CN112800827A - 高光谱图像分类实验方法 - Google Patents
高光谱图像分类实验方法 Download PDFInfo
- Publication number
- CN112800827A CN112800827A CN202011486686.1A CN202011486686A CN112800827A CN 112800827 A CN112800827 A CN 112800827A CN 202011486686 A CN202011486686 A CN 202011486686A CN 112800827 A CN112800827 A CN 112800827A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- data
- sample
- hyperspectral
- 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
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
- G06V20/13—Satellite images
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高光谱图像分类实验方法,包括:多波段图象组合处理的图像增强处理方法,高光谱卫星相机成像系统成像时,每一片探测器单独成像并下传,地面部分做多探测器拼接处理;针对新数据情况,需确定其分类系统和样本制备策略,感兴趣区域通过点线面几何形式来绘制,作为监督或半监督图像分类的训练样本、验证样本或测试样本,或便于图像的掩膜、裁剪、局部统计操作;对分类实验及结果分析。以目前的高光谱卫星数据处理与分析为背景,实现智能信息提取与地表覆盖识别,为实现高精度、高动态、精细化的对地高光谱遥感监测积累工作经验。
Description
技术领域
本发明涉及一种星载民用成像光谱仪的图像分类技术,尤其涉及一种高光谱图像分 类实验方法。
背景技术
高光谱遥感数据的特点是光谱分辨率高、波段连续性强,能够获得地物在一定范围 内连续的、精细的光谱曲线,具有非常好的应用前景。目前,星载民用成像光谱仪的高光谱数据的空间分辨率为30米,可以用于大尺度地物的分类,而空间分辨率的不足,限 制了其在精细尺度分类方面的应用。
发明内容
本发明的目的是提供一种高光谱图像分类实验方法。
本发明的目的是通过以下技术方案实现的:
本发明的高光谱图像分类实验方法,包括:
步骤A、多波段图象组合处理的图像增强处理方法:
即通过同一地区或地物不同波段图象的不同组合叠加,达到突出图像上不同目标的 处理方法,这样既综合了各个波段的不同特性,又扩展了图像的动态范围,使图像上不同类型、形态的地物获得良好的显示效果;
步骤B、高光谱卫星相机成像系统由3片探测器物理拼接构成,成像时,每一片探测器单独成像并下传,地面部分做多探测器拼接处理;
步骤C、分类体系设计及样本制备:
针对新数据情况,需确定其分类系统和样本制备策略,感兴趣区域通过点线面几何 形式来绘制,作为监督或半监督图像分类的训练样本、验证样本或测试样本,或便于图像的掩膜、裁剪、局部统计操作;
步骤D、分类实验及结果分析:
监督分类是遥感图像分类的一种,即用被确认类别的样本像元去识别其他未知类别 像元的过程;
已被确认类别的样本像元是指那些位于训练区的像元;
在这种分类中,分析者在图像上对每一种类别选取一定数量的训练区,计算机计算 每种训练样区的统计或其他信息,每个像元和训练样本作比较,按照不同规则将其划分到和其最相似的样本类;
监督分类能分两个基本步骤:
选择训练样本和提取统计信息,以及选择分类算法。
由上述本发明提供的技术方案可以看出,本发明实施例提供的高光谱图像分类实验 方法,以目前的高光谱卫星数据处理与分析为背景,实现智能信息提取与地表覆盖识别,为实现高精度、高动态、精细化的对地高光谱遥感监测积累工作经验。
附图说明
图1为本发明实施例中高光谱卫星数据处理流程示意图;
图2为本发明实施例中高光谱卫星命名代号示意图;
图3为本发明实施例中实验区域示意图。
具体实施方式
下面将对本发明实施例作进一步地详细描述。本发明实施例中未作详细描述的内容 属于本领域专业技术人员公知的现有技术。
本发明的高光谱图像分类实验方法,其较佳的具体实施方式是:
包括:
步骤A、多波段图象组合处理的图像增强处理方法:
即通过同一地区或地物不同波段图象的不同组合叠加,达到突出图像上不同目标的 处理方法,这样既综合了各个波段的不同特性,又扩展了图像的动态范围,使图像上不同类型、形态的地物获得良好的显示效果;
步骤B、高光谱卫星相机成像系统由3片探测器物理拼接构成,成像时,每一片探测器单独成像并下传,地面部分做多探测器拼接处理;
步骤C、分类体系设计及样本制备:
针对新数据情况,需确定其分类系统和样本制备策略,感兴趣区域通过点线面几何 形式来绘制,作为监督或半监督图像分类的训练样本、验证样本或测试样本,或便于图像的掩膜、裁剪、局部统计操作;
步骤D、分类实验及结果分析:
监督分类是遥感图像分类的一种,即用被确认类别的样本像元去识别其他未知类别 像元的过程;
已被确认类别的样本像元是指那些位于训练区的像元;
在这种分类中,分析者在图像上对每一种类别选取一定数量的训练区,计算机计算 每种训练样区的统计或其他信息,每个像元和训练样本作比较,按照不同规则将其划分到和其最相似的样本类;
监督分类能分两个基本步骤:
选择训练样本和提取统计信息,以及选择分类算法。
所述步骤A中,波段能组合很多RGB方案用于不同地物的解译,典型波段的特征包括:
蓝色波段B,该波段位于水体衰减系数最小的部位,对水体的穿透力最大,用于判别水深,研究浅海水下地形、水体浑浊度,进行水系及浅海水域制图;
绿色波段G,该波段位于绿色植物的反射峰附近,对健康茂盛植物反射敏感,能识别植物类别和评价植物生产力,对水体具有一定的穿透力,能反映水下地形、沙洲、沿 岸沙坝特征;
红色波段R,该波段位于叶绿素的主要吸收带,能用于区分植物类型、覆盖度、判断植物生长状况,此外该波段对裸露地表、植被、岩性、地层、构造、地貌、水文特征 均能提供丰富的植物信息;
近红外波段(NIR),该波段位于植物的高反射区,反映了大量的植物信息,多用于植物的识别、分类,同时它也位于水体的强吸收区,用于勾绘水体边界,识别与水有关 的地质构造、地貌;
短波红外波段(SW1),该波段位于两个水体吸收带之间,对植物和土壤水分含量敏感,从而提高了区分作物的能力,此外,在该波段上雪比云的反射率低,两者易于区 分,信息量大,应用率较高;
热红外波段(IR),该波段对地物热量辐射敏感,根据辐射热差异能用于作物与森林区分、水体、岩石地表特征识别;
短波红外波段(SW2),波长比大,是专为地质调查追加的波段,该波段对岩石、 特定矿物反应敏感,用于区分主要岩石类型、岩石水热蚀变,探测与交代岩石有关的粘 土矿物;
全色波段(Pan),覆盖的光谱范围较广,空间分辨率较其他波段高,因而多用于获取地面的几何特征。
所述步骤B包括:
B1高光谱卫星的主要处理流程包括步骤:
解密、解压、解码处理:主要是针对地面解调器解调的原始码流数据,根据约定好的数据格式,将辅助数据和影像数据解析出来,生成0级数据,辅助数据主要包含星上 测量的姿态、轨道、时间数据,用于后续的几何处理;
辐射处理:主要是用来校正影像灰度响应的不正确,使其尽能能贴近真实灰度值,由于辐射处理会在一定程度上破坏高光谱数据的光谱信息,影响后续的识别及分析应用,因此高光谱辐射处理一般只进行高精度的系统性校正,即根据高精度的辐射定标参数处理;
几何处理:主要是用来校正影像灰度位置的不正确,包括相机畸变、高频抖动、器件安装误差、外方位元素变化、轨道和姿态误差,并利用辅助数据建立定位模型,在高 光谱数据几何处理中,主要包括相机畸变和平台抖动的单探测器的几何校正、多探测器 间拼接、全谱段配准、定位模型构建;
配准、重采样处理:主要目的是实现32波段同名点一一对应,保证32波段成像地理范围一致,包括匹配和裁剪;
B2、高光谱卫星影像使用的辐射定标公式为:
Le=gain×DN/TDIStage+offset.........................(1)
式中,Le为表观辐亮度;gain为绝对辐射定标增益系数;offset为绝对辐射 定标偏移系数;TDIStage为积分级数,在高光谱数据文件夹的元数据文件 XXX_meta.xml查询字段TDIStages字段信息获取;
B3、高光谱卫星数据产品分级如下:
L0级产品:卫星向地面站传输原始码流数据,对原始码流进行解调、解扰、解压操作后,生成L0级产品数据。一般不对用户发布;
L1A级产品:对L0级产品进行几何校正和相对辐射校正,并提供RPC文件、空间 范围文件和元数据文件;
L1B级标准产品:L1A级产品经过全谱段配准,提供RPC文件、空间范围文件和元 数据文件;
L2级系统几何校正产品:在L0-L1级数据基础上,按照一定的地球投影,以一定地面分辨率投影在地球椭球面上的几何产品,故影像带有了相应的投影信息,该产品附带RPC模型参数文件;
L3级几何精校正产品:在L0-L2级数据基础上,采用地面控制点或者标准参考影像来改进影像的几何定位精度;消除了部分轨道和姿态参数误差,将产品投影到地球椭球 面上的几何产品;
L4级高程(正射)校正产品:在L0-L1级数据基础上,利用精细的DEM和控制点 进行正射纠正,由于在正射纠正时,改正了由于地形起伏而造成的像点位移,因此不再 提供RPC参数文件,但影像带有地理编码;
L5级增值专题应用产品:在L0-L4级数据基础上,经融合和参量反演专业数据或信息集成处理得到的专业应用数据产品。
所述步骤C包括:
通过参考全球地表覆盖所采用的分类系统,当对整景影像进行分类实验或者特定实 验区域进行分类实验时,地表覆盖类型并不能完全包含全球地表覆盖分类系统的所有标 签类型,包括冰雪或冻土类型,对于分散选定的不同研究区域,其地表覆盖类型通常存在一定差异,全球地表覆盖系统采用一级分类系统,抽象表达层次较高;
监督分类器通常使用选定的已知类别的样本,建立统计回归模型,来识别或预测其 他未知类别像元,分类样本多是已被分配类别标签的样本像元,若干样本像元构成训练区域,其像元类别属性依赖专家经验,通过预先对研究区域遥感图像的实地调绘、目视 解译方法确定;
分类样本用于训练新分类器去分类一个未标记数据集,也即场景内未被标注的像素。 训练样本所在像素区域也称训练区域,是解译或分析者在遥感图像上确定出来的各种地 物类型的典型空间分布区域。训练样本的选择与评价直接关系分类的精度,是决定监督分类性能的关键,亦有相关研究致力于定量化样本质量与分类精度的响应关系;
训练样本勾绘完成之后,能结合ROI几何多边形实体进行兴趣区域的基本信息统计。 通常的操作步骤包括选择ROI工具箱计算ROI统计的选项,然后选择需要统计的ROI,从而完成ROI信息统计。
本发明的高光谱图像分类实验方法,以目前的高光谱卫星数据处理与分析为背景, 实现智能信息提取与地表覆盖识别,为实现高精度、高动态、精细化的对地高光谱遥感监测积累工作经验。
具体实施例:
1、卫星星座:
“某卫一号”遥感微纳卫星星座(以下简称“某卫一号”星座)设计将由34颗遥感 微纳卫星组成,包括2颗OVS-1视频卫星、10颗OVS-2/3/4视频卫星、2颗OUS高分 光学卫星、10颗OHS高光谱卫星、2颗SAR卫星以及8颗OIS红外卫星。卫星组网组 成星座,可以缩短重访周期,提高动态观测效率,实现地表环境监测的快速响应,为自 然资源、生态环境、农业农村等行业应用提供服务。
2、技术指标:
“某卫一号”高光谱卫星(OHS)均采用推扫成像方式,单次成像范围: 150km×400(km/分钟),空间分辨率10m,光谱分辨率2.5nm(与积分级数/镀膜变化 率相关),波长范围400-1000nm,由于受压缩和存储限制波段数设计传输32个(注:可 以上注指令,重新选择其他波谱段进行下传),重量为71kg。单颗高光谱卫星每天可绕 地球约15-16轨,每轨单次最长数据采集时间约8分钟。目前,单颗高光谱卫星重访周期 为6天,8颗颗高光谱卫星综合重访周期缩约为1天。
“某卫一号”高光谱卫星所搭载载荷采用CMOS探测器,在其表面安装渐变式光谱滤光片以完成光谱分光功能。焦平面采用三片CMOS进行品字形拼接。推扫成像时,通 过沿轨方向上的光谱渐变来实现不同的光谱数据获取。卫星主要性能指标见表1.
