CN116385883B - 基于无人机山体阴影区植被覆盖度修正方法、设备和介质 - Google Patents
基于无人机山体阴影区植被覆盖度修正方法、设备和介质 Download PDFInfo
- Publication number
- CN116385883B CN116385883B CN202310393541.4A CN202310393541A CN116385883B CN 116385883 B CN116385883 B CN 116385883B CN 202310393541 A CN202310393541 A CN 202310393541A CN 116385883 B CN116385883 B CN 116385883B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- area
- vegetation coverage
- fvc
- aerial vehicle
- 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 102000006463 Talin Human genes 0.000 claims description 3
- 108010083809 Talin Proteins 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 239000002689 soil Substances 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Algebra (AREA)
- Astronomy & Astrophysics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于无人机山体阴影区植被覆盖度修正方法、设备和介质,具体涉及山体阴影区植被覆盖度修正技术领域,包括基于无人机山体阴影区植被覆盖度修正系统,该修正系统包括高分遥感影像单元、无人机影像单元以及数字高程模型;其中,高分遥感影像单元,用于计算植被覆盖度FVCNDVI;无人机影像单元,用于植被提取与植被覆盖度校准FVCGLI;数字高程模型,用于山体阴影计算;以上所述高分遥感影像单元、无人机影像单元以及数字高程模型,为该修正系统获取数据。本发明能够有效提高阴影区植被覆盖度反演结果的准确率,对基于植被覆盖度开展的地物识别、信息提取及定量算法构建具有重要的科学意义和实用价值。
Description
技术领域
本发明涉及山体阴影区植被覆盖度修正技术领域,具体涉及基于无人机山体阴影区植被覆盖度修正方法、设备和介质。
背景技术
植被覆盖度作为地物识别、信息提取和大量定量模型的重要基础因子,其反演结果的准确性意义重大。然而基于影像提取的植被覆盖度,受太阳入射角、卫星侧摆及地形地伏等综合影响,同一植被类型的光谱响应存在差异,遥感影像上普遍存在明亮及阴影两个层次:明亮区接受阳光照射,亮度值较高,植被覆盖度反演值高;阴影区因高出地面的物体对阳光遮挡,亮度值较低,植被覆盖度反演值低。因此,阴影极大地干扰了植被覆盖度在地物识别、信息提取及定量算法构建方面的应用效果。
国内外针对阴影对植被的影响有基于遥感影像检测阴影修正影像光谱、融合多源卫星影像来恢复阴影区影像光谱信息;结合NDVI指数构建阴影指数实现对阴影检测与剔除、AVHRR-NDVI数据产品的MVC合成算法、利用多幅NDV I影像合成来消除阴影的影响、对洼地山体阴影区域植被NDVI通过空间插值进行模拟等。上述方法均基于卫星遥感数据开展理论研究,忽略了真实地物情况。
近年来,无人机航摄技术的广泛应用为获取我们真实地物情况提供了高效便捷的途径,高分辨率的无人机影像能够高效和准确地识别植被和非植被,真实地反映地表植被分布情况,因此本发明提供一种基于无人机校准的山体阴影区高分影像提取植被覆盖度修正方法,有力地支撑植被覆盖度在地物识别、信息提取及定量算法构建等方面的应用。
发明内容
为此,本发明提供基于无人机山体阴影区植被覆盖度修正方法、设备和介质,以解决背景技术中提出的问题。
为了实现上述目的,本发明提供如下技术方案:一种基于无人机山体阴影区植被覆盖度修正系统,该修正系统包括高分遥感影像单元、无人机影像单元以及数字高程模型;
其中,高分遥感影像单元,用于计算植被覆盖度FVCNDVI;
无人机影像单元,用于植被提取与植被覆盖度校准FVCGLI;
数字高程模型,用于山体阴影计算;
以上所述高分遥感影像单元、无人机影像单元以及数字高程模型,为该修正系统获取数据。
进一步的,该修正方法的具体步骤包括:
S1、数据获取:通过高分遥感影像单元获取高分影像数据(包括R、G、B、NIR四个波段、空间分辨率16m的影像区域称为研究区),高分影像区域内相近时期的无人机正射影像区域(包括R、G、B三个波段、空间分辨率0.1m的影响区域称为校准区),研究区数字高程模型DEM数据,对高分影像进行预处理(包括大气校正、几何校正和投影),并对无人机正射影像进行预处理(包括几何精校正和投影),从而得到带有坐标系统、几何位置准确的高分影像和无人机影像以及DEM数据;
S2、高分影像植被覆盖度计算:基于高分遥感影像单元计算研究区归一化植被指数NDVI,并估算植被覆盖度FVCNDVI;
进一步的,步骤S2具体包括:
S21.根据高分影像红波段(band3)和近红外波段(band4),计算归一化植被指数NDVI:
NDVI=(band4-band3)/(band4+band3)
S22.采用像元二分模型,估算植被覆盖度FVCNDVI:
FVCNDVI=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)
式中,NDVIveg为纯植被像元的NDVI值,NDVIsoil为纯裸土像元的NDVI值,可以通过取置信度区间的最大最小值来代替。
S3、无人机影像的植被提取与植被覆盖度校准:基于无人机影像单元计算校准区绿叶指数GLI,通过二值化区分植被像元和非植被像元;统计校准区内的高分影像每个像元中的无人机植被像元占比,得到校准区的高分影像校准植被覆盖度FVCGLI;
S4、山体阴影提取:数字高程模型根据高分影像头文件(xml说明文件)获取影像拍摄时间太阳天顶角(Zenith)和方位角(Azimuth),基于DEM数据计算山体阴影指数Hillshade,并提取明亮区和阴影区;
S5、山体阴影区植被覆盖度修复,该过程具体步骤包括:
S51、在校准区的明亮区和阴影区分别建立植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI间的线性拟合方程;
S52、基于两个线性拟合方程得到阴影区植被覆盖度FVCNDVI的修正方程;
S53、采用修正方程修复研究区山体阴影区植被覆盖度FVCNDVI;
S54、根据步骤S53进行修复效果评价。
进一步的,所述步骤S3具体包括:
S31.根据无人机影像单元的蓝波段(band1)、绿波段(band2)和红波段(band3),计算绿叶指数GLI:
GLI=((band2-band3)+(band2-band1))/((2*band2)+band3+band1);
S32.基于绿叶指数GLI,通过二值化区分植被像元和非植被像元;
S33.在校准区建立渔网,大小16×16m,每格渔网与高分影像栅格重合,采用分区统计的方式,统计每格渔网(即每个高分影像栅格)内的无人机植被像元数量和非植被像元数量,计算校准区的植被像元占比得到每格渔网的校准植被覆盖度FVCGLI;
FVCGLI=a/(a+b)
式中,a为每个高分影像栅格内的无人机植被像元数量,b为每个高分影像栅格内的无人机非植被像元数量;
S34.将矢量渔网的植被像元占比值转为栅格植被覆盖度FVCGLI。
进一步的,所述步骤S4具体包括:
S41.计算坡度(Slope_rad)和坡向(Aspect_rad)的弧度;
计算方法:通过移动3×3窗口对输入栅格的每个像元进行计算,窗口中心像元的坡向和坡度值根据周围8个相邻像元值计算。用字母a至i标识窗口内的像元,其中中心像元为e。
a | b | c |
d | e | f |
g | h | i |
中心像元e在x、y方向上的变化率[dz/dx]、[dz/dy]的计算方式如下:
[dz/dx]=((c+2f+i)-(a+2d+g))/(8*cellsize)
[dz/dy]=((g+2h+i)-(a+2b+c))/(8*cellsize)
根据[dz/dx]、[dz/dy]值,计算中心像元e的坡度:
根据[dz/dx]、[dz/dy]值,计算中心像元e的坡向:
①当[dz/dx]≠0时,Aspect_rad0=atan2([dz/dy],-[dz/dx])
②当[dz/dx]=0时,Aspect_rad0=atan2([dz/dy],-[dz/dx])
S42.计算山体阴影指数Hillshade;
Hillshade=255.0*((cos(Zenith_rad)*cos(Slope_rad))+(sin(Zenith_rad)*sin(Slope_rad)*cos(Azimuth_rad-Aspect_rad)))
式中,Zenith_rad和Azimuth_rad分别表示太阳天顶角和太阳方位角的弧度;Slope_rad和Aspect_rad分别表示坡度和坡向的弧度。
S43.根据山体阴影指数Hillshade,植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI,提取明亮区(Hillshade≥H明亮)和阴影区(Hillshade<H阴影)。根据影像表现特征,H阴影取值为115-125,H明亮取值在175-185。具体确定时,需划分Hillshade分析区间,通过不同区间山体阴影上植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI线性拟合优度,根据阈值附近区间拟合优度出现明显下降的特征确定H明亮和H阴影的确定值。
进一步的,所述步骤S5具体包括:
S51.建立校准区明亮区植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI间的线性拟合方程:
FVCNDVI=x1×FVCGLI+y1
S52.建立校准区阴影区植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI间的线性拟合方程:
FVCNDVI=x2×FVCGLI+y2
S53.确定阴影区植被覆盖度FVCNDVI的修正方程,修复研究区山体阴影区的植被覆盖度FVCNDVI:
FVCNDVI=(x2-x1+1)×FVCNDVI+y2-y1
S54.将修复前后,校准区明亮区和阴影区整体进行线性拟合,对比拟合优度变化。
本发明公开了一种设备,所述设备包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行基于无人机山体阴影区植被覆盖修正方法。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现基于无人机山体阴影区植被覆盖修正方法。
本发明具有如下优点:
1、本发明提供的基于无人机山体阴影区植被覆盖度修正系统通过高分遥感影像单元、无人机影像单元以及数字高程模型获取数据进而进行山体阴影区植被覆盖度修复,与现有技术相比,本发明所提供的方法能够有效提高阴影区植被覆盖度反演结果的准确率,拟合优度决定系数由原先的0.77提升至0.82,对基于植被覆盖度开展的地物识别、信息提取及定量算法构建具有重要的科学意义和实用价值。
2、本发明考虑了阴影区对FVC反演结果的影响,规避了由于山区阴影导致反演结果差的问题,开辟了人们对遥感影像阴影区植被覆盖度反演的新视角,促进了人们对影像阴影区指数计算的科学理解。
附图说明
图1为本发明实施例总体流程示意图。
图2为本发明实施例遥感卫星影像图(左)和植被覆盖度计算结果(右)。
图3为本发明实施例无人机影像(左)、无人机绿叶指数GL I计算结果(中)和无人机植被提取结果(右)。
图4为本发明实施例校准区局部植被覆盖度(左)、渔网分割下的无人机植被提取结果(中)和校准植被覆盖度(右)。
图5为本发明实施例局部山体阴影(左)和明亮区和阴影区提取结果(右)。
图6为本发明实施例不同区间山体阴影上植被覆盖度FVCNDVI(左)和校准植被覆盖度FVCGLI线性拟合优度统计图(右)。
图7为本发明实施例山体阴影植被覆盖度修正前校准区明亮区和阴影区整体线性拟合(左)和山体阴影植被覆盖度修正后校准区明亮区和阴影区整体线性拟合(右)对比图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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。
实施例通过本发明来修正山体阴影区的植被覆盖度。具体步骤如下:
S1.数据获取。
下载广西壮族自治区南宁地区“高分1号”(GF-1)卫星宽幅相机(WFV)影像(图2左),影像产品编号4362110,日期2019年11月05日,空间分辨率16米,太阳天顶角39.5627°,太阳方位角165.818°;无人机影像(图3左)航摄时间2019年11月08日,空间分辨率0.1米;数字高程模型数据ALOS DEM,空间分辨率12.5米。对高分影像进行大气校正、几何校正和投影等预处理,对无人机正射影像进行几何精校正、投影等预处理,得到带有坐标系统、几何位置准确的高分影像和无人机影像以及DEM数据。
S2.高分影像植被覆盖度计算。
S21.根据高分影像红波段(band3)和近红外波段(band4),计算归一化植被指数NDVI:
NDVI=(band4-band3)/(band4+band3)
S22.采用像元二分模型,估算植被覆盖度FVCNDVI(图2中):
FVCNDVI=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)
实例通过取置信度区间(5%-95%)的最大最小值确定NDVIveg为0.06,NDVIsoil为0.58;计算取FVCNDVI值区间[0,1]。
S3.无人机影像的植被提取与植被覆盖度校准。
S31.根据无人机影像蓝波段(band1)、绿波段(band2)和红波段(band3),计算绿叶指数GLI(图3中):
GLI=((band2-band3)+(band2-band1))/((2*band2)+band3+band1)
S32.基于绿叶指数GLI,根据影像特征进行二值化处理,区分植被像元(GLI≥0.06)和非植被像元(GLI<0.06)(图3右)。
S33.在校准区建立渔网,大小16×16m,每格渔网与高分影像栅格重合(图4左)。采用分区统计的方式,统计每格渔网(即每个高分影像栅格)内的无人机植被像元数量和非植被像元数量(图4中),计算校准区的植被像元占比得到每格渔网的校准植被覆盖度FVCGLI。
FVCGLI=a/(a+b)
式中,a为每个高分影像栅格内的无人机植被像元数量,b为每个高分影像栅格内的无人机非植被像元数量。
S34.将矢量渔网的植被像元占比值转为栅格植被覆盖度FVCGLI(图4右)。
S4.山体阴影提取。根据高分影像头文件(xml说明文件)获取影像拍摄时间太阳天顶角(Zenith)和方位角(Azimuth),基于DEM数据计算山体阴影指数Hillshade。
S41.计算坡度(Slope_rad)和坡向(Aspect_rad)的弧度。
S42.计算山体阴影指数Hillshade(图5左)。
S43.划分Hillshade分析区间,Hillshade整数值范围在0-255,以20为区间间隔统计植被栅格数量,数量大于100则以10间隔再次分区;统计不同区间山体阴影上植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI线性拟合优度(图6)。
根据阈值附近区间拟合优度出现明显下降的特征确定H明亮为180、H阴影为120,提取明亮区(Hillshade≥180)和阴影区(Hillshade<120)(图5中)。
S5.山体阴影区植被覆盖度修正。在校准区的明亮区和阴影区分别建立植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI间的线性拟合方程,基于两个线性拟合方程得到阴影区植被覆盖度FVCNDVI的修正方程。采用修正方程修正研究区山体阴影区植被覆盖度FVCNDVI。
S51.建立校准区明亮区植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI间的线性拟合方程:
FVCNDVI=1.0463×FVCGLI+0.0957
S52.建立校准区阴影区植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI间的线性拟合方程:
FVCNDVI=1.1895×FVCGLI+0.1377
S53.确定阴影区植被覆盖度FVCNDVI的修正方程,修正研究区山体阴影区的植被覆盖度FVCNDVI:
FVCNDVI=1.0448×FVCNDVI+0.092
S54.将修正前后,校准区明亮区和阴影区整体进行线性拟合,对比拟合优度(图7):
以上示例体现了本实施例提供方案阴影修正效果较好,拟合优度决定系数由修正前的0.77提升至修正后的0.82,整体区域的拟合优度接近明亮区单独区域的拟合优度。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于基于无人机校准的山体阴影区高分影像提取植被覆盖度修正方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (4)
1.一种运行基于无人机山体阴影区植被覆盖度修正系统的修正方法,其特征在于:该修正系统包括高分遥感影像单元、无人机影像单元以及数字高程模型;
其中,高分遥感影像单元,用于计算植被覆盖度FVCNDVI;
无人机影像单元,用于植被提取与植被覆盖度校准FVCGLI;
数字高程模型,用于山体阴影计算;
以上所述高分遥感影像单元、无人机影像单元以及数字高程模型,为该修正系统获取数据;
所述修正方法的步骤包括:
S1、数据获取:通过高分遥感影像单元获取高分影像数据,包括R、G、B、NIR四个波段、空间分辨率16m的影像区域称为研究区,高分影像区域内相近时期的无人机正射影像区域,包括R、G、B三个波段、空间分辨率0.1m的影响区域称为校准区,研究区数字高程模型DEM数据,对高分影像进行预处理,包括大气校正、几何校正和投影,并对无人机正射影像进行预处理,包括几何精校正和投影,从而得到带有坐标系统、几何位置准确的高分影像和无人机影像以及DEM数据;
S2、高分影像植被覆盖度计算:基于高分遥感影像单元计算研究区归一化植被指数NDVI,并估算植被覆盖度FVCNDVI;
S3、无人机影像的植被提取与植被覆盖度校准:基于无人机影像单元计算校准区绿叶指数GLI,通过二值化区分植被像元和非植被像元;统计校准区内的高分影像每个像元中的无人机植被像元占比,得到校准区的高分影像校准植被覆盖度FVCGLI;具体包括:
S31.根据无人机影像单元的蓝波段(band1)、绿波段(band2)和红波段(band3),计算绿叶指数GLI:
GLI=((band2-band3)+(band2-band1))/((2*band2)+band3+band1);
S32.基于绿叶指数GLI,通过二值化区分植被像元和非植被像元;
S33.在校准区建立渔网,大小16×16m,每格渔网与高分影像栅格重合,采用分区统计的方式,统计每格渔网内的无人机植被像元数量和非植被像元数量,计算校准区的植被像元占比得到每格渔网的校准植被覆盖度FVCGLI;
FVCGLI=a/(a+b)式中,a为每个高分影像栅格内的无人机植被像元数量,b为每个高分影像栅格内的无人机非植被像元数量;
S34.将矢量渔网的植被像元占比值转为栅格植被覆盖度FVCGLI;
S4、山体阴影提取:数字高程模型根据高分影像头文件获取影像拍摄时间太阳天顶角(Zenith)和方位角(Azimuth),基于DEM数据计算山体阴影指数Hillshade,并提取明亮区和阴影区;具体包括:
S41.计算坡度(Slope_rad)和坡向(Aspect_rad)的弧度;
S42.计算山体阴影指数Hillshade;
S43.根据山体阴影指数Hillshade,植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI,Hillshade≥H明亮时提取明亮区,Hillshade<H阴影时提取阴影区;根据影像表现特征,H阴影取值为115-125,H明亮取值在175-185;具体确定时,需划分Hillshade分析区间,通过不同区间山体阴影上植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI线性拟合优度,根据阈值附近区间拟合优度出现明显下降的特征确定H明亮和H阴影的确定值;
S5、山体阴影区植被覆盖度修复,该过程具体步骤包括:
S51、在校准区的明亮区和阴影区分别建立植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI间的线性拟合方程;
S52、基于两个线性拟合方程得到阴影区植被覆盖度FVCNDVI的修正方程;
S53、采用修正方程修复研究区山体阴影区植被覆盖度FVCNDVI;
S54、根据步骤S53进行修复效果评价。
2.根据权利要求1所述的修正方法,其特征在于:所述步骤S5具体包括:
S51.建立校准区明亮区植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI间的线性拟合方程:;
S52.建立校准区阴影区植被覆盖度FVCNDVI和校准植被覆盖度FVCGLI间的线性拟合方程:;
S53.确定阴影区植被覆盖度FVCNDVI的修正方程,修复研究区山体阴影区的植被覆盖度FVCNDVI:;
S54.将修复前后,校准区明亮区和阴影区整体进行线性拟合,对比拟合优度变化。
3.一种设备,其特征在于:所述设备包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1-2中任一项所述的修正方法。
4.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-2中任一项所述的修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310393541.4A CN116385883B (zh) | 2023-04-13 | 2023-04-13 | 基于无人机山体阴影区植被覆盖度修正方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310393541.4A CN116385883B (zh) | 2023-04-13 | 2023-04-13 | 基于无人机山体阴影区植被覆盖度修正方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385883A CN116385883A (zh) | 2023-07-04 |
CN116385883B true CN116385883B (zh) | 2024-01-05 |
Family
ID=86965430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310393541.4A Active CN116385883B (zh) | 2023-04-13 | 2023-04-13 | 基于无人机山体阴影区植被覆盖度修正方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385883B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN108537795A (zh) * | 2018-04-23 | 2018-09-14 | 中国科学院地球化学研究所 | 一种山区河流信息提取方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
CN113553549A (zh) * | 2021-07-26 | 2021-10-26 | 中国科学院西北生态环境资源研究院 | 一种植被覆盖度反演方法、装置、电子设备及存储介质 |
CN113837095A (zh) * | 2021-09-24 | 2021-12-24 | 福州大学 | 基于三类阴影的地形校正效果评估方法 |
KR20230046029A (ko) * | 2021-09-29 | 2023-04-05 | 농업회사법인 주식회사 에이원컴퍼니 | 인공 위성 취득 정보 기반 농작물 정보 제어 시스템 및 인공 위성 취득 정보 기반 농작물 정보 제어 방법 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108050994B (zh) * | 2017-11-28 | 2019-08-16 | 河海大学 | 基于倾斜摄影三维重建技术的淤泥质潮滩地形演变方法 |
CN108151719B (zh) * | 2017-12-07 | 2019-07-19 | 福州大学 | 一种验证地形阴影校正效果的方法 |
CN110544277B (zh) * | 2019-08-12 | 2023-01-10 | 蔡建楠 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
CN111142119B (zh) * | 2020-01-10 | 2021-08-17 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN111678502B (zh) * | 2020-06-09 | 2022-06-14 | 中国科学院东北地理与农业生态研究所 | 基于无人机航测影像提取冻土灾害信息的方法 |
CN113191312A (zh) * | 2021-05-20 | 2021-07-30 | 鲁东大学 | 一种基于直方图智能阈值和srm辅助的遥感图像水体提取方法 |
CN115218947A (zh) * | 2022-03-16 | 2022-10-21 | 重庆市生态环境科学研究院 | 三峡库区消落带典型植被生物量天空地一体化监测方法 |
CN114821360A (zh) * | 2022-05-12 | 2022-07-29 | 中国农业科学院农业资源与农业区划研究所 | 作物叶面积指数智能化提取方法、装置及电子设备 |
CN115343226A (zh) * | 2022-07-15 | 2022-11-15 | 生态环境部卫星环境应用中心 | 一种基于无人机的多尺度植被覆盖度遥感计算方法 |
-
2023
- 2023-04-13 CN CN202310393541.4A patent/CN116385883B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
CN108537795A (zh) * | 2018-04-23 | 2018-09-14 | 中国科学院地球化学研究所 | 一种山区河流信息提取方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
CN113553549A (zh) * | 2021-07-26 | 2021-10-26 | 中国科学院西北生态环境资源研究院 | 一种植被覆盖度反演方法、装置、电子设备及存储介质 |
CN113837095A (zh) * | 2021-09-24 | 2021-12-24 | 福州大学 | 基于三类阴影的地形校正效果评估方法 |
KR20230046029A (ko) * | 2021-09-29 | 2023-04-05 | 농업회사법인 주식회사 에이원컴퍼니 | 인공 위성 취득 정보 기반 농작물 정보 제어 시스템 및 인공 위성 취득 정보 기반 농작물 정보 제어 방법 |
Non-Patent Citations (5)
Title |
---|
Quantification of Alpine Grassland Fractional Vegetation Cover Retrieval Uncertainty Based on Multiscale Remote Sensing Data;Xingchen Lin等;《 IEEE Geoscience and Remote Sensing Letters》;第19卷;全文 * |
基于决策树―山体阴影模型的植被信息提取研究;符雅盛;张利华;朱志儒;刘丹丹;吴宗钒;马永明;;长江流域资源与环境(第02期);全文 * |
基于星机遥感数据的阴影影响下冬小麦覆盖度估算;陈平男等;《农业与技术》;全文 * |
基于雷达植被指数的植被覆盖度估测;何海燕;《中国优秀硕士学位论文全文数据库基础科学辑》;全文 * |
多源夜光遥感数据协同的东南亚城市化时空动态监测与评估;赵敏;《中国博士学位论文全文数据库基础科学辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116385883A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909607B (zh) | 一种年度区域植被覆盖度计算方法 | |
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 | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
CN108132220B (zh) | 林区机载推扫式高光谱影像的brdf归一化校正方法 | |
CN107063296B (zh) | 一种卫星遥感传感器在轨辐射定标方法 | |
CN113850139B (zh) | 一种基于多源遥感的森林年际物候监测方法 | |
CN110569797B (zh) | 地球静止轨道卫星影像山火检测方法、系统及其存储介质 | |
CN106940887B (zh) | 一种gf-4卫星序列图像云与云下阴影检测方法 | |
CN109934788B (zh) | 一种基于标准遥感图像的遥感图像缺失数据修复方法 | |
CN113970376B (zh) | 一种基于海洋区域再分析资料的卫星红外载荷定标方法 | |
CN107230186B (zh) | 一种卫星遥感影像物理匀色方法 | |
CN109919250B (zh) | 考虑土壤水分的蒸散发时空特征融合方法及装置 | |
CN108776106A (zh) | 一种基于无人机低空遥感的作物长势监测方法及系统 | |
CN114005040A (zh) | 一种基于di的森林扰动变化遥感监测方法及装置 | |
CN113379759A (zh) | 一种光学遥感卫星影像水体自动提取方法 | |
CN111582575A (zh) | 一种多时空尺度下城市热环境形成发展主导因素识别方法 | |
CN112287904A (zh) | 基于卫星影像的机场目标识别方法和装置 | |
CN109671038A (zh) | 一种基于伪不变特征点分类分层的相对辐射校正方法 | |
CN106920231A (zh) | 一种基于全色图像统计特征的遥感图像云评估方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
Ni et al. | Hurricane eye morphology extraction from SAR images by texture analysis | |
Li et al. | Hybrid cloud detection algorithm based on intelligent scene recognition | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
CN109946670A (zh) | 一种光学影像驱动的雷达极化信息提取方法 | |
CN116385883B (zh) | 基于无人机山体阴影区植被覆盖度修正方法、设备和介质 |
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 |