CN114219847B - 基于物候特征的作物种植面积确定方法、***及存储介质 - Google Patents
基于物候特征的作物种植面积确定方法、***及存储介质 Download PDFInfo
- Publication number
- CN114219847B CN114219847B CN202210150234.9A CN202210150234A CN114219847B CN 114219847 B CN114219847 B CN 114219847B CN 202210150234 A CN202210150234 A CN 202210150234A CN 114219847 B CN114219847 B CN 114219847B
- Authority
- CN
- China
- Prior art keywords
- crop planting
- planting area
- vegetation
- phenological
- vegetation index
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 238000007637 random forest analysis Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009758 senescence Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 229930002875 chlorophyll Natural products 0.000 claims description 8
- 235000019804 chlorophyll Nutrition 0.000 claims description 8
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000012010 growth Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000003971 tillage Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 8
- 238000002310 reflectometry Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000000179 transient infrared spectroscopy Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于物候特征的作物种植面积确定方法、***及存储介质，属于计算机技术领域，通过按照设定时间采集待检测的作物种植区的遥感影像数据；根据遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征；根据植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量；将作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图；对作物种植区分布图进行分析，以确定待检测的作物种植区的种植面积数据。本发明具有低成本高效率，且具备精细刻画种植区域空间分布的能力的技术效果。
Description
技术领域
本发明属于计算机技术领域，具体涉及一种基于物候特征的作物种植面积确定方法、***及存储介质。
背景技术
获取作物种植面积的传统做法是依赖于田间调查与统计上报，这种调查方式不仅高成本低效率，且不具备详细刻画种植区域空间分布的能力。物候是指生物生长发育表现出的周期性变化，如植物发芽、展叶、开花、落叶等现象，不同类型的作物表现出不同的物候阶段与特征。依赖田间调查与统计上报已无法满足对作物物候阶段与特征信息的获取。
现有技术中，遥感技术因为具有覆盖范围广、采集数据快、可动态对地观测等特点，被应用于作物种植面积获取领域。遥感技术通过充分挖掘农作物和其他地表覆被类型在光谱、物候和纹理上的差异，并借助专家知识、机器学习以及深度学习算法实现某种作物与其他作物或非作物之间的分类。但是，现有的用于获取作物种植面积的遥感技术存在的弊端如下：由于农作物种类繁多，且都属于植被，在气象条件和农田管理措施等因素的影响下，植被种类间光谱差异不显著；导致同物异谱、异物同谱的作物无法被遥感技术识别。
因此，亟需一种可以用于作物分类的基于物候特征的作物种植面积确定方法。
发明内容
本发明提供一种基于物候特征的作物种植面积确定方法、***、电子设备以及存储介质，用以克服现有技术中存在的至少一个技术问题。
为实现上述目的，本发明提供一种基于物候特征的作物种植面积确定方法，方法包括：
按照设定时间采集待检测的作物种植区的遥感影像数据；
根据遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征；
根据植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量；
将作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图；
对作物种植区分布图进行分析，以确定待检测的作物种植区的种植面积数据。
进一步，优选的，基于随机森林的作物种植区提取模型的训练方法包括，
获取预处理后的作物种植数据集；其中，将作物种植数据集中30%的样本点作为测试集，将作物种植数据集中70%的样本点作为训练集；
利用训练集和预获取的分类特征图像集合训练基于随机森林的作物种植区提取预模型；
直至精度评价指标和包外误差估计值达到预设标准，停止训练并获得基于随机森林的作物种植区提取模型；
其中，精度评价指标通过利用测试集生成的混淆矩阵对基于随机森林的作物种植区提取预模型进行精度检验获得。
进一步，优选的，作物种植数据集的预处理方法包括，
根据年份获取所述作物种植数据集的样本点数据；
对样本点数据进行样本时间迁移；
利用光谱角对样本时间迁移后的样本点数据进行筛选，获取光谱角符合设定标准的样本点数据作为年际间未发生显著变化的样本数据；
将所获取的年际间未发生显著变化的样本数据组成作物种植样本库，完成作物种植数据集的预处理。
进一步，优选的，分类特征图像集合的获取方法包括，
在设定空间和时间内获取遥感影像数据；
对遥感影像数据按照设定波段进行植被指数获取，并根据植被指数获取植被指数统计特征；其中，植被指数包括归一化植被指数、增强型植被指数、绿色叶绿素植被指数、地表水分指数、归一化差分衰老植被指数和归一化耕作指数；
对增强型植被指数的时间序列分别通过线性谐波模型和双Logistic模型进行拟合，获得植被物候特征；
将植被指数统计特征和植被物候特征进行合成，获得分类特征图像集合。
进一步，优选的，对增强型植被指数的时间序列通过线性谐波模型进行拟合，通过以下公式实现：
其中，f(t)为第t天拟合的增强型植被指数值，a为常数项，b为一次项系数，M为谐波组合的个数，c、d分别为余弦函数、正弦函数的系数；ω为一年中天数的倒数，t为天数，e为残差值。
进一步，优选的，对增强型植被指数的时间序列通过双Logistic模型进行拟合，通过以下公式实现：
其中，f(t)为第t天拟合的增强型植被指数值；v 1 和v 2 分别为增强型植被指数全年背景值和幅度值；m 1 、n 1 、m 2 和n 2 分别为植被生长期、衰老期变化趋势中捕捉到的成对参数。
进一步，优选的，通过m 1 和n 1 获得SOS节点处的物候特征；其中， SOS节点为增强型植被指数时间序列导数达到最大值的时间点；
通过m2和n2获得EOS节点处的物候特征；其中， EOS节点为增强型植被指数时间序列导数达到最小值的时间点。
为了解决上述问题，本发明还提供一种基于物候特征的作物种植面积确定***，包括：
采集单元，用于按照设定时间采集待检测的作物种植区的遥感影像数据；
作物种植区特征向量获取单元，用于根据遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征；根据植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量；
种植面积数据获取单元，用于将作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图；对作物种植区分布图进行分析，以确定待检测的作物种植区的种植面积数据。
为了解决上述问题，本发明还提供一种电子设备，电子设备包括：
存储器，存储至少一个指令；及
处理器，执行存储器中存储的指令以实现上述所述的基于物候特征的作物种植面积确定方法中的步骤。
为了解决上述问题，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一个指令，至少一个指令被电子设备中的处理器执行以实现上述所述的基于物候特征的作物种植面积确定方法。
本发明的一种基于物候特征的作物种植面积确定方法、***、电子设备以及存储介质，基于遥感技术对作物种植区进行分类，而且基于物候特征建立基于随机森林的作物种植区提取模型，充分挖掘作物种类之间的差异；具有低成本高效率，且具备精细刻画种植区域空间分布的能力的技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明一实施例提供的基于物候特征的作物种植面积确定方法的流程示意图；
图2为本发明一实施例提供的基于物候特征的作物种植面积确定方法的原理示意图；
图3为本发明一实施例提供的基于物候特征的作物种植面积确定***的模块示意图；
图4为本发明一实施例提供的实现基于物候特征的作物种植面积确定方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1所示，为本发明一实施例提供的基于物候特征的作物种植面积确定方法的流程示意图。该方法可以由一个***执行，该***可以由软件和/或硬件实现。
在本实施例中，基于物候特征的作物种植面积确定方法包括步骤S110~ S150。S110、按照设定时间采集待检测的作物种植区的遥感影像数据；S120、根据遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征；S130、根据植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量；S140、将作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图；S150、对作物种植区分布图进行分析，以确定待检测的作物种植区的种植面积数据。
S110、按照设定时间采集待检测的作物种植区的遥感影像数据。在具体的实施过程中，遥感影像数据的采集可以通过地面上的指令发送器和数据接收器以及设置于卫星上的指令接收器和遥感影像数据采集设备、处理器等实现。还可以包括设置在地面上的存储器。其中，遥感影像数据采集设备用于根据遥感影像数据采集设备观测范围采集遥感影像数据采集设备观测范围内的作物种植区的遥感影像数据。
S120、根据遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征。
所述植被指数统计特征的获取方法为，对遥感影像数据按照设定波段进行植被指数获取，并根据植被指数获取植被指数统计特征；其中，植被指数包括归一化植被指数、增强型植被指数、绿色叶绿素植被指数、地表水分指数、归一化差分衰老植被指数和归一化耕作指数。对增强型植被指数的时间序列分别通过线性谐波模型和双Logistic模型进行拟合，获得植被物候特征。
图2为本发明一实施例提供的基于物候特征的作物种植面积确定方法的原理示意图。如图2所示，
具体地说，对遥感影像数据利用云检测工具进行处理生成云掩膜文件、耕地掩膜，然后按照设定波段进行植被指数获取。
需要说明的是，云检测工具可以但不限于为ENVI5.3.1新增云自动检测工具，支持Landsat4-5 TM，Landsat7 ETM+，Landsat8 OLI/TIRS和NPP VIIRS 传感器数据，可生成云掩膜文件，使用Fmask3.2算法。需要输入多光谱波段的大气表观反射率图像，亮温和卷云波段大气表观反射率图像为可选择的输入。近红外光谱技术(Near Infrared，NIR)是一种高效快速的现代分析技术，它综合运用了计算机技术、光谱技术和化学计量学等多个学科的最新研究成果，以其独特的优势在多个领域得到了日益广泛的应用。
