CN113269030A - 石漠化演变的遥感监测方法 - Google Patents

石漠化演变的遥感监测方法 Download PDF

Info

Publication number
CN113269030A
CN113269030A CN202110374832.XA CN202110374832A CN113269030A CN 113269030 A CN113269030 A CN 113269030A CN 202110374832 A CN202110374832 A CN 202110374832A CN 113269030 A CN113269030 A CN 113269030A
Authority
CN
China
Prior art keywords
desertification
stony desertification
evolution
end member
monitoring
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
Application number
CN202110374832.XA
Other languages
English (en)
Inventor
胡文敏
李果
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University of Forestry and Technology
Original Assignee
Central South University of Forestry and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University of Forestry and Technology filed Critical Central South University of Forestry and Technology
Priority to CN202110374832.XA priority Critical patent/CN113269030A/zh
Publication of CN113269030A publication Critical patent/CN113269030A/zh
Pending legal-status Critical Current

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明石漠化监测评估，具体涉及一种石漠化演变的遥感监测方法。其方案包括以下步骤：(1)提取待监测石漠化地区的高分六号(GF‑6)卫星遥感影像数据；然后对该数据进行预处理，预处理包括辐射定标、大气校正、正射校正、裁剪无石漠化区域等；(2)数据降维和端元选择；(3)混合像元分解提取端元丰度图像；(4)石漠化分级评价；(5)通过多个时间段的石漠化分级评价结果监测石漠化演变情况。本发明通过对石漠化状况进行观测分析与评价，为林业规划与政策实施提供重要依据。

