CN106022224A - 一种冬小麦识别方法 - Google Patents
一种冬小麦识别方法 Download PDFInfo
- Publication number
- CN106022224A CN106022224A CN201610307697.6A CN201610307697A CN106022224A CN 106022224 A CN106022224 A CN 106022224A CN 201610307697 A CN201610307697 A CN 201610307697A CN 106022224 A CN106022224 A CN 106022224A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- feature
- identification
- time
- winter
- 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.)
- Granted
Links
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (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)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种冬小麦识别方法。利用冬小麦生育期内的遥感植被指数时序数据和物候历数据,通过分类类别设定、训练样本选取、样本时序曲线提取、冬小麦识别特征选择及参量化、最佳特征阈值确定和冬小麦识别模型构建,提取出区域范围内冬小麦的空间分布信息。本方法的特点是可基于未经去噪声处理的遥感植被指数时序数据进行冬小麦空间分布信息提取,具有较强的抗时序数据噪声能力;方法的稳定性和普适性较高,可应用于具有一定物候差异的大范围区域的冬小麦分布信息遥感提取。
Description
技术领域
本发明涉及农业遥感技术领域,尤其涉及一种冬小麦空间分布信息的遥感提取方法。
背景技术
遥感影像数据因具有覆盖面积大、现势性强等优势,已被广泛应用于农作物空间分布信息的提取工作。目前,基于遥感影像的作物识别方法可分为单期影像源方法和时间序列影像源方法。
单期影像源方法是基于最佳时期的单期或少数几期影像,利用待识别作物与背景地物的光谱差异来实现作物空间分布信息的提取。此类方法的效率高、操作性强,但也存在明显不足。一方面,此类方法多采用中高空间分辨率遥感数据,然而,此类数据的卫星重访周期一般较长,且受云雨天气的影响,往往难以提供最佳时期的影像数据;另一方面,在某几个时相内,此类方法很难区分光谱相似的地物类型。因此,此类方法的应用通常要受到遥感数据源的限制。
时间序列影像源方法是基于植被指数时间序列数据,利用作物的物候变化规律特征以实现作物空间分布信息的提取。不同作物类型的物候特征具有独特性,对不同地物类型具有可区分性,能够进一步提高作物的识别精度。植被指数时序数据由于能够充分反映不同作物的物候节律信息,从而使基于植被指数时序数据的作物空间信息提取方法得到了不断发展,并逐渐成为目前最为主流的技术方法之一。
传统的基于时间序列的作物识别方法多利用作物在几个关键生长节点上的影像特征及其与其它节点上影像特征之间的逻辑关系来构建作物识别模型。然而,受时序数据噪声的影响,某些待识别作物像元的时序曲线在关键节点上的影像特征易发生突变,甚至与其他节点上影像特征之间的逻辑关系也发生了改变,致使传统方法的作物识别精度较低。因此,传统的基于时序数据的作物识别方法往往需要依靠高质量的植被指数时间序列数据才能获得较高的作物分布信息提取精度,但受大气条件(云雨天气等)的影响,我们有时无法获取质量普遍较高的时序数据,通常需要在应用之前对其进行去噪声处理。
去噪声处理一方面确实能够去掉一些比较明显的噪声,使时序数据变得更为平滑,但另一方面,去噪声处理也使时序数据所反映的农作物物候特征信息被修改或作为噪声信息而被去除(如冬小麦的双峰特征不明显),并同时会混进新的噪声,从而影响对后续作物识别特征的选择。此外,去噪声处理也增加了作物识别工作的复杂度,降低了工作效率。因此,在基于时序数据进行作物空间信息提取时,应尽量避免对时序数据进行去噪声处理。
发明内容
本发明正是针对传统的基于时间序列的作物识别方法的一些不足,提出了一种抗遥感时序数据噪声的冬小麦识别方法,旨在利用未经滤波处理的植被指数时序数据,快速提取区域范围内冬小麦的空间分布信息。
为达此目的,本发明采用以下技术方案:
一种冬小麦识别方法,包括以下步骤:
A、分类类别设定
根据各地物类型与冬小麦的混分状况,设定区域范围内的分类类别。
B、各地物类型训练样本选取
针对设定的分类类别,基于植被指数时序数据或符合应用需求的其它数据,利用目视解译的方法,遵循基本的采样原则,分别采集各地物类型的训练样本;采样的基本原则如下:
(1)各地物类别的样本数量一般要与区域范围内各地物类型的分布面积成比例。
(2)各地物类型的样本要在整个区域范围内均匀分布,使各个样本在局部范围内具有区域代表性。
(3)各地物类型的样本应位于纯像元区域,且其周围像元也应尽量为纯像元。
C、样本时序曲线提取
基于植被指数时序数据,利用采集的训练样本,提取各地物类型对应的样本时序曲线。
D、冬小麦识别特征选择及参量化
结合区域的物候历数据,根据提取的样本时序曲线,确定冬小麦的识别特征,并对其进行参量化。确定的识别特征和参量化结果为:
(1)识别特征。冬小麦的识别特征为冬小麦分蘖期内的生长状态、冬小麦出苗期-三叶期和开花期-乳熟期内各自的总体生长趋势。
(2)参量化结果。分别将上述冬小麦的识别特征参量化为冬小麦分蘖期内植被指数的平均值、冬小麦出苗期-三叶期和开花期-乳熟期内各自植被指数的线性拟合斜率。
E、最佳特征阈值确定
首先基于训练样本,对参量化后各地物类型的识别特征分别进行频数统计,然后根据统计结果,将冬小麦与其它各地物类型区分程度最高处所对应的特征取值范围作为相应识别特征的最佳阈值选择区间,最后在确定的区间范围内利用等步长逐步搜索的方式,选定冬小麦识别精度最高时各识别特征所对应的取值作为其各自的最佳阈值。
F、冬小麦识别模型构建
根据参量化后的冬小麦识别特征及其对应的最佳特征阈值,构建冬小麦的识别模型。其具体的模型构建步骤为:
(1)利用冬小麦分蘖期内植被指数的平均值排除与冬小麦物候特征差异较大的非植被和其它作物类型。其数学模型为:
(2)利用冬小麦出苗期-三叶期和开花期-乳熟期两个时间段内植被指数的线性拟合斜率进一步排除其它植被类型,最终实现冬小麦的提取。其数学模型为:
上述数学模型中,ti(i=1,2,...6)分别代表冬小麦出苗期普遍开始时间、三叶期普遍结束时间、分蘖期普遍开始时间、分蘖期普遍结束时间、开花期普遍开始时间、乳熟期普遍结束时间;表示某一像元在ti至ti+1时间段内包含的所有植被指数数据;表示的平均值;表示线性拟合后获得的斜率;TA、TB和TC分别代表冬小麦各识别特征对应的最佳阈值。将上述3个数学公式得到的结果求交集之后的空间分布区即为识别的冬小麦分布范围。
G、冬小麦空间分布信息提取
基于植被指数时序数据,利用构建的冬小麦识别模型,提取出区域范围内冬小麦的空间分布信息。
本发明具有以下特点:
(1)原理简单,易实施,工作效率高。
(2)可基于未经去噪声处理的遥感植被指数时序数据进行冬小麦空间分布信息的提取,具有较强的抗时序数据噪声能力,且提取结果的稳定性较高。
(3)可应用于具有一定物候差异的大范围区域的冬小麦空间分布信息遥感提取。
附图说明
图1是河南省冬小麦的空间分布信息提取结果。
具体实施方式
下面结合附图对本发明的技术实施方案作进一步描述。
A、分类类别设定
根据各地物类型与冬小麦的混分状况,设定区域范围内的分类类别。
本案例中,设定河南省的分类类别为冬小麦、林地、草地、非植被和其它作物5种。
B、各地物类型训练样本选取
针对设定的采样类别,基于植被指数时序数据或符合应用需求的其它数据,利用目视解译的方法,遵循基本的采样原则,分别采集各地物类别的训练样本;采样的基本原则如下:
(1)各地物类别的样本数量一般要与区域范围内各地物类型的分布面积成比例。
(2)各地物类型的样本要在整个区域范围内均匀分布,使各个样本在局部范围内具有区域代表性。
(3)各地物类型的样本应位于纯像元区域,且其周围像元也应尽量为纯像元。
在本案例中,基于8天合成的MODIS(Moderate Resolution ImagingSpectrometer)NDVI(Normalized Difference Vegetation Index)时序数据,同时参考了高分辨率遥感影像数据和物候历数据,目视解译选取了河南省各地物类别的训练样本。
C、样本时序曲线提取
基于植被指数时序数据,利用采集的训练样本,提取各地物类型对应的样本时序曲线。
本案例中,基于NDVI时序数据,利用各地物类型训练样本的坐标数据,提取出其对应像元的NDVI时序曲线作为各地物类型的样本时序曲线。
D、冬小麦识别特征选择及参量化
结合冬小麦的物候历数据,根据提取的冬小麦样本时序曲线,确定冬小麦的识别特征,并对其进行参量化。确定的识别特征和参量化结果为:
(1)识别特征。冬小麦的识别特征为冬小麦分蘖期内的生长状态、冬小麦出苗期-三叶期和开花期-乳熟期内各自的总体生长趋势。
(2)参量化结果。分别将上述冬小麦的识别特征参量化为冬小麦分蘖期内植被指数的平均值、冬小麦出苗期-三叶期和开花期-乳熟期内各自植被指数的线性拟合斜率。
E、最佳特征阈值确定
首先基于训练样本,对参量化后各地物类型的识别特征分别进行频数统计,然后根据统计结果,将冬小麦与其它各地物类型区分程度最高处所对应的特征取值范围作为相应识别特征的最佳阈值选择区间,最后在确定的区间范围内利用等步长逐步搜索的方式,选定冬小麦识别精度最高时各识别特征所对应的取值作为其各自的最佳阈值。
本案例中,初步确定分蘖期NDVI平均值、出苗期-三叶期NDVI线性拟合斜率和开花期-乳熟期NDVI线性拟合斜率三个冬小麦识别特征的最佳阈值选择区间为[0.32,0.38]、[-0.02,0.03]和[-0.04,-0.01]。以0.01为步长,通过等步长逐步搜索的方式确定上述识别特征的最佳阈值依次为0.36、0.00和-0.03。
F、冬小麦识别模型构建
根据参量化后的冬小麦识别特征及其对应的最佳特征阈值,构建冬小麦的识别模型。其具体的模型构建步骤为:
(1)利用冬小麦分蘖期内植被指数的平均值排除与冬小麦物候特征差异较大的非植被和其它作物类型。其数学模型为:
(2)利用冬小麦出苗期-三叶期和开花期-乳熟期两个时间段内植被指数的线性拟合斜率进一步排除其它植被类型,最终实现冬小麦的提取。其数学模型为:
上述数学模型中,ti(i=1,2,...6)分别代表冬小麦出苗期普遍开始时间、三叶期普遍结束时间、分蘖期普遍开始时间、分蘖期普遍结束时间、开花期普遍开始时间、乳熟期普遍结束时间;表示某一像元在ti至ti+1时间段内包含的所有植被指数数据;表示的平均值;表示线性拟合后获得的斜率;TA、TB和TC分别代表冬小麦各识别特征对应的最佳阈值。将上述3个数学公式得到的结果求交集之后的空间分布区即为识别的冬小麦分布范围。
本案例中,参考NDVI时序数据的合成周期、样本时序曲线以及河南省物候历,选定ti(i=1,2,...6)分别为:10月24日、12月3日、12月11日、12月27日、次年的4月23日和次年的6月10日。
G、冬小麦空间分布信息提取
基于植被指数时序数据,利用构建的冬小麦识别模型,提取出区域范围内冬小麦的空间分布信息。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种冬小麦识别方法,其特征在于包括如下步骤:
A、分类类别设定,根据各地物类型与冬小麦的混分状况,设定区域范围内的分类类别;
B、各地物类型训练样本选取,针对设定的分类类别,基于植被指数时序数据或符合应用需求的其它数据,利用目视解译的方法,遵循基本的采样原则,分别采集各地物类型的训练样本;
C、样本时序曲线提取,基于植被指数时序数据,利用采集的训练样本,提取各地物类型对应的样本时序曲线;
D、冬小麦识别特征选择及参量化,结合区域的物候历数据,根据提取的样本时序曲线,确定冬小麦的识别特征,并对其进行参量化;
E、最佳特征阈值确定,首先基于训练样本,对参量化后各地物类型的识别特征分别进行频数统计,然后根据统计结果,将冬小麦与其它各地物类型区分程度最高处所对应的特征取值范围作为相应识别特征的最佳阈值选择区间,最后在确定的区间范围内利用等步长逐步搜索的方式,选定冬小麦识别精度最高时各识别特征所对应的取值作为其各自的最佳阈值。
F、冬小麦识别模型构建,根据参量化后的冬小麦识别特征及其对应的最佳特征阈值,构建冬小麦识别模型;
G、冬小麦空间分布信息提取,基于植被指数时序数据,利用构建的冬小麦识别模型,提取出区域范围内冬小麦的空间分布信息。
2.如权利要求1步骤D中所说的冬小麦识别特征选择及参量化,其特征在于将冬小麦分蘖期内的生长状态、冬小麦出苗期-三叶期和开花期-乳熟期内各自的总体生长趋势作为冬小麦的识别特征,并分别将其参量化为冬小麦分蘖期内植被指数的平均值、冬小麦出苗期-三叶期和开花期-乳熟期内各自植被指数的线性拟合斜率。
3.如权利要求1步骤F中所说的冬小麦识别模型构建,其特征在于将以下3个数学公式得到的结果求交集之后的空间分布区即为识别的冬小麦分布范围。3个数学公式分别为:
式中,ti(i=1,2,...6)分别代表冬小麦出苗期普遍开始时间、三叶期普遍结束时间、分蘖期普遍开始时间、分蘖期普遍结束时间、开花期普遍开始时间、乳熟期普遍结束时间;表示某一像元在ti至ti+1时间段内包含的所有植被指数(Vegetation Index,VI)数据;表示的平均值;表示对线性拟合后所获得的斜率;TA、TB和TC分别代表冬小麦各识别特征对应的最佳阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610307697.6A CN106022224B (zh) | 2016-05-12 | 2016-05-12 | 一种冬小麦识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610307697.6A CN106022224B (zh) | 2016-05-12 | 2016-05-12 | 一种冬小麦识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106022224A true CN106022224A (zh) | 2016-10-12 |
CN106022224B CN106022224B (zh) | 2019-03-15 |
Family
ID=57100369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610307697.6A Expired - Fee Related CN106022224B (zh) | 2016-05-12 | 2016-05-12 | 一种冬小麦识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022224B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107314990A (zh) * | 2017-08-28 | 2017-11-03 | 北京师范大学 | 一种春玉米遥感识别方法 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
CN110909679A (zh) * | 2019-11-22 | 2020-03-24 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
CN111142106A (zh) * | 2020-02-26 | 2020-05-12 | 北京师范大学 | 一种基于合成孔径雷达时序数据的水稻自动识别方法 |
CN111191963A (zh) * | 2020-01-21 | 2020-05-22 | 福州大学 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
CN111832506A (zh) * | 2020-07-20 | 2020-10-27 | 大同煤矿集团有限责任公司 | 一种基于长时序植被指数的重建植被遥感判别方法 |
CN113642579A (zh) * | 2021-07-08 | 2021-11-12 | 湖南元想科技有限公司 | 南荻生长区域确定、分割方法及系统 |
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
CN117830860A (zh) * | 2024-03-06 | 2024-04-05 | 江苏省基础地理信息中心 | 一种冬小麦种植结构的遥感自动提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650422A (zh) * | 2009-09-27 | 2010-02-17 | 北京师范大学 | 遥感植被指数时间序列数据去噪方法 |
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
CN104915660A (zh) * | 2015-07-01 | 2015-09-16 | 中国科学院遥感与数字地球研究所 | 一种基于gf-1/wfv ndvi时间序列的冬小麦自动识别方法 |
-
2016
- 2016-05-12 CN CN201610307697.6A patent/CN106022224B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650422A (zh) * | 2009-09-27 | 2010-02-17 | 北京师范大学 | 遥感植被指数时间序列数据去噪方法 |
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
CN104915660A (zh) * | 2015-07-01 | 2015-09-16 | 中国科学院遥感与数字地球研究所 | 一种基于gf-1/wfv ndvi时间序列的冬小麦自动识别方法 |
Non-Patent Citations (4)
Title |
---|
BRIAN D.WARDLOW等: "Large-area crop mapping using time-series MODIS 250 m NDVI data:An assessment for the U.S.Central Great Plains", 《REMOTE SENSING OF ENVIRONMENT》 * |
刘旭拢等: "基于MODIS植被指数时间序列辅助提取冬小麦种植面积的方法研究", 《2005遥感科技论坛暨中国遥感应用协会2005年年会论文集》 * |
潘耀忠等: "基于典型物候特征的MODIS-EVI时间序列数据农作物种植面积提取方法-小区域冬小麦实验研究", 《遥感学报》 * |
芦杰等: "基于MODIS EVI时序数据的冬小麦种植面积提取", 《湖北农业科学》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107314990B (zh) * | 2017-08-28 | 2020-01-17 | 北京师范大学 | 一种春玉米遥感识别方法 |
CN107314990A (zh) * | 2017-08-28 | 2017-11-03 | 北京师范大学 | 一种春玉米遥感识别方法 |
CN108662991A (zh) * | 2018-04-08 | 2018-10-16 | 浙江大学 | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 |
CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
CN109141371B (zh) * | 2018-08-21 | 2020-04-03 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
CN110909679A (zh) * | 2019-11-22 | 2020-03-24 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
CN111191963A (zh) * | 2020-01-21 | 2020-05-22 | 福州大学 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
CN111142106A (zh) * | 2020-02-26 | 2020-05-12 | 北京师范大学 | 一种基于合成孔径雷达时序数据的水稻自动识别方法 |
CN111142106B (zh) * | 2020-02-26 | 2021-12-03 | 北京师范大学 | 一种基于合成孔径雷达时序数据的水稻自动识别方法 |
CN111832506A (zh) * | 2020-07-20 | 2020-10-27 | 大同煤矿集团有限责任公司 | 一种基于长时序植被指数的重建植被遥感判别方法 |
CN111832506B (zh) * | 2020-07-20 | 2023-10-17 | 中国矿业大学 | 一种基于长时序植被指数的重建植被遥感判别方法 |
CN113642579A (zh) * | 2021-07-08 | 2021-11-12 | 湖南元想科技有限公司 | 南荻生长区域确定、分割方法及系统 |
CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
CN117830860A (zh) * | 2024-03-06 | 2024-04-05 | 江苏省基础地理信息中心 | 一种冬小麦种植结构的遥感自动提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106022224B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022224A (zh) | 一种冬小麦识别方法 | |
Delalieux et al. | Heathland conservation status mapping through integration of hyperspectral mixture analysis and decision tree classifiers | |
CN109345555B (zh) | 基于多时相多源遥感数据进行水稻识别的方法 | |
Kontgis et al. | Mapping rice paddy extent and intensification in the Vietnamese Mekong River Delta with dense time stacks of Landsat data | |
Shang et al. | Mapping spatial variability of crop growth conditions using RapidEye data in Northern Ontario, Canada | |
CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
CN107314990B (zh) | 一种春玉米遥感识别方法 | |
CN110598619B (zh) | 一种利用无人机影像进行果树识别和计数的方法和系统 | |
CN111142106B (zh) | 一种基于合成孔径雷达时序数据的水稻自动识别方法 | |
CN110175931A (zh) | 一种大范围快速提取农作物种植面积和物候信息的方法 | |
Young et al. | Exploring a big data approach to building a list frame for urban agriculture: A pilot study in the city of Baltimore | |
Platt et al. | Conservation-induced resettlement as a driver of land cover change in India: An object-based trend analysis | |
Shanmugapriya et al. | Optimal datasets suitability for pearl millet (Bajra) discrimination using multiparametric SAR data | |
CN103268587A (zh) | 利用仿建筑用地指数获取城市建筑用地信息的方法 | |
Basnet et al. | Relating satellite imagery with grain protein content | |
Mayse et al. | Sampling abundances of soybean arthropods: comparison of methods | |
CN103500421A (zh) | 一种基于频率特征的耕地复种指数提取方法 | |
Narayanamoorthy | Farmers' education and productivity of crops: A new approach | |
Ilyas et al. | CWD30: A Comprehensive and Holistic Dataset for Crop Weed Recognition in Precision Agriculture | |
Adamo et al. | Combined use of expert knowledge and earth observation data for the land cover mapping of an Italian grassland area: An EODHaM system application | |
CN109614920B (zh) | 一种基于多时相遥感数据的地物信息提取方法 | |
Luciani et al. | Developing a classification method for periodically updating agricultural maps in Kenya | |
Yang et al. | Monitoring winter wheat in ShanDong province using Sentinel data and Google Earth Engine platform | |
Bois et al. | Wine growing regions global climate analysis | |
Mishra et al. | Rice cultivation monitoring and acreage estimation using RADARSAT SAR images in Jharkhand, India |
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: 20190315 Termination date: 20200512 |