CN112633374A - 一种结合多光谱混合像元线性分解的监督分类方法 - Google Patents

一种结合多光谱混合像元线性分解的监督分类方法 Download PDF

Info

Publication number
CN112633374A
CN112633374A CN202011533993.0A CN202011533993A CN112633374A CN 112633374 A CN112633374 A CN 112633374A CN 202011533993 A CN202011533993 A CN 202011533993A CN 112633374 A CN112633374 A CN 112633374A
Authority
CN
China
Prior art keywords
image
mixed pixel
multispectral
classification method
linear decomposition
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
Application number
CN202011533993.0A
Other languages
English (en)
Inventor
吕海滨
邢雪婷
夏楚琦
谭思妹
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.)
Jiangsu Ocean University
Original Assignee
Jiangsu Ocean University
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 Jiangsu Ocean University filed Critical Jiangsu Ocean University
Priority to CN202011533993.0A priority Critical patent/CN112633374A/zh
Publication of CN112633374A publication Critical patent/CN112633374A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10041—Panchromatic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

一种结合多光谱混合像元线性分解的监督分类方法，该方法包括以下步骤：选定研究区域，获取影像数据；对影像数据进行图像预处理；对预处理后的图像进行混合像元线性分解；采集训练样本对混合像元分解后的影像进行监督分类；对分类精度进行评价。该方法能够在保证精度的情况下，减少了训练样本的选取，有效地将细小及线状地物分离开，提高了工作效率，在一定程度上对细小地物的识别分析起到参考作用。

Description

一种结合多光谱混合像元线性分解的监督分类方法
技术领域
本发明涉及遥感图像处理技术领域，特别是一种结合多光谱混合像元线性分解的监督分类方法。
背景技术
对多光谱遥感影像进行分类通常采用监督分类的方式，例如支持向量机法，最大似然法，最小距离法等，但是，现有的监督分类方法对于细小地物及线状地物的分类效果不突出。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种能够对多光谱遥感影像进行分类，并且对于细小地物及线状地物的分类效果突出的结合多光谱混合像元线性分解的监督分类方法。
本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是一种结合多光谱混合像元线性分解的监督分类方法，该方法包括以下步骤：
(1)选定研究区域，获取影像数据；
(2)对影像数据进行图像预处理；
(3)对预处理后的图像进行混合像元线性分解；
(4)采集训练样本对混合像元分解后的影像进行监督分类；
(5)对分类精度进行评价。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的结合多光谱混合像元线性分解的监督分类方法，步骤(1)中的影像数据来自卫星上的陆地成像仪，陆地成像仪包括30米空间分辨率的8个多光谱波段，15米空间分辨率的一个全色波段，以及热红外数据。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的结合多光谱混合像元线性分解的监督分类方法，步骤(2)中对图像预处理的具体步骤为：
(2.1)裁剪影像，并将影像的多光谱波段的影像与全色波段的影像进行图像融合；
(2.2)基于定标公式对影像进行辐射定标；
定标公式为：
Lλ＝MLQcal+AL
其中Qcal为像元灰度值；ML和AL分别为图像的增益和偏移。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的结合多光谱混合像元线性分解的监督分类方法，该方法中，还需要对影像进行大气校正处理，在不考虑像元的邻边效应和气体吸收的情况下，以表观反射率的形式表示的辐射传输方程为：
ρ×(λi)＝Lpath×Tgas×π/(Esum(λi)×cos(θS))+Tscatt.Tgasρ(λi)/(1-S×ρ(λi))
式中，ρ(λi)为中心波长为λi的下垫面反射率；
Lpath是大气的路径辐射；Tscatt.和Tgas分别为大气总的散射透过率和气体透过率；Esum(λi)为中心波长λi的太阳辐照度；θS为太阳天顶角；S是半球反照率。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的结合多光谱混合像元线性分解的监督分类方法，在步骤(3)中，对混合像元采用完全约束的最小二乘法进行线性分解，基于以下公式：
Figure BDA0002851678460000021
Figure BDA0002851678460000031
式中，Ri为i波段的反射率；ρj为第j个端元的反射率权重；Rij为端元j在i波段的反射率；εi为i波段的残差；
接着，计算均方根误差，即混合像元分解的精度，采用以下公式：
Figure BDA0002851678460000032
式中，x(i)为原始高光谱遥感影像中混合像元在第i波段的某地物的丰度值；y(i)为经过混合像元分解后该像元在第i个波段的同一地物的丰度；n为遥感影像中的像元数目之和。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的结合多光谱混合像元线性分解的监督分类方法，步骤(4)中，采用最大似然分类法将影像分为建筑、耕地、林地/草地、以及水体四大类，采用以下规则：
p(wk)p(xi/wk)＞＞p(wi)p(wi/wl)，1≤i≤M，1≤K，l≤b
则x∈wi，其中M表示影像大小，b表示类别大小，n表示影像波段数；
Figure BDA0002851678460000033
式中：p(wk)是某一类wk在图像中的概率，在预先不知道p(wk)是多少的情况下，假设所有的p(wk)都相同，即p(wk)＝1/c，∑k为第k类的协方差矩阵，mk为均值向量；对于任意一个像元值xi，gk(xi)最大，就属于哪一类。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现，对于以上所述的结合多光谱混合像元线性分解的监督分类方法，步骤(5)中，先计算该方法的总体分类精度和Kappa系数，再将两者与常规监督分类方法的总体分类精度和Kappa系数进行比较，得出评价结果，其中，总体分类精度＝正确分类的像元数/总像元数，Kappa系数的计算公式为：
