CN112765556B - 一种基于密集时间遥感数据的新生红树林树龄评估方法 - Google Patents

一种基于密集时间遥感数据的新生红树林树龄评估方法 Download PDF

Info

Publication number
CN112765556B
CN112765556B CN202011610466.5A CN202011610466A CN112765556B CN 112765556 B CN112765556 B CN 112765556B CN 202011610466 A CN202011610466 A CN 202011610466A CN 112765556 B CN112765556 B CN 112765556B
Authority
CN
China
Prior art keywords
mangrove forest
data
age
new
born
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
CN202011610466.5A
Other languages
English (en)
Other versions
CN112765556A (zh
Inventor
胡洛佳
李纹宇
于志同
陈鹭真
张韵
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.)
China Academy of Space Technology CAST
Original Assignee
China Academy of Space Technology CAST
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 China Academy of Space Technology CAST filed Critical China Academy of Space Technology CAST
Priority to CN202011610466.5A priority Critical patent/CN112765556B/zh
Publication of CN112765556A publication Critical patent/CN112765556A/zh
Application granted granted Critical
Publication of CN112765556B publication Critical patent/CN112765556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Processing (AREA)

Abstract

一种基于密集时间遥感数据的新生红树林树龄评估方法，属于卫星遥感图像处理技术领域。本发明提供的基于密集时间遥感数据的新生红树林树龄评估方法，解决了现有基于密集时间序列遥感数据变化检测的树龄评估方法中，检测算法设定的森林光谱时间变化特征(例如符合正弦或余弦分布)不符合新生红树林光谱在潮汐影响下，发生高频、随机变化的规律，无法用于新生红树林树龄评估等技术问题，实现了快速、准确获取大范围新生红树林树龄结果的目标。该方法应用性强，不仅可用于红树林的监测和管理，而且还有助于揭示红树林碳收支过程，对红树林地区生物多样性进行评估。

