CN114202691B - 基于遥感图像的水稻识别方法、装置以及设备 - Google Patents

基于遥感图像的水稻识别方法、装置以及设备 Download PDF

Info

Publication number
CN114202691B
CN114202691B CN202111498208.7A CN202111498208A CN114202691B CN 114202691 B CN114202691 B CN 114202691B CN 202111498208 A CN202111498208 A CN 202111498208A CN 114202691 B CN114202691 B CN 114202691B
Authority
CN
China
Prior art keywords
rice
remote sensing
backscattering coefficient
identification
paddy field
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.)
Active
Application number
CN202111498208.7A
Other languages
English (en)
Other versions
CN114202691A (zh
Inventor
钟凯文
左坚
朱紫阳
胡鸿达
郑华健
许剑辉
石晓春
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.)
SURVEYING AND MAPPING INSTITUTE LANDS AND RESOURCE DEPARTMENT OF GUANGDONG PROVINCE
Guangzhou Institute of Geography of GDAS
Original Assignee
SURVEYING AND MAPPING INSTITUTE LANDS AND RESOURCE DEPARTMENT OF GUANGDONG PROVINCE
Guangzhou Institute of Geography of GDAS
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 SURVEYING AND MAPPING INSTITUTE LANDS AND RESOURCE DEPARTMENT OF GUANGDONG PROVINCE, Guangzhou Institute of Geography of GDAS filed Critical SURVEYING AND MAPPING INSTITUTE LANDS AND RESOURCE DEPARTMENT OF GUANGDONG PROVINCE
Priority to CN202111498208.7A priority Critical patent/CN114202691B/zh
Publication of CN114202691A publication Critical patent/CN114202691A/zh
Application granted granted Critical
Publication of CN114202691B publication Critical patent/CN114202691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/045—Combinations of 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及遥感数据分析领域，特别涉及一种基于遥感图像的水稻识别方法，所述方法包括：获取目标区域的遥感图像数据集，其中，遥感图像数据集包括若干个遥感图像，遥感图像包括第一水稻图斑图像以及水田图斑图像；获取水稻地面观测数据；根据遥感图像，获取水田图斑图像的后向散射系数数据；根据水稻地面观测数据、水田图斑图像的后向散射系数数据以及预设的水稻训练数据集构建模型，获取水稻训练数据集；根据水稻训练数据集以及预设的神经网络模型中，对预设的神经网络模型进行若干次训练，获取水稻识别模型；响应于识别指令，识别指令包括待识别区域的遥感图像，根据待识别区域的遥感图像以及水稻识别模型，获取待识别区域的水稻识别结果。

Description

基于遥感图像的水稻识别方法、装置以及设备
技术领域
本发明涉及遥感数据分析领域，特别涉及是一种基于遥感图像的水稻识别方法、装置、设备以及存储介质。
背景技术
水稻作为世界三大粮食作物之一，是人类最主要的粮食来源，在我国乃至世界的粮食生产结构中占有十分重要的地位。掌握水稻种植面积、长势和产量信息，能够为监测中国水稻生产状况、指导农业生产与宏观调控水稻种植区划、水稻产量的预报和评估、粮食价格的预测和政府部门对粮食生产政策的制定等方面提供依据。
目前的水稻识别方法依赖于人工采集的水稻识别标签数量，耗时长，工作量大，精度不高。因此，如何解决快速准确提取水稻识别标签成为进行识别水稻面积实际应用中必须要解决的问题。
发明内容
基于此，本发明的目的在于，提供一种基于遥感图像的水稻识别方法、装置、设备以及存储介质，基于遥感图像数据集的后向散射系数数据，生成与后向散射系数数据相对应的水稻识别标签，实现了水稻识别标签的快速生成，提高效率，并构建包括有水稻标签的水稻训练数据集，根据该水稻训练数据集进行训练，获取水稻识别模型，实现了水稻的快速、精准识别，降低成本。
第一方面，本申请实施例提供了一种基于遥感图像的水稻识别方法，包括以下步骤：
获取目标区域的遥感图像数据集，其中，所述遥感图像数据集包括若干个遥感图像，所述遥感图像包括第一水稻图斑图像以及水田图斑图像；
获取水稻地面观测数据，其中，所述地面观测数据为所述目标区域的各个时期的水稻的地面观测的后向散射系数数据；
根据所述遥感图像，获取所述水田图斑图像的后向散射系数数据，其中，所述水田图斑图像的后向散射系数数据包括目标区域的各个时期的水稻与其他不同种类的农作物的后向散射系数数据；
根据所述水稻地面观测数据、水田图斑图像的后向散射系数数据以及预设的水稻训练数据集构建模型，获取水稻训练数据集，其中，所述水稻训练集包括水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据；
根据所述水稻训练数据集以及预设的神经网络模型中，对预设的神经网络模型进行若干次训练，获取水稻识别模型；
响应于识别指令，所述识别指令包括所述待识别区域的遥感图像，根据所述待识别区域的遥感图像以及所述水稻识别模型，获取所述待识别区域的水稻识别结果。
第二方面，本申请实施例提供了一种基于遥感图像的水稻识别装置，包括：
第一获取模块，用于获取目标区域的遥感图像数据集，其中，所述遥感图像数据集包括若干个遥感图像，所述遥感图像包括第一水稻图斑图像以及水田图斑图像；
第二获取模块，用于获取水稻地面观测数据，其中，所述地面观测数据为所述目标区域的各个时期的水稻的地面观测的后向散射系数数据；
后向散射系数计算模块，用于根据所述遥感图像，获取所述水田图斑图像的后向散射系数数据，其中，所述水田图斑图像的后向散射系数数据包括目标区域的各个时期的水稻与其他不同种类的农作物的后向散射系数数据；
训练数据集构建模块，用于根据所述水稻地面观测数据、水田图斑图像的后向散射系数数据以及预设的水稻训练数据集构建模型，获取水稻训练数据集，其中，所述水稻训练集包括水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据；
训练模块，用于根据所述水稻训练数据集以及预设的神经网络模型中，对预设的神经网络模型进行若干次训练，获取水稻识别模型；
识别模块，用于响应于识别指令，所述识别指令包括所述待识别区域的遥感图像，根据所述待识别区域的遥感图像以及所述水稻识别模型，获取所述待识别区域的水稻识别结果。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述基于遥感图像的水稻识别方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于遥感图像的水稻识别方法的步骤。
在本申请实施例中，提供一种基于遥感图像的水稻识别方法、装置、设备以及存储介质，基于遥感图像数据集的后向散射系数数据，生成与后向散射系数数据相对应的水稻识别标签，实现了水稻识别标签的快速生成，提高效率，并构建包括有水稻标签的水稻训练数据集，根据该水稻训练数据集进行训练，获取水稻识别模型，实现了水稻的快速、精准识别，降低成本。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请第一实施例提供的基于遥感图像的水稻识别方法的流程示意图；
图2为本申请第二实施例提供的基于遥感图像的水稻识别方法的流程示意图；
图3为本申请第一实施例提供的基于遥感图像的水稻识别方法中S4的流程示意图；
图4为本申请第一实施例提供的基于遥感图像的水稻识别方法中S401的流程示意图；
图5为本申请第一实施例提供的基于遥感图像的水稻识别方法中S5的流程示意图；
图6为本申请第三实施例提供的基于遥感图像的水稻识别方法的流程示意图；
图7为本申请第四实施例提供的基于遥感图像的水稻识别装置的结构示意图；
图8为本申请第五实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请第一实施例提供的基于遥感图像的水稻识别方法的流程示意图，所述方法包括如下步骤：
S1：获取目标区域的遥感图像数据集，其中，所述遥感图像数据集包括若干个遥感图像，所述遥感图像包括第一水稻图斑图像以及水田图斑图像。
所述基于遥感图像的水稻识别方法的执行主体为基于遥感图像的水稻识别方法的识别设备(以下简称识别设备)，在一个可选的实施例中，所述识别设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
所述遥感图像的类型包括SAR遥感图像以及光学遥感图像，其中，所述SAR(Synthetic Aperture Radar)，即合成孔径雷达，是一种主动式的对地观测系统，能够对地表进行观测，并具有一定的地表穿透能力。所述SAR遥感图像，则是通过SAR技术获得的目标区域内的观测图像。
所述水稻图斑为在所述遥感图像的光学遥感图像上，聚集在一起且相互连通的只种植水稻的区域，所述水田图斑图像为在所述遥感图像的SAR遥感图像上，聚集在一起且相互连通的水田的区域，其中，所述水田种植有水稻以及其他不同类型的农作物。
在本实施例中，识别设备获取用户输入的目标区域的遥感图像数据集，也可以在数据库中获取目标区域的遥感图像数据集，其中，所述遥感图像数据集中包括若干个遥感图像，每个遥感图像包括第一水稻图斑图像以及水田图斑图像。
请参阅图2，图2为本申请第二实施例提供的基于遥感图像的水稻识别方法的流程示意图，包括步骤S7，所述步骤S7在所述步骤S2之前，具体如下：
S7：对所述遥感图像进行配准、滤波、地理编码和辐射定标预处理，获取所述遥感图像中的第一水稻图斑图像以及水田图斑图像。
在本实施例中，识别设备对所述遥感图像进行配准以及滤波处理，获取处理后的遥感图像，其中，识别设备采用中值滤波器进行滤波处理，以孤立所述遥感图像中的噪声和斑点；对所述处理后的遥感图像进行地理编码以及辐射定标，获取所述遥感图像中的第一水稻图斑图像以及水田图斑图像，通过对遥感图像进行配准以及裁剪，以降低非水稻因素对水稻识别和提取的干扰，提高水稻识别的精准性。
S2：获取水稻地面观测数据，其中，所述地面观测数据为所述目标区域的各个时期的水稻的地面观测的后向散射系数数据。
在本实施例中，识别设备通过地面观测的方式获取目标区域的各个时期的水稻图像，计算所述各个时期的水稻图像的每个像元的后向散射系数，获取所述目标区域的各个时期的水稻的地面观测的后向散射系数数据，作为所述水稻地面观测数据。
S3：根据所述遥感图像，获取所述水田图斑图像的后向散射系数数据，其中，所述水田图斑图像的后向散射系数数据包括目标区域的各个时期的水稻与其他不同种类的农作物的后向散射系数数据。
在本实施例中，识别设备获取目标区域的各个时期的水稻与其他不同种类的农作物的SAR图像，分别计算所述各个时期的水稻与其他不同种类的农作物的SAR图像以及水田图斑图像的每个像元的后向散射系数，作为所述各个时期的水稻与其他不同种类的农作物的后向散射系数数据以及所述遥感图像的水田图斑图像的后向散射系数数据。
S4：根据所述水稻地面观测数据、水田图斑图像的后向散射系数数据以及预设的水稻训练数据集构建模型，获取水稻训练数据集，其中，所述水稻训练集包括水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据。
在本实施例中，识别设备将所述水稻地面观测数据以及水田图斑图像的后向散射系数数据输入至预设的水稻训练数据集构建模型，获取水稻识别标签，以及与所述所述水稻识别标签相对应的水田图斑图像的后向散射系数数据；将所述水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据进行组合，获取水稻训练数据集。
请参阅图3，图3为本申请第一实施例提供的基于遥感图像的水稻识别方法中S4的流程示意图，包括步骤S401～S402，具体如下：
S401：根据所述水稻地面观测数据以及水田图斑图像的后向散射系数数据中各个时期的水稻的后向散射系数数据，从所述水田图斑图像中提取第二水稻图斑图像。
在本实施例中，识别设备根据所述水田图斑图像的后向散射系数数据、各个时期的水稻与其他不同种类的农作物的后向散射系数数据，从所述水田图斑图像中提取第二水稻图斑图像。
请参阅图4，图4为本申请第一实施例提供的基于遥感图像的水稻识别方法中S401的流程示意图，包括步骤S4011～S4014，具体如下：
S4011：根据所述水稻地面观测数据、水田图斑图像的后向散射系数数据中各个时期的水稻的后向散射系数数据以及欧式距离算法，计算欧氏距离测度。
所述欧式距离算法为：
Figure BDA0003400574620000061
Figure BDA0003400574620000062
式中，Edorig为欧式距离，Ednormal为所述欧式距离测度，m为Edorig的最小值，M为Edorig的最大值，ti为所述水稻地面观测数据中第i个时期的水稻的后向散射系数数据；pi为所述水田图斑图像的后向散射系数数据中第i个时期的水稻的后向散射系数数据；
在本实施例中，识别设备获取时像数相同的水稻地面观测数据、水田图斑图像的后向散射系数数据，将所述水稻地面观测数据中第i个时期的水稻的后向散射系数数据、所述水田图斑图像的后向散射系数数据中第i个时期的水稻的后向散射系数数据输入至所述欧式距离算法中，计算欧氏距离测度。
S4012：根据所述水田图斑图像的后向散射系数数据中各个时期的水稻与其他不同种类的农作物的后向散射系数数据以及后向散射系数相关性测度算法，获取后向散射系数相关性测度。
所述后向散射系数相关性测度算法为：
Figure BDA0003400574620000063
式中，ρ为后向散射系数相关性测度，n为后向散射系数数据的时间序列的长度，μt为所述水田图斑图像的第i个时期的水稻的后向散射系数数据的均值，hi为所述其他不同种类的农作物的后向散射系数数据的时间序列值，μh为所述水田图斑图像的第i个时期的其他不同种类的农作物的后向散射系数数据的均值，为所述水稻的后向散射系数数据的标准值，σh为所述其他不同种类的农作物的后向散射系数数据的标准值；
在本实施例中，识别设备获取所述水田图斑图像的后向散射系数数据中各个时期的水稻与其他不同种类的农作物的后向散射系数数据的标准值，根据所述水田图斑图像的后向散射系数数据中各个时期的水稻与其他不同种类的农作物的后向散射系数数据以及后向散射系数相关性测度算法，获取所述水田图斑图像中每个像元的后向散射系数相关性测度。
S4013：根据所述欧式距离测度、后向散射系数相关性测度以及后向散射系数相似测量值算法，获取后向散射系数相似测量值，作为水稻识别值。
所述后向散射系数相似测量值算法为：
Figure BDA0003400574620000071
式中，BSV(Backscatter similarity value)为所述后向散射系数相似测量值；
在本实施例中，识别设备根据所述欧式距离测度、后向散射系数相关性测度以及后向散射系数相似测量值算法，获取所述水田图斑图像的后向散射系数相似测量值，作为水稻识别值。
S4014：根据所述水稻识别值以及预设的水稻识别阈值，从所述水田图斑图像中提取第二水稻图斑图像。
在一个可选的实施例中，识别设备将所述水稻识别阈值设置为0.4，对所述水田图斑图像的像元进行分析，当所述水田图斑图像的像元对应的水稻识别值大于水稻识别阈值时，判断为水田图斑结果，当所述水田图斑图像的像元对应的水稻识别值小于水稻识别阈值时，判断为非水田图斑结果；
根据所述水田图斑结果，将所述像元判断为第二水稻图斑像元，将所述第二水稻图斑像元进行组合，作为第二水稻图斑图像，从而在所述水田图斑图像中提取第二水稻图斑图像。
S402：根据所述第一水稻图斑图像以及第二水稻图斑图像，获取水稻识别标签，将所述水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据进行组合，获取水稻训练数据集。
在本实施例中，识别设备将所述第一水稻图斑图像以及第二水稻图斑图像进行对比分析，获取水稻识别标签，将所述水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据进行组合，获取水稻训练数据集。
S5：根据所述水稻训练数据集以及预设的神经网络模型中，对预设的神经网络模型进行若干次训练，获取水稻识别模型。
识别设备采用U-Net模型作为所述神经网络模型，其中，所述U-Net模型是基于开源框架TensorFlow模型进行的，而TensorFlow模型是由一组基本的神经网络参数来定义的。
在本实施例中，识别设备将所述水稻训练数据集作为输入至所述神经网络模型中，进行若干次训练，获取若干个训练后的神经网络模型，从所述若干个训练后的神经网络模型中获取水稻识别模型，用以对水稻的分布范围进行提取。
请参阅图5，图5为本申请第一实施例提供的基于遥感图像的水稻识别方法中S5的流程示意图，包括步骤S501～S502，具体如下：
S501：获取水稻样本数据集。
所述水稻样本数据集包括若干个不同数量、不同大小的水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据；
在本实施例中，识别设备获取水稻样本数据集，用以对所述若干个训练后的神经网络模型进行更全面的精度验证。
S502：将所述水稻样本数据集输入至训练后神经网络模型，进行若干次训练，获取水稻识别模型。
在本实施例中，识别设备将所述水稻样本数据集输入至训练后神经网络模型，进行若干次训练，获取每一次训练的训练损失数值和验证精度数值，根据所述训练损失数值以及验证精度数值，获取水稻识别模型，以提高所述水稻识别模型对水稻进行分析识别的准确性。
S6：响应于识别指令，所述识别指令包括所述待识别区域的遥感图像，根据所述待识别区域的遥感图像以及所述水稻识别模型，获取所述待识别区域的水稻识别结果。
所述识别指令是用户发出的，由识别设备接收。
在本实施例中，识别设备获取用户发送的所述识别指令，并进行响应，获取所述识别指令中的待识别区域的遥感图像，并将其输入至所述水稻识别模型，获取所述待识别区域的水稻识别结果，其中，所述水稻识别结果包括水稻图斑的区域划分结果以及面积数据，保存至相应的数据库中。
请参阅图6，图6为本申请第三实施例提供的基于遥感图像的水稻识别方法的流程示意图，还包括步骤S8，具体如下：
S8：响应于显示指令，获取电子地图数据，根据所述待识别区域的水稻识别结果，在所述电子地图数据的待识别区域上进行水稻识别结果的显示以及标注。
所述显示指令是用户发出的，由识别设备接收。
在本实施例中，识别设备获取用户发送的所述显示指令，并进行响应，获取电子地图数据。
识别设备从所述数据库中获取所述待识别区域的水稻识别结果，返回至识别设备的显示界面中，在所述电子地图数据上进行水稻识别结果的显示以及标注，具体地，根据所述待识别区域的水稻识别结果，在所述电子地图数据上进行水稻图斑的区域划分以及面积数据的显示。
请参考图7，图7为本申请第四实施例提供的基于遥感图像的水稻识别装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于遥感图像的水稻识别装置的全部或一部分，该装置7包括：
第一获取模块71，用于获取目标区域的遥感图像数据集，其中，所述遥感图像数据集包括若干个遥感图像，所述遥感图像包括第一水稻图斑图像以及水田图斑图像；
第二获取模块72，用于获取水稻地面观测数据，其中，所述地面观测数据为所述目标区域的各个时期的水稻的地面观测的后向散射系数数据；
后向散射系数计算模块73，用于根据所述遥感图像，获取所述水田图斑图像的后向散射系数数据，其中，所述水田图斑图像的后向散射系数数据包括目标区域的各个时期的水稻与其他不同种类的农作物的后向散射系数数据；
训练数据集构建模块74，用于根据所述水稻地面观测数据、水田图斑图像的后向散射系数数据以及预设的水稻训练数据集构建模型，获取水稻训练数据集，其中，所述水稻训练集包括水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据；
训练模块75，用于根据所述水稻训练数据集以及预设的神经网络模型中，对预设的神经网络模型进行若干次训练，获取水稻识别模型；
识别模块76，用于响应于识别指令，所述识别指令包括所述待识别区域的遥感图像，根据所述待识别区域的遥感图像以及所述水稻识别模型，获取所述待识别区域的水稻识别结果。
在本实施例中，通过第一获取模块，获取目标区域的遥感图像数据集，其中，所述遥感图像数据集包括若干个遥感图像，所述遥感图像包括第一水稻图斑图像以及水田图斑图像；通过第二获取模块，获取水稻地面观测数据，其中，所述地面观测数据为所述目标区域的各个时期的水稻的地面观测的后向散射系数数据；通过后向散射系数计算模块，根据所述遥感图像，获取所述水田图斑图像的后向散射系数数据，其中，所述水田图斑图像的后向散射系数数据包括目标区域的各个时期的水稻与其他不同种类的农作物的后向散射系数数据；通过训练数据集构建模块，根据所述水稻地面观测数据、水田图斑图像的后向散射系数数据以及预设的水稻训练数据集构建模型，获取水稻训练数据集，其中，所述水稻训练集包括水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据；通过训练模块，根据所述水稻训练数据集以及预设的神经网络模型中，对预设的神经网络模型进行若干次训练，获取水稻识别模型；通过识别模块，响应于识别指令，所述识别指令包括所述待识别区域的遥感图像，根据所述待识别区域的遥感图像以及所述水稻识别模型，获取所述待识别区域的水稻识别结果。本申请基于遥感图像数据集的后向散射系数数据，生成与后向散射系数数据相对应的水稻识别标签，实现了水稻识别标签的快速生成，提高效率，并构建包括有水稻标签的水稻训练数据集，根据该水稻训练数据集进行训练，获取水稻识别模型，实现了水稻的快速、精准识别，降低成本。
请参考图8，图8为本申请第五实施例提供的计算机设备的结构示意图，计算机设备8包括：处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83；计算机设备可以存储有多条指令，指令适用于由处理器81加载并执行上述实施例一至实施例三的方法步骤，具体执行过程可以参见实施例一至实施例三的具体说明，在此不进行赘述。
其中，处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器82内的指令、程序、代码集或指令集，以及调用存储器82内的数据，执行基于遥感图像的水稻识别装置7的各种功能和处理数据，可选的，处理器81可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrambleLogic Array，PLA)中的至少一个硬件形式来实现。处理器81可集成中央处理器81(CentralProcessing Unit，CPU)、图像处理器81(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器81中，单独通过一块芯片进行实现。
其中，存储器82可以包括随机存储器82(Random Access Memory，RAM)，也可以包括只读存储器82(Read-Only Memory)。可选的，该存储器82包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述实施例一至实施例三的方法步骤，具体执行过程可以参见实施例一至实施例三的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (8)

1.一种基于遥感图像的水稻识别方法，其特征在于，包括以下步骤：
获取目标区域的遥感图像数据集，其中，所述遥感图像数据集包括若干个遥感图像，所述遥感图像包括第一水稻图斑图像以及水田图斑图像；
获取水稻地面观测数据，其中，所述水稻地面观测数据为所述目标区域的各个时期的水稻的地面观测的后向散射系数数据；
根据所述遥感图像，获取所述水田图斑图像的后向散射系数数据，其中，所述水田图斑图像的后向散射系数数据包括目标区域的各个时期的水稻与其他不同种类的农作物的后向散射系数数据；
根据所述水稻地面观测数据以及水田图斑图像的后向散射系数数据中各个时期的水稻的后向散射系数数据，从所述水田图斑图像中提取第二水稻图斑图像；根据所述第一水稻图斑图像以及第二水稻图斑图像，获取水稻识别标签，将所述水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据进行组合，获取水稻训练数据集，其中，所述水稻训练集包括水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据；
根据所述水稻训练数据集以及预设的神经网络模型中，对预设的神经网络模型进行若干次训练，获取水稻识别模型；
响应于识别指令，所述识别指令包括待识别区域的遥感图像，根据所述待识别区域的遥感图像以及所述水稻识别模型，获取所述待识别区域的水稻识别结果。
2.根据权利要求1所述的基于遥感图像的水稻识别方法，其特征在于，所述获取目标区域的各个时期的水稻与其他不同种类的农作物的后向散射系数数据之前，包括步骤：
对所述遥感图像进行配准、滤波、地理编码和辐射定标预处理，获取所述遥感图像中的第一水稻图斑图像以及水田图斑图像。
3.根据权利要求1所述的基于遥感图像的水稻识别方法，其特征在于，所述根据所述水稻地面观测数据以及水田图斑图像的后向散射系数数据中各个时期的水稻的后向散射系数数据，从所述水田图斑图像中提取第二水稻图斑图像，包括步骤：
根据所述水稻地面观测数据、水田图斑图像的后向散射系数数据中各个时期的水稻的后向散射系数数据以及欧式距离算法，计算欧氏距离测度，其中，所述欧式距离算法为：
Figure FDA0003817478220000021
Figure FDA0003817478220000022
式中，Edorig为欧式距离，Ednormal为所述欧式距离测度，m为Edorig的最小值，M为Edorig的最大值，ti为所述水稻地面观测数据中第i个时期的水稻的后向散射系数数据；pi为所述水田图斑图像的后向散射系数数据中第i个时期的水稻的后向散射系数数据；
根据所述水田图斑图像的后向散射系数数据中各个时期的水稻与其他不同种类的农作物的后向散射系数数据以及后向散射系数相关性测度算法，获取后向散射系数相关性测度，其中，所述后向散射系数相关性测度算法为：
Figure FDA0003817478220000023
式中，ρ为后向散射系数相关性测度，n为后向散射系数数据的时间序列的长度，μt为所述水田图斑图像的第i个时期的水稻的后向散射系数数据的均值，hi为所述其他不同种类的农作物的后向散射系数数据的时间序列值，μh为所述水田图斑图像的第i个时期的其他不同种类的农作物的后向散射系数数据的均值，σt为所述水稻的后向散射系数数据的标准值，σh为所述其他不同种类的农作物的后向散射系数数据的标准值；
根据所述欧式距离测度、后向散射系数相关性测度以及后向散射系数相似测量值算法，获取后向散射系数相似测量值，作为水稻识别值，其中，所述后向散射系数相似测量值算法为：
Figure FDA0003817478220000024
式中，BSV为所述后向散射系数相似测量值；
根据所述水稻识别值以及预设的水稻识别阈值，从所述水田图斑图像中提取第二水稻图斑图像。
4.根据权利要求1所述的基于遥感图像的水稻识别方法，其特征在于，所述根据所述水稻训练数据集以及预设的神经网络模型中，对预设的神经网络模型进行若干次训练，获取水稻识别模型，包括步骤：
获取水稻样本数据集，其中，所述水稻样本数据集包括若干个不同数量、不同大小的水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据；
将所述水稻样本数据集输入至训练后神经网络模型，进行若干次训练，获取水稻识别模型。
5.根据权利要求1所述的基于遥感图像的水稻识别方法，其特征在于，还包括步骤：响应于显示指令，获取电子地图数据，根据所述待识别区域的水稻识别结果，在所述电子地图数据的待识别区域上进行水稻识别结果的显示以及标注。
6.一种基于遥感图像的水稻识别装置，其特征在于，包括：
第一获取模块，用于获取目标区域的遥感图像数据集，其中，所述遥感图像数据集包括若干个遥感图像，所述遥感图像包括第一水稻图斑图像以及水田图斑图像；
第二获取模块，用于获取水稻地面观测数据，其中，所述地面观测数据为所述目标区域的各个时期的水稻的地面观测的后向散射系数数据；
后向散射系数计算模块，用于根据所述遥感图像，获取所述水田图斑图像的后向散射系数数据，其中，所述水田图斑图像的后向散射系数数据包括目标区域的各个时期的水稻与其他不同种类的农作物的后向散射系数数据；
训练数据集构建模块，用于根据所述水稻地面观测数据以及水田图斑图像的后向散射系数数据中各个时期的水稻的后向散射系数数据，从所述水田图斑图像中提取第二水稻图斑图像；根据所述第一水稻图斑图像以及第二水稻图斑图像，获取水稻识别标签，将所述水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据进行组合，获取水稻训练数据集，其中，所述水稻训练集包括水稻识别标签以及与所述水稻识别标签相对应的水田图斑图像的后向散射系数数据；
训练模块，用于根据所述水稻训练数据集以及预设的神经网络模型中，对预设的神经网络模型进行若干次训练，获取水稻识别模型；
识别模块，用于响应于识别指令，所述识别指令包括待识别区域的遥感图像，根据所述待识别区域的遥感图像以及所述水稻识别模型，获取所述待识别区域的水稻识别结果。
7.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于遥感图像的水稻识别方法的步骤。
8.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于遥感图像的水稻识别方法的步骤。
CN202111498208.7A 2021-12-09 2021-12-09 基于遥感图像的水稻识别方法、装置以及设备 Active CN114202691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111498208.7A CN114202691B (zh) 2021-12-09 2021-12-09 基于遥感图像的水稻识别方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111498208.7A CN114202691B (zh) 2021-12-09 2021-12-09 基于遥感图像的水稻识别方法、装置以及设备

Publications (2)

Publication Number Publication Date
CN114202691A CN114202691A (zh) 2022-03-18
CN114202691B true CN114202691B (zh) 2022-10-04

Family

ID=80651580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111498208.7A Active CN114202691B (zh) 2021-12-09 2021-12-09 基于遥感图像的水稻识别方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN114202691B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814102B (zh) * 2022-04-28 2023-01-20 广东技术师范大学 一种基于活动轨迹序列的水稻白叶枯病预警方法和装置
CN115424134B (zh) * 2022-08-26 2024-04-09 南方海洋科学与工程广东省实验室(广州) 一种基于遥感影像的污染入海通量预测方法以及装置
CN115346124B (zh) * 2022-09-02 2023-05-30 浙大城市学院 一种水稻制图的方法、装置、设备及可读存储介质
CN116467482B (zh) * 2023-04-04 2024-04-09 广东省科学院广州地理研究所 多模态植物知识查询方法、系统及计算机设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008552A (zh) * 2014-06-16 2014-08-27 南京大学 基于动态时间弯曲的时序sar影像耕地提取方法
CN108766203A (zh) * 2018-05-23 2018-11-06 中科卫星应用德清研究院 一种紧致极化水稻制图的方法及系统
CN109345555A (zh) * 2018-10-15 2019-02-15 中科卫星应用德清研究院 基于多时相多源遥感数据进行水稻识别的方法
CN111123265A (zh) * 2019-12-16 2020-05-08 广州地理研究所 基于雷达时序图像的菠萝种植范围提取方法及装置、设备
CN111142106A (zh) * 2020-02-26 2020-05-12 北京师范大学 一种基于合成孔径雷达时序数据的水稻自动识别方法
CN111738066A (zh) * 2020-05-11 2020-10-02 杭州电子科技大学 综合多源遥感信息的网格化水稻纹枯病生境评价方法
CN111860150A (zh) * 2020-06-11 2020-10-30 中科禾信遥感科技（苏州）有限公司 基于遥感影像的倒伏水稻识别方法与装置
CN111985433A (zh) * 2020-08-28 2020-11-24 中国科学院地理科学与资源研究所 一种水稻遥感信息提取方法和系统
CN112668400A (zh) * 2020-12-08 2021-04-16 深圳先进技术研究院 一种植被识别方法及应用
CN112836725A (zh) * 2021-01-11 2021-05-25 中国农业科学院农业信息研究所 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
CN113009485A (zh) * 2021-03-10 2021-06-22 安徽皖南烟叶有限责任公司 一种基于改进植被指数的遥感烟田识别方法
CN113095303A (zh) * 2021-06-04 2021-07-09 成都数之联科技有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN113534083A (zh) * 2021-05-24 2021-10-22 中国农业大学 基于sar的玉米留茬方式识别方法、装置和介质
CN113642399A (zh) * 2021-07-12 2021-11-12 广东省国土资源测绘院 基于sar数据的水田撂荒地识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7705768B2 (en) * 2007-05-07 2010-04-27 Pasco Corporation Radar image processor and method of radar image processing
US9756844B2 (en) * 2011-05-13 2017-09-12 The Climate Corporation Method and system to map biological pests in agricultural fields using remotely-sensed data for field scouting and targeted chemical application
CN108304775B (zh) * 2017-12-26 2021-06-11 北京市商汤科技开发有限公司 遥感图像识别方法、装置、存储介质以及电子设备
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
US11636672B2 (en) * 2019-10-15 2023-04-25 A.U.G. Signals Ltd. Crop phenology estimation and tracking with remote sensing imagery
CN112084991A (zh) * 2020-09-18 2020-12-15 中国农业科学院农业资源与农业区划研究所 基于多源遥感时序影像和卷积神经网络的作物早期识别方法
CN113534159B (zh) * 2021-07-08 2022-04-26 国家海洋技术中心 一种基于sar卫星遥感数据的海面风速反演方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008552A (zh) * 2014-06-16 2014-08-27 南京大学 基于动态时间弯曲的时序sar影像耕地提取方法
CN108766203A (zh) * 2018-05-23 2018-11-06 中科卫星应用德清研究院 一种紧致极化水稻制图的方法及系统
CN109345555A (zh) * 2018-10-15 2019-02-15 中科卫星应用德清研究院 基于多时相多源遥感数据进行水稻识别的方法
CN111123265A (zh) * 2019-12-16 2020-05-08 广州地理研究所 基于雷达时序图像的菠萝种植范围提取方法及装置、设备
CN111142106A (zh) * 2020-02-26 2020-05-12 北京师范大学 一种基于合成孔径雷达时序数据的水稻自动识别方法
CN111738066A (zh) * 2020-05-11 2020-10-02 杭州电子科技大学 综合多源遥感信息的网格化水稻纹枯病生境评价方法
CN111860150A (zh) * 2020-06-11 2020-10-30 中科禾信遥感科技（苏州）有限公司 基于遥感影像的倒伏水稻识别方法与装置
CN111985433A (zh) * 2020-08-28 2020-11-24 中国科学院地理科学与资源研究所 一种水稻遥感信息提取方法和系统
CN112668400A (zh) * 2020-12-08 2021-04-16 深圳先进技术研究院 一种植被识别方法及应用
CN112836725A (zh) * 2021-01-11 2021-05-25 中国农业科学院农业信息研究所 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
CN113009485A (zh) * 2021-03-10 2021-06-22 安徽皖南烟叶有限责任公司 一种基于改进植被指数的遥感烟田识别方法
CN113534083A (zh) * 2021-05-24 2021-10-22 中国农业大学 基于sar的玉米留茬方式识别方法、装置和介质
CN113095303A (zh) * 2021-06-04 2021-07-09 成都数之联科技有限公司 模型训练方法及林地变化检测方法及系统及装置及介质
CN113642399A (zh) * 2021-07-12 2021-11-12 广东省国土资源测绘院 基于sar数据的水田撂荒地识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Application of Remote Sensors in Mapping Rice Area and Forecasting Its Production: A Review;Mostafa K. Mosleh等;《Sensors》;20150105;第15卷(第1期);第769-791页 *
Complementarity of Two Rice Mapping Approaches:Characterizing Strata Mapped by Hypertemporal MODIS and Rice Paddy Identification Using Multitemporal SAR;Sonia Asilo等;《remote sensing》;20141222;第6卷(第12期);第12789-12814页 *
RICE PADDY FIELDS IDENTIFICATION BASED ON BACKSCATTER FEATURES OF QUAD-POL RADARSAT-2 DATA AND SIMPLE DECISION TREE METHOD;Ze He等;《2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS》;20211012;第6765-6768页 *
基于全计划SAR数据的水稻识别与作物参数估算模型;张晓倩;《中国优秀硕士学位论文全文数据库 农业科技辑》;20120915(第9期);第D047-11页 *
基于深度学习和雷达遥感数据的水稻种植面积提取研究;宁斯岚;《中国优秀硕士学位论文全文数据库 农业科技辑》;20200715(第7期);第D043-17页 *
基于面向对象方法的水稻种植区提取方法研究;李震祥;《中国优秀硕士学位论文全文数据库 农业科技辑》;20190915(第9期);第D043-23页 *

Also Published As

Publication number Publication date
CN114202691A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN114202691B (zh) 基于遥感图像的水稻识别方法、装置以及设备
Reddy et al. Analysis of classification algorithms for plant leaf disease detection
Al Bashish et al. Detection and classification of leaf diseases using K-means-based segmentation and
Kavzoglu Increasing the accuracy of neural network classification using refined training data
Halme et al. Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest
Rocchini Effects of spatial and spectral resolution in estimating ecosystem α-diversity by satellite imagery
CN114612896B (zh) 基于遥感图像的水稻产量预测方法、装置以及设备
Guo et al. Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images
Dutta et al. Segmentation of unhealthy leaves in cruciferous crops for early disease detection using vegetative indices and Otsu thresholding of aerial images
CN109863530A (zh) 确定谷穗的谷粒重量
Helmholz et al. Semi-automatic verification of cropland and grassland using very high resolution mono-temporal satellite images
Bai et al. A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery
Fischer et al. Use of unmanned aircraft systems (UAS) and multispectral imagery for quantifying agricultural areas damaged by wild pigs
Martín et al. Discrimination of sterile oat (Avena sterilis) in winter barley (Hordeum vulgare) using QuickBird satellite images
Hao et al. Methodology for optimizing quadrat size in sparse vegetation surveys: A desert case study from the Tarim Basin
CN116385819A (zh) 基于神经网络模型的水质评价方法、装置以及设备
Guan et al. An improved approach to estimating crop lodging percentage with Sentinel-2 imagery using machine learning
Sankaran et al. Can High-Resolution Satellite Multispectral Imagery Be Used to Phenotype Canopy Traits and Yield Potential in Field Conditions?
CN114612804A (zh) 基于无人机遥感图像的植被检测方法、装置以及设备
CN109960972B (zh) 一种基于中高分辨率时序遥感数据的农林作物识别方法
Qiu et al. Automated cropping intensity extraction from isolines of wavelet spectra
Akila et al. Automation in plant growth monitoring using high-precision image classification and virtual height measurement techniques
Fu et al. Exploring the effects of training samples on the accuracy of crop mapping with machine learning algorithm
CN116597602A (zh) 森林火灾预警方法、装置、设备以及存储介质
Wallace et al. Analysis of remotely sensed data

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