CN113408468A - 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 - Google Patents
基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 Download PDFInfo
- Publication number
- CN113408468A CN113408468A CN202110741361.1A CN202110741361A CN113408468A CN 113408468 A CN113408468 A CN 113408468A CN 202110741361 A CN202110741361 A CN 202110741361A CN 113408468 A CN113408468 A CN 113408468A
- Authority
- CN
- China
- Prior art keywords
- forest
- sentinel
- swamp
- extracting
- research area
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法,涉及一种利用遥感数据和随机森林算法的森林沼泽精准识别提取方法。本发明是为了解决现有的单一光谱遥感数据无法准确探测获取森林沼泽分布信息的问题,本方法如下:一、筛选获Sentinel‑1GRD与Sentinel‑2MSI影像;二、空间上的VV与VH后向散射系数图像;三、计算Sentinel‑2影像的红边指数、植被指数与水体指数指数特征;四、获取研究区Sentinel‑1雷达与Sentinel‑2红边多光谱波段融合特征反射率信息;五、提取训练样本与验证点模型;六、研究区整体森林沼泽地物类型信息识别与提取、精度验证;七、对研究区内森林沼泽区域进行裁剪,得到森林沼泽分布范围信息。本发明解决了被遮蔽水体的森林沼泽被错分为林地的问题。
Description
技术领域
本发明涉及一种利用遥感数据和随机森林算法的森林沼泽精准识别提取方法。
背景技术
湿地是最重要的陆地生态系统类型之一,在维持物质循环平衡、保护生物物种多样性和维持生态安全等方面发挥着极其重要的作用。森林沼泽是指以超过六米的木本植物作为优势物种的沼泽湿地,碳储量极其丰富,对全球气候变化响应显著。面对人类活动与气候变化的双重严峻挑战,森林沼泽遥感监测能及时明确森林沼泽分布界限,反映森林沼泽湿地景观类型现状与转化趋势,对有效保护森林沼泽生态系统健康与维护区域生态系统稳定具有重要意义。
近年来,基于多源遥感数据整合最大程度融合不同类型传感器遥感数据来有效提取地物类型信息已成为森林沼泽地物类型识别与提取的有效方法。但是由于森林沼泽透视性差、物种类型复杂、目视解译与实地考察繁琐等给森林沼泽信息提取制图带来了困难。使用单一光谱影像,不能有效穿透识别森林高大枝干以下的森林沼泽范围。
发明内容
本发明的目的是为了解决现有的单一光谱遥感数据无法准确探测获取森林沼泽分布信息的问题,提供了一种基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法。
基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法如下:
步骤一、利用欧空局官方网站,筛选获取研究区年内云量较少的Sentinel-1GRD与Sentinel-2MSI影像,利用SNAP Sentinel官方处理软件对下载的Sentinel影像进行地形校正、相干斑滤波校正、辐射校正、高分辨率融合预处理;
步骤二、获取Sentinel-1VV与VH极化后向散射系数,得到空间上的VV与VH后向散射系数图像;
步骤三、计算Sentinel-2影像的红边指数、植被指数与水体指数指数特征,其计算公式如下:
NDVIR1=(B8a-B5)/(B8a+B5) (1)
NDVIR2=(B8a-B6)/(B8a+B6) (2)
NDVIR3=(B8a-B7)/(B8a+B7) (3)
NDR1=(B6-B5)/(B6+B5) (4)
NDR2=(B7-B5)/(B7+B5) (5)
NDVI=(B8a-B4)/(B8a+B4) (6)
NDWI=(B3-B8a)/(B3+B8a) (7)
式(1)、(2)、(3)、(4)、(5)、(6)、(7)中,Bx代表Sentinel-2中1-12波段的反射率,其中x=3、4、5、6、7或8a;
步骤四、利用遥感影像空间数据融合,整合Sentinel-1VV与VH后向散射系数和Sentinel-2红边指数、植被指数与水体指数的指数特征,获取研究区Sentinel-1雷达与Sentinel-2红边多光谱波段融合特征反射率信息;
步骤五、利用野外实测调研数据建立研究区森林沼泽地物类型信息识别提取训练样本与验证点模型;
步骤六、利用随机森林算法模型对步骤五建立的训练样本进行研究区整体森林沼泽地物类型信息识别与提取,获取研究区森林沼泽空间分布范围,提取结果利用步骤五建立的验证点进行精度验证;
步骤七、根据步骤六森林沼泽地物类型信息识别提取结果,对研究区内森林沼泽区域进行裁剪,得到森林沼泽分布范围信息。
本发明实现了遥感技术准确探测获得高大枝干遮蔽水体情况下的森林沼泽识别与空间分布问题。本发明首先分别对获得的Sentinel-1与Sentinel-2遥感影像进行地形校正、相干斑滤波校正、辐射校正、高分辨率融合一系列预处理。然后分别获取Sentinel-1VV与VH后向散射系数和Sentinel-2红边指数、植被指数、水体指数等指数特征,利用多源遥感数据空间融合获取Sentinel-1雷达与Sentinel-2红边多光谱波段融合特征数据。最后基于野外实测调研采样点数据建立研究区森林沼泽地物类型训练样本与验证点模型,利用随机森林算法对研究区多源融合遥感数据进行森林沼泽地物类型信息识别与提取,获取研究区森林沼泽空间分布范围。经检验,基于融合Sentinel-1雷达与Sentinel-2多光谱数据和随机森林算法对森林沼泽信息进行识别,森林沼泽信息提取精度可达90.5%。本发明克服了因森林沼泽高大乔木枝干给森林沼泽遥感解译带来的困难,解决了被遮蔽水体的森林沼泽被错分为林地的问题。本发明建立的Sentinel-1雷达与Sentinel-2多光谱波段特征融合对于被遮蔽的森林沼泽提取快捷有效,提高了森林沼泽遥感解译的分类精度和可信度,具有可重复性和科学性,对森林沼泽遥感制图具有极其重要的意义。本发明中提取森立沼泽的方法克服了遥感解译森立沼泽的难题。
附图说明
图1为本发明的流程图;
图2为实验一中Sentinel-1雷达VH后向散射系数与Sentinel-2真彩色示意图。
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卫星影像和随机森林算法的森林沼泽提取方法如下:
步骤一、利用欧空局官方网站,筛选获取研究区年内云量较少的Sentinel-1GRD与Sentinel-2MSI影像,利用SNAP Sentinel官方处理软件对下载的Sentinel影像进行地形校正、相干斑滤波校正、辐射校正、高分辨率融合预处理;
步骤二、获取Sentinel-1VV与VH极化后向散射系数,得到空间上的VV与VH后向散射系数图像;
步骤三、计算Sentinel-2影像的红边指数、植被指数与水体指数指数特征,其计算公式如下:
NDVIR1=(B8a-B5)/(B8a+B5) (1)
NDVIR2=(B8a-B6)/(B8a+B6) (2)
NDVIR3=(B8a-B7)/(B8a+B7) (3)
NDR1=(B6-B5)/(B6+B5) (4)
NDR2=(B7-B5)/(B7+B5) (5)
NDVI=(B8a-B4)/(B8a+B4) (6)
NDWI=(B3-B8a)/(B3+B8a) (7)
式(1)、(2)、(3)、(4)、(5)、(6)、(7)中,Bx代表Sentinel-2中1-12波段的反射率,其中x=3、4、5、6、7或8a;
步骤四、利用遥感影像空间数据融合,整合Sentinel-1VV与VH后向散射系数和Sentinel-2红边指数、植被指数与水体指数的指数特征,获取研究区Sentinel-1雷达与Sentinel-2红边多光谱波段融合特征反射率信息;
步骤五、利用野外实测调研数据建立研究区森林沼泽地物类型信息识别提取训练样本与验证点模型;
步骤六、利用随机森林算法模型对步骤五建立的训练样本进行研究区整体森林沼泽地物类型信息识别与提取,获取研究区森林沼泽空间分布范围,提取结果利用步骤五建立的验证点进行精度验证;
步骤七、根据步骤六森林沼泽地物类型信息识别提取结果,对研究区内森林沼泽区域进行裁剪,得到森林沼泽分布范围信息。
采用下述实验验证本发明效果:
实验一:
基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法如下:
步骤一:利用欧空局官方网站,筛选下载哈尼国际重要湿地年内云量较少的Sentinel-1GRD影像(S1B_IW_GRDH_1SDV_20200713T213839_20200713T213904_022458_02A9FB_05D9),采集仪器为SAR-C,数据大小约为1.64G,采集时间为2020年7月13日。筛选下载哈尼国际重要湿地Sentinel-2MSI影像(L1C_T51TYG_A025783_20200530T023518),图幅轨道号为46,投影为UTM 51N,云量为0.0869%,影像大小约为754.87M,采集时间为2020年7月9日。利用SNAP Sentinel官方处理软件对下载的Sentinel影像进行地形校正、相干斑滤波校正、辐射校正、高分辨率融合预处理;
步骤二:获取Sentinel-1VV与VH极化后向散射系数,得到空间上的VV与VH后向散射系数图像;
步骤三:计算Sentinel-2影像的红边指数、植被指数与水体指数等指数特征。其计算公式如下:
NDVIR1=(B8a-B5)/(B8a+B5) (1)
NDVIR2=(B8a-B6)/(B8a+B6) (2)
NDVIR3=(B8a-B7)/(B8a+B7) (3)
NDR1=(B6-B5)/(B6+B5) (4)
NDR2=(B7-B5)/(B7+B5) (5)
NDVI=(B8a-B4)/(B8a+B4) (6)
NDWI=(B3-B8a)/(B3+B8a) (7)
式中,Bx代表Sentinel-2中1-12波段的反射率,其中x=3、4、5、6、7或8a。
步骤四:利用遥感影像空间数据融合,整合Sentinel-1VV与VH后向散射系数和Sentinel-2红边指数、植被指数与水体指数的指数特征,获取研究区Sentinel-1与Sentinel-2红边多光谱波段融合特征反射率信息;
步骤五:利用野外实测调研数据建立哈尼国际重要湿地森林沼泽地物类型信息识别提取训练样本与验证点模型;
步骤六:利用随机森林算法模型对步骤五建立的训练样本进行哈尼国际重要湿地整体森立沼泽信息识别提取,提取结果利用步骤五建立的验证点进行精度验证,经检验,基于融合Sentinel-1雷达与Sentinel-2多光谱数据和随机森林算法对森林沼泽信息进行识别,森林沼泽信息提取精度可达90.5%;
步骤七:根据步骤六森林沼泽地物类型信息识别提取结果,对哈尼国际重要湿地内森林沼泽区域进行裁剪,得到森林沼泽分布范围信息。
Claims (1)
1.基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法,其特征在于所述基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法如下:
步骤一、利用欧空局官方网站,筛选获取研究区年内云量较少的Sentinel-1GRD与Sentinel-2MSI影像,利用SNAP Sentinel官方处理软件对下载的Sentinel影像进行地形校正、相干斑滤波校正、辐射校正、高分辨率融合预处理;
步骤二、获取Sentinel-1VV与VH极化后向散射系数,得到空间上的VV与VH后向散射系数图像;
步骤三、计算Sentinel-2影像的红边指数、植被指数与水体指数指数特征,其计算公式如下:
NDVIR1=(B8a-B5)/(B8a+B5) (1)
NDVIR2=(B8a-B6)/(B8a+B6) (2)
NDVIR3=(B8a-B7)/(B8a+B7) (3)
NDR1=(B6-B5)/(B6+B5) (4)
NDR2=(B7-B5)/(B7+B5) (5)
NDVI=(B8a-B4)/(B8a+B4) (6)
NDWI=(B3-B8a)/(B3+B8a) (7)
式(1)、(2)、(3)、(4)、(5)、(6)、(7)中,Bx代表Sentinel-2中1-12波段的反射率,其中x=3、4、5、6、7或8a;
步骤四、利用遥感影像空间数据融合,整合Sentinel-1VV与VH后向散射系数和Sentinel-2红边指数、植被指数与水体指数的指数特征,获取研究区Sentinel-1雷达与Sentinel-2红边多光谱波段融合特征反射率信息;
步骤五、利用野外实测调研数据建立研究区森林沼泽地物类型信息识别提取训练样本与验证点模型;
步骤六、利用随机森林算法模型对步骤五建立的训练样本进行研究区整体森林沼泽地物类型信息识别与提取,获取研究区森林沼泽空间分布范围,提取结果利用步骤五建立的验证点进行精度验证;
步骤七、根据步骤六森林沼泽地物类型信息识别提取结果,对研究区内森林沼泽区域进行裁剪,得到森林沼泽分布范围信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741361.1A CN113408468A (zh) | 2021-07-01 | 2021-07-01 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741361.1A CN113408468A (zh) | 2021-07-01 | 2021-07-01 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113408468A true CN113408468A (zh) | 2021-09-17 |
Family
ID=77680663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110741361.1A Pending CN113408468A (zh) | 2021-07-01 | 2021-07-01 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408468A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936054A (zh) * | 2021-10-18 | 2022-01-14 | 中国科学院东北地理与农业生态研究所 | 一种探测塑料大棚面积及分布范围的方法 |
CN114021656A (zh) * | 2021-11-08 | 2022-02-08 | 中国科学院东北地理与农业生态研究所 | 基于gee云平台和光学与雷达数据融合的水体提取方法 |
CN114119513A (zh) * | 2021-11-12 | 2022-03-01 | 山东省国土测绘院 | 一种时间-光谱混合的松材线虫病害早期监测方法 |
CN115019166A (zh) * | 2022-05-24 | 2022-09-06 | 深圳大学 | 基于深度网络模型的沼泽湿地信息提取方法、装置、介质及终端 |
CN115035413A (zh) * | 2022-06-30 | 2022-09-09 | 河南理工大学 | 一种多时相主被动遥感随机森林农作物识别方法及系统 |
CN115115948A (zh) * | 2022-07-26 | 2022-09-27 | 云南大学 | 一种基于随机森林和辅助因子的林地信息精细化提取方法 |
CN115170981A (zh) * | 2022-07-08 | 2022-10-11 | 河南大学 | 基于云平台融合多源卫星影像的常绿森林自动识别方法 |
CN115810155A (zh) * | 2023-01-18 | 2023-03-17 | 中关村睿宸卫星创新应用研究院 | 一种潮汐湿地的分类方法 |
CN117197650A (zh) * | 2023-07-24 | 2023-12-08 | 移动广播与信息服务产业创新研究院(武汉)有限公司 | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 |
CN117975292A (zh) * | 2024-03-25 | 2024-05-03 | 中国科学院东北地理与农业生态研究所 | 一种温带森林沼泽提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361338A (zh) * | 2014-10-17 | 2015-02-18 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN107895169A (zh) * | 2017-10-25 | 2018-04-10 | 南京邮电大学 | 一种基于envisat asar双极化数据提取湿地信息的方法 |
CN108388828A (zh) * | 2017-07-13 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN112446397A (zh) * | 2019-09-02 | 2021-03-05 | 中国林业科学研究院资源信息研究所 | 基于遥感和随机森林的产草量估算方法、装置及存储介质 |
-
2021
- 2021-07-01 CN CN202110741361.1A patent/CN113408468A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361338A (zh) * | 2014-10-17 | 2015-02-18 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
CN105404753A (zh) * | 2015-12-08 | 2016-03-16 | 中国科学院东北地理与农业生态研究所 | 基于面向对象-随机森林分类法和中等分辨率遥感影像的沼泽湿地制图的方法 |
CN108388828A (zh) * | 2017-07-13 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
CN107895169A (zh) * | 2017-10-25 | 2018-04-10 | 南京邮电大学 | 一种基于envisat asar双极化数据提取湿地信息的方法 |
CN112446397A (zh) * | 2019-09-02 | 2021-03-05 | 中国林业科学研究院资源信息研究所 | 基于遥感和随机森林的产草量估算方法、装置及存储介质 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
Non-Patent Citations (1)
Title |
---|
常文涛等: "融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取", 《湿地科学》, no. 01, 15 February 2020 (2020-02-15), pages 12 - 21 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936054A (zh) * | 2021-10-18 | 2022-01-14 | 中国科学院东北地理与农业生态研究所 | 一种探测塑料大棚面积及分布范围的方法 |
CN114021656A (zh) * | 2021-11-08 | 2022-02-08 | 中国科学院东北地理与农业生态研究所 | 基于gee云平台和光学与雷达数据融合的水体提取方法 |
CN114119513A (zh) * | 2021-11-12 | 2022-03-01 | 山东省国土测绘院 | 一种时间-光谱混合的松材线虫病害早期监测方法 |
CN115019166B (zh) * | 2022-05-24 | 2024-02-09 | 深圳大学 | 沼泽湿地信息提取方法、装置、介质及终端 |
CN115019166A (zh) * | 2022-05-24 | 2022-09-06 | 深圳大学 | 基于深度网络模型的沼泽湿地信息提取方法、装置、介质及终端 |
CN115035413A (zh) * | 2022-06-30 | 2022-09-09 | 河南理工大学 | 一种多时相主被动遥感随机森林农作物识别方法及系统 |
CN115035413B (zh) * | 2022-06-30 | 2023-08-29 | 河南理工大学 | 一种多时相主被动遥感随机森林农作物识别方法及系统 |
CN115170981A (zh) * | 2022-07-08 | 2022-10-11 | 河南大学 | 基于云平台融合多源卫星影像的常绿森林自动识别方法 |
CN115170981B (zh) * | 2022-07-08 | 2023-06-06 | 河南大学 | 基于云平台融合多源卫星影像的常绿森林自动识别方法 |
CN115115948A (zh) * | 2022-07-26 | 2022-09-27 | 云南大学 | 一种基于随机森林和辅助因子的林地信息精细化提取方法 |
CN115115948B (zh) * | 2022-07-26 | 2024-03-29 | 云南大学 | 一种基于随机森林和辅助因子的林地信息精细化提取方法 |
CN115810155A (zh) * | 2023-01-18 | 2023-03-17 | 中关村睿宸卫星创新应用研究院 | 一种潮汐湿地的分类方法 |
CN115810155B (zh) * | 2023-01-18 | 2023-04-18 | 中关村睿宸卫星创新应用研究院 | 一种潮汐湿地的分类方法 |
CN117197650A (zh) * | 2023-07-24 | 2023-12-08 | 移动广播与信息服务产业创新研究院(武汉)有限公司 | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 |
CN117197650B (zh) * | 2023-07-24 | 2024-03-19 | 移动广播与信息服务产业创新研究院(武汉)有限公司 | 基于sar数据时空极化定标的甘蔗分布提取方法及系统 |
CN117975292A (zh) * | 2024-03-25 | 2024-05-03 | 中国科学院东北地理与农业生态研究所 | 一种温带森林沼泽提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408468A (zh) | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 | |
Cheng et al. | Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis | |
Brewin et al. | Underway spectrophotometry along the Atlantic Meridional Transect reveals high performance in satellite chlorophyll retrievals | |
Croft et al. | Evaluating leaf chlorophyll content prediction from multispectral remote sensing data within a physically-based modelling framework | |
Hall et al. | Multi-angle remote sensing of forest light use efficiency by observing PRI variation with canopy shadow fraction | |
Chen et al. | Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands | |
Van Aardt | Spectral separability among six southern tree species | |
Helfenstein et al. | Assessing biodiversity from space: Impact of spatial and spectral resolution on trait-based functional diversity | |
Navarro-Cerrillo et al. | Hyperspectral and multispectral satellite sensors for mapping chlorophyll content in a Mediterranean Pinus sylvestris L. plantation | |
CN112287892A (zh) | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 | |
Shafri et al. | Detection of stressed oil palms from an airborne sensor using optimized spectral indices | |
Akhtman et al. | Application of hyperspectural images and ground data for precision farming | |
Heiskanen et al. | Do airborne laser scanning biomass prediction models benefit from Landsat time series, hyperspectral data or forest classification in tropical mosaic landscapes? | |
Mohd Razali et al. | Monitoring vegetation drought using MODIS remote sensing indices for natural forest and plantation areas | |
Hunt et al. | Remote sensing of leaf, canopy, and vegetation water contents for satellite environmental data records | |
Dmitriev et al. | Identification of species of the genus Acer L. using vegetation indices calculated from the hyperspectral images of leaves | |
Bhojaraja et al. | Mapping agewise discrimination of arecanut crop water requirement using Hyperspectral Remote Sensing | |
Zhu et al. | Distinguishing cyanobacterial bloom from floating leaf vegetation in Lake Taihu based on medium-resolution imaging spectrometer (MERIS) data | |
Pang et al. | Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands: a case study in China. | |
Ramadanningrum et al. | Image-based tea yield estimation using Landsat-8 OLI and Sentinel-2B images | |
Vanikiotis et al. | MODIS PRI performance to track Light Use Efficiency of a Mediterranean coniferous forest: Determinants, restrictions and the role of LUE range | |
CN116704345B (zh) | 植被提取方法、装置、电子设备及存储介质 | |
Paul et al. | Acreage estimation of mango orchards using hyperspectral satellite data | |
RU2424540C2 (ru) | Способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования | |
Kefauver et al. | Using topographic and remotely sensed variables to assess ozone injury to conifers in the Sierra Nevada (USA) and Catalonia (Spain) |
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: 20210917 |