CN113552079A - 一种基于航空高光谱数据的红树林定量反演系统 - Google Patents
一种基于航空高光谱数据的红树林定量反演系统 Download PDFInfo
- Publication number
- CN113552079A CN113552079A CN202110672585.1A CN202110672585A CN113552079A CN 113552079 A CN113552079 A CN 113552079A CN 202110672585 A CN202110672585 A CN 202110672585A CN 113552079 A CN113552079 A CN 113552079A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- processing module
- module
- mangrove 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Discrete Mathematics (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于航空高光谱数据定量反演技术领域,公开了一种基于航空高光谱数据的红树林定量反演系统,包括数据采集模块、中央处理模块、信号处理模块、光谱处理模块、统计模块和云存储模块;所述数据采集模块、信号处理模块、光谱处理模块、统计模块、云存储模块与中央处理模块相连接,所传输的数据均经过中央处理器向各模块传送。本发明设置了云存储模块,用于存储红树林高光谱数据,用于进行后续的观察和分析,用于进行技术的发展。本系统设置信号处理模块,对信号小波去噪,最大化的利用信号数据;本系统设置有统计模块,对实时的高光谱数据进行分析统计,防止信号光谱因为时间的影响而丢失重要信息,本系统的发明有助于行业技术的发展。
Description
技术领域
本发明属于航空高光谱数据定量反演技术领域,尤其涉及一种基于航空高光谱数据的红树林定量反演系统。
背景技术
目前:高光谱影像具有高的光谱分辨率,达到纳米级,表现为不同地物在光谱维上的细微差异,能够精细地刻画地物的反射光谱,从而大大提高对地物分类与识别的能力。目前,世界各国对高光谱成像遥感技术的发展都十分重视,随着技术的日趋成熟,高光谱数据的应用越来越广泛,应用到各个领域,但是目前并没有针对航空高光谱数据的红树林的定量反演,现有的定量反演大多是以光谱分解为基本方法。且无论是定性识别还是定量识别,上述方法均以反射光谱的吸收谱段为识别矿物的主要依据。矿物与树木的特征差异极大,红树林生长在热带、亚热带海岸潮间带,由红树植物为主体的常绿乔木或灌木组成的湿地木本植物群落,在净化海水、防风消浪、固碳储碳、维护生物多样性等方面发挥着重要作用,有“海岸卫士”“海洋绿肺”美誉,也是珍稀濒危水禽重要栖息地,鱼、虾、蟹、贝类生长繁殖场所,因此对于航空高光谱数据红树林的定量反演非常重要,而目前并没有针对红树林的定量反演。
通过上述分析,现有技术存在的问题及缺陷为:
目前并没有设计好的系统对航空高光谱红树林进行定量反演,也没有类似的定量反演系统,特别是针对树木的定量反演系统,因此,对于红树林定量反演系统的设计具有重大的意义。
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航空高光谱数据的红树林定量反演系统。
本发明是这样实现的,一种基于航空高光谱数据的红树林定量反演系统包括:
数据采集模块,与中央处理模块相连接,用于进行数据采集并将采集数据经过传输线传输至中央处理模块,用于进行下一步操作;
中央处理模块,与数据采集模块、信号处理模块、光谱处理模块、统计模块和云存储模块相连接,用于通过主控制器对各模块传输的数据以及请求信号进行采集,通过分析处理后输出给输出通道;
当外部需要模拟量输出时,中央处理模块的输出信号经过D/A转换器转换成标准电信号进行输出用于控制各个模块正常工作;
信号处理模块,与中央处理模块相连接,用于对采集的信号数据进行处理;
光谱处理模块,与中央处理模块相连接,由中央处理模块将信号处理模块处理的吸收光谱信号传输到光谱处理模块,采用傅立叶变换的信号分析方法对光谱进行处理操作;
统计模块,与中央处理模块相连接,用于对分解得到的光谱信息的红树林信息与真实的红树林信息进行统计。
进一步,所述数据采集模块包括航空采集设备,航空采集设备采集高光谱数据的红树林数据,由航空采集器采集到的数据为电信号,经由A/D转换器转换为数字信号。
进一步,所述信号处理模块包括:
信号提取单元,用于提取采集数据中的特定的关于红树林的红外信号;
信号去噪单元,用于对提取出的设备进行去噪操作,防止信号中的噪音影响信号的转换;
信号转换单元,用于对去噪后的信号进行转换,由反射光谱信号转换为吸收光谱信号。
进一步,所述光谱处理模块采用傅立叶变换的信号分析方法对光谱进行处理操作的具体步骤包括:
(1)对吸收光谱信号进行傅立叶变换,得到光谱信号的频谱图;
(2)拟合出频谱中的低频部分,在函数值减去低频部分,得到被光谱信号对应的频谱;
(3)将步骤(2)所得到的频谱再经过逆傅立叶变换,取其倒数的自然对数,得到光谱信号的吸光度曲线。
进一步,所述基于航空高光谱数据的红树林定量反演系统还包括云存储模块,所述云存储模块与中央处理模块相连接,用于使用云存储服务对实时采集的高光谱数据的红树林数据进行云存储。
进一步,所述云存储的具体步骤包括:
在本地服务器部署数据中心中创建云存储平台,通过第三方网关来实现存储协议,此存储协议可以实现从NFS到SMB的转换;
用户将本地数据通过网线写入云存储网关中,云存储网关将数据传输至边界路由,边界路由通过专线公网将数据传入至云平台;
在云平台中发起对象存储的请求,将数据传送至云平台内的云存储网关;
云存储网关通过vSwitch将数据发送到云存储可用区中,完成数据云存储。
进一步,所述数据采集模块包括有预处理单元,所述预处理单元用于对采集的光谱数据进行预处理,所述预处理方法包括:
对高分辨率光谱影像全色数据进行几何校正;
然后利用校正后的全色影像对多光谱数据进行几何校正;
根据绝对辐射定标系数对多光谱影像进行辐射定标,将各波段的数字量化值转换为表观辐射亮度,综合根据辐亮度图像和大气校正系数,得到反射率图像。
进一步,所述大气校正系数通过检索大气校正系数查找表获得,所述大气校正系数查找表根据航空可见近红外各通道在不同成像条件、大气条件下的大气校正系数形成。
进一步,所述统计模块对分解得到的光谱信息的红树林信息与真实的红树林信息进行统计中,通过高光谱分类模型获取用于波段选择的训练数据集,将训练数据集输入波段选择模型进行训练,所述波段选择模型输出选择出的波段序号集合。
进一步,所述高光谱分类模型在网络输入和挤压-激励的残差网络模块组之间设置一个卷积-非线性激活模块,所述卷积-非线性激活模块使用ReLU非线性函数。
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:本发明设置了云存储模块,用于存储红树林高光谱数据,用于进行后续的观察和分析,用于进行技术的发展。本系统设置信号处理模块,用于进行数据信息的提取以及信号的去噪处理,最大化的利用信号数据,保证后续处理的信号光谱是纯净的,不受其他因素影响的;本系统设置有统计模块,对实时的高光谱数据进行分析统计,防止信号光谱因为时间的影响而丢失重要信息,本系统的发明有助于行业技术的发展。
附图说明
图1是本发明实施例提供的基于航空高光谱数据的红树林定量反演系统结构示意图;
图2是本发明实施例提供的信号处理模块的结构示意图;
图中,1、数据采集模块;2、中央处理模块;3、信号处理模块;31、信号提取单元;32、信号去噪单元;33、信号转换单元;4、光谱处理模块;5、统计模块;6、云存储模块。
图3是本发明实施例提供的光谱处理模块采用傅立叶变换的信号分析方法对光谱进行处理操作的方法流程图。
图4是本发明实施例提供的云存储的方法流程图。
图5是本发明实施例提供的预处理方法的流程图。
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航空高光谱数据的红树林定量反演系统,下面结合附图对本发明作详细的描述。
如图1所述,本发明实施例提供的基于航空高光谱数据的红树林定量反演系统包括:
数据采集模块1,与中央处理模块相连接,用于进行数据采集并将采集数据经过传输线传输至中央处理模块,用于进行下一步操作;
中央处理模块2,与数据采集模块、信号处理模块、光谱处理模块、统计模块和云存储模块相连接,用于通过主控制器对各模块传输的数据以及请求信号进行采集,通过分析处理后输出给输出通道;
当外部需要模拟量输出时,中央处理模块的输出信号经过D/A转换器转换成标准电信号进行输出用于控制各个模块正常工作;
信号处理模块3,与中央处理模块相连接,用于对采集的信号数据进行处理;
光谱处理模块4,与中央处理模块相连接,由中央处理模块将信号处理模块处理的吸收光谱信号传输到光谱处理模块,采用傅立叶变换的信号分析方法对光谱进行处理操作;
统计模块5,与中央处理模块相连接,用于对分解得到的光谱信息的红树林信息与真实的红树林信息进行统计。
云存储模块6,与中央处理模块相连接,用于使用云存储服务对实时采集的高光谱数据的红树林数据进行云存储。
本发明实施例中的数据采集模块包括航空采集设备,航空采集设备采集高光谱数据的红树林数据,由航空采集器采集到的数据为电信号,经由A/D转换器转换为数字信号。
如图2所示,本发明实施例中的信号处理模块3包括:
信号提取单元31,用于提取采集数据中的特定的关于红树林的红外信号;
信号去噪单元32,用于对提取出的设备进行去噪操作,防止信号中的噪音影响信号的转换;
信号转换单元33,用于对去噪后的信号进行转换,由反射光谱信号转换为吸收光谱信号。
如图3所示,本发明实施例中的光谱处理模块采用傅立叶变换的信号分析方法对光谱进行处理操作的具体步骤包括:
S101,对吸收光谱信号进行傅立叶变换,得到光谱信号的频谱图;
S102,拟合出频谱中的低频部分,在函数值减去低频部分,得到被光谱信号对应的频谱;
S103,将步骤S102所得到的频谱再经过逆傅立叶变换,取其倒数的自然对数,得到光谱信号的吸光度曲线。
如图4所示,本发明实施例中的云存储的具体步骤包括:
S201,在本地服务器部署数据中心中创建云存储平台,通过第三方网关来实现存储协议,此存储协议可以实现从NFS到SMB的转换;
S202,用户将本地数据通过网线写入云存储网关中,云存储网关将数据传输至边界路由,边界路由通过专线公网将数据传入至云平台;
S203,在云平台中发起对象存储的请求,将数据传送至云平台内的云存储网关;
S204,云存储网关通过vSwitch将数据发送到云存储可用区中,完成数据云存储。
本发明实施例中的数据采集模块包括有预处理单元,所述预处理单元用于对采集的光谱数据进行预处理,如图5所示,所述预处理方法包括:
S301,对高分辨率光谱影像全色数据进行几何校正;
S302,然后利用校正后的全色影像对多光谱数据进行几何校正;
S303,根据绝对辐射定标系数对多光谱影像进行辐射定标,将各波段的数字量化值转换为表观辐射亮度,综合根据辐亮度图像和大气校正系数,得到反射率图像。
本发明实施例中的大气校正系数通过检索大气校正系数查找表获得,所述大气校正系数查找表根据航空可见近红外各通道在不同成像条件、大气条件下的大气校正系数形成。
本发明实施例中的统计模块对分解得到的光谱信息的红树林信息与真实的红树林信息进行统计中,通过高光谱分类模型获取用于波段选择的训练数据集,将训练数据集输入波段选择模型进行训练,所述波段选择模型输出选择出的波段序号集合。
本发明实施例中的高光谱分类模型在网络输入和挤压-激励的残差网络模块组之间设置一个卷积-非线性激活模块,所述卷积-非线性激活模块使用ReLU非线性函数。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”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发明和简化描述,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发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
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 (10)
1.一种基于航空高光谱数据的红树林定量反演系统,其特征在于,所述基于航空高光谱数据的红树林定量反演系统包括:
数据采集模块,与中央处理模块相连接,用于进行数据采集并将采集数据经过传输线传输至中央处理模块,用于进行下一步操作;
中央处理模块,与数据采集模块、信号处理模块、光谱处理模块、统计模块和云存储模块相连接,用于通过主控制器对各模块传输的数据以及请求信号进行采集,通过分析处理后输出给输出通道;
当外部需要模拟量输出时,中央处理模块的输出信号经过D/A转换器转换成标准电信号进行输出用于控制各个模块正常工作;
信号处理模块,与中央处理模块相连接,用于对采集的信号数据进行处理;
光谱处理模块,与中央处理模块相连接,由中央处理模块将信号处理模块处理的吸收光谱信号传输到光谱处理模块,采用傅立叶变换的信号分析方法对光谱进行处理操作;
统计模块,与中央处理模块相连接,用于对分解得到的光谱信息的红树林信息与真实的红树林信息进行统计。
2.如权利要求1所述的基于航空高光谱数据的红树林定量反演系统,其特征在于,所述数据采集模块包括航空采集设备,航空采集设备采集高光谱数据的红树林数据,由航空采集器采集到的数据为电信号,经由A/D转换器转换为数字信号。
3.如权利要求1所述的基于航空高光谱数据的红树林定量反演系统,其特征在于,所述信号处理模块包括:
信号提取单元,用于提取采集数据中的特定的关于红树林的红外信号;
信号去噪单元,用于对提取出的设备进行去噪操作,防止信号中的噪音影响信号的转换;
信号转换单元,用于对去噪后的信号进行转换,由反射光谱信号转换为吸收光谱信号。
4.如权利要求1所述的基于航空高光谱数据的红树林定量反演系统,其特征在于,所述光谱处理模块采用傅立叶变换的信号分析方法对光谱进行处理操作的具体步骤包括:
(1)对吸收光谱信号进行傅立叶变换,得到光谱信号的频谱图;
(2)拟合出频谱中的低频部分,在函数值减去低频部分,得到被光谱信号对应的频谱;
(3)将步骤(2)所得到的频谱再经过逆傅立叶变换,取其倒数的自然对数,得到光谱信号的吸光度曲线。
5.如权利要求1所述的基于航空高光谱数据的红树林定量反演系统,其特征在于,所述基于航空高光谱数据的红树林定量反演系统还包括云存储模块,所述云存储模块与中央处理模块相连接,用于使用云存储服务对实时采集的高光谱数据的红树林数据进行云存储。
6.如权利要求5所述的基于航空高光谱数据的红树林定量反演系统,其特征在于,所述云存储的具体步骤包括:
在本地服务器部署数据中心中创建云存储平台,通过第三方网关来实现存储协议,此存储协议可以实现从NFS到SMB的转换;
用户将本地数据通过网线写入云存储网关中,云存储网关将数据传输至边界路由,边界路由通过专线公网将数据传入至云平台;
在云平台中发起对象存储的请求,将数据传送至云平台内的云存储网关;
云存储网关通过vSwitch将数据发送到云存储可用区中,完成数据云存储。
7.如权利要求1所述的基于航空高光谱数据的红树林定量反演系统,其特征在于,所述数据采集模块包括有预处理单元,所述预处理单元用于对采集的光谱数据进行预处理,所述预处理方法包括:
对高分辨率光谱影像全色数据进行几何校正;
然后利用校正后的全色影像对多光谱数据进行几何校正;
根据绝对辐射定标系数对多光谱影像进行辐射定标,将各波段的数字量化值转换为表观辐射亮度,综合根据辐亮度图像和大气校正系数,得到反射率图像。
8.如权利要求7所述的基于航空高光谱数据的红树林定量反演系统,其特征在于,所述大气校正系数通过检索大气校正系数查找表获得,所述大气校正系数查找表根据航空可见近红外各通道在不同成像条件、大气条件下的大气校正系数形成。
9.如权利要求1所述的基于航空高光谱数据的红树林定量反演系统,其特征在于,所述统计模块对分解得到的光谱信息的红树林信息与真实的红树林信息进行统计中,通过高光谱分类模型获取用于波段选择的训练数据集,将训练数据集输入波段选择模型进行训练,所述波段选择模型输出选择出的波段序号集合。
10.如权利要求1所述的基于航空高光谱数据的红树林定量反演系统,其特征在于,所述高光谱分类模型在网络输入和挤压-激励的残差网络模块组之间设置一个卷积-非线性激活模块,所述卷积-非线性激活模块使用ReLU非线性函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110672585.1A CN113552079A (zh) | 2021-06-17 | 2021-06-17 | 一种基于航空高光谱数据的红树林定量反演系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110672585.1A CN113552079A (zh) | 2021-06-17 | 2021-06-17 | 一种基于航空高光谱数据的红树林定量反演系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113552079A true CN113552079A (zh) | 2021-10-26 |
Family
ID=78130628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110672585.1A Pending CN113552079A (zh) | 2021-06-17 | 2021-06-17 | 一种基于航空高光谱数据的红树林定量反演系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113552079A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105446A (zh) * | 2007-01-19 | 2008-01-16 | 华南理工大学 | 差分吸收光谱空气质量检测系统 |
CN102497438A (zh) * | 2011-12-19 | 2012-06-13 | 镇江绿能环保科技有限公司 | 无线传感器网络之微藻户外养殖的环境监测系统 |
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
CN109917387A (zh) * | 2019-04-03 | 2019-06-21 | 海南省林业科学研究所 | 一种基于全极化sar数据的森林生物量模型的建立方法 |
CN109992639A (zh) * | 2019-04-03 | 2019-07-09 | 海南省林业科学研究所 | 一种数字林业大数据系统的构建方法 |
CN110926430A (zh) * | 2019-11-22 | 2020-03-27 | 海南省林业科学研究所 | 一种空地一体化红树林监测系统及控制方法 |
CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
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 |
CN112067129A (zh) * | 2020-09-24 | 2020-12-11 | 江苏集萃苏科思科技有限公司 | 一种高光谱处理方法及波段选择方法 |
CN112285033A (zh) * | 2020-10-19 | 2021-01-29 | 海南省林业科学研究院(海南省红树林研究院) | 一种具有森林重金属光谱反演和样品采集功能的无人机 |
CN112445882A (zh) * | 2020-11-20 | 2021-03-05 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于业务流程建模的林业信息化平台及其建设方法 |
CN112861435A (zh) * | 2021-02-09 | 2021-05-28 | 深圳大学 | 一种红树林质量遥感反演方法及智能终端 |
CN112861837A (zh) * | 2020-12-30 | 2021-05-28 | 北京大学深圳研究生院 | 一种基于无人机的红树林生态信息智慧提取方法 |
-
2021
- 2021-06-17 CN CN202110672585.1A patent/CN113552079A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105446A (zh) * | 2007-01-19 | 2008-01-16 | 华南理工大学 | 差分吸收光谱空气质量检测系统 |
CN102497438A (zh) * | 2011-12-19 | 2012-06-13 | 镇江绿能环保科技有限公司 | 无线传感器网络之微藻户外养殖的环境监测系统 |
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
CN105608293A (zh) * | 2016-01-28 | 2016-05-25 | 武汉大学 | 融合光谱与纹理特征的森林地上生物量反演方法及系统 |
CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
CN109992639A (zh) * | 2019-04-03 | 2019-07-09 | 海南省林业科学研究所 | 一种数字林业大数据系统的构建方法 |
CN109917387A (zh) * | 2019-04-03 | 2019-06-21 | 海南省林业科学研究所 | 一种基于全极化sar数据的森林生物量模型的建立方法 |
CN110926430A (zh) * | 2019-11-22 | 2020-03-27 | 海南省林业科学研究所 | 一种空地一体化红树林监测系统及控制方法 |
CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
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 |
CN112067129A (zh) * | 2020-09-24 | 2020-12-11 | 江苏集萃苏科思科技有限公司 | 一种高光谱处理方法及波段选择方法 |
CN112285033A (zh) * | 2020-10-19 | 2021-01-29 | 海南省林业科学研究院(海南省红树林研究院) | 一种具有森林重金属光谱反演和样品采集功能的无人机 |
CN112445882A (zh) * | 2020-11-20 | 2021-03-05 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于业务流程建模的林业信息化平台及其建设方法 |
CN112861837A (zh) * | 2020-12-30 | 2021-05-28 | 北京大学深圳研究生院 | 一种基于无人机的红树林生态信息智慧提取方法 |
CN112861435A (zh) * | 2021-02-09 | 2021-05-28 | 深圳大学 | 一种红树林质量遥感反演方法及智能终端 |
Non-Patent Citations (1)
Title |
---|
陈功 等: "《草地质量监控》", 31 August 2018, 云南大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472304B (zh) | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
CN110718235B (zh) | 异常声音检测的方法、电子设备及存储介质 | |
CN110208193B (zh) | 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 | |
CN108765359A (zh) | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 | |
CN103116881A (zh) | 基于PCA与Shearlet变换的遥感图像融合方法 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
Luo et al. | Research on Digital Image Processing Technology and Its Application | |
CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
CN113552079A (zh) | 一种基于航空高光谱数据的红树林定量反演系统 | |
Valente et al. | A compilation of global bio-optical in situ data for ocean-colour satellite applications–version three | |
Marsh et al. | Evaluation of airborne video data for land-cover classification accuracy assessment in an isolated Brazilian forest | |
Wu et al. | Pixel-based image fusion using wavelet transform for SPOT and ETM+ image | |
Cross et al. | Validating the use of metre-scale multi-spectral satellite image data for identifying tropical forest tree species | |
CN113534083A (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
CN116580290A (zh) | 无人机的识别方法、装置及存储介质 | |
CN114332546B (zh) | 一种物候匹配策略的大尺度迁移学习作物分类方法及系统 | |
Kwiatkowska et al. | Merger of ocean color information from multiple satellite missions under the NASA SIMBIOS Project Office | |
CN113536937A (zh) | 一种基于遥感技术的红树林生态定量反演方法 | |
CN112528983A (zh) | 一种暗光条件下gis隔离/接地开关视频图像采集系统 | |
Hueni et al. | Operational status of APEX and characteristics of the APEX open science data set | |
Arai | Combined Non-Parametric and Parametric Classification Method Depending on Normality of PDF of Training Samples | |
Fdez-Sarria et al. | Study of methos based on wavelets for texture classification of high resolution images | |
CN117252785B (zh) | 一种基于多源sar与光学影像联合的去云方法 | |
Fan et al. | Semantic segmentation for mangrove using spectral indices and self-attention mechanism |
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 |
Application publication date: 20211026 |
|
RJ01 | Rejection of invention patent application after publication |