CN111222536A - 一种基于决策树分类的城市绿色空间信息提取方法 - Google Patents
一种基于决策树分类的城市绿色空间信息提取方法 Download PDFInfo
- Publication number
- CN111222536A CN111222536A CN201911131542.1A CN201911131542A CN111222536A CN 111222536 A CN111222536 A CN 111222536A CN 201911131542 A CN201911131542 A CN 201911131542A CN 111222536 A CN111222536 A CN 111222536A
- Authority
- CN
- China
- Prior art keywords
- image data
- remote sensing
- wave band
- sensing image
- 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.)
- Pending
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 title claims description 24
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000000452 restraining effect Effects 0.000 abstract description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于决策树分类的城市绿色空间信息提取方法,包括:选取研究区域范围;获取遥感影像数据;对遥感影像数据进行预处理;将土地用地类型进行划分;选择训练样本;对遥感影像数据进行波段计算,生成波段计算完成的遥感影像数据,并根据训练样本获得各个土地用地类型的波段计算值;参考各个土地用地类型的波段计算值建立决策树分类规则,对波段计算完成的遥感影像数据进行分类;将分类结果矢量化;绿色空间信息提取。本发明通过影像波段运算和训练样本波段运算,得出波段特征,根据训练样本的波段特征建立决策树分类规则,实现高精度分类;一定程度可以抑制预处理误差,减少噪音干扰等优点,计算效率高等优点,提高分类的精度。
Description
技术领域
本发明涉及生态保护技术领域,尤其涉及一种基于决策树分类的城镇绿色空间提取方法。
背景技术
快速的城市化进程不断加剧了城镇土地利用类型的演变,建设用地的不断增多造成生态资源的侵占与破坏,给自然环境的可持续发展带来阻碍与挑战。城镇绿色空间是城镇区域内生长着植被的所有地域,包括人工植被与自然植被覆盖的山地、丘陵、水体、旷野地等空间的总称,其内涵不仅包括城市内部的各种园林绿地所构成的城市空间,也包括城市郊区的林地、农田和河流水系等空间。城镇绿色空间作为土地利用的重要组成部分,在维持土地资源可持续利用、提高生态环境质量中具有不可或缺的作用。因此,绿色空间越来越成为区域土地利用规划的重要方面,绿色空间的监测与保护成为当今生态网络构建、生态环境治理的重要研究内容。因此,利用“3S”技术及时准确地掌握大尺度绿色空间的状况和变化趋势,进而提出相应的绿地系统保护对策和优化策略,对实现城镇生态环境可持续发展具有重要意义和现实价值。
然而当前对于土地利用分类和城镇绿色空间的信息提取大部分集中于使用监督分类中的最大似然法。最大似然法作为一种基于数理统计的分类算法,具有可以人机互译、易于建立辨别参数等优点。但是由于遥感影像本身受到空间分辨率、训练样本噪音、云层、同物异谱、同谱异物等诸多因素的影响,使用最大似然法得出的分类结果往往精度不能满足需求。而决策树分类方法可以利用多源数据根据地物的不同属性特征,通过简单的数理统计和归纳方法建立分类规则。这种方法具有抑制预处理误差,减少噪音干扰等优点,计算效率高等优点,在一定程度上能提高分类的精度,从而使绿色空间信息的提取更加精确而有效,可实现城镇绿色空间的有效监督、高效管理与及时保护。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足提供一种基于决策树分类的城镇绿色空间提取方法,本基于决策树分类的城镇绿色空间提取方法通过影像波段运算和训练样本波段运算,得出波段特征,根据训练样本的波段特征建立决策树分类规则,实现高精度分类;这种方法运用在大尺度城镇绿色空间提取上,可在一定程度可以抑制预处理误差,减少噪音干扰等优点,计算效率高等优点,提高分类的精度。
为实现上述技术目的,本发明采取的技术方案为:
一种基于决策树分类的城市绿色空间信息提取方法,包括下述步骤:
(1)选取研究区域范围;
(2)获取遥感影像数据;
(3)对遥感影像数据进行预处理;
(4)建立分类体系进而将土地用地类型进行划分;
(5)选择训练样本;
(6)对步骤(3)的遥感影像数据进行波段计算,生成波段计算完成的遥感影像数据,并根据训练样本获得各个土地用地类型的波段计算值;
(7)参考各个土地用地类型的波段计算值建立决策树分类规则,对波段计算完成的遥感影像数据执行决策树并生成分类结果;
(8)将步骤(7)的分类结果矢量化;
(9)根据矢量化的分类数据进行绿色空间信息提取。
作为本发明进一步改进的技术方案,所述的步骤(2)具体为:
获取5-10月的遥感影像数据,数据获取类型为Landsat8 OIL。
作为本发明进一步改进的技术方案,所述的步骤(3)具体为:
(a)利用ENVI5.3软件打开遥感影像数据文件夹中的MTL文件,使用软件中的辐射定标工具添加gain和offset值;
(b)利用快速大气校正工具对辐射定标后的数据进行大气校正;
(c)以遥感影像数据文件夹中的15米分辨率的第8波段影像为基准,对大气校正后的遥感影像数据进行几何校正,校正精度为0.5个像元;
(d)载入行政边界矢量数据,利用subset命令裁剪校正完成的遥感影像数据,获得研究区域范围的遥感影像数据。
作为本发明进一步改进的技术方案,所述的步骤(4)具体为:
建立分类体系,将土地用地类型划分为建设用地、林地、耕地、草地、水域以及未利用地,其中将林地、耕地、草地以及水域四类具有明显生态特征的用地列为绿色空间。
作为本发明进一步改进的技术方案,所述的步骤(5)具体为:
采集谷歌地球影像数据,将其作为训练样本。
作为本发明进一步改进的技术方案,所述的步骤(6)具体为:
(a)在ENVI Classic 5.3软件中打开研究区域范围的遥感影像数据,该遥感影像数据包括N个波段,在波段列表中分别对N个波段以灰阶模式显示其单个波段BX,其中X为1、2、3……N,通过交互式拉伸工具查看波段BX的DN值,并记录波段BX的最大DN值DN2和最小DN值DN1;
(b)在波段计算器中输入公式:(float(Bx)-DN1)/(DN2-DN1),其中DN1为波段BX的最小DN值,DN2为波段BX的最大DN值,按照上述公式分别对N个波段进行波段计算,得出N个波段的DN值;
(c)打开波段合成工具,将N个波段按波段顺序排序并合并,生成波段计算完成的遥感影像数据;
(d)载入训练样本,计算训练样本n-D平均值,得到各个土地用地类型的波段计算值。
作为本发明进一步改进的技术方案,所述的N个波段为7个波段。
作为本发明进一步改进的技术方案,将步骤(7)的分类结果矢量化具体为:
将分类结果发送至ArcMap中,将栅格格式的分类结果转变为shapefile格式。
作为本发明进一步改进的技术方案,所述的步骤(9)具体为:
使用ArcGIS将矢量化的分类数据按土地用地类型进行融合,在属性表中分别选择并计算各个土地用地类型的几何面积,通过对几何面积数据的统计和各个土地用地类型的可视化表达,完成绿色空间信息的提取。
与现有技术相比,本发明的效益在于:该方法通过影像波段运算和训练样本波段运算,得出波段特征,根据训练样本的波段特征建立决策树分类规则,实现高精度分类。这种方法运用在大尺度城镇绿色空间提取上,可在一定程度可以抑制预处理误差,减少噪音干扰等优点,计算效率高等优点,提高分类的精度。
当今绿色空间作为生态系统的重要组成部分,越来越成为区域土地利用规划的重要方面,绿色空间的监测与保护成为当今生态网络构建、生态环境治理的重要研究内容。因此,优化绿色空间提取的方法,提高绿色空间提取的精度,让研究者能快速且准确地掌握大尺度绿色空间的状况,进而提出相应的绿地系统保护对策和优化策略,对实现城镇生态环境可持续发展具有重要意义和现实价值。
附图说明
图1为2017年南京市绿色空间分布图。
图2为技术路线图。
图3为训练样本的波段计算值。
图4为决策树分类规则图。
具体实施方式
下面根据图1至图4对本发明的具体实施方式作出进一步说明:
本实施例提供一种基于决策树分类的城市绿色空间信息提取方法,包括下述步骤。
步骤(1):选取研究区域范围与时间。
步骤(2):获取遥感影像数据:步骤(2)在数据获取时,为实现覆被状态与土地利用状态相对统一,便于识别和提取绿色空间,选用5-10月的遥感影像,云量控制在5%以下。本实施例步骤(2)的数据获取类型为Landsat8 OIL,具体时间为2017年10月5日,条带号与行列号分别为120、38。
步骤(3):对遥感影像数据进行预处理。
所述的步骤(3)具体为:
(a)、利用ENVI5.3软件打开遥感影像数据文件夹中的MTL文件,使用软件中的辐射定标工具添加gain和offset值;
(b)、利用快速大气校正工具(QUAC)对辐射定标后的数据进行大气校正;
(c)、以遥感影像数据文件夹中的15米分辨率的第8波段影像为基准,对大气校正后的遥感影像数据进行几何校正,校正精度为0.5个像元;
(d)、载入行政边界矢量数据,利用subset命令裁剪校正完成的遥感影像数据,获得研究区域范围的遥感影像数据。
步骤(4):建立分类体系,即将土地用地类型进行划分。
所述的步骤(4)具体为:
在建立分类体系时,参考《全国土地利用现状调查分类系统(GB/T 21010-2017)》,并根据区域的用地特征和遥感数据的精度进行重新组合,将土地利用类型划分为建设用地、林地、耕地、草地、水域以及未利用地,其中林地、耕地、草地以及水域四类具有明显生态特征的用地列为绿色空间。
步骤(5):采集谷歌地球影像数据,将其作为训练样本。在选取训练样本时,广泛参考谷歌地球影像数据,精确训练样本用地类型的真实性。
步骤(6):对步骤(3)的遥感影像数据进行波段计算,生成波段计算完成的遥感影像数据,并根据训练样本获得各个土地用地类型的波段计算值。
所述的步骤(6)具体为:
(a)、在ENVI Classic 5.3软件中打开研究区域范围的遥感影像数据,该遥感影像数据包括N个波段,在波段列表中分别对N个波段以灰阶模式显示其单个波段BX,其中X为1、2、3……N,通过交互式拉伸工具查看波段BX的DN值,并记录波段BX的最大DN值DN2和最小DN值DN1;所述的N个波段为7个波段;
(b)、在波段计算器中输入公式:(float(Bx)-DN1)/(DN2-DN1),其中DN1为波段BX的最小DN值,DN2为波段BX的最大DN值,按照上述公式分别对N个波段进行波段计算,得出N个波段的DN值;
(c)、打开波段合成工具,将7个波段按波段1-7的顺序排序并合并,生成波段计算完成的遥感影像数据;
(d)、在ENVI Classic 5.3软件中打开遥感影像数据,载入训练样本,计算训练样本n-D平均值,得到各个土地用地类型的波段计算值。
步骤(7):参考各个土地用地类型的波段计算值建立决策树分类规则,对波段计算完成的遥感影像数据执行决策树并生成分类结果。
步骤(8):将步骤(7)的分类结果矢量化:在分类结果矢量化时,是通过将分类结果发送至ArcMap中,将栅格格式的分类结果转变为shapefile格式。
步骤(9):根据矢量化的分类数据进行绿色空间信息提取。
所述的步骤(9)具体为:
使用ArcGIS将矢量化的分类数据按土地用地类型进行融合,在属性表中分别选择并计算各个土地用地类型的几何面积,通过对几何面积数据的统计和各个土地用地类型的可视化表达,完成绿色空间信息的提取。
具体实施如下:
一:例区准备:
南京市位于我国长江下游中部地区,地理坐标为北纬31°14″至32°37″,东经118°22″至119°14″,总面积6587km2。南京市作为我国东部重要的中心城市,城市化进程较快,截止2017年,城镇化率高达82.29%,城镇土地利用类型演变剧烈。
二:数据准备:
遥感影像数据来源于中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn),数据类型为美国陆地资源卫星Landsat OIL影像数据;行政边界矢量数据来源于中国科学院资源环境科学数据中心(http://www.resdc.cn),从2015年中国县级行政边界数据中提取而来。
三:技术路线:
利用基础地理数据、遥感影像数据等多源数据形成数据库,通过波段计算与决策树分类,提取城镇绿色空间。具体技术路线如图2所示。
四:结果分析。
具体步骤如下:
1、数据预处理:
(1)利用ENVI5.3打开遥感影像数据文件夹中的MTL文件,使用软件中的辐射定标工具添加gain和offset值;
(2)利用快速大气校正工具(QUAC)对辐射定标后的数据进行大气校正;
(3)以遥感影像数据文件夹中的15米分辨率的第8波段影像为基准,对大气校正后的遥感数据进行几何校正,校正精度为0.5个像元;
(4)载入行政边界矢量数据,利用subset命令裁剪校正完成的影像,获得研究区遥感数据。
2、建立解译标志:
(1)在建立分类体系时,参考《全国土地利用现状调查分类系统(GB/T 21010-2017)》,并根据区域的用地特征和遥感数据的精度进行重新组合,将南京都市圈的土地用地类型划分为建设用地、林地、耕地、草地、水域、未利用地,其中林地、耕地、草地、水域四类具有明显生态特征的用地列为绿色空间。
(2)在选取训练样本时,广泛参考谷歌地球影像数据,精确训练样本用地类型的真实性。
3、波段运算:
(a)在ENVI Classic5.3软件中打开研究区域范围的遥感数据,显示单个波段BX,通过交互式拉伸工具查看波段BX的DN值,并记录最大DN值和最小DN值;
(b)在波段计算器中输入公式:(float(Bx)-DN1)/(DN2-DN1),其中DN1为波段Bx的最小DN值,DN2为波段Bx的最大DN值;
(c)将计算完成的各个波段按顺序排序并合并;
(d)载入训练样本,计算训练样本n-D平均值,得到各土地用地类型的波段值,如图3。
4、通过简单的归纳训练样本的各土地用地类型的波段值,建立分类规则,分类规则如图4所示。
5、使用ArcGIS提取绿色空间并计算几何面积,结果如图1、表1所示。表1为2017年南京市城镇绿色空间信息表。表1如下:
2017年南京市城镇绿色空间信息表
本发明的保护范围包括但不限于以上实施方式,本发明的保护范围以权利要求书为准,任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。
Claims (9)
1.一种基于决策树分类的城市绿色空间信息提取方法,其特征在于:包括下述步骤:
(1)选取研究区域范围;
(2)获取遥感影像数据;
(3)对遥感影像数据进行预处理;
(4)建立分类体系进而将土地用地类型进行划分;
(5)选择训练样本;
(6)对步骤(3)的遥感影像数据进行波段计算,生成波段计算完成的遥感影像数据,并根据训练样本获得各个土地用地类型的波段计算值;
(7)参考各个土地用地类型的波段计算值建立决策树分类规则,对波段计算完成的遥感影像数据执行决策树并生成分类结果;
(8)将步骤(7)的分类结果矢量化;
(9)根据矢量化的分类数据进行绿色空间信息提取。
2.根据权利要求1所述的基于决策树分类的城市绿色空间信息提取方法,其特征在于:所述的步骤(2)具体为:
获取5-10月的遥感影像数据,数据获取类型为Landsat8 OIL。
3.根据权利要求1所述的基于决策树分类的城市绿色空间信息提取方法,其特征在于:所述的步骤(3)具体为:
(a)利用ENVI5.3软件打开遥感影像数据文件夹中的MTL文件,使用软件中的辐射定标工具添加gain和offset值;
(b)利用快速大气校正工具对辐射定标后的数据进行大气校正;
(c)以遥感影像数据文件夹中的15米分辨率的第8波段影像为基准,对大气校正后的遥感影像数据进行几何校正,校正精度为0.5个像元;
(d)载入行政边界矢量数据,利用subset命令裁剪校正完成的遥感影像数据,获得研究区域范围的遥感影像数据。
4.根据权利要求1所述的基于决策树分类的城市绿色空间信息提取方法,其特征在于:所述的步骤(4)具体为:
建立分类体系,将土地用地类型划分为建设用地、林地、耕地、草地、水域以及未利用地,其中将林地、耕地、草地以及水域四类具有明显生态特征的用地列为绿色空间。
5.根据权利要求1所述的基于决策树分类的城市绿色空间信息提取方法,其特征在于:所述的步骤(5)具体为:
采集谷歌地球影像数据,将其作为训练样本。
6.根据权利要求5所述的基于决策树分类的城市绿色空间信息提取方法,其特征在于:所述的步骤(6)具体为:
(a)在ENVI Classic 5.3软件中打开研究区域范围的遥感影像数据,该遥感影像数据包括N个波段,在波段列表中分别对N个波段以灰阶模式显示其单个波段BX,其中X为1、2、3……N,通过交互式拉伸工具查看波段BX的DN值,并记录波段BX的最大DN值DN2和最小DN值DN1;
(b)在波段计算器中输入公式:(float(Bx)-DN1)/(DN2-DN1),其中DN1为波段BX的最小DN值,DN2为波段BX的最大DN值,按照上述公式分别对N个波段进行波段计算,得出N个波段的DN值;
(c)打开波段合成工具,将N个波段按波段顺序排序并合并,生成波段计算完成的遥感影像数据;
(d)载入训练样本,计算训练样本n-D平均值,得到各个土地用地类型的波段计算值。
7.根据权利要求6所述的基于决策树分类的城市绿色空间信息提取方法,其特征在于:所述的N个波段为7个波段。
8.根据权利要求1所述的基于决策树分类的城市绿色空间信息提取方法,其特征在于:
将步骤(7)的分类结果矢量化具体为:
将分类结果发送至ArcMap中,将栅格格式的分类结果转变为shapefile格式。
9.根据权利要求1所述的基于决策树分类的城市绿色空间信息提取方法,其特征在于:所述的步骤(9)具体为:
使用ArcGIS将矢量化的分类数据按土地用地类型进行融合,在属性表中分别选择并计算各个土地用地类型的几何面积,通过对几何面积数据的统计和各个土地用地类型的可视化表达,完成绿色空间信息的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131542.1A CN111222536A (zh) | 2019-11-19 | 2019-11-19 | 一种基于决策树分类的城市绿色空间信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131542.1A CN111222536A (zh) | 2019-11-19 | 2019-11-19 | 一种基于决策树分类的城市绿色空间信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222536A true CN111222536A (zh) | 2020-06-02 |
Family
ID=70829368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911131542.1A Pending CN111222536A (zh) | 2019-11-19 | 2019-11-19 | 一种基于决策树分类的城市绿色空间信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222536A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084989A (zh) * | 2020-09-16 | 2020-12-15 | 湖南三湘绿谷生态科技有限公司 | 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法 |
CN112149719A (zh) * | 2020-09-04 | 2020-12-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种多用途一站式遥感分类方法、装置及计算机设备 |
CN113254641A (zh) * | 2021-05-27 | 2021-08-13 | 中国电子科技集团公司第十五研究所 | 一种情报数据融合方法与装置 |
CN113610013A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于高清遥感影像的rgb波段提取建筑物轮廓的方法 |
CN114266981A (zh) * | 2021-11-04 | 2022-04-01 | 成都理工大学 | 一种适用于高山峡谷地区的遥感智能解译方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708307A (zh) * | 2012-06-26 | 2012-10-03 | 上海大学 | 一种应用于城市的植被指数构造方法 |
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 |
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
CN108592888A (zh) * | 2018-04-23 | 2018-09-28 | 中国科学院地球化学研究所 | 一种居民地提取方法 |
-
2019
- 2019-11-19 CN CN201911131542.1A patent/CN111222536A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708307A (zh) * | 2012-06-26 | 2012-10-03 | 上海大学 | 一种应用于城市的植被指数构造方法 |
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 |
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
CN108592888A (zh) * | 2018-04-23 | 2018-09-28 | 中国科学院地球化学研究所 | 一种居民地提取方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149719A (zh) * | 2020-09-04 | 2020-12-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种多用途一站式遥感分类方法、装置及计算机设备 |
CN112084989A (zh) * | 2020-09-16 | 2020-12-15 | 湖南三湘绿谷生态科技有限公司 | 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法 |
CN113254641A (zh) * | 2021-05-27 | 2021-08-13 | 中国电子科技集团公司第十五研究所 | 一种情报数据融合方法与装置 |
CN113610013A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于高清遥感影像的rgb波段提取建筑物轮廓的方法 |
CN114266981A (zh) * | 2021-11-04 | 2022-04-01 | 成都理工大学 | 一种适用于高山峡谷地区的遥感智能解译方法 |
CN114266981B (zh) * | 2021-11-04 | 2023-04-07 | 成都理工大学 | 一种适用于高山峡谷地区的遥感智能解译方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222536A (zh) | 一种基于决策树分类的城市绿色空间信息提取方法 | |
Chen et al. | Spatially and temporally weighted regression: A novel method to produce continuous cloud-free Landsat imagery | |
CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
Wang et al. | Spatially differentiated trends in urbanization, agricultural land abandonment and reclamation, and woodland recovery in Northern China | |
CN109002621B (zh) | 一种顾及邻域与地理差异的林分平均高与胸径计算方法 | |
Pindozzi et al. | Using historical maps to analyze two hundred years of land cover changes: case study of Sorrento peninsula (south Italy) | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN110596008B (zh) | 基于地块的中国洪积平原农业区土壤养分数字制图方法 | |
CN111598045A (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
CN105447274A (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
CN102521624A (zh) | 一种土地利用类型分类的方法和系统 | |
Wieland et al. | Using Shapley additive explanations to interpret extreme gradient boosting predictions of grassland degradation in Xilingol, China | |
Wang et al. | Impacts of topography on the land cover classification in the Qilian Mountains, Northwest China | |
Ayrey et al. | Ecologically-based metrics for assessing structure in developing area-based, enhanced forest inventories from LiDAR | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
Shuanglong et al. | Patterns and driving forces of cropland abandonment in mountainous areas | |
CN117291000A (zh) | 一种国土空间规划大数据分析辅助模型 | |
CN111461992A (zh) | 基于深度学习的超高分辨率遥感影像茶叶分布自动提取方法及装置 | |
Lu et al. | Mapping the terraces on the Loess Plateau based on a deep learning-based model at 1.89 m resolution | |
CN114255247A (zh) | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 | |
Cheng et al. | Automated detection of impervious surfaces using night-time light and Landsat images based on an iterative classification framework | |
Sang et al. | Farmland distribution dataset of the Yarlung Zangbo–Lhasa–Nyangqu River region of the Tibetan Plateau |
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 |