CN112330672B - 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法 - Google Patents

基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法 Download PDF

Info

Publication number
CN112330672B
CN112330672B CN202011374100.2A CN202011374100A CN112330672B CN 112330672 B CN112330672 B CN 112330672B CN 202011374100 A CN202011374100 A CN 202011374100A CN 112330672 B CN112330672 B CN 112330672B
Authority
CN
China
Prior art keywords
lai
model
data
canopy coverage
prosail
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
Application number
CN202011374100.2A
Other languages
English (en)
Other versions
CN112330672A (zh
Inventor
张建
孙博
王楚锋
谢田晋
谢静
周广生
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.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
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 Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202011374100.2A priority Critical patent/CN112330672B/zh
Publication of CN112330672A publication Critical patent/CN112330672A/zh
Application granted granted Critical
Publication of CN112330672B publication Critical patent/CN112330672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，该方法实现了利用遥感数据结合PROSAIL模型提取作物精确的叶面积指数。本发明利用冠层覆盖度参数优化模拟的LAI，确保在不充分满足浑浊介质假设情况下依然能得到精确的结果，提高整体的准确度。建立的神经网络模型具有较强的鲁棒性，可以适应于多种情况。本发明对影像的分辨率要求不高，在合适分辨率下，依然可以得到相似且理想的结果。对于利用无人机进行遥感数据采集而言，可以节约用户购买多光谱相机的成本，还可以在获取图像时提高飞行高度，以降低飞行成本。

Description

基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演 方法
技术领域
本发明属于农业自动化领域，具体涉及一种作物叶面积指数提取方法，尤其涉及基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法。
背景技术
叶面积指数(LAI)是关系到作物光合作用、蒸腾作用等许多生物和物理过程的重要参数。时空LAI信息可用于优化农业管理决策。
应用遥感技术，可以实现低成本、高效率、无损害的LAI预测。一般而言，遥感技术在LAI或者其它生化参数的提取研究中，有两种最主要的方法，一种是经验统计模型算法，另一种是辐射传输模型(RTM)算法。经验统计模型通常是结合植被指数，建立植被指数与生化参数之间的经验线性关系，然后实现生化参数的提取。但是这种方法通常稳定性较差、局限性较强，不能准确地进行跨时空提取。而RTM由于在描述植株和光之间的交互作用方面表现出了很强的稳定性，因此这种方法在提取生化参数时，稳定性较强、局限性较小，可能准确地跨时空提取。
目前有3种最常见的使用RTMs反演叶面积指数的方法，它们分别是：(1)数值优化方法；(2)基于查找表的光谱匹配方法；(3)获取反射率与参数间相关关系的神经网络算法。这些方法中，神经网络算法在高速反演方面表现出很明显的优势，是大型数据集反演的首选。
然而，即使计算方法上的不断创新和发展可以在一定程度上提高反演精度，但是往往实测数据采集环境与模型建立所需满足的机理不完全匹配，导致了精度很大程度上会受到限制。由于PROSAIL模型是在浑浊介质假设成立下建立的，因此需要数据源“纯净”，即遥感数据的每个像元或者特定区域范围内，有且仅有一种植被对象。但是对于大田作物而言，由于行垄结构、土壤背景等冠层结构因素的影响，使得获取的遥感数据并不能总是保持“纯净”，使得PROSAIL在反演LAI时并没有严格地遵循浑浊介质假设，从而不能得到非常精确的结果。前人的研究中，也并未针对这种问题提出具体的解决方案。
发明内容：
(一)要解决的技术问题
为了保证较强的模型鲁棒性、较小的模型局限性，且能克服冠层结构在PROSAIL模型反演LAI时，对于结果精度所产生的影响，本发明提供了一种基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法。实现了对于作物LAI的精确且稳定的反演。
(二)技术方案
本发明为了解决其技术问题所采用的技术方案，提供了一种基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法。
基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，其特征在于：包括如下步骤：
步骤1，用光谱图像传感器获取作物光谱数据，进行预处理，得到反射率数据；
步骤2，对图像进行阈值分割，分离出影像中纯植被区域，提取出观测区域中植被反射率数据；同时，对观测区域的植被冠层覆盖度信息进行提取；
步骤3，对PROSAIL辐射传输模型的所有参数进行敏感性分析，筛选出对模型模拟结果敏感的若干个参数；
步骤4，对筛选出的参数分别设置合理取值范围和步长，其它参数设为默认值，模拟出n组400-2500nm反射率数据，n为正整数；
步骤5，对于采集图像数据时所使用的光谱传感器，获取其每个波段的半峰全宽(FHWM)，并基于这些FHWM将PROSAIL模型模拟的每条反射率曲线进行光谱重采样，得到若干个与实测数据相对应的反射率；
步骤6，将模拟反射率时设置的LAI与重采样得到的若干个波段反射率相结合，建立查找表(LUT)；
步骤7，基于查找表，构建机器学习提取模型，其中反射率数据为输入数据，LAI为输出数据；
步骤8，将步骤2提取到的区域反射率数据输入到提取模型中，输出LAI；
步骤9，使用冠层覆盖度数据对LAI结果进行优化，得到优化后的LAI。
更具体地，步骤1中，光谱数据为包括多光谱数据和高光谱数据，预处理包括图像拼接和辐射定标等。
更具体地，步骤2中，对图像进行阈值分割采取先计算植被指数，然后基于该植被指数影像采取大津阈值分割法或自然段点法进行。
更具体地，植被指数具体包括归一化植被指数NDVI、超绿植被指数ExG、归一化差异植被指数NDI和调整绿度植被指数中的一种或多种。
更具体地，步骤2中所提到的冠层反射率CC(Canopy Coverage)的计算公式为：
冠层覆盖度＝区域植被像元数量/区域总像元数量。
更具体地，步骤3中，PROSAIL模型由PROSPECT叶片光学特征模型和SAIL冠层双向反射模型组成；进行全局敏感性分析时，对这两个模型所有的参数一起进行分析；进行局部敏感性分析时，依次单独对每个参数进行分析。
更具体地，步骤7中，采用的机器学习算法包括人工神经网络算法、贝叶斯网络算法和支持向量机算法中的一种或多种。
更具体地，步骤9中，利用冠层覆盖度优化LAI结果，按照如下公式：
LAIcorrected＝LAIsimulated×CC。
其中LAIcorrected为优化后的LAI，LAIsimulated为初步模拟出来的LAI。
(三)有益效果
本发明基于发明人在本领域多年的技术积累和研发，提供了基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，该方法实现了利用遥感数据结合PROSAIL模型提取作物精确的叶面积指数。
与现有的技术而言，具备以下技术优势：(1)利用冠层覆盖度参数优化模拟的LAI，确保在不充分满足浑浊介质假设情况下依然能得到精确的结果，提高整体的准确度；(2)建立的神经网络模型具有较强的鲁棒性，可以适应于多种情况；(3)对影像的分辨率要求不高，在合适分辨率下，依然可以得到相似且理想的结果，因此，对于利用无人机进行遥感数据采集而言，可以节约用户购买多光谱相机的成本，还可以在获取图像时提高飞行高度，以降低飞行成本。
附图说明
图1为本发明的操作流程图。
具体实施方式
本发明为了解决其技术问题所采用的技术方案，提供了一种基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法。
基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，其特征在于：包括如下步骤：
步骤1，用光谱图像传感器获取作物光谱数据，进行预处理，得到反射率数据；
步骤2，对图像进行阈值分割，分离出影像中纯植被区域，提取出观测区域中植被反射率数据；同时，对观测区域的植被冠层覆盖度信息进行提取；
步骤3，对PROSAIL辐射传输模型的所有参数进行敏感性分析，筛选出对模型模拟结果敏感的若干个参数；
步骤4，对筛选出的参数分别设置合理取值范围和步长，其它参数设为默认值，模拟出n组400-2500nm反射率数据，n为正整数；
步骤5，对于采集图像数据时所使用的光谱传感器，获取其每个波段的半峰全宽(FHWM)，并基于这些FHWM将PROSAIL模型模拟的每条反射率曲线进行光谱重采样，得到若干个与实测数据相对应的反射率；
步骤6，将模拟反射率时设置的LAI与重采样得到的若干个波段反射率相结合，建立查找表(LUT)；
步骤7，基于查找表，构建机器学习提取模型，其中反射率数据为输入数据，LAI为输出数据；
步骤8，将步骤2提取到的区域反射率数据输入到提取模型中，输出LAI；
步骤9，使用冠层覆盖度数据对LAI结果进行优化，得到优化后的LAI。
更具体地，步骤1中，光谱数据为包括多光谱数据和高光谱数据，预处理包括图像拼接和辐射定标等。
更具体地，步骤2中，对图像进行阈值分割采取先计算植被指数，然后基于该植被指数影像采取大津阈值分割法或自然段点法进行。
更具体地，植被指数具体包括归一化植被指数NDVI、超绿植被指数ExG、归一化差异植被指数NDI和调整绿度植被指数中的一种或多种。
更具体地，步骤2中所提到的冠层反射率CC(Canopy Coverage)的计算公式为：
冠层覆盖度＝区域植被像元数量/区域总像元数量。
更具体地，步骤3中，PROSAIL模型由PROSPECT叶片光学特征模型和SAIL冠层双向反射模型组成；进行全局敏感性分析时，对这两个模型所有的参数一起进行分析；进行局部敏感性分析时，依次单独对每个参数进行分析。
更具体地，步骤7中，采用的机器学习算法包括人工神经网络算法、贝叶斯网络算法和支持向量机算法中的一种或多种。
更具体地，步骤9中，利用冠层覆盖度优化LAI结果，按照如下公式：
LAIcorrected＝LAIsimulated×CC。
其中LAIcorrected为优化后的LAI，LAIsimulated为初步模拟出来的LAI。
为了更好地解释本发明的技术方案，以苗期油菜为具体应用对象，本发明获得了如下结果：
(1)冠层覆盖度优化效果
基于PROSAIL模型分别不利用冠层覆盖度优化和利用冠层覆盖度优化并按照上述步骤提取LAI，结果表明：在利用冠层覆盖度进行优化前，相关系数R为0.890，标准均方根误差NRMSE为0.152。在利用冠层覆盖度优化后，相关系数R为0.911，标准均方根误差NRMSE为0.118。可以看到，利用冠层覆盖度优化后，提取的LAI精度有较大程度的提高(NRMSE减小了22.24％)。
(2)方法的稳定性
基于本发明所提出的方法，分别提取2个不同年份(2016和2018)、不同地块苗期油菜的LAI，结果表明2016相关系数R为0.911、标准均方根误差NRMSE为0.118，2018相关系数R为0.875、标准均方根误差NRMSE为0.168。可以看到本发明在环境变化情况下，依然可以提取到精度很高的LAI。
(3)方法对于影像分辨率的敏感度
基于本发明所提出的方法，分别在1cm、5cm、10cm影像下油菜LAI，结果表明3种分辨率下相关系数R分别为0.897、0.895、0.873，标准均方根误差NRMSE分别为0.125、0.125、0.130。这个结果与原始分辨率(0.26cm)下结果近似。这说明，本发明对于遥感影像质量(具体指分辨率)要求不高。因此，在实际应用中，可以利用成本较低的多光谱相机，适当增加无人机飞行高度，依然能得到精度很高的LAI结果。
本申请中所描述的具体实施例仅仅是对本发明精神举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种修改或补充或采用类似的方法替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，其特征在于：包括如下步骤：
步骤1，用光谱图像传感器获取作物光谱数据，进行预处理，得到反射率数据；
步骤2，对图像进行阈值分割，分离出影像中纯植被区域，提取出观测区域中植被反射率数据；同时，对观测区域的植被冠层覆盖度信息进行提取；
步骤3，对PROSAIL辐射传输模型的所有参数进行敏感性分析，筛选出对模型模拟结果敏感的若干个参数；
步骤4，对筛选出的参数分别设置合理取值范围和步长，其它参数设为默认值，模拟出n组400-2500nm反射率数据，n为正整数；
步骤5，对于采集图像数据时所使用的光谱传感器，获取其每个波段的半峰全宽FHWM，并基于这些FHWM将PROSAIL模型模拟的每条反射率曲线进行光谱重采样，得到若干个与实测数据相对应的反射率；
步骤6，将模拟反射率时设置的LAI与重采样得到的若干个波段反射率相结合，建立查找表LUT；
步骤7，基于查找表，构建机器学习提取模型，其中反射率数据为输入数据，LAI为输出数据；
步骤8，将步骤2提取到的区域反射率数据输入到提取模型中，输出LAI；
步骤9，使用冠层覆盖度数据对LAI结果进行优化，得到优化后的LAI；
其中，步骤2中，冠层覆盖度CC即Canopy Coverage的计算方法如下：
冠层覆盖度＝区域植被像元数量/区域总像元数量
步骤9中，利用冠层覆盖度优化LAI结果，按照如下公式：
LAIcorrected＝LAIsimulated×CC
其中LAIcorrected为优化后的LAI，LAIsimulated为初步模拟出来的LAI。
2.根据权利要求1所述的基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，其特征在于：步骤1中，光谱数据为包括多光谱数据和高光谱数据，预处理包括图像拼接和辐射定标。
3.根据权利要求1所述的基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，其特征在于：在步骤2中，对图像进行阈值分割采取先计算植被指数，然后基于该植被指数影像采取大津阈值分割法或自然段点法进行。
4.根据权利要求3所述的基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，其特征在于：植被指数具体包括归一化植被指数NDVI、超绿植被指数ExG、归一化差异植被指数NDI和调整绿度植被指数中的一种或多种。
5.根据权利要求1所述的基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，其特征在于：步骤3中，PROSAIL模型由PROSPECT叶片光学特征模型和SAIL冠层双向反射模型组成；进行全局敏感性分析时，对这两个模型所有的参数一起进行分析；进行局部敏感性分析时，依次单独对每个参数进行分析。
6.根据权利要求1所述的基于PROSAIL模型和冠层覆盖度优化的作物叶面积指数反演方法，其特征在于：步骤7中，采用的机器学习算法包括人工神经网络算法、贝叶斯网络算法和支持向量机算法中的一种或多种。
CN202011374100.2A 2020-11-28 2020-11-28 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法 Active CN112330672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011374100.2A CN112330672B (zh) 2020-11-28 2020-11-28 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011374100.2A CN112330672B (zh) 2020-11-28 2020-11-28 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法

Publications (2)

Publication Number Publication Date
CN112330672A CN112330672A (zh) 2021-02-05
CN112330672B true CN112330672B (zh) 2022-07-29

Family

ID=74309382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011374100.2A Active CN112330672B (zh) 2020-11-28 2020-11-28 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法

Country Status (1)

Country Link
CN (1) CN112330672B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113252592B (zh) * 2021-06-25 2021-10-08 成都信息工程大学 枯草参数率定方法
CN117313451A (zh) * 2023-09-01 2023-12-29 长安大学 一种基于e-inform模型的作物冠层结构参数反演方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110579186A (zh) * 2019-08-26 2019-12-17 中国农业大学 基于逆高斯过程反演叶面积指数的农作物长势监测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7108192B2 (en) * 1999-09-17 2006-09-19 Silverbrook Research Pty Ltd Rotationally symmetric tags
EP1419385A1 (en) * 2001-07-25 2004-05-19 Ministeriet for Fodevarer, Landbrug OG Fiskeri Improved real time method for controlling applications of fertilizers and other yield improving agents to crops
CN102878957B (zh) * 2012-09-26 2015-05-27 安徽大学 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法
CN106442329A (zh) * 2016-08-31 2017-02-22 青岛农业大学 一种基于冠层图像参数的冬小麦叶面积指数估算方法
CN106780079B (zh) * 2016-11-28 2020-12-29 山东省农业可持续发展研究所 基于遥感数据的冬小麦不同生育期叶面积指数反演方法
CN106845428B (zh) * 2017-01-26 2020-03-31 中国科学院遥感与数字地球研究所 一种作物产量遥感估算方法及系统
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN109886962B (zh) * 2019-03-27 2022-08-09 南京林业大学 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法
CN110544277B (zh) * 2019-08-12 2023-01-10 蔡建楠 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110579186A (zh) * 2019-08-26 2019-12-17 中国农业大学 基于逆高斯过程反演叶面积指数的农作物长势监测方法

Also Published As

Publication number Publication date
CN112330672A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN109360206B (zh) 基于深度学习的大田稻穗分割方法
Wendel et al. Maturity estimation of mangoes using hyperspectral imaging from a ground based mobile platform
CN108985588B (zh) 一种农作物单产遥感估算方法、装置与系统
CN109086826B (zh) 基于图像深度学习的小麦干旱识别方法
CN112330672B (zh) 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法
CN110414738B (zh) 一种农作物产量预测方法及系统
CN114821362B (zh) 一种基于多源数据的水稻种植面积提取方法
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
Rasti et al. A survey of high resolution image processing techniques for cereal crop growth monitoring
CN111028096A (zh) 一种天、空、地一体化数据融合的系统和方法
CN112183428A (zh) 一种小麦种植区域分割与产量预测方法
US20220307971A1 (en) Systems and methods for phenotyping
CN113936254B (zh) 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置
CN113920376B (zh) 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法
CN113033279A (zh) 一种基于多源遥感影像的作物精细分类方法及其系统
CN110032963A (zh) 互花米草新生斑块的动态监测方法
CN117197668A (zh) 基于深度学习的作物倒伏级别的预测方法及系统
CN115687850A (zh) 一种农田的灌溉需水量计算方法及装置
AU2021101780A4 (en) Aboveground Biomass Estimation and Scale Conversion for Mean Regional Spectral Units
Wang et al. The impact of variable illumination on vegetation indices and evaluation of illumination correction methods on chlorophyll content estimation using UAV imagery
CN111832480B (zh) 一种基于光谱特征的油菜种植区遥感识别方法
AHM et al. A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops
Saeed et al. Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks
Concepcion II et al. A novel artificial bee colony-optimized visible oblique dipyramid greenness index for vision-based aquaponic lettuce biophysical signatures estimation
CN114463642A (zh) 一种基于深度学习的耕地地块提取方法

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