CN112347992B - 一种荒漠地区时序agb遥感估算方法 - Google Patents
一种荒漠地区时序agb遥感估算方法 Download PDFInfo
- Publication number
- CN112347992B CN112347992B CN202011378523.1A CN202011378523A CN112347992B CN 112347992 B CN112347992 B CN 112347992B CN 202011378523 A CN202011378523 A CN 202011378523A CN 112347992 B CN112347992 B CN 112347992B
- Authority
- CN
- China
- Prior art keywords
- agb
- data
- ndvi
- ndvitm
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001914 filtration Methods 0.000 claims description 46
- 230000001360 synchronised effect Effects 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000001308 synthesis method Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 5
- 229910052799 carbon Inorganic materials 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 3
- 230000002123 temporal effect Effects 0.000 abstract 2
- 230000007547 defect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- LPMXVESGRSUGHW-UHFFFAOYSA-N Acolongiflorosid K Natural products OC1C(O)C(O)C(C)OC1OC1CC2(O)CCC3C4(O)CCC(C=5COC(=O)C=5)C4(C)CC(O)C3C2(CO)C(O)C1 LPMXVESGRSUGHW-UHFFFAOYSA-N 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- LPMXVESGRSUGHW-GHYGWZAOSA-N Ouabain Natural products O([C@@H]1[C@@H](O)[C@@H](O)[C@@H](O)[C@H](C)O1)[C@H]1C[C@@H](O)[C@@]2(CO)[C@@](O)(C1)CC[C@H]1[C@]3(O)[C@@](C)([C@H](C4=CC(=O)OC4)CC3)C[C@@H](O)[C@H]21 LPMXVESGRSUGHW-GHYGWZAOSA-N 0.000 description 1
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 244000166550 Strophanthus gratus Species 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036252 glycation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- LPMXVESGRSUGHW-HBYQJFLCSA-N ouabain Chemical compound O[C@@H]1[C@H](O)[C@@H](O)[C@H](C)O[C@H]1O[C@@H]1C[C@@]2(O)CC[C@H]3[C@@]4(O)CC[C@H](C=5COC(=O)C=5)[C@@]4(C)C[C@@H](O)[C@@H]3[C@@]2(CO)[C@H](O)C1 LPMXVESGRSUGHW-HBYQJFLCSA-N 0.000 description 1
- 229960003343 ouabain Drugs 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种荒漠地区时序AGB遥感估算方法,本发明将高空间分辨率的Landsat‑TM影像和高时间分辨率的MODIS影像相结合的方式,结合两种遥感影像的优点,提出能够兼顾时间分辨率和空间分辨率的荒漠地区时序AGB遥感估算方法,具有精度高、可保持估算时间连续的优点,为客观评价荒漠生态系统碳汇变化提供了新的遥感估算技术,对全面评价陆地碳循环提供了估算方法支持。
Description
技术领域
本发明涉及AGB遥感估算技术领域,具体是一种结合Landsat-TM影像和MODIS影像的荒漠地区时序AGB遥感估算方法。
背景技术
传统AGB(地上生物量)测定主要采用样地清查的方式进行,该方式在实际操作过程中体现出样本面积小、代表性差、费时费力等缺点。遥感技术在一定程度上弥补了传统AGB测定方法存在的不足,具有宏观性、动态性和经济性等优点,在AGB估算方面得到了广泛的应用。
基于遥感技术的AGB估算主要根据植被在近红外和红光波段反射率的差异,利用近红外和红光发射率的线性或非线性组合构建植被指数(Vegetation Index,VI)实现AGB估算。目前,遥感技术已发展出数十种植被指数,其中应用较为广泛的有归一化植被指数NDVI、比值植被指数RVI、差值植被指数DVI、土壤校正植被指数SAVI、改进型土壤校正植被指数MSAVI。在众多植被指数中,NDVI在当前生态评估中应用最为广泛。
当前,国内外AGB遥感估算主要是针对森林、草地等生态系统,对荒漠生态系统的AGB遥感估算开展相对较少。荒漠地区植被的AGB动态监测除了能反映植被生长状况外,对于生产和管理决策部门科学评价荒漠地区的生态恢复效果、研究荒漠生态系统的碳循环过程以及实现荒漠生态系统的健康发展具有重要意义。
荒漠生态系统植被相对稀疏,AGB估算若采用低空间分辨率遥感图像(例如AVHRR、MODIS等),虽然能够满足时间分辨率的要求,但在空间分辨率(1km×1km)方面存在不足。荒漠生态系统面积广袤,若采用高空间分辨率影像(例如SPOT、IKNOS、QuickBird等)进行AGB估算,则在经济性上存在不足。若采用空间分辨率30m×30m的Landsat-TM影像,则能够较好地兼顾经济性和空间分辨率,但是Landsat-TM影响的时间分辨率为16d,无法较好地满足荒漠生态系统时序AGB的遥感估算要求。
发明内容
针对现有荒漠地区AGB遥感估算存在的不足之处,本发明提供一种能够兼顾时间分辨率和空间分辨率的荒漠地区时序AGB遥感估算方法。
一种荒漠地区时序AGB遥感估算方法,包括以下步骤:
步骤1,采集某荒漠地区地面实测AGB样本,并获取同期Landsat-TM影像反演的NDVITM数据及同期MODIS影像反演的NDVIMODIS数据;
步骤2,通过NDVIMODIS数据计算植被覆盖度FVC,按照植被覆盖度FVC的高低顺序将该荒漠地区划分为多个区域,并从每个区域提取一定数量的NDVITM数据和NDVIMODIS数据;
步骤3,将NDVITM数据的空间分辨率插值到与NDVIMODIS数据的空间分辨率一致,再对每个区域的NDVITM数据和NDVIMODIS数据进行直线拟合,构建分区域的NDVITM-NDVIMODIS线性转换方程;
步骤4,结合该荒漠地区地面实测AGB样本与同期Landsat-TM影像反演的NDVITM数据,构建AGB_NDVI一元线性回归模型;
步骤5,采用最大值合成法对该荒漠地区AGB样本时间段的MOD13Q1(DOY:177-257)植被指数数据产品进行合成,再进行MODIS影像NDVIMODIS到Landsat-TM影像NDVITM的尺度转换,得到时间序列MODIS影像的NDVI’TM;
步骤6,将时间序列MODIS影像的NDVI’TM代入AGB_NDVI一元线性回归模型,实现该荒漠地区时序AGB遥感估算。
进一步的,步骤2以植被覆盖度FVC增长0.2为步长,将该荒漠地区划分为5个区域;每个区域随机提取300个NDVITM数据和NDVIMODIS数据,构建NDVITM-NDVIMODIS空间转换方程。
进一步的,步骤4先对同期Landsat-TM影像数据进行滤波处理,然后提取NDVITM数据,再结合该荒漠地区地面实测AGB样本与NDVITM数据构建AGB_NDVI一元线性回归模型;滤波处理采用低通滤波、中值滤波或高通滤波,采用3×3、5×5或7×7滤波核;滤波处理根据滤波前后NDVITM数据与实测AGB样本之间的相关性确定,选择滤波后NDVITM数据与实测AGB样本之间的相关性有所提升的滤波方式。
本发明将高空间分辨率的Landsat-TM影像和高时间分辨率的MODIS影像相结合的方式,结合两种遥感图像的优点,提出能够兼顾时间分辨率和空间分辨率的荒漠地区时序AGB遥感估算方法,具有精度高、可保持估算时间连续的优点,为客观评价荒漠生态系统碳汇变化提供了新的遥感估算技术,对全面评价陆地碳循环提供了估算方法支持。
附图说明
图1为本发明公开的荒漠地区时序AGB遥感估算方法流程图;
图2为高斯低通滤波前NDVI与AGB空间散点图
图3为高斯低通滤波后NDVI与AGB空间散点图。
具体实施方式
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。本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
在AGB遥感估算中,Landsat-TM影像具有空间分辨率较高(30m)的优点,但是存在卫星重访周期长(16d)、扫描宽度小(185km)以及成像受天气状况影响等不足。在实际应用中,容易造成同期图像成像时间不一致、图像质量无法保证等问题,无法较好地适用于长时间序列大面积区的AGB遥感估算。
