CN113284043B - 一种基于多源植被指数逐层逐像元npp修正方法 - Google Patents

一种基于多源植被指数逐层逐像元npp修正方法 Download PDF

Info

Publication number
CN113284043B
CN113284043B CN202110218363.2A CN202110218363A CN113284043B CN 113284043 B CN113284043 B CN 113284043B CN 202110218363 A CN202110218363 A CN 202110218363A CN 113284043 B CN113284043 B CN 113284043B
Authority
CN
China
Prior art keywords
data
npp
landsat
sentinel
layer
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
Application number
CN202110218363.2A
Other languages
English (en)
Other versions
CN113284043A (zh
Inventor
孙志超
曲炳鹏
马宁
包根民
袁敏
岳依阳
姜杰
赵人杰
韩明利
耿冠宇
张蒙
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.)
Tianjin Qingchuan Science & Technology Development Co ltd
Tianjin Lvyin Landscape And Ecology Construction Co ltd
Original Assignee
Tianjin Qingchuan Science & Technology Development Co ltd
Tianjin Lvyin Landscape And Ecology Construction Co ltd
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 Tianjin Qingchuan Science & Technology Development Co ltd, Tianjin Lvyin Landscape And Ecology Construction Co ltd filed Critical Tianjin Qingchuan Science & Technology Development Co ltd
Priority to CN202110218363.2A priority Critical patent/CN113284043B/zh
Publication of CN113284043A publication Critical patent/CN113284043A/zh
Application granted granted Critical
Publication of CN113284043B publication Critical patent/CN113284043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于多源植被指数的逐层逐像元NPP空间分辨率提高方法，包括以下步骤：S1：准备同时期同地点同边界范围的MOD17A3H陆地标准产品数据、LandSat‑8数据、Sentinel‑2数据；S2：对数据进行预处理；S3：提取MOD17A3H陆地标准产品的NPP数据，使用ArcGIS分别提取LandSat‑8数据、Sentinel‑2数据中的归一化植被指数和比值植被指数；S4：对NPP数据、LandSat‑8和Sentinel‑2数据中的归一化植被指数和比值植被指数进行重采样；S5：计算LandSat‑8数据与Sentinel‑2数据的光合有效辐射；S6：分别构建基于LandSat‑8与Sentinel‑2数据的NPP修正因子；S7：对MOD17A3H陆地标准产品中提取的NPP数据进行修正。本发明所述的一种基于多源植被指数的逐层逐像元NPP空间分辨率提高方法解决了现有的修正方法影像修正后像元间的属性数据差距较大且没有层次递进性的问题。

Description

一种基于多源植被指数逐层逐像元NPP修正方法
技术领域
本发明属于遥感图像处理领域，尤其是涉及一种基于多源植被指数逐层逐像元NPP修正方法。
背景技术
园林绿化工程在保护生态环境、改善城市生活环境中发挥着重要角色，植被净生产力(NetPrimaryProductivity，NPP)是生态效益评估的主要内容，是中国实现“2060年前实现碳中和”目标的重要评价指标。目前可通过MOD17A3H陆地标准产品直接获得，分辨率为500米；或者通过多因子综合反演模型(CASA)计算所得，包含太阳总辐射量，降水数据、温度、植被指数四种因子。由于园林施工项目的区域面积相对较小，采用MOD17A3H产品表示时，不能够精确反映区域间的差异，且太阳总辐射量、降水量、温度在小区域内的差异较小，只有植被指数(NDVI与SR)随土地利用类型变化存在较大差异，同时植被指数是CASA模型中光合有效辐射的决定因子，故利用植被指数提高MOD17A3H产品是一种有效的方式。
在空间分辨率逐像元提高的方法中，若修正数据与被修正影像的空间分辨率差异较大，会导致影像修正后像元间的属性数据差距较大，且没有层次递进性。
发明内容
有鉴于此，本发明提出一种基于多源植被指数逐层逐像元NPP修正方法以解决现有的修正方法由于修正数据与被修正影像的空间分辨率差异较大，导致影像修正后像元间的属性数据差距较大，且没有层次递进性的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于多源植被指数逐层逐像元NPP修正方法，包括以下步骤：
S1：准备同时期同地点同边界范围的MOD17A3H陆地标准产品数据、LandSat-8数据、Sentinel-2数据；
S2：对MOD17A3H陆地标准产品数据、LandSat-8数据、Sentinel-2数据进行预处理；
S3：使用ArcGIS提取MOD17A3H陆地标准产品的NPP数据，使用ArcGIS分别提取LandSat-8数据、Sentinel-2数据中的归一化植被指数和比值植被指数；
S4：对NPP数据、LandSat-8数据中的归一化植被指数和比值植被指数、Sentinel-2数据中的归一化植被指数和比值植被指数进行重采样；
S5：基于植被指数分别计算LandSat-8数据与Sentinel-2数据的光合有效辐射；
S6：分别构建基于LandSat-8与Sentinel-2数据的NPP修正因子；
S7：利用LandSat-8与Sentinel-2数据的NPP修正因子依次对MOD17A3H陆地标准产品中提取的NPP数据进行修正。
进一步的，步骤S3中利用的归一化植被指数NDVI和比值植被指数SR计算方法为：
Figure GDA0003173357610000021
Figure GDA0003173357610000022
其中，BNIR为遥感影像的近红外波段，BR为遥感影像的红波段。
进一步的，步骤S5中利用的光合有效辐射FPAR计算方法为：
Figure GDA0003173357610000031
其中，FPAR是光合有效辐射，NDVImax为研究区植被的NDVI最大值，NDVImin为研究区植被的NDVI最小值，SRmax为研究区植被的SR最大值，SRmin为研究区植被的SR最小值。
进一步的，步骤S6中利用的NPP修正因子构建方法如下：
Figure GDA0003173357610000032
Figure GDA0003173357610000033
Figure GDA0003173357610000034
Figure GDA0003173357610000035
其中，AL是基于LandSat-8数据生成的NPP修正因子，AS是基于Sentinel-2数据生成的NPP修正因子，FPARL是MOD17A3H陆地标准产品分辨率窗口内对应基于LandSat-8数据生成修正因子值，FPARLmeam是MOD17A3H陆地标准产品分辨率窗口内对应基于LandSat-8数据生成的修正因子平均值，FPARS是LandSat-8数据分辨率窗口内对应基于Sentinel-2数据生成的修正因子值，FPARSmeam是LandSat-8数据分辨率窗口内对应基于Sentinel-2数据生成的修正因子平均值。
进一步的，步骤S6中利用的NPP数据进行修正方法如下：
NPPA＝NPPAS＝AS×NPPAL，
NPPAL＝AL×NPP，
其中，NPPA为修正后的NPP数据，分辨率为10m；NPPAS为利用Sentinel-2数据修正后的NPP数据，NPPAL为利用LandSat-8数据修正后的NPP数据。
相对于现有技术，本发明具有以下有益效果：
(1)本发明提出的一种基于多源植被指数逐层逐像元NPP修正方法基于多源数据逐层提高NPP数据的空间分辨率，利用多源数据，依据空间分辨率由低到高的顺序逐层对另一种低空间分辨率的数据进行修正。
(2)将逐像元修正技术与多源数据逐层修正技术相结合，若两种数据之间的空间分辨率相差较大，采用逐像元修正技术会引起邻近像元间的数据连贯性较差，而采用多源数据，将数据空间分辨率逐层逐像元提高可有效增加邻近像元之间的数据连贯性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的一种基于多源植被指数逐层逐像元NPP修正方法流程示意图；
图2为本发明实施例所述的LandSat-8、Sentinel-2数据分辨率窗口示意图；
图3为本发明实施例所述的500米空间分辨率的NPP数据示意图；
图4为本发明实施例所述的30米空间分辨率的NDVI/SR数据示意图；
图5为本发明实施例所述的图310米空间分辨率的NDVI/SR数据示意图；
图6为本发明实施例所述的30米空间分辨率的光合有效辐射FPAR
示意图；
图7为本发明实施例所述的10米空间分辨率的光合有效辐射FPAR示意图；
图8为本发明实施例所述的30米空间分辨率的NPP修正因子示意图；
图9为本发明实施例所述的10米空间分辨率的NPP修正因子示意图；
图10为本发明实施例所述的修正后NPP数据示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，一种基于多源植被指数逐层逐像元NPP修正方法，包括以下步骤：
S1：准备同时期同地点同边界范围的MOD17A3H陆地标准产品数据、LandSat-8数据、Sentinel-2数据；
S2：对MOD17A3H陆地标准产品数据、LandSat-8数据、Sentinel-2数据进行预处理；
S3：使用ArcGIS提取MOD17A3H陆地标准产品的NPP数据，使用ArcGIS分别提取LandSat-8数据、Sentinel-2数据中的归一化植被指数和比值植被指数；
S4：对NPP数据、LandSat-8数据中的归一化植被指数和比值植被指数、Sentinel-2数据中的归一化植被指数和比值植被指数进行重采样；
S5：基于植被指数分别计算LandSat-8数据与Sentinel-2数据的光合有效辐射；
S6：分别构建基于LandSat-8与Sentinel-2数据的NPP修正因子；
S7：利用LandSat-8与Sentinel-2数据的NPP修正因子依次对MOD17A3H陆地标准产品中提取的NPP数据进行修正。
步骤S3中利用的归一化植被指数NDVI和比值植被指数SR计算方法为：
Figure GDA0003173357610000061
Figure GDA0003173357610000071
其中，BNIR为遥感影像的近红外波段，BR为遥感影像的红波段。
步骤S5中利用的光合有效辐射FPAR计算方法为：
Figure GDA0003173357610000072
其中，FPAR是光合有效辐射，NDVImax为研究区植被的NDVI最大值，NDVImin为研究区植被的NDVI最小值，SRmax为研究区植被的SR最大值，SRmin为研究区植被的SR最小值。
步骤S6中利用的NPP修正因子构建方法如下：
Figure GDA0003173357610000073
Figure GDA0003173357610000074
Figure GDA0003173357610000075
Figure GDA0003173357610000076
其中，AL是基于LandSat-8数据生成的NPP修正因子，AS是基于Sentinel-2数据生成的NPP修正因子，FPARL是MOD17A3H陆地标准产品分辨率窗口内对应基于LandSat-8数据生成修正因子值，FPARLmeam是MOD17A3H陆地标准产品分辨率窗口内对应基于LandSat-8数据生成的修正因子平均值，FPARS是LandSat-8数据分辨率窗口内对应基于Sentinel-2数据生成的修正因子值，FPARSmeam是LandSat-8数据分辨率窗口内对应基于Sentinel-2数据生成的修正因子平均值。
步骤S6中利用的NPP数据进行修正方法如下：
NPPA＝NPPAS＝AS×NPPAL，
NPPAL＝AL×NPP，
其中，NPPA为修正后的NPP数据，分辨率为10m；NPPAS为利用Sentinel-2数据修正后的NPP数据，NPPAL为利用LandSat-8数据修正后的NPP数据。
实施例：
选择内蒙古巴彦淖尔乌拉山附近的一块区域作为研究区，下载该地区同时期同地点同边界范围的MOD17A3H陆地标准产品数据、LandSat-8数据、Sentinel-2数据，并进行相关预处理。
如图3所示，在ArcGIS软件中，提取MOD17A3H影像中的500米空间分辨率的NPP数据，并将影像的空间分辨率(栅格大小)调整为10m×10m。
如图4、图5所示，基于波段运算的原理，利用以下公式分别计算基于LandSat-8数据生成的30米空间分辨率的NDVI/SR数据与基于Sentinel-2数据生成的10米空间分辨率的NDVI/SR数据。
Figure GDA0003173357610000081
Figure GDA0003173357610000082
式中，BNIR与BR依次代表遥感影像的近红外波段与红波段。
如图6、图7所示，基于以上数据，利用以下公式计算30米与10米空间分辨率的光合有效辐射FPAR。
Figure GDA0003173357610000083
Figure GDA0003173357610000091
其中，FPAR是光合有效辐射，NDVImax为研究区植被的NDVI最大值，NDVImin为研究区植被的NDVI最小值，SRmax为研究区植被的SR最大值，SRmin为研究区植被的SR最小值。
如图2所示，基于FPAR数据，利用以下公式构建30米与10米空间分辨率的NPP修正因子,如图8、图9所示。
Figure GDA0003173357610000092
Figure GDA0003173357610000093
Figure GDA0003173357610000094
Figure GDA0003173357610000095
其中，AL是基于LandSat-8数据生成的NPP修正因子，AS是基于Sentinel-2数据生成的NPP修正因子，FPARL是MOD17A3H陆地标准产品分辨率窗口内对应基于LandSat-8数据生成修正因子值，FPARLmeam是MOD17A3H陆地标准产品分辨率窗口内对应基于LandSat-8数据生成的修正因子平均值，FPARS是LandSat-8数据分辨率窗口内对应基于Sentinel-2数据生成的修正因子值，FPARSmeam是LandSat-8数据分辨率窗口内对应基于Sentinel-2数据生成的修正因子平均值。
基于30米与10米空间分辨率的NPP修正因子，利用NPP修正公式对MOD17A3H陆地标准产品中提取的NPP数据进行修正，修正结果如图10。
NPPA＝NPPAS＝AS×NPPAL，
NPPAL＝AL×NPP，
其中，NPPA为修正后的NPP数据，分辨率为10m；NPPAS为利用Sentinel-2数据修正后的NPP数据，NPPAL为利用LandSat-8数据修正后的NPP数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于多源植被指数的逐层逐像元NPP空间分辨率提高方法，其特征在于，包括以下步骤：
S1：准备同时期同地点同边界范围的MOD17A3H陆地标准产品数据、LandSat-8数据、Sentinel-2数据；
S2：对MOD17A3H陆地标准产品数据、LandSat-8数据、Sentinel-2数据进行预处理；
S3：使用ArcGIS提取MOD17A3H陆地标准产品的NPP数据，使用ArcGIS分别提取LandSat-8数据、Sentinel-2数据中的归一化植被指数NDVI和比值植被指数SR；
S4：对NPP数据、LandSat-8数据中的归一化植被指数和比值植被指数、Sentinel-2数据中的归一化植被指数NDVI和比值植被指数SR进行重采样；
S5：基于植被指数分别计算LandSat-8数据与Sentinel-2数据的光合有效辐射；
S6：分别构建基于LandSat-8与Sentinel-2数据的NPP修正因子；
S7：利用LandSat-8与Sentinel-2数据的NPP修正因子依次对MOD17A3H陆地标准产品中提取的NPP数据进行修正；
步骤S6中利用的NPP修正因子构建方法如下：
Figure FDA0003868800520000011
Figure FDA0003868800520000012
Figure FDA0003868800520000013
Figure FDA0003868800520000021
其中，AL是基于LandSat-8数据生成的NPP修正因子，AS是基于Sentinel-2数据生成的NPP修正因子，FPARL是MOD17A3H陆地标准产品分辨率窗口内对应基于LandSat-8数据生成修正因子值，FPARLmeam是MOD17A3H陆地标准产品分辨率窗口内对应基于LandSat-8数据生成的修正因子平均值，FPARS是LandSat-8数据分辨率窗口内对应基于Sentinel-2数据生成的修正因子值，FPARSmeam是LandSat-8数据分辨率窗口内对应基于Sentinel-2数据生成的修正因子平均值。
2.根据权利要求1所述的一种基于多源植被指数的逐层逐像元NPP空间分辨率提高方法，其特征在于：步骤S3中利用的归一化植被指数NDVI和比值植被指数SR计算方法为：
Figure FDA0003868800520000022
Figure FDA0003868800520000023
其中，BNIR为遥感影像的近红外波段，BR为遥感影像的红波段。
3.根据权利要求1所述的一种基于多源植被指数的逐层逐像元NPP空间分辨率提高方法，其特征在于：步骤S5中利用的光合有效辐射FPAR计算方法为：
Figure FDA0003868800520000024
其中，FPAR是光合有效辐射，NDVImax为研究区植被的NDVI最大值，NDVImin为研究区植被的NDVI最小值，SRmax为研究区植被的SR最大值，SRmin为研究区植被的SR最小值。
4.根据权利要求1所述的一种基于多源植被指数的逐层逐像元NPP空间分辨率提高方法，其特征在于：步骤S6中利用的NPP数据进行修正方法如下：
NPPA＝NPPAS＝AS×NPPAL，
NPPAL＝AL×NPP，
其中，NPPA为修正后的NPP数据，分辨率为10m；NPPAS为利用Sentinel-2数据修正后的NPP数据，NPPAL为利用LandSat-8数据修正后的NPP数据。
CN202110218363.2A 2021-02-26 2021-02-26 一种基于多源植被指数逐层逐像元npp修正方法 Active CN113284043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110218363.2A CN113284043B (zh) 2021-02-26 2021-02-26 一种基于多源植被指数逐层逐像元npp修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110218363.2A CN113284043B (zh) 2021-02-26 2021-02-26 一种基于多源植被指数逐层逐像元npp修正方法

Publications (2)

Publication Number Publication Date
CN113284043A CN113284043A (zh) 2021-08-20
CN113284043B true CN113284043B (zh) 2022-11-11

Family

ID=77276202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110218363.2A Active CN113284043B (zh) 2021-02-26 2021-02-26 一种基于多源植被指数逐层逐像元npp修正方法

Country Status (1)

Country Link
CN (1) CN113284043B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446564A (zh) * 2016-09-29 2017-02-22 华南农业大学 一种植被净初级生产力遥感估算方法
CN108152212A (zh) * 2017-12-12 2018-06-12 中国科学院地理科学与资源研究所 基于高时间分辨率和空间分辨率多光谱遥感数据的草地地上生物量反演方法
CN109753916A (zh) * 2018-12-28 2019-05-14 厦门理工学院 一种归一化差分植被指数尺度转换模型构建方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011014782A1 (en) * 2009-07-31 2011-02-03 Carbon Auditors Inc. Greenhouse gas grid and tracking system
CN104166782A (zh) * 2014-06-05 2014-11-26 刘健 一种林地土壤有机碳遥感估测的方法
CN108986040B (zh) * 2018-06-12 2022-02-01 南京大学 一种基于遥感多光谱影像的ndvi阴影影响去除方法
CN110276304A (zh) * 2019-06-25 2019-09-24 北京师范大学 基于降尺度的高分辨率植被生产力遥感估算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446564A (zh) * 2016-09-29 2017-02-22 华南农业大学 一种植被净初级生产力遥感估算方法
CN108152212A (zh) * 2017-12-12 2018-06-12 中国科学院地理科学与资源研究所 基于高时间分辨率和空间分辨率多光谱遥感数据的草地地上生物量反演方法
CN109753916A (zh) * 2018-12-28 2019-05-14 厦门理工学院 一种归一化差分植被指数尺度转换模型构建方法及装置

Also Published As

Publication number Publication date
CN113284043A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN103914678B (zh) 基于纹理与植被指数的撂荒地遥感识别方法
CN102073874B (zh) 附加几何约束的航天三线阵ccd相机多影像立体匹配方法
CN106023133B (zh) 一种基于多特征联合处理的高分辨率遥感影像水体提取方法
CN104463836B (zh) 一种基于移动窗口的城市绿色空间遥感度量方法
CN110738618B (zh) 一种基于双目相机的不规则堆料体积测量方法
CN103035001B (zh) 一种基于超像素分割的地基云自动检测方法
CN104463164A (zh) 一种基于伞骨法与冠高比的树木冠层结构信息提取方法
CN112884672B (zh) 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法
CN115049925B (zh) 田块田坎提取方法、电子设备及存储介质
CN108195736B (zh) 一种三维激光点云提取植被冠层间隙率的方法
CN111723464A (zh) 一种基于遥感影像特征的台风椭圆型风场参数化模拟方法
CN111881801B (zh) 基于不变检测策略的新增建设用地遥感监测方法及设备
CN115564926A (zh) 基于影像建筑物结构学习的三维面片模型构建方法
CN103020933A (zh) 一种基于仿生视觉机理的多源图像融合方法
CN110991738A (zh) 一种基于npp/viirs夜间灯光遥感数据的经济发展研究方法
CN108335261B (zh) 一种光学遥感卫星正射影像拉花区域自动检测方法
CN116561509A (zh) 顾及植被类型的城市植被地上生物量精确反演方法及系统
CN113284043B (zh) 一种基于多源植被指数逐层逐像元npp修正方法
CN110991230B (zh) 基于旋转候选框的任意方向遥感影像舰船检测方法及系统
CN111523451A (zh) 一种构建高时空分辨率ndvi数据的方法
CN105528772A (zh) 一种基于指导性滤波的图像融合方法
CN112907486B (zh) 一种基于深度学习和色彩映射的遥感影像调色方法
CN117745969A (zh) 建筑物的单体化方法、装置、及相关设备
CN107977338B (zh) 一种基于小波变换的叶面积指数空间尺度误差校正方法
CN110390339B (zh) 一种图像校正方法、装置及存储介质

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