CN114005039A - 基于遥感图像的农作物长势评估方法、装置及电子设备 - Google Patents
基于遥感图像的农作物长势评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114005039A CN114005039A CN202111651543.6A CN202111651543A CN114005039A CN 114005039 A CN114005039 A CN 114005039A CN 202111651543 A CN202111651543 A CN 202111651543A CN 114005039 A CN114005039 A CN 114005039A
- Authority
- CN
- China
- Prior art keywords
- normalized vegetation
- vegetation index
- remote sensing
- crop
- sensing image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 159
- 238000012545 processing Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 16
- 230000006866 deterioration Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本申请提供一种基于遥感图像的农作物长势评估方法、装置及电子设备。该评估方法包括：获取评估年份对应的归一化植被指数；将所述归一化植被指数输入预设的差异指数模型中，获得所述差异指数模型输出的农作物长势对比数据；所述差异指数模型用于表征：待评估归一化植被指数、多个历史评估年份对应的平均归一化植被指数、所述多个历史评估年份对应的归一化植被指数极大值和所述多个历史评估年份对应的归一化植被指数极小值之间的关系；基于所述输出的农作物长势对比数据确定所述评估年份的农作物评估结果；所述农作物评估结果用于表征农作物的长势和产量。该评估方法用以满足大面积快速评估农作物长势的同时提高农作物长势和产量的监测精度。
Description
技术领域
本申请涉及农业遥感监测技术领域，具体而言，涉及一种基于遥感图像的农作物长势评估方法、装置及电子设备。
背景技术
目前农业遥感的研究重点在于农作物产量估算，即监测作物生长预测趋势，作物长势监测能够为早期估产提供依据，以实现更精细的农业研究。
现有的农作物长势的监测方法，虽然可以实现农作物长势的监测，但是不能很好地满足大面积快速评估农作物长势的同时，提高监测精度以降低估产误差。
发明内容
本申请实施例的目的在于提供一种基于遥感图像的农作物长势评估方法、装置及电子设备，用以满足大面积快速评估农作物长势的同时提高农作物长势和产量的监测精度。
第一方面，本申请实施例提供一种基于遥感图像的农作物长势评估方法，包括：获取评估年份对应的归一化植被指数；将所述归一化植被指数输入预设的差异指数模型中，获得所述差异指数模型输出的农作物长势对比数据；所述差异指数模型用于表征：待评估归一化植被指数、多个历史评估年份对应的平均归一化植被指数、所述多个历史评估年份对应的归一化植被指数极大值和所述多个历史评估年份对应的归一化植被指数极小值之间的关系；基于所述输出的农作物长势对比数据确定所述评估年份的农作物评估结果；所述农作物评估结果用于表征农作物的长势和产量。
在本申请实施例中，利用预设的差异指数模型来确定用于农作物的长势和产量的农作物评估结果，差异指数模型用于表征待评估归一化植被指数、多个历史评估年份对应的平均归一化植被指数、多个历史评估年份对应的归一化植被指数极大值和多个历史评估年份对应的归一化植被指数极小值之间的关系。从差异指数模型的表征可以看出，本申请实施例利用往年的农作物数据，结合当前待评估的农作物数据，确定农作物长势对比数据，能够实现当前年份的农作物与多年同时期的农作物的对比。因而基于该对比数据所确定的评估结果的精确度较高，在很好地满足大面积快速评估农作物长势的同时提高农作物长势和产量的监测精度，对于长势不好的作物能够起到及时反馈的效果；利用该差异指数模型评估农作物的长势和产量不需要大量的时序影像，减少了工作量，通过客观数据改善比较问题，找极值的方式改善多年之间难以分等定级的问题，既可以拉伸植被长势差距，又可以降低作为估产的重要指标的误差，使年估产数据更可靠。
作为一种可能的实现方式，所述评估方法还包括：获取多个历史评估年份分别对应的归一化植被指数；基于所述多个历史评估年份分别对应的归一化植被指数，确定所述多个历史评估年份对应的平均归一化植被指数，所述平均归一化植被指数表示为：
；
基于所述多个历史评估年份分别对应的归一化植被指数，构建所述多个历史评估年份对应的归一化植被指数函数 ；基于所述归一化植被指数函数，确定所述归一化植被指数极大值和所述归一化植被指数极小值；
基于所述平均归一化植被指数、所述归一化植被指数极大值、所述归一化植被指数极小值构建所述差异指数模型；其中，
代表所述平均归一化植被指数，
代表多年NDVI的总和，n代表年数，i代表第几年。
在本申请实施例中，通过获取多个历史评估年份分别对应的归一化植被指数，并基于该归一化植被指数分别确定平均归一化植被指数、归一化植被指数极大值、归一化植被指数极小值这三个数据，最终基于这三个数据实现差异指数模型的有效构建。
作为一种可能的实现方式，所述获取多个历史评估年份分别对应的归一化植被指数，包括：针对多个历史评估年份中的每一历史评估年份，获取该历史评估年份的多光谱遥感影像数据；对所述多光谱遥感影像数据进行预处理，获得预处理后的多光谱遥感影像数据；所述预处理后的多光谱遥感影像数据中去除传感器和大气吸收、散射的误差干扰；从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；根据农作物种植区矢量范围内对应的多光谱遥感影像数据，确定该历史评估年份的归一化植被指数。
在本申请实施例中，通过获取各个历史评估年份的多光谱遥感影像数据，以及对多光谱遥感影像数据作一系列的处理，最终确定各个历史评估年份的归一化植被指数，实现归一化植被指数的有效确定。
作为一种可能的实现方式，所述对所述多光谱遥感影像数据进行预处理，获得预处理后的多光谱遥感影像数据，包括：对所述多光谱遥感影像数据进行辐射定标处理，以及对所述多光谱遥感影像数据进行大气校正处理，获得预处理后的多光谱遥感影像数据。
在本申请实施例中，通过对多光谱遥感影像数据进行辐射定标处理和大气校正处理，可去除数据中的传感器和大气吸收、散射的误差干扰，提高最终确定的归一化植被指数的准确性。
作为一种可能的实现方式，所述从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据，包括：根据农作物的预设光谱特征，从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；或者，根据预设的种植区坐标范围，从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据。
在本申请实施例中，通过预设光谱特征或者预设的种植区坐标范围，实现农作物种植区矢量范围对应的多光谱遥感影像数据的有效获取。
作为一种可能的实现方式，所述差异指数模型表示为：V=(NDVI-
)/(NDVImax-NDVImin)；其中，V代表所述农作物长势对比数据，NDVI代表所述待评估归一化植被指数，
代表所述平均归一化植被指数，NDVImax代表所述归一化植被指数极大值，NDVImin代表所述归一化植被指数极小值。
在本申请实施例中，通过上述的差异指数模型，实现农作物长势对比数据的有效且准确的确定。
作为一种可能的实现方式，V的取值范围为-1~1；所述基于所述输出的农作物长势对比数据确定所述评估年份的农作物评估结果，包括：根据所述V的取值以及所述预设的不同的V值分别对应的长势确定所述评估年份的农作物评估结果。
在本申请实施例中，通过预设的不同的V值分别对应的长势和实际的V值，可实现农作物评估结果的有效且精准的确定。
作为一种可能的实现方式，所述预设的不同的V值分别对应的长势，包括：V值为-1~0.4为长势退化、V值为-0.4~-0.3为长势较差、V值为-0.3~-0.2为长势略差、V值为-0.2~-0为长势缓慢、V值为0~0.2为长势略好、V值为0.2~0.3为长势较好、V值为0.3~1为长势出众。
在本申请实施例中，通过上述的V值和长势的对应关系，实现农作物长势的有效且精准的确定。
第二方面，本申请实施例提供一种基于遥感图像的农作物长势评估装置，包括：用于实现第一方面以及第一方面的任意一种可能的实现方式中所述的基于遥感图像的农作物长势评估方法的各个功能模块。
第三方面，本申请实施例提供一种电子设备，包括：处理器；和与所述处理器通信连接的存储器；所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够执行第一方面以及第一方面的任意一种可能的实现方式中所述的农作物长势评估方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时，执行如第一方面以及第一方面的任意一种可能的实现方式中所述的基于遥感图像的农作物长势评估方法。
本申请的差异指数模型可以实现当年农作物对于多年同时期的长势精细差距问题，降低年产评估误差，使年估产更可靠。同时若作物长势相对较差可及时反馈，起到及时监测管理作用，差异指数模型将农作物的普遍长势间距拉大，有效的解决了多年同期长势监测和评估产量精细问题。
该方法可使科研人员可在精细差异分析的基础上对年产做评估研究；可对农作物作定期精细监测，该方法对长势监测效果较明显，对于长势不好的作物能够起到及时反馈效果；该方法不需要大量的时序影像，在减少工作量的同时增加差异效率，有利于分等定级展示说明。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的某些实施例，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为本申请实施例提供的基于遥感图像的农作物长势评估方法的流程图；
图2为本申请实施例提供的基于遥感图像的农作物长势评估装置的结构示意图；
图3为本申请实施例提供的电子设备的结构示意图。
图标：200-农作物长势评估装置；210-获取模块；220-处理模块；300-电子设备；310-处理器；320-存储器。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
本申请实施例提供的技术方案可应用于需要对农作物的长势以及产量等进行监测的应用场景中，例如：种植行业中，对种植的农作物的长势以及产量进行评估；再例如：种植研究行业中，将农作物的长势以及产量的检测结果，作为农作物研究的数据基础等。
在上述的应用场景中，农作物的监测主要基于多光谱遥感影像数据实现。以及，用于反映农作物的长势以及产量的数据为基于归一化植被指数的长势对比数据。
归一化植被指数是反映农作物长势和营养信息的重要参数之一，根据该参数，可以知道不同季节的农作物对氮的需求量, 对合理施用氮肥具有重要的指导作用。归一化植被指数是遥感影像中近红外波段的反射值与红光波段的反射值之差与两者之和的比值。需要理解，在农作物的监测中，该归一化植被指数通常不是指的一个数值，而是基于多光谱遥感影像的多个数值。
基于上述应用场景的介绍，本申请实施例所提供的技术方案的硬件运行环境可以是农作物的监测系统，该监测系统可以是终端设备的形式，也可以是前端+服务器的形式，其中，前端可以是浏览器或者客户端，在本申请实施例中不作限定。
接下来请参照图1，为本申请实施例提供的基于遥感图像的农作物长势评估方法，包括：
步骤110：获取评估年份对应的归一化植被指数。
步骤120：将归一化植被指数输入预设的差异指数模型中，获得差异指数模型输出的农作物长势对比数据。差异指数模型用于表征：待评估归一化植被指数、多个历史评估年份对应的平均归一化植被指数、多个历史评估年份对应的归一化植被指数极大值和多个历史评估年份对应的归一化植被指数极小值之间的关系。
步骤130：基于输出的农作物长势对比数据确定评估年份的农作物评估结果。农作物评估结果用于表征农作物的长势和产量。
在本申请实施例中，利用预设的差异指数模型来确定用于农作物的长势和产量的农作物评估结果，差异指数模型用于表征待评估归一化植被指数、多个历史评估年份对应的平均归一化植被指数、多个历史评估年份对应的归一化植被指数极大值和多个历史评估年份对应的归一化植被指数极小值之间的关系。从差异指数模型的表征可以看出，本申请实施例利用往年的农作物数据，结合当前待评估的农作物数据，确定农作物长势对比数据，能够实现当前年份的农作物与多年同时期的农作物的对比。因而基于该对比数据所确定的评估结果的精确度较高，在很好地满足大面积快速评估农作物长势的同时提高农作物长势和产量的监测精度，对于长势不好的作物能够起到及时反馈的效果；利用该差异指数模型评估农作物的长势和产量不需要大量的时序影像，减少了工作量，通过客观数据改善比较问题，找极值的方式改善多年之间难以分等定级的问题，既可以拉伸植被长势差距，又可以降低作为估产的重要指标的误差，使年估产数据更可靠。
接下来对该评估方法的详细实施方式进行介绍。
在步骤110中，获取评估年份对应的归一化植被指数，其中，评估年份可以是当年，也可以是需要进行评估的其他年份，在此不作限定。
作为一种可选的实施方式，步骤110包括：获取评估年份的多光谱遥感影像数据；对多光谱遥感影像数据进行预处理，获得预处理后的多光谱遥感影像数据；预处理后的多光谱遥感影像数据中去除传感器和大气吸收、散射的误差干扰；从预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；根据农作物种植区矢量范围内对应的多光谱遥感影像数据，确定该评估年份的归一化植被指数。
可以理解，多光谱遥感影像数据为农作物的遥感影像数据，可采用本领域成熟的遥感影像数据获取技术实现获取，在本申请实施例中不作详细介绍。
作为一种可选的实施方式，对多光谱遥感影像数据进行预处理包括：对多光谱遥感影像数据进行辐射定标处理，和/或进行大气校正处理。
其中，对多光谱遥感影像数据进行辐射定标处理，可去除影像数据中的传感器误差干扰；对多光谱遥感影像数据进行大气校正处理，可去除大气的误差干扰。在实际应用中，可根据应用场景中存在的误差干扰情况合理选择两种预处理方式，当然，如果两种预处理都实施，效果更佳。
作为一种可选的实施方式，大气校正处理可以是FLAASH大气校正。当然，也可以采用其他大气校正方式，在此不作限定。
此外，辐射定标处理，可以采用本领域成熟的辐射定标技术，在此不作详细介绍。
作为一种可选的实施方式，获取农作物种植区矢量范围对应的多光谱遥感影像数据，包括：根据农作物的预设光谱特征，从预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；或者，根据预设的种植区坐标范围，从预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据。
在这种实施方式中，可以采用两种方式获取农作物种植区矢量范围对应的多光谱遥感影像数据。
其中，预设光谱特征，可以是农作物特有的光谱特征，在实际应用时，可结合具体的应用场景（如具体的农作物）进行预设，在此不作具体介绍。
以及，预设的种植区矢量范围，可以是规定的农作物种植范围，在实际应用时，可以结合具体的应用场景（如具体的农作物种植区域）进行预设，在此不作具体介绍。
在获取到农作物种植区矢量范围对应的多光谱遥感影像数据之后，可以采用预设的归一化植被指数计算公式确定该评估年份的归一化植被指数。
作为一种可选的实施方式，归一化植被指数的计算公式为：NDVI=(NIR-R)/(NIR+R)；
其中，NDVI为归一化植被指数，NIR为红外波段的反射值、R为红光波段的反射值；NDVI取值范围在-1到1之间，NDVI值越高，表明农作物生长状况越好。
结合前述实施例中的介绍，此处的归一化植被指数基于遥感影像数据计算，遥感影像数据中包括多个数据点，因此，最终计算出的归一化植被指数应当是遥感影像数据对应的多个数值，而不是一个数值。
在步骤110中获取到评估年份对应的归一化指标指数之后，在步骤120中，将归一化植被指数输入预设的差异指数模型中，获得差异指数模型输出的农作物长势对比数据。
差异指数模型用于表征：待评估归一化植被指数、多个历史评估年份对应的平均归一化植被指数、多个历史评估年份对应的归一化植被指数极大值和多个历史评估年份对应的归一化植被指数极小值之间的关系。
其中，评估年份对应的归一化指标指数即为待评估归一化植被指数。多个历史评估年份可以是评估年份之前的前N个年份，并且，这前N个年份的农作物评估时期与当前评估年份同期，例如：前N个年份都是7月份对农作物进行评估，则当前评估年份也是7月份对农作物进行评估。
在本申请实施例中，N可以为大于2的整数，在此不作限定。
为了便于理解本申请实施例的技术方案，接下来对差异指数模型的构建过程进行介绍。
作为一种可选的实施方式，差异指数模型的构建过程包括：获取多个历史评估年份分别对应的归一化植被指数；基于多个历史评估年份分别对应的归一化植被指数，确定多个历史评估年份对应的平均归一化植被指数；基于多个历史评估年份分别对应的归一化植被指数，确定多个历史评估年份对应的归一化植被指数极大值和多个历史评估年份对应的归一化植被指数极小值；基于平均归一化植被指数、归一化植被指数极大值、归一化植被指数极小值构建差异指数模型。
作为一种可选的实施方式，获取多个历史评估年份分别对应的归一化植被指数，包括：针对多个历史评估年份中的每一历史评估年份，获取该历史评估年份的多光谱遥感影像数据；对多光谱遥感影像数据进行预处理，获得预处理后的多光谱遥感影像数据；预处理后的多光谱遥感影像数据中去除传感器和大气的误差干扰；从预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；根据农作物种植区矢量范围对应的多光谱遥感影像数据，确定该历史评估年份的归一化植被指数。
在这种实施方式中，基于各个历史评估年份同期的多光谱遥感影像数据，分别确定对应的归一化植被指数，可以理解，评估年份的多光谱遥感影像数据也与这多个历史年份的多光谱遥感影像数据同期。
在本申请实施例中，通过获取各个历史评估年份的多光谱遥感影像数据，以及对多光谱遥感影像数据作一系列的处理，最终确定各个历史评估年份的归一化植被指数，实现归一化植被指数的有效确定。
作为一种可选的实施方式，对多光谱遥感影像数据进行预处理，获得预处理后的多光谱遥感影像数据，包括：对多光谱遥感影像数据进行辐射定标处理，以及对多光谱遥感影像数据进行大气校正处理，获得预处理后的多光谱遥感影像数据。
其中，辐射定标处理以及大气校正处理的实施方式，参照前述实施例，在此不再重复介绍。
在本申请实施例中，通过对多光谱遥感影像数据进行辐射定标处理和大气校正处理，可去除数据中的传感器和大气的误差干扰，提高最终确定的归一化植被指数的准确性。
作为一种可选的实施方式，从预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据，包括：根据农作物的预设光谱特征，从预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；或者，根据预设的种植区坐标范围，从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据。
其中，预设光谱特征，以及预设的种植区坐标范围的实施方式，参照前述实施例，在此不再重复介绍。
在本申请实施例中，通过预设光谱特征或者预设的种植区坐标范围，实现农作物种植区矢量范围对应的多光谱遥感影像数据的有效获取。
基于多个历史评估年份分别对应的归一化植被指数，可确定平均归一化植被指数，这里的平均归一化植被指数可以是多个归一化植被指数的算术平均值。
作为一种可选的实施方式，基于所述多个历史评估年份分别对应的归一化植被指数，确定多个历史评估年份对应的平均归一化植被指数，平均归一化植被指数表示为：
。
其中，
代表平均归一化植被指数，
代表多年NDVI的总和，n代表年数，i代表第几年。
作为一种可选的实施方式，归一化植被指数极大值可以是多个历史评估年份分别对应的归一化植被指数中的最大值，归一化植被指数极小值可以是多个历史评估年份分别对应的归一化植被指数中的最小值。
作为另一种可选的实施方式，确定多个历史评估年份对应的归一化植被指数极大值和多个历史评估年份对应的归一化植被指数极小值，包括：基于多个历史评估年份分别对应的归一化植被指数，构建多个历史评估年份对应的归一化植被指数函数；基于归一化植被指数函数，确定归一化植被指数极大值和归一化植被指数极小值。
在这种实施方式中，基于多个归一化植被指数值和多个历史评估年份，可构建对应的指数函数。基于指数函数，可实现极大值和极小值的确定，进而实现归一化植被指数极大值和归一化植被指数极小值的确定。
在本申请实施例中，通过构建归一化植被指数函数，可实现归一化植被指数极大值和极小值的有效且准确的确定。
在确定平均归一化植被指数、归一化植被指数极大值以及归一化植被指数极小值之后，便可基于这三个数据构建差异指数模型。
作为一种可选的实施方式，差异指数模型表示为：V=(NDVI-
)/(NDVImax-NDVImin)；其中，V代表农作物长势对比数据，NDVI代表待评估归一化植被指数，
代表平均归一化植被指数，NDVImax代表归一化植被指数极大值，NDVImin代表归一化植被指数极小值；V的取值范围为-1~1。
在本申请实施例中，通过上述的差异指数模型，实现农作物长势对比数据的有效且准确的确定。
在本申请实施例中，通过获取多个历史评估年份分别对应的归一化植被指数，并基于该归一化植被指数分别确定平均归一化植被指数、归一化植被指数极大值、归一化植被指数极小值这三个数据，最终基于这三个数据实现差异指数模型的有效构建。
结合上述的差异指数模型的构建可以看出，在差异指数模型中，平均归一化植被指数、归一化植被指数极大值、归一化植被指数极小值三个数据为已知数据，因此，在步骤120中，只需要将评估年份的归一化植被指数作为待评估年份的归一化植被指数，结合三个已知量，便可确定出农作物长势对比数据（即上述的V）。
此外，可以理解的是，由于归一化植被指数是多个数据，最终确定的V也是多个数据，这多个数据最终还是以遥感影像数据的形式来体现，因此，可将其称为农作物长势对比数据。也即，农作物长势对比数据的数据形式为遥感影像数据，相较于最初的遥感影像数据，该遥感影像数据具有对比效果。
在步骤120中确定出农作物长势对比数据之后，在步骤130中，基于农作物长势对比数据，便可确定评估年份的农作物评估结果。
作为一种可选的实施方式，步骤130包括：将农作物长势对比数据输出；接收用户基于农作物长势对比数据输入的农作物评估结果。
在这种实施方式中，将农作物长势对比数据反馈给用户，由用户进行农作物评估结果的确定。
作为另一种可选的实施方式，步骤130包括：基于预设的农作物评估结果的判定规则，对农作物长势对比数据进行判定，以确定农作物评估结果。
在这种实施方式中，在监测系统中预设一些判定规则，例如：对比数据的不同数据范围，对应不同的长势和产量的评估结果。利用这些判定规则，便可确定出农作物评估结果。其中，预设的判定规则，可结合具体的应用场景进行预设，在此不作限定。
作为又一种可选的实施方式，步骤130包括：根据V的取值以及预设的不同的V值分别对应的长势确定评估年份的农作物评估结果。
在这种实施方式中，预设不同的V值分别对应的长势，例如：将V分为多个等级，不同等级的V值对应不同的长势评估结果。
在本申请实施例中，通过预设的不同的V值分别对应的长势和实际的V值，可实现农作物评估结果的有效且精准的确定。
结合前述实施例中关于V值的介绍，作为一种可选的实施方式，预设的不同的V值分别对应的长势，包括：V值为-1~0.4为长势退化、V值为-0.4~-0.3为长势较差、V值为-0.3~-0.2为长势略差、V值为-0.2~-0为长势缓慢、V值为0~0.2为长势略好、V值为0.2~0.3为长势较好、V值为0.3~1为长势出众。
在这种实施方式中，当V的值位于不同的区间内时，对应的长势不相同。
进一步的，基于V值确定农作物的产量，也可按照相同的实施方式，设置不同的V值分级，和对应的产量，以实现基于实际的V值确定农作物产量。
在本申请实施例中，通过上述的V值和长势的对应关系，实现农作物长势的有效且精准的确定。
不管采用哪种实施方式，在本申请实施例中，农作物评估结果中可以包括：农作物长势评估结果，和产量评估结果，以及更多的评估结果。
这些评估结果的形式，可以是评估值的形式，也可以是评估等级的形式在本申请实施例中不作限定。
在步骤130中获得农作物评估结果之后，还可以将农作物评估结果输出，输出对象可以是监测系统端的用户，也可以是与监测系统端通信连接的终端，或者其他需要农作物评估结果的输出对象，在此不作限定。
此外，在步骤130中获得农作物评估结果之后，还可以将农作物评估结果与评估年份对应存储，以便于后续的应用过程中，对存储的数据进行应用。
基于同一发明构思，请参照图2，本申请实施例中还提供一种农作物长势评估装置200，包括：获取模块210和处理模块220。
获取模块210用于：获取评估年份对应的归一化植被指数。处理模块220用于：将所述归一化植被指数输入预设的差异指数模型中，获得所述差异指数模型输出的农作物长势对比数据；所述差异指数模型用于表征：待评估归一化植被指数、多个历史评估年份对应的平均归一化植被指数、所述多个历史评估年份对应的归一化植被指数极大值和所述多个历史评估年份对应的归一化植被指数极小值之间的关系；基于所述输出的农作物长势对比数据确定所述评估年份的农作物评估结果；所述农作物评估结果用于表征农作物的长势和产量。
在本申请实施例中，获取模块210还用于：获取多个历史评估年份分别对应的归一化植被指数。处理模块220还用于：基于所述多个历史评估年份分别对应的归一化植被指数，确定所述多个历史评估年份对应的平均归一化植被指数；所述平均归一化植被指数表示为：
；基于所述多个历史评估年份分别对应的归一化植被指数，构建所述多个历史评估年份对应的归一化植被指数函数 ；基于所述归一化植被指数函数，确定所述归一化植被指数极大值和所述归一化植被指数极小值；基于所述平均归一化植被指数、所述归一化植被指数极大值、所述归一化植被指数极小值构建所述差异指数模型；其中，
代表所述平均归一化植被指数，
代表多年NDVI的总和，n代表年数，i代表第几年。
在本申请实施例中，获取模块210具体用于：针对多个历史评估年份中的每一历史评估年份，获取该历史评估年份的多光谱遥感影像数据；对所述多光谱遥感影像数据进行预处理，获得预处理后的多光谱遥感影像数据；所述预处理后的多光谱遥感影像数据中去除传感器和大气吸收、散射的误差干扰；从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；根据农作物种植区矢量范围对应的多光谱遥感影像数据，确定该历史评估年份的归一化植被指数。
在本申请实施例中，获取模块210具体还用于：对所述多光谱遥感影像数据进行辐射定标处理，以及对所述多光谱遥感影像数据进行大气校正处理，获得预处理后的多光谱遥感影像数据。
在本申请实施例中，获取模块210具体还用于：根据农作物的预设光谱特征，从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；或者，根据预设的种植区坐标范围，从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据。
在本申请实施例中，处理模块220具体用于：根据所述V的取值以及所述预设的不同的V值分别对应的长势确定所述评估年份的农作物评估结果。
农作物长势评估装置200与前述的基于遥感图像的农作物长势评估方法对应，各个功能模块与评估方法的各个步骤也一一对应，因此，各个功能模块的实施方式参照前述实施例中评估方法的实施方式，在此不再重复介绍。
基于同一发明构思，本申请实施例还提供一种电子设备300，该电子设备300可作为前述的基于遥感图像的农作物长势评估方法的硬件运行环境。
电子设备300包括：处理器310和存储器320。
处理器310和存储器320可以设置在设备本体内，设备本体，在不同的应用场景中，可以对应有不同的实施方式，比如：不同的形状、不同的大小、不同的材质等，在本申请实施例中不作限定。
处理器310、存储器320之间直接或间接地电连接，以实现数据的传输或交互。例如，可以通过一条或多条通讯总线或信号总线实现电连接。前述的页面跳转方法分别包括至少一个可以以软件或固件（firmware）的形式存储于存储器320中的软件功能模块，例如农作物长势评估装置200包括的软件功能模块或计算机程序。
处理器310可以是一种集成电路芯片，具有信号处理能力。处理器310可以是通用处理器，包括CPU (Central Processing Unit，中央处理器)、NP (Network Processor，网络处理器)等；还可以是数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320，可以存储各种软件程序以及模块，如本申请实施例提供的农作物长势评估方法及装置对应的程序指令/模块。处理器310通过运行存储在存储器320中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的方法。
在本申请实施例中，存储器320还用于存储历史评估年份的归一化植被指数，以及最终获得的评估结果等。
存储器320，可以包括但不限于RAM（Random Access Memory，随机存取存储器），ROM（Read Only Memory，只读存储器），PROM（Programmable Read-Only Memory，可编程只读存储器），EPROM（Erasable Programmable Read-Only Memory，可擦除只读存储器），EEPROM（Electric Erasable Programmable Read-Only Memory，电可擦除只读存储器）等。
需要说明的是，图3中示出的电子设备300的结构并不构成对该电子设备300的限定，实际的电子设备300可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，电子设备300的技术效果可以参考前述农作物长势评估方法的技术效果，此处不再赘述。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时，执行前述实施例中所述的基于遥感图像的农作物长势评估方法。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请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。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于遥感图像的农作物长势评估方法，其特征在于，包括：
获取评估年份对应的归一化植被指数；
将所述归一化植被指数输入预设的差异指数模型中，获得所述差异指数模型输出的农作物长势对比数据；所述差异指数模型用于表征：待评估归一化植被指数、多个历史评估年份对应的平均归一化植被指数、所述多个历史评估年份对应的归一化植被指数极大值和所述多个历史评估年份对应的归一化植被指数极小值之间的关系；
基于所述输出的农作物长势对比数据确定所述评估年份的农作物评估结果；所述农作物评估结果用于表征农作物的长势和产量。
2.根据权利要求1所述的评估方法，其特征在于，所述评估方法还包括：
获取多个历史评估年份分别对应的归一化植被指数；
基于所述多个历史评估年份分别对应的归一化植被指数，确定所述多个历史评估年份对应的平均归一化植被指数，所述平均归一化植被指数表示为：
基于所述多个历史评估年份分别对应的归一化植被指数，构建所述多个历史评估年份对应的归一化植被指数函数 ；
基于所述归一化植被指数函数，确定所述归一化植被指数极大值和所述归一化植被指数极小值；
基于所述平均归一化植被指数、所述归一化植被指数极大值、所述归一化植被指数极小值构建所述差异指数模型；
其中，
代表所述平均归一化植被指数，
代表多年NDVI的总和，n代表年数，i代表第几年。
3.根据权利要求2所述的评估方法，其特征在于，所述获取多个历史评估年份分别对应的归一化植被指数，包括：
针对多个历史评估年份中的每一历史评估年份，获取该历史评估年份的多光谱遥感影像数据；
对所述多光谱遥感影像数据进行预处理，获得预处理后的多光谱遥感影像数据；所述预处理后的多光谱遥感影像数据中去除传感器和大气吸收、散射的误差干扰；
从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；
根据农作物种植区矢量范围内对应的多光谱遥感影像数据，确定该历史评估年份的归一化植被指数。
4.根据权利要求3所述的评估方法，其特征在于，所述对所述多光谱遥感影像数据进行预处理，获得预处理后的多光谱遥感影像数据，包括：
对所述多光谱遥感影像数据进行辐射定标处理，以及对所述多光谱遥感影像数据进行大气校正处理，获得预处理后的多光谱遥感影像数据。
5.根据权利要求1所述的评估方法，其特征在于，所述从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据，包括：
根据农作物的预设光谱特征，从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据；或者，
根据预设的种植区坐标范围，从所述预处理后的多光谱遥感影像数据中获取农作物种植区矢量范围对应的多光谱遥感影像数据。
6.根据权利要求2-5任一项所述的评估方法，其特征在于，所述差异指数模型表示为：V=(NDVI-
)/(NDVImax-NDVImin)；
其中，V代表所述农作物长势对比数据，NDVI代表所述待评估归一化植被指数，
代表所述平均归一化植被指数，NDVImax代表所述归一化植被指数极大值，NDVImin代表所述归一化植被指数极小值。
7.根据权利要求6所述的评估方法，其特征在于，V的取值范围为-1~1；所述基于所述输出的农作物长势对比数据确定所述评估年份的农作物评估结果，包括：
根据V的取值以及所述预设的不同的V值分别对应的长势确定所述评估年份的农作物评估结果；
其中，所述预设的不同的V值分别对应的长势，包括：V值为-1~0.4为长势退化、V值为-0.4~-0.3为长势较差、V值为-0.3~-0.2为长势略差、V值为-0.2~-0为长势缓慢、V值为0~0.2为长势略好、V值为0.2~0.3为长势较好、V值为0.3~1为长势出众。
8.一种基于遥感图像的农作物长势评估装置，其特征在于，包括：
获取模块，用于获取评估年份对应的归一化植被指数；
处理模块，用于：
将所述归一化植被指数输入预设的差异指数模型中，获得所述差异指数模型输出的农作物长势对比数据；所述差异指数模型用于表征：待评估归一化植被指数、多个历史评估年份对应的平均归一化植被指数、所述多个历史评估年份对应的归一化植被指数极大值和所述多个历史评估年份对应的归一化植被指数极小值之间的关系；
基于所述输出的农作物长势对比数据确定所述评估年份的农作物评估结果；所述农作物评估结果用于表征农作物的长势和产量。
9.根据权利要求8所述的评估装置，其特征在于，
所述获取模块还用于：获取多个历史评估年份分别对应的归一化植被指数；
所述处理模块还用于：
基于所述多个历史评估年份分别对应的归一化植被指数，确定所述多个历史评估年份对应的平均归一化植被指数，所述平均归一化植被指数表示为：
；
基于所述多个历史评估年份分别对应的归一化植被指数，构建所述多个历史评估年份对应的归一化植被指数函数 ；
基于所述归一化植被指数函数，确定所述归一化植被指数极大值和所述归一化植被指数极小值；
基于所述平均归一化植被指数、所述归一化植被指数极大值、所述归一化植被指数极小值构建所述差异指数模型；
其中，
代表所述平均归一化植被指数，
代表多年NDVI的总和，n代表年数，i代表第几年。
10.一种电子设备，其特征在于，包括：
处理器；和与所述处理器通信连接的存储器；
所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够执行如权利要求1-7任一项所述的基于遥感图像的农作物长势评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111651543.6A CN114005039B (zh) | 2021-12-31 | 2021-12-31 | 基于遥感图像的农作物长势评估方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111651543.6A CN114005039B (zh) | 2021-12-31 | 2021-12-31 | 基于遥感图像的农作物长势评估方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114005039A true CN114005039A (zh) | 2022-02-01 |
| CN114005039B CN114005039B (zh) | 2022-04-26 |
Family
ID=79932333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111651543.6A Active CN114005039B (zh) | 2021-12-31 | 2021-12-31 | 基于遥感图像的农作物长势评估方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114005039B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115936917A (zh) * | 2023-03-09 | 2023-04-07 | 中化现代农业有限公司 | 全株农作物的产量预估方法、装置、电子设备及存储介质 |
| CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
| WO2023165007A1 (zh) * | 2022-03-03 | 2023-09-07 | 平安科技（深圳）有限公司 | 农作物长势的监测方法、系统、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
| US20110043805A1 (en) * | 2009-08-21 | 2011-02-24 | Syngenta Participations Ag | Automated Soybean Phenotyping for Iron Deficiency Chlorosis |
| CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
| CN109272161A (zh) * | 2018-09-18 | 2019-01-25 | 三亚中科遥感研究所 | 基于动态hi的水稻估产方法 |
| CN111191530A (zh) * | 2019-12-16 | 2020-05-22 | 广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
| CN111310322A (zh) * | 2020-02-10 | 2020-06-19 | 河海大学 | 基于元胞自动机的干旱区自然绿洲空间动态模拟方法 |
| CN111582554A (zh) * | 2020-04-17 | 2020-08-25 | 北京农业信息技术研究中心 | 一种农作物长势预测方法及系统 |
| CN111597247A (zh) * | 2020-06-05 | 2020-08-28 | 腾讯科技（深圳）有限公司 | 一种数据异常分析方法、装置及存储介质 |
| CN111626965A (zh) * | 2020-06-04 | 2020-09-04 | 成都星时代宇航科技有限公司 | 遥感图像处理方法，装置，电子设备及存储介质 |
| CN113591631A (zh) * | 2021-07-16 | 2021-11-02 | 杭州领见数字农业科技有限公司 | 一种基于多源数据的作物估产方法 |
| CN113624716A (zh) * | 2021-09-13 | 2021-11-09 | 杭州领见数字农业科技有限公司 | 一种基于植被覆盖度的土壤氮素估计方法 |
-
2021
- 2021-12-31 CN CN202111651543.6A patent/CN114005039B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110043805A1 (en) * | 2009-08-21 | 2011-02-24 | Syngenta Participations Ag | Automated Soybean Phenotyping for Iron Deficiency Chlorosis |
| CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
| CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
| CN109272161A (zh) * | 2018-09-18 | 2019-01-25 | 三亚中科遥感研究所 | 基于动态hi的水稻估产方法 |
| CN111191530A (zh) * | 2019-12-16 | 2020-05-22 | 广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
| CN111310322A (zh) * | 2020-02-10 | 2020-06-19 | 河海大学 | 基于元胞自动机的干旱区自然绿洲空间动态模拟方法 |
| CN111582554A (zh) * | 2020-04-17 | 2020-08-25 | 北京农业信息技术研究中心 | 一种农作物长势预测方法及系统 |
| CN111626965A (zh) * | 2020-06-04 | 2020-09-04 | 成都星时代宇航科技有限公司 | 遥感图像处理方法，装置，电子设备及存储介质 |
| CN111597247A (zh) * | 2020-06-05 | 2020-08-28 | 腾讯科技（深圳）有限公司 | 一种数据异常分析方法、装置及存储介质 |
| CN113591631A (zh) * | 2021-07-16 | 2021-11-02 | 杭州领见数字农业科技有限公司 | 一种基于多源数据的作物估产方法 |
| CN113624716A (zh) * | 2021-09-13 | 2021-11-09 | 杭州领见数字农业科技有限公司 | 一种基于植被覆盖度的土壤氮素估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| ANDREW N.FRENCH等: "Satellite-based NDVI crop coefficients and evapotranspiration with eddy covariance validation for multiple durum wheat fields in the US Southwest", 《AGRICULTURAL WATER MANAGEMENT》 * |
| 蒙继华: "农作物长势遥感监测指标研究", 《中国优秀博硕士学位论文全文数据库(博士)农业科技辑》 * |
| 齐述华等: "利用NDVI时间序列数据分析植被长势对气候因子的响应", 《地球科学进展》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023165007A1 (zh) * | 2022-03-03 | 2023-09-07 | 平安科技（深圳）有限公司 | 农作物长势的监测方法、系统、设备及介质 |
| CN115936917A (zh) * | 2023-03-09 | 2023-04-07 | 中化现代农业有限公司 | 全株农作物的产量预估方法、装置、电子设备及存储介质 |
| CN115936917B (zh) * | 2023-03-09 | 2023-08-08 | 中化现代农业有限公司 | 全株农作物的产量预估方法、装置、电子设备及存储介质 |
| CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
| CN116012720B (zh) * | 2023-03-28 | 2023-06-09 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114005039B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114005039B (zh) | 基于遥感图像的农作物长势评估方法、装置及电子设备 | |
| Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
| Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
| US20200250428A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| Paulus et al. | Surface feature based classification of plant organs from 3D laserscanned point clouds for plant phenotyping | |
| CN111553240B (zh) | 一种玉米病害病情分级方法、系统和计算机设备 | |
| Xu et al. | Estimation of leaf nitrogen content in rice using vegetation indices and feature variable optimization with information fusion of multiple-sensor images from UAV | |
| CN115631419B (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
| CN116046692B (zh) | 一种基于高光谱的土壤重金属污染监测方法和装置 | |
| CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
| JP2015077113A (ja) | 植物判定装置、植物判定方法、及びプログラム | |
| CN115292334A (zh) | 基于视觉智能种植方法、系统、电子设备及存储介质 | |
| CN113839711A (zh) | 一种基于动态阈值距离质心算法的峰值检测方法 | |
| Olivoto et al. | Measuring plant disease severity in R: introducing and evaluating the pliman package | |
| Ma et al. | Phenotyping of silique morphology in oilseed rape using skeletonization with hierarchical segmentation | |
| Niu et al. | YOLO-plum: A high precision and real-time improved algorithm for plum recognition | |
| CN114529826A (zh) | 一种基于遥感影像数据的水稻估产方法、装置及设备 | |
| Jin et al. | A Novel Tran_NAS Method for the Identification of Fe-and Mg-Deficient Pear Leaves from N-and P-Deficient Pear Leaf Data | |
| Liao et al. | SC-Net: A new strip convolutional network model for rice seedling and weed segmentation in paddy field | |
| CN117456367A (zh) | 一种农作物种植区域识别方法、装置、设备及存储介质 | |
| CN117593387A (zh) | 一种作物冠层覆盖率评价方法及系统 | |
| Liao et al. | Image quality assessment: Measuring perceptual degradation via distribution measures in deep feature spaces | |
| CN114187538A (zh) | 一种多光谱植被监测干扰信息的剔除方法和装置 | |
| CN115266720A (zh) | 多尺度光谱成像的玉米生长期养分信息检测方法 | |
| Saeed et al. | 3D Annotation and deep learning for cotton plant part segmentation and architectural trait extraction |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: No. 200, building 16, middle section of shuangshenggang Avenue, Shuangliu District, Chengdu, Sichuan Province Patentee after: Chengdu Guoxing Aerospace Technology Co.,Ltd. Address before: 610094 No. 16, floor 1, building 7, No. 333, middle section of Shuangnan Avenue, Dongsheng Street, Shuangliu District, Chengdu, Sichuan Patentee before: CHENGDU GUOXING AEROSPACE TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address |