CN110796001A - 一种卫星影像覆膜农田识别与提取方法及系统 - Google Patents

一种卫星影像覆膜农田识别与提取方法及系统 Download PDF

Info

Publication number
CN110796001A
CN110796001A CN201910897077.6A CN201910897077A CN110796001A CN 110796001 A CN110796001 A CN 110796001A CN 201910897077 A CN201910897077 A CN 201910897077A CN 110796001 A CN110796001 A CN 110796001A
Authority
CN
China
Prior art keywords
farmland
image data
film
original image
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.)
Granted
Application number
CN201910897077.6A
Other languages
English (en)
Other versions
CN110796001B (zh
Inventor
曾奥丽
张红艳
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.)
JIAHE TECHNOLOGY Co Ltd WUHAN
Original Assignee
JIAHE TECHNOLOGY Co Ltd WUHAN
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 JIAHE TECHNOLOGY Co Ltd WUHAN filed Critical JIAHE TECHNOLOGY Co Ltd WUHAN
Priority to CN201910897077.6A priority Critical patent/CN110796001B/zh
Publication of CN110796001A publication Critical patent/CN110796001A/zh
Application granted granted Critical
Publication of CN110796001B publication Critical patent/CN110796001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • 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
    • 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
    • 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
    • G06V10/58—Extraction of image or video features relating to hyperspectral data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及农业遥感测绘技术领域，尤其涉及一种卫星影像覆膜农田识别与提取方法及系统。包括获取Sentinel‑2卫星原始影像数据，对所述原始影像数据预处理；根据预处理后的原始影像数据计算不同地物的光谱特征参量差异，选择典型地物特征确定分类阈值，构建决策树分类模型；运行所述决策树分类模型，根据分类阈值，提取覆膜农田分布信息。本发明实施例根据预处理后的原始影像数据计算不同地物的光谱特征差异，选择典型地物特征构建决策树，确定分类阈值，从而能够实现快速准确提取覆膜农田信息。

Description

一种卫星影像覆膜农田识别与提取方法及系统
技术领域
本发明涉及农业遥感测绘技术领域，尤其涉及一种卫星影像覆膜农田识别与提取方法及系统。
背景技术
地膜覆盖栽培是重要的农业实践，随着精准农业的发展，对覆膜农田分布和面积的提取需求越来越多，遥感影像分类技术是覆膜农田监测的重要手段。在农业种植中，准确识别和获取覆膜农田的空间分布信息，对开展覆膜农田农作物种植面积获取、作物产量预估、农作物物候监测等都具有重要的意义。
目前国内外对覆膜农田的识别和提取方法主要有，采用MODIS、Landsat-TM影像进行覆膜农田的识别，例如Pietro基于Landsat TM影像，采用平行六面体方法进行覆膜农田的信息提取，并用SAR影像来检验其分类精度；陆丽珍等以Landsat-5TM多光谱影像为基础，建立决策树阈值分类法提取1998、2007和2011年新疆地区地膜棉花信息，提取精度达到90％；哈斯图亚利用多源光学影像Landsat-8、GF1-1以及将光学影像与雷达数据Radarsat-2相结合来识别地膜覆盖农田，并用随机森林和支持向量机的方法提取覆膜农田的范围，结果表明单独用光学影像或雷达数据提取覆膜农田信息时，精度都很差，但将光学影像与雷达数据相结合其他覆膜农田信息时精度明显提高。Sentinel-2卫星是欧空局发射的高分辨率卫星影像，包含13个多光谱波段，覆盖可见光、近红外波段和短波红外，空间分辨率最高为10米。Sentinel-2A和Sentinel-2B星座组合重访周期在赤道地区为5天，中纬度地3天。Sentinel-2卫星影像在地物识别，农作物信息提取，植被特征监测等方面已有广泛的应用。
现有技术存在的不足之处在于：对覆膜农田的识别和提取研究基础非常薄弱，由于覆膜农田在遥感影像上所呈现特征的特殊性，利用遥感技术难以在大范围内快速而准确的识别和提取覆膜农田的信息；
发明内容
为克服现有技术存在的不足，本发明实施例提供一种卫星影像覆膜农田识别与提取方法及系统，利用遥感技术在大范围内快速而准确的识别和提取覆膜农田的信息。
一方面，本发明实施例提供了一种卫星影像覆膜农田识别与提取方法，包括以下步骤：
S1，获取Sentinel-2卫星原始影像数据，对所述原始影像数据预处理；具体包括将所述原始影像数据预处理成空间分辨率为10米的可见光、红边、近红外和短波红外在内的ENVI标准格式影像数据；
S2，根据预处理后的原始影像数据计算不同地物的光谱特征参量差异，选择典型地物特征确定分类阈值，构建决策树分类模型；
S3，运行所述决策树分类模型，根据分类阈值，提取覆膜农田分布信息。
其中，所述步骤S2中光谱特征参量包括植被特征参量NDVI和覆膜农田特征参量SWVI。
其中，所述植被特征参量NDVI计算公式如下式：
Figure BDA0002210593940000021
其中ρNIR为近红外波段地表反射率，ρRed为红波段地表反射率；所述覆膜农田特征参量SWVI计算公式如下式：
Figure BDA0002210593940000022
其中ρSWIR 1为所述预处理后的原始影像数据中短波红外波段B11的地表反射率，ρSWIR2为所述预处理后的原始影像数据中短波红外波段B12的地表反射率，ρNIR为近红外波段地表反射率。
其中，所述步骤S2中分类阈值包括：n1为统计植被与非植被区域阈值，n2为水体房屋非植被与裸地、覆膜农田、盐碱地的阈值，n3为统计的得到的覆膜农田与裸地以及其他盐碱地的阈值；具体包括NDVI<n1，为非植被地类，ρSWIR2<n2，为剔除水体和房屋建筑类非植被区，SWVI>n3，为覆膜农田。
另一方面，本发明实施例提供了一种卫星影像覆膜农田识别与提取系统，包括：
数据预处理模块，获取Sentinel-2卫星原始影像数据，对所述原始影像数据预处理；具体包括将所述原始影像数据预处理成空间分辨率为10米的可见光、红边、近红外和短波红外在内的ENVI标准格式影像数据；
数据计算模块，根据预处理后的原始影像数据计算不同地物的光谱特征参量差异，选择典型地物特征确定分类阈值，构建决策树分类模型；
数据输出模块，运行所述决策树分类模型，根据分类阈值，提取覆膜农田分布信息。
其特征在于，所述数据计算模块中光谱特征参量包括植被特征参量NDVI和覆膜农田特征参量SWVI。
其中，所述植被特征参量NDVI计算公式如下式：
其中ρNIR为近红外波段地表反射率，ρRed为红波段地表反射率；所述覆膜农田特征参量SWVI计算公式如下式：
Figure BDA0002210593940000032
其中ρSWIR 1为所述预处理后的原始影像数据中短波红外波段B11的地表反射率，ρSWIR2为所述预处理后的原始影像数据中短波红外波段B12的地表反射率，ρNIR为近红外波段地表反射率。
其中，所述数据计算模块中分类阈值包括：n1为统计植被与非植被区域阈值，n2为水体房屋非植被与裸地、覆膜农田、盐碱地的阈值，n3为统计的得到的覆膜农田与裸地以及其他盐碱地的阈值；具体包括NDVI<n1，为非植被地类，ρSWIR2<n2，为剔除水体和房屋建筑类非植被区，SWVI>n3，为覆膜农田。
本发明实施例提供了一种卫星影像覆膜农田识别与提取方法及系统，根据预处理后的原始影像数据计算不同地物的光谱特征差异，选择典型地物特征构建决策树，确定分类阈值，从而能够实现快速准确提取覆膜农田信息。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种卫星影像覆膜农田识别与提取方法流程示意图；
图2为本发明实施例新疆某棉花种植区提取得到的覆膜农田分布图；
图3为本发明实施例一种卫星影像覆膜农田识别与提取系统结构示意图；
附图标记：
数据预处理模块-1 数据计算模块-2 数据输出模块-3。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例一种卫星影像覆膜农田识别与提取方法流程示意图，图2为本发明实施例新疆某棉花种植区提取得到的覆膜农田分布图；如图1所示，包括以下步骤：
S1，获取Sentinel-2卫星原始影像数据，对原始影像数据预处理；具体包括将原始影像数据预处理成空间分辨率为10米的可见光、红边、近红外和短波红外在内的ENVI标准格式影像数据；
S2，根据预处理后的原始影像数据计算不同地物的光谱特征参量差异，选择典型地物特征确定分类阈值，构建决策树分类模型；
S3，运行决策树分类模型，根据分类阈值，提取覆膜农田分布信息。
具体地，本发明实施例以新疆某棉花种植地区为例，从欧空局官方网站上下载Sentinel-2卫星原始影像数据，所选影像时期为棉花地膜覆膜初期一期，时间为每年4月下旬-5月上旬。利用欧空局发布的专门用于处理Sentinel-2卫星原始影像数据的插件sen2cor，对原始影像数据的L1C数据进行辐射定标转化成L2A级数据，再结合官方发布的SNAP软件对处理后的数据进行格式转换ENVI标准格式的单波段数据；将空间分辨率为10米的近红外、红波段、绿波段和蓝波段进行主成分分析，选取特征值最大的波段作为全色波段，与其他空间分辨率为20米的红边和短波红外波段影像融合，最终得到空间分辨率为10米的包括可见光、红边、近红外和短波红外在内的ENVI标准格式影像。利用预处理后的原始影像数据计算得到不同地物的光谱特征参量；根据不同地物的光谱特征差异，选择典型地物特征构建决策树；依据抽样统计原理选取覆膜农田、裸地、植被、水体、林地、盐碱地的样本，统计样本区的单波段光谱值和不同地物的光谱特征参量值，并对光谱特征参量值进行统计分析，确定分类阈值，进而建立决策树分类模型；如图2所示，运行决策树模型，得到分类结果，从分类结果中提取得到新疆某棉花种植区覆膜农田分布图。
本发明实施例提供了一种卫星影像覆膜农田识别与提取方法，根据预处理后的原始影像数据计算不同地物的光谱特征差异，选择典型地物特征构建决策树，确定分类阈值，从而能够实现快速准确提取覆膜农田信息。
进一步地，步骤S2中光谱特征参量包括植被特征参量NDVI和覆膜农田特征参量SWVI；选取归一化植被指数NDVI(Normalized Difference Vegetation Index，以下简称NDVI)作为植被特征参量；短波植被指数SWVI(Short wave vegetation index，以下简称SWVI)作为覆膜农田特征参量。
进一步地，植被特征参量NDVI计算公式如下式：
Figure BDA0002210593940000061
其中ρNIR为近红外波段地表反射率，ρRed为红波段地表反射率；所述覆膜农田特征参量SWVI计算公式如下式：
Figure BDA0002210593940000062
其中ρSWIR 1为所述预处理后的原始影像数据中短波红外波段B11的地表反射率，ρSWIR2为所述预处理后的原始影像数据中短波红外波段B12的地表反射率，ρNIR为近红外波段地表反射率。
进一步地，步骤S2中分类阈值包括：n1为统计植被与非植被区域阈值，n2为水体房屋非植被与裸地、覆膜农田、盐碱地的阈值，n3为统计的得到的覆膜农田与裸地以及其他盐碱地的阈值；具体包括NDVI<n1，为非植被地类，ρSWIR2<n2，为剔除水体和房屋建筑类非植被区，SWVI>n3，为覆膜农田。
本发明实施例提供了一种卫星影像覆膜农田识别与提取方法，根据预处理后的原始影像数据计算不同地物的光谱特征差异，选择典型地物特征构建决策树，确定分类阈值，从而能够实现快速准确提取覆膜农田信息；构建光谱特征参量，强化地膜特征，消除由于形态特征与地膜混淆的其他地物的影响，受区域限制较小，可推广性强；采用Sentinel-2卫星影像数据为原始数据源，提高空间影像分辨率和分类精度；地膜覆盖前期的单时期影像即可完成，节约影像成本和时间成本；同时地膜覆盖初期即可提取覆膜农田信息，即可在覆膜农作物种植早期获取其种植分布和面积，对农作物后期管理具有重要意义。
基于上述实施例，图3为本发明实施例一种卫星影像覆膜农田识别与提取系统结构示意图；如图3所示，包括：
数据预处理模块1，获取Sentinel-2卫星原始影像数据，对所述原始影像数据预处理；具体包括将所述原始影像数据预处理成空间分辨率为10米的可见光、红边、近红外和短波红外在内的ENVI标准格式影像数据；
数据计算模块2，根据预处理后的原始影像数据计算不同地物的光谱特征参量差异，选择典型地物特征确定分类阈值，构建决策树分类模型；
数据输出模块3，运行所述决策树分类模型，根据分类阈值，提取覆膜农田分布信息。
本发明实施例提供了一种卫星影像覆膜农田识别与提取系统用于执行上述方法，根据预处理后的原始影像数据计算不同地物的光谱特征差异，选择典型地物特征构建决策树，确定分类阈值，从而能够实现快速准确提取覆膜农田信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种卫星影像覆膜农田识别与提取方法，其特征在于，包括以下步骤：
S1，获取Sentinel-2卫星原始影像数据，对所述原始影像数据预处理；具体包括将所述原始影像数据预处理成空间分辨率为10米的可见光、红边、近红外和短波红外在内的ENVI标准格式影像数据；
S2，根据预处理后的原始影像数据计算不同地物的光谱特征参量差异，选择典型地物特征确定分类阈值，构建决策树分类模型；
S3，运行所述决策树分类模型，根据分类阈值，提取覆膜农田分布信息。
2.根据权利要求1所述的一种卫星影像覆膜农田识别与提取方法，其特征在于，所述步骤S2中光谱特征参量包括植被特征参量NDVI和覆膜农田特征参量SWVI。
3.根据权利要求2所述的一种卫星影像覆膜农田识别与提取方法，其特征在于，所述植被特征参量NDVI计算公式如下式：
Figure FDA0002210593930000011
其中ρNIR为近红外波段地表反射率，ρRed为红波段地表反射率；所述覆膜农田特征参量SWVI计算公式如下式：
Figure FDA0002210593930000012
其中ρSWIR1为所述预处理后的原始影像数据中短波红外波段B11的地表反射率，ρSWIR2为所述预处理后的原始影像数据中短波红外波段B12的地表反射率，ρNIR为近红外波段地表反射率。
4.根据权利要求1所述的一种卫星影像覆膜农田识别与提取方法，其特征在于，所述步骤S2中分类阈值包括：n1为统计植被与非植被区域阈值，n2为水体房屋非植被与裸地、覆膜农田、盐碱地的阈值，n3为统计的得到的覆膜农田与裸地以及其他盐碱地的阈值；具体包括NDVI<n1，为非植被地类，ρSWIR2<n2，为剔除水体和房屋建筑类非植被区，SWVI>n3，为覆膜农田。
5.一种卫星影像覆膜农田识别与提取系统，其特征在于，包括：
数据预处理模块(1)，获取Sentinel-2卫星原始影像数据，对所述原始影像数据预处理；具体包括将所述原始影像数据预处理成空间分辨率为10米的可见光、红边、近红外和短波红外在内的ENVI标准格式影像数据；
数据计算模块(2)，根据预处理后的原始影像数据计算不同地物的光谱特征参量差异，选择典型地物特征确定分类阈值，构建决策树分类模型；
数据输出模块(3)，运行所述决策树分类模型，根据分类阈值，提取覆膜农田分布信息。
6.根据权利要求5所述的一种卫星影像覆膜农田识别与提取系统，其特征在于，所述数据计算模块(2)中光谱特征参量包括植被特征参量NDVI和覆膜农田特征参量SWVI。
7.根据权利要求6所述的一种卫星影像覆膜农田识别与提取系统，其特征在于，所述植被特征参量NDVI计算公式如下式：
Figure FDA0002210593930000021
其中ρNIR为近红外波段地表反射率，ρRed为红波段地表反射率；所述覆膜农田特征参量SWVI计算公式如下式：
其中ρSWIR1为所述预处理后的原始影像数据中短波红外波段B11的地表反射率，ρSWIR2为所述预处理后的原始影像数据中短波红外波段B12的地表反射率，ρNIR为近红外波段地表反射率。
8.根据权利要求5所述的一种卫星影像覆膜农田识别与提取系统，其特征在于，所述数据计算模块(2)中分类阈值包括：n1为统计植被与非植被区域阈值，n2为水体房屋非植被与裸地、覆膜农田、盐碱地的阈值，n3为统计的得到的覆膜农田与裸地以及其他盐碱地的阈值；具体包括NDVI<n1，为非植被地类，ρSWIR2<n2，为剔除水体和房屋建筑类非植被区，SWVI>n3，为覆膜农田。
CN201910897077.6A 2019-09-23 2019-09-23 一种卫星影像覆膜农田识别与提取方法及系统 Active CN110796001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910897077.6A CN110796001B (zh) 2019-09-23 2019-09-23 一种卫星影像覆膜农田识别与提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910897077.6A CN110796001B (zh) 2019-09-23 2019-09-23 一种卫星影像覆膜农田识别与提取方法及系统

Publications (2)

Publication Number Publication Date
CN110796001A true CN110796001A (zh) 2020-02-14
CN110796001B CN110796001B (zh) 2023-04-07

Family

ID=69439669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910897077.6A Active CN110796001B (zh) 2019-09-23 2019-09-23 一种卫星影像覆膜农田识别与提取方法及系统

Country Status (1)

Country Link
CN (1) CN110796001B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111521562A (zh) * 2020-03-19 2020-08-11 航天信德智图（北京）科技有限公司 基于Sentinel-2卫星的棉花植被指数遥感检测方法
CN111523525A (zh) * 2020-07-02 2020-08-11 航天宏图信息技术股份有限公司 农作物分类识别方法、装置和电子设备
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
CN112712038A (zh) * 2020-12-31 2021-04-27 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN112857327A (zh) * 2021-01-06 2021-05-28 华北水利水电大学 一种农田防护林带林木株数遥感识别方法
CN113128453A (zh) * 2021-04-30 2021-07-16 内蒙古工业大学 采用遥感时间序列数据的地膜识别方法、系统以及介质
CN113378848A (zh) * 2021-07-08 2021-09-10 湖南元想科技有限公司 南荻收割区或弃割区分布提取方法、系统及存储介质
CN114219847A (zh) * 2022-02-18 2022-03-22 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质
CN114550005A (zh) * 2022-02-23 2022-05-27 中国林业科学研究院资源信息研究所 一种自然保护区内建筑物识别方法及系统
CN114612794A (zh) * 2022-03-01 2022-06-10 中国农业大学 一种细碎化农业区土地覆被与种植结构的遥感识别方法
CN115641504A (zh) * 2022-10-26 2023-01-24 南京农业大学 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法
CN116805396A (zh) * 2023-08-24 2023-09-26 杭州稻道农业科技有限公司 一种基于卫星遥感的农田杂草精准识别方法及装置
CN112541933B (zh) * 2020-12-09 2024-06-04 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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1763560A (zh) * 2005-10-20 2006-04-26 中国农业科学院农业资源与农业区划研究所 基于modis数据自动探测草原火灾迹地的方法
CN105678281A (zh) * 2016-02-04 2016-06-15 中国农业科学院农业资源与农业区划研究所 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
CN109934770A (zh) * 2019-01-21 2019-06-25 广州地理研究所 基于高分辨率卫星遥感影像的城市不透水面提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1763560A (zh) * 2005-10-20 2006-04-26 中国农业科学院农业资源与农业区划研究所 基于modis数据自动探测草原火灾迹地的方法
CN105678281A (zh) * 2016-02-04 2016-06-15 中国农业科学院农业资源与农业区划研究所 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
CN109934770A (zh) * 2019-01-21 2019-06-25 广州地理研究所 基于高分辨率卫星遥感影像的城市不透水面提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
凌子燕 等: "基于 ＲBF 神经网络的城市森林碳储量遥感建模与动态变化分析", 《林业资源管理》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111521562A (zh) * 2020-03-19 2020-08-11 航天信德智图（北京）科技有限公司 基于Sentinel-2卫星的棉花植被指数遥感检测方法
CN111523525A (zh) * 2020-07-02 2020-08-11 航天宏图信息技术股份有限公司 农作物分类识别方法、装置和电子设备
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
CN112541933B (zh) * 2020-12-09 2024-06-04 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
CN112712038A (zh) * 2020-12-31 2021-04-27 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN112712038B (zh) * 2020-12-31 2024-05-28 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN112857327A (zh) * 2021-01-06 2021-05-28 华北水利水电大学 一种农田防护林带林木株数遥感识别方法
CN113128453A (zh) * 2021-04-30 2021-07-16 内蒙古工业大学 采用遥感时间序列数据的地膜识别方法、系统以及介质
CN113378848B (zh) * 2021-07-08 2024-01-30 湖南元想科技有限公司 南荻收割区或弃割区分布提取方法、系统及存储介质
CN113378848A (zh) * 2021-07-08 2021-09-10 湖南元想科技有限公司 南荻收割区或弃割区分布提取方法、系统及存储介质
CN114219847A (zh) * 2022-02-18 2022-03-22 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质
CN114219847B (zh) * 2022-02-18 2022-07-01 清华大学 基于物候特征的作物种植面积确定方法、系统及存储介质
CN114550005A (zh) * 2022-02-23 2022-05-27 中国林业科学研究院资源信息研究所 一种自然保护区内建筑物识别方法及系统
CN114612794A (zh) * 2022-03-01 2022-06-10 中国农业大学 一种细碎化农业区土地覆被与种植结构的遥感识别方法
CN114612794B (zh) * 2022-03-01 2024-06-07 中国农业大学 一种细碎化农业区土地覆被与种植结构的遥感识别方法
CN115641504A (zh) * 2022-10-26 2023-01-24 南京农业大学 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法
CN116805396B (zh) * 2023-08-24 2023-12-29 杭州稻道农业科技有限公司 一种基于卫星遥感的农田杂草精准识别方法及装置
CN116805396A (zh) * 2023-08-24 2023-09-26 杭州稻道农业科技有限公司 一种基于卫星遥感的农田杂草精准识别方法及装置

Also Published As

Publication number Publication date
CN110796001B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及系统
CN107389036B (zh) 一种结合无人机影像的大空间尺度植被覆盖度计算方法
CN113033670B (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
CN114821362B (zh) 一种基于多源数据的水稻种植面积提取方法
CN113009485A (zh) 一种基于改进植被指数的遥感烟田识别方法
CN109389049A (zh) 基于多时相sar数据与多光谱数据的作物遥感分类方法
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN102829739A (zh) 一种面向对象的作物叶面积指数遥感反演方法
CN109919083A (zh) 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
CN112712038B (zh) 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
Zhang et al. Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images
CN111345214A (zh) 一种基于卫星影像数据的新疆棉花区域识别方法及系统
Ahmad A review of remote sensing data change detection: Comparison of Faisalabad and Multan Districts, Punjab Province, Pakistan
CN113029971A (zh) 一种作物冠层氮素监测方法及系统
Dell et al. Detection of necrotic foliage in a young Eucalyptus pellita plantation using unmanned aerial vehicle RGB photography–a demonstration of concept
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
CN113052102A (zh) 基于无人机多光谱影像的农田管理分区方法及装置
CN110765977A (zh) 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法
CN116543316A (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
CN109377476B (zh) 遥感影像云检测特征参数的动态阈值获取方法及装置
CN113421273B (zh) 林草搭配信息遥感提取方法及装置
Chen et al. 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing
CN113534083A (zh) 基于sar的玉米留茬方式识别方法、装置和介质
CN112632796A (zh) 氮含量确定方法、作业方法、装置、电子设备及存储介质
CN116205678A (zh) 基于遥感自动化解译的农用地实物量调查和价值量估算方法

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