CN115684037A - 一种基于光谱图像的养殖紫菜生物量估测方法 - Google Patents
一种基于光谱图像的养殖紫菜生物量估测方法 Download PDFInfo
- Publication number
- CN115684037A CN115684037A CN202310000346.0A CN202310000346A CN115684037A CN 115684037 A CN115684037 A CN 115684037A CN 202310000346 A CN202310000346 A CN 202310000346A CN 115684037 A CN115684037 A CN 115684037A
- Authority
- CN
- China
- Prior art keywords
- laver
- biomass
- cultured
- land
- image 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.)
- Granted
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
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
Landscapes
- Cultivation Of Seaweed (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于光谱图像的养殖紫菜生物量估测方法,涉及海水养殖技术领域,该方法包括将获取的目标海域中养殖紫菜的光谱图像数据输入养殖紫菜生物量估测模型,得到目标海域中养殖紫菜预测生物量及其数字化分布图;养殖紫菜生物量估测模型的确定方法为:利用陆上水池模拟开放海域养殖区,应用陆基高光谱成像仪采集陆上水池中养殖紫菜的高光谱图像数据,并采集养殖紫菜实测生物量;基于紫菜高光谱特征,提取陆上水池养殖紫菜的光谱图像数据的特征波段和近红外波段;归一化运算特征波段与近红外波段,结合实测生物量构建上述估测模型。本发明能够有效降低海上复杂环境对紫菜生物量估测的影响,达到对目标海域养殖紫菜的无损大面积生物量测定。
Description
技术领域
本发明涉及海水养殖技术领域,特别是涉及一种基于光谱图像的养殖紫菜生物量估测方法。
背景技术
大型经济紫菜养殖集中在潮间带及近岸海域,目前对养殖紫菜的生物量测定多采用传统的采集样方样本的测定方法,此方法需大范围采集样本,耗费大量人工和时间,受海洋环境限制难以做到及时且有代表性,并且采样为损耗性的,直接影响生产。至今对养殖紫菜的生长监测,仍缺乏无损大面积高通量和数字化的方法,严重制约大型经济紫菜养殖产业的健康可持续发展。因此,利用光谱成像技术进行无损大面积高通量的养殖紫菜生物量估测是急需解决的关键技术。
光谱成像技术具有快速、准确、无损并能进行长期实时且连续监测优势,其可以根据不同植物在不同情况下的光谱特征判断和计算植物的生长状态、产量及病虫害情况,已在陆上农作物、草地和森林养护上得到广泛应用。而在近海海水养殖领域中的应用现多集中在养殖区的识别和划分及水体中有机质含量的测定两个方面,在近海养殖紫菜生长的监测应用至今未见报道。
特别地,由于大多经济紫菜是养殖于近海水体中,在光谱图像数据的获取和海上样品采集两方面都会受到海水水体、海流流动及海上复杂环境的干扰,不利于图像估测模型的构建。目前尚缺乏适用于海水中养殖紫菜生物量反演模型。
发明内容
本发明的目的是在于提供一种基于光谱图像的养殖紫菜生物量估测方法法,由此,针对海水养殖紫菜,构建快速、准确、无损且高通量的生物量测定方法,是对养殖紫菜生长进行长期宏观监测的基础,具有挑战性和创新性。
为实现上述目的,本发明提供了一种基于光谱图像的养殖紫菜生物量估测方法,包括:
获取目标海域中养殖紫菜的光谱图像数据;
将所述目标海域中养殖紫菜的光谱图像数据输入至养殖紫菜生物量估测模型,得到所述目标海域中养殖紫菜预测生物量以及所述目标海域中养殖紫菜预测生物量的数字化分布图;
所述养殖紫菜生物量估测模型的确定方法为:
利用陆上水池模拟开放海域养殖区,应用陆基高光谱成像仪采集陆上水池中养殖紫菜的高光谱图像数据,并采集养殖紫菜实测生物量;
基于紫菜高光谱特征光谱信息,提取所述陆上水池中养殖紫菜的高光谱图像数据的特征波段和近红外波段;所述特征波段包括蓝光波段、绿光波段和红边波段;
将所述特征波段与所述近红外波段进行归一化运算,并根据养殖紫菜实测生物量和归一化运算结果构建用于测定海水水体中养殖紫菜生物量的估测模型。
可选地,所述利用陆上水池模拟开放海域养殖区,应用陆基高光谱成像仪采集陆上水池中养殖紫菜的高光谱图像数据,具体包括:
在开放海域养殖区的近岸处搭建陆上水池;
将所述开放海域养殖区的海水注入所述陆上水池中;
将养殖紫菜网帘置于所述陆上水池中;
将陆基高光谱成像仪设在所述养殖紫菜网帘的正上方,以采集所述陆上水池中养殖紫菜的高光谱图像数据。
可选地,所述基于紫菜高光谱特征光谱信息,提取所述陆上水池中养殖紫菜的高光谱图像数据的特征波段和近红外波段,具体包括:
获取反射参考板图像数据;
采用所述反射参考板图像数据对所述陆上水池中养殖紫菜的高光谱图像数据进行校准,并对校准后的陆上水池中养殖紫菜的高光谱图像数据进行预处理,得到预处理的高光谱信息;
根据预处理的高光谱信息,获得紫菜高光谱特征光谱信息;
基于紫菜高光谱特征光谱信息,将校准后的陆上水池中养殖紫菜的高光谱图像数据参照无人机搭载的高分辨率多光谱成像仪的波段参数执行图像的重采样操作,得到紫菜的特征波段和近红外波段。
可选地,所述预处理的方法包括Savitzky-Golay平滑处理、标准正态变换处理、多元散射校正处理、一阶导数处理、二阶导数处理中的一种或多种组合。
可选地,所述将所述特征波段与所述近红外波段进行归一化运算,具体包括:
利用波段运算小程序对所述特征波段与所述近红外波段执行归一化运算;
所述归一化运算的表达式为:
a=(ρNIR-ρB)/(ρNIR+ρB);
b=(ρNIR-ρG)/(ρNIR+ρG);
c=(ρNIR-ρRE)/(ρNIR+ρRE);
其中,ρB表示蓝光波段,ρG表示绿光波段,ρRE表示红边波段,ρNIR表示近红外波段。
可选地,所述养殖紫菜生物量估测模型的表达式为:
Biomass(g/m2)=119.349*a+0.445*b+187.568*c+21.007;
其中,Biomass表示养殖紫菜预测生物量,单位为g/m2。
可选地,所述获取目标海域中养殖紫菜的光谱图像数据,具体包括:
利用光谱近地遥感技术或陆基光谱技术,获取目标海域中养殖紫菜的光谱图像数据。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
相比于传统的测定方法,本发明首先实现了目标样本的无损测定,特别是利用陆上水池减少了海水水体及海上复杂环境对获取紫菜反射光谱图像的影响,降低了工作时间与成本,可实施的条件更加宽泛、构建估测模型更加便捷,能达到对目标区域的无损大面积测定,同时精度高于卫星遥感测定,且与海上近地遥感利用养殖紫菜干露离水期的估测精度相当。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于光谱图像的养殖紫菜生物量估测方法流程示意图;
图2是本发明实施例提供的利用陆上水池采集高光谱信息示意图;
图3是本发明实施例提供的建立生物量估测模型应用的不同生物量养殖网帘示意图;图3的(a)为养殖紫菜低生物量区域示意图;图3的(b)为养殖紫菜中生物量区域示意图;图3的(c)为养殖紫菜高生物量区域示意图;
图4是本发明实施例提供的紫菜高光谱特征谱线图;
图5是本发明实施例提供的利用估测模型预测养殖紫菜低生物量的数字化分布图;
图6是本发明实施例提供的利用估测模型预测养殖紫菜中生物量的数字化分布图;
图7是本发明实施例提供的利用估测模型预测养殖紫菜高生物量的数字化分布图;
图8是本发明实施例提供的无人机搭载多光谱所采集的海上紫菜目标养殖区;
图9是本发明实施例提供的模型预测紫菜生物量与实测生物量的关系图。
具体实施方式
下面将结合本发明实施例中的附图,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供了一种利用陆上水池、陆基高光谱成像技术和光谱近地遥感技术来估测海水水体养殖紫菜生物量的方法,尤其是一种基于光谱图像的养殖紫菜生物量估测方法,如图1所示,包括如下步骤:
步骤1:获取目标海域中养殖紫菜的光谱图像数据。
步骤2:将所述目标海域中养殖紫菜的光谱图像数据输入至养殖紫菜生物量估测模型,得到所述目标海域中养殖紫菜预测生物量以及所述目标海域中养殖紫菜预测生物量的数字化分布图。
其中,所述养殖紫菜生物量估测模型的确定方法为:
(1)利用陆上水池模拟开放海域养殖区,应用陆基高光谱成像仪采集陆上水池中养殖紫菜的高光谱图像数据,并采集养殖紫菜实测生物量。
由于养殖海区海洋环境的复杂性和养殖操作船的不稳定性,无法原位利用陆基高光谱成像仪进行海水水体中养殖紫菜高光谱数据的获取。因此,本发明实施例首先设计了在开放海域养殖区的近岸处搭建陆上水池,并将开放海域养殖区的海水注入陆上水池中;然后将养殖紫菜网帘置于陆上水池中,并将陆基高光谱成像仪设在养殖紫菜网帘的正上方,以采集陆上水池中养殖紫菜的高光谱图像数据。
一个示例为:陆基高光谱成像仪为高分辨率高光谱成像仪SpecimIQ传感器;陆上水池为可移动水池;陆上水池的内壁四周和底部均采用黑色吸光植绒布覆盖,其目的为模拟开放海域养殖区水体光线条件,并防止陆上水池周边和底部对光的反射影响。将开放海域养殖区抽取的海水注入陆上水池中并至深度大于40cm,将养殖紫菜网帘置于陆上水池中并固定在水下10cm处,将陆基高光谱成像仪设在养殖紫菜网帘的正上方1m处;陆上水池中养殖紫菜的高光谱图像数据是在晴朗的中午前后获取的,保证光照充足的条件下进行。
(2)应用图像分析ENVI软件,基于紫菜高光谱特征光谱信息,提取所述陆上水池中养殖紫菜的高光谱图像数据的特征波段和近红外波段;所述特征波段包括蓝光波段、绿光波段和红边波段。具体操作如下:
1)获取反射参考板图像数据。
在获取高光谱图像数据的过程中,通过设置反射参考板,使拍摄时目标区域和反射参考板均置于高光谱成像仪的取景框内,获取用于对高光谱图像数据进行反射率校准的反射参考板图像数据。
2)采用所述反射参考板图像数据对所述陆上水池中养殖紫菜的高光谱图像数据进行校准,并对校准后的陆上水池中养殖紫菜的高光谱图像数据进行预处理,得到预处理的高光谱信息。
一个示例为:首先采用反射参考板图像数据对高光谱图像数据进行校准。然后将校准后的高光谱图像数据在ENVI5.3软件中执行养殖紫菜高光谱信息的提取。接着将提取的养殖紫菜高光谱信息在The Unscrambler X软件中执行预处理,该预处理方法包括:Savitzky-Golay平滑处理、标准正态变换处理、多元散射校正处理、一阶导数处理、二阶导数处理中的一种或多种组合。
平滑养殖紫菜高光谱信息,降低由于海水水体对养殖紫菜高光谱信息造成的噪声干扰。
3)根据预处理的高光谱信息,获得紫菜高光谱特征光谱信息。
紫菜特征吸收峰分别为440nm、500nm、570nm、620nm和660nm,其特征反射峰分别为475nm、522nm、557nm、595nm、651nm和720nm。
4)基于紫菜高光谱特征光谱信息,将校准后的陆上水池中养殖紫菜的高光谱图像数据在ENVI5.3软件中参照无人机搭载的高分辨率多光谱成像仪的波段参数执行图像的重采样操作,得到紫菜的特征波段和近红外波段,其中,紫菜的特征波段包括蓝光波段ρB,绿光波段ρG和红边波段ρRE。
所述无人机搭载的高分辨率多光谱成像仪为RedEdge-M传感器;高分辨率多光谱成像仪的波段参数包括中心波长为475nm且波宽为20nm的蓝光波段ρB(覆盖紫菜475nm特征反射峰)、中心波长为560nm且波宽为20nm的绿光波段ρG(覆盖紫菜557nm特征反射峰)、中心波长为668nm且波宽为10nm的红光波段ρR、中心波长为717nm且波宽为10nm红边波段ρRE(覆盖紫菜720nm特征反射峰)、和中心波长为840nm且波宽为40nm近红外波段ρNIR。
(3)将所述特征波段与所述近红外波段进行归一化运算,并根据养殖紫菜实测生物量和归一化运算结果构建用于测定海水水体中养殖紫菜生物量的估测模型,具体为:
利用波段运算小程序对所述特征波段与所述近红外波段执行归一化运算;所述归一化运算的表达式为:
a=(ρNIR-ρB)/(ρNIR+ρB);
b=(ρNIR-ρG)/(ρNIR+ρG);
c=(ρNIR-ρRE)/(ρNIR+ρRE)。
所述养殖紫菜生物量估测模型的表达式为:
Biomass(g/m2)=119.349*a+0.445*b+187.568*c+21.007;
其中,Biomass表示养殖紫菜预测生物量,单位为g/m2。
在构建估测模型的过程中,所述估测模型的拟合度的R2为0.714,RMSE为19.536,Ac为76.03%。
在本发明实施例中,步骤1具体包括:
利用光谱近地遥感技术或陆基光谱技术,获取目标海域中养殖紫菜的光谱图像数据。
一个示例:在待测定的目标海域,于晴朗或者少云的中午前后,养殖紫菜处于海水中状态时,利用无人机搭载的高分辨率多光谱成像仪和运动成像仪于目标海域上方高度40m处进行往返拍摄,航线间距为2m,获取多光谱图像数据。所述无人机搭载的高分辨率多光谱成像仪为RedEdge-M传感器。
在本发明实施例中,步骤2具体包括:
1)获取多光谱成像仪反射校准数据,具体为:
将光谱反射校准板至于地面,利用无人机搭载的高分辨率多光谱成像仪起飞离地2-5m悬停,对光谱反射校准板拍摄2-3组5通道多光谱数据,以获取多光谱成像仪反射校准数据。
2)多光谱图像数据进行预处理,具体为:
将获取的高分辨率多光谱图像数据利用Pix4D软件的自动空中三角测量功能进行自动空中三角测量,加载需要拼接和正射纠正的数据,并逐波段加载多光谱成像仪反射校准数据,输入反射率,自动校准获取的多光谱图像数据。
3)将校准后的多光谱图像数据输入至养殖紫菜生物量估测模型,得到所述目标海域中养殖紫菜的生物量,具体为:
利用ENVI5.3软件对校准后的多光谱图像数据进行处理,提取相应的特征波段和近红外波段,并输入至估测模型中,即可计算获得目标海域中养殖紫菜预测生物量。
在本发明实施例中,还包括:根据所构建的养殖紫菜生物量估测模型输出的反演光谱图像数据,获得所述目标海域中养殖紫菜预测生物量的数字化分布图。
示例1:
基于高光谱数据对紫菜养殖网帘生物量的可视化反演:
1)获取水体中养殖紫菜的高光谱图像:
本示例设计了如图2所示的水池实验,具体开展地点为日照岚山区阜新渔港,其渔港附近近岸海域为日照地区条斑紫菜养殖的主产区。首先设置陆上水池装置,并将图3所示的不同生物量养殖网帘置于陆上水池装置上,于晴朗的中午前后获取水体中养殖紫菜的高光谱图像及反射参考板图像。
2)高光谱图像数据的预处理:
将获取的高分辨率高光谱图像应用于ENVI软件中以提取高光谱信息,并在TheUnscrambler X软件中执行高光谱信息预处理,平滑光谱信息,降低由于海水水体对养殖紫菜高光谱信息造成的噪声干扰。
3)根据预处理的高光谱信息,得到图4所示的紫菜高光谱特征谱线图。将高光谱图像在ENVI软件中执行图像的重采样操作,选取蓝光波段ρB,绿光波段ρG,和红边波段ρRE作为特征波段,并与近红外波段ρNIR进行归一化运算。
4)生物量估测模型反演,获得紫菜生物量的可视化图像:
根据构建的回归模型
Biomass(g/m2) =119.349*a+0.445*b+187.568*c+21.007
反演得到的紫菜生物量可视化图像如图5、图6和图7所示,对应可视化图的数字化数据,可提取任意目标范围或点的生物量数据,实现无损快速获得优于传统测定方法的紫菜生物量数字化可视分布图。
示例2:
基于多光谱近地遥感数据反演海区养殖紫菜的生物量:
1)目标养殖区域高分辨率多光谱近地遥感图像的获取:
目标区域为图8所示山东省日照市岚山区阜新渔港码头外近海紫菜养殖区,于晴朗的中午前后,利用无人机搭载的高分辨率多光谱成像仪RedEdge-M传感器和运动成像仪,待养殖区域紫菜网帘完全处于水中时于目标区上方高度40m处进行往返拍摄,航线间距为2m,获取多光谱图像;
2)多光谱成像仪数据预处理:将获取的高分辨率多光谱图像利用Pix4D软件的自动空中三角测量功能进行自动空中三角测量,加载需要拼接和正射纠正的数据及校准版数据,输入反射率,自动处理获取的多光谱图像。
将多光谱成像仪预处理后的图像信息利用ENVI5.3软件中波段运算小程序进行归一化运算,根据估测模型:
Biomass(g/m2)=119.349*a+0.445*b+187.568*c+21.007计算目标区域水体中养殖紫菜生物量。
3)实测养殖海区紫菜生物量的获取:
与无人机光谱成像测飞同步,于目标区域内随机选取养殖网帘上样方,每样方0.15m*0.15m,每样方生物量由样方内的所有紫菜取下后经80℃烘至恒重,利用精密度为0.01g的天平称重获得。
4)实测值与光谱模型估测生物量的比较:
如图9所示,根据光谱模型得到的估测值与实测值的均方根RMSE为16.231,精密度Ac为75.43%,说明本发明方法建立的模型具有实用性,可用于目标区域水体中养殖紫菜生物量的准确测定。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于光谱图像的养殖紫菜生物量估测方法,其特征在于,包括:
获取目标海域中养殖紫菜的光谱图像数据;
将所述目标海域中养殖紫菜的光谱图像数据输入至养殖紫菜生物量估测模型,得到所述目标海域中养殖紫菜预测生物量以及所述目标海域中养殖紫菜预测生物量的数字化分布图;
所述养殖紫菜生物量估测模型的确定方法为:
利用陆上水池模拟开放海域养殖区,应用陆基高光谱成像仪采集陆上水池中养殖紫菜的高光谱图像数据,并采集养殖紫菜实测生物量;
基于紫菜高光谱特征光谱信息,提取所述陆上水池中养殖紫菜的高光谱图像数据的特征波段和近红外波段;所述特征波段包括蓝光波段、绿光波段和红边波段;
将所述特征波段与所述近红外波段进行归一化运算,并根据养殖紫菜实测生物量和归一化运算结果构建用于测定海水水体中养殖紫菜生物量的估测模型。
2.根据权利要求1所述一种基于光谱图像的养殖紫菜生物量估测方法,其特征在于,所述利用陆上水池模拟开放海域养殖区,应用陆基高光谱成像仪采集陆上水池中养殖紫菜的高光谱图像数据,具体包括:
在开放海域养殖区的近岸处搭建陆上水池;
将所述开放海域养殖区的海水注入所述陆上水池中;
将养殖紫菜网帘置于所述陆上水池中;
将陆基高光谱成像仪设在所述养殖紫菜网帘的正上方,以采集所述陆上水池中养殖紫菜的高光谱图像数据。
3.根据权利要求1所述一种基于光谱图像的养殖紫菜生物量估测方法,其特征在于,所述基于紫菜高光谱特征光谱信息,提取所述陆上水池中养殖紫菜的高光谱图像数据的特征波段和近红外波段,具体包括:
获取反射参考板图像数据;
采用所述反射参考板图像数据对所述陆上水池中养殖紫菜的高光谱图像数据进行校准,并对校准后的陆上水池中养殖紫菜的高光谱图像数据进行预处理,得到预处理的高光谱信息;
根据预处理的高光谱信息,获得紫菜高光谱特征光谱信息;
基于紫菜高光谱特征光谱信息,将校准后的陆上水池中养殖紫菜的高光谱图像数据参照无人机搭载的高分辨率多光谱成像仪的波段参数执行图像的重采样操作,得到紫菜的特征波段和近红外波段。
4.根据权利要求3所述一种基于光谱图像的养殖紫菜生物量估测方法,其特征在于,所述预处理的方法包括Savitzky-Golay平滑处理、标准正态变换处理、多元散射校正处理、一阶导数处理、二阶导数处理中的一种或多种组合。
5.根据权利要求1所述一种基于光谱图像的养殖紫菜生物量估测方法,其特征在于,将所述特征波段与所述近红外波段进行归一化运算,具体包括:
利用波段运算小程序对所述特征波段与所述近红外波段执行归一化运算;
所述归一化运算的表达式为:
a=(ρNIR-ρB)/(ρNIR+ρB);
b=(ρNIR-ρG)/(ρNIR+ρG);
c=(ρNIR-ρRE)/(ρNIR+ρRE);
其中,ρB表示蓝光波段,ρG表示绿光波段,ρRE表示红边波段,ρNIR表示近红外波段。
6.根据权利要求5所述一种基于光谱图像的养殖紫菜生物量估测方法,其特征在于,所述养殖紫菜生物量估测模型的表达式为:
Biomass(g/m2)=119.349*a+0.445*b+187.568*c+21.007;
其中,Biomass表示养殖紫菜预测生物量,单位为g/m2。
7.根据权利要求1所述的一种基于光谱图像的养殖紫菜生物量估测方法,其特征在于,所述获取目标海域中养殖紫菜的光谱图像数据,具体包括:
利用光谱近地遥感技术或陆基光谱技术,获取目标海域中养殖紫菜的光谱图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310000346.0A CN115684037B (zh) | 2023-01-03 | 2023-01-03 | 一种基于光谱图像的养殖紫菜生物量估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310000346.0A CN115684037B (zh) | 2023-01-03 | 2023-01-03 | 一种基于光谱图像的养殖紫菜生物量估测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115684037A true CN115684037A (zh) | 2023-02-03 |
CN115684037B CN115684037B (zh) | 2023-03-21 |
Family
ID=85057180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310000346.0A Active CN115684037B (zh) | 2023-01-03 | 2023-01-03 | 一种基于光谱图像的养殖紫菜生物量估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115684037B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040232339A1 (en) * | 2003-05-23 | 2004-11-25 | Institute For Technology Development | Hyperspectral imaging workstation having visible/near-infrared and ultraviolet image sensors |
CN1893816A (zh) * | 2003-11-20 | 2007-01-10 | Noritech海藻生物有限公司 | 在陆基海水池中养殖紫菜和其他海藻的技术 |
CN206565020U (zh) * | 2017-03-14 | 2017-10-20 | 中国水产科学研究院黄海水产研究所 | 大型海藻原位实验模拟系统 |
CN107527364A (zh) * | 2017-07-25 | 2017-12-29 | 浙江大学 | 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 |
CN110398465A (zh) * | 2019-07-06 | 2019-11-01 | 中国海洋大学 | 一种基于光谱遥感影像的养殖紫菜生物量测定方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN111275065A (zh) * | 2018-12-05 | 2020-06-12 | 中国科学院烟台海岸带研究所 | 一种基于海洋环境多属性的水产养殖空间分区方法 |
-
2023
- 2023-01-03 CN CN202310000346.0A patent/CN115684037B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040232339A1 (en) * | 2003-05-23 | 2004-11-25 | Institute For Technology Development | Hyperspectral imaging workstation having visible/near-infrared and ultraviolet image sensors |
CN1893816A (zh) * | 2003-11-20 | 2007-01-10 | Noritech海藻生物有限公司 | 在陆基海水池中养殖紫菜和其他海藻的技术 |
CN206565020U (zh) * | 2017-03-14 | 2017-10-20 | 中国水产科学研究院黄海水产研究所 | 大型海藻原位实验模拟系统 |
CN107527364A (zh) * | 2017-07-25 | 2017-12-29 | 浙江大学 | 一种基于遥感图像和网帘信息的紫菜种植面积监测方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN111275065A (zh) * | 2018-12-05 | 2020-06-12 | 中国科学院烟台海岸带研究所 | 一种基于海洋环境多属性的水产养殖空间分区方法 |
CN110398465A (zh) * | 2019-07-06 | 2019-11-01 | 中国海洋大学 | 一种基于光谱遥感影像的养殖紫菜生物量测定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115684037B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Caruso et al. | Estimating biophysical and geometrical parameters of grapevine canopies (‘Sangiovese’) by an unmanned aerial vehicle (UAV) and VIS-NIR cameras | |
Hall et al. | Optical remote sensing applications in viticulture‐a review | |
Turner et al. | Relationships between leaf area index and Landsat TM spectral vegetation indices across three temperate zone sites | |
CN110222475A (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
CN111289441B (zh) | 多光谱下的大田作物含水量确定方法、系统及设备 | |
CN108732129A (zh) | 一种用图像表示农田土壤成分的系统及其方法 | |
CN111028096A (zh) | 一种天、空、地一体化数据融合的系统和方法 | |
CN101936882A (zh) | 一种作物氮素和水分无损检测方法及装置 | |
CN110378926B (zh) | 一种基于机载LiDAR和Sentinel-2A数据的地上植被生态水估算方法 | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
CN102194127A (zh) | 一种多频率sar数据农作物遥感分类方法 | |
CN115526098B (zh) | 一种矿区地表植被叶面积指数遥感计算方法及电子设备 | |
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 | |
CN110658211A (zh) | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 | |
Lang et al. | Detection of chlorophyll content in Maize Canopy from UAV Imagery | |
CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及系统 | |
CN108106676A (zh) | 一种基于遥感数据的农作物晚霜冻害的监测方法和装置 | |
Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
CN110398465A (zh) | 一种基于光谱遥感影像的养殖紫菜生物量测定方法 | |
Song et al. | An effective leaf area index estimation method for wheat from UAV-based point cloud data | |
Praeger et al. | Estimating the biomass density of macroalgae in land-based cultivation systems using spectral reflectance imagery | |
CN115684037B (zh) | 一种基于光谱图像的养殖紫菜生物量估测方法 | |
CN117011694A (zh) | 一种基于级联循环网络的林木生长参数预测方法 | |
CN115994939A (zh) | 一种基于地面激光点云的树木叶面积估算方法 |
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 |