CN111310681B - 一种融入地学知识的红树林分布遥感提取方法 - Google Patents

一种融入地学知识的红树林分布遥感提取方法 Download PDF

Info

Publication number
CN111310681B
CN111310681B CN202010111491.2A CN202010111491A CN111310681B CN 111310681 B CN111310681 B CN 111310681B CN 202010111491 A CN202010111491 A CN 202010111491A CN 111310681 B CN111310681 B CN 111310681B
Authority
CN
China
Prior art keywords
area
mangrove forest
vegetation
mangrove
remote sensing
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
CN202010111491.2A
Other languages
English (en)
Other versions
CN111310681A (zh
Inventor
王志华
杨晓梅
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202010111491.2A priority Critical patent/CN111310681B/zh
Publication of CN111310681A publication Critical patent/CN111310681A/zh
Application granted granted Critical
Publication of CN111310681B publication Critical patent/CN111310681B/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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion

Landscapes

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

Abstract

本发明涉及一种融入地学知识的红树林分布遥感提取方法，其特征在于，包括以下步骤：1)基于遥感影像选择不同地类的样本，将遥感影像进行分割，分割尺度为S，得到分割结果为SLevel，并确定机器学习算法进行分类时使用的特征；……5)将属于红树林地形适宜区的样本划分红树林和非红树林两类，使用机器学习算法，将属于SLevel的地形适宜区斑块分为疑似红树林区域和非红树林区域，最终将疑似红树林区域中与所述的海域不相邻的斑块去除，得到红树林区域。本发明的红树林分布遥感提取方法将红树林的水边线相邻、海拔和地形起伏低等地学知识，融入到面向对象解译的多尺度分割与分析之中，并引入机器学习算法，实现红树林的高精度自动提取。

Description

一种融入地学知识的红树林分布遥感提取方法
技术领域
本发明属于数字图像处理技术领域，特别涉及一种融入地学知识的红树林分布遥感提取方法。
背景技术
红树林是一类以常绿灌木或者乔木组成的耐盐木本植物群落，是同时拥有陆地和海洋特征的复杂生态系统。它具有多方面的生态系统服务功能，如防风搏浪、固岸护堤、净化海水、保护耕地、防止侵蚀等功能，对维护和改善海湾、河口地区生态环境具有不可替代的作用。但是气候变化、海洋环境污染等多方面的影响，红树林生长环境遭到严重破坏，面积急剧减少，因此加强红树林保护、遏制红树林面积减少趋势已经迫在眉睫。但红树林生长在地势开阔平坦的潮间带浅滩，传统的实地调查存在费时、费力、观测尺度小等问题。与现场调查相比，遥感技术在红树林监测方面具有省时、省力、观测范围广、信息获取快等优势，已成为现今红树林监测和管理不可或缺的手段。因此，针对红树林的高精度遥感提取是一件非常有意义的工作。
现有红树林遥感提取方法没有充分考虑红树林生长的地学知识，导致提取过程复杂，精度较低。具体而言，主要存在以下三个问题：(1)没有考虑红树林在海边水陆相交区域的特点，或者简单使用水边线缓冲区策略进行提取。如果缓冲区设置小，容易遗漏；而设置大，又包含太多非红树林(王宗明等.一种基于遥感影像的红树林提取方法及系统[P].CN201810775694.4)。这并没有从实质上利用红树林与水边线的相邻关系。(2)没有使用红树林生长的地形规律。红树林是生长在三角洲滩涂等平缓区域，周期性被水淹没，其海拔多是在10米以上波动，地形起伏很低。这对于排除非红树林区域，提高提取精度具有重要价值。而现有方法中没有利用这个知识。(宋芳妮等.红树林识别方法及系统[P].CN201611178117.4)(3)需要人工设置各个特征的分割阈值，实践中难以操作。不同区域、不同时间、不同种类，甚至不同遥感传感器获取的影像，所需要的分割阈值均不相同。需要耗费大量的人工精力调整阈值，难以推广至大区域的遥感监测。(王宗明等.一种遥感影像中水陆区域的红树林提取方法及系统[P].CN201810775693.X)。
本发明将红树林的水边线相邻、海拔和地形起伏低等地学知识，融入到面向对象解译的多尺度分割与分析之中，并引入机器学习算法，有效实现红树林的高精度自动提取。
对中外文专利文献等进行检索，现有技术中没有采用这种融入地学知识的红树林遥感提取方法。
发明内容
针对上述问题，本发明提出了一种融入地学知识的红树林分布遥感提取方法，该方法将红树林的水边线相邻、海拔和地形起伏低等地学知识，融入到面向对象解译的多尺度分割与分析之中，并引入机器学习算法，实现红树林的高精度自动提取。
本发明的具体技术方案是一种融入地学知识的红树林分布遥感提取方法，其特征在于，包括以下步骤：
1)基于遥感影像选择不同地类的样本，将遥感影像进行分割，分割尺度为S，得到分割结果为SLevel，并确定机器学习算法进行分类时使用的特征；
2)将样本划分为水体和非水体两类，使用机器学习算法，将按分割尺度为S分割的遥感影像斑块分为陆域和海域；
3)将陆域进行分割，分割尺度为M，将属于陆域的样本划分植被和非植被两类，使用机器学习算法，将按分割尺度为M分割的陆域斑块分为植被区和非植被区；
4)根据DEM高程数据，将植被区划分为红树林地形适宜区和红树林地形不适宜区；
5)将属于红树林地形适宜区的样本划分红树林和非红树林两类，使用机器学习算法，将属于SLevel的地形适宜区斑块分为疑似红树林区域和非红树林区域，最终将疑似红树林区域中与所述的海域不相邻的斑块去除，得到红树林区域。
更进一步地，所述的步骤1)中在遥感影像中选择样本包括内陆水、海水、红树林、其它林地、灌草地、耕地、裸地、建筑区，所述的机器学习算法进行分类时使用的特征为基于遥感影像分割后的斑块计算得到的特征，包括波段均值、波段组合特征、纹理特征。
更进一步地，所述的步骤2)中使用机器学习算法，将按分割尺度为S分割的遥感影像斑块分为陆域和海域的具体方法是，
2.1)所述的样本中内陆水和海水归并为水体，其余样本归并为非水体；
2.2)使用监督类的机器学习算法，利用斑块的计算特征以及分为水体和非水体的样本，进行分类器训练，将按分割尺度为S分割的遥感影像斑块分为水体区域和非水体区域；
2.3)将非水体区域设置为陆域，并将包含海水样本的水体区域设置为海域。
更进一步地，所述的步骤3)中使用机器学习算法，将按分割尺度为M分割的陆域斑块分为植被区和非植被区的具体方法是，
3.1)所述的样本中红树林、其它林地、灌草地、耕地归并为植被，陆域中其余样本归并为非植被；
3.2)使用监督类的机器学习算法，利用斑块的计算特征以及分为植被和非植被的样本，进行分类器训练，将按分割尺度为M分割的陆域斑块分为植被区和非植被区。
更进一步地，所述的步骤4)中根据DEM高程数据，将植被区划分为红树林地形适宜区和红树林地形不适宜区的具体方法是，
4.1)计算植被区按分割尺度为M分割的每一斑块中的DEM高程数据的均值；
4.2)计算植被区按分割尺度为M分割的每一斑块中的的DEM高程数据95％分位点之内的均值和95％分位点之外的均值的高差，作为该斑块的地形起伏度；
4.3)将DEM高程数据的均值和地形起伏度都不大于50m的植被区中的斑块的集合，设置为为红树林地形适宜区，植被区其它区域设置为红树林地形不适宜区。
更进一步地，所述的步骤5)中使用监督类的机器学习算法，利用斑块的计算特征以及分为红树林和非红树林的样本，进行分类器训练，将地形适宜区在SLevel上对应的分割斑块分类为疑似红树林区域和非红树林区域。
更进一步地，所述的分割尺度S小于分割尺度M。
本发明的有益效果是：1)本发明的方法通过多尺度分割和分析方法，有效的将红树林生长的地学知识融入到提取模型之中，并且通过整合监督分类的机器学习算法，实现红树林分布的遥感高精度自动提取；2)在待提取的遥感影像中选择典型性地类样本，选择K-最近邻分类算法KNN，进行分类器训练，避免现有技术中进行区域分类时需要人工设定多个特征分割阈值的问题；3)在原始图像中区分陆域时，采用小尺度分割的方法，使水体区域有更细节的划分，避免可能产生的误判。对陆域采用较大尺度分割的方法，符合植被区块的特点，降低计算量、提高效率；4)采用DEM(Digital Elevation Model)数据以及从DEM中引出的地形特征，与红树林一般生长在平缓地势区和50m以下低海拔区的特点，实现红树林的高精度自动提取，避免与其它林地的混淆；5)利用红树林与海域邻接的特点，将疑似红树林区域中与所述的海域不相邻的斑块去除，得到红树林区域更准确。
本发明在排除光谱上与红树林相似但并不符合红树林生长地学规律的植被区，具有极强的排错能力，在大区域高精度自动提取红树林空间分布方面具有重大潜力。
附图说明
图1为本发明的融入地学知识的红树林分布遥感提取方法的流程图；
图2为本发明一个具体实施例采用的原始遥感影像；
图3为具体实施例中的海陆分离结果；
图4为具体实施例中的植被区提取结果；
图5是具体实施例中的地形适宜区提取结果；
图6是具体实施例中的疑似红树林提取结果；
图7是具体实施例中的最终红树林提取结果。
具体实施方式
下面结合说明书附图对本发明的具体技术方案作进一步地描述。
在本发明的具体实施例中，采用本发明的方法进行处理的遥感影像为美国Landsat 8多光谱影像，见附图2。空间分辨率为30米，图像尺寸为2048行×2048列，含有7个波段，分别是海岸波段(0.433-0.453μm),蓝波段(0.450-0.515μm)，绿波段(0.525-0.600μm),红波段(0.630-0.680μm),近红外波段(0.845-0.885μm)，短波红外1波段(1.560-1.660μm)，短波红外2波段(2.100-2.300μm)，辐射量化等级为16bit。使用的DEM为30米的ASTERGDEM数据。
如图1所示，本发明的融入地学知识的红树林分布遥感提取方法的具体步骤如下：
1)基于遥感影像选择不同地类的样本，并确定机器学习算法进行分类时使用的特征。
1.1)在待提取的遥感影像中选择典型性地类样本，包括内陆水(10个)、海水(20个)、红树林(20个)、其它林地(30个)、灌草地(10)、耕地(20个)、裸地(20个)、建筑区(20个)；
1.2)确定机器学习算法进行分类时使用的特征，包括波段1-7的波段均值、包括植被归一化指数NDVI和水体归一化指数NDWI的波段组合特征以及包括波段5-7的方差的纹理特征。这些特征都是基于遥感影像分割结果，即每个分割斑块的特征。本实施例使用eCognition软件中的Multiresolution Segmentation算法进行分割。
以上NDVI和NDWI的计算公式如下，
Figure GDA0002890167340000061
其中，NIR为当前计算斑块的近红外波段均值，R为当前计算斑块的红波段均值。
Figure GDA0002890167340000062
其中，G为当前计算斑块的绿波段均值，NIR为当前计算斑块的近红外波段均值。
使用能够控制分割斑块大小并进行等级结构组织的分割算法进行遥感影像的小尺度分割，其中尺度参数S＝10，形状参数0.1，紧致度0.5，得到小尺度分割结果SLevel。
2)将样本划分为水体和非水体两类，并使用机器学习算法，将小尺度分割影像分为陆域和海域；
2.1)将样本归并为水体和非水体两大类，其中水体包括内陆水、海水，其余类别为非水体；
2.2)使用监督类的机器学习算法，本实施例中选择K-最近邻分类算法KNN，利用步骤1.2)计算的特征和步骤2.1)中的样本，进行分类器训练，并将SLevel的分割斑块分类为水体和非水体两类；
2.3)将相邻的水体斑块进行合并，并将包含海水样本的水体斑块的集合赋为海域，见图3中的黑色部分，其它非水体斑块的集合赋为陆域，见图3中的白色部分。
3)将样本划分植被和非植被两类，并使用机器学习算法，将陆域大尺度分割结果分为植被区和非植被区将尺度参数设置为M＝30，对陆域部分进行分割，得到分割结果MLevel。
3.1)将陆域中包含步骤1.1)中选择的样本归并为植被和非植被两大类，其中植被包括红树林、其它林地、灌草、耕地，其余类别为非植被；
3.2)使用监督类的机器学习算法，本实施例中选择K-最近邻分类算法KNN，利用步骤1.2)计算的特征和步骤3.1)中的样本，进行分类器训练，并将步骤2)得到陆域分割斑块分类为植被区(见附图4中的白色区域)和非植被区。
4)使用DEM和地形起伏度，在大尺度分割结果MLevel上，将植被区划分为红树林地形适宜区和地形不适宜区；
4.1)在大尺度分割结果MLevel上，计算植被区按分割尺度为M分割的每一斑块中的DEM高程数据的均值；
4.2)计算植被区按分割尺度为M分割的每一斑块中的DEM高程数据95％分位点之内的均值和95％分位点之外的均值的高差，作为该斑块的地形起伏度；
4.3)将DEM均值和地形起伏度都不大于50m的植被区斑块的集合设置为红树林地形适宜区(见附图5中的白色区域)，其它植被区域设置为地形不适宜区。
5)将样本划分红树林和非红树林两类，使用机器学习算法，在小尺度分割结果上将地形适宜区分为疑似红树林和非红树林，并根据与海域的邻近关系将疑似红树林的非红树林去除，得到最终红树林提取结果。
5.1)将地形适宜区中的样本归并为红树林和非红树林两类；
5.2)使用监督类的机器学习算法，本实施例中选择K-最近邻分类算法KNN，利用步骤1.2)计算的特征和步骤5.1)中的样本，进行分类器训练，并将地形适宜区在SLevel上对应的分割斑块分类为疑似红树林(见附图6中的白色区域)和非红树林两类；
5.3)在SLevel上将相邻的疑似红树林斑块进行合并，然后将与步骤2.3)中的海域不相邻的疑似红树林赋为非红树林，并将相邻的疑似红树林赋为最终提取的红树林(见附图7中的白色区域)。
本发明的方法通过多尺度分割和分析方法，有效的将红树林生长的地学知识融入到提取模型之中，并且通过整合监督分类的机器学习算法，避免需要人工设定多个特征分割阈值的问题，实现红树林分布的遥感高精度自动提取，对于光谱上与红树林相似但并不符合红树林生长地学规律的植被区，具有极强的排错能力
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (7)

1.一种融入地学知识的红树林分布遥感提取方法，其特征在于，包括以下步骤：
1)基于遥感影像选择不同地类的样本，将遥感影像进行分割，分割尺度为S，得到分割结果为SLevel，并确定机器学习算法进行分类时使用的特征；
2)将样本划分为水体和非水体两类，使用机器学习算法，将按分割尺度为S分割的遥感影像斑块分为陆域和海域；
3)将陆域进行分割，分割尺度为M，将属于陆域的样本划分植被和非植被两类，使用机器学习算法，将按分割尺度为M分割的陆域斑块分为植被区和非植被区；
4)根据DEM高程数据，将植被区划分为红树林地形适宜区和红树林地形不适宜区；
5)将属于红树林地形适宜区的样本划分红树林和非红树林两类，使用机器学习算法，将属于SLevel的地形适宜区斑块分为疑似红树林区域和非红树林区域，最终将疑似红树林区域中与所述的海域不相邻的斑块去除，得到红树林区域。
2.如权利要求1所述的一种融入地学知识的红树林分布遥感提取方法，其特征在于，所述的步骤1)中在遥感影像中选择样本包括内陆水、海水、红树林、其它林地、灌草地、耕地、裸地、建筑区，所述的机器学习算法进行分类时使用的特征为基于遥感影像分割后的斑块计算得到的特征，包括波段均值、波段组合特征、纹理特征。
3.如权利要求2所述的一种融入地学知识的红树林分布遥感提取方法，其特征在于，所述的步骤2)中使用机器学习算法，将按分割尺度为S分割的遥感影像斑块分为陆域和海域的具体方法是，
2.1)所述的样本中内陆水和海水归并为水体，其余样本归并为非水体；
2.2)使用监督类的机器学习算法，利用斑块的计算特征以及分为水体和非水体的样本，进行分类器训练，将按分割尺度为S分割的遥感影像斑块分为水体区域和非水体区域；
2.3)将非水体区域设置为陆域，并将包含海水样本的水体区域设置为海域。
4.如权利要求3所述的一种融入地学知识的红树林分布遥感提取方法，其特征在于，所述的步骤3)中使用机器学习算法，将按分割尺度为M分割的陆域斑块分为植被区和非植被区的具体方法是，
3.1)所述的陆域的样本中红树林、其它林地、灌草地、耕地归并为植被，陆域中其余样本归并为非植被；
3.2)使用监督类的机器学习算法，利用斑块的计算特征以及分为植被和非植被的样本，进行分类器训练，将按分割尺度为M分割的陆域斑块分为植被区和非植被区。
5.如权利要求1所述的一种融入地学知识的红树林分布遥感提取方法，其特征在于，所述的步骤4)中根据DEM高程数据，将植被区划分为红树林地形适宜区和红树林地形不适宜区的具体方法是，
4.1)计算植被区按分割尺度为M分割的每一斑块中的DEM高程数据的均值；
4.2)计算植被区按分割尺度为M分割的每一斑块中的的DEM高程数据95％分位点之内的均值和95％分位点之外的均值的高差，作为该斑块的地形起伏度；
4.3)将DEM高程数据的均值和地形起伏度都不大于50m的植被区中的斑块的集合，设置为为红树林地形适宜区，植被区其它区域设置为红树林地形不适宜区。
6.如权利要求5所述的一种融入地学知识的红树林分布遥感提取方法，其特征在于，所述的步骤5)中使用监督类的机器学习算法，利用斑块的计算特征以及分为红树林和非红树林的样本，进行分类器训练，将地形适宜区在SLevel上对应的分割斑块分类为疑似红树林区域和非红树林区域。
7.如权利要求1-6任一一项所述的一种融入地学知识的红树林分布遥感提取方法，其特征在于，所述的分割尺度S小于分割尺度M。
CN202010111491.2A 2020-02-24 2020-02-24 一种融入地学知识的红树林分布遥感提取方法 Active CN111310681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010111491.2A CN111310681B (zh) 2020-02-24 2020-02-24 一种融入地学知识的红树林分布遥感提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010111491.2A CN111310681B (zh) 2020-02-24 2020-02-24 一种融入地学知识的红树林分布遥感提取方法

Publications (2)

Publication Number Publication Date
CN111310681A CN111310681A (zh) 2020-06-19
CN111310681B true CN111310681B (zh) 2021-03-16

Family

ID=71149133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010111491.2A Active CN111310681B (zh) 2020-02-24 2020-02-24 一种融入地学知识的红树林分布遥感提取方法

Country Status (1)

Country Link
CN (1) CN111310681B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033474A (zh) * 2021-04-14 2021-06-25 海南大学 基于融合算法及模型的红树林资源遥感解译方法
CN115063695B (zh) * 2022-08-17 2022-11-01 北京数慧时空信息技术有限公司 基于强化学习的遥感样本迁移方法
CN116168015B (zh) * 2023-03-21 2024-03-26 国家海洋信息中心 红树林修复适宜区的识别方法和装置
CN116129145B (zh) * 2023-04-14 2023-06-23 广东海洋大学 一种高分辨率遥感影像的砂质海岸线提取方法及系统
CN117315501B (zh) * 2023-10-23 2024-04-12 中国水利水电科学研究院 一种基于水体斑块形状和相邻关系的遥感水体分类方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8189877B2 (en) * 2005-10-21 2012-05-29 Carnegie Institution Of Washington Remote sensing analysis of forest disturbances
US8121433B2 (en) * 2008-01-18 2012-02-21 California Institute Of Technology Ortho-rectification, coregistration, and subpixel correlation of optical satellite and aerial images
CN105405148B (zh) * 2015-11-17 2017-11-14 中国科学院遥感与数字地球研究所 一种结合树木阴影特征的遥感影像毛白杨识别方法
CN106709517B (zh) * 2016-12-19 2020-09-04 航天恒星科技有限公司 红树林识别方法及系统
CN109034026B (zh) * 2018-07-16 2021-06-25 中国科学院东北地理与农业生态研究所 一种遥感影像中水陆区域的红树林提取方法及系统
CN109740570B (zh) * 2019-01-18 2020-01-03 中国水利水电科学研究院 一种基于地形指数和物候差异的梯田遥感识别方法

Also Published As

Publication number Publication date
CN111310681A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111310681B (zh) 一种融入地学知识的红树林分布遥感提取方法
CN109190538B (zh) 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
Zhao et al. 10-m-resolution mangrove maps of China derived from multi-source and multi-temporal satellite observations
CN102054274B (zh) 一种海岸带水体遥感信息全自动提取方法
Schroeder et al. Passive remote sensing technology for mapping bull kelp (Nereocystis luetkeana): A review of techniques and regional case study
CN102855494A (zh) 一种卫星遥感影像的水体提取方法及装置
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
CN113971769B (zh) 基于多源大数据的海岸带地域功能长时序识别方法
CN112418506B (zh) 基于机器学习的海岸带湿地生态安全格局优化方法、装置
CN115810155B (zh) 一种潮汐湿地的分类方法
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
CN115965812B (zh) 无人机影像对湿地植被物种和地物分类的评估方法
CN115063437B (zh) 一种红树林冠层可见光图像指数特征分析方法及系统
Gong et al. Remote sensing monitoring of the bottom topography in a shallow reservoir and the spatiotemporal changes of submerged aquatic vegetation under water depth fluctuations
Xu et al. Remote Sensing Mapping of Cage and Floating-raft Aquaculture in China's Offshore Waters Using Machine Learning Methods and Google Earth Engine
Liu et al. Identification of mangrove invasive plant derris trifoliate using UAV images and deep learning algorithms
Zhu et al. spectral characteristic analysis and remote sensing classification of coastal aquaculture areas based on GF-1 data
Xie et al. Object-oriented random forest classification for Enteromorpha prolifera detection with SAR images
Zhang et al. Dynamic Threshold Selection for the Classification of Large Water Bodies within Landsat-8 OLI Water Index Images
Liao et al. Study on mangrove of maximum likelihood: Reclassification method in Xiezhou bay
Elmahdy et al. Change detection and mapping of mangrove using multi-temporal remote sensing data: a case study of Abu Dhabi, UAE
CN113420780A (zh) 一种遥感时空谱特征融合的养殖池提取方法
Cui et al. Remote sensing identification of marine floating raft aquaculture area based on sentinel-2A and DEM data
Lasko et al. Automated method for artificial impervious surface area mapping in temperate, tropical, and arid environments using hyperlocal training data with Sentinel-2 imagery
Islam et al. Land use and land cover classification of coastal districts of Bangladesh in a 10m resolution of Sentinel-2 satellite image

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