CN115661641A - 一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统 - Google Patents
一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统 Download PDFInfo
- Publication number
- CN115661641A CN115661641A CN202211276479.2A CN202211276479A CN115661641A CN 115661641 A CN115661641 A CN 115661641A CN 202211276479 A CN202211276479 A CN 202211276479A CN 115661641 A CN115661641 A CN 115661641A
- Authority
- CN
- China
- Prior art keywords
- tea garden
- data
- phenotype
- model
- remote sensing
- 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
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机多源遥感的茶园重要表型指标监测方法及系统。所述评估方法包括：通过LIDAR（激光雷达）、TC（倾斜摄影）、MS（多光谱）、RGB、TM（热红外）相机采集茶园图像，将图像进行预处理，采用4个回归分析算法（即BP（前馈神经网络）、RF（随机森林）、SVM（支持向量机）、PLS（偏最小二乘法回归））监测三个生长阶段茶园表型参数（即H（高度）、LAI（叶面积指数）、W（含水量）、LCC（叶片叶绿素含量）、LNC（叶片氮含量））。本发明可以快速准确的获取到茶树的多个表型信息，并且多个表型的联合分析对于指导茶园管理具有重要意义。有助于扩大无人机在精准农业和可持续农业中的应用。
Description
技术领域
本发明属于计算机视觉领域，具体涉及一种基于多源无人机遥感的茶园重要表型参数估计的方法及系统。
背景技术
茶树（Camellia sinensis L.）是一种重要的经济作物，在世界范围内都有广泛栽培。茶树的表型参数是评价茶园管理的重要指标，这些表型参数主要有叶面积指数、高度、叶片水分含量、叶片叶绿素和氮素浓度等。利用这些参数可以指导茶园的日常管理，如可以利用茶树的结构参数指导茶树的修剪和采摘，利用茶树的生理生化参数指导茶园灌溉和施肥等。但这些参数的传统测量方法存在耗时耗力、效率低、成本高且准确度差等问题，严重制约了茶叶的智慧化生产。
随着新型遥感工具的兴起，无人机系统凭借机动灵活、适合复杂农田环境、高效率和低成本等优势，逐渐成为获取田间作物表型信息的重要手段。光学传感器可以获取到物体的光谱反射率和纹理；基于运动的结构（SfM）点云可以检测冠层结构信息；热学传感器大多数被应用到监测作物的含水量的时空变化和评价作物的干旱程度；与单源遥感相比，多源遥感在监测农作物各种参数方面模型的精度和准确度更高。
发明内容
本发明提供了一种基于多源遥感的评估不同生长阶段茶园的重要表型参数的方法。本发明使用5个无人机多源遥感数据（即LIDAR、TC、MS、RGB、TM）以及4个回归分析算法（即BP、RF、SVM、PLS）监测三个生长阶段茶园表型参数（即H、LAI、W、LCC、LNC）。本发明有助于扩大无人机在精准农业和可持续农业中的应用。
为实现上述发明目的，本发明采用以下技术方案予以实现：
本发明提供了一种基于多源遥感监测不同生长阶段茶园表型参数的方法，包括以下步骤：
S1：使用激光雷达、倾斜摄影、多光谱、RGB纹理、热红外相机采集茶园图像；
S2：将步骤S1的茶园图像进行预处理；
S3：对预处理后得到的无人机遥感数据进行进一步处理；
S4：将S3提取到的数据输入模型，输出结果，得到茶树的高度（H）、叶片含水量（W）、叶面积指数（LAI）、叶绿素浓度和叶片氮素浓度（LNC）。
进一步的，所述步骤S2中预处理茶园图像的步骤为：
S21：采集到的LiDAR数据利用大疆智图软件(DJI, Inc., Shenzhen, China)生成点云模型，包括筛选高点云密度、输出坐标系位置CGRS93、点云精度优化、重建；
S22：采集到的TC数据利用大疆智图软件生成三维模型，包括选择高清晰度图像、选择倾斜拍摄和正射拍摄场景、重塑；
S23：采集到的MS数据利用Yusense Map V1.0（Yusense, Inc., Qingdao, China）拼接, 包括生成注册参数进行图像配准、输入白板反射率辐射定标、多光谱图像的拼接；
S24：采集的TM和RGB数据通过Yusense Map V1.0拼接，包括导入数据、相机参数生成、图像拼接、温度定标；
S25: S21得到的LiDAR和S22处理后的TC数据通过Alundar Platform Free软件（ALD. Inc., Chengdu, China）进行地块的裁剪和变量的提取。S23处理后的MS和S24处理后的RGB数据利用ENVI 5.2软件进行地块的裁剪，波段和纹理的提取。S24处理后的TM数据利用FLIR Tools软件（Teledyne FLIR，USA）进行地块的裁剪和温度信息的提取。
进一步的，所述步骤S3包括LiDAR信息的提取、MS信息的提取、RGB信息的提取和TM信息的提取，具体步骤为：
S31：S25处理后的点云模型过Alundar Platform Free软件进一步处理，包括去燥、滤波、归一化、生成DSM模型、DEM模型。DSM模型减DEM模型进一步生成冠层高度模型（CHM）。提取到点云密度、激光穿透力指数、孔隙率、平均高度、最大高度五个变量；
S32：S25处理后的TC信息和S21所述的步骤基本一致，但是无激光穿透力指数；
S33：S25处理后MS信息的提取通过ENVI 5.2 提取到6个原始波段包括450、555、660、720、750、840nm；
S34：S25处理得到的RGB信息是利用ENVI 5.2软件从基于RGB的绿色、红色和蓝色波段的灰度共生矩阵（GLCM）中提取的，处理窗口为3行×3列；
S35：S25得到的TM 信息利用FLIR Tools软件提取到3个温度变量即（最大温度、最低温度、平均温度）。
进一步的，所述步骤S4的具体步骤为：
S41：S31得到的LiDAR和S32得到的TC数据集融合，得到茶园H表型参数；
S42：S31得到的LiDAR、S32得到得TC和S33得到的MS数据集融合，得到茶园LAI表型参数；
S43: S31得到的LiDAR、S34得到的RGB、S33得到的MS和S35得到的TM数据集融合，得到茶园W表型参数；
S44: S34得到的RGB和S33得到的MS数据集融合，得到茶园LCC表型参数；
S45: S31得到的LiDAR、S34得到的RGB、S33得到的MS和S35得到的TM数据集融合，得到LNC表型参数。
进一步的，所述步骤S41中，SVM模型的效果最好；所述步骤S42中，RF模型效果最好；所述步骤S43中，SVM模型的效果最好；所述步骤S44中，RF模型效果最好；所述步骤S45中，RF模型效果最好。
本发现还提供了一种基于多源遥感评估茶园表型指标的方法及系统，包括：
采集系统，包括激光雷达、倾斜摄影、多光谱、RGB纹理、热红外相机，用来采集茶园图像；
处理系统，执行以下操作：将采集到的图像输入到深度学习和机器学习的神经网络中，得到茶园茶树的H、LAI、W、LCC、LNC表型数据，根据表型数据指导茶园修剪、施肥、灌溉等茶园管理。
与现有技术相比，本发明具有的优点和有益效果是：
1、本发明通过深度学习和机器学习的方法实现了对茶园表型指标的监测，解决了传统方法测量上述参数存在效率低、成本高、大面积测量困难等问题，实现了计算机视觉自动化的分析评估，对于指导茶园的修剪、施肥、灌溉等茶园管理具有重要意义。
2、相比于单源数据集本发明通过融合的多源数据集在茶树叶面积指数、作物高度、叶片叶绿素和氮素浓度估测模型性能和稳定性有所提高，而在叶片含水量上方面单源RGB和热红外数据在估计植物水分方面优于多源数据集。
附图说明
图1为本发明基于多源遥感评估不同生长阶段茶园重要表型特征总流程图。
图2 为本发明获得图像所使用的无人机。
图3为基于多源遥感评估茶园生长指标的流程图。
具体实施方式
结合以下具体实例对本发明的技术方案作进一步详细的说明。
实施例1
一种基于多源遥感评估茶园生长指标的方法，流程图见图3，包括如下步骤：
步骤一、茶树整体图像的采集：
2021年7月，在山东省青岛市崂山区碧海蓝田茶园（120.61°E，36.27°N）使用五种类型的无人机系统包括两架无人机，四台传感器采集了幼年期茶园（YTG）、成年期茶园（MTG）、 衰老期茶园（ATG）图像。DJ M300 RTK（DJI, Inc., Shenzhen, China）分别搭载禅思L1（DJI, Inc., Shenzhen, China）和禅思P1（DJI, Inc., Shenzhen, China）。DJ M200V2（DJI, Inc., Shenzhen, China）同时搭载MS600（Yusense, Inc., Qingdao, China）和禅思XT2（DJI, Inc., Shenzhen, China）（表一所示）。
采用CANON-EOS 6D采集茶冠图像。图像以JPEG格式存储，分辨率设为3024×4032。拍摄角度和距离是随机的。
