CN115115955A - 基于无人机高光谱遥感的松材线虫病树监测方法与装置 - Google Patents
基于无人机高光谱遥感的松材线虫病树监测方法与装置 Download PDFInfo
- Publication number
- CN115115955A CN115115955A CN202210800904.7A CN202210800904A CN115115955A CN 115115955 A CN115115955 A CN 115115955A CN 202210800904 A CN202210800904 A CN 202210800904A CN 115115955 A CN115115955 A CN 115115955A
- Authority
- CN
- China
- Prior art keywords
- pine wood
- wood nematode
- nematode disease
- disease tree
- aerial vehicle
- 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.)
- Granted
Links
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于无人机高光谱遥感的松材线虫病树监测方法,包括:获取无人机高光谱影像并进行预处理;计算地物样本点的光谱曲线均值;构建松材线虫病树提取指数;通过样本箱线图确定最佳阈值范围,构建决策树进行松材线虫病树提取;对提取结果结合地物样本点进行校核。本发明的有益效果是:本发明所需的样本数量较少,降低了处理高光谱数据的时间,并构建了差异最大化指数,能够快速、准确地提取松材线虫病树区域,精准反映松材线虫病树的空间分布范围,相较于基于分类思想的方法,更加具有实践应用意义。
Description
技术领域
本发明涉及松材线虫病树监测领域,更确切地说,它涉及基于无人机高光谱遥感的松材线虫病树监测方法与装置。
背景技术
我国国土辽阔,森林资源丰富,在维持生态平衡、促进经济发展方面,森林资源起到了至关重要的作用。在森林资源保护进程中,林业病虫害防治一直都是森保工作的关键。传染性极强、致死率100%的松材线虫病给我国林业带来了重大损失。松材线虫病是一种世界范围内重大检疫性森林病害,是由于松材线虫(Bursaphelenchus xylophilus)侵染引起的松树毁灭性病害。病害发生周期短、传播迅速,尚无有效的措施进行树体治疗,进而导致大量松树枯死,造成巨大的经济、生态损失,人们也称这种病为松树的“癌症”。目前,对松材线虫病的防治手段主要是加强检疫、选用抗病品种、防治松墨天牛以及及时彻底清除病死树并进行处理。但是这些措施是针对病害发生后的补救措施,实时性较差,不能进行大范围的宏观动态监测。所以,对松材线虫病进行科学的监测防控才是遏制其发生及发展的重点。
无人机高光谱遥感作为一种新兴的前沿技术,运用窄(通常波段宽度小于10nm)电磁波波段从感兴趣的物体上获取数据,其所获取的数据能构成一条完整而连续的光谱曲线,可以探测到在宽波段遥感中不能探测的物质特征。传统的高光谱遥感病树识别方法,是基于机器学习分类的思想,虽然在一定程度上提高了识别精度,但是需要一定数量的样本用于训练模型,并且在处理高光谱数据上是非常耗时的,因此限制了松材线虫病树识别的进一步发展。
发明内容
本发明的目的是克服现有技术中的不足,提供了基于无人机高光谱遥感的松材线虫病树监测方法与装置。
第一方面,提供了基于无人机高光谱遥感的松材线虫病树监测方法,包括:
S1、获取无人机高光谱影像,并对所述无人机高光谱影像进行预处理;
S2、选取研究区地物样本点,计算地物样本点的光谱曲线均值;所述地物样本点包括松材线虫病树、健康松树和其它地物;
S3、分析松材线虫病树与健康松树和其他地物光谱曲线的差异,确定光谱差异最优波段构建松材线虫病树提取指数;
S4、计算松材线虫病树指数,通过样本箱线图确定最佳阈值范围,构建决策树进行松材线虫病树提取;
S5、对S4的提取结果结合地物样本点进行校核,并将校核通过的提取结果作为最终的松材线虫病树结果。
作为优选,S1中,所述预处理包括:照片拼接、光谱替换和影像拼接。
作为优选,S3中,所述松材线虫病树提取指数用以下公式进行表示:
其中,PWDI为松材线虫病树提取指数,ρ850表示中心波长为850nm的波段值,ρ682表示中心波长为682nm的波段值,ρ550表示中心波长为550nm的波段值。
作为优选,S4中,基于地物样本点构建样本箱线图,确定最佳阈值范围,通过决策树进行松材线虫病树提取,满足下式即为松树病变区域:
min<PWDI<max
其中,PWDI为松材线虫病树提取指数,min、max分别为PWDI的阈值下限和阈值上限。
第二方面,提供了基于无人机高光谱遥感的松材线虫病树监测装置,用于执行第一方面任一所述的基于无人机高光谱遥感的松材线虫病树监测方法,包括:
获取模块,用于获取无人机高光谱影像,并对所述无人机高光谱影像进行预处理;
计算模块,用于选取研究区地物样本点,计算地物样本点的光谱曲线均值;
构建模块,用于分析松材线虫病树与其他地物光谱曲线的差异,通过曲线差异构建松材线虫病树提取指数;
提取模块,用于计算松材线虫病树指数,通过样本箱线图确定最佳阈值范围,构建决策树进行松材线虫病树提取;
校核模块,用于对提取模块的提取结果结合地物样本点进行校核,并将校核通过的提取结果作为最终的松材线虫病树结果。
第三方面,提供了一种计算机存储介质,所述计算机存储介质内存储有计算机程序;所述计算机程序在计算机上运行时,使得计算机执行第一方面任一所述的基于无人机高光谱遥感的松材线虫病树监测方法。
第四方面,提供了一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一所述的基于无人机高光谱遥感的松材线虫病树监测方法。
本发明的有益效果是:本发明基于无人机高光谱遥感充分挖掘松材线虫病树的光谱特征,所需的样本数量较少,降低了处理高光谱数据的时间,并构建了差异最大化指数,能够快速、准确地提取松材线虫病树区域,精准反映松材线虫病树的空间分布范围,相较于基于分类思想的方法,更加具有实践应用意义。
附图说明
图1为本发明提供的基于无人机高光谱遥感的松材线虫病树监测方法的流程图;
图2为地物样本点统计的光谱曲线均值示意图;
图3为为地物样本点统计的箱线示意图;
图4为松材线虫病树提取结果示意图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1:
松树作为我国种植面积最大、分布最为广泛的树种之一,在保护生态环境方面具有重要的作用,但由于松材线虫病的出现导致现有松树大量死亡,因此病树的监测成为病害防控的关键。现有的基于无人机高光谱遥感监测方法大多基于分类的思想,不仅耗时而且需要一定数量的训练样本,本发明将基于指数的思想提出一种基于无人机高光谱遥感的松材线虫病树监测方法,如图1所示,包括:
S1、获取无人机高光谱影像,并对无人机高光谱影像进行预处理。
示例地,利用精灵PHANTOMPRO无人机结合多旋翼无人机低空垂直摄影实时航拍获得浙江省宁波市宁海县部分区域高光谱影像,并对数据进行照片拼接、光谱替换和影像拼接等预处理操作,具体过程为:
S101、利用搭载高光谱相机的无人机捕捉松树病变光谱及其分布范围,其中,高光谱相机的波段范围为450~946nm,光谱分辨率为4nm,空间分辨率为0.06m;
S102、修改pos数据:主要目的是删除不需要的列,保留经度、纬度、航高信息,并且检查修改记录数与照片数保持一致,便于后续的预处理操作;
S103、照片拼接:利用Agisoft Metashape Professional软件对全色照片进行拼接,检查照片位置是否大致均匀、有无缺失,然后依次进行高密度点云建设、网状结构、纹理结构操作,最终获得拼接好的影像;
S104、光谱替换:利用Cube-Pilot软件和IDL插件将全色照片替换为光谱通道照片,并根据传感器的波长范围进行合理设置;
S105、影像拼接:Agisoft Metashape Professional软件对光谱替换的结果进行高光谱影像拼接,以获得预处理后的无人机高光谱影像。
S2、在无人机高光谱影像上选取松材线虫病树、健康松树和其它地物三类样本点,该样本点也可以称为样本数据,计算各类样本点光谱均值并绘制光谱曲线图(如图2所示),具体过程为:
S201、结合实地调查数据和目视解译在无人机高光谱影像上选取不同地物类型的感兴趣区;需要说明的是,松材线虫病树在真彩色影像上一般呈现红棕色或者红色,健康松树一般呈现绿色,其它地物主要包括道路以及由于树木遮挡造成的阴影;
S202、通过选取感兴趣区,松材线虫病树一共选择了2339个像素,健康松树一共选择了 3462个像素,其它地物一共选择了1673个像素,通过选取的样本像素计算不同地物类型的光谱曲线均值,以便于通过指数提取松材线虫病树。
S3、分析松材线虫病树与健康松树和其他地物光谱曲线的差异,确定光谱差异最优波段构建松材线虫病树指数,具体过程为:
S301、通过对光谱曲线图进行分析可以发现,其它地物光谱曲线与松材线虫病树和健康松树差别较大,但是健康松树和松材线虫病树之间的光谱曲线趋势类似,因此需要通过实验的方式确定波段组合以提取松材线虫病树;
S302、基于光谱曲线图以及实验验证的方式,发现在682nm和850nm附近三种地物的光谱值差别较大,并且在550nm处健康松树高于松材线虫病树,在682nm处松材线虫病树高于健康松树,说明健康松树和松材线虫病树在550nm和682nm较为敏感,因此选取了以下三个波段构建松材线虫病树提取指数:
PWDI=(ρ850-ρ682)/(ρ850+ρ550)
上式中,PWDI为松材线虫病树提取指数,ρ850表示中心波长为850nm的波段值,ρ682表示中心波长为682nm的波段值,ρ550表示中心波长为550nm的波段值。
S4、基于ENVI 5.3软件并结合样本箱线图确定最佳阈值范围(如图3所示),具体过程为:
S401、通过Band Math工具计算PWDI指数,将S2中三种地物的感兴趣区叠加到指数结果上,计算所选取样本像素的值域范围,并构建样本箱线图确定最佳阈值范围;
S402、基于指数结果和样本箱线图构建决策树进行松材线虫病树提取,确定阈值满足下式即为松树病变区域:
min<PWDI<max
其中,PWDI为松材线虫病树提取指数,min、max分别为PWDI的阈值下限和阈值上限,示例地,min的值为0.56,max的值为0.7。
S5、对S4的提取结果结合地物样本点进行校核,并将校核通过的提取结果作为最终的松材线虫病树结果。示例地,图4为本实施例松材线虫病树提取结果图。
综上所述,本发明基于无人机高光谱遥感充分挖掘松材线虫病树的光谱特征,所需的样本数量较少,降低了处理高光谱数据的时间,并构建了差异最大化指数,能够快速、准确地提取松材线虫病树区域,精准反映松材线虫病树的空间分布范围,相较于基于分类思想的方法,更加具有实践应用意义。
Claims (7)
1.基于无人机高光谱遥感的松材线虫病树监测方法,其特征在于,包括:
S1、获取无人机高光谱影像,并对所述无人机高光谱影像进行预处理;
S2、选取研究区地物样本点,计算地物样本点的光谱曲线均值;所述地物样本点包括松材线虫病树、健康松树和其它地物;
S3、分析松材线虫病树与健康松树和其他地物光谱曲线的差异,确定光谱差异最优波段构建松材线虫病树提取指数;
S4、计算松材线虫病树指数,通过样本箱线图确定最佳阈值范围,构建决策树进行松材线虫病树提取;
S5、对S4的提取结果结合地物样本点进行校核,并将校核通过的提取结果作为最终的松材线虫病树结果。
2.根据权利要求1所述的基于无人机高光谱遥感的松材线虫病树监测方法,其特征在于,S1中,所述预处理包括:照片拼接、光谱替换和影像拼接。
4.根据权利要求3所述的基于无人机高光谱遥感的松材线虫病树监测方法,其特征在于,S4中,基于地物样本点构建样本箱线图,确定最佳阈值范围,通过决策树进行松材线虫病树提取,满足下式即为松树病变区域:
min<PWDI<max
其中,PWDI为松材线虫病树提取指数,min、max分别为PWDI的阈值下限和阈值上限。
5.基于无人机高光谱遥感的松材线虫病树监测装置,其特征在于,用于执行权利要求1至4任一所述的基于无人机高光谱遥感的松材线虫病树监测方法,包括:
获取模块,用于获取无人机高光谱影像,并对所述无人机高光谱影像进行预处理;
计算模块,用于选取研究区地物样本点,计算地物样本点的光谱曲线均值;
构建模块,用于分析松材线虫病树与其他地物光谱曲线的差异,通过曲线差异构建松材线虫病树提取指数;
提取模块,用于计算松材线虫病树指数,通过样本箱线图确定最佳阈值范围,构建决策树进行松材线虫病树提取;
校核模块,用于对提取模块的提取结果结合地物样本点进行校核,并将校核通过的提取结果作为最终的松材线虫病树结果。
6.一种计算机存储介质,其特征在于,所述计算机存储介质内存储有计算机程序;所述计算机程序在计算机上运行时,使得计算机执行权利要求1至4任一所述的基于无人机高光谱遥感的松材线虫病树监测方法。
7.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得计算机执行如权利要求1至4任一所述的基于无人机高光谱遥感的松材线虫病树监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210800904.7A CN115115955B (zh) | 2022-07-08 | 2022-07-08 | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210800904.7A CN115115955B (zh) | 2022-07-08 | 2022-07-08 | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115955A true CN115115955A (zh) | 2022-09-27 |
CN115115955B CN115115955B (zh) | 2023-03-24 |
Family
ID=83331948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210800904.7A Active CN115115955B (zh) | 2022-07-08 | 2022-07-08 | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115955B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233123A (zh) * | 2023-09-13 | 2023-12-15 | 宁波大学 | 基于哨兵2号的水稻白叶枯病大范围遥感监测方法与装置 |
CN117975299A (zh) * | 2024-04-02 | 2024-05-03 | 山东大学 | 基于光谱曲线斜率特征的松材线虫病监测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145876A (zh) * | 2017-05-24 | 2017-09-08 | 河南农业大学 | 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 |
CN108375550A (zh) * | 2018-01-12 | 2018-08-07 | 河南农业大学 | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 |
CN109613022A (zh) * | 2019-01-25 | 2019-04-12 | 华南农业大学 | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统 |
CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
CN112634212A (zh) * | 2020-12-14 | 2021-04-09 | 江西省林业科学院 | 基于高光谱无人机的病害潜伏树检测方法及系统 |
CN112652028A (zh) * | 2021-01-20 | 2021-04-13 | 四川测绘地理信息局测绘技术服务中心 | 基于rgb影像提取单株感染松材线虫病松木信息的方法 |
CN113011354A (zh) * | 2021-03-25 | 2021-06-22 | 浙江农林大学 | 基于深度学习的无人机高光谱影像松材线虫病识别方法 |
CN113011266A (zh) * | 2021-02-22 | 2021-06-22 | 宁波市测绘和遥感技术研究院 | 一种天空地一体化松材线虫病疫情遥感监测方法 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
-
2022
- 2022-07-08 CN CN202210800904.7A patent/CN115115955B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145876A (zh) * | 2017-05-24 | 2017-09-08 | 河南农业大学 | 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 |
CN108375550A (zh) * | 2018-01-12 | 2018-08-07 | 河南农业大学 | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 |
CN109613022A (zh) * | 2019-01-25 | 2019-04-12 | 华南农业大学 | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统 |
CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
CN112634212A (zh) * | 2020-12-14 | 2021-04-09 | 江西省林业科学院 | 基于高光谱无人机的病害潜伏树检测方法及系统 |
CN112652028A (zh) * | 2021-01-20 | 2021-04-13 | 四川测绘地理信息局测绘技术服务中心 | 基于rgb影像提取单株感染松材线虫病松木信息的方法 |
CN113011266A (zh) * | 2021-02-22 | 2021-06-22 | 宁波市测绘和遥感技术研究院 | 一种天空地一体化松材线虫病疫情遥感监测方法 |
CN113011354A (zh) * | 2021-03-25 | 2021-06-22 | 浙江农林大学 | 基于深度学习的无人机高光谱影像松材线虫病识别方法 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
Non-Patent Citations (3)
Title |
---|
张昭 等: ""基于多光谱荧光成像技术和SVM的葡萄霜霉病早期检测研究"", 《光谱学与光谱分析》 * |
范友波 等: ""冬小麦白粉病冠层光谱特征解析与病情指数反演"", 《麦类作物学报》 * |
黄可 等: ""中国红树林制图的遥感时空概率阈值方法"", 《遥感学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233123A (zh) * | 2023-09-13 | 2023-12-15 | 宁波大学 | 基于哨兵2号的水稻白叶枯病大范围遥感监测方法与装置 |
CN117233123B (zh) * | 2023-09-13 | 2024-07-26 | 宁波大学 | 基于哨兵2号的水稻白叶枯病大范围遥感监测方法与装置 |
CN117975299A (zh) * | 2024-04-02 | 2024-05-03 | 山东大学 | 基于光谱曲线斜率特征的松材线虫病监测方法及系统 |
CN117975299B (zh) * | 2024-04-02 | 2024-06-04 | 山东大学 | 基于光谱曲线斜率特征的松材线虫病监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115115955B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Assessment of defoliation during the Dendrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images | |
Campbell et al. | A multi-sensor, multi-scale approach to mapping tree mortality in woodland ecosystems | |
CN115115955B (zh) | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 | |
Lu | The potential and challenge of remote sensing‐based biomass estimation | |
Coops et al. | Assessment of QuickBird high spatial resolution imagery to detect red attack damage due to mountain pine beetle infestation | |
Adelabu et al. | Evaluating the impact of red-edge band from Rapideye image for classifying insect defoliation levels | |
Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
Verbesselt et al. | Forecasting tree mortality using change metrics derived from MODIS satellite data | |
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
Huang et al. | Distance metric-based forest cover change detection using MODIS time series | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
Marx et al. | Sensitivity analysis of RapidEye spectral bands and derived vegetation indices for insect defoliation detection in pure scots pine stands | |
CN114821349A (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
CN116863345A (zh) | 一种基于双重注意力和尺度融合的高分影像农田识别方法 | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
Cai et al. | Use of UAV images to assess narrow brown leaf spot severity in rice | |
Mustafa et al. | Object based technique for delineating and mapping 15 tree species using VHR WorldView-2 imagery | |
Etteieb et al. | Mediterranean forest mapping using hyper-spectral satellite imagery | |
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 | |
Nuthammachot et al. | Exploring Sentinel-2 satellite imagery-based vegetation indices for classifying healthy and diseased oil palm trees | |
Ouma et al. | Optimization of Second-Order Grey-Level Texture in High-Resolution Imagery for Statistical Estimation of Above-Ground Biomass. | |
Wang et al. | Mapping Robinia pseudoacacia forest health in the Yellow River delta by using high-resolution IKONOS imagery and object-based image analysis | |
Mansor et al. | Remote sensing technique for estimating the age of oil palm using high resolution image |
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 |