CN117372503A - 一种河湖岸带植被分类及覆盖度计算方法及系统 - Google Patents
一种河湖岸带植被分类及覆盖度计算方法及系统 Download PDFInfo
- Publication number
- CN117372503A CN117372503A CN202311674659.0A CN202311674659A CN117372503A CN 117372503 A CN117372503 A CN 117372503A CN 202311674659 A CN202311674659 A CN 202311674659A CN 117372503 A CN117372503 A CN 117372503A
- Authority
- CN
- China
- Prior art keywords
- grid
- river
- vegetation
- lake
- calculating
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000003086 colorant Substances 0.000 claims description 66
- 241000196324 Embryophyta Species 0.000 claims description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims description 6
- 235000017491 Bambusa tulda Nutrition 0.000 claims description 6
- 241001330002 Bambuseae Species 0.000 claims description 6
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims description 6
- 239000011425 bamboo Substances 0.000 claims description 6
- 241001465754 Metazoa Species 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 4
- 241000544043 Blyxa aubertii Species 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本申请涉及植被图像处理领域,本申请提供一种河湖岸带植被分类及覆盖度计算方法及系统,方法包括:首先获取河湖岸的多光谱图像和可见光图像;通过多光谱图像和可见光图像输出正射图像和NDVI数据;以第一范围内的NDVI数据为基础栅格,提取NDVI结果;再将NDVI结果按照预设植被指数重分类,以得到第一非植被、河湖岸林、河湖岸草地、乔灌木栅格数据;栅格数据中包括多个像元;再将河湖岸林、乔灌木栅格数据中划分为植被栅格与非植被栅格,通过计算植被栅格与河湖岸草地栅格数据的像元面积以及非植被栅格的像元面积计算河湖岸植被覆盖度,构建并行池,利用GPU加速并行计算像元面积,以解决植被覆盖度计算速度慢且不准确的问题。
Description
技术领域
本申请涉及植被图像处理领域,尤其涉及一种河湖岸带植被分类及覆盖度计算方法及系统。
背景技术
河湖岸带所处于独特空间位置,具有多种独特的生态功能。河湖岸带植物是维持河湖岸带生态系统稳定的重要因素,在保持水土、稳固河湖岸、提供动植物栖息地及维持河湖岸带健康发展有着重要的作用。因此,快速准确地估算河湖岸带植被分类及覆盖度可以及时反映河湖岸线健康程度,对改善河湖生态具有重要意义。
估算河湖岸带植被分类及覆盖度的方法主要分为两种,第一种为地面实测,会受较多条件的限制,且不易大范围调查,计算精度较低;第二种为遥感反演,随着遥感技术的迅速发展,遥感技术测量应用于时空大尺度植被覆盖度的估算,卫星监测成本较高并且重访周期长,易受云层遮挡导致获取图像存在缺失。导致无法得到准确的植被覆盖度,并且计算速度慢。
发明内容
本申请提供一种河湖岸带植被分类及覆盖度计算方法及系统,以解决植被覆盖度计算速度慢且不准确的问题。
本申请第一方面提供一种河湖岸带植被分类及覆盖度计算方法,包括:
获取河湖岸的多光谱图像以及可见光图像;
对所述多光谱图像以及可见光图像预处理,以输出正射图像和NDVI数据;
在所述正射图像根据河湖岸选取第一范围,生成第一范围带矢量文件;
以所述第一范围内的所述NDVI数据为基础栅格,提取所述第一范围带矢量文件内的NDVI结果;
将所述NDVI结果按照预设植被指数重分类,以得到河湖岸带栅格数据,所述河湖岸带栅格数据包括第一非植被栅格数据、河湖岸林栅格数据、河湖岸草地栅格数据、乔灌木栅格数据;所述栅格数据中包括多个像元;
计算所述第一非植被栅格的像元面积;
将所述河湖岸林栅格数据根据像元颜色分为河湖岸林栅格和第二非植被栅格,计算所述河湖岸林栅格以及第二非植被栅格的像元面积;
计算草地栅格的像元面积;
将所述乔灌木栅格数据根据像元颜色分为乔灌木栅格和第三非植被栅格,计算所述乔灌木栅格和第三非植被栅格的像元面积;
构建并行池,所述并行池采用GPU加速;
利用所述并行池同时计算所述第一非植被栅格的像元面积、河湖岸林栅格的像元面积、第二非植被栅格的像元面积、草地栅格的像元面积、乔灌木栅格的像元面积和第三非植被栅格的像元面积;
根据第一非植被栅格的像元面积、河湖岸林栅格像元面积、第二非植被栅格像元面积、草地栅格像元面积、乔灌木栅格像元面积、第三非植被栅格像元面积计算河湖岸植被覆盖度。
可选的,所述河湖岸带栅格数据还包括河湖岸湿地栅格数据;所述方法还包括:
获取所述河湖岸湿地栅格数据中的像元颜色;
将所述像元颜色根据预设类像元颜色分类,所述预设类颜色包括预设水生植物颜色、预设河水颜色以及预设水生动物颜色;
计算所述预设类像元颜色的像元面积;
根据所述预设河水颜色的像元面积计算所述河湖岸湿地栅格数据的含水率;
根据所述水生植物颜色的像元面积计算所述河湖岸湿地栅格数据的植被覆盖度。
可选的,所述方法还包括:
获取在河水内生长的所述水生植物颜色;
计算不同季节所述水生植物颜色的平均值,以作为预设水生植物颜色。
可选的,所述方法还包括:
对比所述乔灌木栅格中的像元颜色与预设颜色,所述预设颜色包括预设叶片色和预设主干色;
若所述像元颜色仅包括预设叶片色,则标记所述乔灌木栅格为竹类栅格,并计算所述竹类栅格的像元面积;
若所述像元颜色包括预设叶片色和预设主干色,则标记所述乔灌木栅格为乔木栅格或灌木栅格。
可选的,所述方法还包括:
根据NDVI结果按照预设植被指数,或,根据所述乔灌木栅格中所述预设主干色的像元面积将所述乔灌木栅格数据分为乔木栅格数据以及灌木栅格数据,所述预设主干色的像元面积大的栅格数据为乔木栅格数据;
通过所述乔木栅格数据的像元面积计算乔木覆盖度;
通过所述灌木栅格数据的像元面积计算灌木覆盖度。
可选的,所述方法还包括:
获取在河湖岸分布所述灌木和乔木不同季节的叶片色和主干色;
计算不同季节叶片色和主干色的平均值,以作为预设叶片色以及预设主干色。
可选的,所述方法还包括:
获取所述多光谱图像中每个像素点的RGB三色颜色分量;
计算所述三色颜色分量的直方图;
定位所述直方图中两个波峰之间的谷底作为分割阈值;
将大于所述分割阈值的所述像素点标记为植被像素部分,将小于等于所述分割阈值的所述像素点标记为背景像素部分;
计算所述植被像素部分以及所述背景像素部分的面积,以计算所述河湖岸植被覆盖度。
可选的,所述方法还包括:
获取不同角度的所述可见光图像,所述不同角度的所述可见光图像存在重叠区域;
使用三维重建的离线算法计算不同角度的所述可见光图像中的拍摄位姿和特征点;
根据所述拍摄位姿和特征点,建立三维点云模型;
根据所述三维点云模型,得到河湖岸林、草地、乔木、灌木以及水生植物的3D坐标;
根据所述3D坐标计算河湖岸林、草地、乔木、灌木以及水生植物的株高。
可选的,对所述多光谱图像以及可见光图像预处理,包括:
将所述多光谱图像以及可见光图像分别输入至卷积网络中;
通过所述卷积网络的最后一层卷积层,对所述多光谱图像以及可见光图像分别执行上采样,以得到第一分辨率图像和第二分辨率图像。
本申请第二方面提供一种河湖岸带植被分类及覆盖度计算系统,应用于第一方面所述的河湖岸带植被分类及覆盖度计算方法,所述系统包括:获取模块、NDVI处理模块、分类模块、计算模块以及加速模块;
所述获取模块用于获取河湖岸的多光谱图像以及可见光图像;
所述NDVI处理模块用于对所述多光谱图像以及可见光图像预处理,以输出正射图像和NDVI数据;在所述正射图像根据河湖岸选取第一范围,生成第一范围带矢量文件;以所述第一范围内的所述NDVI数据为基础栅格,提取所述第一范围带矢量文件内的NDVI结果;
所述分类模块用于将所述NDVI结果按照预设植被指数重分类,以得到河湖岸带栅格数据,所述河湖岸带栅格数据包括第一非植被栅格数据、河湖岸林栅格数据、河湖岸草地栅格数据、乔灌木栅格数据;所述栅格数据中包括多个像元;还用于将所述河湖岸林栅格数据根据像元颜色分为河湖岸林栅格和第二非植被栅格;将所述乔灌木栅格数据根据像元颜色分为乔灌木栅格和第三非植被栅格;
所述计算模块用于计算所述第一非植被栅格的像元面积;计算所述河湖岸林栅格以及第二非植被栅格的像元面积;计算草地栅格的像元面积;计算所述乔灌木栅格和第三非植被栅格的像元面积;还用于根据河湖岸林栅格像元面积、第二非植被栅格像元面积、草地栅格像元面积、乔灌木栅格像元面积、第三非植被栅格像元面积计算河湖岸植被覆盖度;所述加速模块用于构建并行池,所述并行池采用GPU加速;利用所述并行池同时计算所述第一非植被栅格的像元面积、河湖岸林栅格的像元面积、第二非植被栅格的像元面积、草地栅格的像元面积、乔灌木栅格的像元面积和第三非植被栅格的像元面积。
由以上技术方案可知,本申请提供一种河湖岸带植被分类及覆盖度计算方法及系统,所述方法包括:首先获取河湖岸的多光谱图像以及可见光图像;并对所述多光谱图像以及可见光图像预处理,以输出正射图像和NDVI数据;在所述正射图像根据河湖岸选取第一范围,生成第一范围带矢量文件;以所述第一范围内的所述NDVI数据为基础栅格,提取所述第一范围带矢量文件内的NDVI结果;再将所述NDVI结果按照预设植被指数重分类,以得到河湖岸带栅格数据,所述河湖岸带栅格数据包括第一非植被栅格数据、河湖岸林栅格数据、河湖岸草地栅格数据、乔灌木栅格数据;所述栅格数据中包括多个像元;计算所述第一非植被栅格的像元面积;再将所述河湖岸林栅格数据根据像元颜色分为河湖岸林栅格和第二非植被栅格,计算所述河湖岸林栅格以及第二非植被栅格的像元面积;计算草地栅格的像元面积;将所述乔灌木栅格数据根据像元颜色分为乔灌木栅格和第三非植被栅格,计算所述乔灌木栅格和第三非植被栅格的像元面积;构建并行池,所述并行池采用GPU加速;利用所述并行池同时计算所述第一非植被栅格的像元面积、河湖岸林栅格的像元面积、第二非植被栅格的像元面积、草地栅格的像元面积、乔灌木栅格的像元面积和第三非植被栅格的像元面积;根据第一非植被栅格的像元面积、河湖岸林栅格像元面积、第二非植被栅格像元面积、草地栅格像元面积、乔灌木栅格像元面积、第三非植被栅格像元面积计算河湖岸植被覆盖度,以解决植被覆盖度计算速度慢且不准确的问题。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一种河湖岸带植被分类及覆盖度计算方法流程示意图;
图2为一种河湖岸带植被分类及覆盖度计算系统结构示意图;
图3为河湖岸湿地栅格数据处理流程图;
图4为对乔灌木栅格进一步分类的流程图;
图5为植被株高的计算流程图。
具体实施方式
下面将详细地对实施例进行说明,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。以下实施例中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。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
在估计河湖岸植被的覆盖度可通过地面实测或遥感反演,但两种方法都无法得到准确的植被覆盖度,但都无法得到准确的植被覆盖度,并且无法将植被分类,例如:无法将乔木和灌木分类。
参见图1,本申请部分实施例提供一种河湖岸带植被分类及覆盖度计算方法,包括:
S100:获取河湖岸的多光谱图像以及可见光图像。
在获取多光谱图像以及可见光影响的过程中,可选择天气晴朗且风力级数小于四级的情况下,使用多光谱无人机,并且设置无人机的飞行高度、速度以及每个角度拍摄的图像数量,规划飞行航线,在本实施例中,可沿河湖岸带航拍,即可同步获取到河段范围内的多光谱图像和可见光图像。
多光谱图像的六通道为全色、450nm、560nm、650nm、730nm、840nm。其中,450nm为蓝光波段,450nm为绿光波段,650nm为红光波段,730nm为红边波段,840nm为近红外波段。
在一些实施例中,还可以根据多光谱图像直接计算植被覆盖度,方法包括:获取多光谱图像中每个像素点的RGB三色颜色分量;计算三色颜色分量的直方图;定位直方图中两个波峰之间的谷底作为分割阈值;将大于分割阈值的像素点标记为植被像素部分,将小于等于分割阈值的像素点标记为背景像素部分;计算植被像素部分以及背景像素部分的面积,以计算河湖岸植被覆盖度。
S200:对多光谱图像以及可见光图像预处理,以输出正射图像和NDVI数据。
其中,预处理可包括图像配准、图像拼接和辐射校正;图像配准是指将不同时间或不同条件下(气候、照度、拍摄位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程,示例性的,将不同气候条件下的两幅图像匹配或叠加。图像拼接是指将多幅图像拼接成一幅大图像的过程,示例性的,可将拍摄位置相近的两幅图像拼接成一幅图像。辐射校正是指对由于外界因素、数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。示例性的,先对多光谱图像以及可见光图像执行数据分解,分别建立原始遥感图像数据文件和遥测辅助信息数据文件;然后根据从辐射传输方程推导出的遥感图像辐射误差校正模型,再进行辐射校正。
为提高多光谱图像以及可见光图像的分辨率,在一些实施例中,对多光谱图像以及可见光图像预处理,包括:将多光谱图像以及可见光图像分别输入至卷积网络中;通过卷积网络的最后一层卷积层,对多光谱图像以及可见光图像分别执行上采样,以得到第一分辨率图像和第二分辨率图像。其中,第一分辨率图像与第二分辨率图像的分辨率高于多光谱图像以及可见光图像的分辨率。预处理过程完成后,设置无人机参数进行初始化、空中三角测量、镶嵌正投影等操作,可输出该河湖岸的正射图像和归一化植被指数NDVI数据。其中,正射图像的精度为厘米级精度。
根据下式计算归一化植被指数NDVI:
;
其中,为近红外波段的反射率,对应多光谱图像650nm波段;/>为红光波段的反射率,对应多光谱图像840nm波段。
S300:在正射图像根据河湖岸选取第一范围,生成第一范围带矢量文件。
可根据所需判断覆盖度或植被分类的范围,作为第一范围,例如:选择河湖岸上游或河湖岸下游,还可对比河湖岸下游与河湖岸上游的植被覆盖度。
选取范围后,生成第一范围带矢量shp文件,其中,shp文件以矢量数据为基础,用于存储地理要素和属性信息。
S400:以第一范围内的NDVI数据为基础栅格,提取第一范围带矢量文件内的NDVI结果。
基础栅格是由像元大小确定的栅格单元。
NDVI结果在-1和1之间,其中,负值表示地面覆盖为云、水、雪等,对可见光高反射;0表示有岩石或裸土等;正值表示有植被覆盖,且随覆盖度增大而增大。
S500:将NDVI结果按照预设植被指数重分类,以得到河湖岸带栅格数据,河湖岸带栅格数据包括第一非植被栅格数据、河湖岸林栅格数据、河湖岸草地栅格数据、乔灌木栅格数据。
其中,栅格数据中包括多个像元。
可将河湖岸带按照NDVI结果分为非植被、河湖岸林、草地、乔灌木,再绘制NDVI数据直方图,根据NDVI数据直方图显示结果可以明确看出,非植被、河湖岸林、草地、乔灌木的植被指数存在明显差异,非植被的NDVI植被指数最低,草地次之,河湖岸林最高。将直方图中波谷作为数据重分类分割线,即可得到第一非植被、河湖岸林、草地、乔灌木的栅格数据。
S600:将河湖岸林栅格数据根据像元颜色分为河湖岸林栅格和第二非植被栅格,计算河湖岸林栅格以及第二非植被栅格的像元面积。
通过计算河湖岸林栅格的像元面积,可计算出第一范围内河湖岸林的覆盖率。计算第二非植被栅格的像元面积可以用于与其他非植被栅格的像元面积相加,可以得到河湖岸第一范围中所有非植被的面积。
在一些实施例中,河湖岸带栅格数据还包括河湖岸湿地栅格数据;参见图3,方法还包括:
S610:获取河湖岸湿地栅格数据中的像元颜色。
S620:将像元颜色根据预设类像元颜色分类。
其中,预设类颜色包括预设水生植物颜色、预设河水颜色以及预设水生动物颜色。
S630:计算预设类像元颜色的像元面积。
S640:根据预设河水颜色的像元面积计算河湖岸湿地栅格数据的含水率。
S650:根据水生植物颜色的像元面积计算河湖岸湿地栅格数据的植被覆盖度。
计算完成含水率,可通过含水率以及水生动物的像元面积计算水生植物覆盖度,可以根据覆盖度了解水生植物在河湖岸的分布以及数量。
其中,水生植物在不同季节中可能体现出不同的颜色,可计算不同季节水生植物颜色的平均值,以作为预设水生植物颜色。还可以将不同季节体现的颜色作为水生植物颜色集,作为预设水生植物颜色,以使覆盖度的计算更加准确。
S700:计算草地栅格的像元面积以及第一非植被栅格的像元面积。
因草地栅格中不存在无植被覆盖的位置,因此无需将草地栅格进一步分类,直接计算草地栅格的像元面积即可。
S800:将乔灌木栅格数据根据像元颜色分为乔灌木栅格和第三非植被栅格,计算乔灌木栅格和第三非植被栅格的像元面积。
在计算完成乔灌木栅格和第三非植被栅格的像元面积后,在一些实施例中,参见图4,还包括:
S810:对比乔灌木栅格中的像元颜色与预设颜色。
其中,预设颜色包括预设叶片色和预设主干色。
S820:若像元颜色仅包括预设叶片色,则标记乔灌木栅格为竹类栅格,并计算竹类栅格的像元面积。
S830:若像元颜色包括预设叶片色和预设主干色,则标记乔灌木栅格为乔木栅格或灌木栅格。
因竹类植物无主干,因此,当乔灌木栅格中不存在预设主干色时,则可判断此栅格代表竹类植物,将存在主干的乔灌木栅格标记为乔木或灌木,可通过此计算竹类植物的覆盖度。
其中,计算不同季节叶片色和主干色的平均值,以作为预设叶片色以及预设主干色。还可以将不同季节体现的颜色作为叶片色颜色集和主干色颜色集,作为预设叶片色以及预设主干色,以使覆盖度的计算更加准确。
为进一步将乔木与灌木分类,在一些实施例中,方法还包括:根据NDVI结果按照预设植被指数,或,根据乔灌木栅格中预设主干色的像元面积将乔灌木栅格数据分为乔木栅格数据以及灌木栅格数据,预设主干色的像元面积大的栅格数据为乔木栅格数据;通过乔木栅格数据的像元面积计算乔木覆盖度;通过灌木栅格数据的像元面积计算灌木覆盖度。
示例性的,可首先通过NDVI结果将乔灌木栅格数据分为乔木栅格数据以及灌木栅格数据,NDVI的数值大的为乔木栅格数据。再次示例性的,因乔木存在明显的主干,而灌木无明显主干或主干极矮,因此,可通过预设主干色来将乔木与灌木分类。通过标记乔木栅格和灌木栅格,即可将乔木及灌木分类,并且,还可以分别计算乔木的覆盖度以及灌木的覆盖度,以便对乔灌木细化分类。
S900:构建并行池,并行池采用GPU加速,利用并行池同时计算第一非植被栅格的像元面积、河湖岸林栅格的像元面积、第二非植被栅格的像元面积、草地栅格的像元面积、乔灌木栅格的像元面积和第三非植被栅格的像元面积。
为提高多光谱图像以及可见光图像的像元面积计算效率,可以使用GPU(GraphicsProcessing Unit,图像处理器),为了加快像元面积的计算速度。GPU可以为8核心处理器,8核心处理器可把独立模块分配到不同的处理器上进行多个类别的同时计算,达到并行计算的目的。对于本实施例中计算的像元面积为六个类别,可将并行池分为六部分,每部分同时分别计算六个类别的像元面积,以加快像元面积的计算速度。
S1000:根据第一非植被栅格数据、河湖岸林栅格像元面积、第二非植被栅格像元面积、草地栅格像元面积、乔灌木栅格像元面积、第三非植被栅格像元面积计算河湖岸植被覆盖度。
本实施例中计算的为第一范围的河湖岸植被覆盖度,还可以计算其他位置的河湖岸的植被覆盖度,再将不同的覆盖度整合,计算整个河湖岸的植被覆盖度。
在一些实施例中,多段河湖岸植被覆盖度为多段河湖岸植被覆盖度的平均值,示例性的,河湖岸的长度为l米,将河湖岸划分为m段,分别计算每段河湖岸的植被覆盖度C,每段河湖岸的植被覆盖度分别为C1、C2…Cn,则定义该河湖岸的植被覆盖率为。
在计算完成覆盖度以及将植被分类后,还可以通过可见光图像获取植被的高度,在一些实施例中,参见图5,还包括:
S910:获取不同角度的可见光图像。
其中,不同角度的可见光图像存在重叠区域。
S920:使用三维重建的离线算法计算不同角度的可见光图像中的拍摄位姿和特征点。
S930:根据拍摄位姿和特征点,建立三维点云模型。
S940:根据三维点云模型,得到河湖岸林、草地、乔木、灌木以及水生植物的3D坐标。
S950:根据3D坐标计算河湖岸林、草地、乔木、灌木以及水生植物的株高。
基于上述河湖岸带植被分类及覆盖度计算方法,本申请部分实施例提供一种河湖岸带植被分类及覆盖度计算系统,参见图2,系统包括:获取模块、NDVI处理模块、分类模块、计算模块以及加速模块;
获取模块用于获取河湖岸的多光谱图像以及可见光图像;NDVI处理模块用于对多光谱图像以及可见光图像预处理,以输出正射图像和NDVI数据;在正射图像根据河湖岸选取第一范围,生成第一范围带矢量文件;以第一范围内的NDVI数据为基础栅格,提取第一范围带矢量文件内的NDVI结果;
分类模块用于将NDVI结果按照预设植被指数重分类,以得到河湖岸带栅格数据,河湖岸带栅格数据包括河湖岸林栅格数据、河湖岸草地栅格数据、乔灌木栅格数据;栅格数据中包括多个像元;还用于将河湖岸林栅格数据根据像元颜色分为河湖岸林栅格和第二非植被栅格;将乔灌木栅格数据根据像元颜色分为乔灌木栅格和第三非植被栅格;
计算模块用于计算河湖岸林栅格以及第二非植被栅格的像元面积;计算草地栅格的像元面积;计算乔灌木栅格和第三非植被栅格的像元面积;还用于根据河湖岸林栅格像元面积、第二非植被栅格像元面积、草地栅格像元面积、乔灌木栅格像元面积、第三非植被栅格像元面积计算河湖岸植被覆盖度;
加速模块用于构建并行池,并行池采用GPU加速;利用并行池同时计算所述第一非植被栅格的像元面积、河湖岸林栅格的像元面积、第二非植被栅格的像元面积、草地栅格的像元面积、乔灌木栅格的像元面积和第三非植被栅格的像元面积。
在一些实时例中,在对计算像元面积的过程中,加速模块可以是AI处理器,AI处理器可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。AI处理器可以是GPU(图形处理器)、DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)的至少一种硬件形式来实现。
由以上技术方案可知,本申请实施例提供一种河湖岸带植被分类及覆盖度计算方法及系统,所述方法包括:首先获取河湖岸的多光谱图像以及可见光图像;并对多光谱图像以及可见光图像预处理,以输出正射图像和NDVI数据;在正射图像根据河湖岸选取第一范围,生成第一范围带矢量文件;以第一范围内的NDVI数据为基础栅格,提取第一范围带矢量文件内的NDVI结果;再将NDVI结果按照预设植被指数重分类,以得到河湖岸带栅格数据,河湖岸带栅格数据包括第一非植被栅格数据、河湖岸林栅格数据、河湖岸草地栅格数据、乔灌木栅格数据;栅格数据中包括多个像元;计算第一非植被栅格的像元面积;再将河湖岸林栅格数据根据像元颜色分为河湖岸林栅格和第二非植被栅格,计算河湖岸林栅格以及第二非植被栅格的像元面积;计算草地栅格的像元面积;将乔灌木栅格数据根据像元颜色分为乔灌木栅格和第三非植被栅格,计算乔灌木栅格和第三非植被栅格的像元面积;构建并行池,所述并行池采用GPU加速;利用所述并行池同时计算所述第一非植被栅格的像元面积、河湖岸林栅格的像元面积、第二非植被栅格的像元面积、草地栅格的像元面积、乔灌木栅格的像元面积和第三非植被栅格的像元面积;根据第一非植被栅格的像元面积、河湖岸林栅格像元面积、第二非植被栅格像元面积、草地栅格像元面积、乔灌木栅格像元面积、第三非植被栅格像元面积计算河湖岸植被覆盖度,以解决植被覆盖度计算速度慢且不准确的问题。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (10)
1.一种河湖岸带植被分类及覆盖度计算方法,其特征在于,包括:
获取河湖岸的多光谱图像以及可见光图像;
对所述多光谱图像以及可见光图像预处理,以输出正射图像和NDVI数据;
在所述正射图像根据河湖岸选取第一范围,生成第一范围带矢量文件;
以所述第一范围内的所述NDVI数据为基础栅格,提取所述第一范围带矢量文件内的NDVI结果;
将所述NDVI结果按照预设植被指数重分类,以得到河湖岸带栅格数据,所述河湖岸带栅格数据包括第一非植被栅格数据、河湖岸林栅格数据、河湖岸草地栅格数据、乔灌木栅格数据;所述栅格数据中包括多个像元;计算所述第一非植被栅格的像元面积;
将所述河湖岸林栅格数据根据像元颜色分为河湖岸林栅格和第二非植被栅格,计算所述河湖岸林栅格以及第二非植被栅格的像元面积;
计算草地栅格的像元面积;
将所述乔灌木栅格数据根据像元颜色分为乔灌木栅格和第三非植被栅格,计算所述乔灌木栅格和第三非植被栅格的像元面积;
构建并行池,所述并行池采用GPU加速;
利用所述并行池同时计算所述第一非植被栅格的像元面积、河湖岸林栅格的像元面积、第二非植被栅格的像元面积、草地栅格的像元面积、乔灌木栅格的像元面积和第三非植被栅格的像元面积;
根据第一非植被栅格的像元面积、河湖岸林栅格像元面积、第二非植被栅格像元面积、草地栅格像元面积、乔灌木栅格像元面积、第三非植被栅格像元面积计算河湖岸植被覆盖度。
2.根据权利要求1所述的河湖岸带植被分类及覆盖度计算方法,其特征在于,所述河湖岸带栅格数据还包括河湖岸湿地栅格数据;所述方法还包括:
获取所述河湖岸湿地栅格数据中的像元颜色;
将所述像元颜色根据预设类像元颜色分类,所述预设类颜色包括预设水生植物颜色、预设河水颜色以及预设水生动物颜色;
计算所述预设类像元颜色的像元面积;
根据所述预设河水颜色的像元面积计算所述河湖岸湿地栅格数据的含水率;
根据所述水生植物颜色的像元面积计算所述河湖岸湿地栅格数据的植被覆盖度。
3.根据权利要求2所述的河湖岸带植被分类及覆盖度计算方法,其特征在于,所述方法还包括:
获取在河水内生长的所述水生植物颜色;
计算不同季节所述水生植物颜色的平均值,以作为预设水生植物颜色。
4.根据权利要求1所述的河湖岸带植被分类及覆盖度计算方法,其特征在于,所述方法还包括:
对比所述乔灌木栅格中的像元颜色与预设颜色,所述预设颜色包括预设叶片色和预设主干色;
若所述像元颜色仅包括预设叶片色,则标记所述乔灌木栅格为竹类栅格,并计算所述竹类栅格的像元面积;
若所述像元颜色包括预设叶片色和预设主干色,则标记所述乔灌木栅格为乔木栅格或灌木栅格。
5.根据权利要求4所述的河湖岸带植被分类及覆盖度计算方法,其特征在于,所述方法还包括:
根据NDVI结果按照预设植被指数,或,根据所述乔灌木栅格中所述预设主干色的像元面积将所述乔灌木栅格数据分为乔木栅格数据以及灌木栅格数据,所述预设主干色的像元面积大的栅格数据为乔木栅格数据;
通过所述乔木栅格数据的像元面积计算乔木覆盖度;
通过所述灌木栅格数据的像元面积计算灌木覆盖度。
6.根据权利要求5所述的河湖岸带植被分类及覆盖度计算方法,其特征在于,所述方法还包括:
获取在河湖岸分布所述灌木和乔木不同季节的叶片色和主干色;
计算不同季节叶片色和主干色的平均值,以作为预设叶片色以及预设主干色。
7.根据权利要求1所述的河湖岸带植被分类及覆盖度计算方法,其特征在于,所述方法还包括:
获取所述多光谱图像中每个像素点的RGB三色颜色分量;
计算所述三色颜色分量的直方图;
定位所述直方图中两个波峰之间的谷底作为分割阈值;
将大于所述分割阈值的所述像素点标记为植被像素部分,将小于等于所述分割阈值的所述像素点标记为背景像素部分;
计算所述植被像素部分以及所述背景像素部分的面积,以计算所述河湖岸植被覆盖度。
8.根据权利要求1所述的河湖岸带植被分类及覆盖度计算方法,其特征在于,所述方法还包括:
获取不同角度的所述可见光图像,所述不同角度的所述可见光图像存在重叠区域;
使用三维重建的离线算法计算不同角度的所述可见光图像中的拍摄位姿和特征点;
根据所述拍摄位姿和特征点,建立三维点云模型;
根据所述三维点云模型,得到河湖岸林、草地、乔木、灌木以及水生植物的3D坐标;
根据所述3D坐标计算河湖岸林、草地、乔木、灌木以及水生植物的株高。
9.根据权利要求1所述的河湖岸带植被分类及覆盖度计算方法,其特征在于,对所述多光谱图像以及可见光图像预处理,包括:
将所述多光谱图像以及可见光图像分别输入至卷积网络中;
通过所述卷积网络的最后一层卷积层,对所述多光谱图像以及可见光图像分别执行上采样,以得到第一分辨率图像和第二分辨率图像。
10.一种河湖岸带植被分类及覆盖度计算系统,其特征在于,应用于权利要求1-9任一项所述的河湖岸带植被分类及覆盖度计算方法,所述系统包括:获取模块、NDVI处理模块、分类模块、计算模块以及加速模块;
所述获取模块用于获取河湖岸的多光谱图像以及可见光图像;
所述NDVI处理模块用于对所述多光谱图像以及可见光图像预处理,以输出正射图像和NDVI数据;在所述正射图像根据河湖岸选取第一范围,生成第一范围带矢量文件;以所述第一范围内的所述NDVI数据为基础栅格,提取所述第一范围带矢量文件内的NDVI结果;
所述分类模块用于将所述NDVI结果按照预设植被指数重分类,以得到河湖岸带栅格数据,所述河湖岸带栅格数据包括第一非植被栅格数据、河湖岸林栅格数据、河湖岸草地栅格数据、乔灌木栅格数据;所述栅格数据中包括多个像元;还用于将所述河湖岸林栅格数据根据像元颜色分为河湖岸林栅格和第二非植被栅格;将所述乔灌木栅格数据根据像元颜色分为乔灌木栅格和第三非植被栅格;
所述计算模块用于计算所述第一非植被栅格的像元面积;计算所述河湖岸林栅格以及第二非植被栅格的像元面积;计算草地栅格的像元面积;计算所述乔灌木栅格和第三非植被栅格的像元面积;还用于根据河湖岸林栅格像元面积、第二非植被栅格像元面积、草地栅格像元面积、乔灌木栅格像元面积、第三非植被栅格像元面积计算河湖岸植被覆盖度;
所述加速模块用于构建并行池,所述并行池采用GPU加速;利用所述并行池同时计算所述第一非植被栅格的像元面积、河湖岸林栅格的像元面积、第二非植被栅格的像元面积、草地栅格的像元面积、乔灌木栅格的像元面积和第三非植被栅格的像元面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674659.0A CN117372503B (zh) | 2023-12-08 | 2023-12-08 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674659.0A CN117372503B (zh) | 2023-12-08 | 2023-12-08 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117372503A true CN117372503A (zh) | 2024-01-09 |
CN117372503B CN117372503B (zh) | 2024-03-08 |
Family
ID=89404511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311674659.0A Active CN117372503B (zh) | 2023-12-08 | 2023-12-08 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372503B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117770073A (zh) * | 2024-01-25 | 2024-03-29 | 广东省源天工程有限公司 | 一种生态缓冲带的建造方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364781A (zh) * | 2012-04-11 | 2013-10-23 | 南京财经大学 | 基于遥感数据与地理信息系统的粮田地面参照点筛选方法 |
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
CN106803097A (zh) * | 2016-12-28 | 2017-06-06 | 中国科学院深圳先进技术研究院 | 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 |
CN107273820A (zh) * | 2017-05-26 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种土地覆盖遥感分类方法及系统 |
WO2018173577A1 (ja) * | 2017-03-23 | 2018-09-27 | 日本電気株式会社 | 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体 |
