CN116206211A - 综合时序遥感信息和KL-divergence的地物类型识别方法 - Google Patents

综合时序遥感信息和KL-divergence的地物类型识别方法 Download PDF

Info

Publication number
CN116206211A
CN116206211A CN202310061696.8A CN202310061696A CN116206211A CN 116206211 A CN116206211 A CN 116206211A CN 202310061696 A CN202310061696 A CN 202310061696A CN 116206211 A CN116206211 A CN 116206211A
Authority
CN
China
Prior art keywords
remote sensing
sequence
ground
pixel
data
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
CN202310061696.8A
Other languages
English (en)
Inventor
张喜旺
刘剑锋
余仕奇
赵一凡
赵浩
陈梦伟
秦奋
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.)
Henan University
Original Assignee
Henan University
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 Henan University filed Critical Henan University
Priority to CN202310061696.8A priority Critical patent/CN116206211A/zh
Publication of CN116206211A publication Critical patent/CN116206211A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/13—Satellite images
    • 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
    • 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
    • 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
    • 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
    • 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

Abstract

本发明提出了一种综合时序遥感信息和KL‑divergence的地物类型识别方法，在研究区提取各类地物的样本数据，并选择地物类型的序列遥感参数；利用样本点从序列遥感参数中提取对应的参数值形成每一类地物的标准序列曲线；以待分类像元所对应序列遥感参数值为另一个分布数据，与各类地物的标准序列曲线所对应的分布结合，基于KL‑divergence公式计算待分类地物的像元的KL值，形成KL图层；比较每个像元对应的n个KL值，将该像元归属于最小KL值所对应的地类类别。本发明充分利用了地物在序列上的变化特征，紧密结合在测量概率分布相似性方面有明显优势的KL‑divergence，从而可以更好地分类识别地物类型，提高识别精度。

Description

综合时序遥感信息和KL-divergence的地物类型识别方法
技术领域
本发明涉及遥感监测的技术领域，尤其涉及一种综合时序遥感信息和KL-divergence的地物类型识别方法。
背景技术
当前，利用遥感技术进行地物类型识别的方法主要有基于光谱信息的方法和基于时间变化特征的方法。
基于光谱的识别方法主要用于中高分辨率的光学影像，原理是利用像元值的统计特征，通过判断待识别像元与样本的相似性进行判断。如果在理想的时相内能获取覆盖研究区的中高分辨率的遥感数据，则可以得到高精度的分类识别结果。然而光学影像的获取受天气条件和重访周期的严重影响，在浓云覆盖等条件下，即使有卫星过境，也无法获取遥感数据。因此，即使形成遥感卫星星座，也很难保证在特定时间上获取覆盖整个研究区的遥感影像。
基于时间变化特征的识别方法主要用于时间序列的遥感影像及产品，主要原理是利用不同地物类型时间变化规律的差异进行识别。然而，该类遥感数据通常空间分辨率较低，导致最终的识别精度不高。因此，很多研究者综合光谱和时相特征开始混合像元分解研究，但该类方法通常得到的结果都是丰度图，虽然提高了数量上的精度，但不能具体描述像元内部地物的空间分布，在应用上仍然存在较大不便。
Kullback–Leibler(KL)divergence是概率论和信息论中用于测量两个概率分布之间差异的度量，被引入遥感影像分类后，取得了很好的效果。如将KL divergence与时间变化信息结合开展冬小麦识别研究，由于KL divergence量测不同分布之间的差别具有突出的优势，使得识别结果相对于其他常规方法精度较高。但缺点是仅对一种作物开展识别研究，没有考虑同时识别多种作物类型或地物类型。
现有技术中，利用遥感影像对地物类型开展监测是一种较为快捷和直观的技术手段，而各类技术手段自身固有优缺点。如常规的分类方法，尤其是参数化的分类方法，通常假设地物具有正态分布特征，这对于高维数据，如时间序列数据是不现实的。另外，通常的相似性匹配分类方法过于注重曲线的形态特征，相对更为复杂。而KL divergence不关注是否具有正态分布和形态特征，利用信息论和概率论的方法测定待分像元与真实分布之间的“距离”，具有很强的敏感性。因而引入新的数据方法，可以获得准确的监测数据，而在现有技术中，尚未见到综合时序遥感信息和KL divergence开展多种地物类型的识别研究。
发明内容
针对现有基于光谱的遥感常规识别方法需要具备特定的假设条件以及时序匹配方法过于注重形态特征等应用不便的技术问题，本发明提出一种综合时序遥感信息和KL-divergence的地物类型识别方法，利用时序遥感信息并结合KL divergence进行地物类型分类识别，没有强制的假设条件，利用概率论和信息论的方法通过判断两个分布之间“距离”来识别地物类型，只要能形成反映地物特征的参数序列(如反映地物生长特征的时间序列参数)的数据均可应用，因此相对于常规方法更加方便灵活。
为了达到上述目的，本发明的技术方案是这样实现的：
本发明利用时间序列的遥感数据生成时序遥感信息，如时间序列植被指数；为待识别的每一类地物选择样本，要求是该尺度下的纯像元样本；利用每一类地物样本像元的均值制作该类地物的标准时序曲线；基于每一类地物的标准时序曲线，利用KL divergence公式为每一类地物计算其KL值；最后比较每个像元对于待识别地物的KL值的大小，将该像元归属于具有最小KL值的类别，从而得到分类识别结果。
一种综合时序遥感信息和KL-divergence的地物类型识别方法，其步骤如下：
步骤一：在研究区确定各类地物的样本，并选择对n类地物类型具有识别特征的序列遥感参数；
步骤二：利用样本点从序列遥感参数中提取对应的参数值形成每一类地物的标准序列曲线；
步骤三：以待分类像元所对应序列遥感参数值为另一个分布数据，与各类地物的标准序列曲线所对应的分布结合，基于KL-divergence公式计算待分类像元对应各地类的KL值，并扩展到整个研究区，从而形成n个KL图层；
步骤四：比较每个像元对应的n个KL值，将该像元归属于最小KL值所对应的地类类别；应用到所有像元，从而得到研究区的分类结果。
优选地，所述序列遥感参数为表征植被类型生长发育的时相差异的时间序列遥感参数或反映地物的光谱曲线差异的高光谱数据形成的序列数据。
优选地，所述时间序列序列遥感参数利用MODIS NDVI数据形成，利用MODIS NDVI加上蓝波段、红波段和近红外波段反射率形成序列数据。
优选地，所述步骤二中标准序列曲线的实现方法为：
A.根据实地调查数据或研究经验，为待分类的地物类型选择纯像元样本；
B.基于所选样本，从序列遥感参数中提取对应的参数值；
C.将提取的参数值根据地物类别求均值，从而为每一类地物形成一个标准序列曲线。
优选地，所述地物的类型包括常绿林、落叶林、封闭草丛、开放草丛、乔木稀树草原、稀树草原、草地、农用地、水体和裸地；不同植被类型的明显不同的生长变化特征表现在标准序列曲线的峰谷的变化规律以及NDVI值的大小不同。
优选地，所述KL值的计算方法为：
KL-divergence的计算公式为：
Figure BDA0004061320160000031
式中，P代表真实分布序列即每一类的标准序列曲线；Q为一个待分类像元对应的数据序列；i代表两个分布中的序列号；n代表分类体系中的n个地类；
KL值用正向和反向KL-divergence的均值来表示：
KL＝(DKL(P||Q)+DKL(Q||P))/2；
式中，KL为最终的KL值，DKL(P||Q)和DKL(Q||P)分别为正向KL-divergence和反向KL-divergence。
优选地，每一类的KL值是一个与原始遥感数据行列数一样的图层或波段，计算所有待分类地物的像元的KL值，得到一幅对应该类地物的KL数据层，即KL图层。
优选地，针对每个像元，比较其对应的n个KL值的大小，将该像元归属于最小KL值对应的地物类别。
与现有技术相比，本发明的有益效果：本发明充分利用了地物在序列上的变化特征，如时间序列或光谱序列等，紧密结合在测量概率分布相似性方面有明显优势的KL-divergence，从而可以更好地分类识别地物类型，提高识别精度。本发明将KL-divergence引入遥感分类研究，为遥感分类工作提供了新的研究视角，适用于不同尺度上能反映地物类型特征并形成序列的遥感数据，易于在一定的区域尺度上进行实际监测应用，因而具有较好的推广应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
图2为研究区域的样本数据图。
图3为研究区十类地物的标准时间序列曲线。
图4为本发明分类方法的示意图。
图5为本发明的分类结果示意图。
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付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。
