CN112240869A - 一种基于高分遥感影像的草原地块信息提取方法 - Google Patents
一种基于高分遥感影像的草原地块信息提取方法 Download PDFInfo
- Publication number
- CN112240869A CN112240869A CN202011281928.3A CN202011281928A CN112240869A CN 112240869 A CN112240869 A CN 112240869A CN 202011281928 A CN202011281928 A CN 202011281928A CN 112240869 A CN112240869 A CN 112240869A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- grassland
- information
- data
- livestock
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 244000144972 livestock Species 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 230000005484 gravity Effects 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000010365 information processing Effects 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012729 kappa analysis Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 206010033307 Overweight Diseases 0.000 abstract 2
- 238000003384 imaging method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 241000209504 Poaceae Species 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000009304 pastoral farming Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Abstract
本发明属于草原地块监测领域，具体公开了一种基于高分遥感影像的草原地块信息提取方法，包括将待提取的草原区域分为若干个草原地块，并根据容易发生草原荒漠化、载畜量超载的环境因子从该草原地块环境区域中筛选出重点高风险区域；获取所述重点高风险区域的遥感数据，并从该遥感数据中裁剪出遥感特征影像数据；根据光谱库中保存的植被、牲畜等，使用面向对象分类方法从所述重点高风险区遥感影像数据中识别出荒漠化地块、载畜量超载地块；对识别出的荒漠化地块、载畜量超载地块进行精度检验。本发明使用面向对象分类方法对重点高风险区遥感影像数据进行分类识别，可以有效的提高监测效率和监测的准确性，而且信息提取及分析效率更快。
Description
技术领域
本发明涉及草原地块监测领域，具体为一种基于高分遥感影像的草原地块信息提取方法。
背景技术
草原是地球生态系统的一种，分为热带草原、温带草原等多种类型，是地球上分布最广的植被类型。草原的形成原因是土壤层薄或降水量少，草本植物受影响小，使植物无法广泛生长。中国是世界上草原资源最丰富的国家之一，草原总面积将近4亿公顷，占全国土地总面积的40％，为现有耕地面积的3倍。草原与相关植被类型之间通常会出现一种动态平衡。有时候，干旱、火灾或密集放牧的时段有利于草原形成，其他时候，湿季和没有重大干扰时有利于木本植被生长，这些因素在频率和严重性方面的改变可造成植被类型整个的转变，而且由于长期的过度开垦和过度放牧等原因，中国草原的沙化、退化现象较为严重。
随着农业、畜牧业信息化、智能化已成为我国现代农业、畜牧业发展的新方向。农业、畜牧业信息化、智能化就是按照每一具体草原地块的条件，及时、准确的获取地块地表信息，从而最大限度地优化各项农业投入、进行精细精准管理、荒漠化预测、草原载畜量预测和防治等，以获取最高产量和最大经济效益，同时保护草原生态环境。
草原植被遥感监测是利用3S技术(遥感、地理信息系统和全球定位系统)，结合地面调查数据实现对草原植被的监测。草原遥感监测的内容主要包括草原植被长势、草原植被生物量和草畜平衡估算等内容。随着3S技术的不断发展与成熟，特别是对地观测技术的迅速发展，高时空分辨率卫星遥感数据获取技术的不断完善，草原植被遥感监测技术也迅速发展。
现有针对草原植被遥感监测(如专利公开号为CN102033230B的发明专利)，其是采用草原卫星遥感监测系统进行统筹计算，从而实现对草原植被进行检测，但是由于草原面积较为广袤，在进行遥感统筹及统筹计算分析时，筛查效率较低。
发明内容
本发明的目的在于提供一种基于高分遥感影像的草原地块信息提取方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于高分遥感影像的草原地块信息提取方法，包括如下步骤：
S1：将待提取的草原区域分为若干个草原地块，并根据容易发生草原荒漠化、载畜量超载的环境因子从该草原地块环境区域中筛选出重点高风险区域；
S2：获取所述重点高风险区域的遥感数据，并从该遥感数据中裁剪出遥感特征影像数据；
S3：根据光谱库中保存的植被、牲畜等光谱信息，使用面向对象分类方法从所述重点高风险区遥感影像数据中识别出荒漠化地块、载畜量超载地块；
S4：对识别出的荒漠化地块、载畜量超载地块进行精度检验。
优选的，步骤S1中环境因子的获取通过信息获取及综合分析系统实现，信息获取及综合分析系统包括地块基本信息查询模块、信息处理模块与数据信息评价模块，其中地块基本信息查询模块通过关键词从开放平台检索获取相应文献、报刊、新闻，信息处理模块用于对获取的文献信息进行自然段落处理以及结构化数据的提取。
优选的，地块基本信息查询模块、信息处理模块具体执行的检索获取及处理步骤包括：步骤a：根据影响草原荒漠化、载畜量超载环境因子的宏观和/或微观层面选取特征关键词，特征关键词包括气温、降水因子以及反映人类社会经济活动的人口、耕地、牲畜迁徙在内的相关中英文关键词；步骤b：通过特征关键词从开放平台检索获取相应文献，文献包括文献名称、内容、来源期刊、发表时间在内的文献相关信息，并对通过数据库对检索到的文献基本信息进行管理分类；步骤c：通过信息处理模块检索获取的数字化文献内容信息，并对文献内容中自然段落进行预处理，预处理处理过程包括：将自然段落根据结构特征词判定描述内容，并划分为包括地块基本信息、评价信息在内的多个内容片段，并对该内容片段进行结构化数据提取。
优选的，数据信息评价模块用于对已提取的结构化数据进行查询以及关联分析，分析获得最终的环境因子，并基于该环境因子从草原地块中筛选出重点高风险区域。
优选的，步骤S2中重点高风险区域遥感数据的获取及裁剪具体包括：S21：通过卫星遥感获得上述重点高风险区域的遥感数据，并对该数据进行预处理，预处理包括几何校正、辐射校正、大气校正和光谱重建，预处理获得具有空间几何定位信息的高光谱反射率数据；S22：根据特征数据，并从上述该遥感数据中裁剪出遥感特征影像数据。
优选的，遥感数据是通过卫星平台上搭载的传感器获得，遥感成像时由于各种因素的影响，使得遥感数据会存在一定的几何畸变、大气消光、辐射量失真等现象，这些畸变和失真现象影响了遥感数据的质量，因此必须对其进行消除，举例说明如下：首先需要对遥感数据进行几何校正，由于遥感平台运动状况变化、地形起伏、地球表面曲率的影响等，遥感影像出现了变形，因此需要对遥感影像进行几何纠正，使得影像与标准影像或者地表实际情况相一致。几何校正是使用RPC模型对遥感数据进行几何校正，RPC(RationalPolynomial Coefficient)有理多项式系数，通过共线方程建立严格的几何成像模型需要获取传感器的各种成像参数，如航空影像的内外方位元素、卫星轨道参数、传感器平台的方位参数等。由于传感器模型建立的是地面点对应像点之间的严格的几何关系，具有较高的定位精度，RPC模型是通用传感器模型之一，可以用来模拟或替代严格成像模型，由于某些传感器的核心信息和卫星轨道参数并未公开，而RPC模型不需要姿态等信息数据，而且精度也可以满足要求。
优选的，辐射校正是使用FLAASH模型对完成几何校正后的遥感数据进行辐射校正。
优选的，步骤S3中具体包括：根据植被、载畜光谱信息为分割出的影像对象构建出植被识别特征，植被识别特征包括：影像对象的光谱特征、几何特征和多时相特征，通过植被识别特征对分割出的影像对象进行分类识别，从而得到荒漠化地块、载畜量超载地块。
优选的，步骤S4中精度检验包括混淆矩阵以及Kappa统计。
与现有技术相比，本发明的有益效果是：
本发明通过先通过检索分析等技术对重点高风险进行确定，并在选择遥感数据作为数据源，使用面向对象分类方法对重点高风险区遥感影像数据进行分类识别，可以有效的提高监测效率和监测的准确性，同时由于是针对式处理使得信息提取及分析效率更快，能及时、充分的了解草畜平衡的现状及其动态变化，通过应用本发明可以实现荒漠化预测、草原载畜量等，从而更好地合理利用草原，实现草原资源的可持续利用。
附图说明
图1为本发明的流程框图。
具体实施方式
下面将结合本发明的附图对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做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。
本发明提供一种技术方案：一种基于高分遥感影像的草原地块信息提取方法，包括如下步骤：
S1：将待提取的草原区域分为若干个草原地块，并根据容易发生草原荒漠化、载畜量超载的环境因子从该草原地块环境区域中筛选出重点高风险区域；
S2：获取所述重点高风险区域的遥感数据，并从该遥感数据中裁剪出遥感特征影像数据；
S3：根据光谱库中保存的植被、牲畜等光谱信息，使用面向对象分类方法从所述重点高风险区遥感影像数据中识别出荒漠化地块、载畜量超载地块；
S4：对识别出的荒漠化地块、载畜量超载地块进行精度检验。
在本实施例中，步骤S1中环境因子的获取通过信息获取及综合分析系统实现，信息获取及综合分析系统包括地块基本信息查询模块、信息处理模块与数据信息评价模块，其中地块基本信息查询模块通过关键词从开放平台检索获取相应文献、报刊、新闻，信息处理模块用于对获取的文献信息进行自然段落处理以及结构化数据的提取。
在本实施例中，地块基本信息查询模块、信息处理模块具体执行的检索获取及处理步骤包括：
步骤a：根据影响草原荒漠化、载畜量超载环境因子的宏观和/或微观层面选取特征关键词，特征关键词包括气温、降水因子以及反映人类社会经济活动的人口、耕地、牲畜迁徙在内的相关中英文关键词；
步骤b：通过特征关键词从开放平台检索获取相应文献，文献包括文献名称、内容、来源期刊、发表时间在内的文献相关信息，并对通过数据库对检索到的文献基本信息进行管理分类；
步骤c：通过信息处理模块检索获取的数字化文献内容信息，并对文献内容中自然段落进行预处理，预处理处理过程包括：将自然段落根据结构特征词判定描述内容，并划分为包括地块基本信息、评价信息在内的多个内容片段，并对该内容片段进行结构化数据提取。
在本实施例中，数据信息评价模块用于对已提取的结构化数据进行查询以及关联分析，分析获得最终的环境因子，并基于该环境因子从草原地块中筛选出重点高风险区域。
在本实施例中，步骤S2中重点高风险区域遥感数据的获取及裁剪具体包括：S21：通过卫星遥感获得上述重点高风险区域的遥感数据，并对该数据进行预处理，预处理包括几何校正、辐射校正、大气校正和光谱重建，预处理获得具有空间几何定位信息的高光谱反射率数据；S22：根据特征数据，并从上述该遥感数据中裁剪出遥感特征影像数据。
在本实施例中，遥感数据是通过卫星平台上搭载的传感器获得，遥感成像时由于各种因素的影响，使得遥感数据会存在一定的几何畸变、大气消光、辐射量失真等现象，这些畸变和失真现象影响了遥感数据的质量，因此必须对其进行消除，举例说明如下：首先需要对遥感数据进行几何校正，由于遥感平台运动状况变化、地形起伏、地球表面曲率的影响等，遥感影像出现了变形，因此需要对遥感影像进行几何纠正，使得影像与标准影像或者地表实际情况相一致。几何校正是使用RPC模型对遥感数据进行几何校正，RPC(RationalPolynomial Coefficient)有理多项式系数，通过共线方程建立严格的几何成像模型需要获取传感器的各种成像参数，如航空影像的内外方位元素、卫星轨道参数、传感器平台的方位参数等。
RPC模型可表示为：
其中l和s是像点在像平面上的行列值标准化后的结果，(X,Y,Z)是物方点空间坐标标准化后的结果，
Nl(X,Y,Z)
＝a0+a1Z+a2Y+a3X+a4ZY+a5ZX+a6YX+a7Z2+a8Y2+a9X2+a10ZYX+a11Z2Y+a12Z2X+a13ZY2+a14Y2X+a15Z2X+a16Y2X+a17Z3+a18Y3+a19X3
Dl(X,Y,Z)
＝b0+b1Z+b2Y+b3X+b4ZY+b5ZX+b6YX+b7Z2+b8Y2+b9X2+b10ZYX+b11Z2Y+b12Z2X+b13ZY2+b14Y2X+b15Z2X+b16Y2X+b17Z3+b18Y3+b19X3
Ns(X,Y,Z)＝c0+c1Z+c2Y+c3X+c4ZY+c5ZX+c6YX+c7Z2+c8Y2+c9X2+c10ZYX+c11Z2Y+c12Z2X+c13ZY2+c14Y2X+c15Z2X+c16Y2X+c17Z3+c18Y3+c19X3
Ds(X,Y,Z)
＝d0+d1Z+d2Y+d3X+d4ZY+d5ZX+d6YX+d7Z2+d8Y2+d9X2+d10ZYX+d11Z2Y+d12Z2X+d13ZY2+d14Y2X+d15Z2X+d16Y2X+d17Z3+d18Y3+d19X3
系数a(i＝0,1,2……19)统称为有理多项式函数系数。多项式系数ai,bi,ci,di(i＝0,1,2,......,19)可由遥感影像提供的RPC文件获取。
由于传感器模型建立的是地面点对应像点之间的严格的几何关系，具有较高的定位精度，RPC模型是通用传感器模型之一，可以用来模拟或替代严格成像模型，由于某些传感器的核心信息和卫星轨道参数并未公开，而RPC模型不需要姿态等信息数据，而且精度也可以满足要求。
在本实施例中，辐射校正是使用FLAASH模型对完成几何校正后的遥感数据进行辐射校正。
在本实施例中，步骤S3中具体包括：根据植被、载畜光谱信息为分割出的影像对象构建出植被识别特征，植被识别特征包括：影像对象的光谱特征、几何特征和多时相特征，通过植被识别特征对分割出的影像对象进行分类识别，从而得到荒漠化地块、载畜量超载地块。
在本实施例中，步骤S4中精度检验包括混淆矩阵以及Kappa统计。
其中Kappa系数是通过把所有真实参考的像元总数(N)乘以混淆矩阵对角线(XKK)的和，再减去各类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去各类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。
而混淆矩阵又称误差矩阵，其是一个用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列。通常，阵列中的列代表参考数据，行代表由遥感数据分类得到的类别数据，有像元数和百分比表示两种。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于高分遥感影像的草原地块信息提取方法，其特征在于，包括如下步骤：
S1：将待提取的草原区域分为若干个草原地块，并根据容易发生草原荒漠化、载畜量超载的环境因子从该草原地块环境区域中筛选出重点高风险区域；
S2：获取所述重点高风险区域的遥感数据，并从该遥感数据中裁剪出遥感特征影像数据；
S3：根据光谱库中保存的植被、牲畜等光谱信息，使用面向对象分类方法从所述重点高风险区遥感影像数据中识别出荒漠化地块、载畜量超载地块；
S4：对识别出的荒漠化地块、载畜量超载地块进行精度检验。
2.根据权利要求1所述的一种基于高分遥感影像的草原地块信息提取方法，其特征在于，所述步骤S1中环境因子的获取通过信息获取及综合分析系统实现，信息获取及综合分析系统包括地块基本信息查询模块、信息处理模块与数据信息评价模块，其中地块基本信息查询模块通过关键词从开放平台检索获取相应文献、报刊、新闻，信息处理模块用于对获取的文献信息进行自然段落处理以及结构化数据的提取。
3.根据权利要求1所述的一种基于高分遥感影像的草原地块信息提取方法，其特征在于，所述地块基本信息查询模块、信息处理模块具体执行的检索获取及处理步骤包括：
步骤a：根据影响草原荒漠化、载畜量超载环境因子的宏观和/或微观层面选取特征关键词，特征关键词包括气温、降水因子以及反映人类社会经济活动的人口、耕地、牲畜迁徙在内的相关中英文关键词；
步骤b：通过特征关键词从开放平台检索获取相应文献，文献包括文献名称、内容、来源期刊、发表时间在内的文献相关信息，并对通过数据库对检索到的文献基本信息进行管理分类；
步骤c：通过信息处理模块检索获取的数字化文献内容信息，并对文献内容中自然段落进行预处理，预处理处理过程包括：将自然段落根据结构特征词判定描述内容，并划分为包括地块基本信息、评价信息在内的多个内容片段，并对该内容片段进行结构化数据提取。
4.根据权利要求1所述的一种基于高分遥感影像的草原地块信息提取方法，其特征在于，所述数据信息评价模块用于对已提取的结构化数据进行查询以及关联分析，分析获得最终的环境因子，并基于该环境因子从草原地块中筛选出重点高风险区域。
5.根据权利要求1所述的一种基于高分遥感影像的草原地块信息提取方法，其特征在于，所述步骤S2中重点高风险区域遥感数据的获取及裁剪具体包括：S21：通过卫星遥感获得上述重点高风险区域的遥感数据，并对该数据进行预处理，预处理包括几何校正、辐射校正、大气校正和光谱重建，预处理获得具有空间几何定位信息的高光谱反射率数据，其中几何校正是使用RPC模型对遥感数据进行几何校正，辐射校正是使用FLAASH模型对完成几何校正后的遥感数据进行辐射校正；S22：根据特征数据，并从上述该遥感数据中裁剪出遥感特征影像数据。
6.根据权利要求1所述的一种基于高分遥感影像的草原地块信息提取方法，其特征在于，所述步骤S3中具体包括：根据植被、载畜光谱信息为分割出的影像对象构建出植被识别特征，植被识别特征包括：影像对象的光谱特征、几何特征和多时相特征，通过植被识别特征对分割出的影像对象进行分类识别，从而得到荒漠化地块、载畜量超载地块。
7.根据权利要求1所述的一种基于高分遥感影像的草原地块信息提取方法，其特征在于，所述步骤S4中精度检验包括混淆矩阵以及Kappa统计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011281928.3A CN112240869A (zh) | 2020-11-16 | 2020-11-16 | 一种基于高分遥感影像的草原地块信息提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011281928.3A CN112240869A (zh) | 2020-11-16 | 2020-11-16 | 一种基于高分遥感影像的草原地块信息提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112240869A true CN112240869A (zh) | 2021-01-19 |
Family
ID=74166704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011281928.3A Pending CN112240869A (zh) | 2020-11-16 | 2020-11-16 | 一种基于高分遥感影像的草原地块信息提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112240869A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112820109A (zh) * | 2021-01-15 | 2021-05-18 | 林安齐 | 一种道路巡检安全预警方法及系统 |
| CN112906648A (zh) * | 2021-03-24 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 一种地块中对象的分类方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108053072A (zh) * | 2017-12-22 | 2018-05-18 | 中国科学院地理科学与资源研究所 | 沙漠化动态模拟模型的构建及应用 |
| CN109815315A (zh) * | 2019-01-29 | 2019-05-28 | 中国矿业大学(北京) | 一种基于文献的污染地块信息综合分析方法 |
| CN111257250A (zh) * | 2020-01-21 | 2020-06-09 | 河北省农林科学院农业资源环境研究所 | 陆地农产品产地高风险区域识别方法及差异化处理方法 |
| CN111598336A (zh) * | 2020-05-15 | 2020-08-28 | 河北民族师范学院 | 一种基于土壤有机质空间分布的草原载畜潜力分区方法 |
-
2020
- 2020-11-16 CN CN202011281928.3A patent/CN112240869A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108053072A (zh) * | 2017-12-22 | 2018-05-18 | 中国科学院地理科学与资源研究所 | 沙漠化动态模拟模型的构建及应用 |
| CN109815315A (zh) * | 2019-01-29 | 2019-05-28 | 中国矿业大学(北京) | 一种基于文献的污染地块信息综合分析方法 |
| CN111257250A (zh) * | 2020-01-21 | 2020-06-09 | 河北省农林科学院农业资源环境研究所 | 陆地农产品产地高风险区域识别方法及差异化处理方法 |
| CN111598336A (zh) * | 2020-05-15 | 2020-08-28 | 河北民族师范学院 | 一种基于土壤有机质空间分布的草原载畜潜力分区方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钞振华: "阿勒泰地区天然草地的遥感监测", 中国优秀博硕士学位论文全文数据库 (硕士) 农业科技辑, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112820109A (zh) * | 2021-01-15 | 2021-05-18 | 林安齐 | 一种道路巡检安全预警方法及系统 |
| CN112906648A (zh) * | 2021-03-24 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 一种地块中对象的分类方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
| Chong et al. | Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine | |
| Thorp et al. | Deep machine learning with Sentinel satellite data to map paddy rice production stages across West Java, Indonesia | |
| Wang et al. | Classification of rice yield using UAV-based hyperspectral imagery and lodging feature | |
| Mtibaa et al. | Land cover mapping in cropland dominated area using information on vegetation phenology and multi-seasonal Landsat 8 images | |
| Xiong et al. | Ecological environment quality assessment of Xishuangbanna rubber plantations expansion (1995–2018) based on multi-temporal Landsat imagery and RSEI | |
| Liang et al. | Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery | |
| CN112240869A (zh) | 一种基于高分遥感影像的草原地块信息提取方法 | |
| CN116543316B (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 | |
| Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
| Huang et al. | Early mapping of winter wheat in Henan province of China using time series of Sentinel-2 data | |
| Song et al. | Estimating reed loss caused by Locusta migratoria manilensis using UAV-based hyperspectral data | |
| Brendel et al. | Assessment of the effectiveness of supervised and unsupervised methods: maximizing land-cover classification accuracy with spectral indices data | |
| Geng et al. | Migratory locust habitat analysis with PB-AHP model using Time-Series satellite images | |
| Koranteng et al. | Remote sensing study of land use/cover change in West Africa | |
| CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
| Yang et al. | Towards Scalable Within-Season Crop Mapping With Phenology Normalization and Deep Learning | |
| Cánibe et al. | Assessing the uncertainty arising from standard land‐cover mapping procedures when modelling species distributions | |
| Sitokonstantinou et al. | A sentinel based agriculture monitoring scheme for the control of the cap and food security | |
| Pott et al. | Crop type classification in Southern Brazil: Integrating remote sensing, crop modeling and machine learning | |
| Yang et al. | Mapping crop leaf area index at the parcel level via inverting a radiative transfer model under spatiotemporal constraints: A case study on sugarcane | |
| WO2023131949A1 (en) | A versatile crop yield estimator | |
| Singha et al. | Rice crop growth monitoring with sentinel 1 SAR data using machine learning models in google earth engine cloud | |
| CN115719453A (zh) | 一种基于深度学习的水稻种植结构遥感提取方法 | |
| Zhou et al. | Analyzing nitrogen effects on rice panicle development by panicle detection and time-series tracking |
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 |