CN112270291B - 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 - Google Patents
一种基于多源光学遥感图像的违法建设用地开发自动检测方法 Download PDFInfo
- Publication number
- CN112270291B CN112270291B CN202011252635.2A CN202011252635A CN112270291B CN 112270291 B CN112270291 B CN 112270291B CN 202011252635 A CN202011252635 A CN 202011252635A CN 112270291 B CN112270291 B CN 112270291B
- Authority
- CN
- China
- Prior art keywords
- land
- development
- remote sensing
- construction land
- construction
- 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
- G06V20/13—Satellite images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于多源光学遥感图像的违法建设用地开发自动检测方法,包括:分别获取待检测区域两个不同时间的光学遥感影像;计算两个不同时间的光学遥感影像间的土地平整强度,得到土地平整强度图像;利用最大期望算法对土地平整强度图像进行聚类分析,提取待检测区域的建设用地开发对应区域;将提取的建设用地开发对应区域与待检测区域的土地规划进行对比,土地规划严禁开发区域内的建设用地开发即为违法建设用地开发。本发明能够对违法建设用地开发进行短周期、全自动监测,计算简单、易于理解,执行效率高,且无需任何训练样本,能够及时发现并预防违法建设用地导致的各种社会及环境问题,并且显著降低监测成本、提高监测效率。
Description
技术领域
本发明涉及遥感影像处理技术领域,更具体地,涉及一种基于多源光学遥感图像的违法建设用地开发自动检测方法。
背景技术
违法建设用地已成为我国社会经济转型期土地利用面临的主要问题之一,对新型城镇化和生态文明建设构成了严峻挑战。中国国土资源公报显示,2012-2016年间,全国共发现违法用地行为39万件,涉及土地面积17.55万公顷。违法建设用地加剧了城市的无序扩张,不仅破坏了城市的整体协调和综合发展,还侵占了大量优质农田,导致农业生产基地不断萎缩,直接威胁着耕地红线和国家粮食安全。此外,违法建设用地导致森林退化、土壤污染、空气和水资源恶化等问题,对生态环境造成极大破坏。在未来较长时期,中国仍将处于城镇化快速推进阶段,伴随日益尖锐的土地资源紧张与需求膨胀之间的矛盾,违法建设用地问题将越发严峻。2019年5月,我国政府部门印发《关于建立国土空间规划体系并监督实施的若干意见》明确提出“科学有序统筹布局生态、农业、城镇等功能空间,划定生态保护红线、永久基本农田、城镇开发边界等空间管控边界”(以下简称“三区三线”)。鉴于此,违法建设用地问题必须受到高度重视并着力解决。
光学遥感影像具有丰富的光谱信息,能够实现较高的地物分类精度,是监测土地覆盖变化的首选数据源。中、低分辨率光学遥感影像,如Landsat、MODIS和夜间灯光数据等,主要用于全球及区域尺度的土地覆盖变化调查。高分辨率光学遥感影像,如SPOT、QuickBird、IKONOS,具有丰富的地物纹理和细节,在小尺度、精细化的土地利用/土地覆盖变化调查中应用较多,其中就包括对违法建设用地的监测。然而,建设用地具有逆转相对困难的特性,即使检测到违法建设用地,被侵占的土地也难以恢复。建设用地开发在起始阶段通常只涉及土地平整,推平原有农作物、自然植被或填埋水体,对环境造成的破坏较小且容易恢复(图1)。因此,及时发现刚刚开始的违法建设用地开发,是控制和预防违法建设用地问题的关键。由于光学遥感受天气条件限制,监测周期较长,难以及时发现违法建设用地开发。近年来,越来越多的光学遥感卫星陆续发射,如Landsat-8、Sentinel-2、高分(GF)系列卫星等。这些新一代的卫星观测系统提供的遥感影像具有覆盖范围大、重访周期短、稳定且容易获取等特点。结合这些多源光学遥感影像,可以提高影像的时间分辨率,有望实现对违法建设用地开发的及时检测。
国内外学者已经提出多种基于遥感影像的土地覆盖变化检测方法,主要可分为两类:非监督变化检测法和分类后比较法。适用于多光谱遥感影像的非监督变化检测法为变化矢量分析,如王丽云等人提出的《基于对象变化矢量分析的土地利用变化检测方法研究》(王丽云,李艳,汪禹芹.基于对象变化矢量分析的土地利用变化检测方法研究[J].地球信息科学学报,2014,16(02):307-313)。非监督变化检测方法相对简单、易于实现,但只能提取变化区域,无法确定具体的土地覆盖变化类型,因此无法识别建设用地开发地块。孙天天等人提出了《基于面向对象分类的城市土地利用变化检测》(孙天天,邓文彬,马琳.基于面向对象分类的城市土地利用变化检测[J].地理空间信息,2018,16(09):95-98+12),该方案通过比较不同时相遥感影像的土地覆盖分类结果,不仅可以提取变化区域,还能识别变化区域的土地覆盖变化类型。虽然分类后比较法可用于多源光学遥感影像间的建设用地开发检测,但遥感影像的分类主要基于监督分类方法,如最大似然法、决策树算法、随机森林算法、支持向量机等,需要人工解译遥感影像、开展实地调研来选取训练样本。短周期遥感监测需要对高时间分辨率遥感影像进行分类,人工选取训练样本、开展实地调研将耗费大量人力、物力和时间,增加监测成本,降低监测效率和时效性,难以适应实际应用的需求。此外,分类后比较法的精度还受到遥感影像分类精度的限制(Hussain,M.,Chen,D.M.,Cheng,A.,et al.Change detection fromremotely sensedimages:Frompixel-based toobject-based approaches[J].ISPRS Journal of Photogrammetry and RemoteSensing,2013,80:91-106)。
发明内容
本发明为克服上述现有技术所述中基于光学遥感影像的土地覆盖变化检测的方法成本高、效率低的缺陷,提供一种基于多源光学遥感图像的违法建设用地开发自动检测方法。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
一种基于多源光学遥感图像的违法建设用地开发自动检测方法,包括以下步骤:
S1:分别获取待检测区域两个不同时间的光学遥感影像;
S2:计算两个不同时间的光学遥感影像间的土地平整强度,得到土地平整强度图像;
S3:利用最大期望算法对土地平整强度图像进行聚类分析,提取待检测区域的建设用地开发对应区域;
S4:将提取的建设用地开发对应区域与待检测区域的土地规划进行对比,土地规划范围外的建设用地开发区域即为违法建设用地开发区域。
本方案中,所述土地平整强度计算公式为:
其中,It1-t2代表待检测区域在t1和t2时间获取的遥感影像间的土地平整强度,Band(r)t1和Band(b)t1分别代表t1时间获取的遥感影像的红光和蓝光波段,Band(r)t2和Band(b)t2分别代表t2时间获取的遥感影像的红光和蓝光波段。
本方案中,所述土地平整强度计算公式适用于地表反射率和表观反射率,像元亮度值。
本方案中,步骤S3具体过程为:
利用最大期望算法对土地平整强度图像进行聚类分析,得到最大期望依赖样本的分布类型;
根据分布模型的参数,确定土地平整强度图像中建设用地开发区域与非建设用地开发区域的阈值,根据阈值提取建设用地开发区域。
本方案中,所述最大期望依赖样本的分布类型为正态分布。
本方案中,建设用地开发区域土地平整强度大于非建设用地开发区域的土地平整强度。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出了一种基于多源光学遥感图像的违法建设用地开发自动检测方法,通过获取待检测区域的光学遥感图像计算土地平整强度检测出建设用地开发区域,进而通过比对出违法建设用地开发区域,本发明能够对违法建设用地开发区域短周期全自动的监测,此外计算简单、易于理解,执行效率高,且无需任何训练样本,能够及时发现并预防违法建设用地导致的各种社会及环境问题,并且可以显著降低违法建设用地开发的监测成本、提高监测效率和时效性,非常适合实际应用需求。
附图说明
图1为建设用地开发的典型过程示意图。
图2为本发明方法流程图。
图3为基于地表反射率、表观反射率和像元亮度计算出的土地平整强度示意图。
图4为连续两幅遥感影像间计算得到的土地平整强度示意图。
图5为连续两幅遥感影像间检测到的建设用地开发区域示意图。
图6为建设用地开发检测精度统计分析图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图2所示,为了实现对违法建设开发及时、自动监测,本发明提出了一种基于多源光学遥感图像的违法建设用地开发自动检测方法,包括以下步骤:
S1:分别获取待检测区域两个不同时间的光学遥感影像;
需要说明的是两个不同时间对应的光学遥感影像可以是相同卫星获取的,也可以是不同卫星获取的。
S2:计算两个不同时间的光学遥感影像间的土地平整强度,得到土地平整强度图像;
需要说明的是,建设用地开发一般始于土地的平整,平整的主要目的是清除待开发土地上现有的植被,建筑物及其它障碍物等,以便于后续的建设开发工作。因此,通过检测建设用地开发初期阶段的土地平整活动,可以及时发现建设用地开发区域。本发明通过前期对土地平整导致的反射光谱变化特征的详细研究提出了土地平整强度计算公式,具体如下:
其中,It1-t2代表待检测区域在t1和t2时间获取的遥感影像间的土地平整强度,Band(r)t1和Band(b)t1分别代表t1时间获取的遥感影像的红光和蓝光波段,Band(r)t2和Band(b)t2分别代表t2时间获取的遥感影像的红光和蓝光波段。It1-t2值越大,表示进行土地平整的可能性越大,即进行建设开发的可能性越大。
需要说明的是,如图3所示,土地强度计算公式不但适用于的地表反射率(SurfaceReflectance)和表观反射率(Top-of-Atmosphere Reflectance),也适用于像元亮度值(Digital Number)。因此,可以直接应用于原始图像,避免辐射定标或大气矫正等图像预处理操作。
S3:计算得到土地平整强度图像后,利用最大期望算法对土地平整强度图像进行聚类分析,提取待检测区域的建设用地开发对应区域;
具体的过程为:利用最大期望算法对土地平整强度图像进行聚类分析,得到最大期望依赖样本的分布类型;在一个具体的实施例中所述最大期望依赖样本的分布类型为正态分布。
根据分布模型的参数,确定土地平整强度图像中建设用地开发区域与非建设用地开发区域的阈值,根据阈值提取建设用地开发区域。建设用地开发区域土地平整强度大于非建设用地开发区域的土地平整强度。
例如建设用地开发区域与非建设用地开发区域的阈值为Th,则土地平整强度大于Th则判定为建设用地开发区域,土地平整强度小于或等于Th则为非建设用地开发区域。
S4:将提取的建设用地开发对应区域与待检测区域的土地规划进行对比,土地规划范围外的建设用地开发区域即为违法建设用地开发区域。
下面以GZ市作为研究区域来对本发明方法进行验证分析。
测试区域
自改革开放以来,GZ市一直经历着快速的城市化。在政府主导的大型建设项目,如大学城,亚运城,高铁站和白云国际机场周边,许多耕地已转变为工业,商业和住宅区域。大量的建设用地开发使GZ市成为本发明理想的测试区域。
研究数据
本实施例收集了由不同传感器(包括Landsat-5TM,Landsat-7ETM+,Landsat-8OLI和Sentintel-2)获取的时间序列的遥感图像(表1)。Landsat卫星由美国国家航空航天局(NASA)和美国地质调查局共同运营管理。Landsat-5TM,Landsat-7ETM+和Landsat-8OLI获取的多光谱图像的空间分辨率为30米,重复周期为16天。Sentinel-2是欧洲航天局哥白尼计划的组成部分之一,包含两颗相同卫星Sentinel-2A和Sentinel-2B,其获取的影像分辨率为10米,重访周期为5天。
表1时间序列多源光学遥感影像
此外,通过对连续两幅遥感影像间的目视解译,选择了建设用地开发和非建设用地开发验证样本,用于评估本发明所提方法的精度。具体样本数量如表2所示。
表2相邻两幅影像间选取的建设用地开发和非建设用地开发样本(单位:像素)
作用及效果分析
利用本发明提出的方法,检测了连续两幅遥感影像间的土地开发区域。图4展示了从连续两幅遥感影像间计算得到的土地平整强度。结果显示土地平整强度算法适用于同源和不同源遥感影像,可以很好地展示建设用地开发初期土地平整区域。利用最大期望算法对土地平整强度进行聚类分析,提取出建设用地开发区域(图5)。我们采用检测精度、误报率、总体精度对建设用地开发检测结果进行了精度评估(图6)。检测精度表示正确检测的建设用地开发样本的百分比;误报率表示错误检测的非建设用地开发样本的百分比;总体精度表示正确检测的所有样本的百分比。本发明提出的方法的平均检测精度、平均误报率、平均总体精度分别为90.98%、2.70%、96.75%。检测结果表明,本发明提出的方法可以准确地检测建设用地开发区域。将提取出的建设用地开发地块与土地规划中禁止开发区域进行叠加分析,便可识别出违法建设用地开发。本发明提出的方法可以及时发现处于早期土地平整阶段的建设开发,对控制和预防违法建设开发具有重要意义。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于多源光学遥感图像的违法建设用地开发自动检测方法,其特征在于,包括以下步骤:
S1:分别获取待检测区域两个不同时间的光学遥感影像;
S2:计算两个不同时间的光学遥感影像间的土地平整强度,得到土地平整强度图像;
S3:利用最大期望(Expectation Maximum,EM)算法对土地平整强度图像进行聚类分析,提取待检测区域的建设用地开发对应区域,
步骤S3具体过程为:
利用最大期望算法对土地平整强度图像进行聚类分析,得到最大期望依赖样本的分布类型;
根据分布模型的参数,确定土地平整强度图像中建设用地开发区域与非建设用地开发区域的阈值,根据阈值提取建设用地开发区域,所述最大期望依赖样本的分布类型为正态分布;
S4:将提取的建设用地开发对应区域与待检测区域的土地规划进行对比,土地规划范围外的建设用地开发区域即为违法建设用地开发区域。
3.根据权利要求2所述的一种基于多源光学遥感图像的违法建设用地开发自动检测方法,其特征在于,所述土地平整强度计算公式适用于地表反射率、表观反射率和像元亮度值。
4.根据权利要求1所述的一种基于多源光学遥感图像的违法建设用地开发自动检测方法,其特征在于,建设用地开发区域土地平整强度大于非建设用地开发区域的土地平整强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252635.2A CN112270291B (zh) | 2020-11-11 | 2020-11-11 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252635.2A CN112270291B (zh) | 2020-11-11 | 2020-11-11 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270291A CN112270291A (zh) | 2021-01-26 |
CN112270291B true CN112270291B (zh) | 2021-09-07 |
Family
ID=74339019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011252635.2A Active CN112270291B (zh) | 2020-11-11 | 2020-11-11 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270291B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967286B (zh) * | 2021-05-19 | 2021-09-17 | 航天宏图信息技术股份有限公司 | 一种新增建设用地检测方法及装置 |
CN113191745B (zh) * | 2021-05-28 | 2022-07-12 | 珠江水利委员会珠江水利科学研究院 | 房地产建设项目施工进度遥感大范围评估方法、介质 |
CN114022413B (zh) * | 2021-10-14 | 2023-03-24 | 中山大学 | 一种生产建设用地的高频次全自动遥感监测方法 |
CN116612391B (zh) * | 2023-07-21 | 2023-09-19 | 四川发展环境科学技术研究院有限公司 | 基于光谱遥感和多特征融合的土地非法侵占检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103546726A (zh) * | 2013-10-28 | 2014-01-29 | 东南大学 | 违章用地的自动发现方法 |
CN110188632A (zh) * | 2019-05-14 | 2019-08-30 | 苏州嘉奕晟中小企业科技咨询有限公司 | 一种用地信息普查数据处理系统 |
CN110222934A (zh) * | 2019-05-08 | 2019-09-10 | 深圳中大环保科技创新工程中心有限公司 | 自然资源资产的审计方法、装置、设备及可读介质 |
CN111062368A (zh) * | 2019-12-31 | 2020-04-24 | 中山大学 | 基于Landsat时间序列遥感影像的城市更新区域监测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893972B (zh) * | 2016-04-08 | 2022-03-11 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN110598513A (zh) * | 2019-05-24 | 2019-12-20 | 南京大学 | 一种基于sleuth模型的城市开发边界预测方法 |
CN111046772A (zh) * | 2019-12-05 | 2020-04-21 | 国家海洋环境监测中心 | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 |
-
2020
- 2020-11-11 CN CN202011252635.2A patent/CN112270291B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103546726A (zh) * | 2013-10-28 | 2014-01-29 | 东南大学 | 违章用地的自动发现方法 |
CN110222934A (zh) * | 2019-05-08 | 2019-09-10 | 深圳中大环保科技创新工程中心有限公司 | 自然资源资产的审计方法、装置、设备及可读介质 |
CN110188632A (zh) * | 2019-05-14 | 2019-08-30 | 苏州嘉奕晟中小企业科技咨询有限公司 | 一种用地信息普查数据处理系统 |
CN111062368A (zh) * | 2019-12-31 | 2020-04-24 | 中山大学 | 基于Landsat时间序列遥感影像的城市更新区域监测方法 |
Non-Patent Citations (2)
Title |
---|
Short-Interval Monitoring of Land Use and Land Cover Change Using a Time Series of RADARSAT-2 Polarimetric SAR Images;Anthony Gar-On Yeh and Zhixin Qi;《Space-Time Integration in Geography and GIScience》;20141231;第353-371页 * |
基于GF-1和Hyperion影像的新增建设用地占地类信息提取;赵文博 等;《地理信息世界》;20190630;第26卷(第3期);第65-71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112270291A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270291B (zh) | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 | |
Wei et al. | Normalization of time series DMSP-OLS nighttime light images for urban growth analysis with pseudo invariant features | |
Weng | Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling | |
Lunetta et al. | Impacts of imagery temporal frequency on land-cover change detection monitoring | |
Chini et al. | Exploiting SAR and VHR optical images to quantify damage caused by the 2003 Bam earthquake | |
Zhang et al. | Remote sensing research issues of the national land use change program of China | |
Walker et al. | An object-oriented approach to urban forest mapping in Phoenix | |
Novo-Fernández et al. | Landsat time series analysis for temperate forest cover change detection in the Sierra Madre Occidental, Durango, Mexico | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
Nagel et al. | High-resolution land cover and impervious surface classifications in the twin cities metropolitan area with NAIP imagery | |
CN111914767A (zh) | 一种基于多源遥感数据的散乱污企业检测方法及系统 | |
McGovern et al. | The radiometric normalization of multitemporal Thematic Mapper imagery of the midlands of Ireland-a case study | |
Mahal et al. | Assessment of the impact of urbanization growth on the climate of Baghdad province using remote sensing techniques. | |
Kolli et al. | Assessment of change in the extent of mangrove ecosystems using different spectral indices in Google Earth Engine based on random forest model | |
CN112232303B (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
Afifi et al. | Urban sprawl of greater Cairo and its impact on the agricultural land using remote sensing and digital soil map | |
CN113158770A (zh) | 一种改进的全卷积孪生神经网络的矿区变化检测方法 | |
Al Kuwari et al. | Impact of North Gas Field development on landuse/landcover changes at Al Khore, North Qatar, using remote sensing and GIS | |
CN116486031A (zh) | 时序遥感数据与地理大数据融合的城市更新区域识别方法 | |
Sui et al. | Processing of multitemporal data and change detection | |
Li et al. | Characterizing long-term forest disturbance history and its drivers in the Ning-Zhen Mountains, Jiangsu Province of eastern China using yearly Landsat observations (1987–2011) | |
Saeifar et al. | Detection of dust storm origins in the middle east by remotely sensed data | |
Salman et al. | Detection of Spectral Reflective Changes for Temporal Resolution of Land Cover (LC) for Two Different Seasons in central Iraq | |
Göksel et al. | Land Use and Land Cover Changes Using Spot 5 Pansharpen Images; A Case Study in Akdeniz District, Mersin-Turkey | |
Yang et al. | Estimation of rape-cultivated area based on decision tree and mixed pixel decomposition |
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 |