CN114419367A - 一种农作物高精度制图方法及系统 - Google Patents
一种农作物高精度制图方法及系统 Download PDFInfo
- Publication number
- CN114419367A CN114419367A CN202111643634.5A CN202111643634A CN114419367A CN 114419367 A CN114419367 A CN 114419367A CN 202111643634 A CN202111643634 A CN 202111643634A CN 114419367 A CN114419367 A CN 114419367A
- Authority
- CN
- China
- Prior art keywords
- crop
- sample
- area
- image
- time sequence
- 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 66
- 238000005070 sampling Methods 0.000 claims abstract description 229
- 238000009826 distribution Methods 0.000 claims abstract description 89
- 238000013145 classification model Methods 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000013507 mapping Methods 0.000 claims abstract description 65
- 238000002310 reflectometry Methods 0.000 claims abstract description 41
- 238000007637 random forest analysis Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000877 morphologic effect Effects 0.000 claims description 11
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 240000008042 Zea mays Species 0.000 description 40
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 40
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 40
- 235000005822 corn Nutrition 0.000 description 40
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000003786 synthesis reaction Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种农作物高精度制图方法及系统，该方法包括：根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。本发明通过获取农作物区域的陆地卫星表面反射率影像，基于由随机森林分类器训练得到的分类模型，对陆地卫星表面反射率影像进行分类，得到农作物区域更为精准的空间分布图，更加准确的对农作物分布区域进行监测和评估。
Description
技术领域
本发明涉及农业遥感技术领域，尤其涉及一种农作物高精度制图方法及系统。
背景技术
快速增长的人口和复杂的气候变化，为全球粮食安全带来了巨大压力。农作物空间分布监测，是调控农业生产、调整种植结构的重要基础之一，及时、准确地绘制高精度农作物分布图，对粮食安全和环境可持续发展至关重要。
随着卫星遥感和地面监测等技术的日渐成熟，农作物监测也越来越精准，基于遥感技术，在开展农作物制图及评价上正在发挥积极的作用。然而，由于高质量农作物样本不易收集，且大范围农作物分布区域制图也被明显的时空异质性干扰，严重限制了农作物空间分布制图精度。
因此，现在亟需一种农作物高精度制图方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明提供一种农作物高精度制图方法及系统。
本发明提供一种农作物高精度制图方法，包括：
根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；
将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有农作物月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
根据本发明提供的一种农作物高精度制图方法，所述训练好的分类模型通过以下步骤得到：
对目标农作物在生长周期内的样本陆地卫星表面反射率影像进行均值处理，得到样本月均值时序合成影像集合，并获取所述样本陆地卫星表面反射率影像对应区域的历史农作物分布区遥感影像数据；
对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点；
基于所述农作物种植区影像中农作物的类型，对所述农作物采样点标记对应的农作物采样点类型标签，得到标签标记后的农作物采样点；
根据所述样本月均值时序合成影像集合中图像的像素值，为所述标签标记后的农作物采样点匹配对应的农作物月均值时序合成影像像素特征，构建得到训练样本集；
将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型。
根据本发明提供的一种农作物高精度制图方法，所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点，包括：
根据不同年度的历史农作物分布区遥感影像数据之间的交集区域影像，确定初始农作物种植区域样本图像；
对所述初始农作物种植区样本图像进行图像腐蚀处理，得到农作物种植区域影像；
对所述农作物种植区域影像的质心进行提取，确定所述农作物种植区域影像中的第一初始农作物样本采样点；
删除所述第一初始农作物样本采样点中的第二初始农作物样本采样点，获取第三初始农作物样本采样点；其中，所述第二初始农作物样本采样点为所述农作物种植区域影像中农作物区域边界外的第一初始农作物样本采样点；
对所述第三初始农作物样本采样点进行判断，将满足预设分割阈值的第三初始农作物样本确定为所述农作物种植区域影像中对应的农作物采样点。
根据本发明提供的一种农作物高精度制图方法，在所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像之前，所述方法还包括：
在所述历史农作物分布区遥感影像数据内划分多个相同规格的格网单元；
所述将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型，包括：
步骤S1，基于预设选取条件和所述训练样本集，确定初始格网单元，并通过所述初始格网单元中的农作物采样点和非农作物采样点，构建得到初始采样点样本库；
步骤S2，将所述初始采样点样本库中的采样点，输入到随机森林分类器，得到初始分类模型；
步骤S3，根据所述初始格网单元，确定所述样本月均值时序合成影像集合的农作物采样区格网单元，得到基于农作物采样区格网单元构建的农作物采样区样本图像集合，并将所述农作物采样区样本图像集合输入到所述初始分类模型中，输出所述农作物采样区样本图像集合中每个农作物采样区格网单元对应的预测准确率，并得到第二分类模型；
步骤S4，将最低预测准确率的农作物采样区格网单元的农作物采样点和非农作物采样点，存储在所述初始采样点样本库中，得到目标采样点样本库；
步骤S5，将所述目标采样点样本库中的农作物采样点和非农作物采样点，输入到所述第二分类模型进行训练；
步骤S6，在当前轮次的训练完成之后，将所述最低预测准确率的农作物采样区格网单元中的农作物采样点和非农作物采样点再次加入到所述目标采样点样本库，得到更新后的目标采样点样本库，重复步骤S5至步骤S6，在满足预设训练条件之后，得到训练好的分类模型。
根据本发明提供的一种农作物高精度制图方法，所述根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合，包括：
获取预设年份内目标区域每月的陆地卫星表面反射率影像；
分别对每月的陆地卫星表面反射率影像进行均值处理，并确定均值处理后的陆地卫星表面反射率影像的波段特征，得到所述目标区域对应的月均值时序合成影像集合；
其中，所述波段特征包括红波段、绿波段、蓝波段、近红外波段、短波红外1波段、短波红外2波段和归一化植被指数波段，所述归一化植被指数波段是根据所述红波段和所述近红外波段计算得到的。
根据本发明提供的一种农作物高精度制图方法，在所述将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型之后，所述方法还包括：
基于所述目标农作物每年的样本月均值时序合成影像集合，按照时序关系，将每年的样本月均值时序合成影像集合依次输入到训练好的分类模型中，得到每年的样本月均值时序合成影像集合各自对应的预测结果；
根据所述预测结果，确定目标样本月均值时序合成影像集合，所述目标样本月均值时序合成影像集合为最低预测精度对应年份的样本月均值时序合成影像集合；
根据目标样本月均值时序合成影像集合，确定对应年份的目标历史农作物分布区遥感影像数据，并通过所述目标历史农作物分布区遥感影像数据，对所述训练好的分类模型的参数进行优化，得到用于农作物时序分布制图的农作物年度分类模型；
将多个预设年份的月均值时序合成影像集合输入到所述农作物年度分类模型中，得到所述目标区域的农作物时序分布制图结果。
本发明还提供一种农作物高精度制图系统，包括：
农作物遥感影像获取模块，用于根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；
农作物分布区域制图模块，用于将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由标记具有农作物月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述农作物高精度制图方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述农作物高精度制图方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述农作物高精度制图方法的步骤。
本发明提供的一种农作物高精度制图方法及系统，通过获取农作物区域的陆地卫星表面反射率影像，基于由随机森林分类器训练得到的分类模型，对陆地卫星表面反射率影像进行分类，得到农作物区域更为精准的空间分布图，从而更加准确的对农作物分布区域进行监测和评估。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图进行简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明提供的农作物高精度制图方法的流程示意图；
图2为本发明提供的农作物采样点提取过程的示意图；
图3为本发明提供的农作物采样点空间分类流程的示意图；
图4为本发明提供的农作物采样点时序分类流程的示意图；
图5为本发明提供的农作物高精度制图系统的结构示意图；
图6为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
农业种植结构多样，地块小而分散，基于现有遥感影像制作农作物分布图，其空间分辨率常带来混合像元的问题，分类中训练样本、大气干扰、影像预处理和机器学习算法等因素，也有很多不确定性，这些都显著限制了农作物空间分布制图精度，导致制图精度很难满足农业遥感估产的需求。本发明基于适应性策略，通过机器学习方法，自动收集农作物采样点，实现对农作物分布区域的高精度制图，从而进行更为精准的农作物监测。
图1为本发明提供的农作物高精度制图方法的流程示意图，如图1所示，本发明提供了一种农作物高精度制图方法，包括：
步骤101，根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合。
在本发明中，以种植玉米作物的某地区作为目标区域进行说明，从而使得该地区的玉米作物分布区域与非玉米农作物区域(包括非玉米作物的其他农作物区域以及非农作物区域)体现在最终的农作物空间分布制图。
首先，确定该目标区域的制图年份，例如，需要制作目标区域在2017年的玉米作物分布图。具体地，所述根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合，包括：
获取预设年份内目标区域每月的陆地卫星表面反射率影像；
分别对每月的陆地卫星表面反射率影像进行均值处理，并确定均值处理后的陆地卫星表面反射率影像的波段特征，得到所述目标区域对应的月均值时序合成影像集合；
其中，所述波段特征包括红波段、绿波段、蓝波段、近红外波段、短波红外1波段、短波红外2波段和归一化植被指数波段，所述归一化植被指数波段是根据所述红波段和所述近红外波段计算得到的。
在本发明中，收集目标区域对应制图年份中每个月的陆地卫星表面反射率影像(Landsat Surface Reflectance)，构建该制图年份的月均值时序合成影像，即根据月份分别计算1-12月中每个月影像的均值从而得到12幅月均值时序合成影像；进一步地，选择12幅月均值时序合成影像中的红波段、绿波段、蓝波段、近红外波段、短波红外1波段、短波红外2波段以及归一化植被指数(Normalized Difference Vegetation Index，简称NDVI)波段，从而构建目标区域在2017年度的月均值时序合成影像集合，其中，NDVI波段由红波段和近红外波段通过下列公式计算得出：
NDVI＝(NIR-R)/(NIR+R)；
其中，NDVI为归一化植被指数，NIR为近红波段的反射值，R为红波段的反射值。
步骤102，将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有农作物月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
在本发明中，训练好的分类模型是通过随机森林分类器训练得到的，将目标区域在2017年的月均值时序合成影像集合输入到该分类模型之后，输出目标区域的玉米作物的空间分布制图结果，即该分类模型可对月均值时序合成影像集合中的影像进行分类，从而使得输出的空间分布制图上更为精准的体现出玉米作物的分布区域。
本发明提供的农作物高精度制图方法，通过获取农作物区域的陆地卫星表面反射率影像，基于由随机森林分类器训练得到的分类模型，对陆地卫星表面反射率影像进行分类，得到农作物区域更为精准的空间分布图，从而更加准确的对农作物分布区域进行监测和评估。
在上述实施例的基础上，所述训练好的分类模型通过以下步骤得到：
步骤201，对目标农作物在生长周期内的样本陆地卫星表面反射率影像进行均值处理，得到样本月均值时序合成影像集合，并获取所述样本陆地卫星表面反射率影像对应区域的历史农作物分布区遥感影像数据。
在本发明中，获取玉米作物生长周期内(以月为单位)的样本陆地卫星表面反射率影像，然后从影像中选取红波段、绿波段、蓝波段、近红外波段、短波红外1波段、短波红外2波段以及归一化植被指数这7个波段，从而构建样本月均值时序合成影像集合。优选地，为了降低模型在提取农作物采样点的不确定性，考虑到农作物轮作的耕种方式，取连续的奇数年或者偶数年获取样本，例如，提取2017年稳定玉米作物采样点为例，获取2015年、2017年和2019年的玉米作物的样本陆地卫星表面反射率影像，同时获取到对应年份的历史农作物分布区遥感影像数据，用于构建后续的训练样本集。需要说明的是，在本发明中，根据不同农作物的生长周期，可选取实际月份的遥感影像，例如，获取某地区内1月至12月的样本陆地卫星表面反射率影像，进一步，根据玉米作物的生长周期，选取4月至10月的样本陆地卫星表面反射率影像。
进一步地，根据样本陆地卫星表面反射率影像所对应的区域，同时获取该区域的历史农作物分布区遥感影像数据，在本发明中，样本陆地卫星表面反射率影像和历史农作物分布区遥感影像数据的分辨率一致，从而使得后续在进行采样点和像素特征匹配时，更为准确赋予采样点对应的像素特征。
步骤202，对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点。
农作物采样点可根据历史农作物分类数据确定。优选地，在本发明中，对历史农作物分布区遥感影像数据进行形态学图像处理之后，确定各遥感图像之间的农作物种植区域影像，再通过图像质心提取以及阈值对比的方式，确定目标区域影像中对应的农作物样本采样点。在本发明中，基于陆地卫星表面反射率影像中7个波段，对应了目标农作物在生长周期内的像素特征，并根据这些像素特征为农作物样本采样点添加所属位置对应的生长期不同月份的波段像素值，从而使得农作物采样点具备农作物月均值时序合成影像像素特征。需要说明的是，在本发明中，每个采样点还包括有对应的经纬度信息。
优选地，在本发明中，在对历史农作物分布区遥感影像数据进行农作物采样点提取时，可构建一种农作物采样点自动提取模型，该模型可基于农作物采样点的提取方法实现。具体地，将玉米作物的历史农作物分布区遥感影像数据，输入到农作物采样点自动提取模型之后，该模型首先根据不同年份玉米作物的历史农作物分布区遥感影像数据之间的交集，初步确定一个玉米作物种植区域图像；进而对该初步得到的玉米作物种植区域图像进行相关的图像处理(例如，图像腐蚀处理)，得到一个稳定的玉米作物种植区域图像；接着，对这个稳定的玉米作物种植区域图像进行质心提取，从而初步确定该区域图像上的玉米作物采样点，并将玉米作物种植区域图像上玉米作物种植区边界外的玉米作物采样点去除，保留玉米作物种植区边界内的玉米作物采样点；最后，基于预设分割阈值，对玉米作物种植区边界内的玉米作物采样点进行筛选，输出最终玉米采样点。
步骤203，基于所述农作物种植区域影像中农作物的类型，对所述农作物采样点标记对应的农作物采样点类型标签，得到标签标记后的农作物采样点；
步骤204，根据所述样本月均值时序合成影像集合中图像的像素值，为所述标签标记后的农作物采样点匹配对应的农作物月均值时序合成影像像素特征，构建得到训练样本集。
在本发明中，基于上述实施例确定的农作物采样点，根据农作物类型，对农作物采样点标记对应的类型标签。优选地，本发明采用的历史农作物分布区遥感影像数据为CDL(Cropland Data Layer)数据，即通过获取样本月均值时序合成影像对应的CDL数据，为CDL数据对应农作物种植区域影像中的农作物采样点标记类型标签，从而完成历史农作物分布区遥感影像数据的农作物采样点类型标签标记；进一步地，根据农作物采样点在样本月均值时序合成影像中对应位置(基于农作物采样点的经纬度坐标信息确定)的像素值，为该农作物采样点匹配相应的农作物月均值时序合成影像像素特征，从而为每个农作物采样点赋予了特征，以这些赋予特征后的农作物采样点构建得到训练样本集。在该训练样本集中，农作物采样点包含有由样本月均值时序合成影像集合提取得到农作物生长期像素特征，且农作物采样点均标记有农作物采样点类型标签。
步骤204，将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型。
在本发明中，当训练次数达到预设次数之后，停止训练得到训练好的分类模型。优选地，在每一次训练过程中，若模型输出的结果满足预设准确率阈值，例如，预测准确率达到90％以上，则判断模型已完成训练。
在上述实施例的基础上，所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点，包括：
根据不同年度的历史农作物分布区遥感影像数据之间的交集区域影像，确定初始农作物种植区域样本图像；
对所述初始农作物种植区样本图像进行图像腐蚀处理，得到农作物种植区域影像；
对所述农作物种植区域影像的质心进行提取，确定所述农作物种植区域影像中的第一初始农作物样本采样点；
删除所述第一初始农作物样本采样点中的第二初始农作物样本采样点，获取第三初始农作物样本采样点；其中，所述第二初始农作物样本采样点为所述农作物种植区域影像中农作物区域边界外的第一初始农作物样本采样点；
对所述第三初始农作物样本采样点进行判断，将满足预设分割阈值的第三初始农作物样本确定为所述农作物种植区域影像中对应的农作物采样点。
在本发明中，不同年度的历史农作物分布区遥感影像数据之间存在农作物交集区域，例如，随着时序变化，遥感影像数据中某个区域内种植区域会发生变化，但总体会存在一定的稳定区域，即在农作物的生长周期，会存在一定范围的种植区域稳定种植同一种农作物，因此，从历史农作物分布区遥感影像数据中确定交集区域，并将该交集区域对应的图像作为初始农作物种植区样本图像。
进一步地，采用形态学图像处理方法，通过腐蚀操作，对初始农作物种植区样本图像的边界进行处理，进一步缩小稳定玉米作物分布区，用以继续降低提取农作物采样点的不确定性，输出稳定玉米作物种植区。然后，通过提取腐蚀边界后的农作物种植区域影像的质心，获取农作物种植区域影像中的第一初始农作物样本采样点。
进一步地，在实际的农作物区域中，会存在一些凹多边形的农作物区域，导致提取的部分第一初始农作物样本采样点分布在凹多边形外，本发明将分布在凹多边形的农作物区域边界外的第一初始农作物样本采样点，定义为第二初始农作物样本采样点，需要从第一初始农作物样本采样点中删除这些分布在作物区以外的采样点，将剩下的采样点作为第三初始农作物样本采样点。
然后，分别计算所有第三初始农作物样本采样点对应的各月NDVI的均值和标准差，通过预设分割阈值，确定第三初始农作物样本采样点中每月的玉米作物采样点和非玉米作物采样点，并将玉米作物采样点存入农作物采样点样本库，非玉米作物采样点(非农作物采样点)存入非农作物采样点样本库。
具体地，根据所有第三初始农作物样本采样点在不同月份的归一化植被指数均值和归一化植被指数标准差，构建预设分割阈值，所述预设分割阈值包括第一阈值TH1和第二阈值TH2，公式为：
其中，
和
分别为基于NDVI所求得的第m个月份的两个分割阈值(0≤TH1<TH2≤1)，μm和δm分别为所有第三初始农作物样本采样点上在第m个月份的NDVI均值和NDVI标准差，n取1.5。图2为本发明提供的农作物采样点提取过程的示意图，玉米作物采样点的自动提取具体过程可参考图2所示，根据农作物生长期月份，逐月对采样点进行筛选。
若所述第三初始农作物样本采样点对应的归一化植被指数，大于等于所述第一阈值且小于等于所述第二阈值，则判断获知所述第三初始农作物样本采样点为所述农作物种植区域影像中的农作物采样点；否则，判断获知所述第三初始农作物样本采样点为存在不确定性的农作物采样点。即保留生长期中时序NDVI均位于TH1和TH2之间的第三初始农作物样本采样点，作为精确的玉米作物采样点(农作物采样点)。
在上述实施例的基础上，在所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像之前，所述方法还包括：
在所述历史农作物分布区遥感影像数据内划分多个相同规格的格网单元。
在本发明中，通过一个预设范围格网，将历史农作物分布区遥感影像数据划分为多个格网单元，其基本单元是一个尺寸为50km×50km的正方形，需要说明的是，本发明对格网单元的尺寸形状不作具体限定，也可以是菱形或三角形等。相应地，将历史农作物分布区遥感影像数据对应的样本月均值时序合成影像集合也进行相同规格的格网单元划分。需要说明的是，由于样本陆地卫星表面反射率影像和历史农作物分布区遥感影像数据的分辨率一致，可以理解的是，历史农作物分布区遥感影像数据中的任一格网单元，在样本陆地卫星表面反射率影像或样本月均值时序合成影像中相应位置也存在一个格网单元，代表的都是同一个区域。
所述将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型，包括：
步骤S1，基于预设选取条件和所述训练样本集中，确定初始格网单元，并通过所述初始格网单元中的农作物采样点和非农作物采样点，构建得到初始采样点样本库；
步骤S2，将所述初始采样点样本库中的采样点，输入到随机森林分类器，得到初始分类模型。
在本发明中，基于前期已划分格网单元的历史农作物分布区遥感影像数据，得到的农作物种植区域影像，从农作物种植区域影像中选取玉米作物种植区较为集中(农作物采样点较多，本发明对选取要求不作具体限定，选取采样点较为集中的格网单元，可提高模型分类性能)的格网单元，作为初步玉米作物采样区，即初始格网单元。同时，设置一个预设农作物采样区范围，用于在后续构建农作物采样区样本图像时，基于该预设农作物采样区范围，确定所需的农作物采样区格网单元。
在确定初始格网单元之后，通过所述初始格网单元中的农作物采样点和非农作物采样点，构建得到初始采样点样本库，其中，初始采样点样本库包括有农作物采样点样本库和非农作物采样点样本库；然后，将初始采样点样本库中的采样点输入到随机森林分类器进行训练，从而得到初始分类模型，。
步骤S3，根据所述初始格网单元，确定所述样本月均值时序合成影像集合的农作物采样区格网单元，得到基于农作物采样区格网单元构建的农作物采样区样本图像集合，并将所述农作物采样区样本图像集合输入到所述初始分类模型中，输出所述农作物采样区样本图像集合中每个农作物采样区格网单元对应的预测准确率，并得到第二分类模型；
步骤S4，将最低预测准确率的农作物采样区格网单元的农作物采样点和非农作物采样点，存储在所述初始采样点样本库中，得到目标采样点样本库；
步骤S5，将所述目标采样点样本库中的农作物采样点和非农作物采样点，输入到所述第二分类模型进行训练；
步骤S6，在当前轮次的训练完成之后，将所述最低预测准确率的农作物采样区格网单元中的农作物采样点和非农作物采样点再次加入到所述目标采样点样本库，得到更新后的目标采样点样本库，重复步骤S5至步骤S6，在满足预设训练条件之后，得到训练好的分类模型。
在本发明中，以初始格网单元为基准，根据预设农作物采样区范围，在同样已划分格网单元的样本月均值时序合成影像中的对应农作物区域位置，确定所需的农作物采样区格网单元，例如，通过初始格网单元，在每个月份的样本月均值时序合成影像中确定农作物采样区格网单元范围(该范围内包含有多个农作物采样区格网单元)，然后以这个农作物采样区格网单元范围对应的样本月均值时序合成影像，构成农作物采样区样本图像集合。接着，将上述实施例得到的农作物采样区样本图像集合，输入到初始分类模型中，从而对初始分类模型进行训练。初始分类模型输出每个农作物采样区格网单元的分类精度(预测准确率)，图3为本发明提供的农作物采样点空间分类流程的示意图，可参考图3所示，在选取初始格网单元时，选取的格网单元中拥有较多的农作物采样点，进而根据这个初始格网单元，从样本月均值时序合成影像集合中确定对应的图像区域，以构建图像样本，并输入到初始分类模型，使得初始分类模型输出每一个农作物采样区格网单元对应的预测准确率，再根据最低预测准确率(即0.19)对应的农作物采样区格网单元，构建下一轮训练的输入；同时，初始分类模型在输入图像样本之后，通过训练得到第二分类模型，以用于后续的迭代训练过程。
进一步地，以最低的农作物采样区格网单元作为目标格网单元，将目标格网单元中的农作物采样点和非农作物采样点存储到初始采样点样本库，构建目标采样点样本库，并输入到第二分类模型中进行训练；在每一轮训练结束之后，需要对目标采样点样本库进行更新，即再次向目标采样点样本库中添加目标格网单元中的农作物采样点和非农作物采样点，使得每一次训练过程中，输入到第二分类模型的目标采样点样本库中的采样点数量逐步增加，且每次保持增加较少数量的采样点，从而通过少量的训练数据实现对模型的优化。当模型输出的预测准确率达到预设准确率阈值后，完成训练。在本发明中，预设准确率阈值可根据实际需求进行设置，例如，所有格网单元对应影像的分类预测准确率达到90％以上即可停止训练。
本发明提供了一种农作物空间自适应分类方法，在随机森林分类器的训练过程中，每一次训练所需的采样点是基于局部格网单元(即预测准确率最低的格网单元)的采样点对样本库进行更新，大幅度降低了训练过程中所需的采样点数量，提高了模型分类性能。
在上述实施例的基础上，在所述将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型之后，所述方法还包括：
基于所述目标农作物每年的样本月均值时序合成影像集合，按照时序关系，将每年的样本月均值时序合成影像集合依次输入到训练好的分类模型中，得到每年的样本月均值时序合成影像集合各自对应的预测结果；
根据所述预测结果，确定目标样本月均值时序合成影像集合，所述目标样本月均值时序合成影像集合为最低预测精度对应年份的样本月均值时序合成影像集合；
根据目标样本月均值时序合成影像集合，确定对应年份的目标历史农作物分布区遥感影像数据，并通过所述目标历史农作物分布区遥感影像数据，对所述训练好的分类模型的参数进行优化，得到用于农作物时序分布制图的农作物年度分类模型；
将多个预设年份的月均值时序合成影像集合输入到所述农作物年度分类模型中，得到所述目标区域的农作物时序分布制图结果。
在本发明中，通过对训练好的分类模型进行农作物时序分布功能的扩展，从而使得分类模型可适用于农作物时序分布制图，即基于多个年份的月均值时序合成影像集合，自适应生成农作物在时序上的分布区域制图。具体地，图4为本发明提供的农作物采样点时序分类流程的示意图，如图4所示，将多个预设年份(例如2001年至2020年)的月均值时序合成影像集合，输入至某一年的最优玉米作物空间分类模型(即上述实施例中训练好的分类模型)，计算玉米作物时序预测精度，输出玉米作物时序预测精度最差年份的玉米作物影像(即初步的农作物时序分布制图结果)，即得到目标样本月均值时序合成影像集合。在本发明中，玉米作物时序预测精度可基于预测得到的预测区域面积与当年农作物实际面积之间的比值确定；然后，根据目标样本月均值时序合成影像集合的年份，获取对应的目标历史农作物分布区遥感影像数据(例如，确定2011年的预测精度最差，则获取2011年的遥感影像)，并通过目标历史农作物分布区遥感影像数据，构建新的训练样本集，并基于上述实施例中的农作物采样点提取过程和随机森林分类器训练过程，将目标历史农作物分布区遥感影像数据中对应格网单元的农作物采样点添加到目标采样点样本库中，再次输入到分类模型(即训练好的分类模型)中，对模型参数进行优化，优化过程可参考上述实施例中的步骤S1至步骤S6的训练过程，此处不再赘述，从而得到参数优化后的分类模型，即得到用于农作物时序分布制图的农作物年度分类模型，使得该模型得到扩展，可根据输入的多个预设年份的月均值时序合成影像集合，输出目标农作物区域在多个预设年份内的农作物时序分布制图结果。
下面对本发明提供的农作物高精度制图系统进行描述，下文描述的农作物高精度制图系统与上文描述的农作物高精度制图方法可相互对应参照。
图5为本发明提供的农作物高精度制图系统的结构示意图，如图5所示，本发明提供了一种农作物高精度制图系统，包括农作物遥感影像获取模块501和农作物分布区域制图模块502，其中，农作物遥感影像获取模块501用于根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；农作物分布区域制图模块502用于将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有农作物月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
本发明提供的农作物高精度制图系统，通过获取农作物区域的陆地卫星表面反射率影像，基于由随机森林分类器训练得到的分类模型，对陆地卫星表面反射率影像进行分类，得到农作物区域更为精准的空间分布图，从而更加准确的对农作物分布区域进行监测和评估。
本发明提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图6为本发明提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(Processor)601、通信接口(Communications Interface)602、存储器(Memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行农作物高精度制图方法，该方法包括：根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
此外，上述的存储器603中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的农作物高精度制图方法，该方法包括：根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的农作物高精度制图方法，该方法包括：根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种农作物高精度制图方法，其特征在于，包括：
根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；
将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由具有农作物月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
2.根据权利要求1所述的农作物高精度制图方法，其特征在于，所述训练好的分类模型通过以下步骤得到：
对目标农作物在生长周期内的样本陆地卫星表面反射率影像进行均值处理，得到样本月均值时序合成影像集合，并获取所述样本陆地卫星表面反射率影像对应区域的历史农作物分布区遥感影像数据；
对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点；
基于所述农作物种植区域影像中农作物的类型，对所述农作物采样点标记对应的农作物采样点类型标签，得到标签标记后的农作物采样点；
根据所述样本月均值时序合成影像集合中图像的像素值，为所述标签标记后的农作物采样点匹配对应的农作物月均值时序合成影像像素特征，构建得到训练样本集；
将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型。
3.根据权利要求2所述的农作物高精度制图方法，其特征在于，所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像，并确定所述农作物种植区域影像中所有的农作物采样点，包括：
根据不同年度的历史农作物分布区遥感影像数据之间的交集区域影像，确定初始农作物种植区域样本图像；
对所述初始农作物种植区样本图像进行图像腐蚀处理，得到农作物种植区域影像；
对所述农作物种植区域影像的质心进行提取，确定所述农作物种植区域影像中的第一初始农作物样本采样点；
删除所述第一初始农作物样本采样点中的第二初始农作物样本采样点，获取第三初始农作物样本采样点；其中，所述第二初始农作物样本采样点为所述农作物种植区域影像中农作物区域边界外的第一初始农作物样本采样点；
对所述第三初始农作物样本采样点进行判断，将满足预设分割阈值的第三初始农作物样本确定为所述农作物种植区域影像中对应的农作物采样点。
4.根据权利要求2所述的农作物高精度制图方法，其特征在于，在所述对所述历史农作物分布区遥感影像数据进行形态学图像处理，获取农作物种植区域影像之前，所述方法还包括：
在所述历史农作物分布区遥感影像数据内划分多个相同规格的格网单元；
所述将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型，包括：
步骤S1，基于预设选取条件和所述训练样本集，确定初始格网单元，并通过所述初始格网单元中的农作物采样点和非农作物采样点，构建得到初始采样点样本库；
步骤S2，将所述初始采样点样本库中的采样点，输入到随机森林分类器，得到初始分类模型；
步骤S3，根据所述初始格网单元，确定所述样本月均值时序合成影像集合的农作物采样区格网单元，得到基于农作物采样区格网单元构建的农作物采样区样本图像集合，并将所述农作物采样区样本图像集合输入到所述初始分类模型中，输出所述农作物采样区样本图像集合中每个农作物采样区格网单元对应的预测准确率，并得到第二分类模型；
步骤S4，将最低预测准确率的农作物采样区格网单元的农作物采样点和非农作物采样点，存储在所述初始采样点样本库中，得到目标采样点样本库；
步骤S5，将所述目标采样点样本库中的农作物采样点和非农作物采样点，输入到所述第二分类模型进行训练；
步骤S6，在当前轮次的训练完成之后，将所述最低预测准确率的农作物采样区格网单元中的农作物采样点和非农作物采样点再次加入到所述目标采样点样本库，得到更新后的目标采样点样本库，重复步骤S5至步骤S6，在满足预设训练条件之后，得到训练好的分类模型。
5.根据权利要求1所述的农作物高精度制图方法，其特征在于，所述根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合，包括：
获取预设年份内目标区域每月的陆地卫星表面反射率影像；
分别对每月的陆地卫星表面反射率影像进行均值处理，并确定均值处理后的陆地卫星表面反射率影像的波段特征，得到所述目标区域对应的月均值时序合成影像集合；
其中，所述波段特征包括红波段、绿波段、蓝波段、近红外波段、短波红外1波段、短波红外2波段和归一化植被指数波段，所述归一化植被指数波段是根据所述红波段和所述近红外波段计算得到的。
6.根据权利要求2所述的农作物高精度制图方法，其特征在于，在所述将所述训练样本集输入到随机森林分类器进行训练，得到训练好的分类模型之后，所述方法还包括：
基于所述目标农作物每年的样本月均值时序合成影像集合，按照时序关系，将每年的样本月均值时序合成影像集合依次输入到训练好的分类模型中，得到每年的样本月均值时序合成影像集合各自对应的预测结果；
根据所述预测结果，确定目标样本月均值时序合成影像集合，所述目标样本月均值时序合成影像集合为最低预测精度对应年份的样本月均值时序合成影像集合；
根据目标样本月均值时序合成影像集合，确定对应年份的目标历史农作物分布区遥感影像数据，并通过所述目标历史农作物分布区遥感影像数据，对所述训练好的分类模型的参数进行优化，得到用于农作物时序分布制图的农作物年度分类模型；
将多个预设年份的月均值时序合成影像集合输入到所述农作物年度分类模型中，得到所述目标区域的农作物时序分布制图结果。
7.一种农作物高精度制图系统，其特征在于，包括：
农作物遥感影像获取模块，用于根据预设年份内目标区域的陆地卫星表面反射率影像，获取所述目标区域对应的月均值时序合成影像集合；
农作物分布区域制图模块，用于将所述月均值时序合成影像集合输入到训练好的分类模型中，得到所述目标区域在所述预设年份内的农作物空间分布制图结果，其中，所述训练好的分类模型是由标记具有农作物月均值时序合成影像像素特征的农作物采样点，对随机森林分类器进行训练得到的。
8.一种电子设备，包括存储器、处理器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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述农作物高精度制图方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述农作物高精度制图方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述农作物高精度制图方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643634.5A CN114419367A (zh) | 2021-12-29 | 2021-12-29 | 一种农作物高精度制图方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643634.5A CN114419367A (zh) | 2021-12-29 | 2021-12-29 | 一种农作物高精度制图方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419367A true CN114419367A (zh) | 2022-04-29 |
Family
ID=81268776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111643634.5A Pending CN114419367A (zh) | 2021-12-29 | 2021-12-29 | 一种农作物高精度制图方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419367A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782835A (zh) * | 2022-05-05 | 2022-07-22 | 中国农业大学 | 作物倒伏面积比例检测方法及装置 |
| CN117094430A (zh) * | 2023-07-19 | 2023-11-21 | 青海师范大学 | 一种农作物分布预测方法、系统、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190325467A1 (en) * | 2018-04-24 | 2019-10-24 | Indigo Ag, Inc. | Satellite-based agricultural modeling |
| CN110991335A (zh) * | 2019-11-29 | 2020-04-10 | 福州大学 | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 |
| WO2020132092A1 (en) * | 2018-12-19 | 2020-06-25 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for crop yield prediction |
| 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 |
-
2021
- 2021-12-29 CN CN202111643634.5A patent/CN114419367A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190325467A1 (en) * | 2018-04-24 | 2019-10-24 | Indigo Ag, Inc. | Satellite-based agricultural modeling |
| WO2020132092A1 (en) * | 2018-12-19 | 2020-06-25 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for crop yield prediction |
| CN110991335A (zh) * | 2019-11-29 | 2020-04-10 | 福州大学 | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 郝鹏宇等: "基于历史增强型植被指数时序的农作物类型早期识别", 农业工程学报, vol. 34, no. 13, 8 July 2018 (2018-07-08), pages 179 - 186 * |
| 陈彦四等: "基于多时相Sentinel-2 影像的黑河中游玉米种植面积提取研究", 遥感技术与应用, vol. 36, no. 2, 30 April 2021 (2021-04-30), pages 324 - 331 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782835A (zh) * | 2022-05-05 | 2022-07-22 | 中国农业大学 | 作物倒伏面积比例检测方法及装置 |
| CN114782835B (zh) * | 2022-05-05 | 2024-04-26 | 中国农业大学 | 作物倒伏面积比例检测方法及装置 |
| CN117094430A (zh) * | 2023-07-19 | 2023-11-21 | 青海师范大学 | 一种农作物分布预测方法、系统、设备及介质 |
| CN117094430B (zh) * | 2023-07-19 | 2024-04-26 | 青海师范大学 | 一种农作物分布预测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
| US9064151B2 (en) | Device and method for detecting plantation rows | |
| CN114419367A (zh) | 一种农作物高精度制图方法及系统 | |
| CN114782838B (zh) | 水稻识别方法、装置、电子设备和存储介质 | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| CN113128576A (zh) | 基于深度学习图像分割的作物行检测方法及装置 | |
| CN116543316B (zh) | 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 | |
| CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
| CN113869370A (zh) | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 | |
| CN115761486A (zh) | 一种基于多期稻田影像特征的水稻种植区判定方法和系统 | |
| CN113421273B (zh) | 林草搭配信息遥感提取方法及装置 | |
| CN111582035B (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
| CN111666914B (zh) | 基于曲线间距离的耕地识别方法、系统、设备及存储介质 | |
| CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
| WO2021225528A1 (en) | System and method for ai-based improvement of harvesting operations | |
| Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
| CN116579521A (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
| Jiang et al. | MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery | |
| Tanaka et al. | Deep learning-based estimation of rice yield using RGB image | |
| CN115526927A (zh) | 综合物候和遥感大数据的水稻种植及其面积估算方法 | |
| CN113989668A (zh) | 一种基于时间序列特征的遥感农作物自动分类方法 | |
| WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging | |
| CN113344008A (zh) | 基于深度学习的茎秆组织解剖学特征参数高通量提取方法 | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 |
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 |