MODIS传感器具有较高的重访周期(至少2times/d)、较大的扫描宽度(2330km)、适中的空间分辨率(250m、500m、1000m)以及陆地标准数据产品免费提供等突出优点,在一定程度上可以弥补TM影像在长时间序列大面积区AGB遥感估算中的不足。
由于TM传感器与MODIS传感器获得的植被指数存在光谱分辨率和空间分辨率的差异,将TM的AGB遥感估算结果推广到MODIS尺度水平必须进行空间尺度转换。
本发明公开的荒漠地区时序AGB遥感估算方法核心包括TM影像与MODIS影像之间的NDVI尺度转换以及AGB-NDVI模型的构建。
以中国西北半干旱区毛乌素沙地为例,采用到的现有数据包括2007年8月中旬该荒漠地区的239个地面实测AGB样本、同期Landsat-TM影像(空间分辨率30m×30m)和同期MODIS影像(空间分辨率250m×250m)。
一、该荒漠地区现有TM影像与MODIS影像之间的NDVI尺度转换(MODIS→TM)
1、根据Landsat-TM影像得出NDVITM数据,根据MODIS影像得出NDVIMODIS数据。
2、通过NDVIMODIS数据计算植被覆盖度FVC=(NDVI-NDVImin)/(NDVImax-NDVImin),其中NDVImax和NDVImin分别表示研究地区最大植被指数和最小植被指数。
3、以植被覆盖度FVC增长0.2为步长,将该荒漠地区划分为5个区域,分别为0≤FVC<0.2的1级区域,0.2≤FVC<0.4的2级区域,0.4≤FVC<0.6为3级区域,0.6≤FVC<0.8为4级区域,0.8≤FVC≤1为5级区域。
4、从每个区域提取300个NDVITM数据和NDVIMODIS数据。
5、将NDVITM数据30m×30m的空间分辨率插值到与NDVIMODIS数据250m×250m的空间分辨率一致,此处可采用最近邻插值法。
6、对每个区域的NDVITM数据和NDVIMODIS数据进行直线拟合,构建分区域的NDVITM-NDVIMODIS线性转换方程,具体方程式及其参数如下:
NDVITM=3.0931×NDVIMODIS+0.0514(R2=0.8181)and 0≤FVC<0.2
NDVITM=1.6797×NDVIMODIS-0.1315(R2=0.8028)and 0.2≤FVC<0.4
NDVITM=1.5407×NDVIMODIS-0.1760(R2=0.8037)and 0.4≤FVC<0.6
NDVITM=2.5772×NDVIMODIS-0.7843(R2=0.8185)and 0.6≤FVC<0.8
NDVITM=2.1051×NDVIMODIS-0.7929(R2=0.8024)and 0.8≤FVC≤1
二、该荒漠地区AGB-NDVI模型的构建(TM→AGB)
1、对同期Landsat-TM影像进行滤波处理
遥感影像滤波处理在一定程度上能够较好地减少影像噪声,图像常用空间滤波处理主要有低通滤波LPF、中值滤波MF和高通滤波HPF。低通滤波可增强图像的某些频率,改变地物与邻域的灰度差,滤除图像中高频信息,模糊图像的边缘及尖锐噪声。高斯低通滤波可以滤掉孤立的单点噪声而引起的灰度偏差,抑制图像的“振铃”现象。中值滤波能够抑制噪声(尤其是脉冲噪声)和保护边缘特征,以中值赋予滤波核中心新值,在随机信号处理中效果明显。高通滤波在图像处理中通过滤除图像中低频部分实现噪声去除。这些滤波均有平滑效果,能够对影像进行平滑处理,减少影像空间异质性,减小定位误差的影响。
空间滤波一般是通过滤波器在空域上使用空间卷积技术,在原图上移动活动窗口进行局部运算,通过建立一个含有由系数矩阵或者权重因子矩阵构成的移动窗口,大小一般为奇数个像元,例如3×3、5×5、7×7等。
荒漠生态系统地表裸露地较多,影像噪声主要表现为高频噪声较强,分别对Landsat-TM影像采用高斯低通滤波、低通滤波、中值滤波3种滤波方式,并按滤波窗口3×3、5×5、7×7进行计算。以3×3、5×5、7×7滤波核高斯低通滤波处理的NDVITM数据分别表示为NDVI_GLPF3、NDVI_GLPF5和NDVI_GLPF7;以3×3、5×5、7×7滤波核低通滤波处理的NDVITM数据分别表示为NDVI_LPF3、NDVI_LPF5和NDVI_LPF7,以3×3、5×5、7×7滤波核中值滤波处理的NDVITM数据分别表示为NDVI_MF3、NDVI_MF5和NDVI_MF7。
分析不同滤波方式和滤波核处理后的NDVI数据与实测AGB样本的相关性,结果表明在GLPF、LPF和MF三种滤波方式下,不同滤波核滤波处理后的NDVITM数据均在p<0.01水平上与该实测AGB样本显著相关。
在滤波核尺度方面表现为3×3滤波核的GLPF、LPF和MF滤波结果与实测AGB样本之间的相关性最好,其判定系数R2分别为0.5010、0.4951和0.4123;在5×5与7×7滤波核水平下,随着滤波核尺度增大,NDVITM滤波平滑结果反而在一定程度上抑制了植被信息空间的差异性,使得滤波结果与实测AGB样本之间的相关性随滤波核尺度的增加而相对降低。
在GLPF、LPF和MF三种滤波方式中,3×3滤波核条件下NDVI_GLPF3与实测AGB样本之间的相关性最好,判定系数(R2=0.501)高于LPF、MF以及未经滤波处理NDVI的判定系数(R2=0.4943)。图2、图3分别为高斯低通滤波前NDVI与AGB空间散点图和高斯低通滤波后NDVI与AGB空间散点图。
2、根据上述相关性分析结果,本实施例选用高斯低通滤波3×3处理后的NDVI_GLPF3数据进行该荒漠地区的时序AGB遥感估算建模,使用随机选择的214个地面实测AGB构建AGB_NDVI一元线性回归模型AGB=454.25×NDVI-42.603(R2=0.5029,p<0.01)。
3、通过剩下的25个随机AGB检验样本对构建的AGB_NDVI一元线性回归模型进行模型误差分析,结果表明,该AGB_NDVI一元线性回归模型的平均绝对误差MAE为11.216g/m2,平均相对误差MRE为13.88%,即该AGB-NDVI一元线性回归模型能够较好地实现该荒漠地区8月中旬时间段的AGB估算。
三、该荒漠地区时序AGB遥感估算(MODIS→AGB)
1、利用TM与MODIS之间的尺度转换进行估算AGB产生的误差验证,在该荒漠地区由南而北依植被覆盖度差异,随机选择5个750m×750m样方(S1-S5),分别对应9×9个像元MODIS影像和625×625个像元Landsat-TM影像,对样方均值进行误差分析。考虑空间分辨率,将TM影像作为“真实值”进行误差分析,结果参见表1。
表1
从表1可以看出,基于MODIS影像估算AGB与基于Landst-TM影像估算AGB的平均绝对误差MAR、平均相对误差MRE分别为2.86g/m2和9.99%,平均精度为90.01%。由此可见,本发明提出的TM-MODIS尺度转换能够较好地实现荒漠地区时序AGB遥感估算,并具有较高的估算精度。
2、采用最大值合成法对该荒漠地区每年7-9月的MOD13Q1(DOY:177-257)植被指数数据产品进行合成,再进行MODIS影像NDVIMODIS到Landsat-TM影像NDVITM的尺度转换,得到时间序列MODIS影像的NDVI’TM;
3、将时间序列MODIS影像的NDVI’TM代入AGB_NDVI一元线性回归模型,实现该荒漠地区时序AGB遥感估算。
显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域及相关领域的普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
Claims (5)
1.一种荒漠地区时序AGB遥感估算方法,其特征在于,包括以下步骤:
步骤1,采集某荒漠地区地面实测AGB样本,并获取同期Landsat-TM影像反演的NDVITM数据及同期MODIS影像反演的NDVIMODIS数据;
步骤2,通过NDVIMODIS数据计算植被覆盖度FVC,按照植被覆盖度FVC的高低顺序将该荒漠地区划分为多个区域,并从每个区域提取一定数量的NDVITM数据和NDVIMODIS数据;
步骤3,将NDVITM数据的空间分辨率插值到与NDVIMODIS数据的空间分辨率一致,再对每个区域的NDVITM数据和NDVIMODIS数据进行直线拟合,构建分区域的NDVITM-NDVIMODIS线性转换方程;
步骤4,结合该荒漠地区地面实测AGB样本与同期Landsat-TM影像反演的NDVITM数据,构建AGB_NDVI一元线性回归模型;
步骤5,采用最大值合成法对该荒漠地区AGB样本时间段的MOD13Q1,DOY:177-257植被指数数据产品进行合成,再进行MODIS影像NDVIMODIS到Landsat-TM影像NDVITM的尺度转换,得到时间序列MODIS影像的NDVI’TM;
步骤6,将时间序列MODIS影像的NDVI’TM代入AGB_NDVI一元线性回归模型,实现该荒漠地区时序AGB遥感估算。
2.根据权利要求1所述的荒漠地区时序AGB遥感估算方法,其特征在于,步骤2以植被覆盖度FVC增长0.2为步长,将该荒漠地区划分为5个区域;每个区域随机提取300个NDVITM数据和NDVIMODIS数据,构建NDVITM-NDVIMODIS空间转换方程。
3.根据权利要求1所述的荒漠地区时序AGB遥感估算方法,其特征在于,步骤4先对同期Landsat-TM影像数据进行滤波处理,然后提取NDVITM数据,再结合该荒漠地区地面实测AGB样本与NDVITM数据构建AGB_NDVI一元线性回归模型。
4.根据权利要求3所述的荒漠地区时序AGB遥感估算方法,其特征在于,滤波处理采用低通滤波、中值滤波或高通滤波,采用3×3、5×5或7×7滤波核。
