CN117576580A - 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 - Google Patents
基于遥感卫星的虾稻田信息提取方法、电子设备和介质 Download PDFInfo
- Publication number
- CN117576580A CN117576580A CN202311541976.5A CN202311541976A CN117576580A CN 117576580 A CN117576580 A CN 117576580A CN 202311541976 A CN202311541976 A CN 202311541976A CN 117576580 A CN117576580 A CN 117576580A
- Authority
- CN
- China
- Prior art keywords
- paddy field
- remote sensing
- shrimp
- image
- distribution range
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 241000143060 Americamysis bahia Species 0.000 title 1
- 241000238557 Decapoda Species 0.000 claims abstract description 63
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 39
- 238000009395 breeding Methods 0.000 claims abstract description 28
- 230000001488 breeding effect Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000001308 synthesis method Methods 0.000 claims abstract description 7
- 235000015097 nutrients Nutrition 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 210000000746 body region Anatomy 0.000 claims 2
- 241000209094 Oryza Species 0.000 description 10
- 235000007164 Oryza sativa Nutrition 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 235000009566 rice Nutrition 0.000 description 10
- 238000009313 farming Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 241000238565 lobster Species 0.000 description 3
- 241000238017 Astacoidea Species 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 241000238030 Procambarus clarkii Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009328 dry farming Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
一种基于遥感卫星的虾稻田信息提取方法、电子设备和介质,包括:S1获取待提取虾稻田种养信息区域的水田分布范围数据,并对所述水田分布范围数据进行预处理,得到预处理后的水田分布范围;S2获取待提取虾稻田种养信息区域对应的Sentinel‑2卫星观测到的多时相遥感图像;S3利用中值合成方法,将多时相遥感图像进行融合,获得融合后的遥感图像;S4基于融合后的遥感图像,计算水体指数,获得结果图像,然后将所述结果图像分割成水体区域和非水体区域;S5将S4得到的水体区域与S1得到的水田分布范围叠加求交运算,得到虾稻田的种养分布信息。本发明结合土地利用数据中的水田信息,能够有效提高虾稻田种养信息提取的精度。
Description
技术领域
本发明属于卫星遥感遥感遥感领域,具体涉及一种基于遥感卫星的虾稻田信息提取方法、电子设备和介质。
背景技术
“虾稻共作”种养模式是一种新兴的水稻种植模式。它将水稻种植和小龙虾(学名:克氏原螯虾)养殖结合在同一生态系统中。“虾稻共作”种养模式能够在单位面积土地上生产多种类型的食物,显著提升农田的产出效率,增加农民的收入,是实现农业可持续发展和改善生态环境的有效途径。
准确掌握用于“虾稻共作”种养的虾稻田分布的位置、范围和面积等信息,对于“虾稻共作”种养模式的推广和优化相关的产业发展具有重要意义。目前关于虾稻田种养信息的获取主要依赖实地调查或者统计抽样方法的来估计其种养信息。但这种方法难以在更大的区域和更加精细的空间尺度上准确反映虾稻田的空间分布信息。如何准确、及时的获取虾稻田的时空分布信息,是“虾稻共作”种养模式在中国当前推广和产业发展决策中面临的重大技术挑战。
遥感技术具备在时空上对地表进行持续监测的能力,能够准确地反映地物的空间分布,已成为获取地表覆盖信息的一种重要的技术手段。因此,遥感图像已广泛应用于农田、城市和森林等地物的提取。entinel-2系列遥感卫星最早由欧洲太空总署的哥白尼计划项目于2015年发射到太空。Sentinel-2系列遥感卫星通常包含12个波段,且相对于Landsat系列卫星,空间分辨率提升到了10米左右,对同一个区域重复观测的最小周期仅为5天。且该卫星获取的遥感图像可以在全球范围内免费获取。Sentinel-2系列遥感卫星为虾稻田种养信息的精细化提取提供了重要的基础数据来源和保障。但现有基于Sentinel-2遥感影像的虾稻田种养信息提取的技术依然存在空间分辨率低、计算效率低、计算过程复杂、计算成本高、提取精度低等问题。
发明内容
针对上述现有技术的缺点,本发明的主要目的是利用Sentinel-2影像、土地利用数据和虾稻田的物候特征,提出一种基于Sentinel-2遥感影像的虾稻田种养信息精细化提取方法。
本发明的技术方案如下:
一种基于遥感卫星的虾稻田信息提取方法,包括以下步骤:
S1获取待提取虾稻田种养信息区域的水田分布范围数据,并对所述水田分布范围数据进行预处理,得到预处理后的水田分布范围;
S2获取待提取虾稻田种养信息区域对应的Sentinel-2卫星观测到的多时相遥感图像;
S3利用中值合成方法,将多时相遥感图像进行融合,获得融合后的遥感图像;
S4基于融合后的遥感图像,计算水体指数,获得结果图像,然后将所述结果图像分割成水体区域和非水体区域;
S5将S4得到的水体区域与S1得到的水田分布范围叠加求交运算,得到虾稻田的种养分布信息。
进一步地,所述S1中预处理为:对所述水田分布范围数据其进行重采样和坐标转换,使其空间分辨率和地理坐标系统与Sentinel-2卫星图像一致。
进一步地,所述S2中多时相遥感图像选用Sentinel-2卫星观测到的所有云覆盖量小于5%的遥感图像。
进一步地,所述中值合成方法公式如下:
ρiM=median(ρi1,ρi2,ρi3…ρit)
式中,ρiM表示某个像素代表区域的地表物体在Sentinel-2的第i个波段上合成后的像素值;ρi1,ρi2,ρi3…ρit分别表示该地物在时间序列1,2,3…n节点上的遥感图像的第i个波段上的像素值;t表示在指定的物候期间内,质量合格的时间序列观测的遥感图像的个数。
进一步地,利用图像分割算法将结果图像自动分割成水体区域和非水体的区域。
进一步地,基于融合后的遥感图像,计算水体指数的公式如下:
MNDWI=(ρGreen-ρSWIR1)/(ρGreen+ρSWIR1)
式中,MNDWI表示地物对应像素计算得到的MNDWI水体指数;ρGreen和ρSWIR1分别表示是地物在Sentinel-2图像上对应像素在Green和SWIR1波段上的反射率。
本发明还提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的虾稻田信息提取方法。
本发明还提供一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的虾稻田信息提取方法。
本发明的技术效果:
基于Sentinel-2图像设计虾稻田种养信息提取方法,相对于常用的Landsat图像,Sentinel-2卫星图像具有空间分辨率高、卫星重复观测周期短等优势,从而确保虾稻田种养信息提取有足够、充分、优质、高精度的基础数据保障;
在虾稻田种养信息提取技术设计方面,充分利用了“虾稻共作”种养模式独特的物候特征,设计了基于Sentinel-2遥感数据,并结合土地利用数据中的水田信息,能够有效提高虾稻田种养信息提取的精度,解决了现有技术中仅仅依靠虾稻田在Sentinel-2图像的物候和波谱特征难以有效区分虾稻田和藕塘等地物的问题。
因此,本发明提出的技术方案具有实施技术门槛低,方法原理简单,计算效率高和易于推广等优势。
附图说明
附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了本发明的“虾稻共作”种养模式的典型物候特征示意图;
图2示出了本发明的方法步骤示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1-图2所示,本发明实施例提供一种基于Sentinel-2遥感影像的虾稻田信息精细化提取方法,包括以下步骤:
(1)水田数据获取:获取待提取虾稻田种养信息区域在待提取信息年份的水田分布范围数据,并对其进行重采样和坐标转换,使其空间分辨率和地理坐标系统与Sentinel-2卫星图像一致。虾稻田本质上来说是一种利用方式比较特殊的水田。而目前在全球范围内和中国范围内,高精度的水田数据可以非常便捷的获取。在具体实施过程中,水田的分布范围可以从全球地表覆盖数据集中免费获得,也可以从每个地方政府的每个年度的土地利用变更调查数据库中获取。水田分布数据的重采样和坐标转换可以通过ArcGIS、QGIS等软件完成。例如,若准备提取某个区域2020年的虾稻田种养分布信息,则通过地方政府的土地利用年度变更数据库获取完整覆盖这个区域的水田分布数据。
(2)遥感图像选取:通过Google Earth Engine(GEE)等Sentinel-2卫星图像的免费分发平台,获取待提取虾稻田种养信息区域在对应年份中在小龙虾养殖期间12月1日-12月30日期间的Sentinel-2卫星观测到的所有云覆盖量小于5%的遥感图像。例如,若准备提取某个区域2020年的虾稻田种养分布信息,则可以通过GEE等平台,获取完整覆盖这个区域、且卫星观测时间分别在2020年12月1日-12月30日之间的所有图像。
(3)遥感图像融合:利用中值合成方法,将多时相遥感图像的Band 3(Green波段,中心波长559.8nm),Band 4(Red波段,中心波长664.6nm),Band 8(NIR波段,中心波长832.8nm)和Band 11(SWIR1波段,中心波长1613.7nm)进行融合,获得融合后的遥感图像,标记为Img1。Img1一共包含4个波段,分别对应前述的Band 3,Band 4,Band 8和Band 11.中值合成方法公式如下:
ρiM=median(ρi1,ρi2,ρi3…ρit) (1)
式中,ρiM表示某个像素代表区域的地表物体在Sentinel-2的第i个波段上合成后的像素值;ρi1,ρi2,ρi3…ρit分别表示该地物在时间序列1,2,3…n节点上的遥感图像的第i个波段上的像素值;t表示在指定的物候期间内,质量合格的时间序列观测的遥感图像的个数。
(4)计算水体指数。基于Img1,计算水体指数MNDWI(Modified NormalizedDifference Water Index),并将结果图像记为MNDWI。MNDWI的计算公式如下:
MNDWI=(ρGreen-ρSWIR1)/(ρGreen+ρSWIR1) (2)
式中,MNDWI表示地物对应像素计算得到的MNDWI水体指数;ρGreen和ρSWIR1分别表示是地物在Sentinel-2图像上对应像素在Green(Band 3)和SWIR1(Band 11)波段上的反射率(像素值)。
(5)提取水体。基于步骤(4)计算得到的MNDWI图像,利用Otsu方法将MNDWI图像自动分割成水体和非水体的区域。其中将识别为水体的区域标记为WATER,其他非水体区域直接去掉。
(6)提取虾稻田种养信息。将步骤(5)获得的WATER图像和步骤(1)中的水田范围图像叠加求交运算,即可获得虾稻田在某个年份的种养分布信息。
所述步骤(2)遥感图像选取中所述的遥感图像云覆盖面积比例等质量信息,能够从遥感图像的元数据中查询获得。
所述步骤(3)遥感图像融合:遥感图像在计算机中以多波段二维矩阵的方式进行存储。一个波段对应一个二维矩阵,而二维矩阵的一个元素则对应遥感图像上的一个像素,代表真实世界中的一个矩形区域。例如,用于存储Sentinel-2图像上的一个波段(如Red波段)的二维矩阵中的一个元素的值,就代表实地一个10米×10米的一个区域在Red波段上反射率。因此,针对图像和波段的融合计算,可以借助GEE,ArcGIS,Python编程技术等现有成熟的软件平台或者技术,基于本技术方案提供的公式实现。
所述步骤(3)遥感图像融合中的中值合成函数median,是基于ρi1,ρi2,ρi3…ρit值的排序得到。在具体实施时,首先将ρi1,ρi2,ρi3…ρit值进行降序或者升序排列,然后取排位在中间的数字作为中值。在具体实施时,中值的计算可以直接调用GEE,ArcGIS,Python编程技术等现有成熟的软件平台或者技术提供的函数即可完成。
所述步骤(3)遥感图像融合中的中值合成并获取合成图像Img1是为了消除云雾等噪音对遥感图像质量的影响,提高虾稻田种养信息提取的精度。
所述步骤(5)中所述的Otsu方法是一种将图像二值化的方法,其计算思路包括:①计算NDVI和MNDWI图像的直方图,得到每个灰度级的像素数量;②对每个可能的阈值,根据其将图像分割为两部分;③计算分割后每部分的像素数量和平均灰度值;④计算类间方差。⑤选择使得类间方差最大的灰度值作为阈值。Otsu方法不是本发明的原创方法,顾本方案不对Otsu算法做详细阐述。在具体实施过程中,Otsu算法可借助GEE,Python编程技术等现有成熟的软件平台或者技术提供的函数即可完成。
所述步骤(6)提取虾稻田分布信息技术背后的基本原理是由“虾稻共作”种养模式的独特物候特征所决定的。具体原理包括:①在每年的10月-5月间,虾稻田处于龙虾养殖状态,稻田里灌满了水,且水深通常高于50厘米。②在这个物候期间,虾稻田呈现为水体状态,将和坑塘、湖泊、水库和河流等水体一样,在Sentinel-2图像将呈现出相似的光谱反射特征。③而对于其他普通的水田,一般在冬季枯水季节处于旱作状态,呈现出虾稻田截然不同的光谱特征。因此,通过12月份的龙虾养殖期的Sentinel-2合成图像,我们可以把区域的虾稻田,坑塘、湖泊、水库和河流等水体地物从遥感图像上提取出来。通过步骤(5)所提取的结果数据中包括了虾稻田、坑塘、水库、湖泊和河流等各种水体地物。④只有那些在冬季枯水季节依然呈现为水体特征的稻田才是虾稻田。因此,我们通过将步骤(5)获得的水体和水田范围两个集合求交,就可以获得高精度的虾稻田种养信息。在具体实施过程中,可以利用GEE,ArcGIS,Python编程技术等现有成熟的软件平台或者技术提供的功能或者函数,对前述两个步骤的结果进行求交操作,即可获取虾稻田精细化的种养信息。
以上所述,仅为本发明优选的具体实施方式,但本发明的保护范围不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于遥感卫星的虾稻田信息提取方法,其特征在于:包括以下步骤:
S1获取待提取虾稻田种养信息区域的水田分布范围数据,并对所述水田分布范围数据进行预处理,得到预处理后的水田分布范围;
S2获取待提取虾稻田种养信息区域对应的Sentinel-2卫星观测到的多时相遥感图像;
S3利用中值合成方法,将多时相遥感图像进行融合,获得融合后的遥感图像;
S4基于融合后的遥感图像,计算水体指数,获得结果图像,然后将所述结果图像分割成水体区域和非水体区域;
S5将S4得到的水体区域与S1得到的水田分布范围进行叠加求交运算,得到虾稻田的种养分布信息。
2.根据权利要求1所述的基于遥感卫星的虾稻田信息提取方法,其特征在于,所述S1中预处理为:对所述水田分布范围数据进行重采样和坐标转换,使所述水田分布范围数据的空间分辨率和地理坐标系统与Sentinel-2卫星图像一致。
3.根据权利要求1所述的基于遥感卫星的虾稻田信息提取方法,其特征在于,所述S2中多时相遥感图像选用Sentinel-2卫星观测到的所有云覆盖量小于5%的遥感图像。
4.根据权利要求1所述的基于遥感卫星的虾稻田信息提取方法,其特征在于,所述中值合成方法公式如下:
ρiM=median(ρi1,ρi2,ρi3…ρit)
式中,ρiM表示某个像素代表区域的地表物体在Sentinel-2的第i个波段上合成后的像素值;ρi1,ρi2,ρi3…ρit分别表示该地物在时间序列1,2,3…n节点上的遥感图像的第i个波段上的像素值;t表示在指定的物候期间内,质量合格的时间序列观测的遥感图像的个数。
5.根据权利要求1所述的基于遥感卫星的虾稻田信息提取方法,其特征在于,利用图像分割算法将结果图像自动分割成水体区域和非水体的区域。
6.根据权利要求1所述的基于遥感卫星的虾稻田信息提取方法,其特征在于,基于融合后的遥感图像,计算水体指数的公式如下:
MNDWI=(ρGreen-ρSWIR1)/(ρGreen+ρSWIR1)
