CN115035411A - 一种基于高光谱数据的互花米草指数构建与提取方法 - Google Patents

一种基于高光谱数据的互花米草指数构建与提取方法 Download PDF

Info

Publication number
CN115035411A
CN115035411A CN202210717327.5A CN202210717327A CN115035411A CN 115035411 A CN115035411 A CN 115035411A CN 202210717327 A CN202210717327 A CN 202210717327A CN 115035411 A CN115035411 A CN 115035411A
Authority
CN
China
Prior art keywords
spartina alterniflora
index
extraction
constructing
sample points
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
Application number
CN202210717327.5A
Other languages
English (en)
Other versions
CN115035411B (zh
Inventor
杨刚
孙伟伟
孟祥珍
孟祥超
王利花
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.)
Ningbo University
Original Assignee
Ningbo University
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 Ningbo University filed Critical Ningbo University
Priority to CN202210717327.5A priority Critical patent/CN115035411B/zh
Publication of CN115035411A publication Critical patent/CN115035411A/zh
Application granted granted Critical
Publication of CN115035411B publication Critical patent/CN115035411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • 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
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于高光谱数据的互花米草指数构建与提取方法，包括获取高光谱影像，计算湿地植被样本点光谱均值并绘制光谱均值曲线；构建互花米草提取指数；构建决策树进行互花米草提取；结合已有的滩涂数据与校核后的提取结果取交集确定最终的互花米草结果。本发明的有益效果是：本发明充分挖掘互花米草与其他湿地植被在高光谱遥感影像上的光谱差异，构建一种基于高光谱遥感影像的互花米草指数，并以此设计互花米草提取流程，有助于更精确的提取互花米草，减少同物异谱和异物同谱的影响，解决当前湿地植被监测技术的难点，以期为湿地生态治理提供科学技术支持。

Description

一种基于高光谱数据的互花米草指数构建与提取方法
技术领域
本发明涉及遥感提取领域，更确切地说，它涉及一种基于高光谱数据的互花米草指数构建与提取方法。
背景技术
滨海湿地系统具有强大的生态调节作用，同时具有较高的生产力和可观的经济和生态价值，湿地植被具有保滩护岸、促淤造陆、绿化海滩、等多方面生态功能。其中互花米草作为典型的湿地植被，具有特殊的生长环境，分布于潮间带的小潮高潮位至平均高潮位，互花米草的扩散和入侵影响着滨海地区的自然环境、生态过程以及经济发展，对区域生物安全和生态系统的稳定造成威胁。
遥感技术具有多源性、实用性、高效性和可重复性等特点，已逐渐成为滨海湿地监测的主要方式，高分影像和高光谱影像对湿地植被识别逐渐增多，既开拓了湿地植被识别的新方法，也在一定程度上提高了分类精度。利用遥感影像监测互花米草成为一大热点，高光谱影像的光谱信息为植被监测提供支撑。
尽管高分辨率卫星和无人机遥感技术已经普遍被用于湿地植被的动态监测，但受限于滨海湿地植被生长环境复杂，已有的遥感监测研究还存在不足。滨海湿地地物类型复杂，同物异谱和异物同谱的现象普遍存在，限制了中等空间分辨率图像在滨海湿地精细分类的应用潜力。
发明内容
本发明的目的是克服现有技术中的不足，一种基于高光谱数据的互花米草指数构建与提取方法。
第一方面，提供了一种基于高光谱数据的互花米草指数构建与提取方法，包括：
S1、获取高光谱影像，并对所述高光谱影像进行预处理；
S2、基于Google Earth高分辨率影像，并在所述高分辨率影像上选取湿地植被样本点，计算所述湿地植被样本点光谱均值并绘制光谱均值曲线；所述湿地植被样本点包括互花米草样本点和至少一种非互花米草样本点；
S3、将湿地植样本点叠加到高光谱影像中获取光谱均值曲线，分析互花米草与非互花米草样本点光谱均值曲线确定光谱差异最优波段，并构建互花米草提取指数；
S4、计算所述互花米草提取指数，通过样本箱线图确定互花米草提取指数的阈值范围，构建决策树进行互花米草提取；
S5、对S4的提取结果进行校核，S2中70％的样本点用于训练，30％的样本点用于验证，选用混淆矩阵方法进行精度评价，结合已有的滩涂数据与校核后的提取结果取交集确定最终的互花米草结果。
作为优选，S1中，所述预处理包括辐射定标、大气校正和正射校正。
作为优选，S2中，所述至少一种非互花米草样本点包括芦苇样本点、碱蓬样本点和柽柳样本点。
作为优选，S3中，确定光谱差异最优波段，并构建互花米草指数表示为：
Index＝(ρ902-ρ2048)+(ρ842-ρ1610)
其中，Index为互花米草提取指数，ρ902表示中心波长为902nm的波段值，ρ2048表示中心波长为2048nm的波段值，ρ842表示中心波长为842nm的波段值，ρ1610表示中心波长为1610nm的波段值。
作为优选，S4中，互花米草提取指数的阈值范围表示为：
min≤Index≤max
其中，Index为互花米草提取指数，min、max分别为互花米草提取指数的阈值下限和阈值上限。
第二方面，提供了一种基于高光谱数据的互花米草指数构建与提取装置，用于执行第一方面任一所述的基于高光谱数据的互花米草指数构建与提取方法，包括：
第一获取模块，用于获取高光谱影像，并对所述高光谱影像进行预处理；
第二获取模块，用于获取高分辨率影像，并在所述高分辨率影像上选取湿地植被样本点，计算所述湿地植被样本点光谱均值并绘制光谱均值曲线；所述湿地植被样本点包括互花米草样本点和至少一种非互花米草样本点；
确定模块，用于根据互花米草样本点光谱均值曲线与非互花米草样本点光谱均值曲线的差异，确定光谱差异最优波段，并构建互花米草提取指数；
计算模块，用于计算所述互花米草提取指数，通过样本箱线图确定互花米草提取指数的阈值范围，构建决策树进行互花米草提取；
校核模块，用于对S4的提取结果进行校核，结合已有的滩涂数据与校核后的提取结果取交集确定最终的互花米草结果。
第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的基于高光谱数据的互花米草指数构建与提取方法。
第四方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一所述的基于高光谱数据的互花米草指数构建与提取方法。
本发明的有益效果是：本发明充分挖掘互花米草与其他湿地植被在高光谱遥感影像上的光谱差异，构建一种基于高光谱遥感影像的互花米草指数，并以此设计互花米草提取流程，有助于更精确的提取互花米草，减少同物异谱和异物同谱的影响，解决当前湿地植被监测技术的难点，以期为湿地生态治理提供科学技术支持。
附图说明
图1为本申请提供的一种基于高光谱数据的互花米草指数构建与提取方法的流程图；
图2为本申请提供的湿地植被统计值箱线图；
图3为本申请提供的互花米草提取结果示意图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施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。
实施例1：
为解决现有的湿地植被的动态监测技术中，同物异谱和异物同谱的现象普遍存在的问题，本申请基于高光谱数据充分挖掘互花米草的光谱特征，构建互花米草指数实现其精确提取，并具体提供了一种基于高光谱数据的互花米草指数构建与提取方法，如图1所示，包括：
S1、获取高光谱影像，并对高光谱影像进行预处理。
本申请不对获取高光谱影像的方式以及高光谱影像的类型进行限定，示例地，可以通过下载获取高分5号ASHI高光谱影像。此外，预处理包括辐射定标、大气校正和正射校正。
S2、基于Google Earth高分辨率影像，并在高分辨率影像上选取湿地植被样本点，计算湿地植被样本点光谱均值并绘制光谱均值曲线；湿地植被样本点包括互花米草样本点和至少一种非互花米草样本点。
示例地，至少一种非互花米草样本点包括芦苇样本点、碱蓬样本点和柽柳样本点。
S3、将湿地植样本点叠加到高光谱影像中获取光谱均值曲线，分析互花米草与非互花米草样本点光谱均值曲线确定光谱差异最优波段，并构建互花米草提取指数。
具体地，确定光谱差异最优波段，并构建互花米草指数表示为：
Index＝(ρ902-ρ2048)+(ρ842-ρ1610)
其中，Index为互花米草提取指数，ρ902表示中心波长为902nm的波段值，ρ2048表示中心波长为2048nm的波段值，ρ842表示中心波长为842nm的波段值，ρ1610表示中心波长为1610nm的波段值。
通过S3，本申请利用高光谱数据窄而细长的波段识别出互花米草与其他湿地植被的光谱特征差异，有效构建互花米草差异最大化指数。进而，相比于现有技术，本申请可以减少同物异谱和异物同谱的影响。
S4、计算互花米草提取指数，通过如图2所示的样本箱线图确定互花米草提取指数的阈值范围，构建决策树进行互花米草提取。
S4中，互花米草提取指数的阈值范围表示为：
min≤Index≤max
其中，Index为互花米草提取指数，min、max分别为互花米草提取指数的阈值下限和阈值上限。在互花米草提取指数位于阈值范围时，进行互花米草的提取。
S5、对S4的提取结果进行校核，S2中70％的样本点用于训练，30％的样本点用于验证，选用混淆矩阵方法进行精度评价，结合已有的滩涂数据与校核后的提取结果取交集确定最终的互花米草结果。示例地，图3是本申请提供的互花米草提取结果示意图。
综上所述，本申请首先通过样本点统计不同地物的光谱曲线特征，再根据光谱特征差异选取最优波段构建凸显互花米草信息的植被指数，确定决策树提取阈值范围，最后结合滩涂数据实现互花米草的精确准确、快速提取，可以有效减少同物异谱和异物同谱的影响。

Claims (8)

1.一种基于高光谱数据的互花米草指数构建与提取方法，其特征在于，包括以下步骤：
S1、获取高光谱影像，并对所述高光谱影像进行预处理；
S2、基于Google Earth高分辨率影像，并在所述高分辨率影像上选取湿地植被样本点，计算所述湿地植被样本点光谱均值并绘制光谱均值曲线；所述湿地植被样本点包括互花米草样本点和至少一种非互花米草样本点；
S3、将湿地植样本点叠加到高光谱影像中获取光谱均值曲线，分析互花米草与非互花米草样本点光谱均值曲线确定光谱差异最优波段，并构建互花米草提取指数；
S4、计算所述互花米草提取指数，通过样本箱线图确定互花米草提取指数的阈值范围，构建决策树进行互花米草提取；
S5、对S4的提取结果进行校核，S2中70％的样本点用于训练，30％的样本点用于验证，选用混淆矩阵方法进行精度评价，并结合已有的滩涂数据与校核后的提取结果取交集确定最终的互花米草结果。
2.根据权利要求1所述的基于高光谱数据的互花米草指数构建与提取方法，其特征在于，S1中，所述预处理包括辐射定标、大气校正和正射校正。
3.根据权利要求1所述的基于高光谱数据的互花米草指数构建与提取方法，其特征在于，S2中，所述至少一种非互花米草样本点包括芦苇样本点、碱蓬样本点和柽柳样本点。
4.根据权利要求1所述的基于高光谱数据的互花米草指数构建与提取方法，其特征在于，S3中，确定光谱差异最优波段，并构建互花米草指数表示为：
Index＝(ρ902-ρ2048)+(ρ842-ρ1610)
其中，Index为互花米草提取指数，ρ902表示中心波长为902nm的波段值，ρ2048表示中心波长为2048nm的波段值，ρ842表示中心波长为842nm的波段值，ρ1610表示中心波长为1610nm的波段值。
5.根据权利要求1所述的基于高光谱数据的互花米草指数构建与提取方法，其特征在于，S4中，互花米草提取指数的阈值范围表示为：
min≤Index≤max
其中，Index为互花米草提取指数，min、max分别为互花米草提取指数的阈值下限和阈值上限。
6.一种基于高光谱数据的互花米草指数构建与提取装置，其特征在于，用于执行权利要求1至5任一所述的基于高光谱数据的互花米草指数构建与提取方法，包括：
第一获取模块，用于获取高光谱影像，并对所述高光谱影像进行预处理；
第二获取模块，用于获取高分辨率影像，并在所述高分辨率影像上选取湿地植被样本点，计算所述湿地植被样本点光谱均值并绘制光谱均值曲线；所述湿地植被样本点包括互花米草样本点和至少一种非互花米草样本点；
确定模块，用于根据互花米草样本点光谱均值曲线与非互花米草样本点光谱均值曲线的差异，确定光谱差异最优波段，并构建互花米草提取指数；
计算模块，用于计算所述互花米草提取指数，通过样本箱线图确定互花米草提取指数的阈值范围，构建决策树进行互花米草提取；
校核模块，用于对S4的提取结果进行校核，结合已有的滩涂数据与校核后的提取结果取交集确定最终的互花米草结果。
7.一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行权利要求1至5任一所述的基于高光谱数据的互花米草指数构建与提取方法。
8.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得计算机执行如权利要求1至5任一所述的基于高光谱数据的互花米草指数构建与提取方法。
CN202210717327.5A 2022-06-17 2022-06-17 一种基于高光谱数据的互花米草指数构建与提取方法 Active CN115035411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210717327.5A CN115035411B (zh) 2022-06-17 2022-06-17 一种基于高光谱数据的互花米草指数构建与提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210717327.5A CN115035411B (zh) 2022-06-17 2022-06-17 一种基于高光谱数据的互花米草指数构建与提取方法

Publications (2)

Publication Number Publication Date
CN115035411A true CN115035411A (zh) 2022-09-09
CN115035411B CN115035411B (zh) 2023-01-17

Family

ID=83127458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210717327.5A Active CN115035411B (zh) 2022-06-17 2022-06-17 一种基于高光谱数据的互花米草指数构建与提取方法

Country Status (1)

Country Link
CN (1) CN115035411B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409313A (zh) * 2023-09-20 2024-01-16 宁波大学 一种基于Sentinel-2光学影像的互花米草物候衰退期指数构建方法
CN118533763A (zh) * 2024-07-24 2024-08-23 山东大学 浒苔绿潮遥感监测方法、系统、设备、介质及程序产品

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109416403A (zh) * 2016-04-18 2019-03-01 法纳电子学控股公司 用于空中和水生动物群的光学遥感系统的改进或与之相关的改进及其用途
CN110008924A (zh) * 2019-04-15 2019-07-12 中国石油大学(华东) 一种面向高光谱影像中地物的半监督自动标记方法与装置
CN111402169A (zh) * 2020-03-23 2020-07-10 宁波大学 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法
CN111488902A (zh) * 2020-01-14 2020-08-04 沈阳农业大学 一种原生滨海湿地生态系统碳储量定量估算方法及系统
CN111507303A (zh) * 2020-04-28 2020-08-07 同济大学 一种湿地植物种类检测方法
CN112418057A (zh) * 2020-11-19 2021-02-26 中国人民解放军空军军医大学 一种基于多光谱的地面伤员识别方法及系统
CN112800973A (zh) * 2021-01-29 2021-05-14 宁波大学 一种基于植被物候特征决策的互花米草提取方法
CN113092383A (zh) * 2021-04-06 2021-07-09 宁波市测绘和遥感技术研究院 一种近海岸海洋赤潮识别方法
CN113408460A (zh) * 2021-06-30 2021-09-17 中国科学院东北地理与农业生态研究所 一种基于遥感大数据和云平台探测互花米草分布的方法
CN113538559A (zh) * 2021-07-02 2021-10-22 宁波大学 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109416403A (zh) * 2016-04-18 2019-03-01 法纳电子学控股公司 用于空中和水生动物群的光学遥感系统的改进或与之相关的改进及其用途
CN110008924A (zh) * 2019-04-15 2019-07-12 中国石油大学(华东) 一种面向高光谱影像中地物的半监督自动标记方法与装置
US20200327325A1 (en) * 2019-04-15 2020-10-15 China University Of Petroleum (East China) Semi-supervised automatic marking method and device for ground-object in hyperspectral image
CN111488902A (zh) * 2020-01-14 2020-08-04 沈阳农业大学 一种原生滨海湿地生态系统碳储量定量估算方法及系统
CN111402169A (zh) * 2020-03-23 2020-07-10 宁波大学 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法
CN111507303A (zh) * 2020-04-28 2020-08-07 同济大学 一种湿地植物种类检测方法
CN112418057A (zh) * 2020-11-19 2021-02-26 中国人民解放军空军军医大学 一种基于多光谱的地面伤员识别方法及系统
CN112800973A (zh) * 2021-01-29 2021-05-14 宁波大学 一种基于植被物候特征决策的互花米草提取方法
CN113092383A (zh) * 2021-04-06 2021-07-09 宁波市测绘和遥感技术研究院 一种近海岸海洋赤潮识别方法
CN113408460A (zh) * 2021-06-30 2021-09-17 中国科学院东北地理与农业生态研究所 一种基于遥感大数据和云平台探测互花米草分布的方法
CN113538559A (zh) * 2021-07-02 2021-10-22 宁波大学 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姚霞等: "小麦氮素无损监测仪敏感波长的最佳波段宽度研究", 《农业机械学报》 *
孟祥珍 等: "基于植被物候特征的互花米草提取方法研究——以长三角湿地为例", 《海洋通报》 *
方金等: "基于高光谱影像的高寒牧区土地覆盖分类与草地生物量监测模型", 《草业科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409313A (zh) * 2023-09-20 2024-01-16 宁波大学 一种基于Sentinel-2光学影像的互花米草物候衰退期指数构建方法
CN117409313B (zh) * 2023-09-20 2024-05-10 宁波大学 一种基于Sentinel-2光学影像的互花米草物候衰退期指数构建方法
CN118533763A (zh) * 2024-07-24 2024-08-23 山东大学 浒苔绿潮遥感监测方法、系统、设备、介质及程序产品

Also Published As

Publication number Publication date
CN115035411B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
Chen et al. Isolating individual trees in a savanna woodland using small footprint lidar data
CN115035411B (zh) 一种基于高光谱数据的互花米草指数构建与提取方法
Rogers et al. Mapping of mangrove extent and zonation using high and low tide composites of Landsat data
CN106226212B (zh) 基于深度残差网络的高光谱霾监测方法
CN101840581B (zh) 一种从卫星遥感影像中提取建筑物轮廓的方法
Huo et al. Supervised spatial classification of multispectral LiDAR data in urban areas
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
CN110334623B (zh) 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法
Mtibaa et al. Land cover mapping in cropland dominated area using information on vegetation phenology and multi-seasonal Landsat 8 images
CN115546636A (zh) 基于高分辨率遥感图像的地质灾害后植被恢复监测方法
Hu et al. Seasonal change of land-use/land-cover (LULC) detection using MODIS data in rapid urbanization regions: A case study of the pearl river delta region (China)
Huang et al. Early mapping of winter wheat in Henan province of China using time series of Sentinel-2 data
CN113869370A (zh) 基于深度学习算法和时序哨兵影像的树种精细化分类方法
CN117075138A (zh) 一种区域30米森林冠层高度遥感测算方法、系统及介质
CN114049564A (zh) 基于高光谱遥感影像的松材线虫病等级预测模型构建方法
Li et al. A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model
CN112240869A (zh) 一种基于高分遥感影像的草原地块信息提取方法
Wu et al. Identification of native and invasive vegetation communities in a tidal flat wetland using gaofen-1 imagery
CN117557897A (zh) 目标农作物的倒伏监测方法、装置、电子设备及存储介质
CN106960119A (zh) 一种融合di的森林扰动综合特征指数及方法
CN116310864A (zh) 一种作物倒伏自动识别方法、系统、电子设备及介质
CN114241333B (zh) 一种基于多源时序遥感影像精准识别新生滑坡区域的方法
Zeidler et al. Spatio-temporal robustness of fractional cover upscaling: a case study in semi-arid Savannah's of Namibia and Western Zambia
Duan et al. Denoising and classification of urban ICESat-2 photon data fused with Sentinel-2 spectral images
Zhang et al. Land cover/use classification based on feature selection

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