪裁，剪裁后的遥感影像和灯光 斑块图像范围相同；
利用Mask RCNN算法对剪裁后的高分辨率遥感影像进行检测、分析，结合 夜间灯光区域得到人类活动信息。
基于上述方法的自然保护区人类活动自动监测系统，包括图像获取模块、eCognition软件模块、灯光斑块提取模块、剪裁模块、Mask RCNN算法模块，其 中，
图像获取模块用于获取指定光源在不同时间的夜间灯光图像；
eCognition软件模块用于将夜间灯光图像进行联合分割，得到图像对象，并 提取图像对象中的属性；
灯光斑块提取模块用于从图像对象中提取灯光斑块图像；
剪裁模块将遥感图像进行剪裁，使得剪裁后的遥感影像和灯光斑块图像范围 相同；
Mask RCNN算法模块对图像对象的属性和剪裁后的遥感影像进行分析，得到 人类活动的数据。
测试环境：
研究区域为祁连山国家级自然保护区，它位于中国甘肃青藏高原的东北边 缘。祁连山国家级自然保护区是中国最重要的保护区之一，它为河西走廊内的农 业灌溉提供支持，并保持了阿拉善高地的生态生存能力。保护区总面积约为 37696.28km2，海拔在海拔2200至4800米之间变化。近年来，各种各样的人类 活动，如矿产资源的过度开发，水电设施的建设等，对保护区环境造成了严重破 坏，导致了一系列环境问题。2017年2月12日至3月3日，中央政府成立的专 职监督小组对祁连山国家级自然保护区的人类活动进行了全面检查，关闭了许多 矿山，工厂和水力发电厂。利用本实施例，对祁连山国家级自然保护区内的人类 活动变化进行监测。
数据来源：
1)VIIRS夜间灯光数据
本实施例使用了VIIRS夜间灯光数据来监测祁连山国家级自然保护区内的人 类活动变化。VIIRS的空间分辨率为742米，其辐射探测范围为3×10-9W·cm-2·sr-1至0.02W·cm-2·sr-1。VIIRS可以在较小的时间间隔内分辨弱光，测得的光谱响 应为全宽度的505-890纳米。VIIRS夜间灯光数据产品包括每月和每年的复合数 据，这些数据是由美国国家海洋与大气管理局的国家地球科学数据中心(National Oceanic and AtmosphericAdministration,NOAA)制作的。本研究采用2012、2014、 和2017年12月获取的VIIRS数据来监测保护区内的人类活动变化。
(2)Google Earth高分辨率遥感图像
使用VIIRS图像检测到保护区内灯光斑块后，使用Google Earth高分辨率遥 感影像来定位和识别这些区域内人类活动的类型。Google Earth是一个免费程序， 允许用户查看全球范围的空间分辨率小于1m的多时相卫星遥感图像。Google Earth提供的高分辨率遥感图像可以提供足够的细节，用于识别不同类型的人类 活动。
测试过程及结果：
(1)随机森林人类活动灯光的提取
首先，对不同时间获取的夜间灯光影像进行联合分割，使同一光源不同时间 产生的灯光区域归属同一图像对象，便于之后的变化检测。然后，充分提取图像 对象的灯光强度、纹理、面积、形状、与相邻对象之间关系等属性。相比背景噪 音，人类活动导致的灯光斑块一般面积很小，并且与周围背景有较高的对比度， 利用这些几何和空间关系等属性可以提高人类活动灯光的提取精度。最后，使用 随机森林算法，减少冗余和无关属性的影响，实现了灯光和背景的最佳分类效果。 图4展示了灯光斑块的提取结果，提取精度高达96.17％；
(2)基于深度学习的人类活动检测算法
提取出自然保护区内夜间灯光斑块后，为确定斑块范围内的人类活动的数 量、类型和面积，需要开展基于高分辨遥感影像的辅助分析。首先，利用提取出 的灯光斑块，对高分辨率遥感影像进行剪切，使其覆盖范围与灯光斑块范围一致。 而后，利用Mask RCNN算法从裁剪后的高分辨率遥感影像中检测人类活动，自 动获取人类活动的数量、类型和面积信息。图5展示了基于深度学习的人类活动 检测结果。
(3)祁连山国家自然保护区内的人类活动变化
利用VIIRS夜间灯光和Google Earth高分辨率遥感影像，监测了祁连山国家 自然保护区内的人类活动变化，结果如图6所示。2012年至2017年间，保护区 内共检测到148个灯光斑块。这些斑块主要由采矿、水力发电、工厂、建设活动 导致。83.11％的人类活动位于保护区的实验区。2012年至2017年间，人类活动 引起的灯光斑块数量持续减少，其中2017年人类活动减少的最为明显。采矿、 工厂和水力发电引起的灯光斑块减少了63.83％。结果表明针对人类活动的治理 工作取得了显著的效果。
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；
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。例如目标检测算法不仅限于实 施例的Mask RCNN算法，还可以是其他的算法。同理，面向对象的算法也不仅 仅是随机森林算法，也可以是其他的算法。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 (10)
1.基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法，其特征在于，包括以下步骤：
获取同一光源在不同时间的夜间灯光影像；
对所有的夜间灯光图像进行联合分割，对同一光源在不同时间内产生的灯光区域归属为同一图像对象；
提取所有的图像对象的属性；
从图像对象中提取夜间灯光区域；
根据灯光区域图像对高分辨率遥感影像进行剪裁，剪裁后的遥感影像和灯光斑块图像范围相同；
通过对裁剪后的高分辨率遥感影像进行检测、分析，结合夜间灯光区域，得到人类活动信息。
2.根据权利要求1所述的自然保护区人类活动自动监测方法，其特征在于，所述的“对所有的夜间灯光图像进行联合分割”包括以下内容：
通过多尺度图像分割算法对所有的夜间灯光图像进行联合分割。
3.根据权利要求2所述的自然保护区人类活动自动监测方法，其特征在于，所述的“通过多尺度图像分割算法对所有的夜间灯光图像进行联合分割”通过多尺度分割算法实现。
4.根据权利要求1至3中任一权利要求所述的自然保护区人类活动自动监测方法，其特征在于，所述的“从图像对象中提取灯光斑块图像”包括以下内容：
通过随机森林算法从图像对象中提取夜间灯光斑块图像。
5.根据权利要求1至3中任一权利要求所述的自然保护区人类活动自动监测方法，其特征在于，所述的“对剪裁后的遥感影像进行分析”包括以下内容：
通过目标检测算法对剪裁后的遥感影像进行分析。
6.根据权利要求5所述的自然保护区人类活动自动监测方法，其特征在于，所述的目标检测算法是Mask RCNN算法。
7.根据权利要求1、2、3或6所述的自然保护区人类活动自动监测方法，其特征在于，所述的属性包括像素平均值、纹理、形状和空间关系。
8.基于权利要求1至7中任一权利要求所述的基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测系统，其特征在于，包括图像获取模块、图像分割模块、属性提取模块、灯光斑块提取模块、剪裁模块、分析模块，其中，
所述的图像获取模块用于获取指定光源在不同时间的夜间灯光图像；
所述的图像分割模块用于将夜间灯光图像进行联合分割，得到图像对象；
所述的属性提取模块提取图像对象中的属性；
所述的灯光斑块提取模块用于从图像对象中提取灯光斑块图像；
所述的剪裁模块将遥感图像进行剪裁，使得剪裁后的遥感影像和灯光斑块图像范围相同；
所述的分析模块对图像对象的属性和剪裁后的遥感影像进行分析，得到人类活动的数据。
9.根据权利要求8所述的自然保护区人类活动自动监测系统，其特征在于，所述的图像分割模块是多尺度分割算法。
10.根据权利要求8所述的自然保护区人类活动自动监测系统，其特征在于，所述的分析模块是Mask RCNN算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911393612.0A CN111144340A (zh) | 2019-12-30 | 2019-12-30 | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911393612.0A CN111144340A (zh) | 2019-12-30 | 2019-12-30 | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111144340A true CN111144340A (zh) | 2020-05-12 |
Family
ID=70521762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911393612.0A Pending CN111144340A (zh) | 2019-12-30 | 2019-12-30 | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144340A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798383A (zh) * | 2020-06-09 | 2020-10-20 | 武汉大学 | 一种高分辨率夜间灯光影像的增强方法 |
| CN113033401A (zh) * | 2021-03-25 | 2021-06-25 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动变化识别监管方法 |
| CN114782255A (zh) * | 2022-06-16 | 2022-07-22 | 武汉大学 | 一种基于语义的夜光遥感影像高分辨率重建方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657739A (zh) * | 2013-11-22 | 2015-05-27 | 中国科学院深圳先进技术研究院 | 一种城市监测方法及系统 |
| CN106156756A (zh) * | 2016-07-28 | 2016-11-23 | 广州地理研究所 | 建设用地效率空间分布的快速估算方法 |
| CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
| CN108399399A (zh) * | 2018-03-23 | 2018-08-14 | 武汉大学 | 一种基于夜光遥感影像的城市范围提取方法 |
| CN108416784A (zh) * | 2018-02-06 | 2018-08-17 | 石家庄铁道大学 | 城市建成区边界快速提取方法、装置及终端设备 |
| CN108629818A (zh) * | 2018-04-27 | 2018-10-09 | 福州大学 | 一种大范围不透水面百分比变化量快速制图技术 |
| CN109522788A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
-
2019
- 2019-12-30 CN CN201911393612.0A patent/CN111144340A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657739A (zh) * | 2013-11-22 | 2015-05-27 | 中国科学院深圳先进技术研究院 | 一种城市监测方法及系统 |
| CN106156756A (zh) * | 2016-07-28 | 2016-11-23 | 广州地理研究所 | 建设用地效率空间分布的快速估算方法 |
| CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
| CN108416784A (zh) * | 2018-02-06 | 2018-08-17 | 石家庄铁道大学 | 城市建成区边界快速提取方法、装置及终端设备 |
| CN108399399A (zh) * | 2018-03-23 | 2018-08-14 | 武汉大学 | 一种基于夜光遥感影像的城市范围提取方法 |
| CN108629818A (zh) * | 2018-04-27 | 2018-10-09 | 福州大学 | 一种大范围不透水面百分比变化量快速制图技术 |
| CN109522788A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 孙凌蔚: ""基于Landsat数据和DMSP/OLS夜间灯光数据的山东省城市扩张探讨"", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798383A (zh) * | 2020-06-09 | 2020-10-20 | 武汉大学 | 一种高分辨率夜间灯光影像的增强方法 |
| CN111798383B (zh) * | 2020-06-09 | 2022-06-14 | 武汉大学 | 一种高分辨率夜间灯光影像的增强方法 |
| CN113033401A (zh) * | 2021-03-25 | 2021-06-25 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动变化识别监管方法 |
| CN113033401B (zh) * | 2021-03-25 | 2022-10-11 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动变化识别监管方法 |
| CN114782255A (zh) * | 2022-06-16 | 2022-07-22 | 武汉大学 | 一种基于语义的夜光遥感影像高分辨率重建方法 |
| CN114782255B (zh) * | 2022-06-16 | 2022-09-02 | 武汉大学 | 一种基于语义的夜光遥感影像高分辨率重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Isikdogan et al. | RivaMap: An automated river analysis and mapping engine | |
| White et al. | Confirmation of post-harvest spectral recovery from Landsat time series using measures of forest cover and height derived from airborne laser scanning data | |
| CN112598881B (zh) | 一种地质灾害监测方法、装置及计算机设备 | |
| CN111144340A (zh) | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 | |
| Chen et al. | Sub-annual tropical forest disturbance monitoring using harmonized Landsat and Sentinel-2 data | |
| Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
| Bitelli et al. | Image change detection on urban area: the earthquake case | |
| CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
| Qu et al. | Post-failure landslide change detection and analysis using optical satellite Sentinel-2 images | |
| CN114612789B (zh) | 一种通过长时序卫星遥感提取常绿森林林分变化的方法 | |
| Ding et al. | Time-series land cover mapping and urban expansion analysis using OpenStreetMap data and remote sensing big data: A case study of Guangdong-Hong Kong-Macao Greater Bay Area, China | |
| Zhou et al. | Comparison of UAV-based LiDAR and digital aerial photogrammetry for measuring crown-level canopy height in the urban environment | |
| Li et al. | Continuous monitoring of nighttime light changes based on daily NASA's Black Marble product suite | |
| CN111551956B (zh) | 基于机载激光雷达的一种地质灾害探测识别方法 | |
| CN104992153A (zh) | 自然保护区人类活动干扰检测方法和系统 | |
| CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
| McGovern et al. | The radiometric normalization of multitemporal Thematic Mapper imagery of the midlands of Ireland-a case study | |
| CN109325522B (zh) | 基于改进kmeans的重工业时序热源区域识别算法 | |
| Zhang et al. | Forest management practices and policies exert strong impacts on the spatio-temporal variations of forest disturbance in Hunan Province, China over the last three decades | |
| Albalawi et al. | Spatio-temporal analysis of land use and land cover changes in arid region of Saudi Arabia | |
| CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
| Ji et al. | Discriminating saltcedar (Tamarix ramosissima) from sparsely distributed cottonwood (Populus euphratica) using a summer season satellite image | |
| Klein et al. | N-dimensional geospatial data and analytics for critical infrastructure risk assessment | |
| CN112907567B (zh) | 基于空间推理方法的sar图像有序人造构筑物提取方法 | |
| Ehrlich et al. | Texture based change detection of built-up on spot panchromatic imagery using PCA |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |