CN113420780A - 一种遥感时空谱特征融合的养殖池提取方法 - Google Patents
一种遥感时空谱特征融合的养殖池提取方法 Download PDFInfo
- Publication number
- CN113420780A CN113420780A CN202110566091.5A CN202110566091A CN113420780A CN 113420780 A CN113420780 A CN 113420780A CN 202110566091 A CN202110566091 A CN 202110566091A CN 113420780 A CN113420780 A CN 113420780A
- Authority
- CN
- China
- Prior art keywords
- area
- water body
- culture pond
- edge
- scene
- 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.)
- Granted
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
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种遥感时空谱特征融合的养殖池提取方法,其特征在于,包括以下步骤:1)对遥感影像逐景进行水体特征和梯度计算,提取单景的水体和边缘特征;2)将逐景影像提取的水体和边缘特征进行概率综合,获取初始养殖专题信息;3)使用已有的地形、建筑区、海岸线专题数据对初始养殖专题信息进行后处理,获取高精度的养殖池专题产品。本发明的主要特点是综合利用时序特征以及遥感影像的光谱特征、空间特征,将具体水体特征的养殖池与易混的水稻田、盐田、河流等目标进行区分,以此实现养殖池的高精度提取。
Description
技术领域
本发明属于数字图像处理技术领域,特别涉及一种遥感养殖池提取方法。
背景技术
随着全球人口增加和经济发展,人类对食物的需求也在不断增加,尤其是高蛋白类的鱼类。水产养殖正成为粮食生产部门的一个重要角色,尤其是亚洲发展中国家。国际粮农组织(FAO)的统计数据显示,在2014年,养殖业渔获量首次超过了捕捞渔获量,并且在2016年占整个鱼类获取量的比值高达53%。然而,水产养殖业蓬勃发展地同时也面临着很多的环境问题。
养殖池在水产养殖业中占有很大比重,但养殖池存在对沿海红树林的侵占、与农田争夺水资源、污染水资源等问题,并且通过河流入海影响其它生态系统。与此同时,养殖池也会受人类其它活动排放污水的影响,或者受气候变化等自然灾害的影响。养殖空间分布信息不仅可以帮助我们探究养殖池塘自身的发展状态,还可以通过其空间属性与相关生态环境要素进行关联分析,探究养殖与环境的相互作用机制。例如,将养殖空间分布信息与样点统计调查结合,可以进行养殖估产;与土地利用数据结合,可以探究养殖在景观上对其它生态系统要素的影响,例如测算红树林受养殖侵占的面积;与其它气候要素结合,可以探究养殖受气候变化的影响。这些养殖与环境作用机制的研究可以进一步应用于养殖空间选址。因此,开展养殖池空间分布信息提取是一项非常有意义的工作。
现有的养殖池遥感提取方法主要存在以下三个问题:(1)卷积神经网络类的方法(Gusmawati N,Soulard B,Selmaoui-Folcher N,et al.Surveying shrimp aquaculturepond activity using multitemporal VHSR satellite images-case study from thePerancak estuary,Bali,Indonesia[J].Marine Pollution Bulletin,2017,131pb(jun.):49-60.)需要绘制大量不同种类的养殖区样本,成本高昂。另外,这种方法难以综合时序优势,这非常不利于从时序上将养殖与其它易混地物进行区别,例如水稻田和盐田;(2)分割技术的不成熟一直是面向对象方法(Xia Z,X Guo,Chen R.Automatic extractionof aquaculture ponds based on Google Earth Engine[J].Ocean&CoastalManagement,2020,198:105348.)需要进一步研究的难题,因为后续提取的形状、拓扑特征,乃至光谱、纹理特征都是以分割的对象为单元进行提取并应用于目标的识别。对于养殖池塘,在10m-30m的空间分辨率状态下,会经常出现不同养殖池塘被分割为一个对象或者养殖池塘与河流、湖泊、海域相连的情况,这些都会影响养殖池塘的大小、形状等形态特征的提取,造成养殖池塘的漏提或者错提。(3)边缘检测与形态学处理相结合的方法有效地的抓住了养殖池的特点,可以克服面向对象分割方法导致的问题。但就当前的研究状态而言(DuanY,Li X,Zhang L,et al.Mapping national-scale aquaculture ponds based on theGoogle Earth Engine in the Chinese coastal zone[J].Aquaculture,520.),这类方法并未有效地利用时序影像特征,难以与水稻田和盐田区分,也不利于全球探测时光学影像云覆盖导致的区域数据缺失问题处理。
发明内容
针对上述问题,为了克服传统和常规提取方法中存在的不足,本发明提出了一种遥感时空谱特征融合的养殖池提取方法,该方法综合利用养殖池在遥感影像中的时、空、谱多特征,实现养殖池的高精度自动提取。本发明的具体技术方案是一种遥感时空谱特征融合的养殖池提取方法,其特征在于,包括以下步骤:
1)构建以时间序列为顺序的同一区域的遥感影像数据集,对该数据集中的遥感影像逐景进行水体特征和梯度计算,分别提取单景的水体和边缘特征;
2)将逐景影像提取的水体特征出现的次数与该位置无云覆盖次数相除进行概率计算,设置阈值,得到潜在养殖区水体,将逐景影像提取的边缘特征出现的次数与该位置无云覆盖次数相除进行概率计算,设置阈值,得到潜在养殖边缘,将包括潜在养殖边缘的潜在养殖边缘区域与潜在养殖区水体相交,得到初始养殖池区域;
3)使用已有的地形、建筑区、海岸线专题数据对初始养殖池区域进行后处理,最终得到提取的养殖池区域。
更进一步地,所述的步骤1)中提取单景的水体和边缘特征的具体方法是,
1.1)在遥感影像无云区域计算水体指数特征NDWI,具体公式为,
其中,Green为当前影像的绿波段,NIR为当前影像的近红外波段;
1.2)将NDWI>0的区域设定为水体区域;
1.3)使用差分方法,计算NDWI在水体区域范围内的像素梯度值;
1.4)确定阈值,将像素梯度值大于阈值的像素设定为边缘。
更进一步地,所述的步骤2)中初始养殖池区域提取的具体方法是,
2.1)计算提取区域的水体概率WP,具体公式为,
其中,WT表示当前像素所在位置被检测出的水体次数,VT表示当前像素所在位置无云影像覆盖次数;
2.2)将WP>50%的水体区域作为潜在养殖区水体;
2.3)计算提取区域的边缘概率EP,具体公式为,
其中,ET表示当前像素所在位置被检测出的边缘次数,VT表示当前像素所在位置无云影像覆盖次数;
2.4)将EP>30%的边缘作为潜在养殖边缘;
2.5)使用形态学开运算和形态学闭运算,将线状的潜在养殖边缘扩展为面状的潜在养殖边缘区域;
2.6)将潜在养殖区水体与潜在养殖边缘区域相交,得到初始养殖池区域。
更进一步地,所述的步骤3)中初始养殖池区域后处理的具体方法是,
3.1)将初始养殖池区域中,地形起伏度小于100m的区域设为非养殖池;
3.2)将初始养殖池区域中,建筑区覆盖区域内的区域设为非养殖池;
3.3)将初始养殖池区域中,海岸线向海一侧的区域设为非养殖池。
本发明的有益效果是:1)本发明的遥感时空谱特征融合的养殖池提取方法,引入密集时序特征,在遥感影像光谱特征与空间特征的基础上,实现养殖池在中分影像中大范围自动提取;2)根据养殖池自身图像上的特性,创造性地提出了依据时序特征的边缘概率,有效去除了其它非养殖池区域的干扰;3)根据养殖池在连续时间上的特征,提出了依据时序特征的水体概率,使养殖池水体的提取更为准确;4)还使用以及相关专题数据后处理机制,更进一步地提高了提取精度。
本发明的方法综合利用密集时序特征,以及养殖池的光谱特征、空间特征,避免与盐田、水田、湖泊、水库等目标的混淆,再加上相关专题数据后处理机制,能够实现养殖池的高精度自动提取,具有显著性优势,在大区域高精度自动提取养殖池空间分布方面具有重大潜力。
附图说明
图1为本发明的养殖池遥感提取方法的流程图;
图2为水体概率密度图;
图3为边缘概率密度图;
图4为养殖池提取结果。
具体实施方式
下面结合说明书附图对本发明的技术方案作进一步地描述。
本发明的方法一个具体的实施例,选择进行养殖池提取的区域为广东省扑海湾岸带区域。使用的遥感影像为欧空局发射的哨兵2号卫星2020年1月1日至2020年12月31日期间获取的全年遥感影像,共72个时序切片。多光谱影像的B2、B3、B4、B8波段空间分辨率为10米,辐射量化等级为16bit。使用的后处理数据建筑区是GHSL:Global Human SettlementLayers,Built-Up Grid 1975-1990-2000-2015(P2016),DEM为30米的ASTER GDEM数据,海岸线数据是来自全球变化科学研究数据出版系统(http://www.geodoi.ac.cn/WebCn/doi.aspx?Id=1265)。
如图1所示,本发明的遥感时空谱特征融合的养殖池提取方法的具体步骤如下:
1)对全年遥感影像逐景进行水体特征和梯度计算,分别提取单景的水体和边缘特征;
1.1)在影像无云区域计算水体指数特征NDWI,具体公式为,
其中,B3为哨兵2号影像的绿波段,B8为哨兵2号影像的近红外波段。
1.2)将NDWI>0的区域设定为水体区域;
1.3)使用Canny算子,计算NDWI在水体区域范围内的像素梯度值;
1.4)将像素梯度值大于阈值0.1的像素设定为边缘。
2)将全年逐景影像提取的水体和边缘特征进行概率综合,获取初始养殖专题信息;
2.1)计算提取区域的年度水体概率WP,具体公式为,
其中,WT表示当前像素所在位置被检测出的水体次数,VT表示当前像素所在位置无云影像覆盖次数。结果见附图2。
2.2)将WP>50%的区域作为潜在养殖区水体,这样就去除了水田、盐田等这样的不是常期有水的区域;
2.3)计算提取区域的年度边缘概率EP,具体公式为,
其中,ET表示当前像素所在位置被检测出的边缘次数,VT表示当前像素所在位置无云影像覆盖次数。结果见附图3。
2.4)将年度边缘概率EP>30%的分割结果作为潜在养殖边缘,这样就去除了大面积的如湖泊、水库这样不属于养殖池的水域;
2.5)使用形态学开运算和形态学闭运算,将线状的潜在养殖边缘扩展为面状的潜在养殖边缘区域;
2.6)将潜在养殖区水体与潜在养殖区边缘相交,得到初始养殖池区域。
3)使用已有的地形、建筑区、海岸线专题数据对初始养殖池区域进行后处理,最终获取高精度的养殖池区域。结果见附图4。
3.1)将地形起伏度ΔH小于100m的初始养殖池设为非养殖池,具体计算公式为
ΔH=Hmax-Hmin……(IV)
3.2)将建筑区覆盖区域内的初始养殖池设为非养殖池;
3.3)将海岸线向海一侧的初始养殖池设为非养殖池。
本发明的方法不仅使用了光谱特征,还养殖池的空间边缘特征以及密集时序特征,与养殖易混的盐田、水田等目标可以自动区分,具有显著性优势,在大区域高精度自动提取养殖池空间分布方面具有重大潜力。
虽然本发明已经以较佳实施例公开如上,但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内,所做的任何等效变化或润饰,同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。
Claims (4)
1.一种遥感时空谱特征融合的养殖池提取方法,其特征在于,包括以下步骤:
1)构建以时间序列为顺序的同一区域的遥感影像数据集,对该数据集中的遥感影像逐景进行水体特征和梯度计算,分别提取单景的水体和边缘特征;
2)将逐景影像提取的水体特征出现的次数与该位置无云覆盖次数相除进行概率计算,设置阈值,得到潜在养殖区水体,将逐景影像提取的边缘特征出现的次数与该位置无云覆盖次数相除进行概率计算,设置阈值,得到潜在养殖边缘,将包括潜在养殖边缘的潜在养殖边缘区域与潜在养殖区水体相交,得到初始养殖池区域;
3)使用已有的地形、建筑区、海岸线专题数据对初始养殖池区域进行后处理,最终得到提取的养殖池区域。
3.如权利要求1所述的一种遥感时空谱特征融合的养殖池提取方法,其特征在于,所述的步骤2)中初始养殖池区域提取的具体方法是,
2.1)计算提取区域的水体概率WP,具体公式为,
其中,WT表示当前像素所在位置被检测出的水体次数,VT表示当前像素所在位置无云影像覆盖次数;
2.2)将WP>50%的水体区域作为潜在养殖区水体;
2.3)计算提取区域的边缘概率EP,具体公式为,
其中,ET表示当前像素所在位置被检测出的边缘次数,VT表示当前像素所在位置无云影像覆盖次数;
2.4)将EP>30%的边缘作为潜在养殖边缘;
2.5)使用形态学开运算和形态学闭运算,将线状的潜在养殖边缘扩展为面状的潜在养殖边缘区域;
2.6)将潜在养殖区水体与潜在养殖边缘区域相交,得到初始养殖池区域。
4.如权利要求1所述的一种遥感时空谱特征融合的养殖池提取方法,其特征在于,所述的步骤3)中初始养殖池区域后处理的具体方法是,
3.1)将初始养殖池区域中,地形起伏度小于100m的区域设为非养殖池;
3.2)将初始养殖池区域中,建筑区覆盖区域内的区域设为非养殖池;
3.3)将初始养殖池区域中,海岸线向海一侧的区域设为非养殖池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566091.5A CN113420780B (zh) | 2021-05-24 | 2021-05-24 | 一种遥感时空谱特征融合的养殖池提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566091.5A CN113420780B (zh) | 2021-05-24 | 2021-05-24 | 一种遥感时空谱特征融合的养殖池提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420780A true CN113420780A (zh) | 2021-09-21 |
CN113420780B CN113420780B (zh) | 2023-04-18 |
Family
ID=77712897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110566091.5A Active CN113420780B (zh) | 2021-05-24 | 2021-05-24 | 一种遥感时空谱特征融合的养殖池提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420780B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612391A (zh) * | 2023-07-21 | 2023-08-18 | 四川发展环境科学技术研究院有限公司 | 基于光谱遥感和多特征融合的土地非法侵占检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930606A (zh) * | 2010-05-14 | 2010-12-29 | 深圳市海量精密仪器设备有限公司 | 一种图像边缘检测的景深扩展方法 |
CN105825516A (zh) * | 2016-03-25 | 2016-08-03 | 上海慧达医疗器械有限公司 | 一种dicom影像血流分析系统 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN109409265A (zh) * | 2018-10-15 | 2019-03-01 | 中国科学院地理科学与资源研究所 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
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 |
CN111832575A (zh) * | 2020-07-16 | 2020-10-27 | 黄河勘测规划设计研究院有限公司 | 一种基于遥感图像的水面区域提取方法及装置 |
CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN112489069A (zh) * | 2020-12-12 | 2021-03-12 | 江西洪都航空工业集团有限责任公司 | 一种基于实时视频的车窗抛物检测方法 |
-
2021
- 2021-05-24 CN CN202110566091.5A patent/CN113420780B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930606A (zh) * | 2010-05-14 | 2010-12-29 | 深圳市海量精密仪器设备有限公司 | 一种图像边缘检测的景深扩展方法 |
CN105825516A (zh) * | 2016-03-25 | 2016-08-03 | 上海慧达医疗器械有限公司 | 一种dicom影像血流分析系统 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN109409265A (zh) * | 2018-10-15 | 2019-03-01 | 中国科学院地理科学与资源研究所 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
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 |
CN111832575A (zh) * | 2020-07-16 | 2020-10-27 | 黄河勘测规划设计研究院有限公司 | 一种基于遥感图像的水面区域提取方法及装置 |
CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种长时序的河湖围埂养殖区域监测方法 |
CN112489069A (zh) * | 2020-12-12 | 2021-03-12 | 江西洪都航空工业集团有限责任公司 | 一种基于实时视频的车窗抛物检测方法 |
Non-Patent Citations (1)
Title |
---|
YUEMING LIU等: "Satellite-based monitoring and statistics for raft and cage aquaculture in China’s offshore waters", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612391A (zh) * | 2023-07-21 | 2023-08-18 | 四川发展环境科学技术研究院有限公司 | 基于光谱遥感和多特征融合的土地非法侵占检测方法 |
CN116612391B (zh) * | 2023-07-21 | 2023-09-19 | 四川发展环境科学技术研究院有限公司 | 基于光谱遥感和多特征融合的土地非法侵占检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113420780B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Tracking annual changes of coastal tidal flats in China during 1986–2016 through analyses of Landsat images with Google Earth Engine | |
Jia et al. | Rapid, robust, and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine | |
Duan et al. | Mapping national-scale aquaculture ponds based on the Google Earth Engine in the Chinese coastal zone | |
Lenney et al. | The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM | |
Dronova et al. | Object-based analysis and change detection of major wetland cover types and their classification uncertainty during the low water period at Poyang Lake, China | |
CN109190538A (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
Liu et al. | Satellite-based monitoring and statistics for raft and cage aquaculture in China’s offshore waters | |
Lucas et al. | Use of stereo aerial photography for quantifying changes in the extent and height of mangroves in tropical Australia | |
Wang et al. | Interannual changes of coastal aquaculture ponds in China at 10-m spatial resolution during 2016–2021 | |
CN111310681B (zh) | 一种融入地学知识的红树林分布遥感提取方法 | |
CN109508633A (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
CN106815559A (zh) | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 | |
Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
CN116012723A (zh) | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 | |
San Martín et al. | The contribution of ALOS/PALSAR-1 multi-temporal data to map permanently and temporarily flooded coastal wetlands | |
CN113420780B (zh) | 一种遥感时空谱特征融合的养殖池提取方法 | |
Wiguna et al. | Spatial Analysis of Mangrove Distribution Using Landsat 8 Oli in Badung Regency and Denpasar City, Bali Province, Indonesia | |
Liu et al. | Mapping large-scale aquaculture ponds in Jiangsu Province, China: An automatic extraction framework based on Sentinel-1 time-series imagery | |
Gao et al. | China’s coastal-wetland change analysis based on high-resolution remote sensing | |
Xu et al. | Spatiotemporal distribution of cage and raft aquaculture in China's offshore waters using object-oriented random forest classifier | |
Amran et al. | Identification of mangrove area using Landsat image in Kuala Selangor Nature Park | |
Zhang | An indicator and min-cost approach for shoreline extraction from satellite imagery in muddy coasts | |
Yang et al. | Mapping Dongting Lake Wetland Utilizing Time Series Similarity, Statistical Texture, and Superpixels With Sentinel-1 SAR Data | |
Hoffmann et al. | Low-cost UAV monitoring: insights into seasonal volumetric changes of an oyster reef in the German Wadden Sea | |
Cahyana et al. | Application of ALOS PALSAR for mapping swampland in South Kalimantan |
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 |