CN107103305A - 基于高分辨率遥感影像的高标准农田识别方法 - Google Patents
基于高分辨率遥感影像的高标准农田识别方法 Download PDFInfo
- Publication number
- CN107103305A CN107103305A CN201710303960.9A CN201710303960A CN107103305A CN 107103305 A CN107103305 A CN 107103305A CN 201710303960 A CN201710303960 A CN 201710303960A CN 107103305 A CN107103305 A CN 107103305A
- Authority
- CN
- China
- Prior art keywords
- index
- remote sensing
- high standard
- farmland
- standard farmland
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
Abstract
本发明提供一种基于高分辨率遥感影像的高标准农田识别方法。获取目标区域两期高分辨率遥感影像;对遥感影像进行预处理操作;对预处理后的两期高分辨率遥感影像进行面向对象的分类;对两期分类结果进行叠加,形成耕地图斑矢量数据;采用极差归一化方法对所述判定指标值进行归一化处理;用所选指标对耕地图斑矢量数据进行处理,结合指标权重对归一化处理后的结果进行融合处理,形成最终的综合指标处理结果;利用网格法在高标准农田建设基地选取样本,对多个高标准农田样本点指标计算,筛选适宜阈值,评判农田是否属于高标准农田,完成高标准农田识别。本发明实现了基于高分辨率遥感影像,对高标准农田进行识别,其识别结果准确、快速且可靠;实现了对高标准农田的有效监控,进而对土地规划部门进行服务。
Description
技术领域
本发明涉及遥感影像处理技术和农田建设,具体涉及一种基于高分辨率遥感影像的高标准农田识别方法
背景技术
粮食安全关系到我国社会稳定、经济发展、国家自立等重大问题。近年来工业化、城镇化迅猛发展,我国本就缺乏的优质耕地资源随之减少,再加上水资源匮乏,极端气候频发都制约着粮食生产。庞大的人口规模和粮食需求决定了立足本国耕地资源解决吃饭问题始终是发展之基,为确保国家粮食安全,中发四号文件指出,要像保护大熊猫一样保护耕地,而高标准农田是耕地的精华部分,是确保国家粮食安全的关键。
国家每年在高标准农田建设方面投入大量的人力物力,高标准农田的建设面积也是呈倍数型增长,高标准农田建设情况要统一纳入国土资源遥感监测“一张图”和综合监管平台,实行在线监管。
目前,基于遥感的高标准农田识别体系基本没有建立。基于以上考虑,寻找一种客观、快速的方法对高标准农田进行监管十分重要。遥感技术具有大区域、实时、高效的特点,考虑结合遥感技术,提出一种高标准农田监管方法,快速识别高标准农田方法具有重要的现实意义。
发明内容
本发明的目的是提供一种基于高分辨率遥感影像的高标准农田识别方法,实现了快速、合理识别现有的大量高标准农田的问题,其识别结果准确、快速且可靠,实现了对高标准农田的有效监控。
本发明的技术方案是:一种基于高分辨率遥感影像的高标准农田识别方法,所述识别方法包括以下步骤:
步骤1、获取所述目标区域的两期高分辨率遥感影像;
步骤2、预处理所述遥感影像;
步骤3、采用规则分类和监督分类相结合的方法,结合农用地质量数据和利用现状数据,对预处理后的两期高分辨率遥感影像进行面向对象的分类;
步骤4、参照高标准农田建设通则(GBT30600-2014)选取指标因素,并利用层次分析法对指标因素分配权重;
步骤5、采用极差归一化方法对所述指标因素进行归一化处理;
步骤6、用归一化后的指标因素处理分类结果矢量数据;结合各指标的权重,将归一化后的指标因素处理分类结果矢量数据的结果进行融合,形成最终的综合评价体系。
步骤7、利用自然断点分级法,在综合指标处理结果中直观的显示各个地方的综合指标因素。
步骤8、结合实地调研,对多个高标准农田样本点指标计算,筛选适宜阈值,评判农田是否属于高标准农田,完成高标准农田识别。
进一步的,根据当地农作物的生产时间,选取两期遥感影像。所述获取目标区域的两期高分辨率遥感影像,包括:
获取所述目标区域中上半年一段时间的高分一号多光谱影像,下半年一段时间的WorldView多光谱影像。
进一步的,预处理所述遥感影像,包括:
对所述高分一号多光谱影像和WorldView多光谱影像数据进行辐射定标、大气校正、几何校正、裁剪的预处理操作;
进一步的,所述对所述高分一号多光谱影像中数据进行辐射定标、大气校正、几何校正和裁剪的预处理操作,包括:对所述多光谱影像数据进行辐射定标,得到辐亮度DN表示给定波段的数字值,Kband表示给定波段的绝对辐射定标因子,Δλband表示给定波段的有效波段宽;用FLAASH模型对所述多光谱影像数据进行大气校正;用二次多项式模型对所述多光谱影像数据进行几何校正。
进一步的,对预处理后的所述高分一号多光谱影像和worldview多光谱影像进行面向对象的多尺度分割和光谱差异性分割。分割参数需要多次试验进行确定,从而选择最优分割参数值。对于不同的对象采取不同的分类方法,主要是田快和线状地物的分类;采用规则分类和监督分类相结合的方法,同时结合农用地质量数据和利用现状数据,对高分辨率遥感影像进行分类。因为高分一号和worldview多光谱影像分辨率不同,本发明选择按照高分一号多光谱影像的分辨率对两期分类结果进行叠加,最终可以分类出田快、道路、林带、大型田坎、沟渠等。
进一步的,参照高标准农田建设通则(GBT30600-2014)选取指标因素,综合考虑自然质量、空间形态、设施条件和区位条件。选择的指标因素有:农作物生产力、灌溉保证能力、规整度、紧致性、连片性、道路通达度、沟渠影响度、耕作距离和农贸市场影响度。
进一步的,为了合理说明各不同指标的影响程度,利用层次分析法确定各指标的权重。采用极差归一化方法对所述判定指标因素进行归一化处理,因为指标因素的指标趋向有正向和负向之分;
进一步的,对最终的综合指标处理结果在ARCGIS软件中利用自然间断点分级法进行处理,从而直观显现出各个地方的综合指标因素。在综合指标处理结果中识别出高标准农田。
进一步的,结合实地调研,利用网格法在高标准农田建设基地选取样本,对多个高标准农田样本点指标计算,筛选适宜阈值,评判农田是否属于高标准农田,完成高标准农田识别。
由上述技术方案可知,本发明提供一种基于高分辨率遥感影像的高标准农田识别方法,建立评价高标准农田的指标因素,通过判定指标因素对耕地图斑数据进行数值计算,并通过归一化、权重分配后最终获得识别高标准农田的综合指标因素。实现了对高标准农田的快速识别,其识别结果准确、快速且可靠;实现了对高标准农田的有效监控。
附图说明
图1是本发明一个实施例中高标准农田识别方法步骤示意图。
图2是本发明一个实施例中分类方法步骤示意图。
图3是本发明一个实施例中指标因素构建流程示意图。
图4是本发明一个实施例中指标因素计算步骤示意图。
图5是本发明实施例中识别方法的具体展开流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实例用于说明本发明,但不用来限制本发明的范围。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1、图5所示,本发明提供了一种基于高分辨率遥感影像的高标准农田识别方法,具体步骤如下:
步骤1,确定研究区域,根据目标区域农作物的实际生长情况,选取研究区域两期遥感影像,分别为上半年一个时间段的高分一号多光谱影像,下半年一个时间段的WorldView多光谱影像。
步骤2,预处理所述遥感影像,包括:对所述高分一号多光谱影像和WorldView多光谱影像数据进行辐射定标、大气校正、几何校正、裁剪的预处理操作。
步骤3,建立合理的分类规则和分类体系,对预处理后的两期高分辨率遥感影像进行面向对象的分类,包括:对预处理后的所述高分一号多光谱影像和WorldView多光谱影像进行面向对象的多尺度分割和光谱差异性分割。分割参数需要多次试验进行确定,从而选择最优分割参数值。对于不同的对象采取不同的分类方法,主要是田快和线状地物的分类;采用规则分类和监督分类相结合的方法,同时结合农用地质量数据和利用现状数据,对高分辨率遥感影像进行分类。因为高分一号和WorldView多光谱影像分辨率不同,本发明选择按照高分一号多光谱影像的分辨率对两期分类结果进行叠加,最终可以分类出田快、道路、林带、大型田坎、沟渠等,形成分类结果矢量文件。
步骤4,选取指标因素,并且确定指标因素权重。(1)综合考虑自然质量、空间形态、设施条件和区位条件四方面因素对高标准农田的的影响,选择的指标因素有:农作物生产力、灌溉保证能力、规整度、紧致性、连片性、道路通达度、沟渠影响度、耕作距离和农贸市场影响度。其中农作物生产力、灌溉保证能力属于自然质量层面;规整度、紧致性、连片性属于空间形态层面;道路通达度、沟渠影响度属于设施条件层面;耕作距离和农贸市场影响度属于区位条件层面。(2)为了合理说明各不同指标的影响程度,利用层次分析法确定各指标的权重。
其中指标计算公式:
(1)农作物生产力,用作物的NDVI数值反应:
NIR代表近红外波段的反射率值;R代表红光波段的反射率值。
(2)灌溉保证能力:
式中,EIW(Effective Irrigation Water)为耕地实际的有效灌溉量,IWD(Irrigation Water Demand)为理想状态下的灌溉需水量,单位为mm。
(3)规整度,指田块形状与正方形的接近程度:
D表示田块周长;A表示田块面积。
(4)紧致性,指数用面积-周长比来度量:
D表示田块周长;A表示田块面积。
(5)连片性,反应地块的相连程度,可以反映出耕地统一耕作的便利程度:
首先利用缓冲区分析耕地的连片程度,求出阈值后,以空间阈值的二分之一为缓冲半径,对田块构建缓冲区,对于两个缓冲区相交的对应两块耕地认为是连片的;对于大型地物,如河流、林带等,影响耕地的连片性,如果他们从耕地中穿过,则认为耕地不连片
(6)道路通达度:
A表示研究区域面积,D表示某一宽度道路长度。
(7)沟渠影响度:
其中,Pi为第i个网格单元内沟渠或者田间道路的密度;Lij为第i个网格单元内第j条道路或者沟渠与网格单元i相交部分的长度;Sij为第i个网格单元内第j个耕地图斑与网格单元i相交部分的耕地面积;
(8)耕作距离:指耕地到所属居民点的距离,耕作距离越小对耕地的管理水平越高
L表示田块到居民点的距离;(X1,Y1)表示田块的横坐标和纵坐标。(X2,Y2)表示居民点的横坐标和纵坐标;
(9)农贸市场影响度:指农贸市场对耕地的影响程度,耕地到农贸市场距离越近,耕地的经济效益越高
Q为农贸市场影响度;Mi为乡镇规模指数;de为乡镇与农村居民点之间的实际距离;d为乡镇影响半径。
步骤5,归一化处理,因为指标因素对高标准农田的影响有正向影响和负向影响,也就是指标趋向有正向和负向之分,本发明采用极差归一化方法对所述指标因素进行归一化处理;
其中归一化计算公式:
当判定指标为正指标时,归一化计算公式为:
当判定指标为逆指标时,归一化计算公式为:
其中,Si为第i项判定指标的归一化值;ai为第i项判定指标的评价对象实际值;Ti为第i项判定指标的评价临界值;Ai为第i项指标的评价目标值;在实际中,通常采用各评价对象的平均值代替,也可以采用评价对象中该指标的最低水平的值来代替;Ai为第i项指标的评价目标值,若没有参考标准,则采用专家咨询方法确定目标值的最佳选择,或者采用各评价单元中该指标的最高水平的值来替代。
步骤6,用归一化后的指标因素处理分类结果矢量数据;结合各指标的权重,将归一化后的指标因素处理分类结果矢量数据的结果进行融合,形成最终的综合评价体系。
步骤7,对最终的综合指标处理结果在ARCGIS软件中利用自然断点分级法进行处理,从而直观显现出各个地方的综合指标因素。
步骤8,高标准农田识别,包括:指标因素(1)结合实地调研,利用网格法在高标准农田建设基地选取样本,对多个高标准农田样本点进行指标计算,筛选出适宜的阈值(2)根据选择的样本阈值,评判农田是否属于高标准农田,完成高标准农田识别。
图2是图1中步骤3的具体操作流程。201是构建的分类体系。在上面的具体实施方式中已经详细说明,在此不在赘述。
图3是图1中步骤4中选择指标因素的具体操作流程。在上面的具体实施方式中已经详细说明,在此不在赘述。
图4是图1中步骤5、6、7和8的具体操作流程。在上面的具体实施方式中已经详细说明,在此不在赘述。
图5是本发明实施例中识别方法的具体展开流程示意图。S1是图1中步骤2的具体操作流程。S2是图1中步骤3的具体操作流程。S3是图1中步骤4的具体操作流程。S4是图1中步骤5、6、7和8的具体操作流程。在上面的具体实施方式中已经详细说明,在此不在赘述。
有关高标准农田指标因素选择可参照《高标准农田建设通则(GBT30600-2014)》。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (3)
1.一种基于高分辨率遥感影像的高标准农田识别方法,其特征在于:所述识别方法包括以下步骤:
步骤1:确定研究区域,根据目标区域农作物的实际生长情况,选取研究区域两期遥感影像,分别为上半年一个时间段的高分一号多光谱影像,下半年一个时间段的WorldView多光谱影像;
步骤2:对两期高分辨率遥感影像数据进行辐射定标、大气校正、几何校正、裁剪的预处理操作;
步骤3:建立合理的分类规则和分类体系,对预处理后的两期高分辨率遥感影像进行面向对象的多尺度分割和光谱差异性分割;采用规则分类和监督分类相结合的方法,结合农用地质量数据、农用地利用现状数据和实地调研数据,对预处理后的两期高分辨率遥感影像进行面向对象的分类;
步骤4:对两期分类结果进行综合取舍并进行叠加,最终分类出田快、道路、林带、大型田坎、沟渠等地物,分类后形成分类结果矢量数据;
步骤5:参照高标准农田建设通则GBT30600-2014选取指标因素,并利用层次分析法对指标因素进行权重的分配,采用极差归一化方法对所述指标因素进行归一化处理;
步骤6:用归一化后的指标因素处理分类结果矢量数据;结合各指标的权重,将归一化后的指标因素处理分类结果矢量数据的结果进行融合,形成最终的综合评价体系;
步骤7:利用自然断点分级法,在综合指标处理结果中直观的显示各个地方的综合指标因素;
步骤8:结合实地调研,利用网格法在高标准农田建设基地选取样本,对多个高标准农田样本点进行指标计算,筛选适宜阈值,评判农田是否属于高标准农田,完成高标准农田识别。
2.根据权利要求1所述的基于高分辨率遥感影像的高标准农田识别方法,其特征在于,参照高标准农田建设通则GBT30600-2014选取指标因素,综合考虑自然质量、空间形态、设施条件和区位条件,选择的指标因素有:农作物生产力、灌溉保证能力、规整度、紧致性、连片性、道路通达度、沟渠影响度、耕作距离和农贸市场影响度。
3.根据权利要求2所述的基于高分辨率遥感影像的高标准农田识别方法,其特征在于,农作物生产力、规整度、耕作距离指标趋向为负向;灌溉保证能力、紧致性、连片性、道路通达度、沟渠影响度和农贸市场影响度指标趋向为正向,采用极差归一化方法对所述指标因素进行归一化处理,使处理后的各指标趋向一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710303960.9A CN107103305A (zh) | 2017-05-03 | 2017-05-03 | 基于高分辨率遥感影像的高标准农田识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710303960.9A CN107103305A (zh) | 2017-05-03 | 2017-05-03 | 基于高分辨率遥感影像的高标准农田识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107103305A true CN107103305A (zh) | 2017-08-29 |
Family
ID=59657974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710303960.9A Pending CN107103305A (zh) | 2017-05-03 | 2017-05-03 | 基于高分辨率遥感影像的高标准农田识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107103305A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN110162578A (zh) * | 2019-05-13 | 2019-08-23 | 李少帅 | 一种高标准农田建设空间形态识别方法及装置 |
CN111462320A (zh) * | 2020-03-20 | 2020-07-28 | 中国电建集团昆明勘测设计研究院有限公司 | 基于约束性Delaunay三角网的“两区”地块自动批量生成方法 |
CN113096114A (zh) * | 2021-04-28 | 2021-07-09 | 成都理工大学 | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 |
CN113111794A (zh) * | 2021-04-16 | 2021-07-13 | 成都理工大学 | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 |
CN113221789A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
CN113361899A (zh) * | 2021-06-01 | 2021-09-07 | 中煤航测遥感集团有限公司 | 农田规划处理方法、装置、电子设备及可读存储介质 |
CN113439649A (zh) * | 2021-07-26 | 2021-09-28 | 北京安赛博技术有限公司 | 一种土壤有效灌溉量识别和监测的方法和系统 |
CN116664663A (zh) * | 2023-07-21 | 2023-08-29 | 湖北泰跃卫星技术发展股份有限公司 | 计算农作物面积的方法、装置、计算机设备及存储介质 |
CN117056856A (zh) * | 2023-07-21 | 2023-11-14 | 广东省国土资源测绘院 | 一种融合多源自然资源监测变化图斑数据的方法与系统 |
CN111192315B (zh) * | 2018-11-14 | 2023-12-19 | 中国灌溉排水发展中心 | 一种基于多源信息的实际灌溉面积提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7605839B2 (en) * | 2003-02-20 | 2009-10-20 | Mark Seton Chapman | System for remotely recording landscape change |
CN106355334A (zh) * | 2016-08-30 | 2017-01-25 | 中国农业大学 | 农田建设区域判定方法 |
-
2017
- 2017-05-03 CN CN201710303960.9A patent/CN107103305A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7605839B2 (en) * | 2003-02-20 | 2009-10-20 | Mark Seton Chapman | System for remotely recording landscape change |
CN106355334A (zh) * | 2016-08-30 | 2017-01-25 | 中国农业大学 | 农田建设区域判定方法 |
Non-Patent Citations (1)
Title |
---|
郭杨亮: "《多波段遥感图像在土地利用中的应用研究》", 30 December 2013 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108955620B (zh) * | 2018-02-13 | 2019-08-16 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
CN108955620A (zh) * | 2018-02-13 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 一种农田灌区面积遥感提取的方法及系统 |
CN111192315B (zh) * | 2018-11-14 | 2023-12-19 | 中国灌溉排水发展中心 | 一种基于多源信息的实际灌溉面积提取方法 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN109635731B (zh) * | 2018-12-12 | 2021-04-20 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN110162578A (zh) * | 2019-05-13 | 2019-08-23 | 李少帅 | 一种高标准农田建设空间形态识别方法及装置 |
CN110162578B (zh) * | 2019-05-13 | 2021-08-17 | 李少帅 | 一种高标准农田建设空间形态识别方法及装置 |
CN111462320A (zh) * | 2020-03-20 | 2020-07-28 | 中国电建集团昆明勘测设计研究院有限公司 | 基于约束性Delaunay三角网的“两区”地块自动批量生成方法 |
CN113111794A (zh) * | 2021-04-16 | 2021-07-13 | 成都理工大学 | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 |
CN113096114A (zh) * | 2021-04-28 | 2021-07-09 | 成都理工大学 | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 |
CN113221789A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块灌溉设施识别方法及装置 |
CN113361899A (zh) * | 2021-06-01 | 2021-09-07 | 中煤航测遥感集团有限公司 | 农田规划处理方法、装置、电子设备及可读存储介质 |
CN113439649A (zh) * | 2021-07-26 | 2021-09-28 | 北京安赛博技术有限公司 | 一种土壤有效灌溉量识别和监测的方法和系统 |
CN116664663A (zh) * | 2023-07-21 | 2023-08-29 | 湖北泰跃卫星技术发展股份有限公司 | 计算农作物面积的方法、装置、计算机设备及存储介质 |
CN116664663B (zh) * | 2023-07-21 | 2023-10-20 | 湖北泰跃卫星技术发展股份有限公司 | 计算农作物面积的方法、装置、计算机设备及存储介质 |
CN117056856A (zh) * | 2023-07-21 | 2023-11-14 | 广东省国土资源测绘院 | 一种融合多源自然资源监测变化图斑数据的方法与系统 |
CN117056856B (zh) * | 2023-07-21 | 2024-04-05 | 广东省国土资源测绘院 | 一种融合多源自然资源监测变化图斑数据的方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103305A (zh) | 基于高分辨率遥感影像的高标准农田识别方法 | |
CN103034910B (zh) | 基于多源信息的区域尺度病虫害预测方法 | |
Azar et al. | Assessing in-season crop classification performance using satellite data: A test case in Northern Italy | |
CN108985260A (zh) | 一种遥感及气象一体化水稻估产方法 | |
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 | |
Vibhute et al. | Analysis and modeling of agricultural land use using remote sensing and geographic information system: a review | |
CN104089647B (zh) | 一种作物病害发生范围监测方法及系统 | |
CN107330413B (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
CN105389559A (zh) | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 | |
CN105740759A (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN105678281A (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN110414738A (zh) | 一种农作物产量预测方法及系统 | |
CN108875002A (zh) | 一种基于遥感与gis的荒漠生态系统红色名录评估方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
Yang et al. | Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage | |
Wei et al. | A new drought index and its application based on geographically weighted regression (GWR) model and multi-source remote sensing data | |
Parida et al. | Crop types discrimination and yield prediction using sentinel-2 data and AquaCrop model in hazaribagh district, Jharkhand | |
CN105678280A (zh) | 基于纹理特征的地膜覆盖农田遥感监测方法 | |
CN112613648A (zh) | 一种训练旱情监测模型的方法、旱情监测方法及设备 | |
Ormeci et al. | Identification of crop areas Using SPOT–5 data | |
Shifaw et al. | Spatiotemporal analysis of vegetation cover (1984–2017) and modelling of its change drivers, the case of Pingtan Island, China | |
Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
CN115049920A (zh) | 基于gee结合生育期属性和面向对象的大区域作物提取方法 | |
Chen et al. | Water requirement for irrigation of complicated agricultural land by using classified airborne digital sensor images | |
Ri et al. | Health assessment of natural larch forest in arxan guided by forestry remote sensing integrated with canopy feature analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170829 |
|
RJ01 | Rejection of invention patent application after publication |