CN111507303A - 一种湿地植物种类检测方法 - Google Patents

一种湿地植物种类检测方法 Download PDF

Info

Publication number
CN111507303A
CN111507303A CN202010351987.7A CN202010351987A CN111507303A CN 111507303 A CN111507303 A CN 111507303A CN 202010351987 A CN202010351987 A CN 202010351987A CN 111507303 A CN111507303 A CN 111507303A
Authority
CN
China
Prior art keywords
vegetation index
remote sensing
sensing image
plant species
difference
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
Application number
CN202010351987.7A
Other languages
English (en)
Inventor
娄厦
董行
刘曙光
陈明
钟桂辉
汪豪
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202010351987.7A priority Critical patent/CN111507303A/zh
Publication of CN111507303A publication Critical patent/CN111507303A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing

Landscapes

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

Abstract

本发明涉及一种湿地植物种类检测方法，包括以下步骤：获取植物生长周期内不同阶段的遥感影像；对遥感影像进行预处理，计算研究区域的植被指数、归一化水体指数和缨帽变换分量；根据植被指数计算研究区域的植被指数季节差值；以植被指数、归一化水体指数、缨帽变换分量、植被指数季节差值和遥感影像多波段数据为特征变量，利用随机森林模型进行分类，完成湿地植物种类检测。与现有技术相比，对于光谱特性相似但物候特性不同的植物区分度较高，检测精度相比于监督分类结果大幅度提高。

Description

一种湿地植物种类检测方法
技术领域
本发明涉及测绘学和湿地生态学领域，尤其是涉及一种湿地植物种类检测方法。
背景技术
湿地是地球生态环境的重要组成部分，素有“地球之肾”之称，在净化污染、保护生物多样性、蓄滞洪水以及调节气候等方面发挥着不可替代的作用，是区域经济社会发展必要的生态屏障。近年来，在人类围垦等认为活动以及海平面上升等自然条件变化的影响下，湿地正面临植物退化、物种多样性下降、生物丧失栖息地等问题。湿地植物作为湿地重要的组成部分，具有较高的初级生产力，在调节气候、净化水质和促淤护岸等方面扮演着不可或缺的角色，对于湿地生态系统结构和功能的维持具有重要作用。开展湿地植物群落时空特性监测，对湿地生态系统的保护和修复有着重要的意义。
上世纪90年代，植物群落时空分布的研究方法主要采用实地调查的方法。然而实地调查耗时耗力，受时间、天气、地形限制，很难获取大范围研究区域的植物群落分布特征。遥感技术的出现与发展给湿地植物群落研究的开展提供了便利条件。传统的遥感分类方法有灰度分割，非监督分类和监督分类几大类。由于湿地植物“同物异谱”和“同谱异物”的现象明显，上述遥感检测分类方法精度较低。
发明内容
本发明的目的就是为了克服上述现有遥感检测分类方法精度较低的问题，而提供一种便捷、经济的湿地植物种类高精度检测方法。
本发明的目的可以通过以下技术方案来实现：
一种湿地植物种类检测方法，该方法包括以下步骤：
步骤S1：获取植物生长周期内不同阶段的遥感影像；
步骤S2：对遥感影像进行预处理，计算研究区域的植被指数、归一化水体指数和缨帽变换分量；
步骤S3：根据植被指数计算研究区域的植被指数季节差值；
步骤S4：以植被指数、归一化水体指数、缨帽变换分量、植被指数季节差值和遥感影像多波段数据为特征变量，利用随机森林模型进行分类，完成湿地植物种类检测。
所述的植物生长周期内不同阶段包括返青期、生长期和枯萎期。
所述的对遥感影像进行预处理包括辐射定标、大气校正、几何校正和掩膜处理。
所述的植被指数包括归一化植被指数、比值植被指数、差值植被指数。
所述归一化植被指数NDVI的计算公式为：
Figure BDA0002472216740000021
其中，NIR为遥感影像的近红外波段，R为遥感影像的红波段。
所述归一化水体指数NDWI的计算公式为：
Figure BDA0002472216740000022
其中，G为遥感影像的绿波段。
所述差值植被指数DVI的计算公式为：
DVI＝NIR-R。
所述比值植被指数RVI的计算公式为：
Figure BDA0002472216740000023
所述的缨帽变换分量包括亮度、湿度和绿度。
所述亮度BI的计算公式为：
BI＝0.3521×B+0.3899×G+0.3825×R+0.6985×NIR+0.2343×SWIR1+0.1867×SWIR2其中，B为遥感影像的蓝波段，G为遥感影像的绿波段，R为遥感影像的红波段，NIR为遥感影像的近红外波段，SWIR1为遥感影像的第一短波红外波段，SWIR2为遥感影像的第二短波红外波段。
所述湿度WI的计算公式为：
WI＝-0.3301×B-0.3455×G-0.4508×R+0.6970×NIR-0.0448×SWIR1-0.2840×SWIR2。
所述绿度GVI的计算公式为：
GVI＝0.2651×B+0.2367×G+0.1296×R+0.0590×NIR-0.7506×SWIR1-0.5386×SWIR2。
所述的植被指数季节差值包括夏季与冬季的归一化植被指数差值、比值植被指数差值和差值植被指数差值。
所述归一化植被指数差值SDI(1)的计算公式为：
SDI(1)＝NDVI(s)-NDVI(w)
其中，NDVI(s)表示夏季归一化植被指数，NDVI(w)表示冬季归一化植被指数；
所述比值植被指数差值SDI(2)的计算公式为：
SDI(2)＝RVI(s)-RVI(w)
其中，RVI(s)表示夏季比值植被指数，RVI(w)表示冬季比值植被指数；
所述差值植被指数差值SDI(3)的计算公式为：
SDI(3)＝DVI(s)-RVI(w)
其中，DVI(s)表示夏季差值植被指数，DVI(w)表示冬季差值植被指数。
所述随机森林模型训练时通过实地调查数据和高空间分辨率遥感影像确认地物及植物种类。
与现有技术相比，本发明具有以下优点：
(1)针对湿地植物“同物异谱”和“同谱异物”现象明显的问题，利用植物的物候特性，通过计算植被指数季节差值作为特征变量，利于区分研究区域中光谱特征相似但物候特性差异的不同种类植物。
(2)遥感影像常会存在缺失值和异常值，随机森林模型可以灵活地应用于分类和回归问题，对遥感影像的缺失值和异常值有较高的忍耐性，适用于高维复杂数据集。
(3)随机森林模型适用于高维复杂数据集，以植被指数、归一化水体指数、缨帽变换分量、植被指数季节差值和遥感影像多波段数据为特征变量，提高了分类精度。
附图说明
图1为本发明的流程图；
图2为本发明实施例研究区域长江口示意图；
图3为本发明实施例长江口九段沙湿地植物种类检测结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种基于多指数随机森林算法的湿地植物种类检测方法，如图1所示，具体工作步骤如下：
步骤1：载入研究区域多时相Landsat-8 OLI遥感影像，包括植物生长周期内的不同阶段；
选取1年内滨海湿地植物返青期、生长期、枯萎期等典型时期的无云低潮位遥感影像作为特征集合的一部分并用来进行波段计算。
步骤2：对遥感数据进行预处理，包括辐射定标、大气校正、几何校正和掩膜处理。为消除大气散射和卫星姿态改变等引起的误差和畸变，利用ENVI 5.3进行辐射定标，大气校正和几何校正。为减少计算量，提高运算速度，将大堤内和远岸水域进行掩膜处理。
步骤3：计算研究区域NDVI、RVI、DVI、NDWI、BI、WI和GVI等。NDVI表示归一化植被指数，RVI表示比值植被指数，DVI表示差值植被指数，NDWI表示归一化水体指数，BI、WI、GVI分别表示缨帽变换分量中的亮度、湿度和绿度。计算公式如下：
Figure BDA0002472216740000041
Figure BDA0002472216740000042
DVI＝NIR-R
Figure BDA0002472216740000043
巧I＝0.3521×B+0.3899×G+0.3825×R+0.6985×NIR+0.2343×SWIR1+0.1867×SWIR2
WI＝-0.3301×B-0.3455×G-0.4508×R+0.6970×NIR-0.0448×SWIR1-0.2840×SWIR2
GVI＝0.2651×B+0.2367×G+0.1296×R+0.0590×NIR-0.7506×SWIR1-0.5386×SWIR2
式中，B为遥感影像的蓝波段，G为遥感影像的绿波段，R为遥感影像的红波段，NIR为遥感影像的近红外波段，SWIR1为遥感影像的第一短波红外波段，SWIR2为遥感影像的第二短波红外波段。
步骤4：计算研究区域植被指数季节差值SDI，植被指数季节差值SDI(1)、SDI(2)和SDI(3)分别表示两个季节影像(夏季与冬季)的NDVI、RVI和DVI差值。计算公式如下：
SDI(1)＝NDVI(s)-NDVI(w)
SDI(2)＝RVI(s)-RVI(w)
SDI(3)＝DVI(s)-RVI(w)
其中，SDI(1)表示归一化植被指数季节差值，NDVI(s)表示夏季归一化植被指数，NDVI(w)表示冬季归一化植被指数；SDI(2)表示比值植被指数季节差值，RVI(s)表示夏季比值植被指数，RVI(w)表示冬季比值植被指数；SDI(3)表示差值植被指数季节差值，DVI(s)表示夏季差值植被指数，DVI(w)表示冬季差值植被指数。
步骤5：以多时相Landsat-8 OLI遥感影像各波段及上述指数(植被指数、归一化水体指数、缨帽变换分量、植被指数季节差值)为特征变量，利用随机森林算法进行分类；利用ENVI 5.3中layer stacking工具将各波段和指数构成特征集合，导出dat数据。根据实地调查数据与Google Earth高空间分辨率遥感影像确认地物及植物种类，进行样本训练。利用Enmap-box 2.0中imageRF Classification工具进行分类。在研究区域内使用ArcMap 10.2生成随机点，最后根据Google Earth高空间分辨率遥感影像确定地物及植物种类，生成验证样本，并进行精度验证。
步骤6：导出不同植物种类、水体、光滩等对象，获得滨海湿地栅格数据。
步骤7：制作滨海湿地植物种类图。
以长江口九段沙湿地为具体实例，选取2018年12月，2019年1月、4月、5月、7月共5景Landsat-8遥感影像，利用ENVI 5.3进行大气校正、几何校正后，分别计算每幅遥感影像的归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、水体指数(NDWI)和缨帽变换分量的亮度、湿度以及绿度(BI、WI、GVI)。并计算12月份与7月份两幅遥感影像归一化植被指数(NDVI)之差、比值植被指数(RVI)之差和差值植被指数(DVI)之差。使用layerstacking工具将各幅影像波段和各指数构成特征集合。为减少计算量，提高运算速度，对研究区域外进行掩膜处理。利用前期实地调查与先验知识生成训练样本，长江口优势物种为芦苇、互花米草以及海三棱藨草三种植物，即植物种类分为以上三种。地物类型包括光滩和水体两种。利用Enmap-box 2.0中imageRF Classification工具对不同特征集合进行分类，决策树个数选取500。为对比特征集合和分类方法对分类精度的影响，设置不同组别实验进行研究，实验组别见表1。
利用ArcMap 10.2中Create Random Points(创建随机点)工具生成共计512个随机点，根据Google Earth高空间分辨率遥感影像及先验知识，对随机点进行地物类型和植物种类定义，生成验证样本。计算总体精度、用户精度、生产者精度及Kappa系数，进行精度验证，本实施例方法检测分类结果总体精度为86.02％，生产者精度72.50％-95.45％，用户精度77.55％-98.44％，Kappa系数0.82。互花米草的生产者精度和用户精度详见表2。
表1实验组别-特征集合
Figure BDA0002472216740000061
精度验证结果表明，随机森林算法精度随特征的增加提高，相比最大似然法在相同的特征集合下总体精度及Kappa系数也较高。最大似然法对高维数据集的适用性较差。
表2精度验证结果
Figure BDA0002472216740000062
本实施例提供的湿地植物种类检测方法，充分利用地物的光谱特性和植物的物候特性体现在不同时相遥感影像中的光谱差异性，选取植物生长周期内典型时期的多幅遥感影像，并计算植被指数、水体指数、缨帽变换分量及植被指数季节差值共同构成特征集合，利用随机森林算法进行分类。对于光谱特性相似但物候特性不同的植物区分度较高，其精度相比于监督分类结果大幅度提高。

Claims (10)

1.一种湿地植物种类检测方法，其特征在于，该方法包括以下步骤：
步骤S1：获取植物生长周期内不同阶段的遥感影像；
步骤S2：对遥感影像进行预处理，计算研究区域的植被指数、归一化水体指数和缨帽变换分量；
步骤S3：根据植被指数计算研究区域的植被指数季节差值；
步骤S4：以植被指数、归一化水体指数、缨帽变换分量、植被指数季节差值和遥感影像多波段数据为特征变量，利用随机森林模型进行分类，完成湿地植物种类检测。
2.根据权利要求1所述的一种湿地植物种类检测方法，其特征在于，所述的植物生长周期内不同阶段包括返青期、生长期和枯萎期。
3.根据权利要求1所述的一种湿地植物种类检测方法，其特征在于，所述的对遥感影像进行预处理包括辐射定标、大气校正、几何校正和掩膜处理。
4.根据权利要求1所述的一种湿地植物种类检测方法，其特征在于，所述的植被指数包括归一化植被指数、比值植被指数、差值植被指数。
5.根据权利要求4所述的一种湿地植物种类检测方法，其特征在于，所述归一化植被指数NDVI的计算公式为：
Figure FDA0002472216730000011
其中，NIR为遥感影像的近红外波段，R为遥感影像的红波段；
所述归一化水体指数NDWI的计算公式为：
Figure FDA0002472216730000012
其中，G为遥感影像的绿波段；
所述差值植被指数DVI的计算公式为：
DVI＝NIR-R；
所述比值植被指数RVI的计算公式为：
Figure FDA0002472216730000013
6.根据权利要求1所述的一种湿地植物种类检测方法，其特征在于，所述的缨帽变换分量包括亮度、湿度和绿度。
7.根据权利要求6所述的一种湿地植物种类检测方法，其特征在于，所述亮度BI的计算公式为：
BI＝0.3521×B+0.3899×G+0.3825×R+0.6985×NIR+0.2343×SWIR1+0.1867×SWIR2
其中，B为遥感影像的蓝波段，G为遥感影像的绿波段，R为遥感影像的红波段，NIR为遥感影像的近红外波段，SWIR1为遥感影像的第一短波红外波段，SWIR2为遥感影像的第二短波红外波段；
所述湿度WI的计算公式为：
WI＝-0.3301×B-0.3455×G-0.4508×R+0.6970×NIR-0.0448×SWIR1-0.2840×SWIR2；
所述绿度GVI的计算公式为：
GVI＝0.2651×B+0.2367×G+0.1296×R+0.0590×NIR-0.7506×SWIR1-0.5386×SWIR2。
8.根据权利要求1所述的一种湿地植物种类检测方法，其特征在于，所述的植被指数季节差值包括夏季与冬季的归一化植被指数差值、比值植被指数差值和差值植被指数差值。
9.根据权利要求8所述的一种湿地植物种类检测方法，其特征在于，所述归一化植被指数差值SDI(1)的计算公式为：
SDI(1)＝NDVI(s)-NDVI(w)
其中，NDVI(s)表示夏季归一化植被指数，NDVI(w)表示冬季归一化植被指数；
所述比值植被指数差值SDI(2)的计算公式为：
SDI(2)＝RVI(s)-RVI(w)
其中，RVI(s)表示夏季比值植被指数，RVI(w)表示冬季比值植被指数；
所述差值植被指数差值SDI(3)的计算公式为：
SDI(3)＝DVI(s)-RVI(w)
其中，DVI(s)表示夏季差值植被指数，DVI(w)表示冬季差值植被指数。
10.根据权利要求1所述的一种湿地植物种类检测方法，其特征在于，所述随机森林模型训练时通过实地调查数据和高空间分辨率遥感影像确认地物及植物种类。
CN202010351987.7A 2020-04-28 2020-04-28 一种湿地植物种类检测方法 Pending CN111507303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010351987.7A CN111507303A (zh) 2020-04-28 2020-04-28 一种湿地植物种类检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010351987.7A CN111507303A (zh) 2020-04-28 2020-04-28 一种湿地植物种类检测方法

Publications (1)

Publication Number Publication Date
CN111507303A true CN111507303A (zh) 2020-08-07

Family

ID=71874966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010351987.7A Pending CN111507303A (zh) 2020-04-28 2020-04-28 一种湿地植物种类检测方法

Country Status (1)

Country Link
CN (1) CN111507303A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800973A (zh) * 2021-01-29 2021-05-14 宁波大学 一种基于植被物候特征决策的互花米草提取方法
CN113158767A (zh) * 2021-03-02 2021-07-23 山东科技大学 一种基于光谱特性的钉螺孳生地识别方法
CN113723254A (zh) * 2021-08-23 2021-11-30 三明学院 一种毛竹林分布的识别方法、装置、设备和存储介质
CN114067213A (zh) * 2021-12-06 2022-02-18 电子科技大学长三角研究院(湖州) 基于多源遥感数据的湿地甲烷排放变化研究方法
CN114219847A (zh) * 2022-02-18 2022-03-22 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质
CN114419455A (zh) * 2021-12-14 2022-04-29 大连理工大学 一种基于多源遥感数据的区域沙化程度判断方法
CN115035411A (zh) * 2022-06-17 2022-09-09 宁波大学 一种基于高光谱数据的互花米草指数构建与提取方法
CN115471760A (zh) * 2022-10-31 2022-12-13 吉林高分遥感应用研究院有限公司 玉米长势监测方法、系统、电子设备及计算机存储介质
CN115797797A (zh) * 2023-02-09 2023-03-14 水利部交通运输部国家能源局南京水利科学研究院 一种蒸散发塔基遥感监测方法系统及存储介质
CN116012334A (zh) * 2023-01-04 2023-04-25 南京大学 一种领域知识约束的建设用地非监督变化检测方法
CN116524225A (zh) * 2022-12-23 2023-08-01 山东大学 一种基于多源遥感数据的作物分类方法及系统
CN116994072A (zh) * 2023-09-26 2023-11-03 航天宏图信息技术股份有限公司 基于决策树分类模型的湿地提取方法、装置、设备和介质
CN118154936A (zh) * 2024-02-01 2024-06-07 北京格致博雅生物科技有限公司 一种基于机器学习的品种鉴定分类方法及系统
CN118298325A (zh) * 2024-04-22 2024-07-05 中国科学院地理科学与资源研究所 一种对露天矿区采矿过程植被变化的监测方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629324A (zh) * 2011-08-02 2012-08-08 林辉 Modis生物物理参数森林信息提取方法
CN103778622A (zh) * 2013-10-29 2014-05-07 中国科学院东北地理与农业生态研究所 一种基于ndvi与lswi相结合的湿地信息提取方法
CN103971027A (zh) * 2014-05-29 2014-08-06 福州大学 基于水体与植被指数变化比值指数的水稻自动制图方法
CN105046188A (zh) * 2015-04-13 2015-11-11 中南林业科技大学 Modis混合像元分解森林信息提取方法
CN105740759A (zh) * 2016-01-15 2016-07-06 武汉珈和科技有限公司 基于多时相数据中特征提取的中稻信息决策树分类方法
CN105825222A (zh) * 2015-01-07 2016-08-03 王伟 基于多源多时相卫星影像数据的土地自动分类方法
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统
CN107273820A (zh) * 2017-05-26 2017-10-20 中国科学院遥感与数字地球研究所 一种土地覆盖遥感分类方法及系统
CN107403157A (zh) * 2017-07-28 2017-11-28 中国科学院东北地理与农业生态研究所 基于modis数据的区域大尺度作物种植结构提取方法
CN108020511A (zh) * 2016-11-01 2018-05-11 中国科学院遥感与数字地球研究所 一种浅水草型湖泊水质参数遥感监测方法与装置
CN109614891A (zh) * 2018-11-27 2019-04-12 北京师范大学 基于物候学和遥感的农作物识别方法
CN110096990A (zh) * 2019-04-25 2019-08-06 中国科学院遥感与数字地球研究所 一种基于lst时间序列的典型树种识别方法
CN110532967A (zh) * 2019-09-02 2019-12-03 中国科学院遥感与数字地球研究所 一种基于哨兵1号rvi时间序列的农作物分类方法
CN110751019A (zh) * 2019-09-03 2020-02-04 武汉珈和科技有限公司 基于深度学习的高分辨率影像农作物自动提取方法及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629324A (zh) * 2011-08-02 2012-08-08 林辉 Modis生物物理参数森林信息提取方法
CN103778622A (zh) * 2013-10-29 2014-05-07 中国科学院东北地理与农业生态研究所 一种基于ndvi与lswi相结合的湿地信息提取方法
CN103971027A (zh) * 2014-05-29 2014-08-06 福州大学 基于水体与植被指数变化比值指数的水稻自动制图方法
CN105825222A (zh) * 2015-01-07 2016-08-03 王伟 基于多源多时相卫星影像数据的土地自动分类方法
CN105046188A (zh) * 2015-04-13 2015-11-11 中南林业科技大学 Modis混合像元分解森林信息提取方法
CN105740759A (zh) * 2016-01-15 2016-07-06 武汉珈和科技有限公司 基于多时相数据中特征提取的中稻信息决策树分类方法
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统
CN108020511A (zh) * 2016-11-01 2018-05-11 中国科学院遥感与数字地球研究所 一种浅水草型湖泊水质参数遥感监测方法与装置
CN107273820A (zh) * 2017-05-26 2017-10-20 中国科学院遥感与数字地球研究所 一种土地覆盖遥感分类方法及系统
CN107403157A (zh) * 2017-07-28 2017-11-28 中国科学院东北地理与农业生态研究所 基于modis数据的区域大尺度作物种植结构提取方法
CN109614891A (zh) * 2018-11-27 2019-04-12 北京师范大学 基于物候学和遥感的农作物识别方法
CN110096990A (zh) * 2019-04-25 2019-08-06 中国科学院遥感与数字地球研究所 一种基于lst时间序列的典型树种识别方法
CN110532967A (zh) * 2019-09-02 2019-12-03 中国科学院遥感与数字地球研究所 一种基于哨兵1号rvi时间序列的农作物分类方法
CN110751019A (zh) * 2019-09-03 2020-02-04 武汉珈和科技有限公司 基于深度学习的高分辨率影像农作物自动提取方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SHAOHONG TIAN 等: "Random Forest Classification of Wetland Landcovers from Multi-Sensor Data in the Arid Region of Xinjiang, China", 《REMOTE SENSING》 *
李博伦 等: "Ｌａｎｄｓａｔ ８陆地成像仪影像的缨帽变换推导", 《测绘科学》 *
汪权方 等: "基于时序NDVI 数据的鄱阳湖流域常绿覆被季节性变化特征", 《长江流域资源与环境》 *
王海龙 等: ""顾及植被季相节律的滨海湿地类型动态变化研究"", 《林业资源管理》 *
袁爽 等: "湿地植被遥感提取及动态变化研究—以崇明东滩为例", 《江西理工大学学报》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800973B (zh) * 2021-01-29 2021-08-27 宁波大学 一种基于植被物候特征决策的互花米草提取方法
CN112800973A (zh) * 2021-01-29 2021-05-14 宁波大学 一种基于植被物候特征决策的互花米草提取方法
CN113158767B (zh) * 2021-03-02 2022-09-30 山东科技大学 一种基于光谱特性的钉螺孳生地识别方法
CN113158767A (zh) * 2021-03-02 2021-07-23 山东科技大学 一种基于光谱特性的钉螺孳生地识别方法
CN113723254A (zh) * 2021-08-23 2021-11-30 三明学院 一种毛竹林分布的识别方法、装置、设备和存储介质
CN113723254B (zh) * 2021-08-23 2024-08-02 三明学院 一种毛竹林分布的识别方法、装置、设备和存储介质
CN114067213A (zh) * 2021-12-06 2022-02-18 电子科技大学长三角研究院(湖州) 基于多源遥感数据的湿地甲烷排放变化研究方法
CN114067213B (zh) * 2021-12-06 2024-06-25 电子科技大学长三角研究院(湖州) 基于多源遥感数据的湿地甲烷排放变化研究方法
CN114419455A (zh) * 2021-12-14 2022-04-29 大连理工大学 一种基于多源遥感数据的区域沙化程度判断方法
CN114419455B (zh) * 2021-12-14 2024-10-15 大连理工大学 一种基于多源遥感数据的区域沙化程度判断方法
CN114219847A (zh) * 2022-02-18 2022-03-22 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质
CN115035411A (zh) * 2022-06-17 2022-09-09 宁波大学 一种基于高光谱数据的互花米草指数构建与提取方法
CN115471760A (zh) * 2022-10-31 2022-12-13 吉林高分遥感应用研究院有限公司 玉米长势监测方法、系统、电子设备及计算机存储介质
CN116524225A (zh) * 2022-12-23 2023-08-01 山东大学 一种基于多源遥感数据的作物分类方法及系统
CN116012334A (zh) * 2023-01-04 2023-04-25 南京大学 一种领域知识约束的建设用地非监督变化检测方法
CN116012334B (zh) * 2023-01-04 2024-06-25 南京大学 一种领域知识约束的建设用地非监督变化检测方法
CN115797797A (zh) * 2023-02-09 2023-03-14 水利部交通运输部国家能源局南京水利科学研究院 一种蒸散发塔基遥感监测方法系统及存储介质
CN115797797B (zh) * 2023-02-09 2023-04-21 水利部交通运输部国家能源局南京水利科学研究院 一种蒸散发塔基遥感监测方法系统及存储介质
CN116994072B (zh) * 2023-09-26 2024-01-30 航天宏图信息技术股份有限公司 基于决策树分类模型的湿地提取方法、装置、设备和介质
CN116994072A (zh) * 2023-09-26 2023-11-03 航天宏图信息技术股份有限公司 基于决策树分类模型的湿地提取方法、装置、设备和介质
CN118154936A (zh) * 2024-02-01 2024-06-07 北京格致博雅生物科技有限公司 一种基于机器学习的品种鉴定分类方法及系统
CN118298325A (zh) * 2024-04-22 2024-07-05 中国科学院地理科学与资源研究所 一种对露天矿区采矿过程植被变化的监测方法及系统

Similar Documents

Publication Publication Date Title
CN111507303A (zh) 一种湿地植物种类检测方法
CN108764255B (zh) 一种冬小麦种植信息的提取方法
González-Yebra et al. Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data
CN111340826A (zh) 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN114387528A (zh) 松材线虫病监测天空地一体化监测方法
CN111310681B (zh) 一种融入地学知识的红树林分布遥感提取方法
CN108458978A (zh) 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
CN113971769B (zh) 基于多源大数据的海岸带地域功能长时序识别方法
Zeng et al. A phenology-based vegetation index classification (PVC) algorithm for coastal salt marshes using Landsat 8 images
CN114419463B (zh) 一种基于云平台的全球太阳能光伏板遥感自动识别方法
CN112329790B (zh) 一种城市不透水面信息快速提取方法
CN114821343A (zh) 一种基于云平台的红树林遥感快速精准提取方法
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
CN114612787B (zh) 一种尺度变化策略支持的城市绿地深度学习提取方法
Chen et al. 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing
Zhao et al. Extraction of mangrove in Hainan Dongzhai Harbor based on CART decision tree
CN115965878B (zh) 一种基于gee的青藏高原河流悬移质泥沙反演监测方法
Qi et al. Mapping tea plantations using multitemporal spectral features by harmonised Sentinel-2 and Landsat images in Yingde, China
CN115620133B (zh) 一种顾及物候与水位时序特征的红树林提取方法
CN114037902B (zh) 一种条斑紫菜养殖区悬浮泥沙提取与识别的反演方法
CN116797921A (zh) 基于Sentinel-2影像的山区湖泊水体提取方法
Chen et al. Dense greenhouse extraction in high spatial resolution remote sensing imagery
Li Dynamic monitoring algorithm of natural resources in scenic spots based on MODIS Remote Sensing technology
CN115205701A (zh) 一种基于水稻物候特征提取样本的方法
CN115527108A (zh) 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法

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

Application publication date: 20200807

RJ01 Rejection of invention patent application after publication