CN115620133A - 一种顾及物候与水位时序特征的红树林提取方法 - Google Patents
一种顾及物候与水位时序特征的红树林提取方法 Download PDFInfo
- Publication number
- CN115620133A CN115620133A CN202211220766.1A CN202211220766A CN115620133A CN 115620133 A CN115620133 A CN 115620133A CN 202211220766 A CN202211220766 A CN 202211220766A CN 115620133 A CN115620133 A CN 115620133A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- mndwi
- time sequence
- mangrove forest
- pwtmi
- 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 89
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification 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
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral 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
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种顾及物候与水位时序特征的红树林提取方法,包括筛选多光谱遥感影像;构建NDVI和MNDWI原始时间序列;利用谐波模型对每个像素的NDVI和MNDWI时间序列进行重建;构建顾及物候与水位时序特征的红树林指数PWTMI并计算目标年份的PWTMI图像;根据样本的PWTMI统计结果确定阈值范围提取红树林初步范围;去除误分像素,得到最终的红树林提取结果。本发明的有益效果是:本发明结合了光谱特征与时序特征,充分使用了长时序遥感数据,利用该方法可以快速获得大尺度、长时序的红树林分布数据集,有助于掌握红树林的时空动态,为红树林的保护修复与科学管理提供数据支持和决策参考。
Description
技术领域
本发明涉及遥感影像的分类提取技术领域,更确切地说,它涉及一种顾及物候与水位时序特征的红树林提取方法。
背景技术
红树林是热带与亚热带海岸带生产力最高的海洋生态系统之一,在净化海水、防浪护堤、维持生物多样性、固碳储碳等方面发挥着极为重要的作用。近年来,中国红树林保护修复取得积极进展,初步扭转了红树林面积急剧减少的趋势,但红树林总面积偏小、生境退化、生物多样性降低、外来生物入侵等问题还比较突出。
红树林制图研究常用的数据源为中分辨率光学遥感数据,其中最普遍的为Landsat数据。Landsat数据具有中等的时空分辨率,能够提供1972年至今的长时序遥感数据,在提供长时序数据方面具有无可取代的优势。Sentinel-2数据具有更高的时空分辨率,但只能提供2015年至今的数据,是近年来红树林制图研究的另一主要数据源。但目前对红树林的监测仅仅使用单时相或者多个时相数据,仅有少数研究使用了长时序数据,忽略了长时序遥感数据的优势,不能很好发挥数据潜力。
研究方法上,红树林制图研究主要可分为两类:一是使用影像分类的方法,二是基于植被指数进行阈值分割或决策树分类。影像分类方法依赖于大量的样本和复杂的分类器,计算效率低,泛化能力差,不适合大规模提取红树林。样本数量和准确率对分类结果的影响很大,而实际情况中往往很难获取大量实测样本,并且复杂的分类器意味着更大的计算量。另一方面,由于传感器参数、成像条件以及背景环境的差异,训练数据往往难以迁移到其他影像或其他区域。快速准确的红树林提取方法仍有待开发。
利用光谱指数可以快速提取大范围的目标地物。至今已有很多植被指数被用于植被制图,比如NDVI、SAVI、EVI等。但这些指数并非针对红树林,所以无法区分红树林与其他陆地植被。一些研究人员利用不同卫星数据的输入波段提出了红树林特有的指数用于红树林提取,如MVI、CMRI、EMVI等。已有的红树林指数大多是基于光谱特征开发的,少数使用高潮和低潮时刻的影像将潮汐特征考虑进来,尚无指数使用长时序特征。
发明内容
本发明的目的是克服现有技术的不足,提供了一种顾及物候与水位时序特征的红树林提取方法。
第一方面,提供了一种顾及物候与水位时序特征的红树林提取方法,包括:
步骤1,筛选目标区域目标时相前后三年所有可用的多光谱遥感影像,并对所述多光谱遥感影像进行预处理;
步骤2,计算所有多光谱遥感影像对应的归一化植被指数NDVI图像和改进的归一化水指数MNDWI图像,构建NDVI和MNDWI原始时间序列;
步骤3,利用谐波模型对每个像素的NDVI和MNDWI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候和水位时序特征;
步骤4,构建顾及物候与水位时序特征的红树林指数PWTMI并计算目标年份的PWTMI图像;
步骤5,根据样本的PWTMI统计结果确定阈值范围提取红树林初步范围;
步骤6,结合NDVI均值图像和地形数据,去除误分像素,得到最终的红树林提取结果。
作为优选,步骤2中,NDVI的计算公式为:
其中,NIR为近红外波段值,Red为红光波段值;
MNDWI的计算公式为:
其中,Green为绿光波段值,SWIR1为短波红外波段值。
作为优选,步骤3中,对每个像素的NDVI和MNDWI时间序列进行重建以表征物候和水位时序特征,其计算公式为:
作为优选,步骤4中,PWTMI的计算公式为:
FNDVI=(cNDVI-dNDVI+1)×(meanNDVI+1)/differenceNDVI
FMNDWI=(cMNDWI-dMNDWI+1)×(meanMNDWI+1)/differenceMNDWI
WTMI=FNDVI×FMNDWI
其中,cNDVI、dNDVI和cMNDWI、dMNDWI分别为NDVI、MNDWI时间序列模型的谐波分量,meanNDVI和meanMNDWI分别为重建后的NDVI、MNDWI时间序列数据均值,differenceNDVI和differenceMNDWI分别为重建后的NDVI、MNDWI时间序列数据最大最小值差值,FNDVI和FMNDWI分别为NDVI因子、MNDWI因子。
作为优选,步骤5中,红树林提取需满足的表达式为:
PWTMI(m,n)≥THPWTMI
其中,PWTMI(m,n)为位置(m,n)的PWTMI值,THPWTMI为PWTMI阈值。
作为优选,步骤6中,去除误分像素需满足的表达式为:
其中:meanNDVI(m,n)为位置(m,n)的重建后NDVI时间序列数据均值,THNDVI为NDVI阈值;H(m,n)、S(m,n)分别为位置(m,n)的高程与坡度,minh、maxh分别为该位置高程范围的下限与上限,mins、maxs分别为该位置坡度范围的下限与上限。
第二方面,提供了一种顾及物候与水位时序特征的红树林提取装置,用于执行第一方面任一所述红树林提取方法,包括:
筛选模块,用于筛选目标区域目标时相前后三年所有可用的多光谱遥感影像,并对所述多光谱遥感影像进行预处理;
指数计算模块,用于计算所有多光谱遥感影像对应的归一化植被指数NDVI图像和改进的归一化水指数MNDWI图像,构建NDVI和MNDWI原始时间序列;
重建模块,用于利用谐波模型对每个像素的NDVI和MNDWI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候和水位时序特征;
PWTMI构建模块,用于构建顾及物候与水位时序特征的红树林指数PWTMI并计算目标年份的PWTMI图像;
提取模块,用于根据样本的PWTMI统计结果确定阈值范围提取红树林初步范围;
去除模块,用于结合NDVI均值图像和地形数据,去除误分像素,得到最终的红树林提取结果。
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红树林提取方法。
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,使得计算机执行第一方面任一所述红树林提取方法。
本发明的有益效果是:本发明首先对归一化植被指数和改进的归一化水指数时间序列数据进行重建,再构建顾及物候与水位时序特征的红树林指数来增大红树林与其他地物的差异,根据样本的指数统计结果确定阈值提取红树林,最后结合归一化植被指数和地形数据去除误分像素,实现红树林的精确提取。本发明提出的方法结合了光谱特征与时序特征,充分使用了长时序遥感数据。利用该方法可以快速获得大尺度、长时序的红树林分布数据集,有助于掌握红树林的时空动态,为红树林的保护修复与科学管理提供数据支持和决策参考。因此,本发明提出的方法具有重要的实际应用意义。
附图说明
图1为一种顾及物候与水位时序特征的红树林提取方法的流程图;
图2为红树林像素的原始及重建后NDVI、MNDWI时间序列示意图;
图3为红树林典型分布区六类地物PWTMI箱线图;
图4为红树林提取结果示意图;
图5为一种顾及物候与水位时序特征的红树林提取装置的结构示意图。
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
本发明针对现有红树林提取方法存在的时序特征被忽略、计算效率低等问题,提出一种顾及物候与水位时序特征的红树林提取方法。首先对归一化植被指数和改进的归一化水指数时间序列数据进行重建,再构建顾及物候与水位时序特征的红树林指数来增大红树林与其他地物的差异,根据样本的指数统计结果确定阈值提取红树林,最后结合归一化植被指数和地形数据去除误分像素,实现红树林的精确提取。
具体地,本发明提供的一种顾及物候与水位时序特征的红树林提取方法,以Landsat数据为数据源,依托于Google Earth Engine(GEE)平台实现,如图1所示,包括:
步骤1,筛选目标区域目标时相前后三年所有可用的多光谱遥感影像,并对多光谱遥感影像进行预处理;多光谱遥感影像为Landsat地表反射率数据,预处理包括大气校正和去云。
步骤2,计算所有多光谱遥感影像对应的归一化植被指数NDVI图像和改进的归一化水指数MNDWI图像,构建NDVI和MNDWI原始时间序列。
步骤3,如图2所示,利用谐波模型对每个像素的NDVI和MNDWI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候和水位时序特征。
步骤4,构建顾及物候与水位时序特征的红树林指数PWTMI并计算目标年份的PWTMI图像。
步骤5,根据样本的PWTMI统计结果确定阈值范围提取红树林初步范围。
图3为多个红树林典型分布区的六类地物PWTMI箱线图,其中,M表示红树林,S表示盐沼植被,O表示其他植被,W表示水体,T表示光滩,B表示裸地及建成区。因此,本申请构建了顾及物候与水位时序特征的红树林指数PWTMI以增强红树林与其他地物的区别,在指数构建过程中结合了光谱特征和时序特征,通过阈值简单快速地实现红树林的提取。
步骤6,结合NDVI均值图像和地形数据,去除误分像素,得到最终的红树林提取结果(如图4所示)。
步骤2中,NDVI的计算公式为:
其中,NIR为近红外波段值,Red为红光波段值;
MNDWI的计算公式为:
其中,Green为绿光波段值,SWIR1为短波红外波段值。
本例中NIR、Red、Green、SWIR1分别为Landsat数据的B5、B4、B3、B6。
步骤3中,对每个像素的NDVI和MNDWI时间序列进行重建的计算公式为:
步骤4中,PWTMI的计算公式为:
FNDVI=(cNDVI-dNDVI+1)×(meanNDVI+1)/differenceNDVI
FMNDWI=(cMNDWI-dMNDWI+1)×(meanMNDWI+1)/differenceMNDWI
WTMI=FNDVI×FMNDWI
其中,cNDVI、dNDVI和cMNDWI、dMNDWI分别为NDVI、MNDWI时间序列模型的谐波分量,meanNDVI和meanMNDWI分别为重建后的NDVI、MNDWI时间序列数据均值,differenceNDVI和differenceMNDWI分别为重建后的NDVI、MNDWI时间序列数据最大最小值差值,FNDVI和FMNDWI分别为NDVI因子、MNDWI因子。
步骤5中,红树林提取需满足的表达式为:
PWTMI(m,n)≥THPWTMI
其中,PWTMI(m,n)为位置(m,n)的PWTMI值,THPWTMI为PWTMI阈值。本例中THPWTMI为1.3。
步骤6中,结合NDVI均值图像和DEM数据的高程、坡度信息,去除误分像素,得到最终的红树林提取结果。本例中DEM数据采用SRTM V3数据,去除误分像素需满足的表达式为:
其中:meanNDVI(m,n)为位置(m,n)的重建后NDVI时间序列数据均值,THNDVI为NDVI阈值;H(m,n)、S(m,n)分别为位置(m,n)的高程与坡度,minh、maxh分别为该位置高程范围的下限与上限,mins、maxs分别为该位置坡度范围的下限与上限。本例中THNDVI为0.4,minh、maxh分别为0、15,mins、maxs分别为0°、5°。
综上所述,本发明提出一种顾及物候与水位时序特征的红树林提取方法,结合了光谱特征与时序特征,充分使用了长时序遥感数据。利用该方法可以快速获得大尺度、长时序的红树林分布数据集,有助于掌握红树林的时空动态,为红树林的保护修复与科学管理提供数据支持和决策参考。
Claims (9)
1.一种顾及物候与水位时序特征的红树林提取方法,其特征在于,包括:
步骤1,筛选目标区域目标时相前后三年所有可用的多光谱遥感影像,并对所述多光谱遥感影像进行预处理;
步骤2,计算所有多光谱遥感影像对应的归一化植被指数NDVI图像和改进的归一化水指数MNDWI图像,构建NDVI和MNDWI原始时间序列;
步骤3,利用谐波模型对每个像素的NDVI和MNDWI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候和水位时序特征;
步骤4,构建顾及物候与水位时序特征的红树林指数PWTMI并计算目标年份的PWTMI图像;
步骤5,根据样本的PWTMI统计结果确定阈值范围提取红树林初步范围;
步骤6,结合NDVI均值图像和地形数据,去除误分像素,得到最终的红树林提取结果。
4.根据权利要求1所述的顾及物候与水位时序特征的红树林提取方法,其特征在于,步骤4中,PWTMI的计算公式为:
FNDVI=(cNDVI-dNDVI+1)×(meanNDVI+1)/differenceNDVI
FMNDWI=(cMNDWI-dMNDWI+1)×(meanMNDWI+1)/differenceMNDWI
WTMI=FNDVI×FMNDWI
其中,cNDVI、dNDVI和cMNDWI、dMNDWI分别为NDVI、MNDWI时间序列模型的谐波分量,meanNDVI和meanMNDWI分别为重建后的NDVI、MNDWI时间序列数据均值,differenceNDVI和differenceMNDWI分别为重建后的NDVI、MNDWI时间序列数据最大最小值差值,FNDVI和FMNDWI分别为NDVI因子、MNDWI因子。
5.根据权利要求4所述的顾及物候与水位时序特征的红树林提取方法,其特征在于,步骤5中,红树林提取需满足的表达式为:
PWTMI(m,n)≥THPWTMI
其中,PWTMI(m,n)为位置(m,n)的PWTMI值,THPWTMI为PWTMI阈值。
7.一种顾及物候与水位时序特征的红树林提取装置,其特征在于,用于执行权利要求1至6任一所述红树林提取方法,包括:
筛选模块,用于筛选目标区域目标时相前后三年所有可用的多光谱遥感影像,并对所述多光谱遥感影像进行预处理;
指数计算模块,用于计算所有多光谱遥感影像对应的归一化植被指数NDVI图像和改进的归一化水指数MNDWI图像,构建NDVI和MNDWI原始时间序列;
重建模块,用于利用谐波模型对每个像素的NDVI和MNDWI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候和水位时序特征;
PWTMI构建模块,用于构建顾及物候与水位时序特征的红树林指数PWTMI并计算目标年份的PWTMI图像;
提取模块,用于根据样本的PWTMI统计结果确定阈值范围提取红树林初步范围;
去除模块,用于结合NDVI均值图像和地形数据,去除误分像素,得到最终的红树林提取结果。
8.一种计算机存储介质,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6任一所述红树林提取方法。
9.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得计算机执行权利要求1至6任一所述红树林提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220766.1A CN115620133B (zh) | 2022-10-08 | 2022-10-08 | 一种顾及物候与水位时序特征的红树林提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220766.1A CN115620133B (zh) | 2022-10-08 | 2022-10-08 | 一种顾及物候与水位时序特征的红树林提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620133A true CN115620133A (zh) | 2023-01-17 |
CN115620133B CN115620133B (zh) | 2023-05-23 |
Family
ID=84860654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211220766.1A Active CN115620133B (zh) | 2022-10-08 | 2022-10-08 | 一种顾及物候与水位时序特征的红树林提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620133B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690017A (zh) * | 2023-11-16 | 2024-03-12 | 宁波大学 | 一种顾及物候时序特征的单、双季水稻提取方法 |
CN117690017B (zh) * | 2023-11-16 | 2024-06-28 | 宁波大学 | 一种顾及物候时序特征的单、双季水稻提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034026A (zh) * | 2018-07-16 | 2018-12-18 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像中水陆区域的红树林提取方法及系统 |
CN109934770A (zh) * | 2019-01-21 | 2019-06-25 | 广州地理研究所 | 基于高分辨率卫星遥感影像的城市不透水面提取方法 |
CN110926430A (zh) * | 2019-11-22 | 2020-03-27 | 海南省林业科学研究所 | 一种空地一体化红树林监测系统及控制方法 |
CN111767813A (zh) * | 2020-06-19 | 2020-10-13 | 宁波大学 | 一种多特征与长时序概率协同的红树林提取方法 |
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 |
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 |
CN114820532A (zh) * | 2022-04-29 | 2022-07-29 | 中国科学院空天信息创新研究院 | 一种蝗区分析方法及装置 |
CN114998721A (zh) * | 2022-05-06 | 2022-09-02 | 南京信息工程大学 | 一种利用长短期记忆神经网络提取红树林湿地的方法 |
-
2022
- 2022-10-08 CN CN202211220766.1A patent/CN115620133B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034026A (zh) * | 2018-07-16 | 2018-12-18 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像中水陆区域的红树林提取方法及系统 |
CN109934770A (zh) * | 2019-01-21 | 2019-06-25 | 广州地理研究所 | 基于高分辨率卫星遥感影像的城市不透水面提取方法 |
CN110926430A (zh) * | 2019-11-22 | 2020-03-27 | 海南省林业科学研究所 | 一种空地一体化红树林监测系统及控制方法 |
CN111767813A (zh) * | 2020-06-19 | 2020-10-13 | 宁波大学 | 一种多特征与长时序概率协同的红树林提取方法 |
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 |
CN114820532A (zh) * | 2022-04-29 | 2022-07-29 | 中国科学院空天信息创新研究院 | 一种蝗区分析方法及装置 |
CN114998721A (zh) * | 2022-05-06 | 2022-09-02 | 南京信息工程大学 | 一种利用长短期记忆神经网络提取红树林湿地的方法 |
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 |
Non-Patent Citations (6)
Title |
---|
DEBBIE A. CHAMBERLAIN等: "Mangrove Forest Cover and Phenology with Landsat Dense Time Series in Central Queensland, Australia" * |
GANG YANG等: "Enhanced mangrove vegetation index based on hyperspectral images for mapping mangrove" * |
SHARYN M. HICKEY等: "Turning the Tide on Mapping Marginal Mangroves with Multi-Dimensional Space–Time Remote Sensing" * |
程丽娜等: "Sentinel-2密集时间序列数据和Google Earth Engine的潮间带湿地快速自动分类" * |
赵欣怡: "基于时序光学和雷达影像的中国海岸带盐沼植被分类研究" * |
黄可等: "中国红树林制图的遥感时空概率阈值方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690017A (zh) * | 2023-11-16 | 2024-03-12 | 宁波大学 | 一种顾及物候时序特征的单、双季水稻提取方法 |
CN117690017B (zh) * | 2023-11-16 | 2024-06-28 | 宁波大学 | 一种顾及物候时序特征的单、双季水稻提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115620133B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm | |
Roelfsema et al. | Multi-temporal mapping of seagrass cover, species and biomass: A semi-automated object based image analysis approach | |
Witharana et al. | Understanding the synergies of deep learning and data fusion of multispectral and panchromatic high resolution commercial satellite imagery for automated ice-wedge polygon detection | |
CN111738144A (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 | |
Traganos et al. | Cubesat-derived detection of seagrasses using planet imagery following unmixing-based denoising: Is small the next big? | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN112418506B (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
Zhu et al. | Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models | |
Moniruzzaman et al. | Imaging and classification techniques for seagrass mapping and monitoring: A comprehensive survey | |
Roca et al. | Monitoring the marine invasive alien species Rugulopteryx okamurae using unmanned aerial vehicles and satellites | |
Wan et al. | Multi-scale spectral-spatial remote sensing classification of coral reef habitats using CNN-SVM | |
Liu et al. | Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network | |
Malerba et al. | Remote sensing for cost-effective blue carbon accounting | |
Cho et al. | Evaluating Hyperspectral Imager for the Coastal Ocean (HICO) data for seagrass mapping in Indian River Lagoon, FL | |
Xu et al. | Water clarity monitoring in complex coastal environments: Leveraging seagrass light requirement toward more functional satellite ocean color algorithms | |
Sun et al. | Mapping China’s coastal aquaculture ponds expansion with sentinel-2 images during 2017–2021 | |
Xu et al. | Classification of coral reef benthos around Ganquan Island using WorldView-2 satellite imagery | |
CN115620133B (zh) | 一种顾及物候与水位时序特征的红树林提取方法 | |
Fu et al. | Examination of the performance of ASEL and MPViT algorithms for classifying mangrove species of multiple natural reserves of Beibu Gulf, south China | |
Hong et al. | Mangrove extraction from super-resolution images generated by deep learning models | |
Chen et al. | Mapping intertidal topographic changes in a highly turbid estuary using dense Sentinel-2 time series with deep learning | |
Liu et al. | A Deep Learning Method for Offshore Raft Aquaculture Extraction Based on Medium Resolution Remote Sensing Images | |
Garioud et al. | FLAIR# 2: textural and temporal information for semantic segmentation from multi-source optical imagery | |
Min et al. | Detection of large-scale Spartina alterniflora removal in coastal wetlands based on Sentinel-2 and Landsat 8 imagery on Google Earth Engine | |
Liu et al. | Mapping the number of mangrove trees in the Guangdong-Hong Kong-Macao Greater Bay Area |
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 |