表1、关于无人机系统及其飞行任务的具体信息
| 无人机平台 | 传感器 | 飞行高度 | 飞行速度 | 重叠 | 准确性 |
| M300 RTK | Meditation L1 | 50m | 6m s<sup>-1</sup> | 70%(正面) 80% (侧面) | 0.8cm pixel<sup>-1</sup> |
| M300 RTK | Meditation P1 | 50m | 6m s<sup>-1</sup> | 70%(正面) 80% (侧面) | 0.7cm pixel<sup>-1</sup> |
| M200 V2 | MS600 | 15m | 2m s<sup>-1</sup> | 55%(正面) 75% (侧面) | 1.2cm pixel<sup>-1</sup> |
| M200 V2 | Meditation XT2 | 15m | 2m s<sup>-1</sup> | 55%(正面) 75% (侧面) | 1.0cm pixel<sup>-1</sup> |
步骤二、获取到的茶园图像进行预处理。
1．禅思L1采集到的LiDAR数据利用大疆智图软件(DJI, Inc., Shenzhen, China)生成点云模型，包括筛选高点云密度、输出坐标系位置CGRS93、点云精度优化、重建。
2.禅思P1采集到的TC数据利用大疆智图软件生成三维模型，包括选择高清晰度图像、选择倾斜拍摄和正射拍摄场景、重塑。
3. MS600采集到的MS数据利用Yusense Map V1.0（Yusense, Inc., Qingdao,China）拼接, 包括生成注册参数进行图像配准、输入白板反射率辐射定标、多光谱图像的拼接。
4．禅思XT2采集的TM和RGB数据通过Yusense Map V1.0拼接，包括导入数据，相机参数生成，图像拼接，温度定标。
LiDAR和TC数据通过Alundar Platform Free软件（ALD. Inc., Chengdu, China）进行地块的裁剪和变量的提取。MS和RGB数据利用ENVI 5.2软件进行地块的裁剪，波段和纹理的提取。TM数据利用FLIR Tools软件（Teledyne FLIR，USA）进行地块的裁剪和温度信息的提取。Python 3.7和Matlab 2020用于进一步的处理和分析无人机数据。
步骤三、无人机遥感数据的进一步处理：
LiDAR信息的提取
点云模型通过Alundar Platform Free软件进一步处理，包括去燥、滤波、归一化、生成DSM模型、DEM模型。DSM模型减DEM模型进一步生成冠层高度模型（CHM）。这样可以提取到点云密度、激光穿透力指数、孔隙率、平均高度、最大高度五个变量。高度信息与点云数据的Z坐标系有关，然后将在Z坐标系通过Python 3.7重新排列，获取到高度百分位数10个变量,即H5th、H15th、H25th、H35th、H45th、H55th、H65th、H75th、H85th、H95th。因此，LiDAR数据集包含5+10=15个变量。
TC信息的提取
TC信息的提取与LiDAR信息的提取基本一致，但是无激光穿透力指数，因此数据集包含4+10=14个变量。
MS信息的提取
多光谱的提取通过ENVI 5.2 提取到6个原始波段包括450、555、660、720、750、840nm。此外，我们还应用于以往研究中常用的13个植被指数。因此MS数据集包含6+13=19个变量。
RGB信息的提取
因为MS摄像机包含了光谱信息，因此我们使用高空间分辨率的RGB数据提取了檐篷的光谱纹理信息。该纹理信息是利用ENVI 5.2软件从基于RGB的绿色、红色和蓝色波段的灰度共生矩阵（GLCM）中提取的，处理窗口为3行×3列。GLCM纹理包括八个指标：均值（mean）、方差（var）、同质性（homo）、对比度（con）、相异性（dis）、熵（en）、二阶矩（se）和相关性（cor）。因此RGB数据集包括3 *8=24个变量。
TM信息的提取
对于热红外相机来说，温度信息是最重要的信息。因此我们利用FLIR Tools软件提取到3个温度变量即（最大温度、最低温度、平均温度）。
步骤四、数据模型的建立与验证。
采用BP、SVM、RF和PLS神经网络对数据进行分析并建立模型。采用十折交叉验证，将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，重复100次，然后将结果求均值来评估茶树表型参数。通过确定系数（R2）、均方根误差（RMSE）和归一化均方根误差（NRMSE）评估模型的性能。R2越大，RMSE和NRMSE越小，表明模型的性能越好。通过平均精度（AP）评估数据集对不同模型的稳定性。R2、RMSE、NRMSE和AP如下所示：
步骤四、使用多源无人机遥感数据对茶树表型进行分析
多源无人机遥感数据的筛选
使用多源无人机数据集进行茶树表型分析。每个表型参数我们选出4-12个变量作为多源无人机遥感的输入。对于H表型参数，LiDAR和TC数据集融合。选取L.Hmax、L.Hmean、P.H85th、P.H95th四个变量。对于LAI表型参数，LiDAR、TC和MS数据集融合。选取L.Fgap、L.H35th、L.H45th、L.H55th、L.H65th、L.H75th、P.Fgap、 MEAN.R.660、 PVI、RECI 10个变量。对于W表型参数，LiDAR、RGB、MS和TM数据集融合。选取9个变量L.Fgag、RM、 BM、 Tmax、Tmin、SAVI、MNLI、GNDVI、 RENDVI。对于LCC表型参数，RGB和MS数据集融合。选取7个变量RM、BM、 MEAN.RE.720、 MEAN.NIR.750、 EVI、 RDVI、 MNLI。对于LNC表型参数，LiDAR、RGB、MS和TM数据集融合。选取12个变量L.Fgap、 RM、RASM、GASM、 BM、BASM、 Tmax、 Tmin、 RDVI、SAVI、MNLI、GNDVI。
评估无人机多源数据集对茶树表型的影响
表2显示了多源遥感对茶树表型的评估。除了W、LNC，其他三种茶树表型（H、LAI、LCC）都达到了令人满意的精度。对于H的估计，SVM模型的效果最好（RC2=0.8673, Rp2=0.8154 ，RMSEC=0.0285, RMSEP=0.0355, NRMSEC=0.07819, NRMSEP=0.09372）。对于LAI的估计，RF模型效果最好。（RC2=0.9533，Rp2=0.9003，RMSEC=0.2855，RMSEP=0.4045，NRMESC=0.1192，NRMSEP=0.16955）。对于LCC的估计，RF模型效果最好（RC2=0.8855，Rp2=0.8038，RMSEC=1.4355，RMSEP=1.8266，NRMESC=0.0207，NRMSEP=0.02633）。对于W，LNC估计，分别是SVM模型（RC2=0.6655, RP2=0.6312, RMSEC=0.022815, RMSEP=0.0249, NRMSEC=0.0333,NRMSEP=0.0338）和RF模型（RC2=0.7822, RP2=0.6017, RMSEC=0.782, RMSEP=0.9041,NRMSEC=0.03732, NRMSEP=0.043）的效果最好。
表2.基于多源遥感茶树表型评价
Claims (6)
1.一种基于多源遥感监测不同生长阶段茶园表型参数的方法，包括以下步骤：
S1：使用激光雷达、倾斜摄影、多光谱、RGB纹理、热红外相机采集茶园图像；
S2：将步骤S1的茶园图像进行预处理；
S3：对预处理后得到的无人机遥感数据进行进一步处理；
S4：将S3提取到的数据输入模型，输出结果，得到茶树的高度（H）、叶片含水量（W）、叶面积指数（LAI）、叶绿素浓度和叶片氮素浓度（LNC）。
2.根据权利要求1所述的基于无人机多源遥感评估茶园重要表型指标的方法及系统，其特征在于，所述步骤S2中预处理茶园图像的步骤为：
S21：采集到的LiDAR数据利用大疆智图软件(DJI, Inc., Shenzhen, China)生成点云模型，包括筛选高点云密度、输出坐标系位置CGRS93、点云精度优化、重建；
S22：采集到的TC数据利用大疆智图软件生成三维模型，包括选择高清晰度图像、选择倾斜拍摄和正射拍摄场景、重塑；
S23：采集到的MS数据利用Yusense Map V1.0（Yusense, Inc., Qingdao, China）拼接, 包括生成注册参数进行图像配准、输入白板反射率辐射定标、多光谱图像的拼接；
S24：采集的TM和RGB数据通过Yusense Map V1.0拼接，包括导入数据，相机参数生成，图像拼接，温度定标；
S25: S21得到的LiDAR和S22处理后的TC数据通过Alundar Platform Free软件（ALD.Inc., Chengdu, China）进行地块的裁剪和变量的提取；
S23处理后的MS和S24处理后的RGB数据利用ENVI 5.2软件进行地块的裁剪、波段和纹理的提取；
S24处理后的TM数据利用FLIR Tools软件（Teledyne FLIR，USA）进行地块的裁剪和温度信息的提取。
3.根据权利要求1所述的基于无人机多源遥感评估茶园重要表型指标的方法及系统，其特征在于，所述步骤S3包括LiDAR信息的提取、MS信息的提取、RGB信息的提取和TM信息的提取，具体步骤为：
S31：S25处理后的点云模型过Alundar Platform Free软件进一步处理，包括去燥、滤波、归一化、生成DSM模型、DEM模型、DSM模型减DEM模型进一步生成冠层高度模型（CHM）；提取到点云密度、激光穿透力指数、孔隙率、平均高度、最大高度五个变量；
S32：S25处理后的TC信息与S21所述的步骤基本一致，但是无激光穿透力指数；
S33：S25处理后MS信息的提取通过ENVI 5.2 提取到6个原始波段包括450、555、660、720、750、840nm；
S34：S25处理得到的RGB信息是利用ENVI 5.2软件从基于RGB的绿色、红色和蓝色波段的灰度共生矩阵（GLCM）中提取的，处理窗口为3行×3列；
S35：S25得到的TM 信息利用FLIR Tools软件提取到3个温度变量即（最大温度、最低温度、平均温度）。
4.根据权利要求1所述的基于无人机多源遥感评估茶园重要表型指标的方法及系统，本发明采用BP、SVM、RF和PLS神经网络对数据进行分析并建立模型，所述步骤S4的具体步骤为：
S41：S31得到的LiDAR和S32得到的TC数据集融合，得到茶园H表型参数；
S42：S31得到的LiDAR、S32得到得TC和S33得到的MS数据集融合，得到茶园LAI表型参数；
S43: S31得到的LiDAR、S34得到的RGB、S33得到的MS和S35得到的TM数据集融合，得到茶园W表型参数；
S44: S34得到的RGB和S33得到的MS数据集融合，得到茶园LCC表型参数；
S45: S31得到的LiDAR、S34得到的RGB、S33得到的MS和S35得到的TM数据集融合，得到LNC表型参数。
5.根据权利要求1所述的基于无人机多源遥感评估茶园重要表型指标的方法及系统，其特征在于，所述步骤S41中，SVM模型的效果最好；所述步骤S42中，RF模型效果最好；所述步骤S43中，SVM模型的效果最好；所述步骤S44中，RF模型效果最好；所述步骤S45中，RF模型效果最好。
6.本发明还提供了一种基于多源遥感评估茶园表型指标的方法及系统，包括：
采集系统，包括激光雷达、倾斜摄影、多光谱、RGB纹理、热红外相机，用来采集茶园图像；
处理系统，执行以下操作：将采集到的图像输入到深度学习和机器学习的神经网络中，得到茶园茶树的H、LAI、W、LCC、LNC表型数据，根据表型数据指导茶园修剪、施肥、灌溉等茶园管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211276479.2A CN115661641A (zh) | 2022-10-19 | 2022-10-19 | 一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211276479.2A CN115661641A (zh) | 2022-10-19 | 2022-10-19 | 一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115661641A true CN115661641A (zh) | 2023-01-31 |
Family
ID=84989153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211276479.2A Pending CN115661641A (zh) | 2022-10-19 | 2022-10-19 | 一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115661641A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523352A (zh) * | 2023-07-05 | 2023-08-01 | 浙江榧圣农业科技有限公司 | 一种森林资源信息的管理方法及系统 |
-
2022
- 2022-10-19 CN CN202211276479.2A patent/CN115661641A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523352A (zh) * | 2023-07-05 | 2023-08-01 | 浙江榧圣农业科技有限公司 | 一种森林资源信息的管理方法及系统 |
| CN116523352B (zh) * | 2023-07-05 | 2023-09-22 | 浙江榧圣农业科技有限公司 | 一种森林资源信息的管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering | |
| CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
| CN112287892B (zh) | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| Chen et al. | Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| Abdelghafour et al. | A Bayesian framework for joint structure and colour based pixel-wise classification of grapevine proximal images | |
| Zhang et al. | High-throughput phenotyping of plant leaf morphological, physiological, and biochemical traits on multiple scales using optical sensing | |
| Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
| CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
| Lang et al. | Detection of chlorophyll content in maize canopy from UAV imagery | |
| CN113223040A (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
| Zhou et al. | An automated, high-performance approach for detecting and characterizing broccoli based on UAV remote-sensing and transformers: A case study from Haining, China | |
| CN115661641A (zh) | 一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统 | |
| CN112434569A (zh) | 一种无人机热成像系统 | |
| Li et al. | Evaluation of important phenotypic parameters of tea plantations using multi-source remote sensing data | |
| Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
| Tsoulias et al. | Effects of soil ECa and LiDAR-derived leaf area on yield and fruit quality in apple production | |
| Hu et al. | Comparison of the performance of Multi-source Three-dimensional structural data in the application of monitoring maize lodging | |
| Kurtser et al. | RGB-D datasets for robotic perception in site-specific agricultural operations—A survey | |
| CN116797950A (zh) | 一种基于无人机多光谱遥感的茶树水分胁迫监测方法 | |
| CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
| CN115035423B (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
| Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
| Poleshchenko et al. | Development of a System for Automated Control of Planting Density, Leaf Area Index and Crop Development Phases by UAV Photos |
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 |