CN113177441A - 面向对象与物候知识相融合的遥感互花米草制图方法 - Google Patents

面向对象与物候知识相融合的遥感互花米草制图方法 Download PDF

Info

Publication number
CN113177441A
CN113177441A CN202110384549.5A CN202110384549A CN113177441A CN 113177441 A CN113177441 A CN 113177441A CN 202110384549 A CN202110384549 A CN 202110384549A CN 113177441 A CN113177441 A CN 113177441A
Authority
CN
China
Prior art keywords
phenological
spartina alterniflora
image
segmentation
knowledge
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
Application number
CN202110384549.5A
Other languages
English (en)
Inventor
田金炎
王小娜
王乐
李小娟
时晨
宫辉力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Capital Normal University
Original Assignee
Capital Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Capital Normal University filed Critical Capital Normal University
Priority to CN202110384549.5A priority Critical patent/CN113177441A/zh
Publication of CN113177441A publication Critical patent/CN113177441A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种面向对象与物候知识相融合的遥感互花米草制图方法，包括：获取目标区域去云处理后的遥感图像和互花米草样本点；计算归一化植被指数均值并绘制年度变化曲线，获取年内最佳物候期窗口；在不同物候期利用每个像素以及每个波段的单个中值获取各个物候期的中值合成影像，将所有中值合成图像进行波段叠加，得一多波段的合成图像；对合成图像进行基于非监督的多尺度优化分割，生成图像分割对象，从中提取结合物候知识的分类特征作为支持向量机分类器的输入进行面向对象的图像分类，得到互花米草分布图。本申请结合互花米草的关键物候期特征和面向对象的图像分类方法，可快速准确将互花米草与其他背景地物区分，得到互花米草分布图。

Description

面向对象与物候知识相融合的遥感互花米草制图方法
技术领域
本申请涉及植物技术领域，特别是涉及一种面向对象与物候知识相融合的遥感互花米草制图方法。
背景技术
互花米草原产于北美洲大西洋沿岸，1979年作为重要的生态工程材料从美国引进，1981年首次在福建省罗源湾大规模试种成功，因其适应性强、繁殖快而迅速蔓延，目前在北起天津、南至广西防城港的海岸滩涂湿地均已发现互花米草。互花米草侵占红树林等原生生态系统，阻塞航道，影响水产养殖，造成重大经济损失，已成为我国沿海危害严重的恶性入侵植物。因此准确监测互花米草对于自然环境和生态系统具有重要作用。
遥感图像识别是一种利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析，将图像中各个像元划分到各自地物类型的技术。而遥感互花米草制图则是利用遥感图像，识别目标区域互花米草，并生成互花米草分布图的技术。目前，互花米草制图常用的是一种像素级的物候特征合成方法，即基于像素与物候知识融合方法，通过在像素级别结合互花米草的关键物候期特征，然后以单个像素为制图单元进行遥感图像分类。
然而，其存在以下的缺点：1、影像特征利用不完全：当前互花米草识别制图技术主要利用单个像素的光谱信息来区分互花米草与其他地物，而遥感影像的其他形状、纹理以及空间邻域等地理信息尚未得到充分利用，从而损失大量对于提高分类精度至关重要的影像特征，而这将会影响识别的结果；2、传统分割方法具有局限性：通常传统的单尺度分割中存在分割不足或分割过度问题，而多尺度分割中参数设置需要依赖专家知识和主观经验。然而，这些问题通常会直接影响分割结果的质量，而这将会降低互花米草的识别精度。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面，提供了一种面向对象与物候知识相融合的遥感互花米草制图方法，包括如下步骤：
步骤S1：获取目标区域去云处理后的遥感图像和互花米草样本点；
步骤S2：计算所述互花米草样本点的归一化植被指数均值并绘制年度变化曲线，从而获取互花米草监测的年内最佳物候期窗口；
步骤S3：在年内最佳物候窗口的不同物候期利用每个像素以及每个波段的单个中值获取各个物候期的中值合成影像，然后将所有的中值合成图像进行波段叠加，得到一多波段的合成图像；
步骤S4：对所述合成图像进行基于非监督的多尺度优化分割，生成合适的图像分割对象，然后从图像分割对象中提取结合物候知识的分类特征作为支持向量机分类器的输入进行面向对象的图像分类，进而得到目标区域的互花米草分布图。
可选地，所述步骤S3中的年内最佳物候期窗口包含2个物候期，分别为衰老期和生长巅峰期。
可选地，所述衰老期为一年中的第1-142天，所述生长巅峰期为一年中的第154-270天。
可选地，所述互花米草在衰老期时归一化植被指数的平均值小于0.3，所述互花米草在生长巅峰期时归一化植被指数的平均值大于0.4。
可选地，所述步骤S3中的每一中值合成图像包含10个光谱波段，所获的合成图像包含20个光谱波段。
可选地，所述步骤S4中的分类特征为包含几何、纹理和上下文在内的地理空间信息。
可选地，所述步骤S4中，所述基于非监督的多尺度优化分割是通过构建非监督评价指标，首先确定一个全局最优分割单尺度，然后在全局最优分割的基础上进行局部分割对象的优化，包括对欠分割区域的再分割和过分割区域的合并，从而得到更合适的分割对象。
本申请的面向对象与物候知识相融合的遥感互花米草制图方法，利用中高分辨率遥感图像，结合互花米草的关键物候期特征和面向对象的图像分类方法，可以快速准确的将互花米草与其他背景地物区分，进而得到目标地区的互花米草分布图。利用结合面向对象和物候特征的方法不仅可以降低明显的空间物候变异性，提高互花米草与其原生物种之间的光谱可分离性，还可以最大限度地利用多云覆盖的沿海地区的遥感影像。
本申请通过利用遥感影像的形状、纹理以及上下文等地理空间信息作为光谱特征的必要补充，增大分类特征维度，很好地将互花米草与其他易混地物区分，提高了互花米草的识别精度；同时利用基于非监督的多尺度优化分割方法，生成合适的分割对象用于图像分类，该方法不仅可以有效克服传统的单尺度分割中的分割不足或分割过度问题，还能避免多尺度分割中参数设置依赖于专家知识和主观经验的局限性。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是基于互花米草样本点的归一化植被指数的年度变化曲线；
图2a是欠分割区域优化前的对象边界；
图2b是欠分割区域优化后的对象边界；
图3a是过分割区域优化前的对象边界；
图3b是过分割区域优化后的对象边界；
图4a是区域Y1的互花米草地面参考图；
图4b是区域Y1的利用基于像素与物候知识融合方法的互花米草分布图；
图4c是区域Y1的利用面向对象与物候知识融合方法的互花米草分布图；
图5a是区域Y2的互花米草地面参考图；
图5b是区域Y2的利用基于像素与物候知识融合方法的互花米草分布图；
图5c是区域Y2的利用面向对象与物候知识融合方法的互花米草分布图；
图6a是区域Y3的互花米草地面参考图；
图6b是区域Y3的利用基于像素与物候知识融合方法的互花米草分布图；
图6c是区域Y3的利用面向对象与物候知识融合方法的互花米草分布图；
具体实施方式
本申请所指的物候是指：生物长期适应光照、降水、温度等条件的周期性变化，形成与此相适应的生长发育节律，这种现象称为物候现象。
面向对象的图像分析：不同于基于像素的方法将单个像素作为遥感影像的输入单元，这种方法将相同特征的邻近像素组合成一个影像对象，再结合对象的光谱、形状、纹理及空间等信息对其进行图像分析和分类。
本申请的一个实施例提供了一种面向对象与物候知识相融合的遥感互花米草制图方法，包括如下步骤：
步骤S1：获取目标区域去云处理后的遥感图像和互花米草样本点；
步骤S2：计算互花米草样本点的归一化植被指数(NDVI，Normalized DifferenceVegetation Index)均值并绘制年度变化曲线，从而获取互花米草监测的年内最佳物候期窗口，即衰老期和生长巅峰期；
图1是基于互花米草样本点的归一化植被指数的年度变化曲线。参见图1，具体划分原因如下：
①衰老期：在一年中的第1-132天，NDVI指数的平均值均小于0.3，这说明此时互花米草处于逐渐衰败的枯黄时期，即为衰老期。
②生长巅峰期：在一年中的第164-260天，NDVI指数的平均值远大于0.4，这表明这段时间互花米草处于巅峰生长的绿色时期，即为生长巅峰期。
需要注意的是，由于环境的影响，不同年份和区域的物候窗口期可能有所差异，所以这里扩大了绿色期和衰老期的时间范围，最终我们将一年中的第1-142天定义为衰老期，一年中的第154-270天定为生长巅峰期。
生长巅峰期是指一年中互花米草处于巅峰生长的绿色时期，在影像上容易与滩涂背景区分开来；衰老期是指一年中互花米草处于逐渐衰败的枯黄时期，在影像上容易与本地物种红树林背景区分开来。所以，通过结合互花米草的这两个关键物候期特征，能够很好地将其与容易混分的背景地物(红树林和滩涂)区分。
步骤S3：基于Google Earth Engine平台的图像像素重组功能，在年内最佳物候窗口的2个物候期利用每个像素以及每个波段的单个中值获取两幅中值合成影像，分别为生长巅峰期影像和衰老期影像，每幅影像包含10个光谱波段；然后将两幅中值合成图像进行波段叠加，得到一20波段的合成图像；
步骤S4：对合成图像进行基于非监督的多尺度优化分割，首先确定一个全局最优分割单尺度，然后在全局最优分割的基础上进行局部分割对象的优化，包括对欠分割区域的再分割和过分割区域的合并，从而得到更合适的分割对象。然后从图像分割对象中提取结合物候知识的分类特征作为支持向量机分类器的输入进行面向对象的图像分类，进而得到目标区域的互花米草分布图；其中，分类特征为包含几何、纹理和上下文在内的地理空间信息。
分割作为基于对象的图像分析中一个关键步骤，这种分割方法可以有效克服传统的单尺度分割中的分割不足或分割过度问题，以及多尺度分割中参数设置依赖于专家知识和主观经验的局限性，通过对全局最优分割结果进行局部优化得到更合适的分割对象。
局部分割优化包括欠分割区域优化和过分割区域优化。
图2a是欠分割区域优化前的对象边界；图2b是欠分割区域优化后的对象边界。参见图2a及图2b，欠分割区域优化之后，通过再分割异质大对象，避免了包含不同覆盖类别的分割不良对象，同时有利于识别局部地物细节，更好地提高了分类精度。
图3a是过分割区域优化前的对象边界；图3b是过分割区域优化后的对象边界。参见图3a及图3b，过分割区域优化之后，通过合并同质小对象，减少了输入分类器的对象个数，既提高了运算速度，也提高了分类精度。
图4a是区域Y1的互花米草地面参考图；地面参考图是结合高分辨率影像进行手动数字化的分类图。图4b是区域Y1的利用基于像素与物候知识融合方法的互花米草分布图；图4c是区域Y1的利用面向对象与物候知识融合方法的互花米草分布图。将图4b及图4c与图4a进行对比，可以看出，基于像素的方法在互花米草制图中存在漏分的现象，而面向对象与物候知识融合方法的分类结果与地面参考图更为匹配，分类效果更好。
图5a是区域Y2的互花米草地面参考图；图5b是区域Y2的利用基于像素和物候知识融合方法的互花米草分布图；图5c是区域Y2的利用面向对象和物候知识融合方法的互花米草分布图。将图5b及图5c与图5a进行对比，可以看出，基于像素的方法在互花米草制图中存在漏分的现象，而面向对象与物候知识融合方法的分类结果与地面参考图更为匹配，分类效果更好。
图6a是区域Y3的互花米草地面参考图；图6b是区域Y3的利用基于像素与物候知识融合方法的互花米草分布图；图6c是区域Y3的利用面向对象与物候知识融合方法的互花米草分布图。将图6b及图6c与图6a进行对比，可以看出，基于像素的方法在互花米草制图中存在错分的现象，而面向对象与物候知识融合方法的分类结果与地面参考图更为匹配，分类效果更好。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在本申请的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
以上所述，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种面向对象与物候知识相融合的遥感互花米草制图方法，其特征在于，包括如下步骤：
步骤S1：获取目标区域去云处理后的遥感图像和互花米草样本点；
步骤S2：计算所述互花米草样本点的归一化植被指数均值并绘制年度变化曲线，从而获取互花米草监测的年内最佳物候期窗口；
步骤S3：在年内最佳物候窗口的不同物候期利用每个像素以及每个波段的单个中值获取各个物候期的中值合成影像，然后将所有的中值合成图像进行波段叠加，得到一多波段的合成图像；
步骤S4：对所述合成图像进行基于非监督的多尺度优化分割，生成合适的图像分割对象，然后从图像分割对象中提取结合物候知识的分类特征作为支持向量机分类器的输入进行面向对象的图像分类，进而得到目标区域的互花米草分布图。
2.根据权利要求1所述的面向对象与物候知识相融合的遥感互花米草制图方法，其特征在于，所述步骤S3中的年内最佳物候期窗口包含2个物候期，分别为衰老期和生长巅峰期。
3.根据权利要求2所述的面向对象与物候知识相融合的遥感互花米草制图方法，其特征在于，所述衰老期为一年中的第1-142天，所述生长巅峰期为一年中的第154-270天。
4.根据权利要求3所述的面向对象与物候知识相融合的遥感互花米草制图方法，其特征在于，所述互花米草在衰老期时归一化植被指数的平均值小于0.3，所述互花米草在生长巅峰期时归一化植被指数的平均值大于0.4。
5.根据权利要求1所述的面向对象与物候知识相融合的遥感互花米草制图方法，其特征在于，所述步骤S3中的每一中值合成图像包含10个光谱波段，所获的合成图像包含20个光谱波段。
6.根据权利要求1所述的面向对象与物候知识相融合的遥感互花米草制图方法，其特征在于，所述步骤S4中的分类特征为包含几何、纹理和上下文在内的地理空间信息。
7.根据权利要求1-6中任一项所述的面向对象与物候知识相融合的遥感互花米草制图方法，其特征在于，所述步骤S4中，所述基于非监督的多尺度优化分割是通过构建非监督评价指标，首先确定一个全局最优分割单尺度，然后在全局最优分割的基础上进行局部分割对象的优化，包括对欠分割区域的再分割和过分割区域的合并，从而得到更合适的分割对象。
CN202110384549.5A 2021-04-09 2021-04-09 面向对象与物候知识相融合的遥感互花米草制图方法 Pending CN113177441A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110384549.5A CN113177441A (zh) 2021-04-09 2021-04-09 面向对象与物候知识相融合的遥感互花米草制图方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110384549.5A CN113177441A (zh) 2021-04-09 2021-04-09 面向对象与物候知识相融合的遥感互花米草制图方法

Publications (1)

Publication Number Publication Date
CN113177441A true CN113177441A (zh) 2021-07-27

Family

ID=76924917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110384549.5A Pending CN113177441A (zh) 2021-04-09 2021-04-09 面向对象与物候知识相融合的遥感互花米草制图方法

Country Status (1)

Country Link
CN (1) CN113177441A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113936226A (zh) * 2021-11-23 2022-01-14 河南大学 一种基于遥感云计算的全球冰川搜索识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103528570A (zh) * 2013-10-23 2014-01-22 环境保护部卫星环境应用中心 广西北海地区互花米草的空间分布获取方法和系统
CN112215090A (zh) * 2020-09-21 2021-01-12 首都师范大学 融合物候知识的遥感水稻制图方法及其应用

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103528570A (zh) * 2013-10-23 2014-01-22 环境保护部卫星环境应用中心 广西北海地区互花米草的空间分布获取方法和系统
CN112215090A (zh) * 2020-09-21 2021-01-12 首都师范大学 融合物候知识的遥感水稻制图方法及其应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINYAN TIAN等: "Development of spectral-phenological features for deep learning to understand Spartina alterniflora invasion", 《REMOTE SENSING OF ENVIRONMENT》 *
刘明月: "中国滨海湿地互花米草入侵遥感监测及变化分析", 《中国博士学位论文全文数据库（电子期刊）工程科技Ⅰ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113936226A (zh) * 2021-11-23 2022-01-14 河南大学 一种基于遥感云计算的全球冰川搜索识别方法

Similar Documents

Publication Publication Date Title
CN111626269B (zh) 一种实用的大空间范围滑坡提取方法
CN113033670A (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
CN112818749B (zh) 一年两熟地区大宗粮油作物复种模式遥感监测方法
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN111340826A (zh) 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN111008664B (zh) 一种基于空谱联合特征的高光谱海冰检测方法
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN106971397A (zh) 基于改进jseg算法的城市高分辨率遥感影像分割方法
CN112669363A (zh) 城市绿地三维绿量测算方法
CN114821348A (zh) 一种海冰制图方法
CN115861629A (zh) 一种高分耕地影像提取方法
CN116912578A (zh) 一种农作物分类方法、系统及电子设备
CN113177441A (zh) 面向对象与物候知识相融合的遥感互花米草制图方法
AU2012100257A4 (en) Method for Radiometric Information Restoration of Mountainous Shadows in Remotely Sensed Images
CN111310771A (zh) 遥感影像的道路图像提取方法、装置、设备及存储介质
CN109063577B (zh) 基于信息增益率的卫星影像分割最佳分割尺度确定方法
CN111353402B (zh) 一种油棕林遥感提取方法
Huang et al. Multi-feature combined for building shadow detection in GF-2 Images
He et al. Narrow-linear and small-area forest disturbance detection and mapping from high spatial resolution imagery
Xie et al. Object-oriented random forest classification for Enteromorpha prolifera detection with SAR images
CN115791639A (zh) 基于物候信息的大豆种植区域遥感提取方法
Ozturk et al. Evaluation of effectiveness of patch based image classification technique using high resolution WorldView-2 image
Lewinski et al. Rule-based classification of SPOT imagery using object-oriented approach for detailed land cover mapping
CN115049900A (zh) 一种基于光学与雷达数据的水稻种植区识别方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210727