CN113408467B - 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 - Google Patents

基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 Download PDF

Info

Publication number
CN113408467B
CN113408467B CN202110741338.2A CN202110741338A CN113408467B CN 113408467 B CN113408467 B CN 113408467B CN 202110741338 A CN202110741338 A CN 202110741338A CN 113408467 B CN113408467 B CN 113408467B
Authority
CN
China
Prior art keywords
image
water body
culture pond
nir
coastal
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
CN202110741338.2A
Other languages
English (en)
Other versions
CN113408467A (zh
Inventor
毛德华
王铭
焉恒琦
王宗明
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.)
Northeast Institute of Geography and Agroecology of CAS
Original Assignee
Northeast Institute of Geography and Agroecology of CAS
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 Northeast Institute of Geography and Agroecology of CAS filed Critical Northeast Institute of Geography and Agroecology of CAS
Priority to CN202110741338.2A priority Critical patent/CN113408467B/zh
Publication of CN113408467A publication Critical patent/CN113408467A/zh
Application granted granted Critical
Publication of CN113408467B publication Critical patent/CN113408467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

基于Sentinel‑2卫星影像和云平台的滨海养殖池智能提取方法，它涉及一种基于Sentinel‑2卫星影像和云平台的滨海养殖池智能提取方法。本发明是为了解决现有的遥感技术无法准确快捷获得滨海养殖池分布的技术问题。本方法：一、研究区进行0.1°*0.1°格网划分；二、确定海水养殖池潜在分布区域的格网；三、形成影像集；四、得到空间上的NDWI、NDVI、NDBI、纹理特征与边缘特征的图像；五、对研究区格网单元影像的光谱波段以及特征波段进行图像分割；六、提取出水体，获得格网单元内的水体对象；七、提取滨海养殖池。本发明所涉及的滨海养殖池提取方法快捷有效，提高了滨海养殖池解译的精度和可信度，具有可重复性和广泛性，对滨海养殖池遥感制图具有及其重要的意义。

Description

基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取 方法
技术领域
本发明涉及一种基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法。
背景技术
水产养殖是世界上增长最快的粮食生产部门之一，是人们的重要蛋白质来源，并可能对未来全球粮食安全发挥重要和日益重要的作用，也是沿海地区开垦土地的主要方式。海岸带地处海陆交界，生态环境敏感脆弱，同时也是海水养殖业发展的主要地区。随着全球水产养殖业的快速发展，养殖池塘迅速扩大，不仅创造了巨大的经济效益，也对滨海湿地生态环境造成了很大压力，造成海洋环境质量恶化的后果，如水和土壤的污染、沿海湿地的破坏、生物多样性减少甚至丧失、景观破碎化等。因此在区域及全球范围内识别和评估水产养殖的空间分布，对分析生态系统日益增长的压力和相关的环境影响很有价值。遥感除了准确、快速和具有成本效益外，还提供了许多实地调查所没有的优势，在监测难以到达的海岸生态系统方面，遥感技术监测水产养殖面积、种类、规模等的变化，是目前水产养殖变化研究中的常用方法。但是不同季节与大尺度给海水养殖池遥感解译带来的困难，湖泊和坑塘等被错分为滨海养殖池。
发明内容
本发明的目的是为了解决现有的遥感技术无法准确快捷获得滨海养殖池分布的技术问题，提供了一种基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法。
基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法按照以下步骤进行：
步骤一、利用Google Earth Engine云平台，对滨海研究区进行0.1°*0.1°格网划分；
步骤二、基于JRC地表水体数据集与DEM数据集，分别获取每个格网单元的历史水体频率均值Pmean与坡度均值Slopemean，筛选出0＜Mp＜1和0＜Mslope＜5，确定海水养殖池潜在分布区域的格网；
步骤三、利用Google Earth Engine云平台，筛选研究区一年内云量较少且雨季的Sentinel-2MSI影像，基于像元进行无云中值影像合成，形成一个影像集；
步骤四、分别计算影像集中每一个影像的水体指数NDWI、植被指数NDVI、建筑物指数NDBI、纹理特征与边缘特征(通过调用GEE中函数实现)，得到空间上的NDWI、NDVI、NDBI、纹理特征与边缘特征的图像；
NDWI、NDVI及NDBI计算公式如下；
NDWI＝(PGreen-PNIR)/(PGreen+PNIR) (1)
NDVI＝(PNIR-PR)/(PNIR+PR) (2)
NDBI＝(PSWIR-PNIR)/(PSWIR+PNIR) (3)
式(1)、(2)、(3)中，PGreen、PNIR、PR与PSWIR分别代表绿波段反射率、近红外波段反射率、红波段反射率与短波红外波段的反射率；
步骤五、基于Google Earth Engine，采用K-means算法对研究区格网单元影像的光谱波段NDWI、NDVI、NDBI以及特征波段的纹理特征、边缘特征进行图像分割，将影像划分为K个簇，找出最小化目标函数；
目标函数如下；
Figure BDA0003142942090000021
J越小，代表聚类越紧凑，聚类效果更好；所以为使聚类效果最好，目标函数取值为0，各聚类中心如下：
Figure BDA0003142942090000022
式(4)、(5)中，Xj为第j个数据点，Ci为第i个聚类中心，ni是簇i中数据点个数；
步骤六、在经掩模处理的水体信息中，采用最大类间方差算法OTUS自动计算水体阈值，提取出水体；
采用Google Earth Engine提供的面向对象算法将获得的水体信息进行对象化操作，获得格网单元内的水体对象，同时删除像素个数小于10的对象；
步骤七、计算水体对象创建形状属性特征矩形度和长宽比，并根据不同的特征，采用决策树分类算法，长宽比可以把较纤细的物体与方形或圆形物体区分开，矩形度取值在0-1之间，且纤细、弯曲的物体取值较小，筛选出来的即为滨海养殖池；
矩形度的计算公式为：
Figure BDA0003142942090000023
其中，S0是斑块面积，而SMER是其最小外接矩形面积；
长宽比的计算公式为：
Figure BDA0003142942090000024
其中，WMER是斑块的最小外接矩形的宽度，LMER为最小外接矩形的长度。
本发明实现了遥感技术准确快速的探测滨海养殖池分布的问题。本发明首先利用Google Earth Engine云平台对滨海研究区进行0.1°*0.1°的格网划分。然后构建每个格网的历史水体频率均值(Pmean)与坡度均值(Slopemean)，筛选出养殖池潜在分布区域的格网。再筛选出质量好的Sentinel-2影像，形成影像集，并且利用Google Earth Engine计算出NDWI、NDVI、NDBI、纹理特征与边缘特征等进一步提取水体。最后利用形状属性特征，剔除细长河流、具有不规则自然边界的湖泊、坑塘等，从而获得了滨海养殖池的分布。本发明克服了不同季节与大尺度给海水养殖池遥感解译带来的困难，解决了湖泊和坑塘等被错分为滨海养殖池的问题。本发明所涉及的滨海养殖池提取方法快捷有效，提高了滨海养殖池解译的精度和可信度，具有可重复性和广泛性，对滨海养殖池遥感制图具有及其重要的意义。
附图说明
图1是本发明基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法的流程图；
图2是实验一步骤二中筛选出养殖池潜在分布区域的图；
图3是实验一步骤二中筛选出养殖池潜在分布区域格网的图；
图4是实验一步骤三中得到的影像集；
图5是实验一步骤四中空间上的NDWI图像；
图6是实验一步骤四中空间上的NDVI图像；
图7是实验一步骤四中空间上的NDBI图像；
图8是实验一步骤四中空间上的明暗对比度图像；
图9是实验一步骤四中空间上的方差图像；
图10是实验一步骤四中空间上的边缘特征图像；
图11是实验一步骤五中影像分割图像；
图12是实验一步骤六中提取水体图像；
图13是实验一步骤六中格网单元内的水体对象；
图14是实验一步骤六中删除像素个数小于10的水体图像；
图15是实验一步骤七中计算矩形度后的图像；
图16是实验一步骤七中计算长宽比后的图像。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。
具体实施方式一：本实施方式基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法按照以下步骤进行：
步骤一、利用Google Earth Engine云平台，对滨海研究区进行0.1°*0.1°格网划分；
步骤二、基于JRC地表水体数据集与DEM数据集，分别获取每个格网单元的历史水体频率均值Pmean与坡度均值Slopemean，筛选出0＜Mp＜1和0＜Mslope＜5，确定海水养殖池潜在分布区域的格网；
步骤三、利用Google Earth Engine云平台，筛选研究区一年内云量较少且雨季的Sentinel-2MSI影像，基于像元进行无云中值影像合成，形成一个影像集；
步骤四、分别计算影像集中每一个影像的水体指数NDWI、植被指数NDVI、建筑物指数NDBI、纹理特征与边缘特征(通过调用GEE中函数实现)，得到空间上的NDWI、NDVI、NDBI、纹理特征与边缘特征的图像；
NDWI、NDVI及NDBI计算公式如下；
NDWI＝(PGreen-PNIR)/(PGreen+PNIR) (1)
NDVI＝(PNIR-PR)/(PNIR+PR) (2)
NDBI＝(PSWIR-PNIR)/(PSWIR+PNIR) (3)
式(1)、(2)、(3)中，PGreen、PNIR、PR与PSWIR分别代表绿波段反射率、近红外波段反射率、红波段反射率与短波红外波段的反射率；
步骤五、基于Google Earth Engine，采用K-means算法对研究区格网单元影像的光谱波段NDWI、NDVI、NDBI以及特征波段的纹理特征、边缘特征进行图像分割，将影像划分为K个簇，找出最小化目标函数；
目标函数如下；
Figure BDA0003142942090000041
J越小，代表聚类越紧凑，聚类效果更好；所以为使聚类效果最好，目标函数取值为0，各聚类中心如下：
Figure BDA0003142942090000042
式(4)、(5)中，Xj为第j个数据点，Ci为第i个聚类中心，ni是簇i中数据点个数；
步骤六、在经掩模处理的水体信息中，采用最大类间方差算法OTUS自动计算水体阈值，提取出水体；
采用Google Earth Engine提供的面向对象算法将获得的水体信息进行对象化操作，获得格网单元内的水体对象，同时删除像素个数小于10的对象；
步骤七、计算水体对象创建形状属性特征矩形度和长宽比，并根据不同的特征，采用决策树分类算法，长宽比可以把较纤细的物体与方形或圆形物体区分开，矩形度取值在0-1之间，且纤细、弯曲的物体取值较小，筛选出来的即为滨海养殖池；
矩形度的计算公式为：
Figure BDA0003142942090000051
其中，S0是斑块面积，而SMER是其最小外接矩形面积；
长宽比的计算公式为：
Figure BDA0003142942090000052
其中，WMER是斑块的最小外接矩形的宽度，LMER为最小外接矩形的长度。
采用下述实验验证本发明效果：
实验一：
基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法按照以下步骤进行：
步骤一、利用Google Earth Engine云平台，对滨海研究区进行0.1°*0.1°格网划分；
步骤二、基于JRC地表水体数据集与DEM数据集，分别获取每个格网单元的历史水体频率均值Pmean与坡度均值Slopemean，筛选出0＜Mp＜1和0＜Mslope＜5，确定海水养殖池潜在分布区域的格网；
步骤三、利用Google Earth Engine云平台，筛选研究区一年内云量较少且雨季的Sentinel-2MSI影像，基于像元进行无云中值影像合成，形成一个影像集；
步骤四、分别计算影像集中每一个影像的水体指数NDWI、植被指数NDVI、建筑物指数NDBI、纹理特征与边缘特征(通过调用GEE中函数实现)，得到空间上的NDWI、NDVI、NDBI、纹理特征与边缘特征的图像；
NDWI、NDVI及NDBI计算公式如下；
NDWI＝(PGreen-PNIR)/(PGreen+PNIR) (1)
NDVI＝(PNIR-PR)/(PNIR+PR) (2)
NDBI＝(PSWIR-PNIR)/(PSWIR+PNIR) (3)
式(1)、(2)、(3)中，PGreen、PNIR、PR与PSWIR分别代表绿波段反射率、近红外波段反射率、红波段反射率与短波红外波段的反射率；
步骤五、基于Google Earth Engine，采用K-means算法对研究区格网单元影像的光谱波段(NDWI、NDVI及NDBI)以及特征波段(纹理特征与边缘特征)进行图像分割，其目的是将影像划分为K个簇，找出最小化目标函数；
目标函数如下；
Figure BDA0003142942090000061
J越小，代表聚类越紧凑，聚类效果更好。所以为使聚类效果最好，目标函数取值为0，各聚类中心如下：
Figure BDA0003142942090000062
式(4)、(5)中，Xj为第j个数据点，Ci为第i个聚类中心，ni是簇i中数据点个数。
步骤六、在经掩模处理的水体信息中，采用最大类间方差算法OTUS自动计算水体阈值，提取出水体；
采用Google Earth Engine提供的面向对象算法将获得的水体信息进行对象化操作，获得格网单元内的水体对象，同时删除像素个数小于10的对象；
步骤七、计算水体对象创建形状属性特征矩形度和长宽比，并根据不同的特征，采用决策树分类算法，长宽比可以把较纤细的物体与方形或圆形物体区分开，矩形度取值在0-1之间，且纤细、弯曲的物体取值较小，筛选出来的即为滨海养殖池；
矩形度的计算公式为：
Figure BDA0003142942090000063
其中，S0是斑块面积，而SMER是其最小外接矩形面积；
长宽比的计算公式为：
Figure BDA0003142942090000064
其中，WMER是斑块的最小外接矩形的宽度，LMER为最小外接矩形的长度。

Claims (1)

1.基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法，其特征在于所述基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法按照以下步骤进行：
步骤一、利用Google Earth Engine云平台，对滨海研究区进行0.1°*0.1°格网划分；
步骤二、基于JRC地表水体数据集与DEM数据集，分别获取每个格网单元的历史水体频率均值Mp与坡度均值Mslope，筛选出0＜Mp＜1和0＜Mslope＜5，确定海水养殖池潜在分布区域的格网；
步骤三、利用Google Earth Engine云平台，筛选研究区一年内云量较少且雨季的Sentinel-2MSI影像，基于像元进行无云中值影像合成，形成一个影像集；
步骤四、分别计算影像集中每一个影像的水体指数NDWI、植被指数NDVI、建筑物指数NDBI、纹理特征与边缘特征，得到空间上的NDWI、NDVI、NDBI、纹理特征与边缘特征的图像；
NDWI、NDVI及NDBI计算公式如下；
NDWI＝(PGreen-PNIR)/(PGreen+PNIR) (1)
NDVI＝(PNIR-PR)/(PNIR+PR) (2)
NDBI＝(PSWIR-PNIR)/(PSWIR+PNIR) (3)
式(1)、(2)、(3)中，PGreen、PNIR、PR与PSWIR分别代表绿波段反射率、近红外波段反射率、红波段反射率与短波红外波段的反射率；
步骤五、基于Google Earth Engine，采用K-means算法对研究区格网单元影像的光谱波段NDWI、NDVI、NDBI以及特征波段的纹理特征、边缘特征进行图像分割，将影像划分为K个簇，找出最小化目标函数；
目标函数如下；
Figure FDA0003540452540000011
J越小，代表聚类越紧凑，聚类效果更好；所以为使聚类效果最好，目标函数取值为0，各聚类中心如下：
Figure FDA0003540452540000012
式(4)、(5)中，Xj为第j个数据点，Ci为第i个聚类中心，ni是簇i中数据点个数；
步骤六、在经掩模处理的水体信息中，采用最大类间方差算法OTUS自动计算水体阈值，提取出水体；
采用Google Earth Engine提供的面向对象算法将获得的水体信息进行对象化操作，获得格网单元内的水体对象，同时删除像素个数小于10的对象；
步骤七、计算水体对象创建形状属性特征矩形度和长宽比，并根据不同的特征，采用决策树分类算法，长宽比可以把较纤细的物体与方形或圆形物体区分开，矩形度取值在0-1之间，且纤细、弯曲的物体取值较小，筛选出来的即为滨海养殖池；
矩形度的计算公式为：
Figure FDA0003540452540000021
其中，S0是斑块面积，而SMER是其最小外接矩形面积；
长宽比的计算公式为：
Figure FDA0003540452540000022
其中，WMER是斑块的最小外接矩形的宽度，LMER为最小外接矩形的长度。
CN202110741338.2A 2021-07-01 2021-07-01 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 Active CN113408467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110741338.2A CN113408467B (zh) 2021-07-01 2021-07-01 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110741338.2A CN113408467B (zh) 2021-07-01 2021-07-01 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法

Publications (2)

Publication Number Publication Date
CN113408467A CN113408467A (zh) 2021-09-17
CN113408467B true CN113408467B (zh) 2022-04-29

Family

ID=77680662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110741338.2A Active CN113408467B (zh) 2021-07-01 2021-07-01 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法

Country Status (1)

Country Link
CN (1) CN113408467B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013015A (zh) * 2010-12-02 2011-04-13 南京大学 一种面向对象的遥感影像海岸线提取方法
CN102054274A (zh) * 2010-12-01 2011-05-11 南京大学 一种海岸带水体遥感信息全自动提取方法
CN102542259A (zh) * 2011-12-29 2012-07-04 宁波工程学院 一种近岸陆上水体的识别方法
CN110296690A (zh) * 2019-06-06 2019-10-01 中国科学院东北地理与农业生态研究所 一种基于Google Earth Engine云平台的潮间带滩涂快速遥感提取方法
CN111738144A (zh) * 2020-06-19 2020-10-02 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN111860615A (zh) * 2020-06-30 2020-10-30 河海大学 一种基于特征词典融合的遥感水体目标提取方法
CN111862134A (zh) * 2020-07-13 2020-10-30 中国科学院南京地理与湖泊研究所 基于Sentinel-1与GEE的近岸水产养殖塘提取方法
CN112308024A (zh) * 2020-11-23 2021-02-02 中国水利水电科学研究院 一种水体信息提取方法
US11010950B1 (en) * 2020-01-06 2021-05-18 Quantela Inc. Computer-based method and system for determining groundwater potential zones
CN112907587A (zh) * 2021-04-01 2021-06-04 西南石油大学 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法
CN112949414A (zh) * 2021-02-04 2021-06-11 中国水利水电科学研究院 一种宽视域高分六号卫星影像地表水体智能制图方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102054274A (zh) * 2010-12-01 2011-05-11 南京大学 一种海岸带水体遥感信息全自动提取方法
CN102013015A (zh) * 2010-12-02 2011-04-13 南京大学 一种面向对象的遥感影像海岸线提取方法
CN102542259A (zh) * 2011-12-29 2012-07-04 宁波工程学院 一种近岸陆上水体的识别方法
CN110296690A (zh) * 2019-06-06 2019-10-01 中国科学院东北地理与农业生态研究所 一种基于Google Earth Engine云平台的潮间带滩涂快速遥感提取方法
US11010950B1 (en) * 2020-01-06 2021-05-18 Quantela Inc. Computer-based method and system for determining groundwater potential zones
CN111738144A (zh) * 2020-06-19 2020-10-02 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN111860615A (zh) * 2020-06-30 2020-10-30 河海大学 一种基于特征词典融合的遥感水体目标提取方法
CN111862134A (zh) * 2020-07-13 2020-10-30 中国科学院南京地理与湖泊研究所 基于Sentinel-1与GEE的近岸水产养殖塘提取方法
CN112308024A (zh) * 2020-11-23 2021-02-02 中国水利水电科学研究院 一种水体信息提取方法
CN112949414A (zh) * 2021-02-04 2021-06-11 中国水利水电科学研究院 一种宽视域高分六号卫星影像地表水体智能制图方法
CN112907587A (zh) * 2021-04-01 2021-06-04 西南石油大学 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Zongming Wang ; Mingming Jia ; Dehua Mao ; Chunying Ren.Remote sensing of spatial distribution of wetlands in Northeast China, 1990–2013.《IEEE》.2016,正文第3539-3542页. *
基于Sentinel-2A影像的超小型水体提取方法研究;王怡;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20200601;正文第9-39页 *
基于中等分辨率遥感图像的海岸带养殖池提取算法;朱程;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200822;正文第4-74页 *

Also Published As

Publication number Publication date
CN113408467A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN108875659B (zh) 一种基于多光谱遥感影像的海图养殖区识别方法
CN109146889B (zh) 一种基于高分辨率遥感图像的农田边界提取方法
Schroeder et al. Passive remote sensing technology for mapping bull kelp (Nereocystis luetkeana): A review of techniques and regional case study
Hou et al. Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm
CN112101271A (zh) 一种高光谱遥感影像分类方法及装置
CN113033670A (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
CN109584284B (zh) 一种分层决策的滨海湿地地物样本提取方法
CN107504923B (zh) 一种综合遥感影像和延绳信息的海带养殖面积监测方法
Marochov et al. Image classification of marine-terminating outlet glaciers in Greenland using deep learning methods
CN107121681B (zh) 基于高分卫星遥感数据的居民地提取系统
CN115452759A (zh) 一种基于卫星遥感数据的河湖健康指标评价方法及系统
CN114724049A (zh) 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法
Chehata et al. Object-based forest change detection using high resolution satellite images
CN115861629A (zh) 一种高分耕地影像提取方法
Yang et al. Mapping salt marsh vegetation by integrating hyperspectral and LiDAR remote sensing
CN113408467B (zh) 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法
Xu et al. Classification of coral reef benthos around Ganquan Island using WorldView-2 satellite imagery
Magee Segmentation, object-oriented applications for remote sensing land cover and land use classification
Xie et al. Object-oriented random forest classification for Enteromorpha prolifera detection with SAR images
CN115953685A (zh) 多层多尺度分割的农用大棚类型信息提取方法及系统
CN115496939A (zh) 一种基于多源遥感数据的湿地信息提取方法
CN115761493A (zh) 一种基于组合水体指数频率的水体提取方法
Liu et al. Automated extraction of urban roadside trees from mobile laser scanning point clouds based on a voxel growing method
CN114565853A (zh) 光谱特征和空间卷积协同下的近岸海域养殖塘区提取方法

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