CN114998728A - 无人机多源遥感预测棉花叶面积指数的方法及系统 - Google Patents
无人机多源遥感预测棉花叶面积指数的方法及系统 Download PDFInfo
- Publication number
- CN114998728A CN114998728A CN202210570891.9A CN202210570891A CN114998728A CN 114998728 A CN114998728 A CN 114998728A CN 202210570891 A CN202210570891 A CN 202210570891A CN 114998728 A CN114998728 A CN 114998728A
- Authority
- CN
- China
- Prior art keywords
- leaf area
- area index
- remote sensing
- aerial vehicle
- unmanned aerial
- 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
- 229920000742 Cotton Polymers 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 241000219146 Gossypium Species 0.000 description 33
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无人机多源遥感预测棉花叶面积指数的方法及系统，利用无人机搭载的5通道多光谱相机和激光雷达获取棉花种植区的遥感影像，以及样方棉花叶面积指数地面实测值；对遥感影像进行处理获得各样方植被指数及结构参数；分别提取植被指数和结构参数与地面实测叶面积指数相关系数最高的3个特征数据，将其作为输入，实测叶面积指数作为输出，利用支持向量机的机器学习算法通过训练建立棉花种植区叶面积指数估测模型，并用训练好的模型进行棉花叶面积指数估测。本发明的方法相对于利用单一因素对叶面积指数进行反演具有更好的适用性和更高的反演精度。
Description
技术领域
本发明涉及精准农业领域，尤其涉及一种无人机多源遥感预测棉花叶面积指数的方法及系统。
背景技术
叶面积指数是反映作物群体长势特征的关键指标，已非常广泛地应用于作物长势监测，它通常被定义为单位地表面积上的叶片的面积之和，与作物光合作用、呼吸作用和水分利用等过程密切相关，通过实时准确监测叶面积指数对指导田间管理有着重要意义。传统农作物叶面积指数主要通过地面取样和仪器测量，地面取样实测费时费力且具有破坏性，而仪器测量难以获得较大范围的叶面积指数分布。
近年来随着无人机遥感的兴起，有学者就叶面积指数的反演进行了研究，但在反演时大多使用单一遥感数据，导致反演精度及适用性较低，同时多基于统计回归或随机森林算法进行预测，针对超越训练集数据范围的预测精度差。
发明内容
为了提高棉花叶面积指数反演的适用性及精度，一方面，本发明提出一种无人机多源遥感预测棉花叶面积指数的方法，包括以下步骤：
S1：利用无人机所搭载的5通道多光谱相机和激光雷达获取棉花种植区的遥感影像，同时获取棉花种植区样方棉花叶面积指数地面实测值；
S2：对5通道多光谱相机获取的遥感影像进行灰板校正和拼接处理，得到5个反射率影像，随后通过波段运算计算各样方植被指数；
S3：对激光雷达所获点云数据进行去噪、分类、插值、生成数字高程模型DEM操作，并基于DEM对点云数据进行归一化处理以提取各样方内的结构参数；
S4：分析植被指数和结构参数与地面实测叶面积指数间关系，并分别提取相关系数最高的3个特征数据；
S5：将特征数据作为输入，实测叶面积指数作为输出，利用支持向量机的机器学习算法通过训练建立棉花种植区叶面积指数估测模型；
S6：利用训练好的叶面积指数估测模型对棉花种植区的棉花叶面积指数进行估测。
优选地，步骤S1中，选择晴朗无云无风的正午进行无人机遥感影像获取。
优选地，无人机的飞行高度为50m，飞行速度控制在4-5m/s，航向和旁向的重叠度均为85％。
优选地，步骤S2中，对影像进行灰板校正后拼接，得到包括B、G、R、RE、NIR在内的5个反射率影像。
优选地，步骤S3包括中，基于自适应半径滤波去除无人机激光雷达原始点云数据的噪音点，基于坡度滤波算法获得地面点进而利用反距离差值算法生成数字高程模型DEM，基于所生成DEM对点云数据进行归一化处理，得到归一化后的无人机激光雷达点云数据，并从中提取结构参数。
优选地，步骤S3中，所述结构参数包括高度、强度及密度；计算46个与高度相关的参数、42个与强度相关的参数及12个与密度相关的参数。
优选地，步骤S4中，计算样方内植被指数和结构参数与地面实测叶面积指数的皮尔逊相关性。
另一方面，本发明提出一种无人机多源遥感预测棉花叶面积指数的系统，该系统包括：
测量模块，利用无人机所搭载的5通道多光谱相机和激光雷达获取棉花种植区的遥感影像，同时手动获取样方棉花叶面积指数地面实测值；
植被指数计算模块，对所获取的遥感影像利用灰板校正后进行拼接，得到5个反射率影像，通过波段运算计算各个样方的不同植被指数；
点云数据处理模块，对激光雷达所获点云数据进行去噪、分类、插值、生成数字高程模型DEM操作，基于DEM对点云数据进行归一化处理并提取各样方内的结构参数；
特征数据筛选模块，分析植被指数和结构参数与地面实测叶面积指数间关系，并分别提取相关系数最高的3个特征数据；
模型建立及训练模块，将特征数据作为输入，实测叶面积指数作为输出，利用支持向量机的机器学习算法通过训练建立棉花种植区叶面积指数估测模型；
叶面积指数估测模块，利用训练好的叶面积指数估测模型对棉花种植区的棉花叶面积指数进行估测。
本发明的技术效果：本发明的一种无人机多源遥感预测棉花叶面积指数的方法及系统，在叶面积指数反演过程中同时考虑冠层光谱信息和垂直结构信息，相对于利用单一因素对叶面积指数进行反演具有更好的适用性和更高的反演精度。
附图说明
图1是本发明实施例中一种无人机多源遥感预测棉花叶面积指数的方法的流程示意图；
图2是本发明实施例中棉花多光谱影像拼接后的可见光ROI样方分布示意图；
图3是本发明实施例中各样方16种植被指数计算结果图；
图4是本发明实施例中Lidar360提取结构参数结果示意图；
图5(a)和5(b)是本发明实施例中多光谱植被指数与实测叶面积指数相关性示意图，和lidar结构参数与实测叶面积指数相关性示意图；
图6是本发明实施例中支持向量机模型叶面积指数模拟与实测叶面积指数拟合精度示意图。
具体实施方式
下面结合具体实施例对本发明作进一步描述。
以下实施例的试验区位于新疆生产建设兵团第一师阿拉尔市水文水资源管理中心灌溉试验站，北纬40°6′，东经81°2′，海拔1014m。该站位于塔里木河三大源流(阿克苏河、叶尔羌河、和田河)交汇点附近的平原荒漠绿洲区内，属典型的极端干旱气候，常年气候干燥，降水尤为稀少，蒸发十分强烈，日照时间长。多年平均气温11.3℃，年平均降水量45.7mm、蒸发量1876.6～2558.9mm、日照时数2950小时，无霜期207天，土壤质地为砂壤土，主要种植作物为棉花。
如图1给出了本发明实施例的一种无人机多源遥感预测棉花叶面积指数的方法的流程图，将无人机多光谱和激光雷达原始点云数据进行预处理，分别提取多种植被指数和冠层结构特征变量，结合地面实测数据，利用支持向量机的机器学习算法对棉花种植区内样方的叶面积指数进行估测；包括以下步骤：
S1：利用无人机所搭载的5通道多光谱相机和激光雷达获取棉花种植区的遥感影像数据，同时获取样方棉花叶面积指数地面实测值。
在该实施例中优选地，无人机的飞行高度优选为50m，飞行速度优选控制在4-5m/s，航向和旁向的重叠度优选均为85％。优选正午时飞行获取数据，因为这个时期太阳直射，可以防止太阳倾斜所致的阴影造成误差；同时优选晴朗无云无风的天气，可避免天气对航拍进行干扰。在无人机上搭载5通道多光谱相机和激光雷达，根据预先设置的航线获取棉花种植区遥感数据。
在棉花种植区内随机挑选多个棉花长势不一的1m*1m区域作为样方并手动测算叶面积指数，记录并标记其所在位置。该实施例中采集的样方ROI区域如图2所示。
S2：对5通道多光谱相机获取的影像进行灰板校正和拼接处理，得到5个反射率影像，随后通过波段运算计算各样方植被指数。
使用pix4D软件对影像进行灰板校正然后拼接，得到包括B、G、R、RE、NIR在内的5个反射率影像。
利用ENVI软件对反射率影像进行波段运算并提取各样方内棉花像元植被指数值，为后面建模准备。本发明实施例中共筛选16种植被指数计算公式如下，计算结果如图3所示。
S3：对激光雷达所获点云数据进行去噪、分类、插值、生成数字高程模型DEM操作，并基于DEM对点云数据进行归一化处理以提取各样方内的结构参数。
在该步骤中，优选地，基于自适应半径滤波去除无人机激光雷达原始点云数据的噪音点，基于坡度滤波算法获得地面点进而利用反距离差值算法生成数字高程模型DEM，基于所生成DEM对点云数据进行归一化处理，得到归一化后的无人机激光雷达点云数据，并从中提取结构参数。
结构参数包括高度、强度及密度。利用Lidar360软件机载林业模块计算46个与高度相关的参数、42个与强度相关的参数及12个与密度相关的参数。提取结果如图4所示。
S4：分析植被指数和结构参数与地面实测叶面积指数间关系，并分别提取相关系数最高的3个特征数据。
样方内植被指数和结构参数与地面实测叶面积指数皮尔逊相关性分析结果如图5所示。其中，相关系数范围在-1～1，越接近1表示正相关越好，越接近-1表示负相关越好，越接近0表示没有相关性。根据图5相关系数高低，本实施例中植被指数挑选CIRE、CVI、GNDVI，结构参数挑选覆盖度、Elev_AIH_90th、Elev_sqrt_mean_sq用于后续建模。
S5：将特征数据作为输入，实测叶面积指数作为输出，利用支持向量机的机器学习算法通过训练建立棉花种植区叶面积指数估测模型；
具体地，使用python的sklearn.svm包并调用高斯径向基核驱动的SVR模块，将步骤S4的六种特征数据和实测叶面积指数输入到模型中，随机选取70％数据建模，剩下30％数据验证。验证集拟合结果如图6所示。结果发现模型估算叶面积指数与地面样方实测值拟合精度高，其R2高达0.91。这表明本发明的一种无人机多源遥感预测棉花叶面积指数的方法可以很好的估算棉花叶面积指数，在未来可以广泛推广使用。
S6：利用训练好的叶面积指数估测模型对棉花种植区的棉花叶面积指数进行估测。
此实施例仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于无人机多源遥感预测棉花叶面积指数的方法，包括以下步骤：
S1：利用无人机所搭载的5通道多光谱相机和激光雷达获取棉花种植区的遥感影像，同时获取棉花种植区样方棉花叶面积指数地面实测值；
S2：对5通道多光谱相机获取的遥感影像进行灰板校正和拼接处理，得到5个反射率影像，随后通过波段运算计算各样方植被指数；
S3：对激光雷达所获点云数据进行去噪、分类、插值、生成数字高程模型DEM操作，并基于DEM对点云数据进行归一化处理以提取各样方内的结构参数；
S4：分析植被指数和结构参数与地面实测叶面积指数间关系，并分别提取相关系数最高的3个特征数据；
S5：将特征数据作为输入，实测叶面积指数作为输出，利用支持向量机的机器学习算法通过训练建立棉花种植区叶面积指数估测模型；
S6：利用训练好的叶面积指数估测模型对棉花种植区的棉花叶面积指数进行估测。
2.根据权利要求1所述的一种基于无人机多源遥感预测棉花叶面积指数的方法，其特征在于，所述步骤S1中，选择晴朗无云无风的正午进行无人机遥感影像获取。
3.根据权利要求1所述的一种基于无人机多源遥感预测棉花叶面积指数的方法，其特征在于，所述无人机的飞行高度为50m，飞行速度控制在4-5m/s，航向和旁向的重叠度均为85％。
4.根据权利要求1所述的一种基于无人机多源遥感预测棉花叶面积指数的方法，其特征在于，所述步骤S2中，对影像进行灰板校正后拼接，得到包括B、G、R、RE、NIR在内的5个反射率影像。
5.根据权利要求1所述的一种基于无人机多源遥感预测棉花叶面积指数的方法，其特征在于，所述步骤S3包括中，基于自适应半径滤波去除无人机激光雷达原始点云数据的噪音点，基于坡度滤波算法获得地面点进而利用反距离差值算法生成数字高程模型DEM，基于所生成DEM对点云数据进行归一化处理，得到归一化后的无人机激光雷达点云数据，并从中提取结构参数。
6.根据权利要求1所述的一种基于无人机多源遥感预测棉花叶面积指数的方法，其特征在于，所述步骤S3中，所述结构参数包括高度、强度及密度；计算46个与高度相关的参数、42个与强度相关的参数及12个与密度相关的参数。
7.根据权利要求1所述的一种基于无人机多源遥感预测棉花叶面积指数的方法，其特征在于，所述步骤S4中，计算样方内植被指数和结构参数与地面实测叶面积指数的皮尔逊相关性。
8.一种无人机多源遥感预测棉花叶面积指数的系统，该系统包括：
测量模块，利用无人机所搭载的5通道多光谱相机和激光雷达获取棉花种植区的遥感影像，同时手动获取样方棉花叶面积指数地面实测值；
植被指数计算模块，对所获取的遥感影像利用灰板校正后进行拼接，得到5个反射率影像，通过波段运算计算各个样方的不同植被指数；
点云数据处理模块，对激光雷达所获点云数据进行去噪、分类、插值、生成数字高程模型DEM操作，基于DEM对点云数据进行归一化处理并提取各样方内的结构参数；
特征数据筛选模块，分析植被指数和结构参数与地面实测叶面积指数间关系，并分别提取相关系数最高的3个特征数据；
模型建立及训练模块，将特征数据作为输入，实测叶面积指数作为输出，利用支持向量机的机器学习算法通过训练建立棉花种植区叶面积指数估测模型；
叶面积指数估测模块，利用训练好的叶面积指数估测模型对棉花种植区的棉花叶面积指数进行估测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210570891.9A CN114998728A (zh) | 2022-05-24 | 2022-05-24 | 无人机多源遥感预测棉花叶面积指数的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210570891.9A CN114998728A (zh) | 2022-05-24 | 2022-05-24 | 无人机多源遥感预测棉花叶面积指数的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114998728A true CN114998728A (zh) | 2022-09-02 |
Family
ID=83029653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210570891.9A Pending CN114998728A (zh) | 2022-05-24 | 2022-05-24 | 无人机多源遥感预测棉花叶面积指数的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998728A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115753758A (zh) * | 2022-10-28 | 2023-03-07 | 中国农业大学 | 基于无人机多光谱预测棉田吐絮率的方法和装置 |
| CN116796293A (zh) * | 2023-06-06 | 2023-09-22 | 中国农业大学 | 基于无人机多光谱反演叶面积指数估测棉花脱叶进程方法 |
| CN117908048A (zh) * | 2024-01-25 | 2024-04-19 | 上海兰桂骐技术发展股份有限公司 | 一种基于无人机激光雷达数据高通量测量玉米生物量的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
| CN109031344A (zh) * | 2018-08-01 | 2018-12-18 | 南京林业大学 | 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法 |
| US20200225075A1 (en) * | 2019-01-14 | 2020-07-16 | Wuhan University | Method and system for optical and microwave synergistic retrieval of aboveground biomass |
| KR20210009908A (ko) * | 2019-07-18 | 2021-01-27 | (주)아세아항측 | 다분광 카메라 및 라이다를 이용한 작물 생장상태 분석방법 |
| CN112634213A (zh) * | 2020-12-15 | 2021-04-09 | 安阳工学院 | 一种无人机预测冬小麦冠层叶面积指数的系统和方法 |
| CN114202675A (zh) * | 2021-12-17 | 2022-03-18 | 青岛农业大学 | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统 |
-
2022
- 2022-05-24 CN CN202210570891.9A patent/CN114998728A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109031344A (zh) * | 2018-08-01 | 2018-12-18 | 南京林业大学 | 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法 |
| CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
| US20200225075A1 (en) * | 2019-01-14 | 2020-07-16 | Wuhan University | Method and system for optical and microwave synergistic retrieval of aboveground biomass |
| KR20210009908A (ko) * | 2019-07-18 | 2021-01-27 | (주)아세아항측 | 다분광 카메라 및 라이다를 이용한 작물 생장상태 분석방법 |
| CN112634213A (zh) * | 2020-12-15 | 2021-04-09 | 安阳工学院 | 一种无人机预测冬小麦冠层叶面积指数的系统和方法 |
| CN114202675A (zh) * | 2021-12-17 | 2022-03-18 | 青岛农业大学 | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115753758A (zh) * | 2022-10-28 | 2023-03-07 | 中国农业大学 | 基于无人机多光谱预测棉田吐絮率的方法和装置 |
| CN116796293A (zh) * | 2023-06-06 | 2023-09-22 | 中国农业大学 | 基于无人机多光谱反演叶面积指数估测棉花脱叶进程方法 |
| CN117908048A (zh) * | 2024-01-25 | 2024-04-19 | 上海兰桂骐技术发展股份有限公司 | 一种基于无人机激光雷达数据高通量测量玉米生物量的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114998728A (zh) | 无人机多源遥感预测棉花叶面积指数的方法及系统 | |
| Chen et al. | Spatio-temporal prediction of leaf area index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network | |
| CN111289441B (zh) | 多光谱下的大田作物含水量确定方法、系统及设备 | |
| CN108662991A (zh) | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 | |
| CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
| CN108982369B (zh) | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 | |
| CN108872964B (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
| CN112836575B (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
| CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
| CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
| CN116645603A (zh) | 一种大豆种植区识别和面积测算方法 | |
| CN116091938B (zh) | 一种针对单季稻种植面积的多源遥感监测方法 | |
| CN112434569A (zh) | 一种无人机热成像系统 | |
| 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 | |
| CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| Murray et al. | The novel use of proximal photogrammetry and terrestrial LiDAR to quantify the structural complexity of orchard trees | |
| CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
| CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
| CN117690024A (zh) | 一种针对多种植模式水稻田的一体化遥感识别方法 | |
| CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
| CN113514402B (zh) | 一种冬小麦叶绿素含量的预测系统及方法 | |
| CN115656057A (zh) | 基于多源数据融合的水华精准协同监测方法 |
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 |