CN114119536A - 基于云平台技术的作物氮含量快速监测与诊断方法 - Google Patents
基于云平台技术的作物氮含量快速监测与诊断方法 Download PDFInfo
- Publication number
- CN114119536A CN114119536A CN202111403485.5A CN202111403485A CN114119536A CN 114119536 A CN114119536 A CN 114119536A CN 202111403485 A CN202111403485 A CN 202111403485A CN 114119536 A CN114119536 A CN 114119536A
- Authority
- CN
- China
- Prior art keywords
- nitrogen content
- wheat
- source image
- cloud platform
- spatial distribution
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 154
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 241000209140 Triticum Species 0.000 claims abstract description 80
- 235000021307 Triticum Nutrition 0.000 claims abstract description 75
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000004720 fertilization Effects 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 244000098338 Triticum aestivum Species 0.000 description 2
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000618 nitrogen fertilizer Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于云平台技术的作物氮含量快速监测与诊断方法，包括：控制无人机采集小麦区域的多源图像，将采集到的多源图像进行分割，提取小麦种植空间分布信息，建立小麦氮素含量信息快速解析模型，根据小麦种植空间分布信息绘制氮含量空间分布图，根据氮含量空间分布图构建小麦氮含量决策诊断模型，得出小麦的施肥方案，本申请通过云平台控制无人机采集小麦图像，然后利用云平台的强大的数据存储和分布式运算能力，可以实现作物氮素监测数据的实时收集、处理与诊断分析，并可以自动输出结果，供生产经营管理者及时调整施肥和管理决策，提高测肥经济性和管理决策的效率。
Description
技术领域
本发明涉及智能农业技术领域，特别涉及基于云平台技术的作物氮含量快速监测与诊断方法。
背景技术
氮素是小麦生长发育必需的、最重要的营养元素，被称为“生命元素”。但是小麦生长发育过程中对氮的需求受到土壤条件、气象条件、管理措施等综合因素的影响，在时间上和空间上存在同质性和异质性。氮肥过量或者缺少对小麦生长均会产生不利的影响，因此及时准确地获取小麦的氮素营养状况并进行诊断，根据小麦氮素需求规律，精准调控氮肥施用量是智慧农业发展具有重要意义。近年来，5G、大数据、物联网、人工智能等新技术不断发展，伴随着我国天空地一体化遥感应用体系的建设，极大地促进了农业现代化水平，然而大农业生产是属于露天生产，受到天气条件影响较大，为更精准获取小麦信息并进行精细化管理，就需通过物联网、遥感等技术手段获取大量多源数据，这些数据的处理过程复杂、计算量巨大，远远超出了普通计算机的存储和处理能力。
因此，如何提供一种快速监测作物氮含量的方法，是本领域技术人员亟待解决的问题。
发明内容
本申请实施例提供了基于云平台技术的作物氮含量快速监测与诊断方法，旨在解决现有技术不能快速获取作物氮含量的问题。
第一方面，本申请提供了基于云平台技术的作物氮含量快速监测与诊断方法，包括：
控制无人机采集小麦区域的多源图像；
将采集到的多源数据图像进行分割，提取小麦种植空间分布信息；
建立小麦氮素含量信息快速解析模型，根据小麦种植空间分布信息绘制氮含量空间分布图；
根据氮含量空间分布图构建小麦氮含量决策诊断模型，得出小麦的施肥方案。
一种实施方式中，将采集到的多源图像数据进行分割，提取小麦种植空间分布信息，包括：
利用四叉树分割方法，将多源图像分割成不同尺寸的正方形区域，基于分割的正方形区域对小麦种植空间分布信息进行提取。
一种实施方式中，利用四叉树分割方法，将多源图像分割成不同尺寸的正方形区域，包括：
将多源图像分割成四个面积相同的区层；
计算每个区层的方差，并找出最大方差所在的区层；
若最大方差大于阈值，则对该区层继续进行四叉树分割，直到该区层的方差小于阈值。
一种实施方式中，将采集到的多源图像数据进行分割之前，包括：
对采集到的多源图像进行去噪。
第二方面，本申请还提供了基于云平台技术的作物氮含量快速监测与诊断系统，包括：
图像采集系统，用于控制无人机采集小麦区域的多源图像；
图像分割系统，用于将采集到的多源图像进行分割，提取小麦种植空间分布信息；
氮含量信息快速解析系统，用于建立小麦氮含量信息快速解析模型，根据小麦种植空间分布信息绘制氮含量空间分布图；
氮含量决策诊断系统，用于根据氮含量空间分布图构建小麦氮含量决策诊断模型，得出小麦的施肥方案。
本申请提出的基于云平台技术的作物氮含量快速监测与诊断方法，包括：控制无人机采集小麦区域的多源图像，将采集到的多源图像进行分割，提取小麦种植空间分布信息，建立小麦氮素含量信息快速解析模型，根据小麦种植空间分布信息绘制氮含量空间分布图，根据氮含量空间分布图构建小麦氮含量决策诊断模型，得出小麦的施肥方案，本申请通过云平台控制无人机采集小麦图像，然后利用云平台的强大的数据存储和分布式运算能力，可以实现作物氮素监测数据的实时收集、处理与诊断分析，并可以自动输出结果，供生产经营管理者及时调整施肥和管理决策，提高测肥经济性和管理决策的效率。
附图说明
为了更清楚的说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面的描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本申请实施例提供的基于云平台技术的作物氮含量快速监测与诊断方法流程图；
图2为本申请实施例提供的一种四叉树分割方法流程图；
图3为本申请实施例提供的一种氮含量空间分布图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1实施例所示基于云平台技术的作物氮含量快速监测与诊断方法流程图，包括：
S101、控制无人机采集小麦区域的多源图像。
首先，结合目标区域的信息，通过云平台对目标区域进行航线规划，并生成航线规划图，然后利用云平台控制无人机根据航线规划图进行飞行，并进行小麦区域图像采集，得到小麦区域的多源图像数据，然后将采集的多源图像反馈给云平台，其中，多源图像为多光谱图像或高光谱图像。
S102、将采集到的多源图像进行分割，提取小麦种植空间分布信息。
云平台接收无人机采集的小麦区域多源图像后，对多源图像进行图像分割等处理，从分割后的图像中提取小麦种植空间分布信息。
在一实施例中，将采集到的多源图像进行分割，提取小麦种植空间分布信息，包括：
将收集到的多源图像，利用四叉树分割方法提取小麦种植空间分布信息。
参见图2实施例所示的四叉树分割方法流程图；
将多源数据图像放置在预设的分割框内；
将多源数据图像分割成四个面积相同的区层h；
计算每个区层的方差Φh，并找出最大方差Φhmax所在的区层hmax；
若最大方差Φhmax大于阈值，则对区层hmax继续进行四分，直到该区层的方差小于阈值。
本实施例通过对采集的多源图像进行连续的四叉树分割，直到区层的最大方差小于阈值，然后提取小麦种植空间分布信息，使得图像的分割更精确，小麦种植空间分布信息的提取更合理。
在一实施例中，计算每个区层的方差，包括：
获取每个区层内的离散点对数目和半方差，根据离散点对数目和半方差获取区层的方差。
方差Φh的计算公式为：
式中：nh是区层h内离散点对数目；
为区层h的半方差的平均值，其可以利用下列公式来计算得到：
式中：Ah是区层h的面积；γ(xi-xj)是区层h内离散点对xi和xj之间的半方差值；z(xi)和z(xj)是变量x的实测值。
根据以上推导可得出
本实施例通过对小麦种植区域进行分割，利用分割后的区层内的离散点对数目来限定区层的最大方差，使得分割的结果更合理。
在一实施例中，将采集到的多源图像进行分割之后，包括：
对分割后的多源图像进行去噪处理。
去噪处理包括：
1)获取分割后的其中一个区层的中心像素点与相邻像素点之间的梯度绝对值的倒数；
2)计算中心像素点的灰度值，设定灰度阈值为中心像素点的灰度值的1％；
3)确定标志像素点集合t，判断各个相邻像素点与中心像素点的距离是否超过灰度阈值，若超过，则取值为1，否则取值为0；
4)若当前像素点的取值满足t(x，y)＝1，则判定该像素点为噪声点；否则，则判定该像素点为非噪声点；
5)对每个区层的中心像素点采用步骤1-4重复进行处理，若处理后的像素点灰度值的范围小于0或大于1，则对小于0的像素点取0，超过1的取1，对噪声点采用开关均中值滤波算法进行处理。
本实施例通过对分割后的图像进行去噪，从而去除图像中的噪声干扰，使得监测结果更精确。
S103、建立小麦氮素含量信息快速解析模型，根据小麦种植空间分布信息绘制氮含量空间分布图。
参见图3实施例所示的小麦氮含量空间分布图；
在一实施例中，建立小麦氮素含量信息快速解析模型，根据小麦种植空间分布信息绘制氮含量空间分布图，包括：
计算基于TCARI/OSAVI的联合植被指数JVI；
其中ρNir，ρRed，ρGreen分别指无人机采集的多源图像近红外，红，绿波段对应的光谱反射率，L指土壤调节系数，有植被覆盖区一般在0.3左右，乘法因子(1+L)主要是用来保证最后的SAVI值介于-1和1之间。
构建小麦氮含量(y)信息快速解析模型为：y＝ax+b
其中，y指小麦植株氮含量，x即为JVI，y＝0.913x+0.256，通过上述快速解析模型，利用小麦种植空间分布信息绘制氮含量空间分布图。
本实施例通过快速解析模型，计算小麦植株氮含量，然后根据小麦植株氮含量绘制氮含量空间分布图，可以实现对小麦植株含氮量的精确分析。
S104、根据氮含量空间分布图构建小麦氮含量决策诊断模型，得出小麦的施肥方案。
小麦氮含量决策诊断模型D为：
D＝0.5×(N小麦-y)-N土壤
D为小麦施肥量，N小麦为根据碳氮分析仪测得的小麦每千克产量的氮吸收量，N土壤为根据碳氮分析仪测得的土壤速效氮含量，y为小麦植株氮含量。
根据氮含量决策诊断模型，计算得到施肥量D，再通过云平台控制无人机进行施肥。
本申请通过云平台强大的数据存储和分布式运算能力，可以实现作物氮素监测数据的实时收集、处理与诊断分析，并可以自动输出结果，供生产经营管理者及时调整施肥和管理决策，提高测肥经济性和管理决策的效率。
本申请还提供了基于云平台技术的作物氮含量快速监测与诊断系统，包括：
图像采集系统，用于控制无人机采集小麦区域的多源图像；
图像分割系统，用于将采集到的多源图像数据进行分割，提取小麦种植空间分布信息；
氮含量信息快速解析系统，用于建立小麦氮含量信息快速解析模型，根据小麦种植空间分布信息绘制氮含量空间分布图；
氮含量决策诊断系统，用于根据氮含量空间分布图构建小麦氮含量决策诊断模型，得出小麦的施肥方案。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (5)
1.基于云平台技术的作物氮含量快速监测与诊断方法，其特征在于，包括：
控制无人机采集小麦区域的多源图像；
将采集到的多源图像进行分割，提取小麦种植空间分布信息；
建立小麦氮素含量信息快速解析模型，根据小麦种植空间分布信息绘制氮含量空间分布图；
根据氮含量空间分布图构建小麦氮含量决策诊断模型，得出小麦的施肥方案。
2.如权利要求1所述的基于云平台技术的作物氮含量快速监测与诊断方法，其特征在于，所述将采集到的多源图像进行分割，提取小麦种植空间分布信息，包括：
利用四叉树分割方法，将多源图像分割成不同尺寸的正方形区域，基于分割的正方形区域对小麦种植空间分布信息进行提取。
3.如权利要求2所述的基于云平台技术的作物氮含量快速监测与诊断方法，其特征在于，所述利用四叉树分割方法，将多源图像分割成不同尺寸的正方形区域，包括：
将多源图像分割成四个面积相同的区层；
计算每个区层的方差，并找出最大方差所在的区层；
若最大方差大于阈值，则对该区层继续进行四叉树分割，直到该区层的方差小于阈值。
4.如权利要求1所述的基于云平台技术的作物氮含量快速监测与诊断方法，其特征在于，所述将采集到的多源图像进行分割之前，包括：
对采集到的多源图像进行去噪。
5.基于云平台技术的作物氮含量快速监测与诊断系统，其特征在于，包括：
图像采集系统，用于控制无人机采集小麦区域的多源图像；
图像分割系统，用于将采集到的多源图像进行分割，提取小麦种植空间分布信息；
氮含量信息快速解析系统，用于建立小麦氮含量信息快速解析模型，根据小麦种植空间分布信息绘制氮含量空间分布图；
氮含量决策诊断系统，用于根据氮含量空间分布图构建小麦氮含量决策诊断模型，得出小麦的施肥方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111403485.5A CN114119536B (zh) | 2021-11-22 | 2021-11-22 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111403485.5A CN114119536B (zh) | 2021-11-22 | 2021-11-22 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114119536A true CN114119536A (zh) | 2022-03-01 |
| CN114119536B CN114119536B (zh) | 2023-07-04 |
Family
ID=80371809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111403485.5A Active CN114119536B (zh) | 2021-11-22 | 2021-11-22 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119536B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102645350A (zh) * | 2012-03-08 | 2012-08-22 | 浙江大学 | 基于高分卫星遥感数据的土壤采样方法 |
| CN110874617A (zh) * | 2019-11-26 | 2020-03-10 | 南京农业大学 | 一种冬小麦叶片氮含量估算模型的建立方法 |
| CN111652754A (zh) * | 2020-05-19 | 2020-09-11 | 江西省农业科学院农业工程研究所 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 |
| CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
| CN112540563A (zh) * | 2020-12-28 | 2021-03-23 | 黑龙江东部节水设备有限公司 | 一种基于物联网的智慧农业控制系统及控制方法 |
| CN112834442A (zh) * | 2021-01-04 | 2021-05-25 | 四川大学 | 基于多光谱数据的大区域尺度作物生长实时监测方法 |
| CN113029971A (zh) * | 2021-02-10 | 2021-06-25 | 北京农业信息技术研究中心 | 一种作物冠层氮素监测方法及系统 |
-
2021
- 2021-11-22 CN CN202111403485.5A patent/CN114119536B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102645350A (zh) * | 2012-03-08 | 2012-08-22 | 浙江大学 | 基于高分卫星遥感数据的土壤采样方法 |
| CN110874617A (zh) * | 2019-11-26 | 2020-03-10 | 南京农业大学 | 一种冬小麦叶片氮含量估算模型的建立方法 |
| CN111652754A (zh) * | 2020-05-19 | 2020-09-11 | 江西省农业科学院农业工程研究所 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 |
| CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
| CN112540563A (zh) * | 2020-12-28 | 2021-03-23 | 黑龙江东部节水设备有限公司 | 一种基于物联网的智慧农业控制系统及控制方法 |
| CN112834442A (zh) * | 2021-01-04 | 2021-05-25 | 四川大学 | 基于多光谱数据的大区域尺度作物生长实时监测方法 |
| CN113029971A (zh) * | 2021-02-10 | 2021-06-25 | 北京农业信息技术研究中心 | 一种作物冠层氮素监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114119536B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reza et al. | Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images | |
| CN113033670B (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
| CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
| CN113009485A (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
| CN111666815B (zh) | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 | |
| CN111345214A (zh) | 一种基于卫星影像数据的新疆棉花区域识别方法及系统 | |
| CN113221806B (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
| CN109919083A (zh) | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 | |
| CN112434569B (zh) | 一种无人机热成像系统 | |
| CN116029860A (zh) | 基于gis的智慧农业种植区域规划辅助决策系统 | |
| Deng et al. | Kiwifruit vine extraction based on low altitude UAV remote sensing and deep semantic segmentation | |
| CN114119536B (zh) | 基于云平台技术的作物氮含量快速监测与诊断方法 | |
| Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
| CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
| Jiang et al. | MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery | |
| CN114782835A (zh) | 作物倒伏面积比例检测方法及装置 | |
| Yang et al. | Feature extraction of cotton plant height based on DSM difference method | |
| Akhtar et al. | Automated image analysis and improvisations to manage palm oil plantation | |
| Wibowo et al. | Spatial analysis of rice phenology using Sentinel-1 and Sentinel-2 in Karawang Regency | |
| Li et al. | A longan yield estimation approach based on uav images and deep learning | |
| CN112541933B (zh) | 一种农田边界及种植结构的提取方法 | |
| CN117455939A (zh) | 遥感卫星图像的耕地边界提取方法 | |
| Panda et al. | Blueberry orchard delineation with high-resolution imagery and self-organizing map neural image classification | |
| Wang et al. | Monitoring of Winter Wheat and Summer Corn Phenology in Xiong'an New Area Based on NDVI Time Series | |
| Kuang | Prediction of corn yield in New York state by harnessing satellite remote sensing and deep 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |