CN112840348B - 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 - Google Patents
一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 Download PDFInfo
- Publication number
- CN112840348B CN112840348B CN201980016521.7A CN201980016521A CN112840348B CN 112840348 B CN112840348 B CN 112840348B CN 201980016521 A CN201980016521 A CN 201980016521A CN 112840348 B CN112840348 B CN 112840348B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- neural network
- convolutional neural
- time
- sensing 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.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000011835 investigation Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 2
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，包括下列步骤：步骤1：地面调查及训练样本建立；步骤2：构造基于时序遥感数据和卷积神经网络的作物种植分布预测模型，所述卷积神经网络通过在多时相图像中目标像素点及其周围像素点的数据对其进行预测，输入值为多时相的高分辨率多光谱图像，输出值为作物类型、轮作方式的分类信息；步骤3：将统计区域的时序遥感数据输入已构建的模型获取识别结果。只需要通过少量的代表性地块的地面调查，构建了融合遥感遥感数据时序特征和遥感图像局部特征的预测模型，引入了决策点的上下文信息，提高了预测结果的准确性。
Description
技术领域
本发明涉及一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法。
背景技术
获取农作物种植分布的时空变化信息是国家掌握耕地资源状况、粮食生产态势以及生态系统保护的重要环节。种植分布信息具有时间变异性和空间变异性，使用地面调查方法获取这些信息耗费巨大的人力物力。随着卫星及传感器技术的进步，高空间分辨率遥感卫星已实现周期性地对地进行观测，所搭载的传感器能有效获取作物光谱。在各种作物生长的不同物候期，光谱会呈现不同的特征。利用机器学习模型，结合研究区域主要作物的物候期，对高分辨率多光谱时序遥感数据进行处理，能够预测作物种植情况。现有模型方法中，由于没有充分利用时序信息或上下文信息，导致种植分布预测准确度不高，因此需要一种基于时序数据和上下文信息的作物种植分布预测方法。
发明内容
本发明的目的在于提供一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，以解决现有技术中由于没有充分利用时序信息或上下文信息，导致种植分布预测准确度不高的问题。
所述的一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，包括下列步骤：
步骤1：地面调查及训练样本建立；
步骤2：构造基于时序遥感数据和卷积神经网络的作物种植分布预测模型，所述卷积神经网络通过在多时相图像中目标像素点及其周围像素点的数据对其进行预测，输入值为多时相的高分辨率多光谱图像，输出值为作物类型、轮作方式的分类信息；
步骤3：将统计区域的时序遥感数据输入已构建的模型获取识别结果。
优选的，所述步骤1包括如下步骤：
步骤1.1：调研统计区域的主要种植作物类型、轮作方式、关键物候期时间节点；
步骤1.2：针对步骤1.1中不同作物类型、轮作方式，各选取部分代表性地块，详细记录地块位置及范围、种植面积、种植作物、种植时间等，得到训练样本。
优选的，所述步骤2包括如下步骤：
步骤2.1：收集不同时期包含步骤1.2中选取的代表性地块的遥感图像，将不同时间的遥感图像进行精确配准，并将不同作物类型、轮作方式的区域进行逐像素的分类标记；
步骤2.2：将时序遥感数据作为模型的输入，作物类型、轮作方式的分类信息作为模型的输出，构建多层卷积神经网络；
步骤2.3：利用步骤2.1中的训练样本，使用反向传播算法对多层卷积神经网络中的参数进行充分训练。
优选的，所述步骤2中，图像处理过程中将不同时相遥感图像的各波段数据分别以多种颜色通道图像存储，在进行预测时根据领域大小、时相数和每时相图像通道数获取相应像素点的数据对目标像素点进行预测。
优选的，所述步骤3包括如下步骤：
步骤3.1：收集研究区域范围的时间与神经网络训练时采集遥感图像时间相同的遥感图像，将不同时间的遥感图像进行精确配准；
步骤3.2：将步骤3.1中的配准后的时序遥感数据输入到步骤2.3中训练的多层卷积神经网络模型中，获取研究区域的作物种植分类预测结果。
优选的，神经网络训练时，采集遥感图像的时间为三月到十一月每月中旬。
本发明具有如下优点：
本发明一方面只需要通过少量的代表性地块的地面调查，结合卫星数据提供的高分辨率多光谱图像就能给出作物种植分布的预测结果，可以大幅减少地面调查人员的现场调查成本，还可以利用历史遥感信息实现往年作物种植分布的预测；另一方面，构建了融合遥感遥感数据时序特征和遥感图像局部特征，提高了预测结果的准确性。相比现有预测方法，本方法引入了决策点的上下文信息，针对目标像素点不仅采集了多时相的图像数据，以其中目标像素点数据进行预测，而且通过设定的邻域大小采集目标像素点周围的像素数据，是面对点的预测，还结合了多图像通道的数据，这大大提高了预测结果的准确性。
附图说明
图1为本发明一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法的流程图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1所示，本发明提供了一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，该方法包括下列步骤：
步骤1：地面调查及训练样本建立；具体包括如下步骤：
步骤1.1：调研统计区域的主要种植作物类型、轮作方式、关键物候期时间节点；
步骤1.2：针对步骤1.1中不同作物类型、轮作方式，各选取部分代表性地块，详细记录地块位置及范围、种植面积、种植作物、种植时间等，得到训练样本。
步骤2：构造基于时序遥感数据和卷积神经网络的作物种植分布预测模型，所述卷积神经网络通过在多时相图像中目标像素点及其周围像素点的数据对其进行预测，输入值为多时相的高分辨率多光谱图像(即遥感图像，经过处理后进行输入)，输出值为作物类型、轮作方式的分类信息；具体包括如下步骤：
步骤2.1：收集三月到十一月每月中旬包含步骤1.2中选取的代表性地块的遥感图像，将不同时间的遥感图像进行精确配准，并将不同作物类型、轮作方式的区域进行逐像素的分类标记；图像处理过程中将不同时相遥感图像的各波段数据分别以多种颜色通道图像存储。
步骤2.2：将时序遥感数据作为模型的输入，作物类型、轮作方式的分类信息作为模型的输出，构建多层卷积神经网络。
在进行预测时根据领域大小、时相数和每时相图像通道数获取相应像素点的数据对目标像素点进行预测。例如采用常用的图像通道r(红色)+g(绿色)+b(蓝色)+nir(近红外光谱)，这样采集的遥感图像处理后依据时相形成对应各个图像通道的时序遥感数据，如果神经网络建立时设定领域为5，则在对目标像素点预测时会采集各个图像中目标像素点及其周围5×5的像素点数据。因此本方法所用的模型在预测时需要采集邻域大小*时相数*每时相图像通道数的像素数据，是面对点的预测，相比现有技术大大提高了预测结果的准确性。根据时相不同进行的预测，不仅能预测作物的种类，还能根据作物物候期的不同预测区域中作物是早稻还是晚稻，这是现有技术所不具备的。
步骤2.3：利用步骤2.1中的训练样本，使用反向传播算法对多层卷积神经网络中的参数进行充分训练。
步骤3：将统计区域的时序遥感数据输入已构建的模型获取识别结果；具体包括如下步骤：
步骤3.1：收集研究区域范围在三月到十一月每月中旬的遥感图像，将不同时间的遥感图像进行精确配准；
步骤3.2：将步骤3.1中的配准后的时序遥感数据输入到步骤2.3中训练的多层卷积神经网络模型中，获取研究区域的作物种植分类预测结果。
本发明只需要通过少量的代表性地块的地面调查，构建了融合遥感遥感数据时序特征和遥感图像局部特征的预测模型，引入了决策点的上下文信息，提高了预测结果的准确性。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。
Claims (4)
1.一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，其特征在于：包括下列步骤：
步骤1：地面调查及训练样本建立；
步骤2：构造基于时序遥感数据和卷积神经网络的作物种植分布预测模型，所述卷积神经网络通过在多时相图像中目标像素点及其周围像素点的数据对其进行预测，输入值为多时相的高分辨率多光谱图像，输出值为作物类型、轮作方式的分类信息；
步骤3：将统计区域的时序遥感数据输入已构建的模型获取识别结果;
所述步骤2包括如下步骤：
步骤2.1：收集不同时期包含步骤1.2中选取的代表性地块的遥感图像，将不同时间的遥感图像进行精确配准，并将不同作物类型、轮作方式的区域进行逐像素的分类标记；
步骤2.2：将时序遥感数据作为模型的输入，作物类型、轮作方式的分类信息作为模型的输出，构建多层卷积神经网络；
步骤2.3：利用步骤2.1中的训练样本，使用反向传播算法对多层卷积神经网络中的参数进行充分训练；
图像处理过程中将不同时相遥感图像的各波段数据分别以多种颜色通道图像存储，在进行预测时根据邻域大小、时相数和每时相图像通道数获取相应像素点的数据对目标像素点进行预测。
2.根据权利要求1所述的一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，其特征在于：所述步骤1包括如下步骤：
步骤1.1：调研统计区域的主要种植作物类型、轮作方式、关键物候期时间节点；
步骤1.2：针对步骤1.1中不同作物类型、轮作方式，各选取部分代表性地块，详细记录地块位置及范围、种植面积、种植作物、种植时间，得到训练样本。
3.根据权利要求2所述的一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，其特征在于：所述步骤3包括如下步骤：
步骤3.1：收集研究区域范围的时间与神经网络训练时采集遥感图像时间相同的遥感图像，将不同时间的遥感图像进行精确配准；
步骤3.2：将步骤3.1中的配准后的时序遥感数据输入到步骤2.3中训练的多层卷积神经网络模型中，获取研究区域的作物种植分类预测结果。
4.根据权利要求1-3中任一所述的一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法，其特征在于：神经网络训练时，采集遥感图像的时间为三月到十一月每月中旬。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2019/110509 WO2021068176A1 (zh) | 2019-10-11 | 2019-10-11 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112840348A CN112840348A (zh) | 2021-05-25 |
| CN112840348B true CN112840348B (zh) | 2024-05-03 |
Family
ID=75436924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980016521.7A Active CN112840348B (zh) | 2019-10-11 | 2019-10-11 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112840348B (zh) |
| WO (1) | WO2021068176A1 (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11830167B2 (en) * | 2021-06-21 | 2023-11-28 | Ping An Technology (Shenzhen) Co., Ltd. | System and method for super-resolution image processing in remote sensing |
| CN113361952B (zh) * | 2021-06-25 | 2024-05-14 | 河北工程大学 | 一种芦苇生长情况评估方法 |
| CN113920421B (zh) * | 2021-07-03 | 2023-06-27 | 桂林理工大学 | 一种快速分类的全卷积神经网络模型 |
| 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 |
| CN114092804A (zh) * | 2021-11-06 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 遥感图像的识别方法和装置 |
| CN114792116B (zh) * | 2022-05-26 | 2024-05-03 | 中国科学院东北地理与农业生态研究所 | 一种时间序列深度卷积网络农作物遥感分类方法 |
| CN115661617B (zh) * | 2022-12-28 | 2023-03-14 | 成都中轨轨道设备有限公司 | 一种面向遥感大数据的动态自适应分布式协同工作方法 |
| CN116167630B (zh) * | 2023-04-19 | 2023-06-27 | 昆明理工大学 | 一种选择三七轮作适宜性地块的计算机自动识别方法 |
| CN117094430B (zh) * | 2023-07-19 | 2024-04-26 | 青海师范大学 | 一种农作物分布预测方法、系统、设备及介质 |
| CN116958814A (zh) * | 2023-07-24 | 2023-10-27 | 河北工程大学 | 一种湿地典型植物生长情况实时监测方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102668899A (zh) * | 2012-03-28 | 2012-09-19 | 北京师范大学 | 一种农作物种植模式识别方法 |
| CN106845806A (zh) * | 2017-01-06 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 农田种植状态的遥感监测方法和系统 |
| CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
| CN107392130A (zh) * | 2017-07-13 | 2017-11-24 | 西安电子科技大学 | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 |
| CN108064642A (zh) * | 2018-01-05 | 2018-05-25 | 安徽省农业科学院作物研究所 | 一种麦玉轮作中提高土壤质量和作物产量的方法 |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN108932521A (zh) * | 2018-04-26 | 2018-12-04 | 中国农业大学 | 一种基于深度学习的农作物分类方法及系统 |
| CN109035286A (zh) * | 2018-06-29 | 2018-12-18 | 北京农业信息技术研究中心 | 植物三维点云数据高通量获取方法及装置 |
| CN109063660A (zh) * | 2018-08-09 | 2018-12-21 | 成都天地量子科技有限公司 | 一种基于多光谱卫星影像的作物识别方法 |
| CN109360117A (zh) * | 2018-10-08 | 2019-02-19 | 西充恒河农牧业开发有限公司 | 一种农作物种植模式识别方法 |
| CN109409261A (zh) * | 2018-10-11 | 2019-03-01 | 北京师范大学 | 一种农作物分类方法及系统 |
| CN109658679A (zh) * | 2018-12-24 | 2019-04-19 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 一种用于田间作物生长数据信息采集无人小型车辆的多模式数据采集装置 |
| CN109948520A (zh) * | 2019-03-18 | 2019-06-28 | 中南大学 | 一种基于多时相双极化sar特征曲线的农作物分类方法 |
| CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
| CN109145885B (zh) * | 2018-10-11 | 2020-09-15 | 北京师范大学 | 一种大尺度农作物遥感分类方法及系统 |
| US10430691B1 (en) * | 2019-01-22 | 2019-10-01 | StradVision, Inc. | Learning method and learning device for object detector based on CNN, adaptable to customers' requirements such as key performance index, using target object merging network and target region estimating network, and testing method and testing device using the same to be used for multi-camera or surround view monitoring |
-
2019
- 2019-10-11 WO PCT/CN2019/110509 patent/WO2021068176A1/zh active Application Filing
- 2019-10-11 CN CN201980016521.7A patent/CN112840348B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102668899A (zh) * | 2012-03-28 | 2012-09-19 | 北京师范大学 | 一种农作物种植模式识别方法 |
| CN106845806A (zh) * | 2017-01-06 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 农田种植状态的遥感监测方法和系统 |
| CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
| CN107392130A (zh) * | 2017-07-13 | 2017-11-24 | 西安电子科技大学 | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 |
| CN108064642A (zh) * | 2018-01-05 | 2018-05-25 | 安徽省农业科学院作物研究所 | 一种麦玉轮作中提高土壤质量和作物产量的方法 |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN108932521A (zh) * | 2018-04-26 | 2018-12-04 | 中国农业大学 | 一种基于深度学习的农作物分类方法及系统 |
| CN109035286A (zh) * | 2018-06-29 | 2018-12-18 | 北京农业信息技术研究中心 | 植物三维点云数据高通量获取方法及装置 |
| CN109063660A (zh) * | 2018-08-09 | 2018-12-21 | 成都天地量子科技有限公司 | 一种基于多光谱卫星影像的作物识别方法 |
| CN109360117A (zh) * | 2018-10-08 | 2019-02-19 | 西充恒河农牧业开发有限公司 | 一种农作物种植模式识别方法 |
| CN109409261A (zh) * | 2018-10-11 | 2019-03-01 | 北京师范大学 | 一种农作物分类方法及系统 |
| CN109658679A (zh) * | 2018-12-24 | 2019-04-19 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 一种用于田间作物生长数据信息采集无人小型车辆的多模式数据采集装置 |
| CN109948520A (zh) * | 2019-03-18 | 2019-06-28 | 中南大学 | 一种基于多时相双极化sar特征曲线的农作物分类方法 |
| CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
Non-Patent Citations (5)
| Title |
|---|
| A MANY-TO-MANY FULLY CONVOLUTIONAL RECURRENT NETWORK FOR MULTITEMPORAL CROP RECOGNITION;J. A. Chamorro 等;《ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;25-32 * |
| Combining Deep Learning and Prior Knowledge for Crop Mapping in Tropical Regions from Multitemporal SAR Image Sequences;Laura Elena Cué La Rosa 等;《remote sensing》;1-27 * |
| Extracting Crop Spatial Distribution from Gaofen 2 Imagery Using a Convolutional Neural Network;Yan Chen 等;《applied sciences》;1-19 * |
| 一种利用多时相遥感数据提取农作物信息的方法;程清 等;《山东农业科学》;第50卷(第4期);149-153 * |
| 基于CNN和农作物光谱纹理特征进行作物分布制图;周壮 等;《遥感技术与应用》;第34卷(第4期);694-703 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112840348A (zh) | 2021-05-25 |
| WO2021068176A1 (zh) | 2021-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112840348B (zh) | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 | |
| Khan et al. | Estimation of vegetation indices for high-throughput phenotyping of wheat using aerial imaging | |
| Stroppiana et al. | Early season weed mapping in rice crops using multi-spectral UAV data | |
| Hall et al. | Optical remote sensing applications in viticulture‐a review | |
| US20170161560A1 (en) | System and method for harvest yield prediction | |
| US10748081B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops | |
| JPWO2020044480A1 (ja) | 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム | |
| US10410334B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model | |
| Tanabe et al. | Winter wheat yield prediction using convolutional neural networks and UAV-based multispectral imagery | |
| Zhang et al. | A universal estimation model of fractional vegetation cover for different crops based on time series digital photographs | |
| US10943173B2 (en) | Computer-implemented methods, computer readable medium and systems for generating a satellite data model for a precision agriculture platform | |
| Warren et al. | Agricultural applications of high-resolution digital multispectral imagery | |
| CN105513096A (zh) | 一种冬小麦生物量估算方法 | |
| Dong et al. | Using RapidEye imagery to identify within-field variability of crop growth and yield in Ontario, Canada | |
| CN102117447A (zh) | 作物品质区域预测系统及方法 | |
| CN112861712A (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
| Raman et al. | Rice area estimation using parameterized classification of sentinel 1A SAR data | |
| CN116071662A (zh) | 一种基于遥感影像的农作物识别解译方法及系统 | |
| Arunarani et al. | Crop yield prediction using spatio temporal CNN and multimodal remote sensing | |
| Das et al. | A high-throughput phenotyping pipeline for rapid evaluation of morphological and physiological crop traits across large fields | |
| Zhang et al. | Fully convolutional neural networks for large scale cropland mapping with historical label dataset | |
| Ye et al. | Estimation of citrus yield from canopy spectral features determined by airborne hyperspectral imagery | |
| Bhimanpallewar et al. | A Survey of Automated Advisory Systems in Agriculture Field | |
| CN118038286A (zh) | 结合北斗位置服务与知识决策的作物面积提取方法及系统 | |
| Honkavaara et al. | Precision agriculture in practice–utilisation of novel remote sensing technologies in grass silage production |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 225, Building 2, Pioneering Avenue, 8 Longhu Road, Sanshan District, Wuhu City, Anhui Province, 241000 Applicant after: Anhui Zhongke intelligent perception Technology Co.,Ltd. Address before: Room 225, Building 2, Pioneering Avenue, 8 Longhu Road, Sanshan District, Wuhu City, Anhui Province, 241000 Applicant before: ANHUI ZHONGKE INTELLIGENT SENSING INDUSTRY TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |