CN117169138B - 一种基于遥感数据的区域墒情监测方法 - Google Patents
一种基于遥感数据的区域墒情监测方法 Download PDFInfo
- Publication number
- CN117169138B CN117169138B CN202311443146.9A CN202311443146A CN117169138B CN 117169138 B CN117169138 B CN 117169138B CN 202311443146 A CN202311443146 A CN 202311443146A CN 117169138 B CN117169138 B CN 117169138B
- Authority
- CN
- China
- Prior art keywords
- value
- image
- soil moisture
- moisture content
- remote sensing
- 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
Links
- 239000002689 soil Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于墒情监测技术领域,涉及一种基于遥感数据的区域墒情监测方法,采用多光谱摄相机获取区域内的多光谱遥感图像,对多光谱遥感图像进行分割处理,将背景与目标区域分离,提取目标区域图像,对所述目标区域的可见光图像和近红外光图像的均值特征进行提取,利用图像的均值特征建立时序差异矩阵,计算误差时序上的整体熵值,得到多光谱图像特征的墒情融合值。
Description
技术领域
本发明属于土壤墒情监测技术领域,更具体地,涉及一种基于遥感数据的区域墒情监测方法。
背景技术
土壤墒情是指导农作物灌溉的重要参数,高时空分辨率的无人机多光谱遥感可以对作物种植地块进行定时、定点监测,从而指导精准灌溉,节约水资源。遥感技术的发展促进了土壤水分监测技术的革新,为现代化农业的发展注入了新的活力。土壤水分遥感反演技术,是根据测定土壤表面所反射或发射出的电磁波能量,利用线性或非线性模型对遥感光谱数据与土壤含水率之间进行拟合,从而反演土壤水分含量。卫星遥感能够快速、长期地提供地表反射或辐射的电磁波信息,所以卫星遥感技术对比于传统测定方法,其具有监测范围广、速度快、可以连续监测等优点。
由于土壤类型与结构在水平方向和垂直方向具有高度的空间异质性,土壤水分也随之表现出空间变异性特征,传统的基于监测站点进行土壤水分观测或者通过人工野外采样烘干称重能够获取高精度的土壤水分信息,但是不能胜任大范围、时序性的监测任务。遥感技术具有宏观性、时效性、动态性、成本低等特点,原始的遥感图像经过一定的算法流程便可反演得到地表土壤墒情,在时间维度和空间维度方面相比传统土壤墒情检测方法更具优势。
随着卫星遥感技术的迅速发展,基于土壤的光谱反射特性对土壤墒情进行反演,实现了大范围土壤墒情的动态、快速监测,弥补了传统方法的不足,但是受天气、重访周期以及空间分辨率等因素的影响,在农田尺度上卫星遥感反演方法存在时效性较差、精度较低等问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于遥感数据的区域墒情监测方法,包括如下步骤:
S1、采用多光谱摄相机获取区域内的多光谱遥感图像;
S2、对多光谱遥感图像进行分割处理,将背景与目标区域分离,提取目标区域图像;
S3、对所述目标区域的可见光图像和近红外光图像的均值特征进行提取;
S4、利用图像的均值特征建立时序差异矩阵,计算误差时序上的整体熵值,得到多光谱图像特征的墒情融合值。
进一步地,步骤S3中,均值特征的提取公式如下:
;
式中,AJ为可见光图像的平均灰度值,J代表可见光的多个光谱的中心波长,AK为近红外光图像的平均灰度值,K代表近红外光的多个光谱的中心波长,取K=810、960nm;N为图像中目标区域的像素点个数;fIJ(x,y)为中心波长为J的可见光图像上第I个像素点(x,y)的灰度值;fIK(x,y)为中心波长为K的近红外光图像上第I个像素点(x,y)的灰度值。
进一步地,步骤S4包括:
S41、构建时序差异矩阵;
S42、数据归一化处理;
S43、计算相对误差权重;
S44、计算误差时序上的整体熵值;
S45、计算像元中多光谱图像特征的墒情融合值。
进一步地,步骤S41中,
设图像上具有n个像素点,将三个时间段内的可见光图像的平均灰度值与近红外光图像的平均灰度值求差,获得一个时序差异矩阵Z:
;
式中:a、m、b分别指第一时间段、第二时间段、第三时间段。
进一步地,步骤S42中,
将时序差异矩阵Z按行进行归一化处理,如下式所示:
;
;
;
上式中:Gak、Gmk、Gbk表示每一行归一化后的元素,max、min分别指代最大值与最小值。
进一步地,步骤S44中,整体熵值Hv计算公式如下:
;v=a,m,b;
上式中:平衡系数w=1/ln(n),Qvk为相对误差权重。
进一步地,步骤S45中,墒情融合值S计算公式:
;
;
,v=a,m,b;
式中,为平均熵值,Ha、Hm、Hb为第一时间段、第二时间段、第三时间段的整体熵值,Hmax、Hmin为最大熵值和最小熵值。
相比于现有技术,本发明具有如下有益技术效果:
一种基于遥感数据的区域墒情监测方法,采用多光谱摄相机获取区域内的多光谱遥感图像,对多光谱遥感图像进行分割处理,将背景与目标区域分离,提取目标区域图像,对所述目标区域的可见光图像和近红外光图像的均值特征进行提取,利用图像的均值特征建立时序差异矩阵,计算误差时序上的整体熵值,得到多光谱图像特征的墒情融合值。方法简便,效率高,与以往基于统计学的方法相比,具有坚实的物理基础,模型稳定性和精度均大大提高,并具有较强的普适性,为精准灌溉提供数据信息支撑。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于遥感数据的区域墒情监测方法的流程图;
图2为以图像上的6个像素点为例,获得的时序差异矩阵图。
图3为利用本发明获得的实际墒情监测图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
如图1所示,为本发明的一种基于遥感数据的区域墒情监测方法的流程图,该监测方法包括如下步骤:
S1、采用多光谱摄相机获取区域内的多光谱遥感图像。
采用多光谱累进扫描数字式摄相机和图像采集卡采集多光谱遥感图像。多光谱范围为400~1100nm,图像最高分辨率为1392(H)×1040(V)像素,可以实现高质量的多光谱图像采集。
S2、对多光谱遥感图像进行分割处理,将背景与目标区域分离,提取目标区域图像。
图像分割处理是将背景与目标区域分离,图像的分割质量直接决定了对目标区域的可见光图像和近红外光图像的均值特征进行提取的精度。
优选地,采用二维最大熵阈值分割算法进行分割处理,提取目标区域。
首先,以原始灰度图像中的每一个像素及其邻域的4个像素构成一个区域,该像素点灰度值i和邻域灰度均值j构成一个二维向量(i,j),统计(i,j)的发生概率 Pij,如果图像的灰度级数为 L,那么 Pij(i,j=0,1,…,L-1)就构成了该图像关于点灰度值的二维直方图。
其次,设有阈值(s,t)将多光谱遥感图像划分为目标区域A和背景区域B,目标区域A和背景区域B各像素概率分布为:
;
其中,目标区域A和背景区域B各自的总概率PA、PB及其二维熵HA、HB分别为:
;
图像的二维熵Hmm为目标区域A和背景区域B的二维熵之和:
;
目标区域A和背景区域B每个概率分布对应的二维熵,记为分布信息熵H(A)和H(B)分别为:
;
二维熵函数为目标区域A和背景区域B分布信息熵H(A)和H(B)之和,即为:
;
运用搜寻算法寻找(s,t)使最大,则此(s,t)即为二维最大熵的分割阈值。
S3,对目标区域的可见光图像和近红外光图像的均值特征进行提取。均值特征的提取公式如下:
;
式中,AJ为可见光图像的平均灰度值,J代表可见光的多个光谱的中心波长,本实施例中取J=660、560、460nm;AK为近红外光图像的平均灰度值,K代表近红外光的多个光谱的中心波长,本实施例中取K=810、960nm;N为图像中目标区域的像素点个数;fIJ(x,y)为中心波长为J的可见光图像上第I个像素点(x,y)的灰度值;fIK(x,y)为中心波长为K的近红外光图像上第I个像素点(x,y)的灰度值。
S4、利用图像的均值特征建立时序差异矩阵,计算误差时序上的整体熵值,得到多光谱图像特征的墒情融合值。
具体步骤如下:
S41、构建时序差异矩阵。
设采集图像上的n个像素点,将三个时间段内的可见光图像的平均灰度值与近红外光图像的平均灰度值求差,获得一个时序差异矩阵Z:
;
式中:a、m、b分别指第一时间段、第二时间段、第三时间段。
如图2所示,为以图像上的6个像素点为例,获得的时序差异矩阵。
S42、数据归一化处理。
将矩阵A按行进行归一化处理,如下式所示:
;
;
;
上式中:Gak、Gmk、Gbk表示每一行归一化后的元素,max、min分别指代最大值与最小值。
S43、计算相对误差权重Qvk:
,v=a,m,b;
S44、计算误差时序上的整体熵值Hv。
;v=a,m,b;
上式中:平衡系数w=1/ln(n),Qvk为相对误差权重。
S45、计算像元中多光谱图像特征的墒情融合值S:
;
;
,v=a,m,b;
式中,为平均熵值,Ha、Hm、Hb为第一时间段、第二时间段、第三时间段的整体熵值,Hmax、Hmin为最大熵值和最小熵值。
如图3所示,为实际墒情监测图,横纵坐标代表不同地理位置,颜色深浅代表融合值大小。
墒情融合值S与地表土壤墒情有着正相关,墒情融合值S与地表土壤墒情的正相关关系基于历史大数据通过神经网络获得,构建土壤墒情-融合值数据库,获取各土壤样本在不同含水量梯度下的光谱融合值,该数据库构建过程可采用现有技术获得。所以墒情融合值S反应了时间周期中的土壤水分的均值。土壤水分含量越高,土壤的墒情融合值S也就越大,土壤墒情变幅就越小;反之,土壤干燥缺水,土壤的墒情融合值S就小,土壤墒情变幅就越大.利用遥感探测土壤墒情变化,再利用图像的均值特征建立时序差异矩阵,计算误差时序上的整体熵值,得到多光谱图像特征的墒情融合值,达到估算土壤墒情的目的。
在利用图像的均值特征建立时序差异矩阵,计算误差时序上的整体熵值,得到多光谱图像特征的墒情融合值中,墒情融合值融合值被用来定义和量化一个预测过程的无序程度,度量并比较熵值的离差大小,利用融合值融合每一个参数点的计算结果,达到提升精度的目的。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (2)
1.一种基于遥感数据的区域墒情监测方法,其特征在于,包括如下步骤:
S1、采用多光谱摄相机获取区域内的多光谱遥感图像;
S2、对多光谱遥感图像进行分割处理,将背景与目标区域分离,提取目标区域图像;
S3、对所述目标区域的可见光图像和近红外光图像的均值特征进行提取;
S4、利用图像的均值特征建立时序差异矩阵,计算误差时序上的整体熵值,得到多光谱图像特征的墒情融合值,包括:
S41、构建时序差异矩阵;
设图像上具有n个像素点,将三个时间段内的可见光图像的平均灰度值与近红外光图像的平均灰度值求差,获得一个时序差异矩阵Z:
;
式中:a、m、b分别指第一时间段、第二时间段、第三时间段;
S42、将时序差异矩阵Z按行进行归一化处理,如下式所示:
;
;
;
上式中:Gak、Gmk、Gbk表示每一行归一化后的元素,max、min分别指代最大值与最小值;
S43、计算相对误差权重Qvk:
,v=a,m,b;
S44、计算误差时序上的整体熵值Hv:
;v=a,m,b;
上式中:平衡系数w=1/ln(n);
S45、计算像元中多光谱图像特征的墒情融合值S:
;
;
;v=a,m,b;
式中,为平均熵值,Ha、Hm、Hb为第一时间段、第二时间段、第三时间段的整体熵值,Hmax、Hmin为最大熵值和最小熵值。
2.根据权利要求1所述的区域墒情监测方法,其特征在于,步骤S3中,均值特征的提取公式如下:
;
式中,AJ为可见光图像的平均灰度值,J代表可见光的多个光谱的中心波长,AK为近红外光图像的平均灰度值,K代表近红外光的多个光谱的中心波长,N为图像中目标区域的像素点个数;fIJ(x,y)为中心波长为J的可见光图像上第I个像素点(x,y)的灰度值;fIK(x,y)为中心波长为K的近红外光图像上第I个像素点(x,y)的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443146.9A CN117169138B (zh) | 2023-11-02 | 2023-11-02 | 一种基于遥感数据的区域墒情监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443146.9A CN117169138B (zh) | 2023-11-02 | 2023-11-02 | 一种基于遥感数据的区域墒情监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117169138A CN117169138A (zh) | 2023-12-05 |
CN117169138B true CN117169138B (zh) | 2024-01-09 |
Family
ID=88943526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311443146.9A Active CN117169138B (zh) | 2023-11-02 | 2023-11-02 | 一种基于遥感数据的区域墒情监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169138B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
CN109596533A (zh) * | 2018-12-18 | 2019-04-09 | 北京航天泰坦科技股份有限公司 | 一种基于无人机高光谱数据的马铃薯种植管理方法 |
CN111429496A (zh) * | 2020-03-05 | 2020-07-17 | 武汉大学 | 一种顾及统计特性的时序PolSAR影像无监督变化检测方法 |
CN113655003A (zh) * | 2021-09-02 | 2021-11-16 | 中科禾信遥感科技(苏州)有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
CN114486783A (zh) * | 2022-02-15 | 2022-05-13 | 徐州飞梦电子科技有限公司 | 基于无人机多源遥感的冬小麦田土壤水分反演方法 |
EP4050334A1 (en) * | 2021-02-26 | 2022-08-31 | Tata Consultancy Services Limited | System and method for root zone soil moisture estimation for vegetation cover using remote sensing |
CN115015258A (zh) * | 2022-07-21 | 2022-09-06 | 中国科学院西北生态环境资源研究院 | 一种农作物长势与土壤水分关联确定方法及相关装置 |
CN116502803A (zh) * | 2023-05-06 | 2023-07-28 | 南京审计大学 | 土地资源资产实物量核算方法、装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776540B (zh) * | 2013-12-30 | 2015-07-08 | 华中科技大学 | 一种多波段共光路图谱联合遥感测量系统及方法 |
US9946931B2 (en) * | 2015-04-20 | 2018-04-17 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
-
2023
- 2023-11-02 CN CN202311443146.9A patent/CN117169138B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
CN109596533A (zh) * | 2018-12-18 | 2019-04-09 | 北京航天泰坦科技股份有限公司 | 一种基于无人机高光谱数据的马铃薯种植管理方法 |
CN111429496A (zh) * | 2020-03-05 | 2020-07-17 | 武汉大学 | 一种顾及统计特性的时序PolSAR影像无监督变化检测方法 |
EP4050334A1 (en) * | 2021-02-26 | 2022-08-31 | Tata Consultancy Services Limited | System and method for root zone soil moisture estimation for vegetation cover using remote sensing |
CN113655003A (zh) * | 2021-09-02 | 2021-11-16 | 中科禾信遥感科技(苏州)有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
CN114486783A (zh) * | 2022-02-15 | 2022-05-13 | 徐州飞梦电子科技有限公司 | 基于无人机多源遥感的冬小麦田土壤水分反演方法 |
CN115015258A (zh) * | 2022-07-21 | 2022-09-06 | 中国科学院西北生态环境资源研究院 | 一种农作物长势与土壤水分关联确定方法及相关装置 |
CN116502803A (zh) * | 2023-05-06 | 2023-07-28 | 南京审计大学 | 土地资源资产实物量核算方法、装置 |
Non-Patent Citations (4)
Title |
---|
Prediction of Soil Organic Matter by VIS–NIR Spectroscopy Using Normalized Soil Moisture Index as a Proxy of Soil Moisture;Yongsheng Hong et al.;《remote sensing》;全文 * |
Spot5影像统计分析及最佳组合波段选择;孙华;林辉;熊育久;莫登奎;;遥感信息(第04期);全文 * |
一种基于无人机高光谱影像的土壤墒情检测新方法;葛翔宇;丁建丽;王敬哲;孙慧兰;朱志强;;光谱学与光谱分析(第02期);全文 * |
基于同化叶面积指数和条件植被温度指数的冬小麦单产估测;张树誉;孙辉涛;王鹏新;景毅刚;李俐;;干旱地区农业研究(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117169138A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Forest in situ observations using unmanned aerial vehicle as an alternative of terrestrial measurements | |
US20230316555A1 (en) | System and Method for Image-Based Remote Sensing of Crop Plants | |
Fu et al. | Predicting solar irradiance with all-sky image features via regression | |
Tansey et al. | Estimating tree and stand variables in a Corsican Pine woodland from terrestrial laser scanner data | |
WO2018028191A1 (zh) | 一种基于波段比模型和太阳高度角的tavi计算方法 | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN111429496B (zh) | 一种顾及统计特性的时序PolSAR影像无监督变化检测方法 | |
CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CA3214248A1 (en) | System and method for vegetation detection from aerial photogrammetric multispectral data | |
CN112446522A (zh) | 面对多尺度分割的产草量估算方法、装置及存储介质 | |
CN112446397A (zh) | 基于遥感和随机森林的产草量估算方法、装置及存储介质 | |
Hao et al. | A hierarchical region-merging algorithm for 3-D segmentation of individual trees using UAV-LiDAR point clouds | |
Adhikari et al. | An integrated object and machine learning approach for tree canopy extraction from UAV datasets | |
Murray et al. | The novel use of proximal photogrammetry and terrestrial LiDAR to quantify the structural complexity of orchard trees | |
CN113009481A (zh) | 一种基于干涉sar雷达的森林地物成像反演方法 | |
CN113297904B (zh) | 一种基于卫星驱动模型的高寒草地生物量估算方法及系统 | |
CN109946670A (zh) | 一种光学影像驱动的雷达极化信息提取方法 | |
CN117169138B (zh) | 一种基于遥感数据的区域墒情监测方法 | |
Dong et al. | Drone-based three-dimensional photogrammetry and concave hull by slices algorithm for apple tree volume mapping | |
CN116385871B (zh) | 一种森林生物量遥感估算方法、系统、设备及介质 | |
Tian et al. | A new method for estimating signal-to-noise ratio in UAV hyperspectral images based on pure pixel extraction | |
Ozkan et al. | Predicting forest stand attributes using the integration of airborne laser scanning and Worldview-3 data in a mixed forest in Turkey |
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 |