CN115331124A - 一种基于无人机遥感的入侵植物生物量估算方法 - Google Patents

一种基于无人机遥感的入侵植物生物量估算方法 Download PDF

Info

Publication number
CN115331124A
CN115331124A CN202210962022.0A CN202210962022A CN115331124A CN 115331124 A CN115331124 A CN 115331124A CN 202210962022 A CN202210962022 A CN 202210962022A CN 115331124 A CN115331124 A CN 115331124A
Authority
CN
China
Prior art keywords
dnr
invasive
dng
biomass
plant
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
Application number
CN202210962022.0A
Other languages
English (en)
Inventor
乔曦
覃锋
钱万强
李岩舟
刘聪辉
刘博�
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.)
Agricultural Genomics Institute at Shenzhen of CAAS
Original Assignee
Agricultural Genomics Institute at Shenzhen of CAAS
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 Agricultural Genomics Institute at Shenzhen of CAAS filed Critical Agricultural Genomics Institute at Shenzhen of CAAS
Priority to CN202210962022.0A priority Critical patent/CN115331124A/zh
Publication of CN115331124A publication Critical patent/CN115331124A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Abstract

本发明公开了一种基于无人机遥感的入侵植物生物量估算方法，包括以下步骤：①获取研究区域的无人机RGB影像数据，采集地面样方实测生物量数据；②利用Agisoft PhotoScan获取区域的正射影像数据，基于深度学习提取研究区域的入侵植物分布图；③构建样方图像的17个特征变量，利用线性回归、随机森林回归、极限梯度提升回归、岭回归、K近邻回归五种模型对入侵植物地上生物量进行估算。④利用图像扩充技术对样本数据进行扩充，进一步提高生物量估算模型稳定性，选择最优的回归模型，对研究区域的入侵植物地上生物量制图。本发明解决了在野外复杂环境下，入侵植物地上生物量人工调查工作难度大，难以获取大量样本数据和估算结果精度较低等技术问题。

Description

一种基于无人机遥感的入侵植物生物量估算方法
技术领域
本发明涉及外来入侵植物生物量估算技术领域，具体是指一种基于无人机遥感的入侵植物生物量估算方法。
背景技术
外来入侵植物的成功入侵，会对本地生态系统造成重大损害。入侵植物入侵一方面导致植物枯萎，减少植被生物量，增加凋落物量，另一方面促进了土壤微生物活动，使土壤有机碳分解释放，降低土壤碳储量，入侵植物入侵后将大大削弱生态系统的碳汇功能。近年来，生物量估算领域的研究重点对象是森林和草地，针对入侵植物的生物量估算研究尤为匮乏。准确估算入侵植物的生物量，是研究其对生态系统碳平衡的影响和生物多样性保护的基础。传统的人工测量生物量方法具有精度高，测量数据可靠等优点，但是人工测量费时费力，难以进行大面积的生物量测量。遥感数据具有覆盖范围广，数据源丰富等特点，已被大量应用于森林和草地的生物量反演研究，但是其空间分辨率较低，重访周期长，无法有效分辨出斑块不明显的入侵植物，因而难以实现利用卫星遥感进行入侵植物的生物量估算。
在深度学习的快速发展中，深度卷积神经网络(Convolutional neural network)CNN是深度学习的关键方法，广泛应用于农业和生态目标检测，表现出较高的识别性能。近年来，低空无人机可见光影像数据，具有携带方便、作业灵活、空间分辨率高、成本低等优势。深度学习方法和无人机可见光影像数据的结合，已广泛应用于野外入侵植物的识别。而当前对于复杂背景下的外来入侵植物的生物量估算的相关研究尚未见报道，因此采用低空无人机遥感数据结合深度学习以及机器学习方法，完成对入侵植物地上生物量的准确估算，以期探明其对生态系统碳平衡的影响，进一步实现有效防控，以降低其对生态系统的损害。
发明内容
本发明要解决的技术问题是克服以上技术缺陷，提供一种基于无人机遥感的入侵植物生物量估算方法，解决了在野外复杂环境下，入侵植物地上生物量人工调查工作难度大，难以获取大量样本数据和估算结果精度较低等技术问题。
为解决上述技术问题，本发明提供的技术方案为：一种基于无人机遥感的入侵植物生物量估算方法，包括以下步骤：
步骤一：在研究区域采取系统随机取样方法设置地面采样点，样方的设置应尽可能反映整个研究区域的入侵植物生长状况，应根据入侵植物的生长特性以及分布状况选择合适的样方大小，样方框水平放置且尽量避免被叶片遮挡；
步骤二：使用无人机搭载可见光数码相机，在研究区域进行航迹规划，根据入侵植物的所需分辨率大小确定合适的无人机摄影高度，所需精度越高，需设置飞行高度越低，一般设置为10～120米，垂直航线摄影，设置航向、旁向重叠度均高于60％为宜，获取连续的可见光影像数据；
步骤三：地面数据采集，对每个样方边界内所有的入侵植物地上部分进行收集并装袋，记录样本编号，将入侵植物样本带回放入烘干箱，设置合适的烘干温度，烘干一段时间后，每隔若干小时对样本进行三次称重，直至样本重量不再变化，停止烘干并以此作为样本实际的生物量数据；
步骤四：基于步骤二采集的RGB影像数据，利用Agisoft PhotoScan软件获取研究区域的正射影像数据，并根据提取所有对应样方的同像素尺寸的RGB影像，再利用Python将正射影像数据分割成与样方相同像素尺寸的小图，采取滑动窗口的方式进行分割，设置水平、垂直步长均为小图的像素尺寸；
步骤五：基于步骤四分割的小图，随机选取部分图片，根据入侵植物的物种类别进行分类，按照某一类入侵植物在图片中的占比高于80％的分为该类入侵植物，将其余背景类进一步划分为植物类背景和非植物类背景，并且按照8:1:1划分为训练集、验证集和测试集；
步骤六：利用Pytorch搭建深度学习模型，根据步骤五的数据集进行多分类识别任务，对模型进行训练、验证以及优化，将训练好的识别模型，利用Python对步骤四中的正射影像进行遍历识别，获得研究区域的入侵植物分布图；
步骤七：基于步骤四中的样方RGB影像，对图像使用水平翻转、垂直翻转、亮度变化、加入随机噪声等处理方式的组合进行扩充，在没有改变原始图片的视野范围的情况下，可以认为图像扩充前后，其图像所包含的入侵植物地上生物量大小是一致的，在扩充后对生物量数据也加入一个较小的随机噪声；
步骤八：基于步骤七进行扩充后的图片，选取常用的用于生物量估算的特征变量进行提取，其包含入侵植物的各种植被指数以及各种纹理特征；
步骤九：构建若干种回归模型对入侵植物地上生物量进行估算，采用决定系数R2和均方根误差RMSE对模型精度进行评价，选出最优的入侵植物地上生物量估算模型；
Figure BDA0003793067050000021
Figure BDA0003793067050000022
步骤十：利用步骤九中选取的入侵植物地上生物量估算模型，对步骤六中的入侵植物分布图进行遍历计算入侵植物地上生物量，获得研究区域的入侵植物地上生物量分布图。
优选的，所述步骤六中，所使用的具体的深度学习模型有：restnet101、mobilenet_v3、densenet12、sufflenet_v2，所选取的四种模型均为近年主流的卷积神经网络模型。
优选的，所述步骤八中，各植被指数具体计算如下：
RBRI＝DNR/DNB、GBRI＝DNG/DNB、
GRRI＝DNG/DNR、RGRI＝DNR/DNG、EXR＝(1.4DNR-DNG)、
VARI＝(DNG-DNR)/(DNG+DNR-DNB)、GRVI＝(DNG-DNR)/(DNG+DNR)、
NDI＝(DNR-DNG)/(DNR+DNG+0.01)、NGBDI＝(DNG-DNR)/(DNG+DNR)、
VDVI＝(2DNG-DNR-DNB)/(2DNG+DNR+DNB)、NGRDI＝(DNG-DNR)/(DNG+DNR)，
其中DNR＝R/(R+G+B)、DNG＝G/(R+G+B)、DNB＝B/(R+G+B)；
各纹理特征具体计算如下：
Figure BDA0003793067050000031
Figure BDA0003793067050000032
Figure BDA0003793067050000033
Figure BDA0003793067050000034
Figure BDA0003793067050000035
Figure BDA0003793067050000036
本发明与现有技术相比的优点在于：解决了在野外复杂环境下，入侵植物地上生物量人工调查工作难度大，难以获取大量样本数据和估算结果精度较低等技术问题。
附图说明
图1是本发明一种基于无人机遥感的入侵植物生物量估算方法的流程框图。
图2是本发明一种基于无人机遥感的入侵植物生物量估算方法的研究区域正射影像图。
图3是本发明一种基于无人机遥感的入侵植物生物量估算方法的研究区域入侵植物分布图。
图4是本发明一种基于无人机遥感的入侵植物生物量估算方法研究区域入侵植物生物量分布图。
图5是本发明一种基于无人机遥感的入侵植物生物量估算方法的机器学习生物量估算模型测试集R2。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明公开一种基于无人机遥感的入侵植物生物量估算方法，包括如下步骤：
步骤一：在研究区域采取系统随机取样方法设置地面采样点，样方的设置应尽可能反映整个研究区域的入侵植物生长状况，利用直径为20mm的白色PVC圆管制作0.5m×0.5m的方形样方框，样方框水平放置且保证不被叶片遮挡；
步骤二：使用DJI M600PRO六轴旋翼无人机搭载Nikon D850全画幅单反数码相机，在研究区域进行航迹规划，无人机摄影高度为30米，采取等时间2s间隔，垂直航线摄影，设置航向、旁向重叠度均为70％，获取连续的可见光影像数据；
步骤三：地面数据采集，对每个样方边界内所有的入侵植物地上部分进行收集并装袋，记录样本编号；将入侵植物样本带回放入烘干箱，设置温度为55℃，烘干72h后，每隔2h对样本进行三次称重，直至样本重量不再变化，停止烘干并以此作为样本的生物量数据；
步骤四：基于步骤二采集的RGB影像数据，利用Agisoft PhotoScan软件获取研究区域的正射影像数据，并根据步骤一的PVC管方形样方框，提取所有对应样方的RGB影像，尺寸均为280×280pix；再利用Python将正射影像数据分割成与样方同像素尺寸的小图，采取滑动窗口的方式进行分割，设置水平、垂直步长均为280×280pix；
步骤五：基于步骤四分割的小图，随机选取部分图片，根据入侵植物的物种类别进行分类，按照某一类入侵植物在图片中的占比高于80％的分为该类入侵植物，本案例中，入侵植物的物种为薇甘菊，将其余背景类进一步划分为植物类背景和非植物类背景；并且按照8:1:1划分为训练集、验证集和测试集；
步骤六：利用Pytorch搭建深度学习模型，选取四种当前主流的CNN模型：restnet101、mobilenet_v3、densenet12和sufflenet_v2，所选取的四种模型均为近年主流的卷积神经网络模型，在图像分类任务中有着无可比拟的性能表现。根据步骤五的数据集进行多分类识别任务，对模型进行训练，设置迭代次数为200次，初始学习率为0.0001，每十次迭代学习率衰减1/3，批次大小为64，所有模型训练参数以及训练环境均保持一致，并对模型进行验证以及优化。通过对比四种网络模型，选取出最优的CNN模型，利用Python对步骤四中的正射影像进行遍历识别，设置水平、垂直步长均为140pix，获得研究区域的入侵植物分布图；
步骤七：基于步骤四中的样方RGB影像，对图像使用水平翻转、垂直翻转、亮度变化、加入随机噪声等处理方式的组合进行扩充，在没有改变原始图片的视野范围的情况下，可以认为图像扩充前后，其图像所包含的入侵植物地上生物量大小是一致的，在扩充后对生物量数据也加入一个(std×rand÷5)的随机噪声，std为所有生物量数据的标准差，rand(-1～+1)；
步骤八：基于步骤七进行扩充后的图片，选取常用的用于生物量估算的17个特征变量进行提取，其包含11个植被指数：RBRI、GBRI、GRRI、RGRI、EXR、VARI、GRVI、NDI、NGBDI、VDVI、NGBDI，以及六个纹理特征：对比度(Contrast，Con)、相异性(Dissimilarity，Dis)、同质性(Homogeneity，Hom)、角二阶矩(Angular Second Moment，ASM)、相关性(Correlation，Cor)、能量(Energy，Ene)。
各植被指数具体计算如下：
RBRI＝DNR/DNB、GBRI＝DNG/DNB、
GRRI＝DNG/DNR、RGRI＝DNR/DNG、EXR＝(1.4DNR-DNG)、
VARI＝(DNG-DNR)/(DNG+DNR-DNB)、GRVI＝(DNG-DNR)/(DNG+DNR)、
NDI＝(DNR-DNG)/(DNR+DNG+0.01)、NGBDI＝(DNG-DNR)/(DNG+DNR)、
VDVI＝(2DNG-DNR-DNB)/(2DNG+DNR+DNB)、NGRDI＝(DNG-DNR)/(DNG+DNR)，
其中DNR＝R/(R+G+B)、DNG＝G/(R+G+B)、DNB＝B/(R+G+B)；
各纹理特征具体计算如下：
Figure BDA0003793067050000051
Figure BDA0003793067050000052
Figure BDA0003793067050000053
Figure BDA0003793067050000054
Figure BDA0003793067050000055
Figure BDA0003793067050000056
步骤九：构建线性回归(LR)、随机森林回归(RFR)、极限梯度提升回归(XGBR)、岭回归(RR)、K近邻回归(KNNR)五种模型对入侵植物地上生物量进行估算。采用决定系数R2和均方根误差RMSE对模型精度进行评价，选出最优的入侵植物地上生物量估算模型；
Figure BDA0003793067050000057
Figure BDA0003793067050000061
步骤十：利用步骤九中选取的入侵植物地上生物量估算模型，对步骤六中的入侵植物分布图进行遍历计算入侵植物地上生物量，设置水平、垂直步长均为140pix，获得研究区域的入侵植物地上生物量分布图。
解决了在野外复杂环境下，入侵植物地上生物量人工调查工作难度大，难以获取大量样本数据和估算结果精度较低等技术问题。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (3)

1.一种基于无人机遥感的入侵植物生物量估算方法，其特征在于：包括以下步骤：
步骤一：在研究区域采取系统随机取样方法设置地面采样点，样方的设置应尽可能反映整个研究区域的入侵植物生长状况，应根据入侵植物的生长特性以及分布状况选择合适的样方大小，样方框水平放置且尽量避免被叶片遮挡；
步骤二：使用无人机搭载可见光数码相机，在研究区域进行航迹规划，根据入侵植物的所需分辨率大小确定合适的无人机摄影高度，所需精度越高，需设置飞行高度越低，一般设置为10～120米，垂直航线摄影，设置航向、旁向重叠度均高于60％为宜，获取连续的可见光影像数据；
步骤三：地面数据采集，对每个样方边界内所有的入侵植物地上部分进行收集并装袋，记录样本编号，将入侵植物样本带回放入烘干箱，设置合适的烘干温度，烘干一段时间后，每隔若干小时对样本进行三次称重，直至样本重量不再变化，停止烘干并以此作为样本实际的生物量数据；
步骤四：基于步骤二采集的RGB影像数据，利用Agisoft PhotoScan软件获取研究区域的正射影像数据，并根据提取所有对应样方的同像素尺寸的RGB影像，再利用Python将正射影像数据分割成与样方相同像素尺寸的小图，采取滑动窗口的方式进行分割，设置水平、垂直步长均为小图的像素尺寸；
步骤五：基于步骤四分割的小图，随机选取部分图片，根据入侵植物的物种类别进行分类，按照某一类入侵植物在图片中的占比高于80％的分为该类入侵植物，将其余背景类进一步划分为植物类背景和非植物类背景，并且按照8:1:1划分为训练集、验证集和测试集；
步骤六：利用Pytorch搭建深度学习模型，根据步骤五的数据集进行多分类识别任务，对模型进行训练、验证以及优化，将训练好的识别模型，利用Python对步骤四中的正射影像进行遍历识别，获得研究区域的入侵植物分布图；
步骤七：基于步骤四中的样方RGB影像，对图像使用水平翻转、垂直翻转、亮度变化、加入随机噪声等处理方式的组合进行扩充，在没有改变原始图片的视野范围的情况下，可以认为图像扩充前后，其图像所包含的入侵植物地上生物量大小是一致的，在扩充后对生物量数据也加入一个较小的随机噪声；
步骤八：基于步骤七进行扩充后的图片，选取常用的用于生物量估算的特征变量进行提取，其包含入侵植物的各种植被指数以及各种纹理特征；
步骤九：构建若干种回归模型对入侵植物地上生物量进行估算，采用决定系数R2和均方根误差RMSE对模型精度进行评价，选出最优的入侵植物地上生物量估算模型；
Figure FDA0003793067040000021
Figure FDA0003793067040000022
步骤十：利用步骤九中选取的入侵植物地上生物量估算模型，对步骤六中的入侵植物分布图进行遍历计算入侵植物地上生物量，获得研究区域的入侵植物地上生物量分布图。
2.根据权利要求1所述的一种基于无人机遥感的入侵植物生物量估算方法，其特征在于：所述步骤六中，所使用的具体的深度学习模型有：restnet101、mobilenet_v3、densenet12、sufflenet_v2，所选取的四种模型均为近年主流的卷积神经网络模型。
3.根据权利要求1所述的一种基于无人机遥感的入侵植物生物量估算方法，其特征在于：所述步骤八中，各植被指数具体计算如下：
RBRI＝DNR/DNB、GBRI＝DNG/DNB、
GRRI＝DNG/DNR、RGRI＝DNR/DNG、EXR＝(1.4DNR-DNG)、
VARI＝(DNG-DNR)/(DNG+DNR-DNB)、GRVI＝(DNG-DNR)/(DNG+DNR)、
NDI＝(DNR-DNG)/(DNR+DNG+0.01)、NGBDI＝(DNG-DNR)/(DNG+DNR)、
VDVI＝(2DNG-DNR-DNB)/(2DNG+DNR+DNB)、NGRDI＝(DNG-DNR)/(DNG+DNR)，
其中DNR＝R/(R+G+B)、DNG＝G/(R+G+B)、DNB＝B/(R+G+B)；
各纹理特征具体计算如下：
Figure FDA0003793067040000023
Figure FDA0003793067040000024
Figure FDA0003793067040000025
Figure FDA0003793067040000026
Figure FDA0003793067040000027
Figure FDA0003793067040000028
。
CN202210962022.0A 2022-08-11 2022-08-11 一种基于无人机遥感的入侵植物生物量估算方法 Pending CN115331124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210962022.0A CN115331124A (zh) 2022-08-11 2022-08-11 一种基于无人机遥感的入侵植物生物量估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210962022.0A CN115331124A (zh) 2022-08-11 2022-08-11 一种基于无人机遥感的入侵植物生物量估算方法

Publications (1)

Publication Number Publication Date
CN115331124A true CN115331124A (zh) 2022-11-11

Family

ID=83921904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210962022.0A Pending CN115331124A (zh) 2022-08-11 2022-08-11 一种基于无人机遥感的入侵植物生物量估算方法

Country Status (1)

Country Link
CN (1) CN115331124A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092016A (zh) * 2023-04-06 2023-05-09 成都超有范儿科技有限公司 基于云技术多维度识别功能的系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092016A (zh) * 2023-04-06 2023-05-09 成都超有范儿科技有限公司 基于云技术多维度识别功能的系统及方法

Similar Documents

Publication Publication Date Title
CN111461052A (zh) 基于迁移学习的多个生育期小麦倒伏区域识别方法
CN111461053A (zh) 基于迁移学习的多个生育期小麦倒伏区域识别系统
CN113221765B (zh) 一种基于数字相机影像有效像元的植被物候期提取方法
CN108896021B (zh) 基于航空摄影测量点云提取人工林林分结构参数的方法
CN113392775A (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
Solvin et al. Use of UAV photogrammetric data in forest genetic trials: measuring tree height, growth, and phenology in Norway spruce (Picea abies L. Karst.)
CN109492665A (zh) 水稻生育期的检测方法、装置及电子设备
CN114239756B (zh) 一种虫害检测方法及系统
Liu et al. Estimating maize seedling number with UAV RGB images and advanced image processing methods
CN115331124A (zh) 一种基于无人机遥感的入侵植物生物量估算方法
CN115527130A (zh) 草原害鼠鼠密度调查方法及智能评估系统
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN112581301B (zh) 一种基于深度学习的农田残膜残留量的检测预警方法及系统
CN113537293A (zh) 基于无人机和全卷积神经网络的小麦倒伏区域识别方法
CN109523509B (zh) 小麦抽穗期的检测方法、装置及电子设备
CN112285130A (zh) 大气热力结构的反演方法、装置、设备以及存储介质
CN116579521A (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
CN112287787B (zh) 一种基于梯度直方图特征的作物倒伏分级方法
CN109726641B (zh) 一种基于训练样本自动优化的遥感影像循环分类方法
CN114998719A (zh) 一种基于深度学习和多源遥感数据的林火预测方法
CN112163639A (zh) 一种基于高度分布特征向量的作物倒伏分级方法
Elias et al. Effect of the sun on the measurement of wheat ear density by deep learning
CN115861821B (zh) 一种基于多目标优化的生态环境监测保护方法
CN112528555B (zh) 一种土壤水分图绘制方法及装置
CN116052141B (zh) 作物生育期的识别方法、装置、设备及介质

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