CN114091774A - 一种作物产量预估方法及装置 - Google Patents
一种作物产量预估方法及装置 Download PDFInfo
- Publication number
- CN114091774A CN114091774A CN202111424321.0A CN202111424321A CN114091774A CN 114091774 A CN114091774 A CN 114091774A CN 202111424321 A CN202111424321 A CN 202111424321A CN 114091774 A CN114091774 A CN 114091774A
- Authority
- CN
- China
- Prior art keywords
- crop
- target area
- index
- image
- yield
- 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 83
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000007726 management method Methods 0.000 claims abstract description 29
- 238000010191 image analysis Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 32
- 238000013507 mapping Methods 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012271 agricultural production Methods 0.000 abstract description 13
- 239000002609 medium Substances 0.000 description 10
- 230000003595 spectral effect Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000004720 fertilization Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种作物产量预估方法及装置。本申请实施例提供的技术方案，通过获取目标区域的作物影像信息和作物高程信息；基于作物影像信息进行影像分析，确定目标区域的作物影像差异指数；基于作物高程信息进行生长高度分析，确定目标区域的作物高度差异指数；根据作物影像差异指数和作物高度差异指数计算目标区域的作物预估产量。采用上述技术手段，通过结合作物影像信息和作物生长高度信息进行作物产量预估，以此可以实现更为精准的作物产量预估，提升作物产量预估精准度。此外，基于作物预估产量进行农业生产管理决策，可以为农业生产管理决策提供精准的科学依据，优化决策结果。
Description
技术领域
本申请实施例涉及农业管理技术领域，尤其涉及一种作物产量预估方法及装置。
背景技术
目前，为了提高生产质量和生产效率，人们对农产管理的投入越来越大。在农业生产过程中，通过对作物产量进行准确预测，可以为制定农业生产管理策略提供科学依据，特别是在农作物保险、贷款、施肥等投入决策的场景，这对于确保作物提质增产具有非常重要的意义。在进行作物产量预测时，主要是依靠农产管理者的经验知识或者作物采样来进行作物产量预测，以根据作物产量进行相应管理决策。
但是，传统的依据农产管理者的经验知识或者作物采样进行作物产量预测的方式，其预测精准度偏低，难以为农业生产管理决策提供精准的科学依据。
发明内容
本申请实施例提供一种作物产量预估方法及装置，能够解决现有作物产量预估存在误差的技术问题，提升作物产量预估精准度，优化农业生产管理决策结果。
在第一方面，本申请实施例提供了一种作物产量预估方法，包括：
获取目标区域的作物影像信息和作物高程信息；
基于所述作物影像信息进行影像分析，确定所述目标区域的作物影像差异指数；
基于所述作物高程信息进行生长高度分析，确定所述目标区域的作物高度差异指数；
根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量。
在第二方面，本申请实施例提供了一种作物产量预估装置，包括：
获取模块，用于获取目标区域的作物影像信息和作物高程信息；
分析模块，用于基于所述作物影像信息进行影像分析，确定所述目标区域的作物影像差异指数；基于所述作物高程信息进行生长高度分析，确定所述目标区域的作物高度差异指数；
计算模块，用于根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量。
在第三方面，本申请实施例提供了一种电子设备，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的作物产量预估方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的作物产量预估方法。
本申请实施例通过获取目标区域的作物影像信息和作物高程信息；基于作物影像信息进行影像分析，确定目标区域的作物影像差异指数；基于作物高程信息进行生长高度分析，确定目标区域的作物高度差异指数；根据作物影像差异指数和作物高度差异指数计算目标区域的作物预估产量。采用上述技术手段，通过结合作物影像信息和作物生长高度信息进行作物产量预估，以此可以实现更为精准的作物产量预估，提升作物产量预估精准度。此外，基于作物预估产量进行农业生产管理决策，可以为农业生产管理决策提供精准的科学依据，优化决策结果。
附图说明
图1是本申请实施例一提供的一种作物产量预估方法的流程图；
图2是本申请实施例一中作物影像差异指数的计算流程图；
图3是本申请实施例一中的影像光谱比对示意图；
图4是本申请实施例一中作物高度差异指数的计算流程图；
图5是本申请实施例一中的作物高度比对示意图；
图6是本申请实施例一中作物预估产量对接金融贷款信息系统和保险信息系统的示意图；
图7是本申请实施例二提供的一种作物产量预估装置的结构示意图；
图8是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请提供的一种作物产量预估方法，旨在通过结合作物影像信息和作物生长高度信息进行作物产量预估，以提升作物产量预估精准度。对于传统的作物产量预估方法，其在进行作物产量预测时，主要是依靠农产管理者的经验知识或者作物采样来进行作物产量预测。然而直接根据农产管理者的经验知识进行作物产量预测，其预测结果存在一定的主观性。采用作物采样的方式，对于大面积的作物产量预估而言，其预测结果又难以全面反映作物的生长预估趋势。并且大面积的作物采样需要耗费大量的人力执行采样操作，整个过程相对冗长，作物产量预测效率相对偏低。基于此，提供本申请实施例的一种作物产量预估方法及装置，以解决现有作物产量预估存在主观或片面误差的技术问题，并提升作物产量预测效率。
实施例一：
图1给出了本申请实施例一提供的一种作物产量预估方法的流程图，本实施例中提供的作物产量预估方法可以由作物产量预估设备执行，该作物产量预估设备可以通过软件和/或硬件的方式实现，该作物产量预估设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该作物产量预估设备可以是服务器主机、电脑、处理器等处理设备。
下述以该作物产量预估设为执行作物产量预估方法的主体为例，进行描述。参照图1，该作物产量预估方法具体包括：
S110、获取目标区域的作物影像信息和作物高程信息。
本申请实施例在进行作物产量预估时，采用目标区域的作物影像信息和作物高程信息作为基础数据，以确定目标区域作物的作物影像差异指数和作物高度差异指数，进而根据作物影像差异指数和作物高度差异指数进行目标区域的作物预估产量计算。其中，需要说明的是，作物影像差异指数用于量化目标区域作物的作物影像信息，与理想状态下作物生长的指标影像之间的差异。同样的，作物高度差异指数用于量化目标区域作物的作物高程信息，与理想状态下作物生长的作物指标高度之间的差异。通过作物影像差异指数和作物高度差异指数可以直观反映目标区域作物的生长状态与理想状态下作物生长状态的差异。则基于作物影像差异指数和作物高度差异指数，结合理想状态下作物生长的指标产量，即可准确确定目标区域作物的预估产量。需要说明的是，上述指标影像、作物指标高度和作物指标产量均根据实际产量预估场景设定。一般而言，可以选择以往目标区域最优生长状态下的影像、生成高度和产量作为对应的指标影像、作物指标高度和作物指标产量。本申请实施例对指标影像、作物指标高度和作物指标产量的具体设置方式不做固定限制，在此不多赘述。
具体的，本申请实施例获取目标区域的作物影像信息和作物高程信息的流程包括：
S1101、接收无人设备对应所述目标区域采集的测绘数据，基于所述测绘数据生成所述目标区域的数字高程模型，数字表面模型和数字正射影像；
S1102、提取所述数字表面模型和所述数字正射影像作为所述作物影像信息，提取所述数字高程模型作为所述作物高程信息。
本申请实施例通过无人设备搭载激光雷达、可见光相机传感器等采集设备进行目标区域的测绘数据采集，该测绘数据用于进行数字高程模型(DEM)、数字表面模型(DSM)和数字正射影像(DOM)的构建，以用于进行作业产量的精准预估。该测绘数据通过激光雷达、可见光相机传感器采集后，发送至该作物产量预估设备，该作物产量预估设备通过测绘数据即可对应构建目标区域的数字高程模型，数字表面模型和数字正射影像。可以理解的是，数字高程模型是数字高程模型(Digital Elevation Model，DEM)是一定范围内规则格网点的平面坐标(X，Y)及其高程(Z)的数据集，它主要是描述区域地貌形态的空间分布，DEM是对地貌形态的虚拟表示，可派生出等高线、坡度图等信息。数字高程模型是通过等高线或相似立体模型进行数据采集(包括采样和量测)，然后进行数据内插而形成的。数字表面模型(Digital Surface Model，DSM)是指包含了地表作物、建筑物、桥梁和树木等各类型物体高度的地面高程模型。和DEM相比，DEM只包含了地形的高程信息，并未包含其它地表信息，DSM是在DEM的基础上，进一步涵盖了除地面以外的其它地表信息的高程。基于数字高程模型(DEM)和数字表面模型(DSM)的特性，通过数字高程模型叠加数字表面模型，即可确定目标区域中各个位置点的高程(Z)，以此通过确定目标区域中作物的位置点，即可根据目标区域的数字高程模型和数字表明模型确定作物所在位置点的高程(Z)，即作物高程信息。数字正射影像(DOM)是利用数字高程模型(DEM)对航空航天影像进行正射纠正、接边、色彩调整、镶嵌，并按照一定范围裁切生成的数字正射影像数据集。则基于目标区域的数字正射影像(DOM)，即可确定目标区域中作物的位置，确定相应的作物正射影像信息。
示例性地，在进行目标区域测绘时，根据实际测绘需要，选择相应的无人设备类别，如四旋翼无人机或垂直起降固定翼。其中，无人设备的选择可以根据目标区域范围、抗风性、续航能力以及飞行速度等多个不同维度进行选择。进一步地，在确定执行测绘作业的无人设备之后，选择可见光相机传感器、激光雷达搭载在无人设备上，以在无人设备飞行过程中，通过激光雷达、可见光相机传感器采集目标区域的测绘数据。
在此之前，无人设备还需要规划飞行航线，根据飞行航线执行目标区域的测绘作业。飞行航线可以根据无人设备的飞行性能以及目标区域面积确定。通过建立任务编号，确定飞行区域的边界，以完成飞行航线的建立。可选的，采用弓字型航线的形式，根据目标区域范围、环境特征设置航线的参数，如分辨率、镜头参数、角度以及旁向航向重叠度等。然后通过无人设备搭载可见光相机传感器和激光雷达传感器，按照规划好的航线飞行。
需要说明的是，根据实际飞行航线规划需求，无人设备还可以采用井字型、圆型等航线类型，本申请实施例对具体的航线规划方式不做固定限制，以实际目标区域的相关属性即测绘需求为准，在此不多赘述。之后，无人设备将沿着规划航线飞行过程中采集的测绘数据实时传送到作物产量预估设备，以通过作物产量预估设备根据测绘数据构建目标区域的数字高程模型、数字表明模型和数字正射影像。进一步地，对应作物产量预估设备一端，在接收到测绘数据之后，根据测绘数据进行模型构建。
关于数字高程模型(DEM)、数字表面模型(DSM)和数字正射影像(DOM)的构建方式有很多，本申请实施例对具体的构建方式不做固定限制，在此不对赘述，以数字高程模型的构建为例，其中，基于目标区域的测绘数据，通过匹配点与矢量采集的特征点线数据，自动进行影像立体相关匹配，并获得相方数字高程模型。再通过编辑匹配点，使像方数字高程模型的点切准地面，然后构建不规则三角网(Tr i angu l ated I rregu l ar Network，T IN)，通过内插方式以最终生成数字高程模型。
本申请实施例在进行作物产量预估流程时，通过无人设备飞往目标区域采集目标区域的相关测绘数据，将测绘数据发送至本申请实施例的作物产量预估设备。作物产量预估设备基于测绘数据首先构建目标区域的数字高程模型(DEM)、数字表面模型(DSM)和数字正射影像(DOM)，以数字高程模型(DEM)、数字表面模型(DSM)作为作物高程信息，以数字正射影像(DOM)作为作物影像信息，进而以此作为基础数据进行作物产量的预估。本申请实施例通过无人设备对目标区域进行测绘，采集测绘数据，以便于作物产量预估设备根据测绘数据进行作物影像信息和作物高程信息的获取。进而基于作业区域全面的、精准的测绘数据，以实现目标区域作物产量的精准预估。
S120、基于所述作物影像信息进行影像分析，确定所述目标区域的作物影像差异指数；基于所述作物高程信息进行生长高度分析，确定所述目标区域的作物高度差异指数。
进一步地，基于目标区域的作物影像信息和作物高程信息，本申请实施例将两者分别与目标区域理想的作物生长状态信息比对，以确定当前目标区域的生长状态与理性状态下的生长状态之间的差异，进而确定目标区域的作物影像差异指数和作物高度差异指数。
其中，通过作物影像信息进行影像分析，以确定目标区域的作物影像差异指数。在进行影像分析时，通过提取目标区域理想状态下(即最优生长状态下)的作物影像，该作物影像可以预先根据以往目标区域最优生长状态下的正射影像确定。其中，通过提取目标区域不同历史时期的正射影像，根据正射影像进行光谱分析，确定各个正射影像的光谱分析结果，根据不同历史时期的光谱分析结果确定生长状态最优的正射影像，以该正射影像作为指标影像。或者，通过提取目标区域不同历史时期的作物高程信息，根据确定不同历史时期作物的高程分析结果。进而根据不同历史时期的高程分析结果确定标识作物生成状态最优的作物高程信息。确定该作物高程信息对应的历史时期，提取该历史时期的正射影像作为指标影像。
进一步地，基于该指标影像与作物影像进行比对，进而确定作物影像差异指数。具体的，通过对齐两张影像，然后通过像素点比对，确定两张影像之间的欧式距离，基于该欧式距离即可确定两张影像之间的差异。进而通过对这一欧式距离进行归一化处理，即可得到两张影像的作物影像差异指数。
可选的，本申请实施例在基于所述作物影像信息进行影像分析，确定所述目标区域的作物影像差异指数时，基于所述作物影像信息进行影像光谱差异分析，并根据影像光谱差异分析结果确定所述目标区域的作物影像差异指数。采用影像光谱差异分析的方式，通过确定两张影像之间的各个像素点光谱特征的差异，进行光谱特征比对，以精准确定作物影像差异指数。可以理解的是，对应作物的不同生长状态，其正射影像的光谱特征差异较为明显，则通过不同生长状态的作物正射影像比对，即可直观、准确的确定两个影像之间的差异，得到两者生长状态的差异信息。
具体的，参照图2，基于所述作物影像信息进行影像光谱差异分析，并根据影像光谱差异分析结果确定所述目标区域的作物影像差异指数，包括：
S1201、提取当前生长周期所述目标区域预设定的指标影像，将所述影像信息与所述指标影像进行光谱比对，确定所述影像信息与所述指标影像的光谱差异数据；
S1202、根据所述光谱差异数据计算所述目标区域的作物影像差异指数。
示例性地，如图3所示，对应目标区域的作物影像信息和指标影像，其影像特征存在明显的差异。本申请实施例通过目标区域的指标影像，将指标影像与作物影像信息进行光谱比对，以确定两者之间的光谱差异数据。需要说明的是，由于作物在不同的生长周期，其生长状态不同。为了确保比对准确，需要根据当前作物所处的生长周期，提取目标区域在同一生长周期下的指标影像进行影像光谱比对。在此之前，作物产量预估设备运行根据目标区域作物不同的生长周期收集相应的指标影像，以用于不同生长周期在目标区域的作物产量预估。
具体的，在进行影像光谱比对时，通过对齐两个影像后，逐个像素点确定影像的光谱特征，可以理解的是，作物影像信息和指标影像都是多光谱图像。多光谱图像是指包含很多带的图像，有时只有3个带(如彩色图像)。每个带是一幅灰度图像，它表示根据用来产生该带的传感器的敏感度得到的场景亮度。在这样一幅图像中，每个像素都与一个由像素在不同带的数值串，即一个矢量相关，这个数串就被称为像素的光谱标记。通过确定各个像素点的光谱标记，以这一光谱标记作为像素点的光谱特征。逐一比对两张影像的像素点光谱特征，即可确定两张影像之间基于光谱比对的相似度距离(如欧式距离)，进而按照设定的归一化公式将这一相似度距离归一化为指定取值范围的指数，即作物影像差异指数，以此完成本申请实施例作物影像信息的影像分析。基于两个影像的相似度比对结果确定差异信息(即相似度)的方式有很多，本申请对具体的比对方式不做固定限制，在此不多赘述。
需要说明的是，实际比对分析过程中，还可以根据影像像素点的灰度、亮度、颜色值、反射率等像素特征进行影像分析比对，以确定作物影像信息与指标影像之间的作物影像差异指数。本申请实施例对具体影像比对方式不做固定限制，在此不多做赘述。
另一方面，如图4所示，本申请实施例基于所述作物高程信息进行生长高度分析，确定所述目标区域的作物高度差异指数，包括：
S1203、提取当前生长周期所述目标区域预设定的作物指标高度，将所述作物高程信息与所述作物指标高度比对，确定所述作物高程信息与所述作物指标高度的高度差异数据；
S1204、根据所述高度差异数据计算所述目标区域的作物高度差异指数。
同样的，在进行生长高度分析时，通过提取当前目标区域在同一生长周期中，标识最优生长状态的作物指标高度，以进行生长高度比对。如图5所示，将作物指标高度与作物高程信息比对，逐个位置点确定两者的高度差，得到高度差异数据。进而根据高度差异数据归一化处理得到两者的作物高度差异指数，以此完成目标区域的生长高度分析。
可选的，为了便于信息比对，可以预先存储理想状态下，目标区域不同生长周期下的数字高程模型、数字表明模型和数字正射影像，以便于后续通过提取预存的数字正射影像作为指标影像进行目标区域的影像分析，通过提取预存的数字高程模型、数字表面模型进行目标区域的作物生长高度分析。
S130、根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量。
最终，基于该作物影像差异指数和作物高度差异指数，即可确定当前目标区域的作物生长状态与理想状态下的作物生长状态的差异。则通过确定理想状态下目标区域的作物产量(即最优产量)，结合作物生长状态的差异，即可确定目标区域的作物预估产量。其中，基于所述目标区域的区域面积、预设定的单位指标产量、所述作物影像差异指数和所述作物高度差异指数，使用预设定计算公式计算所述目标区域的作物预估产量。可以理解的是，单位指标产量表示目标区域单位面积的最优产量。由于作物影像差异指数和作物高度差异指数标识当前目标区域的作物生长状态与理想状态下的作物生长状态的差异，即当前目标区域单位预估产量与最优产量的差异。那么根据作物影像差异指数和作物高度差异指数所提供的差异参数，结合单位指标产量，即可计算得到目标区域的单位产量，将单位产量与目标区域的区域面积相乘，即可得到该目标区域的作物预估产量。
可选的，所述预设定计算公式为：
PRO＝[KT*(1-HE)]MU*V
其中，KT表示所述作物影像差异指数，HE表示所述作物高度差异指数，MU表示所述单位指标产量，V表示所述区域面积。
最终，基于已确定的作物影像差异指数、作物高度差异指数、单位指标产量和区域面积，即可代入公式计算得到该目标区域的作物预估产量。
需要说明的是，“KT*(1-HE)”即标识了当前目标区域的作物生长状态与理想状态下的作物生长状态的差异，即当前目标区域单位预估产量与最优产量的差异，定义其为生长指数。举例而言，在生长指数为0.6时，若单位指标产量为1，则目标区域的单位预估产量应当是“0.6×1”。生长指数越接近1，则表示当前目标区域的作物生长状态越好，其作物预估产量越高。反之，生长指数越接近0，则表示当前目标区域的作物生长状态越差，其作物预估产量越低。
此外，需要说明的是，针对大面积农田的作物产量预估，还可以根据农田田界的具体划分，将大面积农田划分为多个目标区域。进而通过采集大面积农田的测绘数据，获得大面积农田的数字高程模型，数字表面模型和数字正射影像。进而在作物产量预估时，逐个目标区域获取其对应的作物影像信息和作物高程信息，基于上述作物产量预估方法得到各个目标区域的作物预估产量，将各个作物预估产量叠加，即可得到大面积农田的作物预估产量，以此来实现大面积农田的作物产量精准预估，省去大面积农田的作物采样流程，提升大面积农田的作物产量预估效率。
最终，基于已确定的目标区域的作物预估产量，即可依此作为作物生产管理依据进行保险、贷款、施肥等生产管理决策。其中，以施肥作业为例，在确定目标区域的作物预估产量相对偏低时，可以通过进行目标区域的施肥作业，以提升其作物产量，提升作物经济效益。
可选的，基于目标区域的作物预估产量，本申请实施例通过比较指定作物管理区域中多个所述目标区域的所述作物预估产量或生长指数，根据比较结果确定低于设定生长指标的所述目标区域，对低于设定生长指标的所述目标区域进行作物生长分析。示例性地，针对大面积农田的多个目标区域，通过确定各个目标区域的作物预估产量或者生长指数IM，根据作物预估产量或生长指数的大小，确定生长状态较差的目标区域，以进行目标区域的作物生长分析。例如，对应各个目标区域，计算出生长指数IM1、IM2、IM3...IMn。通过算法升序排列各个生长指数，对于前几名(如前3)的生长指数值，进行对应目标区域的生长分析。在进行生长分析时，可以根据其正射影像信息提供的影像特征，确定当前目标区域作物预估产量较差的原因。举例而言，预先收集对应虫害疾病、缺水干黄等作物生长问题的影像特征，后续通过目标区域的正射影像信息逐一比对上述影像特征，即可确定目标区域的作物生长问题，进而制定相应的治理策略，以提升作物生长指数，提升作物产量。
在一个实施例中，基于目标区域的预估产量，还通过对接金融贷款信息系统和保险信息系统，以进行目标区域的贷款审批流程和保险理赔审批流程。如图6所示，作物产量预估设备11通过接收无人设备12的测绘数据进行目标区域的作物产量预估，在确定作物预估产量后。通过对接金融贷款信息系统13和保险信息系统14，以分别基于目标区域的作物预估产量进行保险和贷款的生产管理决策。
具体地，在进行贷款管理决策时，基于所述作物预估产量以及所述目标区域的作物贷款基础信息生成金融贷款报告，将所述金融贷款报告上传至金融贷款信息系统进行贷款审批流程。示例性地，通过目标区域的作物预估产量，集合作物市场价格，承包合同，农业机构信用征信信息，资产抵押信息，信用担保抵押证明等相关文件评估贷款金额，进而形成金融贷款报告。金融贷款报告处理成标准化模板后，通过和金融贷款信息系统对接，提交金融贷款报告以进行金融贷款信息系统的贷款审批流程。贷款审批流程进度可以通过手机短信、微信公众号等方式实时返回给用户。之后，通过金融贷款信息系统的流程审批，反馈全额批准、按百分比金额批准、审批意见、补充材料等结果，最终完成贷款审批，结束贷款。本申请实施例通过对接金融贷款信息系统，基于作物预估产量以快速生成金融贷款报告，实现金融贷款申请流程的快速上报。以此可以提升金融贷款效率，提供更便民、更流畅的金融贷款流程。
另一方面，在进行保险理赔管理决策时，通过在所述目标区域为受灾区域的情况下，基于所述作物预估产量以及所述目标区域的灾前预估产量确定所述目标区域的受灾损失产量；根据所述受灾损失产量以及所述目标区域的作物保险理赔基础信息生成保险赔偿报告，将所述保险赔偿报告上传至保险信息系统进行保险理赔审批流程。可以理解的是，在作物受灾情况下，基于上述作物产量预估方法得到的是作物受灾后的预估产量。而为了确定受灾损失产量，还需要确定作物的灾前预估产量。灾前预估产量通过获取目标区域受灾前的作物高程信息和作物影像信息，基于上述作物产量预估方法进行作物产量预估得到灾前预估产量。进而根据灾前预估产量和灾后预估产量即可得到受灾损失产量。进一步地，根据受灾损失产量、农田灾害范围，投保单，保险赔偿提交的相关资料形成保险赔偿报告。将保险赔偿报告处理成标准化模板后，通过与保险赔偿信息系统对接，提交保险赔偿报告到保险信息系统进行保险理赔审批流程。审批流程进度可以通过手机短信、微信公众号等方式实时返回给用户。之后，通过保险信息系统审批保险理赔流程，返回全额批准、按百分比金额批准、审批意见、补充材料等审批结果，最终完成保险理赔审批流程，结束保险理赔。本申请实施例通过对接保险信息系统，基于作物预估产量以快速生成保险赔偿报告，实现保险理赔流程的快速上报。以此可以提升保险理赔效率，提供更便民、更流畅的保险理赔流程。
在一个实施例中，作物产量预估设备在指定作物管理区域为受灾区域的情况下，比较指定作物管理区域中多个所述目标区域的所述作物预估产量或生长指数，根据比较结果确定达到设定受损指标的所述目标区域；对达到设定受损指标的所述目标区域进行作物受损分析。示例性地，针对大面积农田的多个目标区域，在受灾情况下，通过确定各个目标区域的作物预估产量或者生长指数IM，根据作物预估产量或生长指数的大小，确定生长状态较差的目标区域，以进行目标区域的作物受损分析。例如，对应各个目标区域，计算出生长指数I M1、IM2、I M3...I Mn。通过算法升序排列各个生长指数，对于前几名(如前3)的生长指数值，进行对应目标区域的作物受损分析。在进行作物受损分析时，可以根据其正射影像信息提供的影像特征，确定当前目标区域的受损原因。举例而言，预先收集各类灾害后作物受灾的影像特征，后续通过目标区域的正射影像信息逐一比对上述影像特征，即可确定目标区域的受损原因，进而根据受损原因制定相应的治理策略，以提升作物生长指数，提升作物产量，减少受灾损失。
上述，通过获取目标区域的作物影像信息和作物高程信息；基于作物影像信息进行影像分析，确定目标区域的作物影像差异指数；基于作物高程信息进行生长高度分析，确定目标区域的作物高度差异指数；根据作物影像差异指数和作物高度差异指数计算目标区域的作物预估产量。采用上述技术手段，通过结合作物影像信息和作物生长高度信息进行作物产量预估，以此可以实现更为精准的作物产量预估，提升作物产量预估精准度。此外，基于作物预估产量进行农业生产管理决策，可以为农业生产管理决策提供精准的科学依据，优化决策结果。
实施例二：
在上述实施例的基础上，图7为本申请实施例二提供的一种作物产量预估装置的结构示意图。参考图7，本实施例提供的作物产量预估装置具体包括：获取模块21、分析模块22和计算模块23。
其中，获取模块21用于获取目标区域的作物影像信息和作物高程信息；
分析模块22用于基于所述作物影像信息进行影像分析，确定所述目标区域的作物影像差异指数；基于所述作物高程信息进行生长高度分析，确定所述目标区域的作物高度差异指数；
计算模块23用于根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量。
具体地，获取模块21包括：
接收单元，用于接收无人设备对应所述目标区域采集的测绘数据，基于所述测绘数据生成所述目标区域的数字高程模型，数字表面模型和数字正射影像；
提取单元，用于提取所述数字表面模型和所述数字正射影像作为所述作物影像信息，提取所述数字高程模型作为所述作物高程信息。
分析模块22包括：
影像差异分析单元，用于基于所述作物影像信息进行影像光谱差异分析，并根据影像光谱差异分析结果确定所述目标区域的作物影像差异指数；
所述基于所述作物影像信息进行影像光谱差异分析，并根据影像光谱差异分析结果确定所述目标区域的作物影像差异指数，包括：
提取当前生长周期所述目标区域预设定的指标影像，将所述影像信息与所述指标影像进行光谱比对，确定所述影像信息与所述指标影像的光谱差异数据；
根据所述光谱差异数据计算所述目标区域的作物影像差异指数。
生长高度分析单元，用于提取当前生长周期所述目标区域预设定的作物指标高度，将所述作物高程信息与所述作物指标高度比对，确定所述作物高程信息与所述作物指标高度的高度差异数据；根据所述高度差异数据计算所述目标区域的作物高度差异指数。
计算模块23包括：
预估产量计算单元，用于基于所述目标区域的区域面积、预设定的单位指标产量、所述作物影像差异指数和所述作物高度差异指数，使用预设定计算公式计算所述目标区域的作物预估产量。
所述预设定计算公式为：
PRO＝[KT*(1-HE)]MU*V
其中，KT表示所述作物影像差异指数，HE表示所述作物高度差异指数，MU表示所述单位指标产量，V表示所述区域面积。
具体地，作物产量预估装置还包括：
生长分析模块，用于比较指定作物管理区域中多个所述目标区域的所述作物预估产量或生长指数，根据比较结果确定低于设定生长指标的所述目标区域，对低于设定生长指标的所述目标区域进行作物生长分析。
贷款流程模块，用于基于所述作物预估产量以及所述目标区域的作物贷款基础信息生成金融贷款报告，将所述金融贷款报告上传至金融贷款信息系统进行贷款审批流程。
保险流程模块，用于在所述目标区域为受灾区域的情况下，基于所述作物预估产量以及所述目标区域的灾前预估产量确定所述目标区域的受灾损失产量；根据所述受灾损失产量以及所述目标区域的作物保险理赔基础信息生成保险赔偿报告，将所述保险赔偿报告上传至保险信息系统进行保险理赔审批流程。
受损分析模块，用于在指定作物管理区域为受灾区域的情况下，比较指定作物管理区域中多个所述目标区域的所述作物预估产量或生长指数，根据比较结果确定达到设定受损指标的所述目标区域；对达到设定受损指标的所述目标区域进行作物受损分析。
上述，通过获取目标区域的作物影像信息和作物高程信息；基于作物影像信息进行影像分析，确定目标区域的作物影像差异指数；基于作物高程信息进行生长高度分析，确定目标区域的作物高度差异指数；根据作物影像差异指数和作物高度差异指数计算目标区域的作物预估产量。采用上述技术手段，通过结合作物影像信息和作物生长高度信息进行作物产量预估，以此可以实现更为精准的作物产量预估，提升作物产量预估精准度。此外，基于作物预估产量进行农业生产管理决策，可以为农业生产管理决策提供精准的科学依据，优化决策结果。
本申请实施例二提供的作物产量预估装置可以用于执行上述实施例一提供的作物产量预估方法，具备相应的功能和有益效果。
实施例三：
本申请实施例三提供了一种电子设备，参照图8，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个，该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的作物产量预估方法对应的程序指令/模块(例如，作物产量预估装置中的获取模块、分析模块和计算模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的作物产量预估方法。
输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例一提供的作物产量预估方法，具备相应的功能和有益效果。
实施例四：
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种作物产量预估方法，该作物产量预估方法包括：获取目标区域的作物影像信息和作物高程信息；基于所述作物影像信息进行影像分析，确定所述目标区域的作物影像差异指数；基于所述作物高程信息进行生长高度分析，确定所述目标区域的作物高度差异指数；根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的作物产量预估方法，还可以执行本申请任意实施例所提供的作物产量预估方法中的相关操作。
上述实施例中提供的作物产量预估装置、存储介质及电子设备可执行本申请任意实施例所提供的作物产量预估方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的作物产量预估方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (14)
1.一种作物产量预估方法，其特征在于，包括：
获取目标区域的作物影像信息和作物高程信息；
基于所述作物影像信息进行影像分析，确定所述目标区域的作物影像差异指数；
基于所述作物高程信息进行生长高度分析，确定所述目标区域的作物高度差异指数；
根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量。
2.根据权利要求1所述的作物产量预估方法，其特征在于，所述基于所述作物影像信息进行影像分析，确定所述目标区域的作物影像差异指数，包括：
基于所述作物影像信息进行影像光谱差异分析，并根据影像光谱差异分析结果确定所述目标区域的作物影像差异指数。
3.根据权利要求2所述的作物产量预估方法，其特征在于，所述基于所述作物影像信息进行影像光谱差异分析，并根据影像光谱差异分析结果确定所述目标区域的作物影像差异指数，包括：
提取当前生长周期所述目标区域预设定的指标影像，将所述影像信息与所述指标影像进行光谱比对，确定所述影像信息与所述指标影像的光谱差异数据；
根据所述光谱差异数据计算所述目标区域的作物影像差异指数。
4.根据权利要求1所述的作物产量预估方法，其特征在于，所述基于所述作物高程信息进行生长高度分析，确定所述目标区域的作物高度差异指数，包括：
提取当前生长周期所述目标区域预设定的作物指标高度，将所述作物高程信息与所述作物指标高度比对，确定所述作物高程信息与所述作物指标高度的高度差异数据；
根据所述高度差异数据计算所述目标区域的作物高度差异指数。
5.根据权利要求1-4任一项所述的作物产量预估方法，其特征在于，所述根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量，包括：
基于所述目标区域的区域面积、预设定的单位指标产量、所述作物影像差异指数和所述作物高度差异指数，使用预设定计算公式计算所述目标区域的作物预估产量。
6.根据权利要求5所述的作物产量预估方法，其特征在于，所述预设定计算公式为：
PRO＝[KT*(1-HE)]MU*V
其中，KT表示所述作物影像差异指数，HE表示所述作物高度差异指数，MU表示所述单位指标产量，V表示所述区域面积。
7.根据权利要求1-4任一项所述的作物产量预估方法，其特征在于，在根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量之后，还包括：
比较指定作物管理区域中多个所述目标区域的所述作物预估产量或生长指数，根据比较结果确定低于设定生长指标的所述目标区域，对低于设定生长指标的所述目标区域进行作物生长分析。
8.根据权利要求1-4任一项所述的作物产量预估方法，其特征在于，在根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量之后，还包括：
基于所述作物预估产量以及所述目标区域的作物贷款基础信息生成金融贷款报告，将所述金融贷款报告上传至金融贷款信息系统进行贷款审批流程。
9.根据权利要求1-4任一项所述的作物产量预估方法，其特征在于，在根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量之后，还包括：
在所述目标区域为受灾区域的情况下，基于所述作物预估产量以及所述目标区域的灾前预估产量确定所述目标区域的受灾损失产量；
根据所述受灾损失产量以及所述目标区域的作物保险理赔基础信息生成保险赔偿报告，将所述保险赔偿报告上传至保险信息系统进行保险理赔审批流程。
10.根据权利要求1所述的作物产量预估方法，其特征在于，在根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量之后，还包括：
在指定作物管理区域为受灾区域的情况下，比较指定作物管理区域中多个所述目标区域的所述作物预估产量或生长指数，根据比较结果确定达到设定受损指标的所述目标区域；
对达到设定受损指标的所述目标区域进行作物受损分析。
11.根据权利要求1所述的作物产量预估方法，其特征在于，所述获取目标区域的作物影像信息和作物高程信息包括：
接收无人设备对应所述目标区域采集的测绘数据，基于所述测绘数据生成所述目标区域的数字高程模型，数字表面模型和数字正射影像；
提取所述数字表面模型和所述数字正射影像作为所述作物影像信息，提取所述数字高程模型作为所述作物高程信息。
12.一种作物产量预估装置，其特征在于，包括：
获取模块，用于获取目标区域的作物影像信息和作物高程信息；
分析模块，用于基于所述作物影像信息进行影像分析，确定所述目标区域的作物影像差异指数；基于所述作物高程信息进行生长高度分析，确定所述目标区域的作物高度差异指数；
计算模块，用于根据所述作物影像差异指数和所述作物高度差异指数计算所述目标区域的作物预估产量。
13.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11任一所述的作物产量预估方法。
14.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-11任一所述的作物产量预估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111424321.0A CN114091774A (zh) | 2021-11-26 | 2021-11-26 | 一种作物产量预估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111424321.0A CN114091774A (zh) | 2021-11-26 | 2021-11-26 | 一种作物产量预估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114091774A true CN114091774A (zh) | 2022-02-25 |
Family
ID=80305150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111424321.0A Pending CN114091774A (zh) | 2021-11-26 | 2021-11-26 | 一种作物产量预估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091774A (zh) |
Cited By (1)
| 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 |
-
2021
- 2021-11-26 CN CN202111424321.0A patent/CN114091774A/zh active Pending
Cited By (2)
| 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210142559A1 (en) | System and method for vegetation modeling using satellite imagery and/or aerial imagery | |
| US11378718B2 (en) | Unmanned aerial vehicle system and methods | |
| US10297074B2 (en) | Three-dimensional modeling from optical capture | |
| CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN111091613A (zh) | 基于无人机航测的三维实景建模方法 | |
| JP6273473B2 (ja) | 森林情報管理装置 | |
| CN109886207B (zh) | 基于图像风格迁移的广域监测系统及方法 | |
| US20210221506A1 (en) | Unmanned aerial vehicle system and methods | |
| CN107918776A (zh) | 一种基于机器视觉的用地规划方法、系统及电子设备 | |
| CN112418245A (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
| CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
| CN116908810B (zh) | 一种无人机搭载激光雷达测量建筑土方的方法和系统 | |
| CN108763811A (zh) | 动态数据驱动林火蔓延预测方法 | |
| CN114841944B (zh) | 基于挂轨轨道机器人的尾矿坝表面形变巡检方法 | |
| CN109612445A (zh) | 一种基于无人机的WebGIS平台下高精度地形建立方法 | |
| CN114091774A (zh) | 一种作物产量预估方法及装置 | |
| CN116757509B (zh) | 一种生态农业信息化用信息服务管理方法及管理系统 | |
| CN112180987A (zh) | 协同作业方法、系统、装置、计算机设备及存储介质 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| CN113222025B (zh) | 一种基于激光雷达的可行区域标签生成方法 | |
| CN111612894B (zh) | 基于航拍图像与cim的植被模型辅助生成方法与系统 | |
| CN114531700A (zh) | 一种非人工的基站天线工参采集系统及方法 | |
| Liu et al. | Visualization of Power Corridor Based on UAV Line Inspection Data | |
| CN117611108B (zh) | 一种城乡建设用地有偿调剂的智能决策构建方法 | |
| Gu et al. | Surveying and mapping of large-scale 3D digital topographic map based on oblique photography technology |
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 |