CN112329703A - 一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 - Google Patents
一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 Download PDFInfo
- Publication number
- CN112329703A CN112329703A CN202011311592.0A CN202011311592A CN112329703A CN 112329703 A CN112329703 A CN 112329703A CN 202011311592 A CN202011311592 A CN 202011311592A CN 112329703 A CN112329703 A CN 112329703A
- Authority
- CN
- China
- Prior art keywords
- neural network
- remote sensing
- image
- convolutional neural
- squeezenet
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 22
- 241000018646 Pinus brutia Species 0.000 title claims abstract description 17
- 235000008331 Pinus X rigitaeda Nutrition 0.000 title claims abstract description 16
- 235000011613 Pinus brutia Nutrition 0.000 title claims abstract description 16
- 238000010276 construction Methods 0.000 title claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 19
- 241000243771 Bursaphelenchus xylophilus Species 0.000 claims abstract description 13
- 238000013526 transfer learning Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法，其步骤为：第一步构建松材线虫病遥感影像样本数据集，第二步选择SqueezeNet卷积神经网络进行迁移学习，第三步进行SqueezeNet深度卷积神经网络训练参数的优化，第四步进行深度卷积神经网络结构的优化。本发明流程简单，便于实际操作，实用性强，为松材线虫病的监测提供一种新的技术手段，适用于病虫害监测、遥感影像分类等领域。
Description
一、技术领域
本发明涉及病虫害遥感数据分析处理和深度学习领域，特别涉及一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法。
二、背景技术
松材线虫病是中国最危险的森林生物灾害之一，对于松类树种是一种毁灭性的病害。该病自1982年传入我国以来，扩散蔓延迅速，导致大量松树枯死，对我国的松林资源、自然景观和生态环境造成严重破坏，造成了严重的经济和生态损失。
目前对松材线虫病发生林区的监测主要是通过人工现场抽样检测和利用遥感技术进行监测，人工现场抽样检测费时费力，效率太低，传统的遥感影像处理方法准确率不高，而深度学习作为一门新型技术，在图像的分类、识别、检测等领域得到日益广泛的研究和应用。运用深度学习的方法对松材线虫病进行监测，可以节省大量人力物力，目前对于构建适宜识别松材线虫病遥感影像的深度卷积神经网络还没有好的方法。
三、发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何构建适宜识别松材线虫病遥感影像的深度卷积神经网络，从而可以更好地运用深度学习技术对松材线虫病成灾区进行准确的识别。
(二)技术方案
为了解决上述技术问题，本发明提供一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法，包括以下步骤：
1.获取来自国产高分辨率卫星GF-1和GF-2的1A级遥感影像产品，并对遥感影像进行预处理。
2.根据实地调查资料，确定感病区区域位置及发生时间，比对相应时段内这些区域的影像光谱、纹理等特征，结合松材线虫病诊断特征，确定松材线虫病成灾区的目视解译特征。
3.根据目视解译结果近似确定样本的选取范围进行样本的裁剪，输出为Tiff/GeoTiff格式的图像，以文件夹及图像文件归档式管理的方式实现样本的真值标注。
4.将裁剪得到的样本分为训练-验证数据集和测试数据集，前者作为训练卷积神经网络的输入数据，约占数据集样本量的85％，其中包括80％的训练数据和20％检验数据，分别仅限用于卷积神经网络参数更新训练和实时分类效果评价；后者仅作为训练后卷积神经网络的输入数据，约占数据集样本量的15％，独立于训练过程，用于评估模型的处理能力和泛化性能。
5.选用SqueezeNet预训练模型进行训练，设定常用的超参数(批次量＝64，学习率＝0.001，epoch＝20)进行迁移学习。
6.进行SqueezeNet深度卷积神经网络训练参数批次量和学习率的优化。
7.进行SqueezeNet深度卷积神经网络的结构优化，包括增加旁路连接和模块替换两种宏观结构方面的改进，然后在每种宏观结构改进的基础上进行替换激活函数类型、引入批归一化层、引入Dropout层、缩减网络结构等方面的调整优化，确定出每种宏观结构改进下的最优改进模型，再将两种宏观结构改进后的最优模型与原模型进行对比，找出最适宜识别松材线虫病遥感影像的深度卷积神经网络。
优选的是，在步骤1中所述的对遥感影像进行预处理的过程为：首先对GF影像进行初步筛选，筛选出受云雾干扰较小，各类地物清晰的影像；然后利用ENVI软件，对每幅影像的多光谱和全色波段根据其RPC信息结合全球900m分辨率DEM数据分别进行正射校正；之后，将校正后的多光谱影像和全色波段影像进行融合，生成高空间分辨率含多光谱信息的影像；最后，将红绿比值植被指数(RGRI＝R/G)、近红外(Band4)、蓝光波段(Band1)分别作为R、G、B通道的输入波段合成用于标注样本选取的影像底图。
优选的是，在步骤3中所述的样本，样本类别分为5类，分别为：松材线虫病成灾区、健康林地、农用地、水体和建筑用地。
优选的是，在步骤6和步骤7中所述的进行SqueezeNet深度卷积神经网络训练参数和结构的优化，主要根据模型训练时长、验证样本集的分类准确率、模型的收敛速度、模型收敛后的稳定性等4个指标作为衡量网络训练效果的对比变量。
优选的是，在步骤6中所述的进行深度卷积神经网络训练参数批次量和学习率的优化,将批次量依次设置为以往研究和应用中常用的32、64、128、256，以对比4种批次量条件下适宜模型的迁移训练效果，将学习率参数设置为常量学习率系列与变化学习率，常量学习率系列包括1e-4，5e-4，1e-3，3e-3，5e-3，变化学习率初始值为1e-3，下降系数为0.5，每5代训练变化一次，以对比不同学习率条件下适宜模型的迁移训练效果。
(三)本发明的有益效果
本发明与传统的病虫害遥感影像处理方法相比，病虫害影像识别准确率更高，可以很好地弥补传统手段处理海量遥感数据效率和精度方面的不足，为松材线虫病的监测和防控提供有利的技术支持，同时为运用深度学习技术对其它病虫害的研究和遥感影像相关信息的提取分析提供了一种方法参考。
四、附图说明
图1为本发明的方法流程图。
五、具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
1.获取来自国产高分辨率卫星GF-1和GF-2的1A级遥感影像产品，并对遥感影像进行预处理，预处理过程为：首先对GF影像进行初步筛选，筛选出受云雾干扰较小，各类地物清晰的影像；然后利用ENVI软件，对每幅影像的多光谱和全色波段根据其RPC信息结合全球900m分辨率DEM数据分别进行正射校正；之后，将校正后的多光谱影像和全色波段影像进行融合，生成高空间分辨率含多光谱信息的影像；最后，将红绿比值植被指数(RGRI＝R/G)、近红外(Band4)、蓝光波段(Band1)分别作为R、G、B通道的输入波段合成用于标注样本选取的影像底图。
2.基于实地调查资料确定感病区区域位置及发生时间，比对相应时段内这些区域的影像光谱、纹理等特征，结合松材线虫病诊断特征，确定松材线虫病成灾区的目视解译特征。
3.根据目视解译结果确定样本的选取范围进行样本的裁剪，输出为Tiff/GeoTiff格式的图像，以文件夹及图像文件归档式管理的方式实现样本的真值标注。
其中，样本类别分为5类，分别为：松材线虫病成灾区、健康林地、农用地、水体和建筑用地。
4.将裁剪得到的样本分为训练-验证数据集和测试数据集，前者作为训练卷积神经网络的输入数据，约占数据集样本量的85％，其中包括80％的训练数据和20％检验数据，分别仅限用于卷积神经网络参数更新训练和实时分类效果评价；后者仅作为训练后卷积神经网络的输入数据，约占数据集样本量的15％，独立于训练过程，用于评估模型的处理能力和泛化性能。
5.选用SqueezeNet预训练模型进行训练，设定常用的超参数(批次量＝64，学习率＝0.001，epoch＝20)进行迁移学习。
6.进行SqueezeNet深度卷积神经网络训练参数批次量和学习率的优化，将批次量依次设置为以往研究和应用中常用的32、64、128、256，以对比4种批次量条件下适宜模型的迁移训练效果，确定SqueezeNet深度卷积神经网络最适宜的批次量。将学习率参数设置为常量学习率系列与变化学习率，常量学习率系列包括1e-4，5e-4，1e-3，3e-3，5e-3，变化学习率初始值为1e-3，下降系数为0.5，每5代训练变化一次，以对比不同学习率条件下适宜模型的迁移训练效果，确定SqueezeNet深度卷积神经网络最适宜的学习率。
其中，根据模型训练时长、验证样本集的分类准确率、模型的收敛速度、模型收敛后的稳定性等4个指标作为衡量网络训练效果的对比变量。
7.进行SqueezeNet深度卷积神经网络的结构优化，首先对深度卷积神经网络进行增加旁路连接和模块替换两种宏观结构方面的改进，然后在每种宏观结构改进的基础上进行替换激活函数类型(ReLu、Leaky ReLu、Elu、Tanh)、引入批归一化层、引入Dropout层、缩减网络结构等方面的调整优化，确定出每种宏观结构改进下的最优改进模型，再将两种宏观结构改进后的模型与原模型进行对比，找出最适宜识别松材线虫病遥感影像的深度卷积神经网络。
Claims (5)
1.一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：首先，获取高分辨率遥感影像，对遥感影像进行预处理，目视解译，影像裁剪，人工标注；其次，选择SqueezeNet深度卷积神经网络进行迁移学习；然后，进行SqueezeNet深度卷积神经网络训练参数的优化；最后，进行SqueezeNet深度卷积神经网络结构的优化。
2.根据权利要求1一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：对遥感影像进行预处理，首先对GF影像进行初步筛选，筛选出受云雾干扰较小，各类地物清晰的影像；然后利用ENVI软件，对每幅影像的多光谱和全色波段根据其RPC信息结合全球900m分辨率DEM数据分别进行正射校正。之后，将校正后的多光谱影像和全色波段影像进行融合，生成高空间分辨率含多光谱信息的影像。最后将红绿比值植被指数(RGRI＝R/G)、近红外(Band4)、蓝光波段(Band1)分别作为R、G、B通道的输入波段合成用于标注样本选取的影像底图。
3.根据权利要求1一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：进行SqueezeNet深度卷积神经网络训练参数和结构的优化，主要根据模型训练时长、验证样本集的分类准确率、模型的收敛速度、模型收敛后的稳定性等4个指标作为衡量网络训练效果的对比变量。
4.根据权利要求1一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：SqueezeNet深度卷积神经网络训练参数的优化主要是探究最优的批次量和学习率。
5.根据权利要求1一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：SqueezeNet深度卷积神经网络结构的优化包括增加旁路连接和模块替换两种宏观结构方面的改进，然后在每种宏观结构改进的基础上进行替换激活函数类型、引入批归一化层、引入Dropout层、缩减网络结构等方面的调整优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011311592.0A CN112329703A (zh) | 2020-11-20 | 2020-11-20 | 一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011311592.0A CN112329703A (zh) | 2020-11-20 | 2020-11-20 | 一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112329703A true CN112329703A (zh) | 2021-02-05 |
Family
ID=74321010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011311592.0A Pending CN112329703A (zh) | 2020-11-20 | 2020-11-20 | 一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329703A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861812A (zh) * | 2021-03-25 | 2021-05-28 | 东北林业大学 | 基于深度学习的松材线虫病灾害预测预报方法及装置 |
| CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及*** |
| CN114140428A (zh) * | 2021-11-30 | 2022-03-04 | 东北林业大学 | 基于YOLOv5的落叶松毛虫虫害检测识别方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
| CN111951285A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 基于级联深度卷积神经网络的光学遥感影像林地分类方法 |
-
2020
- 2020-11-20 CN CN202011311592.0A patent/CN112329703A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
| CN111951285A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 基于级联深度卷积神经网络的光学遥感影像林地分类方法 |
Non-Patent Citations (7)
| Title |
|---|
| VARSHA BHOLE等: "Analysis of Convolutional Neural Network Using Pre-Trained Squeezenet Model for Classification of Thermal Fruit Images" * |
| 吕明站;朱子魁;: "基于无人机和人工智能的异常林木快速识别技术研究" * |
| 孟祥锐: "基于深度学习的淡水湿地遥感精细分类研究" * |
| 张瑞瑞;夏浪;陈立平;谢春春;陈梅香;王维佳;: "基于U-Net网络和无人机影像的松材线虫病变色木识别" * |
| 徐信罗等: "基于Faster R-CNN 的松材线虫病受害木识别与定位" * |
| 李坤伦;魏泽发;宋焕生;: "基于SqueezeNet卷积神经网络的车辆颜色识别" * |
| 董艺威等: "基于SqueezeNet的轻量化卷积神经网络SlimNet" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861812A (zh) * | 2021-03-25 | 2021-05-28 | 东北林业大学 | 基于深度学习的松材线虫病灾害预测预报方法及装置 |
| CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及*** |
| CN113033520B (zh) * | 2021-05-25 | 2021-08-13 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及*** |
| CN114140428A (zh) * | 2021-11-30 | 2022-03-04 | 东北林业大学 | 基于YOLOv5的落叶松毛虫虫害检测识别方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112329703A (zh) | 一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法 | |
| CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
| CN111738066B (zh) | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 | |
| CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
| CN112287892A (zh) | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 | |
| CN112102312A (zh) | 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 | |
| CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
| CN110751035A (zh) | 一种制种玉米的识别方法及装置 | |
| CN112906537A (zh) | 一种基于卷积神经网络的农作物识别方法及*** | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN113537293A (zh) | 基于无人机和全卷积神经网络的小麦倒伏区域识别方法 | |
| CN116844053A (zh) | 一种小麦种植区域识别方法、***、电子设备及存储介质 | |
| Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
| Fu et al. | Cotton aphid infestation monitoring using Sentinel-2 MSI imagery coupled with derivative of ratio spectroscopy and random forest algorithm | |
| CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
| Lemenkova et al. | Time series analysis of Landsat images for monitoring flooded areas in the inner Niger Delta, Mali | |
| CN112528726A (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及*** | |
| CN116486282A (zh) | 一种基于深度学习的数字高程模型制作方法及***、电子设备、存储介质 | |
| CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及*** | |
| CN113705454A (zh) | 一种包含红外光谱遥感影像的有林地提取方法 | |
| CN113191177A (zh) | 一种用于深度学习的松材线虫病遥感影像样本标注方法 | |
| CN114220028B (zh) | 基于无人机高光谱影像和机器学习算法模型研发的珍稀树种识别方法 | |
| CN109670426B (zh) | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 | |
| Wang et al. | Poplar seedling varieties and drought stress classification based on multi-source, time-series data and deep learning | |
| Marzukhi et al. | Healthiness of Oil Palm Plantation Towards Sustainability of Environment |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210205 |