CN115294183A - 一种基于多源遥感数据的碟型子湖水体时序提取方法 - Google Patents
一种基于多源遥感数据的碟型子湖水体时序提取方法 Download PDFInfo
- Publication number
- CN115294183A CN115294183A CN202210937731.3A CN202210937731A CN115294183A CN 115294183 A CN115294183 A CN 115294183A CN 202210937731 A CN202210937731 A CN 202210937731A CN 115294183 A CN115294183 A CN 115294183A
- Authority
- CN
- China
- Prior art keywords
- water body
- mndwi
- landsat
- remote sensing
- water
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于多源遥感数据的碟型子湖水体时序提取方法,包括以下步骤:获取Landsat 8遥感影像、MODIS数据;对所有的Landsat和MODIS影像进行相互配准,经配准后的影像按照研究区范围通过矢量数据对影像进行统一裁剪;对于Landsat影像无云的月份,利用基于MNDWI的ISODATA法对水面面积进行提取,提取后验证精度;对于Landsat影像有云的月份,建立模型,进行基于MNDWI的降尺度;步骤五,利用基于MNDWI的ISODATA法对水面面积进行提取,得到云雨时段内达到Landsat分辨率的水体,填补Landsat缺失时期的水体序列。本发明数据完整,空间分辨率高,精度高。
Description
技术领域
本发明涉及遥感提取方法,具体为一种基于多源遥感数据的碟型子湖水体时序提取方法。
背景技术
水面面积是描述湖泊水情变化最基本的水文变量,其能够反映气候因素和人为因素对于湖泊影响程度的大小。目前,遥感获取湖泊水面面积的途径有多种,根据卫星传感器的不同,主要可以分为可见光(近红外)方法、微波遥感方法以及多传感器联合方法。
现如今,大多数研究通常是结合单波段法和多波段法进行水面面积的提取。波段比值法基于多光谱遥感影像的多波段特点,选择水体最强和最弱的反射波段,计算两者之间的比值,然后设定最优阈值,将水面面积提取出来。常用的水体指数有McFeeters基于TM影像利用绿光波段和近红外波段构建的归一化差异水体指数(NDWI)以及Xu提出的改进的归一化差异水体指数(MNDWI)。众多研究表明,利用波段比值法进行水面面积的提取,已成为目前遥感获取水域面积的研究中应用最广泛的一种方法。
针对单一遥感传感器在时空连续性和水面提取精度等方面的局限性,近年来,将多源、多代遥感数据进行联合处理,发展适用于水面提取的多传感器联合方法,已成为国际对地观测技术发展的前沿方向之一。研究结果表明,基于不同传感器联合的手段,能够充分实现不同遥感数据之间的优势互补,从而扩大了各种数据的应用范围,真正实现全天时、全天候、高效获取湖泊水面面积的目的,是陆表水体遥感发展的必然趋势。
由于成像原理不同和技术条件的限制,任何一个单一传感器的探测性能和应用范围都存在很大的局限性,虽然中高等分辨率光学卫星影像在提取水面的精度方面已经很高,但其时间分辨率较低,易受到云雨日的影响,导致月尺度的数据丢失;低等分辨率光学卫星影像的时间分辨率高,可以获得更高频率的水边界,可以作为中高分辨率卫星数据丢失月份的补充,但是受限于空间分辨率低,导致其精度较低。
并且,湖泊地形条件复杂的湖面地区,由于碟型子湖有着面积小、年内不同时期变化迅速的特点,若探究其在长时间序列上的连续变化信息,仅使用单一传感器很难同时满足较高空间分辨率和时间分辨率的观测需求。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明的目的是提供一种利用尺度转换对中低分辨率遥感数据进行降尺度来分解水面信息、获得中高分辨率水面信息的基于多源遥感数据的碟型子湖水体时序提取方法。
技术方案:本发明所述的一种基于多源遥感数据的碟型子湖水体时序提取方法,包括以下步骤:
步骤一,获取研究区域范围内Landsat 8遥感影像、MODIS数据,以Landsat、MODIS卫星影像等为主要数据源,以GF-1数据为验证数据;
步骤二,对所有的Landsat和MODIS影像进行相互配准,经配准后的影像按照研究区范围通过矢量数据对影像进行统一裁剪;
步骤三,对于Landsat影像无云的月份,利用基于MNDWI的ISODATA法对水面面积进行提取,提取后为了验证精度与NDWI阈值法、NDWI-ISODATA法、MNDWI阈值法进行比较;
步骤四,对于Landsat影像有云的月份,建立模型,进行基于MNDWI的降尺度;
步骤五,利用基于MNDWI的ISODATA法对水面面积进行提取,得到云雨时段内达到Landsat分辨率的水体,填补Landsat缺失时期的水体序列。
进一步地,步骤一中,Landsat 8遥感影像的精度为30m,MODIS数据的精度为500m,预处理包括影像配准、影像裁剪,配准的精度为均方根误差小于0.5像元,对经配准后的影像按照研究区范围,利用矢量数据对影像进行统一裁剪。
进一步地,步骤三中,验证精度的样本点的选取是利用ArcGIS分别在三个碟型湖边界的矩形范围内以n×n的格网均匀生成n2个点,其中落在湖区内的点作为验证样本点,将各水体提取方法的提取结果与参考值相比较,分别统计样本点落在三个碟型湖内的水体和非水体个数,并建立与参考值之间的混淆矩阵,利用混淆矩阵计算精度评价指标。
进一步地,精度评价指标包括错分率、漏分率、总体精度和Kappa系数,判断哪种水体提取方法中的精度最高。错分率是指实际为非水体被错误地分类为水体的样本点占总样本点的比率,取值范围为0~1。漏分率是指实际为水体而没有被分类为水体的样本点占总样本点的比率,取值范围为0~1。总体精度是所有被正确分类的样本数占总样本数的百分比,取值范围为0~1。
进一步地,Kappa系数的计算公式为:
其中,∑=(TP+FP)×(TP+FN)+(FN+TN)×(FP+TN),T代表所有样本点数,TP为实际为水体但提取为水体的样本数,FP为实际为非水体但提取为水体的样本数,FN为实际为水体但提取为非水体的样本数,TN为实际为非水体但提取为非水体的样本数。
进一步地,步骤四中,根据MODIS数据和Landsat数据,计算出MNDWI,得到MODIS_MNDWI和Landsat_MNDWI,将MODIS_MNDWI重采样至与Landsat_MNDWI的分辨率保持一致。重采样方法是最邻近法,基于每个像元,建立重采样后的MNDWI值与对应高分辨率MNDWI值之间的线性回归模型:
将MODIS低分辨率的MNDWI值视为自变量,利用建立的回归模型进行降尺度,得到碟型子湖30m分辨率的Downscaled_MNDWI。
工作原理:对于影像无云的月份,直接对水面面积进行提取;对于影像有云的月份,利用不同的遥感数据建立线性回归模型,利用降尺度方法得到缺失数据,再进行水面面积提取,从而实现了多源遥感数据的水体时序提取。
有益效果:本发明和现有技术相比,具有如下显著性特点:月尺度的数据完整,空间分辨率高,精度高;解决了影像有云时期水面信息获取的问题;水体提取精度高。
附图说明
图1是本发明的流程图;
图2是本发明的研究区位置图;
图3是本发明的水面面积提取方法研究区示意图;
图4是本发明的水面提取结果对比图;
图5是本发明的验证样本点分布示意图;
图6是本发明的枯水期碟型湖水面提取结果对比图;
图7是本发明的丰水期碟型湖水面提取结果对比图;
图8是本发明的2013-2020年验证数据碟型湖水面提取结果对比图;
图9是本发明的Landsat与MODIS之间的散点图;
图10是本发明的Landsat与Downscaled_MODIS之间的散点图。
具体实施方式
如图1,基于多源遥感数据的碟型子湖水体时序提取方法,包括以下步骤:
步骤一,数据准备。以鄱阳湖碟型子湖为研究对象,研究区如图2。以Landsat(30m)、MODIS(500m)卫星影像等为主要数据源,以GF-1数据为验证数据,研究数据如下表1。
表1研究数据
步骤二,数据预处理。获取研究区域范围内Landsat 8遥感影像、MODIS数据,并进行预处理。所采用的预处理主要包括影像配准、影像裁剪。具体来说,为了保证不同数据之间在空间上相匹配,对所有的Landsat和MODIS影像进行相互配准,配准的精度为均方根误差(RMSE)小于0.5像元。为了减少计算量,对经配准后的影像按照研究区范围,利用矢量数据对影像进行统一裁剪。
步骤三,水面面积提取及精度验证。对于Landsat影像无云的月份,利用基于MNDWI的ISODATA法对水面面积进行提取。提取后为了验证精度及与其他方法比较,以鄱阳湖湖区中的三个典型碟型湖——蚌湖、林充湖和太阳湖为研究对象,它们分别位于鄱阳湖的不同空间位置(鄱阳湖的东部、南部和西部)。其中,蚌湖位于鄱阳湖西部,地理位置为115°54′~116°01′E、29°10′~29°17′N,在诸多碟型子湖中面积最大,约71.22km2;林充湖位于鄱阳湖南部,地理位置为116°14′~116°19′E、28°49′~29°53′N,面积约为28.72km2;太阳湖位于鄱阳湖东部,地理位置为116°35′~116°37′E、29°13′~29°15′N,面积约为7.58km2。实验中所用的Landsat 8影像日期2015年11月20日,此时鄱阳湖处于枯水期,水域、滩涂、植被等多种类型地物共存,较为典型,适合于水面面积提取方法的研究,三个碟型湖在鄱阳湖中的位置如图3。
由于ISODATA算法是基于像素的区域分割算法,因此分类结果中可能会存在“椒盐噪声”现象,这些噪声可能是由图像成像或目标场景中噪声引起图像色调的“同物异谱”现象造成的,因此在利用水体指数-ISODATA法进行水面面积的提取时,结合人工目视判别的结果,对初始分类结果中的不同类别进行了不断地合并,直至达到较好的分类效果,以此消除噪声的影响。
基于研究区Landsat影像,对比水体指数阈值法、基于NDWI的ISODATA法和基于MNDWI的ISODATA法的提取结果,提取结果如图4,四种方法均能有效地提取研究区内的大部分水体。为了进一步直观地比较几种方法的优劣性,需对提取结果进行精度评价。遥感影像地物分类的精度评价是将已有的参照分类结果与待检验的分类结果进行对比分析,从而定量判别水体信息提取方法的精度,参考值的选取是利用ISODATA法对与所用影像日期相近的GF-1号2m融合影像进行水面面积的提取;对于验证样本点的选取,利用ArcGIS分别在三个碟型湖边界的矩形范围内以n×n的格网均匀生成n2个点,其中落在湖区内的点作为验证样本点,其分布如图5所示(以蚌湖为例)。
将各水体提取方法的提取结果与参考值相比较,分别统计样本点落在三个碟型湖内的水体和非水体个数,并建立与参考值之间的混淆矩阵,混淆矩阵(Confusion Matrix)法将选取样本点的类别和影像分类结果中对应的类别进行比较并统计和计算,是目前遥感地物分类评价中常用的一种方法。混淆矩阵如下表2所示。
表2混淆矩阵
利用混淆矩阵计算以下精度评价指标,包括错分率(Misclassification Rate)、漏分率(Leakage Classification Rate)、总体精度(Overall Classification Accuracy)及Kappa系数。
(1)错分率(MR)
错分率是指实际为非水体被错误地分类为水体的样本点占总样本点的比率,取值范围为0~1。
(2)漏分率(LR)
漏分率是指实际为水体而没有被分类为水体的样本点占总样本点的比率,取值范围为0~1。
(3)总体精度(OA)
总体精度是指所有被正确分类的样本数占总样本数的百分比,是表征地物分类好坏的重要指标,取值范围为0~1。
(4)Kappa系数
Kappa系数是表征地物分类一致性程度的重要指标,一般认为其值达到0.8以上为分类效果较好。
上式中,∑=(TP+FP)×(TP+FN)+(FN+TN)×(FP+TN),T代表所有样本点数。
表3水体提取结果精度评价
按照以上各式计算精度指标,精度结果如上表3所示,由表3中对于错分率和漏分率的统计结果可知,对于蚌湖,MNDWI阈值法的错分率最高,其次是NDWI阈值法和MNDWI_ISODATA法,NDWI_ISODATA法的错分率最低;NDWI_ISODATA法的漏分率最高,其次是NDWI法、MNDWI_ISODATA法,MNDWI的漏分率最低;对于林充湖,NDWI_ISODATA法的错分率最高,两种水体指数阈值法的错分率相同且最低;NDWI的漏分率最高,MNDWI_ISODATA法的漏分率最低;对于太阳湖,NDWI阈值法的错分率最低,水体指数_ISODATA法的错分率相同且最高;NDWI阈值法的漏分率最高,MNDWI_ISODATA法的漏分率最低。由总体精度和Kappa系数的统计结果可知,四种水体提取方法对于碟型湖提取的总体精度均在90%以上,其中三个碟型湖中均以MNDWI_ISODATA法的总体精度最高,分别为97.9675%、98.4127%和96.9925%;对于Kappa系数,各提取方法的Kappa系数均在0.89以上,其中以MNDWI_ISODATA法的Kappa系数最高,三个碟型湖的Kappa系数分别为0.9368、0.9544和0.8707,因此该方法适合于碟型湖水面面积的提取。
步骤四,对于Landsat影像有云的月份,建立模型,进行基于MNDWI的降尺度,具体过程如下:
(1)影像筛选。首先,对2013-2020年覆盖研究区且质量较好的Landsat 8影像进行筛选,记录每张影像的日期;其次,根据影像筛选结果,对2013-2020年覆盖研究区域、影像质量较好且日期一致或相近(相差2天以内)的MODIS影像进行筛选,此部分影像将用作降尺度研究,其中一部分用于建模,另一部分则用于验证,为了保证精度验证的可靠性和准确性,验证数据集选取的标准是平均分布在各个年份以及丰水期和枯水期,其余数据则作为建模数据集,影像日期如下表4所示;最后,在MODIS数据中挑选2013-2020年中Landsat 8缺失月份的影像,此部分数据将用于月尺度水面面积数据集的构建。
(2)降尺度实现。分别计算获取到的Landsat 8和MODIS数据中每张影像的MNDWI,对于MODIS_MNDWI,采用最邻近采样法重采样至30m分辨率,利用Matlab对Landsat_MNDWI(30m)和重采样的MODIS_MNDWI(30m)进行逐像元拟合回归,得到斜率图像和截距图像。最后,对用于构建水面面积数据集的MODIS_NDWI(500m),利用得到的斜率图像和截距图像,结合公式(1)得到分辨率为30m的Downscaled_MNWDI。
步骤五,水面提取。基于Landsat_MNDWI以及降尺度得到Downscaled_MNWDI,利用基于MNDWI的ISODATA法对水面面积进行提取。
表4对应的Landsat 8和MODIS数据日期列表
步骤六,精度验证。在定性评价方面,基于降尺度的MODIS_MNDWI的水面提取结果在年内不同时期(丰水期和枯水期)的提取形状轮廓及空间分布上相较原始MODIS_MNDWI的有了较大的提升,且与Landsat_MNDWI表现出了较好的一致性,如图6~7,枯水期为2014年3月14日,丰水期为2017年9月14日。下表5为MODIS与Downscaled_MODIS水面提取结果精度评价数据,在定量评价方面,降尺度的MODIS_MNDWI提取的水体较原始MODIS_MNDWI在漏分率、错分率上有了明显的改善,总体精度和Kappa系数(分别为87.39%和0.7476)也有了明显提高,如图8。此外,基于降尺度MODIS_MNDWI与Landsat_MNDWI提取的水面面积相比于原始MODIS_MNDWI与Landsat_MNDWI提取的水面面积有着更好的拟合性,表现为决定系数R2由0.9612提高至0.9876,RMSE由50.0299km2减少至20.3167km2以及拟合直线的斜率更接近于1,如图9~10。
表5 MODIS与Downscaled_MODIS水面提取结果精度评价
Claims (10)
1.一种基于多源遥感数据的碟型子湖水体时序提取方法,其特征在于,包括以下步骤:
步骤一,获取研究区域范围内Landsat 8遥感影像、MODIS数据,以Landsat、MODIS卫星影像等为主要数据源,以GF-1数据为验证数据;
步骤二,对所有的Landsat和MODIS影像进行相互配准,经配准后的影像按照研究区范围通过矢量数据对影像进行统一裁剪;
步骤三,对于Landsat影像无云的月份,利用基于MNDWI的ISODATA法对水面面积进行提取,提取后为了验证精度与NDWI阈值法、NDWI-ISODATA法、MNDWI阈值法进行比较;
步骤四,对于Landsat影像有云的月份,建立模型,进行基于MNDWI的降尺度;
步骤五,利用基于MNDWI的ISODATA法对水面面积进行提取,得到云雨时段内达到Landsat分辨率的水体,填补Landsat缺失时期的水体序列。
2.根据权利要求要求1所述的一种基于多源遥感数据的碟型子湖水体时序提取方法,其特征在于:所述步骤一中,Landsat 8遥感影像的精度为30m,MODIS数据的精度为500m,预处理包括影像配准、影像裁剪,配准的精度为均方根误差小于0.5像元,对经配准后的影像按照研究区范围,利用矢量数据对影像进行统一裁剪。
3.根据权利要求要求1所述的一种基于多源遥感数据的碟型子湖水体时序提取方法,其特征在于:所述步骤三中,验证精度的样本点的选取是利用ArcGIS分别在三个碟型湖边界的矩形范围内以n×n的格网均匀生成n2个点,其中落在湖区内的点作为验证样本点,将各水体提取方法的提取结果与参考值相比较,分别统计样本点落在三个碟型湖内的水体和非水体个数,并建立与参考值之间的混淆矩阵,利用混淆矩阵计算精度评价指标。
4.根据权利要求要求3所述的一种基于多源遥感数据的碟型子湖水体时序提取方法,其特征在于:所述精度评价指标包括错分率、漏分率、总体精度和Kappa系数,判断哪种水体提取方法中的精度最高。
5.根据权利要求要求4所述的一种基于多源遥感数据的碟型子湖水体时序提取方法,其特征在于:所述错分率是指实际为非水体被错误地分类为水体的样本点占总样本点的比率,取值范围为0~1。
6.根据权利要求要求4所述的一种基于多源遥感数据的碟型子湖水体时序提取方法,其特征在于:所述漏分率是指实际为水体而没有被分类为水体的样本点占总样本点的比率,取值范围为0~1。
7.根据权利要求要求4所述的一种基于多源遥感数据的碟型子湖水体时序提取方法,其特征在于:所述总体精度是所有被正确分类的样本数占总样本数的百分比,取值范围为0~1。
9.根据权利要求要求1所述的一种基于多源遥感数据的碟型子湖水体时序提取方法,其特征在于:所述步骤四中,根据MODIS数据和Landsat数据,计算出MNDWI,得到MODIS_MNDWI和Landsat_MNDWI,将MODIS_MNDWI重采样至与Landsat_MNDWI的分辨率保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210937731.3A CN115294183A (zh) | 2022-08-05 | 2022-08-05 | 一种基于多源遥感数据的碟型子湖水体时序提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210937731.3A CN115294183A (zh) | 2022-08-05 | 2022-08-05 | 一种基于多源遥感数据的碟型子湖水体时序提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294183A true CN115294183A (zh) | 2022-11-04 |
Family
ID=83828189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210937731.3A Pending CN115294183A (zh) | 2022-08-05 | 2022-08-05 | 一种基于多源遥感数据的碟型子湖水体时序提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294183A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315501A (zh) * | 2023-10-23 | 2023-12-29 | 中国水利水电科学研究院 | 一种基于水体斑块形状和相邻关系的遥感水体分类方法 |
-
2022
- 2022-08-05 CN CN202210937731.3A patent/CN115294183A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315501A (zh) * | 2023-10-23 | 2023-12-29 | 中国水利水电科学研究院 | 一种基于水体斑块形状和相邻关系的遥感水体分类方法 |
CN117315501B (zh) * | 2023-10-23 | 2024-04-12 | 中国水利水电科学研究院 | 一种基于水体斑块形状和相邻关系的遥感水体分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
CN108596103B (zh) | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 | |
Alberti et al. | Urban land-cover change analysis in central Puget Sound | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN109190538A (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
CN108765488B (zh) | 一种基于阴影的高分辨率遥感影像建筑物高度估测方法 | |
CN110988909B (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN110032963B (zh) | 互花米草新生斑块的动态监测方法 | |
CN110147746B (zh) | 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统 | |
Jung et al. | A multi-sensor approach for detecting the different land covers of tidal flats in the German Wadden Sea—A case study at Norderney | |
CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
Xue et al. | Flood monitoring by integrating normalized difference flood index and probability distribution of water bodies | |
CN107239886B (zh) | 基于高分卫星遥感数据的gdp密度分析系统 | |
CN112166693B (zh) | 基于小卫星的区域地表水资源遥感监测方法 | |
CN112270225A (zh) | 一种峡谷型高含沙蜿蜒河流遥感影像提取方法 | |
Qassim et al. | Land cover change for Baghdad City in the period 1986 to 2019 | |
CN116246272A (zh) | 针对国产卫星多光谱图像质量标记的云雪区分方法 | |
Nelson et al. | Combining moderate-resolution time-series RS data from SAR and optical sources for rice crop characterisation: examples from Bangladesh | |
Nguyen-Van-Anh et al. | The influence of satellite image spatial resolution on mapping land use/land cover: A case study of Ho Chi Minh City, Vietnam | |
Asmiwyati | Impact of land use change on urban surface temperature and urban green space planning; Case Study of the Island of Bali, Indonesia | |
Heckel et al. | The first sub-meter resolution digital elevation model of the Kruger National Park, South Africa | |
CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
Pegram et al. | Daily mapping of 24 hr rainfall at pixel scale over South Africa using satellite, radar and raingauge data |
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 |