Figure BDA0002851678460000041
式中，K为Kappa系数，r是误差矩阵行数，xii是i行i列上的值，xi+和x+i分别是第i行的和与第i列的和，N为样点总数。
与现有技术相比，本发明针对多光谱遥感影像分类方式的不足，采用以下步骤对多光谱遥感影像进行监督分类，通过选定研究区域，获取影像数据；对影像数据进行图像预处理；对预处理后的图像进行混合像元线性分解；采集训练样本对混合像元分解后的影像进行监督分类；对分类精度进行评价，能够在保证精度的情况下，减少了训练样本的选取，有效地将细小及线状地物分离开，提高了工作效率，在一定程度上对细小地物的识别分析起到参考作用。
附图说明
图1为本发明的一种流程示意图。
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做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。
一种结合多光谱混合像元线性分解的监督分类方法，该方法包括以下步骤：
(1)选定研究区域，获取影像数据；
影像数据采用Landsat-8卫星包含30米空间分辨率的8个多光谱波段，15米空间分辨率的一个全色波段，以及热红外数据；计算区域选择江苏省连云港市海州区；
(2)对影像数据进行图像预处理；
首先，基于连云港市海州区的行政区划线裁剪影像，将Landsat-8的前7个波段的影像(30m)与全色波段的高分辨率影像(15m)进行图像融合，使得影像分辨率最终为15m；
基于定标公式对影像进行辐射定标；
定标公式为：
Lλ＝MLQcal+AL
其中Qcal为像元灰度值；ML和AL分别为图像的增益和偏移；
卫星传感器最终测得的地物总辐射亮度并不是地表真实反射率的反映，其中包含大气吸收作用造成的辐射量误差。因此，有必要对影像进行大气校正处理，在不考虑像元的邻边效应和气体吸收的情况下，以表观反射率的形式表示的辐射传输方程如下式：
ρ×(λi)＝Lpath×Tgas×π/(Esum(λi)×cos(θS))+Tscatt.Tgasρ(λi)/(1-S×p(λi))
式中，ρ(λi)为中心波长为λi的下垫面反射率；
Lpath是大气的路径辐射；Tscatt.和Tgas分别为大气总的散射透过率和气体透过率；Esum(λi)为中心波长λi的太阳辐照度；θS为太阳天顶角；S是半球反照率；
(3)对预处理后的图像进行混合像元线性分解；
具体为，先对混合像元采用完全约束的最小二乘法进行线性分解，基于以下公式：
Figure BDA0002851678460000061
Figure BDA0002851678460000062
式中，Ri为i波段的反射率；ρj为第j个端元的反射率权重；Rij为端元j在i波段的反射率；εi为i波段的残差；
接着，计算均方根误差，即混合像元分解的精度，采用以下公式：
Figure BDA0002851678460000063
式中，x(i)为原始高光谱遥感影像中混合像元在第i波段的某地物的丰度值；y(i)为经过混合像元分解后该像元在第i个波段的同一地物的丰度；n为遥感影像中的像元数目之和；
(4)采集训练样本对混合像元分解后的影像进行监督分类；
采用最大似然分类法将影像分为建筑、耕地、林地/草地、以及水体四大类，采用以下规则：
p(wk)p(xi/wk)＞＞p(wi)p(wi/wl)，1≤i≤M，1≤K，l≤b
则x∈wi，其中M表示影像大小，b表示类别大小，n表示影像波段数；
Figure BDA0002851678460000064
式中：p(wk)是某一类wk在图像中的概率，在预先不知道p(wk)是多少的情况下，假设所有的p(wk)都相同，即p(wk)＝1/c，∑k为第k类的协方差矩阵，mk为均值向量；对于任意一个像元值xi，gk(xi)最大，就属于哪一类；经过混合像元分解后的影像减少了分类所需训练样本的数量，有效地提高了分类效率；
(5)对分类精度进行评价。
先计算该方法的总体分类精度和Kappa系数，再将两者与常规监督分类方法的总体分类精度和Kappa系数进行比较，得出评价结果，其中，总体分类精度＝正确分类的像元数/总像元数，Kappa系数的计算公式为：
Figure BDA0002851678460000071
式中，K为Kappa系数，r是误差矩阵行数，xii是i行i列上的值，xi+和x+i分别是第i行的和与第i列的和，N为样点总数；
本申请方法得到总体分类精度为98.6604％，而常规分类方法的总体精度为97.9428％；本申请方法的Kappa系数，结果为0.9808，而常规监督分类计算的Kappa系数为0.9666；说明在保证精度的前提下，结合混合像元分解的监督分类法减少了分类所需训练样本的选取，具体计算结果见表1：
表1混合像元分解结合监督分类精度评价
Figure BDA0002851678460000072