如图1所示，一种综合时序遥感信息和KL-divergence的地物类型识别方法，首先根据外业调查或研究经验，结合所用遥感影像为各地类选取样本；第二，将形成时间序列的遥感数据计算得到分类所需要的对应参数，如NDVI等，所得到的参数也相应地形成时间序列；第三，利用各地类的样本，从时序遥感参数数据集中提取对应的参数，通过对各地类对应的样本参数求均值，从而得到每个地类对应的标准时间序列曲线；第四，将标准时间序列曲线作为一个分布，时间序列参数中每个像元对应的时序数据作为另一个分布，利用KL-divergence公式为每个像元计算KL值，从而每个地类产生一个波段的数据；第五，将产生的序列KL值逐像元进行判定，比较每个像元对应各地类的KL值，将像元归属于最小KL值的地类，判定完成所有像元，从而得到分类识别结果。本发明的具体步骤如下：
步骤一：利用外业调查和经验在研究区选取各类地物的样本，并选择对n类地物类型具有识别特征的序列遥感参数。
根据能区分地物类型的特征，准备形成序列遥感参数数据集。如时间序列植被指数数据，该序列遥感参数可以根据植被类型生长发育的时相差异，从而识别地物类型；也可以是高光谱数据形成的序列数据，该序列遥感参数可以反映地物的光谱曲线差异，从而识别地物类型。
样本用来标识地类，通过外业调查知道样本点所对应的是什么地物类型。用这些样本点再从序列遥感参数中提取数据，作为分类的依据。分类体系就是下面所说的10类地物。具体的处理方法可以将这些参数波段合成然后利用样本点提取参数，也可以直接提取。
例如，利用MODIS NDVI数据形成时间序列遥感参数，反映不同地物类型的时间变化规律。具体本实施例，本发明利用MODIS NDVI加上蓝波段、红波段和近红外波段反射率形成序列数据，开展分类试验，该序列数据整合了时间变化特征和光谱特征，能更好地识别地物。
步骤二：利用样本从序列遥感参数中提取遥感参数数据，形成每一类地物的标准序列曲线。
形成标准序列曲线的方法为：
A.根据实地调查数据或研究经验，为待分类的地物类型选择纯像元样本。
纯像元指的是这个像元对应的是一个类型的地物，如果这个像元范围内有两个以上的地物类型，则是混合像元。选择纯像元就是保证样本对应的是一种地物类型即可。
B.基于选择的样本，从序列遥感参数数据集中提取对应的参数值。
C.将提取的数据根据地物类别求均值，从而为每一类地物形成一个标准序列曲线。
对每一类地物对应的遥感参数求均值，可以反映这类地物在该参数分类中心，比单个样本数据更有代表性。每类地物都对应一个标准曲线，这个标准曲线就可以认为是该地类的真实分布。严格来说可以说是“准真实分布”。
具体本实施例而言，本发明利用MODIS NDVI时间序列数据，基于外业调查和遥感影像，提取了10类地物(1为常绿林，2为落叶林，3为封闭草丛，4为开放草丛，5为乔木稀树草原，6为稀树草原，7为草地，8为农用地，9为水体，10为裸地)共计1775个样本，如图2所示。其中大约一半样本(882个)用于分类，其他的样本用于验证。利用地物分类样本提取时间序列MODIS NDVI数据，求均值得到每一地类标准NDVI曲线，如图3所示。
由图3可以看出，不同植被类型具有明显不同的生长变化特征，是区分地物类型的基础。表现在曲线的峰谷的变化规律以及NDVI值的大小不同等。
步骤三：以一个待分像元所对应序列遥感参数值为另一个分布数据，与各类地物的标准序列曲线所对应的分布结合，基于KL-divergence公式计算待分类地物的像元的KL值，并扩展到整个研究区，从而形成n个KL数据层。
KL-divergence的具体计算公式如下：
Figure BDA0004061320160000051
式中，P代表真实分布序列，即每一类的标准序列曲线；Q为一个待分类像元对应的数据序列；i代表两个分布中的序列号。||为条件概率的符号。DKL(P||Q)是一个条件概率的表示方式，P(i)、Q(i)是序列参数中的第i个参数值，n表示地类数量。
由于KL-divergence具有不对称性，即DKL(P||Q)≠DKL(Q||P)，通常KL值用正向和反向KL-divergence的均值来表示。计算公式如下：
KL＝(DKL(P||Q)+DKL(Q||P))/2 (2)
式中，KL为最终的KL值，为正向KL-divergence DKL(P||Q)和反向KL-divergenceDKL(Q||P)的均值。
以每一类的标准曲线为一个分布，以序列遥感参数中每个像元的序列作为另一个分布，从而计算KL值。每一类的计算结果是一个与原始遥感数据行列数一样的图层或波段。假设有n个待分地类会形成n个图层。
每一条标准序列曲线可以看成是该类地物的一个真实的离散分布，而一个待分类像元所对应的一组时间序列参数可以看成是另一个分布，利用公式(2)可以计算该像元与标准曲线之间的KL值。用此方法计算所有待分类地物的像元的KL值，可以得到一幅对应该类地物的KL数据层。
由于每个像元需要与所有地物类型的标准曲线进行比较，因此，在本实施例中便可以得到10个KL数据层，分别对应每个地类。
步骤四：比较每个像元对应的n个KL值，将该像元归属于最小KL值所对应的地类类别，将此方法应用到所有像元，从而得到分类结果。
根据上述计算的KL值，针对每个像元，比较其对应的n个KL值的大小，即比较其与每一类地物标准序列曲线所形成的KL值，将该像元归属于最小KL值对应的地物类别。由于KL-divergence可以衡量两个离散分布之间的距离或接近程度。通过比较每个待分类像元所对应各地类的KL值，最小值代表待分类像元距离该地类最近，从而将该待分类像元归属于该地类。依次对每个像元进行上述判定，从而得到整个研究区的分类结果。分类过程如图4所示。
具体到本实施例，分类结果如图5所示，从中可以看出不同地类在研究区内的分布。为验证本发明所提供的地物遥感分类方法的准确性，本发明利用另一半样点，基于混淆矩阵的方法开展分类结果的分析。整体而言，总体分类精度达到85.12％，KAPPA系数为0.84。
从验证结果可以看出，采用本发明所提供的方法开展地物分类结果达到了很高的精度，能够准确反映出地物真实的分布格局，尤其在整个国家尺度的大范围内开展的研究，相比于常规方法在该条件下的不到80％的精度，有很大的提高。
综上，本发明将概率论和信息论中测量两个分布距离的度量方法KL-divergence引入遥感分类中，通过分析待分类像元与真实分布之间的“距离”，从而识别地物类型。同时弥补了传统遥感分类方法中需要的地物具有正态分布特征等假设条件，以及过于关注曲线形态特征等问题，并获得了更高的精度。因此，本发明可以在地物遥感分类、作物类型识别、高光谱遥感分类等领域具有重要的应用价值，同时也为遥感分类工作提供了新的视角和参考借鉴。本发明所使用的数据，可以是时间序列遥感数据、高光谱波段、各类指数，以及相互之间的组合，具有灵活性，易于在区域尺度进行实际监测应用，具有很好的推广应用价值。
以上所述仅为本发明的较佳实施例而已，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 (8)

1.一种综合时序遥感信息和KL-divergence的地物类型识别方法，其特征在于，其步骤如下：
步骤一：在研究区确定各类地物的样本，并选择对n类地物类型具有识别特征的序列遥感参数；
步骤二：利用样本点从序列遥感参数中提取对应的参数值形成每一类地物的标准序列曲线；
步骤三：以待分类像元所对应序列遥感参数值为另一个分布数据，与各类地物的标准序列曲线所对应的分布结合，基于KL-divergence公式计算待分类像元对应各地类的KL值，并扩展到整个研究区，从而形成n个KL图层；
步骤四：比较每个像元对应的n个KL值，将该像元归属于最小KL值所对应的地类类别；应用到所有像元，从而得到研究区的分类结果。
2.根据权利要求1所述的综合时序遥感信息和KL-divergence的地物类型识别方法，其特征在于，所述序列遥感参数为表征植被类型生长发育的时相差异的时间序列遥感参数或反映地物的光谱曲线差异的高光谱数据形成的序列数据。
3.根据权利要求2所述的综合时序遥感信息和KL-divergence的地物类型识别方法，其特征在于，所述时间序列序列遥感参数利用MODIS NDVI数据形成，利用MODIS NDVI加上蓝波段、红波段和近红外波段反射率形成序列数据。
4.根据权利要求1-3中任意一项所述的综合时序遥感信息和KL-divergence的地物类型识别方法，其特征在于，所述步骤二中标准序列曲线的实现方法为：
A.根据实地调查数据或研究经验，为待分类的地物类型选择纯像元样本；
B.基于所选样本，从序列遥感参数中提取对应的参数值；
C.将提取的参数值根据地物类别求均值，从而为每一类地物形成一个标准序列曲线。
5.根据权利要求4所述的综合时序遥感信息和KL-divergence的地物类型识别方法，其特征在于，所述地物的类型包括常绿林、落叶林、封闭草丛、开放草丛、乔木稀树草原、稀树草原、草地、农用地、水体和裸地；不同植被类型的明显不同的生长变化特征表现在标准序列曲线的峰谷的变化规律以及NDVI值的大小不同。
6.根据权利要求5所述的综合时序遥感信息和KL-divergence的地物类型识别方法，其特征在于，所述KL值的计算方法为：
KL-divergence的计算公式为：
Figure FDA0004061320150000011
式中，P代表真实分布序列即每一类的标准序列曲线；Q为一个待分类像元对应的数据序列；i代表两个分布中的序列号；n代表分类体系中的n个地类；
KL值用正向和反向KL-divergence的均值来表示：
KL＝(DKL(P||Q)+DKL(Q||P))/2；
式中，KL为最终的KL值，DKL(P||Q)和DKL(Q||P)分别为正向KL-divergence和反向KL-divergence。
7.根据权利要求6所述的综合时序遥感信息和KL-divergence的地物类型识别方法，其特征在于，每一类的KL值是一个与原始遥感数据行列数一样的图层或波段，计算所有待分类地物的像元的KL值，得到一幅对应该类地物的KL数据层，即KL图层。
8.根据权利要求7所述的综合时序遥感信息和KL-divergence的地物类型识别方法，其特征在于，针对每个像元，比较其对应的n个KL值的大小，将该像元归属于最小KL值对应的地物类别。
CN202310061696.8A 2023-01-13 2023-01-13 综合时序遥感信息和KL-divergence的地物类型识别方法 Pending CN116206211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310061696.8A CN116206211A (zh) 2023-01-13 2023-01-13 综合时序遥感信息和KL-divergence的地物类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310061696.8A CN116206211A (zh) 2023-01-13 2023-01-13 综合时序遥感信息和KL-divergence的地物类型识别方法

Publications (1)

Publication Number Publication Date
CN116206211A true CN116206211A (zh) 2023-06-02

Family

ID=86512268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310061696.8A Pending CN116206211A (zh) 2023-01-13 2023-01-13 综合时序遥感信息和KL-divergence的地物类型识别方法

Country Status (1)

Country Link
CN (1) CN116206211A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557918A (zh) * 2024-01-12 2024-02-13 成都理工大学 基于矩阵条件数的遥感图像波谱相似地物识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557918A (zh) * 2024-01-12 2024-02-13 成都理工大学 基于矩阵条件数的遥感图像波谱相似地物识别方法
CN117557918B (zh) * 2024-01-12 2024-03-19 成都理工大学 基于矩阵条件数的遥感图像波谱相似地物识别方法

Similar Documents

Publication Publication Date Title
Zhang et al. Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images
CN113592882B (zh) 一种基于无人机多源遥感的树冠提取方法
CN112541921B (zh) 城市绿地植被信息数据化精准测定方法
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及系统
US7184890B2 (en) Cloud shadow detection: VNIR-SWIR
CN114821362B (zh) 一种基于多源数据的水稻种植面积提取方法
CN112699756B (zh) 一种基于高光谱图像的茶叶原产地识别方法和系统
CN112085781B (zh) 一种基于光谱重构技术提取冬小麦种植面积的方法
CN112669363B (zh) 城市绿地三维绿量测算方法
CN111652092A (zh) 基于Sentinel-2A数据监测森林覆盖变化的方法
CN115439759B (zh) 遥感影像中植被的提取方法、装置、电子设备及介质
CN111553922A (zh) 一种卫星遥感影像自动云检测方法
CN112577906A (zh) 城市绿地土壤含水率检测方法
CN110705449A (zh) 一种土地利用变化遥感监测分析方法
CN113822141A (zh) 一种基于遥感影像的冰川和积雪自动提取方法及系统
CN116645603A (zh) 一种大豆种植区识别和面积测算方法
CN116206211A (zh) 综合时序遥感信息和KL-divergence的地物类型识别方法
CN109870419B (zh) 一种采用航空高光谱数据预测黑土氮磷钾含量的方法
CN106568730B (zh) 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法
CN109034189A (zh) 基于高分遥感影像的森林类型识别方法
Xu et al. Vegetation information extraction in karst area based on UAV remote sensing in visible light band
CN113343808A (zh) 一种基于卫星遥感技术的热带森林资源测量方法
CN112577954B (zh) 城市绿地地上生物量估测方法
Pu Comparing canonical correlation analysis with partial least squares regression in estimating forest leaf area index with multitemporal Landsat TM imagery
CN115953685A (zh) 多层多尺度分割的农用大棚类型信息提取方法及系统

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