CN111862134B - 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 - Google Patents
基于Sentinel-1与GEE的近岸水产养殖塘提取方法 Download PDFInfo
- Publication number
- CN111862134B CN111862134B CN202010668117.2A CN202010668117A CN111862134B CN 111862134 B CN111862134 B CN 111862134B CN 202010668117 A CN202010668117 A CN 202010668117A CN 111862134 B CN111862134 B CN 111862134B
- Authority
- CN
- China
- Prior art keywords
- area
- aquaculture pond
- data
- extracting
- sentinel
- 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
- 238000009360 aquaculture Methods 0.000 title claims abstract description 38
- 244000144974 aquaculture Species 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000011161 development Methods 0.000 claims abstract description 8
- 230000018109 developmental process Effects 0.000 claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 5
- 240000002044 Rhizophora apiculata Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 235000021075 protein intake Nutrition 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30181—Earth observation
-
- 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
Abstract
本发明涉及基于Sentinel‑1与GEE的近岸水产养殖塘提取方法。基于Sentinel‑1影像通过双极化水体指数提取水体，获得水体层；基于水体层，计算几何特征、纹理特征和邻域特征，结合面向对象分割和决策树技术提取潜在的水产养殖塘区；利用山体阴影提取算法、形态学方法和空间连接，分别去除提取结果中的山体阴影、截断河流和孤立斑块，获取水产养殖塘空间分布数据。利用本发明的提取方法可快速、实时、高精度的实现省域/国家尺度近岸水产养殖塘的提取，为沿海国家水产养殖业的可持续发展与近海水环境保护提供科学指导提供依据。
Description
技术领域
本发明属于遥感应用领域，涉及一种基于Sentinel-1与GEE(Google EarthEngine)的近岸水产养殖塘提取方法。
背景技术
水产养殖业作为世界上最重要的食品生产部门之一，为全球粮食安全、蛋白质摄入、经济发展和数百万人的生计做出了巨大贡献。在过去的几十年中，由于受人口增长、动物食品需求与社会经济发展的驱动下，全球的水产养殖业迅速发展。水产养殖塘的迅速扩张在带来巨大经济效益的同时也带来了一系列的生态环境问题，如红树林占用、生物多样性减少、生境脆弱退化、地表地下水污染和水体富营养化等。因此，掌握近岸水产养殖塘的空间分布状况，可为水产养殖业可持续发展与近海水环境保护提供科学指导。
传统的养殖塘监测方法为人工测绘，该方法耗费大量的人力物力且不适用于大范围监测。而遥感具有实时、快速和大尺度的优势，为养殖塘的大尺度的监测研究提供了一种更加高效便捷的手段。目前，关于遥感监测近岸水产养殖塘空间分布的研究主要为小区域的研究，缺乏以省域/国家为尺度的水产养殖塘监测方法。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于Sentinel-1影像与GEE(Google Earth Engine)的近岸养殖塘提取的方法。
本发明的上述技术目的通过如下技术方案实现：
一种基于Sentinel-1影像与GEE的近岸养殖塘提取的方法，包括步骤如下：
步骤一、获取覆盖研究区的所有遥感影像，计算其双极化水体指数SDWI并提取水体层；
步骤二、对提取的水体层进行面向对象分割，计算水体对象的几何特征、纹理特征和邻域特征并构建决策树，提取潜在水产养殖塘(结果V1)的区域；
步骤三、获取数字高程数据，通过GEE提取山体阴影，对步骤二提取的潜在水产养殖塘区域进行掩膜处理；
步骤四、对掩膜处理后的区域进行膨胀和腐蚀，获取连续河流并去除截断河流；
步骤五、对去除河流后的结果，进行膨胀和空间连接，去除孤立斑块，获取水产养殖塘空间分布数据。
进一步的，所述步骤一中，遥感影像选择水产养殖开展时期的所有影像，所选取的影像分别为Sentinel-1干涉宽幅成像模式的VV极化影像和VH极化影像。
进一步的，所述步骤一中，所述步骤一中，对获取的影像序列进行剪裁，并进行中值合成处理，增强永久水体信息。
进一步的，所述步骤三中，选用连通域分割算法进行面向对象分割。连通域分割算法通过判断每个像素与其周围像素的连通性来判定是否为同一对象，由于养殖塘具有大小和形状规则的特征，因此，先将同一养殖塘的像素合并为一个养殖塘对象，为后续获取几何特征的基础。采用连通域算法可快捷高效的实现所述目的，且不会使同一连通对象被分割为个板块。
进一步的，所述几个特征选取形状因子、紧密度、面积及区域面积和边界外接框面积的比率。养殖塘作为人工建设地物，有规则的大小和形状，因此选取面积、形状指数、紧密度区域面积与边界外界框面积的比率用于代表其几何特征。其中，形状指数和紧密度因子可以有效的来描述对象形状的规整度和形状轮廓的平滑度，而区域面积与边界外接框面积的比值可以很好的区别养殖塘与河流等永久水体对象的特征。
进一步的，采用灰度共生矩阵计算纹理特征，构建季节水体敏感指数(SWSI)，其公式如下：
SWSI＝SavgVV+SavgVH
其中，SavgVV代表VV极化影像中的均值和，SavgVH代表VH极化影像中的均值和；p(i,j)为输入灰度共生矩阵的第(i,j)的输入；L为像元值的灰度级。
进一步的，所述步骤三中，采用GEE山体阴影提取算法(ee.Terrain.hillshade)获取山体阴影指数(HI)，最后结合山体阴影指数(HI)和高程数据(elevation)进行阈值分割，获取山体阴影空间分布数据。
进一步的，所述步骤四中，对山体阴影掩膜后的数据做200米范围的双侧缓冲区；基于双侧缓冲区数据建立向内侧160米范围单侧缓冲区，最后，将双侧缓冲区数据裁剪单侧缓冲区数据，并根据几何特征提取并去除截断河流。
进一步的，所述步骤五中，对数据做50米双侧缓冲区。基于双侧缓冲区数据进行空间连接，判别每个缓冲区与其周围缓冲区相连接个数是否大于1，当连接个数等于1时，判定为孤立斑块；最后删除孤立斑块。
进一步的，所述方法还包括精度验证；随机选取样点，并通过在Google Earth高分辨率影像中判别属性，统计正确分类和错误分类样点的个数并计算总体精度，计算公式如下：
总体精度＝正确分类样点个数/样点总数
本发明提出了基于Sentinel-1影像与GEE的近岸养殖塘提取方法，能够快速、实时且高精度的提取省域/国家尺度近岸水产养殖塘，从而获取水产养殖塘的空间分布，为沿海国家水产养殖业的可持续发展与近海水环境保护的科学指导提供依据。
附图说明
图1为本发明方法的流程图。
图2为本发明所构建的决策树。
图3为本发明遥感监测的2020年越南近岸水产养殖塘空间分布图。
图4为本发明样点分布图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步说明。
研究区位于越南东部近岸区域，范围为越南海岸线向内陆延伸50km(8°24′～21°45′N,103°48′～109°29′E)，研究区覆盖总面积大约141326.53km2，且拥有长达3260km的海岸线。该区地处热带季风气候，全年高温湿润，有明显旱雨季，每年6月到10月为雨季，降水充沛；11月到次年5月为旱季，干燥少雨，全年降水量为约为1500～2000mm。研究区地势平坦且有多条河流贯穿，形成许多适合养殖发展的泻湖，河口和河流三角洲区域。由于优越的地理条件，越南拥有数百种经济水产品。目前，越南以池塘养殖为主，以稻田养鱼、畜牧养殖、红树林养殖为辅的多种养殖池塘。根据FAO的数据，2014年越南水产养殖总产量排名世界第四，占世界总产量的4.57％。
采用本发明的方法对上述研究区域进行近岸水产养殖塘提取，流程如图1所示，包括如下步骤：
步骤一：从Google Earth Engine(GEE)(https:// code.earthengine.google.com/)中收集2020年覆盖研究区的Sentinel-1中IW成像模式的VV，VH极化遥感影像，并利用在Google Earth Engine中进行预处理；
其中，预处理为研究区裁剪和中值合成，所述中值合成方式为：将多景影像中对应像元的中值作为此像元的像素值。
步骤二：根据预处理后的影像，基于GEE计算Sentinel-1双极化水体指数(SDWI)通过阈值分割提取水体；
双极化水体指数(SDWI)计算公式为：
SDWI＝ln(10×VV×VH)-8
其中，VV代表VV极化影像的像素值，VH代表VH极化影像的像素值。
采用阈值分割的方法获取水体层，0.3为分割阈值，SDWI值大于0.3的像元为水体。
步骤三：基于水体层进行面向对象分割，计算对象的几何特征并构建决策树，实现潜在水产养殖塘(结果V1)的提取；
采用连通域分割算法进行面向对象分割，计算每个对象的几何特征为形状因子、紧密度、面积及区域面积和边界外接框面积的比率；采用灰度共生矩阵计算纹理特征，构建季节水体敏感指数(SWSI)，并建立与执行决策树。
(1)形状因子：
其中，Area代表对象的面积，Perimeter代表对象的周长
(2)紧密度：
(3)区域面积和边界外接框面积的比率：
ER＝Areaobject/Areabounds
其中，Areaobject代表对象的面积，Areabounds代表外接框的面积
(4)季节水体敏感指数：
SWSI＝SavgVV+SavgVH
其中，SavgVV代表VV极化影像中的均值和，SavgVH代表VH极化影像中的均值和；p(i,j)为输入灰度共生矩阵的第(i,j)的输入；L为像元值的灰度级。构建的决策树如图2所示，提取满足下述条件的像素，完成潜在水产养殖塘(结果V1)的提取：
①SWSI<-70；
②0.4＜区域面积和边界外接框面积的比率(ER)＜0.8；
③5<面积(Area)＞10000；
④0.45<形状因子(shapeindex)<1.8且0.3<紧密度(compactness)<1.4。
步骤四：从GEE中获取数字高程数据，提取并掩膜山体阴影。
其中：数字高程数据为SRTM Version 3.0 Global 1arc second数据集，其空间分辨率约为30米；采用GEE山体阴影提取算法(ee.Terrain.hillshade)获取山体阴影指数(HI)，最后结合山体阴影指数(HI)和高程数据(elevation)进行阈值分割(HI<160 or HI>190 and elevation>40)，获取山体阴影空间分布数据。
步骤五：对潜在水产养殖塘进行膨胀和腐蚀，获取连续河流并去除截断河流
其中，基于山体阴影掩膜后的数据，在ArcGIS 10.4中做200米范围的双侧缓冲区；基于双侧缓冲区数据建立向内测160米范围单侧缓冲区，最后，将双侧缓冲区数据裁剪单侧缓冲区数据，并根据前述几何特征提取并去除截断河流。
步骤六：对去除河流后的结果，进行膨胀和空间连接，去除孤立斑块；
在ArcGIS 10.4中，对数据做50米双侧缓冲区。基于双侧缓冲区数据进行空间连接，判别每个缓冲区与其周围缓冲区相连接个数是否大于1，当连接个数等于1时，判定为孤立斑块；最后删除孤立斑块。
提取的水产养殖塘空间分布数据如图3所示，可以看出，2020年越南近岸水产养殖池塘分布不均匀且有聚集性特征，呈现南北地区多，中部地区少的空间分布格局，总面积为4262.94km2。其中湄公河三角洲水产养殖塘的面积远远大于其他地区，其面积为3405.05km2。其中，东北部、红河三角洲、中北部、中南部和东南部的面积分别为65.08km2、224.33km2、177.94km2、257.89km2和132.67km2。
步骤七：通过随机选取的样点，对提取结果进行精度验证。
结果如图4所示，本发明共选取1200个随机样点进行精度验证，经统计其中错误分类个数为86个，正确分类个数1114个，总体精度为92.83％。
Claims (8)
1.一种基于Sentinel-1与GEE的近岸水产养殖塘提取方法，其特征在于，包括如下步骤：
步骤一、获取覆盖研究区内所有的Sentinel-1影像，计算其双极化水体指数SDWI并提取水体层；
步骤二、对提取的水体层进行面向对象分割，计算水体对象的几何特征、纹理特征和邻域特征并构建决策树，提取潜在水产养殖塘的区域；
其中所述几何特征选取形状因子、紧密度、面积及区域面积和边界外接框面积的比率；采用灰度共生矩阵计算纹理特征，构建季节水体敏感指数SWSI，其计算方式如下：
SWSI＝SavgVV+SavgVH
其中，SavgVV代表VV极化影像中的均值和，SavgVH代表VH极化影像中的均值和；p(i,j)为输入灰度共生矩阵的第(i,j)的输入；L为像元值的灰度级；
步骤三、获取数字高程数据，通过GEE提取山体阴影，对步骤二提取的潜在水产养殖塘区域进行掩膜处理；
步骤四、对掩膜处理后的区域进行膨胀和腐蚀，获取连续河流并去除截断河流；
步骤五、对去除河流后的结果，进行膨胀和空间连接，去除孤立斑块，获取水产养殖塘空间分布数据。
2.根据权利要求1所述的方法，其特征在于，所述步骤一中，遥感影像选择水产养殖开展时期的所有影像，所选取的影像分别为Sentinel-1干涉宽幅成像模式的VV极化影像和VH极化影像。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤一中，对获取的影像序列进行剪裁，并进行中值合成处理。
4.根据权利要求1所述的方法，其特征在于，选用连通域分割算法进行面向对象分割。
5.根据权利要求1所述的方法，其特征在于，所述步骤三中，采用GEE山体阴影提取算法ee.Terrain.hillshade获取山体阴影指数HI；结合HI和高程数据进行阈值分割，获取山体阴影空间分布数据。
6.根据权利要求1所述的方法，其特征在于，所述步骤四中，对山体阴影掩膜后的数据做200米范围的双侧缓冲区；基于双侧缓冲区数据建立向内侧160米范围单侧缓冲区，将双侧缓冲区数据裁剪单侧缓冲区数据，并根据几何特征提取并去除截断河流。
7.根据权利要求1所述的方法，其特征在于，所述步骤五中，对数据做50米双侧缓冲区；基于双侧缓冲区数据进行空间连接，判别每个缓冲区与其周围缓冲区相连接个数是否大于1，当连接个数等于1时，判定为孤立斑块；最后删除孤立斑块。
8.根据权利要求1所述的方法，其特征在于，还包括精度验证；随机选取样点，在GoogleEarth高分辨率影像中判别属性，统计正确分类和错误分类样点的个数并计算总体精度，实现精度验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010668117.2A CN111862134B (zh) | 2020-07-13 | 2020-07-13 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010668117.2A CN111862134B (zh) | 2020-07-13 | 2020-07-13 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111862134A CN111862134A (zh) | 2020-10-30 |
| CN111862134B true CN111862134B (zh) | 2023-11-07 |
Family
ID=72983840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010668117.2A Active CN111862134B (zh) | 2020-07-13 | 2020-07-13 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111862134B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408467B (zh) * | 2021-07-01 | 2022-04-29 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 |
| CN114021656A (zh) * | 2021-11-08 | 2022-02-08 | 中国科学院东北地理与农业生态研究所 | 基于gee云平台和光学与雷达数据融合的水体提取方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107507200A (zh) * | 2017-08-31 | 2017-12-22 | 电子科技大学 | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 |
| CN107730527A (zh) * | 2017-10-16 | 2018-02-23 | 中国科学院遥感与数字地球研究所 | 一种基于遥感卫星影像的高原地区冰湖提取方法 |
| CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
| CN108537795A (zh) * | 2018-04-23 | 2018-09-14 | 中国科学院地球化学研究所 | 一种山区河流信息提取方法 |
| CN108830203A (zh) * | 2018-06-01 | 2018-11-16 | 中国科学院遥感与数字地球研究所 | 一种基于sar图像的建筑区提取方法和系统 |
| WO2020015326A1 (zh) * | 2018-07-19 | 2020-01-23 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
| KR102109917B1 (ko) * | 2018-11-16 | 2020-05-12 | 대한민국(관리부서 : 환경부 국립환경과학원장) | 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법 |
-
2020
- 2020-07-13 CN CN202010668117.2A patent/CN111862134B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107507200A (zh) * | 2017-08-31 | 2017-12-22 | 电子科技大学 | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 |
| CN107730527A (zh) * | 2017-10-16 | 2018-02-23 | 中国科学院遥感与数字地球研究所 | 一种基于遥感卫星影像的高原地区冰湖提取方法 |
| CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
| CN108537795A (zh) * | 2018-04-23 | 2018-09-14 | 中国科学院地球化学研究所 | 一种山区河流信息提取方法 |
| CN108830203A (zh) * | 2018-06-01 | 2018-11-16 | 中国科学院遥感与数字地球研究所 | 一种基于sar图像的建筑区提取方法和系统 |
| WO2020015326A1 (zh) * | 2018-07-19 | 2020-01-23 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
| KR102109917B1 (ko) * | 2018-11-16 | 2020-05-12 | 대한민국(관리부서 : 환경부 국립환경과학원장) | 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법 |
Non-Patent Citations (4)
| Title |
|---|
| "Machine-Learning Algorithms for Mapping Debris-Covered Glaciers";Aftab Ahmed Khan等;《 IEEE Access 》;全文 * |
| 基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法;许童羽;胡开越;周云成;于丰华;冯帅;;沈阳农业大学学报(第02期);全文 * |
| 李丹等."基于卫星遥感的水体信息提取研究进展与展望".《伟 * |
| 薛源 ; 张翼 清华大学学报(自然科学版)》.2019,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111862134A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Duan et al. | Mapping national-scale aquaculture ponds based on the Google Earth Engine in the Chinese coastal zone | |
| CN110059758B (zh) | 一种基于语义分割的遥感影像养殖塘检测方法 | |
| Liu et al. | Satellite-based monitoring and statistics for raft and cage aquaculture in China’s offshore waters | |
| Hou et al. | Anthropogenic transformation of Yangtze Plain freshwater lakes: Patterns, drivers and impacts | |
| CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
| CN111862134B (zh) | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 | |
| CN111881816B (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
| Huiping et al. | Landscape and water quality change detection in urban wetland: A post-classification comparison method with IKONOS data | |
| CN107504923B (zh) | 一种综合遥感影像和延绳信息的海带养殖面积监测方法 | |
| CN113971769B (zh) | 基于多源大数据的海岸带地域功能长时序识别方法 | |
| CN114724049A (zh) | 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 | |
| CN109657598B (zh) | 基于分层策略的滨海湿地遥感分类方法 | |
| CN109359533A (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
| CN108764132A (zh) | 一种湖泊湿地遥感图像误差检测方法 | |
| Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
| Mahal et al. | Assessment of the impact of urbanization growth on the climate of Baghdad province using remote sensing techniques. | |
| CN111291621B (zh) | 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法 | |
| Xu et al. | Classification of coral reef benthos around Ganquan Island using WorldView-2 satellite imagery | |
| Zhu et al. | spectral characteristic analysis and remote sensing classification of coastal aquaculture areas based on GF-1 data | |
| Liu et al. | Mapping large-scale aquaculture ponds in Jiangsu Province, China: An automatic extraction framework based on Sentinel-1 time-series imagery | |
| CN116012707A (zh) | 一种渔光互补光伏养殖模式的遥感识别方法 | |
| CN112966657B (zh) | 一种大尺度水体覆盖的遥感自动分类方法 | |
| CN115761493A (zh) | 一种基于组合水体指数频率的水体提取方法 | |
| Zhe et al. | Dynamics of coastal aquaculture ponds in Vietnam from 1990 to 2015 using Landsat data | |
| Li et al. | Aquatic vegetation mapping based on remote sensing imagery: An application to Honghu Lake |
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 |