CN112364681B - 基于二维表的植被覆盖度估算方法及装置 - Google Patents

基于二维表的植被覆盖度估算方法及装置 Download PDF

Info

Publication number
CN112364681B
CN112364681B CN202010996192.1A CN202010996192A CN112364681B CN 112364681 B CN112364681 B CN 112364681B CN 202010996192 A CN202010996192 A CN 202010996192A CN 112364681 B CN112364681 B CN 112364681B
Authority
CN
China
Prior art keywords
vegetation
coverage
land
vegetation coverage
reflectivity
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
CN202010996192.1A
Other languages
English (en)
Other versions
CN112364681A (zh
Inventor
侯鹏
王永财
万华伟
翟俊
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.)
Satellite Application Center for Ecology and Environment of MEE
Original Assignee
Satellite Application Center for Ecology and Environment of MEE
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 Satellite Application Center for Ecology and Environment of MEE filed Critical Satellite Application Center for Ecology and Environment of MEE
Priority to CN202010996192.1A priority Critical patent/CN112364681B/zh
Publication of CN112364681A publication Critical patent/CN112364681A/zh
Application granted granted Critical
Publication of CN112364681B publication Critical patent/CN112364681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9017—Indexing; Data structures therefor; Storage structures using directory or table look-up
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明实施例提供一种基于二维表的植被覆盖度估算方法及装置，所述方法包括：通过获取土地利用遥感数据构建全球裸地和植被全覆盖地数据库，然后在数据库中随机抽样，根据光谱可加性模型，对任一裸地反射率和任一植被全覆盖地反射率进行线性加和，得到计算植被覆盖度下的反射率，通过计算植被覆盖度下的反射率获取计算植被覆盖度下的Red/NIR值，从而确定Red/NIR与植被覆盖度的二维查找表，提取观测区对应的红波段反射率Red和近红外波段反射率NIR，在二维查找表中进行查找，获取观测区的植被覆盖度，从而实现能够简单对植被覆盖度进行估算，并且提高了估算效率和精度。

Description

基于二维表的植被覆盖度估算方法及装置
技术领域
本发明涉及遥感技术领域，尤其涉及一种基于二维表的植被覆盖度估算方法及装置。
背景技术
植被覆盖度(FVC)是指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比。它量化了植被的茂密程度，反映了植被的生长态势，是描述生态系统的重要基础数据，被广泛运用于水文、生态、气候、大气污染等研究领域。
其中，遥感由于其大范围的数据获取和连续观测能力已成为估算植被覆盖度的主要技术手段。现有技术中基于遥感的植被覆盖度估算方法主要包括：(1)通过对遥感数据的某一波段、波段组合或利用遥感数据计算的植被指数如NDVI、土壤调节植被指数等与FVC进行回归分析，建立回归模型；(2)根据遥感图像中每个像元建立混合像元分解模型；(3)采用机器学习的方法选取训练样本，建立训练模型，以及估算FVC；(4)通过研究光与植被的相互作用，建立植被光谱信息与FVC之间的物理模型；(5)在分析植被和土壤反射光谱特征的基础上提出的光谱梯度差法；(6)利用Landsat TM数据计算FCD模型的FCD分级法。但上述估算方法实现困难，并且估算效率和精度较低。
因此，如何提出一种方法，能够易于实现，并且提高植被覆盖度的估算效率和精度，是亟待解决的问题。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种基于二维表的植被覆盖度估算方法及装置。
第一方面，本发明实施例提供一种基于二维表的植被覆盖度估算方法，包括：
获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度；
从所述数据库中随机抽取裸地和植被全覆盖地的样本进行处理，直至抽取次数达到第一阈值，具体为：
从所述数据库中随机抽取任一植被覆盖度为0％的裸地样本作为第一样本，以及任一植被覆盖度为100％的植被全覆盖地样本作为第二样本，并获取第一样本反射率和第二样本反射率；
根据光谱可加性模型，将第一样本的反射率和第二样本的反射率进行线性加和，得到计算植被覆盖度下的反射率，通过计算植被覆盖度下的反射率获取计算植被覆盖度下对应的红波段反射率Red和近红外波段反射率NIR，并建立所述计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系；
当抽取次数达到第一阈值后，根据所有计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，确定Red/NIR与植被覆盖度的二维查找表；
提取观测区的红波段反射率Red和近红外波段反射率NIR，根据所述二维查找表，获取观测区对应的植被覆盖度。
优选地，所述获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度，具体包括：
获取土地利用数据，当所有土地利用数据均标记第一标记区域为裸地时，判断所述第一标记区域为真实裸地；当所有土地利用数据均标记第二标记区域为植被全覆盖地时，判断所述第二标记区域为真实植被全覆盖地；
选取第一预设数量的真实裸地和第二预设数量的真实植被全覆盖地作为样本，构建全球裸地和植被全覆盖地数据库；
将判断为真实裸地的第一标记区域植被覆盖度设为0％；
若判断为真实植被全覆盖地的第二标记区域处于全年NDVI值最小的阶段，则将第二区域植被覆盖度设为0％；若判断为真实植被全覆盖地的第二标记区域处于全年NDVI最大的阶段，则统计第二标记区域中95％像元范围内的最大植被覆盖度，将不小于所述最大植被覆盖度的像元植被覆盖度设为100％。
优选地，所述数据库中植被覆盖度为0％的样本数量与植被覆盖度为100％的样本数量相同。
优选地，所述当抽取次数达到第一阈值后，计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，具体包括：
当抽取次数达到第一阈值后，得到数量为第一阈值的Red/NIR波段值与计算植被覆盖度映射关系，根据所有映射关系确定Red/NIR与植被覆盖度的二维查找表；
其中，若所述二维查找表中的存在第一植被覆盖度对应多个Red波段值或NIR波段值，则取Red或NIR波段平均值作为第一植被覆盖度对应的Red/NIR波段值。
优选地，所述光谱可加性模型为：
Tm＝Ta×(1-FVC)+Tb×FVC；
其中，Tm表示计算植被覆盖度下的反射率，Ta表示第一样本的反射率，Tb表示第二样本的反射率，FVC表示计算植被覆盖度。
优选地，所述遥感数据为多光谱或高光谱数据图像。
第二方面，本发明实施例提供一种基于二维表的植被覆盖度估算装置，包括：
数据库构建单元，用于获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度；
抽样单元，用于从所述数据库中随机抽取裸地和植被全覆盖地的样本进行处理，直至抽取次数达到第一阈值，具体为：
从所述数据库中随机抽取任一植被覆盖度为0％的裸地样本作为第一样本，以及任一植被覆盖度为100％的植被全覆盖地样本作为第二样本，并获取第一样本反射率和第二样本反射率；
根据光谱可加性模型，将第一样本的反射率和第二样本的反射率进行线性加和，得到计算植被覆盖度下的反射率，通过计算植被覆盖度下的反射率获取计算植被覆盖度下对应的红波段反射率Red和近红外波段反射率NIR，并建立所述计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系；
二维查找表构建单元，用于当抽取次数达到第一阈值后，根据所有计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，确定Red/NIR与植被覆盖度的二维查找表；
估算单元，用于提取观测区的红波段反射率Red和近红外波段反射率NIR，根据所述二维查找表，获取观测区对应的植被覆盖度。
优选地，所述数据库构建单元，用于获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度，具体包括：
获取土地利用数据，当所有土地利用数据均标记第一标记区域为裸地时，判断所述第一标记区域为真实裸地；当所有土地利用数据均标记第二标记区域为植被全覆盖地时，判断所述第二标记区域为真实植被全覆盖地；
选取第一预设数量的真实裸地和第二预设数量的真实植被全覆盖地作为样本，构建全球裸地和植被全覆盖地数据库；
将判断为真实裸地的第一标记区域植被覆盖度设为0％；
若判断为真实植被全覆盖地的第二标记区域处于全年NDVI值最小的阶段，则将第二标记区域植被覆盖度设为0％；若判断为真实植被全覆盖地的第二区域处于全年NDVI最大的阶段，则统计第二标记区域中95％像元范围内的最大植被覆盖度，将不小于所述最大植被覆盖度的像元植被覆盖度设为100％。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述第一方面基于二维表的植被覆盖度估算方法的各个步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述第一方面基于二维表的植被覆盖度估算方法的各个步骤。
本发明实施例提供的基于二维表的植被覆盖度估算方法及装置，通过获取土地利用遥感数据构建全球裸地和植被全覆盖地数据库，然后对数据库中的裸地和植被全覆盖地进行随机抽样，将所抽取的植被覆盖度为0％和100％的样本反射率进行线性加和，得到任一计算植被覆盖度下的反射率，从而获取计算植被覆盖度下对应的红波段反射率Red和近红外波段反射率NIR，进而构建每个随机抽样中计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，并根据所有计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系确定Red/NIR与植被覆盖度的二维查找表，根据提取的观测区对应的红波段反射率Red和近红外波段反射率NIR，在二维查找表中进行查找，获取观测区的植被覆盖度，从而实现能够简单对植被覆盖度进行估算，并且提高了估算效率和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于二维表的植被覆盖度估算方法的流程示意图；
图2为本发明实施例中计算植被覆盖度模型示意图；
图3为本发明实施例中Red/NIR与植被覆盖度的二维查找表；
图4为本发明实施例中基于二维表的植被覆盖度估算装置的结构示意图；
图5为本发明实施例中电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例中基于二维表的植被覆盖度估算方法的流程示意图，如图1所示，本发明实施例提供的一种基于二维表的植被覆盖度估算方法，包括：
步骤110、获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度。
具体地，目前全球有四种常用的土地覆盖数据产品，包括：美国马里兰大学的全球土地覆盖数据(即UMD数据集)，国际地圈-生物圈计划的全球土地覆盖数据(即IGBP-DISCover数据集)，美国波士顿大学的全球土地覆盖数据(即MODIS数据集)，以及欧盟联合研究中心的全球土地覆盖数据(即GLC2000数据集)。获取全球不同类型的土地利用遥感数据，可以得到不同土地的陆地像元，根据土地的陆地像元可以选取裸地和植被全覆盖地，将选取出的裸地和植被全覆盖地作为全球裸地和植被全覆盖地数据库，并对数据库中各裸地和植被全覆盖地的植被覆盖度进行设置，从而数据库中的每个裸地或植被全覆盖地均对应一个植被覆盖度。
可以理解的是，由于所述数据库中的裸地和植被全覆盖地样本选自全球，因此，构建的数据库具有全球适用性。同时，基于全球大数据样本更能体现地物实际情况，避免更多假设。
步骤120、从所述数据库中随机抽取裸地和植被全覆盖地的样本进行处理，直至抽取次数达到第一阈值，具体为：
从所述数据库中随机抽取任一植被覆盖度为0％的裸地样本作为第一样本，以及任一植被覆盖度为100％的植被全覆盖地样本作为第二样本，并获取第一样本反射率和第二样本反射率；
根据光谱可加性模型，将第一样本的反射率和第二样本的反射率进行线性加和，得到计算植被覆盖度下的反射率，通过计算植被覆盖度下的反射率获取计算植被覆盖度下对应的红波段反射率Red和近红外波段反射率NIR，并建立所述计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系。
具体地，从数据库中随机抽取任一植被覆盖度为0％的样本作为第一样本，以及任一植被覆盖度为100％的样本作为第二样本，并获取第一样本反射率和第二样本反射率；其中，第一样本反射率包括第一样本红波段反射率Red和近红外波段反射率NIR，第二样本反射率包括第二样本红波段反射率Red和近红外波段反射率NIR。根据光谱可加性模型，将第一样本的反射率和第二样本的反射率进行线性加和，得到计算植被覆盖度下的反射率，通过计算植被覆盖度下的反射率获取计算植被覆盖度下对应的红波段反射率Red和近红外波段反射率NIR。图2为本发明实施例中计算植被覆盖度模型示意图，如图2所示，要获取计算植被覆盖度为FVC对应的光谱，需要将裸地对应的光谱和植被全覆盖地对应的光谱按照图示比例进行线性加和，从而得到计算植被覆盖度为FVC对应的光谱。
例如：要获取计算植被覆盖度为40％对应的反射率，即植被覆盖度为40％对应的红波段反射率Red和近红外波段反射率NIR，可通过第一样本的反射率和第二样本的反射率的光谱线性加和得到，具体为：计算植被覆盖度为40％对应的反射率＝第一样本的反射率×(1-40％)+第二样本的反射率×40％。
可以理解的是，通过设置任意计算植被覆盖度，例如20％与80％、50％与50％等，通过将数据库中裸地和植被全覆盖的反射率进行加性组合，可以得到多个不同的计算植被覆盖度对应的反射率。
上述线性加和得出的植被覆盖度对应光谱，具体为：若要获取计算植被覆盖度为40％对应的光谱反射率，可通过60％裸地光谱反射率和40％植被全覆盖光谱反射率线性加和得到，可以利用软件如ARCGIS将裸地光谱反射率和植被全覆盖光谱反射率线性加和，从而得到计算植被覆盖度下对应的新的光谱反射率，即为叠加光谱。其中，所述叠加光谱中包含有叠加光谱对应的红波段反射率Red和近红外波段反射率NIR。
上述得到的每个计算植被覆盖度对应一组红波段反射率Red和近红外波段反射率NIR，从而建立每个计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系。
步骤130、当抽取次数达到第一阈值后，计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，确定Red/NIR与植被覆盖度的二维查找表。
具体地，通过在数据库中随机抽取任一植被覆盖度为0％的区域，以及任一植被覆盖度为100％的区域，均可以按照步骤120中的方法获得一个新的植被覆盖度对应的光谱反射率，即计算植被覆盖度下的红波段反射率Red和近红外波段反射率NIR，即每个计算植被覆盖度均对应一个Red/NIR波段值，从而构成映射关系，根据所有映射关系可以确定Red/NIR与植被覆盖度的二维查找表。图3为本发明实施例中Red/NIR与植被覆盖度的二维查找表，如图3所示，NIR作为二维查找表中的“列”，Red作为二维查找表中的“行”，而每个NIR和Red均可以对应唯一一个FVC(即植被全覆盖度)。本发明实施例中用二维表代替一维表，能够更好体现反射率对植被覆盖度的影响，既能保障植被覆盖度的估算精度，又使算法简单可行，易于实现。
步骤140、提取观测区的红波段反射率Red和近红外波段反射率NIR，根据所述二维查找表，获取观测区对应的植被覆盖度。
具体地，提取观测区对应的红波段反射率Red和近红外波段反射率NIR，将此波段反射率组合带入二维查找表中查找，可以查询到唯一对应的植被覆盖度，即为观测区的植被覆盖度。本发明实施例中通过二维查找表反演植被覆盖度，同时所述二维查找表是基于全球观测的大数据建立的，假设更少，更可靠。
可以理解的是，所述二维查找表能反映Red/NIR与植被覆盖度之间的加性关系，当二维表中映射数量达到一定要求(如步骤120中的随机抽取次数达到百亿次)，Red/NIR与植被覆盖度之间的关系会更加稳健。另外，因为光谱在空间上具有加和性，为了使样本足够大，用MODIS反射率数据与其它数据结合，构建查找表。构建的查找表可以用到Landsat TM上，因为MODIS和Landsat TM的光谱特征极其相近。
然而，现有技术中基于遥感的植被覆盖度估算方法主要包括：
(1)回归(统计)模型法：回归模型法是通过对遥感数据的某一波段、波段组合或利用遥感数据计算的植被指数如NDVI、土壤调节植被指数等与FVC进行回归分析，建立经验估算模型。线性回归模型通过地面测量FVC与遥感图像的波段或植被指数进行线性回归得到研究区域的估算模型；非线性回归模型法主要是通过将遥感数据的波段或植被指数与FVC进行拟合，得到非线性回归模型。
(2)混合像元分解法：遥感图像中每个像元一般由多个组分构成，每个组分对传感器观测到的信息都有贡献，可由此建立像元分解模型进行FVC的估算。混合像元分解模型主要有线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型等，其中线性分解模型应用最为广泛。线性分解模型假设到达传感器的光子只与一个组分作用，不同组分相互独立，通过数值方法求解各组分在像元中的比例即是对应的FVC，其精度很大程度上取决于各端元的合理选取。
线性像元分解法中最常用的是像元二分模型是指假定像元由植被和非植被两部分构成，光谱信息为这两个组分的线性组合。计算获得的植被覆盖所占像元比例即为该像元的FVC，计算方法如下:
FVC＝(NDVI－NDVI soil)/(NDVI veg－NDVI soil)
式中，NDVI为混合像元的NDVI；NDVI soil为纯裸土覆盖像元的NDVI值；NDVI veg为纯植被覆盖像元的NDVI值。由于受土壤、植被类型等因素的影响，目前NDVI soil和NDVIveg主要通过对图像的统计分析确定，如直接将图像中NDVI的最大值和最小值分别作为纯植被覆盖和纯裸土覆盖的NDVI。
(3)机器学习法：随着计算机技术的发展，机器学习方法被广泛应用到FVC的估算，包括神经网络、决策树、支持向量机等。机器学习方法的步骤一般为确定训练样本、训练模型和估算FVC。根据训练样本选取的不同，机器学习方法分为基于遥感影像分类和基于辐射传输模型两大类。
基于遥感影像分类的方法首先采用高空间分辨率数据进行分类，区分出植被和非植被，再将分类结果聚合到低空间分辨率尺度，计算低空间分辨率像元中植被的比例作为训练样本，训练机器学习模型，进而估算FVC。
基于辐射传输模型的方法首先由辐射传输模型模拟出不同参数情况下的光谱反射率值，再根据传感器的光谱响应函数将模拟的光谱反射率值重采样，不同的参数和模拟的波段值作为训练样本对机器学习模型进行训练。但机器学习方法的关键在于训练样本的选择，需要确保准确性和代表性。
(4)其他方法
除了上述常用FVC遥感估算方法，主要还包括物理模型法、光谱梯度差法、FCD(Forest Canopy Density)分级法等。
物理模型法是通过研究光与植被的相互作用，建立植被光谱信息与FVC之间物理关系的模型，如辐射传输模型、几何光学模型等。因为辐射传输模型涉及到较为复杂的物理机制，很难直接计算覆盖度，必须通过查找表或者机器学习法简化反演过程。
光谱梯度差法是在分析植被和土壤反射光谱特征的基础上提出的光谱梯度差法假设在有限波段范围内土壤反射率随波长线性变化，在计算FVC时也没有考虑植被、土壤面积随波长的变化情况，与实际情况存在差异，会影响估算精度，而且计算用到的3个波段没有经过比值处理，波段噪声会有较大影响。
FCD分级法是ITTO(International Tropical Timber Organization)在总结众多学者研究的基础上发展而成的一种新的制图方法，其利用Landsat TM数据计算FCD模型的4个因子:植被、裸土、热量和阴影，最后通过FCD值大小划分FVC等级，从而做出FVC等级图。FCD分级法对植被状态进行了定量分析，并以百分位数来表示结果，其优点是能够表明植被的生长状况，也能够用来检测植被的动态变化。但是该方法计算繁琐，对光谱数据的要求也比较多，所以目前应用相对较少。
上述现有技术中采用的植被覆盖度估算方法实现困难，估算效率和精度低。本发明实施例利用观测的全球大数据建立裸地和植被全覆盖地数据库，并建立Red/NIR与植被覆盖度的二维查找表，方法操作简单，计算速度快，能解决现有技术中植被覆盖度估算方法效率低、实现困难、估算精度低等问题。
理论上，某个像元的反射率与地物的比例存在线性加和关系，而植被生长过程中，光谱的变化与植被覆盖度存在线性的比例关系。可以找到植被最枯萎的状态(冬天全落叶的状态)与陆地全部被植被覆盖的状态，这样可以通过这两种状态的线性关系，估算其它光谱下的植被覆盖度。但是，并不是所有的像元点都能找到植被完全覆盖及完全落叶的像元值。因此，本发明实施例对于那些不能找到两个极值的像元，则通过全球统计近似得到，从而估算任意光谱对应的植被覆盖度。
本发明实施例提供的基于二维表的植被覆盖度估算方法，通过获取土地利用遥感数据构建全球裸地和植被全覆盖地数据库，然后对数据库中的裸地和植被全覆盖地进行随机抽样，将所抽取的植被覆盖度为0％和100％的样本反射率进行线性加和，得到任一计算植被覆盖度下的反射率，从而获取计算植被覆盖度下对应的红波段反射率Red和近红外波段反射率NIR，进而构建每个随机抽样中计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，并根据所有计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系确定Red/NIR与植被覆盖度的二维查找表，根据提取的观测区对应的红波段反射率Red和近红外波段反射率NIR，在二维查找表中进行查找，获取观测区的植被覆盖度，从而实现能够简单对植被覆盖度进行估算，并且提高了估算效率和精度。
基于上述实施例的内容，作为一种可选实施例，所述获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度，具体包括：
获取土地利用数据，当所有土地利用数据均标记第一标记区域为裸地时，判断所述第一标记区域为真实裸地；当所有土地利用数据均标记第二标记区域为植被全覆盖地时，判断所述第二标记区域为真实植被全覆盖地；
选取第一预设数量的真实裸地和第二预设数量的真实植被全覆盖地作为样本，构建全球裸地和植被全覆盖地数据库；
将判断为真实裸地的第一标记区域植被覆盖度设为0％；
若判断为真实植被全覆盖地的第二标记区域处于全年NDVI值最小的阶段，则将第二标记区域植被覆盖度设为0％；若判断为真实植被全覆盖地的第二标记区域处于全年NDVI最大的阶段，则统计第二标记区域中95％像元范围内的最大植被覆盖度，将不小于所述最大植被覆盖度的像元植被覆盖度设为100％。
具体地，由于获取的土地利用遥感数据包括不同类型的全球分类数据，而每个不同类型的分类数据中，均会对同一个陆地像元例如第一标记区域分类，若所有分类数据对第一标记区域都标记为裸地，则该第一标记区域为真实裸地；同样地，若所有分类数据对第二标记区域都标记为植被全覆盖地，则该第二标记区域为真实植被全覆盖地。
然后，将判断为真实裸地的第一标记区域植被覆盖度设为0％，这些数据构成植被覆盖度为0％的数据集，全球可以取一千万个样点；而对于真实植被全覆盖地，即全球温带落叶林、耕地和草地，在植被最枯萎的时候(即处于全年NDVI值最小的阶段)，植被覆盖度为0％，这些数据也构成植被覆盖度为0％的反射率数据集，全球同样可以取一千万个样点。
另外，对于全球温带和热带，雨热条件好的区域，即真实植被全覆盖地处于全年NDVI值最大的阶段，此时生长最旺盛，但这些植被区域在植被没到最茂盛的时候，植被覆盖度就已经达到100％。因而，把所有这些真实植被全覆盖地像元，假设植被范围内95％像元植被覆盖度最大值代表了植被最好状态，并将其作为下限，即大于等于此植被覆盖度最大值的像元，均设置其植被覆盖度为100％，全球可以选取二千万个样点，作为植被覆盖度为100％的数据集。
例如，纯植被像元(在30米分辨率数据分类，然后抽样至1km，如果1km像元内植被类型为100％则假设为纯植被像元)在生长最旺盛(最大NDVI)的植被覆盖度为100％，统计该纯植被像元95％范围内的最大植被覆盖度，将大于等于此最大植被覆盖度的像元的植被覆盖度设置为100％。
本发明实施例提供的基于二维表的植被覆盖度估算方法，通过获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度，使得数据库的样本选自全球，具有全球适用性，植被覆盖度估算结果更可靠，提高了估算精度。
基于上述实施例的内容，作为一种可选实施例，所述数据库中植被覆盖度为0％的样本数量与植被覆盖度为100％的样本数量相同。
具体地，可以选取植被覆盖度为0％的样本二千万个，如选取裸地样本一千万个，加上选取植被全覆盖地处于全年最小NDVI阶段(即落叶林、耕地和草地枯萎期)样本一千万个，这些区域的植被覆盖度均为0％。另外，对于植被覆盖度为100％的样本，选取与植被覆盖度为0％样本相同的数量，如同样选取二千万个样本。
可以理解的是，数据库中植被覆盖度为0％的样本数量与植被覆盖度为100％的样本数量相同，是为了在随机抽取中进行配对组合，即任一植被覆盖度为0％的植被区域和任一植被覆盖度为100％的植被区域可以作为一个组合。
本发明实施例提供的基于二维表的植被覆盖度估算方法，通过将数据库中植被覆盖度为0％的样本数量与植被覆盖度为100％的样本数量设置为相同，能够在随机抽样中进行组合配对，从而建立二维查找表。
基于上述实施例的内容，作为一种可选实施例，所述当抽取次数达到第一阈值后，根据所有计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，确定Red/NIR与植被覆盖度的二维查找表，具体包括：
当抽取次数达到第一阈值后，得到数量为第一阈值的Red/NIR波段值与计算植被覆盖度映射关系，根据所有映射关系确定Red/NIR与植被覆盖度的二维查找表；
其中，若所述二维查找表中的存在第一植被覆盖度对应多个Red波段值或NIR波段值，则取Red或NIR波段平均值作为第一植被覆盖度对应的Red/NIR波段值。
具体地，当抽取次数达到第一阈值如百亿次，则可以得到百亿个Red/NIR波段值与计算植被覆盖度映射关系，而根据所有的映射关系可以建立Red/NIR与植被覆盖度的二维查找表。
由于抽取的次数较多，则可能会存在第一植被覆盖度下会对应多个Red波段值或NIR波段值，那么可以求取对应的Red波段平均值或NIR波段平均值，将Red波段平均值或NIR波段平均值作为第一植被覆盖度下对应的Red/NIR波段值。
本发明实施例提供的基于二维表的植被覆盖度估算方法，通过设置抽取次数第一阈值，然后根据所有Red/NIR波段值与计算植被覆盖度映射关系确定Red/NIR与植被覆盖度的二维查找表，使得估算方法简单可行，易于实现，同时也保证了估算精度。
基于上述实施例的内容，作为一种可选实施例，所述光谱可加性模型为：
Tm＝Ta×(1-FVC)+Tb×FVC；
其中，Tm表示计算植被覆盖度下的反射率，Ta表示第一样本的反射率，Tb表示第二样本的反射率，FVC表示计算植被覆盖度。
本发明实施例通过光谱可加性模型，可以得到任一新的植被覆盖度下对应的反射率，为二维查找表获取更多数据，从而能够准确进行植被覆盖度的估算。
基于上述实施例的内容，作为一种可选实施例，所述遥感数据为多光谱或高光谱数据图像。
具体地，通过遥感数据获取土地利用数据，并获取土地的地物信息，以及清晰获取土地的光谱情况，从而进行植被覆盖度的估算；其中，所述遥感数据为多光谱或高光谱数据图像。
本发明实施例通过多光谱或高光谱数据图像获取土地的利用数据，能够清楚分析土地的光谱情况，从而便于进行植被覆盖度的估算。
图4为本发明实施例中基于二维表的植被覆盖度估算装置的结构示意图，如图4所示，本发明实施例提供的一种基于二维表的植被覆盖度估算装置，包括：
数据库构建单元410，用于获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度；
抽样单元420，用于从所述数据库中随机抽取裸地和植被全覆盖地的样本进行处理，直至抽取次数达到第一阈值，具体为：
从所述数据库中随机抽取任一植被覆盖度为0％的裸地样本作为第一样本，以及任一植被覆盖度为100％的植被全覆盖地样本作为第二样本，并获取第一样本反射率和第二样本反射率；其中，所述第一样本反射率包括第一样本红波段反射率Red和近红外波段反射率NIR，所述第二样本反射率包括第二样本红波段反射率Red和近红外波段反射率NIR；
根据光谱可加性模型，将第一样本的反射率和第二样本的反射率进行线性加和，得到计算植被覆盖度下的红波段反射率Red和近红外波段反射率NIR，并建立所述计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系；
二维查找表构建单元430，用于当抽取次数达到第一阈值后，根据所有计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，确定Red/NIR与植被覆盖度的二维查找表；
估算单元440，用于提取观测区的红波段反射率Red和近红外波段反射率NIR，根据所述二维查找表，获取观测区对应的植被覆盖度。
基于上述实施例的内容，作为一种可选实施例，所述数据库构建单元410，用于获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度，具体包括：
获取土地利用数据，当所有土地利用数据均标记第一标记区域为裸地时，判断所述第一标记区域为真实裸地；当所有土地利用数据均标记第二标记区域为植被全覆盖地时，判断所述第二标记区域为真实植被全覆盖地；
选取第一预设数量的真实裸地和第二预设数量的真实植被全覆盖地作为样本，构建全球裸地和植被全覆盖地数据库；
将判断为真实裸地的第一标记区域植被覆盖度设为0％；
若判断为真实植被全覆盖地的第二标记区域处于全年NDVI值最小的阶段，则将第二区域植被覆盖度设为0％；若判断为真实植被全覆盖地的第二标记区域处于全年NDVI最大的阶段，则将第二区域中95％像元范围内的植被覆盖度设为100％。
本发明实施例提供的基于二维表的植被覆盖度估算装置用于执行上述基于二维表的植被覆盖度估算方法，其具体的实施方式与方法实施方式一致，此处不再赘述。
图5为本发明实施例中电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行如上所述基于二维表的植被覆盖度估算方法的各个步骤。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于二维表的植被覆盖度估算方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于二维表的植被覆盖度估算方法，其特征在于，包括：
获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度；
从所述数据库中随机抽取裸地和植被全覆盖地的样本进行处理，直至抽取次数达到第一阈值，具体为：
从所述数据库中随机抽取任一植被覆盖度为0％的裸地样本作为第一样本，以及任一植被覆盖度为100％的植被全覆盖地样本作为第二样本，并获取第一样本反射率和第二样本反射率；
根据光谱可加性模型，将第一样本的反射率和第二样本的反射率进行线性加和，得到计算植被覆盖度下的反射率，通过计算植被覆盖度下的反射率获取计算植被覆盖度下对应的红波段反射率Red和近红外波段反射率NIR，并建立所述计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系；
当抽取次数达到第一阈值后，根据所有计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，确定Red/NIR与植被覆盖度的二维查找表；
提取观测区的红波段反射率Red和近红外波段反射率NIR，根据所述二维查找表，获取观测区对应的植被覆盖度。
2.根据权利要求1所述的基于二维表的植被覆盖度估算方法，其特征在于，所述获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度，具体包括：
获取土地利用数据，当所有土地利用数据均标记第一标记区域为裸地时，判断所述第一标记区域为真实裸地；当所有土地利用数据均标记第二标记区域为植被全覆盖地时，判断所述第二标记区域为真实植被全覆盖地；
选取第一预设数量的真实裸地和第二预设数量的真实植被全覆盖地作为样本，构建全球裸地和植被全覆盖地数据库；
将判断为真实裸地的第一标记区域植被覆盖度设为0％；
若判断为真实植被全覆盖地的第二标记区域处于全年NDVI值最小的阶段，则将第二区域植被覆盖度设为0％；若判断为真实植被全覆盖地的第二标记区域处于全年NDVI最大的阶段，则统计第二标记区域中95％像元范围内的最大植被覆盖度，将不小于所述最大植被覆盖度的像元植被覆盖度设为100％。
3.根据权利要求2所述的基于二维表的植被覆盖度估算方法，其特征在于，所述数据库中植被覆盖度为0％的样本数量与植被覆盖度为100％的样本数量相同。
4.根据权利要求3所述的基于二维表的植被覆盖度估算方法，其特征在于，所述当抽取次数达到第一阈值后，根据所有计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，确定Red/NIR与植被覆盖度的二维查找表，具体包括：
当抽取次数达到第一阈值后，得到数量为第一阈值的Red/NIR波段值与计算植被覆盖度映射关系，根据所有映射关系确定Red/NIR与植被覆盖度的二维查找表；
其中，若所述二维查找表中的存在第一植被覆盖度对应多个Red波段值或NIR波段值，则取Red或NIR波段平均值作为第一植被覆盖度对应的Red/NIR波段值。
5.根据权利要求1所述的基于二维表的植被覆盖度估算方法，其特征在于，所述光谱可加性模型为：
Tm＝Ta×(1-FVC)+Tb×FVC；
其中，Tm表示计算植被覆盖度下的反射率，Ta表示第一样本的反射率，Tb表示第二样本的反射率，FVC表示计算植被覆盖度。
6.根据权利要求1所述的基于二维表的植被覆盖度估算方法，其特征在于，所述遥感数据为多光谱或高光谱数据图像。
7.一种基于二维表的植被覆盖度估算装置，其特征在于，包括：
数据库构建单元，用于获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度；
抽样单元，用于从所述数据库中随机抽取裸地和植被全覆盖地的样本进行处理，直至抽取次数达到第一阈值，具体为：
从所述数据库中随机抽取任一植被覆盖度为0％的裸地样本作为第一样本，以及任一植被覆盖度为100％的植被全覆盖地样本作为第二样本，并获取第一样本反射率和第二样本反射率；
根据光谱可加性模型，将第一样本的反射率和第二样本的反射率进行线性加和，得到计算植被覆盖度下的反射率，通过计算植被覆盖度下的反射率获取计算植被覆盖度下对应的红波段反射率Red和近红外波段反射率NIR，并建立所述计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系；
二维查找表构建单元，用于当抽取次数达到第一阈值后，根据所有计算植被覆盖度与红波段反射率Red和近红外波段反射率NIR的映射关系，确定Red/NIR与植被覆盖度的二维查找表；
估算单元，用于提取观测区的红波段反射率Red和近红外波段反射率NIR，根据所述二维查找表，获取观测区对应的植被覆盖度。
8.根据权利要求7所述的基于二维表的植被覆盖度估算装置，其特征在于，所述数据库构建单元，用于获取土地利用遥感数据，构建全球裸地和植被全覆盖地数据库，并设置数据库中各裸地和植被全覆盖地的植被覆盖度，具体包括：
获取土地利用数据，当所有土地利用数据均标记第一标记区域为裸地时，判断所述第一标记区域为真实裸地；当所有土地利用数据均标记第二标记区域为植被全覆盖地时，判断所述第二标记区域为真实植被全覆盖地；
选取第一预设数量的真实裸地和第二预设数量的真实植被全覆盖地作为样本，构建全球裸地和植被全覆盖地数据库；
将判断为真实裸地的第一标记区域植被覆盖度设为0％；
若判断为真实植被全覆盖地的第二标记区域处于全年NDVI值最小的阶段，则将第二区域植被覆盖度设为0％；若判断为真实植被全覆盖地的第二标记区域处于全年NDVI最大的阶段，则统计第二标记区域中95％像元范围内的最大植被覆盖度，将不小于所述最大植被覆盖度的像元植被覆盖度设为100％。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于二维表的植被覆盖度估算方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于二维表的植被覆盖度估算方法的步骤。
CN202010996192.1A 2020-09-21 2020-09-21 基于二维表的植被覆盖度估算方法及装置 Active CN112364681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010996192.1A CN112364681B (zh) 2020-09-21 2020-09-21 基于二维表的植被覆盖度估算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010996192.1A CN112364681B (zh) 2020-09-21 2020-09-21 基于二维表的植被覆盖度估算方法及装置

Publications (2)

Publication Number Publication Date
CN112364681A CN112364681A (zh) 2021-02-12
CN112364681B true CN112364681B (zh) 2022-10-04

Family

ID=74516630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010996192.1A Active CN112364681B (zh) 2020-09-21 2020-09-21 基于二维表的植被覆盖度估算方法及装置

Country Status (1)

Country Link
CN (1) CN112364681B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221780A (zh) * 2021-05-19 2021-08-06 神华准格尔能源有限责任公司 露天矿复垦效果分析方法、存储介质和电子设备
CN113656419B (zh) * 2021-07-30 2023-06-13 北京市遥感信息研究所 全球地表反射率数据集构建及更新方法及装置
CN115187865B (zh) * 2022-07-20 2023-07-21 珠江水利委员会珠江水利科学研究院 基于地物光谱的无人机影像近红外波段模拟方法、介质
CN115359365B (zh) * 2022-08-16 2023-06-02 首都师范大学 一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102706293A (zh) * 2012-06-27 2012-10-03 黑龙江工程学院 基于四分量光学物理模型的叶面积指数反演方法
CN104142142A (zh) * 2014-07-01 2014-11-12 北京师范大学 全球植被覆盖度估算方法
CN105004725A (zh) * 2015-08-04 2015-10-28 珠江水利委员会珠江水利科学研究院 一种水土保持综合治理土壤侵蚀变化量实时定量监测方法
CN110927120A (zh) * 2019-11-30 2020-03-27 内蒙古蒙草生命共同体大数据有限公司 一种植被覆盖度预警方法
CN111678871A (zh) * 2020-06-16 2020-09-18 中国气象科学研究院 一种非生长季植被覆盖度遥感估算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017070199A1 (en) * 2015-10-22 2017-04-27 Colorado State University Research Foundation Soil moisture downscaling using topography, soil and vegetation data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102706293A (zh) * 2012-06-27 2012-10-03 黑龙江工程学院 基于四分量光学物理模型的叶面积指数反演方法
CN104142142A (zh) * 2014-07-01 2014-11-12 北京师范大学 全球植被覆盖度估算方法
CN105004725A (zh) * 2015-08-04 2015-10-28 珠江水利委员会珠江水利科学研究院 一种水土保持综合治理土壤侵蚀变化量实时定量监测方法
CN110927120A (zh) * 2019-11-30 2020-03-27 内蒙古蒙草生命共同体大数据有限公司 一种植被覆盖度预警方法
CN111678871A (zh) * 2020-06-16 2020-09-18 中国气象科学研究院 一种非生长季植被覆盖度遥感估算方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Fractional Vegetation Cover Estimation Method Through Dynamic B ayesian Network Combining Radiative Transfer Model and Crop Growth Model;Xiaoxia Wang 等;《IEEE transactions on geoscience and remote sensing》;20161231;第54卷(第12期);7442-7450 *
Inversion methods for physically-based models;D. Kimes 等;《Remote Sensing Reviews》;20160509;第18卷;381-439 *
一种基于查找表的GNSS-R土壤含水量估算方法;彭学峰 等;《北京大学学报(自然科学版)》;20150930;第51卷(第5期);879-887 *
中国-东盟 1 km 分辨率植被覆盖度数据集;穆西晗 等;《全球变化数据学报》;20170331;第1卷(第1期);45-51 *
基于高分一号时序数据和PROSAIL模型的水稻田叶面积指数反演;李亚妮;《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》;20180915(第09期);D047-6 *
植被覆盖度遥感估算方法研究进展;程红芳 等;《国土资源遥感》;20080315(第1期);13-18 *

Also Published As

Publication number Publication date
CN112364681A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112364681B (zh) 基于二维表的植被覆盖度估算方法及装置
Flood et al. Using a U-net convolutional neural network to map woody vegetation extent from high resolution satellite imagery across Queensland, Australia
Meng et al. Measuring short-term post-fire forest recovery across a burn severity gradient in a mixed pine-oak forest using multi-sensor remote sensing techniques
Sarker et al. Improved forest biomass estimates using ALOS AVNIR-2 texture indices
Peña-Barragán et al. Object-based crop identification using multiple vegetation indices, textural features and crop phenology
Mondal et al. A reporting framework for Sustainable Development Goal 15: Multi-scale monitoring of forest degradation using MODIS, Landsat and Sentinel data
Lu The potential and challenge of remote sensing‐based biomass estimation
McRoberts et al. Using remotely sensed data to construct and assess forest attribute maps and related spatial products
Meng et al. A linear mixed-effects model of biomass and volume of trees using Landsat ETM+ images
Dlamini et al. Review of remotely sensed data products for disease mapping and epidemiology
Shu et al. Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds
CN114926748A (zh) Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法
EP4207040A1 (en) Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images
Parreiras et al. Using unmanned aerial vehicle and machine learning algorithm to monitor leaf nitrogen in coffee
Zhou et al. Estimation of volume resources for planted forests using an advanced LiDAR and hyperspectral remote sensing
Somers et al. Endmember library approaches to resolve spectral mixing problems in remotely sensed data: Potential, challenges, and applications
Schindler et al. Method for national mapping spatial extent of southern beech forest using temporal spectral signatures
Arnett et al. Detecting stand-replacing disturbance using RapidEye imagery: a tasseled cap transformation and modified disturbance index
Chen et al. An integrated GIS tool for automatic forest inventory estimates of Pinus radiata from LiDAR data
Yue et al. Estimating fractional coverage of crop, crop residue, and bare soil using shortwave infrared angle index and Sentinel-2 MSI
Queinnec et al. Mapping dominant boreal tree species groups by combining area-based and individual tree crown LiDAR metrics with Sentinel-2 data
CN113343808A (zh) 一种基于卫星遥感技术的热带森林资源测量方法
Wu et al. Co-inversion of island leaf area index combination morphological and spectral parameters based on UAV multi-source remote sensing data
CN114782835A (zh) 作物倒伏面积比例检测方法及装置
Naidoo et al. Machine learning modelling of crop structure within the Maize Triangle of South Africa

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