Description

一种基于密集时间遥感数据的新生红树林树龄评估方法
技术领域
本发明涉及一种基于密集时间遥感数据的新生红树林树龄评估方法，属于卫星遥感图像处理技术领域。
背景技术
新生红树林(主要指树龄小于三十年的红树林)树龄的准确估算是定量评估红树林碳收支过程的关键。研究发现，新生红树林的光合作用和呼吸作用等生物化学过程随着树龄变化显著，而成熟红树林的该过程基本趋于稳定。此外，基于生物化学过程的红树林排放评估模型(MCAT-DNDC)的参数敏感性分析结果也表明，新生红树林树龄对碳排放评估结果影响较大。
传统的树龄确定主要采用实地调查与室内实验分析相结合的方法，该方法适用范围小，并且成本高。遥感技术的兴起和发展使得大范围的树龄估算成为可能。目前基于遥感数据的树龄估算方法可以划分为两种类型：一种是基于统计回归模型的树龄估算方法；另一种是基于变化检测的树龄估算方法。基于统计回归模型的树龄估算方法主要存在不适用于估算大范围的树龄及树龄估算结果误差非常大(10年以上)等问题。与基于统计回归模型的树龄估算方法相比，基于变化检测的树龄估算方法，尤其是基于密集时间序列遥感数据进行变化检测的树龄估算方法，不仅可以解决树龄估算范围小的问题，而且还可以将估算结果的不确定性减小到1-2年。但是，目前该方法在新生红树林树龄估算中的应用却非常有限，这主要是因为新生红树林光谱受潮汐影响，会发生高频、随机变化，不符合常用变化检测算法设定的森林光谱时间变化特征，如果将这些算法应用于新生红树林变化检测，得到的变化信息与实际相差较大。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种基于密集时间遥感数据的新生红树林树龄评估方法，充分考虑了红树林自身的光谱变化特征，具有准确估算新生红树林树龄的能力。
本发明的技术解决方案是：一种基于密集时间遥感数据的新生红树林树龄评估方法，包括如下步骤：
步骤1：获取关注时间范围的关注区域的所有美国陆地卫星地表反射率数据和2002年航天飞船雷达测绘获取的30米高程数据；
步骤2：对陆地卫星地表反射率数据进行预处理；
步骤3：基于预处理后的美国陆地卫星地表反射率数据,计算归一化植被指数、归一化水体指数和改进的归一化水体指数等光谱指数，生成NDVI密集时间序列数据；
步骤4：从遥感数据中提取原始光谱波段、光谱指数以及纹理指数的逐年分位数特征；
步骤5：采用分位数逐步回归模型，将NDVI密集时间序列数据分割为不同的片段，得到地物变化信息检测结果；
步骤6：根据光谱波段、光谱指数、纹理指数的逐年分位数特征及地形数据生成逐年分类概率结果图；
步骤7：根据地物变化信息检测结果及逐年分类概率结果图，对新生红树林树龄进行估算。
进一步地，所述对陆地卫星地表反射率数据进行预处理包括剪裁和剔除不可用像元。
进一步地，所述剔除不可用像元包括如下步骤：
(1)根据质量控制波段qa数据说明文件，找到置信度高于预设置信度阈值的云、阴影及数据质量低于预设范围的像元对应的数值；
(2)遍历研究区内qa波段所有像元，识别出来与所述数值对应的像元，作为不可用像元；
(3)将不可用像元的值设置为0。
进一步地，所述NDVI密集时间序列数据为将所有的NDVI数据按照时间顺序合成一个密集时间序列数据集文件。
进一步地，所述原始光谱波段、光谱指数以及纹理指数的逐年分位数特征为原始光谱波段、光谱指数以及纹理指数数据逐年10％、25％、50％、75％和90％的分位数特征
进一步地，所述提取原始光谱波段、光谱指数以及纹理指数的逐年分位数特征包括如下步骤：
(1)将原始波段和光谱指数数据按照年份分组；
(2)将每一个波段及光谱指数每年的数据叠加在一起形成单独的数据文件；
(3)将生成的数据文件中的每个像元进行升序排序，并提取其10％、25％、50％、75％和90％的分位数特征；
(4)计算各个原始波段和光谱指数的灰度共生矩阵，并用于计算纹理指数；所述纹理指数包括对比度、熵和相关性；
(5)将每个波段及光谱指数的每个纹理指数每年的数据分别叠加在一起形成新的数据文件；
(6)将新的数据文件中的每个像元进行升序排序，并提取其10％、25％、50％、75％和90％的分位数特征。
进一步地，所述步骤5具体包括如下步骤：
(1)采用分位数逐步回归模型，将每个像元的NDVI密集时间序列分成不同的片段；
(2)根据断点信息统计地物变化的时间点及变化次数。
进一步地，步骤6中逐年分类概率图的生成，具体步骤如下：
(1)选取每年的红树林和非红树林训练样本点；
(2)提取训练样本点的光谱波段、光谱指数、纹理指数逐年分位数及地形特征；
(3)将上述步骤得到的数据作为输入数据，采用随机森林机器学习方法，生成逐年分类概率结果图。
进一步地，步骤7中新生红树林树龄的估算，具体步骤如下：
(1)遍历每个像元的地物变化信息检测结果和逐年分类概率结果，假设像元在由变化检测得到的时间序列片段内地物类型没有发生变化，将每个时间片段内逐年的红树林分类概率进行加权平均，如果加权平均结果大于50％，则认为在该时间片段内像元的地物类型为红树林，否则为非红树林，最终得到红树林逐年分类图；
(2)根据上述红树林逐年分类结果图，找到发生变化，并且在最终年份地物类型为红树林的像元；
(3)将最后一次变化的时间点与最终年份做差值，得到新生红树林树龄；对于未发生变化，并且在开始和最终年份地物类型均为红树林的像元，树龄确认为是30年以上。
进一步地，所述关注时间范围的关注区域为1990年至今红树林所在研究区域。
本发明与现有技术相比的优点在于：
本发明提供的基于密集时间遥感数据的新生红树林树龄评估方法，解决了现有基于密集时间序列遥感数据变化检测的树龄评估方法中，检测算法设定的森林光谱时间变化特征(例如符合正弦或余弦分布)不符合新生红树林光谱在潮汐影响下，发生高频、随机变化的规律，无法用于新生红树林树龄评估等技术问题，实现了快速、准确获取大范围新生红树林树龄结果的目标。该方法应用性强，不仅可用于红树林的监测和管理，而且还有助于揭示红树林碳收支过程，对红树林地区生物多样性进行评估。
附图说明
图1是本发明中新生红树林树龄评估流程图。
图2是本发明中提取原始光谱波段、光谱指数以及纹理指数逐年分位数特征的流程图。
图3是本发明中基于地物变化信息和逐年分类概率图进行新生红树林树龄评估的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
以下结合说明书附图对本申请实施例所提供的一种基于密集时间遥感数据的新生红树林树龄评估方法做进一步详细的说明，具体实现方式可以包括(如图1～3所示)：
步骤1：获取1990年至今红树林所在研究区域的所有美国陆地卫星地表反射率数据和2002年航天飞船雷达测绘获取的30米高程数据；
步骤2：对美国陆地卫星地表反射率数据进行预处理(包括剪裁和剔除不可用像元)；
步骤3：基于预处理后的美国陆地卫星地表反射率数据,计算归一化植被指数(NDVI)、归一化水体指数(NDWI)和改进的归一化水体指数(MNDWI)等光谱指数，生成NDVI密集时间序列数据；
步骤4：提取原始光谱波段、光谱指数以及纹理指数的逐年分位数特征；
步骤5：采用分位数逐步回归模型，将NDVI密集时间序列数据分割为不同的片段，得到地物变化信息；
步骤6：采用随机森林机器学习方法，以光谱波段、光谱指数、纹理指数的逐年分位数特征及地形数据(包括高程、坡度和坡向)作为输入数据，生成逐年分类概率结果图；
步骤7：根据变化检测结果及逐年分类概率结果图，对新生红树林树龄进行估算；
步骤2中所述的剔除不可用像元，是采用美国陆地卫星地表反射率产品所提供的质量控制波段qa，将高置信度的云、阴影及数据质量较差的像元识别出来，并去除，具体步骤如下：
(1)根据质量控制波段qa数据说明文件，找到高置信度的云、阴影及数据质量较差的像元对应的数值；
(2)遍历研究区内qa波段所有像元，识别出来与上述数值对应的像元，即为不可用像元；
(3)将不可用像元的值设置为0；
步骤3中所述的NDVI密集时间序列数据，是指将所有的NDVI数据按照时间顺序合成一个密集时间序列数据集文件；
步骤4中所述的提取原始光谱波段、光谱指数以及纹理指数的逐年分位数特征，是指提取上述数据逐年10％、25％、50％、75％和90％的分位数特征，具体步骤如下：
(1)将原始波段和光谱指数数据按照年份分组；
(2)将每一个波段及光谱指数每年的数据叠加在一起形成单独的文件；
(3)将上述步骤生成的数据中的每个像元进行升序排序，并提取其10％、25％、50％、75％和90％的分位数特征；
(4)计算各个原始波段和光谱指数的灰度共生矩阵(GLCM)，并用于计算对比度(CON)、熵(ENT)和相关性(COR)三个纹理指数；
(5)将每个波段及光谱指数的每个纹理指数每年的数据分别叠加在一起形成新的文件；
(6)将上述步骤生成数据中的每个像元进行升序排序，并提取其10％、25％、50％、75％和90％的分位数特征；
步骤5中所述的地物变化信息检测方法，采用了逐步分位数回归模型，以NDVI密集时间序列作为输入数据，检测地物变化，具体步骤如下：
(1)采用分位数逐步回归模型，将每个像元的NDVI密集时间序列分成不同的片段；
(2)根据断点信息统计地物变化的时间点及变化次数；
步骤6中逐年分类概率图的生成，具体步骤如下：
(1)选取每年的红树林和非红树林训练样本点；
(2)提取训练样本点的光谱波段、光谱指数、纹理指数逐年分位数及地形特征；
(3)将上述步骤得到的数据作为输入数据，采用随机森林机器学习方法，生成逐年分类概率结果图；
步骤7中新生红树林树龄的估算，具体步骤如下：
(1)遍历每个像元的地物变化信息检测结果和逐年分类概率结果，假设像元在由变化检测得到的时间序列片段内地物类型没有发生变化，将每个时间片段内逐年的红树林分类概率进行加权平均，如果加权平均结果大于50％，则认为在该时间片段内像元的地物类型为红树林，否则为非红树林，最终得到红树林逐年分类图；
(2)根据上述红树林逐年分类结果图，找到发生变化，并且在最终年份地物类型为红树林的像元；
(3)将最后一次变化的时间点与最终年份做差值，得到新生红树林树龄；对于未发生变化，并且在开始和最终年份地物类型均为红树林的像元，树龄确认为是30年以上。
在本申请实施例所提供的方案中，具体包括以下步骤：
步骤1：获取1990年至今红树林所在研究区域的所有美国陆地卫星地表反射率数据和2002年航天飞船雷达测绘获取的30米高程数据，具体步骤如下：
(1)根据某地区红树林所在海岸带的海岸线矢量文件，在ArcGIS软件中生成一个10公里的缓冲区，作为研究区；
(2)将研究区范围矢量数据导入数据下载页面，获取覆盖某地区红树林的1990年至今所有美国陆地卫星地表反射率数据和2002年航天飞船雷达测绘获取的30米高程数据；
步骤2：对美国陆地卫星地表反射率数据进行预处理(包括剪裁和剔除不可用像元)，具体步骤如下：
(1)将研究区范围矢量数据、地表反射率数据导入ENVI软件中进行数据的剪裁；
(2)对于美国陆地卫星主题成像仪(TM)和增强型主题成像仪(ETM)的数据，遍历qa波段所有像元，找到qa值为1、72、136和224的像元位置；对于美国陆地卫星陆地成像仪数据(OLI)，遍历qa波段所有像元，找到qa值为1、328、392和480的像元位置；
(3)将上述识别出来的像元值设置为0；
步骤3：基于预处理后的美国陆地卫星地表反射率数据,计算归一化植被指数(NDVI)、归一化水体指数(NDWI)和改进的归一化水体指数(MNDWI)等光谱指数，生成NDVI密集时间序列数据，具体步骤如下；
(1)将预处理后的美国陆地卫星地表反射率数据导入ENVI中，计算NDVI、NDWI和MNDWI等光谱指数，计算公式如下：
Figure BDA0002872823540000081
Figure BDA0002872823540000082
Figure BDA0002872823540000083
其中，ρGreen、ρRed、ρNIR和ρSWIR1是绿(TM、ETM的2波段，或者是OLI的3波段)、红(TM、ETM的2波段，或者是OLI的3波段)、近红外(TM、ETM的4波段，或者是OLI的5波段)和短波红外1(TM、ETM的5波段，或者是OLI的6波段)波段的地表反射率。
(2)将所有的NDVI数据按照时间顺序合成一个密集时间序列数据文件，该文件是一个三维数组，每一维分别代表图像的行号、列号以及图像获取时间(格式为年月日)；
步骤4：提取原始光谱波段、光谱指数以及纹理指数的逐年分位数特征，具体步骤如下：
(1)将原始波段和光谱指数数据按照年份分组；
(2)将每一个波段及光谱指数每年的数据叠加在一起形成单独的文件；
(3)将上述步骤生成的数据中的每个像元进行升序排序，并提取其10％、25％、50％、75％和90％的分位数特征；
(4)计算各个原始波段和光谱指数用于表征两个像元同时出现概率的灰度共生矩阵(GLCM)，并用于计算对比度(CON)、熵(ENT)和相关性(COR)三个纹理指数，计算公式如下：
Figure BDA0002872823540000091
Figure BDA0002872823540000092
Figure BDA0002872823540000093
(5)将每个波段及光谱指数的每个纹理指数每年的数据分别叠加在一起形成新的文件；
(6)将上述步骤生成数据中的每个像元进行升序排序，并提取其10％、25％、50％、75％和90％的分位数特征；
步骤5中所述的地物变化信息检测方法，采用了逐步分位数回归模型，以NDVI密集时间序列作为输入数据，检测地物变化，具体步骤如下：
(1)将每一个像元的NDVI时间序列数据提取出来，存储为excel文件；
(2)采用R中的分位数逐步回归函数qss计算像元NDVI时间序列90％分位数逐步回归结果；
(3)根据逐步回归结果统计地物变化的时间点及变化次数；
步骤6中逐年分类概率图的生成，具体步骤如下：
(1)基于Google Earth高分辨率遥感影像和美国陆地卫星遥感影像，选取每年的红树林和非红树林训练样本点，其中，2010年以后的逐年样本点的类型主要通过GoogleEarth影像确定，2010年以前，由于缺乏Google Earth影像，我们主要通过美国陆地卫星遥感影像来确定各个年份样本点的地物类型，对于那些离海岸带较远、红树林不出现的区域，样本点统一解译为非红树林，而对于那些近海岸区域的样本点，如果其在某个年份的NDVI最大值大于0.1，则解译为非红树林，如果其在某个年份的NDVI值最大值大于0.4，并且其在2010年解译为红树林，则该点在其对应年份的地物类型解译为红树林，其他情况的近海岸区域样本点剔除掉，不进行解译；
(2)提取训练样本点的光谱波段、光谱指数、纹理指数逐年分位数及地形特征为excel文件；
(3)将上述步骤得到的excel数据作为训练数据，采用matlab中classRF_train函数得到随机森林训练模型，基于该训练模型，以图像特征数据为输入数据，采用classRF_predict函数，生成逐年分类概率结果图；
步骤7中新生红树林树龄的估算，具体步骤如下：
(1)遍历每个像元的地物变化信息检测结果和逐年分类概率结果，假设像元在由变化检测得到的时间序列片段内地物类型没有发生变化，将每个时间片段内逐年的红树林分类概率进行加权平均，如果加权平均结果大于50％，则认为在该时间片段内像元的地物类型为红树林，否则为非红树林，最终得到红树林逐年分类图；
(2)根据上述红树林逐年分类结果图，找到发生变化，并且在最终年份地物类型为红树林的像元；
(3)将最后一次变化的时间点与最终年份做差值，得到新生红树林树龄；对于未发生变化，并且在开始和最终年份地物类型均为红树林的像元，树龄确认为是30年以上。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (9)

1.一种基于密集时间遥感数据的新生红树林树龄评估方法，其特征在于，包括如下步骤：
步骤1：获取关注时间范围的关注区域的所有美国陆地卫星地表反射率数据和2002年航天飞船雷达测绘获取的30米高程数据；
步骤2：对陆地卫星地表反射率数据进行预处理；
步骤3：基于预处理后的美国陆地卫星地表反射率数据,计算归一化植被指数、归一化水体指数和改进的归一化水体指数，生成NDVI密集时间序列数据；
步骤4：从遥感数据中提取原始光谱波段、光谱指数以及纹理指数的逐年分位数特征；
步骤5：采用分位数逐步回归模型，将NDVI密集时间序列数据分割为不同的片段，得到地物变化信息检测结果；
步骤6：根据光谱波段、光谱指数、纹理指数的逐年分位数特征及地形数据生成逐年分类概率结果图；
步骤7：根据地物变化信息检测结果及逐年分类概率结果图，对新生红树林树龄进行估算；
所述提取原始光谱波段、光谱指数以及纹理指数的逐年分位数特征包括如下步骤：
(1)将原始波段和光谱指数数据按照年份分组；
(2)将每一个波段及光谱指数每年的数据叠加在一起形成单独的数据文件；
(3)将生成的数据文件中的每个像元进行升序排序，并提取其10％、25％、50％、75％和90％的分位数特征；
(4)计算各个原始波段和光谱指数的灰度共生矩阵，并用于计算纹理指数；所述纹理指数包括对比度、熵和相关性；
(5)将每个波段及光谱指数的每个纹理指数每年的数据分别叠加在一起形成新的数据文件；
(6)将新的数据文件中的每个像元进行升序排序，并提取其10％、25％、50％、75％和90％的分位数特征。
2.根据权利要求1所述的一种基于密集时间遥感数据的新生红树林树龄评估方法，其特征在于：所述对陆地卫星地表反射率数据进行预处理包括剪裁和剔除不可用像元。
3.根据权利要求2所述的一种基于密集时间遥感数据的新生红树林树龄评估方法，其特征在于，所述剔除不可用像元包括如下步骤：
(1)根据质量控制波段qa数据说明文件，找到置信度高于预设置信度阈值的云、阴影及数据质量低于预设范围的像元对应的数值；
(2)遍历研究区内质量控制波段qa波段所有像元，识别出来与所述数值对应的像元，作为不可用像元；
(3)将不可用像元的值设置为0。
4.根据权利要求1所述的一种基于密集时间遥感数据的新生红树林树龄评估方法，其特征在于：所述NDVI密集时间序列数据为将所有的NDVI数据按照时间顺序合成一个密集时间序列数据集文件。
5.根据权利要求1所述的一种基于密集时间遥感数据的新生红树林树龄评估方法，其特征在于：所述原始光谱波段、光谱指数以及纹理指数的逐年分位数特征为原始光谱波段、光谱指数以及纹理指数数据逐年10％、25％、50％、75％和90％的分位数特征。
6.根据权利要求1所述的一种基于密集时间遥感数据的新生红树林树龄评估方法，其特征在于，所述步骤5具体包括如下步骤：
(1)采用分位数逐步回归模型，将每个像元的NDVI密集时间序列分成不同的片段；
(2)根据断点信息统计地物变化的时间点及变化次数。
7.根据权利要求1所述的一种基于密集时间遥感数据的新生红树林树龄评估方法，其特征在于，步骤6中逐年分类概率结果图的生成，具体步骤如下：
(1)选取每年的红树林和非红树林训练样本点；
(2)提取训练样本点的光谱波段、光谱指数、纹理指数逐年分位数及地形特征；
(3)将(1)和(2)得到的数据作为输入数据，采用随机森林机器学习方法，生成逐年分类概率结果图。
8.根据权利要求1所述的一种基于密集时间遥感数据的新生红树林树龄评估方法，其特征在于，步骤7中新生红树林树龄的估算，具体步骤如下：
(1)遍历每个像元的地物变化信息检测结果和逐年分类概率结果，假设像元在由变化检测得到的时间序列片段内地物类型没有发生变化，将每个时间片段内逐年的红树林分类概率进行加权平均，如果加权平均结果大于50％，则认为在该时间片段内像元的地物类型为红树林，否则为非红树林，最终得到逐年分类概率结果图；
(2)根据上述逐年分类概率结果图，找到发生变化，并且在最终年份地物类型为红树林的像元；
(3)将最后一次变化的时间点与最终年份做差值，得到新生红树林树龄；对于未发生变化，并且在开始和最终年份地物类型均为红树林的像元，树龄确认为是30年以上。
9.根据权利要求1所述的一种基于密集时间遥感数据的新生红树林树龄评估方法，其特征在于：所述关注时间范围的关注区域为1990年至今红树林所在研究区域。
CN202011610466.5A 2020-12-30 2020-12-30 一种基于密集时间遥感数据的新生红树林树龄评估方法 Active CN112765556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011610466.5A CN112765556B (zh) 2020-12-30 2020-12-30 一种基于密集时间遥感数据的新生红树林树龄评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011610466.5A CN112765556B (zh) 2020-12-30 2020-12-30 一种基于密集时间遥感数据的新生红树林树龄评估方法

Publications (2)

Publication Number Publication Date
CN112765556A CN112765556A (zh) 2021-05-07
CN112765556B true CN112765556B (zh) 2022-05-24

Family

ID=75695940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011610466.5A Active CN112765556B (zh) 2020-12-30 2020-12-30 一种基于密集时间遥感数据的新生红树林树龄评估方法

Country Status (1)

Country Link
CN (1) CN112765556B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494844A (zh) * 2021-12-13 2022-05-13 中国气象科学研究院 高海拔区域植被类型识别方法、装置及电子设备
CN114581784B (zh) * 2022-05-07 2022-08-12 自然资源部第二海洋研究所 一种长时序逐年红树林遥感监测产品的构建方法
CN115063437B (zh) * 2022-06-16 2023-04-28 广西壮族自治区气象科学研究所 一种红树林冠层可见光图像指数特征分析方法及系统
CN116756572B (zh) * 2023-07-25 2023-12-26 中环宇恩(广东)生态科技有限公司 基于红树林生态系统分布数据集的构建方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570399A (zh) * 2019-08-16 2019-12-13 中国科学院地理科学与资源研究所 一种基于时间序列遥感数据的油棕树龄测算方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7149735B2 (en) * 2003-06-24 2006-12-12 Microsoft Corporation String predicate selectivity estimation
CN108022001B (zh) * 2017-09-20 2021-10-19 河海大学 基于pca和分位数回归森林的短期负荷概率密度预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570399A (zh) * 2019-08-16 2019-12-13 中国科学院地理科学与资源研究所 一种基于时间序列遥感数据的油棕树龄测算方法

Also Published As

Publication number Publication date
CN112765556A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112765556B (zh) 一种基于密集时间遥感数据的新生红树林树龄评估方法
Wang et al. Mapping global land cover in 2001 and 2010 with spatial-temporal consistency at 250 m resolution
Pan Cloud removal for remote sensing imagery via spatial attention generative adversarial network
Perez et al. Poverty prediction with public landsat 7 satellite imagery and machine learning
CN111784721B (zh) 基于深度学习的超声内窥图像智能分割与量化方法及系统
Lhermitte et al. Hierarchical image segmentation based on similarity of NDVI time series
CN111008664B (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN110765912B (zh) 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法
Lefebvre et al. Object-oriented approach and texture analysis for change detection in very high resolution images
CN107688776B (zh) 一种城市水体提取方法
Su et al. Analysis of wavelet packet and statistical textures for object-oriented classification of forest-agriculture ecotones using SPOT 5 imagery
CN115393728A (zh) 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法
Aleksandrowicz et al. Change detection using global and local multifractal description
Hao et al. A novel change detection approach for VHR remote sensing images by integrating multi-scale features
Hashim et al. Land use land cover analysis with pixel-based classification approach
CN109344837B (zh) 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法
CN115147726B (zh) 城市形态图的生成方法、装置、电子设备和可读存储介质
Cheng et al. Technical framework of feature extraction based on pixel-level SAR image time series
CN114545410A (zh) 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法
Wang et al. Evaluation of typhoon-induced inundation losses associated with LULC using multi-temporal SAR and optical images
Xu et al. A Multi-Rule-Based Relative Radiometric Normalization for Multi-Sensor Satellite Images
Ma et al. Integration of one-pair spatiotemporal fusion with moment decomposition for better stability
Zhu et al. Unsupervised spatial self-similarity difference-based change detection method for multi-source heterogeneous images
CN115205853B (zh) 一种基于图像的柑橘果实检测与识别方法及系统
CN116310881B (zh) 土壤有机质含量估算方法、装置、电子设备及存储介质

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