CN116152673A - 一种利用多时相中高分卫星影像识别再生稻的方法及装置 - Google Patents

一种利用多时相中高分卫星影像识别再生稻的方法及装置 Download PDF

Info

Publication number
CN116152673A
CN116152673A CN202310435438.1A CN202310435438A CN116152673A CN 116152673 A CN116152673 A CN 116152673A CN 202310435438 A CN202310435438 A CN 202310435438A CN 116152673 A CN116152673 A CN 116152673A
Authority
CN
China
Prior art keywords
rice
period
vegetation index
index image
normalized vegetation
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
Application number
CN202310435438.1A
Other languages
English (en)
Other versions
CN116152673B (zh
Inventor
刘占宇
席瑞
季卫东
王玉猛
吕晓男
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.)
Hangzhou Daodao Agricultural Technology Co ltd
Original Assignee
Hangzhou Daodao Agricultural Technology 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 Hangzhou Daodao Agricultural Technology Co ltd filed Critical Hangzhou Daodao Agricultural Technology Co ltd
Priority to CN202310435438.1A priority Critical patent/CN116152673B/zh
Publication of CN116152673A publication Critical patent/CN116152673A/zh
Application granted granted Critical
Publication of CN116152673B publication Critical patent/CN116152673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种利用多时相中高分卫星影像识别再生稻的方法及装置，涉及农业监测技术领域。方法包括：获取待识别前茬水稻种植区域在前茬水稻收割后预定时间的三期卫星稻田影像；分别计算三期卫星稻田影像的归一化植被指数，确定第一期归一化植被指数影像、第二期归一化植被指数影像以及第三期归一化植被指数影像；根据第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域；根据未翻耕稻田区域的第二期归一化植被指数影像相对第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域；根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势，确定待识别前茬水稻种植区域内的再生稻区域。

Description

一种利用多时相中高分卫星影像识别再生稻的方法及装置
技术领域
本发明涉及农业监测技术领域，并且更具体地，涉及一种利用多时相中高分卫星影像识别再生稻的方法及装置。
背景技术
稻米是包括我国在内的全球超过60%人口的主食，水稻生产关系到国家粮食安全和全球零饥饿计划顺利实施。再生稻是水稻生产上一种独特的种植方式，普遍存在于全球各个水稻主产区。
再生稻是指前茬水稻收割时，保留较高的茎秆和较多的鲜活叶片，未经人工再次播种或插秧等农事活动，前茬遗留植株自然发芽、二次生长发育，再度经历营养生长和生殖生长过程从而收获稻谷的生产行为。再生稻具有生长周期短、生产投入低和便于田间管理的优势，因而受到越来越多的稻农青睐。因而，再生稻的高产稳产已经逐渐演变为粮食生产不可或缺的总要组成部分。
再生稻的精准识别是对其进行动态监测的基础，传统的再生稻识别方法主要是依靠人力现场实地调查，或者通过无人机航空拍摄图片目视识别。无论是依赖人力实地调查还是无人机航片目视解译，都具有耗时费力的缺陷，只能在较小的区域范围内实施，无法在大面积范围内进行。高分卫星遥感监测具有实效性强、覆盖范围广、不依赖于个人经验等优点，然而，国内外尚没有关于利用卫星遥感识别再生稻的理论研究报道和技术应用案例。
前茬水稻在收割后的相当长一段时间内，闲置的空茬田和再生稻具有近似的外形特征，在无人机航拍图片和卫星影像上表现为异物同谱，因而难以通过常规的遥感分类方法对其进行精准识别。
发明内容
针对现有技术的不足，本发明提供一种利用多时相中高分卫星影像识别再生稻的方法及装置。
根据本发明的一个方面，提供了一种利用多时相中高分卫星影像识别再生稻的方法，包括：
获取待识别前茬水稻种植区域在前茬水稻收割后预定时间的三期卫星稻田影像，其中三期卫星稻田影像分别为：前茬水稻收割2-3周内的第一期卫星稻田影像，前茬水稻收割后4-5周内的第二期卫星稻田影像，前茬水稻收割8-9周内的第三期卫星稻田影像；
分别计算三期卫星稻田影像的归一化植被指数，确定第一期归一化植被指数影像、第二期归一化植被指数影像以及第三期归一化植被指数影像；
根据第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域；
根据未翻耕稻田区域的第二期归一化植被指数影像相对第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域；
根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势，确定待识别前茬水稻种植区域内的再生稻区域。
可选地，还包括：
对三期卫星稻田影像进行辐射校正、定标、大气校正、几何校正预处理操作。
可选地，归一化植被指数为NDVI指数，并且根据第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域，包括：
在第一期归一化植被指数影像的像元NDVI小于第一阈值的情况下，判定该像元为翻耕稻田像元，根据所有翻耕稻田像元确定翻耕稻田区域；
在第一期归一化植被指数影像的像元NDVI大于等于第一阈值的情况下，判定该像元为未翻耕稻田像元，根据所有未翻耕稻田像元，确定未翻耕稻田区域。
可选地，根据未翻耕稻田区域的第二期归一化植被指数影像相对第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域，包括：
在未翻耕稻田区域内第二期归一化植被指数影像和第一期归一化植被指数影像的相对应像元的NDVI差值小于预设的第二阈值的情况下，判定该像元为待翻耕像元，根据所有的待翻耕像元确定待翻耕稻田区域；
在未翻耕稻田区域内第二期归一化植被指数影像和第一期归一化植被指数影像的相对应像元的NDVI差值大于等于第二阈值情况下，判定该像元为空茬和再生稻像元，根据所有的空茬和再生稻像元确定空茬和再生稻区域。
可选地，根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势，确定待识别前茬水稻种植区域内的再生稻区域，包括：
根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势以及预先设定的变化阈值，确定再生稻区域。
可选地，根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势以及预先设定的变化阈值，确定再生稻区域，包括：
在空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的像元NDVI指数增幅小于变化阈值的情况下，确定该像元为空茬像元，根据所有的空茬像元确定空茬区域；
在空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的像元NDVI指数增幅大于等于变化阈值的情况下，确定该像元为再生稻像元，根据所有的再生稻像元确定再生稻区域。
根据本发明的另一个方面，提供了一种利用多时相中高分卫星稻田影像识别再生稻的装置，包括：
获取模块，用于获取待识别前茬水稻种植区域在前茬水稻收割后预定时间的三期卫星稻田影像，其中三期卫星稻田影像分别为：前茬水稻收割2-3周内的第一期卫星稻田影像，前茬水稻收割后4-5周内的第二期卫星稻田影像，前茬水稻收割8-9周内的第三期卫星稻田影像；
计算模块，用于分别计算三期卫星稻田影像的归一化植被指数，确定第一期归一化植被指数影像、第二期归一化植被指数影像以及第三期归一化植被指数影像；
第一确定模块，用于根据第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域；
第二确定模块，用于根据未翻耕稻田区域的第二期归一化植被指数影像相对第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域；
第三确定模块，用于根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势，确定待识别前茬水稻种植区域内的再生稻区域。
根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。
从而，本发明提供了一种利用多时相中高分卫星影像识别再生稻的方法，通过分析三期中高分辨率卫星影像，结合植被指数和地物分类技术，实现了对再生稻的高精度识别。本方法具有重要的实际应用价值，可以广泛应用于粮食生产监测、精细农业管理、农业保险和风险评估、农业资源调查与规划、环境与生态保护等领域。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的利用多时相中高分卫星影像识别再生稻的方法的流程示意图；
图2是本发明一示例性实施例提供的利用多时相中高分卫星影像识别再生稻的方法的另一流程示意图；
图3是本发明一示例性实施例提供的利用多时相中高分卫星稻田影像识别再生稻的装置的结构示意图；
图4是本发明一示例性实施例提供的电子设备的结构。
实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本发明一示例性实施例提供的利用多时相中高分卫星影像识别再生稻的方法的流程示意图。本实施例可应用在电子设备上，如图1所示，利用多时相中高分卫星影像识别再生稻的方法100包括以下步骤：
步骤101，获取待识别前茬水稻种植区域在前茬水稻收割后预定时间的三期卫星稻田影像，其中三期卫星稻田影像分别为：前茬水稻收割2-3周内的第一期卫星稻田影像，前茬水稻收割后4-5周内的第二期卫星稻田影像，前茬水稻收割8-9周内的第三期卫星稻田影像。
具体地，收集典型稻田区域在前茬水稻收割后2-3周内、收割后4-5周内和收割后8-9周内的中高分辨率卫星稻田影像数据，如Landsat8-9、Sentinel-2卫星稻田影像等；同时可以通过实地考察和地方农业农村局、统计局收集前茬水稻空间分布数据以及相关地理信息数据。
可选地，还包括：
对三期卫星稻田影像进行辐射校正、定标、大气校正、几何校正预处理操作。
具体地，参考图2所示，对收集到的卫星稻田影像数据进行预处理，包括辐射校正、定标、大气校正、几何校正等。对实地考察的农业数据、地理信息数据进行内业整理、将其数字化、矢量化、标准化。
步骤102，分别计算三期卫星稻田影像的归一化植被指数，确定第一期归一化植被指数影像、第二期归一化植被指数影像以及第三期归一化植被指数影像。
具体地，计算归一化植被指数（NDVI）
计算每期卫星稻田影像的归一化植被指数（NDVI），公式为：
NDVI = (NIR - R) / (NIR + R)
其中，NIR表示近红外波段的反射率，R表示红光波段的反射率。
步骤103，根据第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域。
可选地，归一化植被指数为NDVI指数，并且根据第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域，包括：
在第一期归一化植被指数影像的像元NDVI小于第一阈值的情况下，判定该像元为翻耕稻田像元，根据所有翻耕稻田像元确定翻耕稻田区域；
在第一期归一化植被指数影像的像元NDVI大于等于第一阈值的情况下，判定该像元为未翻耕稻田像元，根据所有未翻耕稻田像元，确定未翻耕稻田区域。
具体地，参考图2所示，由于前茬水稻收割后，如果要种植连作稻，一两周内必然会翻耕，这时需利用第一期卫星稻田影像，结合前茬水稻空间分布信息，通过设置NDVI阈值，将稻田区分为翻耕和未翻耕两类。设置第一阈值为0.25（此处不做具体限定可以是其他可以将翻耕和未翻耕稻田进行区分的其他相近的第一阈值，例如0.24、0.26），若NDVI <0.25，则认为是翻耕稻田；若NDVI >= 0.25，则认为是未翻耕稻田。
此外，可以对翻耕稻田进行分析，设置NDVI阈值（可以但不限于5%~10%）和近红外波段反射率阈值（可以但不限于是0.1~0.3），将翻耕稻田分类为翻耕未种（裸地或灌水）和翻耕已种（苗期）两类。
步骤104，根据未翻耕稻田区域的第二期归一化植被指数影像相对第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域。
可选地，根据未翻耕稻田区域的第二期归一化植被指数影像相对第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域，包括：
在未翻耕稻田区域内第二期归一化植被指数影像和第一期归一化植被指数影像的相对应像元的NDVI差值小于预设的第二阈值的情况下，判定该像元为待翻耕像元，根据所有的待翻耕像元确定待翻耕稻田区域；
在未翻耕稻田区域内第二期归一化植被指数影像和第一期归一化植被指数影像的相对应像元的NDVI差值大于等于第二阈值情况下，判定该像元为空茬和再生稻像元，根据所有的空茬和再生稻像元确定空茬和再生稻区域。
具体地，前茬水稻收割后如果不是紧接着连作种植水稻，那么可能会种植蔬菜，此时就不会在一两周内进行翻耕，但是会在前茬水稻收割4-5周内翻耕。所以根据第二期卫星稻田影像的NDVI变化，对这一期影像内未翻耕稻田可以进行初步分类，将未翻耕稻田分类为待翻耕、空茬和再生稻三种情况。可以设置第二阈值为0.2（此处不做具体限定可以设置成其他将待翻耕、空茬和再生稻进行区分的其他相近的第二阈值，例如0.21、0.22），并利用第二期影像与第一期影像的NDVI差值可以分析得出NDVI差值小于第二阈值的，表明稻田没有明显的植被生长，可能是因为尚未进行翻耕作业。而NDVI差值大于等于第二阈值的情况下，则认为是空茬和再生稻区域。
此外，NDVI差值在0.2-0.5之间的情况下，则表明稻田植被生长较慢，可能是因为在前茬水稻收割后未进行第二次种植的空茬稻田。但是对于NDVI差值较大，超过0.5，则有可能表明是稻田内植被生长较快，部分因为在前茬水稻收割后的稻茬自然发芽生长，逐渐形成再生稻生长的趋势。但是区分空茬和再生稻不明显，因此通过第三期卫星稻田影像进行进一步区分。
步骤105，根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势，确定待识别前茬水稻种植区域内的再生稻区域。
可选地，根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势，确定待识别前茬水稻种植区域内的再生稻区域，包括：
根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势以及预先设定的变化阈值，确定再生稻区域。
可选地，根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势以及预先设定的变化阈值，确定再生稻区域，包括：
在空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的像元NDVI指数增幅小于变化阈值的情况下，确定该像元为空茬像元，根据所有的空茬像元确定空茬区域；
在空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的像元NDVI指数增幅大于等于变化阈值的情况下，确定该像元为再生稻像元，根据所有的再生稻像元确定再生稻区域。
具体地，参考图2所示，鉴于前两期影像中的结果，若前茬水稻收割后，既不种植连作稻，也不着急种植蔬菜，那么收割8-9周内的稻田现状就是稳定的，此时的影像中可以确定没有翻耕的就是空茬，翻耕种植且符合作物生长发育特征的，就是再生稻。那么利用第三期卫星稻田影像，分析空茬和再生稻的NDVI变化，可以设定NDVI的变化阈值范围为10%-20%（其中，变化阈值可以是10%到20%中的任意一个可以明显区分再生稻和空茬的数值，用户可根据实际情况进行设定）。若第三期相对于第二期的NDVI增幅小于10%-20%，则认为是空茬；若第三期相对于第二期的NDVI增幅大于10%-20%，则认为是再生稻。
整合前三期卫星稻田影像识别结果，得到研究区域内再生稻的分布情况。通过对比实地调查数据，评估本方法的识别准确性。同时，结合地理信息系统（GIS）技术，对识别结果进行可视化展示。
本发明可以实现对再生稻的高精度识别。实际应用中，将本发明方法识别结果与实地调查结果进行对比，发现再生稻识别准确率达到95%以上，说明本发明方法具有较高的可靠性和实用性。
本专利提供了一种利用多时相中高分卫星影像识别再生稻的方法，具有很高的实用性，主要表现在以下几个方面：
1.提高再生稻识别准确率：相较于传统的人工调查和其他遥感技术，本发明方法通过多时相卫星影像数据分析，可以更准确地识别再生稻，有效减少误差和遗漏现象，提高再生稻识别的准确率。
2. 节约成本和人力：本发明方法利用卫星影像数据进行再生稻识别，降低了数据获取成本。同时，相较于传统的人工调查方式，本方法可以大幅减少人力投入，降低整体成本。
3. 及时性强：通过获取多时相卫星影像，本方法能够实时监测再生稻的生长状况和分布情况，为农业生产决策提供及时有效的数据支持，有利于提高农业管理水平。
4. 适应性广：本发明方法不受地域、气候和土地类型的限制，具有较强的适应性，能够广泛应用于不同地区的再生稻识别工作，为各级农业部门提供有力支持。
5. 易于操作：本发明方法的操作过程简单，不需要专业的遥感知识和复杂数学模型，便于推广和应用，有利于提高再生稻识别工作的普及率。
6. 可扩展性强：本发明方法可以与其他遥感技术和数据源相结合，进一步提高再生稻识别的精度和效率，具有较强的可扩展性，为农业遥感领域带来更多可能性。
7. 增强农业政策执行力：准确识别再生稻种植区域有助于政府部门制定更加有针对性的农业政策，加强对再生稻种植的管理和监控，提高政策执行力。
8. 环境友好：通过准确识别再生稻种植区域，有助于政府和农业部门了解再生稻的实际分布，从而能够制定更合理的水资源分配和农业生产政策，降低对环境的负面影响。
9. 数据共享与交流：本发明方法生成的再生稻识别结果可以作为基础数据与其他数据源相结合，便于各级政府部门、农业部门以及研究机构之间的数据共享和交流，进一步提高决策效率。
10. 社会经济效益：通过对再生稻的准确识别，有利于政府部门和农业企业对再生稻产业的投入和规划进行精细化管理，促进稻米产业的健康发展，提高农民收入，从而带来较好的社会经济效益。
11. 技术推广与培训：本发明方法简单易操作，便于在农业部门和农村地区进行技术推广和培训，有助于提高农业管理水平和农民的科技素养。
12. 国际合作与交流：本发明方法在国内外均具有较高的实用性，可以为国际间农业遥感技术的合作与交流提供新的途径和依据，有助于提升我国在国际农业遥感领域的地位。
综上所述，本专利提供了一种利用多时相中高分卫星影像识别再生稻的方法，具有很高的实用性，能够有效推动农业遥感技术的发展，为农业生产和管理提供有力支持。
从而，本发明提供了一种利用多时相中高分卫星影像识别再生稻的方法，通过分析三期中高分辨率卫星影像，结合植被指数和地物分类技术，实现了对再生稻的高精度识别。本方法具有重要的实际应用价值，可以广泛应用于粮食生产监测、精细农业管理、农业保险和风险评估、农业资源调查与规划、环境与生态保护等领域。
示例性装置
图3是本发明一示例性实施例提供的利用多时相中高分卫星稻田影像识别再生稻的装置的结构示意图。如图3所示，装置300包括：
获取模块310，用于获取待识别前茬水稻种植区域在前茬水稻收割后预定时间的三期卫星稻田影像，其中三期卫星稻田影像分别为：前茬水稻收割2-3周内的第一期卫星稻田影像，前茬水稻收割后4-5周内的第二期卫星稻田影像，前茬水稻收割8-9周内的第三期卫星稻田影像；
计算模块320，用于分别计算三期卫星稻田影像的归一化植被指数，确定第一期归一化植被指数影像、第二期归一化植被指数影像以及第三期归一化植被指数影像；
第一确定模块330，用于根据第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域；
第二确定模块340，用于根据未翻耕稻田区域的第二期归一化植被指数影像相对第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域；
第三确定模块350，用于根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势，确定待识别前茬水稻种植区域内的再生稻区域。
可选地，装置300还包括：
预处理模块，用于对三期卫星稻田影像进行辐射校正、定标、大气校正、几何校正预处理操作。
可选地，归一化植被指数为NDVI指数，并且第一确定模块330，包括：
第一确定子模块，用于在第一期归一化植被指数影像的像元NDVI小于第一阈值的情况下，判定该像元为翻耕稻田像元，根据所有翻耕稻田像元确定翻耕稻田区域；
第二确定子模块，用于在第一期归一化植被指数影像的像元NDVI大于等于第一阈值的情况下，判定该像元为未翻耕稻田像元，根据所有未翻耕稻田像元，确定未翻耕稻田区域。
可选地，第二确定模块340，包括：
第三确定子模块，用于在未翻耕稻田区域内第二期归一化植被指数影像和第一期归一化植被指数影像的相对应像元的NDVI差值小于预设的第二阈值的情况下，判定该像元为待翻耕像元，根据所有的待翻耕像元确定待翻耕稻田区域；
第四确定子模块，用于在未翻耕稻田区域内第二期归一化植被指数影像和第一期归一化植被指数影像的相对应像元的NDVI差值大于等于第二阈值情况下，判定该像元为空茬和再生稻像元，根据所有的空茬和再生稻像元确定空茬和再生稻区域。
可选地，第三确定模块350，包括：
第五确定子模块，用于根据空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的变化趋势以及预先设定的变化阈值，确定再生稻区域。
可选地，第五确定子模块，包括：
第一确定单元，用于在空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的像元NDVI指数增幅小于变化阈值的情况下，确定该像元为空茬像元，根据所有的空茬像元确定空茬区域；
第二确定单元，用于在空茬和再生稻区域的第三期归一化植被指数影像相对第二期归一化植被指数影像的像元NDVI指数增幅大于等于变化阈值的情况下，确定该像元为再生稻像元，根据所有的再生稻像元确定再生稻区域。
示例性电子设备
图4是本发明一示例性实施例提供的电子设备的结构。如图4所示，电子设备40包括一个或多个处理器41和存储器42。
处理器41可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器42可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器41可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置43和输出装置44，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
此外，该输入装置43还可以包括例如键盘、鼠标等等。
该输出装置44可以向外部输出各种信息。该输出装置44可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种利用多时相中高分卫星影像识别再生稻的方法，其特征在于，包括：
获取待识别前茬水稻种植区域在前茬水稻收割后预定时间的三期卫星稻田影像，其中所述三期卫星稻田影像分别为：前茬水稻收割2-3周内的第一期卫星稻田影像，前茬水稻收割后4-5周内的第二期卫星稻田影像，前茬水稻收割8-9周内的第三期卫星稻田影像；
分别计算三期卫星稻田影像的归一化植被指数，确定第一期归一化植被指数影像、第二期归一化植被指数影像以及第三期归一化植被指数影像；
根据所述第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域；
根据所述未翻耕稻田区域的所述第二期归一化植被指数影像相对所述第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域；
根据所述空茬和再生稻区域的所述第三期归一化植被指数影像相对所述第二期归一化植被指数影像的变化趋势，确定所述待识别前茬水稻种植区域内的再生稻区域。
2.根据权利要求1所述的方法，其特征在于，还包括：
对所述三期卫星稻田影像进行辐射校正、定标、大气校正、几何校正预处理操作。
3.根据权利要求1所述的方法，其特征在于，所述归一化植被指数为NDVI指数，并且根据所述第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域，包括：
在所述第一期归一化植被指数影像的像元NDVI小于所述第一阈值的情况下，判定该像元为翻耕稻田像元，根据所有翻耕稻田像元确定翻耕稻田区域；
在所述第一期归一化植被指数影像的像元NDVI大于等于所述第一阈值的情况下，判定该像元为未翻耕稻田像元，根据所有未翻耕稻田像元，确定所述未翻耕稻田区域。
4.根据权利要求3所述的方法，其特征在于，根据所述未翻耕稻田区域的所述第二期归一化植被指数影像相对所述第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域，包括：
在所述未翻耕稻田区域内所述第二期归一化植被指数影像和所述第一期归一化植被指数影像的相对应像元的NDVI差值小于预设的第二阈值的情况下，判定该像元为待翻耕像元，根据所有的待翻耕像元确定待翻耕稻田区域；
在所述未翻耕稻田区域内所述第二期归一化植被指数影像和所述第一期归一化植被指数影像的相对应像元的NDVI差值大于等于所述第二阈值情况下，判定该像元为空茬和再生稻像元，根据所有的空茬和再生稻像元确定所述空茬和再生稻区域。
5.根据权利要求3所述的方法，其特征在于，根据所述空茬和再生稻区域的所述第三期归一化植被指数影像相对所述第二期归一化植被指数影像的变化趋势，确定所述待识别前茬水稻种植区域内的再生稻区域，包括：
根据所述空茬和再生稻区域的所述第三期归一化植被指数影像相对所述第二期归一化植被指数影像的变化趋势以及预先设定的变化阈值，确定所述再生稻区域。
6.根据权利要求5所述的方法，其特征在于，根据所述空茬和再生稻区域的所述第三期归一化植被指数影像相对所述第二期归一化植被指数影像的变化趋势以及预先设定的变化阈值，确定所述再生稻区域，包括：
在所述空茬和再生稻区域的所述第三期归一化植被指数影像相对所述第二期归一化植被指数影像的像元NDVI指数增幅小于所述变化阈值的情况下，确定该像元为空茬像元，根据所有的空茬像元确定空茬区域；
在所述空茬和再生稻区域的所述第三期归一化植被指数影像相对所述第二期归一化植被指数影像的像元NDVI指数增幅大于等于所述变化阈值的情况下，确定该像元为再生稻像元，根据所有的再生稻像元确定所述再生稻区域。
7.一种利用多时相中高分卫星稻田影像识别再生稻的装置，其特征在于，包括：
获取模块，用于获取待识别前茬水稻种植区域在前茬水稻收割后预定时间的三期卫星稻田影像，其中所述三期卫星稻田影像分别为：前茬水稻收割2-3周内的第一期卫星稻田影像，前茬水稻收割后4-5周内的第二期卫星稻田影像，前茬水稻收割8-9周内的第三期卫星稻田影像；
计算模块，用于分别计算三期卫星稻田影像的归一化植被指数，确定第一期归一化植被指数影像、第二期归一化植被指数影像以及第三期归一化植被指数影像；
第一确定模块，用于根据所述第一期归一化植被指数影像以及预先设置的第一阈值，确定未翻耕稻田区域；
第二确定模块，用于根据所述未翻耕稻田区域的所述第二期归一化植被指数影像相对所述第一期归一化植被指数影像的变化趋势，确定空茬和再生稻区域；
第三确定模块，用于根据所述空茬和再生稻区域的所述第三期归一化植被指数影像相对所述第二期归一化植被指数影像的变化趋势，确定所述待识别前茬水稻种植区域内的再生稻区域。
8.根据权利要求7所述的装置，其特征在于，还包括：
预处理模块，用于对所述三期卫星稻田影像进行辐射校正、定标、大气校正、几何校正预处理操作。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-6任一所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-6任一所述的方法。
CN202310435438.1A 2023-04-21 2023-04-21 一种利用多时相中高分卫星影像识别再生稻的方法及装置 Active CN116152673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310435438.1A CN116152673B (zh) 2023-04-21 2023-04-21 一种利用多时相中高分卫星影像识别再生稻的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310435438.1A CN116152673B (zh) 2023-04-21 2023-04-21 一种利用多时相中高分卫星影像识别再生稻的方法及装置

Publications (2)

Publication Number Publication Date
CN116152673A true CN116152673A (zh) 2023-05-23
CN116152673B CN116152673B (zh) 2023-09-29

Family

ID=86354709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310435438.1A Active CN116152673B (zh) 2023-04-21 2023-04-21 一种利用多时相中高分卫星影像识别再生稻的方法及装置

Country Status (1)

Country Link
CN (1) CN116152673B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115719453A (zh) * 2023-01-09 2023-02-28 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的水稻种植结构遥感提取方法
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
CN117036968A (zh) * 2023-10-09 2023-11-10 杭州稻道农业科技有限公司 一种用于农作物病虫危害的高分卫星遥感诊断方法及装置
CN117132175A (zh) * 2023-10-27 2023-11-28 杭州稻道农业科技有限公司 一种基于卫星遥感数据源的新开垦耕地质量评价方法
CN117576572A (zh) * 2024-01-16 2024-02-20 杭州稻道农业科技有限公司 一种综合种养稻田水稻种植覆盖度提取方法、装置及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948596A (zh) * 2019-04-26 2019-06-28 电子科技大学 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
US20200074605A1 (en) * 2018-08-31 2020-03-05 International Business Machines Corporation Enhancing temporal and spatial resolution and correcting data anomalies of remote sensed data for estimating high spatio-temporal resolution vegetation indices
CN111345214A (zh) * 2020-03-13 2020-06-30 武汉禾大科技有限公司 一种基于卫星影像数据的新疆棉花区域识别方法及系统
CN113016331A (zh) * 2021-02-26 2021-06-25 江苏大学 一种基于双目视觉的宽窄行再生稻收获调控系统及方法
CN113723319A (zh) * 2021-09-02 2021-11-30 中国气象科学研究院 一种基于风云卫星数据的水稻种植分布提取方法
CN114782838A (zh) * 2022-06-17 2022-07-22 中化现代农业有限公司 水稻识别方法、装置、电子设备和存储介质
CN115527111A (zh) * 2022-09-13 2022-12-27 中科卫星应用德清研究院 水稻种植信息及复种指数遥感提取方法、装置及设备
CN115719453A (zh) * 2023-01-09 2023-02-28 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的水稻种植结构遥感提取方法
CN115761486A (zh) * 2022-11-15 2023-03-07 重庆市地理信息和遥感应用中心 一种基于多期稻田影像特征的水稻种植区判定方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200074605A1 (en) * 2018-08-31 2020-03-05 International Business Machines Corporation Enhancing temporal and spatial resolution and correcting data anomalies of remote sensed data for estimating high spatio-temporal resolution vegetation indices
CN109948596A (zh) * 2019-04-26 2019-06-28 电子科技大学 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
CN111345214A (zh) * 2020-03-13 2020-06-30 武汉禾大科技有限公司 一种基于卫星影像数据的新疆棉花区域识别方法及系统
CN113016331A (zh) * 2021-02-26 2021-06-25 江苏大学 一种基于双目视觉的宽窄行再生稻收获调控系统及方法
CN113723319A (zh) * 2021-09-02 2021-11-30 中国气象科学研究院 一种基于风云卫星数据的水稻种植分布提取方法
CN114782838A (zh) * 2022-06-17 2022-07-22 中化现代农业有限公司 水稻识别方法、装置、电子设备和存储介质
CN115527111A (zh) * 2022-09-13 2022-12-27 中科卫星应用德清研究院 水稻种植信息及复种指数遥感提取方法、装置及设备
CN115761486A (zh) * 2022-11-15 2023-03-07 重庆市地理信息和遥感应用中心 一种基于多期稻田影像特征的水稻种植区判定方法和系统
CN115719453A (zh) * 2023-01-09 2023-02-28 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的水稻种植结构遥感提取方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LIU ZHANYU ET AL.: "Discrimination of rice panicles by hyperspectral reflectance data based on principal component analysis and support vector classification", 《JOURNAL OF ZHEIANG UNIVERSITY-SCIENCE B(BIOMEDICINE & BIOTECHNOLOGY)》, vol. 11, no. 1, pages 71 - 78 *
何水清等: "水稻一季+再生头季稻机收技术", 《浙江农业科学》, vol. 56, no. 06, pages 787 - 789 *
刘占宇等: "估算水稻叶面积指数的调节型归一化植被指数", 《中国农业科学》, no. 10, pages 3350 - 3356 *
孙姝娟等: "基于GF-1/WFV EVI时间序列数据的水稻种植面积提取", 《福建农业学报》, vol. 33, no. 06, pages 575 - 580 *
柳开楼等: "基于头季关键生育期的NDVI值诊断再生稻的生长状况", 《江西农业学报》, vol. 27, no. 02, pages 7 - 11 *
马谊等: "柬埔寨耕地复种指数时空格局分析研究", 《杭州师范大学学报(自然科学版)》, vol. 13, no. 04, pages 418 - 422 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115719453A (zh) * 2023-01-09 2023-02-28 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的水稻种植结构遥感提取方法
CN115719453B (zh) * 2023-01-09 2023-08-04 水利部交通运输部国家能源局南京水利科学研究院 一种基于深度学习的水稻种植结构遥感提取方法
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
CN117036968A (zh) * 2023-10-09 2023-11-10 杭州稻道农业科技有限公司 一种用于农作物病虫危害的高分卫星遥感诊断方法及装置
CN117036968B (zh) * 2023-10-09 2024-03-22 杭州稻道农业科技有限公司 一种用于农作物病虫危害的高分卫星遥感诊断方法及装置
CN117132175A (zh) * 2023-10-27 2023-11-28 杭州稻道农业科技有限公司 一种基于卫星遥感数据源的新开垦耕地质量评价方法
CN117576572A (zh) * 2024-01-16 2024-02-20 杭州稻道农业科技有限公司 一种综合种养稻田水稻种植覆盖度提取方法、装置及介质

Also Published As

Publication number Publication date
CN116152673B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN116152673B (zh) 一种利用多时相中高分卫星影像识别再生稻的方法及装置
Senf et al. Post-disturbance recovery of forest cover and tree height differ with management in Central Europe
Alcantara et al. Mapping abandoned agriculture with multi-temporal MODIS satellite data
Chang et al. Patterns and variability of projected bioclimatic habitat for Pinus albicaulis in the Greater Yellowstone Area
Wu et al. Comparison of machine learning algorithms for classification of LiDAR points for characterization of canola canopy structure
Nogué et al. Pollination service delivery for European crops: Challenges and opportunities
Cooper et al. Accounting for variation in resource availability and animal behavior in resource selection studies
CN111738175A (zh) 一种基于遥感影像和卷积神经网络的农业干旱监测系统
CN111126662A (zh) 基于大数据的灌溉决策制定方法、装置、服务器和介质
CN116448760B (zh) 一种基于机器视觉的农业智能监测系统及方法
CN116543316B (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
Martinez-Feria et al. Can multi-strategy management stabilize nitrate leaching under increasing rainfall?
Francini et al. The Three Indices Three Dimensions (3I3D) algorithm: a new method for forest disturbance mapping and area estimation based on optical remotely sensed imagery
Hall et al. Object-based analysis of grapevine canopy relationships with winegrape composition and yield in two contrasting vineyards using multitemporal high spatial resolution optical remote sensing
Duden et al. Impact of increased wood pellet demand on biodiversity in the south‐eastern United States
Amirruddin et al. Assessing leaf scale measurement for nitrogen content of oil palm: performance of discriminant analysis and Support Vector Machine classifiers
Guo et al. Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field
Wahjuni et al. Faster RCNN based leaf segmentation using stereo images
Holtgrave et al. Grassland mowing event detection using combined optical, SAR, and weather time series
Sitokonstantinou et al. A sentinel based agriculture monitoring scheme for the control of the cap and food security
Pinto et al. Corn grain yield forecasting by satellite remote sensing and machine‐learning models
Olsson A method for using Landsat time series for monitoring young plantations in boreal forests
CN115690580A (zh) 一种玉米倒伏遥感监测方法、系统、电子设备及介质
Tanaka et al. Deep learning-based estimation of rice yield using RGB image
Zou et al. Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage

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