5.根据权利要求4所述的荒漠地区时序AGB遥感估算方法,其特征在于,滤波处理根据滤波前后NDVITM数据与实测AGB样本之间的相关性确定,选择滤波后NDVITM数据与实测AGB样本之间的相关性有所提升的滤波方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011378523.1A CN112347992B (zh) | 2020-12-01 | 2020-12-01 | 一种荒漠地区时序agb遥感估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011378523.1A CN112347992B (zh) | 2020-12-01 | 2020-12-01 | 一种荒漠地区时序agb遥感估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347992A CN112347992A (zh) | 2021-02-09 |
CN112347992B true CN112347992B (zh) | 2023-07-18 |
Family
ID=74366112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011378523.1A Active CN112347992B (zh) | 2020-12-01 | 2020-12-01 | 一种荒漠地区时序agb遥感估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347992B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819365A (zh) * | 2021-02-23 | 2021-05-18 | 中国科学院空天信息创新研究院 | 碳汇检测方法、装置及存储介质和电子设备 |
CN114724024B (zh) * | 2022-02-14 | 2023-05-09 | 河南大学 | 基于云计算平台和生命周期的双季作物种植界线自动化提取方法 |
CN115082274A (zh) * | 2022-06-09 | 2022-09-20 | 贵州师范学院 | 基于卫星遥感的地表植被碳汇估算与交易方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439297A (zh) * | 2013-09-05 | 2013-12-11 | 太原理工大学 | 一种荒漠草原绿色植物鲜重遥感估算方法 |
CN108169161A (zh) * | 2017-12-12 | 2018-06-15 | 武汉大学 | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 |
CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615977B (zh) * | 2015-01-26 | 2018-02-06 | 河南大学 | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 |
US10386296B1 (en) * | 2017-12-06 | 2019-08-20 | Arable Labs, Inc. | Systems and methods for determination and application of nitrogen fertilizer using crop canopy measurements |
CN109933873B (zh) * | 2018-11-02 | 2022-07-01 | 中国林业科学研究院资源信息研究所 | 一种荒漠化地区土壤有机碳密度高空间遥感估测的方法 |
CN109829234B (zh) * | 2019-01-30 | 2019-09-27 | 北京师范大学 | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 |
CN109961418A (zh) * | 2019-03-19 | 2019-07-02 | 中国林业科学研究院资源信息研究所 | 一种基于多时相光学遥感数据的无云影像合成算法 |
CN110245327B (zh) * | 2019-03-28 | 2023-04-18 | 国智恒北斗好年景农业科技有限公司 | 一种基于gf-1数据重构的小麦单产遥感估算方法 |
CN111242022B (zh) * | 2020-01-10 | 2023-02-03 | 西安科技大学 | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 |
-
2020
- 2020-12-01 CN CN202011378523.1A patent/CN112347992B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439297A (zh) * | 2013-09-05 | 2013-12-11 | 太原理工大学 | 一种荒漠草原绿色植物鲜重遥感估算方法 |
CN108169161A (zh) * | 2017-12-12 | 2018-06-15 | 武汉大学 | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 |
CN110751094A (zh) * | 2019-10-21 | 2020-02-04 | 北京师范大学 | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 |
Also Published As
Publication number | Publication date |
---|---|
CN112347992A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347992B (zh) | 一种荒漠地区时序agb遥感估算方法 | |
CN101915901A (zh) | 磁共振成像方法及装置 | |
Utaminingrum et al. | High density impulse noise removal based on linear mean-median filter | |
CN107784639B (zh) | 一种无人机遥感图像改进多边滤波去噪方法 | |
CN103654758A (zh) | 一种抗干扰的心率检测方法 | |
WO2012001982A1 (ja) | ステレオ画像処理装置およびステレオ画像処理方法 | |
CN106296763A (zh) | 一种金属材料工业ct图像质量快速校正方法 | |
CN115797335B (zh) | 用于桥梁振动测量的欧拉运动放大效果评估及优化方法 | |
Mittal et al. | Novelty in image reconstruction using DWT and CLAHE | |
Li et al. | A method to improve the accuracy of SAR image change detection by using an image enhancement method | |
CN107330891B (zh) | 一种有效的图像质量评价系统 | |
CN109724693B (zh) | 一种基于平稳小波的融合光谱去噪方法 | |
Zhang et al. | Denoising vegetation spectra by combining mathematical-morphology and wavelet-transform-based filters | |
CN103455986B (zh) | 基于分数阶微分梯度的随机噪声点检测方法 | |
Jee et al. | Sensitivity and resolution improvement in RGBW color filter array sensor | |
Santoso et al. | Performance of various speckle reduction filters on Synthetic Aperture Radar image | |
CN116068468B (zh) | 时域系统矩阵联合x-space的MPI重建方法 | |
CN101833752B (zh) | 基于奇异值分解重构的红外小目标预处理方法 | |
CN116433548A (zh) | 一种基于多级信息提取的高光谱与全色图像融合方法 | |
Gilman et al. | Least-squares optimal interpolation for fast image super-resolution | |
CN110032968A (zh) | 基于双树复小波和自适应半软阈值法的去噪方法 | |
Bhonsle et al. | De-noising of CT images using combined bivariate shrinkage and enhanced total variation technique | |
Tayade et al. | Medical image denoising and enhancement using DTCWT and Wiener filter | |
Gantenapalli et al. | Selective mean filtering for reducing impulse noise in digital color images | |
Choi et al. | A no-reference CNN-based super-resolution method for KOMPSAT-3 using adaptive image quality modification |
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 |