Description

石漠化演变的遥感监测方法
技术领域
本发明涉及石漠化监测评估，具体涉及一种石漠化演变的遥感监测方法。
背景技术
喀斯特石漠化在世界范围内均有分布，是由于人类活动的干扰，使得喀斯特 地表环境出现土壤功能丧失、基岩裸露、生产力下降的土地退化过程。是一种特 殊的土地退化过程，土壤被严重或彻底侵蚀，基岩裸露，土地承载力严重下降， 最终，喀斯特土地退化为与沙漠景观相似的格局。中国尤其是西南地区的石漠化 问题严重威胁着区域生态平衡和生态经济，表现出分布面积极广、生态环境脆弱、 人口经济问题突出等特点。在中国喀斯特地貌发育的物质基础碳酸盐类基岩总面 积达200万km2，其中裸露的碳酸盐类基岩面积约130万km2，约占全国总面积 的1/7，埋藏的碳酸盐岩面积约70万km2，截止本世纪初，在中国西南部，云南， 贵州和广西壮族自治区的土壤侵蚀总面积达到土地总面积的40％。中度到强度 土壤侵蚀面积约为6万km2，约占受土壤侵蚀影响总面积的37％，土壤侵蚀正在 稳步加剧。例如，在贵州省，上世纪50年代土壤侵蚀为2.5万km2，上世纪60 年代为3.5万km2，上世纪70年代为5万km2，到1995年为7.6万km2，超过总 面积的40％。因此，如何很好地监测和治理石漠化是目前研究的重要课题。
发明内容
为了很好地监测石漠化的程度和发展，本发明提供一种石漠化演变的遥感监 测方法。本发明所提供的石漠化演变的遥感监测方法，可以比较精确地监测到县 级区域的石漠化演变，大大缩小了时间和空间的跨度，为更小区域的石漠化施策 提供重要参考。
本发明提供的一种石漠化演变的遥感监测方法，包括如下步骤：
(1)提取待监测石漠化地区的高分六号(GF-6)卫星遥感影像数据；然后 对该数据进行预处理，预处理包括辐射定标、大气校正、正射校正、裁剪无石漠 化区域等；
(2)数据降维和端元选择；
(3)混合像元分解提取端元丰度图像；
(4)石漠化分级评价；
(5)通过多个时间段的石漠化分级评价结果监测石漠化演变情况。
本发明优选地，所述数据降维采用极小化噪声分量的方法进行计算。
本发明优选地，所述端元选择是采用连续最大角凸锥(SMACC)方法进行 端元的提取，并且采用的最大角凸锥(SMACC)方法的数学表达式为：
Figure BDA0003009385220000011
表达式中的H表示端元波谱，c表示波段索引，i为像素索引，K，j为1到 最大端元N的索引，R表示端元波谱的矩阵，A表示每一个像素中端元j对端元 k的丰度矩阵。
本发明优选地，提取端元丰度图像是采用完全约束最小能量二乘法(FCLS) 来进行图像的混合像元的分解，提取端元丰度图像。
本发明优选地，石漠化分级评价是选取基于植被端元、基岩端元、土壤端元 所得到的石漠化分级图，然后对照分级标准进行分级评价。
附图说明
图1为混合像元分解流程图
图2A为GF-6卫星原始影像图
图2B为GF-6卫星预处理后影像图
图3为MNF变换后各波段特征值分布曲线图
图4为端元波谱曲线图
图5为植被端元丰度等级分布图
图6为基岩端元丰度等级分布图
图7为土壤端元丰度等级分布图
图8为FCLS模型分解RMSE结果图
图9为普定县石漠化分布图
图10为石漠化样点位置图(2018年)
图11为不同石漠化等级的平均误差值图
图12A为GF-6在端元提取后的光谱曲线图
图12B为Landsat-8在端元提取后的光谱曲线图
图13为植被、基岩、土壤组分端元的石漠化丰度差异图
具体实施方式
以下通过具体实施例对本发明进一步说明，以助于更好地理解本发明，但本 发明的保护范围并不仅限这些实施例。
1.1区域
本实施例选定贵州省普定县，普定县自上世纪五十年代以来，每年平均新增 石漠化面积就达500hm2左右，由于新增的石漠化主要发生在陡坡耕作区，相当 于全县每年人均减少耕地0.0013hm2，人地矛盾日益突出。目前全县石漠化面 积已达390.93km2(不含潜在石漠化面积)，占全县土地总面积达35.8％(碳酸 盐岩出露面积的47.1％)，其中轻度、中度、强度、极强度石漠化面积分别占总 面积的13.44％、14.74％、6.46％、1.18％，中度(裸岩面积50％以上)以上的石漠 化面积占全县总面积的22.3％。
2.2.2数据源
本研究中，GF-6(WFV)作为主要探讨对象，此外，其他辅助数据如：普定 县行政矢量边界、普定县DEM等，第三次石漠化调查图主要从普定县园林局获取。
表2.1主要数据源
Figure BDA0003009385220000021
Figure BDA0003009385220000031
表2.5GF-6卫星参数
Figure BDA0003009385220000032
研究采用GF-6号卫星数据，WFV传感器，时间为2018年11月28日，16 米分辨率，含云亮低于10％，8波段，相比高分1号卫星数据，增加B6(0.68 μm-0.73μm)和B7(0.73μm-0.77μm)两个红边波段，数据具体编号： GF-6_WFV_E105.9_N26.9_20181128_L1A1119860108。通过Landsat-8卫星OLI 数据进行对比，日期为2019年12月10日，含云量5％，11波段。
3.2方法
3.2.2方法路线
大部分传感器得到的地物反射或光谱信号都是以像元为单元记录的，由于其 空间分辨率和自然界中复杂地物类型的影响，所获得的影像图中通常会有大量的 混合像元，而混合像元就是一个像元中包含着多种地物类型，与之对应的纯净像 元就是一个像元内仅包含一种地物类型，纯净像元就是单独一个像元内仅仅包含 一种地物类型，通过将一个像元内不同的“组分”(或“端元”)进行分解，求 得各端元所占比例，这个分解的方式被叫做“混合像元分解”。石漠化区存在大 量植被土壤基岩的混合像元，其分解主要包括数据降维、端元提取和丰度计算三 个步骤。
石漠化地区地貌复杂多变、地物类型零碎混杂、地物像元混合严重等，但经 研究总体上可以归结为植被、土壤、基岩三种因子组成，且不同植被、土壤、基 岩等级对石漠化具有敏感性差异。对以上三种敏感性因子，提取该地区植被、土 壤、基岩三种地物端元，在混合像元分解技术的支持下，对提取出的端元进行丰 度反演，研究分析研究区典型地物的关系，结合混合像元分解结果对普定县进行 石漠化的等级划分。本发明探索利用GF-6号数据针对研究区域遥感影像图一个 像元内存在的多种地物类型的难点，对该区域所得到的GF-6号遥感影像图基于 线性混合模型进行像元的分解。提取研究区域的各端元的波谱信息，探讨GF-6 卫星增加红边波段的作用。
本研究进行混合像元分解的步骤主要包括数据预处理以及解混两部分(图 1)，其中解混部分包括数据降维、端元提取、丰度估计三个步骤。
3.2.2.1GF--6影像数据预处理
在影像分析研究中，数据预处理是排在第一且非常重要的一步。本研究的数 据预处理工作包括辐射定标、大气校正、正射校正、裁剪无石漠化区域等的处理 如图2A和图2B所示，为处理前后的GF-6卫星影像效果对比，经过预处理后的 GF-6影像提高了地物的识别效果。
3.2.2.2混合像元分解
(1)数据降维
数据降维是使数据从高维空间到低维空间通过线性或者非线性映射，让高维 空间的数据通过低维空间有利的表达。除此之外，通过数据降，能够有效减少存 在于高维空间中一些与数据无关的属性。本研究选用极小化噪声分量(MNF) 的方法进行计算。图3为MNF变换后各波段特征值分布曲线图。
(2)端元选择
本研究选择连续最大角凸锥(SMACC)方法进行端元的提取。SMACC先 在图像中找到最亮的像元，再寻找与最亮像元差异最大的像元，接着再寻找与前 两种找到的像元中最不一样的像元。反复此过程，直到找到在前面已经找到过的 像素或端元数目已经满足。该方法的数学表达式为：
Figure BDA0003009385220000041
表达式中的H表示端元波谱，c表示波段索引，i为像素索引，K，j为1到 最大端元N的索引，R表示端元波谱的矩阵，A表示每一个像素中端元j对端元 k的丰度矩阵。
如表3.1为使用SMACC方法过程中需要设置的参数以及数值：
表3.1 SMACC参数
Figure BDA0003009385220000042
用SMACC方法提取各端元时，将会在每种端元中选择最纯净的像元。本研 究设置合并相似端元，端元类型数为5，在端元提取完成后，通过波谱分析(spectralanalyst)，选择植被、基岩、土壤波谱库进行比较，运用二进制编码方 法(BinaryEncoding，BE)进行打分后，通过比较得分的高低，选择出基岩、土 壤、植被三个端元，如图4、表3.2所示。
表3.2端元得分
Figure BDA0003009385220000051
(3)像元分解提取端元丰度图像
混合像元分解实质上是对混合波谱分析的过程。其中，线性波谱分离即线性 混合像元分解，即根据地物所具有的各自的光谱特征，通过解混，获得影像中端 元波谱的端元丰度图，实际上是建立了像元反射率、端元光谱特征和端元丰度之 间的函数的关系。通常在地球的表面，纯净像元是很少的。因此，卫星影像系统 接收到的光谱大多数都是一个像元中每种物质的各自反射率的组合。因此，根据 理论来讲，我们可以用数学模型来分析混合像元。
本研究使用的分解方法是完全约束最小能量二乘法(FCLS)来进行图像的 混合像元的分解，这种方法要求所有参与分量必须得使用正值，且端元数量不能 超过图像的波段数量，在分解过程中，所有的端元都会参加分解，最终得到基于 植被端元、基岩端元、土壤端元的石漠化分级图，最后通过重分类因子叠加得到 研究区域总体石漠化等级分布图。
3.3研究结果与分析
3.3.1FCLS模型解混后各端元等级分布图
通过FCLS图像的混合像元分解，对植被、基岩、土壤端元丰度的提取，参 考石漠化因子的等级划分标准，得到研究区石漠化植被、基岩、土壤丰度等级图 (图5、图6、图7)，从空间分布上看，增加的两个红波段端元提取的效果优 势明显。
本研究的石漠化等级评价指标，参照相关的评价研究结果，其中各因子石漠 化等级划分如表3.3所示：
表3.3石漠化敏感因子等级划分标准
Figure BDA0003009385220000052
综合各端元的石漠化等级结果可知：普定县植被主要分布于东南区域，土壤 和基岩主要分布于东北和西南区域。
3.3.2FCLS解混模型误差分析
为了验证分解的有效性，本研究在分析过程中使用到均方根误差(RootMeanSquareError，RMSE)进行分解的误差分析。
均方根误差(RMSE)计算公式如下：
Figure BDA0003009385220000061
其中，Rin-rms是像元i的N个波段的均方根误差，N是波段数量， Rin-redidual是像元i在N个波段的平均差。
研究区域图像的各端元RMSE分解结果如图8所示，其统计结果如表3.4所 示：
表3.4 RMSE分解结果统计表
Table3.4StatisticaltablesofdecompositionresultsofRMSE.
Figure BDA0003009385220000062
研究区域的绝大部分像元的RMSE值在0.01-0.02之间，由此可见，模型误 差相对较小。
3.3.3普定县石漠化等级分布以及精度验证
利用解混后各端元图像进行重分类，通过叠加得到普定县石漠化综合分布图 (如图9)，利用Googleearth实际验证点针对普定县石漠化各等级选取20个验 证点，并将选择后的每个等级的样本验证点导出成为kmz坐标文件格式，所采 集的样本点如图10所示。
表3.5 石漠化面积统计表
Table3.5Statisticaltablesofrockydesertificationarea.
Figure BDA0003009385220000063
将各个验证点属性表以txt文本研究件导出后，再将其导入Excel。本研究将 采用各等级实际验证点与分类后的石漠化等级之间的差值的均值对精度进行验 证均值为因子对精度进行验证。分别计算各个验证点的值与其对应的石漠化等级 之间的差值，将其取绝对值后，对每个石漠化等级所有验证点的值与其对应的石 漠化等级之间的差值的绝对值分别取均值，再将取得的各等级均值作为石漠化等 级误差来进行验证，最终结果如图10，具体坐标见附表。
本研究采用各等级实际验证点与分类后的石漠化等级之间的差值的均值对 精度进行验证均值为因子对精度进行验证。分别计算各个验证点的值与其对应的 石漠化等级之间的差值，将其取绝对值后，对每个石漠化等级所有验证点的值与 其对应的石漠化等级之间的差值的绝对值分别取均值，再将取得的各等级均值作 为石漠化等级误差来进行验证，最终结果如图11：
从图11中可以看出，所得各个等级石漠化均值均在0.4左右，数值较小且 稳定，因此通过实际验证点验证的精度较好。
表3.6 Kappa系数精度表
Figure BDA0003009385220000071
随后通过ENVI利用地面真实感兴趣区计算混淆矩阵，得到的kappa系数为0.8087，结合实际验证点验证的数值以及Kappa系数说明研究区域各等级石漠化 分布图精度较好，可以有效区分各等级石漠化分布。
3.4研究结果与分析
3.4.1端元提取中的红边波段作用
GF-6卫星由于其加入了“红边”波段，在识别植被上会更加有利，因此，通 过GF-6与Landsat-8在端元提取后的光谱曲线的比较(曲线比较如图12A和图 12B)，在0.69μm-0.77μm之间，GF-6植被的光谱曲线较Landsat-8的植被光谱 曲线有更大的起伏且数值也更大，并且植被的波谱曲线相较于基岩，土壤端元区 别更加明显。通过二进制编码方法(BinaryEncoding，BE)进行分析后，可以发 现前者的植被端元的得分要高于后者的得分。
表3.7 GF-6端元得分
Figure BDA0003009385220000072
表3.8 Landsat-8端元得分
Figure BDA0003009385220000073
如图13所示，通过植被、基岩、土壤组分端元对石漠化的端元得分，可以 更直观的看出GF-6在植被数轴上的数值大于Landsat-8，在基岩数轴上数值小于 Landsat-8，在土壤数轴上GF-6数值小于Landsat-8，表明两条红边波段使高分六 号卫星在识别植被上更加有效。
3.4.2混合像元分解石漠化分类精度讨论
通过在谷歌地球上选取实际验证点以及利用ENVI软件计算Kappa系数，结 果发现通过实际验证点验证以后各等级石漠化的均值在0.4左右波动，数值较小 且稳定。利用ENVI软件通过选取地面真实感兴趣区计算混淆矩阵计算得到的 Kappa系数为0.8087，说明解混以后的各石漠化等级符合实际的地物情况。
3.5结论
本研究于混合像元分解的方法，通过GF-6卫星数据进行石漠化信息提取， 端元提取的BE波谱对比分析，表明GF-6卫星由于其加入了两个“红边”(0.69 μm-0.77μm)波段，在植被端元的得分高于Landsat-8。通过计算RMSE发现经 过FCLS模型解混后的误差数值集中在0.01-0.02之间，数值较小，说明模型解 混后的精度较好，通过石漠化土壤、基岩、植被丰度进行石漠化等级分类，分类 结果的kappa系数为0.8087，等级平均误差为0.4。说明通过混合像元分解得到 的石漠化等级分布其精度相对较高，可以用于进行石漠化等级划分。
附表
附表 混合像元分解中的石漠化等级验证点
Figure BDA0003009385220000081
Figure BDA0003009385220000091
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施 例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替 代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.石漠化演变的监测方法，其特征在于，包括如下步骤：
(1)提取待监测石漠化地区的高分六号(GF-6)卫星遥感影像数据；然后对该数据进行预处理，预处理包括辐射定标、大气校正、正射校正、裁剪无石漠化区域等；
(2)数据降维和端元选择；
(3)混合像元分解提取端元丰度图像；
(4)石漠化分级评价；
(5)通过多个时间段的石漠化分级评价结果监测石漠化演变情况。
2.根据权利要求1所述石漠化演变的监测方法，其特征在于，步骤(2)所述数据降维采用极小化噪声分量的方法进行计算。
3.根据权利要求1所述石漠化演变的监测方法，其特征在于，步骤(2)所述端元选择是采用连续最大角凸锥(SMACC)方法进行端元的提取，并且采用的最大角凸锥(SMACC)方法的数学表达式为：
Figure FDA0003009385210000011
表达式中的H表示端元波谱，c表示波段索引，i为像素索引，K，j为1到最大端元N的索引，R表示端元波谱的矩阵，A表示每一个像素中端元j对端元k的丰度矩阵。
4.根据权利要求1所述石漠化演变的监测方法，其特征在于，步骤(3)提取端元丰度图像是采用完全约束最小能量二乘法(FCLS)来进行图像的混合像元的分解，提取端元丰度图像。
5.根据权利要求1所述石漠化演变的监测方法，其特征在于，步骤(4)石漠化分级评价是选取基于植被端元、基岩端元、土壤端元所得到的石漠化分级图，然后对照分级标准进行分级评价。
CN202110374832.XA 2021-04-07 2021-04-07 石漠化演变的遥感监测方法 Pending CN113269030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110374832.XA CN113269030A (zh) 2021-04-07 2021-04-07 石漠化演变的遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110374832.XA CN113269030A (zh) 2021-04-07 2021-04-07 石漠化演变的遥感监测方法

Publications (1)

Publication Number Publication Date
CN113269030A true CN113269030A (zh) 2021-08-17

Family

ID=77228777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110374832.XA Pending CN113269030A (zh) 2021-04-07 2021-04-07 石漠化演变的遥感监测方法

Country Status (1)

Country Link
CN (1) CN113269030A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542288A (zh) * 2011-11-28 2012-07-04 北京航空航天大学 一种高光谱数据多特征空间构建与融合分类方法
CN103258330A (zh) * 2013-05-24 2013-08-21 大连海事大学 一种高光谱图像端元丰度的估计方法
CN107478611A (zh) * 2017-08-02 2017-12-15 珠江水利委员会珠江水利科学研究院 一种计算岩石裸露率的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542288A (zh) * 2011-11-28 2012-07-04 北京航空航天大学 一种高光谱数据多特征空间构建与融合分类方法
CN103258330A (zh) * 2013-05-24 2013-08-21 大连海事大学 一种高光谱图像端元丰度的估计方法
CN107478611A (zh) * 2017-08-02 2017-12-15 珠江水利委员会珠江水利科学研究院 一种计算岩石裸露率的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯淑娜: "基于多端元混合像元分解的喀斯特石漠化表征因子提取研究", 《中国优秀硕士学位论文全文数据库（电子期刊）基础学科辑》 *
李雪苏等: "基于改进的亚像元分解方法的高光谱海岸瞬时水边线提取", 《上海海洋大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
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

Similar Documents

Publication Publication Date Title
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
Wing et al. Prediction of understory vegetation cover with airborne lidar in an interior ponderosa pine forest
Goslee Analyzing remote sensing data in R: the landsat package
Byrd et al. Evaluation of sensor types and environmental controls on mapping biomass of coastal marsh emergent vegetation
Cao et al. A 30-meter terrace mapping in China using Landsat 8 imagery and digital elevation model based on the Google Earth Engine
Verrelst et al. Optimizing LUT-based RTM inversion for semiautomatic mapping of crop biophysical parameters from Sentinel-2 and-3 data: Role of cost functions
McCarty et al. Extracting smallholder cropped area in Tigray, Ethiopia with wall-to-wall sub-meter WorldView and moderate resolution Landsat 8 imagery
Yin et al. Forest cover mapping in post-Soviet Central Asia using multi-resolution remote sensing imagery
Lehmann et al. Joint processing of Landsat and ALOS-PALSAR data for forest mapping and monitoring
Zurita-Milla et al. Multitemporal unmixing of medium-spatial-resolution satellite images: A case study using MERIS images for land-cover mapping
Peddle et al. Large area forest classification and biophysical parameter estimation using the 5-Scale canopy reflectance model in Multiple-Forward-Mode
Li et al. Historical grassland desertification changes in the Horqin Sandy Land, Northern China (1985–2013)
CN115761486B (zh) 一种基于多期稻田影像特征的水稻种植区判定方法和系统
CN113269030A (zh) 石漠化演变的遥感监测方法
Moon et al. A high spatial resolution land surface phenology dataset for AmeriFlux and NEON sites
Tourian et al. HydroSat: geometric quantities of the global water cycle from geodetic satellites
Tan et al. Comparison of the predictive ability of spectral indices for commonly used species diversity indices and Hill numbers in wetlands
Wang et al. Understory bamboo discrimination using a winter image
Bohlin et al. Deciduous forest mapping using change detection of multi-temporal canopy height models from aerial images acquired at leaf-on and leaf-off conditions
Chen et al. Lidar calibration and validation for geometric-optical modeling with Landsat imagery
Zhang et al. Mapping functional vegetation abundance in a coastal dune environment using a combination of LSMA and MLC: a case study at Kenfig NNR, Wales
Mitchell et al. Leafy spurge (Euphorbia esula) classification performance using hyperspectral and multispectral sensors
Zhou et al. Comparison of object-oriented and Maximum Likelihood Classification of land use in Karst area
Tian et al. A process-oriented method for rapid acquisition of canopy height model from RGB point cloud in semiarid region
Julien et al. TISSBERT: A benchmark for the validation and comparison of NDVI time series reconstruction methods

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210817

WD01 Invention patent application deemed withdrawn after publication