CN117690017A - 一种顾及物候时序特征的单、双季水稻提取方法 - Google Patents
一种顾及物候时序特征的单、双季水稻提取方法 Download PDFInfo
- Publication number
- CN117690017A CN117690017A CN202311526827.1A CN202311526827A CN117690017A CN 117690017 A CN117690017 A CN 117690017A CN 202311526827 A CN202311526827 A CN 202311526827A CN 117690017 A CN117690017 A CN 117690017A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- double
- season
- season rice
- nddri
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 119
- 235000009566 rice Nutrition 0.000 title claims abstract description 119
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009355 double cropping Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种顾及物候时序特征的单、双季水稻提取方法,首先对归一化植被指数时间序列数据进行重建,再构建基于物候时序特征的单、双季水稻指数来增大单、双季稻与其他地物的差异,根据样本的指数统计结果确定阈值精确提取单、双季水稻。本发明的有益效果是:本发明可以快速获得目标年份,大尺度的单、双季水稻分布数据集,且流程容易实现,有助于掌握单、双季水稻的种植时空动态,为农业决策提供数据支持和参考。
Description
技术领域
本发明涉及遥感影像技术领域,更确切地说,它涉及一种顾及物候时序特征的单、双季水稻提取方法。
背景技术
水稻是世界上最重要的粮食作物之一,为全球数十亿人提供主要的食物来源。水稻的种植制度根据不同的地理和气候条件而变化,通常分为单季种植和双季种植。为更好地利用水土资源,一些地区采用混合种植的方式。精准快速的识别不同种植制度的水稻,对于地区的粮食安全,农业经济以及水资源管理都非常重要。
当前,卫星数据是大规模的水稻制图的主要数据源。Sentinel-2数据具有较高的时空分辨率,能提供2015年至今的数据,是近年来作物制图研究的主要光学数据源。在水稻制图方法中,主要使用各种机器学习算法,如支持向量机、随机森林以及深度学习算法,如卷积神经网络、循环神经网络。机器学习算法可以快速有效的处理大规模的数据,但模型需要大量的标记样本数据来进行训练,获取水稻标记样本数据需要大量的时间和精力。深度学习需要大量的高质量样本数据,在大部分水稻种植地区无法满足该条件。另一种制图方法是基于特定物候信号的检测,通过多种指数的对比,筛选出特征。其他制图方法是动态时间规整和时间加权动态时间规整方法,它们不考虑特定时间段内的作物特征,而是比较较长时间内的信号。这两种方法虽然考虑了物候特征,但对物候特征的时间序列并未充分利用。
指数可以自动化进行,对大规模的遥感数据分析和解释更加高效。在植被监测中,光谱指数的应用非常普遍。对于水稻的监测,当前采用多种光谱指数结合,筛选特定物候信息的方法。尚无一种融合物候时序特征的水稻指数
发明内容
本发明的目的是针对现有技术的不足,提出了一种顾及物候时序特征的单、双季水稻提取方法。
第一方面,提供了一种顾及物候时序特征的单、双季水稻提取方法,包括:
步骤1、筛选目标区域在目标年份的遥感影像,并对所述遥感影像进行预处理;
步骤2、计算所述遥感影像对应的归一化植被指数NDVI图像,构建NDVI原始时间序列;
步骤3、利用谐波模型对每个像素的NDVI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候时序特征;
步骤4、构建基于物候时序特征的单季水稻拟合系数组合NDSRI与双季水稻拟合系数组合NDDRI并计算目标年份的NDSRI图像与NDDRI图像;
步骤5、确定单季稻和双季稻的阈值,并根据样本的NDSCRI统计结果提取单季水稻范围,以及根据样本的NDDCRI统计结果提取双季水稻范围。
作为优选,步骤1中,所述遥感影像为地表反射率数据,所述预处理包括大气校正和去云。
作为优选,步骤2中,NDVI的计算公式为:
其中,NIR为近红外波段值,Red为红光波段值。
作为优选,步骤3中,对每个像素的NDVI时间序列进行重建以表征物候时序特征,其计算公式为:
其中,为重建后t时刻的像素值,a为截距,b为时间序列数据中潜在趋势的斜率,c1、c2、c3、c4、和d1、d2、d3、d4代表物候性的不同频率谐波分量;T是每年的天数。
