CN105678280B - 基于纹理特征的地膜覆盖农田遥感监测方法 - Google Patents

基于纹理特征的地膜覆盖农田遥感监测方法 Download PDF

Info

Publication number
CN105678280B
CN105678280B CN201610078333.5A CN201610078333A CN105678280B CN 105678280 B CN105678280 B CN 105678280B CN 201610078333 A CN201610078333 A CN 201610078333A CN 105678280 B CN105678280 B CN 105678280B
Authority
CN
China
Prior art keywords
remote sensing
mulching
farmland
mulching film
features
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.)
Expired - Fee Related
Application number
CN201610078333.5A
Other languages
English (en)
Other versions
CN105678280A (zh
Inventor
陈仲新
哈斯图亚
王利民
李贺
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.)
Institute of Agricultural Resources and Regional Planning of CAAS
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
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 Institute of Agricultural Resources and Regional Planning of CAAS filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN201610078333.5A priority Critical patent/CN105678280B/zh
Publication of CN105678280A publication Critical patent/CN105678280A/zh
Application granted granted Critical
Publication of CN105678280B publication Critical patent/CN105678280B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

一种基于纹理特征的地膜覆盖农田遥感监测方法，包括：S1，对遥感影像数据进行预处理；S2，建立地膜覆盖农业遥感监测分类体系；S3，通过目视解译，采集所述分类体系中不同地物类型的不规则多边形样本，然后再通过目视解译在不规则多边形内重新勾画预定尺寸像元的有规则多边形样本；S4，基于遥感影像的多波段数据，利用灰度共生矩阵法提取多种纹理特征，提取纹理特征；S5，对提取的纹理特征参数进行降维处理；步骤S6，基于选择的纹理特征作为分类特征参数集，构建所述四个方向的输入特征；S6，构建所述四个方向的输入特征；S7，用分类器对分类体系进行地物分类。本发明提出了一种对地膜覆盖农田进行监测的新方法。

Description

基于纹理特征的地膜覆盖农田遥感监测方法
技术领域
本发明涉及遥感监测技术，更具体地，涉及基于纹理特征的地膜覆盖农田遥感监测方法。
背景技术
地膜覆盖栽培能够明显改善农田温、光、水、气、肥等生境条件，提高土壤墒情，促进作物生长发育，缩短生育期、避免后期病虫害和干、热、风等自然灾害，大幅提高作物产量，并能够提前上市，提高经济收入，是干旱半干旱地区，低温缺水地区、气温降水变化幅度和区域差异较大地区的关键栽培技术之一。
但是，农作物收割后，农田内残留的地膜会造成如下不良影响：造成环境污染(田间白色污染)；土壤通透性、水分和养分输导、土壤肥力降低；隔肥隔水、影响肥效；作物根系发育、产量下降；改变地气间能量平衡：温室气体排放；区域蒸散发。
这些不良影响有待于减少或消除，则依赖于对地膜数据的采集、分析。但是，当前我国地膜覆盖农田的空间分布格局、分布面积及其变化特征尚不清楚。因此，就无法为地膜生产、使用以及残膜回收治理等的科学规划管理提供依据，也不能为减轻地膜覆盖技术带来的负面影响以及寻找解决问题的有效途径等提供参考依据。更无法为其他研究(作物物候变迁、地表温湿度、蒸散发等)提供基础数据。因此，当前需要方法来对地膜覆盖农田进行监测。
发明内容
针对背景技术中的问题，本发明提出一种基于纹理特征的地膜覆盖农田遥感监测方法，包括：
步骤S1，对遥感影像进行预处理，包括：
1)辐射校正；2)大气校正；和3)对影像进行镶嵌、裁剪处理以获取研究区影像；
步骤S2，建立地膜覆盖农田遥感监测分类体系，以区分地膜覆盖农田和其他地物；
步骤S3，通过目视解译与所述研究区影像相同时相的Google Earth影像，采集所述分类体系中不同地物类型的较大多边形样本，然后再通过目视解译所述研究区影像，在较大多边形内重新勾画预定尺寸像元的较小有规则多边形样本；
步骤S4，基于遥感影像的多波段数据，利用灰度共生矩阵法提取多种纹理特征，分别在四个方向、三个步长上提取纹理特征；
步骤S5，对步骤S4中提取的纹理特征参数进行降维处理，并根据特征重要性选择纹理特征；
步骤S6，基于步骤S5中选择的纹理特征作为分类特征参数集，构建所述四个方向的输入特征集；
步骤S7，基于步骤S3中的有规则多边形样本以及步骤S6中构建的输入特征集，用分类器对所述研究区影像进行分类，以获得所述地膜覆盖农田遥感监测分类体系中地膜覆盖农田和其他地物的空间分布。
本发明提出了一种新方法来监测地膜覆盖农田，而且通过验证能达到相当高的精度。
附图说明
图1显示了5种塑料的光谱反射率图。
图2显示了ASTER植被光谱反射率曲线图。
图3显示了ASTER土壤光谱反射率曲线图。
图4显示了地膜覆盖农田ASD实测光谱反射率曲线。
图5显示了土壤ASD实测光谱反射率曲线。
图6为本发明的方法的一个实施方式的流程图。
图7显示了本发明使用的八种纹理特征的表达式。
图8-9显示了八种纹理特征。
图10显示了支持向量机不同核函数的表达式。
图11显示了基于0°纹理特征的地膜覆盖农田空间分布图。
图12显示了基于45°纹理特征的地膜覆盖农田空间分布图。
图13显示了基于90°纹理特征的地膜覆盖农田空间分布图。
图14显示了基于135°纹理特征的地膜覆盖农田空间分布图。
具体实施方式
下面参照附图描述本发明的实施方式，其中相同的部件用相同的附图标记表示。
对于地膜覆盖农田的监测，申请人对USGS(United States Geological Survey，美国地质勘探局)、美国国家航空航天局ASTER(Advanced Spaceborne Thermal EmissionReflection Radiometer)波谱库数据和ASD(Analytical Spectral Devices，地物光谱仪器)光谱仪实测光谱数据进行相关地物类型的光谱反射率曲线形状特征和反射率值范围进行分析。
图1图中显示了5种塑料的光谱反射率，包括：HDPE(高密度聚乙烯)、LDPE(低密度聚乙烯)、PETE(聚对苯二甲酸乙二醇酯)和PVC(聚氯乙烯)。图2显示了ASTER植被光谱反射率曲线图。图3显示了ASTER土壤光谱反射率曲线图。图4显示了地膜覆盖农田ASD实测光谱反射率曲线。图5显示了土壤ASD实测光谱反射率曲线。
从图1-5看出，不同地物在不同波长范围内呈现不同的波谱曲线形状和不同的反射率值范围。从USGS和ASTER波谱库数据可看出，不同地物在可见光-近红外和短波红外波段范围内具有明显不同形状的波谱反射率曲线和反射率值范围。同样从ASD实测光谱数据也能看出此类特征。这些数据的分析能为遥感影像数据的选择提供依据，即相同或类似波宽设计的遥感传感器数据能为地膜覆盖农田遥感监测提供有效数据源。
利用遥感数据光谱特征对地膜覆盖农田进行监测，还存在有如下技术难题：
1、时间因素：不同地区、不同作物的覆膜方式、覆膜时间和覆膜时间长度(作物生长前期、全生育期覆膜等)不同。例如作物从地膜中长出后的遥感影像数据的分析难度，要比作物没长出时大，可能造成监测不准确。
2、光谱特征：光谱特征受地膜颜色、密度、厚度以及膜下土壤和作物的影响，其光谱特征的动态变化性强、稳定性弱。
对此，遥感影像数据最佳时相选择是有必要的。覆膜农田具有明显的物候和节律变化，确定遥感影像数据最佳时相是准确遥感监测覆膜农田的基础。可以根据目标监测区主要作物物候历数据以及地膜覆盖实施、存留、农事操作等信息，确定地膜覆盖农田最佳遥感监测时期。有了理论支撑后，如图6所示，本发明的地膜覆盖农田监测方法包括：
步骤S1，对研究区的遥感影像数据进行预处理。
其中，遥感影像数据的选择，根据地膜与其他地物的光谱特征，选择合适与地膜覆盖农田监测的遥感数据。在下面的实例中，本发明选用Landsat 8OLI遥感影像对地膜覆盖农田进行监测，但本发明可采用的遥感数据不限于此。
优选地，选择研究区的地膜覆盖农田的最佳监测时相的遥感影像数据，所述最佳监测时相指的是作物播种期到出苗期。
在一个实例中，图7显示了河北省冀州市的试验区的农作物物候历。确定该区域地膜覆盖农田在作物播种期到出苗期为最佳监测时相，进而选择了对应最佳时期2014年4月29日Landsat 8OLI遥感影像作为遥感监测数据源。
更具体地，所述预处理具体包括：
(1)对数据进行辐射校正
由于遥感器本身的光电系统特征以及大气、地形、太阳高度等外界环境因素的影响，遥感器得到的测量值与目标地物真实反射或辐射等物理量之间存在不一致性，即地物光谱特征的失真现象。辐射校正和大气校正的目的是为了消除这些失真，获取较真实的地面反射值。其中辐射校正是将遥感器得到的数字测量值(Digital Number)转换成遥感器辐射值。计算公式以下：
Lλ＝Gain*Pixel value+Offset
其中，Lλ表示遥感器辐射值，Pixel value表示像素数字测量值，Gain表示增益，offset表示偏移量。
例如可以利用Envi5.1遥感图像处理软件辐射定标模块(Radiometriccalibration)进行辐射校正。
(2)大气校正(FLAASH)
大气校正的目的是消除大气因素的影响，即将遥感器辐射值转换成反射率值。同样可以利用遥感图像处理软件(如Envi5.1)中的大气校正模块Fast Line-of-sightAtmospheric Analysis of Hypercubes(FLAASH)进行大气校正，获取地表反射率数据。
(3)对影像进行镶嵌、裁剪以获取研究区影像
根据研究区的行政界限图，利用遥感图像处理软件(如Envi5.1)数据裁剪模块(subset via region of interest)，进行裁剪处理，以获取本研究区域的影像数据。
参考图6，预处理后，在步骤S2，建立地膜覆盖农田遥感监测分类体系，以区分地膜覆盖农田和其他地物(地表覆盖物)。
在一个实例中，根据研究区土地覆盖类型，建立地膜覆盖农田、不透水层、植被、水体、裸土这五类地物。表1显示了该地膜覆盖农田遥感监测分类体系。也可以建立其他种分类体系，本发明的目的是提取地膜覆盖农田，所以分类体系以区分地膜覆盖农田和其他地物即可。在本发明中，最终将不透水层、植被、水体、裸土合并成非地膜覆盖农田。如此，则在最终的地膜覆盖农田空间分布图上，只需标出地膜覆盖农田和非地膜覆盖农田两种类型。
表1 地膜覆盖农田遥感监测分类体系
Figure BDA0000922132780000051
参考图6，在步骤S3，通过目视解译与所选遥感影像相同时相的更高空间分辨率遥感影像(例如Google earth影像)，采集五种地物类型的多边形样本(一般采集较大面积多边形样本)，然后再通过目视解译用于地膜覆盖农田监测的遥感影像(优选地，选择Landsat8OLI遥感影像)，在所述较大面积多边形样本内重新勾画3*3像元(也可以是5*5的像元)的较小面积有规则多边形样本，以保证样本的代表性。
再次参考图6，步骤S4，基于Landsat 8OLI遥感影像的多波段数据，利用灰度共生矩阵法提取八种常用的纹理特征，所述八种纹理特征包括：均值、方差、均一性、对比度、异质性、熵、角二阶矩和相关性。分别在四个方向(0°、45°、90°、135°)、三个步长(1像元、2像元、3像元)上提取纹理特征。如此，共提取672个纹理特征。图8给出了所述八种纹理特征的表达式。图9给出了提取的纹理特征。
其中，上述获得的672个纹理特征数量不小，纹理特征的加入将会大幅度增加特征维数。利用高维特征进行分类时计算时间长、运行效率低、甚至导致“维数灾难”。
为了减少计算量，在步骤S5中，对步骤S4中提取的纹理特征参数进行降维处理。特征选择方法是对高维特征进行选择，并构建独立、稳健的特征子集的方法。本发明利用随机森林特征选择方法对高维纹理特征进行选择。该方法比其他特征选择方法更加稳定有效。利用随机森林特征选择方法计算出每一方向纹理特征对分类的重要性。根据重要性大于1的标准，在四个方向上选出前20个纹理特征作为地膜覆盖农田遥感监测输入特征。
再次参考图6，在步骤S6，基于步骤S5中选择的纹理特征作为分类特征参数集，构建输入特征如下：
纹理特征1：0°方向上的纹理特征(T1)
纹理特征2：45°方向上的纹理特征(T2)
纹理特征3：90°方向上的纹理特征(T3)
纹理特征4：135°方向上的纹理特征(T4)
在步骤S7，，基于步骤S3中的有规则多边形样本(训练样本)以及步骤S6中构建的输入特征集，将训练样本的纹理特征参数集，利用不同的分类器对步骤S2中的分类体系进行地物分类。
其中所述分类器可以是不同核函数的支持向量机(SVM)、最大似然法、最短距离法等。在一个实例中，对地膜覆盖农田、不透水层、植被、水体、裸土这五类进行地物分类。例如可以利用遥感图像处理软件(如Envi5.1)中的分类模块进行分类，输入数据为步骤S6中的输入特征。图10列出了支持向量机不同核函数的表达式。图11-14显示了分类器输出的基于纹理特征的地膜覆盖农田空间分布图，图中可以明确区分地膜覆盖农田和其他地物。图11-14分别表示基于0°、45°、90°、135°纹理特征的地膜覆盖农田空间分布图。
实际上，本发明的方法经过了验证。验证方法如下：将步骤S3中的样本等分成训练样本和验证样本。表2显示了一个分类样本示例。其中训练样本用于步骤S5的分类，验证样本用作分类结果的验证。可以利用遥感图像处理软件(如Envi5.1)计算混淆矩阵，得到总体精度、制图精度、用户精度，进而来评价分类器分类精度。表3显示了不同分类方法的精度。
表2 分类样本表
Figure BDA0000922132780000071
表3 基于纹理特征的不同分类器的分类精度
Figure BDA0000922132780000072
Figure BDA0000922132780000081
从表3看出，基于纹理特征的不同核函数支持向量机分类器地膜覆盖农田遥感监测精度都较理想，最大似然(MLC)和最短距离(MDC)也能提供较好的结果，但其分类精度的稳定性不如支持向量机。尤其是制图精度和用户精度之间存在一定差异。所以，利用Landsat 8OLI数据的纹理特征进行地膜覆盖农田遥感监测时，线性核函数支持向量机提供了最有效的分类。
本发明的方法提成一种基于纹理特征的地膜覆盖农田遥感监测的技术流程。该方法考虑到了计算量，对纹理特特征参数集进行了降维处理，纹理特征不同计算方向对分类精度的影响，地膜覆盖农田最佳遥感监测时相的影响，SVM不同核函数对地膜覆盖农田遥感监测中的应用，均是本发明的创新之处。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (4)

1.一种基于纹理特征的地膜覆盖农田遥感监测方法，其特征在于，包括：
步骤S1，考虑时间因素对地膜遥感影像数据的影响，以及光谱特征影响因素，根据研究区主要作物物候历数据以及地膜覆盖实施、存留和农事操作信息，选取作物播种期到出苗期的最佳时相Landsat 8OLI遥感影像进行预处理，包括：
1)辐射校正；2)大气校正；3)对影像进行镶嵌、裁剪处理以获取研究区影像，在进行所述裁剪处理时根据研究区的行政界限图进行裁剪，获取所述研究区影像；
步骤S2，建立地膜覆盖农田遥感监测分类体系，建立地膜覆盖农田、不透水层、植被、水体、裸土这五类地物类型，区分地膜覆盖农田和其他地物；
步骤S3，通过目视解译与所述研究区影像相同时相的Google Earth影像，采集所述分类体系中不同地物类型的不规则多边形样本，然后再通过目视解译所述研究区影像，在不规则多边形内重新勾画预定尺寸像元的有规则多边形样本，其中所述有规则多边形样本的尺寸比所述不规则多边形样本小；
步骤S4，基于Landsat 8OLI遥感影像的多波段数据，利用灰度共生矩阵法提取多种纹理特征，分别在四个方向、三个步长上提取纹理特征，其中，使用八种纹理特征，包括：均值、方差、均一性、对比度、异质性、熵、角二阶矩和相关性；所述四个方向为0°、45°、90°和135°；所述三个步长为1像元、2像元和3像元；
步骤S5，对步骤S4中提取的纹理特征参数利用随机森林特征选择方法对高维纹理特征进行选择，实现降维处理；
步骤S6，基于步骤S5中选择的纹理特征作为分类特征参数集，构建所述四个方向的输入特征集；
步骤S7，基于步骤S3中的有规则多边形样本以及步骤S6中构建的输入特征集，用分类器对所述研究区影像进行分类，以获得所述地膜覆盖农田遥感监测分类体系中地膜覆盖农田和其他地物的空间分布。
2.根据权利要求1所述的基于纹理特征的地膜覆盖农田遥感监测方法，其特征在于，在步骤S1的3)中，根据研究区的行政界限数据，对影像裁剪以获取研究区影像。
3.根据权利要求1所述的基于纹理特征的地膜覆盖农田遥感监测方法，其特征在于，在步骤S7中，所述分类器为核函数支持向量机、最大似然法或最短距离法。
4.根据权利要求1所述的基于纹理特征的地膜覆盖农田遥感监测方法，其特征在于，还包括：将步骤S3中的样本等分成训练样本和验证样本，利用训练样本用对分类结果进行精度验证。
CN201610078333.5A 2016-02-04 2016-02-04 基于纹理特征的地膜覆盖农田遥感监测方法 Expired - Fee Related CN105678280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610078333.5A CN105678280B (zh) 2016-02-04 2016-02-04 基于纹理特征的地膜覆盖农田遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610078333.5A CN105678280B (zh) 2016-02-04 2016-02-04 基于纹理特征的地膜覆盖农田遥感监测方法

Publications (2)

Publication Number Publication Date
CN105678280A CN105678280A (zh) 2016-06-15
CN105678280B true CN105678280B (zh) 2020-06-16

Family

ID=56304150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610078333.5A Expired - Fee Related CN105678280B (zh) 2016-02-04 2016-02-04 基于纹理特征的地膜覆盖农田遥感监测方法

Country Status (1)

Country Link
CN (1) CN105678280B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392892B (zh) * 2017-06-30 2019-11-19 天津大学 基于图像的玉米生育前期干旱胁迫自动识别方法
CN110335278B (zh) * 2019-05-16 2023-02-28 陕西师范大学 一种量化肿瘤微环境的胶质方向特征的方法
CN110245589A (zh) * 2019-05-30 2019-09-17 农业农村部农业生态与资源保护总站 一种基于高分遥感影像的西北地区地膜信息综合分析方法
CN110956101B (zh) * 2019-11-19 2020-08-07 广东省城乡规划设计研究院 一种基于随机森林算法的遥感影像黄河冰凌检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1677085A (zh) * 2004-03-29 2005-10-05 中国科学院遥感应用研究所 对地观测技术的农业应用集成系统及其方法
US7400770B2 (en) * 2002-11-06 2008-07-15 Hrl Laboratories Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks
CN101980294A (zh) * 2010-09-25 2011-02-23 西北工业大学 基于遥感图像的黄河凌汛检测方法
CN104899897A (zh) * 2015-05-27 2015-09-09 中国科学院地理科学与资源研究所 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7400770B2 (en) * 2002-11-06 2008-07-15 Hrl Laboratories Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks
CN1677085A (zh) * 2004-03-29 2005-10-05 中国科学院遥感应用研究所 对地观测技术的农业应用集成系统及其方法
CN101980294A (zh) * 2010-09-25 2011-02-23 西北工业大学 基于遥感图像的黄河凌汛检测方法
CN104899897A (zh) * 2015-05-27 2015-09-09 中国科学院地理科学与资源研究所 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法

Also Published As

Publication number Publication date
CN105678280A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105678281B (zh) 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
CN105758806B (zh) 基于光谱特征的地膜覆盖农田遥感监测方法
CN106372592B (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
De la Casa et al. Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot
Li et al. Airborne LiDAR technique for estimating biomass components of maize: A case study in Zhangye City, Northwest China
Dong et al. Tracking the dynamics of paddy rice planting area in 1986–2010 through time series Landsat images and phenology-based algorithms
Trout et al. Remote sensing of canopy cover in horticultural crops
Leinenkugel et al. Characterisation of land surface phenology and land cover based on moderate resolution satellite data in cloud prone areas—A novel product for the Mekong Basin
CN107273820B (zh) 一种土地覆盖遥感分类方法及系统
Li et al. Changes in rice cropping systems in the Poyang Lake Region, China during 2004–2010
Chen et al. Spatio-temporal prediction of leaf area index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network
CN109614891A (zh) 基于物候学和遥感的农作物识别方法
CN107527014A (zh) 县级作物种植面积遥感统计抽样调查方案设计方法
CN108458978B (zh) 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
CN105678280B (zh) 基于纹理特征的地膜覆盖农田遥感监测方法
Manakos et al. Comparison between atmospheric correction modules on the basis of worldview-2 imagery and in situ spectroradiometric measurements
Lobell et al. Comparison of Earth Observing-1 ALI and Landsat ETM+ for crop identification and yield prediction in Mexico
CN114387516A (zh) 一种针对复杂地形环境下中小田块的单季稻sar识别方法
Kang et al. Support vector machine classification of crop lands using sentinel-2 imagery
Liu et al. Evaluating how lodging affects maize yield estimation based on UAV observations
Zhang et al. Automated paddy rice extent extraction with time stacks of Sentinel data: A case study in Jianghan plain, Hubei, China
la Cecilia et al. Pixel-based mapping of open field and protected agriculture using constrained Sentinel-2 data
Anurogo et al. Satellite-based estimation of above ground carbon stock estimation for rubber plantation in Tembir Salatiga Central Java
Zheng et al. Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize
Zou et al. Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200616

Termination date: 20220204