CN113723254A - 一种毛竹林分布的识别方法、装置、设备和存储介质 - Google Patents
一种毛竹林分布的识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113723254A CN113723254A CN202110970834.5A CN202110970834A CN113723254A CN 113723254 A CN113723254 A CN 113723254A CN 202110970834 A CN202110970834 A CN 202110970834A CN 113723254 A CN113723254 A CN 113723254A
- Authority
- CN
- China
- Prior art keywords
- phenological
- remote sensing
- image
- bamboo
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 244000302661 Phyllostachys pubescens Species 0.000 title claims description 97
- 235000003570 Phyllostachys pubescens Nutrition 0.000 title claims description 97
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims abstract description 107
- 235000017491 Bambusa tulda Nutrition 0.000 claims abstract description 107
- 241001330002 Bambuseae Species 0.000 claims abstract description 107
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims abstract description 107
- 239000011425 bamboo Substances 0.000 claims abstract description 107
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 235000011609 Pinus massoniana Nutrition 0.000 claims description 9
- 241000018650 Pinus massoniana Species 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 239000011121 hardwood Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 235000013824 polyphenols Nutrition 0.000 claims 4
- 241000196324 Embryophyta Species 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- FVXDQWZBHIXIEJ-LNDKUQBDSA-N 1,2-di-[(9Z,12Z)-octadecadienoyl]-sn-glycero-3-phosphocholine Chemical compound CCCCC\C=C/C\C=C/CCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCCCCCC\C=C/C\C=C/CCCCC FVXDQWZBHIXIEJ-LNDKUQBDSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002051 biphasic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
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
本发明实施例提供一种毛竹林分布的识别方法、装置、设备和存储介质,涉及遥感影像的信息识别提取的技术领域。其中,这种识别方法包括S1、获取目标区域的不同毛竹叶物候期的遥感影像。S2、计算不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征。S3和S4、从多个植被指数和多个纹理特征中选取第一特征和第二特征。S5、基于第一特征,计算目标区域的多个物候特征。S6、从多个物候特征选取第三特征。S7、通过卷积法融合遥感影像的第一特征、第二特征和第三特征,获得目标区域的待识别影像,并通过分类模型,识别待识别影像中的毛竹林分布情况。通过物候特征来识别毛竹林的分布情况,大大提升了毛竹林的分类精度。
Description
技术领域
本发明涉及遥感影像的信息识别提取的技术领域,具体而言,涉及一种毛竹林分布的识别方法、装置、设备和存储介质。
背景技术
毛竹林凭借其生长快、产量高、经济价值高等特点发挥着巨大的经济、生态效益。快速、准确、高效地获取毛竹资源信息,及时监测竹资源变化情况,对量化监测竹林经营成效、促进推广竹林集约经营、合理规划区域的竹产业发展和建设将提供重要的宏观指导作用,对于我国竹产业的发展具有重要意义。
传统竹资源监测技术,周期较长,分辨率较低。如MODIS卫星影像,虽然覆盖范围较大、时间分辨率高,但无法对毛竹林信息空间分布进行精准检测与清查。目前的毛竹资源遥感监测分类所使用的遥感影像分辨率低,未考虑到植被的不同毛竹叶物候期,主要以光谱特征和纹理特征为主,分类后植被类型之间的错分现象很严重。
有鉴于此,申请人在研究了现有的技术后特提出本申请。
发明内容
本发明提供了一种毛竹林分布的识别方法、装置、设备和存储介质,以改善相关技术中无法准确识别毛竹林分布情况的问题。
第一方面、
本发明实施例提供了一种毛竹林分布的识别方法,其包含:
获取目标区域的不同毛竹叶物候期的遥感影像。其中,所述目标区域内具有多个样本区域。所述多个样本区域包含毛竹样本区域和其它样本区域。
计算所述不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征。
提取所述多个样本区域的多个植被指数,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第一预设值的植被指数作为第一特征。
提取所述多个样本区域的多个纹理特征,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第二预设值的纹理特征作为第二特征。
基于所述第一特征,计算所述目标区域的多个物候特征。
提取所述多个样本区域的多个物候特征,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第三预设值的物候特征作为第三特征。
通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征,获得所述目标区域的待识别影像,并通过分类模型,识别所述待识别影像中的毛竹林分布情况。
可选地,所述不同毛竹叶物候期至少包括两个毛竹叶物候期。所述第一特征包含所述多个植被指数中的至少一个。
基于所述第一特征,计算所述目标区域的多个物候特征,包括:
将所述不同毛竹叶物候期的遥感影像的第一特征相减和相乘,以获得所述目标区域的多个物候特征。
可选地,所述第二特征包括所述多个纹理特征中的至少一个。所述第三特征包括所述多个物候特征中的至少一个。
通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征,获得所述目标区域的待识别影像,并通过分类模型,识别所述待识别影像中的毛竹林分布情况,包括:
通过三次卷积法融合遥感影像的第一特征、所述第二特征和所述第三特征,以获得待识别影像。
根据所述多个样本区域从所述待识别影像中,提取多个训练样本。
根据所述多个训练样本,构建分类模型,并通过所述分类模型识别所述待识别影像中的毛竹林的分布情况。
可选地,所述多重比较法为LSD多重均值比较法。所述第一预设值、所述第二预设值和所述第三预设值均为0.05。
所述多个训练样本包括毛竹林、阔叶林、马尾松林、杉木林、裸地、水体、农田、建筑,和道路。
所述分类模型为支持向量机。
可选地,所述计算所述不同毛竹叶物候期的遥感影像的多个植被指数和纹理特征,包括:
计算所述不同毛竹叶物候期的遥感影像的多个植被指数。其中,所述多个植被指数包括归一化植被指数、比值植被指数、增强植被指数、大气阻抗植被指数,以及宽动态范围植被指数。
所述归一化植被指数NDVI的计算模型为:
所述比值植被指数SR的计算模型为:
所述增强植被指数EVI的计算模型为:
所述大气阻抗植被指数ARVI的计算模型为:
所述宽动态范围植被指数WDRVI的计算模型为:
其中,ρNIR为遥感影像中近红外波段,ρRED为遥感影像中红光波段,ρGREEN为遥感影像中绿光波段,ρBLUE为遥感影像中蓝光波段,a为权重因子。
计算所述不同毛竹叶物候期的遥感影像的多个纹理特征。其中,所述纹理特征包括均值、方差、协同性、对比度、相异性、信息熵、二阶矩,以及相关性。
计算所述不同毛竹叶物候期的遥感影像的多个纹理特征,包括:
分析所述不同毛竹叶物候期的遥感影像的主成分。
根据所述主成分中的第一主成分,基于灰度共生矩阵,提取不同窗口尺寸下的多个纹理特征。
根据不同窗口尺寸下的多个纹理特征,分别提取毛竹林信息,以获得不同窗口尺寸下的毛竹林分类精度、毛竹林分类精度和J-M距离,并选取毛竹林分类精度最高,或者毛竹林分类精度最高,或者J-M距离最大的最佳窗口尺寸下提取的多个纹理特征,以获得所述不同毛竹叶物候期的遥感影像的多个纹理特征。
可选地,所述遥感影像为高分二号卫星影像。获取目标区域的不同毛竹叶物候期的遥感影像,包括:
获取初始区域的不同毛竹叶物候期的全色影像和多光谱影像。其中,所述初始区域包含所述目标区域。
对所述初始区域的不同毛竹叶物候期的全色影像和多光谱影像,进行辐射定位、大气校正、正射校正、控制点几何校正后,进行影像融合,获得不同毛竹叶物候期的融合影像。
对所述不同毛竹叶物候期的融合影像进行坏点和无效点修复后,通过矢量数据剪裁,获得所述目标区域的不同毛竹叶物候期的遥感影像。其中,所述目标区域内具有多个样本区域。所述多个样本区域包含毛竹样本区域和其它样本区域。其它样本区域包括马尾松林区域、阔叶林区域、裸地区域、水体区域、农田区域、建筑区域,以及道路区域。
第二方面、
本发明实施例提供了一种毛竹林分布的识别装置,其包含:
影像获取模块,用于获取目标区域的不同毛竹叶物候期的遥感影像。其中,所述目标区域内具有多个样本区域。所述多个样本区域包含毛竹样本区域和其它样本区域。
第一计算模块,用于计算所述不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征。
第一特征模块,用于提取所述多个样本区域的多个植被指数,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第一预设值的植被指数作为第一特征。
第二特征模块,用于提取所述多个样本区域的多个纹理特征,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第二预设值的纹理特征作为第二特征。
第二计算模块,用于基于所述第一特征,计算所述目标区域的多个物候特征。
第三特征模块,用于提取所述多个样本区域的多个物候特征,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第三预设值的物候特征作为第三特征。
毛竹林识别提取模块,用于通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征,获得所述目标区域的待识别影像,并通过分类模型,识别所述待识别影像中的毛竹林分布情况。
可选地,所述不同毛竹叶物候期至少包括两个毛竹叶物候期。所述第一特征包含所述多个植被指数中的至少一个。
所述第二计算模块,具体用于:
将所述不同毛竹叶物候期的遥感影像的第一特征相减和相乘,以获得所述目标区域的多个物候特征。
第三方面、
本发明实施例提供了一种毛竹林分布的识别设备,其包括处理器、存储器,以及存储在所述存储器内的计算机程序。所述计算机程序能够被所述处理器执行,以实现如第一方面任一段所说的毛竹林分布的识别方法。
第四方面、
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一段所说的毛竹林分布的识别方法。
通过采用上述技术方案,本发明可以取得以下技术效果:
本发明实施例通过从不同毛竹叶物候期的遥感影像,提取目标植物和其它植物区别显著的植被指数、纹理特征和物候特征进行融合,并通过分类模型从融合后的影像中提取目标植物的分布情况。由于采用了物候特征,因此大大提高了识别精度,具有很好的实际意义。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明第一实施例提供的识别方法的流程示意图。
图2是本发明第一实施例提供的识别方法的流程框图。
图3是本发明第二实施例提供的一种识别装置的结构示意图。
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。
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。
下面结合附图与具体实施方式对本发明作进一步详细描述:
实施例一:
请参阅图1,本发明第一实施例提供一种毛竹林分布的识别方法,其可由毛竹林分布的识别设备来执行。特别地,由识别设备中的一个或多个处理器来执行,以实现步骤S1至步骤S7。
S1、获取目标区域的不同毛竹叶物候期的遥感影像。其中,目标区域内具有多个样本区域。多个样本区域包含毛竹样本区域和其它样本区域。
在本实施例中,样本区域为均匀分布在目标区域内,且区内主要的地物类型足够多的区域。每个样本区域的面积为20m*20m,并使用北斗定位功能的GPS对样本区域的中心点进行定位。在其它实施例中,还可以使用其它形状、面积的样本区域,并使用其它设备对样本区域进行定位,本发明对此不做限定。
可以理解的是,多个样本区域中的其它样本区域包括阔叶林样本区域、马尾松林样本区域、杉木林样本区域等样本区域。优选地,其它样本区域中还包括裸地样本区域、水体样本区域、农田样本区域、建筑样本区域和道路样本区域等各60个以上的样本区域。在其它实施例中,可以采用其它数量的样本区域,本发明对此不做具体限定。
遥感影像为从空中往下拍摄的影像,其可由无人机、直升机等拍摄的航空影像,或者卫星拍摄的卫星影像。优选地,本发明中所使用的遥感影像为高分二号卫星影像。其中,高分二号卫星影像为现有技术,本发明对此不再赘述。
需要说明的是,物候期是指植物的生长、发育、活动等规律与生物的变化对节候的反应。即根据植物在生长过程的不同特征,将其划分成多个不同的叶物候期。在毛竹的生长过程中,具有新竹无叶生长期(4月)和新竹绿叶(9~10月)等叶物候期。优选地,在本实施例中,所述不同毛竹叶物候期的遥感影像,指的是新竹展叶前4月与新竹绿叶后9~10月的高分二号遥感影像。在其它实施例中,可以采用其它叶物候期的遥感影像,且可以不止两个物候期。本发明对遥感影像的数量和物候期均不做具体的限定。
所述识别设备可以是本地的计算机、膝上型计算机,或者是云端的服务器,本发明对识别设备的具体结构不做限定,只要其具有运算能够力,并执行预定程序以实现本发明的识别方法即可。
如图1和图2所示,在上述实施例的基础上,本发明一可选实施例中,步骤S1具体包括步骤S11至步骤S13。
S11、获取初始区域的不同毛竹叶物候期的全色影像和多光谱影像。其中,初始影像包含目标区域。具体地,高分二号卫星遥感影像包括全色影像和多光谱影像。
S12、对初始区域的不同毛竹叶物候期的全色影像和多光谱影像,进行辐射定位、大气校正、正射校正、控制点几何校正后,进行影像融合,获得不同毛竹叶物候期的融合影像。
S13、对不同毛竹叶物候期的融合影像进行坏点和无效点修复后,通过矢量数据剪裁,获得目标区域的不同毛竹叶物候期的遥感影像。其中,目标区域内具有多个样本区域。多个样本区域包含毛竹样本区域和其它样本区域。其它样本区域包括马尾松林区域、阔叶林区域、裸地区域、水体区域、农田区域、建筑区域,以及道路区域。
具体地,使用ENVI软件对获取的初始区域的两期遥感影像进行预处理,包括以下步骤:
步骤S121:对全色和多光谱影像进行辐射定标。
步骤S122:对辐射定标后的全色和多光谱影像进行大气校正。
步骤S123:对大气校正后的全色和多光谱影像使用高精度DEM数据和三次卷积法进行正射校正。
步骤S124:正射校正后使用ENVI Classic对融合后的影像进行控制点几何校正
步骤S125:使用NN Diffuse Pan Sharpening(BIL)功能对全色和多光谱影像进行影像融合。
步骤S131:融合后使用Replace_Bad_Pixels工具修复坏点与无效点。
步骤S132:使用矢量数据裁剪从预处理后的初始区域的两期遥感影像中剪裁出目标区域的不同毛竹叶物候期的遥感影像。
S2、计算不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征。
在本实施例中,在获取到目标区域的不同毛竹叶物候期的遥感影像后,先将能够直接从影像中获取的植被指数和纹理指数均提取出来。为后续步骤提供数据基础。具体地,步骤S2包括步骤S21和步骤S22。
S21、计算不同毛竹叶物候期的遥感影像的多个植被指数。其中,多个植被指数包括归一化植被指数、比值植被指数、增强植被指数、大气阻抗植被指数,以及宽动态范围植被指数。
具体地,对预处理好的两期影像计算归一化植被指数(NDVI)、比值植被指数(SR)、增强植被指数(EVI)、大气阻抗植被指数(ARVI)、宽动态范围植被指数(WDRVI)。
归一化植被指数NDVI的计算模型为:
比值植被指数SR的计算模型为:
增强植被指数EVI的计算模型为:
大气阻抗植被指数ARVI的计算模型为:
宽动态范围植被指数WDRVI的计算模型为:
其中,ρNIR为遥感影像中近红外波段,ρRED为遥感影像中红光波段,ρGREEn为遥感影像中绿光波段,ρBLUE为遥感影像中蓝光波段,a为权重因子。
S22、计算不同毛竹叶物候期的遥感影像的多个纹理特征。其中,纹理特征包括均值、方差、协同性、对比度、相异性、信息熵、二阶矩,以及相关性。具体地,步骤S22包括步骤S221至步骤S222。
S221、分析不同毛竹叶物候期的遥感影像的主成分。
S222、根据主成分中的第一主成分,基于灰度共生矩阵,提取不同窗口尺寸下的多个纹理特征。
S223、根据不同窗口尺寸下的多个纹理特征,分别提取毛竹林信息,以获得不同窗口尺寸下的毛竹林分类精度、KAPPA系数和J-M距离,并选取毛竹林分类精度最高,或者KAPPA系数最高,或者J-M距离最大的最佳窗口尺寸下提取的多个纹理特征,以获得不同毛竹叶物候期的遥感影像的多个纹理特征。
