CN111695606B - 一种多类型城市绿地分类方法 - Google Patents

一种多类型城市绿地分类方法 Download PDF

Info

Publication number
CN111695606B
CN111695606B CN202010448719.7A CN202010448719A CN111695606B CN 111695606 B CN111695606 B CN 111695606B CN 202010448719 A CN202010448719 A CN 202010448719A CN 111695606 B CN111695606 B CN 111695606B
Authority
CN
China
Prior art keywords
range
vegetation
ndvi
pixels
growing season
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
CN202010448719.7A
Other languages
English (en)
Other versions
CN111695606A (zh
Inventor
任志彬
董禹麟
何兴元
王国栋
付尧
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.)
Northeast Institute of Geography and Agroecology of CAS
Original Assignee
Northeast Institute of Geography and Agroecology 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 Northeast Institute of Geography and Agroecology of CAS filed Critical Northeast Institute of Geography and Agroecology of CAS
Priority to CN202010448719.7A priority Critical patent/CN111695606B/zh
Publication of CN111695606A publication Critical patent/CN111695606A/zh
Application granted granted Critical
Publication of CN111695606B publication Critical patent/CN111695606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

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

一种多类型城市绿地分类方法，解决了现有获取城市绿地空间信息的效率和准确度低的问题，属于城市绿地变化监测技术领域。本发明包括：获取研究区的植被物候；获取研究区的预生长季、生长季和非生长季遥感影像；利用生长季影像计算植被覆盖度，分割得到植被范围；利用非生长季影像计算植被覆盖度，分割得到常绿林范围；利用预生长季影像计算得到灰度图像，分割得到草地范围；利用常绿林范围和草地范围对植被范围空间掩膜，得到落叶林范围；获取夜间灯光影像，分割得到城市范围；利用城市范围掩膜常绿林范围、草地范围、落叶林范围，得到多类型城市绿地，包括常绿林、落叶林和草地。本干能够提高获得城市绿地空间信息的效率和准确度。

Description

一种多类型城市绿地分类方法
技术领域
本发明涉及一种集成物候和灰度切割的多类型城市绿地精准分类方法，属于城市绿地变化监测技术领域。
背景技术
城市绿地是具有植被覆盖的城市空间，比如行道树、公园、小区附属绿地等。城市绿地为城市居民提供生态、社会和文化娱乐服务，在缓解城市热浪、提升空气质量、增色城市景观、改善居民健康等方面是不可缺少的。精准监测城市绿地变化是城市管理的主要工作，对养护绿地和提升人民生活具有重要意义。
城市绿地由于分布面积广、破碎化、面积小的原因，采用人工调查其分布变化费时费力，且数据的精准性不高，无法满足及时的城市绿地管理需求。因此，遥感影像处理成为监测城市绿地的主要方法，以往通常以卫星影像或航拍照片为基础，采用人工解译或机器学习的方法提取城市绿地。但是，人工解译需要高强度手工作业，也不能及时获取绿地信息；关于机器学习的方法，由于城市景观的复杂性，分类器会造成椒盐现象导致结果数据的可用性差。
发明内容
针对现有获取城市绿地空间信息的效率和准确度低的问题，本发明提供一种精准的多类型城市绿地分类方法。
本发明的一种多类型城市绿地分类方法，所述方法包括：
S1、获取研究区的年内植被物候，确定植被的预生长季、生长季和非生长季；
S2、获取S1中预生长季、生长季和非生长季的遥感影像；
S3、利用S2中生长季的遥感影像计算植被覆盖度，根据该植被覆盖度进行植被与非植被像素的阈值分割，得到植被范围V；
S4、利用S2中非生长季遥感影像计算植被覆盖度，根据该植被覆盖度进行绿地像素与其他像素的阈值分割，得到常绿林范围Vc；
S5、利用S2中预生长季遥感影像计算灰度，根据该灰度进行草地像素与其他像素的阈值分割，得到草地范围Vg；
S6、利用常绿林范围Vc和草地范围Vg对植被范围V空间掩膜，得到落叶林范围Vd；
S7、获取研究区夜间灯光影像，根据该研究区夜间灯光影像进行曾是像素与非城市像素的分割，得到城市范围U；
S8、利用城市范围U掩膜常绿林范围Vc、草地范围Vg、落叶林范围Vd，得到多类型城市绿地UV，包括常绿林、落叶林和草地。
作为优选，所述S1包括：
利用研究区的年内时间序列的归一化植被指数NDVI或增强植被指数EVI做非线性拟合得到植被物候变化；
计算物候变化曲线的导数，得到植被物候的时间序列导数曲线；
在时间序列导数曲线中，显著增长点至最高值的区间对应预生长季，最高值至最低值的区间对应生长季，最低值后的区间对应非生长季。
作为优选，所述S3包括：
在生长季的遥感影像中，根据各个像素在红色波段R的光谱响应和短波红外波段NIR的光谱响应，计算归一化植被指数NDVI＝(NIR-R)/(NIR+R)，获得NDVI图像；
利用NDVI图像，求得生长季研究区内最高值NDVImax和最低值NDVImin，并进一步计算得到生长季研究区的植被覆盖度FVC＝(NDVI-NDVImin)/(NDVImax+NDVImin)，获得FVC图像；
利用FVC图像，采用最大类间分类法计算最优阈值，并以该最优阈值分割植被像素和非植被像素，根据植被像素确定植被范围V。
作为优选，所述S4包括：
在非生长季遥感影像中，根据各个像素在红色波段R的光谱响应和短波红外波段NIR的光谱响应，计算归一化植被指数NDVI＝(NIR-R)/(NIR+R)，获得NDVI图像；
利用NDVI图像，求得非生长季研究区内最高值NDVImax和最低值NDVImin，并进一步计算得到非生长季研究区的植被覆盖度FVC＝(NDVI-NDVImin)/(NDVImax+NDVImin)，获得FVC图像；
利用FVC图像，采用最大类间分类法计算最优阈值，并以最优阈值分割常绿林像素和其他像素，根据常绿林像素确定常绿林范围Vc。
作为优选，所述S5包括：
在预生长季遥感影像中，根据各个像素在红色波段R的光谱响应、绿色波段G的光谱响应和蓝色波段B的光谱响应，计算灰度值Gray＝0.3R+0.59G+0.11B，获得灰度图像
利用灰度图像，采用最大类间分类法和样本测试相结合的方式计算最优阈值，以该最优阈值分割草地像素和其他像素，根据草地像素确定草地范围Vg。
作为优选，所述S6包括：
利用常绿林范围Vc和草地范围Vg为掩膜层、植被范围V为基底层进行空间分析，得到落叶林范围Vd＝V-(Vc+Vg)。
作为优选，所述S7包括：
在对应时间段内，获得能够覆盖研究区的、具有良好观测的夜间灯光遥感影像；
利用夜间灯光遥感影像，采用最大类间分类法和样本测试相结合的方式计算最优阈值，并以该最优阈值分割城市像素和非城市像素，根据城市像素确定城市范围U。
作为优选，所述S8包括：
利用常绿林范围Vc、草地范围Vg、落叶林范围Vd为掩膜层一，城市范围U为掩膜层二，对掩膜层一和掩膜层二进行空间分析，得到多类型城市绿地范围UV＝(Vc+Vg+Vd)∪U。
本发明的有益效果，本发明根据研究区的植被物候，获取研究区的预生长季、生长季和非生长季遥感影像，通过对植被覆盖度和灰度进行分割，获取植被范围、常绿林范围和草地范围，再利用掩膜确定落叶林范围；通过对研究区夜间灯光影像分割出城市范围；在利用城市范围掩膜常绿林范围、草地范围、落叶林范围，得到多类型城市绿地，本方法能够提高获得城市绿地空间信息的效率和准确度。
附图说明
图1是本发明的方法流程图；
图2是实施例1中经101得到的研究区域物候拟合图；
图3是实施例1中经108得到的研究区多类型城市绿地。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
如图1所示，本实施方式的多类型城市绿地分类方法包括：
步骤101：获取研究区的年内植被物候，确定植被的预生长季、生长季和非生长季，具体包括：
利用2019年年内时间序列的Landsat NDVI做非线性拟合得到植被物候变化曲线，如图2所示；本实施方式还可以选择增强植被指数EVI做非线性拟合得到植被物候变化曲线；
计算植被物候变化曲线的导数，得到植被物候的时间序列导数曲线，如图2所示；
在时间序列导数曲线中，显著增长点至最高值的区间对应预生长季，最高值至最低值的区间对应生长季，最低值后的区间对应非生长季，如图2所示。
步骤102：获取研究区的预生长季、生长季和非生长季遥感影像，具体包括：
在对应时间段内，获得能够覆盖研究区的、具有良好观测的遥感影像。在本实施方式中，具有良好观测的遥感影像为云覆盖度小于5的Landsat OLI影像；
遥感影像应为具有短波红外波段、红色波段、绿色波段、蓝色波段的多光谱遥感影像。在本实施方式中，遥感影像为具有短波红外波段、红色波段、绿色波段、蓝色波段的Landsat OLI影像。
步骤103：利用生长季遥感影像计算植被覆盖度，调整阈值分割得到植被像素的范围V，具体包括：
在生长季遥感影像中，根据各个像素在红色波段R的光谱响应和短波红外波段NIR的光谱响应，计算归一化植被指数NDVI＝(NIR-R)/(NIR+R)。在本实施方式中，生长季遥感影像为于10月1日拍摄的、行号为118且列号为30的Landsat OLI影像；
利用NDVI图像，求得研究区内最高值NDVImax和最低值NDVImin，并进一步计算得到研究区的植被覆盖度FVC＝(NDVI-NDVImin)/(NDVImax+NDVImin)，获得FVC图像；
利用FVC图像，采用最大类间分类法计算最优阈值，以分割植被像素和非植被像素，其中植被像素为植被范围V。在本实施方式中，最优阈值为0.64。
步骤104：利用非生长季遥感影像计算植被覆盖度，调整阈值分割得到常绿林像素的范围Vc，具体包括：
在非生长季遥感影像中，根据各个像素在红色波段R的光谱响应和短波红外波段NIR的光谱响应，计算归一化植被指数NDVI＝(NIR-R)/(NIR+R)，获得NDVI图像。在本实施方式中，非生长季遥感影像为于12月1日拍摄的、行号为118且列号为30的LandsatOLI影像；
利用NDVI图像，求得研究区内最高值NDVImax和最低值NDVImin，并进一步计算得到研究区的植被覆盖度FVC＝(NDVI-NDVImin)/(NDVImax+NDVImin)，获得FVC图像；
利用FVC图像，采用最大类间分类法计算最优阈值，以分割常绿林像素和其他像素，其中常绿林像素为常绿林范围Vc。在本实施方式中，最优阈值为0.52。
步骤105：利用预生长季遥感影像计算得到灰度图像，调整阈值分割得到草地像素的范围Vg，具体包括：
在预生长季遥感影像中，根据各个像素在红色波段R的光谱响应、绿色波段G的光谱响应和蓝色波段B的光谱响应，计算灰度值Gray＝0.3R+0.59G+0.11B，获得灰度图像。在本实施方式中，预生长季遥感影像为于5月7日拍摄的、行号为118且列号为30的LandsatOLI影像；
利用Gray图像，采用最大类间分类法和样本测试相结合的方式计算最优阈值，以分割草地像素和其他像素，其中草地像素为草地范围Vg。在本实施方式中，最优阈值为0.11。
步骤106：利用常绿林范围Vc和草地范围Vg对植被范围V空间掩膜，得到落叶林范围Vd，具体包括：
利用常绿林范围Vc和草地范围Vg为掩膜层、植被范围V为基底层进行空间分析，落叶林范围Vd＝V-(Vc+Vg)。
步骤107：获取夜间灯光影像，调整阈值分割得到城市像素的范围U，具体包括：
在对应时间段内，获得能够覆盖研究区的、具有良好观测的夜间灯光遥感影像。在本实施方式中，覆盖研究区的、具有良好观测的夜间灯光遥感影像为10月份的杂散光校正的VIIR月度合成数据；
利用夜间灯光影像，采用最大类间分类法和样本测试相结合的方式计算最优阈值，以分割城市像素和非城市像素，其中城市像素为城市范围U。在本实施方式中，最优阈值为17。
步骤1018：利用城市范围U掩膜常绿林范围Vc、草地范围Vg、落叶林范围Vd，得到多类型城市绿地，包括常绿林、落叶林和草地，具体包括：
利用常绿林范围Vc、草地范围Vg、落叶林范围Vd为掩膜层一、城市范围U为掩膜层二进行空间分析，得到城市绿地范围UV＝(Vc+Vg+Vd)∪U，如图3所示。
本实施例对具体的研究区，采用了具体的数据并表明了具体阈值，为的是帮助理解本发明的核心思想、技术原理以及方法实施；对于本领域普通技术人员来讲，还可以根据本发明的核心思想，或参照本实施例而改变实施过程和应用范围。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种多类型城市绿地分类方法，其特征在于，所述方法包括：
S1、获取研究区的年内植被物候，确定植被的预生长季、生长季和非生长季；
S2、获取S1中预生长季、生长季和非生长季的遥感影像；
S3、利用S2中生长季的遥感影像计算植被覆盖度，根据该植被覆盖度进行植被与非植被像素的阈值分割，得到植被范围V；
S4、利用S2中非生长季遥感影像计算植被覆盖度，根据该植被覆盖度进行绿地像素与其他像素的阈值分割，得到常绿林范围Vc；
S5、利用S2中预生长季遥感影像计算灰度，根据该灰度进行草地像素与其他像素的阈值分割，得到草地范围Vg；
S6、利用常绿林范围Vc和草地范围Vg对植被范围V空间掩膜，得到落叶林范围Vd；
S7、获取研究区夜间灯光影像，根据该研究区夜间灯光影像进行曾是像素与非城市像素的分割，得到城市范围U；
S8、利用城市范围U掩膜常绿林范围Vc、草地范围Vg、落叶林范围Vd，得到多类型城市绿地UV，包括常绿林、落叶林和草地。
2.根据权利要求1所述的多类型城市绿地分类方法，其特征在于，所述S1包括：
