CN113936213A - 一种基于modis数据的冰川及永久积雪宏观监测方法 - Google Patents

一种基于modis数据的冰川及永久积雪宏观监测方法 Download PDF

Info

Publication number
CN113936213A
CN113936213A CN202111194971.0A CN202111194971A CN113936213A CN 113936213 A CN113936213 A CN 113936213A CN 202111194971 A CN202111194971 A CN 202111194971A CN 113936213 A CN113936213 A CN 113936213A
Authority
CN
China
Prior art keywords
data
glaciers
modis
glacier
permanent
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
CN202111194971.0A
Other languages
English (en)
Inventor
张定祥
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.)
Zhang Dingxiang
Original Assignee
Zhang Dingxiang
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 Zhang Dingxiang filed Critical Zhang Dingxiang
Priority to CN202111194971.0A priority Critical patent/CN113936213A/zh
Publication of CN113936213A publication Critical patent/CN113936213A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明专利公开了一种基于MODIS数据的冰川及永久积雪宏观监测方法，该监测方法包括以下步骤：获取全年MODIS时间序列的影像数据；对获取的所述影像数据进行拼接，利用MODIS全年时间系列影像数据，经无数据区填充和去云处理有效改善了影像质量，形成了年度冰川及永久积雪遥感调查较为适宜的全年最小反射率影像；通过设置BP神经网络遥感分类训练区，可快速获取最新的、较为精准的全国冰川及永久积雪分布矢量空间数据；获取的数据成果具有很强的时效性，可以有效辅助开展年度变更调查中冰川及永久积雪调查，也为国家开展大范围冰川及永久积雪的动态变化提供了一种快速、经济有效的技术选择。

