CN112102312B - 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 - Google Patents

基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 Download PDF

Info

Publication number
CN112102312B
CN112102312B CN202011050528.1A CN202011050528A CN112102312B CN 112102312 B CN112102312 B CN 112102312B CN 202011050528 A CN202011050528 A CN 202011050528A CN 112102312 B CN112102312 B CN 112102312B
Authority
CN
China
Prior art keywords
moso bamboo
vegetation
satellite
forest
red
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
CN202011050528.1A
Other languages
English (en)
Other versions
CN112102312A (zh
Inventor
李龙伟
李楠
王妮
吴震
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.)
Chuzhou University
Original Assignee
Chuzhou University
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 Chuzhou University filed Critical Chuzhou University
Priority to CN202011050528.1A priority Critical patent/CN112102312B/zh
Publication of CN112102312A publication Critical patent/CN112102312A/zh
Application granted granted Critical
Publication of CN112102312B publication Critical patent/CN112102312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • 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
    • 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
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法，包括如下步骤：步骤1.实地调查后选取近两年春季及冬季的含红边波段的卫星影像；步骤2.对选取的卫星影像进行预处理，得到处理后的卫星影像；步骤3.基于预处理后的两期冬季卫星影像，分别计算它们的归一化植被指数NDVI，应用阈值分割方法，提取获得植被信息图；步骤4.基于预处理后的两期春季卫星影像，计算表示二者间差异的归一化毛竹指数NMBI，再应用阈值分割方法，提取获得毛竹信息图；步骤5.通过对植被信息图与毛竹信息图进行叠加分析，获得最终的毛竹林分布图。本发明提取方法简单，提取的信息准确，能有效利用遥感影像掌握毛竹林空间分布信息。

Description

基于含红边波段的卫星影像和物候差异的毛竹林遥感识别 方法
技术领域
本发明属于遥感技术领域，涉及基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法。
背景技术
我国是世界上毛竹分布最广的国家，据第八次全国森林资源清查统计(2009-2013)，中国竹林面积为6.01×106hm2，其中分布最广泛的是毛竹林，约占中国竹林面积的70％左右。毛竹生长快，产量高，材质好，用途广，是我国经济价值最大的竹种。快速、准确的提取毛竹分布信息对于掌握毛竹分布规模、预测毛竹产量及竹产业经济发展等具有重要意义。
传统的毛竹分布调查及产量估测主要依赖于地面调查，耗费了大量人力物力，而且其观测面积受限，不能实时的反映出毛竹的生长发育状况，延迟了对毛竹林生产管理的指导。遥感技术是空间信息技术的一种，作为空间信息的前沿技术，能够快速准确地收集林业资源和林业生产的信息，结合地理信息系统和全球定位系统等其他现代高新技术，可以实现信息收集和分析的定位与定量，客观性强，不受人为干扰，方便决策。
但是，根据已有研究成果分析发现，传统遥感影像识别毛竹林存在以下问题：①毛竹林属于常绿植被，光谱特征与其他常绿植被类似，增加了毛竹林遥感识别的难度；②毛竹林独特的生理生态特征和大/小年物候现象，造成了大年毛竹林和小年毛竹林在林分结构及叶色上存在巨大差异；③传统遥感卫星，如Landsat、GF-1、RapidEye等，不同时具备时间分辨率、空间分辨率、光谱分辨率三方面的优势，限制了毛竹林识别的精度。综上所述，基于传统遥感影像识别毛竹林的难度较大，精度不高，不能实时起到大面积识别、监测毛竹林的作用。
发明内容
本发明的目的在于提供一种基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法，以解决传统遥感影像用于识别毛竹林时难度较大，精度不高，无法大面积识别、监测毛竹林的技术问题。
所述的基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法，包括如下步骤：
步骤1.实地调查确定毛竹林存在大/小年现象，再选取近两年春季及冬季的含红边波段的卫星影像；
步骤2.对选取的卫星影像进行预处理，得到处理后的卫星影像；
步骤3.基于预处理后的两期冬季卫星影像，分别计算它们的归一化植被指数NDVI，应用阈值分割方法，将两期NDVI值均大于设定阈值a的部分判别为植被覆盖区域，提取获得植被信息图；
步骤4.基于预处理后的两期春季卫星影像，计算表示二者间差异的归一化毛竹指数NMBI，
Figure BDA0002709392880000021
其中，NIR为近红外波段，VREk为各个植被红边波段，k＝1，2，3，…,i为当前年份，i-1为前一年，k为不同植被红边波段的数量；
再应用阈值分割方法，将NMBI值大于设定阈值b的部分判别为可能属于毛竹林的区域，提取获得毛竹信息图；
步骤5.通过对植被信息图与毛竹信息图进行叠加分析，获得最终的毛竹林分布图。
优选的，所述含红边波段的卫星影像为Sentinel-2卫星影像，所述Sentinel-2卫星影像包含B6波段、B7波段、B8波段和B8A波段，在计算NMBI的算式中，NIR为B8波段，VRE1为B6波段，VRE2为B7波段，VRE3为B8A波段，将波段带入算式(1)得到：
Figure BDA0002709392880000022
优选的，所述步骤3中，所述的NDVI值按照如下公式进行计算：
Figure BDA0002709392880000023
其中，NIR为近红外波段，Red为可见光的红波段，对于Sentinel-2数据，NIR为B8波段，Red为B4波段，由此得到NDVI值的算式：NDVI＝(B8-B4)/(B8+B4)。
优选的，所述步骤5中，所述步骤5中，将植被信息图与毛竹信息图进行叠加，所述毛竹信息图中可能属于毛竹林的区域和所述植被信息图中植被覆盖区域二者影像相交的部分为毛竹林的分布区域，提取获得最终的毛竹林分布图。
优选的，所述步骤2中的预处理流程包括对卫星影像的辐射定标、大气校正和地形校正，对地形校正后的卫星影像重采样得到各个波段的img格式的图像文件且所述图像文件的空间分辨率达到10m，将各波段的图像文件合并后再剪裁出用于识别毛竹林的卫星影像。
优选的，所述步骤1中，春季的含红边波段的卫星影像选取5月份的卫星影像；冬季的含红边波段的卫星影像选取12至2月份的卫星影像。
优选的，所述步骤5中，在完成最终的毛竹林分布图后进行现场验证，根据实地调查，选取毛竹林及其他植被各200个验证点，计算混淆矩阵及Kappa系数，当混淆矩阵求得的提取毛竹的总精度和kappa系数均达到一定阈值后确定本方法的设定阈值a和b满足要求。
优选的，所述的设定阈值b为0.1，所述的设定阈值a的取值范围为0.3-0.5。
本发明的技术效果：毛竹存在独特的大小年现象，普通植被在相邻两年的春季表现几乎一样的光谱特征，而毛竹林在相邻两年分别是大年和小年，其光谱特征差异巨大。在春季，大年毛竹林的近红外(NIR)波段反射率很高，小年毛竹林的NIR波段反射率很低。
本方案同时将近红外波段和红边波段作为计算归一化毛竹指数(NMBI)的主要参数，能准确有效地识别出毛竹林空间分布情况。三个植被红边波段(VRE)与NIR波段情况类似。基于前后两年的春季数据，通过计算NIR及VRE波段的差值得到归一化毛竹指数NMBI，NMBI可以识别出同时期不同年份的有变化的地类，包括具有大小年特征的毛竹林。毛竹林的NMBI值远大于0.1，其他植被的NMBI值较小，接近于0，二者区别明显，因此本发明将NMBI与NDVI提取的植被信息进行叠加分析，提取方法简单，提取的信息准确，能有效利用遥感影像掌握毛竹林空间分布信息，精度高，可靠性好。
附图说明
图1为本发明中毛竹林遥感识别方法的流程图。
图2为本发明实施例中研究区的卫星图像。
图3为本发明实施例中采集的2018和2019年两年的春季及冬季的Sentinel-2卫星影像对比图。
图4为本发明实施例中植被信息图、毛竹信息图和最终的毛竹林分布图三者的对比图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
由于红边与植被的各种理化参数紧密相关，是描述植物色素状态和健康状况的重要的指示波段，为了更好地根据遥感影像掌握植被的生长情况，并提高识别毛竹林的精度，具体实施例选择能采集红边波段光谱的Sentinel-2卫星的卫星影像作为识别用的原始影像数据。
本发明的原理为：Sentinel-2数据具有10m空间分辨率、5天的重访周期，覆盖13个光谱波段，是唯一一个在红边范围含有三个波段的数据，这对监测植被健康信息非常有效。不同于其他植被，毛竹存在独特的大小年现象。普通植被在相邻两年的春季表现几乎一样的光谱特征，而毛竹林在相邻两年分别是大年和小年，其光谱特征差异巨大。在春季，大年毛竹林的近红外(NIR)波段反射率很高，小年毛竹林的NIR波段反射率很低。三个植被红边波段(VRE)与NIR波段情况类似。通过归一化毛竹指数NMBI表示基于前后两年的春季数据产生的毛竹林区域在光谱影像中的差异。计算NMBI可以识别出同时期不同年份的有变化的地类，如具有大小年特征的毛竹林。毛竹林的NMBI值远大于0.1，其他植被的NMBI值较小，接近于0。将NMBI与归一化植被指数NDVI提取的植被信息进行叠加分析，获得最终毛竹林分布信息。
如图1-4所示，本发明提供了一种基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法。该毛竹林遥感识别方法具体包括下列步骤。
步骤1.实地调查确定毛竹林存在大/小年现象，再选取近两年春季及冬季的含红边波段的卫星影像。
具体实施例中选择浙江西北部毛竹林区作为研究区，位于杭州、德清、安吉三地交接处(如图2上述)。实地调查研究区内森林植被类型及毛竹林物候情况，调查发现，毛竹林存在独特的大/小年现象，即大年有大量竹笋成竹，小年几乎没有竹笋。
根据调查情况，下载四幅Sentinel-2卫星影像，如表1所示：
表1
Figure BDA0002709392880000051
图3是四幅影像上的同一位置。以2019年为基准，在2019年春季影像上显示为深色的大年毛竹林，在2018年上春季影像上为浅色，在2019年春季影像上显示为浅色的小年毛竹林刚好相反。在两年的冬季影像上，两者无明显差别。因此该区域毛竹林存在明显的大/小年现象。
步骤2.对选取的卫星影像进行预处理，得到处理后的卫星影像。
对选取的四幅Sentinel-2卫星影像，在SNAP及ENVI 5.3中进行预处理。借助SNAP软件中的Sen2Cor插件工具对原始影像(L1C等级)进行辐射定标、大气校正、地形校正，得到大气底层反射率数据。使用S2 Resampling Processor工具，将影像重采样到10m分辨率，得到十个波段的img格式文件。借助ENVI 5.3软件中的Layer Stacking工具将十个波段组合，使用Subset工具剪裁出研究区的卫星影像用于后续识别毛竹林的分布情况。
步骤3.基于预处理后的两期冬季卫星影像，分别计算它们的归一化植被指数NDVI，应用阈值分割方法，将两期NDVI值均大于设定阈值a的部分判别为植被覆盖区域，提取获得植被信息图。
所述的NDVI值按照如下公式进行计算：
Figure BDA0002709392880000052
其中，NIR为近红外波段，Red为可见光的红波段。本实施例中采用的具体方法为：
使用Sentinel-2影像中的B4波段为可见光红波段Red、B8波段(中心波长842nm)为近红外波段NIR，由此得到NDVI＝(B8-B4)/(B8+B4)，借助ENVI 5.3软件的Band Math工具分别计算两期冬季影像的NDVI值。NDVI值介于-1到1间，大于0表示有绿色植被覆盖，随覆盖度增大而增大，在0.3-0.5的范围中选择阈值可有效筛选出较密集的绿色植被覆盖区域。具体实施例选择0.5作为阈值，借助ENVI 5.3软件的Band Math工具，提取两期NDVI中均大于0.5的作为植被，剔除城镇、水体等非植被信息，获得植被信息图(图4的第一幅图)。
步骤4.基于预处理后的两期春季卫星影像，计算表示二者间差异的归一化毛竹指数NMBI，
Figure BDA0002709392880000061
其中，NIR为近红外波段，VREk为各个植被红边波段，k＝1，2，3，…,i为当前年份，i-1为前一年，k为不同植被红边波段的数量；再应用阈值分割方法，将NMBI值大于设定阈值b的部分判别为可能属于毛竹林的区域，提取获得毛竹信息图。
Sentinel-2影像中植被红边波段有三个，分别为对应VRE1的B6波段(中心波长740nm)、对应VRE2的B7波段(中心波长783nm)和对应VRE3的B8A
(中心波长865nm)。由此得到用于Sentinel-2影像的NMBI的算式，
Figure BDA0002709392880000062
本实施例中的Sentinel-2影像为2018和2019年的卫星图像，因此本实施例采用的NMBI的算式为：
Figure BDA0002709392880000063
借助ENVI 5.3软件的Band Math工具计算NMBI值。具体实施例选择0.1作为阈值，借助ENVI 5.3软件的Band Math工具，提取NMBI值大于0.3的部分作为毛竹林，获得毛竹信息图(图4的第二幅图)。
步骤5.通过对植被信息图与毛竹信息图进行叠加分析，获得最终的毛竹林分布图。
借助ENVI 5.3软件的Decision Tree工具，对植被信息图与毛竹信息图进行叠加分析，提取两幅图影像相交的部分，得到最终的毛竹林分布图(图4的第三幅图)。最后，根据实地调查，选取毛竹林及其他植被各200个验证点，结合毛竹林分布图计算混淆矩阵及Kappa系数，得到表2。
表2
Figure BDA0002709392880000071
从表中可以看出提取的毛竹的总精度为92.25％，kappa系数为84.5，识别毛竹效果良好，从而确定本方法的准确性及可靠性。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。

Claims (4)

1.基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法，其特征在于：包括如下步骤：
步骤1.实地调查确定毛竹林存在大/小年现象，再选取近两年春季及冬季的含红边波段的卫星影像；
步骤2.对选取的卫星影像进行预处理，得到处理后的卫星影像；
步骤3.基于预处理后的两期冬季卫星影像，分别计算它们的归一化植被指数NDVI，应用阈值分割方法，将两期NDVI值均大于设定阈值a的部分判别为植被覆盖区域，提取获得植被信息图；
所述的NDVI值按照如下公式进行计算：
Figure DEST_PATH_IMAGE001
，其中，NIR为近红外波段，Red为可见光的红波段，对于Sentinel-2数据，NIR为B8波段，Red为B4波段，由此得到NDVI值的算式：NDVI=(B8-B4)/(B8+B4)；
步骤4.基于预处理后的两期春季卫星影像，计算表示二者间差异的归一化毛竹指数NMBI，
Figure 705543DEST_PATH_IMAGE002
（1）
其中，NIR为近红外波段，VREk为各个植被红边波段，k=1，2，3，…,i为当前年份，i-1为前一年，k为不同植被红边波段的数量；
所述含红边波段的卫星影像为Sentinel-2卫星影像，所述Sentinel-2卫星影像包含B6波段、B7波段、B8波段和B8A波段，在计算NMBI的算式中，NIR为B8波段，VRE1为B6波段，VRE2为B7波段，VRE3为B8A波段，将波段带入算式（1）得到：
Figure 767171DEST_PATH_IMAGE003
（2）；
再应用阈值分割方法，将NMBI值大于设定阈值b的部分判别为可能属于毛竹林的区域，提取获得毛竹信息图；
步骤5.通过对植被信息图与毛竹信息图进行叠加分析，获得最终的毛竹林分布图；具体为，将植被信息图与毛竹信息图进行叠加，所述毛竹信息图和所述植被信息图二者影像相交的部分为毛竹林的分布区域，提取获得最终的毛竹林分布图；
在完成最终的毛竹林分布图后进行现场验证，根据实地调查，选取毛竹林及其他植被各200个验证点，计算混淆矩阵及Kappa系数，当混淆矩阵求得的提取毛竹的总精度和kappa系数均达到一定阈值后确定本方法的设定阈值a和b满足要求。
2.根据权利要求1所述的基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法，其特征在于：所述步骤2中的预处理流程包括对卫星影像的辐射定标、大气校正和地形校正，对地形校正后的卫星影像重采样得到各个波段的img格式的图像文件且所述图像文件的空间分辨率达到10m，将各波段的图像文件合并后再剪裁出用于识别毛竹林的卫星影像。
3.根据权利要求2所述的基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法，其特征在于：所述步骤1中，春季的含红边波段的卫星影像选取5月份的卫星影像；冬季的含红边波段的卫星影像选取12至2月份的卫星影像。
4.根据权利要求3所述的基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法，其特征在于：所述的设定阈值b为0.1，所述的设定阈值a的取值范围为0.3-0.5。
CN202011050528.1A 2020-09-29 2020-09-29 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 Active CN112102312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011050528.1A CN112102312B (zh) 2020-09-29 2020-09-29 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011050528.1A CN112102312B (zh) 2020-09-29 2020-09-29 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法

Publications (2)

Publication Number Publication Date
CN112102312A CN112102312A (zh) 2020-12-18
CN112102312B true CN112102312B (zh) 2022-11-15

Family

ID=73782865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011050528.1A Active CN112102312B (zh) 2020-09-29 2020-09-29 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法

Country Status (1)

Country Link
CN (1) CN112102312B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861766B (zh) * 2021-02-26 2024-02-02 北京农业信息技术研究中心 农田玉米秸秆卫星遥感提取方法及装置
CN113158767B (zh) * 2021-03-02 2022-09-30 山东科技大学 一种基于光谱特性的钉螺孳生地识别方法
CN112907587B (zh) * 2021-04-01 2022-03-01 西南石油大学 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法
CN113221806B (zh) * 2021-05-25 2022-02-01 河南大学 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
CN113723254A (zh) * 2021-08-23 2021-11-30 三明学院 一种毛竹林分布的识别方法、装置、设备和存储介质
CN115294460B (zh) * 2022-10-08 2023-01-17 杭州领见数字农业科技有限公司 雷竹林退化程度确定方法、介质和电子设备
CN117152634B (zh) * 2023-09-12 2024-06-04 广东省水利水电科学研究院 基于色度指数的多源卫星影像浮水植物识别方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145779A (zh) * 2018-08-01 2019-01-04 南京林业大学 一种固定森林小班边界的有林地地类变化信息提取方法
CN110645961A (zh) * 2019-09-27 2020-01-03 佛山科学技术学院 基于遥感和ndvi的森林资源动态变化检测方法
CN110705455A (zh) * 2019-09-29 2020-01-17 东华理工大学 一种基于多光谱卫星遥感影像的三七种植面积计算方法
CN111521562A (zh) * 2020-03-19 2020-08-11 航天信德智图（北京）科技有限公司 基于Sentinel-2卫星的棉花植被指数遥感检测方法
CN111652092A (zh) * 2020-05-19 2020-09-11 中南林业科技大学 基于Sentinel-2A数据监测森林覆盖变化的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145779A (zh) * 2018-08-01 2019-01-04 南京林业大学 一种固定森林小班边界的有林地地类变化信息提取方法
CN110645961A (zh) * 2019-09-27 2020-01-03 佛山科学技术学院 基于遥感和ndvi的森林资源动态变化检测方法
CN110705455A (zh) * 2019-09-29 2020-01-17 东华理工大学 一种基于多光谱卫星遥感影像的三七种植面积计算方法
CN111521562A (zh) * 2020-03-19 2020-08-11 航天信德智图（北京）科技有限公司 基于Sentinel-2卫星的棉花植被指数遥感检测方法
CN111652092A (zh) * 2020-05-19 2020-09-11 中南林业科技大学 基于Sentinel-2A数据监测森林覆盖变化的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Mapping Global Bamboo Forest Distribution Using Multisource Remote Sensing Data;Huaqiang Du et al;《 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20180216;第11卷(第5期);1458 - 1471 *
Mapping Moso bamboo forest and its on-year and off-year distribution in a subtropical region using time-series Sentinel-2 and Landsat 8 data;Longwei Li et al;《Remote Sensing of Environment》;20190621;1-14 *
基于Sentinel-2影像数据的毛竹林生物量估测;陈瑜云;《中国优秀硕士学位论文全文数据库（电子期刊）》;20190615;第2019年卷(第06期);全文 *
基于深度迁移学习的无人机高分影像树种分类与制图;滕文秀等;《激光与光电子学进展》;20190430;第56卷(第7期);1-10 *

Also Published As

Publication number Publication date
CN112102312A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112102312B (zh) 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法
Chong et al. A review of remote sensing applications for oil palm studies
CN107067334B (zh) 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统
Roy et al. Stratification of density in dry deciduous forest using satellite remote sensing digital data—An approach based on spectral indices
CN114821362B (zh) 一种基于多源数据的水稻种植面积提取方法
CN114387528A (zh) 松材线虫病监测天空地一体化监测方法
CN108458978B (zh) 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
CN104915674A (zh) Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法
CN113033670A (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
CN113221806B (zh) 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
CN109934109B (zh) 一种基于遥感的黄土高原水土流失区林草植被信息提取方法
US20220392215A1 (en) System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images
CN116645603A (zh) 一种大豆种植区识别和面积测算方法
Liu et al. Mapping of boreal vegetation of a temperate mountain in China by multitemporal Landsat TM imagery
Han et al. NESEA-Rice10: high-resolution annual paddy rice maps for Northeast and Southeast Asia from 2017 to 2019
CN116543316B (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
CN117475313A (zh) 一种基于训练样本自动化提取的大尺度冬小麦早期识别方法
Zhang et al. Mapping Eucalyptus plantation in Guangxi, China by using knowledge-based algorithms and PALSAR-2, Sentinel-2, and Landsat images in 2020
Han et al. AsiaRiceMap10m: high-resolution annual paddy rice maps for Southeast and Northeast Asia from 2017 to 2019
Zhao et al. Detection and mapping of hail damage to corn using domestic remotely sensed data in China
CN110245589A (zh) 一种基于高分遥感影像的西北地区地膜信息综合分析方法
CN113343808A (zh) 一种基于卫星遥感技术的热带森林资源测量方法
Sharifi et al. Remotely sensed normalized difference red-edge index for rangeland biomass estimation
CN116129284A (zh) 一种基于时间序列变化特征的撂荒地遥感提取方法
Huang et al. Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images

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