CN112651312A - 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 - Google Patents
一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 Download PDFInfo
- Publication number
- CN112651312A CN112651312A CN202011479538.7A CN202011479538A CN112651312A CN 112651312 A CN112651312 A CN 112651312A CN 202011479538 A CN202011479538 A CN 202011479538A CN 112651312 A CN112651312 A CN 112651312A
- Authority
- CN
- China
- Prior art keywords
- mikania micrantha
- formula
- data
- aerial image
- image 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.)
- Pending
Links
- 241001440840 Mikania micrantha Species 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 239000000049 pigment Substances 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000011160 research Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000009545 invasion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000011835 investigation Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000009172 bursting Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,属于林业遥感图像智能处理领域技术。本发明提供的一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,提取步骤为:确定图像中薇甘菊的最优分割尺度并对其进行分割;利用薇甘菊纹理特征、光谱特征和形状特征,结合高程数据和基于航拍影像计算的植被色素比值指数对薇甘菊的爆发区域进行自动识别提取,建立薇甘菊分布识别范围。该发明可有效解决传统薇甘菊发现和人工调查时劳动强度大、条件艰苦、效率低下等问题,本发明可实现大范围内薇甘菊的精确识别,可服务于薇甘菊的综合防控与监测。
Description
技术领域
本发明涉及林业遥感图像智能处理技术领域,更具体的说是涉及一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法。
背景技术
由于经济全球化的发展,世界各地区间的交流日益频繁,外来物种入侵现象几乎存在于全球所有的国家和地区,这些入侵物种由于缺少自然控制机制,常常威胁着当地的自然生态系统,给被入侵地区造成了重大的经济损失和生态损失,生物入侵问题现在已经称为21世纪三个最棘手的环境问题之一。而在这些入侵物种之中,薇甘菊由于其强大的生存繁殖能力和对被入侵地原生植被的强大破环力而被列入世界最具危害的热带和亚热带杂草之一,受到研究者们的广泛关注。
为有效控制薇甘菊的蔓延和扩散,就必须对它的现有空间分布进行识别,对其动态变化进行监控和预测。传统的监控和预测方式为人工实地调查并结合历史资料进行扩散模型的建立,然而这种方式不但费事费力,时效性和精确性也得不到保证。这就需要运用航空遥感技术手段对薇甘菊的空间分布特征进行系统的分析及爆发区域提取。目前对薇甘菊的识别多采用MaxEnt模型,但由于薇甘菊生长受许多因素的影响,如营养物质、水、光照、坡度、林资源分布等,这些因素的实时数据很难及时获取和完全掌握,因此,在因子数量有限的情况下,模型的精度会有所降低。如何结合现有数据进行薇甘菊爆发区域的准确识别和预测是目前需要解决的关键问题。基于此,研究出一种大范围薇甘菊的自动识别方法,对进行薇甘菊防治和林木资源保护具有重要的意义。
发明内容
本发明的目的在于针对现有技术中的不足,提供一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,基于地理信息系统(GIS)、遥感(RS)、计算机(CS)技术将机载激光雷达数据和航拍影像数据结合并应用于林业病虫害防治的空间信息分析技术,用于判断薇甘菊等类似有害生物对森林侵害的范围及程度,可辅助林业部门开展相应的防治工作。该发明可有效解决传统薇甘菊发现和人工调查时劳动强度大、条件艰苦、效率低下等问题;也可有效克服普通光学影像分辨率低,仅依靠光学波段组合识别薇甘菊精度不高的缺点。
为了实现上述目的,本发明采用如下技术方案:
一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,包括以下步骤:
S1、利用面向对象的多尺度分割方法对研究区高分辨率航拍影像进行分割,确定薇甘菊的分割尺度及分割尺度参数,得到研究区基于对象的多光谱影像;
S2、提取多光谱影像的光谱特征、纹理特征、形状特征、高程和植被色素比值指数为特征指标,通过方差分析和正态分布检验进行筛选,得到用于薇甘菊爆发区自动识别的特征组合;
S3、根据选取的特征组合构建薇甘菊识别分类规则集,采用面向对象基于规则的分类方法从影像对象区块中提取薇甘菊爆发入侵区域,得到薇甘菊分布识别范围。
优选地,在步骤S1中,利用分割尺度遍历ESP算法计算分割尺度;
所述分割尺度为60、76、80、100、114、135、148、168、188、201、208、217或245。
优选地,在步骤S1中,所述分割尺度参数包括形状参数、紧凑度参数和分割尺度;
其中,形状参数为0.5,紧凑度参数为0.5,分割尺度为100。
优选地,在步骤S2中,利用机载激光点云数据通过克里金插值(Kriging)算法提取数字高程模型(DEM)。
优选地,在步骤S2中,所述光谱特征包括红、绿和蓝波段上像素的平均值、亮度和植被指数;
优选地,所述平均值由公式(1)计算所得:
优选地,所述亮度由公式(2)计算所得:
优选地,所述植被指数由公式(3)计算所得:
VI=(2G’-R’-B’)-(1.4R’-G’) (3)
式中,VI为植被指数,R,G,B分别为红、绿和蓝波段上的平均值。
优选地,在步骤S2中,所述纹理特征包括灰度共生矩阵的相异性和相关性;
其中,所述相异性由公式(4)计算所得:
式中,Gdis为相异性;i,j分别为行数,列数;Pi,j为第i,j元素的标准化值,N为行数或列数;
所述相关性由公式(5)计算所得:
Gcor=[∑i∑j(i-ux)(j-uy)]/(σxσy) (5)
式中,Gcor为相异性;i,j分别为行数,列数;ux、uy分别为行、列的均值;σx、σy分别为行和列的标准偏差。
优选地,在步骤S2中,所述形状特征包括长宽比;
所述长宽比由公式(6)计算所得:
式中,Y为长宽比,w为宽度,l为长度,s是协方差矩阵,eig1(s),eig2(s)为协方差特征值;
所述植被色素比值指数由公式(7)计算所得:
PPR=(g-b)/(g+b) (7)
式中,PPR为植被色素比值指数;g为绿波段DN值;b为蓝波段DN值。
优选地,其特征在于,在步骤S3中,采用阈值分类算法调整特征组合的阈值范围,对薇甘菊进行识别和标识,确定薇甘菊识别分类规则集;
经由上述的技术方案可知,与现有技术相比,本发明公开了一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,具有以下技术效果:
(1)本发明提供的一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,可以有效解决大范围林场内人工开展薇甘菊调查时劳动强度大、工作条件艰苦、效率低下等问题,基于高分辨率影像实现薇甘菊的自动识别,大力提高入侵生物的排查力度。
(2)本发明提供的一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,构建了一种薇甘菊爆发区域自动识别规则集,可以有效提取薇甘菊爆发区域,直观显示薇甘菊在空间上攀附生长范围。
(3)本发明提供的一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,可以有效克服传统数据处理时复杂低速的问题,达到薇甘菊大范围、高精度的快速识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明实施例中结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法的技术路线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
本发明实施例提供了一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,如图1所示,包括以下步骤:
S1:原始多光谱影像进行影像分割,利用面向对象的多尺度分割方法对研究区高分辨率航拍影像进行分割,确定薇甘菊的最优分割尺度及其参数,得到研究区基于对象的多光谱影像;
S2:提取多光谱影像的光谱特征(平均值、亮度、植被指数(Vegetation Index)、植被色素比值指数(Plant Pigment Ratio Index))、纹理特征(灰度共生矩阵的相异性和相关性)、形状特征(长宽比)以及高程等数据作为特征指标,利用机载激光点云数据提取DEM,通过方差分析和正态分布检验进行筛选,得到用于薇甘菊爆发区域自动识别的特征组合;
S3:根据选取的特征组合构建薇甘菊识别规则集,采用面向对象基于规则的分类方法从影像对象区块中提取薇甘菊爆发入侵区域,得到薇甘菊分布识别范围。
实施例1
本实施例提供了一种结合激光LiDAR数据和航拍影像的薇甘菊识别方法,包括以下步骤:
S1:确定薇甘菊的最优分割尺度,得到研究区影像对象;
(1)本研究利用分割尺度遍历ESP(EstimationofScaleParameter)算法计算最优分割尺度,设置初始分割尺度为1,步长为10,循环次数为200,得到出现峰值的分割尺度为60、76、80、100、114、135、148、168、188、201、208、217或245,经过逐一分割对比,确定形状参数0.5,紧凑度参数0.5,分割尺度参数100为识别薇甘菊对象的最优分割尺度参数;
(2)根据上述最优分割尺度参数,用多尺度分割算法得到研究区影像对象;
S2:提取薇甘菊爆发区域自动识别的特征组合;
(1)对研究区高分辨率直升机航拍影像采用面向对象多尺度分割后,基于如下公式提取对象的光谱特征、纹理特征、形状特征,高程和植被色素比值指数(PPR):
1)光谱特征包括红、绿和蓝共三个波段上像素的平均值(公式1)、亮度(公式2)、VI值(公式3);
VI=(2G’-R’-B’)-(1.4R’-G’) (3)
式中:VI为植被指数,R,G,B分别为为红、绿和蓝波段上的平均值。
2)纹理特征包括常用的灰度共生矩阵的相异性(公式4)和相关性(公式5);
式中:Gdis为相异性;i,j分别为行数,列数;为第i,j元素的标准化值,N为行数或列数。
Gcor=[∑i∑j(i-ux)(j-uy)]/(σxσy) (5)
式中:Gcor为相关性;i,j分别为行数,列数;ux、uy分别为行、列的均值;σx、σy分别为行和列的标准偏差。
3)形状特征选取长宽比(公式6);
式中:Y为长宽比,w为宽度,l为长度,s是协方差矩阵,eig1(s),eig2(s)为协方差特征值。
4)植被色素比值指数(公式7);
PPR=(g-b)/(g+b) (7)
式中,PPR为植被色素比值指数;g为绿波段DN值;b为蓝波段DN值。
5)利用机载激光点云数据通过克里金插值(Kriging)算法提取数字高程模型(DEM)。
(2)对上述提取的特征指标进行方差分析和峰度系数正态分布检验,去除其中方差较小、相关性大的指标,保留方差较大、信息丰富的G波段平均值、亮度、DEM和植被色素比值指数(PPR)指标,建立用于薇甘菊爆发区域自动识别的特征组合;
Step3:建立薇甘菊爆发区域自动识别范围;
(1)根据Step2选取的特征组合,利用每个特征所包含的信息创建薇甘菊对象的信息知识库,采用阈值分类(AssignClass)算法不断调整特征组合的阈值范围,对薇甘菊进行识别和标识,确定薇甘菊分类规则集:scale=100,shape=0.5,compactness=0.5,29<DEM<329,190<brightness≤220,meanlayer2>175,0.15<PPR<0.25;
根据创建的规则集,采用面向对象基于规则的分类方法实现薇甘菊与攀附植物的分离,得到薇甘菊爆发区域自动识别范围。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,其特征在于,包括以下步骤:
S1、利用面向对象的多尺度分割方法对研究区高分辨率航拍影像进行分割,确定薇甘菊的分割尺度及分割尺度参数,得到研究区基于对象的多光谱影像;
S2、提取多光谱影像的光谱特征、纹理特征、形状特征、高程和植被色素比值指数为特征指标,通过方差分析和正态分布检验进行筛选,得到用于薇甘菊爆发区自动识别的特征组合;
S3、根据选取的特征组合构建薇甘菊识别分类规则集,采用面向对象基于规则的分类方法从影像对象区块中提取薇甘菊爆发入侵区域,得到薇甘菊分布识别范围。
2.根据权利要求1所述的一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,其特征在于,在步骤S1中,所述分割尺度的算法为ESP算法;
所述分割尺度为60、76、80、100、114、135、148、168、188、201、208、217和245中的一种。
3.根据权利要求1所述的一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,其特征在于,在步骤S1中,所述分割尺度参数包括形状参数、紧凑度参数和分割尺度;
其中,形状参数为0.5,紧凑度参数为0.5,分割尺度为100。
4.根据权利要求1所述的一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法,其特征在于,在步骤S2中,所述光谱特征包括红、绿和蓝波段上像素的平均值、亮度和植被指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011479538.7A CN112651312A (zh) | 2020-12-15 | 2020-12-15 | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011479538.7A CN112651312A (zh) | 2020-12-15 | 2020-12-15 | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651312A true CN112651312A (zh) | 2021-04-13 |
Family
ID=75354092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011479538.7A Pending CN112651312A (zh) | 2020-12-15 | 2020-12-15 | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651312A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220020A (zh) * | 2021-12-08 | 2022-03-22 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
CN115965812A (zh) * | 2022-12-13 | 2023-04-14 | 桂林理工大学 | 无人机影像对湿地植被物种和地物分类的评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN110991335A (zh) * | 2019-11-29 | 2020-04-10 | 福州大学 | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 |
CN111767865A (zh) * | 2020-06-30 | 2020-10-13 | 北部湾大学 | 一种利用航拍影像和激光数据反演红树林生物量的方法 |
CN111814809A (zh) * | 2020-07-17 | 2020-10-23 | 国家基础地理信息中心 | 遥感图像植被信息提取方法和装置 |
-
2020
- 2020-12-15 CN CN202011479538.7A patent/CN112651312A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN110991335A (zh) * | 2019-11-29 | 2020-04-10 | 福州大学 | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 |
CN111767865A (zh) * | 2020-06-30 | 2020-10-13 | 北部湾大学 | 一种利用航拍影像和激光数据反演红树林生物量的方法 |
CN111814809A (zh) * | 2020-07-17 | 2020-10-23 | 国家基础地理信息中心 | 遥感图像植被信息提取方法和装置 |
Non-Patent Citations (1)
Title |
---|
刘代志: "《地球物理与核探测》", 30 November 2011, 《西安地图出版社》, pages: 258 - 259 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220020A (zh) * | 2021-12-08 | 2022-03-22 | 深圳先进技术研究院 | 柚木林识别方法、系统及终端 |
CN115965812A (zh) * | 2022-12-13 | 2023-04-14 | 桂林理工大学 | 无人机影像对湿地植被物种和地物分类的评估方法 |
CN115965812B (zh) * | 2022-12-13 | 2024-01-19 | 桂林理工大学 | 无人机影像对湿地植被物种和地物分类的评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
Helmer et al. | Cloud-free satellite image mosaics with regression trees and histogram matching | |
Hall et al. | Characterising and mapping vineyard canopy using high-spatial-resolution aerial multispectral images | |
EP3022686B1 (en) | Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures | |
CN110991335A (zh) | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 | |
CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
CN111860351B (zh) | 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法 | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
Timilsina et al. | Mapping urban trees within cadastral parcels using an object-based convolutional neural network | |
CN110598532B (zh) | 一种树木病虫害监控系统及方法 | |
CN110334623B (zh) | 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法 | |
CN112651312A (zh) | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 | |
CN106875407B (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN113011354A (zh) | 基于深度学习的无人机高光谱影像松材线虫病识别方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
Nagel et al. | High-resolution land cover and impervious surface classifications in the twin cities metropolitan area with NAIP imagery | |
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 | |
CN115546636A (zh) | 基于高分辨率遥感图像的地质灾害后植被恢复监测方法 | |
CN104636716B (zh) | 绿色果实识别方法 | |
CN112329791B (zh) | 一种高光谱影像水域自动提取方法 | |
CN101876993B (zh) | 一种地基数字云图的纹理特征抽取和检索方法 | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
CN112183489A (zh) | 一种松材变色立木识别定位方法、装置、设备及存储介质 | |
Shahtahmassebi et al. | Monitoring rapid urban expansion using a multi-temporal RGB-impervious surface model | |
CN111007474A (zh) | 一种基于多特征的天气雷达回波分类方法 |
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 |