CN105678281B - 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 - Google Patents
基于光谱和纹理特征的地膜覆盖农田遥感监测方法 Download PDFInfo
- Publication number
- CN105678281B CN105678281B CN201610079260.1A CN201610079260A CN105678281B CN 105678281 B CN105678281 B CN 105678281B CN 201610079260 A CN201610079260 A CN 201610079260A CN 105678281 B CN105678281 B CN 105678281B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- features
- mulching film
- mulching
- texture
- 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
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)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (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,对研究区的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,利用与研究区的遥感影像数据相同时相的Google Earth影像,采集分类体系中不同地物的不规则多边形样本,通过目视解译重新勾画预定尺寸像元的有规则多边形样本;S4,进行可分离性分析,以选择可用的波段;S5,基于遥感影像的多波段数据,提取多种纹理特征,在四个方向、三个步长上提取纹理特征;S6,对提取的纹理特征参数进行降维处理并挑选纹理特征;S7,构建基于光谱和纹理特征相结合的输入特征参数集;S8,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
技术领域
本发明涉及遥感监测技术,更具体地,涉及基于光谱和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光谱和纹理特征的地膜覆盖农田遥感监测方法,包括:
一种基于光谱和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,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,利用所述有规则多边形样本,对不同地物在所述研究区影像的可分离性进行分析,以选择可分离的波段,并以所选择波段的反射率作为光谱特征;
步骤S5,基于遥感影像多波段数据,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S6,对步骤S5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S7,以步骤S4中确定的光谱特征和步骤S6中选择的纹理特征为分类特征参数集,所述光谱特征分别与四个方向纹理进行组合,构建输入特征集;
步骤S8,基于步骤S3中的有规则多边形样本(训练样本)及步骤S7中构建的输入特征,用分类器对步骤S2中的分类体系进行地物分类。
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显示了一个研究区的农作物物候历。
图8显示了不同地物landsat 8 OLI光谱反射率曲线图。
图9显示了本发明使用的八种纹理特征的表达式。
图10显示了八种纹理特征。
图11列出了支持向量机不同核函数的表达式。
图12显示了基于0°纹理特征和光谱特征的地膜覆盖农田空间分布图。
图13显示了基于45°纹理特征和光谱特征的地膜覆盖农田空间分布图。
图14显示了基于90°纹理特征和光谱特征的地膜覆盖农田空间分布图。
图15显示了基于135°纹理特征和光谱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 8 OLI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 8 OLI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就为了消除这些失真,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。
例如可以利用遥感图像处理软件(如Envi5.1)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
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Landsat8 OLI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,利用所述有规则多边形样本,对不同地物在所述研究区影像的可分离性进行分析,以选择用于分类的适宜波段,并以所选择的波段的反射率作为光谱特征。
具体为,利用样本感兴趣区提取遥感影像反射率均值,用提取的样本反射率均值来分析五种地物在OLI数据上的可分离性,以便进行波段选择。图8显示了五种地物的光谱反射率曲线,从图中可以看出,五种地物能够通过光谱反射率特征进行区分(不同地物反射率曲线形状及值域随波长的变化不同)。本发明中Landsat8 OLI遥感影像的七个波段对五种地物的分类都具有一定价值,所以七个波段都被选为光谱特征参数。
再次参考图6,步骤S5,基于Landsat 8 OLI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9给出了所述八种纹理特征的表达式。图10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S7,基于步骤S4中的光谱特征以及步骤S6中选择的纹理特征为分类特征参数集,所述光谱特征分别于四个方向纹理相结合,作为分类特征参数集,构建输入特征如下:
光谱特征和纹理特征1:7个波段(S)和0°方向上的纹理特征(S+T1)
光谱特征和纹理特征2:7个波段(S)和45°方向上的纹理特征(S+T2)
光谱特征和纹理特征3:7个波段(S)和90°方向上的纹理特征(S+T3)
光谱特征和纹理特征4:7个波段(S)和135°方向上的纹理特征(S+T4)
在步骤S8,利用骤S3中的有规则多边形样本(训练样本)及所述构建的基于光谱和纹理相结合的特征集,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11列出了支持向量机不同核函数的表达式。图12-15显示了分类器输出的基于光谱和纹理特征相结合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12-15分别表示基于0°、45°、90°、135°纹理特征和光谱特征相结合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(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
表3 基于光谱和纹理特征的不同分类器的分类精度
从表3看出,支持光谱特征和纹理特征的不同核函数在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数据的光谱和纹理特征相结合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结合了光谱和纹理特征的地膜覆盖农田遥感监测的技术流程。该方法考虑到了地膜覆盖农田遥感光谱可分性,纹理特征的计算量,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,不同方向纹理特征与光谱特征结合的效率,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 (3)
1.一种基于光谱和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,对作物播种期到出苗期的Landsat8OLI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;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;
步骤S2,建立地膜覆盖农田遥感监测分类体系,所述分类体系包括:地膜覆盖农田、不透水层、植被、水体和裸土,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GoogleEarth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,利用所述有规则多边形样本,对不同地物在所述研究区影像的可分离性进行分析,以选择可分离的波段,并以所选择的波段的反射率作为光谱特征,所述分离性包括:不同地物在不同波长范围内呈现出不同的波谱曲线形状和不同的反射率值范围;
步骤S5,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,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S6,对步骤S5中提取的纹理特征参数进行降维处理:使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,并根据重要性大于1的标准选择纹理特征;
步骤S7,以步骤S4中确定的光谱特征和步骤S6中选择的纹理特征为分类特征参数集,所述光谱特征分别与四个方向纹理相结合,构建输入特征集;
步骤S8,基于S3中的所述不规则多边形样本及步骤S7中构建的输入特征,用线性核函数支持向量机对步骤S2中的分类体系进行地物分类,所述分类器为支持向量机分类。
2.根据权利要求1所述的基于光谱和纹理特征的地膜覆盖农田遥感监测方法,其特征在于,所述预定尺寸像元为3*3像元。
3.根据权利要求1所述的基于光谱和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,利用验证样本用对分类结果进行精度验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610079260.1A CN105678281B (zh) | 2016-02-04 | 2016-02-04 | 基于光谱和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 |
---|---|---|---|
CN201610079260.1A CN105678281B (zh) | 2016-02-04 | 2016-02-04 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678281A CN105678281A (zh) | 2016-06-15 |
CN105678281B true CN105678281B (zh) | 2020-06-16 |
Family
ID=56304100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610079260.1A Expired - Fee Related CN105678281B (zh) | 2016-02-04 | 2016-02-04 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678281B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
CN109062102A (zh) * | 2018-08-13 | 2018-12-21 | 上海海事大学 | 基于云计算技术的自升式平台多设备远程监控方法 |
CN109522859B (zh) * | 2018-11-27 | 2020-11-27 | 南京林业大学 | 基于高光谱遥感影像多特征输入的城市不透水层提取方法 |
CN109359639A (zh) * | 2018-12-19 | 2019-02-19 | 美丽国土(北京)生态环境工程技术研究院有限公司 | 滨海养殖面积调查方法及装置 |
CN109753916B (zh) * | 2018-12-28 | 2021-05-04 | 厦门理工学院 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
CN110321861A (zh) * | 2019-07-09 | 2019-10-11 | 中国水利水电科学研究院 | 一种农作物种植结构月尺度动态提取方法 |
CN110796001B (zh) * | 2019-09-23 | 2023-04-07 | 武汉珈和科技有限公司 | 一种卫星影像覆膜农田识别与提取方法及系统 |
CN110826480A (zh) * | 2019-11-04 | 2020-02-21 | 湖南城市学院 | 一种基于蚁群算法的水体自动提取方法 |
CN110909652B (zh) * | 2019-11-16 | 2022-10-21 | 中国水利水电科学研究院 | 纹理特征优选的农作物种植结构月尺度动态提取方法 |
CN110887798B (zh) * | 2019-11-27 | 2020-11-17 | 中国科学院西安光学精密机械研究所 | 基于极端随机树的非线性全光谱水体浊度定量分析方法 |
CN111259727A (zh) * | 2019-12-12 | 2020-06-09 | 中国资源卫星应用中心 | 基于遥感数据的秋收主要农作物信息提取方法及系统 |
CN111723711A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
CN113033279A (zh) * | 2020-12-10 | 2021-06-25 | 四川航天神坤科技有限公司 | 一种基于多源遥感影像的作物精细分类方法及其系统 |
CN114266981B (zh) * | 2021-11-04 | 2023-04-07 | 成都理工大学 | 一种适用于高山峡谷地区的遥感智能解译方法 |
CN116091850B (zh) * | 2023-04-11 | 2023-06-23 | 中国地质大学(武汉) | 一种矿区土地覆盖分类模型建立及分类方法 |
CN116597318B (zh) * | 2023-07-17 | 2023-09-26 | 山东锋士信息技术有限公司 | 基于遥感影像的灌区耕地精准提取方法、设备及存储介质 |
Citations (4)
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 |
-
2016
- 2016-02-04 CN CN201610079260.1A patent/CN105678281B/zh not_active Expired - Fee Related
Patent Citations (4)
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 |
---|---|
CN105678281A (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 | |
Yue et al. | Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
De la Casa et al. | Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot | |
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 | |
CN107273820B (zh) | 一种土地覆盖遥感分类方法及系统 | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
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 | |
CN112287892A (zh) | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 | |
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 | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
Lobell et al. | Comparison of Earth Observing-1 ALI and Landsat ETM+ for crop identification and yield prediction in Mexico | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
Stroppiana et al. | Estimating crop density from multi-spectral uav imagery in maize crop | |
Kang et al. | Construction of multidimensional features to identify tea plantations using multisource remote sensing data: A case study of Hangzhou city, China | |
Anurogo et al. | Satellite-based estimation of above ground carbon stock estimation for rubber plantation in Tembir Salatiga Central Java | |
Liu et al. | Cotton area and yield estimation at Zhanhua County of China using HJ-1 EVI time series | |
Zheng et al. | Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize | |
Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
Zou et al. | Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage | |
Guo et al. | Estimating aboveground biomass of alpine grassland during the wilting period using in situ hyperspectral, Sentinel-2 and Sentinel-1 data | |
Villani et al. | Influence of trees on landscape temperature in semi-arid agro-ecosystems of East Africa |
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 |
Granted publication date: 20200616 Termination date: 20220204 |
|
CF01 | Termination of patent right due to non-payment of annual fee |