CN107480706A - 一种制种玉米田遥感识别方法及装置 - Google Patents
一种制种玉米田遥感识别方法及装置 Download PDFInfo
- Publication number
- CN107480706A CN107480706A CN201710607274.0A CN201710607274A CN107480706A CN 107480706 A CN107480706 A CN 107480706A CN 201710607274 A CN201710607274 A CN 201710607274A CN 107480706 A CN107480706 A CN 107480706A
- Authority
- CN
- China
- Prior art keywords
- seed production
- image
- corn field
- production corn
- remote sensing
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明提供一种制种玉米田遥感识别方法及装置,所述方法包括:S1,获取目标区域中玉米生育期内的多时相第一多光谱影像和制种玉米去除父本后的单时相第一全色波段影像,将所述第一多光谱影像与耕地数据进行套合,生成第二多光谱影像;S2,构建第二多光谱影像的植被指标体系,生成时序影像集;S3,根据时序影像集,使用预先构建好的随机森林分类器识别第一制种玉米田;S4,从所述第一全色波段影像中获取第一制种玉米田的纹理特征,从第一制种玉米田中识别出第二制种玉米田。本发明提高了制种玉米田的识别精度,不易出现过度拟合,且根据制种玉米田和大田玉米田的纹理特征的差异,进一步识别制种玉米田,进一步提高制种玉米田的识别精度。
Description
技术领域
本发明涉及遥感影像处理领域,更具体地,涉及一种制种玉米田遥感识别方法及装置。
背景技术
杂交制种是玉米、水稻等主要作物生产的重要环节,掌握主要农作物种子的制种面积与产量是平衡种子供需市场的基础。我国的作物制种区域相对集中,而且往往是以县级行政区域作为面积和产量等信息监测和统计的基本单位,同时由于作物制种本身的特殊意义,其对制种作物的空间分布、面积、生长趋势,特别是当发生干旱、暴雨、霜冻等灾难时,作物的受灾程度、受灾区域等信息的快速、准确获取意义重大,因此迫切需要一种能够快速有效获取制种作物的分布、面积与产量技术方法。
目前,我国制种环节存在私繁滥造现象,且获取制种作物的分布,种植面积与产量通常采用行业统计或抽样调查,然后进行层层上报,不仅效率低,速度慢,时效性差,还存在虚报假报现象。遥感技术可以实现全天候的、大范围的数据资料获取,并快速更新监测区数据。遥感技术有着快、准、定量监测等优势,非常适合应用于农业监测。因此,利用遥感技术,结合制种作物的种植方式、物候历特征,反映到遥感影像上的光谱、纹理结构、邻近关系等,以及时间序列及发展规律等影像物候信息,对制种作物进行长势监测和产量评估,是实现较小投入开展大范围制种地块信息快速、准确、客观监测,构建国家种子生产监测信息平台,增强市场监管和快速响应能力的前提。
现有的基于遥感影像的作物识别技术常用的分类器为决策树分类器,需要通过人工判断各个分裂点的阈值,具有较大误差,分类效果无法满足较高的实际需求。
发明内容
为克服上述现有技术中使用决策树分类器进行作物遥感识别时识别效果差的问题或者至少部分地解决上述问题,本发明提供了一种制种玉米田遥感识别方法及装置。
根据本发明的第一方面,提供一种制种玉米田遥感识别方法,包括:
S1,获取目标区域中玉米生育期内的多时相第一多光谱影像和制种玉米去除父本后的单时相第一全色波段影像,将所述第一多光谱影像与所述目标区域的耕地数据进行套合,生成所述目标区域中耕地的第二多光谱影像;
S2,构建所述第二多光谱影像的植被指标体系,生成所述植被指标体系的时序影像集;
S3,根据所述时序影像集,使用预先构建好的随机森林分类器识别所述第一多光谱影像中的第一制种玉米田;
S4,根据所述第一全色波段影像,获取所述第一制种玉米田的纹理特征,根据所述第一制种玉米田的纹理特征从所述第一制种玉米田中识别出第二制种玉米田。
具体地,所述步骤S2中构建所述第二多光谱影像的植被指标体系的步骤具体包括:
根据所述第二多光谱影像中各作物间的光谱差异,获取归一化差值植被指数、增强型植被指数、比值植被指数、绿色归一化差值植被指数、三角植被指数、差值植被指数、土壤调节植被指数和归一化差值水指数中的一种或多种。
具体地,所述步骤S3之前还包括:
S01,从获取的训练样本中有放回地随机抽取第一预设数量的训练样本;
S02,根据分裂规则,使用抽取的训练样本获取二分决策树的分裂点,根据所述分裂点生成二分决策树;
S03,重复执行S01和S02的步骤,直到抽取的次数达到预设次数;
S04,根据所述二分决策树生成随机森林分类器。
具体地,所述步骤S02具体包括:
从每个所述抽取的训练样本的时相中随机抽取第二预设数量的时相;
获取每个抽取的时相的信息增益,将所述信息增益最大的时相的属性作为分裂属性;
将所述抽取的训练样本的同一时相的分裂属性的增强型植被指数值从小到大排列;
将各相邻两个所述增强型植被指数值的均值作为分裂点,获取所述分裂点处的基尼系数,选择最小的所述基尼系数作为分裂阈值。
具体地,所述获取每个抽取的时相的信息增益的步骤具体包括:
获取所述抽取的训练样本的分类期望;
将抽取的每个时相分别作为属性变量获取分类的熵;
根据所述分类期望和分类的熵获取每个抽取的时相的信息增益。
具体地,所述步骤S3具体包括:
对于每块耕地的时序影像集,使用所述随机森林分类器中的每棵决策树对该块耕地的时序影像集进行投票;
将所得票数最高的类型作为所述耕地的类型。
具体地,所述步骤S4具体包括:
S41,根据所述第一多光谱影像对所述第一全色波段影像进行配准;
S42,根据所述第一玉米田的范围,对配准后的所述第一全色波段影像进行裁剪,获取所述第一玉米田的第二全色波段影像;
S43,获取所述第二全色波段影像的灰度共生矩阵中的特征值,对所述特征值进行叠加获取特征影像集;
S44,根据所述特征影像集,使用所述随机森林分类器识别所述第二全色波段影像中的第二制种玉米田。
具体地,所述步骤S43具体包括:
获取所述第二全色波段影像的灰度共生矩阵;
根据所述灰度共生矩阵中的均值、对比度和熵,构建特征影像集。
具体地,所述步骤S1还包括:
对所述第一多光谱影像和第一全色波段影像进行预处理,所述预处理包括:辐射校正、大气校正和正射校正中的一种或多种。
根据本发明的第二方面,提供一种制种玉米田遥感识别装置,包括:
获取单元,用于获取目标区域中玉米生育期内的多时相第一多光谱影像和制种玉米去除父本后的单时相第一全色波段影像,将所述第一多光谱影像与所述目标区域的耕地数据进行套合,生成所述目标区域中耕地的第二多光谱影像;
构建单元,用于构建所述第二多光谱影像的植被指标体系,生成所述植被指标体系的时序影像集;
第一识别单元,用于根据所述时序影像集,使用预先构建好的随机森林分类器识别所述第一多光谱影像中的第一制种玉米田;
第二识别单元,用于根据所述第一全色波段影像,获取所述第一制种玉米田的纹理特征,根据所述第一制种玉米田的纹理特征从所述第一制种玉米田中识别出第二制种玉米田。
本发明提供一种制种玉米田遥感识别方法及装置,该方法基于作物关键生育期的多个植被指数的时序影像集进行不同作物的区分,使用以机器学习为背景的随机森林分类器,自动完成作物的分类,使得分类结果更加客观,提高了制种玉米田识别的精度,同时,所述随机森林分类器具有多棵决策树,不易出现过度拟合的问题,且根据制种玉米田和大田玉米田的纹理特征的差异,进一步识别制种玉米田,进一步提高制种玉米田的识别精度。
附图说明
图1为本发明实施例提供的制种玉米田遥感识别方法流程示意图;
图2为本发明实施例提供的制种玉米田遥感识别装置结构示意图;
图3为本发明实施例提供的基于制种玉米田遥感识别设备结构示意图。
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。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明的一个实施例中提供一种制种玉米田遥感识别方法,图1 为本发明实施例提供的制种玉米田遥感识别方法,该方法包括:S1,获取目标区域中玉米生育期内的多时相第一多光谱影像和制种玉米去除父本后的单时相第一全色波段影像,将所述第一多光谱影像与所述目标区域的耕地数据进行套合,生成所述目标区域中耕地的第二多光谱影像;S2,构建所述第二多光谱影像的植被指标体系,生成所述植被指标体系的时序影像集;S3,根据所述时序影像集,使用预先构建好的随机森林分类器识别所述第一多光谱影像中的第一制种玉米田; S4,根据所述第一全色波段影像,获取所述第一制种玉米田的纹理特征,根据所述第一制种玉米田的纹理特征从所述第一制种玉米田中识别出第二制种玉米田。
具体地,S1中,所述目标区域为需要识别制种玉米田的区域。所述玉米的生育期为玉米从播种到收获的各阶段,包括:播种、出苗、拔节、抽穗、成熟和收获。所述第一多光谱影像可以为高分一号WFV 遥感影像,高分一号WFV遥感影像包括蓝、绿、红和近红外四个波段,空间分辨率为16m,重访周期可以根据需要确定,如4天。所述第一全色波段影像可以为高分二号全色波段影像。所述高分二号全色波段影像的分辨率优于1m。制种玉米田块内采取父母本行比为预设比值,如:1:6至1:8的交叉种植方式。株距为预设株距,如0.6m—0.8m,条状纹理间隔为预设间隔,如3.6m—4.8m。当制造玉米在抽穗阶段后去母本完成授粉后,为防止父本遮挡,需去除父本行。去除父本后,裸露出的土壤与所述制造玉米的反射率差异形成明显的纹理结构,在所述第一全色波段影像上表现为条带状纹理。对大田玉米不做处理,所述大田玉米在所述第一全色波段影像上表现为面状模糊状纹理。所述目标区域的耕地数据从所述目标区域的土地利用分类数据中获取,所述土地利用分类数据为栅格数据,如16m空间分辨率的栅格数据。获取所述目标区域中玉米生育期内的所有阶段或部分阶段的多时相第一多光谱影像,将所述第一多光谱影像与所述目标区域的耕地数据进行套合,获取所述目标区域中耕地的第二多光谱影像。
S2中,获取所述第二多光谱影像的多个植被指标。所述植被指标体系为多个植被指标的集合。根据所述植被指标体系,生成包含所述植被指标体系的时序影像集。以像素为单位,计算所述第二多光谱图像的每个时相的每个植被指标,获取每个时相的每个植被指标图像。每个时相的每个植被指标对应一个波段,即每个波段为一个时相的一个植被指标影像。按时相的时间顺序,将所有时相的同一植被指标的影像进行叠加,得到时序影像集。S3中,将所述时序影像集作为所述预先构建好的随机森林分类器的输入,根据所述随机森林分类器的输出的类型,识别出所述第一多光谱影像中的第一制种玉米田。S4中,根据所述第一全色波段影像,获取所述第一制种玉米田的第一全色波段影像。从所述获取所述第一制种玉米田的纹理特征,由于识别出的第一制种玉米田中含有大田玉米田,而大田玉米田与去除父本后的制种玉米田的纹理特征不同,因此根据所述第一制种玉米田的纹理特征,可以从所述第一制种玉米田中识别出第二制种玉米田。
本实施例中通过基于作物关键生育期的多个植被指数的时序影像集进行不同作物的区分,使用以机器学习为背景的随机森林分类器,自动完成作物的分类,使得分类结果更加客观,提高了制种玉米田识别的精度,同时,所述随机森林分类器具有多棵决策树,不易出现过度拟合的问题,且根据制种玉米田和大田玉米田的纹理特征的差异,进一步识别制种玉米田,进一步提高制种玉米田的识别精度。
在上述实施例的基础上,本实施例中所述步骤S2具体包括:根据所述第二多光谱影像中各作物间的光谱差异,获取归一化差值植被指数、增强型植被指数、比值植被指数、绿色归一化差值植被指数、三角植被指数、差值植被指数、土壤调节植被指数和归一化差值水指数。
具体地,所述归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)的公式为NDVI=(NIR-R)/(NIR+R)。所述增强型植被指数(Enhance VegetableIndex,EVI)的公式为 EVI=2.5*(NIR-R)/(NIR+6R-7.5B+1)。所述比值植被指数(RatioVegetable Index,RVI)的公式为RVI=NIR/R。所述绿色归一化差值植被指数(GreenNormalized Difference Vegetation Index,GNDVI)的公式为GNDVI=(NIR-G)/(NIR+G)。所述三角植被指数(Triangle vegetation index,TVI)的公式为TVI=60*(NIR-G)-100*(R-G)。所述差值植被指数(Difference vegetation index,DVI)的公式为DVI=NIR-R。所述土壤调节植被指数(Soil-adjusted vegetation index,SAVI)的公式为 SAVI=1.5*(NIR-R)/(NIR+R+0.5)。所述归一化差值水指数(Normalized Difference Water Index,NDWI)的公式为NDWI=(G-NIR)/(G+NIR)。上式中,B、G、R和NIR分别为蓝色、绿色、红色和近红外波段的反射率。本实施例中使用基于作物关键生育期的多个植被指数区别不同作物间的光谱差异,提高了制种玉米田识别的精度。
在上述各实施例的基础上,本实施例中所述步骤S1之前还包括: S01,从获取的训练样本中有放回地随机抽取第一预设数量的训练样本;S02,根据抽取的所述训练样本,使用分裂规则获取二分决策树的分裂点,根据所述分裂点生成二分决策树;S03,重复执行S01和S02 的步骤,直到抽取的次数达到预设次数;S04,根据所述二分决策树生成随机森林分类器。
具体地,S01中,所述训练样本可以为野外实测样本数据,所述野外实测样本数据包括所述目标区域中主要作物野外调查和人工木石勾绘的矢量图斑。从所述训练样本中有放回地随机抽取第一预设数量的训练样本。S02中,根据抽取的所述训练样本,使用分类规则获取二分决策树的分裂点,即所述二分决策树的节点。所述分类规则为确定二分决策树的分裂阈值的规则。根据所述分裂阈值确定分裂点。根据所述分裂点生成二分决策树。S03中,重复执行S01和S02中的抽取训练样本和根据所述训练样本生成二分决策树的步骤,直到抽取的次数达到预设次数。使用一次抽取的训练样本,生成一棵二分决策树。抽取预设次数的训练样本,则生成与所述预设次数相同数量的二分决策树。S04中,根据所述二分决策树,生成随机森林分类器。此外还可以使用部分所述野外实测样本数据用于对所述制种玉米田的识别进行精度评价,如将所述野外实测样本数据中的2/3样本作为训练样本,另外1/3的样本作为验证样本。所述验证样本用于对所述制种玉米田的识别进行精度评价。本实施例中,通过使用机器学习的方法构建随机森林分类器,克服了经验判断中的人为误差,提供了制种玉米田的识别精度。
在上述实施例的基础上,本实施例中所述步骤S02具体包括:从每个所述抽取的训练样本的时相中随机抽取第二预设数量的时相,获取每个抽取的时相的信息增益,将所述信息增益最大的时相的属性作为分裂属性;将所述抽取的训练样本的同一时相的分裂属性的增强型植被指数值从小到大排列,将各相邻两个所述增强型植被指数值的均值作为分裂点,获取所述分裂点处的基尼系数,选择最小的所述基尼系数作为分裂阈值。
具体地,对于每个所述抽取的训练样本,从所述训练样本的时相中随机抽取第二预设数量的时相。获取每个抽取的时相的信息增益,选择具有最大信息增益的时相的属性作为分裂属性。所述时相属性包括增强型植被指数。将所述抽取的训练样本的同一时相的增强型植被指数值由小到大排列,将所述排列中的各相邻两个增强型植被指数值的均值作为分裂点,计算分裂点处基尼系数,选择最小的所述基尼系数Gini作为分裂阈值,公式如下:
其中,t分类数,pi为类别i出现的概率,A为时相。本实施例中通过自动获取分裂点处的分裂阈值,使分类结果更加客观,提高了制种玉米田的识别精度。
在上述实施例的基础上,本实施例中所述获取每个抽取的时相的信息增益的步骤具体包括:获取所述抽取的训练样本的分类期望;将抽取的每个时相分别作为属性变量获取分类的熵;根据所述分类期望和分类的熵获取每个抽取的时相的信息增益。
具体地,所述抽取的训练样本的分类期望L的计算公式为其中,si为某一作物类型的样本数,t为分类数, pi为类别i出现的概率。计算每个时相作为属性变量进行分类的熵的公式为其中,sij表示属性为Aj的某一类型的样本数,s为增强型植被指数数据集,t为分类数。时相A的信息增益Gain为Gain(A)=L(si)E(A)。
在上述各实施例的基础上,本实施例中所述步骤S3具体包括:对于每块耕地的时序影像集,使用所述随机森林分类器中的每棵决策树对该块耕地的时序影像集进行投票;将所得票数最高的类型作为所述耕地的类型。
具体地,由于所述第二多光谱影像为所述目标区域中耕地多光谱影像,根据所述第二多光谱影像的植被指标体系生成的时序影像集为所述目标区域中耕地的时序影像集。将所述每块耕地的时序影像集作为所述随机森林分类器的输入,由所述随机森林分类器中的每棵二分决策树进行类型投票。统计每种类型的票数,将所得票数最高的类型作为所述耕地的类型。相比于由全部所述训练样本生成的单一决策树分类器,所述随机森林分类器不易出现过度拟合。
本实施例中使用以机器学习为背景的随机森林分类器,通过对多棵决策树分类结果的概率统计方法,使分类结果更加客观,提高了制种玉米田的分类精度。
在上述各实施例的基础上,本实施例中所述步骤S4具体包括:S41,根据所述第一多光谱影像,对所述第一全色波段影像进行配准;S42,根据所述第一玉米田的范围,对配准后的所述第一全色波段影像进行裁剪,获取所述第一玉米田的第二全色波段影像;S43,获取所述第二全色波段影像的灰度共生矩阵中的特征值,对所述特征值进行叠加获取特征影像集;S44,根据所述特征影像集,使用所述随机森林分类器识别所述第二全色波段影像中的第二制种玉米田。
具体地,S41中,以所述第一多光谱影像为基准,对所述第一全色波段影像进行配准。S42中,根据所述第一玉米田的范围,对配准后的所述第一全色波段影像进行裁剪,获取所述第一玉米田的第二全色波段影像。S43中,获取所述第二全色波段影像的灰度共生矩阵。量化所述第二全色波段影像的纹理信息,获取所述灰度共生矩阵中的特征值,对所述特征值进行叠加获取特征影像集。S44中,根据所述特征影像集,使用所述随机森林分类器识别所述第一制种玉米田的第二全色波段影像中的第二制种玉米田。
本实施例中由于制种玉米与大田玉米在抽雄阶段种植方式和耕作制度不同,其在高分辨率影像中具有明显的纹理差异,根据所述纹理差异,对所述制种玉米田进一步识别,提高了制种玉米田识别的精度。
在上述实施例的基础上,本实施例中所述步骤S43具体包括:获取所述第二全色波段影像的灰度共生矩阵;根据所述灰度共生矩阵中的均值、对比度和熵,构建特征影像集。
具体地,根据所述制造玉米田和大田在所述第二全色波段影像上的纹理结构差异,获取所述第二全色波段影像的灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)。从所述灰度共生矩阵中选择均值、对比度和熵三个特征值量化纹理特征,构建特征影像集。所述均值Mean的计算公式为:所述对比度Contrast的计算公式为:所述熵Entropy的计算公式为:quantk表示所述第二全色波段影像灰度压缩后的等级,即灰度共生矩阵的维数,p(i,j)表示所述灰度共生矩阵中元素的值。(i,j)表示所述灰度共生矩阵中元素的坐标。
本实施例通过使用灰度共生矩阵获取所述第二全色波段影像中的纹理信息,根据所述纹理信息,使用随机森林分类器对所述制种玉米田进一步识别,提高了制种玉米田识别的精度。
在上述实施例的基础上,本实施例中所述步骤S1还包括:对所述第一多光谱影像和第一全色波段影像进行预处理,所述预处理包括:辐射校正、大气校正、几何校正和正射校正。
具体地,通过下式进行辐射校正:Lλ=DN(Kband/Δλband)。其中,Lλ表示辐亮度,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。所述大气校正采用 FLAASH模型。所述几何校正采用二次多项式模型。所述正射校正采用有理函数模型。本实施例通过对所述第一多光谱影像和第一全色波段影像进行预处理,提高了制种玉米田识别的精度。
在本发明的一个实施例中提供一种制种玉米田遥感识别装置,包括获取单元1、构建单元2、第一识别单元3和第二识别单元4,其中:
所述获取单元1用于获取目标区域中玉米生育期内的多时相第一多光谱影像和制种玉米去除父本后的单时相第一全色波段影像,将所述第一多光谱影像与所述目标区域的耕地数据进行套合,生成所述目标区域中耕地的第二多光谱影像;所述构建单元2用于构建所述第二多光谱影像的植被指标体系,生成所述植被指标体系的时序影像集;所述第一识别单元3用于根据所述时序影像集,使用预先构建好的随机森林分类器识别所述第一多光谱影像中的第一制种玉米田;所述第二识别单元4用于根据所述第一全色波段影像,获取所述第一制种玉米田的纹理特征,根据所述第一制种玉米田的纹理特征从所述第一制种玉米田中识别出第二制种玉米田。
具体地,所述目标区域为需要识别制种玉米田的区域。所述玉米的生育期为玉米从播种到收获的各阶段,包括:播种、出苗、拔节、抽穗、成熟和收获。所述第一多光谱影像可以为高分一号WFV遥感影像,高分一号WFV遥感影像包括蓝、绿、红和近红外四个波段,空间分辨率为16m,重访周期可以根据需要确定,如4天。所述第一全色波段影像可以为高分二号全色波段影像。所述高分二号全色波段影像的分辨率优于1m。制种玉米田块内采取父母本行比为预设比值,如: 1:6至1:8的交叉种植方式。株距为预设株距,如0.6m—0.8m,条状纹理间隔为预设间隔,如3.6m—4.8m。当制造玉米在抽穗阶段后去母本完成授粉后,为防止父本遮挡,需去除父本行。去除父本后,裸露出的土壤与所述制造玉米的反射率差异形成明显的纹理结构,在所述第一全色波段影像上表现为条带状纹理。对大田玉米不做处理,所述大田玉米在所述第一全色波段影像上表现为面状模糊状纹理。所述目标区域的耕地数据从所述目标区域的土地利用分类数据中获取,所述土地利用分类数据为栅格数据,如16m空间分辨率的栅格数据。所述获取单元1获取所述目标区域中玉米生育期内的所有阶段或部分阶段的多时相第一多光谱影像,将所述第一多光谱影像与所述目标区域的所述目标区域的耕地数据进行套合,获取所述目标区域中耕地的第二多光谱影像。
所述构建单元2获取所述第二多光谱影像的多个植被指标。所述植被指标体系为多个植被指标的集合。根据所述植被指标体系,生成包含所述植被指标体系的时序影像集。以像素为单位,计算所述第二多光谱图像的每个时相的每个植被指标,获取每个时相的每个植被指标图像。每个时相的每个植被指标对应一个波段,即每个波段为一个时相的一个植被指标影像。按时相的时间顺序,将所有时相的同一植被指标的影像进行叠加,得到时序影像集。所述第一识别单元3将所述时序影像集作为所述预先构建好的随机森林分类器的输入,根据所述随机森林分类器的输出的类型,识别出所述第一多光谱影像中的第一制种玉米田。所述第二识别单元4根据所述第一全色波段影像,获取所述第一制种玉米田的第一全色波段影像。从所述获取所述第一制种玉米田的纹理特征,由于识别出的第一制种玉米田中含有大田玉米田,而大田玉米田与去除父本后的制种玉米田的纹理特征不同,因此根据所述第一制种玉米田的纹理特征,可以从所述第一制种玉米田中识别出第二制种玉米田。
本实施例中通过基于作物关键生育期的多个植被指数的时序影像集进行不同作物的区分,使用以机器学习为背景的随机森林分类器,自动完成作物的分类,使得分类结果更加客观,提高了制种玉米田识别的精度,同时,所述随机森林分类器具有多棵决策树,不易出现过度拟合的问题,且根据制种玉米田和大田玉米田的纹理特征的差异,进一步识别制种玉米田,进一步提高制种玉米田的识别精度。
在上述实施例的基础上,本实施例中所述构建单元具体用于:根据所述第二多光谱影像中各作物间的光谱差异,获取归一化差值植被指数、增强型植被指数、比值植被指数、绿色归一化差值植被指数、三角植被指数、差值植被指数、土壤调节植被指数和归一化差值水指数中的一种或多种。
在上述实施例的基础上,本实施例中还包括训练单元,所述训练单元包括抽取子单元、第一生成子单元、迭代子单元和第二生成子单元,其中:所述抽取子单元用于从获取的训练样本中有放回地随机抽取第一预设数量的训练样本;所述第一生成子单元用于根据分裂规则,使用抽取的训练样本获取二分决策树的分裂点,根据所述分裂点生成二分决策树;所述迭代子单元用于重复执行抽取训练样本和生成二分决策树的步骤,直到抽取的次数达到预设次数;所述第二生成子单元用于根据所述二分决策树生成随机森林分类器。
在上述实施例的基础上,本实施例中所述第一生成子单元具体用于:从每个所述抽取的训练样本的时相中随机抽取第二预设数量的时相;获取每个抽取的时相的信息增益,将所述信息增益最大的时相的属性作为分裂属性;将所述抽取的训练样本的同一时相的分裂属性的增强型植被指数值从小到大排列;将各相邻两个所述增强型植被指数值的均值作为分裂点,获取所述分裂点处的基尼系数,选择最小的所述基尼系数作为分裂阈值。
在上述实施例的基础上,本实施例中所述第一生成子单元具体用于:获取所述抽取的训练样本的分类期望;将抽取的每个时相分别作为属性变量获取分类的熵;根据所述分类期望和分类的熵获取每个抽取的时相的信息增益。
在上述实施例的基础上,本实施例中所述第一识别单元具体用于:对于每块耕地的时序影像集,使用所述随机森林分类器中的每棵决策树对该块耕地的时序影像集进行投票;将所得票数最高的类型作为所述耕地的类型。
在上述实施例的基础上,本实施例中所述第二识别单元具体用于包括:配准子单元,用于根据所述第一多光谱影像,对所述第一全色波段影像进行配准;裁剪子单元,用于根据所述第一制种玉米田的范围,对配准后的所述第一全色波段影像进行裁剪,获取所述第一玉米田的第二全色波段影像;叠加子单元,用于获取所述第二全色波段影像的灰度共生矩阵中的特征值,对所述特征值进行叠加获取特征影像集;第二识别子单元,用于根据所述特征影像集,使用所述随机森林分类器识别所述第二全色波段影像中的第二制种玉米田。
在上述实施例的基础上,本实施例中所述叠加子单元具体用于:获取所述第二全色波段影像的灰度共生矩阵;根据所述灰度共生矩阵中的均值、对比度和熵,构建特征影像集。
在上述实施例的基础上,本实施例中,所述获取单元还用于:对所述第一多光谱影像和第一全色波段影像进行预处理,所述预处理包括:辐射校正、大气校正和正射校正中的一种或多种。
本实施例提供一种制种玉米田遥感识别设备,图3为本发明实施例提供的制种玉米田遥感识别设备结构示意图,该设备包括:至少一个处理器31、至少一个存储器32和总线33;其中,
所述处理器31和存储器32通过所述总线33完成相互间的通信;
所述存储器32存储有可被所述处理器31执行的程序指令,所述处理器调用所述程序指令能够执行上述各方法实施例所提供的方法,例如包括:S1,获取目标区域中玉米生育期内的多时相第一多光谱影像和制种玉米去除父本后的单时相第一全色波段影像,将所述第一多光谱影像与所述目标区域的耕地数据进行套合,生成所述目标区域中耕地的第二多光谱影像;S2,构建所述第二多光谱影像的植被指标体系,生成所述植被指标体系的时序影像集;S3,根据所述时序影像集,使用预先构建好的随机森林分类器识别所述第一多光谱影像中的第一制种玉米田;S4,根据所述第一全色波段影像,获取所述第一制种玉米田的纹理特征,根据所述第一制种玉米田的纹理特征从所述第一制种玉米田中识别出第二制种玉米田。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S1,获取目标区域中玉米生育期内的多时相第一多光谱影像和制种玉米去除父本后的单时相第一全色波段影像,将所述第一多光谱影像与所述目标区域的耕地数据进行套合,生成所述目标区域中耕地的第二多光谱影像;S2,构建所述第二多光谱影像的植被指标体系,生成所述植被指标体系的时序影像集;S3,根据所述时序影像集,使用预先构建好的随机森林分类器识别所述第一多光谱影像中的第一制种玉米田;S4,根据所述第一全色波段影像,获取所述第一制种玉米田的纹理特征,根据所述第一制种玉米田的纹理特征从所述第一制种玉米田中识别出第二制种玉米田。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的制种玉米田遥感识别设备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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种制种玉米田遥感识别方法,其特征在于,包括:
S1,获取目标区域中玉米生育期内的多时相第一多光谱影像和制种玉米去除父本后的单时相第一全色波段影像,将所述第一多光谱影像与所述目标区域的耕地数据进行套合,生成所述目标区域中耕地的第二多光谱影像;
S2,构建所述第二多光谱影像的植被指标体系,生成所述植被指标体系的时序影像集;
S3,根据所述时序影像集,使用预先构建好的随机森林分类器识别所述第一多光谱影像中的第一制种玉米田;
S4,根据所述第一全色波段影像,获取所述第一制种玉米田的纹理特征,根据所述第一制种玉米田的纹理特征从所述第一制种玉米田中识别出第二制种玉米田。
2.根据权利要求1所述的制种玉米田遥感识别方法,其特征在于,所述步骤S2中构建所述第二多光谱影像的植被指标体系的步骤具体包括:
根据所述第二多光谱影像中各作物间的光谱差异,获取归一化差值植被指数、增强型植被指数、比值植被指数、绿色归一化差值植被指数、三角植被指数、差值植被指数、土壤调节植被指数和归一化差值水指数中的一种或多种。
3.根据权利要求1所述的制种玉米田遥感识别方法,其特征在于,所述步骤S3之前还包括:
S01,从获取的训练样本中有放回地随机抽取第一预设数量的训练样本;
S02,根据分裂规则,使用抽取的训练样本获取二分决策树的分裂点,根据所述分裂点生成二分决策树;
S03,重复执行S01和S02的步骤,直到抽取的次数达到预设次数;
S04,根据所述二分决策树生成随机森林分类器。
4.根据权利要求3所述的制种玉米田遥感识别方法,其特征在于,所述步骤S02具体包括:
从每个所述抽取的训练样本的时相中随机抽取第二预设数量的时相;
获取每个抽取的时相的信息增益,将所述信息增益最大的时相的属性作为分裂属性;
将所述抽取的训练样本的同一时相的分裂属性的增强型植被指数值从小到大排列;
将各相邻两个所述增强型植被指数值的均值作为分裂点,获取所述分裂点处的基尼系数,选择最小的所述基尼系数作为分裂阈值。
5.根据权利要求4所述的制种玉米田遥感识别方法,其特征在于,所述获取每个抽取的时相的信息增益的步骤具体包括:
获取所述抽取的训练样本的分类期望;
将抽取的每个时相分别作为属性变量获取分类的熵;
根据所述分类期望和分类的熵获取每个抽取的时相的信息增益。
6.根据权利要求1-5任一所述的制种玉米田遥感识别方法,其特征在于,所述步骤S3具体包括:
对于每块耕地的时序影像集,使用所述随机森林分类器中的每棵决策树对该块耕地的时序影像集进行投票;
将所得票数最高的类型作为所述耕地的类型。
7.根据权利要求1-5任一所述的制造玉米田遥感识别方法,其特征在于,所述步骤S4具体包括:
S41,根据所述第一多光谱影像,对所述第一全色波段影像进行配准;
S42,根据所述第一制种玉米田的范围,对配准后的所述第一全色波段影像进行裁剪,获取所述第一玉米田的第二全色波段影像;
S43,获取所述第二全色波段影像的灰度共生矩阵中的特征值,对所述特征值进行叠加获取特征影像集;
S44,根据所述特征影像集,使用所述随机森林分类器识别所述第二全色波段影像中的第二制种玉米田。
8.根据权利要求7所述的制种玉米田遥感识别方法,其特征在于,所述步骤S43具体包括:
获取所述第二全色波段影像的灰度共生矩阵;
根据所述灰度共生矩阵中的均值、对比度和熵,构建特征影像集。
9.根据权利要求7所述的制造玉米田遥感识别方法,其特征在于,所述步骤S1还包括:
对所述第一多光谱影像和第一全色波段影像进行预处理,所述预处理包括:辐射校正、大气校正和正射校正中的一种或多种。
10.一种制种玉米田遥感识别装置,其特征在于,包括:
获取单元,用于获取目标区域中玉米生育期内的多时相第一多光谱影像和制种玉米去除父本后的单时相第一全色波段影像,将所述第一多光谱影像与所述目标区域的耕地数据进行套合,生成所述目标区域中耕地的第二多光谱影像;
构建单元,用于构建所述第二多光谱影像的植被指标体系,生成所述植被指标体系的时序影像集;
第一识别单元,用于根据所述时序影像集,使用预先构建好的随机森林分类器识别所述第一多光谱影像中的第一制种玉米田;
第二识别单元,用于根据所述第一全色波段影像,获取所述第一制种玉米田的纹理特征,根据所述第一制种玉米田的纹理特征从所述第一制种玉米田中识别出第二制种玉米田。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710607274.0A CN107480706A (zh) | 2017-07-24 | 2017-07-24 | 一种制种玉米田遥感识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710607274.0A CN107480706A (zh) | 2017-07-24 | 2017-07-24 | 一种制种玉米田遥感识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107480706A true CN107480706A (zh) | 2017-12-15 |
Family
ID=60595969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710607274.0A Pending CN107480706A (zh) | 2017-07-24 | 2017-07-24 | 一种制种玉米田遥感识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480706A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932521A (zh) * | 2018-04-26 | 2018-12-04 | 中国农业大学 | 一种基于深度学习的农作物分类方法及系统 |
CN110135310A (zh) * | 2019-04-30 | 2019-08-16 | 云南财经大学 | 一种基于单变量特征选择方法的农作物遥感识别方法 |
CN110443139A (zh) * | 2019-07-05 | 2019-11-12 | 中国地质大学(武汉) | 一种面向分类的高光谱遥感影像噪声波段探测方法 |
CN110751035A (zh) * | 2019-09-16 | 2020-02-04 | 中国农业大学 | 一种制种玉米的识别方法及装置 |
CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取系统及方法 |
CN111462223A (zh) * | 2020-04-22 | 2020-07-28 | 安徽大学 | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 |
CN111860150A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 基于遥感影像的倒伏水稻识别方法与装置 |
CN109460700B (zh) * | 2018-09-05 | 2020-11-10 | 中国农业大学 | 一种面向作物分类的遥感数据处理方法及装置 |
CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
CN112487906A (zh) * | 2020-11-23 | 2021-03-12 | 苏州极目机器人科技有限公司 | 目标物父本处理方法和目标物母本检测方法 |
CN112507768A (zh) * | 2020-04-16 | 2021-03-16 | 苏州极目机器人科技有限公司 | 目标物检测方法、装置和图像采集方法、装置 |
CN112712071A (zh) * | 2021-03-26 | 2021-04-27 | 北京简巨科技有限公司 | 作物长势检测方法及其相关设备 |
CN113221788A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块垄作特征提取方法及装置 |
US20220044084A1 (en) * | 2020-08-05 | 2022-02-10 | Global Graphics Software Limited | Systems and methods for planning and producing images using plants |
CN114187538A (zh) * | 2022-02-17 | 2022-03-15 | 航天宏图信息技术股份有限公司 | 一种多光谱植被监测干扰信息的剔除方法和装置 |
CN114219847A (zh) * | 2022-02-18 | 2022-03-22 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
CN114743112A (zh) * | 2022-04-18 | 2022-07-12 | 农业农村部大数据发展中心 | 基于大数据的制种玉米田识别方法、装置及电子设备 |
CN117169138A (zh) * | 2023-11-02 | 2023-12-05 | 天津市农业发展服务中心 | 一种基于遥感数据的区域墒情监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
CN106373150A (zh) * | 2016-08-15 | 2017-02-01 | 中国农业大学 | 一种基于高分辨率遥感数据纹理分析的制种玉米识别方法 |
-
2017
- 2017-07-24 CN CN201710607274.0A patent/CN107480706A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
CN106373150A (zh) * | 2016-08-15 | 2017-02-01 | 中国农业大学 | 一种基于高分辨率遥感数据纹理分析的制种玉米识别方法 |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
Non-Patent Citations (5)
Title |
---|
刘哲等: ""基于时序EVI决策树分类与高分纹理的制种玉米识别"", 《农业机械学报》 * |
张超等: ""基于GF遥感数据纹理分析识别制种玉米"", 《农业工程学报》 * |
李映雪等: ""小麦叶面积指数与冠层反射光谱的定量关系"", 《应用生态学报》 * |
耿杰等: ""基于多种植被指数信息与联合稀疏表示的红树林种类识别"", 《海洋环境科学》 * |
赵萍: "《基于知识的江南典型区土地利用/覆盖分类研究》", 30 June 2008 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932521A (zh) * | 2018-04-26 | 2018-12-04 | 中国农业大学 | 一种基于深度学习的农作物分类方法及系统 |
CN108932521B (zh) * | 2018-04-26 | 2021-02-09 | 中国农业大学 | 一种基于深度学习的农作物分类方法及系统 |
CN109460700B (zh) * | 2018-09-05 | 2020-11-10 | 中国农业大学 | 一种面向作物分类的遥感数据处理方法及装置 |
CN110135310A (zh) * | 2019-04-30 | 2019-08-16 | 云南财经大学 | 一种基于单变量特征选择方法的农作物遥感识别方法 |
CN110443139A (zh) * | 2019-07-05 | 2019-11-12 | 中国地质大学(武汉) | 一种面向分类的高光谱遥感影像噪声波段探测方法 |
CN110443139B (zh) * | 2019-07-05 | 2023-01-03 | 中国地质大学(武汉) | 一种面向分类的高光谱遥感影像噪声波段探测方法 |
CN110751035A (zh) * | 2019-09-16 | 2020-02-04 | 中国农业大学 | 一种制种玉米的识别方法及装置 |
CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取系统及方法 |
WO2021208407A1 (zh) * | 2020-04-16 | 2021-10-21 | 苏州极目机器人科技有限公司 | 目标物检测方法、装置和图像采集方法、装置 |
CN112507768A (zh) * | 2020-04-16 | 2021-03-16 | 苏州极目机器人科技有限公司 | 目标物检测方法、装置和图像采集方法、装置 |
CN111462223A (zh) * | 2020-04-22 | 2020-07-28 | 安徽大学 | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 |
CN111860150A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 基于遥感影像的倒伏水稻识别方法与装置 |
CN111860150B (zh) * | 2020-06-11 | 2024-01-26 | 中科禾信遥感科技(苏州)有限公司 | 基于遥感影像的倒伏水稻识别方法与装置 |
US11710015B2 (en) * | 2020-08-05 | 2023-07-25 | Global Graphics Software Limited | Systems and methods for planning and producing images using plants |
US20220044084A1 (en) * | 2020-08-05 | 2022-02-10 | Global Graphics Software Limited | Systems and methods for planning and producing images using plants |
CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
WO2022104866A1 (zh) * | 2020-11-23 | 2022-05-27 | 苏州极目机器人科技有限公司 | 目标物父本处理方法和目标物母本检测方法 |
CN112487906A (zh) * | 2020-11-23 | 2021-03-12 | 苏州极目机器人科技有限公司 | 目标物父本处理方法和目标物母本检测方法 |
CN112712071A (zh) * | 2021-03-26 | 2021-04-27 | 北京简巨科技有限公司 | 作物长势检测方法及其相关设备 |
CN113221788B (zh) * | 2021-05-21 | 2022-06-03 | 广东省科学院广州地理研究所 | 一种田块垄作特征提取方法及装置 |
CN113221788A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块垄作特征提取方法及装置 |
CN114187538A (zh) * | 2022-02-17 | 2022-03-15 | 航天宏图信息技术股份有限公司 | 一种多光谱植被监测干扰信息的剔除方法和装置 |
CN114219847A (zh) * | 2022-02-18 | 2022-03-22 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
CN114219847B (zh) * | 2022-02-18 | 2022-07-01 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
CN114743112A (zh) * | 2022-04-18 | 2022-07-12 | 农业农村部大数据发展中心 | 基于大数据的制种玉米田识别方法、装置及电子设备 |
CN117169138A (zh) * | 2023-11-02 | 2023-12-05 | 天津市农业发展服务中心 | 一种基于遥感数据的区域墒情监测方法 |
CN117169138B (zh) * | 2023-11-02 | 2024-01-09 | 天津市农业发展服务中心 | 一种基于遥感数据的区域墒情监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
Waldhoff et al. | Multi-Data Approach for remote sensing-based regional crop rotation mapping: A case study for the Rur catchment, Germany | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
CN114766041A (zh) | 用于确定作物损害的系统和方法 | |
CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
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 | |
CN111523525A (zh) | 农作物分类识别方法、装置和电子设备 | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
CN110751035A (zh) | 一种制种玉米的识别方法及装置 | |
CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
Chen et al. | Delineating rice cropping activities from MODIS data using wavelet transform and artificial neural networks in the Lower Mekong countries | |
CN115761486A (zh) | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 | |
CN106991449A (zh) | 一种生活场景重构辅助识别蓝莓品种的方法 | |
Jubery et al. | Deploying Fourier coefficients to unravel soybean canopy diversity | |
CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
Pathak et al. | Machine learning and handcrafted image processing methods for classifying common weeds in corn field | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
CN117079152A (zh) | 一种基于卫星遥感影像的农作物精细分类提取方法和系统 | |
CN115035423A (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
Pluto-Kossakowska et al. | Automatic detection of dominant crop types in Poland based on satellite images | |
CN112541933A (zh) | 一种农田边界及种植结构的提取方法 | |
Hamila et al. | Fusarium head blight detection, spikelet estimation, and severity assessment in wheat using 3d convolutional neural networks | |
Walter | Discrimination of Maize Genotypes through Multi-temporal Object-based Remote-sensing Classification of Unmanned Aircraft System Images | |
Sharma et al. | Predict growth stages of wheat crop using digital image processing |
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: 20171215 |
|
RJ01 | Rejection of invention patent application after publication |