CN116310840A - 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 - Google Patents
一种融合多关键物候期光谱特征的冬小麦遥感识别方法 Download PDFInfo
- Publication number
- CN116310840A CN116310840A CN202310526971.9A CN202310526971A CN116310840A CN 116310840 A CN116310840 A CN 116310840A CN 202310526971 A CN202310526971 A CN 202310526971A CN 116310840 A CN116310840 A CN 116310840A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- remote sensing
- period
- indexes
- key
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 81
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000003595 spectral effect Effects 0.000 title claims description 10
- 238000011160 research Methods 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 239000002689 soil Substances 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000002352 surface water Substances 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000005065 mining Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- WPPDXAHGCGPUPK-UHFFFAOYSA-N red 2 Chemical compound C1=CC=CC=C1C(C1=CC=CC=C11)=C(C=2C=3C4=CC=C5C6=CC=C7C8=C(C=9C=CC=CC=9)C9=CC=CC=C9C(C=9C=CC=CC=9)=C8C8=CC=C(C6=C87)C(C=35)=CC=2)C4=C1C1=CC=CC=C1 WPPDXAHGCGPUPK-UHFFFAOYSA-N 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合多关键物候期光谱特征的冬小麦遥感识别方法,创造性地融合冬小麦多关键物候期光谱特征及其对应的遥感影像作为输入特征影像集,无需大量地面样本数据,仍然能够有效、准确地实现冬小麦的遥感识别;将输入特征影像集输入时序自注意力机制分类模型中,进行冬小麦在研究区域内的种植空间分布提取,然后进行后处理,得到冬小麦在研究区域内的种植空间分布图,时序自注意力机制分类模型结合多头自注意力模型、卷积神经网络以及可学习位置编码,实现了遥感影像时序信息的深度挖掘,以及不同关键物候期光谱特征之间的关联,从而有效提高冬小麦遥感识别精度。
Description
技术领域
本发明涉及农业遥感监测技术领域,尤其涉及融合多关键物候期光谱特征的冬小麦遥感识别方法。
背景技术
冬小麦种植面积超过全国耕地总面积的1/5,是中国重要的粮食作物之一。因此,及时准确掌握冬小麦种植面积变化,有利于有关部门进行科学决策,并为冬小麦产量估算提供重要依据。遥感技术具有监测范围广、多频次、时间长等优势,是大范围准确、快速获取冬小麦种植面积的最有效方法。
现有利用Sentinel-2数据进行冬小麦提取的研究基本上分为两类:一类是利用单一时相构建多特征集,再利用支持向量机(SVM)、随机森林(RF)等分类器进行分类;另一类是利用多时相单一特征时序曲线的物候信息,利用决策树法、积分法等提取冬小麦面积。目前,很少有研究通过分析冬小麦关键物候期敏感性光谱指数变化,在Sentinel-2数据集上将多时相和多特征结合用于冬小麦提取;与此同时,大范围冬小麦提取方法的研究也较少。
现有多时相和多特征结合提取冬小麦上,对于“多时相”并没有完全利用到物候期时序信息,而是比较不同时期冬小麦提取精度,选择精度最高的那一期影像来提取;同时多特征的选择上也没有综合考虑反映冬小麦绿度、湿度和土壤的敏感性指数。
传统分类技术,例如SVM、RF等机器学习方法并不能有效提取遥感影像的时序特征,而以动态时间规整(DTW)为主的提取时序特征的方法,是一种对时序特征进行浅层挖掘的方式,其获得有效判别特征的能力有限。随着深度学习技术的快速发展,一些能够获取深层时序特征的深度学习模型越来越受到青睐,以长短时记忆(LSTM)为代表的网络模型在地物利用分类上取得更好的效果,但仍存在样本数据不足导致精度不高的问题。
针对现有方法存在的问题,如何提供一种能挖掘遥感影像时序信息且不依赖大量地面样本数据的前提下,对冬小麦的种植面积进行监控的一种较为快捷和准确的技术手段。
发明内容
针对现有冬小麦大面积识别存在的技术缺陷,本发明提供一种融合多关键物候期光谱特征的冬小麦遥感识别方法,在不依赖大量样本数据前提下,深度挖掘遥感影像时序信息,快速准确识别冬小麦的分布及面积。
一种融合多关键物候期光谱特征的冬小麦遥感识别方法,包括以下步骤:
步骤1,生成遥感影像数据集:获取包含研究区域冬小麦整个生长期的sentienl-2遥感影像中的2A级地表反射率产品,再利用研究区域的行政边界矢量数据和数字地形模型数据对其进行裁剪,得到仅覆盖研究区域的遥感影像数据集;
步骤2,关键物候期信息提取:基于遥感影像数据集获取冬小麦整个生长期的归一化植被指数NDVI时序光谱曲线,再对其进行平滑、去噪;
步骤3,构建特征光谱指数:获取研究区域内冬小麦生长关键物候期信息,其中冬小麦的关键物候期包括分蘖期、返青期、拔节期、抽穗期和成熟期,通过研究区域冬小麦关键物候期绿度、湿度和土壤亮度的时序光谱曲线变化,分别计算Sentinel-2影像上的植被类指数、水分含量类指数和土壤类指数,形成各个指数的特征集,其中植被类指数包括归一化植被指数NDVI、土壤调整植被指数SAVI、红边位置指数S2REP,水分含量类指数包括地表水分指数LSWI,土壤类指数包括裸土指数BSI;
步骤4,关键物候期指数特征影像获取:分别计算冬小麦关键物候期内所有指数特征集的最大值,与对应时间段内的遥感影像光谱波段合成,形成输入特征影像集,其中光谱波段包括3个可见光波段、近红外波段、3个红边波段和短波红外波段;
步骤5,将输入特征影像集输入时序自注意力机制分类模型中,进行冬小麦在研究区域内的种植空间分布提取,然后进行后处理,得到冬小麦在研究区域内的种植空间分布图。
进一步的,步骤1在预处理之前,以含云量≤30%为条件对冬小麦整个生长期的sentienl-2遥感影像进行筛选。
进一步的,步骤1中的预处理包括辐射校正,大气校正、正射校正、去云。
进一步的,步骤5中的时序自注意力机制分类模型主要由多头自注意力模型和卷积神经网络构成;
多头自注意力模型的输入为可学习位置编码与输入特征影像集的糅合特征,其中可学习位置编码是对日历时间做编码,输出经归一化后再输入卷积神经网络;
卷积神经网络的输出再经归一化后拉伸、降维处理得到冬小麦在研究区域内的种植空间分布提取结果。
进一步的,步骤5中的后处理包括小斑块剔除、孔洞融合、滤波、腐蚀膨胀。
本发明创造性地融合冬小麦多个关键物候期光谱特征及其对应的遥感影像作为输入特征影像集,无需大量地面样本数据,仍然能够有效、准确地实现冬小麦的遥感识别;时序自注意力机制分类模型结合多头自注意力模型、卷积神经网络以及可学习位置编码,实现了遥感影像时序信息的深度挖掘,以及不同关键物候期光谱特征之间的关联,从而有效提高冬小麦遥感识别精度。
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是本发明提出的冬小麦遥感识别方法流程图;
图2是裁剪后的安徽省阜阳市Sentinel-2遥感影像;
图3是安徽省阜阳市2021年10月到2022年6月冬小麦NDVI曲线和S-G曲线;
图4是冬小麦在安徽省阜阳市的种植空间分布图;
图5a是局部Sentinel-2遥感影像,图5b是图5a对应的提取结果示意图;
图6是时序自注意力机制分类模型构成示意图。
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。
一种融合多关键物候期光谱特征的冬小麦遥感识别方法,如图1所示,包括以下步骤:
1、生成遥感影像数据集:获取包含研究区域冬小麦整个生长期的sentienl-2遥感影像中,预处理后再利用研究区域的行政边界矢量数据和数字地形模型数据对其进行裁剪,得到仅覆盖研究区域的遥感影像数据集。
本实施例主要选取安徽省阜阳市作为研究区域,获取2021年10月到2022年6月冬小麦整个生长期内的所有可用Sentinel-2遥感影像;与此同时,为了减少遥感影像中云污染的影响,本实施例以含云量≤30%为条件对遥感影像进行筛选。
具体操作:在GEE平台上调用COPERNICUS/S2_SR影像集,分别获取安徽省阜阳市2021年10月到2022年6月冬小麦生长期内的sentienl-2遥感影像中的2A级地表反射率产品,2A级地表反射率产品已经过辐射校正,大气校正以及正射校正,再利用质量控制波段QA标记实现去云;利用研究区域的行政边界矢量数据和数字地形模型数据,对处理后的Sentinel-2遥感影像进行裁剪,得到仅覆盖研究区域的遥感影像数据集,如图2所示。
2、关键物候期信息提取:基于遥感影像数据集获取冬小麦整个生长期的归一化植被指数NDVI时序光谱曲线,参照图3中的NDVI曲线,再对其进行平滑、去噪,平滑、去噪后的NDVI时序光谱曲线参照图3中的S-G曲线。
3、构建特征光谱指数:从当地农业局获取研究区域内冬小麦生长关键物候期信息,其中冬小麦的关键物候期包括分蘖期、返青期、拔节期、抽穗期和成熟期,通过研究区域冬小麦关键物候期绿度、湿度和土壤亮度的时序光谱曲线变化,分别计算Sentinel-2影像上的植被类指数(对应绿度)、水分含量类指数(对应湿度)和土壤类指数(对应土壤亮度),形成各个指数的特征集,其中植被类指数包括归一化植被指数NDVI、土壤调整植被指数SAVI、红边位置指数S2REP,水分含量类指数包括地表水分指数LSWI,土壤类指数包括裸土指数BSI。
4、关键物候期指数特征影像获取:分别计算冬小麦关键物候期内所有指数特征集的最大值,与对应时间段内的遥感影像光谱波段合成,形成输入特征影像集,其中光谱波段包括3个可见光波段、近红外波段、3个红边波段和短波红外波段。
5、将输入特征影像集输入时序自注意力机制分类模型中,进行冬小麦在研究区域内的种植空间分布提取。
初步提取结果往往存在其他地物类型的影响,噪声较多,因此需要对初步提取结果进行后处理,包括小斑块剔除和孔洞融合,以及滤波、腐蚀膨胀等图像操作,得到冬小麦在安徽省阜阳市的种植空间分布图,如图4所示;图5a为局部Sentinel-2遥感影像,图5b为图5a对应的提取结果示意图。
根据种植空间分布图统计冬小麦面积,得到阜阳市冬小麦种植面积478776公顷,结合阜阳市2022年统计年鉴中冬小麦种植面积501912公顷,得到冬小麦提取精度为95.4%。
本实施例中,时序自注意力机制分类模型主要由多头自注意力模型和卷积神经网络构成,如图6所示,卷积神经网络前端结合多头自注意力模型的目的在于,融合不同关键物候期的光谱特征,放大每个物候期与其他植被的差异性对遥感识别结果的影响,提高识别精度。
多头自注意力模型的输入为可学习位置编码与输入特征影像集的糅合特征,其中可学习位置编码是对日历时间做编码,输出经归一化后再输入卷积神经网络;卷积神经网络的输出再经归一化后拉伸、降维处理得到冬小麦在研究区域内的种植空间分布提取结果。多头自注意力模型和卷积神经网络均为现有技术,在此不再赘述。
为了突出本发明提出的融合多关键物候期光谱特征的冬小麦遥感识别方法的优越性,本实施例同样以安徽省阜阳市2021年10月到2022年6月冬小麦生长期内的sentienl-2遥感影像作为样本,以发明专利CN114494882B公开的基于随机森林的冬小麦遥感识别分析方法和系统对其进行冬小麦识别。由于发明专利CN114494882B只通过拔节抽穗期的遥感影像进行冬小麦识别,忽略了分蘖期、返青期、成熟期冬小麦与其他植被的差异性,同时没有融合不同关键物候期的光谱特征,因此其遥感识别结果低于本发明,具体结果为,得到阜阳市冬小麦种植面积464771公顷,得到冬小麦提取精度为92.6%。
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 (5)
1.一种融合多关键物候期光谱特征的冬小麦遥感识别方法,其特征在于,包括以下步骤:
步骤1,生成遥感影像数据集:获取包含研究区域冬小麦整个生长期的sentienl-2遥感影像,预处理后再利用研究区域的行政边界矢量数据和数字地形模型数据对其进行裁剪,得到仅覆盖研究区域的遥感影像数据集;
步骤2,关键物候期信息提取:基于遥感影像数据集获取冬小麦整个生长期的归一化植被指数NDVI时序光谱曲线,再对其进行平滑、去噪;
步骤3,构建特征光谱指数:获取研究区域内冬小麦生长关键物候期信息,其中冬小麦的关键物候期包括分蘖期、返青期、拔节期、抽穗期和成熟期,通过研究区域冬小麦关键物候期绿度、湿度和土壤亮度的时序光谱曲线变化,分别计算Sentinel-2影像上的植被类指数、水分含量类指数和土壤类指数,形成各个指数的特征集,其中植被类指数包括归一化植被指数NDVI、土壤调整植被指数SAVI、红边位置指数S2REP,水分含量类指数包括地表水分指数LSWI,土壤类指数包括裸土指数BSI;
步骤4,关键物候期指数特征影像获取:分别计算冬小麦关键物候期内所有指数特征集的最大值,与对应时间段的遥感影像光谱波段合成,形成输入特征影像集,其中光谱波段包括3个可见光波段、近红外波段、3个红边波段和短波红外波段;
步骤5,将输入特征影像集输入时序自注意力机制分类模型中,进行冬小麦在研究区域内的种植空间分布提取,然后进行后处理,得到冬小麦在研究区域内的种植空间分布图。
2.根据权利要求1所述融合多关键物候期光谱特征的冬小麦遥感识别方法,其特征在于,步骤1在预处理之前,以含云量≤30%为条件对冬小麦整个生长期的sentienl-2遥感影像进行筛选。
3.根据权利要求1所述融合多关键物候期光谱特征的冬小麦遥感识别方法,其特征在于,步骤1中的预处理包括辐射校正,大气校正、正射校正、去云。
4.根据权利要求1所述融合多关键物候期光谱特征的冬小麦遥感识别方法,其特征在于,步骤5中的时序自注意力机制分类模型主要由多头自注意力模型和卷积神经网络构成;
多头自注意力模型的输入为可学习位置编码与输入特征影像集的糅合特征,其中可学习位置编码是对日历时间做编码,输出经归一化后再输入卷积神经网络;
卷积神经网络的输出再经归一化后拉伸、降维处理得到冬小麦在研究区域内的种植空间分布提取结果。
5.根据权利要求1所述融合多关键物候期光谱特征的冬小麦遥感识别方法,其特征在于,步骤5中的后处理包括小斑块剔除、孔洞融合、滤波、腐蚀膨胀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310526971.9A CN116310840A (zh) | 2023-05-11 | 2023-05-11 | 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310526971.9A CN116310840A (zh) | 2023-05-11 | 2023-05-11 | 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310840A true CN116310840A (zh) | 2023-06-23 |
Family
ID=86788969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310526971.9A Pending CN116310840A (zh) | 2023-05-11 | 2023-05-11 | 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310840A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863341A (zh) * | 2023-08-24 | 2023-10-10 | 中国农业科学院农业资源与农业区划研究所 | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 |
CN117423003A (zh) * | 2023-12-19 | 2024-01-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
CN117496281A (zh) * | 2024-01-03 | 2024-02-02 | 环天智慧科技股份有限公司 | 一种农作物遥感图像分类方法 |
CN117853947A (zh) * | 2024-03-06 | 2024-04-09 | 山东同圆数字科技有限公司 | 一种冬小麦遥感影像自动分析系统 |
CN117907248A (zh) * | 2024-03-19 | 2024-04-19 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688813A (zh) * | 2021-10-27 | 2021-11-23 | 长沙理工大学 | 多尺度特征融合遥感影像分割方法、装置、设备和存储器 |
CN115331098A (zh) * | 2022-07-15 | 2022-11-11 | 北京师范大学 | 一种基于增强物候特征的越冬作物早期分类方法和系统 |
CN115439754A (zh) * | 2022-08-02 | 2022-12-06 | 武汉大学 | 一种基于时序遥感影像的大范围跨物候区农作物制图方法 |
CN115661554A (zh) * | 2022-12-19 | 2023-01-31 | 天地信息网络研究院(安徽)有限公司 | 一种基于时序遥感影像的作物分类方法 |
-
2023
- 2023-05-11 CN CN202310526971.9A patent/CN116310840A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688813A (zh) * | 2021-10-27 | 2021-11-23 | 长沙理工大学 | 多尺度特征融合遥感影像分割方法、装置、设备和存储器 |
CN115331098A (zh) * | 2022-07-15 | 2022-11-11 | 北京师范大学 | 一种基于增强物候特征的越冬作物早期分类方法和系统 |
CN115439754A (zh) * | 2022-08-02 | 2022-12-06 | 武汉大学 | 一种基于时序遥感影像的大范围跨物候区农作物制图方法 |
CN115661554A (zh) * | 2022-12-19 | 2023-01-31 | 天地信息网络研究院(安徽)有限公司 | 一种基于时序遥感影像的作物分类方法 |
Non-Patent Citations (1)
Title |
---|
王利民;刘佳;杨福刚;杨玲波;姚保民;王小龙;: "基于GF-1卫星遥感数据识别京津冀冬小麦面积", 作物学报, no. 05 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863341A (zh) * | 2023-08-24 | 2023-10-10 | 中国农业科学院农业资源与农业区划研究所 | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 |
CN116863341B (zh) * | 2023-08-24 | 2024-01-26 | 中国农业科学院农业资源与农业区划研究所 | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 |
CN117423003A (zh) * | 2023-12-19 | 2024-01-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
CN117423003B (zh) * | 2023-12-19 | 2024-03-19 | 山东科技大学 | 一种冬小麦越冬期苗情分级遥感监测方法 |
CN117496281A (zh) * | 2024-01-03 | 2024-02-02 | 环天智慧科技股份有限公司 | 一种农作物遥感图像分类方法 |
CN117496281B (zh) * | 2024-01-03 | 2024-03-19 | 环天智慧科技股份有限公司 | 一种农作物遥感图像分类方法 |
CN117853947A (zh) * | 2024-03-06 | 2024-04-09 | 山东同圆数字科技有限公司 | 一种冬小麦遥感影像自动分析系统 |
CN117853947B (zh) * | 2024-03-06 | 2024-05-10 | 山东同圆数字科技有限公司 | 一种冬小麦遥感影像自动分析系统 |
CN117907248A (zh) * | 2024-03-19 | 2024-04-19 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
CN117907248B (zh) * | 2024-03-19 | 2024-05-28 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116310840A (zh) | 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 | |
George et al. | Forest tree species discrimination in western Himalaya using EO-1 Hyperion | |
Desclée et al. | Forest change detection by statistical object-based method | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
Marcinkowska-Ochtyra et al. | Subalpine and alpine vegetation classification based on hyperspectral APEX and simulated EnMAP images | |
Razak et al. | Mapping rubber trees based on phenological analysis of Landsat time series data-sets | |
CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
US20220392215A1 (en) | System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
CN111652092A (zh) | 基于Sentinel-2A数据监测森林覆盖变化的方法 | |
Launeau et al. | Airborne hyperspectral mapping of trees in an urban area | |
CN113869370A (zh) | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 | |
Lu et al. | Integration of Landsat TM and SPOT HRG images for vegetation change detection in the Brazilian Amazon | |
Novotný et al. | Individual tree crowns delineation using local maxima approach and seeded region growing technique | |
CN113096114A (zh) | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 | |
Eckert et al. | Application of HYPERION data to agricultural land classification and vegetation properties estimation in Switzerland | |
CN112257531A (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
Liu | Classification of tree species using UAV-based multi-spectral and multi-seasonal images: A multi-feature-based approach | |
CN113111794B (zh) | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
CN115471753A (zh) | 一种结合专家知识和机器学习的树种精细分层分类方法 | |
Tottrup et al. | Towards a generic approach for characterizing and mapping tropical secondary forests in the highlands of mainland Southeast Asia |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |