CN110163138B - 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 - Google Patents

一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 Download PDF

Info

Publication number
CN110163138B
CN110163138B CN201910394627.2A CN201910394627A CN110163138B CN 110163138 B CN110163138 B CN 110163138B CN 201910394627 A CN201910394627 A CN 201910394627A CN 110163138 B CN110163138 B CN 110163138B
Authority
CN
China
Prior art keywords
wheat
tillering
image
remote sensing
vegetation
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
CN201910394627.2A
Other languages
English (en)
Other versions
CN110163138A (zh
Inventor
杜蒙蒙
姬江涛
杜新武
贺智涛
金鑫
赵凯旋
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and 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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201910394627.2A priority Critical patent/CN110163138B/zh
Publication of CN110163138A publication Critical patent/CN110163138A/zh
Application granted granted Critical
Publication of CN110163138B publication Critical patent/CN110163138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

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

Abstract

本发明公开了一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法，包括以下步骤：采集麦田多光谱图像；获取归一化植被指数图；利用支持向量机监督分类算法，对归一化植被指数图进行图像分割；进行小麦分蘖密度的人工计数采样作业，采集小麦分蘖密度的地面真值；根据图像分割结果，计算人工计数采样作业区域的垂直植被覆盖度；建立回归模型；根据垂直植被覆盖度计算小麦分蘖密度；根据获取的小麦分蘖密度值样本，采用反距离加权空间插值算法进行可视化处理，即可获取麦田整体的分蘖密度信息，本方法结合无人机遥感及图像处理技术，简单高效、测算方便、能够快速获知麦田内部任意区块的小麦分蘖密度值，为精细化变量追施氮肥作业提供了数据支撑。

Description

一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法
技术领域
本发明涉及数字图像处理在农业遥感领域的应用领域，具体涉及一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法。
背景技术
小麦是一种世界范围内广泛种植的禾本科植物，是人类重要的粮食作物与主要的植物蛋白来源，小麦种植按照播种期的不同可分为春小麦和冬小麦。在世界小麦种植中，冬小麦占约75%的面积，从播种到收获，冬小麦的生长周期可分为播种期、出苗期、分蘖期、越冬期、返青期、起生期、拔节期、孕穗期、抽穗期、开花期、灌浆期与成熟期。而分蘖期是小麦生长周期中的关键时期，小麦分蘖是指地面以下或接近地面处从麦株上所发生的小麦分枝，根据分蘖是否成穗分为有效分蘖和无效分蘖，有效分蘖麦穗是构成小麦产量的重要组成部分，高产农田中分蘖麦穗占比可达70%以上。小麦的分蘖能力受水、肥、光照、温度、农业措施等多重因素影响，同一地块内，小麦分蘖密度具有较大的空间差异性。一般地，3-7个分蘖的居多，10余个以及20余个分蘖的麦株也常见于土壤肥力高、墒情好、管理适当的麦田。2018年，李艳花提出在小麦分蘖高峰期结合灌溉追施氮肥可促生壮孽，提高分蘖数量以及分蘖成穗率（李艳花.提高冬小麦分蘖成穗率的几项关键措施[J].现代农村科技，2018(11):18.）。2017年，佟汉文等指出由于追肥过早造成小麦早期长势过旺与后期供肥不足，将导致成穗数及产量降低，对于分蘖成穗能力弱的小麦品种，追施氮肥可显著分蘖成穗率和穗粒数（[1]佟汉文,彭敏,刘易科,黄玫珽,邹娟,朱展望,陈泠,张宇庆,高春保.小麦分蘖成穗规律研究进展[J].湖北农业科学,2017,56(24):4700-4702+4713.）。
由此可知，根据分蘖期内小麦分蘖状况的不同，执行相应剂量的追施氮肥作业，对提高小麦单产具有重要意义。然而截止到目前为止，国内外关于小麦分蘖的研究大多集中在小麦单株个体方面。例如，2018年，李琼砚等通过图像分割技术与形态学处理，完成了单株小麦分蘖数目的检测（李琼砚,高云鹏,翁雨辰.一种基于RGB图像的小麦分蘖数自动检测方法[P]. 中国专利: CN107993243A,2018-05-04.）；2016年，Boyle, R.D等通过划定小麦侧视图像中仅包含茎秆与麦叶的特定区域，利用阈值方法分割出茎秆，从而完成了单株小麦分蘖数目的计算（Boyle, R. D.,Corke, F. M. K.,Doonan, J. H. Automatedestimation of tiller number in wheat by ribbon detection[J]. Machine Visionand Applications,2016(27):637-646）。以上方法均属于实验室环境下或者受控条件下的小麦单株分蘖数据测算，无法直接用来指导大田追施氮肥作业。利用遥感图像处理技术，在大田环境下进行小麦分蘖密度的测算，国内外鲜有相关文献报道。传统的大田环境下小麦分蘖密度的测算通常单纯依靠人工计数或目视判别，耗时、费力、精度低，难以满足大样本、高效率的作业需求；而且，人工计数获取的小麦分蘖密度点源数据在现代集约化大规模农业中，难以代表农田整体的小麦分蘖密度状况，无法反映地块内部的小麦分蘖密度的空间差异，不适合用来指导精细化变量追施氮肥作业。
发明内容
为解决上述问题，本发明提供一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法，以无人机为遥感平台、多光谱相机为图像采集设备，通过数字图像处理技术，提供一种大田环境下的小麦分蘖密度的测算方法。
本发明通过以下技术方案来实现：
一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法，包括以下步骤：
步骤一、无人机通过利用图像采集设备在小麦分蘖期采集地面分辨率不大于5厘米的麦田多光谱遥感图像，提取麦田多光谱遥感图像中每一个像素的近红外波段及红色波段的像素值；
步骤二、根据归一化植被指数NDVI计算公式
Figure 100002_DEST_PATH_IMAGE001
，对多光谱图像进行归一化处理，获取NDVI归一化植被指数图，其中，
Figure 593395DEST_PATH_IMAGE002
与
Figure 100002_DEST_PATH_IMAGE003
分别为多光谱图像中近红外波段及红色波段的像素值；
步骤三、在NDVI归一化植被指数图中选取若干像素值不大于0.15的像素点作为土壤背景训练样本，并在NDVI归一化植被指数图中选取若干像素值不小于0.4的像素点作为植被训练样本，利用支持向量机监督分类算法，对NDVI归一化植被指数图进行二值化图像分割处理，将植被整体从NDVI归一化植被指数图中提取出来，得到植被属性与土壤背景属性的二值化图像；
步骤四、使用边长为1米的正方形框架，在麦田遥感区域内对麦株进行分隔处理，并统计该1平方米范围内的小麦分蘖株数，获取小麦分蘖密度（株/平方米）的地面真值；
步骤五、根据图像分割结果，统计同一地面采样区域中每平方米范围内的像素个数与被划分为植被属性的像素个数，计算垂直植被覆盖度VCC；
步骤六、重复上述操作，获取若干次不同遥感区域的垂直植被覆盖度值及小麦分蘖密度的地面真值，建立回归模型；
步骤七、将任意区域的垂直植被覆盖度值输入回归模型，获取相应的小麦分蘖密度值；
步骤八、根据获取的小麦分蘖密度值样本，采用反距离加权空间插值算法进行可视化处理，即可获取麦田整体的分蘖密度信息。
进一步的，所述无人机采用固定翼、多旋翼以及直升机形式的无人机。
进一步的，所述步骤一中图像采集设备使用含有近红外波段与红色波段的多光谱相机。
进一步的，所述步骤五中垂直植被覆盖度VCC的计算公式为：
Figure 838432DEST_PATH_IMAGE004
其中，
Figure 100002_DEST_PATH_IMAGE005
与
Figure 680486DEST_PATH_IMAGE006
分别为目标区域中每平方米范围内的像素个数与被划分为植被属性的像素个数。
本发明的有益效果在于：
本发明基于无人机遥感图像，结合地面真值采样，开发了一种基于多光谱图像分割技术的大田环境下小麦分蘖密度测算方法，该方法结合无人机遥感及图像处理技术，简单高效、测算方便、能够快速获知麦田内部任意区块的小麦分蘖密度值，为精细化变量追施氮肥作业提供了数据支撑。
说明书附图
图1为本发明的检测方法的流程图；
图2是本发明的归一化植被指数图；
图3是本发明的植被属性与土壤背景属性的二值化图像；
图4是本发明麦田整体的分蘖密度信息。
具体实施方式
下面根据附图结合具体实施例中的技术方案对本发明进行清楚、完整地描述。
如附图所示，一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法，包括以下步骤：
步骤一、采集麦田多光谱图像：设定合适的无人机飞行高度，通过利用图像采集设备在小麦分蘖期采集地面分辨率不大于5厘米的麦田多光谱遥感图像，提取麦田多光谱遥感图像中每一个像素的近红外波段及红色波段的像素值，其中所述无人机采用固定翼、多旋翼以及直升机形式的无人机，所述图像采集设备使用含有近红外波段与红色波段的多光谱相机；
步骤二、获取归一化植被指数图：根据归一化植被指数NDVI（NormalizedDifferentialVegetation Index）计算公式
Figure RE-RE-DEST_PATH_IMAGE007
，对多光谱图像进行归一化处理，获取NDVI归一化植被指数图，其中，
Figure RE-851315DEST_PATH_IMAGE008
与
Figure RE-RE-DEST_PATH_IMAGE009
分别为多光谱图像中近红外波段及红色波段的像素值；
步骤三、图像分割：在NDVI归一化植被指数图中选取若干像素值不大于0.15的像素点作为土壤背景训练样本，并在NDVI归一化植被指数图中选取若干像素值不小于0.4的像素点作为植被训练样本（如图2所示，底图为NDVI归一化植被指数图，位于深灰色区域的黑色标志代表土壤背景训练样本，位于白色区域的黑色标志代表植被训练样本），利用支持向量机监督分类算法，对NDVI归一化植被指数图进行二值化图像分割处理，将植被整体从NDVI归一化植被指数图中提取出来，得到植被属性与土壤背景属性的二值化图像；
步骤四、获取小麦分蘖密度地面真值：使用边长为1米的正方形框架，在麦田遥感区域内对麦株进行分隔处理，并统计该1平方米范围内的小麦分蘖株数，获取小麦分蘖密度（株/平方米）的地面真值；
步骤五、计算垂直植被覆盖度：根据图像分割结果，统计同一地面采样区域中每平方米范围内的像素个数与被划分为植被属性的像素个数，计算垂直植被覆盖度VCC（Vertical Canopy Coverage），所述垂直植被覆盖度VCC的计算公式为：
Figure RE-9895DEST_PATH_IMAGE010
，其中，
Figure RE-RE-DEST_PATH_IMAGE011
与
Figure RE-910986DEST_PATH_IMAGE012
分别为目标区域中每平方米范围内的像素个数与被划分为植被属性的像素个数；
步骤六、建立回归模型：重复上述操作，获取若干次不同遥感区域的垂直植被覆盖度值及小麦分蘖密度的地面真值，建立回归模型；
步骤七、根据垂直植被覆盖度，计算小麦分蘖密度：将任意区域的垂直植被覆盖度值输入回归模型，获取相应的小麦分蘖密度值；
步骤八、空间插值、可视化处理：根据获取的小麦分蘖密度值样本，采用反距离加权空间插值算法进行可视化处理，即可获取麦田整体的分蘖密度信息，如图4所示。
以上显示和描述了本发明的基本原理、主要特征和优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法，其特征在于：包括以下步骤：
步骤一、无人机通过利用图像采集设备在小麦分蘖期采集地面分辨率不大于5厘米的麦田多光谱遥感图像，提取麦田多光谱遥感图像中每一个像素的近红外波段及红色波段的像素值；
步骤二、根据归一化植被指数NDVI计算公式
Figure DEST_PATH_IMAGE001
，对多光谱图像进行归一化处理，获取NDVI归一化植被指数图，其中，
Figure 908444DEST_PATH_IMAGE002
与
Figure DEST_PATH_IMAGE003
分别为多光谱图像中近红外波段及红色波段的像素值；
步骤三、在NDVI归一化植被指数图中选取若干像素值不大于0.15的像素点作为土壤背景训练样本，并在NDVI归一化植被指数图中选取若干像素值不小于0.4的像素点作为植被训练样本，利用支持向量机监督分类算法，对NDVI归一化植被指数图进行二值化图像分割处理，将植被整体从NDVI归一化植被指数图中提取出来，得到植被属性与土壤背景属性的二值化图像；
步骤四、使用边长为1米的正方形框架，在麦田遥感区域内对麦株进行分隔处理，并统计该1平方米范围内的小麦分蘖株数，获取小麦分蘖密度的地面真值；
步骤五、根据图像分割结果，统计同一地面采样区域中每平方米范围内的像素个数与被划分为植被属性的像素个数，计算垂直植被覆盖度VCC；
所述垂直植被覆盖度VCC的计算公式为：
Figure 887901DEST_PATH_IMAGE004
，其中，
Figure DEST_PATH_IMAGE005
与
Figure 667638DEST_PATH_IMAGE006
分别为目标区域中每平方米范围内的像素个数与被划分为植被属性的像素个数；
步骤六、重复上述操作，获取若干次不同遥感区域的垂直植被覆盖度值及小麦分蘖密度的地面真值，建立回归模型；
步骤七、将任意区域的垂直植被覆盖度值输入回归模型，获取相应的小麦分蘖密度值；
步骤八、根据获取的小麦分蘖密度值样本，采用反距离加权空间插值算法进行可视化处理，即可获取麦田整体的分蘖密度信息。
2.根据权利要求1所述的一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法，其特征在于：所述无人机采用固定翼、多旋翼以及直升机形式的无人机。
3.根据权利要求1所述的一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法，其特征在于：所述步骤一中图像采集设备使用含有近红外波段与红色波段的多光谱相机。
CN201910394627.2A 2019-05-13 2019-05-13 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 Active CN110163138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910394627.2A CN110163138B (zh) 2019-05-13 2019-05-13 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910394627.2A CN110163138B (zh) 2019-05-13 2019-05-13 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法

Publications (2)

Publication Number Publication Date
CN110163138A CN110163138A (zh) 2019-08-23
CN110163138B true CN110163138B (zh) 2022-03-11

Family

ID=67634302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910394627.2A Active CN110163138B (zh) 2019-05-13 2019-05-13 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法

Country Status (1)

Country Link
CN (1) CN110163138B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110779497A (zh) * 2019-11-07 2020-02-11 航天信德智图（北京）科技有限公司 一种天地空一体化小麦产量评估方法
CN111735908B (zh) * 2020-05-06 2022-09-02 安徽科技学院 一种批量鉴定小麦耐盐性的装置及方法
CN113795846A (zh) * 2020-06-24 2021-12-14 深圳市大疆创新科技有限公司 确定作物种植信息的方法、装置及计算机存储介质
CN112037241B (zh) * 2020-08-28 2024-02-23 北京农业智能装备技术研究中心 一种基于多光谱数据的作物混种区实时识别方法及系统
CN113033279A (zh) * 2020-12-10 2021-06-25 四川航天神坤科技有限公司 一种基于多源遥感影像的作物精细分类方法及其系统
CN114593713A (zh) * 2021-03-02 2022-06-07 华东师范大学 一种潮滩植被区地形反演方法及系统
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
CN114332657B (zh) * 2022-01-11 2022-09-16 兰州大学 一种调控黄帚橐吾种群密度的方法
CN115830442B (zh) * 2022-11-11 2023-08-04 中国科学院空天信息创新研究院 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102102988A (zh) * 2009-12-22 2011-06-22 中国农业科学院农业环境与可持续发展研究所 农作物产量信息实时测量方法、系统及装置
CN106600434A (zh) * 2016-10-18 2017-04-26 河南省农业科学院农业经济与信息研究所 基于作物模型与同化技术的作物长势遥感监测方法
CN107909000A (zh) * 2017-06-28 2018-04-13 中国科学院遥感与数字地球研究所 基于特征优选和支持向量机的不透水面覆盖度估算方法
CN108764255A (zh) * 2018-05-21 2018-11-06 二十世纪空间技术应用股份有限公司 一种冬小麦种植信息的提取方法
CN109583378A (zh) * 2018-11-30 2019-04-05 东北大学 一种植被覆盖度提取方法及系统
CN109614891A (zh) * 2018-11-27 2019-04-12 北京师范大学 基于物候学和遥感的农作物识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102102988A (zh) * 2009-12-22 2011-06-22 中国农业科学院农业环境与可持续发展研究所 农作物产量信息实时测量方法、系统及装置
CN106600434A (zh) * 2016-10-18 2017-04-26 河南省农业科学院农业经济与信息研究所 基于作物模型与同化技术的作物长势遥感监测方法
CN107909000A (zh) * 2017-06-28 2018-04-13 中国科学院遥感与数字地球研究所 基于特征优选和支持向量机的不透水面覆盖度估算方法
CN108764255A (zh) * 2018-05-21 2018-11-06 二十世纪空间技术应用股份有限公司 一种冬小麦种植信息的提取方法
CN109614891A (zh) * 2018-11-27 2019-04-12 北京师范大学 基于物候学和遥感的农作物识别方法
CN109583378A (zh) * 2018-11-30 2019-04-05 东北大学 一种植被覆盖度提取方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery;Xiuliang Jin et al;《Remote Sensing of Environment》;20171231;第1-10页 *
Monitoring of Wheat Growth Status and Mapping of Wheat Yield’s within-Field Spatial Variations Using Color Images Acquired from UAV-camera System;Mengmeng Du and Noboru Noguchi;《remote sensing》;20170321;第1-14页 *
基于图像处理技术的麦穗识别研究;吕行军;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;20120815(第08期);正文全文 *

Also Published As

Publication number Publication date
CN110163138A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110163138B (zh) 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法
AU2020103026A4 (en) A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
CN100416590C (zh) 利用位置和纹理特征自动识别作物苗期田间杂草的方法
CN102564593B (zh) 基于计算机视觉及物联网的植物生长状况监测系统
CN111368736B (zh) 基于sar和光学遥感数据的水稻精细化估产方法
CN102789579B (zh) 基于计算机视觉技术的温室作物水肥胁迫状态识别方法
CN108985260A (zh) 一种遥感及气象一体化水稻估产方法
CN110288647B (zh) 一种基于高分辨率卫星数据监测灌区灌溉面积方法
CN109948596A (zh) 一种基于植被指数模型进行水稻识别和种植面积提取的方法
CN108710766B (zh) 一种基于生长模型的温室植物水肥机调肥参数计算方法
CN113221806B (zh) 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
CN110110595A (zh) 一种基于卫星遥感影像的农田画像及药肥大数据分析方法
CN107504923B (zh) 一种综合遥感影像和延绳信息的海带养殖面积监测方法
Chen et al. Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning
CN103278503B (zh) 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统
CN104915660A (zh) 一种基于gf-1/wfv ndvi时间序列的冬小麦自动识别方法
CN102663396B (zh) 一种水稻乳熟期自动检测的方法
CN108037123A (zh) 一种杂交稻钵体盘播种性能参数精密检测方法
CN115950838A (zh) 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法
CN110024648A (zh) 基于深度神经网络的川贝母精准种植方法
CN114708490A (zh) 水稻种植提取及复种指数监测方法、系统、终端及存储介质
CN115393704A (zh) 一种面向对象的稻虾田遥感自动化监测方法
CN103226709B (zh) 一种美国白蛾幼虫网幕图像识别方法
CN106683069A (zh) 农田苗期行内作物-杂草识别方法
CN112861712B (zh) 基于人工智能与多时相遥感的农业病虫害监测方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190823

Assignee: Henan Shengjing Agricultural Technology Co.,Ltd.

Assignor: HENAN University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2022980017056

Denomination of invention: A Method for Measuring Wheat Tiller Density Based on UAV Multispectral Remote Sensing Image

Granted publication date: 20220311

License type: Common License

Record date: 20221008

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190823

Assignee: Henan Xuanjie Cultural Communication Co.,Ltd.

Assignor: HENAN University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2023980046376

Denomination of invention: A Method for Calculating Wheat Tiller Density Based on Multispectral Remote Sensing Images of Unmanned Aerial Vehicles

Granted publication date: 20220311

License type: Common License

Record date: 20231109

EE01 Entry into force of recordation of patent licensing contract