CN112907587A - 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 - Google Patents
一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 Download PDFInfo
- Publication number
- CN112907587A CN112907587A CN202110353359.7A CN202110353359A CN112907587A CN 112907587 A CN112907587 A CN 112907587A CN 202110353359 A CN202110353359 A CN 202110353359A CN 112907587 A CN112907587 A CN 112907587A
- Authority
- CN
- China
- Prior art keywords
- image
- mountain forest
- otsu
- edge detection
- ndvi
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 29
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000012805 post-processing Methods 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000007704 transition Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GEE的Otsu和边缘检测算法的高山林线提取方法，包括步骤：S1、选择数据源：采用拥有30米分辨率的多光谱陆地遥感卫星Landsat8影像，或使用Landsat7或Landsat5影像；所选影像处于植被早期生长季4‑6月，待提取的目标是有高山林线的区域；S2、对目标区域的遥感图像进行预处理；S3、采用归一化植被指数NDVI提取遥感影像中的植被区域；S4、图像分割与边缘检测：在GEE平台中引入Otsu算法，实现NDVI指数的图像分割，进一步使用边缘检测算法提取高山林线；S5、对图像进行后处理，最终得到高山林线的分布图。本发明的方法提取高山林线的技术流程自动化高，快速简单，提取效果好，能实现批量操作，避免了传统野外调查费时费力和不安全的问题。
Description
技术领域
本发明涉及生态遥感技术领域，具体涉及一种基于GEE的Otsu和边缘检测算法的高山林线提取方法。
背景技术
高山林线是森林、灌木和草地沿海拔梯度上交替的过渡带。不同地区高山林线动态变化也呈现不同的规律。然而，特别是在青藏高原脆弱的生态系统中，高山林线的多年动态变化的空间格局仍未确定。以往的研究主要通过历史资料和野外调查来获取高山林线的位置信息。野外调查虽然具有较好的准确性和可靠性，但是调查规模较小，安全性不高，限制了作业效率和适用性。同时，野外调查也不利于长时间大尺度地监测高山林线动态变化。
近年来，遥感和地理信息技术已成为识别高山林线空间分布的有效手段。利用遥感影像目视解译高山林线的提取方法，工作量大，存在人为影响因素，并且技术过程无法大面积推广。所以，目前高山林线的提取方法主要基于遥感影像监督分类和经验归一化植被指数NDVI来获取高山林线的位置。然而，监督分类需要训练样本的选择和人工干预，这给高山林线的长期监测带来了不确定性。同时，高山林线附近植被的遥感影像光谱属性差异性不大，使用监督分类会造成大量像元混淆。此外，由植被类型边界得到的高山林线并不准确，违背了高山林线是植被过渡带的定义。而使用经验NDVI指数来提取高山林线，对不同成像时间、不同研究区域和不同卫星产品的适应性不强。因此，探索一种新的方法来提取高山林线的空间位置是十分必要的。
发明内容
本发明的目的是提供一种基于GEE的Otsu和边缘检测算法的高山林线提取方法。
该方法基于高山林线附近的早期生长季植被覆盖度差异比较明显的原理，并且考虑到高山林线是一个植被过渡带，生态脆弱性最低，植被变化最不稳定的特点，将Otsu算法引入到谷歌地球引擎GEE平台中，结合植被归一化指数NDVI计算高山林线的TOtsu阈值，进一步采用边缘检测算法提取分布不规则的高山林线。
本发明的高山林线提取方法，具体步骤如下：
S1、选择数据源：采用拥有30米分辨率的多光谱陆地遥感卫星Landsat 8影像，或使用Landsat 7或Landsat 5影像；其影像波段含有红波以及近红外等波段，影像辐宽185km，所选影像处于植被早期生长季4-6月，待提取的目标是有高山林线的区域。
S2、数据预处理：为了提高遥感影像的利用率和提高高山林线的解译精度，对目标区域的遥感图像进行预处理，包括影像去云和图像融合。
在谷歌地球引擎GEE中影像去云的算法主要有两种方式，一种是使用算法计算云量分数，值的范围是0-100，值越大，云的可能性越大。另外一种就是直接使用影像的QA波段去云。
在谷歌地球引擎GEE中影像融合的方法是在每个位置选择一个场景子集转换为大气顶层反射率，然后应用简单的云评分，获取最少浑浊像素的中值，生成一幅质量较好的合成影像。
S3、采用归一化植被指数NDVI提取遥感影像中的植被区域，具体包括以下两个步骤：
S31、根据公式(1)计算目标区域每一个像元的NDVI值，得到NDVI栅格图像：
其中，R为红波段，分别对应Landsat 5影像的第3波段，Landsat 7影像的第3波段和Landsat 8影像的第4波段；NIR为近红外波段，分别对应Landsat 5影像的第4波段，Landsat7影像的第4波段和Landsat 8影像的第5波段；
S32、使用参数N对NDVI栅格影像进行分割，以区分遥感影像中的植被与非植被区域。
S4、图像分割与边缘检测：在谷歌地球引擎GEE平台中引入Otsu算法，实现NDVI指数的图像分割，进一步使用边缘检测算法提取高山林线。具体操作步骤如下：
S41、图像分割：在GEE平台引入Otsu算法，即公式(2)和公式(3)，计算植被覆盖区域的Otsu阈值TOtsu，NDVI等于TOtsu的地方，就是高山林线的位置；
ICV＝ω0(μ0-μ)2+ω1(μ1-μ)2＝ω0ω1(μ0-μ1)2 (3)
式中，μ和ICV分别表示平均灰度和类间方差；n0为小于阈值的像素数；n1为大于阈值的像素数；n为图像的像素总数；μ0和μ1分别为目标类别和非目标类别的平均灰度值；ω0和ω1分别为目标像素和非目标像素占总像素的比例；通过遍历每个灰度值并比较类间方差，得到最优阈值；
S42、边缘检测：在GEE平台中引入边缘检测算法提取高山林线。通过高斯核(由GEE上的连续高斯信号生成)卷积来平滑NDVI图像，以获得NDVI阈值像素；进一步对NDVI像元进行边缘检测得到轮廓线，提取到的轮廓线就是初步得到的高山林线。
S5、图像后处理：将初步得到的高山林线栅格影像，转为矢量格式。为进一步表达高山林线的真实位置，对矢量文件进行高程限制、边界清理和质量验证，最终得到高山林线的分布图。
其中，高程限制指的是根据不同研究区查阅文献，确定高山林线分布的最低海拔；边界清理是指根据生成的高山林线出现的边缘效应情况进行核对和删除；质量验证是指根据历史谷歌影像、土地分类图和现有研究成果对高山林线点进行验证。
在遥感影像解译中，通常需要一种方法来自动区分相对同质的类别，如土地和水或森林和草地。Otsu算法(自适应阈值算法)是通过最大化类间方差寻找一个最佳阈值来区分相对同质对象，是一种不依赖其他先验信息，自动实现像元的聚类分割。对于单波段遥感影像，Otsu算法可以通过寻找最优的Otsu阈值实现两个地物分类。在高山林线过渡带附近，植被变化最不稳定，NDVI数值波动最大，此处的类间方差值最大，可以使用Otsu算法识别高山林线。此外，Otsu方法对不同的遥感影像数据具有灵活的适应性，可以监测到不同成像时间，不同研究区域的高山林线。
为了节约遥感影像获取的时间，提高处理遥感影像的效率，本发明是基于谷歌地球引擎GEE平台实现的高山林线提取，GEE平台具有大量免费的常规遥感影像数据，具备大数据空间地理分析的能力。在GEE平台上，可以使用JavaScript或Python编程语言对常见的遥感产品进行大规模长时间地并行处理，也可以同时访问多个开放的遥感产品数据，进行地理空间分析。
与现有技术相比，本发明的有益之处在于：
相较于传统的高山林线野外调查的方法，本发明的方法可以对大范围的高山林线区域进行提取，花费时间少，节约了大量的人力物力。与以往遥感技术提取方法相比，本发明最大的不同在于利用高山林线附近早期生长季植被覆盖度差异明显的原理，并充分考虑到高山林线是植被过渡带，此外借助谷歌地球引擎GEE平台在影像获取，影像去云、影像融合和迭代计算的优势，实现高山林线的提取。
本发明提供的方法提取高山林线的工作主要在依托谷歌地球引擎GEE平台进行，经济成本低，能够避免传统野外调查存在的费时费力费钱且效率低下的问题。利用遥感解译提取高山林线的方法，一方面存在人为主观因素选择样本而造成的高山林线不确定性，另一方面，遥感解译得到的高山林线更多的是植被类型边界线，这违背了高山林线是植被过渡带的定义。而利用经验归一化植被指数NDVI提取高山林线，对不同的成像时间、不同卫星产品以及不同研究区存在很大不适应性。本发明的方法避免了上述问题，遥感影像获取方便快捷，提取高山林线的技术流程自动化高，且快速简单，提取效果较好，能够实现批量操作。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的基于GEE的Otsu和边缘检测算法的高山林线提取方法的流程图。
图2为实施目标区域预处理之后的遥感影像图。
图3为实施目标区域NDVI分布图。
图4为实施目标区域的植被覆盖区域图。
图5为初步提取出来的高山林线图。
图6为图像后处理得到的最终高山林线图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
以四川省康定市贡嘎山为研究区，采用本发明的方法对该研究区进行高山林线提取。
贡嘎山(29°22′-29°57′N,101°45′-102°10′E)位于青藏高原东南缘，属于四川盆地和青藏高原的过渡带。贡嘎山的自然垂直带谱具有独特的完整性，具有从亚热带到高山寒带的许多植物，自然地理条件复杂多变，生态系统类型和生物多样性极为丰富，是研究我国高山林线的理想区域。
按照图1所示的流程图，具体操作步骤如下：
S1、选择数据源
采用拥有30米分辨率的多光谱陆地遥感卫星Landsat 8影像，含有红波段(0.64-0.67μm)和近红外波段(0.85-0.88μm)，辐宽185km。实例中所选的影像时间范围是处于2015年早期植被生长季4-6月，待提取的目标是有高山林线的区域。
S2、影像预处理
为了提高遥感影像的利用率和提高高山林线的解译精度，对目标区域Landsat 8遥感影像进行预处理，包括影像去云和影像融合，其中云量要小于5％，最终预处理的结果如图2所示。
影像去云：使用谷歌地球引擎GEE中ee.Algorithms.Landsat.simpleCloudScore()函数去掉Landsat 8图像中的云，在云得分上使用了阈值为5来掩盖云像素。
影像融合：在每个位置选择一个场景子集转换为大气顶层反射率，然后应用简单的云评分，获取最少浑浊像素的中值，生成一幅质量较好的合成影像。本实施例中，使用谷歌地球引擎GEE中ee.Algorithms.Landsat.simpleCloudScore()函数的默认参数，创建的一个简单的组合来融合影像。
S3、归一化植被指数DNVI计算和植被覆盖区域提取：采用归一化植被指数NDVI提取遥感影像中的植被区域。NDVI主要用来检测植被生长状态和植被覆盖度，其取值范围-1<＝NDVI<＝1，负值表示地面覆盖为云、水、雪等，0表示岩石或裸土等。正值，表示有植被覆盖，且随覆盖度增大而增大。
(1)归一化植被指数DNVI计算：利用公式(1)计算目标区域的每一个像元的NDVI值，得到NDVI栅格图像：
其中，R为红波段，对应Landsat 8影像的第4波段。NIR为近红外波段，对应Landsat8影像的第5波段；本步骤是使用谷歌地球引擎GEE中ee.image.normalizedDifference()函数来计算两个波段之间的标准化差，计算结果如图3所示。
(2)植被覆盖区域提取：使用参数N对归一化植被指数栅格影像进行分割，以区分遥感影像中的植被与非植被区域。经过图像分析，N设定为0.1。NDVI>0.1为植被覆盖区域，NDVI<0.1为非植被覆盖区域。本步骤是使用谷歌地球引擎GEE中ee.image.mask()函数来提取植被区域，提取的结果如图4所示。
S4、图像分割与边缘检测
在谷歌地球引擎GEE平台中引入Otsu算法，实现NDVI指数的图像分割，进一步使用边缘检测算法提取高山林线。
(1)图像分割：在高山林线过渡带附近，植被变化最不稳定，NDVI数值波动最大，此处的类间方差值就最大。使用Otsu自适应分割算法，即公式(2)和公式(3)，计算植被覆盖区域的Otsu阈值TOtsu，那么NDVI等于TOtsu阈值的地方，就是高山林线的位置。
ICV＝ω0(μ0-μ)2+ω1(μ1-μ)2＝ω0ω1(μ0-μ1)2 (3)
本实施实例中，得到的阈值TOtsu为0.44，即NDVI等于0.44的像元就是高山林线的位置。
(2)边缘检测：通过与高斯核(由连续高斯信号生成)卷积来平滑植被区域的NDVI图像，然后对NDVI像元进行边缘检测得到目标轮廓线。这里使用了一种过零边缘检测方法，它可以识别出图像上每个频带上的过零值，以捕捉NDVI等于阈值TOtsu的像元位置，并以此获得高山林线的位置。这就初步得到目标区域的高山林线分布格局，如图5所示。
S5、图像后处理
将初步得到的高山林线栅格影像，转为矢量格式。为进一步表达高山林线的真实位置，对矢量文件进行高程限制、边界清理和质量验证，最终得到高山林线的分布图，结果如图6所示。
其中，高程限制：根据查阅文献得知，青藏高原的高山林线海拔主要还是在3200m以上，对初步得到的高山林线进行一个海拔大于3200m的提取。
边界清理：根据生成的高山林线出现的边缘效应情况进行核对和删除。
质量验证：根据历史谷歌影像、土地分类图和现有研究成果对高山林线点进行验证。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于GEE的Otsu和边缘检测算法的高山林线提取方法，其特征在于，包括如下步骤：
S1、选择数据源：采用拥有30米分辨率的多光谱陆地遥感卫星Landsat 8影像，或使用Landsat 7或Landsat 5影像；影像辐宽185km，所选影像处于植被早期生长季4-6月，待提取的目标是有高山林线的区域；
S2、对目标区域的遥感图像进行预处理，包括影像去云和图像融合；
S3、采用归一化植被指数NDVI提取遥感影像中的植被区域；
S4、图像分割与边缘检测：在谷歌地球引擎GEE平台中引入Otsu算法，实现NDVI指数的图像分割，进一步使用边缘检测算法提取高山林线；
S5、图像后处理：将初步得到的高山林线栅格影像，转为矢量格式；对矢量文件进行高程限制、边界清理和质量验证，最终得到高山林线的分布图。
2.如权利要求1所述的基于GEE的Otsu和边缘检测算法的高山林线提取方法，其特征在于，所述步骤S3包括：
S31、根据公式(1)计算目标区域每一个像元的NDVI值，得到NDVI栅格图像：
其中，R为红波段，分别对应Landsat 5影像的第3波段，Landsat 7影像的第3波段和Landsat 8影像的第4波段；NIR为近红外波段，分别对应Landsat 5影像的第4波段，Landsat7影像的第4波段和Landsat 8影像的第5波段；
S32、使用参数N对NDVI栅格影像进行分割，以区分遥感影像中的植被与非植被区域。
3.如权利要求1所述的基于GEE的Otsu和边缘检测算法的高山林线提取方法，其特征在于，所述步骤S4具体包括：
S41、图像分割：在GEE平台引入Otsu算法，即公式(2)和公式(3)，计算植被覆盖区域的Otsu阈值TOtsu，NDVI等于TOtsu的地方，就是高山林线的位置；
ICV＝ω0(μ0-μ)2+ω1(μ1-μ)2＝ω0ω1(μ0-μ1)2 (3)
式中，μ和ICV分别表示平均灰度和类间方差；n0为小于阈值的像素数；n1为大于阈值的像素数；n为图像的像素总数；μ0和μ1分别为目标类别和非目标类别的平均灰度值；ω0和ω1分别为目标像素和非目标像素占总像素的比例；通过遍历每个灰度值并比较类间方差，得到最优阈值；
S42、边缘检测：在GEE平台中引入边缘检测算法提取高山林线。
4.如权利要求3所述的基于GEE的Otsu和边缘检测算法的高山林线提取方法，其特征在于，所述步骤S42具体方法是：通过高斯核卷积来平滑NDVI图像，以获得NDVI阈值像素；进一步对NDVI像元进行边缘检测得到轮廓线，提取到的轮廓线就是初步得到的高山林线。
5.如权利要求1所述的基于GEE的Otsu和边缘检测算法的高山林线提取方法，其特征在于，所述步骤S5中，高程限制指的是根据不同研究区查阅文献，确定高山林线分布的最低海拔；边界清理是指根据生成的高山林线出现的边缘效应情况进行核对和删除；质量验证是指根据历史谷歌影像、土地分类图和现有研究成果对高山林线点进行验证。
6.如权利要求1所述的基于GEE的Otsu和边缘检测算法的高山林线提取方法，其特征在于，所述步骤S2中，图像融合的方法是：在每个位置选择一个场景子集转换为大气顶层反射率，然后应用简单的云评分，获取最少浑浊像素的中值，生成一幅质量较好的合成影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353359.7A CN112907587B (zh) | 2021-04-01 | 2021-04-01 | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353359.7A CN112907587B (zh) | 2021-04-01 | 2021-04-01 | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907587A true CN112907587A (zh) | 2021-06-04 |
| CN112907587B CN112907587B (zh) | 2022-03-01 |
Family
ID=76109827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110353359.7A Active CN112907587B (zh) | 2021-04-01 | 2021-04-01 | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907587B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408467A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 |
| CN113466135A (zh) * | 2021-06-09 | 2021-10-01 | 汕头大学 | 一种基于gee的海水水质在线反演监测方法 |
| CN115239750A (zh) * | 2022-09-19 | 2022-10-25 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
| JP2014100099A (ja) * | 2012-11-20 | 2014-06-05 | Kodaira Associates Kk | 森林情報管理装置 |
| CN104966296A (zh) * | 2015-06-16 | 2015-10-07 | 西南石油大学 | 滑窗N-Smoothlets图像边缘检测方法 |
| US20160005149A1 (en) * | 2014-07-01 | 2016-01-07 | Digitalglobe, Inc. | Automated seamline construction for high-quality high-resolution orthomosaics |
| CN107330898A (zh) * | 2017-06-20 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 植被垂直带定量刻划计算方法和系统 |
| CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
| CN108898049A (zh) * | 2018-05-11 | 2018-11-27 | 中南林业科技大学 | 基于modis数据的林火识别方法 |
| CN110378925A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 |
| CN112102312A (zh) * | 2020-09-29 | 2020-12-18 | 滁州学院 | 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 |
| CN112132066A (zh) * | 2020-09-27 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于模糊逻辑的物候过渡带提取方法 |
| CN112381826A (zh) * | 2021-01-15 | 2021-02-19 | 中科慧远视觉技术(北京)有限公司 | 边缘缺陷图像的二值化方法 |
| CN113191582A (zh) * | 2021-03-15 | 2021-07-30 | 西南石油大学 | 一种基于gis与机器学习的道路山洪易损性评价方法 |
| CN113205071A (zh) * | 2021-05-28 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 三江并流区高山林线的遥感识别及其空间格局分析方法 |
-
2021
- 2021-04-01 CN CN202110353359.7A patent/CN112907587B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
| JP2014100099A (ja) * | 2012-11-20 | 2014-06-05 | Kodaira Associates Kk | 森林情報管理装置 |
| US20160005149A1 (en) * | 2014-07-01 | 2016-01-07 | Digitalglobe, Inc. | Automated seamline construction for high-quality high-resolution orthomosaics |
| CN104966296A (zh) * | 2015-06-16 | 2015-10-07 | 西南石油大学 | 滑窗N-Smoothlets图像边缘检测方法 |
| CN107330898A (zh) * | 2017-06-20 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 植被垂直带定量刻划计算方法和系统 |
| CN108760643A (zh) * | 2018-04-04 | 2018-11-06 | 西南石油大学 | 一种适宜于高海拔地区的干旱遥感监测方法 |
| CN108898049A (zh) * | 2018-05-11 | 2018-11-27 | 中南林业科技大学 | 基于modis数据的林火识别方法 |
| CN110378925A (zh) * | 2019-06-17 | 2019-10-25 | 成都理工大学 | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 |
| CN112132066A (zh) * | 2020-09-27 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于模糊逻辑的物候过渡带提取方法 |
| CN112102312A (zh) * | 2020-09-29 | 2020-12-18 | 滁州学院 | 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 |
| CN112381826A (zh) * | 2021-01-15 | 2021-02-19 | 中科慧远视觉技术(北京)有限公司 | 边缘缺陷图像的二值化方法 |
| CN113191582A (zh) * | 2021-03-15 | 2021-07-30 | 西南石油大学 | 一种基于gis与机器学习的道路山洪易损性评价方法 |
| CN113205071A (zh) * | 2021-05-28 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 三江并流区高山林线的遥感识别及其空间格局分析方法 |
Non-Patent Citations (5)
| Title |
|---|
| MARILYN S.COMBALICER等: "Changes in the forest landscape of Mt. Makiling Forest Reserve, Philippines", 《FOREST SCIENCE AND TECHNOLOGY》 * |
| 刘锬等: "基于RS和GIS的贺兰山高山林线初步研究", 《自然资源学报》 * |
| 李孟歆等: "一种基于顶帽变换和Otsu阈值的轨道边缘提取方法", 《集成技术》 * |
| 李迈和等: "全球高山林线研究现状与发展方向", 《四川林业科技》 * |
| 贾美玉等: "五台山林线过渡带华北落叶松格局过程和尺度分析", 《生态学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113466135A (zh) * | 2021-06-09 | 2021-10-01 | 汕头大学 | 一种基于gee的海水水质在线反演监测方法 |
| CN113408467A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 |
| CN113408467B (zh) * | 2021-07-01 | 2022-04-29 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 |
| CN115239750A (zh) * | 2022-09-19 | 2022-10-25 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
| CN115239750B (zh) * | 2022-09-19 | 2022-12-20 | 江西师范大学 | 计算人工植被恢复适宜性方法、系统及计算机 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907587B (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112907587B (zh) | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 | |
| Mazur et al. | An object-based SAR image iceberg detection algorithm applied to the Amundsen Sea | |
| CN113033670B (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
| Puletti et al. | Unsupervised classification of very high remotely sensed images for grapevine rows detection | |
| CN113505635B (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
| Watkins et al. | Automating field boundary delineation with multi-temporal Sentinel-2 imagery | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| Solano-Correa et al. | A method for the analysis of small crop fields in sentinel-2 dense time series | |
| CN112818749B (zh) | 一年两熟地区大宗粮油作物复种模式遥感监测方法 | |
| CN106778640B (zh) | 一种三维可视化环境下地表植被覆盖模型的生成方法 | |
| CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
| CN113221806A (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
| CN114627380A (zh) | 一种基于光学影像与sar时序数据融合的水稻识别方法 | |
| Lei et al. | A novel algorithm of individual tree crowns segmentation considering three-dimensional canopy attributes using UAV oblique photos | |
| CN115294460A (zh) | 雷竹林退化程度确定方法、介质和电子设备 | |
| CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
| Okubo et al. | Land use/cover classification of a complex agricultural landscape using single-dated very high spatial resolution satellite-sensed imagery | |
| Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| Ouerghemmi et al. | Urban vegetation mapping using hyperspectral imagery and spectral library | |
| CN113221788B (zh) | 一种田块垄作特征提取方法及装置 | |
| Yang et al. | Texture feature extraction of mountain economic forest using high spatial resolution remote sensing images | |
| CN115239750A (zh) | 计算人工植被恢复适宜性方法、系统及计算机 | |
| CN115049900A (zh) | 一种基于光学与雷达数据的水稻种植区识别方法及系统 | |
| Orny et al. | Characterization of maritime pine forest structure changes with vhr satellite imagery: application to the 24th january 2009 windfall damages cartography |
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 |