CN111753738A - 一种基于小波分析的植被年际变化监测方法及系统 - Google Patents
一种基于小波分析的植被年际变化监测方法及系统 Download PDFInfo
- Publication number
- CN111753738A CN111753738A CN202010592740.4A CN202010592740A CN111753738A CN 111753738 A CN111753738 A CN 111753738A CN 202010592740 A CN202010592740 A CN 202010592740A CN 111753738 A CN111753738 A CN 111753738A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- analysis
- trend
- annual
- change
- 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
Links
Images
Classifications
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于小波分析的植被年际变化监测方法及系统。该方法包括:获取时间序列植被指数;利用小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号,所述近似信号反映了植被在去除季节趋势情况下的变化趋势;利用非参数统计变化监测方法对所述近似信号进行变化监测,得到植被变化趋势;对所述植被变化趋势进行提取,得到植被年际变化监测结果。本发明能够避免植被时间序列信息的丢失问题,实现植被年际变化的有效监测。
Description
技术领域
本发明涉及植被的变化监测领域,特别是涉及一种基于小波分析的植被年际变化监测方法及系统。
背景技术
现有植被的变化监测主要从植被变化监测方法与影响变化的因素两个方面展开。此类研究通常以植被指数时间序列为研究内容,通过参数、非参数以及频率域分析三种方法对长时间序列植被指数进行转换。近年来,对于遥感植被指数的研究不仅仅是从遥感数据的物理意义方面展开,大多数研究开始对时间序列植被指数进行时间域和频率域的变换。时间域方法主要有线性分析方法,频率域模型主要通过对时间序列数据进行波形分析,以此得到时间序列曲线的变化规律等特征。此类方法主要有傅里叶变换,谐波分析,小波变换等。现有植被时间序列研究采用最多的是参数和非参数方法,此类研究方法中,多采用一个植被指数值来表征一年中植被的长势,在此基础上对所研究的时间序列植被指数进行趋势和影响因素分析。
现有技术中存在基于时间域的线性分析方法:直接建立之别指数与环境因子的线性回归模型,如多元线性回归。但是该方法对于时间序列信息提取较为直接,但是在一定程度上忽略了细节信息。
现有技术中存在基于长时间序列植被指数监测法:利用长时间序列MODIS NDVI来表征植被的生长趋势,对植被的长势、土地覆盖、产量等进行监测,并在此基础上对植被变化的分布与影响因素在空间上的分布进行定量的分析。但这类方法大多从植被变化的影响因素出发,对气候因素与植被指数之间的相关性进行计算,忽略了植被的变化趋势与海拔之间的关系。如MODIS数据在500m尺度上对海拔、坡度和坡向有很大的误差。同时,每年依靠一个特定值来对当年植被生长趋势进行表征造成了可用信息的丢失,导致对植被时间序列变化趋势的分析缺乏显著性。
现有技术中存在基于Mann-Kendall非参数统计的趋势分析方法:利用M-K方法原理分析植被变化趋势:
①定义检验统计量S:
其中,(Xi–Xj)仅为一个符号,当其值大于0,等于0,小于0时,分别取值为-1,0,1。
②当为一个长时间序列时,定义统计量Z,该统计量代表时间序列的趋势:
当Z值大于0时,表示该时间序列呈现显著增加的趋势;小于0时,呈现显著减少的趋势;并且Z的绝对值越大,变化趋势越明显。但是通常基于Mann-Kendall趋势分析的方法是基于时间域的,未排除植被指数季节趋势的干扰。
以上现有技术对植被的变化进行监测通常受到两个因素的制约:一是植被时间序列信息的丢失问题;二是植被时间序列长度受限于遥感卫星的运行时间,不能实现植被年际变化趋势的检验。
发明内容
本发明的目的是提供一种基于小波分析的植被年际变化监测方法及系统,能够避免植被时间序列信息的丢失问题,实现植被年际变化的有效监测。
为实现上述目的,本发明提供了如下方案:
一种基于小波分析的植被年际变化监测方法,包括:
获取时间序列植被指数;
利用小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号,所述近似信号反映了植被在去除季节趋势情况下的变化趋势;
利用非参数统计变化监测方法对所述近似信号进行变化监测,得到植被变化趋势;
对所述植被变化趋势进行提取,得到植被年际变化监测结果。
可选的,所述利用小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号,具体包括:
利用多分辨率小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号。
可选的,所述对所述植被变化趋势进行提取,得到植被年际变化监测结果,具体包括:
根据海拔高度对植被变化趋势进行提取分析,得到第一分析结果;
根据坡向对植被变化趋势进行提取分析,得到第二分析结果;
根据坡度对植被变化趋势进行提取分析,得到第三分析结果;
根据气候对植被变化趋势进行提取分析,得到第四分析结果;
根据所述第一分析结果、第二分析结果、第三分析结果和第四分析结果,确定植被年际变化监测结果。
可选的,还包括:
根据所述植被年际变化监测结果,确定植被脆弱性高于设定阈值的区域。
一种基于小波分析的植被年际变化监测系统,包括:
时间序列植被指数获取模块,用于获取时间序列植被指数;
近似信号确定模块,用于利用小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号,所述近似信号反映了植被在去除季节趋势情况下的变化趋势;
变化监测模块,用于利用非参数统计变化监测方法对所述近似信号进行变化监测,得到植被变化趋势;
变化趋势提取模块,用于对所述植被变化趋势进行提取,得到植被年际变化监测结果。
可选的,所述近似信号确定模块,具体包括:
多尺度分解单元,用于利用多分辨率小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号。
可选的,所述变化趋势提取模块,具体包括:
海拔高度影响分析单元,用于根据海拔高度对植被变化趋势进行提取分析,得到第一分析结果;
坡向影响分析单元,用于根据坡向对植被变化趋势进行提取分析,得到第二分析结果;
坡度影响分析单元,用于根据坡度对植被变化趋势进行提取分析,得到第三分析结果;
气候影响分析单元,用于根据气候对植被变化趋势进行提取分析,得到第四分析结果;
植被年际变化监测结果确定单元,用于根据所述第一分析结果、第二分析结果、第三分析结果和第四分析结果,确定植被年际变化监测结果。
可选的,还包括:
植被脆弱性高区域确定模块,用于根据所述植被年际变化监测结果,确定植被脆弱性高于设定阈值的区域。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明利用小波分析对长时间序列植被指数进行转换,再利用Mann-Kendall趋势分析方法分别对结果波形进行分析,提取植被的变化趋势,得到植被脆弱性较高的区域。该方法既保留了植被波形的信息,为参数分析提供足够的数据条件,又排除了植被指数季节趋势的干扰。此外,在此基础上,分别对植被变化趋势在不同海拔高度、坡度和坡向上的分布进行研究,同时对不同时期气候因素对于植被的影响进行分析,实现了植被年际变化的有效监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于小波分析的植被年际变化监测方法流程图;
图2为本发明小波近似信号分波形示意图;
图3为本发明两次分解示意图;
图4为本发明基于小波分析的植被年际变化监测系统组成结构图。
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。
本发明的目的是提供一种基于小波分析的植被年际变化监测方法及系统,能够避免植被时间序列信息的丢失问题,实现植被年际变化的有效监测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明利用小波分析对时间序列植被指数转换,对去季节趋势后的信号,利用Mann-Kendall进行变化趋势与突变分析。该方法期望减少时间序列植被指数的信息丢失,实现更加有效的变化趋势的检验。图1为本发明基于小波分析的植被年际变化监测方法流程图。如图1所示,一种基于小波分析的植被年际变化监测方法包括:
步骤101:获取时间序列植被指数。
步骤102:利用小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号,所述近似信号反映了植被在去除季节趋势情况下的变化趋势,具体包括:
利用多分辨率小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号。小波分析的过程如下:
其中是基函数的复共轭函数。这个式子的含义就是,小波变换是信号f(t)与被缩放和平移的小波函数之积在信号存在的整个区间里求和。该过程又被称为CWT(continuous wavelet transform)变换,变换的结果是许多小波系数W(a,b),这些系数是缩放因子(a)和位置(b)的函数。
分解连续型植被NDVI时间序列曲线大致分为以下5个步骤:
2、按上述公式计算系数W(a,b)。该系数表示该部分信号与小波的近似程度,系数W(a,b)的值越高表示与小波的相似程度越高,因此该系数也可以反映这种波形的相关程度。
5、重复步骤1~4。
利用小波变换对时间序列植被指数进行分析时,因为小波函数本身的特性,会对时间序列波形产生边际效应。为了消除小波变换边际效应的影响,对原始波形进行扩展,已达到减小边际效应的作用,如图2所示。图2为本发明小波近似信号分波形示意图。
当植被NDVI时间序列较短时,即仅存在若干个离散的信号值,可用离散小波分析的方法处理NDVI时间序列信号,即在本发明中所采用的方法,简称DWT(discrete wavelettransform)变换,原理如下:
对原始植被NDVI时间序列信号f(t)进行离散采样的比例参数Dm为下:
Dm是一个N维向量,和Wm,k的变化呈现出相关关系,除了对原始信号进行细节还原外,还对2m层数的向量进行平滑。该近似分量可以用Am来表示:
其中m是分解的上限,随着分解层数的增加,分解的程度依次增加。
具体步骤如下:
1、采用Mallat于1988年开发的Mallat算法,使用两个互补的滤波器,分别为高通滤波器和低通滤波器。
2、将植被NDVI时间序列信号输入到这两个互补的滤波器中将会产生两种信号:A(近似信号)和D(细节信号),低频信号为信号的近似值,高频信号为信号的细节值。
3、原始信号通过这样的一对滤波器进行的分解叫做一级分解。信号的分解过程可以叠代,本发明进行了两次分解。当分解为第一层时:f(t)=A1+D1,此时,原始信号被分解为近似信号A1和细节信号D1。当分解层数为第二层时:第一层中的A1=AA2+DA2,最后保留结果近似信号AA2(简写为A2)。信号A2反映了植被的在去除季节趋势的情况下的变化趋势,用于后续的变化监测分析,图3为本发明两次分解示意图。
步骤103:利用非参数统计变化监测方法对所述近似信号进行变化监测,得到植被变化趋势,具体步骤如下:
1、利用上述基于多尺度小波分析得到的近似组分信号A构造一组时间序列:X1,X2,X3,…,Xn,本发明的输入为栅格形式的数据,每一个像元对应一组时间序列,该步是逐像元进行的。
2、对上述具有n个样本量的时间序列A,进行前后时相数据做差,构造检验统计量S,即X2-X1,X3-X2,X3-X1,…,将上述做差结果求和:
其中,Xi,Xj为近似波形A中相邻两时刻的变量取值,而(Xi–Xj)仅为一个符号,当其值大于0,等于0,小于0时,分别取值为-1,0,1。
3、用下式计算正态分布的M-K统计量:
Z值大于0时,表示该时间序列呈现显著增加的趋势;小于0时,呈现显著减少的趋势;并且Z的绝对值越大,变化趋势越明显。
4、将研究区的植被指数逐像元的进行小波分析后,再计算步骤3中的Z统计量,每一个像元对应一个Z值,得到研究区域的植被趋势的空间变化。
步骤104:对所述植被变化趋势进行提取,得到植被年际变化监测结果,具体包括:
根据海拔高度对植被变化趋势进行提取分析,得到第一分析结果。
考虑植被的增加趋势随着海拔的增加而呈现出减弱的状况,植被在海把较高的地方时间序列上更易呈现出退化的趋势。
根据坡向对植被变化趋势进行提取分析,得到第二分析结果。
考虑到对于中低覆盖度草地来说,平地植被的增加趋势最为明显,其次为南坡区域;增加趋势最不明显的区域主要为西坡、西北坡以及北坡区域。对于高覆盖度草地来说,植被增长最为明显的是南坡与西南坡,其次为平地;而植被增长趋势最为不明显的区域仍然为西坡、西北坡以及北坡区域。针对三江源地区来说,阳光最为充足的平地和南坡的增长趋势明显,而光照最为微弱的区域植被的增长趋势不明显。
根据坡度对植被变化趋势进行提取分析,得到第三分析结果。
考虑到植被的变化趋势强弱与坡度呈现出相关性,即高覆盖度植被的增加趋势强弱与坡度呈现出较强的负相关性;中低覆盖度草地区域来说,植被增加趋势的强弱与坡度呈现出显著的相关性;坡度较小的区域,植被的增加趋势越明显,而坡度越大,植被的增加情况越不明显。
根据气候对植被变化趋势进行提取分析,得到第四分析结果。
植被的变化趋势强弱在空间上的分布于海拔高度、坡向和坡度有关。海拔高度越高,植被增加趋势越明显;坡向光照越足,植被增加趋势越明显;坡度越低,植被增加趋势越明显。除了上述研究的植被与海拔之间的相关关系以外,还考虑到植被的生长情况还受到气象要素的影响,如温度和降水。植被的生长趋势在其整个生育期都受到温度的影响,并且随着温度的升高,植被的生长趋势呈现出好转的趋势;植被在时间序列上的生长状况也与研究区全年降水量呈现出正相关的关系。
根据所述第一分析结果、第二分析结果、第三分析结果和第四分析结果,确定植被年际变化监测结果。
作为一种优选的实施方式,本发明基于小波分析的植被年际变化监测方法还包括:
步骤105:根据所述植被年际变化监测结果,确定植被脆弱性高于设定阈值的区域。
本发明相比于现有技术,具有下列优势:
1、基于小波变换进行Mann-Kendall趋势分析既保留了植被波形的细节信息,又提供了充分足够的数据,并且排除了植被指数的季节趋势干扰。
2、本发明考虑了海拔、坡度、坡向等地理因素以及降水等气候要素对植被变化监测结果的影响。
3、对植被的变化进行监测通常会被两个因素所制约,第一是植被时间序列信息的丢失问题;第二个是植被时间序列长度受限于遥感卫星的运行时间。本文利用小波分析对时间序列植被指数转换,对去季节趋势后的信号,利用Mann-Kendall进行变化趋势与突变分析。该方法减少了时间序列植被指数的信息丢失,对于变化趋势的检验更加有效。
图4为本发明基于小波分析的植被年际变化监测系统组成结构图。如图4所示,一种基于小波分析的植被年际变化监测系统包括:
时间序列植被指数获取模块201,用于获取时间序列植被指数。
近似信号确定模块202,用于利用小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号,所述近似信号反映了植被在去除季节趋势情况下的变化趋势。
变化监测模块203,用于利用非参数统计变化监测方法对所述近似信号进行变化监测,得到植被变化趋势。
变化趋势提取模块204,用于对所述植被变化趋势进行提取,得到植被年际变化监测结果。
所述近似信号确定模块202,具体包括:
多尺度分解单元,用于利用多分辨率小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号。
所述变化趋势提取模块203,具体包括:
海拔高度影响分析单元,用于根据海拔高度对植被变化趋势进行提取分析,得到第一分析结果。
坡向影响分析单元,用于根据坡向对植被变化趋势进行提取分析,得到第二分析结果。
坡度影响分析单元,用于根据坡度对植被变化趋势进行提取分析,得到第三分析结果。
气候影响分析单元,用于根据气候对植被变化趋势进行提取分析,得到第四分析结果。
植被年际变化监测结果确定单元,用于根据所述第一分析结果、第二分析结果、第三分析结果和第四分析结果,确定植被年际变化监测结果。
作为一种优选的实施方式,本发明基于小波分析的植被年际变化监测系统还包括:
植被脆弱性高区域确定模块205,用于根据所述植被年际变化监测结果,确定植被脆弱性高于设定阈值的区域。
实施例1:
对三江源地区植被退化趋势较为明显的区域,进行30米尺度的分析。最后再分析海拔和气候对三江源地区植被的影响,分析三江源地区植被的脆弱性,并且引入了海拔对植被变化趋势的影响程度分析,能更好的得出该区域植被变化的影响因素以及寻找防治措施。
本实施例利用长时间序列Landsat NDVI对三江源地区时间序列植被变化趋势进行提取,并结合小波分析的方法对三江源地区植被指数时间序列变化趋势的提取,得到NDVI曲线的近似信号。在此基础上,利用Mann-Kendall非参数分析法对NDVI近似信号进行趋势分析。研究植被变化趋势在不同海拔、坡向和坡度上的分布特征,分析不同时期温度和降水对植被长势的影响,最后利用植被变化的分级指标对三江源地区植被的区域脆弱性进行分析。在一定程度上考虑了海拔、坡度和坡向对植被监测结果的影响作用。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于小波分析的植被年际变化监测方法,其特征在于,包括:
获取时间序列植被指数;
利用小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号,所述近似信号反映了植被在去除季节趋势情况下的变化趋势;
利用非参数统计变化监测方法对所述近似信号进行变化监测,得到植被变化趋势;
对所述植被变化趋势进行提取,得到植被年际变化监测结果。
2.根据权利要求1所述的基于小波分析的植被年际变化监测方法,其特征在于,所述利用小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号,具体包括:
利用多分辨率小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号。
3.根据权利要求1所述的基于小波分析的植被年际变化监测方法,其特征在于,所述对所述植被变化趋势进行提取,得到植被年际变化监测结果,具体包括:
根据海拔高度对植被变化趋势进行提取分析,得到第一分析结果;
根据坡向对植被变化趋势进行提取分析,得到第二分析结果;
根据坡度对植被变化趋势进行提取分析,得到第三分析结果;
根据气候对植被变化趋势进行提取分析,得到第四分析结果;
根据所述第一分析结果、第二分析结果、第三分析结果和第四分析结果,确定植被年际变化监测结果。
4.根据权利要求1所述的基于小波分析的植被年际变化监测方法,其特征在于,还包括:
根据所述植被年际变化监测结果,确定植被脆弱性高于设定阈值的区域。
5.一种基于小波分析的植被年际变化监测系统,其特征在于,包括:
时间序列植被指数获取模块,用于获取时间序列植被指数;
近似信号确定模块,用于利用小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号,所述近似信号反映了植被在去除季节趋势情况下的变化趋势;
变化监测模块,用于利用非参数统计变化监测方法对所述近似信号进行变化监测,得到植被变化趋势;
变化趋势提取模块,用于对所述植被变化趋势进行提取,得到植被年际变化监测结果。
6.根据权利要求5所述的基于小波分析的植被年际变化监测系统,其特征在于,所述近似信号确定模块,具体包括:
多尺度分解单元,用于利用多分辨率小波分析对所述时间序列植被指数进行多尺度分解,得到近似信号。
7.根据权利要求5所述的基于小波分析的植被年际变化监测系统,其特征在于,所述变化趋势提取模块,具体包括:
海拔高度影响分析单元,用于根据海拔高度对植被变化趋势进行提取分析,得到第一分析结果;
坡向影响分析单元,用于根据坡向对植被变化趋势进行提取分析,得到第二分析结果;
坡度影响分析单元,用于根据坡度对植被变化趋势进行提取分析,得到第三分析结果;
气候影响分析单元,用于根据气候对植被变化趋势进行提取分析,得到第四分析结果;
植被年际变化监测结果确定单元,用于根据所述第一分析结果、第二分析结果、第三分析结果和第四分析结果,确定植被年际变化监测结果。
8.根据权利要求5所述的基于小波分析的植被年际变化监测系统,其特征在于,还包括:
植被脆弱性高区域确定模块,用于根据所述植被年际变化监测结果,确定植被脆弱性高于设定阈值的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010592740.4A CN111753738A (zh) | 2020-06-24 | 2020-06-24 | 一种基于小波分析的植被年际变化监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010592740.4A CN111753738A (zh) | 2020-06-24 | 2020-06-24 | 一种基于小波分析的植被年际变化监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753738A true CN111753738A (zh) | 2020-10-09 |
Family
ID=72677296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010592740.4A Pending CN111753738A (zh) | 2020-06-24 | 2020-06-24 | 一种基于小波分析的植被年际变化监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753738A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685468A (zh) * | 2020-12-24 | 2021-04-20 | 吉林大学 | 生态系统属性组分组成结构长期演变图形表达方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
CN104143031A (zh) * | 2013-05-07 | 2014-11-12 | 福州大学 | 一种基于小波多尺度分解的植被指数时序数据重构方法 |
-
2020
- 2020-06-24 CN CN202010592740.4A patent/CN111753738A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
CN104143031A (zh) * | 2013-05-07 | 2014-11-12 | 福州大学 | 一种基于小波多尺度分解的植被指数时序数据重构方法 |
Non-Patent Citations (3)
Title |
---|
于凤芹 编著: "《实用小波分析十讲》", 30 November 2019, 西安电子科技大学出版社 * |
聂斌斌等: "湖北省植被覆盖时空变化及因子研究", 《亚热带水土保持》 * |
马明国等: "基于遥感的植被年际变化及其与气候关系研究进展", 《遥感学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685468A (zh) * | 2020-12-24 | 2021-04-20 | 吉林大学 | 生态系统属性组分组成结构长期演变图形表达方法 |
CN112685468B (zh) * | 2020-12-24 | 2023-03-24 | 吉林大学 | 生态系统属性组分组成结构长期演变图形表达方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | High-quality vegetation index product generation: A review of NDVI time series reconstruction techniques | |
Adamowski et al. | Development of a new method of wavelet aided trend detection and estimation | |
Joshi et al. | Analysis of trends and dominant periodicities in drought variables in India: a wavelet transform based approach | |
Lu et al. | Removal of noise by wavelet method to generate high quality temporal data of terrestrial MODIS products | |
Nalley et al. | Using discrete wavelet transforms to analyze trends in streamflow and precipitation in Quebec and Ontario (1954–2008) | |
Martínez et al. | Vegetation dynamics from NDVI time series analysis using the wavelet transform | |
Partal et al. | Long-term trend analysis using discrete wavelet components of annual precipitations measurements in Marmara region (Turkey) | |
Nalley et al. | Inter-annual to inter-decadal streamflow variability in Quebec and Ontario in relation to dominant large-scale climate indices | |
Weniger et al. | Spatial verification using wavelet transforms: a review | |
Chen et al. | Monitoring of rice cropping intensity in the upper Mekong Delta, Vietnam using time-series MODIS data | |
Yang et al. | Time-frequency optimization of RSEI: A case study of Yangtze River Basin | |
Roushangar et al. | A multiscale time-space approach to analyze and categorize the precipitation fluctuation based on the wavelet transform and information theory concept | |
Yağan et al. | Spectral graph based vertex-frequency Wiener filtering for image and graph signal denoising | |
Quilfen et al. | On denoising satellite altimeter measurements for high-resolution geophysical signal analysis | |
CN104143031B (zh) | 一种基于小波多尺度分解的植被指数时序数据重构方法 | |
Wen et al. | Construction of 3D drought structures of meteorological drought events and their spatio-temporal evolution characteristics | |
Roushangar et al. | A multiscale spatio-temporal framework to regionalize annual precipitation using k-means and self-organizing map technique | |
Roushangar et al. | Identifying complexity of annual precipitation variation in Iran during 1960–2010 based on information theory and discrete wavelet transform | |
Weedon et al. | Evaluating the performance of hydrological models via cross-spectral analysis: case study of the Thames Basin, United Kingdom | |
Salas et al. | Aggregation and sampling in deterministic chaos: implications for chaos identification in hydrological processes | |
Tang et al. | SURE-based optimum-length SG filter to reconstruct NDVI time series iteratively with outliers removal | |
CN111753738A (zh) | 一种基于小波分析的植被年际变化监测方法及系统 | |
Liu et al. | A new framework for rainfall downscaling based on EEMD and an improved fractal interpolation algorithm | |
Lakhanpal et al. | A non-linear and non-stationary perspective for downscaling mean monthly temperature: a wavelet coupled second order Volterra model | |
Song et al. | Sea level simulation with signal decomposition and machine learning |
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 |