CN112966579B - 一种基于无人机遥感的大面积油茶林快速估产方法 - Google Patents
一种基于无人机遥感的大面积油茶林快速估产方法 Download PDFInfo
- Publication number
- CN112966579B CN112966579B CN202110205807.9A CN202110205807A CN112966579B CN 112966579 B CN112966579 B CN 112966579B CN 202110205807 A CN202110205807 A CN 202110205807A CN 112966579 B CN112966579 B CN 112966579B
- Authority
- CN
- China
- Prior art keywords
- camellia oleifera
- forest
- oil
- area
- tea
- 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
- 241000526900 Camellia oleifera Species 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000003921 oil Substances 0.000 claims abstract description 95
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 87
- 241001122767 Theaceae Species 0.000 claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 239000010495 camellia oil Substances 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 34
- 235000009024 Ceanothus sanguineus Nutrition 0.000 claims description 27
- 240000003553 Leptospermum scoparium Species 0.000 claims description 27
- 235000015459 Lycium barbarum Nutrition 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 23
- 238000011160 research Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 18
- 240000001548 Camellia japonica Species 0.000 claims description 17
- 235000018597 common camellia Nutrition 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 8
- 238000005303 weighing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 238000011426 transformation method Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000207199 Citrus Species 0.000 description 1
- 244000060011 Cocos nucifera Species 0.000 description 1
- 235000013162 Cocos nucifera Nutrition 0.000 description 1
- 240000003133 Elaeis guineensis Species 0.000 description 1
- 235000001950 Elaeis guineensis Nutrition 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 240000007817 Olea europaea Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013519 translation Methods 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Biophysics (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于经济林智能监测技术领域,公开了一种大面积油茶林快速估产方法,基于无人机遥感的大面积油茶林快速估产方法包括:油茶林选择;油茶数据采集;油茶林冠幅提取;典型油茶抽样;油茶林低空航拍;油茶果智能检测;油茶林快速估产。本发明基于无人机航拍技术,开展大面积的油茶林快速估产,填补国内油茶林快速估产的空白。本发明的低空无人机航拍具有操作灵活、数据获取效率高、图像成本低、时效性强的特点,可快速获取试验区油茶林的空间分布信息;本发明具有快速、无损、准确率高、尺度大的优点;能够实现油茶林产量数据的快速检测、计数和评估,具有应用于大面积油茶林快速估产的潜力。
Description
技术领域
本发明属于经济林智能监测技术领域,尤其涉及一种基于无人机遥感的大面积油茶林快速估产方法、系统。
背景技术
目前,油茶作为我国南方特有的木本油料树种,与油棕、油橄榄和椰子并称为世界四大木本食用油料植物,在区域经济中具有重要地位。随着经济的发展,油茶林种植面积逐年扩大,快速地对油茶林进行估产对于保证粮油安全及油料产业的发展均具有重大的现实意义。然而由于缺乏足够的重视,传统的油茶林估产大多依赖人工采摘称重,该方法消耗大量的人力物力财力,而且操作过程极易引入人工误差。近年来,无人机遥感的发展为油茶林快速监测提供了条件,因此研发快速高效的大面积油茶林快速估产方法非常有必要。
现有的作物估产方法主要分为有损和无损两种。有损估产方式即采用人工实地采摘称重,然后折算最终产量,该方法耗时耗力、且具有破坏性,无法扩展到大面积。传统的油茶林估产主要采取这种方法,目前全国油茶种植面积己达6775万亩,其中湖南省种植面积为2300万亩,人工估产己成为制约油茶林产业快速发展的瓶颈;无损估产方式大多采用卫星遥感法,即通过卫星提取具有代表性的光谱因子,然后结合外业数据构建合理的产量预估模型。卫星遥感应用于作物估产具有快速、无损、尺度大的优势,对宏观决策具有重要意义。例如刘焕军等基于时间序列的Landsat遥感影像,采用相关分析和线性回归方法,建立了基于植被指数与实测数据的棉花产量预测方法,结果表明模型精度较高。然而卫星遥感存在重访周期长、影像分辨率低、混合像元、作物物候和天气影响等条件限制,对农林经营者实际生产的辅助作用甚微。同时,现有油茶林产量估测方法估产成本高,对大面积丘陵山地的油茶林快速估产无能为力,为获取油茶林不同生长时期的估产参数需要多次外业调查,可行性低。
近年来,无人机遥感的发展为作物快速估产提供了新的条件。无人机遥感空间分辨率高、获取速度快、操作简单、作业成本低,可选取最优作业时期获取最佳植被指数,建立有效的无人机遥感估产模型,进而有效辅助农业经营者进行生产管理。韩文霆等基于无人机遥感平台,结合多时相植被指数对夏季玉米产量进行估算;Kaul等对玉米和大豆进行估产研究,发现人工神经网络方法比多元线性回归建立的估产模型更为准确。目前,国内学者基于无人机遥感的作物估产研究主要集中在柑橘、棉花、小麦、大豆、水稻、油菜、玉米和苹果等农作物方面,鲜有基于无人机遥感的油茶林快速估产研究报道。
通过上述分析,现有技术存在的问题及缺陷为:
(1)由于缺乏足够的重视,传统的油茶林估产大多依赖人工采摘称重,该方法消耗大量的人力物力财力,而且操作过程极易引入人工误差。
(2)现有油茶林产量估测方法中,人工估产的方法灵活性差、速度慢、不适合大面积快速估产。
(3)现有油茶林产量估测方法成本高,对大面积丘陵山地的油茶林快速估产无能为力,为获取油茶林不同生长时期的估产参数需要多次外业调查,可行性低。
(4)现有技术中鲜有基于无人机遥感的油茶林快速估产研究报道。
解决以上问题及缺陷的难度为:无人机的高清性和机动性使得大面积油茶林快速估产成为可能,然而无人机超低空航拍的样本量直接影响油茶林快速估产的精度。样本量太少,则会导致构建的产量预估模型不具有代表性;样本量过多,则会加重无人机自动航拍的野外工作量、经济成本和电池消耗量。因此对于异质性高的油茶林试验区,需要构建一套完备的理论技术自动确定试验区油茶林超低空航拍的样本量;另外,如何快速提取试验区油茶树的冠幅位置和冠顶点?以及如何保证油茶林冠层果的检测精度?也是大面积油茶林快速估产需要重点关注的问题。
解决以上问题及缺陷的意义为:针对目前鲜有大面积油茶林快速估产的研究现状,本发明首次提出结合低空无人机遥感、抽样技术和人工智能的油茶林快速估产方法,使得对大面积油茶林进行快速估产成为可能,填补国内外现有技术研究的空白。本发明提供的快速估产方法简单通用、可移植性强,能为大面积油茶林产量智能监测和评估提供理论参考和科学依据,具有应用于全国油茶林快速估产和智能监测的潜力。
发明内容
针对现有技术存在的问题,本发明提供了一种基于无人机遥感的大面积油茶林快速估产方法。
本发明是这样实现的,一种基于无人机遥感的大面积油茶林快速估产方法包括以下步骤:
步骤一,油茶林选择;
步骤二,油茶数据采集;
步骤三,油茶林冠幅提取;
步骤四,典型油茶抽样;
步骤五,油茶林低空航拍;
步骤六,油茶果智能检测;
步骤七,油茶林快速估产。
进一步,步骤一中,所述油茶林选择,包括:
选定研究区,在Google earth上确定可调查范围、数据采集周期和采集目标树,同时对目标树进行标号。
进一步,步骤二中,所述油茶数据采集包括:
(1)UAV数据采集:无人机起飞前应进行硬件、软件和无人机GPS信号检查;利用UAV对试验区油茶林进行正射航拍,采用Agisoft Mateshape软件生成DOM图和DSM图;
(2)实测数据采集:结合实际情况,对试验区典型油茶进行人工采摘,同时对采摘的油茶果进行计数和称重,获取典型油茶树的重要产量参数。
进一步,步骤三中,所述油茶林冠幅提取,包括:
基于均值漂移算法的多尺度分割方法对无人机航拍DOM图进行分割,通过色彩尺度(hs)、空间尺度(hr)和最小面积尺度(M)三个物理参数,确定最佳的分割尺度和样本阈值,提取试验区油茶林冠幅和冠中心点位置。
进一步,步骤四中,所述典型油茶抽样,包括:
基于冠幅分布图,统计油茶林的单木数量和空间分布;采用随机抽样方法,选取整个试验区10%的单株油茶作为典型样本。
进一步,步骤五中,所述油茶树低空航拍,包括:
基于DSM图,结合航线规划功能生成UAV变高航线,通过设置合理的航拍参数对试验区典型油茶树进行超低空近景拍摄。
进一步,步骤六中,所述油茶果智能检测,包括:
(1)数据集构建:根据照片清晰度对油茶果照片进行筛选,剔除不清晰或光线过暗的照片;利用标注工具对航拍照片中的目标数据进行边框标注;利用图像旋转、图像移动、对比度变换等方法对已标注油茶果照片进行扩增;按一定比例将已扩增的数据分为两份:训练数据集和验证数据集;
(2)训练模型构建:首先输入训练数据集,通过主干网络(ResNet和FPN)提取主干特征图;然后结合区域生成网络RPN提取潜在的目标区域ROI;其次利用ROIAlign层将ROI映射成固定维数的特征向量,其中两分支经过全连接层进行分类和目标框回归,另一分支经过全卷积运算得到二值掩码;最后采用多任务损失函数,通过学习减小损失函数的值,获得全局最优模型;输入验证数据集,测试训练模型的泛化能力。
(3)油茶果识别:基于已构建的网络模型,结合UAV近景照片对油茶林果进行智能识别,输出典型油茶树冠层识别的果数。
进一步,步骤七中,所述油茶林快速估产,包括:
基于研究区油茶树实测和识别数据,随机抽取三分之二数据构建冠层果数与总体果重之间的预测模型;采用预留的三分之一数据进行精度验证:
(1)分别计算预测模型的决定系数R2和均方根误差RMSE,检验模型预测值和实测值是否存在较好的线性拟合关系;
(2)计算残差分析其值是否落在残差置信带内。
进一步,所述研究区油茶树实测和识别数据包括:
油茶树编号、油茶树高、冠幅面积、冠层果数、总体果数、平均果重和总体果重。
本发明的另一目的在于提供一种应用所述的基于无人机遥感的大面积油茶林快速估产方法的基于无人机遥感的大面积油茶林快速估产系统,所述基于无人机遥感的大面积油茶林快速估产系统包括:
油茶林选择模块,用于在Google earth上确定可调查范围、数据采集周期和采集目标树,同时对目标树进行标号;
油茶数据采集模块,包括UAV数据采集单元和实测数据采集单元;
所述UAV数据采集单元用于利用UAV对试验区油茶林进行正射航拍,采用AgisoftMateshape软件生成DOM图和DSM图;
所述实测数据采集单元用于对试验区典型油茶进行人工采摘,同时对采摘的油茶果进行计数和称重,获取典型油茶树的重要产量参数;
采用基于均值漂移算法的多尺度分割方法对无人机航拍DOM图进行分割,通过色彩尺度(hs)、空间尺度(hr)和最小面积尺度(M)三个物理参数,确定最佳的分割尺度和样本阈值,提取试验区油茶林冠幅和冠中心点位置;
典型油茶抽样模块,用于基于冠幅分布图,统计油茶林的单木数量和空间分布;采用随机抽样方法,选取整个试验区10%的单株油茶作为典型样本;
油茶树低空航拍模块,用于基于DSM图,结合航线规划功能生成UAV变高航线,通过设置合理的航拍参数对试验区典型油茶树进行超低空近景拍摄;
油茶果智能检测模块,包括数据集构建单元、训练模型构建单元和油茶果识别单元;
所述数据集构建单元用于根据照片清晰度对油茶果照片进行筛选,剔除不清晰或光线过暗的照片;利用标注工具对航拍照片中的目标数据进行边框标注;利用图像旋转、图像移动、对比度变换等方法对已标注油茶果照片进行扩增;按一定比例将已扩增的数据分为训练数据集和验证数据集;
所述训练模型构建单元用于首先输入训练数据集,通过主干网络(ResNet和FPN)提取特征图;然后结合区域生成网络RPN提取潜在的目标区域ROI;其次利用ROIAlign层将ROI映射成固定维数的特征向量,其中两分支经过全连接层进行分类和目标框回归,另一分支经过全卷积运算得到二值掩码;最后采用多任务损失函数,通过学习减小损失函数的值,获得全局最优模型;输入验证数据集,测试训练模型的泛化能力;
所述油茶果识别单元用于基于已构建的网络模型,结合UAV近景照片对油茶林果进行智能识别,输出典型油茶树冠层识别的果数;
油茶林快速估产模块,用于基于研究区油茶树实测和识别数据,随机抽取三分之二数据构建冠层果数与总体果重之间的预测模型;采用预留的三分之一数据进行精度验证:(1)分别计算预测模型的决定系数R2和均方根误差RMSE,检验模型预测值和实测值是否存在较好的线性拟合关系;(2)计算残差分析其值是否落在残差置信带内。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述基于无人机遥感的大面积油茶林快速估产方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的基于无人机遥感的大面积油茶林快速估产方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的基于无人机遥感的大面积油茶林快速估产方法,能够填补国内油茶林快速估产的空白,服务于大面积油茶林产量的智能监测与评估。本发明的主要优点如下:
(1)低空无人机航拍具有操作灵活、数据获取效率高、图像成本低、时效性强的特点,可快速获取试验区油茶林的空间分布信息;
(2)同传统人工采摘称重方法相比,具有快速、无损、准确率高、尺度大的优点;
(3)能够实现油茶林产量数据的快速检测、计数和评估;
(4)具有应用于大面积油茶林快速估产的潜力。
关于无人机遥感估产应用的研究很多,然而鲜有结合无人机遥感对大面积油茶林进行估产的报道。本发明提供的快速估产方法简单通用、可移植性强,能为大面积油茶林产量智能监测和评估提供理论参考和科学依据。
相比于现有技术的实验效果:本发明创新性地提出基于油茶林冠层果智能识别的快速估产方法,使得对大面积油茶林的快速估产成为可能,填补国内外现有技术研究的空白。本发明利用低空无人机航拍具有操作灵活、数据获取效率高、图像成本低、时效性强的特点,可快速获取大面积油茶林的空间分布信息;同传统的人工称重估产方法相比,具有快速、无损、准确率高、尺度大的优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,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这些附图获得其他的附图。
图1是本发明实施例提供的基于无人机遥感的大面积油茶林快速估产方法流程图。
图2是本发明实施例提供的基于无人机遥感的大面积油茶林快速估产方法原理图。
图3是本发明实施例提供的基于无人机遥感的大面积油茶林快速估产系统结构框图;
图中:1、油茶林选择模块;2、油茶数据采集模块;3、油茶林冠幅提取模块;4、典型油茶抽样模块;5、油茶树低空航拍模块;6、油茶果智能检测模块;7、油茶林快速估产模块。
图4是本发明实施例提供的油茶林航拍DOM和典型油茶抽样点分布图。
图5(a)是本发明实施例提供的油茶树线性拟合关系中的预测值与实测值比较示意图。
图5(b)是本发明实施例提供的油茶树线性拟合关系中的残差分析示意图。
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。
针对现有技术存在的问题,本发明提供了一种基于无人机遥感的大面积油茶林快速估产方法及系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于无人机遥感的大面积油茶林快速估产方法包括以下步骤:
S101,油茶林选择:在Google earth上确定可调查范围、数据采集周期和采集目标树,同时对目标树进行标号;
S102,油茶数据采集:利用UAV对试验区油茶林进行正射航拍,采用AgisoftMateshape软件生成DOM图和DSM图;对试验区典型油茶树进行人工采摘,同时对采摘的油茶果进行电子计数和称重,获取典型油茶树产量的实测数据;
S103,油茶林冠幅提取:基于均值漂移算法的多尺度分割方法对无人机航拍DOM图进行分割,通过色彩尺度(hs)、空间尺度(hr)和最小面积尺度(M)三个物理参数,确定最佳的分割尺度和样本阈值,提取试验区油茶林冠幅和冠中心点位置;
S104,典型油茶抽样:基于冠幅分布图,统计油茶林的单木数量和空间分布;采用随机抽样方法,选取整个试验区10%的单株油茶作为典型样本;
S105,油茶树低空航拍:基于DSM图,结合航线规划功能生成UAV变高航线,通过设置合理的航拍参数对试验区典型油茶树进行超低空近景拍摄;
S106,油茶果智能检测:构建数据集,采用多任务损失函数,通过学习损失函数减小的值生成最终训练模型;基于已构建的网络模型,输出典型油茶树冠层识别的果数;
S107,油茶林快速估产:基于研究区油茶树实测和识别数据,随机抽取三分之二数据构建冠层果数与总体果重之间的预测模型;采用预留的三分之一数据进行精度验证。
本发明实施例提供的基于无人机遥感的大面积油茶林快速估产方法原理图如图2所示。
如图3所示,本发明实施例提供的基于无人机遥感的大面积油茶林快速估产系统包括:
油茶林选择模块1,用于在Google earth上确定可调查范围、数据采集周期和采集目标树,同时对目标树进行标号;
油茶数据采集模块2,包括UAV数据采集单元和实测数据采集单元;
所述UAV数据采集单元用于利用UAV对试验区油茶林进行正射航拍,采用AgisoftMateshape软件生成DOM图和DSM图;
所述实测数据采集单元用于对试验区典型油茶进行人工采摘,同时对采摘的油茶果进行计数和称重,获取典型油茶树的重要产量参数;
油茶林冠幅提取模块3,基于均值漂移算法的多尺度分割方法对无人机航拍DOM图进行分割,通过色彩尺度(hs)、空间尺度(hr)和最小面积尺度(M)三个物理参数,确定最佳的分割尺度和样本阈值,提取试验区油茶林冠幅和冠中心点位置;
典型油茶抽样模块4,用于基于冠幅分布图,统计油茶林的单木数量和空间分布;采用随机抽样方法,选取整个试验区10%的单株油茶作为典型样本;
油茶树低空航拍模块5,用于基于DSM图,结合航线规划功能生成UAV变高航线,通过设置合理的航拍参数对试验区典型油茶树进行超低空近景拍摄;
油茶果智能检测模块6,包括数据集构建单元、训练模型构建单元和油茶果识别单元;
所述数据集构建单元用于根据照片清晰度对油茶果照片进行筛选,剔除不清晰或光线过暗的照片;利用标注工具对航拍照片中的目标数据进行边框标注;利用图像旋转、图像移动、对比度变换等方法对已标注油茶果照片进行扩增;按一定比例将已扩增的数据分为训练数据集和验证数据集;
所述训练模型构建单元用于首先输入训练数据集,通过主干网络(ResNet和FPN)提取特征图;然后结合区域生成网络RPN提取潜在的目标区域ROI;其次利用ROIAlign层将ROI映射成固定维数的特征向量,其中两分支经过全连接层进行分类和目标框回归,另一分支经过全卷积运算得到二值掩码;最后采用多任务损失函数,通过学习减小损失函数的值,获得全局最优模型;输入验证数据集,测试训练模型的泛化能力;
所述油茶果识别单元用于基于已构建的网络模型,结合UAV近景照片对油茶林果进行智能识别,输出典型油茶树冠层识别的果数;
油茶林快速估产模块7,用于基于研究区典型油茶树实测和识别数据,随机抽取三分之二数据构建冠层果数与总体果重之间的预测模型;采用预留的三分之一数据进行精度验证:(1)分别计算预测模型的决定系数R2和均方根误差RMSE,检验模型预测值和实测值是否存在较好的线性拟合关系;(2)计算残差分析其值是否落在残差置信带内。
下面结合实施例对本发明作进一步描述。
实施例1
本发明提供的基于无人机遥感的大面积油茶林产量快速估测方法,属于经济林智能监测领域,该方法适用于大部分经济林树种快速估产,具体步骤如下:
1、方案设计
首先选定研究区,然后在Google earth上确定可调查范围、数据采集周期、采集目标树,同时对目标树进行标号。
2、油茶数据采集
UAV数据采集:无人机起飞前应进行硬件、软件和无人机GPS信号检查。利用UAV对试验区油茶林进行正射航拍,采用Agisoft Mateshape软件生成DOM图和DSM图。
实测数据采集:结合实际情况,对试验区典型油茶进行人工采摘,同时对采摘的油茶果进行计数和称重,获取典型油茶树的重要产量参数。
3、油茶林冠幅提取
采用基于均值漂移算法的多尺度分割方法对无人机航拍DOM图进行分割,通过色彩尺度(hs)、空间尺度(hr)和最小面积尺度(M)三个物理参数,确定最佳的分割尺度和样本阈值,提取试验区油茶林冠幅和冠中心点位置。
4、典型油茶抽样
基于冠幅分布图,统计油茶林的单木数量和空间分布;采用随机抽样方法,选取整个试验区10%的单株油茶作为典型样本。
5、油茶树低空航拍
基于DSM图,结合航线规划功能生成UAV变高航线,通过设置合理的航拍参数对试验区典型油茶树进行超低空近景拍摄。
6、油茶果智能检测
数据集构建:根据照片清晰度对油茶果照片进行筛选,剔除不清晰或光线过暗的照片;利用标注工具对航拍照片中的目标数据进行边框标注;利用图像旋转、图像移动、对比度变换等方法对已标注油茶果照片进行扩增;按一定比例将已扩增的数据分为两份:训练数据集和验证数据集。
训练模型构建:首先输入训练数据集,通过主干网络(ResNet和FPN)提取特征图;然后结合区域生成网络RPN提取潜在的目标区域ROI;其次利用ROIAlign层将ROI映射成固定维数的特征向量,其中两分支经过全连接层进行分类和目标框回归,另一分支经过全卷积运算得到二值掩码;最后采用多任务损失函数,通过学习减小损失函数的值,获得全局最优模型;输入验证数据集,测试训练模型的泛化能力。
油茶果识别:基于已构建的网络模型,结合UAV近景照片对油茶林果进行智能识别,输出典型油茶树冠层识别的果数。
7、油茶林快速估产
基于研究区油茶树实测和识别数据,随机抽取三分之二数据构建冠层果数与总体果重之间的预测模型;采用预留的三分之一数据进行精度验证:(1)分别计算预测模型的决定系数R2和均方根误差RMSE,检验模型预测值和实测值是否存在较好的线性拟合关系;(2)计算残差分析其值是否落在残差置信带内。
关于无人机遥感估产应用的研究很多,然而鲜有结合无人机遥感对大面积油茶林进行估产的报道。本发明的目的在于研发基于无人机遥感的大面积油茶林快速估产方法,使得对大面积油茶林的快速估产成为可能,填补国内外现有技术研究的空白。本发明提供的快速估产方法简单通用、可移植性强,能为大面积油茶林产量智能监测和评估提供理论参考和科学依据。
实施例2
1、数据采集
本实施案例的试验区位于湖南省中部的新邵县陈家坊镇江村,介于邵阳盆地和新涟盆地之间,典型的南方低矮丘陵,地处东经111°05′~111°08′,北纬27°15′~27°38′之间。拍摄设备为大疆Mavic 2Pro无人机,航拍当日天气晴朗,光线充足,影像质量良好;本案例实地人工采摘120株油茶树,测量并记录油茶树编号、树高、总体果数和总体果重。
2、数据处理
本案例正射航拍拼接的影像大小为55639pixel×54264pixel,像元大小0.0275m×0.0275m,航拍高度为100m,速度5m/s;油茶林航拍DOM和典型油茶抽样点分布见图4。
3、油茶果计数
本案例随机截取600张近景拍摄的高清照片作为训练样本,200张作为验证样本。首先对截取样本照片进行筛选、裁剪、标注等操作,最后进行扩增,即图像平移、图像旋转、图像缩放和图像拉伸。
本案例训练环境为Google提供的云服务器Colaboratory,GPU为Tesla T4。编程语言为Python,训练网络为基于PyTorch的Mask R-CNN网络。设定初始学习率为0.02,学习率下降系数为0.1,GPU同时读取训练2张图片,共进行8000次迭代训练。经测试模型精度较高,可用于油茶树计数。具体统计结果见表1。
表1试验区油茶树统计数据
油茶树编号 | 油茶树高/m | 冠幅面积/m<sup>2</sup> | 冠层果数/个 | 总体果数/个 | 总体果重/kg |
1 | 2.40 | 2.16 | 52 | 188 | 3.937 |
2 | 1.80 | 1.69 | 39 | 121 | 2.552 |
3 | 2.20 | 2.31 | 37 | 130 | 2.932 |
4 | 1.95 | 2.15 | 74 | 389 | 5.187 |
…… | |||||
120 | 2.00 | 2.31 | 114 | 370 | 6.167 |
4、油茶林估产
基于表1数据,构建总体果重与冠层果数之间的预测模型y=0.068x+0.155;采用预留数据进行精度验证(见图5)。结果显示模型预测值和实测值之间具有良好的线性拟合关系,决定系数R2达0.897,估测精度为72.57%,且残差散点分布均匀,说明模型拟合效果较好。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于无人机遥感的大面积油茶林快速估产方法,其特征在于,所述基于无人机遥感的大面积油茶林快速估产方法包括:
步骤一,油茶林选择:确定调查范围、数据采集周期和采集目标树;
步骤二,油茶数据采集:进行UAV数据采集以及实测数据采集;
步骤三,油茶林冠幅提取:利用基于均值漂移算法的多尺度分割方法对无人机航拍DOM图进行分割,通过色彩尺度(hs)、空间尺度(hr)和最小面积尺度(M)三个物理参数,确定最佳的分割尺度和样本阈值,提取试验区油茶林的冠幅和冠中心点位置;
步骤四,典型油茶抽样:基于冠幅分布图,结合空间分布信息,完成试验区典型油茶树的抽样;
步骤五,油茶树低空航拍:基于DSM图,结合航线规划功能生成UAV变高航线;
步骤六,油茶果智能检测:进行数据集构建、训练模型构建以及油茶冠层果识别;具体包括:
(1)数据集构建:根据照片清晰度对油茶果照片进行筛选,剔除不清晰或光线过暗的照片;利用标注工具对航拍照片中的目标数据进行边框标注;利用图像旋转、图像移动、对比度变换等方法对已标注油茶果照片进行扩增;按一定比例将已扩增的数据分为两份:训练数据集和验证数据集;
(2)训练模型构建:首先输入训练数据集,通过主干网络提取主干特征图;然后结合区域生成网络RPN提取潜在的目标区域ROI;其次利用ROIAlign层将ROI映射成固定维数的特征向量,其中两分支经过全连接层进行分类和目标框回归,另一分支经过全卷积运算得到分割区域的二值掩码;最后采用多任务损失函数,通过学习减小损失函数的值,获得全局最优模型;输入验证数据集,测试训练模型的泛化能力;所述主干网络为ResNet和FPN;
(3)油茶果识别:基于已构建的网络模型,结合UAV近景照片对油茶林果进行智能识别,输出典型油茶树冠层识别的果数即冠层果数;
步骤七,油茶林快速估产:基于研究区油茶树实测和识别数据,随机抽取三分之二数据构建冠层果数与总体果重之间的预测模型。
2.如权利要求1所述的基于无人机遥感的大面积油茶林快速估产方法,其特征在于,步骤一中,所述油茶林选择,包括:
选定研究区,基于Google earth确定可调查范围、数据采集周期和采集目标树,同时对目标树种进行标号。
3.如权利要求1所述的基于无人机遥感的大面积油茶林快速估产方法,其特征在于,步骤二中,所述油茶数据采集包括:
(1)UAV数据采集:无人机起飞前应进行硬件、软件和无人机GPS信号检查;利用UAV对试验区油茶林进行正射航拍,采用Agisoft Mateshape软件生成DOM图和DSM图;
(2)实测数据采集:结合实际情况,对试验区典型油茶进行人工采摘,同时对采摘的油茶果进行计数和称重,获取典型油茶树的重要产量参数。
4.如权利要求1所述的基于无人机遥感的大面积油茶林快速估产方法,其特征在于,步骤四中,所述典型油茶抽样,包括:
基于冠幅分布图,统计试验区单株油茶树的株数信息和空间分布;采用随机抽样方法,选取整个试验区10%的单株油茶作为典型样本;
步骤五中,所述油茶树低空航拍,包括:
基于DSM图,结合航线规划功能生成UAV变高航线,通过设置合理的航拍参数对试验区典型油茶树进行超低空近景拍摄。
5.如权利要求1所述的基于无人机遥感的大面积油茶林快速估产方法,其特征在于,步骤七中,所述油茶林快速估产,包括:
基于研究区油茶树实测和识别数据,随机抽取三分之二数据构建冠层果数与总体果重间的预测模型;采用预留的三分之一数据进行精度验证:
(1)分别计算预测模型的决定系数R2和均方根误差RMSE,检验模型预测值和实测值是否存在较好的线性拟合关系;
(2)计算残差分析其值是否落在残差置信带内。
6.如权利要求5所述的基于无人机遥感的大面积油茶林快速估产方法,其特征在于,所述研究区油茶树实测和识别数据包括:
油茶树编号、油茶树高、冠幅面积、冠层果数、总体果数和总体果重。
7.一种基于无人机遥感的大面积油茶林快速估产系统,其特征在于,所述基于无人机遥感的大面积油茶林快速估产系统包括:
油茶林选择模块,用于在Google earth上确定可调查范围、数据采集周期和采集目标树,同时对目标树种进行标号;
油茶数据采集模块,包括UAV数据采集单元和实测数据采集单元;
所述UAV数据采集单元用于利用UAV对试验区油茶林进行正射航拍,采用AgisoftMateshape软件生成DOM图和DSM图;
所述实测数据采集单元用于对试验区典型油茶进行人工采摘,同时对采摘的油茶果进行计数和称重,获取典型油茶树的重要产量参数;
利用基于均值漂移算法的多尺度分割方法对无人机航拍DOM图进行分割,通过色彩尺度(hs)、空间尺度(hr)和最小面积尺度(M)三个物理参数,确定最佳的分割尺度和样本阈值,提取试验区油茶林冠幅和冠中心点位置;
典型油茶抽样模块,用于基于冠幅分布图,统计油茶林的单木数量和空间分布;采用随机抽样方法,选取整个试验区10%的单株油茶作为典型样本;
油茶树低空航拍模块,用于基于DSM图,结合航线规划功能生成UAV变高航线,通过设置合理的航拍参数对试验区典型油茶树进行超低空近景拍摄;
油茶果智能检测模块,包括数据集构建单元、训练模型构建单元和油茶果识别单元;
所述数据集构建单元用于根据照片清晰度对油茶果照片进行筛选,剔除不清晰或光线过暗的照片;利用标注工具对航拍照片中的目标数据进行边框标注;利用图像旋转、图像移动、对比度变换方法对已标注油茶果照片进行扩增;按一定比例将已扩增的数据分为训练数据集和验证数据集;
所述训练模型构建单元用于首先输入训练数据集,通过主干网络提取主干特征图;然后结合区域生成网络RPN提取潜在的目标区域ROI;其次利用ROIAlign层将ROI映射成固定维数的特征向量,其中两分支经过全连接层进行分类和目标框回归,另一分支经过全卷积运算得到二值掩码;采用多任务损失函数,通过学习减小损失函数的值,获得全局最优模型;输入验证数据集,测试训练模型的泛化能力;所述主干网络为ResNet和FPN;
所述油茶果识别单元用于基于已构建的网络模型,结合UAV近景照片对油茶林果进行智能识别,输出典型油茶树冠层识别的果数;
油茶林快速估产模块,用于基于研究区油茶树实测和识别数据,随机抽取三分之二数据构建冠层果数与总体果重之间的预测模型;采用预留的三分之一数据进行精度验证:(1)分别计算预测模型的决定系数R2和均方根误差RMSE,检验模型预测值和实测值是否存在较好的线性拟合关系;(2)计算残差分析其值是否落在残差置信带内。
8.一种信息数据处理终端,其特征在于,所述信息数据处理终端包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~6任意一项所述基于无人机遥感的大面积油茶林快速估产方法。
9.一种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,使得所述处理器执行权利要求1~6任意一项所述基于无人机遥感的大面积油茶林快速估产方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110205807.9A CN112966579B (zh) | 2021-02-24 | 2021-02-24 | 一种基于无人机遥感的大面积油茶林快速估产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110205807.9A CN112966579B (zh) | 2021-02-24 | 2021-02-24 | 一种基于无人机遥感的大面积油茶林快速估产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966579A CN112966579A (zh) | 2021-06-15 |
CN112966579B true CN112966579B (zh) | 2021-11-30 |
Family
ID=76285877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110205807.9A Active CN112966579B (zh) | 2021-02-24 | 2021-02-24 | 一种基于无人机遥感的大面积油茶林快速估产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966579B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
CN111582234A (zh) * | 2020-05-22 | 2020-08-25 | 莫登奎 | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9704068B2 (en) * | 2012-06-22 | 2017-07-11 | Google Inc. | System and method for labelling aerial images |
WO2020020472A1 (en) * | 2018-07-24 | 2020-01-30 | Fundación Centro Tecnoloxico De Telecomunicacións De Galicia | A computer-implemented method and system for detecting small objects on an image using convolutional neural networks |
CN110188725A (zh) * | 2019-06-05 | 2019-08-30 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
CN111350722A (zh) * | 2020-03-16 | 2020-06-30 | 湖南湘源金穗智能装备有限公司 | 一种油茶林果自动作业平台多模式操控装置 |
CN111476150B (zh) * | 2020-04-03 | 2024-03-08 | 中南林业科技大学 | 基于uav近景拍摄技术的崖壁群植物多样性调查方法 |
-
2021
- 2021-02-24 CN CN202110205807.9A patent/CN112966579B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
CN111582234A (zh) * | 2020-05-22 | 2020-08-25 | 莫登奎 | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 |
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 |
Non-Patent Citations (1)
Title |
---|
东洞庭湖湿地植被高光谱数据变换及识别;宋仁飞 等;《中 南 林 业 科 技 大 学 学 报》;20141130;第34卷(第11期);第135-139页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112966579A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chong et al. | A review of remote sensing applications for oil palm studies | |
Sumesh et al. | Integration of RGB-based vegetation index, crop surface model and object-based image analysis approach for sugarcane yield estimation using unmanned aerial vehicle | |
CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
CN108985588B (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
CN110213376B (zh) | 一种用于虫害预防的信息处理系统及方法 | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
Razak et al. | Mapping rubber trees based on phenological analysis of Landsat time series data-sets | |
CN113505635A (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
CN114220022A (zh) | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 | |
Sun et al. | Remote estimation of grafted apple tree trunk diameter in modern orchard with RGB and point cloud based on SOLOv2 | |
CN113723319A (zh) | 一种基于风云卫星数据的水稻种植分布提取方法 | |
CN112906537A (zh) | 一种基于卷积神经网络的农作物识别方法及系统 | |
CN114219847A (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 | |
Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
CN115272860A (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
CN113177942A (zh) | 大豆种植区遥感监测识别方法、装置、电子设备和介质 | |
CN116797529A (zh) | 一种水稻结实率测算方法 | |
Ouyang et al. | Assessment of canopy size using UAV-based point cloud analysis to detect the severity and spatial distribution of canopy decline | |
Lin et al. | A novel approach for estimating the flowering rate of litchi based on deep learning and UAV images | |
CN117249862A (zh) | 一种草原露天矿空天地一体化生态环境监测方法 | |
Schillaci et al. | Assessment of hail damages in maize using remote sensing and comparison with an insurance assessment: A case study in Lombardy | |
CN112418073A (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
CN112966579B (zh) | 一种基于无人机遥感的大面积油茶林快速估产方法 | |
CN115019205B (zh) | 一种基于无人机多光谱影像的油菜花期spad和lai估测方法 | |
CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 |
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 |