式中,MNDWI表示地物对应像素计算得到的MNDWI水体指数;ρGreen和ρSWIR1分别表示地物在Sentinel-2图像上对应像素在Green和SWIR1波段上的反射率。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-6中任一项所述的虾稻田信息提取方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的虾稻田信息提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541976.5A CN117576580A (zh) | 2023-11-17 | 2023-11-17 | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541976.5A CN117576580A (zh) | 2023-11-17 | 2023-11-17 | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117576580A true CN117576580A (zh) | 2024-02-20 |
Family
ID=89860074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311541976.5A Pending CN117576580A (zh) | 2023-11-17 | 2023-11-17 | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576580A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966116A (zh) * | 2017-11-20 | 2018-04-27 | 苏州市农业科学院 | 一种水稻种植面积的遥感监测方法及系统 |
CN109765187A (zh) * | 2019-01-27 | 2019-05-17 | 中国农业科学院农业资源与农业区划研究所 | 一种稻虾共作空间分布信息获取方法 |
CN111191530A (zh) * | 2019-12-16 | 2020-05-22 | 广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
CN111597930A (zh) * | 2020-04-30 | 2020-08-28 | 河海大学 | 一种基于遥感云平台的海岸线提取方法 |
US20210201024A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Crop identification method and computing device |
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
CN114926641A (zh) * | 2021-11-16 | 2022-08-19 | 中林信达(北京)科技信息有限责任公司 | 一种基于云平台的森林树种遥感精细分类方法 |
CN115393704A (zh) * | 2022-06-20 | 2022-11-25 | 南京大学 | 一种面向对象的稻虾田遥感自动化监测方法 |
WO2023109652A1 (zh) * | 2021-12-14 | 2023-06-22 | 深圳先进技术研究院 | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 |
-
2023
- 2023-11-17 CN CN202311541976.5A patent/CN117576580A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966116A (zh) * | 2017-11-20 | 2018-04-27 | 苏州市农业科学院 | 一种水稻种植面积的遥感监测方法及系统 |
CN109765187A (zh) * | 2019-01-27 | 2019-05-17 | 中国农业科学院农业资源与农业区划研究所 | 一种稻虾共作空间分布信息获取方法 |
CN111191530A (zh) * | 2019-12-16 | 2020-05-22 | 广州地理研究所 | 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备 |
US20210201024A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Crop identification method and computing device |
CN111597930A (zh) * | 2020-04-30 | 2020-08-28 | 河海大学 | 一种基于遥感云平台的海岸线提取方法 |
WO2022057319A1 (zh) * | 2020-09-21 | 2022-03-24 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN114926641A (zh) * | 2021-11-16 | 2022-08-19 | 中林信达(北京)科技信息有限责任公司 | 一种基于云平台的森林树种遥感精细分类方法 |
WO2023109652A1 (zh) * | 2021-12-14 | 2023-06-22 | 深圳先进技术研究院 | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 |
CN115393704A (zh) * | 2022-06-20 | 2022-11-25 | 南京大学 | 一种面向对象的稻虾田遥感自动化监测方法 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
Non-Patent Citations (2)
Title |
---|
卢泽如;熊勤学;周雨顺;邓琪云;纪绍威;丁璐;: "运用Sentinel-1A时序数据和动态时间规整算法提取稻虾田空间分布信息", 江苏农业科学, no. 18, 20 September 2020 (2020-09-20) * |
周磊等: "地球空间大数据云计算平台(GEE)基础与实践教程", vol. 2022, 30 November 2022, 武汉大学出版社, pages: 273 - 274 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Rapid, robust, and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine | |
Muñoz et al. | From local to regional compound flood mapping with deep learning and data fusion techniques | |
Whyte et al. | A new synergistic approach for monitoring wetlands using Sentinels-1 and 2 data with object-based machine learning algorithms | |
Tian et al. | Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing | |
Fuller et al. | The UK Land Cover Map 2000: construction of a parcel-based vector map from satellite images | |
CN111738144B (zh) | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 | |
Uğur et al. | Determination of mucilage in the sea of marmara using remote sensing techniques with google earth engine | |
Wang et al. | Interannual changes of coastal aquaculture ponds in China at 10-m spatial resolution during 2016–2021 | |
Peng et al. | Accurate mapping of Chinese coastal aquaculture ponds using biophysical parameters based on Sentinel-2 time series images | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
Zhu et al. | Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models | |
Zeng et al. | A phenology-based vegetation index classification (PVC) algorithm for coastal salt marshes using Landsat 8 images | |
Sun et al. | 20 m Annual Paddy Rice Map for Mainland Southeast Asia Using Sentinel-1 SAR Data | |
Vanderhoof et al. | High-frequency time series comparison of Sentinel-1 and Sentinel-2 satellites for mapping open and vegetated water across the United States (2017–2021) | |
CN116012723A (zh) | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 | |
Liu et al. | Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network | |
Wang et al. | Mapping Annual Urban Evolution Process (2001–2018) at 250 m: A normalized multi-objective deep learning regression | |
Liu et al. | Mapping large-scale aquaculture ponds in Jiangsu Province, China: An automatic extraction framework based on Sentinel-1 time-series imagery | |
CN117576580A (zh) | 基于遥感卫星的虾稻田信息提取方法、电子设备和介质 | |
CN113420780B (zh) | 一种遥感时空谱特征融合的养殖池提取方法 | |
Meedeniya et al. | Prediction of paddy cultivation using deep learning on land cover variation for sustainable agriculture | |
CN115019196A (zh) | 一种基于遥感的耕地非农化变化检测方法、系统及存储介质 | |
Collier et al. | Mapping biological soil crusts in a Hawaiian dryland | |
Odermatt et al. | Diversity II water quality parameters for 300 lakes worldwide from ENVISAT (2002-2012) | |
Meng et al. | Large-scale and high-resolution paddy rice intensity mapping using downscaling and phenology-based algorithms on Google Earth Engine |
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 |