CN109918449A - 一种基于物联网的农业灾害信息遥感提取方法及系统 - Google Patents
一种基于物联网的农业灾害信息遥感提取方法及系统 Download PDFInfo
- Publication number
- CN109918449A CN109918449A CN201910200259.3A CN201910200259A CN109918449A CN 109918449 A CN109918449 A CN 109918449A CN 201910200259 A CN201910200259 A CN 201910200259A CN 109918449 A CN109918449 A CN 109918449A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- disaster
- image
- remotely
- 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
Landscapes
- Image Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于数据识别;数据表示;记录载体;记录载体的处理技术领域,公开了一种基于物联网的农业灾害信息遥感提取方法及系统,所述基于物联网的农业灾害信息遥感提取系统包括:图像采集模块、中央处理模块、灾害特征提取模块、灾害范围识别模块、灾害预测模块、灾害评估模块、灾害报警模块、显示模块。本发明通过灾害范围识别模块可以准确获知农业受灾范围边界;同时通过灾害预测模块采用对自变量数据进行数据清洗,偏差检测,时间校准,样本抽取的序列数据处理方式,能够有效地保证数据质量的同时,提高数据采样速度和处理准确性从而提高了预测精度,从而有效的降低灾害对农业的造成的损害。
Description
技术领域
本发明属于数据识别;数据表示;记录载体;记录载体的处理技术领域,尤其涉及一种基于物联网的农业灾害信息遥感提取方法及系统。
背景技术
农业灾害包括自然灾害、病虫鸟兽活动的为害、人为因素造成的灾害。自然灾害如不良天气造成旱、涝、水土流失、阴雨过多光照不足、台风等。病虫鸟兽为害如各类病虫害、鸟害、鼠害、野猪破坏等;人为因素如不正确的耕作造成土壤结构破坏、大量化学农药使用、药物使用不当、人为践踏等造成的为害;农业气象灾害是不利气象条件给农业造成的灾害。由温度因子引起的有热害、冻害、霜冻、热带作物寒害和低温冷害;由水分因子引起的有旱灾、洪涝灾害、雪害和雹害;由风引起的有风害;由气象因子综合作用引起的有干热风、冷雨和冻涝害等;与气象的概念不同,农业气象灾害是结合农业生产遭受灾害而言的。例如寒潮、倒春寒等,在气象上是一种天气气候现象或过程,不一定造成灾害。但当它们危及小麦、水稻等农作物时,即造成冻害、霜冻、春季低温冷害等农业气象灾害。然而,现有农业灾害监测不能准确的获取受灾范围,不利于用户进行合理的防灾;同时不能及时的进行预测灾害,导致农业受灾严重。
综上所述,现有技术存在的问题是:
(1)现有农业灾害监测不能准确的获取受灾范围,不利于用户进行合理的防灾;同时不能及时的进行预测灾害,导致农业受灾严重。
(2)现有的遥感数据存储模型大都针对遥感影像产品数据,且在分布式环境中不能达到较好的负载均衡。
发明内容
针对现有技术存在的问题,本发明提供了一种基于物联网的农业灾害信息遥感提取方法。
本发明是这样实现的,一种基于物联网的农业灾害信息遥感提取方法,所述基于物联网的农业灾害信息遥感提取方法包括以下步骤:
步骤一,采用分布式遥感数据存储模型,通过图像采集模块采集自然灾害影像数据;
所述采用分布式遥感数据存储模型构建过程包括:
(1)对数据中心从不同数据源接收到的多源异构遥感数据及衍生数据按照数据类型分类,通过ETL转换技术将多源、多尺度、多时相的遥感数据统一时空基准,然后基于面向对象的思想,以时空对象的描述为主体抽象出遥感数据对象ObjectRS;
(2)抽取遥感数据ObjectRS特征key,作为分配到各服务器存储的分散因子,如提取遥感数据年月日时间特征以及数据所在全球剖分网格行列号等空间特征;
(3)结合一致性哈希算法以分布式环境虚拟化服务器做为数据存储核心,应用动态分配策略将虚拟化服务器动态地分配到一致性哈希环形空间;然后依据抽取的特征信息key将遥感数据均匀地分配到各虚拟存储服务器;
(4)虚拟服务器存储节点内部使用面向对象数据库Postgresql收集、管理、同时与主控平台交换遥感数据语义属性信息、元数据信息,虚拟磁盘空间以支持直接寻址法的文件目录结构存储遥感实体数据,使系统通过标准算法对遥感数据直接存取,同时通过面向对象数据库建立索引支持对遥感数据的并发模糊检索;
(5)分布式服务器管理平台负责对各个物理服务器性能统计监控,映射关系管理,容灾管理;同时使用面向对象数据库接收、维护各存储节点遥感数据元数据信息,并向各存储节点分发“检索”、“数据提取”任务;
步骤二,中央处理模块调度灾害特征提取模块对图像采集模块采集的影像图像提取灾害特征元素;接着,通过灾害范围识别模块根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
图像分割可以转换为求能量函数最优化问题,一个分割S表示为一个二元向量A=[a1 a2 … aN],其中ai∈{0,1}表示第i个像素是“目标”还是“背景”;则分割A的能量为E(A)=λ·R(A)+B(A);
式中,R(A)为数据项或区域项,表示分配一个像素p到“目标”或“背景”的个体惩罚;B(A)为光滑项或边界项,用来表示两个像素p和q之间不连续的惩罚;图像用图模型来表示,首先,通过控制分割的最小块剔除像素点很少却高显著性的区域;通过阈值选取平均显著性的大小可剔除面积很大却显著性低的分割块;图像块Si(i=1,2,…,m)的平均显著性AcgSaliency(Si)定义如下:
式中,m为分割结果中包含的分割块的数量;Sa-liency(i,j)为点的显著性得分;
步骤三,通过灾害预测模块根据采集的影像数据预测灾害趋势;通过灾害评估模块根据采集的影像数据评估灾害的级别;
步骤四,通过灾害报警模块根据灾害评估模块评估级别来进行相应级别的报警;
步骤五,通过显示模块显示采集的影像图像及预测、评估数据信息。
进一步,所述灾害范围识别模块识别方法如下:
首先,获取高分辨率的遥感影像,进行影像预处理;
然后,通过灾害特征参数反演,获得表征灾害特征的特征参数;
最后,根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取,识别出受灾范围,获取受灾范围信息。
进一步,所述灾害预测模块预测方法如下:
首先,获取多源采集的多种属性的数据,并按照相应属性进行存储;
其次,分别对各种属性的数据进行数据清洗,排除异常数据;分别对各种属性的数据缺失值进行补充;
接着,统一对各种属性的数据进行时间校准,分别对各种属性的数据进行样本数据抽取,去除冗余数据提取精简数据集;
然后,按照预定的预测模型进行数据预测;
最后,进行预测精度检验,获得最终预测数据。
进一步,所述数据清洗的方法如下:
首先,确定稳定态数据;
其次,根据所述稳定态数据生成相应属性数据的自增量偏差模型,所述自增量偏差模型包含自增量偏差序列;
然后,以所述自增量偏差序列做正态性分布数据检验,获取所述自增量偏差序列的标准差范围;
最后,根据所述自增量偏差序列的标准差范围进行控制图偏差检测,提取所要求的精度范围,对后续数据进行检测,排除异常数据。
本发明的另一目的在于提供一种所述基于物联网的农业灾害信息遥感提取方法的基于物联网的农业灾害信息遥感提取系统,所述基于物联网的农业灾害信息遥感提取系统包括:
图像采集模块、中央处理模块、灾害特征提取模块、灾害范围识别模块、灾害预测模块、灾害评估模块、灾害报警模块、显示模块;
图像采集模块,与中央处理模块连接,用于通过卫星采集自然灾害影像数据;
中央处理模块,与图像采集模块、灾害特征提取模块、灾害范围识别模块、灾害预测模块、灾害评估模块、灾害报警模块、显示模块连接,用于控制各个模块正常工作;
灾害特征提取模块,与中央处理模块连接,用于对图像采集模块采集的影像图像提取灾害特征元素;
灾害范围识别模块,与中央处理模块连接,用于根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
灾害预测模块,与中央处理模块连接,用于通过采集的影像数据预测灾害趋势;
灾害评估模块,与中央处理模块连接,用于通过采集的影像数据评估灾害的级别;
灾害报警模块,与中央处理模块连接,用于根据灾害评估模块评估级别来进行相应级别的报警;
显示模块,与中央处理模块连接,用于显示采集的影像图像及预测、评估数据信息。
本发明的另一目的在于提供一种应用所述基于物联网的农业灾害信息遥感提取方法的农业自然灾害预监信息系统。
本发明的优点及积极效果为:本发明通过灾害范围识别模块可以准确获知农业受灾范围边界;同时通过灾害预测模块采用对自变量数据进行数据清洗,偏差检测,时间校准,样本抽取的序列数据处理方式,能够有效地保证数据质量的同时,提高数据采样速度和处理准确性从而提高了预测精度,从而有效的降低灾害对农业的造成的损害。
本发明基于面向对象的分布式遥感数据存储模型RSDO,利用面向对象思想对多源异构的遥感数据分类,统一时空基准,使多源遥感数据标准化;然后建立支持分布式虚拟化技术的遥感数据直接寻址法目录组织结构,结合一致性哈希算法将遥感数据均匀的分配在分布式环境下的各虚拟存储节点,最后应用虚拟服务器动态分配策略,优化了分布式环境物理硬件资源;实验结果表明实现了遥感数据的均衡分配,提升了检索效率,在高分辨率遥感数据分发服务系统中的应用也验证模型的实用性及可靠性。
本发明在显著性区域检测的基础之上,利用Graph Cuts图像分割方法得到不相连的片状区块提取较为准确的目标轮廓。对于多光谱图像,将其每一个通道作为输入,并将结果进行加法融合,可得到多光谱图像的基于图论的分割结果。这种方法获取到的分割结果既不太粗糙也不过分细腻,而且此算法的时间复杂度O(nlogn),n为图像边的数量。在实际应用中,比较快速得到较为有效的分割结果。通过定义输出图像的分割系数以及最小分割块的大小,可以获取到较为理想的分割结果;基于平均显著本文所述面向对象目标提取方法不再需要计算每个对象中复杂的特征,降低了计算复杂度,提高了提取效率。在视觉显著性模型中,通过GBVS与LDVS融合,综合利用多光谱图像与全色图像中的颜色、方向、纹理以及边缘等特征,使显著目标提取的更加完整。同时,通过利用图论分割方法,获取特征相似的图像块,然后以图像块为单位分析其显著性大小,利用Otsu方法自动获取阈值并提取显著性目标。选取Quickbird多光谱数据作为试验数据集,试验结果表明此方法能够在较高检测精度的同时有效降低的冗余检测率,是可用于遥感图像全自动的显著性目标提取和高分辨率遥感图像自动分析的一种有效手段。
附图说明
图1是本发明实施提供的基于物联网的农业灾害信息遥感提取方法流程图。
图2是本发明实施提供的基于物联网的农业灾害信息遥感提取系统结构示意图;
图中:1、图像采集模块;2、中央处理模块;3、灾害特征提取模块;4、灾害范围识别模块;5、灾害预测模块;6、灾害评估模块;7、灾害报警模块;8、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明提供的一种基于物联网的农业灾害信息遥感提取方法包括以下步骤:
步骤S101,通过图像采集模块采集自然灾害影像数据;
步骤S102,中央处理模块调度灾害特征提取模块对图像采集模块采集的影像图像提取灾害特征元素;接着,通过灾害范围识别模块根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
步骤S103,通过灾害预测模块根据采集的影像数据预测灾害趋势;通过灾害评估模块根据采集的影像数据评估灾害的级别;
步骤S104,通过灾害报警模块根据灾害评估模块评估级别来进行相应级别的报警;
步骤S105,通过显示模块显示采集的影像图像及预测、评估数据信息。
如图2所示,本发明提供的基于物联网的农业灾害信息遥感提取系统包括:图像采集模块1、中央处理模块2、灾害特征提取模块3、灾害范围识别模块4、灾害预测模块5、灾害评估模块6、灾害报警模块7、显示模块8。
图像采集模块1,与中央处理模块2连接,用于通过卫星采集自然灾害影像数据;
中央处理模块2,与图像采集模块1、灾害特征提取模块3、灾害范围识别模块4、灾害预测模块5、灾害评估模块6、灾害报警模块7、显示模块8连接,用于控制各个模块正常工作;
灾害特征提取模块3,与中央处理模块2连接,用于对图像采集模块1采集的影像图像提取灾害特征元素;
灾害范围识别模块4,与中央处理模块2连接,用于根据灾害特征提取模块3提取的灾害特征元素识别出受灾范围;
灾害预测模块5,与中央处理模块2连接,用于通过采集的影像数据预测灾害趋势;
灾害评估模块6,与中央处理模块2连接,用于通过采集的影像数据评估灾害的级别;
灾害报警模块7,与中央处理模块2连接,用于根据灾害评估模块6评估级别来进行相应级别的报警;
显示模块8,与中央处理模块2连接,用于显示采集的影像图像及预测、评估数据信息。
本发明提供的灾害范围识别模块4识别方法如下:
首先,获取高分辨率的遥感影像,进行影像预处理;
然后,通过灾害特征参数反演,获得表征灾害特征的特征参数;
最后,根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取,识别出受灾范围,获取受灾范围信息。
本发明提供的灾害预测模块5预测方法如下:
首先,获取多源采集的多种属性的数据,并按照相应属性进行存储;
其次,分别对各种属性的数据进行数据清洗,排除异常数据;分别对各种属性的数据缺失值进行补充;
接着,统一对各种属性的数据进行时间校准,分别对各种属性的数据进行样本数据抽取,去除冗余数据提取精简数据集;
然后,按照预定的预测模型进行数据预测;
最后,进行预测精度检验,获得最终预测数据。
本发明提供的数据清洗的方法如下:
首先,确定稳定态数据;
其次,根据所述稳定态数据生成相应属性数据的自增量偏差模型,所述自增量偏差模型包含自增量偏差序列;
然后,以所述自增量偏差序列做正态性分布数据检验,获取所述自增量偏差序列的标准差范围;
最后,根据所述自增量偏差序列的标准差范围进行控制图偏差检测,提取所要求的精度范围,对后续数据进行检测,排除异常数据。
下面结合具体实施例对本发明的应用原理作进一步的描述。
步骤一,采用分布式遥感数据存储模型,通过图像采集模块采集自然灾害影像数据;
所述采用分布式遥感数据存储模型构建过程包括:
(1)对数据中心从不同数据源接收到的多源异构遥感数据及衍生数据按照数据类型分类,通过ETL转换技术将多源、多尺度、多时相的遥感数据统一时空基准,然后基于面向对象的思想,以时空对象的描述为主体抽象出遥感数据对象ObjectRS;
(2)抽取遥感数据ObjectRS特征key,作为分配到各服务器存储的分散因子,如提取遥感数据年月日时间特征以及数据所在全球剖分网格行列号等空间特征;
(3)结合一致性哈希算法以分布式环境虚拟化服务器做为数据存储核心,应用动态分配策略将虚拟化服务器动态地分配到一致性哈希环形空间;然后依据抽取的特征信息key将遥感数据均匀地分配到各虚拟存储服务器;
(4)虚拟服务器存储节点内部使用面向对象数据库Postgresql收集、管理、同时与主控平台交换遥感数据语义属性信息、元数据信息,虚拟磁盘空间以支持直接寻址法的文件目录结构存储遥感实体数据,使系统通过标准算法对遥感数据直接存取,同时通过面向对象数据库建立索引支持对遥感数据的并发模糊检索;