Description

一种基于MODIS数据的冰川及永久积雪宏观监测方法
技术领域
本发明专利涉及遥感监测技术领域，具体而言，涉及一种基于MODIS数据的冰川及永久积雪宏观监测方法。
背景技术
冰川及永久积雪(Glaciers and Permanent Snow Cover)，是指表层被冰雪常年覆盖的土地，属于土地利用分类(GB/T21010-2007)中未利用地一种。根据全国土地详查统计，截至1996年10月31日，全国冰川及永久积雪面积为597.49万公顷。第二次全国土地调查统计2009年末我国冰川及永久积雪面积为552.84万公顷，较1996年面积下降了44.65万公顷(-7.47％)。在全国性冰川资源调查方面，中国科学院系统先后开展过两次全国冰川编目工作。第一次全国冰川编目(1978-2002年)历时24年，调查了20世纪60-80年代我国冰川共计46377条，冰川面积59425平方公里，冰储量5590立方公里。第二次全国冰川编目(2006-2012年)历时6年，以2004年后的TM/ETM+和ASTER遥感影像为基础，参考第一次中国冰川目录及其他文献资料，更新统计我国2005-2006年冰川共计48571条，冰川面积51776平方公里(其中6201条，8753.5平方公里没有更新)，冰储量4494立方公里。我国冰川及永久积雪集中分布在西北区、西南区两个区，其中，新疆和西藏约占全国冰川及永久积雪面积的90％以上。我国冰川及永久积雪的总水量为5万亿立方米，每年可提供550亿立方米水量补给河川，成为长江、黄河、雅鲁藏布江以及内陆河流的主要水源地。近年来一些全球、区域和局地的研究也表明，冰川和永久积雪均有明显退缩现象。遥感方法用于冰川及永久积雪研究的优势是不受地域限制，因而借助遥感手段研究冰川的性质和特征、监测冰川的动态变化是冰川学研究的重要手段之一。20世纪70年代中期以来，Landsat MSS、Landsat TM/ETM+、SPOT、Terra ASTER、IRS等中分辨率的遥感卫星数据逐渐用于冰冻圈研究。目前，SPOT5、ASTER、Landsat ETM+等影像广泛应用于全球流域尺度的冰川监测研究。对于冰川变化的遥感监测方法主要有目视解译、计算机辅助分类方法两种。计算机辅助分类主要包括阈值法、波段运算法、非监督分类法、监督分类法、决策树阈值分类法。在实际工作中通常将目视解译与计算机自动分类法相结合。
满足条件的高分辨率遥感影像可以准确观测局部冰川及永久积雪空间分布和相对变化，但是大范围使用时无法克服云和季节性临时降雪的干扰，这常常导致冰川数据库建设一般耗时几年甚至几十年才能完成。受多方面条件的限制，开展大范围的冰川及永久积雪遥感监测仍然缺乏有效的技术手段，我国每年开展的土地年度变更调查中未能对冰川及永久积雪分布状况进行及时更新，这导致全国冰川及永久积雪数据现势性不强。
发明内容
本发明的目的在于提供基于MODIS数据的冰川及永久积雪宏观监测方法，旨在解决现有技术中存在的高分辨率遥感影像在大范围使用时无法克服云和季节性临时降雪的干扰，以及对未能对冰川及永久积雪分布状况进行及时更新的问题。
本发明是这样实现的：
一种基于MODIS数据的冰川及永久积雪宏观监测方法，该监测方法包括以下步骤：
S1：获取全年MODIS时间序列的影像数据；
S2：对获取的所述影像数据进行拼接，获得拼接完成的影像数据的正弦地图，并将所述正弦地图投影转换为albers投影；
S3：对获取的albers投影中的无数据区进行填充；
S4：对填充后的albers投影中无数据区之外的区域进行去云处理，对每个像元采用最近邻均值法进行平滑处理；
S5：在去云处理后的albers投影中获取冰川及永久积雪最小面积的光谱数据；
S6：建立BP神经网络遥感分类训练区，利用所述BP神经网络遥感分类训练区，对冰川及永久积雪最小面积的光谱数据进行分类，形成分类格栅图；
S7：对分类栅格图进行矢量化转换，并对边界进行整理等后处理，形成冰川及永久积雪矢量数据库，并进行空间统计分析。
进一步的，在步骤S1中，获取的所述全年MODIS时间序列的影像数据包括TERRA卫星和AQUA卫星的MODIS时间序列数据。
进一步的，在步骤S2中，所述投影转换为albers投影的过程采用Wips ImageProcess System，该所述Wips Image Process System的投影参数选择25、47、105，椭球体选择WGS84，空间分辨率统一为250m。
进一步的，在步骤S3中，无数据区填充的方法为：选取albers投影中的一个像元，选取三个连续的时间点，当位于中间时间点的像元被标识为无数据，而前后两个时间点都未标识为无数据，则可以认定该像元为缺失数据区，所述缺失数据区用于去云处理，当三个时间点均为无数据，则可以认定该像元为无数据点，并对该像元进行填充，获得填充后的albers投影。
进一步的，在步骤S4中，所述最近邻均值法采用采用5个时相的滑动平均法。
进一步的，在步骤S5中，获取冰川及永久积雪最小面积的光谱数据的方法为：
获取冰川积雪年内覆盖而积最小的时间，即红光及近红外波段年内最低的光谱反射率；
针对每个像元，找到MODIS时间序列影像数据中的最低值，完成了图像的准备；
寻找中红外波段条件下年内最高反射率；
利用近红外，红光，及中红外三波段构建真彩色影像，进行遥感分类训练区的采集。
进一步的，在步骤S6中，所述BP神经网络遥感分类训练区由输入层、隐含层和输出层构成，相邻层之间的神经元全互连，同一层内的神经元无连接；
进一步的，所述BP神经网络遥感分类训练区的选取分类包括冰川/积雪和非冰川/积雪。将所有冰川覆盖区的变化信息输入BP神经网络遥感分类训练区，所述包括不同冰川类型、不同地形地貌、高程，读取BP神经网络遥感分类训练区中像元光谱数据，进行神经网络的学习，然后分类，形成分类格栅图。
进一步的，分类时，90米SRTM高程数据也参与分类。
进一步的，在步骤S7中，空间统计分析方法为：利用地理信息系统软件与省级行政区界、西部山脉分区图进行叠加计算，汇总统计分省，以及分山脉冰川及永久积雪汇总统计面积。
与现有技术相比，本发明提供的一种基于MODIS数据的冰川及永久积雪宏观监测方法，利用MODIS全年时间系列影像数据，经无数据区填充和去云处理有效改善了影像质量，形成了年度冰川及永久积雪遥感调查较为适宜的全年最小反射率影像；通过设置BP神经网络遥感分类训练区，可快速获取最新的、较为精准的全国冰川及永久积雪分布矢量空间数据；获取的数据成果具有很强的时效性，可以有效辅助开展年度变更调查中冰川及永久积雪调查，也为国家开展大范围冰川及永久积雪的动态变化提供了一种快速、经济有效的技术选择。
附图说明
图1是本发明一实施例提供的基于MODIS数据的冰川及永久积雪宏观监测方法流程图；
图2是本发明一实施例针对MODIS全年时间系列影像原始数据、TERRA单卫星数据、TERRA和AQUA两颗卫星的数据的去除无数据区效果对比图；
图3是本发明一实施例针对MODIS全年时间系列影像原始数据、TERRA单卫星数据、TERRA和AQUA两颗卫星的数据的去云处理效果对比图；
图4是本发明一实施例中近红外，红光，及中红外三波段构建真彩色影像的效果图；
图5是本发明一实施例中2011、2013、2015三年影像中多个冰川及雪山对比图。
图6是本发明一实施例中2011-2013-2015三年影像单座雪山对比图。
具体实施例
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。
结合以下实施例对本发明的实现进行详细的描述。
本实施例中主要数据源包括：
1)2005-2016年MODIS MOD13Q1/MYD13Q1数据产品，来源于美国国家航空与航天局(NASA)。
2)90米SRTM高程数据，来源为美国地质调查地球资源观测与科学中心(USGSEROS)。
3)GLIMS全球冰川矢量数据库，来源美国国家雪和冰数据中心(NSIDC)。
4)第二次中国冰川编目数据集，来源中国科学院寒区旱区环境与工程研究所。
5)全国省级1∶50万土地利用数据库(2014年12月31日)，全国年度变更调查汇总数据(2015年)、全国省级行政界线矢量数据，来源为原国土资源部。
实施例
一种基于MODIS数据的冰川及永久积雪宏观监测方法，如图1所示，该监测方法包括以下步骤：
S1：获取全年MODIS时间序列的影像数据；
本实施例中，通过NASA网站获取MODIS Q13产品数据，全国范围MODIS数据产品涉及21景数据，空间分辨率为250、500m，且反射率数据经过8d最大值合成；
S2：对获取的所述影像数据进行拼接，获得拼接完成的影像数据的正弦地图，并将所述正弦地图投影转换为albers投影；
本实施例中，利用北京垚信信息技术有限公司提供的Wips Image ProcessSystem批量化进行拼接、投影变换，极大地提高了工作效率；全国影像拼接共计21景46个时相的数据，将原始数据产品的正弦地图投影转换为albers投影；
S3：对获取的albers投影中的无数据区进行填充；
本实施例中，无数据区在冰川积雪地带以及水体普遍存在，原始影像数据标识为-1000；这些区域是随时间不同而变化的；由于冰雪地区存在大量无数据像元，所有填充完全必要，对分类结果的空间连续性很有帮助，避免后处理带来的繁琐过程；
S4：对填充后的albers投影中无数据区之外的区域进行去云处理，对每个像元采用最近邻均值法进行平滑处理；
本实施例中，MODIS的可信度数据在高原区的质量极差，即使人为干预，也很难到底满意的效果；各年份无数据区及去云处理时需要利用前后两年部分时相参与计算，例如2015年影像处理需要2015年全年、2014和2016年各4期数据；平滑处理完成后全年时间序列数目为46景；
S5：在去云处理后的albers投影中获取冰川及永久积雪最小面积的光谱数据，对所有时间序列的影像数据进行分类提取完全没有必要，主要是由于工作量太大，并且还需要后期分析处理提取最小面积信息；
S6：建立BP神经网络遥感分类训练区，利用所述BP神经网络遥感分类训练区，对冰川及永久积雪最小面积的光谱数据进行分类，形成分类格栅图；
S7：对分类栅格图进行矢量化转换，并对边界进行整理等后处理，形成冰川及永久积雪矢量数据库，并进行空间统计分析。
利用MODIS全年时间系列影像数据，经无数据区填充和去云处理有效改善了影像质量，形成了年度冰川及永久积雪遥感调查较为适宜的全年最小反射率影像；通过设置BP神经网络遥感分类训练区，可快速获取最新的、较为精准的全国冰川及永久积雪分布矢量空间数据。
作为本发明的一种实施例，在步骤S1中，获取的所述全年MODIS时间序列的影像数据包括TERRA卫星和AQUA卫星的MODIS时间序列数据，如图2-3所示，通过对TERRA卫星和AQUA卫星的MODIS时间序列数据进行去除无数据区效果和去云处理的效果均是最佳的。
作为本发明的一种实施例，在步骤S2中，所述投影转换为albers投影的过程采用Wips Image Process System，该所述Wips Image Process System的投影参数选择25、47、105，椭球体选择WGS84，空间分辨率统一为250m。
作为本发明的一种实施例，在步骤S3中，无数据区填充的方法为：选取albers投影中的一个像元，选取三个连续的时间点，当位于中间时间点的像元被标识为无数据，而前后两个时间点都未标识为无数据，则可以认定该像元为缺失数据区，所述缺失数据区用于去云处理，当三个时间点均为无数据，则可以认定该像元为无数据点，并对该像元进行填充，获得填充后的albers投影。
优选的，在步骤S4中，所述最近邻均值法采用采用5个时相的滑动平均法。
作为本发明的一种实施例，在步骤S5中，获取冰川及永久积雪最小面积的光谱数据的方法为：
获取冰川积雪年内覆盖面积最小的时间，即红光及近红外波段年内最低的光谱反射率；
针对每个像元，找到MODIS时间序列影像数据中的最低值，完成了图像的准备；
寻找中红外波段条件下年内最高反射率；
如图4所示，利用近红外，红光，及中红外三波段构建真彩色影像，进行遥感分类训练区的采集。
在本实施例中，如图5所示，通过对2011、2013、2015三个年度最小反射率合成影像整体和局部对比可以发现，大范围来看冰川及永久积雪在三年影像中分布基本一致，局部影像中冰川及永久积雪覆盖范围轮廓和亮度能够保持一致，仅局部存在细小图斑不一致情况；
如图6所示，从单座雪山范围来看冰川及永久积雪在三年影像中分布也基本一致，单座雪山中面积较大的主体部分冰川及永久积雪覆盖范围和亮度三个年份能够保持一致，仅仅周边面积较小的图斑发生了冰川及永久积雪面积减少和亮度降低；
从以上对比可以发现，2-5年内，面积较大的冰川及永久积雪图斑能够保持形状和亮度基本不变，仅较小的图斑稳定性差，由于大面积图斑在冰川及永久积雪分布上的绝对优势，这保证了短期内冰川及永久积雪覆盖形态面积基本是稳定的。这证明了冰川及永久积雪最小面积的光谱数据的方法所基于最小反射率影像监测冰川及永久积雪的方法是可靠的。
作为本发明的一种实施例，在步骤S6中，所述BP神经网络遥感分类训练区由输入层、隐含层和输出层构成，相邻层之间的神经元全互连，同一层内的神经元无连接；
作为本发明的一种实施例，所述BP神经网络遥感分类训练区的选取分类包括冰川/积雪和非冰川/积雪。将所有冰川覆盖区的变化信息输入BP神经网络遥感分类训练区，所述包括不同冰川类型、不同地形地貌、高程，读取BP神经网络遥感分类训练区中像元光谱数据，进行神经网络的学习，然后分类，形成分类格栅图。BP神经网络遥感分类训练区的选择可参考全国1∶50万土地利用数据中冰川及永久积雪，及GLIMS全球冰川数据库，重点在准确判断冰川覆盖区与最近邻非冰川区，特别需要仔细分辨的是面积非常小的零星冰川。
作为本发明的一种实施例，分类时，90米SRTM高程数据也参与分类。
作为本发明的一种实施例，在步骤S7中，空间统计分析方法为：利用地理信息系统软件与省级行政区界、西部山脉分区图进行叠加计算，汇总统计分省，以及分山脉冰川及永久积雪汇总统计面积。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施例中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (10)

1.一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，该监测方法包括以下步骤：
S1：获取全年MODIS时间序列的影像数据；
S2：对获取的所述影像数据进行拼接，获得拼接完成的影像数据的正弦地图，并将所述正弦地图投影转换为albers投影；
S3：对获取的albers投影中的无数据区进行填充；
S4：对填充后的albers投影中无数据区之外的区域进行去云处理，对每个像元采用最近邻均值法进行平滑处理；
S5：在去云处理后的albers投影中获取冰川及永久积雪最小面积的光谱数据；
S6：建立BP神经网络遥感分类训练区，利用所述BP神经网络遥感分类训练区，对冰川及永久积雪最小面积的光谱数据进行分类，形成分类格栅图；
S7：对分类栅格图进行矢量化转换，并对边界进行整理等后处理，形成冰川及永久积雪矢量数据库，并进行空间统计分析。
2.如权利要求1所述的一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，在步骤S1中，
获取的所述全年MODIS时间序列的影像数据包括TERRA卫星和AQUA卫星的MODIS时间序列数据。
3.如权利要求2所述的一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，在步骤S2中，
所述投影转换为albers投影的过程采用Wips Image Process System，该所述WipsImage Process System的投影参数选择25、47、105，椭球体选择WGS84，空间分辨率统一为250m。
4.如权利要求2所述的一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，在步骤S3中，
无数据区填充的方法为：选取albers投影中的一个像元，选取三个连续的时间点，当位于中间时间点的像元被标识为无数据，而前后两个时间点都未标识为无数据，则可以认定该像元为缺失数据区，所述缺失数据区用于去云处理，当三个时间点均为无数据，则可以认定该像元为无数据点，并对该像元进行填充，获得填充后的albers投影。
5.如权利要求4所述的一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，在步骤S4中，
所述最近邻均值法采用采用5个时相的滑动平均法。
6.如权利要求5所述的一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，在步骤S5中，
获取冰川及永久积雪最小面积的光谱数据的方法为：
获取冰川积雪年内覆盖面积最小的时间，即红光及近红外波段年内最低的光谱反射率；
针对每个像元，找到MODIS时间序列影像数据中的最低值，完成了图像的准备；
寻找中红外波段条件下年内最高反射率；
利用近红外，红光，及中红外三波段构建真彩色影像，进行遥感分类训练区的采集。
7.如权利要求6所述的一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，在步骤S6中，
所述BP神经网络遥感分类训练区由输入层、隐含层和输出层构成，相邻层之间的神经元全互连，同一层内的神经元无连接。
8.如权利要求7所述的一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，
所述BP神经网络遥感分类训练区的选取分类包括冰川/积雪和非冰川/积雪。将所有冰川覆盖区的变化信息输入BP神经网络遥感分类训练区，所述包括不同冰川类型、不同地形地貌、高程，读取BP神经网络遥感分类训练区中像元光谱数据，进行神经网络的学习，然后分类，形成分类格栅图。
9.如权利要求8所述的一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，
分类时，90米SRTM高程数据也参与分类。
10.如权利要求9所述的一种基于MODIS数据的冰川及永久积雪宏观监测方法，其特征在于，在步骤S7中，
空间统计分析方法为：利用地理信息系统软件与省级行政区界、西部山脉分区图进行叠加计算，汇总统计分省，以及分山脉冰川及永久积雪汇总统计面积。
CN202111194971.0A 2021-10-14 2021-10-14 一种基于modis数据的冰川及永久积雪宏观监测方法 Pending CN113936213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111194971.0A CN113936213A (zh) 2021-10-14 2021-10-14 一种基于modis数据的冰川及永久积雪宏观监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111194971.0A CN113936213A (zh) 2021-10-14 2021-10-14 一种基于modis数据的冰川及永久积雪宏观监测方法

Publications (1)

Publication Number Publication Date
CN113936213A true CN113936213A (zh) 2022-01-14

Family

ID=79279146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111194971.0A Pending CN113936213A (zh) 2021-10-14 2021-10-14 一种基于modis数据的冰川及永久积雪宏观监测方法

Country Status (1)

Country Link
CN (1) CN113936213A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494864A (zh) * 2022-01-17 2022-05-13 中国科学院地理科学与资源研究所 基于遥感数据的积雪物候信息的提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055220A1 (en) * 2009-07-31 2011-03-03 Carbon Auditors Inc. Greenhouse gas grid and tracking system
CN106127717A (zh) * 2016-06-15 2016-11-16 中国科学院遥感与数字地球研究所 一种基于modis逐日积雪覆盖图像的去云方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055220A1 (en) * 2009-07-31 2011-03-03 Carbon Auditors Inc. Greenhouse gas grid and tracking system
CN106127717A (zh) * 2016-06-15 2016-11-16 中国科学院遥感与数字地球研究所 一种基于modis逐日积雪覆盖图像的去云方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘春晓: "基于时间序列 MODIS 数据甘肃河东地区土地利用分类", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》, no. 11, 15 November 2018 (2018-11-15), pages 149 - 21 *
梁慧 等: "祁连冰沟流域浅雪层光谱特征分析与遥感算法反演", 《草业科学》, vol. 34, no. 07, 15 July 2017 (2017-07-15), pages 1353 - 1364 *
王云龙: "中国典型区积雪遥感监测及其时空变化特征研究", 《中国博士学位论文全文数据库 (基础科学辑)》, no. 04, 15 April 2021 (2021-04-15), pages 009 - 8 *
骆成凤 等: "利用BP算法进行新疆MODIS数据土地利用分类研究", 干旱区地理, vol. 28, no. 02, 5 June 2005 (2005-06-05), pages 258 - 262 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494864A (zh) * 2022-01-17 2022-05-13 中国科学院地理科学与资源研究所 基于遥感数据的积雪物候信息的提取方法
CN114494864B (zh) * 2022-01-17 2022-12-27 中国科学院地理科学与资源研究所 基于遥感数据的积雪物候信息的提取方法

Similar Documents

Publication Publication Date Title
Li et al. A cellular automata downscaling based 1 km global land use datasets (2010–2100)
Shen et al. Area partitioning for channel network extraction using digital elevation models and remote sensing
Li et al. Estimation of all-sky 1 km land surface temperature over the conterminous United States
CN105551028A (zh) 一种基于遥感影像的地理空间数据动态更新的方法及系统
Ermolaev et al. Automated construction of the boundaries of basin geosystems for the Volga Federal District
CN108629287A (zh) 一种遥感影像地物分类方法
Su et al. A new hierarchical moving curve-fitting algorithm for filtering lidar data for automatic DTM generation
Qin et al. OpenGF: An ultra-large-scale ground filtering dataset built upon open ALS point clouds around the world
CN111046613A (zh) 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法
Cao et al. Expansion of urban impervious surfaces in Xining city based on GEE and Landsat time series data
CN117172134B (zh) 基于融合地形特征的月表多尺度dem建模方法
Yang et al. Role of the countryside landscapes for sustaining biodiversity in karst areas at a semi centennial scale
Hu et al. Dynamic monitoring of land subsidence in mining area from multi-source remote-sensing data–a case study at Yanzhou, China
Shahfahad et al. Comparative evaluation of operational land imager sensor on board landsat 8 and landsat 9 for land use land cover mapping over a heterogeneous landscape
CN113379919A (zh) 一种基于无人机rgb相机的植被冠层高度快速提取方法
CN113936213A (zh) 一种基于modis数据的冰川及永久积雪宏观监测方法
Pandey et al. Urban built-up area assessment of Ranchi township using Cartosat-I stereopairs satellite images
Bi et al. Delineation water of pearl river basin using Landsat images from Google Earth Engine
CN112166688B (zh) 基于小卫星的沙漠与沙漠化土地监测方法
CN116935236A (zh) 灌溉坑塘蓄水量监测方法、装置、电子设备及存储介质
CN115830464A (zh) 基于多源数据的高原山地农业大棚自动提取方法
Moussavi et al. A new glacier inventory of Iran
CN114418858A (zh) 遥感影像的镶嵌方法、装置、设备及存储介质
Jawak et al. Validation of high-density airborne LiDAR-based feature extraction using very high resolution optical remote sensing data
CN111178372B (zh) 基于遥感影像和地形数据的大区域尺度黄土塬面提取方法

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