CN107064931A - 基于遥感数据与地理信息系统的农田参照点筛选方法 - Google Patents
基于遥感数据与地理信息系统的农田参照点筛选方法 Download PDFInfo
- Publication number
- CN107064931A CN107064931A CN201611134743.3A CN201611134743A CN107064931A CN 107064931 A CN107064931 A CN 107064931A CN 201611134743 A CN201611134743 A CN 201611134743A CN 107064931 A CN107064931 A CN 107064931A
- Authority
- CN
- China
- Prior art keywords
- grainfield
- reference point
- data
- image
- gis
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012216 screening Methods 0.000 title claims abstract description 17
- 239000004016 soil organic matter Substances 0.000 claims abstract 4
- 230000004927 fusion Effects 0.000 claims abstract 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 10
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000005416 organic matter Substances 0.000 claims description 3
- 230000008635 plant growth Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000007423 decrease Effects 0.000 claims 1
- 239000004744 fabric Substances 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000000985 reflectance spectrum Methods 0.000 claims 1
- 238000000611 regression analysis Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 4
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 abstract 2
- 238000004040 coloring Methods 0.000 abstract 1
- 238000007418 data mining Methods 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000003709 image segmentation Methods 0.000 abstract 1
- 238000013178 mathematical model Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003286 fusion draw glass process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/865—Combination of radar systems with lidar systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明是一种结合高分辨率多光谱扫描仪影像和激光雷达LiDAR数据，结合多光谱的地物精细结构特征、色调特征和LiDAR高程数字模型，实现的一种粮田地面参照点筛选的方法。该方法属于遥感和数据挖掘领域，该方法为：通过机载多光谱扫描仪和对农田进行扫描，分别提取粮田的粮田丰富的Y颜色信息影像和地面地物的空间结构细节信息高分辨率影像，通过影像的融合增强、影像分割和分类方法，快速构建区域农图，并且做出筛选。与现有的技术相比，通过多光谱扫描仪和激光雷达对绘制粮田农图，提高了农图的准确性和有用性。与通过单一方式进行遥感相比，基于遥感数据与地理信息系统的粮田地面参照点筛选方法为农田位置信息、气象信息、粮田土壤有机物构成信息、粮田地下土壤湿度信息、作物长势信息的监：控集成提供了平台。
Description
技术领域
本发明具体涉及一种合成孔径雷达和激光雷达综合使用的地面遥感地面参照信息收集方法。
技术背景
RS(遥感)技术对粮食地面信息采集具有全覆盖、及时、客观等特点，在农业部门政策制定和规划中得到了越来越广泛的应用，创造了良好的社会和经济效益。我国近年来，大量研究建立了各种遥感农作物单位面积产量估算的模型，这些模型考虑了气象因素、农作物生长过程等，遥感数据则作为作物估产模型的直接或间接输入参数之一。利用遥感在农业上的进行农作物识别和面积提取、农作物生长状况监测、土壤湿度提取和产量估算等方面。而随着航天技术和遥感技术的发展，越来越多的多角度、多波段、多极化的数据被获取。然而，目前的粮食作物遥感测量存没有一套流畅的业务流能够满足业务测量的需要，对测量人员的专业素质要求高，因此难以被非专业工作人员掌握；针对粮食作物测量中采用的海量空间数据，缺乏有效管理和分析。
GIS(地理资讯系统)是一门综合性学科，结合地理学与地图学，已经广泛的应用在不同的领域，是用于输入、存储、查询、分析和显示地理数据的计算机系统。GIS属于信息系统的一类，不同在于它能运作和处理地理参照数据。地理参照数据描述地球表面(包括大气层和较浅的地表下空间)空间要素的位置和属性，在GIS中的两种地理数据成分：空间数据，与空间要素几何特性有关；属性数据，提供空间要素的信息。而GIS对我国的精准农业发展有着极大的意义。精准农业是由信息技术支持的根据空间变异，定位、定时、定量地实施一整套现代化农事操作技术与管理的系统，其核心是建立一个完善的农田GIS。该农田GIS系统可根据作物生长的土壤性状确定农作物的生产目标，调节对作物的投入，高效地利用各类农业资源，取得经济效益和环境效益。而实施“精准农业”经营的重要保障就是对农作物重大病虫害数字化监测预警，这是判断一个国家现代农业发展水平的重要标准之一。
Multispectral Scanner(光谱扫描仪)
LIDAR(激光雷达)是一种集激光、全球定位系统GIS和惯性导航系统技术于一身的用于快速获取地面及地面目标三维空间信息的主动式光学遥感器，在近十年内，激光雷达测图在地形测绘、环境监测、三维城市建模等诸多领域得到了广泛应用。由于激光雷达能够穿透森林冠层获取森林三维结构特征信息，弥补被动光学遥感数据的不足，因而在植被垂直结构参数获取方面得到了广泛应用。机载激光雷达技术，是一种通过位置、距离、角度等观测数据直接获取对象表面点的三维坐标，实现地表信息提取和三维场景重建的对地观测技术。机载激光雷达系统集成了GPS、IMU；激光扫描仪、数码相机等光谱成像设备。其中主动传感系统(激光扫描仪)利用返回的脉冲获取目标高分辨率的距离、坡度、粗糙度和反射率等信息，而被动光电成像技术(数码相机)可获取目标的数字成像信息，经过地面的信息处理而生成逐个地面采样点的三维坐标，最后经过综合处理而得到沿一定条带的地面区域三维定位与成像结果，如高密度点云数据、高分辨率数字正射影像、各种数字地形模型、表面模型、大比例尺地形图等。
发明内容
本法发明的目的是提供一种基于遥感数据与地理信息系统的农田参照点确定方法参照点筛选方法。通过本发明提供的方法可以实现对粮田统计和管理，降低粮田信息收集的作业量，提高粮田作业活动的反应速度，改进人力和财力资源的管理，并且形成最优的作业方案，从而达到利用遥感技术和数据挖掘方法提高农业生产效率的目标。
本专利所述方法包括：
1.3S(RS、.GIS\INS)的协同工作，其工作框架如图1所示：
飞机前置LIDAR和多光谱扫描仪遥感系统，GPS\INS需要将遥感影像获取瞬间的空间位置(X,Y,Z)和传感器姿态(U、X、J)用同步记录下来，互为补偿运动中可能的失锁和其它系统误差。即GPS\INS和GIS终端安装在机内，并通过无线网络访问GIS远程数据库。GPS\INS为LIDAR和多光谱扫描仪提供空间位置参数、传感器姿势参数和时间参数；机翼两侧的遥感器分别记录参考点左右的遥感数据，通过与原有GIS系统的远程数据库中的数据作比较，实现实地检测粮田变化、更新农图数据和自动导航监测的功能，用户通过GIS提供的信息发布接口访问所需的信息
2.整个农图绘制的基本流程如图2所示：
采用图2中的机载多光谱扫描仪(1)和机载LiDAR遥感器(2) 同时对粮田同步遥感，以达到多遥感器融合制图、提高制图精确度的目的：对得1m全色影像数据、4m多光谱像数据和1m空间分辨率的LiDAR数据，采用GLCM算法(1.1)对1m1全色影像数据进行处理得到粮田冠层的纹理特征，利用SFIM算法(1.2)对1m全色影像数据和4m多光谱像数据合成得到增强的光谱图像，对LiDAR遥感器⑵得到的1m空间分辨率的LiDAR数据进行预处理(2.1)分离出第一回波层和地面回波层，对两者进行LiDAR强度影像处理(2.2)得到LiDAR高程影像，根据经验得到的阈值对此做数字阈值分割(2.3)产生LiDAR专题层；采用MRS算法(3)依据经验分割参数对纹理特征数据层影像、增强的多光谱影像和LiDAR数据专题层合成，得到高精度高信息量的待筛选农图，采用基于知识规则的模糊逻辑分类器进行分方法(4)对粮田POI进行筛选，知识规则有基于NDVI的叶片氮含量筛选、土壤有机物含量筛选和土壤湿度筛选，绘制不同POI类型的遥感图像，最终采用多边形综合(5)修正农图中的建筑物和道路等地面信息得到粮田的作物生长信息实时监测农图。
附图说明
图1 RS、GIS和GPS/INS的协同工作示意图
图2农业遥感流程图
图3 NDVI粮田种类判断参照表
图4基于知识规则的模糊逻辑分类器进行分类。
Claims (7)
1.基于遥感数据与地理信息系统的农田参照点筛选方法，其特征在于：
基于如图1所示的GIS(地理空间系统)、GIS\INS(全球定位系统\惯性导航系统)和RS(遥感)三者协同工作；飞机前置LiDAR和多光谱扫描仪遥感系统，GIS\INS联合使用以补偿运动中可能的失锁和其它系统误差；GIS系统安装在飞机内部，GIS\INS为两个遥感仪器提了运动参数，通过软件对遥感数据的处理后与GIS中数据比较，以达到可粮田实时的监测变化、数据更新和信息发布功能，而用户通过GIS提供的信息发布接口访问所需的信息；
采用图2中的机载多光谱扫描仪(1)和机载LiDAR遥感器(2)同时对粮田同步遥感，以达到多遥感器融合制图、提高制图精确度的目的：对得1m全色影像数据、4m多光谱像数据和1m1空间分辨率的LiDAR数据，采用GLCM算法(1.1)对1m全色影像数据进行处理得到粮田冠层的纹理特征，利用SFIM算法(1.2)对1m全色影像数据和4m多光谱像数据合成得到增强的光谱图像，对LiDAR遥感器⑵得到的1m空间分辨率的LiDAR数据进行预处理(2.1)分离出第一回波层和地面回波层，对两者进行LiDAR强度影像处理(2.2)得到LiDAR高程影像，根据经验得到的阈值对此做数字阈值分割(2.3)产生LiDAR专题层；采用MRS算法(3)依据经验分割参数对纹理特征数据层影像、增强的多光谱影像和LiDAR数据专题层合成，得到高精度高信息量的待筛选农图，采用基于知识规则的模糊逻辑分类器进行分方法(4)对粮田POI进行筛选，知识规则有基于NDVI的叶片氮含量筛选、土壤有机物含量筛选和土壤湿度筛选，绘制不同POI类型的遥感图像，最终采用多边形综合(5)修正农图中的建筑物和道路等地面信息得到粮田的作物生长信息实时监测农图。
2.根据权利要求1所述的基于遥感数据与地理信息系统的农田参照点确定方法参照点筛选协同工作方法，其多光谱遥感图像处理特征在于：
利用巧頂算法将低空间分辨率的影像调整为高空间分辨率影像，其方法为用高分辨率多光谱影像通道与全色影像通道的乘积影像除以高分辨率全色波段低通均值滤波影像，可获得融合增强的高分辨率的多光谱融合影像。
3.根据权利要求1所述的基于遥感数据与地理信息系统的农田参照点确定方法参照点筛选协同工作方法，其基于氮含量的参照点筛选的特征在于：
利用多光谱遥感监测粮田冠层反射率在可见光波段(460-680nm)和近红外波段(810-1100nm)两个区间的遥感图像，实现粮田基于叶片氮含量的筛选。选取可见光560nm，红外波段810nm有良好的效果，实现依据叶片氮含量含量值对粮田参照点进行筛选，在农图中以亮度大小体现叶片氮含量高低。
4.根据权利要求1所述的基于遥感数据与地理信息系统的农田参照点确定方法参照点筛选协同工作方法，其基于土壤有机物构成的参照点筛选的特征在于：
在地面监控点采集土壤样本获取地面监控点有机物含量数据；而粮田多光谱遥感选择TM5和TM3通道，进一步根据DN值与监控点表层土壤有机质含量进行回归分析，反演出整个农田上粮田土壤有机物的含量，GIS根据DN尺值处理单波段图像，以亮度大小体现有机物含量高低。
5.根据权利要求1所述的基于遥感数据与地理信息系统的农田参照点确定方法参照点筛选协同工作方法，其基于土壤湿度的参照点筛选的特征在于：
GIS系统通过读取多光谱遥感中TM3和TM4的图像，计算归一化植被指数NDVI，进一步计算DoH来判断土壤湿度，并用VCI处理单波段图像，突出显示遥感影像的土壤湿度参照点分布状况。
6.根据权利要求1所述的基于遥感数据与地理信息系统的农田参照点确定方法参照点筛选协同工作方法，其LiDAR和多光谱合成遥感特征在于：
对LiDAR高程强度影像通过数字阈值分割，河流提取采用TM5+TM6+TM7-TM1-TM2-TM4道路，提取采用TM6-(TM1+TM2+TM4+TM5+TM7)，并将分割结果影像转换为专题数据形式与多光谱数据一同输入，采用MRS(基于局部异质性最小的区域增长多分辨率分割)算法完成图像分割。
7.根据权利要求1所述的基于遥感数据与地理信息系统的农田参照点确定方法参照点筛选协同工作方法，其粮田分类过程特征在于：
同时选用平均LiDAR高程特征队植被指数归一化指数NDVI、对象面积Sq、同质性纹理特征值H、全色波段灰度平均值P、近红外波段与多光谱波段之和的比率值R通过基于知识规则的隶属度分析影响所对应的粮田类型，隶属度采用S型函数，根据特征值不同采用上身或者下降的S形函数，进行基于知识规则的模糊逻辑分类器进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611134743.3A CN107064931A (zh) | 2016-12-11 | 2016-12-11 | 基于遥感数据与地理信息系统的农田参照点筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611134743.3A CN107064931A (zh) | 2016-12-11 | 2016-12-11 | 基于遥感数据与地理信息系统的农田参照点筛选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107064931A true CN107064931A (zh) | 2017-08-18 |
Family
ID=59619782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611134743.3A Pending CN107064931A (zh) | 2016-12-11 | 2016-12-11 | 基于遥感数据与地理信息系统的农田参照点筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107064931A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108196538A (zh) * | 2017-12-25 | 2018-06-22 | 河北农业大学 | 基于三维点云模型的田间农业机器人自主导航系统及方法 |
| CN108520124A (zh) * | 2018-03-28 | 2018-09-11 | 电子科技大学 | 一种面向非线性能效隶属特性的组网雷达任务规划方法 |
| CN108804616A (zh) * | 2018-05-30 | 2018-11-13 | 中国科学院空间应用工程与技术中心 | 一种空间有效载荷在轨图像数据挖掘的装置和方法 |
| CN109508585A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院城市环境研究所 | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 |
| CN109874584A (zh) * | 2019-03-19 | 2019-06-14 | 广州辰轩农业科技有限公司 | 一种基于深度学习卷积神经网络的果树长势监控系统 |
| CN111357009A (zh) * | 2017-10-04 | 2020-06-30 | 科沃施种子欧洲股份两合公司 | 用于进行植物表型分型数据分析的方法和系统 |
| CN114466587A (zh) * | 2019-10-04 | 2022-05-10 | 克莱米特有限责任公司 | 用于作物地面导航的混合视觉系统 |
-
2016
- 2016-12-11 CN CN201611134743.3A patent/CN107064931A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508585A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院城市环境研究所 | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 |
| CN111357009A (zh) * | 2017-10-04 | 2020-06-30 | 科沃施种子欧洲股份两合公司 | 用于进行植物表型分型数据分析的方法和系统 |
| CN108196538A (zh) * | 2017-12-25 | 2018-06-22 | 河北农业大学 | 基于三维点云模型的田间农业机器人自主导航系统及方法 |
| CN108196538B (zh) * | 2017-12-25 | 2020-08-28 | 河北农业大学 | 基于三维点云模型的田间农业机器人自主导航系统及方法 |
| CN108520124A (zh) * | 2018-03-28 | 2018-09-11 | 电子科技大学 | 一种面向非线性能效隶属特性的组网雷达任务规划方法 |
| CN108804616A (zh) * | 2018-05-30 | 2018-11-13 | 中国科学院空间应用工程与技术中心 | 一种空间有效载荷在轨图像数据挖掘的装置和方法 |
| CN108804616B (zh) * | 2018-05-30 | 2020-12-08 | 中国科学院空间应用工程与技术中心 | 一种空间有效载荷在轨图像数据挖掘的装置和方法 |
| CN109874584A (zh) * | 2019-03-19 | 2019-06-14 | 广州辰轩农业科技有限公司 | 一种基于深度学习卷积神经网络的果树长势监控系统 |
| CN114466587A (zh) * | 2019-10-04 | 2022-05-10 | 克莱米特有限责任公司 | 用于作物地面导航的混合视觉系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103364781B (zh) | 基于遥感数据与地理信息系统的粮田地面参照点筛选方法 | |
| CN107064931A (zh) | 基于遥感数据与地理信息系统的农田参照点筛选方法 | |
| Goodbody et al. | Assessing the status of forest regeneration using digital aerial photogrammetry and unmanned aerial systems | |
| White et al. | Remote sensing technologies for enhancing forest inventories: A review | |
| Liu et al. | LiDAR-derived high quality ground control information and DEM for image orthorectification | |
| CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
| Kwong et al. | Tree height mapping and crown delineation using LiDAR, large format aerial photographs, and unmanned aerial vehicle photogrammetry in subtropical urban forest | |
| CN109063657B (zh) | 面向均质地域光谱单元的地上生物量估算和尺度转换方法 | |
| Guan et al. | Modeling strawberry biomass and leaf area using object-based analysis of high-resolution images | |
| Brook et al. | Modelling and monitoring urban built environment via multi-source integrated and fused remote sensing data | |
| Zhou | Urban High-Resolution Remote Sensing: Algorithms and Modeling | |
| Li et al. | Ultrahigh-resolution boreal forest canopy mapping: Combining UAV imagery and photogrammetric point clouds in a deep-learning-based approach | |
| Ronchi et al. | Correlation among earthwork and cropmark anomalies within archaeological landscape investigation by using LiDAR and multispectral technologies from UAV | |
| Belton et al. | Crop height monitoring using a consumer-grade camera and UAV technology | |
| Truax | Comparing spectral and object based approaches for classification and transportation feature extraction from high resolution multispectral imagery | |
| Yang et al. | Airborne LiDAR and photogrammetric point cloud fusion for extraction of urban tree metrics according to street network segmentation | |
| AU2021101780A4 (en) | Aboveground Biomass Estimation and Scale Conversion for Mean Regional Spectral Units | |
| Walter et al. | Automatic verification of GIS data using high resolution multispectral data | |
| Zou et al. | Object based image analysis combining high spatial resolution imagery and laser point clouds for urban land cover | |
| Itakura et al. | Voxel-based leaf area estimation from three-dimensional plant images | |
| Ozkan et al. | Estimation of forest stand parameters by using the spectral and textural features derived from digital aerial images. | |
| Tahar et al. | Individual tree crown detection using UAV orthomosaic | |
| Tilly et al. | Multi-temporal crop surface models derived from terrestrial laser scanning for accurate plant height measurement and biomass estimation of barley | |
| Torres-Sánchez et al. | Mobile terrestrial laser scanner vs. UAV photogrammetry to estimate woody crop canopy parameters–Part 2: Comparison for different crops and training systems | |
| Ritz | Assessing the utility of NAIP digital aerial photogrammetric point clouds for estimating canopy height of managed loblolly pine plantations in the southeastern United States |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170818 |
|
| WD01 | Invention patent application deemed withdrawn after publication |