CN114705627A - 秸秆类型快速遥感监测方法及装置 - Google Patents
秸秆类型快速遥感监测方法及装置 Download PDFInfo
- Publication number
- CN114705627A CN114705627A CN202210351545.1A CN202210351545A CN114705627A CN 114705627 A CN114705627 A CN 114705627A CN 202210351545 A CN202210351545 A CN 202210351545A CN 114705627 A CN114705627 A CN 114705627A
- Authority
- CN
- China
- Prior art keywords
- image
- straw
- straws
- pnisi
- chm
- 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
- 239000010902 straw Substances 0.000 title claims abstract description 361
- 238000012544 monitoring process Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000011218 segmentation Effects 0.000 claims abstract description 62
- 239000002893 slag Substances 0.000 claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 8
- 230000002265 prevention Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 240000008042 Zea mays Species 0.000 description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000010813 municipal solid waste Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种秸秆类型快速遥感监测方法及装置,该方法包括:获取监测区域多光谱影像以及CHM影像;根据多光谱影像中近红外波段和红光波段,生成叠积近红秸秆指数PNISI影像;根据多光谱影像、CHM影像和PNISI影像进行二次波段组合,得到CHM‑PNISI‑多光谱影像,并根据高度阈值进行初次分割,得到第一秸秆影像和第二秸秆影像,分别分割得到多个一类对象和二类对象;根据秸秆形状阈值和PNISI阈值,对第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于波段阈值,对二类对象进行分类,得到碎渣秸秆和裸地的分类结果。该方法可有效避免常规分割后秸秆对象碎片化问题,提高了农田作物秸秆类型遥感监测精度和效率。
Description
技术领域
本发明涉及农作物遥感信息处理领域,尤其涉及一种秸秆类型快速遥感监测方法及装置。
背景技术
在玉米、小麦、大豆等作物收获季后,一部分秸秆被收割离田加工再利用,大部分秸秆被农机粉碎还田平铺于土壤表面或翻耕入土,一部分秸秆被人工收割收拢成堆或成垛,还有一部分秸秆未被处理直立于田间。还田秸秆可实现保护性耕作和土壤固碳,成堆成垛秸秆在后期将会离田处理再利用,直立秸秆易被焚烧污染大气。农业、环保等相关部门对农田作物秸秆类型及分布状态十分关注,及时准确快速获取秸秆类型、分布区域和位置信息可助其实现秸秆资源高效管理、综合利用、焚烧防控等,具有重大的现实意义和应用价值。
近些年,秸秆资源管理利用及焚烧防控工作主要依靠管理和执法人员野外调查、广播宣传和现场执法等,信息化程度低、成本高昂,监测精度和效率亟待提升。低空遥感技术发展迅速,灵活机动、成本较低,可快速获取高空间分辨率遥感影像,给秸秆类型快速监测提供了新的数据来源和技术手段。目前,秸秆类型遥感监测研究比较缺乏,主要是围绕秸秆资源量、残渣覆盖度及焚烧火点监测进行了秸秆相关研究。也有一些学者对直立秸秆进行了遥感监测,但主要是基于光谱、纹理等常规遥感监测参数,准确度不高。
发明内容
针对现有技术存在的问题,本发明提供一种秸秆类型快速遥感监测方法及装置。
本发明提供一种秸秆类型快速遥感监测方法,包括:获取监测区域的多光谱影像以及作物冠层高度(Canopy Height Model,CHM)影像,其中多光谱影像中包括近红外波段、红光波段和蓝光波段光谱信息;根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像;根据所述多光谱影像、所述CHM影像和所述PNISI影像进行二次波段组合,得到CHM-PNISI-多光谱影像;根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像;对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象;根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果。
根据本发明提供的一种秸秆类型快速遥感监测方法。所述形状阈值包括面积阈值和长宽比阈值,所述高度阈值包括CHM阈值,所述波段阈值包括蓝光波段阈值。
根据本发明提供的一种秸秆类型快速遥感监测方法,所述根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像,包括:根据CHM>0.16m,对所述CHM-PNISI-多光谱影像进行分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像;根据CHM≤0.16m,对所述CHM-PNISI-多光谱影像进行分割,得到包括碎渣秸秆和裸地的第二秸秆影像;相应地,根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果,基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果,分别包括:根据面积>0.3332m2,PNISI>0.177,确定第一对象为成捆秸秆类型;根据0.1<PNISI<0.13,长宽比γ>2.1,确定第一对象为成堆秸秆类型;根据成捆秸秆类型和成堆秸秆类型以外的第一对象,确定直立秸秆类型;根据0.035<B1<0.21,确定二类对象为裸地类型;根据裸地类型以外的第二对象,确定碎渣秸秆类型。其中,B1为蓝光波段的反射率值。
根据本发明提供的一种秸秆类型快速遥感监测方法,所述获取监测区域的多光谱影像以及作物冠层高度CHM影像,包括:获取监测区域的高分辨率遥感影像,进行预处理后,得到所述多光谱影像和数字表面模型(Digital Surface Model,DSM)影像;根据所述DSM影像生成数字高程模型并制作数字高程(Digital Elevation Model,DEM)影像;根据所述DEM影,通过差值运算生成作物冠层高度模型并制作CHM影像;其中,所述预处理包括影像拼接、DSM生成、波段组合和裁剪。
根据本发明提供的一种秸秆类型快速遥感监测方法,所述根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像,包括根据如下公式计算PNISI值后生成PNISI影像:
其中,B3为多光谱影像中红波段反射率值,B5为多光谱影像中近红外波段反射率值。
根据本发明提供的一种秸秆类型快速遥感监测方法,所述对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象,包括:根据对比度分离分割法,对所述第一秸秆影像进行分割得到多个一类对象;根据多尺度分割法,对所述第二秸秆影像进行分割得到多个二类对象。
根据本发明提供的一种秸秆类型快速遥感监测方法,所述确定不同秸秆类型之后,还包括:根据不同的分类结果,生成农田作物秸秆类型分布图。
本发明还提供一种秸秆类型快速遥感监测装置,包括:第一获取模块,用于获取监测区域的多光谱影像以及作物冠层高度CHM影像,其中多光谱影像中包括近红外波段、红光波段和蓝光波段光谱信息;第二获取模块,用于根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像;波段组合模块,用于根据所述多光谱影像、所述CHM影像和所述PNISI影像进行二次波段组合,得到CHM-PNISI-多光谱影像;第一分割模块,用于根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像;第二分割模块,用于对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象;类型划分模块,用于根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果。
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秸秆类型快速遥感监测方法。
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秸秆类型快速遥感监测方法。
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秸秆类型快速遥感监测方法。
本发明提供的秸秆类型快速遥感监测方法及装置,综合了空间(高度、形状)和光谱多个维度信息进行秸秆类型划分,提高了农田作物秸秆类型遥感监测精度和效率。并且通过秸秆高度阈值进行初次分割,并对分割后的两类影像分别采用例如对比度分离分割算法和多尺度分割算法进行二次分割,可以有效避免常规的单一采用多尺度分割法致使成堆和成捆秸秆对象碎片化,无法形成完整形状的问题。该方法能够满足农业和环保等相关部门及时准确快速获取秸秆类型、分布区域和位置信息,可为其实现秸秆资源高效管理、综合利用、焚烧防控等提供信息和方法支撑。
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作一简单地介绍,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是本发明提供的秸秆类型快速遥感监测方法的流程示意图之一;
图2是本发明提供的秸秆类型快速遥感监测方法的流程示意图之二;
图3是本发明提供的秸秆类型快速遥感监测装置的结构示意图;
图4是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。
直立秸秆、成堆秸秆、成捆秸秆、碎渣秸秆等不同类型秸秆的高度和形状较之光谱和纹理存在更加显著差异,充分挖掘高度和形状等空间特征并结合光谱特征,对秸秆监测精度提升很有裨益。本发明利用高空间分辨率影像,充分挖掘不同类型秸秆多维度的特征差异,综合空间和光谱特征实现秸秆类型快速遥感监测,可给相关部门提供高分辨率的秸秆空间分布类型、面积和高精度位置等信息支撑,并辅助其进行科学管理和防控决策。
下面结合图1-图4描述本发明的秸秆类型快速遥感监测方法及装置。图1是本发明提供的秸秆类型快速遥感监测方法的流程示意图之一,如图1所示,本发明提供秸秆类型快速遥感监测方法,包括:
101、获取监测区域的多光谱影像以及作物冠层高度CHM影像,其中多光谱影像中包括近红外波段、红光波段和蓝光波段光谱信息。
例如,采用大疆Phantom 4无人机进行玉米秸秆区域航拍,获取监测区包含蓝光、绿光、红光、红边、近红外共5波段的多光谱遥感影像。具体为:选择无风或微风的晴朗天气到达监测区域,并选择没有障碍物干扰的飞机起降地点;根据监测区实际情况,确定航拍高度(30m)、航向旁向重叠度(80%)、飞行速度(20m/s)、拍照模式(定时拍摄)等,并利用无人机的航线规划软件进行航线规划设置;为保证良好的光照条件,在上午10:00-下午2:00间太阳高度角较高时执行航拍任务,获取高空间分辨率(如像元尺寸为1.4cm)的多光谱影像。
然后对影像进行预处理,具体为:首先检查所获照片、坐标等数据是否完整;然后对照片进行逐张检查,剔除起降照片及飞行过程中质量不好的模糊照片;将质量良好的的照片全部导入PhotoScan专业影像处理软件;对输入输出坐标系(WGS84)等参数进行设置;执行影像拼接、DSM生成等操作,生成拼接后单波段影像和DSM影像。为了便于后续处理,采用ENVI遥感影像专业处理软件,将单波段影像进行波段组合生成多波段影像,然后根据监测区范围,对多波段影像和DSM影像分别进行裁剪处理,获取研究区的原始多波段影像和DSM影像,DSM影像可用于生成CHM影像。
102、根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像。
本发明中叠积近红秸秆指数PNISI影像综合了红光和近红外两个波段的信息,并增强了对秸秆信息敏感的近红外信息,对直立秸秆提取有帮助。过对原始多波段影像进行波段运算,生成监测区PNISI影像。
103、根据所述多光谱影像、所述CHM影像和所述PNISI影像进行二次波段组合,得到CHM-PNISI-多光谱影像。
采用影像的近红外波段和红光波段的光谱信息,计算生成叠积近红秸秆指数(Product Near-Infrared Straw Index,PNISI)影像后,将原始多波段影像、PNISI影像、CHM影像进行二次波段组合,生成高度-PNISI-多光谱影像。高度-PNISI-多光谱影像中,每个像素具有多个维度的信息,包括高度、PNISI值和光谱的多个波段特征。若光谱特征为蓝光、绿光、红光、红边、近红外共5波段,则高度-PNISI-多光谱影像中,每个像素具有七个维度的信息。
104、根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像。不同类型秸秆的利用方式和监管策略不同,快速准确地实现秸秆类型监测可为其秸秆资源高效管理、综合利用、焚烧防控等提供信息支撑,具有重大的现实意义和应用价值。但是目前对秸秆类型的监测比较缺乏,相关研究主要集中在立地秸秆监测、残渣覆盖度监测、秸秆资源量监测、火点监测等。本发明针对这一科研生产亟需解决的实际问题进行研究,旨在找到一种秸秆类型快速准确监测方法。
具体可采取“二次分割、不同算法”策略,先根据CHM影像地物高度差异,确定合适高度阈值,初步分割生成成堆成捆直立秸秆的第一秸秆影像和碎渣秸秆裸地的第二秸秆影像。
105、对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象。
再分别采取如对比度分离分割算法和多尺度分割算法等方法,对第一秸秆影像和第二秸秆影像分别进行对象分割,得到多个不同对象。其中,一类对象为成捆、成堆或者直立秸秆,一类对象为碎渣秸秆和裸地。
106、根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果。
筛选合适阈值并进行成堆成捆直立秸秆影像和碎渣秸秆裸地影像二次分割和阈值调试。然后,通过对成堆成捆直立秸秆影像进行形状参数优选及提取,生成形状参数影像。最后,综合高度光谱影像和形状参数影像,构建分类规则集,进行多空间多光谱影像分类和制图,实现农田作物秸秆类型快速遥感监测。
具体而言,可根据每个对象所有像素取平均后,进行形状阈值、PNISI阈值和波段阈值的划分。
本发明根据直立秸秆、成堆秸秆和成捆秸秆的作物高度明显高于碎渣秸秆和裸地的特点,以及成堆秸秆和成捆秸秆具有明显的圆形和条带状形状特点,充分挖掘不同类型秸秆的高度、形状等空间特征,并辅助光谱特征进行农田作物秸秆类型遥感监测。较之以往相关研究仅用光谱和纹理这些传统参数进行秸秆监测,秸秆监测精度得到明显提升。
本实施例提供的秸秆类型快速遥感监测方法,综合了空间(高度、形状)和光谱多个维度信息进行秸秆类型划分,提高了农田作物秸秆类型遥感监测精度和效率。并且通过秸秆高度阈值进行初次分割,并对分割后的两类影像分别采用例如对比度分离分割算法和多尺度分割算法进行二次分割,可以有效避免常规的单一采用多尺度分割法致使成堆和成捆秸秆对象碎片化,无法形成完整形状的问题。该方法能够满足农业和环保等相关部门及时准确快速获取秸秆类型、分布区域和位置信息,可为其实现秸秆资源高效管理、综合利用、焚烧防控等提供信息和方法支撑。
在一个实施例中,所述形状阈值包括面积阈值和长宽比阈值,所述高度阈值包括CHM阈值,所述波段阈值包括蓝光波段阈值。
具体而言,可设置高度、面积和长宽比的形状规则集,再基于测得的阈值进行分类,同时本发明实施例提供蓝光波段作为光谱发明向的规则集,提高分类结果的准确度。
在一个实施例中,根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像,包括:根据CHM>0.16m,对所述CHM-PNISI-多光谱影像进行分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像;根据CHM≤0.16m,对所述CHM-PNISI-多光谱影像进行分割,得到包括碎渣秸秆和裸地的第二秸秆影像。
相应地,根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果,基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果,分别包括:根据Aera>0.3332m2,PNISI>0.177,确定第一对象为成捆秸秆类型;根据0.1<PNISI<0.13,长宽比γ>2.1,确定第一对象为成堆秸秆类型;根据成捆秸秆类型和成堆秸秆类型以外的第一对象,确定直立秸秆类型;根据0.035<B1<0.21,确定二类对象为裸地类型;根据裸地类型以外的第二对象,确定碎渣秸秆类型;其中,B1为蓝光波段的反射率值。
具体而言,本发明通过对综合空间(高度、形状)和光谱信息的多空间多光谱影像进行分析和调试,确定各个参数的合适阈值,并构建适合秸秆类型监测的分类规则集。
根据成堆、成捆、直立秸秆的高度均明显高于碎渣秸秆和裸地的地物特征,采取“二次分割、不同算法、不同规则”策略,将成堆、成捆、直立秸秆分为一类,碎渣秸秆和裸地分为另一类,根据各自的空间特征差异,采取不同分割算法进行影像分割处理,进而提高分类精度。因此,采用CHM-PNISI-多光谱影像中的CHM波段,初步分割生成成堆成捆直立秸秆影像(CHM>0.16m)和碎渣秸秆裸地影像(CHM≤0.16m)。
经过详细分析和对比调试,发现成堆、成捆、直立秸秆的形状差异最突出,故选用对比分离分割算法对成堆成捆直立秸秆影像进行再次分割,分割后影像能够较完整地勾勒出了成堆秸秆的圆形特点、成捆秸秆的条带状特点和直立秸秆的离散特点。综合考虑监测区的影像分辨率、主要目标对象空间形态特征和影像处理时效等,通过调试最终选用的对比分离分割参数为:棋盘格尺寸是1000,步长是5,最小暗区是0.1,最大暗区是0.1,最小对象尺寸是1。
碎渣秸秆裸地的光谱特征较为突出,形状和高度特征较类似,故对碎渣秸秆裸地影像根据多波段信息采用多尺度分割算法,对其进行再次分割。综合考虑监测区的影像分辨率、主要目标对象空间形态特征和影像处理时效等,通过调试最终选用的多尺度分割参数为:分割尺度参数是100,形状因子参数是0.3,紧凑度参数是0.5。该操作可在高分辨率影像专业处理软件eCognition中完成。
直立秸秆形状散乱较粗糙,成捆秸秆呈带状条型分布,成堆秸秆呈圆锥或长锥型分布。根据秸秆形状特征差异,通过参数筛选,优选出适合监测区域秸秆类型提取的形状参数——长宽比(γ)和面积(A)。
其中,γ为分割对象的长宽比,l为分割对象的长度值,w为分割对象的宽度值。
A=N*Pix2
其中,A为分割对象的面积,N为分割对象的像元数目,Pix为单个像元的像素大小。
通过多次调试,确定秸秆类型监测的形状参数为基于CHM影像的长宽比和面积的形状信息。通过数据运算,生成长宽比和面积形状影像。监测区光谱参数选取PNISI和蓝光B1波段。该操作可通过eCognition软件实现。
在一个实施例中,所述获取监测区域的多光谱影像以及作物冠层高度CHM影像,包括:获取监测区域的高分辨率遥感影像,进行预处理后,得到所述多光谱影像和数字表面模型(Digital Surface Model,DSM)影像;根据所述DSM影像生成数字高程模型并制作数字高程(Digital Elevation Model,DEM)影像;根据所述DEM影,通过差值运算生成作物冠层高度模型并制作CHM影像;其中,所述预处理包括影像拼接、DSM生成、波段组合和裁剪。
例如,通过上述得到的高空间分辨率的多光谱影像,预处理后得到原始多波段影像和DSM影像。再结合原始多波段影像和DSM影像,在监测区的土壤裸露区域进行均匀刺点,制作点shp文件。通过提取值至点处理,将刺点在DSM影像上的高度信息赋给刺点,生成高度shp文件。采用克里金插值算法,将高度shp文件进行插值运算,制作监测区DEM模型影像。生成DEM影像。然后将DSM影像和DEM影像进行差值运算,制作作物冠层高度模型,生成监测区CHM影像。该操作可通过ArcGIS软件实现。
在一个实施例中,所述根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像,包括:
其中,B3为多光谱遥感影像中红波段反射率值,B5为多光谱遥感影像中近红外波段反射率值。该操作可通过ENVI软件实现。
在一个实施例中,所述对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象,包括:根据对比度分离分割法,对所述第一秸秆影像进行分割得到多个一类对象;根据多尺度分割法,对所述第二秸秆影像进行分割得到多个二类对象。
对比度分离分割法(Contrast split segmentation)是指根据设定的对比度阈值分割整景影像为暗的影像对象和亮的影像对象。该算法为每个对象评价最优的分离参数。在选择像素层作为影像对象区域时,最初执行棋盘分割,然后对每个正方形对象进行分裂。
多尺度分割法(Multiresolution Segmentation)是指采用从下往上的逐对区域合并技术,不断合并像素生成影像对象的图像分割方法。通过改变尺度参数来修改分割计算,尺度参数越高分割后的影像对象越大,尺度参数越小分割后的影像对象越小。
在一个实施例中,所述确定不同秸秆类型之后,还包括:根据不同的分类结果,生成农田作物秸秆类型分布图。
基于多空间多光谱影像,依据成堆成捆直立秸秆影像和碎渣秸秆裸地影像的秸秆类型监测分类规则集,分别进行农田作物秸秆类型分类,然后将分类结果合并,生成具有直立秸秆、成堆秸秆、成捆秸秆、碎渣秸秆和裸土共5类地物的农田作物秸秆类型分布图。并将农田作物秸秆类型分布图进行编辑,添加图名、图例、指北针、比例尺等,并设置导出参数等,制作农田作物秸秆类型分布遥感监测专题图,可通过ArcGIS软件完成。
作为本发明的实施例,在某市玉米秸秆区域开展无人机航拍,获取监测区厘米级高空间分辨率的包含5个波段的多光谱遥感影像。采用本发明所述方法,结合上述各可选实施例的方法流程示意图如图2所示,在该监测区开展玉米秸秆类型快速遥感监测,生成某市玉米秸秆类型监测专题图。秸秆类型监测总精度为93%,能够满足农业和环保等相关部门及时准确快速获取秸秆类型、分布区域和位置信息。可为其实现秸秆资源高效管理、综合利用、焚烧防控等提供信息和方法支撑,具有重大的现实意义和应用价值。
下面对本发明提供的秸秆类型快速遥感监测装置进行描述,下文描述的秸秆类型快速遥感监测装置与上文描述的秸秆类型快速遥感监测方法可相互对应参照。
图3是本发明提供的秸秆类型快速遥感监测装置的结构示意图,如图3所示,该秸秆类型快速遥感监测装置包括:第一获取模块301、第二获取模块302、波段组合模块303、第一分割模块304、第二分割模块305和类型划分模块306。其中,第一获取模块301用于获取监测区域的多光谱影像以及作物冠层高度CHM影像,其中多光谱影像中包括近红外波段、红光波段和蓝光波段光谱信息;第二获取模块302用于根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像;波段组合模块303用于根据所述多光谱影像、所述CHM影像和所述PNISI影像进行二次波段组合,得到CHM-PNISI-多光谱影像;第一分割模块304用于根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像;第二分割模块305用于对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象;类型划分模块306用于根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例所提供的秸秆类型快速遥感监测装置,其实现原理及产生的技术效果和前述秸秆类型快速遥感监测方法实施例相同,为简要描述,秸秆类型快速遥感监测装置实施例部分未提及之处,可参考前述秸秆类型快速遥感监测方法实施例中相应内容。
图4是本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行秸秆类型快速遥感监测方法,该方法包括:获取监测区域的多光谱影像以及CHM影像,其中多光谱影像中包括近红外波段、红光波段和蓝光波段光谱信息;根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像;根据所述多光谱影像、所述CHM影像和所述PNISI影像进行二次波段组合,得到CHM-PNISI-多光谱影像;根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像;对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象;根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果。
此外,上述的存储器403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计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的秸秆类型快速遥感监测方法,该方法包括:获取监测区域的多光谱影像以及CHM影像,其中多光谱影像中包括近红外波段、红光波段和蓝光波段光谱信息;根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像;根据所述多光谱影像、所述CHM影像和所述PNISI影像进行二次波段组合,得到CHM-PNISI-多光谱影像;根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像;对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象;根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果。
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方法提供的秸秆类型快速遥感监测方法,该方法包括:获取监测区域的多光谱影像以及CHM影像,其中多光谱影像中包括近红外波段、红光波段和蓝光波段光谱信息;根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像;根据所述多光谱影像、所述CHM影像和所述PNISI影像进行二次波段组合,得到CHM-PNISI-多光谱影像;根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像;对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象;根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果。
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)
1.一种秸秆类型快速遥感监测方法,其特征在于,包括:
获取监测区域的多光谱影像以及作物冠层高度CHM影像,其中,多光谱影像中包括近红外波段、红光波段和蓝光波段光谱信息;
根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像;
根据所述多光谱影像、所述CHM影像和所述PNISI影像进行二次波段组合,得到CHM-PNISI-多光谱影像;
根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像;
对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象;
根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果。
2.根据权利要求1所述的秸秆类型快速遥感监测方法,其特征在于,所述形状阈值包括面积阈值和长宽比阈值,所述高度阈值包括CHM阈值,所述波段阈值包括蓝光波段阈值。
3.根据权利要求2所述的秸秆类型快速遥感监测方法,其特征在于,所述根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像,包括:
根据CHM>0.16,对所述CHM-PNISI-多光谱影像进行分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像;
根据CHM≤0.16m,对所述CHM-PNISI-多光谱影像进行分割,得到包括碎渣秸秆和裸地的第二秸秆影像;
相应地,根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果,基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果,分别包括:
根据面积>0.3332m2,PNISI>0.177,确定第一对象为成捆秸秆类型;
根据0.1<PNISI<0.13,长宽比γ>2.1,确定第一对象为成堆秸秆类型;
根据成捆秸秆类型和成堆秸秆类型以外的第一对象,确定直立秸秆类型;
根据0.035<B1<0.21,确定二类对象为裸地类型;
根据裸地类型以外的第二对象,确定碎渣秸秆类型;
其中,B1为蓝光波段的反射率值。
4.根据权利要求1所述的秸秆类型快速遥感监测方法,其特征在于,所述获取监测区域的多光谱影像以及作物冠层高度CHM影像,包括:
获取监测区域的高分辨率遥感影像,进行预处理后,得到所述多光谱影像和数字表面模型DSM影像;
根据所述DSM影像生成数字高程模型并制作DEM影像;
根据所述DEM影像,通过差值运算生成作物冠层高度模型并制作CHM影像;
其中,所述预处理包括影像拼接、DSM生成、波段组合和裁剪。
6.根据权利要求1所述的秸秆类型快速遥感监测方法,其特征在于,所述对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象,包括:
根据对比度分离分割法,对所述第一秸秆影像进行分割得到多个一类对象;
根据多尺度分割法,对所述第二秸秆影像进行分割得到多个二类对象。
7.根据权利要求1所述的秸秆类型快速遥感监测方法,其特征在于,所述得到碎渣秸秆和裸地的分类结果之后,还包括:
根据不同的分类结果,生成农田作物秸秆类型分布图。
8.一种秸秆类型快速遥感监测装置,其特征在于,包括:
第一获取模块,用于获取监测区域的多光谱影像以及作物冠层高度CHM影像,其中多光谱影像中包括近红外波段、红光波段和蓝光波段光谱信息;
第二获取模块,用于根据所述多光谱影像中的近红外波段和红光波段的光谱信息,生成叠积近红秸秆指数PNISI影像;
波段组合模块,用于根据所述多光谱影像、所述CHM影像和所述PNISI影像进行二次波段组合,得到CHM-PNISI-多光谱影像;
第一分割模块,用于根据预设的秸秆高度阈值,对所述CHM-PNISI-多光谱影像进行初次分割,得到包括成捆、成堆和直立秸秆的第一秸秆影像,以及包括碎渣秸秆和裸地的第二秸秆影像;
第二分割模块,用于对所述第一秸秆影像进行分割得到多个一类对象,并对所述第二秸秆影像进行分割得到多个二类对象;
类型划分模块,用于根据预设的秸秆形状阈值和PNISI阈值,对所述多个第一对象进行分类,得到成捆、成堆和直立秸秆的分类结果;基于预设的波段阈值,对所述多个二类对象进行分类,得到碎渣秸秆和裸地的分类结果。
9.一种电子设备,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程序时实现如权利要求1至7任一项所述秸秆类型快速遥感监测方法。
10.一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7任一项所述秸秆类型快速遥感监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351545.1A CN114705627A (zh) | 2022-04-02 | 2022-04-02 | 秸秆类型快速遥感监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351545.1A CN114705627A (zh) | 2022-04-02 | 2022-04-02 | 秸秆类型快速遥感监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114705627A true CN114705627A (zh) | 2022-07-05 |
Family
ID=82172710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210351545.1A Pending CN114705627A (zh) | 2022-04-02 | 2022-04-02 | 秸秆类型快速遥感监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114705627A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965954A (zh) * | 2023-03-16 | 2023-04-14 | 北京市农林科学院信息技术研究中心 | 秸秆类型识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-04-02 CN CN202210351545.1A patent/CN114705627A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965954A (zh) * | 2023-03-16 | 2023-04-14 | 北京市农林科学院信息技术研究中心 | 秸秆类型识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11615606B2 (en) | Tree crown extraction method based on unmanned aerial vehicle multi-source remote sensing | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
Govedarica et al. | Object Oriented Image Analysis in Remote Sensing of Forest and Vineyard Areas. | |
CN110779876A (zh) | 一种疫木识别方法、装置、设备及计算机可读存储介质 | |
CN113052102A (zh) | 基于无人机多光谱影像的农田管理分区方法及装置 | |
CN107527364A (zh) | 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 | |
CN112884672A (zh) | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 | |
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 | |
CN114705627A (zh) | 秸秆类型快速遥感监测方法及装置 | |
CN115641412A (zh) | 基于高光谱数据的三维语义地图的生成方法 | |
CN114240980A (zh) | 一种无人机影像亚田块边界提取方法及装置 | |
CN114241328A (zh) | 基于空天遥感数据融合的田间立地秸秆提取方法及装置 | |
CN115272860A (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
CN115060202A (zh) | 一种基于无人机机载多光谱仪的绿潮藻面积监测方法 | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
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 | |
Parra et al. | The use of image processing techniques for detection of weed in lawns | |
Gomes et al. | Comparing a single-sensor camera with a multisensor camera for monitoring coffee crop using unmanned aerial vehicles | |
CN115993336B (zh) | 一种输水渠渠道两侧植被损坏监测方法及预警方法 | |
CN112183489A (zh) | 一种松材变色立木识别定位方法、装置、设备及存储介质 | |
CN115082812B (zh) | 一种农业景观非农生境绿地斑块提取方法及其相关设备 | |
Lemenkova et al. | Clustering algorithm in ILWIS GIS for classification of Landsat TM scenes: case study of Mecsek Hills region, Hungary | |
CN113673339A (zh) | 基于无人机影像的立地秸秆提取方法和装置 | |
CN114694048A (zh) | 基于无人机遥感技术的稀疏灌木物种识别方法及系统 | |
CN115526816A (zh) | 遥感图像处理方法、存储介质和电子设备 |
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 |