CN111199195B - 一种基于遥感图像的池塘状态全自动监测方法和装置 - Google Patents
一种基于遥感图像的池塘状态全自动监测方法和装置 Download PDFInfo
- Publication number
- CN111199195B CN111199195B CN201911367410.9A CN201911367410A CN111199195B CN 111199195 B CN111199195 B CN 111199195B CN 201911367410 A CN201911367410 A CN 201911367410A CN 111199195 B CN111199195 B CN 111199195B
- Authority
- CN
- China
- Prior art keywords
- pond
- image
- remote sensing
- pixel
- condition
- 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
Links
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
- G06V20/13—Satellite images
-
- 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
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于遥感图像的池塘状态全自动监测方法和装置。利用归一化植被指数NDVI和归一化水体指数NDWI以及光谱波段信息,对池塘轮廓边界内的像元类型识别,可有效识别水体、干涸地、水草和浮萍像元,并利用识别结果建立池塘盖度参数,记录每一种盖度信息,用以监测池塘状态。
Description
技术领域
本申请属于遥感监测技术领域,尤其是涉及一种基于遥感图像的池塘状态全自动监测方法和装置。
背景技术
池塘养殖一般是通过筑堤围割海域(湖域)方式而进行的养殖生产,其内部构成主要是水体。池塘的信息状态是水产养殖的基础,及时准确地掌握池塘空间分布及面积变化,是水产养殖实现现代化管理的迫切需要。遥感具有面积量算的优势,应用遥感方法准确量算池塘面积信息,具有重要的现实意义,也是渔业遥感应用的重点方向。
目前池塘的遥感识别方法主要利用单波段阈值法、谱间联系法、光谱指数法、面向对象法等,这些方法与具体的应用和研究区域有关、迁移性较差,需人工确定阈值、并依赖专家经验和已有的参考数据,每种单一的方法难以详尽的提取水体,尤其对于地表复杂多样的区域更是如此。池塘养殖在大尺度空间分布上往往具有集中分布的特点且养殖池周围的筑堤将其划分为网格状的面状地物,主要构成为水体,具有颜色单一、形状规则的特点。深度学习卷积神经网络在特征提取方面,既能学习到颜色、光谱、边缘等底层特征,也能学习到纹理、形状等中级特征。因此,基于深度学习可以精准的从遥感影像上提取池塘信息。基于影像的光谱和纹理信息能够监测池塘的信息状态。池塘的信息状态包括池塘的水量状态、是否干涸、是否有水草、是否有浮萍等。池塘的信息状态为水产养殖的管理提供数据支持。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供一种基于遥感图像的池塘状态全自动监测方法和装置。
本发明解决其技术问题所采用的技术方案是:
一种基于遥感图像的池塘状态全自动监测方法,包括以下步骤:
S1:获取检测区内的至少一年的遥感影像,所述遥感影像包含蓝光、绿光、红光、近红外波段,并计算归一化植被指数和归一化水体指数;
S2:识别出遥感影像上的池塘轮廓,在每一个池塘轮廓边界内统计影像像元个数,分别判断每个影像像元类型:
S3:识别出每个影像像元类型占池塘轮廓边界内总像元类型的百分比,以百分比的最大值标识为当前池塘的类型。
优选地,本发明的基于遥感图像的池塘状态全自动监测方法,S1步骤中,
NDVI、NDWI分别表示归一化植被指数和归一化水体指数,
计算公式如下:
Green、Red、NIR分别表示绿光、红光、近红外波段影像的灰度值。
优选地,本发明的基于遥感图像的池塘状态全自动监测方法,S2步骤中,
若影像像元符合条件1时影像像元类型识别为水体像元,条件1:NDVI<-0.2且NDWI>0.4且NIR<100,并统计像元个数,记为m1;
若影像像元符合条件2时影像像元类型识别为干涸地像元,条件2:NDVI>-0.2且0.4>NDWI>0.2且200>NIR>100,并统计像元个数,记为m2;
若影像像元符合条件3时影像像元类型识别为浮萍像元,条件3:NDVI>-0.05且NDWI<0.2且NIR>200,并统计像元个数,记为m3;
若影像像元符合条件4时影像像元类型识别为水草像元,条件4:NDVI>-0.1且NDWI>0且200<Green<250,并统计像元个数,记为m4。
优选地,本发明的基于遥感图像的池塘状态全自动监测方法,S3步骤中,
以盖度表示百分比,
池塘水体盖度:
池塘干涸盖度:
池塘浮萍覆盖度:
池塘水草覆盖度:
以V1、V2、V3、V4中的最大值标识为当前池塘类型。
优选地,本发明的基于遥感图像的池塘状态全自动监测方法,S1步骤中获取检测区内的一段时间的遥感影像,对每张遥感影像的池塘轮廓边界进行识别,分别记录一段时间内的池塘轮廓边界的变化、池塘类型变化和盖度变化。
本发明还提供一种基于遥感图像的池塘状态全自动监测装置,包括:
影像获取模块:获取检测区内的至少一年的遥感影像,所述遥感影像包含蓝光、绿光、红光、近红外波段,并计算归一化植被指数和归一化水体指数;
池塘轮廓识别模块:识别出遥感影像上的池塘轮廓,在每一个池塘轮廓边界内统计影像像元个数,分别判断每个影像像元类型:
类型判别模块:识别出每个影像像元类型占池塘轮廓边界内总像元类型的百分比,以百分比的最大值标识为当前池塘的类型。
优选地,本发明的基于遥感图像的池塘状态全自动监测装置,影像获取模块中,
NDVI、NDWI分别表示归一化植被指数和归一化水体指数,
计算公式如下:
Green、Red、NIR分别表示绿光、红光、近红外波段影像的灰度值。
优选地,本发明的基于遥感图像的池塘状态全自动监测装置,池塘轮廓识别模块中,
若影像像元符合条件1时影像像元类型识别为水体像元,条件1:NDVI<-0.2且NDWI>0.4且NIR<100,并统计像元个数,记为m1;
若影像像元符合条件2时影像像元类型识别为干涸地像元,条件2:NDVI>-0.2且0.4>NDWI>0.2且200>NIR>100,并统计像元个数,记为m2;
若影像像元符合条件3时影像像元类型识别为浮萍像元,条件3:NDVI>-0.05且NDWI<0.2且NIR>200,并统计像元个数,记为m3;
若影像像元符合条件4时影像像元类型识别为水草像元,条件4:NDVI>-0.1且NDWI>0且200<Green<250,并统计像元个数,记为m4。
优选地,本发明的基于遥感图像的池塘状态全自动监测装置,类型判别模块中,
以盖度表示百分比,
池塘水体盖度:
池塘干涸盖度:
池塘浮萍覆盖度:
池塘水草覆盖度:
以V1、V2、V3、V4中的最大值标识为当前池塘类型。
优选地,本发明的基于遥感图像的池塘状态全自动监测装置,影像获取模块中获取检测区内的一段时间的遥感影像,对每张遥感影像的池塘轮廓边界进行识别,分别记录一段时间内的池塘轮廓边界的变化、池塘类型变化和盖度变化。
本发明的有益效果是:
利用归一化植被指数NDVI和归一化水体指数NDWI以及光谱波段信息,对池塘轮廓边界内的像元类型识别,可有效识别水体、干涸地、水草和浮萍像元,并利用识别结果建立池塘盖度参数,记录每一种盖度信息,用以监测池塘状态。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是基于遥感图像的池塘状态全自动监测方法的技术流程图;
图2是池塘轮廓边界识别结果图;
图3是二次预测结果与合并后结果图;
图4是池塘状态监测结果图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种基于遥感图像的池塘状态全自动监测方法,如图1所示,包括:
S1:获取检测区内的遥感影像,所述遥感影像包含蓝光、绿光、红光、近红外波段,并计算归一化植被指数和归一化水体指数,计算公式如下:
Green、Red、NIR分别表示绿光、红光、近红外波段影像的灰度值,NDVI、NDWI分别表示归一化植被指数和归一化水体指数;
S2:识别出遥感影像上的池塘轮廓,在每一个池塘轮廓边界内统计影像像元个数,分别判断每个影像像元类型:
若影像像元符合条件1时影像像元类型识别为水体像元,条件1:NDVI<-0.2且NDWI>0.4且NIR<100,并统计像元个数,记为m1;
若影像像元符合条件2时影像像元类型识别为干涸地像元,条件2:NDVI>-0.2且0.4>NDWI>0.2且200>NIR>100,并统计像元个数,记为m2;
若影像像元符合条件3时影像像元类型识别为浮萍像元,条件3:NDVI>-0.05且NDWI<0.2且NIR>200,并统计像元个数,记为m3;
若影像像元符合条件4时影像像元类型识别为水草像元,条件4:NDVI>-0.1且NDWI>0且200<Green<250,并统计像元个数,记为m4;
S3:识别出每个影像像元类型占池塘轮廓边界内总像元类型的百分比,以百分比的最大值标识为当前池塘类型。
池塘水体盖度:
池塘干涸盖度:
池塘浮萍覆盖度:
池塘水草覆盖度:
以V1、V2、V3、V4中的最大值标识为当前池塘类型。例如:当V1最大时,则当前池塘类型为普通池塘。当V2最大时,则当前池塘类型为干涸池塘并记录当前池塘的干涸度;当V3最大时,则当前池塘类型为浮萍池塘,并记录当前池塘的浮萍覆盖度。
同时,可以获取检测区内的一段时间(通常为一年)的遥感影像,对每张遥感影像的池塘轮廓边界进行识别,分别记录一段时间内的池塘轮廓边界的变化、池塘类型变化和盖度变化。
S2步骤中对遥感影像上的池塘轮廓的识别可以采用以下方法:
S21:获取检测区内的高分辨遥感影像(如GF-2影像,GF-2多光谱数据与全色波段融合成0.8m分辨率的影像。)基于分水岭分割算法对高分遥感影像进行分割,对分割后的高分遥感影像中像元进行标记-池塘与非池塘分别标记为1、0,并作为标注影像。(分水岭算法是一种图像区域分割法,在分割的过程中,它会把跟临近像素间的相似性作为重要的参考依据,从而将在空间位置上相近并且灰度值相近的像素点互相连接起来构成一个封闭的轮廓,封闭性是分水岭算法的一个重要特征。分水岭分割流程:图像->灰度->二值->距离变换->寻找种子->生成Marker->分水岭变换->输出)
S22:对原始影像和标注影像同时进行随机小幅裁剪,裁剪为固定大小像素如256×256,并对裁剪的图像进行数据增强处理,使得训练样本数据能够输送到语义分割网络中,为模型提供训练数据。数据增强主要采用的增强方法包括水平翻转、垂直翻转、左右旋转、缩放等数据增强操作,经过以上操作,获得大量的训练样本数据10000张以上的png格式的图片,另外随机选取1/4的数据作为验证数据集。
S23:将训练样本数据输入语义分割网络中进行训练得到训练好的池塘轮廓边界识别模型;
语义分割网络U-net是一种类似于U型对称的结构,前半部分是一个经典的VGGnet-16网络,而后半部分则是一个与前半部分相反的上采样过程。U-net在上采样部分,即加入了复制和裁剪通道,使网络能够将上下文信息从浅层传递到更高分辨率的层。在卷积压缩部分,它重复采用基于2个3×3卷积层和1个2×2最大池化层的结构,并利用池化层的降采样效果逐层提取更加高层的特征;在反卷积还原部分,先进行2×2的反卷积,使特征图的维数减半,然后接2个3×3卷积层,并重复这一结构;在输出层,用1个1×1卷积层将特征图映射成所需的类数。本申请在卷积层之后添加了批标准化层,并采用交叉熵损失函数以及Adam反向传播优化算法对该模型进行训练,形成设施农业提取模型。在训练前要对U-net语义分割网络模型主要参数进行设置,参数设置包括学习率、激活函数、训练批次、测试批次和迭代次数。
S24:将待识别遥感影像进行裁剪并进行数据增强处理,裁剪和数据增强处理的方法与训练数据时的处理方法相同,将裁剪及数据增强处理后的图片输入到池塘轮廓边界识别模型进行识别,输出值为1表示该像元为池塘、输出值为0表示该像元为非池塘;
为了提高预测结果,避免池塘预测结果的明显拼接痕迹,训练样本所采用的裁剪窗口为固定大小像素如256×256,但是步长为128(即窗口大小的一半)。也可以对同一遥感图像进行两次裁剪,每次裁剪时初始位置移动窗口的一半距离。相当于采用两次预测,前次与后次预测进行错位预测,并将两次的结果合并,获取最终的预测结果,此方法避免了池塘预测结果的明显拼接痕迹。
S25:利用形态学操作,去除碎小斑点,利用ArcGIS软件栅格转矢量操作,经二值化、细化等转为矢量,然后经规则化处理操作,获取最初的池塘轮廓边界。
本实施例还提供一种基于遥感图像的池塘状态全自动监测装置,包括:
影像获取模块:获取检测区内的至少一年的遥感影像,所述遥感影像包含蓝光、绿光、红光、近红外波段,并计算归一化植被指数和归一化水体指数;
池塘轮廓识别模块:识别出遥感影像上的池塘轮廓,在每一个池塘轮廓边界内统计影像像元个数,分别判断每个影像像元类型:
类型判别模块:识别出每个影像像元类型占池塘轮廓边界内总像元类型的百分比,以百分比的最大值标识为当前池塘的类型。
优选地,本发明的基于遥感图像的池塘状态全自动监测装置,影像获取模块中,
NDVI、NDWI分别表示归一化植被指数和归一化水体指数,
计算公式如下:
Green、Red、NIR分别表示绿光、红光、近红外波段影像的灰度值。
本实施例的基于遥感图像的池塘状态全自动监测装置,池塘轮廓识别模块中,
若影像像元符合条件1时影像像元类型识别为水体像元,条件1:NDVI<-0.2且NDWI>0.4且NIR<100,并统计像元个数,记为m1;
若影像像元符合条件2时影像像元类型识别为干涸地像元,条件2:NDVI>-0.2且0.4>NDWI>0.2且200>NIR>100,并统计像元个数,记为m2;
若影像像元符合条件3时影像像元类型识别为浮萍像元,条件3:NDVI>-0.05且NDWI<0.2且NIR>200,并统计像元个数,记为m3;
若影像像元符合条件4时影像像元类型识别为水草像元,条件4:NDVI>-0.1且NDWI>0且200<Green<250,并统计像元个数,记为m4。
本实施例的基于遥感图像的池塘状态全自动监测装置,类型判别模块中,
以盖度表示百分比,
池塘水体盖度:
池塘干涸盖度:
池塘浮萍覆盖度:
池塘水草覆盖度:
以V1、V2、V3、V4中的最大值标识为当前池塘类型。
本实施例的基于遥感图像的池塘状态全自动监测装置,影像获取模块中获取检测区内的一段时间的遥感影像,对每张遥感影像的池塘轮廓边界进行识别,分别记录一段时间内的池塘轮廓边界的变化、池塘类型变化和盖度变化。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (6)
1.一种基于遥感图像的池塘状态全自动监测方法,其特征在于,包括以下步骤:
S1:获取监测区内的至少一年的遥感影像,所述遥感影像包含蓝光、绿光、红光、近红外波段,并计算归一化植被指数和归一化水体指数;
S2:识别出遥感影像上的池塘轮廓,在每一个池塘轮廓边界内统计影像像元个数,分别判断每个影像像元类型:
S3:识别出每个影像像元类型占池塘轮廓边界内总像元类型的百分比,以百分比的最大值标识为当前池塘的状态;
S1步骤中,
NDVI、NDWI分别表示归一化植被指数和归一化水体指数,
计算公式如下:
Green、Red、NIR分别表示绿光、红光、近红外波段影像的灰度值;
S2步骤中,
若影像像元符合条件1时影像像元类型识别为水体像元,条件1:NDVI<-0.2且NDWI>0.4且NIR<100,并统计像元个数,记为m1;
若影像像元符合条件2时影像像元类型识别为干涸地像元,条件2:NDVI>-0.2且0.4>NDWI>0.2且200>NIR>100,并统计像元个数,记为m2;
若影像像元符合条件3时影像像元类型识别为浮萍像元,条件3:NDVI>-0.05且NDWI<0.2且NIR>200,并统计像元个数,记为m3;
若影像像元符合条件4时影像像元类型识别为水草像元,条件4:NDVI>-0.1且NDWI>0且200<Green<250,并统计像元个数,记为m4。
2.根据权利要求1所述的基于遥感图像的池塘状态全自动监测方法,其特征在于,S3步骤中,
以覆盖度表示百分比,
池塘水体覆盖度:表示池塘丰盈状态;
池塘干涸覆盖度:表示池塘干涸状态;
池塘浮萍覆盖度:表示池塘浮萍覆盖状态;
池塘水草覆盖度:表示池塘水草覆盖状态;
以V1、V2、V3、V4中的最大值标识为当前池塘状态。
3.根据权利要求2所述的基于遥感图像的池塘状态全自动监测方法,其特征在于,S1步骤中获取监测区内的一段时间的遥感影像,对每张遥感影像的池塘轮廓边界进行识别,分别记录一段时间内的池塘轮廓边界的变化、池塘类型变化和覆盖度变化。
4.一种基于遥感图像的池塘状态全自动监测装置,其特征在于,包括:
影像获取模块:获取监测区内的至少一年的遥感影像,所述遥感影像包含蓝光、绿光、红光、近红外波段,并计算归一化植被指数和归一化水体指数;
池塘轮廓识别模块:识别出遥感影像上的池塘轮廓,在每一个池塘轮廓边界内统计影像像元个数,分别判断每个影像像元类型;
类型判别模块:识别出每个影像像元类型占池塘轮廓边界内总像元类型的百分比,以百分比的最大值标识为当前池塘的类型;
影像获取模块中,
NDVI、NDWI分别表示归一化植被指数和归一化水体指数,
计算公式如下:
Green、Red、NIR分别表示绿光、红光、近红外波段影像的灰度值;
池塘轮廓识别模块中,
若影像像元符合条件1时影像像元类型识别为水体像元,条件1:NDVI<-0.2且NDWI>0.4且NIR<100,并统计像元个数,记为m1;
若影像像元符合条件2时影像像元类型识别为干涸地像元,条件2:NDVI>-0.2且0.4>NDWI>0.2且200>NIR>100,并统计像元个数,记为m2;
若影像像元符合条件3时影像像元类型识别为浮萍像元,条件3:NDVI>-0.05且NDWI<0.2且NIR>200,并统计像元个数,记为m3;
若影像像元符合条件4时影像像元类型识别为水草像元,条件4:NDVI>-0.1且NDWI>0且200<Green<250,并统计像元个数,记为m4。
5.根据权利要求4所述的基于遥感图像的池塘状态全自动监测装置,其特征在于,状态判别模块中,
以覆盖度表示百分比,
池塘水体覆盖度:
池塘干涸覆盖度:
池塘浮萍覆盖度:
池塘水草覆盖度:
以V1、V2、V3、V4中的最大值标识为当前池塘状态。
6.根据权利要求5所述的基于遥感图像的池塘状态全自动监测装置,其特征在于,影像获取模块中获取监测区内的一段时间的遥感影像,对每张遥感影像的池塘轮廓边界进行识别,分别记录一段时间内的池塘轮廓边界的变化、池塘状态变化和覆盖度变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367410.9A CN111199195B (zh) | 2019-12-26 | 2019-12-26 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367410.9A CN111199195B (zh) | 2019-12-26 | 2019-12-26 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199195A CN111199195A (zh) | 2020-05-26 |
CN111199195B true CN111199195B (zh) | 2023-07-18 |
Family
ID=70744425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911367410.9A Active CN111199195B (zh) | 2019-12-26 | 2019-12-26 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199195B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898494B (zh) * | 2020-07-16 | 2022-09-27 | 大同煤矿集团有限责任公司 | 一种采矿扰动地块边界识别方法 |
CN112016391B (zh) * | 2020-07-16 | 2023-12-08 | 珠海欧比特卫星大数据有限公司 | 基于高分辨率卫星遥感影像的鱼塘识别方法、系统及介质 |
CN112766146B (zh) * | 2021-01-14 | 2022-11-29 | 黄河勘测规划设计研究院有限公司 | 一种基于多源数据的水库动态监控系统及方法 |
CN113409336B (zh) * | 2021-06-23 | 2022-03-01 | 生态环境部卫星环境应用中心 | 提取河流干涸断流区域及频率的方法、装置、介质和设备 |
CN116091927B (zh) * | 2023-01-09 | 2023-09-26 | 生态环境部卫星环境应用中心 | 一种快速的池塘养殖面源污染源遥感识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015132208A1 (en) * | 2014-03-03 | 2015-09-11 | Avia-Gis | Method for the profiling of pests and for the determination and prediction of associated risks and means for adapted pest control |
CN106778629A (zh) * | 2016-12-21 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 大棚识别方法及装置 |
CN107909039A (zh) * | 2017-11-16 | 2018-04-13 | 武汉大学 | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 |
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273797B (zh) * | 2017-05-10 | 2020-05-08 | 中山大学 | 基于水体指数变异系数的水稻亚像元识别方法 |
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
-
2019
- 2019-12-26 CN CN201911367410.9A patent/CN111199195B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015132208A1 (en) * | 2014-03-03 | 2015-09-11 | Avia-Gis | Method for the profiling of pests and for the determination and prediction of associated risks and means for adapted pest control |
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
CN106778629A (zh) * | 2016-12-21 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 大棚识别方法及装置 |
CN107909039A (zh) * | 2017-11-16 | 2018-04-13 | 武汉大学 | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
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 (4)
Title |
---|
Cameron Proctor 等.Estimation of foliar pigment concentration in floating macrophytes using hyperspectral vegetation indices.《International Journal of Remote Sensing》.2013,第34卷(第22期),第8011-8027页. * |
Wang Jing 等.The dynamic variation characteristics of Gahai Lake area based on EOS-MODIS data.《IEEE International Geoscience and Remote Sensing Symposium》.2012,第768-771页. * |
姚新华 等.太湖流域果树提取的光谱和纹理特征选择研究.《中国生态农业学报(中英文)》.2019,第27卷(第10期),第1596-1606页. * |
马维维.草地类型及其品质参数的遥感反演方法研究——以青海湖环湖区域为例.《中国博士学位论文全文数据库 农业科技辑》.2016,(第4期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111199195A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199195B (zh) | 一种基于遥感图像的池塘状态全自动监测方法和装置 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN114120037B (zh) | 一种基于改进yolov5模型的发芽马铃薯图像识别方法 | |
Liu et al. | A computer vision system for early stage grape yield estimation based on shoot detection | |
CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
US20130039574A1 (en) | System and method for segmenting water, land and coastline from remote imagery | |
CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及系统 | |
Mohajerani et al. | Cloud and cloud shadow segmentation for remote sensing imagery via filtered jaccard loss function and parametric augmentation | |
CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN109409265B (zh) | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 | |
CN115049834B (zh) | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN115861823B (zh) | 一种基于自监督深度学习的遥感变化检测方法和装置 | |
Ariza-Sentís et al. | Object detection and tracking on UAV RGB videos for early extraction of grape phenotypic traits | |
CN113077486A (zh) | 一种山区植被覆盖率监测方法及系统 | |
CN113298086A (zh) | 基于U-Net网络的赤潮多光谱检测方法 | |
CN115272860A (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
CN113673369A (zh) | 遥感图像场景规划方法、装置、电子设备和存储介质 | |
Wang et al. | Simultaneous extracting area and quantity of agricultural greenhouses in large scale with deep learning method and high-resolution remote sensing images | |
Mahendra et al. | Mangroves Change Detection using Support Vector Machine Algorithm on Google Earth Engine (A Case Study in Part of Gulf of Bone, South Sulawesi, Indonesia) | |
Sakinah et al. | Spatio-Temporal Analysis Coastal Areas for Detection Mangrove Greenery Using Combined Mangrove Recognition Index | |
CN111046726B (zh) | 一种基于ai智能视觉的水下海参识别及定位方法 |
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 |