CN113076796A - 喀斯特石漠化的遥感制图方法及装置 - Google Patents
喀斯特石漠化的遥感制图方法及装置 Download PDFInfo
- Publication number
- CN113076796A CN113076796A CN202110181725.5A CN202110181725A CN113076796A CN 113076796 A CN113076796 A CN 113076796A CN 202110181725 A CN202110181725 A CN 202110181725A CN 113076796 A CN113076796 A CN 113076796A
- Authority
- CN
- China
- Prior art keywords
- data
- stony desertification
- remote sensing
- karst
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013507 mapping Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000003709 image segmentation Methods 0.000 claims description 36
- 239000013074 reference sample Substances 0.000 claims description 33
- 238000011160 research Methods 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 239000000523 sample Substances 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 238000010276 construction Methods 0.000 description 9
- 238000007635 classification algorithm Methods 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种喀斯特石漠化的遥感制图方法及装置，通过遥感影像数据和专题数据，有效刻画并提取反映喀斯特石漠化特征的信息，以提高机器学习算法对各石漠化等级的识别能力。同时，采用面向对象的策略定义石漠化单元，实现了喀斯特石漠化的待分级单元的自动绘制，勾勒石漠化制图单元。基于此，通过少量的样本数据，即可快速实现喀斯特石漠化的制图，在提高了制图的精度和效率的同时，兼具自动化程度高和具备可移植性的优点。
Description
技术领域
本发明涉及地理信息图像技术领域，特别是涉及一种喀斯特石漠化的遥感制图方法及装置。
背景技术
喀斯特石漠化作为一种特殊的土地荒漠化类型，是全球范围内重大的经济、生态和环境问题，威胁着社会的可持续发展。快速准确地绘制区域喀斯特石漠化空间分布，可有效实现石漠化动态监测，辅助石漠化治理措施的制定和效果评估。遥感影像成为大范围石漠化空间制图的重要来源，由于以往研究采用的目视解译技术费时费力，采用自动、半自动识别方法进行高精度制图具有重要的意义。
目前常用石漠化遥感自动半自动制图方法主要包括监督分类方法、机器学习算法、石荒漠化分级指数和光谱混合分解等。然而，上述方法皆是以像元最小研究单元，在像元尺度上进行表征石漠化相关信息的提取，这些信息实质上受到来自周围像元的光谱信息的影像，容易增加制图的误差，在喀斯特地区这种海拔梯度明显、地形破碎的区域尤其如此。不同研究中选择不同大小甚至形状的单元来判断石漠化等级，使得石漠化的分级判别存在较大的不确定性，制约着现有石漠化自动化制图方法的精确度和可靠性。同时，喀斯特石漠化的遥感制图，有别于传统土地利用的遥感制图，并不是对特定的地物进行识别，而是对土壤、岩石和植被的混合对象进行制图。目前却没有统一的规则来进行制图单元的绘制，研究单元的大小不同往往导致石漠化分级结果的差异，使得石漠化的分级判别存在较大的不确定性。
由此可见，传统的喀斯特石漠化的遥感制图方法还存在以上不足。
发明内容
基于此，有必要针对传统的喀斯特石漠化的遥感制图方法还存在的不足，提供一种喀斯特石漠化的遥感制图方法及装置。
一种喀斯特石漠化的遥感制图方法，包括步骤：
获取研究区的遥感影像数据和专题数据；其中，专题数据包括岩性数据、海拔数据和土地利用数据；
根据遥感影像数据计算植被指数、建筑指数和水体指数，并根据海拔数据计算坡度；
根据岩性数据剔除研究区内的非喀斯特石漠化区域，获得喀斯特石漠化待分级区域；
根据遥感影像数据对喀斯特石漠化待分级区域进行面向对象的多尺度分割，将多尺度影像分割结果中最优影像分割结果作为喀斯特石漠化的待分级单元；
获取待分级单元在各喀斯特石漠化等级的参照样本，获得参照样本集；
根据各待分级单元数据的最大值、最小值、平均值和方差建立待分级单元的特征数据集；其中，待分级单元数据包括遥感影像波段数据、海拔、坡度、植被指数、建筑指数和水体指数；
将参照样本集作为机器学习算法的训练样本，并将特征数据集作为机器学习算法的输入参数，通过机器学习算法进行研究区的石漠化分级，以绘制石漠化空间分布。
上述的喀斯特石漠化的遥感制图方法，通过遥感影像数据和专题数据，有效刻画并提取反映喀斯特石漠化特征的信息，以提高机器学习算法对各石漠化等级的识别能力。同时，采用面向对象的策略定义石漠化单元，实现了喀斯特石漠化的待分级单元的自动绘制，勾勒石漠化制图单元。基于此，通过少量的样本数据，即可快速实现喀斯特石漠化的制图，在提高了制图的精度和效率的同时，兼具自动化程度高和具备可移植性的优点。
在其中一个实施例中，遥感影像数据为Landsat 8 OLI遥感影像数据。
在其中一个实施例中，岩性数据包括不同比例碳酸盐岩和碎屑岩组合数据。
在其中一个实施例中，土地利用数据包括耕地数据、草地数据、林地数据、水体数据和建设用地数据。
在其中一个实施例中，在根据遥感影像数据计算植被指数、建筑指数和水体指数，并根据海拔数据计算坡度的过程之前，还包括步骤：
对遥感影像数据和专题数据进行数据预处理。
在其中一个实施例中，对遥感影像数据进行大气校正预处理、云检测预处理和几何配准预处理。
在其中一个实施例中，根据遥感影像数据的地理投影坐标系和分辨率，对专题数据进行坐标系转换预处理、栅格格式转换预处理和分辨率重采样预处理。
在其中一个实施例中，根据遥感影像数据计算植被指数、建筑指数和水体指数的过程，如下式：
其中，NDVI为植被指数，NDBI为建筑指数，MNDWI为水体指数，Green为遥感影像数据的绿波段，Red为遥感影像数据的红波段，Nir为遥感影像数据的近红外波段，Mir为遥感影像数据的短波红外波段。
在其中一个实施例中，确定多尺度影像分割结果中最优影像分割结果的过程，如下式：
其中，IV为内部一致性，LV为外部差异性，OST为最优分割指标，C_OST为最优分割指标变化率，N为分割对象的数量，Ai为每个分割对象的面积，SDi为每个对象属性特征的标准偏差，ai为任意一个对象的属性特征值，
为所有对象属性特征的平均值，属性特征值为遥感影像数据各波段的平均值；
其中，OSTi为在多尺度影像分割的目标尺度参数水平的OST数值，OSTi-1为OSTi的上一个参数水平的OST数值；
其中，在OST数值达到最大时，将对应的影像分割结果作为最优影像分割结果。
在其中一个实施例中，通过设置尺度、形状和紧致度三个参数限定多尺度分割。
在其中一个实施例中，在尺度参数为90时OST值达到最大。
在其中一个实施例中，确定喀斯特石漠化等级的过程，包括步骤：
根据坡度、土地利用数据和遥感影像特征，并应用影像分割结果确定喀斯特石漠化等级；其中，所述喀斯特石漠化等级包括石漠化分类和易混淆地类分类。
在其中一个实施例中，通过分层随机抽取平地耕地、建设用地和水体中各100份参照样本。
在其中一个实施例中，通过地面调查，依据待分级单元的植被、土壤和岩石的覆盖率判断其石漠化等级。
在其中一个实施例中，通过遥感影像数据的假彩色合成效果识别石漠化等级。
在其中一个实施例中，机器学习算法选用随机森林算法，将特征数据集作为随机森林算法的输入参数。
在其中一个实施例中，还包括步骤：
在机器学习算法完成初始分类后，将易混淆地类分类归为所述石漠化分类。
一种喀斯特石漠化的遥感制图装置，包括：
数据获取模块，用于获取研究区的遥感影像数据和专题数据；其中，专题数据包括岩性数据、海拔数据和土地利用数据；
数据处理模块，用于根据遥感影像数据计算植被指数、建筑指数和水体指数，并根据海拔数据计算坡度；
区域划分模块，用于根据岩性数据剔除研究区内的非石漠化区域，获得喀斯特石漠化待分级区域；
影像分割模块，用于根据遥感影像数据对喀斯特石漠化待分级区域进行面向对象的多尺度分割，将多尺度影像分割结果中最优影像分割结果作为喀斯特石漠化的待分级单元；
样本确定模块，用于获取待分级单元在各喀斯特石漠化等级的参照样本，获得参照样本集；
特征确定模块，用于根据各待分级单元数据的最大值、最小值、平均值和方差建立待分级单元的特征数据集；其中，待分级单元数据包括遥感影像波段数据、海拔、坡度、植被指数、建筑指数和水体指数；
空间绘图模块，用于将参照样本集作为机器学习算法的训练样本，并将特征数据集作为机器学习算法的输入参数，通过机器学习算法进行研究区的石漠化分级，以绘制石漠化空间分布。
上述的喀斯特石漠化的遥感制图装置，通过遥感影像数据和专题数据，有效刻画并提取反映喀斯特石漠化特征的信息，以提高机器学习算法对各石漠化等级的识别能力。同时，采用面向对象的策略定义石漠化单元，实现了喀斯特石漠化的待分级单元的自动绘制，勾勒石漠化制图单元。基于此，通过少量的样本数据，即可快速实现喀斯特石漠化的制图，在提高了制图的精度和效率的同时，兼具自动化程度高和具备可移植性的优点。
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的喀斯特石漠化的遥感制图方法。
上述的计算机存储介质，通过遥感影像数据和专题数据，有效刻画并提取反映喀斯特石漠化特征的信息，以提高机器学习算法对各石漠化等级的识别能力。同时，采用面向对象的策略定义石漠化单元，实现了喀斯特石漠化的待分级单元的自动绘制，勾勒石漠化制图单元。基于此，通过少量的样本数据，即可快速实现喀斯特石漠化的制图，在提高了制图的精度和效率的同时，兼具自动化程度高和具备可移植性的优点。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的喀斯特石漠化的遥感制图方法。
上述的计算机设备，通过遥感影像数据和专题数据，有效刻画并提取反映喀斯特石漠化特征的信息，以提高机器学习算法对各石漠化等级的识别能力。同时，采用面向对象的策略定义石漠化单元，实现了喀斯特石漠化的待分级单元的自动绘制，勾勒石漠化制图单元。基于此，通过少量的样本数据，即可快速实现喀斯特石漠化的制图，在提高了制图的精度和效率的同时，兼具自动化程度高和具备可移植性的优点。
附图说明
图1为一实施方式的喀斯特石漠化的遥感制图方法流程图；
图2为另一实施方式的喀斯特石漠化的遥感制图方法流程图；
图3为又一实施方式的喀斯特石漠化的遥感制图方法流程图；
图4为再一实施方式的喀斯特石漠化的遥感制图方法流程图；
图5为一实施方式的喀斯特石漠化的遥感制图装置模块结构图；
图6为一实施方式的计算机内部构造示意图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。
本发明实施例提供了一种喀斯特石漠化的遥感制图方法。
图1为一实施方式的喀斯特石漠化的遥感制图方法流程图，如图1所示，一实施方式的喀斯特石漠化的遥感制图方法包括步骤S100至S106：
S100，获取研究区的遥感影像数据和专题数据；其中，专题数据包括岩性数据、海拔数据和土地利用数据；
研究区为准备进行遥感制图的目标地区，包括喀斯特地区。在其中一个实施例中，研究区的遥感影像数据为研究区的Landsat 8 OLI(Operational Land Imager陆地成像仪)遥感影像数据。作为一个较优的实施方式，在研究区的遥感影像数据为研究区在8月份的Landsat 8 OLI遥感影像数据，以尽量选取植物生长季的影像，兼顾喀斯特地区特点、影像可得性和云量，提高遥感影像数据的参考价值。
在其中一个实施例中，岩性数据包括不同比例碳酸盐岩和碎屑岩组合数据。海拔数据包括ASTER GDEM(Advanced Spaceborne Thermal Emission and ReflectionRadiometer Global Digital Elevation Model先进星载热发射和反射辐射仪全球数字高程模型)数据。土地利用数据包括耕地数据、草地数据、林地数据、水体数据和建设用地数据。
在其中一个实施例中，图2为另一实施方式的喀斯特石漠化的遥感制图方法流程图，如图2所示，在步骤S101中根据遥感影像数据计算植被指数、建筑指数和水体指数，并根据海拔数据计算坡度的过程之前，还包括步骤S200：
S200，对遥感影像数据和专题数据进行数据预处理。
通过数据预处理，便于后续步骤对遥感影像数据和专题数据的使用。
在其中一个实施例中，对遥感影像数据进行大气校正预处理、云检测预处理和几何配准预处理，并统一遥感影像数据的数据格式。作为一个较优的实施方式，数据格式包括地理投影坐标系、范围和分辨率。
在其中一个实施例中，根据遥感影像数据的地理投影坐标系和分辨率，对专题数据进行坐标系转换预处理、栅格格式转换预处理和分辨率重采样预处理。
在其中一个实施例中，通过增强函数增强遥感影像数据对应影像图片的色彩、亮度和纹理。其中，增强函数可以采用对比度拉升函数、伽马校正函数或同态滤波函数等。作为一个较优的实施方式，增强函数选用经适应性调整的伽马函数。
在其中一个实施例中，通过在伽马函数增加偏置值以进行对函数的修改，并在将伽马函数作为指数值求出新的像素值还原图片前，先对原始图片的灰度图像均值进行计算，并设置均值区间，对不同均值区间的图片使用不同计算伽马系数的函数，都是以均值为x，系数为y建立的一次方程式。将求出的伽马系数参与修改后的伽马函数进行计算，得到的结果作为指数值求新图片的像素值并还原图片，以此得到增强后的原始图片。
通过增强函数的增强处理，提高后续对参照样本的处理参考性和准确性。
S101，根据遥感影像数据计算植被指数、建筑指数和水体指数，并根据海拔数据计算坡度；
其中，提取遥感影像数据中的多波段数据，根据多波段数据计算植被指数、建筑指数和水体指数。
在其中一个实施例中，步骤S101中根据遥感影像数据计算植被指数、建筑指数和水体指数的过程，如下式：
其中，NDVI为植被指数，NDBI为建筑指数，MNDWI为水体指数，Green为遥感影像数据的绿波段，Red为遥感影像数据的红波段，Nir为遥感影像数据的近红外波段，Mir为遥感影像数据的短波红外波段。
以遥感影像数据为Landsat 8 OLI遥感影像数据为例，绿波段为波段-3，红波段为波段-4，近红外波段为波段-5，短波红外波段为波段-6。
S102，根据岩性数据剔除研究区内的非喀斯特石漠化区域，获得喀斯特石漠化待分级区域；
其中，研究区包括非喀斯特石漠化区域和喀斯特石漠化待分级区域，通过岩性数据区分非喀斯特石漠化区域和喀斯特石漠化待分级区域，剔除非喀斯特石漠化区域，将研究区内剩余的区域作为喀斯特石漠化待分级区域。
在其中一个实施例中，将岩性数据中碎屑岩数据对应的分布范围作为非喀斯特石漠化区域，将研究区内该分布范围以外的区域作为喀斯特石漠化待分级区域。
S103，根据遥感影像数据对喀斯特石漠化待分级区域进行面向对象的多尺度分割，将多尺度影像分割结果中最优影像分割结果作为喀斯特石漠化的待分级单元；
其中，遥感影像数据包括多个波段的数据。根据各波段的遥感影像数据，进行面向对象的多尺度分割。在其中一个实施例中，通过设置尺度、形状和紧致度三个参数进行限定。作为一个较优的实施方式，根据喀斯特石漠化空间特征，将形状和紧致度分别设置为0.2和0.3。进一步地，通过设置多组尺度参数，将研究区进行多尺度分割。
其中，尺度参数范围根据研究区大小进行设置。作为一个较优的实施方式，将尺度参数范围设置为10～200，变化步长为10，以此生成20个多尺度影像分割结果。
在其中一个实施例中，基于多个多尺度影像分割结果，计算遥感影像数据的各波段的平均值，以计算多个多尺度影像分割结果的测度指标。基于此，步骤S103中确定多尺度影像分割结果中最优影像分割结果的过程，如下式：
其中，IV为内部一致性，LV为外部差异性，OST为最优分割指标，C_OST为最优分割指标变化率，N为分割对象的数量，Ai为每个分割对象的面积，SDi为每个对象属性特征的标准偏差，ai为任意一个对象的属性特征值，
为所有对象属性特征的平均值，属性特征值为遥感影像数据各波段的平均值；
其中，OSTi为在多尺度影像分割的目标尺度参数水平的OST数值，OSTi-1为OSTi的上一个参数水平的OST数值；
其中，在OST数值达到最大时，将对应的影像分割结果作为最优影像分割结果。
在其中一个实施例中，在尺度参数为90时OST值达到最大。
S104，获取待分单元在各喀斯特石漠化等级的参照样本，获得参照样本集；
其中，待分级单元根据石漠化和土地利用分类，分为多种待分级单元，确定各分类下的参照样本，获得参照样本集。
在其中一个实施例中，喀斯特石漠化等级判别包括石漠化分类和易混淆地类分类。
石漠化分类包括无石漠化、潜在石漠化、轻度石漠化、中度石漠化、重度石漠化、极重度石漠化等6个石漠化等级，易混淆地类分类包括平地耕地、建设用地和水体等3种土地利用类型；
步骤S104中确定分类的过程，如图2所示，包括步骤S300：
S300，根据坡度、土地利用数据和遥感影像特征，并应用影像分割结果确定喀斯特石漠化等级；其中，喀斯特石漠化等级包括石漠化分类和易混淆地类分类。。
在其中一个实施例中，基于待分级单元，通过坡度和土地利用数据确定用地类型为平地耕地、建设用地和水体的区域。在其中一个实施例中，通过分层随机抽取平地耕地、建设用地和水体中各100份参照样本。
其中，参照样本包括样本影像和野外实地调研数据。
在其中一个实施例中，平地耕地为坡度低于2度的耕地。
在其中一个实施例中，通过地面调查，依据待分级单元的植被、土壤和岩石的覆盖率判断其石漠化等级(包括无石漠化、潜在石漠化、轻度石漠化、中度石漠化、重度石漠化和极重度石漠化)。
在其中一个实施例中，通过遥感影像数据的假彩色合成效果识别石漠化等级(包括无石漠化、潜在石漠化、轻度石漠化、中度石漠化、重度石漠化和极重度石漠化)，如下表：
表 喀斯特石漠化分级标准 单位(％)
其中，选取不同石漠化等级内各100份参照样本，以充分考虑样本空间分布的均匀性。作为一个较优的实施方式，通过Landsat 8 OLI影像的波段3/4/5的假彩色合成效果识别石漠化等级。
基于此，构建参照样本集，包括6个石漠化等级和3个用地类别。其中，3个用地类别的参照样本提取，是为了防止机器学习混淆分级结果。例如，建设用地和裸土地容易被划分到极重度石漠化等级，水体也是无植被类别。
S105，根据各待分级单元数据的最大值、最小值、平均值和方差建立待分级单元的特征数据集；其中，待分级单元数据包括遥感影像波段数据、海拔、坡度、植被指数、建筑指数和水体指数；
以遥感影像波段数据为Landsat 8 OLI遥感影像数据为例，包括第2到第7波段在内的数据。
S106，将参照样本集作为机器学习算法的训练样本，并将特征数据集作为机器学习算法的输入参数，通过机器学习算法进行研究区的石漠化分级，以绘制石漠化空间分布。
基于随机森林的机器学习算法，将参照样本集作为机器学习算法的训练样本，并将特征数据集作为机器学习算法的输入参数，以此进行相应的训练。在其中一个实施例中，机器学习算法选用随机森林算法，将特征数据集作为随机森林算法的输入参数，将随机森林算法的tree number设置为100，进行研究区的石漠化分级。
在其中一个实施例中，如图2所示，另一实施方式的喀斯特石漠化的遥感制图方法还包括步骤S400：
S400，在机器学习算法完成初始分类后，将地类分类归为石漠化分类。
在其中一个实施例中，将地类分类中的平地耕地、建设用地和水体的类别归为石漠化分类的无石漠化类别。
在机器学习算法完成初始分类后，再将平地耕地、建设用地和水体的类别归为石漠化类别的无石漠化，以绘制最终的石漠化空间分布。
在其中一个实施例中，图3为又一实施方式的喀斯特石漠化的遥感制图方法流程图，如图3所示，步骤S106中将参照样本集作为机器学习算法的训练样本的过程，包括步骤S500至步骤S502：
S500，通过样本分类算法对参照样本集进行分类处理，获得多个分类准确率和参照样本权重；
S501，根据分类准确率和参照样本权重获得各参照样本的参考权重；
S502，将参照样本集中参考权重大于预设权重的参照样本作为机器学习算法的训练样本。
在其中一个实施例中，分类算法包括逻辑回归算法、决策树算法、线性SVM(Support vecor machine)算法、梯度提升树算法或K近邻分类算法。通过分类算法对参照样本集中的各参照样本进行分类处理，获得多个分类准确率和参照样本权重。
在其中一个实施例中，图4为再一实施方式的喀斯特石漠化的遥感制图方法流程图，如图4所示，步骤S500中通过样本分类算法对参照样本集进行分类处理的过程，包括步骤S600至步骤S602：
S600，基于神经网络基础模型进行冻结相关层权重、设置优化器以及设置学习率处理；
S601，通过上述处理后的神经网络基础模型对参照样本进行卷积处理、池化处理和激活函数处理，以获得全连接层，以使原始图片的尺寸成为目标尺寸；
S602，通过多次迭代获得相应的权重，基于优化器的损失函数计算每次迭代的分类准确率。
在其中一个实施例中，通过梯度法确定多个参照样本权重的最优权重，并根据最优权重与对应分类准确率的乘积确定参考权重。其中，通过样本分类算法对参照样本集进行分类处理，获得多个高精度训练样本，以提高作为训练样本的参照样本的准确性和参考性。
上述任一实施例的喀斯特石漠化的遥感制图方法，通过遥感影像数据和专题数据，有效刻画并提取反映喀斯特石漠化特征的信息，以提高机器学习算法对各石漠化等级的识别能力。同时，采用面向对象的策略定义石漠化单元，实现了喀斯特石漠化的待分级单元的自动绘制，勾勒石漠化制图单元。基于此，通过少量的样本数据，即可快速实现喀斯特石漠化的制图，在提高了制图的精度和效率的同时，兼具自动化程度高和具备可移植性的优点。
本发明实施例还提供一种喀斯特石漠化的遥感制图装置。
图5为一实施方式的喀斯特石漠化的遥感制图装置模块结构图，如图5所示，一实施方式的喀斯特石漠化的遥感制图装置包括模块100、模块101、模块102、模块103、模块104、模块105和模块106：
数据获取模块100，用于获取研究区的遥感影像数据和专题数据；其中，专题数据包括岩性数据、海拔数据和土地利用数据；
数据处理模块101，用于根据遥感影像数据计算植被指数、建筑指数和水体指数，并根据海拔数据计算坡度；
区域划分模块102，用于根据岩性数据剔除研究区内的非石漠化区域，获得喀斯特石漠化待分级区域；
影像分割模块103，用于根据遥感影像数据对喀斯特石漠化待分级区域进行面向对象的多尺度分割，将多尺度影像分割结果中最优影像分割结果作为喀斯特石漠化的待分级单元；
样本确定模块104，用于获取待分级单元在各喀斯特石漠化等级的参照样本，获得参照样本集；
特征确定模块105，用于根据各待分级单元数据的最大值、最小值、平均值和方差建立待分级单元的特征数据集；其中，待分级单元数据包括遥感影像波段数据、海拔、坡度、植被指数、建筑指数和水体指数；
空间绘图模块106，用于将参照样本集作为机器学习算法的训练样本，并将特征数据集作为机器学习算法的输入参数，通过机器学习算法进行研究区的石漠化分级，以绘制石漠化空间分布。
上述的喀斯特石漠化的遥感制图装置，通过遥感影像数据和专题数据，有效刻画并提取反映喀斯特石漠化特征的信息，以提高机器学习算法对各石漠化等级的识别能力。同时，采用面向对象的策略定义石漠化单元，实现了喀斯特石漠化的待分级单元的自动绘制，勾勒石漠化制图单元。基于此，通过少量的样本数据，即可快速实现喀斯特石漠化的制图，在提高了制图的精度和效率的同时，兼具自动化程度高和具备可移植性的优点。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的喀斯特石漠化的遥感制图方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种喀斯特石漠化的遥感制图方法。
该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种喀斯特石漠化的遥感制图方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等
上述计算机设备，通过遥感影像数据和专题数据，有效刻画并提取反映喀斯特石漠化特征的信息，以提高机器学习算法对各石漠化等级的识别能力。同时，采用面向对象的策略定义石漠化单元，实现了喀斯特石漠化的待分级单元的自动绘制，勾勒石漠化制图单元。基于此，通过少量的样本数据，即可快速实现喀斯特石漠化的制图，在提高了制图的精度和效率的同时，兼具自动化程度高和具备可移植性的优点。
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。
以上实施例仅表达了本发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种喀斯特石漠化的遥感制图方法，其特征在于，包括步骤：
获取研究区的遥感影像数据和专题数据；其中，所述专题数据包括岩性数据、海拔数据和土地利用数据；
根据所述遥感影像数据计算植被指数、建筑指数和水体指数，并根据所述海拔数据计算坡度；
根据所述岩性数据剔除所述研究区内的非喀斯特石漠化区域，获得喀斯特石漠化待分级区域；
根据所述遥感影像数据对所述喀斯特石漠化待分级区域进行面向对象的多尺度分割，将所述多尺度影像分割结果中最优影像分割结果作为喀斯特石漠化的待分级单元；
获取所述待分级单元在各喀斯特石漠化等级的参照样本，获得参照样本集；
根据各所述待分级单元数据的最大值、最小值、平均值和方差建立所述待分级单元的特征数据集；其中，所述待分级单元数据包括遥感影像波段数据、海拔、坡度、植被指数、建筑指数和水体指数；
将所述参照样本集作为机器学习算法的训练样本，并将所述特征数据集作为所述机器学习算法的输入参数，通过机器学习算法进行所述研究区的石漠化分级，以绘制石漠化空间分布。
2.根据权利要求1所述的喀斯特石漠化的遥感制图方法，其特征在于，在所述根据所述遥感影像数据计算植被指数、建筑指数和水体指数，并根据所述海拔数据计算坡度的过程之前，还包括步骤：
对所述遥感影像数据和所述专题数据进行数据预处理。
3.根据权利要求1所述的喀斯特石漠化的遥感制图方法，其特征在于，所述根据所述遥感影像数据计算植被指数、建筑指数和水体指数的过程，如下式：
其中，NDVI为所述植被指数，NDBI为所述建筑指数，MNDWI为所述水体指数，Green为遥感影像数据的绿波段，Red为遥感影像数据的红波段，Nir为遥感影像数据的近红外波段，Mir为遥感影像数据的短波红外波段。
4.根据权利要求1所述的喀斯特石漠化的遥感制图方法，其特征在于，确定所述多尺度影像分割结果中最优影像分割结果的过程，如下式：
其中，IV为内部一致性，LV为外部差异性，OST为最优分割指标，C_OST为最优分割指标变化率，N为分割对象的数量，Ai为每个分割对象的面积，SDi为每个对象属性特征的标准偏差，ai为任意一个对象的属性特征值，
为所有对象属性特征的平均值，所述属性特征值为所述遥感影像数据各波段的平均值；
其中，OSTi为在多尺度影像分割的目标尺度参数水平的OST数值，OSTi-1为OSTi的上一个参数水平的OST数值；
其中，在OST数值达到最大时，将对应的影像分割结果作为所述最优影像分割结果。
5.根据权利要求1所述的喀斯特石漠化的遥感制图方法，其特征在于，确定所述喀斯特石漠化等级的过程，包括步骤：
根据所述坡度、所述土地利用数据和所述遥感影像特征，并应用影像分割结果确定所述喀斯特石漠化等级；其中，所述喀斯特石漠化等级包括石漠化分类和易混淆地类分类。
6.根据权利要求5所述的喀斯特石漠化的遥感制图方法，其特征在于，还包括步骤：
在所述机器学习算法完成初始分类后，将所述易混淆地类分类归为所述石漠化分类。
7.根据权利要求1至6所述的喀斯特石漠化的遥感制图方法，其特征在于，所述机器学习算法包括随机森林算法。
8.一种喀斯特石漠化的遥感制图装置，其特征在于，包括：
数据获取模块，用于获取研究区的遥感影像数据和专题数据；其中，所述专题数据包括岩性数据、海拔数据和土地利用数据；
数据处理模块，用于根据所述遥感影像数据计算植被指数、建筑指数和水体指数，并根据所述海拔数据计算坡度；
区域划分模块，用于根据所述岩性数据剔除所述研究区内的非喀斯特石漠化区域，获得喀斯特石漠化待分级区域；
影像分割模块，用于根据所述遥感影像数据对所述喀斯特石漠化待分级区域进行面向对象的多尺度分割，将所述多尺度影像分割结果中最优影像分割结果作为喀斯特石漠化的待分级单元；
样本确定模块，用于获取所述待分级单元在各喀斯特石漠化等级的参照样本，获得参照样本集；
特征确定模块，用于根据各所述待分级单元数据的最大值、最小值、平均值和方差建立所述待分级单元的特征数据集；其中，所述待分级单元数据包括遥感影像波段数据、海拔、坡度、植被指数、建筑指数和水体指数；
空间绘图模块，用于将所述参照样本集作为机器学习算法的训练样本，并将所述特征数据集作为所述机器学习算法的输入参数，通过机器学习算法进行所述研究区的石漠化分级，以绘制石漠化空间分布。
9.一种计算机存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现如权利要求1至7任意一项所述的喀斯特石漠化的遥感制图方法。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行程序时实现如权利要求1至7任意一项所述的喀斯特石漠化的遥感制图方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110181725.5A CN113076796B (zh) | 2021-02-08 | 2021-02-08 | 喀斯特石漠化的遥感制图方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110181725.5A CN113076796B (zh) | 2021-02-08 | 2021-02-08 | 喀斯特石漠化的遥感制图方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113076796A true CN113076796A (zh) | 2021-07-06 |
| CN113076796B CN113076796B (zh) | 2022-09-23 |
Family
ID=76609570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110181725.5A Expired - Fee Related CN113076796B (zh) | 2021-02-08 | 2021-02-08 | 喀斯特石漠化的遥感制图方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113076796B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202551A (zh) * | 2021-12-10 | 2022-03-18 | 中国科学院地理科学与资源研究所 | 一种喀斯特石漠化的分级制图方法及装置 |
| CN115019184A (zh) * | 2022-07-28 | 2022-09-06 | 北京卫星信息工程研究所 | 基于遥感影像的石漠化程度自动分级方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341492A (zh) * | 2017-06-01 | 2017-11-10 | 中国科学院地球化学研究所 | 一种喀斯特石漠化信息提取方法 |
| CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
| CN108051565A (zh) * | 2017-12-14 | 2018-05-18 | 中国科学院地理科学与资源研究所 | 大尺度土地沙漠化的快速监测方法 |
| CN108896185A (zh) * | 2018-05-14 | 2018-11-27 | 河海大学 | 基于归一化沙漠指数的遥感地表温度空间降尺度方法 |
| CN110553980A (zh) * | 2019-07-03 | 2019-12-10 | 中南大学 | 基于多源遥感数据的石漠化治理成效多指标监测评价方法 |
| CN110826578A (zh) * | 2019-11-14 | 2020-02-21 | 中国地质科学院岩溶地质研究所 | 全域尺度的岩溶石漠化信息遥感快速提取方法 |
| CN111259963A (zh) * | 2019-12-27 | 2020-06-09 | 南京林业大学 | 一种区域植被指标的驱动因素分析方法、装置及存储介质 |
-
2021
- 2021-02-08 CN CN202110181725.5A patent/CN113076796B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341492A (zh) * | 2017-06-01 | 2017-11-10 | 中国科学院地球化学研究所 | 一种喀斯特石漠化信息提取方法 |
| CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
| CN108051565A (zh) * | 2017-12-14 | 2018-05-18 | 中国科学院地理科学与资源研究所 | 大尺度土地沙漠化的快速监测方法 |
| CN108896185A (zh) * | 2018-05-14 | 2018-11-27 | 河海大学 | 基于归一化沙漠指数的遥感地表温度空间降尺度方法 |
| CN110553980A (zh) * | 2019-07-03 | 2019-12-10 | 中南大学 | 基于多源遥感数据的石漠化治理成效多指标监测评价方法 |
| CN110826578A (zh) * | 2019-11-14 | 2020-02-21 | 中国地质科学院岩溶地质研究所 | 全域尺度的岩溶石漠化信息遥感快速提取方法 |
| CN111259963A (zh) * | 2019-12-27 | 2020-06-09 | 南京林业大学 | 一种区域植被指标的驱动因素分析方法、装置及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| ERQI XU 等: "Characterization and interaction of driving factors in karst rocky", 《SOLID EARTH》 * |
| ERQI XU 等: "OBJECT-BASED MAPPING OF KARST ROCKY DESERTIFICATION USING A SUPPORT VECTOR MACHINE", 《LAND DEGRADATION & DEVELOPMENT》 * |
| 王明明 等: "典型小流域喀斯特石漠化演变特征及其关键表征因子与驱动因素", 《生态学报》 * |
| 高万林: "《新农村信息化建设探索》", 31 March 2011, 中国农业大学大学出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202551A (zh) * | 2021-12-10 | 2022-03-18 | 中国科学院地理科学与资源研究所 | 一种喀斯特石漠化的分级制图方法及装置 |
| CN114202551B (zh) * | 2021-12-10 | 2022-06-03 | 中国科学院地理科学与资源研究所 | 一种喀斯特石漠化的分级制图方法及装置 |
| CN115019184A (zh) * | 2022-07-28 | 2022-09-06 | 北京卫星信息工程研究所 | 基于遥感影像的石漠化程度自动分级方法及装置 |
| CN115019184B (zh) * | 2022-07-28 | 2023-02-07 | 北京卫星信息工程研究所 | 基于遥感影像的石漠化程度自动分级方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113076796B (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Žížala et al. | Mapping soil degradation using remote sensing data and ancillary data: South-East Moravia, Czech Republic | |
| Barbier et al. | The variation of apparent crown size and canopy heterogeneity across lowland Amazonian forests | |
| CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
| Sousa et al. | Identification of upwelling areas on sea surface temperature images using fuzzy clustering | |
| Jung et al. | Effects of national forest inventory plot location error on forest carbon stock estimation using k-nearest neighbor algorithm | |
| CN113076796B (zh) | 喀斯特石漠化的遥感制图方法及装置 | |
| CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
| Taghadosi et al. | Trend analysis of soil salinity in different land cover types using Landsat time series data (case study Bakhtegan Salt Lake) | |
| Bandyopadhyay et al. | Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery | |
| Ezzeldin et al. | Land use changes in the Eastern Nile Delta Region; Egypt using multi-temporal remote sensing techniques | |
| Franklin | Land cover stratification using Landsat Thematic Mapper data in Sahelian and Sudanian woodland and wooded grassland | |
| Sun et al. | Identifying terraces in the hilly and gully regions of the Loess Plateau in China | |
| Francipane et al. | Using very high resolution (VHR) imagery within a GEOBIA framework for gully mapping: an application to the Calhoun Critical Zone Observatory | |
| Al Kuwari et al. | Impact of North Gas Field development on landuse/landcover changes at Al Khore, North Qatar, using remote sensing and GIS | |
| Ganchenko et al. | Special Area Detection and Recognition on Agricultural Fields Images | |
| Rocchini | Resolution problems in calculating landscape metrics | |
| Olujide et al. | Geospatial analysis of land use and land cover dynamics in Akure, Nigeria | |
| Subramani et al. | Land use and land cover change detection and urban sprawl analysis of Panamarathupatti Lake, Salem | |
| Hamed et al. | Digital Change Detection and Map Analysis for Urban Expansion and Land Cover Changes in Karbala City | |
| KR102239393B1 (ko) | 원격탐사 기반 수종 분류 시스템 및 방법 | |
| Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
| Ruan et al. | LANDSAT multispectral image analysis of bedrock exposure rate in highly heterogeneous karst areas through mixed pixel decomposition considering spectral variability | |
| Wang et al. | A new stochastic simulation algorithm for image-based classification: Feature-space indicator simulation | |
| Liu et al. | China's oases have expanded by nearly 40% over the past 20 years | |
| Yin et al. | Mangrove tree height growth monitoring from multi-temporal UAV-LiDAR |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220923 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |