CN114821367B - 一种基于光谱图像误差变异系数的取样面积优化取样方法 - Google Patents

一种基于光谱图像误差变异系数的取样面积优化取样方法 Download PDF

Info

Publication number
CN114821367B
CN114821367B CN202210403299.XA CN202210403299A CN114821367B CN 114821367 B CN114821367 B CN 114821367B CN 202210403299 A CN202210403299 A CN 202210403299A CN 114821367 B CN114821367 B CN 114821367B
Authority
CN
China
Prior art keywords
sampling
soybean
variation coefficient
sampling area
error variation
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
CN202210403299.XA
Other languages
English (en)
Other versions
CN114821367A (zh
Inventor
张小燕
丁汉凤
李娜娜
李春燕
张彦威
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.)
Shandong Academy of Agricultural Sciences
Original Assignee
Shandong Academy of Agricultural Sciences
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 Shandong Academy of Agricultural Sciences filed Critical Shandong Academy of Agricultural Sciences
Priority to CN202210403299.XA priority Critical patent/CN114821367B/zh
Publication of CN114821367A publication Critical patent/CN114821367A/zh
Application granted granted Critical
Publication of CN114821367B publication Critical patent/CN114821367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于光谱图像误差变异系数的取样面积优化取样方法，所述方法包括等比例缩放取样面积、绘制大豆育种小区光谱反射率曲线、分析误差变异系数，通过分析两种影响因素确定所述无人机搭载的高光谱相机拍摄光谱图像的误差变异系数分析方法，获取所述大豆育种小区优化的取样面积。本发明在所述大豆育种小区取样面积内消除了边界效应的影响，从红外、近红外、RVI、NDVI、VOG1五个指标方面分析了光谱图像的误差变异系数，将变异系数的误差控制在0.01级别之内，提高了无人机高光谱相机对大豆产量估值的精确度。

Description

一种基于光谱图像误差变异系数的取样面积优化取样方法
技术领域
本发明属于智能监测技术领域，尤其涉及一种基于光谱图像误差变异系数的取样面积优化取样方法。
背景技术
目前越来越多的农作物采用航空遥感技术进行估产，利用无人机装载遥感设备采集遥感图像能大大降低采集数据所需的成本，因此例如大豆、棉花、水稻等都使用无人机的遥感技术估计其产值，在专利一种采用无人机遥感技术的农作物估产系统(专利号CN202110384538.7)就采用了这种方法，但是采集的图像需要考虑多种因素对估产的影响，才能的得到更加贴近实际的产值。
2017年，湖北调查总队连续开展了3年的无人机遥感估产项目，针对室内的水稻进行了产量模拟，针对水稻无人机采集了8000多张彩色照片，3-4万张多光谱影像，一来计算量大，二来无法排除育种小区边界的影像对估产的误差。
现有技术存在的问题有：
(1)取样面积过大或者过小，无法排除边界效应；
(2)光谱点数数据过少，计算精度低；
发明内容
为了解决上述技术问题，本发明提供了一种无人机高光谱相机取样面积误差变异系数分析方法，本发明结合了取样面积和光谱反射率二者的影响，既消除了边界影响又提高了估算精度。
本发明所采用的技术方案如下：
一种基于光谱图像误差变异系数的取样面积优化取样方法，无人机搭载的高光谱相机拍摄获取的大豆叶片光谱图像，由所述大豆叶片光谱图像获取所述取样面积，包括：
等比例缩放大豆育种小区的长、宽，获取所述大豆育种小区的采样空间尺度；
读取高光谱相机获取的每个大豆育种小区的光谱图像和每个空间尺度下的矢量图，提取所述育种小区大豆叶片的平均光谱反射率；
绘制育种小区光谱反射率曲线，得到大豆叶片的光谱反射波长对所述光谱图像误差变异系数的影响；
分析误差变异系数，得到取样面积优化的取样范围。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，由无人机高光谱相机拍摄的大豆叶片光谱图像获取取样面积包括：
对无人机高光谱相机拍摄的大豆叶片光谱图像进行预处理；
将预处理后的光谱图像和数码正射影像结合，获取大豆育种小区的边界。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述预处理后的光谱图像和数码正射影像结合，获取大豆育种小区的边界，包括：
以育种小区的几何中心为取样中心；
使用ArcGIS软件在拼接好的高光谱影像上划分出每个育种小区的最大面积矢量，用于保证所述采样空间矢量区域不超出小区边界。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述等比例缩放取样面积，包括：
利用ENVI软件结合IDL语言对所述大豆育种小区最大取样面积的长和宽进行等比例缩放n次，获取n+1个采样空间尺度。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述提取育种小区大豆叶片的平均光谱反射率时，所述大豆叶片的反射光波长为450nm-900nm。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述光谱图像的误差变异系数分析指标包括：冠层光谱近红外波段、红波段、NDVI、RVI、VOG1。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述光谱反射率曲线在550-750nm的可见光波段无明显差异；所述光谱反射率曲线在750-850nm的近红外区域差异明显。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述取样面积优化后的取样窗口的长、宽的取值范围为育种小区长、宽的20％～80％。
本发明的有益效果是：合理采用取样面积，消除了边界效应的影响，采用红外、近红外、RVI、NDVI、VOG1五个指标分析了误差变异系数，将变异系数的误差控制在0.01级别之内，提高了无人机对大豆产量估值的精确度。
附图说明
图1一种基于光谱图像误差变异系数的取样面积优化取样方法流程图；
图2 21个不同取样面积在2015年品比、品鉴、群体上任一个小区中所对应的冠层光谱反射率趋势图；
图3品比、品鉴、群体三类试验的红外，近红外，RVI,NDVI,VOG1五个指标的误差变异系数分析示意图；
A：品比；B：品鉴；C群体；
A+B：2015年科丰群体；A1+B1:2015年品系鉴定试验；A2+B2：2015年品系比较试验。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。
为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
一种基于光谱图像误差变异系数的取样面积优化取样方法，无人机搭载的高光谱相机拍摄获取的大豆叶片光谱图像，由所述大豆叶片光谱图像获取所述取样面积，包括：
等比例缩放大豆育种小区的长、宽，获取所述大豆育种小区的采样空间尺度；
读取高光谱相机获取的每个大豆育种小区的光谱图像和每个空间尺度下的矢量图，提取所述育种小区大豆叶片的平均光谱反射率；
绘制育种小区光谱反射率曲线，得到大豆叶片的光谱反射波长对所述光谱图像误差变异系数的影响；
分析误差变异系数，得到取样面积优化的取样范围。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，由无人机高光谱相机拍摄的大豆叶片光谱图像获取取样面积包括：
对无人机高光谱相机拍摄的大豆叶片光谱图像进行预处理；
将预处理后的光谱图像和数码正射影像结合，获取大豆育种小区的边界。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述预处理后的光谱图像和数码正射影像结合，获取大豆育种小区的边界，包括：
以育种小区的几何中心为取样中心；
使用ArcGIS软件在拼接好的高光谱影像上划分出每个育种小区的最大面积矢量，用于保证所述采样空间矢量区域不超出小区边界。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述等比例缩放取样面积，包括：
利用ENVI软件结合IDL语言对所述大豆育种小区最大取样面积的长和宽进行等比例缩放n次，获取n+1个采样空间尺度。
在本发明的一个实施例中，为消除小区边界对光谱数据的影响，需要首先找到无人机高光谱最佳取样面积，利用2015年大豆品系比较试验274份材料822个小区R5期数据，首先用预处理后的无人机光谱图像结合数码正射影像划分的育种小区边界，以小区几何中心为中心，为了避免空间矢量区域超出小区边界，用ArcGIS软件在拼接好的高光谱影像上划分出每个小区的最大面积矢量。如表1所示，利用ENVI软件结合IDL语言对每个小区最大面积的长和宽按照等比例缩放20次，得到21个采样空间尺度，读取每个小区图像和每个空间尺度下的矢量图，提取出每个小区的21组平均光谱反射率，从每一组不同面积下的光谱数据来看，差别都在0.001级别，差别数量并不大。
表1 2015年品比、品鉴、群体三类试验无人机高光谱取样面积的大小(m2)
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述提取育种小区大豆叶片的平均光谱反射率时，所述大豆叶片的反射光波长为450nm-900nm。
如图2所示，分别对任意小区做不同面积下的光谱反射率曲线，可以看出不同空间采样面积所对应的冠层光谱反射率总体趋势为在550～750nm可见光波段无明显差异，但在750～850nm近红外区域差异明显。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述光谱图像的误差变异系数分析指标包括：冠层光谱近红外波段、红波段、NDVI、RVI、VOG1。
根据本发明所提供的基于光谱图像误差变异系数的取样面积优化取样方法，所述取样面积优化后的取样窗口的长、宽的取值范围为育种小区长、宽的20％～80％。
通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。其中，扣除了各种实验因素所引起的变异后的剩余变异提供了试验误差的无偏估计，即误差变异系数，作为假设测验的依据。因此，通过单因素的方差分析可以实现最佳高光谱取样面积的选取。
在本发明的一个实施例中，以2015年品比试验的274份品种722个小区、品系鉴定试验的532个品种1596个小区和科丰群体的441个品种1323个小区为研究对象，利用R5期光谱数据，选取遥感反演植物表型信息研究中普遍采用的10个植被指数，将其产量进行灰色和R方关联分析，排在前三位的植被指数NDVI(634nm，674nm)，RVI(634nm，674nm)和VOG1(740nm，720nm)，按照不同窗口分别对品比，品鉴，科丰群体三类试验材料下的冠层光谱近红外波段和红波段下数据分析三重复误差变异系数，进一步分别分析植被指数NDVI，RVI和VOG1误差变异系数，结果如图2所示。图2分别包含了2015年品比、品鉴、群体三类试验在红外、近红外的值，以及RVI、NDVI和VOG1的值等五个指标误差变异系数随窗口大小的变化曲线。结果显示品比试验三重复间等比例面积下红外、近红外、NDVI、RVI、VOG1五个指标误差变异系数变化区间分别在0.15～0.18、0.16～0.18、0.13～0.14、0.01～0.02、0.05～0.06之间，品鉴试验五个指标误差变异系数变化区间分别在0.12～0.15、0.11～0.15、0.15～0.20、0.03～0.04、0.04～0.05之间，科丰群体试验五个指标误差变异系数变化区间分别在0.83～0.98、1.10～1.19、0.37～0.48、0.05～0.07、0.05～0.05之间。
如图3所示，所有材料总体的误差变化趋势同样大致保持一致，即误差变异系数先随窗口面积的增大而减小，一定面积区间内误差变异系数稳定，窗口面积特别小或者特别大的时候，误差变异系数相对较大，原因可能为过小不能代表小区的情况，而过大又受到临界小区的边际效应影响。但是整体分析数据，随着取样面积梯度变化，各类误差变异系数变化均在0.01级别之内，差别不大，其中科丰群体在NIR和R波段以及RVI、NDVI和VOG1的误差变异系数均较大，其次是2015年品系鉴定试验和品系比较试验，变化趋势与小区产量变异系数一致，植被指数之间分析来看，不同材料之间植被指数NDVI的误差变异较大，但在中间取样面积下相对稳定。总体分析显示三类试验提取面积分别为2.1～8.1m2，1.2～5.2m2和1.0～2.7m2时，误差变异系数均最小，即当取样窗口的长、宽大约为育种小区的原长、宽的20％-80％范围内时进行大豆育种小区冠层光谱反射率的提取时误差变异系数最小。
在本发明的一个实施例中，无人机飞行高度50m的时候，分辨率为0.01m，当提取小区面积为1m2的时候，相当于采用ASD光谱仪采集的光谱点数是10000个点(1m2/(0.01×0.01))，三类试验提取面积分别为2.1～8.1m2，1.2～5.2m2和1.0～2.7m2时，相当于分别获取21000～81000个，12000～52000个，10000～27000个光谱点数，在此面积范围既消除了边界效应的影响，又得到足够多的光谱点数数据可以代表整个小区的光谱反射率。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于光谱图像误差变异系数的取样面积优化取样方法，大豆叶片光谱图像是无人机搭载的高光谱相机采集的大豆育种小区的高光谱影像，取样面积小于大豆育种小区最大的面积，其特征在于，所述方法包括：
划分大豆育种小区边界和最大面积矢量，用于保证在育种小区内提取取样面积；
等比例缩放大豆育种小区最大面积的长、宽，得到大豆育种小区的采样空间尺度；
读取每个大豆育种小区的光谱图像和每个空间尺度下的矢量图，提取大豆叶片的平均光谱反射率；
绘制大豆育种小区光谱反射率曲线，得到不同取样面积下大豆叶片的光谱反射波长对平均光谱反射率的影响；
分析植被指数误差变异系数，得到取样面积范围对植被指数误差变异系数的影响变化趋势图，所述光谱图像误差变异系数为利用变异系数计算方法对大豆光谱图像中植被指数的误差进行分析；
采用取样面积范围对植被指数误差变异系数的影响变化趋势图中间稳定部分对应的取样面积，计算得到优化后的取样范围。
2.如权利要求1所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，划分大豆育种小区边界和最大面积矢量包括：
对无人机高光谱相机拍摄的大豆叶片光谱图像进行预处理；
将预处理后的光谱图像和数码正射影像结合，划分大豆育种小区的边界；
以育种小区的几何中心为取样中心；
使用ArcGIS软件在高光谱影像上划分出每个育种小区的最大面积矢量。
3.如权利要求1所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，所述等比例缩放大豆育种小区最大面积的长、宽，得到大豆育种小区的采样空间尺度，包括：
利用ENVI软件结合IDL语言对所述大豆育种小区最大取样面积的长和宽进行等比例缩放n次，获取n+1个采样空间尺度。
4.如权利要求1-3所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，读取每个大豆育种小区的光谱图像和每个空间尺度下的矢量图，提取大豆叶片的平均光谱反射率包括：
所述大豆叶片的平均光谱反射率有n+1组，对比每组光谱数据差别为0.001级别。
5.如权利要求1所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，提取育种小区大豆叶片的平均光谱反射率时，大豆叶片的反射光波长的取值范围为450nm-900nm。
6.如权利要求1所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，光谱图像的植被指数包括：冠层光谱近红外波段、红波段、NDVI、RVI、VOG1。
7.如权利要求1所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，绘制大豆育种小区光谱反射率曲线，得到不同取样面积下大豆叶片的光谱反射波长对平均光谱反射率的影响为：
光谱反射率曲线在550-750nm的可见光波段无明显差异；
光谱反射率曲线在750-850nm的近红外区域差异明显。
8.如权利要求1所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，所述取样面积优化后的取样窗口的长、宽的取值范围为育种小区长、宽的20％～80％。
9.如权利要求1所述的基于光谱图像误差变异系数的取样面积优化取样方法，其特征在于，分析植被指数误差变异系数，得到取样面积范围对植被指数误差变异系数的影响变化趋势图，所述取样面积范围对植被指数误差变异系数的影响趋势为：
当取样面积的长、宽取值小于育种小区长、宽的20％时，植被指数的误差变异系数差异大于取样面积的长、宽取值为育种小区长、宽的20％～80％时的数值；
当取样面积的长、宽取值大于育种小区长、宽的80％时，植被指数的误差变异系数差异大于取样面积的长、宽取值为育种小区长、宽的20％～80％时的数值。
CN202210403299.XA 2022-04-18 2022-04-18 一种基于光谱图像误差变异系数的取样面积优化取样方法 Active CN114821367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210403299.XA CN114821367B (zh) 2022-04-18 2022-04-18 一种基于光谱图像误差变异系数的取样面积优化取样方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210403299.XA CN114821367B (zh) 2022-04-18 2022-04-18 一种基于光谱图像误差变异系数的取样面积优化取样方法

Publications (2)

Publication Number Publication Date
CN114821367A CN114821367A (zh) 2022-07-29
CN114821367B true CN114821367B (zh) 2024-02-13

Family

ID=82537243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210403299.XA Active CN114821367B (zh) 2022-04-18 2022-04-18 一种基于光谱图像误差变异系数的取样面积优化取样方法

Country Status (1)

Country Link
CN (1) CN114821367B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004369A (zh) * 2009-08-26 2011-04-06 索尼公司 光学元件、成像光学系统和成像设备
CN109030069A (zh) * 2018-06-19 2018-12-18 中国林业科学研究院 一种高寒沙区根系综合取样方法
CN111091052A (zh) * 2019-11-07 2020-05-01 中国农业大学 一种基于最大似然法的玉米倒伏面积提取系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI493171B (zh) * 2013-06-27 2015-07-21 Univ China Medical System and method for analyzing tissue cells by using hyperspectral image

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004369A (zh) * 2009-08-26 2011-04-06 索尼公司 光学元件、成像光学系统和成像设备
CN109030069A (zh) * 2018-06-19 2018-12-18 中国林业科学研究院 一种高寒沙区根系综合取样方法
CN111091052A (zh) * 2019-11-07 2020-05-01 中国农业大学 一种基于最大似然法的玉米倒伏面积提取系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李长春 ; 陈鹏 ; 陆国政 ; 马春艳 ; 马潇潇 ; 王双亭 ; .基于无人机高清数码影像和高光谱遥感数据反演大豆典型生育期氮平衡指数.应用生态学报.2018,(第04期),全文. *
赵晓庆 ; 杨贵军 ; 刘建刚 ; 张小燕 ; 徐波 ; 王艳杰 ; 赵春江 ; 盖钧镒 ; .基于无人机载高光谱空间尺度优化的大豆育种产量估算.农业工程学报.2017,(第01期),全文. *

Also Published As

Publication number Publication date
CN114821367A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Wendel et al. Maturity estimation of mangoes using hyperspectral imaging from a ground based mobile platform
CN112183209B (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN111091052A (zh) 一种基于最大似然法的玉米倒伏面积提取系统及方法
CN114441457B (zh) 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法
CN107688003B (zh) 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法
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
CN109754127A (zh) 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法
Medina Machin et al. Vegetation species mapping in a coastal-dune ecosystem using high resolution satellite imagery
CN110363125A (zh) 采用模型传递识别不同品种柑橘黄龙病的方法
CN113920376B (zh) 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法
CN112699756A (zh) 一种基于高光谱图像的茶叶原产地识别方法和系统
CN115512192A (zh) 基于跨尺度的octave卷积网络的多光谱和高光谱图像融合方法
CN112330672A (zh) 基于prosail模型并在冠层覆盖度参与优化下作物叶面积指数反演方法
CN106568730B (zh) 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法
Zhang et al. Multispectral drone imagery and SRGAN for rapid phenotypic mapping of individual chinese cabbage plants
Cui et al. Unsupervised classification of AVIRIS-NG hyperspectral images
CN116863341B (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
Novotný et al. Individual tree crowns delineation using local maxima approach and seeded region growing technique
CN114821367B (zh) 一种基于光谱图像误差变异系数的取样面积优化取样方法
Qian et al. Development and application of crop monitoring system for detecting chlorophyll content of tomato seedlings
Breunig et al. Classification of soybean varieties using different techniques: Case study with Hyperion and sensor spectral resolution simulations
CN117058522A (zh) 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法
Li et al. A temporal group attention approach for multitemporal multisensor crop classification
CN115791639A (zh) 基于物候信息的大豆种植区域遥感提取方法
Kai et al. Effects of resampling image methods in sugarcane classification and the potential use of vegetation indices related to chlorophyll

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