CN113673628A - 一种基于高分卫星数据的玉米种植分布提取方法 - Google Patents

一种基于高分卫星数据的玉米种植分布提取方法 Download PDF

Info

Publication number
CN113673628A
CN113673628A CN202111041947.3A CN202111041947A CN113673628A CN 113673628 A CN113673628 A CN 113673628A CN 202111041947 A CN202111041947 A CN 202111041947A CN 113673628 A CN113673628 A CN 113673628A
Authority
CN
China
Prior art keywords
corn planting
index
remote sensing
sample points
corn
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
CN202111041947.3A
Other languages
English (en)
Inventor
周广胜
郭玉超
任鸿瑞
刘二华
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.)
Taiyuan University of Technology
Chinese Academy of Meteorological Sciences CAMS
Original Assignee
Taiyuan University of Technology
Chinese Academy of Meteorological Sciences CAMS
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 Taiyuan University of Technology, Chinese Academy of Meteorological Sciences CAMS filed Critical Taiyuan University of Technology
Priority to CN202111041947.3A priority Critical patent/CN113673628A/zh
Publication of CN113673628A publication Critical patent/CN113673628A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

Landscapes

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

Abstract

本发明公开了一种基于高分卫星数据的玉米种植分布提取方法，包括：采集目标研究区域的高分卫星数据，基于高分卫星数据选取样本点、获得第二遥感特征指数；基于第二遥感特征指数构建分类特征组合，通过随机森林算法对分类特征组合进行玉米种植像元提取，获得第二玉米种植分布图；根据第二玉米种植分布图获得目标研究区域的玉米种植面积，并对玉米种植面积进行分布统计分析。本发明可快速、高效、低廉、准确地提取研究区域的玉米种植分布，一方面弥补了现有提取方法中遥感数据分辨率较低而导致玉米种植分布提取精度低的缺陷，另一方面克服了现有提取方法中玉米与其它同期生长季作物难以区分的不足。

Description

一种基于高分卫星数据的玉米种植分布提取方法
技术领域
本发明属于玉米种植分布遥感提取领域，特别是涉及一种基于高分卫星数据的玉米种植分布提取方法。
背景技术
玉米作为我国重要的工业原料、饲料和粮食作物，在全国消费需求增长空间最大，对促进中国农业生产、农村经济发展具有重要作用。及时准确地获取玉米种植分布信息对国内玉米供给格局、保障粮食安全以及农业可持续发展等具有重要意义。
遥感技术在农业发展中具有传统方法不可比拟的优势，可及时客观地获得作物长势、产量等信息，特别是种植分布信息。国内外众多学者以玉米为识别对象开展了种植分布提取研究。利用遥感信息提取玉米种植分布现有技术包括面向对象的分类方法、监督分类方法、非监督分类方法等。其中面向对象的分类方法是首先对影像进行分割，获取同质对象，然后根据目标地物提取或影像分类的具体要求，选取影像对象特征，并利用这些特征进行遥感影像分类。监督分类法则是根据已知类别样本，训练分类识别系统，通过选择各个类别特征，按照决策规则进行图像分类。非监督分类则缺乏先验知识，对不同地物仅依靠影像光谱信息进行特征提取，然后统计特征差别进行影像分类。虽然这些现有技术对于玉米种植分布提取都取得了一定成果，但仍存在以下问题：
1、由于玉米与同期播种作物生育期接近，光谱信息相似，且存在混种现象，故利用现有技术难以区分。
2、目前遥感数据源以Landsat(空间分辨率30米)、MODIS(空间分辨率250米)、TM(空间分辨率30米)等中低分辨率居多，这些卫星遥感数据空间分辨率较低，混合像元大量存在制约玉米分布提取精度。
发明内容
针对以上提取玉米分布信息遥感现有技术的不足，本发明通过选取高分卫星数据(空间分辨率16米)，提出一种基于高分卫星数据的玉米种植分布提取方法。
为实现上述目的，本发明提供了如下方案：一种基于高分卫星数据的玉米种植分布提取方法，包括：
采集目标研究区域的高分卫星数据，基于所述高分卫星数据选取样本点、获得第二遥感特征指数；基于所述第二遥感特征指数构建分类特征组合，通过随机森林算法对所述分类特征组合进行玉米种植像元提取，获得第二玉米种植分布图；根据所述第二玉米种植分布图获得所述目标研究区域的玉米种植面积，并对所述玉米种植面积进行分布统计分析。
优选地，选取所述样本点包括通过所述目标研究区域的土地利用现状图，对所述高分卫星数据进行目视解译，获得所述样本点。
优选地，所述样本点至少包括玉米样本点、水稻样本点、大豆样本点、林地样本点、水体样本点、建筑样本点。
优选地，所述样本点包括训练样本点和验证样本点；
获得所述第二遥感特征指数包括，基于所述高分卫星数据构建第一遥感特征指数，基于所述训练样本点对所述第一遥感特征指数进行优选，获得第二遥感特征指数。
优选地，构建所述第一遥感特征指数包括提取影响波段反射率、构建遥感植被指数；
构建所述遥感植被指数包括构建差值植被指数、绿色归一化差异植被指数、归一化差异绿度指数、归一化植被指数、归一化水体指数、绿度指数、比值植被指数、土壤调整植被指数、转换型植被指数、宽动态植被指数、红边归一化差异植被指数以及红边归一化植被指数。
优选地，基于所述训练样本点对所述第一遥感特征指数进行优选包括，
基于所述训练样本点和所述第一遥感特征指数计算袋外分数以及特征重要性得分，选取所述袋外分数最大的特征组合个数作为优选特征子集，基于所述优选特征子集获得所述第二遥感特征指数。
优选地，所述分类特征组合包括所述优选特征子集、去除红边波段的6个波段反射率、包含红边波段的8个波段反射率、去除红边波段的6个波段反射率与10个植被指数、包含红边波段的8个波段反射率与3个植被指数。
优选地，获得所述第二玉米种植分布图包括，
基于所述第二遥感特征指数构建分类特征组合，通过随机森林算法对所述分类特征组合进行玉米种植像元提取，获得第一玉米种植分布图；基于所述验证样本点和所述玉米种植分布图获得第二玉米种植分布图。
