CN113887493B - 一种基于id3算法的黑臭水体遥感影像识别方法 - Google Patents
一种基于id3算法的黑臭水体遥感影像识别方法 Download PDFInfo
- Publication number
- CN113887493B CN113887493B CN202111226685.8A CN202111226685A CN113887493B CN 113887493 B CN113887493 B CN 113887493B CN 202111226685 A CN202111226685 A CN 202111226685A CN 113887493 B CN113887493 B CN 113887493B
- Authority
- CN
- China
- Prior art keywords
- water body
- remote sensing
- black
- image
- odorous water
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003066 decision tree Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 8
- 239000000126 substance Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000002310 reflectometry Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005215 recombination Methods 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000033116 oxidation-reduction process Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 11
- 238000011160 research Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010866 blackwater Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000019645 odor Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003809 water extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于ID3算法的黑臭水体遥感影像识别方法，包括步骤一、高分辨率遥感影像数据采集和处理，步骤二、水体提取和化学指标测量，步骤三、光谱特征选取，步骤四、ID3算法和分类决策树的构建，步骤五、验证集的精度验证；本发明基于ID3确定了一种客观标准的阈值计算方法，满足影像中黑臭水体信息提取的需要，在实际应用时具有良好普适性，同时在分析过程中加入多特征分类，通过多特征来进一步扩大分类，使结果更加符合研究区的客观特征，可有效提升黑臭水体提取精度，提高高分辨率遥感影像黑臭水体提取的鲁棒性和普适性。
Description
技术领域
本发明涉及高分辨率遥感影像信息提取技术领域，尤其涉及一种基于ID3算法的黑臭水体遥感影像识别方法。
背景技术
黑臭水体主要是指在经受人类越来越多干扰(有机污染)的情况下，水质逐渐恶化以致呈现出令人不悦的颜色和(或)散发令人不适气味的水体的统称，最类似的研究是“黑水团”或“湖泛”现象的遥感分析与监测，它们与黑臭水体有较为相近的光谱特征，由于水体遭受有机污染，CDOM等有机物含量升高，导致对太阳光的高吸收，因此上述水体通常颜色发黑，与清洁水体相比在可见光波段存在较为明显的光学特性差异；
目前，黑臭水体遥感识别主要是基于两类水体的光谱差异，通过设定经验阈值，对影像进行阈值分割来实现信息提取，但经验阈值的选定依赖操作者的专家知识，缺少统一标准，容易造成争议和误差，并且该方法本质上将黑臭水体判定的先验概率直接等同于后验概率，忽略了基础概率在实验样本和研究区之间的差异，从而导致所选定的阈值对实验样本效果很好，但在研究区应用时效果较差，因此，本发明提出一种基于ID3算法的黑臭水体遥感影像识别方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种基于ID3算法的黑臭水体遥感影像识别方法，该基于ID3算法的黑臭水体遥感影像识别方法基于ID3确定了一种客观标准的阈值计算方法，满足影像中黑臭水体信息提取的需要，同时在分析过程中加入多特征分类，通过多特征来进一步扩大分类，使结果更加符合研究区的客观特征，提高高分辨率遥感影像黑臭水体提取的鲁棒性和普适性。
为实现本发明的目的，本发明通过以下技术方案实现：一种基于ID3算法的黑臭水体遥感影像识别方法，包括以下步骤：
步骤一、对高分辨率遥感影像进行辐射定标、几何校正、图像融合、图像镶嵌和影像裁剪处理；
步骤二、提取水体信息，进行实地采集并测量相关化学指标，依据化学判定标准对水体记性分类；
步骤三、提取高分辨率遥感影像红、绿、蓝和近红波段遥感反射率，进行波段重组同时对光谱特征进行选取；
步骤四、根据所选特征训练集训练ID3算法，构建分类决策树；
步骤五、根据分类结果在ENVI中构建的决策树，对遥感影像黑臭水体分类，并根据验证集验证分类结果和准确率。
进一步改进在于：所述步骤一中具体包括
1)采用影像自带的.rpb文件对遥感影像进行正射校正操作；
2)采用已经公布的定标参数和光谱响应函数对正射校正后的影像进行辐射定标得到地表反射率影像；
3)采用基准影像进行几何校正；
4)采用Gram-Schmidt Pan Sharpeng(GS)融合方法对高分辨率的全色影像进行融合处理；
5)采用国家基础地理信息中心发布的行政边界对影像进行裁剪，完成影像处理工作。
进一步改进在于：所述步骤二中具体包括
1)根据实地采样点信息进行野外核查，采集水样并记录相关经纬度信息；
2)在野外核查现场进行温度、透明度指标测量；
3)在实验室进行氧化还原电位、氨氮含量的测定；
4)根据实际测量结果与指标将水体分为一般水体与黑臭水体。
进一步改进在于：所述步骤三中提取黑臭水体红、绿、蓝和近红光谱遥感反射率，并进行波段组合和R(Green)-R(Blue)、R(Red)-R(Green)、R(NIR)特征值的选取。
进一步改进在于：所述步骤三中具体包括
1)根据步骤二获得的信息和步骤一处理后的遥感影像，提取出其对应各波段遥感反射率值；
2)根据遥感反射率值进行波段重组与融合，选取R(Green)-R(Blue)、R(Red)-R(Green)、R(NIR)三个座位分类特征；
3)根据三种特征制作黑臭水体与一般水体样本集。
进一步改进在于：所述步骤四中根据随机抽样法来创建训练集与验证集，并根据信息增益计算每个节点分类特征，再运用熵和能量来构建分类决策树。
进一步改进在于：所述步骤四中具体包括
1)通过随机抽样方式分别选择黑臭水体与一般水体的三分之二作为训练集，剩余样本作为验证集；
2)根据训练集样本采用信息增益作为每个节点的特征选取；
3)根据每个节点的特征构建分类决策树。
进一步改进在于：所述步骤五中具体包括
1)采用验证集验证决策树分类精度；
2)采用ENVI构建决策树对高分辨率遥感影像进行水体提取与分类；
3)根据影像分类结果提取黑臭水体的结果，显示用于工程化。
本发明的有益效果为：本发明基于ID3确定了一种客观标准的阈值计算方法，满足影像中黑臭水体信息提取的需要，在实际应用时具有良好普适性，同时在分析过程中加入多特征分类，通过多特征来进一步扩大分类，使结果更加符合研究区的客观特征，可有效提升黑臭水体提取精度，提高高分辨率遥感影像黑臭水体提取的鲁棒性和普适性。
附图说明
图1为本发明实验流程图。
图2为本发明黑臭水体与一般水体光谱曲线对比图。
图3为本发明红波段与绿波段遥感反射率差值图。
图4为本发明绿波段与蓝波段遥感反射率差值图。
图5为本发明近红外波段遥感反射率图。
图6为本发明ID3决策树架构示意图。
图7为本发明验证集结果示意图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
实施例1
根据图1-7所示，本实施例提供了一种基于ID3算法的黑臭水体遥感影像识别方法，包括以下步骤：
步骤一、对高分辨率遥感影像进行辐射定标、几何校正、图像融合、图像镶嵌和影像裁剪处理，具体包括
1)采用影像自带的.rpb文件对遥感影像进行正射校正操作；
2)采用已经公布的定标参数和光谱响应函数对正射校正后的影像进行辐射定标得到地表反射率影像；
3)采用基准影像进行几何校正；
4)采用Gram-Schmidt Pan Sharpeng(GS)融合方法对高分辨率的全色影像进行融合处理；
5)采用国家基础地理信息中心发布的行政边界对影像进行裁剪，完成影像处理工作；
步骤二、提取水体信息，进行实地采集并测量相关化学指标，依据化学判定标准对水体记性分类，具体包括
1)根据实地采样点信息进行野外核查，采集水样并记录相关经纬度信息；
2)在野外核查现场进行温度、透明度指标测量；
3)在实验室进行氧化还原电位、氨氮含量的测定；
4)根据实际测量结果与指标将水体分为一般水体与黑臭水体；
步骤三、提取黑臭水体高分辨率遥感影像红、绿、蓝和近红波段遥感反射率，进行波段重组同时对R(Green)-R(Blue)、R(Red)-R(Green)、R(NIR)光谱特征进行选取，具体包括
1)根据步骤二获得的信息和步骤一处理后的遥感影像，提取出其对应各波段遥感反射率值；
2)根据遥感反射率值进行波段重组与融合，选取R(Green)-R(Blue)、R(Red)-R(Green)、R(NIR)三个座位分类特征；
3)根据三种特征制作黑臭水体与一般水体样本集；
步骤四、采用随机抽样法来创建训练集与验证集，根据所选特征训练集训练ID3算法，并根据信息增益计算每个节点分类特征，再运用熵和能量来构建分类决策树，具体包括
1)通过随机抽样方式分别选择黑臭水体与一般水体的三分之二作为训练集，剩余样本作为验证集；
2)根据训练集样本采用信息增益作为每个节点的特征选取；
3)根据每个节点的特征构建分类决策树；
步骤五、根据分类结果在ENVI中构建的决策树，对遥感影像黑臭水体分类，并根据验证集验证分类结果和准确率，具体包括
1)采用验证集验证决策树分类精度；
2)采用ENVI构建决策树对高分辨率遥感影像进行水体提取与分类；
3)根据影像分类结果提取黑臭水体的结果，显示用于工程化。
实施例2
根据图1-7所示，本实施例提供了一种基于ID3算法的黑臭水体遥感影像识别方法，具体实施细节如下：
1、数据采集和预处理
首先，确定实验研究区和研究对象，研究区域内坑塘水体作为研究对象，通过野外调查布设若干坑塘点位，采集各点位水质参数数据，包括氧化还原电位、溶解氧、透明度、以及氨氮。
按照《城市黑臭水体整治工作指南》规定，根据水质参数数据判断实验点位是否属于黑臭水体，将所有点位分为黑臭水体和一般水体，获取同期过境的卫星影像，综合考虑研究对象大小以及卫星的空间分辨率、重访周期等因素，最终选取哨兵二号影像并对数据进行预处理，流程包括辐射定标、大气校正、几何校正、拼接和裁剪，得到最终研究区影像，在预处理后的卫星影像上，依次读取各实验点位的影像波段信息(蓝波段、绿波段、红波段和近红外波段)，使用位于坑塘中心的像元代表该坑塘，将上述数据进行整理制作实验样本。
2、水体提取
用b1、b2、b3、b4表示蓝光波段、绿光波段、红光波段、近红外波段，基于NDWI归一化水体指数提取研究区内的坑塘水体，保证所提取的坑塘水体存在水面纯净像元，结合目视解译等方法，删除掉存在混合相元干扰的坑塘或因面积过小无法提取水面纯净像元的坑塘。
3、光谱特征选取
黑臭水体与一般水体的光谱差异主要体现在可见光波段黑臭水体相对于一般水体来说光谱反射率整体较低，黑臭水体的光谱曲线在绿波段至红波段范围变化较为平缓，在近红外光波段一般水体遥感反射率变化较为平缓如说明书附图2，综合考虑两类水体的光谱差异等因素，选取绿光波段与蓝色光波段遥感反射率差值如说明书附图3、红光与绿光差值遥感反射率差如说明书附图4、近红外波段遥感反射率如说明书附图5作为此次算法分类的三个特征作为本实验光谱特征。
选取绿光波段与蓝色光波段遥感反射率差值、红光与绿光差值遥感反射率差、近红外波段遥感反射率三种特征作为黑臭水体判别指标具有以下优势，首先，选择多特征取代单一特征，能更好的提高分类准确率；其次，以上三个特征对可见-近红外光范围内所有的光谱，对于特征分析内做到了全覆，可以取得更好的分类效果。
4、ID3算法构建
采用ID3算法通过利用信息熵原理选择信息增益最大的属性作为分类属性，递归地拓展决策树的分枝，完成决策树的构造，具体定义如下
1)熵表示随机变量不确定性的度量，也就是熵越大，变量的不确定性就越大，设x是一个有限值的离散随机变量，其概率分布为，P(X＝xi)＝pi,i＝1,2,…,n，则随机变量x的熵定义为
(若pi＝0，定义0log20＝0)
2)条件熵H(Y∣X)表示在已知随机变量X条件下随机变量Y的不确定性，随机变量X给定的条件下随机变量Y的条件熵为
3)信息增益，特征A对训练数据集D的信息增益g(D，A)，定义为集合D的经验熵H(D)与特征A给定条件下D的经验条件熵H(D∣A)之差，即
g(D,A)＝H(D)-H(D|A)
通过以上公式计算选取最大信息增益生成一个ID3算法的决策树，本次总共有93个数据点，选取62个数据点作为训练集，剩下31个数据点作为验证集，通过对于数据点训练生成的决策树如说明书附图6所示；其中，在如说明书附图6中1代表一般水体；0代表黑臭水体，其光谱反射率差值为扩大一万倍结果以便更好的观察。
5、精度验证
基于4中采用的ID3算法确定的类别，对卫星影像中的水体进行分类，将2中提取的坑塘水体进行分类，选取每个坑塘水体的中心像元代表该坑塘，对于所有的验证集31个数据点进行验证其分类结果如说明书附图7所示。在总共31个验证点的情况下，23个点判断准确，并计算其准确度，通过计算其准确度达到74.23％，表明该方法可以较为准确地提取实验区内的黑臭水体。
至此基于ID3算法的黑臭水体遥感识别工作完成。选用高分二号影像进行验证，也达到了很好的提取效果，可以满足对黑臭水体遥感识别较高精度的需求。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于ID3算法的黑臭水体遥感影像识别方法，其特征在于包括以下步骤：
步骤一、对高分辨率遥感影像进行辐射定标、几何校正、图像融合、图像镶嵌和影像裁剪处理；
步骤二、提取水体信息，进行实地采集并测量相关化学指标，依据化学判定标准对水体记性分类；
具体包括
1）根据实地采样点信息进行野外核查，采集水样并记录相关经纬度信息；
2）在野外核查现场进行温度、透明度指标测量；
3）在实验室进行氧化还原电位、氨氮含量的测定；
4）根据实际测量结果与指标将水体分为一般水体与黑臭水体；
步骤三、提取高分辨率遥感影像红、绿、蓝和近红波段遥感反射率，进行波段重组同时对光谱特征进行选取；
具体包括
1）根据步骤二获得的信息和步骤一处理后的遥感影像，提取出其对应各波段遥感反射率值；
2）根据遥感反射率值进行波段重组与融合，选取R（Green）-R（Blue）、R（Red）-R（Green）、R（NIR）三个作为分类特征；
3）根据三种特征制作黑臭水体与一般水体样本集；
其中提取黑臭水体红、绿、蓝和近红光谱遥感反射率，并进行波段组合和R（Green）-R（Blue）、R（Red）-R（Green）、R（NIR）特征值的选取；
步骤四、根据所选特征训练集训练ID3算法，构建分类决策树；
根据随机抽样法来创建训练集与验证集，并根据信息增益计算每个节点分类特征，再运用熵和能量来构建分类决策树；
步骤五、根据分类结果在ENVI中构建的决策树，对遥感影像黑臭水体分类，并根据验证集验证分类结果和准确率。
2.根据权利要求1所述的一种基于ID3算法的黑臭水体遥感影像识别方法，其特征在于：所述步骤一中具体包括
1）采用影像自带的.rpb文件对遥感影像进行正射校正操作；
2）采用已经公布的定标参数和光谱响应函数对正射校正后的影像进行辐射定标得到地表反射率影像；
3）采用基准影像进行几何校正；
4）采用Gram-Schmidt Pan Sharpeng融合方法对高分辨率的全色影像进行融合处理；
5）采用国家基础地理信息中心发布的行政边界对影像进行裁剪，完成影像处理工作。
3.根据权利要求1所述的一种基于ID3算法的黑臭水体遥感影像识别方法，其特征在于：所述步骤四中具体包括
1）通过随机抽样方式分别选择黑臭水体与一般水体的三分之二作为训练集，剩余样本作为验证集；
2）根据训练集样本采用信息增益作为每个节点的特征选取；
3）根据每个节点的特征构建分类决策树。
4.根据权利要求1所述的一种基于ID3算法的黑臭水体遥感影像识别方法，其特征在于：所述步骤五中具体包括
1）采用验证集验证决策树分类精度；
2）采用ENVI构建决策树对高分辨率遥感影像进行水体提取与分类；
3）根据影像分类结果提取黑臭水体的结果，显示用于工程化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111226685.8A CN113887493B (zh) | 2021-10-21 | 2021-10-21 | 一种基于id3算法的黑臭水体遥感影像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111226685.8A CN113887493B (zh) | 2021-10-21 | 2021-10-21 | 一种基于id3算法的黑臭水体遥感影像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113887493A CN113887493A (zh) | 2022-01-04 |
| CN113887493B true CN113887493B (zh) | 2024-06-07 |
Family
ID=79004035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111226685.8A Active CN113887493B (zh) | 2021-10-21 | 2021-10-21 | 一种基于id3算法的黑臭水体遥感影像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887493B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387529A (zh) * | 2022-01-11 | 2022-04-22 | 北华航天工业学院 | 一种基于cart分类模型的黑臭水体提取方法 |
| CN116952906B (zh) * | 2023-09-20 | 2024-01-12 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
| CN118072165B (zh) * | 2024-02-20 | 2024-08-16 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种河网密集型城市黑臭水体风险划分方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009142758A1 (en) * | 2008-05-23 | 2009-11-26 | Spectral Image, Inc. | Systems and methods for hyperspectral medical imaging |
| WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN111272662A (zh) * | 2019-11-18 | 2020-06-12 | 深圳市深水水务咨询有限公司 | 一种基于遥感光谱的城市黑臭水体识别方法 |
| CN112384930A (zh) * | 2018-07-13 | 2021-02-19 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
-
2021
- 2021-10-21 CN CN202111226685.8A patent/CN113887493B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009142758A1 (en) * | 2008-05-23 | 2009-11-26 | Spectral Image, Inc. | Systems and methods for hyperspectral medical imaging |
| WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN112384930A (zh) * | 2018-07-13 | 2021-02-19 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
| CN111272662A (zh) * | 2019-11-18 | 2020-06-12 | 深圳市深水水务咨询有限公司 | 一种基于遥感光谱的城市黑臭水体识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 县域尺度上基于多时相影像的冬小麦面积监测;赵建鹏;李国洪;金永涛;李旭青;杨秀峰;赵起超;;河北师范大学学报(自然科学版);20181110(第06期);全文 * |
| 基于GF-2影像的沈阳市黑臭水体遥感分级识别;七珂珂;申茜;罗小军;李家国;姚月;杨崇;;遥感技术与应用;20200420(第02期);全文 * |
| 遥感影像水体提取研究综述;王航;秦奋;;测绘科学;20180520(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113887493A (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
| CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
| CN105809148A (zh) | 基于遥感时空谱融合的作物干旱识别及风险评估方法 | |
| CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
| CN115271217A (zh) | 一种基于无人机多源遥感数据的小麦产量预测方法 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| CN116645603A (zh) | 一种大豆种植区识别和面积测算方法 | |
| CN115272860B (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
| CN116935238B (zh) | 基于深度学习的森林扰动监测方法、系统、设备及介质 | |
| CN117111092A (zh) | 一种基于机器学习的高空间分辨率遥感水质检测方法 | |
| CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
| CN114648705A (zh) | 一种基于卫星遥感的碳汇监测系统及方法 | |
| CN110849821B (zh) | 基于贝叶斯定理的黑臭水体遥感识别方法 | |
| CN116977873A (zh) | 一种基于高分卫星遥感的裸露沙地决策树提取方法 | |
| CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
| CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
| RU2424540C2 (ru) | Способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования | |
| Mngadi et al. | Quantifying carbon stock variability of species within a reforested urban landscape using texture measures derived from remotely sensed imagery | |
| Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
| CN115775357A (zh) | 基于高光谱及机器学习的植被等效水厚度估算方法 | |
| CN115063610A (zh) | 基于Sentinel-1、2影像的大豆种植区识别方法及其面积测算方法 |
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 |