CN115524329B - 基于gee的作物生长监测方法、装置、设备及存储介质 - Google Patents

基于gee的作物生长监测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115524329B
CN115524329B CN202211142655.3A CN202211142655A CN115524329B CN 115524329 B CN115524329 B CN 115524329B CN 202211142655 A CN202211142655 A CN 202211142655A CN 115524329 B CN115524329 B CN 115524329B
Authority
CN
China
Prior art keywords
monitoring
data
remote sensing
index
monitoring data
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
CN202211142655.3A
Other languages
English (en)
Other versions
CN115524329A (zh
Inventor
程立君
王昌贵
姚雪
杨光辉
梅柳春
贾兵
冯汀
侯梦飞
罗京
杨成斌
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.)
Henan Guoyuan Technology Co ltd
Beijing Grandtech Co ltd
Original Assignee
Henan Guoyuan Technology Co ltd
Beijing Grandtech Co ltd
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 Henan Guoyuan Technology Co ltd, Beijing Grandtech Co ltd filed Critical Henan Guoyuan Technology Co ltd
Priority to CN202211142655.3A priority Critical patent/CN115524329B/zh
Publication of CN115524329A publication Critical patent/CN115524329A/zh
Application granted granted Critical
Publication of CN115524329B publication Critical patent/CN115524329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于农业遥感技术领域，公开了一种基于GEE的作物生长监测方法、装置、设备及存储介质。该方法包括：根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集；根据云检测波段与目标遥感影像数据集，得到去云遥感影像数据集；根据监测波段与去云遥感影像数据集，得到作物时序监测数据；将作物时序监测数据发送至本地服务器，以使前端根据本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据。通过上述方式，综合监测地块中作物的生长情况，实时返回监测结果并在前端渲染展示，为农田种植管理提供精准、快速的数据决策，同时也提高了遥感监测结果的应用价值。

Description

基于GEE的作物生长监测方法、装置、设备及存储介质
技术领域
本发明涉及农业遥感技术领域，尤其涉及一种基于GEE的作物生长监测方法、装置、设备及存储介质。
背景技术
现有针对作物生长情况的监测通常是通过建立单一遥感指数，如LAI(Leaf AreaIndex，叶面积指数)、NDVI(Normalized Difference Vegetation Index，归一化植被指数)等与作物长势之间的相关关系，直接将遥感指数转换为对应的长势指标，从而判断作物长势情况，这种单一的指数反演很难将长势状态与田间管理技术相关联，此外，监测大多是为区域宏观决策提供数据服务，对实际农田管理很难提供针对性的意见，而且时效性很慢，难以及时进行反馈，这些问题在很大程度上影响了种植者对田间作物的管理，同时也影响了遥感长势监测结果的应用价值。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于GEE的作物生长监测方法、装置、设备及存储介质，旨在解决现有技术建立单一遥感指数对作物生长情况进行监测，难以为实际农田管理提供及时准确的意见，影响田间作物管理的技术问题。
为实现上述目的，本发明提供了一种基于GEE的作物生长监测方法，所述方法包括以下步骤：
根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集；
根据云检测波段与所述目标遥感影像数据集，得到去云遥感影像数据集；
根据监测波段与所述去云遥感影像数据集，得到作物时序监测数据，所述作物时序监测数据包括作物长势时序监测数据、冠层含水量时序监测数据以及冠层叶绿素含量时序监测数据；
将所述作物时序监测数据发送至本地服务器，以使前端根据所述本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据。
可选地，所述根据监测波段与所述去云遥感影像数据集，得到作物时序监测数据，包括：
根据监测波段与所述去云遥感影像数据集，得到指数监测数据，所述指数监测数据包括归一化植被指数监测数据、地表水指数监测数据以及红边位置指数监测数据；
根据所述归一化植被指数监测数据，得到作物长势时序监测数据；
根据所述地表水指数监测数据，得到冠层含水量时序监测数据；
根据所述红边位置指数监测数据，得到冠层叶绿素含量时序监测数据。
可选地，所述将所述作物时序监测数据发送至本地服务器，以使前端根据所述本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据，包括：
将所述作物时序监测数据发送至本地服务器，以使所述本地服务器在接收到前端发送的数据请求信息时，对所述作物时序监测数据进行动态切片，并向所述前端发送动态切片得到的动态服务地址，以使所述前端展示所述动态服务地址，得到目标地块的作物生长实时监测数据。
可选地，所述根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集，包括：
接收目标监测时间与目标地块的矢量数据；
根据所述目标监测时间与目标地块的矢量数据，对遥感影像数据集中的遥感影像进行筛选，得到目标地块的初始遥感影像数据集；
对所述初始遥感影像数据集进行裁剪，得到目标遥感影像数据集。
可选地，所述根据云检测波段与所述目标遥感影像数据集，得到去云遥感影像数据集，包括：
根据云检测波段，对目标遥感影像数据集中遥感影像数据的低质量像素进行提取，得到云像素数据；
根据所述云像素数据，得到云图层数据；
根据所述云图层数据对所述目标遥感影像数据集中的遥感影像数据进行掩模处理，得到去云遥感影像数据集。
可选地，所述将所述作物时序监测数据发送至本地服务器，以使前端根据所述本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据之后，还包括：
根据所述指数监测数据，得到指数监测均值数据；
根据所述指数监测均值数据，得到目标监测时间内的指数动态监测数据，所述指数动态监测数据包括归一化植被指数动态监测数据、地表水指数动态监测数据以及红边位置指数动态监测数据。
可选地，所述根据所述指数监测均值数据，得到指数动态监测数据之后，还包括：
根据历史监测时间与所述目标地块的矢量数据和监测时间，在遥感影像数据集中获取历史遥感影像数据集；
获取所述历史遥感影像数据集的历史指数监测数据；
根据所述历史指数监测数据，得到历史指数监测均值数据；
根据所述历史指数监测均值数据，得到历史指数动态监测数据；
将所述历史指数动态监测数据与指数动态监测数据发送至本地服务器，以使本地服务器生成作物生长动态对比数据，所述作物生长动态对比数据包括归一化植被指数动态对比数据、地表水指数动态对比数据以及红边位置指数动态对比数据；
根据所述作物生长动态对比数据，对目标地块的作物生长情况进行分析，得到同期对比分析结果。
此外，为实现上述目的，本发明还提出一种基于GEE的作物生长监测装置，所述基于GEE的作物生长监测装置包括：
获取模块，用于根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集；
所述获取模块，还用于根据云检测波段与所述目标遥感影像数据集，得到去云遥感影像数据集；
监测模块，用于根据监测波段与所述去云遥感影像数据集，得到作物时序监测数据，所述作物时序监测数据包括作物长势时序监测数据、冠层含水量时序监测数据、冠层叶绿素含量时序监测数据；
展示模块，用于将所述作物时序监测数据发送至本地服务器，以使前端根据所述本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据。
此外，为实现上述目的，本发明还提出一种基于GEE的作物生长监测设备，所述基于GEE的作物生长监测设备包括：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基于GEE的作物生长监测程序，所述基于GEE的作物生长监测程序配置为实现如上文所述的基于GEE的作物生长监测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于GEE的作物生长监测程序，所述基于GEE的作物生长监测程序被处理器执行时实现如上文所述的基于GEE的作物生长监测方法的步骤。
在本发明中，根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集，确定目标遥感影像数据集，根据云检测波段与目标遥感影像数据集，得到去云遥感影像数据集，根据监测波段与去云遥感影像数据集，得到作物时序监测数据，将所述作物时序监测数据发送至本地服务器，以使前端根据本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据。相较于现有技术建立单一遥感指数与作物长势之间的相关关系来判断作物长势情况，本发明构建地块时序监测数据，从作物长势、冠层水分、冠层养分等多方面综合反映作物的生长情况、生长趋势，并将监测结果实时返回到前端，利用动态瓦片服务引擎进行实时渲染展示，克服了难以对实际农田管理提供针对性意见的技术问题，能够使种植者及时全面了解作物的长势情况、干旱程度、健康状况，从而针对不同的情况及时采取补苗、灌溉、施肥等措施，为农田种植管理提供精准、快速的数据决策，同时也提高了遥感监测结果的应用价值。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于GEE的作物生长监测设备的结构示意图；
图2为本发明基于GEE的作物生长监测方法第一实施例的流程示意图；
图3为本发明基于GEE的作物生长监测方法一实施例的目标地块的矢量图形示意图；
图4为本发明基于GEE的作物生长监测方法一实施例的裁剪后的遥感影像数据集示意图；
图5为本发明基于GEE的作物生长监测方法一实施例的去云后的遥感影像数据集示意图；
图6为本发明基于GEE的作物生长监测方法一实施例的作物长势时序监测数据示意图；
图7为本发明基于GEE的作物生长监测方法一实施例的冠层含水量时序监测数据示意图；
图8为本发明基于GEE的作物生长监测方法一实施例的冠层叶绿素含量时序监测数据示意图；
图9为本发明基于GEE的作物生长监测方法一实施例的目标地块监测结果前端渲染效果示意图；
图10为本发明基于GEE的作物生长监测方法一实施例的整体流程示意图；
图11为本发明基于GEE的作物生长监测方法第二实施例的流程示意图；
图12为本发明基于GEE的作物生长监测方法一实施例的NDVI动态监测数据示意图；
图13为本发明基于GEE的作物生长监测方法一实施例的LSWI动态监测数据示意图；
图14为本发明基于GEE的作物生长监测方法一实施例的REP动态监测数据示意图；
图15为本发明基于GEE的作物生长监测方法一实施例的NDVI同期对比曲线示意图；
图16为本发明基于GEE的作物生长监测方法一实施例的LSWI同期对比曲线示意图；
图17为本发明基于GEE的作物生长监测方法一实施例的REP同期对比曲线示意图；
图18为本发明基于GEE的作物生长监测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于GEE的作物生长监测设备结构示意图。
如图1所示，该基于GEE的作物生长监测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于GEE的作物生长监测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于GEE的作物生长监测程序。
在图1所示的基于GEE的作物生长监测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于GEE的作物生长监测设备中的处理器1001、存储器1005可以设置在基于GEE的作物生长监测设备中，所述基于GEE的作物生长监测设备通过处理器1001调用存储器1005中存储的基于GEE的作物生长监测程序，并执行本发明实施例提供的基于GEE的作物生长监测方法。
本发明实施例提供了一种基于GEE的作物生长监测方法，参照图2，图2为本发明一种基于GEE的作物生长监测方法第一实施例的流程示意图。
本实施例中，所述基于GEE的作物生长监测方法包括以下步骤：
步骤S10：根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集。
需要说明的是，本实施例的执行主体为Google Earth Engine(GEE)平台，通过基于GEE的作物生长监测程序，对作物生长情况进行综合监测，并将检测结果反馈给前端用户进行实时展示。
所述步骤S10包括：接收目标监测时间与目标地块的矢量数据，根据所述目标监测时间与目标地块的矢量数据，对遥感影像数据集中的遥感影像进行筛选，得到目标地块的初始遥感影像数据集，对所述初始遥感影像数据集进行裁剪，得到目标遥感影像数据集。
可理解的是，所述目标地块为需要进行监测研究的地块，可根据用户的实际需求进行选择，所述矢量数据为地块的矢量图形，不同的地块有不同的形状和尺寸，对应有不同的矢量图形，本实施例中目标地块的矢量图形如图3所示，所述目标监测时间为选取的监测时间范围，可以是几天、几个月、几年，本实施例对此不做限制，可根据前端用户的实际需求进行调整，所述矢量数据与监测时间均为监测时设置的监测参数，可通过Python版API接口(Application Programming Interface，应用程序编程接口)传给GEE平台。所述遥感影像数据集为Sentinel-2L2A(哨兵-2A卫星的L2A级产品数据)遥感影像构成的集合，遥感影像中包含经过辐射定标和大气校正的大气底层反射率数据，所述初始遥感影像数据集为从Sentinel-2L2A遥感影像集中筛选出来的遥感影像构成的集合，初始遥感影像数据集中遥感影像的数量由目标监测时间决定，可能有多张，也可能是一张，本实施例对此不做限制，所述目标遥感影像数据集为初始遥感影像数据集中的遥感影像经过裁剪后得到的影像集合。
在具体实现中，GEE平台获取目标地块的监测参数(矢量数据与监测时间)，通过目标监测时间确定需要监测的目标时间段，通过矢量数据确定目标地块的范围，利用filterBounds、filterDate等函数，在Sentinel-2L2A遥感影像中找到目标时间段内所有包含目标范围的遥感影像，通过GEE平台调取在线影像数据，可以避免人工下载影像、预处理的过程，大大缩短解译时间。由于每幅影像幅宽290km，每个地块只有几亩到几百亩的范围，因此，本实施例对找到的遥感影像进行裁剪，如图4所示的裁剪后的遥感影像数据集，保留地块范围的影像，只对当前地块监测，避免浪费算力、数据资源、耗时长。
步骤S20：根据云检测波段与所述目标遥感影像数据集，得到去云遥感影像数据集。
所述步骤S20包括：根据云检测波段，对目标遥感影像数据集中遥感影像数据的低质量像素进行提取，得到云像素数据，根据所述云像素数据，得到云图层数据，根据所述云图层数据对所述目标遥感影像数据集中的遥感影像数据进行掩模处理，得到去云遥感影像数据集。
应理解的是，所述云检测波段为可以提取影像中云、雪、阴影等低质量像素的波段，本实施例使用景观分类图(SCL)、云概率图(MSK_CLDPRB)以及雪概率图(MSK_SNWPRB)三个波段。所述云像素数据为影像中云、雪、阴影等低质量像素，所述云图层数据为低质量像素构成的图层，用于后续的掩模处理，所述去云遥感影像数据集为目标遥感影像数据集中的遥感影像数据去除低质量像素后得到的影像集合。
在具体实现中，为了提高遥感影像利用率，借助影像的MSK_CLDPRB、MSK_SNWPRB、SCL波段，对目标遥感影像数据集中所有的遥感影像数据都进行云像素提取，提取出云、雪、阴影等造成的低质量像素，得到低质量像素构成的云图层，根据得到的云图层对目标遥感影像数据集中所有的遥感影像数据进行掩模处理，去除影像中的低质量像素，得到如图5所示的去云后的遥感影像数据集。
需要说明的是，可根据提取出的云像素数据，计算出目标遥感影像数据集中各遥感影像数据包含的云量，可以给前端用户提供影像质量的参考。
步骤S30：根据监测波段与所述去云遥感影像数据集，得到作物时序监测数据，所述作物时序监测数据包括作物长势时序监测数据、冠层含水量时序监测数据以及冠层叶绿素含量时序监测数据；
所述步骤S30包括：根据监测波段与所述去云遥感影像数据集，得到指数监测数据，所述指数监测数据包括归一化植被指数监测数据、地表水指数监测数据以及红边位置指数监测数据，根据所述归一化植被指数监测数据，得到作物长势时序监测数据，根据所述地表水指数监测数据，得到冠层含水量时序监测数据，根据所述红边位置指数监测数据，得到冠层叶绿素含量时序监测数据。
可理解的是，所述监测波段为选取的能够用于监测作物生长情况的波段，本实施例使用如下6个波段：Band4、Band5、Band6、Band7、Band8、Band12，其中，Band4为红光可见光波段，Band5、Band6和Band7为植被红边(Vegetation Red Edge)波段，红边范围内的波段对监测植被健康信息非常有效，Band8为近红外(NIR)波段，Band12为短波红外(SWIR)波段。所述指数监测数据为与作物生长情况相关的指数在目标监测时间内得到的数据，包括归一化植被指数(NDVI)监测数据、地表水指数(Land Surface Water Index，LSWI)监测数据以及红边位置指数(Red Edge Position Index，REP)监测数据。所述归一化植被指数监测数据为目标监测时间内监测得到的NDVI数据，所述地表水指数监测数据为目标监测时间内监测得到的LSWI数据，所述红边位置指数监测数据为目标监测时间内监测得到的REP数据。
需要说明的是，NDVI是反映植被生长状态及其覆盖度的有效指标。LSWI使用光谱影像的短波红外(SWIR)和近红外(NIR)波段进行监测，短波红外中液态水对光有很强的吸收作用，LSWI对植被中液态水的总量及其土壤背景很敏感，基于遥感技术进行作物冠层含水量的监测，实现对作物水分盈缺的实时监测。可以更好地指导农业生产，特别是作物水分利用效率及指导节水农业等具有重要意义。REP对植被叶绿素浓度变化、叶绿素浓度增加使得吸收特征变宽及红边向长波段方向移动非常敏感，红边位置在690nm～740nm范围内急剧倾斜波长范围，一般植被在700nm～730nm，叶绿素是农作物的重要生化参数，是植物营养胁迫、光合作用能力和发展阶段的良好指示因子，对监测作物养分状态、病虫害、产量以及预测作物成熟期有重要的意义，可以辅助种植者针对田间作物营养状况进行有效的巡田，及时采取田间管理措施，提高工作效率和种植管理的水平。因此，NDVI可以反映作物长势，LSWI可以反映冠层含水量，REP可以反映冠层叶绿素含量，根据NDVI监测数据可以得到作物长势时序监测数据，根据LSWI监测数据可以得到冠层含水量时序监测数据，根据REP监测数据可以得到冠层叶绿素含量时序监测数据。
应理解的是，所述作物时序监测数据为目标监测时间内作物生长情况的监测结果，包括作物长势时序监测数据、冠层含水量时序监测数据、冠层叶绿素含量时序监测数据，所述作物长势时序监测数据为目标监测时间内作物长势情况的监测结果，所述冠层含水量时序监测数据为目标监测时间内作物冠层含水量情况的监测结果，所述冠层叶绿素含量时序监测数据为目标监测时间内作物冠层叶绿素含量情况的监测结果，由于叶绿素含量可以反映出养分情况，冠层叶绿素含量能够反映了冠层养分情况。
在具体实现中，获取去云遥感影像数据集中遥感影像数据在各波段的反射值，计算NDVI、LSWI以及REP，计算表达式如下所示：
NDVI＝(B8-B4)/(B8+B4)
LSWI＝(B8-B12)/(B8+B12)
REP＝705+35*((B4+B7)/2-B5)/(B6-B5)
式中，B4、B5、B6、B7、B8与B12分别为Band4、Band5、Band6、Band7、Band8与Band12波段的反射值。根据计算出的NDVI、LSWI以及REP，得到作物长势、冠层含水量、冠层叶绿素含量在目标监测时间内的监测结果，本实施例可以得到如图6所示的作物长势时序监测数据，如图7所示的冠层含水量时序监测数据，如图8所示的冠层叶绿素含量时序监测数据。
步骤S40：将所述作物时序监测数据发送至本地服务器，以使前端根据所述本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据。
所述步骤S40包括：将所述作物时序监测数据发送至本地服务器，以使所述本地服务器在接收到前端发送的数据请求信息时，对所述作物时序监测数据进行动态切片，并向所述前端发送动态切片得到的动态服务地址，以使所述前端展示所述动态服务地址，得到目标地块的作物生长实时监测数据。
需要说明的是，所述前端可为电脑端页面，也可为移动端页面，本实施例对此不做限制，所述本地服务器为任一可以实现数据存储和数据处理的本地服务器，本实施例对此不做限制。所述数据请求信息为请求监测结果的信息，所述动态服务地址为通过栅格瓦片服务得到的动态瓦片服务地址，所述作物生长实时监测数据为作物生长情况的实时监测结果。
在具体实现中，将监测数据发送至本地服务器(作物长势时序监测数据、冠层含水量时序监测数据以及冠层叶绿素含量时序监测数据)，本地服务器获取到监测数据后自动发布栅格瓦片服务，在前端实时请求目标地块范围的栅格数据时，对监测数据进行动态切片，将生成的动态瓦片服务地址返回给前端，前端渲染展示各类监测数据每一期的动态瓦片服务地址，使得前端能够实时查看作物生长监测结果，图9为目标地块监测结果的前端渲染效果示意图。
如图10所示的整体流程示意图，根据目标地块与时间范围，对Sentinel-2L2A遥感影像进行检索，并对检索到的影像进行裁剪，对裁剪后的影像进行掩模处理得到目标地块的去云影像数据集，计算NDVI、LSWI以及REP，得到作物长势时序监测数据、冠层含水量时序监测数据、冠层叶绿素含量时序监测数据，将得到的监测结果导出，使用动态瓦片服务引擎技术，在前端进行渲染展示。
在本实施例中，根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集，根据云检测波段与目标遥感影像数据集，得到去云遥感影像数据集，根据监测波段与去云遥感影像数据集，得到作物时序监测数据，将所述作物时序监测数据发送至本地服务器，以使前端根据本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据。从地块尺度出发，利用GEE平台上的Sentinel-2L2A数据进行作物生长情况监测，解决了传统的遥感数据处理需下载、占用空间大、处理时间长的问题，通过NDVI、LSWI、REP三个指数的每期监测结果综合反映目标地块的作物长势、冠层含水量、冠层叶绿素情况，避免了单一指数对作物长势监测脱离农田管理技术实际的问题，利用动态瓦片服务引擎技术实现监测结果实时在前端渲染的功能，解决了传统栅格数据需要预切片才能展示的问题，提高了栅格瓦片发布渲染的效率，可以为农田种植管理提供精准、快速的数据决策。
参考图11，图11为本发明一种基于GEE的作物生长监测方法第二实施例的流程示意图。
基于上述第一实施例，本实施例基于GEE的作物生长监测方法在所述步骤S40之后，还包括：
步骤S50：根据所述指数监测数据，得到指数监测均值数据，根据所述指数监测均值数据，得到目标监测时间内的指数动态监测数据，所述指数动态监测数据包括归一化植被指数动态监测数据、地表水指数动态监测数据以及红边位置指数动态监测数据。
需要说明的是，所述指数监测均值数据为目标地块内各指数监测数据计算均值后得到的数据，所述指数动态监测数据为目标监测范围内指数监测均值数据的动态曲线，包括NDVI动态监测数据、LSWI动态监测数据以及REP动态监测数据，所述NDVI动态监测数据为NDVI均值数据的动态曲线，反映了作物长势在监测下的变化过程，所述LSWI动态监测数据为LSWI均值数据的动态曲线，反映了冠层含水量在监测下的变化过程，所述REP动态监测数据为REP均值数据的动态曲线，反映了冠层叶绿素含量在监测下的变化过程。
在具体实现中，对云遥感影像数据集中的遥感影像分别统计目标地块内的三个指数的均值，以日期为横坐标，三个指数各日期对应的均值为纵坐标，形成如图12所示的NDVI动态监测数据，如图13所示的LSWI动态监测数据，如图14所示的REP动态监测数据。
在本实施例中，根据指数监测数据，得到指数监测均值数据，从而得到归一化植被指数动态监测数据、地表水指数动态监测数据以及红边位置指数动态监测数据，以直观的形式反映目标地块在监测时间范围内，作物长势、冠层含水量、冠层叶绿素含量的变化过程，可以了解作物的生长状况和态势，为农业指导提供针对性的数据决策。
进一步地，所述步骤S50之后，还包括：
步骤S601：根据历史监测时间与所述目标地块的矢量数据和监测时间，在遥感影像数据集中获取历史遥感影像数据集。
可理解的是，所述历史监测时间为需要进行对比的历史时间范围，例如：3年，本实施例对此不做限制，所述历史遥感影像数据集为目标地块的历史同期影像构成的影像集合，例如：目标地块在目标监测时间段范围内近3年的历史同期遥感影像集，本实施例对此不做限制，其中，历史遥感影像数据集内的遥感影像同样经过裁剪和去低质量像素处理。
步骤S602：获取所述历史遥感影像数据集的历史指数监测数据，根据所述历史指数监测数据，得到历史指数监测均值数据，根据所述历史指数监测均值数据，得到历史指数动态监测数据。
需要说明的是，所述历史指数监测数据为历史遥感影像数据集对应的指数监测数据，包括历史监测时间内目标地块的NDVI监测数据、LSWI监测数据以及REP监测数据，所述历史指数监测均值数据为目标地块内各历史指数监测数据计算均值后得到的数据，包括NDVI监测均值数据、LSWI监测均值数据以及REP监测均值数据，所述历史指数动态监测数据为历史监测时间内的NDVI动态监测数据、LSWI动态监测数据以及REP动态监测数据。
步骤S603：将所述历史指数动态监测数据与指数动态监测数据发送至本地服务器，以使本地服务器生成作物生长动态对比数据，所述作物生长动态对比数据包括归一化植被指数动态对比数据、地表水指数动态对比数据以及红边位置指数动态对比数据。
应理解的是，所述作物生长动态对比数据为目标监测时间与历史监测时间内指数监测数据的对比情况，例如：今年作物生长相关的指数监测数据与上年或过去3年的对比情况，可使用动态曲线的形式，本实施例对此不做限制。
步骤S604：根据所述作物生长动态对比数据，对目标地块的作物生长情况进行分析，得到同期对比分析结果。
可理解的是，所述同期对比分析结果为对不同监测时间段内同期监测结果对比分析后得到的对比结果。
在具体实现中，本实施例对目标地块、目标监测时间段范围内的近3年历史同期遥感影像进行监测分析，计算历史各期影像的NDVI、LSWI、REP指数，以月日为横坐标，每期指数均值为纵坐标，在本地服务器中分别形成近三年内对比情况的动态曲线，如图15所示的NDVI同期对比曲线、图16所示的LSWI同期对比曲线以及图17所示的REP同期对比曲线，从而对目标地块作物进行同期对比分析，评估作物的生长情况。
在本实施例中，根据历史监测时间与目标地块的矢量数据和监测时间，在遥感影像数据集中获取历史遥感影像数据集，从而获取历史遥感影像数据集的历史指数监测数据，根据历史指数监测数据，得到历史指数监测均值数据，根据历史指数监测均值数据，得到历史指数动态监测数据，进而将历史指数动态监测数据与指数动态监测数据发送至本地服务器，以使本地服务器生成作物生长动态对比数据，通过历史对比情况综合反映目标地块的作物长势、冠层含水量、冠层叶绿素情况，实现遥感监测与实际农田管理结果应用，为农业指导提供针对性的数据决策，提高遥感影像的应用价值。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于GEE的作物生长监测程序，所述基于GEE的作物生长监测程序被处理器执行时实现如上文所述的基于GEE的作物生长监测方法的步骤。
参照图18，图18为本发明基于GEE的作物生长监测装置第一实施例的结构框图。
如图18所示，本发明实施例提出的基于GEE的作物生长监测装置包括：
获取模块10，用于根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集。
所述获取模块10，还用于根据云检测波段与所述目标遥感影像数据集，得到去云遥感影像数据集。
监测模块20，用于根据监测波段与所述去云遥感影像数据集，得到作物时序监测数据，所述作物时序监测数据包括作物长势时序监测数据、冠层含水量时序监测数据、冠层叶绿素含量时序监测数据。
展示模块30，用于将所述作物时序监测数据发送至本地服务器，以使前端根据所述本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据。
在本实施例中，根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集，确定目标遥感影像数据集，根据云检测波段与目标遥感影像数据集，得到去云遥感影像数据集，根据监测波段与去云遥感影像数据集，得到作物时序监测数据，将所述作物时序监测数据发送至本地服务器，以使前端根据本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据。从地块尺度出发，利用GEE平台上的Sentinel-2L2A数据进行作物生长情况监测，解决了传统的遥感数据处理需下载、占用空间大、处理时间长的问题，通过NDVI、LSWI、REP三个指数的每期监测结果综合反映目标地块的作物长势、冠层含水量、冠层叶绿素情况，避免了单一指数对作物长势监测脱离农田管理技术实际的问题，利用动态瓦片服务引擎技术实现监测结果实时在前端渲染的功能，解决了传统栅格数据需要预切片才能展示的问题，提高了栅格瓦片发布渲染的效率，可以为农田种植管理提供精准、快速的数据决策。
在一实施例中，所述监测模块20，还用于根据监测波段与所述去云遥感影像数据集，得到指数监测数据，所述指数监测数据包括归一化植被指数监测数据、地表水指数监测数据以及红边位置指数监测数据；
根据所述归一化植被指数监测数据，得到作物长势时序监测数据；
根据所述地表水指数监测数据，得到冠层含水量时序监测数据；
根据所述红边位置指数监测数据，得到冠层叶绿素含量时序监测数据。
在一实施例中，所述展示模块30，还用于将所述作物时序监测数据发送至本地服务器，以使所述本地服务器在接收到前端发送的数据请求信息时，对所述作物时序监测数据进行动态切片，并向所述前端发送动态切片得到的动态服务地址，以使所述前端展示所述动态服务地址，得到目标地块的作物生长实时监测数据。
在一实施例中，所述获取模块10，还用于接收目标监测时间与目标地块的矢量数据；
根据所述目标监测时间与目标地块的矢量数据，对遥感影像数据集中的遥感影像进行筛选，得到目标地块的初始遥感影像数据集；
对所述初始遥感影像数据集进行裁剪，得到目标遥感影像数据集。
在一实施例中，所述获取模块10，还用于根据云检测波段，对目标遥感影像数据集中遥感影像数据的低质量像素进行提取，得到云像素数据；
根据所述云像素数据，得到云图层数据；
根据所述云图层数据对所述目标遥感影像数据集中的遥感影像数据进行掩模处理，得到去云遥感影像数据集。
在一实施例中，所述监测模块20，还用于根据所述指数监测数据，得到指数监测均值数据；
根据所述指数监测均值数据，得到目标监测时间内的指数动态监测数据，所述指数动态监测数据包括归一化植被指数动态监测数据、地表水指数动态监测数据以及红边位置指数动态监测数据。
在一实施例中，所述监测模块20，还用于根据历史监测时间与所述目标地块的矢量数据和监测时间，在遥感影像数据集中获取历史遥感影像数据集；
获取所述历史遥感影像数据集的历史指数监测数据；
根据所述历史指数监测数据，得到历史指数监测均值数据；
根据所述历史指数监测均值数据，得到历史指数动态监测数据；
将所述历史指数动态监测数据与指数动态监测数据发送至本地服务器，以使本地服务器生成作物生长动态对比数据，所述作物生长动态对比数据包括归一化植被指数动态对比数据、地表水指数动态对比数据以及红边位置指数动态对比数据；
根据所述作物生长动态对比数据，对目标地块的作物生长情况进行分析，得到同期对比分析结果。
应理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于GEE的作物生长监测方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于GEE的作物生长监测方法，其特征在于，所述基于GEE的作物生长监测方法包括：
根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集；
根据云检测波段与所述目标遥感影像数据集，得到去云遥感影像数据集；
根据监测波段与所述去云遥感影像数据集，得到作物时序监测数据，所述作物时序监测数据包括作物长势时序监测数据、冠层含水量时序监测数据以及冠层叶绿素含量时序监测数据；
将所述作物时序监测数据发送至本地服务器，以使所述本地服务器在接收到前端发送的数据请求信息时，向所述前端发送所述作物时序监测数据对应的动态服务地址，以使所述前端展示所述动态服务地址，得到目标地块的作物生长实时监测数据，展示目标地块的作物生长实时监测数据；
根据指数监测数据，得到指数监测均值数据；
根据所述指数监测均值数据，得到目标监测时间内的指数动态监测数据，所述指数动态监测数据包括归一化植被指数动态监测数据、地表水指数动态监测数据以及红边位置指数动态监测数据；
根据历史监测时间与所述目标地块的矢量数据和监测时间，在遥感影像数据集中获取历史遥感影像数据集；
获取所述历史遥感影像数据集的历史指数监测数据；
根据所述历史指数监测数据，得到历史指数监测均值数据；
根据所述历史指数监测均值数据，得到历史指数动态监测数据；
将所述历史指数动态监测数据与指数动态监测数据发送至本地服务器，以使本地服务器生成作物生长动态对比数据，所述作物生长动态对比数据包括归一化植被指数动态对比数据、地表水指数动态对比数据以及红边位置指数动态对比数据；
根据所述作物生长动态对比数据，对目标地块的作物生长情况进行分析，得到同期对比分析结果。
2.如权利要求1所述的方法，其特征在于，所述根据监测波段与所述去云遥感影像数据集，得到作物时序监测数据，包括：
根据监测波段与所述去云遥感影像数据集，得到指数监测数据，所述指数监测数据包括归一化植被指数监测数据、地表水指数监测数据以及红边位置指数监测数据；
根据所述归一化植被指数监测数据，得到作物长势时序监测数据；
根据所述地表水指数监测数据，得到冠层含水量时序监测数据；
根据所述红边位置指数监测数据，得到冠层叶绿素含量时序监测数据。
3.如权利要求1所述的方法，其特征在于，所述根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集，包括：
接收目标监测时间与目标地块的矢量数据；
根据所述目标监测时间与目标地块的矢量数据，对遥感影像数据集中的遥感影像进行筛选，得到目标地块的初始遥感影像数据集；
对所述初始遥感影像数据集进行裁剪，得到目标遥感影像数据集。
4.如权利要求1所述的方法，其特征在于，所述根据云检测波段与所述目标遥感影像数据集，得到去云遥感影像数据集，包括：
根据云检测波段，对目标遥感影像数据集中遥感影像数据的低质量像素进行提取，得到云像素数据；
根据所述云像素数据，得到云图层数据；
根据所述云图层数据对所述目标遥感影像数据集中的遥感影像数据进行掩模处理，得到去云遥感影像数据集。
5.一种基于GEE的作物生长监测装置，其特征在于，所述基于GEE的作物生长监测装置包括：
获取模块，用于根据目标监测时间与目标地块的矢量数据，确定目标遥感影像数据集；
所述获取模块，还用于根据云检测波段与所述目标遥感影像数据集，得到去云遥感影像数据集；
监测模块，用于根据监测波段与所述去云遥感影像数据集，得到作物时序监测数据，所述作物时序监测数据包括作物长势时序监测数据、冠层含水量时序监测数据、冠层叶绿素含量时序监测数据；
展示模块，用于将所述作物时序监测数据发送至本地服务器，以使前端根据所述本地服务器中的作物时序监测数据，展示目标地块的作物生长实时监测数据；
所述展示模块，还用于将所述作物时序监测数据发送至本地服务器，以使所述本地服务器在接收到前端发送的数据请求信息时，对所述作物时序监测数据进行动态切片，并向所述前端发送动态切片得到的动态服务地址，以使所述前端展示所述动态服务地址，得到目标地块的作物生长实时监测数据；
所述展示模块，还用于根据指数监测数据，得到指数监测均值数据；
根据所述指数监测均值数据，得到目标监测时间内的指数动态监测数据，所述指数动态监测数据包括归一化植被指数动态监测数据、地表水指数动态监测数据以及红边位置指数动态监测数据；
所述展示模块，还用于根据历史监测时间与所述目标地块的矢量数据和监测时间，在遥感影像数据集中获取历史遥感影像数据集；
获取所述历史遥感影像数据集的历史指数监测数据；
根据所述历史指数监测数据，得到历史指数监测均值数据；
根据所述历史指数监测均值数据，得到历史指数动态监测数据；
将所述历史指数动态监测数据与指数动态监测数据发送至本地服务器，以使本地服务器生成作物生长动态对比数据，所述作物生长动态对比数据包括归一化植被指数动态对比数据、地表水指数动态对比数据以及红边位置指数动态对比数据；
根据所述作物生长动态对比数据，对目标地块的作物生长情况进行分析，得到同期对比分析结果。
6.一种基于GEE的作物生长监测设备，其特征在于，所述设备包括：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基于GEE的作物生长监测程序，所述基于GEE的作物生长监测程序配置为实现如权利要求1至4中任一项所述的基于GEE的作物生长监测方法的步骤。
7.一种存储介质，其特征在于，所述存储介质上存储有基于GEE的作物生长监测程序，所述基于GEE的作物生长监测程序被处理器执行时实现如权利要求1至4任一项所述的基于GEE的作物生长监测方法的步骤。
CN202211142655.3A 2022-09-20 2022-09-20 基于gee的作物生长监测方法、装置、设备及存储介质 Active CN115524329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211142655.3A CN115524329B (zh) 2022-09-20 2022-09-20 基于gee的作物生长监测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211142655.3A CN115524329B (zh) 2022-09-20 2022-09-20 基于gee的作物生长监测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115524329A CN115524329A (zh) 2022-12-27
CN115524329B true CN115524329B (zh) 2023-07-07

Family

ID=84697955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211142655.3A Active CN115524329B (zh) 2022-09-20 2022-09-20 基于gee的作物生长监测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115524329B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329733A (zh) * 2020-11-27 2021-02-05 河南大学 一种基于gee云平台的冬小麦长势监测及分析方法
CN113342036A (zh) * 2021-06-02 2021-09-03 华南农业大学 一种农作物的精准管控系统及其管控方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106383522B (zh) * 2016-09-22 2019-09-10 华南农业大学 一种基于虚拟现实的田间农情信息实时监测系统
CN109142359A (zh) * 2018-08-23 2019-01-04 中国水利水电科学研究院 一种基于时间序列遥感数据的农作物长势监测方法
CN112581464B (zh) * 2020-12-25 2024-02-23 武汉禾大科技有限公司 一种作物长势情况分析方法、装置及存储介质
CN113223040B (zh) * 2021-05-17 2024-05-14 中国农业大学 基于遥感的香蕉估产方法、装置、电子设备和存储介质
CN113221806B (zh) * 2021-05-25 2022-02-01 河南大学 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法
CN114581400A (zh) * 2022-03-02 2022-06-03 西南林业大学 一种基于时间序列遥感影像的茶园打顶时间检测方法
CN114331753B (zh) * 2022-03-04 2022-06-14 阿里巴巴达摩院(杭州)科技有限公司 农事智能化的方法、装置及控制设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329733A (zh) * 2020-11-27 2021-02-05 河南大学 一种基于gee云平台的冬小麦长势监测及分析方法
CN113342036A (zh) * 2021-06-02 2021-09-03 华南农业大学 一种农作物的精准管控系统及其管控方法

Also Published As

Publication number Publication date
CN115524329A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
Sumesh et al. Integration of RGB-based vegetation index, crop surface model and object-based image analysis approach for sugarcane yield estimation using unmanned aerial vehicle
Chong et al. A review of remote sensing applications for oil palm studies
AU2015238898B2 (en) System and method for forest management using stand development performance as measured by leaf area index
US9880140B2 (en) Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery
US20150254800A1 (en) Nitrogen status determination in growing crops
Gonsamo et al. CIMES: A package of programs for determining canopy geometry and solar radiation regimes through hemispherical photographs
Jin et al. High-throughput measurements of stem characteristics to estimate ear density and above-ground biomass
CN106355143A (zh) 多源多时相高分遥感影像的制种玉米田识别方法及系统
Su et al. Spectral analysis and mapping of blackgrass weed by leveraging machine learning and UAV multispectral imagery
de Jesus Colwell et al. Development and validation of methodology for estimating potato canopy structure for field crop phenotyping and improved breeding
CN110751035A (zh) 一种制种玉米的识别方法及装置
Proud et al. The influence of seasonal rainfall upon Sahel vegetation
Abdullahi et al. Case study to investigate the adoption of precision agriculture in Nigeria using simple analysis to determine variability on a maize plantation
CN113177942A (zh) 大豆种植区遥感监测识别方法、装置、电子设备和介质
CN115524329B (zh) 基于gee的作物生长监测方法、装置、设备及存储介质
Farbo et al. Preliminary Concerns about Agronomic Interpretation of NDVI Time Series From Sentinel-2 Data: Phenology and Thermal Efficiency of Winter Wheat in Piemonte (NW Italy)
Tanaka et al. Deep learning-based estimation of rice yield using RGB image
CN115526713A (zh) 一种农户贷款的授信额度确定方法及装置
de Almeida et al. Performance of the SAFER model in estimating peanut maturation
Njane et al. Effect of varying UAV height on the precise estimation of potato crop growth
Kirui et al. Calibration and parameterization of APSIM-wheat using earth observation data for wheat simulation in Kenya
Loozen et al. Regional detection of canopy nitrogen in Mediterranean forests using the spaceborne MERIS Terrestrial Chlorophyll Index
EP4207040A1 (en) Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images
US20230093903A1 (en) Methods and systems for use in processing images related to crop phenology
Sun et al. Accurate mapping of rapeseed fields in the initial flowering stage using Sentinel-2 satellite images and convolutional neural networks

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