CN112712038A - 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 - Google Patents
基于多光谱卫星影像监测小麦倒伏状况的方法及系统 Download PDFInfo
- Publication number
- CN112712038A CN112712038A CN202011638307.6A CN202011638307A CN112712038A CN 112712038 A CN112712038 A CN 112712038A CN 202011638307 A CN202011638307 A CN 202011638307A CN 112712038 A CN112712038 A CN 112712038A
- Authority
- CN
- China
- Prior art keywords
- wheat
- lodging
- satellite
- image
- images
- 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.)
- Granted
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 219
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 230000003595 spectral effect Effects 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000000873 masking effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 4
- 230000000246 remedial effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多光谱卫星影像监测小麦倒伏状况的方法及系统,其首先获取小麦倒伏前、后卫星影像,对小麦倒伏前、后卫星影像进行预处理,所述小麦前卫星影像包括小麦灌浆期前、后卫星影像;然后根据影像上地物特征构建光谱特征参量,计算小麦倒伏前、后卫星影像的光谱特征;接着根据小麦灌浆期前、后卫星影像呈现的光谱特征自小麦倒伏前卫星影像中提取出小麦分布影像数据;最后将小麦分布影像数据加载至小麦倒伏后卫星影像中,然后基于倒伏小麦的光谱特征自小麦分布影像数据中识别出小麦倒伏区域;从而能够快速提取大范围小麦倒伏的信息,对小麦倒伏面积和程度的监测,以及倒伏灾害发生后及时制定灾后补救措施具有重要意义。
Description
技术领域
本发明涉及测绘遥感技术领域,尤其是涉及一种基于多光谱卫星影像监测小麦倒伏状况的方法及系统。
背景技术
小麦是我国主要农作物之一,其产量备受关注。倒伏是小麦种植过程中比较常见的一种农业灾害,倒伏发生后,小麦光合作物降低,部分叶片和茎秆腐烂,影响光合产物的形成和运输,最终导致小麦产量降低。另外,小麦倒伏后,会严重影响到机械化收割,故倒伏小麦在收割过程中对人力的需求量也会增加,造成人力和资源的浪费。
现有的传统调查小麦倒伏的方式是通过实地调查走访,以及上报数据的方式来统计小麦的倒伏情况,进而采取相应的措施制定对策来指导农业生产以及估计产量损失。这种调查方式不易获得大范围的倒伏信息,时效性差且容易受人为主观因素的影响,信息准确性无法保证。而遥感技术有大尺度、大范围宏观观测等特点,能够在倒伏灾害发生后快速进行大范围监测,及时获取小麦的倒伏状况,为及时制定灾后重建方案提供数据参考。现有的研究中,已有专家学者基于高光谱数据、无人机影像实现对小麦倒伏的监测,曹利萍[1]通过对倒伏区域小麦实地光谱特征的测量研究了高光谱对冬小麦倒伏的响应;李广[2]在多时相无人机影像上通过传统分类算法提取了冬小麦倒伏信息;张杰[3]对比研究了不同时期倒伏冬小麦相对于正常冬小麦光谱特征的变化。但是无人机影像覆盖范围有限、高光谱影像数据源有限,以上研究中,研究的区域范围多数很小,且实施起来成本较高,在农业生产中难以满足在倒伏发生后及时大范围快速监测倒伏状况的需求。
参考文献如下:
[1]曹利萍.高光谱对冬小麦倒伏的响应[J].山西农业科学,2017,45(12):1930-1932.
[2]李广.小麦倒伏信息无人机多时相遥感提取方法[J].农业机械学报,2019,04.
[3]张杰.冬小麦倒伏遥感监测研究[D].硕士论文,山东师范大学,2011.
发明内容
本发明的目的在于克服上述技术不足,提出一种基于多光谱卫星影像监测小麦倒伏状况的方法及系统,解决现有技术中无法快速且及时的对大范围小麦倒伏情况进行监测的问题。
为达到上述技术目的,本发明的技术方案第一方面提供一种基于多光谱卫星影像监测小麦倒伏状况的方法,其包括如下步骤:
获取小麦倒伏前、后卫星影像,对小麦倒伏前、后卫星影像进行预处理,所述小麦前卫星影像包括小麦灌浆期前、后卫星影像;
根据影像上地物特征构建光谱特征参量,计算小麦倒伏前、后卫星影像的光谱特征;
根据小麦灌浆期前、后卫星影像呈现的光谱特征自小麦倒伏前卫星影像中提取出小麦分布影像数据;
将小麦分布影像数据加载至小麦倒伏后卫星影像中,然后基于倒伏小麦的光谱特征自小麦分布影像数据中识别出小麦倒伏区域。
本发明第二方面提供一种基于多光谱卫星影像监测小麦倒伏状况的系统,其包括如下功能模块:
影像获取模块,用于获取小麦倒伏前、后卫星影像,对小麦倒伏前、后卫星影像进行预处理,所述小麦前卫星影像包括小麦灌浆期前、后卫星影像;
光谱特征构建模块,用于根据影像上地物特征构建光谱特征参量,计算小麦倒伏前、后卫星影像的光谱特征;
分布影像提取模块,用于根据小麦灌浆期前、后卫星影像呈现的光谱特征自小麦倒伏前卫星影像中提取出小麦分布影像数据;
倒伏区域识别模块,用于将小麦分布影像数据加载至小麦倒伏后卫星影像中,然后基于倒伏小麦的光谱特征自小麦分布影像数据中识别出小麦倒伏区域。
本发明第三方面提供一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于多光谱卫星影像监测小麦倒伏状况的方法的步骤。
本发明第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述一种基于多光谱卫星影像监测小麦倒伏状况的方法的步骤。
与现有技术相比,本发明以高分辨率多光谱卫星影像为数据源,根据小麦倒伏后光谱特征的变化,进行植被指数变化分析,结合大量的地面实地调研数据进行阈值划分,建立识别模型,从而能够大范围精准的监测小麦倒伏情况。本发明采用人机交互的方式,能够快速提取大范围小麦倒伏的信息,分类精度高,可实施性好,对小麦倒伏面积和程度的监测,以及倒伏灾害发生后及时制定灾后补救措施具有重要意义。
附图说明
图1是本发明所述基于多光谱卫星影像监测小麦倒伏状况的方法的流程框图;
图2是本发明所述基于多光谱卫星影像监测小麦倒伏状况的系统的模块框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种基于多光谱卫星影像监测小麦倒伏状况的方法,其包括如下步骤:
S1、获取小麦倒伏前、后卫星影像,对小麦倒伏前、后卫星影像进行预处理,所述小麦前卫星影像包括小麦灌浆期前、后卫星影像。
首先获取小麦生长季的多时期卫星影像,包括倒伏发生前和倒伏发生后的影像各一期,下面以哨兵二号影像为例描述具体实施步骤。
从欧空局官方网站上(https://scihub.copernicus.eu/)下载Sentinel-2影像,所选影像时期为小麦倒伏发生前、后各一期,选用影像的时间尽量靠近倒伏发生的时间,及时监测倒伏情况。
将小麦倒伏前、后卫星影像中空间分辨率为10米的近红外、红波段、绿波段和蓝波段进行波段合成,根据监测区域的范围对波段合成后的影像进行裁剪和拼接,最终得到空间分辨率为10米、且包括蓝、绿、红、近红外在内的标准格式的监测区域正射影像DOM。
S2、根据影像上地物特征构建光谱特征参量,计算小麦倒伏前、后卫星影像的光谱特征。
具体的,所述光谱特征参量包括归一化植被指数NDVI和比值植被指数RVI,其中,选取归一化植被指数NDVI作为植被特征参量,比值植被指数RVI作为小麦倒伏提取的特征参量。
所述光谱特征参量的计算公式如下:
其中ρNIR为近红外波段地表反射率,ρRed为红波段地表反射率。
S3、根据小麦灌浆期前、后卫星影像呈现的光谱特征自小麦倒伏前卫星影像中提取出小麦分布影像数据。
根据小麦灌浆期前、后卫星影像呈现的光谱特征,即归一化植被指数NDVI,自小麦灌浆期前、后卫星影像中选取小麦样本;基于卷积神经网络算法构建分类模型,所述分类模型参数包括归一化植被指数NDVI;将小麦倒伏前卫星影像输入分类模型中,自动生成小麦分布数据图层。
在得到小麦分布数据图层后,对生成的小麦分布数据图层采用抽样调查的方式选取样方,并在样方范围内按照五点采样法选取随机点验证分类精度,对分类结果精度优于90%的判断为合格。
S4、将小麦分布影像数据加载至小麦倒伏后卫星影像中,然后基于倒伏小麦的光谱特征自小麦分布影像数据中识别出小麦倒伏区域。
具体的,小麦倒伏发生在生长的中后期,灌浆-乳熟期是小麦最易发生倒伏的时期。小麦发生倒伏后,因结构的变化,反射光谱值也会发生变化。实验研究表明,倒伏后的小麦在近红外、红、绿波段的反射率都会倒伏前有一定的升高,其中近红外波段值增加的幅度最大,故近红外波段的反射率是识别小麦倒伏区域的主要特征,为消除土壤背景等其他因素的影响,本发明引入红波段反射率,组成比值植被指数RVI,通过构建决策树分类模型来识别小麦倒伏区域。
所述决策树分类模型的构建方法如下:
设定Dist.为小麦分布图层,设定Img为倒伏后小麦DOM影像,设定Img_RVI为倒伏后小麦正射影像计算出的比值植被指数,N为统计得到的倒伏区域与非倒伏区域的比值植被指数阈值。
设定以小麦分布图层Dist.为基础数据,对小麦倒伏后卫星影像的比值植被指数Img_RVI进行掩膜处理,得到掩膜后的小麦分布数据RVI图层Img_RVI_Wheat;
根据实地采集的小麦倒伏点数据,试验后发现倒伏小麦的RVI值较未倒伏小麦高,故根据小麦倒伏后卫星影像上小麦倒伏情况,设定比值植被指数RVI的阈值N,根据比值植被指数阈值判断区分出小麦分布数据RVI图层Img_RVI_Wheat中值大于N的部分为小麦倒伏区域。
本发明所述基于多光谱卫星影像监测小麦倒伏状况的方法,其以高分辨率多光谱卫星影像为数据源,根据小麦倒伏后光谱特征的变化,进行植被指数变化分析,结合大量的地面实地调研数据进行阈值划分,建立识别模型,从而能够大范围精准的监测小麦倒伏情况。本发明采用人机交互的方式,能够快速提取大范围小麦倒伏的信息,分类精度高,可实施性好,对小麦倒伏面积和程度的监测,以及倒伏灾害发生后及时制定灾后补救措施具有重要意义。
如图2所示,本发明实施例还公开了一种基于多光谱卫星影像监测小麦倒伏状况的系统,其包括如下功能模块:
影像获取模块10,用于获取小麦倒伏前、后卫星影像,对小麦倒伏前、后卫星影像进行预处理,所述小麦前卫星影像包括小麦灌浆期前、后卫星影像;
光谱特征构建模块20,用于根据影像上地物特征构建光谱特征参量,计算小麦倒伏前、后卫星影像的光谱特征;
分布影像提取模块30,用于根据小麦灌浆期前、后卫星影像呈现的光谱特征自小麦倒伏前卫星影像中提取出小麦分布影像数据;
倒伏区域识别模块40,用于将小麦分布影像数据加载至小麦倒伏后卫星影像中,然后基于倒伏小麦的光谱特征自小麦分布影像数据中识别出小麦倒伏区域。
本实施例一种基于多光谱卫星影像监测小麦倒伏状况的系统的执行方式与上述基于多光谱卫星影像监测小麦倒伏状况的方法基本相同,故不作详细赘述。
本实施例服务器为提供计算服务的设备,通常指具有较高计算能力,通过网络提供给多个消费者使用的计算机。该实施例的服务器包括:存储器、处理器以及系统总线,所述存储器包括存储其上的可运行的程序,本领域技术人员可以理解,本实施例的终端设备结构并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、数值计算功能等)等;存储数据区可存储根据终端的使用所创建的数据(比如图像数据、文本数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器上包含一种基于多光谱卫星影像监测小麦倒伏状况的方法的可运行程序,所述可运行程序可以被切割成一个或多个模块/单元,所述一个或多个模块/单元被存储在所述存储器中,并由处理器执行,以完成信息的获取及实现过程,所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述服务器中的执行过程。例如,所述计算机程序可以被切割为网络构建模块、模型训练模块、目标检测模块。
处理器是服务器的控制中心,利用各种接口和线路连接整个终端设备的各个部分,通过运行或执行存储在存储器内的软件程序和/或模块,以及调用存储在存储器内的数据,执行终端的各种功能和处理数据,从而对终端进行整体监控。可选的,处理器可包括一个或多个处理单元;优选的,处理器可集成应用处理器和图形处理器GPU,其中,应用处理器主要处理操作系统、应用程序等,图形处理器GPU主要用于深度学习模型并行计算加速。可以理解的是,上述图形处理器GPU也可以不集成到处理器中。
系统总线是用来连接计算机内部各功能部件,可以传送数据信息、地址信息、控制信息,其种类可以是例如PCI总线、ISA总线、VESA总线等。处理器的指令通过总线传递至存储器,存储器反馈数据给处理器,系统总线负责处理器与存储器之间的数据、指令交互。当然系统总线还可以接入其他设备,例如网络接口、显示设备等。
所述服务器应至少包括CPU、芯片组、内存、磁盘系统等,其他构成部件在此不再赘述。
在本发明实施例中,该终端所包括的处理器执行的可运行程序具体为:一种基于多光谱卫星影像监测小麦倒伏状况的方法,其包括如下步骤:
获取小麦倒伏前、后卫星影像,对小麦倒伏前、后卫星影像进行预处理,所述小麦前卫星影像包括小麦灌浆期前、后卫星影像;
根据影像上地物特征构建光谱特征参量,计算小麦倒伏前、后卫星影像的光谱特征;
根据小麦灌浆期前、后卫星影像呈现的光谱特征自小麦倒伏前卫星影像中提取出小麦分布影像数据;
将小麦分布影像数据加载至小麦倒伏后卫星影像中,然后基于倒伏小麦的光谱特征自小麦分布影像数据中识别出小麦倒伏区域。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多光谱卫星影像监测小麦倒伏状况的方法,其特征在于,包括如下步骤:
获取小麦倒伏前、后卫星影像,对小麦倒伏前、后卫星影像进行预处理,所述小麦前卫星影像包括小麦灌浆期前、后卫星影像;
根据影像上地物特征构建光谱特征参量,计算小麦倒伏前、后卫星影像的光谱特征;
根据小麦灌浆期前、后卫星影像呈现的光谱特征自小麦倒伏前卫星影像中提取出小麦分布影像数据;
将小麦分布影像数据加载至小麦倒伏后卫星影像中,然后基于倒伏小麦的光谱特征自小麦分布影像数据中识别出小麦倒伏区域。
2.根据权利要求1所述基于多光谱卫星影像监测小麦倒伏状况的方法,其特征在于,所述对小麦倒伏前、后卫星影像进行预处理,包括:
将小麦倒伏前、后卫星影像的近红外、红波段、绿波段和蓝波段进行波段合成;
根据监测区域的范围对波段合成后的影像进行裁剪和拼接,得到监测区域的正射影像。
3.根据权利要求1所述基于多光谱卫星影像监测小麦倒伏状况的方法,其特征在于,所述光谱特征参量包括归一化植被指数NDVI和比值植被指数RVI,其中,选取归一化植被指数NDVI作为植被特征参量,比值植被指数RVI作为小麦倒伏提取的特征参量。
5.根据权利要求1所述基于多光谱卫星影像监测小麦倒伏状况的方法,其特征在于,所述根据小麦灌浆期前、后卫星影像呈现的光谱特征自小麦倒伏前卫星影像中提取出小麦分布影像数据;包括:
根据小麦灌浆期前、后卫星影像呈现的光谱特征,自小麦灌浆期前、后卫星影像中选取小麦样本;
基于卷积神经网络算法构建分类模型,所述分类模型参数包括归一化植被指数NDVI;
将小麦倒伏前卫星影像输入分类模型中,自动生成小麦分布数据图层。
6.根据权利要求1所述基于多光谱卫星影像监测小麦倒伏状况的方法,其特征在于,在得到小麦分布数据图层后,对生成的小麦分布数据图层采用抽样调查的方式选取样方,并在样方范围内按照五点采样法选取随机点验证分类精度。
7.根据权利要求1所述基于多光谱卫星影像监测小麦倒伏状况的方法,其特征在于,所述将小麦分布影像数据加载至小麦倒伏后卫星影像中,然后基于倒伏小麦的光谱特征自小麦分布影像数据中识别出小麦倒伏区域,包括:
以小麦分布数据图层为基础数据,对小麦倒伏后卫星影像的比值植被指数进行掩膜处理,得到掩膜后的小麦分布数据RVI图层;
根据小麦倒伏后卫星影像上小麦倒伏情况设定比值植被指数阈值,根据比值植被指数阈值自小麦分布数据RVI图层中区分出小麦倒伏区域。
8.一种基于多光谱卫星影像监测小麦倒伏状况的系统,其特征在于,包括如下功能模块:
影像获取模块,用于获取小麦倒伏前、后卫星影像,对小麦倒伏前、后卫星影像进行预处理,所述小麦前卫星影像包括小麦灌浆期前、后卫星影像;
光谱特征构建模块,用于根据影像上地物特征构建光谱特征参量,计算小麦倒伏前、后卫星影像的光谱特征;
分布影像提取模块,用于根据小麦灌浆期前、后卫星影像呈现的光谱特征自小麦倒伏前卫星影像中提取出小麦分布影像数据;
倒伏区域识别模块,用于将小麦分布影像数据加载至小麦倒伏后卫星影像中,然后基于倒伏小麦的光谱特征自小麦分布影像数据中识别出小麦倒伏区域。
9.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于多光谱卫星影像监测小麦倒伏状况的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于多光谱卫星影像监测小麦倒伏状况的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011638307.6A CN112712038B (zh) | 2020-12-31 | 2020-12-31 | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011638307.6A CN112712038B (zh) | 2020-12-31 | 2020-12-31 | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712038A true CN112712038A (zh) | 2021-04-27 |
CN112712038B CN112712038B (zh) | 2024-05-28 |
Family
ID=75547939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011638307.6A Active CN112712038B (zh) | 2020-12-31 | 2020-12-31 | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712038B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378848A (zh) * | 2021-07-08 | 2021-09-10 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
CN114076955A (zh) * | 2021-09-27 | 2022-02-22 | 农业农村部规划设计研究院 | 一种基于高分一号卫星数据识别倒伏玉米的方法 |
CN115049926A (zh) * | 2022-06-10 | 2022-09-13 | 安徽农业大学 | 一种基于深度学习的小麦倒伏损失评估方法和装置 |
CN115641444A (zh) * | 2022-12-23 | 2023-01-24 | 中国科学院空天信息创新研究院 | 小麦倒伏检测方法、装置、设备及介质 |
CN116757507A (zh) * | 2023-08-14 | 2023-09-15 | 武汉理工大学 | 一种作物灌浆过程预测方法、系统、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103969632A (zh) * | 2014-03-26 | 2014-08-06 | 北京农业信息技术研究中心 | 一种利用雷达遥感数据监测小麦倒伏的方法及装置 |
GB201709756D0 (en) * | 2017-06-19 | 2017-08-02 | Earlham Inst | Data Processing of images of a crop |
EP3467702A1 (en) * | 2017-10-04 | 2019-04-10 | Kws Saat Se | Method and system for performing data analysis for plant phenotyping |
CN110751019A (zh) * | 2019-09-03 | 2020-02-04 | 武汉珈和科技有限公司 | 基于深度学习的高分辨率影像农作物自动提取方法及装置 |
CN110751639A (zh) * | 2019-10-16 | 2020-02-04 | 黑龙江地理信息工程院 | 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 |
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 |
CN110991714A (zh) * | 2019-11-21 | 2020-04-10 | 北京农业信息技术研究中心 | 一种农作物倒伏灾情监测方法及系统 |
CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取系统及方法 |
WO2020123402A1 (en) * | 2018-12-10 | 2020-06-18 | The Climate Corporation | Mapping field anomalies using digital images and machine learning models |
CN111860150A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 基于遥感影像的倒伏水稻识别方法与装置 |
-
2020
- 2020-12-31 CN CN202011638307.6A patent/CN112712038B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103969632A (zh) * | 2014-03-26 | 2014-08-06 | 北京农业信息技术研究中心 | 一种利用雷达遥感数据监测小麦倒伏的方法及装置 |
GB201709756D0 (en) * | 2017-06-19 | 2017-08-02 | Earlham Inst | Data Processing of images of a crop |
EP3642792A1 (en) * | 2017-06-19 | 2020-04-29 | Earlham Institute | Data processing of images of a crop |
EP3467702A1 (en) * | 2017-10-04 | 2019-04-10 | Kws Saat Se | Method and system for performing data analysis for plant phenotyping |
WO2020123402A1 (en) * | 2018-12-10 | 2020-06-18 | The Climate Corporation | Mapping field anomalies using digital images and machine learning models |
CN110751019A (zh) * | 2019-09-03 | 2020-02-04 | 武汉珈和科技有限公司 | 基于深度学习的高分辨率影像农作物自动提取方法及装置 |
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 |
CN110751639A (zh) * | 2019-10-16 | 2020-02-04 | 黑龙江地理信息工程院 | 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 |
CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取系统及方法 |
CN110991714A (zh) * | 2019-11-21 | 2020-04-10 | 北京农业信息技术研究中心 | 一种农作物倒伏灾情监测方法及系统 |
CN111860150A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 基于遥感影像的倒伏水稻识别方法与装置 |
Non-Patent Citations (7)
Title |
---|
HAO YANG 等: "Wheat lodging monitoring using polarimetric index from RADARSAT-2 data", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》, 6 September 2014 (2014-09-06), pages 157 - 166, XP029062257, DOI: 10.1016/j.jag.2014.08.010 * |
LONGFEI ZHOU 等: "Remote sensing of regional-scale maize lodging using multitemporal GF-1 images", 《JOURNAL OF APPLIED REMOTE SENSING》, vol. 14, no. 1, 6 February 2020 (2020-02-06), pages 014514 - 1 * |
徐安建: "基于卷积神经网络的遥感影像农作物分类方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 2020, 15 June 2020 (2020-06-15), pages 043 - 3 * |
李宗南 等: "基于 Worldview-2 影像的玉米倒伏面积估算", 《农业工程学报》, vol. 32, no. 2, 23 January 2016 (2016-01-23), pages 1 - 5 * |
李广 等: "小麦倒伏信息无人机多时相遥感提取方法", 《农业机械学报》, vol. 50, no. 4, 21 January 2019 (2019-01-21), pages 211 - 220 * |
王立志 等: "基于多时相 HJ-1B CCD 影像的玉米倒伏灾情遥感监测", 《中国农业科学》, vol. 49, no. 21, 2 November 2016 (2016-11-02), pages 4120 - 4129 * |
罗菊花: "小麦条锈病遥感监测与危害评估研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 2010, 15 July 2010 (2010-07-15), pages 046 - 21 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378848A (zh) * | 2021-07-08 | 2021-09-10 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
CN113378848B (zh) * | 2021-07-08 | 2024-01-30 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
CN114076955A (zh) * | 2021-09-27 | 2022-02-22 | 农业农村部规划设计研究院 | 一种基于高分一号卫星数据识别倒伏玉米的方法 |
CN115049926A (zh) * | 2022-06-10 | 2022-09-13 | 安徽农业大学 | 一种基于深度学习的小麦倒伏损失评估方法和装置 |
CN115049926B (zh) * | 2022-06-10 | 2023-10-24 | 安徽农业大学 | 一种基于深度学习的小麦倒伏损失评估方法和装置 |
CN115641444A (zh) * | 2022-12-23 | 2023-01-24 | 中国科学院空天信息创新研究院 | 小麦倒伏检测方法、装置、设备及介质 |
CN115641444B (zh) * | 2022-12-23 | 2023-04-11 | 中国科学院空天信息创新研究院 | 小麦倒伏检测方法、装置、设备及介质 |
CN116757507A (zh) * | 2023-08-14 | 2023-09-15 | 武汉理工大学 | 一种作物灌浆过程预测方法、系统、电子设备及存储介质 |
CN116757507B (zh) * | 2023-08-14 | 2023-11-10 | 武汉理工大学 | 一种作物灌浆过程预测方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112712038B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712038B (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 | |
Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
Peters et al. | Synergy of very high resolution optical and radar data for object-based olive grove mapping | |
Wallace et al. | Fallow-land Algorithm based on Neighborhood and Temporal Anomalies (FANTA) to map planted versus fallowed croplands using MODIS data to assist in drought studies leading to water and food security assessments | |
Panda et al. | Distinguishing blueberry bushes from mixed vegetation land use using high resolution satellite imagery and geospatial techniques | |
Ozdarici Ok et al. | A segment-based approach to classify agricultural lands by using multi-temporal optical and microwave data | |
CN114581768A (zh) | 一种作物倒伏无人机监测方法及装置 | |
WO2021133310A1 (en) | Agricultural decision support system | |
Lambert et al. | Estimate yield at parcel level from S2 time serie in sub-Saharan smallholder farming systems | |
CN114494882A (zh) | 一种基于随机森林的冬小麦遥感识别分析方法和系统 | |
Guan et al. | An improved approach to estimating crop lodging percentage with Sentinel-2 imagery using machine learning | |
Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
CN116543316A (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 | |
Rocha et al. | Automatic detection and evaluation of sugarcane planting rows in aerial images | |
Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
Mueller-Warrant et al. | Methods for improving accuracy and extending results beyond periods covered by traditional ground-truth in remote sensing classification of a complex landscape | |
Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network |
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 |