CN113449710A - 一种基于卫星遥感监测城市污染水体的方法 - Google Patents

一种基于卫星遥感监测城市污染水体的方法 Download PDF

Info

Publication number
CN113449710A
CN113449710A CN202111010852.5A CN202111010852A CN113449710A CN 113449710 A CN113449710 A CN 113449710A CN 202111010852 A CN202111010852 A CN 202111010852A CN 113449710 A CN113449710 A CN 113449710A
Authority
CN
China
Prior art keywords
water body
remote sensing
polluted water
monitoring
satellite remote
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
CN202111010852.5A
Other languages
English (en)
Inventor
郭怀海
陈黄蓉
李亚平
武燕
冯绍海
胡岳炜
吴晓全
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.)
Nanjing Xinda Environmental Technology Co Ltd
Original Assignee
Nanjing Xinda Environmental Technology 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 Nanjing Xinda Environmental Technology Co Ltd filed Critical Nanjing Xinda Environmental Technology Co Ltd
Priority to CN202111010852.5A priority Critical patent/CN113449710A/zh
Publication of CN113449710A publication Critical patent/CN113449710A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于卫星遥感监测城市污染水体的方法，属于城市污染水体监测技术领域，包括以下步骤：S1、获取卫星遥感数据，并对获取的数据预处理后，得到瑞利校正反射率数据；S2、水体提取模型的训练数据生成；S3、水体提取模型的训练、验证与应用；S4、基于机器学习的城市污染水体提取模型的建立、验证与应用，该基于卫星遥感监测城市污染水体的方法，进一步提取城市污染水体，相较以往污染水体的提取方法而言，自动性更强、适用性更广，更适合于实际应用，并且基于机器学习算法，使用卫星的R rc数据建立了城市污染水体的识别监测模型，相比以往算法更具稳定性，为城市污染水体的长期业务化监测打下坚实基础。

Description

一种基于卫星遥感监测城市污染水体的方法
技术领域
本发明属于城市污染水体监测技术领域，具体涉及基于卫星遥感监测城市污染水体的方法。
背景技术
污染频发的河道常为封闭或半封闭状态，没有明显的水流流动，且表面常漂浮生活垃圾等,造成水体污染的主要成因包括有机污染物、重金属污染、底泥再悬浮、水体热污染以及水循环条件不足等，这种河流污染已经成为我国众多城市都存在的环境污染问题,严重污染的河流对城市环境和居民生活均造成多方面的不利影响，不仅危及居民生活用水安全、破坏河流生态功能，而且其中滋生的微生物还会影响周边空气的质量，最终甚至引发个体疾病或传染疾病爆发，危害市民的身体健康。针对我国严重的水污染现状，因此，控制和治理城市河道水体污染已经迫在眉睫,河流污染问题的治理已成为政府和学界关注的城市环境改善的重点和难点。
早期的污染水体监测采用人工采样的方式，利用遥感手段监测是近几年兴起的一种技术手段,最早的水色遥感主要针对开阔海域及海湾地区，直到19世纪70年代，遥感技术才开始被应用于内陆水体的识别研究，国外学者利用遥感手段估计叶绿素a（Chlorophyll-a, Chl-a）浓度和总悬浮物浓度，研究海域的污染状况，然而遥感手段用于监测污染水体的应用却不多，现有应用主要分为以下3个方面。
（1）从典型遥感水质参数的角度，探究其与卫星波段组合及污染水体评价指标之间的联系，建立污染水体判别模型，选择陆地卫星Landsat TM数据对各波段与综合污染指数进行多元回归分析，定量化预测水体污染指数，利用GF卫星反演Chl-a浓度、总悬浮物浓度和浊度，发现Chl-a浓度和总悬浮物浓度在量值上与水体黑臭并无关联，浊度可以很好地区分黑臭水体与一般水体，可作为判别指标，利用GF-1影像反演水质参数的研究确定模型，反演Chl-a浓度、悬浮物浓度、透明度和综合营养状态指数，并以综合营养状态指数为指标评价水体黑臭情况，效果较好；
（2）从水体的光学作用机理角度，分析致黑臭物质或其他水体组分的吸收特征以及水体表观反射的特征差异，构建黑臭水体识别模型，对黑臭水体和一般水体的固有光学特性差异进行了分析，发现重度黑臭水体的透明度低于一般水体，悬浮物浓度、浊度和黄色物质（Colored dissolved organic matter，CDOM）均高于一般水体，轻度黑臭介于两者之间，对悬浮物等水质参数浓度及水体组分吸收系数进行测量，发现由于黑臭水体中的CDOM浓度较高，可将CDOM吸收特征波段400 nm与不同波段范围内拟合的吸收系数曲线斜率作为区分依据，以南京市为研究区域，采用GF-2影像，提出单波段阈值法、蓝绿波段差值法、红绿波段比值法和色度法，比值法的识别精度最高，其中，色度法可以直观且定量地反映水体颜色变化规律，根据色度计算公式，将红、绿、蓝波段分别作为R、G、B通道代入公式计算，得到CIE坐标系统中表征颜色的主波长，以主波长范围划分阈值区分两类水体，针对沈阳市提出新的归一化比值法BOI，并改进了温爽提出的比值法阈值，提高对于沈阳市的普适性，通过光谱特征，构建反映水体清洁程度的光谱指数WCI，并结合水色、次生环境、河道淤塞和岸边带垃圾堆放4种解译标志识别太原市的黑臭水体，识别精度良好；
（3）结合污染水体周围的地物影像特征作为解译标志，研究污染水体的提取方法也是应用的一方面，基于多源数据，通过目视解译与计算机变化信息的提取，实现了对黑臭水体治理进展情况的监测；
但是，水体发生污染的成因和机制不尽相同，导致已有的污染水体遥感识别算法只局限于自己的研究区域，移植性较差，不同水体具有地域性和差异性，南方城市水系发达，河道污泥淤积、沉积的底质污染为主要污染原因，而北方多属于缺水型水系，污染以大量外源性有机污染物为主要原因，目前，污染遥感识别模型的识别精度不稳定，由于一些非常清洁的湖泊其遥感反射率很低，存在由波段组合构建的模型存在难以区分污染水体与正常水体或误判较多的情况，因此需要研发一种基于卫星遥感监测城市污染水体的方法来解决现有的问题。
发明内容
本发明的目的在于提供一种基于卫星遥感监测城市污染水体的方法，以解决污染遥感识别模型的识别精度不稳定的问题。
为实现上述目的，本发明提供如下技术方案：一种基于卫星遥感监测城市污染水体的方法，包括以下步骤：
S1、获取卫星遥感数据，并对获取的数据预处理后，得到瑞利校正反射率数据；
S2、选取瑞利校正反射率数据的图像，并进行水体标记，通过深度学习模型利用特征波段方法对水体分类，并使用图像增强方法对突出水体的形态特征集结成若干波段的训练样本库；
S3、选定初始学习率、批量大小与迭代次数开始训练深度学习模型，每次迭代时都存储最佳模型，在最终模型后，输入验证图像样本进行模型效果验证，并与传统水体提取归一化水指数的水体提取效果进行对比，若最终模型效果符合要求则应用于城市水体的提取；
S4、通过机器学习算法，对步骤S3中得到的水体提取结果进行污染水体识别，分别采集污染水体与正常水体的光谱样本并做标签，对机器学习算法进行训练与验证，选择效果最优的模型应用于城市污染水体的提取。
优选的，所述步骤要S1中，所述预处理包括对数据进行解压、正射校正、辐射定标、图像融合和瑞利校正。
优选的，所述步骤要S1中，所述卫星遥感数据的数据源为GF-2卫星数据。
优选的，所述步骤S2中，所述特征波段方法包括在输入图像的蓝、绿、红、近红外四个波段后加入归一化指数。
优选的，所述归一化指数包括归一化差分植被指数、归一化水指数与形态学阴影指数。
优选的，所述步骤S4中，所述机器学习算法包括应用随机森林、多层感知器与支持向量机。
优选的，所述步骤S2中，所述水体标记的方法包括用ENVI软件的ROI工具进行手动标记。
优选的，所述手动标记的方法为，水体部分标记为1，背景部分标记0。
优选的，所述步骤S2中，所述图像增强方法包括图像随即切割、随机旋转、沿y轴镜像操作、随机增加噪声的处理。
优选的，所述步骤S3中，所述深度学习模型基于Tensorflow的框架。
本发明的技术效果和优点：该基于卫星遥感监测城市污染水体的方法，使用方便，识别精度高，基于深度学习进行城市水体区域提取，在已提取的水体中基于机器学习算法进行污染水体的识别提取，在自动提取城市水体的基础上，进一步提取城市污染水体，相较以往污染水体的提取方法而言，自动性与适用性更强，更适合于实际应用，同时，使用卫星的R rc数据建立了城市污染水体的识别监测模型，相比以往各类指数算法更具精度稳定性与移植性，为城市污染水体的长期业务化监测打下坚实基础。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了如图中所示的一种基于卫星遥感监测城市污染水体的方法，包括以下步骤：
S1、数据收集与处理：收集研究区域的卫星遥感数据，本实施例中，卫星遥感数据为GF-2卫星数据，经过解压、正射校正、辐射定标、图像融合和瑞利校正的预处理后得到瑞利校正反射率（R rc）数据；
S2、水体提取模型的训练数据生成：基于GF-2 R rc数据，选取水体丰富且具代表性的图像，用ENVI软件的ROI工具进行手动标记，水体部分标记为1，背景部分标记0，在输入图像的蓝、绿、红、近红外四个波段后加入归一化差分植被指数（NDVI）、归一化水指数（NDWI）与形态学阴影指数（MSI）作为特征波段，使深度学习模型，本实施例中，深度学习模型为U-net模型，能够更加有效地对水体进行分类，通过图像增强方法突出水体的形态特征并集结成波段大小的训练样本库，图像增强方法随即切割、随机旋转、沿y轴镜像操作、随机增加噪声，本实施例中，集结成40000幅256像元×256像元×7波段；
S3、水体提取模型的训练、验证与应用：基于Tensorflow的框架进行深度学习模型的训练，选定初始学习率、批量大小与迭代次数等参数后开始训练模型，每次迭代时都存储最佳模型，得到最终模型后，输入验证图像样本进行模型效果验证，并可以与传统水体提取归一化水指数（NDWI）等的水体提取效果进行对比，判断模型效果后应用于城市水体的提取；
S4、基于机器学习的城市污染水体提取模型的建立、验证与应用：使用机器学习算法，本实施例中，机器学习算法包括随机森林（RF）、多层感知器（MLP）与支持向量机（SVM）等，对步骤S3中得到的水体提取结果进行进一步的污染水体识别，分别采集污染水体与正常水体的光谱样本并做标签，对所采用的机器学习算法进行训练与验证。选择效果最优的模型进行城市污染水体的提取应用；
该基于卫星遥感监测城市污染水体的方法，自动提取城市水体的基础上，进一步提取城市污染水体，相较以往污染水体的提取方法而言，自动性更强、适用性更广，更适合于实际应用，并且基于机器学习算法，使用卫星的R rc数据建立了城市污染水体的识别监测模型，相比以往算法更具稳定性，为城市污染水体的长期业务化监测打下坚实基础。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,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 (10)

1.一种基于卫星遥感监测城市污染水体的方法，其特征在于：包括以下步骤：
S1、获取卫星遥感数据，并对获取的数据预处理后，得到瑞利校正反射率数据；
S2、选取所述瑞利校正反射率数据的图像，并进行水体标记，深度学习模型利用特征波段方法对水体进行分类，并使用图像增强方法对突出水体的形态特征集结成若干波段的训练样本库；
S3、选定初始学习率、批量大小与迭代次数开始训练深度学习模型，每次迭代时都存储最佳模型，在最终模型后，输入验证图像样本进行模型效果验证，并与传统水体提取归一化水指数的水体提取效果进行对比，若最终模型效果符合要求则应用于城市水体的提取；
S4、通过机器学习算法，对步骤S3中得到的水体提取结果进行污染水体识别，分别采集污染水体与正常水体的光谱样本并做标签，对机器学习算法进行训练与验证，选择效果最优的模型应用于城市污染水体的提取。
2.根据权利要求1所述的一种基于卫星遥感监测城市污染水体的方法，其特征在于：步骤要S1中，所述预处理包括对数据进行解压、正射校正、辐射定标、图像融合和瑞利校正。
3.根据权利要求1所述的一种基于卫星遥感监测城市污染水体的方法，其特征在于：步骤要S1中，所述卫星遥感数据的数据源为GF-2卫星数据。
4.根据权利要求1所述的一种基于卫星遥感监测城市污染水体的方法，其特征在于：步骤S2中，所述特征波段方法包括在输入图像的蓝、绿、红、近红外四个波段后加入归一化指数。
5.根据权利要求4所述的一种基于卫星遥感监测城市污染水体的方法，其特征在于：所述归一化指数包括归一化差分植被指数、归一化水指数与形态学阴影指数。
6.根据权利要求5所述的一种基于卫星遥感监测城市污染水体的方法，其特征在于：步骤S2中，所述水体标记的方法包括用ENVI软件的ROI工具进行手动标记。
7.根据权利要6中所述的一种基于卫星遥感监测城市污染水体的方法，其特征在于：所述手动标记的方法为，水体部分标记为1，背景部分标记0。
8.根据权利要求1所述的一种基于卫星遥感监测城市污染水体的方法，其特征在于：步骤S4中，所述机器学习算法包括应用随机森林、多层感知器与支持向量机。
9.根据权利要求1所述的一种基于卫星遥感监测城市污染水体的方法，其特征在于：步骤S2中，所述图像增强方法包括图像随机切割、随机旋转、沿y轴镜像操作、随机增加噪声的处理。
10.根据权利要求1所述的一种基于卫星遥感监测城市污染水体的方法，其特征在于：步骤S3中，所述深度学习模型基于Tensorflow的框架。
CN202111010852.5A 2021-08-31 2021-08-31 一种基于卫星遥感监测城市污染水体的方法 Pending CN113449710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111010852.5A CN113449710A (zh) 2021-08-31 2021-08-31 一种基于卫星遥感监测城市污染水体的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111010852.5A CN113449710A (zh) 2021-08-31 2021-08-31 一种基于卫星遥感监测城市污染水体的方法

Publications (1)

Publication Number Publication Date
CN113449710A true CN113449710A (zh) 2021-09-28

Family

ID=77819318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111010852.5A Pending CN113449710A (zh) 2021-08-31 2021-08-31 一种基于卫星遥感监测城市污染水体的方法

Country Status (1)

Country Link
CN (1) CN113449710A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114993965A (zh) * 2022-05-13 2022-09-02 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及系统
CN117172430A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 一种基于深度学习的水体环境评估与预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184000A (zh) * 2015-09-18 2015-12-23 北华航天工业学院 基于朴素贝叶斯源识别的非负约束因子的污染源解析方法
CN109766833A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种基于光谱特征的城市河道水质类型遥感识别方法
CN111104889A (zh) * 2019-12-04 2020-05-05 山东科技大学 一种基于U-net的水体遥感识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184000A (zh) * 2015-09-18 2015-12-23 北华航天工业学院 基于朴素贝叶斯源识别的非负约束因子的污染源解析方法
CN109766833A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种基于光谱特征的城市河道水质类型遥感识别方法
CN111104889A (zh) * 2019-12-04 2020-05-05 山东科技大学 一种基于U-net的水体遥感识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
（澳）拉库马•布亚等编著: "《雾计算与边缘计算 原理及范式》", 31 January 2020, 机械工业出版社 *
张丹丹: "《基于深度神经网络技术的高分遥感图像处理及应用》", 31 August 2020, 中国宇航出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114993965A (zh) * 2022-05-13 2022-09-02 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及系统
CN114993965B (zh) * 2022-05-13 2023-04-18 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及系统
CN117172430A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 一种基于深度学习的水体环境评估与预测方法及系统
CN117172430B (zh) * 2023-11-02 2024-02-02 北京建工环境修复股份有限公司 一种基于深度学习的水体环境评估与预测方法及系统

Similar Documents

Publication Publication Date Title
CN108020511B (zh) 一种浅水草型湖泊水质参数遥感监测方法与装置
CN102012528B (zh) 一种稀疏植被地区的高光谱遥感油气勘探方法
CN113449710A (zh) 一种基于卫星遥感监测城市污染水体的方法
Cablk et al. Detecting and discriminating impervious cover with high-resolution IKONOS data using principal component analysis and morphological operators
CN106096563A (zh) 植物自动识别系统和方法
CN110987955B (zh) 一种基于决策树的城市黑臭水体分级方法
Li et al. Estimation of chlorophyll-a concentrations in a highly turbid eutrophic lake using a classification-based MODIS land-band algorithm
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN113538559B (zh) 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法
CN114596495B (zh) 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法
CN106778629A (zh) 大棚识别方法及装置
CN111060455B (zh) 面向东北冷凉区的遥感图像作物标记方法和装置
Fu et al. Multi-sensor and multi-platform retrieval of water chlorophyll a concentration in karst wetlands using transfer learning frameworks with ASD, UAV, and Planet CubeSate reflectance data
CN111882573B (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
Xiao et al. Individual tree detection and crown delineation with 3D information from multi-view satellite images
CN113887493A (zh) 一种基于id3算法的黑臭水体遥感影像识别方法
CN114913437B (zh) 一种黑臭水体识别方法
CN116433629A (zh) 一种基于GA-Unet的机场道面缺陷识别方法
CN115661675A (zh) 多云地区地震滑坡遥感识别方法、系统、设备及存储介质
CN114120128A (zh) 基于深度学习与机器学习的无人机遥感乔木改种检测方法
Workie Assessment of aboveground carbon stock in coniferous and broadleaf forests, using high spatial resolution satellite images
Shen et al. Individual tree location detection by high-resolution RGB satellite imagery in urban area
Yavuz et al. A five-step protocol for estimating forest cover and rate of change in the New York City watershed
Li et al. Vegetation extraction in Taishan region based on high-resolution satellite remote sensing images
Dubucq et al. A real-world hyperspectral image processing workflow for vegetation stress and hydrocarbon indirect detection

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: 20210928