具体地,使用ENVI软件对研究区预处理后的两期影像进行主成分分析,并使用第一主成分基于灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)提取不同窗口下的均值(Mean)、方差(Variance)、协同性(Homogeneity)、对比度(Contrast)、相异性(Dissimilarity)、信息熵(Entropy)、二阶矩(Second Moment)、相关性(Correlation)8种纹理特征。
对提取好的不同窗口的纹理特征进行毛竹林信息提取并选取毛竹林分类精度、KAPPA系数最高的窗口或者选取毛竹林相对于其它三种树种的J-M距离最大的窗口。
在本实施例中,经过对比选取窗口21×21提取纹理信息。选取主成分含量最高和毛竹林相对于其他三种树种的J-M距离最大的2018年4月影像参与分类。
可以理解的是,从预处理后的遥感影像中提取植被指数和纹理特征为现有技术,本发明在此不再赘述。
S3、提取多个样本区域的多个植被指数,通过多重比较法,选取毛竹样本区域和其它样本区域的显著性小于第一预设值的植被指数作为第一特征。
具体地,使用Arcgis软件提取各个样本区域对应的步骤S21中提取的植被指数的DN值(DN值即为各个植被指数的数值),采用SPSS统计软件对不同植被指数进行LSD多重均值比较,选取结果中显示毛竹林与其它地物DN值间显著性均小于0.05的植被指数作为候选光谱特征变量。
在本实施例中,2018年4月高分二号卫星影像提取的NDVI、ARVI等5种植被指数均适用毛竹林信息提取,10月影像只有NDVI、ARVI适用毛竹林信息提取。
S4、提取多个样本区域的多个纹理特征,通过多重比较法,选取毛竹样本区域和其它样本区域的显著性小于第二预设值的纹理特征作为第二特征。
具体地,使用Arcgis软件提取各个样本区域对应步骤S223中最佳窗口提取的纹理特征的值,导入SPSS软件进行LSD多重比较,选取结果中显示毛竹林与其它地物纹理特征值的显著性均小于0.05的纹理特征参与后续分类。
在本实施例中,结果显示均值、信息熵、方差和对比度四个纹理特征符合标准。
S5、基于第一特征,计算目标区域的多个物候特征。具体地,物候特征根据不同毛竹叶物候期的植被指数进行相减和相乘得到。优选的采用步骤S3中选取的第一特征所包含的植被指数来进行计算。在本实施例中,不同毛竹叶物候期至少包括两个毛竹叶物候期。第一特征包含多个植被指数中的至少一个。步骤S5具体包括:将不同毛竹叶物候期的遥感影像的第一特征相减和相乘,以获得目标区域的多个物候特征。
具体地,对步骤S3中两期提取的植被指数都适合提取毛竹林信息的光谱特征进行相减、相乘(NDVI10月减/乘NDVI4月)(ARVI10月减/乘ARVI4月),以获得目标区域的不同植被指数对应的物候特征。
S6、提取多个样本区域的多个物候特征,通过多重比较法,选取毛竹样本区域和其它样本区域的显著性小于第三预设值的物候特征作为第三特征。优选地,多重比较法为LSD多重均值比较法。第一预设值、第二预设值和第三预设值均为0.05。
具体地,使用Arcgis软件提取各个样本区域对应影像内的DN值,导入SPSS软件进行LSD多重比较,选取结果中毛竹林与其它地物DN值的显著性均小于0.05的影像表征物候特征参与后续分类。
在本实施例中,结果显示NDVI10月减/乘NDVI4月两副影像(DLPC_NDVI/PLPC_NDVI)适合表征物候特征。
S7、通过卷积法融合遥感影像的第一特征、第二特征和第三特征,获得目标区域的待识别影像,并通过分类模型,识别待识别影像中的毛竹林分布情况。具体地,第二特征包括多个纹理特征中的至少一个。第三特征包括多个物候特征中的至少一个。步骤S7具体包括步骤S71至步骤S74。
S71、通过卷积法融合遥感影像的第一特征、第二特征和第三特征,获得目标区域的待识别影像,并通过分类模型,识别待识别影像中的毛竹林分布情况,包括:
S72、通过三次卷积法融合遥感影像的第一特征、第二特征和第三特征,以获得待识别影像。
S73、根据多个样本区域从待识别影像中,提取多个训练样本。其中,多个训练样本包括毛竹林、阔叶林、马尾松林、杉木林、裸地、水体、农田、建筑,和道路。
S74、根据多个训练样本,构建分类模型,并通过分类模型识别待识别影像中的毛竹林的分布情况。在本实施例中,分类模型为支持向量机。在其它实施例中,分类模型还可以使用其它现有的模型,本发明对此不作具体限定。
具体地,使用三次卷积法融合筛选出的光谱特征、纹理特征、物候特征,划定毛竹林、阔叶林、马尾松林、杉木林、裸地、水体、农田、建筑、道路九类训练样本,使用支持向量机分类器选取Radial Basis Function核函数对影像进行分类;建立地表真实感兴趣区,使用混淆矩阵的方法进行精度评价。
在本实施例中,得出毛竹林的分类精度是分别是90.29%,KAPPA系数是0.84,分类结果较好。
本发明实施例通过从不同毛竹叶物候期的遥感影像,提取目标植物和其它植物区别显著的植被指数、纹理特征和物候特征进行融合,并通过分类模型从融合后的影像中提取目标植物的分布情况。由于采用了物候特征,因此大大提高了识别精度,具有很好的实际意义。
实施例二、
本发明实施例提供了一种毛竹林分布的识别装置,其包含:
影像获取模块1,用于获取目标区域的不同毛竹叶物候期的遥感影像。其中,目标区域内具有多个样本区域。多个样本区域包含毛竹样本区域和其它样本区域。
第一计算模块2,用于计算不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征。
第一特征模块3,用于提取多个样本区域的多个植被指数,通过多重比较法,选取毛竹样本区域和其它样本区域的显著性小于第一预设值的植被指数作为第一特征。
第二特征模块4,用于提取多个样本区域的多个纹理特征,通过多重比较法,选取毛竹样本区域和其它样本区域的显著性小于第二预设值的纹理特征作为第二特征。
第二计算模块5,用于基于第一特征,计算目标区域的多个物候特征。
第三特征模块6,用于提取多个样本区域的多个物候特征,通过多重比较法,选取毛竹样本区域和其它样本区域的显著性小于第三预设值的物候特征作为第三特征。
毛竹林识别提取模块7,用于通过卷积法融合遥感影像的第一特征、第二特征和第三特征,获得目标区域的待识别影像,并通过分类模型,识别待识别影像中的毛竹林分布情况。
本发明实施例通过从不同毛竹叶物候期的遥感影像,提取目标植物和其它植物区别显著的植被指数、纹理特征和物候特征进行融合,并通过分类模型从融合后的影像中提取目标植物的分布情况。由于采用了物候特征,因此大大提高了识别精度,具有很好的实际意义。
在上述实施例的基础上,本发明一可选实施例中,不同毛竹叶物候期至少包括两个毛竹叶物候期。第一特征包含多个植被指数中的至少一个。第二计算模块5,具体用于:
将不同毛竹叶物候期的遥感影像的第一特征相减和相乘,以获得目标区域的多个物候特征。
在上述实施例的基础上,本发明一可选实施例中,第二特征包括多个纹理特征中的至少一个。第三特征包括多个物候特征中的至少一个。毛竹林识别提取模块7,具体包括:
卷积单元,用于通过三次卷积法融合遥感影像的第一特征、第二特征和第三特征,以获得待识别影像。
训练单元,用于根据多个样本区域从待识别影像中,提取多个训练样本。
影像识别单元,用于根据多个训练样本,构建分类模型,并通过分类模型识别待识别影像中的毛竹林的分布情况。
在上述实施例的基础上,本发明一可选实施例中,多重比较法为LSD多重均值比较法。第一预设值、第二预设值和第三预设值均为0.05。
在上述实施例的基础上,本发明一可选实施例中,多个训练样本包括毛竹林、阔叶林、马尾松林、杉木林、裸地、水体、农田、建筑,和道路。
在上述实施例的基础上,本发明一可选实施例中,分类模型为支持向量机。
在上述实施例的基础上,本发明一可选实施例中,第一计算模块2,具体包括:
第一计算单元,用于计算不同毛竹叶物候期的遥感影像的多个植被指数。其中,多个植被指数包括归一化植被指数、比值植被指数、增强植被指数、大气阻抗植被指数,以及宽动态范围植被指数。
归一化植被指数NDVI的计算模型为:
比值植被指数SR的计算模型为:
增强植被指数EVI的计算模型为:
大气阻抗植被指数ARVI的计算模型为:
宽动态范围植被指数WDRVI的计算模型为:
其中,ρNIR为遥感影像中近红外波段,ρRED为遥感影像中红光波段,ρGREEN为遥感影像中绿光波段,ρBLUE为遥感影像中蓝光波段,a为权重因子。
第二计算单元,用于计算不同毛竹叶物候期的遥感影像的多个纹理特征。其中,纹理特征包括均值、方差、协同性、对比度、相异性、信息熵、二阶矩,以及相关性。
在上述实施例的基础上,本发明一可选实施例中,第二计算单元,具体包括:
分析子单元、用于分析不同毛竹叶物候期的遥感影像的主成分。
提取子单元,用于根据主成分中的第一主成分,基于灰度共生矩阵,提取不同窗口尺寸下的多个纹理特征。
第二计算子单元,用于根据不同窗口尺寸下的多个纹理特征,分别提取毛竹林信息,以获得不同窗口尺寸下的毛竹林分类精度、毛竹林分类精度和J-M距离,并选取毛竹林分类精度最高,或者毛竹林分类精度最高,或者J-M距离最大的最佳窗口尺寸下提取的多个纹理特征,以获得不同毛竹叶物候期的遥感影像的多个纹理特征。
在上述实施例的基础上,本发明一可选实施例中,遥感影像为高分二号卫星影像。影像获取模块1,具体包括:
影像获取单元,用于获取初始区域的不同毛竹叶物候期的全色影像和多光谱影像。其中,初始区域包含目标区域。
预处理单元,用于对初始区域的不同毛竹叶物候期的全色影像和多光谱影像,进行辐射定位、大气校正、正射校正、控制点几何校正后,进行影像融合,获得不同毛竹叶物候期的融合影像。
影像获取单元,用于对不同毛竹叶物候期的融合影像进行坏点和无效点修复后,通过矢量数据剪裁,获得目标区域的不同毛竹叶物候期的遥感影像。其中,目标区域内具有多个样本区域。多个样本区域包含毛竹样本区域和其它样本区域。其它样本区域包括马尾松林区域、阔叶林区域、裸地区域、水体区域、农田区域、建筑区域,以及道路区域。
实施例三、
本发明实施例提供了一种毛竹林分布的识别设备,其包括处理器、存储器,以及存储在存储器内的计算机程序。计算机程序能够被处理器执行,以实现如实施例一任一段所说的毛竹林分布的识别方法。
实施例四、
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行如实施例一任一段所说的毛竹林分布的识别方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种毛竹林分布的识别方法,其特征在于,包含:
获取目标区域的不同毛竹叶物候期的遥感影像;其中,所述目标区域内具有多个样本区域;所述多个样本区域包含毛竹样本区域和其它样本区域;
计算所述不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征;
提取所述多个样本区域的多个植被指数,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第一预设值的植被指数作为第一特征;
提取所述多个样本区域的多个纹理特征,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第二预设值的纹理特征作为第二特征;
基于所述第一特征,计算所述目标区域的多个物候特征;
提取所述多个样本区域的多个物候特征,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第三预设值的物候特征作为第三特征;
通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征,获得所述目标区域的待识别影像,并通过分类模型,识别所述待识别影像中的毛竹林分布情况。
2.根据权利要求1所述的毛竹林分布的识别方法,其特征在于,所述不同毛竹叶物候期至少包括两个毛竹叶物候期;所述第一特征包含所述多个植被指数中的至少一个;
基于所述第一特征,计算所述目标区域的多个物候特征,包括:
将所述不同毛竹叶物候期的遥感影像的第一特征相减和相乘,以获得所述目标区域的多个物候特征。
3.根据权利要求1所述的毛竹林分布的识别方法,其特征在于,所述第二特征包括所述多个纹理特征中的至少一个;所述第三特征包括所述多个物候特征中的至少一个;
通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征,获得所述目标区域的待识别影像,并通过分类模型,识别所述待识别影像中的毛竹林分布情况,包括:
通过三次卷积法融合遥感影像的第一特征、所述第二特征和所述第三特征,以获得待识别影像;
根据所述多个样本区域从所述待识别影像中,提取多个训练样本;
根据所述多个训练样本,构建分类模型,并通过所述分类模型识别所述待识别影像中的毛竹林的分布情况。
4.根据权利要求3所述的毛竹林分布的识别方法,其特征在于,所述多重比较法为LSD多重均值比较法;所述第一预设值、所述第二预设值和所述第三预设值均为0.05;
所述多个训练样本包括毛竹林、阔叶林、马尾松林、杉木林、裸地、水体、农田、建筑,和道路;
所述分类模型为支持向量机。
5.根据权利要求1所述的毛竹林分布的识别方法,其特征在于,计算所述不同毛竹叶物候期的遥感影像的多个植被指数和纹理特征,包括:
计算所述不同毛竹叶物候期的遥感影像的多个植被指数;其中,所述多个植被指数包括归一化植被指数、比值植被指数、增强植被指数、大气阻抗植被指数,以及宽动态范围植被指数;
所述归一化植被指数NDVI的计算模型为:
所述比值植被指数SR的计算模型为:
所述增强植被指数EVI的计算模型为:
所述大气阻抗植被指数ARVI的计算模型为:
所述宽动态范围植被指数WDRVI的计算模型为:
其中,ρNIR为遥感影像中近红外波段,ρRED为遥感影像中红光波段,ρGREEN为遥感影像中绿光波段,ρBLUE为遥感影像中蓝光波段,a为权重因子;
计算所述不同毛竹叶物候期的遥感影像的多个纹理特征;其中,所述纹理特征包括均值、方差、协同性、对比度、相异性、信息熵、二阶矩,以及相关性;
计算所述不同毛竹叶物候期的遥感影像的多个纹理特征,包括:
分析所述不同毛竹叶物候期的遥感影像的主成分;
根据所述主成分中的第一主成分,基于灰度共生矩阵,提取不同窗口尺寸下的多个纹理特征;
根据不同窗口尺寸下的多个纹理特征,分别提取毛竹林信息,以获得不同窗口尺寸下的毛竹林分类精度和J-M距离,并选取毛竹林分类精度最高或者J-M距离最大的最佳窗口尺寸下提取的多个纹理特征,以获得所述不同毛竹叶物候期的遥感影像的多个纹理特征。
6.根据权利要求1所述的毛竹林分布的识别方法,其特征在于,所述遥感影像为高分二号卫星影像;获取目标区域的不同毛竹叶物候期的遥感影像,包括:
获取初始区域的不同毛竹叶物候期的全色影像和多光谱影像;其中,所述初始区域包含所述目标区域;
对所述初始区域的不同毛竹叶物候期的全色影像和多光谱影像,进行辐射定位、大气校正、正射校正、控制点几何校正后,进行影像融合,获得不同毛竹叶物候期的融合影像;
对所述不同毛竹叶物候期的融合影像进行坏点和无效点修复后,通过矢量数据剪裁获得所述目标区域的不同毛竹叶物候期的遥感影像。其中,所述目标区域内具有多个样本区域;所述多个样本区域包含毛竹样本区域和其它样本区域;其它样本区域包括马尾松林区域、阔叶林区域、裸地区域、水体区域、农田区域、建筑区域,以及道路区域。
7.一种毛竹林分布的识别装置,其特征在于,包含:
影像获取模块,用于获取目标区域的不同毛竹叶物候期的遥感影像;其中,所述目标区域内具有多个样本区域;所述多个样本区域包含毛竹样本区域和其它样本区域;
第一计算模块,用于计算所述不同毛竹叶物候期的遥感影像的多个植被指数和多个纹理特征;
第一特征模块,用于提取所述多个样本区域的多个植被指数,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第一预设值的植被指数作为第一特征;
第二特征模块,用于提取所述多个样本区域的多个纹理特征,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第二预设值的纹理特征作为第二特征;
第二计算模块,用于基于所述第一特征,计算所述目标区域的多个物候特征;
第三特征模块,用于提取所述多个样本区域的多个物候特征,通过多重比较法,选取所述毛竹样本区域和所述其它样本区域的显著性小于第三预设值的物候特征作为第三特征;
毛竹林识别提取模块,用于通过卷积法融合遥感影像的所述第一特征、所述第二特征和所述第三特征,获得所述目标区域的待识别影像,并通过分类模型,识别所述待识别影像中的毛竹林分布情况。
8.根据权利要求7所述的毛竹林分布的识别装置,其特征在于,所述不同毛竹叶物候期至少包括两个毛竹叶物候期;所述第一特征包含所述多个植被指数中的至少一个;
所述第二计算模块,具体用于:
将所述不同毛竹叶物候期的遥感影像的第一特征相减和相乘,以获得所述目标区域的多个物候特征。
9.一种毛竹林分布的识别设备,其特征在于,包括处理器、存储器,以及存储在所述存储器内的计算机程序;所述计算机程序能够被所述处理器执行,以实现如权利要求1至6任意一项所述的毛竹林分布的识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任意一项所述的毛竹林分布的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970834.5A CN113723254A (zh) | 2021-08-23 | 2021-08-23 | 一种毛竹林分布的识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970834.5A CN113723254A (zh) | 2021-08-23 | 2021-08-23 | 一种毛竹林分布的识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723254A true CN113723254A (zh) | 2021-11-30 |
Family
ID=78677514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110970834.5A Pending CN113723254A (zh) | 2021-08-23 | 2021-08-23 | 一种毛竹林分布的识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723254A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901966A (zh) * | 2021-12-07 | 2022-01-07 | 武汉光谷信息技术股份有限公司 | 一种融合多源地理信息数据的农作物分类方法 |
CN114782838A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 水稻识别方法、装置、电子设备和存储介质 |
CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
