CN114021656A - 基于gee云平台和光学与雷达数据融合的水体提取方法 - Google Patents
基于gee云平台和光学与雷达数据融合的水体提取方法 Download PDFInfo
- Publication number
- CN114021656A CN114021656A CN202111313032.3A CN202111313032A CN114021656A CN 114021656 A CN114021656 A CN 114021656A CN 202111313032 A CN202111313032 A CN 202111313032A CN 114021656 A CN114021656 A CN 114021656A
- Authority
- CN
- China
- Prior art keywords
- water body
- data
- optical
- radar
- image
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 74
- 230000003287 optical effect Effects 0.000 title claims abstract description 39
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 108091092878 Microsatellite Proteins 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000035622 drinking Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000003809 water extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
基于GEE云平台和光学与雷达数据融合的水体提取方法,涉及遥感图像处理领域,尤其是水体提取方法。本发明方法:一、通过GEE云平台获取研究区域的光学和雷达卫星数据,并进行预处理;二、利用获取的光学影像计算水体指数;三、获取数据集,用于训练样本和精度评定;四、用随机森林算法构建水体提取模型;五、计算混淆矩阵,利用总体精度和Kappa系数对步骤四构建的模型进行精度评定;六、利用卫星影像和步骤四构建的模型,即可实现任意区域水体信息的实时提取。该方法计算速度快、稳定性好、可以获取实时的水体提取结果,实现了大区域、高精度的水体实时提取,节约了大量的人力物力,对研究水体识别和时空变化研究具有重要意义。
Description
技术领域
本发明涉及遥感图像处理领域,尤其是水体提取方法。
背景技术
水体是地球生态系统的重要组成部分,对地球生物化学循环和人类的生产生活具有非常重要的作用,获取水体范围和变化情况对维持物质和能量循环以及生态平衡尤为重要。高效地提取水体可以分析地表水体时序变化,对政府决策和社会的可持续发展具有极其重要的意义。
基于遥感数据提取水体,由于实时性强、成本低、效率高等优点已成为近年来水体识别的主流方式。在众多的遥感数据中,光学影像具有丰富的光谱信息,但是容易受夜间、云、雨等天气因素的影响;雷达数据具有较强的穿透性,但是其影像噪声较多,处理难度较大。因此,基于光学和雷达等多源遥感融合数据提取水体信息成为学者们研究的热点。Bayik等(2018)通过Sentinel 1合成孔径雷达数据和RASAT光学数据对土耳其梅里克河水体进行提取,分别使用了后向散射系数法、随机森林和深度学习三种方法,结果表明,随机森林分类的结果更为平滑,分类精度最高。Wang等(2017)通过面积-点回归克里格(ATPRK)方法对Landsat 8和Sentinel 2影像进行融合,使得Landsat 8多光谱影像分辨率从30米提高到了10米,结合Sentinel 2影像可以有效的减少云雨等天气因素的影响,更加方便的实现区域大范围、长时续监测。Qi等(2019)使用SPOT5和GF-2全色影像从灰度、梯度和熵的角度利用马尔可夫随机场进行特征级融合,建立精细的水体提取模型,整体精度和局部精度均有较大程度的提高。Nguyen等(2019)利用Google Earth Engine(GEE)通过Landsat 8遥感影像与AWEI(Automated Water Extraction Index)水体指数实现了新西兰水体的自动化提取,水体识别精度较高。Seaton等(2020)通过对比NDWI、MNDWI、AWEIsh、MBWI等指标后,采用NDWI指数对Sentinel 2TOA反射率数据进行水体制图,精度在60%~86%之间,较好的实现了非洲地区半干旱非常年河水体的变化监测。Saghafi等(2021)将Sentinel 2红绿蓝波段求取均值后作为全色波段与Landsat 8影像进行融合,利用融合后的影像计算MNDWI、NDWI、WI2005、AWEI水体指数,将融合后的Landsat 8影像水体指数与Sentinel 1影像作为输入,使用随机森林、SVM和神经网络进行分类,最后采用决策融合方法提高了水体识别精度。然而,上述方法中数据融合提取水体多数仅针对光学数据融合,或在光学与雷达后向散射系数VV和VH的融合。
发明内容
本发明基于GEE云平台光学与雷达数据融合的快速水体提取方法按以下步骤进行:
一、通过GEE云平台获取研究区域的光学和雷达卫星数据,对光学影像进行预处理,对雷达影像进行边界噪声去除、滤波操作;
二、利用获取的光学影像计算水体指数NDWI、MNDWI、NDVI、AWEI(自动水体提取指数)、WI2005(基于线性判别分析的水体指数);各指数计算公式为
NDWI=(GREEN-NIR)/(GREEN+NIR) (1)
