入河排污口遥感排查进展评述

doi:10.11873/j.issn.1004-0323.2022.1.0024

遥感技术与应用

2022, Vol. 37

Issue (1): 24-33 DOI: 10.11873/j.issn.1004-0323.2022.1.0024

青促会十周年专栏

入河排污口遥感排查进展评述

黄耀欢^1,²(

),熊标^1,²(

),杨海军³,伍程斌^1,²,朱海涛³

^1.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101
^2.中国科学院大学资源环境学院，北京 100049
^3.生态环境部卫星环境应用中心，北京 100094

Review on the Progress of Remote Sensing Investigation of the Outfalls into Rivers

Yaohuan Huang^1,²(

),Biao Xiong^1,²(

),Haijun Yang³,Chengbin Wu^1,²,Haitao Zhu³

^1.State Key Laboratory of Resources and Environmental Information System，Institute of Geographic Sciences and Natural Resources Research，Chinese Academy of Sciences，Beijing 100101，China
^2.College of Resource and Environment，University of Chinese Academy of Sciences，Beijing 100049，China
^3.Ministry of Ecology and Environment Center for Satellite Application on Ecology and Environment，Beijing 100094，China

全文: PDF(1021 KB) HTML

摘要：

入河排污口是人为污染物流入河流的最后一道关卡，对其进行精确排查在水资源保护、水污染防治等工作中具有重要作用。首先回顾了近30 a来国内大型入河排污口排查工作情况，分别从人工实地调查、GIS台账系统建设、卫星遥感监测和无人机排查4个方面进行介绍；其次，在分析了直接目视解译、基于水环境参数反演以及基于地物分类等常用入河排污口遥感监测技术的基础之上，讨论了上述方法在无人机影像上应用的局限性；再次，通过简要介绍深度学习目标检测方法原理，评述了基于深度学习的目标检测方法在入河排污口无人机遥感排查上的应用现状及其关键技术；最后，对深度学习在无人机影像入河排污口识别上的应用前景进行了分析，并对今后包括入河排污口在内的复杂地理要素的无人机遥感监测的研究重点进行了展望。

关键词： 入河排污口; 排查; 遥感; 无人机; 目标检测

Abstract:

Outfalls into rivers are the last checkpoint for man-made pollutants flowing into rivers. Accurate investigation of them plays an important role in the protection of water resources and the prevention and control of water pollution. Firstly， the progress of large-scale investigations of outfalls into rivers in the past 30 years were reviewed and the four aspects of manual field survey， GIS accounting system construction， satellite remote sensing monitoring and Unmanned Aerial Vehicle （UAV） investigation are introduced. Secondly， after analyzing remote sensing monitoring techniques for outfalls into rivers， which are based on direct visual interpretation， water environment parameters inversion and ground targets classification and other methods commonly used， the limitations of the application of the above methods on UAV images are discussed. And then， through introducing briefly the principle of the object detection method based on deep learning， the application status and key techniques of the deep learning-based object detection method implemented on the UAV remote sensing investigation of outfalls into rivers are discussed. Finally， analyzing the application prospect of deep learning on the recognition of outfalls into rivers using UAV imagery and looking forward the research emphasis of monitoring complex geographical objects including outfalls into rivers based on UAV remote sensing technique.

Key words: Outfalls into river Investigation Remote sensing Unmanned Aerial Vehicle （UAV） Object detection

收稿日期: 2021-10-20 出版日期: 2022-04-08

ZTFLH:

X522

基金资助: 国家重点研发计划(2021YFC3002103);中国科学院Ａ类战略性先导科技专项(XDA19040402);国家自然科学基金项目(41971359);高分共性产品真实性检验关键技术研究与标准规范编制(21?Y20B01?9001?19/22)

通讯作者: 熊标 E-mail: huangyh@igsnrr.ac.cn;xiongbiao3691@igsnrr.ac.cn

作者简介: 黄耀欢（1982-），男，安徽黄山人，副研究员，主要从事无人机遥感应用研究。E?mail: huangyh@igsnrr.ac.cn

	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
	黄耀欢
	熊标
	杨海军
	伍程斌
	朱海涛

引用本文:

黄耀欢,熊标,杨海军,伍程斌,朱海涛. 入河排污口遥感排查进展评述[J]. 遥感技术与应用, 2022, 37(1): 24-33.

Yaohuan Huang,Biao Xiong,Haijun Yang,Chengbin Wu,Haitao Zhu. Review on the Progress of Remote Sensing Investigation of the Outfalls into Rivers. Remote Sensing Technology and Application, 2022, 37(1): 24-33.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2022.1.0024 或 http://www.rsta.ac.cn/CN/Y2022/V37/I1/24

图1 中国近30 a来入河排污口排查工作发展情况

表1 入河排污口监测常用遥感数据源

图2 基于深度学习的目标检测算法分类及其发展历史

1	Yu Shutong， Huang Xianjin， Cheng Xushui， et al. Comparative study on management experiences of domestic and foreign outfalls into rivers［J］. Environmental Pollution & Control， 2012， 34（10）： 105-109.
1	于术桐，黄贤金，程绪水，等. 国内外入河排污口管理经验及其对比研究［J］. 环境污染与防治， 2012， 34（10）： 105-109.
2	Xu J， Jin G， Tang H， et al. Response of water quality to land use and sewage outfalls in different seasons［J］. Science of The Total Environment， 2019， 696： 134014. DOI： 10.1016/j.scitotenv.2019.134014 . doi: 10.1016/j.scitotenv.2019.134014
3	Huang Y， Wu C， Yang H， et al. An improved deep learning approach for retrieving outfalls into rivers from UAS imagery［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021. DOI： 10.1109/TGRS.2021.3113901 . doi: 10.1109/TGRS.2021.3113901
4	Wu X， Sahoo D， Hoi S C H. Recent advances in deep learning for object detection［J］.Neurocomputing，2020，396：39-64.
5	Seven major rivers in China are seriously polluted［J］. Science & Technology Association Forum， 1997（8）：47.［我国七大河流严重污染［J］. 科协论坛， 1997（8）：47.］
6	Liu Chen， Wu Liping. Investigation and evaluation of outfalls in Pearl River Basin［J］. Pearl River， 1996（1）：49-51.
6	刘晨，伍丽萍. 珠江流域入河排污口调查与评价［J］. 人民珠江， 1996（1）：49-51.
7	Xiao Guangzhong， Luo Xusheng. Development and application of Guangxi river sewage drain outlet general investigation register information acquisition system［J］. Guangxi Water Resources & Hydropower Engineering， 2006（1）： 39-41.
7	肖光忠，罗旭升. 广西入河排污口普查登记信息采集系统研制及应用［J］. 广西水利水电， 2006（1）： 39-41.
8	Liu Yaobin， He Xudong. Talking about the information management system of the outfalls into the Huaihe River Basin based on MapX development［J］. Zhihuai， 2008（11）： 31-32.
8	刘耀宾，贺旭东. 浅谈基于MapX开发的淮河流域入河排污口信息管理系统［J］. 治淮， 2008（11）： 31-32.
9	Zhu Yu. Application of GIS in supervision and management of sewage outlets to rivers［J］. Yangtze River，2011，42（2）：24-27.
9	祝瑜. GIS技术在入河排污口监督管理中的应用［J］. 人民长江， 2011， 42（2）： 24-27.
10	Zhang Ying， Zhang Junxian， Li Hang， et al. Design and application of supervision and administration of sewage draining outlet in the Yellow River［J］. Yellow River， 2012， 34（11）： 50-51.
10	张颖，张军献，李航，等. 黄河入河排污口监督管理系统的设计与实现［J］. 人民黄河， 2012， 34（11）： 50-51.
11	Li Liangjun， Yang Zedong， Yu Gen. Remote sensing application in the investigation of nvironmental three waste products in Huaibei City［J］. Geology of Anhui， 1997（1）：69-81.
11	李良军，杨则东，喻根. 遥感技术在淮北市环境“三废”调查中的应用［J］. 安徽地质， 1997（1）：69-81.
12	Yao Jun， Zeng Xiangfu， Yi Jianfang. Using remote sensing technology to monitor water pollution of Shanghai Suzhou River［J］. Image Technology， 2003（2）：3-7，12.
12	姚俊，曾祥福，益建芳.遥感技术在上海苏州河水污染监测中的应用［J］. 影像技术， 2003（2）：3-7，12.
13	Wu Mingquan， Niu Zheng， Gao Shuai， et al. Land-sourced sewage outfalls monitoring in circum-bohai region using multi-scale remote sensing data［J］. Journal of Geo-information Science，2012，14（3）：405-410.
13	邬明权，牛铮，高帅，等. 渤海陆源入海排污口的多尺度遥感监测分析［J］. 地球信息科学学报， 2012，14（3）：405-410.
14	Piech K R， Walker J E. Outfall inventory using air photo interpretation［J］.Photogrammetric Engineering，1972，38：9СП-14.
15	Davies P， Charlton J. Remote sensing of coastal discharge sites using SPOT-simulation data［J］. International Journal of Remote Sensing， 1986， 7（6）： 815-824.
16	Zhu Li， Yao Yanjuan， Wu Chuanqing， et al. Remote sensing monitoring on water quality of interior water body based on the HJ-1 Satellite multi-spectral data［J］. Geography and Geo-Information Science， 2010，26（2）：81-84，113.
16	朱利，姚延娟，吴传庆，等. 基于环境一号卫星的内陆水体水质多光谱遥感监测［J］. 地理与地理信息科学，2010，26（2）：81-84，113.
17	Marmorino G O， Smith G B， Miller W D， et al. Detection of a buoyant coastal wastewater discharge using airborne hyperspectral and infrared imagery［J］. Journal of Applied Remote Sensing，2010， 4（1）： 043502. DOI： 10.1117/1.3302630 . doi: 10.1117/1.3302630
18	Nezlin N P， Sutula M A， Stumpf R P， et al. Phytoplankton blooms detected by SeaWiFS along the central and southern California coast［J］.Journal of Geophysical Research： Oceans， 2012， 117（C7）. DOI： 10.1029/2011JC007773 . doi: 10.1029/2011JC007773
19	O'Reilly J E， Maritorena S， Mitchell B G， et al. Ocean color chlorophyll algorithms for SeaWiFS［J］. Journal of Geophysical Research： Oceans， 1998， 103（C11）： 24937-24953.
20	Trinh R C， Fichot C G， Gierach M M， et al. Application of Landsat 8 for monitoring impacts of wastewater discharge on coastal water quality［J］. Frontiers in Marine Science， 2017， 4： 329. DOI： 10.3389/fmars.2017.00329 . doi: 10.3389/fmars.2017.00329
21	Digiacomo P M， Washburn L， Holt B， et al. Coastal pollution hazards in southern California observed by SAR imagery： stormwater plumes， wastewater plumes， and natural hydrocarbon seeps［J］. Marine Pollution Bulletin， 2004， 49（11-12）： 1013-1024.
22	Gierach M M， Holt B， Trinh R， et al. Satellite detection of wastewater diversion plumes in Southern California［J］. Estuarine， Coastal and Shelf Science， 2017， 186： 171-182.
23	Pandey P C， Koutsias N， Petropoulos G P， et al. Land use/landcover in view of earth observation： data sources， input dimensions， and classifiers—a review of the state of the art［J］. Geocarto International， 2021， 36（9）： 957-988.
24	Philipson Nee Ammenberg P， Liljeberg M， Lindell T. Industrial plume detection in hyperspectral remote sensing data［J］. International Journal of Remote Sensing，2005，26（2）：295-313.
25	Zhang J， Zou T， Lai Y. Novel method for industrial sewage outfall detection： Water pollution monitoring based on web crawler and remote sensing interpretation techniques［J］. Journal of Cleaner Production， 2021： 127640. DOI： 10.1016/j.jclepro.2021.127640 . doi: 10.1016/j.jclepro.2021.127640
26	Wang Guizuo， Meng Xianglong， Lang Maixian， et al. Thoughts and suggestions on using unmanned aerial vehicles to carry out inspection of sewage outlets into rivers［J］. Water Resources Development Research， 2018（2）：27-29，33.
26	王贵作，孟祥龙，郎劢贤，等. 利用无人机开展入河排污口清查的思路与建议［J］. 水利发展研究， 2018（2）： 27-29，33.
27	Cui Yue. A thorough investigation of the Changjiang sewage outlet， UAV magnification： visiting to Yang Haijun， deputy director of center for satellite application on ecology and environment aviation remote sensing department［J］. Green Living，2019（5）：24-28.
27	崔悦. 彻查长江排污口无人机放大招——访卫星环境应用中心航空遥感部副主任杨海军［J］. 环境与生活， 2019（5）：24-28.
28	Hong Yunfu， Yang Haijun， Li Ying， et al. Monitoring of water source using unmanned aerial vehicle remote sensing technology［J］. Environmental Monitoring in China，2015，31（5）： 163-166.
28	洪运富，杨海军，李营，等.水源地污染源无人机遥感监测［J］.中国环境监测， 2015，31（5）：163-166.
29	Feng Lei， Cui Shengtao.Application of UAV remote sensing te-chnology in monitoring land source sewage in sea area［J］. Geo-matics & Spatial Information Technology， 2019，42（5）： 107-109.
29	冯磊，崔胜涛. 无人机遥感技术在海域监测陆源排污口中的应用［J］.测绘与空间地理信息， 2019，42（5）：107-109.
30	Li Xiangyu， Zhang Cao. High resolution aerial survey of sewage outlets in the Yellow Sea area of Dalian［J］. Technology Innovation and Application， 2020（17）： 144-145.
30	李翔宇，张操. 大连黄海地区入海排污口高分辨率航测排查［J］. 科技创新与应用， 2020（17）： 144-145.
31	Zhang Yuanmin. Application of UAV aerial survey technology in sewage outlet investigation［J］. Bulletin of Surveying and Mapping， 2020（1）：146-149，153.
31	张元敏. 无人机航测技术在入海排污口排查中的应用［J］. 测绘通报， 2020（1）：146-149，153.
32	Zhong Y， Hu X， Luo C， et al. WHU-Hi： UAV-borne hyperspectral with high spatial resolution （H2） benchmark datasets and classifier for precise crop identification based on deep convolutional neural network with CRF［J］. Remote Sensing of Environment， 2020， 250： 112012. DOI： 10.1016/j.rse.2020.112012 . doi: 10.1016/j.rse.2020.112012
33	Huang Y， Zhao C， Yang H， et al. Feature selection solution with high dimensionality and low-sample size for land cover classification in object-based image analysis［J］. Remote Sensing， 2017，9（9）： 939. DOI： 10.3390/rs9090939 . doi: 10.3390/rs9090939
34	Girshick R， Donahue J， Darrell T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］∥Proceedings of the IEEE conference on computer vision and pattern recognition. 2014： 580-587.
35	He K， Zhang X， Ren S， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE transactions on pattern analysis and machine intelligence， 2015， 37（9）： 1904-1916.
36	Girshick R. Fast R-CNN［C］∥Proceedings of the IEEE International Conference on Computer Vision. 2015： 1440-1448.
37	Ren S， He K， Girshick R，et al. Faster R-CNN：Towards real-time object detection with region proposal networks［J］.Advan-ces in Neural Information Processing Systems，2015，28：91-99.
38	Dai J， Li Y， He K， et al. R-FCN： Object detection via region-based fully convolutional networks［C］∥Advances in Neural Information Processing Systems. 2016： 379-387.
39	Long J， Shelhamer E， Darrell T. Fully convolutional networks for semantic segmentation［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015： 3431-3440.
40	Lin T Y， Dollár P， Girshick R， et al. Feature pyramid networks for object detection［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017： 2117-2125.
41	Cai Z， Vasconcelos N.Cascade R-CNN：Delving into high quality object detection［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.2018：6154-6162.
42	Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016： 779-788.
43	Liu W， Anguelov D， Erhan D， et al. SSD： Single shot multibox detector［C］∥European Conference on Computer Vision. Springer， Cham， 2016： 21-37.
44	Lin T Y， Goyal P， Girshick R， et al. Focal loss for dense object detection［C］∥Proceedings of the IEEE International Conference on Computer Vision，2017： 2980-2988.
45	Redmon J， Farhadi A. YOLO9000： better， faster， stronger［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017： 7263-7271.
46	Redmon J， Farhadi A. Yolov3： An incremental improvement［J］. arXiv preprint arXiv：， 2018.
47	Bochkovskiy A， Wang C Y， Liao H Y M. Yolov4： Optimal speed and accuracy of object detection［J］. arXiv Preprint arXiv：， 2020.
48	Zhang S， Wen L， Bian X， et al. Single-shot refinement neural network for object detection［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2018：4203-4212.
49	Law H， Deng J. Cornernet： Detecting objects as paired keypoints［C］∥Proceedings of the European Conference on Computer Vision （ECCV）， 2018： 734-750.
50	Duan K， Bai S， Xie L， et al. Centernet： Keypoint triplets for object detection［C］∥Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019： 6569-6578.
51	Zhou X， Zhuo J， Krahenbuhl P. Bottom-up object detection by grouping extreme and center points［C］∥Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019： 850-859.
52	Li K， Wan G， Cheng G， et al. Object detection in optical remote sensing images： A survey and a new benchmark［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 159： 296-307.
53	Liu Z， Hu J， Weng L， et al. Rotated region based CNN for ship detection［C］∥2017 IEEE International Conference on Image Processing （ICIP）. IEEE， 2017： 900-904.
54	Liu W， Ma L， Chen H. Arbitrary-oriented ship detection framework in optical remote-sensing images［J］. IEEE Geoscience and Remote Sensing Letters， 2018， 15（6）： 937-941.
55	Zhang Xiaodong， Zhang Lifei， Chen Guanzhou， et al. An itegrated model of object detection and contour extraction based on deep learning［J］. Journal of Geomatics， 2019， 44（6）： 1-5.
55	张晓东，张力飞，陈关州，等. 基于深度学习的遥感影像地物目标检测和轮廓提取一体化模型［J］. 测绘地理信息， 2019， 44（6）： 1-5.
56	Tang T， Zhou S， Deng Z， et al. Vehicle detection in aerial images based on region convolutional neural networks and hard negative example mining［J］. Sensors， 2017， 17（2）： 336. DOI： 10.3390/s17020336 . doi: 10.3390/s17020336
57	Tang T， Zhou S， Deng Z， et al. Arbitrary-oriented vehicle detection in aerial imagery with single convolutional neural networks［J］. Remote Sensing， 2017， 9（11）： 1170. DOI： 10.3390/rs9111170 . doi: 10.3390/rs9111170
58	Yang Y， Zhuang Y， Bi F， et al. M-FCN： Effective fully convolutional network-based airplane detection framework［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（8）： 1293-1297.
59	Eikelboom J A J， Wind J， van de Ven E， et al. Improving the precision and accuracy of animal population estimates with aerial image object detection［J］. Methods in Ecology and Evolution， 2019， 10（11）： 1875-1887.
60	Torney C J， Lloyd‐Jones D J， Chevallier M， et al. A comparison of deep learning and citizen science techniques for counting wildlife in aerial survey images［J］. Methods in Ecology and Evolution， 2019， 10（6）： 779-787.
61	Peng J， Wang D， Liao X， et al. Wild animal survey using UAS imagery and deep learning： Modified faster R-CNN for kiang detection in Tibetan Plateau［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 169： 364-376.
62	Xia G S， Bai X， Ding J， et al. DOTA： A large-scale dataset for object detection in aerial images［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018： 3974-3983.
63	Cheng G， Han J， Zhou P， et al. Multi-class geospatial object detection and geographic image classification based on collection of part detectors［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2014， 98： 119-132.
64	Mundhenk T N， Konjevod G， Sakla W A， et al. A large contextual dataset for classification， detection and counting of cars with deep learning［C］∥European Conference on Computer Vision. Springer， Cham， 2016： 785-800.
65	Liu Z， Wang H， Weng L， et al. Ship rotated bounding box space for ship extraction from high-resolution optical satellite images with complex backgrounds［J］. IEEE Geoscience and Remote Sensing Letters， 2016， 13（8）： 1074-1078.
66	Qi Zhou. Research on detection method of sewage outfalls in uav aerial image based on deep learning［D］. Weihai： Shandong University， 2021.
66	祁舟. 基于深度学习的无人机航拍图像排污口检测方法研究［D］. 威海：山东大学， 2021.
67	Zhang Chunxiao， Bao Yunfei， Ma Zhongqi， et al. Research progress on optical remote sensing object detection based on CNN［J］. Spacecraft Recovery & Remote Sensing，2020，41（6）：45-55.
67	张春晓，鲍云飞，马中祺，等. 基于卷积神经网络的光学遥感目标检测研究进展［J］. 航天返回与遥感， 2020，41（6）：45-55.
68	Gong Jianya， Xu Yue， Hu Xiangyun， et al. Status analysis and research of sample database for intelligent interpretation of remote sensing image［J］. Acta Geodaetica et Cartographica Sinica， 2021， 50（8）： 1013-1022.
68	龚健雅，许越，胡翔云，等. 遥感影像智能解译样本库现状与研究［J］. 测绘学报， 2021， 50（8）： 1013-1022.

[1]	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.
[2]	王茜,宋开山,毛德华,焉恒琦,谭晓宇,王宗明. 1980~2018朝鲜半岛西海岸滨海湿地演化分析[J]. 遥感技术与应用, 2022, 37(1): 108-116.
[3]	杨凤珠,王震山,张乾,孙善磊,柳艺博. 多源日光诱导叶绿素荧光产品在中国地区的一致性研究[J]. 遥感技术与应用, 2022, 37(1): 125-136.
[4]	赵天玮,朱文彬,裴亮,宝康妮. 三江源蒸散发遥感估算及其时空分布特征研究[J]. 遥感技术与应用, 2022, 37(1): 137-147.
[5]	赵辉,王泽根,雷光斌,边金虎,李爱农. 缅甸土地覆被遥感制图和空间格局分析[J]. 遥感技术与应用, 2022, 37(1): 148-160.
[6]	张欢,李弘毅,李浩杰,车涛. 基于机载LiDAR的高寒山区遥感高程数据精度评估[J]. 遥感技术与应用, 2021, 36(6): 1311-1320.
[7]	尹芳,封凯,吴朦朦,拜得珍,王蕊,周园园,尹春涛,尹翠景,刘磊. 一种基于分段偏最小二乘模型的土壤重金属遥感反演方法[J]. 遥感技术与应用, 2021, 36(6): 1321-1328.
[8]	李杰,贾坤,张宁,魏香琴,王冰. 基于遥感与生态服务模型的青岛市生态保护重要性评价[J]. 遥感技术与应用, 2021, 36(6): 1329-1338.
[9]	陈喆,董庆,陈建平,赵文博,蒋良文,张广泽,冯涛,王栋,毕晓佳,边民,张权平,孟德利. 基于热红外遥感的川藏铁路昌都—林芝段地热异常区定量预测评价研究[J]. 遥感技术与应用, 2021, 36(6): 1368-1378.
[10]	梁立锋,谭本华,马咏珊,陈漾漾,刘秀娟. 基于多源地理大数据的城市空间结构研究[J]. 遥感技术与应用, 2021, 36(6): 1446-1456.
[11]	刘帅,栾奎峰,谭凯,张卫国. 基于无人机LiDAR点云的多类型植被覆盖滩涂地形滤波[J]. 遥感技术与应用, 2021, 36(6): 1272-1283.
[12]	王昀琛,黄春林,冯娅娅,顾娟. 基于2030可持续发展目标的珠三角土地消耗率与人口增长率协调关系评价[J]. 遥感技术与应用, 2021, 36(5): 1168-1177.
[13]	李益敏,王东驰,刘心知,袁静,赵志芳. 中缅边境典型城市扩张遥感动态监测及驱动力分析[J]. 遥感技术与应用, 2021, 36(5): 1155-1167.
[14]	魏雪馨,刘洋,闵庆文,刘荣高,张清洋,叶晓星,刘蓓蓓. 基于地物光谱季节曲线特征的毛竹林分布提取[J]. 遥感技术与应用, 2021, 36(5): 1178-1188.
[15]	杨奥莉,郑东海,文军,陆宣承,杨越,符晴. 青藏高原L波段微波辐射观测与土壤水分反演研究进展[J]. 遥感技术与应用, 2021, 36(5): 983-996.

Viewed

Full text

Abstract

Cited

Shared

Discussed