CN110059713A - 一种基于降水粒子多特征参量的降水类型识别方法 - Google Patents

一种基于降水粒子多特征参量的降水类型识别方法 Download PDF

Info

Publication number
CN110059713A
CN110059713A CN201910170985.5A CN201910170985A CN110059713A CN 110059713 A CN110059713 A CN 110059713A CN 201910170985 A CN201910170985 A CN 201910170985A CN 110059713 A CN110059713 A CN 110059713A
Authority
CN
China
Prior art keywords
precipitation
type
particles
precipitation particles
original 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.)
Pending
Application number
CN201910170985.5A
Other languages
English (en)
Inventor
刘西川
胡云涛
高太长
贺彬晟
刘磊
宋堃
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910170985.5A priority Critical patent/CN110059713A/zh
Publication of CN110059713A publication Critical patent/CN110059713A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种利用降水粒子多特征参量的降水类型识别的方法。该方法利用观测仪器测量的降水粒子几何信息、灰度信息、速度信息等特征参量建立降水粒子识别模型所需的特征向量，依据实测粒子图像信息，将主要降水粒子类型分为冰晶小粒子、树突状雪花、柱状雪花、聚合雪花、雨滴，利用支持向量机方法来建立降水粒子类型识别模型，实现对降水类型的精细化识别与分类。本发明可以有效实现对降水粒子的精细化分类与识别。不仅可以进一步发挥成像式雨滴谱仪的测量性能，而且提高了降水类型描述的精细化程度。

Description

一种基于降水粒子多特征参量的降水类型识别方法
技术领域
本发明涉及气象自动化测量、雷达遥感降水地面订正技术领域，尤其是一种基于降水粒子多特征参量的降水类型识别方法。
背景技术
利用降水粒子区分降水类型是大气科学研究中一项具有挑战性和重要性的任务。随着数值天气预报的不断发展，其模式的构建、改进、定标对于降水类型更加敏感，以往常用的雨、雪、冰雹等粗分方法逐渐不能满足相关需求。常规雨滴谱仪可以测量降水粒子的直径和速度，然后根据直径和速度的对应关系来区分降水类型，但无法进一步细分。随着光学成像式雨滴谱仪的发展，利用可视化图像可以得到较为全面准确的降水粒子尺度、形状、速度、灰度等信息，这些信息同降水粒子的类型具有十分紧密的联系，因此可利用降水粒子多特征参量对降水粒子主要类型进行识别和区分，使得降水分类更加精细化，可以实时得到准确的降水类型。
发明内容
发明目的：为弥补现有技术的不足，满足数值天气预报参数化方案选择、雷达定量遥感降水、微波衰减评估等领域的需求，本发明提出一种基于降水粒子多特征参量的降水类型识别方法，该方法通过选取一系列的降水粒子几何信息、灰度信息以及速度信息建立自动识别特征参量集，利用支持向量机的监督学习方法进行模型的训练，得到了降水分类模型，实现对降水类型的精细化识别与分类。
技术方案：为实现上述技术效果，本发明提出的技术方案为：
一种基于降水粒子多特征参量的降水类型识别方法，包括步骤：
(1)通过观测仪器获取时长为Δt的时间段内的可视化降水粒子原始图像，判断每一幅可视化降水粒子原始图像的降水类型；
(2)对每一幅可视化降水粒子原始图像i，提取i的特征识别算子，包括：
降水粒子下落末速度V；
等体积直径Deq；
粒子面积A；
粒子周长P；
最小外接矩的长轴T；
最小外接矩的短轴W；
像素覆盖度PF：像素覆盖度即为粒子面积同最小外接矩的面积之比，计算公式为：AT表示最小外接矩的面积；
形状复杂度FORM：FORM的值越大，表示降水粒子形状复杂程度越高；
形状指数SI：
轴比ELONG：
圆形度ROUND：圆形度即为粒子面积与外接圆面积之比，计算公式为：
灰度直方图的概率密度分布函数f(I)：其中，I表示灰度级，F(I)表示可视化降水粒子原始图像的灰度图中灰度级为I的像元的个数；
所有像元对应的总亮度值I0：
像元的平均亮度值μI：
亮度标准差亮度标准差即为灰度直方图的标准偏差，计算公式为：
亮度部分偏差FSD：亮度部分偏差即为灰度直方图的部分标准偏差，计算公式为：FSD＝σI/μI；
(3)根据步骤(2)提取出的可视化降水粒子原始图像i的所有特征识别算子构成一个向量xi，这个向量xi即为可视化降水粒子原始图像i的特征向量；
(4)记降水类型数量为M，为M个降水类型中任意两个降水类型建立一个一对一的支持向量机分类器，共计建立K·(K-1)/2个分类器；其中，任意两个降水类型A和B的支持向量机分类器的训练样本集为：
其中，yi∈[-1，1]，yi＝-1，表示可视化降水粒子原始图像i的降水类型为A；yi＝1，表示可视化降水粒子原始图像i的降水类型为B；Ntrain为训练样本的总数，即降水类型为A和B的可视化降水粒子原始图像的总数；
以训练样本集中的xi为输入，yi为输出，训练支持向量机分类器；
(5)用训练好的K·(K-1)/2支持向量机分类器分别识别新的可视化降水粒子图像m，对所有支持向量机分类器的识别结果进行统计，最终确定可视化降水粒子图像m对应的降水类型。
进一步的，所述降水类型包括：冰晶小粒子、树突状雪花、柱状雪花、聚合雪花、雨滴。
进一步的，所述对识别结果进行统计的方法包括：投票法、决策树方法、纠错输出编码法。
有益效果：与现有技术相比，本发明所提出的基于降水粒子多特征量的降水类型识别方法，可以有效实现对降水粒子的精细化分类与识别。不仅可以进一步发挥成像式雨滴谱仪的测量性能，而且提高了降水类型描述的精细化程度，便于在数值天气预报模式输入、雷达定量估计降水、电磁波衰减评估等领域推广应用。
附图说明
图1是实施例的工作流程图；
图2是实施例中的降水粒子类型示意图；
图3是实施例中降水分类模型训练算法示意图，图3(a)表示原始空间χ的非线性分类样本，图3(b)表示核函数K(xi，xj)将样本映射到3维空间，图(c)表示映射后线性空间的样本分类，图3(d)表示相应的原始空间中非线性决策函数。
具体实施方式
下面结合具体实施例和附图对本发明作更进一步的说明。
本实施例利用成像式雨滴谱仪测量的降水粒子几何信息、灰度信息、速度信息等特征参量建立降水粒子识别模型所需的特征向量，依据实测粒子图像信息，将主要降水粒子类型分为冰晶小粒子、树突状雪花、柱状雪花、聚合雪花、雨滴，利用支持向量机方法来建立降水粒子类型识别模型。
本实施里的流程如图1所示，具体步骤如下：
1)主要降水类型的确立：将观测到的降水进行分类，此处所指的降水类型具体为Δt时间内成像式雨滴谱仪观测到的主要降水粒子类型，如图2所示，包括但不限于冰晶小粒子、树突状雪花、柱状雪花、聚合雪花、雨滴。为了提高分类模型的有效性，样本集的选取应尽可能包括单一种类的降水，每个样本资料中几何、灰度及速度等微物理参量组成了分类所需的特征输入向量。
2)特征识别算子的构建：通过选取一系列的特征描述子来表征降水粒子，本实施例中选取16个特征描述子来表征降水粒子，如表1所示：
表1用于表征降水粒子信息的特征描述子
其中，降水粒子下落末速度V、等体积直径Deq、粒子面积A、粒子周长P、最小外接矩的长轴T、最小外接矩的短轴W，这几个特征描述算子表征降水粒子的基本结构和速度信息；计算粒子的几何形状特征以及图像灰度特征基于采集的粒子图像计算得到：
像素覆盖度PF：AT表示最小外接矩的面积；
形状复杂度FORM：FORM的值越大，表示降水粒子形状复杂程度越高；
形状指数SI：
轴比ELONG：
圆形度：ROUND：
灰度直方图的概率密度分布函数f(I)：其中，I表示灰度级，F(I)表示可视化降水粒子原始图像的灰度图中灰度级为I的像元的个数；
所有像元对应的灰度值之和I0：
像元的平均亮度值μI：
亮度标准差亮度标准差即为灰度直方图的标准偏差，计算公式为：
亮度部分偏差FSD：亮度部分偏差即为灰度直方图的部分标准偏差，计算公式为：FSD＝σI/μI。
3)降水分类模型的建立：以支持向量机方法为例，建立降水类型识别模型。具体步骤如下：
根据步骤2)提取出的可视化降水粒子原始图像i的16个特征识别算子构成特征向量xi，yi为主要降水类型，d包括16个微物理参量以及已知降水类型，共计17个值，其训练模型为：表示可视化降水粒子原始图像i的降水类型为A；yi＝1，表示可视化降水粒子原始图像i的降水类型为B，A和B为任意两个不同的降水类型；Ntrain为训练样本的总数，即降水类型为A和B的可视化降水粒子原始图像的总数。
以支持向量机(SVM)为例，训练方法如下：
定义d维空间中的判别函数为：f(x)＝<w，x>+b，则分类平面为：<w，x>+b＝0，进一步处理该判别函数，使训练样本满足：|f(x)|≥1(或)，则距离最优分类平面最近的样本需满足|f(x)|＝1，此时分类间隔为：则使分类间隔最大等价于(或)最小。由上可知，解决最优化的降水粒子样本分类平面可变为解决以下约束式：
为了使最少错分样本数和最大分类间隔得到一定的缓和性考虑，约束函数中需要加上一个松弛因子ζi，是：此时目标为：
其中C＞0为惩罚因子，其表征了模型对训练错分样本的惩罚水平，合理地选取惩罚因子的值对分类十分关键，若C值过小，易产生次拟合问题，即得到的SVM模型中包含着较大的误差和噪声，若C值过大，易产生过拟合问题，即得到的SVM模型对于训练样本依赖较大，具有较差地推广性。
以拉格朗日乘子为求解上述二次凸规划目标式：
当得到以上方程最优解时，此时决策函数表达式如下：
以上所述的SVM分类器适用于二分类问题，对于多种类型的分类问题，利用一对一的方法，对于K类问题训练出K·(K-1)/2个分类器，其中每一个分类器均用于评估降水粒子样本所属的类型，最终得到最优分类。
对于SVM中的非线性分类问题，如图3(a)所示，引入核函数K(xi，xj)，若其满足Mercer条件，则核函数K(xi，xj)＝<φ(xi)，φ(xj)>可对应变换空间的内积，即通过非线性变换将低维线性不可分转为高维空间线性可分，如图3(b)所示。以高斯径向基函数为例：
K(xi，xj)＝exp(-g·||xi-xj||2)
其中g为相应的核参数，因此相关的分类决策函数转变为以下形式：
映射后线性空间的样本分类如图3(c)所示，其相应的原始空间中非线性决策函数如图(d)所示。此外，为了提高利用降水粒子多特征参量得到的降水粒子识别模型的准确性，采用但不限于粒子群算法(PSO)对降水粒子识别模型中的惩罚因子C和核参数g进行参数寻优。
技术效果：
利用测试集来检验基于PMCS多特征参量的降水粒子类型识别模型的准确性和适用性。
降水类型识别模型效果评估：通过建立一系列的指标来评估降水分类的准确性。将观测样本分为两部分，一部分为训练集，训练集中样本数量为用于训练出SVM的相关最优参数以及分类模型；另一部分为测试集，样本数量为用于分类准确性的评估，评估的具体步骤如下：
首先建立一个5×5的混淆矩阵B来对SVM降水分类结果和真实类型进行比较，矩阵元素B(m，n)表征SVM分类结果为第m类而真实结果为第n类的数量，对角线上的数据表征了各类型降水粒子被正确识别的情况。如表2所示：
表2分类结果的混淆矩阵B
利用分类结果的混淆矩阵，定义如下指标量化利用PMCS多特征参量的降水粒子识别模型的总体分类效果。总体分类精度OA：
Cohen’s kappa系数K，表征评价判断的一致性程度：
Pest为不平衡多分类过程中由于随机性造成的正确分类结果：
其中，S为降水类别数，N为测试样本数。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于降水粒子多特征参量的降水类型识别方法，其特征在于，包括步骤：
(1)通过观测仪器获取时长为Δt的时间段内的可视化降水粒子原始图像，判断每一幅可视化降水粒子原始图像的降水类型；
(2)对每一幅可视化降水粒子原始图像i，提取i的特征识别算子，包括：
降水粒子下落末速度V；
等体积直径Deq；
粒子面积A；
粒子周长P；
最小外接矩的长轴T；
最小外接矩的短轴W；
像素覆盖度PF：像素覆盖度即为粒子面积同最小外接矩的面积之比，计算公式为：AT表示最小外接矩的面积；
形状复杂度FORM：FORM的值越大，表示降水粒子形状复杂程度越高；
形状指数SI：
轴比ELONG：
圆形度ROUND：圆形度即为粒子面积与外接圆面积之比，计算公式为：
灰度直方图的概率密度分布函数f(I)：其中，I表示灰度级，F(I)表示可视化降水粒子原始图像的灰度图中灰度级为I的像元的个数；
所有像元对应的总亮度值I0：
像元的平均亮度值μI：
亮度标准差亮度标准差即为灰度直方图的标准偏差，计算公式为：
亮度部分偏差FSD：亮度部分偏差即为灰度直方图的部分标准偏差，计算公式为：FSD＝σI/μI；
(3)根据步骤(2)提取出的可视化降水粒子原始图像i的所有特征识别算子构成一个向量xi，这个向量xi即为可视化降水粒子原始图像i的特征向量；
(4)记降水类型数量为M，为M个降水类型中任意两个降水类型建立一个一对一的支持向量机分类器，共计建立K·(K-1)/2个分类器；其中，任意两个降水类型A和B的支持向量机分类器的训练样本集为：
其中，yi∈[-1，1]，yi＝-1，表示可视化降水粒子原始图像i的降水类型为A；yi＝1，表示可视化降水粒子原始图像i的降水类型为B；Ntrain为训练样本的总数，即降水类型为A和B的可视化降水粒子原始图像的总数；
以训练样本集中的xi为输入，yi为输出，训练支持向量机分类器；
(5)用训练好的K·(K-1)/2支持向量机分类器分别识别新的可视化降水粒子图像m，对所有支持向量机分类器的识别结果进行统计，最终确定可视化降水粒子图像m对应的降水类型。
2.根据权利要求1所述的一种基于降水粒子多特征参量的降水类型识别方法，其特征在于，所述降水类型包括：冰晶小粒子、树突状雪花、柱状雪花、聚合雪花、雨滴。
3.根据权利要求1所述的一种基于降水粒子多特征参量的降水类型识别方法，其特征在于，所述对识别结果进行统计的方法包括：投票法、决策树方法、纠错输出编码法。
CN201910170985.5A 2019-03-07 2019-03-07 一种基于降水粒子多特征参量的降水类型识别方法 Pending CN110059713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910170985.5A CN110059713A (zh) 2019-03-07 2019-03-07 一种基于降水粒子多特征参量的降水类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910170985.5A CN110059713A (zh) 2019-03-07 2019-03-07 一种基于降水粒子多特征参量的降水类型识别方法

Publications (1)

Publication Number Publication Date
CN110059713A true CN110059713A (zh) 2019-07-26

Family

ID=67316749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910170985.5A Pending CN110059713A (zh) 2019-03-07 2019-03-07 一种基于降水粒子多特征参量的降水类型识别方法

Country Status (1)

Country Link
CN (1) CN110059713A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110426710A (zh) * 2019-08-07 2019-11-08 大连市人工影响天气办公室 一种人工防御强雹云的有效作业实施方法及系统
CN110824586A (zh) * 2019-10-23 2020-02-21 上海理工大学 基于改进决策树算法的降水预测方法
CN111505739A (zh) * 2020-03-30 2020-08-07 中国人民解放军国防科技大学 利用高频星地链路多特征量进行晴雨时刻判定的方法
CN111860562A (zh) * 2020-03-30 2020-10-30 中国人民解放军国防科技大学 一种基于微波链路多统计量的自适应干湿区分方法
CN115731493A (zh) * 2022-11-15 2023-03-03 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 基于视频图像识别的降水微物理特征参量提取与分析方法
CN116363510A (zh) * 2023-03-20 2023-06-30 中国气象局人工影响天气中心 人工增雨（雪）过程中的冰晶、云滴识别方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254191A (zh) * 2011-07-08 2011-11-23 华中科技大学 一种基于图像处理的降水粒子相态识别方法
CN103439756A (zh) * 2013-07-31 2013-12-11 中国人民解放军理工大学 一种基于粒子成像测速的自然降水粒子微物理特征测量方法
CN107992782A (zh) * 2016-10-27 2018-05-04 中国科学院大气物理研究所 基于图像几何特征参量的云降水粒子形状识别方法
CN109272484A (zh) * 2018-08-03 2019-01-25 河海大学 一种基于视频图像的降雨检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254191A (zh) * 2011-07-08 2011-11-23 华中科技大学 一种基于图像处理的降水粒子相态识别方法
CN103439756A (zh) * 2013-07-31 2013-12-11 中国人民解放军理工大学 一种基于粒子成像测速的自然降水粒子微物理特征测量方法
CN107992782A (zh) * 2016-10-27 2018-05-04 中国科学院大气物理研究所 基于图像几何特征参量的云降水粒子形状识别方法
CN109272484A (zh) * 2018-08-03 2019-01-25 河海大学 一种基于视频图像的降雨检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110426710A (zh) * 2019-08-07 2019-11-08 大连市人工影响天气办公室 一种人工防御强雹云的有效作业实施方法及系统
CN110824586A (zh) * 2019-10-23 2020-02-21 上海理工大学 基于改进决策树算法的降水预测方法
CN111505739A (zh) * 2020-03-30 2020-08-07 中国人民解放军国防科技大学 利用高频星地链路多特征量进行晴雨时刻判定的方法
CN111860562A (zh) * 2020-03-30 2020-10-30 中国人民解放军国防科技大学 一种基于微波链路多统计量的自适应干湿区分方法
CN111860562B (zh) * 2020-03-30 2022-04-12 中国人民解放军国防科技大学 一种基于微波链路多统计量的自适应干湿区分方法
CN115731493A (zh) * 2022-11-15 2023-03-03 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 基于视频图像识别的降水微物理特征参量提取与分析方法
CN116363510A (zh) * 2023-03-20 2023-06-30 中国气象局人工影响天气中心 人工增雨（雪）过程中的冰晶、云滴识别方法、装置、计算机设备和存储介质
CN116363510B (zh) * 2023-03-20 2023-10-24 中国气象局人工影响天气中心 人工增雨或雪过程中的冰晶、云滴识别方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110059713A (zh) 一种基于降水粒子多特征参量的降水类型识别方法
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
Praz et al. Solid hydrometeor classification and riming degree estimation from pictures collected with a Multi-Angle Snowflake Camera
WO2022016884A1 (zh) 一种基于K-means聚类算法的海面风速方法
Huang et al. A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery
CN109871902B (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
Xia et al. A hybrid method based on extreme learning machine and k-nearest neighbor for cloud classification of ground-based visible cloud image
CN103400151B (zh) 一体化的光学遥感影像与gis自动配准与水体提取方法
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
CN110333554B (zh) Nriet暴雨智能相似分析方法
WO2021228088A1 (zh) 一种雾霾图像的雾浓度识别方法
CN110852245B (zh) 基于离散属性bnt的双偏振气象雷达降水粒子分类方法
CN109063754B (zh) 一种基于OpenStreetMap的遥感影像多特征联合分类方法
CN101713776A (zh) 一种基于神经网络的尿液中有形成分识别分类方法
CN111191628B (zh) 基于决策树与特征优化的遥感影像震害建筑物识别方法
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
Deng et al. Cloud detection in satellite images based on natural scene statistics and gabor features
CN109284786A (zh) 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
Peng et al. Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion
Sun et al. Wheat head counting in the wild by an augmented feature pyramid networks-based convolutional neural network
CN104252625A (zh) 样本自适应多特征加权的遥感图像分类方法
CN106485239A (zh) 一种利用单类支持向量机检测河流目标的方法
CN103606164A (zh) 基于高维三重马尔可夫场的sar图像分割方法
CN117132594B (zh) 基于高光谱图像的地下水微塑料智能检测方法
CN115424006A (zh) 应用于作物表型参数反演的多源多层次数据融合方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190726