CN114519823A - 一种利用Sentinel-2时间序列影像数据的农作物制图方法 - Google Patents
一种利用Sentinel-2时间序列影像数据的农作物制图方法 Download PDFInfo
- Publication number
- CN114519823A CN114519823A CN202111498150.6A CN202111498150A CN114519823A CN 114519823 A CN114519823 A CN 114519823A CN 202111498150 A CN202111498150 A CN 202111498150A CN 114519823 A CN114519823 A CN 114519823A
- Authority
- CN
- China
- Prior art keywords
- corn
- image data
- image
- research area
- area
- 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
- 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
- G06F18/24—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)
Abstract
本发明涉及一种利用Sentinel‑2时间序列影像数据的农作物制图方法。首先对研究区内的影像进行波段选取、云掩膜的预处理,接着按照玉米生长的物候学规律生成按玉米生长阶段合成的影像数据集,并计算归一化植被指数和归一化水分指数将其加入影像的波段中,然后创建研究区的样本点,与对应位置的影像数据集构成样本对,并使用随机森林算法对分类模型进行训练,最后利用训练好的分类模型得到研究区域玉米的分布图,并逐像元汇总统计得到研究区域玉米种植面积。本发明利用GoogleEarthEngine云平台实现了大数据量的存储与计算,设计分生长阶段进行中值合成的方法最大限度地减少了云污染带来的影响,最终实现快速对玉米的精细化制图与面积监测。
Description
技术领域
本发明属于农业遥感技术领域,具体涉及一种利用Sentinel-2时间序列影像数据的农作物制图方法。
背景技术
我国是农业大国,玉米作为最主要的粮食作物之一,不但对保障国家粮食安全至关重要,而且收获后产生的玉米秸秆也是一种重要的生物质资源。在全球气候变暖的大环境下,减少碳排放被我国提到了前所未有的高度,利用玉米秸秆进行生物质发电,对于替代或部分替代化石能源,保护生态环境,实现人类社会的可持续发展具有非常重要的现实意义和长远意义。但是目前对于玉米秸秆的储量以及分布情况仍然缺乏了解,利用遥感技术手段实现玉米的精细化制图是绘制玉米秸秆储量分布图的最基本也是最为重要的一环,具有非常重要的现实意义。
在农作物遥感制图领域中,充分发掘多时相影像特征逐渐成为研究热点,因为它不仅能够充分考虑作物的物候生长规律,而且还可以极大地减少云污染对制图结果的影响。为充分捕捉作物生长的时序信息,遥感影像的时间分辨率是重要的影响指标,在现有的遥感数据源中,中等分辨率成像光谱仪(MODIS) 数据具有较高的时间分辨率和光谱分辨率,该数据可以做得到每日重访一次,被广泛应用于大规模农作物信息提取。但是MODIS数据仅有250米的空间分辨率,混合像元问题比较严重,难以用来进行农作物的精细制图。近年来欧空局发射的Sentinel-2卫星也具备了较强的重访能力,两颗星的结合使用可以使其重访周期达到5天,基本满足利用时序信息进行玉米分类的时间分辨率要求,同时Sentinel-2卫星能够提供较高的空间分辨率(10米),其携带的多光谱成像仪可以获取13个波段的多光谱数据,因此Sentinel-2卫星数据是目前最适宜进行农作物制图的数据源。
其实无论使用哪种数据源,云雾的存在都会严重影响遥感影像的成像质量,导致农作物目标无法被卫星记录下来,这严重限制了利用卫星影像进行农作物制图的实际应用。另一方面,由于Sentinel-2遥感数据的分辨率更高,重访周期更短,为了充分利用每一个像素的信息势必会带来极大的数据量,这对数据的存储,调用以及计算带来巨大挑战。综上,如何摆脱或尽量减少云雾的影响,以及如何处理海量遥感数据,来完成玉米种植信息制图的技术方案,是本领域技术人员亟需解决的问题。
发明内容
本发明针对现有技术的不足,提供一种利用Sentinel-2时间序列影像数据的农作物制图方法。通过利用时序的遥感影像进行关键物候期影像合成,克服云对影像的影响,建立遥感影像时序特征与玉米种植的非线性映射关系,同时使用了Google Earth Engine(GEE)云平台完成海量数据的快速处理,实现快速对玉米的精细化制图与面积监测。
为了达到上述目的,本发明提供的技术方案是一种利用Sentinel-2时间序列影像数据的农作物制图方法,包括以下步骤:
步骤1,确定研究区域以及待获取Sentinel-2卫星影像的时间范围;
步骤2,对步骤1中筛选出的Sentinel-2卫星影像进行预处理;
步骤3,利用步骤2预处理后的影像数据,结合研究区内玉米生长的物候学规律,生成按玉米生长阶段合成的影像数据集;
步骤4,对步骤3得到的不同生长阶段合成影像数据,计算与农作物最为密切的相关指数,并将其加入到图像的波段中;
步骤5,对研究区进行格网划分,创建包括正样本和负样本的样本点;
步骤6,利用步骤5创建的样本点以及其对应位置的影像数据集,构成监督分类的样本对,并使用随机森林算法完成分类模型的训练;
步骤7,利用步骤6中训练好的分类模型,对步骤4得到的整个研究区的影像数据集进行分类,最终得到研究区域玉米的分布结果;
步骤8,根据步骤7中获得的研究区玉米分布图,逐像元汇总统计得到研究区域玉米种植面积。
而且,所述步骤2中从GEE云平台中选择Sentinel-2的L2A级反射率数据作为影像数据源,选取B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12共 10个波段构成影像数据集,并将其空间分辨率统一重采样为10米;对检索到的每一景影像进行云掩膜处理,利用Sentinel-2影像产品中自带的QA60波段对被云覆盖的像素进行标记掩膜,使其不参与后续的计算步骤,从而减少云污染带来的影响。
而且,所述步骤3中根据玉米的生长阶段,将整个生长季划分为3个时期,每个时期包含的时间段根据研究区域实际情况而定,对每个时间段内的 Sentinel-2遥感影像的10个波段进行逐波段时间序列的中值合成,计算方法如下:
而且,所述步骤4中与农作物最为密切的相关指数包括归一化植被指数和归一化水分指数,计算方式如下:
式中,NDVI代表归一化植被指数,ρNIR代表近红外波段像元地表反射率值,ρRED代表红光波段像元地表反射率值。
式中,NDWI代表归一化水分指数,ρNIR代表近红外波段像元地表反射率值,ρSWIR代表短波红外波段像元地表反射率值。
对每个生长阶段的中值合成数据分别计算上述两种指数,并将其加入影像的波段中,组成包含12波段的影像特征集,然后将三个生长阶段的影像数据按波段维度进行叠加,最终得到36个特征波段的影像数据集。
而且,所述步骤5中首先使用直径固定为5公里的六边形格网对研究区划分,然后在每个格网区域中生成10个随机样点,依据解译标志对生成的样本点进行解译,判断出样点的类别,包括玉米、草地、森林、水体和不透水面共5 个类别;为保证玉米样本的数量与其他4类的总数大致相等,还需要手动添加若干玉米样本点;将非玉米的类别统一设为“其它类”,最终标签只包含玉米和其它两个类别,将最终得到的带有类别标签的样本点作为训练样本参与后续步骤。
而且,所述步骤6中首先将步骤5中解译的训练样本与步骤4中得到的影像数据集叠加在一起,选取训练样本所在位置处的影像像元值构成输入特征,并结合样本标签的类别构成训练样本对,即36个输入特征对应一个标签信息,然后利用训练样本对优化训练随机森林分类器;随机森林分类器中参数设置如下:树个数设为100,构建的输入特征数量设为6,即每个决策树使用随机的6 个特征进行构建,整个随机森林分类器由100棵决策树构成,构建的分类器可以充分学习到输入影像特征与作物类别之间的高维映射关系。
而且,所述步骤7中利用步骤6中完成建模的随机森林分类器直接对步骤 4中得到的整个研究区范围内影像数据集进行预测分类,即通过优化好的随机森林分类器对输入的36个波段的影像数据进行预测分类,输出的结果为每个像素是否为玉米,最终得到整个研究区中玉米种植信息的空间分布图。
而且,所述步骤8中将步骤7获得的研究区玉米分布图进行重投影变为等积投影,对研究区内玉米像元个数进行统计,再乘以单个像素面积,即可换算得到研究区内部玉米种植的面积信息;同时还可以根据实际需要划定面状感兴趣区,统计感兴趣区内部玉米种植的面积信息。
与现有技术相比,本发明具有如下优点:
1)根据玉米的物候特征,将其生长阶段分为3个阶段,使用分阶段合成影像的方法来减轻云对分类结果的影响,同时获取影像的时序特征信息;
2)在研究区内进行格网划分,均匀采样,避免模型陷入局部最优,从而保证模型在整个区域有着较为一致的分类精度;
3)使用基于GEE的云平台技术,利用空间分辨率10米的Sentinel-2影像数据,可以快速得到研究区玉米种植分布的精细结果专题图,空间细节更加详细,有利于进行较为精确的玉米秸秆储量估算。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例研究区的玉米分布图。
具体实施方式
本发明提供一种利用Sentinel-2时间序列影像数据的农作物制图方法,下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示,本发明实施例的流程包括以下步骤:
步骤1,确定研究区域以及待获取Sentinel-2卫星影像的时间范围。
本实施例以我国内蒙古自治区通辽市的科尔沁区作为主要研究区域,时间范围选定为2021年3月1日至2021年9月10日,涵盖了通辽地区玉米生长的主要物候期,遥感影像为覆盖研究区的所有可用的Sentinel-2卫星影像数据。
步骤2,对步骤1中筛选出的Sentinel-2卫星影像进行预处理。
从GEE云平台中选择Sentinel-2的L2A级反射率数据作为影像数据源,选取B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12共10个波段构成影像数据集,并将其空间分辨率统一重采样为10米。对检索到的每一景影像进行云掩膜处理,利用Sentinel-2影像产品中自带的QA60波段对被云覆盖的像素进行标记掩膜,使其不参与后续的计算步骤,从而减少云污染带来的影响。
步骤3,利用步骤2预处理后的影像数据,结合研究区内玉米生长的物候学规律,生成按玉米生长阶段合成的影像数据集。
本实施例根据玉米的生长阶段,将整个生长季划分为3个时期:3月1日— 3月31日为第一期,4月1日—6月30日为第二期,8月1日—9月10日为第三期,对每个时间段内的Sentinel-2遥感影像的10个波段进行逐波段时间序列的中值合成,计算方法如下:
合成后的影像各波段反映了此时期地物的地表反射率的中值水平。
步骤4,对步骤3得到的不同生长阶段合成影像数据,计算与农作物最为密切的相关指数,并将其加入到影像的波段中。
与农作物最为密切的相关指数包括归一化植被指数和归一化水分指数,计算方式如下:
式中,NDVI代表归一化植被指数,ρNIR代表近红外波段像元地表反射率值,ρRED代表红光波段像元地表反射率值。
式中,NDWI代表归一化水分指数,ρNIR代表近红外波段像元地表反射率值,ρSWIR代表短波红外波段像元地表反射率值。
对每个生长阶段的中值合成数据分别计算上述两种指数,并将其加入影像的波段中,组成包含12波段的影像特征集,然后将三个生长阶段的影像数据按波段维度进行叠加,最终得到36个特征波段的影像数据集。
步骤5,对研究区进行格网划分,创建包括正样本和负样本的样本点。
首先使用边长固定为5公里的六边形格网对研究区划分,然后在每个格网区域中生成10个随机样点,依据解译标志对生成的样本点进行解译,判断出样点的类别,包括玉米、草地、森林、水体和不透水面共5个类别。为保证玉米样本的数量与其他4类的总数大致相等,还需要手动添加若干玉米样本点。将非玉米的类别统一设为“其它类”,最终标签只包含玉米和其它两个类别,将最终得到的带有类别标签的样本点作为训练样本参与后续步骤。
步骤6,利用步骤5创建的样本点以及其对应位置的影像数据集,构成监督分类的样本对,并使用随机森林算法完成分类模型的训练。
首先将步骤5中解译的训练样本与步骤4中得到的影像数据集叠加在一起,选取训练样本所在位置处的影像像元值构成输入特征,并结合样本标签的类别构成训练样本对,即36个输入特征对应一个标签信息。然后利用训练样本对优化训练随机森林分类器,随机森林分类器中参数设置如下:树个数设为100,构建的输入特征数量设为6,即每个决策树使用随机的6个特征进行构建,整个随机森林分类器由100棵决策树构成。构建的分类器可以充分学习到输入影像特征与作物类别之间的高维映射关系。
步骤7,利用步骤6中训练好的分类模型,对步骤4得到的整个研究区的影像数据集进行分类,最终得到研究区域玉米的分布结果。
利用步骤6中完成建模的随机森林分类器直接对步骤4中得到的整个研究区范围内影像数据集进行预测分类,即通过优化好的随机森林分类器对输入的 36个波段的影像数据进行预测分类,输出的结果为每个像素是否为玉米,最终得到整个研究区中玉米种植信息的空间分布图,如图2所示。
步骤8,根据步骤7中获得的研究区玉米分布图,逐像元汇总统计得到研究区域玉米种植面积。
将步骤7获得的研究区玉米分布图进行重投影变为等积投影,对研究区内玉米像元个数进行统计,再乘以单个像素面积,即可换算得到研究区内部玉米种植的面积信息。同时还可以根据实际需要划定面状感兴趣区,统计感兴趣区内部玉米种植的面积信息。
具体实施时,以上流程可采用计算机软件技术实现自动运行流程。
本文中所描述的具体实施例仅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以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种利用Sentinel-2时间序列影像数据的农作物制图方法,其特征在于,包括以下步骤:
步骤1,确定研究区域以及待获取Sentinel-2卫星影像的时间范围;
步骤2,对步骤1中筛选出的Sentinel-2卫星影像进行预处理;
步骤3,利用步骤2预处理后的影像数据,结合研究区内玉米生长的物候学规律,生成按玉米生长阶段合成的影像数据集;
步骤4,对步骤3得到的不同生长阶段合成影像数据,计算与农作物最为密切的相关指数,并将其加入到图像的波段中;
步骤5,对研究区进行格网划分,创建包括正样本和负样本的样本点;
步骤6,利用步骤5创建的样本点以及其对应位置的影像数据集,构成监督分类的样本对,并使用随机森林算法完成分类模型的训练;
步骤7,利用步骤6中训练好的分类模型,对步骤4得到的整个研究区的影像数据集进行分类,最终得到研究区域玉米的分布结果;
步骤8,根据步骤7中获得的研究区玉米分布图,逐像元汇总统计得到研究区域玉米种植面积。
2.如权利要求1所述的一种利用Sentinel-2时间序列影像数据的农作物制图方法,其特征在于:步骤2中从GEE云平台中选择Sentinel-2的L2A级反射率数据作为影像数据源,选取B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12共10个波段构成影像数据集,并将其空间分辨率统一重采样为10米;对检索到的每一景影像进行云掩膜处理,利用Sentinel-2影像产品中自带的QA60波段对被云覆盖的像素进行标记掩膜,使其不参与后续的计算步骤,从而减少云污染带来的影响。
4.如权利要求1所述的一种利用Sentinel-2时间序列影像数据的农作物制图方法,其特征在于:步骤4中与农作物最为密切的相关指数包括归一化植被指数和归一化水分指数,计算方式如下:
式中,NDVI代表归一化植被指数,ρNIR代表近红外波段像元地表反射率值,ρRED代表红光波段像元地表反射率值;
式中,NDWI代表归一化水分指数,ρNIR代表近红外波段像元地表反射率值,ρSWIR代表短波红外波段像元地表反射率值;
对每个生长阶段的中值合成数据分别计算上述两种指数,并将其加入影像的波段中,组成包含12波段的影像特征集,然后将三个生长阶段的影像数据按波段维度进行叠加,最终得到36个特征波段的影像数据集。
5.如权利要求1所述的一种利用Sentinel-2时间序列影像数据的农作物制图方法,其特征在于:步骤5中首先使用直径固定为5公里的六边形格网对研究区划分,然后在每个格网区域中生成10个随机样点,依据解译标志对生成的样本点进行解译,判断出样点的类别,包括玉米、草地、森林、水体和不透水面共5个类别;为保证玉米样本的数量与其他4类的总数大致相等,还需要手动添加若干玉米样本点;将非玉米的类别统一设为“其它类”,最终标签只包含玉米和其它两个类别,将最终得到的带有类别标签的样本点作为训练样本参与后续步骤。
6.如权利要求5所述的一种利用Sentinel-2时间序列影像数据的农作物制图方法,其特征在于:步骤6中首先将步骤5中解译的训练样本与步骤4中得到的影像数据集叠加在一起,选取训练样本所在位置处的影像像元值构成输入特征,并结合样本标签的类别构成训练样本对,即36个输入特征对应一个标签信息,然后利用训练样本对优化训练随机森林分类器;随机森林分类器中参数设置如下:树个数设为100,构建的输入特征数量设为6,即每个决策树使用随机的6个特征进行构建,整个随机森林分类器由100棵决策树构成,构建的分类器可以充分学习到输入影像特征与作物类别之间的高维映射关系。
7.如权利要求6所述的一种利用Sentinel-2时间序列影像数据的农作物制图方法,其特征在于:步骤7中利用步骤6中完成建模的随机森林分类器直接对步骤4中得到的整个研究区范围内影像数据集进行预测分类,即通过优化好的随机森林分类器对输入的36个波段的影像数据进行预测分类,输出的结果为每个像素是否为玉米,最终得到整个研究区中玉米种植信息的空间分布图。
8.如权利要求7所述的一种利用Sentinel-2时间序列影像数据的农作物制图方法,其特征在于:步骤8中将步骤7获得的研究区玉米分布图进行重投影变为等积投影,对研究区内玉米像元个数进行统计,再乘以单个像素面积,即可换算得到研究区内部玉米种植的面积信息;同时还可以根据实际需要划定面状感兴趣区,统计感兴趣区内部玉米种植的面积信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111498150.6A CN114519823A (zh) | 2021-12-09 | 2021-12-09 | 一种利用Sentinel-2时间序列影像数据的农作物制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111498150.6A CN114519823A (zh) | 2021-12-09 | 2021-12-09 | 一种利用Sentinel-2时间序列影像数据的农作物制图方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519823A true CN114519823A (zh) | 2022-05-20 |
Family
ID=81597710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111498150.6A Pending CN114519823A (zh) | 2021-12-09 | 2021-12-09 | 一种利用Sentinel-2时间序列影像数据的农作物制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519823A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063690A (zh) * | 2022-06-24 | 2022-09-16 | 电子科技大学 | 一种基于ndvi时序特征的植被分类方法 |
CN115271991A (zh) * | 2022-09-27 | 2022-11-01 | 航天宏图信息技术股份有限公司 | 一种农作物净初级生产力的估算方法及装置 |
CN115372986A (zh) * | 2022-10-21 | 2022-11-22 | 武汉大学 | 基于ICESat-2高分辨率数据的树高制图方法、装置及设备 |
CN116664959A (zh) * | 2023-07-28 | 2023-08-29 | 航天宏图信息技术股份有限公司 | 基于多源卫星遥感的无样本农作物分类方法及装置 |
CN115063690B (zh) * | 2022-06-24 | 2024-06-07 | 电子科技大学 | 一种基于ndvi时序特征的植被分类方法 |
-
2021
- 2021-12-09 CN CN202111498150.6A patent/CN114519823A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063690A (zh) * | 2022-06-24 | 2022-09-16 | 电子科技大学 | 一种基于ndvi时序特征的植被分类方法 |
CN115063690B (zh) * | 2022-06-24 | 2024-06-07 | 电子科技大学 | 一种基于ndvi时序特征的植被分类方法 |
CN115271991A (zh) * | 2022-09-27 | 2022-11-01 | 航天宏图信息技术股份有限公司 | 一种农作物净初级生产力的估算方法及装置 |
CN115271991B (zh) * | 2022-09-27 | 2023-01-06 | 航天宏图信息技术股份有限公司 | 一种农作物净初级生产力的估算方法及装置 |
CN115372986A (zh) * | 2022-10-21 | 2022-11-22 | 武汉大学 | 基于ICESat-2高分辨率数据的树高制图方法、装置及设备 |
CN115372986B (zh) * | 2022-10-21 | 2023-03-24 | 武汉大学 | 基于ICESat-2高分辨率数据的树高制图方法、装置及设备 |
CN116664959A (zh) * | 2023-07-28 | 2023-08-29 | 航天宏图信息技术股份有限公司 | 基于多源卫星遥感的无样本农作物分类方法及装置 |
CN116664959B (zh) * | 2023-07-28 | 2023-11-03 | 航天宏图信息技术股份有限公司 | 基于多源卫星遥感的无样本农作物分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7058197B1 (en) | Multi-variable model for identifying crop response zones in a field | |
CN114519823A (zh) | 一种利用Sentinel-2时间序列影像数据的农作物制图方法 | |
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 | |
CN111898503B (zh) | 基于云覆盖遥感影像和深度学习的作物识别方法和系统 | |
CN108985588A (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
Chen et al. | Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning | |
CN111598045A (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 | |
Chen et al. | Global datasets of leaf photosynthetic capacity for ecological and earth system research | |
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 | |
Zhou et al. | An automated, high-performance approach for detecting and characterizing broccoli based on UAV remote-sensing and transformers: A case study from Haining, China | |
She et al. | Identification and mapping of soybean and maize crops based on Sentinel-2 data. | |
CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
Alvarez et al. | Multitemporal land-cover classification of Mexico using Landsat MSS imagery | |
Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
CN115527108A (zh) | 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法 | |
Som-ard et al. | Sugarcane yield estimation in Thailand at multiple scales using the integration of UAV and Sentinel-2 imagery | |
Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
Zou et al. | Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage | |
CN114663780A (zh) | 基于gee和机器学习的河套灌区种植结构识别方法及系统 | |
Dong et al. | Research on Graded Diagnosis of Lettuce Water-Nitrogen Stress and Pest Prevention Based on Deep Learning | |
Qu et al. | A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography: Flight altitude, sampling method and model effects | |
Niu et al. | Extraction of Winter Wheat Planting Area and Monitoring of Growth During key Fertility Periods Based on Time Series Sentinel-2 Images |
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 |