CN111767807B - 一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法 - Google Patents
一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法 Download PDFInfo
- Publication number
- CN111767807B CN111767807B CN202010548577.1A CN202010548577A CN111767807B CN 111767807 B CN111767807 B CN 111767807B CN 202010548577 A CN202010548577 A CN 202010548577A CN 111767807 B CN111767807 B CN 111767807B
- Authority
- CN
- China
- Prior art keywords
- data
- band
- waveband
- nir
- vegetation
- 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
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
- G06F18/23—Clustering techniques
-
- 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
- G06V10/40—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法,包括:步骤1、对高光谱数据进行预处理,所述预处理包括:辐射定标、FLASH大气校正和正射校正;步骤2、对植被区进行处理并将提取出的植被区域进行影像分块处理。本发明的有益效果是:本发明充分利用了高光谱数据的光谱分辨率、通过各种指数提取滨海植被区域的有效性、特征波段选择对地物光谱分离度增强从而提升多端元提取的精度以达到精确解混的目的;本发明运用耦合特征波段选择与多端元提取的方法,很好的区分了滨海湿地各类植被之间的差异,实现了高精度的解混,从而实现对滨海植被的监测,操作简易,实用性较强。
Description
技术领域
本发明涉及遥感图像应用领域,尤其包括一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法。通过相关指数提取遥感影像中的植被区域,并利用特征波段选择与端元提取耦合的方法来最大限度的消除遥感数据中所存在的“同物异谱”与“异物同谱”的现象对端元提取的影响,通过对滨海湿地植被进行解混了解地物类别及分布。
背景技术
当前通过遥感数据产品进行大面积对地观测已经得到广泛应用。其中高光谱图像可同时涵盖地物的空间分布和光谱信息。在很大程度上推动了定量遥感的发展,近年来被广泛应用到环境监测、精细农业、军事等领域。但是由于采集方法和成像光谱仪性能的原因,导致高光谱影像具有较低的空间分辨率,像元内出现包含两种或两种以上的地物,也称之为混合像元,大量混合像元的存在使得影像分类具有较低的精度,而通过光谱解混来得到混合像元中单类地物(称之为端元)的方法,为提升高光谱地物识别精度提供了重要的技术支撑。
滨海湿地作为一种典型的地物类型,在水源涵养,调节径流以及维持生物多样性方面发挥着重要的作用,对滨海湿地的监测在湿地开发、利用、管理与保护政策的制定中至关重要,其中湿地植被在维持生态平衡中更是发挥着重要作用,同时也是较难监测的地物类型。目前由于滨海植被的多样性导致对其混合像元的分解存在诸多问题,具体包括以下几点:一是由于高光谱影像本身较低的空间分辨率,使得对于滨海湿地植被影像中存在大量混合像元,解混及精细分类的过程也存在诸多问题;二是由于植被的多样性导致遥感图像中异物同谱问题的出现。在端元提取的过程中,不同地物类型对应的光谱特征相似而发生错分的现象使得解混的过程存在挑战。
发明内容
本发明的目的是克服现有技术中的不足,提供一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法。
这种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法,包括以下步骤:
步骤1、对高光谱数据进行预处理,所述预处理包括:辐射定标、FLASH大气校正和正射校正;
步骤2、通过合成HS(高光谱)数据的NIR(可见光)波段和R(红光)波段,计算植被指数初步提取植被区,根据辅助数据对植被区进行处理并将提取出的植被区域进行影像分块处理:
步骤2.1、将HS数据的NIR波段与R波段全部分别提取出来,以Landsat8的MS数据为基准影像,对HS数据进行重采样;
步骤2.2、计算相同空间分辨率的HS数据的NIR波段与MS数据的NIR波段之间的系数矩阵w,计算相同空间分辨率的HS数据的R波段与MS数据的R波段之间的系数矩阵g,通过HS数据相应波段与相应系数矩阵的转置矩阵相乘合成HS数据单波段的NIR波段和单波段的R波段:
上式(1)至式(2)中MSNIR表示MS数据的NIR波段,MSR表示MS数据的R波段,HSNIR表示HS数据的NIR波段,HSR表示HS数据的R波段,k表示第k个波段;
上式(1)中A表示合成的HS数据的NIR波段:
上式(3)中,HSNIR表示HS数据的NIR波段,k表示第k个波段,wk′表示第k个波段内相同空间分辨率的HS数据的NIR波段与MS数据的NIR波段之间的系数矩阵w的转置矩阵;
上式(2)中B表示合成的HS数据的R波段:
上式(4)中,HSR表示HS数据的R波段,k表示第k个波段,gk′表示相同空间分辨率的HS数据的R波段与MS数据的R波段之间的系数矩阵g的转置矩阵;
步骤2.3、计算植被指数初步提取植被区域:
上式(5)中,Vegetation表示所提取出的植被区域;A表示合成的HS数据的NIR波段,B表示合成的HS数据的R波段,ρ(A)为A的光谱反射率,ρ(B)为B的光谱反射率;
步骤3、对提取的植被区域,利用耦合特征波段选择与特征提取的方法进行端元提取:
bj≥0,||bj||1=1,ai≥0,||ai||1=1
W≥0,ωi≥ε,i=1,…N,j=1,…,r (6)
上式(6)中,W为特征波段系数的对角矩阵;B=[bj],A=[ai]均为稀疏系数矩阵;其中ωi为每一像元的逼近误差的权重系数;N为影像中的像元的总数;Y=(y1,y2,…,yi),Y表示HS影像数据r表示地物端元的总类别个数;λ为设定的特征波段正则项的惩罚系数;Tr()为矩阵的迹运算符;S={Sij}为特征波段的差异性权重矩阵;ε为设定的常数,用于标识特征波损失优化的步长;
步骤4、提取出来的端元通过二进制分区树(BPT)方法对提取的端元进行聚类分析,进行端元聚类提取多端元;通过光谱角距离SAM来逐步合并两个最相似的相邻区域,进行构造,直到得到整个图像:
上式(7)中,MR表示依赖于光谱向量区域R的合并模型;|R|表示光谱向量区域R内的像元个数;I{p}表示对于图像I的每个像素p包含的光谱波段,I{p}=[I1{p},I2{p},...,IN{p}];
步骤5、运用线性混合模型中的稀疏解混方法对遥感图像解混;对于纯端元光谱信息,从中选择若干个端元的光谱逼近混合像元的光谱,使丰度具有稀疏性:
θ=(θ1,θ2,…,θk)∈RL×k (10)
上式(9)和上式(10)中,Y表示k个像素,L个波段下的光谱图像,Y=(y1,y2,…,yk)∈RL×k;θ表示含有N个端元的端元谱库,θi(i=1,2,…,N)为第i个端元的L个波段的光谱;W为丰度矩阵,λ为参数,F为约束范数。
作为优选,所述步骤2.2中相同空间分辨率的HS数据的NIR波段与MS数据的NIR波段之间的系数矩阵w和相同空间分辨率的HS数据的R波段与MS数据的R波段之间的系数矩阵g通过计算数据间的最小均方根误差获取。
作为优选,所述步骤3中Sij通过计算光谱信息散度和波段相关系数的比值来确定影像中任意两个特征波段的差异值。
本发明的有益效果是:本发明充分利用了高光谱数据的光谱分辨率、通过各种指数提取滨海植被区域的有效性、特征波段选择对地物光谱分离度增强从而提升多端元提取的精度以达到精确解混的目的;首先对植被进行了提取,设计了基于植被的特征波段选择来增大不同植被类型之间的光谱分离度,之后运用耦合特征波段选择与多端元提取的方法对滨海植被进行解混,在提升计算效率的同时,最大限度的消除了“同物异谱”与“异物同谱”对湿地植被解混的影响;该方法很好的区分了滨海湿地各类植被之间的差异,实现了高精度的解混,从而实现对滨海植被的监测,操作简易,实用性较强。
附图说明
图1为本发明的实施例流程图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明提供一种针对滨海湿地植被进行混合像元分解的方法:滨海湿地作为一种典型的地物类型,在水源涵养,调节径流以及维持生物多样性方面发挥着重要的作用,对滨海湿地的监测在湿地开发、利用、管理与保护政策的制定中至关重要。利用遥感手段对滨海区域进行植被监测现已得到广泛应用,但由于滨海地区生物多样性复杂,尤其是植被,反映在遥感影像上异物同谱问题较为明显,在区分植被与其他地物类型的前提下,对植被区域进行进一步细分存在诸多问题与挑战。
作为一种实施例,本发明可采用计算机软件实现自动运行流程。以下结合图1详述滨海湿地植被解混的步骤。
步骤1、本发明采用的数据为现有高光谱数据,需要对图像进行预处理,包括辐射定标、FLASH大气校正、正射校正和几何校正。
步骤2、通过合成HS数据的NIR波段和R波段,计算植被指数初步提取植被区,运用高空间分辨率数据目视解译对提取的植被区域进行调整,消除分类出现的重叠区,并对影像做分块处理,便于后续计算,具体公式为:
上式中MSNIR表示MS数据的NIR波段,MSR表示MS数据的R波段,HSNIR表示HS数据的NIR波段,HSR表示HS数据的R波段,k表示第k个波段;
上式(1)中A表示合成的HS数据的NIR波段:
上式(3)中,HSNIR表示HS数据的NIR波段,k表示第k个波段,wk′表示第k个波段内相同空间分辨率的HS数据的NIR波段与MS数据的NIR波段之间的系数矩阵w的转置矩阵;
上式(2)中B表示合成的HS数据的R波段:
上式中,HSR表示HS数据的R波段,k表示第k个波段,gk′表示相同空间分辨率的HS数据的R波段与MS数据的R波段之间的系数矩阵g的转置矩阵;计算植被指数初步提取植被区域:
上式(5)中,Vegetation表示所提取出的植被区域;A表示合成的HS数据的NIR波段,B表示合成的HS数据的R波段,ρ(A)为A的光谱反射率,ρ(B)为B的光谱反射率;
步骤3、通过耦合特征波段选择与端元提取模型对植被区域进行端元提取,具体模型参考公式(6):
bj≥0,||bj||1=1,ai≥0,||ai||1=1
W≥0,ωi≥ε,i=1,…N,j=1,…,r (6)
式中第一项为胡波损失函数的耦合特征波段选择与端元提取的逼近误差度量项,描述端元特征光谱重构全部影像像元特征光谱的逼近误差,第二项为特征波段的差异性加权正则项,考虑不同波段的差异性来优化特征波段的自适应选择结果。
步骤4、运用二进制分区树对提取的端元进行聚类分析,通过选定影像上某个区域,在通过文中所用的合并模型,计算该区域内端元之间的光谱角距离来逐步合并两个最相似的相邻区域,直到得到整个图像,具体公式为:
上式(7)中,MR表示依赖于光谱向量区域R的合并模型;|R|表示光谱向量区域R内的像元个数;I{p}表示对于图像I的每个像素p包含的光谱波段,I{p}=[I1{p},I2{p},...,IN{p}];
步骤5、通过稀疏解混对提取的端元进行丰度估计,得到每个像元内端元所占比例,了解地物的亚像元分布,具体公式为:
上式(9)中,Y表示k个像素,L个波段下的光谱图像,Y=(y1,y2,…,yk)∈RL×k;θ表示含有N个端元的端元谱库,W为丰度矩阵,λ为参数,F为约束范数。
本发明利用高光谱遥感数据,通过地物的光谱特征,针对多种植被进行精细分类研究。本发明通过利用相关指数进行植被区域的提取及耦合特征波段选择与端元提取的方法提升对滨海植被监测精度,设计了基于植被的特征波段选择来增大不同植被类型之间的光谱分离度,在此基础上进行端元提取的工作,大大提高了滨海湿地植被的分类精度,从而实现对滨海植被的监测,且操作简易,实用性较强。
Claims (3)
1.一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法,其特征在于,包括以下步骤:
步骤1、对高光谱数据进行预处理,所述预处理包括:辐射定标、FLASH大气校正和正射校正;
步骤2、通过合成HS数据的NIR波段和R波段,计算植被指数初步提取植被区,根据辅助数据对植被区进行处理并将提取出的植被区域进行影像分块处理:
步骤2.1、将HS数据的NIR波段与R波段全部分别提取出来,以Landsat8的MS数据为基准影像,对HS数据进行重采样;
步骤2.2、计算相同空间分辨率的HS数据的NIR波段与MS数据的NIR波段之间的系数矩阵w,计算相同空间分辨率的HS数据的R波段与MS数据的R波段之间的系数矩阵g,通过HS数据相应波段与相应系数矩阵的转置矩阵相乘合成HS数据单波段的NIR波段和单波段的R波段:
上式(1)至式(2)中MSNIR表示MS数据的NIR波段,MSR表示MS数据的R波段,HSNIR表示HS数据的NIR波段,HSR表示HS数据的R波段,k表示第k个波段;
上式(1)中A表示合成的HS数据的NIR波段:
上式(3)中,HSNIR表示HS数据的NIR波段,k表示第k个波段,wk′表示第k个波段内相同空间分辨率的HS数据的NIR波段与MS数据的NIR波段之间的系数矩阵w的转置矩阵;
上式(2)中B表示合成的HS数据的R波段:
上式(4)中,HSR表示HS数据的R波段,k表示第k个波段,gk′表示相同空间分辨率的HS数据的R波段与MS数据的R波段之间的系数矩阵g的转置矩阵;
步骤2.3、计算植被指数初步提取植被区域:
上式(5)中,Vegetation表示所提取出的植被区域;A表示合成的HS数据的NIR波段,B表示合成的HS数据的R波段,ρ(A)为A的光谱反射率,ρ(B)为B的光谱反射率;
步骤3、对提取的植被区域,利用耦合特征波段选择与特征提取的方法进行端元提取:
bj≥0,||bj||1=1,ai≥0,||ai||1=1
W≥0,ωi≥ε,i=1,…N,j=1,…,r (6)
上式(6)中,W为特征波段系数的对角矩阵;B=[bj],A=[ai]均为稀疏系数矩阵;其中ωi为每一像元的逼近误差的权重系数;N为影像中的像元的总数;Y=(y1,y2,…,yi),Y表示HS影像数据r表示地物端元的总类别个数;λ为设定的特征波段正则项的惩罚系数;Tr( )为矩阵的迹运算符;S={Sij}为特征波段的差异性权重矩阵;ε为设定的常数,用于标识特征波损失优化的步长;
步骤4、提取出来的端元通过二进制分区树方法对提取的端元进行聚类分析,进行端元聚类提取多端元;通过光谱角距离SAM来逐步合并两个最相似的相邻区域,进行构造,直到得到整个图像:
上式(7)中,MR表示依赖于光谱向量区域R的合并模型;|R|表示光谱向量区域R内的像元个数;I{p}表示对于图像I的每个像素p包含的光谱波段,I{p}=[I1{p},I2{p},...,IN{p}];
步骤5、运用线性混合模型中的稀疏解混方法对遥感图像解混;对于纯端元光谱信息,从中选择若干个端元的光谱逼近混合像元的光谱:
θ=(θ1,θ2,…,θk)∈RL×k (10)
上式(9)和上式(10)中,Y表示k个像素,L个波段下的光谱图像,Y=(y1,y2,…,yk)∈RL ×k;θ表示含有N个端元的端元谱库,θi(i=1,2,…,N)为第i个端元的L个波段的光谱;W为丰度矩阵,λ为参数,F为约束范数。
2.根据权利要求1所述协同波段选择与端元提取的高光谱滨海湿地光谱解混方法,其特征在于:所述步骤2.2中相同空间分辨率的HS数据的NIR波段与MS数据的NIR波段之间的系数矩阵w和相同空间分辨率的HS数据的R波段与MS数据的R波段之间的系数矩阵g通过计算数据间的最小均方根误差获取。
3.根据权利要求1所述协同波段选择与端元提取的高光谱滨海湿地光谱解混方法,其特征在于:所述步骤3中Sij通过计算光谱信息散度和波段相关系数的比值来确定影像中任意两个特征波段的差异值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548577.1A CN111767807B (zh) | 2020-06-16 | 2020-06-16 | 一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548577.1A CN111767807B (zh) | 2020-06-16 | 2020-06-16 | 一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767807A CN111767807A (zh) | 2020-10-13 |
CN111767807B true CN111767807B (zh) | 2021-07-20 |
Family
ID=72722772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010548577.1A Active CN111767807B (zh) | 2020-06-16 | 2020-06-16 | 一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767807B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281270B (zh) * | 2021-04-26 | 2023-06-23 | 中国自然资源航空物探遥感中心 | 一种高光谱波段选择方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208118A (zh) * | 2013-03-25 | 2013-07-17 | 河海大学 | 一种高光谱遥感影像端元提取方法 |
CN104331880A (zh) * | 2014-10-20 | 2015-02-04 | 西安电子科技大学 | 基于几何空谱结构信息的高光谱混合像元分解方法 |
CN109584284A (zh) * | 2018-12-13 | 2019-04-05 | 宁波大学 | 一种分层决策的滨海湿地地物样本提取方法 |
CN109785305A (zh) * | 2018-12-28 | 2019-05-21 | 嘉兴市恒创电力设备有限公司 | 一种端元可变的高光谱图像光谱混合分析方法及装置 |
CN111062265A (zh) * | 2019-11-28 | 2020-04-24 | 福州大学 | 一种适于高光谱遥感影像的阴影检测方法 |
-
2020
- 2020-06-16 CN CN202010548577.1A patent/CN111767807B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208118A (zh) * | 2013-03-25 | 2013-07-17 | 河海大学 | 一种高光谱遥感影像端元提取方法 |
CN104331880A (zh) * | 2014-10-20 | 2015-02-04 | 西安电子科技大学 | 基于几何空谱结构信息的高光谱混合像元分解方法 |
CN109584284A (zh) * | 2018-12-13 | 2019-04-05 | 宁波大学 | 一种分层决策的滨海湿地地物样本提取方法 |
CN109785305A (zh) * | 2018-12-28 | 2019-05-21 | 嘉兴市恒创电力设备有限公司 | 一种端元可变的高光谱图像光谱混合分析方法及装置 |
CN111062265A (zh) * | 2019-11-28 | 2020-04-24 | 福州大学 | 一种适于高光谱遥感影像的阴影检测方法 |
Non-Patent Citations (2)
Title |
---|
"Influence of endmember spectra on scaling effect of vegetation cover estimation with NDVI";K Obata;《Geoscience&Remote Sensing Sympostion》;20111231;第2919-2922页 * |
"端元可变的高光谱图像解混算法研究";左成欢;《中国优秀硕士学位论文全文数据库》;20200115;第4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN111767807A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
Ishida et al. | A novel approach for vegetation classification using UAV-based hyperspectral imaging | |
CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
Pu et al. | Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping | |
Youngentob et al. | Mapping two Eucalyptus subgenera using multiple endmember spectral mixture analysis and continuum-removed imaging spectrometry data | |
Fan et al. | Enhancing endmember selection in multiple endmember spectral mixture analysis (MESMA) for urban impervious surface area mapping using spectral angle and spectral distance parameters | |
Goodwin et al. | Assessing plantation canopy condition from airborne imagery using spectral mixture analysis and fractional abundances | |
Du et al. | Mapping wetland plant communities using unmanned aerial vehicle hyperspectral imagery by comparing object/pixel-based classifications combining multiple machine-learning algorithms | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
Zhang et al. | Development, evaluation and application of a spectral knowledge base to detect yellow rust in winter wheat | |
Proisy et al. | Biomass prediction in tropical forests: the canopy grain approach | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
Liang et al. | Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
Wang et al. | Deep segmentation and classification of complex crops using multi-feature satellite imagery | |
Pu | Detecting and Mapping Invasive Plant Species Using Hyperspectral Data | |
CN111767807B (zh) | 一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法 | |
Zhang et al. | Classification of desert grassland species based on a local-global feature enhancement network and UAV hyperspectral remote sensing | |
Mushore et al. | Pansharpened landsat 8 thermal-infrared data for improved Land Surface Temperature characterization in a heterogeneous urban landscape | |
Yang et al. | Research and application of UAV-based hyperspectral remote sensing for smart city construction | |
CN117058522A (zh) | 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法 | |
Pu | Comparing canonical correlation analysis with partial least squares regression in estimating forest leaf area index with multitemporal Landsat TM imagery | |
Wu et al. | Co-inversion of island leaf area index combination morphological and spectral parameters based on UAV multi-source remote sensing data | |
Li et al. | Interleaved group convolutions for multitemporal multisensor crop 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 |