CN108805079A - 冬小麦的识别方法及装置 - Google Patents
冬小麦的识别方法及装置 Download PDFInfo
- Publication number
- CN108805079A CN108805079A CN201810604278.8A CN201810604278A CN108805079A CN 108805079 A CN108805079 A CN 108805079A CN 201810604278 A CN201810604278 A CN 201810604278A CN 108805079 A CN108805079 A CN 108805079A
- Authority
- CN
- China
- Prior art keywords
- days
- soil
- period
- vegetation index
- winter wheat
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种冬小麦的识别方法及装置,包括:获取冬小麦的标准物候期天数和标准生长期天数;并且依据土壤调整植被指数计算待识别植物的物候期天数和生长期天数;将其与冬小麦的标准物候期天数和标准生长期天数进行比对,判断待识别植物是否为冬小麦;土壤调整植被指数用以减小土壤背景影响,更能提高提取精度;提前了解植被密度,能更好优化精度;获取的时间序列可以构建连续的日生长曲线,能够精确计算冬小麦的物候期;充分利用了冬小麦关键物候期与其他农作物的差异;物候期天数和生长期天数值的设定是基于多年实测物候数据进行统计分析获得,可精确反应同类冬小麦物候的变异。
Description
技术领域
本发明涉及农业遥感技术领域,具体而言,涉及一种冬小麦的识别方法及装置。
背景技术
农作物的种植结构和种植面积对农业的高效管理具有重要的意义,关乎着整个农业发展。小麦主要分为冬小麦和春小麦,我国以种植冬小麦为主,冬小麦是我国主要的粮食作物之一。冬小麦的产量直接关系到我国粮食安全和社会的稳定。及时准确地获得冬小麦的种植与生长信息是对冬小麦进行产量评估和面积预测的重要研究基础。近年来随着遥感技术的不断发展,遥感在农业方面的应用不断增加,如农作物信息提取,长势和种植面积监测,灾害评估等。
我国农作物种类繁多,将遥感手段应用于农作物的识别和提取已经进行了大量的研究,并取得了很好的成果。目前对冬小麦识别流行的方法是基于MODIS的NDVI时序数据提取作物,和非时序提取如典型的监督分类和非监督分类。但是MODIS数据空间分辨率较低,一般为250m-1000m,时间分辨率一般是8天或16天,而我国农作物种植繁杂、地块比较破碎,不能精确反应物候的具体日期和生长时间。鉴于以上原因,基于MODIS时序提取的方法对冬小麦的识别精度有限。监督分类和非监督分类受到遥感“同谱异物,同物异谱”这一特点的影响,在农作物识别分类中有一定的局限,经常会出现错分、漏分这一现象。
发明内容
针对上述现有技术中存在的问题,本发明提供了一种冬小麦的识别方法及装置。
第一方面,本发明实施例提供了一种冬小麦的识别方法,所述方法包括:
获取冬小麦的标准物候期天数和标准生长期天数;
获取待识别植物生长期内的遥感影像数据,根据所述遥感影像数据获取每个像元的土壤调整植被指数时序数据;
根据土壤调整植被指数时序数据,计算待识别植物的物候期天数和生长期天数;
将冬小麦的标准物候期天数和标准生长期天数与待识别植物的物候期天数和生长期天数进行比对;
判断冬小麦的标准物候期天数与待识别植物的物候期天数的差值以及冬小麦的标准生长期天数与待识别植物的生长期天数差值是否均小于预设阈值;
若是,判断待识别植物为冬小麦。
进一步的,根据土壤调整植被指数时序数据,计算待识别植物的物候期天数和生长期天数,包括:
根据土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线;
根据土壤调整植被指数时序曲线,提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
进一步的,根据土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线,包括:
将土壤调整植被指数时序数据进行滤波;
根据滤波后的土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线。
进一步的,根据土壤调整植被指数时序曲线,提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数,包括:
根据土壤调整植被指数时序曲线,利用最大曲率法提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
进一步的,所述物候期包括返青期、抽穗期和成熟期。
第二方面,本发明实施例还提供了一种冬小麦的识别装置,所述装置包括:
获取模块,用于获取冬小麦的标准物候期天数和标准生长期天数;
数据模块,用于获取待识别植物生长期内的遥感影像数据,根据所述遥感影像数据获取每个像元的土壤调整植被指数时序数据;
计算模块,用于根据土壤调整植被指数时序数据,计算待识别植物的物候期天数和生长期天数;
分析模块,用于将冬小麦的标准物候期天数和标准生长期天数与待识别植物的物候期天数和生长期天数进行比对;
判断模块,用于判断冬小麦的标准物候期天数与待识别植物的物候期天数的差值以及冬小麦的标准生长期天数与待识别植物的生长期天数差值是否均小于预设阈值;
若是,判断待识别植物为冬小麦。
进一步的,所述计算模块还用于:
根据土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线;
根据土壤调整植被指数时序曲线,提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
进一步的,所述计算模块还用于:
将土壤调整植被指数时序数据进行滤波;
根据滤波后的土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线。
进一步的,所述计算模块还用于根据土壤调整植被指数时序曲线,利用最大曲率法提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
第三方面,本发明实施例提供了一种计算机存储介质,用于储存为第二方面所述的装置所用的计算机软件指令。
本发明实施例带来了以下有益效果:
本发明实施例提供了一种冬小麦的识别方法及装置,包括:获取冬小麦的标准物候期天数和标准生长期天数;并且依据土壤调整植被指数计算待识别植物的物候期天数和生长期天数;将其与冬小麦的标准物候期天数和标准生长期天数进行比对,判断待识别植物是否为冬小麦;土壤调整植被指数用以减小土壤背景影响,更能提高提取精度;提前了解植被密度,能更好优化精度;获取的时间序列可以构建连续的日生长曲线,能够精确计算冬小麦的物候期;充分利用了冬小麦关键物候期与其他农作物的差异;阈值的设定是基于多年实测物候数据进行统计分析获得,可精确反应同类冬小麦物候的变异。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明第一实施例所提供的一种冬小麦的识别方法的流程图;
图2为本发明第一实施例所提供的滤波前后土壤调整植被指数时序曲线对比图;
图3为本发明第一实施例所提供的土壤调整植被指数时序曲线图;
图4为本发明第二实施例所提供的一种冬小麦的识别的装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
参见图1所示的一种冬小麦的识别方法的流程图,该方法应用于具体包括如下步骤:
S101.获取冬小麦的标准物候期天数和标准生长期天数;
S102.获取待识别植物生长期内的遥感影像数据,根据所述遥感影像数据获取每个像元的土壤调整植被指数时序数据;
遥感影像数据经过辐射校正、大气校正、几何校正等预处理之后,获取每个像元的土壤调整植被指数值。其中土壤调整植被指数是红光波段和近红外波段,通过公式得到:
土壤调整植被指数=(ρNIR-ρR)*(1+L)/(ρNIR+ρR+L)
式中,ρNIR为近红外波段反射率;ρR为红光波段反射率;L是随着植被密度变化的参数,取值范围从0-1,当植被密度很高时为0,很低时为1;对于其研究的草地和棉花田,L取0.5时土壤调整植被指数消除土壤反射率的效果较好。
S103.根据土壤调整植被指数时序数据,计算待识别植物的物候期天数和生长期天数;
步骤S103具体包括如下步骤:
S1031.将土壤调整植被指数时序数据进行滤波;
土壤调整植被指数tzky-Golay滤波法是土壤调整植被指数tzky与Golay提出的一种移动窗口的加权平均算法,通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出加权系数。土壤调整植被指数时序数据平滑的最小二乘卷积法可使用公式:
其中Nj+1是土壤调整植被指数原始值,是拟合值,Ci是第i个土壤调整植被指数滤波系数,(2m+1)是指平滑窗口的大小,j是指土壤调整植被指数时序数据中的第j个数据。平滑数组包括有(2m+1)个点,m为平滑窗口大小的一半。通过实验,平滑多项式的次数值设置为2,平滑窗口设置为4,能够获得最佳的拟合效果。为了进一步消除云的影响,进行2次滤波。
S1032.根据滤波后的土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线。
S1033.根据土壤调整植被指数时序曲线,利用最大曲率法提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
通过土壤调整植被指数拟合曲线曲率,求其局部最大极值,确定物候期的时间段。曲率K的计算方式如下公式所示:
其中,v(t)′是v(t)随着时间t的一阶导数,v(t)″为二阶导。
如图2所示,在冬小麦的生长周期内,从越冬期结束到冬小麦收获,土壤调整植被指数曲线产生两个曲率局部最大值,一个土壤调整植被指数最大值。曲率局部最大值分别对应作物返青期和成熟期,土壤调整植被指数最大值对应作物抽穗期。依据这些极值点确定作物返青期、抽穗期以及成熟期等物候期,并计算物候期的天数。
S104.将冬小麦的标准物候期天数和标准生长期天数与待识别植物的物候期天数和生长期天数进行比对;
S105.判断冬小麦的标准物候期天数与待识别植物的物候期天数的差值以及冬小麦的标准生长期天数与待识别植物的生长期天数差值是否均小于预设阈值;
若是,则执行步骤S106。
S106.判断待识别植物为冬小麦。
实施例二
对于前述实施例所提供的冬小麦的识别方法,本发明实施例提供了一种冬小麦的识别的装置,参见图4所示的一种冬小麦的识别的装置的结构框图,该装置包括如下部分:
获取模块41,用于获取冬小麦的标准物候期天数和标准生长期天数;
数据模块42,用于获取待识别植物生长期内的遥感影像数据,根据所述遥感影像数据获取每个像元的土壤调整植被指数时序数据;
计算模块43,用于根据土壤调整植被指数时序数据,计算待识别植物的物候期天数和生长期天数;
分析模块44,用于将冬小麦的标准物候期天数和标准生长期天数与待识别植物的物候期天数和生长期天数进行比对;
判断模块45,用于判断冬小麦的标准物候期天数与待识别植物的物候期天数的差值以及冬小麦的标准生长期天数与待识别植物的生长期天数差值是否均小于预设阈值;
若是,判断待识别植物为冬小麦。
进一步的,所述计算模块43还用于:
根据土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线;
根据土壤调整植被指数时序曲线,提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
进一步的,所述计算模块43还用于:
将土壤调整植被指数时序数据进行滤波;
根据滤波后的土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线。
进一步的,所述计算模块43还用于根据土壤调整植被指数时序曲线,利用最大曲率法提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
本发明实施例提供了一种冬小麦的识别装置,包括:获取冬小麦的标准物候期天数和标准生长期天数;并且依据土壤调整植被指数计算待识别植物的物候期天数和生长期天数;将其与冬小麦的标准物候期天数和标准生长期天数进行比对,判断待识别植物是否为冬小麦;土壤调整植被指数用以减小土壤背景影响,更能提高提取精度;提前了解植被密度,能更好优化精度;获取的时间序列可以构建连续的日生长曲线,能够精确计算冬小麦的物候期;充分利用了冬小麦关键物候期与其他农作物的差异;阈值的设定是基于多年实测物候数据进行统计分析获得,可精确反应同类冬小麦物候的变异。
本发明实施例还提供了一种计算机存储介质,用于储存为上述实施例提供的装置所用的计算机软件指令。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
需要说明的是,在本发明所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。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单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中,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方法的全部或部分步骤。而前述的存储介质包括: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)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种冬小麦的识别方法,其特征在于,所述方法包括:
获取冬小麦的标准物候期天数和标准生长期天数;
获取待识别植物生长期内的遥感影像数据,根据所述遥感影像数据获取每个像元的土壤调整植被指数时序数据;
根据土壤调整植被指数时序数据,计算待识别植物的物候期天数和生长期天数;
将冬小麦的标准物候期天数和标准生长期天数与待识别植物的物候期天数和生长期天数进行比对;
判断冬小麦的标准物候期天数与待识别植物的物候期天数的差值以及冬小麦的标准生长期天数与待识别植物的生长期天数差值是否均小于预设阈值;
若是,判断待识别植物为冬小麦。
2.根据权利要求1所述的方法,其特征在于,根据土壤调整植被指数时序数据,计算待识别植物的物候期天数和生长期天数,包括:
根据土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线;
根据土壤调整植被指数时序曲线,提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
3.根据权利要求2所述的方法,其特征在于,根据土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线,包括:
将土壤调整植被指数时序数据进行滤波;
根据滤波后的土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线。
4.根据权利要求2所述的方法,其特征在于,根据土壤调整植被指数时序曲线,提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数,包括:
根据土壤调整植被指数时序曲线,利用最大曲率法提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
5.根据权利要求1所述的方法,其特征在于,所述物候期包括返青期、抽穗期和成熟期。
6.一种冬小麦的识别装置,其特征在于,所述装置包括:
获取模块,用于获取冬小麦的标准物候期天数和标准生长期天数;
数据模块,用于获取待识别植物生长期内的遥感影像数据,根据所述遥感影像数据获取每个像元的土壤调整植被指数时序数据;
计算模块,用于根据土壤调整植被指数时序数据,计算待识别植物的物候期天数和生长期天数;
分析模块,用于将冬小麦的标准物候期天数和标准生长期天数与待识别植物的物候期天数和生长期天数进行比对;
判断模块,用于判断冬小麦的标准物候期天数与待识别植物的物候期天数的差值以及冬小麦的标准生长期天数与待识别植物的生长期天数差值是否均小于预设阈值;
若是,判断待识别植物为冬小麦。
7.根据权利要求6所述的装置,其特征在于,所述计算模块还用于:
根据土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线;
根据土壤调整植被指数时序曲线,提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
8.根据权利要求7所述的装置,其特征在于,所述计算模块还用于:
将土壤调整植被指数时序数据进行滤波;
根据滤波后的土壤调整植被指数时序数据,构建土壤调整植被指数时序曲线。
9.根据权利要求6所述的装置,其特征在于,所述计算模块还用于根据土壤调整植被指数时序曲线,利用最大曲率法提取待识别植物的关键物候期,并计算物候期的天数和生长期的天数。
10.一种计算机存储介质,其特征在于,用于储存为权利要求6至9任意一项所述的装置所用的计算机软件指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810604278.8A CN108805079B (zh) | 2018-06-12 | 2018-06-12 | 冬小麦的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810604278.8A CN108805079B (zh) | 2018-06-12 | 2018-06-12 | 冬小麦的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805079A true CN108805079A (zh) | 2018-11-13 |
CN108805079B CN108805079B (zh) | 2020-10-09 |
Family
ID=64085563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810604278.8A Expired - Fee Related CN108805079B (zh) | 2018-06-12 | 2018-06-12 | 冬小麦的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805079B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909679A (zh) * | 2019-11-22 | 2020-03-24 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
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 |
CN113822360A (zh) * | 2021-09-24 | 2021-12-21 | 中化现代农业有限公司 | 一种作物的物候期确定方法及装置 |
CN115620151A (zh) * | 2022-12-16 | 2023-01-17 | 中化现代农业有限公司 | 物候期识别方法、装置、电子设备和存储介质 |
CN117274798A (zh) * | 2023-09-06 | 2023-12-22 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615977A (zh) * | 2015-01-26 | 2015-05-13 | 河南大学 | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 |
CN104933699A (zh) * | 2015-04-22 | 2015-09-23 | 吉林大学 | 基于高斯函数拟合方差自动提取地表植被物候信息的方法 |
US20150379702A1 (en) * | 2014-06-30 | 2015-12-31 | Trimble Navigation Limited | Active Imaging Systems for Plant Growth Monitoring |
CN105404873A (zh) * | 2015-11-30 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 |
CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
CN107330801A (zh) * | 2017-06-07 | 2017-11-07 | 北京师范大学 | 一种冬小麦种植比例的计算方法及装置 |
CN107451522A (zh) * | 2017-04-28 | 2017-12-08 | 山东省农业可持续发展研究所 | 一种农业干旱监测与预警预报方法 |
-
2018
- 2018-06-12 CN CN201810604278.8A patent/CN108805079B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150379702A1 (en) * | 2014-06-30 | 2015-12-31 | Trimble Navigation Limited | Active Imaging Systems for Plant Growth Monitoring |
CN104615977A (zh) * | 2015-01-26 | 2015-05-13 | 河南大学 | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 |
CN104933699A (zh) * | 2015-04-22 | 2015-09-23 | 吉林大学 | 基于高斯函数拟合方差自动提取地表植被物候信息的方法 |
CN105404873A (zh) * | 2015-11-30 | 2016-03-16 | 中国科学院遥感与数字地球研究所 | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 |
CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
CN107451522A (zh) * | 2017-04-28 | 2017-12-08 | 山东省农业可持续发展研究所 | 一种农业干旱监测与预警预报方法 |
CN107330801A (zh) * | 2017-06-07 | 2017-11-07 | 北京师范大学 | 一种冬小麦种植比例的计算方法及装置 |
Non-Patent Citations (2)
Title |
---|
CHENJ等: "Asimplemethodforreconstructingahigh-qualityNDVITime-seriesdatasetbasedontheSavitzky-GolayFilter", 《REMOTESENSINGOFENVIRONMENT》 * |
杨小唤等: "基于MODIS时序NDVI特征值提取多作物播种面积的方法", 《资源科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909679A (zh) * | 2019-11-22 | 2020-03-24 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 |
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 |
CN113822360A (zh) * | 2021-09-24 | 2021-12-21 | 中化现代农业有限公司 | 一种作物的物候期确定方法及装置 |
CN113822360B (zh) * | 2021-09-24 | 2022-04-22 | 中化现代农业有限公司 | 一种作物的物候期确定方法及装置 |
CN115620151A (zh) * | 2022-12-16 | 2023-01-17 | 中化现代农业有限公司 | 物候期识别方法、装置、电子设备和存储介质 |
CN115620151B (zh) * | 2022-12-16 | 2023-04-07 | 中化现代农业有限公司 | 物候期识别方法、装置、电子设备和存储介质 |
CN117274798A (zh) * | 2023-09-06 | 2023-12-22 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
CN117274798B (zh) * | 2023-09-06 | 2024-03-29 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108805079B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805079A (zh) | 冬小麦的识别方法及装置 | |
CN112955000B (zh) | 使用基于机器学习的种子收获水分预测来改进计算机辅助农场操作 | |
US11744189B2 (en) | Plant treatment based on morphological and physiological measurements | |
US9734400B2 (en) | System and method for field variance determination | |
CN111406261B (zh) | 一种从大视野图像中检测被感染对象的计算机实现的方法 | |
CN112889089B (zh) | 用于标识卫星影像中的云和云影的机器学习技术 | |
CN113228055B (zh) | 配置和利用卷积神经网络以识别植物病害的方法和介质 | |
Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
CA3088641A1 (en) | Crop type classification in images | |
CN113228047A (zh) | 利用多阶段、多尺度深度学习的植物病害检测 | |
EP4150515A1 (en) | System and method for crop monitoring | |
Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
CN106372592A (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN106845806A (zh) | 农田种植状态的遥感监测方法和系统 | |
Bhujel et al. | Detection of gray mold disease and its severity on strawberry using deep learning networks | |
CN114743100A (zh) | 一种农产品长势监测方法和系统 | |
CN107330801A (zh) | 一种冬小麦种植比例的计算方法及装置 | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
Diao | Innovative pheno-network model in estimating crop phenological stages with satellite time series | |
CN116543316A (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 | |
CN114842338A (zh) | 一种耦合遥感和气象数据的小麦条锈病预测方法及装置 | |
González-Fernández et al. | Vineyard zone delineation by cluster classification based on annual grape and vine characteristics | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
CN109960972B (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
CN112418050B (zh) | 退耕地信息遥感识别方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201009 |
|
CF01 | Termination of patent right due to non-payment of annual fee |