CN114120137B - 一种基于时序植被遥感影像的湿地要素时空演变监测方法 - Google Patents
一种基于时序植被遥感影像的湿地要素时空演变监测方法 Download PDFInfo
- Publication number
- CN114120137B CN114120137B CN202111217868.3A CN202111217868A CN114120137B CN 114120137 B CN114120137 B CN 114120137B CN 202111217868 A CN202111217868 A CN 202111217868A CN 114120137 B CN114120137 B CN 114120137B
- Authority
- CN
- China
- Prior art keywords
- change
- time
- wetland
- model
- 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.)
- Active
Links
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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
Abstract
本发明是一种基于时序主被遥感影像的湿地要素时空演变监测方法,它使用所有可用的陆地卫星数据来构建时间光谱特征,从而解决单日期影像因未检测出的部分噪音而导致变化监测中出现大量的假阳性错误的问题。该方法针对现有湿地要素变化监测方法难以在空间上完整描述湿地要素变化信息且不能在时间尺度上实现实时的连续观测的问题,尤其是无法识别长时间序列中多种湿地要素之间的变化,该方法基于连续变化监测和分类算法提出一种基于时序主被遥感影像的湿地要素时空演变监测方法,实现湿地要素的高精度和高效率时空演变监测。
Description
技术领域
本发明属于土地监测的技术领域,特别涉及湿地要素的变化监测和分类算法,基于连续变化监测和分类模型实现湿地要素高精度的变化监测和分类,检测出多种湿地要素之间的变化。
背景技术
湿地是世界上最富有生产力和经济价值的生态系统之一,湿地退化导致的自然土地生态系统稳定性下降,将严重威胁到人类的可持续发展,因此湿地的动态监测和分析对于揭示生态环境的变化、恢复和重建具有重要作用。世界各地湿地面积的损失在30%~90%之间变化,20世纪全球湿地面积的损失为64%~71%,内陆湿地损失比沿海湿地减少的范围大。至21世纪,自然湿地的损失仍处于持续退化状态,表现为河流断流、湖泊萎缩,沼泽面积减少,水质富营养或咸化,生物物种减少、生物多样性受损,并且速度不断加快。已有研究证明,湿地植被群落和水文是湿地生态系统中最重要组成部分,湿地水体是湿地维持、发育和衰亡的主要驱动力,而湿地植被是湿地生态系统健康状况的直接指示因子,其空间分布受湿地水文情况影响的特征显著。因此,亟需长时间监测湿地植被及水体的时空动态变化,为湿地保护区管理提供科学可信的参考依据。
传统湿地变化监测方法主要以有限的观测站点/采样样方的地面观测,该方法存在不能在空间上完整描述湿地水文和植被变化信息,难以在时间尺度上实现湿地变化的连续观测。遥感技术已证实在快速监测土地覆被/土地利用变化方面具有很大的优势,已广泛应用于湿地研究,包括湿地分类识别和动态变化监测。研究实现了对湿地植被和水体以及要素之间相互作用和影响因素的探究,但主要利用在两个或三个以上不同时间段遥感影像来评估土地覆盖的变化。当图像之间的间隙较长时,对揭示湿地植被和水体的变化规律不具有代表性,植被和水体不能在长时间尺度上呈现完整的变化轨迹。时间序列轨迹分析法可以检测出大量微小或长期的变化,但是对影像要求较高,在云覆盖度高的地区难以实现。同时,传统的监测方法需要将大量遥感影像下载到本地配置中,无法避免传统遥感分析模式带来的数据获取困难、预处理繁琐等过程。
发明内容
为了解决上述问题,本发明的首要目的在于提供一种基于时序植被遥感影像的湿地要素时空演变监测方法,该方法针对现有湿地要素变化监测方法难以在空间上完整描述湿地要素变化信息且不能在时间尺度上实现实时的连续观测的问题,尤其是无法识别长时间序列中多种湿地要素之间的变化,该方法基于连续变化监测和分类算法(Continuouschange detection and classification,CCDC)提出一种基于时序植被遥感影像的湿地要素时空演变监测方法,实现湿地要素的高精度和高效率时空演变监测。
本发明的另一个目的在于提供一种基于时序植被遥感影像的湿地要素时空演变监测方法,该方法介绍了时间序列谐波分析模型概念,其谐波项可以反映湿地植被动态的始末时间、延续时间以及波动情况,植被生长季的起始点可以通过分析谐波的位相来确定,振幅和位相可以表征植被生长因为温度和降水等环境因素导致的季相变化。谐波分析既可获取植被生产力的季节波动特征,也可用于确定时间序列与气象因子之间的相关关系。
本发明的再一个目的在于提供一种基于时序植被遥感影像的湿地要素时空演变监测方法,该方法引入一种机器学习分类器对湿地要素的变化监测结果进行湿地要素识别,该方法构建的分类模型可以获取湿地要素变化前后的类别。将时间序列模型的系数作为机器分类器的输入,提高了湿地要素变化时间段的精准分类。经过变化检测过程,每个像素在任何变化前后都有自己的时间序列模型。通过对时间序列模型变化监测结果进行分类,为每个时间序列模型提供整个时间段的土地覆盖类型,解决单幅影像无法精确识别各类湿地植被的问题。
本发明的最后一个目的在于一种基于时序植被遥感影像的湿地要素时空演变监测方法,该方法选取Landsat TM\ETM+\OLI所有系列卫星影像为数据源,基于连续变化检测和分类算法构建稳定的潜在物候季节趋势模型,对湿地要素进行高精度变化监测和分类,有利于确定湿地要素变化的类别和演变趋势。
为实现上述目的,本发明提供如下技术方案:
一种基于时序植被遥感影像的湿地要素时空演变监测方法,该方法包括如下步骤:
步骤(1):遥感影像预处理;
步骤(2):利用RIRLS方法去除噪音;
步骤(3):构建时间序列堆栈数据集;
步骤(4):计算光谱指数;
步骤(5):构建时序光谱变化检测模型;
步骤(6):时间序列谐波分析
步骤(7):获取季节年内或者年际变化趋势;
步骤(8):将监测模型阵列结果转化常规图;
步骤(9):合成任何波段表面反射图像;
步骤(10):比较预测值和观测值的残差;
步骤(11):确定像素在规定时间内的断点;
步骤(12):为变化像素提取变化幅度和恢复度量;
步骤(13):为样本集添加数字和日期属性;
步骤(14):将时序光谱模型的系数转换为可分类的图像;
步骤(15):为每个训练样本点添加唯一ID;
步骤(16):获取每个训练样本点的预测值;
步骤(17):训练机器学习分类器;
步骤(18):利用分类模型生成每个时间段的分类图像;
步骤(19):获得所给定时间的土地覆盖类型图;
步骤(20):评价指标和精度评估。
所述步骤(2)中,通过使用鲁棒迭代重加权最小二乘(RIRLS)方法可以减少短暂变化或者是对于未被检测出的噪音的影响,用于评估时间序列模型的RIRLS方法如1.1式所示;
式中:表示基于RIRLS拟合的Julian日期x的第i个Landsat波段的预测值,x表示儒略日,i表示第i个陆地卫星波段,T表示每年的天数(T=365),N表示陆地卫星的年数,a0,i表示第i个陆地卫星波段的总体值的系数,a1,i、b1,i表示第i个陆地卫星波段的年内变化系数,a2,i、b2,i表示第i个陆地卫星波段的年际变化系数。
所述步骤(5)中,构建时序光谱变化检测模型是通过运行CCDC算法,通过将谐波回归模型拟合时间系列中的所有光谱波段来逐像素检测光谱变化,当利用RIRLS排除掉异常值之后,利用OLS方法可以更快更准确捕获地表变化(如1.2式所示);
式中:c1,ix表示第i个陆地卫星波段的年际变化系数。
所述步骤(6)中,时间序列谐波分析(傅里叶序列)主要是确定谐波的余项值以及几个谐波的振幅和位相,傅里叶序列的数学表达式如式1.3所示:
式中:A0表示谐波的余项,等于序列的平均值;Aj表示各谐波的振幅;θj表示各谐波的初相位;Kj表示各谐波的频率;m表示谐波个数。
所述步骤(10)中,比较预测值和观测值的残差是通过CCDC算法,CCDC算法通过设置一定阈值来减少假阳性错误,将线性模型拟合到具有一定的稳定历史时期来发现中断,然后添加新的观测值,并将它们的残差与历史时期的RMSE(均方根误差)进行比较。
所述步骤(20)中,评价指标和精度评估采用制图精度(PA)、用户精度(UA)、平均精度(PA与UA的均值,AA)、Kappa值与总体分类精度(OA)5种精度指标来验证模型对湿地要素的分类情况;利用统计模型、辅助数据以及先验知识对变化监测结果和分类结果进行精度评估。
与现有技术相比,本发明的有益效果是:
本发明基于时序植被遥感影像的湿地要素时空演变监测,有助于最大限度地减少传统的变化检测和分类方法的问题。该系统运用连续变化检测和分类算法(Continuouschange detection and classification,CCDC)来实时连续监控土地覆盖、土地使用或状况变化的算法,它使用所有可用的陆地卫星数据来构建时间光谱特征,包括季节性、趋势和光谱变异性,从而解决单日期影像因未检测出的部分噪音而导致变化监测中出现大量的假阳性错误的问题。
同时,利用时间序列谐波分析方法获得湿地植被动态的始末时间、延续时间以及波动情况,植被生长季的起始点可以通过分析谐波的位相来确定,振幅和位相可以表征植被生长因为温度和降水等环境因素导致的季相变化,谐波分析既可获取植被生产力的季节波动特征,也可用于确定NDVI时间序列与气象因子之间的相关关系,不同植被类型具有不同的生长发育规律,表现出不同的季相特征,从而谐波分析的特征参数也各不相同,将得到的特征参数中包含的物候学信息与地面实测数据配合,可用于土地覆盖分类和作物类型判别。
最后,该系统引入一种机器学习分类器对湿地要素的CCDC变化监测结果进行湿地要素识别,可以在影像覆盖的任何给定时间内生成土地覆盖图,实现同步检测出多种土地类型变化。
附图说明
图1是本发明所实现的流程图。
图2是本发明在CCDC时序光谱变化监测模型后的洪河湿地要素变化结果图。
图3是本发明所实现湿地要素的变化监测结果进行随机森林分类之后的时间段分类结果图。
具体实施方式
下面将结合本发明实施例中的附图,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。
如图1所示是本发明实现的流程图,利用所有可用的陆地卫星系列影像和CCDC算法构建湿地要素变化监测模型,同时引入一种机器学习分类器对湿地要素的变化监测结果进行湿地要素识别,该方法将时间序列模型的系数作为机器分类器的输入,构建的分类模型可以获取湿地要素变化前后的类别,提高了湿地要素变化时间段的精准分类。
以下分别说明各个实现步骤,以提供参考。
步骤(1):遥感影像预处理;
基于Google Earth Engine(GEE)平台,筛选出研究范围内云量少、质量高和所给定时间的影像,并利用Fmask对云、云阴影和雪等进行掩膜;
步骤(2):利用RIRLS方法去除噪音;
使用Fmask算法对噪音进行精准的掩膜,但并不是完美的。通过使用鲁棒迭代重加权最小二乘(RIRLS)方法可以减少短暂变化或者是对于未被检测出的噪音的影响,用于评估时间序列模型的RIRLS方法如1.1式所示;
式中:表示基于RIRLS拟合的Julian日期x的第i个Landsat波段的预测值,x表示儒略日,i表示第i个陆地卫星波段,T表示每年的天数(T=365),N表示陆地卫星的年数,a0,i表示第i个陆地卫星波段的总体值的系数,a1,i、b1,i表示第i个陆地卫星波段的年内变化系数,a2,i、b2,i表示第i个陆地卫星波段的年际变化系数。
步骤(3):构建时间序列堆栈数据集;
时序变化监测方法必须保证数据的连续性,使用密集的时间序列影像来模拟季节性、趋势性和光谱差异性在内的时间光谱特征;
步骤(4):计算光谱指数;
计算多个光谱指数可以有效消除多个外部因素如地形和大气因素的影响;
步骤(5):构建时序光谱变化检测模型;
运行CCDC算法,通过将谐波回归模型拟合时间系列中的所有光谱波段来逐像素检测光谱变化,当利用RIRLS排除掉异常值之后,利用OLS方法可以更快更准确捕获地表变化(如1.2式所示);
式中:c1,ix表示第i个陆地卫星波段的年际变化系数。
步骤(6):时间序列谐波分析;
时间序列谐波分析(傅里叶序列)主要是确定谐波的余项值以及几个谐波的振幅和位相,傅里叶序列的数学表达式如式1.3所示:
式中:A0表示谐波的余项,等于序列的平均值;Aj表示各谐波的振幅;θj表示各谐波的初相位;Kj表示各谐波的频率;m表示谐波个数。
步骤(7):获取季节年内或者年际变化趋势;
经过变化监测之后,每个像素在任何变化前后都有自己的时间序列模型,该模型具有季节性、趋势和断点的分量;
步骤(8):将监测模型阵列结果转化常规图;
CCDC输出为二维矩阵阵列图像,阵列图像包含模型系数、模型RMSE的多维矩阵以及检测到每个时间段变化的信息,需要转为常规图像才能获取湿地要素变化的变量;
步骤(9):合成任何波段表面反射图像;
获取系数和任意波段表面反射合成图像,用于预测未来的观测结果;
步骤(10):比较预测值和观测值的残差;
CCDC算法通过设置一定阈值来减少假阳性错误,将线性模型拟合到具有一定的稳定历史时期来发现中断,然后添加新的观测值,并将它们的残差与历史时期的RMSE(均方根误差)进行比较。
步骤(11):确定像素在规定时间内的断点;
获取湿地要素发生变化的断点图像,以分析湿地要素发生变化的时间;
步骤(12):为变化像素提取变化幅度和恢复度量;
利用变化函数以图像格式、以正确的日期格式开始和结束日期、获取湿地要素变化信息的光谱波段以及定义的段列表:最大变化幅度、变化的日期和变化的次数;
步骤(13):为样本集添加数字和日期属性;
土地覆盖标签必须是数字,数字才能适用此发明的分类器,同时为了确定用于培训分类器的CCDC系数作为预测器,每个点需要有一年的属性来查询CCDC结果;
步骤(14):将时序光谱模型的系数转换为可分类的图像;
在对每个样本点进行预测之前,需要先构建CCDC系数图像进行采样;
步骤(15):为每个训练样本点添加唯一ID;
为每个训练样本添加唯一ID值作为唯一识别属性;
步骤(16):获取每个训练样本点的预测数据;
预测每个训练样本点的预测数据,并将其存储为每个训练样本点的属性中;
步骤(17):训练机器学习分类器;
利用步骤(14)和步骤(16)的结果训练随机森林分类器;
步骤(18):利用分类模型生成每个时间段的分类图像;
使用步骤(17)中的随机森林分类模型对每个CCDC段进行分类;
步骤(19):获得所给定时间的土地覆盖类型图;
由于步骤(18)的输出结果是CCDC模型的多个时间段分类结果,因此分类图像中每个波段的地表覆盖标签对应于每个像素的不同时间段,由此可以绘制出特定日期之间或者某种类别之间的土地覆盖变化图;
步骤(20):评价指标和精度评估。
采用制图精度(PA)、用户精度(UA)、平均精度(PA与UA的均值,AA)、Kappa值与总体分类精度(OA)5种精度指标来验证模型对湿地要素的分类情况;利用统计模型、辅助数据以及先验知识对变化监测结果和分类结果进行精度评估。
基于时序植被动遥感影像的湿地要素时空演变监测方法及系统对湿地要素进行监测之后的变化结果与随机森林分类模型后的湿地要素变化分类结果如图2和图3所示:
本发明运用连续变化检测和分类算法来实时连续监控土地覆盖、土地使用或状况变化的算法,它使用所有可用的陆地卫星数据来构建时间光谱特征,包括季节性、趋势和光谱变异性。同时,利用时间序列谐波分析方法获得湿地植被动态的始末时间、延续时间以及波动情况,植被生长季的起始点可以通过分析谐波的位相来确定,振幅和位相可以表征植被生长因为温度和降水等环境因素导致的季相变化,谐波分析既可获取植被生产力的季节波动特征,也可用于确定NDVI时间序列与气象因子之间的相关关系,不同植被类型具有不同的生长发育规律,表现出不同的季相特征,从而谐波分析的特征参数也各不相同,将得到的特征参数中包含的物候学信息与地面实测数据配合,可用于土地覆盖分类和作物类型判别。最后,该系统引入一种机器学习分类器对湿地要素的变化监测结果进行湿地要素识别,可以在影像覆盖的时间段内的任何给定时间内生成土地覆盖图,实现同步检测出多种土地类型变化。
总之,本发明的优点如下:
1、有助于最大限度地减少传统的变化检测和分类方法的问题;
2、解决单日期影像因未检测出的部分噪音而导致变化监测中出现大量的假阳性错误的问题;
3、将时间序列模型的系数作为随机森林分类模型的输入,使构建的分类模型可以获取湿地要素变化前后的类别,提高了湿地要素所给定的变化时间段的精准分类。
4、时间序列谐波分析可以有效反映植被动态的始末时间、延续时间以及波动情况,通过分析谐波的相位、振幅获取植被生产力的季节波动特征。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于时序植被遥感影像的湿地要素时空演变监测方法,其特征在于该方法包括如下步骤:
步骤(1):遥感影像预处理;
步骤(2):利用RIRLS方法去除噪音;
所述RIRLS方法下:
式中:表示基于RIRLS拟合的Julian日期x的第i个Landsat波段的预测值,x表示儒略日,i表示第i个陆地卫星波段,T表示每年的天数,N表示陆地卫星的年数,a0,i表示第i个陆地卫星波段的总体值的系数,a1,i、b1,i表示第i个陆地卫星波段的年内变化系数,a2,i、b2,i表示第i个陆地卫星波段的年际变化系数;
步骤(3):构建时间序列堆栈数据集;
步骤(4):计算光谱指数;
步骤(5):构建时序光谱变化检测模型;
构建时序光谱变化检测模型是通过运行CCDC算法,通过将谐波回归模型拟合时间系列中的所有光谱波段来逐像素检测光谱变化,当利用RIRLS排除掉异常值之后,利用OLS方法可以更快更准确捕获地表变化,如下式所示;
式中:c1,ix表示第i个陆地卫星波段的年际变化系数;
步骤(6):时间序列谐波分析;
时间序列谐波分析要是确定谐波的余项值以及几个谐波的振幅和位相,傅里叶序列的数学表达式如下式所示:
式中:A0表示谐波的余项,等于序列的平均值;Aj表示各谐波的振幅;θj表示各谐波的初相位;Kj表示各谐波的频率;m表示谐波个数;
步骤(7):获取季节年内或者年际变化趋势;
经过变化监测之后,每个像素在任何变化前后都有自己的时间序列模型,该模型具有季节性、趋势和断点的分量;
步骤(8):将监测模型阵列结果转化常规图;
CCDC输出为二维矩阵阵列图像,阵列图像包含模型系数、模型RMSE的多维矩阵以及检测到每个时间段变化的信息,转为常规图像获取湿地要素变化的变量;
步骤(9):合成任何波段表面反射图像;
步骤(10):比较预测值和观测值的残差;
比较预测值和观测值的残差是通过CCDC算法,CCDC算法通过设置一定阈值来减少假阳性错误,将线性模型拟合到具有一定的稳定历史时期来发现中断,然后添加新的观测值,并将它们的残差与历史时期的RMSE进行比较;
步骤(11):确定像素在规定时间内的断点;
获取湿地要素发生变化的断点图像,以分析湿地要素发生变化的时间;步骤(12):为变化像素提取变化幅度和恢复度量;
利用变化函数以图像格式、以正确的日期格式开始和结束日期、获取湿地要素变化信息的光谱波段以及定义的段列表:最大变化幅度、变化的日期和变化的次数;
步骤(13):为样本集添加数字和日期属性;
步骤(14):将时序光谱模型的系数转换为可分类的图像;
在对每个样本点进行预测之前,需要先构建CCDC系数图像进行采样;
步骤(15):为每个训练样本点添加唯一ID;
步骤(16):获取每个训练样本点的预测值;
步骤(17):训练机器学习分类器;
步骤(18):利用分类模型生成每个时间段的分类图像;
步骤(19):获得所给定时间的土地覆盖类型图;
分类图像中每个波段的地表覆盖标签对应于每个像素的不同时间段,由此绘制出特定日期之间或者某种类别之间的土地覆盖变化图;
步骤(20):评价指标和精度评估;
评价指标和精度评估采用制图精度、用户精度、平均精度、Kappa值与总体分类精度5种精度指标来验证模型对湿地要素的分类情况;利用统计模型、辅助数据以及先验知识对变化监测结果和分类结果进行精度评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217868.3A CN114120137B (zh) | 2021-10-19 | 2021-10-19 | 一种基于时序植被遥感影像的湿地要素时空演变监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217868.3A CN114120137B (zh) | 2021-10-19 | 2021-10-19 | 一种基于时序植被遥感影像的湿地要素时空演变监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114120137A CN114120137A (zh) | 2022-03-01 |
CN114120137B true CN114120137B (zh) | 2023-07-25 |
Family
ID=80376183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111217868.3A Active CN114120137B (zh) | 2021-10-19 | 2021-10-19 | 一种基于时序植被遥感影像的湿地要素时空演变监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120137B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795255B (zh) * | 2022-09-21 | 2024-03-26 | 深圳大学 | 一种湿地的时间序列变化检测方法、装置、介质及终端 |
CN115512223B (zh) * | 2022-09-28 | 2023-08-11 | 桂林理工大学 | 一种融合多种变化检测算法的红树林动态监测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6018587A (en) * | 1991-02-21 | 2000-01-25 | Applied Spectral Imaging Ltd. | Method for remote sensing analysis be decorrelation statistical analysis and hardware therefor |
US9390331B2 (en) * | 2014-04-15 | 2016-07-12 | Open Range Consulting | System and method for assessing riparian habitats |
CN104851087B (zh) * | 2015-04-17 | 2017-11-03 | 华中农业大学 | 多尺度森林动态变化监测方法 |
CN109840516B (zh) * | 2019-03-06 | 2022-10-14 | 福州大学 | 一种基于时序遥感影像的水体变化自动识别方法 |
CN110472525B (zh) * | 2019-07-26 | 2021-05-07 | 浙江工业大学 | 一种时间序列遥感植被指数的噪声检测方法 |
CN110751727B (zh) * | 2019-10-30 | 2020-12-18 | 南京林业大学 | 一种基于Landsat长时间序列的合成图像构建方法 |
CN111046838A (zh) * | 2019-12-24 | 2020-04-21 | 天津大学 | 一种湿地遥感信息的识别方法及装置 |
CN111738144B (zh) * | 2020-06-19 | 2021-08-31 | 中国水利水电科学研究院 | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 |
CN112053359B (zh) * | 2020-09-30 | 2023-05-26 | 中国科学院空天信息创新研究院 | 遥感图像变化检测方法、装置、电子设备及存储介质 |
CN112990657B (zh) * | 2021-02-06 | 2021-12-07 | 首都师范大学 | 一种通过长时序卫星遥感评价湿地退化的方法 |
CN113128388B (zh) * | 2021-04-14 | 2022-09-02 | 湖南大学 | 一种基于时空谱特征的光学遥感图像变化检测方法 |
-
2021
- 2021-10-19 CN CN202111217868.3A patent/CN114120137B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114120137A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Early-season mapping of winter wheat in China based on Landsat and Sentinel images | |
Morton et al. | Rapid assessment of annual deforestation in the Brazilian Amazon using MODIS data | |
CN114120137B (zh) | 一种基于时序植被遥感影像的湿地要素时空演变监测方法 | |
CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN112215393B (zh) | 基于自适应时空尺度选择的降水数值预报后处理订正方法 | |
Tang et al. | SC-earth: a station-based serially complete earth dataset from 1950 to 2019 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
Wei et al. | Assessing phenological change in China from 1982 to 2006 using AVHRR imagery | |
CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
Sha et al. | Deep-learning-based precipitation observation quality control | |
Zanchetta et al. | A combined change detection procedure to study desertification using opensource tools | |
Tu et al. | A 30 m annual cropland dataset of China from 1986 to 2021 | |
Xu et al. | Mapping and analyzing the annual dynamics of tidal flats in the conterminous United States from 1984 to 2020 using Google Earth Engine | |
CN112734695B (zh) | 基于区域增强卷积神经网络的sar图像变化检测方法 | |
Lupo et al. | Categorization of land‐cover change processes based on phenological indicators extracted from time series of vegetation index data | |
Zhan et al. | Daily rainfall data construction and application to weather prediction | |
CN115512223B (zh) | 一种融合多种变化检测算法的红树林动态监测方法 | |
CN116312860A (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
Zafar et al. | Spatiotemporal dynamics analysis of surface water body and snow cover area to climate change in Gilgit Baltistan, Pakistan | |
Tsay et al. | Deep learning for satellite rainfall retrieval using Himawari-8 multiple spectral channels | |
Meghani et al. | Predicting the spatiotemporal characteristics of atmospheric rivers: A novel data-driven approach | |
Rosa et al. | Fire Hotspots Mapping and Forecasting in Indonesia Using Deep Learning Algorithm | |
Carrieres et al. | System evaluation |
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 |