CN112507276A - 一种无需大气校正的近海浒苔绿潮遥感监测方法 - Google Patents
一种无需大气校正的近海浒苔绿潮遥感监测方法 Download PDFInfo
- Publication number
- CN112507276A CN112507276A CN202011222721.9A CN202011222721A CN112507276A CN 112507276 A CN112507276 A CN 112507276A CN 202011222721 A CN202011222721 A CN 202011222721A CN 112507276 A CN112507276 A CN 112507276A
- Authority
- CN
- China
- Prior art keywords
- oli
- remote sensing
- enteromorpha
- satellite
- image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无需大气校正的近海浒苔绿潮遥感监测方法,具体地,本发明首先基于时空匹配的卫星遥感影像集,计算得到卫星大气层顶反射率数据,推导出专门用于浒苔增强的类缨帽变换矩阵,进而建立浒苔遥感监测算法(绿度指数)。然后,将其应用到长时间序列卫星遥感数据资料,最终得到浒苔灾害暴发全过程的分布信息。本发明为卫星遥感数据快速监测浒苔绿潮灾害提供了一种新的方法,对提高我国近海浒苔灾害的业务化监测能力及其制定应急响应决策等方面有着重要意义。
Description
技术领域
本发明涉及海洋遥感技术领域,尤其涉及一种无需大气校正的近海浒苔绿潮遥感监测方法。
背景技术
在特定环境条件下,海水中的某些绿色大型藻类出现爆发性增值或高度聚集而引起水体变色的一种有害生态现象,被称为绿潮。以浒苔(Ulva prolifera)为优势种的绿潮是我国近海最常见的大型漂浮藻类灾害。浒苔属绿藻门、石莼目和石莼科,是一类广温、广盐,环境适应能力和繁殖能力较强的海洋绿藻。大规模浒苔暴发不仅恶化海洋生态环境和破坏海洋生态系统,而且给海滨旅游业、水产养殖、海洋运输业等造成巨大经济损失。此外,海岸带附近已死亡的藻体会“登陆”,并造成一系列严重经济和生态问题(2018年中国海洋灾害公报)。因此,及时准确地获取浒苔灾害的分布和漂移路径信息成为防灾减灾最重要的前提保障,对制定应急管理决策和降低损失等发挥着重要作用。
自2007年之后,浒苔绿潮已经成为我国近海“每年必遇”的海洋生态灾害,特别是江苏至山东海域(Qi等,2017;Xing等,2019)。目前,浒苔灾害监控已成为我国政府和海洋环境研究学者关注的热点问题之一,并纳入国家海洋灾害公报统计。然而,受风、潮汐、海流等多种因素的综合影响,浒苔的时空分布经常发生变化,采用传统的调查观测方法难以掌握其变化规律且费时费力。相比而言,卫星遥感技术具有准实时、宏观和周期性等独特优势,可以实现在时间和空间尺度上连续地提供观测资料。因此,卫星遥感数据尤其是光学卫星遥感,已被广泛用于监测浒苔绿潮灾害。
基于卫星遥感(光学和微波)数据,研究学者利用光学特性和散射特性开发了多种浒苔遥感算法。这些算法依赖于以下假设:绿色大型藻类的光学特性(可见光和红外波段)和后向散射特征(微波波段)明显区别于海水。主动式微波传感器具有全天时、全天候观测能力,但是数据成本较高和可获取性较低。相比而言,光学卫星遥感可进行高时空分辨率和周期性观测,并且直观地再现大型漂浮藻类现象。绝大多数的光学卫星遥感数据是免费公开,可获取性很高。因此,光学遥感数据广泛用于海洋大型漂浮藻类的研究(邱亚会和卢剑波,2015;颜天等,2018),比如Aqua-Terra/MODIS(中分辨率图像光谱辐射计)、Landsat8-OLI(陆地成像仪)、GOCI(静止水色成像仪)、HJ-CCD(电荷耦合器件)、GF-WFV(宽视场多光谱相机)等。
国内外学者基于光学遥感数据提出了许多浒苔绿潮遥感监测算法,如单波段法、多波段组合法、监督分类法和机器学习算法等。其中,针对陆地植被设计的植被指数也被用于浒苔监测(Liu等,2009;施英妮等,2012),如最常用的归一化差异植被指数(NDVI)和增强植被指数(EVI)。然而,针对大型漂浮藻类和海水,NDVI和EVI算法对外界环境和观测条件变化很敏感(Trishchenko等,2002;Hu,2009)。Hu(2009)基于近红外(NIR)波段与红色和短波红外(SWIR)波段形成基线之间的瑞利校正反射率(Rrc)差异,设计了一种简单的漂浮藻类指数(FAI)。但是,该算法无法移植到缺少SWIR波段的卫星传感器,如HJ-CCD和GF-WFV等。Son等(2012)分析了浒苔的瑞利校正反射率和遥感反射率(Rrs)光谱特征,提出了“GOCI漂浮绿潮指数”(IGAG)。参考FAI设计思路,Xing和Hu(2016)设计了虚拟基线的漂浮藻类高度指数(VB-FAH),将VB-FAH指数应用于HJ-CCD数据。Qiu等(2018)基于GOCI的瑞利校正后反射率数据利用神经网络算法自动提取中国黄海绿潮信息。
综上所述,已有的光学遥感监测算法主要利用遥感反射率或瑞利校正反射率信号,而这些信号的获取则需要较复杂的大气校正步骤。这在一定程度上增加了算法实施的复杂性和降低算法的处理效率。因此针对现有浒苔遥感监测算法需要大气校正程序而造成算法实施复杂和降低处理效率的局限性。同时,大气校正需要更多的辅助信息,如传感器几何参数、依赖于天气条件的大气模型和气溶胶光学厚度参数等。
发明内容
针对以上问题,本发明提出一种无需大气校正的近海浒苔绿潮遥感监测方法。
为实现本发明的目的,提供一种无需大气校正的近海浒苔绿潮遥感监测方法,包括如下步骤:
s1、收集时空匹配的卫星遥感影像X和Landsat8-OLI影像对,并分别计算得到所述卫星影像X的大气层顶反射率ρx,i和所述Landsat8-OLI影像的大气层顶反射率ρOLI,i,再计算Landsat8-OLI的湿度分量TCWOLI;
s2、基于上述步骤s1中收集的时空匹配的卫星遥感影像X和Landsat8-OLI影像对,采集若干种目标地物的像元样本,得到所述卫星影像X的大气层顶反射率ρx,i和所述Landsat8-OLI的湿度分量TCWOLI组成的时空匹配样本数据集;
s3、基于上述步骤s2中收集的时空匹配样本数据集,采用多元线性拟合方法和施密特正交方法推导出面向所述卫星影像X的大气层顶反射率ρx,i的类缨帽变换矩阵c=[c1,ic2,i c3,i],i=1,2,3,4;
s4、构建绿度指数算法;
s5、将上述步骤s4中的绿度指数算法应用于长时间序列卫星遥感影像,计算并得到每一副卫星影像的绿度遥感数据,进而得到卫星影像的浒苔遥感监测产品,最终基于长时序的浒苔遥感监测产品集分析并得到浒苔绿潮爆发过程的分布信息和漂移路径的动态信息。
进一步地,所述步骤s1中所述卫星影像X的大气层顶反射率ρx,i和所述Landsat8-OLI影像的大气层顶反射率ρOLI,i的计算公式分别如下:
其中,DNX,i表示所述卫星影像X在第i波段处的亮度值,Gaini、Biasi和Esuni分别表示第i波段的定标增益值、定标偏移值和大气顶部太阳辐照度,d为日地天文单位距离,θs为太阳天顶角;
ρOLI,i=(Mi·DNOLI,i+Ai)/cos(θs);
其中,DNOLI,i表示所述Landsat8-OLI影像在第i波段处的亮度值,Mi和Ai分别为第i波段的反射率乘法调整系数和加法调整系数。
进一步地,所述步骤s1中的Landsat8-OLI的湿度分量TCWoLI的计算公式如下:TCWOLI=0.13ρOLI,2+0.06ρoLI,3+0.03ρOLI,4-0.61ρOLI,5-0.55ρOLI,6-0.55ρOLI,7,其中,ρOLI,i为所述Landsat8-OLI影像的第i波段大气层顶反射率。
进一步地,所述步骤s3中的类缨帽变换矩阵c的推导公式具体如下:
首先,采用多元线性拟合方法计算湿度分量系数c3,i,计算公式:
其中,wi为拟合系数,ρx,i表示所述卫星遥感影像X第i波段的大气层顶反射率,TCWOLI表示匹配样本对应的Landsat8-OLI湿度分量;
接着,采用施密特正交方法计算亮度分量系数c1,i,计算公式:
最后,同样采用施密特正交方法计算绿度分量系数c2,i,计算公式:
进一步地,所述步骤s4中的绿度指数算法计算公式如下:
TCG=c2,1·ρx,1+c2,2·ρx,2+c2,3·ρx,3+c2,4·ρx,4;
其中,TCG为绿度分量。
跟现有技术相比,本发明具有以下有益效果:
(1)本发明采用类缨帽变换增强浒苔的遥感图像信息,提供了一种简单、快速有效监测浒苔绿潮信息的光学遥感新方法。本方法具有技术可行性和理论基础,为光学卫星遥感监测海洋藻华灾害提供新思路。
(2)本发明直接利用卫星大气层顶反射率信号,无需大气校正程序,相比于已有浒苔遥感监测算法,本发明简单易操作,更适用于浒苔灾害的业务化监测应用,直接服务于浒苔绿潮灾害的监控和防治。
(3)本发明方法容易推广应用于其他光学卫星传感器,能够提高了光学卫星传感器在海洋方面的使用率,尤其是国产卫星数据;同时能够获取高质量的浒苔遥感监测产品,服务于近海海洋生态灾害和海洋生态系统等研究。
附图说明
图1是一个实施例的无需大气校正的近海浒苔绿潮遥感监测方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的无需大气校正的近海浒苔绿潮遥感监测方法的流程示意图,在本实施例中提出了一种监测近海浒苔绿潮的遥感方法,下面将对本实施例作进一步详细说明。具体步骤如下:
基于时空匹配的卫星影像X(如HJ-CCD或GF-WFV)和Landsat8-OLI影像数据集,根据官网或元数据文件提供的大气层顶反射率的计算公式和相关系数,获取各自的卫星大气层顶反射率。同时,计算得出Landsat08-OLI的湿度分量数据TCWOLI。
卫星影像X的大气层顶反射率计算:其中,DNX,i表示卫星影像X在第i波段处的亮度值。Gaini、Biasi、Esuni分别表示第i波段的定标增益值、定标偏移值、大气顶部太阳辐照度,d为日地天文单位距离,θs为太阳天顶角,以上这些参数可以从卫星官网或者影像的头文件获得。
Landsat8–OLI影像的大气层顶反射率计算:ρOLI,i=(Mi·DNOLI,i+Ai)/cos(θs),其中,DNOLI,i表示Landsat8-OLI影像在第i波段处的亮度值,Mi和Ai分别为第i波段的反射率乘法和加法调整系数,θs为太阳天顶角,上述这些参数均可在影像的头文件获得。
从匹配卫星影像对中随机选取大量的不同目标地物像元样本,包含浒苔、水体、裸地、建筑用地等,构建大气层顶反射率和TCWOLI匹配数据集。然后以ρx,i为自变量,以TCWOLI为因变量,采用多元线性回归拟合得到经验系数,并对其单位化处理,得到卫星影像X的湿度分量系数。
在获取湿度分量系数之后,采用施密特正交方法,依次计算得出亮度分量、绿度分量的变换系数。最终,推导出专门用于浒苔信息增强的类缨帽变换矩阵。这里,以HJ-CCD影像为例,采用上述方法得到面向HJ-CCD大气层顶反射率的类缨帽变换矩阵。
下表为面向HJ-CCD影像ρ(λ)信号的类缨帽变换矩阵:
基于卫星大气层顶反射率,采用类缨帽变换矩阵c得到绿度分量的遥感数据。通过分析大量样本的绿度分量特征发现,浒苔和非浒苔目标(如海水、云等)在绿度分量存在明显差异,故采用绿度分量便可实现浒苔的遥感监测。因此,构建出浒苔遥感监测算法,即绿度(TCG)指数算法。同样以HJ-CCD影像为例,依据上述表中的变换系数,绿度分量的计算可表示为:TCG=-0.401ρ1-0.17ρ2-0.498ρ3+0.75ρ4,其中ρi表示第i波段的卫星大气层顶反射率值。
收集整理覆盖浒苔暴发全过程的卫星遥感影像数据,得到卫星影像的大气层顶反射率数据。采用类缨帽变换矩阵和绿度指数算法,获得长时间序列的浒苔灾害遥感监测产品集。基于此,分析统计浒苔暴发全过程的分布范围和面积信息,以及漂移路径的动态变化,服务于浒苔绿潮灾害的监测和防治工作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种无需大气校正的近海浒苔绿潮遥感监测方法,其特征在于,包括如下步骤:
s1、收集时空匹配的卫星遥感影像X和Landsat8-OLI影像对,并分别计算得到所述卫星影像X的大气层顶反射率ρx,i和所述Landsat8-OLI影像的大气层顶反射率ρOLI,i,再计算Landsat8-OLI的湿度分量TCWOLI;
s2、基于上述步骤s1中收集的时空匹配的卫星遥感影像X和Landsat8-OLI影像对,采集若干种目标地物的像元样本,得到所述卫星影像X的大气层顶反射率ρx,i和所述Landsat8-OLI的湿度分量TCWOLI组成的时空匹配样本数据集;
s3、基于上述步骤s2中收集的时空匹配样本数据集,采用多元线性拟合方法和施密特正交方法推导出面向所述卫星影像X的大气层顶反射率ρx,i的类缨帽变换矩阵c=[c1,i c2,ic3,i],其中,i=1,2,3,4;
s4、构建绿度指数算法;
s5、将上述步骤s4中的绿度指数算法应用于长时间序列卫星遥感影像,计算并得到每一副卫星影像的绿度遥感数据,进而得到卫星影像的浒苔遥感监测产品,最终基于长时序的浒苔遥感监测产品集分析并得到浒苔绿潮爆发过程的分布信息和漂移路径的动态信息。
2.根据权利要求1所述的一种无需大气校正的近海浒苔绿潮遥感监测方法,其特征在于,所述步骤s1中所述卫星影像X的大气层顶反射率ρx,i和所述Landsat8-OLI影像的大气层顶反射率ρOLI,i的计算公式分别如下:
其中,DNx,i表示所述卫星影像X在第i波段处的亮度值,Gaini、Biasi和Esuni分别表示第i波段的定标增益值、定标偏移值和大气顶部太阳辐照度,d为日地天文单位距离,θs为太阳天顶角;
ρOLI,i=(Mi·DNOLI,i+Ai)/cos(θs);
其中,DNOLI,i表示所述Landsat8-OLI影像在第i波段处的亮度值,Mi和Ai分别为第i波段的反射率乘法调整系数和加法调整系数。
3.根据权利要求1所述的一种无需大气校正的近海浒苔绿潮遥感监测方法,其特征在于,所述步骤s1中的Landsat8-OLI的湿度分量TCWOLI的计算公式如下:TCWOLI=0.13ρOLI,2+0.06ρOLI,3+0.03ρOLI,4-0.61ρOLI,5-0.55ρOLI,6-0.55ρOLI,7,其中,ρOLI,i为所述Landsat8-OLI影像的第i波段大气层顶反射率。
5.根据权利要求4所述的一种无需大气校正的近海浒苔绿潮遥感监测方法,其特征在于,所述步骤s4中的绿度指数算法计算公式如下:
TCG=c2,1·ρx,1+c2,2·ρx,2+c2,3·ρx,3+c2,4·ρx,4;
其中,TCG为绿度分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222721.9A CN112507276B (zh) | 2020-11-05 | 2020-11-05 | 一种无需大气校正的近海浒苔绿潮遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222721.9A CN112507276B (zh) | 2020-11-05 | 2020-11-05 | 一种无需大气校正的近海浒苔绿潮遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507276A true CN112507276A (zh) | 2021-03-16 |
CN112507276B CN112507276B (zh) | 2023-07-04 |
Family
ID=74955828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011222721.9A Active CN112507276B (zh) | 2020-11-05 | 2020-11-05 | 一种无需大气校正的近海浒苔绿潮遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507276B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240243A (zh) * | 2021-04-15 | 2021-08-10 | 山东省海洋预报减灾中心 | 一种浒苔绿潮影响岸段风险评估系统及方法 |
CN113807208A (zh) * | 2021-08-30 | 2021-12-17 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN113987846A (zh) * | 2021-12-28 | 2022-01-28 | 中国石油大学(华东) | 一种基于随机矩形模拟的绿潮漂移扩散方法 |
CN116310543A (zh) * | 2023-03-14 | 2023-06-23 | 自然资源部第一海洋研究所 | Gf-1 wfv卫星赤潮深度学习探测模型、构建方法及设备 |
CN117725345A (zh) * | 2024-02-08 | 2024-03-19 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于绿潮生物量密度的多源遥感绿潮生长速率测量方法 |
CN117725345B (zh) * | 2024-02-08 | 2024-05-31 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于绿潮生物量密度的多源遥感绿潮生长速率测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040032973A1 (en) * | 2002-08-13 | 2004-02-19 | Eastman Kodak Company | Method for using remote imaging to predict quality parameters for agricultural commodities |
CN103914809A (zh) * | 2014-03-27 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 一种基于Landsat8星上反射率的缨帽变换方法及装置 |
CN104123409A (zh) * | 2014-07-09 | 2014-10-29 | 江苏省农业科学院 | 大田冬小麦开花期遥感估产方法 |
US20170161584A1 (en) * | 2015-12-07 | 2017-06-08 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN108171245A (zh) * | 2017-10-09 | 2018-06-15 | 浙江海洋大学 | 一种基于缨帽变换的洪水淹没范围遥感信息提取方法及装置 |
CN109948580A (zh) * | 2019-03-28 | 2019-06-28 | 江西理工大学 | 稀土矿的地表温度空间降尺度方法、装置、设备及介质 |
-
2020
- 2020-11-05 CN CN202011222721.9A patent/CN112507276B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040032973A1 (en) * | 2002-08-13 | 2004-02-19 | Eastman Kodak Company | Method for using remote imaging to predict quality parameters for agricultural commodities |
CN103914809A (zh) * | 2014-03-27 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 一种基于Landsat8星上反射率的缨帽变换方法及装置 |
CN104123409A (zh) * | 2014-07-09 | 2014-10-29 | 江苏省农业科学院 | 大田冬小麦开花期遥感估产方法 |
US20170161584A1 (en) * | 2015-12-07 | 2017-06-08 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN108171245A (zh) * | 2017-10-09 | 2018-06-15 | 浙江海洋大学 | 一种基于缨帽变换的洪水淹没范围遥感信息提取方法及装置 |
CN109948580A (zh) * | 2019-03-28 | 2019-06-28 | 江西理工大学 | 稀土矿的地表温度空间降尺度方法、装置、设备及介质 |
Non-Patent Citations (4)
Title |
---|
BING GUO: "An Optimal Monitoring Model of Desertification in Naiman Banner Based on Feature Space Utilizing Landsat8 Oli Image", 《IEEE ACCESS》, vol. 8, pages 4761, XP011766223, DOI: 10.1109/ACCESS.2019.2962909 * |
刘宇: "青岛市生态环境变化遥感监测与分析:青岛市生态环境变化遥感监测与分析", 《测绘通报》, no. 09, pages 60 - 65 * |
庄悦: "基于卫星遥感数据的海岸线动态监测研究", 《中国优秀硕士学位论文》, no. 02, pages 010 - 11 * |
陈莹: "结合GOCI数据的黄海绿潮遥感监测及漂移轨迹研究", 《光学学报》, vol. 40, no. 03, pages 7 - 19 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240243A (zh) * | 2021-04-15 | 2021-08-10 | 山东省海洋预报减灾中心 | 一种浒苔绿潮影响岸段风险评估系统及方法 |
CN113807208A (zh) * | 2021-08-30 | 2021-12-17 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN113807208B (zh) * | 2021-08-30 | 2024-05-31 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN113987846A (zh) * | 2021-12-28 | 2022-01-28 | 中国石油大学(华东) | 一种基于随机矩形模拟的绿潮漂移扩散方法 |
CN113987846B (zh) * | 2021-12-28 | 2022-03-29 | 中国石油大学(华东) | 一种基于随机矩形模拟的绿潮漂移扩散方法 |
CN116310543A (zh) * | 2023-03-14 | 2023-06-23 | 自然资源部第一海洋研究所 | Gf-1 wfv卫星赤潮深度学习探测模型、构建方法及设备 |
CN116310543B (zh) * | 2023-03-14 | 2023-09-22 | 自然资源部第一海洋研究所 | Gf-1 wfv卫星赤潮深度学习探测模型、构建方法及设备 |
CN117725345A (zh) * | 2024-02-08 | 2024-03-19 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于绿潮生物量密度的多源遥感绿潮生长速率测量方法 |
CN117725345B (zh) * | 2024-02-08 | 2024-05-31 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于绿潮生物量密度的多源遥感绿潮生长速率测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112507276B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507276A (zh) | 一种无需大气校正的近海浒苔绿潮遥感监测方法 | |
CN109781626B (zh) | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 | |
Xu et al. | Review of coral reef ecosystem remote sensing | |
CN108985959A (zh) | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 | |
Chen et al. | Spatial-temporal distribution of golden tide based on high-resolution satellite remote sensing in the South Yellow Sea | |
CN113176211B (zh) | 一种基于hsv颜色空间模型变换的日间云检测方法 | |
Cui et al. | Assessment of atmospheric correction methods for historical Landsat TM images in the coastal zone: A case study in Jiangsu, China | |
Kim et al. | SAR-derived wind fields at the coastal region in the East/Japan Sea and relation to coastal upwelling | |
CN109300133B (zh) | 一种城市河网区水体提取方法 | |
Ahmad et al. | Comparative analysis of support vector machine, maximum likelihood and neural network classification on multispectral remote sensing data | |
KR20220026829A (ko) | 다분광 영상을 이용한 원격 적조 탐지방법 및 그 시스템 | |
Yang et al. | Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV | |
CN108399363B (zh) | 一种基于偏振图像的云检测方法 | |
Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
Riadi et al. | Identification of paddy field using Landsat image in Karawang Regency, West Java | |
Praeger et al. | Estimating the biomass density of macroalgae in land-based cultivation systems using spectral reflectance imagery | |
Nagraj et al. | Crop mapping using SAR imagery: an review | |
Yu et al. | Classification of Desertification on the North Bank of Qinghai Lake. | |
CN114842360A (zh) | 一种牧区旱情识别方法、系统及管理平台 | |
Zheng et al. | Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize | |
Zhang et al. | Evaluation of the retrieval of total suspended matter concentration in Taihu Lake, China from CBERS-02B CCD | |
Luo et al. | Research on Empirical Model and Gap Rate Model for Estimating Rice Leaf Area Index Based on UAV HD Digital Images | |
Ling et al. | Comparison of ALOS PALSAR RVI and Landsat TM NDVI for forest area mapping | |
Zeng et al. | Temporal and Spatial Changes of Green Space near Urban Areas based on Remote Sensing Images | |
Zhang et al. | Land cover/use classification based on feature selection |
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 |