植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、增强型植被指数(Enhanced Vegetation Index, EVI)、绿色叶绿素植被指数（GreenChlorophyll Vegetation Index，GCVI）、地表水分指数(Land Surface Water Index，LSWI)、归一化差分衰老植被指数（Normalized Differential Senescent VegetationIndex，NDSVI）和归一化耕作指数（Normalized Difference Tillage Index，NDTI）。
具体地说，归一化植被指数是监测植被生长状态的常用指标之一。归一化植被指数通过以下公式获取：
NDVI=(B4-B3)/(B4+B3)
其中，B3、B4分别为Landsat红光、近红外波段的地表反射率。
增强型植被指数是一种减弱大气和土壤背景对植被信号影响的植被指数。增强型植被指数通过以下公式获取：
EVI=G×(B4-B3)/(B4+C1×B3-C2×B1+L)
其中，B1、B3、B4分别为Landsat蓝光、红光和近红外波段的地表反射率，L为冠层背景调整参数，C1、C2为气溶胶修正系数，G为增益因子。L、C1、C2和G的经验值分别为1、6、7.5和2.5。
绿色叶绿素植被指数在冠层密集（叶面积指数（Leaf Area Index，LAI）较高）的情况下，能反映出比归一化植被指数更大的动态范围。绿色叶绿素植被指数通过以下公式获取：GCVI=B4/B2 -1
其中，B2、B4分别为绿光、近红外波段的地表反射率。
地表水分指数对植被冠层含水量和土壤背景变化比较敏感。地表水分指数通过以下公式获取：LSWI=(B4-B5)/(B4+B5)
其中，B4、B5分别为近红外（NIR）、短波红外1（SWIR1）波段的地表反射率。
归一化差分衰老植被指数对不同作物类型的水分含量有特定的响应。归一化差分衰老植被指数通过以下公式获取：NDSVI=(B5-B3)/(B5+B3)
其中，B3、B5分别为红光、短波红外1（SWIR1）波段的地表反射率。
归一化耕作指数与作物的残茬覆盖有关。归一化耕作指数通过以下公式获取：
NDTI=(B5-B7)/(B5+B7)
其中，B5、B7分别为短波红外1（SWIR1）、短波红外2（SWIR2）波段的地表反射率。
S130、根据植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量。
S140、将作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图。
在具体的实施过程中，基于随机森林的作物种植区提取模型的训练即随机森林分类器的训练，需要作物种植数据集与分类特征图像集合作为输入，需要定义两个参数：期望的决策树数量（k）和每个节点用于***需要的特征数量（m）。这里将决策树数量（k）设置为100，每个节点用于***需要的特征数量（m）则使用默认设置的输入特征个数的平方根。
基于随机森林的作物种植区提取模型的训练方法包括，S141~ S143。
S141、获取预处理后的作物种植数据集；其中，将作物种植数据集中30%的样本点作为测试集，将作物种植数据集中70%的样本点作为训练集。
在具体的实施过程中，样本集不能满足时间范围的要求，则可以通过光谱角的方法衡量时间迁移之后样本的可用性。作物种植数据集的70%用于训练分类器，剩余的30%用于测试分类器的性能。
具体地说，作物种植数据集的预处理方法包括，S1411、根据年份获取所述作物种植数据集的样本点数据；S1412、对样本点数据进行样本时间迁移；S1413、利用光谱角对样本时间迁移后的样本点数据进行筛选，获取光谱角符合设定标准的样本点数据作为年际间未发生显著变化的样本数据；S1414、将所获取的年际间未发生显著变化的样本数据组成作物种植样本库，完成作物种植数据集的预处理。
S142、利用训练集和预获取的分类特征图像集合训练基于随机森林的作物种植区提取预模型。
分类特征图像集合的预获取方法包括，S1421、在设定空间和时间内获取遥感影像数据。S1422、对遥感影像数据按照设定波段进行植被指数获取，并根据植被指数获取植被指数统计特征；其中，植被指数包括归一化植被指数、增强型植被指数、绿色叶绿素植被指数、地表水分指数、归一化差分衰老植被指数和归一化耕作指数。S1423、对增强型植被指数的时间序列分别通过线性谐波模型和双Logistic模型进行拟合，获得植被物候特征。
也就是说，将上述步骤S1422中计算出的增强型植被指数（EVI）时间序列通过物候模型进行拟合：分别使用线性谐波模型、双Logistic模型进行拟合。
具体地说，对增强型植被指数的时间序列通过线性谐波模型进行拟合，线性谐波模型是用一系列正弦和余弦波的组合来拟合复杂的信号，该模型还有一些复杂的变体，能适应更为多变的情况。
通过以下公式实现：
其中，f(t)为第t天拟合的增强型植被指数值，a为常数项，b为一次项系数，M为谐波组合的个数，c、d分别为余弦函数、正弦函数的系数；ω为一年中天数的倒数，t为天数，e为残差值。需要说明的是，在具体的实施过程中，M=2。ω=1/365。
对增强型植被指数的时间序列通过双Logistic模型进行拟合，双Logistic模型具有以下特点：1、利用不同的函数拟合植被的生长和衰老阶段，2、提取得到参数的物理意义与植被的生长和衰老有关。通过以下公式实现：
其中，f(t)为第t天拟合的增强型植被指数值；v 1 和v 2 分别为增强型植被指数全年背景值和幅度值；m 1 、n 1 、m 2 和n 2 分别为植被生长期、衰老期变化趋势中捕捉到的成对参数。具体来说，n 1 和n 2 是s型曲线中生长期EVI增加速率最大的日期和衰老期EVI减少速率最大的日期，m 1 和m 2 则是n 1 和n 2 处的变化率。
通过m 1 和n 1 获得SOS节点处的物候特征；其中，SOS（Start of season）节点为增强型植被指数时间序列导数达到最大值的时间点；通过m 2 和n 2 获得EOS（End of season）节点处的物候特征；其中，EOS节点为增强型植被指数时间序列导数达到最小值的时间点。
具体地说，采用基于阈值的提取方法从线性谐波模型中提取物候特征，振幅被定义为二维矢量[cM, dM]的幅度，而相位则通过计算二维矢量[cM, dM]形成的角度来得到。
采用基于导数的提取方法从双Logistic模型中提取物候特征。SOS被定义为EVI时间序列导数达到最大值的时间点，EOS则被定义为EVI时间序列导数达到最小值的时间点。m 1 和n 1 、m 2 和n 2 这两对参数，分别用来捕捉作物的生长阶段和衰老阶段，区别在于：m 1 和n 1 提取得到SOS节点处的物候特征，m 2 和n 2 提取得到EOS处的物候特征；而m 1 和m 2 作为时间节点处的斜率，而n 1 和n 2 是用来表示当前时间节点的日期天数。
S1424、将植被指数统计特征和植被物候特征进行合成，获得分类特征图像集合。
具体地说，从植被指数及部分波段的时间序列中提取出植被指数统计特征，即计算全年NDVI、EVI、GCVI、LSWI、NDSVI、NDTI、SWIR1、SWIR2、NIR时间序列的标准差、5%分位数、25%分位数、中位数、75%分位数和95%分位数。最后，将统计特征与物候特征叠加合成，得到分类特征图像集合。
S143、直至精度评价指标和包外误差估计值达到预设标准，停止训练并获得基于随机森林的作物种植区提取模型；其中，精度评价指标通过利用测试集生成的混淆矩阵对基于随机森林的作物种植区提取预模型进行精度检验获得。
在具体的实施过程中，对于基于随机森林的作物种植区提取模型的精度检验过程，包括但不限制于混淆矩阵以及包外误差估计值。
具体地说，首先，基于混淆矩阵对遥感提取的精度进行评价，混淆矩阵（confusionmatrix）也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。由样本集合的30%检验生成混淆矩阵，具体评价指标有总体精度（Overall Accuracy，OA）、制图精度（Producer's Accuracy, PA）、用户精度（User's Accuracy，UA）及Kappa 系数（Kappa Coefficient，KC）等，此外还有随机森林分类器自身返回的包外误差估计（Out ofbag Error），这些精度指标从不同的侧面反映了图像分类的精度。第二，通过结合样本和制图结果对种植面积进行不同尺度上的估算，并和相应尺度的统计数据（一般采用官方数据）进行对比验证。种植面积主要由制图结果中的像元个数乘以像元面积得到，并能够通过样本集中各类别的比例进行调整以及估算不确定性。后通过最小二乘法拟合统计数据与面积提取结果之间的一阶函数。最终通过评估R2和斜率的大小，对面积提取结果的可靠性进行检验。R2越接近1，代表各个地区之间面积提取结果一致性越好；斜率越接近于1，代表统计数据与面积提取结果的一致性越好。最后，还与其他分类制图数据产品进行空间分布上的一致性对比验证。
综上，通过在精度指标、面积、空间分布三个层面上验证了提取结果的准确程度，能为后续分析决策提供更为扎实的数据基础。
S150、对作物种植区分布图进行分析，以确定待检测的作物种植区的种植面积数据。
综上，本发明的基于物候特征的作物种植面积确定方法，基于遥感技术对作物种植区进行分类，而且基于物候特征建立基于随机森林的作物种植区提取模型，充分挖掘作物种类之间的差异；通过在精度指标、面积、空间分布三个层面上验证了提取结果的准确程度，能为后续分析决策提供更为扎实的数据基础；具有低成本高效率，且具备精细刻画种植区域空间分布的能力的技术效果。
如图3所示，本发明提供一种基于物候特征的作物种植面积确定***300，本发明可以安装于电子设备中。根据实现的功能，该基于物候特征的作物种植面积确定***300可以包括采集单元310、作物种植区特征向量获取单元320以及种植面积数据获取单元330。本发明所述单元也可以称之为模块，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
采集单元310，用于按照设定时间采集待检测的作物种植区的遥感影像数据；
作物种植区特征向量获取单元320，用于根据遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征；根据植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量；
种植面积数据获取单元330，用于将作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图；对作物种植区分布图进行分析，以确定待检测的作物种植区的种植面积数据。
本发明的基于物候特征的作物种植面积确定***300是基于遥感技术对作物种植区进行分类，而且基于物候特征建立基于随机森林的作物种植区提取模型，充分挖掘作物种类之间的差异；通过在精度指标、面积、空间分布三个层面上验证了提取结果的准确程度，能为后续分析决策提供更为扎实的数据基础；具有低成本高效率，且具备精细刻画种植区域空间分布的能力的技术效果。
如图4所示，本发明提供一种基于物候特征的作物种植面积确定方法的电子设备4。
该电子设备4可以包括处理器40、存储器41和总线，还可以包括存储在存储器41中并可在所述处理器40上运行的计算机程序，如基于物候特征的作物种植面积确定程序42。存储器41还可以既包括人工智能的基于物候特征的作物种植面积确定***的内部存储单元也包括外部存储设备。存储器41不仅可以用于存储安装于人工智能作物种植面积确定装置的应用软件及各类数据，例如人工智能作物种植面积确定辅助程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器41在一些实施例中可以是电子设备4的内部存储单元，例如该电子设备4的移动硬盘。所述存储器41在另一些实施例中也可以是电子设备4的外部存储设备，例如电子设备4上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器41还可以既包括电子设备4的内部存储单元也包括外部存储设备。所述存储器41不仅可以用于存储安装于电子设备4的应用软件及各类数据，例如基于物候特征的作物种植面积确定程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器40在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器40是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器41内的程序或者模块（例如基于物候特征的作物种植面积确定程序等），以及调用存储在所述存储器41内的数据，以执行电子设备4的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器41以及至少一个处理器40等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备4的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备4还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理***与所述至少一个处理器40逻辑相连，从而通过电源管理***实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备4还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备4还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备4与其他电子设备之间建立通信连接。
可选地，该电子设备4还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备4中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备4中的所述存储器41存储的基于物候特征的作物种植面积确定程序42是多个指令的组合，在所述处理器40中运行时，可以实现：按照设定时间采集待检测的作物种植区的遥感影像数据；根据遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征；根据植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量；将作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图；对作物种植区分布图进行分析，以确定待检测的作物种植区的种植面积数据。
具体地，所述处理器40对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述基于物候特征的作物种植面积确定程序的私密和安全性，上述基于物候特征的作物种植面积确定数据存储于本服务器集群所处区块链的节点中。
进一步地，所述电子设备4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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或***、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性的，也可以是易失性的，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：按照设定时间采集待检测的作物种植区的遥感影像数据；根据遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征；根据植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量；将作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图；对作物种植区分布图进行分析，以确定待检测的作物种植区的种植面积数据。
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例基于物候特征的作物种植面积确定方法中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，***和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或***也可以由一个单元或***通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于物候特征的作物种植面积确定方法，其特征在于，包括：
按照设定时间采集待检测的作物种植区的遥感影像数据；
根据所述遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征；其中，所述植被指数统计特征包括归一化植被指数、增强型植被指数、绿色叶绿素植被指数、地表水分指数、归一化差分衰老植被指数和归一化耕作指数；所述植被物候特征为通过对所述增强型植被指数的时间序列分别通过线性谐波模型和双Logistic模型进行拟合获得；
根据所述植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量；
将所述作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图；
对所述作物种植区分布图进行分析，以确定所述待检测的作物种植区的种植面积数据。
2.如权利要求1所述的基于物候特征的作物种植面积确定方法，其特征在于，所述基于随机森林的作物种植区提取模型的训练方法包括，
获取预处理后的作物种植数据集；其中，将所述作物种植数据集中30%的样本点作为测试集，将所述作物种植数据集中70%的样本点作为训练集；
利用所述训练集和预获取的分类特征图像集合训练基于随机森林的作物种植区提取预模型；
直至精度评价指标和包外误差估计值达到预设标准，停止训练并获得基于随机森林的作物种植区提取模型；
其中，所述精度评价指标通过利用所述测试集生成的混淆矩阵对所述基于随机森林的作物种植区提取预模型进行精度检验获得。
3.如权利要求2中所述的基于物候特征的作物种植面积确定方法，其特征在于，所述作物种植数据集的预处理方法包括，
根据年份获取所述作物种植数据集的样本点数据；
对所述样本点数据进行样本时间迁移；
利用光谱角对所述样本时间迁移后的样本点数据进行筛选，获取光谱角符合设定标准的样本点数据作为年际间未发生显著变化的样本数据；
将所获取的年际间未发生显著变化的样本数据组成作物种植样本库，完成所述作物种植数据集的预处理。
4.如权利要求1所述的基于物候特征的作物种植面积确定方法，其特征在于，对所述增强型植被指数的时间序列通过线性谐波模型进行拟合，通过以下公式实现：
其中，f(t)为第t天拟合的增强型植被指数值，a为常数项，b为一次项系数，M为谐波组合的个数，c、d分别为余弦函数、正弦函数的系数；ω为一年中天数的倒数，t为天数，e为残差值。
5.如权利要求1所述的基于物候特征的作物种植面积确定方法，其特征在于，对所述增强型植被指数的时间序列通过双Logistic模型进行拟合，通过以下公式实现：
其中，f(t)为第t天拟合的增强型植被指数值；v 1 和v 2 分别为增强型植被指数全年背景值和幅度值；m 1 、n 1 、m 2 和n 2 分别为植被生长期、衰老期变化趋势中捕捉到的成对参数。
6.如权利要求5所述的基于物候特征的作物种植面积确定方法，其特征在于，
通过m 1 和n 1 获得SOS节点处的物候特征；其中，所述SOS节点为增强型植被指数时间序列导数达到最大值的时间点；
通过m 2 和n 2 获得EOS节点处的物候特征；其中，所述EOS节点为增强型植被指数时间序列导数达到最小值的时间点。
7.一种基于物候特征的作物种植面积确定***，其特征在于，包括：
采集单元，用于按照设定时间采集待检测的作物种植区的遥感影像数据；
作物种植区特征向量获取单元，用于根据所述遥感影像数据确定所述待检测的作物种植区的植被指数统计特征和植被物候特征；根据所述植被指数统计特征和植被物候特征确定所述待检测的作物种植区的作物种植区特征向量；其中，所述植被指数统计特征包括归一化植被指数、增强型植被指数、绿色叶绿素植被指数、地表水分指数、归一化差分衰老植被指数和归一化耕作指数；所述植被物候特征为通过对所述增强型植被指数的时间序列分别通过线性谐波模型和双Logistic模型进行拟合获得；
种植面积数据获取单元，用于将所述作物种植区特征向量输入预训练好的基于随机森林的作物种植区提取模型中，进行遥感提取以确定所述待检测的作物种植区的作物种植区分布图；对所述作物种植区分布图进行分析，以确定所述待检测的作物种植区的种植面积数据。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的基于物候特征的作物种植面积确定方法中的步骤。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的基于物候特征的作物种植面积确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210150234.9A CN114219847B (zh) | 2022-02-18 | 2022-02-18 | 基于物候特征的作物种植面积确定方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210150234.9A CN114219847B (zh) | 2022-02-18 | 2022-02-18 | 基于物候特征的作物种植面积确定方法、***及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114219847A CN114219847A (zh) | 2022-03-22 |
| CN114219847B true CN114219847B (zh) | 2022-07-01 |
Family
ID=80708923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210150234.9A Active CN114219847B (zh) | 2022-02-18 | 2022-02-18 | 基于物候特征的作物种植面积确定方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219847B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724048B (zh) * | 2022-04-11 | 2023-07-07 | 中国农业大学 | 一种高温异常区域的识别方法、装置以及存储介质 |
| CN114882359B (zh) * | 2022-05-07 | 2023-03-31 | 中国科学院空天信息创新研究院 | 基于植被指数时序谱特征的大豆种植区提取方法和*** |
| CN114782837B (zh) * | 2022-06-17 | 2022-10-18 | 中化现代农业有限公司 | 种植物估产方法、装置、电子设备和存储介质 |
| CN117216444B (zh) * | 2023-09-06 | 2024-04-19 | 北京林业大学 | 一种基于深度学习的植被物候参数提取方法以及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239884A (zh) * | 2014-08-29 | 2014-12-24 | 中国科学院遥感与数字地球研究所 | 一种基于遥感植被指数时间序列的异常淹没区域检测方法 |
| CN104751166A (zh) * | 2013-12-30 | 2015-07-01 | 中国科学院深圳先进技术研究院 | 基于光谱角和欧氏距离的遥感影像分类方法 |
| CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
| CN108304973A (zh) * | 2018-02-11 | 2018-07-20 | 中国农业大学 | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 |
| CN110487793A (zh) * | 2019-08-29 | 2019-11-22 | 北京麦飞科技有限公司 | 病虫害时间动态分布监测方法及*** |
| CN110796001A (zh) * | 2019-09-23 | 2020-02-14 | 武汉珈和科技有限公司 | 一种卫星影像覆膜农田识别与提取方法及*** |
| CN110909652A (zh) * | 2019-11-16 | 2020-03-24 | 中国水利水电科学研究院 | 纹理特征优选的农作物种植结构月尺度动态提取方法 |
| CN110909679A (zh) * | 2019-11-22 | 2020-03-24 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及*** |
| CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及*** |
| CN111721711A (zh) * | 2020-06-17 | 2020-09-29 | 国家基础地理信息中心 | 耕地变化检测方法、装置、电子设备和存储介质 |
| CN112613648A (zh) * | 2020-12-14 | 2021-04-06 | 清华大学 | 一种训练旱情监测模型的方法、旱情监测方法及设备 |
| CN113850139A (zh) * | 2021-08-25 | 2021-12-28 | 南京林业大学 | 一种基于多源遥感的森林年际物候监测方法 |
| CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592181A (zh) * | 2011-12-30 | 2012-07-18 | 中国农业科学院农业资源与农业区划研究所 | 一种作物种植面积统计数据空间分布的优化方法 |
| CN105372672B (zh) * | 2015-12-07 | 2017-09-15 | 广州地理研究所 | 基于时间序列数据的南方冬种作物种植面积提取方法 |
| GB201601660D0 (en) * | 2016-01-29 | 2016-03-16 | Global Surface Intelligence Ltd | System and method for earth observation and analysis |
| CN110175931B (zh) * | 2019-05-10 | 2020-04-24 | 北京师范大学 | 一种大范围快速提取农作物种植面积和物候信息的方法 |
| CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
| CN112085781B (zh) * | 2020-09-08 | 2021-05-11 | 中国农业科学院农业资源与农业区划研究所 | 一种基于光谱重构技术提取冬小麦种植面积的方法 |
-
2022
- 2022-02-18 CN CN202210150234.9A patent/CN114219847B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751166A (zh) * | 2013-12-30 | 2015-07-01 | 中国科学院深圳先进技术研究院 | 基于光谱角和欧氏距离的遥感影像分类方法 |
| CN104239884A (zh) * | 2014-08-29 | 2014-12-24 | 中国科学院遥感与数字地球研究所 | 一种基于遥感植被指数时间序列的异常淹没区域检测方法 |
| CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
| CN108304973A (zh) * | 2018-02-11 | 2018-07-20 | 中国农业大学 | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 |
| CN110487793A (zh) * | 2019-08-29 | 2019-11-22 | 北京麦飞科技有限公司 | 病虫害时间动态分布监测方法及*** |
| CN110796001A (zh) * | 2019-09-23 | 2020-02-14 | 武汉珈和科技有限公司 | 一种卫星影像覆膜农田识别与提取方法及*** |
| CN110909652A (zh) * | 2019-11-16 | 2020-03-24 | 中国水利水电科学研究院 | 纹理特征优选的农作物种植结构月尺度动态提取方法 |
| CN110909679A (zh) * | 2019-11-22 | 2020-03-24 | 中国气象科学研究院 | 冬小麦历史种植区的休耕轮作信息遥感识别方法及*** |
| CN111721711A (zh) * | 2020-06-17 | 2020-09-29 | 国家基础地理信息中心 | 耕地变化检测方法、装置、电子设备和存储介质 |
| CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及*** |
| CN112613648A (zh) * | 2020-12-14 | 2021-04-06 | 清华大学 | 一种训练旱情监测模型的方法、旱情监测方法及设备 |
| CN113850139A (zh) * | 2021-08-25 | 2021-12-28 | 南京林业大学 | 一种基于多源遥感的森林年际物候监测方法 |
| CN113963260A (zh) * | 2021-10-20 | 2022-01-21 | 中科三清科技有限公司 | 一种冬小麦种植区的提取方法、装置和计算机设备 |
Non-Patent Citations (6)
| Title |
|---|
| Automated mapping of soybean and corn using phenology;Liheng Zhong 等;《ELSEVIER: ISPRS Journal of Photogrammetry and Remote Sensing》;20160613;151-164 * |
| Scaling up spring phenology derived from remote sensing images;Dailiang Peng 等;《ELSEVIER:Agricultural and Forest Meteorology》;20180320;207-219 * |
| 中国农田植被时空变化特征及其气候影响因子分析;张慧娴;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190105;A009-231 * |
| 基于深度学习的遥感影像水稻种植面积提取研究;郁林;《中国优秀硕士学位论文全文数据库 农业科技辑》;20220115;D043-26 * |
| 基于物候特征和混合光谱信息的春玉米种植面积提取;朱彤 等;《沈阳农业大学学报》;20170615;第48卷(第03期);328-337 * |
| 复杂地表景观区域水稻面积遥感精确提取与时空变化分析;赵爽;《中国博士学位论文全文数据库》;20180715;D047-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114219847A (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、***及存储介质 | |
| US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| de Souza et al. | Mapping and discrimination of soya bean and corn crops using spectro-temporal profiles of vegetation indices | |
| CN108195767B (zh) | 河口湿地外来种监测方法 | |
| CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
| CN113029971B (zh) | 一种作物冠层氮素监测方法及*** | |
| CN112712038B (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及*** | |
| CN112861435B (zh) | 一种红树林质量遥感反演方法及智能终端 | |
| Qian et al. | Mapping regional cropping patterns by using GF-1 WFV sensor data | |
| Seyednasrollah et al. | Data extraction from digital repeat photography using xROI: An interactive framework to facilitate the process | |
| Tian et al. | Machine learning-based crop recognition from aerial remote sensing imagery | |
| CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
| Somers et al. | Endmember library approaches to resolve spectral mixing problems in remotely sensed data: Potential, challenges, and applications | |
| CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
| Li et al. | Estimation of grain yield in wheat using source–sink datasets derived from RGB and thermal infrared imaging | |
| CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
| 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 | |
| Peerbhay et al. | Can remote sensing detect, monitor and track baboon-damaged Pinus plantations located in South Africa? | |
| Qu et al. | A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography: Flight altitude, sampling method and model effects | |
| WO2023131949A1 (en) | A versatile crop yield estimator | |
| Collins et al. | Multi-temporal analysis of landsat data to determine forest age classes for the mississippi statewide forest inventory~ preliminary results | |
| Astola et al. | Highforest-forest parameter estimation from high resolution remote sensing data | |
| Vollmar et al. | Combining Landsat TM/ETM+ and ALOS AVNIR-2 satellite data for tropical forest cover change detection | |
| Sevillano Marco et al. | Improvement of existing and development of future Copernicus land monitoring products–the ECOLASS project |
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 |