CN107330413A - 一种基于遥感技术的毒品原植物识别方法 - Google Patents
一种基于遥感技术的毒品原植物识别方法 Download PDFInfo
- Publication number
- CN107330413A CN107330413A CN201710547419.2A CN201710547419A CN107330413A CN 107330413 A CN107330413 A CN 107330413A CN 201710547419 A CN201710547419 A CN 201710547419A CN 107330413 A CN107330413 A CN 107330413A
- Authority
- CN
- China
- Prior art keywords
- mother drug
- drug plants
- factor
- remote sensing
- mother
- 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种基于遥感技术的毒品原植物识别方法,用于通过遥感技术的分析识别出非法种植毒品原植物地块,提高毒品原植物的筛查效率。本发明提供一种基于遥感技术的毒品原植物识别方法,包括:根据适合毒品原植物生长的环境因子从地理环境区域中筛选出重点高风险种植区;根据所述重点高风险种植区从遥感数据中裁剪出重点高风险区遥感影像数据;根据毒品原植物光谱库中保存的毒品原植物光谱信息,使用面向对象分类方法从所述重点高风险区遥感影像数据中识别出非法种植毒品原植物地块;并使用混淆矩阵对所识别出的非法种植毒品原植物地块进行精度检验,并输出符合精度要求的非法种植毒品原植物地块信息。
Description
技术领域
本发明涉及遥感技术领域,具体涉及一种基于遥感技术的毒品原植物识别方法。
背景技术
毒品问题已经成为全球性的问题,毒品不但损害着人的神经系统、危及人类的身心健康,而且也会直接诱发各类恶性犯罪、引起严重的社会问题,毒品问题已经成为威胁众多国家和平与安全的大问题。毒品泛滥的问题根源于国际社会以及相关国家对毒品原植物的非法种植情况失于管理和控制。因此治理毒品问题造成的危害重点在于从源头上禁止非法毒品原植物的种植,减少制造毒品的原料。
非法种植毒品原植物大多分布于人迹罕至的山区、密林和丘陵地区,种植的地块分散而且面积较小,具有较强的隐蔽性,使得发现和铲除毒品原植物难度极大。现有技术中在毒品原植物禁种和铲除工作中一般通过人工调查和群众举报等方式,例如工作人员乘坐直升机进行巡查,由于距离较远,无法识别出毒品原植物。人力物力投入较大,但是效率低下,且易于漏掉目标,铲除率低。
发明内容
本发明的目的在于提供一种基于遥感技术的毒品原植物识别方法,用于通过遥感数据的分析识别出非法种植毒品原植物地块,提高毒品原植物的筛查效率。
为了达到上述目的,本发明采用这样的如下技术方案:
本发明提供一种基于遥感技术的毒品原植物识别方法,包括:
根据适合毒品原植物生长的环境因子从地理环境区域中筛选出重点高风险种植区;
根据所述重点高风险种植区从遥感数据中裁剪出重点高风险区遥感影像数据;
根据毒品原植物光谱库中保存的毒品原植物光谱信息,使用面向对象分类方法从所述重点高风险区遥感影像数据中识别出非法种植毒品原植物地块;
使用混淆矩阵对所识别出的非法种植毒品原植物地块进行精度检验,并输出符合精度要求的非法种植毒品原植物地块信息。
采用上述技术方案后,本发明提供的技术方案将有如下优点:
本发明实施例中,首先确定重点高风险种植区,构建毒品原植物光谱特征库,选择遥感数据作为数据源,使用面向对象分类方法对重点高风险区遥感影像数据进行分类可以识别出非法种植毒品原植物地块,最终通过精度检验的方式确定出符合精度要求的非法种植毒品原植物地块。该方法可以有效的扩大禁种监测范围,只需要采集相应地区的遥感数据作为数据源即可,通过对重点高风险区遥感影像数据的分类识别就可以筛查出非法种植毒品原植物地块,因此可以有效的提高监测效率和监测的准确性,有力的打击非法毒品原植物种植行为,降低一线禁毒部门的劳动强度,节省人力物力,为国家禁毒主管部门提供准确、及时的一手毒品原植物种植信息,提高了毒品原植物的筛查效率。
附图说明
图1为本发明实施例提供一种基于遥感技术的毒品原植物识别方法的流程方框示意图;
图2为本发明实施例提供的毒品原植物种植地的检测流程示意图;
图3为本发明实施例提供的罂粟光谱曲线示意图;
图4为本发明实施例提供的面向对象分类方法的流程示意图。
具体实施方式
本发明实施例提供了一种基于遥感技术的毒品原植物识别方法,用于通过遥感数据的分析识别出非法种植毒品原植物地块,提高毒品原植物的筛查效率。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域的技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
以下分别进行详细说明。
本发明基于遥感技术的毒品原植物识别方法的一个实施例,可应用于对罂粟、大麻等毒品原植物的种植地块检测,请参阅图1至图4所示,本发明提供的基于遥感技术的毒品原植物识别方法,可以包括如下步骤:
101、根据适合毒品原植物生长的环境因子从地理环境区域中筛选出重点高风险种植区。
在本发明实施例中,毒品原植物例如罂粟和大麻的生成环境是由特殊要求的,比如对于温度、湿度、海拔高度等环境都有具体的要求。通过实验研究可以确定出适合毒品原植物生长的环境因子,使用这种环境因子来筛选地理环境区域,从中筛选出一些重点高风险种植区。另外重点高风险种植区的确定也可以使用历史禁毒数据作为参考来确定出重点风险种植区,从而提高数据筛选效率。
在本发明的一些实施例中,步骤101根据适合毒品原植物生长的环境因子从地理环境区域中筛选出重点高风险种植区,包括:
A1、根据毒品原植物生长所需条件确定四个一级指标因子以及每个一级指标因子对应的二级指标因子,四个一级指标因子包括:地形因子、土壤因子、气候因子和种植区域因子,地形因子对应的二级指标因子包括:坡度因子、坡向因子和海拔因子,土壤因子对应的二级指标因子包括:土壤质地因子和土壤厚度因子,气候因子包括:温度因子,种植区域因子包括:适宜种植区域因子和区域可达性因子;
A2、根据四个一级指标因子对应的平均权重,以及每个二级指标因子对应的分值对地理环境区域中所有地块进行打分,将打分结果超过高风险阈值的地块确定为重点高风险种植区。
其中,本发明实施例中采用两级指标因子的评判机制,对于每个一级指标因子可以设置平均权重,对于每个二级指标因子可以根据具体应用场景来设置每个二级指标因子的具体取值。优选的,在本发明的一些实施例中,坡度因子对应的分值为8,坡向因子对应的分值为8,海拔因子对应的分值为9,土壤质地因子对应的分值为10,土壤厚度因子对应的分值为15,温度因子对应的分值为25,适宜种植区域因子对应的分值为15,区域可达性因子对应的分值为10。通过实际场景的连续多次测算,可以确定基于上述场景下设置的二级指标因子的具体分值,可以取得更准确的重点风险种植区的评价结果,接下来进行详细的举例说明。
如图2所示,首先对图2中重点高风险种植区的确定过程进行举例说明。毒品原植物有多种,例如罂粟、麻黄草和大麻等等,能用于制造毒品的植物都属于毒品原植物,不同的毒品原植物光谱肯定会有差异,接下来以罂粟原植物的检测过程为例,非法罂粟种植也是一种生产性活动,因此也要一些环境因素的制约,主要包括:地形因子、土壤因子、气候因子和种植区域因子等。地形因子主要包括坡度、坡向和海拔高度,土壤因子主要是土壤质地和土壤厚度;气候因子主要是气温。
举例说明,非法罂粟种植的坡度一般在60度以内,这个阈值是土壤的休止角,超过这个阈值基本上罂粟就无法种植,而且此类地区遇到降水易发生滑坡、泥石流等地质灾害,不适合种植。重点高风险种植区的确定是通过如下表1中多个因子打分确定的,而坡度60度以内只是多个因子中的其中一种指标因子。罂粟一般种植在阴坡地带,这些地区水分保持的较好,适宜生长。依据全国各地发现的非法罂粟种植情况,不同地区种植情况可达的上限情况不同,因此应该因地制宜,具体地区依据具体情况进行分析,以我国的甘肃南部为例,最高海拔上限可达3100米。依据罂粟根部发育的需求,非法种植地块土层厚度不能低于10-15厘米,土壤质地以褐土、棕壤、栗钙土为主。罂粟对温度条件要求比较严格,只有达到一定的温度才能发芽开花结果,因此气温过低或过高的地区都不适合毒品原植物的生长。
接下来对温度因子进行举例说明,罂粟种子萌发的最适温域为12~
18℃,而罂粟最适合在15-25摄氏度的温度下生长。罂粟不喜欢多雨水,但喜欢湿润的地方,土壤的干湿状况与地形、土质的相关性较大。种植区域因子主要包有:城镇不透水层、耕地、水体、道路、沼泽等区域等不具备罂粟种植的条件,可以通过土地利用、交通等数据予以排除。通过对发现的非法种植地块进行统计分析,一般罂粟地块距离村庄和公路大概1-5公里,距离小路(例如30cm宽)大概100-200米处,这是因为太远的话,非法种植者当天出发不能到达,太近的话容易被发现和举报。
请参阅表1所示,是重点高风险种植区评估指标体系表,该表是经过多年研究实践而获得的评分标准。
其中,城市不透水层、耕地、水体、沼泽等易被发现或不适合种植罂粟的地方,打分就比较低,而剩下的其他土地利用类型就属于适宜种植地区,打分会较高。
需要说明的是,上述各个二级指标因子的取值是根据具体场景进行调整后所确定下来的可取分值,因可以取得最佳的重点高风险种植区的评估结果。
在实际的监测识别过程中,综合考虑上述四种一级指标因子,建立非法罂粟种植重点高风险种植区评估指标(如前述的表1),对每项指标通过专家打分评估的方法确定分值,区域里的分值越高,种植罂粟的可能性就越大。实际操作过程中以50分作为阈值,大于50分的区域就可以确定为重点高风险种植区。重点高风险种植区的筛选不仅参考遥感影像,还可以参考该地区多年的毒情、已经发现非法种植情况以及专家的经验等作出判断,对每个二级指标因子给出一个分值,四个一级指标因子是等权重的,每个二级因子需要单独打分才能综合出一级指标因子的分数,最终确定重点高风险种植区时需要综合上述四个一级指标因子来确定最终筛选结果。
102、根据重点高风险种植区从遥感数据中裁剪出重点高风险区遥感影像数据。
在本发明实施例中,使用遥感技术可以通过卫星平台上搭载的传感器获得到遥感数据,遥感数据是记录地物电磁波大小的遥感影像,遥感数据也可以称为遥感影像,是计算机可以识别处理的数字图像,使用重点高风险种植区从遥感数据中裁剪出重点高风险区遥感影像数据,从而完成遥感数据的初步筛选,为进一步确定毒品原植物提供基础数据。
在本发明的一些实施例中,步骤102根据重点高风险种植区从遥感数据中裁剪出重点高风险区遥感影像数据之前,本发明实施例提供的方法还包括:
B1、使用有理函数多项式系数(Rational Polynomial Coefficients,RPC)模型对遥感数据进行几何校正,得到完成几何校正后的遥感数据;
B2、使用FLAASH模型对完成几何校正后的遥感数据进行辐射校正,然后输出完成辐射校正后的遥感数据。
其中,在对遥感数据进行裁剪之前,还可以进行数据预处理。需要说明的是,步骤B1和步骤B2中数据预处理与前述实施例中的步骤101重点高风险种植区可以是同时进行的,通过确定风险区后再对预处理后的遥感数据进行裁剪,得出属于重点高风险种植区的遥感数据。遥感数据是通过卫星平台上搭载的传感器获得,遥感成像时由于各种因素的影响,使得遥感数据会存在一定的几何畸变、大气消光、辐射量失真等现象,这些畸变和失真现象影响了遥感数据的质量,因此必须对其进行消除,举例说明如下:
首先需要对遥感数据进行几何校正,由于遥感平台运动状况变化、地形起伏、地球表面曲率的影响等,遥感影像出现了变形,因此需要对遥感影像进行几何纠正,使得影像与标准影像或者地表实际情况相一致,一般采用RPC模型有理函数模型对遥感影像进行几何校正。RPC模型是通用传感器模型之一,可以用来模拟或替代严格成像模型,应用于影像的几何校正和正射纠正过程中,正射纠正是一种高精度的几何校正。其中,严格成像模型精度高,但是解算复杂,需要姿态信息等数据,而且某些传感器的核心信息和卫星轨道参数并未公开,而RPC模型不需要姿态等信息数据,而且精度也可以满足要求。
具体的,请参阅如下的公式(1)所示,
其中,式中(X,Y,Z)是地面点的大地坐标,(r,c)是地面点对应在遥感影像上的像点坐标,pi(X,Y,Z)(i=1,2,3,4)为多项式,pi(X,Y,Z)是地面点的大地坐标,X、Y是大地坐标中的横坐标和纵坐标,Z是高程参数,如公式(1)所示,P1、P2、P3、P4分别是式中的分子和分母,最高不超过3次,形式如下公式(2)所示:
其中,系数ai(i=0,1,2,......,19)统称为有理多项式函数系数。类似的p2,p3,p4的系数可用bi,ci,di(i=0,1,2,......,19)表示。多项式系数ai,bi,ci,di(i=0,1,2,......,19)可由遥感影像提供的RPC文件获取。
接下来对辐射校正进行举例说明,由于传感器本身、大气、太阳高度角、地形等因素造成遥感影像辐射失真的问题,因此需要进行辐射校正,才能对遥感影像进行进一步的处理。一般采用FLAASH模型对遥感影像进行辐射校正,FLAASH模型是基于MODTRAN5辐射传输模型,MODTRAN模型是由进行大气校正算法研究的领先者Spectral Sciences,Inc和美国空军实验室(Air Force Research Laboratory)共同研发。该模型集成与ENVI软件中,适合ALOS,GEOEYE,IKONOS,Pleiades,QuickBird,RapidEye,SPOT,Worldview等数据。
103、根据毒品原植物光谱库中保存的毒品原植物光谱信息,使用面向对象分类方法从重点高风险区遥感影像数据中识别出非法种植毒品原植物地块信息。
在本发明实施例中,首先进行毒品原植物光谱库的构建,通过对毒品原植物罂粟的光谱地面观测实验,来构建毒品原植物罂粟的光谱库。遥感影像处理中进行的辐射校正可以减少地面观察和遥感数据分析之间的误差。小麦和罂粟物候相同,因此比较有对比性。植被的光谱走势都是大致相同的,但是不同波段上的反射率又有差异,不同的毒品原植物光谱会有差异,如图3所示,接下来仍以罂粟为例,罂粟在某地区每年的播种日期为三月下旬,主要分为两个品种:100号和101号。在选定的实验区随机分布样本点,并利用ASD光谱仪对两个品种以及周边的啤酒大麦、小麦等进行光谱测量,得到毒品原植物罂粟的光谱曲线图。总体上,毒品原植物罂粟的光谱反射率要高于其他作物,尤其是在1250nm和1700nm处,毒品原植物罂粟的光谱特征与其他农作物的光谱特征差异最大。这些光谱的差异特征可以作为毒品原植物罂粟的识别依据,因此通过构建毒品原植物光谱库,从而可以有效监测非法种植毒品原植物。
在本发明的一些实施例中,步骤103根据毒品原植物光谱库中保存的毒品原植物光谱信息,使用面向对象分类方法从重点高风险区遥感影像数据中识别出非法种植毒品原植物地块,包括:
C1、依据影像对象的异质性最小和尺度最优的双重原则,将重点高风险区遥感影像数据分割为最优尺度的影像对象;
C2、根据毒品原植物光谱信息为分割出的影像对象构建出毒品原植物识别特征,毒品原植物识别特征包括:影像对象的光谱特征、几何特征和多时相特征;
C3、通过毒品原植物识别特征对分割出的影像对象进行分类识别,从而得到非法种植毒品原植物地块。
其中,步骤C1中使用遥感影像分析进行影像对象的分割,先将影像按照光谱分布和局部图案的几何参数划分为类别相对单一的块,称为影像对象(Image Object),然后以影像对象为基本分析单元。步骤C2中使用毒品原植物光谱信息获取影像对象的光谱特征、几何形状特征以及多时相特征等,其中,多时相特征是指毒品原植物在不同生长阶段的特征。最后通过考察影像对象的光谱特征、几何特征和多时相特征决定其类别归属,最后确定是否归入到非法种植毒品原植物地块中。
进一步的,在本发明的一些实施例中,步骤C1依据影像对象的异质性最小和尺度最优的双重原则,将重点高风险区遥感影像数据分割为最优尺度的影像对象,包括:
C11、对重点高风险区遥感影像数据进行第一次合并,得到影像对象;
C12、通过如下方式计算影像对象的对象异质性:
f=wcolorhcolor+(1-wcolor)hshape,
式中,f表示对象异质性,wcolor表示光谱异质性的权重,hcolor表示光谱异质性,hshape表示形状异质性,1-wcolor表示形状异质性的权重;
C3、当影像对象的对象异质性小于预置的尺度阈值时,对影像对象继续进行合并,并对合并后的影像对象重新计算对象异质性,直至最终的对象异质性大于或等于尺度阈值时,输出最优尺度的影像对象。
其中,步骤C1中重点高风险区遥感影像数据包含有很多个像元,对重点高风险区遥感影像数据进行第一次合并,具体可以是对多个像元的第一次合并,从而可以得到影像对象。
在本申请的一些实施例中,步骤C12中的hcolor通过如下方式计算:
其中,wi是第i波段的光谱权重,σi是第i波段光谱值的标准差,
hshape通过如下方式计算:
hshape=wcompactnesshcompactness+(1-wcompactness)hsmooth,
其中,wcompactness为紧致度权重,hcompactness为紧致度参数,1-wcompactness为光滑度权重,hsmooth为光滑度参数,hcompactness通过如下方式计算:hsmooth通过如下方式计算:hsmooth=E/L,E表示影像对象轮廓边界的长度,n表示影像对象包含的总像元数。
在本申请的一些实施例中,步骤C12根据毒品原植物光谱信息为分割出的影像对象构建出毒品原植物识别特征,毒品原植物识别特征包括:影像对象的光谱特征、几何特征和多时相特征,包括:
C121、根据毒品原植物的最大差异波长从毒品原植物光谱信息中构造出毒品原植物的光谱特征,最大差异波长包括:1250纳米(nm)和1700nm;
C122、根据毒品原植物在不同的种植区域设置相应的几何特征,若种植区域为缓坡地形则几何特征具体为正方形,若种植区域为陡坡地形则几何特征具体为长方形,若种植区域为山梁地形则几何特征具体为椭圆形,若种植区域为山顶地形则几何特征具体为圆形,若种植区域为山沟和山坳地形则几何特征具体为三角形或规则多边形;
C123、通过如下方式分别计算毒品原植物在不同的生长期对应的归一化差值植被指数NDVI:
其中,NIR是影像对象在近红外波段上的反射率值,RED是影像对象在红光波段上的反射率值;
C124、通过如下方式计算毒品原植物的NDVI差异指数:
其中,NDVId表示毒品原植物的NDVI差异指数,NDVIm是毒品原植物在成熟期对应的NDVI,NDVIs是毒品原植物在播种期对应的NDVI;
C125、将毒品原植物的NDVI差异指数确定为所述毒品原植物的多时相特征。
其中,NIR是遥感影像上在近红外波段上的反射率值,RED是遥感影像上在红光波段上的反射率值。NDVIm是毒品原植物成熟期(mature period)中遥感影像上获取的NDVI值,NDVIs是毒品原植物播种期(sowing period)中遥感影像上获取的NDVI值,NDVId是两期数据NDVI的差值构建的NDVI差异指数。因为播种期的非法种植毒品原植物地块块的NDVI值较小,而成熟期的NDVI值较大,而其他地物在整个生长期的NDVI指数变化不大,因此可以通过设定阈值进一步优化初步识别出来的非法种植的毒品原植物罂粟地块。通过光谱特征,几何特征和多时相特征构建规则集,最终输出识别出的非法种植毒品原植物地块。
接下来对毒品原植物识别特征的构建过程进行举例说明,本发明实施例采用面向对象的分类方法进行非法种植毒品原植物地块的识别,该方法采用多尺度的图像分割技术,适合不同大小种植地块的提取,以对象为识别单元,即多个像元经过合并形成影像对象(后续举例中简称为对象),依据构建的不同的识别特征构建规则集,其中,这里的识别特征是指影像上的对象的光谱特征、几何特征和多时相特征,规则集作为识别特征是用来对对象进行分类,识别出罂粟地块。本发明实施例中,对一景影像构建的规则集可以用于别的影像,可重复性强,利于随时加入构建的新的识别特征。不同区域种植的罂粟特征会有差异,要因地制宜,依据这些差异扩充识别特征。
如图4所示,为面向对象分类方法流程图。面向对象分类方法首先是分割,依据影像对象的异质性最小和尺度最优的双重原则,异质性包括:光谱异质性和形状异质性,光谱异质性是指遥感影像上对象在不同波段的反射率的差异,形状异质性是指遥感影像上像元合并后形成对象的形状的差异,尺度是对象的尺度,尺度大,对象就大,包含更多的像元,反之亦然。利用Ecognition软件,或者其他的软件进行面向对象分类,如envi、erdas等,将遥感影像在较小的尺度上(s=25)分割,然后在第一次分割的基础上进行合并,最终确定最优分割尺度。举例说明,将第1次合并后得到的异质性最小为f1,第1次进行基于像元的合并,然后判断f1是否小于s。若是,基于第1词合并生成的对象进行合并,异质性最小为f2。然后判断f2是否小于s,若是,继续进行判断,直至得到异质性最小为fn-1仍小于s,基于第n-1次合并生成的对象进行第n次合并,异质性最小为fn,判断fn大于或等于s时,确定出分割结果,基于该分割结果进行识别特征的构建。
接下来对毒品原植物识别特征的构建过程进行举例说明,进行毒品原植物罂粟的识别分类,这些特征主要包括:光谱特征,几何特征和多时相特征。光谱特征主要是考虑到毒品原植物罂粟与其他植被的最大差异波段(例如1250nm和1700nm),通过毒品原植物光谱库中的数据与遥感影像分割后的对象的光谱数据进行对比分析,通过相似性的大小设定阈值初步识别出毒品原植物地块信息。因为受到土壤、气象等因素的影像,有时候会造成毒品原植物光谱具有其它地面目标相接近的现象,遥感中成为“异物同谱”,因此需要通过另外构建识别分类特征对初步提取的结果进行优化,因为非法毒品原植物均需要人为种植,人为因素一般造成此类地块相对规则,因此这几何特征可以作为识别非法种植毒品原植物地块的依据。非法种植毒品原植物地块在缓坡地区,一般呈现正方形;陡坡上一般沿着等高线呈长方形;山梁上一般呈椭圆形;山顶上一般呈圆形;山沟山坳中一般为三角形或规则多边形,遥感影像是二维平面信息,而滑坡等地貌是三维的,需要加入数字高程模型才能识别,属于地形信息,陡坡可以有坡度坡向信息获得。毒品原植物罂粟在时间上表现出明显的变异特征。其中,变异特征是指植物在不同生长阶段的光谱变化,从落种到成熟,光谱在近红外波段的差异巨大,因此可以利用生长季的遥感数据构建NDVI差异指数作为非法毒品原植物识别的一个特征。经过毒品原植物成熟期与毒品原植物播种期中遥感影像上获取的NDVI值,可以计算出两期数据NDVI的差值构建出毒品原植物的NDVI差异指数。因为播种期的非法种植毒品原植物地块块的NDVI值较小,而成熟期的NDVI值较大,而其他地物在整个生长期的NDVI指数变化不大,因此可以通过设定阈值进一步优化初步识别出来的非法种植的毒品原植物罂粟地块。通过光谱特征,几何特征和多时相特征构建规则集,最终输出识别出的非法毒品原植物罂粟地块。NDVI只是一个计算公式,植被可以算出值来,地块也可以算出来,其他的地物都可以算出来。罂粟地块从开地到成熟NDVI值变化非常大,因此构建了NDVI差异指数可作为毒品原植物识别特征中的多时相特征。
104、使用混淆矩阵对所识别出的非法种植毒品原植物地块进行精度检验,并输出符合精度要求的非法种植毒品原植物地块信息。
在本发明的一些实施例中,为了对前述的分类结果进行精度评价,采用分层采样的方法,即对不同的类别进行随机采样。对选定的实验区分成两种类型进行采样:罂粟区和非罂粟区。通过对实验区进行野外踏查,采集罂粟区样本点100个,非罂粟区样本点100个,通过该方法进行分类后构建混淆矩阵,其中,混淆矩阵是用来表示精度评价的一种标准格式。混淆矩阵是n行n列的矩阵,其中n代表类别的数量,矩阵的主对角元素为被分到正确类别的样本数,对角线以外的元素为遥感分类相对于实际情况的错误分类数。最终可以确定该方法分类的总体精度可以达到91.5%,Kappa系数为0.83。Kappa系数是一种定量评价遥感分类图与参考数据之间一致性或精度的方法,它采用离散的多元方法,更加客观地评价分类质量。
举例说明,如下表2所示,为精度评价的混淆矩阵。
其中,总体精度是具有概率意义的一个统计量,表述的是对每一个随机样本,所分类的结果与参考数据所对应区域的实际类型相一致的概率。用户精度表示从分类结果中任取一个随机样本,其所具有的类型与地面实际类型相同的条件概率。生产者精度表示相对于参考数据中的任意一个随机样本,分类图上同一地点的分类结果与其相一致的条件概率。
本发明实施例中,基于遥感识别发现非法种植的毒品原植物,通过重点高风险种植区的确定、数据预处理、构建毒品原植物光谱库、构建毒品原植物识别特征、识别分类等最终形成了完整的一套非法种植毒品原植物遥感识别技术流程,适用于复杂地表环境下的非法种植毒品原植物识别。采用遥感技术,有效的提高了监测非法种植毒品原植物工作的准确性和效率,同时降低了一线禁毒部门的工作强度,节约了大量人力物力,同时也可以为国家禁毒主管部门提供准确、及时的一手毒品原植物种植信息,有利于相关部门进一步的分析决策。
由前述对本发明实施例的举例说明可知,首先利用适合罂粟生长的环境因子(地形因子、土壤因子和气候因子等)对传统的高风险种植区进行筛选,环境因子权重平均分布,例如四种一级指标共有4种因子,总权重为100分,每种因子的权重为25分,各因子可以继续细分,分值情况如表1中所列出,筛选出重点高风险种植区后,对于处理后的该区域多时相遥感数据进行裁剪,专家打分后,低于50分的区域种植毒品原植物可能性非常低,因此无需对该部分区域遥感数据进行识别分析,裁剪就是对低于50分的区域的遥感影像进行去除不显示,可以通过envi、arcgis等软件对该地区的遥感影像赋值为0即可。依据毒品原植物光谱库,通过地面光谱仪在毒品原植物不同生长期实验采集得到的2光谱库包含的是毒品原植物在不同生长期在不同波段光谱上的反射率值,反射率取值范围为0-1,根据毒品原植物光谱库构建毒品原植物识别特征,通过构建出的识别特征进行初步识别,最后对识别结果进行精度检验,对于不符合精度要求的结果进行优化,例如裁剪后的区域中没有毒品原植物,本发明实施例也会判定该区域没有毒品原植物。只有通过该方法发现了毒品原植物,通过实地的核查验证才能对该方法进行精度检验,优化的方法是通过多种识别特征的相互组合或者重新构建,直至精度检验符合实际要求,输出最终识别结果。
通过前述实施例对本发明的举例说明可知,首先确定重点高风险种植区,构建毒品原植物光谱特征库,选择遥感数据作为数据源,使用面向对象分类方法对重点高风险区遥感影像数据进行分类可以识别出非法种植毒品原植物地块,最终通过精度检验的方式确定出符合精度要求的非法种植毒品原植物地块。该方法可以有效的扩大禁种监测范围,有效的提高监测效率和监测的准确性,有力的打击非法毒品原植物种植行为,降低一线禁毒部门的劳动强度,节省人力物力,为国家禁毒主管部门提供准确、及时的一手毒品原植物种植信息,提高毒品原植物的筛查效率。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
综上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照上述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:其依然可以对上述各实施例所记载的技术方案进行修改,或者对其中部分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精神和范围。
Claims (8)
1.一种基于遥感技术的毒品原植物识别方法,其特征在于,包括:
根据适合毒品原植物生长的环境因子从地理环境区域中筛选出重点高风险种植区;
根据所述重点高风险种植区从遥感数据中裁剪出重点高风险区遥感影像数据;
根据毒品原植物光谱库中保存的毒品原植物光谱信息,使用面向对象分类方法从所述重点高风险区遥感影像数据中识别出非法种植毒品原植物地块;
使用混淆矩阵对所识别出的非法种植毒品原植物地块进行精度检验,并输出符合精度要求的非法种植毒品原植物地块信息。
2.根据权利要求1所述的方法,其特征在于,所述根据适合毒品原植物生长的环境因子从地理环境区域中筛选出重点高风险种植区,包括:
根据所述毒品原植物生长所需条件确定四个一级指标因子以及每个一级指标因子对应的二级指标因子,所述四个一级指标因子包括:地形因子、土壤因子、气候因子和种植区域因子,所述地形因子对应的二级指标因子包括:坡度因子、坡向因子和海拔因子,所述土壤因子对应的二级指标因子包括:土壤质地因子和土壤厚度因子,所述气候因子包括:温度因子,所述种植区域因子包括:适宜种植区域因子和区域可达性因子;
根据所述四个一级指标因子对应的平均权重,以及每个二级指标因子对应的分值对所述地理环境区域中所有地块进行打分,将打分结果超过高风险阈值的地块确定为所述重点高风险种植区。
3.根据权利要求2所述的方法,其特征在于,所述坡度因子对应的分值为8,所述坡向因子对应的分值为8,所述海拔因子对应的分值为9,所述土壤质地因子对应的分值为10,所述土壤厚度因子对应的分值为15,所述温度因子对应的分值为25,所述适宜种植区域因子对应的分值为15,所述区域可达性因子对应的分值为10。
4.根据权利要求1所述的方法,其特征在于,所述根据所述重点高风险种植区从遥感数据中裁剪出重点高风险区遥感影像数据之前,所述方法还包括:
使用有理函数多项式系数RPC模型对所述遥感数据进行几何校正,得到完成几何校正后的遥感数据;
使用FLAASH模型对所述完成几何校正后的遥感数据进行辐射校正,然后输出完成辐射校正后的遥感数据。
5.根据权利要求1所述的方法,其特征在于,所述根据毒品原植物光谱库中保存的毒品原植物光谱信息,使用面向对象分类方法从所述重点高风险区遥感影像数据中识别出非法种植毒品原植物地块,包括:
依据影像对象的异质性最小和尺度最优的双重原则,将所述重点高风险区遥感影像数据分割为最优尺度的影像对象;
根据所述毒品原植物光谱信息为分割出的所述影像对象构建出毒品原植物识别特征,所述毒品原植物识别特征包括:影像对象的光谱特征、几何特征和多时相特征;
通过所述毒品原植物识别特征对分割出的所述影像对象进行分类识别,从而得到所述非法种植毒品原植物地块。
6.根据权利要求5所述的方法,其特征在于,所述依据影像对象的异质性最小和尺度最优的双重原则,将所述重点高风险区遥感影像数据分割为最优尺度的影像对象,包括:
对所述重点高风险区遥感影像数据进行第一次合并,得到影像对象;
通过如下方式计算所述影像对象的对象异质性:
f=wcolorhcolor+(1-wcolor)hshape,
式中,f表示对象异质性,wcolor表示光谱异质性的权重,hcolor表示光谱异质性,hshape表示形状异质性,1-wcolor表示所述形状异质性的权重;
当所述影像对象的对象异质性小于预置的尺度阈值时,对所述影像对象继续进行合并,并对合并后的影像对象重新计算对象异质性,直至最终的对象异质性大于或等于所述尺度阈值时,输出最优尺度的影像对象。
7.根据权利要求6所述的方法,其特征在于,所述hcolor通过如下方式计算:
<mrow>
<msub>
<mi>h</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>l</mi>
<mi>o</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
其中,wi是第i波段的光谱权重,σi是第i波段光谱值的标准差,
所述hshape通过如下方式计算:
hshape=wcompactnesshcompactness+(1-wcompactness)hsmooth,
其中,wcompactness为紧致度权重,hcompactness为紧致度参数,1-wcompactness为光滑度权重,hsmooth为光滑度参数,所述hcompactness通过如下方式计算:所述hsmooth通过如下方式计算:hsmooth=E/L,E表示影像对象轮廓边界的长度,n表示影像对象包含的总像元数,L表示分割后影像对象的外接矩形总边长。
8.根据权利要求5所述的方法,其特征在于,所述根据所述毒品原植物光谱信息为分割出的所述影像对象构建出毒品原植物识别特征,所述毒品原植物识别特征包括:影像对象的光谱特征、几何特征和多时相特征,包括:
根据所述毒品原植物的最大差异波长从所述毒品原植物光谱信息中构造出所述毒品原植物的光谱特征,所述最大差异波长包括:1250nm和1700nm;
根据所述毒品原植物在不同的种植区域设置相应的几何特征,若所述种植区域为缓坡地形则所述几何特征具体为正方形,若所述种植区域为陡坡地形则所述几何特征具体为长方形,若所述种植区域为山梁地形则所述几何特征具体为椭圆形,若所述种植区域为山顶地形则所述几何特征具体为圆形,若所述种植区域为山沟和山坳地形则所述几何特征具体为三角形或规则多边形;
通过如下方式分别计算所述毒品原植物在不同的生长期对应的归一化差值植被指数NDVI:
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>V</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
<mo>-</mo>
<mi>R</mi>
<mi>E</mi>
<mi>D</mi>
</mrow>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
<mo>+</mo>
<mi>R</mi>
<mi>E</mi>
<mi>D</mi>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,NIR是影像对象在近红外波段上的反射率值,RED是影像对象在红光波段上的反射率值;
通过如下方式计算所述毒品原植物的NDVI差异指数:
<mrow>
<msub>
<mi>NDVI</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>NDVI</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>NDVI</mi>
<mi>s</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>NDVI</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<msub>
<mi>NDVI</mi>
<mi>s</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,NDVId表示所述毒品原植物的NDVI差异指数,NDVIm是所述毒品原植物在成熟期对应的NDVI,NDVIs是所述毒品原植物在播种期对应的NDVI;
将所述毒品原植物的NDVI差异指数确定为所述毒品原植物的多时相特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547419.2A CN107330413B (zh) | 2017-07-06 | 2017-07-06 | 一种基于遥感技术的毒品原植物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547419.2A CN107330413B (zh) | 2017-07-06 | 2017-07-06 | 一种基于遥感技术的毒品原植物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107330413A true CN107330413A (zh) | 2017-11-07 |
CN107330413B CN107330413B (zh) | 2018-11-13 |
Family
ID=60196338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710547419.2A Active CN107330413B (zh) | 2017-07-06 | 2017-07-06 | 一种基于遥感技术的毒品原植物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330413B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154138A (zh) * | 2018-01-19 | 2018-06-12 | 长春工程学院 | 一种在高分辨率遥感影像中自动识别东北红豆杉的方法 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN108629289A (zh) * | 2018-04-11 | 2018-10-09 | 千寻位置网络有限公司 | 农田的识别方法及系统、应用于农业的无人机 |
CN110197174A (zh) * | 2018-02-26 | 2019-09-03 | 刘风华 | 文物、字画和原产商品的数字化技术 |
CN110245694A (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分割的西北地区农膜信息分析方法 |
CN111950361A (zh) * | 2020-07-07 | 2020-11-17 | 内蒙古农业大学 | 一种基于单时序ndvi的甜菜识别方法 |
CN112232303A (zh) * | 2020-11-16 | 2021-01-15 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原道路信息提取方法 |
CN112240869A (zh) * | 2020-11-16 | 2021-01-19 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原地块信息提取方法 |
CN112820109A (zh) * | 2021-01-15 | 2021-05-18 | 林安齐 | 一种道路巡检安全预警方法及系统 |
CN116823576A (zh) * | 2023-06-30 | 2023-09-29 | 北京极嗅科技有限公司 | 一种毒品原植物适生区的评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178358A (zh) * | 2007-12-11 | 2008-05-14 | 首都师范大学 | 一种测定混合物中目标成分百分含量的方法 |
CN104458693A (zh) * | 2013-09-25 | 2015-03-25 | 同方威视技术股份有限公司 | 用于毒品检测的拉曼光谱测量方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN105403199A (zh) * | 2015-12-28 | 2016-03-16 | 北京观典航空科技股份有限公司 | 基于无人机的毒品原植物种植侦测方法及系统 |
CN105784672A (zh) * | 2016-04-12 | 2016-07-20 | 河北伊诺光学科技股份有限公司 | 一种基于双树复小波算法的毒品检测仪标准化方法 |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
-
2017
- 2017-07-06 CN CN201710547419.2A patent/CN107330413B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178358A (zh) * | 2007-12-11 | 2008-05-14 | 首都师范大学 | 一种测定混合物中目标成分百分含量的方法 |
CN104458693A (zh) * | 2013-09-25 | 2015-03-25 | 同方威视技术股份有限公司 | 用于毒品检测的拉曼光谱测量方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN105403199A (zh) * | 2015-12-28 | 2016-03-16 | 北京观典航空科技股份有限公司 | 基于无人机的毒品原植物种植侦测方法及系统 |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
CN105784672A (zh) * | 2016-04-12 | 2016-07-20 | 河北伊诺光学科技股份有限公司 | 一种基于双树复小波算法的毒品检测仪标准化方法 |
Non-Patent Citations (5)
Title |
---|
KUN JIA等: "Spectral Discrimination of Opium Poppy Using Field Spectrometry", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
田亦陈等: "Opium poppy monitoring with remote sensing in North Myanmar", 《INTERNATIONAL JOURNAL OF DRUG POLICY》 * |
贾坤等: "遥感影像分类方法研究进展", 《光谱学与光谱分析》 * |
闫利等: "利用规则进行高分辨率遥感影像地物提取", 《武汉大学学报.信息科学版》 * |
霍宏涛: "应用卫星遥感技术进行毒品原植物禁种监测的研究", 《公安大学学报(自然科学版)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154138B (zh) * | 2018-01-19 | 2018-11-06 | 长春工程学院 | 一种在高分辨率遥感影像中自动识别东北红豆杉的方法 |
CN108154138A (zh) * | 2018-01-19 | 2018-06-12 | 长春工程学院 | 一种在高分辨率遥感影像中自动识别东北红豆杉的方法 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN108256534B (zh) * | 2018-01-29 | 2019-03-15 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN110197174A (zh) * | 2018-02-26 | 2019-09-03 | 刘风华 | 文物、字画和原产商品的数字化技术 |
CN108629289B (zh) * | 2018-04-11 | 2021-07-30 | 千寻位置网络有限公司 | 农田的识别方法及系统、应用于农业的无人机 |
CN108629289A (zh) * | 2018-04-11 | 2018-10-09 | 千寻位置网络有限公司 | 农田的识别方法及系统、应用于农业的无人机 |
CN110245694A (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分割的西北地区农膜信息分析方法 |
CN111950361B (zh) * | 2020-07-07 | 2022-09-20 | 内蒙古农业大学 | 基于单时序ndvi的甜菜识别方法、系统、设备、介质及终端 |
CN111950361A (zh) * | 2020-07-07 | 2020-11-17 | 内蒙古农业大学 | 一种基于单时序ndvi的甜菜识别方法 |
CN112240869A (zh) * | 2020-11-16 | 2021-01-19 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原地块信息提取方法 |
CN112232303A (zh) * | 2020-11-16 | 2021-01-15 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原道路信息提取方法 |
CN112232303B (zh) * | 2020-11-16 | 2023-12-19 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原道路信息提取方法 |
CN112820109A (zh) * | 2021-01-15 | 2021-05-18 | 林安齐 | 一种道路巡检安全预警方法及系统 |
CN116823576A (zh) * | 2023-06-30 | 2023-09-29 | 北京极嗅科技有限公司 | 一种毒品原植物适生区的评估方法及系统 |
CN116823576B (zh) * | 2023-06-30 | 2023-12-26 | 北京极嗅科技有限公司 | 一种毒品原植物适生区的评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107330413B (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330413B (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
Ruelland et al. | Comparison of methods for LUCC monitoring over 50 years from aerial photographs and satellite images in a Sahelian catchment | |
CN103034910B (zh) | 基于多源信息的区域尺度病虫害预测方法 | |
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 | |
CN104089647B (zh) | 一种作物病害发生范围监测方法及系统 | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
Choudhary et al. | Random Forest for rice yield mapping and prediction using Sentinel-2 data with Google Earth Engine | |
CN114820532A (zh) | 一种蝗区分析方法及装置 | |
CN107194857A (zh) | 基于高分卫星遥感数据的可利用土地资源分析系统 | |
Kang et al. | Construction of multidimensional features to identify tea plantations using multisource remote sensing data: A case study of Hangzhou city, China | |
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 | |
Chu et al. | Mapping and forecasting of rice cropping systems in central China using multiple data sources and phenology-based time-series similarity measurement | |
Rimal et al. | Crop cycles and crop land classification in Nepal using MODIS NDVI | |
Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
Zhou et al. | Comparison modeling for alpine vegetation distribution in an arid area | |
CN115861793A (zh) | 一种基于最小累积阻力模型的区域生态安全格局构建方法 | |
Wang et al. | Estimating woody aboveground biomass in an area of agroforestry using airborne light detection and ranging and compact airborne spectrographic imager hyperspectral data: individual tree analysis incorporating tree species information | |
Wang et al. | Mapping Robinia pseudoacacia forest health in the Yellow River delta by using high-resolution IKONOS imagery and object-based image analysis | |
Liping et al. | Image classification based on the linear unmixing and GEOBIA | |
Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
Chandna et al. | Assessment of cropping intensity dynamics in Odisha using multitemporal Landsat TM and OLI images | |
CN116206197B (zh) | 一种面向耕地信息提取的地学分区方法 | |
Mustafa et al. | Mapping of degraded lands from multidate remotely sensed data using decision tree based classification (DTC) | |
Bao et al. | A fine digital soil mapping by integrating remote sensing-based process model and deep learning method in Northeast China | |
Luo et al. | Staple crop mapping with Chinese GaoFen-1 and GaoFen-6 satellite images: A case study in Yanshou County, Heilongjiang Province, China |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |