CN112861837B - 一种基于无人机的红树林生态信息智慧提取方法 - Google Patents
一种基于无人机的红树林生态信息智慧提取方法 Download PDFInfo
- Publication number
- CN112861837B CN112861837B CN202011617540.6A CN202011617540A CN112861837B CN 112861837 B CN112861837 B CN 112861837B CN 202011617540 A CN202011617540 A CN 202011617540A CN 112861837 B CN112861837 B CN 112861837B
- Authority
- CN
- China
- Prior art keywords
- mangrove
- unmanned aerial
- aerial vehicle
- mangrove forest
- forest
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于无人机的红树林生态信息智慧提取方法,该方法首先通过无人机采集的可见光遥感数据并对数据进行预处理,利用像素级种类识别算法识别红树物种,计算红树林面积和物种多样性;然后,通过三维重建生成DSM结果,结合红树植物种类识别结果,计算红树植物的冠层直径和树高等生态学指标。本发明方法中借助无人机开展红树林生态信息监测,便于操作,实时性强,精度较高;同时,根据无人机遥感数据获取红树林生态信息,可进一步评估红树林的健康度,便于红树林的高效保护和恢复。
Description
技术领域
本发明属于红树林遥感监测技术领域,具体涉及一种基于无人机的红树林生态信息智慧提取方法。
背景技术
红树林是分布于热带、亚热带海岸潮间带的木本植物群落,它与潮汐平地、盐性平地以及潮汐混合区的有关栖息地共同组成了红树林湿地生态系统。在抵御海啸、风暴潮等突发性生态灾难、保护海岸堤坝、保持沿海生物多样性、维持海湾河口生态系统的稳定和平衡等方面,红树林生态系统起着不可替代的重要作用,对红树林的有效管理尤为重要。因此,需要对红树林生态信息进行准确及时的监测。
由于红树林生态系统的环境较为复杂,通过实地样方调查获取红树林生态信息耗时耗力,且无法对整个红树林样地进行全局分析。卫星遥感监测虽然在一定程度上缓解了上述问题,然而卫星遥感数据的空间分辨率有限,对红树林的认知精度不高。此外,卫星遥感数据的实时性不高,不便于红树林生态信息的及时监测与分析。随着近些年无人机的大规模应用,无人机在森林制图、作物管理和植被监测方面广受关注。无人机遥感成本低、数据采集灵活、图像空间分辨率高,具有实时获取影像资料的能力,特别在小区域低空领域具有一定的优势,是传统实地调研和卫星遥感的重要补充。综上,通过采集的无人机数据获取红树林生态信息是一种可行方案。
发明内容
有鉴于此,本发明的目的是提供一种基于无人机的红树林生态信息智慧提取方法,包括以下步骤:
S1:采集红树林生态系统的无人机原始图像;
S2:对采集的无人机原始图像进行预处理;
S3:将预处理后无人机原始图像进行裁切,裁切后输入已优化的基于SegNet网络框架的识别模型进行植物种类识别和结果拼接,获取整个红树林样地的种类识别结果图;
S4:基于整个红树林样地的种类识别结果图,获取红树林面积和物种多样性生态信息参数;
S5:将预处理后无人机原始图像进行三维点云重建,获取飞行区域的红树植物数字表面模型;
S6:拟合样地数字高程模型,根据红树植物数字表面模型,获取红树林样地的植被高度信息;
S7:根据整个红树林样地的种类识别结果图和红树林样地的植被高度信息,获取红树林单株植株冠层直径和树高等生态信息参数。
在S1中,采集红树林生态系统的无人机原始图像时,无人机选型为大疆精灵Phantom 4RTK,其水平方向和高度方向上的定位精度均为厘米级,像素为5472×3648。飞行参数选取为高度为80m,飞行速度为3m/s,航向重叠度为90%,旁向重叠度为80%,镜头垂直向下拍摄正射影像,单次作业时间平均为18min。
3、根据权利要求1所述的红树林生态信息智慧提取方法,其特征在于,在S2中,对原始图像预处理时,根据无人机云台相机镜头畸变参数,对图像进行畸变校正。
在S3中,具体进行以下步骤:
S31:对预处理后无人机原始图像进行裁切,以适配识别模型的图片输入尺寸;
S32:利用已优化的基于SegNet网络框架的红树植物种类识别模型,将预处理后无人机原始图像进行识别和分类获取识别结果。
S33:将识别结果进行拼接得到拼接结果;
S34:利用滤波算法对拼接结果进行处理,根据邻域内的识别结果调整识别结果跳变的区域,平滑红树植物的识别结果,获取整个红树林样地的种类识别结果图。
在S4中,具体进行以下步骤:
S41:根据无人机飞行高度、相机焦距以及成像尺寸,计算单个像素代表的实际尺寸;
S42:根据不同红树植物所占像素面积大小,计算各种红树植物的面积,并获取整个红树林生态系统的范围大小;
S43:在种类识别结果图上,框选用户感兴趣区域;
S44:在框选的用户感兴趣区域内,计算全部像素个数N,以及各种红树植物的像素个数Mi(i=0,1,…,S),计算当前样地的物种多样性参数;
其中,H’和D分别为表征物种多样性的Shannon-Wiener指数和Simpson指数。
在S5中,具体进行以下步骤:
S51、根据无人机飞行参数(如高度、图像航向重叠度和旁向重叠度等)对预处理后无人机原始图像进行三维点云重建;
S52、基于三维点云重建结果,获取该区域的DSM数据;
S53、对获取该区域的DSM数据进行平滑滤波,消除结果中的噪声干扰。
在S6中,具体进行以下步骤:
S61:根据实地调查的高程数据,结合红树林生态系统的地理位置,拟合得到调查样地的DEM;
S62:利用飞行区域的红树植物数字表面模型获取调查样地的DSM数据以及调查样地的DEM,获取红树林的植被高度信息。
S7中,具体进行以下步骤:
S71:利用获取整个红树林样地的种类识别结果图对获取红树林的植被高度信息进行处理,得到不同红树植物对应的高度信息;
S72:依据实地样方调查数据,根据不同红树植物的高度,选取该类别红树植物的平均冠幅大小;
S73:依据选取的平均冠幅大小,设定相同尺寸的圆形邻域(核),利用ArcGIS中的焦点统计(最大)算法处理获取的红树林的植被高度信息,以识别邻域内的局部极大值;
S74:以局部最大值作为树顶,根据树顶高度并参考红树植物冠幅-树高拟合模型(冠幅(C)=2.5829H-0.4343,R2=0.838),生成单株红树植物的冠层;
S75:在单株红树植物的冠层基础上,对获取的单木冠层进行合并处理,滤除误检测项得到树顶和冠层;
S76:根据获取的树顶和冠层,计算得到红树植物的树高和冠幅。
本发明具有如下有益效果:
本发明是基于无人机可见光数据的红树林生态信息智慧监测方法,针对现有红树林生态信息监测存在的耗时耗力且实时性较差的问题,通过获取的无人机可见光数据,利用像素级种类识别算法识别红树物种,计算红树林面积和物种多样性;通过三维重建生成DSM结果,进一步结合红树林物种分类结果,计算单株红树植物的冠层直径和树高等生态学指标。
本发明方法中基于无人机的红树林生态信息智慧提取方法,精度较高,实时性好。借此方法获取的红树林生态学信息可用于评估红树林状态,做出合理的保护和恢复策略,实现对红树林生态系统的智慧监测。
附图说明
图1为本发明基于无人机的红树林生态信息智慧提取方法流程框图;
图2为本发明单木冠层合并处理方法示意图;
图3为本发明实施例坝光红树林样地种类识别结果图;
图4为本发明实施例福田红树林用户感兴趣区域种类识别结果图;
图5为本发明实施例坝光红树林冠幅分割结果图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
针对现有红树林监测方式耗时耗力且精度不高的问题,可通过无人机可见光数据对红树林生态信息进行智慧提取。
如图1,本发明提供了一种基于无人机的红树林生态信息智慧提取方法,包括:
S1:采集红树林生态系统的无人机原始图像;
S2:对采集的无人机原始图像进行预处理;
S3:将预处理后无人机原始图像进行裁切,裁切后输入已优化的基于SegNet网络框架的识别模型进行植物种类识别和结果拼接,获取整个红树林样地的种类识别结果图;
S4:基于整个红树林样地的种类识别结果图,获取红树林面积和物种多样性生态信息参数;
S5:将预处理后无人机原始图像进行三维点云重建,获取飞行区域的红树植物数字表面模型(Digital Surface Model,DSM);
S6:拟合样地数字高程模型(Digital Elevation Model,DEM),根据红树植物数字表面模型,获取红树林样地的植被高度信息(Canopy Height Model,CHM);
S7:根据整个红树林样地的种类识别结果图和红树林样地的植被高度信息,获取红树林单株植株冠层直径和树高等生态信息参数。
进一步地,在S1中,采集红树林生态系统的无人机原始图像时,无人机选型为大疆精灵Phantom 4RTK,其水平方向和高度方向上的定位精度均为厘米级,像素为5472×3648。飞行参数选取为高度为80m,飞行速度为3m/s,航向重叠度为90%,旁向重叠度为80%,镜头垂直向下拍摄正射影像,单次作业时间平均为18min。
进一步地,在S2中,对原始图像预处理时,根据无人机云台相机镜头畸变参数,对图像进行畸变校正。
进一步地,在S3中,具体进行以下步骤:
S31:对预处理后无人机原始图像进行裁切,以适配识别模型的图片输入尺寸;
S32:利用已优化的基于SegNet网络框架的红树植物种类识别模型,将预处理后无人机原始图像进行识别和分类获取识别结果。
S33:将识别结果进行拼接得到拼接结果;
S34:利用滤波算法对拼接结果进行处理,根据邻域内的识别结果调整识别结果跳变的区域,平滑红树植物的识别结果,获取整个红树林样地的种类识别结果图。
进一步地,在S4中,具体进行以下步骤:
S41:根据无人机飞行高度、相机焦距以及成像尺寸,计算单个像素代表的实际尺寸;
S42:根据不同红树植物所占像素面积大小,计算各种红树植物的面积,并获取整个红树林生态系统的范围大小;
S43:在种类识别结果图上,框选用户感兴趣区域;
S44:在框选的用户感兴趣区域内,计算全部像素个数N,以及各种红树植物的像素个数Mi(i=0,1,…,S),计算当前样地的物种多样性参数;
其中,H’和D分别为表征物种多样性的Shannon-Wiener指数和Simpson指数。
进一步地,在S5中,具体进行以下步骤:
S51、根据无人机飞行参数(如高度、图像航向重叠度和旁向重叠度等)对预处理后无人机原始图像进行三维点云重建;
S52、基于三维点云重建结果,获取该区域的DSM数据;
S53、对获取该区域的DSM数据进行平滑滤波,消除结果中的噪声干扰。
进一步地,在S6中,具体进行以下步骤:
S61:根据实地调查的高程数据,结合红树林生态系统的地理位置,拟合得到调查样地的DEM;
S62:利用飞行区域的红树植物数字表面模型获取调查样地的DSM数据以及调查样地的DEM,获取红树林的植被高度信息(Canopy Height Model,CHM)。
进一步地,在S7中,具体进行以下步骤:
S71:利用获取整个红树林样地的种类识别结果图对获取红树林的植被高度信息进行处理,得到不同红树植物对应的高度信息;
S72:依据实地样方调查数据,根据不同红树植物的高度,选取该类别红树植物的平均冠幅大小;
S73:依据选取的平均冠幅大小,设定相同尺寸的圆形邻域(核),利用ArcGIS中的焦点统计(最大)算法处理获取的红树林的植被高度信息,以识别邻域内的局部极大值;
S74:以局部最大值作为树顶,根据树顶高度并参考红树植物冠幅-树高拟合模型(冠幅(C)=2.5829H-0.4343,R2=0.838),生成单株红树植物的冠层;
S75:在单株红树植物的冠层基础上,对获取的单木冠层进行合并处理,具体见图2,滤除误检测项得到树顶和冠层;
S76:根据获取的树顶和冠层,计算得到红树植物的树高和冠幅。
具体地,S3中裁切原始图像时,可将图像尺寸固定为736×736像素。
具体地,S41和步骤S42中,以坝光红树林为例,根据无人机飞行参数(飞行高度80m),得到无人机单幅可见光图像实际大小(实际拍摄面积为120m×80m),图像上单个像素的实际尺寸为0.02193m,实际面积为0.000481m2。因此,根据图3所示的种类识别结果图,白骨壤所占像素为7485696,因此,坝光红树林中白骨壤的面积大小为3600m2。
具体地,S4中,以福田红树林为例,用户感兴趣区域的种类识别结果如图4所示,其中包含秋茄、白骨壤和老鼠簕3种红树植物。种类识别结果图总像素个数为541696,其中秋茄、白骨壤和老鼠簕各占261596、238077和36203。因此,计算得到的H’和D分别为0.89366和0.56916。
具体地,S5中可选取ContextCapture软件进行红树林三维点云重建,并进一步生成研究样地的DSM数据。
具体地,根据红树林样地地势不明显的特征,S6中拟合的DEM模型可选用海平面对应的椭球模型。
具体地,S72中,坝光红树林白骨壤的平均冠幅选定为2.65m,冠幅分割结果图如图5所示。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于无人机的红树林生态信息智慧提取方法,其特征在于,包括以下步骤:
S1:采集红树林生态系统的无人机原始图像;
S2:对采集的无人机原始图像进行预处理;
S3:将预处理后无人机原始图像进行裁切,裁切后输入已优化的基于SegNet网络框架的识别模型进行植物种类识别和结果拼接,获取整个红树林样地的种类识别结果图;
S4:基于整个红树林样地的种类识别结果图,获取红树林面积和物种多样性生态信息参数,具体进行以下步骤:
S41:根据无人机飞行高度、相机焦距以及成像尺寸,计算单个像素代表的实际尺寸;
S42:根据不同红树植物所占像素面积大小,计算各种红树植物的面积,并获取整个红树林生态系统的范围大小;
S43:在种类识别结果图上,框选用户感兴趣区域;
S44:在框选的用户感兴趣区域内,计算全部像素个数N,以及各种红树植物的像素个数Mi,i=0,1,…,S,计算当前样地的物种多样性参数:
其中,H’和D分别为表征物种多样性的Shannon-Wiener指数和Simpson指数;
S5:将预处理后无人机原始图像进行三维点云重建,获取飞行区域的红树植物数字表面模型;
S6:拟合样地数字高程模型,根据红树植物数字表面模型,获取红树林样地的植被高度信息;
S7:根据整个红树林样地的种类识别结果图和红树林样地的植被高度信息,获取红树林单株植株冠层直径和树高生态信息参数,具体是:
S71:利用获取整个红树林样地的种类识别结果图对获取红树林的植被高度信息进行处理,得到不同红树植物对应的高度信息;
S72:依据实地样方调查数据,根据不同红树植物的高度,选取对应类别红树植物的平均冠幅大小;
S73:依据选取的平均冠幅大小,设定相同尺寸的圆形邻域,利用ArcGIS中的焦点统计算法处理获取的红树林的植被高度信息,以识别邻域内的局部极大值;
S74:以局部最大值作为树顶,根据树顶高度并参考红树植物冠幅-树高拟合模型生成单株红树植物的冠层;
S75:在单株红树植物的冠层基础上,对获取的单木冠层进行合并处理,滤除误检测项得到树顶和冠层;
S76:根据获取的树顶和冠层,计算得到红树植物的树高和冠幅。
2.根据权利要求1所述的红树林生态信息智慧提取方法,其特征在于,在S1中,采集红树林生态系统的无人机原始图像时,无人机选型为大疆精灵Phantom 4 RTK,其水平方向和高度方向上的定位精度均为厘米级,像素为5472×3648,飞行参数选取为高度为80 m,飞行速度为3 m/s,航向重叠度为90%,旁向重叠度为80%,镜头垂直向下拍摄正射影像,单次作业时间平均为18 min。
3.根据权利要求1所述的红树林生态信息智慧提取方法,其特征在于,在S2中,对原始图像预处理时,根据无人机云台相机镜头畸变参数,对图像进行畸变校正。
4.根据权利要求1所述的红树林生态信息智慧提取方法,其特征在于,
在S3中,具体进行以下步骤:
S31:对预处理后无人机原始图像进行裁切,以适配识别模型的图片输入尺寸;
S32:利用已优化的基于SegNet网络框架的红树植物种类识别模型,将预处理后无人机原始图像进行识别和分类获取识别结果;
S33:将识别结果进行拼接得到拼接结果;
S34:利用滤波算法对拼接结果进行处理,根据邻域内的识别结果调整识别结果跳变的区域,平滑红树植物的识别结果,获取整个红树林样地的种类识别结果图。
5.根据权利要求1所述的红树林生态信息智慧提取方法,其特征在于,
在S5中,具体进行以下步骤:
S51、根据无人机飞行参数对预处理后无人机原始图像进行三维点云重建,无人机飞行参数包括高度、图像航向重叠度和旁向重叠度;
S52、基于三维点云重建结果,获取该区域的DSM数据;
S53、对获取该区域的DSM数据进行平滑滤波,消除结果中的噪声干扰。
6.根据权利要求1所述的红树林生态信息智慧提取方法,其特征在于,在S6中,具体进行以下步骤:
S61:根据实地调查的高程数据,结合红树林生态系统的地理位置,拟合得到调查样地的DEM;
S62:利用飞行区域的红树植物数字表面模型获取调查样地的DSM数据以及调查样地的DEM,获取红树林的植被高度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011617540.6A CN112861837B (zh) | 2020-12-30 | 2020-12-30 | 一种基于无人机的红树林生态信息智慧提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011617540.6A CN112861837B (zh) | 2020-12-30 | 2020-12-30 | 一种基于无人机的红树林生态信息智慧提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861837A CN112861837A (zh) | 2021-05-28 |
CN112861837B true CN112861837B (zh) | 2022-09-06 |
Family
ID=75998853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011617540.6A Active CN112861837B (zh) | 2020-12-30 | 2020-12-30 | 一种基于无人机的红树林生态信息智慧提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861837B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552079A (zh) * | 2021-06-17 | 2021-10-26 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于航空高光谱数据的红树林定量反演系统 |
CN113705478B (zh) * | 2021-08-31 | 2024-02-27 | 中国林业科学研究院资源信息研究所 | 一种基于改进YOLOv5的红树林单木目标检测方法 |
CN114463630B (zh) * | 2022-01-11 | 2024-07-12 | 南通大学 | 一种对速生林中多种不同植株生长态势精准判断的方法 |
CN115063437B (zh) * | 2022-06-16 | 2023-04-28 | 广西壮族自治区气象科学研究所 | 一种红树林冠层可见光图像指数特征分析方法及系统 |
CN116858999B (zh) * | 2023-07-05 | 2024-01-16 | 中环宇恩(广东)生态科技有限公司 | 基于红树林生态系统碳汇潜力监测评估的碳汇统计方法 |
CN116756572B (zh) * | 2023-07-25 | 2023-12-26 | 中环宇恩(广东)生态科技有限公司 | 基于红树林生态系统分布数据集的构建方法 |
CN117079130B (zh) * | 2023-08-23 | 2024-05-14 | 广东海洋大学 | 一种基于红树林生境的智能信息管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108195736A (zh) * | 2017-12-19 | 2018-06-22 | 电子科技大学 | 一种三维激光点云提取植被冠层间隙率的方法 |
CN108520348A (zh) * | 2018-04-02 | 2018-09-11 | 重庆大学 | 一种基于红树林生态大数据的生态指标预测方法 |
CN109242862A (zh) * | 2018-09-08 | 2019-01-18 | 西北工业大学 | 一种实时的数字表面模型生成方法 |
CN110569786A (zh) * | 2019-09-06 | 2019-12-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于无人机数据采集的果树识别和数量监测方法及系统 |
CN111178133A (zh) * | 2019-12-03 | 2020-05-19 | 哈尔滨工程大学 | 一种基于剪枝深度模型用于自然场景图像文本识别方法 |
CN111666855A (zh) * | 2020-05-29 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 基于无人机的动物三维参数提取方法、系统及电子设备 |
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 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509354B (zh) * | 2011-11-10 | 2013-12-18 | 武汉大学 | 一种与影像同步变化的投影数字高程模型制作方法 |
US9064151B2 (en) * | 2012-10-04 | 2015-06-23 | Intelescope Solutions Ltd. | Device and method for detecting plantation rows |
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
US9830514B2 (en) * | 2013-12-27 | 2017-11-28 | Weyerhaeuser Nr Company | Method and apparatus for distinguishing between types of vegetation using near infrared color photos |
CN105739518A (zh) * | 2014-12-11 | 2016-07-06 | 中孚航空科技(天津)有限公司 | 基于无人机多光谱遥感的病虫害监测系统 |
US10043239B2 (en) * | 2016-05-05 | 2018-08-07 | The Climate Corporation | Using digital images of a first type and a feature set dictionary to generate digital images of a second type |
US10467454B2 (en) * | 2017-04-26 | 2019-11-05 | Mashgin Inc. | Synchronization of image data from multiple three-dimensional cameras for image recognition |
CN108169138B (zh) * | 2017-12-18 | 2020-10-30 | 扬州大学 | 一种利用热红外图像的水稻倒伏监测方法 |
CN109685159A (zh) * | 2019-01-13 | 2019-04-26 | 胡燕祝 | 一种基于aprior算法的树扩展朴素贝叶斯场景分类方法 |
CN110221311B (zh) * | 2019-06-11 | 2022-01-07 | 南京林业大学 | 基于tls和uav自动化提取高郁闭林分树高的方法 |
-
2020
- 2020-12-30 CN CN202011617540.6A patent/CN112861837B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108195736A (zh) * | 2017-12-19 | 2018-06-22 | 电子科技大学 | 一种三维激光点云提取植被冠层间隙率的方法 |
CN108520348A (zh) * | 2018-04-02 | 2018-09-11 | 重庆大学 | 一种基于红树林生态大数据的生态指标预测方法 |
CN109242862A (zh) * | 2018-09-08 | 2019-01-18 | 西北工业大学 | 一种实时的数字表面模型生成方法 |
CN110569786A (zh) * | 2019-09-06 | 2019-12-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于无人机数据采集的果树识别和数量监测方法及系统 |
CN111178133A (zh) * | 2019-12-03 | 2020-05-19 | 哈尔滨工程大学 | 一种基于剪枝深度模型用于自然场景图像文本识别方法 |
CN111666855A (zh) * | 2020-05-29 | 2020-09-15 | 中国科学院地理科学与资源研究所 | 基于无人机的动物三维参数提取方法、系统及电子设备 |
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 |
Non-Patent Citations (1)
Title |
---|
基于深度卷积神经网络的红树林物种无人机监测研究;黄亦其 等;《中国农机化学报》;20200229;第41卷(第2期);第142页-第146页,第189页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112861837A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861837B (zh) | 一种基于无人机的红树林生态信息智慧提取方法 | |
Wang et al. | Comparison of remote sensing change detection techniques for assessing hurricane damage to forests | |
Cao et al. | Combining UAV-based hyperspectral and LiDAR data for mangrove species classification using the rotation forest algorithm | |
CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及系统 | |
CN108195767B (zh) | 河口湿地外来种监测方法 | |
CN112881294B (zh) | 一种基于无人机的红树林林分健康度评价方法 | |
Coops et al. | Predicting the complexity of habitat in forests from airborne videography for wildlife management | |
Li et al. | Ultrahigh-resolution boreal forest canopy mapping: Combining UAV imagery and photogrammetric point clouds in a deep-learning-based approach | |
Aliero et al. | The usefulness of unmanned airborne vehicle (UAV) imagery for automated palm oil tree counting | |
CN111931559A (zh) | 一种输电线路走廊区域内树种的分类方法 | |
CN116645321B (zh) | 植被叶倾角演算统计方法、装置、电子设备及存储介质 | |
Li et al. | Individual tree delineation in windbreaks using airborne-laser-scanning data and unmanned aerial vehicle stereo images | |
CN112307992A (zh) | 一种基于无人机可见光遥感的红树植物自动识别方法 | |
CN112560623A (zh) | 一种基于无人机的红树植物种类快速识别方法 | |
Liu et al. | An efficient approach based on UAV orthographic imagery to map paddy with support of field-level canopy height from point cloud data | |
CN114255407A (zh) | 基于高分辨率的反无人机多目标识别和跟踪视频探测方法 | |
CN117876874A (zh) | 基于高点监控视频的森林火灾检测和定位方法及系统 | |
Liu et al. | Detection of Firmiana danxiaensis canopies by a customized imaging system mounted on an UAV platform | |
Combalicer et al. | Changes in the forest landscape of Mt. Makiling forest reserve, Philippines | |
CN116486282A (zh) | 一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质 | |
KR102671068B1 (ko) | 고해상도 드론 영상을 활용한 입목 위치 및 본수 식별 시스템 및 식별 방법 | |
CN110084120A (zh) | 海岛环境下的植被调查方法、装置、系统、设备和介质 | |
CN107194340B (zh) | 利用计算机视觉搜索登山遇险人员的方法及系统 | |
CN113723833B (zh) | 造林实绩质量评价方法、系统、终端设备及存储介质 | |
CN115358991A (zh) | 一种秧苗的漏秧数量和漏秧位置的识别方法及系统 |
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 |