CN111652882A - 一种大尺度地表水体产品制图精度评估方法 - Google Patents
一种大尺度地表水体产品制图精度评估方法 Download PDFInfo
- Publication number
- CN111652882A CN111652882A CN202010646865.0A CN202010646865A CN111652882A CN 111652882 A CN111652882 A CN 111652882A CN 202010646865 A CN202010646865 A CN 202010646865A CN 111652882 A CN111652882 A CN 111652882A
- Authority
- CN
- China
- Prior art keywords
- water body
- water
- surface water
- product
- seasonal
- 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.)
- Granted
Links
Images
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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明公开了一种大尺度地表水体产品制图精度评估方法,首先收集公开发布且覆盖全球的地表水体产品,选取能够表征地表水体动态信息的季节水体产品,采用基于空间网格约束的方法将地表水体产品划分不同分块对象,每个分块对象重分类成永久水体、季节水体和非水体三个矢量空间子集,针对每个空间子集区随机生成并选取样本点,形成样本集,结合Google earth高分影像和专家知识经验对样本集的精度进行校验;利用校验后的验证样本集对地表水体产品进行验证,构建精度验证混淆矩阵,计算表征地表水体产品制图精度的全局精度指数和Kappa系数指标,实现大尺度地表水体产品制图精度的评估。
Description
技术领域
本发明属于遥感影像分析技术领域,具体涉及一种大尺度地表水体产品制图精度评估方法的设计。
背景技术
卫星遥感以其大范围观测、高频次成像和客观监测地表信息等优势,成为大尺度地表水体产品制图不可或缺的手段。目前全球共发布了16套地表水体类产品,空间分辨率小于100m的地表水体产品有9套,其中已开放共享的地表水体产品有GIW、FROM-GLC watermask、Global Land 30-water、G3WBM和JRC Global Surface Water。随着Google EarthEngine的广泛应用,开展区域和全球等大尺度的地表水体制图成为趋势。大尺度地表水体产品在发布时均进行精度自检或与现有产品在局部区域的对比,但由于各产品中地表水体定义、所采用的数据源以及制图方法存在差异,且各自的精度验证所采用的数据也不尽相同,难以客观评价各地表水体产品之间的精度,制约着用户选择合适的产品使用。
以往小尺度地表水体制图精度评估多是人工方式提取地表水体范围作为基础数据,可以准确评价地表水体的制图精度,而大尺度地表水体产品由于工作效率问题难以采用此种方法;同时,传统的地表水体产品制图精度评估,只考虑水体和非水体两种类型,没有考虑季节水体。因此,为了客观评估地表水体产品制图精度,需要提出一套新的针对大尺度地表水体产品制图精度的评估方法。
发明内容
本发明的目的是针对当前地表水体产品制图精度评估方法存在的不足,提出了一种大尺度地表水体产品制图精度评估方法。
本发明的技术方案为:一种大尺度地表水体产品制图精度评估方法,包括以下步骤:
S1、遴选地表水体空间参考数据集,并重分类得到矢量空间子集。
S2、基于空间网格对矢量空间子集进行划分,并对矢量空间子集边界进行修正。
S3、在空间网格中随机生成样本点,基于修正后的矢量空间子集叠加选取样本点数据集,对样本点数据集中的样本点进行核检与修正,得到验证样本集。
S4、基于验证样本集对大尺度地表水体产品进行验证,构建混淆矩阵计算定量评估指标,实现大尺度地表水体产品制图精度评估。
进一步地,步骤S1包括以下分步骤:
S11、选取JRC Global Surface Water地表水体产品作为空间参考数据集。
S12、在JRC Global Surface Water地表水体产品中,选取季节水体产品作为空间参考数据。
S13、对季节水体产品进行重分类,得到永久水体类型、季节水体类型和非水体类型。
S14、通过栅格转矢量,对应形成永久水体、季节水体和非水体三个矢量空间子集。
进一步地,步骤S13中对季节水体产品进行重分类的公式为:
其中P表示水体类型,P=0表示非水体类型,P=1表示季节水体类型,P=2表示永久水体类型,DN表示所选取季节水体产品的像元值。
进一步地,步骤S2包括以下分步骤:
S21、基于季节水体产品的像素大小,构建规则方形空间网格。
S22、基于规则方形空间网格,分别针对永久水体、季节水体和非水体三个矢量空间子集进行划分。
S23、针对永久水体和季节水体矢量空间子集,采用矢量向内缓冲10m对空间子集范围进行调整,将缓冲区域划归为非水体矢量空间子集,形成修正后的矢量空间子集。
进一步地,步骤S3包括以下分步骤:
S31、针对每个规则方形网格,随机生成1万个样本点,样本点的最小间距设置为100m。
S32、叠加修正后的矢量空间子集,在永久水体矢量空间子集中随机选取2个样本点,在季节水体矢量空间子集中随机抽选1个样本点,在非水体矢量空间子集中随机抽选1个样本点,形成永久水体、季节水体和非水体三类样本点数据集。
S33、采用核密度函数计算三类样本点的空间分布密度,并结合样本点的空间分布密度和地表水体时空分布先验知识,对三类样本点进行人为抽取,优化三类样本点的数量和空间密度。
S34、选取与待评估地表水体产品时相最接近的Google Earth高分辨率卫星影像和优化后的三类样本点,采用人工交互验证方式对各类样本点水体类型进行核检。
S35、针对每一个样本点,若出现在错误水体类型区域,人工修正到附近正确水体类型区域,得到优化后的永久水体、季节水体和非水体验证样本集。
进一步地,步骤S33中核密度函数的计算公式为:
其中f(·)表示核密度函数,N表示样本点总数,h表示带宽,xi表示独立分布第i个样本点,x表示估算位置点,K(·)表示核函数。
进一步地,步骤S4包括以下分步骤:
S41、根据大尺度地表水体产品的种类选取对应的验证样本集。
S42、将选取的验证样本集和大尺度地表水体产品进行叠加,对应提取和判别待评估地表水体产品中的水体类型,构建精度验证混淆矩阵。
S43、根据精度验证混淆矩阵计算全局精度OA和Kappa系数KCS。
S44、根据全局精度OA和Kappa系数KCS对大尺度地表水体产品的制图精度进行定量评估。
进一步地,步骤S42中构建的精度验证混淆矩阵具体为:
其中xi,j表示验证样本集中的第i类水体类型和大尺度地表水体产品中第j类水体类型匹配上的数量,i=1,2,3;j=1,2,3,1,2,3分别对应永久水体、季节水体和非水体三种水体类型。
进一步地,步骤S43中全局精度OA的计算公式为:
Kappa系数KCS的计算公式为:
其中N表示样本点数量,xi,i表示第i类水体类型正确的总数,xi+表示从待评估地表水体产品中匹配第i类水体类型的总数,x+i表示从验证样本集中匹配第i类水体类型的总数。
进一步地,步骤S44具体为:当全局精度OA≥90%或Kappa系数KCS≥0.78时,判定大尺度地表水体产品具有较高的制图精度。
本发明的有益效果是:本发明结合公开发布的地表水体产品作为空间参考,采用基于空间格网的空间子集划分方法,保证生成的随机样本点兼顾地表水体验证样本点的水体类型典型性和空间分布均衡性,实现了大尺度地表水体产品制图精度的评估,是一种实用性很强且较科学的大尺度地表水体产品制图精度评估方法。本发明不仅适用于30m分辨率地表水体产品精度评估,同样也适用于高空间分辨率大尺度地表水体产品。此外,本发明的思路对其它单要素地表类型(森林、草地、耕地、城区和湿地)大尺度制图精度评估也同样适用。
附图说明
图1所示为本发明实施例提供的一种大尺度地表水体产品制图精度评估方法流程图。
图2所示为本发明实施例提供的一种大尺度地表水体产品制图精度评估方法流程框图。
图3所示为本发明实施例提供的地表水体随机样本点生成和优选示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种大尺度地表水体产品制图精度评估方法,如图1和图2共同所示,包括以下步骤S1~S4:
S1、遴选地表水体空间参考数据集,并重分类得到矢量空间子集。
步骤S1包括以下分步骤S11~S14:
S11、选取JRC Global Surface Water地表水体产品作为空间参考数据集。
由于地表水体面积占地表总面积的比例较低,若在大尺度范围随机生成样本点,会导致只有少数样本点位于地表水体范围,因此,需要遴选现有的地表水体产品作为空间参考数据,使得生成的地表水体随机样本点具有较强的空间代表性。
目前可获取的高分辨率全球地表水体产品有5套,如表1所示,均是采用LandsatTM/ETM+/OLI卫星遥感数据作为基础数据。GIW、FROM-GLC water mask和Global Land 30-water是采用1-2期卫星遥感数据开展地表水体产品研制,主要表征地表水体空间分布信息,而G3WBM和JRC Global Surface Water是利用多时序或全时序卫星遥感数据开展全球地表水体产品制图,可表征地表水体动态变化信息,其中JRC Global Surface Water为30m空间分辨率,且采用是全时序卫星遥感数据,能够展现精细地表水体动态变化信息。综上,本发明实施例选取JRC Global Surface Water地表水体产品作为空间参考数据集。
表1
S12、在JRC Global Surface Water地表水体产品中,选取季节水体产品作为空间参考数据。
季节水体产品代表水体出现月份总量,其影像像元值(DN)的取值范围为0-12,其中DN=0表示非水体,1≤DN≤11表示水体出现月份为从1到11个月,代表季节水体,DN=12表示12个月均出现水体,代表永久水体。
S13、对季节水体产品进行重分类,得到永久水体类型、季节水体类型和非水体类型。
本发明实施例中,对季节水体产品进行重分类的公式为:
其中P表示水体类型,P=0表示非水体类型,P=1表示季节水体类型,P=2表示永久水体类型,DN表示所选取季节水体产品的像元值。
S14、通过栅格转矢量,对应形成永久水体、季节水体和非水体三个矢量空间子集。
S2、基于空间网格对矢量空间子集进行划分,并对矢量空间子集边界进行修正。
步骤S2包括以下分步骤S21~S23:
S21、基于季节水体产品的像素大小,构建规则方形空间网格。
规则方形网格如图3(a)所示,规则方形网格大小与制图精度评估区域和所需生成样本点数量有关,以全球尺度30m地表水体产品制图精度评估为例,一般采用4000*4000像素的方形网格,如图3(b)所示,生成永久水体样本点约3万余个,季节水体样本点约1.5万余个,非水体区域样本点约2万余个。若要生成更多验证样本点,可以将规则方形网格大小调小,同理,若要减少验证样本点,则将规则方形网格大小调大。
S22、基于规则方形空间网格,分别针对永久水体、季节水体和非水体三个矢量空间子集进行划分。
S23、因为JRC Global Surface Water季节水体产品为30m空间分辨率,在水体边界会因为混合像元导致误分,因此,针对永久水体和季节水体矢量空间子集,采用矢量向内缓冲10m对空间子集范围进行调整,将缓冲区域划归为非水体矢量空间子集,形成修正后的矢量空间子集。
S3、在空间网格中随机生成样本点,基于修正后的矢量空间子集叠加选取样本点数据集,对样本点数据集中的样本点进行核检与修正,得到验证样本集。
步骤S3包括以下分步骤S31~S35:
S31、针对每个规则方形网格,随机生成1万个样本点,样本点的最小间距设置为100m,从而保证样本点在空间上的随机性和离散性,如图3(c)所示。
S32、叠加修正后的矢量空间子集,在永久水体矢量空间子集中随机选取2个样本点,在季节水体矢量空间子集中随机抽选1个样本点,在非水体矢量空间子集中随机抽选1个样本点,形成永久水体、季节水体和非水体三类样本点数据集,如图3(d)所示。
S33、采用核密度函数计算三类样本点的空间分布密度,并结合样本点的空间分布密度和地表水体时空分布先验知识,对三类样本点进行人为抽取,优化三类样本点的数量和空间密度。
本发明实施例中,核密度函数的计算公式为:
其中f(·)表示核密度函数,N表示样本点总数,h表示带宽,xi表示独立分布第i个样本点,x表示估算位置点,K(·)表示核函数,本发明实施例中采用均匀核函数。
S34、选取与待评估地表水体产品时相最接近的Google Earth高分辨率卫星影像和优化后的三类样本点,采用人工交互验证方式对各类样本点水体类型进行核检,一方面可以消除JRC Global Surface Water产品分类误差导致样本点误差,另一方面可进一步优化永久水体、季节水体和非水体的空间位置。
一般所选择的样本点中,永久水体和季节水体均包含河流、湖泊、养殖区等水体类型水体中心区域,季节水体包含河漫滩、湖泊低洼处、间歇性河流和冰川季节融雪区等水体类型,非水体包含陆地、冰雪、云、沙漠等水体类型。
S35、针对每一个样本点,若出现在错误水体类型区域,人工修正到附近正确水体类型区域,得到优化后的永久水体、季节水体和非水体验证样本集。
S4、基于验证样本集对大尺度地表水体产品进行验证,构建混淆矩阵计算定量评估指标,实现大尺度地表水体产品制图精度评估。
步骤S4包括以下分步骤S41~S44:
S41、根据大尺度地表水体产品的种类选取对应的验证样本集。
当前大尺度地表水体产品主要分为两种类型,一种是单时相或者多时相地表水体产品,水体类型中包含水体和非水体;另一种是全时序地表水体产品,水体类型中包含永久水体、季节水体和非水体。步骤S1到步骤S3提出的是包含永久水体、季节水体和非水体的验证样本集,若针对第一种地表水体类型,则将永久水体和非水体作为验证样本集,验证大尺度地表水体产品精度;针对第二种地表水体类型,则将永久水体、季节水体和非水体作为验证样本集,对应大尺度地表水体产品也分为三种水体类型,验证地表水体产品精度,本发明实施例中,以下步骤精度评估以第二种地表水体类型作为示例说明评估方法。
S42、将选取的验证样本集和大尺度地表水体产品进行叠加,对应提取和判别待评估地表水体产品中的水体类型,构建精度验证混淆矩阵:
其中xi,j表示验证样本集中的第i类水体类型和大尺度地表水体产品中第j类水体类型匹配上的数量,i=1,2,3;j=1,2,3,1,2,3分别对应永久水体、季节水体和非水体三种水体类型。
本发明实施例中,精度验证混淆矩阵的水体类型对应关系如表2所示。
表2
S43、根据精度验证混淆矩阵计算全局精度OA和Kappa系数KCS。
本发明实施例中,全局精度OA的计算公式为:
Kappa系数KCS的计算公式为:
其中N表示样本点数量,xi,i表示第i类水体类型正确的总数,xi+表示从待评估地表水体产品中匹配第i类水体类型的总数,x+i表示从验证样本集中匹配第i类水体类型的总数。
S44、根据全局精度OA和Kappa系数KCS对大尺度地表水体产品的制图精度进行定量评估。
本发明实施例中,当全局精度OA≥90%或Kappa系数KCS≥0.78时,判定大尺度地表水体产品具有较高的制图精度。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种大尺度地表水体产品制图精度评估方法,其特征在于,包括以下步骤:
S1、遴选地表水体空间参考数据集,并重分类得到矢量空间子集;
S2、基于空间网格对矢量空间子集进行划分,并对矢量空间子集边界进行修正;
S3、在空间网格中随机生成样本点,基于修正后的矢量空间子集叠加选取样本点数据集,对样本点数据集中的样本点进行核检与修正,得到验证样本集;
S4、基于验证样本集对大尺度地表水体产品进行验证,构建混淆矩阵计算定量评估指标,实现大尺度地表水体产品制图精度评估。
2.根据权利要求1所述的大尺度地表水体产品制图精度评估方法,其特征在于,所述步骤S1包括以下分步骤:
S11、选取JRC Global Surface Water地表水体产品作为空间参考数据集;
S12、在JRC Global Surface Water地表水体产品中,选取季节水体产品作为空间参考数据;
S13、对季节水体产品进行重分类,得到永久水体类型、季节水体类型和非水体类型;
S14、通过栅格转矢量,对应形成永久水体、季节水体和非水体三个矢量空间子集。
4.根据权利要求2所述的大尺度地表水体产品制图精度评估方法,其特征在于,所述步骤S2包括以下分步骤:
S21、基于季节水体产品的像素大小,构建规则方形空间网格;
S22、基于规则方形空间网格,分别针对永久水体、季节水体和非水体三个矢量空间子集进行划分;
S23、针对永久水体和季节水体矢量空间子集,采用矢量向内缓冲10m对空间子集范围进行调整,将缓冲区域划归为非水体矢量空间子集,形成修正后的矢量空间子集。
5.根据权利要求2所述的大尺度地表水体产品制图精度评估方法,其特征在于,所述步骤S3包括以下分步骤:
S31、针对每个规则方形网格,随机生成1万个样本点,样本点的最小间距设置为100m;
S32、叠加修正后的矢量空间子集,在永久水体矢量空间子集中随机选取2个样本点,在季节水体矢量空间子集中随机抽选1个样本点,在非水体矢量空间子集中随机抽选1个样本点,形成永久水体、季节水体和非水体三类样本点数据集;
S33、采用核密度函数计算三类样本点的空间分布密度,并结合样本点的空间分布密度和地表水体时空分布先验知识,对三类样本点进行人为抽取,优化三类样本点的数量和空间密度;
S34、选取与待评估地表水体产品时相最接近的Google Earth高分辨率卫星影像和优化后的三类样本点,采用人工交互验证方式对各类样本点水体类型进行核检;
S35、针对每一个样本点,若出现在错误水体类型区域,人工修正到附近正确水体类型区域,得到优化后的永久水体、季节水体和非水体验证样本集。
7.根据权利要求5所述的大尺度地表水体产品制图精度评估方法,其特征在于,所述步骤S4包括以下分步骤:
S41、根据大尺度地表水体产品的种类选取对应的验证样本集;
S42、将选取的验证样本集和大尺度地表水体产品进行叠加,对应提取和判别待评估地表水体产品中的水体类型,构建精度验证混淆矩阵;
S43、根据精度验证混淆矩阵计算全局精度OA和Kappa系数KCS;
S44、根据全局精度OA和Kappa系数KCS对大尺度地表水体产品的制图精度进行定量评估。
10.根据权利要求7所述的大尺度地表水体产品制图精度评估方法,其特征在于,所述步骤S44具体为:当全局精度OA≥90%或Kappa系数KCS≥0.78时,判定大尺度地表水体产品具有较高的制图精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646865.0A CN111652882B (zh) | 2020-07-07 | 2020-07-07 | 一种大尺度地表水体产品制图精度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646865.0A CN111652882B (zh) | 2020-07-07 | 2020-07-07 | 一种大尺度地表水体产品制图精度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652882A true CN111652882A (zh) | 2020-09-11 |
CN111652882B CN111652882B (zh) | 2020-12-08 |
Family
ID=72349023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010646865.0A Active CN111652882B (zh) | 2020-07-07 | 2020-07-07 | 一种大尺度地表水体产品制图精度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652882B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540169A (zh) * | 2012-01-11 | 2012-07-04 | 武汉大学 | 一种基于遥感影像的水体制图产品质量评价方法 |
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 |
CN107844802A (zh) * | 2017-10-19 | 2018-03-27 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机低空遥感和面向对象分类的水土保持监测方法 |
CN108647721A (zh) * | 2018-05-10 | 2018-10-12 | 邢汉发 | 基于网络图片自动识别的地表覆盖验证方法及系统 |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN110033499A (zh) * | 2019-04-21 | 2019-07-19 | 南京林业大学 | 一种基于Landsat OLI遥感影像的区域性水体制图方法 |
CN110309780A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 |
WO2019224739A1 (en) * | 2018-05-25 | 2019-11-28 | University Of Johannesburg | System and method for real time prediction of water level and hazard level of a dam |
CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
CN111259876A (zh) * | 2020-05-06 | 2020-06-09 | 中国水利水电科学研究院 | 一种基于陆表水体产品的雷达数据水体信息提取方法及系统 |
-
2020
- 2020-07-07 CN CN202010646865.0A patent/CN111652882B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540169A (zh) * | 2012-01-11 | 2012-07-04 | 武汉大学 | 一种基于遥感影像的水体制图产品质量评价方法 |
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 |
CN107844802A (zh) * | 2017-10-19 | 2018-03-27 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机低空遥感和面向对象分类的水土保持监测方法 |
CN108647721A (zh) * | 2018-05-10 | 2018-10-12 | 邢汉发 | 基于网络图片自动识别的地表覆盖验证方法及系统 |
WO2019224739A1 (en) * | 2018-05-25 | 2019-11-28 | University Of Johannesburg | System and method for real time prediction of water level and hazard level of a dam |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN110033499A (zh) * | 2019-04-21 | 2019-07-19 | 南京林业大学 | 一种基于Landsat OLI遥感影像的区域性水体制图方法 |
CN110309780A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 |
CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
CN111259876A (zh) * | 2020-05-06 | 2020-06-09 | 中国水利水电科学研究院 | 一种基于陆表水体产品的雷达数据水体信息提取方法及系统 |
Non-Patent Citations (7)
Title |
---|
KELSEY HERNDON 等: "An Assessment of Surface Water Detection Methods for Water Resource Management in the Nigerien Sahel", 《SENSORS》 * |
LI LIANG 等: "Accuracy Evaluation and Consistency Analysis of Four Global Land Cover Products in the Arctic Region", 《REMOTE SENSING》 * |
WEI JIANG 等: "Surface water map of China for 2015 (SWMC-2015) derived from Landsat 8 satellite imagery", 《RESEARCHGATE》 * |
WEI JIANG 等: "Verification and analysis of surface water in China based on Landsat8 OLI images", 《PROCEEDINGS OF THE FIRST CHINA DIGITAL EARTH CONFERENCE:IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》 * |
庞治国 等: "基于遥感和地面测量的多尺度土壤水分产品验证分析", 《中国水利水电科学研究院学报》 * |
马延慈 等: "基于高分辨率人工识别地表类型的GlobeLand30产品精度评价", 《山东科技大学学报(自然科学版)》 * |
黄亚博 等: "首套全球30 m分辨率土地覆被产品区域尺度精度评价——以河南省为例", 《地理研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111652882B (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pickens et al. | Mapping and sampling to characterize global inland water dynamics from 1999 to 2018 with full Landsat time-series | |
Zhong et al. | Remote sensing image subpixel mapping based on adaptive differential evolution | |
Ge et al. | Development and testing of a subpixel mapping algorithm | |
Tong et al. | A new genetic method for subpixel mapping using hyperspectral images | |
CN106197383A (zh) | 一种海冰体积的遥感估算方法 | |
Maucha et al. | European validation of GMES FTS soil sealing enhancement data | |
CN115796712B (zh) | 区域陆地生态系统碳储量估算方法、装置、电子设备 | |
Herrault et al. | A comparative study of geometric transformation models for the historical" Map of France" registration | |
Wang et al. | Sub-pixel mapping based on sub-pixel to sub-pixel spatial attraction model | |
Tătui et al. | Nearshore sandbars crest position dynamics analysed based on Earth Observation data | |
Mu et al. | A climate downscaling deep learning model considering the multiscale spatial correlations and chaos of meteorological events | |
Park et al. | Downscaling earth system models with deep learning | |
CN102496185B (zh) | 基于多分辨率遥感影像离散点融合的dem构建方法 | |
CN111652882B (zh) | 一种大尺度地表水体产品制图精度评估方法 | |
CN116994071A (zh) | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 | |
村山祐司 | < Original Papers> Measurement of urban built-up volume using remote sensing data and geospatial techniques | |
CN107220615B (zh) | 一种融合兴趣点大数据的城市不透水面信息提取方法 | |
JP2005346665A (ja) | 海岸線抽出方法及び海岸線抽出システム | |
CN114202551B (zh) | 一种喀斯特石漠化的分级制图方法及装置 | |
Ma et al. | Feature enhanced deep learning network for digital elevation model super-resolution | |
CN102706326B (zh) | 光束法空中三角测量文件数据处理方法 | |
Ouyang et al. | A Bayesian approach to mapping the uncertainties of global urban lands | |
CN112785629A (zh) | 一种基于无监督深度光流网络的极光运动表征方法 | |
Zhang et al. | Fine Extraction of Water Boundaries Based on an Improved Subpixel Mapping Algorithm | |
CN114565802B (zh) | 一种风力发电机提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |