CN113255144B - 基于FUI分区和Ransac的浅海遥感水深反演方法 - Google Patents
基于FUI分区和Ransac的浅海遥感水深反演方法 Download PDFInfo
- Publication number
- CN113255144B CN113255144B CN202110614829.0A CN202110614829A CN113255144B CN 113255144 B CN113255144 B CN 113255144B CN 202110614829 A CN202110614829 A CN 202110614829A CN 113255144 B CN113255144 B CN 113255144B
- Authority
- CN
- China
- Prior art keywords
- water depth
- data
- water
- remote sensing
- inversion
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于FUI分区和Ransac的浅海遥感水深反演方法,本发明首先使用多光谱遥感数据计算得到FUI水色指数,并基于FUI水色指数的分布,结合人工目视解译,对浅海地区进行分区;然后使用Ransac算法对每个分区的实地水深点数据集(实地水深点的水深值及其对应的R、G、B波段上的反射率)进行筛选,保留正确的数据,去除存在较大误差的数据;最后,使用保存下来的实地水深点数据集进行分区反演。本发明将分区思想与抗差估计思想有机地结合起来,在一定程度上提升了反演精度。本发明能够广泛地应用于浅海多光谱遥感水深反演领域。
Description
技术领域
本发明涉及海洋遥感领域,具体涉及一种基于FUI分区和Ransac的浅海遥感水深反演方法。
背景技术
水深是浅海地区的重要地理要素之一,对于海岸带开发与保护、海上航行、海洋科学研究等具有重要意义。遥感技术具有大尺度、低成本、重复观测等优势,其为浅海水深探测提供了一种行之有效的新手段。由于技术方法简单、获取数据相对容易等优势,利用多光谱遥感数据来反演水深最为普遍。但是,使用多光谱遥感数据反演浅海水深存在着两个难点。其一,由于浅海地区环境因素复杂,使用单一的半理论半经验模型无法很好地拟合整个区域。因此,众多学者提出了许多分区反演的方法,例如根据底质分区、根据反演残差分区等等。这些方法虽取得了较好的反演结果,但实施起来较为复杂,需要大量的先验知识及工作。其二,多光谱遥感数据和源于海图的实地水深点数据不可避免地存在着各种测量误差,甚至是粗差,这个问题目前还没有引起其他学者的过多关注和研究。上述难点严重影响了浅海多光谱遥感水深反演的精度、效率。
发明内容
本发明要解决的技术问题是针对以上不足,提供一种基于FUI分区和Ransac的浅海遥感水深反演方法。
为解决以上技术问题,本发明采用以下技术方案:
步骤1、获取目标水域的多光谱遥感数据,并对多光谱遥感数据进行预处理;依据多光谱遥感数据的成像时间,对源于海图的实地水深点进行潮汐校正,得到实地水深点潮汐校正后的水深值;
步骤2、使用预处理后的多光谱遥感数据的R、G和B波段,利用CIE-XYZ色度系统中三原色RGB与三刺激值XYZ之间的转换关系,计算得到多光谱遥感数据的R、G和B波段对应的三刺激值X、Y和Z:
将得到的刺激值X和Y归一化,得到(x,y):
在二维CIE色度空间里,将得到的(x,y)进行转换,得到以等能白光点为原点的坐标(x’,y’):
(x’,y’)向量与二维CIE色度空间中的x’轴负方向之间的顺时针夹角即为色度角α,然后根据FUI水色指数查找表得到FUI水色指数;
步骤3、根据步骤2得到的FUI水色指数分布,结合人工目视解译,对不同水色的水域进行人工分区,得到若干个水域分区;
步骤4、在步骤3得到的每个水域分区里,将步骤1的实地水深点潮汐校正后的水深值及其对应的R、G和B波段的反射率导出;每个水域分区的实地水深点潮汐校正后的水深值和对应的R、G和B波段上的反射率组成每个水域分区的实地水深点数据集;
步骤5、在步骤3得到的每个水域分区里,使用蓝绿双波段对数线性模型、红蓝绿三波段对数线性模型和Stumpf对数转换比值模型三种反演模型中的任意一种,利用对应的Ransac算法对步骤4得到的实地水深点数据集进行筛选,保留数据误差小于误差阈值的实地水深点数据及其在R、G和B波段上的反射率,去除数据误差大于误差阈值的数据,得到筛选后的实地水深点数据集;
步骤6、在步骤3得到的每个水域分区里,将上一步得到的实地水深点数据集分成拟合数据和验证数据,然后利用拟合数据对步骤5用到的反演模型进行拟合,得到水深反演模型;
步骤7、将步骤1得到的预处理后的多光谱遥感数据的R、G和B波段输入上一步得到的水深反演模型,得到水深图。
进一步的,所述步骤1中,预处理包括辐射校正和大气校正,根据需要选择是否包括几何校正和太阳耀斑校正;所述潮汐校正的方法为获取多光谱遥感数据成像的具体时间,查询此时刻浅海水域的潮高,然后对实地水深点进行潮汐校正。
进一步的,所述步骤3中的分区方法为:人工目视解译,根据水域FUI水色指数的分布进行人工分区。
进一步的,所述步骤5中,筛选时使用对应模型的Ransac算法,Ransac算法的主要参数设置方法如下:
(1)采样次数。此参数需要根据具体问题确定,蓝绿双波段对数线性模型、红蓝绿三波段对数线性模型、Stumpf对数转换比值模型分别至少采样3、4和2次。
(2)使用最小二乘法计算反演模型的参数。
(3)内外点阈值。此参数的确定无法具体量化,只能根据具体问题的需求来确定。在较浅的分区中,选用0.5m作为阈值;在较深的分区中,选用1.0m作为阈值。
(4)每组参数的支持度。每组参数对应模型的内点个数。
(5)循环次数。此参数的确定过程较为复杂,使其数值很大,保证迭代的充分即可。
进一步的,所述步骤6中,拟合反演模型使用的是最小二乘法,反演精度的评价指标包括平均绝对误差、平均相对误差、验证数据的真实水深值与拟合水深值之间的相关系数和箱线图工具。
进一步的,所述步骤6中,拟合数据和验证数据的比例为2:1或3:1。
本发明的有益效果为:在传感器的入瞳辐射中,包含着来自水体底部、水柱、水面、大气的贡献,但其中包含水深信息的只有底部反射;然而,底部反射不仅与水体深度有关,还与水体底质、水体光学性质有关。FUI水体颜色是太阳光照与水中物质相互作用的结果,在20m以浅的水域,FUI水体颜色还受底部反射的影响。研究表明,FUI水色指数涵盖了非常广泛的自然水体光学特征,与水体透明度、水体营养状态等有着密切的相关关系。因此,利用FUI水色指数对浅海水域进行事先分区,能够综合各种水质水况信息以及部分底质信息,更好地、更全面地进行分区。此外,基于FUI水色指数的分区方法较其他分区方法来讲,具有操作简单、不需要过多其他资料等优点。Ransac算法具有良好的抗粗差性能,能够将不利于水深反演的外点提前剔除出去,提升实地水深点数据集的准确性,进而提升水深反演的精度。本发明将两种策略结合起来运用于水深反演,充分考虑了水体的空间异质性、多光谱遥感数据和实地水深点数据的不确定性,显著提升了反演精度。
下面结合附图和实施例对本发明进行详细说明。
附图说明
图1为本发明实施例的方法流程示意图;
图2为本发明实施例的多光谱遥感影像图,同时展示了实地水深点的分布;
图3为本发明实施例的FUI水色指数分布图;
图4为本发明实施例中使用蓝绿双波段对数线性模型对应的Ransac算法筛选后实地水深点的分布图;
图5为本发明实施例中使用红绿蓝三波段对数线性模型对应的Ransac算法筛选后实地水深点的分布图;
图6为本发明实施例中使用Stumpf对数转换比值模型对应的Ransac算法筛选后实地水深点的分布图;
图7为本发明实施例中使用蓝绿双波段对数线性模型对应的Ransac算法筛选后拟合数据、验证数据的分布图;
图8为本发明实施例中使用红绿蓝三波段对数线性模型对应的Ransac算法筛选后拟合数据、验证数据的分布图;
图9为本发明实施例中使用Stumpf对数转换比值模型对应的Ransac算法筛选后拟合数据、验证数据的分布图;
图10为本发明实施例中使用蓝绿双波段对数线性模型进行反演得到的MAE、MRE折线图;
图11为本发明实施例中使用红绿蓝三波段对数线性模型进行反演得到的MAE、MRE折线图;
图12为本发明实施例中使用Stumpf对数转换比值模型进行反演得到的MAE、MRE折线图;
图13为本发明实施例中使用蓝绿双波段对数线性模型、采用经典的全局方法进行反演得到的验证数据的散点图;
图14为本发明实施例中使用蓝绿双波段对数线性模型、采用FUI分区方法进行反演得到的验证数据的散点图;
图15为本发明实施例中使用蓝绿双波段对数线性模型、采用本发明的方法进行反演得到的验证数据的散点图;
图16为本发明实施例中使用红绿蓝三波段对数线性模型、采用经典的全局方法进行反演得到的验证数据的散点图;
图17为本发明实施例中使用红绿蓝三波段对数线性模型、采用FUI分区方法进行反演得到的验证数据的散点图;
图18为本发明实施例中使用红绿蓝三波段对数线性模型、采用本发明的方法进行反演得到的验证数据的散点图;
图19为本发明实施例中使用Stumpf对数转换比值模型、采用经典的全局方法进行反演得到的验证数据的散点图;
图20为本发明实施例中使用Stumpf对数转换比值模型、采用FUI分区方法进行反演得到的验证数据的散点图;
图21为本发明实施例中使用Stumpf对数转换比值模型、采用本发明的方法进行反演得到的验证数据的散点图;
图22为本发明实施例中使用蓝绿双波段对数线性模型进行反演得到的箱线图;
图23为本发明实施例中使用红绿蓝三波段对数线性模型进行反演得到的箱线图;
图24为本发明实施例中使用Stumpf对数转换比值模型进行反演得到的箱线图;
图25为本发明实施例中使用蓝绿双波段对数线性模型进行反演得到的水深栅格图;
图26为本发明实施例中使用红绿蓝三波段对数线性模型进行反演得到的水深栅格图;
图27为本发明实施例中使用Stumpf对数转换比值模型进行反演得到的水深栅格图;
图28为本发明实施例的方法流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明提出一种基于FUI分区和Ransac的浅海遥感水深反演方法,完整的技术路线见图1和图28。本发明实施例的研究区为位于中东地区的哈伊马角北半部的狭长浅海水域,见图2。此地扼守波斯湾进出要塞,具有十分重要的战略地位。
(S1)获取了本发明实施例研究区的Sentinel-2B多光谱数据,见图2,并对其进行预处理,包括辐射校正、大气校正。由于此数据的自主定位精度良好,故不进行几何校正;又由于此数据中无明显太阳耀斑现象,故不进行太阳耀斑校正;获取多光谱遥感数据成像的具体时间,查询此时刻该浅海水域的潮高,然后对实地水深点进行潮汐校正。表1总结了多光谱遥感数据成像时间对应的潮高信息。
表1 潮高信息
数据类型 | 成像时间(格林尼治时间) | 对应的潮高(m) |
Sentinel-2B | 2020-09-30 06:46:59 | 1.33 |
(S2)计算色度角α,并根据FUI水色指数查找表确定FUI水色指数,在表中查找与α最邻近的色度值,该色度值对应的FUI水色指数即为水体的FUI水色指数。
表2 FUI水色指数查找表
(S3)获取由Sentinel-2B多光谱数据计算得到的FUI水色指数分布图,然后人工进行分区,见图3。
(S4)基于上一步骤得到的分区结果,将实地水深点潮汐校正后的水深值及其对应的R、G和B波段的反射率导出,得到每个分区的实地水深点数据集(包括实地水深点校正后的水深值、对应的R、G和B波段的反射率)。
(S5)基于上面的分区结果,先后统一使用蓝绿双波段对数线性模型、红绿蓝三波段对数线性模型、Stumpf对数转换比值模型对应的Ransac算法对上一步骤得到的实地水深点数据集进行筛选,保留准确度高的实地水深点数据及其在R、G和B波段上的反射率,去除存在较大误差的数据。采样次数分别设置为3、4和2次;使用最小二乘法计算反演模型的参数;在水深较浅的分区内,阈值设为0.5m,在水深较深的分区内,阈值设为1.0m;每组参数的支持度设为每组参数对应模型的内点个数;循环次数设为100000次。Ransac算法筛选后实地水深点的分布见图4-6,图4是蓝绿双波段对数线性模型的Ransac算法筛选结果,图5是红绿蓝三波段对数线性模型的Ransac算法筛选结果,图6是Stumpf对数转换比值模型的Ransac算法筛选结果。
(S6-S7)在分区的基础上,将上一步骤保留下来的实地水深点数据集按照2:1的比例分成拟合数据、验证数据,拟合数据、验证数据的分布见图7-9。图7是蓝绿双波段对数线性模型的分配情况,图8是红绿蓝三波段对数线性模型的分配情况,图9是Stumpf对数转换比值模型的分配情况。然后,每个分区统一使用上一步骤中用到的反演模型进行反演。为了显示本发明的有效性,将本发明得到的反演结果与以下两种情况进行对比,分别是:1)不分区,直接进行反演,使用除验证数据外所有的实地水深点数据(包括拟合数据、外点)拟合模型,使用验证数据验证反演精度,简称经典的全局方法;2)分区反演,但在每个分区内,使用除验证数据外所有的实地水深点数据(包括拟合数据、外点)拟合模型,使用验证数据验证反演精度,简称FUI分区方法。拟合反演模型使用的是最小二乘法,反演精度的评价指标包括平均绝对误差(MAE)、平均相对误差(MRE)、验证数据的真实水深值与拟合水深值之间的相关系数()、箱线图。平均绝对误差、平均相对误差的比较见图10-12,图10是蓝绿双波段对数线性模型的结果,图11是红绿蓝三波段对数线性模型的结果,图12是Stumpf对数转换比值模型的结果。验证数据的真实水深值与拟合水深值之间的相关系数见图13-21,图13-15是蓝绿双波段对数线性模型的结果,图16-18是红绿蓝三波段对数线性模型的结果,图19-21是Stumpf对数转换比值模型的结果。箱线图见图22-24,图22是蓝绿双波段对数线性模型的箱线图,图23是红绿蓝三波段对数线性模型的箱线图,图24是Stumpf对数转换比值模型的箱线图。本发明反演得到的水深图见图25-27,图25是使用蓝绿双波段对数线性模型反演得到的水深图,图26是使用红绿蓝三波段对数线性模型反演得到的水深图,图27是使用Stumpf对数转换比值模型反演得到的水深图。对比试验中,使用本发明得到的反演结果精度最好,这说明了本发明的有效性、实用性。
以上所述为本发明最佳实施方式的举例,其中未详细述及的部分均为本领域普通技术人员的公知常识。本发明的保护范围以权利要求的内容为准,任何基于本发明的技术启示而进行的等效变换,也在本发明的保护范围之内。
Claims (6)
1.基于FUI分区和Ransac的浅海遥感水深反演方法,其特征在于,包括以下步骤:
步骤1、获取目标水域的多光谱遥感数据,并对多光谱遥感数据进行预处理;依据多光谱遥感数据的成像时间,对源于海图的实地水深点进行潮汐校正,得到实地水深点潮汐校正后的水深值;
步骤2、使用预处理后的多光谱遥感数据的R、G和B波段,利用CIE-XYZ色度系统中三原色RGB与三刺激值XYZ之间的转换关系,计算得到多光谱遥感数据的R、G和B波段对应的三刺激值X、Y和Z,并将X和Y归一化得到(x,y),在二维CIE色度空间里,将(x,y)进行转换,得到以等能白光点为原点的坐标(x’,y’),原点到(x’,y’)对应的向量与二维CIE色度空间中的x’轴负方向之间的顺时针夹角即为色度角α,然后根据FUI水色指数查找表得到FUI水色指数;
步骤3、根据步骤2得到的FUI水色指数分布,结合人工目视解译,对不同水色的水域进行人工分区,得到若干个水域分区;
步骤4、在步骤3得到的每个水域分区里,将步骤1的实地水深点潮汐校正后的水深值及其对应的R、G和B波段的反射率导出;每个水域分区的实地水深点潮汐校正后的水深值和对应的R、G和B波段上的反射率组成每个水域分区的实地水深点数据集;
步骤5、在步骤3得到的每个水域分区里,使用蓝绿双波段对数线性模型、红蓝绿三波段对数线性模型和Stumpf对数转换比值模型三种反演模型中的任意一种,利用对应的Ransac算法对步骤4得到的实地水深点数据集进行筛选,保留数据误差小于误差阈值的实地水深点数据及其在R、G和B波段上的反射率,去除数据误差大于误差阈值的数据,得到筛选后的实地水深点数据集;
步骤6、在步骤3得到的每个水域分区里,将上一步得到的实地水深点数据集分成拟合数据和验证数据,然后利用拟合数据对步骤5用到的反演模型进行拟合,得到水深反演模型;
步骤7、将步骤1得到的预处理后的多光谱遥感数据的R、G和B波段输入上一步得到的水深反演模型,得到水深图。
2.根据权利要求1所述的基于FUI分区和Ransac的浅海遥感水深反演方法,其特征在于,所述步骤1中,预处理包括辐射校正和大气校正,根据需要选择是否包括几何校正和太阳耀斑校正;所述潮汐校正的方法为获取多光谱遥感数据成像的具体时间,查询此时刻浅海水域的潮高,然后对实地水深点进行潮汐校正。
3.根据权利要求1所述的基于FUI分区和Ransac的浅海遥感水深反演方法,其特征在于,所述步骤3中的分区方法为:人工目视解译,根据水域FUI水色指数的分布进行人工分区。
4.根据权利要求1所述的基于FUI分区和Ransac的浅海遥感水深反演方法,其特征在于,所述步骤5中,筛选时使用对应模型的Ransac算法,Ransac算法的主要参数设置方法如下:
采样次数根据采用模型确定,蓝绿双波段对数线性模型、红蓝绿三波段对数线性模型和Stumpf对数转换比值模型分别至少采样3、4和2次;
使用最小二乘法计算反演模型的参数;
每组参数的支持度为每组参数对应模型的内点个数。
5.根据权利要求1所述的基于FUI分区和Ransac的浅海遥感水深反演方法,其特征在于,所述步骤6中,拟合反演模型使用的是最小二乘法,反演精度的评价指标包括平均绝对误差、平均相对误差、验证数据的真实水深值与拟合水深值之间的相关系数和箱线图工具。
6.根据权利要求1所述的基于FUI分区和Ransac的浅海遥感水深反演方法,其特征在于,所述步骤6中,拟合数据和验证数据的比例为2:1或3:1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110614829.0A CN113255144B (zh) | 2021-06-02 | 2021-06-02 | 基于FUI分区和Ransac的浅海遥感水深反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110614829.0A CN113255144B (zh) | 2021-06-02 | 2021-06-02 | 基于FUI分区和Ransac的浅海遥感水深反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255144A CN113255144A (zh) | 2021-08-13 |
CN113255144B true CN113255144B (zh) | 2021-09-07 |
Family
ID=77186099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110614829.0A Active CN113255144B (zh) | 2021-06-02 | 2021-06-02 | 基于FUI分区和Ransac的浅海遥感水深反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255144B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114297938A (zh) * | 2021-12-31 | 2022-04-08 | 厦门大学 | 一种基于神经网络的光学浅水水底深度的反演方法 |
CN115235431B (zh) * | 2022-05-19 | 2024-05-14 | 南京大学 | 一种基于光谱分层的浅海水深反演方法及系统 |
CN117372891B (zh) * | 2023-12-07 | 2024-02-13 | 中铁水利水电规划设计集团有限公司 | 一种利用卫星遥感影像进行水深反演的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104181515A (zh) * | 2013-05-21 | 2014-12-03 | 时春雨 | 一种基于蓝-黄波段高光谱数据的浅海水深反演方法 |
CN105651263A (zh) * | 2015-12-23 | 2016-06-08 | 国家海洋局第海洋研究所 | 浅海水深多源遥感融合反演方法 |
CN111595791A (zh) * | 2020-06-04 | 2020-08-28 | 首都师范大学 | 基于高光谱数据校正的内陆水体fui水色指数提取方法 |
CN111967131A (zh) * | 2020-07-08 | 2020-11-20 | 中国第一汽车股份有限公司 | 基于试验场耐久路实测载荷动力总成悬置载荷谱编制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8548784B2 (en) * | 2009-07-13 | 2013-10-01 | Westerngeco L.L.C. | Tar estimation |
-
2021
- 2021-06-02 CN CN202110614829.0A patent/CN113255144B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104181515A (zh) * | 2013-05-21 | 2014-12-03 | 时春雨 | 一种基于蓝-黄波段高光谱数据的浅海水深反演方法 |
CN105651263A (zh) * | 2015-12-23 | 2016-06-08 | 国家海洋局第海洋研究所 | 浅海水深多源遥感融合反演方法 |
CN111595791A (zh) * | 2020-06-04 | 2020-08-28 | 首都师范大学 | 基于高光谱数据校正的内陆水体fui水色指数提取方法 |
CN111967131A (zh) * | 2020-07-08 | 2020-11-20 | 中国第一汽车股份有限公司 | 基于试验场耐久路实测载荷动力总成悬置载荷谱编制方法 |
Non-Patent Citations (2)
Title |
---|
MODIS-Based Radiometric Color Extraction and Classification of Inland Water With the Forel-Ule Scale: A Case Study of Lake Taihu;Shenglei Wang;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20151231;第8卷(第2期);第907-918页 * |
高分辨率卫星立体双介质浅水水深测量方法;曹彬才;《测绘学报》;20160831;第45卷(第8期);第952-963页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255144A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255144B (zh) | 基于FUI分区和Ransac的浅海遥感水深反演方法 | |
Lenney et al. | The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM | |
CN109059796B (zh) | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 | |
Brando et al. | A physics based retrieval and quality assessment of bathymetry from suboptimal hyperspectral data | |
CN112232234B (zh) | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 | |
CN107067012B (zh) | 基于图像处理的海底地貌单元边缘智能识别方法 | |
Sousa et al. | Identification of upwelling areas on sea surface temperature images using fuzzy clustering | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN109919951B (zh) | 语义关联的面向对象城市不透水面遥感提取方法及系统 | |
CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
CN110033499B (zh) | 一种基于Landsat OLI影像水体制图法 | |
CN109359533B (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN109781073B (zh) | 一种融合海浪特征和光谱特征的浅海水深遥感提取方法 | |
CN110163035A (zh) | 一种先验数据支持的云阴影识别方法 | |
CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
CN112285710A (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
Ainsworth et al. | Radiance spectra classification from the ocean color and temperature scanner on ADEOS | |
CN109801306B (zh) | 基于高分遥感影像的潮沟提取方法 | |
CN113837123A (zh) | 一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法 | |
Zhang et al. | Satellite-derived bathymetry model in the Arctic waters based on support vector regression | |
CN117115077A (zh) | 一种湖泊蓝藻水华检测方法 | |
Zhu et al. | spectral characteristic analysis and remote sensing classification of coastal aquaculture areas based on GF-1 data |
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 |