CN111985422B - 基于遥感的耕地田面坡度估算方法、估算装置 - Google Patents
基于遥感的耕地田面坡度估算方法、估算装置 Download PDFInfo
- Publication number
- CN111985422B CN111985422B CN202010864788.6A CN202010864788A CN111985422B CN 111985422 B CN111985422 B CN 111985422B CN 202010864788 A CN202010864788 A CN 202010864788A CN 111985422 B CN111985422 B CN 111985422B
- Authority
- CN
- China
- Prior art keywords
- cultivated land
- estimated
- mianpo
- tian
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013499 data model Methods 0.000 claims abstract description 18
- 230000003287 optical effect Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000002262 irrigation Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
Abstract
本申请涉及基于遥感的耕地田面坡度估算方法、估算装置,属于耕地资源调查技术领域,本申请的方法包括,获取待估算区内样方的无人机遥感图像;基于样方所处区域的地形坡度数据和所述无人机遥感图像,构建田面坡度估算数据模型;基于待估算区的光学卫星影像,应用所述田面坡度估算数据模型进行坡度估算,以得到待估算区的耕地田面坡度估算结果。本申请,可以实现快速获取大范围区域的耕地地块田面坡度。
Description
技术领域
本申请属于耕地资源调查技术领域,具体涉及一种基于遥感的耕地田面坡度估算方法、估算装置。
背景技术
耕地是人类赖以生存与发展的基础性自然资源。随着工业的不断发展、经济的快速发展,社会的不断进步以及城市化进程的加快,人口不断增多,建设用地逐年增加,耕地面积逐渐减少,耕地问题在中国这样一个人多地少的发展中国家显得尤为突出。耕地减少带来的最直接危害就是产生粮食危机,同时也会影响社会的稳定与发展。随着对耕地面积减少及沙漠化、水土流失等耕地质量下降问题认识的不断提高,耕地问题受到原来越多的关注。因此,注重保护耕地,对耕地进行质量评估,促进人与耕地、人与自然的和谐相处,对制定相关政策、提高耕地管理和利用水平具有重要意义。
田面坡度是描述耕地质量的重要田面参数之一。为了便于耕作和灌溉,提高灌溉的质量,节约灌溉用水,需对起伏不平的耕地进行平整。在地形坡度较大的地区,土地平整不要求水平,根据耕地的主要种植用途,需要有一个合适的田面坡度。在我国由自然资源管理部门负责,组织实施了大量土地开发整理项目,其中平整土地是其主要工作内容之一。田面坡度能够反映耕地地块的平整情况,现有的测算方法是根据田块观测点的地面高程差计算得到,田块的高程测量采用水准仪,沿田块长度方向分左、中、右3条纵线测量。这种测算方法需耗费极大量的人力和物力,时间成本高。
近50多年来,遥感技术取得了快速的进步,特别是在无人机遥感技术和高分辨率卫星遥感技术方面。目前无人机遥感应用非常广泛,SIFT等计算机视觉算法被引入到航空摄影测量领域,极大促进了无人机遥感数据处理技术发展,使得小型无人机也能够完成航空摄影测量工作,并具有较高的精度。无人机航摄具有飞行时间长、影像准实时获取、不受危险地形影响、机动灵活、影像空间分辨率高、精度高等优点,与传统实地水准测量相比,更适合耕地田面坡度测量。而卫星遥感具有空间范围大、获取周期短等优势,适合大范围的耕地提取和耕地田面坡度估算。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种基于遥感的耕地田面坡度估算方法、估算装置,结合无人机遥感技术和高分辨率卫星遥感技术,有助于快速高效的实现耕地田面坡度估算。
为实现以上目的,本申请采用如下技术方案:
第一方面,
本申请提供一种基于遥感的耕地田面坡度估算方法,其包括:
获取待估算区内样方的无人机遥感图像;
基于样方所处区域的地形坡度数据和所述无人机遥感图像,构建田面坡度估算数据模型;
基于待估算区的光学卫星影像,应用所述田面坡度估算数据模型进行坡度估算,以得到待估算区的耕地田面坡度估算结果。
可选地,基于样方所处区域的地形坡度数据和所述无人机遥感图像,构建田面坡度估算数据模型,包括:
对所述无人机遥感图像进行预处理及影像镶嵌处理,得到样方的数字高程模型数据和数字正射影像图;
根据所述数字正射影像图进行耕地目视解译提取,获取样方内的耕地地块分布并计算各耕地地块的形状指数值;
根据所述数字高程模型数据采用坡度计算公式计算得到样方坡度图,并将所述样方坡度图与所述耕地地块进行空间叠加,得到各耕地地块的田面坡度数据;
根据所述样方所处区域的地形坡度数据、所述各耕地地块的形状指数值、以及所述各耕地地块的田面坡度数据,基于幂函数模型进行回归分析拟合,构建田面坡度估算数据模型。
可选地,所述幂函数模型具有如下的表达式形式,
其中,slopep表示耕地斑块的田面坡度,slopet表示样方所处区域的地形坡度,SI表示耕地地块的形状指数,a、b为模型系数。
可选地,所述对所述无人机遥感图像进行预处理,具体包括:
对所述无人机遥感影像进行空三加密、点云密集匹配、点云栅格化、DEM编辑、影像正射纠正处理。
可选地,基于以下表达式计算各耕地地块的形状指数值,
其中,SI表示耕地地块的形状指数,bv表示耕地地块边长,pv表示耕地地块面积。
可选地,所述样方所处区域的地形坡度数据,基于估算区的粗分辨率数字高程模型数据计算而来,其中,所述粗分辨率数字高程模型数据包括SRTM DEM、GDEM。
可选地,基于待估算区域的光学卫星影像,应用所述田面坡度估算数据模型进行坡度估算,以得到待估算区的耕地田面坡度估算结果,包括:
对光学卫星影像进行解译分析,获取待估算区内耕地地块分布情况并计算得到待估算区内的各耕地地块的形状指数值;
基于所述待估算区内耕地地块分布情况与整个待估算区地形坡度数据的空间叠加,提取得到待估算区内各耕地地块的地形坡度数据;
根据所述田面坡度估算数据模型,带入所述待估算区内各耕地地块的地形坡度数据和所述待估算区内各耕地地块的形状指数值进行计算,以得到待估算区的耕地田面坡度估算结果。
可选地,所述光学卫星影像的分辨率优于2米。
可选地,所述无人机遥感图像的空间分辨率优于20厘米。
第二方面,
本申请提供一种估算装置,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现上述所述方法的步骤。
本申请采用以上技术方案,至少具备以下有益效果:
通过以无人机的遥感影像为基础,结合粗分辨率地形数据,进行影像解译,构建耕地地块田面坡度估算的幂函数模型;再通过对覆盖范围更大的高分辨率卫星影像数据的处理与耕地地块解译,并引入地形坡度、耕地地块形状指数等参量,结合已建立的田面坡度-地形坡度、耕地地块形状指数幂函数模型,即可得到大区域内全部耕地地块的田面坡度。通过无人机获取的高分辨率照片,可得到精细的数字高程模型数据,进而对田面的坡度值进行测量,弥补了地面实测高程点进行坡度计算工作量巨大的缺点,测量精度高且效率远高于人工实地利用水准仪进行测量。通过利用高分辨率卫星影像获取大范围耕地地块边界,可以实现快速获取大范围区域的耕地地块田面坡度。本申请的技术方案对于大范围估算耕地田面坡度及评价耕地质量,掌握详细的耕地田面坡度空间分布状况具有很大的实践价值和推广意义。
本发明的其他优点、目标,和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解,并且构成说明书的一部分。其中,表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案,但并不构成对本申请技术方案的限制。
图1为本申请一个实施例提供的基于遥感的耕地田面坡度估算方法的流程示意图;
图2为本申请一个实施例提供的估算装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
基于背景技术所述,在现有技术中,尽管相对于人工实地利用水准仪测量田面坡度,利用无人机进行测量可明显提高工作效率,但获取极大范围内耕地田面坡度工作量仍然很大。因此,如何具体通过高分辨率无人机遥感影像(厘米级分辨率)构建田面坡度估算的数学模型,再进一步结合高分辨率卫星影像(亚米级-米级分辨率)对大范围的耕地地块田面坡度进行估算,以最大限度的减少人力物力,提高田面坡度计算效率,为耕地质量评价、耕地灌溉效率评估提供基础资料,仍属于现有技术中一亟待解决的问题。
针对于此,本申请提出一种基于遥感的耕地田面坡度估算方法。如图1所示,在一实施例中,该基于遥感的耕地田面坡度估算方法,包括如下步骤:
步骤S110,获取待估算区内样方的无人机遥感图像;这里的样方为区内的典型样方,本申请中的无人机遥感图像的为厘米级的高分辨率遥感图像,例如该实施例中,无人机遥感图像的空间分辨率优于20厘米。
之后进行步骤S120,基于样方所处区域的地形坡度数据和步骤S110中无人机遥感图像,构建田面坡度估算数据模型;
具体的,先对无人机遥感图像进行预处理及影像镶嵌处理,得到样方的数字高程模型数据和数字正射影像图,这里的预处理包括,对无人机遥感影像进行空三加密、点云密集匹配、点云栅格化、DEM编辑、影像正射纠正等处理。
之后根据得到的数字正射影像图进行耕地目视解译提取(例如人工勾绘耕地田块的边界),获取样方内的耕地地块分布并计算各耕地地块的形状指数值;该实施例中,基于以下表达式(1)计算各耕地地块的形状指数值,
表达式(1)中,SI表示耕地地块的形状指数,bv表示耕地地块边长,pv表示耕地地块面积。
并根据已得到的数字高程模型数据采用坡度计算公式计算得到样方坡度图,并将样方坡度图与获取的耕地地块进行空间叠加,得到各耕地地块的田面坡度数据;
最后根据样方所处区域的地形坡度数据、各耕地地块的形状指数值、以及各耕地地块的田面坡度数据,基于幂函数模型进行回归分析拟合,构建田面坡度估算数据模型。其中,这里的幂函数模型的形式如表达式(2)所示,
表达式(2)中,slopep表示耕地斑块的田面坡度,slopet表示样方所处区域的地形坡度,SI表示耕地地块的形状指数,a、b为模型系数。
需要说明的是,上述过程中,利用坡度计算公式基于数字高程模型数据进行坡度计算的相关技术可见于现有公开技术资料,本申请这里不进行详述;
上述过程中,样方所处区域的地形坡度数据,可基于估算区的粗分辨率数字高程模型数据计算而来,其中,粗分辨率数字高程模型数据包括SRTM DEM、GDEM等。
继续回到图1,最后进行步骤S130,基于待估算区的光学卫星影像,应用步骤S120中得到的田面坡度估算数据模型进行坡度估算,以得到待估算区的耕地田面坡度估算结果。
具体的,步骤S130中,对光学卫星影像进行解译分析,获取待估算区内耕地地块分布情况并计算得到待估算区内的各耕地地块的形状指数值;基于待估算区内耕地地块分布情况与整个待估算区地形坡度数据的空间叠加,提取得到待估算区内各耕地地块的地形坡度数据;相关方法与步骤S120中类似,这里就不进行详述了。
根据步骤S120中构建得到的田面坡度估算数据模型,带入上述已得到的待估算区内各耕地地块的地形坡度数据和待估算区内各耕地地块的形状指数值进行计算,从而得到待估算区的耕地田面坡度估算结果。
需要说明的是,上述步骤S130中,光学卫星影像为亚米级-米级的高分辨率卫星影像,例如该实施例中,光学卫星影像的分辨率优于2米。这里的卫星影像可从google earth上下载得到,也可利用wordview、geoeye、quickbird、资源三号、北京二号、高分一号、高分二号等卫星数据经处理得到,本申请对此不作限制。
本申请通过以无人机的遥感影像为基础,结合粗分辨率地形数据,进行影像解译,构建耕地地块田面坡度估算的幂函数模型;再通过对覆盖范围更大的高分辨率卫星影像数据的处理与耕地地块解译,并引入地形坡度、耕地地块形状指数等参量,结合已建立的田面坡度-地形坡度、耕地地块形状指数幂函数模型,即可得到大区域内全部耕地地块的田面坡度。通过无人机获取的高分辨率照片,可得到精细的数字高程模型数据,进而对田面的坡度值进行测量,弥补了地面实测高程点进行坡度计算工作量巨大的缺点,测量精度高且效率远高于人工实地利用水准仪进行测量。通过利用高分辨率卫星影像获取大范围耕地地块边界,可以实现快速获取大范围区域的耕地地块田面坡度。
本申请的技术方案对于大范围估算耕地田面坡度及评价耕地质量,掌握详细的耕地田面坡度空间分布状况具有很大的实践价值和推广意义。
图2为本申请一个实施例提供的估算装置的结构示意图,如图2所示,该估算装置200包括:
存储器201,其上存储有可执行程序;
处理器202,用于执行存储器201中的可执行程序,以实现上述方法的步骤。
关于上述实施例中的估算装置200,其处理器202执行存储器201中的程序的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人员在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于遥感的耕地田面坡度估算方法,其特征在于,包括:
获取待估算区内样方的无人机遥感图像;
基于样方所处区域的地形坡度数据和所述无人机遥感图像,构建田面坡度估算数据模型;
基于待估算区的光学卫星影像,应用所述田面坡度估算数据模型进行坡度估算,以得到待估算区的耕地田面坡度估算结果;
所述基于样方所处区域的地形坡度数据和所述无人机遥感图像,构建田面坡度估算数据模型,包括:
对所述无人机遥感图像进行预处理及影像镶嵌处理,得到样方的数字高程模型数据和数字正射影像图;
根据所述数字正射影像图进行耕地目视解译提取,获取样方内的耕地地块分布并计算各耕地地块的形状指数值;
根据所述数字高程模型数据采用坡度计算公式计算得到样方坡度图,并将所述样方坡度图与所述耕地地块进行空间叠加,得到各耕地地块的田面坡度数据;
根据所述样方所处区域的地形坡度数据、所述各耕地地块的形状指数值、以及所述各耕地地块的田面坡度数据,基于幂函数模型进行回归分析拟合,构建田面坡度估算数据模型;
所述幂函数模型具有如下的表达式形式,
其中,slopep表示耕地地块的田面坡度,slopet表示样方所处区域的地形坡度,SI表示耕地地块的形状指数,a、b为模型系数。
2.根据权利要求1所述的耕地田面坡度估算方法,其特征在于,所述对所述无人机遥感图像进行预处理,具体包括:
对所述无人机遥感图像进行空三加密、点云密集匹配、点云栅格化、DEM编辑、影像正射纠正处理。
3.根据权利要求1所述的耕地田面坡度估算方法,其特征在于,基于以下表达式计算各耕地地块的形状指数值,
其中,SI表示耕地地块的形状指数,bv表示耕地地块边长,pv表示耕地地块面积。
4.根据权利要求1所述的耕地田面坡度估算方法,其特征在于,所述样方所处区域的地形坡度数据,基于估算区的粗分辨率数字高程模型数据计算而来,其中,所述粗分辨率数字高程模型数据包括SRTM DEM、GDEM。
5.根据权利要求1所述的耕地田面坡度估算方法,其特征在于,基于待估算区域的光学卫星影像,应用所述田面坡度估算数据模型进行坡度估算,以得到待估算区的耕地田面坡度估算结果,包括:
对光学卫星影像进行解译分析,获取待估算区内耕地地块分布情况并计算得到待估算区内的各耕地地块的形状指数值;
基于所述待估算区内耕地地块分布情况与整个待估算区地形坡度数据的空间叠加,提取得到待估算区内各耕地地块的地形坡度数据;
根据所述田面坡度估算数据模型,带入所述待估算区内各耕地地块的地形坡度数据和所述待估算区内各耕地地块的形状指数值进行计算,以得到待估算区的耕地田面坡度估算结果。
6.根据权利要求1所述的耕地田面坡度估算方法,其特征在于,所述光学卫星影像的分辨率优于2米。
7.根据权利要求1所述的耕地田面坡度估算方法,其特征在于,所述无人机遥感图像的空间分辨率优于20厘米。
8.一种估算装置,其特征在于,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864788.6A CN111985422B (zh) | 2020-08-25 | 2020-08-25 | 基于遥感的耕地田面坡度估算方法、估算装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864788.6A CN111985422B (zh) | 2020-08-25 | 2020-08-25 | 基于遥感的耕地田面坡度估算方法、估算装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985422A CN111985422A (zh) | 2020-11-24 |
CN111985422B true CN111985422B (zh) | 2024-04-23 |
Family
ID=73443587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010864788.6A Active CN111985422B (zh) | 2020-08-25 | 2020-08-25 | 基于遥感的耕地田面坡度估算方法、估算装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985422B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991530B (zh) * | 2021-03-05 | 2023-12-05 | 中国科学院空天信息创新研究院 | 一种坡度尺寸效应补偿方法、装置、电子设备及存储介质 |
CN113222005B (zh) * | 2021-05-08 | 2022-05-27 | 兰州交通大学 | 一种土地覆盖自动更新方法 |
CN113191666B (zh) * | 2021-05-18 | 2023-11-24 | 郑州轻工业大学 | 耕地整治潜力评价方法、终端以及计算机可读存储介质 |
CN116342685B (zh) * | 2023-05-29 | 2023-07-28 | 四川凯普顿信息技术股份有限公司 | 一种基于dom影像的农业耕地地块的面积测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787457A (zh) * | 2016-03-08 | 2016-07-20 | 浙江工商大学 | 一种modis卫星集成dem提高植被分类遥感精度的估算方法 |
CN108663014A (zh) * | 2018-03-30 | 2018-10-16 | 中国水利水电科学研究院 | 一种垄沟耕作坡耕地田块相对高程数据计算方法 |
CN110415265A (zh) * | 2019-08-08 | 2019-11-05 | 南京师范大学 | 基于无人机高精度dem数据的梯田自动提取方法 |
CN111476182A (zh) * | 2020-04-13 | 2020-07-31 | 中国科学院空天信息创新研究院 | 一种基于多源数据和多向纹理滤波分析的梯田提取方法 |
-
2020
- 2020-08-25 CN CN202010864788.6A patent/CN111985422B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787457A (zh) * | 2016-03-08 | 2016-07-20 | 浙江工商大学 | 一种modis卫星集成dem提高植被分类遥感精度的估算方法 |
CN108663014A (zh) * | 2018-03-30 | 2018-10-16 | 中国水利水电科学研究院 | 一种垄沟耕作坡耕地田块相对高程数据计算方法 |
CN110415265A (zh) * | 2019-08-08 | 2019-11-05 | 南京师范大学 | 基于无人机高精度dem数据的梯田自动提取方法 |
CN111476182A (zh) * | 2020-04-13 | 2020-07-31 | 中国科学院空天信息创新研究院 | 一种基于多源数据和多向纹理滤波分析的梯田提取方法 |
Non-Patent Citations (2)
Title |
---|
wo-dimensional modelling of the within-field variation in rill and gully geometry and location related to topography;P.J.J. Desmet 等;ELSEVIER;全文 * |
权衡耕地保护与城市扩张的永久基本农田划定——以武汉市为例;黄慧 等;图形图像处理;第22卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111985422A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985422B (zh) | 基于遥感的耕地田面坡度估算方法、估算装置 | |
Jorayev et al. | Imaging and photogrammetry models of Olduvai Gorge (Tanzania) by Unmanned Aerial Vehicles: A high-resolution digital database for research and conservation of Early Stone Age sites | |
CN104462809A (zh) | 一种基于遥感与gis相结合的草地生产力估算方法 | |
Báčová et al. | A GIS method for volumetric assessments of erosion rills from digital surface models | |
CN105571571A (zh) | 基于三维激光扫描的堆积剖面空间结构信息分析方法 | |
CN109816779A (zh) | 一种使用智能手机重建人工林森林模型获取单木参数的方法 | |
CN107657618A (zh) | 基于遥感影像和地形数据的区域尺度侵蚀沟自动提取方法 | |
CN114511170A (zh) | 一种基于多光谱影像的土壤养分估计方法及装置 | |
CN113624716A (zh) | 一种基于植被覆盖度的土壤氮素估计方法 | |
CN110823813A (zh) | 林区地面生物量估测方法 | |
Baily et al. | Comparative assessment of analytical and digital photogrammetric methods in the construction of DEMs of geomorphological forms | |
Ji et al. | Dynamic assessment of soil water erosion in the three-north shelter forest region of China from 1980 to 2015 | |
Pan et al. | Remote sensing inversion of soil organic matter by using the subregion method at the field scale | |
Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
CN116628405A (zh) | 一种估算草地植被高度的遥感方法 | |
Patterson et al. | Effects of photographic distance on tree crown attributes calculated using UrbanCrowns image analysis software | |
Woodget et al. | Quantifying fluvial substrate size using hyperspatial resolution UAS imagery and SfM-photogrammetry | |
CN113450348B (zh) | 基于高分辨率立体像对影像的土壤侵蚀定量估算方法 | |
Tu et al. | Methods and experiments for collecting information and constructing models of bottom-layer contours in paddy fields | |
Huang et al. | Integration of remote sensing and GIS for evaluating soil erosion risk in Northwestern Zhejiang, China | |
Yang et al. | Coupling Model-Driven and Data-Driven Methods for Estimating Soil Moisture Over Bare Surfaces With Sentinel-1A Dual-Polarized Data | |
Zhang et al. | Digital Photogrammetry GRID (DPGRID) and its application | |
Guth | Quantifying topographic fabric: Eigenvector analysis using digital elevation models | |
CN114460082B (zh) | 一种基于热红外成像技术估算土壤蒸发强度的方法 | |
CN110211068B (zh) | 亚像素精度sar图像水线映射方法 |
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 |