CN109271919A (zh) * | 2018-09-12 | 2019-01-25 | 海南省海洋与渔业科学院(海南省海洋开发规划设计研究院) | 一种基于grb和网格模式的植被覆盖度测定方法 |
CN110852232A (zh) * | 2019-11-05 | 2020-02-28 | 河海大学 | 一种基于山区河流分级的河岸带植被覆盖度提取方法 |
CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
CN112577954A (zh) * | 2020-11-18 | 2021-03-30 | 上海市园林科学规划研究院 | 城市绿地地上生物量估测方法 |
CN115063690A (zh) * | 2022-06-24 | 2022-09-16 | 电子科技大学 | 一种基于ndvi时序特征的植被分类方法 |
CN115376016A (zh) * | 2022-08-16 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 |
CN115453555A (zh) * | 2022-09-19 | 2022-12-09 | 中国科学院植物研究所 | 一种草地生产力的无人机快速监测方法及系统 |
CN116309670A (zh) * | 2023-05-06 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
CN116385271A (zh) * | 2023-04-20 | 2023-07-04 | 河南省有色金属地质矿产局第七地质大队 | 一种遥感图像耕地撂荒识别方法 |
-
2023
- 2023-12-08 CN CN202311674659.0A patent/CN117372503B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364781A (zh) * | 2012-04-11 | 2013-10-23 | 南京财经大学 | 基于遥感数据与地理信息系统的粮田地面参照点筛选方法 |
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
CN106803097A (zh) * | 2016-12-28 | 2017-06-06 | 中国科学院深圳先进技术研究院 | 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 |
WO2018173577A1 (ja) * | 2017-03-23 | 2018-09-27 | 日本電気株式会社 | 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体 |
CN107273820A (zh) * | 2017-05-26 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种土地覆盖遥感分类方法及系统 |
CN109271919A (zh) * | 2018-09-12 | 2019-01-25 | 海南省海洋与渔业科学院(海南省海洋开发规划设计研究院) | 一种基于grb和网格模式的植被覆盖度测定方法 |
CN110852232A (zh) * | 2019-11-05 | 2020-02-28 | 河海大学 | 一种基于山区河流分级的河岸带植被覆盖度提取方法 |
CN110927120A (zh) * | 2019-11-30 | 2020-03-27 | 内蒙古蒙草生命共同体大数据有限公司 | 一种植被覆盖度预警方法 |
CN112577954A (zh) * | 2020-11-18 | 2021-03-30 | 上海市园林科学规划研究院 | 城市绿地地上生物量估测方法 |
CN115063690A (zh) * | 2022-06-24 | 2022-09-16 | 电子科技大学 | 一种基于ndvi时序特征的植被分类方法 |
CN115376016A (zh) * | 2022-08-16 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 |
CN115453555A (zh) * | 2022-09-19 | 2022-12-09 | 中国科学院植物研究所 | 一种草地生产力的无人机快速监测方法及系统 |
CN116385271A (zh) * | 2023-04-20 | 2023-07-04 | 河南省有色金属地质矿产局第七地质大队 | 一种遥感图像耕地撂荒识别方法 |
CN116309670A (zh) * | 2023-05-06 | 2023-06-23 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
Non-Patent Citations (7)
Title |
---|
JAEBEOM KIM等: "Estimating fractional green vegetation cover of Mongolian grasslands using digital camera images and MODIS satellite vegetation indices", 《 GISCIENCE & REMOTE SENSING》, 3 September 2019 (2019-09-03), pages 49 - 59 * |
MÜRVET KIRCI等: "Vegetation measurement using image processing methods", 《 2014 THE THIRD INTERNATIONAL CONFERENCE ON AGRO-GEOINFORMATICS》, 29 September 2014 (2014-09-29), pages 1 - 5 * |
林鑫等: "基于无人机多光谱影像的松材线虫病疫区枯死树识别", 《广西林业科学》, vol. 52, no. 05, 31 October 2023 (2023-10-31), pages 589 - 593 * |
毛睿等: "生长季植被覆盖变化对局地气象要素的可能影响", 《气候与环境研究》, vol. 13, no. 06, 20 November 2008 (2008-11-20), pages 738 - 750 * |
牛玉洁等: "融合无人机载激光雷达与多光谱遥感数据的冬小麦叶面积指数反演", 《土壤学报》, vol. 59, no. 01, 17 November 2020 (2020-11-17), pages 161 - 171 * |
王聪等: "淤泥质潮滩湿地类型遥感识别分类方法与应用", 《地球信息科学学报》, vol. 15, no. 04, 15 August 2013 (2013-08-15), pages 590 - 596 * |
雷少华等: "基于遥感的水土流失长时序监测分析", 《江苏水利》, no. 01, 1 January 2023 (2023-01-01), pages 28 - 31 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117770073A (zh) * | 2024-01-25 | 2024-03-29 | 广东省源天工程有限公司 | 一种生态缓冲带的建造方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117372503B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torres-Sánchez et al. | Assessing UAV-collected image overlap influence on computation time and digital surface model accuracy in olive orchards | |
JP4425983B1 (ja) | 日射量の評価方法および評価装置 | |
CN117372503B (zh) | 一种河湖岸带植被分类及覆盖度计算方法及系统 | |
CN107063197B (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
CN109117811A (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
Wu et al. | Mapping invasive plant with UAV-derived 3D mesh model in mountain area—A case study in Shenzhen Coast, China | |
CN107833244A (zh) | 一种基于车载激光雷达数据的行道树属性自动识别方法 | |
CN103218812A (zh) | 基于摄影测量的树木形态模型参数快速获取方法 | |
CN112881294B (zh) | 一种基于无人机的红树林林分健康度评价方法 | |
CN112446397B (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 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
CN116645321A (zh) | 植被叶倾角演算统计方法、装置、电子设备及存储介质 | |
CN116152454A (zh) | 基于gis和三维建模的水利实时监测管理系统 | |
CN117437538A (zh) | 一种热带雨林生态系统时空格局特征提取及预测方法 | |
CN116665081B (zh) | 一种滨海植被地上生物量的估算方法、计算机设备及介质 | |
CN117876870A (zh) | 一种基于多源遥感数据的农作物估产的方法和系统 | |
CN116721344A (zh) | 基于航拍设备的植被检测方法、装置和设备 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN117274799A (zh) | 基于先验知识和遥感数据的城市绿地提取方法 | |
CN115082812B (zh) | 一种农业景观非农生境绿地斑块提取方法及其相关设备 | |
CN115223062B (zh) | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 | |
CN113514402B (zh) | 一种冬小麦叶绿素含量的预测系统及方法 | |
Fan et al. | An improved Deeplab based model for extracting cultivated land information from high definition remote sensing images |
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 |