CN113255491A - 一种基于随机森林的线性光谱分解方法 - Google Patents
一种基于随机森林的线性光谱分解方法 Download PDFInfo
- Publication number
- CN113255491A CN113255491A CN202110532514.1A CN202110532514A CN113255491A CN 113255491 A CN113255491 A CN 113255491A CN 202110532514 A CN202110532514 A CN 202110532514A CN 113255491 A CN113255491 A CN 113255491A
- Authority
- CN
- China
- Prior art keywords
- albedo
- information
- low
- spectral decomposition
- linear spectral
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于随机森林的线性光谱分解方法。(1)基于V‑I‑S模型,利用随机森林对遥感影像进行分类,利用改进归一化差异水体指数进行水体掩膜,将影像进行MNF变换和PPI指数计算,选取纯净端元;(2)利用全约束最小二乘法求解线性光谱分解模型(FCLS),获取影像中植被、高反照度、土壤、低反照度4种信息;(3)利用随机森林分类结果提取低反照度信息中的植被低反照度、不透水面低反照度和土壤低反照度,将提取后的低反照度信息与FCLS分解得到的植被、高反照度和土壤信息相加,获得基于随机森林的线性光谱分解模型(RF‑FCLS)所提取的下垫面丰度信息。本发明可以实现下垫面地类丰度信息的有效提取,为城市热岛效应、内涝、生态等相关研究提供数据基础。
Description
技术领域
本发明涉及地理学、物理学、计算机科学等领域,尤其是涉及一种基于随机森林的线性光谱分解方法。
背景技术
随着城市化进程的加快,城市开发建设日益频繁,由人类活动导致的下垫面变化正逐渐改变城市下垫面的热力学、动力学和水循环等方面的特征,城市气候也由此改变。至2021年,城市仅占地球陆地面积约3%,却产生了全球72%的温室气体排放,全球气候变暖、城市“热岛效应”形势严峻,“碳中和、碳达峰”也成为城市低碳绿色发展的重要议题。根据中国1990-2015年的城市内涝统计数据来看,中国东部基本每个城市均发生过城市内涝,且基本都是大暴雨频繁光顾的地区。中国洪涝灾害总体上呈现出南重-北轻、中东部重-西部轻的空间分异格局,尤其在东部城市群地区灾情突出,且有愈演愈烈之势。在此背景下,基于城市这一主体开展的多学科、多领域研究受到越来越多的关注,如城市热环境研究、城市暴雨内涝模拟、城市景观格局和城市生态评价等,对缓解城市热岛效应、减少城市内涝灾害、提高城市景观和提高城市生态环境质量具有重要意义。
城市下垫面地类丰度信息是土地资源合理开发和土地利用动态监测等研究的重要数据基础,在地表温度分析、地表林分监测和地表生态监测等领域中也发挥着重要作用。大、中尺度的多光谱遥感影像不可避免地存在混合像元,利用混合像元分解模型提取丰度信息时,“同谱异物”和“同物异谱”现象易产生地物混淆,进而影响地物丰度信息提取精度。因此,构建光谱分离精度更高的混合像元分解模型,获取更精细的地物信息,对城市下垫面相关研究具有重要意义。
提取下垫面地类丰度信息需要借助混合像元分解模型,混合像元分解模型主要包括线性模型、非线性模型、几何模型和神经网络模型等,其中线性模型最早提出,具有适用范围广、适应性强等特点。目前,发展了较多融合多种算法的混合像元分解模型,在一定程度上提升了信息提取精度,但运算过程包含复杂的阈值设置过程,且运算效率较低,不能有效缓解“同谱异物”和“同物异谱”造成的图像解译困难。显然,当前的混合像元分解模型存在一定的局限性,构建精度高、效率高、操作简便的混合光谱分解模型十分必要。
通过遥感技术识别地类特征是城市研究的重要技术手段,多种遥感技术方法的融合、交叉能够推进遥感技术的创新。随机森林(Random Forest, RF)算法是机器学习中运算效率较高的一种,无复杂阈值设置过程,不易过拟合,广泛应用于多维数据分类中,在同等运算条件下具有更高的信息提取精度。本文发明基于随机森林的线性光谱分解方法,利用随机森林分类减小地物混淆程度,进而获得更高的地类信息提取精度,该方法用于提取细致的城市下垫面地类信息,对遥感宏观监测研究具有重要指导意义。
发明内容
本发明的目的在于提供一种基于随机森林的线性光谱分解方法,能够快速、准确地识别地类信息,且地类信息混淆程度较低。
为实现上述目的,本发明的技术方案是:一种基于随机森林的线性光谱分解方法,包括:
利用改进的归一化差异水体指数MNDWI进行水体掩膜,将影像进行最小噪声比变换MNF和纯净像元指数PPI计算,基于V-I-S模型,选取纯净端元;
基于选取的纯净端元,利用全约束最小二乘法求解线性光谱分解模型FCLS,获取影像中植被、高反照度、土壤、低反照度4种信息;
利用随机森林分类结果提取低反照度信息中的植被低反照度、不透水面低反照度和土壤低反照度,将提取后的低反照度信息与FCLS分解得到的植被、高反照度和土壤信息相加,获得基于随机森林的线性光谱分解模型RF-FCLS所提取的下垫面丰度信息。
在本发明一实施例中,所述最小噪声比变换MNF的具体方式为:通过噪声协方差矩阵分离数据中的噪声,消除波段间的相关性,去除数据噪声的相关性,再对噪声白化数据进行标准主成分变换。
在本发明一实施例中,所述纯净像元指数PPI计算,即对最小噪声比变换MNF后的前三个波段进行PPI指数计算,迭代次数设为10000,阈值设为2.5,纯净像元趋于稳定后停止计算。
在本发明一实施例中,所述选取纯净端元的具体方式为:将最小噪声比变换MNF后的影像前三个波段与PPI指数计算结果叠置关联,并设定PPI纯度阈值,基于V-I-S模型,选取植被、高反照度、低反照度和土壤4种端元。
在本发明一实施例中,所述全约束最小二乘法求解线性光谱分解模型FCLS即对线性光谱分解分解模型添加2个约束条件:①丰度非负约束ANC;②端元丰度总和为1约束ASC。
在本发明一实施例中,该方法可以实现下垫面地类丰度信息的有效提取,为包括城市热岛效应、城市内涝、城市生态的相关研究提供数据基础。
相较于现有技术,本发明具有以下有益效果:本发明能够快速、准确地识别地类信息,且地类信息混淆程度较低;本发明可以实现下垫面地类丰度信息的有效提取,为城市热岛效应、内涝、生态等相关研究提供数据基础。
附图说明
图1为本发明方法流程图。
图2为MNF变换后各波段信息量分布图。
图3为MNF前3个波段端元特征空间及其反射率。
图4为地物端元波谱曲线。
图5为FCLS丰度信息提取结果。
图6为RF分类结果。
图7为FCLS与RF-FCLS结果细节对比图(RGB:432)。
图8为精度验证相关系数图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明一种基于随机森林的线性光谱分解方法,包括:
利用改进的归一化差异水体指数MNDWI进行水体掩膜,将影像进行最小噪声比变换MNF和纯净像元指数PPI计算,基于V-I-S模型,选取纯净端元;
基于选取的纯净端元,利用全约束最小二乘法求解线性光谱分解模型FCLS,获取影像中植被、高反照度、土壤、低反照度4种信息;
利用随机森林分类结果提取低反照度信息中的植被低反照度、不透水面低反照度和土壤低反照度,将提取后的低反照度信息与FCLS分解得到的植被、高反照度和土壤信息相加,获得基于随机森林的线性光谱分解模型RF-FCLS所提取的下垫面丰度信息。
以下为本发明一具体实例。
如图1所示,本发明一种基于随机森林的线性光谱分解方法,利用改进的归一化差异水体指数(Modification of Normalized Difference Water Index, MNDWI)进行水体掩膜,将影像进行最小噪声比变换(Minimum Noise Fraction, MNF)和纯净像元指数(Pixel Purity Index, PPI)计算,基于V-I-S模型,选取纯净端元;利用全约束最小二乘法求解线性光谱分解模型(FCLS),获取影像中植被、高反照度、土壤、低反照度4种信息;利用随机森林分类结果提取低反照度信息中的植被低反照度、不透水面低反照度和土壤低反照度,将提取后的低反照度信息与FCLS分解得到的植被、高反照度和土壤信息相加,获得基于随机森林的线性光谱分解模型(RF-FCLS)所提取的下垫面丰度信息。该模型可以实现下垫面地类丰度信息的有效提取,为城市热岛效应、城市内涝、城市生态等相关研究提供数据基础。
具体实现方式如下:
(1)端元选取:结合V-I-S模型,选取植被、高反照度、低反照度和土壤4个端元,对研究区下垫面信息进行提取。由于低反照度端元中含有水体信息,为了减小线性光谱分解过程中水体信息的干扰,选择了改进的归一化差异水体指数(Modification ofNormalized Difference Water Index, MNDWI)对影像进行掩膜处理,该指数在建设用地背景中提取水体更具优势。
1)为减少数据信息的计算量,对影像进行MNF变换,通过噪声协方差矩阵分离数据中的噪声,消除波段间的相关性,去除数据噪声的相关性,再对噪声白化数据进行标准主成分变换。
经过MNF变换,影像的有效信息多集中于前3个分量(图2),波段信息量特征值分别达到97.52、22.07和7.88,包含了影像中的大量主要信息,故选择前3个波段信息进行端元选取。
2)PPI指数表示像元纯度,是寻找多光谱和高光谱影像数据最纯净像元的方法,像元值越大的区域像元越纯净。对MNF变换后的前三个波段进行PPI指数计算,迭代次数设为10000,阈值设为2.5,纯净像元趋于稳定后停止计算。试验区影像中像元总数为1846999个,影像经过PPI指数计算,选择出的纯净像元个数为127515个,筛选出的纯净像元仅占试验区像元总数的6.90%,端元选择范围减少了93.10%。
3)将MNF变换后的影像前3个波段与PPI指数计算结果叠置关联,并设定PPI纯度阈值,基于V-I-S模型,选取植被、高反照度、低反照度和土壤4种端元,端元信息如图3、4所示。
(2)混合像元线性分解模型中,假设混合像元不同类别的光谱是以线性关系混合的,已知某个像元在各波段的亮度值以及各个土地利用类别在各个光谱波段的标准光谱值,由此,混合像元的分解相当于反演各土地利用类型占该像元比例的问题。对线性光谱分解分解模型添加2个约束条件:①丰度非负约束(abundance non-negativity constraint,ANC);②端元丰度总和为1约束(abundance sum-to-one constraint, ASC)。结合以上两个约束条件,避免了丰度图出现负值或和不为1的不合理情况,各地物的丰度值才具有实际意义。结合所选的4种端元进行FCLS线性光谱分解,获取下垫面植被、不透水面、土壤和低反照度信息,丰度范围在0~1之间,丰度越高,该地类占该像元的比例越大。如图5所示。
(3)随机森林(Random forest,RF):实质是对决策树算法的一种改进,其基本思想为利用自助抽样法(bootstrap)从原始训练集中有放回的抽取k个样本作为新的训练集;分别对其进行决策树建模后生成k个分类树,生成随机森林;最后根据各个分类树的结果(Class)决定新样本的归属。该算法的优势在于能够有效处理高维数据,且无需降维,对于缺省值及非平衡的数据亦能获取较好的分类精度。对遥感影像进行RF分类,分类结果如图6所示,分类结果精度验证如表1所示,RF分类总精度为94.74%,Kappa系数为0.9162,精度较高,可作为区分低反照度植被、不透水面和土壤信息的依据。
(4)RF-FCLS丰度信息提取结果显示(图7),植被丰度信息提取结果中,FCLS将部分不透水面与土壤信息错误提取出来,而RF-FCLS的植被丰度结果中对应区域的不透水面与土壤信息有所减少,更接近假彩色原始影像的植被真实分布情况;不透水面丰度信息提取结果中,FCLS将土壤和植被阴影识别为不透水面,RF-FCLS结果中的相应位置则没有错误识别的土壤和植被阴影信息;土壤丰度信息提取结果中,FCLS将大量不透水面信息提取为土壤信息,而RF-FCLS的结果中,不透水面的错误识别程度明显降低。表明RF算法与FCLS结合,减轻了FCLS丰度信息中的地类混淆程度,减少了阴影区域的错分,丰度提取结果更接近地物分布真实情况。
(5)在试验区针对植被、不透水面和土壤分别绘制150个5*5的验证样点,通过目视解译,在Google Earth影像中描绘出验证样点下对应地物的真实丰度;分别统计验证样点下地物的FCLS和RF-FCLS的丰度,将Google Earth样本区域地类丰度作为Y轴,Landsat样本区域地类丰度作为X轴,绘制散点图并计算验证样点的R 2(图8),并分别计算验证样点的MAE、RMSE和SE等3个指标,对实验结果进行精度评估(表2)。
就R 2而言,植被丰度的R 2提升了1.95%,不透水面丰度的R 2提升了1.27%,土壤丰度的R 2提升了9.76%。就MAE而言,植被的MAE降低了0.72个百分点,不透水面的MAE降低了5.74个百分点,土壤的MAE增加了0.14个百分点。就RMSE而言,植被的RMSE降低了0.41个百分点,不透水面的RMSE降低了6.78个百分点,土壤的RMSE降低了0.91个百分点。就SE而言,植被的SE降低了0.12个百分点,不透水面的SE降低了1.86个百分点,土壤的SE降低了0.25个百分点。综上,相比FCLS,RF-FCLS的下垫面丰度信息提取精度有所提升,土壤的R 2提升幅度最大,不透水面的MAE、RMSE和SE降低幅度最大。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种基于随机森林的线性光谱分解方法,其特征在于,包括:
利用改进的归一化差异水体指数MNDWI进行水体掩膜,将影像进行最小噪声比变换MNF和纯净像元指数PPI计算,基于V-I-S模型,选取纯净端元;
基于选取的纯净端元,利用全约束最小二乘法求解线性光谱分解模型FCLS,获取影像中植被、高反照度、土壤、低反照度4种信息;
利用随机森林分类结果提取低反照度信息中的植被低反照度、不透水面低反照度和土壤低反照度,将提取后的低反照度信息与FCLS分解得到的植被、高反照度和土壤信息相加,获得基于随机森林的线性光谱分解模型RF-FCLS所提取的下垫面丰度信息。
2.根据权利要求1所述的一种基于随机森林的线性光谱分解方法,其特征在于,所述最小噪声比变换MNF的具体方式为:通过噪声协方差矩阵分离数据中的噪声,消除波段间的相关性,去除数据噪声的相关性,再对噪声白化数据进行标准主成分变换。
3.根据权利要求1所述的一种基于随机森林的线性光谱分解方法,其特征在于,所述纯净像元指数PPI计算,即对最小噪声比变换MNF后的前三个波段进行PPI指数计算,迭代次数设为10000,阈值设为2.5,纯净像元趋于稳定后停止计算。
4.根据权利要求1所述的一种基于随机森林的线性光谱分解方法,其特征在于,所述选取纯净端元的具体方式为:将最小噪声比变换MNF后的影像前三个波段与PPI指数计算结果叠置关联,并设定PPI纯度阈值,基于V-I-S模型,选取植被、高反照度、低反照度和土壤4种端元。
5.根据权利要求1所述的一种基于随机森林的线性光谱分解方法,其特征在于,所述全约束最小二乘法求解线性光谱分解模型FCLS即对线性光谱分解分解模型添加2个约束条件:①丰度非负约束ANC;②端元丰度总和为1约束ASC。
6.根据权利要求1所述的一种基于随机森林的线性光谱分解方法,其特征在于,该方法可以实现下垫面地类丰度信息的有效提取,为包括城市热岛效应、城市内涝、城市生态的相关研究提供数据基础。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532514.1A CN113255491A (zh) | 2021-05-17 | 2021-05-17 | 一种基于随机森林的线性光谱分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532514.1A CN113255491A (zh) | 2021-05-17 | 2021-05-17 | 一种基于随机森林的线性光谱分解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255491A true CN113255491A (zh) | 2021-08-13 |
Family
ID=77182071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532514.1A Pending CN113255491A (zh) | 2021-05-17 | 2021-05-17 | 一种基于随机森林的线性光谱分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255491A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597826A (zh) * | 2020-12-08 | 2021-04-02 | 核工业北京地质研究院 | 一种对高光谱sasi数据进行岩性分类的方法 |
CN113486869A (zh) * | 2021-09-07 | 2021-10-08 | 中国自然资源航空物探遥感中心 | 一种基于非监督特征提取的岩性识别方法、装置及介质 |
CN113963263A (zh) * | 2021-12-23 | 2022-01-21 | 中国农业大学 | 多年生植被生长属性的确定方法、装置以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130336540A1 (en) * | 2012-06-14 | 2013-12-19 | Hitachi, Ltd. | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images |
CN103544477A (zh) * | 2013-09-30 | 2014-01-29 | 北京师范大学 | 基于改进的线性光谱混合模型的植被覆盖度估算方法 |
CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
-
2021
- 2021-05-17 CN CN202110532514.1A patent/CN113255491A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130336540A1 (en) * | 2012-06-14 | 2013-12-19 | Hitachi, Ltd. | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images |
CN103544477A (zh) * | 2013-09-30 | 2014-01-29 | 北京师范大学 | 基于改进的线性光谱混合模型的植被覆盖度估算方法 |
CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
Non-Patent Citations (6)
Title |
---|
林年丰: "《生态环境系统研究》", 1 September 2009, 吉林大学出版社 * |
程起敏: "《遥感图像检索技术》", 1 May 2011, 武汉大学出版社 * |
罗智勇等: "城市不透水面信息提取及水环境效应分析――以武汉市江南三区为例", 《信阳师范学院学报(自然科学版)》 * |
邵振峰等: "基于测绘卫星影像的城市不透水面提取", 《地理空间信息》 * |
陈婉佳等: "基于Landsat 8数据的城市不透水面及其与热环境的关系研究", 《测绘与空间地理信息》 * |
黄艳妮等: "基于线性光谱混合模型的混合像元分解研究――以合肥市为例", 《安徽师范大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597826A (zh) * | 2020-12-08 | 2021-04-02 | 核工业北京地质研究院 | 一种对高光谱sasi数据进行岩性分类的方法 |
CN113486869A (zh) * | 2021-09-07 | 2021-10-08 | 中国自然资源航空物探遥感中心 | 一种基于非监督特征提取的岩性识别方法、装置及介质 |
CN113486869B (zh) * | 2021-09-07 | 2021-12-07 | 中国自然资源航空物探遥感中心 | 一种基于非监督特征提取的岩性识别方法、装置及介质 |
CN113963263A (zh) * | 2021-12-23 | 2022-01-21 | 中国农业大学 | 多年生植被生长属性的确定方法、装置以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255491A (zh) | 一种基于随机森林的线性光谱分解方法 | |
Chubey et al. | Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
Du et al. | A novel binary tree support vector machine for hyperspectral remote sensing image classification | |
CN105608692B (zh) | 基于反卷积网络和稀疏分类的极化sar图像分割方法 | |
CN107392133B (zh) | 利用面向对象多源信息融合的荒漠植物遥感识别方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN108268527B (zh) | 一种检测土地利用类型变化的方法 | |
CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
CN106228130B (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
Guo et al. | Urban impervious surface extraction based on multi-features and random forest | |
Mustafa et al. | Identification and mapping of tree species in urban areas using worldview-2 imagery | |
CN106844739A (zh) | 一种基于神经网络协同训练的遥感图像变化信息检索方法 | |
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 | |
CN114005048A (zh) | 基于多时相数据的土地覆盖变化与热环境影响研究方法 | |
CN106096651A (zh) | 基于超像素和度量学习的极化sar地物分类方法 | |
CN116385867A (zh) | 生态地块监测识别与分析方法、系统、介质、设备及终端 | |
Hui et al. | Classification of wetland from TM imageries based on decision tree | |
Kumar et al. | A novel image processing technique for counting the number of trees in a satellite image | |
CN111768101B (zh) | 一种顾及物候特征的遥感耕地变化检测方法及系统 | |
Su et al. | Karst rocky desertification information extraction based on the decision tree | |
Yan et al. | Extraction of physical and chemical information from soil based on hyperspectral remote sensing based on plantation of Jerusalem artichoke | |
Song et al. | Tree recognition based on HSV-corrosion method and SSD method combining colour complexity and adaptive switching idea | |
Yang et al. | Semantic perceptive infrared and visible image fusion Transformer |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |