CN114119617A - 一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法 - Google Patents
一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法 Download PDFInfo
- Publication number
- CN114119617A CN114119617A CN202111336638.9A CN202111336638A CN114119617A CN 114119617 A CN114119617 A CN 114119617A CN 202111336638 A CN202111336638 A CN 202111336638A CN 114119617 A CN114119617 A CN 114119617A
- Authority
- CN
- China
- Prior art keywords
- artemia
- water body
- salt lake
- image
- nir
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 241001247197 Cephalocarida Species 0.000 title abstract 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 120
- 238000000605 extraction Methods 0.000 claims abstract description 55
- 238000002310 reflectometry Methods 0.000 claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 241000238582 Artemia Species 0.000 claims description 206
- 150000003839 salts Chemical class 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 14
- 239000000443 aerosol Substances 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 229930002875 chlorophyll Natural products 0.000 claims description 6
- 235000019804 chlorophyll Nutrition 0.000 claims description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 6
- 239000011707 mineral Substances 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 241001672739 Artemia salina Species 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 239000000049 pigment Substances 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000002352 surface water Substances 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 5
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- JPVYNHNXODAKFH-UHFFFAOYSA-N Cu2+ Chemical compound [Cu+2] JPVYNHNXODAKFH-UHFFFAOYSA-N 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 229910001431 copper ion Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000008239 natural water Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000006180 nutrition needs Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法。首先对获取的遥感数据进行预处理得到地表反射率数据，并确定水体范围，获取包含卤虫像元的盐湖水体影像，然后根据多光谱影像卤虫光谱特征，结合不同水体背景的光谱特征，提出卤虫提取指数模型，并进一步构建适用于各盐湖的卤虫提取模型，最后采用滑动卷积窗口对浑浊水体背景下的卤虫带提取进行优化，实现对卤虫带的准确提取。本发明针对卤虫光谱特征，提出卤虫提取指数并采用卷积模型实现优化提取，在复杂水体背景信息条件下能够取得较高的卤虫带提取精度，且可靠性强，适用性广。
Description
