CN107527364A - 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 - Google Patents

一种基于遥感图像和网帘信息的紫菜种植面积监测方法 Download PDF

Info

Publication number
CN107527364A
CN107527364A CN201710612042.4A CN201710612042A CN107527364A CN 107527364 A CN107527364 A CN 107527364A CN 201710612042 A CN201710612042 A CN 201710612042A CN 107527364 A CN107527364 A CN 107527364A
Authority
CN
China
Prior art keywords
seaweed
lace curtaining
remote sensing
information
row
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
Application number
CN201710612042.4A
Other languages
English (en)
Inventor
郑玉晗
金润杰
吴嘉平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710612042.4A priority Critical patent/CN107527364A/zh
Publication of CN107527364A publication Critical patent/CN107527364A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Cultivation Of Seaweed (AREA)

Abstract

本发明公开了一种基于遥感图像和网帘信息的紫菜种植面积监测方法，包括如下步骤：获取目标区高分辨率遥感图像；对遥感图像进行分类，获得紫菜种植海域，得到紫菜种植网帘的排数及每一排网帘的长度；获取目标区单个紫菜种植网帘长度、宽度信息；根据紫菜种植每张网帘的宽度信息，确定遥感图像分类所获得的每一排网帘的张数；根据单个紫菜种植网帘宽度信息，获得目标区紫菜种植面积，本发明具有结果准确、便捷、经济、高效的特点，为紫菜种植面积的实时获取、大范围动态监测提供一种全新的方法，非常适合相关管理部门、企事业单位应用。

Description

一种基于遥感图像和网帘信息的紫菜种植面积监测方法
技术领域
本发明涉及海洋遥感信息领域，具体涉及一种基于遥感图像和网帘信息的紫菜种植面积监测方法。
背景技术
大型海藻有较多种类，我国常见的种植类别包括海带、羊栖菜、龙须菜、紫菜等。大型海藻是富有营养的健康食品，在东亚和东南亚国家有广泛市场，欧美市场也在快速增长。我国生产的大型海藻占世界产量的70％，其中，以紫菜最受大众喜爱，经济价值最高。
近几年来，由于其可观的经济效益，国内紫菜种植面积快速增长，由此也带来了一些问题，包括种植密度过高、疾病增多、产量和市场价格波动大。因此，相关的管理部门和企事业单位都需及时获取紫菜种植信息，以便在宏观上加以指导和把控。
我国种植大型海藻历史悠久，大规模种植始于上世纪50年代。目前传统、常规的获取大型海藻种植面积和产量的方法是各种植户由村、乡、镇逐级上报，汇总到县(区)、市、省等。这方法的缺点包括：1)时间上的严重滞后，一般在收获几个月后或者一年后才有可能获得相关的数据信息；2)产量、面积等数据的可靠性不确定。由于信息获取一般为逐级上报，人为性、主观性难以避免；3)这一方法获得数据的技术含量低，且需花费很多的人力、物力；为此，急需新的方法技术来获取紫菜的种植面积和产量等相关信息。
遥感技术能瞬时、大范围、客观详实地获取地面光谱信息。大型海藻细胞结构中含有叶绿素，具有特定的光谱信息，且紫菜养殖区具有较明显的空间纹理信息，这些特征在遥感图像中能清晰地反映出来，为监测大型海藻种植提供物理基础。
发明内容
本发明要解决的技术问题是提供一种基于高分辨率遥感图像和网帘信息的准确紫菜种植面积监测方法，具有结果准确、操作便捷、经济高效的特点，为紫菜种植面积的实时获取、大范围动态监测提供一种全新的技术方法。
一种基于遥感图像和网帘信息的紫菜种植面积监测方法，包括如下步骤：
(1)获取目标区高分辨率遥感图像；
(2)对遥感图像进行预处理，获得紫菜种植海域。对预处理后的图像进行分类，得到紫菜种植网帘的排数及每一排网帘的长度；
(3)获取紫菜种植海域单个紫菜种植网帘长度、宽度信息；
(4)将步骤(2)分类后得出每一排网帘的总长度除以步骤(3)得到的单个紫菜种植网帘的实际宽度即可得到每一排网帘的张数，若不能整除，采用四舍五进制取值；
(5)将步骤(2)得出的紫菜种植区网帘排数乘以步骤(4)得出的每一排的网帘张数得到整个种植区的网帘张数，根据步骤(3)中的每一张网帘的长度和宽度，计算每一张网帘的面积，再乘以总的网帘张数即得到目标区的紫菜种植面积。
所述的步骤(1)中，高分辨率遥感图像的影像源为空间分辨率优于10米，具有红外波段光谱信息的遥感影像，包括2.5米分辨率的SPOT5、ALOS、资源3号、高分一号卫星遥感影像，1.5米分辨率的SPOT6遥感影像，1米分辨率的高分二号和IKONOS遥感影像及亚米级的QuickBird、WorldView、GeoEye等遥感影像。
所述的遥感图像的像元大小应大致等于或小于紫菜种植网帘大小。
紫菜种植以网帘为单位，每张网帘的大小不等，不同地方规格有别，有2.5m×3.2m，3.5m×4.2m，4m×5m，5m×5m等等，但是同一地方网帘大小基本一致，为了保证后续遥感分类工作的精度，从而获取准确的网帘排数，遥感图像的像元大小应大致等于或小于网帘大小。因此，本发明采用的遥感影像为高分辨率影像。
所述的步骤(1)中，高分辨率遥感图像的获取时间应在紫菜的生长期内，一般为11月至来年3月之间，此时紫菜生长旺盛，低潮位时大多露在海水面上，有利于后续的遥感分类解译。
所述的步骤(2)中，对遥感图像进行预处理可以采用常规的遥感影像处理软件，如ENVI或ERDAS。
所述的步骤(2)中，对遥感图像进行预处理包括几何校正、辐射校正、大气校正及影像裁剪、掩膜等。
所述的几何校正以0.5米地理精度的数字地形图为参照。
所述的辐射校正和大气校正均根据不同影像的实际情况选取合适的算法进行。
所述的影像裁剪用以获取研究区，缩小研究的范围，掩膜利用海水和陆地的光谱特性，选取NDWI(归一化水体指数)等特征指数，将海陆分离，养殖区岸边陆地区域掩膜，进一步将研究区锁定为紫菜种植区。
所述的步骤(2)中对预处理后的图像进行分类采用面向对象法，先根据影像特征，进行对象分割得到分类对象，然后进行特征选取构建特征空间，根据需求选择适当的分类器，在特征空间内进行分类，得到分类结果。
所述的在特征空间内进行分类可采用软件eCognition或ENVI进行，得到的分类结果以矢量格式导出，统计紫菜种植的网帘的排数和每一排网帘的长度。
陈杰发表的“高分辨率遥感影像面向对象分类方法研究”(中南大学，2010年)及靳欢欢等人发表的“基于逐像元和面向对象分类方法的分析研究”(江苏科技信息，2014(19):38-40)均表明面向对象法在高分辨率遥感影像的分类中精度高于传统的基于像元法，Zheng Y等人发表的Object-and pixel-based classification of macroalgae farmingarea with high spatial resolution imagery(Geocarto International,2017:1-25)一文表明这一结论在紫菜种植区也得到了检验。因此，本发明采用面向对象的方法来对预处理后的图像进行分类。
对象分割选用多尺度分割，分割的标准保证单个分割对象中只包含单一类别的信息，由分割参数来控制分割对象的大小、形状；分割参数包括分割尺度、形状指数和紧实度指数。
所述的分割尺度的选择由影像的分辨率和网帘的尺寸共同决定，若影像的像元大小远远小于网帘的大小，则可以选择较大的分割尺度，若像元的大小接近于网帘的大小，则应选择较小的分割尺度。
由于紫菜种植排列规则，在影像上呈长条状分布，每一个网帘也为矩形形状，具有较明显的空间纹理信息，因此分割时的形状指数可以设置相应的比重(0.1-0.9)，而分割目标对象多为矩形，紧实度偏高，因此，紧实度指数也可设置相应高的比重，对于这三个参数的选择没有统一的标准，可进行组合调整，目视比较分割结果，最终选择最为合适的参数组合。
所述的特征选取以紫菜在各波段的反射率均值及光谱特征指数作为分类特征，如NDVI(归一化植被指数)、NDWI等；对象的几何特征，如长宽比、形状指数作为辅助分类。
紫菜具有一般植物的光谱特征，在近红外波段反射率较高，绿光波段和红光波段反射率较低，而海水在近红外波段反射率低，在蓝光波段和绿光波段反射率较高，根据这些光谱特征，可以选取各波段的反射率均值及光谱特征指数作为分类特征。
所述的分类器为专家规则分类。
面向对象分类法中的分类器一般可分为两类，一类为机器学习算法分类，如常见的最邻近分类器，另一类为专家规则分类，如专家决策树法。
最邻近分类器需要大量的实地数据，根据实地数据选择各类别样本，再利用所选特征构建特征空间训练样本，从而进行分类，它较适用于实地数据充足，样本量大，分类特征明显的情况。
而专家决策树法根据专家先验知识选取特征，建立规则后分类，它更受先验知识的影响，分类规则可根据分类结果进行调整、优化，结果更加细致，适用于目标物特征不明显，较难提取或分类精度要求很高的情况。
所述的步骤(3)中，单个紫菜种植网帘长度、宽度信息的获取方式有两种：一是通过实地丈量或咨询专业人员，二是通过高分辨率遥感影像目视解译。
实地丈量较为准确，但比较费时费力，适用于研究区较小，且容易操作的情况。咨询专业人员比较容易，但需要克服主观性、人为性；通过高分辨率遥感影像目视解译，如在Google Earth(http://earth.google.com)中识别出紫菜种植的网帘，然后可以测量单个网帘的长度、宽度信息，这种方法方便易行，但存在一定的目视解译误差和测量误差，在大范围，精度容许范围内适用。
本发明具有下述优点：
1.本发明基于高分辨率遥感图像信息，鉴别出紫菜种植面积，可以在生长季节进行大范围、快速、准确的监测，从而实现紫菜种植的宏观动态实时监测。
2.本发明将遥感信息技术与紫菜种植的特点相结合，获取准确的紫菜种植面积。紫菜是依托网帘进行种植的，一般情况下，每张网帘大小尺寸固定，例如4m×5m、3.5m×4.2m。这样的网帘大小由于受遥感图像的空间分辨率限制，获得的紫菜种植面积数据存在一定的偏差，例如我国的高分二号图像，其全色波段的空间分辨率大约为1m×1m。因此，目前的高分辨率遥感图像信息仅能够获得较准确的网帘数目，需要利用单一网帘具体尺寸来计算实际的紫菜种植面积。所以，本方法把遥感信息和非遥感信息相结合来获取准确的紫菜种植面积。当然，随着遥感图像空间分辨率的进一步提高，例如当亚米级或者分米级的遥感影像能普及时，遥感分类获取紫菜网帘信息的步骤就可以缺省，可直接利用分类结果面积获取养殖区的面积。
3.本发明具有结果准确、通用性好的优点，适用于我国沿海广大的紫菜种植海域，可以应用于农业、海洋等部门，为农户、管理者和决策者及时提供大范围重要信息。
附图说明
图1为本发明的基本流程示意图；
图2为本发明实施例浙江省苍南县大渔湾紫菜种植区的实地图；
图3为本发明实施例的详细流程示意图；
图4为本发明实施例浙江省苍南县大渔湾遥感影像中紫菜分布图；
图5为本发明实施例浙江省苍南县大渔湾局部紫菜网帘分类结果图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及实施例对本发明的技术方案进行详细说明。
如图1和图3所示，基于高分辨率遥感图像和网帘信息的准确紫菜种植面积监测方法的实施步骤如下：
(1)获取目标区清晰的高分辨率遥感图像。
本实施例选取浙江省苍南县大渔湾紫菜种植区为待监测区域，如图2所示。
采用的高分辨率影像为高分二号遥感影像，首先将1米的全色波段与4米的多光谱波段融合，得到分辨率为1米的多光谱影像，融合后影像包含蓝光、绿光、红光和近红外四个波段，研究区影像如图4所示。
(2)对遥感图像进行预处理，获得紫菜种植海域，再对预处理后的图像进行分类，计算出紫菜种植网帘的排数。首先在ENVI软件中对高分二号影像进行分类前预处理，包括以Landsat-8为参照的几何校正，辐射校正和FLAASH(Fast Line-of-Sight AtmosphericAnalysis of Spectral Hypercubes)大气校正；然后对影像进行裁剪，区分陆地和海域。
接着在eCognition软件中进行面向对象的分类，提取海域的紫菜网帘信息，具体流程包括分割和分类，选用多尺度分割，分割尺度为8，形状指数为0.1，紧致度指数为0.2；分类器为专家规则分类，选取蓝光波段反射率均值和标准差作为特征，通过调整阈值最后将研究区内分为紫菜和海水两类，如图5所示。
得到的分类结果以矢量格式导出，在ArcGIS软件中打开，统计紫菜种植的网帘的排数和每一排网帘的长度，目标区共有612排网帘；在ArcGIS中测量分类后单排网帘的长度，在目标区随机测了20排网帘的排长，计算其平均值得到单排网帘的长度约为96m。
(3)获取目标区单个紫菜种植网帘长度、宽度信息；根据从当地种植户了解到的信息，该区域紫菜种植网帘尺寸为4.5m×5m，单个网帘的面积为22.5m2。
(4)根据紫菜种植每张网帘的宽度信息，确定遥感图像分类所获得的每一排网帘的张数；步骤(2)得到单排网帘的长度约为96m，根据步骤(3)的单张网帘的宽度为5m得到平均每一排有19张网帘。
(5)根据单个紫菜种植网帘宽度信息，计算出目标区紫菜种植面积。目标区内共有612排网帘(边角不完整的排数不计)，根据步骤(4)可知平均每一排有19张网帘，则该区域共有11628张网帘，而每张网帘的面积为22.5m2，则紫菜种植网帘面积共为261630m2，民间紫菜统计面积时以180m2为一亩，则目标区紫菜种植面积为1453.5亩。
以上所述仅为本发明的一个实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言，在不脱离本发明的原理的前提下进行的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于遥感图像和网帘信息的紫菜种植面积监测方法，包括如下步骤：
(1)获取目标区高分辨率遥感图像；
(2)对遥感图像进行预处理获得紫菜种植海域范围，对预处理后的图像进行分类，得到紫菜种植网帘的排数及每一排网帘的长度；
(3)获取紫菜种植海域单个紫菜种植网帘长度、宽度信息；
(4)将步骤(2)分类后得出每一排网帘的总长度除以步骤(3)得到的单个紫菜种植网帘的实际宽度得到每一排网帘的张数；
(5)将步骤(2)得出的紫菜种植区网帘排数乘以步骤(4)得出的每一排的网帘张数得到整个种植区的网帘张数，根据步骤(3)中的每一张网帘的长度和宽度，计算每一张网帘的面积，再乘以总的网帘张数得到目标区的紫菜种植面积。
2.根据权利要求1所述的基于遥感图像和网帘信息的紫菜种植面积监测方法，其特征在于，所述的步骤(1)中，高分辨率遥感图像的影像源为空间分辨率高于10米，具有红外波段光谱信息的遥感影像。
3.根据权利要求1所述的基于遥感图像和网帘信息的紫菜种植面积监测方法，其特征在于，所述的步骤(2)中，对遥感图像进行预处理包括几何校正、辐射校正、大气校正及影像裁剪、掩膜，区分出陆地和海域。
4.根据权利要求1所述的基于遥感图像和网帘信息的紫菜种植面积监测方法，其特征在于，所述的步骤(2)中对预处理后的图像进行分类采用面向对象法，先根据影像特征，进行对象分割得到分类对象，然后进行特征选取构建特征空间，根据需求选择适当的分类器，在特征空间内进行分类，得到分类结果。
5.根据权利要求4所述的基于遥感图像和网帘信息的紫菜种植面积监测方法，其特征在于，所述的步骤(2)中对预处理后的图像进行分类，从得到的分类结果计算出紫菜种植的网帘的排数和每一排网帘的长度。
6.根据权利要求4所述的基于遥感图像和网帘信息的紫菜种植面积监测方法，其特征在于，所述的特征选取以紫菜在各波段的反射率均值及光谱特征指数作为分类特征。
7.根据权利要求4所述的基于遥感图像和网帘信息的紫菜种植面积监测方法，其特征在于，所述的分类器为专家规则分类。
CN201710612042.4A 2017-07-25 2017-07-25 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 Pending CN107527364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710612042.4A CN107527364A (zh) 2017-07-25 2017-07-25 一种基于遥感图像和网帘信息的紫菜种植面积监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710612042.4A CN107527364A (zh) 2017-07-25 2017-07-25 一种基于遥感图像和网帘信息的紫菜种植面积监测方法

Publications (1)

Publication Number Publication Date
CN107527364A true CN107527364A (zh) 2017-12-29

Family

ID=60680069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710612042.4A Pending CN107527364A (zh) 2017-07-25 2017-07-25 一种基于遥感图像和网帘信息的紫菜种植面积监测方法

Country Status (1)

Country Link
CN (1) CN107527364A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107504923A (zh) * 2017-08-04 2017-12-22 浙江大学 一种综合遥感影像和延绳信息的海带养殖面积监测方法
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
CN108764188A (zh) * 2018-06-02 2018-11-06 太原理工大学 一种沙棘果品产量遥感精确估算方法
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
CN115684037A (zh) * 2023-01-03 2023-02-03 海南热带海洋学院崖州湾创新研究院 一种基于光谱图像的养殖紫菜生物量估测方法
CN117975282A (zh) * 2024-03-29 2024-05-03 山东大学 基于多元光学特征融合的紫菜养殖区遥感提取方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761447A (zh) * 2014-02-18 2014-04-30 中国科学院遥感与数字地球研究所 用于地市及县两级粮食补贴核算的种植面积遥感估算方法
CN105868717A (zh) * 2016-03-29 2016-08-17 南京信息工程大学 一种基于分类的高分辨率遥感图像单木树冠信息提取方法
CN106971156A (zh) * 2017-03-22 2017-07-21 中国地质科学院矿产资源研究所 一种基于面向对象分类的稀土开采区遥感信息提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761447A (zh) * 2014-02-18 2014-04-30 中国科学院遥感与数字地球研究所 用于地市及县两级粮食补贴核算的种植面积遥感估算方法
CN105868717A (zh) * 2016-03-29 2016-08-17 南京信息工程大学 一种基于分类的高分辨率遥感图像单木树冠信息提取方法
CN106971156A (zh) * 2017-03-22 2017-07-21 中国地质科学院矿产资源研究所 一种基于面向对象分类的稀土开采区遥感信息提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUHAN ZHENG等: "Object- and pixel-based classifications of macroalgae farming area with high spatial resolution imagery", 《GEOCARTO INTERNATIONAL》 *
韦章良: "基于高分辨率影像的近海养殖区的一种自动提取方法", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107504923A (zh) * 2017-08-04 2017-12-22 浙江大学 一种综合遥感影像和延绳信息的海带养殖面积监测方法
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
CN108764188A (zh) * 2018-06-02 2018-11-06 太原理工大学 一种沙棘果品产量遥感精确估算方法
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
CN115684037A (zh) * 2023-01-03 2023-02-03 海南热带海洋学院崖州湾创新研究院 一种基于光谱图像的养殖紫菜生物量估测方法
CN117975282A (zh) * 2024-03-29 2024-05-03 山东大学 基于多元光学特征融合的紫菜养殖区遥感提取方法及系统

Similar Documents

Publication Publication Date Title
CN107527364A (zh) 一种基于遥感图像和网帘信息的紫菜种植面积监测方法
Lu et al. A decision-tree classifier for extracting transparent plastic-mulched landcover from Landsat-5 TM images
CN105740759B (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
CN106951836A (zh) 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
CN105372672B (zh) 基于时间序列数据的南方冬种作物种植面积提取方法
CN107527014A (zh) 县级作物种植面积遥感统计抽样调查方案设计方法
CN113221806B (zh) 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
KR102496740B1 (ko) 위성영상 기반 저수지 수표면적 분석 시스템 및 방법
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
CN107504923A (zh) 一种综合遥感影像和延绳信息的海带养殖面积监测方法
WO2021133310A1 (en) Agricultural decision support system
Toosi et al. Citrus orchard mapping in Juybar, Iran: Analysis of NDVI time series and feature fusion of multi-source satellite imageries
CN110598514B (zh) 一种土地整治项目区地块尺度农作物播种面积监测方法
CN110245589A (zh) 一种基于高分遥感影像的西北地区地膜信息综合分析方法
Zhang et al. Large-scale apple orchard mapping from multi-source data using the semantic segmentation model with image-to-image translation and transfer learning
Ormeci et al. Identification of crop areas Using SPOT–5 data
Tong et al. Nano-satellites uphold Boserup’s theory of smallholder agricultural intensification
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
Cui et al. Optimal spatial resolution of remote-sensing imagery for monitoring cantaloupe greenhouses
CN114663780A (zh) 基于gee和机器学习的河套灌区种植结构识别方法及系统
Chen et al. Water requirement for irrigation of complicated agricultural land by using classified airborne digital sensor images
Yang et al. Feature extraction of cotton plant height based on DSM difference method
Jia et al. Crop Classification Based on A Gaofen 1/Wide-Field-View Time Series
Szatmári et al. The Role of Field Survey in the Identification of Farmland Abandonment in Slovakia Using Sentinel-2 Data
Sarron et al. Is machine learning efficient for mango yield estimation when used under heterogeneous field conditions?

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171229