CN114596495B - 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 - Google Patents
一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 Download PDFInfo
- Publication number
- CN114596495B CN114596495B CN202210265545.XA CN202210265545A CN114596495B CN 114596495 B CN114596495 B CN 114596495B CN 202210265545 A CN202210265545 A CN 202210265545A CN 114596495 B CN114596495 B CN 114596495B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- slope
- landslide
- image
- equal
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
发明公开了一种基于Sentinel‑2A遥感影像溜砂坡判识与自动提取方法,包括如下步骤:对获取的Sentinel‑2A光学遥感影像以及高精度数字高程数据进行预处理;通过分析地物在遥感影像中的光谱信息,利用红边波段替换传统植被增强模型中的近红外波段,以NDVI为依据分段增强,建立改进的植被指数,区分次生植被覆盖下的溜砂坡与原生植被带;同时利用不同粒径岩石对中红外波段反射的差异性,建立岩石指数,消除裸岩对溜砂坡的混淆作用;在此基础上结合纹理信息,地形特征,建立多尺度分割对象,实现溜砂坡的精确提取。本发明有效解决了传统遥感技术提取溜砂坡时存在严重漏判和误判现象的难题,实现了复杂环境下的溜砂坡自动提取,为灾害应急调查和道路抢通提供技术支撑。
Description
技术领域
本发明涉及一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法,属于遥感影像目标提取领域。
背景技术
溜砂坡是指高陡斜坡在强烈的物理风化作用下形成的砂粒和碎屑,在自重力作用下发生溜动,并在坡脚堆积形成的锥状斜坡。频发的溜砂坡掩埋道路、阻段交通甚至危及生命财产安全,而利用遥感技术对溜砂坡进行判识与提取,获取溜砂坡信息,可以有效解决调查难、救灾难的问题。
遥感影像中,裸露的溜砂坡与裸岩光谱特征类似,通过目视难以区分,部分溜砂坡覆盖人工防护林或重新生长植被,隐蔽性高,不利于遥感判识与提取。目前,利用野外调查特征结合目视解译提取、算法模型结合NDVI等指数基于像元提取,或者利用高分影像,结合机器学习算法识别提取等方法对于溜砂坡的形成机理,演化规律、地貌特征和防治提供了思路,也为溜砂坡的遥感提取提供了特征参数依据。然而,溜砂坡的自动判识与提取研究并未深入,尤其是复杂环境下不同类型溜砂坡自动判识与提取研究仍需加强。因此,传统的溜砂坡判识提取方法对于区分复杂条件下不同地物特征,消除混淆作用都难以获得令人满意的结果。
综上所述,如何在现有技术的基础上提出准确的溜砂坡判识提取方法成为了目前亟需解决的问题。
发明内容
本发明旨在解决次生植被覆盖下溜砂坡隐蔽性较强,且中低分遥感影像中溜砂坡与裸岩地物信息相似,难以区分的问题,提供了一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法。
本发明所述的基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法,包括如下步骤:
步骤一:基于ENVI5.3平台对原始影像进行辐射定标、大气校正、波段融合等预处理,使其空间分辨率达到最高10m,运用独立主成分分析将影像13个波段的纹理信息集中于前三个分量,与预处理后的影像进行波段融合,并裁剪出研究区;
步骤二:基于ArcGIS10.2平台对8m分辨率的数字高程数据进行空间分析,得到坡度、坡向信息,并与融合后的影像进行组合作为研究的基础影像。
步骤三:在光谱分析的基础上可知,植被反射率增高最快的点是红边波段且b8A反射率最高,对传统植被增强方法bnew=a×bg+(1-a)×bnir进行改进,用b8A替换近红外波段b8,建立初始函数bnew=a×b3+(1-a)×b8A;
步骤四:利用红边波段代替传统模型的近红外波段,以NDVI作为地物分类依据,建立分段增强函数:
增大植被覆盖下的溜砂坡与原生植被的区别,增强了影像目视效果,以有效地区分不同类型的溜砂坡;
步骤五:在步骤三、四基础上,建立改进的植被指数:
采用K-means聚类算法对样本进行分析,初步获得分类阈值,其中冰雪、裸岩基本无植被覆盖,PEVI为负值,水体中少量植被则PEVI接近0.1,原生植被带由于植被茂盛,且多为乔木,PEVI明显较高,大于0.45,次生植被覆盖下的溜砂坡,具有一定的灌木等覆盖,因此PEVI大于裸岩,但由于植被类型与茂盛程度较低,PEVI低于原生植被,当0.1≤PEVI≤0.2时,该地物类型为溜砂坡。
步骤六:对影像中各类地物如冰雪、水体、植被、裸岩、溜砂坡的光谱分析;
步骤七:根据光谱分析结果,利用不同地物类型对于中红外波段b10、b11的反射强度不同这一特征,建立基于光谱特征的岩石反射指数:
利用K-mens聚类算法进行分析,确定不同地物GRSI取值范围:溜砂坡GRSI≥0.9,裸岩0.75≤GRSI≤0.85,可见溜砂坡与裸岩在该岩石指数取值范围中具有明显的分界,有效解决了溜砂坡与裸岩的区分问题。
步骤八:基于eCognition Developer 8.7平台,对影像进行多尺度分割,利用ESP2(Estimation of scale parameter)进行计算,得到不同尺度因子下的局部方差与异质性变化率(ROC-LV)图像,得出最优尺度因子为5、50、100;
步骤九:充分理解和考虑溜砂坡地形地貌、临近关系以及在影像上的光谱、纹理信息,选择亮度、NDVI、PEVI、GRSI、均一性、坡度、坡向作为特征规则,建立特征空间;
步骤十:通过选择样本进行统计分析后得NDVI≥0.2为疑似植被区,包括植被和植被覆盖下溜砂坡,根据改进的植被指数建立0.1≤PEVI≤0.2,从植被中筛选植被覆盖下的溜砂坡;
步骤十一:由于溜砂坡形成机理的特殊性,坡体沙砾较小且整体均一性较好,故选择纹理特征均一性≥0.6,岩石反射模型参数GRSI≥0.9提取,地形条件上,溜砂坡天然休止角为34°-38°,建立30°<slope<40°的规则,利用多特征的规则提取方法对溜砂坡进行识别与提取。
有益效果:基于Sentinel 2A影像,创新性建立了溜砂坡灾害判识方法和自动快速提取模型,实现了基于中等分辨率遥感影像的溜砂坡灾害准确判识、快速提取和动态监测。
本发明基于Sentinel 2A影像,利用改进的植被和岩石指数,将面向对象的遥感图像分类方法应用于溜砂坡自动提取中,通过分析地物在遥感影像中的光谱信息,利用红边波段替换传统植被增强模型中的近红外波段,以NDVI为依据分段增强,建立改进的植被指数,区分次生植被覆盖下的溜砂坡与原生植被带;同时利用不同粒径岩石对中红外波段反射的差异性,建立岩石指数,消除裸岩对溜砂坡的混淆作用,对象分割过程中不仅考虑光谱特征,还考虑到纹理特征和地形特征,逐步得到溜砂坡空间分布信息。所得识别结果正确识别率为85.67%,遗漏识别率为13.63%,多余识别率为8.24%。本发明解决了传统遥感技术提取溜砂坡时存在严重漏判和误判现象的难题,为溜砂坡灾害调查和溜砂坡灾害监测预警提供技术支撑,并能促进中低分影像在地质灾害领域中的应用。
附图说明
图1为溜砂坡提取技术路线图;
图2为纹理信息图;
图3为不同地物光谱信息图;
图4为不同地物GRSI指数分布图;
图5为植被增强对比图;
图6为不同地物PEVI指数分布图;
图7为多尺度分割影像图;
图8为溜砂坡提取结果图。
具体实施方式
本发明的方法主要包括三个内容:一是建立了改进的植被指数,区分次生植被覆盖下的溜砂坡与原生植被带;二是建立了岩石指数,消除裸岩对溜砂坡的混淆作用;三是建立了溜砂坡灾害判识方法和自动快速提取模型,利用多特征的规则提取方法对溜砂坡进行自动提取。下面结合附图及实例对本发明的技术方案作进一步说明。下述实例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
参阅图1,其为本发明提供的一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法的流程示意图。
1.数据获取及预处理
步骤一:选用光学遥感影像以及高精度数字高程数据为主要数据源。遥感数据是唯一在红边范围包含三个波段的Sentinel-2A影像,覆盖13个光谱波段,最高空间分辨率为10m。植被在影像红边波段反射增强最快且反射率较高,岩石则对于中红外波段反射敏感,Sentinel-2A影像包含上述波段,因此利用该影像丰富的光谱信息和较高的空间分辨率可以满足溜砂坡的判识与提取。影像成像时间为2016年5月11日,影像质量较高,云量较小。数字高程数据为8m采样间隔,数据精度满足研究需求;
步骤二:基于ENVI5.3平台对原始影像进行辐射定标、大气校正、波段融合等预处理,使其空间分辨率达到最高10m;
步骤三:运用独立主成分分析将影像13个波段的纹理信息集中于前三个分量(图2),与预处理后的影像进行波段融合,并裁剪出研究区。由于溜砂坡坡面一般具有34-38°的休止角,与陡峭的崖壁、崩塌、滑坡等灾害等地形上区别明显;
步骤四:利用坡度信息可以辅助进行溜砂坡地物信息提取,基于ArcGIS10.2平台对8m分辨率的数字高程数据进行空间分析,得到坡度、坡向信息,并与融合后的影像进行组合作为研究的基础影像。
2.复杂条件下溜砂坡判识
步骤一:对影像中各类地物如冰雪、水体、植被、裸岩、溜砂坡进行光谱分析(图3),各地物对于中红外波段b10、b11的反射强度不同,由b10到b11,冰雪反射强度基本不变,水体表现为轻微上升趋势,植被、裸岩、溜砂坡反射强度明显上升,且溜砂坡对于中红外波段b11反射最敏感,反射强度变化最大;
步骤二:裸岩在遥感影像上光谱信息与溜砂坡相似,且由于影像分辨率限制,形态特征细节表现不足,难以区分,导致提取裸露的溜砂坡时易与周边裸岩混淆,因此以NDVI指数类比,建立基于光谱特征的岩石反射指数(GritReflectanceSpectrumIndex,GRSI),式(1),解决溜砂坡与裸岩的区分问题;
步骤三:选取大量样本,利用K-means聚类算法进行分析,根据分类结果(图4),确定不同地物GRSI取值范围,经过多次实验,由大样本数据得出:溜砂坡GRSI≥0.9,裸岩0.75≤GRSI≤0.85;
步骤四:利用红边波段代替传统模型的近红外波段,以NDVI作为地物分类依据,建立分段增强函数增大植被覆盖下的溜砂坡与原生植被的区别,增强影像目视效果的同时提供特征参数依据,具体如下:
1)参阅图3,对传统植被增强方法,式(2)进行改进,植被反射率增高最快的点是红边波段且b8A反射率最高,故用b8A替换近红外波段b8,建立初始函数,式(3);
bnew=a×bg+(1-a)×bnir (2)
bnew=a×b3+(1-a)×b8A (3)
2)通过计算影像不同地物NDVI均值得出(表1),NDVI反映不同的地物以及植被的茂盛程度,水体、冰雪NDVI小于0,裸岩基本无植被分布,NDVI接近0,溜砂坡上有次生植被分布,NDVI大于0但小于原生植被;
表1不同地物NDVI均值
Tab1 Mean values of NDVI of different ground objects
3)以NDVI为分段依据,分别以0、0.1、0.2、0.3为界,建立分段增强函数,式(4),用;
4)用新波段bnew代替原始绿波段b3进行影像增强显示,植被增强效果与传统方法进行对比(图5),改进后的植被增强模型目视效果较好,地物区分度高,原生植被带绿颜深,次生植被为浅绿色,裸岩为深灰色,溜砂坡为亮灰色;
步骤五:传统的植被增强方法无法区分原生植被带与次生植被,不能有效提取次生植被覆盖下的溜砂坡。本发明在传统的植被增强模型上进行改进,建立了改进的植被指数(Plecewise-Enhanced Vegetation Index,PEVI),式(5);
步骤六:改进的植被增强指数PEVI反映植被特征,为了选择合适的PEVI指数阈值,采用K-means聚类算法对样本进行分析,初步获得分类阈值(图6),由图可得,当0.1≤PEVI≤0.2时,该地物类型为溜砂坡;
3.面向对象的溜砂坡自动提取
在上述改进的植被指数和岩石指数的基础上,融合多特征规则进行面向对象提取,基于eCognition Developer 8.7平台,对影像进行多尺度分割,利用多特征的规则提取方法对溜砂坡进行识别与提取,具体包括:
步骤一:尺度因子对分割后对象的大小及信息的精度产生直接影响,确定影像分割的最优尺度是溜砂坡提取的基础和前提,利用ESP2(Estimation of scale parameter)进行计算,得到不同尺度因子下的局部方差与异质性变化率(ROC-LV)的图像,进而得到最优尺度因子为5、50、100(图7);
步骤二:由于溜砂坡灾害单个坡体所占面积不大,且不同坡体植被覆盖不同,用分割尺度5进行分割,在分割的基础上根据同质性进行合并,这样既能保证溜砂坡的整体性,也可以兼顾不同溜砂坡的差异性,提高提取精度;
步骤三:在充分理解和考虑溜砂坡地形地貌、临近关系以及在影像上的光谱、纹理信息的基础上,选择信息量大,区分度高且尽量少的特征属性,即亮度、NDVI、PEVI、GRSI、均一性、坡度、坡向作为特征规则,建立特征空间;
步骤四:冰川积雪,在遥感影像上表现为大片的亮白色,与其他地物相比亮度值明显较高,且NDVI为负值,故选用亮度值brightness≥75且NDVI<0,首先提取冰川积雪;
步骤五:裸露的溜砂坡以及裸岩无植被或有少量植被覆盖,NDVI明显较低,通过选择样本进行统计分析后得NDVI≥0.2为疑似植被区,包括植被和植被覆盖下溜砂坡,根据改进的植被指数建立0.1≤PEVI≤0.2从植被中筛选植被覆盖下的溜砂坡;
步骤六:由于溜砂坡形成机理的特殊性,坡体沙砾较小且整体均一性较好,故选择纹理特征均一性≥0.6,岩石反射模型参数GRSI≥0.9进行提取;
步骤七:溜砂坡天然休止角为34°-38°,建立30°<slope<40°的规则进行辅助提取;
步骤八:根据以上流程提取研究区溜砂坡,虽然提取方法基于对象,但分割边界仍然基于像元的边界,因此溜砂坡边界存在锯齿,对提取结果进行边界平滑,综合影像分辨率(10m),设置平滑参数,得到最终溜砂坡提取结果(图8)。
Claims (2)
1.一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法,其特征在于,包括如下步骤:
步骤一:对获取的Sentinel-2A光学遥感影像以及高精度数字高程数据进行预处理;
步骤二:分析地物在遥感影像中的光谱信息,利用红边波段替换传统植被增强模型中的近红外波段,以NDVI为依据分段增强,建立改进的植被指数(Plecewise-EnhancedVegetationIndex,PEVI),区分次生植被覆盖下的溜砂坡与原生植被带,当0.1≤PEVI≤0.2时,该地物类型为溜砂坡;
步骤三:利用不同粒径岩石对中红外波段反射的差异性,建立岩石指数(GritReflectance SpectrumIndex,GRSI),消除裸岩对溜砂坡的混淆作用,溜砂坡GRSI≥0.9;
步骤四:结合纹理信息,地形特征,建立多尺度分割对象,实现溜砂坡的精确提取;
所述步骤二包括:
(1)在光谱分析的基础上可知,植被反射率增高最快的点是红边波段且b8A反射率最高,对传统植被增强方法bnew=a×bg+(1-a)×bnir进行改进,用b8A替换近红外波段b8,建立初始函数bnew=a×b3+(1-a)×b8A;
(2)利用红边波段代替传统模型的近红外波段,以NDVI作为地物分类依据,建立分段增强函数:
增大植被覆盖下的溜砂坡与原生植被的区别,增强了影像目视效果,以有效地区分不同类型的溜砂坡;
(3)在步骤(1)、(2)基础上,建立改进的植被指数:
采用K-means聚类算法对样本进行分析,初步获得分类阈值,其中冰雪、裸岩基本无植被覆盖,PEVI为负值,水体中少量植被则PEVI接近0.1,原生植被带由于植被茂盛,且多为乔木,PEVI明显较高,大于0.45,次生植被覆盖下的溜砂坡,具有一定的灌木覆盖,因此PEVI大于裸岩,但由于植被类型与茂盛程度较低,PEVI低于原生植被,当0.1≤PEVI≤0.2时,该地物类型为溜砂坡;
所述步骤三包括:
(1)对影像中各类地物的光谱分析,各类地物为冰雪、水体、植被、裸岩、溜砂坡;
(2)根据步骤(1)光谱分析结果,利用不同地物类型对于中红外波段b10、b11的反射强度不同这一特征,建立基于光谱特征的岩石反射指数:
利用K-mens聚类算法进行分析,确定不同地物GRSI取值范围:溜砂坡GRSI≥0.9,裸岩0.75≤GRSI≤0.85;
所述步骤四包括:
(1)基于eCognition Developer 8.7平台,对影像进行多尺度分割,利用ESP2(Estimation ofscale parameter)进行计算,得到不同尺度因子下的局部方差与异质性变化率(ROC-LV)图像,得到最优尺度因子为5、50、100;
(2)充分理解和考虑溜砂坡地形地貌、临近关系以及在影像上的光谱、纹理信息,选择亮度、NDVI、PEVI、GRSI、均一性、坡度、坡向作为特征规则,建立特征空间;
(3)通过选择样本进行统计分析后得NDVI≥0.2为疑似植被区,包括植被和植被覆盖下溜砂坡,根据改进的植被指数建立0.1≤PEVI≤0.2,从植被中筛选植被覆盖下的溜砂坡;
(4)由于溜砂坡形成机理的特殊性,坡体沙砾较小且整体均一性较好,故选择纹理特征均一性≥0.6,岩石反射模型参数GRSI≥0.9提取,地形条件上,溜砂坡天然休止角为34°-38°,建立30°<slope<40°的规则,利用多特征的规则提取方法对溜砂坡进行识别与提取。
2.根据权利要求1所述的一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法,其特征在于,所述步骤一包括:
(1)基于ENVI5.3平台对原始影像进行辐射定标、大气校正、波段融合预处理,使其空间分辨率达到最高10m,运用独立主成分分析将影像13个波段的纹理信息集中于前三个分量,与预处理后的影像进行波段融合,并裁剪出研究区;
(2)基于ArcGIS10.2平台对8m分辨率的数字高程数据进行空间分析,得到坡度、坡向信息,并与融合后的影像进行组合作为研究的基础影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210265545.XA CN114596495B (zh) | 2022-03-17 | 2022-03-17 | 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210265545.XA CN114596495B (zh) | 2022-03-17 | 2022-03-17 | 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114596495A CN114596495A (zh) | 2022-06-07 |
CN114596495B true CN114596495B (zh) | 2023-08-01 |
Family
ID=81810595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210265545.XA Active CN114596495B (zh) | 2022-03-17 | 2022-03-17 | 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596495B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2621645A (en) * | 2022-06-27 | 2024-02-21 | Checc Data Co Ltd | Deep learning based method for automatic geological disaster extraction from unmanned aerial vehicle image |
CN114821376B (zh) * | 2022-06-27 | 2022-09-20 | 中咨数据有限公司 | 一种基于深度学习的无人机影像地质灾害自动提取方法 |
CN116468321A (zh) * | 2023-04-23 | 2023-07-21 | 河北省科学院地理科学研究所 | 一种表征植被生长分布规律的地形位综合指数方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989322A (zh) * | 2015-01-27 | 2016-10-05 | 同济大学 | 一种基于高分辨率遥感影像的多指标融合滑坡检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834432A (zh) * | 2021-01-08 | 2021-05-25 | 兰州大学 | 一种基于遥感技术与运动学原理的滑坡厚度反演方法 |
CN113780174B (zh) * | 2021-09-10 | 2023-09-15 | 福州大学 | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 |
-
2022
- 2022-03-17 CN CN202210265545.XA patent/CN114596495B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989322A (zh) * | 2015-01-27 | 2016-10-05 | 同济大学 | 一种基于高分辨率遥感影像的多指标融合滑坡检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114596495A (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114596495B (zh) | 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 | |
Hu et al. | An automatic approach for land-change detection and land updates based on integrated NDVI timing analysis and the CVAPS method with GEE support | |
Zhou et al. | Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study | |
CN111932567B (zh) | 基于卫星影像的冰湖轮廓自动提取方法 | |
Wang et al. | Comparison of IKONOS and QuickBird images for mapping mangrove species on the Caribbean coast of Panama | |
US20210199579A1 (en) | Method and system for urban impervious surface extraction based on remote sensing | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
Mostafa et al. | Shadow identification in high resolution satellite images in the presence of water regions | |
Yang et al. | Impervious surface extraction in urban areas from high spatial resolution imagery using linear spectral unmixing | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
Qian et al. | A new index to differentiate tree and grass based on high resolution image and object-based methods | |
CN111191628A (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN107103295B (zh) | 光学遥感影像云检测方法 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
Fisette et al. | Methodology for a Canadian agricultural land cover classification | |
Hájek | Object-oriented classification of remote sensing data for the identification of tree species composition | |
Grigillo et al. | Classification based building detection from GeoEye-1 images | |
CN116246272A (zh) | 针对国产卫星多光谱图像质量标记的云雪区分方法 | |
CN115512159A (zh) | 面向对象的高分辨率遥感影像地表覆盖分类方法及系统 | |
CN114255406A (zh) | 遥感阴影计量修复图像非渗透面识别方法 |
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 |