CN111209871B - 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 - Google Patents
一种基于光学卫星影像的油菜种植地块遥感自动识别方法 Download PDFInfo
- Publication number
- CN111209871B CN111209871B CN202010021111.6A CN202010021111A CN111209871B CN 111209871 B CN111209871 B CN 111209871B CN 202010021111 A CN202010021111 A CN 202010021111A CN 111209871 B CN111209871 B CN 111209871B
- Authority
- CN
- China
- Prior art keywords
- rape
- image
- pixel
- index
- optical satellite
- 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
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
- G06V20/188—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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出一种基于光学卫星影像的油菜种植地块遥感自动识别方法，首先，对油菜开花期的光学影像进行预处理得到地表反射率图像，并利用光谱采集软件采集油菜地块和其他地物的光谱；其次，分析油菜地块的光谱与其他地物光谱的差异，确定油菜地块的有效光谱波段及其阈值；然后，构建油菜花遥感指数模型，并确定油菜花指数的阈值；再采集油菜出苗至开花期内的时序光学卫星影像的植被指数图像，并计算植被指数中值图像，确定植被指数中值图像的阈值；最后，利用油菜地块的有效光谱波段及其阈值、油菜花指数的阈值和植被指数中值图像的阈值对光学影像进行识别得到油菜种植地块。本发明提出油菜花遥感指数，实现了油菜种植地块遥感精准、自动识别。
Description
技术领域
本发明涉及遥感目标识别技术领域，特别是指一种基于光学卫星影像的油菜种植地块遥感自动识别方法。
背景技术
农作物遥感识别技术是农业遥感的重要发展方向，在农作物面积普查方面具有十分重要的应用价值，相比人工抽样调查方法，具有客观、有效的显著优势。在某些地区，油菜和冬小麦都属于冬播作物，具有相似的生长期，生长期内油菜和冬小麦的光谱特征也十分相似。由于油菜和冬小麦的混种现象十分普遍，现有的遥感指数方法难以实现油菜和冬小麦的准确区分。因此，油菜种植地块遥感识别是农业遥感领域的难点之一。
发明内容
针对上述背景技术中存在的不足，本发明提出了一种基于光学卫星影像的油菜种植地块遥感自动识别方法，解决了现有遥感指数方法难以准确区分油菜和冬小麦的技术问题。
本发明的技术方案是这样实现的：
一种基于光学卫星影像的油菜种植地块遥感自动识别方法，其步骤如下：
S1、在油菜开花期内利用光学卫星采集若干幅光学卫星影像，并分别对光学卫星影像进行预处理，得到地表反射率图像；
S2、利用手持GPS获取油菜种植地块和其他地物的地理位置信息，利用光谱采集软件采集地表反射率图像中的油菜种植地块和其他地物的像元光谱样本，并将油菜种植地块随机分为两组：油菜种植地块I和油菜种植地块II；
S3、利用抽样统计方法分析油菜种植地块I的像元光谱与其他地物的像元光谱的差异，确定用于识别油菜种植地块的有效光谱波段及其阈值，其中，有效光谱波段包括绿色波段和近红外波段，且绿色波段对应的阈值为α，近红外波段对应的阈值为β；
S4、构建油菜花遥感指数模型，利用油菜花遥感指数模型计算油菜种植地块II的油菜花指数图像，统计油菜种植地块II的油菜花指数图像中像元值分布区间，选取油菜花指数图像中像元值分布区间的最小值作为识别油菜种植地块的阈值γ；
S5、采集油菜种植地块II上油菜出苗至开花期内的时序光学卫星影像的植被指数图像，利用中值合成技术计算油菜出苗至开花期内的植被指数中值图像；
S6、统计油菜种植地块II的植被指数中值图像的像元值分布区间，选取植被指数中值图像的像元值分布区间的最小值作为识别油菜种植地块的阈值δ；
S7、利用光学卫星采集待识别的光学卫星影像，并对待识别的光学卫星影像进行预处理，得到待识别的地表反射率图像；
S8、判断步骤S7中待识别的地表反射率图像中像元i的绿色波段的地表反射率是否大于阈值α，若是，执行步骤S9，否则，像元i所在位置为非油菜种植地块；
S9、判断像元i的近红外波段的地表反射率是否大于阈值β，若是，执行步骤S10，否则，像元i所在位置为非油菜种植地块；
S10、计算像元i的油菜花遥感指数CFI，并判断油菜花遥感指数CFI是否大于阈值γ，若是，执行步骤S11，否则，像元i所在位置为非油菜种植地块；
S11、计算油菜出苗至开花期内像元i的植被指数中值，并判断植被指数中值是否大于阈值δ，若是，像元i所在位置为油菜种植地块，否则，像元i所在位置为非油菜种植地块；
S12、循环执行步骤S8至步骤S11，直至遍历完待识别的地表反射率图像中的所有像元，完成油菜种植地块的识别。
所述对光学卫星影像进行预处理得到地表反射率图像的方法为：首先利用FLAASH大气校正法对光学卫星影像进行地形校正处理，再利用地形校正法对大气校正处理后的光学卫星影像进行再次校正处理，得到光学卫星影像的地表反射率图像。
所述步骤S4中的油菜花遥感指数模型为：
其中，CFIi表示油菜花遥感指数图像中像元i的油菜花遥感指数，ξgreen,i表示地表反射率图像中像元i的绿色波段的地表反射率，ξblue,i表示地表反射率图像中像元i的蓝色波段的地表反射率，i＝1,2,…,n，n为地表反射率图像中像元的总数量。
所述步骤S5中植被指数中值图像的获得方法为：首先，利用光学卫星采集油菜种植地块II上油菜出苗至开花期内的时序光学卫星影像，并分别对每幅影像进行预处理得到地表反射率图像；其次，利用归一化差异植被指数分别对地表反射率图像进行计算得到植被指数图像；最后，在像元尺度上对比油菜出苗至开花期内的相同像元位置上的一组植被指数，保留其中值，依次对比直至遍历所有位置的像元值，即得到植被指数中值图像。
本技术方案能产生的有益效果：
(1)本发明提出了一种基于光学卫星影像的油菜花指数，即CFI(Canola FlowerIndex)指数，为油菜种植地块遥感识别提供了理论基础；
(2)本发明创建的油菜种植地块遥感自动识别模型，充分利用了油菜生长期内的植株特征，能够准确自动识别油菜种植地块信息，为相关部门、行业提供精准的油菜种植信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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为本发明的流程图；
图2为本发明的油菜种植地块别结果。
具体实施方式
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，所描述的实施例仅仅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付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。
如图1所示，本发明实施例提供了一种基于光学卫星影像的油菜种植地块遥感自动识别方法，具体步骤如下：
S1、在油菜开花期内利用光学卫星采集3幅光学卫星影像，并分别对3幅光学卫星影像进行预处理，得到地表反射率图像。
预处理方法为：首先利用FLAASH大气校正法对3幅光学卫星影像进行大气校正处理，再利用地形校正法对大气校正处理后的3幅光学卫星影像进行地形校正处理，得到光学卫星影像的地表反射率图像。
S2、利用手持GPS获取油菜种植地块和其他地物的地理位置信息，利用光谱采集软件采集地表反射率图像中的油菜种植地块和其他地物的像元光谱样本，像元总数为3429个，并将油菜种植地块随机分为两组：油菜种植地块I和油菜种植地块II；其中，油菜种植地块I中的像元数量为1862个，油菜种植地块II中的像元数量为2115个。
S3、利用抽样统计方法分析油菜种植地块I的像元光谱与其他地物的像元光谱的差异，对比分析发现，油菜开花期的卫星影像中，绿色波段与近红外波段是区分油菜与其他植被的最佳波段，因此，确定用于识别油菜种植地块的有效光谱波段及其阈值，其中，有效光谱波段包括绿色波段和近红外波段，且绿色波段对应的阈值为α＝0.09，近红外波段对应的阈值为β＝0.25。
S4、根据步骤S2中得到的3429个像元的光谱数据，发现油菜开花期的卫星影像中，油菜种植地块在绿色波段上的地表反射率明显大于其在蓝色波段上的地表反射率，其他地物很少具有这种特征，据此构建油菜花遥感指数(Canola Flower Index，CFI)模型，表达式为：
其中，CFIi表示油菜花遥感指数图像中像元i的油菜花遥感指数，ξgreen,i表示地表反射率图像中像元i的绿色波段的地表反射率，ξblue,i表示地表反射率图像中像元i的蓝色波段的地表反射率，i＝1,2,…,n，n为地表反射率图像中像元的总数量。利用油菜花遥感指数模型计算油菜种植地块II的油菜花指数图像，统计油菜种植地块II的油菜花指数图像中的像元值分布区间，取油菜花指数图像中的像元值分布区间的最小值作为识别油菜种植地块的阈值γ＝2.9。
S5、采集油菜种植地块II上油菜出苗至开花期内的时序光学卫星影像的植被指数图像，利用中值合成技术计算油菜出苗至开花期内的植被指数中值图像；植被指数中值图像的获得方法为：首先，利用光学卫星采集油菜种植地块II上油菜出苗至开花期内的时序光学卫星影像，并分别对每幅影像进行预处理得到地表反射率图像；其次，利用归一化差异植被指数分别对地表反射率图像进行计算得到植被指数图像；最后，在像元尺度上对比油菜出苗至开花期内的相同像元位置上的一组植被指数，保留其中值，依次对比直至遍历所有位置的像元值，即得到植被指数中值图像。
S6、统计油菜种植地块II的植被指数中值图像中的像元值分布区间，取植被指数中值图像中的像元值分布区间的最小值作为识别油菜种植地块的阈值δ＝0.2。
S7、利用光学卫星采集待识别的光学卫星影像，利用FLAASH大气校正法对待识别的光学卫星影像进行大气校正处理，再利用地形校正法对大气校正处理后的待识别的光学卫星影像进行地形校正处理，得到待识别的光学卫星影像的地表反射率图像。
S8、判断步骤S7中待识别的地表反射率图像中像元i的绿色波段的地表反射率是否大于阈值α，若是，执行步骤S9，否则，像元i所在位置为非油菜种植地块。
S9、判断像元i的近红外波段的地表反射率是否大于阈值β，若是，执行步骤S10，否则，像元i所在位置为非油菜种植地块。
S10、计算像元i的油菜花遥感指数CFI，并判断油菜花遥感指数CFI是否大于阈值γ，若是，执行步骤S11，否则，像元i所在位置为非油菜种植地块。
S11、计算油菜出苗至开花期内像元i的植被指数中值，并判断植被指数中值是否大于阈值δ，若是，像元i所在位置为油菜种植地块，否则，像元i所在位置为非油菜种植地块。
S12、循环执行步骤S8至步骤S11，直至遍历完待识别的地表反射率图像中的所有像元，完成油菜种植地块的识别。
为了验证本发明的效果，本发明以2016年芜湖地区油菜种植地块遥感识别为实验对象，卫星影像为Landsat-8光学卫星影像，油菜开花期影像时相为2016年3月28日，植被指数采用的是归一化差异植被指数(NDVI)，计算植被指数中值图像的时间段为2016年1月1日至2016年3月28日，识别结果如图2所示。通过图2可以看出油菜种植地块的边界等纹理信息完整，道路等其他地物可以被有效区分，说明了本发明对油菜种植地块识别的可靠性、准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于光学卫星影像的油菜种植地块遥感自动识别方法，其特征在于，其步骤如下：
S1、在油菜开花期内利用光学卫星采集若干幅光学卫星影像，并分别对光学卫星影像进行预处理，得到地表反射率图像；
S2、利用手持GPS获取油菜种植地块和其他地物的地理位置信息，利用光谱采集软件采集地表反射率图像中的油菜种植地块和其他地物的像元光谱样本，并将油菜种植地块随机分为两组：油菜种植地块I和油菜种植地块II；
S3、利用抽样统计方法分析油菜种植地块I的像元光谱与其他地物的像元光谱的差异，确定用于识别油菜种植地块的有效光谱波段及其阈值，其中，有效光谱波段包括绿色波段和近红外波段，且绿色波段对应的阈值为α，近红外波段对应的阈值为β；
S4、构建油菜花遥感指数模型，利用油菜花遥感指数模型计算油菜种植地块II的油菜花指数图像，统计油菜种植地块II的油菜花指数图像中像元值分布区间，选取油菜花指数图像中像元值分布区间的最小值作为识别油菜种植地块的阈值γ；
S5、采集油菜种植地块II上油菜出苗至开花期内的时序光学卫星影像的植被指数图像，利用中值合成技术计算油菜出苗至开花期内的植被指数中值图像；
S6、统计油菜种植地块II的植被指数中值图像的像元值分布区间，选取植被指数中值图像的像元值分布区间的最小值作为识别油菜种植地块的阈值δ；
S7、利用光学卫星采集待识别的光学卫星影像，并对待识别的光学卫星影像进行预处理，得到待识别的地表反射率图像；
S8、判断步骤S7中待识别的地表反射率图像中像元i的绿色波段的地表反射率是否大于阈值α，若是，执行步骤S9，否则，像元i所在位置为非油菜种植地块；
S9、判断像元i的近红外波段的地表反射率是否大于阈值β，若是，执行步骤S10，否则，像元i所在位置为非油菜种植地块；
S10、计算像元i的油菜花遥感指数CFI，并判断油菜花遥感指数CFI是否大于阈值γ，若是，执行步骤S11，否则，像元i所在位置为非油菜种植地块；
S11、计算油菜出苗至开花期内像元i的植被指数中值，并判断植被指数中值是否大于阈值δ，若是，像元i所在位置为油菜种植地块，否则，像元i所在位置为非油菜种植地块；
S12、循环执行步骤S8至步骤S11，直至遍历完待识别的地表反射率图像中的所有像元，完成油菜种植地块的识别。
2.根据权利要求1所述的基于光学卫星影像的油菜种植地块遥感自动识别方法，其特征在于，所述对光学卫星影像进行预处理得到地表反射率图像的方法为：首先利用FLAASH大气校正法对光学卫星影像进行地形校正处理，再利用地形校正法对大气校正处理后的光学卫星影像进行再次校正处理，得到光学卫星影像的地表反射率图像。
3.根据权利要求1所述的基于光学卫星影像的油菜种植地块遥感自动识别方法，其特征在于，所述步骤S4中的油菜花遥感指数模型为：
其中，CFIi表示油菜花遥感指数图像中像元i的油菜花遥感指数，ξgreen,i表示地表反射率图像中像元i的绿色波段的地表反射率，ξblue,i表示地表反射率图像中像元i的蓝色波段的地表反射率，i＝1,2,…,n，n为地表反射率图像中像元的总数量。
4.根据权利要求1所述的基于光学卫星影像的油菜种植地块遥感自动识别方法，其特征在于，所述步骤S5中植被指数中值图像的获得方法为：首先，利用光学卫星采集油菜种植地块II上油菜出苗至开花期内的时序光学卫星影像，并分别对每幅影像进行预处理得到地表反射率图像；其次，利用归一化差异植被指数分别对地表反射率图像进行计算得到植被指数图像；最后，在像元尺度上对比油菜出苗至开花期内的相同像元位置上的一组植被指数，保留其中值，依次对比直至遍历所有位置的像元值，即得到植被指数中值图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010021111.6A CN111209871B (zh) | 2020-01-09 | 2020-01-09 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010021111.6A CN111209871B (zh) | 2020-01-09 | 2020-01-09 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111209871A CN111209871A (zh) | 2020-05-29 |
| CN111209871B true CN111209871B (zh) | 2021-06-25 |
Family
ID=70790023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010021111.6A Active CN111209871B (zh) | 2020-01-09 | 2020-01-09 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111209871B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832480B (zh) * | 2020-07-14 | 2021-04-23 | 北京师范大学 | 一种基于光谱特征的油菜种植区遥感识别方法 |
| CN112883987A (zh) * | 2021-03-11 | 2021-06-01 | 成都数之联科技有限公司 | 基于遥感光谱特征的目标提取方法及系统及装置及介质 |
| CN113435254A (zh) * | 2021-05-27 | 2021-09-24 | 云南师范大学 | 一种基于哨兵二号影像的耕地深度学习提取方法 |
| CN113936226B (zh) * | 2021-11-23 | 2022-07-08 | 河南大学 | 一种基于遥感云计算的全球冰川搜索识别方法 |
| CN114266968B (zh) * | 2021-12-16 | 2023-01-31 | 河南大学 | 一种城市不同土地覆盖类型遥感自动解译方法 |
| CN114419463B (zh) * | 2022-01-26 | 2022-09-30 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385694A (zh) * | 2010-09-06 | 2012-03-21 | 邬明权 | 一种基于地块的作物品种高光谱识别方法 |
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
| CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
| CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
| CN110135322A (zh) * | 2019-05-09 | 2019-08-16 | 航天恒星科技有限公司 | 一种基于ifi的时间序列森林变化监测方法 |
| CN110310246A (zh) * | 2019-07-05 | 2019-10-08 | 广西壮族自治区基础地理信息中心 | 一种基于三线阵影像的甘蔗种植区遥感信息提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101732111B1 (ko) * | 2016-06-30 | 2017-05-02 | 서울시립대학교 산학협력단 | 위성영상을 이용한 기름유출 탐지장치 및 방법 |
-
2020
- 2020-01-09 CN CN202010021111.6A patent/CN111209871B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385694A (zh) * | 2010-09-06 | 2012-03-21 | 邬明权 | 一种基于地块的作物品种高光谱识别方法 |
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| CN106372592A (zh) * | 2016-08-29 | 2017-02-01 | 中国农业科学院农业资源与农业区划研究所 | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 |
| CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
| CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
| CN110135322A (zh) * | 2019-05-09 | 2019-08-16 | 航天恒星科技有限公司 | 一种基于ifi的时间序列森林变化监测方法 |
| CN110310246A (zh) * | 2019-07-05 | 2019-10-08 | 广西壮族自治区基础地理信息中心 | 一种基于三线阵影像的甘蔗种植区遥感信息提取方法 |
Non-Patent Citations (5)
| Title |
|---|
| 不同大气校正方法对中小湖泊蓝藻遥感;王嘉楠等;《遥感技术与应用》;20130228;第28卷(第1期);全文 * |
| 县域尺度上基于ＧＦ－１ＰＭＳ影像的冬小麦种植面积遥感监测;田海峰等;《中国农业大学学报》;20171030;全文 * |
| 基于多源多时相遥感数据的秋季菜田监测与分析;梁建平等;《测绘与空间地理信息》;20151030;第38卷(第10期);全文 * |
| 基于新遥感数据源的县域冬小麦种植面积提取;田海峰等;《中国农学通报》;20151231;全文 * |
| 基于红边位置变化特征的油菜种植区域提取;佘宝等;《农业工程学报》;20130831;第29卷(第15期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111209871A (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209871B (zh) | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 | |
| CN109345555B (zh) | 基于多时相多源遥感数据进行水稻识别的方法 | |
| CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
| CN106372592A (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| CN112183428A (zh) | 一种小麦种植区域分割与产量预测方法 | |
| US20220392215A1 (en) | System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images | |
| CN113392759B (zh) | 一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法 | |
| CN111738066A (zh) | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 | |
| CN109740570B (zh) | 一种基于地形指数和物候差异的梯田遥感识别方法 | |
| CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
| CN114519821A (zh) | 一种绿色健康植被遥感识别指数的构建方法 | |
| CN110598514B (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
| CN115512237A (zh) | 基于多时相卫星遥感数据的安徽冬小麦种植面积提取方法 | |
| Ouyang et al. | Assessment of canopy size using UAV-based point cloud analysis to detect the severity and spatial distribution of canopy decline | |
| CN115063690B (zh) | 一种基于ndvi时序特征的植被分类方法 | |
| CN115880577A (zh) | 一种基于遥感技术的耕地秋整地进度动态监测方法 | |
| CN112541933B (zh) | 一种农田边界及种植结构的提取方法 | |
| Peng et al. | Remote sensing monitoring of tobacco field based on phenological characteristics and time series image—A case study of Chengjiang County, Yunnan Province, China | |
| CN114332596A (zh) | 一种越冬作物的识别方法及装置 | |
| Yuniasih et al. | Evaluation of pre-replanting oil palm plant health using the NDVI index from Landsat 8 satellite imagery. | |
| CN113283281A (zh) | 基于多时相遥感影像的茭白种植面积提取方法 | |
| Costa Ferreira et al. | Transformation of high resolution aerial images in vine vigour maps at intra-block scale by semi-automatic image processing | |
| CN114972838B (zh) | 基于卫星数据得到的冬小麦识别方法 |
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 |