利用研究区的年内时间序列的归一化植被指数NDVI或增强植被指数EVI做非线性拟合得到植被物候变化曲线；
计算物候变化曲线的导数，得到植被物候的时间序列导数曲线；
在时间序列导数曲线中，显著增长点至最高值的区间对应预生长季，最高值至最低值的区间对应生长季，最低值后的区间对应非生长季。
3.根据权利要求1所述的多类型城市绿地分类方法，其特征在于，所述S3包括：
在生长季的遥感影像中，根据各个像素在红色波段R的光谱响应和短波红外波段NIR的光谱响应，计算归一化植被指数NDVI＝(NIR-R)/(NIR+R)，获得NDVI图像；
利用NDVI图像，求得生长季研究区内最高值NDVImax和最低值NDVImin，并进一步计算得到生长季研究区的植被覆盖度FVC＝(NDVI-NDVImin)/(NDVImax+NDVImin)，获得FVC图像；
利用FVC图像，采用最大类间分类法计算最优阈值，并以该最优阈值分割植被像素和非植被像素，根据植被像素确定植被范围V。
4.根据权利要求1所述的多类型城市绿地分类方法，其特征在于，所述S4包括：
在非生长季遥感影像中，根据各个像素在红色波段R的光谱响应和短波红外波段NIR的光谱响应，计算归一化植被指数NDVI＝(NIR-R)/(NIR+R)，获得NDVI图像；
利用NDVI图像，求得非生长季研究区内最高值NDVImax和最低值NDVImin，并进一步计算得到非生长季研究区的植被覆盖度FVC＝(NDVI-NDVImin)/(NDVImax+NDVImin)，获得FVC图像；
利用FVC图像，采用最大类间分类法计算最优阈值，并以最优阈值分割常绿林像素和其他像素，根据常绿林像素确定常绿林范围Vc。
5.根据权利要求1所述的多类型城市绿地分类方法，其特征在于，所述S5包括：
在预生长季遥感影像中，根据各个像素在红色波段R的光谱响应、绿色波段G的光谱响应和蓝色波段B的光谱响应，计算灰度值Gray＝0.3R+0.59G+0.11B，获得灰度图像；
利用灰度图像，采用最大类间分类法和样本测试相结合的方式计算最优阈值，以该最优阈值分割草地像素和其他像素，根据草地像素确定草地范围Vg。
6.根据权利要求1所述的多类型城市绿地分类方法，其特征在于，所述S6包括：
利用常绿林范围Vc和草地范围Vg为掩膜层、植被范围V为基底层进行空间分析，得到落叶林范围Vd＝V-(Vc+Vg)。
7.根据权利要求1所述的多类型城市绿地分类方法，其特征在于，所述S7包括：
在对应时间段内，获得能够覆盖研究区的、具有良好观测的夜间灯光遥感影像；
利用夜间灯光遥感影像，采用最大类间分类法和样本测试相结合的方式计算最优阈值，并以该最优阈值分割城市像素和非城市像素，根据城市像素确定城市范围U。
8.根据权利要求1所述的多类型城市绿地分类方法，其特征在于，所述S8包括：
利用常绿林范围Vc、草地范围Vg、落叶林范围Vd为掩膜层一，城市范围U为掩膜层二，对掩膜层一和掩膜层二进行空间分析，得到多类型城市绿地范围UV＝(Vc+Vg+Vd)∪U。
CN202010448719.7A 2020-05-25 2020-05-25 一种多类型城市绿地分类方法 Active CN111695606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010448719.7A CN111695606B (zh) 2020-05-25 2020-05-25 一种多类型城市绿地分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010448719.7A CN111695606B (zh) 2020-05-25 2020-05-25 一种多类型城市绿地分类方法

