CN116935227A - 基于卫星遥感影像的农作物产量分析方法、系统和介质 - Google Patents
基于卫星遥感影像的农作物产量分析方法、系统和介质 Download PDFInfo
- Publication number
- CN116935227A CN116935227A CN202310969005.4A CN202310969005A CN116935227A CN 116935227 A CN116935227 A CN 116935227A CN 202310969005 A CN202310969005 A CN 202310969005A CN 116935227 A CN116935227 A CN 116935227A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- crop
- data
- image data
- crop yield
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 abstract description 3
- 238000001556 precipitation Methods 0.000 description 36
- 230000036541 health Effects 0.000 description 30
- 238000002310 reflectometry Methods 0.000 description 16
- 239000002689 soil Substances 0.000 description 16
- 240000008042 Zea mays Species 0.000 description 8
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 8
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 8
- 235000005822 corn Nutrition 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 210000000744 eyelid Anatomy 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000894007 species Species 0.000 description 3
- 206010063493 Premature ageing Diseases 0.000 description 2
- 208000032038 Premature aging Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012272 crop production Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
- G06V10/70—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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Astronomy & Astrophysics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明公开的一种基于卫星遥感影像的农作物产量分析方法、系统和介质,可以通过卫星遥感影像对农作物产量进行预测,获取检测图像数据后,根据农作物的波谱反射特征和时序特征进行分析,得到所述检测图像内的农作物种类信息,然后根据所述检测图像数据进行分析,得到多个遥感数据,之后根据不同特征信息对农作物产量的贡献率比率对其特征信息进行拆分融合,得到融合遥感数据,之后将所述融合遥感数据转换为三维直方图数据并输入至预设农作物产量预测网络模型,得到农作物产量预测信息。
Description
技术领域
本申请涉及数据处理和数据传输领域,更具体的,涉及一种基于卫星遥感影像的农作物产量分析方法、系统和介质。
背景技术
传统的农作物产量预测是通过抽样调查的方式得出的,抽样调查方式包括简单随机抽样、系统抽样法、分层抽样法、整群抽样法和多阶段抽样法。抽样调查方式通过概率统计方法得出农作物最终产量预测数值,但其实验是在农作物成熟后的进行的,以实际产量的一小部分作为样本来对整体进行估测,无法通过农作物生长期间对农作物最终产量进行预测,也不能为农作物生长环境监测和调整其生长环境提供直接依据。
因此现有技术存在缺陷,急需改进。
发明内容
鉴于上述问题,本发明的目的是提供一种基于卫星遥感影像的农作物产量分析方法、系统和介质,能够更有效更快速的对农作物产量进行分析预测。
本发明第一方面提供了一种基于卫星遥感影像的农作物产量分析方法,包括:
获取检测图像数据;
根据所述检测图像数据进行分析,得到所述图像内农作物种类信息和融合遥感数据;
根据所述融合遥感数据进行分析,得到得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
本方案中,还包括:
获取历史图像数据;
对所述历史图像数据进行筛选,得到样本图像数据集;
根据所述样本图像数据集进行分析,建立预设农作物产量预测网络模型。
本方案中,根据所述检测图像数据进行分析,得到所述图像内农作物种类信息,包括:
根据所述检测图像数据进行分析,得到农作物候选框;
根据所述农作物候选框进行分析,得到待检测农作物图像数据;
根据所述待检测农作物图像数据进行分析,得到所述图像内农作物种类信息;
将所述图像内农作物种类信息对所述检测图像数据进行标记。
本方案中,根据所述检测图像数据进行分析,得到所述融合遥感数据,包括:
根据所述检测图像数据进行分析,得到多个遥感数据;
对所述多个遥感数据进行分割融合,得到融合遥感数据。
本方案中,还包括:
获取融合遥感数据;
根据所述融合遥感数据进行分析,得到所述融合遥感数据的每个频段像素值和频段数量;
根据所述融合遥感数据的每个频段像素值和频段数量,将所述融合遥感数据转换为三维直方图数据。
本方案中,还包括:
获取三维直方图数据;
将所述三维直方图数据输入至预设农作物产量预测网络模型进行特征提取,得到图像特征;
根据所述图像特征进行分析,得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
本发明第二方面提供了一种基于卫星遥感影像的农作物产量分析系统,包括存储器和处理器,所述存储器中包括基于卫星遥感影像的农作物产量分析方法程序,所述基于卫星遥感影像的农作物产量分析方法程序被所述处理器执行时实现如下步骤:
获取检测图像数据;
根据所述检测图像数据进行分析,得到所述图像内农作物种类信息和融合遥感数据;
根据所述融合遥感数据进行分析,得到得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
本方案中,还包括:
获取历史图像数据;
对所述历史图像数据进行筛选,得到样本图像数据集;
根据所述样本图像数据集进行分析,建立预设农作物产量预测网络模型。
本方案中,根据所述检测图像数据进行分析,得到所述图像内农作物种类信息,包括:
根据所述检测图像数据进行分析,得到农作物候选框;
根据所述农作物候选框进行分析,得到待检测农作物图像数据;
根据所述待检测农作物图像数据进行分析,得到所述图像内农作物种类信息;
将所述图像内农作物种类信息对所述检测图像数据进行标记。
本方案中,根据所述检测图像数据进行分析,得到所述融合遥感数据,包括:
根据所述检测图像数据进行分析,得到多个遥感数据;
对所述多个遥感数据进行分割融合,得到融合遥感数据。
本方案中,还包括:
获取融合遥感数据;
根据所述融合遥感数据进行分析,得到所述融合遥感数据的每个频段像素值和频段数量;
根据所述融合遥感数据的每个频段像素值和频段数量,将所述融合遥感数据转换为三维直方图数据。
本方案中,还包括:
获取三维直方图数据;
将所述三维直方图数据输入至预设农作物产量预测网络模型进行特征提取,得到图像特征;
根据所述图像特征进行分析,得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于卫星遥感影像的农作物产量分析方法程序,所述一种基于卫星遥感影像的农作物产量分析方法程序被处理器执行时,实现如上述任一项所述的一种基于卫星遥感影像的农作物产量分析方法的步骤。
本发明公开的一种基于卫星遥感影像的农作物产量分析方法、系统和介质,可以通过卫星遥感影像对农作物产量进行预测,获取检测图像数据后,根据农作物的波谱反射特征和时序特征进行分析,得到所述检测图像内的农作物种类信息,然后根据所述检测图像数据进行分析,得到多个遥感数据,之后根据不同特征信息对农作物产量的贡献率比率对其特征信息进行拆分融合,得到融合遥感数据,之后将所述融合遥感数据转换为三维直方图数据并输入至预设农作物产量预测网络模型,得到农作物产量预测信息。
附图说明
图1示出了本发明一种基于卫星遥感影像的农作物产量分析方法的流程图;
图2示出了本发明一种农作物种类信息获取方法的流程图;
图3示出了本发明一种融合遥感数据获取方法的流程图;
图4示出了本发明一种基于卫星遥感影像的农作物产量分析系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于卫星遥感影像的农作物产量分析方法的流程图。
如图1所示,本发明公开了一种基于卫星遥感影像的农作物产量分析方法,包括:
S102,获取检测图像数据;
S104,根据所述检测图像数据进行分析,得到所述图像内农作物种类信息和融合遥感数据;
S106,根据所述融合遥感数据进行分析,得到得到农作物产量预测信息;
S108,将所述农作物产量预测信息发送至预设终端。
根据本发明实施例,获取检测图像数据后,根据农作物的波谱反射特征和时序特征进行分析,得到所述检测图像内的农作物种类信息,然后根据所述检测图像数据进行分析,得到多个遥感数据,之后根据不同特征信息对农作物产量的贡献率比率对其特征信息进行拆分融合,得到融合遥感数据,所述多个遥感数据分别为植被健康指数、土壤湿度指数、陆地表面反射率和土地覆盖类型。之后将所述融合遥感数据转换为三维直方图数据并输入至预设农作物产量预测网络模型,得到农作物产量预测信息。其中,所述预设终端为显示器客户端。
根据本发明实施例,还包括:
获取历史图像数据;
对所述历史图像数据进行筛选,得到样本图像数据集;
根据所述样本图像数据集进行分析,建立预设农作物产量预测网络模型。
需要说明的是,所述历史图像数据为某地区历史卫星遥感图像数据以及其历史年份相对应的农作物产量信息,对获取的历史图像数据进行筛选的目的是为了剔除无关数据和不完整数据,从而保证样本图像数据集的完整性。然后随机选取某年份的数据作为测试集,其余年份的数据则作为训练集,通过训练集数据训练得到初始农作物产量预测网络模型,之后通过测试集对所述初始农作物产量预测网络模型精准度进行测试评估,并根据测试结果对所述初始农作物产量预测网络模型进行调整,最终得到预设农作物产量预测网络模型。
图2示出了本发明一种农作物种类信息获取方法的流程图。
如图2所示,根据本发明实施例,根据所述检测图像数据进行分析,得到所述图像内农作物种类信息,包括:
S202,根据所述检测图像数据进行分析,得到农作物候选框;
S204,根据所述农作物候选框进行分析,得到待检测农作物图像数据;
S206,根据所述待检测农作物图像数据进行分析,得到所述图像内农作物种类信息;
S208,将所述图像内农作物种类信息对所述检测图像数据进行标记。
需要说明的是,确定农作物种类信息的主要根据不同农作物的波谱反射特征和时序特征不同,从而对不同类别的作物进行分类,并对种植面积进行统计。农作物的近红外反射主要取决于叶片的内部结构,以及各种作物的叶片内部结构,通过光谱反射特性可以进行简单的识别。然后,在通过农作物的时间特征对农作物种类进行更详细的分类,对于基于时序特征的农作物遥感技术,考虑到季相节律性和物候变化规律性的特点,利用时间序列的遥感数据,对农作物生长区间内的关键性特征进行提取,作为农作物的关键特征,结合当地农作物的物候历信息,从而确定其农作物的种类信息。
图3示出了本发明一种融合遥感数据获取方法的流程图。
如图3所示,根据本发明实施例,还包括:
S302,根据所述检测图像数据进行分析,得到多个遥感数据;
S304,对所述多个遥感数据进行分割融合,得到融合遥感数据。
需要说明的是,所述多个遥感数据为植被健康指数、土壤湿度指数、陆地表面反射率和土地覆盖类型。所述多个遥感数据分别通过不同的遥感图像数据获取,其中,植被健康指数由植被状态指数和温度条件指数共同计算得到,通过植被健康指数可以直观的得到农作物的健康水平;土壤湿度指数为土壤含水量,通过土壤湿度指数可以判断农作物是否得到充足的水分,从而判断农作物的生长情况;陆地表面反射率为陆地表面对太阳辐射的吸收能力和反射能力,不同的地表状态对太阳辐射的反射率不同,可以通过陆地表面反射率判断农作物的稀疏程度;通过土地覆盖类型可以判断检测区域是否为农作物种植区域。在获取所述多个遥感数据后,根据其特征信息的贡献率对所述多个遥感数据进行拆分重组,融合成融合遥感数据,其图像频段为9。
根据本发明实施例,还包括:
获取融合遥感数据;
根据所述融合遥感数据进行分析,得到所述融合遥感数据的每个频段像素值和频段数量;
根据所述融合遥感数据的每个频段像素值和频段数量,将所述融合遥感数据转换为三维直方图数据。
需要说明的是,数字图像中的像素是离散的,在每个频段的频率范围为0-255,直方图区间大小为256,所述融合遥感数据的图像频段为9,将数值区间较大的数据输入神经网络,在误差反向传递时可能会出现梯度消失和梯度爆炸等问题。为了确保模型的最终统一,将为遥感图像的每个频率范围计算直方图,并将每个频率范围h从0到255分成多个子区间,通过将所有频率范围h进行连接从而紧凑地表示原始多光谱图像,将所述融合遥感数据转换为三维直方图数据。从而,去除遥感图像数据中的空间位置信息,将高维图像映射在三维直方图上,加快网络速度,并删除与模型预测无关的特征。
根据本发明实施例,还包括:
获取三维直方图数据;
将所述三维直方图数据输入至预设农作物产量预测网络模型进行特征提取,得到图像特征;
根据所述图像特征进行分析,得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
需要说明的是,所述预设农作物产量预测网络模型为CNN网络和LSTM网络组成的混合网络模型,其中,CNN网络负责对三维直方图数据进行特征提取,LSTM网络负责研究输入数据之间的关系,在农作物的生长过程中,后期的生长环境在很大程度上取决于农作物前期的生长环境,最终的农作物产量受农作物生产周期内整个生长环境的影响,通过LSTM网络可以对农作物整个生长周期内所受到的生长环境影响进行分析,结合整体情况对农作物的产量进行预测。
根据本发明实施例,对所述多个遥感数据进行分割融合,得到融合遥感数据,具体为:
获取多个遥感数据;
根据贡献率对所述多个遥感数据进行分割,得到多个分割特征信息;
将所述分割特征信息进行融合,得到融合遥感数据。
需要说明的是,首先,所述多个遥感数据按照设定的时间单位(年或月)进行划分,每种特征信息被划分为时间区间相等的分段。随后,选取同一时间段的特征信息进行合并,得到融合遥感数据。所述多个遥感数据具体为植被健康指数A、土壤湿度指数B、陆地表面反射率C和土地覆盖类型D。之后,根据其对农产品产量预测的贡献率进行分割,其中,陆地表面反射率C的贡献率较大,对其进行7个步长的分割,分别对植被健康指数A和土壤湿度指数B进行一个步长的分割,首先将上述三个分割数据在同一个矩阵内进行融合,再将融合得到的数据与土地覆盖类型D进行融合,得到融合遥感数据。根据其土地覆盖类型将土地覆盖类型D的数值设置为0或1,其中,1表示目标区域为农作物种植区域,0表示目标区域为非农作物种植区域。
根据本发明实施例,获取检测图像数据后,对所述检测图像数据进行预处理,包括:
获取检测图像数据;
对所述检测图像数据进行几何校正,得到矫正图像数据;
对所述矫正图像数据进行图像修剪,对图像内的无关元素进行剔除。
需要说明的是,在获取检测图像数据的过程中,由于外界环境和检测设备自身的影响,会使获取的检测图像数据存在图像错位,或出现“双眼皮”的现象,因此在进行数据分析前需要对所述检测图像数据进行预处理,针对上述两种问题,可以通过遥感图像处理平台(ENVI)对所述检测图像数据进行处理,对其图像角度进行校正,并除去图像中的“双眼皮”的现象,从而对所述检测图像数据进行几何校正。此外,遥感图像通常包含检测区域内所有类型的植被信息,其中存在的植被与森林等无关植被区域对预测结果产生干扰,因此需要特定的作物掩膜对其无关植被区域进行修剪,对图像内的无关元素进行剔除,对图像内农作物区域的图像进行提取。
根据本发明实施例,还包括:
获取农作物生长周期内的降水量信息;
根据所述农作物生长周期内的降水量信息进行分析,判断所述农作物生长周期内的降水量信息是否处于预设阈值区间;
若是,则不进行处理,若否,则根据所述农作物生长周期内的降水量信息对农作物产量预测信息进行调整。
需要说明的是,农作物生长周期内的降水量同样对农作物的产量有一定的影响,适宜的降水量能过提高农作物的产量,同样,过多或或少的降水量会降低农作物的产量,以玉米为例,玉米生长期间适宜降水量区间410—640mm,降水量过少则会影响玉米的产量和品质,降水量过多则会造成玉米烂根生芽涝烂根脱肥早衰死苗等影响。通过收集农作物生长周期内的降水量信息,并将其与所述农作物生长所需的降水量区间进行对比,判断是否处于其农作物生长所需的降水量区间,也就是预设阈值区间,若不处于预设阈值区间,则根据实际的降水量进行模拟,以一定的比例对农作物产量预测信息进行调整。
根据本发明实施例,还包括:
获取用户身份信息;
根据所述用户身份信息进行分析,判断所述用户身份信息是否合法;
若合法,则允许所述用户进行登录;若不合法,则禁止所述用户进行登录。
需要说明的是,为保证数据的安全性,系统禁止未进行登录授权的用户对预测数据进行查看,所述用户身份信息包括用户的用户名和密码,所述用户名和密码在用户进行身份注册是进行设定,当用户登录时,用户登录系统必须对用户输入的用户名和密码进行验证,以判断所述用户身份信息是否合法。
根据本发明实施例,还包括:
获取无人机检测图像数据;
根据所述无人机检测图像数据进行分析,得到所述检测图像内农作物的健康信息;
根据所述检测图像内农作物的健康信息对种植区域的全部农作物健康信息进行预测,得到种植区域整体农作物的健康信息。
需要说明的是,所述无人机检测图像数据通过无人机携带的摄像装置拍摄获取,无人机根据系统预设的距离对待检测农作物种植区域进行拍摄,并将拍摄得到的无人机检测图像数据传输至服务器,之后,服务器根据接收的无人机检测图像数据对所述检测图像内农作物的健康信息进行分析,判断所述农作物的健康信息是否处于农作物正常生长的健康阈值区间,若否,则根据实际农作物的健康信息,以一定的比例对农作物产量预测信息进行调整。
图4示出了本发明一种基于卫星遥感影像的农作物产量分析系统的框图。
如图4所示,本发明第二方面提供了一种基于卫星遥感影像的农作物产量分析系统4,包括存储器41和处理器42,所述存储器中包括基于卫星遥感影像的农作物产量分析方法程序,所述基于卫星遥感影像的农作物产量分析方法程序被所述处理器执行时实现如下步骤:
获取检测图像数据;
根据所述检测图像数据进行分析,得到所述图像内农作物种类信息和融合遥感数据;
根据所述融合遥感数据进行分析,得到得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
根据本发明实施例,获取检测图像数据后,根据农作物的波谱反射特征和时序特征进行分析,得到所述检测图像内的农作物种类信息,然后根据所述检测图像数据进行分析,得到多个遥感数据,之后根据不同特征信息对农作物产量的贡献率比率对其特征信息进行拆分融合,得到融合遥感数据,所述多个遥感数据分别为植被健康指数、土壤湿度指数、陆地表面反射率和土地覆盖类型。之后将所述融合遥感数据转换为三维直方图数据并输入至预设农作物产量预测网络模型,得到农作物产量预测信息。其中,所述预设终端为显示器客户端。
根据本发明实施例,还包括:
获取历史图像数据;
对所述历史图像数据进行筛选,得到样本图像数据集;
根据所述样本图像数据集进行分析,建立预设农作物产量预测网络模型。
需要说明的是,所述历史图像数据为某地区历史卫星遥感图像数据以及其历史年份相对应的农作物产量信息,对获取的历史图像数据进行筛选的目的是为了剔除无关数据和不完整数据,从而保证样本图像数据集的完整性。然后随机选取某年份的数据作为测试集,其余年份的数据则作为训练集,通过训练集数据训练得到初始农作物产量预测网络模型,之后通过测试集对所述初始农作物产量预测网络模型精准度进行测试评估,并根据测试结果对所述初始农作物产量预测网络模型进行调整,最终得到预设农作物产量预测网络模型。
根据本发明实施例,根据所述检测图像数据进行分析,得到所述图像内农作物种类信息,包括:
根据所述检测图像数据进行分析,得到农作物候选框;
根据所述农作物候选框进行分析,得到待检测农作物图像数据;
根据所述待检测农作物图像数据进行分析,得到所述图像内农作物种类信息;
将所述图像内农作物种类信息对所述检测图像数据进行标记。
需要说明的是,确定农作物种类信息的主要根据不同农作物的波谱反射特征和时序特征不同,从而对不同类别的作物进行分类,并对种植面积进行统计。农作物的近红外反射主要取决于叶片的内部结构,以及各种作物的叶片内部结构,通过光谱反射特性可以进行简单的识别。然后,在通过农作物的时间特征对农作物种类进行更详细的分类,对于基于时序特征的农作物遥感技术,考虑到季相节律性和物候变化规律性的特点,利用时间序列的遥感数据,对农作物生长区间内的关键性特征进行提取,作为农作物的关键特征,结合当地农作物的物候历信息,从而确定其农作物的种类信息。
根据本发明实施例,根据所述检测图像数据进行分析,得到所述图像内农作物种类信息,包括:
根据所述检测图像数据进行分析,得到多个遥感数据;
对所述多个遥感数据进行分割融合,得到融合遥感数据。
需要说明的是,所述多个遥感数据为植被健康指数、土壤湿度指数、陆地表面反射率和土地覆盖类型。所述多个遥感数据分别通过不同的遥感图像数据获取,其中,植被健康指数由植被状态指数和温度条件指数共同计算得到,通过植被健康指数可以直观的得到农作物的健康水平;土壤湿度指数为土壤含水量,通过土壤湿度指数可以判断农作物是否得到充足的水分,从而判断农作物的生长情况;陆地表面反射率为陆地表面对太阳辐射的吸收能力和反射能力,不同的地表状态对太阳辐射的反射率不同,可以通过陆地表面反射率判断农作物的稀疏程度;通过土地覆盖类型可以判断检测区域是否为农作物种植区域。在获取所述多个遥感数据后,根据其特征信息的贡献率对所述多个遥感数据进行拆分重组,融合成融合遥感数据,其图像频段为9。
根据本发明实施例,还包括:
获取融合遥感数据;
根据所述融合遥感数据进行分析,得到所述融合遥感数据的每个频段像素值和频段数量;
根据所述融合遥感数据的每个频段像素值和频段数量,将所述融合遥感数据转换为三维直方图数据。
需要说明的是,数字图像中的像素是离散的,在每个频段的频率范围为0-255,直方图区间大小为256,所述融合遥感数据的图像频段为9,将数值区间较大的数据输入神经网络,在误差反向传递时可能会出现梯度消失和梯度爆炸等问题。为了确保模型的最终统一,将为遥感图像的每个频率范围计算直方图,并将每个频率范围h从0到255分成多个子区间,通过将所有频率范围h进行连接从而紧凑地表示原始多光谱图像,将所述融合遥感数据转换为三维直方图数据。从而,去除遥感图像数据中的空间位置信息,将高维图像映射在三维直方图上,加快网络速度,并删除与模型预测无关的特征。
根据本发明实施例,还包括:
获取三维直方图数据;
将所述三维直方图数据输入至预设农作物产量预测网络模型进行特征提取,得到图像特征;
根据所述图像特征进行分析,得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
需要说明的是,所述预设农作物产量预测网络模型为CNN网络和LSTM网络组成的混合网络模型,其中,CNN网络负责对三维直方图数据进行特征提取,LSTM网络负责研究输入数据之间的关系,在农作物的生长过程中,后期的生长环境在很大程度上取决于农作物前期的生长环境,最终的农作物产量受农作物生产周期内整个生长环境的影响,通过LSTM网络可以对农作物整个生长周期内所受到的生长环境影响进行分析,结合整体情况对农作物的产量进行预测。
根据本发明实施例,对所述多个遥感数据进行分割融合,得到融合遥感数据,具体为:
获取多个遥感数据;
根据贡献率对所述多个遥感数据进行分割,得到多个分割特征信息;
将所述分割特征信息进行融合,得到融合遥感数据。
需要说明的是,首先,所述多个遥感数据按照设定的时间单位(年或月)进行划分,每种特征信息被划分为时间区间相等的分段。随后,选取同一时间段的特征信息进行合并,得到融合遥感数据。所述多个遥感数据具体为植被健康指数A、土壤湿度指数B、陆地表面反射率C和土地覆盖类型D。之后,根据其对农产品产量预测的贡献率进行分割,其中,陆地表面反射率C的贡献率较大,对其进行7个步长的分割,分别对植被健康指数A和土壤湿度指数B进行一个步长的分割,首先将上述三个分割数据在同一个矩阵内进行融合,再将融合得到的数据与土地覆盖类型D进行融合,得到融合遥感数据。根据其土地覆盖类型将土地覆盖类型D的数值设置为0或1,其中,1表示目标区域为农作物种植区域,0表示目标区域为非农作物种植区域。
根据本发明实施例,获取检测图像数据后,对所述检测图像数据进行预处理,包括:
获取检测图像数据;
对所述检测图像数据进行几何校正,得到矫正图像数据;
对所述矫正图像数据进行图像修剪,对图像内的无关元素进行剔除。
需要说明的是,在获取检测图像数据的过程中,由于外界环境和检测设备自身的影响,会使获取的检测图像数据存在图像错位,或出现“双眼皮”的现象,因此在进行数据分析前需要对所述检测图像数据进行预处理,针对上述两种问题,可以通过遥感图像处理平台(ENVI)对所述检测图像数据进行处理,对其图像角度进行校正,并除去图像中的“双眼皮”的现象,从而对所述检测图像数据进行几何校正。此外,遥感图像通常包含检测区域内所有类型的植被信息,其中存在的植被与森林等无关植被区域对预测结果产生干扰,因此需要特定的作物掩膜对其无关植被区域进行修剪,对图像内的无关元素进行剔除,对图像内农作物区域的图像进行提取。
根据本发明实施例,还包括:
获取农作物生长周期内的降水量信息;
根据所述农作物生长周期内的降水量信息进行分析,判断所述农作物生长周期内的降水量信息是否处于预设阈值区间;
若是,则不进行处理,若否,则根据所述农作物生长周期内的降水量信息对农作物产量预测信息进行调整。
需要说明的是,农作物生长周期内的降水量同样对农作物的产量有一定的影响,适宜的降水量能过提高农作物的产量,同样,过多或或少的降水量会降低农作物的产量,以玉米为例,玉米生长期间适宜降水量区间410—640mm,降水量过少则会影响玉米的产量和品质,降水量过多则会造成玉米烂根生芽涝烂根脱肥早衰死苗等影响。通过收集农作物生长周期内的降水量信息,并将其与所述农作物生长所需的降水量区间进行对比,判断是否处于其农作物生长所需的降水量区间,也就是预设阈值区间,若不处于预设阈值区间,则根据实际的降水量进行模拟,以一定的比例对农作物产量预测信息进行调整。
根据本发明实施例,还包括:
获取用户身份信息;
根据所述用户身份信息进行分析,判断所述用户身份信息是否合法;
若合法,则允许所述用户进行登录;若不合法,则禁止所述用户进行登录。
需要说明的是,为保证数据的安全性,系统禁止未进行登录授权的用户对预测数据进行查看,所述用户身份信息包括用户的用户名和密码,所述用户名和密码在用户进行身份注册是进行设定,当用户登录时,用户登录系统必须对用户输入的用户名和密码进行验证,以判断所述用户身份信息是否合法。
根据本发明实施例,还包括:
获取无人机检测图像数据;
根据所述无人机检测图像数据进行分析,得到所述检测图像内农作物的健康信息;
根据所述检测图像内农作物的健康信息对种植区域的全部农作物健康信息进行预测,得到种植区域整体农作物的健康信息。
需要说明的是,所述无人机检测图像数据通过无人机携带的摄像装置拍摄获取,无人机根据系统预设的距离对待检测农作物种植区域进行拍摄,并将拍摄得到的无人机检测图像数据传输至服务器,之后,服务器根据接收的无人机检测图像数据对所述检测图像内农作物的健康信息进行分析,判断所述农作物的健康信息是否处于农作物正常生长的健康阈值区间,若否,则根据实际农作物的健康信息,以一定的比例对农作物产量预测信息进行调整。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于卫星遥感影像的农作物产量分析方法程序,所述一种基于卫星遥感影像的农作物产量分析方法程序被处理器执行时,实现如上述任一项所述的一种基于卫星遥感影像的农作物产量分析方法的步骤。
本发明公开的一种基于卫星遥感影像的农作物产量分析方法、系统和介质,可以通过卫星遥感影像对农作物产量进行预测,获取检测图像数据后,根据农作物的波谱反射特征和时序特征进行分析,得到所述检测图像内的农作物种类信息,然后根据所述检测图像数据进行分析,得到多个遥感数据,之后根据不同特征信息对农作物产量的贡献率比率对其特征信息进行拆分融合,得到融合遥感数据,之后将所述融合遥感数据转换为三维直方图数据并输入至预设农作物产量预测网络模型,得到农作物产量预测信息。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于卫星遥感影像的农作物产量分析方法,其特征在于,包括:
获取检测图像数据;
根据所述检测图像数据进行分析,得到所述图像内农作物种类信息和融合遥感数据;
根据所述融合遥感数据进行分析,得到得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
2.根据权利要求1所述的一种基于卫星遥感影像的农作物产量分析方法,其特征在于,还包括:
获取历史图像数据;
对所述历史图像数据进行筛选,得到样本图像数据集;
根据所述样本图像数据集进行分析,建立预设农作物产量预测网络模型。
3.根据权利要求1所述的一种基于卫星遥感影像的农作物产量分析方法,其特征在于,根据所述检测图像数据进行分析,得到所述图像内农作物种类信息,包括:
根据所述检测图像数据进行分析,得到农作物候选框;
根据所述农作物候选框进行分析,得到待检测农作物图像数据;
根据所述待检测农作物图像数据进行分析,得到所述图像内农作物种类信息;
将所述图像内农作物种类信息对所述检测图像数据进行标记。
4.根据权利要求1所述的一种基于卫星遥感影像的农作物产量分析方法,其特征在于,根据所述检测图像数据进行分析,得到所述融合遥感数据,包括:
根据所述检测图像数据进行分析,得到多个遥感数据;
对所述多个遥感数据进行分割融合,得到融合遥感数据。
5.根据权利要求1所述的一种基于卫星遥感影像的农作物产量分析方法,其特征在于,还包括:
获取融合遥感数据;
根据所述融合遥感数据进行分析,得到所述融合遥感数据的每个频段像素值和频段数量;
根据所述融合遥感数据的每个频段像素值和频段数量,将所述融合遥感数据转换为三维直方图数据。
6.根据权利要求5所述的一种基于卫星遥感影像的农作物产量分析方法,其特征在于,还包括:
获取三维直方图数据;
将所述三维直方图数据输入至预设农作物产量预测网络模型进行特征提取,得到图像特征;
根据所述图像特征进行分析,得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
7.一种基于卫星遥感影像的农作物产量分析系统,其特征在于,包括存储器和处理器,所述存储器中包括基于卫星遥感影像的农作物产量分析方法程序,所述基于卫星遥感影像的农作物产量分析方法程序被所述处理器执行时实现如下步骤:
获取检测图像数据;
根据所述检测图像数据进行分析,得到所述图像内农作物种类信息和融合遥感数据;
根据所述融合遥感数据进行分析,得到得到农作物产量预测信息;
将所述农作物产量预测信息发送至预设终端。
8.根据权利要求7所述的一种基于卫星遥感影像的农作物产量分析系统,其特征在于,根据所述检测图像数据进行分析,得到所述图像内农作物种类信息,包括:
根据所述检测图像数据进行分析,得到农作物候选框;
根据所述农作物候选框进行分析,得到待检测农作物图像数据;
根据所述待检测农作物图像数据进行分析,得到所述图像内农作物种类信息;
将所述图像内农作物种类信息对所述检测图像数据进行标记。
9.根据权利要求7所述的一种基于卫星遥感影像的农作物产量分析系统,其特征在于,根据所述检测图像数据进行分析,得到所述融合遥感数据,包括:
根据所述检测图像数据进行分析,得到多个遥感数据;
对所述多个遥感数据进行分割融合,得到融合遥感数据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于卫星遥感影像的农作物产量分析方法程序,所述一种基于卫星遥感影像的农作物产量分析方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种基于卫星遥感影像的农作物产量分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969005.4A CN116935227B (zh) | 2023-08-03 | 2023-08-03 | 基于卫星遥感影像的农作物产量分析方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969005.4A CN116935227B (zh) | 2023-08-03 | 2023-08-03 | 基于卫星遥感影像的农作物产量分析方法、系统和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935227A true CN116935227A (zh) | 2023-10-24 |
CN116935227B CN116935227B (zh) | 2024-06-14 |
Family
ID=88387731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969005.4A Active CN116935227B (zh) | 2023-08-03 | 2023-08-03 | 基于卫星遥感影像的农作物产量分析方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935227B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985260A (zh) * | 2018-08-06 | 2018-12-11 | 航天恒星科技有限公司 | 一种遥感及气象一体化水稻估产方法 |
CN108985588A (zh) * | 2018-06-28 | 2018-12-11 | 中国科学院遥感与数字地球研究所 | 一种农作物单产遥感估算方法、装置与系统 |
CN110619260A (zh) * | 2019-01-08 | 2019-12-27 | 陈军 | 实时农业产量分析机构 |
CN110781865A (zh) * | 2019-11-08 | 2020-02-11 | 西安电子科技大学 | 一种农作物生长控制系统 |
US20210374881A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Crop monitoring to determine and control crop yield |
US20230024846A1 (en) * | 2021-07-26 | 2023-01-26 | Jilin University | Crop yield prediction method and system |
CN116310862A (zh) * | 2023-02-02 | 2023-06-23 | 清华大学 | 基于遥感的农作物监测估产方法、装置、设备和存储介质 |
WO2023131949A1 (en) * | 2022-01-06 | 2023-07-13 | Sadeh Yuval | A versatile crop yield estimator |
-
2023
- 2023-08-03 CN CN202310969005.4A patent/CN116935227B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985588A (zh) * | 2018-06-28 | 2018-12-11 | 中国科学院遥感与数字地球研究所 | 一种农作物单产遥感估算方法、装置与系统 |
CN108985260A (zh) * | 2018-08-06 | 2018-12-11 | 航天恒星科技有限公司 | 一种遥感及气象一体化水稻估产方法 |
CN110619260A (zh) * | 2019-01-08 | 2019-12-27 | 陈军 | 实时农业产量分析机构 |
CN110781865A (zh) * | 2019-11-08 | 2020-02-11 | 西安电子科技大学 | 一种农作物生长控制系统 |
US20210374881A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Crop monitoring to determine and control crop yield |
US20230024846A1 (en) * | 2021-07-26 | 2023-01-26 | Jilin University | Crop yield prediction method and system |
WO2023131949A1 (en) * | 2022-01-06 | 2023-07-13 | Sadeh Yuval | A versatile crop yield estimator |
CN116310862A (zh) * | 2023-02-02 | 2023-06-23 | 清华大学 | 基于遥感的农作物监测估产方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
刘焕军 等: "基于时间序列高光谱遥感影像的田块尺度作物产量预测", 光谱学与光谱分析, vol. 36, no. 8, 31 August 2016 (2016-08-31), pages 2585 - 2589 * |
Also Published As
Publication number | Publication date |
---|---|
CN116935227B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
CN111161362B (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
CN113435252B (zh) | 一种基于遥感的烟草病虫害监测预警方法和系统 | |
CN114648705B (zh) | 一种基于卫星遥感的碳汇监测系统及方法 | |
CN112974303B (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
CN115495703B (zh) | 一种基于机载多光谱数据的烟草成熟度检测方法及系统 | |
US11594015B1 (en) | Detecting changes in forest composition | |
CN112364681A (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
CN108037081B (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
CN106920231A (zh) | 一种基于全色图像统计特征的遥感图像云评估方法 | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN117197662A (zh) | 一种基于物联网的乡村土地遥感监测方法及系统 | |
CN117057497A (zh) | 一种森林火灾风险评估方法及其模型构建方法和装置 | |
CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN113962258A (zh) | 一种烟草病害的识别与防治方法、系统及存储介质 | |
US7058511B2 (en) | Sub-visible cloud cover assessment: VNIR-SWIR | |
CN116935227B (zh) | 基于卫星遥感影像的农作物产量分析方法、系统和介质 | |
CN115965875B (zh) | 一种农作物病虫害智能监控方法及系统 | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
KR20220144237A (ko) | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240522 Address after: Room 1303, No. 50 Science Avenue, Huangpu District, Guangzhou City, Guangdong Province, 510000 Applicant after: GUANGDONG HUACHENG GARDEN Co.,Ltd. Country or region after: China Address before: 101300 north of wenyuying village, Gaoliying Town, Shunyi District, Beijing Applicant before: Vogel (Beijing) Technology Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant |