CN112541933A - 一种农田边界及种植结构的提取方法 - Google Patents
一种农田边界及种植结构的提取方法 Download PDFInfo
- Publication number
- CN112541933A CN112541933A CN202011427554.1A CN202011427554A CN112541933A CN 112541933 A CN112541933 A CN 112541933A CN 202011427554 A CN202011427554 A CN 202011427554A CN 112541933 A CN112541933 A CN 112541933A
- Authority
- CN
- China
- Prior art keywords
- data
- farmland
- remote sensing
- band
- planting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000151 deposition Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Abstract
本申请属于图像识别技术领域,特别是涉及一种农田边界及种植结构的提取方法。如何选取遥感影像分类方法也将直接影响面积提取的精准度,在实际的应用中要结合实际情况选择合适的遥感影像数据及分类方法。本申请提供了一种农田边界及种植结构的提取方法,包括将分类遥感影像、分类标志、区域范围导入头文件;对所述遥感影像数据进行预处理,得到预处理数据;建立不同尺度分类器计算所述预处理遥感影像数据与所述分类标志数据的标准差;对步骤3中得到数据的边界模糊异常值进行处理;提取前步骤中得到的数据的周界像素,对农田中的作物进行面积统计,得到作物的农田边界及种植结构。在精细提取农作物边界及种植结构方面有一定的意义。
Description
技术领域
本申请属于图像识别技术领域,特别是涉及一种农田边界及种植结构的提取方法。
背景技术
种植结构是指一种农作物在某个区间或土地上的种植分布或比例,一个地区农场作物的种植结构关系到地区多种农产品的收获和产量,而一个地区的天然气候关系与一个地区的农作物种植结构密切相关,不合理不健康的农作物种植结构会对地区的生态平衡和可持续发展造成巨大的影响。
随着科技的发展多颗遥感卫星的发射并投入使用,利用卫星遥感影像数据对某个地区的各个季节的农作物种植区域和种植种类进行大面积、大范围监测,为国家和地区的农业发展提供可靠的信息,有利于地区的未来的农业生产和粮食储备布局规划和制定,保证了地区农业的有序生产和健康发展,避免了因农作物盲目种植所导致的粮食浪费或者造成某种农场品的短缺。近几年来由于世界范围内粮食的减产,粮食价格日益上涨,粮食安全越来越成为国家、地区发展的一个重要问题,通过卫星遥感影像监测地区的农作物种植情况可以为国家和地区的粮食生产提供安全保障。
近几年来,遥感卫星技术不断成熟,新的遥感卫星不断出现,使遥感影像的分辨率大大的提升,能够短时间内快速地获取更多信息,更多地面农作物的信息也能够被遥感卫星所摄取,极大程度地提升了农作物监测的精度,例如运用SPOT/Landsat-8=高分辨率遥感卫星的影像,虽然在一定程度上提高了农作物监测研究的效率,但是使用多源遥感数据、多时相及不同空间分辨率数据相组合的方法,并运用多种分类手段提取目标农作物信息能够排除更多的干扰,并且具有更加高的准确率,是当代遥感影像技术在农业监测和研究上的热点。
发明内容
1.要解决的技术问题
基于部分农作物光谱和物候特点非常接近,在进行遥感方法提取的面积研究时,如何选取遥感影像分类方法也将直接影响面积提取的精准度,在实际的应用中要结合实际情况选择合适的遥感影像数据及分类方法的问题,本申请提供了一种农田边界及种植结构的提取方法。
2.技术方案
为了达到上述的目的,本申请提供了一种农田边界及种植结构的提取方法,所述方法包括如下步骤:步骤1:将分类遥感影像、分类标志、区域范围导入头文件;步骤2:对所述遥感影像数据进行预处理,得到预处理数据;步骤3:建立不同尺度分类器计算所述预处理遥感影像数据与所述分类标志数据的标准差;步骤4:对步骤3中得到数据的边界模糊异常值进行处理;步骤5:提取所述步骤4中得到的数据的周界像素,对农田中的作物进行面积统计,得到作物的农田边界及种植结构。
本申请提供的另一种实施方式为:所述原始数据包括影像、农田数据层和区域数据。
本申请提供的另一种实施方式为:所述步骤2中对所述原始数据进行预处理包括对农田数据层调色板进行标准化;过滤所述区域的波段数据;计算所述影像的归一化植被指数;计算所述影像的光谱梯度,在重要的地方创建种子,找到局部梯度最大或者最小的点和对所述影像进行分割。
本申请提供的另一种实施方式为:所述波段数据包括红光波段、绿光波段、蓝光波段和近红外波段。
本申请提供的另一种实施方式为:所述归一化植被指数为近红外波段和红光波段的标准化差值。
本申请提供的另一种实施方式为:所述光谱梯度通过谷歌地图引擎中的光谱梯度函数计算所述影像的所有波段光谱梯度。
本申请提供的另一种实施方式为:所述光谱梯度函数中输入的参数包括光谱角映射器、光谱信息发散和欧式距离的平方。
本申请提供的另一种实施方式为:所述创建种子包括将梯度小于0.2的所有点生成层一存放到变量d1中,将梯度大于0.2的所有点生成层二存放到变量d2中;将d1中梯度大于3 且等于d1焦点最大值的点重新命名为种子一并且存放到变量minima中,将d2中梯度大于 10且等20焦点最大值的点重新命名为种子二并且存放到变量maxima中,最后再将minima 和maxima变量加起来形成一层的种子。
本申请提供的另一种实施方式为:所述影像通过简单的线性迭代聚类图像分割算法进行分割。
本申请提供的另一种实施方式为:所述异常值处理包括将标准偏差进行求和操作,如果计算的结果大于0.25则为所述异常值,将所述异常值放入异常的变量中,并将所述异常值设置为透明,后续其根据光谱范围进行类型判断。
3.有益效果
与现有技术相比,本申请提供的一种农田边界及种植结构的提取方法的有益效果在于:
本申请提供的农田边界及种植结构的提取方法,为一种利用遥感影像提取农田边界及种植结构的提取方法。
本申请提供的农田边界及种植结构的提取方法,为一种利用多光谱遥感影像提取不同作物的种植面积的方法,除利用传统NDVI与不同的植被光谱梯度进行监督分类外,还通过建立不同尺度分类器计算标准差,达到获取农田边界的方法。
本申请提供的农田边界及种植结构的提取方法,在进行遥感方法提取的面积研究时,充分考虑了误差分布的影响,通过建立不同尺度分类器计算标准差,该方法在精细提取农作物边界及种植结构方面有一定的意义。
附图说明
图1是本申请的头文件示意图;
图2是本申请的geometry(几何)区域波段示意图;
图3是本申请的调色板标准化示意图
图4是本申请的过滤波段示意图;
图5是本申请的geometry区域指定时间内RGBN波段数据示意图;
图6是本申请的NDVI相关的数据示意图;
图7是本申请的NAVI及有关计算示意图;
图8是本申请的统计NDVI梯度示意图;
图9是本申请的光谱梯度计算示意图;
图10是本申请的研究区域的光谱梯度示意图;
图11是本申请的梯度最大和最小的点生成种子示意图;
图12是本申请的图像分割示意图;
图13是本申请的分割后的簇示意图;
图14是本申请的分类器和标准差示意图;
图15是本申请的异常值透明化并找到距离最远的成员示意图;
图16是本申请的提取周界像素示意图;
图17是本申请的周界像素显示效果示意图;
图18是本申请的减少连接区域示意图;
图19是本申请的减少连接区域后效果示意图。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
和传统的地表植被遥感监测相比,农情遥感监测具有“受季节变化和人类耕种活动的双重影响”的特点,农业机械化、规模化的趋势使得大面积农作物耕种不断出现,同时也大幅度提升了卫星摄取的遥感图像像素的精度。在另一个方面,农作物类型不同,农作物物候期的划分方法也不一样,精细农业的发展要求时序遥感数据能够反映这种差异。
参见图1~19,本申请提供一种农田边界及种植结构的提取方法,所述方法包括如下步骤:步骤1:将分类遥感影像、分类标志、区域范围导入头文件;步骤2:对所述遥感影像数据进行预处理,得到预处理数据;步骤3:建立不同尺度分类器计算所述预处理遥感影像数据与所述分类标志数据的标准差;步骤4:对步骤3中得到数据的边界模糊异常值进行处理;步骤5:提取所述步骤4中得到的数据的周界像素,对农田中的作物进行面积统计,得到作物的农田边界及种植结构。
进一步地,所述原始数据包括影像、农田数据层和区域数据。本申请针对农业边界提取的算法流程,包括算法实验过程的数据预处理、建立尺度分类器与处理异常值等;本申请提高农田边界提取精度的方案,具体包括建立尺度分类器,计算标准差,处理异常值等。通过建立不同尺度分类器计算标准差,提高农田边界识别精度;检验过程中通过边界模糊的异常值处理,消除分类后产生的可能误差。
进一步地,所述步骤2中对所述原始数据进行预处理包括对农田数据层调色板进行标准化;过滤所述区域的波段数据;计算所述影像的归一化植被指数;计算所述影像的光谱梯度,在重要的地方创建种子,找到局部梯度最大或者最小的点和对所述影像进行分割。
进一步地,所述波段数据包括红光波段、绿光波段、蓝光波段和近红外波段。
进一步地,所述归一化植被指数为近红外波段和红光波段的标准化差值。
进一步地,所述光谱梯度通过谷歌地图引擎中的光谱梯度函数计算所述影像的所有波段光谱梯度。
进一步地,所述光谱梯度函数中输入的参数包括光谱角映射器、光谱信息发散和欧式距离的平方。
进一步地,所述创建种子包括将梯度小于0.2的所有点生成层一存放到变量一d1中,将梯度大于0.2的所有点生成层二存放到变量二d2中;将d1中梯度大于3且等于d1焦点最大值的点重新命名为种子一并且存放到最小变量minima中,将d2中梯度大于10且等20焦点最大值的点重新命名为种子二并且存放到最大变量maxima中,最后再将minima和maxima变量加起来形成一层的种子。
进一步地,所述影像通过简单的线性迭代聚类图像分割算法进行分割。
进一步地,所述异常值处理包括将标准偏差进行求和操作,如果计算的结果大于0.25则为所述异常值,将所述异常值放入异常的变量中,并将所述异常值设置为透明,后续其根据光谱范围进行类型判断。
实施例
1导入影像、农田数据层和区域
导入三类数据:1)导入遥感影像数据作为要分类的数据源;2)导入农田数据层作为农作物分类的标准特征,及作为分类标志;3)导入区域数据,确定要分类的范围区域。
在头文件中导入的影像(imageCollection),并且用geometry(几何)变量来存储在地图上选择区域,除此之外还导入了农田数据层(CroplandData Layers)编号不同农地类型。
先设置地图的中心为选择的geometry区域,这样代码一开始运行时就可以快速定位到所要进行实验的区域,避免了自己需要手动在茫茫的世界大地图中去寻找所要测量的区域。然后运用clip()函数将所选择的geometry区域的对应波段的数据截取出来。
2标准化农田数据层调色板
将CDL(农田数据层)调色板标准化,这样就可以在多个地方重用它,将农田数据层的调色板统一化和标准化有利于后期在农田区域的划分阶段能够根据调色板中颜色从视觉上直观的判断出某种作物,减少了后期的工作量和避免出现误差。
3过滤RGBN波段数据
过滤RGBN波段数据,目的是选取固定时间范围与固定区域范围的RGBN数据。
此次要提取的波段为“R”红光波段、“G”绿光波段、“B”蓝光波段、“N”近红外波段,用filterDate()选取时间为2015-01-01至2017-01-01的所有波段,再用filterBounds()函数过滤得到在头文件中定义的geometry研究区域指定时间波段数据。然后select()函数选择所需要研究区域在指定时间内的RGBN四个波段的数据。并用addLayer()显示出来。
4计算NDVI归一化植被指数
NDVI(归一化植被指数),表示的是近红外波段和红光波段的标准化差值。NDVi是目前应用程度最高的一种植被指数,NDVI可以减少大部分的云阴影、太阳高度角、地形以及和大气条件相关的有关变化,能够比较直观反应植物冠层背景影响。
NDVI的计算公式如下:
计算和展示归一化植被指数(NDVI)、归一化植被指数步骤(NDVI Steps)、归一化植被指数梯度(NDVI Gradient)和统计生成归一化植被指数梯度表。
5计算光谱梯度
根据GEE平台所给定的计算光谱梯度的函数spectralGradient(),计算图像的所有波段的光谱梯度,其中spectralGradient()函数所要输入的参数代表光谱距离度量,其中参数'sam' (spectral angle mapper)指的是光谱角映射器、参数'sid'(spectralinformation divergence)指的是光谱信息发散、参数'sed'(squared euclideandistance)指的是欧式距离的平方。
6生成种子seeds
尝试在重要的地方创建种子,找到局部梯度最大或者最小的点。将梯度小于0.2的所有点生成一个layer存放到变量d1中,将梯度大于0.2的所有点生成一个layer存放到变量d2 中。将d1中梯度大于3且等于d1焦点最大值的点重新命名为seeds并且存放到变量minima 中,将d2中梯度大于10且等20焦点最大值的点重新命名为seeds并且存放到变量maxima 中,最后再将minima和maxima变量加起来形成一层的种子。
7分割图像
利用GEE(谷歌地图引擎)函数库中提供的SNIC图像分割算法对图像进行分割,输出一个集群id频带和每个输入频带的每个集群的平均值。如果“种子”图像没有作为输入提供,那么输出将包括一个“种子”带。
8建立分类器和计算标准差
分类器是使用随机森林训练的方法,训练目的是获取种子点的光谱特征,从而确定种子点种植土地类型的具体范围。
运用种子点建立一个分类器(classifier),并且在代码第109行中计算每一个族的标准差 (Standard Deviation)。
9处理异常值
计算异常将stdDev标准差进行求和操作如果计算的结果大于0.25则将此异常的值放入异常的变量outlier中,并且在第113行的代码中将这些异常设置为透明。
异常值是指分类后的集合(族)与土地类型光谱特征匹配程度不高(标准差大于0.25) 的一类数据,需要对这些数据进行特殊的处理,根据其所处的分类类型的光谱范围,去除其中的最大值。
并且在后面得代码之中求图像波段的光谱距离,并且在异常值(outliers)中找到距离最遥远的成员。
10提取周界像素与面积统计
提取影像的区域的周界像素,运用reduceNeighborhood()函数减去相邻去区域周界的像素剩下内容存放在minMax中,然后再用select()函数取出每周长像素存放在perimeterPixels变量中,然后用Map.addLayer()函数显示出来。
具体农作物统计结果如下表所示,其中主要农作物为大豆、玉米与小麦。
表1作物统计结果表
根据时序遥感数据反演特定作物类型的特定物候期信息是农作物物候期遥感监测与其他植被类型监测的本质区别。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种农田边界及种植结构的提取方法,其特征在于:所述方法包括如下步骤:
步骤1:将分类遥感影像、分类标志、区域范围导入头文件;
步骤2:对所述遥感影像数据进行预处理,得到预处理数据;
步骤3:建立不同尺度分类器计算所述预处理遥感影像数据与所述分类标志数据的标准差;
步骤4:对步骤3中得到数据的边界模糊异常值进行处理;
步骤5:提取所述步骤4中得到的数据的周界像素,对农田中的作物进行面积统计,得到作物的农田边界及种植结构。
2.如权利要求1所述的农田边界及种植结构的提取方法,其特征在于:所述原始数据包括影像、农田数据层和区域数据。
3.如权利要求2所述的农田边界及种植结构的提取方法,其特征在于:所述步骤2中对所述原始数据进行预处理包括对农田数据层调色板进行标准化;过滤所述区域的波段数据;计算所述影像的归一化植被指数;计算所述影像的光谱梯度,在重要的地方创建种子,找到局部梯度最大或者最小的点和对所述影像进行分割。
4.如权利要求3所述的农田边界及种植结构的提取方法,其特征在于:所述波段数据包括红光波段、绿光波段、蓝光波段和近红外波段。
5.如权利要求3所述的农田边界及种植结构的提取方法,其特征在于:所述归一化植被指数为近红外波段和红光波段的标准化差值。
6.如权利要求3所述的农田边界及种植结构的提取方法,其特征在于:所述光谱梯度通过谷歌地图引擎中的光谱梯度函数计算所述影像的所有波段光谱梯度。
7.如权利要求6所述的农田边界及种植结构的提取方法,其特征在于:所述光谱梯度函数中输入的参数包括光谱角映射器、光谱信息发散和欧式距离的平方。
8.如权利要求3所述的农田边界及种植结构的提取方法,其特征在于:所述创建种子包括将梯度小于0.2的所有点生成层一存放到变量一中,将梯度大于0.2的所有点生成层二存放到变量二中;将变量一中梯度大于3且等于变量一焦点最大值的点重新命名为种子一,并且存放到最小变量中,将变量二中梯度大于10且等于变量二焦点最大值的点重新命名为种子二,并且存放到最大变量中,最后再将所述最小变量和所述最大变量加起来形成一层的种子。
9.如权利要求3所述的农田边界及种植结构的提取方法,其特征在于:所述影像通过简单的线性迭代聚类图像分割算法进行分割。
10.如权利要求1所述的农田边界及种植结构的提取方法,其特征在于:所述异常值处理包括将标准偏差进行求和操作,如果计算的结果大于0.25则为所述异常值,将所述异常值放入异常的变量中,并将所述异常值设置为透明,后续其根据光谱范围进行类型判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427554.1A CN112541933A (zh) | 2020-12-09 | 2020-12-09 | 一种农田边界及种植结构的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427554.1A CN112541933A (zh) | 2020-12-09 | 2020-12-09 | 一种农田边界及种植结构的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541933A true CN112541933A (zh) | 2021-03-23 |
Family
ID=75019643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011427554.1A Pending CN112541933A (zh) | 2020-12-09 | 2020-12-09 | 一种农田边界及种植结构的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067158A (zh) * | 2021-11-17 | 2022-02-18 | 江苏天汇空间信息研究院有限公司 | 应用多源遥感数据的农田使用状态的监测系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN109001125A (zh) * | 2018-06-13 | 2018-12-14 | 吉林大学 | 一种基于高分一号卫星图像的苗情探测方法及系统 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109255781A (zh) * | 2018-09-03 | 2019-01-22 | 河海大学 | 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN110189616A (zh) * | 2019-04-19 | 2019-08-30 | 中国科学院遥感与数字地球研究所 | 基于场联合使用高分二号和高分三号进行作物制图的方法 |
CN110647932A (zh) * | 2019-09-20 | 2020-01-03 | 河南工业大学 | 一种种植作物结构遥感影像分类方法及装置 |
CN110796001A (zh) * | 2019-09-23 | 2020-02-14 | 武汉珈和科技有限公司 | 一种卫星影像覆膜农田识别与提取方法及系统 |
CN111161199A (zh) * | 2019-12-13 | 2020-05-15 | 中国地质大学(武汉) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 |
-
2020
- 2020-12-09 CN CN202011427554.1A patent/CN112541933A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN109001125A (zh) * | 2018-06-13 | 2018-12-14 | 吉林大学 | 一种基于高分一号卫星图像的苗情探测方法及系统 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109255781A (zh) * | 2018-09-03 | 2019-01-22 | 河海大学 | 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN110189616A (zh) * | 2019-04-19 | 2019-08-30 | 中国科学院遥感与数字地球研究所 | 基于场联合使用高分二号和高分三号进行作物制图的方法 |
CN110647932A (zh) * | 2019-09-20 | 2020-01-03 | 河南工业大学 | 一种种植作物结构遥感影像分类方法及装置 |
CN110796001A (zh) * | 2019-09-23 | 2020-02-14 | 武汉珈和科技有限公司 | 一种卫星影像覆膜农田识别与提取方法及系统 |
CN111161199A (zh) * | 2019-12-13 | 2020-05-15 | 中国地质大学(武汉) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 |
Non-Patent Citations (4)
Title |
---|
于文博;王忠勇;李山山;孙旭;: "整合超像元分割和峰值密度的高光谱图像聚类", 中国图象图形学报, no. 10, 16 October 2016 (2016-10-16), pages 1402 * |
于文博;王忠勇;李山山;孙旭;: "整合超像元分割和峰值密度的高光谱图像聚类", 中国图象图形学报, no. 10, pages 1402 * |
程素娜;张永彬;汪金花;: "基于遥感影像的城市绿地覆盖信息提取方法", 天津农业科学, no. 01, 1 January 2015 (2015-01-01), pages 48 - 51 * |
程素娜;张永彬;汪金花;: "基于遥感影像的城市绿地覆盖信息提取方法", 天津农业科学, no. 01, pages 48 - 51 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067158A (zh) * | 2021-11-17 | 2022-02-18 | 江苏天汇空间信息研究院有限公司 | 应用多源遥感数据的农田使用状态的监测系统及方法 |
CN114067158B (zh) * | 2021-11-17 | 2022-09-23 | 江苏天汇空间信息研究院有限公司 | 应用多源遥感数据的农田使用状态的监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
US7058197B1 (en) | Multi-variable model for identifying crop response zones in a field | |
US20230292647A1 (en) | System and Method for Crop Monitoring | |
CN109919083B (zh) | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 | |
CN107480706A (zh) | 一种制种玉米田遥感识别方法及装置 | |
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 | |
CN113009485A (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
Rad et al. | Developing an automatic phenology-based algorithm for rice detection using sentinel-2 time-series data | |
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 | |
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 | |
Zhang et al. | Opportunities of UAVs in orchard management | |
CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
CN115761486A (zh) | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 | |
CN114519823A (zh) | 一种利用Sentinel-2时间序列影像数据的农作物制图方法 | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
CN112541933A (zh) | 一种农田边界及种植结构的提取方法 | |
CN112052799A (zh) | 一种迷迭香种植分布高分辨率卫星遥感识别方法 | |
Zhang et al. | Large-scale apple orchard mapping from multi-source data using the semantic segmentation model with image-to-image translation and transfer learning | |
CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
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 | |
Yang et al. | Feature extraction of cotton plant height based on DSM difference method |
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 |