CN115468917A - 基于高分辨率遥感提取农田地块作物信息的方法及*** - Google Patents
基于高分辨率遥感提取农田地块作物信息的方法及*** Download PDFInfo
- Publication number
- CN115468917A CN115468917A CN202210962484.2A CN202210962484A CN115468917A CN 115468917 A CN115468917 A CN 115468917A CN 202210962484 A CN202210962484 A CN 202210962484A CN 115468917 A CN115468917 A CN 115468917A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- classification
- precision
- image
- farmland
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明属于农田信息提取技术领域,公开了一种基于高分辨率遥感提取农田地块作物信息的方法及***,采取分区分类的影像解译方法,基于研究区内不同的地貌单元在遥感影像光谱、地表植被疏密和居民点分布等方面的差异,将研究区划分为若干个子区域;精度评价和验证,通过建立混淆矩阵,计算各类地物的总体分类精度和kappa系数判断分类结果的精度。本发明通过将传统Landsat遥感影像粗分类与Google Earth高精度影像的精细化分类技术有机结合,可以大大提高对农田地块作物类型和空间分布信息的提取精度;采取了分区分类的影像解译方法,能够有效减少区域内遥感影像同物异谱或异物同谱的干扰,提高分类精度。
Description
技术领域
本发明属于农田信息提取技术领域,尤其涉及一种基于高分辨率遥感提取农田地块作物信息的方法及***。
背景技术
目前,高精度的农业土地利用和农田地块作物信息是我国开展现代农业发展空间规划和耕地资源保护的重要前提。然而,现有的农业生产中使用的农田作物信息数据主要通过人工调查,或者基于一些相对低分辨率的数字影像方式来获取。这种信息获取方式不仅费时费力,而且精度难以保证。虽然近年来一些大尺度的遥感技术被应用到农田信息提取,但是相关技术手段往往精度较低,很难快速、准确地获取农田地块尺度的作物类型、分布面积等精细化的种植信息。而且传统的遥感影像分类方法一般是在整个研究区范围内使用统一标准选择训练样本,这种方法虽然简便,但不容易解决同物异谱、异物同谱等问题,常常出现错分、漏分的现象。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的农业生产中使用的土地利用数据主要通过人工调查,或者基于一些低分辨率的数字影像方式来获取,这种传统获取方式不仅费时费力,而且精度难以保证,很难快速、准确地获取农田地块尺度的作物种植信息。
(2)传统的遥感影像分类方法不容易解决同物异谱、异物同谱等问题,常常出现错分、漏分的现象,导致影像分类结果与实际情况的误差较大。
发明内容
针对现有技术存在的问题,本发明提供了一种基于高分辨率遥感提取农田地块作物信息的方法及***。
本发明是这样实现的,一种基于高分辨率遥感提取农田地块作物信息的方法包括:
步骤一,遥感影像分区分类:采取分区分类的影像解译方法,基于研究区内不同的地貌单元在遥感影像光谱、地表植被疏密和居民点分布等方面的差异,将研究区划分为若干个子区域;
步骤二,精度评价和验证:通过建立混淆矩阵,计算各类地物的总体分类精度和kappa系数判断分类结果的精度。
所述步骤一中的遥感影像分区分类具体包括:
(1)分类前的预处理:对影像数据进行预处理;
(2)分区分类:采用最大似然法进行监督分类;
(3)分类后处理:对分区结果进行拼接处理。
所述步骤(1)中影像数据预处理包括几何校正、投影变换、影像镶嵌以及研究区裁剪提取。
所述步骤(1)中经过校正和配准处理后的研究区遥感影像与行政边界重合,然后用典型区的行政分区边界分别将全区影像裁剪为几个子区。
所述步骤(2)中选用信息量最为丰富的遥感影像5、4、3波段组合,配以红、绿、蓝三种颜色生成假彩色合成图像。
所述步骤(2)中在分类时,以研究区最新的Google Earth高清影像为对照,并辅以土地利用规划图为参考。
所述步骤(2)中分区采集训练样本时,样本点在区域范围内分布均匀,选择光谱纯净得像元。
所述步骤(3)中对分区结果进行拼接处理时,根据不同分区解译得到的土地利用分类结果,在遥感图像处理软件中建立决策树统一各区的地类编码和配色,进行影像拼接和边界融合处理,将分区解译结果合成为一张完整的全区土地利用和作物类型分布图;利用类别集群方法将一些细小斑块进行合并和平滑处理。
进一步,所述步骤二精度评价和验证中,在研究范围内随机生成一定数量的验证点,以Google earth高分辨率影像或地面实际调查数据为依据判别验证点的真实类型,与遥感分类结果作对比,统计出总体精度。
本发明的另一目的在于提供一种基于高分辨率遥感提取农田地块作物信息的技术***,所述基于高分辨率遥感提取农田地块作物信息的***包括:
影像预处理模块,用于在分类前对影像数据进行预处理;
分区分类模块,用于采用最大似然法对遥感影像进行监督分类;
分类后处理模块,用于对分区结果进行拼接处理;
精度评价和验证模块,用于通过建立混淆矩阵,计算各类地物的总体分类精度和kappa系数来判断分类结果的精度。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
(1)本发明通过将传统Landsat遥感影像粗分类与Google Earth高精度影像的精细化分类技术有机结合,可以大大提高对农田地块作物类型和空间分布信息的提取精度。
(2)本发明采取了分区分类的影像解译方法,能够有效减少区域内遥感影像同物异谱或异物同谱的干扰,提高分类精度,有效解决大范围精细化农田作物遥感监测中的技术难点问题。
(3)本发明将高精度遥感技术应用到农业土地利用和作物信息提取和精度验证中,不仅节省了工作量,而且有效提高了分类结果的精度。因此,本发明实现了对于较大范围农田土地利用和地块尺度作物种植信息的快速、准确提取,同时大大节约了过去单纯依赖于人工调查的时间和经济成本。同时,本发明构建了一套可以面向农业科研、农业区划人员等行业人员,以及非遥感专业人员使用的简便高效的技术方法***,为开展新一轮的土地资源普查分析、农田作物信息获取,以及相关后续科研研究工作起到了一定的推动作用。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
(1)本发明探索形成了一种基于高精度遥感影像和分区分类思想、实现农田地块作物信息精细分类和快速提取的技术方案;构建了一套“面向农田地块的高分辨率遥感多源异构数据分析和作物分区分类”的监测模型,实现农田作物信息遥感提取的模块化、***化操作,大大提高了工作效率。
(2)基于本技术方案,初步形成一套成熟便捷、便于大面积推广使用的遥感产品***,并初步在我国三大粮食主产区典型区域得到推广应用和精度验证。下一步将集成相关技术参数和方法,构建适合我国不同地区使用的多源异构空间数据库和遥感成果开放服务平台,实现本发明技术成果的产品化、市场化应用。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:
采用本发明的技术方案对我国三大粮食主产区县域尺度和农田地块两个尺度的典型区域精度验证表明,不同区域的土地利用分类和作物信息提取准确率均达到了85%以上,有些区域甚至接近于95%。依据《数字测绘成果质量检查与验收》国家标准进行检验,本技术成果在精细化分类和总体精度方面都处于行业内领先水平。
(2)本发明的技术方案有效解决了农业遥感领域亟待解决的技术难题:
大范围、快速准确地获取农田地块作物信息(包括不同季节的农田作物类型、分布面积等),一直是农业遥感领域亟须解决的技术难点问题。本发明的主要创新和优势体现在两个方面:1)在数据源方面:本发明尝试以多源、多时相影像为数据源,建立了一套将传统Landsat遥感影像与Google Earth高精度影像相结合的数据融合思路,实现了多源数据的优势互补;2)在分类方法上,本发明提出的遥感分区分类的创新方法,辅以影像拼接和边界融合处理技术,有效改善了过去“同物异谱、异物同谱”等导致的错分和漏分误差,显著提高了遥感影像的分类精度。
综上可见,本发明提出的技术思想和***方案,有效解决了当前国内外农业遥感领域的技术难点问题。在农田作物信息快速准确提取和精细化分类方面处于行业内领先水平,相关技术方法具有较为广阔的应用前景。
附图说明
图1是本发明实施例提供的基于高分辨率遥感提取农田地块作物信息的方法流程图。
图2是本发明实施例提供的分区分类的方法原理图。
图3是本发明实施例提供的基于遥感影像的区域土地利用分区分类方法流程图。
图4是本发明实施例提供的我国农业典型区高程遥感影像分区图。
图5是本发明实施例提供的高精度遥感提取作物分布信息的技术流程效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。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。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的基于高分辨率遥感提取农田地块作物信息的方法包括:
S101,遥感影像分区分类:采取分区分类的影像解译方法,基于研究区内不同的地貌单元在遥感影像光谱、地表植被疏密和居民点分布等方面的差异,将研究区划分为若干个子区域;
S102,精度评价和验证:通过建立混淆矩阵,计算各类地物的总体分类精度和kappa系数判断分类结果的精度。
本发明实施例中的步骤S101中的遥感影像分区分类具体包括:
(1)分类前的预处理:对影像数据进行预处理;
(2)分区分类:采用最大似然法进行监督分类;
(3)分类后处理:对分区结果进行拼接处理。
本发明实施例中的步骤(1)中影像数据预处理包括几何校正、投影变换、影像镶嵌以及研究区裁剪提取。
本发明实施例中的步骤(1)中经过校正和配准处理后的研究区遥感影像与行政边界重合,然后用典型区的行政分区边界分别将全区影像裁剪为几个子区。
本发明实施例中的步骤(2)中选用信息量最为丰富的遥感影像5、4、3波段组合,配以红、绿、蓝三种颜色生成假彩色合成图像。
本发明实施例中的步骤(2)中在分类时,以研究区最新的Google Earth高清影像为对照,并辅以土地利用规划图为参考。
本发明实施例中的步骤(2)中分区采集训练样本时,样本点在区域范围内分布均匀,选择光谱纯净得像元。
本发明实施例中的步骤(3)中对分区结果进行拼接处理时,根据不同分区解译得到的土地利用分类结果,在遥感图像处理软件中建立决策树统一各区的地类编码和配色,进行影像拼接和边界融合处理,将分区解译结果合成为一张完整的全区土地利用和作物类型分布图;利用类别集群方法将一些细小斑块进行合并和平滑处理。
本发明实施例中的步骤S102精度评价和验证中,在研究范围内随机生成一定数量的验证点,以Google earth高分辨率影像或地面实际调查数据为依据判别验证点的真实类型,与遥感分类结果作对比,统计出总体精度。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明提供的技术方案已经在三个大的粮食主产区得到应用,获得了小麦、玉米、水稻、大豆、油菜等主要作物分布格局和播种面积数据,监测成果精度平均达到90%以上,相较于其他大尺度的作物监测,本发明在作物类型精细化程度和提取精度方面都处于领先水平。
运用本发明技术方案,在三个农业生产典型区的分类结果都具有较高的精度。其中,某县的总体精度为85.96%,某县的总体精度为86.17%,某区的总体精度为93.74%,有些典型区域的精度甚至接近于95%,表明该发明技术具有很好的应用推广效果。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
1、遥感影像分区分类技术流程:传统的遥感影像分类方法一般是在整个研究区范围内使用统一标准选择训练样本,这种方法虽然简便,但不容易解决同物异谱、异物同谱等问题,常常出现错分、漏分的现象。为减少区域内遥感影像同物异谱或异物同谱的干扰,提高分类精度,本发明实施例采取了分区分类的影像解译方法(如图2所示)。该方法的基本思想是:基于研究区内不同的地貌单元在遥感影像光谱、地表植被疏密和居民点分布等方面的差异,将研究区划分为若干个子区域。
通过分区采集训练样本和分区开展监督分类,可以有效避免不同地貌单元中同物异谱或异物同谱导致的训练样本选择误差,从而提高分类结果的精度。
在此基础上构建了基于高精度遥感影像的农业土地利用和作物信息分区分类技术流程(如图3所示)。
具体操作时,首先把覆盖一个区域的完整遥感影像按照地形地貌差异划分为若干个小的单元(或称子区),如图4所示,图4中的a)为内蒙古兴和县分区;b)为湖南省鼎城区分区;c)为河北省邢台县分区。然后分区建立分类***,分区采集训练样本,经过影像校正、分区裁剪等预处理步骤,应用监督分类法进行分类。在选择训练样本时,采用Google earth高清影像图,尽可能地保证样本选择的准确性。分区分类后,将各区的结果图进行拼接和融合,获得全区的土地利用和作物信息分类结果。
(1)建立分类***和技术方法流程:
分类***的建立是开展遥感影像分类的基础。本发明实施例在确定典型区的分类***时,主要参考了《土地利用现状分类》(GB/T 21010-2007)标准,结合分类目标和典型区土地利用类型特征,将原先的12大类调整为了9大类(表1)。由于本发明实施例的研究重点是农、林、牧等农业土地利用类型,因此细化了耕地、林地、园地,而将其他的类(如:工矿仓储用地、住宅用地、公共服务用地、特殊用地、交通运输用地等)进行了适当归并和简化。在农田地块作物种植信息提取时,选用归一化植被指数NDVI等特征参量,构建高精度遥感提取技术方案,如图5所示,图5中的(1)为多时相影像(提取作物生长周期);(2)为影像处理(辐射校正、矢量裁剪、NDVI转化);(3)为以NDVI值大小分级分段(不同色彩呈现);(4)为叠加,交互判读,调整作物识别参数;(5)为确定阈值模型,决策提取;(6)为提取效果图。
依据作物物候和影像日期等因素分将目标地区细化为100多个监测分区,并通过采样分析逐区构建监测模型进行了监测提取,获得了典型粮食主产区小麦、玉米、水稻、大豆等主要作物分布数据。
表1土地利用分类***
(2)影像分类和加工处理流程
分类前的预处理:影像数据预处理包括几何校正、投影变换、影像镶嵌以及研究区裁剪提取等。影像和行政图统一采用UTM投影(Universal Transverse Mercator,UTM),WGS1984椭球体坐标。经过校正和配准处理后的研究区遥感影像能够和行政边界实现较好的重合。然后用典型区的行政分区边界分别将全区影像裁剪为几个子区。
分区分类:传统的监督分类方法中,最为常用的监督分类方法为最大似然法(Maximum Likelihood Classifier,简称MLC)。最大似然法有着严密的理论基础,特别是对于呈正态分布的数据,判别函数易于建立,有很好的统计学特征。而且该方法能充分利用各类先验知识,人机交互操作直观而简单,因此本发明实施例中采用最大似然法进行监督分类。
训练样本的选择是分类的关键,本发明实施例选用信息量最为丰富的遥感影像5、4、3波段组合,配以红、绿、蓝三种颜色生成假彩色合成图像。这个组合的合成图像不仅类似于自然色,较为符合人们的视觉习惯,而且信息量丰富,能充分显示各种地物影像特征的差别,便于训练样本的选取。在分类时,以研究区最新的Google Earth高清影像为对照,并辅以土地利用规划图为参考。分区采集训练样本时,样本点在区域范围内尽可能要分布均匀,并且尽量选择光谱纯净得像元,以提高分类精度。
分类后处理:首先是对分区结果的拼接处理。根据不同分区解译得到的土地利用分类结果,在遥感图像处理软件中建立决策树统一各区的地类编码和配色,进行影像拼接和边界融合处理,将分区解译结果合成为一张完整的全区土地利用和作物类型分布图。初始的分类结果图中一般会有很多细碎的图斑,需要经过分类后处理。本技术方案主要使用类别集群方法(Clump Classes)将一些细小斑块进行合并和平滑处理。
2、精度评价和验证方法
遥感分类之后非常重要的一个步骤是精度评价,一般需要选取地面真实的土地类型样本点作为参照标准,采用一些定量的指标和参数来检验分类的精度。过去常通过实地采点校核来检验影像分类精度,比较费时费力而且成本昂贵,特别对于较大范围分类结果的校核工作不太现实。
本发明实施例采用Google earth提供的免费、高精度影像为分类结果的校核工作提供了很大方便,使用的遥感影像分析软件可以顺畅地与Google earth链接,实现遥感影像地物的准确定位和识别。谷歌地球(Google Earth)提供免费的米级高精度卫星图像,为地块尺度的土地利用变化检测提供了可能。本发明实施例通过建立混淆矩阵(表2),计算各类地物的总体分类精度和kappa系数来判断分类结果的精度。在研究范围内随机生成一定数量的验证点,以Google earth高分辨率影像或地面实际调查数据为依据判别验证点的真实类型,与遥感分类结果作对比,统计出总体精度。采用本发明实施例对我国三大粮食主产区县域尺度和农田地块尺度的典型区域精度验证表明,土地利用分类和作物信息提取准确率达到了85%以上,有些区域甚至接近于95%。总体精度符合国家有关标准的要求。
表2遥感分类精度混淆矩阵
注:Pm,n表示提取类型为m,实际类型为n的验证点的个数。
采用本发明提供的技术方法,对我国三个农业生产的典型区(内蒙古兴和县、河北省邢台县、湖南省常德市鼎城区)分类结果图的精度检验表明:内蒙古兴和县2010年的土地利用图的总体精度为85.96%。河北省邢台县2010年的总体精度为86.17%。湖南省常德市鼎城区2010年的总体精度为93.74%。可以看出,我国南方、北方不同典型区的分类结果的精度都在85%以上,有些区域甚至接近于95%。依据《数字测绘成果质量检查与验收》国家标准进行检验,本技术成果在精细化分类和总体精度方面都处于行业内领先水平。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于高分辨率遥感提取农田地块作物信息的方法,其特征在于,所述基于高分辨率遥感提取农田地块作物信息的方法包括:
步骤一,遥感影像分区分类:采取分区分类的影像解译方法,基于研究区内不同的地貌单元在遥感影像光谱、地表植被疏密和居民点分布等方面的差异,将研究区划分为若干个子区域;
步骤二,精度评价和验证:通过建立混淆矩阵,计算各类地物的总体分类精度和kappa系数判断分类结果的精度。
2.如权利要求1所述的基于高分辨率遥感提取农田地块作物信息的方法,其特征在于,所述步骤一中的遥感影像分区分类具体包括:
(1)分类前的预处理:对影像数据进行预处理;
(2)分区分类:采用最大似然法进行监督分类;
(3)分类后处理:对分区结果进行拼接处理。
3.如权利要求2所述的基于高分辨率遥感提取农田地块作物信息的方法,其特征在于,所述步骤(1)中影像数据预处理包括几何校正、投影变换、影像镶嵌以及研究区裁剪提取。
4.如权利要求2所述的基于高分辨率遥感提取农田地块作物信息的方法,其特征在于,所述步骤(1)中经过校正和配准处理后的研究区遥感影像与行政边界重合,然后用典型区的行政分区边界分别将全区影像裁剪为几个子区。
5.如权利要求2所述的基于高分辨率遥感提取农田地块作物信息的方法,其特征在于,所述步骤(2)中选用信息量最为丰富的遥感影像5、4、3波段组合,配以红、绿、蓝三种颜色生成假彩色合成图像。
6.如权利要求2所述的基于高分辨率遥感提取农田地块作物信息的方法,其特征在于,所述步骤(2)中在分类时,以研究区最新的Google Earth高清影像为对照,并辅以土地利用规划图为参考。
7.如权利要求2所述的基于高分辨率遥感提取农田地块作物信息的方法,其特征在于,所述步骤(2)中分区采集训练样本时,样本点在区域范围内分布均匀,选择光谱纯净得像元。
8.如权利要求2所述的基于高分辨率遥感提取农田地块作物信息的方法,其特征在于,所述步骤(3)中对分区结果进行拼接处理时,根据不同分区解译得到的土地利用分类结果,在遥感图像处理软件中建立决策树统一各区的地类编码和配色,进行影像拼接和边界融合处理,将分区解译结果合成为一张完整的全区土地利用和作物类型分布图;利用类别集群方法将一些细小斑块进行合并和平滑处理。
9.如权利要求1所述的基于高分辨率遥感提取农田地块作物信息的方法,其特征在于,所述步骤二精度评价和验证中,在研究范围内随机生成一定数量的验证点,以Googleearth高分辨率影像或地面实际调查数据为依据判别验证点的真实类型,与遥感分类结果作对比,统计出总体精度。
10.一种用于实施权利要求1~9任意一项所述的基于高分辨率遥感提取农田地块作物信息的方法的基于高分辨率遥感提取农田地块作物信息的***,其特征在于,所述基于高分辨率遥感提取农田地块作物信息的***包括:
影像预处理模块,用于在分类前对影像数据进行预处理;
分区分类模块,用于采用最大似然法对遥感影像进行监督分类;
分类后处理模块,用于对分区结果进行拼接处理;
精度评价和验证模块,用于通过建立混淆矩阵,计算各类地物的总体分类精度和kappa系数来判断分类结果的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210962484.2A CN115468917A (zh) | 2022-08-11 | 2022-08-11 | 基于高分辨率遥感提取农田地块作物信息的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210962484.2A CN115468917A (zh) | 2022-08-11 | 2022-08-11 | 基于高分辨率遥感提取农田地块作物信息的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115468917A true CN115468917A (zh) | 2022-12-13 |
Family
ID=84366002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210962484.2A Pending CN115468917A (zh) | 2022-08-11 | 2022-08-11 | 基于高分辨率遥感提取农田地块作物信息的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115468917A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206197A (zh) * | 2022-12-16 | 2023-06-02 | 中国科学院地理科学与资源研究所 | 一种面向耕地信息提取的地学分区方法 |
CN117315471A (zh) * | 2023-09-26 | 2023-12-29 | 中国水利水电科学研究院 | 一种基于遥感影像与机器学习的梯田识别方法 |
CN118094196A (zh) * | 2024-04-23 | 2024-05-28 | 菏泽市土地储备中心 | 基于数据分析的土地利用规划方法及规划*** |
-
2022
- 2022-08-11 CN CN202210962484.2A patent/CN115468917A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206197A (zh) * | 2022-12-16 | 2023-06-02 | 中国科学院地理科学与资源研究所 | 一种面向耕地信息提取的地学分区方法 |
CN116206197B (zh) * | 2022-12-16 | 2024-02-20 | 中国科学院地理科学与资源研究所 | 一种面向耕地信息提取的地学分区方法 |
CN117315471A (zh) * | 2023-09-26 | 2023-12-29 | 中国水利水电科学研究院 | 一种基于遥感影像与机器学习的梯田识别方法 |
CN118094196A (zh) * | 2024-04-23 | 2024-05-28 | 菏泽市土地储备中心 | 基于数据分析的土地利用规划方法及规划*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020103026A4 (en) | A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images | |
CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及*** | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和*** | |
CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及*** | |
CN108761451B (zh) | 一种基于多时相遥感影像的土地利用变化智能理解方法 | |
CN109919083B (zh) | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 | |
CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
CN109063553A (zh) | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 | |
CN108898096B (zh) | 一种面向高分影像的信息快速精确提取方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
CN102521624A (zh) | 一种土地利用类型分类的方法和*** | |
CN115641412B (zh) | 基于高光谱数据的三维语义地图的生成方法 | |
CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
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 | |
CN111563430A (zh) | 一种基于卷积神经的公益林地类图像智能识别方法及*** | |
CN114241321A (zh) | 高分遥感图像平顶建筑快速精准识别方法 | |
CN114357563A (zh) | 一种江南私家园林景观的布局生成方法及应用 | |
CN111222539A (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
CN112906627B (zh) | 一种基于语义分割的青花椒识别方法 | |
CN117437489A (zh) | 基于决策树模型的城市绿地提取方法 | |
CN116580295A (zh) | 一种基于人工智能技术的自然资源常态化监测方法 | |
CN116310802A (zh) | 一种基于多尺度融合模型的宅基地变化监测方法和装置 | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及*** |
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 |