CN108710864B - 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 - Google Patents

基于多维度识别及图像降噪处理的冬小麦遥感提取方法 Download PDF

Info

Publication number
CN108710864B
CN108710864B CN201810520340.5A CN201810520340A CN108710864B CN 108710864 B CN108710864 B CN 108710864B CN 201810520340 A CN201810520340 A CN 201810520340A CN 108710864 B CN108710864 B CN 108710864B
Authority
CN
China
Prior art keywords
winter wheat
image
noise reduction
area
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.)
Active
Application number
CN201810520340.5A
Other languages
English (en)
Other versions
CN108710864A (zh
Inventor
金永涛
刘世盟
李旭青
李国洪
杨秀峰
刘子安
张松
陈淑迎
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.)
North China Institute of Aerospace Engineering
Original Assignee
North China Institute of Aerospace Engineering
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 North China Institute of Aerospace Engineering filed Critical North China Institute of Aerospace Engineering
Priority to CN201810520340.5A priority Critical patent/CN108710864B/zh
Publication of CN108710864A publication Critical patent/CN108710864A/zh
Application granted granted Critical
Publication of CN108710864B publication Critical patent/CN108710864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于多维度识别及图像降噪处理的冬小麦遥感提取方法，该方法包括以下步骤：一、准备研究区的卫星影像；二、根据冬小麦特征与其它地物的差异性确定冬小麦的识别维度，然后对卫星影像进行波段运算和波段分割，得到不同维度的影像；三、选定样本区，分别对样本区和研究区的不同维度影像进行格式转换和变换处理，得到训练数据集和测试数据集；四、利用随机森林算法对训练数据集进行学习处理，然后对测试数据集进行分析预测，得到判别结果后还原存储格式并加载获得判别图像；五、对判别图像进行降噪处理；六、把降噪处理后得到的图像转换为矢量图层并剔除干扰像元。本发明能提高冬小麦的识别精度，实现对冬小麦的精确识别和提取。

Description

基于多维度识别及图像降噪处理的冬小麦遥感提取方法
技术领域
本发明属于遥感影像地物识别领域，具体涉及一种基于多维度识别及图像降噪处理的冬小麦遥感提取方法。
背景技术
中国是农业大国，粮食的种植和生产关系着国计民生，冬小麦作为重要的农作物之一，在国家粮食安全战略中具有重要的地位。冬小麦的种植生产是粮食管控中的重要一环，与当地的农业发展与规划息息相关，甚至会在一定程度上影响国家粮食的总体产量与安全，因此及时统计得到冬小麦的面积至关重要。
冬小麦面积统计的传统方法主要是基于实地测量和抽样调查，此类方法效率低下，会耗费大量的人力和财力，不能及时、准确的提供小麦的种植面积信息。
近些年遥感技术的广泛应用有效改善了冬小麦的提取效率和精度。随着国产高分卫星技术的发展，利用高分辨率卫星影像可以精准快速地对冬小麦的长势和空间分布进行监测，对冬小麦的精细识别和提取发挥了重要作用，加上近几年机器学习的兴起和引入，为冬小麦的识别提供了新的思路和方法。
由于复杂的物候条件和地理因素，遥感提取技术也存在诸多问题，大多方法局限性较强，不利于广泛推广。目前，很多地区的冬小麦不仅种植分散，而且地块面积小，加上其他作物和植被的干扰，在冬小麦种植琐碎的地区应用效果较差，难以确保良好的识别精度，不能满足有关单位的冬小麦面积统计需求。
发明内容
本发明的目的是提供一种基于多维度识别及图像降噪处理的冬小麦遥感提取方法，提高冬小麦的识别精度。
为实现上述发明目的，本发明提供一种基于多维度识别及图像降噪处理的冬小麦遥感提取方法，包括以下步骤：一、准备研究区的卫星影像；二、根据冬小麦特征与其它地物的差异性确定冬小麦的识别维度，然后对所述卫星影像进行波段运算和波段分割，得到不同维度的影像；三、选定样本区，分别对所述样本区和所述研究区的不同维度影像进行格式转换和变换处理，得到训练数据集和测试数据集；四、利用随机森林算法对所述训练数据集进行学习处理，然后对所述测试数据集进行分析预测，得到判别结果后还原存储格式并加载获得判别图像；五、对所述判别图像进行降噪处理；六、把降噪处理后得到的图像转换为矢量图层并剔除干扰像元。
根据本发明的一个方面，所述步骤一中，首先获取高分辨率卫星影像，通过筛选找到晴朗无云的所述卫星影像；然后对所述卫星影像进行预处理，包括辐射定标、大气校正、几何校正、拼接和裁剪。
根据本发明的一个方面，所述卫星影像为2015年12月15日的高分二号卫星影像。
根据本发明的一个方面，所述研究区是冬小麦种植琐碎的地区，所述地区的冬小麦地块小且分散。
根据本发明的一个方面，所述步骤二中，选取归一化植被指数、比值植被指数、近红外波段、红波段、绿波段和蓝波段作为冬小麦的6个所述识别维度，在ENVI遥感图像处理软件中分别进行波段运算和波段分割得到6个维度的影像。
根据本发明的一个方面，所述步骤三中，在所述研究区中选择有代表性的小麦区域和非小麦区域作为样本区；选定所述样本区后，通过对所述研究区的6种影像进行裁剪得到所述样本区的6种影像，接着分别将每一种维度的所述样本区和所述研究区影像转换为ASCII格式，得到对应维度的像元值，接着在MATLAB软件中对所述像元值进行变换处理，形成单列数据，每个维度的样本区数据和研究区数据分别在各自的数据集上归为一列，6个维度的像元值分别对应6列数据，得到样本数据集和测试数据集；然后在所述样本数据集中加入一列类别数据，指定对应的样本区数据是否为冬小麦，1值代表冬小麦，0值代表非冬小麦，由此得到训练数据集。
根据本发明的一个方面，对于所述随机森林算法，决策树的数目设置为2000，每个树节点处随机采样的维度数目设置为4，其他参数为默认值。
根据本发明的一个方面，所述步骤四中，在MATLAB软件中对所述判别结果还原存储格式，加载到ENVI遥感图像处理软件中获得判别图像并查看判别效果。
根据本发明的一个方面，所述步骤五中，根据所述判别效果及所述卫星影像中地物类型的复杂度设定临界值，在MATLAB中对所述判别图像中的“噪声”像元依次自动判读，把临界值以上像元处理为1值，归为冬小麦像元，把临界值以下的像元处理为0值，归为非冬小麦像元，处理后加载到ENVI遥感图像处理软件中得到二值图；其中，所述“噪声”像元是所述判别结果介于0值与1值之间的像元。
根据本发明的一个方面，将所述二值图转换为矢量图层后剔除干扰像元对应的矢量面积，根据所述矢量面积大小设定阈值删除干扰区；通过矢量面积统计，得到冬小麦的种植面积，最后形成冬小麦分布图。
本发明的有益效果是：本发明可以根据冬小麦不同植被指数和不同波段的反射率构建多维度识别特征，利用机器学习中的随机森林算法进行判别，由于冬小麦识别维度增加时，有些测试数据难以满足所有维度，判别结果会产生介于真值与假值之间的“噪声”像元，但实际情况中部分灰度值较高的像元也是冬小麦，为解决此问题可以对图像判别结果进行降噪处理提高冬小麦的识别精度。判别过程中漏分区较少，且错分区域多为个位数像元，根据阈值分析方法很容易剔除，可以有效解决错分和漏分问题，针对冬小麦种植琐碎地区的提取工作有很好的指导作用，可以实现对冬小麦的精确识别和提取。此外，本发明普适性良好，在不同的生长期都有较好的冬小麦提取效果。
附图说明
图1是实验处理过程图；
图2是研究区影像图；
图3是各维度属性的重要性关系图；
图4是决策树数目与算法错误率关系图；
图5是算法判别结果图；
图6是降噪处理后得到的二值图；
图7是矢量转换图；
图8是剔除干扰区的矢量图；
图9是冬小麦提取效果图；
图10a是5月份地物复杂时期的研究区影像图；
图10b是5月份矢量转换图；
图10c是5月份剔除干扰区的矢量图；
图10d是5月份冬小麦提取效果图。
具体实施方式
为了更好地理解本发明的技术方案，下面结合附图及具体实施方式详细介绍本发明。
图1是实验处理过程图，如图1所示，本发明基于多维度识别及图像降噪处理的冬小麦遥感提取方法，包括以下步骤：
一、准备研究区的卫星影像；
首先获取高分辨率卫星影像，通过对影像的筛选，找到晴朗无云的卫星影像。研究区是冬小麦种植琐碎的地区，该地区的冬小麦地块小且分散。本实验以河北省廊坊市大厂县境内地区冬小麦为试验区，结合实地考察确定研究区，此区域冬小麦地块小且分散，是冬小麦种植琐碎的地区，符合研究内容。研究选定的影像数据为2015年12月15日的高分二号卫星影像资源，对研究区影像进行预处理，包括辐射定标、大气校正、几何校正、拼接和裁剪等，得到研究区数据，如图2所示。
二、根据冬小麦特征与其它地物的差异性确定冬小麦的识别维度，然后对卫星影像进行波段运算和波段分割，得到不同维度的影像；
分析冬小麦的光谱特征和反射率，根据冬小麦特征与其它地物的差异性确定冬小麦的识别维度，包括植被指数和各波段的反射率。本研究选取两个植被指数和多光谱的四个波段作为冬小麦的6个识别维度，即归一化植被指数(NDVI)、比值植被指数(RVI)、近红外波段(NIR)、红波段(R)、绿波段(G)和蓝波段(B)，在ENVI遥感图像处理软件中分别进行波段运算和波段分割得到6个维度的影像。
冬小麦识别维度的选择是遥感提取工作的重要环节，有效的多维度判断识别可以减少错分漏分现象，提高冬小麦提取精度。
三、选定样本区，分别对样本区和研究区的不同维度影像进行格式转换和变换处理，得到训练数据集和测试数据集；
在研究区中选择有代表性的小麦区域和非小麦区域，作为样本区。选定样本区后，通过对研究区的6种影像进行裁剪得到样本区的6种影像，接着分别将每一种维度的样本区和研究区影像转换为ASCII格式，得到对应维度的像元值，接着在MATLAB软件中对像元值进行有规律的变换处理，形成单列数据，即每个维度的样本区数据和研究区数据分别在各自的数据集上归为一列，6个维度的像元值分别对应6列数据，得到样本数据集和测试数据集。此外，需要在样本数据集中加入一列类别数据，指定对应的样本区数据是否为冬小麦，1值代表冬小麦，0值代表非冬小麦，由此得到训练数据集，方便后期随机森林算法的判别学习。
四、利用随机森林算法对训练数据集进行学习处理，然后对测试数据集进行分析预测，得到判别结果后还原存储格式并加载获得判别图像；
利用随机森林算法通过对训练数据集的学习处理，可以分析查看各维度的重要性，如图3所示，当进行多维度识别优化筛选时可参考对应的重要性，数值越大，说明维度的属性越重要。随机森林算法调整少数参数便可以改善性能，本次实验主要涉及两个参数的调整，一个是决策树的数目ntree，另一个是每个树节点处随机采样的维度数目mtry，其他参数可以为默认值。调整mtry的同时也对ntree进行设置，当mtry＝4，且决策树的数目超过1100左右时错误率逐渐稳定下来，但在1600处仍有较小波动，如图4所示。一般说来决策树数量越多越好，但盲目设置会增大计算量，因此为保证算法性能，ntree设置为2000。通过伪复相关系数rsq和均方误差mse可以查看算法性能，计算公式如下所示：
Figure BSA0000164505040000051
Figure BSA0000164505040000052
其中，n表示数据变量的个数，xi表示第i个变量值(i＝1，2，3，…，n)，F(xi)表示算法在第i个变量处的预测值，yi表示第i个变量处对应的真实值，
Figure BSA0000164505040000053
表示所有真实值的均值。
rsq越大且mse越小，说明算法性能越好。此次试验结果显示，rsq的值在0.98以上，mse的值在0.002以下，算法性能良好，可以进行后续操作。
参数调整后，接下来对研究区的测试数据集进行分析预测，得到判别结果，在MATLAB软件中对判别结果按规律还原存储格式，加载到ENVI遥感图像处理软件中获得判别图像并查看判别效果，如图5所示。除了被正常判别的像元，还有一部分像元无法判断，由于识别维度较多时，部分测试数据难以满足所有维度，判别结果会产生介于0值与1值之间的“噪声”像元，灰度值各不相同，因此对应像元显示比较模糊，接下来需要对判别图像进行降噪处理。
五、对判别图像进行降噪处理；
在MATLAB中对判别图像中的“噪声”像元依次自动判读，按照一定规则把所有像元值二值化。因此，可以根据判别效果及卫星影像中地物类型的复杂度设定临界值，把临界值以上像元处理为1值，即归为冬小麦像元，把临界值以下的像元处理为0值，归为非冬小麦像元，处理后加载到ENVI遥感图像处理软件中得到二值图，如图6所示。
六、把降噪处理后得到的图像转换为矢量图层并剔除干扰像元。
二值化后的判别图像会存在少量的干扰像元，把降噪处理得到的二值图转换为矢量图层，如图7所示，矢量转换后需要剔除干扰像元对应的矢量面积，由于干扰像元较为分散，即便连接在一起的也多为个位数，面积很小，在矢量图层上表现为零散的小斑块，根据面积大小设定阈值删除干扰区，如图8所示，可以提高冬小麦的识别精度。通过矢量面积统计，得到冬小麦的种植面积，最后形成冬小麦分布图，如图9所示。
至此基于多维度识别及图像降噪处理的冬小麦提取工作完成。选用不同生长期的高分二影像(2016年5月6日)进行普适性验证，也达到了很好的提取效果，如图10所示，可以满足对琐碎区域冬小麦高精度提取的需求。
本发明中未说明部分属于本领域的公知技术。
以上结合附图对本发明的实施方式作了详细说明，但本发明不局限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。

Claims (8)

1.一种基于多维度识别及图像降噪处理的冬小麦遥感提取方法，其特征在于，包括以下步骤：
一、准备研究区的卫星影像；
二、根据冬小麦特征与其它地物的差异性确定冬小麦的识别维度，然后对所述卫星影像分别进行波段运算和波段分割，得到不同维度的影像，其中，选取归一化植被指数、比值植被指数、近红外波段、红波段、绿波段和蓝波段作为冬小麦的6个所述识别维度，在ENVI遥感图像处理软件中分别进行波段运算和波段分割得到6个维度的影像；
三、选定样本区，分别对所述样本区和所述研究区的不同维度影像进行格式转换和变换处理，得到训练数据集和测试数据集；
四、利用随机森林算法对所述训练数据集进行学习处理，然后对所述测试数据集进行分析预测，得到判别结果后还原存储格式并加载获得判别图像；
五、对所述判别图像进行降噪处理；
六、把降噪处理后得到的图像转换为矢量图层并剔除干扰像元；
其中，所述步骤四中，在MATLAB软件中对所述判别结果还原存储格式，加载到ENVI遥感图像处理软件中获得判别图像并查看判别效果；所述步骤五中，根据所述判别效果及所述卫星影像中地物类型的复杂度设定临界值，在MATLAB中对所述判别图像中的“噪声”像元依次自动判读，把临界值以上像元处理为1值，归为冬小麦像元，把临界值以下的像元处理为0值，归为非冬小麦像元，处理后加载到ENVI遥感图像处理软件中得到二值图；其中，所述“噪声”像元是所述判别结果介于0值与1值之间的像元。
2.根据权利要求1所述的基于多维度识别及图像降噪处理的冬小麦遥感提取方法，其特征在于，所述步骤一中，首先获取高分辨率卫星影像，通过筛选找到晴朗无云的所述卫星影像；然后对所述卫星影像进行预处理，包括辐射定标、大气校正、几何校正、拼接和裁剪。
3.根据权利要求2所述的基于多维度识别及图像降噪处理的冬小麦遥感提取方法，其特征在于，所述卫星影像为2015年12月15日的高分二号卫星影像。
4.根据权利要求1所述的基于多维度识别及图像降噪处理的冬小麦遥感提取方法，其特征在于，所述研究区是冬小麦种植琐碎的地区，所述地区的冬小麦地块小且分散。
5.根据权利要求1所述的基于多维度识别及图像降噪处理的冬小麦遥感提取方法，其特征在于，所述步骤二中，选取归一化植被指数、比值植被指数、近红外波段、红波段、绿波段和蓝波段作为冬小麦的6个所述识别维度，在ENVI遥感图像处理软件中分别进行波段运算和波段分割得到6个维度的影像。
6.根据权利要求5所述的基于多维度识别及图像降噪处理的冬小麦遥感提取方法，其特征在于，所述步骤三中，在所述研究区中选择有代表性的小麦区域和非小麦区域作为样本区；选定所述样本区后，通过对所述研究区的6种影像进行裁剪得到所述样本区的6种影像，接着分别将每一种维度的所述样本区和所述研究区影像转换为ASCII格式，得到对应维度的像元值，接着在MATLAB软件中对所述像元值进行变换处理，形成单列数据，每个维度的样本区数据和研究区数据分别在各自的数据集上归为一列，6个维度的像元值分别对应6列数据，得到样本数据集和测试数据集；然后在所述样本数据集中加入一列类别数据，指定对应的样本区数据是否为冬小麦，1值代表冬小麦，0值代表非冬小麦，由此得到训练数据集。
7.根据权利要求1所述的基于多维度识别及图像降噪处理的冬小麦遥感提取方法，其特征在于，对于所述随机森林算法，决策树的数目设置为2000，每个树节点处随机采样的维度数目设置为4，其他参数为默认值。
8.根据权利要求1所述的基于多维度识别及图像降噪处理的冬小麦遥感提取方法，其特征在于，将所述二值图转换为矢量图层后剔除干扰像元对应的矢量面积，根据所述矢量面积大小设定阈值删除干扰区；通过矢量面积统计，得到冬小麦的种植面积，最后形成冬小麦分布图。
CN201810520340.5A 2018-05-25 2018-05-25 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 Active CN108710864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810520340.5A CN108710864B (zh) 2018-05-25 2018-05-25 基于多维度识别及图像降噪处理的冬小麦遥感提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810520340.5A CN108710864B (zh) 2018-05-25 2018-05-25 基于多维度识别及图像降噪处理的冬小麦遥感提取方法

Publications (2)

Publication Number Publication Date
CN108710864A CN108710864A (zh) 2018-10-26
CN108710864B true CN108710864B (zh) 2022-05-24

Family

ID=63870686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810520340.5A Active CN108710864B (zh) 2018-05-25 2018-05-25 基于多维度识别及图像降噪处理的冬小麦遥感提取方法

Country Status (1)

Country Link
CN (1) CN108710864B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977802A (zh) * 2019-03-08 2019-07-05 武汉大学 强噪音背景下作物分类识别方法
CN112446397A (zh) * 2019-09-02 2021-03-05 中国林业科学研究院资源信息研究所 基于遥感和随机森林的产草量估算方法、装置及存储介质
CN111582181B (zh) * 2020-05-11 2023-06-09 北华航天工业学院 一种区域尺度大棚内有无作物种植的检测方法
CN112435268B (zh) * 2020-11-17 2023-12-26 中国资源卫星应用中心 一种基于多源遥感影像提取过火区域的方法及装置
CN113139717B (zh) * 2021-03-31 2023-10-20 北京农业信息技术研究中心 作物苗情分级遥感监测方法及装置
CN114972838B (zh) * 2022-03-18 2024-04-30 江苏天汇空间信息研究院有限公司 基于卫星数据得到的冬小麦识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298705A (zh) * 2011-08-12 2011-12-28 北京师范大学 一种分析景观特征对遥感分类图斑精度影响的方法
CN102663397A (zh) * 2012-03-21 2012-09-12 华中科技大学 一种小麦出苗的自动检测方法
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
CN105678481A (zh) * 2016-03-25 2016-06-15 清华大学 一种基于随机森林模型的管线健康状态评估方法
CN107103306A (zh) * 2017-05-22 2017-08-29 安徽大学 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法
CN107271382A (zh) * 2017-06-02 2017-10-20 西北农林科技大学 一种不同生育期油菜叶片spad值遥感估算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298705A (zh) * 2011-08-12 2011-12-28 北京师范大学 一种分析景观特征对遥感分类图斑精度影响的方法
CN102663397A (zh) * 2012-03-21 2012-09-12 华中科技大学 一种小麦出苗的自动检测方法
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
CN105678481A (zh) * 2016-03-25 2016-06-15 清华大学 一种基于随机森林模型的管线健康状态评估方法
CN107103306A (zh) * 2017-05-22 2017-08-29 安徽大学 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法
CN107271382A (zh) * 2017-06-02 2017-10-20 西北农林科技大学 一种不同生育期油菜叶片spad值遥感估算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
valuating different vegetation index for estimating lai of winter wheat using hyperspectral remote sensing data;Tian Jingguo et al.;《2015 7th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS)》;20171023;全文 *
小麦全蚀病无人机遥感监测研究;付巍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160615;全文 *

Also Published As

Publication number Publication date
CN108710864A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
CN108710864B (zh) 基于多维度识别及图像降噪处理的冬小麦遥感提取方法
CN111709379B (zh) 基于遥感影像的丘陵区柑橘种植地块监测方法及系统
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN108458978B (zh) 基于敏感波段和波段组合最优的树种多光谱遥感识别方法
CN112287886B (zh) 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
CN111462223A (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
CN112861810B (zh) 一种基于时序遥感观测数据的人工林种植时间自动检测方法
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
CN113963260A (zh) 一种冬小麦种植区的提取方法、装置和计算机设备
CN116912578A (zh) 一种农作物分类方法、系统及电子设备
CN111753834B (zh) 基于深度神经网络的种植地块结构语义分割方法和装置
CN115641504A (zh) 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法
CN111832480B (zh) 一种基于光谱特征的油菜种植区遥感识别方法
CN112052799A (zh) 一种迷迭香种植分布高分辨率卫星遥感识别方法
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
CN111882573A (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
CN115115955B (zh) 基于无人机高光谱遥感的松材线虫病树监测方法与装置
Tanaka et al. Deep learning-based estimation of rice yield using RGB image
CN115146789A (zh) 基于物候分析和影像分割的冬小麦分布提取方法及系统
CN111768101B (zh) 一种顾及物候特征的遥感耕地变化检测方法及系统
CN109697411B (zh) 一种基于统计标准差的地物信息提取方法
CN112949607A (zh) 一种基于JM Relief F湿地植被特征优选与融合方法
CN117576596B (zh) 基于无人机多光谱遥感的薇甘菊智能检测方法
Pavlova et al. Crop classification using reduced-dimensionality ndvi time series
CN117934662A (zh) 无样本标注的区域大豆制图方法、装置及设备

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