CN117036968A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117036968A CN117036968A CN202311294191.2A CN202311294191A CN117036968A CN 117036968 A CN117036968 A CN 117036968A CN 202311294191 A CN202311294191 A CN 202311294191A CN 117036968 A CN117036968 A CN 117036968A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- field
- satellite remote
- stage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 201000010099 disease Diseases 0.000 title claims abstract description 57
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 57
- 241000238631 Hexapoda Species 0.000 title claims abstract description 50
- 230000006378 damage Effects 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 35
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 27
- 235000009566 rice Nutrition 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 19
- 241000209094 Oryza Species 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 13
- 230000008901 benefit Effects 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 12
- 238000000691 measurement method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229920005610 lignin Polymers 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009894 physiological stress Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 238000011179 visual inspection Methods 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了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。其中，方法包括：获取目标稻田间隔预定时间的第一期高分卫星遥感影像和第二期高分卫星遥感影像；分别计算第一期高分卫星遥感影像内每个田块的第一同质率和第二期高分卫星遥感影像的每个田块的第二同质率；在对应田块的第一同质率和第二同质率的差异大于预定阈值的情况下，分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二期归一化植被指数影像；根据第一期归一化植被指数影像和第二期归一化植被指数影像，分别确定每个田块的变化差异图像；根据每个田块的变化差异图像，确定每个田块内水稻的病虫危害程度。
Description
技术领域
本发明涉及遥感科学技术领域，并且更具体地，涉及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。
背景技术
农作物病虫害是农业生产上的重要生物灾害，是制约高产、优质、高效益农业持续发展的主导因素之一。据联合国粮农组织(FAO)调查, 全世界每年被病虫害夺去的谷物量为预计收成的20~40% , 经济损失达1200亿美元。病虫危害不仅使稻农因用药成本增加和稻谷减产而每年损失数百亿元经济收入，而且威胁农产品质量安全，加剧环境污染和稻田生态失衡。
实时准确地判定水稻病虫害的分布区域和危害程度，是采取有效防控措施和实现精确喷药的关键。然而，目前对包括水稻在内的各种农作物病虫危害的诊断，最常用的方法依然是由有经验的生产者或植保专家在田间通过观察植物颜色、叶片萎蔫或卷曲程度、叶片或冠层温度细微变化、单位面积上叶片或冠层受病害浸染比例等植物的形态、生理指标变化，然后判定植物受病虫害胁迫的程度、等级。传统的目测手查法虽然为病害的预测预报、合理防治策略的制定发挥了重要的作用，但需要耗费大量的人力、物力和时间，且取样范围和样本量有限，难以在较大范围内获取精确的稳定的病虫害情报。因此，发展既能克服传统观测方法局限性，又可精确、有效诊断病虫害的新技术迫在眉睫。
健康绿色植物的波谱特性主要取决于它的叶片，叶片光谱特性中，可见光谱段受色素含量控制、近红外谱段受叶内细胞和亚细胞结构控制、短波红外谱段受细胞内水分含量、氮素、木质素、纤维素等理化成分控制。当植物在受到病虫害胁迫或水分亏缺以及生长发育状态等不同时，叶片的色素含量、叶腔的组织结构和水分含量等生物学特性均会发生变化，致使叶片的光谱特性发生变化。因此，健康的和受病虫害胁迫的植被在不同波谱范围的响应特性差异，是利用光学遥感对包括农作物在内的植被病虫害进行监测、预测和预报的理论基础。
伴随着高空间、高时间分辨率卫星遥感技术的发展，使得在大尺度上高精度的势必农作物病虫危害成为可能。然而，当前的农业遥感科研人员在利用高分卫星遥感甚至航空摄影图片识别、诊断、监测农作物病虫危害和营养亏缺、干旱、洪涝胁迫时，仍旧沿用的是以像元为基础的波谱分析方法。以像元为基础的波谱分析方法具有简便、快捷、高效的优势，但是，该方法在用于农作物病虫危害时往往会失效。
农作物营养亏缺、干旱、洪涝等属于生理性胁迫，呈现的是面状的空间分布特点。病虫危害属于生物性胁迫，呈现的是斑点、条块状的空间分布特点。生理性和生物性胁迫的空间分布差异，决定了常规的以像元为基础的波谱分析方法无法对农作物病虫危害进行有效的识别和监测。如果采用传统的以像元为基础的波谱分析方法来识别农作物病虫危害，得出的农作物波谱信息变异是由品种、水肥管理等因素引起的伪差异，而非病虫危害本身。
综上所述，农业科技人员亟需开发能够反映包括稻病虫在内的农作物病虫危害发生规律、空间分布特征的诊断技术。
发明内容
针对现有技术的不足，本发明提供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。
根据本发明的一个方面，提供了一种用于农作物病虫危害的高分卫星遥感诊断方法，包括：
获取目标稻田间隔预定时间的第一期高分卫星遥感影像和第二期高分卫星遥感影像；
分别计算第一期高分卫星遥感影像内每个田块的第一同质率和第二期高分卫星遥感影像的每个田块的第二同质率，其中每个田块的田块边界矢量通过人工解译提取；
在对应田块的第一同质率和第二同质率的差异大于预定阈值的情况下，分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二期归一化植被指数影像；
根据第一期归一化植被指数影像和第二期归一化植被指数影像，分别确定每个田块的变化差异图像；
根据每个田块的变化差异图像，确定每个田块内水稻的病虫危害程度。
可选地，计算第一同质率或第二同质率的方法为以下的任意一种：相关系数、均方差、标准差、相似性指数、熵值、聚类分析以及空间自相关指数。
可选地，预定阈值为5%。
可选地，相似性指数计算公式如下：
cos(θ) = (A·B) / (||A|| × ||B||)
其中，A 和 B 是两个像元的植被指数向量，如 NDVI 或 EVI；A·B 是 A 和 B 的点积；||A|| 和 ||B|| 分别表示 A 和 B 的向量长度。
可选地，分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二期归一化植被指数影像，包括：
分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的植被指数，确定第一期植被指数图像以及第二期植被指数图像；
分别对第一期植被指数图像以及第二期植被指数图像进行归一化处理，确定第一期归一化植被指数影像和第二期归一化植被指数影像。
可选地，植被指数为NDVI，归一化处理的计算公式为：
其中，代表归一化后的NDVI值，NDVI为每个像元的植被指数值，代表所有像元中的最小NDVI值，代表所有像元中的最大NDVI值。
可选地，根据第一期归一化植被指数影像和第二期归一化植被指数影像，分别确定每个田块的变化差异图像，包括：
根据第一期归一化植被指数影像和第二期归一化植被指数影像，确定每个田块内
的平均值的变化差异；
根据每个田块内的平均值的变化差异，分别确定每个田块的变
化差异图像。
根据本发明的另一个方面，提供了一种用于农作物病虫危害的高分卫星遥感诊断装置，包括：
获取模块，用于获取目标稻田间隔预定时间的第一期高分卫星遥感影像和第二期高分卫星遥感影像；
计算模块，用于分别计算第一期高分卫星遥感影像内每个田块的第一同质率和第二期高分卫星遥感影像的每个田块的第二同质率，其中每个田块的田块边界矢量通过人工解译提取；
第一确定模块，用于在对应田块的第一同质率和第二同质率的差异大于预定阈值的情况下，分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二期归一化植被指数影像；
第二确定模块，用于根据第一期归一化植被指数影像和第二期归一化植被指数影像，分别确定每个田块的变化差异图像；
第三确定模块，用于根据每个田块的变化差异图像，确定每个田块内水稻的病虫危害程度。
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，本申请提供的一种用于农作物病虫危害的高分卫星遥感诊断方法，主要包括两期影像对比和同质率度量方法。该方法采用高分辨率卫星遥感技术，结合多种同质率度量方法，可以快速、准确地诊断水稻病虫危害，并实现遥感监测的半自动化。
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用于农作物病虫危害的高分卫星遥感诊断方法的流程示意图；
图2是本发明一示例性实施例提供的用于农作物病虫危害的高分卫星遥感诊断装置的结构示意图；
图3是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
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用于农作物病虫危害的高分卫星遥感诊断方法的流程示意图。本实施例可应用在电子设备上，如图1所示，用于农作物病虫危害的高分卫星遥感诊断方法100包括以下步骤：
步骤101，获取目标稻田间隔预定时间的第一期高分卫星遥感影像和第二期高分卫星遥感影像。
具体地，可以选择稻田内病虫害尚未发生时的第一期高分卫星遥感影像，通过无人机航拍或高分卫星遥感设备采集。
其次，间隔预定时间可以是半个月、一个月、两个月等预定时间，从而第二期高分卫星遥感影像可以是病虫害发生后的任意一个时期的影像，可以实时监测田块内的病虫害情况。
步骤102，分别计算第一期高分卫星遥感影像内每个田块的第一同质率和第二期高分卫星遥感影像的每个田块的第二同质率，其中每个田块的田块边界矢量通过人工解译提取。
可选地，通过对影像人工解译提取获得的目标稻田的田块矢量。计算第一同质率或第二同质率的方法为以下的任意一种：相关系数、均方差、标准差、相似性指数、熵值、聚类分析以及空间自相关指数。
可选地，相似性指数计算公式如下：
cos(θ) = (A·B) / (||A|| × ||B||)
其中，A 和 B 是两个像元的植被指数向量，如 NDVI 或 EVI；A·B 是 A 和 B 的点积；||A|| 和 ||B|| 分别表示 A 和 B 的向量长度。
具体地，计算两期影像内每个田块内各个像元的同质率，以第一同质率为参考，设定对应田块内同质率的标准阈值。发明实施例中采用余弦相似性的相似性指数计算第一同质率和第二同质率。
步骤103，在对应田块的第一同质率和第二同质率的差异大于预定阈值的情况下，分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二期归一化植被指数影像。
可选地，预定阈值为5%。
具体地，第二同质率和第一同质率的差值大于5%的情况下判定该田块存在病虫害。
可选地，分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二期归一化植被指数影像，包括：
分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的植被指数，确定第一期植被指数图像以及第二期植被指数图像；
分别对第一期植被指数图像以及第二期植被指数图像进行归一化处理，确定第一期归一化植被指数影像和第二期归一化植被指数影像。
可选地，植被指数为NDVI，归一化处理的计算公式为：
其中，代表归一化后的NDVI值，NDVI为每个像元的植被指数值，代表所有像元中的最小NDVI值，代表所有像元中的最大NDVI值。
具体地，计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的植被指数（NDVI），其计算公式如下：
其中，NDVI代表原始植被指数值；NIR代表第一期和第二期高分卫星遥感影像中近红外波段的反射率或亮度值，RED代表第一期和第二期高分卫星遥感影像中红色波段的反射率或亮度值。
接下来，对NDVI值进行归一化处理，使得NDVI的值范围在0到1之间。归一化的计算方式根据NDVI的最小值和最大值进行如下处理：
其中，代表归一化后的NDVI值，代表所有像元中的最小NDVI值，代表所有像元中的最大
NDVI值。
由此得到第一期和第二期高分卫星遥感影像的归一化植被指数值，即第一期归一化植被指数影像和第二期归一化植被指数影像。
步骤104，根据第一期归一化植被指数影像和第二期归一化植被指数影像，分别确定每个田块的变化差异图像。
可选地，根据第一期归一化植被指数影像和第二期归一化植被指数影像，分别确定每个田块的变化差异图像，包括：
根据第一期归一化植被指数影像和第二期归一化植被指数影像，确定每个田块内
的平均值的变化差异；
根据每个田块内的平均值的变化差异，分别确定每个田块的变
化差异图像。
具体地，对每个田块内像元的NDVI平均值进行区域统计，这里的统计量选择平均
值，可以很好地反映一个田块的农作物长势情况，平均值如果和周围田
块不一致发生了某个田块低于周围田块的情况，一般也可以由此判断是由于该区域发生了
病虫害从而影响农作物生长。所以将上述第一期归一化植被指数影像和第二期归一化植被
指数影像和稻田田块矢量数据导入ArcGIS区域统计分析功能模块中进行处理，得到一幅反
映所有稻田田块区域的NDVI平均值高分遥感影像，其像素值构成的二维数组为，像素的宽度为width，高度为height。平均值（）表示每个田块范围内所有像素的平均值的平均数。则计
算平均值的公式如下：
其中，表示对整个数组中的所有元素进行求和操
作。
进一步地，得到每个田块的两期平均值图像后，利用第二期
NDVI平均值图像减去第一期平均值图像，然后根据每个对应田块内的
NDVI平均值的差值变化大小，确定每个田块的变化差异图像。通过计算每个对应田块内的
NDVI平均值的差值主要是为了比较同一田块在不同时间点的植被状况。通过分析这种差
异，可以判断植被生长状况是否出现了异常。例如可以在ArcGIS图像处理软件中将两期
NDVI平均值图像相减，得到对应田块的NDVI平均值差异图，即差异变化图像。差值的绝对值
表示两期之间的植被变化程度。其计算公式为：
表示田块的NDVI平均值的差值； 表示第二期高
分卫星遥感影像中田块的NDVI平均值； 表示第一期高分卫星遥感影
像中田块的NDVI平均值。
步骤105，根据每个田块的变化差异图像，确定每个田块内水稻的病虫危害程度。
具体地，根据两期影像中同一田块之间的NDVI平均值差值的变化差异，判断是否存在病虫危害及程度。通常情况下，差异较大的田块可以被视为病虫危害严重的田块，步骤如下：
具体地，根据田块内与病害轻微和严重程度之间的关系，确定每个田块内的病虫危害程度。例如：
|ΔNDVI|<0.1：该田块内病害轻微或无病害；
0.1 ≤ |ΔNDVI|<0.3：该田块内病害程度较轻；
0.3 ≤ |ΔNDVI|<0.5：该田块内病害程度较重；
|ΔNDVI| ≥ 0.5：该田块内病害严重。
本发明具有以下实用性：
1.快速诊断水稻病虫危害
本发明采用高分辨率卫星遥感技术，结合两期影像对比和同质率度量方法，可以快速、准确地诊断水稻病虫危害。通过比对两期影像的同一地块像元之间的差异，可以判断该地块是否存在病虫危害，从而及时采取措施进行防治。
2.实现稻田内像元同质程度的衡量
本发明采用多种同质率度量方法，包括均方差、标准差、相关系数、熵值和空间自相关指数，可以全面、准确地衡量稻田内像元之间的同质程度。这些度量方法可以互相印证，提高同质率的准确度，从而对水稻病虫危害的诊断和监测具有更高的准确性和可靠性。
3.实现遥感监测的半自动化
本发明所提供的区域统计分析方法可以通过计算机程序实现半自动化，将自然田块内的像元分为同质和异质两类，从而实现对水稻病虫危害的半自动化监测和诊断。这种半自动化的遥感监测方法不仅提高了诊断的效率和准确性，还可以大大节省人力和物力资源。
4.广泛适用性
本发明所提供的高分卫星遥感方法具有广泛适用性，可以应用于不同地区、不同品种的水稻病虫危害的监测和诊断。这种方法可以快速、准确地发现病虫危害，及时采取防治措施，保障了水稻产量和品质。
5.经济效益显著
本发明所提供的高分卫星遥感诊断方法不仅能够提高水稻产量和品质，还可以减少防治成本和劳动力成本。通过采用半自动化的遥感监测方法，可以快速发现和诊断病虫危害，避免了因病虫害而造成的产量损失和经济损失，同时也减少了农药的使用量，降低了农药污染的风险。
6.可持续性优势
本发明所提供的高分卫星遥感方法不仅能够提高水稻产量和品质，还可以保护生态环境和生物多样性。通过减少农药的使用量，降低农业对环境的污染，保护生态系统的健康。同时，通过及时发现和诊断病虫危害，减少农业的不稳定性，提高农业的可持续性。
综上所述，本发明提供的高分卫星遥感方法可以快速、准确地诊断水稻病虫危害，实现稻田内像元同质程度的衡量，实现遥感监测的半自动化，具有广泛适用性、经济效益显著和可持续性优势等特点，具有实用性。
从而，本申请提供的一种用于农作物病虫危害的高分卫星遥感诊断方法，主要包括两期影像对比和同质率度量方法。该方法采用高分辨率卫星遥感技术，结合多种同质率度量方法，可以快速、准确地诊断水稻病虫危害，并实现遥感监测的半自动化。本申请所提供的方法具有广泛适用性、经济效益显著、可持续性优势和普适性，可以应用于不同地区、不同品种的水稻病虫危害的监测和诊断，同时也可用于其他领域的数据分析和处理中。本申请的创新点在于采用了两期影像对比和多种同质率度量方法的组合，可以全面、准确地诊断水稻病虫危害，提高了同质率的准确度和诊断的效率。因此，本申请具有重要的实用性和创新性价值，在农业生产中具有广泛的应用前景和市场价值。
示例性装置
图2是本发明一示例性实施例提供的用于农作物病虫危害的高分卫星遥感诊断装置的结构示意图。如图2所示，装置200包括：
获取模块210，用于获取目标稻田间隔预定时间的第一期高分卫星遥感影像和第二期高分卫星遥感影像；
计算模块220，用于分别计算第一期高分卫星遥感影像内每个田块的第一同质率和第二期高分卫星遥感影像的每个田块的第二同质率，其中每个田块的田块边界矢量通过人工解译提取；
第一确定模块230，用于在对应田块的第一同质率和第二同质率的差异大于预定阈值的情况下，分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二期归一化植被指数影像；
第二确定模块240，用于根据第一期归一化植被指数影像和第二期归一化植被指数影像，分别确定每个田块的变化差异图像；
第三确定模块250，用于根据每个田块的变化差异图像，确定每个田块内水稻的病虫危害程度。
可选地，计算第一同质率或第二同质率的方法为以下的任意一种：相关系数、均方差、标准差、相似性指数、熵值、聚类分析以及空间自相关指数。
可选地，预定阈值为5%。
可选地，相似性指数计算公式如下：
cos(θ) = (A·B) / (||A|| × ||B||)
其中，A 和 B 是两个像元的植被指数向量，如 NDVI 或 EVI；A·B 是 A 和 B 的点积；||A|| 和 ||B|| 分别表示 A 和 B 的向量长度。
可选地，第一确定模块230，包括：
第一确定子模块，用于分别计算第一期高分卫星遥感影像和第二期高分卫星遥感影像的植被指数，确定第一期植被指数图像以及第二期植被指数图像；
第二确定子模块，用于分别对第一期植被指数图像以及第二期植被指数图像进行归一化处理，确定第一期归一化植被指数影像和第二期归一化植被指数影像。
可选地，植被指数为NDVI，归一化处理的计算公式为：
其中，代表归一化后的NDVI值，NDVI为每个像元的植被指数值，代表所有像元中的最小NDVI值，代表所有像元中的最大NDVI值。
可选地，第二确定模块240，包括：
第三确定子模块，用于根据第一期归一化植被指数影像和第二期归一化植被指数影像，确定每个田块内的NDVI平均值的变化差异；
第四确定子模块，用于根据每个田块内的NDVI平均值的变化差异，分别确定每个田块的变化差异图像。
示例性电子设备
图3是本发明一示例性实施例提供的电子设备的结构。如图3所示，电子设备30包括一个或多个处理器31和存储器32。
处理器31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32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31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33和输出装置34，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33还可以包括例如键盘、鼠标等等。
该输出装置34可以向外部输出各种信息。该输出装置34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3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)
1.一种用于农作物病虫危害的高分卫星遥感诊断方法，其特征在于，包括：
获取目标稻田间隔预定时间的第一期高分卫星遥感影像和第二期高分卫星遥感影像；
分别计算所述第一期高分卫星遥感影像内每个田块的第一同质率和所述第二期高分卫星遥感影像的每个田块的第二同质率，其中每个田块的田块边界矢量通过人工解译提取；
在对应田块的所述第一同质率和所述第二同质率的差异大于预定阈值的情况下，分别计算所述第一期高分卫星遥感影像和所述第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二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和所述第二期归一化植被指数影像，分别确定每个田块的变化差异图像；
根据每个田块的变化差异图像，确定每个田块内水稻的病虫危害程度。
2.根据权利要求1所述的方法，其特征在于，计算所述第一同质率或所述第二同质率的方法为以下所述的任意一种：相关系数、均方差、标准差、相似性指数、熵值、聚类分析以及空间自相关指数。
3.根据权利要求1所述的方法，其特征在于，所述预定阈值为5%。
4. 根据权利要求2所述的方法，其特征在于，所述相似性指数计算公式如下：
cos(θ) = (A·B) / (||A|| × ||B||)
其中，A 和 B 是两个像元的植被指数向量，如 NDVI 或 EVI；A·B 是 A 和 B 的点积；||A|| 和 ||B|| 分别表示 A 和 B 的向量长度。
5.根据权利要求1所述的方法，其特征在于，分别计算所述第一期高分卫星遥感影像和所述第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二期归一化植被指数影像，包括：
分别计算所述第一期高分卫星遥感影像和所述第二期高分卫星遥感影像的植被指数，确定第一期植被指数图像以及第二期植被指数图像；
分别对所述第一期植被指数图像以及所述第二期植被指数图像进行归一化处理，确定所述第一期归一化植被指数影像和所述第二期归一化植被指数影像。
6.根据权利要求5所述的方法，其特征在于，所述植被指数为NDVI，归一化处理的计算公式为：
其中，代表归一化后的NDVI
值，NDVI为每个像元的植被指数值，代表所有像元中的最小NDVI值，代表所有像元中的最大NDVI值。
7.根据权利要求6所述的方法，其特征在于，根据所述第一期归一化植被指数影像和所述第二期归一化植被指数影像，分别确定每个田块的变化差异图像，包括：
根据所述第一期归一化植被指数影像和所述第二期归一化植被指数影像，确定每个田
块内的所有像元的平均值的变化差异；
根据每个田块内的所述平均值的变化差异，分别确定每个田块的所
述变化差异图像。
8.一种用于农作物病虫危害的高分卫星遥感诊断装置，其特征在于，包括：
获取模块，用于获取目标稻田间隔预定时间的第一期高分卫星遥感影像和第二期高分卫星遥感影像；
计算模块，用于分别计算所述第一期高分卫星遥感影像内每个田块的第一同质率和所述第二期高分卫星遥感影像的每个田块的第二同质率，其中每个田块的田块边界矢量通过人工解译提取；
第一确定模块，用于在对应田块的所述第一同质率和所述第二同质率的差异大于预定阈值的情况下，分别计算所述第一期高分卫星遥感影像和所述第二期高分卫星遥感影像的归一化植被指数，确定第一期归一化植被指数影像和第二期归一化植被指数影像；
第二确定模块，用于根据所述第一期归一化植被指数影像和所述第二期归一化植被指数影像，分别确定每个田块的变化差异图像；
第三确定模块，用于根据每个田块的变化差异图像，确定每个田块内水稻的病虫危害程度。
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1-7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1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294191.2A CN117036968B (zh) | 2023-10-09 | 2023-10-09 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294191.2A CN117036968B (zh) | 2023-10-09 | 2023-10-09 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117036968A true CN117036968A (zh) | 2023-11-10 |
| CN117036968B CN117036968B (zh) | 2024-03-22 |
Family
ID=88639887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311294191.2A Active CN117036968B (zh) | 2023-10-09 | 2023-10-09 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036968B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117830872A (zh) * | 2024-01-15 | 2024-04-05 | 中国农业科学院农业资源与农业区划研究所 | 一种获取农田空间分布异质性的方法和系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090035066A (ko) * | 2007-10-05 | 2009-04-09 | 부산대학교 산학협력단 | 기상위성을 이용한 안개 탐지시스템 및 그를 사용한 안개탐지방법 |
| CN102937574A (zh) * | 2012-07-20 | 2013-02-20 | 北京农业信息技术研究中心 | 一种基于卫星影像的病虫害信息提取方法 |
| CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
| EP3455782A1 (en) * | 2016-05-13 | 2019-03-20 | Basf Se | System and method for detecting plant diseases |
| 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 |
| CN114332613A (zh) * | 2021-12-28 | 2022-04-12 | 中国农业银行股份有限公司 | 基于遥感影像的农地健康状态预测方法、装置、设备和存储介质 |
| CN114519821A (zh) * | 2022-02-21 | 2022-05-20 | 河南大学 | 一种绿色健康植被遥感识别指数的构建方法 |
| CN115311559A (zh) * | 2022-07-26 | 2022-11-08 | 珠海欧比特宇航科技股份有限公司 | 棉花药害识别方法、装置、电子设备及存储介质 |
| CN116152673A (zh) * | 2023-04-21 | 2023-05-23 | 杭州稻道农业科技有限公司 | 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 |
| 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 |
-
2023
- 2023-10-09 CN CN202311294191.2A patent/CN117036968B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090035066A (ko) * | 2007-10-05 | 2009-04-09 | 부산대학교 산학협력단 | 기상위성을 이용한 안개 탐지시스템 및 그를 사용한 안개탐지방법 |
| CN102937574A (zh) * | 2012-07-20 | 2013-02-20 | 北京农业信息技术研究中心 | 一种基于卫星影像的病虫害信息提取方法 |
| EP3455782A1 (en) * | 2016-05-13 | 2019-03-20 | Basf Se | System and method for detecting plant diseases |
| CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
| 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 |
| CN114332613A (zh) * | 2021-12-28 | 2022-04-12 | 中国农业银行股份有限公司 | 基于遥感影像的农地健康状态预测方法、装置、设备和存储介质 |
| CN114519821A (zh) * | 2022-02-21 | 2022-05-20 | 河南大学 | 一种绿色健康植被遥感识别指数的构建方法 |
| CN115311559A (zh) * | 2022-07-26 | 2022-11-08 | 珠海欧比特宇航科技股份有限公司 | 棉花药害识别方法、装置、电子设备及存储介质 |
| CN116152673A (zh) * | 2023-04-21 | 2023-05-23 | 杭州稻道农业科技有限公司 | 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 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| 乔红波;马新明;程登发;陈雪;马建文;: "基于TM影像的小麦全蚀病危害信息提取", 麦类作物学报, no. 04 * |
| 冯炼;吴玮;陈晓玲;田礼乔;蔡晓斌;苏国振;: "基于HJ卫星CCD数据的冬小麦病虫害面积监测", 农业工程学报, no. 07 * |
| 包云轩;李玉婷;王琳;高文婷;朱凤;: "基于多时相HJ卫星遥感影像的稻纵卷叶螟发生情况监测", 中国农业气象, no. 04 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830872A (zh) * | 2024-01-15 | 2024-04-05 | 中国农业科学院农业资源与农业区划研究所 | 一种获取农田空间分布异质性的方法和系统 |
| CN117830872B (zh) * | 2024-01-15 | 2024-10-18 | 中国农业科学院农业资源与农业区划研究所 | 一种获取农田空间分布异质性的方法和系统 |
| 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 |
|---|---|
| CN117036968B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117036968B (zh) | 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 | |
| Barreto et al. | Hyperspectral imaging of symptoms induced by Rhizoctonia solani in sugar beet: Comparison of input data and different machine learning algorithms | |
| Costa et al. | A new visible band index (vNDVI) for estimating NDVI values on RGB images utilizing genetic algorithms | |
| Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
| Shi et al. | Rice nitrogen nutrition estimation with RGB images and machine learning methods | |
| Nguyen et al. | Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression | |
| Zhang et al. | Detection of stress in tomatoes induced by late blight disease in California, USA, using hyperspectral remote sensing | |
| Guindin-Garcia et al. | An evaluation of MODIS 8-and 16-day composite products for monitoring maize green leaf area index | |
| Yuan et al. | Early prediction of soybean traits through color and texture features of canopy RGB imagery | |
| Driemeier et al. | A computational environment to support research in sugarcane agriculture | |
| 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 | |
| Guan et al. | An improved approach to estimating crop lodging percentage with Sentinel-2 imagery using machine learning | |
| Propastin | Multisensor monitoring system for assessment of locust hazard risk in the Lake Balkhash drainage basin | |
| Yang et al. | Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage | |
| Young | Agricultural crop forecasting for large geographical areas | |
| Lakmal et al. | Brown planthopper damage detection using remote sensing and machine learning | |
| Barreto et al. | Disease incidence and severity of cercospora leaf spot in sugar beet assessed by multispectral unmanned aerial images and machine learning | |
| Dmitriev et al. | Assessment of invasive and weed species by hyperspectral imagery in agrocenoses ecosystem | |
| CN110991714A (zh) | 一种农作物倒伏灾情监测方法及系统 | |
| Heinemann et al. | Evaluating and defining agronomically relevant detection limits for spectral reflectance-based assessment of N uptake in wheat | |
| Sun et al. | Monitoring rice lodging grade via Sentinel-2A images based on change vector analysis | |
| Sun et al. | Potato late blight severity monitoring based on the relief-mRmR algorithm with dual-drone cooperation | |
| Lin et al. | Using ridge regression method to reduce estimation uncertainty in chlorophyll models based on worldview multispectral data | |
| Feng et al. | Monitoring leaf pigment status with hyperspectral remote sensing in wheat | |
| Haghshenas et al. | Green-gradient based canopy segmentation: A multipurpose image mining model with potential use in crop phenotyping and canopy studies |
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 |