MNDWI=(GREEN-SWIR)/(GREEN+SWIR) (2)
NDVI=(NIR-RED)/(NIR+RED) (3)
AWEInsh=4(GREEN-SWIR1)/(0.25NIR+2.75SWIR2) (4)
AWEIsh=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2 (5)
WI2015=1.7204+171GREEN+3RED-70NIR-45SWIR1-71SWIR2 (6)
其中,GREEN为绿光波段,NIR为近红外波段,BLUE为蓝光波段,SWIR、SWIR1和SWIR2为短波红外波段,RED为红光波段;
利用预处理后的雷达影像计算双极化水体指数SDWI和灰度共生矩阵Pd(i,j),然后通过灰度共生矩阵后获取熵值(ENT)和对比度(CON),计算公式为
SDWI=ln(10×VV×VH)-8 (7)
Pd(i,j)={(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j} (8)
其中,VV、VH为雷达影像的后向散射系数,Pd为灰度共生矩阵,f(x,y)为一幅遥感影像,其大小为M×N,CON为对比度,ENT为熵值,为归一化灰度共生矩阵、表示灰度为i和j的两个像素具有某种空间关系d的情况出现的概率;
三、获取数据集,用于训练样本和精度评定;
四、将雷达影像的VV和VH、光学影像的各个波段、DEM以及步骤二中通过雷达影像和光学影像计算得到的各参数作为输入,用随机森林算法构建水体提取模型;
五、计算混淆矩阵,利用总体精度和Kappa系数对步骤四构建的模型进行精度评定;
六、利用卫星影像和步骤四构建的模型,即可实现任意区域水体信息的实时提取。
本发明方法利用光学影像计算NDWI、MNDWI、NDVI、AWEI、WI2005水体指数,利用雷达影像的后向散射系数计算SDWI双极化水体指数,然后计算灰度共生矩阵后获取熵值和对比度,将这些指数与光学影像B1~B12波段、雷达影像的VV、VH以及DEM数据作为输入,利用随机森林算法进行水体识别模型的构建,评定精度后选取最优模型进行水体提取。通过云平台获取的光学和雷达影像可以实现任意区域、长时间序列水体的快速、高精度提取。本发明方法通过融合光学数据、雷达后向散射系数VV、VH及纹理信息对比度、熵值后作为输入参数,采用随机森林算法实现水体的快速提取,有效的提高了水体识别精度。
本发明的有益效果是:针对水体信息的快速、准确、长时序获取问题,本方法基于GEE平台,将光学和雷达影像进行融合后作为集成输入,利用随机森林算法实现对区域内水体的快速、高精度提取。该方法计算速度快、稳定性好、可以获取实时的水体提取结果,实现了大区域、高精度的水体实时提取,节约了大量的人力物力,对研究水体识别和时空变化研究具有重要意义。
附图说明
图1是具体实施方式一方法的算法流程图;
图2是实施例1中通过GEE云平台获取饮马河流域2020年8月22日的Sentinel 1和Sentinel 2遥感影像数据;
图3是利用本方法实现基于GEE云平台对饮马河流域水体提取结果。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式,还包括各具体实施方式间的任意组合。
具体实施方式一:本实施方式基于GEE云平台光学与雷达数据融合的快速水体提取方法按以下步骤进行:
一、通过GEE云平台获取研究区域的光学和雷达卫星数据,对光学影像进行去云、均值合成和裁剪,对雷达影像进行边界噪声去除、滤波操作;
二、利用获取的光学影像计算水体指数NDWI、MNDWI、NDVI、AWEI(自动水体提取指数)、WI2005(基于线性判别分析的水体指数);各指数计算公式为
NDWI=(GREEN-NIR)/(GREEN+NIR) (1)
MNDWI=(GREEN-SWIR)/(GREEN+SWIR) (2)
NDVI=(NIR-RED)/(NIR+RED) (3)
AWEInsh=4(GREEN-SWIR1)/(0.25NIR+2.75SWIR2) (4)
AWEIsh=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2 (5)
WI2015=1.7204+171GREEN+3RED-70NIR-45SWIR1-71SWIR2 (6)
其中,GREEN为绿光波段,NIR为近红外波段,BLUE为蓝光波段,SWIR、SWIR1和SWIR2为短波红外波段,RED为红光波段;
利用预处理后的雷达影像计算双极化水体指数SDWI和灰度共生矩阵Pd(i,j),然后通过灰度共生矩阵后获取熵值(ENT)和对比度(CON),计算公式为
SDWI=ln(10×VV×VH)-8 (7)
Pd(i,j)={(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j} (8)
其中,VV、VH为雷达影像的后向散射系数,Pd为灰度共生矩阵,f(x,y)为一幅遥感影像,其大小为M×N,(x1,y1)、(x2,y2)分别为影像上的任意不同的两个点,CON为对比度,ENT为熵值,为归一化灰度共生矩阵、表示灰度为i和j的两个像素具有某种空间关系d的情况出现的概率;
三、获取数据集,用于训练样本和精度评定;
四、将雷达影像的VV和VH、光学影像的各个波段、DEM以及步骤二中通过雷达影像和光学影像计算得到的各参数作为输入,用随机森林算法构建水体提取模型;
五、计算混淆矩阵,利用总体精度和Kappa系数对步骤四构建的模型进行精度评定;
六、利用卫星影像和步骤四构建的模型,即可实现任意区域水体信息的实时提取。
本实施方式方法算法流程图如图1所示,首先,获取研究区域的光学和雷达影像,在对该数据进行预处理后,将雷达影像的VV和VH、光学影像的B1~B12波段、DEM以及NDWI、MNDWI、NDVI、AWEI、WI2005、SDWI、熵值和对比度作为输入,用随机森林算法进行分类。最后,经过精度评定后得到研究区域的水体识别结果。
本实施方式可通过GEE云平台绘制或上传所需区域的矢量边界,自动筛选所需的光学和雷达影像,然后采用本发明算法,运行后裁剪即可得到所需研究区域的水体提取结果,避免了大量下载、拼接光学和雷达影像的繁重工作,尤其在研究水体时序变化方面更高效。
本实施方式基于GEE云平台、光学与雷达卫星数据探索基于数据融合的快速实时的水体提取框架,并在此基础上利用随机森林(Random Forest,RF)进行水体分类,可实现对水体快速、高精度识别,具有计算速度快、复杂度低、成本低,大大降低了水体识别及时序变化提取的难度和成本。
具体实施方式二:本实施方式与具体实施方式一的不同点是:步骤三中数据集来源于公共数据集、地面实测数据、无人机数据、小卫星数据、GF数据中的一种或几种。其它步骤及参数与实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二的不同点是:步骤三中训练样本来源于小卫星影像:在光学影像上获取多个样点,通过SIFT算法将两个影像进行精确配准,求得转换的单应性矩阵,然后将其中一个影像上获取的样点通过单应性矩阵转换至其中另一个影像,随机选取中一部分用于训练,剩余部分用于精度评定。其它步骤及参数与实施方式一或二相同。
实施例1:
基于GEE云平台和Sentinel 1、Sentinel 2的饮马河流域水体提取:
步骤一、通过GEE云平台获取饮马河流域2020年8月22日的Sentinel 1和Sentinel2遥感影像数据(如图2所示),对Sentinel 1影像进行边界噪声去除、滤波等操作;对Sentinel 2影像进行剪裁、去云、均值合成等预处理;
步骤二、利用获取的Sentinel 2数据计算NDWI、MNDWI、NDVI、AWEI、WI2005等水体指数,公式如(1)~(6)所示;
NDWI=(GREEN-NIR)/(GREEN+NIR) (1)
MNDWI=(GREEN-SWIR)/(GREEN+SWIR) (2)
NDVI=(NIR-RED)/(NIR+RED) (3)
AWEInsh=4(GREEN-SWIR1)/(0.25NIR+2.75SWIR2) (4)
AWEIsh=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2 (5)
WI2015=1.7204+171GREEN+3RED-70NIR-45SWIR1-71SWIR2 (6)
通过预处理后的Sentinel 1影像计算SDWI双极化水体指数和灰度共生矩阵,然后通过灰度共生矩阵后获取熵值和对比度,公式如(7)~(10)所示;
SDWI=ln(10×VV×VH)-8 (7)
Pd(i,j)={(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j} (8)
步骤三、获取2020年8月22日饮马河流域的小卫星数据,对小卫星数据进行预处理,然后在小卫星影像上获取1290个样点,通过SIFT算法将无人机影像和Sentinel 2影像进行精确配准,求得转换的单应性矩阵,然后将从无人机影像上获取的样点通过单应性矩阵转换至Sentinel 2影像,其中随机选取中70%用于训练,剩余30%用于精度评定;
步骤四、将Sentinel 1的VV和VH、Sentinel2的B1~B12波段、DEM以及步骤二中通过Sentinel 1和Sentinel 2计算得到的各参数作为输入用随机森林算法进行数据融合后分类,构建水体提取模型;
步骤五、对分类结果进行精度评定,其中总体精度为0.97,kappa系数为0.90,分类精度较高;
步骤六、输入研究区Sentinel 1和Sentinel 2影像,基于上述模型生成水体识别结果。
本实施例获得2020年8月22日饮马河流域结果如图3所示。
Claims (3)
1.基于GEE云平台和光学与雷达数据融合的水体提取方法,其特征在于该方法按以下步骤进行:
一、通过GEE云平台获取研究区域的光学和雷达卫星数据,对光学影像进行预处理、对雷达影像进行边界噪声去除、滤波操作;
二、利用获取的光学影像计算水体指数NDWI、MNDWI、NDVI、AWEI、WI2005;各指数计算公式为
NDWI=(GREEN-NIR)/(GREEN+NIR) (1)
MNDWI=(GREEN-SWIR)/(GREEN+SWIR) (2)
NDVI=(NIR-RED)/(NIR+RED) (3)
AWEInsh=4(GREEN-SWIR1)/(0.25NIR+2.75SWIR2) (4)
AWEIsh=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2 (5)
WI2015=1.7204+171GREEN+3RED-70NIR-45SWIR1-71SWIR2 (6)
其中,GREEN为绿光波段,NIR为近红外波段,BLUE为蓝光波段,SWIR、SWIR1和SWIR2为短波红外波段,RED为红光波段;
利用预处理后的雷达影像计算双极化水体指数SDWI和灰度共生矩阵Pd(i,j),然后通过灰度共生矩阵后获取熵值和对比度,计算公式为
SDWI=ln(10×VV×VH)-8 (7)
Pd(i,j)={(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j} (8)
其中,VV、VH为雷达影像的后向散射系数,Pd为灰度共生矩阵,f(x,y)为一幅遥感影像,其大小为M×N,CON为对比度,ENT为熵值,为归一化灰度共生矩阵、表示灰度为i和j的两个像素具有某种空间关系d的情况出现的概率;
三、获取数据集,用于训练样本和精度评定;
四、将雷达影像的VV和VH、光学影像的各个波段、DEM以及步骤二中通过雷达影像和光学影像计算得到的各参数作为输入,用随机森林算法构建水体提取模型;
五、计算混淆矩阵,利用总体精度和Kappa系数对步骤四构建的模型进行精度评定;
六、利用卫星影像和步骤四构建的模型,即可实现任意区域水体信息的实时提取。
2.根据权利要求1所述的基于GEE云平台和光学与雷达数据融合的水体提取方法,其特征在于步骤一中对光学影像进行预处理包括边界噪声去除、去云、滤波、均值合成。
3.根据权利要求1所述的基于GEE云平台和光学与雷达数据融合的水体提取方法,其特征在于步骤三中数据集来源于公共数据集、地面实测数据、无人机数据、小卫星数据、GF数据中的一种或几种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313032.3A CN114021656A (zh) | 2021-11-08 | 2021-11-08 | 基于gee云平台和光学与雷达数据融合的水体提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313032.3A CN114021656A (zh) | 2021-11-08 | 2021-11-08 | 基于gee云平台和光学与雷达数据融合的水体提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021656A true CN114021656A (zh) | 2022-02-08 |
Family
ID=80062110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111313032.3A Pending CN114021656A (zh) | 2021-11-08 | 2021-11-08 | 基于gee云平台和光学与雷达数据融合的水体提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021656A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049900A (zh) * | 2022-05-20 | 2022-09-13 | 昆明理工大学 | 一种基于光学与雷达数据的水稻种植区识别方法及系统 |
CN116452985A (zh) * | 2023-02-21 | 2023-07-18 | 清华大学 | 地表水监测方法、装置、计算机设备和存储介质 |
CN117173584A (zh) * | 2023-08-02 | 2023-12-05 | 宁波大学 | 一种PolSAR与Pan影像融合的陆面小微水体提取方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
CN111862134A (zh) * | 2020-07-13 | 2020-10-30 | 中国科学院南京地理与湖泊研究所 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
US20210199579A1 (en) * | 2019-12-31 | 2021-07-01 | Beijing Normal University | Method and system for urban impervious surface extraction based on remote sensing |
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 |
-
2021
- 2021-11-08 CN CN202111313032.3A patent/CN114021656A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
US20210199579A1 (en) * | 2019-12-31 | 2021-07-01 | Beijing Normal University | Method and system for urban impervious surface extraction based on remote sensing |
CN111862134A (zh) * | 2020-07-13 | 2020-10-30 | 中国科学院南京地理与湖泊研究所 | 基于Sentinel-1与GEE的近岸水产养殖塘提取方法 |
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 (2)
Title |
---|
MOSTAFA SAGHAFI ET AL.: "Sentinel-1 and Sentinel-2 data fusion system for surface water extraction", 《JOURNAL OF APPLIED REMOTE SENSING》, vol. 15, no. 1, 23 March 2021 (2021-03-23), pages 014521 - 1, XP060139387, DOI: 10.1117/1.JRS.15.014521 * |
蒙良莉;凌子燕;蒋卫国;钟仕全;陈燕丽;孙明;: "基于Sentinel遥感数据的红树林信息提取研究――以广西茅尾海为例", 地理与地理信息科学, no. 04, 15 July 2020 (2020-07-15), pages 41 - 47 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049900A (zh) * | 2022-05-20 | 2022-09-13 | 昆明理工大学 | 一种基于光学与雷达数据的水稻种植区识别方法及系统 |
CN116452985A (zh) * | 2023-02-21 | 2023-07-18 | 清华大学 | 地表水监测方法、装置、计算机设备和存储介质 |
CN116452985B (zh) * | 2023-02-21 | 2023-10-31 | 清华大学 | 地表水监测方法、装置、计算机设备和存储介质 |
CN117173584A (zh) * | 2023-08-02 | 2023-12-05 | 宁波大学 | 一种PolSAR与Pan影像融合的陆面小微水体提取方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
Gómez-Chova et al. | Multimodal classification of remote sensing images: A review and future directions | |
CN110084159B (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
Wang et al. | Urban impervious surface detection from remote sensing images: A review of the methods and challenges | |
Sun et al. | Combinational build-up index (CBI) for effective impervious surface mapping in urban areas | |
CN114021656A (zh) | 基于gee云平台和光学与雷达数据融合的水体提取方法 | |
CN103679675B (zh) | 一种面向水质定量遥感应用的遥感影像融合方法 | |
CN111582194B (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
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 | |
CN115271217A (zh) | 一种基于无人机多源遥感数据的小麦产量预测方法 | |
Ainiwaer et al. | Deep learning-based rapid recognition of oasis-desert ecotone plant communities using UAV low-altitude remote-sensing data | |
CN107121681B (zh) | 基于高分卫星遥感数据的居民地提取系统 | |
Li et al. | A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model | |
CN108932474A (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
Xu et al. | MP-Net: An efficient and precise multi-layer pyramid crop classification network for remote sensing images | |
Jusoff et al. | Mapping of individual oil palm trees using airborne hyperspectral sensing: an overview | |
Mosin et al. | Remote sensing and machine learning for tree detection and classification in forestry applications | |
Weng | Remote sensing of urban biophysical environments | |
CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
CN112446256A (zh) | 一种基于深度isa数据融合的植被类型识别方法 | |
Andreev et al. | Cloud detection from the Himawari-8 satellite data using a convolutional neural network | |
Zhang et al. | SOFNet: SAR-optical fusion network for land cover classification | |
Nuradili et al. | UAV Remote Sensing Image Semantic Segmentation Strategy Based on Thermal Infrared and Multispectral Image Features | |
Viana et al. | Shoreline extraction using unsupervised classification on Sentinel-2 imagery | |
Jaiswal et al. | Deep learning based windthrow detection for winter storms |
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 |