技术领域
本发明属于遥感图像识别技术领域，特别是涉及一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法。
背景技术
卤虫是一种生活在高盐度水体环境中的浮游动物，是渔业生产中的理想活食，盐湖生态系统中的“清洁工”，同时也是盐湖生态碳循环的重要一员，因而具有重要的经济和生态学价值。卤虫为国际水产养殖业提供卤虫卵，以满足全球人口日益增长的蛋白质与营养需求。近年来，受盐湖生态环境持续恶化的影响，区域性卤虫资源量趋于萎缩。2016年《粮农组织亚洲卤虫资源可持续利用和管理专家研讨会》记录了卤虫生产的明显下降，高昂的成本使其在水产养殖中的使用受到限制。与此同时，养殖业设备和饲养方法等技术不断进步，水产养殖快速增长，人们对蛋白质能营养物质的需求使得渔业生产对卤虫的需求也随之呈指数增长。卤虫生产量和成本成为限制渔业发展、提供全球数十亿人口对蛋白质营养需求的重要限制因素。
卤虫分布范围广泛，以及其高盐度的生存环境使得传统的现场采样方法操作困难。此外，卤虫的产量受到湖泊水量与盐度等多种自然条件季节性变动影响，时间变化大，受风力影响，空间分布不均，因而使现场调查具有很大的不确定性。幸运的是，卤虫的自主运动能力较差，常在微风的驱动下聚集形成微红色的条带，这为卫星遥感探测带来了可能。遥感技术可以弥补现场调查在时间、空间尺度上的不足。但是目前可追溯的卫星遥感卤虫检测的相关研究却很少。
发明内容
本发明针对现有技术的不足，提供一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法。
为了达到上述目的，本发明提供的技术方案是一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，包括以下步骤：
步骤1，多光谱遥感影像数据获取及预处理；
步骤1.1，获取盐湖地区有卤虫带的多光谱遥感影像数据；
步骤1.2，对遥感影像数据进行辐射定标、几何校正、大气校正预处理；
步骤1.3，云、云阴影掩膜的预处理；
步骤2，提取盐湖水体范围，获取包含卤虫像元的盐湖水体影像；
步骤3，获得多光谱影像卤虫光谱特征；
步骤4，根据卤虫光谱特征和不同盐湖水域影像特征建立卤虫提取指数模型；
步骤5，构建适用于不同盐湖的卤虫提取模型，完成卤虫数据的提取；
步骤6，采用滑动卷积窗口对步骤5提取的卤虫数据作进一步优化，实现对卤虫带的准确提取。
而且，所述步骤1.1中从Landsat-8 OLI传感器、Sentinel-2 MSI多光谱传感器获取有卤虫带的盐湖影像，并根据盐湖卤虫带长度、宽度及盐湖水域面积对多光谱遥感影像进行筛选。
而且，所述步骤1.2中Landsat-8 OLI Level-2产品数据已经过辐射定标、精确几何校正与大气校正处理，Sentinel-2 MSI Level-1C是已经过正射校正和亚像元级几何精校正后的大气表观反射率产品，使用Sen2cor插件进行Sentinel-2 MSI数据大气校正工作。
而且，所述步骤1.3云掩膜实现过程中，编码使用Landsat-8 QA波段第3位云、第4位云阴影、第6位卷云及Sentinel-2 QA60波段第10位云及第11位卷云进行云掩膜，去除云和云阴影等无效数据。
而且，所述步骤2中应用全球地表水数据集GSW生成水体掩膜将水体概率为85％-95％的像元提取出来，再采用500m的缓冲区对提取的水体进行向内溶蚀，减少水体-陆地混合像素和湖岸邻近效应对卤虫像元提取结果的影响，得到盐湖水体范围，从而获取包含卤虫像元的盐湖水体影像。
而且，所述步骤3中从经过步骤1影像预处理及步骤2水体范围提取后的影像中筛选没有明显的云、雾、气溶胶影响的高质量影像，根据卤虫在多光谱真彩色影像中成条带的形状及红色、红褐色的颜色特征，人工选取卤虫像元与水体背景像元。选取的卤虫像元为目视判别真彩色影像中卤虫信号特征较强的像元，即高覆盖率卤虫像元，一般位于卤虫条带的中心位置，选取的水体像元没有明显的浑浊、叶绿素和浮游植物聚集。根据所选取的多光谱数据卤虫像元，使用ENVI软件中spectral profile工具获得卤虫像元在所使用的多光谱传感器每个波长的反射率，即卤虫光谱。从卤虫光谱中获得多光谱影像卤虫光谱特征，得到卤虫在各个波长的吸收、反射特性。
而且，所述步骤4中根据步骤3获取的卤虫光谱特征可得出，卤虫像元在红、近红外、短波红外波段表现出增强的表面反射率，特别是在近红外波段；影像提取的盐湖水体像元光谱在绿波段呈现较强的反射率。自然水体内的叶绿素、浮游植物、藻类，甚至湖泊周围植被信号经水体镜面反射进入传感器，都可能造成从太空观测到“绿色”的湖水，尤其对含有丰富盐类的内陆盐湖往往呈现不同颜色，如铜离子，有时会改变水体的吸收与散射特性，导致“绿色”湖水。卤虫光谱曲线绿波段平均反射率低于水体，说明虫体色素对绿波段的吸收特性具有区分卤虫与水体的潜能。构建卤虫指数计算公式如下：
ASI＝ρNIR-ρ′NIR (1)
式中，ASI为卤虫指数；ρNIR、ρgreen、ρSWIR1表示近红外、绿光、短波红外1波段地表反射；λNIR、λgreen、λSWIR1为传感器近红外、绿光、短波红外1波段的中心波长。
