CN113807219A - 一种种植地块粮油作物类型分步识别方法 - Google Patents

一种种植地块粮油作物类型分步识别方法 Download PDF

Info

Publication number
CN113807219A
CN113807219A CN202111039233.9A CN202111039233A CN113807219A CN 113807219 A CN113807219 A CN 113807219A CN 202111039233 A CN202111039233 A CN 202111039233A CN 113807219 A CN113807219 A CN 113807219A
Authority
CN
China
Prior art keywords
sample
remote sensing
samples
crop
planting
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
CN202111039233.9A
Other languages
English (en)
Inventor
胡晓东
马士杰
李昕
董文
张明杰
张新
石含宁
郜丽静
韩小妹
骆剑承
罗露花
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.)
Suzhou Zhongkelandi Software Technology Co ltd
Aerospace Information Research Institute of CAS
Original Assignee
Suzhou Zhongkelandi Software Technology Co ltd
Aerospace Information Research Institute of CAS
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 Suzhou Zhongkelandi Software Technology Co ltd, Aerospace Information Research Institute of CAS filed Critical Suzhou Zhongkelandi Software Technology Co ltd
Priority to CN202111039233.9A priority Critical patent/CN113807219A/zh
Publication of CN113807219A publication Critical patent/CN113807219A/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
    • G06F18/21—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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种种植地块粮油作物类型分步识别方法，涉及遥感农业监测设备技术领域，包括如下步骤：S1、基于高分辨率遥感影像提取耕地地块；S2、基于生成的时序遥感影像生成波普库；S3、利用迁移学习进行作物类型提取；S4、迭代优化模型精度，基于不同种类的农作物在不同时相的光谱值不同可以实现地块种农作物的种植类型提取，从而实现地块农作物的类型的分类，种植结构迁移学习通过构建波谱库，基于目标区域的每一幅影像的时相生成纯净样本，通过此筛选样本的方法可以以较高的精度筛选出训练样本。此过程为从波谱库迁移到局部的过程，通过此方法可以消除传统方法的人工选样本耗时耗力的工作以及传统的分类方法受到地域性的限制。

Description

一种种植地块粮油作物类型分步识别方法
技术领域
本发明涉及遥感农业监测设备技术领域，具体是一种种植地块粮油作物类型分步识别方法。
背景技术
实时准确的作物监测对于辅助作物管理与适宜性评价、作物产量预估、作物灾害预警以及作物种植模式规划有重要意义。在区域尺度上进行精确作物制图可以为政府宏观调控提供新的数据支撑。传统的农作物实地调查监测的方式耗时耗力，满足不了大范围、快速及时的农情监测的需要。而随着遥感卫星技术的发展与智能化处理技术的提高，凭借遥感技术对地表信息获取的周期性、宏观性、时效性和经济性，以遥感技术为基础的农情监测成为未来农业发展与改革的重要方向。
卫星遥感技术可以获取大范围、多时相的影像数据，为农作物的监测提供了有力的技术支撑。目前的基于遥感影像的作物分类技术主要为光学影像的作物分类，其分类原理为遥感影像中不同类型的农作物在其生长周期内的各个波段表现出不同的光谱特征，通过此种光谱特征差异，可以判别不同的作物类型。然而大面积的农作物分类受物候不同的影响，导致识别精度较低，因此需要消耗大量的人力物力制作样本。
发明内容
本发明的目的在于提供一种种植地块粮油作物类型分步识别方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种种植地块粮油作物类型分步识别方法，包括如下步骤：
S1、基于高分辨率遥感影像提取耕地地块；
S2、基于生成的时序遥感影像生成波普库；
S3、利用迁移学习进行作物类型提取；
S4、迭代优化模型精度。
优选的，耕地地块矢量与遥感影像底图对应边界的偏差小于0.5米，以明显边界提取出的耕地地块图斑面积与实地地块面积误差小于0.06亩。
优选的，所述基于生成的时序遥感影像生成波普库还包括样本制作以及波谱库生成。
优选的，所述样本制作包括如下步骤：
样本区域选择：在目标区域亚米级遥感影像上，利用选点工具根据目标区域的光学特征绘制样本区域，标记的样本点满足平均分布，空间分布广，跨度大的要求，多时相遥感影像由于获取影像的时空位置不同，需要将每幅遥感影像配准到同一影像坐标系内，使得对应同一地物的不同时刻遥感影像像元坐标一致；
样本区域绘制：在每个样本影像块上，利用样本勾绘工具，对区域的作物类型区域进行绘制，并赋予标签值并保存为矢量；
样本区域生成：样本制作完成后，将矢量转换为栅格图像，并设置和底图(遥感影像)同尺寸，同像元大小，同坐标系，导出并保存；
基于遥感影像提取各波段光谱值为样本：基于样本区域中的每个像元，结合时序影像提取出样本的时序波段值，提取出的时序波段值为训练需要的样本。
优选的，所述波谱库生成包括如下步骤：
根据生成的样本，结合时序影像，使用回归的方式构建波谱库；
将选好的样本基于各个波段按照时间序列排列；
基于提取出的样本，使用回归的方法反演出该类型的各个波段的光谱值在其生长周期内每天的光谱值。
优选的，所述利用迁移学习进行作物类型提取还包括如下步骤：
基于波谱库和目标区域遥感影的时间序列生成纯净样本；
作物类型模型训练。
优选的，所述基于波谱库和目标区域遥感影的时间序列生成纯净样本包括如下步骤：
根据影像采集的日期，对应到某农作物的波谱库日期中取到纯净样本作为训练正样本；
取出非该农作物类型的波谱值作为负样本，根据目标农作物的物候情况，再选取对应样本的前后各15天内的样本，当作正样本，以及其他作物类型的前后各15天内的样本作为负样本添加到训练样本中一起训练；
优选的，所述作物类型模型训练包括如下步骤：
用于作物类型提取的深度学习算法选取LSTM网络，所述LSTM网络模型的输入层为每个样本的SAR VH和VV强度时序特征曲线，输出层为样本作物类型，LSTM网络模型设置4层隐藏层，36个隐藏神经元，将输入的SAR强度特征曲线转化为用于分类的高级特征，设置一个全连接层，用来连接高级特征和作物类型，Softmax层为Softmax激活函数，此函数将多个神经元的输出，映射到(0,1)区间内，0-1之间的值为属于各个作物类型的置信度，选取置信度最高的作为类型所属作物类型。
优选的，所述迭代优化模型精度还包括如下步骤：
1)样本迁移
使用该模型预测目标区域时序遥感影像，并基于每个像素点给出置信度，选择置信度较高的样本作为正样本，置信度较低的样本作为负样本；
2)模型迁移
使用筛选出的样本再训练模型，重复上述作物类型模型训练，使用训练好的模型提取目标区域内的种植类型，并给出分类结果以及置信度；
3)人工筛选样本以及再训练
所述人工筛选样本以及再训练包括如下步骤：
人工检查模型的分类结果：提取误分的区域并制作成样本添加到已提取出的本地样本并训练LSTM神经网络模型；
使用相关工具画出错误分类的区域并给出实际标签再训练：使用LSTM神经网络模型重新分类目标区域内置信度较低的数据，并给出预测结果以及新的置信度；
输出分类结果，重复执行上述步骤直至结果满意；
4)分类结果于地块嵌合
将提取后的结果与地块矢量输入并进行区域统计，并在地块矢量上新建字段进行种植类型赋值。
与现有技术相比，本发明的有益效果是：
1)实现大面积农作物分类：基于不同种类的农作物在不同时相的光谱值不同可以实现地块种农作物的种植类型提取，从而实现地块农作物的类型的分类，传统的地块农作物分类基于同一目标区域的时序影像不同从而区分不同的农作物类型，此方法耗时耗力，并且容易受到不同地域差异的限制，种植结构迁移学习通过构建波谱库，基于目标区域的每一幅影像的时相生成纯净样本，通过训练纯净样本来筛选出目标区域中置信度较高的样本来当作正样本，置信度较低的样本为负样本，通过此筛选样本的方法可以以较高的精度筛选出训练样本。此过程为从波谱库迁移到局部的过程，通过此方法可以消除传统方法的人工选样本耗时耗力的工作以及传统的分类方法受到地域性的限制。
2)清晰反映每个地块的作物类型。
基于耕地地块的作物类型提取，分类结果可以清晰的反映每个耕地地块的作物类型，便于每个地块的管理，并能直观地反映出种植类型的分布。
附图说明
图1为一种种植地块粮油作物类型分步识别方法的结构示意图；
图2为一种种植地块粮油作物类型分步识别方法中波普库制作原理的结构示意图；
图3为一种种植地块粮油作物类型分步识别方法中耕地地块边界矢量的结构示意图；
图4为一种种植地块粮油作物类型分步识别方法中作物分类结果的结构示意图；
图5为一种种植地块粮油作物类型分步识别方法中地块级农作物分类结构的结构示意图；
图6为一种种植地块粮油作物类型分步识别方法中整体工作流程的结构示意图；
图7为一种种植地块粮油作物类型分步识别方法中迁移学习分类流程的结构示意图；
图8为一种种植地块粮油作物类型分步识别方法中LSTM分类流程的结构示意图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步详细地说明。
请参阅图1，一种种植地块粮油作物类型分步识别方法，包括如下步骤：
S1、基于高分辨率遥感影像提取耕地地块；
S2、基于生成的时序遥感影像生成波普库；
S3、利用迁移学习进行作物类型提取；
S4、迭代优化模型精度。
具体的，在本实施例中，将结合光学影像地物边界清晰和迁移学习的优点，弥补传统农作物分类的不足并提出了一种地块级的农作物分类方法，利用高分辨遥感影像生成耕地地块矢量，然后基于时序遥感影像生成波谱库，再利用迁移学习的学习方法，实现大范围的农作物分类，并且在此基础上支持人工修正添加样本以及再训练。
S1、基于高分辨率遥感影像提取耕地地块
具体的，提取耕地地块数据，用于后续地块级农作物分类，耕地地块应边界清晰，耕地地块矢量与遥感影像底图对应边界的偏差小于0.5米，以明显边界提取出的耕地地块图斑面积与实地地块面积误差小于0.06亩。
S2、基于生成的时序遥感影像生成波普库
请参阅图2-8，具体的，所述波谱库存储了多个种类的各个波段的光谱值在时间上以天为单位的光谱值变化情况，因此，在波谱库的制作过程中需要使用回归的方式反演出该类型在其生长周期内每天的光谱值，包括如下步骤：
1)样本制作，所述样本制作包括如下步骤：
样本区域选择：在目标区域亚米级遥感影像上，利用选点工具根据目标区域的光学特征绘制样本区域，标记的样本点满足平均分布，空间分布广，跨度大的要求，多时相遥感影像由于获取影像的时空位置不同，需要将每幅遥感影像配准到同一影像坐标系内，使得对应同一地物的不同时刻遥感影像像元坐标一致；
样本区域绘制：在每个样本影像块上，利用样本勾绘工具，对区域的作物类型区域进行绘制，并赋予标签值并保存为矢量；
样本区域生成：样本制作完成后，将矢量转换为栅格图像，并设置和底图(遥感影像)同尺寸，同像元大小，同坐标系，导出并保存；
基于遥感影像提取各波段光谱值为样本：基于样本区域中的每个像元，结合时序影像提取出样本的时序波段值，提取出的时序波段值为训练需要的样本；
2)波谱库生成：
根据生成的样本，结合时序影像，使用回归的方式构建波谱库；
将选好的样本基于各个波段按照时间序列排列；
基于提取出的样本，使用回归的方法反演出该类型的各个波段的光谱值在其生长周期内每天的光谱值。
S3、利用迁移学习进行作物类型提取
具体的，所述利用迁移学习进行作物类型提取还包括如下步骤：
1)基于波谱库和目标区域遥感影的时间序列生成纯净样本
根据影像采集的日期，对应到某农作物的波谱库日期中取到纯净样本作为训练正样本；
取出非该农作物类型的波谱值作为负样本，根据目标农作物的物候情况，再选取对应样本的前后各15天内的样本，当作正样本，以及其他作物类型的前后各15天内的样本作为负样本添加到训练样本中一起训练；
2)作物类型模型训练
用于作物类型提取的深度学习算法选取LSTM网络，所述LSTM网络模型的输入层为每个样本的SAR VH和VV强度时序特征曲线，输出层为样本作物类型，LSTM网络模型设置4层隐藏层(hidden layer)，36个隐藏神经元，将输入的SAR强度特征曲线转化为用于分类的高级特征，设置一个全连接层(稠密层，dense layer)，用来连接高级特征和作物类型，Softmax层为Softmax激活函数，此函数将多个神经元的输出，映射到(0,1)区间内，0-1之间的值为属于各个作物类型的置信度，选取置信度最高的作为类型所属作物类型。
S4、迭代优化模型精度
具体的，所述迭代优化模型精度还包括如下步骤：
1)样本迁移
使用该模型预测目标区域时序遥感影像，并基于每个像素点给出置信度，选择置信度较高的样本作为正样本，置信度较低的样本作为负样本；
2)模型迁移
使用筛选出的样本再训练模型，重复上述作物类型模型训练，使用训练好的模型提取目标区域内的种植类型，并给出分类结果以及置信度；
3)人工筛选样本以及再训练
所述人工筛选样本以及再训练包括如下步骤：
人工检查模型的分类结果：提取误分的区域并制作成样本添加到已提取出的本地样本并训练LSTM神经网络模型；
使用相关工具画出错误分类的区域并给出实际标签再训练：使用LSTM神经网络模型重新分类目标区域内置信度较低的数据，并给出预测结果以及新的置信度；
输出分类结果，重复执行上述步骤直至结果满意。
4)分类结果于地块嵌合
将提取后的结果与地块矢量输入并进行区域统计，并在地块矢量上新建字段进行种植类型赋值。
上面对本发明的较佳实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (9)

1.一种种植地块粮油作物类型分步识别方法，其特征在于，包括如下步骤：
S1、基于高分辨率遥感影像提取耕地地块；
S2、基于生成的时序遥感影像生成波普库；
S3、利用迁移学习进行作物类型提取；
S4、迭代优化模型精度。
2.根据权利要求1所述的一种种植地块粮油作物类型分步识别方法，其特征在于，耕地地块矢量与遥感影像底图对应边界的偏差小于0.5米，以明显边界提取出的耕地地块图斑面积与实地地块面积误差小于0.06亩。
3.根据权利要求1或2所述的一种种植地块粮油作物类型分步识别方法，其特征在于，所述基于生成的时序遥感影像生成波普库还包括样本制作以及波谱库生成。
4.根据权利要求3所述的一种种植地块粮油作物类型分步识别方法，其特征在于，所述样本制作包括如下步骤：
样本区域选择：在目标区域亚米级遥感影像上，利用选点工具根据目标区域的光学特征绘制样本区域，标记的样本点满足平均分布，空间分布广，跨度大的要求，多时相遥感影像由于获取影像的时空位置不同，需要将每幅遥感影像配准到同一影像坐标系内，使得对应同一地物的不同时刻遥感影像像元坐标一致；
样本区域绘制：在每个样本影像块上，利用样本勾绘工具，对区域的作物类型区域进行绘制，并赋予标签值并保存为矢量；
样本区域生成：样本制作完成后，将矢量转换为栅格图像，并设置和底图(遥感影像)同尺寸，同像元大小，同坐标系，导出并保存；
基于遥感影像提取各波段光谱值为样本：基于样本区域中的每个像元，结合时序影像提取出样本的时序波段值，提取出的时序波段值为训练需要的样本。
5.根据权利要求4所述的一种种植地块粮油作物类型分步识别方法，其特征在于，所述波谱库生成包括如下步骤：
根据生成的样本，结合时序影像，使用回归的方式构建波谱库；
将选好的样本基于各个波段按照时间序列排列；
基于提取出的样本，使用回归的方法反演出该类型的各个波段的光谱值在其生长周期内每天的光谱值。
6.根据权利要求5所述的一种种植地块粮油作物类型分步识别方法，其特征在于，
所述利用迁移学习进行作物类型提取还包括如下步骤：
基于波谱库和目标区域遥感影的时间序列生成纯净样本；
作物类型模型训练。
7.根据权利要求6所述的一种种植地块粮油作物类型分步识别方法，其特征在于，所述基于波谱库和目标区域遥感影的时间序列生成纯净样本包括如下步骤：
根据影像采集的日期，对应到某农作物的波谱库日期中取到纯净样本作为训练正样本；
取出非该农作物类型的波谱值作为负样本，根据目标农作物的物候情况，再选取对应样本的前后各15天内的样本，当作正样本，以及其他作物类型的前后各15天内的样本作为负样本添加到训练样本中一起训练。
8.根据权利要求7所述的一种种植地块粮油作物类型分步识别方法，其特征在于，所述作物类型模型训练包括如下步骤：
用于作物类型提取的深度学习算法选取LSTM网络，所述LSTM网络模型的输入层为每个样本的SAR VH和VV强度时序特征曲线，输出层为样本作物类型，LSTM网络模型设置4层隐藏层，36个隐藏神经元，将输入的SAR强度特征曲线转化为用于分类的高级特征，设置一个全连接层，用来连接高级特征和作物类型，Softmax层为Softmax激活函数，此函数将多个神经元的输出，映射到(0,1)区间内，0-1之间的值为属于各个作物类型的置信度，选取置信度最高的作为类型所属作物类型。
9.根据权利要求8所述的一种种植地块粮油作物类型分步识别方法，其特征在于，所述迭代优化模型精度还包括如下步骤：
1)样本迁移
使用该模型预测目标区域时序遥感影像，并基于每个像素点给出置信度，选择置信度较高的样本作为正样本，置信度较低的样本作为负样本；
2)模型迁移
使用筛选出的样本再训练模型，重复上述作物类型模型训练，使用训练好的模型提取目标区域内的种植类型，并给出分类结果以及置信度；
3)人工筛选样本以及再训练
所述人工筛选样本以及再训练包括如下步骤：
人工检查模型的分类结果：提取误分的区域并制作成样本添加到已提取出的本地样本并训练LSTM神经网络模型；
使用相关工具画出错误分类的区域并给出实际标签再训练：使用LSTM神经网络模型重新分类目标区域内置信度较低的数据，并给出预测结果以及新的置信度；
输出分类结果，重复执行上述步骤直至结果满意；
4)分类结果于地块嵌合
将提取后的结果与地块矢量输入并进行区域统计，并在地块矢量上新建字段进行种植类型赋值。
CN202111039233.9A 2021-09-06 2021-09-06 一种种植地块粮油作物类型分步识别方法 Pending CN113807219A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111039233.9A CN113807219A (zh) 2021-09-06 2021-09-06 一种种植地块粮油作物类型分步识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111039233.9A CN113807219A (zh) 2021-09-06 2021-09-06 一种种植地块粮油作物类型分步识别方法

Publications (1)

Publication Number Publication Date
CN113807219A true CN113807219A (zh) 2021-12-17

Family

ID=78894735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111039233.9A Pending CN113807219A (zh) 2021-09-06 2021-09-06 一种种植地块粮油作物类型分步识别方法

Country Status (1)

Country Link
CN (1) CN113807219A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114201692A (zh) * 2022-02-18 2022-03-18 清华大学 作物类型样本的采集方法及装置
CN114332570A (zh) * 2022-03-17 2022-04-12 北京艾尔思时代科技有限公司 基于cdl深度学习进行作物迁移分类的方法和系统
CN115410053A (zh) * 2022-07-05 2022-11-29 中国科学院地理科学与资源研究所 一种基于随机森林模型和迁移学习cdl知识的作物识别方法
CN116645618A (zh) * 2023-06-05 2023-08-25 广东省农业科学院设施农业研究所 农业数据处理方法、系统和存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894270A (zh) * 2010-07-26 2010-11-24 中国科学院遥感应用研究所 面向遥感影像分类的样本自动选取方法
CN102222238A (zh) * 2011-05-17 2011-10-19 中国科学院遥感应用研究所 一种高空间分辨率遥感影像自然色产品自动模拟方法
CN103679131A (zh) * 2013-01-23 2014-03-26 福州大学 基于时序遥感影像的多季农作物自动识别方法
CN109840553A (zh) * 2019-01-17 2019-06-04 苏州中科天启遥感科技有限公司 耕地作物类型的提取方法及系统、存储介质、电子设备
CN110399819A (zh) * 2019-07-15 2019-11-01 北京洛斯达数字遥感技术有限公司 一种基于深度学习的遥感影像居民区自动提取方法
CN110751035A (zh) * 2019-09-16 2020-02-04 中国农业大学 一种制种玉米的识别方法及装置
CN111899249A (zh) * 2020-08-05 2020-11-06 吉林大学 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法
CN112036084A (zh) * 2020-08-28 2020-12-04 北京航空航天大学 一种相似产品寿命迁移筛选方法和系统
CN112347888A (zh) * 2020-10-29 2021-02-09 河海大学 基于双向特征迭代融合的遥感图像场景分类方法
CN112686086A (zh) * 2019-10-19 2021-04-20 中国科学院空天信息创新研究院 一种基于光学-sar协同响应的作物分类方法
CN112800827A (zh) * 2020-12-16 2021-05-14 刘富堂 高光谱图像分类实验方法
CN112906756A (zh) * 2021-01-28 2021-06-04 昆山则立诚智能设备有限公司 一种跨通道数量迁移学习的高图像分类方法及系统
CN113033279A (zh) * 2020-12-10 2021-06-25 四川航天神坤科技有限公司 一种基于多源遥感影像的作物精细分类方法及其系统
CN113033453A (zh) * 2021-04-06 2021-06-25 北京艾尔思时代科技有限公司 一种适用于景观破碎区作物类型遥感识别的方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894270A (zh) * 2010-07-26 2010-11-24 中国科学院遥感应用研究所 面向遥感影像分类的样本自动选取方法
CN102222238A (zh) * 2011-05-17 2011-10-19 中国科学院遥感应用研究所 一种高空间分辨率遥感影像自然色产品自动模拟方法
CN103679131A (zh) * 2013-01-23 2014-03-26 福州大学 基于时序遥感影像的多季农作物自动识别方法
CN109840553A (zh) * 2019-01-17 2019-06-04 苏州中科天启遥感科技有限公司 耕地作物类型的提取方法及系统、存储介质、电子设备
CN110399819A (zh) * 2019-07-15 2019-11-01 北京洛斯达数字遥感技术有限公司 一种基于深度学习的遥感影像居民区自动提取方法
CN110751035A (zh) * 2019-09-16 2020-02-04 中国农业大学 一种制种玉米的识别方法及装置
CN112686086A (zh) * 2019-10-19 2021-04-20 中国科学院空天信息创新研究院 一种基于光学-sar协同响应的作物分类方法
CN111899249A (zh) * 2020-08-05 2020-11-06 吉林大学 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法
CN112036084A (zh) * 2020-08-28 2020-12-04 北京航空航天大学 一种相似产品寿命迁移筛选方法和系统
CN112347888A (zh) * 2020-10-29 2021-02-09 河海大学 基于双向特征迭代融合的遥感图像场景分类方法
CN113033279A (zh) * 2020-12-10 2021-06-25 四川航天神坤科技有限公司 一种基于多源遥感影像的作物精细分类方法及其系统
CN112800827A (zh) * 2020-12-16 2021-05-14 刘富堂 高光谱图像分类实验方法
CN112906756A (zh) * 2021-01-28 2021-06-04 昆山则立诚智能设备有限公司 一种跨通道数量迁移学习的高图像分类方法及系统
CN113033453A (zh) * 2021-04-06 2021-06-25 北京艾尔思时代科技有限公司 一种适用于景观破碎区作物类型遥感识别的方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114201692A (zh) * 2022-02-18 2022-03-18 清华大学 作物类型样本的采集方法及装置
CN114201692B (zh) * 2022-02-18 2022-05-20 清华大学 作物类型样本的采集方法及装置
CN114332570A (zh) * 2022-03-17 2022-04-12 北京艾尔思时代科技有限公司 基于cdl深度学习进行作物迁移分类的方法和系统
CN115410053A (zh) * 2022-07-05 2022-11-29 中国科学院地理科学与资源研究所 一种基于随机森林模型和迁移学习cdl知识的作物识别方法
CN115410053B (zh) * 2022-07-05 2024-03-12 中国科学院地理科学与资源研究所 一种基于随机森林模型和迁移学习cdl知识的作物识别方法
CN116645618A (zh) * 2023-06-05 2023-08-25 广东省农业科学院设施农业研究所 农业数据处理方法、系统和存储介质
CN116645618B (zh) * 2023-06-05 2023-12-08 广东省农业科学院设施农业研究所 农业数据处理方法、系统和存储介质

Similar Documents

Publication Publication Date Title
CN113807219A (zh) 一种种植地块粮油作物类型分步识别方法
CN109902885B (zh) 基于深度学习混合cnn-lstm模型的台风预测方法
CN110751094B (zh) 一种基于gee综合遥感影像和深度学习方法的作物估产方法
Sharma et al. Wheat crop yield prediction using deep LSTM model
WO2021068176A1 (zh) 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
CN111898503B (zh) 基于云覆盖遥感影像和深度学习的作物识别方法和系统
CN112749627A (zh) 一种基于多源遥感影像的烟草动态监测的方法和装置
CN115481368B (zh) 一种基于全遥感机器学习的植被覆盖度估算方法
CN113205014B (zh) 一种基于图像锐化的时序数据耕地提取方法
CN114529097B (zh) 多尺度农作物物候期遥感降维预测方法
CN116227758B (zh) 基于遥感技术和深度学习的农产品成熟度预测方法及系统
CN116580318A (zh) 作物覆盖区域的土壤养分反演方法、装置、设备及介质
CN110647932B (zh) 一种种植作物结构遥感影像分类方法及装置
CN116206210A (zh) 一种基于NAS-Swin的遥感影像农业大棚提取方法
CN116863341A (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
Sharma et al. Crop yield prediction using hybrid deep learning algorithm for smart agriculture
WO2023131949A1 (en) A versatile crop yield estimator
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
Yogapriya et al. Crop Yield Identification Using CNN
CN112288694B (zh) 基于掩膜区域卷积神经网络的变电设备缺陷识别的方法
Arunarani et al. Crop yield prediction using spatio temporal CNN and multimodal remote sensing
CN112784477A (zh) 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法
CN111737876A (zh) 一种具有时空分布特征的茶叶开采期及采摘时长预测方法
Choudhary et al. A brief overview of satellite imagery for yield estimation in agroecosystem
Skobalski et al. Bridging the gap between crop breeding and GeoAI: Soybean yield prediction from multispectral UAV images with transfer learning

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