CN109446965B - 一种基于无人机数据的烟田自动识别方法 - Google Patents

一种基于无人机数据的烟田自动识别方法 Download PDF

Info

Publication number
CN109446965B
CN109446965B CN201811228716.1A CN201811228716A CN109446965B CN 109446965 B CN109446965 B CN 109446965B CN 201811228716 A CN201811228716 A CN 201811228716A CN 109446965 B CN109446965 B CN 109446965B
Authority
CN
China
Prior art keywords
tobacco field
mulching film
tobacco
distribution map
image
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
CN201811228716.1A
Other languages
English (en)
Other versions
CN109446965A (zh
Inventor
朱秀芳
肖国峰
侯陈瑶
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.)
Beijing Normal University
Original Assignee
Beijing Normal 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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN201811228716.1A priority Critical patent/CN109446965B/zh
Publication of CN109446965A publication Critical patent/CN109446965A/zh
Application granted granted Critical
Publication of CN109446965B publication Critical patent/CN109446965B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于无人机影像数据的烟田自动识别方法。所述识别方法包括：获取烤烟移栽完成后还苗期刚开始的阶段的无人机影像数据；监督分类提取所述无人机影像数据中的烟田地膜和建筑物的混合类图像；采用腐蚀和膨胀算法去除所述混合类图像中的所述建筑物部分，获得粗略烟田地膜空间分布图；采用腐蚀算法从所述粗略烟田地膜空间分布图中剔除噪声破碎图斑，获得精细烟田地膜分布图；采用膨胀算法膨胀所述精细烟田地膜分布图获得烟田的初步提取分布图；采用阈值分割方法从所述初步提取烟田分布图中剔除杂质地块，获得烟田空间分布图，所述杂质地块为除烟田以外的地块。实现了烟田影像的自动识别和分析烟田的分布情况和种植面积，能够实时监测烟田面积数据，提高了烟田空间分布和面积调查精度与效率。

Description

一种基于无人机数据的烟田自动识别方法
技术领域
本发明涉及烟田监测领域，特别是涉及一种基于无人机数据的烟田自动识别方法。
背景技术
我国是世界上最重要的烟叶生产和消费国家之一。烤烟是我国也是世界上栽培面积最大的烟草类型，是卷烟工业的主要原料，是我国经济作物中一项重要的农产品，也是我国出口的大宗农产品之一。烟草的种植信息是烟草生产管理的重要依据，能够为烟草种植及收购管控提供决策支持，是国家宏观管理和决策的重要经济信息。烟草种植面积的估测有助于掌握烟草种植情况、监管烟农种植规模，同时明晰烟草的产量和供应量，对控制烟草的种植规模、稳定产量也有重要的意义。保险公司也需要掌握烟草空间分布范围，以实现精确承保和理赔，减少传统按合同理赔中出现的道德风险问题。
常规的烟草政治面积监测依赖于地面调查方法，耗时费力，成本高，只能进行局部抽查，易受人为因素影响而产生的误差，无法获取精确的种植面积数据和实时监测。遥感技术覆盖面积大、获取信息速度快、周期短、实时性强、不受地面条件限制，与人工常规的地面调查与统计相比具有费用低的优点，在大宗作物面积监测中得到了广泛的应用。但目前利用遥感数据进行烟草种植信息提取的研究很少。
与大宗作物相比，烟草地块破碎且分散，同期种植作物多，容易和其他作物类型混分，对数据的空间分辨率和时相的遥感数据，雷达数据通常分辨率较低，无法满足烟草空间分布实时监测的需求。
发明内容
本发明的目的是提供一种能够满足烟草空间分布实时监测的基于无人机数据的烟田自动识别方法。
为实现上述目的，本发明提供了如下方案：
一种基于无人机数据的烟田自动识别方法，所述识别方法包括：
获取烤烟移栽完成后还苗期刚开始的阶段的无人机影像数据；
监督分类提取所述无人机影像数据中的烟田地膜和建筑物的混合类图像；
采用腐蚀和膨胀算法去除所述混合类图像中的所述建筑物部分，获得粗略烟田地膜空间分布图，所述粗略烟田地膜空间分布图中含有破碎图斑；
采用腐蚀算法从所述粗略烟田地膜空间分布图中剔除噪声破碎图斑，获得精细烟田地膜分布图；
采用膨胀算法膨胀所述精细烟田地膜分布图，获得烟田的初步提取烟田分布图；
采用阈值分割方法从所述初步提取烟田分布图中剔除杂质地块，获得烟田空间分布图，所述杂质地块为除烟田以外的地块。
可选的，在所述获取烤烟移栽完成后还苗期刚开始的阶段的无人机影像数据还包括：
对所述无人机影像数据进行数据质量检查、图像特征点提取、影像匹配、空中三角测量与区域网平差操作，获得数字高程模型，正射校正获得数字正射影图像；
根据所述数字高程模型和所述数字正射影图像对所述无人机影像数据拼接，获得预处理无人机影像数据。
可选的，所述监督分类提取所述无人机影像数据中的烟田地膜和建筑物的混合类图像具体包括：
制定分类系统；
选取所述无人机影像数据中的林地、草地、道路、裸露农田、深色建设用地、浅色建设用地、烟田地膜和玉米地膜作为训练样本；
采用最大似然分类方法进行分类，提取所述无人机影像数据中的烟田地膜和建筑物的分类图像。
可选的，所述采用腐蚀和膨胀算法去除所述混合类图像中的所述建筑物部分，获得粗略烟田地膜空间分布图具体包括：
单个烤烟地膜的覆盖宽度最大值为Bmax，影像的分辨率为S，T为数值向上的取整运算，腐蚀的内核大小为K，内核中的元素值为1，腐蚀宽度为
Figure BDA0001836606410000031
其中，
Figure BDA0001836606410000032
腐蚀的内核大小为
Figure BDA0001836606410000033
采用腐蚀算法剔除掉所述混合类图像中的烟田地膜的同时会将所述建筑物的边缘部分腐蚀，获得腐蚀后的建筑物用地；
利用图像形态学中的膨胀工具对所述腐蚀后的建筑物用地进行膨胀操作，获得大面积建筑物用地分布图，所述膨胀操作中膨胀的内核大小和腐蚀的内核大小K值一致，所述内核中的元素值为1；
采用腐蚀算法剔除掉混合类图像中的烟田地膜后，剩余的图斑为建筑物用地，经过膨胀之后，得到的建筑物用地图斑为大面积建筑物用地图斑，将所述混合类图像与所述大面积建筑物用地分布图做差，剔除大面积建筑物用地图斑，获得烟田地膜图斑和噪声图斑，所述噪声图斑表示小面积的除烟田地膜以外的破碎图斑；
根据所述烟田地膜图斑和所述噪声图斑，获得精细烟田地膜空间分布图。
可选的，所述采用腐蚀算法从所述粗略烟田地膜空间分布图中剔除破碎图斑，获得精细烟田地膜分布图具体包括：
单个烤烟地膜的覆盖宽度最小值为Bmin，影像的分辨率为S，腐蚀的内核大小为K′，T′为数值向上的取整运算，内核中的所有元素值为1，腐蚀宽度为
Figure BDA0001836606410000034
其中，
Figure BDA0001836606410000035
Figure BDA0001836606410000036
采用腐蚀算法剔除掉所述混合类图像中破碎噪声图斑，同时所述烟田地膜的边缘部分区域也被腐蚀了，获得腐蚀烟田地膜；
对所述腐蚀烟田地膜进行膨胀处理，获得精细烟田地膜分布图，所述膨胀处理的膨胀内核的大小和腐蚀的内核大小相同，内核中所有元素值也设置为1。
可选的，所述采用膨胀算法膨胀所述精细烟田地膜分布图，获得烟田的初步提取烟田分布图中的膨胀的内核大小具体包括：
相邻覆盖烤烟地膜间的最大间距为Dmax，影像的分辨率为S，膨胀的内核大小为Kn，Tn为数值向上的取整运算，内核中所有元素值为1；
其中，
Figure BDA0001836606410000041
Figure BDA0001836606410000042
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明公开了一种基于无人机数据的烟田自动识别方法，利用无人机获得最佳监测时相内清晰的厘米级空间分辨率烟田影像，采用基于监督分类和图像形态学的腐蚀膨胀算法，实现了烟田影像的自动识别、烟田的分布情况和种植面积，能够实时监测烟田面积数据，提高了烟田空间分布和面积调查精度与效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于无人机数据的烟田自动识别方法的流程图；
图2为本发明提供的监督分类提取所述无人机影像数据中的烟田地膜和建筑物的混合类图像的方法流程图；
图3为本发明提供的实验流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
本发明的目的是提供一种能够满足烟草空间分布实时监测的基于无人机影像数据的烟田自动识别方法。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，一种基于无人机数据的烟田自动识别方法，所述识别方法包括：
步骤100：获取烤烟移栽完成后还苗期刚开始的阶段的无人机影像数据；
步骤200：监督分类提取所述无人机影像数据中的烟田地膜和建筑物的混合类图像；
步骤300：采用腐蚀和膨胀算法去除所述混合类图像中的所述建筑物部分，获得粗略烟田地膜空间分布图，所述粗略烟田地膜空间分布图中含有破碎图斑；
步骤400：采用腐蚀算法从所述粗略烟田地膜空间分布图中剔除噪声破碎图斑，获得精细烟田地膜分布图；
步骤500：采用膨胀算法膨胀所述精细烟田地膜分布图，获得烟田的初步提取烟田分布图；
步骤600：采用阈值分割方法从所述初步提取烟田分布图中剔除杂质地块，获得烟田空间分布图，所述杂质地块为除烟田以外的地块。
在所述步骤100：获取烤烟移栽完成后还苗期刚开始的阶段的无人机影像数据之后还包括：
对所述无人机影像数据进行数据质量检查、图像特征点提取、影像匹配、空中三角测量与区域网平差操作，获得数字高程模型，正射校正获得数字正射影图像；
根据所述数字高程模型和所述数字正射影图像对所述无人机影像数据拼接，获得预处理无人机影像数据。
如图2所示，所述步骤200：监督分类提取所述无人机影像数据中的烟田地膜和建筑物的混合类图像具体包括：
步骤201：制定分类系统；
步骤202：选取所述无人机影像数据中的林地、草地、道路、裸露农田、深色建设用地、浅色建设用地、烟田地膜和玉米地膜作为训练样本；
步骤203：采用最大似然分类方法进行分类，分类体系为林地、草地、道路、裸露农田、深色建设用地、浅色建设用地、烟田地膜(黑色地膜)和玉米地膜(白色地膜)，提取所述无人机影像数据中的烟田地膜和建筑物的分类图像。
可选的，所述采用腐蚀和膨胀算法去除所述混合类图像中的所述建筑物部分，获得粗略烟田地膜空间分布图具体包括：
单个烤烟地膜的覆盖宽度最大值为Bmax，影像的分辨率为S，T为数值向上的取整运算，腐蚀的内核大小为K，内核中的元素值为1，腐蚀宽度为
Figure BDA0001836606410000061
其中，
Figure BDA0001836606410000062
腐蚀的内核大小为
Figure BDA0001836606410000063
采用腐蚀算法剔除掉所述混合类图像中的烟田地膜的同时会将所述建筑物的边缘部分腐蚀，获得腐蚀后的建筑物用地；
利用图像形态学中的膨胀工具对所述腐蚀后的建筑物用地再次进行膨胀操作，获得大面积建筑物用地分布图，所述膨胀操作中膨胀的内核大小和腐蚀的内核大小K值一致，所述内核中的元素值为1；
采用腐蚀算法剔除掉混合类图像中的烟田地膜后，剩余的图斑为建筑物用地，经过膨胀之后，得到的建筑物用地图斑为大面积建筑物用地图斑，将所述混合类图像与所述大面积建筑物用地分布图做差，剔除大面积建筑物用地图斑，获得烟田地膜图斑和噪声图斑，所述噪声图斑表示小面积的除烟田地膜以外的破碎图斑；
根据所述烟田地膜图斑和所述噪声图斑，获得精细烟田地膜空间分布图。
在最佳监测时间内进行无人机航拍，然后对无人机获取的影响进行预处理。
所述采用腐蚀算法从所述烟田地膜空间分布图中剔除破碎图斑，获得精细烟田地膜分布图具体包括：
单个烤烟地膜的覆盖宽度最小值为Bmin，影像的分辨率为S，腐蚀的内核大小为K′，T′为数值向上的取整运算，内核中的所有元素值为1，腐蚀宽度为
Figure BDA0001836606410000071
其中，
Figure BDA0001836606410000072
Figure BDA0001836606410000073
采用腐蚀算法剔除掉所述混合类图像中破碎噪声图斑，同时所述烟田地膜的边缘部分区域也被腐蚀了，获得腐蚀烟田地膜；
对所述腐蚀烟田地膜进行膨胀处理，获得精细烟田地膜分布图，所述膨胀处理的膨胀内核的大小和腐蚀的内核大小相同，内核中所有元素值也设置为1。
所述采用膨胀算法膨胀所述精细烟田地膜分布图，获得烟田的初步提取烟田分布图中的膨胀的内核大小具体包括：
相邻覆盖烤烟地膜间的最大间距为Dmax，影像的分辨率为S，膨胀的内核大小为Kn，Tn为数值向上的取整运算，内核中所有元素值为1；
其中，
Figure BDA0001836606410000074
Figure BDA0001836606410000075
如图3所示的实验的流程图。
最佳监测时相(烤烟移栽完成后还苗期刚开始的阶段)无人机数据的获取和预处理，基于监督分类提取烤烟地膜和建筑的“混合类”；利用图像形态学的腐蚀和膨胀算法去除“混合类”中的大面积建筑物得到烟田地膜的空间分布图；利用腐蚀算法从烟田地膜空间分布图中剔除破碎图斑。
数据预处理的过程包括航片数据质量检查、影响特征点提取、影像匹配、空中三角形测量与区域网平差、生成数字高程模型、正射校正生成数字正射影图像、影像拼接、以及利用ArcGIS进行烤烟地块的数字化。
监督分类的分类体系为林地、草地、道路、裸露农田、深色建设用地、浅色建设用地、烟田地膜和玉米地膜，采用的分类器为最大似然分类器。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于无人机数据的烟田自动识别方法，其特征在于，所述识别方法包括：
获取烤烟移栽完成后还苗期刚开始的阶段的无人机影像数据；
监督分类提取所述无人机影像数据中的烟田地膜和建筑物的混合类图像；
采用腐蚀和膨胀算法去除所述混合类图像中的所述建筑物部分，获得粗略烟田地膜空间分布图，所述粗略烟田地膜空间分布图中含有破碎图斑；
采用腐蚀算法从所述粗略烟田地膜空间分布图中剔除噪声破碎图斑，获得精细烟田地膜分布图；
采用膨胀算法膨胀所述精细烟田地膜分布图，获得烟田的初步提取烟田分布图；
采用阈值分割方法从所述初步提取烟田分布图中剔除杂质地块，获得烟田空间分布图，所述杂质地块为除烟田以外的地块。
2.根据权利要求1所述的一种基于无人机数据的烟田自动识别方法，其特征在于，在所述获取烤烟移栽完成后还苗期刚开始的阶段的无人机影像数据之后还包括：
对所述无人机影像数据进行数据质量检查、图像特征点提取、影像匹配、空中三角测量与区域网平差操作，获得数字高程模型，正射校正获得数字正射影图像；
根据所述数字高程模型和所述数字正射影图像对所述无人机影像数据拼接，获得预处理无人机影像数据。
3.根据权利要求1所述的一种基于无人机数据的烟田自动识别方法，其特征在于，所述监督分类提取所述无人机影像数据中的烟田地膜和建筑物的混合类图像具体包括：
制定分类系统；
选取所述无人机影像数据中的林地、草地、道路、裸露农田、深色建设用地、浅色建设用地、烟田地膜和玉米地膜作为训练样本；
采用最大似然分类方法进行分类，提取所述无人机影像数据中的烟田地膜和建筑物的分类图像。
4.根据权利要求1所述的一种基于无人机数据的烟田自动识别方法，其特征在于，所述采用腐蚀和膨胀算法去除所述混合类图像中的所述建筑物部分，获得粗略烟田地膜空间分布图具体包括：
单个烤烟地膜的覆盖宽度最大值为Bmax，影像的分辨率为S，T为数值向上的取整运算，腐蚀的内核大小为K，内核中的元素值为1，腐蚀宽度为
Figure FDA0002961441270000021
其中，
Figure FDA0002961441270000022
腐蚀的内核大小为
Figure FDA0002961441270000023
采用腐蚀算法剔除掉所述混合类图像中的烟田地膜的同时会将所述建筑物的边缘部分腐蚀，获得腐蚀后的建筑物用地；
利用图像形态学中的膨胀工具对所述腐蚀后的建筑物用地进行膨胀操作，获得大面积建筑物用地分布图，所述膨胀操作中膨胀的内核大小和腐蚀的内核大小K值一致，所述内核中的元素值为1；
采用腐蚀算法剔除掉混合类图像中的烟田地膜后，剩余的图斑为建筑物用地，经过膨胀之后，得到的建筑物用地图斑为大面积建筑物用地图斑，将所述混合类图像与所述大面积建筑物用地分布图做差，剔除大面积建筑物用地图斑，获得烟田地膜图斑和噪声图斑，所述噪声图斑表示小面积的除烟田地膜以外的破碎图斑；
根据所述烟田地膜图斑和所述噪声图斑，获得粗略烟田地膜空间分布图。
5.根据权利要求1所述的一种基于无人机数据的烟田自动识别方法，其特征在于，所述采用腐蚀算法从所述粗略烟田地膜空间分布图中剔除破碎图斑，获得精细烟田地膜分布图具体包括：
单个烤烟地膜的覆盖宽度最小值为Bmin，影像的分辨率为S，腐蚀的内核大小为K′，T′为数值向上的取整运算，内核中的所有元素值为1，腐蚀宽度为
Figure FDA0002961441270000031
其中
Figure FDA0002961441270000032
Figure FDA0002961441270000033
采用腐蚀算法剔除掉所述混合类图像中破碎噪声图斑，同时所述烟田地膜的边缘部分区域也被腐蚀了，获得腐蚀烟田地膜；
对所述腐蚀烟田地膜进行膨胀处理，获得精细烟田地膜分布图，所述膨胀处理的膨胀内核的大小和腐蚀的内核大小相同，内核中所有元素值也设置为1。
6.根据权利要求1所述的一种基于无人机数据的烟田自动识别方法，其特征在于，所述采用膨胀算法膨胀所述精细烟田地膜分布图，获得烟田的初步提取烟田分布图中的膨胀的内核大小具体包括：
相邻覆盖烤烟地膜间的最大间距为Dmax，影像的分辨率为S，膨胀的内核大小为Kn，Tn为数值向上的取整运算，内核中所有元素值为1；
其中，
Figure FDA0002961441270000034
CN201811228716.1A 2018-10-22 2018-10-22 一种基于无人机数据的烟田自动识别方法 Active CN109446965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811228716.1A CN109446965B (zh) 2018-10-22 2018-10-22 一种基于无人机数据的烟田自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811228716.1A CN109446965B (zh) 2018-10-22 2018-10-22 一种基于无人机数据的烟田自动识别方法

Publications (2)

Publication Number Publication Date
CN109446965A CN109446965A (zh) 2019-03-08
CN109446965B true CN109446965B (zh) 2021-07-13

Family

ID=65546820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811228716.1A Active CN109446965B (zh) 2018-10-22 2018-10-22 一种基于无人机数据的烟田自动识别方法

Country Status (1)

Country Link
CN (1) CN109446965B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11527061B1 (en) * 2019-03-29 2022-12-13 United Services Automobile Association (Usaa) Systems and methods for assessing property development condition
CN110245589A (zh) * 2019-05-30 2019-09-17 农业农村部农业生态与资源保护总站 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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236106A (zh) * 2008-01-11 2008-08-06 北京航空航天大学 一种光谱和空间信息结合的高光谱数据分类方法
CN104123731A (zh) * 2014-08-04 2014-10-29 山东农业大学 低对比度皮棉地膜图像分割方法
CN104616015A (zh) * 2015-01-13 2015-05-13 北京师范大学 一种基于主被动遥感数据的农村居民点用地提取方法
CN105160355A (zh) * 2015-08-28 2015-12-16 北京理工大学 一种基于区域相关和视觉单词的遥感图像变化检测方法
CN108280812A (zh) * 2018-01-23 2018-07-13 中国科学院遥感与数字地球研究所 一种基于图像增强的过火区域提取方法
CN108537182A (zh) * 2018-04-13 2018-09-14 中国中医科学院中药研究所 基于无人机遥感数据的中药材种植面积自动统计方法
CN109754423A (zh) * 2018-11-28 2019-05-14 中国农业科学院农业信息研究所 一种叶片病斑覆盖区域的提取方法和设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3003034A1 (en) * 2013-05-30 2016-04-13 Ohio State Innovation Foundation Natural bioherbicides and related materials and methods

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236106A (zh) * 2008-01-11 2008-08-06 北京航空航天大学 一种光谱和空间信息结合的高光谱数据分类方法
CN104123731A (zh) * 2014-08-04 2014-10-29 山东农业大学 低对比度皮棉地膜图像分割方法
CN104616015A (zh) * 2015-01-13 2015-05-13 北京师范大学 一种基于主被动遥感数据的农村居民点用地提取方法
CN105160355A (zh) * 2015-08-28 2015-12-16 北京理工大学 一种基于区域相关和视觉单词的遥感图像变化检测方法
CN108280812A (zh) * 2018-01-23 2018-07-13 中国科学院遥感与数字地球研究所 一种基于图像增强的过火区域提取方法
CN108537182A (zh) * 2018-04-13 2018-09-14 中国中医科学院中药研究所 基于无人机遥感数据的中药材种植面积自动统计方法
CN109754423A (zh) * 2018-11-28 2019-05-14 中国农业科学院农业信息研究所 一种叶片病斑覆盖区域的提取方法和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于国产高分卫星ＧＦ－１影像的农膜遥感信息提取技术研究》;屈冉 等；;《环境与可持续发展》;20180630;第66-69页； *
《多源卫星数据的农用地膜信息提取》;李佳雨 等；;《测绘通报》;20180731(第7期);第78-82页； *

Also Published As

Publication number Publication date
CN109446965A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及系统
CN113033670B (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
CN111461053A (zh) 基于迁移学习的多个生育期小麦倒伏区域识别系统
CN109086826B (zh) 基于图像深度学习的小麦干旱识别方法
CN110363246B (zh) 一种高时空分辨率植被指数ndvi的融合方法
Rasmussen et al. Tree survey and allometric models for tiger bush in northern Senegal and comparison with tree parameters derived from high resolution satellite data
CN109063660B (zh) 一种基于多光谱卫星影像的作物识别方法
CN114998742A (zh) 一种单季稻稻作区水稻种植面积的快速识别与提取的方法
Koedsin et al. Mapping rubber tree stand age using Pléiades Satellite Imagery: A case study in Talang district, Phuket, Thailand
CN116091938B (zh) 一种针对单季稻种植面积的多源遥感监测方法
CN106845366B (zh) 基于图像的甘蔗覆盖度自动检测方法
CN109446965B (zh) 一种基于无人机数据的烟田自动识别方法
Zhou et al. Wheat phenology detection with the methodology of classification based on the time-series UAV images
Zhou et al. An automated, high-performance approach for detecting and characterizing broccoli based on UAV remote-sensing and transformers: A case study from Haining, China
EP4402652A1 (en) Method and system for delineating agricultural fields in satellite images
Mashonganyika et al. Mapping of winter wheat using sentinel-2 NDVI data. a case of Mashonaland central province in Zimbabwe
CN111582035B (zh) 一种果树树龄识别方法、装置、设备及存储介质
Zhou et al. Monitoring intra-annual and interannual variability in spatial distribution of plastic-mulched citrus in cloudy and rainy areas using multisource remote sensing data
CN112329733A (zh) 一种基于gee云平台的冬小麦长势监测及分析方法
Qin et al. Inundation impact on croplands of 2020 flood event in three Provinces of China
Mashonganyika et al. Mapping of Winter Wheat Using Sentinel-2 NDVI Data
Johansen et al. Multi-temporal assessment of lychee tree crop structure using multi-spectral RPAS imagery
Hooda et al. RS-based regional crop identification and mapping: a case study of Barwala sub-branch of Western Yamuna Canal in Haryana (India)
CN116563721B (zh) 基于分层分类思想的烟田提取方法
Duan et al. Monitoring apple flowering date at 10 m spatial resolution based on crop reference curves

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