CN113822107B - 一种融合多种植被指数的土地荒漠化提取方法及装置 - Google Patents

一种融合多种植被指数的土地荒漠化提取方法及装置 Download PDF

Info

Publication number
CN113822107B
CN113822107B CN202010798802.7A CN202010798802A CN113822107B CN 113822107 B CN113822107 B CN 113822107B CN 202010798802 A CN202010798802 A CN 202010798802A CN 113822107 B CN113822107 B CN 113822107B
Authority
CN
China
Prior art keywords
data
target
satellite
vegetation
index
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
CN202010798802.7A
Other languages
English (en)
Other versions
CN113822107A (zh
Inventor
范俊甫
韩留生
王树祥
孙广伟
张大富
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.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
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 Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN202010798802.7A priority Critical patent/CN113822107B/zh
Publication of CN113822107A publication Critical patent/CN113822107A/zh
Application granted granted Critical
Publication of CN113822107B publication Critical patent/CN113822107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例所提供的融合多种植被指数的土地荒漠化提取方法及装置，首先获取目标地区的landsat卫星数据并进行多重校正得到目标卫星数据，其次根据目标卫星数据生成目标地区的影像图并采用预设的第一shp文件对影像图进行剪裁得到多个子图，然后采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数，最后基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果，进而根据荒漠化结果生成荒漠化评价模型对应的脚本数据并将脚本数据进行存储。如此，能够对植被覆盖度指数、去土壤植被指数以及增强性植被指数进行融合分析，从而确保荒漠化判断结果的准确性和可靠性。

Description

一种融合多种植被指数的土地荒漠化提取方法及装置
技术领域
本发明涉及土地荒漠化分析技术领域，具体而言，涉及一种融合多种植被指数的土地荒漠化提取方法及装置。
背景技术
荒漠化是一种由人为以及气候等因素导致的干旱、半干旱、半湿润地区的土地退化过程。随着人口的剧增以及气候等环境因素的恶化，土地荒漠化急剧发展，严重威胁了人类的生存环境，制约了社会经济的可持续发展，土地荒漠化不仅成为全世界所面临的重要生态环境问题，更是重要的经济与社会问题。如何有效地减缓与防治荒漠化成为当前全球性生态环境领域研究的重点和热点，而防治措施依赖于荒漠化的调查与监测。
荒漠化初期的研究主要采用地面调查结合指征法进行综合评价，相关研究表明土壤性状与植被覆盖等是荒漠化评价的重要指标，但由于地面调查方法适用于小尺度的局限性使得该方法难以应用与推广到区域性或全球性大尺度的监测。随着传感器技术的进步，多光谱与多空间数据指向参数的卫星遥感技术纷纷出现和发展，为开展区域性和全球性的荒漠化监测提供了新的技术手段。土壤性状和植被覆盖在遥感影像上呈现不同的灰度和光谱特征，为开展荒漠化监测提供了遥感机理支撑。最初，遥感学者针对影像采用人机交互解译方法进行土地荒漠化监测，通过实地考察建立不同荒漠化地类与遥感影像对应的解译标志，综合判断推理绘制出土地荒漠化专题图，建立了土地荒漠化数据与动态度模型实现荒漠化的动态监测。虽然该方法可以实现土地荒漠化信息的提取，但在区分不同程度荒漠化等级时存在较大的困难，另外就是其准确性过于依赖数据的质量和判读人员的经验知识，缺乏普适性。随着遥感机理算法的深化与遥感技术的进步，业务化NOAA/AVHRR以及MODIS植被指数产品的出现为土地荒漠化基础性研究提供了必要的数据集，研究者们尝试直接将归一化植被指数产品用于土地荒漠化评价的研究，直接植被指数法能够用于荒漠化的评价但缺乏荒漠化监测的机理知识；在植被指数的基础上进一步发展了植被覆盖度指数法，该方法利用归一化植被指数建立植被覆盖指数模型，并根据植被覆盖度指数定义了荒漠化指数，该算法具有一定的机理知识同时具有较高的荒漠化识别精度。
基于单一植被指数算法的植被覆盖度模型是一种常用的土地荒漠化提取方法，然而相关研究发现，在干旱、半干旱等土地荒漠化频发地区，单一植被指数算法(如NDVI)易受降水影响而使得在干旱时或沙地区域的归一化植被指数偏低，导致在荒漠化信息提取时经常发生异常，难以获得准确的荒漠化判断结果。
发明内容
为了改善上述问题，本发明提供了一种融合多种植被指数的土地荒漠化提取方法及装置。
第一方面，提供一种融合多种植被指数的土地荒漠化提取方法，所述方法包括：
获取目标地区的landsat卫星数据，对所述landsat卫星数据进行多重校正得到目标卫星数据；
根据所述目标卫星数据生成所述目标地区的影像图，采用预设的第一shp文件对所述影像图进行剪裁得到多个子图；
采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数；
基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果；根据所述荒漠化结果生成荒漠化评价模型对应的脚本数据并将所述脚本数据进行存储。
优选地，采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数，包括：
确定所述第二shp文件中的水体shp文件以及建筑物掩膜shp文件；
采用所述水体shp文件以及所述建筑物掩膜shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数。
优选地，基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果，包括：
基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数计算所述目标地区的综合植被覆盖度指数、综合去土壤植被指数以及综合增强性植被指数；
判断所述综合植被覆盖度指数是否大于第一设定系数；
若否，判断所述去土壤植被指数是否大于第二设定系数；若否，则判定所述目标地区为重度荒漠化；若是，则判定所述目标地区为中度荒漠化；
若是，判断所述增强性植被指数是否小于第三设定系数；若否，则判定所述目标地区为轻度荒漠化；若是，则判定所述目标地区不存在荒漠化。
优选地，对所述landsat卫星数据进行多重校正得到目标卫星数据，包括：
对所述landsat卫星数据的图像辐射数据包含的辐射标签按标签识别度的大小进行筛选，得到至少两个目标辐射标签；获取每个目标辐射标签对应的标签描述信息的队列信息；基于所述队列信息的辐射参数与所述队列信息的辐射偏移量提取所述landsat卫星数据中的辐射损耗数据，采用所述辐射损耗数据对所述landsat卫星数据进行辐射校正得到第一卫星数据；
基于得到的第一卫星数据的大气数据和经纬度数据，确定待标定的用于校正所述第一卫星数据的大气偏差参数的多个评价系数的系数评价值，以及不同评价系数之间的影响因子；基于确定的所述多个评价系数的系数评价值，以及不同评价系数之间的影响因子，对所述多个评价系数进行标定，使得标定出的目标评价系数的系数评价值大于第一设定值、且标定出目标评价系数之间的影响因子小于第二设定值；采用所述目标评价系数对所述第一卫星数据中的大气数据对应的大气偏差参数进行大气校正得到第二卫星数据；
获取所述第二卫星数据的数据编码集，对所述数据编码集进行特征提取，输出包括目标编码字段及所述目标编码字段对应的字段中心度的字段集合；基于所述辐射偏移量和所述大气偏差参数从所述字段集合中提取出至少两组待处理字段以及每组待处理字段对应的字段中心度，采用所述字段中心度对每组待处理字段对应的字符编码串进行切分以得到用于进行几何校正的目标编码串，对所述目标编码串进行译码处理得到几何校正权重，根据所述几何校正权重对所述第二卫星数据进行几何校正以得到目标卫星数据。
优选地，根据所述目标卫星数据生成所述目标地区的影像图，采用预设的第一shp文件对所述影像图进行剪裁得到多个子图，包括：
构建所述目标卫星数据的卫星点云数据对应的第一数据列表，构建所述目标卫星数据的拍摄角度数据对应的第二数据列表；其中，所述第一数据列表和所述第二数据列表分别包括多个不同数据指向参数的卫星图数据；
提取所述卫星点云数据在所述第一数据列表的任一卫星图数据的影像参数集，将所述第二数据列表中具有最小数据指向参数的卫星图数据确定为基准卫星图数据；
基于所述目标卫星数据的数据容量将所述影像参数集映射到所述基准卫星图数据中以在所述基准卫星图数据中得到映射参数集，并根据所述影像参数集以及所述映射参数集生成所述卫星点云数据和所述拍摄角度数据之间的数据关联路径；根据所述数据关联路径中的每个路径节点将所述目标卫星数据转换为所述目标地区的影像图；
将所述第一shp文件对应的脚本编码加载至所述影像图对应的编码序列中以得到多个拆分标识，根据所述拆分标识对所述影像图进行剪裁得到多个子图。
第二方面，提供了一种融合多种植被指数的土地荒漠化提取装置，所述装置包括：
数据校正模块，用于获取目标地区的landsat卫星数据，对所述landsat卫星数据进行多重校正得到目标卫星数据；
影像剪裁模块，用于根据所述目标卫星数据生成所述目标地区的影像图，采用预设的第一shp文件对所述影像图进行剪裁得到多个子图；
指数提取模块，用于采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数；
荒漠判断模块，用于基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果；根据所述荒漠化结果生成荒漠化评价模型对应的脚本数据并将所述脚本数据进行存储。
优选地，所述指数提取模块，具体用于：
确定所述第二shp文件中的水体shp文件以及建筑物掩膜shp文件；
采用所述水体shp文件以及所述建筑物掩膜shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数。
优选地，所述荒漠判断模块，具体用于：
基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数计算所述目标地区的综合植被覆盖度指数、综合去土壤植被指数以及综合增强性植被指数；
判断所述综合植被覆盖度指数是否大于第一设定系数；
若否，判断所述去土壤植被指数是否大于第二设定系数；若否，则判定所述目标地区为重度荒漠化；若是，则判定所述目标地区为中度荒漠化；
若是，判断所述增强性植被指数是否小于第三设定系数；若否，则判定所述目标地区为轻度荒漠化；若是，则判定所述目标地区不存在荒漠化。
优选地，所述数据校正模块，具体用于：
对所述landsat卫星数据的图像辐射数据包含的辐射标签按标签识别度的大小进行筛选，得到至少两个目标辐射标签；获取每个目标辐射标签对应的标签描述信息的队列信息；基于所述队列信息的辐射参数与所述队列信息的辐射偏移量提取所述landsat卫星数据中的辐射损耗数据，采用所述辐射损耗数据对所述landsat卫星数据进行辐射校正得到第一卫星数据；
基于得到的第一卫星数据的大气数据和经纬度数据，确定待标定的用于校正所述第一卫星数据的大气偏差参数的多个评价系数的系数评价值，以及不同评价系数之间的影响因子；基于确定的所述多个评价系数的系数评价值，以及不同评价系数之间的影响因子，对所述多个评价系数进行标定，使得标定出的目标评价系数的系数评价值大于第一设定值、且标定出目标评价系数之间的影响因子小于第二设定值；采用所述目标评价系数对所述第一卫星数据中的大气数据对应的大气偏差参数进行大气校正得到第二卫星数据；
获取所述第二卫星数据的数据编码集，对所述数据编码集进行特征提取，输出包括目标编码字段及所述目标编码字段对应的字段中心度的字段集合；基于所述辐射偏移量和所述大气偏差参数从所述字段集合中提取出至少两组待处理字段以及每组待处理字段对应的字段中心度，采用所述字段中心度对每组待处理字段对应的字符编码串进行切分以得到用于进行几何校正的目标编码串，对所述目标编码串进行译码处理得到几何校正权重，根据所述几何校正权重对所述第二卫星数据进行几何校正以得到目标卫星数据。
优选地，所述影像剪裁模块，具体用于：
构建所述目标卫星数据的卫星点云数据对应的第一数据列表，构建所述目标卫星数据的拍摄角度数据对应的第二数据列表；其中，所述第一数据列表和所述第二数据列表分别包括多个不同数据指向参数的卫星图数据；
提取所述卫星点云数据在所述第一数据列表的任一卫星图数据的影像参数集，将所述第二数据列表中具有最小数据指向参数的卫星图数据确定为基准卫星图数据；
基于所述目标卫星数据的数据容量将所述影像参数集映射到所述基准卫星图数据中以在所述基准卫星图数据中得到映射参数集，并根据所述影像参数集以及所述映射参数集生成所述卫星点云数据和所述拍摄角度数据之间的数据关联路径；根据所述数据关联路径中的每个路径节点将所述目标卫星数据转换为所述目标地区的影像图；
将所述第一shp文件对应的脚本编码加载至所述影像图对应的编码序列中以得到多个拆分标识，根据所述拆分标识对所述影像图进行剪裁得到多个子图。
本发明实施例所提供的融合多种植被指数的土地荒漠化提取方法及装置，首先获取目标地区的landsat卫星数据并进行多重校正得到目标卫星数据，其次根据目标卫星数据生成目标地区的影像图并采用预设的第一shp文件对影像图进行剪裁得到多个子图，然后采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数，最后基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果，进而根据荒漠化结果生成荒漠化评价模型对应的脚本数据并将脚本数据进行存储。如此，能够对植被覆盖度指数、去土壤植被指数以及增强性植被指数进行融合分析，从而确保荒漠化判断结果的准确性和可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例所提供的一种融合多种植被指数的土地荒漠化提取方法的流程图。
图2为图1所示的步骤S14的子步骤示意图。
图3为本发明实施例所提供的一种融合多种植被指数的土地荒漠化提取装置的功能模块框图。
图4为本发明实施例所提供的计算机设备的硬件结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
为克服现有技术所存在的单一植被指数算法在提取干旱、半干旱地区土地荒漠化信息时存在的问题和不足，发明人基于决策树分类法创新性地提出一种融合植被覆盖度(FVC)、去土壤植被指数(MSAVI)、增强性植被指数(EVI)三种植被指数的干旱、半干旱地区荒漠化土地信息提取模型，并通过该模型实现对目标地区的荒漠化判断，从而获得准确的荒漠化判断结果。
请参阅图1，提供了一种融合多种植被指数的土地荒漠化提取方法的流程示意图，所述方法可以应用于计算机设备，具体可以包括以下步骤S11-步骤S14所描述的内容。
步骤S11，获取目标地区的landsat卫星数据，对所述landsat卫星数据进行多重校正得到目标卫星数据。
步骤S12，根据所述目标卫星数据生成所述目标地区的影像图，采用预设的第一shp文件对所述影像图进行剪裁得到多个子图。
步骤S13，采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数。
步骤S14，基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果；根据所述荒漠化结果生成荒漠化评价模型对应的脚本数据并将所述脚本数据进行存储。
通过上述步骤S11-步骤S14，首先获取目标地区的landsat卫星数据并进行多重校正得到目标卫星数据，其次根据目标卫星数据生成目标地区的影像图并采用预设的第一shp文件对影像图进行剪裁得到多个子图，然后采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数，最后基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果，进而根据荒漠化结果生成荒漠化评价模型对应的脚本数据并将脚本数据进行存储。如此，能够对植被覆盖度指数、去土壤植被指数以及增强性植被指数进行融合分析，从而确保荒漠化判断结果的准确性和可靠性。
详细地，通过融合多种指数进行分析，能够克服干旱半干旱地区归一化植被指数NDVI等单一指数计算模型易于受土壤背景影响，使得植被指数异常或对植被不敏感，导致基于植被盖度模型提取荒漠化信息时易发生异常的问题。
详细地，本发明引入的去土壤植被指数能够增强干旱、半干旱地区稀疏植被区域对植被的敏感程度，降低土壤背景对荒漠化指标计算的影响。
详细地，本发明引入的增强性植被指数能够降低大气的影响，并且可以解决在高植被覆盖度反应不灵敏、低植被覆盖度受土壤背景影响的问题。
在具体实施过程中，为了确保目标卫星数据的准确性，步骤S11所描述的对所述landsat卫星数据进行多重校正得到目标卫星数据，具体可以包括以下步骤S111-步骤S113所描述的内容。
步骤S111，对所述landsat卫星数据的图像辐射数据包含的辐射标签按标签识别度的大小进行筛选，得到至少两个目标辐射标签；获取每个目标辐射标签对应的标签描述信息的队列信息；基于所述队列信息的辐射参数与所述队列信息的辐射偏移量提取所述landsat卫星数据中的辐射损耗数据，采用所述辐射损耗数据对所述landsat卫星数据进行辐射校正得到第一卫星数据。
步骤S112，基于得到的第一卫星数据的大气数据和经纬度数据，确定待标定的用于校正所述第一卫星数据的大气偏差参数的多个评价系数的系数评价值，以及不同评价系数之间的影响因子；基于确定的所述多个评价系数的系数评价值，以及不同评价系数之间的影响因子，对所述多个评价系数进行标定，使得标定出的目标评价系数的系数评价值大于第一设定值、且标定出目标评价系数之间的影响因子小于第二设定值；采用所述目标评价系数对所述第一卫星数据中的大气数据对应的大气偏差参数进行大气校正得到第二卫星数据。
步骤S113，获取所述第二卫星数据的数据编码集，对所述数据编码集进行特征提取，输出包括目标编码字段及所述目标编码字段对应的字段中心度的字段集合；基于所述辐射偏移量和所述大气偏差参数从所述字段集合中提取出至少两组待处理字段以及每组待处理字段对应的字段中心度，采用所述字段中心度对每组待处理字段对应的字符编码串进行切分以得到用于进行几何校正的目标编码串，对所述目标编码串进行译码处理得到几何校正权重，根据所述几何校正权重对所述第二卫星数据进行几何校正以得到目标卫星数据。
如此，通过执行上述步骤S111-步骤S113，能够确保目标卫星数据的准确性。
在一个具体的实施方式中，为了确保目标地区的影像图的完整性以及剪裁得到的子图的区分度，步骤S12所描述的根据所述目标卫星数据生成所述目标地区的影像图，采用预设的第一shp文件对所述影像图进行剪裁得到多个子图，具体可以包括以下步骤S121-步骤S124所描述的内容。
步骤S121，构建所述目标卫星数据的卫星点云数据对应的第一数据列表，构建所述目标卫星数据的拍摄角度数据对应的第二数据列表；其中，所述第一数据列表和所述第二数据列表分别包括多个不同数据指向参数的卫星图数据。
步骤S122，提取所述卫星点云数据在所述第一数据列表的任一卫星图数据的影像参数集，将所述第二数据列表中具有最小数据指向参数的卫星图数据确定为基准卫星图数据。
步骤S123，基于所述目标卫星数据的数据容量将所述影像参数集映射到所述基准卫星图数据中以在所述基准卫星图数据中得到映射参数集，并根据所述影像参数集以及所述映射参数集生成所述卫星点云数据和所述拍摄角度数据之间的数据关联路径；根据所述数据关联路径中的每个路径节点将所述目标卫星数据转换为所述目标地区的影像图。
步骤S124，将所述第一shp文件对应的脚本编码加载至所述影像图对应的编码序列中以得到多个拆分标识，根据所述拆分标识对所述影像图进行剪裁得到多个子图。
可以理解，通过上述步骤S121-步骤S124所描述的内容，能够确保目标地区的影像图的完整性以及剪裁得到的子图的区分度。
在一个可能的实施方式中，步骤S13所描述的采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数，具体可以包括以下步骤S131和步骤S132所描述的内容。
步骤S131，确定所述第二shp文件中的水体shp文件以及建筑物掩膜shp文件。
步骤S132，采用所述水体shp文件以及所述建筑物掩膜shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数。
植被覆盖度指数FVC是植被垂直投影面积占总统计面积的比率，它是描述地表植被生长状况的一个重要指标。像素二分模型是一种简单的混合像素分解方法，采用像素二分法模型计算植被覆盖度指数的计算公式下所示：
其中，FVC为植被覆盖度指数，NDVImin为目标地区内裸土像元的NDVI最小值，NDVImax为目标地区内裸土像元的NDVI最大值。由于地表条件、植被类型等相关因素的影响，的最大值以及最小值随时间和空间的变化而变化，本发明中取累积频率0.5％NDVI值为最小值，99.5％NDVI值为最大值。
与其他的植被指数相比，去土壤植被指数MSAVI能够减少土壤背景的影响，增强稀疏植被区对植被的敏感程度。尤其干旱沙地区域植被覆盖率低，更容易受到土壤以及其他非植被背景影响。MSAVI的计算方法如下所示：
其中，MSAVI为去土壤植被指数，NIR为近红外波段反射率，NIR为红色波段的反射率。
增强性植被指数EVI是一种增强性植被指数，它引入了蓝光波段，一定程度上降低了大气的影响，并且可以弥补NDVI在高植被覆盖度反应不灵敏、低植被覆盖度受土壤背景影响的问题，EVI的计算方法如下所示：
其中，G为增益因子，C1为红光波段大气纠正因子，C2为蓝光波段大气纠正因子，L为冠层背景纠正因子，本发明实施例中，以上参数取值如下：G＝2.5，C1＝0.6，C2＝7.5，L＝1.0。
在一个可以替换的实施方式中，如图2所示，步骤S14所描述的基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果，具体可以包括以下步骤S141-S148所描述的内容。
步骤S141，基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数计算所述目标地区的综合植被覆盖度指数、综合去土壤植被指数以及综合增强性植被指数。
步骤S142，判断所述综合植被覆盖度指数是否大于第一设定系数；若否，则转向步骤S143，若是，则转向步骤S144。
步骤S143，判断所述去土壤植被指数是否大于第二设定系数；若否，则转向步骤S145；若是，则转向步骤S146。
步骤S144，判断所述增强性植被指数是否小于第三设定系数；若否，则转向步骤S147；若是，则转向步骤S148。
步骤S145，判定所述目标地区为重度荒漠化。
步骤S146，判定所述目标地区为中度荒漠化。
步骤S147，判定所述目标地区为轻度荒漠化。
步骤S148，判定所述目标地区不存在荒漠化。
在本实施例中，第一设定系数可以为0.6，第二设定系数可以为0.1，第三设定系数可以为0.25。
荒漠化常发生在半干旱、干旱区，该区域植被较稀疏且地表大量裸漏，归一化植被指数NDVI易于受土壤背景影响使得植被指数异常或对植被不敏感，导致基于植被盖度提取荒漠化异常。验证实验区科尔沁沙地属于半湿润、半干旱气候，因而使用植被盖度提取荒漠化时出现异常。重度荒漠化的用户者精度在62.5％-100％，生产者精度在54.33％-84.98％；中度荒漠化的用户者精度在34.11％-84.88％，生产者精度在39.93％-98.4％，由于NDVI在干旱或半干旱稀疏植被区异常导致植被盖度算法识别中度与重度荒漠化存在混分现象。轻度荒漠化的用户者精度在64.04％-99.6％，生产者精度在48.15％-80.2％；未荒漠化的用户者精度在69.47％-96.18％，生产者精度在89.06％-100％，主要是由于NDVI达到一定限值时存在过饱和现象，使得植被盖度法对轻度与未荒漠化之间也存在混分现象。
应用本发明提出的上述技术方案，重度荒漠化的用户者精度在86.99％-96.98％，生产者精度在85.44％-97.44％；中度荒漠化的用户者精度在85.55％-95.02％，生产者精度在85.57％-94.46％；轻度荒漠化的用户者精度在95.02％-100％，生产者精度在86.30％-95.36％；未荒漠化的用户者精度在90.20％-98.25％，生产者精度在89.06％-100％。说明本发明提出的融合多种植被指数的方法能够较好的区分重度与中度荒漠化以及轻度与未荒漠化，适用于干旱或半干旱区土地荒漠化的提取且具有较高的识别精度。
在一个可替换的实施方式中，步骤S14所描述的根据所述荒漠化结果生成荒漠化评价模型对应的脚本数据并将所述脚本数据进行存储，具体可以包括：提取所述荒漠化结果对应的模型参数并建立所述荒漠化评价模型，基于所述荒漠化评价模型获取脚本数据并将所述脚本数据进行存储。
在上述基础上，请结合参阅图3，一种融合多种植被指数的土地荒漠化提取装置300，所述装置包括：
数据校正模块310，用于获取目标地区的landsat卫星数据，对所述landsat卫星数据进行多重校正得到目标卫星数据；
影像剪裁模块320，用于根据所述目标卫星数据生成所述目标地区的影像图，采用预设的第一shp文件对所述影像图进行剪裁得到多个子图；
指数提取模块330，用于采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数；
荒漠判断模块340，用于基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果；根据所述荒漠化结果生成荒漠化评价模型对应的脚本数据并将所述脚本数据进行存储。
可选地，所述指数提取模块330，具体用于：
确定所述第二shp文件中的水体shp文件以及建筑物掩膜shp文件；
采用所述水体shp文件以及所述建筑物掩膜shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数。
可选地，所述荒漠判断模块340，具体用于：
基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数计算所述目标地区的综合植被覆盖度指数、综合去土壤植被指数以及综合增强性植被指数；
判断所述综合植被覆盖度指数是否大于第一设定系数；
若否，判断所述去土壤植被指数是否大于第二设定系数；若否，则判定所述目标地区为重度荒漠化；若是，则判定所述目标地区为中度荒漠化；
若是，判断所述增强性植被指数是否小于第三设定系数；若否，则判定所述目标地区为轻度荒漠化；若是，则判定所述目标地区不存在荒漠化。
可选地，所述数据校正模块310，具体用于：
对所述landsat卫星数据的图像辐射数据包含的辐射标签按标签识别度的大小进行筛选，得到至少两个目标辐射标签；获取每个目标辐射标签对应的标签描述信息的队列信息；基于所述队列信息的辐射参数与所述队列信息的辐射偏移量提取所述landsat卫星数据中的辐射损耗数据，采用所述辐射损耗数据对所述landsat卫星数据进行辐射校正得到第一卫星数据；
基于得到的第一卫星数据的大气数据和经纬度数据，确定待标定的用于校正所述第一卫星数据的大气偏差参数的多个评价系数的系数评价值，以及不同评价系数之间的影响因子；基于确定的所述多个评价系数的系数评价值，以及不同评价系数之间的影响因子，对所述多个评价系数进行标定，使得标定出的目标评价系数的系数评价值大于第一设定值、且标定出目标评价系数之间的影响因子小于第二设定值；采用所述目标评价系数对所述第一卫星数据中的大气数据对应的大气偏差参数进行大气校正得到第二卫星数据；
获取所述第二卫星数据的数据编码集，对所述数据编码集进行特征提取，输出包括目标编码字段及所述目标编码字段对应的字段中心度的字段集合；基于所述辐射偏移量和所述大气偏差参数从所述字段集合中提取出至少两组待处理字段以及每组待处理字段对应的字段中心度，采用所述字段中心度对每组待处理字段对应的字符编码串进行切分以得到用于进行几何校正的目标编码串，对所述目标编码串进行译码处理得到几何校正权重，根据所述几何校正权重对所述第二卫星数据进行几何校正以得到目标卫星数据。
可选地，所述影像剪裁模块320，具体用于：
构建所述目标卫星数据的卫星点云数据对应的第一数据列表，构建所述目标卫星数据的拍摄角度数据对应的第二数据列表；其中，所述第一数据列表和所述第二数据列表分别包括多个不同数据指向参数的卫星图数据；
提取所述卫星点云数据在所述第一数据列表的任一卫星图数据的影像参数集，将所述第二数据列表中具有最小数据指向参数的卫星图数据确定为基准卫星图数据；
基于所述目标卫星数据的数据容量将所述影像参数集映射到所述基准卫星图数据中以在所述基准卫星图数据中得到映射参数集，并根据所述影像参数集以及所述映射参数集生成所述卫星点云数据和所述拍摄角度数据之间的数据关联路径；根据所述数据关联路径中的每个路径节点将所述目标卫星数据转换为所述目标地区的影像图；
将所述第一shp文件对应的脚本编码加载至所述影像图对应的编码序列中以得到多个拆分标识，根据所述拆分标识对所述影像图进行剪裁得到多个子图。
在上述基础上，请结合参阅图4，为本发明实施例所提供的计算机设备400的硬件结构图，所述计算机设备400包括互相之间通信的处理器410和存储器420。其中，所述处理器410通过运行从所述存储器420中调取的计算机程序以实现如图1所示的方法。
综上，本发明实施例所提供的融合多种植被指数的土地荒漠化提取方法及装置，首先获取目标地区的landsat卫星数据并进行多重校正得到目标卫星数据，其次根据目标卫星数据生成目标地区的影像图并采用预设的第一shp文件对影像图进行剪裁得到多个子图，然后采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数，最后基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果，进而根据荒漠化结果生成荒漠化评价模型对应的脚本数据并将脚本数据进行存储。如此，能够对植被覆盖度指数、去土壤植被指数以及增强性植被指数进行融合分析，从而确保荒漠化判断结果的准确性和可靠性。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (8)

1.一种融合多种植被指数的土地荒漠化提取方法，其特征在于，所述方法包括：获取目标地区的landsat卫星数据，对所述landsat卫星数据进行多重校正得到目标卫星数据；
根据所述目标卫星数据生成所述目标地区的影像图，采用预设的第一shp文件对所述影像图进行剪裁得到多个子图；
采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数；
基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果；根据所述荒漠化结果生成荒漠化评价模型对应的脚本数据并将所述脚本数据进行存储；
根据所述目标卫星数据生成所述目标地区的影像图，采用预设的第一shp文件对所述影像图进行剪裁得到多个子图，包括：
构建所述目标卫星数据的卫星点云数据对应的第一数据列表，构建所述目标卫星数据的拍摄角度数据对应的第二数据列表；其中，所述第一数据列表和所述第二数据列表分别包括多个不同数据指向参数的卫星图数据；
提取所述卫星点云数据在所述第一数据列表的任一卫星图数据的影像参数集，将所述第二数据列表中具有最小数据指向参数的卫星图数据确定为基准卫星图数据；
基于所述目标卫星数据的数据容量将所述影像参数集映射到所述基准卫星图数据中以在所述基准卫星图数据中得到映射参数集，并根据所述影像参数集以及所述映射参数集生成所述卫星点云数据和所述拍摄角度数据之间的数据关联路径；根据所述数据关联路径中的每个路径节点将所述目标卫星数据转换为所述目标地区的影像图；
将所述第一shp文件对应的脚本编码加载至所述影像图对应的编码序列中以得到多个拆分标识，根据所述拆分标识对所述影像图进行剪裁得到多个子图。
2.根据权利要求1所述的方法，其特征在于，采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数，包括：确定所述第二shp文件中的水体shp文件以及建筑物掩膜shp文件；
采用所述水体shp文件以及所述建筑物掩膜shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数。
3.根据权利要求1所述的方法，其特征在于，基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果，包括：
基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数计算所述目标地区的综合植被覆盖度指数、综合去土壤植被指数以及综合增强性植被指数；
判断所述综合植被覆盖度指数是否大于第一设定系数；
若否，判断所述去土壤植被指数是否大于第二设定系数；若否，则判定所述目标地区为重度荒漠化；若是，则判定所述目标地区为中度荒漠化；
若是，判断所述增强性植被指数是否小于第三设定系数；若否，则判定所述目标地区为轻度荒漠化；若是，则判定所述目标地区不存在荒漠化。
4.根据权利要求1所述的方法，其特征在于，对所述landsat卫星数据进行多重校正得到目标卫星数据，包括：
对所述landsat卫星数据的图像辐射数据包含的辐射标签按标签识别度的大小进行筛选，得到至少两个目标辐射标签；获取每个目标辐射标签对应的标签描述信息的队列信息；
基于所述队列信息的辐射参数与所述队列信息的辐射偏移量提取所述landsat卫星数据中的辐射损耗数据，采用所述辐射损耗数据对所述landsat卫星数据进行辐射校正得到第一卫星数据；
基于得到的第一卫星数据的大气数据和经纬度数据，确定待标定的用于校正所述第一卫星数据的大气偏差参数的多个评价系数的系数评价值，以及不同评价系数之间的影响因子；基于确定的所述多个评价系数的系数评价值，以及不同评价系数之间的影响因子，对所述多个评价系数进行标定，使得标定出的目标评价系数的系数评价值大于第一设定值、且标定出目标评价系数之间的影响因子小于第二设定值；采用所述目标评价系数对所述第一卫星数据中的大气数据对应的大气偏差参数进行大气校正得到第二卫星数据；
获取所述第二卫星数据的数据编码集，对所述数据编码集进行特征提取，输出包括目标编码字段及所述目标编码字段对应的字段中心度的字段集合；基于所述辐射偏移量和所2述大气偏差参数从所述字段集合中提取出至少两组待处理字段以及每组待处理字段对应的字段中心度，采用所述字段中心度对每组待处理字段对应的字符编码串进行切分以得到用于进行几何校正的目标编码串，对所述目标编码串进行译码处理得到几何校正权重，根据所述几何校正权重对所述第二卫星数据进行几何校正以得到目标卫星数据。
5.一种融合多种植被指数的土地荒漠化提取装置，其特征在于，所述装置包括：数据校正模块，用于获取目标地区的landsat卫星数据，对所述landsat卫星数据进行多重校正得到目标卫星数据；
影像剪裁模块，用于根据所述目标卫星数据生成所述目标地区的影像图，采用预设的第一shp文件对所述影像图进行剪裁得到多个子图；
指数提取模块，用于采用预设的第二shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数；
荒漠判断模块，用于基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数判断所述目标地区的荒漠化结果；根据所述荒漠化结果生成荒漠化评价模型对应的脚本数据并将所述脚本数据进行存储；
所述影像剪裁模块，具体用于：
构建所述目标卫星数据的卫星点云数据对应的第一数据列表，构建所述目标卫星数据的拍摄角度数据对应的第二数据列表；其中，所述第一数据列表和所述第二数据列表分别包括多个不同数据指向参数的卫星图数据；
提取所述卫星点云数据在所述第一数据列表的任一卫星图数据的影像参数集，将所述二数据列表中具有最小数据指向参数的卫星图数据确定为基准卫星图数据；基于所述目标卫星数据的数据容量将所述影像参数集映射到所述基准卫星图数据中以在所述基准卫星图数据中得到映射参数集，并根据所述影像参数集以及所述映射参数集生成所述卫星点云数据和所述拍摄角度数据之间的数据关联路径；根据所述数据关联路径中的每个路径节点将所述目标卫星数据转换为所述目标地区的影像图；
将所述第一shp文件对应的脚本编码加载至所述影像图对应的编码序列中以得到多个拆分标识，根据所述拆分标识对所述影像图进行剪裁得到多个子图。
6.根据权利要求5所述的装置，其特征在于，所述指数提取模块，具体用于：确定所述第二shp文件中的水体shp文件以及建筑物掩膜shp文件；
采用所述水体shp文件以及所述建筑物掩膜shp文件提取每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数。
7.根据权利要求5所述的装置，其特征在于，所述荒漠判断模块，具体用于：基于每个子图对应的植被覆盖度指数、去土壤植被指数以及增强性植被指数计算所述目标地区的综合植被覆盖度指数、综合去土壤植被指数以及综合增强性植被指数；
判断所述综合植被覆盖度指数是否大于第一设定系数；
若否，判断所述去土壤植被指数是否大于第二设定系数；若否，则判定所述目标地区为重度荒漠化；若是，则判定所述目标地区为中度荒漠化；
若是，判断所述增强性植被指数是否小于第三设定系数；若否，则判定所述目标地区为轻度荒漠化；若是，则判定所述目标地区不存在荒漠化。
8.根据权利要求5所述的装置，其特征在于，所述数据校正模块，具体用于：对所述landsat卫星数据的图像辐射数据包含的辐射标签按标签识别度的大小进行筛选，得到至少两个目标辐射标签；获取每个目标辐射标签对应的标签描述信息的队列信息；
基于所述队列信息的辐射参数与所述队列信息的辐射偏移量提取所述landsat卫星数据中的辐射损耗数据，采用所述辐射损耗数据对所述landsat卫星数据进行辐射校正得到第一卫星数据；
基于得到的第一卫星数据的大气数据和经纬度数据，确定待标定的用于校正所述第一卫星数据的大气偏差参数的多个评价系数的系数评价值，以及不同评价系数之间的影响因子；基于确定的所述多个评价系数的系数评价值，以及不同评价系数之间的影响因子，对所述多个评价系数进行标定，使得标定出的目标评价系数的系数评价值大于第一设定值、且标定出目标评价系数之间的影响因子小于第二设定值；采用所述目标评价系数对所述第一卫星数据中的大气数据对应的大气偏差参数进行大气校正得到第二卫星数据；
获取所述第二卫星数据的数据编码集，对所述数据编码集进行特征提取，输出包括目标编码字段及所述目标编码字段对应的字段中心度的字段集合；基于所述辐射偏移量和所述大气偏差参数从所述字段集合中提取出至少两组待处理字段以及每组待处理字段对应的字段中心度，采用所述字段中心度对每组待处理字段对应的字符编码串进行切分以得到用于进行几何校正的目标编码串，对所述目标编码串进行译码处理得到几何校正权重，根据所述几何校正权重对所述第二卫星数据进行几何校正以得到目标卫星数据。
CN202010798802.7A 2020-08-11 2020-08-11 一种融合多种植被指数的土地荒漠化提取方法及装置 Active CN113822107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010798802.7A CN113822107B (zh) 2020-08-11 2020-08-11 一种融合多种植被指数的土地荒漠化提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010798802.7A CN113822107B (zh) 2020-08-11 2020-08-11 一种融合多种植被指数的土地荒漠化提取方法及装置

Publications (2)

Publication Number Publication Date
CN113822107A CN113822107A (zh) 2021-12-21
CN113822107B true CN113822107B (zh) 2024-01-19

Family

ID=78912266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010798802.7A Active CN113822107B (zh) 2020-08-11 2020-08-11 一种融合多种植被指数的土地荒漠化提取方法及装置

Country Status (1)

Country Link
CN (1) CN113822107B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1924611A (zh) * 2005-08-29 2007-03-07 王长耀 土地退化(荒漠化)评价参数遥感反演与监测技术方法
CN102708307A (zh) * 2012-06-26 2012-10-03 上海大学 一种应用于城市的植被指数构造方法
CN103679202A (zh) * 2013-12-17 2014-03-26 中国测绘科学研究院 一种适用于光学遥感卫星影像植被分类方法及装置
CN106709517A (zh) * 2016-12-19 2017-05-24 航天恒星科技有限公司 红树林识别方法及系统
CN109543654A (zh) * 2018-12-14 2019-03-29 常州大学 一种反映农作物生长状况的改进型植被指数的构建方法
CN110553980A (zh) * 2019-07-03 2019-12-10 中南大学 基于多源遥感数据的石漠化治理成效多指标监测评价方法
AU2020100917A4 (en) * 2020-06-02 2020-07-09 Guizhou Institute Of Pratacultural A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884664B (zh) * 2019-01-14 2022-12-02 武汉大学 一种城市地上生物量光学微波协同反演方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1924611A (zh) * 2005-08-29 2007-03-07 王长耀 土地退化(荒漠化)评价参数遥感反演与监测技术方法
CN102708307A (zh) * 2012-06-26 2012-10-03 上海大学 一种应用于城市的植被指数构造方法
CN103679202A (zh) * 2013-12-17 2014-03-26 中国测绘科学研究院 一种适用于光学遥感卫星影像植被分类方法及装置
CN106709517A (zh) * 2016-12-19 2017-05-24 航天恒星科技有限公司 红树林识别方法及系统
CN109543654A (zh) * 2018-12-14 2019-03-29 常州大学 一种反映农作物生长状况的改进型植被指数的构建方法
CN110553980A (zh) * 2019-07-03 2019-12-10 中南大学 基于多源遥感数据的石漠化治理成效多指标监测评价方法
AU2020100917A4 (en) * 2020-06-02 2020-07-09 Guizhou Institute Of Pratacultural A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Research on Change of Land Use Based on Decision Tree in the Horqin Sandy Land in the Past 25 Years;Shuxiang Wang等;《Geoinformatics in Sustainable Ecosystem and Society》;全文 *
中国北方荒漠化遥感动态监测与定量评估研究;郭强;《中国优秀博士学位论文全文数据库 工程科技Ⅰ辑》;正文第17-77页 *
基于RS和GIS的准格尔旗土地荒漠化动态监测研究;靳苑莺;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;正文第11-48页 *

Also Published As

Publication number Publication date
CN113822107A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
Zhong et al. Landslide mapping with remote sensing: Challenges and opportunities
Chen et al. Mapping tropical forests and deciduous rubber plantations in Hainan Island, China by integrating PALSAR 25-m and multi-temporal Landsat images
Ahmed et al. Characterizing stand-level forest canopy cover and height using Landsat time series, samples of airborne LiDAR, and the Random Forest algorithm
Lu et al. Current situation and needs of change detection techniques
Mokroš et al. Early stage forest windthrow estimation based on unmanned aircraft system imagery
Noordermeer et al. Predicting and mapping site index in operational forest inventories using bitemporal airborne laser scanner data
Nasiri et al. Unmanned aerial vehicles (UAV)-based canopy height modeling under leaf-on and leaf-off conditions for determining tree height and crown diameter (case study: Hyrcanian mixed forest)
Lu et al. Fractional forest cover mapping in the Brazilian Amazon with a combination of MODIS and TM images
Morgan et al. Automated analysis of aerial photographs and potential for historic forest mapping
Potapov et al. The global Landsat imagery database for the FAO FRA remote sensing survey
Zhang et al. Spatial domain bridge transfer: An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area
Piazzi et al. Cross-country assessment of H-SAF snow products by Sentinel-2 imagery validated against in-situ observations and webcam photography
Venturi et al. Unmanned aerial vehicles and G eographical I nformation S ystem integrated analysis of vegetation in T rasimeno L ake, I taly
Șerban et al. Mapping thermokarst lakes and ponds across permafrost landscapes in the Headwater Area of Yellow River on northeastern Qinghai-Tibet Plateau
Borgogno Mondino et al. How far can we trust forestry estimates from low-density LiDAR acquisitions? The Cutfoot Sioux experimental forest (MN, USA) case study
Donager et al. Integrating airborne and mobile lidar data with UAV photogrammetry for rapid assessment of changing forest snow depth and cover
Terryn et al. Analysing individual 3D tree structure using the R package ITSMe
Hogg et al. An evaluation of DEMs derived from LiDAR and photogrammetry for wetland mapping
Qiu et al. Exploring parameter selection for carbon monitoring based on Landsat-8 imagery of the aboveground forest biomass on Mount Tai
Yang et al. Deriving ephemeral gullies from VHR image in loess hilly areas through directional edge detection
Li et al. Correction of global digital elevation models in forested areas using an artificial neural network-based method with the consideration of spatial autocorrelation
CN113822107B (zh) 一种融合多种植被指数的土地荒漠化提取方法及装置
Yin et al. Object-based larch tree-crown delineation using high-resolution satellite imagery
CN109784320B (zh) 人参设施农业域确定方法
Hashim et al. Land use land cover analysis with pixel-based classification approach

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