CN108596029A - 农作物分类方法、装置、计算机设备和存储介质 - Google Patents

农作物分类方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN108596029A
CN108596029A CN201810228529.7A CN201810228529A CN108596029A CN 108596029 A CN108596029 A CN 108596029A CN 201810228529 A CN201810228529 A CN 201810228529A CN 108596029 A CN108596029 A CN 108596029A
Authority
CN
China
Prior art keywords
remotely
crops
sensed data
sorted
vegetation
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
CN201810228529.7A
Other languages
English (en)
Inventor
吴凡夫
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.)
Shang Zheng (beijing) Information Technology Co Ltd
Original Assignee
Shang Zheng (beijing) Information Technology Co Ltd
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 Shang Zheng (beijing) Information Technology Co Ltd filed Critical Shang Zheng (beijing) Information Technology Co Ltd
Priority to CN201810228529.7A priority Critical patent/CN108596029A/zh
Publication of CN108596029A publication Critical patent/CN108596029A/zh
Pending legal-status Critical Current

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种农作物分类方法，所述方法包括，获取待分类农作物的遥感数据；根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；根据所述植被覆盖指数时间序列提取时相特征；在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的待分类农作物进行分类，获得分类结果。采用本方法能够提高农作物分类的精度。本发明还涉及一种农作物分类装置、计算机设备和存储介质。

Description

农作物分类方法、装置、计算机设备和存储介质
技术领域
本发明涉及计算机技术领域，特别是涉及一种农作物分类方法、装置、计算机设备和存储介质。
背景技术
随着卫星技术的发展，出现了通过卫星对农业进行遥感监测的技术，其中，通过卫星估算作物的种植面积是对农业进行遥感监测的重要领域。而对遥感监测数据中的农作物进行分类则是通过卫星估算作物种植面积的重要核心问题。
然而，目前传统的农作物分类方法，存在选取的光谱曲线不能准确的反应光谱特征、时相特征等缺点，从而导致分类精度较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高分类精度的农作物分类方法、装置、计算机设备和存储介质。
一种农作物分类方法，所述方法包括：
获取待分类农作物的遥感数据；
根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；
根据所述植被覆盖指数时间序列提取时相特征；
在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；
根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对遥感数据中的待分类农作物进行分类，获得分类结果。
一种农作物分类装置，所述装置包括：
遥感数据获取模块，用于获取待分类农作物的遥感数据；
时间序列获取模块，用于根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；
时相特征获取模块，用于根据所述植被覆盖指数时间序列提取时相特征；
光谱特征及纹理特征获取模块，用于在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；
分类模块，用于根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的深度学习模型，对待分类农作物的遥感数据中的农作物进行分类，获得分类结果。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待分类农作物的遥感数据；
根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；
根据所述植被覆盖指数时间序列提取时相特征；
在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；
根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的待分类农作物进行分类，获得分类结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待分类农作物的遥感数据；
根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；
根据所述植被覆盖指数时间序列提取时相特征；
在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；
根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的待分类农作物进行分类，获得分类结果。
上述农作物的方法、装置、计算机设备和存储介质，上述农作物的分类方法中，通过选取光谱特征、纹理特征以及时相特征对待分类农作物的遥感数据中的农作物进行分类，结果更加准确，分类精度更高。
附图说明
图1为一个实施例中农作物分类方法的应用环境图；
图2为一个实施例中农作物分类方法的流程示意图；
图3为另一个实施例中农作物分类方法的流程示意图；
图4为又一个实施例中农作物分类方法的流程示意图；
图5为一个实施例中获取待分类农作物遥感数据的流程示意图；
图6为一个实施例中根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列的流程示意图；
图7为一个实施例中农作物分类装置的结构框图；
图8为另一个实施例中农作物分类装置的结构框图；
图9为一个实施例中计算机设备的内部结构图；
图10为又一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的农作物分类方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与卫星104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，卫星104用于获取遥感数据，可以理解，遥感数据中包括农作物的植被覆盖信息，一般的，遥感数据中包括一种或几种植被，并可以通过本实施例提供的农作物分类方法对其中的植被进行区分。卫星104获取到的遥感数据根据使用目的可以分为待分类农作物的遥感数据、样本遥感数据。其中，待分类农作物的遥感数据是需要对其中的农作物进行分类的数据，而样本遥感数据用于训练分类模型，验证遥感数据是对分类结果进行验证的数据。卫星104可以是美国国家航空航天局(National Aeronautics and Space Administration，NASA)发射的陆地参考卫星(Landsat卫星)，也可以是欧洲航天局哥白尼计划(GEMS)中发射的地球观测卫星(Sentinel系列卫星)，还可以是其他对陆地进行观测的卫星。
在一个实施例中，如图2所示，图2为一个实施例提供的一种农作物分类方法的流程示意图。以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S210，获取待分类农作物的遥感数据。
具体的，待分类农作物的遥感数据可以是记录各种地物电磁波大小的胶片或照片。可以是直接接收卫星获取的遥感数据，也可以是通过卫星获取且存储在服务器端的历史遥感数据，还可以是通过航空进行拍摄获得的遥感数据。其中，获取待分类农作物的遥感数据可以是通过远程通信的方式进行直接获取，例如，通过2G网络、3G网络、4G网络或者5G网络、无线保真(Wireless Fidelity，简称WIFI)网络等进行通信。也可以通过U盘、移动硬盘等手段进行间接获取。也就是说，对于获取待分类农作物的遥感数据的方式，本实施例并不做限定。
步骤S220，根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列。
具体的，植被覆盖指数(Normalized Difference Vegetation Index，NDVI)可以使遥感数据中的植被、水以及土地分离开来，能够反映植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶等。也就是说，植被覆盖指数能够直接反映植被在可见光、近红外波段的反射与土壤背景之间的差异性，且能够部分的消除与太阳高度角、卫星观测角、地形以及云影等与大气条件有关的辐射变化影响。一般而言，植被覆盖指数的取值范围是[-1，1]。
步骤S230，根据所述植被覆盖指数时间序列提取时相特征。
具体的，由于植被覆盖指数的值具有一定的规律性，一般不会出现突然的异常变化。本领域人员可以理解，特定的农作物一般在每年特定的时间播种和收获，其中播种和收获之间的时间段被称作生长季。一般来说，在植被的生长季中，植被覆盖指数的值随时间的增长而增长，而有越冬期的植被在越冬期植被覆盖指数的值会先减少，越冬期后又逐渐增大。在收获时，植被覆盖指数的值会快速降低至较低值。也就是说，在生长季的植被覆盖指数时间序列，可以被拟合成一个平滑曲线。
例如，对于春小麦，一般在4月播种，8月收获，那么4月和8月之间就可以被称作春小麦的生长季，那么春小麦的植被覆盖指数时间序列应该是一个抛物线波峰。再如对于冬小麦在10月种植，翌年的5月底及6月初进行收获，其中1月到2月为越冬期，在冬小麦的植被覆盖指数时间序列中将表现为两个连续的抛物线波峰，第一个抛物线波峰从10月份开始植被覆盖指数值持续上升，在12月底开始持续下降，1月初到达低谷，而在3月初植被覆盖指数值重新开始持续上升，而在5月底或6月初达到顶峰后开始迅速下降。
步骤S240，在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征。
具体的，光谱特征可以是根据农作物类型对于不同波段反射率的差异性而确定的反射率特征。例如，在9月份时，对于棉花处于吐絮忘期，植株茂盛，植被光谱特征明显突出，近红外波段的反射率高，而玉米在9月份时进入成熟期，在近红外波段反射率均低于棉花。因此，确定近红外波段为反射率特征波段。
纹理特征用来表征物体表面纹理的特征，通常用来描述图像像元灰度空间分布的规律，纹理特征不随光线强弱以及衍射的变化而变化。在遥感影像中农作物具有一定的纹理特征。
进一步的，可以通过以下方式提取遥感影像中的纹理特征，首先对遥感数据中的反射率数据进行主成分分析(Principal Component Analysis，PCA)，保留前3个主成分分量，然后选用3*3的滑窗，通过灰度共生矩阵分别计算获得前3个分量的8种纹理特征，即均值、方差、对比度、熵、二阶矩阵、同质性、差异性以及相关性。
步骤S250，根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的农作物进行分类，获得分类结果。
具体的，将获得的光谱特征、纹理特征以及时相特征，通过训练号的分类模型，对待分类农作物的遥感数据中的农作物进行分类，从而可以获得分类结果。
进一步的，分类模型是通过支持向量机进行训练获得的，需要说明的是，分类模型还可以通过人工神经网络、决策树等方式训练获得。
上述农作物的分类方法中，通过选取光谱特征、纹理特征以及时相特征对待分类农作物的遥感数据中的农作物进行分类，结果更加准确，分类精度更高。
在一个实施例中，请参阅图3，图3为一个实施例提供的农作物分类方法的流程示意图。其中，所述方法包括：
S310,获取待分类农作物的遥感数据。
具体的，步骤S310的具体实现方式与步骤S210类似，不再赘述。
S320,根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列。
具体的，步骤S320的具体实现方式与步骤S220类似，不再赘述。
S330,根据所述植被覆盖指数时间序列提取时相特征。
具体的，步骤S330的具体实现方式与步骤S230类似，不再赘述。
S340，在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征。
具体的，步骤S340的具体实现方式与步骤S240类似，不再赘述。
S350，根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的农作物进行分类，获得分类结果。
具体的，步骤S350的具体实现方式与步骤S250类似，不再赘述。
S360，判断待分类农作物的遥感数据的空间分辨率是否一致。
具体的，空间分辨率是指遥感图像中能够详细区分的最小单元的尺寸或大小，或是指遥感器区分两个目标的最小角度或线性距离的度量。空间分辨率一般是用来表征影像分辨地面目标细节的指标，通常可以用像元大小、像解率或视场角来表示。
S370，若不一致，则以待分类农作物的遥感数据中最大空间分辨率为标准，对分类结果进行重采样，获得采样结果。
具体的，在由多个遥感数据组成的遥感数据集中，可能存在多个空间分辨率的情况。而不同的空间分辨率的遥感数据中，农作物的分类方法对同一个像元的分类结果可能是不同的。因此，需要将不同的空间分辨率作归一化处理。在本实施例中，选择最大空间分辨率为标准对空间分辨率进行归一化处理。举例而言，比如对于存在10m，16m，30m，250m四种分辨率的遥感数据集，则选定10m为目标分辨率，对16m，30m，250m的影像进行重采样。
需要说明的是，还可以指定更大的空间分辨率作为目标分辨率进行重采样，例如，在上述存在10m，16m，30m，250m四种分辨率的遥感数据集中，可以选定5m为目标分辨率，对10m，16m，30m，250m的影像进行重采用。
S380，根据地理坐标，融合所述采样结果，并将融合后的采样结果作为新的分类结果。
具体的，对重采样的采样结果进行地理配准，也就是说，根据地理坐标的对分类结果进行配准，使得每个像元具有同样的地理坐标。然后，对每个像元获得的分类结果进行融合，获得新的分类结果。
进一步的，可以通过百分比法进行融合，例如，对于同一个像元，在采样结果1中，该像元被分类为棉花，而在采样结果2、采样结果3、采样结果4中，该像元均被分类为玉米。则融合后的分类结果可以表示为:玉米的可能性为75％，棉花的可能性为25％。需要说明的是，除了上述融合方法外，还可以采用其他方法对采用结果进行融合，例如，可以采用加权平均的方法，即对每个采用结果乘以预先指定的权重后再作平均的方法。也就是说，本实施例对于融合采用结果的具体方式并不做限定。
上述农作物的分类方法，对于不同的空间分辨率的分类结果进行归一化处理，使得分类结果更加准确，精度也更高。
请参阅图4，图4为一个实施例提供的农作物分类方法的流程图。其中，所述方法还包括：
S410,获取待分类农作物的遥感数据。
具体的，步骤S410的具体实现方式与步骤S210类似，不再赘述。
S420,根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列。
具体的，步骤S420的具体实现方式与步骤S220类似，不再赘述。
S430,根据所述植被覆盖指数时间序列提取时相特征。
具体的，步骤S430的具体实现方式与步骤S230类似，不再赘述。
S440，在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征。
具体的，步骤S440的具体实现方式与步骤S240类似，不再赘述。
S450，根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的农作物进行分类，获得分类结果。
具体的，步骤S450的具体实现方式与步骤S250类似，不再赘述。
S460，获取验证数据。
具体的，验证数据是用来验证分类结果是否准确的数据，可以通过历史统计数据进行验证，也可以通过人工采集获得的数据进行验证。进一步的，综合考虑地形、地貌以及种植结构，根据地面坐标实地采集种植作物。更进一步的，在采集过程中，保证每10平方公里采集一个样方。
S470，根据所述验证数据与所述分类结果，获取所述分类结果对应的混淆矩阵，根据混淆矩阵验证所述分类结果。
具体的，混淆矩阵是用来表示精度评价的一种标准格式，可以用一个N行N列的矩阵来表示。具体评价指标由总体精度、制图精度、用户精度等，主要用于比较分类结果和验证数据，并将分类结果的精度显示在一个矩阵里面。一般来说，混淆矩阵可以通过将每个像元的验证数据及分类结果计算获得。例如，对于棉花、玉米、小麦这三种农作物而言，有150个待分类农作物的遥感数据，这150个待分类农作物的遥感数据可以获得150个分类结果。另外对应这150个待分类农作物的遥感数据还可以分别采集150个验证数据。根据分类结果和验证数据经过计算可以获得如下所示的混淆矩阵。
从上述混淆矩阵中，我们可以判断对于棉花类总共有50个验证数据，而其中43个分类结果是正确的。玉米类总共有50个验证数据，而其中45个分类结果是正确的。小麦类总共有50个验证数据，而其中49个分类结果是正确的。
上述农作物的分类方法，通过验证数据以及分类结果生成混淆矩阵，并通过混淆矩阵对分类结果进行验证，不仅可以验证分类结果的有效性，还可以根据验证结果对分类方法进行改进，从而进一步提高了分类的精度。
在一个实施例中，其中，所述获取待分类农作物的遥感数据的步骤包括：
S211，根据预设的目标区域以及预设的时间间隔，在遥感数据中进行选择，并对选中的遥感数据进行预处理，获得待分类农作物的遥感数据。
具体的，在遥感数据中选取目标区域以及预设的时间间隔的数据。目标区域是指需要进行农作物分类的区域，预设的时间间隔可以是待分类作为前后半个月的数据。
棉花(分类结果) 玉米(分类结果) 小麦(分类结果)
棉花(验证数据) 43 5 2
玉米(验证数据) 2 45 3
小麦(验证数据) 0 1 49
为了进一步提升分类的精度，可以对遥感数据进行预处理，以消除传感器、大气反射、地理位置等对遥感数据的影响。进一步的，预处理的步骤可以包括辐射定标、辐射校正、大气校正、几何校正、正射校正等。辐射定标是用户需要计算地物的光谱反射率或者光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，将图像的亮度灰度值转换为绝对的辐射亮度的过程。辐射校正(Radiometric Correction)是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或者改正因辐射误差而引起影像畸变的过程。大气校正是指消除由大气影像所造成的辐射误差、反演地物真实的表明反射率的过程，其中，所谓辐射误差是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。几何校正是指通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形的过程。正射校正一般是通过在像片上选取一些地面控制点，并利用原来已经获取的该像片范围内的数字高程模型数据，对影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像的过程。
上述农作物分类方法，通过选择合适的遥感数据并对遥感数据进行预处理，能有效的消除传感器、大气反射、地理位置等对遥感数据的影响。从而进一步提高分类精度。
请参阅图5，图5为一个实施例提供的根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列的步骤的流程示意图，其中，包括：
S510，在待分类农作物的遥感数据中获取各个时相对应的近红外波段反射率以及红光波段的反射率。
具体的，待分类农作物的遥感数据中包括带有地理空间信息的多光谱反射率数据，其中包括了红光波段光谱数据和近红外波段光谱数据。
S520，根据所述各个时相对应的近红外波段反射率以及红光波段的反射率计算各个时相对应的植被覆盖指数。
具体的，植被覆盖指数的值随时间变化与植被的物候信息呈现一定的规律性，是区分地物的重要特征。通常可以利用下述公式及其变形计算时相的植被覆盖指数数据：
NDVI＝(nir-red)/(nir+red)
其中，nir是近红外波段的反射率，red是红光波段的反射率。
S530，根据各个时相对应的植被覆盖指数构建所述植被覆盖指数时间序列。
具体的，将各个时相对应的植被覆盖指数按照时间的先后顺序进行排列，即构成了植被覆盖指数时间序列。
请参阅图6，图6为一个实施例提供的根据各个时相对应的植被覆盖指数构建所述植被覆盖指数时间序列的步骤的流程示意图，包括：
S610，根据预设的时长以及当前时相，获取第一时间窗，并获取第一时间窗内各个时相对应的植被覆盖指数。
具体的，以当前时相为起点，向前选取预设时间的时长，构成第一时间窗，并获取第一时间窗内的各个时相对应的植被覆盖指数。进一步的，预设时间的时长为3旬，即30天。
S620，将第一时间窗内各个时相对应的植被覆盖指数进行拟合，获取第一平滑曲线，并根据第一平滑曲线获取当前时相对应的修正植被覆盖指数。
具体的，将步骤S610中获取到的各个时相对应的植被覆盖指数进行拟合，即得到一个平滑曲线，并根据该平滑曲线获取当前时相对应的值，并将该值作为修正植被覆盖指数。
S630，根据各个时相对应的修正植被覆盖指数构建所述植被覆盖指数时间序列。
具体的，将原各个时相对应的植被覆盖指数均按照上述S223a及S223b的方式进行修正，直到所有时相对应的植被覆盖指数均修正完成，则植被覆盖指数时间序列构建完成。
在一个实施例中，其中，所述根据所述光谱特征、所述纹理特征以及所述时相特征，对待分类农作物的遥感数据中的农作物进行分类，获得分类结果的步骤包括：
S251，获取地表覆盖数据。
具体的，使用全球30m地表覆盖数据(Globeland 30)，全球30m地表覆盖数据分为10种地物类型，包括耕地、森林、草地、灌木地、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪。
S252，根据所述地表覆盖数据对所述光谱特征、所述纹理特征以及所述时相特征进行掩膜，获得更新后的光谱特征、纹理特征以及时相特征。
具体的，使用耕地数据对光谱特征、纹理特征以及时相特征进行掩膜，只保留待分类农作物的遥感数据中的耕地数据所对应的特征，从而获得更新后的光谱特征、纹理特征以及时相特征。
S253，根据所述更新后的光谱特征、纹理特征以及时相特征，通过预先训练的分类模型，对所述农作物进行分类。
具体的，对于经过掩膜后的光谱特征、纹理特征以及时相特征，通过预先训练的分类模型，对农作物进行分类，从而使得分类结果更加准确，精度更高。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种农作物分类的装置，包括：遥感数据获取模块710、时间序列获取模块720、时相特征获取模块730、光谱特征及纹理特征获取模块740以及分类模块750，其中：
遥感数据获取模块710，用于获取待分类农作物的遥感数据；
时间序列获取模块720，用于根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；
时相特征获取模块730，用于根据所述植被覆盖指数时间序列提取时相特征；
光谱特征及纹理特征获取模块740，用于在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；
分类模块750，用于根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的深度学习模型，对待分类农作物的遥感数据中的农作物进行分类，获得分类结果。
具体的，关于本实施例所示提供的农作物分类装置的具体限定及有益效果可以参见上文中对于农作物分类方法具体限定及有益效果，在此不再赘述。
请继续参阅图7，其中，该装置包括遥感数据获取模块710、时间序列获取模块720、时相特征获取模块730、光谱特征及纹理特征获取模块740以及分类模块750、分辨率判断模块760、采样结果获得模块以及采样结果融合模块。其中，
分辨率判断模块760，用于判断待分类农作物的遥感数据的空间分辨率是否一致；
采样结果获得模块770，用于若分辨率判断模块760得到的判断结果为不一致，则以待分类农作物的遥感数据中最大空间分辨率为标准，对分类结果进行重采样，获得采样结果；
采样结果融合模块780，用于根据地理坐标，融合所述采样结果，并将融合后的采样结果作为新的分类结果。
具体的，关于本实施例所示提供的农作物分类装置的具体限定及有益效果可以参见上文中对于农作物分类方法具体限定及有益效果，在此不再赘述。
请参阅图8，图8为一个实施例提供的农作物分类装置的结构示意图，其中，包括遥感数据获取模块710、时间序列获取模块720、时相特征获取模块730、光谱特征及纹理特征获取模块740、分类模块750以及验证数据获取模块860、验证模块870。
其中，所述验证数据获取模块860，用于获取验证数据。
所述验证模块870，用于根据所述验证数据与所述分类结果，获取所述分类结果对应的混淆矩阵，根据混淆矩阵验证所述分类结果。
具体的，关于本实施例所示提供的农作物分类装置的具体限定及有益效果可以参见上文中对于农作物分类方法具体限定及有益效果，在此不再赘述。
在一个实施例中，农作物分类装置中的遥感数据获取模块710包括：
遥感数据获取单元，用于根据预设的目标区域以及预设的时间间隔，在遥感数据中进行选择，并对选中的遥感数据进行预处理，获得农作物的待分类农作物的遥感数据。
具体的，关于本实施例所示提供的农作物分类装置的具体限定及有益效果可以参见上文中对于农作物分类方法具体限定及有益效果，在此不再赘述。
在一个实施例中，农作物分类装置中的时间序列获取模块720，包括反射率获取单元、植被覆盖指数获取单元以及时间序列构建单元。其中，
反射率获取单元，用于在待分类农作物的遥感数据中获取各个时相对应的近红外波段反射率以及红光波段的反射率。
植被覆盖指数获取单元，用于根据所述各个时相对应的近红外波段反射率以及红光波段的反射率计算各个时相对应的植被覆盖指数值。
时间序列构建单元，用于根据各个时相对应的植被覆盖指数构建所述植被覆盖指数时间序列。
具体的，关于本实施例所示提供的农作物分类装置的具体限定及有益效果可以参见上文中对于农作物分类方法具体限定及有益效果，在此不再赘述。
在一个实施例中，时间序列构建单元包括窗内指数获取子单元，修正子单元以及重构子单元。其中，
窗内指数获取子单元，用于根据预设的时长以及当前时相，获取第一时间窗，并获取第一时间窗内各个时相对应的植被覆盖指数。
修正子单元，用于将第一时间窗内各个时相对应的植被覆盖指数进行拟合，获取第一平滑曲线，并根据第一平滑曲线获取当前时相对应的修正植被覆盖指数。
重构子单元，用于根据各个时相对应的修正植被覆盖指数构建所述植被覆盖指数时间序列。
具体的，关于本实施例所示提供的农作物分类装置的具体限定及有益效果可以参见上文中对于农作物分类方法具体限定及有益效果，在此不再赘述。
在一个实施例中，分类模块包括，地表覆盖数据获取单元，掩模单元以及分类单元。其中，
地表覆盖数据获取单元，用于获取地表覆盖数据。
掩模单元，用于根据所述地表覆盖数据对所述光谱特征、所述纹理特征以及所述时相特征进行掩膜，获得更新后的光谱特征、纹理特征以及时相特征。
分类单元，用于根据所述更新后的光谱特征、纹理特征以及时相特征，通过支持向量机，对所述农作物进行分类。
在一个实施例中，还应用于上述农作物分类装置的分类模型训练装置，其中，所述训练装置包括样本数据获取模块，特征提取模块，模型获得模块。其中，样本数据获取模块，用于获取样本遥感数据；特征提取模块，用于在所述样本遥感数据中提取样本时相特征、样本光谱特征以及样本纹理特征；模型获得模块，用于根据所述样本时相特征、样本光谱特征以及样本纹理特征，通过支持向量机，获得所述深度学习模型。
需要说明的是，上述各个实施例涉及的农作物分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储遥感数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种农作物的分类方法。
在一个实施例中，提供了一种计算机设备，该计算机设备还可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种农作物的分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9或图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取待分类农作物的遥感数据；
根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；
根据所述植被覆盖指数时间序列提取时相特征；
在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；
根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的待分类农作物进行分类，获得分类结果。
在一个实施例中，处理器执行计算机程序时实现所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对所述待分类农作物的遥感数据中的农作物进行分类，获得分类结果之后，所述方法还包括：
判断待分类农作物的遥感数据的空间分辨率是否一致；
若不一致，则以待分类农作物的遥感数据中最大空间分辨率为标准，对分类结果进行重采样，获得采样结果；
根据地理坐标，融合所述采样结果，并将融合后的采样结果作为新的分类结果。
在一个实施例中，处理器执行计算机程序时实现所述根据光谱特征、纹理特征以及时相特征，通过预先训练的分类模型，对所述待分类农作物的遥感数据中的农作物进行分类，获得分类结果之后，所述方法还包括：
获取验证数据；
根据所述验证数据与所述分类结果，获取所述分类结果对应的混淆矩阵，根据混淆矩阵验证所述分类结果。
在一个实施例中，处理器执行计算机程序时实现的所述获取待分类农作物的遥感数据的步骤包括：
根据预设的目标区域以及预设的时间间隔，在遥感数据中进行选择，并对选中的遥感数据进行预处理，获得农作物的待分类农作物的遥感数据。
在一个实施例中，处理器执行计算机程序时实现大的所述根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列的步骤包括：
在待分类农作物的遥感数据中获取各个时相对应的近红外波段反射率以及红光波段的反射率；
根据所述各个时相对应的近红外波段反射率以及红光波段的反射率计算各个时相对应的植被覆盖指数值；
根据各个时相对应的植被覆盖指数构建所述植被覆盖指数时间序列。
在一个实施例中，处理器执行计算机程序时实现的所述根据各个时相对应的植被覆盖指数构建所述植被覆盖指数时间序列的步骤包括：
根据预设的时长以及当前时相，获取第一时间窗，并获取第一时间窗内各个时相对应的植被覆盖指数；
将第一时间窗内各个时相对应的植被覆盖指数进行拟合，获取第一平滑曲线，并根据第一平滑曲线获取当前时相对应的修正植被覆盖指数；
根据各个时相对应的修正植被覆盖指数构建所述植被覆盖指数时间序列。
在一个实施例中，处理器执行计算机程序时实现的所述根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的农作物进行分类，获得分类结果的步骤包括：
获取地表覆盖数据；
根据所述地表覆盖数据对所述光谱特征、所述纹理特征以及所述时相特征进行掩膜，获得更新后的光谱特征、纹理特征以及时相特征；
根据所述更新后的光谱特征、纹理特征以及时相特征，通过支持向量机，对所述农作物进行分类。
在一个实施例中，处理器执行计算机程序时实现的所述分类模型的训练过程包括：
获取样本遥感数据；
在所述样本遥感数据中提取样本时相特征、样本光谱特征以及样本纹理特征；
根据所述样本时相特征、样本光谱特征以及样本纹理特征，通过支持向量机，获得所述分类模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分类农作物的遥感数据；
根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；
根据所述植被覆盖指数时间序列提取时相特征；
在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；
根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的待分类农作物进行分类，获得分类结果。
在一个实施例中，可读存储介质中存储的计算机程序被处理器执行时，实现的所述根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对所述待分类农作物的遥感数据中的农作物进行分类，获得分类结果之后，所述方法还包括：
判断待分类农作物的遥感数据的空间分辨率是否一致；
若不一致，则以待分类农作物的遥感数据中最大空间分辨率为标准，对分类结果进行重采样，获得采样结果；
根据地理坐标，融合所述采样结果，并将融合后的采样结果作为新的分类结果。
在一个实施例中，可读存储介质中存储的计算机程序被处理器执行时，实现的所述根据光谱特征、纹理特征以及时相特征，通过预先训练的分类模型，对所述待分类农作物的遥感数据中的农作物进行分类，获得分类结果之后，所述方法还包括：
获取验证数据；
根据所述验证数据与所述分类结果，获取所述分类结果对应的混淆矩阵，根据混淆矩阵验证所述分类结果。
在一个实施例中，可读存储介质中存储的计算机程序被处理器执行时，实现的所述获取待分类农作物的遥感数据的步骤包括：
根据预设的目标区域以及预设的时间间隔，在遥感数据中进行选择，并对选中的遥感数据进行预处理，获得农作物的待分类农作物的遥感数据。
在一个实施例中，可读存储介质中存储的计算机程序被处理器执行时，实现的所述根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列的步骤包括：
在待分类农作物的遥感数据中获取各个时相对应的近红外波段反射率以及红光波段的反射率；
根据所述各个时相对应的近红外波段反射率以及红光波段的反射率计算各个时相对应的植被覆盖指数值；
根据各个时相对应的植被覆盖指数构建所述植被覆盖指数时间序列。
在一个实施例中，可读存储介质中存储的计算机程序被处理器执行时，实现的所述根据各个时相对应的植被覆盖指数构建所述植被覆盖指数时间序列的步骤包括：
根据预设的时长以及当前时相，获取第一时间窗，并获取第一时间窗内各个时相对应的植被覆盖指数；
将第一时间窗内各个时相对应的植被覆盖指数进行拟合，获取第一平滑曲线，并根据第一平滑曲线获取当前时相对应的修正植被覆盖指数；
根据各个时相对应的修正植被覆盖指数构建所述植被覆盖指数时间序列。
在一个实施例中，可读存储介质中存储的计算机程序被处理器执行时，实现的所述根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对待分类农作物的遥感数据中的农作物进行分类，获得分类结果的步骤包括：
获取地表覆盖数据；
根据所述地表覆盖数据对所述光谱特征、所述纹理特征以及所述时相特征进行掩膜，获得更新后的光谱特征、纹理特征以及时相特征；
根据所述更新后的光谱特征、纹理特征以及时相特征，通过支持向量机，对所述农作物进行分类。
在一个实施例中，可读存储介质中存储的计算机程序被处理器执行时，实现的，所述分类模型的训练过程包括：
获取样本遥感数据；
在所述样本遥感数据中提取样本时相特征、样本光谱特征以及样本纹理特征；
根据所述样本时相特征、样本光谱特征以及样本纹理特征，通过支持向量机，获得所述分类模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种农作物分类方法，其特征在于，所述方法包括：
获取待分类农作物的遥感数据；
根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；
根据所述植被覆盖指数时间序列提取时相特征；
在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；
根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对遥感数据中的待分类农作物进行分类，获得分类结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对遥感数据中的待分类农作物进行分类，获得分类结果之后，所述方法还包括：
判断待分类农作物的遥感数据的空间分辨率是否一致；
若不一致，则以待分类农作物的遥感数据中最大空间分辨率为标准，对分类结果进行重采样，获得采样结果；
根据地理坐标，融合所述采样结果，并将融合后的采样结果作为新的分类结果。
3.根据权利要求1所述的方法，其特征在于，所述根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对遥感数据中的待分类农作物进行分类，获得分类结果之后，所述方法还包括：
获取验证数据；
根据所述验证数据与所述分类结果，获取所述分类结果对应的混淆矩阵，根据混淆矩阵验证所述分类结果。
4.根据权利要求1所述的方法，其特征在于，所述获取待分类农作物的遥感数据的步骤包括：
根据预设的目标区域以及预设的时间间隔，在原始遥感数据中进行选择，并对选中的遥感数据进行预处理，获得待分类农作物的遥感数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列的步骤包括：
在待分类农作物的遥感数据中获取各个时相对应的近红外波段反射率以及红光波段的反射率；
根据所述各个时相对应的近红外波段反射率以及红光波段的反射率，计算各个时相对应的植被覆盖指数值；
根据各个时相对应的植被覆盖指数构建所述植被覆盖指数时间序列。
6.根据权利要求5所述的方法，其特征在于，所述根据各个时相对应的植被覆盖指数构建所述植被覆盖指数时间序列的步骤包括：
根据预设的时长以及当前时相，获取第一时间窗，并获取第一时间窗内各个时相对应的植被覆盖指数；
将第一时间窗内各个时相对应的植被覆盖指数进行拟合，获取第一平滑曲线，并根据第一平滑曲线获取当前时相对应的修正植被覆盖指数；
根据各个时相对应的修正植被覆盖指数构建所述植被覆盖指数时间序列。
7.根据权利要求1所述的方法，其特征在于，所述根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对遥感数据中的待分类农作物进行分类，获得分类结果的步骤包括：
获取地表覆盖数据；
根据所述地表覆盖数据对所述光谱特征、所述纹理特征以及所述时相特征进行掩膜，获得更新后的光谱特征、纹理特征以及时相特征；
根据所述更新后的光谱特征、纹理特征以及时相特征，通过支持向量机，对农作物进行分类。
8.根据权利要求1-7中任意一项所述的方法，其特征在于，所述分类模型的训练过程包括：
获取样本遥感数据；
在所述样本遥感数据中提取样本时相特征、样本光谱特征以及样本纹理特征；
根据所述样本时相特征、样本光谱特征以及样本纹理特征，通过支持向量机，获得所述分类模型。
9.一种农作物分类装置，其特征在于，所述装置包括：
遥感数据获取模块，用于获取待分类农作物的遥感数据；
时间序列获取模块，用于根据所述待分类农作物的遥感数据构建植被覆盖指数时间序列；
时相特征获取模块，用于根据所述植被覆盖指数时间序列提取时相特征；
光谱特征及纹理特征获取模块，用于在所述待分类农作物的遥感数据中提取光谱特征以及纹理特征；
分类模块，用于根据所述光谱特征、所述纹理特征以及所述时相特征，通过预先训练的分类模型，对遥感数据中的待分类农作物进行分类，获得分类结果。
10.一种计算机设备，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
CN201810228529.7A 2018-03-20 2018-03-20 农作物分类方法、装置、计算机设备和存储介质 Pending CN108596029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810228529.7A CN108596029A (zh) 2018-03-20 2018-03-20 农作物分类方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810228529.7A CN108596029A (zh) 2018-03-20 2018-03-20 农作物分类方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN108596029A true CN108596029A (zh) 2018-09-28

Family

ID=63626829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810228529.7A Pending CN108596029A (zh) 2018-03-20 2018-03-20 农作物分类方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN108596029A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657598A (zh) * 2018-12-13 2019-04-19 宁波大学 基于分层策略的滨海湿地遥感分类方法
CN110321861A (zh) * 2019-07-09 2019-10-11 中国水利水电科学研究院 一种农作物种植结构月尺度动态提取方法
CN110428013A (zh) * 2019-08-07 2019-11-08 吉林大学 一种农作物遥感分类方法及系统
CN110647932A (zh) * 2019-09-20 2020-01-03 河南工业大学 一种种植作物结构遥感影像分类方法及装置
CN112446339A (zh) * 2020-12-04 2021-03-05 中国科学院东北地理与农业生态研究所 一种层次深度学习农作物遥感分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105388475A (zh) * 2015-10-27 2016-03-09 中国热带农业科学院橡胶研究所 一种在palsar森林分类结果中去除高生物量甘蔗的方法
US20170243340A1 (en) * 2016-02-21 2017-08-24 Prospera Technologies, Ltd. Techniques for determining absolute color values for multimedia content elements

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105388475A (zh) * 2015-10-27 2016-03-09 中国热带农业科学院橡胶研究所 一种在palsar森林分类结果中去除高生物量甘蔗的方法
US20170243340A1 (en) * 2016-02-21 2017-08-24 Prospera Technologies, Ltd. Techniques for determining absolute color values for multimedia content elements

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘亚群: ""基于多时相遥感影像的黑河流域农作物种植结构提取研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
张焕雪: ""农田景观模型及其对农作物遥感识别与面积估算的影响研究"", 《中国博士学位论文全文数据库 农业科技辑》 *
张焕雪等: ""基于多时相环境星NDVI时间序列的农作物分类研究"", 《遥感技术与应用》 *
王娜: ""江苏省主要农作物遥感识别特征的时空效应研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
竞霞: ""基于时相和波谱信息的作物分类研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657598A (zh) * 2018-12-13 2019-04-19 宁波大学 基于分层策略的滨海湿地遥感分类方法
CN109657598B (zh) * 2018-12-13 2020-05-05 宁波大学 基于分层策略的滨海湿地遥感分类方法
CN110321861A (zh) * 2019-07-09 2019-10-11 中国水利水电科学研究院 一种农作物种植结构月尺度动态提取方法
CN110428013A (zh) * 2019-08-07 2019-11-08 吉林大学 一种农作物遥感分类方法及系统
CN110647932A (zh) * 2019-09-20 2020-01-03 河南工业大学 一种种植作物结构遥感影像分类方法及装置
CN110647932B (zh) * 2019-09-20 2022-09-09 河南工业大学 一种种植作物结构遥感影像分类方法及装置
CN112446339A (zh) * 2020-12-04 2021-03-05 中国科学院东北地理与农业生态研究所 一种层次深度学习农作物遥感分类方法

Similar Documents

Publication Publication Date Title
Hamylton et al. Evaluating techniques for mapping island vegetation from unmanned aerial vehicle (UAV) images: Pixel classification, visual interpretation and machine learning approaches
US9734400B2 (en) System and method for field variance determination
US20230292647A1 (en) System and Method for Crop Monitoring
CN108596029A (zh) 农作物分类方法、装置、计算机设备和存储介质
dela Torre et al. Remote sensing-based estimation of rice yields using various models: A critical review
Sharifi Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images
Son et al. A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan
US20230091677A1 (en) Monitoring and intelligence generation for farm field
Jeong et al. Application of an unmanned aerial system for monitoring paddy productivity using the GRAMI-rice model
Peter et al. Multi-spatial resolution satellite and sUAS imagery for precision agriculture on smallholder farms in Malawi
Yu et al. Deep convolutional neural networks for estimating maize above-ground biomass using multi-source UAV images: A comparison with traditional machine learning algorithms
CN113795846A (zh) 确定作物种植信息的方法、装置及计算机存储介质
Fathololoumi et al. Surface biophysical features fusion in remote sensing for improving land crop/cover classification accuracy
Choudhury et al. Methodology to classify rice cultural types based on water regimes using multi-temporal RADARSAT-1 data
Sivarajan Estimating yield of irrigated potatoes using aerial and satellite remote sensing
JP6932682B2 (ja) プログラム、情報処理方法、及び情報処理装置
Guilherme Teixeira Crusiol et al. Assessing the potential of using high spatial resolution daily NDVI-time-series from planet CubeSat images for crop monitoring
Roma et al. Unmanned aerial vehicle and proximal sensing of vegetation indices in olive tree (Olea europaea)
WO2023055897A1 (en) Methods and systems for use in processing images related to crops
Friesenhahn et al. Using drones to detect and quantify wild pig damage and yield loss in corn fields throughout plant growth stages
Som-ard et al. Sugarcane yield estimation in Thailand at multiple scales using the integration of UAV and Sentinel-2 imagery
Mashonganyika et al. Mapping of Winter Wheat Using Sentinel-2 NDVI Data
Oberthür et al. Acquisition of low altitude digital imagery for local monitoring and management of genetic resources
Zhang et al. Research on rice acreage estimation in fragmented area based on decomposition of mixed pixels
Ramadhani Mapping of multitemporal rice (Oryza sativa L.) growth stages using remote sensing with multi-sensor and machine learning: a thesis dissertation presented in partial fulfilment of the requirements for the degree of Doctor of Philosophy in Earth Science at Massey University, Manawatū, New Zealand

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: 20180928

RJ01 Rejection of invention patent application after publication