优选地，基于所述验证样本点和所述玉米种植分布图获得第二玉米种植分布图包括，根据所述验证样本点和所述第一玉米种植分布图计算混淆矩阵，比较所述分类特征组合的玉米制图精度，获得所述第二玉米种植分布图。
本发明公开了以下技术效果：
本发明基于16米空间分辨率的高分六号WFV卫星影像数据，提出了一种玉米种植面积遥感高精度提取的标准方法，可用于快速、高效、低廉、准确地提取研究区域的玉米种植分布，一方面弥补了现有提取方法中遥感数据分辨率较低而导致玉米种植分布提取精度低的缺陷，另一方面克服了现有提取方法中玉米与其它同期生长季作物难以区分的不足。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中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为本发明实施例的方法流程图；
图2为本发明实施例的基于高分六号WFV影像的锦州市2020年玉米种植分布图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种基于高分卫星数据的玉米种植分布提取方法,包括：
S1、选取不同地表覆盖类型样本点
获取研究区域高分六号WFV影像数据，通过Google earth地图以及研究区域土地利用现状图，进行目视解译，选取包括玉米在内的不同地表覆盖类型的若干训练样本点。
S2、遥感特征指数构建
在步骤1获取研究区域高分六号WFV影像数据的基础上，提取影像8个波段反射率，并构建13个遥感植被指数，包括差值植被指数、绿色归一化差异植被指数、归一化差异绿度指数、归一化植被指数、归一化水体指数、绿度指数、比值植被指数、土壤调整植被指数、转换型植被指数、宽动态植被指数、红边归一化差异植被指数以及红边归一化植被指数。
S3、遥感特征指数优选
在步骤1选取研究区域不同地表覆盖类型样本点的基础上，对步骤2构建的21个遥感特征指数(8个波段反射率、13个植被指数)计算袋外分数以及特征重要性得分，并将特征重要性得分从大到小排序；根据袋外分数以及特征重要性得分，选取当袋外分数达到最大时的特征组合个数，即在重要性排名中选择得分靠前的相同个数的特征指数作为优选特征子集。
S4、分类特征组合构建
在步骤2遥感特征指数构建和步骤3遥感特征指数优选的基础上，构建5种分类特征组合：
(1)步骤3得到的优选特征子集；
(2)去除红边波段的6个波段(蓝、绿、红、紫、黄、近红外)反射率；
(3)包含红边波段的8个波段(蓝、绿、红、紫、黄、近红外、红边1、红边2)反射率；
(4)去除红边波段的6个波段(蓝、绿、红、紫、黄、近红外)反射率与10个植被指数(差值植被指数、绿色归一化差异植被指数、归一化差异绿度指数、归一化植被指数、归一化水体指数、绿度指数、比值植被指数、土壤调整植被指数、转换型植被指数、宽动态植被指数)；
(5)包含红边波段的8个波段(蓝、绿、红、紫、黄、近红外、红边1、红边2)反射率与3个植被指数(红边归一化差异植被指数、红边归一化植被指数)。
S5、玉米种植分布提取
在步骤1获取研究区域高分六号WFV影像与选取不同地表覆盖类型样本点的基础上，采用随机森林算法，分别利用步骤4构建的5种分类特征组合进行研究区域玉米种植像元提取，得到5种不同分类特征组合下的研究区域玉米种植分布图。
S6、确定最佳玉米种植分布
在步骤1获取研究区域高分六号WFV影像数据的基础上，通过Google earth地图以及土地利用现状图，选取若干独立于训练样本点的验证样本点，根据步骤5得到不同分类特征组合下的研究区域玉米种植分布图以及验证样本点计算混淆矩阵，比较不同分类特征组合下的玉米制图精度，确定研究区域最佳玉米种植分布图。
S7、计算研究区域玉米种植面积
在步骤6得到研究区域最佳玉米种植分布图的基础上，计算研究区域的玉米种植面积，并进一步按照行政小区域或感兴趣区域进行统计分析。
进一步地，通过一种基于高分六号WFV影像的2020年锦州市玉米种植分布遥感提取方法应用案例，对本发明的具体实施方式作进一步说明。
步骤一、选取不同地表覆盖类型样本点
获取锦州市玉米生长期(2020年8月14日)的高分六号WFV影像数据，通过Googleearth地图以及锦州市土地利用现状图，选取训练样本点玉米1064个，水稻175个、大豆189个、林地597个、水体120个、建筑325个以及其他111个。
步骤二、遥感特征指数构建
在步骤一获取锦州市高分六号WFV影像数据的基础上，提取影像8个波段反射率，并构建13个遥感植被指数，包括差值植被指数、绿色归一化差异植被指数、归一化差异绿度指数、归一化植被指数、归一化水体指数、绿度指数、比值植被指数、土壤调整植被指数、转换型植被指数、宽动态植被指数、红边归一化差异植被指数以及红边归一化植被指数。
步骤三、遥感特征指数优选
在步骤一选取锦州市不同地表覆盖类型样本点的基础上，对步骤二构建的21个遥感特征指数(8个波段反射率、13个植被指数)计算袋外分数以及特征重要性得分，并将特征重要性得分从大到小排序；得到袋外分数最大时为0.98236，所对应特征组合个数为8，即在重要性排名中选择得分前8的特征指数作为优选特征子集。故优选特征子集为：红边归一化植被指数、红边归一化差异植被指数、比值植被指数、归一化植被指数以及蓝、红边1、红边2波段反射率。
步骤四、分类特征组合构建
在步骤二遥感特征指数构建和步骤三遥感特征指数优选的基础上，构建5种分类特征组合：
(1)步骤三得到的优选特征子集；
(2)去除红边波段的6个波段(蓝、绿、红、紫、黄、近红外)反射率；
(3)包含红边波段的8个波段(蓝、绿、红、紫、黄、近红外、红边1、红边2)反射率；
(4)去除红边波段的6个波段(蓝、绿、红、紫、黄、近红外)反射率与10个植被指数(差值植被指数、绿色归一化差异植被指数、归一化差异绿度指数、归一化植被指数、归一化水体指数、绿度指数、比值植被指数、土壤调整植被指数、转换型植被指数、宽动态植被指数)；
(5)包含红边波段的8个波段(蓝、绿、红、紫、黄、近红外、红边1、红边2)反射率与3个植被指数(红边归一化差异植被指数、红边归一化植被指数)。
步骤五、玉米种植分布提取
在步骤一获取锦州市高分六号WFV影像与选取不同地表覆盖类型样本点的基础上，采用随机森林算法，分别利用步骤四构建的5种分类特征组合进行锦州市玉米种植像元提取，得到5种不同分类特征组合下的锦州市玉米种植分布图。
步骤六、确定最佳玉米种植分布
在步骤一获取锦州市高分六号WFV影像数据的基础上，通过Google earth地图以及锦州市土地利用现状图，选取若干独立于训练样本点的验证样本点，包括玉米461个、水稻76个、大豆75个、林地251个、水体50个、建筑130个、其他41个。根据步骤五得到不同分类特征组合下的锦州市玉米种植分布图以及验证样本点计算混淆矩阵，得到方案5玉米制图精度最高，达到94.8339％，故确定方案5玉米提取分布结果图即为锦州市最佳玉米种植分布图，如图2所示。
步骤七、计算研究区域玉米种植面积
在步骤六得到锦州市最佳玉米种植分布图的基础上，计算得到2020年锦州市玉米种植面积为386305.86hm2，并进一步按照行政小区域进行统计，得到2020年黑山县玉米种植面积为167456.46hm2，义县玉米种植面积为77345.7664hm2，北镇市玉米种植面积为62181.12hm2，凌海市玉米种植面积为65401.3696hm2，市辖区玉米种植面积为7972.2752hm2。
本发明基于16米空间分辨率的高分六号WFV卫星影像数据，提出了一种玉米种植面积遥感高精度提取的标准方法，可用于快速、高效、低廉、准确地提取研究区域的玉米种植分布，一方面弥补了现有提取方法中遥感数据分辨率较低而导致玉米种植分布提取精度低的缺陷，另一方面克服了现有提取方法中玉米与其它同期生长季作物难以区分的不足。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种基于高分卫星数据的玉米种植分布提取方法,其特征在于，包括：
采集目标研究区域的高分卫星数据，基于所述高分卫星数据选取样本点、获得第二遥感特征指数；基于所述第二遥感特征指数构建分类特征组合，通过随机森林算法对所述分类特征组合进行玉米种植像元提取，获得第二玉米种植分布图；根据所述第二玉米种植分布图获得所述目标研究区域的玉米种植面积，并对所述玉米种植面积进行分布统计分析。
2.根据权利要求1所述的基于高分卫星数据的玉米种植分布提取方法，其特征在于，
选取所述样本点包括通过所述目标研究区域的土地利用现状图，对所述高分卫星数据进行目视解译，获得所述样本点。
3.根据权利要求2所述的基于高分卫星数据的玉米种植分布提取方法，其特征在于，
所述样本点至少包括玉米样本点、水稻样本点、大豆样本点、林地样本点、水体样本点、建筑样本点。
4.根据权利要求1所述的基于高分卫星数据的玉米种植分布提取方法，其特征在于，
所述样本点包括训练样本点和验证样本点；
获得所述第二遥感特征指数包括，基于所述高分卫星数据构建第一遥感特征指数，基于所述训练样本点对所述第一遥感特征指数进行优选，获得第二遥感特征指数。
5.根据权利要求4所述的基于高分卫星数据的玉米种植分布提取方法，其特征在于，
构建所述第一遥感特征指数包括提取影响波段反射率、构建遥感植被指数；
构建所述遥感植被指数包括构建差值植被指数、绿色归一化差异植被指数、归一化差异绿度指数、归一化植被指数、归一化水体指数、绿度指数、比值植被指数、土壤调整植被指数、转换型植被指数、宽动态植被指数、红边归一化差异植被指数以及红边归一化植被指数。
6.根据权利要求4所述的基于高分卫星数据的玉米种植分布提取方法，其特征在于，
基于所述训练样本点对所述第一遥感特征指数进行优选包括，
基于所述训练样本点和所述第一遥感特征指数计算袋外分数以及特征重要性得分，选取所述袋外分数最大的特征组合个数作为优选特征子集，基于所述优选特征子集获得所述第二遥感特征指数。
7.根据权利要求6所述的基于高分卫星数据的玉米种植分布提取方法，其特征在于，
所述分类特征组合包括所述优选特征子集、去除红边波段的6个波段反射率、包含红边波段的8个波段反射率、去除红边波段的6个波段反射率与10个植被指数、包含红边波段的8个波段反射率与3个植被指数。
8.根据权利要求4所述的基于高分卫星数据的玉米种植分布提取方法，其特征在于，
获得所述第二玉米种植分布图包括，
基于所述第二遥感特征指数构建分类特征组合，通过随机森林算法对所述分类特征组合进行玉米种植像元提取，获得第一玉米种植分布图；基于所述验证样本点和所述玉米种植分布图获得第二玉米种植分布图。
9.根据权利要求8所述的基于高分卫星数据的玉米种植分布提取方法，其特征在于，
基于所述验证样本点和所述玉米种植分布图获得第二玉米种植分布图包括，根据所述验证样本点和所述第一玉米种植分布图计算混淆矩阵，比较所述分类特征组合的玉米制图精度，获得所述第二玉米种植分布图。
CN202111041947.3A 2021-09-07 2021-09-07 一种基于高分卫星数据的玉米种植分布提取方法 Pending CN113673628A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111041947.3A CN113673628A (zh) 2021-09-07 2021-09-07 一种基于高分卫星数据的玉米种植分布提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111041947.3A CN113673628A (zh) 2021-09-07 2021-09-07 一种基于高分卫星数据的玉米种植分布提取方法

Publications (1)

Publication Number Publication Date
CN113673628A true CN113673628A (zh) 2021-11-19

Family

ID=78548519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111041947.3A Pending CN113673628A (zh) 2021-09-07 2021-09-07 一种基于高分卫星数据的玉米种植分布提取方法

Country Status (1)

Country Link
CN (1) CN113673628A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494198A (zh) * 2022-01-26 2022-05-13 自然资源部第一航测遥感院(陕西省第五测绘工程院) 一种综合多源信息的玉米干旱损害范围提取方法
CN114494844A (zh) * 2021-12-13 2022-05-13 中国气象科学研究院 高海拔区域植被类型识别方法、装置及电子设备
CN116052017A (zh) * 2023-01-17 2023-05-02 二十一世纪空间技术应用股份有限公司 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427309A (zh) * 2015-11-23 2016-03-23 中国地质大学（北京） 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN108399400A (zh) * 2018-03-23 2018-08-14 中国农业科学院农业资源与农业区划研究所 一种基于高分辨率遥感数据的早期作物识别方法和系统
CN110135310A (zh) * 2019-04-30 2019-08-16 云南财经大学 一种基于单变量特征选择方法的农作物遥感识别方法
CN110321861A (zh) * 2019-07-09 2019-10-11 中国水利水电科学研究院 一种农作物种植结构月尺度动态提取方法
CN112435292A (zh) * 2020-12-18 2021-03-02 太原理工大学 一种基于遥感影像的水稻种植面积提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427309A (zh) * 2015-11-23 2016-03-23 中国地质大学（北京） 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN108399400A (zh) * 2018-03-23 2018-08-14 中国农业科学院农业资源与农业区划研究所 一种基于高分辨率遥感数据的早期作物识别方法和系统
CN110135310A (zh) * 2019-04-30 2019-08-16 云南财经大学 一种基于单变量特征选择方法的农作物遥感识别方法
CN110321861A (zh) * 2019-07-09 2019-10-11 中国水利水电科学研究院 一种农作物种植结构月尺度动态提取方法
CN112435292A (zh) * 2020-12-18 2021-03-02 太原理工大学 一种基于遥感影像的水稻种植面积提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李文杰 等: "基于GF-6卫星影像多特征优选的酿酒葡萄精准识别", 《农业工程学报》 *
苏亚麟 等: "基于随机森林算法的特征选择的水稻分类", 《江西科学》 *
黄健熙 等: "基于 GF-1 WFV 数据的玉米与大豆种植面积提取方法", 《农业工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494844A (zh) * 2021-12-13 2022-05-13 中国气象科学研究院 高海拔区域植被类型识别方法、装置及电子设备
CN114494198A (zh) * 2022-01-26 2022-05-13 自然资源部第一航测遥感院(陕西省第五测绘工程院) 一种综合多源信息的玉米干旱损害范围提取方法
CN116052017A (zh) * 2023-01-17 2023-05-02 二十一世纪空间技术应用股份有限公司 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法
CN116052017B (zh) * 2023-01-17 2023-11-10 二十一世纪空间技术应用股份有限公司 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法

Similar Documents

Publication Publication Date Title
Zhou et al. Long-short-term-memory-based crop classification using high-resolution optical images and multi-temporal SAR data
CN111709379B (zh) 基于遥感影像的丘陵区柑橘种植地块监测方法及系统
CN111598045B (zh) 一种基于对象图谱和混合光谱的遥感耕地变化检测方法
CN113673628A (zh) 一种基于高分卫星数据的玉米种植分布提取方法
Baldi et al. Characterizing fragmentation in temperate South America grasslands
CN106372592B (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
CN101435873A (zh) 基于伴生物种和群落分级的药用植物资源的遥感监测方法
CN104408466A (zh) 基于局部流形学习构图的高光谱遥感图像半监督分类方法
CN107330413A (zh) 一种基于遥感技术的毒品原植物识别方法
Watts et al. Merging random forest classification with an object-oriented approach for analysis of agricultural lands
Fan et al. Estimation of the nitrogen content of potato plants based on morphological parameters and visible light vegetation indices
Xia et al. Phenology-based decision tree classification of rice-crayfish fields from Sentinel-2 imagery in Qianjiang, China
Dong et al. A phenology-based method for identifying the planting fraction of winter wheat using moderate-resolution satellite data
Dalposso et al. Spatial autocorrelation of NDVI and GVI indices derived from Landsat/TM images for soybean crops in the western of the state of Paraná in 2004/2005 crop season
Kang et al. Construction of multidimensional features to identify tea plantations using multisource remote sensing data: A case study of Hangzhou city, China
Guo et al. Remote sensing monitoring of maize and paddy rice planting area using GF-6 WFV red edge features
CN113570273A (zh) 一种灌溉耕地统计数据的空间化方法及系统
Li et al. Monitoring spatial and temporal patterns of rubber plantation dynamics using time-series landsat images and google earth engine
Xu et al. Exploring the temporal density of Landsat observations for cropland mapping: experiments from Egypt, Ethiopia, and South Africa
CN115953685A (zh) 多层多尺度分割的农用大棚类型信息提取方法及系统
Yimer et al. Seasonal effect on the accuracy of Land use/Land cover classification in the Bilate Sub-basin, Abaya-Chamo Basin, Rift valley Lakes Basin of Ethiopia.
CN115527108A (zh) 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法
CN115115948A (zh) 一种基于随机森林和辅助因子的林地信息精细化提取方法
Mustafa et al. Mapping of degraded lands from multidate remotely sensed data using decision tree based classification (DTC)
Zhang et al. Land cover/use classification based on feature selection

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: 20211119