CN115775354B - 一种基于融合遥感指数的灌浆期水稻绝收提取方法 - Google Patents
一种基于融合遥感指数的灌浆期水稻绝收提取方法 Download PDFInfo
- Publication number
- CN115775354B CN115775354B CN202310097645.0A CN202310097645A CN115775354B CN 115775354 B CN115775354 B CN 115775354B CN 202310097645 A CN202310097645 A CN 202310097645A CN 115775354 B CN115775354 B CN 115775354B
- Authority
- CN
- China
- Prior art keywords
- rice
- harvest
- remote sensing
- grouting period
- condition
- 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
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 93
- 235000009566 rice Nutrition 0.000 title claims abstract description 93
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 title description 5
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 92
- 238000003306 harvesting Methods 0.000 claims abstract description 22
- 238000003066 decision tree Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000002310 reflectometry Methods 0.000 claims description 16
- 238000011160 research Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- FWXAUDSWDBGCMN-DNQXCXABSA-N [(2r,3r)-3-diphenylphosphanylbutan-2-yl]-diphenylphosphane Chemical compound C=1C=CC=CC=1P([C@H](C)[C@@H](C)P(C=1C=CC=CC=1)C=1C=CC=CC=1)C1=CC=CC=C1 FWXAUDSWDBGCMN-DNQXCXABSA-N 0.000 claims description 2
- 229930002875 chlorophyll Natural products 0.000 claims description 2
- 235000019804 chlorophyll Nutrition 0.000 claims description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 2
- 201000010099 disease Diseases 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 2
- 230000000873 masking effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000012271 agricultural production Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于融合遥感指数的灌浆期水稻绝收提取方法,采用植被水分指数区分绝收水稻与非绝收水稻,通过构建表征灌浆期水稻生长状态的多种遥感指数,提出融合多种植被指数的灌浆期水稻绝收提取决策树模型,能够直接基于水稻灌浆期的Sentinel‑2多光谱遥感影像提取绝收水稻面积,实现了大范围水稻绝收信息高效监测,为农业生产管理、水稻绝收理赔提供准确的基础信息。
Description
技术领域
本发明涉及农业灾害遥感监测技术领域,尤其涉及灌浆期水稻绝收面积提取方法。
背景技术
水稻生长过程中需要足够的水热条件,受干旱气候影响,在水稻灌浆期易发生绝收现象,尤其在华中等水稻大规模种植区域。水稻绝收主要表现为水稻灌浆期受高温少雨天气影响,水稻亩产降低,甚至颗粒无收情况。水稻绝收面积监测对于农业生产管理、农业灾害保险、国家粮食安全等具有重要意义。
传统水稻绝收面积监测多采用人工实地调查等方式,近年来随着遥感技术的发展,使得基于卫星遥感数据的作物监测成为可能。遥感通过远距离探测地表光谱信息,能够有效识别作物生长状况及生长环境。水稻灌浆期天气高温少雨会导致土壤含水量低,进而导致水稻生长相较于同期其他水稻的冠层和光谱特征发生较大的变化,这也为大面积灌浆期水稻绝收遥感监测提供了可能。
当前对于水稻种植信息提取的研究较多,但是对于干旱条件下水稻绝收情况的研究相对较少,现有研究中作物长势多采用叶面积指数进行分析,但是难以利用单一指数完成水稻绝收信息提取。
发明内容
针对现有技术对于水稻绝收遥感监测的技术空缺,本发明提供一种融合多种遥感指数的灌浆期水稻绝收提取方法。
一种基于融合遥感指数的灌浆期水稻绝收提取方法,构建灌浆期水稻绝收提取模型,通过该模型实现遥感影像的灌浆期水稻绝收提取,模型构建包括以下步骤:
步骤1,获取研究区域内发生灌浆期水稻绝收的Sentinel-2多光谱遥感影像并进行预处理,预处理包括辐射定标、大气校正、正射校正、几何配准、镶嵌、裁剪;
步骤2,计算Sentinel-2多光谱遥感影像的
NDVI、LSWI、GVMI、CIr植被指数;
其中,,是归一化植被指数,用于区分植被与非植被,其中为近红外波段的地表反射率,为红外波段的地表反射率;
,是植被水分含量指数,用于识别植被干旱区域,以区分绝收水稻与非绝收水稻,其中为近红外波段的地表反射率,为短波红外波段的地表反射率;
,是全球植被水分指数,用于进一步识别受干旱影像的绝收水稻,其中为近红外波段的地表反射率,为短波红外波段的地表反射率;
,是叶绿素红边指数,用于进一步区分水稻和非水稻区域,为红边波段1的地表反射率,为红边波段3的地表反射率;
步骤3,构建决策树模型,提取灌浆期水稻绝收空间分布信息,决策树模型经过如下判断:
S1,设置条件
T1<
NDVI<
T0,若条件不满足,则像元标记为其他地物,跳出决策树模型,若条件满足,则进入S2判断;
S2,设置条件
LSWI<
T2,若条件不满足,则进入S3判断,若条件满足,则判定为非绝收水稻,跳出决策树模型;
S3,设置条件
GVMI<
T3,若条件不满足,则进入S4判断;若条件满足,则判定为非绝收水稻,跳出决策树模型;
S4,设置条件
T5<
CIr<
T4,若条件满足,则像元标记为绝收水稻;若条件不满足,则判定为非绝收水稻;
其中,
T0、T1、T2、T3、T4、T5均为经验阈值;
步骤4,对灌浆期水稻绝收空间分布信息进行后处理,后处理包括滤波、腐蚀膨胀、耕地矢量掩膜。
进一步的,
T0、T1、T2、T3、T4、T5根据绝收水稻样本数据正态分布统计得到,取值域的95%。
进一步的,对构建好的模型进行精度验证和参数调整,具体操作为:利用研究区域灌浆期水稻绝收野外考察样本与模型提取结果进行对比,计算混淆矩阵,计算分类精度,若总体分类精度达到设定阈值,则满足要求;若低于设定阈值,则调整模型参数阈值,直到满足要求为止。
本发明创造性地提出了采用植被水分指数区分绝收水稻与非绝收水稻,通过构建表征灌浆期水稻生长状态的多种遥感指数,提出融合多种植被指数的灌浆期水稻绝收提取决策树模型,能够直接基于水稻灌浆期的Sentinel-2多光谱遥感影像提取绝收水稻面积,实现了大范围水稻绝收信息高效监测,为农业生产管理、水稻绝收理赔提供准确的基础信息。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本发明提出的灌浆期水稻绝收提取模型构建示意图;
图2是安徽宣城市宣州区水稻灌浆期Sentinel-2多光谱遥感影像;
图3是图2的LSWI植被水分含量指数图像;
图4是决策树判断流程图;
图5是图2的灌浆期绝收水稻初步提取结果示意图;
图6为局部地区原始Sentinel-2多光谱遥感影像;
图7为图6对应的水稻绝收提取结果示意图。
具体实施方式
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。本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
一种基于融合遥感指数的灌浆期水稻绝收提取方法,构建灌浆期水稻绝收提取模型,通过该模型实现遥感影像的灌浆期水稻绝收提取,
本实施选取安徽省宣城市宣州区为研究区域,以Sentinel-2多光谱遥感影像为数据源,影像时间为2022年10月03日。
一、数据获取与预处理
下载Sentinel-2多光谱遥感影像,对影像数据进行辐射定标、大气校正(大气校正后将影像DN值转换为反射率数据)、正射校正、几何配准、镶嵌,再将影像所用波段均重采样为10m分辨率,最后根据研究区域范围对影像进行裁剪,裁剪区域如图2所示。由于这些预处理方式均为遥感数据处理基本流程,在此不展开赘述。
二、计算Sentinel-2多光谱遥感影像植被指数
;
;
;
;
其中,
、
、
、
、 分别为近红外波段、红外波段、短波红外波段、红边波段1、红边波段3的地表反射率
。图3为LSWI植被水分含量指数图像。
三、构建决策树模型(参照图4)
决策树模型经过如下判断:
S1,设置条件
0.14<
NDVI<
0.55(即T0取0.55、T1取1.14),若条件不满足,则像元标记为其他地物,跳出决策树模型,若条件满足,则进入S2判断;
S2,设置条件
LSWI<
0.12(即T2取0.12),若条件不满足,则进入S3判断,若条件满足,则判定为非绝收水稻,跳出决策树模型;
S3,设置条件
GVMI<
0.25(即T3取0.25),若条件不满足,则进入S4判断;若条件满足,则判定为非绝收水稻,跳出决策树模型;
S4,设置条件
0.24<
CIr<
1.11(即T4取1.11、T5取0.24),若条件满足,则像元标记为绝收水稻;若条件不满足,则判定为非绝收水稻。
经过上述决策树,得到灌浆期水稻绝收空间分布信息,即灌浆期绝收水稻初步提取结果,如图5所示。
然而,初步提取结果往往存在其他地物类型的影响,噪声较多,需要对初步提取结果进行后处理,包括小斑块剔除、孔洞融合、滤波、腐蚀膨胀等图像操作,并利用耕地矢量数据剔除非耕地的影响(即耕地矢量掩膜),得到最终的提取结果。
四、精度验证和参数调整
精度验证使用野外考察安徽省宣城市宣州区获得的102个灌浆期绝收水稻的位置信息,与提取结果进行对比,计算混淆矩阵及Kappa系数,获得提取精度。
通过调整提取模型中决策树的参数,并利用参数调整后的提取模型进行水稻绝收提取,经精度验证获得水稻绝收提取分类精度,选取最优精度模型参数;也可以设定精度阈值(例如85%),分类精度达到设定阈值,则满足要求;若低于设定阈值,则调整模型参数阈值,直到满足要求为止。
本实施例中,最优分类精度为89.01%,Kappa系数为0.81,分类精度较高,图6、图7分别为局部地区原始Sentinel-2多光谱遥感影像及其水稻绝收提取结果。
显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
Claims (3)
1.一种基于融合遥感指数的灌浆期水稻绝收提取方法,其特征在于,构建灌浆期水稻绝收提取模型,通过该模型实现遥感影像的灌浆期水稻绝收提取,模型构建包括以下步骤:
步骤1,获取研究区域内发生灌浆期水稻绝收的Sentinel-2多光谱遥感影像并进行预处理,预处理包括辐射定标、大气校正、正射校正、几何配准、镶嵌、裁剪;
步骤2,计算Sentinel-2多光谱遥感影像的NDVI、LSWI、GVMI、CIr植被指数;
其中,,是归一化植被指数,用于区分植被与非植被,其中为近红外波段的地表反射率,为红外波段的地表反射率;
,是植被水分含量指数,用于识别植被干旱区域,以区分绝收水稻与非绝收水稻,其中为近红外波段的地表反射率,为短波红外波段的地表反射率;
,是全球植被水分指数,用于进一步识别受干旱影像的绝收水稻,其中为近红外波段的地表反射率,为短波红外波段的地表反射率;
,是叶绿素红边指数,用于进一步区分水稻和非水稻区域,为红边波段1的地表反射率,为红边波段3的地表反射率;
步骤3,构建决策树模型,提取灌浆期水稻绝收空间分布信息,决策树模型经过如下判断:
S1,设置条件T1<NDVI<T0,若条件不满足,则像元标记为其他地物,跳出决策树模型,若条件满足,则进入S2判断;
S2,设置条件LSWI<T2,若条件不满足,则进入S3判断,若条件满足,则判定为非绝收水稻,跳出决策树模型;
S3,设置条件GVMI<T3,若条件不满足,则进入S4判断;若条件满足,则判定为非绝收水稻,跳出决策树模型;
S4,设置条件T5<CIr<T4,若条件满足,则像元标记为绝收水稻;若条件不满足,则判定为非绝收水稻;
其中,T0、T1、T2、T3、T4、T5均为经验阈值;
步骤4,对灌浆期水稻绝收空间分布信息进行后处理,后处理包括滤波、腐蚀膨胀、耕地矢量掩膜。
2.根据权利要求1所述基于融合遥感指数的灌浆期水稻绝收提取方法,其特征在于,T0、T1、T2、T3、T4、T5根据绝收水稻样本数据正态分布统计得到,取值域的95%。
3.根据权利要求1所述基于融合遥感指数的灌浆期水稻绝收提取方法,其特征在于,对构建好的模型进行精度验证和参数调整,具体操作为:利用研究区域灌浆期水稻绝收野外考察样本与模型提取结果进行对比,计算混淆矩阵,计算分类精度,若分类精度达到设定阈值,则满足要求;若低于设定阈值,则调整模型参数阈值,直到满足要求为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310097645.0A CN115775354B (zh) | 2023-02-10 | 2023-02-10 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310097645.0A CN115775354B (zh) | 2023-02-10 | 2023-02-10 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115775354A CN115775354A (zh) | 2023-03-10 |
CN115775354B true CN115775354B (zh) | 2023-04-25 |
Family
ID=85393487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310097645.0A Active CN115775354B (zh) | 2023-02-10 | 2023-02-10 | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775354B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5764819A (en) * | 1991-10-18 | 1998-06-09 | Dekalb Genetics Corporation | Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology |
CN101858971A (zh) * | 2010-06-02 | 2010-10-13 | 浙江大学 | 一种基于modis数据的水稻单产遥感估算方法 |
CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
CN106529451A (zh) * | 2016-10-28 | 2017-03-22 | 山东省农业可持续发展研究所 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN112766036A (zh) * | 2020-12-08 | 2021-05-07 | 中科禾信遥感科技(苏州)有限公司 | 一种倒伏玉米遥感提取方法与装置 |
CN112903600A (zh) * | 2021-01-15 | 2021-06-04 | 南京农业大学 | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 |
CN114241328A (zh) * | 2021-11-08 | 2022-03-25 | 北京市农林科学院信息技术研究中心 | 基于空天遥感数据融合的田间立地秸秆提取方法及装置 |
CN114441457A (zh) * | 2022-02-08 | 2022-05-06 | 南京农业大学 | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 |
CN115170958A (zh) * | 2022-06-30 | 2022-10-11 | 黑龙江八一农垦大学 | 采用多光谱图像傅里叶变换的大豆冠层萎蔫度计算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160063639A1 (en) * | 2014-08-26 | 2016-03-03 | David P. Groeneveld | System and Method to Assist Crop Loss Adjusting of Variable Impacts Across Agricultural Fields Using Remotely-Sensed Data |
US11328506B2 (en) * | 2019-12-26 | 2022-05-10 | Ping An Technology (Shenzhen) Co., Ltd. | Crop identification method and computing device |
-
2023
- 2023-02-10 CN CN202310097645.0A patent/CN115775354B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5764819A (en) * | 1991-10-18 | 1998-06-09 | Dekalb Genetics Corporation | Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology |
CN101858971A (zh) * | 2010-06-02 | 2010-10-13 | 浙江大学 | 一种基于modis数据的水稻单产遥感估算方法 |
CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN106529451A (zh) * | 2016-10-28 | 2017-03-22 | 山东省农业可持续发展研究所 | 一种冬小麦—夏玉米种植模式遥感识别方法 |
CN109635731A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 一种识别有效耕地的方法及装置、存储介质及处理器 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN112766036A (zh) * | 2020-12-08 | 2021-05-07 | 中科禾信遥感科技(苏州)有限公司 | 一种倒伏玉米遥感提取方法与装置 |
CN112903600A (zh) * | 2021-01-15 | 2021-06-04 | 南京农业大学 | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 |
CN114241328A (zh) * | 2021-11-08 | 2022-03-25 | 北京市农林科学院信息技术研究中心 | 基于空天遥感数据融合的田间立地秸秆提取方法及装置 |
CN114441457A (zh) * | 2022-02-08 | 2022-05-06 | 南京农业大学 | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 |
CN115170958A (zh) * | 2022-06-30 | 2022-10-11 | 黑龙江八一农垦大学 | 采用多光谱图像傅里叶变换的大豆冠层萎蔫度计算方法 |
Non-Patent Citations (3)
Title |
---|
Shangrong Lin 等.Evaluating the Effectiveness of Using Vegetation Indices Based on Red-Edge Reflectance from Sentinel-2 to Estimate Gross Primary Productivity.《remote sensing》.2019,全文. * |
刘元亮 等.基于LSWI和NDVI时间序列的水田信息提取研究.《地理与地理信息科学》.2015,全文. * |
竞霞 等.水稻产量遥感监测机器学习算法对比.《光谱学与光谱分析》.2022,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115775354A (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Improved maize cultivated area estimation over a large scale combining MODIS–EVI time series data and crop phenological information | |
Liu et al. | Large-scale crop mapping from multisource remote sensing images in google earth engine | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
Zhang et al. | Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale | |
Zhong et al. | Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley | |
CN112800973B (zh) | 一种基于植被物候特征决策的互花米草提取方法 | |
GB2598012A (en) | System and method for crop monitoring | |
CN109543552B (zh) | 基于生长期多特征提取的水稻生长区域制图方法及系统 | |
CN109934109B (zh) | 一种基于遥感的黄土高原水土流失区林草植被信息提取方法 | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
Wang et al. | An automated extraction of small-and middle-sized rice fields under complex terrain based on SAR time series: A case study of Chongqing | |
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 | |
CN112666170A (zh) | 天空地一体化病虫害遥感监测方法 | |
CN115512237A (zh) | 基于多时相卫星遥感数据的安徽冬小麦种植面积提取方法 | |
Pauly | Applying conventional vegetation vigor indices to UAS-derived orthomosaics: issues and considerations | |
CN113313671A (zh) | 一种结合卫星影像和modis数据的水稻估产方法 | |
CN115775354B (zh) | 一种基于融合遥感指数的灌浆期水稻绝收提取方法 | |
Zhao et al. | Monitoring spring leaf phenology of individual trees in a temperate forest fragment with multi-scale satellite time series | |
CN116518935A (zh) | 一种水稻种植分布及种植强度识别方法、装置及设备 | |
CN115861844A (zh) | 一种基于种植概率的水稻早期遥感识别方法 | |
Chakraborty et al. | Early almond yield forecasting by bloom mapping using aerial imagery and deep learning | |
Brunsell et al. | Remotely sensed phenology of coffee and its relationship to yield | |
Ahmad et al. | Spectral characteristics and mapping of rice fields using multi-temporal Landsat and MODIS data: a case of District Narowal |
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 |