CN117216444A - 一种基于深度学习的植被物候参数提取方法以及装置 - Google Patents
一种基于深度学习的植被物候参数提取方法以及装置 Download PDFInfo
- Publication number
- CN117216444A CN117216444A CN202311146350.4A CN202311146350A CN117216444A CN 117216444 A CN117216444 A CN 117216444A CN 202311146350 A CN202311146350 A CN 202311146350A CN 117216444 A CN117216444 A CN 117216444A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- vegetation index
- target
- grids
- grid
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 96
- 238000013135 deep learning Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 37
- 238000013136 deep learning model Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 22
- 238000009499 grossing Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 108091006146 Channels Proteins 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于深度学习的植被物候参数提取领域，特别涉及一种基于深度学习的植被物候参数提取方法、装置、计算机设备以及存储介质，采用深度学习的方法，训练基于深度学习的植被物候参数提取模型，通过在样本区域，以若干个栅格作为植被物候参数样本点，构建若干个栅格对应的植被指数时间序列，并利用空间信息以及时间信息，从若干个栅格中提取若干个目标栅格，作为高质量植被物候参数样本点，并确定各个目标栅格对应的植被物候参数，获得各个目标栅格对应的植被物候参数的植被指数时间序列，构建训练数据集，采用深度学习的方法，训练基于深度学习的植被物候参数提取模型，以对待测区域进行基于深度学习的植被物候参数提取，解决了高质量物候计算时间过长等缺点，提高了植被物候参量提取的精准性以及效率性。
Description
技术领域
本发明涉及基于深度学习的植被物候参数提取领域，特别涉及是一种基于深度学习的植被物候参数提取方法、装置、计算机设备以及存储介质。
背景技术
植被物候是指植物适应周围环境条件整体的周期性变化影响而形成的与此相适应的以年为周期的生长发育节律。由于植物的主要生理过程会被气温、土壤水分等生态因子所影响，植物的生长发育特性会在一定程度上随着气候变化发生改变，当气候缓慢地发生变化时，植物物候也会随之发生变化。对某地区植被物候进行长期观测并进行趋势分析可以在一定程度上可以反映当前地区的气候变化特性。
植被物候的获取根据研究尺度主要可以分为个体尺度物候、种群尺度物候和景观尺度物候几大类。个体尺度物候和种群尺度物候主要通过实地观测等方式进行，景观尺度物候指传感器能够接收到的反映植被生长信号随时间变化得到的关键时间节点。植被物候参量的计算过程主要分为两步：时间序列重建和物候参量提取；时间序列重建过程主要有时间序列谐波分析法、多项式拟合法、SG滤波、双逻辑斯蒂函数拟合法、非对称高斯函数拟合法和局部样条函数拟合法等；物候参量提取方法主要有绝对阈值法、动态阈值法和导函数极值法等，不同的数据、时间序列重建方法和物候参量提取方法彼此组合构成了复杂多样的景观尺度物候提取方法。但是目前的各种时间序列重建方法和物候提取方法较为复杂，运行时间相对较长，随着目前遥感影像的空间分辨率逐渐提高，景观尺度物候的计算量逐渐增大，传统的景观尺度物候提取方法的计算时间过长且需要高性能计算机加以支持，成本高、效率低。
发明内容
基于此，本发明的目的在于，提供一种基于深度学习的植被物候参数提取方法、装置、计算机设备以及存储介质，通过在样本区域，以若干个栅格作为植被物候参数样本点，构建若干个栅格对应的植被指数时间序列，并利用空间信息以及时间信息，从若干个栅格中提取若干个目标栅格，作为高质量植被物候参数样本点，并确定各个目标栅格对应的植被物候参数，获得各个目标栅格对应的植被物候参数的植被指数时间序列，构建训练数据集，采用深度学习的方法，训练基于深度学习的植被物候参数提取模型，以对待测区域进行基于深度学习的植被物候参数提取，解决了高质量物候计算时间过长等缺点，提高了植被物候参量提取的精准性以及效率性。
第一方面，本申请实施例提供了一种基于深度学习的植被物候参数提取方法，包括以下步骤：
获得样本区域在样本时间段内的植被指数数据集，其中，所述植被指数数据集包括若干个日期的植被指数数据；
根据所述植被指数数据集以及预设的栅格参数，构建所述样本区域的若干个栅格对应的植被指数时间序列，其中，所述植被指数时间序列包括所述栅格对应的若干个日期的植被指数数据；
根据各个所述栅格对应的植被指数时间序列中若干个日期的植被指数数据，确定各个所述栅格对应的初步植被物候参数，根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格；
根据各个所述目标栅格对应的初步植被物候参数，获得各个所述目标栅格对应的目标植被物候参数，根据各个所述目标栅格对应的目标植被物候参数以及植被指数数据，构建各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列；
将各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列进行组合，构建训练数据集，将所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型；
响应于基于深度学习的植被物候参数提取指令，获得待测区域的若干个栅格对应的植被指数时间序列，将所述待测区域的若干个栅格对应的植被指数时间序列输入至所述目标深度学习模型，获得所述待测区域的若干个栅格对应的植被物候参数，作为所述待测区域的基于深度学习的植被物候参数提取结果。
第二方面，本申请实施例提供了一种基于深度学习的植被物候参数提取装置，包括：
数据获取模块，用于获得样本区域在样本时间段内的植被指数数据集，其中，所述植被指数数据集包括若干个日期的植被指数数据；
序列构建模块，用于根据所述植被指数数据集以及预设的栅格参数，构建所述样本区域的若干个栅格对应的植被指数时间序列，其中，所述植被指数时间序列包括所述栅格对应的若干个日期的植被指数数据；
目标栅格提取模块，用于根据各个所述栅格对应的植被指数时间序列中若干个日期的植被指数数据，确定各个所述栅格对应的初步植被物候参数，根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格；
植被指数时间序列提取模块，用于根据各个所述目标栅格对应的初步植被物候参数，获得各个所述目标栅格对应的目标植被物候参数，根据各个所述目标栅格对应的目标植被物候参数以及植被指数数据，构建各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列；
模型训练模块，用于将各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列进行组合，构建训练数据集，将所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型；
参数提取模块，用于响应于基于深度学习的植被物候参数提取指令，获得待测区域的若干个栅格对应的植被指数时间序列，将所述待测区域的若干个栅格对应的植被指数时间序列输入至所述目标深度学习模型，获得所述待测区域的若干个栅格对应的植被物候参数，作为所述待测区域的基于深度学习的植被物候参数提取结果。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以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；所述计算机程序被所述处理器执行时实现如第一方面所述的基于深度学习的植被物候参数提取方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于深度学习的植被物候参数提取方法的步骤。
在本申请实施例中，提供一种基于深度学习的植被物候参数提取方法、装置、计算机设备以及存储介质，通过在样本区域，以若干个栅格作为植被物候参数样本点，构建若干个栅格对应的植被指数时间序列，并利用空间信息以及时间信息，从若干个栅格中提取若干个目标栅格，作为高质量植被物候参数样本点，并确定各个目标栅格对应的植被物候参数，获得各个目标栅格对应的植被物候参数的植被指数时间序列，构建训练数据集，采用深度学习的方法，训练基于深度学习的植被物候参数提取模型，以对待测区域进行基于深度学习的植被物候参数提取，解决了高质量物候计算时间过长等缺点，提高了植被物候参量提取的精准性以及效率性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于深度学习的植被物候参数提取方法的流程示意图；
图2为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S3的流程示意图；
图3为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S32的流程示意图；
图4为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S3的流程示意图；
图5为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S3的流程示意图；
图6为本申请另一个实施例提供的基于深度学习的植被物候参数提取方法中S3的流程示意图；
图7为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S4的流程示意图；
图8为本申请一个实施例提供的基于深度学习的植被物候参数提取装置的结构示意图；
图9为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的基于深度学习的植被物候参数提取方法的流程示意图，所述方法包括如下步骤：
S1：获得样本区域在样本时间段内的植被指数数据集。
所述基于深度学习的植被物候参数提取方法的执行主体为基于深度学习的植被物候参数提取方法的提取设备(以下简称提取设备)。在一个可选的实施例中，所述提取设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
在本实施例中，提取设备可以获得用户输入的获得样本区域在样本时间段内的植被指数数据集，也可以通过预设的数据库中，获得获得样本区域在样本时间段内的植被指数数据集，其中，所述植被指数数据集包括若干个日期的植被指数数据，具体地，所述植被指数数据可以是采用GLASS GPP(总初级生产力)数据产品，也可以包括NDVI、EVI、SIF、GPP、LAI、GCC等植被指数。
S2：根据所述植被指数数据集以及预设的栅格参数，构建所述样本区域的若干个栅格对应的植被指数时间序列。
在本实施例中，提取设备对所述植被指数数据集进行数据预处理，将所述植被指数数据集中若干个日期的植被指数数据统一为相同的投影和坐标系，根据数据预处理后的植被指数数据集以及所述植被指数数据集的时间分辨率，构建所述样本区域的植被指数时间序列。
S3：根据各个所述栅格对应的植被指数时间序列中若干个日期的植被指数数据，确定各个所述栅格对应的初步植被物候参数，根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格。
在本实施例中，提取设备根据各个所述栅格对应的植被指数时间序列中若干个日期的植被指数数据，确定各个所述栅格对应的初步植被物候参数，根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格，作为高质量植被物候参数样本点，基于该高质量植被物候参数样本点构建相应的训练数据集，用于训练基于深度学习的植被物候参数提取模型，以提高植被物候参量提取的精准性以及效率性。
所述初步植被物候参数包括生长季起始日期以及生长季结束日期；请参阅图2，图2为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S3的流程示意图，包括步骤S31～S33，具体如下：
S31：分别将各个所述栅格对应的植被指数时间序列输入至预设的双逻辑函数模型，获得各个所述栅格对应的平滑处理后的植被指数时间序列。
所述双逻辑函数模型为：
式中，f(i)为平滑处理后的植被指数时间序列中第i个日期的植被指数数据，α1为年度背景参数、α2为季前背景参数、α3为季后背景参数、β1为返青期位置参数、β2为枯黄期位置参数、为返青期速率参数以及/>为枯黄期速率参数；
在本实施例中，提取设备分别将各个所述栅格对应的植被指数时间序列输入至预设的双逻辑函数模型，获得各个所述栅格对应的平滑处理后的植被指数时间序列，以便于提取出的高质量的景观尺度的植被物候参数。
S32：根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用动态阈值法，获得各个所述栅格对应第一生长季起始日期以及第一生长季结束日期。
在本实施例中，提取设备根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用动态阈值法，获得各个所述栅格对应第一生长季起始日期以及第一生长季结束日期。
请参阅图3，图3为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S32的流程示意图，包括步骤S321～S325，具体如下：
S321：获得各个所述栅格对应的平滑处理后的植被指数时间序列中，最大的植被指数数据对应的日期，作为划分点，将各个所述栅格对应的平滑处理后的植被指数时间序列划分为左侧植被指数时间序列以及右侧植被指数时间序列。
所述左侧植被指数时间序列表示生长季周期的前半段，所述右侧植被指数时间序列表示生长季周期的后半段。
在本实施例中，提取设备获得各个所述栅格对应的平滑处理后的植被指数时间序列中，最大的植被指数数据对应的日期，作为划分点，将各个所述栅格对应的平滑处理后的植被指数时间序列划分为左侧植被指数时间序列以及右侧植被指数时间序列，以反映植被生长过程中的植被指数数据的变化。
S322：分别对各个所述栅格对应的左侧植被指数时间序列以及右侧植被指数时间序列的若干个日期的植被指数数据作极差处理，将极差处理后的结果与预设的动态阈值系数进行乘积，获得各个所述栅格对应的第一左侧植被指数数据以及第一右侧植被指数数据。
在本实施例中，提取设备分别对各个所述栅格对应的左侧植被指数时间序列以及右侧植被指数时间序列的若干个日期的植被指数数据作极差处理，将极差处理后的结果与预设的动态阈值系数进行乘积，获得各个所述栅格对应的第一左侧植被指数数据T1以及第一右侧植被指数数据T2，具体地，所述动态阈值系数可以设置为10％。
S323：分别对各个所述栅格对应的左侧植被指数时间序列以及右侧植被指数时间序列的若干个日期的植被指数数据进行分位数计算，获得各个所述栅格对应的第二左侧植被指数数据以及第二右侧植被指数数据。
在本实施例中，提取设备分别对各个所述栅格对应的左侧植被指数时间序列以及右侧植被指数时间序列的若干个日期的植被指数数据进行分位数计算，获得相应的若干个分位数计算结果，作为各个所述栅格对应的第二左侧植被指数数据O1以及第二右侧植被指数数据O2。在一个可选的实施例中，提取设备将获得的分位数计算结果与预设的分位数系数进行乘积，作为各个所述栅格对应的第二左侧植被指数数据O1以及第二右侧植被指数数据O2。其中，所述分位数系数可以设置为5％，分位数能够反映为非生长季日期的背景值。
S324：将各个所述栅格对应的第一左侧植被指数数据以及第二左侧植被指数数据进行相加，获得各个所述栅格对应的目标左侧植被指数数据，对各个所述栅格对应的左侧植被指数时间序列进行遍历，获得初次到达所述目标左侧植被指数数据的日期，作为所述第一生长季起始日期，获得各个所述栅格对应第一生长季起始日期。
在本实施例中，提取设备将各个所述栅格对应的第一左侧植被指数数据以及第二左侧植被指数数据进行相加，获得各个所述栅格对应的目标左侧植被指数数据，其中，所述目标左侧植被指数数据反映了植被的生长过程中，在生长季开始日期时达到的植被指数数据。
提取设备对各个所述栅格对应的左侧植被指数时间序列进行遍历，获得初次到达所述目标左侧植被指数数据的日期，作为所述第一生长季起始日期，获得各个所述栅格对应第一生长季起始日期。
S325：将各个所述栅格对应的第一右侧植被指数数据以及第二右侧植被指数数据进行相加，获得各个所述栅格对应的目标右侧植被指数数据，对各个所述栅格对应的右侧植被指数时间序列进行遍历，获得初次到达所述目标右侧植被指数数据的日期，作为所述第一生长季结束日期。
在本实施例中，提取设备将各个所述栅格对应的第一右侧植被指数数据以及第二右侧植被指数数据进行相加，获得各个所述栅格对应的目标右侧植被指数数据；其中，所述目标右侧植被指数数据反映了植被的生长过程中，在生长季结束日期时达到的植被指数数据。
提取设备对各个所述栅格对应的右侧植被指数时间序列进行遍历，获得初次到达所述目标右侧植被指数数据的日期，作为所述第一生长季结束日期。
S33：根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用三阶导函数极值法，获得各个所述栅格对应的第二生长季起始日期以及第二生长季结束日期。
在本实施例中，提取设备根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用三阶导函数极值法，获得各个所述栅格对应的第二生长季起始日期以及第二生长季结束日期。
请参阅图4，图4为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S3的流程示意图，包括步骤S331，具体如下：
S331：根据所述双逻辑函数模型的参数以及预设的第二植被物候参数计算算法，获得各个所述目标栅格对应的第二生长季起始日期以及第二生长季结束日期。
所述第二植被物候参数计算算法为：
式中，SOSR为第二生长季起始日期，EOSR为第二生长季结束日期。
在本实施例中，提取设备根据所述双逻辑函数模型的参数以及预设的第二植被物候参数计算算法，获得各个所述目标栅格对应的第二生长季起始日期以及第二生长季结束日期。
请参阅图5，图5为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S3的流程示意图，包括步骤S34～S35，具体如下：
S34：将同一个所述栅格对应的第一生长季起始日期以及第二生长季起始日期作差，获得生长季起始日期差值；将同一个所述栅格对应的第一生长季结束日期以及第二生长季结束日期作差，获得生长季结束日期差值。
在本实施例中，提取设备将同一个所述栅格对应的第一生长季起始日期以及第二生长季起始日期作差，获得生长季起始日期差值，具体如下：
ΔSOS＝|SOST-SOSR|
式中，ΔSOS为生长季起始日期差值，SOST为第一生长季起始日期，SOSR为第二生长季起始日期。
提取设备将同一个所述栅格对应的第一生长季结束日期以及第二生长季结束日期作差，获得生长季结束日期差值，具体如下：
ΔEOS＝|EOST-EOSR|
式中，ΔEOS为生长季结束日期差值，EOST为第一生长季结束日期，EOSR为第二生长季结束日期。
S35：根据各个所述栅格对应的生长季起始日期差值、生长季结束日期差值以及预设的参数阈值，所述参数阈值包括生长季起始日期差值阈值以及生长季结束日期差值阈值，若所述栅格对应的生长季起始日期差值小于所述生长季起始日期差值阈值，且所述栅格对应的生长季结束日期差值小于所述生长季结束日期差值阈值，将所述栅格作为目标栅格，从若干个所述栅格中提取若干个目标栅格。
在本实施例中，提取设备根据各个所述栅格对应的生长季起始日期差值、生长季结束日期差值以及预设的参数阈值，若所述栅格对应的生长季起始日期差值小于所述生长季起始日期差值阈值，且所述栅格对应的生长季结束日期差值小于所述生长季结束日期差值阈值，将所述栅格作为目标栅格，从若干个所述栅格中提取若干个目标栅格。具体地，所述生长季起始日期差值阈值以及生长季结束日期差值阈值均设置为2，通过阈值对比的方式，尽量提高符合生长季起始日期以及生长季结束日期的栅格准确度，以构建高质量的训练数据集，提高模型训练的精准率。
在一个可选的实施例中，所述参数阈值还包括契合程度阈值，请参阅图6，图6为本申请另一个实施例提供的基于深度学习的植被物候参数提取方法中S3的流程示意图，包括步骤S36～S37，具体如下：
S36：根据各个所述栅格对应的植被指数时间序列、平滑处理后的植被指数时间序列以及预设的契合程度参数计算算法，获得各个所述栅格对应的契合程度参数。
所述契合程度参数计算算法为：
式中，R2为契合程度参数，f′(i)为所述平滑处理后的植被指数时间序列中第i个日期的植被指数数据，为所述植被指数时间序列的植被指数数据的均值。
在本实施例中，提取设备根据各个所述栅格对应的植被指数时间序列、平滑处理后的植被指数时间序列以及预设的契合程度参数计算算法，获得各个所述栅格对应的契合程度参数。
S37：若所述栅格对应的生长季起始日期差值小于所述生长季起始日期差值阈值，且所述栅格对应的生长季结束日期差值小于所述生长季结束日期差值阈值，且所述栅格对应的契合程度参数小于所述契合程度阈值，将所述栅格作为目标栅格，从若干个所述栅格中提取若干个目标栅格。
在本实施例中，若所述栅格对应的生长季起始日期差值小于所述生长季起始日期差值阈值，且所述栅格对应的生长季结束日期差值小于所述生长季结束日期差值阈值，且所述栅格对应的契合程度参数小于所述契合程度阈值，提取设备将所述栅格作为目标栅格，从若干个所述栅格中提取若干个目标栅格。
S4：根据各个所述目标栅格对应的初步植被物候参数，获得各个所述目标栅格对应的目标植被物候参数，根据各个所述目标栅格对应的目标植被物候参数以及植被指数数据，构建各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列。
在本实施例中，提取设备根据各个所述目标栅格对应的初步植被物候参数，获得各个所述目标栅格对应的目标植被物候参数，根据各个所述目标栅格对应的目标植被物候参数以及植被指数数据，构建各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列，进一步地对目标栅格对应的植被物候参数进行计算，以提高植被物候参数的准确性。
请参阅图7，图7为本申请一个实施例提供的基于深度学习的植被物候参数提取方法中S4的流程示意图，包括步骤S41，具体如下：
S41：根据各个所述目标栅格对应的初步植被物候参数以及预设的目标植被物候参数计算算法，获得各个所述目标栅格对应的目标植被物候参数。
所述目标植被物候参数包括目标生长季起始日期以及目标生长季结束日期，所述目标植被物候参数计算算法为：
式中，SOS为目标生长季起始日期，SOST为第一生长季起始日期，SOSR为第二生长季起始日期，EOS为目标生长季结束日期，EOST为第一生长季结束日期，EOSR为第二生长季结束日期。
在本实施例中，提取设备根据各个所述目标栅格对应的初步植被物候参数以及预设的目标植被物候参数计算算法，获得各个所述目标栅格对应的目标植被物候参数。
S5：将各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列进行组合，构建训练数据集，将所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型。
在本实施例中，提取设备将各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列进行组合，构建训练数据集，将所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型。
所述深度学习模型包括第一卷积层、Bi-LSTM层、第二卷积层以及全连接层，其中，第一卷积层作为扩增时间序列通道的作用，保证有足够丰富的数据进入Bi-LSTM层，后续再通过第二卷积层将时间序列通道收束为1通道，后续再通过全连接层计算最终结果，几个层之间需要使用激活函数保证网络的非线性。
提取设备所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型，具体地，提取设备利用Adam优化器，选用MSE损失函数，学习率设置为0.0001对神经网络进行训练，共训练2000轮，使损失下降至0.4385，获得目标深度学习模型。
S6：响应于基于深度学习的植被物候参数提取指令，获得待测区域的若干个栅格对应的植被指数时间序列，将所述待测区域的若干个栅格对应的植被指数时间序列输入至所述目标深度学习模型，获得所述待测区域的若干个栅格对应的植被物候参数，作为所述待测区域的基于深度学习的植被物候参数提取结果。
所述基于深度学习的植被物候参数提取指令是用户发出，提取设备接收的。
在本实施例中，提取设备响应于基于深度学习的植被物候参数提取指令，获得待测区域的若干个栅格对应的植被指数时间序列，将所述待测区域的若干个栅格对应的植被指数时间序列输入至所述目标深度学习模型，获得所述待测区域的若干个栅格对应的植被物候参数，作为所述待测区域的基于深度学习的植被物候参数提取结果。
