CN114220022A - 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 - Google Patents
一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 Download PDFInfo
- Publication number
- CN114220022A CN114220022A CN202111506815.3A CN202111506815A CN114220022A CN 114220022 A CN114220022 A CN 114220022A CN 202111506815 A CN202111506815 A CN 202111506815A CN 114220022 A CN114220022 A CN 114220022A
- Authority
- CN
- China
- Prior art keywords
- lodging
- remote sensing
- rice
- area
- aerial vehicle
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明属于农业遥感和农业灾害技术领域,公开了一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法,包括:在监测区域选择典型调查样带,利用搭载高分辨率相机的无人机沿样带进行飞行观测,获取影像数据;对无人机飞行的影像进行拼接处理,基于目视解译选择纯净的倒伏和非倒伏样本点;获取监测区域光学和雷达卫星遥感影像;基于水稻倒伏前和倒伏后两期光学和雷达遥感数据,结合机器学习算法对水稻倒伏进行分类;基于年度多时相光学遥感数据进行监测区域水稻种植区域的提取,并对倒伏分类结果进行掩膜和修正,利用验证数据对倒伏信息结果进行验证。本发明提高了地面样本点数据采集和大范围水稻倒伏信息提取的精度和效率。
Description
技术领域
本发明属于农业遥感和气象灾害技术领域,尤其涉及一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法。
背景技术
目前,水稻是我国最重要的粮食作物之一,其种植面积、产量等信息对国家农业经济发展具有不可忽视的重要意义。水稻倒伏多是由于大风、暴雨等极端气候条件、品种或田间管理不当等因素造成,是水稻生长期中常见的农业自然灾害之一,成为限制水稻高产稳产的重要因素。因此,快速、大范围的水稻倒伏信息监测,可以为作物管理措施调整、品种改良和农作物定损理赔提供支持。
农作物倒伏具有突发性、随机性和范围广等特点,传统的田间取样调查等方式费时费力,可获取的样本数量有限,难以开展空间连续的大范围作物倒伏信息监测。无人机遥感具有机动灵活、高效快速、时效性强、作业成本低、受地形和气候影响小以及高分辨率影像分辨率高等特点,但其观测范围有限,仅适用于小区域的资源调查、环境监测、农业灾害评估。卫星遥感技术可快速连续获取大范围的农作物信息,为区域范围内作物长势监测、动态变化监测等方面提供了可靠的数据支撑,但其空间分辨率相对较低,需要一定的地面样本点用于构建水稻倒伏信息提取模型。
过去研究大量集中于利用单一遥感平台开展作物倒伏信息提取,大范围的水稻倒伏信息提取精度和自动化水平仍需进一步提高。
现有的利用单一遥感平台进行倒伏信息提取的技术主要有以下几种:
(1)利用无人机遥感获取影像,通过对无人机影像数学变换获取亮度、纹理等特征向量,结合机器学习方法提取农作物倒伏信息。然而无人机飞行范围有限,只限于小范围区域。同时模型建立需要在影像区域内获得足够的倒伏和非倒伏样本点,数据获取费时费力。
(2)利用卫星遥感空间连续的对陆地表面进行监测,依据倒伏作物与正常生长作物在遥感影像中光谱、色调及纹理等特征的差异监测受灾范围和灾情等级。然而地面验证点获取主要依靠田间调查方法,由于卫星影像空间分辨率相对较大,单个像元空间覆盖范围较大,对倒伏和非倒伏作物纯净像元获取比较困难。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的利用单一遥感平台进行倒伏信息提取的方法应用场景受限,需要大量地面纯净样本或者只能应用于小范围区域,导致倒伏信息提取精度和效率不能同时兼顾。
(2)现有的大尺度的农作物倒伏信息提取研究中使用的是已有公开发表的土地利用产品,时效性和单一农作物分类精度不足,对作物倒伏信息提取带来误差。
解决以上问题及缺陷的难度为:
目前通过遥感数据提取农作物倒伏信息的方法较少,多平台、多源和多时相的遥感数据利用不足。在大范围的农作物倒伏信息提取中,如何同时保证地面数据获取效率和倒伏信息提取精度是目前亟需解决的问题。
解决以上问题及缺陷的意义为:
结合天空一体化遥感技术,利用多平台、多源和多时相的遥感数据提取大范围的水稻倒伏信息,一方面解决了无人机数据观测范围有限的问题,另一方面减少了大范围的水稻倒伏信息提取中地面调查所需的经济和人力成本,提高地面样本点数据采集和大范围水稻倒伏信息提取的精度和效率。从而为作物种植过程中管理措施调整、品种改良和农作物定损理赔提供支持。
发明内容
针对现有技术存在的问题,本发明提供了一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法。
本发明是这样实现的,一种水稻倒伏遥感监测方法,所述水稻倒伏遥感监测方法包括:
步骤一,为了减小大区域水稻倒伏信息提取过程中的工作量,在监测区域选择同时包含倒伏区域和非倒伏区域的典型调查样带,利用搭载高分辨率相机的无人机沿调查样带进行飞行观测,获取无人机影像数据;
步骤二,对无人机飞行的影像进行拼接处理,基于目视解译选择一定数量纯净的倒伏和非倒伏样本点,从而为倒伏信息提取模型提供精确地训练和验证数据;
步骤三,综合利用多时相的光学和雷达卫星数据,在Google Earth Engine遥感云平台获取监测区域当年度Sentinel-1和Sentinel-2遥感影像,并提取相应特征变量,构建用于倒伏信息提取和水稻种植面积提取的特征变量集;
步骤四,基于水稻倒伏前和倒伏后两期光学和雷达遥感数据,结合机器学习算法对水稻倒伏进行分类,得到监测区域初步的水稻倒伏区域图;
步骤五,基于年度多时相光学遥感数据进行监测区域水稻种植区域的提取,并对倒伏分类结果进行掩膜和修正,提高水稻倒伏区域提取结果的精度和可靠性,并利用验证数据对倒伏信息结果进行验证。
进一步,步骤一中,所述无人机飞行观测包括:飞行地点随机分布于监测区域,单个飞行点飞行面积至少为1000米×1000米。
进一步,步骤二中,所述倒伏和非倒伏样本点需选择在连片的大面积倒伏或非倒伏区域中心,周边倒伏或非倒伏面积大于50米×50米,保证倒伏和非倒伏样本点在卫星遥感影像上为纯净像元。
进一步,步骤三中,所述监测区域当年度遥感影像包括当年度有效过境的全部Sentinel-2遥感影像以及包括倒伏前和倒伏后的两期Sentinel-1雷达遥感影像;对获取的Sentinel-2光学和Sentinel-1雷达遥感影像以进行数学变换,获取光谱反射率、植被指数、亮度指数、纹理变量及倒伏前后各变量的差值。
进一步,步骤四中,所述对水稻倒伏前和倒伏后的影像数据进行处理得到水稻倒伏的初步分类结果包括:提取特征变量影像上对应样本点的数据组成样本集,对样本集开展探索性数据分析,计算相关系数矩阵,去除高相关变量;利用随机方法将探索性数据分析后的样本集划分为训练集和验证集,采用随机森林分类器对训练样本集进行训练,得到对应的水稻倒伏区域提取模型,并进行水稻倒伏的初步分类。
进一步,步骤五中,所述基于所述监测区域当年度遥感影像进行监测区域的水稻种植区域的提取包括:基于所述监测区域当年度Sentinel-2光学遥感影像计算所有影像的EVI、LSWI和NDVI植被指数,利用基于物候的水稻种植区域提取算法对监测区域的水稻种植区域进行提取,并利用水稻种植区域提取结果倒伏分类结果进行掩膜,对分类结果进行修正,并利用验证数据对倒伏分类结果进行验证。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明综合利用无人机遥感与卫星遥感两个平台在空间、时间等多方面互补,开展作物倒伏信息提取,有助于提高监测的精度和效率。
本发明结合天空一体化遥感技术,提取大尺度的水稻倒伏信息,一方面解决了无人机数据观测范围有限的问题,另一方面提高了卫星遥感影像大范围的倒伏和非倒伏地面纯净像元获取,进而提高作物倒伏信息提取的精度和效率。
本发明通过结合无人机和卫星遥感影像,极大的减少了大尺度的水稻倒伏提取中地面调查所需的经济和人力成本,提高地面样本点数据采集和大范围水稻倒伏信息提取的精度和效率。
本发明结合利用卫星遥感影像和无人机数据,提高精度和效率;本发明利用当年时间序列的高分辨率卫星遥感影像,对当年的水稻种植区域进行制图。本发明能够快速、精准、大范围的水稻倒伏信息监测,可以为作物管理措施调整、品种改良和农作物定损理赔提供支持。
附图说明
图1是本发明实施例提供的水稻倒伏遥感监测方法原理图。
图2是本发明实施例提供的水稻倒伏遥感监测方法流程图。
图3是本发明实施例提供的水稻倒伏遥感影像及考察路线图。
图4是本发明实施例提供的水稻种植区域提取结果示意图。
图5是本发明实施例提供的水稻倒伏遥感监测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的水稻倒伏遥感监测方法包括:
S101,在监测区域选择同时包含倒伏区域和非倒伏区域的典型调查样带,利用搭载高分辨率相机的无人机沿调查样带进行飞行观测,获取影像数据;
S102,对无人机飞行的影像进行拼接处理,基于目视解译选择纯净的倒伏和非倒伏样本点;
S103,利用GEE遥感云平台获取监测区域当年度Sentinel-1雷达遥感影像和Sentinel-2光学遥感影像,并提取相应特征变量;
S104,基于水稻倒伏前和倒伏后两期光学和雷达遥感数据,结合机器学习算法对水稻倒伏进行分类;
S105,基于年度多时相光学遥感数据进行监测区域水稻种植区域的提取,并对倒伏分类结果进行掩膜和修正,利用验证数据对倒伏信息结果进行验证。
下面结合具体实施例对本发明的技术方案做进一步说明。
本发明的技术流程图如图2所示,选取江苏省南京市六合区部分地区为研究区,无人机样带调查时间是2021年10月23日,Sentinel-1和Sentinel-2卫星遥感影像时间为2021年4月1日至2021年10月23日。
1、在水稻发生倒伏灾害后,在研究区域选择调查样带,要求样带交通便利并能代表监测区域农业生产情况,沿样带进行无人机飞行观测,无人机上搭载高分辨率相机,飞行地点在研究区域随机分布,单个飞行点飞行面积至少1000米×1000米,同时包含倒伏区域和非倒伏区域,且单个倒伏区域或非倒伏区域面积大于50米×50米(5个Sentinel-2像元)。
2、飞行完毕后,在实验室对无人机飞行的影像进行拼接处理,获得7个飞行点的无人机影像,分辨率1cm。由于倒伏水稻和非倒伏水稻在无人机图像上表现出明显的颜色和纹理差别,因此可通过目视解译选择倒伏和非倒伏样本点,选择的倒伏和非倒伏样本点需在连片的大面积倒伏或非倒伏区域中心,周边倒伏或非倒伏面积大于50米×50米,保证倒伏和非倒伏样本点在卫星遥感影像上为纯净像元。
3、Google Earth Engine平台上获取研究区域当年度遥感影像,包括当年度有效过境的全部Sentinel-2遥感影像,其中必须包括倒伏前和倒伏后两期影像;同时获取水稻倒伏前和倒伏后两期Sentinel-1遥感影像;其中,获取的Sentinel-1遥感数据包含两个极化模式下的后向散射系数VV和VH,数据已经过轨道校正、GRD边界噪声消除、热噪音消除、辐射定标、正射校正等预处理,空间分辨率10米;Sentinel-2遥感数据已经过大气校正等预处理,对每景影像进行云量统计,仅保留未有云覆盖的数据,将所有波段反射率数据重采样为10米。
4、然后对遥感影像进行数学变换,包括对倒伏前和倒伏后的两期Sentinel-2光学遥感数据进行波段组合和灰度共生矩阵计算,提取出5组特征变量:(1)地表反射率光谱变量包括蓝色、绿色、红色、红边1、红边2、红边3、红边4、近红外、短波红外1和短波红外2共10个波段的反射率变量;(2)植被指数变量指根据波段反射率计算的增强植被指数EVI,能反映植物生长状况;(3)亮度指数变量为表征地面亮度的指数,由蓝色、绿色、红色三个波段反射率计算得到;(4)纹理指数变量是对增强植被指数进行计算其灰度共生矩阵,窗口大小设置为11×11,产生10个纹理变量,可以反映地表的粗糙程度,以及影像中地物的结构信息及其与周围环境的关系;(5)水稻倒伏后和倒伏前以上变量的差值。
将Sentinel-1雷达数据的VV、VH极化数据进行组合计算,得到4组特征变量:(1)极化的后向散射系数变量,包括VV、VH极化;(2)指数变量,对VV、VH极化进行相减和相除运算;(3)纹理变量,分别对两个极化数据计算其灰度共生矩阵,窗口大小设置为11×11,各产生10个纹理变量;(4)水稻倒伏后和倒伏前以上变量的差值。
5、利用地面采样点提取对应特征变量数据影像上的对应值,组成样本集,计算其相关系数矩阵,去除特征变量集中的高相关变量;然后利用R语言Boruta算法对特征变量进行特征选择,该算法是围绕随机森林分类算法构建的包装器,使用随机设计的属性扩展了变量特征。对每个特征创建一个相应的“阴影”特征,其值是通过重新排列原始特征的值获得的。然后,使用此扩展变量的所有特征执行分类,并计算所有特征的重要性。通过特征筛选后选择27个变量作为水稻倒伏信息提取模型的输入参数;
6、然后利用随机方法将探索性数据分析后的样本集划分为训练集和验证集,将筛选的特征变量输入到随机森林分类器中,对训练样本集进行训练并对参数进行优化,得到水稻倒伏区域提取模型,并进行水稻倒伏的初步分类。
7、利用获取的年度有效过境的多时相Sentinel-2光学遥感数据,经过去云和拼接处理后,计算水稻种植区域提取所需的植被指数EVI、LSWI和NDVI。
其中,EVI为增强植被指数,LSWI为地表水分指数,NDVI为归一化差异植被指数,NIR为近红波段的反射值值,Red为红波段的反射值,SWIR为短波红外的反射率值,Blue为蓝色波段的反射率值。
利用基于物候的水稻种植区域提取算法对研究区域的水稻种植区域提取。包括:(1)提取永久水体,判别标准为所有获得的遥感影像NDVI<0.10以及LSWI>NDVI;(2)提取裸地和建筑用地,判别标准为所有获得的遥感影像LSWI<0;(3)森林,判别标准为4月份和5月份的遥感影像EVI>0.4;(4)草地,判别标准为年度最大EVI<0.4;(5)淹水区域,判别标准为4-8月份的任一幅遥感影像LSWI>EVI或者LSWI>NDVI;然后从淹水区域中掩膜掉永久水体、裸地、建筑用地、森林和草地,得到水稻种植区域分布图。
8、对第6步和第7步生成的两幅图进行叠加,去除掉非水稻种植区域,得到最终的水稻倒伏区域分布图。
9、利用验证样本点对水稻倒伏区域提取结果进行验证。
本发明中卫星遥感数据不仅为Sentinel1/2遥感影像,Landsat、高分系列、WorldView、SPOT系列、RADARSAT、MODIS等卫星数据也可用于本发明方法;无人机平台也可替换为飞艇、载人飞机等平台。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法,其特征在于,所述水稻倒伏遥感监测方法包括:
步骤一,在监测区域选择同时包含倒伏区域和非倒伏区域的典型调查样带,利用搭载高分辨率相机的无人机沿调查样带进行飞行观测,获取影像数据;
步骤二,对无人机飞行的影像进行拼接处理,基于目视解译选择纯净的倒伏和非倒伏样本点;
步骤三,利用Google Earth Engine遥感云平台获取监测区域当年度Sentinel-1雷达遥感影像和Sentinel-2光学遥感影像,并提取相应特征变量;
步骤四,基于水稻倒伏前和倒伏后两期光学和雷达遥感数据,结合机器学习算法对水稻倒伏进行分类;
步骤五,基于年度多时相光学遥感数据进行监测区域水稻种植区域的提取,并对倒伏分类结果进行掩膜和修正,利用验证数据对倒伏信息结果进行验证。
2.如权利要求1所述水稻倒伏遥感监测方法,其特征在于,步骤一中,所述无人机飞行观测包括:飞行地点随机分布于监测区域,单个飞行点飞行面积至少为1000米×1000米。
3.如权利要求1所述水稻倒伏遥感监测方法,其特征在于,步骤二中,所述倒伏和非倒伏样本点需选择在连片的大面积倒伏或非倒伏区域中心,周边倒伏或非倒伏面积大于50米×50米,保证倒伏和非倒伏样本点在卫星遥感影像上为纯净像元。
4.如权利要求1所述水稻倒伏遥感监测方法,其特征在于,步骤三中,所述监测区域当年度遥感影像包括当年度有效过境的全部Sentinel-2遥感影像以及包括倒伏前和倒伏后的两期Sentinel-1雷达遥感影像;对获取的Sentinel-2光学和Sentinel-1雷达遥感影像以进行数学变换,获取光谱反射率、植被指数、亮度指数、纹理变量及倒伏前后各变量的差值。
5.如权利要求1所述水稻倒伏遥感监测方法,其特征在于,步骤四中,所述对水稻倒伏前和倒伏后的影像数据进行处理得到水稻倒伏的初步分类结果包括:提取特征变量影像上对应样本点的数据组成样本集,对样本集开展探索性数据分析,计算相关系数矩阵,去除高相关变量;利用随机方法将探索性数据分析后的样本集划分为训练集和验证集,采用随机森林分类器对训练样本集进行训练,得到对应的水稻倒伏区域提取模型,并进行水稻倒伏的初步分类。
6.如权利要求1所述水稻倒伏遥感监测方法,其特征在于,步骤五中,所述基于所述监测区域当年度遥感影像进行监测区域的水稻种植区域的提取包括:基于所述监测区域当年度Sentinel-2光学遥感影像计算所有影像的EVI、LSWI和NDVI植被指数,利用基于物候的水稻种植区域提取算法对监测区域的水稻种植区域进行提取,并利用水稻种植区域提取结果对倒伏分类结果进行掩膜,对分类结果进行修正,并利用验证数据对倒伏分类结果进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506815.3A CN114220022A (zh) | 2021-12-10 | 2021-12-10 | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506815.3A CN114220022A (zh) | 2021-12-10 | 2021-12-10 | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114220022A true CN114220022A (zh) | 2022-03-22 |
Family
ID=80700791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111506815.3A Pending CN114220022A (zh) | 2021-12-10 | 2021-12-10 | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114220022A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049920A (zh) * | 2022-04-19 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 基于gee结合生育期属性和面向对象的大区域作物提取方法 |
CN115719453A (zh) * | 2023-01-09 | 2023-02-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水稻种植结构遥感提取方法 |
CN115965873A (zh) * | 2023-01-17 | 2023-04-14 | 中国科学院东北地理与农业生态研究所 | 一种玉米收割进度高时空分辨率监测方法 |
CN116543316A (zh) * | 2023-07-06 | 2023-08-04 | 杭州稻道农业科技有限公司 | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 |
CN117789067A (zh) * | 2024-02-27 | 2024-03-29 | 山东字节信息科技有限公司 | 一种基于机器学习的无人机农作物监测方法及系统 |
-
2021
- 2021-12-10 CN CN202111506815.3A patent/CN114220022A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049920A (zh) * | 2022-04-19 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 基于gee结合生育期属性和面向对象的大区域作物提取方法 |
CN115719453A (zh) * | 2023-01-09 | 2023-02-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水稻种植结构遥感提取方法 |
CN115719453B (zh) * | 2023-01-09 | 2023-08-04 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于深度学习的水稻种植结构遥感提取方法 |
CN115965873A (zh) * | 2023-01-17 | 2023-04-14 | 中国科学院东北地理与农业生态研究所 | 一种玉米收割进度高时空分辨率监测方法 |
CN116543316A (zh) * | 2023-07-06 | 2023-08-04 | 杭州稻道农业科技有限公司 | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 |
CN116543316B (zh) * | 2023-07-06 | 2023-10-27 | 杭州稻道农业科技有限公司 | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 |
CN117789067A (zh) * | 2024-02-27 | 2024-03-29 | 山东字节信息科技有限公司 | 一种基于机器学习的无人机农作物监测方法及系统 |
CN117789067B (zh) * | 2024-02-27 | 2024-05-10 | 山东字节信息科技有限公司 | 一种基于机器学习的无人机农作物监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114220022A (zh) | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 | |
CN108985588B (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
Lu et al. | Improving Unmanned Aerial Vehicle (UAV) remote sensing of rice plant potassium accumulation by fusing spectral and textural information | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
US20230186503A1 (en) | Method for troubleshooting hidden dangers of trees near power transmission lines by combining icesat-2 with jl-1 images | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
CN113505635A (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
CN112906537B (zh) | 一种基于卷积神经网络的农作物识别方法及系统 | |
CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
CN111523525A (zh) | 农作物分类识别方法、装置和电子设备 | |
CN113723319A (zh) | 一种基于风云卫星数据的水稻种植分布提取方法 | |
CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
CN113177942A (zh) | 大豆种植区遥感监测识别方法、装置、电子设备和介质 | |
CN112434569A (zh) | 一种无人机热成像系统 | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
CN114926732A (zh) | 一种多传感器融合的农作物深度学习识别方法及系统 | |
CN117456367A (zh) | 一种农作物种植区域识别方法、装置、设备及存储介质 | |
Zhang et al. | Removal of canopy shadows improved retrieval accuracy of individual apple tree crowns LAI and chlorophyll content using UAV multispectral imagery and PROSAIL model | |
CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
CN112966579B (zh) | 一种基于无人机遥感的大面积油茶林快速估产方法 | |
Wang et al. | Scaling effects of chlorophyll content in walnut leaves estimations with coupling Boruta algorithm and machine learning model | |
Mottus et al. | Patch size selection for analysis of sub-meter resolution hyperspectral imagery of forests | |
US20220391613A1 (en) | Agricultural crop estimated date of planting |
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 |