CN115512223A - 一种融合多种变化检测算法的红树林动态监测方法 - Google Patents
一种融合多种变化检测算法的红树林动态监测方法 Download PDFInfo
- Publication number
- CN115512223A CN115512223A CN202211188122.9A CN202211188122A CN115512223A CN 115512223 A CN115512223 A CN 115512223A CN 202211188122 A CN202211188122 A CN 202211188122A CN 115512223 A CN115512223 A CN 115512223A
- Authority
- CN
- China
- Prior art keywords
- mangrove forest
- mangrove
- forest
- change
- time
- 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
- 240000002044 Rhizophora apiculata Species 0.000 title claims abstract description 236
- 230000008859 change Effects 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 230000003595 spectral effect Effects 0.000 claims abstract description 82
- 238000011161 development Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000003786 synthesis reaction Methods 0.000 claims description 12
- 241000120622 Rhizophoraceae Species 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000002688 persistence Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 240000003793 Rhizophora mangle Species 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 5
- 238000001308 synthesis method Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06V20/188—Vegetation
-
- 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
- G06V10/30—Noise filtering
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种融合多种变化检测算法的红树林动态监测方法，该方法基于多元光谱指数和年际时间序列，无需训练样本，可绘制历年生长红树林的区域；通过评估多个光谱指数检测红树林扩张的适用性，筛选出最优指数，提高了变化检测算法监测红树林动态变化的能力；通过融合7种变化检测算法提出了检测红树林历史扩张、监测其近实时变化和预测其未来发展趋势的方法，并在像点尺度和区域尺度上综合分析红树林的变化，更清晰地揭示了红树林的时空变化规律。
Description
技术领域
本发明属于土地监测的技术领域，特别涉及滨海湿地的植被提取和变化检测算法，基于多源光谱指数时间序列和融合多种变化监测算法实现滨海湿地红树林的自动提取和高效监测。
背景技术
红树林是地球生态服务功能最高的自然生态系统之一，它提供了巨大的生态意义和经济意义，具有净化水质、稳固泥沙、固碳储碳等能力，在调节生物多样性以及对气候变化的缓解方面发挥着重要作用。红树林的保护和恢复与可持续发展目标(SDGs)的实施密切相关。有研究表明，近几十年来，在气候变化和人类活动的双重影响下，红树林湿地生态系统遭到严重退化。据统计，红树林在上个世纪减少了30-50％，估计这些生态系统可能在100年内消失。因此红树林历史变化地精确追踪，红树林突变事件地近实时监测和当前生长状况，未来持续演化状态地预测，已成为保护和恢复红树林的迫切需要。
目前，遥感技术已经广泛应用于红树林变化检测，主要分为高精度多时相影像分类和时间序列轨迹分析法。前者仅能获取不同时刻的红树林分布，无法完整地追踪红树林长时间序列上的演变和变化强度，同时，该方法需要大量的训练样本，难于自动化提取红树林。而后者可在时间域上对红树林进行连续监测，分析红树林在长期演变中的微小变化。此外基于光谱指数可快速提取红树林区域，且无需训练样本、分类器和分类技术，而结合光谱指数和时间序列提取红树林的方法仍有待研究。
如专利申请202011610466.5公开的一种基于密集时间遥感数据的新生红树林树龄评估方法，本发明提供的基于密集时间遥感数据的新生红树林树龄评估方法，解决了现有基于密集时间序列遥感数据变化检测的树龄评估方法中，检测算法设定的森林光谱时间变化特征(例如符合正弦或余弦分布)不符合新生红树林光谱在潮汐影响下，发生高频、随机变化的规律，无法用于新生红树林树龄评估等技术问题，实现了快速、准确获取大范围新生红树林树龄结果的目标。
不同的光谱指数对红树林的敏感程度不同，因此各光谱指数在捕捉红树林生长、干扰和恢复等事件具有不同的能力。目前，已有相关研究证明，归一化差异植被指数(NDVI)已被广泛应用于红树林的变化监测中，且可有效识别湿地植被和非植被之间的转化。而修正土壤调节植被指数(MSAVI)、归一化差异水分指数(NDMI)和增强植被指数(EVI)已在红树林的动态检测方面获得了较好的结果，但是常用的植被指数在该方面仍有待评估。此外，部分学者还提出一些对红树林识别较强的红树林指数，如红树林指数(MI)、红树林植被指数(MVI)、淹没的红树林识别指数(SMRI)等，在红树林变化检测方面仍值得探究。
不同的变化监测算法能获取到表达红树林特征变化不同信息，但也存在各自的缺点。由于不同算法的集成平台的限制，变化检测的结果可能局限于某一区域，甚至某一特定位置，因此各变化检测算法之间的相互利用对变化信息进行互补成为了一个可行的方案。此外，目前对红树林变化检测的多数研究聚焦于分析红树林的历史变化过程，而忽略了红树林当前的变化以及未来的发展趋势。因此融合多个变化检测算法并对其获取的信息进行互补，检测红树林的历史动态、监测其近实时的变化和预测其未来发展趋势值得研究。
发明内容
为了解决上述问题，本发明的首要目的在于提供一种融合多种变化检测算法的红树林动态监测方法，该方法检测(Detect)红树林历史动态、监测(Monitor)其近实时变化和状态和预测(Predict)其未来趋势，以卫星遥感影像为数据源，融合了7种不同算法来获取变化特征信息，如扩张时刻、扩张持续时间、强度和显著性等，并通过各信息之间的对比和校正来降低假阳检测和综合分析和评估其时空动态，以通过对红树林监测的准确性和可靠性。
本发明的另一个目的在于提供一种融合多种变化检测算法的红树林动态监测方法，该方法通过LandTrendr、BFAST和BFAST Monitor算法可准确捕捉红树林的扩张、恢复和扰动事件，并获取事件的时刻、强度和持续时间等，结构性检验的方法BFAST Monitor算法可监测生长稳定红树林的结构变化，Hurst算法用于评估未来红树林生长状态的持续性，揭示了红树林的历史扩张模式、反映了实时变化和预测了趋势变化。
本发明的再一个目的在于提供一种融合多种变化检测算法的红树林动态监测方法，该方法是基于多源光谱指数和年际时间序列的ATS-MSI方法，该方法基于对红树林敏感的MVI来快速提取每年潜在的红树林区域，同时DEM数据和NDWI可消除潜在红树林区域中的噪点，最后通过堆叠提取的各年潜在红树林区域，通过被识别的频率确定最终的红树林生长区域。该方法充分利用了每年的遥感影像数据，避免了在不同时刻分类过程中遗漏各时刻之间红树林生长后又损失的区域问题；此外该方法通过结合多元光谱指数的优势，弥补了单一光谱指数无法精确提取幼年或低矮红树林的缺陷，同时该方法无需训练样本可自动快速提取红树林区域。
本发明的又一个目的在于提供一种融合多种变化检测算法的红树林动态监测方法，该方法评估影响检测红树林时空变化的光谱指数，以获取最优检测结果。该过程使用了20个光谱指数，且对于每个光谱指数都通过三种方法合成其年际时间序列。该方式不仅评估了不同光谱指数检测红树林变化的适用性，而且分析了不同光谱合成方式重构的时间序列对检测结果的影响，从而获取监测红树林动态更详细的参数，实现红树林的精准监测。
为实现上述目的，本发明提供如下技术方案：
一种融合多种变化检测算法的红树林动态监测方法，该方法包括如下步骤：
步骤(1)：遥感影像预处理；
基于Google Earth Engine平台，对Sentinel-2和Landsat 5/7/8影像进行辐射归一化处理，再对云、雪和阴影进行掩膜；
步骤(2)：计算光谱指数；
计算辅助提取红树林生长区域的光谱指数以及用于检测红树林动态变化的光谱指数；
步骤(3)：重构光谱指数时间序列；
使用最大值光谱指数合成(XSIC)、中值光谱指数合成(DSIC)和均值光谱指数合成(ASIC)的方法生成三种年际时间序列影像；
步骤(4)：提取每年潜在的红树林并去噪；
基于Sentinel-2和Landsat 5/7/8影像利用红树林植被指数(MVI)时间序列数据提取潜在的红树林区域，同时使用归一化水体指数(NDWI)时间序列数据和DEM剔除提取的区域中被错误识别的陆地沼泽区域；
步骤(5)：绘制红树林区域；
分别堆叠基于Landsat 5/7/8和Sentinel-2影像提取的研究区各年潜在的红树林区域，统计每个区域被识别为红树林的次数，且识别次数大于阈值的区域被确认为最终的红树林生长区域；
步骤(6)：评估红树林的提取精度；
步骤(7)：获取最优光谱指数；
对比不同光谱指数的最优检测信息是否反映研究区红树林真实的变化一致来评估最优指数，红树林的真实变化以历史的原始影像为依据；
步骤(8)：检测红树林历史的扩张；
使用LandTrendr算法和Mann-Kendall突变检验检测大范围区域红树林的扩张变化；
步骤(9)：确定稳定的历史周期和开始监测的时间；
根据历史检测获得的研究区知识，选择扩张时期较早的区域，并根据这些区域扩张时刻确定开始监测的时间；
步骤(10)：监测红树林近实时变化；
使用BFAST Monitor算法监测生长稳定的红树林区域，并将开始监测的时间设置在新观测数据时间的一年以内，对步骤(9)中选择的红树林区域进行近实时的监测；
步骤(11)：确定预测周期；
步骤(12)：预测红树林未来的趋势变化；
基于预测时期利用Mann-Kendall显著性检验、Theil-Sen Median方法和Hurst指数获取红树林在预测时期的显著性、趋势斜率和持续程度预测红树林的未来发展趋势。
进一步，所述步骤(3)中，使用最大值光谱指数合成(XSIC)、中值光谱指数合成(DSIC)和均值光谱指数合成(ASIC)的方法生成三种年际时间序列影像，其公式1.1如下：
式中i为第i年，其中j为第j个光谱指数，SIi,j表示第i年第j个光谱指数的所有影像，SIA(i,j)代表第i年第j个光谱指数的年际时间序列影像。
更进一步，采用数据修正的方法生成年内时间序列影像，其公式1.2如下：
SIIA(i,j)＝f((k×max(SIi,j)+a)<(SIi,j+a)) (1.2)
式中f((k×Max(SIi,j)+a)<(SIi,j+a))表示掩膜经过数据修正后的SIi,j影像中光谱指数值小于k倍该年光谱指数最大值的像素，k表示可用影像观测频率的调节系数，经多次重复实验，确定k的取值范围为0.6-0.8，a表示光谱指数修正常数，SIIA(i,j)代表在第i年第j个光谱指数的年内时间序列影像。
进一步，所述步骤(4)中，基于Sentinel-2和Landsat 5/7/8影像利用红树林植被指数(MVI)时间序列数据提取潜在的红树林区域，同时使用归一化水体指数(NDWI)时间序列数据和DEM剔除提取的区域中被错误识别的陆地沼泽区域，其公式1.3-1.5如下：
式中MVIA(i)表示第i年MVI的平均值合成影像(mean(MVIi))或中值合成影像(median(MVIi))，
表示第i年提取的潜在的红树林区域，F(x,y)表示保留x区域中满足y条件的区域，shreshold表示识别潜在的红树林区域的阈值，f(DEM<8,NDWImax>0.3)表示提取高程小于8且年内NDWI最大值合成影像中像素光谱值大于0.3的区域。PMRLandsat,i表示利用第i年Landsat 5/7/8影像提取的潜在的红树林区域，PMRSentinel,i表示利用第i年Sentinel-2影像提取的潜在的红树林区域，g(x)表示在4联通条件下保留x区域中的满足面积阈值的潜在的红树林区域。Combine(x1,x2)表示合并x1，x2区域。
进一步，所述步骤(5)中，分别堆叠基于Landsat 5/7/8和Sentinel-2影像提取的研究区各年潜在的红树林区域，统计每个区域被识别为红树林的次数，且识别次数大于阈值的区域被确认为最终的红树林生长区域，其公式1.6如下：
式中，n表示研究期间的总年份，MGR表示研究期间内被Landsat 5/7/8年际影像累计识别为潜在红树林区域超过4年的区域或被Sentinel-2年际影像累计识别为潜在红树林区域超过1年的区域。
进一步，所述步骤(6)中，利用精确率(Precision)来评估提取的红树林生长区域的精度，其公式1.7如下：
式中TP为落在红树林生长区域中的验证点个数，FP为未落在红树林生长区域中的验证点个数，Precision为精确率。
进一步，所述步骤(8)中，使用LandTrendr算法和Mann-Kendall突变检验检测大范围区域红树林的扩张变化，并通过BFAST和BFAST Monitor算法验证和校正检测结果。红树林历史变化检测的公式1.8如下：
SD＝fD(y(t),c1(t),c2(t1)) (1.8)
式中，t表示整个研究区的像点的时间序列，t1表示LandTrendr算法检测结果中监测误差偏差较大的像素点的时间序列，y表示LandTrendr算法在时间域获取的红树林的特征变化信息，c1表示在时间域上不同算法之间特征信息的比较，c2表示校正存在较大偏差的检测结果，SD表示在空间域的历时检测。
Mann-Kendall突变检验的公式1.9-1.13如下：
秩序列计算：
其中：
定义统计变量：
其中：
E(dk)＝n(n+1)/4 (1.12)
UFk是按时间序列顺序计算出的统计量序列，在显著性水平α2下，若
则表明序列存在明显的趋势变化。逆排序时间序列，计算UBk，使得UBk＝-UFk,k＝n,n-1,…,1，当两条曲线相交且交点在
和
之间，则交点对应的时刻为突变开始的时间。本文仅保留了UBk与UFk存在唯一交点的区域，取α2＝0.01，0.05。
BFAST和BFAST Monitor分解模型(公式1.14)如下：
Yt＝Tt+St+Rt,(t＝1,...,p) (1.14)
式中Yt为原始数据，Tt为趋势分量，St为季节分量，Rt为残差分量，p表示观测到的次数。Tt可以表示为m+1段的分段线性模型(公式1.15)：
式中i＝1,…,m，m是趋势分量断点的数量。St可以表示为l+1段的分段谐波模型(公式1.16)：
式中j＝1,…,l，l是季节分量断点的数量。k是谐波项的数量，一般设置为3，f为一个观测周期中观测的次数。
进一步，所述步骤(12)中，基于预测时期利用Mann-Kendall显著性检验、Theil-Sen Median方法和Hurst指数获取红树林在预测时期的显著性、趋势斜率和持续程度预测红树林的未来发展趋势。Mann-Kendall显著性检验的公式1.17-1.20如下：
其中：
式中，h表示研究期间内第h年且1≤h<i≤n，sgn表示符号函数。在置信水平α1下，
，则表示某一时期内红树林的变化趋势在α1水平上存在显著性，
，则表示某一时期内红树林的变化趋势在α1水平上不存在显著性，取α1＝0.05。
Theil-Sen Median方法的公式1.21如下：
式中，slope表示n(n－1)/2个数据组合的斜率的中位数，slope>0.0005时，表示某一时期内红树林的生长呈现增强的趋势，slope<-0.0005时，表示某一时期内红树林的生长呈现衰退的趋势，-0.0005≤slope≤0.0005时，表示某一时期内红树林的生长保持稳定。
Hurst指数计算过程如下(公式1.22-1.27)：
平均值公式为：
累计偏差公式为：
极差公式为：
标准偏差公式为：
Hurst指数计算：
对等式两边取对数，并通过线性回归计算H。
log(R/S)n＝logc+H log(n) (1.27)
式中，c表示常数。Hurst指数的被分为三类：0<H<0.5表示红树林的未来趋势与过去相反，H接近0表明反持续性越强。H＝0.5表示红树林的未来趋势与过去没有相关性。H>0.5表示红树林的未来趋势与过去相同，H接近1表明持续性越强。
与现有技术相比，本发明有益的是：
本发明评估了20个光谱指数对红树林变化的适用性，基于筛选的最优光谱指数获取准确的变化检测结果，降低了检测误差，为进一步评估不同变化检测算法(模型)的性能提供了参数。
同时，开发了一种基于多源光谱指数和年际时间序列的ATS-MSI方法，通过MVI对红树林的良好识别能力以及红树林分布的位置利用DEM和NDWI提取每年潜在的红树林区域并去噪，降低了被错误识别为红树林的面积，再根据各像点被识别为潜在红树林的频率来进一步削弱该影响，以获取更完整的红树林斑块。
而且，本发明通过融合7种变化监测算法，对获取的变化特征信息进行互补来降低假阳性检测、综合分析红树林变化以及揭示红树林的扩张模式。通过在像点尺度上和区域尺度上来描述红树林在时间上和空间上的演化过程，近实时突变事件以及未来趋势发展，以此来反映红树林在不同区域和不同时期的差异，为红树林的管理和保护提供依据。
附图说明
图1为本发明所实现的融合多种变化检测算法的红树林动态监测方法的流程图。
图2为本发明所实现的红树林生长区域结果图。
图3为本发明所实现的红树林未来趋势发展的结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
以下分别说明本发明的实现步骤。
步骤(1)：遥感影像预处理；
基于Google Earth Engine平台，对Sentinel-2和Landsat 5/7/8影像进行辐射归一化处理，再对云、雪和阴影进行掩膜。
步骤(2)：计算光谱指数；
计算辅助提取红树林生长区域的光谱指数以及用于检测红树林动态变化的光谱指数。
步骤(3)：重构光谱指数时间序列；
使用最大值光谱指数合成(XSIC)、中值光谱指数合成(DSIC)和均值光谱指数合成(ASIC)的方法生成三种年际时间序列影像，其公式1.1如下：
式中i为第i年，其中j为第j个光谱指数，SIi,j表示第i年第j个光谱指数的所有影像，SIA(i,j)代表第i年第j个光谱指数的年际时间序列影像。
采用数据修正的方法生成年内时间序列影像，其公式1.2如下：
SIIA(i,j)＝f((k×max(SIi,j)+a)<(SIi,j+a)) (1.2)
式中f((k×Max(SIi,j)+a)<(SIi,j+a))表示掩膜经过数据修正后的SIi,j影像中光谱指数值小于k倍该年光谱指数最大值的像素，k表示可用影像观测频率的调节系数，经多次重复实验，确定k的取值范围为0.6-0.8，a表示光谱指数修正常数，SIIA(i,j)代表在第i年第j个光谱指数的年内时间序列影像。
步骤(4)：提取每年潜在的红树林并去噪；
基于Sentinel-2和Landsat 5/7/8影像利用红树林植被指数(MVI)时间序列数据提取潜在的红树林区域，同时使用归一化水体指数(NDWI)时间序列数据和DEM剔除提取的区域中被错误识别的陆地沼泽区域，其公式1.3-1.5如下：
式中MVIA(i)表示第i年MVI的平均值合成影像(mean(MVIi))或中值合成影像(median(MVIi))，
表示第i年提取的潜在的红树林区域，F(x,y)表示保留x区域中满足y条件的区域，shreshold表示识别潜在的红树林区域的阈值，f(DEM<8,NDWImax>0.3)表示提取高程小于8且年内NDWI最大值合成影像中像素光谱值大于0.3的区域。PMRLandsat,i表示利用第i年Landsat 5/7/8影像提取的潜在的红树林区域，PMRSentinel,i表示利用第i年Sentinel-2影像提取的潜在的红树林区域，g(x)表示在4联通条件下保留x区域中的满足面积阈值的潜在的红树林区域。Combine(x1,x2)表示合并x1，x2区域。
步骤(5)：绘制红树林区域；
分别堆叠基于Landsat 5/7/8和Sentinel-2影像提取的研究区各年潜在的红树林区域，统计每个区域被识别为红树林的次数，且识别次数大于阈值的区域被确认为最终的红树林生长区域，其公式1.6如下：
式中，n表示研究期间的总年份，MGR表示研究期间内被Landsat 5/7/8年际影像累计识别为潜在红树林区域超过4年的区域或被Sentinel-2年际影像累计识别为潜在红树林区域超过1年的区域。提取的红树林生长区域如图2所示。
步骤(6)：评估红树林的提取精度；
利用精确率(Precision)来评估提取的红树林生长区域的精度，其公式1.7如下：
式中TP为落在红树林生长区域中的验证点个数，FP为未落在红树林生长区域中的验证点个数，Precision为精确率。
步骤(7)：获取最优光谱指数；
对比不同光谱指数的最优检测信息是否反映研究区红树林真实的变化一致来评估最优指数，红树林的真实变化以历史的原始影像为依据。
步骤(8)：检测红树林历史的扩张；
使用LandTrendr算法和Mann-Kendall突变检验检测大范围区域红树林的扩张变化，并通过BFAST和BFAST Monitor算法验证和校正检测结果。红树林历史变化检测的公式1.8如下：
SD＝fD(y(t),c1(t),c2(t1)) (1.8)
式中，t表示整个研究区的像点的时间序列，t1表示LandTrendr算法检测结果中监测误差偏差较大的像素点的时间序列，y表示LandTrendr算法在时间域获取的红树林的特征变化信息，c1表示在时间域上不同算法之间特征信息的比较，c2表示校正存在较大偏差的检测结果，SD表示在空间域的历时检测。
Mann-Kendall突变检验的公式1.9-1.13如下：
秩序列计算：
其中：
定义统计变量：
其中：
E(dk)＝n(n+1)/4 (1.12)
UFk是按时间序列顺序计算出的统计量序列，在显著性水平α2下，若
则表明序列存在明显的趋势变化。逆排序时间序列，计算UBk，使得UBk＝-UFk,k＝n,n-1,…,1，当两条曲线相交且交点在
和
之间，则交点对应的时刻为突变开始的时间。本文仅保留了UBk与UFk存在唯一交点的区域，取α2＝0.01，0.05。
BFAST和BFAST Monitor分解模型(公式1.14)如下：
Yt＝Tt+St+Rt,(t＝1,...,p) (1.14)
式中Yt为原始数据，Tt为趋势分量，St为季节分量，Rt为残差分量，p表示观测到的次数。Tt可以表示为m+1段的分段线性模型(公式1.15)：
式中i＝1,…,m，m是趋势分量断点的数量。St可以表示为l+1段的分段谐波模型(公式1.16)：
式中j＝1,…,l，l是季节分量断点的数量。k是谐波项的数量，一般设置为3，f为一个观测周期中观测的次数。
步骤(9)：确定稳定的历史周期和开始监测的时间；
根据历史检测获得的研究区知识，选择扩张时期较早的区域，并根据这些区域扩张时刻确定开始监测的时间。
步骤(10)：监测红树林近实时变化；
使用BFAST Monitor算法监测生长稳定的红树林区域，并将开始监测的时间设置在新观测数据时间的一年以内，对步骤(9)中选择的红树林区域进行近实时的监测。
步骤(11)：确定预测周期；
根据历史检测获得的研究区知识，分析红树林在时间序列上的变化规律，选择合理的预测周期。
步骤(12)：预测红树林未来的趋势变化；
基于预测时期利用Mann-Kendall显著性检验、Theil-Sen Median方法和Hurst指数获取红树林在预测时期的显著性、趋势斜率和持续程度预测红树林的未来发展趋势。Mann-Kendall显著性检验的公式1.17-1.20如下：
其中：
式中，h表示研究期间内第h年且1≤h<i≤n，sgn表示符号函数。在置信水平α1下，if
则表示某一时期内红树林的变化趋势在α1水平上存在显著性，if
则表示某一时期内红树林的变化趋势在α1水平上不存在显著性，本文取α1＝0.05。
Theil-Sen Median方法的公式1.21如下：
式中，slope表示n(n－1)/2个数据组合的斜率的中位数，slope>0.0005时，表示某一时期内红树林的生长呈现改善的趋势；-0.0005≤slope≤0.0005时，表示某一时期内红树林的生长保持稳定；slope<-0.0005时，表示某一时期内红树林的生长呈现衰退的趋势。
Hurst指数计算过程如下(公式1.22-1.27)：
平均值公式为：
累计偏差公式为：
极差公式为：
标准偏差公式为：
Hurst指数计算：
对等式两边取对数，并通过线性回归计算H。
log(R/S)n＝logc+H log(n) (1.27)
式中，c表示常数。Hurst指数的被分为三类：0<H<0.5表示红树林的未来趋势与过去相反，H接近0表明反持续性越强。H＝0.5表示红树林的未来趋势与过去没有相关性。H>0.5表示红树林的未来趋势与过去相同，H接近1表明持续性越强。基于DMP方法红树林未来趋势发展的预测结果如图3所示。
本发明基于多源光谱指数和年际时间序列来实现红树林生长区域的绘制，该方法通过NDWI和DEM降低MVI错误识别为红树林的区域，并基于堆叠的方法再次减少该影响，同时使提取的红树林斑块更完整。同时，评估了20个光谱指数检测红树林扩张的能力，特别是对红树林识别敏感的光谱指数。获取适用于红树林变化检测的光谱指数能更精确的捕捉红树林的变化特征，同时为检测红树林变化提供了新的参数依据以及为评估不同变化检测算法获取的信息的准确性降低了偏差。最后，提出了融合7种变化检测算法监测红树林变化的DMP方法，该方法基于LandTrendr、Mann-Kendall突变检验、BFAST和BFAST Monitor算法减少了假阳性检测结果，并揭示了红树林的历史扩张。同时历史检测可为近实时的监测和未来趋势预测提供研究区知识，以进一步获取更精准的变化信息，实现了在像点尺度上和区域尺度上对红树林过去、现在和将来的突变、渐变和持续状态的综合分析。
总之，本发明的优点如下：
1.通过融合多源光谱指数和年际时间序列开发了一种ATS-MSI算法，可快速、准确自动提取红树林区域，为红树林的绘制提供了新工具；
2.评估20个光谱指数检对检测红树林扩张变化的适用性，同时也分析了不同的构建年际时间序列的方法对检测结果的影响，为红树林的动态监测获取最优结果提供重要参数依据。
3.提出了融合7种变化检测算法监测红树林的DMP方法，该方法能有效反映红树林在历史扩张过程中的扩张时刻、持续时间、强度和显著性等信息，以揭示红树林的扩张模式，并同时根据历史检测为近实时的监测和趋势预测提供有用信息，全面地表征了红树林在整个时间尺度上和空间尺度上地变化规律。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合多种变化检测算法的红树林动态监测方法，其特征在于包括如下步骤：
步骤(1)：遥感影像预处理；
基于Google Earth Engine平台，对Sentinel-2和Landsat 5/7/8影像进行辐射归一化处理，再对云、雪和阴影进行掩膜；
步骤(2)：计算光谱指数；
计算辅助提取红树林生长区域的光谱指数以及用于检测红树林动态变化的光谱指数；
步骤(3)：重构光谱指数时间序列；
使用最大值光谱指数合成(XSIC)、中值光谱指数合成(DSIC)和均值光谱指数合成(ASIC)的方法生成三种年际时间序列影像；
步骤(4)：提取每年潜在的红树林并去噪；
基于Sentinel-2和Landsat 5/7/8影像利用红树林植被指数(MVI)时间序列数据提取潜在的红树林区域，同时使用归一化水体指数(NDWI)时间序列数据和DEM剔除提取的区域中被错误识别的陆地沼泽区域；
步骤(5)：绘制红树林区域；
分别堆叠基于Landsat 5/7/8和Sentinel-2影像提取的研究区各年潜在的红树林区域，统计每个区域被识别为红树林的次数，且识别次数大于阈值的区域被确认为最终的红树林生长区域；
步骤(6)：评估红树林的提取精度；
步骤(7)：获取最优光谱指数；
对比不同光谱指数的最优检测信息是否反映研究区红树林真实的变化一致来评估最优指数，红树林的真实变化以历史的原始影像为依据；
步骤(8)：检测红树林历史的扩张；
使用LandTrendr算法和Mann-Kendall突变检验检测大范围区域红树林的扩张变化；
步骤(9)：确定稳定的历史周期和开始监测的时间；
根据历史检测获得的研究区知识，选择扩张时期较早的区域，并根据这些区域扩张时刻确定开始监测的时间；
步骤(10)：监测红树林近实时变化；
使用BFAST Monitor算法监测生长稳定的红树林区域，并将开始监测的时间设置在新观测数据时间的一年以内，对步骤(9)中选择的红树林区域进行近实时的监测；
步骤(11)：确定预测周期；
步骤(12)：预测红树林未来的趋势变化；
基于预测时期利用Mann-Kendall显著性检验、Theil-Sen Median方法和Hurst指数获取红树林在预测时期的显著性、趋势斜率和持续程度预测红树林的未来发展趋势。
2.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(3)中，使用最大值光谱指数合成、中值光谱指数合成和均值光谱指数合成的方法生成三种年际时间序列影像，其公式如下：
式中i为第i年，其中j为第j个光谱指数，SIi,j表示第i年第j个光谱指数的所有影像，SIA(i,j)代表第i年第j个光谱指数的年际时间序列影像。
3.根据权利要求2所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(3)中，
采用数据修正的方法生成年内时间序列影像，其修正公式如下：
SIIA(i,j)＝f((k×max(SIi,j)+a)<(SIi,j+a))
式中f((k×Max(SIi,j)+a)<(SIi,j+a))表示掩膜经过数据修正后的SIi,j影像中光谱指数值小于k倍该年光谱指数最大值的像素，k表示可用影像观测频率的调节系数，k的取值范围为0.6-0.8，a表示光谱指数修正常数，SIIA(i,j)代表在第i年第j个光谱指数的年内时间序列影像。
4.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(4)中，基于Sentinel-2和Landsat 5/7/8影像利用红树林植被指数时间序列数据提取潜在的红树林区域，同时使用归一化水体指数时间序列数据和DEM剔除提取的区域中被错误识别的陆地沼泽区域，其公式如下：
式中MVIA(i)表示第i年MVI的平均值合成影像(mean(MVIi))或中值合成影像(median(MVIi))，
表示第i年提取的潜在的红树林区域，F(x,y)表示保留x区域中满足y条件的区域，shreshold表示识别潜在的红树林区域的阈值，f(DEM<8,NDWImax>0.3)表示提取高程小于8且年内NDWI最大值合成影像中像素光谱值大于0.3的区域，PMRLandsat,i表示利用第i年Landsat 5/7/8影像提取的潜在的红树林区域，PMRSentinel,i表示利用第i年Sentinel-2影像提取的潜在的红树林区域，g(x)表示在4联通条件下保留x区域中的满足面积阈值的潜在的红树林区域，Combine(x1,x2)表示合并x1，x2区域。
5.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(5)中，分别堆叠基于Landsat 5/7/8和Sentinel-2影像提取的研究区各年潜在的红树林区域，统计每个区域被识别为红树林的次数，且识别次数大于阈值的区域被确认为最终的红树林生长区域，其公式如下：
式中，n表示研究期间的总年份，MGR表示研究期间内被Landsat 5/7/8年际影像累计识别为潜在红树林区域超过4年的区域或被Sentinel-2年际影像累计识别为潜在红树林区域超过1年的区域。
6.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(6)中，利用精确率(Precision)来评估提取的红树林生长区域的精度，其公式如下：
式中TP为落在红树林生长区域中的验证点个数，FP为未落在红树林生长区域中的验证点个数，Precision为精确率。
7.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(8)中，使用LandTrendr算法和Mann-Kendall突变检验检测大范围区域红树林的扩张变化，并通过BFAST和BFAST Monitor算法验证和校正检测结果，红树林历史变化检测的公式如下：
SD＝fD(y(t),c1(t),c2(t1))
式中，t表示整个研究区的像点的时间序列，t1表示LandTrendr算法检测结果中监测误差偏差较大的像素点的时间序列，y表示LandTrendr算法在时间域获取的红树林的特征变化信息，c1表示在时间域上不同算法之间特征信息的比较，c2表示校正存在较大偏差的检测结果，SD表示在空间域的历时检测。
Mann-Kendall突变检验的公式如下：
秩序列计算：
其中：
定义统计变量：
其中：
E(dk)＝n(n+1)/4
UFk是按时间序列顺序计算出的统计量序列，在显著性水平α2下，若|UFk|>U1-α2/2，则表明序列存在明显的趋势变化。逆排序时间序列，计算UBk，使得UBk＝-UFk,k＝n,n-1,…,1，当两条曲线相交且交点在U1-α2/2和-U1-α2/2之间，则交点对应的时刻为突变开始的时间。
8.根据权利要求7所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(8)中，通过BFAST和BFAST Monitor算法验证和校正检测结果，
BFAST和BFAST Monitor分解模型如下：
Yt＝Tt+St+Rt,(t＝1,...,p)
式中Yt为原始数据，Tt为趋势分量，St为季节分量，Rt为残差分量，p表示观测到的次数，Tt可以表示为m+1段的分段线性模型如下：
式中i＝1,…,m，m是趋势分量断点的数量，St可以表示为l+1段的分段谐波模型如下：
式中j＝1,…,l，l是季节分量断点的数量，k是谐波项的数量，设置为3，f为一个观测周期中观测的次数。
9.根据权利要求1所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(12)中，Mann-Kendall显著性检验的公式如下：
其中：
式中，h表示研究期间内第h年且1≤h<i≤n，sgn表示符号函数。在置信水平α1下，if
则表示某一时期内红树林的变化趋势在α1水平上存在显著性，if
则表示某一时期内红树林的变化趋势在α1水平上不存在显著性，α1＝0.05。
10.根据权利要求9所述的融合多种变化检测算法的红树林动态监测方法，其特征在于所述步骤(12)中，
Theil-Sen Median方法的公式如下：
式中，slope表示n(n－1)/2个数据组合的斜率的中位数，slope>0.0005时，表示某一时期内红树林的生长呈现增强的趋势，slope<-0.0005时，表示某一时期内红树林的生长呈现衰退的趋势，-0.0005≤slope≤0.0005时，表示某一时期内红树林的生长保持稳定；
Hurst指数计算过程如下：
平均值公式为：
累计偏差公式为：
极差公式为：
标准偏差公式为：
Hurst指数计算：
对等式两边取对数，并通过线性回归计算H；
log(R/S)n＝logc+Hlog(n)
式中，c表示常数；Hurst指数的被分为三类：0<H<0.5表示红树林的未来趋势与过去相反，H接近0表明反持续性越强，H＝0.5表示红树林的未来趋势与过去没有相关性，H>0.5表示红树林的未来趋势与过去相同，H接近1表明持续性越强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211188122.9A CN115512223B (zh) | 2022-09-28 | 2022-09-28 | 一种融合多种变化检测算法的红树林动态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211188122.9A CN115512223B (zh) | 2022-09-28 | 2022-09-28 | 一种融合多种变化检测算法的红树林动态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115512223A true CN115512223A (zh) | 2022-12-23 |
| CN115512223B CN115512223B (zh) | 2023-08-11 |
Family
ID=84506237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211188122.9A Active CN115512223B (zh) | 2022-09-28 | 2022-09-28 | 一种融合多种变化检测算法的红树林动态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115512223B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117519067A (zh) * | 2023-10-20 | 2024-02-06 | 东北大学 | 一种连轧过程多机架控制性能评价方法 |
| CN118229687A (zh) * | 2024-05-24 | 2024-06-21 | 暨南大学 | 一种红树林生态退化评定方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008206421A (ja) * | 2007-02-23 | 2008-09-11 | Kansai Electric Power Co Inc:The | マングローブの生長予測システム、マングローブの植林適地判定システム、マングローブの生長予測方法、及びマングローブの植林適地判定方法 |
| CN105718936A (zh) * | 2016-02-02 | 2016-06-29 | 福州大学 | 一种森林动态变化模式自动提取方法 |
| WO2020106720A1 (en) * | 2018-11-21 | 2020-05-28 | Tohidi Ali | Fire monitoring |
| CN114120137A (zh) * | 2021-10-19 | 2022-03-01 | 桂林理工大学 | 一种基于时序主被遥感影像的湿地要素时空演变监测方法 |
| US20220067614A1 (en) * | 2018-12-19 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for crop yield prediction |
| CN114187523A (zh) * | 2021-12-20 | 2022-03-15 | 二十一世纪空间技术应用股份有限公司 | 一种高分辨率遥感影像红树林监测方法及系统 |
| CN114266958A (zh) * | 2021-11-16 | 2022-04-01 | 中林信达（北京）科技信息有限责任公司 | 一种基于云平台的红树林遥感快速精准提取方法 |
| CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
| CN115810155A (zh) * | 2023-01-18 | 2023-03-17 | 中关村睿宸卫星创新应用研究院 | 一种潮汐湿地的分类方法 |
-
2022
- 2022-09-28 CN CN202211188122.9A patent/CN115512223B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008206421A (ja) * | 2007-02-23 | 2008-09-11 | Kansai Electric Power Co Inc:The | マングローブの生長予測システム、マングローブの植林適地判定システム、マングローブの生長予測方法、及びマングローブの植林適地判定方法 |
| CN105718936A (zh) * | 2016-02-02 | 2016-06-29 | 福州大学 | 一种森林动态变化模式自动提取方法 |
| WO2020106720A1 (en) * | 2018-11-21 | 2020-05-28 | Tohidi Ali | Fire monitoring |
| US20220067614A1 (en) * | 2018-12-19 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for crop yield prediction |
| CN114120137A (zh) * | 2021-10-19 | 2022-03-01 | 桂林理工大学 | 一种基于时序主被遥感影像的湿地要素时空演变监测方法 |
| CN114266958A (zh) * | 2021-11-16 | 2022-04-01 | 中林信达（北京）科技信息有限责任公司 | 一种基于云平台的红树林遥感快速精准提取方法 |
| CN114187523A (zh) * | 2021-12-20 | 2022-03-15 | 二十一世纪空间技术应用股份有限公司 | 一种高分辨率遥感影像红树林监测方法及系统 |
| CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
| CN115810155A (zh) * | 2023-01-18 | 2023-03-17 | 中关村睿宸卫星创新应用研究院 | 一种潮汐湿地的分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| BOLIN FU ET AL.: "Comparison of RFE-DL and stacking ensemble learning algorithms for classifying mangrove species on UAV multispectral images", INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION * |
| 王子予 等: "基于Google Earth Engine 的1986—2018 年 广东红树林年际变化遥感分析", 热带地理 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117519067A (zh) * | 2023-10-20 | 2024-02-06 | 东北大学 | 一种连轧过程多机架控制性能评价方法 |
| CN118229687A (zh) * | 2024-05-24 | 2024-06-21 | 暨南大学 | 一种红树林生态退化评定方法 |
| CN118229687B (zh) * | 2024-05-24 | 2024-08-13 | 暨南大学 | 一种红树林生态退化评定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115512223B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hermosilla et al. | Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics | |
| CN115512223A (zh) | 一种融合多种变化检测算法的红树林动态监测方法 | |
| Meng et al. | Effects of fire severity and post-fire climate on short-term vegetation recovery of mixed-conifer and red fir forests in the Sierra Nevada Mountains of California | |
| Verbesselt et al. | Phenological change detection while accounting for abrupt and gradual trends in satellite image time series | |
| Brooks et al. | On-the-fly massively multitemporal change detection using statistical quality control charts and Landsat data | |
| Carvalho et al. | Long-term evaluation of three satellite ocean color algorithms for identifying harmful algal blooms (Karenia brevis) along the west coast of Florida: A matchup assessment | |
| CN111832506B (zh) | 一种基于长时序植被指数的重建植被遥感判别方法 | |
| Lopes et al. | Evaluation of long-term estuarine vegetation changes through Landsat imagery | |
| Saidi et al. | Assessment of trends in extreme precipitation events: a case study in Piedmont (North-West Italy) | |
| CN114120137B (zh) | 一种基于时序植被遥感影像的湿地要素时空演变监测方法 | |
| Steger et al. | Deciphering seasonal effects of triggering and preparatory precipitation for improved shallow landslide prediction using generalized additive mixed models | |
| Lin et al. | Rain identification in ASCAT winds using singularity analysis | |
| CN115937692B (zh) | 一种滨海湿地碳汇效果评估方法和系统 | |
| Pan et al. | Detection of short-term urban land use changes by combining SAR time series images and spectral angle mapping | |
| Shu et al. | Characterization of daily rainfall variability in Hong Kong: A nonlinear dynamic perspective | |
| Xie et al. | A novel quality control method of time-series ocean wave observation data combining deep-learning prediction and statistical analysis | |
| CN115907574A (zh) | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 | |
| Alcayaga | Filtering of pulsed lidar data using spatial information and a clustering algorithm | |
| Nicolet et al. | A multi-criteria leave-two-out cross-validation procedure for max-stable process selection | |
| Boriah et al. | A Comparative Study Of Algorithms For Land Cover Change. | |
| Moumtzidou et al. | Flood detection with Sentinel-2 satellite images in crisis management systems. | |
| CN115861262A (zh) | 一种火后植被恢复动态监测方法及系统 | |
| Adams et al. | Detection of land-use change and rapid recovery of vegetation after deforestation in The Congo Basin | |
| CN111157967B (zh) | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 | |
| Vousoughi | The trend of groundwater level using threshold-based wavelet de-noising approach |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20221223 Assignee: Guangxi Yuzhi Information Technology Co.,Ltd. Assignor: GUILIN University OF TECHNOLOGY Contract record no.: X2023980044314 Denomination of invention: A Dynamic Monitoring Method for Mangrove Forests by Integrating Multiple Change Detection Algorithms Granted publication date: 20230811 License type: Common License Record date: 20231023 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20221223 Assignee: Guilin Yidoumi Information Technology Co.,Ltd. Assignor: GUILIN University OF TECHNOLOGY Contract record no.: X2023980044286 Denomination of invention: A Dynamic Monitoring Method for Mangrove Forests by Integrating Multiple Change Detection Algorithms Granted publication date: 20230811 License type: Common License Record date: 20231027 |
|
| EE01 | Entry into force of recordation of patent licensing contract |