请参考图8，图8为本申请一个实施例提供的基于深度学习的植被物候参数提取装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于深度学习的植被物候参数提取装置的全部或一部分，该装置8包括：
数据获取模块81，用于获得样本区域在样本时间段内的植被指数数据集，其中，所述植被指数数据集包括若干个日期的植被指数数据；
序列构建模块82，用于根据所述植被指数数据集以及预设的栅格参数，构建所述样本区域的若干个栅格对应的植被指数时间序列，其中，所述植被指数时间序列包括所述栅格对应的若干个日期的植被指数数据；
目标栅格提取模块83，用于根据各个所述栅格对应的植被指数时间序列中若干个日期的植被指数数据，确定各个所述栅格对应的初步植被物候参数，根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格；
植被指数时间序列提取模块84，用于根据各个所述目标栅格对应的初步植被物候参数，获得各个所述目标栅格对应的目标植被物候参数，根据各个所述目标栅格对应的目标植被物候参数以及植被指数数据，构建各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列；
模型训练模块85，用于将各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列进行组合，构建训练数据集，将所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型；
参数提取模块86，用于响应于基于深度学习的植被物候参数提取指令，获得待测区域的若干个栅格对应的植被指数时间序列，将所述待测区域的若干个栅格对应的植被指数时间序列输入至所述目标深度学习模型，获得所述待测区域的若干个栅格对应的植被物候参数，作为所述待测区域的基于深度学习的植被物候参数提取结果。
在本申请实施例中，通过数据获取模块，获得样本区域在样本时间段内的植被指数数据集，其中，所述植被指数数据集包括若干个日期的植被指数数据；通过序列构建模块，根据所述植被指数数据集以及预设的栅格参数，构建所述样本区域的若干个栅格对应的植被指数时间序列，其中，所述植被指数时间序列包括所述栅格对应的若干个日期的植被指数数据；通过目标栅格提取模块，根据各个所述栅格对应的植被指数时间序列中若干个日期的植被指数数据，确定各个所述栅格对应的初步植被物候参数，根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格；通过植被指数时间序列提取模块，根据各个所述目标栅格对应的初步植被物候参数，获得各个所述目标栅格对应的目标植被物候参数，根据各个所述目标栅格对应的目标植被物候参数以及植被指数数据，构建各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列；通过模型训练模块，将各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列进行组合，构建训练数据集，将所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型；通过参数提取模块，响应于基于深度学习的植被物候参数提取指令，获得待测区域的若干个栅格对应的植被指数时间序列，将所述待测区域的若干个栅格对应的植被指数时间序列输入至所述目标深度学习模型，获得所述待测区域的若干个栅格对应的植被物候参数，作为所述待测区域的基于深度学习的植被物候参数提取结果。通过在样本区域，以若干个栅格作为植被物候参数样本点，构建若干个栅格对应的植被指数时间序列，并利用空间信息以及时间信息，从若干个栅格中提取若干个目标栅格，作为高质量植被物候参数样本点，并确定各个目标栅格对应的植被物候参数，获得各个目标栅格对应的植被物候参数的植被指数时间序列，构建训练数据集，采用深度学习的方法，训练基于深度学习的植被物候参数提取模型，以对待测区域进行基于深度学习的植被物候参数提取，解决了高质量物候计算时间过长等缺点，提高了植被物候参量提取的精准性以及效率性。
请参考图9，图9为本申请一个实施例提供的计算机设备的结构示意图，计算机设备9包括：处理器91、存储器92以及存储在存储器92上并可在处理器91上运行的计算机程序93；计算机设备可以存储有多条指令，指令适用于由处理器91加载并执行上述图1至图7所示实施例的方法步骤，具体执行过程可以参见图1至图7所示实施例的具体说明，在此不进行赘述。
其中，处理器91可以包括一个或多个处理核心。处理器91利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器92内的指令、程序、代码集或指令集，以及调用存储器92内的数据，执行基于深度学习的植被物候参数提取装置8的各种功能和处理数据，可选的，处理器91可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programble Logic Array，PLA)中的至少一个硬件形式来实现。处理器91可集成中央处理器91(Central Processing Unit，CPU)、图像处理器91(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器91中，单独通过一块芯片进行实现。
其中，存储器92可以包括随机存储器92(Random Access Memory，RAM)，也可以包括只读存储器92(Read-Only Memory)。可选的，该存储器92包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器92可用于存储指令、程序、代码、代码集或指令集。存储器92可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器92可选的还可以是至少一个位于远离前述处理器91的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图7所示实施例的方法步骤，具体执行过程可以参见图1至图7所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (10)
1.一种基于深度学习的植被物候参数提取方法，其特征在于，包括以下步骤：
获得样本区域在样本时间段内的植被指数数据集，其中，所述植被指数数据集包括若干个日期的植被指数数据；
根据所述植被指数数据集以及预设的栅格参数，构建所述样本区域的若干个栅格对应的植被指数时间序列，其中，所述植被指数时间序列包括所述栅格对应的若干个日期的植被指数数据；
根据各个所述栅格对应的植被指数时间序列中若干个日期的植被指数数据，确定各个所述栅格对应的初步植被物候参数，根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格；
根据各个所述目标栅格对应的初步植被物候参数，获得各个所述目标栅格对应的目标植被物候参数，根据各个所述目标栅格对应的目标植被物候参数以及植被指数数据，构建各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列；
将各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列进行组合，构建训练数据集，将所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型；
响应于基于深度学习的植被物候参数提取指令，获得待测区域的若干个栅格对应的植被指数时间序列，将所述待测区域的若干个栅格对应的植被指数时间序列输入至所述目标深度学习模型，获得所述待测区域的若干个栅格对应的植被物候参数，作为所述待测区域的基于深度学习的植被物候参数提取结果。
2.根据权利要求1所述的基于深度学习的植被物候参数提取方法，其特征在于，所述初步植被物候参数包括生长季起始日期以及生长季结束日期；
所述根据各个所述栅格对应的植被指数时间序列中若干个日期的植被指数数据，确定各个所述栅格对应的植被物候参数，包括步骤：
分别将各个所述栅格对应的植被指数时间序列输入至预设的双逻辑函数模型，获得各个所述栅格对应的平滑处理后的植被指数时间序列，其中，所述双逻辑函数模型为：
式中，f(i)为平滑处理后的植被指数时间序列中第i个日期的植被指数数据，α1为年度背景参数、α2为季前背景参数、α3为季后背景参数、β1为返青期位置参数、β2为枯黄期位置参数、为返青期速率参数以及/>为枯黄期速率参数；
根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用动态阈值法，获得各个所述栅格对应第一生长季起始日期以及第一生长季结束日期；
根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用三阶导函数极值法，获得各个所述栅格对应的第二生长季起始日期以及第二生长季结束日期。
3.根据权利要求2所述的基于深度学习的植被物候参数提取方法，其特征在于，所述根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用动态阈值法，获得各个所述栅格对应第一生长季起始日期以及第一生长季结束日期，包括步骤：
获得各个所述栅格对应的平滑处理后的植被指数时间序列中，最大的植被指数数据对应的日期，作为划分点，将各个所述栅格对应的平滑处理后的植被指数时间序列划分为左侧植被指数时间序列以及右侧植被指数时间序列；
分别对各个所述栅格对应的左侧植被指数时间序列以及右侧植被指数时间序列的若干个日期的植被指数数据作极差处理，将极差处理后的结果与预设的动态阈值系数进行乘积，获得各个所述栅格对应的第一左侧植被指数数据以及第一右侧植被指数数据；
分别对各个所述栅格对应的左侧植被指数时间序列以及右侧植被指数时间序列的若干个日期的植被指数数据进行分位数计算，获得各个所述栅格对应的第二左侧植被指数数据以及第二右侧植被指数数据；
将各个所述栅格对应的第一左侧植被指数数据以及第二左侧植被指数数据进行相加，获得各个所述栅格对应的目标左侧植被指数数据，对各个所述栅格对应的左侧植被指数时间序列进行遍历，获得初次到达所述目标左侧植被指数数据的日期，作为所述第一生长季起始日期，获得各个所述栅格对应第一生长季起始日期；
将各个所述栅格对应的第一右侧植被指数数据以及第二右侧植被指数数据进行相加，获得各个所述栅格对应的目标右侧植被指数数据，对各个所述栅格对应的右侧植被指数时间序列进行遍历，获得初次到达所述目标右侧植被指数数据的日期，作为所述第一生长季结束日期。
4.根据权利要求2所述的基于深度学习的植被物候参数提取方法，其特征在于，所述根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用三阶导函数极值法，获得各个所述栅格对应的第二生长季起始日期以及第二生长季结束日期，包括步骤：
根据所述双逻辑函数模型的参数以及预设的第二植被物候参数计算算法，获得各个所述目标栅格对应的第二生长季起始日期以及第二生长季结束日期，其中，所述第二植被物候参数计算算法为：
式中，SOSR为第二生长季起始日期，EOSR为第二生长季结束日期。
5.根据权利要求2至4任一项所述的基于深度学习的植被物候参数提取方法，其特征在于，所述根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格，包括步骤：
将同一个所述栅格对应的第一生长季起始日期以及第二生长季起始日期作差，获得生长季起始日期差值；将同一个所述栅格对应的第一生长季结束日期以及第二生长季结束日期作差，获得生长季结束日期差值；
根据各个所述栅格对应的生长季起始日期差值、生长季结束日期差值以及预设的参数阈值，所述参数阈值包括生长季起始日期差值阈值以及生长季结束日期差值阈值，若所述栅格对应的生长季起始日期差值小于所述生长季起始日期差值阈值，且所述栅格对应的生长季结束日期差值小于所述生长季结束日期差值阈值，将所述栅格作为目标栅格，从若干个所述栅格中提取若干个目标栅格。
6.根据权利要求5所述的基于深度学习的植被物候参数提取方法，其特征在于：所述参数阈值还包括契合程度阈值；
所述根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格，还包括步骤：
根据各个所述栅格对应的植被指数时间序列、平滑处理后的植被指数时间序列以及预设的契合程度参数计算算法，获得各个所述栅格对应的契合程度参数，其中，所述契合程度参数计算算法为：
式中，R2为契合程度参数，f′(i)为所述平滑处理后的植被指数时间序列中第i个日期的植被指数数据，为所述植被指数时间序列的植被指数数据的均值；
若所述栅格对应的生长季起始日期差值小于所述生长季起始日期差值阈值，且所述栅格对应的生长季结束日期差值小于所述生长季结束日期差值阈值，且所述栅格对应的契合程度参数小于所述契合程度阈值，将所述栅格作为目标栅格，从若干个所述栅格中提取若干个目标栅格。
