CN115496939A - 一种基于多源遥感数据的湿地信息提取方法 - Google Patents

一种基于多源遥感数据的湿地信息提取方法 Download PDF

Info

Publication number
CN115496939A
CN115496939A CN202211065408.8A CN202211065408A CN115496939A CN 115496939 A CN115496939 A CN 115496939A CN 202211065408 A CN202211065408 A CN 202211065408A CN 115496939 A CN115496939 A CN 115496939A
Authority
CN
China
Prior art keywords
image
feature
features
remote sensing
calculating
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
Application number
CN202211065408.8A
Other languages
English (en)
Inventor
薛朝辉
孙辰润
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202211065408.8A priority Critical patent/CN115496939A/zh
Publication of CN115496939A publication Critical patent/CN115496939A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于多源遥感数据的湿地信息提取方法，首先对影像进行预处理，采用光学影像提取光谱特征、指数特征、核指数特征、主成分分割特征、纹理特征，利用SAR影像提取SAR特征、纹理特征，利用DEM数据提取高程、坡度特征，并将所有特征进行多时相叠加；然后基于马氏距离衡量类间可分性，从而进行特征敏感性实验与特征优选实验，得到最优特征集合；最后利用得到的特征集合，采用集成学习分类方法，达到最优分类效果。本发明设计方法融合了多种类型数据，真实全面地表达了地面信息；将多个时相数据叠加，保留了时序特征；引入了主成分分割特征，充分获得了地面的几何形状信息；采用基于马氏距离的特征优选方法，合理保留了有效特征。

Description

一种基于多源遥感数据的湿地信息提取方法
技术领域
本发明涉及遥感影像分类技术领域，具体涉及一种基于多源遥感数据的湿地信息提取方法。
背景技术
湿地被誉为“地球之肾”，为全球三分之一的濒临物种提供了栖息地。它不仅能减少洪水风险、保护海岸线、保持水土、过滤沉积物、去除污染、净化水源，具有美学和娱乐价值，也是环境健康的重要指标；另外，湿地更孕育了渔业与放牧业，为当地经济带来无数的自然效益。
尽管湿地有许多相似的特征，但它们在大小、位置和水文方面具有很大的不确定性。同时，它们往往构成明确的陆地和水生区域边缘的过渡带。这一事实导致定义这些自然资源的困难，也是出现众多不同的“湿地”定义的原因。
早在20世纪50年代，中国的学者便对湿地展开了野外调查与资源清查工作。尽管传统的野外调查方式也许是最准确与可靠的，但是由于许多湿地位于偏远地区，其植被、地形与水文条件等均不利于实地考察，因此这种方式耗费时间长，经济成本高。另外，实地考察往往不能实现湿地情况实时的大规模统计，也更容易出现漏查的情况。遥感技术的出现，极好地解决了传统湿地清查方式的时间与成本问题。
20世纪70年代末期，基于遥感技术的湿地土地覆盖及土地利用变化图制作在我国出现，并在90 年代中后期逐渐扩展了遥感湿地方面的研究，至21世纪，遥感探测湿地的技术已经趋于成熟，遥感在大尺度湿地监测、湿地生物多样性监测、生物量估算等方面的成果，为今后的研究提供了基础与思路。
相比于传统的实地调查，遥感技术能够解决复杂环境与高昂成本的问题，带来大范围、短时间的重复测量，提供湿地周围不同尺度的变化信息，并且能够方便地融入地理信息系统进行多方面分析，另外，许多遥感数据类型的结合，也为高精度湿地制图带来福音。
然而，湿地的一些特性以及现有的分类系统导致遥感在湿地信息提取中存在挑战。(1)部分湿地较高类内变异性和较低的类间变异性，使得许多类别湿地的光谱信息与后向散射信息相似。另外，同样的湿地类型在不同的分类系统中的名称是不同的，导致分类难以界定。(2)湿地植物周围水位发生季节性变化，另外也受融雪、降水、人类活动的影响。(3)湿地的边界不明显，过渡带狭窄，与其他湿地出现重叠的现象，常常导致训练样本的不足。(4)对于小型湿地的探测，需要较高分辨率的遥感影像。当分辨率较低时，小型湿地通常被当作其他地物，难以被探测。
结合湿地快速演变的特点与前人的研究成果，发现及时地对湿地进行高精度的变化监测是有必要的。然而，目前多数的研究着重于探索高精度的算法，很少涉及长时空动态监测，不利于湿地变化的驱动机制研究。在湿地演变探索方面，大多数研究缺乏与实际联系的综合分析。
发明内容
本发明目的：在于提供一种基于多源遥感数据的湿地信息提取方法，执行全新设计策略，在计算效率、信息提取准确性和对噪声的鲁棒性等方面都有较优越的表现。
为实现以上功能，本发明设计一种基于多源遥感数据的湿地信息提取方法，针对目标区域，采集目标区域的包含各预设类别的地物的多时相遥感影像，针对多时相遥感影像，执行以下步骤A-步骤F，完成多时相遥感影像中各像素点的分类，进而实现目标区域的地物分类：
步骤A：根据湿地分类体系中各土地利用类型的物候特征、分布特点，对目标区域的地物进行分类，采集目标区域的包含各预设类别的地物的多时相遥感影像，其中多时相遥感影像包括光学多光谱影像、SAR遥感影像、DEM数据，然后进入步骤B；
步骤B：分别对多光谱影像、SAR遥感影像进行预处理，将预处理后的对多光谱影像、SAR遥感影像与DEM数据三者融合，获得三时相中值合成影像，即叠加图像X，然后进入步骤C；
步骤C：针对叠加图像X的光学波段部分，提取多时相指数特征，多时相指数特征包括子特征 NDVI、MNDWI、NDBBI；
