CN114140691A - 基于无人机可见光图像预测作物倒伏角度和形态的方法 - Google Patents
基于无人机可见光图像预测作物倒伏角度和形态的方法 Download PDFInfo
- Publication number
- CN114140691A CN114140691A CN202111471472.1A CN202111471472A CN114140691A CN 114140691 A CN114140691 A CN 114140691A CN 202111471472 A CN202111471472 A CN 202111471472A CN 114140691 A CN114140691 A CN 114140691A
- Authority
- CN
- China
- Prior art keywords
- lodging
- aerial vehicle
- unmanned aerial
- plant height
- crop
- 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 32
- 230000014509 gene expression Effects 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000009418 agronomic effect Effects 0.000 claims description 5
- 244000037666 field crops Species 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000030853 Asthma-Chronic Obstructive Pulmonary Disease Overlap Syndrome Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机可见光图像预测作物倒伏角度和形态的方法。本发明基于无人机获取的高时序性遥感图像提取倒伏期内持续动态的株高，模拟作物倒伏形态并构建模型，从而计算并预测作物倒伏角度；与此同时，基于实测数据构建若干种可能符合倒伏形态的数学模型，然后由无人机模拟的植株长度与所有模型中模拟的植株长度比较，筛选出模型中最优表达模型作为该样本点的最佳形态表达模型，从而直观反应作物倒伏的几何形态。最后整合数据构建倒伏模型查找表。结果表明，预测的作物倒伏角度精度R2大于0.65，RMSE小于10°；构建的倒伏模型查找表精度R2大于0.7。该方法为无人机预测作物倒伏角度和模拟倒伏形态提供了理论依据。
Description
技术领域
本发明属于农业生物信息技术领域，具体涉及一种基于无人机可见光图像预测作物倒伏角度和形态的方法。
背景技术
农作物倒伏是指直立生长的作物发生歪斜，甚至全株匍匐倒地的现象。农作物在发生倒伏后使群体冠层结构遭到破坏，阻碍光合产物向籽粒运输，同时代谢消耗自身的营养和储存物质，造成减产和品质下降。倒伏是作物生产中普遍存在的现象，已成为当下农业生产中最为严峻的问题之一。
传统监测和评估作物倒伏依赖视觉直观评价和实验室理化性质分析。但是此类方法研究范围受限，费时费力，人为影响因素较大。在作物发生倒伏后，田间冠层结构改变，使得光谱信息、形态信息、图像纹理发生改变，利用遥感技术监测作物倒伏成为了当下的热点。
遥感技术凭借无损高效的特点，可以获取超高空间分辨率的图像、田间冠层三维信息和光谱图像。目前常用于研究和评估作物倒伏的方向主要有：(1)倒伏目标的识别；(2)倒伏后的冠层形态变化；(3)倒伏与非倒伏的光谱差异；
然而，在遥感评估作物倒伏的研究中依赖田间实测的倒伏角度测量，目前尚未有基于遥感预测作物倒伏角度的研究。与此同时，利用遥感技术模拟田间倒伏几何形态也鲜有研究。
发明内容
(一)要解决的技术问题
为了实现对作物倒伏时期的实时、精准的监测，且能节省人力物力，提高工作效率，本发明提供研究了一种基于无人机可见光图像预测作物倒伏角度和形态的方法。实现了对于作物倒伏角度精准且稳定的预测。
(二)技术方案
为了解决上述问题，本发明提出了一种基于无人机可见光图像预测作物倒伏角度和形态的方法，具体如下。
一种基于无人机可见光图像预测作物倒伏角度和形态的方法，其特征在于：包括如下步骤：
步骤1，用无人机对大田作物进行高时序性数据采集，涵盖整个倒伏时期；
步骤2，在田间进行倒伏相关的农艺性状测量和记录；
步骤3，使用拼图软件拼接无人机高清图像，得到若干期正射影像DOM和数字表面模型DSM；
步骤4，在得到的DOM中每小区中勾画倒伏目标矢量图，把矢量图代入DSM图像中，计算其高程值；
步骤5，在获取的若干期无人机图像中，重复步骤4，可以得到每个小区在倒伏时期的连续的高程值，用每一期的高程值减去裸地时的高程值，即可得到各小区在倒伏时期高时序性的株高值；
步骤6，在获取的高时序性株高值中，筛选出最大株高值和倒伏时期的株高值，利用这两个值构建模型并计算作物倒伏角度；
步骤7，利用地面实测数据构建可能符合作物倒伏时几何形态的数学模型，再利用无人机提取的最大株高值筛选出最优数学模型；对所有样本重复上述操作，得到所有样本的倒伏最优表达模型；整合数据，生成倒伏模型查找表LUT；
步骤8，将无人机提取到的最大株高值和倒伏时的株高值两个参数代入查找表中，筛选出倒伏目标的最优数学模型，进而确定倒伏角度和形态。
更具体地，步骤1中，无人机数据采集频率为每隔3-5天采集一次，完整监测作物的整个倒伏过程。
更具体地，在步骤2中，田间的人工测量与记录包括利用直尺测量作物倒伏时的自然株高和水平方向上的偏移距离，以及用量角器测量根部位置倒伏时的切线角度。
更具体地，步骤6中采用近似直角三角形来计算作物倒伏角度，具体是以倒伏前的最大株高作为直角三角形的斜边，倒伏时的株高作为一条直角边，通过三角函数计算倒伏角度。
更具体地，步骤7中，考虑模拟田间倒伏时可能存在的几何形态，具体是通过构建适合表达倒伏形态的函数式来实现；函数表达式包括一次函数、二次函数、对数函数和圆函数；先利用人工测量的参数分别构建上述函数表达式，并分别求出不同模型下的弧长值，弧长值的现实意义即为作物长度；结合实际田间的作物长势动态，无人机监测到未倒伏时的最大株高可近似模拟作物倒伏时的总长度；不同模型预测的弧长值中与无人机提取的最大株高值最为接近时，该模型被筛选为最优数学模型，即作为该样本点的倒伏模型函数表达式；对所有样本点重复此操作，得到每一个样本点的最优函数表达式，最后整合所有数据，生成预测倒伏模型的查找表LUT。
更具体地，步骤8中，将无人机提取的最大株高值和倒伏时的株高值代入查找表，输出参数包括根部切线角度、作物水平方向偏移距离和作物株高，可计算得到作物倒伏角度；同时也可快速输出倒伏目标的最优函数表达式，函数图像直观模拟作物倒伏时的几何形态。
(三)有益效果
相对于现有技术而言，本发明具备显著积极的技术效果，具体表现在如下部分：(1)利用无人机精确提取到了作物倒伏的相关农艺性状，首次提出利用无人机可见光图像预测作物倒伏角度；(2)在建立的查找表中可以直接提取作物倒伏时的相关农艺性状，且最优数学模型直观展示了作物倒伏时的几何形态。
附图说明
图1本发明的方法流程图
图2倒伏角度计算
图3可能的倒伏形态模型
图4倒伏几何形态模型及最优模型的筛选流程图
具体实施方式
本发明为了解决其技术问题，提供了一种基于无人机可见光图像预测作物倒伏角度和形态的方法。本发明的方法流程图如图1所示。
一种基于无人机可见光图像预测作物倒伏角度和形态的方法，其特征在于：包括如下步骤：
步骤1，用无人机对大田作物进行高时序性数据采集，涵盖整个倒伏时期；
步骤2，在田间进行倒伏相关的农艺性状测量和记录；
步骤3，使用拼图软件拼接无人机高清图像，得到若干期正射影像DOM和数字表面模型DSM；
步骤4，在得到的DOM中每小区中勾画倒伏目标矢量图，把矢量图代入DSM图像中，计算其高程值；
步骤5，在获取的若干期无人机图像中，重复步骤4，可以得到每个小区在倒伏时期的连续的高程值，用每一期的高程值减去裸地时的高程值，即可得到各小区在倒伏时期高时序性的株高值；
步骤6，在获取的高时序性株高值中，筛选出最大株高值和倒伏时期的株高值，利用这两个值构建模型并计算作物倒伏角度；
步骤7，利用地面实测数据构建可能符合作物倒伏时几何形态的数学模型，再利用无人机提取的最大株高值筛选出最优数学模型；对所有样本重复上述操作，得到所有样本的倒伏最优表达模型；整合数据，生成倒伏模型查找表LUT；
步骤8，将无人机提取到的最大株高值和倒伏时的株高值两个参数代入查找表中，筛选出倒伏目标的最优数学模型，进而确定倒伏角度和形态。
其中，步骤1中，无人机数据采集频率为每隔3-5天采集一次，完整监测作物的整个倒伏过程。
步骤2中，田间的人工测量与记录包括利用直尺测量作物倒伏时的自然株高和水平方向上的偏移距离，以及用量角器测量根部位置倒伏时的切线角度。然后把倒伏形态模拟为直角三角形并计算倒伏角度。参见说明书附图2。
实测倒伏角度＝ATAN(水平方向偏移距离/倒伏时自然株高)
步骤4中，在生成的DOM图像中找到目标倒伏作物，勾画半径为0.1米的圆形矢量图，然后将生成的矢量图代入DSM图像中，最后提取各矢量图中的高程值。
步骤5中，倒伏时期每一期的DSM图像都代表了实时的高程值，然后减去基底DTM的高程值，即可得到每期的实时株高。
株高＝DSM-DTM
步骤6中，采用近似直角三角形来计算作物倒伏角度，具体是以倒伏前的最大株高作为直角三角形的斜边，倒伏时的株高作为一条直角边，通过三角函数计算倒伏角度，参见图2。
无人机预测倒伏角度＝ACOS(无人机提取倒伏时自然株高/无人机提取最大株高值)
步骤7中，考虑并模拟田间倒伏时可能存在的几何形态，具体是通过构建适合表达倒伏形态的函数表达式来实现；函数表达式包括一次函数、二次函数、对数函数和圆函数的部分图像；先利用人工测量的参数分别构建上述函数表达式，并分别求出不同模型下的弧长值，弧长值的现实意义即为作物长度，参见图3；结合实际田间的作物长势动态，无人机监测到未倒伏时的最大株高可近似模拟作物倒伏时的总长度；不同模型预测的弧长值中与无人机提取的最大株高值最为接近时，该模型被筛选为最优数学模型，即作为该样本点的倒伏模型函数表达式，参见图4；对所有样本点重复此操作，得到每一个样本点的最优函数表达式，最后整合所有数据，生成预测倒伏模型的查找表LUT。
一次函数：y＝kx
二次函数：y＝ax2+bx
对数函数：y＝logab(x-1)
圆函数：(x-a)2+(y-b)2＝c2
弧长公式：
步骤8中，将无人机提取的最大株高值和倒伏时的株高值代入查找表，输出参数包括根部切线角度、作物水平方向偏移距离和作物株高，可计算得到作物倒伏角度；同时也可快速输出倒伏目标的最优函数表达式，函数图像直观模拟作物倒伏时的几何形态。
为了更好地解释本发明的技术方案，以长江流域多个生态区的油菜为具体应用对象，本发明获得了如下结果：
(1)无人机监测作物倒伏的精确性
基于无人机图像提取株高来计算预测作物倒伏角度，结果表明：无人机预测作物株高精度表现为R2大于0.72，RMSE小于15cm，RRMSE小于15％；利用高频次的株高预测的作物倒伏角度精度表现为R2大于0.65，RMSE小于10°。可以看到，无人机在监测和预测作物倒伏方面的可行性。
(2)高时序性无人机监测作物倒伏的应用
基于本发明所提出的方法，在倒伏发生后，利用高时序性数据下的最大株高和任一倒伏时期的株高可以准确且实时获取作物的倒伏角度。通过此方法可以收集到作物在倒伏发生后倒伏角度持续的动态情况。
(3)构建适用于长江流域的油菜倒伏LUT
LUT的构建考虑到了油菜倒伏时茎秆弧度造成的倒伏角度预测误差，同时利用最优函数表达式可以准确地模拟油菜倒伏时的几何形态。在所有样本点中，随机挑选80％样本点数据集用于构建LUT，20％数据集用于精度的验证。LUT的结果表明，在所有参与构建LUT的样本点中，25％适用对数函数表达式，2％适用于线性函数表达式，73％适用于圆函数表达式。同时验证集精度相关系数R2为0.74。最后把无人机提取的株高值带入LUT，可以得到每一个数据点的倒伏形态模拟函数式，可以直观地了解到油菜倒伏时的几何模型。
申请中所描述的具体实例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可对本发明所描述的具体实例做各种修改或者补充，或采用类型的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于无人机可见光图像预测作物倒伏角度和形态的方法，其特征在于：包括如下步骤：
步骤1，用无人机对大田作物进行高时序性数据采集，涵盖整个倒伏时期；
步骤2，在田间进行倒伏相关的农艺性状测量和记录；
步骤3，使用拼图软件拼接无人机高清图像，得到若干期正射影像DOM和数字表面模型DSM；
步骤4，在得到的DOM中每小区中勾画倒伏目标矢量图，把矢量图代入DSM图像中，计算其高程值；
步骤5，在获取的若干期无人机图像中，重复步骤4，可以得到每个小区在倒伏时期的连续的高程值，用每一期的高程值减去裸地时的高程值，即可得到各小区在倒伏时期高时序性的株高值；
步骤6，在获取的高时序性株高值中，筛选出最大株高值和倒伏时期的株高值，利用这两个值构建模型并计算作物倒伏角度；
步骤7，利用地面实测数据构建可能符合作物倒伏时几何形态的数学模型，再利用无人机提取的最大株高值筛选出最优数学模型；对所有样本重复上述操作，得到所有样本的倒伏最优表达模型；整合数据，生成倒伏模型查找表LUT；
步骤8，将无人机提取到的最大株高值和倒伏时的株高值两个参数代入查找表中，筛选出倒伏目标的最优数学模型，进而确定倒伏角度和形态。
2.根据权利要求1所述的基于无人机可见光图像预测作物倒伏角度和形态的方法，其特征在于：步骤1中，无人机数据采集频率为每隔3-5天采集一次，完整监测作物的整个倒伏过程。
3.根据权利要求1所述的基于无人机可见光图像预测作物倒伏角度和形态的方法，其特征在于：在步骤2中，田间的人工测量与记录包括利用直尺测量作物倒伏时的自然株高和水平方向上的偏移距离，以及用量角器测量根部位置倒伏时的切线角度。
4.根据权利要求1所述的基于无人机可见光图像预测作物倒伏角度和形态的方法，其特征在于：步骤6中采用近似直角三角形来计算作物倒伏角度，具体是以倒伏前的最大株高作为直角三角形的斜边，倒伏时的株高作为一条直角边，通过三角函数计算倒伏角度。
5.根据权利要求1所述的基于无人机可见光图像预测作物倒伏角度和形态的方法，其特征在于：步骤7中，考虑模拟田间倒伏时的可能存在的几何形态，具体是通过构建适合表达倒伏形态的函数表达式来实现；函数表达式包括一次函数、二次函数、对数函数和圆函数；先利用人工测量的参数分别构建上述函数表达式，并分别求出不同模型下的弧长值，弧长值的现实意义即为作物长度；结合实际田间的作物长势动态，无人机监测到未倒伏时的最大株高可近似模拟作物倒伏时的总长度；不同模型预测的弧长值中，与无人机提取的最大株高值最为接近时，该模型被筛选为最优数学模型，即作为该样本点的倒伏模型函数表达式；对所有样本点重复此操作，得到每一个样本点的最优函数表达式，最后整合所有数据，生成预测倒伏模型的查找表LUT。
6.根据权利要求1所述的基于无人机可见光图像预测作物倒伏角度和形态的方法，其特征在于：步骤8中，将无人机提取的最大株高值和倒伏时的株高值代入查找表，可输出参数包括根部切线角度、作物水平方向偏移距离和作物株高，可计算得到作物倒伏角度；同时也可快速输出倒伏目标的最优函数表达式，函数图像直观模拟作物倒伏时的几何形态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111471472.1A CN114140691B (zh) | 2021-11-25 | 2021-11-25 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111471472.1A CN114140691B (zh) | 2021-11-25 | 2021-11-25 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114140691A true CN114140691A (zh) | 2022-03-04 |
| CN114140691B CN114140691B (zh) | 2024-04-23 |
Family
ID=80387926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111471472.1A Active CN114140691B (zh) | 2021-11-25 | 2021-11-25 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114140691B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863369A (zh) * | 2022-07-06 | 2022-08-05 | 北京市农林科学院信息技术研究中心 | 激光雷达监测玉米倒伏的方法、装置、设备及介质 |
| CN117193347A (zh) * | 2023-11-08 | 2023-12-08 | 北京市农林科学院智能装备技术研究中心 | 无人机飞行高度控制方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析系统 |
| CN109084690A (zh) * | 2018-10-31 | 2018-12-25 | 杨凌禾讯遥感科技有限公司 | 基于无人机可见光遥感的作物株高计算方法 |
| US20200294620A1 (en) * | 2017-10-04 | 2020-09-17 | KWS SAAT SE & Co. KGaA | Method and system for performing data analysis for plant phenotyping |
| CN111833435A (zh) * | 2020-06-28 | 2020-10-27 | 江苏大学 | 无人机近地遥感成熟作物密度高通量测量方法 |
| CN112287892A (zh) * | 2020-11-23 | 2021-01-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 |
| CN112418075A (zh) * | 2020-11-20 | 2021-02-26 | 北京艾尔思时代科技有限公司 | 一种基于冠层高度模型的玉米倒伏区域检测方法及系统 |
| US20210327132A1 (en) * | 2018-09-04 | 2021-10-21 | Viliam Kiss | Method of identifying and displaying areas of lodged crops |
-
2021
- 2021-11-25 CN CN202111471472.1A patent/CN114140691B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析系统 |
| US20200294620A1 (en) * | 2017-10-04 | 2020-09-17 | KWS SAAT SE & Co. KGaA | Method and system for performing data analysis for plant phenotyping |
| US20210327132A1 (en) * | 2018-09-04 | 2021-10-21 | Viliam Kiss | Method of identifying and displaying areas of lodged crops |
| CN109084690A (zh) * | 2018-10-31 | 2018-12-25 | 杨凌禾讯遥感科技有限公司 | 基于无人机可见光遥感的作物株高计算方法 |
| CN111833435A (zh) * | 2020-06-28 | 2020-10-27 | 江苏大学 | 无人机近地遥感成熟作物密度高通量测量方法 |
| CN112418075A (zh) * | 2020-11-20 | 2021-02-26 | 北京艾尔思时代科技有限公司 | 一种基于冠层高度模型的玉米倒伏区域检测方法及系统 |
| CN112287892A (zh) * | 2020-11-23 | 2021-01-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李广;张立元;宋朝阳;彭曼曼;张瑜;韩文霆;: "小麦倒伏信息无人机多时相遥感提取方法", 农业机械学报, no. 04, 21 January 2019 (2019-01-21) * |
| 胡琪;武红旗;轩俊伟;范燕敏;王德俊;谷海斌;: "基于无人机DSM的小麦倒伏信息提取", 安徽农业科学, no. 16, 18 August 2020 (2020-08-18) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863369A (zh) * | 2022-07-06 | 2022-08-05 | 北京市农林科学院信息技术研究中心 | 激光雷达监测玉米倒伏的方法、装置、设备及介质 |
| CN114863369B (zh) * | 2022-07-06 | 2022-10-04 | 北京市农林科学院信息技术研究中心 | 激光雷达监测玉米倒伏的方法、装置、设备及介质 |
| CN117193347A (zh) * | 2023-11-08 | 2023-12-08 | 北京市农林科学院智能装备技术研究中心 | 无人机飞行高度控制方法、装置、电子设备及存储介质 |
| CN117193347B (zh) * | 2023-11-08 | 2024-03-05 | 北京市农林科学院智能装备技术研究中心 | 无人机飞行高度控制方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114140691B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hosoi et al. | 3-D voxel-based solid modeling of a broad-leaved tree for accurate volume estimation using portable scanning lidar | |
| CN114140691A (zh) | 基于无人机可见光图像预测作物倒伏角度和形态的方法 | |
| CN112287892B (zh) | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 | |
| CN108921885A (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
| Li et al. | Combined use of airborne LiDAR and satellite GF-1 data to estimate leaf area index, height, and aboveground biomass of maize during peak growing season | |
| RU2006141815A (ru) | Способ определения количества ресурсов с использованием географической информационной системы | |
| CN112434617B (zh) | 一种基于多源遥感数据的森林生物量变化监测方法及系统 | |
| CN111583328B (zh) | 基于几何模型的绿萝叶片外部表型参数的三维估测方法 | |
| CN107392908B (zh) | 作物株高测量方法及系统、田间定标装置 | |
| CN114091613B (zh) | 一种基于高分联合组网数据的森林生物量估算方法 | |
| CN108981616B (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
| CN109544038A (zh) | 一种基于生命周期分析的生物质碳排放估算系统和方法 | |
| CN108959705A (zh) | 一种预测大面积亚热带森林生物量的混合效应模型 | |
| CN108896021A (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
| Juyal et al. | Estimation of tree volume using mask R-CNN based deep learning | |
| Maravelakis et al. | 3D modelling of the oldest olive tree of the world | |
| Putman et al. | Automated estimation of standing dead tree volume using voxelized terrestrial lidar data | |
| CN102509096B (zh) | 一种玉米植株叶倾角的提取处理方法 | |
| Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
| CN111289997A (zh) | 一种基于激光雷达传感器的田间作物冠层稠密度检测方法 | |
| CN110836661A (zh) | 一种天坑参数测量方法 | |
| Zhang et al. | Multi-phenotypic parameters extraction and biomass estimation for lettuce based on point clouds | |
| Wezyk et al. | Describing the selected canopy layer parameters of the Scots pine stands using ALS data. | |
| CN110470258B (zh) | 一种云南松林分生长量确定方法及系统 | |
| CN109827503B (zh) | 一种田间作物精准定位方法和装置 |
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 |