林地山区滑坡遥感的最优融合方法及应用

doi:10.11873/j.issn.1004-0323.2022.5.1248

遥感技术与应用

2022, Vol. 37

Issue (5): 1248-1258 DOI: 10.11873/j.issn.1004-0323.2022.5.1248

遥感应用

林地山区滑坡遥感的最优融合方法及应用

石育青^1,²(

),梁继^1,²(

),李云星³,孟赛颖^1,²,石倩^1,²

^1.湖南科技大学地理空间信息技术国家地方联合工程实验室，湖南湘潭 411201
^2.湖南科技大学地球科学与空间信息工程学院，湖南湘潭 411201
^3.湖南省第一测绘院，湖南长沙 410118

Optimum Fusion Method and Application of Landslide Remote Sensing in Mountainous Woodland Areas

Yuqing Shi^1,²(

),Ji Liang^1,²(

),Yunxing Li³,Saiying Meng^1,²,Qian Shi^1,²

^1.National-Local Joint Engineering Laboratory of Geo-Spatial Information Technology in the Hunan University of Science and Technology，Xiangtan 411201，China
^2.School of Geosciences and Spatial Information Engineering，Hunan University of Science and Technology，Xiangtan 411201，China
^3.the First Surveying and Mapping Institute of Hunan Province，Changsha 410118，China

全文: PDF(5150 KB) HTML

摘要：

滑坡作为造成巨大经济损失和人员伤亡的地质灾害之一，越来越引起社会的高度重视。为精确识别林地山区中的滑坡灾害，以2020年7月6日发生在湖南省常德市石门县南北镇潘坪村的雷家山滑坡为研究对象，使用不同的融合方法进行Sentinel-1A C波段干涉宽幅的地距多视产品和Sentinel-2A多光谱2A级光学影像融合，得到主成分分析融合方法对分贝化处理后的S1A VV极化影像与S2A影像融合效果最优，采用支持向量机方法分别对最优融合影像和原始S2A影像进行滑坡识别，最后使用S2A影像滑坡目视解译结果为检验标准对支持向量机滑坡识别结果进行精度评价，同时以2020年7月21日发生在湖北恩施屯堡乡马者村的沙子坝滑坡作为案例检验该方案的可推广性。结果表明：与单独使用光学影像进行研究区滑坡识别相比，使用最优融合影像滑坡识别的准确率由95.24%提升到了96.65%，滑坡提取质量也由87.18%提升到了91.84%，滑坡的漏识别和过度识别均有所降低，说明光学影像和合成孔径雷达影像融合的研究方案具有可推广性，能提高林地山区滑坡识别的准确率，可以更好地为滑坡风险评估、灾后应急调查以及灾后恢复重建等提供有价值的信息。

关键词： 林地山区; 滑坡识别; 光学影像; 合成孔径雷达影像; 融合; 支持向量机

Abstract:

As one of the geological disasters causing huge economic losses and casualties， landslides have attracted more and more attention from society. In order to accurately identify landslide disasters in mountainous woodland areas， the Leijiashan landslide， which occurred on July 6， 2020 in Panping Village， Nanbei Town， Shimen County， Changde City， Hunan Province， was taken as the research object. Different fusion methods such as Principal Component Analysis （PCA）， Gram-Schmidt （GS） and Nearest-Neighbor Diffusion （NNDiffuse） are used to fuse the images of Sentinel-1A Interferometric Wide Swath （IW） Ground Range Detected （GRD） image after non-decibelization and decibelization with Sentinel-2A MSI2A image. Through the quality evaluation of the fused image， the PCA fusion method effect of the VV polarization image of Sentinel-1A after decibelization and Sentinel-2A image is the optimal， that is， the optimal fusion image is PCA-VV-DB. The Support Vector Machine （SVM） method was used to identify the landslide of the optimal fusion image （PCA-VV-DB） and the original optical image Sentinel-2A， respectively. Finally， the Sentinel-2A landslide visual interpretation results were used as the inspection standard to evaluate and compare the accuracy of SVM landslide identification results. At the same time， the Shaziba landslide in Mazhe Village， Tunbao Township， Enshi City， Hubei Province， on July 21， 2020， was used as a case to verify the feasibility of this scheme. The results show that compared with the single use of optical image for landslide recognition in the study area， the accuracy of landslide recognition using the optimal fusion image is increased from 95.24% to 96.65%， and the quality of landslide extraction also increased from 87.18% to 91.84%. The leakage recognition and excessive recognition of landslides are reduced， and the research scheme is popularized. It shows that the fusion of optical image and Synthetic Aperture Radar （SAR） image can improve the accuracy of landslide recognition in mountainous woodland areas， and provide valuable information for landslide risk assessment， disaster emergency investigation and disaster recovery and reconstruction.

Key words: Mountainous woodland areas Landslide identification Optical image SAR image Fusion SVM

收稿日期: 2021-07-29 出版日期: 2022-12-13

ZTFLH:

TP753

基金资助: 国家自然科学基金项目(41671351);湖南省教育厅重点项目(19A166);湖南科技大学科研创新团队建设项目(CXTD004)

通讯作者: 梁继 E-mail: 826583940@qq.com;leung@lzb.ac.cn

作者简介: 石育青（1998-），男，湖南娄底人，硕士研究生，主要从事滑坡灾害遥感研究。E?mail：826583940@qq.com

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	石育青
	梁继
	李云星
	孟赛颖
	石倩

引用本文:

石育青,梁继,李云星,孟赛颖,石倩. 林地山区滑坡遥感的最优融合方法及应用[J]. 遥感技术与应用, 2022, 37(5): 1248-1258.

Yuqing Shi,Ji Liang,Yunxing Li,Saiying Meng,Qian Shi. Optimum Fusion Method and Application of Landslide Remote Sensing in Mountainous Woodland Areas. Remote Sensing Technology and Application, 2022, 37(5): 1248-1258.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2022.5.1248 或 http://www.rsta.ac.cn/CN/Y2022/V37/I5/1248

图1 研究区位置

图2 石门县2020年1月—7月历史天气数据

表1 Sentinel-1A 和Sentinel-2A 数据参数

图3 滑坡识别技术流程图

评价指标	计算公式	参数及含义
均值（ $A ˉ$ ），表示影像灰度的平均值。理想的融合影像应适当增大影像的均值	$A ˉ = 1 M N ∑ i = 1 M ∑ j = 1 N A (i, j)$	M和N分别为影像的宽度和高度； A(i,j)为影像的灰度值
标准差（SD），反映影像各像元灰度的离散情况。标准差越大，空间信息越丰富，融合影像的效果越好	$S D = 1 M N ∑ i = 1 M ∑ j = 1 N (A i, j - A ˉ) 2$	$A ˉ$ 为均值
信息熵（H），衡量影像的信息丰富程度。融合图像的信息熵越大，说明融合影像的信息量增加的越多	$H = - ∑ i = 1 L P i ? l o g 2 ? P i$	P_i 为影像中像素灰度值为i的概率； L为影像的总灰度级数
平均梯度（ $G ˉ$ ），反映影像对微小细节的表达能力。平均梯度越大，影像的清晰度越高	$G ˉ = 1 M N ∑ i = 1 M ∑ j = 1 N Δ I x 2 + Δ I y 2 ∕ 2$	ΔIx和ΔIy分别为x和y方向上的一阶差分
相关系数（R），反映两幅影像的相关程度。相关系数越大，融合方法越能保持原始影像的光谱特征	$R = ∑ i = 1 M ∑ j = 1 N (A i, j - A ˉ) (F i, j - F ˉ) ∑ i = 1 M ∑ j = 1 N [A i, j - A ˉ] 2 × ∑ i = 1 M ∑ j = 1 N [F i, j - F ˉ] 2$	F(i,j)为融合影像的灰度值； $F ˉ$ 为融合影像的均值
扭曲程度（D），用于评价多光谱的信息的保持程度。扭曲程度越小，表明影像的失真程度越小	$D = 1 M N ∑ i = 1 M ∑ j = 1 N F i, j - A i, j$
峰值信噪比（PSNR），衡量影像失真或噪声水平的客观指标。峰值信噪比越大，说明融合效果和质量越好	$P S N R = 10 l g ? M N ? m a x F ?, j 2 ∑ i = 1 M ∑ j = 1 N A i, j - F i, j 2$	max[F(i,j)]为融合影像最大灰度值

表2 评价指标

图4 S1A GRD和S2A MSI2A影像融合结果

数据	波段	均值	标准差	信息熵	平均梯度	相关系数	扭曲程度	峰值信噪比
Sentinel-2A	B2	258.65	178.67	1.27	56.43	1.00	——	——
	B3	442.20	241.09	1.74	78.05	1.00	——	——
	B4	417.30	306.18	1.70	82.10	1.00	——	——
	B8	2 109.70	796.63	3.60	312.91	1.00	——	——
PCA-VH	B2	258.72	172.50	1.31	54.92	0.78	84.49	55.05
	B3	442.24	229.41	1.66	71.37	0.59	154.57	49.80
	B4	417.50	296.06	1.84	82.22	0.81	136.59	50.88
	B8	2 109.70	805.04	2.94	168.39	-0.04	841.45	35.07
PCA-VV	B2	258.70	175.87	1.31	55.11	0.79	82.75	55.08
	B3	442.22	235.24	1.65	71.88	0.61	151.38	49.83
	B4	417.48	302.14	1.83	82.52	0.81	133.78	50.92
	B8	2 109.70	800.39	2.81	170.31	-0.04	824.03	35.11
PCA-VH-DB	B2	258.78	171.05	1.41	55.65	0.78	94.56	54.98
	B3	442.25	226.99	1.86	73.88	0.58	173.09	49.72
	B4	417.85	292.44	2.02	83.38	0.80	152.64	50.83
	B8	2 109.70	807.14	3.67	218.32	-0.06	942.35	35.00
PCA-VV-DB	B2	259.06	177.96	1.44	55.63	0.79	91.70	55.10
	B3	442.79	238.98	1.89	74.03	0.61	167.83	49.84
	B4	418.33	305.11	2.03	83.55	0.82	147.98	50.95
	B8	2 110.90	793.18	3.65	218.37	-0.05	915.43	35.10
GS-VH	B2	260.23	173.36	1.46	57.31	0.24	154.47	49.62
	B3	443.41	233.78	1.70	69.44	0.08	231.64	46.19
	B4	421.05	295.50	2.09	89.45	0.31	254.13	45.36
	B8	2 105.70	815.55	3.35	223.49	0.15	771.01	35.91
GS-VV	B2	260.18	176.60	1.46	57.99	0.27	151.07	49.72
	B3	443.39	237.75	1.70	70.35	0.12	225.70	46.30
	B4	420.90	302.31	2.07	90.49	0.34	248.17	45.46
	B8	2 105.60	801.37	3.29	223.99	0.16	750.83	36.02
GS-VH-DB	B2	262.53	169.04	1.57	58.26	0.23	171.17	49.64
	B3	444.20	231.73	1.96	75.00	0.06	260.16	46.12
	B4	426.77	283.36	2.19	90.01	0.29	280.61	45.42
	B8	2 108.80	809.65	3.68	243.63	0.14	853.84	35.87
GS-VV-DB	B2	263.79	173.60	1.60	58.41	0.30	164.52	49.93
	B3	446.30	236.19	1.98	74.70	0.15	248.79	46.44
	B4	428.69	294.43	2.23	90.65	0.37	269.48	45.73
	B8	2 106.70	782.13	3.64	244.60	0.15	823.00	36.08
NNDiffuse-VH	B2	264.35	276.06	1.25	62.32	0.64	13.38	49.78
	B3	449.61	327.00	1.74	85.52	0.70	17.28	49.01
	B4	425.99	408.72	1.70	93.17	0.73	18.66	47.45
	B8	2 160.50	1599.60	3.59	391.22	0.47	86.78	33.34
NNDiffuse-VV	B2	281.77	439.48	1.30	98.22	0.41	30.61	44.28
	B3	475.45	602.57	1.79	138.42	0.38	42.92	41.39
	B4	458.34	801.01	1.75	159.91	0.40	50.75	39.01
	B8	2 284.40	2646.40	3.64	641.98	0.26	209.96	28.16
NNDiffuse-VH-DB	B2	258.15	175.94	1.25	52.04	1.00	4.10	79.32
	B3	441.70	237.80	1.73	72.59	1.00	5.47	77.48
	B4	416.80	302.81	1.69	76.90	1.00	5.58	76.71
	B8	2 109.20	782.83	3.58	293.23	1.00	21.03	66.54
NNDiffuse-VV-DB	B2	258.15	175.86	1.25	51.90	1.00	4.22	79.08
	B3	441.71	237.76	1.73	72.46	1.00	5.56	77.38
	B4	416.80	302.74	1.69	76.76	1.00	5.68	76.58
	B8	2 109.20	782.83	3.58	292.96	1.00	21.15	66.56

表3 融合影像质量评价结果

图5 S2A影像人工目视滑坡解译结果

图6 S2A影像与S1A和S2A最优融合影像SVM滑坡识别结果

表4 滑坡识别精度

表5 融合影像质量评价结果

图7 S2A影像与S1A和S2A最优融合影像SVM滑坡识别结果

表6 滑坡识别精度

1	Liao Mingsheng， Zhang Lu， Shi Xuguo， et al. Methodology and practice of landslide deformation monitoring with SAR remote sensing［M］. Beijing：Science Press， 2017.廖明生，张路，史绪国，等.滑坡变形雷达遥感监测方法与实践［M］.北京：科学出版社， 2017.
2	Chen Wenlong， Hou Yong， Li Nan， et al. Post-earthquake landslide detection in nepal based on principal component analysis［J］. Journal of Yangtze River Scientific Research Institute， 2020， 37（1）： 166-171.
2	陈文龙，候勇，李楠，等.基于主成分变换的滑坡识别方法及其在2015年尼泊尔地震中的应用［J］.长江科学院院报， 2020， 37（1）： 166-171.
3	Peng Ling， Xu Suning， Mei Junjun， et al. Earthquake-induced landslide recognition using high-resolution remote sensing images［J］. Journal of Remote Sensing，2017，21（4）： 509-518.
3	彭令，徐素宁，梅军军，等.地震滑坡高分辨率遥感影像识别［J］.遥感学报， 2017， 21（4）： 509-518.
4	Borghuis A M， Chang K， Lee H Y. Comparison between automated and manual mapping of typhoon-triggered landslides from SPOT5 imagery［J］. International Journal of Remote Sensing，2007，28（7/8）：1843-1856. DOI：10.1080/014311 60600935638 . doi: 10.1080/014311 60600935638
5	Zhao W， Li A N， Nan X， et al. Postearthquake landslides mapping from Landsat-8 data for the 2015 Nepal Earthquake using a pixel-based change detection method［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2017，10（5）：1758-1768. DOI：10.1109/jstar. 2017.2661802 . doi: 10.1109/jstar. 2017.2661802
6	Deng Shubin， Chen Qiujin， Du Huijian， et al. ENVI remote sensing image processing.Second Edition［M］.Beijing：Higher Education Press， 2014.
6	邓书斌，陈秋锦，杜会建，等.ENVI遥感图像处理方法.第2版［M］.北京：高等教育出版社，2014.
7	Fu Wenjie， Hong Jinyi. Discussion on application of support vector machine technique in extraction of information on landslide hazard from remote sensing images［J］. Research of Soil and Water Conservation， 2006， 13（4）： 120-124.
7	傅文杰，洪金益.基于支持向量机的滑坡灾害信息遥感图像提取研究［J］.水土保持研究， 2006， 13（4）：120-124.
8	Marjanovic M， Bajat B， Kovacevic M. Landslide susceptibility assessment with machine learning algorithms［C］// International Conference on Intelligent Networking & Collaborative Systems. IEEE， 2009. DOI： 10.1109/incos.2009.25 . doi: 10.1109/incos.2009.25
9	Dai Cong， Li Weile， Lu Huiyan， et al. Active landslides detection in Zhouqu County， Gansu Province using InSAR technology［J］. Geomatics and Information Science of Wuhan University， 2021， 46（7）： 994-1002.
9	代聪，李为乐，陆会燕，等.甘肃省舟曲县城周边活动滑坡InSAR探测［J］.武汉大学学报（信息科学版）， 2021， 46（7）： 994-1002.
10	Dai Keren， Yongbo Tie， Xu Qiang， et al. Early identification of potential landslide geohazards in Alpine-canyon terrain based on SAR interferometry： A case study of the middle section of Yalong River［J］. Journal of Radars，2020，9（3）：554-568.
10	戴可人，铁永波，许强，等.高山峡谷区滑坡灾害隐患InSAR早期识别——以雅砻江中段为例［J］.雷达学报， 2020， 9（3）： 554-568.
11	Dai Keren， Zhuo Guanchen， Xu Qiang， et al. Tracing the pre-failure two-dimensional surface displacements of Nanyu landslide， Gansu Province with radar interferometry［J］. Geomatics and Information Science of Wuhan University， 2019， 44（12）： 1778-1786，1796.
11	戴可人，卓冠晨，许强，等.雷达干涉测量对甘肃南峪乡滑坡灾前二维形变追溯［J］.武汉大学学报（信息科学版）， 2019， 44（12）：1778-1786，1796.
12	Jiang Mi， Ding Xiaoli， Li Zhiwei， et al. Study on coseismic deformation of Wenchuan Earthquake by USE of land C wavebands of SAR data［J］. Journal of Geodesy and Geodynamics， 2009， 29（1）：21-26.
12	蒋弥，丁晓利，李志伟，等.用L波段和C波段SAR数据研究汶川地震的同震形变［J］.大地测量与地球动力学， 2009， 29（1）： 21-26.
13	Wang Liwen， Wei Yaxing. Progress in monitoring wetland ecosystems by radar remote sensing［J］. Progress in Geography，2011，30（9）： 1107-1117.
13	王莉雯，卫亚星.湿地生态系统雷达遥感监测研究进展［J］.地理科学进展， 2011， 30（9）： 1107-1117.
14	Wang Xuan， Fan Xuanmei， Yang Fan， et al. Remote sensing interpretation method of geological hazards in Lush Mountainous area［J］. Geomatics and Information Science of Wuhan University， 2020， 45（11）： 1771-1781.
14	王绚，范宣梅，杨帆，等.植被茂密山区地质灾害遥感解译方法研究［J］.武汉大学学报（信息科学版）， 2020， 45（11）： 1771-1781.
15	Guo Jiao， Zhu Lin， Jin Biao. Crop classification based on data fusion of Sentinel-1 and Sentinel-2［J］. Transactions of The Chinese Society of Agricultural Machinery，2018，49（4）：192-198.
15	郭交，朱琳，靳标.基于Sentinel-1和Sentinel-2数据融合的农作物分类［J］.农业机械学报，2018，49（4）：192-198.
16	Gaetano R， Cozzolino D， D'Amiano L， et al. Fusion of sar-optical data for land cover monitoring［C］// IGARSS 2017 - 2017 IEEE International Geoscience and Remote Sensing Symposium.IEEE，2017. DOI：10.1109/igarss.2017.8128242 . doi: 10.1109/igarss.2017.8128242
17	Gargiulo M， Dell'Aglio D A G， Iodice A， et al. Integration of Sentinel-1 and Sentinel-2 data for land cover mapping using W-Net［J］.Sensors，2020，20（10）：2969. DOI： 10.3390/s 20102969 . doi: 10.3390/s 20102969
18	Chen Jing， Yanjun Ou. The supremacy of the people and the supremacy of life： A profile of the response to landslides in the Nanbei Towns of Shimen County［J］. Hunan Security and Disaster Prevention， 2020（8）： 28-29.
18	陈晶，欧彦君.人民至上生命至上——石门县南北镇应对山体滑坡灾害侧记［J］.湖南安全与防灾， 2020（8）： 28-29.
19	Liang Ji， Chu Nan， Zheng Dunyong， et al. Application to GF-2 satellite for road landslides monitoring［J］.Remote Sensing Technology and Application， 2018， 33（4）： 638-645.
19	梁继，褚楠，郑敦勇，等.面向道路边坡监测的高分二号应用研究［J］.遥感技术与应用， 2018， 33（4）： 638-645.
20	Sanli F B， Abdikan S， Esetlili M T， et al. Evaluation of image fusion methods using PALSAR， Radarsat-1 and SPOT images for land use/land cover classification［J］. Journal of the Indian Society of Remote Sensing， 2016： 1-11. DOI： 10.1007/s12524-016-0625-y . doi: 10.1007/s12524-016-0625-y
21	Liu Kun， Fu Jingying， Li Fei. Evaluation study of four fusion methods of GF-1 PAN and multi-spectral images［J］. Remote Sensing Technology and Application， 2015，30（5）：980-986.
21	刘锟，付晶莹，李飞.高分一号卫星4种融合方法评价［J］.遥感技术与应用， 2015，30（5）： 980-986.
22	Qin Shanshan， Wang Shixin， Zhou Yi， et al. A research on fusion method for ZY-3 satellite data based on NSCT and GS transform［J］. Journal of Geo-Information Science，2014，16（6）： 949-957.
22	秦善善，王世新，周艺，等.NSCT与GS变换的资源三号卫星数据融合方法研究与应用［J］.地球信息科学学报， 2014， 16（6）： 949-957.
23	Sun W， Chen B， Messinger D W. Nearest-neighbor diffusion-based pan-sharpening algorithm for spectral images［J］. Optical Engineering， 2013， 53（1）： 013107. DOI： 10.1117/1.oe.53.1.013107 . doi: 10.1117/1.oe.53.1.013107
24	Zhao J， Guo J， Cheng W， et al. Assessment of SPOT-6 optical remote sensing data against GF-1 using NNDiffuse image fusion algorithm［J］. Modern Physics Letters B， 2017，31（19-21）：1740043. DOI： 10.1142/s0217984917400437 . doi: 10.1142/s0217984917400437
25	Xu Jing， An Yulun， Liu Suihua， et al. Image fusion of spaceborne SAR data and multi spectral data for mountainous plateau： A case study on Bijie City， Guizhou Province， China［J］. Earth and Environment， 2015， 43（4）：457-463.
25	许璟，安裕伦，刘绥华，等.高原山区星载合成孔径雷达数据与多光谱数据的图像融合探究——以贵州省毕节市为例［J］.地球与环境， 2015， 43（4）： 457-463.
26	Wang Fang， Yang Wunian， Wang Jian， et al. Chinese high-resolution satellite pixel level image fusion and its quality evaluation［J］. Science of Surveying and Mapping， 2021， 46（8）： 73-80.
26	王芳，杨武年，王建，等.国产高分卫星像素级影像融合及其质量评价［J］.测绘科学， 2021， 46（8）： 73-80.
27	Yang Jun， Wang Xiaoyu. Comparison research on fusion methods of GF-2 and Sentinel-2 Panchromatic multispectral images［J］. Science of Surveying and Mapping，2022，47（1）： 112-120.
27	杨军，王筱宇.GF-2和Sentinel-2全色多光谱影像融合方法比较研究［J］.测绘科学， 2022， 47（1）：112-120.
28	Abdikan Saygin. Exploring image fusion of ALOS/PALSAR data and LANDSAT data to differentiate forest area［J］. Geocarto International，2016，33（1）：21-37. DOI：10.1080/10106049. 2016.1222635 . doi: 10.1080/10106049. 2016.1222635
29	Yang Liping， Ma Meng， Xie Wei， et al. Fusion algorithm evaluation of Landsat 8 panchromatic and multispetral images in arid regions［J］. Remote Sensing for Land and Resources， 2019， 31（4）：11-19.
29	杨丽萍，马孟，谢巍，等.干旱区Landsat8全色与多光谱数据融合算法评价［J］.国土资源遥感， 2019， 31（4）： 11-19.
30	Heqianshui Super. SNAP Processes Sentinel-1 IW GRD Data［EB/OL］. ， 2020.
30	超级禾欠水.SNAP处理Sentinel-1 IW GRD数据［EB/OL］. ， 2020.
31	Gong P， Liu H， Zhang M N， et al. Stable classification with limited sample： Transferring a 30 m resolution sample set collected in 2015 to mapping 10 m resolution global Land Cover in 2017［J］. Science Bulletin， 2019， 64（6）： 370-373. DOI： 10.1016/j.scib.2019.03.002 . doi: 10.1016/j.scib.2019.03.002
32	Lin Qigen， Zou Zhenhua， Zhu Yingqi， et al. Object-oriented detection of landslides based on the spectral， spatial and morphometric properties of landslides［J］. Remote Sensing Technology and Application， 2017， 32（5）：931-9.
32	林齐根，邹振华，祝瑛琦，等.基于光谱、空间和形态特征的面向对象滑坡识别［J］.遥感技术与应用， 2017， 32（5）： 931-937.

[1]	吕开云,侯昭阳,龚循强,杨硕. 一种基于ASR和PAPCNN的NSCT域遥感影像融合方法[J]. 遥感技术与应用, 2022, 37(4): 829-838.
[2]	隋冰清,殷志祥,吴鹏海,吴艳兰. 面向云覆盖的遥感影像时空融合深度学习方法及其应用[J]. 遥感技术与应用, 2022, 37(4): 800-810.
[3]	崔泽鹏,王志慧,肖培青,申震洲,常晓格,石永磊,马力. 2000—2018年黄河上中游地区蒸散发年际时空变化及其影响因素分析[J]. 遥感技术与应用, 2022, 37(4): 865-877.
[4]	关士英,谢传节,袁占良,刘高焕. 基于SVM的高分时序冬小麦种植区提取研究[J]. 遥感技术与应用, 2022, 37(3): 629-637.
[5]	方攀飞,王雷光,徐伟恒,欧光龙,代沁伶,李若楠. 云南香格里拉地区森林优势树种决策融合分类[J]. 遥感技术与应用, 2022, 37(3): 638-650.
[6]	张飞舟,刘华亮,张立福,岑奕,孙雪剑,张红明. 高分辨率光学遥感影像变化检测算法在地震灾情调查中的应用[J]. 遥感技术与应用, 2022, 37(2): 306-318.
[7]	郭世鹏,张王菲,康伟,张庭苇,李云. 融合PS、SBAS、DS InSAR技术的昆明地面沉降研究[J]. 遥感技术与应用, 2022, 37(2): 460-473.
[8]	郭擎,朱丽娅,李安,顾铃燕. 基于NDVI变化检测的滑坡遥感精细识别[J]. 遥感技术与应用, 2022, 37(1): 17-23.
[9]	符冰雪,张继超,杜文杰,王鹏龙,孙中昶. 一种不透水面精细制图新方法及其在城市SDGs指标评估上的应用[J]. 遥感技术与应用, 2021, 36(6): 1339-1349.
[10]	刘倩,胡心雨,李晓彤,覃先林. 一种像素与对象相结合的林区建筑物识别方法[J]. 遥感技术与应用, 2021, 36(6): 1350-1357.
[11]	肖窈,曾超,沈焕锋. 结合参量统计与时空融合的土壤水分降尺度方法[J]. 遥感技术与应用, 2021, 36(5): 1033-1043.
[12]	陈子涵,王峰,许宁,尤红建. 基于改进NSST-PCNN的光学与SAR图像融合去云方法[J]. 遥感技术与应用, 2021, 36(4): 810-819.
[13]	李佳佳,束进芳,裘增欢,符冉迪,金炜. 面向滨海湿地的全色/多光谱影像融合方法与应用分析——以杭州湾（1999~2018年）为例[J]. 遥感技术与应用, 2021, 36(3): 627-637.
[14]	林娜,冯丽蓉,张小青. 基于优化Faster-RCNN的遥感影像飞机检测[J]. 遥感技术与应用, 2021, 36(2): 275-284.
[15]	孙奇,关琳琳,焦全军,刘新杰,戴华阳. 基于植被指数融合的冬小麦生物量反演研究[J]. 遥感技术与应用, 2021, 36(2): 391-399.

Viewed

Full text

Abstract

Cited

Shared

Discussed