7.根据权利要求5或6所述的基于深度学习的植被物候参数提取方法，其特征在于，所述根据各个所述目标栅格对应的初步植被物候参数，获得各个所述目标栅格对应的目标植被物候参数，包括步骤：
根据各个所述目标栅格对应的初步植被物候参数以及预设的目标植被物候参数计算算法，获得各个所述目标栅格对应的目标植被物候参数，其中，所述目标植被物候参数包括目标生长季起始日期以及目标生长季结束日期，所述目标植被物候参数计算算法为：
式中，SOS为目标生长季起始日期，SOST为第一生长季起始日期，SOSR为第二生长季起始日期，EOS为目标生长季结束日期，EOST为第一生长季结束日期，EOSR为第二生长季结束日期。
8.一种基于深度学习的植被物候参数提取装置，其特征在于，包括：
数据获取模块，用于获得样本区域在样本时间段内的植被指数数据集，其中，所述植被指数数据集包括若干个日期的植被指数数据；
序列构建模块，用于根据所述植被指数数据集以及预设的栅格参数，构建所述样本区域的若干个栅格对应的植被指数时间序列，其中，所述植被指数时间序列包括所述栅格对应的若干个日期的植被指数数据；
目标栅格提取模块，用于根据各个所述栅格对应的植被指数时间序列中若干个日期的植被指数数据，确定各个所述栅格对应的初步植被物候参数，根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格；
植被指数时间序列提取模块，用于根据各个所述目标栅格对应的初步植被物候参数，获得各个所述目标栅格对应的目标植被物候参数，根据各个所述目标栅格对应的目标植被物候参数以及植被指数数据，构建各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列；
模型训练模块，用于将各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列进行组合，构建训练数据集，将所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型；
参数提取模块，用于响应于基于深度学习的植被物候参数提取指令，获得待测区域的若干个栅格对应的植被指数时间序列，将所述待测区域的若干个栅格对应的植被指数时间序列输入至所述目标深度学习模型，获得所述待测区域的若干个栅格对应的植被物候参数，作为所述待测区域的基于深度学习的植被物候参数提取结果。
9.一种计算机设备，其特征在于，包括：处理器、存储器以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；所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于深度学习的植被物候参数提取方法的步骤。
10.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于深度学习的植被物候参数提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311146350.4A CN117216444B (zh) | 2023-09-06 | 2023-09-06 | 一种基于深度学习的植被物候参数提取方法以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311146350.4A CN117216444B (zh) | 2023-09-06 | 2023-09-06 | 一种基于深度学习的植被物候参数提取方法以及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117216444A true CN117216444A (zh) | 2023-12-12 |
| CN117216444B CN117216444B (zh) | 2024-04-19 |
Family
ID=89041828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311146350.4A Active CN117216444B (zh) | 2023-09-06 | 2023-09-06 | 一种基于深度学习的植被物候参数提取方法以及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216444B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318270A (zh) * | 2014-11-21 | 2015-01-28 | 东北林业大学 | 一种基于modis时间序列数据的土地覆盖分类方法 |
| CN113033453A (zh) * | 2021-04-06 | 2021-06-25 | 北京艾尔思时代科技有限公司 | 一种适用于景观破碎区作物类型遥感识别的方法及系统 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN114219847A (zh) * | 2022-02-18 | 2022-03-22 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
| CN114266972A (zh) * | 2021-12-22 | 2022-04-01 | 中国地质大学（武汉） | 基于遥感植被指数提取植被物候指标的方法及装置 |
| US20220261928A1 (en) * | 2019-07-08 | 2022-08-18 | Indigo Ag, Inc. | Crop yield forecasting models |
| CN115205701A (zh) * | 2022-07-12 | 2022-10-18 | 南京师范大学 | 一种基于水稻物候特征提取样本的方法 |
| FR3126280A1 (fr) * | 2021-08-27 | 2023-03-03 | Sun'agri | Système de production d’énergie électrique adapté aux cultures |
| CN115861831A (zh) * | 2022-11-15 | 2023-03-28 | 福州大学 | 基于作物物候知识的时间序列遥感数据农作物识别方法 |
| CN116665046A (zh) * | 2023-05-19 | 2023-08-29 | 中国科学院城市环境研究所 | 一种植被物候变化趋势评价方法、系统、设备及介质 |
-
2023
- 2023-09-06 CN CN202311146350.4A patent/CN117216444B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318270A (zh) * | 2014-11-21 | 2015-01-28 | 东北林业大学 | 一种基于modis时间序列数据的土地覆盖分类方法 |
| US20220261928A1 (en) * | 2019-07-08 | 2022-08-18 | Indigo Ag, Inc. | Crop yield forecasting models |
| CN113033453A (zh) * | 2021-04-06 | 2021-06-25 | 北京艾尔思时代科技有限公司 | 一种适用于景观破碎区作物类型遥感识别的方法及系统 |
| FR3126280A1 (fr) * | 2021-08-27 | 2023-03-03 | Sun'agri | Système de production d’énergie électrique adapté aux cultures |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN114266972A (zh) * | 2021-12-22 | 2022-04-01 | 中国地质大学（武汉） | 基于遥感植被指数提取植被物候指标的方法及装置 |
| CN114219847A (zh) * | 2022-02-18 | 2022-03-22 | 清华大学 | 基于物候特征的作物种植面积确定方法、系统及存储介质 |
| CN115205701A (zh) * | 2022-07-12 | 2022-10-18 | 南京师范大学 | 一种基于水稻物候特征提取样本的方法 |
| CN115861831A (zh) * | 2022-11-15 | 2023-03-28 | 福州大学 | 基于作物物候知识的时间序列遥感数据农作物识别方法 |
| CN116665046A (zh) * | 2023-05-19 | 2023-08-29 | 中国科学院城市环境研究所 | 一种植被物候变化趋势评价方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117216444B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | A simplified data assimilation method for reconstructing time-series MODIS NDVI data | |
| CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
| CN109359411B (zh) | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 | |
| CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
| Sirsat et al. | Machine Learning predictive model of grapevine yield based on agroclimatic patterns | |
| CN107423850B (zh) | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 | |
| CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
| CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
| CN112464172B (zh) | 生长参数主被动遥感反演方法及装置 | |
| CN114612896B (zh) | 基于遥感图像的水稻产量预测方法、装置以及设备 | |
| CN112215169A (zh) | 基于低空无人机被动遥感的作物株高及生物量自适应高精度解算方法 | |
| CN107437262B (zh) | 作物种植面积预警方法和系统 | |
| CN115344815A (zh) | 考虑植被空间变化的天然径流变化归因分析方法和系统 | |
| CN117216444B (zh) | 一种基于深度学习的植被物候参数提取方法以及装置 | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| CN115544875B (zh) | 基于多雨云地区的土壤水分重建方法、装置以及设备 | |
| CN113052433B (zh) | 基于关键时相和农田景观特征参量的作物单产估算方法 | |
| CN113705928B (zh) | 基于大气再分析数据对植被生长季顶峰时间的预测方法 | |
| CN115587916A (zh) | Gpp估算模型的构建方法 | |
| CN114509403A (zh) | 马铃薯叶柄的硝酸盐预测方法、装置、设备及存储介质 | |
| Bueno et al. | Land use/land cover classification in a heterogeneous agricultural landscape using PlanetScope data. | |
| CN116305875B (zh) | 数值天气预报模式中叶面积指数的数据处理方法及装置 | |
| Shakir | Optimal Deep Learning Driven Smart Sugarcane Crop Monitoring on Remote Sensing Images | |
| CN110750896A (zh) | 不同气候区下城市绿地降温效应定量评估方法与系统 | |
| CN109978992B (zh) | 一种树木枝干形态测量与三维重建方法及系统 |
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 |