(5)分布式服务器管理平台负责对各个物理服务器性能统计监控,映射关系管理,容灾管理;同时使用面向对象数据库接收、维护各存储节点遥感数据元数据信息,并向各存储节点分发“检索”、“数据提取”任务;
步骤二,中央处理模块调度灾害特征提取模块对图像采集模块采集的影像图像提取灾害特征元素;接着,通过灾害范围识别模块根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
图像分割可以转换为求能量函数最优化问题,一个分割S表示为一个二元向量A=[a1 a2 … aN],其中ai∈{0,1}表示第i个像素是“目标”还是“背景”;则分割A的能量为E(A)=λ·R(A)+B(A);
式中,R(A)为数据项或区域项,表示分配一个像素p到“目标”或“背景”的个体惩罚;B(A)为光滑项或边界项,用来表示两个像素p和q之间不连续的惩罚;图像用图模型来表示,首先,通过控制分割的最小块剔除像素点很少却高显著性的区域;通过阈值选取平均显著性的大小可剔除面积很大却显著性低的分割块;图像块Si(i=1,2,…,m)的平均显著性AvgSaliency(Si)定义如下:
式中,m为分割结果中包含的分割块的数量;Sa-liency(i,j)为点的显著性得分;
步骤三,通过灾害预测模块根据采集的影像数据预测灾害趋势;通过灾害评估模块根据采集的影像数据评估灾害的级别;
步骤四,通过灾害报警模块根据灾害评估模块评估级别来进行相应级别的报警;
步骤五,通过显示模块显示采集的影像图像及预测、评估数据信息。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于物联网的农业灾害信息遥感提取方法,其特征在于,所述基于物联网的农业灾害信息遥感提取方法包括以下步骤:
步骤一,采用分布式遥感数据存储模型,通过图像采集模块采集自然灾害影像数据;
所述采用分布式遥感数据存储模型构建过程包括:
(1)对数据中心从不同数据源接收到的多源异构遥感数据及衍生数据按照数据类型分类,通过ETL转换技术将多源、多尺度、多时相的遥感数据统一时空基准,然后基于面向对象的思想,以时空对象的描述为主体抽象出遥感数据对象ObjectRS;
(2)抽取遥感数据ObjectRS特征key,作为分配到各服务器存储的分散因子,如提取遥感数据年月日时间特征以及数据所在全球剖分网格行列号等空间特征;
(3)结合一致性哈希算法以分布式环境虚拟化服务器做为数据存储核心,应用动态分配策略将虚拟化服务器动态地分配到一致性哈希环形空间;然后依据抽取的特征信息key将遥感数据均匀地分配到各虚拟存储服务器;
(4)虚拟服务器存储节点内部使用面向对象数据库Postgresql收集、管理、同时与主控平台交换遥感数据语义属性信息、元数据信息,虚拟磁盘空间以支持直接寻址法的文件目录结构存储遥感实体数据,使系统通过标准算法对遥感数据直接存取,同时通过面向对象数据库建立索引支持对遥感数据的并发模糊检索;
(5)分布式服务器管理平台负责对各个物理服务器性能统计监控,映射关系管理,容灾管理;同时使用面向对象数据库接收、维护各存储节点遥感数据元数据信息,并向各存储节点分发“检索”、“数据提取”任务;
步骤二,中央处理模块调度灾害特征提取模块对图像采集模块采集的影像图像提取灾害特征元素;接着,通过灾害范围识别模块根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
图像分割可以转换为求能量函数最优化问题,一个分割S表示为一个二元向量A=[a1a2…aN],其中ai∈{0,1}表示第i个像素是“目标”还是“背景”;则分割A的能量为E(A)=λ·R(A)+B(A);
式中,R(A)为数据项或区域项,表示分配一个像素p到“目标”或“背景”的个体惩罚;B(A)为光滑项或边界项,用来表示两个像素p和q之间不连续的惩罚;图像用图模型来表示,首先,通过控制分割的最小块剔除像素点很少却高显著性的区域;通过阈值选取平均显著性的大小可剔除面积很大却显著性低的分割块;图像块Si(i=1,2,…,m)的平均显著性AvgSaliency(Si)定义如下:
式中,m为分割结果中包含的分割块的数量;Sa-liency(i,j)为点的显著性得分;
步骤三,通过灾害预测模块根据采集的影像数据预测灾害趋势;通过灾害评估模块根据采集的影像数据评估灾害的级别;
步骤四,通过灾害报警模块根据灾害评估模块评估级别来进行相应级别的报警;
步骤五,通过显示模块显示采集的影像图像及预测、评估数据信息。
2.如权利要求1所述的基于物联网的农业灾害信息遥感提取方法,其特征在于,所述灾害范围识别模块识别方法如下:
首先,获取高分辨率的遥感影像,进行影像预处理;
然后,通过灾害特征参数反演,获得表征灾害特征的特征参数;
最后,根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取,识别出受灾范围,获取受灾范围信息。
3.如权利要求1所述的基于物联网的农业灾害信息遥感提取方法,其特征在于,所述灾害预测模块预测方法如下:
首先,获取多源采集的多种属性的数据,并按照相应属性进行存储;
其次,分别对各种属性的数据进行数据清洗,排除异常数据;分别对各种属性的数据缺失值进行补充;
接着,统一对各种属性的数据进行时间校准,分别对各种属性的数据进行样本数据抽取,去除冗余数据提取精简数据集;
然后,按照预定的预测模型进行数据预测;
最后,进行预测精度检验,获得最终预测数据。
4.如权利要求3所述的基于物联网的农业灾害信息遥感提取方法,其特征在于,所述数据清洗的方法如下:
首先,确定稳定态数据;
其次,根据所述稳定态数据生成相应属性数据的自增量偏差模型,所述自增量偏差模型包含自增量偏差序列;
然后,以所述自增量偏差序列做正态性分布数据检验,获取所述自增量偏差序列的标准差范围;
最后,根据所述自增量偏差序列的标准差范围进行控制图偏差检测,提取所要求的精度范围,对后续数据进行检测,排除异常数据。
5.一种如权利要求1所述基于物联网的农业灾害信息遥感提取方法的基于物联网的农业灾害信息遥感提取系统,其特征在于,所述基于物联网的农业灾害信息遥感提取系统包括:
图像采集模块、中央处理模块、灾害特征提取模块、灾害范围识别模块、灾害预测模块、灾害评估模块、灾害报警模块、显示模块;
图像采集模块,与中央处理模块连接,用于通过卫星采集自然灾害影像数据;
中央处理模块,与图像采集模块、灾害特征提取模块、灾害范围识别模块、灾害预测模块、灾害评估模块、灾害报警模块、显示模块连接,用于控制各个模块正常工作;
灾害特征提取模块,与中央处理模块连接,用于对图像采集模块采集的影像图像提取灾害特征元素;
灾害范围识别模块,与中央处理模块连接,用于根据灾害特征提取模块提取的灾害特征元素识别出受灾范围;
灾害预测模块,与中央处理模块连接,用于通过采集的影像数据预测灾害趋势;
灾害评估模块,与中央处理模块连接,用于通过采集的影像数据评估灾害的级别;
灾害报警模块,与中央处理模块连接,用于根据灾害评估模块评估级别来进行相应级别的报警;
显示模块,与中央处理模块连接,用于显示采集的影像图像及预测、评估数据信息。
6.一种应用权利要求1~4任意一项所述基于物联网的农业灾害信息遥感提取方法的农业自然灾害预监信息系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910200259.3A CN109918449B (zh) | 2019-03-16 | 2019-03-16 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910200259.3A CN109918449B (zh) | 2019-03-16 | 2019-03-16 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109918449A true CN109918449A (zh) | 2019-06-21 |
CN109918449B CN109918449B (zh) | 2021-04-06 |
Family
ID=66965456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910200259.3A Expired - Fee Related CN109918449B (zh) | 2019-03-16 | 2019-03-16 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918449B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765901A (zh) * | 2019-10-10 | 2020-02-07 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取系统及方法 |
CN111414898A (zh) * | 2020-04-28 | 2020-07-14 | 丁志军 | 生物识别设备 |
CN114241295A (zh) * | 2021-11-10 | 2022-03-25 | 云南电网有限责任公司 | 输电线路自然灾害遥感图像信息的ai自动化提取系统 |
CN115713681A (zh) * | 2022-11-22 | 2023-02-24 | 中国农业科学院农业资源与农业区划研究所 | 一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 |
CN116546090A (zh) * | 2023-06-09 | 2023-08-04 | 北京和德宇航技术有限公司 | 一种遥测数据推送方法、装置、设备及存储介质 |
CN116664989A (zh) * | 2023-07-28 | 2023-08-29 | 四川发展环境科学技术研究院有限公司 | 基于环境要素智能识别监测系统的数据分析方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090279758A1 (en) * | 2008-03-05 | 2009-11-12 | Dikici Engin | System and method for 3d vessel segmentation with minimal cuts |
CN102201037A (zh) * | 2011-06-14 | 2011-09-28 | 中国农业大学 | 农业灾害预测方法 |
CN104318051A (zh) * | 2014-09-15 | 2015-01-28 | 中国水利水电科学研究院 | 基于规则的大范围水体信息遥感自动提取系统及方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106340005A (zh) * | 2016-08-12 | 2017-01-18 | 盐城师范学院 | 基于尺度参数自动优化的高分遥感影像非监督分割方法 |
CN106408574A (zh) * | 2016-09-06 | 2017-02-15 | 中国石油大学(华东) | 基于动态链式图模型的震害遥感影像分割方法及其系统 |
CN106780091A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
CN106803104A (zh) * | 2017-01-25 | 2017-06-06 | 中国科学院寒区旱区环境与工程研究所 | 基于卫星遥感影像的冻土灾害分类方法及装置 |
CN106846325A (zh) * | 2017-01-16 | 2017-06-13 | 河南理工大学 | 一种遥感影像最优分割结果确定的自动化方法 |
CN106910202A (zh) * | 2017-02-15 | 2017-06-30 | 武汉喜恩卓科技有限责任公司 | 一种遥感图像地物的图像分割方法及系统 |
US20170352100A1 (en) * | 2016-06-03 | 2017-12-07 | Conduent Business Services, Llc | Image segmentation system for verification of property roof damage |
CN108287926A (zh) * | 2018-03-02 | 2018-07-17 | 宿州学院 | 一种农业生态多源异构大数据采集、处理与分析架构 |
CN108446590A (zh) * | 2018-02-07 | 2018-08-24 | 海南云保遥感科技有限公司 | 一种空间遥感大数据在热带农业灾害计算中的应用方法 |
CN109242708A (zh) * | 2018-09-18 | 2019-01-18 | 安徽阡陌网络科技有限公司 | 一种基于遥感数据与数字田块的农业灾害精准理赔方法 |
CN112364849A (zh) * | 2021-01-13 | 2021-02-12 | 四川省安全科学技术研究院 | 高位崩滑地质灾害智能识别方法 |
-
2019
- 2019-03-16 CN CN201910200259.3A patent/CN109918449B/zh not_active Expired - Fee Related
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090279758A1 (en) * | 2008-03-05 | 2009-11-12 | Dikici Engin | System and method for 3d vessel segmentation with minimal cuts |
CN102201037A (zh) * | 2011-06-14 | 2011-09-28 | 中国农业大学 | 农业灾害预测方法 |
CN104318051A (zh) * | 2014-09-15 | 2015-01-28 | 中国水利水电科学研究院 | 基于规则的大范围水体信息遥感自动提取系统及方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
US20170352100A1 (en) * | 2016-06-03 | 2017-12-07 | Conduent Business Services, Llc | Image segmentation system for verification of property roof damage |
CN106340005A (zh) * | 2016-08-12 | 2017-01-18 | 盐城师范学院 | 基于尺度参数自动优化的高分遥感影像非监督分割方法 |
CN106408574A (zh) * | 2016-09-06 | 2017-02-15 | 中国石油大学(华东) | 基于动态链式图模型的震害遥感影像分割方法及其系统 |
CN106780091A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
CN106846325A (zh) * | 2017-01-16 | 2017-06-13 | 河南理工大学 | 一种遥感影像最优分割结果确定的自动化方法 |
CN106803104A (zh) * | 2017-01-25 | 2017-06-06 | 中国科学院寒区旱区环境与工程研究所 | 基于卫星遥感影像的冻土灾害分类方法及装置 |
CN106910202A (zh) * | 2017-02-15 | 2017-06-30 | 武汉喜恩卓科技有限责任公司 | 一种遥感图像地物的图像分割方法及系统 |
CN108446590A (zh) * | 2018-02-07 | 2018-08-24 | 海南云保遥感科技有限公司 | 一种空间遥感大数据在热带农业灾害计算中的应用方法 |
CN108287926A (zh) * | 2018-03-02 | 2018-07-17 | 宿州学院 | 一种农业生态多源异构大数据采集、处理与分析架构 |
CN109242708A (zh) * | 2018-09-18 | 2019-01-18 | 安徽阡陌网络科技有限公司 | 一种基于遥感数据与数字田块的农业灾害精准理赔方法 |
CN112364849A (zh) * | 2021-01-13 | 2021-02-12 | 四川省安全科学技术研究院 | 高位崩滑地质灾害智能识别方法 |
Non-Patent Citations (3)
Title |
---|
YANFEI ZHONG: ""Remote Sensing Image Subpixel Mapping B ased on Adaptive Differential Evolution"", 《TRRRTRANSACTTNNS ON SYSTRMS》 * |
唐华俊: ""农业遥感研究进展与展望"", 《农学学报》 * |
王露: ""面向对象的高分辨率遥感影像多尺度分割参数及分类研究"", 《中国优秀硕士学位论文全文数据库·基础科学辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765901A (zh) * | 2019-10-10 | 2020-02-07 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取系统及方法 |
CN111414898A (zh) * | 2020-04-28 | 2020-07-14 | 丁志军 | 生物识别设备 |
CN114241295A (zh) * | 2021-11-10 | 2022-03-25 | 云南电网有限责任公司 | 输电线路自然灾害遥感图像信息的ai自动化提取系统 |
CN115713681A (zh) * | 2022-11-22 | 2023-02-24 | 中国农业科学院农业资源与农业区划研究所 | 一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 |
CN116546090A (zh) * | 2023-06-09 | 2023-08-04 | 北京和德宇航技术有限公司 | 一种遥测数据推送方法、装置、设备及存储介质 |
CN116546090B (zh) * | 2023-06-09 | 2023-10-27 | 北京和德宇航技术有限公司 | 一种遥测数据推送方法、装置、设备及存储介质 |
CN116664989A (zh) * | 2023-07-28 | 2023-08-29 | 四川发展环境科学技术研究院有限公司 | 基于环境要素智能识别监测系统的数据分析方法及系统 |
CN116664989B (zh) * | 2023-07-28 | 2023-09-29 | 四川发展环境科学技术研究院有限公司 | 基于环境要素智能识别监测系统的数据分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109918449B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918449A (zh) | 一种基于物联网的农业灾害信息遥感提取方法及系统 | |
Ramachandran et al. | A review on object detection in unmanned aerial vehicle surveillance | |
Zhang et al. | Object-oriented method for urban vegetation mapping using IKONOS imagery | |
Bleyhl et al. | Assessing landscape connectivity for large mammals in the Caucasus using Landsat 8 seasonal image composites | |
Zohmann et al. | Modelling habitat suitability for alpine rock ptarmigan (Lagopus muta helvetica) combining object-based classification of IKONOS imagery and Habitat Suitability Index modelling | |
Gamba | Image and data fusion in remote sensing of urban areas: status issues and research trends | |
Hysa et al. | A GIS based method for indexing the broad-leaved forest surfaces by their wildfire ignition probability and wildfire spreading capacity | |
Barmpoutis et al. | Monitoring of trees’ health condition using a uav equipped with low-cost digital camera | |
Li et al. | An object-based approach for verification of precipitation estimation | |
Yu et al. | Multi-temporal remote sensing of land cover change and urban sprawl in the coastal city of Yantai, China | |
CN111709661A (zh) | 业务数据的风险处理方法、装置、设备及存储介质 | |
Paolini et al. | Classification of different irrigation systems at field scale using time-series of remote sensing data | |
Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
Arab et al. | Near-real-time drought monitoring and assessment for vineyard production on a regional scale with standard precipitation and vegetation indices using Landsat and CHIRPS datasets | |
Sun et al. | Monitoring annual urbanization activities in Guangzhou using Landsat images (1987–2015) | |
Lack et al. | Development of an automated approach for identifying convective storm type using reflectivity-derived and near-storm environment data | |
Priya et al. | Land use land cover representation through supervised machine learning methods: sensitivity on simulation of urban thunderstorms in the east coast of India | |
Nourani | Application of the artificial intelligence approach and remotely sensed imagery for soil moisture evaluation | |
Attorre et al. | Analysing the relationship between land units and plant communities: the case of Socotra Island (Yemen) | |
Gao et al. | Greenhouses detection in Guanzhong Plain, Shaanxi, China: evaluation of four classification methods in Google Earth engine | |
Dibs et al. | Estimation and Mapping the Rubber Trees Growth Distribution using Multi Sensor Imagery With Remote Sensing and GIS Analysis | |
Wang et al. | Combining SAR images with land cover products for rapid urban flood mapping | |
Gopalakrishnan et al. | The utility of fused airborne laser scanning and multispectral data for improved wind damage risk assessment over a managed forest landscape in Finland | |
CN115420688A (zh) | 一种基于物联网的农业灾害信息遥感提取损失评估方法 | |
Rey | Combining UAV-imagery and machine learning for wildlife conservation |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210406 |