CN110245694A - 一种基于高分遥感影像分割的西北地区农膜信息分析方法 - Google Patents
一种基于高分遥感影像分割的西北地区农膜信息分析方法 Download PDFInfo
- Publication number
- CN110245694A CN110245694A CN201910460730.2A CN201910460730A CN110245694A CN 110245694 A CN110245694 A CN 110245694A CN 201910460730 A CN201910460730 A CN 201910460730A CN 110245694 A CN110245694 A CN 110245694A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- remote sensing
- northwest
- high score
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims description 17
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 15
- 239000000523 sample Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 244000025254 Cannabis sativa Species 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 210000004907 gland Anatomy 0.000 claims description 2
- 239000013074 reference sample Substances 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 150000003839 salts Chemical class 0.000 abstract description 4
- 238000012732 spatial analysis Methods 0.000 abstract description 4
- 239000006185 dispersion Substances 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 241000209140 Triticum Species 0.000 description 10
- 235000021307 Triticum Nutrition 0.000 description 10
- 239000002362 mulch Substances 0.000 description 6
- 238000009313 farming Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 244000228451 Stevia rebaudiana Species 0.000 description 1
- 235000006092 Stevia rebaudiana Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明专利提供一种基于高分遥感影像分割的西北地区农膜信息分析方法。本发明对获取影像实施多尺度分割,提供一种高分辨率遥感卫星影像最优分割方法,可有效地克服传统的基于像元特征影像分割结果分类精度低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析等缺陷,能够克服现有的遥感影像最优分割结果确定中用单一指标评价带来的不确定性问题,获得整体分割效果最佳的影像分割结果。本发明方法适用于监测范围较大(如10个行政县以上)且分布分散的西北区域,同时克服了基于影像光谱信息人工目视解译的传统提取方法中影像获取困难、数据处理及信息提取工作量大等缺陷。
Description
技术领域
本发明专利涉及一种基于高分遥感影像分割的西北地区农膜信息分析方法,尤其是大区域的地膜信息提取方法。
背景技术
传统的现场调查测量的监测方法,受天气影响大,耗费大量的人力物力,但仍然难以得到准确的监测结果。高分辨率遥感影像具有覆盖范围广、多时相、周期短等特点,在地膜提取工作中可以克服现场调查的不足。
刚覆膜的地块在遥感影像上具有明显的光谱特征。在监测范围小且集中的情况下,利用 ISO 聚类非监督分类、最大似然法、面向对象的分类方法等多种方法,结合人工目视判读进行对比分析,将覆膜地块提取出来,这种方法属于直接法。而当监测范围较大(如 10个行政县以上)且分布分散时,上述直接法存在的限制因素有:
1、影像上能体现地膜特征的时间段 10 天左右,在监测范围大且分散的情况下,卫星在短时间内难以获取到全覆盖数据。
2、由于农业种植的复杂性和多样性,不同县、不同乡之间的地膜铺设时间点不一定相同,同一张卫星影像上,不能保证所有需要覆膜的地块都已经铺设完成,需要基于时间序列影像,提取所有的覆膜地块,其合集为覆膜结果。卫星影像的获取能力难以满足需求。
3、多数经济作物(如大田蔬菜、甜叶菊等)种植的是已育好的苗,地膜被作物遮盖,此类经济作物地块体现的一直是作物的特征。
结合地膜提取工作的实际情况和外业核查,提出一种基于高分遥感影像多尺度分割的西北地区地膜信息提取方法。由于本方法和种植结构关系紧密,本方法的适用范围定在西北地区。
传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富,地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像,传统的分类方法,就会造成分类精度降低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析。为解决这一传统难题,模糊分类技术应运而生。模糊分类是一种图像分类技术,它是把任意范围的特征值转换为0 到1 之间的模糊值,这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值,即使对于不同的范围和维数的特征值组合,模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。对于影像分类来说,基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类,这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的,很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。面向对象的处理方法中最重要的一部分是图像分割。
发明内容
为了克服基于影像光谱信息人工目视解译的传统提取方法中影像获取困难、数据处理及信息提取工作量大等缺陷,本发明提供一种基于高分遥感影像分割的西北地区农膜信息分析方法,同时提供一种高分辨率遥感影像最优分割方法,可有效地克服传统的基于像元特征影像分割结果分类精度低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析等缺陷,获得整体分割效果最佳的影像分割结果。其步骤包括:高分遥感影像分割、特征计算、规则集提取、实地调查、农膜面积核算;本方法的适用范围定在西北地区。
高分遥感影像分割时应尽量保证每个影像对象内仅包含一类地物,力求分割出的影像对象大小合适,通过不断测试获取影像的最佳分割尺度。测试获取影像的最佳分割尺度的方法步骤为:
a、选取高分遥感影像,选择RGB三波段并进行拉伸处理,采用同等组滤波方法对影像进行平滑处理,能够有效移除噪声,并且能在边缘和细节不模糊的情况下平滑彩色图像;同时利用获得的同等组得到矢量量化过程中的权重信息;
b、利用 Mean Shift 算法对图像中的像素进行聚类,即把收敛到同一点的起始点归为一类,然后把这一类的标号赋给这些起始点,同时把包含像素点太少的类去掉;然后,采用阈值化分割的方法对图像进行二值化处理,实现影像的初步分割结果;
c、针对初步分割结果,计算不同分割标准(光谱、纹理、形状等)下的不同类别对象的异质性和同类别对象的同质性,调整分割尺度,当同类别对象间的同质性和不同类别对象间的异质性达到最大值时,我们得到影像的最优分割尺度;
d、经过同等组滤波的遥感影像进行颜色量化,得到类图,再计算影像在不同分割标准下的异质性 H,对于初始分割的区域,每一个区域与多个区域相邻,区域与区域间是多对多的关系,得到区域邻接图 RAG;
e、对初始分割后的影像,根据某一分割标准下的异质性 H 排序,选取 H 最小的作为种子区域 A 进行合并,合并后更新 A 的拓扑关系,并重新计算异质性;重复此过程,直至异质性 H 达到步骤 c 中所计算的最优分割尺度的异质性值,进入下一分割标准的计算;
f、最终得到多尺度的影像分割结果。
获取影像最佳分割尺度的均质性标准主要包括形状因子和平滑度因子,形状因子和平滑度因子范围分别为 0.1-0.4 和 0.5-0.8。
特征计算主要包含光谱特征、几何特征、纹理特征、专题指数特征的计算。
规则集提取是将分割后影像进行类别划分的过程,通过特征计算确定不同地物在不同特征指数下的分布区间,设置不同特征指数的权重形成规则集,确认对象类别。
实地调查是将遥感影像进行初步分割之后,根据分类情况按比例选取易混淆地块和已明确分割地块作为实地调查样方,调查结果部分作为进一步分类的参考样本,部分作为成果精度检查的核查样本。实地核查的主要内容包括县级农作物空间分布及覆膜情况、自然地块边界核实、作物类别核实;
县级农作物空间分布及覆膜情况;标识县级单位主要农作物的种植空间分布规律、作物种类及各种作物覆膜比例、覆膜收膜时间,并通过访谈等形式了解当地种植习惯,记录地形、区位等因素对作物分布和覆膜情况的影响。
自然地块边界核实;自然地块在调查开始前已在室内完成以两米级遥感影像为基础的边界细分工作,实地调查中只需要进行核实,如果发现图上边界与实际有明显不符的需要进行修改并通过与当地人的交流寻求原因。
作物类别核实;实地调查取得的每个县所选取样方压盖(与样方相交的每一个自然地块)的地物信息情况,并按照要求拍摄地物照片。
易混淆地块无法通过特征计算直接进行分类,需要依靠多时相影像的对比、波段组合分析、地形分析、实地调查数据参考等多种手段人工综合分析。
进行多时相影像对比,在单期遥感影像分类的基础上,结合农作物在多期影像表现出的光谱特征进行逻辑判定,确定作物类型;
部分地区的作物空间分布特征会明显受地形影像,根据收集到的各县种植结构及分布特点,结合地形信息,进行地形分析;
进行波段组合分析,通过同一地区(或地物)不同波段图像的不同组合叠加,到达突出图象上不同目标的处理方法,这样即综合了各个波段的不同特性,又扩大了图象的动态范围,使图象上不同类型、形态的地物取得良好的显示效果。
农膜面积核算首选要进行地物类别划分:影像经过初步分割能够直接划分出部分特征明显的作物类别,如冬小麦的物候期与其他作物有着明显的差异,4-5 月份的小麦已基本成熟,在影像上的反馈是墨绿色或暗黑色,由于 4-5 月份其他农作物都刚刚播种,因此墨绿色的地块基本可确认为小麦种植区。不确定部分通过是实地调查和人工综合分析判断出地物类别。
最终农膜面积的统计包括植被面积与对应植被覆膜率乘积之和,公式如下:农膜面积=Σ(植被面积i*覆膜率i )
本发明有益效果:
本发明针对大区域且无法对刚覆膜时间获取有效的影像数据的情况,通过影像分割、实地调查,将农作物分类,再通过作物覆膜特性,反推地膜覆盖面积。
本发明有效地克服传统的基于像元特征影像分割结果分类精度低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析等缺陷,能够克服现有的遥感影像最优分割结果确定中用单一指标评价带来的不确定性问题,获得整体分割效果最佳的影像分割结果。
本发明方法适用于当监测范围较大(如10个行政县以上)且分布分散的西北区域,同时克服了基于影像光谱信息人工目视解译的传统提取方法中影像获取困难、数据处理及信息提取工作量大等缺陷。本发明加入了地面调查环节,结合地面情况和遥感影像,对不能确定的对象,辅以人工综合判定,提高了工作效率和提取结果精度。
说明书附图
图 1 影像分割流程图。
具体实施方式
实施例
本实施例提供一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,其步骤包括:高分遥感影像分割、特征计算、规则集提取、实地调查、农膜面积核算。
首先进行数据预处理,同时收集各县种植结构、覆膜情况,以西北民乐县为例收集情况如下表。(从西北各县情况来看,小麦(包括小麦、大麦、春小麦、冬小麦)均不覆膜,小麦的生长期和其他作物有明显差异,可通过 NDVI 值将小麦分开。
表 1 西北某县种植结构表:
表 2 分类样本
高分遥感影像分割时应尽量保证每个影像对象内仅包含一类地物,力求分割出的影像对象大小合适,通过不断测试获取影像的最佳分割尺度。测试获取影像的最佳分割尺度的方法步骤为:
a、选取高分遥感影像,选择 RGB 三波段并进行拉伸处理,采用同等组滤波方法对影像进行平滑处理,能够有效移除噪声,并且能在边缘和细节不模糊的情况下平滑彩色图像;同时利用获得的同等组得到矢量量化过程中的权重信息;
b、利用 Mean Shift 算法对图像中的像素进行聚类,即把收敛到同一点的起始点归为一类,然后把这一类的标号赋给这些起始点,同时把包含像素点太少的类去掉;然后,采用阈值化分割的方法对图像进行二值化处理,实现影像的初步分割结果;
c、针对初步分割结果,计算不同分割标准(光谱、纹理、形状等)下的不同类别对象的异质性和同类别对象的同质性,调整分割尺度,当同类别对象间的同质性和不同类别对象间的异质性达到最大值时,我们得到影像的最优分割尺度;
d、经过同等组滤波的遥感影像进行颜色量化,得到类图,再计算影像在不同分割标准下的异质性 H,对于初始分割的区域,每一个区域与多个区域相邻,区域与区域间是多对多的关系,得到区域邻接图 RAG;
e、对初始分割后的影像,根据某一分割标准下的异质性 H 排序,选取 H 最小的作为种子区域 A 进行合并,合并后更新 A 的拓扑关系,并重新计算异质性;重复此过程,直至异质性 H 达到步骤 c 所计算的最优分割尺度的异质性值,进入下一分割标准的计算;
f、最终得到多尺度的影像分割结果。
将 RAG 图再进行多尺度分割循环程序,直到获取影像的最佳分割尺度。获取影像最佳分割尺度的均质性标准主要包括形状因子和平滑度因子。形状因子和平滑度因子范围分别为0.2 和 0.6。
然后通过光谱特征、几何特征、纹理特征、专题指数特征的计算,再通过实地调查和人工综合判定,确认农作物类别,来进行农膜面积核算;人工综合判定的方法为:波段组合、多时相对比、地形分析和其他分析;
将墨绿色的地块确认为冬小麦种植区,不确定部分通过是实地调查和人工综合分析判断出地物类别;农膜面积=Σ(植被面积i *覆膜率i)。
以上所述仅为本发明的较佳实施例而已,并非用以限定本发明的实质技术内容范围,本发明的实质技术内容是广义地定义于申请的权利要求范围中,任何他人完成的技术实体或方法,若是与申请的权利要求范围所定义的完全相同,也或是一种等效的变更,均将被视为涵盖于该权利要求范围之中。
Claims (10)
1.一种基于高分遥感影像分割的西北地区农膜信息分析方法,特征在于,其步骤包括:高分遥感影像分割、特征计算、规则集提取、实地调查、人工综合判定、农膜面积核算;方法适用范围为西北地区。
2.根据权利要求 1 所述的一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,高分遥感影像分割时应尽量保证每个影像对象内仅包含一类地物,分割出的影像对象大小合适,通过不断测试获取影像的最佳分割尺度。
3. 根据权利要求 2 所述的一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,测试获取影像的最佳分割尺度的方法步骤为:
a、选取高分遥感影像,选择 RGB 三波段并进行拉伸处理,采用同等组滤波方法对影像进行平滑处理,能够有效移除噪声,并且能在边缘和细节不模糊的情况下平滑彩色图像;同时利用获得的同等组得到矢量量化过程中的权重信息;
b、利用 Mean Shift 算法对图像中的像素进行聚类,即把收敛到同一点的起始点归为一类,然后把这一类的标号赋给这些起始点,同时把包含像素点太少的类去掉;然后,采用阈值化分割的方法对图像进行二值化处理,得到影像的初步分割结果;
c、针对初步分割结果,计算不同分割标准(光谱、纹理、形状等)下的不同类别对象的异质性和同类别对象的同质性,调整分割尺度,当同类别对象间的同质性和不同类别对象间的异质性达到最大值时,我们得到影像的最优分割尺度;
d、经过同等组滤波的遥感影像进行颜色量化,得到类图,再计算影像在不同分割标准下的异质性 H,对于初始分割的区域,每一个区域与多个区域相邻,区域与区域间是多对多的关系,得到区域邻接图 RAG;
e、对初始分割后的影像,根据某一分割标准下的异质性 H 排序,选取 H 最小的作为种子区域 A 进行合并,合并后更新 A 的拓扑关系,并重新计算异质性;重复此过程,直至异质性 H 达到步骤 c 中所计算的最优分割尺度的异质性值,进入下一分割标准的计算;
f、最终得到多尺度的影像分割结果。
4.根据权利要求 2 所述的一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,获取影像最佳分割尺度的均质性标准主要包括形状因子和平滑度因子。
5.根据权利要求 2 所述的一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,形状因子和平滑度因子范围分别为 0.1-0.4 和 0.5-0.8。
6.根据权利要求 1 所述的一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,所述实地调查是将遥感影像进行初步分割之后,根据分类情况按比例选取易混淆地块和已明确分割地块作为实地调查样方,调查结果部分作为进一步分类的参考样本,部分作为成果精度检查的核查样本;实地核查的主要内容包括县级农作物空间分布及覆膜情况、自然地块边界核实、作物类别核实;
所述县级农作物空间分布及覆膜情况包括:标识县级单位主要农作物的种植空间分布规律、作物种类及各种作物覆膜比例、覆膜收膜时间,并通过访谈等形式了解当地种植习惯,记录地形、区位等因素对作物分布和覆膜情况的影响;
所述自然地块边界核实包括:自然地块在调查开始前已在室内完成以两米级遥感影像为基础的边界细分工作,实地调查中只需要进行核实;
所述作物类别核实包括:实地调查取得的每个县所选取样方压盖(与样方相交的每一个自然地块)的地物信息情况,并按照要求拍摄地物照片。
7.根据权利要求 1 所述的一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,人工综合判定是将易混淆地块(无法通过特征计算直接进行分类),依靠多时相影像的对比、波段组合分析、地形分析、实地调查数据参考等多种手段进行人工综合分析。
8.根据权利要求 7 所述的一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,多时相影像对比是在单期遥感影像分类的基础上,结合农作物在多期影像表现出的光谱特征进行逻辑判定,确定作物类型。
9.根据权利要求1所述的一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,农膜面积核算,首选要进行地物类别划分:影像经过初步分割能够直接划分出非耕地类别和部分特征明显的作物类别,不确定部分通过是实地调查和人工综合分析判断出地物类别。
10.根据权利要求1所述的一种基于高分遥感影像分割的西北地区农膜信息分析方法,其特征在于,最终农膜面积的统计包括各植被面积与对应植被覆膜率乘积之和,公式如下:农膜面积=Σ(植被面积i*覆膜率i)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910460730.2A CN110245694A (zh) | 2019-05-30 | 2019-05-30 | 一种基于高分遥感影像分割的西北地区农膜信息分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910460730.2A CN110245694A (zh) | 2019-05-30 | 2019-05-30 | 一种基于高分遥感影像分割的西北地区农膜信息分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245694A true CN110245694A (zh) | 2019-09-17 |
Family
ID=67885364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910460730.2A Pending CN110245694A (zh) | 2019-05-30 | 2019-05-30 | 一种基于高分遥感影像分割的西北地区农膜信息分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245694A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723711A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
CN113240340A (zh) * | 2021-06-10 | 2021-08-10 | 中国农业科学院农业信息研究所 | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268559A (zh) * | 2014-09-15 | 2015-01-07 | 中国科学院东北地理与农业生态研究所 | 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法 |
CN104881868A (zh) * | 2015-05-14 | 2015-09-02 | 中国科学院遥感与数字地球研究所 | 植物群落空间结构提取方法 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
-
2019
- 2019-05-30 CN CN201910460730.2A patent/CN110245694A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268559A (zh) * | 2014-09-15 | 2015-01-07 | 中国科学院东北地理与农业生态研究所 | 基于面向对象和中等分辨率遥感图像的水田与旱地区分方法 |
CN104881868A (zh) * | 2015-05-14 | 2015-09-02 | 中国科学院遥感与数字地球研究所 | 植物群落空间结构提取方法 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
Non-Patent Citations (5)
Title |
---|
李佳雨 等: "多源卫星数据的农用地膜信息提取", 《测绘通报》 * |
王更: "高分辨率遥感影像多尺度分割算法研究与应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
王荣 等: "基于GF-1多尺度多准则地膜覆盖信息自动提取", 《天水师范学院学报》 * |
胡琨菠: "天津市农作物空间分布遥感调查与质量评定方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
陈燕丽 等: "基于面向对象分类的南方水稻种植面积提取方法", 《遥感技术与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723711A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
CN113240340A (zh) * | 2021-06-10 | 2021-08-10 | 中国农业科学院农业信息研究所 | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 |
CN113240340B (zh) * | 2021-06-10 | 2024-04-16 | 中国农业科学院农业信息研究所 | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
Sumesh et al. | Integration of RGB-based vegetation index, crop surface model and object-based image analysis approach for sugarcane yield estimation using unmanned aerial vehicle | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
AU2008345628B2 (en) | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
Cheng et al. | DESTIN: A new method for delineating the boundaries of crop fields by fusing spatial and temporal information from WorldView and Planet satellite imagery | |
CN112818749B (zh) | 一年两熟地区大宗粮油作物复种模式遥感监测方法 | |
CN105893977B (zh) | 一种基于自适应特征选择的水稻制图方法 | |
CN112800973A (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
Sharma et al. | Geospatial technology in agroforestry: status, prospects, and constraints | |
Shu et al. | Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds | |
CN115222296B (zh) | 一种山地绿色覆盖指数动态变化遥感监测方法和系统 | |
Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
CN110245589A (zh) | 一种基于高分遥感影像的西北地区地膜信息综合分析方法 | |
CN114494882A (zh) | 一种基于随机森林的冬小麦遥感识别分析方法和系统 | |
CN110245694A (zh) | 一种基于高分遥感影像分割的西北地区农膜信息分析方法 | |
Makhamreh | Derivation of vegetation density and land-use type pattern in mountain regions of Jordan using multi-seasonal SPOT images | |
Zhang et al. | A comparison of pixel-based and object-based land cover classification methods in an arid/semi-arid environment of northwestern China | |
CN115619286A (zh) | 一种评估育种田间小区样地质量的方法和系统 | |
Wilkinson et al. | Change detection techniques for use in a statewide forest inventory program | |
Hirschmugl | Derivation of forest parameters from UltracamD data | |
Gomez et al. | Sentinel-2 images to assess soil surface characteristics over a rainfed Mediterranean cropping system | |
You et al. | Crop Mapping of Complex Agricultural Landscapes Based on Discriminant Space | |
Luo et al. | Staple crop mapping with Chinese GaoFen-1 and GaoFen-6 satellite images: A case study in Yanshou County, Heilongjiang Province, China | |
Jia et al. | The influence of BRDF effects and representativeness of training data on tree species classification using multi-flightline airborne hyperspectral imagery |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190917 |