CN113936054A - 一种探测塑料大棚面积及分布范围的方法 - Google Patents

一种探测塑料大棚面积及分布范围的方法 Download PDF

Info

Publication number
CN113936054A
CN113936054A CN202111208909.2A CN202111208909A CN113936054A CN 113936054 A CN113936054 A CN 113936054A CN 202111208909 A CN202111208909 A CN 202111208909A CN 113936054 A CN113936054 A CN 113936054A
Authority
CN
China
Prior art keywords
samples
image
index
plastic greenhouse
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
Application number
CN202111208909.2A
Other languages
English (en)
Inventor
付研竹
毛德华
仇志强
冯凯东
王铭
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.)
Northeast Institute of Geography and Agroecology of CAS
Original Assignee
Northeast Institute of Geography and Agroecology of CAS
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 Northeast Institute of Geography and Agroecology of CAS filed Critical Northeast Institute of Geography and Agroecology of CAS
Priority to CN202111208909.2A priority Critical patent/CN113936054A/zh
Publication of CN113936054A publication Critical patent/CN113936054A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw 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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

一种探测塑料大棚面积及分布范围的方法，本发明涉及一种探测塑料大棚的方法。本发明解决了现有探测塑料大棚面积及分布范围的方法不够准确的问题。方法：一、筛选Sentinel影像，并进行预处理；二、计算各种参数(8个)；三、进行融合生成新特征影像；四、新特征影像进行多尺度分割；五、提取训练样本与验证样本模型；六、采用混淆矩阵方法，进行精度验证；七、获取塑料大棚的面积和空间分布信息。本发明利用Sentinel卫星影像和随机森林算法的处理方式，采用分辨率较高的Sentinel卫星影像，并且使用一年内多期数据，探测结果更加准确，进一步提高了塑料大棚提取的精度和可信度，具有可重复性和科学性，对塑料大棚遥感制图具有极其重要的意义。

Description

一种探测塑料大棚面积及分布范围的方法
技术领域
本发明涉及一种探测塑料大棚的方法。
背景技术
我国东北地区主要属于温带和寒温带气候，受气候影响，农业种植结构以单季作物为 主，通过塑料大棚发展种植业可以有效提升土地利用率，减少气候对种植业的影响，但是 由于我国人口众多，且生产效率高的耕地面积较少，所以我国仍面临着比较严重的粮食安 全问题，在面对这样严峻的挑战的情况下，大棚提取能及时明确大棚分布的面积及空间分 布特征，从而预测粮食产量，反映我国粮食安全现状与未来趋势，因此有效促进农业经济 支撑区域可持续发展，对维持我国粮食安全稳定具有重要意义。
以往识别或提取塑料大棚多采用传统的决策树作为研究的有效方法，研究方法上来说 机器学习较少，多用分辨率较粗的Landsat影像进行研究，难以准确探测塑料大棚的面积及 分布范围。
发明内容
本发明为了解决现有探测塑料大棚面积及分布范围的方法不够准确的问题，而提供了 一种探测塑料大棚面积及分布范围的方法。
本发明探测塑料大棚面积及分布范围的方法按照以下步骤进行：
步骤一、待探测区域Sentinel影像利用envi5.3软件对Sentinel影像进行大气校正、波段合 成的预处理；
步骤二、计算步骤一预处理后的Sentine1影像的植被指数、水体指数NDWI、形状指数、 亮度指数，并提取Sentine1遥感影像纹理特征，其中植被指数为NDVI、DVI、EVI、REDVI，植被指数和水体指数的计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
DVI＝(b8-b4)
EVI＝2.5*(b8-b4)/(b8+6*b4-7.5*b2+1)
REDVI＝1+(b8-b5-b6-b7)/(b8+b5+b6+b7)
NDWI＝(b2-b4)/(b2+b4)
式中，B2、B4、B5、B6、B7、B8分别是Sentine1影像波段的第2、第4、第5、第6、第 7、第8波段的影像亮度值；
步骤三、利用遥感影像空间数据融合，将步骤二所述的植被指数、水体指数NDWI、形状指数、亮度指数、纹理特征与步骤一预处理后的Sentinel影像进行融合，形成新的特征影像；
步骤四：利用易康软件，对步骤三获取的新特征影像进行多尺度分割，分割尺度参数 为200～260、形状因子0.1～0.4、紧致度0.3～0.6；
步骤五：对步骤四中的分割结果，在操作的软件平台上进行提取训练样本与验证样本 模型的操作，样本包括塑料大棚样本和非塑料大棚样本，每种样本中的50％是训练样本、 另外50％是验证样本；
步骤六：建立随机森林模型，利用随机森林算法，对步骤五中的样本进行识别与提取， 分别以塑料大棚样本和非塑料大棚样本中的训练样本为基础，进行塑料大棚的信息识别与 提取，获取研究区塑料大棚的面积及空间分布范围，再利用以塑料大棚样本和非塑料大棚 样本中的验证样本，采用混淆矩阵方法，进行精度验证；即探测出塑料大棚的面积及分布 范围。
进一步，步骤一中的Sentinel影像可以根据具体情况用envi对Sentinel影像的矢量行政边 界进行裁剪。
进一步，对每一年的不同时期均采用上述基于Sentinel卫星影像和随机森林算法的塑料 大棚提取方法进行操作，便可获得塑料大棚一年内多期数据，进而掌握塑料大棚的动态信 息。
本发明是基于Sentinel卫星影像和随机森林算法的塑料大棚提取方法，实现了应用遥感 技术准确快速探测获取塑料大棚的识别与空间分布问题。本发明首先分别对获得的Sentinel 遥感影像进行一系列预处理，根据情况裁剪出研究区域的范围，然后获取Sentinel的指数特 征，包括有植被指数(归一化植被指数NDVI、差值植被指数DVI、增强型植被指数EVI、 红边差异植被指数REDVI)、归一化水体指数(NDWI)、形状指数(Shapeindex)、亮度 指数(Brightness)、纹理特征，对相关几个主要参数进行计算，并将其作为新的波段与原始 波段进行合成获得用于分割的特征影像，然后进行影像分割，构建多尺度分割模型，即进 行面向对象的大棚提取操作。随后在操作的软件平台对构建的样本库分为训练样本和验证 样本，且建立随机森林模型，利用随机森林算法对研究区进行塑料大棚的信息识别与提取， 获取研究区塑料大棚的面积及空间分布范围，并可利用混淆矩阵进行精度验证。本发明克 服了塑料大棚原提取方法识别和提取塑料大棚精度不足的问题，本发明利用Sentinel卫星影 像和随机森林算法的处理方式，采用分辨率较高的sentinel卫星影像，并且使用一年内多期 数据，探测结果更加准确，进一步提高了塑料大棚提取的精度和可信度，具有可重复性和 科学性，对塑料大棚遥感制图具有极其重要的意义。
附图说明
图1是实施例1中利用欧空局官方网站，筛选获取探测区内的Sentinel影像；
图2是实施例1中亮度指数的显示结果图；
图3是实施例1中形状的显示结果图；
图4是实施例1中纹理特征的显示结果图；
图5是实施例1中红边差异植被指数(REDVI)的显示结果图；
图6是实施例1中归一化水体指数(NDWI)的显示结果图；
图7是实施例1中归一化植被指数(NDVI)的显示结果图；
图8是实施例1中差值植被指数(DVI)的显示结果图；
图9是实施例1中增强型植被指数(EVI)的显示结果图；
图10是实施例1中特征波段的新影像；
图11是实施例1中样本的选取方式；
图12是实施例1中分割结果；
图13是实施例1中分类结果；
图14是实施例1中的精度验证结果图。
具体实施方式
具体实施方式一：本实施方式探测塑料大棚面积及分布范围的方法按照以下步骤进行：
步骤一、利用欧空局官方网站，得到待探测区域Sentinel影像，利用envi5.3软件对Sentinel 影像进行大气校正、波段合成的预处理；
步骤二、计算步骤一预处理后的Sentine1影像的植被指数、水体指数NDWI、形状指数、 亮度指数，并提取Sentine1遥感影像纹理特征，其中植被指数为NDVI、DVI、EVI、REDVI，植被指数和水体指数的计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
DVI＝(b8-b4)
EVI＝2.5*(b8-b4)/(b8+6*b4-7.5*b2+1)
REDVI＝1+(b8-b5-b6-b7)/(b8+b5+b6+b7)
NDWI＝(b2-b4)/(b2+b4)
式中，B2、B4、B5、B6、B7、B8分别是Sentine1影像波段的第2、第4、第5、第6、第 7、第8波段的影像亮度值；
步骤三、利用遥感影像空间数据融合，将步骤二所述的植被指数、水体指数NDWI、形状指数、亮度指数、纹理特征与步骤一预处理后的Sentinel影像进行融合，形成新的特征影像；
步骤四：利用易康软件，对步骤三获取的新特征影像进行多尺度分割，分割尺度参数 为200～260、形状因子0.1～0.4、紧致度0.3～0.6；
步骤五：对步骤四中的分割结果，在操作的软件平台上进行提取训练样本与验证样本 模型的操作，样本包括塑料大棚样本和非塑料大棚样本，每种样本中的50％是训练样本、 另外50％是验证样本；
步骤六：建立随机森林模型，利用随机森林算法，对步骤五中的样本进行识别与提取， 分别以塑料大棚样本和非塑料大棚样本中的训练样本为基础，进行塑料大棚的信息识别与 提取，获取研究区塑料大棚的面积及空间分布范围，再利用以塑料大棚样本和非塑料大棚 样本中的验证样本，采用混淆矩阵方法，进行精度验证；即探测出塑料大棚的面积及分布 范围。
本实施方式步骤一中的Sentinel影像可以根据具体情况用envi软件并应用Sentinel影像 的矢量行政边界进行裁剪。
应用步骤二所述的公式，将对应波段输入envi5.3中的band math选项中，即可得到我们 所需的参数所对应的影像；
本实施方式步骤三中利用遥感影像空间数据融合，整合步骤三所述的植被指数(NDVI、 DVI、EVI、REDVI)、水体指数NDWI、形状指数(shapeindex)、亮度指数(brightness)、纹理特征与步骤一中预处理后的Sentinel影像中的1-8波段应用emvi5.3中的layerstacking选 项进行融合，生成新特征影像。其中，亮度指数的选取是因为塑料大棚的亮度明显会区别 于其他地类，植被指数的选取是因为大棚中植被的生长期会与其他植被有一些区别，在遥 感影像分类过程中加入纹理信息，可以在一定程度上提高分类精度；
本实施方式对每一年的不同时期均采用上述基于Sentinel卫星影像和随机森林算法的 塑料大棚提取方法进行操作，便可获得塑料大棚一年内多期数据，进而掌握塑料大棚的动 态信息。
实施例1本实施例是利用具体实施一方法对2021年山东省潍坊市寿光市地区的一个 矩形范围进行探测塑料大棚的面积及分布范围的操作，经度为118°36′3.59″-118°55′33.6″，纬度为36°42′50.3″-36°58′4.8″，具体过程按照以下步骤进行：
步骤一、利用欧空局官方网站，筛选下载山东寿光年内云量较少的Sentinel影像，利用 envi5.3软件对Sentinel影像进行大气校正、波段合成的预处理；
步骤二、计算步骤一预处理后的Sentine1影像的各种参数，包括：植被指数(归一化植 被指数NDVI、差值植被指数DVI、增强型植被指数EVI、红边差异植被指数REDVI)、水体指数(归一化水体指数NDWI)、形状指数(Shapeindex)、亮度指数(Brightness)，并提 取Sentine1遥感影像纹理特征，植被指数和水体指数的计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
DVI＝(b8-b4)
EVI＝2.5*(b8-b4)/(b8+6*b4-7.5*b2+1)
REDVI＝1+(b8-b5-b6-b7)/(b8+b5+b6+b7)
NDWI＝(b2-b4)/(b2+b4)
式中，B2、B4、B5、B6、B7、B8分别对应Sentinel影像波段的第2、第4、第5、第6、 第7、第8波段的影像亮度值，应用上述公式，将对应波段输入envi5.3中的band math选项中， 即可得到我们所需的参数所对应的影像；
步骤三、利用遥感影像空间数据融合，整合步骤三所述的植被指数、水体指数NDWI、 形状指数、亮度指数、纹理特征，与步骤一中预处理后的Sentinel影像中的1-8波段应用 emvi5.3中的layer stacking选项进行融合，生成新特征影像；其中，亮度指数的选取是因为 塑料大棚的亮度明显会区别于其他地类，植被指数的选取是因为大棚中植被的生长期会与 其他植被有一些区别，在遥感影像分类过程中加入纹理信息，可以在一定程度上提高分类 精度；
步骤四：对步骤四获取的新特征影像进行多尺度分割，利用易康软件，分割尺度参数 为200～260、形状因子0.1～0.4、紧致度0.3～0.6；
步骤五：对步骤五中所述的易康软件的多尺度分割结果，在操作的软件平台上进行提 取训练样本与验证样本模型的操作，样本包括塑料大棚样本和非塑料大棚样本，每种样本 中的50％是训练样本、另外50％是验证样本；其中，训练样本用于后续的监督分类，验证样 本用于对分类结果的精度评价，样本点包括塑料大棚样本点(训练样本48个和验证样本31 个)和非塑料大棚样本点(训练样本43个和验证样本40个)；
步骤六：建立随机森林模型，利用随机森林算法，对步骤六中的样本进行识别与提取， 分别以塑料大棚样本和非塑料大棚样本中的训练样本为基础，进行塑料大棚的信息识别与 提取，获取研究区塑料大棚的面积及空间分布范围，再利用提取的验证样本，采用混淆矩 阵方法，进行精度验证，本发明总体精度达到90％以上；即探测出塑料大棚的面积及分布 范围。
此外，对一年内的不同时期均采用具体实施方式一中基于Sentinel卫星影像和随机森林 算法的塑料大棚提取方法进行操作，便可获得塑料大棚一年内多期数据，进而掌握塑料大 棚面积及空间分布特征的动态信息。
本实施方式中的结果如图1～图14所示，其中图1是实施例1中利用欧空局官方网站，筛 选获取探测区内的Sentinel影像；图2是实施例1中亮度指数(brightness)的显示结果图；图3 是实施例1中形状指数(shapeindex)的显示结果图；图4是实施例1中纹理特征的显示结果图；
图5是实施例1中红边差异植被指数(REDVI)的显示结果图；图6是实施例1中归一化水体指 数(NDWI)的显示结果图；图7是实施例1中归一化植被指数(NDVI)的显示结果图；图8是实 施例1中差值植被指数(DVI)的显示结果图；图9是实施例1中增强型植被指数(EVI)的显示结 果图；图10是实施例1中特征波段合成后的新影像；图11是实施例1中训练样本以及验证样 本的选取方式；图12是实施例1中图像分割结果；已将大棚与其他地类区分开，且效果较 好，所选参数分别为200～260、形状因子0.1～0.4、紧致度0.3～0.6；图13是实施例1中随机森 林分类结果，从图中可以看出，随机森林分类后(图13)蓝色覆盖部分为大棚，随机森林 分类后黄色覆盖部分为其他地类(包括居民点、水域等)，从结果可以看出此研究区域的 塑料大棚分布范围较为广泛，大面积分布在除居民点、水域以外的其他全部区域；图14是 实施例1中的精度验证结果图，图14是实施例1中的精度验证结果图，本发明总体精度达到 90％以上，本发明的探测结果准确性高。
此外，对一年内的不同时期均采用具体实施方式一中基于Sentinel卫星影像和随机森林 算法的塑料大棚提取方法进行操作，便可获得塑料大棚一年内多期数据，进而掌握塑料大 棚面积及空间分布特征的动态信息。

Claims (1)

1.一种探测塑料大棚面积及分布范围的方法，其特征在于探测塑料大棚面积及分布范围的方法按照以下步骤进行：
步骤一、待探测区域Sentinel影像利用envi5.3软件对Sentinel影像进行大气校正、波段合成的预处理；
步骤二、计算步骤一预处理后的Sentine1影像的植被指数、水体指数NDWI、形状指数、亮度指数，并提取Sentine1遥感影像纹理特征，其中植被指数为NDVI、DVI、EVI、REDVI，植被指数和水体指数的计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
DVI＝(b8-b4)
EVI＝2.5*(b8-b4)/(b8+6*b4-7.5*b2+1)
REDVI＝1+(b8-b5-b6-b7)/(b8+b5+b6+b7)
NDWI＝(b2-b4)/(b2+b4)
式中，B2、B4、B5、B6、B7、B8分别是Sentine1影像波段的第2、第4、第5、第6、第7、第8波段的影像亮度值；
步骤三、利用遥感影像空间数据融合，将步骤二所述的植被指数、水体指数NDWI、形状指数、亮度指数、纹理特征与步骤一预处理后的Sentinel影像进行融合，形成新的特征影像；
步骤四：利用易康软件，对步骤三获取的新特征影像进行多尺度分割，分割尺度参数为200～260、形状因子0.1～0.4、紧致度0.3～0.6；
步骤五：对步骤四中的分割结果，在操作的软件平台上进行提取训练样本与验证样本模型的操作，样本包括塑料大棚样本和非塑料大棚样本，每种样本中的50％是训练样本、另外50％是验证样本；
步骤六：建立随机森林模型，利用随机森林算法，对步骤五中的样本进行识别与提取，分别以塑料大棚样本和非塑料大棚样本中的训练样本为基础，进行塑料大棚的信息识别与提取，获取研究区塑料大棚的面积及空间分布范围，再利用以塑料大棚样本和非塑料大棚样本中的验证样本，采用混淆矩阵方法，进行精度验证；即探测出塑料大棚的面积及分布范围。
CN202111208909.2A 2021-10-18 2021-10-18 一种探测塑料大棚面积及分布范围的方法 Pending CN113936054A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111208909.2A CN113936054A (zh) 2021-10-18 2021-10-18 一种探测塑料大棚面积及分布范围的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111208909.2A CN113936054A (zh) 2021-10-18 2021-10-18 一种探测塑料大棚面积及分布范围的方法

Publications (1)

Publication Number Publication Date
CN113936054A true CN113936054A (zh) 2022-01-14

Family

ID=79280201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111208909.2A Pending CN113936054A (zh) 2021-10-18 2021-10-18 一种探测塑料大棚面积及分布范围的方法

Country Status (1)

Country Link
CN (1) CN113936054A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020063461A1 (zh) * 2018-09-30 2020-04-02 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备
CN113408468A (zh) * 2021-07-01 2021-09-17 中国科学院东北地理与农业生态研究所 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法
CN113408460A (zh) * 2021-06-30 2021-09-17 中国科学院东北地理与农业生态研究所 一种基于遥感大数据和云平台探测互花米草分布的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020063461A1 (zh) * 2018-09-30 2020-04-02 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备
CN113408460A (zh) * 2021-06-30 2021-09-17 中国科学院东北地理与农业生态研究所 一种基于遥感大数据和云平台探测互花米草分布的方法
CN113408468A (zh) * 2021-07-01 2021-09-17 中国科学院东北地理与农业生态研究所 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王蓉;冯美臣;杨武德;张美俊;: "基于Sentinel-2A影像的县域冬小麦种植面积遥感监测", 山西农业科学, no. 05, 20 May 2019 (2019-05-20) *
高梦婕;姜群鸥;赵一阳;杨文涛;史明昌;: "基于GF-2遥感影像的塑料大棚提取方法对比", 中国农业大学学报, no. 08, 15 August 2018 (2018-08-15), pages 125 - 134 *
黄振国#研究实习员;陈仲新#室主任、研究员;刘芳清;刘军;: "基于HJ-1影像的大棚菜地遥感监测技术研究――以山东寿光市为例", 中国农业资源与区划, no. 05, 20 October 2013 (2013-10-20) *

Similar Documents

Publication Publication Date Title
CN108846832B (zh) 一种基于多时相遥感影像与gis数据的变化检测方法及系统
Möller et al. The comparison index: A tool for assessing the accuracy of image segmentation
Pu et al. Object-based urban detailed land cover classification with high spatial resolution IKONOS imagery
Chen et al. A spectral gradient difference based approach for land cover change detection
CN112712535B (zh) 基于模拟困难样本的Mask-RCNN滑坡分割方法
US20100104191A1 (en) Data analysis process
Münzinger et al. Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models
Zhou et al. Individual tree parameters estimation for plantation forests based on UAV oblique photography
CN107966116A (zh) 一种水稻种植面积的遥感监测方法及系统
CN113887515A (zh) 一种基于卷积神经网络的遥感滑坡识别方法及系统
S Bhagat Use of remote sensing techniques for robust digital change detection of land: A review
CN109308451A (zh) 一种高分数据信息提取系统及方法
Bin et al. Parcel-based change detection in land-use maps by adopting the holistic feature
Lou et al. An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data
CN117171533B (zh) 一种地理测绘作业数据实时采集处理方法及系统
CN116863341B (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
Moradi et al. Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network
CN109784320B (zh) 人参设施农业域确定方法
CN113936054A (zh) 一种探测塑料大棚面积及分布范围的方法
CN115953685A (zh) 多层多尺度分割的农用大棚类型信息提取方法及系统
CN115861629A (zh) 一种高分耕地影像提取方法
Subramani et al. Land use and land cover change detection and urban sprawl analysis of Panamarathupatti Lake, Salem
Lemenkova Robust vegetation detection using RGB colour composites and isoclust classification of the Landsat TM image
Yuliara et al. Development and optimization of the ratio vegetation index on the visible and infrared spectrum
Ngcofe et al. The South African land cover change detection derived from 2013_2014 and 2017_2018 land cover products

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