Claims (7)

1.一种结合多光谱混合像元线性分解的监督分类方法，其特征在于：该方法包括以下步骤：
(1)选定研究区域，获取影像数据；
(2)对影像数据进行图像预处理；
(3)对预处理后的图像进行混合像元线性分解；
(4)采集训练样本对混合像元分解后的影像进行监督分类；
(5)对分类精度进行评价。
2.根据权利要求1所述的结合多光谱混合像元线性分解的监督分类方法，其特征在于：步骤(1)中的影像数据来自卫星上的陆地成像仪，陆地成像仪包括30米空间分辨率的8个多光谱波段，15米空间分辨率的一个全色波段，以及热红外数据。
3.根据权利要求1所述的结合多光谱混合像元线性分解的监督分类方法，其特征在于：步骤(2)中对图像预处理的具体步骤为：
(2.1)裁剪影像，并将影像的多光谱波段的影像与全色波段的影像进行图像融合；
(2.2)基于定标公式对影像进行辐射定标；
定标公式为：
Lλ＝MLQcal+AL
其中Qcal为像元灰度值；ML和AL分别为图像的增益和偏移。
4.根据权利要求1所述的结合多光谱混合像元线性分解的监督分类方法，其特征在于：该方法中，还需要对影像进行大气校正处理，在不考虑像元的邻边效应和气体吸收的情况下，以表观反射率的形式表示的辐射传输方程为：
ρ×(λi)＝Lpath×Tgas×π/(Esum(λi)×cos(θS))+Tscatt.Tgasρ(λi)/(1-S×ρ(λi))
式中，ρ(λi)为中心波长为λi的下垫面反射率；
Lpath是大气的路径辐射；Tscatt.和Tgas分别为大气总的散射透过率和气体透过率；Esum(λi)为中心波长λi的太阳辐照度；θS为太阳天顶角；S是半球反照率。
5.根据权利要求1所述的结合多光谱混合像元线性分解的监督分类方法，其特征在于：在步骤(3)中，对混合像元采用完全约束的最小二乘法进行线性分解，基于以下公式：
Figure FDA0002851678450000021
Figure FDA0002851678450000022
式中，Ri为i波段的反射率；ρj为第j个端元的反射率权重；Rij为端元j在i波段的反射率；εi为i波段的残差；
接着，计算均方根误差，即混合像元分解的精度，采用以下公式：
Figure FDA0002851678450000023
式中，x(i)为原始高光谱遥感影像中混合像元在第i波段的某地物的丰度值；y(i)为经过混合像元分解后该像元在第i个波段的同一地物的丰度；n为遥感影像中的像元数目之和。
6.根据权利要求1所述的结合多光谱混合像元线性分解的监督分类方法，其特征在于：步骤(4)中，采用最大似然分类法将影像分为建筑、耕地、林地/草地、以及水体四大类，采用以下规则：
p(wk)p(xi/wk)＞＞p(wi)p(wi/wl)，1≤i≤M，1≤K，l≤b
则x∈wi，其中M表示影像大小，b表示类别大小，n表示影像波段数；
Figure FDA0002851678450000031
式中：p(wk)是某一类wk在图像中的概率，在预先不知道p(wk)是多少的情况下，假设所有的p(wk)都相同，即p(wk)＝1/c，∑k为第k类的协方差矩阵，mk为均值向量；对于任意一个像元值xi，gk(xi)最大，就属于哪一类。
7.根据权利要求1所述的结合多光谱混合像元线性分解的监督分类方法，其特征在于：步骤(5)中，先计算该方法的总体分类精度和Kappa系数，再将两者与常规监督分类方法的总体分类精度和Kappa系数进行比较，得出评价结果，其中，总体分类精度＝正确分类的像元数/总像元数，Kappa系数的计算公式为：
Figure FDA0002851678450000032
式中，K为Kappa系数，r是误差矩阵行数，xii是i行i列上的值，xi+和x+i分别是第i行的和与第i列的和，N为样点总数。
CN202011533993.0A 2020-12-22 2020-12-22 一种结合多光谱混合像元线性分解的监督分类方法 Pending CN112633374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011533993.0A CN112633374A (zh) 2020-12-22 2020-12-22 一种结合多光谱混合像元线性分解的监督分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011533993.0A CN112633374A (zh) 2020-12-22 2020-12-22 一种结合多光谱混合像元线性分解的监督分类方法

Publications (1)

Publication Number Publication Date
CN112633374A true CN112633374A (zh) 2021-04-09

Family

ID=75321259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011533993.0A Pending CN112633374A (zh) 2020-12-22 2020-12-22 一种结合多光谱混合像元线性分解的监督分类方法

Country Status (1)

Country Link
CN (1) CN112633374A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569823A (zh) * 2021-09-26 2021-10-29 中国石油大学(华东) 一种多指数决策的浒苔混合像元分解方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299237A (zh) * 2008-06-05 2008-11-05 北京航空航天大学 一种基于信息量维数序列的高光谱数据监督分类方法
CN103310230A (zh) * 2013-06-17 2013-09-18 西北工业大学 联合解混及自适应端元提取的高光谱图像分类方法
CN104008376A (zh) * 2014-06-05 2014-08-27 复旦大学 基于可能性中心点聚类的多光谱遥感影像混合像元分解方法
US20150071528A1 (en) * 2013-09-11 2015-03-12 Digitalglobe, Inc. Classification of land based on analysis of remotely-sensed earth images
CN105046648A (zh) * 2015-06-25 2015-11-11 北京师范大学 一种构建高时空遥感数据的方法
CN105279523A (zh) * 2015-10-22 2016-01-27 中国科学院遥感与数字地球研究所 一种结合混合象元分解与主动学习的半监督分类方法
CN105608433A (zh) * 2015-12-23 2016-05-25 北京化工大学 一种基于核协同表达的高光谱图像分类方法
CN107389036A (zh) * 2017-08-02 2017-11-24 珠江水利委员会珠江水利科学研究院 一种结合无人机影像的大空间尺度植被覆盖度计算方法
CN109389049A (zh) * 2018-09-19 2019-02-26 中国科学院东北地理与农业生态研究所 基于多时相sar数据与多光谱数据的作物遥感分类方法
CN110579186A (zh) * 2019-08-26 2019-12-17 中国农业大学 基于逆高斯过程反演叶面积指数的农作物长势监测方法
CN110631637A (zh) * 2019-10-11 2019-12-31 江苏海洋大学 一种数据采集设备以及数据处理方法
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299237A (zh) * 2008-06-05 2008-11-05 北京航空航天大学 一种基于信息量维数序列的高光谱数据监督分类方法
CN103310230A (zh) * 2013-06-17 2013-09-18 西北工业大学 联合解混及自适应端元提取的高光谱图像分类方法
US20150071528A1 (en) * 2013-09-11 2015-03-12 Digitalglobe, Inc. Classification of land based on analysis of remotely-sensed earth images
CN104008376A (zh) * 2014-06-05 2014-08-27 复旦大学 基于可能性中心点聚类的多光谱遥感影像混合像元分解方法
CN105046648A (zh) * 2015-06-25 2015-11-11 北京师范大学 一种构建高时空遥感数据的方法
CN105279523A (zh) * 2015-10-22 2016-01-27 中国科学院遥感与数字地球研究所 一种结合混合象元分解与主动学习的半监督分类方法
CN105608433A (zh) * 2015-12-23 2016-05-25 北京化工大学 一种基于核协同表达的高光谱图像分类方法
CN107389036A (zh) * 2017-08-02 2017-11-24 珠江水利委员会珠江水利科学研究院 一种结合无人机影像的大空间尺度植被覆盖度计算方法
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法
CN109389049A (zh) * 2018-09-19 2019-02-26 中国科学院东北地理与农业生态研究所 基于多时相sar数据与多光谱数据的作物遥感分类方法
CN110579186A (zh) * 2019-08-26 2019-12-17 中国农业大学 基于逆高斯过程反演叶面积指数的农作物长势监测方法
CN110631637A (zh) * 2019-10-11 2019-12-31 江苏海洋大学 一种数据采集设备以及数据处理方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
周林飞;姚雪;王鹤翔;张静;: "基于Landsat?8遥感影像的湿地覆被监督分类研究", 中国农村水利水电, no. 09 *
曹晓阳: ""戈壁表面砾石粒径高光谱遥感反演及其空间分异规律研究"", 《中国博士学位论文全文数据库 基础科学辑》, no. 2016, pages 2 *
武永利;王云峰;张建新;栾青;: "应用线性混合模型遥感监测冬小麦种植面积", 农业工程学报, no. 02 *
赵莲;张锦水;胡潭高;陈联裙;李乐;: "变端元混合像元分解冬小麦种植面积测量方法", 国土资源遥感, no. 01 *
陆广勇;杨勤科;张少伟;王海江;: "基于线性光谱混合模型分解MODIS多光谱影像的研究", 水土保持研究, no. 03 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569823A (zh) * 2021-09-26 2021-10-29 中国石油大学(华东) 一种多指数决策的浒苔混合像元分解方法

Similar Documents

Publication Publication Date Title
CN112051222A (zh) 一种基于高分卫星影像的河湖水质监测方法
CN108458978B (zh) 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
CN108132220B (zh) 林区机载推扫式高光谱影像的brdf归一化校正方法
CN110186822B (zh) 一种气溶胶光学厚度遥感反演方法
CN109300133B (zh) 一种城市河网区水体提取方法
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
CN111007039B (zh) 中低分辨率遥感图像亚像元级水体自动提取方法和系统
CN107688003B (zh) 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法
Zhang et al. A mixed radiometric normalization method for mosaicking of high-resolution satellite imagery
CN111144250A (zh) 融合雷达和光学遥感数据的土地覆盖分类方法
CN115372282B (zh) 一种基于无人机高光谱影像的农田土壤含水量监测方法
CN114005040A (zh) 一种基于di的森林扰动变化遥感监测方法及装置
Zhou et al. Remote sensing of regional-scale maize lodging using multitemporal GF-1 images
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN111798509A (zh) 一种基于半球图像法测量叶面积指数的方法
Yang et al. Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV
CN112633374A (zh) 一种结合多光谱混合像元线性分解的监督分类方法
Bhojaraja et al. Mapping agewise discrimination of arecanut crop water requirement using Hyperspectral Remote Sensing
CN102901563A (zh) 一种同时确定地表窄波段和宽波段比辐射率的方法及装置
CN112257531B (zh) 基于多样性特征联合的林地变化遥感监测方法
CN116935238B (zh) 基于深度学习的森林扰动监测方法、系统、设备及介质
CN116844049A (zh) 基于图像差值法的森林扰动监测方法、系统、设备及介质
Zheng et al. Quantitative Ulva prolifera bloom monitoring based on multi-source satellite ocean color remote sensing data.
CN113034519B (zh) 滨海滩涂湿地植被恢复建设区域确定方法和装置
CN115060202A (zh) 一种基于无人机机载多光谱仪的绿潮藻面积监测方法

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