CN116704345B - 植被提取方法、装置、电子设备及存储介质 - Google Patents
植被提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116704345B CN116704345B CN202310685871.0A CN202310685871A CN116704345B CN 116704345 B CN116704345 B CN 116704345B CN 202310685871 A CN202310685871 A CN 202310685871A CN 116704345 B CN116704345 B CN 116704345B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- image
- remote sensing
- layer
- sensing satellite
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 22
- 238000012876 topography Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 20
- 238000011160 research Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 description 19
- 238000012937 correction Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000005870 Ziram Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- DUBNHZYBDBBJHD-UHFFFAOYSA-L ziram Chemical compound [Zn+2].CN(C)C([S-])=S.CN(C)C([S-])=S DUBNHZYBDBBJHD-UHFFFAOYSA-L 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000009137 wuling Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 241000218631 Coniferophyta Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及植被提取技术领域,特别涉及一种植被提取方法、装置、电子设备及存储介质。其中,该方法包括:获取待提取的遥感卫星影像;将所述待提取的遥感卫星影像输入到预先训练好的植被提取模型中,得到所述待提取的遥感卫星影像的植被信息;其中,所述植被提取模型是通过以不同地理位置、不同气候类型和不同地形条件的样本遥感卫星影像作为输入样本集对目标神经网络进行训练得到的,所述待提取的遥感卫星影像和所述样本遥感卫星图像均是通过对GF‑6遥感卫星影像进行预处理得到的。本发明提供的技术方案可以更加高效且精确地进行植被提取。
Description
技术领域
本发明涉及植被提取技术领域,特别涉及一种植被提取方法、装置、电子设备及存储介质。
背景技术
植被作为生态系统中的重要组成成分,在生态环境保护、可持续发展方面发挥着重要作用,植被信息的高精度提取,是植被覆盖状况调查和动态变化规律研究的基础,对评价区域生态现状具有重要意义。然而,植被信息获取方法的优劣决定着植被信息获取的精度和效率,有效的植被提取方法可以推动植被相关研究的发展。
相关技术中,利用深度学习是植被提取的最新方法,其中常用的神经网络方法包括CNN、BPNN、FNN和FCN等。以CNN为基础的提取模型,是基于图像的分类,难以实现像素级分割。因此,探索一种高效的、精确的植被提取新方法势在必行。
因此,亟需提供一种植被提取方法、装置、电子设备及存储介质来解决上述技术问题。
发明内容
为了更加高效且精确地进行植被提取,本发明实施例提供了一种植被提取方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供了一种植被提取方法,包括:
获取待提取的遥感卫星影像;
将所述待提取的遥感卫星影像输入到预先训练好的植被提取模型中,得到所述待提取的遥感卫星影像的植被信息;其中,所述植被提取模型是通过以不同地理位置、不同气候类型和不同地形条件的样本遥感卫星影像作为输入样本集对目标神经网络进行训练得到的,所述待提取的遥感卫星影像和所述样本遥感卫星图像均是通过对GF-6遥感卫星影像进行预处理得到的。
第二方面,本发明实施例还提供了一种植被提取装置,包括:
获取模块,用于获取待提取的遥感卫星影像;
提取模块,用于将所述待提取的遥感卫星影像输入到预先训练好的植被提取模型中,得到所述待提取的遥感卫星影像的植被信息;其中,所述植被提取模型是通过以不同地理位置、不同气候类型和不同地形条件的样本遥感卫星影像作为输入样本集对目标神经网络进行训练得到的,所述待提取的遥感卫星影像和所述样本遥感卫星图像均是通过对GF-6遥感卫星影像进行预处理得到的。
第三方面,本发明实施例还提供了一种电子设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时,实现本说明书任一实施例的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当计算机程序在计算机中执行时,令计算机执行本说明书任一实施例的方法。
本发明实施例提供了一种植被提取方法、装置、电子设备及存储介质,以GF-6遥感卫星影像为数据源,以不同地理位置、不同气候类型和不同地形条件为划分依据,对目标神经网络进行训练,这样训练得到的植被提取模型就可以更加高效且精确地实现植被信息的提取。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关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是本发明一实施例提供的植被提取方法的流程示意图;
图2是本发明一实施例提供的植被提取装置的示意性框图;
图3是本发明一实施例提供的目标神经网络的模型结构示意图;
图4是本发明一实施例提供的四个实验区植被提取结果的示意图;
图5是本发明一实施例提供的张家界市不同年份植被提取结果的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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的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。
图1示出根据一个实施例的植被提取方法的流程示意图。可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图1所示,该方法包括:
步骤100、获取待提取的遥感卫星影像;
步骤102、将待提取的遥感卫星影像输入到预先训练好的植被提取模型(可参见图3)中,得到待提取的遥感卫星影像的植被信息;其中,植被提取模型是通过以不同地理位置、不同气候类型和不同地形条件的样本遥感卫星影像作为输入样本集对目标神经网络进行训练得到的,待提取的遥感卫星影像和样本遥感卫星图像均是通过对GF-6遥感卫星影像进行预处理得到的。
在本实施例中,以GF-6遥感卫星影像为数据源,以不同地理位置、不同气候类型和不同地形条件为划分依据,对目标神经网络进行训练,这样训练得到的植被提取模型就可以更加高效且精确地实现植被信息的提取。
需要说明的是,国产高分6号(即GF-6)遥感卫星影像为主要数据源,所用的GF-6遥感卫星影像均下载自中国资源卫星应用中心,设置含云量低于5%的筛选条件,分别下载四个实验区(即下文的以齐齐哈尔市、乌鲁木齐市、张家界市和三亚市作为实验区)的遥感卫星影像。
GF-6卫星是我国首颗实现精准农业观测的高分卫星,是GF-1卫星的后继卫星,两颗卫星的主要载荷型号一致(2m全色/8m多光谱和16m宽幅多光谱),但是GF-1卫星需要通过多台相机实现大视场,而GF-6卫星通过一台相机即可实现,有效解决了大型图像需要多张照片拼接处理的问题,目前GF-6卫星用于农业部门、地理测绘、林业资源监测等领域提供高精度、宽范围的空间观测服务。GF-6搭载了两种不同的传感器,包括高分辨率光学相机(PSM)和中分辨率宽幅相机(WFV),其中PSM相机包含4个波段,可以获取2m高分辨率影像,WFV相机除了常规的红、绿、蓝、近红四个波段外,还额外增加了两个红边波段、1个海岸蓝波段和1个黄波段,海岸蓝波段的增加,使影像更加适用于广泛的地表类型,可以实现高精度的大气校正;黄波段的增加,提高了沙化土地等识别能力;红边波段的增加,使土地覆盖监测和作物识别的总体精度显著提高,但是WFV相机仅能获取16m中分辨率的影像,难以满足精细化需求,因此,本文选择GF-6搭载的PSM相机,以期实现植被的高精度提取。
在遥感影像目视解译过程中,将遥感影像以近红、红、绿波段进行假彩色合成后,植被与其他地物类别具有明显的差异性,植被表征为红色,表面粗糙且具有不规则纹理。基于植被在假彩色合成的遥感影像上的特殊表征形态,确定植被解译标签,使用ArcGIS软件勾画植被面要素,并赋予相应的属性值,其中1代表植被,0代表非植被。
中国植被分类系统高级分类单位划分方案中指出,植被包括森林、灌丛、草地、荒漠、高山冻原与稀疏植被、沼泽与水生植被、农业植被、城市植被、无植被地段9个植被型组,落叶针叶林、常绿针叶灌丛、丛生草类草地、半乔木与灌木荒漠等48个植被型和寒温性与温性落叶针叶林、温性常绿针叶灌丛等81个植被亚型,植被类型复杂多样,目视解译的难度较大。植被作为地表生态系统的重要组成部分,在土地利用中占主导地位,因此,在构建植被样本库时参照土地利用分类体系标准,将土地利用分类体系中的林地、草地归为植被,耕地、水域、居民用地和未利用地归为非植被,构建植被样本库。
作为一种优选的实施方式,样本遥感卫星图像的地理位置包括中国东北地区、中国西北地区、中国中南地区、中国南部沿海地区,样本遥感卫星图像的气候类型包括中温带大陆性季风气候、温带大陆性干旱气候、大陆型中亚热带季风湿润气候、热带海洋性季风气候,样本遥感卫星图像的地形条件包括以平原和丘陵为主的地形、以山地和盆地为主的地形、以山地和丘陵为主的地形、以海岸和山地为主的地形。
在本实施例中,以齐齐哈尔市、乌鲁木齐市、张家界市和三亚市的不同植被类群作为研究对象,基于植被在遥感影像假彩色合成条件下的特殊表征,构建四个实验区植被样本库,考虑到不同气候、地形等因素的影响,导致植被分布特征差异化,在构建植被样本库时,需要关注不同实验区的植被特点。
植被样本库的构建基于ArcGIS软件实现。首先,在每幅预处理后的遥感影像中随机框选1-2个区域作为目标区域,通过人工目视解译的方式标注出植被类别面要素并赋予属性值,当植被勾画区中含有非植被类别时,也需要将其勾画出并赋予属性值,其中1代表植被,0代表非植被。植被面要素勾画完成后,通过专家判别的方式对解译结果进行校正,最后将矢量数据转化为栅格数据,作为地表真实标签数据集。将目标区域及对应的标签数据采用滑动窗口裁剪的方式裁剪为256×256大小,裁剪后四个实验区的数据量分别为1619张、5877张、4935张和1344张,将裁剪后的数据按8:1:1的比例划分为训练集、测试集和验证集。由于地理位置、气候、地形地貌等因素的影响,四个实验区的数据具有差异性,各区域植被样本库构建也存在差异性,四个实验区的植被样本库构建流程如下:
1)黑龙江省齐齐哈尔市植被样本库构建
我国2000—2020年各省植被覆盖度平均值和年际变化情况研究表明,黑龙江省是我国植被覆盖度最高的省份。位于黑龙江省西部的齐齐哈尔市(45°N~48°N,122°E~126°E)是黑土地的典型代表,横跨第一、第二、第三积温带,气候类型为中温带大陆性气候,四季分明,春夏季节适合植物生长,秋季大量落叶受微生物分解后形成腐殖质,随着寒冷而漫长的冬季的到来微生物分解作用受到抑制,在这种气候条件下形成了宝贵的黑土资源,基于黑土资源性状好、肥力高的特点,非常适合植被生长。
齐齐哈尔市以平原、丘陵地貌类型为主,植被呈现过渡性特征,植被类型复杂多样,主要包括温带次生落叶阔叶林、榆树疏林、灌木柳丛、灌木草丛、温带草甸草原、草甸和沼泽等植被类型,植被主要分布于居民用地和水域附近,在构建植被样本库时需要注意以下两点:①该区域植被与耕地混杂分布,遥感影像假彩色合成后,植被表征为红色、表面粗糙且具有不规则纹理,耕地表征为灰色,表面较光滑且具有规则的纹理,在构建植被样本库时需要将两者有效区分;②由于遥感影像下载的时间为5月-10月,影像中的枯黄植被容易被忽略,枯黄植被在遥感影像中表征为黄色、表面粗糙且具有不规则纹理。
2)新疆维吾尔自治区乌鲁木齐市植被样本库构建
新疆维吾尔自治区是我国植被覆盖率最低的省份,地貌类型以荒漠为主,其“三山夹两盆”的地域结构使得植被具有明显的纬向水平地带性分布规律,受北冰洋环流和高山融水的影响,植被覆盖度从西北向东南逐渐下降。乌鲁木齐市(42°N~44°N,86°E~88°E)地处亚欧大陆腹地,天山北麓、准噶尔盆地南缘,属中亚温带荒漠区,自然植被以温带荒漠植被类群为主,在山区还分布有温性针叶林和落叶阔叶林。
乌鲁木齐市的植被多分布于城市和郊区的山地、水源、道路旁等,多呈线性分布。在构建植被样本库时需要注意以下两点:①城市居民用地中的红色建筑物与植被易混淆,红色建筑物在影像中多为矩形且表面光滑,在勾画植被面要素时应有效避开红色建筑物;②乌鲁木齐市植被多分布于道路两旁,具有明显的线状特征,植被与道路的边界间隔较小,容易超出植被范围,在勾画路旁植被面要素时,应尽量放大影像,勾画更加准确的植被边界。
3)湖南省张家界市植被样本库构建
湖南省是我国南方重点林省区,森林资源主要集中分布在湘西和湘南地区,属于大陆型中亚热带季风湿润气候,春夏两季湿润多雨,秋冬两季受冷空气影响较大,受气候因素的影响,湖南省的地带性植被主要包括常绿阔叶林、落叶—常绿阔叶林、热带针叶林和竹林等,森林资源种类丰富、储量较大。
张家界市(28°N~29°N,109°E~111°E)地处武陵山腹地,拥有中国第一个国家森林公园——张家界森林公园,植被覆盖率位居全省前三,植被类型以常绿阔叶林为主,主要分布于武陵源国家森林公园,植被与居民用地、耕地、水域等非植被混杂分布。在构建张家界市植被样本库时需要注意以下两点:①连片分布的植被中含有多类非植被地物,在勾画植被面要素时,需避开非植被地物;②该区域耕地分布广泛,影像中耕地具有明显的阶梯状纹理,构建植被样本库时需有效避开耕地。
4)海南省三亚市植被样本库构建
海南省位于我国最南端,是我国面积最大的省。三亚市(18°9′34″~18°37′27″N,108°56′30~109°48′28″E)位于海南岛最南端,是中国著名热带滨海旅游城市,属热带海洋性季风气候,地貌类型以海岸平原和山地为主,主要有热带山地雨林和热带季雨林等地带性植被,全市植被覆盖率为90%左右。
三亚市的非植被区主要分布于山前平原的人居环境,植被与耕地、居民用地等地物类别混杂分布,在影像中耕地表征为浅黄色、表面具有规则的纹理,居民用地为高亮区域,构建植被样本库时应有效区分植被与非植被。
也就是说,本发明实施例所选取的四个实验区由于地域差异性和气候等外界因素的影响,植被分布特征不同,植被与非植被的表征形态也有所差异。其中:齐齐哈尔市植被与耕地易混淆,影像中的枯黄植被容易漏分;乌鲁木齐市植被的线状特征明显,植被边界与道路边界间隔较小,易超出植被范围,分布于居民区中的红色建筑物与植被易混淆;张家界市集中连片的植被中含有多类非植被地物;三亚市植被分布广泛,非植被多分布于山前的人居环境中,与植被混杂分布。根据四个实验区的植被分布特征和非植被的表征形态,构建各区域植被样本库,为后续的植被提取模型训练、评价和验证提供数据支撑。
作为一种优选的实施方式,GF-6遥感卫星影像包括多光谱影像和全色影像,对GF-6遥感卫星影像进行预处理,包括:
利用Radiometric Calibration工具分别对多光谱影像和全色影像进行辐射定标,得到第一图像和第二图像;
利用Flaash Atmospheric Correction工具对第一影像进行大气校正,得到第三图像;
利用RPC Orthorectification Workflow工具分别对第二图像和第三图像进行正射校正,得到第四图像和第五图像;
利用NNDiffuse Pan Sharpening工具对第四图像和第五图像进行影像融合。
在本实施例中,因为不同的遥感卫星存在一定的差异,即使是同一传感器获得的遥感影像也有可能会出现几何畸变,所以遥感影像需要经过一定的预处理操作。例如,可以使用ENVI5.3软件完成高分卫星多光谱影像预处理,预处理流程包括:辐射定标、大气校正、正射校正和影像融合,其中,多光谱影像进行了辐射定标、大气校正和正射校正操作,全色影像进行了辐射定标和正射校正操作,然后将正射校正后的多光谱影像和全色影像融合。
具体地,辐射定标使用Radiometric Calibration工具实现,辐射定标后的影像可以消除传感器本身存在的误差;大气校正使用Flaash Atmospheric Correction工具实现,大气校正后的影像可以消除大气、光照等因素造成的误差;正射校正使用RPCOrthorectification Workflow工具实现,主要用于消除影像的几何畸变误差;影像融合使用NNDiffuse Pan Sharpening融合工具实现,融合后的遥感影像充分利用影像丰富的波段光谱信息和高空间分辨率。GF-6遥感影像预处理后,获得2m高空间分辨率的多光谱卫星影像。
下面介绍本发明的植被提取模型的具体结构。
如图3所示,作为一种优选的实施方式,目标神经网络包括依次连接的编码部分、桥接部分和解码部分,其中:
编码部分用于对输入的遥感卫星图像进行3×3卷积操作和下采样操作,以提取图像特征信息;
桥接部分用于采用不同膨胀系数的空洞卷积对由编码部分输出的图像特征信息进行卷积操作,以增大图像感受野并保持图像高空间分辨率;
解码部分用于对由桥接部分输出的图像特征信息依次进行3×3卷积操作、上采样操作和1×1卷积操作,得到植被信息。
在本实施例中,通过在桥接部分增加空洞卷积,可以解决卷积层随卷积核增大计算参数量成倍增加的问题,也可以有效避免池化层进行下采样操作增大图像感受野但是导致图像尺寸减小和细节信息丢失的现象。使用空洞卷积进行卷积操作,能够始终保持输出图像具有高空间分辨率的同时,还可以增大图像的感受野,有助于提取更多的全局信息。进一步地,通过设置不同膨胀系数可以来调整图像的感受野,以增大图像的感受野,提取多个尺度的特征信息,同时保持影像的高空间分辨率。
作为一种优选的实施方式,编码部分包括多个编码层,每个编码层均包括依次连接至少两个卷积层和一个特征拼接层,每个卷积层均包括一个3×3的卷积核、一个归一化层和一个激活函数,特征拼接层用于对第一个卷积层的输入特征和最后一个卷积层的输出特征进行特征拼接,归一化层用于对由卷积核输出的特征信息进行归一化处理。
在本实施例中,由于神经网络在训练过程中随网络层数加深,训练复杂度会加大,因此神经网络在训练过程中,每一层网络拥有不同的参数分布,前一层的网络参数作为下一层网络的输入,随着前一层参数的变化,参数分布变得复杂,归一化将会对每一层网络的输入值进行归一化处理,使每一层网络参数分布服从均值为0、方差为1的正态分布,寻求整个训练过程参数的稳定分布,降低因参数变化造成的模型复杂度。即,加入归一化层可以有效规范网络参数输入,加快网络收敛速度,克服因模型复杂度加深而难以训练的困难。
需要说明的是,归一化层需要设置在激活函数之前,这是因为激活函数的输出分布形状会在训练过程中变化,归一化无法消除它的方差偏移,而卷积层的输出类似于高斯分布,对它们的输出结果进行归一化会产生更加稳定的分布。
归一化层的计算过程大致可分为四步,假设将样本分为batch size为m的多个批次(batch),依次进行求样本均值、求样本方差、样本归一化处理、平移和缩放处理操作,从而可以实现样本的归一化处理。
另外,由于随着网络层数加深,模型提取准确率达到饱和,此时随着网络层数增加会伴随梯度爆炸或梯度消失等问题,致使模型训练越来越困难,出现模型退化现象。通过设置特征拼接层可以使得期输入特征来自上一层卷积的输出特征与输入特征的堆叠,该过程通过具有“快捷连接”的前馈神经网络来实现。快捷连接是跳过一个或多个层的连接,执行身份映射,将卷积输出与输入堆叠后添加到下一层卷积的输入特征中,快捷连接不增加额外的参数,也不增加计算的复杂性,因此可以解决模型出现退化现象的问题。
作为一种优选的实施方式,解码部分包括多个解码层,每个编码层均与一个解码层对应且连接,每个解码层均包括一个特征融合层;
第一个解码层用于对由桥接部分输出的图像特征信息和由最后一个编码层输出的图像特征信息进行特征融合操作;
针对其余解码层,每个当前解码层均用于对由该当前解码层的上一个解码层输出的图像特征信息和由与该当前解码层对应的编码层输出的图像特征信息进行特征融合操作。
在本实施例中,通过在每个解码层均设置一个特征融合层,以连接每一次下采样与对应的上采样操作,融合浅层与深层特征用于恢复图像结构特征,即可以保留更多的图像结构特征,最后紧跟一个1×1卷积用于改变图像的输出通道数,如此实现图像语义分割。
在图3中,首先输入256×256大小通道数为3的图像,先经过一次3×3卷积将输入通道数调整为64,此操作是为了方便后续的编码层计算,然后进行四次编码层计算,在每一次编码层计算之后进行下采样操作,编码部分中的编码层计算用于提取图像特征信息,堆叠的卷积操作会导致通道数成倍增加,下采样操作会导致图像尺寸成倍减小;为了提取更多的特征信息,模型的桥接部分用膨胀系数为1、2、4、8的空洞卷积进行卷积操作,增大图像感受野的同时保持图像的高空间分辨率;在模型的解码部分中,通过2×2反卷积层进行上采样操作,逐渐恢复图像的尺寸大小,与此同时通过特征融合层融合上采样和对应的下采样提取的浅层和深层特征,保留更多的图像结构特征,随后进行两次3×3卷积,经过四次上采样、特征融合和卷积操作后实现图像的语义分割,最后进行一次1×1卷积,将输出通道数由64调整为2,输出256×256大小的植被提取特征图。
作为一种优选的实施方式,在利用所述样本遥感卫星影像对所述目标神经网络进行训练时,采用如下目标损失函数更新所述目标神经网络的权重参数:
L=L1+L2
式中,L为目标损失函数,L1为第一损失函数,L2为第二损失函数;Pi为预测值,Ti为标签真实情况,与植被像素对应的Ti为1,与非植被像素对应的Ti为0,Pi∈[0,1];N是一个样本中像素个数的总数,i为其中一个像素。
在本实施例中,上述第一损失函数可以增强泛化效果,而第二损失函数可以缓解训练时出现的类别不均衡问题,因此通过综合使用上述混合损失函数既可以增强泛化效果,又可以缓解训练时出现的类别不均衡问题。
下面介绍本发明提供的植被提取方法的验证过程。
实验基于Python语言下的pytorch框架实现,模型训练所用的计算机操作系统为CentOS 7,显卡为11GB的NVIDIA RTX 2080Ti GPU;软件配置方面,使用Win11 64位操作系统进行实验结果测试与验证,使用Vscode代码编辑器编写训练所需的代码。
实验基于Pytorch深度学习框架完成,为了保证实验的公平性,各模型算法均使用自适应动量估计(Adaptive Moment Estimation,Adam)优化器,学习率设置为2e-4,每次训练所用样本数设置为2(batch-size),迭代次数设置为200(Epoch)。在模型训练过程中,全程关注模型验证精度的变化情况,保存最后10次的模型训练参数,后续选取验证精度最高的模型参数用于验证模型精度。
利用上述植被提取模型分别提取四个实验区的植被,植被提取精度见表1,四个实验区植被提取的OA均高于90%,张家界市和齐齐哈尔市的F1 score高于90%,三亚市的F1score接近90%,乌鲁木齐市的F1 score接近80%,就IoU而言,张家界市仍高于90%,齐齐哈尔市和三亚市的IoU高于80%,乌鲁木齐市的IoU达65%。综合分析三个评价指标,发现上述植被提取模型针对张家界市的植被提取性能最高,其次为齐齐哈尔市、三亚市和乌鲁木齐市,具有一定的地域差异性。齐齐哈尔市位于我国植被覆盖率最高的省份,乌鲁木齐市位于我国植被覆盖率最低的省份,张家界市植被覆盖率位居湖南省前三,三亚市植被覆盖率达90%,基于上述植被提取模型植被提取精度的地域差异性,以区域平均植被归一化指数(Mean NDVI)作为参考,间接的验证上述植被提取模型的有效性。使用ENVI计算各实验区的植被归一化指数,四个实验区的平均植被归一化植被指数由高到低依次为张家界>三亚市>乌鲁木齐市>齐齐哈尔市,而利用上述植被提取模型的植被提取精度由高到低依次为张家界市>齐齐哈尔市>三亚市>乌鲁木齐市,张家界市的Mean NDVI最高,这与该区域植被提取精度最高这一结果相吻合,而Mean NDVI最低的齐齐哈尔市,植被提取精度位居第二,这一结果可以间接的验证上述植被提取模型的有效性,针对植被覆盖率低的区域也能有很好的植被提取性能。
表1四个实验区植被提取精度评价表
针对四个实验区不同的植被分布特征,可视化分析四个实验区的植被提取结果,验证上述植被提取模型针对不同地区、不同分布特征的植被提取的有效性。齐齐哈尔市的植被多与居民用地和耕地混杂,在居住区分布有较多小面积零散分布的植被;乌鲁木齐市植被多与大面积非植被交错分布;张家界市集中成片的植被中包括多类非植被,在植被提取过程中具有较大的干扰性;三亚市植被的分布特点与张家界市相似,多类非植被与大面积植被混杂分布。四个实验区的植被均呈现集中成片和小面积零散分布的特征,植被分布区中含有多类非植被,对植被提取工作造成了很大困难,而上述植被提取模型能够很好的剔除目标区域内的非植被类别,可以有效学习植被特征,具有很好的植被提取性能。如图4所示,针对齐齐哈尔市,上述植被提取模型可以有效提取分布于居住区内的不规则植被,针对乌鲁木齐市,上述植被提取模型可以有效区分植被与荒漠、居民用地等非植被类别,同时可以保留较完整的边界信息;针对张家界市和三亚市,上述植被提取模型能够有效剔除集中连片分布的植被中含有的多类别非植被。总而言之,上述植被提取模型具有较好的植被提取性能,面向不同地区、不同分布特征的植被均能有效提取,也能够有效剔除非植被,是一个高精度植被提取模型。
在生态领域,研究植被的时序变化比较普遍,提出一种适用于多时相遥感影像数据源的植被提取方法,可以有效减少多时相植被信息获取的时间,为植被时序变化研究提供更加方便、快捷的方法。以张家界市为例,分别以2020、2021和2020年的GF-6多光谱遥感卫星影像为数据源,使用上述植被提取模型进行植被提取,比较三年的植被提取精度,从而验证上述植被提取模型针对基于多时相遥感影像数据源的通用性。三年的植被提取精度参见表2:
表2多时相遥感数据源植被提取精度评价表
观察上述植被提取模型2020、2021、2022年植被提取精度表和图5可知,张家界市三年的植被提取精度均在80%以上,其中,2020和2021年的上述植被提取模型的OA高于90%,2022年的上述植被提取模型的OA接近90%,2021和2022年的上述植被提取模型的F1score高于90%,2020的上述植被提取模型的F1 score接近90%,2021年的上述植被提取模型的IoU最高,达90.77%。综合分析,上述植被提取模型能够有效提取不同年份的植被,且精度均高于80%,针对多时相遥感影像数据源具有一定的通用性。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
根据另一方面的实施例,本发明提供了一种植被提取装置。图2示出根据一个实施例的植被提取装置的示意性框图。可以理解,该装置可以通过任何具有计算、处理能力的装置、设备、平台和设备集群来实现。如图2所示,该装置包括:获取单元200和提取单元202。其中各组成单元的主要功能如下:
获取单元200,用于获取待提取的遥感卫星影像;
提取单元202,用于将所述待提取的遥感卫星影像输入到预先训练好的植被提取模型中,得到所述待提取的遥感卫星影像的植被信息;其中,所述植被提取模型是通过以不同地理位置、不同气候类型和不同地形条件的样本遥感卫星影像作为输入样本集对目标神经网络进行训练得到的,所述待提取的遥感卫星影像和所述样本遥感卫星图像均是通过对GF-6遥感卫星影像进行预处理得到的。
作为一种优选的实施方式,所述样本遥感卫星图像的地理位置包括中国东北地区、中国西北地区、中国中南地区、中国南部沿海地区,所述样本遥感卫星图像的气候类型包括中温带大陆性季风气候、温带大陆性干旱气候、大陆型中亚热带季风湿润气候、热带海洋性季风气候,所述样本遥感卫星图像的地形条件包括以平原和丘陵为主的地形、以山地和盆地为主的地形、以山地和丘陵为主的地形、以海岸和山地为主的地形。
作为一种优选的实施方式,所述GF-6遥感卫星影像包括多光谱影像和全色影像,所述对GF-6遥感卫星影像进行预处理,包括:
利用Radiometric Calibration工具分别对所述多光谱影像和所述全色影像进行辐射定标,得到第一图像和第二图像;
利用Flaash Atmospheric Correction工具对所述第一影像进行大气校正,得到第三图像;
利用RPC Orthorectification Workflow工具分别对所述第二图像和所述第三图像进行正射校正,得到第四图像和第五图像;
利用NNDiffuse Pan Sharpening工具对所述第四图像和所述第五图像进行影像融合。
作为一种优选的实施方式,所述目标神经网络包括依次连接的编码部分、桥接部分和解码部分,其中:
所述编码部分用于对输入的遥感卫星图像进行3×3卷积操作和下采样操作,以提取图像特征信息;
所述桥接部分用于采用不同膨胀系数的空洞卷积对由所述编码部分输出的图像特征信息进行卷积操作,以增大图像感受野并保持图像高空间分辨率;
所述解码部分用于对由所述桥接部分输出的图像特征信息依次进行3×3卷积操作、上采样操作和1×1卷积操作,得到植被信息。
作为一种优选的实施方式,所述编码部分包括多个编码层,每个所述编码层均包括依次连接至少两个卷积层和一个特征拼接层,每个所述卷积层均包括一个3×3的卷积核、一个归一化层和一个激活函数,所述特征拼接层用于对第一个所述卷积层的输入特征和最后一个所述卷积层的输出特征进行特征拼接,所述归一化层用于对由所述卷积核输出的特征信息进行归一化处理。
作为一种优选的实施方式,所述解码部分包括多个解码层,每个所述编码层均与一个所述解码层对应且连接,每个所述解码层均包括一个特征融合层;
第一个所述解码层用于对由所述桥接部分输出的图像特征信息和由所述最后一个所述编码层输出的图像特征信息进行特征融合操作;
针对其余所述解码层,每个当前解码层均用于对由该当前解码层的上一个解码层输出的图像特征信息和由与该当前解码层对应的编码层输出的图像特征信息进行特征融合操作。
作为一种优选的实施方式,在利用所述样本遥感卫星影像对所述目标神经网络进行训练时,采用如下目标损失函数更新所述目标神经网络的权重参数:
L=L1+L2
式中,L为目标损失函数,L1为第一损失函数,L2为第二损失函数;Pi为预测值,Ti为标签真实情况,与植被像素对应的Ti为1,与非植被像素对应的Ti为0,Pi∈[0,1];N是一个样本中像素个数的总数,i为其中一个像素。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行结合图1所描述的方法。
根据再一方面的实施例,还提供一种电子设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现结合图1所述的方法。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (4)
1.一种植被提取方法,其特征在于,包括:
获取待提取的遥感卫星影像;
将所述待提取的遥感卫星影像输入到预先训练好的植被提取模型中,得到所述待提取的遥感卫星影像的植被信息;其中,所述植被提取模型是通过以不同地理位置、不同气候类型和不同地形条件的样本遥感卫星影像作为输入样本集对目标神经网络进行训练得到的,所述待提取的遥感卫星影像和所述样本遥感卫星影像均是通过对GF-6遥感卫星影像进行预处理得到的;
所述样本遥感卫星影像的地理位置包括中国东北地区、中国西北地区、中国中南地区、中国南部沿海地区,分别选取齐齐哈尔市、乌鲁木齐市、张家界市、三亚市作为中国东北地区、中国西北地区、中国中南地区、中国南部沿海地区的研究对象,所述样本遥感卫星影像的气候类型包括中温带大陆性季风气候、温带大陆性干旱气候、大陆型中亚热带季风湿润气候、热带海洋性季风气候,所述样本遥感卫星影像的地形条件包括以平原和丘陵为主的地形、以山地和盆地为主的地形、以山地和丘陵为主的地形、以海岸和山地为主的地形;
在以齐齐哈尔市为研究对象构建植被样本库时,齐齐哈尔市植被与耕地容易混淆,影像中的枯黄植被容易漏分;在以乌鲁木齐市为研究对象构建植被样本库时,乌鲁木齐市植被的线状特征明显,植被边界与道路边界间隔小,容易超出植被范围,分布于居民区中的红色建筑物与植被容易混淆;在以张家界市为研究对象构建植被样本库时,张家界市集中连片的植被中含有多类非植被地物;在以三亚市为研究对象构建植被样本库时,三亚市非植被分布于山前的人居环境中,与植被混杂分布;
所述目标神经网络包括依次连接的编码部分、桥接部分和解码部分,其中:
所述编码部分用于对输入的遥感卫星影像进行3×3卷积操作和下采样操作,以提取影像特征信息;
所述桥接部分用于采用不同膨胀系数的空洞卷积对由所述编码部分输出的影像特征信息进行卷积操作,以增大影像感受野并保持影像高空间分辨率;
所述解码部分用于对由所述桥接部分输出的影像特征信息依次进行3×3卷积操作、上采样操作和1×1卷积操作,得到植被信息;
所述编码部分包括多个编码层,每个所述编码层均包括依次连接至少两个卷积层和一个特征拼接层,每个所述卷积层均包括一个3×3的卷积核、一个归一化层和一个激活函数,所述特征拼接层用于对第一个所述卷积层的输入特征和最后一个所述卷积层的输出特征进行特征拼接,所述归一化层用于对由所述卷积核输出的特征信息进行归一化处理;
所述解码部分包括多个解码层,每个所述编码层均与一个所述解码层对应且连接,每个所述解码层均包括一个特征融合层;
第一个所述解码层用于对由所述桥接部分输出的影像特征信息和由所述最后一个所述编码层输出的影像特征信息进行特征融合操作;
针对其余所述解码层,每个当前解码层均用于对由该当前解码层的上一个解码层输出的影像特征信息和由与该当前解码层对应的编码层输出的影像特征信息进行特征融合操作;
在利用所述样本遥感卫星影像对所述目标神经网络进行训练时,采用如下目标损失函数更新所述目标神经网络的权重参数:
;
;
;
式中,L为目标损失函数,为第一损失函数,/>为第二损失函数;/>为预测值,/>为标签真实情况,与植被像素对应的/>为1,与非植被像素对应的/>为0,/>;N是一个样本中像素个数的总数,/>为其中一个像素。
2.一种植被提取装置,其特征在于,包括:
获取单元,用于获取待提取的遥感卫星影像;
提取单元,用于将所述待提取的遥感卫星影像输入到预先训练好的植被提取模型中,得到所述待提取的遥感卫星影像的植被信息;其中,所述植被提取模型是通过以不同地理位置、不同气候类型和不同地形条件的样本遥感卫星影像作为输入样本集对目标神经网络进行训练得到的,所述待提取的遥感卫星影像和所述样本遥感卫星影像均是通过对GF-6遥感卫星影像进行预处理得到的;
所述样本遥感卫星影像的地理位置包括中国东北地区、中国西北地区、中国中南地区、中国南部沿海地区,分别选取齐齐哈尔市、乌鲁木齐市、张家界市、三亚市作为中国东北地区、中国西北地区、中国中南地区、中国南部沿海地区的研究对象,所述样本遥感卫星影像的气候类型包括中温带大陆性季风气候、温带大陆性干旱气候、大陆型中亚热带季风湿润气候、热带海洋性季风气候,所述样本遥感卫星影像的地形条件包括以平原和丘陵为主的地形、以山地和盆地为主的地形、以山地和丘陵为主的地形、以海岸和山地为主的地形;
在以齐齐哈尔市为研究对象构建植被样本库时,齐齐哈尔市植被与耕地容易混淆,影像中的枯黄植被容易漏分;在以乌鲁木齐市为研究对象构建植被样本库时,乌鲁木齐市植被的线状特征明显,植被边界与道路边界间隔小,容易超出植被范围,分布于居民区中的红色建筑物与植被容易混淆;在以张家界市为研究对象构建植被样本库时,张家界市集中连片的植被中含有多类非植被地物;在以三亚市为研究对象构建植被样本库时,三亚市非植被分布于山前的人居环境中,与植被混杂分布;
所述目标神经网络包括依次连接的编码部分、桥接部分和解码部分,其中:
所述编码部分用于对输入的遥感卫星影像进行3×3卷积操作和下采样操作,以提取影像特征信息;
所述桥接部分用于采用不同膨胀系数的空洞卷积对由所述编码部分输出的影像特征信息进行卷积操作,以增大影像感受野并保持影像高空间分辨率;
所述解码部分用于对由所述桥接部分输出的影像特征信息依次进行3×3卷积操作、上采样操作和1×1卷积操作,得到植被信息;
所述编码部分包括多个编码层,每个所述编码层均包括依次连接至少两个卷积层和一个特征拼接层,每个所述卷积层均包括一个3×3的卷积核、一个归一化层和一个激活函数,所述特征拼接层用于对第一个所述卷积层的输入特征和最后一个所述卷积层的输出特征进行特征拼接,所述归一化层用于对由所述卷积核输出的特征信息进行归一化处理;
所述解码部分包括多个解码层,每个所述编码层均与一个所述解码层对应且连接,每个所述解码层均包括一个特征融合层;
第一个所述解码层用于对由所述桥接部分输出的影像特征信息和由所述最后一个所述编码层输出的影像特征信息进行特征融合操作;
针对其余所述解码层,每个当前解码层均用于对由该当前解码层的上一个解码层输出的影像特征信息和由与该当前解码层对应的编码层输出的影像特征信息进行特征融合操作;
在利用所述样本遥感卫星影像对所述目标神经网络进行训练时,采用如下目标损失函数更新所述目标神经网络的权重参数:
;
;
;
式中,L为目标损失函数,为第一损失函数,/>为第二损失函数;/>为预测值,/>为标签真实情况,与植被像素对应的/>为1,与非植被像素对应的/>为0,/>;N是一个样本中像素个数的总数,/>为其中一个像素。
3.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1所述的方法。
4.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685871.0A CN116704345B (zh) | 2023-06-09 | 2023-06-09 | 植被提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685871.0A CN116704345B (zh) | 2023-06-09 | 2023-06-09 | 植被提取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704345A CN116704345A (zh) | 2023-09-05 |
CN116704345B true CN116704345B (zh) | 2024-01-23 |
Family
ID=87844600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310685871.0A Active CN116704345B (zh) | 2023-06-09 | 2023-06-09 | 植被提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704345B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN110942454A (zh) * | 2019-11-26 | 2020-03-31 | 北京科技大学 | 一种农业图像语义分割方法 |
CN113609889A (zh) * | 2021-05-18 | 2021-11-05 | 武汉大学 | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 |
CN115861788A (zh) * | 2022-10-21 | 2023-03-28 | 厦门天卫科技有限公司 | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 |
-
2023
- 2023-06-09 CN CN202310685871.0A patent/CN116704345B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN110942454A (zh) * | 2019-11-26 | 2020-03-31 | 北京科技大学 | 一种农业图像语义分割方法 |
CN113609889A (zh) * | 2021-05-18 | 2021-11-05 | 武汉大学 | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 |
CN115861788A (zh) * | 2022-10-21 | 2023-03-28 | 厦门天卫科技有限公司 | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 |
Non-Patent Citations (3)
Title |
---|
基于多源遥感影像的冬小麦空间分布提取技术研究;高黎;中国优秀硕士学位论文全文数据库-农业科技辑(第1期);D043-46 * |
基于适配上下文推理的高分辨率遥感影像植被提取;张晓萌;中国优秀硕士学位论文全文数据库-基础科学辑(第6期);A008-181 * |
张晓萌.基于适配上下文推理的高分辨率遥感影像植被提取.中国优秀硕士学位论文全文数据库-基础科学辑.2022,(第6期),A008-181. * |
Also Published As
Publication number | Publication date |
---|---|
CN116704345A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Phinn et al. | Monitoring the composition of urban environments based on the vegetation-impervious surface-soil (VIS) model by subpixel analysis techniques | |
Gašparović et al. | Fusion of sentinel-2 and planetscope imagery for vegetation detection and monitoring | |
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 | |
CN108195767B (zh) | 河口湿地外来种监测方法 | |
CN108647738A (zh) | 基于多指数的全球尺度遥感影像水体智能提取方法 | |
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 | |
Mukherjee et al. | Effect of canal on land use/land cover using remote sensing and GIS | |
Sirin et al. | Mapping of peatlands in the Moscow oblast based on high-resolution remote sensing data | |
CN110866494A (zh) | 一种基于光学遥感影像的城镇群提取方法及系统 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
Sun et al. | Extracting distribution and expansion of rubber plantations from Landsat imagery using the C5. 0 decision tree method | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
Zhang et al. | UAV‐derived imagery for vegetation structure estimation in rangelands: validation and application | |
KR102316598B1 (ko) | 토지피복지도의 제작방법 및 제작시스템, 그 방법을 수행하는 프로그램이 수록된 기록매체 | |
Solaimani et al. | Land use/cover change detection based on remote sensing data (A case study; Neka Basin) | |
CN116704345B (zh) | 植被提取方法、装置、电子设备及存储介质 | |
CN115546658A (zh) | 一种数据集质量提升与改进cnn相结合的夜间云检测方法 | |
Li | Dynamic monitoring algorithm of natural resources in scenic spots based on MODIS Remote Sensing technology | |
CN114550005A (zh) | 一种自然保护区内建筑物识别方法及系统 | |
CN115049900A (zh) | 一种基于光学与雷达数据的水稻种植区识别方法及系统 | |
Zhang et al. | A Mapping Approach for Eucalyptus Plantations Canopy and Single-Tree Using High-Resolution Satellite Images in Liuzhou, China | |
Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
CN116385818B (zh) | 云检测模型的训练方法、装置及设备 | |
Setiawan et al. | VEGETATION INDICES FROM LANDSAT-8 DATA IN PALABUHANRATU |
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 |