CN116824157B - 采样点确定、遥感产品真实性校验方法、装置及电子设备 - Google Patents

采样点确定、遥感产品真实性校验方法、装置及电子设备 Download PDF

Info

Publication number
CN116824157B
CN116824157B CN202310801101.8A CN202310801101A CN116824157B CN 116824157 B CN116824157 B CN 116824157B CN 202310801101 A CN202310801101 A CN 202310801101A CN 116824157 B CN116824157 B CN 116824157B
Authority
CN
China
Prior art keywords
area
water body
land
image
map spot
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
Application number
CN202310801101.8A
Other languages
English (en)
Other versions
CN116824157A (zh
Inventor
孙源
顾行发
周翔
杨健
陶醉
高海亮
王春梅
董文
李斌
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202310801101.8A priority Critical patent/CN116824157B/zh
Publication of CN116824157A publication Critical patent/CN116824157A/zh
Application granted granted Critical
Publication of CN116824157B publication Critical patent/CN116824157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种采样点确定、遥感产品真实性校验方法、装置及电子设备，涉及遥感技术领域，采样点确定方法包括：基于测试区域的图像中每一像元的水体指数和植被指数，将图像中的水体区域分割为若干个水体图斑区域，将图像中的陆地区域分割为若干个陆地图斑区域；基于每一水体图斑区域在图像中的面积占比以及每一陆地图斑区域内每一植被类型的面积占比，在测试区域内确定若干个采样点。本发明提供的采样点确定、遥感产品真实性校验方法、装置及电子设备，能更客观、更地在包括水体和陆地的测试区域内确定采样点，能提高在测试区域中确定采样点的效率，能为湿地植被遥感产品真实性校验提供更准确、更高效地数据支撑。

Description

采样点确定、遥感产品真实性校验方法、装置及电子设备
技术领域
本发明涉及遥感技术领域，尤其涉及一种采样点确定、遥感产品真实性校验方法、装置及电子设备。
背景技术
湿地生态系统被称之为“地球之肾”，具有蓄水、补给地下水、拦截和降解污染物、净化水质、调节气候等多种功能，是蓄水防洪的天然“海绵”。湿地植物是维持湿地生态平衡、发挥湿地生态作用的重要组成部分。
随着卫星遥感技术的发展，基于卫星传感器采集的卫星遥感图像，可以获取湿地植物的植被覆盖度、植被指数等湿地植被遥感产品，上述湿地植被遥感产品可以为湿地的保护、修复与开发提供准确的基础资料和决策依据提供数据支撑。湿地植被遥感产品的真实性校验是评价湿地植被遥感产品质量的重要途径。
现有技术中，通常基于技术人员的主观经验在包括湿地的测试区域中确定若干个采样点之后，利用设置于地面的图像传感器获取上述每一采样点的图像数据，进而基于上述每一采样点的图像数据获得相对真值，用于湿地植被遥感产品的真实性校验。
但是，由于湿地植被多处于水陆交界地带和半水生、水生环境下，测试区域的植被生长情况通常较为复杂，导致基于技术人员的主观经验在测试区域中确定的采样点主观性较强，难以准确、客观地体现测试区域的植被特征。在上述采样点的图像数据难以准确、客观地体现测试区域的植被特征的情况下，基于上述采样点的图像数据获得的相对真值进行湿地植被遥感产品真实性校验的准确率不高。
发明内容
本发明提供一种采样点确定、遥感产品真实性校验方法、装置及电子设备，用以解决现有技术中采样点难以准确、客观地体现测试区域的植被特征的缺陷，实现更准确、更客观地在测试区域中确定采样点。
本发明提供一种采样点确定方法，包括：
获取测试区域的图像中每一像元的水体指数和植被指数；
基于每一所述像元的水体指数和植被数值，将所述图像划分为水体区域和陆地区域；
基于所述水体区域内每一像元的水体指数，将所述水体区域分割为若干个水体图斑区域，基于所述陆地区域内每一像元的植被指数，将所述陆地区域分割为若干个陆地图斑区域；
基于每一所述水体图斑区域在所述图像中的面积占比以及每一所述陆地图斑区域内每一植被类型的面积占比，在所述测试区域内确定若干个采样点并获取每一所述采样点在所述测试区域内的位置信息。
根据本发明提供的一种采样点确定方法，所述基于每一所述水体图斑区域在所述图像中的面积占比以及每一所述陆地图斑区域内每一植被类型的面积占比，在所述测试区域内确定若干个采样点，包括：
在任一水体图斑区域在所述图像中的面积占比不小于第一阈值的情况下，确定所述任一水体图斑区域对应的采样点数量为第一数量，在所述任一水体图斑区域在所述图像中的面积占比不小于第二阈值的情况下，确定所述任一水体图斑区域对应的采样点数量为第二数量，在所述任一水体图斑区域在所述图像中的面积占比不小于第三阈值的情况下，确定所述任一水体图斑区域对应的采样点数量为第三数量，
在任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第四阈值的情况下，确定所述任一陆地图斑区域对应的采样点数量为第四数量，在所述任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第五阈值的情况下，确定所述任一陆地图斑区域对应的采样点数量为第五数量，在所述任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第六阈值的情况下，确定所述任一陆地图斑区域内对应的采样点数量为第六数量；
基于每一所述水体图斑区域、每一所述陆地图斑区域、每一所述水体图斑区域对应的采样点数量和每一所述陆地图斑区域对应的采样点数量，在所述测试区域内确定若干个采样点；
其中，所述第一阈值、所述第二阈值和所述第三阈值依次递减；所述第一数量、所述第二数量和所述第三数量依次递减；
所述第四阈值、所述第五阈值和所述第六阈值依次递减；所述第四数量、所述第五数量和所述第六数量依次递减。
根据本发明提供的一种采样点确定方法，所述基于每一所述水体图斑区域、每一所述陆地图斑区域、每一所述水体图斑区域对应的采样点数量和每一所述陆地图斑区域对应的采样点数量，在所述测试区域内确定若干个采样点，包括：
对于任一水体图斑区域，在所述任一水体图斑区域对应的采样点数量为多个的情况下，将所述任一水体图斑区域的边界上距离所述任一水体图斑区域的几何中心点最远的一点，确定为所述任一水体图斑区域的目标边界点，
对于任一陆地图斑区域，在所述任一陆地图斑区域对应的采样点数量为多个的情况下，将所述任一陆地图斑区域的边界上距离所述任一陆地图斑区域的几何中心点最远的一点，确定为所述任一陆地图斑区域的目标边界点；
基于所述任一水体图斑区域对应的采样点数量，在所述任一水体图斑区域内的目标线段上确定相同数量的等分点，
基于所述任一陆地图斑区域对应的采样点数量，在所述任一陆地图斑区域内的目标线段上确定相同数量的等分点，
所述任一水体图斑区域内的目标线段包括：所述任一水体图斑区域的目标边界点与几何中心点在所述任一水体图斑区域内的连线以及所述连线在所述任一水体图斑区域内的延长线，
所述任一陆地图斑区域内的目标线段包括：所述任一陆地图斑区域的目标边界点与几何中心点在所述任一陆地图斑区域内的连线以及所述连线在所述任一陆地图斑区域内的延长线；
基于每一所述等分点在所述图像中的位置信息以及所述图像与所述测试区域之间的位置映射关系，将每一所述等分点在所述测试区域内的映射点，确定为一个所述采样点。
根据本发明提供的一种采样点确定方法，所述基于每一所述水体图斑区域、每一所述陆地图斑区域、每一所述水体图斑区域对应的采样点数量和每一所述陆地图斑区域对应的采样点数量，在所述测试区域内确定若干个采样点，包括：
对于任一水体图斑区域，在所述任一水体图斑区域对应的采样点数量为1个的情况下，基于所述任一水体图斑区域的几何中心点在所述图像中的位置信息以及所述图像与所述测试区域之间的位置映射关系，将所述任一水体图斑区域的几何中心点在所述测试区域内的映射点，确定为一个所述采样点，
对于任一陆地图斑区域，在所述任一陆地图斑区域对应的采样点数量为1个的情况下，基于所述任一陆地图斑区域的几何中心点在所述图像中的位置信息以及所述图像与所述测试区域之间的位置映射关系，将所述任一陆地图斑区域的几何中心点在所述测试区域内的映射点，确定为一个所述采样点。
根据本发明提供的一种采样点确定方法，所述基于所述水体区域内每一像元的水体指数，将所述水体区域分割为若干个水体图斑区域，基于所述陆地区域内每一像元的植被指数，将所述陆地区域分割为若干个陆地图斑区域，包括：
基于所述水体区域内每一像元的水体指数和图像阈值分割算法，将所述水体区域分割为若干个水体图斑区域，
基于所述陆地区域内每一像元的植被指数和图像阈值分割算法，将所述陆地区域分割为若干个陆地图斑区域。
根据本发明提供的一种采样点确定方法，所述测试区域的图像是基于如下步骤获取的：
获取所述测试区域的边界信息；
基于所述边界信息以及无人机搭载的图像传感器的视场角，获取所述无人机的飞行高度和悬停位置信息，所述无人机搭载的图像传感器设置于所述无人机的底部，且所述图像传感器的拍摄方向垂直于所述测试区域；
基于所述飞行高度和所述悬停位置信息，控制所述无人机采集所述测试区域的图像；
获取所述无人机采集到的所述图像。
本发明还提供一种湿地遥感产品真实性校验方法，包括：
利用图像传感器，获取测试区域内每一采样点的图像数据；
基于所述图像数据，获取待校验湿地植被遥感产品对应的地面测量值；
基于所述地面测量值对所述待校验湿地植被遥感产品进行真实性校验，获取所述待校验湿地植被遥感产品的真实性校验结果；
其中，所述测试区域是基于所述待校验湿地植被遥感产品确定的；所述采样点是基于如上所述的采样点确定方法确定的。
本发明提供一种采样点确定装置，包括：
数据获取模块，用于获取测试区域的图像中每一像元的水体指数和植被指数；
区域划分模块，用于基于每一所述像元的水体指数和植被数值，将所述图像划分为水体区域和陆地区域；
图斑划分模块，用于基于所述水体区域内每一像元的水体指数，将所述水体区域分割为若干个水体图斑区域，基于所述陆地区域内每一像元的植被指数，将所述陆地区域分割为若干个陆地图斑区域；
采样点确定模块，用于基于每一所述水体图斑区域在所述图像中的面积占比以及每一所述陆地图斑区域内每一植被类型的面积占比，在所述测试区域内确定若干个采样点。
本发明还提供一种湿地植被遥感产品真实性校验装置，包括：
图像数据采集模块，用于利用图像传感器，获取测试区域内每一采样点的图像数据；
地面测量值获取模块，用于基于所述图像数据，获取待校验湿地植被遥感产品对应的地面测量值；
真实性校验模块，用于基于所述地面测量值对所述待校验湿地植被遥感产品进行真实性校验，获取所述待校验湿地植被遥感产品的真实性校验结果；
其中，所述测试区域是基于所述待校验湿地植被遥感产品确定的；所述采样点是基于如上所述的采样点确定方法确定的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述采样点确定方法，和/或，植被遥感真实性校验方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述采样点确定方法，和/或，植被遥感真实性校验方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述采样点确定方法，和/或，植被遥感真实性校验方法。
本发明提供的采样点确定、遥感产品真实性校验方法、装置及电子设备，通过基于测试区域的图像中每一像元的水体指数值和植被指数值，将测试区域的图像划分为水体区域和陆地区域之后，基于每一陆地图斑区域内每一植被类型的面积占比和每一水体图斑区域在测试区域的图像中的面积占比，在测试区域内确定若干个采样点，能更客观地在包括水体和陆地的测试区域内确定采样点，能提高在测试区域中确定采样点的效率，能实现采样点的实时获取，在测试区域内确定的采样点能更好地反映测试区域的湿地植被特征，能为湿地植被遥感产品真实性校验提供更准确、更高效地数据支撑。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的采样点确定方法的流程示意图；
图2是本发明提供的采样点确定方法中无人机的飞行高度和悬停位置的示意图；
图3是本发明提供的采样点确定方法中测试区域的图像中水体区域和陆地区域的示意图；
图4是本发明提供的采样点确定方法中测试区域图像分割后的图像；
图5是本发明提供的采样点确定方法中每一水体图斑区域和每一陆地图斑内目标线段以及目标线段上的等分点的示意图；
图6为本发明提供的采样点确定方法中测试区域内采样点的示意图；
图7是本发明提供的遥感产品真实性校验方法的流程示意图；
图8是本发明提供的采样点确定装置的结构示意图；
图9是本发明提供的遥感产品真实性校验装置的结构示意图；
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，湿地生态系统被称之为“地球之肾”，具有蓄水、补给地下水、拦截和降解污染物、净化水质、调节气候等多种功能，是蓄水防洪的天然“海绵”。
湿地植物是维持湿地生态平衡、发挥湿地生态作用的重要组成部分。
开展湿地区域水体和植物调查，分析湿地水体水质情况，评估植物物种组成、植物区系和植被类型，评价湿地资源状况，能为湿地的保护、修复与开发提供准确的基础资料和决策依据。
随着遥感技术的发展，目前已经发射了大量具备地表水体和地表植被探测能力的卫星传感器。
湿地植被遥感产品是通过遥感技术获取的与湿地植被相关的信息和数据。常见的湿地植被遥感产品包括水体反射率、水质、植被指数(Vegetation Indices)、植被覆盖度(Vegetation Cover)、植被类型(Vegetation Type)、植被生长监测(VegetationMonitoring)等。
湿地植被遥感产品，为水资源环境、农林业、生态等领域提供了有效的数据支撑。
湿地植物多处于水陆交界地带和半水生、水生环境下。湿地植物混合交错分布且界线模糊，湿地植被遥感产品中因多种植物光谱混合而造成的“异物同谱”现象较为明显。
湿地植被遥感产品的精度，需要长期的跟踪监测和评价，湿地植被遥感产品真实性检验是评价植被遥感产品质量的重要途径。
湿地植被遥感产品真实性检验中，可以利用能够代表地表植被特征的地面测量值作为相对真值，通过独立方法评价待校验湿地植被遥感产品与上述相对真值的吻合程度并分析其不确定性，得到湿地植被遥感产品的真实性校验结果。
作为湿地植被遥感产品真实性检验的关键参数，地面测量值的准确性对于提高湿地植被遥感产品真实性检验的准确率而言具有重要意义。
相关技术中，通常基于技术人员的主观经验在待测湿地植被遥感产品对应的测试区域中确定多个采样点之后，利用图像传感器在上述每一采样点进行数据采集，进而可以基于各采样点采集到的图像数据获得上述地面测量值。可以理解的是，上述测试区域位于湿地生态区内。
但是，由于湿地生态区内植被类型、地形地貌等条件的复杂性，导致上述各采样点难以准确、客观地体现测试区域的植被特征，因此，基于上述各采样点采集到的图像数据获得的地面测量值的准确性不高。
随着无人机技术应用领域的不断扩展、无人机空间定位精度的不断提高和搭载传感器能力的不断增强，为众多领域带来了全新的应用思路。
针对湿地植被遥感产品真实性校验方法中，在测试区域确定采样点的主观性强、不确定性高以及效率低下等问题。本发明提供一种采样点确定方法。本发明提供的采样点确定方法，借助旋翼式无人机飞行高度可调节、空间定位精度高、能够搭载光谱成像设备等特点，利用无人机快速、高效地获取图像之后，能基于上述图像更准确、更高效地在测试区域中确定采样点，进而提高湿地植被遥感产品真实性校验的准确率和效率。
图1是本发明提供的采样点确定方法的流程示意图。下面结合图1描述本发明的采样点确定方法。如图1所示，该方法包括：步骤101、获取测试区域的图像中每一像元的水体指数和植被指数。
需要说明的是，本发明实施例的执行主体为采样点确定装置。
具体地，测试区域为本发明提供的采样点确定方法的确定对象。基于本发明提供的采样点确定方法，可以在测试区域中确定若干个采样点。
可选地，上述采样点确定装置可以为用户终端。其中，上述用户终端可以为用户使用的、具有通信功能并可以在移动中使用的终端，例如笔记本电脑、平板电脑或智能手机。
相应地，用户携带上述用户终端在测试区域内执行本发明提供的采样点确定方法，可以实时地在测试区域内确定若干个采样点。
可选地，在对某一湿地植被遥感产品进行真实性校验之前，可以基于待测湿地植被遥感产品确定测试区域，进而可以基于本发明提供的采样点确定方法在上述测试区域中确定若干个采样点，并基于上述若干个采样点的图像数据，获取上述待测湿地植被遥感产品对应的地面测量值。
可以理解的是，本发明实施例中的测试区域包括水体和陆地。
需要说明的是，本发明实施例中测试区域的形状可以为方形、圆形或其他任意形状。本发明实施例对测试区域的形状不作具体限定。
本发明实施例中可以通过多种方式获取测试区域的图像，例如可以利用无人机采集测试区域的图像；或者，可以利用设置于高处的图像传感器，采集测试区域的图像。本发明实施例中对获取测试区域的图像的具体方式不作限定。
需要说明的是，本发明实施例中测试区域的图像，可以为多光谱图像或高光谱图像，但测试区域的图像包括了红外波段的光谱信息。
作为一个可选地实施例，测试区域的图像是基于如下步骤获取的：获取测试区域的边界信息。
具体地，本发明实施例中可以通过数据查询、实地测量等方式，获取测试区域的边界信息。其中，测试区域的边界信息，可以包括测试区域边界的位置信息。
可以理解的是，基于测试区域的边界信息，可以获取测试区域的面积。
基于边界信息以及无人机搭载的图像传感器的视场角，获取无人机的飞行高度和悬停位置信息，无人机搭载的图像传感器设置于无人机的底部，且图像传感器的拍摄方向垂直于测试区域。
需要说明的是，由于旋翼式无人机具有飞行高度可调节、空间定位精度高、能够搭载光谱成像设备等优点，本发明实施例中利用无人机获取测试区域的图像。本发明实施例中的无人机为旋翼式无人机。
需要说明的是，本发明实施例中无人机搭载的光谱成像仪，波长覆盖范围为400至1000nm。
具体地，获取测试区域的边界信息之后，可以基于测试区域的边界信息，确定测试区域所在的方形区域。
其中，在测试区域为方形的情况下，测试区域所在方形区域即为测试区域；在测试区域为圆形、梯形或其他不规则形状的情况下，测试区域所在的方形区域，为可以完全包括上述测试区域的最小的方形区域。
图2是本发明提供的采样点确定方法中无人机的飞行高度和悬停位置的示意图。如图2所示，确定测试区域所在的方形区域之后，可以将测试区域所在方形区域的几何中心，确定为无人机的悬停位置，进而可以确定无人机的悬停位置信息。
如图2所示，无人机的飞行高度，与测试区域所在方形区域的长边边长D以及无人机搭载的图像传感器的视场角θ相关。
可以理解的是，基于测试区域的边界信息，可以获取测试区域所在方形区域的长边边长D。如图2所示，在测试区域为方形的情况下，测试区域所在方形区域的长边边长D，即为测试区域的边长。
确定无人机的悬停位置之后，可以基于测试区域所在方形区域的长边边长D以及无人机搭载的图像传感器的视场角θ，通过如下公式，计算得到无人机的飞行高度h：
基于飞行高度和悬停位置信息，控制无人机采集测试区域的图像。
具体地，获取无人机的飞行高度h和悬停位置信息之后，可以基于上述飞行高度h和上述悬停位置信息，控制无人机飞至上述悬停位置上方上述飞行高度h处，利用无人机搭载的图像传感器，采集测试区域的图像。
获取无人机采集到的图像。
具体地，无人机搭载的图像传感器获取测试区域的图像之后，可以通过数据通信的方式，获取上述图像。
本发明实施例通过基于测试区域的边界信息，获取无人机的飞行高度和悬停位置信息之后，基于上述飞行高度和悬停位置信息，控制无人机飞至上述悬停位置上方上述飞行高度处，利用搭载的图像传感器采集测试区域的图像，能利用无人机飞行高度可调节、空间定位进度搞以及能搭载光谱成像设备等特点，更准确、更高效地获取测试区域的图像，能进一步提高在测试区域中确定采样点的效率和准确率。
获取测试区域的图像之后，可以通过数值计算、模型处理等方式，获取测试区域的图像中每一像元的水体指数值和植被指数值。
需要说明的是，本发明实施例中植被指数的类型，可以是根据实际情况预定义的，例如：在对某一植被遥感产品进行真实性校验之前，可以基于待校验遥感产品确定植被指数的类型。
需要说明的是，本发明实施例中水体指数的类型，可以是根据实际情况预定义的。
可选地，本发明实施例中植被指数的类型可以包括但不限于归一化植被指数(NDVI)、增强型植被指数(EVI)以及土壤调节植被指数(SAVI)等。
可选地，本发明实施例中水体指数的类型可以包括但不限于归一化水体指数以及归一化差值水体指数等。
步骤102、基于每一像元的水体指数值和植被数值，将图像划分为水体区域和陆地区域。
具体地，获取测试区域的图像中每一像元的水体指数值和植被指数值之后，可以基于获取测试区域的图像中每一像元的水体指数值和植被指数值，以及水体指数阈值和植被指数阈值，通过条件判断的方式，判断测试区域的图像中的每一像元属于水体区域还是陆地区域，进而可以将测试区域的图像分割为水体区域和陆地区域。
可以理解的是，上述水体区域在测试区域内的映射区域为水体；上述陆地区域在测试区域内的映射区域为陆地。
图3是本发明提供的采样点确定方法中测试区域的图像中水体区域和陆地区域的示意图。
需要说明的是，本发明实施例中的水体指数阈值和植被指数阈值可以是根据实际情况和/或实际情况预定义的。本发明实施例中对水体指数阈值和植被指数阈值的具体取值不作限定。
步骤103、基于水体区域内每一像元的水体指数，将水体区域分割为若干个水体图斑区域，基于陆地区域内每一像元的植被指数，将陆地区域分割为若干个陆地图斑区域。
具体地，将测试区域的图像分割为水体区域和陆地区域之后，可以基于水体区域内每一像元的水体指数，通过多种方式，将水体区域划分为若干个水体图斑区域。例如，基于水体区域内每一像元的水体指数，可以通过图像阈值分割算法、图像边缘分割算法、图像区域分割算法以及图像形态学分割算法等，将水体区域划分为若干个水体图斑区域。
将测试区域的图像分割为陆地区域和陆地区域之后，可以基于陆地区域内每一像元的植被指数，通过多种方式，将陆地区域划分为若干个陆地图斑区域。例如，基于陆地区域内每一像元的植被指数，可以通过图像阈值分割算法、图像边缘分割算法、图像区域分割算法以及图像形态学分割算法等，将陆地区域划分为若干个陆地图斑区域。
作为一个可选地实施例，基于水体区域内每一像元的水体指数，将水体区域分割为若干个水体图斑区域，基于陆地区域内每一像元的植被指数，将陆地区域分割为若干个陆地图斑区域，包括：基于水体区域内每一像元的水体指数和图像阈值分割算法，将水体区域分割为若干个水体图斑区域，基于陆地区域内每一像元的植被指数和图像阈值分割算法，将陆地区域分割为若干个陆地图斑区域。
需要说明的是，图像阈值分割算法(thresholding)是一种常用的图像分割方法。图像阈值分割算法可以基于预定义的阈值，将图像分割为多个图斑区域。
本发明实施例中，f1表示第1类型植被指数值(例如NDVI)，f2表示第2类型植被指数值(例如EVI)，…，fk表示第k类型植被指数值(例如SAVI)，k表示植被指数类型的总数；
对于陆地区域中位于第i行第j列的像元，f1(i,j)表示陆地区域中位于第i行第j列的像元第1类型植被指数值，f2(i,j)表示陆地区域中位于第i行第j列的像元第2类型植被指数值，…，fk(i,j)表示陆地区域中位于第i行第j列的像元第k类型植被指数值；
T1表示第1类型植被指数值对应的图像分割阈值，T2表示第2类型植被指数值对应的图像分割阈值，…，Tk表示第k类型植被指数值对应的图像分割阈值。
基于图像阈值分割算法，可以利用如下公式，获取陆地区域每一类型植被指数对应的图像分割结果，陆地区域每一类型植被指数对应的图像分割结果均包括两个图斑区域：
其中，g1(i,j)＝1，表示像元(i,j)在陆地区域第1类型植被指数对应的图像分割结果中属于第一图斑区域；g1(i,j)＝0，表示像元(i,j)在陆地区域第1类型植被指数对应的图像分割结果中属于第二图斑区域；
g2(i,j)＝1，表示像元(i,j)在陆地区域第2类型植被指数对应的图像分割结果中属于第一图斑区域；g2(i,j)＝0，表示像元(i,j)在陆地区域第2类型植被指数对应的图像分割结果中属于第二图斑区域；
以此类推，gk(i,j)＝1，表示像元(i,j)在陆地区域第k类型植被指数对应的图像分割结果中属于第一图斑区域；gk(i,j)＝0，表示像元(i,j)在陆地区域第k类型植被指数对应的图像分割结果中属于第二图斑区域。
可以理解的是，获取陆地区域每一类型植被指数对应的图像分割结果之后，可以将陆地区域各类型植被指数对应的图像分割结果进行累加合并，获取陆地区域的原始图像分割结果，上述陆地区域的原始图像分割结果中包括若干个图斑区域。
获取上述陆地区域的原始图像分割结果之后，可以对上述陆地区域的原始图像分割结果进行滤波处理，剔除上述陆地区域的原始图像分割结果，获得陆地区域的图像分割结果。
上述陆地区域的图像分割结果中包括若干个图斑区域，本发明实施例中将上述陆地区域的图像分割结果中的图斑区域，称为陆地图斑区域。
可以理解的是，在上述陆地区域的图像分割结果中仅包括1个图斑区域的情况下，陆地图斑区域即为上述水体区域。
本发明实施例中，m1表示第1类型水体指数值(例如归一化水体指数)，n2表示第2类型水体指数值(例如归一化差值水体指数)，…，nl表示第l类型水体指数值，l表示水体指数类型的总数；
对于水体区域中位于第x行第y列的像元，m1(x,y)表示水体区域中位于第x行第y列的像元第1类型水体指数值，m2(x,y)表示水体区域中位于第x行第y列的像元第2类型水体指数值，…，ml(x,y)表示水体区域中位于第x行第y列的像元第l类型水体指数值；
K1表示第1类型水体指数值对应的图像分割阈值，K2表示第2类型水体指数值对应的图像分割阈值，…，Kl表示第k类型水体指数值对应的图像分割阈值。
基于图像阈值分割算法，可以利用如下公式，获取水体区域每一类型水体指数对应的图像分割结果，水体区域每一类型水体指数对应的图像分割结果均包括两个图斑区域：
其中，n1(x,y)＝1，表示像元(x,y)在水体区域第1类型水体指数对应的图像分割结果中属于第一图斑区域；n1(x,y)＝0，表示像元(x,y)在水体区域第1类型水体指数对应的图像分割结果中属于第二图斑区域；
n2(x,y)＝1，表示像元(x,y)在水体区域第2类型水体指数对应的图像分割结果中属于第一图斑区域；n2(x,y)＝0，表示像元(x,y)在水体区域第2类型水体指数对应的图像分割结果中属于第二图斑区域；
以此类推，nl(x,y)＝1，表示像元(x,y)在水体区域第k类型水体指数对应的图像分割结果中属于第一图斑区域；nl(x,y)＝0，表示像元(x,y)在水体区域第k类型水体指数对应的图像分割结果中属于第二图斑区域。
获取水体区域每一类型水体指数对应的图像分割结果之后，可以将水体区域各类型水体指数对应的图像分割结果进行累加合并，获取水体区域的原始图像分割结果，上述水体区域的原始图像分割结果中包括若干个图斑区域。
获取上述水体区域的原始图像分割结果之后，可以对上述水体区域的原始图像分割结果进行滤波处理，剔除上述水体区域的原始图像分割结果，获得水体区域的图像分割结果。
上述水体区域的图像分割结果中包括若干个图斑区域，本发明实施例中将上述水体区域的图像分割结果中的图斑区域，称为水体图斑区域。
可以理解的是，在上述水体区域的图像分割结果中仅包括1个图斑区域的情况下，水体图斑区域即为上述水体区域。
图4是本发明提供的采样点确定方法中测试区域图像分割后的图像。如图4所示，测试区域的图像被分割为多个水体图斑区域和多个陆地图斑区域。
需要说明的是，图像阈值分割算法的关键是图像分割阈值的确定，图像分割阈值的间隔越小，图像分割的精细化程度越高。本发明实施例中可以基于先验知识和/或实际情况确定。
步骤104、基于每一水体图斑区域在图像中的面积占比以及每一陆地图斑区域内每一植被类型的面积占比，在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。
具体地，将测试区域的图像分割为若干个水体图斑区域和若干个陆地图斑区域之后，可以基于每一陆地图斑区域中每一像元的植被指数值，通过数值计算、模型处理等方式，确定上述每一陆地图斑区域中每一像元对应的植被类型。
需要说明的是，本发明实施例中的植被类型可以包括农田、森林、草地以及裸地。例如，上述每一陆地图斑区域中任一像元对应的植被类型为农田。
确定上述每一陆地图斑区域中每一像元对应的植被类型之后，可以通过数理统计的方式，获取上述每一陆地图斑区域内每一植被类型的面积占比。例如任一陆地图斑区域内农田所占区域的面积占比为70％，裸地所占区域的面积占比为30％。
将测试区域的图像分割为若干个水体图斑区域和若干个陆地图斑区域之后，还可以通过数值计算的方式，获取每一水体图斑区域在测试区域的图像中的面积占比。例如任一水体图斑区域在测试区域的图像中的面积占比为55％。
获取每一陆地图斑区域内每一植被类型的面积占比以及每一水体图斑区域在测试区域的图像中的面积占比之后，可以通过几何的方法，在测试区域内确定若干个采样点。
在测试区域内确定若干个采样点之后，可以进一步获取每一采样点在测试区域内的位置信息，进而可以基于上述位置信息，指导技术人员在上述每一采样点设置标识物，对上述每一采样点进行标识。
作为一个可选地实施例，基于每一水体图斑区域在图像中的面积占比以及每一陆地图斑区域内每一植被类型的面积占比，在测试区域内确定若干个采样点，包括：在任一水体图斑区域在图像中的面积占比不小于第一阈值的情况下，确定任一水体图斑区域对应的采样点数量为第一数量，在任一水体图斑区域在图像中的面积占比不小于第二阈值的情况下，确定任一水体图斑区域对应的采样点数量为第二数量，在任一水体图斑区域在图像中的面积占比不小于第三阈值的情况下，确定任一水体图斑区域对应的采样点数量为第三数量，在任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第四阈值的情况下，确定任一陆地图斑区域对应的采样点数量为第四数量，在任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第五阈值的情况下，确定任一陆地图斑区域对应的采样点数量为第五数量，在任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第六阈值的情况下，确定任一陆地图斑区域内对应的采样点数量为第六数量；
其中，第一阈值、第二阈值和第三阈值依次递减；第一数量、第二数量和第三数量依次递减；
第四阈值、第五阈值和第六阈值依次递减；第四数量、第五数量和第六数量依次递减。
具体地，获取每一水体图斑区域在测试区域的图像中的面积占比之后，可以基于每一水体图斑区域在测试区域的图像中的面积占比进行条件判断，进而可以基于条件判断的结果，确定每一水体图斑区域对应的采样点数量。
需要说明的是，本发明实施例中的第一阈值、第二阈值、第三阈值、第一数量、第二数量以及第三数据，可以是在满足第一阈值、第二阈值、第三阈值依次递减，且第一数量、第二数量、第三数量依次递减的情况下，基于先验知识和/或实际情况预定义的。本发明实施例中对第一阈值、第二阈值、第三阈值、第一数量、第二数量以及第三数据的具体取值不作限定。
可选地，本发明实施例中第一阈值的取值范围可以为50％至70％；第二阈值的取值范围可以为30％至50％；第三阈值的取值范围可以为10％至30％；相应地，第一数量的取值范围可以为4至6个；第二数量的取值范围可以为2至4个；第三数量的取值范围可以为1或2个。
优选地，本发明实施例中第一阈值的取值可以为60％；第二阈值的取值可以为40％；第三阈值的取值可以为20％；相应地，第一数量的取值可以为5个；第二数量的取值可以为3个；第三数量的取值可以为1个。
获取每一陆地图斑区域内每一植被类型的面积占比之后，可以基于上述每一陆地图斑区域内每一植被类型的面积占比进行条件判断，进而可以基于条件判断的结果，确定每一陆地图斑区域对应的采样点数量。
需要说明的是，本发明实施例中的第四阈值、第五阈值、第六阈值、第四数量、第五数量以及第六数据，可以是在满足第四阈值、第五阈值、第六阈值依次递减，且第四数量、第五数量、第六数量依次递减的情况下，基于先验知识和/或实际情况预定义的。本发明实施例中对第四阈值、第五阈值、第六阈值、第四数量、第五数量以及第六数据的具体取值不作限定。
可选地，本发明实施例中第四阈值的取值范围可以为60％至80％；第五阈值的取值范围可以为40％至60％；第六阈值的取值范围可以为20％至40％；相应地，第四数量的取值范围可以为4至6个；第五数量的取值范围可以为2至4个；第六数量的取值范围可以为1或2个。
优选地，本发明实施例中第四阈值的取值可以为70％；第五阈值的取值可以为50％；第六阈值的取值可以为30％；相应地，第四数量的取值可以为5个；第五数量的取值可以为3个；第六数量的取值可以为1个。
基于每一水体图斑区域、每一陆地图斑区域、每一水体图斑区域对应的采样点数量和每一陆地图斑区域对应的采样点数量，在测试区域内确定若干个采样点；
具体地，获取每一水体图斑区域对应的采样点数量和每一陆地图斑区域对应的采样点数量之后，可以通过几何的方式，在上述每一水体图斑区域和每一陆地图斑区域在测试区域中的映射区域内确定若干个采样点。
作为一个可选地实施例，基于每一水体图斑区域、每一陆地图斑区域、每一水体图斑区域对应的采样点数量和每一陆地图斑区域对应的采样点数量，在测试区域内确定若干个采样点，包括：对于任一水体图斑区域，在任一水体图斑区域对应的采样点数量为多个的情况下，将任一水体图斑区域的边界上距离任一水体图斑区域的几何中心点最远的一点，确定为任一水体图斑区域的目标边界点，对于任一陆地图斑区域，在任一陆地图斑区域对应的采样点数量为多个的情况下，将任一陆地图斑区域的边界上距离任一陆地图斑区域的几何中心点最远的一点，确定为任一陆地图斑区域的目标边界点；
基于任一水体图斑区域对应的采样点数量，在任一水体图斑区域内的目标线段上确定相同数量的等分点，基于任一陆地图斑区域对应的采样点数量，在任一陆地图斑区域内的目标线段上确定相同数量的等分点，任一水体图斑区域内的目标线段包括：任一水体图斑区域的目标边界点与几何中心点在任一水体图斑区域内的连线以及连线在任一水体图斑区域内的延长线，任一陆地图斑区域内的目标线段包括：任一陆地图斑区域的目标边界点与几何中心点在任一陆地图斑区域内的连线以及连线在任一陆地图斑区域内的延长线；
基于每一等分点在图像中的位置信息以及图像与测试区域之间的位置映射关系，将每一等分点在测试区域内的映射点，确定为一个采样点。
作为一个可选地实施例，基于每一水体图斑区域对应的采样点数量和每一陆地图斑区域对应的采样点数量，在测试区域内确定若干个采样点，包括：对于任一水体图斑区域，在任一水体图斑区域对应的采样点数量为1个的情况下，基于任一水体图斑区域的几何中心点在图像中的位置信息以及图像与测试区域之间的位置映射关系，将任一水体图斑区域的几何中心点在测试区域内的映射点，确定为一个采样点，对于任一陆地图斑区域，在任一陆地图斑区域对应的采样点数量为1个的情况下，基于任一陆地图斑区域的几何中心点在图像中的位置信息以及图像与测试区域之间的位置映射关系，将任一陆地图斑区域的几何中心点在测试区域内的映射点，确定为一个采样点。
为了便于对本发明实施例的理解，以下通过一个实例对本发明实施例进行说明。
本实例中第一阈值的取值可以为60％；第二阈值的取值可以为40％；第三阈值的取值可以为20％；相应地，第一数量的取值可以为5个；第二数量的取值可以为3个；第三数量的取值可以为1个；
本实例中第四阈值的取值可以为70％；第五阈值的取值可以为50％；第六阈值的取值可以为30％；相应地，第四数量的取值可以为5个；第五数量的取值可以为3个；第六数量的取值可以为1个。
图5是本发明提供的采样点确定方法中每一水体图斑区域和每一陆地图斑内目标线段以及目标线段上的等分点的示意图。如图5所示，本实例中基于陆地区域内每一像元的植被指数，将陆地区域的图像划分为2个陆地图斑区域，分别为第一陆地图斑区域、第二陆地图斑区域；基于水体区域内每一像元的水体指数，将水体区域的图像划分为2个水体图斑区域，分别为第一水体图斑区域、第二水体图斑区域。
本实例中基于每一水体图斑区域在测试区域的图像中的面积占比，可以确定第一水体图斑区域对应的采样点数量为3个，第二水体图斑区域对应的采样点数量为5个。
本实例中基于每一陆地图斑区域内每一植被类型的面积占比，可以确定第一陆地图斑区域对应的采样点数量为1个，第二陆地图斑区域对应的采样点数量为3个。
图5中的虚线，分别为第二陆地图斑区域、第一水体图斑区域和第二水体图斑区域内的目标线段。
基于第一水体图斑区对应的采样点数量为3个，第二水体图斑区域对应的采样点数量为5个，第二陆地图斑区域对应的采样点数量为3个，可以在第一水体图斑区内的目标线段上确定3个等分点，在第二水体图斑区域内的目标线段上确定5个等分点，在第二陆地图斑区域内的目标线段上确定3个等分点。
基于上述每一等分点在测试区域的图像中的位置信息，以及测试区域的图像与测试区域之间的位置映射关系，可以确定上述每一等分点在测试区域内的映射点，进而可以将上述每一映射点确定为一个采样点。
基于第一陆地图斑区域的几何中心点在测试区域的图像中的位置信息，以及测试区域的图像与测试区域之间的位置映射关系，可以确定上述几何中心点在测试区域内的映射点，进而可以将上述映射点确定为一个采样点。
图6为本发明提供的采样点确定方法中测试区域内采样点的示意图。测试区域内的各采样点如图6所示。
在测试区域内确定若干个采样点之后，还可以进一步确定测试区域对应的标识点和校验点。
如图6，本发明实施例中可以将测试区域的四个顶点附近，确定4个标识点，在测试区域水平方向上的中轴线与任一边界的交点附近，确定1个校验点，用于后续基于测试区域内的各采样点对测试区域进行时采样，提供采样标识和采样校验。
可以理解的是，本发明实施例中将位于水体的采样点，称为水体采样点，将位于陆地的采样点，称为陆地采样点。测试区域内的水体采样点和陆地采样点如图6所示。
本发明实施例通过基于测试区域的图像中每一像元的水体指数值和植被指数值，将测试区域的图像划分为水体区域和陆地区域之后，基于每一陆地图斑区域内每一植被类型的面积占比和每一水体图斑区域在测试区域的图像中的面积占比，在测试区域内确定若干个采样点，能更客观地在包括水体和陆地的测试区域内确定采样点，能提高在测试区域中确定采样点的效率，能实现采样点的实时获取，在测试区域内确定的采样点能更好地反映测试区域的湿地植被特征，能为湿地植被遥感产品真实性校验提供更准确、更高效地数据支撑。
图7是本发明提供的遥感产品真实性校验方法的流程示意图。下面结合图7描述本发明的遥感产品真实性校验方法。如图7所示，该方法包括：步骤701、利用图像传感器，获取测试区域内每一采样点的图像数据；其中，测试区域是基于待校验湿地植被遥感产品确定的；采样点是基于如上所述的采样点确定方法确定的。
需要说明的是，本发明实施例的执行主体为遥感产品真实性校验装置。
具体地，待校验湿地植被遥感产品为本发明提供的遥感产品真实性校验方法的校验对象。基于本发明提供的遥感产品真实性校验方法，可以对待检验植被遥感产品进行真实性校验，获取待校验湿地植被遥感产品的真实性校验结果。
需要说明的是，待校验湿地植被遥感产品是基于目标卫星传感器获得的。待校验湿地植被遥感产品可以包括目标区域内与植被相关的信息和数据，例如待校验湿地植被遥感产品可以包括目标区域的植被指数、植被覆盖度以及植被类型等。
为了在对待校验湿地植被遥感产品进行真实性检验时，在测试区域内确定更具有空间代表性的采样点，本发明实施例中的测试区域，是基于待校验湿地植被遥感产品对应的目标区域以及目标卫星传感器的空间分辨率确定的；
例如，可以将目标卫星传感器空间分辨率的1.5倍确定为距离阈值，将以目标区域的中心为原点，以上述距离阈值为半径的圆形区域，确定为测试区域。
又例如，本发明实施例可以将目标卫星传感器的空间分辨率确定为距离阈值，将目标区域的每一边界，沿每一边界的法线方向向着远离目标区域中心点的方向平移上述距离阈值之后，将平移后的各边界所形成的区域，确定为测试区域。可以理解的是，上述测试区域为正方形，上述测试区域的边长为目标卫星传感器的空间分辨率的3倍，上述测试区域可以均匀划分为面积相等的9个方形区域，每一方形区域的边长均为目标卫星传感器的空间分辨率，位于上述测试区域中心的方形区域即为目标区域。
需要说明的是，测试区域内的各采样点，是基于上述各实施例中的采样点确定方法确定的。在测试区域内确定采样点的具体步骤可以参见上述各实施例的内容，本发明实施例中不再赘述。
本发明实施例中可以将图像传感器依次设置于测试区域内每一采样点，进而可以利用图像传感器获取测试区域内每一采样点的图像数据。
步骤702、基于图像数据，获取待校验湿地植被遥感产品对应的地面测量值；
具体地，获取测试区域内每一采样点的图像数据之后，可以基于测试区域内各采样点的图像数据，通过数值计算、模型处理等方式，获取测试区域的植被指数和水体指数，作为待校验湿地植被遥感产品对应的地面测量值。
可以理解的是，在待校验湿地植被遥感产品，与待校验湿地植被遥感产品对应的地面测量值所包括的数据类型相同。
步骤703、基于地面测量值对待校验湿地植被遥感产品进行真实性校验，获取待校验湿地植被遥感产品的真实性校验结果；
具体地，获取待校验湿地植被遥感产品对应的地面测量值之后，可以基于上述地面测量值对待校验湿地植被遥感产品进行真实性校验，通过独立方法评价待校验湿地植被遥感产品与上述地面测量值的吻合程度，还可分析待校验湿地植被遥感产品与上述地面测量值之间的不确定性，从而获得待校验湿地植被遥感产品的真实性校验结果。
本发明实施例通过图像传感器获取测试区域内每一采样点的图像数据之后，基于上述图像数据，获取待校验湿地植被遥感产品对应的地面测量值，进而基于上述地面测量值对待校验湿地植被遥感产品进行真实性校验，获取待校验湿地植被遥感产品的真实性校验结果，测试区域内的各采样点是基于上述采样点确定方法确定的，能基于测试区域内能更准确、更客观地体现测试区域的植被特征的采样点，更准确地获取待校验湿地植被遥感产品对应的地面测量值，能提高待校验湿地植被遥感产品的真实性校验结果的准确性，能为卫星有效载荷的前期原理性研究和设计提供更准确地数据支持，能为遥感数据的质量评价、分析与控制提供更准确地数据依据。
图8是本发明提供的采样点确定装置的结构示意图。下面结合图8对本发明提供的采样点确定装置进行描述，下文描述的采样点确定装置与上文描述的本发明提供的采样点确定方法可相互对应参照。如图8所示，该装置包括：数据获取模块801、区域划分模块802、图斑划分模块803和采样点确定模块804。
数据获取模块801，用于获取测试区域的图像中每一像元的水体指数和植被指数；
区域划分模块802，用于基于每一像元的水体指数和植被数值，将图像划分为水体区域和陆地区域；
图斑划分模块803，用于基于水体区域内每一像元的水体指数，将水体区域分割为若干个水体图斑区域，基于陆地区域内每一像元的植被指数，将陆地区域分割为若干个陆地图斑区域；
采样点确定模块804，用于基于每一水体图斑区域在图像中的面积占比以及每一陆地图斑区域内每一植被类型的面积占比，在测试区域内确定若干个采样点。
具体地，数据获取模块801、区域划分模块802、图斑划分模块803和采样点确定模块804电连接。
本发明实施例中的采样点确定装置，通过基于测试区域的图像中每一像元的水体指数值和植被指数值，将测试区域的图像划分为水体区域和陆地区域之后，基于每一陆地图斑区域内每一植被类型的面积占比和每一水体图斑区域在测试区域的图像中的面积占比，在测试区域内确定若干个采样点，能更客观地在包括水体和陆地的测试区域内确定采样点，能提高在测试区域中确定采样点的效率，能实现采样点的实时获取，在测试区域内确定的采样点能更好地反映测试区域的湿地植被特征，能为湿地植被遥感产品真实性校验提供更准确、更高效地数据支撑。
图9是本发明提供的遥感产品真实性校验装置的结构示意图。下面结合图9对本发明提供的遥感产品真实性校验装置进行描述，下文描述的遥感产品真实性校验装置与上文描述的本发明提供的遥感产品真实性校验方法可相互对应参照。如图9所示，该装置包括：图像数据采集模块901、地面测量值获取模块902和真实性校验模块903。
图像数据采集模块901，用于利用图像传感器，获取测试区域内每一采样点的图像数据；
地面测量值获取模块902，用于基于图像数据，获取待校验湿地植被遥感产品对应的地面测量值；
真实性校验模块903，用于基于地面测量值对待校验湿地植被遥感产品进行真实性校验，获取待校验湿地植被遥感产品的真实性校验结果；
其中，测试区域是基于待校验湿地植被遥感产品确定的；采样点是基于如上所述的采样点确定方法确定的。
具体地，图像数据采集模块901、地面测量值获取模块902和真实性校验模块903电连接。
本发明实施例中的遥感产品真实性校验装置，通过图像传感器获取测试区域内每一采样点的图像数据之后，基于上述图像数据，获取待校验湿地植被遥感产品对应的地面测量值，进而基于上述地面测量值对待校验湿地植被遥感产品进行真实性校验，获取待校验湿地植被遥感产品的真实性校验结果，测试区域内的各采样点是基于上述采样点确定方法确定的，能基于测试区域内能更准确、更客观地体现测试区域的植被特征的采样点，更准确地获取待校验湿地植被遥感产品对应的地面测量值，能提高待校验湿地植被遥感产品的真实性校验结果的准确性，能为卫星有效载荷的前期原理性研究和设计提供更准确地数据支持，能为遥感数据的质量评价、分析与控制提供更准确地数据依据。
图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行采样点确定方法和/或遥感产品真实性校验方法。采样点确定方法包括：获取测试区域的图像中每一像元的水体指数和植被指数；基于每一像元的水体指数和植被数值，将图像划分为水体区域和陆地区域；基于水体区域内每一像元的水体指数，将水体区域分割为若干个水体图斑区域，基于陆地区域内每一像元的植被指数，将陆地区域分割为若干个陆地图斑区域；基于每一水体图斑区域在图像中的面积占比以及每一陆地图斑区域内每一植被类型的面积占比，在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。遥感产品真实性校验方法包括利用图像传感器，获取测试区域内每一采样点的图像数据；基于图像数据，获取待校验湿地植被遥感产品对应的地面测量值；基于地面测量值对待校验湿地植被遥感产品进行真实性校验，获取待校验湿地植被遥感产品的真实性校验结果；其中，测试区域是基于待校验湿地植被遥感产品确定的；采样点是基于如上所述的采样点确定方法确定的。
此外，上述的存储器1030中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的采样点确定方法和/或遥感产品真实性校验方法。获取测试区域的图像中每一像元的水体指数和植被指数；基于每一像元的水体指数和植被数值，将图像划分为水体区域和陆地区域；基于水体区域内每一像元的水体指数，将水体区域分割为若干个水体图斑区域，基于陆地区域内每一像元的植被指数，将陆地区域分割为若干个陆地图斑区域；基于每一水体图斑区域在图像中的面积占比以及每一陆地图斑区域内每一植被类型的面积占比，在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。遥感产品真实性校验方法包括利用图像传感器，获取测试区域内每一采样点的图像数据；基于图像数据，获取待校验湿地植被遥感产品对应的地面测量值；基于地面测量值对待校验湿地植被遥感产品进行真实性校验，获取待校验湿地植被遥感产品的真实性校验结果；其中，测试区域是基于待校验湿地植被遥感产品确定的；采样点是基于如上所述的采样点确定方法确定的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的采样点确定方法和/或遥感产品真实性校验方法。获取测试区域的图像中每一像元的水体指数和植被指数；基于每一像元的水体指数和植被数值，将图像划分为水体区域和陆地区域；基于水体区域内每一像元的水体指数，将水体区域分割为若干个水体图斑区域，基于陆地区域内每一像元的植被指数，将陆地区域分割为若干个陆地图斑区域；基于每一水体图斑区域在图像中的面积占比以及每一陆地图斑区域内每一植被类型的面积占比，在测试区域内确定若干个采样点并获取每一采样点在测试区域内的位置信息。遥感产品真实性校验方法包括利用图像传感器，获取测试区域内每一采样点的图像数据；基于图像数据，获取待校验湿地植被遥感产品对应的地面测量值；基于地面测量值对待校验湿地植被遥感产品进行真实性校验，获取待校验湿地植被遥感产品的真实性校验结果；其中，测试区域是基于待校验湿地植被遥感产品确定的；采样点是基于如上所述的采样点确定方法确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种采样点确定方法，其特征在于，包括：
获取测试区域的图像中每一像元的水体指数和植被指数；
基于每一所述像元的水体指数和植被指数，将所述图像划分为水体区域和陆地区域；
基于所述水体区域内每一像元的水体指数，将所述水体区域分割为若干个水体图斑区域，基于所述陆地区域内每一像元的植被指数，将所述陆地区域分割为若干个陆地图斑区域；
基于每一所述水体图斑区域在所述图像中的面积占比以及每一所述陆地图斑区域内每一植被类型的面积占比，在所述测试区域内确定若干个采样点并获取每一所述采样点在所述测试区域内的位置信息，每一所述陆地图斑区域内每一植被类型的面积占比，是基于所述陆地区域内每一像元的植被指数确定所述陆地区域内每一像元对应的植被类型之后，基于数理统计的方式获得的；
所述基于每一所述水体图斑区域在所述图像中的面积占比以及每一所述陆地图斑区域内每一植被类型的面积占比，在所述测试区域内确定若干个采样点，包括：
在任一水体图斑区域在所述图像中的面积占比不小于第一阈值的情况下，确定所述任一水体图斑区域对应的采样点数量为第一数量，在所述任一水体图斑区域在所述图像中的面积占比不小于第二阈值的情况下，确定所述任一水体图斑区域对应的采样点数量为第二数量，在所述任一水体图斑区域在所述图像中的面积占比不小于第三阈值的情况下，确定所述任一水体图斑区域对应的采样点数量为第三数量，
在任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第四阈值的情况下，确定所述任一陆地图斑区域对应的采样点数量为第四数量，在所述任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第五阈值的情况下，确定所述任一陆地图斑区域对应的采样点数量为第五数量，在所述任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第六阈值的情况下，确定所述任一陆地图斑区域内对应的采样点数量为第六数量；
基于每一所述水体图斑区域、每一所述陆地图斑区域、每一所述水体图斑区域对应的采样点数量和每一所述陆地图斑区域对应的采样点数量，在所述测试区域内确定若干个采样点；
其中，所述第一阈值、所述第二阈值和所述第三阈值依次递减；所述第一数量、所述第二数量和所述第三数量依次递减；
所述第四阈值、所述第五阈值和所述第六阈值依次递减；所述第四数量、所述第五数量和所述第六数量依次递减；
所述基于每一所述水体图斑区域、每一所述陆地图斑区域、每一所述水体图斑区域对应的采样点数量和每一所述陆地图斑区域对应的采样点数量，在所述测试区域内确定若干个采样点，包括：
对于任一水体图斑区域，在所述任一水体图斑区域对应的采样点数量为多个的情况下，将所述任一水体图斑区域的边界上距离所述任一水体图斑区域的几何中心点最远的一点，确定为所述任一水体图斑区域的目标边界点，
对于任一陆地图斑区域，在所述任一陆地图斑区域对应的采样点数量为多个的情况下，将所述任一陆地图斑区域的边界上距离所述任一陆地图斑区域的几何中心点最远的一点，确定为所述任一陆地图斑区域的目标边界点；
基于所述任一水体图斑区域对应的采样点数量，在所述任一水体图斑区域内的目标线段上确定相同数量的等分点，
基于所述任一陆地图斑区域对应的采样点数量，在所述任一陆地图斑区域内的目标线段上确定相同数量的等分点，
所述任一水体图斑区域内的目标线段包括：所述任一水体图斑区域的目标边界点与几何中心点在所述任一水体图斑区域内的连线以及所述连线在所述任一水体图斑区域内的延长线，
所述任一陆地图斑区域内的目标线段包括：所述任一陆地图斑区域的目标边界点与几何中心点在所述任一陆地图斑区域内的连线以及所述连线在所述任一陆地图斑区域内的延长线；
基于每一所述等分点在所述图像中的位置信息以及所述图像与所述测试区域之间的位置映射关系，将每一所述等分点在所述测试区域内的映射点，确定为一个所述采样点。
2.根据权利要求1所述的采样点确定方法，其特征在于，所述基于每一所述水体图斑区域、每一所述陆地图斑区域、每一所述水体图斑区域对应的采样点数量和每一所述陆地图斑区域对应的采样点数量，在所述测试区域内确定若干个采样点，包括：
对于任一水体图斑区域，在所述任一水体图斑区域对应的采样点数量为1个的情况下，基于所述任一水体图斑区域的几何中心点在所述图像中的位置信息以及所述图像与所述测试区域之间的位置映射关系，将所述任一水体图斑区域的几何中心点在所述测试区域内的映射点，确定为一个所述采样点，
对于任一陆地图斑区域，在所述任一陆地图斑区域对应的采样点数量为1个的情况下，基于所述任一陆地图斑区域的几何中心点在所述图像中的位置信息以及所述图像与所述测试区域之间的位置映射关系，将所述任一陆地图斑区域的几何中心点在所述测试区域内的映射点，确定为一个所述采样点。
3.根据权利要求1所述的采样点确定方法，其特征在于，所述基于所述水体区域内每一像元的水体指数，将所述水体区域分割为若干个水体图斑区域，基于所述陆地区域内每一像元的植被指数，将所述陆地区域分割为若干个陆地图斑区域，包括：
基于所述水体区域内每一像元的水体指数和图像阈值分割算法，将所述水体区域分割为若干个水体图斑区域，
基于所述陆地区域内每一像元的植被指数和图像阈值分割算法，将所述陆地区域分割为若干个陆地图斑区域。
4.根据权利要求1至3任一所述的采样点确定方法，其特征在于，所述测试区域的图像是基于如下步骤获取的：
获取所述测试区域的边界信息；
基于所述边界信息以及无人机搭载的图像传感器的视场角，获取所述无人机的飞行高度和悬停位置信息，所述无人机搭载的图像传感器设置于所述无人机的底部，且所述图像传感器的拍摄方向垂直于所述测试区域；
基于所述飞行高度和所述悬停位置信息，控制所述无人机采集所述测试区域的图像；
获取所述无人机采集到的所述图像。
5.一种遥感产品真实性校验方法，其特征在于，包括：
利用图像传感器，获取测试区域内每一采样点的图像数据；
基于所述图像数据，获取待校验湿地植被遥感产品对应的地面测量值；
基于所述地面测量值对所述待校验湿地植被遥感产品进行真实性校验，获取所述待校验湿地植被遥感产品的真实性校验结果；
其中，所述测试区域是基于所述待校验湿地植被遥感产品确定的；所述采样点是基于如权利要求1至4任一所述的采样点确定方法确定的。
6.一种采样点确定装置，其特征在于，包括：
数据获取模块，用于获取测试区域的图像中每一像元的水体指数和植被指数；
区域划分模块，用于基于每一所述像元的水体指数和植被指数，将所述图像划分为水体区域和陆地区域；
图斑划分模块，用于基于所述水体区域内每一像元的水体指数，将所述水体区域分割为若干个水体图斑区域，基于所述陆地区域内每一像元的植被指数，将所述陆地区域分割为若干个陆地图斑区域；
采样点确定模块，用于基于每一所述水体图斑区域在所述图像中的面积占比以及每一所述陆地图斑区域内每一植被类型的面积占比，在所述测试区域内确定若干个采样点，每一所述陆地图斑区域内每一植被类型的面积占比，是基于所述陆地区域内每一像元的植被指数确定所述陆地区域内每一像元对应的植被类型之后，基于数理统计的方式获得的；
所述采样点确定模块基于每一所述水体图斑区域在所述图像中的面积占比以及每一所述陆地图斑区域内每一植被类型的面积占比，在所述测试区域内确定若干个采样点，包括：
在任一水体图斑区域在所述图像中的面积占比不小于第一阈值的情况下，确定所述任一水体图斑区域对应的采样点数量为第一数量，在所述任一水体图斑区域在所述图像中的面积占比不小于第二阈值的情况下，确定所述任一水体图斑区域对应的采样点数量为第二数量，在所述任一水体图斑区域在所述图像中的面积占比不小于第三阈值的情况下，确定所述任一水体图斑区域对应的采样点数量为第三数量，
在任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第四阈值的情况下，确定所述任一陆地图斑区域对应的采样点数量为第四数量，在所述任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第五阈值的情况下，确定所述任一陆地图斑区域对应的采样点数量为第五数量，在所述任一陆地图斑区域内任一植被类型所占区域的面积占比不小于第六阈值的情况下，确定所述任一陆地图斑区域内对应的采样点数量为第六数量；
基于每一所述水体图斑区域、每一所述陆地图斑区域、每一所述水体图斑区域对应的采样点数量和每一所述陆地图斑区域对应的采样点数量，在所述测试区域内确定若干个采样点；
其中，所述第一阈值、所述第二阈值和所述第三阈值依次递减；所述第一数量、所述第二数量和所述第三数量依次递减；
所述第四阈值、所述第五阈值和所述第六阈值依次递减；所述第四数量、所述第五数量和所述第六数量依次递减；
所述采样点确定模块基于每一所述水体图斑区域、每一所述陆地图斑区域、每一所述水体图斑区域对应的采样点数量和每一所述陆地图斑区域对应的采样点数量，在所述测试区域内确定若干个采样点，包括：
对于任一水体图斑区域，在所述任一水体图斑区域对应的采样点数量为多个的情况下，将所述任一水体图斑区域的边界上距离所述任一水体图斑区域的几何中心点最远的一点，确定为所述任一水体图斑区域的目标边界点，
对于任一陆地图斑区域，在所述任一陆地图斑区域对应的采样点数量为多个的情况下，将所述任一陆地图斑区域的边界上距离所述任一陆地图斑区域的几何中心点最远的一点，确定为所述任一陆地图斑区域的目标边界点；
基于所述任一水体图斑区域对应的采样点数量，在所述任一水体图斑区域内的目标线段上确定相同数量的等分点，
基于所述任一陆地图斑区域对应的采样点数量，在所述任一陆地图斑区域内的目标线段上确定相同数量的等分点，
所述任一水体图斑区域内的目标线段包括：所述任一水体图斑区域的目标边界点与几何中心点在所述任一水体图斑区域内的连线以及所述连线在所述任一水体图斑区域内的延长线，
所述任一陆地图斑区域内的目标线段包括：所述任一陆地图斑区域的目标边界点与几何中心点在所述任一陆地图斑区域内的连线以及所述连线在所述任一陆地图斑区域内的延长线；
基于每一所述等分点在所述图像中的位置信息以及所述图像与所述测试区域之间的位置映射关系，将每一所述等分点在所述测试区域内的映射点，确定为一个所述采样点。
7.一种遥感产品真实性校验装置，其特征在于，包括：
图像数据采集模块，用于利用图像传感器，获取测试区域内每一采样点的图像数据；
地面测量值获取模块，用于基于所述图像数据，获取待校验湿地植被遥感产品对应的地面测量值；
真实性校验模块，用于基于所述地面测量值对所述待校验湿地植被遥感产品进行真实性校验，获取所述待校验湿地植被遥感产品的真实性校验结果；
其中，所述测试区域是基于所述待校验湿地植被遥感产品确定的；所述采样点是基于如权利要求1至4任一所述的采样点确定方法确定的。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述采样点确定方法，和/或，如权利要求5所述遥感产品真实性校验方法。
CN202310801101.8A 2023-06-30 2023-06-30 采样点确定、遥感产品真实性校验方法、装置及电子设备 Active CN116824157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310801101.8A CN116824157B (zh) 2023-06-30 2023-06-30 采样点确定、遥感产品真实性校验方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310801101.8A CN116824157B (zh) 2023-06-30 2023-06-30 采样点确定、遥感产品真实性校验方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN116824157A CN116824157A (zh) 2023-09-29
CN116824157B true CN116824157B (zh) 2024-02-02

Family

ID=88116353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310801101.8A Active CN116824157B (zh) 2023-06-30 2023-06-30 采样点确定、遥感产品真实性校验方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116824157B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699624A (zh) * 2016-03-07 2016-06-22 中国科学院南京土壤研究所 一种基于土壤发生层厚度预测的土壤有机碳储量估算方法
CN109409265A (zh) * 2018-10-15 2019-03-01 中国科学院地理科学与资源研究所 一种基于陆地资源卫星影像的浮筏养殖区域提取方法
CN115097097A (zh) * 2022-05-16 2022-09-23 生态环境部南京环境科学研究所 一种用于土壤重金属背景值调查的布点采样方法
CN115187866A (zh) * 2022-07-25 2022-10-14 苏州中科天启遥感科技有限公司 基于高分辨率影像的生态图斑提取方法
CN115294460A (zh) * 2022-10-08 2022-11-04 杭州领见数字农业科技有限公司 雷竹林退化程度确定方法、介质和电子设备
CN116012723A (zh) * 2022-12-08 2023-04-25 北京师范大学 基于时序遥感影像的湿地类型提取方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699624A (zh) * 2016-03-07 2016-06-22 中国科学院南京土壤研究所 一种基于土壤发生层厚度预测的土壤有机碳储量估算方法
CN109409265A (zh) * 2018-10-15 2019-03-01 中国科学院地理科学与资源研究所 一种基于陆地资源卫星影像的浮筏养殖区域提取方法
CN115097097A (zh) * 2022-05-16 2022-09-23 生态环境部南京环境科学研究所 一种用于土壤重金属背景值调查的布点采样方法
CN115187866A (zh) * 2022-07-25 2022-10-14 苏州中科天启遥感科技有限公司 基于高分辨率影像的生态图斑提取方法
CN115294460A (zh) * 2022-10-08 2022-11-04 杭州领见数字农业科技有限公司 雷竹林退化程度确定方法、介质和电子设备
CN116012723A (zh) * 2022-12-08 2023-04-25 北京师范大学 基于时序遥感影像的湿地类型提取方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于随机森林算法的土壤图斑分解";望陈运;《基础科学辑》;摘要，第1-7章 *

Also Published As

Publication number Publication date
CN116824157A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN112381861B (zh) 一种基于地基激光雷达的林地点云数据配准和分割方法
CN110287932B (zh) 基于深度学习图像语义分割的道路阻断信息提取方法
Lin et al. Quality control and crop characterization framework for multi-temporal UAV LiDAR data over mechanized agricultural fields
CN112541921B (zh) 城市绿地植被信息数据化精准测定方法
Kuželka et al. Automatic detection and quantification of wild game crop damage using an unmanned aerial vehicle (UAV) equipped with an optical sensor payload: a case study in wheat
David et al. Vegetation indices and textures in object-based weed detection from UAV imagery
CN115266632A (zh) 一种水体污染源无人机高光谱遥感排查方法
CN107527037A (zh) 基于无人机遥感数据的蓝藻识别与分析系统
CN110988909A (zh) 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法
Bai et al. A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery
CN114202675A (zh) 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统
CN116912706B (zh) 采样点确定、植被遥感产品真实性校验方法、装置及设备
CN116561509A (zh) 顾及植被类型的城市植被地上生物量精确反演方法及系统
Tao et al. Recognition of ecological vegetation fairy circles in intertidal salt marshes from UAV LiDAR point clouds
CN116665081B (zh) 一种滨海植被地上生物量的估算方法、计算机设备及介质
CN116824157B (zh) 采样点确定、遥感产品真实性校验方法、装置及电子设备
Hosingholizade et al. Height estimation of pine (Pinus eldarica) single trees using slope corrected shadow length on unmanned aerial vehicle (UAV) imagery in a plantation forest
RU2769575C1 (ru) Способ генерации карт деградации почвенного покрова
KR102453056B1 (ko) 라이다 데이터를 이용한 훼손지 식생 복원모델 산출시스템 및 방법, 이를 실행하는 프로그램 기록매체
CN113378700B (zh) 基于无人机航拍影像的草原鼠害动态监测方法
CN112580504B (zh) 基于高分辨率卫星遥感影像的树种分类计数方法及装置
CN115311581A (zh) 一种基于无人机高光谱的红树林生态健康评估系统
Chen et al. A new vegetation index based on UAV for extracting plateau vegetation information
Jaya et al. Spatial analysis of vegetation density classification in determining environmental impacts using uav imagery
Li et al. High-throughput plant height estimation from RGB Images acquired with Aerial platforms: a 3D point cloud based approach

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