CN116258869A (zh) * | 2023-01-10 | 2023-06-13 | 滁州学院 | 一种基于Sentinel-2遥感数据的毛竹林大小年边界线提取方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507861A (zh) * | 2011-10-16 | 2012-06-20 | 云南烟草科学研究院 | 判别添加剂浓度对卷烟烟气中特殊酸碱影响程度的方法 |
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
CN111477273A (zh) * | 2020-05-18 | 2020-07-31 | 中国人民解放军国防科技大学 | 一种基于脑组织基因表达预测个体年龄信息的方法 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN112102312A (zh) * | 2020-09-29 | 2020-12-18 | 滁州学院 | 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 |
CN112183414A (zh) * | 2020-09-29 | 2021-01-05 | 南京信息工程大学 | 一种基于混合空洞卷积的弱监督遥感目标检测方法 |
CN112395914A (zh) * | 2019-08-15 | 2021-02-23 | 中国科学院遥感与数字地球研究所 | 一种融合遥感影像时序与纹理特征的地块作物识别方法 |
CN112560659A (zh) * | 2020-12-11 | 2021-03-26 | 中国科学院地理科学与资源研究所 | 一种区域橡胶林遥感识别方法 |
WO2021068176A1 (zh) * | 2019-10-11 | 2021-04-15 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
US20210201024A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Crop identification method and computing device |
-
2021
- 2021-08-23 CN CN202110970834.5A patent/CN113723254A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507861A (zh) * | 2011-10-16 | 2012-06-20 | 云南烟草科学研究院 | 判别添加剂浓度对卷烟烟气中特殊酸碱影响程度的方法 |
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
CN112395914A (zh) * | 2019-08-15 | 2021-02-23 | 中国科学院遥感与数字地球研究所 | 一种融合遥感影像时序与纹理特征的地块作物识别方法 |
WO2021068176A1 (zh) * | 2019-10-11 | 2021-04-15 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法 |
US20210201024A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Crop identification method and computing device |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN111477273A (zh) * | 2020-05-18 | 2020-07-31 | 中国人民解放军国防科技大学 | 一种基于脑组织基因表达预测个体年龄信息的方法 |
CN112102312A (zh) * | 2020-09-29 | 2020-12-18 | 滁州学院 | 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 |
CN112183414A (zh) * | 2020-09-29 | 2021-01-05 | 南京信息工程大学 | 一种基于混合空洞卷积的弱监督遥感目标检测方法 |
CN112560659A (zh) * | 2020-12-11 | 2021-03-26 | 中国科学院地理科学与资源研究所 | 一种区域橡胶林遥感识别方法 |
Non-Patent Citations (5)
Title |
---|
BAOXIN HU 等: "A decision-level fusion approach to tree species classifi cation from multi-source remotely sensed data", 《ISPRS OPEN JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, 22 July 2021 (2021-07-22), pages 1 - 12 * |
张楼香 等: "洪泽湖湿地纹理特征参数分析", 《国土资源遥感》, vol. 27, no. 1, 31 March 2015 (2015-03-31), pages 75 - 80 * |
李秀昊 等: "基于特征融合和SVM的稻谷品种识别", 《中国农机化学报》, vol. 40, no. 7, 31 July 2019 (2019-07-31), pages 97 - 102 * |
郭孝玉 等: "GF-2 影像多特征组合的毛竹林信息精细提取", 《三明学院院报》, vol. 38, no. 6, 20 December 2021 (2021-12-20), pages 72 - 77 * |
高国龙: "面向对象的高分辨率遥感影像竹林多尺度碳储量估算方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 6, 15 June 2017 (2017-06-15), pages 049 - 37 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901966A (zh) * | 2021-12-07 | 2022-01-07 | 武汉光谷信息技术股份有限公司 | 一种融合多源地理信息数据的农作物分类方法 |
CN114782838A (zh) * | 2022-06-17 | 2022-07-22 | 中化现代农业有限公司 | 水稻识别方法、装置、电子设备和存储介质 |
CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
CN115294460B (zh) * | 2022-10-08 | 2023-01-17 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
CN116258869A (zh) * | 2023-01-10 | 2023-06-13 | 滁州学院 | 一种基于Sentinel-2遥感数据的毛竹林大小年边界线提取方法 |
CN116258869B (zh) * | 2023-01-10 | 2023-08-18 | 滁州学院 | 一种基于Sentinel-2遥感数据的毛竹林大小年边界线提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723254A (zh) | 一种毛竹林分布的识别方法、装置、设备和存储介质 | |
CN108985238B (zh) | 联合深度学习和语义概率的不透水面提取方法及系统 | |
Trier et al. | Tree species classification in Norway from airborne hyperspectral and airborne laser scanning data | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
Shendryk et al. | Bottom-up delineation of individual trees from full-waveform airborne laser scans in a structurally complex eucalypt forest | |
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
CN109212505B (zh) | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 | |
CN111476170A (zh) | 一种结合深度学习和随机森林的遥感影像语义分割方法 | |
CN110991335A (zh) | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 | |
Yang et al. | Delineating individual tree crowns in an uneven-aged, mixed broadleaf forest using multispectral watershed segmentation and multiscale fitting | |
CN107798294A (zh) | 检测森林斑块变化的方法和装置 | |
S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
Iordache et al. | A dynamic unmixing framework for plant production system monitoring | |
Aguilar et al. | Optimizing multiresolution segmentation for extracting plastic greenhouses from WorldView-3 imagery | |
Omari et al. | Retrieval of forest canopy parameters by inversion of the PROFLAIR leaf-canopy reflectance model using the LUT approach | |
CN115223054A (zh) | 一种基于分区聚类与卷积的遥感影像变化检测方法 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
Tesfamichael et al. | Retrieval of narrow-range LAI of at multiple lidar point densities: Application on Eucalyptus grandis plantation | |
Traviglia | Archaeological usability of hyperspectral images: Successes and failures of image processing techniques | |
Pirotti et al. | Kernel feature cross-correlation for unsupervised quantification of damage from windthrow in forests | |
Nimbalkar et al. | Optimal band configuration for the roof surface characterization using hyperspectral and LiDAR imaging | |
Herrero-Huerta et al. | Deep phenotyping considering tile drainage from UAS-based multispectral imagery by convolutional neural networks | |
van der Voort | Exploring the usability of unmanned aerial vehicles for non-destructive phenotyping of small-scale maize breeding trials |
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 |