表1“某卫一号”高光谱卫星技术指标
“某卫一号”卫星星座空间段的同时,卫星地面站的建设也在稳步推进。
2、波段应用:
多波段图象组合处理是一种图像增强处理方法;即通过同一地区(或地物)不同波段图象的不同组合叠加,达到突出图像上不同目标的处理方法,这样即综合了各个波段 的不同特性,又扩展了图像的动态范围,使图像上不同类型、形态的地物获得良好的显 示效果。波段可以组合很多RGB方案用于不同地物的解译,表2是长期工作中总结的 Landsat TM(ETM+)不同波段合成对地物增强的效果。
表2某卫一号高光谱波段代表性应用
典型波段的特征:
蓝色波段(B),该波段位于水体衰减系数最小的部位,对水体的穿透力最大,用于判别水深,研究浅海水下地形、水体浑浊度等,进行水系及浅海水域制图;绿色波段 (G),该波段位于绿色植物的反射峰附近,对健康茂盛植物反射敏感,可以识别植物类 别和评价植物生产力,对水体具有一定的穿透力,可反映水下地形、沙洲、沿岸沙坝等 特征;红色波段(R),该波段位于叶绿素的主要吸收带,可用于区分植物类型、覆盖 度、判断植物生长状况等,此外该波段对裸露地表、植被、岩性、地层、构造、地貌、 水文等特征均可提供丰富的植物信息;近红外波段(NIR),该波段位于植物的高反射 区,反映了大量的植物信息,多用于植物的识别、分类,同时它也位于水体的强吸收 区,用于勾绘水体边界,识别与水有关的地质构造、地貌等;短波红外波段(SW1), 该波段位于两个水体吸收带之间,对植物和土壤水分含量敏感,从而提高了区分作物的 能力,此外,在该波段上雪比云的反射率低,两者易于区分,信息量大,应用率较高; 热红外波段(IR),该波段对地物热量辐射敏感,根据辐射热差异可用于作物与森林区 分、水体、岩石等地表特征识别;短波红外波段(SW2),波长比大,是专为地质调查 追加的波段,该波段对岩石、特定矿物反应敏感,用于区分主要岩石类型、岩石水热蚀 变,探测与交代岩石有关的粘土矿物等;全色波段(Pan),覆盖的光谱范围较广,空间 分辨率较其他波段高,因而多用于获取地面的几何特征。
3、实验数据:
1)标准产品
“某卫一号”星座采集高光谱数据的能力,增加卫星数据的多样性,开启定量遥感新时代。以L1B级标准产品生产为例,标准景辐射校正产品处理流程如下:高光谱卫星 相机成像系统由3片探测器物理拼接构成,成像时,每一片探测器单独成像并下传,需 地面部分做多探测器拼接处理。
高光谱卫星的主要处理步骤及流程如图1所示,包括:
解密、解压、解码处理:主要是针对地面解调器解调的原始码流数据,根据约定好的数据格式,将辅助数据和影像数据解析出来,生成0级数据。辅助数据主要包含星上 测量的姿态、轨道、时间等数据,用于后续的几何处理。
辐射处理:主要是用来校正影像灰度响应的不正确,使其尽可能贴近真实灰度值。由于辐射处理会在一定程度上破坏高光谱数据的光谱信息,影响后续的识别及分析应 用。因此高光谱辐射处理一般只进行高精度的系统性校正,即根据高精度的辐射定标参 数处理。
几何处理:主要是用来校正影像灰度位置的不正确,包括相机畸变、高频抖动、器件安装误差、外方位元素变化、轨道和姿态误差等,并利用辅助数据建立定位模型(严 密模型和RPC模型)。在高光谱数据几何处理中,主要包括相机畸变和平台抖动的单探 测器的几何校正、多探测器间拼接、全谱段配准、定位模型构建。
配准、重采样处理:主要目的是实现32波段同名点一一对应,保证32波段成像地理范围一致,包括匹配和裁剪。
2)辐射定标
“某卫一号”高光谱卫星影像使用的辐射定标公式为:
Le=gain×DN/TDIStage+offset (1)
式中,Le为表观辐亮度;gain为绝对辐射定标增益系数;offset为绝对辐射定 标偏移系数;TDIStage为积分级数,在高光谱数据文件夹的元数据文件 (XXX_meta.xml)查询字段TDIStages字段信息获取。
3)产品分级
“某卫一号”高光谱遥感卫星数据产品分级如下:
L0级产品:卫星向地面站传输原始码流数据,对原始码流进行解调、解扰、解压操作后,生成L0级产品数据。一般不对用户发布;
L1A级产品:对L0级产品进行几何校正和相对辐射校正,并提供RPC文件、空间 范围文件和元数据文件等;
L1 B级标准产品:L1A级产品经过全谱段配准,提供RPC文件、空间范围文件和元数据文件等;
L2级系统几何校正产品:在L0-L1级数据基础上,按照一定的地球投影,以一定地面分辨率投影在地球椭球面上的几何产品,故影像带有了相应的投影信息。该产品附带RPC模型参数文件。
L3级几何精校正产品:在L0-L2级数据基础上,采用地面控制点或者标准参考影像来改进影像的几何定位精度;消除了部分轨道和姿态参数误差,将产品投影到地球椭球 面上的几何产品。
L4级高程(正射)校正产品:在L0-L1级数据基础上,利用精细的DEM和控制点 进行正射纠正,由于在正射纠正时,改正了由于地形起伏而造成的像点位移,因此不再 提供RPC参数文件,但影像带有地理编码。
L5级增值专题应用产品:在L0-L4级数据基础上,经融合和参量反演等专业数据或信息集成处理得到的专业应用数据产品。
表3产品规格
4)数据情况
“某卫一号”高光谱卫星数据产品命名:Satellite+ID+Receiving Station_Receiving time_scene_level_Band_sensor。其中:Satellite:“某卫一号”星座中 遥感卫星种类代号,高光谱卫星代号为H;ID:卫星编号,高光谱卫星编号A、B、C、 D、E、F、G、H,其中A-D四颗卫星为第二组发射,E-H四颗卫星为第三组发射。卫星编 号及对应的卫星命名如下表4所示:
表4“某卫一号”高光谱卫星编号与命名规则
Receiving Station:地面接收站编号,珠海1号地面接受站Z1,珠海2号地面接受站Z2,黑龙江漠河1号地面接受站M1,漠河2号地面接受站M2,新疆乌苏1号地面接 受站W1,乌苏2号地面接受站W2,山东高密地面接受站G1。
Receiving time:地面接收影像时间。
Scene:高光谱卫星推扫方式成像,整轨下传后生产以50*50km切割为一景,按切割顺序累计影像景数。
Level:影像产品处理级别,目前提供用户高光谱产品为L1B级产品。
Band:高光谱影像波谱段数32个,分别命名为B01、B02、...、B32。
Sensor:每颗高光谱卫星上有三片CMOS组成,分别命名为CMOS1、CMOS2、 CMOS3。
举例说明如下,如图2所示:
HFM1_20200309224880_0006_L1B_B08_CMOS2,表示:高光谱F星,漠河站于 2020年03月09日22时48分80秒(部分数据秒的位置是80标示,是地面站接收能力 限制导致多次下传后的拼接单轨数据)接收第0006景第08波段CMOS2传感器成像的 L1B级数据。
表5高光谱卫星L1B级数据产品文件构成
5)实验区域
如图3所示,项目高光谱数据实验区域位于美国境内,其中0005景位于西海岸华盛顿周边,0009景位于科罗拉多州与其他州的交界区域。原始图像场景中,选择四片典型 区域作为研究区域,并进行相应编号,以制作适合单机作业的高光谱图像分类实验数据 集。
实验区域的确定、研究区域的划分和选择主要考虑到避开有云覆盖、大面积水域区 域,有利于高光谱数据的分析和后续高光谱图像分类实验的实施。
4、分类体系设计及样本制备:
项目实验处于第一阶段,主要是结合现有软件进行实验方案的可行性探索。因此,针对新数据情况,需确定其分类系统和样本制备策略。通常讲,感兴趣区域(ROI, Regionof Interest)可以通过点线面等几何形式来绘制,作为监督或半监督图像分类的训 练样本、验证样本或测试样本,或便于图像的掩膜、裁剪、局部统计操作。常见的操作 步骤为打开遥感软件的ROI工具箱,单击软件界面上ROI工具箱中的几何工具,选择相 应的绘制形状,直接在图像中绘制感兴趣区。
1)分类体系设计
全球土地覆盖(GLC,Global Land Cover)数据是理解人类活动与全球变化之间复杂相互作用的关键信息来源。土地覆盖和土地利用分类标准体系的构建,对于全球和区 域地表覆盖标准化解译,实现土地过程建模具有重要作用。
FROM-GLC(全球土地覆盖精细分辨率观测和监测)数据集是使用Landsat专题制图器(TM)和增强专题制图器+(ETM+)数据制作的第一批30m分辨率的全球土地覆盖图。 FROM-GLC的长期目标是开发一种多阶段绘制全球土地覆被图的方法,使其结果能更好 地满足土地过程建模的需要,并能方便地交叉遍历现有的全球土地覆被分类方案。 FROM-GLC2017是10m空间分辨率的全球地表覆盖数据集,采用5°×5°的数据分片。 FROM-GLC10数据集是FROM-GLC2017的改进版,采用2°×2°的数据分片。
表6分类系统(FROM-GLC2017)
FROM-GLC数据集开发和研究组公开发布了两种面向10m空间分辨率的高分辨率全球地表覆盖制图所采用的分类系统(如表6-7所示),也是项目结合全球地表覆盖数据 制作国产高光谱卫星遥感图像分类数据集的参考分类系统。
表7分类系统(FROM-GLC-Hierarchy)
FROM-GLC研究组提供了两种分类系统的共同的粗粒度标签所对应的色彩空间(如表8所示),便于全球地表覆盖制图和高光谱图像分类制图结果的可视化色彩设计,通 常需要保持一致和统一,便于视觉定性评估。
表8色彩图例
通过参考全球地表覆盖所采用的分类系统,当对整景影像进行分类实验或者特定实 验区域进行分类实验时,地表覆盖类型并不能完全包含全球地表覆盖分类系统的所有标 签类型,比如冰雪(Snow/Ice)或冻土(Tundra)类型。尤其是,对于分散选定的不同 研究区域,其地表覆盖类型通常存在一定差异。
项目实验发现全球地表覆盖系统多采用一级分类系统,抽象表达层次较高。因此在 特定区域无法充分表达兴趣区域的精细地表覆盖类型,并且不同地物类型的覆盖占比也 存在很大差异,比如OTB5A数据集森林(Forest)为主要覆盖,而OTB9C数据集则耕 地(Cropland)为主要覆盖,并且选取的地表覆盖样本类型存在明显的类别不均衡性。
2)样本勾选
监督分类器通常使用选定的已知类别的样本,建立统计回归模型,来识别或预测其 他未知类别像元。分类样本多是已被分配类别标签的样本像元,若干样本像元构成训练区域,其像元类别属性依赖专家经验,通过预先对研究区域遥感图像的实地调绘、目视 解译等方法确定。
分类样本用于训练新分类器去分类一个未标记数据集,也即场景内未被标注的像素。 训练样本所在像素区域也称训练区域,是解译或分析者在遥感图像上确定出来的各种地 物类型的典型空间分布区域。训练样本的选择与评价直接关系分类的精度,是决定监督分类性能的关键,亦有相关研究致力于定量化样本质量与分类精度的响应关系。
训练样本勾绘完成之后,可以结合ROI几何多边形实体进行兴趣区域的基本信息统 计。通常的操作步骤包括选择ROI工具箱计算ROI统计的选项,然后选择需要统计的ROI,从而完成ROI信息统计。
3)制备的样本
监督分类需要选择合适的训练样本,其质量的好坏直接影响分类精度。因此很多遥 感软件都提供样本质量评价的工具,特别是计算分类样本可分离性。常见的样本类别可分离性度量指标为Jeffries-Matusita距离和Transformed Divergence转化离散度距离两种,用来评价不同地物类型ROI之间的分离性,多用于图像分类采用的训练样本质量评 价。通常操作的步骤为选择ROI工具箱计算样本可分离性选项,然后选择需要统计的 ROI多边形以完成样本类别可分离性统计。
项目初期制作的两个数据集OTB5A和OTB9C,其样本分离性体现了人工样本制作存在的普遍问题,也即目视解译对于色彩的认知和地表覆盖类型多样性存在的困难,不 利于精确的地表覆盖识别。通常地,类似地物类型的识别需结合实地调绘进行核实标记, 但是对于存档遥感数据而言,时相上的差异使得实地核查基本不可行,如何依赖已有基 础数据或产品,将监督的样本信息通过样本自适应、样本迁移实现监督信息的传播或弱 监督学习,值得进一步进行研究和探索。
5、分类实验及结果分析
1)基线分类结果
监督分类是遥感图像分类的一种,即用被确认类别的样本像元去识别其他未知类别 像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中,分析者在图像上对每一种类别选取一定数量的训练区,计算机计算每种训练样区的统计或其他信息,每个像元和训练样本作比较,按照不同规则将其划分到和其最相似的样本类。监督分类可分两个基本步骤:选择训练样本和提取统计信息,以及选择分类算法。
随机森林(Random Forest,RF)作为新兴起的、高度灵活的一种机器学习算法, 拥有广泛的应用前景。随机森林就是通过集成学习的思想将多棵树集成的一种算法,它 的基本单元是决策树,而它的本质属于机器学习的一大分支—集成学习(Ensemble Learning)方法。从直观角度来解释,每棵决策树都是一个分类器,那么对于一个输入样 本,N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果,将投票次数最 多的类别指定为最终的输出。
随机森林是一种很灵活实用的方法,具有如下几个特点:①在当前所有算法中,具有极好的准确率;②能够有效地运行在大数据集上;③能够处理具有高维特征的输入样本,而且不需要降维;④能够评估各个特征在分类问题上的重要性;⑤在生成过程中, 能够获取到内部生成误差的一种无偏估计;⑥对于缺省值问题也能够获得很好得结果实 际上。在估计推断映射方面特别好用,不需要像SVM那样做很多参数的调试。
2)弱监督分类实验
传统的监督学习中,学习器通过对大量有标记的(labeled)训练例进行学习,从而建立统计模型用于预测未见示例的标记。随着数据量指数增长,收集大量未标记的(unlabeled)示例已相当容易,而获取大量有标记的示例则相对较为困难,因为获得这 些标记可能需要耗费大量的人力物力。通过利用大量的未标记示例来辅助对少量有标记 示例的学习,以更好的利用这些不完整的训练样本即弱标记训练样本变得尤为重要。
直推学习与半监督学习的相似之处是它也是由学习器自行利用未标记示例,但不同 的是,直推学习假定未标记示例就是测试例,即学习的目的就是在这些未标记示例上取得最佳泛化能力。换句话说,半监督学习考虑的是一个“开放世界”,即在进行学习时 并不知道要预测的示例是什么,而直推学习考虑的则是一个“封闭世界”,在学习时已 经知道了需要预测哪些示例。实际上,直推学习这一思路直接来源于统计学习理论。其 出发点是不要通过解一个困难的问题来解决一个相对简单的问题。Vapnik认为,经典的 归纳学习假设期望学得一个在整个示例分布上具有低错误率的决策函数,这实际上把问 题复杂化了,因为在很多情况下,人们并不关心决策函数在整个示例分布上性能怎么样, 而只是期望在给定的要预测的示例上达到最好的性能。后者比前者简单,因此,在学习 过程中可以显式地考虑测试例从而更容易地达到目的。这一思想在机器学习界目前仍有 争议,但直推学习作为一种重要的利用未标记示例的技术,则已经受到了众多学者的关 注。
主动学习和前面两类技术不同,它假设学习器对环境有一定的控制能力,可以“主动地”向学习器之外的某个“神谕”(Oracle)进行查询来获得训练例的标记。因此,在主 动学习中,学习器自行挑选出一些未标记示例并通过神谕查询获得这些示例的标记,然 后再将这些有标记示例作为训练例来进行常规的监督学习,而其技术难点则在于如何使 用尽可能少的查询来获得强泛化能力。
对比半监督学习、直推学习和主动学习可以看出,后者在利用未标记示例的过程中 需要与外界进行交互,而前两者则完全依靠学习器自身,正因为此,也有一些研究者将直推学习作为一种半监督学习技术来进行研究。
6、存在问题:
1)全球地表覆盖
地表覆盖及变化是环境变化研究、地球系统模式模拟、地理国(世)情监测和可持续发展规划等方面不可或缺的重要科学数据和关键参量。清华大学地球系统科学系宫鹏教授研究组与国内外多家单位合作以《有限全球样本稳定地表覆盖分类:迁移2015年的 30米分辨率样本完成2017年的10米分辨率全球地表覆盖制图》(Stable classificationwith limited sample:transferring a 30-m resolution sample set collected in2015 to mapping 10-m resolution global land cover in 2017)为题撰文介绍了世界首幅10米分 辨率全球地表覆盖制图方法与结果。
该产品基于2017年在《科学通报》发表的全球首套多季节样本库,涵盖从2014年和2015年Landsat 8影像、由专家解译得到的均匀覆盖全球的多季节样本。其中,训练 集包含大约340,000个不同大小的样本(从30m×30m到500m×500m),覆盖全球约 93,000个样本点位;验证集包含大约140,000个不同季节的样本,覆盖超过38,000个样 本点位。将该样本库应用于2017年获取的Sentinel-2影像,并基于随机森林分类器得到 全球10米地表覆盖图。
该2017年10米分辨率的FROM-GLC10产品进行了精度检验,并将其与2017年 30米分辨率的FROM-GLC30产品进行了比较。检验和比较结果显示,FROM-GLC10总 体精度为72.76%,与FROM-GLC30精度相当,但FROM-GLC10的结果提供了更多的 空间细节。
2)样本自适应
域适应(Domain Adaptation)是迁移学习中比较流行的一个分支,也是我最近阅读 的重点方向。通俗的讲,域适应是通过利用训练数据集训练得到的知识,提高模型在测试数据集上的表现性能。域适应中有两个基础概念:源域(Source Domain)和目标域(Target Domain)。源域中有着丰富的监督学习信息;目标域表示测试集所在的领域, 通常无标签或者只含有少量的标签。源域和目标域往往是同一类任务,但是分布不同。
通过在不同阶段进行域适应,研究者提出了几种不同的域适应方法:(1)样本自适应:将源域中样本重采样,使其分布趋近于目标域分布;(2)特征层面自适应:与一般 的将源域映射到目标域方法不同,该类方法将源域和目标域投影到公共特征子空间,进 而使得源域上的训练知识可以直接应用于目标域;(3)模型层面自适应:对源域误差函 数进行修改,考虑到目标与的误差。样本自适应将源域中样本重采样,使其分布趋近于 目标域分布,其基本思想是对源域样本进行重采样,从而使得重采样后的源域样本和目标 域样本分布基本一致,在重采样的样本集合上重新学习分类器。
基于样本的迁移,其实就是通过一些方法来对源域的样本进行权重权衡,来对源域 和目标域的样本进行迁移(或对样本进行Reweight)。源域中和目标域相似的样本赋予高 权重,不相似的赋予低权重,并且在结构化的数据中可以直接进行应用。
核心思路就是对源域样本的权重学习,使其接近目标域的分布。对于源域和目标域, 通常假定产生他们的概率分布是不同且位置的P(Xs)≠P(xt)。
3)空间配准
地图配准可分为影像配准和空间配准。影像配准的对象是raster图,譬如TIFF图。配准后的图可以保存为ESRI GRID,TIFF,或ERDAS IMAGINE格式。空间配准(SpatialAdjustment)是对矢量数据配准。
ArcGIS中配准:打开ArcMap,增加Georeferencing工具条。把需要进行纠正的影像增加到ArcMap中,会发现Georeferencing工具条中的工具被激活。在view/data frameproperties的coordinate properties中选择坐标系。如果是大地(投影)坐标系选 择predefined中的Projected coordinate system,坐标单位一般为米。如果是地理坐标 系(坐标用经纬度表示)表示则选择Geographic coordinate system。纠正前可以去掉 "autoadjust"前的勾。在校正中我们需要知道一些特殊点的坐标。如公里网格的交点,我 们从图中均匀的取几个点,不少于7个,这些点要能够均匀分布在图中。
首先将Georeferencing工具条的Georeferencing菜单下Auto Adjust不选择。在Georeferencing工具条上,点击Add Control Point按钮。使用该工具在扫描图上精确到找一个控制点点击,然后鼠标右击,Input X and Y输入该点实际的坐标位置。采用地理 坐标系时应输入经纬度。用相同的方法,在影像上增加多个控制点,输入它们的实际坐 标。增加所有控制点后,在Georeferencing菜单下,点击Update Display。更新后,就 变成真实的坐标。在Georeferencing菜单下,点击Rectify,将校准后的影像另存。
4)弱监督学习
弱监督学习是指数据集的标签是不可靠的,如(x,y),y对于x的标记是不可靠的。这里的不可靠是指标记不正确、多种标记、标记不充分、局部标记等。针对监督信息不 完整或不明确对象的学习问题统称为弱监督学习。监督学习技术通过学习大量训练样本 来构建预测模型,其中每个训练样本都有一个标签标明其真值输出。尽管当前的技术已 经取得了巨大的成功,但是值得注意的是,由于数据标注过程的高成本,很多任务很难 获得如全部真值标签这样的强监督信息。因此,能够使用弱监督的机器学习技术是可取 的。通常来说,弱监督可以分为三类。第一类是不完全监督(incomplete supervision), 即,只有训练集的一个(通常很小的)子集是有标签的,其他数据则没有标签。第二类 是不确切监督(inexact supervision),即只有粗粒度的标签。第三种是不准确的监督 (inaccuratesupervision),模型给出的标签不总是真值。
5)样本不均衡
实际使用分类器的时候,经常遇到分类样本不均衡的问题。而只有分类样本较为均 衡,才可以达到比较好的分类效果。如果各个类别的样本数量都非常多,则对于样本少的类,使用全部样本。而对于样本多的类,进行采样,采样可以随机采样,也即尽可能 的让样本丰富,也可以通过复制多份少类样本。如果样本少的类,样本过于少,则可以 使用召回率或者F1,而非准确率进行评测。
7、研究结论:
经过初步的项目可行性分析与实验论证,得出以下结论:(1)该数据包含两景,空间分辨率10m,位于美国区域;欧比特公司曾在互联网以比赛形式开放提供下载多景数 据(大多为国内地区),但是仅限学术和非商业研究。(2)现有清华大学公开的10m全 球地表覆盖,分类系统可参考性价值极高,但是因地表覆盖类型的多样性、动态变化, 使得高光谱数据精细的地表信息提取和抽象的土地覆盖类别定义存在诸多不确定性,相 关科学问题还需要深入探索。(3)预期研究的初步结果(第一阶段)已经获得,也即使 用①ENVI软件进行样本的制作、分类处理(比如神经网络、支持向量机、随机森林), 现在需要(第二阶段)的工作,对于已有问题的科学解决,以及尝试将②数据迁移到已 有的代码模型实现(比如语义分割、生成对抗网络、实例分割)。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护 范围为准。
Claims (4)
1.一种高光谱图像分类实验方法,其特征在于,包括:
步骤A、多波段图象组合处理的图像增强处理方法:
即通过同一地区或地物不同波段图象的不同组合叠加,达到突出图像上不同目标的处理方法,这样既综合了各个波段的不同特性,又扩展了图像的动态范围,使图像上不同类型、形态的地物获得良好的显示效果;
步骤B、高光谱卫星相机成像系统由3片探测器物理拼接构成,成像时,每一片探测器单独成像并下传,地面部分做多探测器拼接处理;
步骤C、分类体系设计及样本制备:
针对新数据情况,需确定其分类系统和样本制备策略,感兴趣区域通过点线面几何形式来绘制,作为监督或半监督图像分类的训练样本、验证样本或测试样本,或便于图像的掩膜、裁剪、局部统计操作;
步骤D、分类实验及结果分析:
监督分类是遥感图像分类的一种,即用被确认类别的样本像元去识别其他未知类别像元的过程;
已被确认类别的样本像元是指那些位于训练区的像元;
在这种分类中,分析者在图像上对每一种类别选取一定数量的训练区,计算机计算每种训练样区的统计或其他信息,每个像元和训练样本作比较,按照不同规则将其划分到和其最相似的样本类;
监督分类能分两个基本步骤:
选择训练样本和提取统计信息,以及选择分类算法。
2.根据权利要求1所述的高光谱图像分类实验方法,其特征在于,所述步骤A中,波段能组合很多RGB方案用于不同地物的解译,典型波段的特征包括:
蓝色波段B,该波段位于水体衰减系数最小的部位,对水体的穿透力最大,用于判别水深,研究浅海水下地形、水体浑浊度,进行水系及浅海水域制图;
绿色波段G,该波段位于绿色植物的反射峰附近,对健康茂盛植物反射敏感,能识别植物类别和评价植物生产力,对水体具有一定的穿透力,能反映水下地形、沙洲、沿岸沙坝特征;
红色波段R,该波段位于叶绿素的主要吸收带,能用于区分植物类型、覆盖度、判断植物生长状况,此外该波段对裸露地表、植被、岩性、地层、构造、地貌、水文特征均能提供丰富的植物信息;
近红外波段(NIR),该波段位于植物的高反射区,反映了大量的植物信息,多用于植物的识别、分类,同时它也位于水体的强吸收区,用于勾绘水体边界,识别与水有关的地质构造、地貌;
短波红外波段(SW1),该波段位于两个水体吸收带之间,对植物和土壤水分含量敏感,从而提高了区分作物的能力,此外,在该波段上雪比云的反射率低,两者易于区分,信息量大,应用率较高;
热红外波段(IR),该波段对地物热量辐射敏感,根据辐射热差异能用于作物与森林区分、水体、岩石地表特征识别;
短波红外波段(SW2),波长比大,是专为地质调查追加的波段,该波段对岩石、特定矿物反应敏感,用于区分主要岩石类型、岩石水热蚀变,探测与交代岩石有关的粘土矿物;
全色波段(Pan),覆盖的光谱范围较广,空间分辨率较其他波段高,因而多用于获取地面的几何特征。
3.根据权利要求2所述的高光谱图像分类实验方法,其特征在于,所述步骤B包括:
B1高光谱卫星的主要处理流程包括步骤:
解密、解压、解码处理:主要是针对地面解调器解调的原始码流数据,根据约定好的数据格式,将辅助数据和影像数据解析出来,生成0级数据,辅助数据主要包含星上测量的姿态、轨道、时间数据,用于后续的几何处理;
辐射处理:主要是用来校正影像灰度响应的不正确,使其尽能能贴近真实灰度值,由于辐射处理会在一定程度上破坏高光谱数据的光谱信息,影响后续的识别及分析应用,因此高光谱辐射处理一般只进行高精度的系统性校正,即根据高精度的辐射定标参数处理;
几何处理:主要是用来校正影像灰度位置的不正确,包括相机畸变、高频抖动、器件安装误差、外方位元素变化、轨道和姿态误差,并利用辅助数据建立定位模型,在高光谱数据几何处理中,主要包括相机畸变和平台抖动的单探测器的几何校正、多探测器间拼接、全谱段配准、定位模型构建;
配准、重采样处理:主要目的是实现32波段同名点一一对应,保证32波段成像地理范围一致,包括匹配和裁剪;
B2、高光谱卫星影像使用的辐射定标公式为:
Le=gain×DN/TDIStage+offset.....................................(1)
式中,Le为表观辐亮度;gain为绝对辐射定标增益系数;offset为绝对辐射定标偏移系数;TDIStage为积分级数,在高光谱数据文件夹的元数据文件XXX_meta.xml查询字段TDIStages字段信息获取;
B3、高光谱卫星数据产品分级如下:
L0级产品:卫星向地面站传输原始码流数据,对原始码流进行解调、解扰、解压操作后,生成L0级产品数据。一般不对用户发布;
L1A级产品:对L0级产品进行几何校正和相对辐射校正,并提供RPC文件、空间范围文件和元数据文件;
L1B级标准产品:L1A级产品经过全谱段配准,提供RPC文件、空间范围文件和元数据文件;
L2级系统几何校正产品:在L0-L1级数据基础上,按照一定的地球投影,以一定地面分辨率投影在地球椭球面上的几何产品,故影像带有了相应的投影信息,该产品附带RPC模型参数文件;
L3级几何精校正产品:在L0-L2级数据基础上,采用地面控制点或者标准参考影像来改进影像的几何定位精度;消除了部分轨道和姿态参数误差,将产品投影到地球椭球面上的几何产品;
L4级高程(正射)校正产品:在L0-L1级数据基础上,利用精细的DEM和控制点进行正射纠正,由于在正射纠正时,改正了由于地形起伏而造成的像点位移,因此不再提供RPC参数文件,但影像带有地理编码;
L5级增值专题应用产品:在L0-L4级数据基础上,经融合和参量反演专业数据或信息集成处理得到的专业应用数据产品。
4.根据权利要求3所述的高光谱图像分类实验方法,其特征在于,所述步骤C包括:
通过参考全球地表覆盖所采用的分类系统,当对整景影像进行分类实验或者特定实验区域进行分类实验时,地表覆盖类型并不能完全包含全球地表覆盖分类系统的所有标签类型,包括冰雪或冻土类型,对于分散选定的不同研究区域,其地表覆盖类型通常存在一定差异,全球地表覆盖系统采用一级分类系统,抽象表达层次较高;
监督分类器通常使用选定的已知类别的样本,建立统计回归模型,来识别或预测其他未知类别像元,分类样本多是已被分配类别标签的样本像元,若干样本像元构成训练区域,其像元类别属性依赖专家经验,通过预先对研究区域遥感图像的实地调绘、目视解译方法确定;
分类样本用于训练新分类器去分类一个未标记数据集,也即场景内未被标注的像素。训练样本所在像素区域也称训练区域,是解译或分析者在遥感图像上确定出来的各种地物类型的典型空间分布区域。训练样本的选择与评价直接关系分类的精度,是决定监督分类性能的关键,亦有相关研究致力于定量化样本质量与分类精度的响应关系;
训练样本勾绘完成之后,能结合ROI几何多边形实体进行兴趣区域的基本信息统计。通常的操作步骤包括选择ROI工具箱计算ROI统计的选项,然后选择需要统计的ROI,从而完成ROI信息统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486686.1A CN112800827A (zh) | 2020-12-16 | 2020-12-16 | 高光谱图像分类实验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486686.1A CN112800827A (zh) | 2020-12-16 | 2020-12-16 | 高光谱图像分类实验方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112800827A true CN112800827A (zh) | 2021-05-14 |
Family
ID=75806829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011486686.1A Pending CN112800827A (zh) | 2020-12-16 | 2020-12-16 | 高光谱图像分类实验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800827A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807219A (zh) * | 2021-09-06 | 2021-12-17 | 苏州中科蓝迪软件技术有限公司 | 一种种植地块粮油作物类型分步识别方法 |
CN113902661A (zh) * | 2021-09-26 | 2022-01-07 | 北京和德宇航技术有限公司 | 卫星遥感影像融合方法 |
CN114359751A (zh) * | 2022-01-12 | 2022-04-15 | 中国自然资源航空物探遥感中心 | 一种区域多景卫星高光谱遥感数据的处理方法及系统 |
CN114492210A (zh) * | 2022-04-13 | 2022-05-13 | 潍坊绘圆地理信息有限公司 | 一种高光谱卫星星载数据智能解译系统及其实现方法 |
-
2020
- 2020-12-16 CN CN202011486686.1A patent/CN112800827A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807219A (zh) * | 2021-09-06 | 2021-12-17 | 苏州中科蓝迪软件技术有限公司 | 一种种植地块粮油作物类型分步识别方法 |
CN113902661A (zh) * | 2021-09-26 | 2022-01-07 | 北京和德宇航技术有限公司 | 卫星遥感影像融合方法 |
CN114359751A (zh) * | 2022-01-12 | 2022-04-15 | 中国自然资源航空物探遥感中心 | 一种区域多景卫星高光谱遥感数据的处理方法及系统 |
CN114359751B (zh) * | 2022-01-12 | 2024-08-09 | 中国自然资源航空物探遥感中心 | 一种区域多景卫星高光谱遥感数据的处理方法及系统 |
CN114492210A (zh) * | 2022-04-13 | 2022-05-13 | 潍坊绘圆地理信息有限公司 | 一种高光谱卫星星载数据智能解译系统及其实现方法 |
CN114492210B (zh) * | 2022-04-13 | 2022-07-19 | 潍坊绘圆地理信息有限公司 | 一种高光谱卫星星载数据智能解译系统及其实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mao et al. | National wetland mapping in China: A new product resulting from object-based and hierarchical classification of Landsat 8 OLI images | |
Chen et al. | Global land cover mapping at 30 m resolution: A POK-based operational approach | |
Phinn et al. | Monitoring the composition of urban environments based on the vegetation-impervious surface-soil (VIS) model by subpixel analysis techniques | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
Zhang et al. | Object-based approach to national land cover mapping using HJ satellite imagery | |
Göttlicher et al. | Land‐cover classification in the Andes of southern Ecuador using Landsat ETM+ data as a basis for SVAT modelling | |
Delalay et al. | Land-use and land-cover classification using Sentinel-2 data and machine-learning algorithms: operational method and its implementation for a mountainous area of Nepal | |
Teffera et al. | Assessing land use and land cover dynamics using composites of spectral indices and principal component analysis: A case study in middle Awash subbasin, Ethiopia | |
Nazmfar et al. | Classification of satellite images in assessing urban land use change using scale optimization in object-oriented processes (a case study: Ardabil city, Iran) | |
Zhang et al. | A 250m annual alpine grassland AGB dataset over the Qinghai-Tibetan Plateau (2000–2019) based on in-situ measurements, UAV images, and MODIS Data | |
Ghofrani et al. | Evaluating coverage changes in national parks using a hybrid change detection algorithm and remote sensing | |
Chen et al. | Topographic correction of optical remote sensing images in mountainous areas: A systematic review | |
Faid et al. | Monitoring land-use change-associated land development using multitemporal Landsat data and geoinformatics in Kom Ombo area, South Egypt | |
Morakinyo et al. | Mapping of land cover and estimation of their emissivity values for gas flaring sites in the Niger Delta | |
Han et al. | Refined land-cover classification mapping using a multi-scale transformation method from remote sensing, unmanned aerial vehicle, and field surveys in Sanjiangyuan National Park, China | |
Hamed et al. | Digital Change Detection and Map Analysis for Urban Expansion and Land Cover Changes in Karbala City | |
Brigante et al. | USE OF MULTISPECTRAL SENSORS WITH HIGH SPATIAL RESOLUTION FOR TERRITORIAL AND ENVIRONMENTAL ANALYSIS. | |
Jande et al. | Land use/landcover change detection mapping of Apa local government area, Benue state, Nigeria | |
Sohail et al. | Spatio-temporal analysis of land use dynamics and its potential implications on land surface temperature in lahore district, punjab, pakistan | |
Meng | Remote Sensing of Urban Green Space | |
Simanjuntak | Analyzing the relationship between land surface temperature and urban structure types in Bandung, Indonesia | |
Hegde | Modelling land cover change: a fuzzy approach | |
Ammeish et al. | RS and GIS based approach for detecting landuse changes and its impact on the groundwater aquifer | |
Walker et al. | An object-oriented classification of an arid urban forest with true-color aerial photography | |
Chen et al. | Validation of ice mapping system snow cover over southern China based on Landsat Enhanced Thematic Mapper Plus imagery |
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 |