作为优选,步骤4中,NDSRI和NDDRI的计算公式分别为:
NDSRI=(c3+d2-c2-d3)/(c3+d2+c2+d3+0.3)
NDDRI=(c4+d3-c3-d4)/(c4+d3+c3+d4+0.3)
其中,c2、c3、c4、和d2、d3、d4为NDVI时间序列模型的谐波分量。
作为优选,步骤5中,单季水稻提取需满足的表达式为:
NDSRI(m,n)≥THNDSRI
其中,NDSRI(m,n)为位置(m,n)的NSDRI值,THNDSRI为NDSRI阈值;
双季水稻提取需满足的表达式为:
NDDRI(m,n)≥THNDDRI
其中,NDDRI(m,n)为位置(m,n)的NDDRI值,THNDDRI为NDDRI阈值。
第二方面,提供了一种基于物候时序特征的单、双季水稻提取装置,用于执行第一方面任一所述顾及物候时序特征的单、双季水稻提取方法,包括:
筛选模块,用于筛选目标区域在目标年份的遥感影像,并对所述遥感影像进行预处理;
指数计算模块,用于计算所述遥感影像对应的归一化植被指数NDVI图像,构建NDVI原始时间序列;
重建模块,用于利用谐波模型对每个像素的NDVI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候时序特征;
NDSCRI、NDDCRI构建模块,用于构建基于物候时序特征的单季水稻拟合系数组合NDSRI与双季水稻拟合系数组合NDDRI并计算目标年份的NDSRI图像与NDDRI图像;
提取模块,用于确定单季稻和双季稻的阈值,并根据样本的NDSCRI统计结果提取单季水稻范围,以及根据样本的NDDCRI统计结果提取双季水稻范围。
第三方面,提供了一种计算机存储介质,所述计算机存储介质内存储有计算机程序;所述计算机程序在计算机上运行时,使得计算机执行权利要求1至5任一所述顾及物候时序特征的单、双季水稻提取方法。
本发明的有益效果是:本发明首先对归一化植被指数时间序列数据进行重建,再构建基于物候时序特征的单、双季水稻指数来增大单、双季水稻与其他地物的差异,分别根据单、双季水稻样本的指数统计结果确定对应阈值精确提取单、双季水稻。本发明提出的方法结合了光谱特征与时序特征,充分使用了长时序遥感数据。利用该方法可以快速获得目标年份,大尺度的单、双季水稻分布数据集,有助于掌握单、双季水稻的种植时空动态,为农业决策提供数据支持和参考。因此,本发明提出的方法具有重要的实际应用意义。
附图说明
图1为一种基于物候时序特征的单、双季水稻提取方法的流程图;
图2为单季水稻像素的原始及重建后NDVI时间序列示意图;
图3为双季水稻像素的原始及重建后NDVI时间序列示意图;
图4为宁波市六类地物NDSRI箱线图;
图5为宁波市六类地物NDDRI箱线图;
图6为单季稻提取结果示意图;
图7为双季稻提取结果示意图;
图8为一种基于物候时序特征的单、双季水稻提取装置的结构示意图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1:
本申请实施例1针对现有水稻提取方法存在光学影像质量差的区域提取精度差、时序特征被忽略、计算效率低等问题,提出一种基于物候时序特征的单、双季水稻提取方法。首先对归一化植被指数时间序列数据进行重建,再构建基于物候时序特征的单、双季水稻指数来增大单、双季水稻与其他地物的差异,分别根据单、双季水稻样本的指数统计结果确定对应阈值精确提取单、双季水稻。
具体的,基于物候时序特征的单、双季水稻提取方法,如图1所示,包括:
步骤1、筛选目标区域在目标年份的遥感影像,并对所述遥感影像进行预处理。
步骤1中,以Sentinel-2数据为数据源,依托于Google Earth Engine(GEE)平台实现。其中,Sentinel-2遥感影像为地表反射率数据,预处理包括大气校正和去云。通过预处理,能够获取更准确的地表反射率信息。
步骤2、计算所述遥感影像对应的归一化植被指数NDVI图像,构建NDVI原始时间序列。
步骤2中,NDVI的计算公式为:
其中,NIR为近红外波段值,Red为红光波段值。本实施例中NIR、Red分别为Sentinel-2数据的B8、B4。
步骤3、如图2、3所示,利用谐波模型对每个像素的NDVI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候时序特征。
步骤3中,对每个像素的NDVI时间序列进行重建以表征物候时序特征,其计算公式为:
其中,为重建后t时刻的像素值,a为截距,b为时间序列数据中潜在趋势的斜率,c1、c2、c3、c4、和d1、d2、d3、d4代表物候性的不同频率谐波分量;T是每年的天数。
步骤4、构建基于物候时序特征的单季水稻拟合系数组合NDSRI与双季水稻拟合系数组合NDDRI并计算目标年份的NDSRI图像与NDDRI图像。
步骤5、确定单季稻和双季稻的阈值,并根据样本的NDSCRI统计结果提取单季水稻范围,以及根据样本的NDDCRI统计结果提取双季水稻范围。
实施例2:
在实施例1的基础上,本申请实施例2提供了更具体的顾及物候时序特征的单、双季水稻提取方法,包括:
步骤1、筛选目标区域在目标年份的遥感影像,并对所述遥感影像进行预处理。
步骤2、计算所述遥感影像对应的归一化植被指数NDVI图像,构建NDVI原始时间序列。
步骤3、利用谐波模型对每个像素的NDVI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候时序特征。
步骤4、构建基于物候时序特征的单季水稻拟合系数组合NDSRI与双季水稻拟合系数组合NDDRI并计算目标年份的NDSRI图像与NDDRI图像。
步骤4中,NDSRI和NDDRI的计算公式分别为:
NDSRI=(c3+d2-c2-d3)/(c3+d2+c2+d3+0.3)
NDDRI=(c4+d3-c3-d4)/(c4+d3+c3+d4+0.3)
其中,c2、c3、c4和d2、d3、d4为NDVI时间序列模型的谐波分量。上述c1、d1的区分度不足,不用于计算。
步骤5、确定单季稻和双季稻的阈值,并根据样本的NDSCRI统计结果提取单季水稻范围,以及根据样本的NDDCRI统计结果提取双季水稻范围。
步骤5中,单季水稻提取需满足的表达式为:
NDSRI(m,n)≥THNDSRI
其中,NDSRI(m,n)为位置(m,n)的NSDRI值,THNDSRI为NDSRI阈值;
双季水稻提取需满足的表达式为:
NDDRI(m,n)≥THNDDRI
其中,NDDRI(m,n)为位置(m,n)的NDDRI值,THNDDRI为NDDRI阈值。本实施例中THNDSRI为0.39,THNDDRI为0.34。
示例地,图4、图5分别为宁波市的六类地物NDSRI、NDDRI箱线图。因此,本申请构建了基于物候时序特征的单、双季水稻指数NDSRI、NDDRI以增强单、双季水稻与其他地物的区别,在指数构建过程中结合了光谱特征和时序特征,通过阈值简单快速地实现单、双季水稻的提取。最终得到单季稻水稻结果(如图6所示),双季水稻结果(如图7所示)。
需要说明的,本实施例中与实施例1相同或相似的部分可相互参考,在本申请中不再赘述。
实施例3:
在实施例1、2的基础上,本申请实施例3提供了一种基于物候时序特征的单、双季水稻提取装置,如图8所示,包括:
筛选模块,用于筛选目标区域在目标年份的遥感影像,并对所述遥感影像进行预处理;
指数计算模块,用于计算所述遥感影像对应的归一化植被指数NDVI图像,构建NDVI原始时间序列;
重建模块,用于利用谐波模型对每个像素的NDVI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候时序特征;
NDSCRI、NDDCRI构建模块,用于构建基于物候时序特征的单季水稻拟合系数组合NDSRI与双季水稻拟合系数组合NDDRI并计算目标年份的NDSRI图像与NDDRI图像;
提取模块,用于确定单季稻和双季稻的阈值,并根据样本的NDSCRI统计结果提取单季水稻范围,以及根据样本的NDDCRI统计结果提取双季水稻范围。
具体的,本实施例所提供的装置为实施例1、2提供的方法对应的装置,因此,在本实施例中与实施例1相同或相似的部分,可相互参考,在本申请中不再赘述。
综上所述,本发明提出一种基于物候时序特征的单、双季水稻提取方法,结合了光谱特征与时序特征,充分使用了长时序遥感数据。利用该方法可以快速获得目标年份大尺度的单、双季水稻分布数据集,有助于掌握单、双季水稻种植的时空动态,为农业决策提供数据支持和参考。
Claims (8)
1.一种顾及物候时序特征的单、双季水稻提取方法,其特征在于,包括:
步骤1、筛选目标区域在目标年份的遥感影像,并对所述遥感影像进行预处理;
步骤2、计算所述遥感影像对应的归一化植被指数NDVI图像,构建NDVI原始时间序列;
步骤3、利用谐波模型对每个像素的NDVI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候时序特征;
步骤4、构建基于物候时序特征的单季水稻拟合系数组合NDSRI与双季水稻拟合系数组合NDDRI并计算目标年份的NDSRI图像与NDDRI图像;
步骤5、确定单季稻和双季稻的阈值,并根据样本的NDSCRI统计结果提取单季水稻范围,以及根据样本的NDDCRI统计结果提取双季水稻范围。
2.根据权利要求1所述的顾及物候时序特征的单、双季水稻提取方法,其特征在于,步骤1中,所述遥感影像为地表反射率数据,所述预处理包括大气校正和去云。
3.根据权利要求2所述的顾及物候时序特征的单、双季水稻提取方法,其特征在于,步骤2中,NDVI的计算公式为:
其中,NIR为近红外波段值,Red为红光波段值。
4.根据权利要求3所述的顾及物候时序特征的单、双季水稻提取方法,其特征在于,步骤3中,对每个像素的NDVI时间序列进行重建以表征物候时序特征,其计算公式为:
其中,为重建后t时刻的像素值,a为截距,b为时间序列数据中潜在趋势的斜率,c1、c2、c3、c4、和d1、d2、d3、d4代表物候性的不同频率谐波分量;T是每年的天数。
5.根据权利要求4所述的顾及物候时序特征的单、双季水稻提取方法,其特征在于,步骤4中,NDSRI和NDDRI的计算公式分别为:
NDSRI=(c3+d2-c2-d3)/(c3+d2+c2+d3+0.3)
NDDRI=(c4+d3-c3-d4)/(c4+d3+c3+d4+0.3)
其中,c2、c3、c4、和d2、d3、d4为NDVI时间序列模型的谐波分量。
6.根据权利要求5所述的顾及物候时序特征的单、双季水稻提取方法,其特征在于,步骤5中,单季水稻提取需满足的表达式为:
NDSRI(m,n)≥THNDSRI
其中,NDSRI(m,n)为位置(m,n)的NDSRI值,THNDSRI为NDSRI阈值;
双季水稻提取需满足的表达式为:
NDDRI(m,n)≥THNDDRI
其中,NDDRI(m,n)为位置(m,n)的NDDRI值,THNDDRI为NDDRI阈值。
7.一种基于物候时序特征的单、双季水稻提取装置,其特征在于,用于执行权利要求1至6任一所述顾及物候时序特征的单、双季水稻提取方法,包括:
筛选模块,用于筛选目标区域在目标年份的遥感影像,并对所述遥感影像进行预处理;
指数计算模块,用于计算所述遥感影像对应的归一化植被指数NDVI图像,构建NDVI原始时间序列;
重建模块,用于利用谐波模型对每个像素的NDVI时间序列进行重建,得到重建后的时间序列数据,分别用以表征该像素的物候时序特征;
NDSCRI、NDDCRI构建模块,用于构建基于物候时序特征的单季水稻拟合系数组合NDSRI与双季水稻拟合系数组合NDDRI并计算目标年份的NDSRI图像与NDDRI图像;
提取模块,用于确定单季稻和双季稻的阈值,并根据样本的NDSCRI统计结果提取单季水稻范围,以及根据样本的NDDCRI统计结果提取双季水稻范围。
8.一种计算机存储介质,其特征在于,所述计算机存储介质内存储有计算机程序;所述计算机程序在计算机上运行时,使得计算机执行权利要求1至5任一所述顾及物候时序特征的单、双季水稻提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526827.1A CN117690017A (zh) | 2023-11-16 | 2023-11-16 | 一种顾及物候时序特征的单、双季水稻提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526827.1A CN117690017A (zh) | 2023-11-16 | 2023-11-16 | 一种顾及物候时序特征的单、双季水稻提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117690017A true CN117690017A (zh) | 2024-03-12 |
Family
ID=90136154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311526827.1A Pending CN117690017A (zh) | 2023-11-16 | 2023-11-16 | 一种顾及物候时序特征的单、双季水稻提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117690017A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387516A (zh) * | 2022-01-07 | 2022-04-22 | 宁波大学 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
US20220406054A1 (en) * | 2019-11-19 | 2022-12-22 | Zhejiang University | Large-scale crop phenology extraction method based on shape model fitting method |
KR20220168169A (ko) * | 2021-06-15 | 2022-12-22 | 서울대학교산학협력단 | 조화 분석과 머신 러닝을 이용한 유휴 농지 탐지 방법 및 장치 |
CN115620133A (zh) * | 2022-10-08 | 2023-01-17 | 宁波大学 | 一种顾及物候与水位时序特征的红树林提取方法 |
CN115861629A (zh) * | 2022-12-07 | 2023-03-28 | 南京市测绘勘察研究院股份有限公司 | 一种高分耕地影像提取方法 |
CN115937705A (zh) * | 2022-12-11 | 2023-04-07 | 华中农业大学 | 一种基于多源数据和物候特征的南方单双季稻识别方法 |
US20230215167A1 (en) * | 2021-12-31 | 2023-07-06 | Satellite Application Center for Ecology and Environment, MEE | Remote sensing-based extraction method for type of river channel |
CN116518935A (zh) * | 2022-12-14 | 2023-08-01 | 武汉大学 | 一种水稻种植分布及种植强度识别方法、装置及设备 |
CN116563720A (zh) * | 2023-07-12 | 2023-08-08 | 华中师范大学 | 协同光学-微波物候特征的单双季水稻样本自动生成方法 |
CN116645603A (zh) * | 2023-05-10 | 2023-08-25 | 杭州师范大学 | 一种大豆种植区识别和面积测算方法 |
-
2023
- 2023-11-16 CN CN202311526827.1A patent/CN117690017A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220406054A1 (en) * | 2019-11-19 | 2022-12-22 | Zhejiang University | Large-scale crop phenology extraction method based on shape model fitting method |
KR20220168169A (ko) * | 2021-06-15 | 2022-12-22 | 서울대학교산학협력단 | 조화 분석과 머신 러닝을 이용한 유휴 농지 탐지 방법 및 장치 |
US20230215167A1 (en) * | 2021-12-31 | 2023-07-06 | Satellite Application Center for Ecology and Environment, MEE | Remote sensing-based extraction method for type of river channel |
CN114387516A (zh) * | 2022-01-07 | 2022-04-22 | 宁波大学 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
CN115620133A (zh) * | 2022-10-08 | 2023-01-17 | 宁波大学 | 一种顾及物候与水位时序特征的红树林提取方法 |
CN115861629A (zh) * | 2022-12-07 | 2023-03-28 | 南京市测绘勘察研究院股份有限公司 | 一种高分耕地影像提取方法 |
CN115937705A (zh) * | 2022-12-11 | 2023-04-07 | 华中农业大学 | 一种基于多源数据和物候特征的南方单双季稻识别方法 |
CN116518935A (zh) * | 2022-12-14 | 2023-08-01 | 武汉大学 | 一种水稻种植分布及种植强度识别方法、装置及设备 |
CN116645603A (zh) * | 2023-05-10 | 2023-08-25 | 杭州师范大学 | 一种大豆种植区识别和面积测算方法 |
CN116563720A (zh) * | 2023-07-12 | 2023-08-08 | 华中师范大学 | 协同光学-微波物候特征的单双季水稻样本自动生成方法 |
Non-Patent Citations (3)
Title |
---|
GANG YANG 等: "A Moving Weighted Harmonic Analysis Method for Reconstructing High-Quality SPOT VEGETATION NDVI Time-Series Data", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING ( VOLUME: 53, ISSUE: 11, NOVEMBER 2015)》, 2 June 2015 (2015-06-02) * |
王建勋;华丽;邓世超;王惠东;陈家慧;: "基于GF-1与MODIS时空融合的南方丘陵区水稻提取研究", 中国农业资源与区划, no. 05, 25 May 2019 (2019-05-25) * |
王碧晴;韩文泉;许驰;: "基于图像分割和NDVI时间序列曲线分类模型的冬小麦种植区域识别与提取", 国土资源遥感, no. 02, 15 June 2020 (2020-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Estimating tropical cyclone intensity by satellite imagery utilizing convolutional neural networks | |
Gao et al. | Mapping crop phenology in near real-time using satellite remote sensing: Challenges and opportunities | |
Li et al. | Spatio-temporal fusion for remote sensing data: An overview and new benchmark | |
CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
US11751499B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that detects disease in crops | |
Chen et al. | Isolating individual trees in a savanna woodland using small footprint lidar data | |
CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
US10943173B2 (en) | Computer-implemented methods, computer readable medium and systems for generating a satellite data model for a precision agriculture platform | |
Rakwatin et al. | Using multiscale texture information from ALOS PALSAR to map tropical forest | |
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 | |
Young et al. | Exploring a big data approach to building a list frame for urban agriculture: A pilot study in the city of Baltimore | |
CN114821349A (zh) | 顾及谐波模型系数和物候参数的森林生物量估算方法 | |
CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
CN116484712A (zh) | 植被区域地表温度重建方法、装置、电子设备及存储介质 | |
US20230162496A1 (en) | System and method for assessing pixels of satellite images of agriculture land parcel using ai | |
Liu et al. | Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network | |
Tu et al. | A 30 m annual cropland dataset of China from 1986 to 2021 | |
Yang et al. | Towards Scalable Within-Season Crop Mapping With Phenology Normalization and Deep Learning | |
CN111985433B (zh) | 一种水稻遥感信息提取方法和系统 | |
CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
CN115620133B (zh) | 一种顾及物候与水位时序特征的红树林提取方法 | |
Das et al. | Mapping vegetation and forest types using Landsat TM in the western ghat region of Maharashtra, India | |
CN114332546B (zh) | 一种物候匹配策略的大尺度迁移学习作物分类方法及系统 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning |
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 |