ρ′NIR为NIR波段的基线反射率，是由SWIR1波段与绿光波段组成的线性插值。绿光被虫体色素吸收，绿光波段反射率弱，而Chl-a、矿物、盐类主导的“绿色”水体和悬浮颗粒物在绿光波段有较强的反射率。SWIR1波段卤虫有较强的反射率，Chl-a、矿物、盐类主导的“绿色”水体和悬浮颗粒物在SWIR1波段反射率低。因此水体像元的ρ′NIR值较高，卤虫像元的ρ′NIR较低，ρ′NIR可理解为卤虫像元与附近水体像元之间的差异。使用NIR波段的基线反射率ρ′NIR与NIR强信号作差得ASI，卤虫在NIR波段有强反射率，水体在NIR反射率弱，卤虫像元的ρ′NIR值小，水体像元的ρ′NIR值大，将NIR波段反射率与ρ′NIR作差，可以更加扩大卤虫像元与水体像元的差异，更好地将卤虫与水体像元区分开来，更大程度地增强卤虫光谱提取特征。
而且，所述步骤5中由于观测几何形状和水体具有明显的光学性质，这些图像特异性的ASI阈值会随时间和空间发生显著变化。为了方便不同盐湖遥感影像的卤虫检测，以该盐湖长时间序列有卤虫像元ASI均值
作为ASI阈值提取卤虫，即
表示该盐湖含卤虫像元的ASI值的下限。
式中，
为整景影像中仅有卤虫像元ASI均值，
为全湖水体影像中所有像元ASI的均值，N为全湖影像像元个数，ASIi为影像中单个像元ASI值，a、b、c、d为不同盐湖ASI模型系数，Δθ为相对天顶角角度，
为相对方位角角度，Δθ与
可从影像头文件中查询获得。
为了保证模型的准确性，用于
与
构建的影像必须选取盐湖无云、无气溶胶污染的影像，单个盐湖的模型构建至少需选择10景无云、无气溶胶污染的影像，且每景影像中有卤虫。模型系数中的系数a-d对于每个研究区域是不同的，采用10倍交叉验证方法评价模型系数a-d的稳定性，并将10倍的平均系数与整个样本集训练的系数进行比较，当模型相关系数(R2)大于0.6，认为该建模的系数a-d可用于该盐湖的
模型构建。求得
后，提取ASI值大于等于
的卤虫像元作为卤虫粗提取的成果。
而且，所述步骤6中由于卤虫独特的条带型聚集模式具有明显的边缘特征，且与单波段和其他波段组合模型相比，ASI特征图像能够提供相对均质的水体背景信息，因此使用边缘检测算子进行提取。ASI最优分割阈值存在时间和空间分异，使用单一阈值难以满足整景影像卤虫条带提取的精度需求，滑动卷积窗口可以获得更均质的背景信息，滑动窗口中心像元大小表征的是窗口内ASI值的梯度变化，滑动窗口内的水体光学特性相似，ASI值近似相等。针对高浑浊水体背景的卤虫影像，为了进一步提升可用数据量，采用滑动卷积窗口对浑浊水体背景下的卤虫条带提取进行优化。卤虫条带可能存在多个延伸方向，使用四个滑动卷积算子提取任意方向卤虫条带的线性特征，最终取四个卷积算子中心像元的最大值为ASI梯度图像的像元值，窗口大小为9×9。4个滑动卷积算子如下所示：
滑动卷积算子1＝[[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,8.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.]]，
滑动卷积算子2＝[[0.,0.,0.,0.,0.,0.,0.,0.,-1.],[0.,0.,0.,0.,0.,0.,0.,-1.,0.],[0.,0.,0.,0.,0.,0.,-1.,0.,0.],[0.,0.,0.,0.,0.,-1.,0.,0.,0.],[0.,0.,0.,0.,8.,0.,0.,0.,0.],[0.,0.,0.,-1.,0.,0.,0.,0.,0.],[0.,0.,-1.,0.,0.,0.,0.,0.,0.],[0.,-1.,0.,0.,0.,0.,0.,0.,0.],[-1.,0.,0.,0.,0.,0.,0.,0.,0.]]，
滑动卷积算子3＝[[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[-1.,-1.,-1.,-1.,8.,-1.,-1.,-1.,-1.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.]]，
滑动卷积算子4＝[[-1.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,-1.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,-1.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,-1.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,8.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,-1.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,-1.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,-1.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,-1.]]。
与现有技术相比，本发明具有如下优点：
1)本发明针对卤虫光谱特征，提出卤虫提取指数并采用卷积模型实现优化提取，在复杂水体背景信息条件下能够取得较高的卤虫带提取精度且可靠性强。
2)在不同的观测条件与盐湖水质背景下，本发明构建的适用于不同地区的卤虫提取模型可应用于广泛的盐湖卤虫带信息提取，发明适用性广。
3)本发明提出的卤虫提取指数可进行精确的盐湖卤虫带提取并分析卤虫带面积时空变化，具有卤虫生物量估算潜力，可为卤虫资源合理管理提供现实依据。
附图说明
图1为本发明实施例的流程图。
具体实施方式
本发明提供一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，首先对获取的遥感数据进行预处理得到地表反射率数据，并确定水体范围，获取包含卤虫像元的盐湖水体影像，然后根据多光谱影像卤虫光谱特征，结合不同水体背景的光谱特征，提出卤虫提取指数模型，并进一步构建适用于各盐湖的卤虫提取模型，最后采用滑动卷积窗口对浑浊水体背景下的卤虫带提取进行优化，实现对卤虫带的准确提取。
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，本发明实施例的流程包括以下步骤：
步骤1，多光谱遥感影像数据获取及预处理。
步骤1.1，获取盐湖地区有卤虫带的多光谱遥感影像数据。
从Landsat-8 OLI传感器、Sentinel-2 MSI多光谱传感器获取有卤虫带的盐湖影像，并根据盐湖卤虫带长度、宽度及盐湖水域面积对多光谱遥感影像进行筛选。
步骤1.2，对遥感影像数据进行辐射定标、几何校正、大气校正预处理。
本实施例使用的Landsat-8 OLI Level-2产品数据已经过辐射定标、精确几何校正与大气校正处理，数据下载来源usgs官网(https://earthexplorer.usgs.gov/)，Sentinel-2 MSI Level-1C是已经过正射校正和亚像元级几何精校正后的大气表观反射率产品，可使用Sen2cor插件进行Sentinel-2 MSI数据大气校正工作。
步骤1.3，云、云阴影掩膜的预处理。
Fmask算法是最早的经典云检测算法，基于云的亮温、色彩等物理特性提取潜在的云和云阴影层，然后结合潜在云层和几何关系生成云和云阴影掩膜，并在有积雪覆盖的影像中提供雪层掩膜。在Fmask算法的基础上引入了Landsat-8 OLI的卷云波段，计算了像元为卷云的概率，改进了薄卷云的检测。改进的Fmask算法被应用于Landsat-8 OLI地表反射率产品质量控制(Quality Assessment，QA)波段以及Sentinel-2 MSI的QA60波段，以便于用户筛选无效或异常的低质量像素。
本实施例云掩膜实现过程中，编码使用Landsat-8 QA波段第3位(云)、第4位(云阴影)、第6位(卷云)及Sentinel-2 QA60波段第10位(云)及第11位(卷云)进行云掩膜，去除云和云阴影等无效数据。OLI和MSI质量图像设计的命名规则如下表所示：
表1 Landsat-8 OLI质量图像命名
表2Sentinel-2MSI质量图像命名
步骤2，提取盐湖水体范围，获取包含卤虫像元的盐湖水体影像。
盐湖卤虫带红外波段信号高，使用常规水体指数提取水体范围会将卤虫像元误判为陆地，导致将卤虫像元提出后无法展开后续的卤虫识别步骤。本实施例使用全球水面(GSW,https://www.nature.com/articles/nature20584)数据集辅助水体范围提取，假设近乎全年为水体覆盖的像元不是季节性浅水或降雨形成的水洼，首先应用GSW生成水体掩膜将水体概率为85％-95％的像元提取出来，再采用500m的缓冲区对提取的水体进行向内溶蚀，减少水体-陆地混合像素和湖岸邻近效应对卤虫像元提取结果的影响，得到盐湖水体范围，从而获取包含卤虫像元的盐湖水体影像。
步骤3，获得多光谱影像卤虫光谱特征。
从经过步骤1影像预处理及步骤2水体范围提取后的影像中筛选没有明显的云、雾、气溶胶影响的高质量影像，根据卤虫在多光谱真彩色影像中成条带的形状及红色、红褐色的颜色特征，人工选取卤虫像元与水体背景像元。选取的卤虫像元为目视判别真彩色影像中卤虫信号特征较强的像元(高覆盖率卤虫像元)，一般位于卤虫条带的中心位置，选取的水体像元没有明显的浑浊、叶绿素和浮游植物聚集。根据所选取的多光谱数据卤虫像元，使用ENVI软件中spectral profile工具获得卤虫像元在所使用的多光谱传感器每个波长的反射率，即卤虫光谱。从卤虫光谱中获得多光谱影像卤虫光谱特征，得到卤虫在各个波长的吸收、反射特性。
步骤4，根据卤虫光谱特征和不同盐湖水域影像特征建立卤虫提取指数模型。
根据步骤3获取的卤虫光谱特征可得出，卤虫像元在红、近红外、短波红外波段表现出增强的表面反射率，特别是在近红外波段；影像提取的盐湖水体像元光谱在绿波段呈现较强的反射率。自然水体内的叶绿素、浮游植物、藻类，甚至湖泊周围植被信号经水体镜面反射进入传感器，都可能造成从太空观测到“绿色”的湖水。尤其对含有丰富盐类的内陆盐湖往往呈现不同颜色，如铜离子，有时会改变水体的吸收与散射特性，导致“绿色”湖水。卤虫光谱曲线绿波段平均反射率低于水体，说明虫体色素对绿波段的吸收特性具有区分卤虫与水体的潜能。
卤虫指数计算公式如下：
ASI＝ρNIR-ρ′NIR (1)
式中，ASI为卤虫指数；ρNIR、ρgreen、ρSWIR1表示近红外、绿光、短波红外1波段地表反射；λNIR、λgreen、λSWIR1为传感器近红外、绿光、短波红外1波段的中心波长。
Landsat 8OLI传感器中绿光波段为0.525～0.600μm，绿光波段中心波长为0.5625μm，近红外(NIR)波段为0.845～0.885μm，近红外波段中心波长为0.865μm，短波红外1(SWIR1)波段为1.56～1.66μm，短波红外1波段中心波长为1.610μm。Sentinel-2MSI绿光波段为0.543～0.578μm，绿光波段中心波长为0.560μm，近红外波段为0.785-0.900μm，近红外波段中心波长为0.842μm，短波红外1波段为1.565～1.655μm，短波红外1波段中心波长为1.610μm。
ρ′NIR为NIR波段的基线反射率，这个基线反射率是由SWIR1波段与绿光波段组成的线性插值。绿光被虫体色素吸收，绿光波段反射率弱，而Chl-a、矿物、盐类主导的“绿色”水体和悬浮颗粒物在绿光波段有较强的反射率。SWIR1波段卤虫有较强的反射率，Chl-a、矿物、盐类主导的“绿色”水体和悬浮颗粒物在SWIR1波段反射率低，因此水体像元的ρ′NIR值较高，卤虫像元的ρ′NIR较低，ρ′NIR可理解为卤虫像元与附近水体像元之间的差异。为进一步增强水体像元与卤虫像元之间的差异，更好地将卤虫与水体像元区分开来，使用NIR波段的基线反射率(ρ′NIR)与NIR强信号作差得ASI，即ASI是在ρ′NIR的基础上更加的扩大水体和卤虫的区别。卤虫在NIR波段有强反射率，水体在NIR反射率弱，卤虫像元的ρ′NIR值小，水体像元的ρ′NIR值大，将NIR波段反射率与ρ′NIR作差，可以更加扩大卤虫像元与水体像元的差异，更大程度地增强了卤虫光谱提取特征。
步骤5，构建适用于不同盐湖的卤虫提取模型，完成卤虫数据的提取。
将步骤4中的卤虫指数模型应用于不同地区，根据不同盐湖水域影像特征，构建适用于各盐湖的卤虫提取模型。由于观测几何形状和水体具有明显的光学性质，这些图像特异性的ASI阈值会随时间和空间发生显著变化。为了方便不同盐湖遥感影像的卤虫检测，以该盐湖长时间序列有卤虫像元ASI均值
作为ASI阈值提取卤虫，即
表示该盐湖含卤虫像元的ASI值的下限。
式中，
为整景影像中仅有卤虫像元ASI均值，
为全湖水体影像中所有像元ASI的均值，N为全湖影像像元个数，ASIi为影像中单个像元ASI值，a、b、c、d为不同盐湖ASI模型系数，Δθ为相对天顶角角度，
为相对方位角角度，Δθ与
可从影像头文件中查询获得。
为了保证模型的准确性，用于
与
构建的影像必须选取盐湖无云、无气溶胶污染的影像，单个盐湖的模型构建至少需选择10景无云、无气溶胶污染的影像，且每景影像中有卤虫。模型系数中的系数a-d对于每个研究区域是不同的，采用10倍交叉验证方法评价模型系数a-d的稳定性，并将10倍的平均系数与整个样本集训练的系数进行比较，当模型相关系数(R2)大于0.6，认为该建模的系数a-d可用于该盐湖的
模型构建。求得
后，提取ASI值大于等于
的卤虫像元作为卤虫粗提取的成果。
步骤6，采用滑动卷积窗口对步骤5提取的卤虫数据作进一步优化，实现对卤虫带的准确提取。
由于卤虫独特的条带型聚集模式具有明显的边缘特征，且与单波段和其他波段组合模型相比，ASI特征图像能够提供相对均质的水体背景信息，因此可以使用边缘检测算子进行提取。ASI最优分割阈值存在时间和空间分异，使用单一阈值难以满足整景影像卤虫条带提取的精度需求，滑动卷积窗口可以获得更均质的背景信息，滑动窗口中心像元大小表征的是窗口内ASI值的梯度变化，滑动窗口内的水体光学特性相似，ASI值近似相等。
针对高浑浊水体背景的卤虫影像，为了进一步提升可用数据量，采用滑动卷积窗口对浑浊水体背景下的卤虫条带提取进行优化。卤虫条带可能存在多个延伸方向，使用四个滑动卷积算子提取任意方向卤虫条带的线性特征，最终取四个卷积算子中心像元的最大值为ASI梯度图像的像元值。
窗口的大小与卤虫条带宽度直接相关，窗口过大容易引入两个不同光学特性水团的边界和波浪等信息，窗口过小则只能提取较细的卤虫条带或卤虫条带边缘信息，本实施例选取9×9窗口大小应用于卤虫条带的提取。
滑动卷积算子1＝[[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,8.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.]]
滑动卷积算子2＝[[0.,0.,0.,0.,0.,0.,0.,0.,-1.],[0.,0.,0.,0.,0.,0.,0.,-1.,0.],[0.,0.,0.,0.,0.,0.,-1.,0.,0.],[0.,0.,0.,0.,0.,-1.,0.,0.,0.],[0.,0.,0.,0.,8.,0.,0.,0.,0.],[0.,0.,0.,-1.,0.,0.,0.,0.,0.],[0.,0.,-1.,0.,0.,0.,0.,0.,0.],[0.,-1.,0.,0.,0.,0.,0.,0.,0.],[-1.,0.,0.,0.,0.,0.,0.,0.,0.]]
滑动卷积算子3＝[[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[-1.,-1.,-1.,-1.,8.,-1.,-1.,-1.,-1.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.]]
滑动卷积算子4＝[[-1.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,-1.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,-1.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,-1.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,8.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,-1.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,-1.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,-1.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,-1.]]
除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据不同盐湖水体背景所需设计而变化、组合或重新安排。并且上述实施例可基于设计及可靠度的考虑，可采取单一阈值提取模型，混合搭配步骤中所有模型使用或与迭代上述所有模型方案使用，研究者可根据不同盐湖水体背景，选择不同的提取方案，若单阈值提取效果较好，可使用步骤4、5中的方案，若盐湖水体特征较为复杂，出现浑浊、高叶绿素等水体，可使用骤4、5、6中的方案或迭代4、5、6方案，以获得最佳提取效果，亦可选择非实施例中的推荐的多光谱数据形成更多的实施例。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。步骤6中的卷积优化计算速度与计算器设备固有配置有关。此外，本发明也不针对任何特定编程语言，研究者可以利用各种编程语言实现在此描述的本发明的内容。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，可以理解的是，上述实施例是示例性的，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，其特征在于，包括以下步骤：
步骤1，多光谱遥感影像数据获取及预处理；
步骤1.1，获取盐湖地区有卤虫带的多光谱遥感影像数据；
步骤1.2，对遥感影像数据进行辐射定标、几何校正、大气校正预处理；
步骤1.3，云、云阴影掩膜的预处理；
步骤2，提取盐湖水体范围，获取包含卤虫像元的盐湖水体影像；
步骤3，获得多光谱影像卤虫光谱特征；
步骤4，根据卤虫光谱特征和不同盐湖水域影像特征建立卤虫提取指数模型；
步骤5，构建适用于不同盐湖的卤虫提取模型，完成卤虫数据的提取。
2.如权利要求1所述的一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，其特征在于：步骤1.1中从Landsat-8OLI传感器、Sentinel-2MSI多光谱传感器获取有卤虫带的盐湖影像，并根据盐湖卤虫带长度、宽度及盐湖水域面积对多光谱遥感影像进行筛选。
3.如权利要求2所述的一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，其特征在于：步骤1.2中Landsat-8OLI Level-2产品数据已经过辐射定标、精确几何校正与大气校正处理，Sentinel-2MSI Level-1C是已经过正射校正和亚像元级几何精校正后的大气表观反射率产品，使用Sen2cor插件进行Sentinel-2MSI数据大气校正工作。
4.如权利要求3所述的一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，其特征在于：步骤1.3云掩膜实现过程中，编码使用Landsat-8QA波段第3位云、第4位云阴影、第6位卷云及Sentinel-2QA60波段第10位云及第11位卷云进行云掩膜，去除云和云阴影无效数据。
5.如权利要求4所述的一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，其特征在于：步骤2中应用全球地表水数据集GSW生成水体掩膜将水体概率为85％-95％的像元提取出来，再采用500m的缓冲区对提取的水体进行向内溶蚀，减少水体-陆地混合像素和湖岸邻近效应对卤虫像元提取结果的影响，得到盐湖水体范围，从而获取包含卤虫像元的盐湖水体影像。
6.如权利要求5所述的一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，其特征在于：步骤3中从经过步骤1影像预处理及步骤2水体范围提取后的影像中筛选没有明显的云、雾、气溶胶影响的高质量影像，根据卤虫在多光谱真彩色影像中成条带的形状及红色、红褐色的颜色特征，人工选取卤虫像元与水体背景像元；选取的卤虫像元为目视判别真彩色影像中卤虫信号特征较强的像元，即高覆盖率卤虫像元，位于卤虫条带的中心位置，选取的水体像元没有明显的浑浊、叶绿素和浮游植物聚集；根据所选取的多光谱数据卤虫像元，使用ENVI软件中spectral profile工具获得卤虫像元在所使用的多光谱传感器每个波长的反射率，即卤虫光谱，从卤虫光谱中获得多光谱影像卤虫光谱特征，得到卤虫在各个波长的吸收、反射特性。
7.如权利要求6所述的一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，其特征在于：步骤4中构建卤虫指数计算公式如下：
ASI＝ρNIR-ρ′NIR (1)
式中，ASI为卤虫指数；ρNIR、ρgreen、ρSWIR1表示近红外、绿光、短波红外1波段地表反射；λNIR、λgreen、λSWIR1为传感器近红外、绿光、短波红外1波段的中心波长；
ρ′NIR为NIR波段的基线反射率，是由SWIR1波段与绿光波段组成的线性插值；绿光被虫体色素吸收，绿光波段反射率弱，而Chl-a、矿物、盐类主导的“绿色”水体和悬浮颗粒物在绿光波段有较强的反射率；SWIR1波段卤虫有较强的反射率，Chl-a、矿物、盐类主导的“绿色”水体和悬浮颗粒物在SWIR1波段反射率低；因此水体像元的ρ′NIR值较高，卤虫像元的ρ′NIR较低，ρ′NIR可理解为卤虫像元与附近水体像元之间的差异；使用NIR波段的基线反射率ρ′NIR与NIR强信号作差得ASI，卤虫在NIR波段有强反射率，水体在NIR反射率弱，卤虫像元的ρ′NIR值小，水体像元的ρ′NIR值大，将NIR波段反射率与ρ′NIR作差，可以更加扩大卤虫像元与水体像元的差异，更好地将卤虫与水体像元区分开来，更大程度地增强卤虫光谱提取特征。
8.如权利要求7所述的一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，其特征在于：步骤5中由于观测几何形状和水体具有明显的光学性质，这些图像特异性的ASI阈值会随时间和空间发生显著变化，为了方便不同盐湖遥感影像的卤虫检测，以该盐湖长时间序列有卤虫像元ASI均值
作为ASI阈值提取卤虫，即
表示该盐湖含卤虫像元的ASI值的下限；
式中，
为整景影像中仅有卤虫像元ASI均值，
为全湖水体影像中所有像元ASI的均值，N为全湖影像像元个数，ASIi为影像中单个像元ASI值，a、b、c、d为不同盐湖ASI模型系数，Δθ为相对天顶角角度，
为相对方位角角度，Δθ与
可从影像头文件中查询获得；
为了保证模型的准确性，用于
与
构建的影像必须选取盐湖无云、无气溶胶污染的影像，单个盐湖的模型构建至少需选择10景无云、无气溶胶污染的影像，且每景影像中有卤虫；模型系数中的系数a-d对于每个研究区域是不同的，采用10倍交叉验证方法评价模型系数a-d的稳定性，并将10倍的平均系数与整个样本集训练的系数进行比较，当模型相关系数(R2)大于0.6，认为该建模的系数a-d可用于该盐湖的
模型构建；求得
后，提取ASI值大于等于
的卤虫像元作为卤虫粗提取的成果。
9.如权利要求8所述的一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法，其特征在于：还包括步骤6，对于高浑浊水体背景的卤虫影像，采用滑动卷积窗口对步骤5提取的卤虫数据作进一步优化，实现对卤虫带的准确提取；卤虫条带可能存在多个延伸方向，使用四个滑动卷积算子提取任意方向卤虫条带的线性特征，最终取四个卷积算子中心像元的最大值为ASI梯度图像的像元值，窗口大小为9×9；4个滑动卷积算子如下所示：
滑动卷积算子1＝[[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,8.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.],[0.,0.,0.,0.,-1.,0.,0.,0.,0.]]，
滑动卷积算子2＝[[0.,0.,0.,0.,0.,0.,0.,0.,-1.],[0.,0.,0.,0.,0.,0.,0.,-1.,0.],[0.,0.,0.,0.,0.,0.,-1.,0.,0.],[0.,0.,0.,0.,0.,-1.,0.,0.,0.],[0.,0.,0.,0.,8.,0.,0.,0.,0.],[0.,0.,0.,-1.,0.,0.,0.,0.,0.],[0.,0.,-1.,0.,0.,0.,0.,0.,0.],[0.,-1.,0.,0.,0.,0.,0.,0.,0.],[-1.,0.,0.,0.,0.,0.,0.,0.,0.]]，
滑动卷积算子3＝[[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[-1.,-1.,-1.,-1.,8.,-1.,-1.,-1.,-1.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,0.]]，
滑动卷积算子4＝[[-1.,0.,0.,0.,0.,0.,0.,0.,0.],[0.,-1.,0.,0.,0.,0.,0.,0.,0.],[0.,0.,-1.,0.,0.,0.,0.,0.,0.],[0.,0.,0.,-1.,0.,0.,0.,0.,0.],[0.,0.,0.,0.,8.,0.,0.,0.,0.],[0.,0.,0.,0.,0.,-1.,0.,0.,0.],[0.,0.,0.,0.,0.,0.,-1.,0.,0.],[0.,0.,0.,0.,0.,0.,0.,-1.,0.],[0.,0.,0.,0.,0.,0.,0.,0.,-1.]]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111336638.9A CN114119617B (zh) | 2021-11-12 | 2021-11-12 | 一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111336638.9A CN114119617B (zh) | 2021-11-12 | 2021-11-12 | 一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114119617A true CN114119617A (zh) | 2022-03-01 |
| CN114119617B CN114119617B (zh) | 2024-09-27 |
Family
ID=80378734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111336638.9A Active CN114119617B (zh) | 2021-11-12 | 2021-11-12 | 一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119617B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167955A (zh) * | 2023-02-24 | 2023-05-26 | 苏州大学 | 面向遥感领域的高光谱与激光雷达图像融合方法及系统 |
| CN116245757A (zh) * | 2023-02-08 | 2023-06-09 | 北京艾尔思时代科技有限公司 | 多模态数据的多场景通用性遥感影像云修复方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106145370A (zh) * | 2016-08-23 | 2016-11-23 | 天津津枫丰年虫科技有限公司 | 通过卤虫养殖处理污水中富营养化物质的方法及净水系统 |
| CN108830876A (zh) * | 2018-05-28 | 2018-11-16 | 河海大学 | 一种水域轮廓提取及面积检测方法 |
| KR20200008226A (ko) * | 2018-07-16 | 2020-01-28 | 고려대학교 세종산학협력단 | 생물 객체 영상추적방법 및 그 장치 |
| CN111027511A (zh) * | 2019-12-23 | 2020-04-17 | 西安电子科技大学 | 基于感兴趣区块提取的遥感图像舰船检测方法 |
| CN111289703A (zh) * | 2020-04-14 | 2020-06-16 | 同济大学 | 一种测试消毒副产物生态毒性的方法 |
| CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） | 一种长时序的河湖围埂养殖区域监测方法 |
-
2021
- 2021-11-12 CN CN202111336638.9A patent/CN114119617B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106145370A (zh) * | 2016-08-23 | 2016-11-23 | 天津津枫丰年虫科技有限公司 | 通过卤虫养殖处理污水中富营养化物质的方法及净水系统 |
| CN108830876A (zh) * | 2018-05-28 | 2018-11-16 | 河海大学 | 一种水域轮廓提取及面积检测方法 |
| KR20200008226A (ko) * | 2018-07-16 | 2020-01-28 | 고려대학교 세종산학협력단 | 생물 객체 영상추적방법 및 그 장치 |
| CN111027511A (zh) * | 2019-12-23 | 2020-04-17 | 西安电子科技大学 | 基于感兴趣区块提取的遥感图像舰船检测方法 |
| CN111289703A (zh) * | 2020-04-14 | 2020-06-16 | 同济大学 | 一种测试消毒副产物生态毒性的方法 |
| CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） | 一种长时序的河湖围埂养殖区域监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李微 等: "基于面向对象法艾比湖卤虫信息提取", 《国土资源遥感》, vol. 30, no. 4, 31 December 2018 (2018-12-31), pages 176 - 181 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116245757A (zh) * | 2023-02-08 | 2023-06-09 | 北京艾尔思时代科技有限公司 | 多模态数据的多场景通用性遥感影像云修复方法和系统 |
| CN116245757B (zh) * | 2023-02-08 | 2023-09-19 | 北京艾尔思时代科技有限公司 | 多模态数据的多场景通用性遥感影像云修复方法和系统 |
| CN116167955A (zh) * | 2023-02-24 | 2023-05-26 | 苏州大学 | 面向遥感领域的高光谱与激光雷达图像融合方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114119617B (zh) | 2024-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
| Brook et al. | A smart multiple spatial and temporal resolution system to support precision agriculture from satellite images: Proof of concept on Aglianico vineyard | |
| CN109448016A (zh) | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 | |
| CN114119617B (zh) | 一种多光谱卫星遥感影像的内陆盐湖卤虫带提取方法 | |
| CN110852262A (zh) | 基于时间序列高分一号遥感影像的农业用地提取方法 | |
| CN107609526A (zh) | 基于规则的精细尺度城市不透水面快速提取方法 | |
| CN105608473B (zh) | 一种基于高分辨率卫星影像的高精度土地覆盖分类方法 | |
| CN106778629B (zh) | 大棚识别方法及装置 | |
| CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| CN112541921A (zh) | 城市绿地植被信息数据化精准测定方法 | |
| CN109635765B (zh) | 一种浅海珊瑚礁遥感信息自动提取方法 | |
| CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
| CN112818749B (zh) | 一年两熟地区大宗粮油作物复种模式遥感监测方法 | |
| CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| CN116091938B (zh) | 一种针对单季稻种植面积的多源遥感监测方法 | |
| CN112699756A (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
| CN110211138A (zh) | 基于置信点的遥感图像分割方法 | |
| CN114254707A (zh) | 一种基于GlobeLand30的历史地表覆盖快速重建方法 | |
| CN115641412A (zh) | 基于高光谱数据的三维语义地图的生成方法 | |
| CN114119618A (zh) | 一种基于深度学习的内陆盐湖卤虫条带遥感提取方法 | |
| CN109871774B (zh) | 一种基于局域相近像元的混合像元分解方法 | |
| CN115791639A (zh) | 基于物候信息的大豆种植区域遥感提取方法 | |
| CN115049900A (zh) | 一种基于光学与雷达数据的水稻种植区识别方法及系统 | |
| CN115035423A (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |