CN111695503B - 基于双波段辐亮度的珊瑚礁底质分类方法 - Google Patents

基于双波段辐亮度的珊瑚礁底质分类方法 Download PDF

Info

Publication number
CN111695503B
CN111695503B CN202010530590.4A CN202010530590A CN111695503B CN 111695503 B CN111695503 B CN 111695503B CN 202010530590 A CN202010530590 A CN 202010530590A CN 111695503 B CN111695503 B CN 111695503B
Authority
CN
China
Prior art keywords
radiance
band
coral reef
dual
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
CN202010530590.4A
Other languages
English (en)
Other versions
CN111695503A (zh
Inventor
张靖宇
程洁
马毅
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.)
First Institute of Oceanography MNR
Original Assignee
First Institute of Oceanography MNR
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 First Institute of Oceanography MNR filed Critical First Institute of Oceanography MNR
Priority to CN202010530590.4A priority Critical patent/CN111695503B/zh
Publication of CN111695503A publication Critical patent/CN111695503A/zh
Application granted granted Critical
Publication of CN111695503B publication Critical patent/CN111695503B/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
    • G06V20/13—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
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

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

Abstract

本发明涉及卫星遥感应用技术领域，公开了一种基于双波段辐亮度的珊瑚礁底质分类方法，包括以下步骤：S1、对预设区域遥感影像进行辐射定标处理，将影像像元亮度值转化为辐射亮度值；S2、在空间上均匀选取若干个样本点，提取得到全部样本点的蓝、绿波段辐亮度值，对样本点进行线性拟合得到回归线公式；S3、以回归线公式对应的直线作为临界点，对所有像元进行判定。本发明利用多光谱遥感影像蓝绿波段辐亮度之间的关系实现浅海珊瑚礁底质分类，不受水深变化的影响且不需要预先了解预设区域的底质分布情况，仅根据蓝、绿波段之间辐亮度的关系即可实现浅海珊瑚礁底质分类，求解简单且速度快。

Description

基于双波段辐亮度的珊瑚礁底质分类方法
技术领域
本发明涉及卫星遥感应用技术领域，具体而言，涉及一种基于双波段辐亮度的珊瑚礁底质分类方法，其基于双波段辐亮度的深度不变指数模型实现浅海珊瑚礁栖息地底质分类。
背景技术
沿海和浅水区人为活动的数量和规模已成为保护珊瑚礁生态系统的一个严重问题。为了保护珊瑚礁生态系统，需要对珊瑚礁区域进行可持续的区域规划。因此，珊瑚礁底质类型识别和栖息地测绘是实现生态系统管理的重要基础。与现场调查相比，遥感方法能够快速、廉价地识别珊瑚礁分布。
浅海珊瑚礁栖息地底质类型分布方法可以分为有监督分类和无监督分类。两者之间的区别在于：监督分类方法需要现场观察，例如训练数据，而无监督方法则不需要。目前，利用卫星图像数据识别珊瑚礁的研究主要集中在有监督的分类方法上，包括：最大似然、谱角映射器、纹理分析和决策树等。
由于部分底质类型之间的光谱特征相似，与目前的无监督分类方法相比，监督分类方法具有更好的准确性。但监督分类方法以了解各种底质类型的光谱数据特征为前提提出，对底质变化复杂的区域分类效果并不明显。因此，在没有先验知识来确定底质类型或底质类型解译不全的情况下，很难实现珊瑚礁底质的高精度分类。
发明内容
为了克服现有技术中需要先验知识才能实现珊瑚礁底质的高精度分类的问题，本发明提出了一种基于双波段辐亮度的珊瑚礁底质分类方法，该方法基于双波段辐亮度的深度不变指数模型实现，利用多光谱遥感影像蓝绿波段辐亮度之间的关系实现浅海珊瑚礁底质分类，不受水深变化的影响且不需要预先了解预设区域的底质分布情况。
为了解决上述技术问题，本发明采用的技术方案为：一种基于双波段辐亮度的深度不变指数模型的珊瑚礁底质分类方法，包括以下步骤：
S1、对预设区域遥感影像进行辐射定标处理，将影像像元亮度值转化为辐射亮度值；
S2、在空间上均匀选取若干个样本点，提取得到全部样本点的蓝、绿波段辐亮度值，并绘制样本点蓝、绿波段辐亮度值的散点图，对样本点的散点图进行线性拟合得到回归线公式L2＝aL1+b中的a和b的值，其中，a表示系数，b表示常数，L1表示蓝波段辐亮度值，L2表示绿波段辐亮度值；
S3、以回归线公式对应的直线作为临界点，对所有像元进行判定，判定方法为：蓝绿波段辐亮度值满足L2-aL1>b的像元判定为珊瑚礁，蓝绿波段辐亮度值满足L2-aL1≤b的像元判定为珊瑚沙。
优选地，对于QuickBird和WorldView遥感图像，所述步骤S1中，影像辐射定标计算公式为：
Figure BDA0002535054450000021
其中，absCalFactor表示绝对定标因子，Δλ表示波段的有效宽度，两者均通过查询影像IMD文件得到，L为传感器的入瞳辐射亮度，DN为量化后的像元亮度值。
优选地，所述步骤S1中，对预设区域遥感影像进行辐射定标处理，将影像像元亮度值转化为辐射亮度值后，还包括对定标后遥感影像进行大气校正、水陆掩膜的预处理步骤。
优选地，所述步骤S1中，对定标后遥感影像进行大气校正、水陆掩膜的预处理步骤后，还包括利用海图等深线提取设定深度范围内的浅海水域的步骤。
优选地，所述步骤S1中，还包括根据遥感影像成像时刻的海况和太阳角度、天气情况，进行水体校正及水面噪声消除的预处理步骤。
优选地，所述步骤S2中，样本点为预处理后的预设区域内的所有像元点。
优选地，所述步骤S2中，通过最小二乘法对样本点的散点图进行线性拟合。
本发明与现有技术相比具有以下有益效果：本发明提供了一种基于双波段辐亮度的珊瑚礁底质分类方法，该方法基于双波段辐亮度的深度不变指数模型实现，利用多光谱遥感影像蓝绿波段辐亮度之间的关系实现浅海珊瑚礁底质分类，不受水深变化的影响且不需要预先了解预设区域的底质分布情况，仅根据蓝、绿波段之间辐亮度的关系即可实现浅海珊瑚礁底质分类，求解简单且速度快，以目视解译和现场视频、照片作为参照，人机交互提取预设区域的底质类型分布结果，评价双波段辐亮度深度不变指数模型的分类精度，实例的总体分类精度80.18％，kappa系数0.62，说明该模型分类结果与真实分类情况具有高度的一致性。
附图说明
图1为本发明实施例提供的一种基于双波段辐亮度的珊瑚礁底质分类方法的流程示意图；
图2为本发明实施例中蓝绿波段辐亮度的散点图；
图3为本发明实施例中对遥感图像分类的结果示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面将结合具体实施例和附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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作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。
本发明实施方案选取中国西沙群岛某珊瑚岛礁进行底质分类研究，以WorldView-2多光谱遥感影像为例，如图1所示，本发明实施例的一种基于双波段辐亮度的深度不变指数模型的珊瑚礁底质分类方法，包括以下步骤：
S1、遥感影像预处理：对预设区域遥感影像进行辐射定标处理，将影像像元亮度值转化为辐射亮度值。
首先对预设区域遥感影像进行辐射定标，将影像的像元亮度值值转化为辐射亮度值L。WorldView-2影像辐射定标计算公式为：
Figure BDA0002535054450000031
其中，absCalFactor表示是绝对定标因子，Δλ为波段的有效宽度，两者均通过查询影像IMD文件得到，L为传感器的入瞳辐射亮度值，DN为量化后的像元亮度值。该辐射定标公式适用于QuickBird和WorldView遥感图像，对于其它不同的传感器，其辐射定标公式有一定的差别，需做不同处理。
多光谱影像一般有蓝、绿、红、近红外4个波段。遥感图像预处理后，通过ArcGIS或Matlab可以直接提取蓝、绿波段辐亮度值。利用辐射定标公式对影像做处理，可以得到影像每个波段的辐射亮度值。但由于该辐亮度值中包含大气的影响，存在一定的偏差，需进行大气校正。
因此，接着对定标后遥感影像进行大气校正，大气校正采用ENVI软件中的FLASH模块开展，然后进行水陆掩膜，因为陆地区域不需要进行海底底质分类,可以通过电子海图提供的海岛/海岸面状矢量层(或手动提取陆地矢量层)来掩去陆地，因为陆地不参与海底底质分类，留着会对底质分类产生干扰。并利用海图等深线提取一定深度范围内(通常为20m以浅)的浅海水域，之所以要提取20m水深以浅的海域图像，是因为光学穿透水体的深度有限，一般可以探测到20m以浅的海底。若探测不到海底，即意味着没有接收到海底信号，故无法进行底质分类。
此外，还可以根据遥感影像成像时刻的海况和太阳角度、天气情况，判断是否需要进行水体校正和海面噪声消除等预处理。这些预处理过程皆在定标后，且预处理方法可采用现有的技术。
S2、基于双波段辐亮度的深度不变指数模型构建：在空间上均匀选取若干个样本点，提取得到全部样本点的蓝、绿波段辐亮度值，并绘制样本点蓝、绿波段辐亮度值的散点图，并对样本点的散点图进行线性拟合得到回归线公式中的a和b的值，回归线公式为：
L2＝aL1+b；                      (2)
其中，a表示系数，b表示常数，L1表示蓝波段辐亮度值，L2表示绿波段辐亮度值。
基于预处理后的多光谱遥感影像，已经通过公式(1)将DN值转化为辐亮度值L，然后在空间上均匀选取大量的浅海底质分类的样本点，提取得到全部样本点的蓝、绿波段辐亮度值L1和L2，其中样本点的数量并不固定，为了实验更精确可以采用研究范围内所有的点。本实施例中随机选择了4300个样本点。
具体地，本发明中，样本点是空间上随机选取的点，样本点的数量可以根据分类精度具体进行选取，样本点越多，分类的准确性越高，为了分类的更精确性，也可以采集分类范围内所有点作为样本点。
如图2所示，通过绘制样本点蓝、绿波段辐亮度值的散点图，然后通过最小二乘法进行线性拟合可以求得形如L2＝aL1+b的回归线公式，本实施例中公式为L2＝1.2844L1-387.82，因此基于双波段辐亮度的深度不变指数阈值确定为-387.82。
以回归出来的直线作为参考，直线上方的样本分为一类，直线下方的样本为一类。本例中，利用基于双波段辐亮度关系的深度不变指数模型分类的时候，阈值范围大于-387.82为一类，阈值范围小于-387.82为一类。
S3、浅海底质珊瑚礁分类：以回归线公式对应的直线作为临界点，对所有像元进行判定，判定方法为：蓝绿波段辐亮度值满足L2-aL1>b的像元判定为珊瑚礁，蓝绿波段辐亮度值满足L2-aL1≤b的像元判定为珊瑚沙。
本实施例中，基于双波段辐亮度的深度不变指数模型对海岛附近的珊瑚礁底质分类，目视解译可分为珊瑚礁和珊瑚沙两种类型，将L2-1.2844L1大于-387.82的像元判别为珊瑚礁，将L2-1.2844L1小于-387.82的像元判别为珊瑚沙。
如图3所示，为本实施例进行分类的结果对比图，其中，左为分类原图，右为基于双波段辐亮度的深度不变指数模型分类的结果。
底质分区模型精度评价：以目视解译和现场视频、照片作为参照，人机交互提取预设区域的底质类型分布结果，评价双波段辐亮度深度不变指数模型的分类精度。实例的总体分类精度80.18％，kappa系数0.62，说明该模型分类结果与真实分类情况具有高度的一致性。
综上所述，本本发明提供了一种基于双波段辐亮度的珊瑚礁底质分类方法，该方法基于双波段辐亮度的深度不变指数模型实现，利用多光谱遥感影像蓝绿波段辐亮度之间的关系实现浅海珊瑚礁底质分类，不受水深变化的影响且不需要预先了解预设区域的底质分布情况，仅根据蓝、绿波段之间辐亮度的关系即可实现浅海珊瑚礁底质分类，求解简单且速度快。
上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (7)

1.一种基于双波段辐亮度的深度不变指数模型的珊瑚礁底质分类方法，其特征在于，包括以下步骤：
S1、对预设区域遥感影像进行辐射定标处理，将影像像元亮度值转化为辐射亮度值；
S2、在空间上均匀选取若干个样本点，提取得到全部样本点的蓝、绿波段辐亮度值，并绘制样本点蓝、绿波段辐亮度值的散点图，对样本点的散点图进行线性拟合得到回归线公式L2＝aL1+b中的a和b的值，其中，a表示系数，b表示常数，L1表示蓝波段辐亮度值，L2表示绿波段辐亮度值；
S3、以回归线公式对应的直线作为临界点，对所有像元进行判定，判定方法为：蓝绿波段辐亮度值满足L2-aL1>b的像元判定为珊瑚礁，蓝绿波段辐亮度值满足L2-aL1≤b的像元判定为珊瑚沙。
2.根据权利要求1所述的一种基于双波段辐亮度的深度不变指数模型的珊瑚礁底质分类方法，其特征在于，对于QuickBird和WorldView遥感图像，所述步骤S1中，影像辐射定标计算公式为：
Figure FDA0002535054440000011
其中，absCalFactor表示绝对定标因子，Δλ表示波段的有效宽度，两者均通过查询影像IMD文件得到，L为传感器的入瞳辐射亮度，DN为量化后的像元亮度值。
3.根据权利要求1所述的一种基于双波段辐亮度的深度不变指数模型的珊瑚礁底质分类方法，其特征在于，所述步骤S1中，对预设区域遥感影像进行辐射定标处理，将影像像元亮度值转化为辐射亮度值后，还包括对定标后遥感影像进行大气校正、水陆掩膜的预处理步骤。
4.根据权利要求3所述的一种基于双波段辐亮度的深度不变指数模型的珊瑚礁底质分类方法，其特征在于，所述步骤S1中，对定标后遥感影像进行大气校正、水陆掩膜的预处理步骤后，还包括利用海图等深线提取设定深度范围内的浅海水域的步骤。
5.根据权利要求4所述的一种基于双波段辐亮度的深度不变指数模型的珊瑚礁底质分类方法，其特征在于，所述步骤S1中，还包括根据遥感影像成像时刻的海况和太阳角度、天气情况，进行水体校正及水面噪声消除的预处理步骤。
6.根据权利要求1所述的一种基于双波段辐亮度的深度不变指数模型的珊瑚礁底质分类方法，其特征在于，所述步骤S2中，样本点为预处理后的预设区域内的所有像元点。
7.根据权利要求1所述的一种基于双波段辐亮度的深度不变指数模型的珊瑚礁底质分类方法，其特征在于，所述步骤S2中，通过最小二乘法对样本点的散点图进行线性拟合。
CN202010530590.4A 2020-06-11 2020-06-11 基于双波段辐亮度的珊瑚礁底质分类方法 Active CN111695503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010530590.4A CN111695503B (zh) 2020-06-11 2020-06-11 基于双波段辐亮度的珊瑚礁底质分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010530590.4A CN111695503B (zh) 2020-06-11 2020-06-11 基于双波段辐亮度的珊瑚礁底质分类方法

Publications (2)

Publication Number Publication Date
CN111695503A CN111695503A (zh) 2020-09-22
CN111695503B true CN111695503B (zh) 2023-04-18

Family

ID=72480509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010530590.4A Active CN111695503B (zh) 2020-06-11 2020-06-11 基于双波段辐亮度的珊瑚礁底质分类方法

Country Status (1)

Country Link
CN (1) CN111695503B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102032903A (zh) * 2010-12-01 2011-04-27 南京大学 基于Landsat数据源的珊瑚岛礁遥感信息自动提取方法
CN105445751A (zh) * 2015-11-18 2016-03-30 国家海洋局第一海洋研究所 一种浅水区域水深比值遥感反演方法
CN109635765A (zh) * 2018-12-19 2019-04-16 三亚中科遥感研究所 一种浅海珊瑚礁遥感信息自动提取方法
CN110889844A (zh) * 2019-11-29 2020-03-17 哈尔滨工程大学 一种基于深度聚类分析的珊瑚分布及健康状况评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102032903A (zh) * 2010-12-01 2011-04-27 南京大学 基于Landsat数据源的珊瑚岛礁遥感信息自动提取方法
CN105445751A (zh) * 2015-11-18 2016-03-30 国家海洋局第一海洋研究所 一种浅水区域水深比值遥感反演方法
CN109635765A (zh) * 2018-12-19 2019-04-16 三亚中科遥感研究所 一种浅海珊瑚礁遥感信息自动提取方法
CN110889844A (zh) * 2019-11-29 2020-03-17 哈尔滨工程大学 一种基于深度聚类分析的珊瑚分布及健康状况评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Zhang Jingyu et.al.."RESEARCH ON FUSION MODEL OF MULTI-TEMPORAL REMOTE SENSING BATHYMETRY AROUND ISLAND".《IGARSS 2016》.2016,全文. *
徐慧等."基于ＣＢＥＲＳ－０４卫星影像的珊瑚礁底质分类能力分析".《北京测绘》.2019,全文. *
程洁等."基于GF-2多光谱数据的水深多模型探测比较研究—以香港平洲岛为例".《海洋技术学报》.2018,全文. *

Also Published As

Publication number Publication date
CN111695503A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN105957079B (zh) 基于Landsat OLI多光谱影像的湖泊水域信息提取方法
CN111797712B (zh) 基于多尺度特征融合网络的遥感影像云与云阴影检测方法
CN110208193B (zh) 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法
CN109409265B (zh) 一种基于陆地资源卫星影像的浮筏养殖区域提取方法
CN112200787B (zh) 光学遥感影像的云检测方法、存储介质及系统
CN106570485B (zh) 一种基于深度学习的筏式养殖遥感图像场景标注方法
US11017507B2 (en) Image processing device for detection and correction of cloud cover, image processing method and storage medium
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN108564021B (zh) 一种基于数码相片提取荒漠植被盖度的方法
CN113176211B (zh) 一种基于hsv颜色空间模型变换的日间云检测方法
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN111027446A (zh) 一种高分辨率影像的海岸线自动提取方法
CN114266958A (zh) 一种基于云平台的红树林遥感快速精准提取方法
CN113298086A (zh) 基于U-Net网络的赤潮多光谱检测方法
CN115439759A (zh) 遥感影像中植被的提取方法、装置、电子设备及介质
Oguslu et al. Detection of seagrass scars using sparse coding and morphological filter
CN117575953B (zh) 一种高分辨率林业遥感图像细节增强方法
CN113284066B (zh) 遥感影像自动云检测方法和装置
CN113269028B (zh) 一种基于深度卷积神经网络的水体变化检测方法和系统
CN116109829B (zh) 一种基于融合网络的珊瑚礁水域图像分割方法
CN116721385A (zh) 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法
CN117911885A (zh) 一种赤潮检测方法、系统、介质、计算机设备及终端
CN111695503B (zh) 基于双波段辐亮度的珊瑚礁底质分类方法
CN116682024A (zh) 一种基于四波段遥感影像的快速云检测方法
Liu et al. Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices

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