CN109815916A - 一种基于卷积神经网络算法的植被种植区域识别方法及系统 - Google Patents
一种基于卷积神经网络算法的植被种植区域识别方法及系统 Download PDFInfo
- Publication number
- CN109815916A CN109815916A CN201910081486.9A CN201910081486A CN109815916A CN 109815916 A CN109815916 A CN 109815916A CN 201910081486 A CN201910081486 A CN 201910081486A CN 109815916 A CN109815916 A CN 109815916A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- convolution
- convolutional neural
- neural networks
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 74
- 238000012937 correction Methods 0.000 claims description 36
- 230000017105 transposition Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 5
- 240000002791 Brassica napus Species 0.000 description 11
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 11
- 238000012795 verification Methods 0.000 description 10
- 241000209140 Triticum Species 0.000 description 9
- 235000021307 Triticum Nutrition 0.000 description 9
- 235000013350 formula milk Nutrition 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 4
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 241000894007 species Species 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 235000019713 millet Nutrition 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络算法的植被种植区域识别方法及系统,识别方法包括以下步骤:对采集的卫星影像图像进行预处理;通过卷积神经网络模型对预处理后的卫星影像图像进行识别;对识别结果经过处理后,再与GIS地理信息结合计算得到植被种植区域的数据信息。通过对卫星影像图像进行分析处理能够对植被种植区域的分布和植被种植类型进行识别以及对种植面积进行计算统计,提高了植被种植面积统计的效率和准确度,避免了人工统计效率低和传统植被识别方法识别精度低的问题,也极大地减少了人力成本。
Description
技术领域
本发明涉及一种植被种植区域识别方法及系统,尤其涉及一种基于卷积神经网络算法的植被种植区域识别方法及系统。
背景技术
随着社会的发展越来越多的人认识到保险的重要性,大部分保险都是对自己或者家人进行投保;但是也存在一些特殊的投保保单,比如对自己家农作物的产量进行投保,以保证如果遇到自然灾害导致农作物(如油菜)产量锐减造成自己很大的经济损失。
保险公司在进行赔付时,需要通过农作物的种植类型对某种农作物种植区域和种植面积进行测量进而估算农作物损失程度来计算赔付的额度;农作物的种植在多类地形区域上均有分布,如丘陵地块、沟地或者田地等;而且大部分的地块面积都不大,地形形状不规则且都比较复杂;而油菜种植区域的识别需要对承保区域范围内的高精度卫星影像进行像素级别的图像识别和分类,传统的人工标注分类方法,对于如此大范围的卫星影像,需要消耗大量的时间、资源以及人力成本,基本不可行。而常规的机器学习方法(如逻辑回归,支持向量机等)识别精度一般只能达到70%左右,无法满足需要,而且通过人工进行标注分类存在着一是面积测定相对困难且准确度和效率都很低下。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于卷积神经网络算法的植被种植区域识别方法及系统,解决了通过人工测定植被种植区域和种植面积存在的缺陷。
本发明的目的是通过以下技术方案来实现的:一种基于卷积神经网络算法的植被种植区域识别方法,识别方法包括以下步骤:
对采集的卫星影像图像进行预处理;
通过卷积神经网络模型对预处理后的卫星影像图像进行识别;
对识别结果经过处理后,再与GIS地理信息结合计算得到植被种植区域的数据信息。
对采集的卫星影像图像进行预处理步骤的具体内容如下:
辐射定标步骤:将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值;
大气校正步骤:通过FLAASH模块对采集的卫星影像图像进行大气校正;
几何校正步骤:实现通过卫星影像图像的RPC信息,对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上;
图像融合步骤:将不同波段的数据进行组合,提高卫星影像图像的地面分辨率和色彩分辨率;
图像配准步骤:将多幅不同卫星影像图像进行匹配和叠加;
图像裁切镶嵌步骤:将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。
对识别结果经过处理后,再与GIS地理信息结合得到植被种植区域的数据信息步骤的具体内容如下:
将识别结果进行空间坐标对齐、图层叠加和数据结果统计处理;
结合植被种植区域所在地区边界信息得到精确到各个乡镇的植被种植面积数据。
几何校正步骤的内容如下:
选取特征明显和稳定的地面控制点;
根据选取的地面控制点确定地图投影和坐标,保证控制点的地理坐标与地图投影保持一致;
对纠正方程进行计算,通过控制点确定图像中像平面坐标点。
在进行所述通过卷积神经网络模型对预处理后的卫星影像图像进行识别之前,还需要完成卷积神经网络模型的建立;建立卷积神经网络模型的步骤如下:
搭建模型框架;
读取图像并对模型进行训练学习;
根据模型训练学习情况实时对模型超参数进行调节;
将完成训练的模型进行固定和保存。
读取图像对模型进行训练学习的具体步骤如下:
读取训练图像和已经完成样本点标注的标签图像;
对训练图像和标签图像进行去像素点处理;
将训练图像转换成多通道的one-hot样本,并定义各个通道的含义;
对训练图像各个通道上的值进行归一化处理;
根据训练图像生成训练池;
对训练图像进行卷积以及卷积转置处理,当训练达到预设条件时,训练学习结束。
卷积处理的步骤如下:
对训练图像根据卷积深度进行i次卷积;
在第i次卷积后根据进行一次dropout处理,得到第i次卷积后的图像。
卷积转置的步骤如下:
将第i次卷积结果进行卷积转置,并将卷积转置结果与第i-1次卷积结果进行拼接;
对拼接结果进行一次卷积,再对上一次卷积结果进行一次卷积;
根据上述方式依次进行i-1次卷积转置处理。
对模型超参数进行调节的策略为:
为每个超参数定义一个取值范围;
在每个超参数取值范围中随机选取一个值,形成一个组合;并根据模型训练效果增加超参数的组合数;
根据形成的超参数组合进行模型的训练和测试,当模型训练后损失函数值和训练集准确性符合要求时,完成模型训练。
一种基于卷积神经网络算法的植被种植区域识别系统,包括:
预处理模块:实现对采集的卫星影像图像进行预先处理;
卷积神经网络模型:根据所述预处理模块的处理结果对预处理后的卫星影像图像进行像素级别的识别;
GIS地理信息模块:实现对识别结果经过处理后与GIS地理信息结合计算得到植被种植区域的数据信息。
预处理模块包括:
几何校正单元:实现通过卫星影像图像的RPC信息,对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上;
图像配准单元:将多幅不同卫星影像图像进行匹配和叠加;
辐射定标单元:将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值;
大气校正单元:通过FLAASH模块对采集的卫星影像图像进行大气校正;
图像融合单元:将不同波段的数据进行组合,提高卫星影像图像的地面分辨率和色彩分辨率;
图像裁切镶嵌单元:将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。
本发明的有益效果是:一种基于卷积神经网络算法的植被种植区域识别方法及系统,通过对卫星影像图像进行分析处理能够对植被种植区域的分布和植被种植类型进行识别以及对种植面积进行计算统计,提高了植被种植面积统计的效率和植被种植类型识别准确率,避免了人工统计效率低和传统植被识别方法识别精度低的问题,也极大地减少了人力成本。
附图说明
图1为发明方法的流程图;
图2为图像预处理的流程图;
图3为模型训练学习的流程图
图4为油菜种植区域卫星识别图和现场图对比图;
图5为油菜开花时种植区域卫星识别图和现场图对比图;
图6为果树种植区域卫星识别图和现场对比图;
图7为小麦种植区域卫星识别图和现场对比图。
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作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“上”、“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,或者是该发明产品使用时惯常摆放的方位或位置关系,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。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“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。
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于卷积神经网络算法的植被种植区域识别方法,识别方法包括以下步骤:
S1、对采集的卫星影像图像进行预处理;
S2、通过卷积神经网络模型对预处理后的卫星影像图像进行识别;
S3、对识别结果经过处理后,再与GIS地理信息结合计算得到植被种植区域的数据信息。
其中,植被种植区域的数据信息包括种植植被类型信息、植被种植区域的面积信息和植被种植区域的分布信息。
通过对卫星影像图像经过预处理后消除以及校正误差,得到卷积神经网络模型能够识别的图像数据,卷积神经网络模型识别后经过处理与种植油菜乡镇的地理边界信息结合,从卫星影像图像上去分析识别油菜的种植区域分别以及计算各个乡镇油菜种植的面积。
如图2所示,步骤S1对采集的卫星影像图像进行预处理步骤的具体内容如下:
S11、辐射定标步骤:将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值;为了后面的大气校正,首先需要先对遥感影像数据进行辐射定标,得到大气上层的表观反射率;
优选地,辐射定标是把数据采集设备(卫星遥感传感器)所记录的电压或者数字量化值(DN)转换成绝对辐射亮度值或者地表反射率和表观温度等物理量有关的相对值的过程。而为了得到大气上层的表观反射率以便于进行大气校正,就需要先对卫星遥感影像数据进行辐射定标;其中,辐射亮度值和DN值之间的转换的表达式为:
Lλ=Gain*DN+Offset
式中,Lλ为辐射亮度值,单位为W/(cm2·μm·sr),定标参数增益(Gain)和偏移(Offset)可以通过下式来计算得到:
式中Lmin和Lmax为传感器接收到的最小和最大辐射亮度值,Qmin和Qmax是最小和最大DN值。通过上式得到的辐亮度值可以用下式转换为表观反射率:
式中ρλ指星上反射率,ESUNλ为太阳常数,d为日地平均距离,θs代表太阳天顶角。
S12、大气校正步骤:通过FLAASH模块对采集的卫星影像图像进行大气校正;消除大气对电磁波传输的影响,以便后面的定量反演工作;
优选地,FLAASH大气校正其具有精度高、能够有效校正邻近效应、能支持多种传感器、能够对波谱噪声进行平滑处理、根据图像像素的光谱特征对大气属性进行估计和不需要同步测量遥感成像时的大气参数的特点。
S13、几何校正步骤:实现通过卫星影像图像的RPC信息,对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上;用于消除地形及传感器平台等引起的变形,保证之后影像的配准精度,融合后影像才能没有重影、光谱错位等现象;
卫星遥感影像图像的几何校正主要是来处理影像成像时产生的几何畸变。由于卫星传感器平台外方位元素变化以及地球自转和地球曲率等变化因素从而产生的系统性变形,这种变形是可预测且具有较强规律性,而在采集油菜种植区域的卫星影像图像时由于成像区域不同地形产生的光谱类型不一致,大气折射的扭曲以及卫星传感器本身平台的速度、姿态、高度等因素的影响,使成像产生的几何变形难以消除,因此必须消除这些变形,才能保证之后影像的配准精度,融合后影像才能没有重影、光谱错位等无效影像。
优选地,步骤S13几何校正步骤的内容如下:
S131、选取地面控制点;
S132、根据地面控制点确定地图投影和坐标,保证控制点的地理坐标与地图投影保持一致;
一般大比例尺地形图可提供精确的坐标信息,选择控制点应具有容易分辨、相对稳定、特征明显的位置等特征;而对于一个阶数达到N阶的多项式而言,一般3阶就行了,它的控制点数量至少为(N+1)(N+2)/2,控制点数的选取数目一般都会远大于最低数,常取的数量在6倍左右。
S113、对纠正方程进行计算,通过控制点确定图像中像平面坐标点。
利用多项式纠正方程改正复杂的变形,多项式纠正方程为:
式中,(x,y)为像点的像平面坐标;(X,Y)为其对应地面点的大地坐标;ak、bk为多项式的系数,又是待定系数。通常待定系数下标k选为5,甚至还常常不用a3,b3,a5,b5,即仅设8个待定系数。待定系数有图像控制点坐标确定。所谓控制点又称为同名点,即在图像中既是像平面坐标点,又为对应地面点的大地坐标点。结算待定系数过程中控制点的个数至少应等于联立方程所采用的多项式待定系数个数的一半,如联立方程的待定系数有8个,则控制点个数应为4个以上。
S14、图像融合步骤:将不同波段的数据进行组合,影像数据中所包含的信息优势或互补性信息有机地结合起来,提高卫星影像图像的地面分辨率和色彩分辨率;
优选地,通过GS(Gram-Schmidt)变换是将MS影像转换到正交空间消除冗余信息,使变换后的各分量在正交空间里都正交,各分量中信息量的保留程度相差较小。不受波段限制,能够很好地保持光谱要素信息,对目标地物的空间纹理保持性也较好。GS变换公式如下:
其中,GST是GS变换后产生的第T个分量,BT是原始多光谱影像的第T个波段影像,μT是第T个原始多光谱波段影像灰度值的均值。
S15、图像配准步骤:将多幅不同卫星影像图像进行匹配和叠加;即将不同时间、不同卫星遥感传感器或者不同条件下(天候、照度、摄像位置和角度等)获取的两幅或者多幅卫星影像图像进行匹配和叠加;为使同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算。
对卫星影像图像进行匹配和叠加的过程为:首先对两幅图像进行特征提取得到特征点;通过进行相似性度量找到匹配的特征点对;然后通过匹配的特征点对得到图像空间坐标变换参数;最后由坐标变换参数进行图像配准。
S16、图像裁切镶嵌步骤:将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。
步骤S3对识别结果经过处理后,再与GIS地理信息结合得到植被种植区域的数据信息步骤的具体内容如下:
将识别结果进行空间坐标对齐、图层叠加和数据结果统计处理;
结合植被种植区域所在地区边界信息得到精确到各个乡镇的植被种植面积数据。
在进行所述通过卷积神经网络模型对预处理后的卫星影像图像进行识别之前,还需要完成卷积神经网络模型的建立;建立卷积神经网络模型的步骤如下:
A1、搭建模型框架;
A2、读取图像并对模型进行训练学习;
优选地,使用Adam优化器优化参数,在训练过程中逐步调整学习率,1000次之前学习率为0.01,大于等于1000次小于4000次学习率0.001,大于等于4000次学习率0.0001。
A3、根据模型训练学习情况实时对模型超参数进行调节;主要通过对输入图片尺寸、图片预处理方式、学习率、模型深度和过拟合抑制的调节来提高模型的准确率;
A4、将完成训练的模型进行固定和保存。
超参数主要包括学习率、正则化参数、批次数据大小、损失函数、权重初始化方法、激活函数、步长、卷积核大小、迭代次数和卷积层数等等;
对模型超参数调节的策略为:
为每个超参数定义一个取值范围;如学习率定义为一个列表1-10-6的均匀分布,batch size(批次大小)以2为倍数,定义范围为2-32,激活函数取值范围为Sigmoid,tanh,ReLu,Elu,Maxout等,其他超参数也按照其参数取值特点,设定取值范围。
在每个超参数取值范围中随机选取一个值,形成一个组合;并根据模型训练效果增加超参数的组合数;
根据形成组合的超参数值进行模型的训练和测试,当模型训练后损失函数值和训练集准确性符合要求时,完成模型训练;
一般情况下,随机获得60个组合,进行训练,测试,查看每个组合在训练集和测试集的表现,从60个组合中选出效果比较好的组合作为预测模型,一般判断超参数是否合适,要求模型训练后损失函数值小于10-4,训练集准确性大于95%,测试集准确性大于95%,作为合适的模型;超参数的组合数量与时间、机器性能、模型效果有关,模型效果不好,就增加超参数组合数,直到获取理想的模型。
传统的机器学习方法,需要手工提取特征,手工设计主要依靠设计者的先验知识,很难利用大数据的优势。由于依赖手工调参数,因此特征的设计中所允许出现的参数数量十分有限。本发明可以从大数据中自动学习特征的表示,可以包含成千上万的参数,因此极大提高了识别的准确率。
如图3所示,步骤A2读取图像对模型进行训练学习的具体步骤如下:
A21、读取训练图像和已经完成样本点标注的标签图像;其中,标签图像是在训练图像上对特征地物和背景进行标注,特征地物标注值为0,背景标注值为255;
A22、对训练图像和标签图像进行去像素点处理;主要在训练图像和标签图像的高度和宽度维度上分别去除边缘两个像素点,每个图像共去除四个像素点;因图片边缘可能会出现锯齿,对分类结果造成干扰,所以进行边缘像素点去除操作;
A23、将标签图像转换成多通道的one-hot样本,并定义各个通道的含义;
优选地,将标签图像转换成两个通道的one-hot样本,其中,定义第一个通道表示特征地物,定义第二个通道表示背景;因为对每个通道的含义进行了定义,所以每个通道上的值的大小能够表示该通道代表含义的多少或者高低,如第一通道上的值越大,就表示特征地物越明显,第一通道上的值越小,就表示特征地物越不明显。
A24、对训练图像各个通道上的值进行归一化处理(z-score处理);公式为:(像素点各通道的值-各通道平均值)/各通道标准差。使输入数据各个特征的分布相近,一定程度上消除因图像质量不佳或噪声等各种原因对模型权重更新的影响,更容易训练出有效的模型;
A25、根据训练图像生成训练池;每次训练从用于训练的图像上选取16张相同大小的图像作为一个训练池,输入到模型中进行训练,训练10000次完成训练;
A26、对训练图像进行卷积以及卷积转置处理,当训练达到预设条件时,训练学习结束。
优选地,训练次数小于1000次时,学习率0.01,训练次数在1000至4000次,学习率0.001,训练次数在4000次至10000次,学习率0.0001,10000次时,训练结束;因此,训练的预设条件为训练次数大于或者等于10000次。
其中,S2步骤通过卷积神经网络模型对预处理后的卫星影像图像进行识别;每个输入图像大小256*256,通过5次卷积后图像大小16*16,经过4次卷积转置再与卷积层相同大小的图像在通道维度上进行拼接,得到最终输入图片大小256*256,即可利用此预测结果与实际标签图像进行逐像素点的比对。
优选地,步骤A25根据训练图像生成训练池的具体步骤如下:
A251、从训练图像上随机选取一个点为中心,生成一个一定尺寸的图片选取框;
A252、再对图片选取框随机选取一个角度进行旋转,得到一个一定尺寸的训练分图像;
A253、然后对上述步骤进行迭代,得到一定数量的训练分图像组合呈图像集作为训练池。
优选地,每次从训练图像上随机选取一个点为中心,生成一个256*256的图片选取框,再随机选取一个角度,进行旋转,旋转后得到高和宽为256*256训练分图像,在依次进行迭代,按照此方式选取16张图像组成图像集作为一个训练池。
卷积处理的步骤如下:
A2601、对训练图像根据卷积深度进行n次卷积;
A2602、在第n次卷积后根据进行一次dropout处理,得到第n次卷积后的图像。
优选地,一共进行5次卷积,即n=5,卷积深度分别为64、128、256、512、1024;卷积层实用内核大小3*3,滑动步长1*1。使用边缘自动补充;激活层使用relu(The RectifiedLinear Unit,函数表达是f(x)=max(0,x))函数进行非线性变换;池化层采用2*2的max_pooling,滑动步长2*2,边缘自动补充;第5次卷积后,为了减少过拟合现象,需要进行一次dropout处理,根据不同植被使用不同的值。经过5次卷积获得维度为16*16*1024的图像。
卷积转置的步骤如下:
A2611、将第n次卷积结果进行卷积转置,并将卷积转置结果与第n-1次卷积结果进行拼接;
A2612、对拼接结果进行一次卷积,再对上一次卷积结果进行一次卷积;
A2613、根据上述方式依次进行n-1次卷积转置处理。
优选地,对第5次卷积后的结果进行卷积转置,将卷积转置结果与第4次卷积结果进行拼接,对拼接后的结果进行一次卷积,再对卷积结果进行一次卷积;依次按照卷积转置—拼接—卷积—卷积的方式依次进行4次卷积转置;最后一次将图像卷积成维度256*256*2的图像。
其中,卷积转置层使用的内核大小为3*3,滑动步长为2*2;使用带Softmax的交叉熵损失函数,并使用Adam优化器优化参数,其中Adam优化器beta1为0.9,beta2为0.999,训练次数小于1000次时,学习率0.01,训练次数在1000至4000次,学习率0.001,训练次数在4000次至10000次,学习率0.0001,10000次时,训练结束。
一种基于卷积神经网络算法的植被种植区域识别系统,包括:
预处理模块:实现对采集的卫星影像图像进行预先处理;
卷积神经网络模型:根据所述预处理模块的处理结果对预处理后的卫星影像图像进行像素级别的识别;
GIS地理信息模块:实现对识别结果经过处理后与GIS地理信息结合计算得到植被种植区域的数据信息。
预处理模块包括:
几何校正单元:实现通过卫星影像图像的RPC信息,对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上;用于消除地形及传感器平台等引起的变形,保证之后影像的配准精度,融合后影像才能没有重影、光谱错位等现象;
图像配准单元:将多幅不同卫星影像图像进行匹配和叠加;即将不同时间、不同卫星遥感传感器或者不同条件下(天候、照度、摄像位置和角度等)获取的两幅或者多幅卫星影像图像进行匹配和叠加;为使同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算。
辐射定标单元:将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值;为了后面的大气校正,首先需要先对遥感影像数据进行辐射定标,得到大气上层的表观反射率;
大气校正单元:通过FLAASH模块对采集的卫星影像图像进行大气校正;消除大气对电磁波传输的影响,以便后面的定量反演工作;
图像融合单元:将不同波段的数据进行组合,影像数据中所包含的信息优势或互补性信息有机地结合起来,提高卫星影像图像的地面分辨率和色彩分辨率;
图像裁切镶嵌单元:将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。
实施例1,2018年初,四川省犍为县大部分地区遭遇了较为严重的旱情,对油菜的生产造成了负面影响。犍为县部分地区的油菜农业保险,由保险公司承保,在保险公司承保的区域一共有18个乡镇,主要位于岷江以东地区。在保险的理赔阶段,油菜减产的程度是一项关键的理赔依据。准确的掌握受灾的程度,按照常规的油菜产量统计方法,需要消耗大量的人力成本,且统计结果也存在受人为因数干扰较大等多种不确定性影响,削弱了结果的可靠性和准确性。
3月26日,项目组与三级机构同事及乡政府工作人员一起,对舞雩乡等地区的油菜生长情况进行了初步的勘察。当时油菜处于花期末期,大部分油菜已经开始结荚。勘察发现,部分地块由于干旱等原因,油菜长势较差。油菜地的种植在多类区域上均有分布,如丘陵地块,沟地,田地等。大部分的地块面积都不大,地形一般都比较复杂,油菜种植区域面积的测定相对困难。
通过本发明的识别方法对犍为县我公司承保的油菜种植区域进行识别,根据识别结果犍为县18个乡镇的油菜种植面积和种植指数分布结果如下表所示:
如图4所示,图中左边为本方法油菜种植区域识别的卫星图,右边为现场实际核查图;12月份经过冬季对油菜种植地的现场查看与卫星影像对比,发现油菜相对其他作物呈现深绿色,较其他作物区别比较明显。在做样本选择时,选择深绿色区域作为油菜种植区。
如图5所示,图中左边为本方法植被种植区域识别的油菜卫星图,右边为现场实际核查图;油菜花为黄色,并夹带部分叶片,故在开花期通过卫星影像发现油菜区域呈现黄色或黄绿色特征,在样本选择时,将呈现黄色或黄绿色的区域选定为油菜。现场核查图片为荚果期现场核查所拍摄,证明左图中的区域为油菜。
如图6所示,左边是果树种植区域识别的卫星影像图,右边是果树的现场图,卫星影像图上白色线条内部块状的是识别出的果树在卫星影像上呈现的果树特征。
如图7所示,左边是小麦种植区域识别的卫星影像图,右边是小麦的现场图,卫星影像图上灰色线条内部的块状是识别出的果树在卫星影像上呈现的小麦特征。
为测量通过本发明方法的识别精度从四川省阆中区域内随机抽取了20个核查点,于2018年12月7日进行了现场核查,以便确认提取识别结果与真实情况是否相符;由于本次核查时间为2018年12月份,而植被种植提取使用的是2018年3月与7月份的卫星影像图像,即提取影像图像上油菜、小麦等植被种植时间为2017年11月份左右。鉴于此种情况,在本次核查时通过咨询当地居民,以确认2018年3月份所种植的植被种类,据了解水稻在收获后水稻田不再继续种植其他农作物,故可清楚分辨出水稻种植田块,而且在咨询当地居民的过程中,了解到相同地块不同年份间所种植的农作物类型基本是不会发生改变的,即假如去年种植油菜的地块,今年基本也会种植油菜。因此,对20个随机核查点识别提取农作物种类与核查结果比对表如下:
从上表中可知20个随机核查点的识别精度大于等于95%,而18号核查点,确认种植过大豆,但本核查点未找到知情的附近居民,暂时不知道大豆前茬作物是否为小麦。从3月份的卫星影像上可以看出,与其他小麦地块影像特征非常相似。2018年阆中市50个乡镇油菜、小麦、水稻种植面积分别为123365.57亩、21601.45亩、83477.53亩。通过被发明得出高精度的油菜、小麦、水稻种植分布图及种植面积。
本发明的植被种植区域的识别方法可用于对植被种植产量进行科学预产,而对植被进行科学预产的目的是为了确定农作物的收成情况,以确定农作物是否受损进而为后续是否需要理赔提供重要的数据证据。
而发明人令人意想不到地发现采用传统定损方法对农作物减产损失进行损失确定时,往往人工成本很高;传统定损方法:通常在农作物发生灾害后,保险公司需现场核查,掌握具体受损面积、受损程度,对于受损面积,需现场人工测量;对于受损程度的鉴定,需现场采样、室内考种,确定损失产量,十分消耗人力资源。单独一个县的现场核查,5个定损员需花费约1个月的时间才可完成较为精确的定损,约花费5*30=150工天。
室内考种(这是农业上常用的一个术语)就是将户外采集的样本,比如油菜,带回室内,测量含水量、千粒重、空瘪粒百分比等指标。
而本发明利用卫星图像确定项目区内植被等级,在后面的科学测产中在不同的植被等级下抽取一定样本,通过室内考种,可以快速获得项目区内作物产量损失情况。达到快速定损的目的。利用本发明的方法,大约2个人,一周可以完成,约花费2*7=14工天。
因此,通过本发明的识别方法能够快速准确的识别出犍为县我公司承保的各个乡镇油菜种植区域以及各个植被指数的种植面积,为后续的科学测产提供了技术支持,使得科学测产极大地降低了人工测量的人力成本以及提高了测量效率准确率;为油菜减产理赔提供了数据支撑以及提供了理赔效率。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明/发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明/发明的专利保护范围内。
Claims (11)
1.一种基于卷积神经网络算法的植被种植区域识别方法,其特征在于:所述的识别方法包括以下步骤:
对采集的卫星影像图像进行预处理;
通过卷积神经网络模型对预处理后的卫星影像图像进行识别;
对识别结果经过处理后,再与GIS地理信息结合计算得到植被种植区域的数据信息。
2.根据权利要求1所述的一种基于卷积神经网络算法的植被种植区域识别方法,其特征在于:所述的对采集的卫星影像图像进行预处理步骤的具体内容如下:
辐射定标步骤:将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值;
大气校正步骤:通过FLAASH模块对采集的卫星影像图像进行大气校正;
几何校正步骤:实现通过卫星影像图像的RPC信息,对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上;
图像融合步骤:将不同波段的数据进行组合,提高卫星影像图像的地面分辨率和色彩分辨率;
图像配准步骤:将多幅不同卫星影像图像进行匹配和叠加;
图像裁切镶嵌步骤:将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。
3.根据权利要求1所述的一种基于卷积神经网络算法的植被种植区域识别方法,其特征在于:所述的对识别结果经过处理后,再与GIS地理信息结合得到植被种植区域的数据信息步骤的具体内容如下:
将识别结果进行空间坐标对齐、图层叠加和数据结果统计处理;
结合植被种植区域所在地区边界信息得到精确到各个乡镇的植被种植面积数据。
4.根据权利要求1所述的一种基于卷积神经网络算法的植被种植区域识别方法,其特征在于:所述的几何校正步骤的内容如下:
选取特征明显和稳定的地面控制点;
根据选取的地面控制点确定地图投影和坐标,保证控制点的地理坐标与地图投影保持一致;
对纠正方程进行计算,通过控制点确定图像中像平面坐标点。
5.根据权利要求1所述的一种基于卷积神经网络算法的植被种植区域识别方法,其特征在于:在进行所述通过卷积神经网络模型对预处理后的卫星影像图像进行识别之前,还需要完成卷积神经网络模型的建立;建立卷积神经网络模型的步骤如下:
搭建模型框架;
读取图像并对模型进行训练学习;
根据模型训练学习情况实时对模型超参数进行调节;
将完成训练的模型进行固定和保存。
6.根据权利要求5所述的一种基于卷积神经网络算法的植被种植区域识别方法,其特征在于:所述的读取图像对模型进行训练学习的具体步骤如下:
读取训练图像和已经完成样本点标注的标签图像;
对训练图像和标签图像进行去像素点处理;
将训练图像转换成多通道的one-hot样本,并定义各个通道的含义;
对训练图像各个通道上的值进行归一化处理;
根据训练图像生成训练池;
对训练图像进行卷积以及卷积转置处理,当训练达到预设条件时,训练学习结束。
7.根据权利要求6所述的一种基于卷积神经网络算法的植被种植区域识别方法,其特征在于:卷积处理的步骤如下:
对训练图像根据卷积深度进行i次卷积;
在第i次卷积后根据进行一次dropout处理,得到第i次卷积后的图像。
8.根据权利要求6所述的一种基于卷积神经网络算法的植被种植区域识别方法,其特征在于:卷积转置的步骤如下:
将第i次卷积结果进行卷积转置,并将卷积转置结果与第i-1次卷积结果进行拼接;
对拼接结果进行一次卷积,再对上一次卷积结果进行一次卷积;
根据上述方式依次进行i-1次卷积转置处理。
9.根据权利要求5所述的一种基于卷积神经网络算法的植被种植区域识别方法,其特征在于:对模型超参数进行调节的策略为:
为每个超参数定义一个取值范围;
在每个超参数取值范围中随机选取一个值,形成一个组合;并根据模型训练效果增加超参数的组合数;
根据形成的超参数组合进行模型的训练和测试,当模型训练后损失函数值和训练集准确性符合要求时,完成模型训练。
10.一种基于卷积神经网络算法的植被种植区域识别系统,其特征在于:包括:
预处理模块:实现对采集的卫星影像图像进行预先处理;
卷积神经网络模型:根据所述预处理模块的处理结果对预处理后的卫星影像图像进行像素级别的识别;
GIS地理信息模块:实现对识别结果经过处理后与GIS地理信息结合计算得到植被种植区域的数据信息。
11.根据权利要求8所述的一种基于卷积神经网络算法的植被种植区域识别系统,其特征在于:所述的预处理模块包括:
几何校正单元:实现通过卫星影像图像的RPC信息,对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上;
图像配准单元:将多幅不同卫星影像图像进行匹配和叠加;
辐射定标单元:将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值;
大气校正单元:通过FLAASH模块对采集的卫星影像图像进行大气校正;
图像融合单元:将不同波段的数据进行组合,提高卫星影像图像的地面分辨率和色彩分辨率;
图像裁切镶嵌单元:将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081486.9A CN109815916A (zh) | 2019-01-28 | 2019-01-28 | 一种基于卷积神经网络算法的植被种植区域识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081486.9A CN109815916A (zh) | 2019-01-28 | 2019-01-28 | 一种基于卷积神经网络算法的植被种植区域识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815916A true CN109815916A (zh) | 2019-05-28 |
Family
ID=66605610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910081486.9A Pending CN109815916A (zh) | 2019-01-28 | 2019-01-28 | 一种基于卷积神经网络算法的植被种植区域识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815916A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781865A (zh) * | 2019-11-08 | 2020-02-11 | 西安电子科技大学 | 一种农作物生长控制系统 |
CN111144656A (zh) * | 2019-12-27 | 2020-05-12 | 兰州大方电子有限责任公司 | 一种基于gis的灾害评价分析方法 |
CN111445462A (zh) * | 2020-03-30 | 2020-07-24 | 国家计算机网络与信息安全管理中心 | 一种基于神经网络和热像图的蓄电池漏液检测方法 |
CN112115545A (zh) * | 2020-08-11 | 2020-12-22 | 北京航空航天大学 | 一种基于二项式近似模型的挠性卫星姿态机动控制方法 |
CN112328913A (zh) * | 2020-11-05 | 2021-02-05 | 浙江网商银行股份有限公司 | 任务处理方法以及装置 |
CN112668448A (zh) * | 2020-12-24 | 2021-04-16 | 中国科学院地理科学与资源研究所 | 一种生态进程变化分析方法、装置、介质及终端设备 |
CN113191175A (zh) * | 2020-01-14 | 2021-07-30 | 靳爱丛 | 信息提醒平台及方法 |
WO2022001811A1 (zh) * | 2020-06-30 | 2022-01-06 | 浙江网商银行股份有限公司 | 授信额度处理方法及装置、作物识别方法及装置 |
TWI760782B (zh) * | 2019-07-08 | 2022-04-11 | 國立臺灣大學 | 用於地理區域上果園辨識之系統及方法 |
CN114943555A (zh) * | 2022-05-16 | 2022-08-26 | 布瑞克农业大数据科技集团有限公司 | 一种农产品价格分析方法和系统 |
CN115346133A (zh) * | 2022-08-15 | 2022-11-15 | 航天神舟智慧系统技术有限公司 | 一种基于光学卫星影像的舰船检测方法与系统 |
CN115578656A (zh) * | 2022-10-18 | 2023-01-06 | 中国农业科学院农业资源与农业区划研究所 | 一种支持多型号多光谱相机数据全自动处理的方法和系统 |
CN117635859A (zh) * | 2023-11-28 | 2024-03-01 | 青海省地理空间和自然资源大数据中心 | 基于gis数据的快速地图制图方法及系统 |
CN117907242A (zh) * | 2024-03-15 | 2024-04-19 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 基于动态遥感技术的国土测绘方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477682A (zh) * | 2009-02-11 | 2009-07-08 | 中国科学院地理科学与资源研究所 | 一种利用加权多项式模型实现遥感影像几何校正的方法 |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
CN105869016A (zh) * | 2016-03-28 | 2016-08-17 | 天津中科智能识别产业技术研究院有限公司 | 一种基于卷积神经网络的点击通过率预估方法 |
CN107316013A (zh) * | 2017-06-14 | 2017-11-03 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
-
2019
- 2019-01-28 CN CN201910081486.9A patent/CN109815916A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477682A (zh) * | 2009-02-11 | 2009-07-08 | 中国科学院地理科学与资源研究所 | 一种利用加权多项式模型实现遥感影像几何校正的方法 |
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
CN105869016A (zh) * | 2016-03-28 | 2016-08-17 | 天津中科智能识别产业技术研究院有限公司 | 一种基于卷积神经网络的点击通过率预估方法 |
CN107316013A (zh) * | 2017-06-14 | 2017-11-03 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
Non-Patent Citations (2)
Title |
---|
刘玫岑: ""基于遥感和GIS的棉花面积提取和产量估算研究"", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
朱琳: ""地理国情普查中遥感影像处理方法的研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI760782B (zh) * | 2019-07-08 | 2022-04-11 | 國立臺灣大學 | 用於地理區域上果園辨識之系統及方法 |
CN110781865A (zh) * | 2019-11-08 | 2020-02-11 | 西安电子科技大学 | 一种农作物生长控制系统 |
CN111144656A (zh) * | 2019-12-27 | 2020-05-12 | 兰州大方电子有限责任公司 | 一种基于gis的灾害评价分析方法 |
CN113191175A (zh) * | 2020-01-14 | 2021-07-30 | 靳爱丛 | 信息提醒平台及方法 |
CN111445462A (zh) * | 2020-03-30 | 2020-07-24 | 国家计算机网络与信息安全管理中心 | 一种基于神经网络和热像图的蓄电池漏液检测方法 |
WO2022001811A1 (zh) * | 2020-06-30 | 2022-01-06 | 浙江网商银行股份有限公司 | 授信额度处理方法及装置、作物识别方法及装置 |
CN112115545A (zh) * | 2020-08-11 | 2020-12-22 | 北京航空航天大学 | 一种基于二项式近似模型的挠性卫星姿态机动控制方法 |
CN112115545B (zh) * | 2020-08-11 | 2021-08-24 | 北京航空航天大学 | 一种基于二项式近似模型的挠性卫星姿态机动控制方法 |
CN112328913A (zh) * | 2020-11-05 | 2021-02-05 | 浙江网商银行股份有限公司 | 任务处理方法以及装置 |
CN112668448A (zh) * | 2020-12-24 | 2021-04-16 | 中国科学院地理科学与资源研究所 | 一种生态进程变化分析方法、装置、介质及终端设备 |
CN114943555A (zh) * | 2022-05-16 | 2022-08-26 | 布瑞克农业大数据科技集团有限公司 | 一种农产品价格分析方法和系统 |
CN115346133A (zh) * | 2022-08-15 | 2022-11-15 | 航天神舟智慧系统技术有限公司 | 一种基于光学卫星影像的舰船检测方法与系统 |
CN115578656A (zh) * | 2022-10-18 | 2023-01-06 | 中国农业科学院农业资源与农业区划研究所 | 一种支持多型号多光谱相机数据全自动处理的方法和系统 |
CN117635859A (zh) * | 2023-11-28 | 2024-03-01 | 青海省地理空间和自然资源大数据中心 | 基于gis数据的快速地图制图方法及系统 |
CN117635859B (zh) * | 2023-11-28 | 2024-05-07 | 青海省地理空间和自然资源大数据中心 | 基于gis数据的快速地图制图方法及系统 |
CN117907242A (zh) * | 2024-03-15 | 2024-04-19 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 基于动态遥感技术的国土测绘方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815916A (zh) | 一种基于卷积神经网络算法的植被种植区域识别方法及系统 | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
GB2598012A (en) | System and method for crop monitoring | |
Son et al. | A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
CN109816542A (zh) | 一种农作物减产理赔方法及系统 | |
Shi et al. | Mapping plastic greenhouses using spectral metrics derived from GaoFen-2 satellite data | |
Xue et al. | Sharpening ECOSTRESS and VIIRS land surface temperature using harmonized Landsat-Sentinel surface reflectances | |
CN105513096A (zh) | 一种冬小麦生物量估算方法 | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN109815914A (zh) | 一种基于植被区域识别的卷积神经网络模型训练方法及系统 | |
Erasmi et al. | Mapping deforestation and land cover conversion at the rainforest margin in Central Sulawesi, Indonesia | |
Kim et al. | Growth monitoring of field-grown onion and garlic by CIE L* a* b* color space and region-based crop segmentation of UAV RGB images | |
Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
Jia et al. | Fractional vegetation cover estimation based on soil and vegetation lines in a corn-dominated area | |
Babykalpana et al. | Classification of land use land cover change detection using remotely sensed data | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
CN113128453B (zh) | 采用遥感时间序列数据的地膜识别方法、系统以及介质 | |
Bruscolini et al. | Drone services for plant water-status mapping | |
Costa Ferreira et al. | Transformation of high resolution aerial images in vine vigour maps at intra-block scale by semi-automatic image processing | |
Liu et al. | Regional winter wheat yield prediction by integrating MODIS LAI into the WOFOST model with sequential assimilation technique | |
WO2014102416A1 (es) | Procedimiento para la normalizacion automática de imágenes remotas multitemporales en base a usos de suelo pseudo-invariantes vegetales | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
Wang et al. | Scaling effects of chlorophyll content in walnut leaves estimations with coupling Boruta algorithm and machine learning model |
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: 20190528 |