提取叠加图像X的纹理特征，其中包括叠加图像X的光学波段部分的纹理特征，光学波段部分的纹理特征包括子特征ASM、contrast、entropy、correlation，以及叠加图像X的微波波段部分的纹理特征，微波波段部分的纹理特征包括子特征entropy、intertia、gearys、gradient、direction、edgy；
针对叠加图像X的光学波段部分，计算核指数特征，核指数特征包括子特征kNDVI、kNDBBI、 kMNDWI；对叠加图像X的光学波段部分，采用主成分分析法，获得叠加图像X的光学波段部分的各主成分，针对第一个主成分进行面向对象分割，获得主成分分割特征；至此完成所有类型特征的提取，得到特征总集合W，将叠加图像X与特征总集合W叠加，获得特征融合图像Y，然后进入步骤 D；
步骤D：针对特征融合图像Y，计算特征融合图像Y中各预设类别地物的样本点的马氏距离值，以表示不同预设类别地物组合间的可分离性；然后进入步骤E；在以下步骤中，将Y替换为其他图像，并以相同原理来计算其他情况下的马氏距离值；
步骤E：将叠加图像X的光学波段部分分别与多时相指数特征、核指数特征，光学波段部分的纹理特征，微波波段部分的纹理特征组合，获得各组合后的特征图，采用梯度提升树分类器分别对各组合后的特征图中的各像素点分类，分别计算总体分类精度和马氏距离值，将分类精度和马氏距离值均高于预设阈值的组合特征定义为敏感特征；
将步骤C得到的特征融合图像Y放入梯度提升树分类器中进行训练，同时采用GEE平台中的 explain算法计算特征融合图像Y中所有子特征的特征重要性指数，而后将叠加图像X的光学波段部分筛出，将剩下的所有子特征按照特征重要性指数大小降序排列；以叠加图像X的光学部分为基础，按降序结果逐一加入新的特征，每次加入特征后都分别进行总体分类精度和马氏距离值的计算，最终分别得到总体分类精度与马氏距离值随特征数量变化的曲线图；通过分析曲线图的变化趋势，确定前 N个特征为必要特征，最后查看剩余特征中是否存在敏感特征未被选择，若有则一并加入，获得最终特征集合W，然后进入步骤F；
步骤F：将最终特征集合W输入梯度提升树分类器，对最终特征集合W中的各像素点进行分类，获得各像素点所属的预设类别，进而实现目标区域的地物分类。
作为本发明的一种优选技术方案：步骤B中对多光谱影像的预处理包括去云处理，通过去云处理去除云量大于5％的区域，并进行大气校正、日期筛选、按照研究区矢量边界进行裁剪；对SAR遥感影像的预处理包括大气校正、按照研究区矢量边界进行裁剪，并将上下轨道数据融合，将融合后所获得的SAR遥感影像进行日期筛选、模式筛选。
作为本发明的一种优选技术方案：步骤C的具体步骤如下：
步骤C1：针对叠加图像X的光学波段部分，分别计算多时相指数特征的子特征NDVI、MNDWI、 NDBBI如下式：
Figure BDA0003827397190000031
Figure BDA0003827397190000032
Figure BDA0003827397190000033
式中，NIR为叠加图像X的光学波段部分中的近红外波段，Red为红光波段，Green为绿光波段， MIR为中红外波段，SWIR2为短波红外波段；
步骤C2：提取叠加图像X的光学波段部分的纹理特征的子特征ASM、contrast、entropy、correlation，以及叠加图像X的微波波段部分的纹理特征的子特征entropy、intertia、gearys、gradient、direction、 edgy如下：
定义叠加图像X的(x,y)、(x+d,y+l)位置的像素点的像素值为(i,j)，叠加图像X中像素值为 (i,j)的像素点数量为N(i,j)，叠加图像X的像素点总数为Nglcm，则像素值(i,j)在叠加图像X中的出现概率P(i,j)为：
Figure BDA0003827397190000041
像素值(i,j)的能量特征ASM表达式为：
Figure BDA0003827397190000042
像素值(i,j)的对比度特征contrast表达式为：
Figure BDA0003827397190000043
像素值(i,j)的熵特征entropy表达式为：
Figure BDA0003827397190000044
像素值(i,j)的自相关特征correlation表达式为：
Figure BDA0003827397190000045
式中，
Figure BDA0003827397190000046
Figure BDA0003827397190000047
设定矩阵大小为6，通过GEE内置算法glcmTexture计算像素值为X的像素点在预设方向和距离上与像素值为Y的像素点相邻的次数，统计相邻的次数获得特征intertia；
定义9×9的核，焦点位置为(-4，-4)，其横纵坐标值分别表示与该核左侧和顶部的偏移量，该核的权值在中心像素点处为0，其余像素点处为1，利用该核针对各像素点，逐像素点取每个像素点邻域的16个像素点，并转换为一组波段，获得滤波后的影像，将原始影像与滤波后的影像作差、求幂、求和，获得特征gearys；
采用GEE内置算法求SAR遥感影像x，y方向的梯度，计算特征gradient如下式：
Figure BDA0003827397190000048
根据下式计算特征direction：
direction＝ytan-1x
利用3×3的拉普拉斯8边缘检测归一化核对图像进行滤波，获得锐化特征edgy；
步骤C3：针对叠加图像X的光学波段部分，计算核指数特征，核指数特征包括子特征kNDVI、 kNDBBI、kMNDWI，其中kNDVI的计算如下：
根据NDVI，采用径向基函数RBF再生核，则有下式：
Figure BDA0003827397190000051
式中，nir、r分别为近红外通道和红色通道的反射率，k为径向基函数RBF核函数：
k(a,b)＝exp(-(a-b)2/(2σ2))
代入RBF核公式，可以将指数简化为：
Figure BDA0003827397190000052
式中，σ为近红外光谱和红色光谱之间的距离；
同理可得kNDBBI公式如下：
Figure BDA0003827397190000053
式中，SWIR2为短波红外波段；g为绿光波段。
kMNDWI的公式如下：
Figure BDA0003827397190000054
其中，mir为中红外波段；
步骤C4：采用主成分分析法，获得叠加图像X的光学波段部分的各主成分，针对第一个主成分进行面向对象分割，获得以像素群为单位的分割影像，并对各分割影像的像素群的像素值取均值，获得主成分分割特征；至此完成所有类型特征的提取，得到特征总集合W，将叠加图像X与特征总集合W叠加，获得特征融合图像Y。
作为本发明的一种优选技术方案：步骤D中马氏距离值，即两个不同类别特征集合的特征可分离性的计算如下式：
Figure BDA0003827397190000055
式中，μ为某一类别样本集合的距离均值，且μ＝(μ1,μ2,μ3,…,μn)T，x为多变量，即其他各类样本集合的距离均值，x＝(x1,x2,…,xn)T，S为x的协方差矩阵。
作为本发明的一种优选技术方案：步骤E中总体分类精度的计算步骤如下：
步骤E1：计算混淆矩阵如下：
Figure BDA0003827397190000056
Figure BDA0003827397190000061
混淆矩阵中的元素Xij表示实际为类别j，被分类为类别i的像素点数量，若i＝j，则表示分类的类别与实际类别一致的像素点数量，n为类别总数；
步骤E2：计算用户分类精度UA，即计算分类的类别与实际类别一致的像素点数量在所有像素点中的占比，其表达式如下式：
Figure BDA0003827397190000062
式中，Xni表示落在第n个类别的地物检测点的像素点被正确分类的数量，即混淆矩阵中的行：类n；
Figure BDA0003827397190000063
表示被分类为n类的像素点数量，即混淆矩阵中类n一行所有元素之和；
步骤E3：计算生产者分类精度PA，即计算各类别的漏分率，其表达式如下式：
Figure BDA0003827397190000064
式中，Xin表示被正确分类为n类的像素点数量，即混淆矩阵中的列：类n。
Figure BDA0003827397190000065
表示实际属于n类的像素点总数，即混淆矩阵中列类n的所有元素之和；
步骤E4：计算总体分类精度OA，即计算被正确分类的像素点总数与所有像素点总数的比率，其表达式如下式：
Figure BDA0003827397190000066
步骤E5：计算Kappa系数，用于表示随机分类的误差降低率，其表达式如下式：
Figure BDA0003827397190000067
式中，n表示类别，N表示其中一个类别检验样本数量，Xii表示被正确分类的像素点数量，Xi+表示实际属于其他类而被分类为i类的像素点数量，X+i表示实际属于i类而被分类为其他类的像素点数量。
作为本发明的一种优选技术方案：步骤F中梯度提升树分类器中，定义训练数据集
Figure BDA0003827397190000068
Figure BDA0003827397190000069
则提升树的模型表示为：
Figure BDA00038273971900000610
其中，gm(x)表示第m棵决策树，M表示决策树的棵数。
定义初始提升树f0(x)＝0，根据向前分步法，第m步的模型为：
fm(x)＝fm-1(x)+gm(x)
在m次迭代中，找到一个基学习器gm(x)使得损失最小，最终得到回归提升树函数模型。
梯度提升树算法利用损失函数的负梯度在当前模型的值作为提升树模型残差的近似值，并且梯度值是连续的，其损失函数的负梯度表达式如下：
Figure BDA0003827397190000071
有益效果：相对于现有技术，本发明的优点包括：
本发明设计一种基于多源遥感数据的湿地信息提取方法，该方法融合了多种类型数据，真实全面地表达了地面信息；将多个时相数据叠加，保留了时序特征；引入了主成分分割特征，充分获得了地面的几何形状信息；采用基于马氏距离的特征优选方法，合理保留了有效特征。本方法既能全面获取地面特征，也能避免特征冗余，顾及计算耗费与分类精度，实现湿地的高精度分类。
附图说明
图1是本发明实施例提供的基于多源遥感数据的湿地信息提取方法的流程示意图；
图2是本发明实施例提供的研究区样本绘制结果；
图3是本发明实施例提取的多时相指数特征可视化成果；
图4是本发明实施例提取的纹理特征可视化成果；
图5是本发明实施例提取的多时相核指数特征可视化成果；
图6是本发明实施例提取的主成分分割特征可视化成果；
图7是本发明实施例中特征敏感性实验中不同特征组合马氏距离变化情况；
图8是本发明实施例中特征敏感性实验中不同特征组合OA变化情况；
图9(a)-图9(d)是本发明实施例中不同特征数量下马氏距离值变化情况；
图10是本发明实施例中不同特征数量下OA变化情况；
图11是本发明实施例中不同特征数量下OA随分类器参数变化曲线；
图12是本发明实施例中单时相与多时相方法在长江口研究区的分类图；
图13是本发明实施例中不同集成学习方法在长江口研究区的分类图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在以往的湿地信息提取研究中，主要有两方面问题。一方面，采用线下专业软件逐一处理影像的模式往往面临速度慢、耗费大的问题，且难以进行大批量的数据合成与运算；另一方面，面对复杂多变的湿地，仅仅使用单一时相的数据难以表示完整的湿地情况。利用GEE平台进行云处理能极大提高计算效率；而利用光学、微波、DEM数据的三个月份数据叠加进行协同分类，不仅能将不同影像间信息进行互补，从多方面充分表达地面特性，还能完整表达时序信息，减少分类判断误差；另外，传统的特征处理方式往往将少量特征提取后直接堆叠放入分类器中，而采用特征重要性指数、马氏距离等加权判断对特征进行优选的方法能避免特征冗余，减少计算耗费，提高分类效率与分类精度。
在特征提取方面，将指数波段放入高斯核空间中，形成高维空间的核指数特征，更有利于分类；利用面向对象的思想，将多源数据融合影像分割为以像素堆为单位的分割图，可以有效保留地面的几何形状。结合以上思路，进而提出了多源多时相特征提取与优选的湿地信息提取方法。
本发明所设计的一种基于多源遥感数据的湿地信息提取方法，参照图1，以长江口研究区为目标区域，采集长江口研究区的包含各预设类别的地物的多时相遥感影像，针对多时相遥感影像，执行以下步骤A-步骤F，完成多时相遥感影像中各像素点的分类，进而实现目标区域的地物分类：
步骤A：参照图2，根据湿地分类体系中各土地利用类型的物候特征、分布特点，对目标区域的地物进行分类，采集目标区域的包含各预设类别的地物的多时相遥感影像，其中多时相遥感影像包括光学多光谱影像、SAR遥感影像、DEM数据，然后进入步骤B；
步骤B：分别对多光谱影像、SAR遥感影像进行预处理，将预处理后的对多光谱影像、SAR遥感影像与DEM数据三者融合，获得三时相中值合成影像，即叠加图像X，然后进入步骤C；
步骤C：针对叠加图像X的光学波段部分，提取多时相指数特征，多时相指数特征包括子特征：归一化植被指数NDVI、改进归一化差异水体指数MNDWI、归一化差值裸地与建筑用地指数NDBBI；各多时相指数特征可视化成果参照图3；
提取叠加图像X的纹理特征，其中包括叠加图像X的光学波段部分的纹理特征，光学波段部分的纹理特征包括子特征ASM、contrast、entropy、correlation，以及叠加图像X的微波波段部分的纹理特征，微波波段部分的纹理特征包括子特征entropy、intertia、gearys、gradient、direction、edgy；各纹理特征可视化成果参照图4；
针对叠加图像X的光学波段部分，计算核指数特征，核指数特征包括子特征kNDVI、kNDBBI、 kMNDWI；各核指数特征可视化成果参照图5；对叠加图像X的光学波段部分，采用主成分分析法，获得叠加图像X的光学波段部分的各主成分，针对第一个主成分进行面向对象分割，获得主成分分割特征；至此完成所有类型特征的提取，得到特征总集合W，将叠加图像X与特征总集合W叠加，获得特征融合图像Y，然后进入步骤D；主成分分割特征可视化成果参照图6；
步骤D：针对特征融合图像Y，计算特征融合图像Y中各预设类别地物的样本点的马氏距离值，以表示不同预设类别地物组合间的可分离性；然后进入步骤E；在以下步骤中，将Y替换为其他图像，并以相同原理来计算其他情况下的马氏距离值；
步骤E：将叠加图像X的光学波段部分分别与多时相指数特征、核指数特征，光学波段部分的纹理特征，微波波段部分的纹理特征组合，获得各组合后的特征图，采用梯度提升树分类器分别对各组合后的特征图中的各像素点分类，分别计算总体分类精度和马氏距离值，将分类精度和马氏距离值均高于预设阈值的组合特征定义为敏感特征；
将步骤C得到的特征融合图像Y放入梯度提升树分类器中进行训练，同时采用GEE平台中的 explain算法计算特征融合图像Y中所有子特征的特征重要性指数，而后将叠加图像X的光学波段部分筛出，将剩下的所有子特征按照特征重要性指数大小降序排列；以叠加图像X的光学部分为基础，按降序结果逐一加入新的特征，每次加入特征后都分别进行总体分类精度和马氏距离值的计算，最终分别得到总体分类精度与马氏距离值随特征数量变化的曲线图；通过分析曲线图的变化趋势，在满足大多数敏感特征在内且特征维数较小的前提下，确定前N个特征为必要特征，最后查看剩余特征中是否存在敏感特征未被选择，若有则一并加入，获得最终特征集合W，然后进入步骤F；
步骤F：将最终特征集合W输入梯度提升树分类器，对最终特征集合W中的各像素点进行分类，获得各像素点所属的预设类别，进而实现长江口研究区的地物分类。
针对本实施例，以长江口为研究区，对基于多源遥感数据的湿地信息提取方法进行有效性验证如下：
1实验设置
(1)特征敏感性分析
将不同的特征分别与光学原始光谱特征叠加组合，放入分类器中进行训练，计算得到马氏距离值与总体分类精度进行类间可分性评估与分类精度评价，通过以上两项指标评估特征敏感性。
其中，马氏距离通过代入各类样本的均值得出；特征组合共分为9类，分别为：光谱特征加光谱纹理特征、光谱特征加DEM地形特征、光谱特征加微波特征、光谱特征加指数特征、光谱特征加核指数特征、光谱特征加主成分分割特征、光谱特征加微波纹理特征、多时相光谱特征以及单时相光谱特征，其中，单时相光谱特征为2020年8月合成影响所提取的特征。
(2)基于马氏距离的特征选择
采用马氏距离进行特征选取试验。首先按重要程度排列所有的特性，设置实验起始特征为多时相的原始光谱特征，而后根据特征重要性指数由高到低逐一加入特征进行训练，计算马氏距离变化曲线与总体分类精度变化曲线，并结合特征敏感性实验的结果选取合理维度的特征。
在保持其他条件不变的情况下，对不同维度的特征集进行精度计算，随机选取50％作为训练样本， 50％作为验证样本，且两者无交集，计算总体分类精度，重复上述步骤30-50次，求总体分类精度平均值，从而绘制总体分类精度随特征数变化折线图，并标明误差。
(3)分类参数优化
参数优化基于GBDT分类器展开，参数为树的个数。设置树的范围在10-120区间，每隔10个单位取一值，获得30次平均的总体分类精度随参数值变化图。
(4)单时相与多时相对比
分别对特征单时相与多时相的4种组合方式得到的结果进行对比。单时相光谱表示输入特征仅为光学影像单个时相的光谱波段，多时相光谱波段叠加了三个时相的波段；单时相特征为去掉现有特征集中时相叠加的波段，多时相特征为特征选择后的多时相特征集。
(5)分类器对比
验证模型有效性用到的对比方法有：
两种基础学习工具：决策树(Decision Tree)、分类回归树(CART)；
两种集成学习方法：梯度提升树(Gradient Boosting)，基学习器都属于CART回归树的Boosting 集成学习框架；随机森林(Random Forest)，基学习器为多个不同训练样本与不同特征构建而成的多个决策树。
(6)评价指标
分类结果通过统计和对比总体精度(OA)，用户精度(UA)，生产者精度(PA)和Kappa系数 (Kappa)来定量评估。对于所有用到的分类算法，所有评价指标为30-50次随机初始化训练样本独立运行的实验结果的平均值。
2实验结果
(1)特征敏感性分析
图7图8分别展示了马氏距离变化曲线图与总体精度结果图。一般情况下，马氏距离值越大，总体分类精度越高，分类效果越好。然而，虽然在马氏距离变化曲线图中可以发现多时相光谱特征与多时相光谱纹理特征组合明显的优越性，然而在进行十次计算求平均的总体精度计算结果中，该特征组合并未得到较好的结果。
通过观察马氏距离变化值，发现多时相光谱特征与多时相指数特征的组合也表现出较为良好的效果，尤其是在不透水面与互花米草和不透水面与芦苇的区分方面，甚至比多时相光谱纹理特征更优越，得到的总体精度表明多时相指数特征敏感性高，适合该地区湿地生态系统的分类；再者，多时相光谱特征与微波特征的融合带来了互补信息，也呈现出较好的类间可分性结果与总体分类精度结果，尤其是在不透水面与裸潮滩、不透水面与芦苇、耕地与裸潮滩、互花米草与裸潮滩、裸潮滩与坑塘等多个较难区分的类别之间。
综上所述，多时相指数特征与多时相微波特征具有最高的特征敏感性，在后续的特征选择中应当进行着重保留；采用多时相特征叠加较采用单时相特征具有明显的效果提升，在后续实验中，将进一步对单时相与多时相特征进行全面的对比验证实验说明。
(2)优质特征集合评估
如图9所示，马氏距离随特征数量变化整体呈现正相关的趋势，在特征数小于44时，马氏距离随特征数量增长迅速，斜率较大；而当特征数量大于44时，马氏距离值呈现缓慢上升的趋势，即使有个别类间可分性有突进的现象，也不足以影响全局可分性；另外，在特征数增长到达120时，部分类间马氏距离值呈现断层式增长，如不透水面与互花米草、不透水面与坑塘、不透水面与水体、耕地和水体、耕地和互花米草、坑塘和芦苇，以及海三棱藨草与其他类间的区分性，都有明显的增高。
图10展示了OA随特征数量变化的曲线图，可以看出在特征维数小于58时，特征数量对OA影响明显，呈现正向快速增长的趋势，而在特征维数大于58时，OA区域稳定，在值为88％处上下浮动，这也验证了马氏距离与OA变化大致呈正相关，当马氏距离值较大时，类间可分性较好，OA值相对较大，分类效果较好。
结合以上分析，为了兼顾计算耗费与类间可分离性，权衡高维特征对分类器带来的巨大荷载和低维特征较小的类间可分离性，同时保证避免存在过多冗余，本研究按照特征重要性排序首先选取了前 88个特征作为最终分类的必要波段，并制作马氏距离变化量表格来验证该方法的合理性。
除此之外，考虑特征敏感性实验的结论，需要确保将多时相指数特征与多时相微波特征加入到最终特征集合中，而在前88个特征中，缺少2个多时相指数特征(MNDWI)，因此将其纳入，得到最终的90个特征维数的集合，具体如表1所示。
表1
Figure BDA0003827397190000111
Figure BDA0003827397190000121
(3)分类参数影响
根据曲线图图11可知，当参数大于等于70时OA值趋近于平稳，精度在88.02％上下，为权衡精度与计算消耗因此采用参数为70进行分类。
(4)多时相叠加的作用
单时相与多时相对比实验数据结果如表2所示，可视化图像如图12所示。相较于多时相特征，仅输入单时相原始光谱特征或将其他单时相特征全部输入，都得到较多噪声，特别是东北部海洋区域，其受云层遮挡影像严重；另外，单时相特征不能很好地表达变化的土地类型，导致精度偏低。单时相光谱特征得到OA72.73％，Kappa0.67；而多时相光谱特征OA83.81％，Kappa0.8，OA比单时相增长 11.8％，反映了多时相光谱波段的重要性。此外，在现有特征基础上的单时相特征获得了比仅使用光谱特征更好的分类效果，总体精度达到85.62％，比单时相光谱特征增加12.89％，比多时相光谱特征增长1.81％，说明最终特征集的有效性。最后，采用最终的多时相特征集所得到的分类精度达到88.02％，比去掉其他两个时相的特征集得到的OA高2.4％，Kappa高0.02，实验表明，该本研究采用的多时相特征集，具有比其他单时相特征集与单一多时相光谱特征集更丰富的信息，适用于长江口地区湿地信息提取的研究。
表2
Figure BDA0003827397190000122
(5)不同分类器效果分析
图13为采用四种不同分类器进行分类后的精度评定结果可视化影像，表3为在采用当前多时相特征集和前提下，不同方法在长江口区域的具体分类精度。发现采用决策树(DT)与CART分类器得到的分类精度较低，DT的OA为77.63％，Kappa系数0.72；CARTOA为78.34％，Kappa为0.74，总体精度CART高于DT0.71％，总体效果相差不大。通过观察分类结果图，可以发现采用CART分类器的结果存在大面积误分斑块，特别是东部水体部分，被误分为裸潮滩以及其他湿地植被；而DT 分类器存在较为明显的椒盐噪声，分类质量较差。相较于上述两个分类器，随机森林(RF)与梯度增强树(GBDT)带来了较好的分类效果，采用RF分类器得到的OA能够达到88.09％，Kappa达到 0.85；采用GBDT分类器同样能达到88％以上，Kappa系数同为0.85。从分类结果图也可以看出这两个分类器能够较好的保留真实地面形状特征，保证分类成果图的像素纯净性，虽然RF的总体分类精度略高于GBDT分类器，在2020年的分类结果图中，也表现出更为优越的效果，然而通过观察用户分类精度(UA)与生产者分类精度(PA)，在区分本研究区内重要的湿地植被(海三棱藨草、互花米草、芦苇)方面，GBDT有更显著的优势，例如，海三棱藨草在RF下的PA为52.2％，UA为67.18；而GBDT分别为73.09％、71.27％，PA与UA分别比RF分类器高20.89％与4.09％。同样，GBDT分类下互花米草的PA与UA，分别比RF高5.5％与6.41％；芦苇高5.76％与1.97％。鉴于以上分析，充分证明了才用GBDT作为长江口地区湿地信息提取分类器的有效性。
表3
Figure BDA0003827397190000131
由上述实施例可见本发明为一种基于多源遥感数据的湿地信息提取方法，本耦合了光学、微波与 DEM数据，首先微波和光学数据在进行筛选、融合、校正、裁剪等预处理后叠加三个时相数据，以便提取多时相特征，并利用DEM提取海拔与坡度特征；基于GoogleEarth pro平台绘制样本，分别选取50％作为训练和验证样本。而后采用特征敏感性分析、特征重要性排序与优选方法确定特征集，单时相与多时相特征对比、分类器对比、参数优化方法确定分类器；最后对长江口湿地生态系统进行时空变化分析；本发明设计既能全面获取地面特征，也能避免特征冗余，顾及计算耗费与分类精度，实现湿地的高精度分类。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.一种基于多源遥感数据的湿地信息提取方法，其特征在于，针对目标区域，采集目标区域的包含各预设类别的地物的多时相遥感影像，针对多时相遥感影像，执行以下步骤A-步骤F，完成多时相遥感影像中各像素点的分类，进而实现目标区域的地物分类：
步骤A：根据湿地分类体系中各土地利用类型的物候特征、分布特点，对目标区域的地物进行分类，采集目标区域的包含各预设类别的地物的多时相遥感影像，其中多时相遥感影像包括光学多光谱影像、SAR遥感影像、DEM数据，然后进入步骤B；
步骤B：分别对多光谱影像、SAR遥感影像进行预处理，将预处理后的对多光谱影像、SAR遥感影像与DEM数据三者融合，获得三时相中值合成影像，即叠加图像X，然后进入步骤C；
步骤C：针对叠加图像X的光学波段部分，提取多时相指数特征，多时相指数特征包括子特征NDVI、MNDWI、NDBBI；
提取叠加图像X的纹理特征，其中包括叠加图像X的光学波段部分的纹理特征，光学波段部分的纹理特征包括子特征ASM、contrast、entropy、correlation，以及叠加图像X的微波波段部分的纹理特征，微波波段部分的纹理特征包括子特征entropy、intertia、gearys、gradient、direction、edgy；
针对叠加图像X的光学波段部分，计算核指数特征，核指数特征包括子特征kNDVI、kNDBBI、kMNDWI；对叠加图像X的光学波段部分，采用主成分分析法，获得叠加图像X的光学波段部分的各主成分，针对第一个主成分进行面向对象分割，获得主成分分割特征；至此完成所有类型特征的提取，得到特征总集合W，将叠加图像X与特征总集合W叠加，获得特征融合图像Y，然后进入步骤D；
步骤D：针对特征融合图像Y，计算特征融合图像Y中各预设类别地物的样本点的马氏距离值，以表示不同预设类别地物组合间的可分离性；然后进入步骤E；在以下步骤中，将Y替换为其他图像，并以相同原理来计算其他情况下的马氏距离值；
步骤E：将叠加图像X的光学波段部分分别与多时相指数特征、核指数特征，光学波段部分的纹理特征，微波波段部分的纹理特征组合，获得各组合后的特征图，采用梯度提升树分类器分别对各组合后的特征图中的各像素点分类，分别计算总体分类精度和马氏距离值，将分类精度和马氏距离值均高于预设阈值的组合特征定义为敏感特征；
将步骤C得到的特征融合图像Y放入梯度提升树分类器中进行训练，同时采用GEE平台中的explain算法计算特征融合图像Y中所有子特征的特征重要性指数，而后将叠加图像X的光学波段部分筛出，将剩下的所有子特征按照特征重要性指数大小降序排列；以叠加图像X的光学部分为基础，按降序结果逐一加入新的特征，每次加入特征后都分别进行总体分类精度和马氏距离值的计算，最终分别得到总体分类精度与马氏距离值随特征数量变化的曲线图；通过分析曲线图的变化趋势，确定前N个特征为必要特征，最后查看剩余特征中是否存在敏感特征未被选择，若有则一并加入，获得最终特征集合W，然后进入步骤F；
步骤F：将最终特征集合W输入梯度提升树分类器，对最终特征集合W中的各像素点进行分类，获得各像素点所属的预设类别，进而实现目标区域的地物分类。
2.根据权利要求1所述的一种基于多源遥感数据的湿地信息提取方法，其特征在于，步骤B中对多光谱影像的预处理包括去云处理，通过去云处理去除云量大于5％的区域，并进行大气校正、日期筛选、按照研究区矢量边界进行裁剪；对SAR遥感影像的预处理包括大气校正、按照研究区矢量边界进行裁剪，并将上下轨道数据融合，将融合后所获得的SAR遥感影像进行日期筛选、模式筛选。
3.根据权利要求1所述的一种基于多源遥感数据的湿地信息提取方法，其特征在于，步骤C的具体步骤如下：
步骤C1：针对叠加图像X的光学波段部分，分别计算多时相指数特征的子特征NDVI、MNDWI、NDBBI如下式：
Figure FDA0003827397180000021
Figure FDA0003827397180000022
Figure FDA0003827397180000023
式中，NIR为叠加图像X的光学波段部分中的近红外波段，Red为红光波段，Green为绿光波段，MIR为中红外波段，SWIR2为短波红外波段；
步骤C2：提取叠加图像X的光学波段部分的纹理特征的子特征ASM、contrast、entropy、correlation，以及叠加图像X的微波波段部分的纹理特征的子特征entropy、intertia、gearys、gradient、direction、edgy如下：
定义叠加图像X的(x,y)、(x+d,y+l)位置的像素点的像素值为(i,j)，叠加图像X中像素值为(i,j)的像素点数量为N(i,j)，叠加图像X的像素点总数为Nglcm，则像素值(i,j)在叠加图像X中的出现概率P(i,j)为：
Figure FDA0003827397180000024
像素值(i,j)的能量特征ASM表达式为：
Figure FDA0003827397180000025
像素值(i,j)的对比度特征contrast表达式为：
Figure FDA0003827397180000026
像素值(i,j)的熵特征entropy表达式为：
Figure FDA0003827397180000031
像素值(i,j)的自相关特征correlation表达式为：
Figure FDA0003827397180000032
式中，
Figure FDA0003827397180000033
Figure FDA0003827397180000034
设定矩阵大小为6，通过GEE内置算法glcmTexture计算像素值为X的像素点在预设方向和距离上与像素值为Y的像素点相邻的次数，统计相邻的次数获得特征intertia；
定义9×9的核，焦点位置为(-4，-4)，其横纵坐标值分别表示与该核左侧和顶部的偏移量，该核的权值在中心像素点处为0，其余像素点处为1，利用该核针对各像素点，逐像素点取每个像素点邻域的16个像素点，并转换为一组波段，获得滤波后的影像，将原始影像与滤波后的影像作差、求幂、求和，获得特征gearys；
采用GEE内置算法求SAR遥感影像x，y方向的梯度，计算特征gradient如下式：
Figure FDA0003827397180000035
根据下式计算特征direction：
direction＝ytan-1x
利用3×3的拉普拉斯8边缘检测归一化核对图像进行滤波，获得锐化特征edgy；
步骤C3：针对叠加图像X的光学波段部分，计算核指数特征，核指数特征包括子特征kNDVI、kNDBBI、kMNDWI，其中kNDVI的计算如下式：
根据NDVI，采用径向基函数RBF再生核，则有下式：
Figure FDA0003827397180000036
式中，nir、r分别为近红外通道和红色通道的反射率，k为径向基函数RBF核函数，σ为近红外光谱和红色光谱之间的距离；
同理可得kNDBBI公式如下：
Figure FDA0003827397180000037
式中，SWIR2为短波红外波段；g为绿光波段；
kMNDWI的公式如下：
Figure FDA0003827397180000041
其中，mir为中红外波段；
步骤C4：采用主成分分析法，获得叠加图像X的光学波段部分的各主成分，针对第一个主成分进行面向对象分割，获得以像素群为单位的分割影像，并对各分割影像的像素群的像素值取均值，获得主成分分割特征；至此完成所有类型特征的提取，得到特征总集合W，将叠加图像X与特征总集合W叠加，获得特征融合图像Y。
4.根据权利要求3所述的一种基于多源遥感数据的湿地信息提取方法，其特征在于，步骤D中马氏距离值，即两个不同类别特征集合的特征可分离性的计算如下式：
Figure FDA0003827397180000042
式中，μ为某一类别样本集合的距离均值，且μ＝(μ1,μ2,μ3,…,μn)T，x为多变量，即其他各类样本集合的距离均值，x＝(x1,x2,…,xn)T，S为x的协方差矩阵。
5.根据权利要求4所述的一种基于多源遥感数据的湿地信息提取方法，其特征在于，步骤E中总体分类精度的计算步骤如下：
步骤E1：计算混淆矩阵如下：
Figure FDA0003827397180000043
混淆矩阵中的元素Xij表示实际为类别j，被分类为类别i的像素点数量，若i＝j，则表示分类的类别与实际类别一致的像素点数量，n为类别总数；
步骤E2：计算用户分类精度UA，即计算分类的类别与实际类别一致的像素点数量在所有像素点中的占比，其表达式如下式：
Figure FDA0003827397180000044
式中，Xni表示落在第n个类别的地物检测点的像素点被正确分类的数量，即混淆矩阵中的行：类n；
Figure FDA0003827397180000051
表示被分类为n类的像素点数量，即混淆矩阵中类n一行所有元素之和；
步骤E3：计算生产者分类精度PA，即计算各类别的漏分率，其表达式如下式：
Figure FDA0003827397180000052
式中，Xin表示被正确分类为n类的像素点数量，即混淆矩阵中的列：类n。
Figure FDA0003827397180000053
表示实际属于n类的像素点总数，即混淆矩阵中列类n的所有元素之和；
步骤E4：计算总体分类精度OA，即计算被正确分类的像素点总数与所有像素点总数的比率，其表达式如下式：
Figure FDA0003827397180000054
步骤E5：计算Kappa系数，用于表示随机分类的误差降低率，其表达式如下式：
Figure FDA0003827397180000055
式中，n表示类别，N表示其中一个类别检验样本数量，Xii表示被正确分类的像素点数量，Xi+表示实际属于其他类而被分类为i类的像素点数量，X+i表示实际属于i类而被分类为其他类的像素点数量。
6.根据权利要求5所述的一种基于多源遥感数据的湿地信息提取方法，其特征在于，步骤F中梯度提升树分类器中，定义训练数据集
Figure FDA0003827397180000056
则提升树的模型表示为：
Figure FDA0003827397180000057
其中，gm(x)表示第m棵决策树，M表示决策树的棵数；
定义初始提升树f0(x)＝0，根据向前分步法，第m步的模型为：
fm(x)＝fm-1(x)+gm(x)
在m次迭代中，找到一个基学习器gm(x)使得损失最小，最终得到回归提升树函数模型；
梯度提升树算法利用损失函数的负梯度在当前模型的值作为提升树模型残差的近似值，并且梯度值是连续的，其损失函数的负梯度表达式如下：
Figure FDA0003827397180000058
CN202211065408.8A 2022-08-31 2022-08-31 一种基于多源遥感数据的湿地信息提取方法 Pending CN115496939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211065408.8A CN115496939A (zh) 2022-08-31 2022-08-31 一种基于多源遥感数据的湿地信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211065408.8A CN115496939A (zh) 2022-08-31 2022-08-31 一种基于多源遥感数据的湿地信息提取方法

Publications (1)

Publication Number Publication Date
CN115496939A true CN115496939A (zh) 2022-12-20

Family

ID=84469107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211065408.8A Pending CN115496939A (zh) 2022-08-31 2022-08-31 一种基于多源遥感数据的湿地信息提取方法

Country Status (1)

Country Link
CN (1) CN115496939A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894972A (zh) * 2023-06-25 2023-10-17 耕宇牧星(北京)空间科技有限公司 融合机载相机图像和sar图像的湿地信息分类方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894972A (zh) * 2023-06-25 2023-10-17 耕宇牧星(北京)空间科技有限公司 融合机载相机图像和sar图像的湿地信息分类方法及系统
CN116894972B (zh) * 2023-06-25 2024-02-13 耕宇牧星(北京)空间科技有限公司 融合机载相机图像和sar图像的湿地信息分类方法及系统

Similar Documents

Publication Publication Date Title
Baloloy et al. Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping
Li et al. Mapping multi-layered mangroves from multispectral, hyperspectral, and LiDAR data
Tian et al. Development of spectral-phenological features for deep learning to understand Spartina alterniflora invasion
Tian et al. Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing
Zhang et al. Quantifying expansion and removal of Spartina alterniflora on Chongming island, China, using time series Landsat images during 1995–2018
Zhao et al. 10-m-resolution mangrove maps of China derived from multi-source and multi-temporal satellite observations
Hou et al. Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm
Hladik et al. Salt marsh elevation and habitat mapping using hyperspectral and LIDAR data
Adediran et al. Computer-assisted discrimination of morphological units on north-central Crete (Greece) by applying multivariate statistics to local relief gradients
CN111738144B (zh) 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
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
Zhang et al. GWL_FCS30: global 30 m wetland map with fine classification system using multi-sourced and time-series remote sensing imagery in 2020
González-Yebra et al. Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data
Omar et al. GIS and remote sensing for mangroves mapping and monitoring
LUO et al. Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery
Zeng et al. A phenology-based vegetation index classification (PVC) algorithm for coastal salt marshes using Landsat 8 images
Chen et al. Extraction of connected river networks from multi-temporal remote sensing imagery using a path tracking technique
CN116385867A (zh) 生态地块监测识别与分析方法、系统、介质、设备及终端
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
CN115496939A (zh) 一种基于多源遥感数据的湿地信息提取方法
CN107121681A (zh) 基于高分卫星遥感数据的居民地提取系统
Zhao et al. Decision surface optimization in mapping exotic mangrove species (Sonneratia apetala) across latitudinal coastal areas of China
Omar et al. Extents and distribution of mangroves in Malaysia
Xu et al. Object-based image analysis for mapping geomorphic zones of coral reefs in the Xisha Islands, China
Olthof et al. Medium resolution land cover mapping of Canada from SPOT 4/5 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