CN115641504A - 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 - Google Patents
一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 Download PDFInfo
- Publication number
- CN115641504A CN115641504A CN202211319295.XA CN202211319295A CN115641504A CN 115641504 A CN115641504 A CN 115641504A CN 202211319295 A CN202211319295 A CN 202211319295A CN 115641504 A CN115641504 A CN 115641504A
- Authority
- CN
- China
- Prior art keywords
- field
- ndvi
- crop
- crops
- decision tree
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提出了一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,该方法主要步骤如下:获取单时相GF‑2和双时相PlanetScope卫星影像,计算归一化植被指数NDVI;基于边缘增强算法获得亚米级空间分辨率的地物边缘强度图;使用自适应阈值分割算法分割地物边缘强度图,提取同质空间对象;基于农作物生长规律,获取作物旺盛生长期和收获期PlanetScope数据,进行田块对象识别;对所提取的田块对象进行去噪和平滑处理,最后将处理后的田块对象转化为矢量田块边界。该方法可以对田块破碎地区的中小型自然田块边界进行准确、快速提取,在智慧农业管理中具有极大的应用潜力。
Description
技术领域
本发明属于农情遥感监测领域,尤其是一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法。
背景技术
田块边界是智慧农业管理系统的基础数据,快速、准确、高效田块边界获取技术对于我国智慧农业的发展具有重要作用。传统的田块边界获取技术主要是田块测绘和手工勾画相结合,这种方法不仅效率低,而且精度受工作者主观性影响。随着对地观测技术的进步,高时空分辨率卫星的发射使得基于卫星影像的田块边界自动化提取成为了可能。
目前,基于卫星影像的田块边界自动化提取技术主要集中于欧美等发达国家。这些地区农业集约化程度高,田块面积大且边界宽,Landsat、Sentinel-2等中空间分辨率卫星影像可以很好的满足田块边界自动化提取的需求。尽管我国耕地面积巨大,但大部分以小户经营为主,田块破碎,基于中分辨率卫星影像难以准确提取我国田块边界,不能满足生产的需要。现有超高分辨率卫星影像(亚米级)时间分辨率低,且获取成本高。以PlanetScope为代表的小卫星星座同时不仅具有高时空分辨率(米级、每天观测频率)的优势,而且成本低,结合超高分辨率卫星影像的空间细节和高空间分辨率卫星影像的时序优势对田块边界自动化提取具有重要意义。
现有田块边界自动化提取技术主要是结合计算机视觉图像分割、数学形态学操作等算法,对先验知识依赖度高。先验知识的获取需要耗费大量的人力、物力成本,因此这些方法的应用性受到了极大的限制。基于物候特征的农作物识别算法可在无实测样本参与的情况下完成田块对象的判别。因此,加入作物时序信息为田块边界自动化提取领域拓展了新思路,有助于提升田块边界提取的自动化水平和精度。
发明内容
本发明所解决的技术问题在于提供一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,通过单时相GF-2卫星影像获取空间对象及其边界,结合双时相PlanetScope卫星影像和农作物生长规律判别田块对象,最后应用形态学操作消除噪声、平滑对象,实现对田块边界快速、准确和自动化提取。本方法操作简单,易于实现,可广泛应用于中小型自然田块边界的快速自动化提取。
实现本发明目的的技术解决方案为:
一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,包括以下步骤:
步骤1:获取单时相GF-2(高分二号)卫星影像,对影像进行预处理并计算归一化植被指数NDVI,采用边缘增强算法对NDVI影像进行边缘增强,获取超高空间分辨率的地物边缘强度图;
步骤2:采用局部自适应阈值分割算法对超高空间分辨率的地物边缘强度图进行影像分割,提取同质空间对象;
步骤3:获取作物旺盛生长期、收获期的高空间分辨率PlanetScope(鸽子)卫星影像,基于PlanetScope物候差异提取田块对象,具体包括:
步骤3-1:进行地面调查和资料搜索,获取研究区作物种植类型和作物生育进程信息;
步骤3-2:获取作物旺盛生长期和收获期对应的PlanetScope卫星影像,计算PlanetScope卫星影像的NDVI,分析作物和非作物地物的NDVI差异;
步骤3-3:基于PlanetScope NDVI影像构建田块对象识别决策树模型,使用作物旺盛生长期影像区分植被和非植被对象,若NDVIspring-max>T1则认为步骤2中提取的空间对象为植被对象,否则为非植被对象。
步骤3-4:使用作物旺盛生长期和收获期PlanetScope NDVI物候差异区分田块和非田块对象,若NDVIspring-max–NDVIharvesting>T2,则认为步骤3-3中提取的植被对象为田块对象,否则为非田块对象;
步骤4:采用形态学开、闭运算操作对所获得的田块对象进行去噪和平滑处理,并将处理后的栅格田块对象转化为矢量田块边界;
步骤5:评价田块边界提取精度,其评价公式如下:
其中,IOU为交并比,表示提取田块与实际田块的吻合程度;Ei代表提取田块,Ri代表实测田块,Ei∩Ri表示提取田块和实测田块的交集,即二者重合区域面积;Ei∪Ri表示提取田块和实测田块的并集,包括二者重合区域和非重合区域面积;
步骤6:若精度IOU不符合要求,则返回步骤2,调整分割尺度,并进一步调整步骤3中的田块对象提取阈值,直至最后精度满足要求。
优选的,步骤2中基于地物边缘强度图的空间对象及其边缘特征的提取,使用的局部自适应阈值分割算法。
优选的,使用作物旺盛生长期和收获期双时相高空间分辨率PlanetScope影像,黄淮海地区冬季作物旺盛生长期一般为四月份,收获期一般为六月份。
优选的,先使用作物旺盛生长期NDVI影像(NDVIspring-max)区分植被和非植被对象,再使用作物旺盛生长期和收获期NDVI影像(NDVIspring-max–NDVIharvesting)差异区分田块对象和非田块对象。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法将单时相超高空间分辨率GF-2卫星影像和双时相高空间分辨率PlanetScope卫星影像融合进行田块边界提取,该方法提取精度、效率高;
2、本发明的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法采用基于作物旺盛生长期和收获期的NDVI相对强度变化来识别田块对象,在不同的区域具有很好的普适性。
3、本发明的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法操作简单,可重复性强,易于推广。
附图说明
图1是本发明的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法的流程图;
图2是研究区各类地物在作物旺盛生长期和收获期NDVI空间分布图,其中(A)和(B)是两个研究区作物旺盛生长期NDVI空间分布图,(C)和(D)是作物收获期NDVI空间分布图;
图3是本发明的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法的精度评价结果图;
图4是本发明的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法与实测田块边界对比图,其中(A)、(D)是两个研究区的GF-2卫星影像图,(B)、(E)是研究区放大区域的实测田块边界图,(C)、(F)是基于本发明自动化提取的田块边界图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
实施例1
本发明的实施基于单时相GF-2和双时相PlanetScope卫星影像,影像使用类别和参数如表1所示,使用影像日期如表2所示。
表1研究所用卫星影像参数
表2研究所用卫星影像类型和时期
本实施例获取江苏省淮安市白马湖农场及其周围GF-2和PlanetScope卫星影像,主要作物为冬小麦,如图2所示,田块有农户田和农场田两种,可以有效的验证本发明的在不同形状、大小田块之间的准确度和适用性。
一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,如图1所示,主要包括空间对象识别和基于物候信息的农田边界提取,具体包括以下步骤:
步骤1:使用边缘增强算法对由GF-2卫星影像生成的NDVI影像进行边缘增强,得到地物边缘强度图,具体包括以下步骤:
下载研究区作物生长旺季GF-2影像。对获取的GF-2影像进行一系列预处理,预处理步骤包括:
(1)辐射定标。通过ENVI自带的定标工具,自动解析遥感影像的头文件信息进行辐射定标,得到辐射亮度值。
(2)大气校正。使用FLAASH大气校正模块去除大气及观测角等因素的影响,同时将辐射亮度值转化为反射率。
(3)图像融合。以ENVI中内置的GS算法为基础,对0.8米分辨率的全色波段与3.2米分辨率的多光谱波段进行融合,得到0.8米分辨率的GF-2多光谱影像。
(4)影像配准。运用ENVI影像配准工具,以实测地面控制点为参照,对融合后的多光谱影像进行配准,纠正影像获取过程中的位置偏差。
将融合后的0.8米分辨率的GF-2影像转化为NDVI空间分布图(图2),其计算公式为:NDVI=(NIR-R)/(NIR+R),其中NIR为近红外波段,R为红波段;使用边缘增强算法对GF-2NDVI影像进行卷积运算,得到地物边缘强度图。
步骤2:使用局部自适应阈值分割算法对地物边缘强度图进行分割,提取同质的空间对象及其边缘特征;
步骤3:立足于农作物生长规律,冬季作物旺盛生长期,如图2A&B所示,植被NDVI处于极大值,而同时期水体、建筑等非植被对象NDVI值较低,此时植被与非植被对象二者NDVI差异最大,易于区分。另外,冬季作物收获后,田块对象被裸土或作物残茬覆盖,如图2C&D所示,田块对象NDVI处于极小值,而其他自然植被如林地、草地等NDVI处于较高水平。从作物旺盛生长期到作物收获期,田块对象NDVI出现显著下降趋势,而自然植被在该时期NDVI出现微弱上升或保持不变的趋势,利用物候变化规律易于区分田块对象和非田块对象。具体包括以下步骤:
步骤3-1:通过文献查阅及田间调查,确定研究区农作物种植类型和生育时期。了解研究区主要作物及非作物植被的生长发育规律,明确作物旺盛生长期和收获期对应时间窗口;
步骤3-2:下载作物旺盛生长期和收获期PlanetScope影像,计算该时期PlanetScope的NDVI;
步骤3-3:目视解译GF-2超高空间分辨率影像,采集各类地物(作物、自然植被、非植被)的样本集,根据样本集提取各类地物在作物旺盛生长期和收获期的NDVI;
步骤3-4:分析各类地物NDVI分布水平和变化趋势,结合作物的生长发育规律,明确田块对象和非田块对象在作物旺盛生长期和收获期的光谱响应规律,即旺盛生长期作物由于冠层覆盖度高,NDVI出现极大值;收获期田块被裸土或作物残茬覆盖,植被信号微弱,NDVI出现极小值。
步骤3-5:基于作物旺盛生长期和收获期NDVI强度和相对变化来实现田块对象与非田块对象的区分。作物旺盛生长期田块对象NDVI出现极大值,此时自然植被NDVI同样较高,先使用作物旺盛生长期NDVI影像(NDVIspring-max)区分植被和非植被对象,判别规则为:NDVIspring-max>T1,根据样本集各类地物的NDVI分布,此处T1设为0.7。
步骤3-6:田块对象从作物旺盛生长期到收获期其NDVI出现显著下降,而自然植被NDVI略有升高或保持变化,使用作物旺盛生长期和收获期NDVI变化趋势区分作物和其他自然植被,判别规则为:NDVIspring-max–NDVIharvesting>T2,根据样本集各类地物的NDVI分布和变化规律,此处T2设为0.4。
步骤4:运用形态学操作对所获取到的田块对象进行去噪和平滑,具体是使用3×3的卷积核进行形态学开、闭运算操作,并将处理后的栅格田块对象转化为矢量田块边界;不同生态区提取的矢量田块如图4C&F所示。
步骤5:根据实测田块边界数据(图4B&E),评价自动化提取的田块边界精度,其评价公式如下:
其中,IOU为交并比,表示提取田块与实际田块的吻合程度;Ei代表提取田块,Ri代表实测田块,Ei∩Ri表示提取田块和实测田块的交集,即二者重合区域面积;Ei∪Ri表示提取田块和实测田块的并集,包括二者重合区域和非重合区域面积;不同生态区提取的田块验证精度(IOU)如图3所示。
步骤6:若精度IOU不符合要求,则返回步骤2,调整分割尺度,并进一步调整步骤3中的田块对象提取阈值,直至最后精度满足要求。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进应视为本发明的保护范围。
Claims (7)
1.一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,其特征在于,包括以下步骤:
步骤1:获取单时相GF-2卫星影像,对影像进行预处理并计算归一化植被指数NDVI,采用边缘增强算法对NDVI影像进行边缘增强,获取超高空间分辨率的地物边缘强度图;
步骤2:采用局部自适应阈值分割算法对超高空间分辨率的地物边缘强度图进行影像分割,提取同质空间对象;
步骤3:获取作物旺盛生长期、收获期的高空间分辨率PlanetScope卫星影像,基于PlanetScope物候差异提取田块对象,具体包括:
步骤3-1:进行地面调查和资料搜索,获取研究区作物种植类型和作物生育进程信息;
步骤3-2:获取作物旺盛生长期和收获期对应的PlanetScope卫星影像,计算二者PlanetScope卫星影像的NDVI,分别记作NDVIspring-max和NDVIharvesting,分析作物和非作物地物的NDVI差异;
步骤3-3:基于PlanetScope NDVI影像构建田块对象识别决策树模型,使用作物旺盛生长期的PlanetScope卫星影像的NDVI区分植被和非植被对象,若NDVIspring-max>T1则认为步骤2中提取的空间对象为植被对象,否则为非植被对象;
步骤3-4:使用作物旺盛生长期和收获期的PlanetScope卫星影像的NDVI物候差异区分田块和非田块对象,若NDVIspring-max–NDVIharvesting>T2,则认为步骤3-3中提取的植被对象为田块对象,否则为非田块对象;
步骤4:采用形态学开、闭运算操作对所获得的田块对象进行去噪和平滑处理,并将处理后的栅格田块对象转化为矢量田块边界;
步骤5:评价田块边界提取精度,其评价公式如下:
其中,IOU为交并比,表示提取田块与实际田块的吻合程度;Ei代表提取田块,Ri代表实测田块,Ei∩Ri表示提取田块和实测田块的交集,即二者重合区域面积;Ei∪Ri表示提取田块和实测田块的并集,包括二者重合区域和非重合区域面积;
步骤6:若精度IOU不符合要求,则返回步骤2,调整分割尺度,并进一步调整步骤3中的田块对象提取阈值,直至最后精度满足要求。
2.根据权利要求1所述的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,其特征在于,精度要求为IOU>80%。
3.根据权利要求1所述的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,其特征在于,步骤1中,采用边缘增强算法对NDVI影像进行边缘增强,获取超高空间分辨率的地物边缘强度图,其具体步骤为:
先进行8邻域NDVI差异分析,具体公式为:
St(i,j)=|NDVI(i,j)-NDVI(i+x(t),j+y(t)|
其中NDVI(i,j)为像素,x(t=1…8)={0,-1,-1,-1,0,1,1,1},y(t=1…8)={1,1,0,-1,-1,-1,0,1};
然后根据对不同空间位置的像素重新分配权重,根据权重逐像素计算边缘强度,具体公式为:
4.根据权利要求1所述的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,其特征在于,步骤2中基于地物边缘强度图的空间对象及其边缘特征的提取,使用的局部自适应阈值分割算法:
首先,应用createCLAHE函数对地物边缘强度图进行自适应直方图均衡化,从而调整不同区域的地物边缘强度;
然后基于adaptiveThreshold函数,确定局部尺度的自适应分割阈值,根据自适应阈值对影像进行二值化分割,从而提取影像中所包含同质的空间对象。
5.根据权利要求1所述的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,其特征在于,在我国作物主产区,黄淮海和长江中下游地区冬季作物旺盛生长期为四月份,收获期为六月份;夏季作物旺盛生长期为八月份,收获期为九、十月份;东北地区单季作物旺盛生长期为八月份,收获期为十月份。
6.根据权利要求1所述的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,其特征在于,黄淮海和长江中下游地冬季作物包括小麦、油菜;黄淮海和长江中下游地夏季作物包括水稻、玉米、大豆;东北地区单季作物包括水稻、大豆、玉米。
7.根据权利要求1所述的基于作物物候特征与决策树模型的田块边界自动化遥感提取方法,其特征在于,采用形态学开、闭运算操作对所获得的田块对象进行去噪和平滑处理,并将处理后的栅格田块对象转化为矢量田块边界的具体步骤为:
首先设置3*3大小的卷积核,然后应用morphologyEx函数的MORPH_OPEN/CLOSE进行形态学开闭运算消除田块对象的中的细小斑块和空洞,最后应用ArcMap中的栅格转矢量工具将栅格田块像素转换为矢量田块对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211319295.XA CN115641504A (zh) | 2022-10-26 | 2022-10-26 | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211319295.XA CN115641504A (zh) | 2022-10-26 | 2022-10-26 | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641504A true CN115641504A (zh) | 2023-01-24 |
Family
ID=84947015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211319295.XA Pending CN115641504A (zh) | 2022-10-26 | 2022-10-26 | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641504A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541688A (zh) * | 2023-04-11 | 2023-08-04 | 南京农业大学 | 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法 |
CN116805396A (zh) * | 2023-08-24 | 2023-09-26 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592181A (zh) * | 2011-12-30 | 2012-07-18 | 中国农业科学院农业资源与农业区划研究所 | 一种作物种植面积统计数据空间分布的优化方法 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109523498A (zh) * | 2018-11-06 | 2019-03-26 | 南京农业大学 | 一种面向田块尺度作物生长监测的遥感影像时空融合方法 |
CN110796001A (zh) * | 2019-09-23 | 2020-02-14 | 武汉珈和科技有限公司 | 一种卫星影像覆膜农田识别与提取方法及系统 |
CN113807131A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 用于识别农田土表的方法、装置、农用机械及介质 |
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN114239716A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技(深圳)有限公司 | 基于农作物长势的双轴交互方法、装置、设备及介质 |
CN115063678A (zh) * | 2022-06-15 | 2022-09-16 | 安徽大学 | 基于国产gf-6 wfv数据的大豆种植区提取方法 |
-
2022
- 2022-10-26 CN CN202211319295.XA patent/CN115641504A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592181A (zh) * | 2011-12-30 | 2012-07-18 | 中国农业科学院农业资源与农业区划研究所 | 一种作物种植面积统计数据空间分布的优化方法 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109523498A (zh) * | 2018-11-06 | 2019-03-26 | 南京农业大学 | 一种面向田块尺度作物生长监测的遥感影像时空融合方法 |
CN110796001A (zh) * | 2019-09-23 | 2020-02-14 | 武汉珈和科技有限公司 | 一种卫星影像覆膜农田识别与提取方法及系统 |
CN113807131A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 用于识别农田土表的方法、装置、农用机械及介质 |
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN114239716A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技(深圳)有限公司 | 基于农作物长势的双轴交互方法、装置、设备及介质 |
CN115063678A (zh) * | 2022-06-15 | 2022-09-16 | 安徽大学 | 基于国产gf-6 wfv数据的大豆种植区提取方法 |
Non-Patent Citations (4)
Title |
---|
FRANÇOIS WALDNER 等: "Automated annual cropland mapping using knowledge-based temporal features" * |
TAO CHENG 等: "DESTIN: A new method for delineating the boundaries of crop fields by fusing spatial and temporal information from WorldView and Planet satellite imagery" * |
姬旭升: "基于高分辨率卫星影像的农田边界提取及水稻生物量估算研究" * |
李中元 等: "利用物候差异与面向对象决策树提取油菜种植面积" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541688A (zh) * | 2023-04-11 | 2023-08-04 | 南京农业大学 | 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法 |
CN116541688B (zh) * | 2023-04-11 | 2024-04-26 | 南京农业大学 | 一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法 |
CN116805396A (zh) * | 2023-08-24 | 2023-09-26 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
CN116805396B (zh) * | 2023-08-24 | 2023-12-29 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345555B (zh) | 基于多时相多源遥感数据进行水稻识别的方法 | |
CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
CN109948596B (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN113128401B (zh) | 基于光学和雷达遥感数据的区域实际灌溉面积监测方法 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
KR20150000435A (ko) | 작물 생장 단계 인식 및 환경 제어 시스템 및 그 방법 | |
CN106372592A (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
CN112818749B (zh) | 一年两熟地区大宗粮油作物复种模式遥感监测方法 | |
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 | |
CN112557393A (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
CN112836575B (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
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 | |
CN116188465B (zh) | 基于图像处理技术的作物生长状态检测方法 | |
CN112287886A (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
CN114049564A (zh) | 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 | |
Mokarram et al. | RELATIONSHIP BETWEEN LAND COVER AND VEGETATION INDICES. CASE STUDY: EGHLID PLAIN, FARS PROVINCE, IRAN. |
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 |