Publications (2)

Publication Number Publication Date
CN111695606A CN111695606A (zh) 2020-09-22
CN111695606B true CN111695606B (zh) 2022-10-04

Family

ID=72478136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010448719.7A Active CN111695606B (zh) 2020-05-25 2020-05-25 一种多类型城市绿地分类方法

Country Status (1)

Country Link
CN (1) CN111695606B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120106A (zh) * 2021-11-13 2022-03-01 肇庆市城市规划设计院 城市绿地景观评价方法、装置、存储介质及终端设备
CN113936226B (zh) * 2021-11-23 2022-07-08 河南大学 一种基于遥感云计算的全球冰川搜索识别方法
CN115909063A (zh) * 2022-11-15 2023-04-04 生态环境部卫星环境应用中心 一种中分辨率水稻提取方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548146A (zh) * 2016-11-01 2017-03-29 北京航天泰坦科技股份有限公司 基于时空分析的地表覆盖变化算法和系统
CN107194160A (zh) * 2017-05-05 2017-09-22 合肥工业大学 一种流域沼泽湿地空间恢复分析方法
CN107564071A (zh) * 2016-07-01 2018-01-09 苏州宝时得电动工具有限公司 一种图像识别草地方法及装置
CN108449988A (zh) * 2015-09-08 2018-08-24 美国科学及工程股份有限公司 用于精准农业的反向散射成像
CN109522788A (zh) * 2018-09-30 2019-03-26 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备
CN110427841A (zh) * 2019-07-18 2019-11-08 中国科学院遥感与数字地球研究所 基于遥感信息的常绿林地识别方法及系统
CN110647786A (zh) * 2018-06-27 2020-01-03 中国科学院地理科学与资源研究所 一种基于无人机lidar航测技术的非生长季草畜平衡评估方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235952B (zh) * 2013-04-03 2016-02-03 中国科学院遥感应用研究所 一种基于高分辨率遥感影像的城市绿度空间的度量方法
CN105139369B (zh) * 2015-08-24 2018-02-27 中国热带农业科学院橡胶研究所 消除基于palsar雷达影像的森林分类结果中城市建筑像元方法
US10586105B2 (en) * 2016-12-30 2020-03-10 International Business Machines Corporation Method and system for crop type identification using satellite observation and weather data
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
CN110160992A (zh) * 2019-05-15 2019-08-23 中国科学院遥感与数字地球研究所 一种基于植被覆盖度时间序列的农作物分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108449988A (zh) * 2015-09-08 2018-08-24 美国科学及工程股份有限公司 用于精准农业的反向散射成像
CN107564071A (zh) * 2016-07-01 2018-01-09 苏州宝时得电动工具有限公司 一种图像识别草地方法及装置
CN106548146A (zh) * 2016-11-01 2017-03-29 北京航天泰坦科技股份有限公司 基于时空分析的地表覆盖变化算法和系统
CN107194160A (zh) * 2017-05-05 2017-09-22 合肥工业大学 一种流域沼泽湿地空间恢复分析方法
CN110647786A (zh) * 2018-06-27 2020-01-03 中国科学院地理科学与资源研究所 一种基于无人机lidar航测技术的非生长季草畜平衡评估方法
CN109522788A (zh) * 2018-09-30 2019-03-26 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备
CN110427841A (zh) * 2019-07-18 2019-11-08 中国科学院遥感与数字地球研究所 基于遥感信息的常绿林地识别方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Land cover classification optimized to detect areas at risk of desertification in North China based on SPOT VEGETATION imagery;S. Huang等;《Journal of Arid Environments》;20060417;第67卷;第308-327页第2.2-3节、图2-3 *
分层分类和多指标结合的西北农牧交错带植被信息提取;何鸿杰等;《干旱区地理》;20190331;第42卷(第2期);第332-340页 *
基于TM影像的桂林市植被覆盖时空动态监测与分析;梁保平等;《中国环境监测》;20110815;第27卷(第04期);第36-40页第2.2.2-2.2.3节 *
基于中分辨率遥感影像的唐山城市绿地信息提取;张永彬等;《国土资源科技管理》;20151015;第32卷(第05期);第115-120页 *
基于阈值法的山区森林常绿、落叶特征遥感自动识别方法――以贡嘎山地区为例;雷光斌等;《生态学报》;20141223;第34卷(第24期);第7210-7221页 *

Also Published As

Publication number Publication date
CN111695606A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111695606B (zh) 一种多类型城市绿地分类方法
Key et al. A comparison of multispectral and multitemporal information in high spatial resolution imagery for classification of individual tree species in a temperate hardwood forest
US20210358106A1 (en) Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle
CN110991335A (zh) 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法
CN111666815B (zh) 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法
TWI760782B (zh) 用於地理區域上果園辨識之系統及方法
CN106372592A (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
CN109087312A (zh) 一种无人机航线自动规划方法和系统
CN107527014A (zh) 县级作物种植面积遥感统计抽样调查方案设计方法
CN109117811A (zh) 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法
CN113221765B (zh) 一种基于数字相机影像有效像元的植被物候期提取方法
CN110598532B (zh) 一种树木病虫害监控系统及方法
US20220392215A1 (en) System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images
Lass et al. Detecting the locations of Brazilian pepper trees in the Everglades with a hyperspectral sensor
CN112329733B (zh) 一种基于gee云平台的冬小麦长势监测及分析方法
Gong et al. Vineyard identification in an oak woodland landscape with airborne digital camera imagery
CN113514402B (zh) 一种冬小麦叶绿素含量的预测系统及方法
CN113111794B (zh) 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法
CN112179853A (zh) 基于影像阴影去除的果树冠层氮素含量遥感反演方法及系统
CN117218531B (zh) 一种面向海陆生态交错带红树林植物地上碳储量估算方法
Paengwangthong Multitemporal Landsat Imagery with Optimum Band Ratio Techniques for Deciduous Forest Classification
Kozoderov et al. Vegetation pattern recognition using hyperspectral air sounding data
Apan et al. Mapping olive varieties and within-field spatial variability using high resolution QuickBird imagery
Ouyang The Applications of UAV and Ground Digital Imagery Analysis for Monitoring Grapevine Canopy in Vineyard
Sharma et al. Effect of seasonal spectral variations on land cover classification

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