CN110189616A - 基于场联合使用高分二号和高分三号进行作物制图的方法 - Google Patents
基于场联合使用高分二号和高分三号进行作物制图的方法 Download PDFInfo
- Publication number
- CN110189616A CN110189616A CN201910318562.3A CN201910318562A CN110189616A CN 110189616 A CN110189616 A CN 110189616A CN 201910318562 A CN201910318562 A CN 201910318562A CN 110189616 A CN110189616 A CN 110189616A
- Authority
- CN
- China
- Prior art keywords
- class
- feature
- image
- data
- crop
- 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
Classifications
-
- 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]
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
- G09B29/006—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Ecology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Educational Technology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种作物制图的方法,具体是一种是基于场联合使用高分二号光学成像和高分三号偏振合成孔径雷达(PolSAR)数据进行作物制图的方法。充分发掘多源遥感数据的优势,并解决遥感在作物制图中地块空间不精确和作物制图不准确的问题,本研究以SAR与光学遥感数据的时空协同为切入点,发展一套“SAR‑光学”数据协同的作物种植结构遥感提取模型,将光学影像的空间信息与SAR数据的特征信息进行多层次协同,探索地块基元支持下的多源遥感数据作物种植结构信息自动识别方法。该方法主要包括高空间分辨率图像的多尺度分割,SAR图像特征提取,最优分类子集获取和使用SVM的面向对象分类四个部分。本发明方法以多时相SAR(GaoFen‑3)和光学影像(GaoFen‑2)为数据源,利用GaoFen‑2号影像提供的农田地块结构的“图”信息和GaoFen‑3号影像提供的地物特性的极化散射、纹理等信息协同处理,以实现对作物类型的准确判别和种植面积提取。
Description
技术领域
本发明涉及作物制图的方法,具体是一种是基于场联合使用高分2号光学成像和高分三号偏振合成孔径雷达(PolSAR)数据进行作物制图的方法。
背景技术
随着全球气候变化、能源需求以及人口增长等对农业生产的压力越来越大,全球或区域粮食供应短缺的风险也在加大。需要实时把握区域或全球的粮食生产形势,为区域及全球粮食安全及相关政策的制定提供依据。农作物种植结构是农作物空间格局的组成部分之一,其描述的是一个地区或生产单位内农作物的组成和布局,即主要农作物类型和其空间分布。卫星遥感技术能够在不同时间以不同尺度范围、不同空间分辨率和不同波谱进行对地观测,快速获取地表覆盖数据,对准确获取大范围的农作物种植结构信息来说,是一项十分经济有效的手段。
目前对于利用遥感技术对农作物种植结构提取,国内外学者有着许多的研究,但还存在以下问题:(1)对与光学和SAR数据的协同应用大多数方法侧重于融合算法,或是两种数据分别进行分类最后将结果进行叠加,较少研究将光学影像的空间信息与SAR数据的特征进信息行多层次协同;(2)大多数研究主要集中在影像分割和面向对象提取技术的应用等方面,较少涉及分割后影像对象的特征或特征组合的选取方法;(3)研究对象大多集中于水田作物,监测的农作物类型过于单一,对旱地作物(小麦、玉米、棉花等)的识别与面积监测研究相对较少,并且对农作物种植结构的提取在更为精细的中小区域的应用还不够精确。
发明内容
本发明提供一种使用光学遥感数据和极化合成孔径雷达进行农作物种植结构提取的新方法(图1),充分发掘多源遥感数据的优势,以解决遥感在作物制图中地块空间不精确和作物制图不准确的问题。本发明通过结合高分辨率光学影像提供的精确地块空间信息和SAR影像提供的作物后向散射特征信息,以农田地块为基本单元构建以空间碎片化为特点的多特征集,采用面向对象技术获得农田地块尺度下的作物种植结构信息。该方法弥补了以往单一卫星数据源存在的欠缺,算法可扩展,人工干预少,为多云雨地区作物种植结构提取提供了有效的分类方案和业务化流程。
本发明实现以上思路所采用的具体的技术方案是:
首先,对高空间分辨率影像(GaoFen-2影像)多尺度分割,提取精细农田地块信息并实现和GaoFen-3影像的高精度配准;其次,对GF-3影像进行特征提取,建立高维特征空间;第三,提出一种基于类内聚集度和类间离散度的最优特征子集提取方法,按照与分类有关的评价准则从高维特征中选取最有效的特征集;最后,在农田地块专题层的控制下结合提取的 GF-3影像的最优特征子集进行基于SVM-OAR的面向对象分类,实现区域范围内作物的精细制图。由于农田地块边界的相对稳定性,由高分影像获取的地块边界数据可以一次提取、多次利用,结合SAR影像可实现有/无云天气下多年农作物种植信息的自动、快速更新。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明通过联合使用GaoFen-2光学成像和GaoFen-3PolSAR数据来进行作物制图的方法概述;
具体实施方式
1农田小区域提取
不同地物类型需要适当的距离和比例尺才能有效完整的呈现,故利用多尺度分割提取地块矢量。本发明首先采用面向对象技术对研究区的GF-2数据进行多尺度分割,通过支持向量机的监督分类得到各地块类型的分布范围,并对提取的非农田地块进行掩膜进而得到农用地范围。其次,在农用地范围内基于局部方差法获得耕地范围的最优分割尺度,精确提取农田地块信息,以实现地块基元支持下的农作物种植结构提取。
2特征提取
本发明采用多种极化分解方法对研究区的Pol SAR数据进行极化分解,并提取其纹理特征和极化特征参数共56种特征分量,建立高维特征空间。发展一种鲁棒、自动的最优特征提取算法,采用基于类内聚集度和类间离散度评价准则针对不同作物的识别提取最有特征子集,以结合多类相关向量机这一鲁棒性强的分类器,构建基于多源遥感数据的作物自动识别框架;实现高精度物候期识别。
3最优特征子集选择方法
特征选择包括两大步:其一是去除对目标地物区分能力弱的特征;其二是去除相关性强的冗余特征。为此本发明发展了一种基于类内聚集度和类间离散度的特征集提取方法,按照与分类有关的评价准则从高维特征中挑选最有效的特征集。首先给出了一种类内聚集度和类间离散度的定义,并提出一种基于类内聚集度和类间离散度的特征集评价准则函数,基于该准则,采用蒙特卡洛采样法从原始特征集中初步挑选出较优的特征子集;其次,通过生成相干矩阵去除相关性较大的特征,得到最终的最优特征子集。通过以上步骤有效降低特征向量的维数,提高识别效率。该方法的过程如下:
将每种农作物类型看成一个独立的类别,当在某一特征上,各地物类内聚合度较高,且类间离散度较大时,可以认为该特征有区分这些地物的能力。因此,通过计算某个特征上各类农作物的类内聚合度Cnii和类间离散度Dnij,确立最优特征选择的定量标准。首先建立基于类内聚集度和类间离散度的特征集评价准则,本研究使用类内聚合因子和类间离散因子,来刻画地物的类内聚合度和类间离散度。
定义1第n维特征对应的第i类农作物的类内聚合度Cnii为:
式中,n为特征向量的维数,是第i类农作物的第n维特征的第k个样本向量, k=1,2,...,N,是的期望值,||·||2为对某个向量求2-Norm。
定义2第n维特征对应的第i类与第j类农作物的类间离散度Dnij为:
式中,和分别是和的期望值。
定义3结合定义1和定义2,可以得到同时刻画类内聚合度和类间离散度的判别函数 Gnij:
Gnij=Dnij/(Cnii+Cnjj)
如果待识别农作物有S类(S≥2),考虑识别的复杂度,选择的特征子集维数越低越好。此外,在特征值参与分类的过程中,同类样本尽可能紧凑,不同样本尽可能分散,即判别函数 Gnij越大越好。由此,根据定义3给出的判别函数,设计评价特征集质量的准则函数fn为:
由式可知,各地物类型间的类间离散度Dnij越大,准则函数fn值越大,各地物类型的类内聚合度Cnii越小,准则函数fn值越大。因此,准则函数fn值越大,表明该特征区分地物类型的能力越好。
在上述构建的准则函数fn的基础上,使用蒙特卡洛随机抽样算法选择最优特征子集,以降低分类识别的特征维数,提高分类效率和准确率,如下processingchain所示:
由于一些特征之间可能存在相关性,需要进一步去除相关性强的冗余特征。两个变量间相关性的强弱可以用相关系数表示,对于多个向量之间的相关程度可以用相关系数矩阵表示,通过分析特征参数间的相关性,删除具有相似分类能力的特征参数。首先,根据上述提取的特征子集构造特征参数矩阵M,M=[X1,X2,...,Xn′],其中Xi为m×1矩阵,m为样本数,n′为特征维数。可以得到矩阵M:
计算特征参数矩阵M中每一列间的相关系数,得到参数矩阵M的相关系数矩阵P:
由于两向量间的相关性rij=rji,因此相关系数矩阵P为对称方阵,因此仅需要分析P的上三角矩阵即可。判断相关系数矩阵中的元素值rij与阈值T大小关系,若rij>T则说明特征参数矩阵M中的元素Xi和Xj具有较强的相关性,删除矩阵M中的第i(或第j)维特征,得到最终的最优特征子集。
4使用SVM的面向对象分类
利用SVM模型对遥感图像分类需要考虑设置SVM模型参数,它包括核函数类型的选择和核函数参数的选择。本发明选用RBF函数作为核函数。分类的最小单元是由影像分割得到的同质影像对象(耕地地块),对经过高精度配准的GaoFen-2号影像和GaoFen-3号影像做以下协同处理,利用SVM分离器进行面向对象分类:
由于地块数据位于地理坐标空间,GF-3影像位于影像坐标空间,首先需对GF-3影像重采样到和GaoFen-2号影像相同的空间分辨率,建立重采样查找表,即GF-3影像坐标空间到地理坐标空间的查找表T。
(i,j)=T(Lat,Long,Z)
其中,(i,j)表示每个GF-3像元在影像坐标空间的位置;Lat,Long,Z分别为地理坐标空间的经度、纬度和高程。其次,将每个矢量地块数据分别按照GF-3影像对应的T转换到相应的GF-3影像坐标空间,作为训练样本、检验样本的多边形数据在影像坐标空间的位置即可确定,该多边形以分割后得到的地块对象作为样本的选择单元。按多边形提取训练样本、检验样本,构建SVM-OAR分类器。提取地块样本(训练集,测试集)的SAR特征数据,由于提取出的各个特征参数的取值范围不同,为了对比方便,对得到的各个特征参数分别进行归一化完成数据格式的转换,便于输入分类器对其进行训练。最后,利用分类器进行分类处理,自地理坐标空间每个待分类的对象开始,在表T的索引下寻找在提取地块对象在对应GF-3 影像上的特征向量,作为属性信息存贮到地理坐标空间的每个地块对象上,遍历地理坐标空间的每个对象利用训练好的SVM进行分类处理。
Claims (7)
1.一种作物制图的方法,具体是一种是基于场联合使用高分2号光学成像和高分三号偏振合成孔径雷达(PolSAR)数据进行作物制图的方法,其特征在于,提出了一种“SAR-光学”数据协同的作物种植结构遥感提取模型。
2.根据要求1所述的“SAR-光学”数据协同的作物种植结构遥感提取模型,其特征在于该模型包括了高空间分辨率图像的多尺度分割,最优分割尺度选择,SAR图像特征提取,最优分类子集获取和使用SVM面向对象的图像分析四个部分,利用GaoFen-2号影像提供的农田地块结构的“图”信息和GaoFen-3号影像提供的地物特性的极化散射、纹理等信息协同处理,以实现对作物类型的准确判别和种植面积提取。
3.根据要求2所述的高空间分辨率图像的多尺度分割,其特征在于,采用了最小异质性区域合并算法,它是一种自下而上的分割方法,通过识别像元之间的相似性,使相邻相似像元合并形成影像对象。区域异质性h包括光谱异质性和形状异质性两个方面,形状异质性包括紧致度(compactness)和光滑度,异质性h计算公式为:
h=w1×hc+(1-w1)×hs
其中,hc为光谱差异性,hs为形状差异性,w1为光谱权重。
4.根据要求2所述的最优分割尺度选择,其特征在于,本发明基于局部方差法选择耕地范围的最优分割尺度,采用所选择的每个尺度对农用地进行分割并计算每个分割尺度所对应的耕地对象均值方差,以指导影像分割最大限度地接近理想状态。
其中,vb为均值方差值,xb是影像对象在波段b上的灰度均值,xbi是影像对象内像素点i在波段b上的灰度均值,n是像素个数,是影像对象在波段b上的灰度均值,m是影像对象个数。
5.根据要求2所述的SAR图像特征提取,其特征在于,采用多种极化分解方法对研究区的Pol SAR数据进行极化分解,并提取其纹理特征和极化特征参数共56种特征分量,建立高维特征空间。发展一种鲁棒、自动的最优特征提取算法,采用基于类内聚集度和类间离散度评价准则针对不同作物的识别提取最有特征子集,以结合多类相关向量机这一鲁棒性强的分类器,构建基于多源遥感数据的作物自动识别框架;实现高精度物候期识别。
6.根据要求2所述的最优分类子集获取,其特征在于,本发明发展了一种基于类内聚集度和类间离散度的特征集提取方法,按照与分类有关的评价准则从高维特征中挑选最有效的特征集。该方法首先给出了一种类内聚集度和类间离散度的定义,并提出一种基于类内聚集度和类间离散度的特征集评价准则函数,基于该准则,采用蒙特卡洛采样法从原始特征集中初步挑选出较优的特征子集;其次,通过生成相干矩阵去除相关性较大的特征,得到最终的最优特征子集。通过以上步骤有效降低特征向量的维数,提高识别效率。该方法的过程如下:
将每种农作物类型看成一个独立的类别,当在某一特征上,各地物类内聚合度较高,且类间离散度较大时,可以认为该特征有区分这些地物的能力。因此,通过计算某个特征上各类农作物的类内聚合度Cnii和类间离散度Dnij,确立最优特征选择的定量标准。首先建立基于类内聚集度和类间离散度的特征集评价准则,本研究使用类内聚合因子和类间离散因子,来刻画地物的类内聚合度和类间离散度。
定义1 第n维特征对应的第i类农作物的类内聚合度Cnii为:
式中,n为特征向量的维数,是第i类农作物的第n维特征的第k个样本向量,k=1,2,...,N, 是的期望值,||·||2为对某个向量求2-Norm。
定义2 第n维特征对应的第i类与第j类农作物的类间离散度Cnij为:
式中,和分别是和的期望值。
定义3 结合定义1和定义2,可以得到同时刻画类内聚合度和类间离散度的判别函数Gnij:
Gnij=Dnij/(Cnii+Cnjj)
如果待识别农作物有S类(S≥2),考虑识别的复杂度,选择的特征子集维数越低越好。此外,在特征值参与分类的过程中,同类样本尽可能紧凑,不同样本尽可能分散,即判别函数Gnij越大越好。由此,根据定义3给出的判别函数,设计评价特征集质量的准则函数fn为:
由式可知,各地物类型间的类间离散度Dnij越大,准则函数fn值越大,各地物类型的类内聚合度Cnii越小,准则函数fn值越大。因此,准则函数fn值越大,表明该特征区分地物类型的能力越好。
在上述构建的准则函数fn的基础上,使用蒙特卡洛随机抽样算法选择最优特征子集,以降低分类识别的特征维数,提高分类效率和准确率,如下processing chain所示。
由于一些特征之间可能存在相关性,需要进一步去除相关性强的冗余特征。两个变量间相关性的强弱可以用相关系数表示,对于多个向量之间的相关程度可以用相关系数矩阵表示,通过分析特征参数间的相关性,删除具有相似分类能力的特征参数。首先,根据上述提取的特征子集构造特征参数矩阵M,M=[X1,X2,...,Xn′],其中Xi为m×1矩阵,m为样本数,n′为特征维数。可以得到矩阵M
计算特征参数矩阵M中每一列间的相关系数,得到参数矩阵M的相关系数矩阵P:
由于两向量间的相关性rij=rji,因此相关系数矩阵P为对称方阵,因此仅需要分析P的上三角矩阵即可。判断相关系数矩阵中的元素值rij与阈值T大小关系,若rij>T则说明特征参数矩阵M中的元素Xi和Xj具有较强的相关性,删除矩阵M中的第i(或第j)维特征,得到最终的最优特征子集。
7.根据要求2所述的使用SVM面向对象的图像分类,其特征在于,利用SVM模型对遥感图像分类需要考虑设置SVM模型参数,它包括核函数类型的选择和核函数参数的选择。本文选用RBF函数作为核函数。分类的最小单元是由影像分割得到的同质影像对象(耕地地块),对经过高精度配准的GaoFen-2号影像和GaoFen-3号影像做以下协同处理,利用SVM分离器进行面向对象分类:
由于地块数据位于地理坐标空间,GF-3影像位于影像坐标空间,首先需对GF-3影像重采样到和GaoFen-2号影像相同的空间分辨率,建立重采样查找表,即GF-3影像坐标空间到地理坐标空间的查找表T。
(i,j)=T(Lat,Long,Z)
其中,(i,j)表示每个GF-3像元在影像坐标空间的位置;Lat,Long,Z分别为地理坐标空间的经度、纬度和高程。其次,将每个矢量地块数据分别按照GF-3影像对应的T转换到相应的GF-3影像坐标空间,作为训练样本、检验样本的多边形数据在影像坐标空间的位置即可确定,该多边形以分割后得到的地块对象作为样本的选择单元。按多边形提取训练样本、检验样本,构建SVM-OAR分类器。提取地块样本(训练集,测试集)的SAR特征数据,由于提取出的各个特征参数的取值范围不同,为了对比方便,对得到的各个特征参数分别进行归一化完成数据格式的转换,便于输入分类器对其进行训练。最后,利用分类器进行分类处理,自地理坐标空间每个待分类的对象开始,在表T的索引下寻找在提取地块对象在对应GF-3
影像上的特征向量,作为属性信息存贮到地理坐标空间的每个地块对象上,遍历地理坐标空间的每个对象利用训练好的SVM进行分类处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318562.3A CN110189616A (zh) | 2019-04-19 | 2019-04-19 | 基于场联合使用高分二号和高分三号进行作物制图的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318562.3A CN110189616A (zh) | 2019-04-19 | 2019-04-19 | 基于场联合使用高分二号和高分三号进行作物制图的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110189616A true CN110189616A (zh) | 2019-08-30 |
Family
ID=67714789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910318562.3A Pending CN110189616A (zh) | 2019-04-19 | 2019-04-19 | 基于场联合使用高分二号和高分三号进行作物制图的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189616A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN112541933A (zh) * | 2020-12-09 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种农田边界及种植结构的提取方法 |
-
2019
- 2019-04-19 CN CN201910318562.3A patent/CN110189616A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN111598019B (zh) * | 2020-05-19 | 2023-05-26 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN112541933A (zh) * | 2020-12-09 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种农田边界及种植结构的提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reis et al. | Identification of hazelnut fields using spectral and Gabor textural features | |
Lu et al. | A survey of image classification methods and techniques for improving classification performance | |
Korpela et al. | Tree species classification using airborne LiDAR–effects of stand and tree parameters, downsizing of training set, intensity normalization, and sensor type | |
Lucas et al. | Retrieving forest biomass through integration of CASI and LiDAR data | |
CN107084688A (zh) | 一种基于地块尺度的农作物面积动态变化遥感监测方法 | |
Sun et al. | Characterizing tree species of a tropical wetland in southern china at the individual tree level based on convolutional neural network | |
CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
Sharma et al. | Geospatial technology in agroforestry: status, prospects, and constraints | |
CN110309781A (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
Tang et al. | Definition and measurement of tree cover: A comparative analysis of field-, lidar-and landsat-based tree cover estimations in the Sierra national forests, USA | |
Aplin et al. | Advances in object-based image classification | |
Yancho et al. | Fine-scale spatial and spectral clustering of UAV-acquired digital aerial photogrammetric (DAP) point clouds for individual tree crown detection and segmentation | |
He et al. | Auto recognition of navigation path for harvest robot based on machine vision | |
Tan et al. | Assessment of grass lodging using texture and canopy height distribution features derived from UAV visual-band images | |
CN110189616A (zh) | 基于场联合使用高分二号和高分三号进行作物制图的方法 | |
Roth et al. | Automated detection of individual clove trees for yield quantification in northeastern Madagascar based on multi-spectral satellite data | |
Fauvel et al. | Detection of hedges in a rural landscape using a local orientation feature: from linear opening to path opening | |
Katoh et al. | Application of high-resolution airborne data using individual tree crowns in Japanese conifer plantations | |
Zurita-Milla et al. | Identifying crops in smallholder farms using time series of WorldView-2 images | |
Kupková et al. | Towards reliable monitoring of grass species in nature conservation: Evaluation of the potential of UAV and PlanetScope multi-temporal data in the Central European tundra | |
Izquierdo-Verdiguier et al. | On the use of guided regularized random forests to identify crops in smallholder farm fields | |
Zhang et al. | UAV mission height effects on wheat lodging ratio detection | |
Babykalpana et al. | Classification of land use land cover change detection using remotely sensed data | |
Marcal et al. | Evaluation of satellite image segmentation using synthetic images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190830 |
|
WD01 | Invention patent application deemed withdrawn after publication |