CN108896022A - 一种植被覆盖度估算方法 - Google Patents

一种植被覆盖度估算方法 Download PDF

Info

Publication number
CN108896022A
CN108896022A CN201810941691.3A CN201810941691A CN108896022A CN 108896022 A CN108896022 A CN 108896022A CN 201810941691 A CN201810941691 A CN 201810941691A CN 108896022 A CN108896022 A CN 108896022A
Authority
CN
China
Prior art keywords
vegetation
band
image
coverage
fraction estimation
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
CN201810941691.3A
Other languages
English (en)
Inventor
张素铭
常春燕
赵庚星
王卓然
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.)
Shandong Agricultural University
Original Assignee
Shandong Agricultural University
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 Shandong Agricultural University filed Critical Shandong Agricultural University
Priority to CN201810941691.3A priority Critical patent/CN108896022A/zh
Publication of CN108896022A publication Critical patent/CN108896022A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04Interpretation of pictures

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开的一种植被覆盖度估算方法,其中包括:获取采样点的植被覆盖度实际测量值;获取无人机拍摄并传输的采样点的多光谱遥感图像;对多光谱遥感图像进行预处理,得到图像反射率在预设阈值内的波段图像;在波段图像中提取采样点对应像元的各波段反射率值;运用统计产品与服务解决方法将植被覆盖度实际测量值与各波段反射率值进行相关性分析得到敏感波段;通过多元线性回归方法构建植被覆盖度估算模型;对植被覆盖度估算模型筛选得到最优估算模型;利用选取出的最优估算模型估算待测区域的植被覆盖度。本发明提供的基于无人机多光谱图像的植被覆盖度估算方法解决了现有方法费时费力、时间稳定性差和空间分辨率低等问题。

Description

一种植被覆盖度估算方法
技术领域
本发明涉及定量遥感应用领域,尤其涉及基于无人机多光谱遥感图像的植被覆盖度估算方法,具体涉及一种植被覆盖度估算方法。
背景技术
植被覆盖度(Fractional Vegetation Cover,FVC)是指单位面积内植被(包括叶、茎、枝)垂直投影到地面上的面积占统计区面积的百分比。植被覆盖及其变化是刻画区域生态系统环境变化的重要指标,也是影响土壤退化与水土流失的主要因子。随着研究的不断深入,植被覆盖度不仅可以定性的监测、评价局部甚至区域农、林作物的生长状况,还可以作为水文、气象、生态等研究领域许多定量模型的关键输入参数。因此,植被覆盖度估算对于大气、土壤、水文和生态等研究具有积极意义。
植被覆盖度测算方法大致经历了简单目测估算、仪器测量计算和遥感解译分析等阶段。目前,仪器测量方法需要较多的人力物力和时间耗费,难以适应长期快速田间监测的需求。利用遥感影像数据估算植被覆盖度是大面积无损估算植被覆盖度的主要手段之一,但当前主流的卫星遥感技术由于重访周期长、受天气影响大、影像分辨率不足等局限因素,在数据稳定性和时空分辨率等方面难以满足精准农业研究的需要。同时,还有可以利用航空飞机获取数据,但是由于航空飞机不易进入民用领域,所以航空遥感图像不易获得。
随着科技进步,无人机技术逐渐走进民用领域,无人机遥感平台易搭建、成本低、飞行区域机动、飞行高度灵活、作业周期短,获取的遥感数据空间和时间分辨率相对较高,不易受周期与天气条件的限制,因此,无人机遥感评估技术成为现在精准农业中实用化研究的热点。
因此,为了改善或解决上述简单目测估算、仪器测量计算和利用遥感影像数据估算中存在的问题,目前在植被覆盖度估算领域亟待研究出一种基于无人机多光谱遥感图像构建植被覆盖度估算模型,以期进一步提高植被覆盖度遥感监测的时间稳定性和空间分辨率,为植被覆盖度遥感估算提供技术支持。
发明内容
为了解决上述现有技术中存在的问题,本发明的目的在于提供一种植被覆盖度估算方法,以克服简单目测估算、仪器测量计算和利用遥感影像数据估算中存在的费时费力,时间稳定性差和空间分辨率低等缺点,达到了在精准农业中对植被覆盖度的估算不受周期、天气条件的限制,作业周期短、灵活性高,成本低的技术效果。
根据本发明的一个方面,提供了一种植被覆盖度估算方法,其中,包括以下步骤:
获取采样点的植被覆盖度实际测量值;
获取无人机拍摄并传输的采样点的多光谱遥感图像;
对所述多光谱遥感图像进行预处理,得到图像反射率在预设阈值内的波段图像;
在所述波段图像中提取所述采样点对应像元的各波段反射率值;
运用统计产品与服务解决方法(Statistical Product and Service Solutions,简称SPSS)将所述植被覆盖度实际测量值与所述各波段反射率值进行相关性分析,得到敏感波段;
基于所述敏感波段与所述植被覆盖度实际测量值,通过多元线性回归方法,构建植被覆盖度估算模型;
采用所述植被覆盖度实际测量值对植被覆盖估算模型筛选得到最优估算模型;
利用选取出的最优估算模型估算待测区域的植被覆盖度。
进一步的,所述采样点均匀分布在研究样区内,所述研究样区至少包括未利用地和农用地。
进一步的,所述获取无人机拍摄并传输的采样点的多光谱遥感图像,包括以下步骤:
采用无人机搭载多光谱相机实时获取与实际测量同时的多光谱遥感图像。
进一步的,所述预处理至少包括图像拼接处理、辐射校正处理、几何校正处理中的一项。
进一步的,所述波段图像包括绿光波段图像、红光波段图像、红边波段图像和近红外波段图像四个波段图像。
进一步的,所述敏感波段包括绿光波段、红光波段、红边波段和近红外波段。
进一步的,所述多元线性回归方法可以采用多元逐步线性回归方法、多元输入线性回归方法或偏最小二乘回归方法中的一种。
进一步的,采用所述植被覆盖度实际测量值对所述植被覆盖估算模型筛选得到最优估算模型,包括以下步骤:
将所述植被覆盖度实际测量值分为建模样本集与验证样本集,
其中,所述建模样本集用于构建植被覆盖度估算模型并获得建模精度,所述验证样本集用于验证构建的估算模型的精度并获得验证精度;
通过所述建模精度与所述验证精度选取最优估算模型。
进一步的,验证构建的估算模型的精度并获得验证精度,包括以下步骤:
将所述验证样本集中的各波段反射率值带入植被覆盖度估算模型中求得相应的植被覆盖度估算值;
基于所述植被覆盖度估算值与所述验证样本集中相应的植被覆盖度实际测量值,利用拟合方法,得到验证精度。
进一步的,所述最优估算模型的建模精度为0.757,验证精度为0.727。
根据本发明的另一个方面,提供了一种植被覆盖度估算设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如上述任一项所述的方法。
根据本发明的另一个方面,提供了一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现如上述任一项所述的方法。
与现有技术相比,本发明具有以下有益效果:
本发明公开的植被覆盖度估算方法是基于无人机多光谱图像估算植被覆盖度的。本发明公开的估算方法与简单目测估算方法相比,节省人力,提高工作效率,精度更高,更适合田块尺度下植被覆盖度的估测;与仪器测量计算方法相比,同样能够节省人力物力时间,适合较大尺度下植被覆盖度的估测;与遥感影像数据估算方法相比,去除了卫星过境周期和天气因素的影响,提高了测量时间的灵活性和稳定性,无人机飞行高度降低,使得空间分辨率由卫星遥感的10m级降到无人机遥感的cm级,能够有效去除混合像元影响,对田块尺度下细微差异性能够准确表达,在一定程度下提高了估算的准确性。
附图说明
图1为本发明实施例中植被覆盖度估算方法的流程图;
图2为本发明实施例中最佳估算模型下植被覆盖度实测值与估测值拟合的示意图。
具体实施方式
下面结合实施例和说明书附图对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本实施例提供了一种植被覆盖度估算方法,包括以下步骤:
S1、获取采样点的植被覆盖度实际测量值;
S2、获取无人机拍摄并传输的采样点的多光谱遥感图像;
S3、对所述多光谱遥感图像进行预处理,得到图像反射率在预设阈值内的波段图像;
S4、在所述波段图像中提取所述采样点对应像元的各波段反射率值;
S5、运用统计产品与服务解决方法(Statistical Product and Service Solutions,简称SPSS)将所述植被覆盖度实际测量值与所述各波段反射率值进行相关性分析,得到敏感波段;
S6、基于所述敏感波段与所述植被覆盖度实际测量值,通过多元线性回归方法,构建植被覆盖度估算模型;
S7、采用所述植被覆盖度实际测量值对植被覆盖度估算模型筛选得到最优估算模型;
S8、利用选取出的最优估算模型估算待测区域的植被覆盖度。
为便于对本发明的理解,下面结合本实施例提供的植被覆盖度估算方法与附图图1、图2,对本发明的原理做进一步的描述:
本实施例所用的无人机遥感平台是由大疆Matrice 600 pro六旋翼无人机搭载Sequoia多光谱相机组成的。
在现有的遥感影像数据估算植被覆盖度的方法中,遥感平台的搭建主要分为两部分:传感器和飞行器,其中传感器指的就是相机,飞行器就是无人机、飞机或卫星,飞行器与时间分辨率相关。现有的卫星遥感技术,由于卫星有一定的飞行周期,一般为5-30天,因此卫星遥感技术存在重访周期长、受天气影响大、影像分辨率不足等技术问题。而无人机具有飞行区域机动、飞行高度灵活、作业周期短等优势,并且无人机只要在有光照的情况下就可完成作业,不受时间限制和天气限制,因此利用无人机搭载传感器,具有获取的遥感数据空间和时间分辨率相对较高的优点。同时,无人机的飞行高度较低,可以使搭载在无人机上的传感器获取的图像空间分辨率较高,空间分辨率越高,一个像元所表示的地面面积就越小,越适合小面积高精度的估测。另一方面,无人机与各种传感器之间装载灵活,可以根据研究区域的实际需求选择合适的传感器与无人机进行搭配,组成无人机遥感平台。
S1、获取采样点的植被覆盖度实际测量值
野外实测与无人机遥感图像获取同步进行。在整个研究样区范围内布设采样点,将研究区划分为多个均质样方,各样方区域内选择一个具有代表性的采样点,要求采样点尽量均匀分布在整个研究区范围内,该研究区包括未利用地与农用地,范围内植被覆盖度差异明显。采用数码相机和Trimble GEO 7X厘米级手持GPS分别记录各采样点的数码相片和坐标,由数码相片经ENVI5.1下监督分类得到该采样点的植被覆盖度。
S2、获取无人机拍摄并传输的采样点的多光谱遥感图像
采用大疆Matrice 600 pro六旋翼无人机平台搭载Sequoia多光谱相机,根据GPS记录的每个采样点的位置信息,控制无人机在样区上方一百米高度,连续实时拍摄与野外实测同时期的植被覆盖度多光谱遥感图像。
S3、获取波段图像
对无人机拍摄并传输的多光谱遥感图像进行拼接、辐射校正和几何校正等预处理,得到图像分辨率达到4-5cm,包含绿光、红光、红边和近红外四个波段图像。
S4、提取各波段反射率值
利用ENVI5.1 Classic中Pixel locator工具,将步骤S1中记录的GPS位置信息输入到经过预处理的多光谱遥感图像上,找到对应像元,并提取该像元的各波段反射率值。
S5、获得敏感波段
运用统计产品与服务解决方法(Statistical Product and Service Solutions,简称SPSS)将各采样点植被覆盖度的实际测量值与遥感图像各波段反射率值进行相关性分析,得到与植被覆盖度相关性高的敏感波段:G(绿光波段)、R(红光波段)、REG(红边波段)和NIR(近红外波段)。
植被的光谱特征主要集中在绿光、红光、红边和近红外四个波段,即Sequoia多光谱相机所包含的四个波段,高光谱相机可能会有更丰富的光谱信息,但对于植被覆盖度估测来说,仅有绿光、红光、红边和近红外四个波段就足够了,丰富的光谱信息只会带来大量的数据冗余,增加数据处理过程中的困难。表1为本发明实施例中敏感波段与植被覆盖度的相关系数。
波段名称 相关系数
绿光(GREEN) -0.639
红光(RED) -0.636
红边(RED EDGE) -0.646
近红外(NEAR IR) -0.695
表1 敏感波段与植被覆盖度的相关系数
S6、构建植被覆盖度估算模型
将所有样本的植被覆盖度实际测量值分为建模样本集(约总样本2/3)和验证样本集(约总样本1/3)两部分。
选取建模样本集,以步骤S5中筛选得到的4个敏感波段为自变量,植被覆盖度实测值为因变量,对自变量与因变量通过多种回归方式进行多元线性回归,得到基于无人机遥感图像的植被覆盖度估算模型,并得到建模精度。
其中,回归方式可以选用多元逐步线性回归、多元输入线性回归和偏最小二乘回归等方式。
S7、筛选获得优化模型
运用验证样本集对上述通过多种回归方式得到的多个植被覆盖度估算模型进行模型验证:将验证样本集中样点的各波段反射率值分别带入到多个植被覆盖度估算模型中求得相应的植被覆盖度估算值,将得到的植被覆盖度估算值与验证样本集中相应的各样点的实际测量值进行拟合,得到验证精度。
在本实施例中,综合建模精度与验证精度,优选得到的最优估算模型为:
其中,Y为植被覆盖度估算值;G为绿光波段反射率值;R为红光波段反射率值;REG为红边波段反射率值和NIR为近红外波段反射率值。
在本实施例中最优估算模型的建模精度为0.757,验证精度为0.727。
S8、估算待测区域植被覆盖度
将上述本实施例得到的植被覆盖度估算最优模型应用到山东省东营市垦利区某农田,土地利用类型主要为耕地和未利用地,耕地主要种植冬小麦,进行植被覆盖度估算,得到估算精度为0.742。
本实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如上任一项所述的方法。
本实施例还提供了一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现如上任一项所述的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。

Claims (10)

1.一种植被覆盖度估算方法,其特征在于,包括以下步骤:
获取采样点的植被覆盖度实际测量值;
获取无人机拍摄并传输的采样点的多光谱遥感图像;
对所述多光谱遥感图像进行预处理,得到图像反射率在预设阈值内的波段图像;
在所述波段图像中提取所述采样点对应像元的各波段反射率值;
运用统计产品与服务解决方法(Statistical Product and Service Solutions,简称SPSS)将所述植被覆盖度实际测量值与所述各波段反射率值进行相关性分析,得到敏感波段;
基于所述敏感波段与所述植被覆盖度实际测量值,通过多元线性回归方法,构建植被覆盖度估算模型;
采用所述植被覆盖度实际测量值对植被覆盖估算模型筛选得到最优估算模型;
利用选取出的最优估算模型估算待测区域的植被覆盖度。
2.根据权利要求1所述的植被覆盖度估算方法,其特征在于,所述采样点均匀分布在研究样区内,所述研究样区至少包括未利用地和农用地。
3.根据权利要求1所述的植被覆盖度估算方法,其特征在于,所述获取无人机拍摄并传输的采样点的多光谱遥感图像,包括以下步骤:
采用无人机搭载多光谱相机实时获取与实际测量同时的多光谱遥感图像。
4.根据权利要求1所述的植被覆盖度估算方法,其特征在于,所述预处理至少包括图像拼接处理、辐射校正处理、几何校正处理中的一项。
5.根据权利要求1所述的植被覆盖度估算方法,其特征在于,所述波段图像包括绿光波段图像、红光波段图像、红边波段图像和近红外波段图像四个波段图像。
6.根据权利要求1所述的植被覆盖度估算方法,其特征在于,所述敏感波段包括绿光波段、红光波段、红边波段和近红外波段。
7.根据权利要求1所述的植被覆盖度估算方法,其特征在于,所述
多元线性回归方法可以采用多元逐步线性回归方法、多元输入线性回归方法或偏最小二乘回归方法中的一种。
8.根据权利要求1所述的植被覆盖度估算方法,其特征在于,采用所述植被覆盖度实际测量值对所述植被覆盖估算模型筛选得到最优估算模型,包括以下步骤:
将所述植被覆盖度实际测量值分为建模样本集与验证样本集,
其中,所述建模样本集用于构建植被覆盖度估算模型并获得建模精度,所述验证样本集用于验证构建的估算模型的精度并获得验证精度;
通过所述建模精度与所述验证精度选取最优估算模型。
9.根据权利要求8所述的植被覆盖度估算方法,其特征在于,验证构建的估算模型的精度并获得验证精度,包括以下步骤:
将所述验证样本集中的各波段反射率值带入植被覆盖度估算模型中求得相应的植被覆盖度估算值;
基于所述植被覆盖度估算值与所述验证样本集中相应的植被覆盖度实际测量值,利用拟合方法,得到验证精度。
10.根据权利要求9所述的植被覆盖度估算方法,其特征在于,所述最优估算模型的建模精度为0.757,验证精度为0.727。
CN201810941691.3A 2018-08-17 2018-08-17 一种植被覆盖度估算方法 Pending CN108896022A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810941691.3A CN108896022A (zh) 2018-08-17 2018-08-17 一种植被覆盖度估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810941691.3A CN108896022A (zh) 2018-08-17 2018-08-17 一种植被覆盖度估算方法

Publications (1)

Publication Number Publication Date
CN108896022A true CN108896022A (zh) 2018-11-27

Family

ID=64354636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810941691.3A Pending CN108896022A (zh) 2018-08-17 2018-08-17 一种植被覆盖度估算方法

Country Status (1)

Country Link
CN (1) CN108896022A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765932A (zh) * 2019-01-31 2019-05-17 交通运输部天津水运工程科学研究所 一种荒漠灌丛盖度无人机调查方法
CN111678871A (zh) * 2020-06-16 2020-09-18 中国气象科学研究院 一种非生长季植被覆盖度遥感估算方法
CN112106346A (zh) * 2019-09-25 2020-12-18 深圳市大疆创新科技有限公司 图像处理方法、设备、无人机、系统和存储介质
CN112213265A (zh) * 2020-09-29 2021-01-12 水利部牧区水利科学研究所 基于无人机遥感技术的植被覆盖监测系统
CN112711989A (zh) * 2020-12-15 2021-04-27 中国农业大学 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法
CN113155749A (zh) * 2021-03-29 2021-07-23 上海市园林科学规划研究院 城镇河道沉水植物生物量计算方法
CN113885060A (zh) * 2021-09-26 2022-01-04 中国农业科学院草原研究所 基于无人机遥感技术的放牧强度监测方法
CN115359365A (zh) * 2022-08-16 2022-11-18 首都师范大学 一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105259909A (zh) * 2015-11-08 2016-01-20 杨珊珊 基于无人飞行器的植被数据采集方法及采集装置
CN106092915A (zh) * 2016-05-31 2016-11-09 太原理工大学 一种草地绿色植物与枯萎植物重量比例遥感估算方法
CN106934405A (zh) * 2017-03-21 2017-07-07 北京师范大学 一种中分辨率遥感影像中塑料大棚提取及盖度反演的方法
CN107389036A (zh) * 2017-08-02 2017-11-24 珠江水利委员会珠江水利科学研究院 一种结合无人机影像的大空间尺度植被覆盖度计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105259909A (zh) * 2015-11-08 2016-01-20 杨珊珊 基于无人飞行器的植被数据采集方法及采集装置
CN106092915A (zh) * 2016-05-31 2016-11-09 太原理工大学 一种草地绿色植物与枯萎植物重量比例遥感估算方法
CN106934405A (zh) * 2017-03-21 2017-07-07 北京师范大学 一种中分辨率遥感影像中塑料大棚提取及盖度反演的方法
CN107389036A (zh) * 2017-08-02 2017-11-24 珠江水利委员会珠江水利科学研究院 一种结合无人机影像的大空间尺度植被覆盖度计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘峰 等: "园地植被覆盖度的无人机遥感监测研究", 《农业机械报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765932A (zh) * 2019-01-31 2019-05-17 交通运输部天津水运工程科学研究所 一种荒漠灌丛盖度无人机调查方法
CN112106346A (zh) * 2019-09-25 2020-12-18 深圳市大疆创新科技有限公司 图像处理方法、设备、无人机、系统和存储介质
CN111678871A (zh) * 2020-06-16 2020-09-18 中国气象科学研究院 一种非生长季植被覆盖度遥感估算方法
CN112213265A (zh) * 2020-09-29 2021-01-12 水利部牧区水利科学研究所 基于无人机遥感技术的植被覆盖监测系统
CN112213265B (zh) * 2020-09-29 2023-10-10 水利部牧区水利科学研究所 基于无人机遥感技术的植被覆盖监测系统
CN112711989A (zh) * 2020-12-15 2021-04-27 中国农业大学 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法
CN112711989B (zh) * 2020-12-15 2024-03-05 中国农业大学 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法
CN113155749A (zh) * 2021-03-29 2021-07-23 上海市园林科学规划研究院 城镇河道沉水植物生物量计算方法
CN113155749B (zh) * 2021-03-29 2024-02-02 上海市园林科学规划研究院 城镇河道沉水植物生物量计算方法
CN113885060A (zh) * 2021-09-26 2022-01-04 中国农业科学院草原研究所 基于无人机遥感技术的放牧强度监测方法
CN115359365A (zh) * 2022-08-16 2022-11-18 首都师范大学 一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法

Similar Documents

Publication Publication Date Title
CN108896022A (zh) 一种植被覆盖度估算方法
Deng et al. UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras
US11181516B2 (en) Methods and systems for analyzing a field
Kalisperakis et al. Leaf area index estimation in vineyards from UAV hyperspectral data, 2D image mosaics and 3D canopy surface models
Guo et al. Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping
Lussem et al. Estimating biomass in temperate grassland with high resolution canopy surface models from UAV-based RGB images and vegetation indices
Hoffmann et al. Crop water stress maps for an entire growing season from visible and thermal UAV imagery
CN108760660A (zh) 一种返青期冬小麦叶绿素含量估算方法
Cao et al. Radiometric calibration assessments for UAS-borne multispectral cameras: Laboratory and field protocols
Stroppiana et al. Rice yield estimation using multispectral data from UAV: A preliminary experiment in northern Italy
Ghazal et al. UAV-based remote sensing for vegetation cover estimation using NDVI imagery and level sets method
CN111289441B (zh) 多光谱下的大田作物含水量确定方法、系统及设备
US10585210B2 (en) Apparatus for radiometric correction and orthorectification of aerial imagery
Liang et al. Close-range remote sensing of forests: The state of the art, challenges, and opportunities for systems and data acquisitions
Willkomm et al. Non-destructive monitoring of rice by hyperspectral in-field spectrometry and UAV-based remote sensing: Case study of field-grown rice in North Rhine-Westphalia, Germany
Clevers Application of remote sensing to agricultural field trials
Hu et al. A Landsat-5 atmospheric correction based on MODIS atmosphere products and 6S model
Ehammer et al. Statistical derivation of fPAR and LAI for irrigated cotton and rice in arid Uzbekistan by combining multi-temporal RapidEye data and ground measurements
Li et al. Characterizing reflectance anisotropy of background soil in open-canopy plantations using UAV-based multiangular images
Na et al. Selection of optimal vegetation indices for estimation of barley & wheat growth based on remote sensing-An application of unmanned aerial vehicle and field investigation data
CN109142240A (zh) 一种基于无人机遥感的大田作物水分胁迫监测方法
Schneider-Zapp et al. A new method to determine multi-angular reflectance factor from lightweight multispectral cameras with sky sensor in a target-less workflow applicable to UAV
CN115453555A (zh) 一种草地生产力的无人机快速监测方法及系统
Hernández-López et al. Testing the radiometric performance of digital photogrammetric images: vicarious vs. laboratory calibration on the Leica ADS40, a Study in Spain
Roumenina et al. Validation of MERIS LAI and FAPAR products for winter wheat-sown test fields in North-East Bulgaria

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: 20181127

RJ01 Rejection of invention patent application after publication