CN112395914A - 一种融合遥感影像时序与纹理特征的地块作物识别方法 - Google Patents
一种融合遥感影像时序与纹理特征的地块作物识别方法 Download PDFInfo
- Publication number
- CN112395914A CN112395914A CN201910752157.2A CN201910752157A CN112395914A CN 112395914 A CN112395914 A CN 112395914A CN 201910752157 A CN201910752157 A CN 201910752157A CN 112395914 A CN112395914 A CN 112395914A
- Authority
- CN
- China
- Prior art keywords
- plot
- remote sensing
- time sequence
- crop
- image
- 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
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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种融合遥感影像时序与纹理特征的地块作物识别方法，首先利用分割算法提取高空间分辨率影像中的农田地块边界，作为农作物识别的最小单元；其次，采用主成分分析(PCA)获取高分辨遥感影像的主要波段信息二值图，之后计算地块内灰度共生矩阵(GLCM)统计变量，形成作物识别的地块纹理特征集；再次，基于多源遥感数据分析不同遥感传感器之间反射率，构建统一的地物反射率模型，计算并形成地块下NDVI时序曲线特征，形成作物识别的地块时序特征集；最后利用统计分析地块下的不同特征，区分不同特征的作物识别能力，选出优势特征集作为SVM分类器的输入变量，并最终获取分类结果。
Description
技术领域
本发明涉及遥感影像处理技术及遥感影像地块农作物识别方法，具体地说，涉及遥感影像分类技术及其核心的地块下纹理、时序特征获取，本发明适用于基于多源多时相遥感影像进行农田地块级作物的物候信息及类别精确识别。
背景技术
随着民用遥感卫星的出现，农业遥感作为遥感技术应用的一个研究方向已成为研究热点。特别是随着高空间分辨率、高光谱和高时间分辨率遥感数据的出现，遥感技术在田间作物耕地信息获取、长时间序列作物精细分类、动态监测等方面逐步取得较大进展。在农作物分类研究中，研究者往往从高时间分辨率和高空间分辨率两个角度进行分析，包括：
(1)基于不同传感器影像数据以及其他历史辅助数据，构建高时间分辨率影像序列，通过计算植被指数时间序列获取农作物物候特征，识别作物种类。利用多种数据，如气象、地质土壤等空间数据和历史统计数据等，挖掘多种数据的各自优势构建适用于不同农作物信息获取的分类决策器。基于不同遥感数据源，由于受到不同传感器类型、大气条件等因素，不同影像上同一作物的地表反射率会有所差异，需要作进一步的平滑降噪处理。在处理不同传感器数据构建的时间序列上，研究者提出了一系列时间序列平滑方法，并在此基础上研究农作物分类方法，如Mean Value Iteration(MVI)和Savitzky-Golay Filter(S-G)滤波方法等。相关参考文献包括Wardlow，B.D.，Egbert，S.L.Large-area crop mappingusing time-series MODIS 250 m NDVI data：An assessment for the U.S.CentralGreat Plains.Remote Sensing of Environment，2008，112(3)：1096-1116；JohnsonGE，Achutuni V R，Thiruvengadachari S，et al.The Role of NOAA Satellite Data inDrought Early Warning and Monitoring：Selected Case Studies.DroughtAssessment，Management，and Planning：Theory and Case Studies.Springer US，1993等。
(2)对于高空间分辨遥感影像，其清晰的几何纹理结构作为遥感图像重要信息和基本特征已被广泛应用于遥感分类。对于植被光谱特征类似地物，且由于地物的复杂性和空间多样性，对于不同空间尺度的地物表现形态会有所不同，融入纹理信息对于增加其区分度有积极作用。综合光谱特征和纹理特征作为分类向量可以进一步提高作物分类精度。在高空间分辨率遥感影像上，地物特征表现清晰，农田耕地作物边界明显。在同一地物边界内作物类型单一，但较高的分辨率容易造成同一地物的光谱差异增大。因此选取高空间分辨率中地物的农田边界，融入合适分辨率影像的农作物光谱信息进行地块边界控制下的作物特征分析显得尤为重要。相关参考文献包括Shaban M A，Dikshit O.Improvement ofclassification in urban areas by the use of textural features：the case studyof Lucknow City，Uttar Pradesh.International Journal of Remote Sensing，2001，22(4)：565-593；Robertson L D，King D J.Comparion of pixel-and objectbasedclassification in land-cover change mapping.International Journal of RemoteSensing，2011，32(1)：1505-1529等。
获取农作物遥感特征是农作物遥感分类的重要前提。选择合适的遥感特征构建特征集对于改善农田地块破碎、作物种植结构复杂区域的作物分类有很大的作用。对于弥补中低分辨率影像中几何特征不足，以及面对高空间分辨率影像光谱和时间特征的缺乏，需要结合不同分辨率遥感影像数据，充分挖掘不同影像数据的优势特征，组合不同遥感地物特征构建最佳的分类决策模型，从而针对具体的研究区进行多维度遥感作物识别。
在本专利相关方面的专利方面，可查到的专利中与本专利相关的并不多，仅包含2个，分别为：中国农业大学刘哲，孙海艳，金虹杉，李智晓，张超，宁明宇，陈英义的发明专利“多源多时相高分遥感影像的制种玉米田识别方法及系统”(公开号：106355143A)，该专利主要是针对高分一号影像数据的光谱与纹理信息进行进行的玉米提取，与本专利中针对地块级的时间序列建立相关度不大；以及中国水稻研究所的唐健，范德耀的发明专利“基于DSP的水稻杂草识别系统及其识别方法”(公开号：102184392A)，该专利主要是针对DSP的水稻杂草识别方法，主要属于硬件、设备发明领域，与本专利没有相关性。
发明内容
本发明的目的是提供一种融合遥感影像时序与纹理特征的地块作物识别方法，重点应用高空间分辨率影像的空间纹理信息、高时间分辨率影像的时间序列信息，形成以农田地块为基本单元的分类特征集合。并对所有分类特征进行统计分析实现特征优选，取得良好分类结果。
本发明的基本思路为：根据影像分割和矢量编辑提取农田地块边界；应用主成分分析获取高空间分辨率影像主要波段信息，并计算地块单元下灰度共生矩阵(GLCM)统计值；针对多源多时相遥感影像引入地物光谱反射率归一化模型，形成统一的地块尺度下的NDVI时序特征；根据地块内纹理时序特征，采用统计分析优势特征，形成最终分类特征集合，并结合支撑向量机分类器取得分类结果。
本发明的技术方案提供了一种融合遥感影像时序、纹理特征的田间地块作物识别方法，包括以下的实施步骤：
1)农田矢量地块边界获取。利用影像分割算法对高空间分辨率遥感影像进行分割，并通过人工编辑获取农田地块矢量边界，作为农作物分类的最小基本单元。
2)主成分分析(PCA)。引入统计分析中的主成分分析(PCA)，对高空间分辨影像波段进行降维处理，获取该影像的第一主成分的主要波段信息二值图，并作为计算纹理信息的基础数据源。
3)获取地块纹理特征。基于灰度共生矩阵(GLCM)提取纹理信息。以农田地块为最小单元，在每一个地块内以3×3(或者5×5)的分析窗口计算纹理统计值，并以地块内纹理平均值作为该地块的纹理特征标识。
4)光谱归一化。对经过辐射定标、几何纠正的多源多时相遥感影像，分别计算地块单元下的不同传感器影像地物反射率，并以平均值作为该地块作物反射率标识。以其中某一传感器为基准构建线性转换方程，形成统一的地块标识NDVI时间序列曲线。
5)获取地块时序特征。计算地块NDVI时间序列曲线物候特征、以及曲线的整体分布特征：偏度和峰度。所有时序特征的获取均在地块单元下完成，作为地块分类的时序特征集合。
6)特征优选。根据地块内纹理、时序特征类型，使用统计分类箱型图分析各个特征对主要农作物类别的可分性，优选出对分类贡献度大的特征集合。
7)以优选的特征集合作为输入，进行小样本训练。利用支撑向量机(SVM)分类器获取分类结果。
本发明与现有技术相比具有以下特点：在对地块纹理信息获取过程中，采用PCA分析计算高空间分辨影像的主要波段信息，并利用GLCM统计变量获取地块下的纹理平均值，作为地块纹理特征标识；基于不同遥感数据源建立光谱归一化模型，并形成地块下的NDVI时序特征。引入地块NDVI曲线偏度和峰度特征，表达时序曲线的整体分布状况，有利于区分不同农作物的物候时序曲线；对不同农作物建立分类特征统计箱型图，比较农作物类别的异同，类别间差异大、类内间距离小，说明该特征的样本可分性好，从而选出优势分类特征集。
附图说明
图1是融合遥感影像纹理时序特征的田间地块作物识别方法流程示意图
图2是沙雅县研究区区域遥感影像示意图
图3是GF-2第一主成分波段影像图
图4是GF-2第一主成分影像地块GLCM entropy
图5是地块尺度下主要农作物分类特征箱型图
图6是地块尺度下主要农作物识别结果
具体实施方式
本发明的基本流程如图1所示。获取主成分波段高分纹理特征，构建地块纹理特征集。融合GF-1 WFV、Landsat OLI与Sentinel-2A光谱信息，比较不同传感器间地物光谱差异，构造线性函数建立基于Sentinel-2A数据构建地块尺度下10米空间分辨率NDVI序列，计算地块时序特征。经过特征优选作为SVM特征输入，得出分类结果。图2为选取的新疆沙雅县研究区高分二号(GF-2)影像图，用于提供地块边界信息和地块内作物纹理信息。其中研究区内主要用于识别作物地块为：棉花、玉米和冬小麦。
图3所示为GF-2第一主成分波段影像图。主成分分析(PCA)是一种广泛使用的数据降维方法，通过PCA计算保留数据集中的重要特征，去除噪声和不重要的特征，在保证重要信息前提下大大节省了时间成本。对GF-2的多个波段数据进行PCA分析，提取最具代表该影像特征的第一主成分波段以便于后续的分析计算。
图4所示为GF-2第一主成分影像地块GLCM entropy(熵值)。纹理特征是遥感影像上的灰度性质和像素值空间结构关系，特别是在高空间分辨率遥感影像上，纹理特征是作物分类重要特征之一，并且受到影像传感器、大气等其他因素影响相对较小，有助于作物识别精度提高。灰度共生矩阵(Grey-Level Co-occurrence Matrix，GLCM)是常用且有效的纹理提取统计方法，具有较好的适应能力。试验中计算的纹理特征有：均值(Mean)、方差(Variance)、熵(Entropy)、同质性(Homogeneity)以及相异性(Dissirnilarity)。
使用多源遥感数据可以构建农作物物候信息。构建以Sentinel-2A为基准的光谱转换方程，实现两组不同传感器光谱值归一化，将地块尺度下的GF-1 WFV NDVI及LandsatOLI NDVI时间序列转换为Sentinel-2A NDVI序列，形成地块尺度下10m分辨率NDVI时间序列。在基于地块内时序NDVI曲线上计算曲线的统计特征，分别获取峰值(MaxV)、峰值所对应的坐标轴X值(MaxX)、曲线上行斜率(UR)、下行斜率(DR)。另外对于NDVI曲线的整体分布需要引入描述曲线统计分布特征的两个重要因子：偏度(Skewness)和峰度(Peakedness)提高分类精度。曲线的整体特征很好表达不同农作物NDVI曲线在坐标轴上的分布特征。其中偏度是描述系列样本分布的对称性，是统计数据偏斜方向和程度的度量，帮助判断数据序列分布规律性指标；峰度是表征概率密度分布曲线在平均值处峰值高低的特征系数。对于曲线样本集X，其偏度和峰度计算公式为：
偏度，其计算公式如下：
峰度，其计算公式如下：
式中μ和σ分别表示样本集X的均值和方差。在偏度定义中，正态分布偏度为0，若偏于均值右边的样本数量大于左边，则偏度为正，即正偏态；若偏于均值左边的样本数量大于右边，偏度值为负，即负偏态。不同农作物NDVI时序曲线表现出不同的整体分布特征：相比棉花和玉米，冬小麦峰值较低，且峰值对应的横坐标较小，峰值出现较早，呈现负偏态现象；玉米和棉花峰值相当(玉米略高)，但峰值过后玉米NDVI曲线收敛较快，其偏度值较大。
图5所示为地块尺度下主要农作物分类特征箱型统计图，使用统计方法分析各个特征区分主要农作物的能力。箱型图上下四分位数之间为样本特征值集中分布区域。各分类特征对农作物类别的可分性可以在箱型图的农作物类别均值距离，或者上下四分位数内取值范围的重叠区域进行分析评价。图中(a)GLCM纹理均值统计特征中，农作物类内间距较小，棉花特征值分布在0.6和0.7之间；玉米特征值较大，集中分布在0.8左右；冬小麦特征值集中分布在0.1到0.25之间；并且作物类间特征均值距离较大，可以看出该统计特征可以很好的作为分类依据。图中(b)GLCM纹理熵统计特征，纵向来看玉米和棉花类间距离不大，特征值集中分布区域相似，均在0.5到0.7之间，可分离性较差，其中玉米特征值略高；而冬小麦在0.7到0.9之间，有较好的可分性。图中(c)时序特征偏度值也有较好可分离性，特征均值类间距离明显，各农作物分布在不同区域，其中冬小麦最为明显。图(d)和(f)峰度和MaxX值特征箱型图中，棉花和玉米可分性均不高，有较多的重叠区域，类间距离小；图(e)可以看出玉米峰值集中分布在0.7到0.9之间，棉花在0.6到0.75之间，冬小麦在0.4到0.55区间，类间距离较好，有较好可分性。
总的来说，纹理GLCM均值统计特征对区分三者农作物有很好的识别能力。冬小麦在各个统计特征中有很好的可区分性，而对于棉花和玉米作物，箱型图上下四分位数内值重叠区域较多，且两者类间的均值距离较小；相比较而言，表达曲线整体分布特征的偏度(图(c))和以及时序特征最大值(图(e))，玉米的最大值较大，且偏度值整体略大于棉花，可作为棉花和玉米的重要区分特征。至此，选出优势特征集合，利用SVM分类器，在小量地块样本训练下，获取分类结果如图6所示。本次试验基于测试样本，获得整体分类精度为91.11％。
由本实施例可以看出，在地块尺度内融入多源遥感影像的各自优势特征，可以达到较高作物识别精度。本发明中所提及的地块下高分影像PCA分析、GLCM地块纹理获取、以及地块内时序特征获取和特征优选分析方法，能够更好地对多源多时相遥感影像进行融合分析，在保证较好的分类精度情况下，能够弥补数据缺失、影像质量差等问题。
Claims (2)
1.一种融合遥感影像时序与纹理特征的地块作物识别方法，其特征在于包括以下几个步骤：
步骤1，对高空间分辨率遥感影像，利用影像分割算法或人工编辑获取农田地块矢量边界并形成地块，作为农作物分类的最小基本单元。
步骤2，对高空间分辨率遥感影像进行主成分分析，获取该影像的第一主成分波段信息二值图，并作为计算纹理信息的基础数据。
步骤3，基于灰度共生矩阵(GLCM)提取纹理信息，以地块为最小单元，在每一个地块内以3×3(或者5×5)的分析窗口计算纹理统计值，并以地块内纹理平均值作为该地块的纹理特征标识。
步骤4，对经过辐射定标、几何纠正的多源多时相遥感影像进行处理并进行地块时序分析，计算地块的不同传感器影像地物反射率，并以平均值作为该地块作物反射率标识。以其中某一传感器为基准构建线性转换方程，形成统一的地块标识NDVI时间序列曲线。
步骤5，计算地块NDVI时间序列曲线物候特征、以及曲线的整体分布特征(包括偏度和峰度)。所有时序特征的获取均在地块单元下完成，作为地块分类的时序特征集合。
步骤6：进行特征优选，根据地块内纹理、时序特征类型，使用统计分类箱型图分析各个特征对主要农作物类别的可分性，优选出对分类贡献度大的特征集合。
步骤7，以优选的特征集合作为输入，进行小样本训练。利用支撑向量机(SVM)分类器获取分类结果。
2.根据权利要求1中步骤6进行特征优选建立的分类特征统计箱型图，其特征在于需要使其类别间差异大且类内间距离小，以此证明该特征的样本可分性好，否则则较差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910752157.2A CN112395914A (zh) | 2019-08-15 | 2019-08-15 | 一种融合遥感影像时序与纹理特征的地块作物识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910752157.2A CN112395914A (zh) | 2019-08-15 | 2019-08-15 | 一种融合遥感影像时序与纹理特征的地块作物识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112395914A true CN112395914A (zh) | 2021-02-23 |
Family
ID=74601130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910752157.2A Pending CN112395914A (zh) | 2019-08-15 | 2019-08-15 | 一种融合遥感影像时序与纹理特征的地块作物识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112395914A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642464A (zh) * | 2021-08-13 | 2021-11-12 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
| CN113723254A (zh) * | 2021-08-23 | 2021-11-30 | 三明学院 | 一种毛竹林分布的识别方法、装置、设备和存储介质 |
| CN113792648A (zh) * | 2021-09-13 | 2021-12-14 | 杨凌龙翔数字科技有限公司 | 一种基于多时相的卫星遥感果园分类方法 |
| CN113920440A (zh) * | 2021-04-06 | 2022-01-11 | 中国科学院地理科学与资源研究所 | 垃圾填埋场遥感识别方法、装置和计算机设备 |
| CN114202705A (zh) * | 2022-02-16 | 2022-03-18 | 清华大学 | 光谱特征时间序列构建方法及系统 |
| CN114220004A (zh) * | 2021-11-26 | 2022-03-22 | 北京亿耘科技有限公司 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
| CN114494882A (zh) * | 2022-02-07 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于随机森林的冬小麦遥感识别分析方法和系统 |
| DE202021106766U1 (de) | 2021-12-13 | 2022-06-08 | Shivani Agarwal | Intelligentes Gerät zur Bestimmung des Gesundheitszustands von Pflanzen durch den Einsatz von IOT und maschinellem Lernen |
| CN114612794A (zh) * | 2022-03-01 | 2022-06-10 | 中国农业大学 | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 |
| CN114743112A (zh) * | 2022-04-18 | 2022-07-12 | 农业农村部大数据发展中心 | 基于大数据的制种玉米田识别方法、装置及电子设备 |
| CN116051398A (zh) * | 2022-11-23 | 2023-05-02 | 广东省国土资源测绘院 | 面向多源多模态遥感数据调查监测特征库构建方法及装置 |
| CN117972116A (zh) * | 2024-04-02 | 2024-05-03 | 江苏省基础地理信息中心 | 融合时序知识图谱的农作物遥感影像智能样本库构建方法 |
-
2019
- 2019-08-15 CN CN201910752157.2A patent/CN112395914A/zh active Pending
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920440A (zh) * | 2021-04-06 | 2022-01-11 | 中国科学院地理科学与资源研究所 | 垃圾填埋场遥感识别方法、装置和计算机设备 |
| CN113642464A (zh) * | 2021-08-13 | 2021-11-12 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
| CN113642464B (zh) * | 2021-08-13 | 2023-09-15 | 福州大学 | 结合twdtw算法和模糊集的时序遥感影像作物分类方法 |
| CN113723254A (zh) * | 2021-08-23 | 2021-11-30 | 三明学院 | 一种毛竹林分布的识别方法、装置、设备和存储介质 |
| CN113792648A (zh) * | 2021-09-13 | 2021-12-14 | 杨凌龙翔数字科技有限公司 | 一种基于多时相的卫星遥感果园分类方法 |
| CN114220004A (zh) * | 2021-11-26 | 2022-03-22 | 北京亿耘科技有限公司 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
| DE202021106766U1 (de) | 2021-12-13 | 2022-06-08 | Shivani Agarwal | Intelligentes Gerät zur Bestimmung des Gesundheitszustands von Pflanzen durch den Einsatz von IOT und maschinellem Lernen |
| CN114494882A (zh) * | 2022-02-07 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于随机森林的冬小麦遥感识别分析方法和系统 |
| CN114202705B (zh) * | 2022-02-16 | 2022-05-20 | 清华大学 | 光谱特征时间序列构建方法及系统 |
| CN114202705A (zh) * | 2022-02-16 | 2022-03-18 | 清华大学 | 光谱特征时间序列构建方法及系统 |
| CN114612794A (zh) * | 2022-03-01 | 2022-06-10 | 中国农业大学 | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 |
| CN114612794B (zh) * | 2022-03-01 | 2024-06-07 | 中国农业大学 | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 |
| CN114743112A (zh) * | 2022-04-18 | 2022-07-12 | 农业农村部大数据发展中心 | 基于大数据的制种玉米田识别方法、装置及电子设备 |
| CN116051398A (zh) * | 2022-11-23 | 2023-05-02 | 广东省国土资源测绘院 | 面向多源多模态遥感数据调查监测特征库构建方法及装置 |
| CN116051398B (zh) * | 2022-11-23 | 2023-09-22 | 广东省国土资源测绘院 | 面向多源多模态遥感数据调查监测特征库构建方法及装置 |
| CN117972116A (zh) * | 2024-04-02 | 2024-05-03 | 江苏省基础地理信息中心 | 融合时序知识图谱的农作物遥感影像智能样本库构建方法 |
| CN117972116B (zh) * | 2024-04-02 | 2024-07-26 | 江苏省基础地理信息中心 | 融合时序知识图谱的农作物遥感影像智能样本库构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112395914A (zh) | 一种融合遥感影像时序与纹理特征的地块作物识别方法 | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| Dong et al. | Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery | |
| CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
| Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
| CN111582575B (zh) | 一种多时空尺度下城市热环境形成发展主导因素识别方法 | |
| Hao et al. | Comparison of hybrid classifiers for crop classification using normalized difference vegetation index time series: A case study for major crops in North Xinjiang, China | |
| CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
| Miao et al. | Detection and classification of invasive saltcedar through high spatial resolution airborne hyperspectral imagery | |
| Hao et al. | Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification: case study in Xinjiang Uygur Autonomous Region, China | |
| Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
| Bagan et al. | Improved subspace classification method for multispectral remote sensing image classification | |
| Cui et al. | AGTML: A novel approach to land cover classification by integrating automatic generation of training samples and machine learning algorithms on Google Earth Engine | |
| Qu et al. | Mapping large area tea plantations using progressive random forest and Google Earth Engine | |
| MH Yossif | Change detection of land cover and salt affected soils at Siwa Oasis, Egypt | |
| Yang et al. | Digital soil mapping based on fine temporal resolution Landsat data produced by spatiotemporal fusion | |
| Sun et al. | A highly efficient temporal-spatial probability synthesized model from multi-temporal remote sensing for paddy rice identification | |
| Pandya et al. | Classification of vegetation area from satellite images using image processing techniques | |
| Machwitz et al. | Mapping of large irrigated areas in Central Asia using MODIS time series | |
| Cui et al. | Optimal spatial resolution of remote-sensing imagery for monitoring cantaloupe greenhouses | |
| You et al. | Crop Mapping of Complex Agricultural Landscapes Based on Discriminant Space | |
| Chen et al. | A novel method for identifying crops in parcels constrained by environmental factors through the integration of a Gaofen-2 high-resolution remote sensing image and Sentinel-2 time series | |
| Huang et al. | Classification method for crop by fusion hyper spectral and LiDAR data | |
| Tuzcu Kokal et al. | The use of spectral and textural features in crop type mapping using Sentinel-2a images: a case study, Çukurova Region, Turkey | |
| Wang et al. | Research on density grading of hybrid rice machine-transplanted blanket-seedlings based on multi-source unmanned aerial vehicle data and mechanized transplanting test |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210223 |
|
| WD01 | Invention patent application deemed withdrawn after publication |