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 PDFInfo
- 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
- spartina
- constructing
- 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
- 241001149258 Sporobolus alterniflorus Species 0.000 title claims abstract description 99
- 238000000605 extraction Methods 0.000 title claims abstract description 57
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 235000014676 Phragmites communis Nutrition 0.000 claims description 3
- 235000014265 Tamarix gallica Nutrition 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 241000918237 Suaeda glauca Species 0.000 claims 1
- 244000234281 Tamarix gallica Species 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 241000746413 Spartina Species 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 2
- 241000893012 Tamarix Species 0.000 description 2
- 235000010185 Tamarix canariensis Nutrition 0.000 description 2
- 235000010154 Tamarix ramosissima Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000223602 Alternaria alternata Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 101000979735 Homo sapiens NADH dehydrogenase [ubiquinone] 1 beta subcomplex subunit 8, mitochondrial Proteins 0.000 description 1
- 102100024975 NADH dehydrogenase [ubiquinone] 1 beta subcomplex subunit 8, mitochondrial Human genes 0.000 description 1
- 241000201912 Suaeda Species 0.000 description 1
- 241000586290 Suaeda salsa Species 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (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
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。
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)
| 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)
| 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 |
-
2022
- 2022-06-17 CN CN202210717327.5A patent/CN115035411B/zh active Active
Patent Citations (11)
| 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)
| 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)
| 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 |
|---|---|---|
| CN106126920B (zh) | 农作物雹灾受灾面积遥感评估方法 | |
| CN114091613B (zh) | 一种基于高分联合组网数据的森林生物量估算方法 | |
| CN115035411A (zh) | 一种基于高光谱数据的互花米草指数构建与提取方法 | |
| Huang et al. | Early mapping of winter wheat in Henan province of China using time series of Sentinel-2 data | |
| CN108981616B (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
| CN107145891A (zh) | 一种基于遥感影像的水体提取方法及系统 | |
| CN109034189B (zh) | 基于高分遥感影像的森林类型识别方法 | |
| CN104809724A (zh) | 多波段遥感影像的自动精配准方法 | |
| Wang et al. | Object-based change detection for vegetation disturbance and recovery using Landsat time series | |
| CN110334623B (zh) | 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法 | |
| CN116704349A (zh) | 一种基于高分影像的农村疑似黑臭水体识别方法 | |
| CN110298322A (zh) | 一种基于遥感数据的耕地提取方法及系统 | |
| Soria-Ruiz et al. | Land-cover classification using radar and optical images: a case study in Central Mexico | |
| CN117475313A (zh) | 一种基于训练样本自动化提取的大尺度冬小麦早期识别方法 | |
| Wang et al. | Identifying and monitoring of abandoned farmland in key agricultural production areas on the Qinghai‒Tibet Plateau: A case study of the Huangshui Basin | |
| CN116844049A (zh) | 基于图像差值法的森林扰动监测方法、系统、设备及介质 | |
| CN117078033A (zh) | 一种台风灾害影响评估方法、装置及计算机 | |
| Khudhur et al. | Comparison of the accuracies of different spectral indices for mapping the vegetation covers in Al-Hawija district, Iraq | |
| Ilangakoon et al. | Estimating leaf area index by bayesian linear regression using terrestrial Lidar, LAI-2200 plant canopy analyzer, and landsat tm spectral indices | |
| CN112240869A (zh) | 一种基于高分遥感影像的草原地块信息提取方法 | |
| CN115063610B (zh) | 基于Sentinel-1、2影像的大豆种植区识别方法 | |
| Wen et al. | Effects of normalized difference vegetation index and related wavebands’ characteristics on detecting spatial heterogeneity using variogram-based analysis | |
| Tian et al. | National scale sub-meter mangrove mapping using an augmented border training sample method | |
| Li et al. | Forest type classification with multitemporal sentinel-2 data | |
| Zeidler et al. | Spatio-temporal robustness of fractional cover upscaling: a case study in semi-arid Savannah's of Namibia and Western Zambia |
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 |