CN112418133A - 一种基于多源遥感影像的秸秆焚烧监测方法 - Google Patents
一种基于多源遥感影像的秸秆焚烧监测方法 Download PDFInfo
- Publication number
- CN112418133A CN112418133A CN202011387305.4A CN202011387305A CN112418133A CN 112418133 A CN112418133 A CN 112418133A CN 202011387305 A CN202011387305 A CN 202011387305A CN 112418133 A CN112418133 A CN 112418133A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- data
- sensing image
- straw burning
- 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.)
- Pending
Links
- 239000010902 straw Substances 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000002310 reflectometry Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06V10/26—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (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)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源遥感影像的秸秆焚烧监测方法，包括：获取低轨遥感图像和高轨遥感图像；提取低轨遥感图像的火迹中心点数据和耕地矢量数据；提取高轨遥感图像的热异常点矢量化数据；基于火迹中心点数据、耕地矢量数据和热异常点矢量化数据进行叠置分析生成秸秆焚烧火点数据。本发明通过对高轨遥感图像进行有云像元和水体像元的剔除，提取出准确的用于表征完整火点区域的热异常点矢量化数据，同时基于低轨遥感图像提取精确度更高的火迹中心点数据和用于表征耕地区域的耕地矢量数据，并通过叠置分析生成准确且完整的秸秆焚烧火点数据，解决了现有的基于遥感影像的秸秆焚烧监测方法的方法均存在火点提取结果准确率低的问题。
Description
技术领域
本发明涉及用于秸秆焚烧监测的遥感图像处理技术领域，具体涉及一种基于多源遥感影像的秸秆焚烧监测方法。
背景技术
传统的秸秆焚烧火点的监测是通过人工定点监测，而秸秆焚烧遥感监测技术可以通过遥感影像数据快速提取秸秆焚烧火点，节约了大量的人力、财力和物力。传统的秸秆焚烧遥感监测手段有三种：一是利用MODIS提供的MOD03地理定位遥感数据对MOD14地表热异常产品数据进行地理定位，提取疑似火点，再结合MCD12Q1土地覆盖遥感影像数据提取出秸秆焚烧火点。二是根据HJ-1B卫星红外相机(IRS)的不同波段的亮温差距规律，结合遥感火点提取算法进行地面火点的提取,再利用农作物不同时期的反射率变化特点，提取出农作物的空间范围，对地面火点进行进一步判定。三是利用风云卫星的VIRR数据，将目标像元的温度特性与周围背景像元的平均温度特性准确地统计出来，通过多阈值判别提取火点像元，再利用土地分类数据，与火点进行叠加分析，获得秸秆焚烧点。但是MODIS数据与风云卫星数据的空间分辨率较低，容易遗漏部分火点，造成火点提取结果的不完整性。
因此，现有的基于遥感影像的秸秆焚烧监测方法的方法均存在火点提取结果准确率低的问题。
发明内容
有鉴于此，本发明提供一种基于多源遥感影像的秸秆焚烧监测方法，通过改进图像检测方法，解决了现有的基于遥感影像的秸秆焚烧监测方法的方法均存在火点提取结果准确率低的问题。
为解决以上问题，本发明的技术方案为采用一种基于多源遥感影像的秸秆焚烧监测方法，包括：S1：获取低轨遥感图像和高轨遥感图像；S2：提取所述低轨遥感图像的火迹中心点数据和耕地矢量数据；S3：提取所述高轨遥感图像的热异常点矢量化数据；S4：基于所述火迹中心点数据、所述耕地矢量数据和所述热异常点矢量化数据进行叠置分析生成秸秆焚烧火点数据。
可选地，所述S4包括：将所述火迹中心点数据和所述热异常点矢量化数据合并后生成第一要素层；对所述第一要素层和所述耕地矢量数据所属的第二要素层进行交集提取，生成包含所述秸秆焚烧火点数据的第三要素层。
可选地，所述S3包括：对所述高轨遥感图像进行亮温计算并生成亮温图像；剔除所述亮温图像中的有云像元和水体像元；判定所述亮温图像属于白日亮温图像或黑夜亮温图像；若所述亮温图像属于白日亮温图像，提取所述亮温图像中亮温高于第一阈值且近红外波段反射率低于第二阈值的像元作为热异常点；若所述亮温图像属于黑夜亮温图像，提取所述亮温图像中亮温高于第三阈值的像元作为热异常点；对所述热异常点进行矢量化计算生成所述热异常点矢量化数据。
可选地，所述S2包括：利用公式
更新所述低轨遥感图像中各像元的像素值，其中，BAI为更新后的像素值，Rad表示红光波段反射率，NIR表示近红外波段反射率；遍历所述更新后的所述低轨遥感图像中像素值高于第四阈值的像元作为火烧迹地区域，并在所述火烧迹地区域内提取所述火迹中心点数据。
可选地，所述S2还包括：利用面向对象分类方法，基于所述低轨遥感图像中包含的空间、纹理和光谱信息对所述低轨遥感图像进行分割和区域分类，生成所述耕地矢量数据。
可选地，所述S1还包括：对所述低轨遥感图像和所述高轨遥感图像进行图像预处理，其中，所述图像预处理包括辐射定标、大气校正、正射校正和图像配准。
可选地，剔除所述亮温图像中的有云像元包括：利用公式
计算各像元的归一化植被指数，其中，NDVI为归一化植被指数，NIR、Rad分别为各像元的近红外波段、红光波段的反射率；剔除所述亮温图像中蓝光波段反射率高于第五阈值且归一化植被指数小于第六阈值的像元。
可选地，剔除所述亮温图像中的水体像元包括：剔除所述亮温图像中近红外波段反射率小于第七阈值且归一化植被指数小于第八阈值的像元。
本发明的首要改进之处为提供的基于多源遥感影像的秸秆焚烧监测方法，通过利用高轨遥感卫星采集高轨遥感图像，能够提取用于表征完整火点区域的热异常点矢量化数据，并且高轨遥感卫星重访时间短，具有很高的时间分辨率，且可长期驻留在固定区域以进行高频次的重复观测，保证了采集热异常点矢量化数据的实时性。同时利用低轨遥感卫星采集低轨遥感图像能够精确的提取出耕地范围以及火烧迹地，防止了秸秆焚烧火点的错提漏提。具体的，本发明通过对所述高轨遥感图像进行有云像元和水体像元的剔除，提取出准确的用于表征完整火点区域的热异常点矢量化数据，同时基于低轨遥感图像提取精确度更高的火迹中心点数据和用于表征耕地区域的耕地矢量数据，并通过将所述火迹中心点数据和所述热异常点矢量化数据合并后生成第一要素层，对所述第一要素层和所述耕地矢量数据所属的第二要素层进行交集提取，生成包含所述秸秆焚烧火点数据的第三要素层，实现了第三要素层中包含了准确且完整的秸秆焚烧火点数据，解决了现有的基于遥感影像的秸秆焚烧监测方法的方法均存在火点提取结果准确率低的问题。
附图说明
图1是本发明的基于多源遥感影像的秸秆焚烧监测方法的简化流程图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，一种基于多源遥感影像的秸秆焚烧监测方法，包括：S1：获取低轨遥感图像和高轨遥感图像；S2：提取所述低轨遥感图像的火迹中心点数据和耕地矢量数据；S3：提取所述高轨遥感图像的热异常点矢量化数据；S4：基于所述火迹中心点数据、所述耕地矢量数据和所述热异常点矢量化数据进行叠置分析生成秸秆焚烧火点数据。其中，所述S1还包括：对所述低轨遥感图像和所述高轨遥感图像进行图像预处理，其中，所述图像预处理包括辐射定标、大气校正、正射校正和图像配准，辐射定标是将原始的DN值转换为表观反射率，目的是为了消除传感器本身的误差；大气校正是将表观反射率转换为地表反射率，此步骤可以消除大气散射、吸收和反射引起的误差；正射校正是借助于地形高程模型，对图像中每个像元进行地形的校正，使图像符合正射投影的要求；图像配准是将不同时间、不同传感器或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加，使多幅影像同一位置的点一一对应，达到信息融合，避免了信息不匹配。其中，低轨遥感图像可以通过低轨遥感卫星获取，低轨遥感卫星可以是高分一号遥感卫星；高轨遥感图像可以通过高轨遥感卫星获取，高轨遥感卫星可以是高分四号遥感卫星。
进一步的，叠置分析是将两层或多层地图要素进行叠置产生一个新要素层的操作，其结果将原来要素分割成新的要素，新要素综合了原来两层或多层要素所具有的属性。也就是说，叠置分析不仅生成了新的空间关系，还将输入数据层的属性联系起来产生了新的属性关系。本发明通过利用叠置分析方法将所述火迹中心点数据和所述热异常点矢量化数据合并后生成第一要素层；对所述第一要素层和所述耕地矢量数据所属的第二要素层进行交集提取，生成包含所述秸秆焚烧火点数据的第三要素层。
本发明通过利用高分一号遥感卫星采集的遥感影像进行燃烧面积指数提取和面对对象分类处理，得到火烧迹地区域和耕地矢量数据，并提取火烧迹地中心点作为火迹中心点数据；并利用同期高分四号遥感卫星采集的遥感影像进行热异常点的提取并进行矢量化，作为火点数据；通过将两批火点数据进行要素层合并，并与耕地区域矢量数据进行叠置分析，将耕地区域内的火点作为最终秸秆焚烧火点数据。
进一步的，所述S2包括：利用公式
更新所述低轨遥感图像中各像元的像素值，其中，BAI为更新后的像素值，Rad表示红光波段反射率，NIR表示近红外波段反射率；遍历所述更新后的所述低轨遥感图像中像素值高于第四阈值的像元作为火烧迹地区域，并在所述火烧迹地区域内提取所述火迹中心点数据，第四阈值可以是15.5。其中，所述S2还包括：利用面向对象分类方法，基于所述低轨遥感图像中包含的空间、纹理和光谱信息对所述低轨遥感图像进行分割和区域分类，生成所述耕地矢量数据。
进一步的，所述S3包括：对所述高轨遥感图像进行亮温计算并生成亮温图像；剔除所述亮温图像中的有云像元和水体像元；判定所述亮温图像属于白日亮温图像或黑夜亮温图像；若所述亮温图像属于白日亮温图像，提取所述亮温图像中亮温高于第一阈值且近红外波段反射率低于第二阈值的像元作为热异常点；若所述亮温图像属于黑夜亮温图像，提取所述亮温图像中亮温高于第三阈值的像元作为热异常点；对所述热异常点进行矢量化计算生成所述热异常点矢量化数据。其中，第一阈值可以是300K，第二阈值可以是0.3，第三阈值可以是305K。其中，判定所述亮温图像属于白日亮温图像或黑夜亮温图像的方法可以是根据所述高轨遥感图像的元数据文件进行判定。所述高轨遥感图像的元数据文件含有影像生成的具体时间，具体到秒，可根据时间判断影像是白日还是黑夜。
更进一步的，剔除所述亮温图像中的有云像元包括：利用公式
计算各像元的归一化植被指数，其中，NDVI为归一化植被指数，NIR、Rad分别为各像元的近红外波段、红光波段的反射率；剔除所述亮温图像中蓝光波段反射率高于第五阈值且归一化植被指数小于第六阈值的像元。其中，第五阈值可以是0.15，第六阈值可以是0.8。
更进一步的，剔除所述亮温图像中的水体像元包括：剔除所述亮温图像中近红外波段反射率小于第七阈值且归一化植被指数小于第八阈值的像元。其中，第七阈值可以是0.15，第八阈值可以是0.1。
本发明通过利用高轨遥感卫星采集高轨遥感图像，能够提取用于表征完整火点区域的热异常点矢量化数据，并且高轨遥感卫星重访时间短，具有很高的时间分辨率，且可长期驻留在固定区域以进行高频次的重复观测，保证了采集热异常点矢量化数据的实时性。同时利用低轨遥感卫星采集低轨遥感图像能够精确的提取出耕地范围以及火烧迹地，防止了秸秆焚烧火点的错提漏提。具体的，本发明通过对所述高轨遥感图像进行有云像元和水体像元的剔除，提取出准确的用于表征完整火点区域的热异常点矢量化数据，同时基于低轨遥感图像提取精确度更高的火迹中心点数据和用于表征耕地区域的耕地矢量数据，并通过将所述火迹中心点数据和所述热异常点矢量化数据合并后生成第一要素层，对所述第一要素层和所述耕地矢量数据所属的第二要素层进行交集提取，生成包含所述秸秆焚烧火点数据的第三要素层，实现了第三要素层中包含了准确且完整的秸秆焚烧火点数据，解决了现有的基于遥感影像的秸秆焚烧监测方法的方法均存在火点提取结果准确率低的问题。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于多源遥感影像的秸秆焚烧监测方法，其特征在于，包括：
S1：获取低轨遥感图像和高轨遥感图像；
S2：提取所述低轨遥感图像的火迹中心点数据和耕地矢量数据；
S3：提取所述高轨遥感图像的热异常点矢量化数据；
S4：基于所述火迹中心点数据、所述耕地矢量数据和所述热异常点矢量化数据进行叠置分析生成秸秆焚烧火点数据。
2.根据权利要求1所述的秸秆焚烧监测方法，其特征在于，所述S4包括：
将所述火迹中心点数据和所述热异常点矢量化数据合并后生成第一要素层；
对所述第一要素层和所述耕地矢量数据所属的第二要素层进行交集提取，生成包含所述秸秆焚烧火点数据的第三要素层。
3.根据权利要求2所述的秸秆焚烧监测方法，其特征在于，所述S3包括：
对所述高轨遥感图像进行亮温计算并生成亮温图像；
剔除所述亮温图像中的有云像元和水体像元；
判定所述亮温图像属于白日亮温图像或黑夜亮温图像；
若所述亮温图像属于白日亮温图像，提取所述亮温图像中亮温高于第一阈值且近红外波段反射率低于第二阈值的像元作为热异常点；
若所述亮温图像属于黑夜亮温图像，提取所述亮温图像中亮温高于第三阈值的像元作为热异常点；
对所述热异常点进行矢量化计算生成所述热异常点矢量化数据。
4.根据权利要求3所述的秸秆焚烧监测方法，其特征在于，所述S2包括：
利用公式
更新所述低轨遥感图像中各像元的像素值，其中，BAI为更新后的像素值，Rad表示红光波段反射率，NIR表示近红外波段反射率；
遍历所述更新后的所述低轨遥感图像中像素值高于第四阈值的像元作为火烧迹地区域，并在所述火烧迹地区域内提取所述火迹中心点数据。
5.根据权利要求4所述的秸秆焚烧监测方法，其特征在于，所述S2还包括：
利用面向对象分类方法，基于所述低轨遥感图像中包含的空间、纹理和光谱信息对所述低轨遥感图像进行分割和区域分类，生成所述耕地矢量数据。
6.根据权利要求5所述的秸秆焚烧监测方法，其特征在于，所述S1还包括：对所述低轨遥感图像和所述高轨遥感图像进行图像预处理，其中，所述图像预处理包括辐射定标、大气校正、正射校正和图像配准。
7.根据权利要求3所述的秸秆焚烧监测方法，其特征在于，剔除所述亮温图像中的有云像元包括：
利用公式
计算各像元的归一化植被指数，其中，NDVI为归一化植被指数，NIR、Rad分别为各像元的近红外波段、红光波段的反射率；
剔除所述亮温图像中蓝光波段反射率高于第五阈值且归一化植被指数小于第六阈值的像元。
8.根据权利要求3所述的秸秆焚烧监测方法，其特征在于，剔除所述亮温图像中的水体像元包括：
剔除所述亮温图像中近红外波段反射率小于第七阈值且归一化植被指数小于第八阈值的像元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011387305.4A CN112418133A (zh) | 2020-12-01 | 2020-12-01 | 一种基于多源遥感影像的秸秆焚烧监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011387305.4A CN112418133A (zh) | 2020-12-01 | 2020-12-01 | 一种基于多源遥感影像的秸秆焚烧监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418133A true CN112418133A (zh) | 2021-02-26 |
Family
ID=74829502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011387305.4A Pending CN112418133A (zh) | 2020-12-01 | 2020-12-01 | 一种基于多源遥感影像的秸秆焚烧监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418133A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221057A (zh) * | 2021-05-14 | 2021-08-06 | 山东省生态环境监测中心 | 基于多时相卫星影像的秸秆焚烧火点监测方法 |
| CN113343871A (zh) * | 2021-06-17 | 2021-09-03 | 哈尔滨工业大学 | 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及系统 |
| CN114724048A (zh) * | 2022-04-11 | 2022-07-08 | 中国农业大学 | 一种高温异常区域的识别方法、装置以及存储介质 |
| CN115661682A (zh) * | 2022-12-27 | 2023-01-31 | 生态环境部卫星环境应用中心 | 一种工业热源对象的自动化提取方法及提取装置 |
| CN115791685A (zh) * | 2022-11-21 | 2023-03-14 | 江苏省农业科学院 | 基于时间序列遥感影像的秸秆燃烧提取方法 |
| CN116047546A (zh) * | 2022-07-07 | 2023-05-02 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN116363047A (zh) * | 2022-08-23 | 2023-06-30 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧大气污染风险预警方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700095A (zh) * | 2015-03-30 | 2015-06-10 | 北京市环境保护监测中心 | 秸秆焚烧火点卫星遥感监测方法及处理装置 |
| CN111380807A (zh) * | 2020-03-30 | 2020-07-07 | 中国科学院东北地理与农业生态研究所 | 一种基于静止卫星遥感数据的秸秆焚烧火点信息提取方法 |
| CN111505016A (zh) * | 2020-04-21 | 2020-08-07 | 北京中科锐景科技有限公司 | 一种秸秆焚烧排放清单估算方法 |
-
2020
- 2020-12-01 CN CN202011387305.4A patent/CN112418133A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700095A (zh) * | 2015-03-30 | 2015-06-10 | 北京市环境保护监测中心 | 秸秆焚烧火点卫星遥感监测方法及处理装置 |
| CN111380807A (zh) * | 2020-03-30 | 2020-07-07 | 中国科学院东北地理与农业生态研究所 | 一种基于静止卫星遥感数据的秸秆焚烧火点信息提取方法 |
| CN111505016A (zh) * | 2020-04-21 | 2020-08-07 | 北京中科锐景科技有限公司 | 一种秸秆焚烧排放清单估算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐迅 等: "基于VIIRS影像的秸秆焚烧火点监测方法", 《地理空间信息》, vol. 16, no. 6, pages 2 * |
| 王凯: "基于GF-1、HJ-1和FY-3数据集成的秸秆焚烧监测方法—以黑龙江省双城市为例", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, pages 2 - 3 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221057A (zh) * | 2021-05-14 | 2021-08-06 | 山东省生态环境监测中心 | 基于多时相卫星影像的秸秆焚烧火点监测方法 |
| CN113343871A (zh) * | 2021-06-17 | 2021-09-03 | 哈尔滨工业大学 | 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及系统 |
| CN113343871B (zh) * | 2021-06-17 | 2022-03-18 | 哈尔滨工业大学 | 基于泊松融合+直方图匹配的高分四号多光谱遥感影像中舰船目标的仿真方法及系统 |
| CN114724048B (zh) * | 2022-04-11 | 2023-07-07 | 中国农业大学 | 一种高温异常区域的识别方法、装置以及存储介质 |
| CN114724048A (zh) * | 2022-04-11 | 2022-07-08 | 中国农业大学 | 一种高温异常区域的识别方法、装置以及存储介质 |
| CN116047546A (zh) * | 2022-07-07 | 2023-05-02 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN116047546B (zh) * | 2022-07-07 | 2024-02-27 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
| CN116363047A (zh) * | 2022-08-23 | 2023-06-30 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧大气污染风险预警方法 |
| CN116363047B (zh) * | 2022-08-23 | 2024-01-30 | 生态环境部卫星环境应用中心 | 一种秸秆焚烧大气污染风险预警方法 |
| CN115791685A (zh) * | 2022-11-21 | 2023-03-14 | 江苏省农业科学院 | 基于时间序列遥感影像的秸秆燃烧提取方法 |
| CN115791685B (zh) * | 2022-11-21 | 2024-05-07 | 江苏省农业科学院 | 基于时间序列遥感影像的秸秆燃烧提取方法 |
| CN115661682A (zh) * | 2022-12-27 | 2023-01-31 | 生态环境部卫星环境应用中心 | 一种工业热源对象的自动化提取方法及提取装置 |
| CN115661682B (zh) * | 2022-12-27 | 2023-04-28 | 生态环境部卫星环境应用中心 | 一种工业热源对象的自动化提取方法及提取装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418133A (zh) | 一种基于多源遥感影像的秸秆焚烧监测方法 | |
| CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
| CN109581372B (zh) | 一种生态环境遥感监测方法 | |
| Hamylton et al. | Evaluating techniques for mapping island vegetation from unmanned aerial vehicle (UAV) images: Pixel classification, visual interpretation and machine learning approaches | |
| CN110136194B (zh) | 基于星载多光谱遥感数据的积雪覆盖度测算方法 | |
| Goslee | Analyzing remote sensing data in R: the landsat package | |
| US8594375B1 (en) | Advanced cloud cover assessment | |
| CN102565778B (zh) | 一种自动提取伪不变特征的遥感图像相对辐射校正方法 | |
| Lück et al. | Evaluation of a rule-based compositing technique for Landsat-5 TM and Landsat-7 ETM+ images | |
| CN113537018B (zh) | 基于多时相卫星遥感和无人机技术的水土保持监测方法 | |
| KR100678395B1 (ko) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 | |
| CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| CN112131946B (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
| Govedarica et al. | Object Oriented Image Analysis in Remote Sensing of Forest and Vineyard Areas. | |
| Aubry-Kientz et al. | Multisensor data fusion for improved segmentation of individual tree crowns in dense tropical forests | |
| CN113033279A (zh) | 一种基于多源遥感影像的作物精细分类方法及其系统 | |
| Clark et al. | Landscape analysis using multi-scale segmentation and object-oriented classification | |
| Wang et al. | Fusion of HJ1B and ALOS PALSAR data for land cover classification using machine learning methods | |
| Jia et al. | UAV remote sensing image mosaic and its application in agriculture | |
| Demir | Using UAVs for detection of trees from digital surface models | |
| CN113822141A (zh) | 一种基于遥感影像的冰川和积雪自动提取方法及系统 | |
| Gauci et al. | A Machine Learning approach for automatic land cover mapping from DSLR images over the Maltese Islands | |
| Zhang et al. | A comparison of pixel-based and object-based land cover classification methods in an arid/semi-arid environment of northwestern China | |
| Jaber et al. | Object-based approaches for land use-land cover classification using high resolution quick bird satellite imagery (a case study: Kerbela, Iraq) | |
| Krauss et al. | Fusing stereo and multispectral data from WorldView-2 for urban modeling |
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 |